Cur So Seis Sigma

CURSO DE
SEIS SIGMA
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
MC. MIGUEL BAHENA Y
DR. PRIMITIVO REYES AGUILAR
Febrero de 2006
Pgina 2
INDICE
Introduccin 2
Antecedentes de la Calidad
Qu es seis sigma?
Justificacin
Objetivos
Alcance
Planteamiento del problema
Metodologa
Capitulo 1. Introduccin a la metodologa Seis Sigma 21
1.1 La mtrica de Seis Sigma
1.2 Mediciones para Seis Sigma
1.3 Clculo de Sigmas del proceso
1.4 Diez pasos de Motorola para la mejora de procesos
1.5 Las Fases DMAIC de Seis Sigma
Capitulo 2. Fase de Definicin 43
2.1 Introduccin
2.2 Etapas de la fase de Definicin
2.3 Mapa del proceso
2.4 Despliegue de la Funcin de Calidad QFD
2.5 Modelo Kano
2.6 Diagrama matricial
2.7 Benchmarking
2.8 Costos de Calidad
2.9 Entregables de esta fase
Pgina 3
Capitulo 3. Fase de edicin !!
3.1 Introduccin
3.2 Etapas de la fase de Medicin
3.3 Estadstica descriptiva
3.4 Herramientas estadsticas para la solucin de problemas
Capitulo 4. Fase de "n#lisis 123
4.1 Introduccin
4.2 Etapas de la fase de Anlisis
4.3 AMEF
4.4 Cartas Multi Vari
4.5 Correlacin
4.6 Anlisis de Regresin
4.7 Pruebas de Hiptesis
4.8 Anlisis de Varianza ANOVA
Capitulo $. Fase de e%ora 1!&
5.1 Introduccin
5.2 Etapas de la fase de Mejora
5.3 Terminologa
5.4 Diseo de Experimentos (DOE)
5.5 Mtodo de Superficie de Respuesta
Capitulo !. Fase de Control 2'4
6.1 Introduccin
6.2 Etapas de la fase de Control
6.3 Determinacin de la capacidad del proceso en control
Pgina 4
6.4 Implementacin del Sistema de Control
6.5 Cartas de Control
6.6 Dispositivos a prueba de errores Poka-Yoke
6.7 Mejora Continua Kaizen
6.8 Las 5Ss
6.9 El Kanban
Captulo &. (ro)ecto 234
7.1 Introduccin
7.2 Proyecto de mejora
7.3 Metodologa DMAIC
Paso 1 Fase de Definicin
Paso 2 Fase de Medicin
Paso 3 Fase de Anlisis
Paso 4 Fase de Mejora
Paso 5 Fase de Control
7.4 Entregables / resultados del proyecto
Conclusiones ) *ecomendaciones 2$$
+i,liografa 2$-
Pgina 5
IN.*/D0CCI1N
"N.ECEDEN.ES
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 nica calidad presentaron la quiebra una tras otra. Las
empresas de hoy si quieren sobrevivir, deben trabajar para sus clientes ms
que para s misma.
Philip Crosby populariz el concepto de Cero Defecto como orientacin 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 ms
alto) se conviertan en una profeca que se cumple; Si los empleados saben
que est "bien trabajar dentro de un nivel determinado de errores, llegarn a
considerar que ese nivel es la "norma. Es evidente que dicha "norma est
por debajo de lo ptimo. Crosby sostiene que a las personas se le establecan
estndares de desempeo mucho ms holgados en sus trabajos que lo que
regan sus vidas personales. "Ellos esperaban hacer las cosas bien, cuando se
trataba de sostener a un beb, de pagar las facturas o de regresar temprano
a la casa correcta. En cambio, en los negocios se les fijaban "niveles
aceptables de calidad, mrgenes de variacin 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 podan encontrar maneras de justificar
estadsticamente las naturales fallas humanas, sosteniendo que nadie poda
ser posiblemente perfecto. De modo que si el 100% es inalcanzable, por qu
no conformarse con el 99%, e incluso con el 95%? Entonces, si alcanzramos
el 96,642%, podramos dar una fiesta y celebrar el hecho de haber superado
los objetivos. La cuestin es que el 96,642% significa que de 100.000
Pgina 6
transacciones efectuadas por un servicio, 3.358 resultaran desfavorables.
Como las fallas de uno entre mil paracaidistas. Los clientes insatisfechos,
aquellos que habran estado fuera del porcentaje de transacciones perfectas,
no regresaran jams.
En los aos ochenta la TQM (Gestin de Calidad Total) fue muy popular, pero
sufri un proceso de desgaste y en muchas empresas de agona; 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 metodologa de Seis Sigma en funcin
de tres caractersticas:
1. Seis Sigma est enfocado en el cliente.
2. Los proyectos Seis Sigma producen grandes retornos sobre la
inversin. En un artculo de la Harvard Business Review, Sasser y
Reichheld sealan que las compaas pueden ampliar sus ganancias
en casi un 100% si retienen slo un 5% ms de sus clientes gracias
al logro un alto grado de calidad.
3. Seis Sigma cambia el modo que opera la direccin. Seis Sigma es
mucho ms que proyectos de mejora. La direccin 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 organizacin para que se estudie la
variacin en los procesos (enfocado en los conceptos de Deming), como una
manera de mejorar los mismos. Estas variaciones son lo que estadsticamente
se conoce como desviacin estndar (alrededor de la media), la cual se
Pgina 7
representa por la letra griega sigma (o). Esta iniciativa se convirti en el
punto focal del esfuerzo para mejorar la calidad en Motorola, capturando la
atencin del entonces CEO de Motorola: Bob Galvin. Con el apoyo de Galvin,
se hizo nfasis no slo en el anlisis de la variacin sino tambin en la mejora
continua, estableciendo como meta obtener 3,4 defectos (por milln de
oportunidades) en los procesos; algo casi cercano a la perfeccin.
Esta iniciativa lleg a odos de Lawrence Bossidy, quin 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 mquina exitosa.
Durante la implantacin de Seis Sigma en los aos 90 (con el empuje de
Bossidy), Allied Signal multiplic sus ventas y sus ganancias de manera
dramtica. Este ejemplo fue seguido por Texas Instruments, logrando el
mismo xito. Durante el verano de 1995 el CEO de GE, Jack Welch, se entera
del xito de esta nueva estrategia de boca del mismo Lawrence Bossidy,
dando lugar a la mayor transformacin iniciada en esta enorme organizacin.
El empuje y respaldo de Jack Welch transformaron a GE en una "organizacin
Seis Sigma", con resultados impactantes en todas sus divisiones. Por ejemplo:
GE Medical Systems recientemente introdujo al mercado un nuevo scanner
para diagnstico (con un valor de 1,25 millones de dlares) desarrollado
enteramente bajo los principios de Seis Sigma y con un tiempo de escaneo de
slo 17 segundos (lo normal eran 180 segundos). En otra de las divisiones:
GE Plastics, se mejor dramticamente uno de los procesos para incrementar
la produccin en casi 500 mil toneladas, logrando no slo un beneficio mayor,
sino obteniendo tambin el contrato para la fabricacin de las cubiertas de la
nueva computadora iMac de Apple.
Pgina 8
2u3 es Seis Sigma?
Seis Sigma es una forma ms 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
reas principales
1
:
Mejorar la satisfaccin del cliente
Reducir el tiempo del ciclo
Reducir los defectos
Las mejoras en estas reas representan importantes ahorros de costes,
oportunidades para retener a los clientes, capturar nuevos mercados y
construirse una reputacin de empresa de excelencia.
Podemos definir Seis Sigma como
1
:
1. Una medida estadstica del nivel de desempeo de un proceso o
producto.
2. Un objetivo de lograr casi la perfeccin mediante la mejora del
desempeo.
3. Un sistema de direccin para lograr un liderazgo duradero en el
negocio y un desempeo de primer nivel en un mbito global.
La letra griega minscula sigma () se usa como smbolo de la desviacin
estndar, siendo sta una forma estadstica de describir cunta variacin
existe en un conjunto de datos, es decir, obtener slo 3.4 defectos por milln
de oportunidades o actividades.
1
Lefcovich Mauricio Seis Sigma hacia un nuevo paradigma en Gestin
Pgina 9
La metodologa Seis Sigma, engloba tcnicas de Control Estadstico de
Procesos, Despliegue de la funcin de calidad (QFD), Ingeniera de calidad de
Taguchi, Benchmarking, entre otras; siendo una slida alternativa para
mejorar los procesos y por lo tanto, lograr la satisfaccin de los clientes.
La estrategia Seis Sigma incluye el uso de 4erramientas estadsticas
dentro de una metodologa estructurada incrementando el conocimiento
necesario para lograr de una mejor manera, ms rpido y al ms bajo costo,
productos y servicios que la competencia.
Se caracteriza por la continua y disciplinada aplicacin de una estrategia
maestra "proyecto por proyecto" tal como lo recomienda Joseph Juran en su
triloga de la calidad, donde los proyectos son seleccionados mediante
estrategias clave de negocios, lo cual conduce a recuperar la inversin
realizada y obtener mayores mrgenes de utilidad. La gente que coordina los
proyectos de Seis Sigma son comnmente llamados: BlackBelts
2
, Green Belts,
etc.
A continuacin se presentan y describen las fases de la metodologa Seis
Sigma:
2
Black Belt es nombre registrado por Motorola Inc. en U.S.
Pgina 10

! "ase #. $efinici%n D $efine
! "ase 1. Medici%n M Measure
! "ase 2. n&lisis A nal'(e
! "ase ). Me*ora I Improve
! "ase +. ,ontrol C ,ontrol
Problema de Negocio
Problema Estadstico
Solucin Estadstica
Solucin de Negocio
! "ase #. $efinici%n D $efine
! "ase 1. Medici%n M Measure
! "ase 2. n&lisis A nal'(e
! "ase ). Me*ora I Improve
! "ase +. ,ontrol C ,ontrol
Problema de Negocio
Problema Estadstico
Solucin Estadstica
Solucin de Negocio
Fases de Identificacin ) Definicin de proyectos en relacin 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 caractersticas crticas del proceso de negocio.
-Fases de edicin ) "n#lisis para conocer en forma profunda los niveles
actuales de desempeo
-Se selecciona una o ms de las caractersticas clave y se crea una
descripcin detallada de cada paso del proceso.
-Se evala el proceso a travs de mediciones y sirve de referencia para
establecer los objetivos de la empresa.
-Se crea un plan de accin despus de analizar la situacin actual para
lograr los objetivos establecidos
-Identificacin y comparacin competitiva (benchmark) de las
caractersticas clave del producto. Anlisis de brechas y factores de
xito.
o EDICI1N
-Seleccionar las caractersticas clave del producto a mejorar
-Crear el diagrama sistemtico de variabilidad del producto
-Definir las variables de desempeo
-Crear mapa de procesos
-Medir las Variables de desempeo
-Determinar la capacidad de desempeo y del proceso en trmino de
niveles de sigma.
o "N"5ISIS
-Seleccionar las variables de desempeo
-Hacer un benchmarking de las mtricas de desempeo
-Descubrir el desempeo mejor en su clase
Pgina 11
-Realizar un anlisis de brechas
-Identificar factores de xito
-Definir objetivos de desempeo
-Fases de me%ora ) control, para lograr mejoramiento con cambio mayor
-Identificar que pasos seguir para mejorar el proceso y reducir las
fuentes de mayor variacin que influyen negativamente en el proceso.
-Se identifican las variables clave o "pocas vitales que impactan al
proceso, a travs del DOE y se ajustan para optimizar el proceso.
-Puede ser necesario modificar el proceso, cambiar los materiales, etc.
o E6/*"
-Seleccionar variables de desempeo;
-Diagnosticar desempeo de las variables;
-Definir variables causales (DOE);
-Confirmar variables causales;
-Establecer lmites de operacin;
-Verificar mejoramiento del desempeo
o C/N.*/5
-Seleccionar variables causales;
-Definir el sistema de control estadstico;
-Validar el sistema de control;
-Implantar el sistema de control;
-Auditar el sistema de control;
-Monitorear las mtricas de desempeo
Pgina 12
A continuacin se esquematiza el propsito, los entregables, los mtodos y las
herramientas estadsticas utilizadas en cada una de las fases
3
:
Figura 1 Herramientas utilizadas en la metodologa Seis Sigma
Para aplicar la filosofa Seis Sigma dentro de una organizacin implica
7Cam,iar la cultura de la organi8acin79 ya que se fomenta el trabajo en
equipo para la solucin de problemas, se mejoran la comunicacin, y
aumenta el grado de confianza y seguridad en los individuos para realizar el
trabajo, de esta manera se rompe la resistencia al cambio para poder ser
ms agresivos y alcanzar metas cada vez ms desafiantes.
*ecomendaciones para seleccin de pro)ectos
4
:
o Fuentes e:ternas:
Considerar la voz del cliente
Considerar la voz del mercado
)
-e'es .rimitivo /omado de los apuntes de la material Opcin Terminal UI 0to1o 2##2
+
3euman -obert4 .ande .eter Las claves de Seis Sigma
Pgina 13
DMAC
DMAC
Definir Definir Definir
Medir Medir Medir
Analizar Analizar Analizar
Mejorar Mejorar Mejorar
Controlar Controlar Controlar
1. Mapa de Proceso
2. Despliegue de la
Funcin de
Calidad (FD!
". Modelo #ano
$. Diagrama Matricial
%. &enc'mar(ing
). Costos de Calidad
1. Mapa de Proceso
2. Despliegue de la
Funcin de
Calidad (FD!
". Modelo #ano
%. &enc'mar(ing
1. Mapa de Procesos
2. Diagrama de*
Pareto+Causa,
E-ecto+.rbol+
/-inidad
". M0todos de
Muestreo
Estadstico
$. Capacidad del
Sistema de
Medicin
%. Distribucin
Normal
). Capacidad del
Proceso
1. Mapa de Procesos
2. Diagrama de*
Pareto+Causa,
E-ecto+.rbol+
/-inidad
". M0todos de
Muestreo
Estadstico
$. Capacidad del
Sistema de
Medicin
%. Distribucin
Normal
). Capacidad del
Proceso
1. /MEF
2. Cartas Multi 1ari
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
%. Pruebas de
5iptesis
). /n6lisis de
1arian7a (/N81/!
1. /MEF
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
%. Pruebas de
5iptesis
). /n6lisis de
1arian7a (/N81/!
1. /n6lisis de
E9perimentos
(D8E!
2. Dise:o Factorial
2#
". Dise:o Fraccin
Factorial
$. Dise:o ;aguc'i
%. Dise:o de Me7clas
). M0todos de
Super-icie de
2espuesta
1. /n6lisis de
E9perimentos
(D8E!
2. Dise:o Factorial
2#
". Dise:o Fraccin
Factorial
$. Dise:o ;aguc'i
). M0todos de
Super-icie de
2espuesta
1. Plan de Control
2. Cartas de Control
". Po(a <o(e
$. Me=ora continua
(#ai7en!
%. >as % S?s
). #anban
1. Plan de Control
". Po(a <o(e
$. Me=ora continua
(#ai7en!
%. >as % S?s
). #anban
Herramientas
DMAC
DMAC
Definir Definir Definir
Medir Medir Medir
Mejorar Mejorar Mejorar
1. Mapa de Proceso
2. Despliegue de la
Funcin de
Calidad (FD!
". Modelo #ano
%. &enc'mar(ing
1. Mapa de Proceso
2. Despliegue de la
Funcin de
Calidad (FD!
". Modelo #ano
%. &enc'mar(ing
1. Mapa de Procesos
2. Diagrama de*
Pareto+Causa,
E-ecto+.rbol+
/-inidad
". M0todos de
Muestreo
Estadstico
$. Capacidad del
Sistema de
Medicin
%. Distribucin
Normal
). Capacidad del
Proceso
1. Mapa de Procesos
2. Diagrama de*
Pareto+Causa,
E-ecto+.rbol+
/-inidad
". M0todos de
Muestreo
Estadstico
$. Capacidad del
Sistema de
Medicin
%. Distribucin
Normal
). Capacidad del
Proceso
1. /MEF
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
%. Pruebas de
5iptesis
). /n6lisis de
1arian7a (/N81/!
1. /MEF
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
%. Pruebas de
5iptesis
). /n6lisis de
1arian7a (/N81/!
1. /n6lisis de
E9perimentos
(D8E!
2. Dise:o Factorial
2#
". Dise:o Fraccin
Factorial
$. Dise:o ;aguc'i
). M0todos de
Super-icie de
2espuesta
1. /n6lisis de
E9perimentos
(D8E!
2. Dise:o Factorial
2#
". Dise:o Fraccin
Factorial
$. Dise:o ;aguc'i
). M0todos de
Super-icie de
2espuesta
1. Plan de Control
". Po(a <o(e
$. Me=ora continua
(#ai7en!
%. >as % S?s
). #anban
1. Plan de Control
". Po(a <o(e
$. Me=ora continua
(#ai7en!
%. >as % S?s
). #anban
Herramientas
Considerar la comparacin con la competencia
Algunas de las preguntas que surgen a partir de estas fuentes:
En que estamos fallando o vamos a fallar en la satisfaccin
de las necesidades del cliente?
Dnde nos encontramos detrs de nuestros competidores?
Cmo va a evolucionar el mercado?Estamos preparados
para ello?
Cules 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
Cules son los mayores retrasos que ralentizan a nuestros
procesos?
Dnde hay un volumen elevado de defectos y/o retrabajos
repetidos?
Dnde se incrementan los costos de mala Calidad?
Qu 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
tambin que el proyecto sea realizable. En este caso, se
Pgina 14
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
volmenes o tiempos de ciclo cortos.
Barreras para alcanzar el xito 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 realizacin del proyecto.
El proyecto no esta alineado con las prioridades del
negocio.
Green Belt / Black Belt no entrenado.
Informacin no disponible.
El proyecto no utiliza una metodologa de mejora.
Seis sigma es una filosofa enfocaa a la
me!ora continua.
Pgina 15
6ustificacin
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 ver reflejado en la reduccin 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 reduccin de
ganancias o reduccin de los costos de hacer bien las cosas, sino de la
eliminacin de los costos asociados con los errores o desperdicios.
La filosofa Seis Sigma busca ofrecer mejores productos o servicios, de una
manera cada vez ms rpida y a ms bajo costo, mediante la reduccin de
la variacin de cualquiera de nuestros procesos. Aunque a muchas personas
les ha costado entender, una de las grandes enseanzas del Dr. Deming fue
buscar el control de variacin de los procesos lo cual es medido por medio
de la desviacin estndar. Deca el Dr Deming: "el enemigo de todo proceso
es la variacin, por lo que es ah en donde debemos concentrar el esfuerzo
hacia de la mejora continua, pero sobre todo porque "5a ;ariacin es el
enemigo de la satisfaccin de nuestros clientes<.
Por lo anterior se pretende mostrar la aplicacin de esta metodologa en un
caso prctico de proyecto de mejora, donde en forma clara se describan los
pasos a seguir con la metodologa Seis Sigma.

Pgina 16
Hasta ahora hemos mencionado algunos nombre de personas que han
contribuido a lo que es hoy 6 sigma, a continuacin se hace mencin de mas
"gurs y su aportacin a sta herramienta:
Figura 2 Gurs de Calidad
Enunciaremos algunas ventajas que tiene la implementacin de un sistema
Seis Sigma en comparacin con otros Sistemas de Calidad:
!= ;s. Calidad .otal > C. ;s. ! =
?enta%as Seis Sigma ;s. Calidad Total ?enta%as Calidad .otal ;s. Seis
Sigma
Mayor uso de tcnicas estadsticas en la
implementacin de proyectos de mejora.
Realiza un diagnostico operativo y cultural
en la empresa antes de llevar a cabo la
implementacin del sistema.
Las tcnicas estadsticas son ms fciles de
comprender y de seleccionar ya que utiliza un
lenguaje ms digerible para la mayora de los
usuarios.
Propone el desarrollo de polticas de
calidad las cuales deben de ser son
congruentes con los planes estratgicos de
la empresa.
Utilizacin de reportes de Confiabilidad para la
seleccin de proyectos de mejora.
Dicta procedimientos de entrenamiento,
educacin y reconocimiento a los logros de
calidad (mayor administracin del recurso
humano).
La seleccin de los equipos de mejora y Propone el uso de un sistema de
Pgina 17

entrenamiento son ms robustos ya que es
conducida a travs de grupos de gente que
poseen el conocimiento, experiencia, disciplina
tcnica, liderazgo y conocimientos en el rea
especfica. (Champions, Black Belts, Green
Belts, etc.)
Aseguramiento de Calidad, el cual
proporciona la certeza de que el resultado
del proceso productivo tendr los niveles
de calidad deseados.
Realiza estudios de la capacidad del proceso,
cuando los ndices Cp 2.0 y Cpk 1.5, se
tiene un buen indicador de que se est
logrando el nivel Seis Sigma.
Desarrollo de crculos de calidad mediante
los cuales se forman grupos voluntarios de
trabajadores para discutir temas
relacionados con la calidad, fortaleciendo
la actitud de los trabajadores hacia el
trabajo.
Anlisis de los proceso crticos mediante las
tcnicas de Diseo de experimentos y
Superficie de respuesta.
Para la implementacin y control de las
condiciones ptimas del proceso se utiliza en
gran medida el Diseo de experimentos, CEP y
Superficie de respuesta.
Anlisis de los sistemas de medicin
(calibracin), como parte de la metodologa.
Garantiza el cumplimiento mediante
muestreos aleatorios.
Los objetivos son medidos mediante el logro
de la mtrica 6 o, y las utilidades que genera
cada proyecto.
.a,la 1 Comparativos 6 o y Sistemas de Calidad

Des;enta%as de los sistemas de "seguramiento de Calidad ;s. Seis Sigma
El sistema de comunicacin 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 lnea y en ocasiones las
recomendaciones no se llevan a cabo.
Pgina 18
Los auditores son los nicos 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
administracin.
Cuando las auditorias son anunciadas (que sucede en la mayora 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.
/,%eti;os
1.1 /,%eti;o general@
El objetivo general es el desarrollo de un proyecto de aplicacin de la
metodologa 6 sigma que muestre en forma clara y concisa los pasos a seguir;
servir como una gua que facilita la comprensin de aplicacin de los
diferentes mtodos y herramientas estadsticas para la mejora de la calidad.
/,%eti;os especficos@
Aplicacin de la metodologa seis sigma para mejorar la calidad y
productividad de una planta de bebidas, reduciendo la variabilidad en el
proceso, asegurando las caractersticas de calidad establecidas para el
producto.
Se pretende que este documento sea una gua, tanto para la capacitacin
como para la consulta, de todos aquellos que lleven a cabo la
implementacin de proyectos de mejora bajo la metodologa Seis Sigma.
Mostrar como se pueden utilizar el Minitab y Excel para reducir el tiempo
de desarrollo de los proyectos.
Pgina 19
'.1 "lcance
Mejorar la calidad y productividad del proceso.

'.2 (lanteamiento del pro,lema
El uso de la Estadstica para el mejoramiento de la calidad en la mayora de
los casos no ha sido difundido a todas las reas de las empresas,
principalmente por que no se conocen los beneficios que se pueden obtener,
en el manejo y anlisis de informacin y porque existe una cantidad de
deducciones y frmulas matemticas, que solo conocen aquellas personas que
son especialistas en el rea.
La mayora de los ingenieros se han enfocado en aspectos meramente
tcnicos, dejando a un lado las tcnicas de medicin y anlisis de informacin
proporcionados por la Estadstica., siendo que en la mayora de las veces los
problemas pueden ser resueltos mediante la ayuda de dichas tcnicas.
Dentro de una organizacin existen personas con diferentes perfiles y
diferentes niveles de conocimiento, lo que dificulta la transferencia de las
herramientas.
Para lograr la adecuada implementacin de Seis Sigma se propone que este
documento sea una gua que describa paso a paso la aplicacin de la
metodologa Seis Sigma en el mejoramiento de la calidad de los productos. Es
importante que la implementacin de Seis Sigma sea realizada por personas
que posean liderazgo y adecuado conocimiento del tema, adems de poder
conducir equipos de trabajo y administrar proyectos.
Actualmente el problema que se tiene en el proceso es la variacin en una
caracterstica, que nos genera un costo en la produccin.
Pgina 20
De tal manera que haciendo uso de diferentes tcnicas estadsticas nos sirvan
de apoyo para realizar mejoras en el proceso y lograr el objetivo planteado.
'.3 etodologa

La metodologa que se va a emplear es la aplicacin de seis sigma en
conjunto con kaizen, para lograr los resultados en un plazo no mayor a 3
meses.
Este documento consta de 7 captulos en los cuales se explican las diferentes
metodologas y herramientas que se pueden utilizar en la aplicacin de un
proyecto que se maneje bajo la metodologa de Seis Sigma.
1. Capitulo 1 Introduccin a la metodologa seis sigma
2. Capitulo 2 Fase de Definicin
3. Capitulo 3 Fase de Medicin
4. Capitulo 4 Fase de Anlisis
5. Capitulo 5 Fase de Mejora
6. Capitulo 6 Fase de Control
7. Capitulo 7 Proyecto de mejora
Pgina 21
C"(I.05/ 1 IN.*/D0CCI/N " 5"
E./D/5/AB" SEIS SIGMA
Seis Sigma es un sistema diseado cuyo objetivo de "cuasi perfeccin en la
satisfaccin de las necesidades del cliente
5
.
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 ms productiva y competitiva.
Seis Sigma: Un enfoque completo y flexible para conseguir, mantener y
maximizar el xito en los negocios. 6 o funciona especialmente gracias a una
comprensin total de las necesidades del cliente, del uso disciplinario del
anlisis de los datos y hechos, y de la atencin constante a la gestin, mejora
y reinvencin de los procesos empresariales.
La metodologa fomenta en gran medida el trabajo en equipo, debido a que en
la mayora de las herramientas, el mecanismo para proponer ideas que nos
conducen a la solucin de problemas, es el resultado de la participacin de
todas las personas involucradas. La mejora continua de los procesos es el
objetivo comn de cada uno de los miembros.
En un principio es difcil 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 adems de realizar sus proyectos aplica
la metodologa en su trabajo diario, para la solucin de problemas y mejora
de los procesos.
2
.ande .eter4 3euman -obert Las claves de Seis Sigma
Pgina 22
La Estadstica es utilizada en gran medida dentro de la metodologa, pero hay
que aclarar que est 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 ms econmico posible.
El nivel de capacitacin requerido es muy alto en la implementacin, implica
costos ocasionados por capacitacin, tiempos, materiales, entre otros; sin
embargo el retorno de la inversin 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 eliminacin o reduccin de la inspeccin es un punto muy importante
dentro de la metodologa, al seguir las diferentes tcnicas; por ejemplo con el
uso de sistemas Poka-Yoke entre otras la inspeccin deja de ser necesaria, se
busca el origen de las causas de los defectos para eliminarlos al mximo.
La implementacin de la filosofa Seis Sigma requiere que los directivos,
Champions, Green Belt, Black Belt, tcnicos y otros responsables del
departamento de calidad que sean capaces de desempear el papel de
administradores del sistema de calidad y de proporcionar tcnicas especficas
especializadas a los grupos de operacin, para poder realizar sus proyectos.
La seleccin adecuada de los proyectos tendr una especial incidencia en el
xito de la implantacin de la filosofa Seis Sigma en la empresa.
El resultado de proyecto general se mide por la suma del ahorro econmico
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
formacin y les ayuden a elegir correctamente el tema de su proyecto de
mejora.
Pgina 23
Hoy en da los clculos manuales toman mucho tiempo adems de que la
probabilidad de cometer un error es muy grande, se recomienda
ampliamente la adquisicin de un Software como por ejemplo el Minitab, ya
que es una herramienta muy poderosa que ayuda al manejo de los datos
estadsticamente hablando.
1.1 5a m3trica de Seis Sigma
El nivel sigma, es utilizado comnmente como medida dentro de el Programa
Seis Sigma, incluyendo los cambios o movimientos "tpicos de 1.5 o 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 ser ms grande.
La tabla siguiente muestra el porcentaje de mejora requerido para cambiar de
un nivel sigma a otro mayor.
Ni;el actual Cam,io (orcenta%e de me%ora
reCuerido
) + 10x
+ 2 30x
2 5 40x
.a,la 1.1
En esta otra tabla se aprecia la cantidad de defectos por cada nivel sigma
Pgina 24
.a,la 1.2
Realizando un comparativo de el nivel de calidad sigma de varias empresas se
determin que el promedio de estas se encuentra en el nivel 4o Las
empresas con nivel 6 o son denominadas de "Clase Mundial "#orl Class$. El
objetivo de la implementacin Seis Sigma es precisamente convertirse en una
empresa de Clase Mundial.
En la figura se muestra el concepto bsico de la mtrica de Seis Sigma, en
donde las partes deben de ser manufacturadas consistentemente y estar
dentro del rango de especificaciones.
La distribucin normal muestra los parmetros de los niveles tres sigma y seis
sigma.
Pgina 25
Ni;el en
sigma
Defectos por milln de
oportunidades
6 3.4
5 233.0
4 6,210.0
3 66,807.0
2 308,537.0
1 690,000.0
Figura 1.1. La figura muestra el nmero de partes por milln (ppm) que estaran fuera de
los limites de especificacin tomando como lmite el valor de cada desviacin estndar.
6
Figura 1.2 Distribucin normal centrada.
Con la distribucin normal centrada dentro de los lmites 6 o, se tendra
nicamente una porcin de 0.002 ppm.
7
Para compensar las inevitables consecuencias de los errores de centrado de
procesos, la media de la distribucin se desplazamiento 1.5 o. Este ajuste
proporciona una idea ms realista de la capacidad del proceso a travs de
varios ciclos de manufactura.
5
"orrest 6. Bre'fogle III4 Implementing Six Sigma.
7
"orrest 6. Bre'fogle III4 Implementing Six Sigma.
Pgina 26

1 2 ) + 2 5 5 2 + ) 2 1 + + + + + +
X
LSL USL
El desplazamiento puede ser en direccin positiva o negativa, pero nunca en
ambas direcciones
8
Figura 1.3 Distribucin normal descentrada 1.5
Una medida que describe el grado en el cual el proceso cumple con los
requerimientos es la capacidad del proceso. Los ndices utilizados son Cp y
Cpk, Un nivel Seis Sigma tiene la habilidad de lograr ndices 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 ms de
3.4 defectos en un milln de piezas producidas en el largo plazo.
8
9ur&n . 9.M. Anlisis ! planeacin de la calidad
Pgina 27
Ni;el en
sigma
Defectos por milln
de oportunidades
6 99.99966 3.4
5 99.9769 233.0
4 99.379 6,210.0
3 93.32 66,807.0
2 69.13 308,537.0
1 30.23 690,.000.0

LSL USL
1 2 ) + 2 5
X
5 2 + ) 2 1 + + + + + +
.a,la 1.3 Porcentajes y cantidad de defectos a los que corresponden los
diferentes niveles "Sigma
1.2 ediciones para Seis Sigma
La letra griega minscula sigma (o) se usa como smbolo de la desviacin
estndar, siendo sta una forma estadstica de describir cunta variacin
existe en un conjunto de datos.
La medida en sigma se desarroll para ayudarnos a:
1. Enfocar las medidas en los clientes que pagan por los bienes y servicios.
Muchas medidas slo se concentran en los costes, horas laborales y
volmenes de ventas, siendo stas medidas que no estn relacionadas
directamente con las necesidades de los clientes.
2. Proveer un modo consistente de medir y comparar procesos distintos.
3. Es de suma importancia medir la capacidad del proceso en trminos
cuantificables y monitorear las mejoras a travs del tiempo.
Definiciones ,#sicas
D
@
Unidad (U): Es un artculo producido o procesado.
Defecto (D): Cualquier evento que no cumpla la especificacin de un CTQ.
Defectuoso: Una unidad que tiene uno o ms defectos.
Defectos por unidad (DPU): Es la cantidad de defectos en un producto
"
#
#$" =
:
"orrest 6. Bre'fogle III Implementing Six Sigma
Pgina 28
Oportunidad de defectos (O): Cualquier acontecimiento que pueda medirse
y de una o%ortunia de no satisfacer un requisito del cliente.
Defectos por oportunidad (DPO):
O "
#
#$O
=
Defectos por milln de oportunidades (DPMO): Es el nmero de defectos
encontrados en cada milln de unidades.
Capacidad del proceso: Capacidad del proceso para cumplir
especificaciones o requerimientos del cliente.
Rendimiento estndar o de primera pasada YFT: Es el porcentaje de
producto sin defectos antes de realizar una revisin del trabajo efectuado.
Rendimiento al final o de ltima pasada: YLT: Es el porcentaje de producto
sin defectos despus de realizar la revisin del trabajo.
1.3 C#lculo de Sigmas del proceso.
Rendimiento de primera pasada (YFT) y ltima pasada (YLP)
Los resultados y el nmero de defectos pueden medirse antes o despus de
que se detecten, corrijan o revisen los defectos. Los resultados se miden en %
y el nmero de efectos en defectos por oportunidad (DPO) o defectos por
milln de oportunidades (DPMO).
E%emplo@
Un proceso de manufactura de cable se cuenta con los siguientes datos:
Caracterstica Cantidad
Unidades 1100
Defectos 310
Oportunidades de defectos 315
Defectos por oportunidad (DPO) =
DPMO = 0.01878 X 1,000,000 = 18,780
Pgina 29
#.#1878
11##;12
)1#
= =
O %
#
De la tabla de conversin de sigma determinamos el valor que ms se acerca
a 18,780 siendo este: o E 3.!
'.3.1 *endimiento al Final FGF.H
Es la probabilidad de que una unidad pase el ensamble final con 0 defectos
YF. = (1 - DPO) * 100
En el ejemplo anterior tenemos:
YF. = (1 - 0.01878) * 100 = 98.12%
Observemos la siguiente figura:
Figura 1.4 Subproceso esquematizado
En este subproceso podemos observar la entrada de N artculos con cero
defectos, se realiza un trabajo en el cual hay D1 defectos, resultando el
rendimiento a la primera (YFP), despus se revisa el trabajo y al final subsisten
D2 defectos, siendo este el rendimiento en la inspeccin final (YLP).
'.3.2 *endimiento *eal o Est#ndar FG*.H
Mide la probabilidad de pasar por todos los subprocesos sin un defecto, se
determina con el producto del resultado de cada paso:
Pgina 30
n
&$ &$ &$ &$
' ' ' ' ......
) 2 1

Es un rendimiento sensible a pasos y defectos en los
pasos.
*endimiento Normal FGNH
El rendimiento normal mide el promedio de rendimientos por los pasos del
proceso. Es el promedio exponencial basado en el nmero de pasos del
proceso, no es un promedio aritmtico.
n
(T %
' ' = , donde n es igual al nmero de pasos en el proceso.
E%emplo@
Considerando los siguientes datos:
Caracterstica *endimiento
Subproceso #1 96%
Subproceso #2 99%
Subproceso #3 97%
Subproceso #4 98%
Calcular G*. ) GN
YRT = 96%*99%*97%*98% = D'.34I '.D'34 que es la probabilidad de
que el producto pase sin error.
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
*endimiento real o est#ndar FG*.H *endimiento al final FGF.H
Rendimiento tomado en cada paso del
proceso oportunidad)
Rendimiento al final del proceso
Pgina 31
:7.+:< #.:#)+
+
= = =
n
(T %
' ' :7.+:< #.:#)+
+
= = =
n
(T %
' '
Rendimiento antes de la inspeccin o la
prueba
Es el rendimiento despus de la inspeccin
la prueba
Incluye retrabajo y desperdicio Excluye el retrabajo y el desperdicio
Siempre <G
F.
Siempre >G
*.
Observa la calidad de todas las partes que
conforman el producto terminado.
Slo observa la calidad del producto
terminado
.a,la 1.4 Rendimientos
?ariacin a largo pla8o ;s. ?ariacin a corto pla8o FJK?alueH@
Largo plazo (J
5.
)
: 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.
Corto plazo (J
S.
)
: Son los datos tomados durante un periodo de tiempo suficientemente corto
para que sea improbable que haya cambios y otras causas especiales.
Para el clculo 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
Pgina 32
Z
LT
=
(lmite especif. - media)
std dev
LT
Z
LT
=
(lmite especif. - media)
std dev
LT
Z
ST
=
(lmite especif. - nom)
desv. std
ST
Z
ST
=
(lmite especif. - nom)
desv. std
ST
E%emplo@
Un proceso tiene un YRT = 0.9034 con 4 operaciones. Determine YN y Zbenchmark
Z benchmark = 0.9747+1.5= 2.4&4

Existen 2 mtodos 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 continuacin:
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)
3. La Z sigma a corto plazo o Sigma del proceso = Zst = Zlt + 1.5
METODO 2 (Utilizando en Excel):
1. Se determina Zlie y Zlse en base a las especificaciones
2. Se determina la fraccin defectiva P(Zlie) y P(Zlse)
3. Con P(Zlie) = distr.norm.estand.inv(Zlie) y P(Zlse) = distr.norm.estand.inv(-
Zlse)
4. La fraccin defectiva total es P(Zt) = P(Zlie) + P(Zlse)
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 continuacin se presenta una ayuda grfica paso a paso para determinar los
valores de Z
Pgina 33
:7.+:< #.:#)+
+
= = =
n
(T %
' ' :7.+:< #.:#)+
+
= = =
n
(T %
' '
Pgina 34
Pgina 35
."+5" DE C/N?E*SI1N DE C"("CID"D
DE5 (*/CES/ EN SIA"S L METODO 1
Pgina 36
Pgina 37

Pgina 38
;abla @ A M0todo 2
1.4 Die8 pasos de otorola para la me%ora de procesos
Motorota sugiere una serie de pasos para mejorar el desempeo de los
procesos utilizando la metodologa Seis Sigma, como se muestra a
continuacin:
Pgina 39
1. (riori8ar oportunidades de me%ora@ Conocer y especificar los
problemas haciendo las siguientes preguntas: cmo, cuando, donde, por
qu y quin. Indicar cual es el impacto al cliente, confiabilidad, calidad del
producto, costos de calidad.
2. Seleccionar el eCuipo de tra,a%o adecuado@ Seleccionar un pequeo
grupo de gente que conozca el producto/ proceso, con la experiencia,
disciplina tcnica y conocimiento en el rea relativa. Establecer el rol del
equipo y de cada miembro, Seleccionar un C&am%ion que ser el
encargado de proporcionar los recursos, conducir y asesorar al grupo.
3. Descri,ir 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, mtodos, herramientas instrumentos y
equipos de medicin.
4. "n#lisis del desempeMo de los sistemas de medicin@ 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 ms del 10% de la variacin total permitida
para caractersticas crticas o 30% mximo para caractersticas no crticas.
Asegurar que la resolucin de la divisin o dgito ms pequeo 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 resolucin
o distancia entre marcas de al menos 1 mm.
5. Identificar ) descri,ir los procesos ) productos potencialmente
crticos@ Enumerar todos los procesos crticos potenciales, mediante el uso
de tormentas de ideas, datos histricos, reportes de rendimiento, anlisis
de falla etc.
Pgina 40
6. "islar ) ;erificar los procesos crticos@ Reducir la lista enfocndonos a
los pocos vitales, identificar las relaciones de entrada y salida que provocan
problemas especficos. Verificar las causas potenciales de variacin en los
procesos, mediante el uso de diseo de experimentos, diagramas de
dispersin, y diagramas multivariados.
7. Estudio de el desempeMo del proceso ) medicin de la capacidad@
Identificar y definir las limitaciones de los procesos. Asegurar que los
procesos sean capaces de alcanzar su mximo potencial. Determinar las
especificaciones "reales. Se considera que un proceso es capaz cuando Cp
Cpk 1.0 , si el proceso es capaz se contina con el paso 8. , de lo
contrario se requiere tomar acciones rediseando el proceso o el producto.
8. Implementacin de condiciones de operacin ) control ptimas@
Llevar a cabo un plan permanente de acciones correctivas para prevenir
causas especiales de variacin. Es necesario tener un proceso estable y
predecible, por lo cual se deber tener continuamente controles de
proceso.
9. onitoreo de procesos a tra;3s de la me%ora continua@ Los sistemas,
mtodos, procedimientos debern de ser modificados cuando sea necesario
para evitar las causas especiales de variacin. Tambin ser necesario
identificar las acciones futuras requeridas para mejorar el proceso.
10. *educir causas comunes de ;ariacin para alcan8ar Seis Sigma:
Se deben reconocer las limitaciones del proceso. Solamente a travs de la
reduccin y eliminacin de las causas comunes de variacin y el diseo
para la manufactura es posible alcanzar el nivel Seis Sigma. Una vez que
las causas especiales se han eliminado solamente pueden permanecer
Pgina 41
causas comunes las cuales se irn eliminando a travs de la mejora
continua de los procesos.
1.$ 5as fases D"IC de Seis Sigma
La metodologa Seis Sigma es un mtodo disciplinado de mejora de los
procesos conformado por las fases siguientes: Definicin, Medicin, Anlisis,
Mejora y Control (D"IC), como se explican con ms detalle a continuacin:
Figura 1.$ Fases de DMAIC
En el siguiente captulo se vern las herramientas ms utilizadas en la Fase de
Definicin, en la cual se debe de definirse claramente en que problema se ha
de trabajar?, Porqu se trabaja en ese problema en particular?, Quin es el
Pgina 42

$efini
r
Medi
r
nali(a
r
Me*orar
Controla
r
$efini
r
Medi
r
nali(a
r
Me*orar
,ontrola
r
cliente?, Cules son los requerimientos del cliente?, Cmo se lleva a cabo el
trabajo en la actualidad?, Cules son los beneficios de realizar una mejora?.

Pgina 43
C"(I.05/ 2. F"SE DE DEFINICI/N
2.1 Introduccin
El propsito de esta fase es identificar el problema a resolver, estratificando
tanto como sea posible, por ejemplo: reclamacin de un cliente por falla,
identificar la familia de productos por importancia mediante el uso del
diagrama de Pareto, despus identificar el producto, la lnea donde se hace, el
equipo especfico, etc. En este momento ya se puede definir el problema y la
oportunidad de mejora.
En esta fase la primera de la metodologa de Seis Sigma, se trata de detectar
cual es el problema, definir los CTQs (Critico para la calidad) con base en la
voz del cliente (VOC), el impacto que tiene para el negocio la realizacin del el
proyecto, las metas que se pretenden lograr, el alcance y los ahorros
financieros.

Pgina 44

Las Herramientas a utilizar pueden ser:
Figura 2.1 Herramientas en la Fase de Definir
Los objetivos de esta fase son:
Definicin del problema
Establecer el Alcance del proyecto
Conocer el uso de las herramientas de la fase de definicin
2.2 Etapas de la fase de definicin
Las etapas de la fase de definicin son las siguientes:
Identificacin de clientes internos ) e:ternos@
El primer paso en la definicin 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
compaa. Como se describe a continuacin hay 2 tipos de clientes y son:
Pgina 45

Cliente Interno: Es el personal interno afectado por el producto o
servicio generado (siguiente operacin).
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,
modificacin 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 C.2Ns del pro)ecto@
CTQ Critico para la calidad (Critical to 'ualit(), es un atributo o caracterstica
de calidad de un producto o servicio que es importante para el cliente.
Nota: Tambin existen otros conceptos como:
o Caractersticas Crticas para la Entrega (CTDs)
o Caractersticas Crticas para los Costos (CTOs)
o Caractersticas Crticas para el Proceso (CTPs)
o Caractersticas Crticas para la Satisfaccin (CTSs)
o Caractersticas Crticas prale Control (CTCs)

Tanto en los CTQ, CTD y CTC el objetivo para la empresa es reducir los
costos, aumentar la satisfaccin del cliente y aumentar las utilidades.

Pgina 46
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 satisfaccin que este tiene.
Para determinar los CTQS se pueden tomar como base lo siguientes puntos:
Metas del negocio
Entrevistas
Encuestas
Quejas
Datos de Benchmarking
Discusiones ejecutivas
Discusiones de trabajo especfico
Matriz de Causa Efecto
QFD
Tendencias del mercado futuras
Seleccin del pro,lema@
El problema se puede dar debido a: devoluciones, bajo nivel de servicio,
entregas tardas, desperdicios, producto defectuoso, documentos
inadecuados.
El problema se selecciona basndose en las polticas de la organizacin, al
grupo de trabajo, jefe inmediato y a los resultados de sus actividades diarias.
Criterios para seleccionar el problema
Seguridad
Calidad
Costo
Pgina 47
Entrega
Nivel de servicio
Es muy recomendable expresar los antecedentes, la importancia y la prioridad
de los problemas. Se debe de explicar porqu se seleccion el problema ya
sea por:
1. Efecto econmico, reclamo de mercado, rechazos, % de ventas prdidas,
disponibilidad otros.
2. Impacto para los procesos posteriores, monto de prdida, incremento de
tiempo de operacin, paro de lnea, 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 seran las consecuencias en caso de no realizar el proyecto.
Se debe conocer cual ha sido la situacin en el negocio debido al proceso
actual. Qu nos ha ocasionado: Prdida de clientes? Incumplimiento en los
niveles de servicio?, As como cuantificar (en porcentajes y en prdidas de
utilidades).
Es importante describir como se alinea el proyecto con las iniciativas y metas
del negocio. Estas ltimas son definidas por la direccin.
Descripcin del pro,lema@
Se debe estratificar (se recomienda utilizar la herramienta estadstica de 5
porque?) para definir el problema que tiene el proceso, el producto o el
servicio de forma especfica, indicando cualitativamente de ser posible en
Pgina 48
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
solucin para nombrar un problema, sin antes realizar la bsqueda de la
causa verdadera (llamada tambin causa raz), se crear duda de si esa
solucin es la definitiva.
Definicin ) "lcance del pro)ecto@
Para determinar los objetivos del proyecto nos cuestionamos qu es lo que
vamos a obtener con la realizacin del proyecto? Generalmente es mejorar e
implementar el proceso para una fecha especfica. 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 estn dentro del proceso.
La realizacin de los proyectos normalmente son asignados a lderes de
proyecto denominados "Green Belts
10
quienes aplican la metodologa Seis
Sigma en los proyectos de mejora del desempeo de los procesos.
"4orros@ Identificar de dnde 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 prdidas por desperdicio, devoluciones, garantas, costo de falla,
baja eficiencia, etc.
1#
.ersona entrenada en la metodolog=a de Si> Sigma ' como facilitador 4 ?ue traba*a de tiempo parcial en la
reali(aci%n de pro'ectos de me*ora *unto con e?uipos de traba*o. )or*out +or Six Sigma $oc*et Guide
Pgina 49
Costos de: personal, materiales, equipos, rentas, subcontratacin,
consultora, fondos de contingencia
Cabe mencionar que no siempre hay ahorros financieros, si el CTQ se deriva
de una mejora de la competencia, se har una inversin.
'.3.3Seleccin del eCuipo de tra,a%o.
- Seleccionar a las personas clave que intervienen o que estn involucradas
directamente y que reciben beneficios del proceso.
- Incluir nombre, posicin roles y responsabilidades a desempear en el
desarrollo del proyecto.
- Es necesario incluir adems de los miembros del equipo, al Champion del
proceso as como un Black Belt que apoye y asesore a los equipos de
proyecto guiados por Green Belts.
*ecomendaciones@
- Se debe definir claramente el problema (proyecto)
- Definir el cliente, sus CTQ y los procesos involucrados
- Medir el desempeo de los procesos involucrados
- Analizar los datos colectados y el mapa del proceso para determinar las
causas raz 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 continuacin se presenta la fase de medicin donde se colectan datos para
establecer un diagnstico de la situacin actual del problema y sus posibles
causas.
Pgina 50
2.3 apa del proceso@

Figura 2.2 Mapa de proceso. )&ig& le*el+

Realizar un mapeo del proceso de alto nivel, identificando cuales son los
proveedores, entradas, proceso, salidas, clientes. Comnmente llamado
SIPOC.
Construccin de un Diagrama SIPOC 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 Cmo se transforma el
producto?
3) Listar las salidas del proceso Cul es el resultado final, producto o servicio
de este proceso?
Pgina 51

4) Listar los clientes de la salida del proceso quin es el usuario final del
proceso?
5) Listar las entradas del proceso De dnde vienen los materiales?
6) Listar los proveedores del proceso quines son los proveedores clave?
7) Como paso opcional identificar algunos requerimientos preliminares de los
clientes
8) Involucrar al lder del equipo, champion, y otros grupos interesados en la
verificacin del proyecto
E%emplo
11
:
2.4 Despliegue de la funcin de calidad 2FD
El QFD sirve para traducir la voz del cliente en especificaciones, participan
varias reas en el equipo, fue aplicado por primera vez en Kobe en 1972 por
Yoji Akao con gran xito. Se introdujo a EUA en los 1980s por Don Clausing y
se ha aplicado en la industria automotriz
11
UI Santa "@ #iplomado en ,lac* ,elt
Pgina 52
El QFD proporciona un mtodo grfico para expresar las relaciones entre los
requerimientos del cliente y las caractersticas de diseo, 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: orientacin al cliente, reduccin
de ciclo de desarrollo de nuevos productos, usa mtodos de ingeniera
concurrente, reduce los cambios en manufactura, incrementa la comunicacin
entre reas y establece prioridades en los requerimientos.
A continuacin se esquematiza una "Casa de calidad bsica QFD
Figura 2.3 QFD
Pgina 53

Los siguientes pasos se siguen (mtodo simplificado) para la construccin 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 nmero de importancia que tiene para el cliente entre 1-10
cada KPOV, en el rengln 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 nmero de 1 a 10
indicando la importancia que tiene cada KPIV en cada KPOV en la celda
corresp.
Multiplicar estos nmeros por los de la importancia de cada KPOV y sumar en
renglones para identificar que KPIV deben recibir atencin prioritaria
Pgina 54
E%emplo@
Pgina 55

Pgina 56
Pgina 57

2.$ odelo Oano
12
Noritaki Kano desarrollo un modelo explicativo que demuestra la relacin
entre la satisfaccin del cliente y la organizacin proveedora segn se
muestra en la siguiente figura
"El modelo de Kano muestra que existe un nivel bsico de calidad que los
clientes asumen que el producto traer consigo. Sin embargo proveer dicha
"calidad bsica no es suficiente para crear satisfaccin al cliente.
La calidad esperada representa aquellas expectativas explcitamente
consideradas por los clientes.
La calidad excitante (o exciting quality), muestra una curva que se encuentra
en la zona de satisfaccin. Este es el efecto de la innovacin. Esto representa
algn atributo inesperado por el cliente. Es decir los clientes reciben ms de lo
que esperan.
Figura 2.4 Modelo Kano
12
Universidad de 3avarra -tedra de -alidad
Pgina 58

Este modelo tambin se evala doblemente cada atributo: cuando se ofrece
en el servicio (modo funcional) y cuando est ausente del mismo (modo
disfuncional). La escala aqu utilizada no es ordinal, sino categrica, siendo el
cruce de dichas categoras en cada uno de los modos evaluados (funcional y
disfuncional) la que clasificara cada atributo dentro de uno de los seis tipos
contemplados en este modelo:
Atributos que satisfacen: son aquellos en los que la satisfaccin est
relacionada de forma directamente proporcional con la funcionalidad del
mismo.
Atributos reCueridos: los que aumentan la insatisfaccin si no se
ofrecen, pero no contribuyen a aumentar la satisfaccin por encima de
un lmite.
Atributos que deleitan: estos no disminuyen la satisfaccin del cliente
cuando no estn funcionales, pero la aumentan mucho y rpidamente
cuando s se presentan.
Atributos neutros: su presencia o ausencia no contribuye a aumentar o
disminuir la satisfaccin.
Atributos cuestiona,les: los que producen valoraciones
contradictorias.
Atributos in;ertidos: producen valoraciones positivas cuando no estn
presente y negativas cuando s lo estn.
2.! Diagrama atricial
El diagrama matricial (DM) es una herramienta que ordena grandes grupos de
caractersticas, funciones y actividades de tal forma que se pueden
representar grficamente los puntos de conexin lgica existentes entre ellos.
Tambin se muestra la importancia relativa de cada punto de conexin en
relacin con el resto de co-relaciones.
Pgina 59
Se base en el principio de que si se sita 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 interseccin de filas y columnas
indicarn la relacin entre ambos conjuntos. Una de las caractersticas ms
importantes de ste diagrama es la utilizacin de smbolos que indican de
forma visual la forma visual la fuerza de las relaciones existentes en cada
interseccin.
E%emplo@ Desear establecer un DM para determinar las expectativas de los
clientes de un restaurante de comida rpida (conjunto B) y las caractersticas
de diseo de dicho alimento (conjunto A).
Figura 2.$ Ejemplo de Diagrama Matricial
Pgina 60
Con%unto "
1.1.1.1.1.1
Relacin Fuerte:
Relacin Moderada:
Relacin Dbil:
(
e
s
o

d
e

l
a

p
o
r
c
i
n
I

n
u
t
r
i
c
i
o
n
a
l

r
e
C
u
e
r
i
d
o
I

P
i
d
r
a
t
o
s

d
e

C
a
r
,
o
n
o
.
i
e
m
p
o

d
e

p
r
e
p
a
r
a
c
i
n
Q

d
e

p
l
a
t
o
s

r
e
C
u
e
r
i
d
o
s
R

d
e

i
n
g
r
e
d
i
e
n
t
e
s
i
n
g
r
e
d
i
e
n
t
e
s
C
o
n
%
u
n
t
o
+
Sacia el
apetito
Es nutriti;o
.iene ,uen gusto
Sencillo de preparar
Sencillo de limpiar
Es ,arato
No produce e:cesi;a
,asura

Cmo se indica si existe o no una relacin entre los distintos elementos, y en
caso afirmativo la fuerza de tal relacin?
El mtodo consiste en utilizar un cdigo visual (Los smbolos utilizados
tambin suelen variar)con el objeto de que el DM proporcione el mximo de
informacin. Existen muchas formas de codificar aunque las ms utilizadas
parten del supuesto de categorizar tres distintos grados de relacin: relacin
fuerte, relacin moderada y relacin dbil.
En ocasiones se utilizan estas matrices con el objeto de identificar rea o
reas responsables de algn problema y la codificacin pudiera ser:
2.& +enc4marSing
Proceso sistemtico y continuo para evaluar los productos, servicios y
procesos de trabajo de las organizaciones que son reconocidas como
representantes de las mejores prcticas, con el propsito de realizar mejoras
organizacionales
13
.
Objetivo del BMK
Obtener superioridad en todas las reas - calidad, fiabilidad del producto y
costos.
Actuar como una herramienta por la cual se identifican, establecen y logran
estndares de excelencia, basndose en la "realidad del mercado.
Qu cosas se deben someter al proceso de benchmarking?
Productos y servicios
Procesos de trabajo
Funciones de apoyo
1)
9. Spendolini $efinici%n de Michael
Pgina 61
Desempeo organizacional
Estrategias
Las cinco etapas del benchmarking:
Pgina 62
BMK
$eterminar a ?u@ se le va a hacer
benchmarking
"ormar un e?uipo de
benchmarking
Identificar los socios
del benchmarking
-ecopilar ' anali(ar la
informaci%n de
benchmarking
ctuarAimplementar
1.
2.
3.
4.
5.
BMK
$eterminar a ?u@ se le va a hacer
benchmarking
"ormar un e?uipo de
benchmarking
Identificar los socios
del benchmarking
-ecopilar ' anali(ar la
informaci%n de
benchmarking
ctuarAimplementar
1.
2.
3.
4.
5.
ACTIVIDAD PROP!ITO R"!PO#!AB$" TI"MPO P"RIODO
%&'( se *a a someter a
+en,-mar.in/0
I1enti2i,ar so,ios
Re3ortar al ,omit( 1e
1ire,,i4n
Re,a+ar in2orma,i4n 5
anali6ar
Im3lantar
De2inir tarea. Determinar
2a,tores ,riti,os 1e (7ito
!ele,,ionar ti3o 1e
+en,-mar.in/
!e/'imiento 1ire,ti*o
In2orma,i4n8 an9lisis 5
1i2eren,ias
A3li,ar me:oras
i1enti2i,a1as
ACTIVIDAD PROP!ITO R"!PO#!AB$" TI"MPO P"RIODO
%&'( se *a a someter a
+en,-mar.in/0
I1enti2i,ar so,ios
Re3ortar al ,omit( 1e
1ire,,i4n
Re,a+ar in2orma,i4n 5
anali6ar
Im3lantar
De2inir tarea. Determinar
2a,tores ,riti,os 1e (7ito
!ele,,ionar ti3o 1e
+en,-mar.in/
!e/'imiento 1ire,ti*o
In2orma,i4n8 an9lisis 5
1i2eren,ias
A3li,ar me:oras
i1enti2i,a1as
Plan de Accin:
Por qu utilizar el benchmarking?
Ofrece un camino ms rpido de desempeo notorio
Muestra qu procesos son candidatos para mejora continua y cules
requieren cambios mayores
Tiene orientacin al cliente y le da valor
Hay falta de tiempo para la mejora gradual
Ubica a la firma en donde est con respecto a prctica y procesos de su
clase, y qu 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 rpida, significativa de procesos o
prcticas
Sirve de apoyo al proceso de planificacin estratgica

Sirve como base para la fijacin de objetivos
Como base para las nuevas ideas
2.- Costos de Calidad
14
Los costos de calidad son un vehculo para evaluar los esfuerzos de control de
costos e identificar oportunidades de reduccin de costos por medio de
mejoras al sistema
Las categoras de los costos de calidad son:
Costos de Prevencin
Costos de Evaluacin
Costos de Falla interna
1+
-e'es .rimitivo #iplomado en ,lac* ,elt
Pgina 63
Costos de Falla externa
Algunos ejemplos de los Costos de Prevencin:
Costos de Evaluacin:
Costos de Falla interna
Pgina 64

Costos de Falla externa
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.D Entrega,les@
En esta etapa los entregables seran:
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
Pgina 65

o Buscar la aprobacin del contrato
Plan de Trabajo
Mapa del proceso
En el siguiente captulo se vern las herramientas ms utilizadas en la Fase de
Medicin; El medir persigue dos objetivos fundamentales:

1. Tomar datos para validar y cuantificar el problema o la oportunidad. Esta
es una informacin crtica para refinar y completar el desarrollo del plan de
mejora.
2. Nos permiten y facilitan identificar las causas reales del problema.

El conocimiento de estadstica se hace fundamental. "La calidad no se mejora,
a no ser que se la mida.
Pgina 66
C"(I.05/ 3. F"SE DE EDICI/N
3.1 Introduccin
Esta fase se enfoca a seleccionar una o ms caractersticas para ser medidas,
definiendo cmo sern medidas, estableciendo un plan de recoleccin de
datos y la recoleccin de datos.
Esta fase es importante porque asegura que los datos que se relacionan con
los requerimientos del cliente y el desempeo actual del proceso sean
precisos, claros y confiables.
Pgina 67

Figura 3.1 Herramientas en la Fase de Medicin
Conocer el uso de las herramientas de la fase de medicin
Determinar que mediciones son importantes para el proyecto
Identificar los tipos, fuentes y causas de la variacin en el proceso
Desarrollar un plan de recoleccin de ratos relevantes
Convertir los datos en nmeros para conocer su comportamientos
Realizar un anlisis del sistema de medicin (MSA)
Detectar cual es la frecuencia con la que ocurren los defectos
En todos los procesos existe variacin, en esta fase el propsito es medir
dicha variacin, para saber si existen datos que se encuentren fuera de
especificaciones, que estn 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
Pgina 68

tenemos diferentes herramientas que nos ayudarn a responder estas
preguntas.
Dependiendo de las condiciones y necesidades que tengamos seleccionaremos
una o ms herramientas, cabe mencionar que no necesariamente se utilizan
todas las herramientas, lo importante es seleccionar cuidadosamente
aquellas que nos proporcionen la informacin ms objetiva y precisa.
3.2 Etapas de la fase de medicin
Esta fase consta de las siguientes etapas:
Seleccionar los C.2NS del proceso FCrtico para la CalidadH
Observemos la siguiente tabla:
Y = F(X)
Y
Variable
dependiente
Salida
(respuesta)
Efecto
Sntoma
Monitoreable
X1, X2,...Xn
Variable
independiente
Entrada-Proceso
Causa
Problema
Controlable.
Zs
Variables de
ruido
Incontrolables
.a,la 3.1 Variables dependiente, independiente y de ruido.
Para la seleccin de Ys podemos utilizar un diagrama de Pareto para priorizar
y centrar nuestra atencin en el(los) efecto(s) ms importantes. La variable
dependiente "Y (o de respuesta) fue previamente determinada en la fase de
definicin, las Xs son las variables de entrada, las Zs son las variables de
ruido. En esta etapa se tratarn de determinar las Xs, ya que son las
variables que podemos medir y controlar.
Pgina 69
En otras palabras:
"Y (=) Son los CTQs del cliente (interno o externo)
"Xs (=) Son CTQs del proceso
Para determinar los CTQs del proceso (Xs) seleccionaremos alguna o
algunas de las herramientas apropiadas a las necesidades del proyecto que se
enuncian de manera general:
Perramienta T(ara Cu3 es utili8adaU
5 Porqus? Se utiliza despus de haber determinado las causas ms importantes
de un problema, preguntando sistemticamente 5 veces porqu,
podremos llegar a la solucin del problema
5W/1H Tcnica en la cual se responde a las siguientes preguntas: que, quin,
porque, cuando, donde, como, para la solucin de problemas.
Anlisis de Campo
de Fuerzas.
Analizar cuales son las fuerzas dentro de una organizacin o proceso
que estn dando empuje a las soluciones y cuales estn 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
sistemas de
medicin (MSA)
Sirve para determinar que tan grandes son las variaciones en base a
ciertos parmetros de los sistemas de medicin, incluyendo equipo y
gente.
Carta de
tendencias
Conocer el comportamiento de un proceso grficamente para poder
tomar las acciones correctivas a tiempo cuando es necesario.
Diagrama Causa-
Efecto (Ishikawa o
Fishbone)
Representa de forma ordenada y completa todas las causas que
pueden originar un problema (efecto) es una herramienta muy efectiva
para encontrar las causas ms importantes de un problema y en base
al anlisis de las causas encontrar la mejor solucin.
Diagrama de
Afinidad
Agrupar en categoras afines las posibles causas que ocasionan un
problema, permitiendo obtener fcilmente la causa que lo origina.
Diagrama de
Dispersin
Es una tcnica utilizada para estudiar la relacin entre dos variables,
facilitando la comprensin del problema planteado.
Diagrama de Priorizar los problemas que tienen el potencial ms grande de mejora.
Pgina 70
Pareto Muestra la frecuencia relativa en una grfica de barras descendiente.
Diagrama de
Relaciones
Permite al equipo identificar, analizar y clasificar sistemticamente las
relaciones causa y efecto que existen entre todos los elementos
crticos, para lograr una solucin efectiva.
Diagramas Matriz Mtodo utilizado para mostrar las relaciones que existen entre
mtodos, causas, actividades etc. determinando la fuerza que existe
entre estas. Permite Identificar las medidas ms convenientes para la
solucin.
Hoja de
Verificacin
Recolectar datos basados en la observacin del comportamiento de un
proceso con el fin de detectar tendencias, por medio de la captura,
anlisis y control de informacin 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 grfica de cada uno de los pasos o actividades
que componen una operacin desde el inicio hasta el final. Permitiendo
una mejor visualizacin y comprensin del proceso. Sirve para
identificar pasos innecesarios, compara el proceso actual contra el
ideal.
Matriz Causa y
efecto
Relaciona las entradas claves a los CTQs y el diagrama de flujo del
proceso como su principal fuente. Sirve para priorizar las entradas
clave a usar en AMEFS, planes de control y estudios de capacidad.
QFD Mtodo grfico (matriz de relaciones) en el que se identifican los
deseos del cliente (CTQS) y las caractersticas de diseo del
producto, procesos o servicios. Permite traducir de un lenguaje
ambiguo a los requerimientos especficos del diseo del producto,
proceso o servicio. En otras palabras relacionas los qu? del cliente
con los como? del proceso.
Tcnica de grupos
nominales.
Permite al equipo rpidamente realizar un consenso de la importancia
relativa de asuntos, problemas o soluciones posibles. Las causas
ms importantes son atacadas y se priorizan para encontrar la mejor
solucin
.a,la 3.2 Herramientas Estadsticas
Esta,lecer ) ;alidar el plan de recoleccin de datos
Para realiza el la recoleccin de datos podemos ayudarnos del diagrama 5W-
1H el cual consiste en contestar las siguientes preguntas, cuyo objetivo es
Pgina 71
recolectar datos confiables, que reflejen la realidad de lo que est
sucediendo
15
:
(What) Que vamos a hacer ?
(Why) Por qu 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 ms que es:
- (How much) Cuando me va a costar ?
Ventajas de sta herramienta:
Provee una estrategia clara y documentada al recolectar datos confiables.
Da a los miembros del equipo una referencia comn.
Ayuda a asegurar que los recursos sean usados efectivamente para
recolectar nicamente datos crticos.
Estadstica ,#sica para la fase de edicin
La Estadstica descripti;a es la rama de las matemticas que comprende la
recopilacin, presentacin, tabulacin, anlisis e interpretacin 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 parmetros de
control establecidos, la estadstica descriptiva Incluye las tcnicas que se
relacionan con el resumen y la descripcin de datos numricos, graficas,
tablas y diagramas que muestran los datos y facilitan su interpretacin
16
.
12
I/BSM #iplomado en ,lac* ,elt
15
Cicente Man(ano "niversidad de Sevilla
Pgina 72
La Estadstica inferencial se refiere a la estimacin de parmetros y
pruebas de hiptesis acerca de las caractersticas de la poblacin en base a
los datos obtenidos con una muestra.
A continuacin se hace mencin de algunas definiciones estadsticas:

(o,lacin FNH@ Es el conjunto de todos los elementos de inters para
determinado estudio
(ar#metro@ Es una caracterstica numrica de la poblacin, se identifica
con letras griegas (Media = , Desviacin estndar = o, Proporcin = n,
Coeficiente de correlacin = p)
uestra FnH@ Es una parte de la poblacin, debe ser representativa de
la misma.
Estadstico@ Es una caracterstica numrica de una muestra, se
identifica con letras latinas (Media = X, Desviacin estndar = s,
Proporcin = p, Coeficiente de correlacin = r)
Para poder obtener consecuencias y deducciones vlidas de los datos de una
estadstica, es muy til contar con informacin sobre los valores que se
agrupan hacia el centro y sobre que tan distanciados o dispersos estn unos
respecto a otros.
Las medidas de tendencia central son: la media, mediana y moda.
Las medidas de dispersin: son el rango, la desviacin estndar y el
coeficiente de variacin.
Otras medidas son: percentiles, deciles y cuartiles representados en el
diagrama de caja.
3.3 Estadsticas Descripti;a
En el men de Anlisis de datos del Excel podemos obtener estadsticas de un
conjunto determinado de datos.
Pgina 73
E%emplo@ de los siguientes datos obtener la estadstica bsica
Utilizando el Excel, realizamos lo siguiente:
Seleccione: Herramientas > Anlisis de datos > Estadstica descriptiva
Distri,ucin de frecuencias e Pistogramas
Cuando tenemos una cantidad grande de datos es difcil 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 rectngulos
Pgina 74
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
Resumen

unidos a otros, cuyos vrtices 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 rectngulo 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 mnimo de 50 a 100
datos.
E%emplo@ De los datos del ejemplo anterior, construir un Histograma
Realizando una distribucin de frecuencias tenemos:
Utilizando el Excel para obtener el Histograma:
1. En el men herramientas seleccione la opcin anlisis de datos.
2. Seleccione la opcin histograma.
3. Seleccione el rango de entrada, estos corresponden a los datos
numricos de la tabla.
4. Seleccione el rango de clases, antes escribir en una columna los
intervalos de clase.
5. En opciones de salida seleccione una celda de la hoja de calculo que
este en blanco (a partir de est celda ser insertado el histograma).
6. Una vez insertado el histograma podr hacer modificaciones de la
escala, color,
ttulos etc. Haciendo clic en el elemento deseado.
Pgina 75
5istograma
0
5
10
15
20
25
30
3
.
2
4
2
3
.
3
0
0
6
3
.
3
5
9
2
3
.
4
1
7
8
3
.
4
7
6
4
3
.
5
3
5
3
.
5
9
3
6
3
.
6
5
2
2
3
.
7
1
0
8
3
.
7
6
9
4
M
o
r
e
Clase
F
r
e
c
u
e
n
c
i
a
Columna BnterCalo 2egistro de -recuencias
1 0.000 - 3.242 1
2 3.243 -3.300 2
3 3.007 - 3.359 V 4
4 3.360 - 3.417 V 6
5 3.418 - 3.476 XV 17
6 3.477 - 3.535 XXV 28
7 3.536 - 3.593 XX 20
8 3.594 - 3.652 XV 14
9 3.653 - 3.652 X 10
10 3.653 - 3.710 3
11 3.711 - 3.769 2
Figura 3.2 Histograma de Frecuencias
Diagrama de Ca%a@ Es un diagrama que proporciona informacin
sobre el centro, la dispersin y la asimetra o sesgo; utiliza cuartiles,
y as, 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 opcin: Graph> Boxplot
Seleccione la ;aria,le C1 como se muestra en la pantalla ) presione clic en oS
Figura 3.3 Diagrama de Caja
Pgina 76
D
a
t
a
3.9
3.8
3.7
3.6
3.5
3.4
3.3
3.2
&o9plot o- C1
.rimer
,uartil
/ercer ,uartil
Media
D
a
t
a
3.9
3.8
3.7
3.6
3.5
3.4
3.3
3.2
&o9plot o- C1
.rimer
,uartil
/ercer ,uartil
Media

3.4 Perramientas Estadsticas para solucin de pro,lemas
apa de procesos
Dentro de los sistemas de calidad resulta de gran utilidad representar la
estructura y relaciones de los sistemas mediante diagramas de flujo.
?enta%as de los diagramas de flu%o
Proveen una secuencia grfica de cada uno de los pasos que componen
una operacin desde el inicio hasta el final. Permitiendo una mejor
visualizacin y comprensin del proceso.
Los diagramas de flujo pueden minimizar grandes volmenes de
documentacin, incluyendo la documentacin ISO 9000.
Facilitan el desarrollo de Procedimientos Estndar de Operacin.
Al tener un procedimiento de operacin estndar se reduce en gran medida
la variacin y el tiempo de ciclo.
Los diagramas de flujo permiten detectar reas de mejora en los procesos.
Descripcin de sm,olos
Pgina 77
En la construccin de iagramas e flu!o e %rocesos se utilizan los smbolos
descritos a continuacin
17
:
Pasos para la elaboracin de un diagrama de flujo
1. Descri,ir el proceso a e;aluar@ Es importante comenzar con los
procesos que se consideran de mayor impacto en la organizacin.
2. Definir todos los pasos Cue componen un producto o ser;icio@
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 mtodo el equipo puede arreglar y ordenar los
pasos del proceso. Otra manera de hacerlo es mediante el uso de
17
UI Santa "@ #iplomado en ,lac* ,elt
Pgina 78
programas de diagramas de flujo en computadoras, de esta manera se
tiene mayor flexibilidad que en el mtodo anterior y se ahorra bastante
tiempo.
Cada paso deber de ser discutido y analizado a detalle utilizando la
pregunta ),%or -u. se &ace e esta manera/+
3. Conectar las acti;idades@ Cuando los pasos que componen el proceso
han sido descritos se construye el diagrama de flujo, conectando las
actividades mediante flechas, cada smbolo debe describir la actividad
que se realiza con pocas palabras.
4. Comparar el proceso actual con el proceso considerado como
Videal< las siguientes preguntas pueden servir de gua:
Existen pasos demasiado complejos?
Existe duplicidad o redundancia?
Existen puntos de control para prevenir errores? deberan de existir?
El proceso funciona en la manera en la cual debera de hacerse?
Se puede realizar el proceso de diferente manera?
5. e%oras 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
simplificacin sustancial del proceso.
Las mejoras son priorizadas y se llevan a cabo planes de accin.
6. Implementar el nue;o procedimiento@ Una vez realizadas las
mejoras se dan a conocer a las personas involucradas en el proceso y se
verifica su efectividad.
5lu;ia de ideas
Pgina 79
Es una tcnica de grupo para crear ideas originales en un ambiente relajado.
Esta herramienta fue creada cuando se realiz una bsqueda de ideas
creativas, el cual generaba ms y mejores ideas que las que los individuos
podan producir trabajando de forma independiente
18
.
Para utilizar la tcnica de lluvia de ideas se sugiere la siguiente tcnica:
1.Escoger a alguien para que sea el facilitador y apunte las ideas.
2.Escribir en un rotafolio o pizarrn el problema a discutir.
3.Escribir cada idea en el menor nmero 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 lmite. (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 comprensin.
7.Converger las ideas (Eliminar las duplicaciones, problemas irrelevantes y
aspectos no aplicables). El grupo llegar al consenso en las principales ideas
y propondr unas medidas a tomar en funcin del anlisis.
La tcnica Lluvia de ideas puede ser aplicada con gran frecuencia al llevar a
cabo otras herramientas, como por ejemplo, diagramas causa-efecto, 5
Porqus?, Diagrama de Afinidad, Diseo de experimentos, pruebas de
confiabilidad, etc.
18
.@re( 0scar .erramientas para la -alidad
Pgina 80
?enta%as@
La tormenta, o lluvia, de ideas posee una serie de caractersticas que la
hacen muy til cuando se pretende obtener un amplio nmero de ideas sobre
las posibles causas de un problema, acciones a tomar, o cualquier otra
cuestin.
Una observacin aadida es que este mtodo sirve de entrada, o de fase
previa, para otras tcnicas de anlisis.
Diagrama de (areto
Herramienta utilizada para el mejoramiento de la calidad en la solucin de
problemas, para representar datos sobre un problema que permite identificar
fcilmente los aspectos ms significativos del mismo
19
.
El principio enuncia que aproximadamente el 012 e los efectos de un
problema se debe a solamente 212 e las causas involucradas.
El diagrama de Pareto es una grfica 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.
1:
.@re( 0scar .erramientas para la -alidad
Pgina 81
?enta%as@
Ayuda a concentrarse en las causas que tendrn mayor impacto en caso de
ser resueltas.
Proporciona una visin simple y rpida 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 ms mejoras
Diagrama de Causa Efecto FIs4iSaWaH
Algunas veces es llamado diagrama de Ishikawa o espina de pescado, es la
representacin 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
especfico, La naturaleza grfica del diagrama permite que los grupos
Pgina 82
organicen grandes cantidades de informacin sobre el problema y determinar
exactamente las posibles causas principales.
Una vez elaborado, el iagrama causa3efecto 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 fsico y concreto, sino el nmero de elementos en el
diagrama ser 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 / categoras de recursos o factores causales; las categoras a usar
son materiales, mtodos, mquinas, mente de obra, medio ambiente.
4. Realizar una lluvia de ideas de las causas del problema, este es el paso
ms importante en el diagrama de Ishikawa. Las ideas generadas en este
paso guiarn la seleccin de las causas de raz. Para asegurar que el equipo
est al nivel apropiado de profundidad se deber hacer continuamente la
pregunta Por qu por cada una de las causas iniciales mencionadas.
5. Identificar los candidatos para la "causa ms probable. Las causas
seleccionadas por el equipo son opiniones y deben ser verificadas con ms
datos. Todas las causas en el diagrama no necesariamente estn relacionadas
de cerca con el problema: el equipo deber reducir su anlisis a las causas
ms posibles. Hay que encerrar en un crculo la(s) causa(s) ms probable
seleccionada por el equipo o marcarla con *.
Pgina 83
6. Cuando las ideas ya no pueden ser identificadas, se deber analizar ms a
fondo el diagrama para identificar mtodos adicionales para la recoleccin de
datos.
?enta%as@
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 caractersticas de calidad, utilizando para ello un enfoque estructurado.
Estimula la participacin de los miembros del grupo de trabajo, permitiendo
as aprovechar mejor el conocimiento que cada uno de ellos tiene sobre el
proceso.
Incrementa el grado de conocimiento sobre un proceso.
E%emplo@
El Sr. Prez tuvo un accidente automovilstico en el carretera, el equipo de
mejora continua que trabaja con l se reuni y analiz el problema, utilizando
una Lluvia de ideas; despus de que convergieron en 16 ideas se utiliz el
Diagrama de Ishikawa para clasificarlas como a continuacin de ejemplifica.
Se construye el diagrama espina de pescado con las causas primarias (Ms), a
partir de estas causas se agrupan las causas secundarias y terciarias
derivadas de la lluvia de ideas.
Pgina 84
Figura 3.4 Diagrama de Causa Efecto o Ishikawa
Diagrama de Xr,ol
El Diagrama de rbol, o sistemtico, es una tcnica que permite obtener una
visin de conjunto de los medios necesarios para alcanzar una meta o
resolver un problema.
Partiendo de una informacin general, como la meta a alcanzar, se
incrementa gradualmente el grado de detalle sobre los medios necesarios
para su consecucin. Este mayor detalle se representa mediante una
estructura en la que se comienza con una meta general (el "tronco") y se
contina con la identificacin de niveles de accin ms precisos (las sucesivas
"ramas"). Las ramas del primer nivel constituyen medios para alcanzar la
meta pero, a su vez, estos medios tambin son metas, objetivos intermedios,
que se alcanzarn gracias a los medios de las ramas del nivel siguiente. As
repetidamente hasta llegar a un grado de concrecin suficiente sobre los
medios a emplear
20
.
2#
Cilar 9os@ / nuevas herramientas para la me0ora de la calidad
Pgina 85

Figura 3.$ Ejemplo de Diagrama de rbol
?enta%as@
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 planificacin de la teora al mundo real.
Pgina 86

Diagrama de "finidad
El Diagrama de Afinidad, referido a veces como mtodo KJ, es una
herramienta que sintetiza un conjunto de datos verbales (ideas, opiniones,
temas, expresiones,...) agrupndolos en funcin de la relacin que tienen
entre s. 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 til cuando se dispone de una gran cantidad de
informacin proveniente de diferentes fuentes; sta herramienta es muy sutil
al momento de analizar y extraer la informacin de stos datos.Es
considerado como una clase especial de "tormenta de ideas", constituyendo,
frecuentemente, esta tcnica de creatividad el punto de partida para la
elaboracin del diagrama.
Figura 3.! Diagrama de Afinidad
Pgina 87

decuado capital ' e>celente administraci%n4
as= como alto poder t@cnico calidad ' personal
entusiasta
decuado capital ' utilidades

a
f
s

g
d
*

p
lto poder t@cnico ' e>celente
administraci%n4 as= como
capacidad para proveer calidad
' personal entusiasta
b
l
i

e
k
n

?
o
h
r
m
c
18
1)
Diagrama de *elaciones
Es una herramienta Que determina que idea tiene influencia sobre otra,
representando sta relacin mediante una flecha en la direccin de influencia.
En particular el Diagrama de Relaciones se utiliza cuando:
a) Un tema es lo suficientemente complejo como para que la Inter.-
relacin entre ideas (causas y efectos) sea difcil de determinar,
clasificar y priorizar
b) Es critico en la resolucin del problema la secuenciacin correcta de las
actividades por parte de la direccin
c) Existe un sentimiento de que el problema en cuestin en realidad es un
solo sntoma.
d) El nmero de causa y las relaciones entre estas es significativo y difcil
de analizar por separado
Desarrollar aprox. 50 conceptos del problema (post its)
Colocar en forma aleatoria los conceptos
Relacionar los conceptos con flechas causa Defecto
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 raz = ms flechas de salida; Resultado = ms flechas de llegada
Pgina 88
Figura 3.& Diagrama de Relaciones
3todos de uestreo Estadstico
El muestreo es una herramienta de la investigacin cientfica. Su funcin
bsica es determinar que parte de una realidad en estudio (poblacin o
universo) debe examinarse con la finalidad de hacer inferencias sobre dicha
poblacin. El error que se comete debido al hecho de que se obtienen
conclusiones sobre cierta realidad a partir de la observacin de slo una parte
de ella, se denomina error de muestreo.
Obtener una muestra adecuada significa lograr una versin simplificada de la
poblacin, que reproduzca de algn modo sus rasgos bsicos.
uestreo pro,a,ilstico@
El mtodo otorga una probabilidad conocida de integrar la muestra a cada
elemento de la poblacin, y dicha probabilidad no es nula para ningn
elemento.
Pgina 89

Los mtodos de muestreo no probabilisticos no garantizan la
representatividad de la muestra y por lo tanto no permiten realizar
estimaciones inferenciales sobre la poblacin.
Entre los mtodos de muestreo probabilsticos ms utilizados en investigacin
encontramos
21
:
Caractersticas ?enta%as Des;enta%as
Aleatorio
simple
Se selecciona una muestra de
tamao n de una poblacin de 4
unidades, cada elemento tiene
una probabilidad de inclusin
igual y conocida de n54.
Sencillo y de fcil
comprensin.
Clculo rpido de
medias y varianzas.
Se basa en la teora
estadstica, y por tanto
existen paquetes
informticos para analizar
los datos
Requiere que
se posea de
antemano un listado
completo de toda la
poblacin.
Cuando se
trabaja con muestras
pequeas es posible
que no represente a
la poblacin
adecuadamente
Sistemtico Conseguir un listado de
los N elementos de la poblacin
Determinar tamao
muestral n.
Definir un intervalo
k=N/n.
Elegir un nmero
aleatorio, r, entre 1 y k
(r=arranque aleatorio).
Seleccionar los elementos
de la lista.
Fcil de aplicar.
No siempre es
necesario tener un listado
de toda la poblacin.
Cuando la poblacin
est ordenada siguiendo
una tendencia conocida,
asegura una cobertura de
unidades de todos los
tipos.
Si la constante
de muestreo est
asociada con el
fenmeno de inters,
las estimaciones
obtenidas a partir de
la muestra pueden
contener sesgo de
seleccin
Estratificado En ciertas ocasiones resultar
conveniente estratificar la
muestra segn ciertas variables
de inters. Para ello debemos
conocer la composicin
estratificada de la poblacin
objetivo a muestrear. Una vez
Tiende a asegurar
que la muestra represente
adecuadamente a la
poblacin en funcin de
unas variables
seleccionadas.
Se obtienen
Se ha de
conocer la distribucin
en la poblacin de las
variables utilizadas
para la estratificacin.
21
,arreira Calledor M. 1etodolog2a del 1uestreo
Pgina 90
calculado el tamao muestral
apropiado, este se reparte de
manera proporcional entre los
distintos estratos definidos en la
poblacin usando una simple
regla de tres.
estimaciones ms precisa
Su objetivo es
conseguir una muestra lo
mas semejante posible a la
poblacin en lo que a la o
las variables
estratificadoras se refiere.
Conglomerados Se realizan varias fases
de muestreo sucesivas
(polietpico)
La necesidad de listados
de las unidades de una etapa se
limita a aquellas unidades de
muestreo seleccionadas en la
etapa anterior.
Es muy eficiente
cuando la poblacin es
muy grande y dispersa.
No es preciso tener
un listado de toda la
poblacin, slo de las
unidades primarias de
muestreo.
El error
estndar es mayor
que en el muestreo
aleatorio simple o
estratificado.
El clculo del
error estndar es
complejo
.a,la 3.3 Tipos de muestreos
C#lculo del tamaMo muestral
Cada estudio tiene un tamao muestral idneo, que permite comprobar lo que
se pretende con la seguridad y precisin fijadas por el investigador.
De que depende el tamao muestral?
Variabilidad del parmetro a estimar: Datos previos, estudios piloto o
usar 50% como peor estimacin
Precisin: Amplitud del intervalo de confianza. Si se estima prevalencia
su formato ser %
Nivel de confianza (1-a): habitualmente 95% o 99%. Probabilidad
complementaria al error admitido .
Pgina 91
Si aumentamos el tamao muestral n, podremos mejorar la calidad de la
estimacin bien aumentando la precisin (disminuye amplitud del intervalo) o
bien aumentando la seguridad (disminuye el error admitido)
Clculo del tamao de la muestra para estimar la media poblacional
a) Cuando se conoce el tamao de la poblacin y la desviacin estndar
poblacional:
donde:
N = tamao de la poblacin
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 tamao de la poblacin y se conoce la desviacin
estndar poblacional:
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
Pgina 92
n E
3;F
2
;
2
F
2
;
2
G d
2
H3I1J
n E
3;F
2
;
2
F
2
;
2
G d
2
H3I1J
n E
F
2
;
2
d
2
n E
F
2
;
2
d
2
Estudios de Capacidad de sistemas de medicin S" F*Y*H
En muchas ocasiones las organizaciones no consideran el impacto de no
tener sistemas de medicin de calidad, el hecho de que las mediciones
no sean exactas puede llevar a cometer errores en el clculo, y en los
anlisis 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 artculos que estn en buen estado o aceptar
artculos que estn en mal estado.
Por otro lado si los instrumentos de medicin no estn calibrados
correctamente tambin se pueden cometer errores. Cuando sucede lo
mencionado anteriormente tenemos un sistema de medicin deficiente que
puede hacer que un estudio de capacidad parezca insatisfactorio cuando en
realidad es satisfactorio.
Lo anterior puede tener como consecuencia gastos innecesarios de reproceso
al reparar un proceso de manufactura o de servicios, cuando la principal
fuente de variacin se deriva del sistema de medicin.
Pgina 93
(osi,les Fuentes de la ?ariacin del (roceso
Figura 3.- Fuentes de Variacin
Definiciones@
*epeti,ilidad6 es la variacin de las mediciones obtenidas con un
instrumento e meici7n, cuando es utilizado varias veces por un
operador, al mismo tiempo que mide las mismas caractersticas en una
misma %arte.
Pgina 94
Variacin del proceso, real Variacin de la medicin
Variacin del proceso
Reproducibilidad
Repetibilidad Estabilidad Linealidad
Sesgo
Variacin originada
por el calibrador
Calibracin
Variacin del proceso, real
Reproducibilidad
Repetibilidad
Variacin dentro de la
muestra
Estabilidad Linealidad
Sesgo
Equipo de
medicin
Calibracin

REPETIBILIDAD
*eproduci,ilidad@ Es la variacin, entre promedios de las mediciones
hechas por diferentes operadores que utilizan un mismo instrumento de
medicin cuando miden las mismas caractersticas en una misma parte.
?alor ;erdadero@
Valor correcto terico / estndares NIST
22
(recisin@ Es la habilidad de repetir la misma medida cerca o dentro de
una misma zona
E:actitud:
Es la diferencia entre el promedio del nmero de medidas y el valor
verdadero.
*esolucin@ La medicin que tiene exactitud y precisin.
Esta,ilidad@ es la variacin total de las mediciones obtenidas con un
sistema de medicin, hechas sobre el mismo patrn o sobre las mismas
partes, cuando se mide una sola de sus caractersticas, durante un perodo de
tiempo prolongado.
22
En EUA se tiene el NST (National nstitute of Standards and Technology)
Pgina 95

Reproducibilidad
Operador-A
Operador-C
Operador-B
5inealidad@ diferencia en los valores de la escala, a travs del rango de
operacin esperado del instrumento de medicin.
Sesgo@ distancia entre el valor promedio de todas las mediciones y el valor
verdadero. Error sistemtico o desviacin.
Cali,racin@ Es la comparacin de un estndar de medicin con exactitud
conocida con otro instrumento para detectar, reportar o eliminar por
medio del ajuste, cualquier variacin en la exactitud del instrumento.
Nota:
Pgina 96

Tiempo 1
Tiempo 2
Tiempo 1
Tiempo 2

Valor
Verdadero
Sesgo

Rango de Operacin del e!ipo
Valor
"erdadero
Valor
"erdadero
#rango in$erior% #rango s!perior%
Sesgo
&enor
Sesgo
ma'or
Importante: para que el equipo de medicin tenga una discriminacin
adecuada en la evaluacin de las partes, su
Resolucin debe ser al menos 1/10 de la variabilidad del proceso
23
.
Criterios segn el MSA:
<10% Aceptable
10-30%. Puede ser aceptable, dependiendo si la caracterstica a medir
no es crtica.
>30%. Inaceptable!
En cualquier problema que involucre mediciones, algunas de las variaciones
observadas son debidas al proceso y otras son debidas al error o variacin en
los sistemas de medicin. La variacin total es expresada de la siguiente
manera:
medici3n error proceso total
2 2 2
+ =
Existen 2 mtodos mtodos para realizar los estudios de R&R, conocidos
como Mtodo corto y Mtodo largo, a continuacin se explica ste
ltimo:
Estudio de *Y* 3todo largo
Generalmente intervienen de dos a tres operadores
Se sugiere se tomen 10 unidades
Cada unidad es medida por cada operador, 2 3 veces.
La resolucin del equipo de medicin debe ser de al menos el 10% del
rango de tolerancia o del rango de variacin del proceso.
2)
MS -eference Manual )th edition
Pgina 97
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 variacin)
10 partes NO son un tamao de muestra significativo para una opinin
slida sobre el equipo de medicin a menos que se cumpla el punto
anterior.
(rocedimiento para reali8ar un estudio de *Y*
1. Asegrese de que el equipo de medicin haya sido calibrado.
2. Marque cada pieza con un nmero de identificacin que no pueda ver la
persona que realiza la medicin.
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. Contine 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 nmero requerido de ensayos
7. Determine las estadsticas del estudio R&R
Repetibilidad
Reproducibilidad
% R&R
Desviaciones estndar de cada uno de los conceptos mencionados
Anlisis del porcentaje de tolerancia
8. Analice los resultados y determine las acciones a seguir si las hay.
Pgina 98
3todos de estudio del error *Y*
24
@
I.
0.3.1 Mtodo de Promedios- Rango
Permite separar en el sistema de medicin lo referente a la
Reproducibilidad y a la Repetibilidad.
Los clculos son ms fciles de realizar.
II. Mtodo ANOVA
Permite separar en el sistema de medicin lo referente a la
Reproducibilidad y a la Repetibilidad.
Tambin proporciona informacin acerca de las interacciones de un
operador y otro en cuanto a la parte.
Calcula las varianzas en forma ms precisa.
Los clculos numricos requieren de una computadora.
El Mtodo ANOVA es ms preciso
E%emplo FINI."+H
3todo Z +arra K *
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 mtodo X-R.
2+
-e'es .rimitivo puntes de la materia Opcin Terminal "IA
Pgina 99
Ejemplo de Estudio R&R
Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2,
C3
Seleccione en el men de la barra de herramientas S.".[20"5I.G
.//5S[A"AE S.0DG [ Aage *Y* FCrossedH
>Seleccione C1 (parte), C2 (operador), C3 (Medicin)
>Mtodo de Anlisis Z +ar and *
>En Options Seleccionar: Staudy variation 6.0 Process tolerante 0.6
Los resultados se muestran a continuacin:
Pgina 100
Muestra Analista Resultado Muestra Analista Resultado Muestra Analista Resultado
1 Kari 3.546 1 Carlos 3.566 1 Csar 3.523
2 Kari 3.517 2 Carlos 3.569 2 Csar 3.569
3 Kari 3.496 3 Carlos 3.589 3 Csar 3.527
4 Kari 3.497 4 Carlos 3.579 4 Csar 3.558
5 Kari 3.525 5 Carlos 3.590 5 Csar 3.559
6 Kari 3.509 6 Carlos 3.537 6 Csar 3.543
7 Kari 3.529 7 Carlos 3.543 7 Csar 3.553
8 Kari 3.512 8 Carlos 3.555 8 Csar 3.536
9 Kari 3.534 9 Carlos 3.581 9 Csar 3.564
10 Kari 3.534 10 Carlos 3.570 10 Csar 3.571
1 Kari 3.546 1 Carlos 3.570 1 Csar 3.534
2 Kari 3.537 2 Carlos 3.569 2 Csar 3.571
3 Kari 3.494 3 Carlos 3.590 3 Csar 3.536
4 Kari 3.494 4 Carlos 3.582 4 Csar 3.563
5 Kari 3.521 5 Carlos 3.587 5 Csar 3.558
6 Kari 3.502 6 Carlos 3.530 6 Csar 3.547
7 Kari 3.529 7 Carlos 3.541 7 Csar 3.558
8 Kari 3.503 8 Carlos 3.549 8 Csar 3.536
9 Kari 3.523 9 Carlos 3.576 9 Csar 3.567
10 Kari 3.528 10 Carlos 3.570 10 Csar 3.574
1 Kari 3.578 1 Carlos 3.567 1 Csar 3.534
2 Kari 3.539 2 Carlos 3.570 2 Csar 3.577
3 Kari 3.531 3 Carlos 3.588 3 Csar 3.535
4 Kari 3.537 4 Carlos 3.590 4 Csar 3.566
5 Kari 3.523 5 Carlos 3.589 5 Csar 3.562
6 Kari 3.548 6 Carlos 3.526 6 Csar 3.544
7 Kari 3.529 7 Carlos 3.538 7 Csar 3.552
8 Kari 3.553 8 Carlos 3.551 8 Csar 3.540
9 Kari 3.570 9 Carlos 3.576 9 Csar 3.569
10 Kari 3.564 10 Carlos 3.570 10 Csar 3.575
Gage R&R Study - XBar/R Method
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.000478 8!."#
Repeatabilit$ 0.00007%0 %#.4&
Repro'ucibilit$ 0.000407 7%.47
(art)To)(art 0.0000"%7 %&.08
Total Variation 0.00070% %00.00
*pper proce++ tolerance limit , !.8
Stu'$ Var %Stu'$ Var %Tolerance
Source St'-e. (S-) (& / S-) (%SV) (SV0Toler)
Total Gage R&R 0.0#%874% 0.%!%#4 "%.&% #&.#0
Repeatabilit$ 0.0084#&" 0.00&% !.#" %0.0"
Repro'ucibilit$ 0.0#0%88 0.%#%%% 84.4 #4.%8
(art)To)(art 0.00"7!7 0.0744# 40.%0 %%.47
Total Variation 0.0#!877 0.%4!#& %00.00 #8.&0
1umber of -i+tinct Categorie+ , %
"n#lisis de los resultados@
El error de R&R vs tolerancia es 26.20% lo que hace que el equipo de
medicin no sea adecuado para la medicin.
Por otro lado el nmero de categoras es slo de 1 cuando debe ser al menos
4 indicando que el instrumento discrimina las diversas partes diferentes.
Pgina 101
Figura 3.D Resultados del estudio de R&R
La grfica R se mantiene en control por 2 analistas y solamente 1 analista
presenta variacin, lo que representa un rea de oportunidad en cuestin de
recapacitacin y estandarizacin de conocimientos.
El mismo estudio mediante el Mtodo Anova da como resultado lo siguiente:

.WoK\a) "N/?" .a,le \it4 Interaction
Source -2 SS 3S 2 (
3ue+tra " 0.00"%80 0.00%0#0% %.#%"" 0.!4#
4nali+ta # 0.0#!0"%8 0.0%%4" %!.807& 0.000
3ue+tra / 4nali+ta %8 0.0%0%& 0.0008!&# &.##%# 0.000
Repeatabilit$ &0 0.0080&47 0.000%!44
Total 8" 0.0!88
Pgina 102
P
e
r
c
e
n
t
Part -t o-Part Reprod Repeat Gage R&R
100
50
0
% Contribution
% Study Var
% Tolerance
S
a
m
p
l
e

2
a
n
g
e
0.04
0.02
0.00
_
R=0.01427
UCL=0.03673
LCL=0
Carlos Csar Kari
S
a
m
p
l
e

M
e
a
n
3.60
3.55
3.50
_
_
X=3.5495
UCL=3.5641
LCL=3.5349
Carlos Csar Kari
Muestra
10 9 8 7 6 5 4 3 2 1
3.60
3.55
3.50
/nalista
Kari Csar Carlos
3.60
3.55
3.50
Muestra
/
C
e
r
a
g
e
10 9 8 7 6 5 4 3 2 1
3.60
3.55
3.50
Carlos
Csar
Kari
Analista
Component s o- 1ar iat ion
2 C'ar t b3 /nalist a
Dbar C'ar t b3 /nalista
2esult ado b3 Muest r a
2esult ado b3 /nalist a
/nalist a E Muest r a B nt er act ion
Fage 2G2 ( DbarH 2! -or 2esult ado
4lp5a to remo.e interaction term , 0.#

Gage R&R
%Contribution
Total Gage R&R 0.0007#! "7.#&
Repeatabilit$ 0.000%!44 %8.0#
Repro'ucibilit$ 0.000"0" 7".#4
4nali+ta 0.000!70 47.87
4nali+ta/3ue+tra 0.000#!!" !%.!7
(art)To)(art 0.0000#04 #.74
Total Variation 0.000748 %00.00
*pper proce++ tolerance limit , !.8
Total Gage R&R 0.0#&"!%" 0.%&%"# "8.&# !#.#&
Repeatabilit$ 0.0%%"!& 0.0&"&% 4#.4 %!.8"
Repro'ucibilit$ 0.0#4!088 0.%48! 8".0# #".%%
4nali+ta 0.0%88"4# 0.%%!!& &".%" ##.&!
4nali+ta/3ue+tra 0.0%#"47 0.0"%7&8 &.0% %8.!#
(art)To)(art 0.004%"7 0.0#7%%8 %&. .4%
Total Variation 0.0#7!08& 0.%&!8% %00.00 !#.7%
Number of Distinct Categories = 1
Los resultados son muy parecidos, auque ms estrictos en este mtodo, 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 Medicin, sobre todo la parte de
Reproducibilidad, hay que trabajar fuertemente en el mtodo de anlisis de
cada uno de los analistas que va desde la tcnica, la capacitacin y la
Pgina 103
efectividad de la misma, tambin la Repetitividad que se refiere al equipo con
que estamos midiendo, no sea adecuado para la medicin.
5a Distri,ucin Normal
La distribucin normal es una de las distribuciones ms usadas e importantes.
Su propio nombre indica su extendida utilizacin, justificada por la frecuencia
o normalidad con la que ciertos fenmenos tienden a parecerse en su
comportamiento a esta distribucin. Muchos eventos reales y naturales tienen
una distribucin de frecuencias cuya forma es muy parecida a la distribucin
normal.
La distribucin normal es llamada tambin campana de Gauss por su forma
acampanada.
Figura 3.1' Distribucin Normal
Pgina 104
(ropiedades de la distri,ucin normal
La distribucin normal tiene forma de campana.
La distribucin normal es una distribucin de probabilidad que tiene
media = 0 y desviacin estndar = 1.
El rea bajo la curva o la probabilidad desde menos infinito a ms
infinito vale 1.
La distribucin normal es simtrica, es decir cada mitad de curva
tiene un rea de 0.5.
La escala horizontal de la curva se mide en desviaciones estndar.
La forma y la posicin de una distribucin normal dependen de los
parmetros y , en consecuencia hay un nmero infinito de
distribuciones normales.
Pgina 105
Las distribuciones pueden variar en:
POSICI()
* O TE)ER C+AL,+IER CO&BI)ACIO)
-OR&A A&PLIT+D
Las distribuciones pueden variar en:
POSICI()
* O TE)ER C+AL,+IER CO&BI)ACIO)
-OR&A -OR&A A&PLIT+D A&PLIT+D
Existe una relacin del porcentaje de poblacin a la desviacin estndar. En
la figura observamos por ejemplo que el rea bajo la curva para 1o tiene un
porcentaje de 68.26%, 2o = 95.46% y 3o= 99.73%.
Figura 3.11 Distribucin Normal en niveles de sigma y %
La desviacin estndar (o) representa la distancia de la media al punto de
inflexin de la curva normal.
Pgina 106

G1s G2s G)s I1s I2s
I)s
58.25<
:2.+5<
::.7)<
7
0 1 2 3 -1 -2 -3
7
0 1 2 3 -1 -2 -3 0 1 2 3 -1 -2 -3
9 9I 9I2 9I" 9, 9,2 9," 9 9I 9I2 9I" 9, 9,2 9,"
>
7
0 1 2 3 -1 -2 -3 0 1 2 3 -1 -2 -3
7
0 1 2 3 -1 -2 -3 0 1 2 3 -1 -2 -3
9 9I 9I2 9I" 9, 9,2 9," 9 9I 9I2 9I" 9, 9,2 9,"
>
Figura 3.12 Distribucin Normal en niveles de Z
5a distri,ucin normal est#ndar
El ;alor de 8
Determina el nmero de desviaciones estndar o entre algn valor X y la
meia e la %o8laci7n . Para calcular el valor de Z usamos la siguiente
frmula.

=
X
4
La distribucin de probabilidad f (Z) es una distribucin normal con media 0 y
desviacin estndar 1; esto es Z se distribuye normalmente con media cero y
desviacin estndar = 1 Z ~ N(0,1): La grfica de densidad de probabilidad
se muestra en la figura.
La distribucin f (Z) se encuentra tabulada en la tabla de distribucin normal
estndar. En esta tabla podemos determinar los valores de Z o la probabilidad
de determinado valor Z.
E%emplo@
Pgina 107
1 =
0
Z
F(z)
El tiempo de vida de las bateras del conejito tiene una distribucin
aproximada a la normal con una media = 85.36 horas y una desviacin
estndar o = 3.77 horas. Que porcentaje de las bateras se espera que duren
80 horas o menos?
Calculando el valor de Z obtenemos:
Buscamos el valor correspondiente Z en las tablas de distribucin normal. Z0.5
= 0.9220 = 92.20%.
E%emplo@
Encuentre las probabilidades siguientes usando la tabla 9.
a) P(-2.85< Z > 0)
Solucin: 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 simetra. Por lo tanto la probabilidad
es 49.78%
Pgina 108

=
X
4 E
8# I 82.)5
).77
E
;1.42

=
X
4 E
8# I 82.)5
).77
E
;1.42
I2.82 # I2.82 #
0so de la distri,ucin normal en E:cel
Para calcular la probabilidad dado un valor Z procedemos de la
siguiente manera:
En la barra de herramientas seleccione el icono de funciones
fx>Estadsticas>Distr.Norm.Estad !"#$ O%
Seleccione la celda que contiene el valor de Z, que en este caso es Z =
2.85 , de clic en aceptar y aparecer 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>Estadsticas>Distr.Norm.Estad.i&!'ro(a(ilidad o )rea$ O%
De clic en aceptar. Procedemos de la misma manera que en el caso
anterior, pero en esta ocasin seleccionamos la probabilidad 0.99781 y
aparecer 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 ser capaz de
mantener las tolerancias. En las dcadas recientes ha surgido el concepto de
capacidad del proceso habilidad del proceso, que proporciona una prediccin
cuantitativa de qu tan adecuado es un proceso. La habilidad del proceso es la
variacin medida, inherente del producto que se obtiene en ese proceso.
Definiciones ,#sicas.
:roceso6 ste se refiere a alguna combinacin nica de mquinas,
herramientas, mtodos, materiales y personas involucradas en la
produccin.
Pgina 109
Ca%acia o &a8ilia6 Esta palabra se usa en el sentido de aptitud,
basada en el desempeo probado, para lograr resultados que se puedan
medir.
Ca%acia el %roceso6 Es la aptitud del proceso para producir
productos dentro de los lmites de especificaciones de calidad.
Ca%acia meia6 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 medicin del trabajo realizado por el proceso.
Ca%acia in&erente6 Se refiere a la uniformidad del producto que
resulta de un proceso que se encuentra en estado de control estadstico,
es decir, en ausencia de causas especiales o atribuibles de variacin.
;aria8ilia natural6 Los productos fabricados nunca son idnticos sino
que presentan cierta variabilidad, cuando el proceso est bajo control,
solo actan las causas comunes de variacin en las caractersticas de
calidad.
;alor 4ominal6 Las caractersticas de calidad tienen un valor ideal
ptimo que es el que desearamos que tuvieran todas las unidades
fabricadas pero que no se obtiene, aunque todo funcione correctamente,
debido a la existencia de la variabilidad natural.
/,%eti;os de determinar la capacidad del proceso
2$
1. Predecir en que grado el proceso cumple especificaciones.
2. Apoyar a diseadores de producto o proceso en sus modificaciones.
3. Especificar requerimientos de desempeo para el equipo nuevo.
4. Seleccionar proveedores.
5. Reducir la variabilidad en el proceso de manufactura.
6. Planear la secuencia de produccin cuando hay un efecto interactivo de los
procesos en las tolerancias.
22
$ouglas ,. Montgomer' Introduction to Statistical 5ualit! -ontrol
Pgina 110
Figura 3.13 p = porcentaje de medidas bajo la curva de probabilidad fuera de
especificaciones.
(artes fuera de especificaciones9 como ;amos a me%orar estoU
Para solucionar este problema, podemos reducir la desviacin
estndar.
Tambin podramos cambiar la media.
Pgina 111
LIB K LSB LIB K LSB
LIB K LSB LIB K LSB
Lo ideal sera, por supuesto cambiar ambas.
Condiciones para reali8ar un estudio de capacidad del proceso
Para realizar un estudio de capacidad es necesario que se cumplan los
siguientes supuestos
26
:
El proceso se encuentre bajo control estadstico, es decir sin la influencia
de fuerzas externas o cambios repentinos. Si el proceso est fuera de
control la media y/o la desviacin estndar del proceso no son estables y,
en consecuencia, su variabilidad ser mayor que la natural y la capacidad
potencial estar 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 ndices de habilidad. Si los datos
se componen de menos de 100 valores, entonces deben calcularse los
lmites 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.
25
9uran 9.M. Anlisis ! planeacin de la -alidad
Pgina 112
LIB K LSB LIB K LSB
El parmetro analizado en el estudio sigue una distribucin de probabilidad
normal, de otra manera, los porcentajes de los productos asociados con los
ndices de capacidad son incorrectos.
Tambin es importante al realizar un estudio de capacidad, asegurarnos que
la ;ariacin en el sistema de medicin no sea mayor al 10%.
?ariacin a corto pla8o ) a largo pla8o
Existen dos maneras de expresar la variabilidad:
?ariacin a corto pla8o FJstH@ 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 variacin han sido restringidas de tal manera que los datos
considerados, slo son los que se obtuvieron del subgrupo racional. Ayuda a
determinar subgrupos racionales importantes.
?ariacin a 5argo (la8o FJltH@ 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. Aqu todas las familias de variacin exhiben su
contribucin en la variacin del proceso general.
Pgina 113
Para el clculo de Z utilizamos las siguientes formulas
27
:
( )
ST
st
std desv
nom especi+ l2mite
4
.
. .
=

LT
LT
std desv
media especi+ l2mite
4
.
.
=
donde:
Zst = variacin a corto plazo.
nom = Valor nominal u objetivo
Zlt = variacin a largo plazo.
J s4ift@ A largo plazo los procesos tienen un desplazamiento natural de 1.5
desviaciones estndar.
Zlt = Zst-1.5shift
C#lculo de la capacidad del proceso@
Para calcular la capacidad del proceso utilizamos la siguiente frmula:
27
Pgina 114
,p E
LSB L LIB
5
,p E
LSB L LIB
5
donde:
Cp = capacidad potencial
LSE = lmite superior de especificaciones
LIE = lmite inferior de especificaciones
= desviacin estndar
El ndice Cp debe
ser 1 para tener el potencial de cumplir con especificaciones (LIE, LSE)
Para calcular la capacidad real utilizamos la siguiente frmula:
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 4istogramas
(rocedimiento@
1. Seleccionar un proceso especfico para realizar el estudio
2. Seleccionar las condiciones de operacin del proceso
3. Seleccionar un operador entrenado
4. El sistema de medicin (MSA) debe ser en cuestin de error R&R <
10%
5. Recolectar la informacin
6. Construir un histograma de frecuencia con los datos
7. Calcular la media y desviacin estndar del proceso
8. Calcular la capacidad del proceso.
Pgina 115
,pk E
MFl 4 FsN
)
,pk E
MFl 4 FsN
)
E%emplo@ Capacidad de proceso a partir de 4istogramas
Observamos que el histograma
tiene forma normal.
Calculando la media y la
desviacin estndar 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
] 19 el proceso no es 4#,il.
Cpk = menor de Zl y Zs = -1.37 < 1 , por lo tanto proceso no cumple
especificaciones.
Pgina 116
E
L
Fs E
).58 L ).52
#.#21
E #.288 E
L
Fs E
).58 L ).52
#.#21
E #.288
E
L
Fl E
).28 L ).52
#.#21
E I1.)7 E
L
Fl E
).28 L ).52
#.#21
E I1.)7

5istograma
0
5
10
15
20
25
30
Clase
F
r
e
c
u
e
n
c
i
a
5istograma
0
5
10
15
20
25
30
Clase
F
r
e
c
u
e
n
c
i
a
,p E
LSB L LIB
5
,p E
LSB L LIB
5
E ).58 L ).28 E #.)25

#.)#5
,p E
LSB L LIB
5
,p E
LSB L LIB
5
E ).58 L ).28 E #.)25

#.)#5
Capacidad a partir de cartas de control
En casos especiales como estos donde las variaciones presentes son
totalmente inesperadas tenemos un proceso inesta,le impredeci,le.
Si las variaciones presentes son iguales, se dice que se tiene un proceso
Vesta,le<. La distribucin ser Vpredeci,le< en el tiempo.

Pgina 117
rediccin
!iempo
"
" "
" "
" "
"
" "
" "
" "
C#lculo de la des;iacin est#ndar del proceso
2
d
(
=

+
-
S
=
(Para cartas de control X-R y X-S respectivamente)
donde:
S = Desviacin estndar de la poblacin
d2
= Factor que depende del tamao del subgrupo en la carta de control X -
R
C4 = dem 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)
E%emplo Fcarta Z K *H@
De una carta de control X - R (con subgrupo n = 5) se obtuvo lo siguiente,
despus de que el proceso se estabiliz quedando slo con causas comunes:
x
= 3.60 , ( = 0.015
Por tanto estimando los parmetros del proceso se tiene:
( ) medias de media x =

##5+ . #
)25 . 2
#12 . #
2
= = =
d
(
Si el lmite de especificacin es: LIE = 3.58.

El
( )
##5+ . # )
5# . ) 28 . )
=
p*
-
= -1.041 por tanto el proceso no cumple con las
especificaciones.
Pgina 118
Capacidad de procesos en inita, con los siguientes datos realizar el
anlisis de la capacidad de proceso.
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:
Otra opcin por medio de una grfica de probabilidad normal, se tiene:
3. Graph > Probability plot > Normal
4. Graph Variable C1
Pgina 119

5. Distribution Normal OK
Los puntos deben quedar dentro del intervalo de confianza para indicar que es
normal la distribucin
Determinacin 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
Pgina 120

Interpretacin:
La desviacin estndar Within se determina basndose en el Rango medio y
d2, con esta se determinan los ndices de capacidad potencial Cp y Cpk, as
como el desempeo Within, lo cual es adecuado para un proceso en control o
normal.
La desviacin estndar Overall se determina con la desviacin estndar de
todos los datos de la muestra dividido entre el factor C4= 4(n-1))/(4n - 3),
con esta desviacin estndar se determinan los ndices de desempeo Pp y
Ppk as como el desempeo Overall, no importando si el proceso est en
control o no, en este ltimo caso los valores no tienen significado prctico.
Opcin Six Pack para mostrar toda la informacin 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
Pgina 121
En este caso de la grfica de probabilidad normal, los datos siguen una
distribucin normal.
3.$ Entrega,les@
Seleccionar Requerimientos del Cliente
o Identificar caractersticas medibles del requerimiento del cliente (CTQs)
para el proyecto.
Definir estndares de desempeo
o Desarrollar definiciones operacionales para el proceso a ser
medido
o Identificar el objetivo de mejora del proceso
o Establecer mrgenes de tolerancia (lmites de especificacin)
o Definir los conceptos de unidad, defecto y oportunidad de defecto
Plan coleccin datos
Pgina 122
B
n
d
i
C
i
d
u
a
l

1
a
l
u
e
55 49 43 37 31 25 19 13 7 1
18
16
14
_
X= 16.022
UCL=18.385
LCL=13.660
M
o
C
i
n
g

2
a
n
g
e
55 49 43 37 31 25 19 13 7 1
3.0
1.5
0.0
__
MR=0.888
UCL=2.902
LCL=0
8bserCation
1
a
l
u
e
s
55 50 45 40 35
18
16
14
18 17 16 15 14
LSL USL
LSL 14.5
USL 17.5
Specifications
20 18 16 14
Within
Ov erall
Specs
StDev 0.787395
Cp 0.64
Cpk 0.63
Within
StDev 1.16718
Pp 0.43
Ppk 0.42
Cpm *
Ov erall
1 1
Process Capabilit3 Si9pac( o- C1
B C'ar t
MoCing 2ange C'ar t
>ast 2 % 8bser Cations
Capabilit 3 5ist ogr am
Nor mal Pr ob Plot
AD: 0.737, P: 0.052
Capabilit 3 Plot
o Validar Sistema de Medicin
o Desarrollar el Plan de recoleccin de datos
o Validar el Sistema de Medicin (Y)
La siguiente fase es la de anlisis, la cual nos permite descubrir la causa raz.
Para ello se har uso de las distintas herramientas de gestin de la calidad.
Ellas son las siete herramientas estadsticas clsicas y las nuevas siete
herramientas. Las herramientas de anlisis deben emplearse para determinar
dnde estamos, no para justificar los errores.
Pgina 123
C"(I.05/ 4. F"SE DE "N"5ISIS
4.1 Introduccin
En esta fase se efecta el anlisis de los datos obtenidos en la etapa de
Medicin, con el propsito de conocer las relaciones causales o causas raz del
problema.
La informacin de este anlisis nos proporcionar evidencias de las fuentes de
variacin y desempeo insatisfactorio, el cual es de gran utilidad para la
mejora del proceso.
Pgina 124

Figura 4.1 Herramientas en la Fase de Medicin
Determinar el nivel de desempeo del proceso actual.
Identificar cuales son las fuentes de variacin.
Una vez identificadas las causas potenciales por medio de una lluvia de
ideas y un diagrama de causa efecto, se realiza un proceso de validacin
estadstica de las mismas apoyndose en Anlisis de regresin, Pruebas de
Hiptesis y Anlisis de varianza.
4.2 Etapas de la fase de "n#lisis
La fase de anlisis consta de las siguientes etapas:
Definir el o,%eti;o de desempeMo
En esta etapa se define la meta hacia la cual nos dirigimos, o sea cuales son
los ni*eles sigma esperados en nuestro proceso en el tiempo.
Pgina 125
DMAC
DMAC
Definir
Definir
Medir
Medir
Mejorar
Mejorar
1. Mapa de Proceso
2. Despliegue de la
Funcin de Calidad
(FD!
". Modelo #ano
%. &enc'mar(in
1. Mapa de Proceso
2. Despliegue de la
Funcin de Calidad
(FD!
". Modelo #ano
%. &enc'mar(in
1. Mapa de detallado
de Procesos
2. Diagrama de Pareto
". Diagrama de Causa,
E-ecto
$. Diagrama de .rbol
%. Diagrama de
/-inidad
). M0todos de
Muestreo
Estadstico
J. Capacidad del
Sistema de Medicin
K. Distribucin Normal
L. Capacidad del
Proceso
de Procesos
E-ecto
%. Diagrama de
/-inidad
). M0todos de
Muestreo
Estadstico
J. Capacidad del
Sistema de Medicin
L. Capacidad del
Proceso
1. /MEF
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
%. Pruebas de 5iptesis
). /n6lisis de 1arian7a
(/N81/!
1. /MEF
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
(/N81/!
Controlar
Controlar
DMAC
DMAC
Definir
Definir
Medir
Medir
Mejorar
Mejorar
1. Mapa de Proceso
2. Despliegue de la
Funcin de Calidad
(FD!
". Modelo #ano
%. &enc'mar(in
1. Mapa de Proceso
2. Despliegue de la
Funcin de Calidad
(FD!
". Modelo #ano
%. &enc'mar(in
de Procesos
E-ecto
%. Diagrama de
/-inidad
). M0todos de
Muestreo
Estadstico
J. Capacidad del
Sistema de Medicin
L. Capacidad del
Proceso
de Procesos
E-ecto
%. Diagrama de
/-inidad
). M0todos de
Muestreo
Estadstico
J. Capacidad del
Sistema de Medicin
L. Capacidad del
Proceso
1. /MEF
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
(/N81/!
1. /MEF
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
(/N81/!
Controlar
Controlar
Una opcin es realizar un Benchmarking, el cual es el mecanismo para
identificar y comparar quien tiene el mejor desempeo del proceso, ya sea
dentro de la organizacin u otra organizacin, y comparamos nuestros valores
contra ese parmetro de referencia para determinar el GAP existente e
identificar acciones para reducirlo.
Identificar las fuentes de ;ariacin
Cuando un proceso se encuentra fuera de las especificaciones permitidas, se
tiene evidencia de que existe variacin. Para comprobarlo utilizamos alguna
de las herramientas de anlisis, segn sea el el caso por ejemplo, el anlisis
Multi-Vari es una herramienta estadstica que nos permite determinar las
fuentes que presentan mayor variacin, a travs de la descomposicin de los
componentes de variabilidad del proceso. Una vez determinadas las causas de
variacin, nos enfocaremos en los )%ocos *itales <+ que estn afectando la
variable de respuesta "y. Una opcin para priorizar estas causas es el uso del
)iagrama e :areto+.
A continuacin se muestra un diagrama de posibles fuentes de variacin del
proceso:
Pgina 126
Varia,i4n 1el Pro,eso
Varia,i4n 1el Pro,eso 1e Me1i,i4n
Varia,i4n A,t'al 1el Pro,eso
0tras fuentes de
Cariaci%n
Cariaci%n debida al
B?uipo de Medici%n
Cariaci%n debida al
operador
Cariaci%n a
,orto .la(o
Cariaci%n a
Largo .la(o
B>actitud
HSesgoJ
.recisi%n
HBrror de Medici%nJ
$iscriminaci%n
H-esoluci%nJ
Varia,i4n 1el Pro,eso
Varia,i4n 1el Pro,eso 1e Me1i,i4n Varia,i4n 1el Pro,eso 1e Me1i,i4n
Varia,i4n A,t'al 1el Pro,eso Varia,i4n A,t'al 1el Pro,eso
0tras fuentes de
Cariaci%n
Cariaci%n debida al
B?uipo de Medici%n
Cariaci%n debida al
operador
Cariaci%n a
,orto .la(o
Cariaci%n a
,orto .la(o
Cariaci%n a
Largo .la(o
B>actitud
HSesgoJ
B>actitud
HSesgoJ
.recisi%n
HBrror de Medici%nJ
.recisi%n
HBrror de Medici%nJ
$iscriminaci%n
H-esoluci%nJ
$iscriminaci%n
H-esoluci%nJ
Figura 4.2 Fuentes de Variacin
Para una validacin estadstica de causas se utilizan diversas herramientas
estadsticas como las que se explican a continuacin.
Perramientas ,#sicas para la fase de "n#lisis
4.3 "EF F(roceso actualH
El AMEF o FMEA ( Failure Mode and Effect Analisis) es una tcnica de
prevencin, utilizada para detectar por anticipado los posibles modos de falla,
con el fin de establecer los controles adecuados que eviten la ocurrencia de
defectos.
/,%eti;os
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 prevencin y eliminacin de problemas del producto y
proceso
Cu#ndo iniciar un "EF
Al disear los sistemas, productos y procesos nuevos.
Al cambiar los diseos o procesos existentes o que sern usados en
aplicaciones o ambientes nuevos.
Despus de completar la Solucin de Problemas (con el fin de evitar la
incidencia de los mismos).
Pgina 127
El AMEF de sistema, despus de que las funciones del sistema se
definen, aunque sea antes de seleccionar el hardware especfico.
El AMEF de diseo, despus de que las funciones del producto son
definidas, aunque sea antes de que el diseo sea aprobado y entregado
para su manufactura.
El AMEF de proceso, cuando los dibujos preliminares del producto y sus
especificaciones estn disponibles.
.ipos de "EFNS
AME= e Dise>o6 Se usa para analizar componentes de diseos. Se enfoca
hacia los Modos de Falla asociados con la funcionalia de un componente,
causados por el ise>o.
AME= e :roceso6 Se usa para analizar los procesos de manufactura y
ensamble. Se enfoca a la incapacidad para producir el requerimiento que
se pretende, un efecto. Los Modos de Falla pueden derivar de causas
identificadas en el AMEF de Diseo.
(rocedimiento para la ela,oracin del "..E.F FDiseMo o (rocesoH
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 estn
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 evaluacin
Pgina 128
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 deteccin: Se estimar la probabilidad de que el
modo de falla potencial sea detectado antes de que llegue al cliente. El `1
indicar alta probabilidad de que la falla se pueda detectar. El `10 indica que
es improbable ser detectada. (Tabla 4-3.3)
9. Calcular el nmero de prioridad de riesgo (NPR): Es un valor que establece
una !erar-ui?aci7n de los problemas a travs de la multiplicacin del grado de
ocurrencia, severidad y deteccin, ste provee la prioridad con la que debe de
atacarse cada modo de falla, identificando tems crticos.
NPR = Grado de Ocurrencia * Severidad * Deteccin.
Acciones recomendadas: Anotar la descripcin de las acciones
preventivas o correctivas recomendadas , incluyendo responsables de
las mismas. Anotando la fecha compromiso de implantacin.
10. Una vez realizadas las acciones correctivas o preventivas, se recalcula el
grado de ocurrencia, severidad, deteccin y el NPR.
Cada vez que haya alguna modificacin en el proceso o en el producto se
debe de actualizar el A.M.E.F.
4.4 Cartas ulti ?ari
2-
28
,orreo 9uan , Oon(&le( 3elfi Gr+icos 6stad2sticos "niversidad %acional
Pgina 129
El anlisis Multi-Vari permite determinar las fuentes que presentan mayor
variacin, a travs de la descomposicin de los componentes de variabilidad
del proceso.
El objetivo general de las cartas Multi-Vari es, descubrir los componentes de
variacin en el proceso y cuantificar las diferentes fuentes de variabilidad, las
cules pueden ser, por ejemplo: de lote a lote, dentro del lote, de turno a
turno, entre turnos, dentro del turno, de mquina a mquina, dentro de la
mquina, de operador a operador, dentro del operador, entre operadores, etc.
Su propsito fundamental es reducir el gran nmero de causas posibles de
variacin, a un conjunto pequeo de causas que realmente influyen en la
variabilidad.
Sirven para identificar el patrn principal de variacin de entre tres patrones
principales:
1.-Temporal: Variacin de hora a hora; turno a turno; da a da; semana a
semana; etc.
2.- Cclico: Variacin entre unidades de un mismo proceso; variacin entre
grupos de unidades; variacin de lote a lote.
3.- Posicional:
Variaciones dentro de una misma unidad (ejemplo: porosidad en un
molde de metal) o a travs de una sola unidad con mltiples partes
(circuito impreso).
Variaciones por la localizacin dentro de un proceso que produce
mltiples unidades al mismo tiempo. Por ejemplo las diferentes
cavidades de un molde
Variaciones de mquina a mquina; operador a operador; planta a
planta
Pgina 130
Una vez identificados las fuentes de variacin, el anlisis Multi-Vari esta
diseado y enfocado a identificar la variable independiente de mayor
influencia dentro de las familias de variacin descritas anteriormente.
Pgina 131
E%emplo@
Se toman 3 a 5 unidades consecutivas, repitiendo el proceso tres o ms veces
a cierto intervalo de tiempo, hasta que al menos el 80% de la variacin en el
proceso se ha capturado.
Pgina 132
,
1 2 ) + 2 27 28 2: )# )1 22 25 27 28 2:
C-I,IP3 /BM.0-L $B /IBM.0 /IBM.0
,
1 2 ) + 2 27 28 2: )# )1 22 25 27 28 2:
B
1 2 ) + 2 27 28 2: )# )1 22 25 27 28 2:
C-I,IP3 ,Q,LI, $B U3I$$ U3I$$
B
1 2 ) + 2 27 28 2: )# )1 22 25 27 28 2:
A
1 2 ) + 2 27 28 2: )# )1 22 25 27 28 2:
C-I,IP3 .0SI,I03L $B3/-0 $B L U3I$$
A
1 2 ) + 2 27 28 2: )# )1 22 25 27 28 2:
C-I,IP3 .0SI,I03L $B3/-0 $B L U3I$$
,
1 2 ) + 2 27 28 2: )# )1 22 25 27 28 2:
,
1 2 ) + 2 27 28 2: )# )1 22 25 27 28 2:
B
1 2 ) + 2 27 28 2: )# )1 22 25 27 28 2:
B
1 2 ) + 2 27 28 2: )# )1 22 25 27 28 2:
A
1 2 ) + 2 27 28 2: )# )1 22 25 27 28 2:
C-I,IP3 .0SI,I03L $B3/-0 $B L U3I$$
A
1 2 ) + 2 27 28 2: )# )1 22 25 27 28 2:
C-I,IP3 .0SI,I03L $B3/-0 $B L U3I$$
E%emplo@
Un proceso produce flecha cilndrica, con un dimetro especificado de 0.0250
R 0.001. Sin embargo un estudio de capacidad muestra un Cp = 0.8 y una
dispersin natural de 0.0025 (6o) contra la permitida de 0.0002. Se tiene
pensado comprar un torno nuevo de US$70,000 para tolerancia de R 0.0008,
i.e. Cpk = 1.25. Se sugiri un estudio Multi Vari previo.
Se tomaron cuatro lecturas en cada flecha, dos a cada lado. Estas muestran
una disminucin gradual desde el lado izquierdo al lado derecho de las
flechas, adems de excentricidad en cada lado de la flecha.
Un anlisis rpido revela que la mayor variacin es temporal con un cambio
mayor entre las 10 AM y las 11 AM.
A las 10 AM se para el equipo para el almuerzo y se arranca a las 11 AM, con
lecturas similares a las de las 8 AM. Conforme pasa el tiempo las lecturas
tienden a decrecer ms y ms, hasta que se invierten a las 10 A.M. en forma
drstica.
Pgina 133
<.251<=
<.25<<=
<.24><=
M69imo
Mnimo
B7Muierda
Derec'a
K /M L /M 1N /M 11 /M 12 /M
<.251<=
<.25<<=
<.24><=
M69imo
Mnimo
B7Muierda
Derec'a
M69imo
Mnimo
B7Muierda
Derec'a
K /M L /M 1N /M 11 /M 12 /M
Se investig y se encontr que la temperatura tena influencia en la variacin.
La variacin en temperatura era causada por que la cantidad de refrigerante
no era la adecuada, lo cual se notaba ms cuando se paraba el equipo y se
volva a arrancar. Se adicion, reduciendo la variacin en 50%
aproximadamente..
Tambin se encontr que el acabado cnico era causado por que la
herramienta de corte estaba mal alineada. Se ajust, contribuyendo a otra
reduccin del 10% de la variabilidad.
La excentricidad de las flechas se corrigi al cambiar un rodamiento
excntrico por desgaste en el torno. Se instal un nuevo rodamiento
eliminndose otro 30% de la variabilidad.
4.$ Correlacin
Establece si existe una relacin entre las variables y responde a la pregunta,
Qu tan evidente es esta relacin?"
Los Diagramas de Correlacin se utilizan para estudiar las relaciones y
"posibles dependencias entre dos variables.
Pgina 134
Tipos de Correlaciones:
Figura 4.3 Tipos de Correlaciones
La Correlacin:
Mide la fuerza de la asociacin 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 regresin
Debe ser utilizada en conjunto con tcnicas grficas
La medicin de la fuerza de la asociacin lineal en un anlisis de correlacin es
"R (el coeficiente de correlacin.) que dependiendo del valor "nos dice que
tan bien se ajuntan los datos a la ecuacin.
-1<R<1
Pgina 135
(r
opi
ed
ad
es
de
*
Sin Correlacin Sin Correlacin
Correlacin PositiCa Correlacin PositiCa
Fuerte Correlacin PositiCa Fuerte Correlacin PositiCa
8tros patrones 8tros patrones Correlacin NegatiCa Correlacin NegatiCa
Fuerte Correlacin NegatiCa Fuerte Correlacin NegatiCa
1 1
2 2
" "
$ $
% %
) )
R > 0 indica una relacin positiva lineal
R < 0 indica una relacin negativa lineal
R
2
la proporcin de la variabilidad total de los valores de "y que pueden ser
explicados por la variable independiente x.
Si el valor de * esta entre:
0.9 R 1 Muy buen ajuste
0.8 R < 0.9 Buen ajuste, requiere de ms pruebas
0.6 R < 0.8 Regular, requiere revisin
4.! "n#lisis de *egresin
El anlisis de regresin es un mtodo estandarizado para localizar la
correlacin entre dos grupos de datos, y, quiz ms importante, crear un
modelo de prediccin.
Puede ser usado para analizar las relaciones entre:
Una sola "X predictora y una sola "Y
Mltiples predictores "X y una sola "Y
Varios predictores "X entre s
*egresin lineal simple
La Regresin lineal se refiere a la prediccin del valor de una variable a partir
de una o ms variables. En ocasiones se denomina a la variable dependiente
(y) variable de respuesta y a la variable independiente (x) variable de
prediccin.
Usamos un modelo pro,a,ilstico para explicar el comportamiento de la
variable independiente vs la variable dependiente, llamado modelo de
regresin lineal, y se expresa de acuerdo a la siguiente ecuacin:
Pgina 136
odelo de regresin lineal

Donde:
( = variable dependiente
0 = ordenada al origen
1 = pendiente
@ A variable independiente
e = Error aleatorio
La expresin
0 +
1X se denomina componente determinstico del modelo de

regresin lineal. La muestra de pares de datos se usar para estimar los
parmetros
0 y
1
Supuestos para el modelo de regresin lineal
2D
1. Para cada valor de @, la variable aleatoria se distribuye normalmente.
2. Para cada valor de @, la media o valor esperado de es 0; esto es,
( ) # = =

6
.
). Para cada valor de @B la varianza de es la constante o
2
(llamada varianza
del error).
+. Los valores del trmino de error son independientes.
2. Para un valor fijo de @, la distribucin muestral de ( es normal, porque sus
valores dependen de los de .
6. Para un valor fijo @, es posible predecir el valor de (.
7. Para un valor fijo @, es posible estimar el valor promedio de (
2:
-ichard 6eimer 6stad2stica
Pgina 137
+ + = x !
1 #
E%emplo
3'
@
Se tiene que predecir las ventas mensuales en funcin del costo de publicidad
de los siguientes datos:

Utilizando el Minitab:
> Stat > Regression > Regression
Seleccionar Response = Columna de las Y's
Seleccionar Predictors = Columnas de las Xs
OK
)#
-am=re( Bduardo /omado de los puntes de la ,lase Anlisis de (egresin
Pgina 138
Mes Publicidad 1entas
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

La ecuacin sera: * E $-.-! ^ 3!.!_(u,licidad
De acuerdo al valor de R2 (82.46%) tenemos que el 82.46% de los datos se
ajustan al modelo de regresin, es un buen ajuste, pero requiere de ms
pruebas para hacerlo estadsticamente ms representativo.
*egresin lineal m`ltiple
En ocasiones la informacin de una variable independiente no es suficiente,
Cuando se usa ms de una variable independiente para predecir los valores de
una variable dependiente, el proceso se llama anlisis de regresin mltiple; y
se expresa de acuerdo a la siguiente ecuacin:
odelo de regresin m`ltiple
Y =
0 +
1 @1 +
2 @2 +.... +
n
Donde:
( = variable dependiente
0 = ordenada al origen
1,
2 = coeficiente de cada variable.

@CB @2 A variables independientes
= Error aleatorio
La estimacin de los coeficientes de una regresin mltiple es un clculo
bastante complicado y laborioso, por lo que se requiere del empleo de
programas de computacin especializados. Sin embargo, la interpretacin de
los coeficientes es similar al caso de la regresin simple: el coeficiente de
Pgina 139
cada variable independiente mide el efecto separado que esta variable tiene
sobre la variable dependiente. El coeficiente de determinacin, por otro lado,
mide el porcentaje de la variacin total en Y que es explicado por la variacin
conjunta de las variables independientes.
E%emplo@
Una de las caractersticas importantes del alambre para amarres es su
resistencia a la traccin. La tabla de a continuacin proporciona informacin
sobre la resistencia a la traccin(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).
Pgina 140
3 9
1
9
2
9
"
9
$
9
%
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
Utilizando el excel empleamos las siguientes instrucciones:
>Tools
>Data Anlisis
>Regresin
>Input Y: Las variable de prediccin
> Input X: Las variables de predictoras
>Conficence Level al 95% OK
a) Ajuste el modelo de regresin mltiple
* E !.22 ^ '.3D$ Z1 L '.'4-Z2 ^ '.4&&Z3 K '.112Z4 L 1.3!- Z$
Pgina 141
Estad sticas de la regresin
Coeficiente de correlacin mltiple 0. 829840383
Coeficiente de determinacin R^2 0. 688635061
R^2 ajustado 0. 568879315
Error tpico 0. 892010307
Observaciones 19
ANLSS DE VARANZA
Grados de libertadSuma de cuadrados Promedio de los cuadrados F Valor crtico de F
Regresin 5 22.8771816 4.5754363 5.7503300 0.0051466
Residuos 13 10.3438710 0.7956824
Total 18 33.2210526
Coeficientes Error tpico Estadstico t Probabilidad Inferior 95 Superior 95
ntercepcin 6.2272909 8.4501126 0.7369477 0.4742451 -12.0280640 24.4826458
Variable X 1 0.3951351 0.5791396 0.6822796 0.5070376 -0.8560196 1.6462899
Variable X 2 -0.0488255 0.2580863 -0.1891830 0.8528711 -0.6063870 0.5087359
Variable X 3 0.4772919 0.1417064 3.3681736 0.0050414 0.1711538 0.7834300
Variable X 4 -0.1122814 0.0525337 -2.1373204 0.0521490 -0.2257735 0.0012108
Variable X 5 -1.3687757 1.9205352 -0.7127054 0.4886239 -5.5178389 2.7802875
b) Realizar la tabla de ANOVA para el modelo anterior:
c) Obtener los valores de R y R
2
:
De acuerdo al valor de la R se denota que el modelo es "Regular y
requiere revisin.
d) Realizar la grfica de Residuos:
Pgina 142
;/&>/ /N81/ de Cuadrados
Frados de libertad
de cuadrados
Fo
SS2
p,1
MS2 Fo O MS2HMSE
Fuente de 2egresin 22.871 5 4.574 5.7178
SSE n,p MSE
Error 10.400 13 0.800
SS; n,1
;otal 33.271 18
5o * i = 0 Vi
51 * i = 0 al menos para una i = 0
El modelo se rec'a7a si*
Fo P F
/2+p,1+n,p
El valor de F/2,p-1,n-p se obtiene de la tabla V pg, A-13 de
Fo P F
N.N2%+%+1"
Douglas Montgomery
5.717 P 3.77
Por lo tanto se rec'a7a la 5o 3 se acepa la 5i Mue acepta Mue el modelo de regresin Si es signi-icatiCo.
SS
E
2a
Q2
O
1
,
(n-p)
SS
T
n-1
10.400
2a
Q2
O
1
,
13
33.271
18
2a
Q2
O
N.%)J
2

O
N.J%"
En la grfica se puede apreciar que no se "ve que existe una correlacin
alguna.
4.& (rue,as de Piptesis@
Al realizar pruebas de hiptesis, se parte de un valor supuesto (hipottico) en
parmetro poblacional. Despus de recolectar una muestra aleatoria, se
compara la estadstica muestral, as como la media (x), con el parmetro
hipottico, se compara con una supuesta media poblacional (). Despus se
acepta o se rechaza el valor hipottico, segn proceda. Se rechaza el valor
hipottico slo si el resultado muestral resulta muy poco probable cuando la
hiptesis es cierta.
Etapa 1.- Planear la hiptesis nula y la hiptesis alternativa. La hiptesis nula
(H0) es el valor hipottico del parmetro que se compra con el resultado
muestral resulta muy poco probable cuando la hiptesis es cierta.
Etapa 2.- Especificar el nivel de significancia que se va a utilizar. El nivel de
significancia del 5%, entonces se rechaza la hiptesis nula solamente si el
resultado muestral es tan diferente del valor hipottico que una diferencia de
Pgina 143
Grfica de Residuos
-2.0
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
0 5 10 15 20
esa magnitud o mayor, pudiera ocurrir aleatoria mente con una probabilidad
de 1.05 o menos.
Etapa 3.- Elegir la estadstica de prueba. La estadstica de prueba puede ser la
estadstica muestral (el estimador no segado del parmetro que se prueba) o
una versin transformada de esa estadstica muestral. Por ejemplo, para
probar el valor hipottico de una media poblacional, se toma la media de una
muestra aleatoria de esa distribucin normal, entonces es comn que se
transforme la media en un valor z el cual, a su vez, sirve como estadstica de
prueba.
Etapa 4.- Establecer el valor o valores crticos de la estadstica de prueba.
Habiendo especificado la hiptesis nula, el nivel de significancia y la
estadstica de prueba que se van a utilizar, se produce a establecer el o los
valores crticos de estadstica de prueba. Puede haber uno o ms 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 estadstica de prueba. Por ejemplo, al
probar un valor hipottico de la media poblacional, se toma una muestra
aleatoria y se determina el valor de la media muestral. Si el valor crtico que
se establece es un valor de z, entonces se transforma la media muestral en
un valor de z.
Etapa 6.- Tomar la decisin. Se compara el valor observado de la estadstica
muestral con el valor (o valores) crticos de la estadstica de prueba. Despus
se acepta o se rechaza la hiptesis nula. Si se rechaza sta, se acepta la
alternativa; a su vez, esta decisin tendr efecto sobre otras decisiones de los
administradores operativos, como por ejemplo, mantener o no un estndar de
desempeo o cul de dos estrategias de mercadotecnia utilizar.
Pgina 144
La distribucin apropiada de la prueba estadstica se divide en dos regiones:
una regin de rechazo y una de no rechazo. Si la prueba estadstica cae en
esta ltima regin no se puede rechazar la hiptesis nula y se llega a la
conclusin de que el proceso funciona correctamente.
Al tomar la decisin con respecto a la hiptesis nula, se debe determinar el
valor crtico en la distribucin estadstica que divide la regin del rechazo (en
la cual la hiptesis nula no se puede rechazar) de la regin de rechazo. A hora
bien el valor crtico depende del tamao de la regin de rechazo.
(asos de la prue,a de 4iptesis@
1. Definir el Problema ( Problema Prctico).
2. Sealar los Objetivos ( Problema Estadstico).
3. Determinar tipo de datos: Atributo o Variable.
4. Si son datos Variables: Prueba de Normalidad.
5. Establecer las Hiptesis: Hiptesis Nula (Ho),Hiptesis Alterna (Ha).
6. Seleccionar el nivel de Alfa (normalmente 0.05 o 5%).
7. Establecer el tamao de la muestra, 1# .
8. Desarrollar el Plan de Muestreo.
9. Seleccionar Muestras y Obtener Datos.
10. Decidir la prueba estadstica apropiada y calcular el estadstico de
prueba (Z, t, X
2
o F) a partir de los datos.
11. Obtener el estadstico correspondiente de tablas o Excel.
12. Determinar la probabilidad de que el estadstico de prueba
calculado ocurra al azar.
13. Comparar el estadstico calculado con el de tablas y ver si cae en
la regin de rechazo o ver si la probabilidad es menor a alfa, rechace
Ho y acepte Ha. En caso contrario no rechace Ho.
Pgina 145
14. Con los resultados interprete una conclusin estadstica para la
solucin prctica.
(rue,as de 4iptesis para una po,lacin
Se trata de probar una afirmacin sobre parmetros de la poblacin (media ;
varianza o2 o proporcin ) en base a datos de estadsticos de una muestra
(X media, s2 o p respectivamente):
3 ELEMENTOS DE UNA PRUEBA:
:rue8a Estastica6 Procedimiento para decidir aceptar o rechazar
hiptesis.
Di%7tesis6 Es una afirmacin acerca de una o ms poblaciones.
Di%7tesis 4ula "Do$6 Usualmente es una afirmacin representando una
situacin "status quo. Generalmente deseamos rechazar la hiptesis nula.
o Es la hiptesis o afirmacin a ser probada
o Puede ser por ejemplo =, o, o a constante
o Slo puede ser rechazada o no rechazada
Di%7tesis Alterna "Da$6 Es lo que aceptamos si podemos rechazar la
hiptesis nula. Ha es lo que queremos probar.
Pgina 146
o Es la hiptesis que se acepta como verdadera cuando se rechaza Ho, es
su complemento
o Puede ser por ejemplo l 7 para prueba de dos colas
< 7 para prueba de cola izquierda
> 7 para prueba de cola derecha
Estastico e %rue8a6 Calculado con datos de la muestra.
Regi7n e Rec&a?o6 Indica los valores de la prueba estadstica para que
podamos rechazar la Hiptesis nula (Ho). Esta regin esta basada en un
riesgo a deseado, normalmente 0.05 o 5%.
Estastico e %rue8a"9B tB <
2
o =$: Para probar la hiptesis nula se calcula
un estadstico de prueba con la informacin de la muestra el cual se
compara a un valor crtico apropiado. De esta forma se toma una decisin
sobre rechazar o no rechazar la Ho.
Error ti%o I "alfa A ni*el e significanciaB normalA1.1E$6 Se comete al rechazar la
Ho cuando en realidad es verdadera. Tambin se denomina riesgo del
productor
Error ti%o II "8eta$6 Se comete cuando no se rechaza la hiptesis nula
siendo en realidad falsa. Es el riesgo del consumidor
Las pruebas de hiptesis pueden ser de dos colas, de cola derecha o de cola
izquierda, a continuacin se esquematizan cada una de ellas.
Pgina 147

Prueba de hiptesis Estadstica
Para una muestra grande (n >30) probar la hiptesis de una media
Ho:
o
=
Ha:
#

Calcular el estadstico de prueba
n
s
4
calc
#

=
Establecer la regin de rechazo, para prueba de 2 colas: 2 2
4 4

Pgina 148

Pruebas de 5iptesis de dos colas*
5o* a O b
5a* a b
Pruebas de 5iptesis de cola derec'a*
5o* a b
5a* a P b
Pruebas de 5iptesis cola i7Muierda*
5o* a b
5a* a R b
@
/2 N
, @
/2
2egin de
2ec'a7o
2egin de
2ec'a7o
@
/2
N
2egin de
2ec'a7o
@
/2
N
, @
/2
2egin de
2ec'a7o
Si el ;alor del estadstico de
prue,a cae en la regin de
rec4a8o rec4a8aremos Po de
otra manera no podemos
rec4a8ar Po.
E%emplo@
Supongamos que tenemos muestras de dos reactores que producen el mismo
artculo. Se desea ver si hay diferencia significativa en el rendimiento de
"Reactor a Reactor.
Estadsticas Descripti;as
Variable Reactor N Media Desv.Std
Rendimiento A 10 84.24 2.90
B 10 85.54 3.65
(regunta (r#ctica: Existe diferencia entre los reactores?
(regunta Estadstica 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 variacin de da a da.
Po@ No existe diferencia entre los Reactores.
Pa@ Las medias de los Reactores son diferentes.
7 a
. = S
#
7 a a
. S
Pgina 149

@
/2
N
, @
/2
2egin de
2ec'a7o
2egin de
2ec'a7o
-eactor -eactor B
8:.7 8+.7
81.+ 85.1
8+.2 8).2
8+.8 :1.:
87.) 85.)
7:.7 7:.)
82.1 82.5
81.7 8:.1
8).7 8).7
8+.2 88.2
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 bsico?
Pgina 150
(rue,as de Piptesis so,re la Igualdad de dos edias.
A) Varianzas conocidas
Supngase que hay dos poblaciones de inters X1 y X2, Suponemos que X1
tiene media desconocida
1
y varianza conocida
2
1
y que X2 tiene media
desconocida
2
y varianza conocida. Estaremos interesados en la prueba de la

hiptesis de que las medias
1
y
2
sean iguales.
Considrense primero las hiptesis alternativas de dos lados:
2 1 #
S = .

2 1 1
S .
donde:
H0 = Hiptesis nula
H1 = Hiptesis alternativa.
1
= media de la poblacin 1
2
= media de la poblacin 2
El procedimiento para probar 2 1 #
S = .
consiste en calcular la estadstica de
prueba Z0 mediante la siguiente frmula:
2
2
2
1
1
2
2 1
#
n n
X X
4

+
=
donde:
Pgina 151
1
X E media de la muestra 1
2
X E media de la muestra 2
1
2
E varian(a de la poblaci%n 1
2
2
E varian(a de la poblaci%n 2
1
n E tama1o de la muestra 1
2
n
E tama1o de la muestra 2
5a 4iptesis nula P' se *ec4a8a si@
2 #
4 4 >
o 2 #
4 4 <
donde:
Z0 = Valor calculado del estadstico de prueba
2
4
= Valor obtenido de las tablas.
Las hiptesis alternativa de un lado se analizan de manera similar. Para
probar
2 1 #
S = .

2 1 1
S > .
Se calcula la estadstica de prueba Z0 , y se rechaza 2 1 #
S = .
si
4 4 >
# .
Para probar las otras hiptesis alternativas de un lado
2 1 #
S = .

2 1 1
S < .
Se utiliza la estadstica de prueba Z0 y se rechaza 2 1 #
S = .
si
4 4 <
#
E%emplo@
Se emplean dos mquinas para llenar botellas de plstico con un volumen
neto de 16 onzas. El proceso de llenado puede suponerse normal, con
desviaciones estndar de
#12 .
1
=
y
#18 .
2
=
. Ingeniera de calidad sospecha
que ambas mquinas 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 mquina. Piensa usted que ingeniera de calidad est en lo
correcto? Utilizando #2 . = .
Pgina 152
Se toman muestras con cada mquina, mostradas en la siguiente tabla:
Se establecen las hiptesis:
2 1 #
S = .
2 1 1
S .
Calculando las medias de cada mquina obtenemos:
##2 . 15 4 #12 . 15
2 1
= = X X
.
2
2
2
1
1
2
2 1
#
n n
X X
4

+
=
=
)+ . 1
1#
#18 .
1#
#12 .
##2 . 15 #12 . 15
2 2
=
+
2
4
= Z.025 = 1.96 ( De tablas)
Utilizando el criterio de decisin 2 #
4 4 >
para rechazar la hiptesis nula H0,
entonces tenemos que:
1.34 > 1.96 por lo tanto NO rechazamos H0.
No existe suficiente evidencia estadstica para pensar que las medias son
diferentes.
Pgina 153
mquina 1 mquina 2
16.03 16.02
16.04 15.97
16.05 15.96
16.05 16.01
16.02 15.99
16.01 16.03
15.96 16.04
15.98 16.02
16.02 16.01
15.99 16
Cuando rechazamos la hiptesis nula se considera que la prueba es potente,
si aceptramos la hiptesis nula el criterio de decisin es dbil, ya que
generalmente se busca rechazar H0.
(rue,as de 4iptesis para dos po,laciones
(rue,as de igualdad de dos ;arian8as
Presentaremos ahora pruebas para comparar dos varianzas. Supngase que
son dos las poblaciones de inters, por ejemplo X1 y X2, donde
2
2 2
2
1 4 1
4 4
, se
desconocen. Deseamos probar hiptesis relativas a la igualdad de las dos
varianzas,
2
2
2
1 #
S = .
. Considrese que se disponen dos muestras aleatorias
de tamao n1 de la poblacin 1 y de tamao n2 de la poblacin 2, y sean
2
2
2
1
!S S las varianzas de muestra. Para probar la alternativa de dos lados
2
2
2
1 #
S = .

2
2
2
1 1
S .
Utilizamos el hecho de que la estadstica
2
2
2
1
#
S
S
& =
Se distribuye como F, con n1-1 y n2 -1 grados de libertad.
Rechazaramos H0 si
1 4 1 4 2 #
2 1

>
n n
& &

o si
1 4 1 4 2 1 #
2 1

<
n n
& &

Pgina 154
Donde 1 4 1 4 2
2 1
n n
&
y 1 4 1 4 2 1
2 1
n n
&
son los puntos porcentuales
2
superior e
inferior de la distribucin F con n1-1 y n2-2 grados de libertad. La tabla F
proporciona slo los puntos de la cola superior de F, por lo que para
determinar 1 4 1 4 2 1
2 1
n n
&
debemos emplear
1 4 1 4 2 1
2 1
n n
&
=
1 4 1 4 2
2 1
1
n n
&
La misma estadstica de prueba puede utilizarse para probar hiptesis

alternativas de un lado. La hiptesis alternativa de un lado es:
2
2
2
1 #
S = .
2
2
2
1 1
S > .
Si 1 4 1 4 #
2 1

>
n n
& &
, rechazaramos
2
2
2
1 #
S = .
.
Pgina 155
E%emplo@
Los siguientes son tiempos de quemado (en minutos) de seales luminosas de
dos tipos diferentes; Y pruebe la hiptesis de que las dos varianzas sean
iguales. Use #2 . =
2
2
2
1 #
S = .

2
2
2
1 1
S .
++ . 1##
71 . 88
7#
5 . 7#
2
2
2
1
2
1
=
=
=
=
S
S
X
X
2
2
2
1
#
S
S
& =
=
877 . #
++ . 1##
71 . 88
=
1 4 1 4 2
2 1
n n
&
= F.025,9,9 = 4.03 1 4 1 4 2 1
2 1
n n
&
= 0.248
Como 0.877 no es mayor que 4.03, por lo cual No se Rechaza la hiptesis
nula y tenemos que:
2
2
2
1 #
S = .
.
(rue,a de dos po,laciones cuando las ;arian8as son iguales
Sean X1 y X2 dos poblaciones normales independientes con medias
desconocidas
2 1
!
, y varianzas conocidas pero iguales
2 2
2
2
1
= = .
Deseamos probar:
2 1 #
S = .
2 1 1
S .
Pgina 156
Tipo 1 Tipo 2
63 64
81 72
57 83
66 59
82 65
82 56
68 63
59 74
75 82
73 82
Sean X1, X2,
2
2
2
1
4 S S
, las medias y las varianzas de las muestras,
respectivamente. Puesto que tanto
2
2
2
1
S como S
estiman la varianza comn
2
,
podemos combinarlas para producir una sola estimacin, mediante la
siguiente frmula:
( ) ( )
2
1 1
2 1
2
2 2
2
1 1
+
+
=
n n
S n S n
S
p
Para probar 2 1 #
S = .
calclese la estadstica de prueba
2 1
2 1
#
1 1
n n
S
X X
t
p
+
=
Si 2 4 2 #
2 1
+
>
n n
t t
o si 2 4 2 #
2 1
+
<
n n
t t
, rechazamos 2 1 #
S = .
Las alternativas de un lado se tratan de modo similar. Para probar:
2 1 1
2 1 #
S
S

>
=
.
.
Calclese la estadstica de prueba t0 y rechcese
2 1 #
S = .
si:
2 4 #
2 1
+
>
n n
t t

Para la otra alternativa de un lado,
2 1 1
2 1 #
S
S

<
=
.
.
Calclese la estadstica de prueba y rechcese
2 1 #
S = .
si:
2 4 #
2 1
+
<
n n a
t t
E%emplo@
Pgina 157
Se est investigando la resistencia de dos alambres, con la siguiente
informacin de muestra.
"lam,re *esistencia Fo4msH
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, qu conclusiones puede
extraerse respecto a la resistencia media de los alambres?
2 1 #
S = .
2 1 1
S .
Calculando la media y la desviacin estndar de la muestra:
##22 . #
##21 . #
1)8 . #
1+# . #
2
1
2
1
=
=
=
=
S
S
x
x
( ) ( )
2
1 1
2 1
2
2 2
2
1 1
+
+
=
n n
S n S n
S
p
= .0021
2 1
2 1
#
1 1
n n
S
X X
t
p
+
=
= 1.72
Se busca en la tabla de distribucin t el valor
2 4 2 1
4 2

+n n
t
= t.025,8 =2.306 o se
determina con Excel.
Utilizando el criterio de rechazo 2 4 2 #
2 1
+
>
n n
t t
, 1.72 no es mayor que 2.306,
por lo tanto no rechazamos H0.
Pgina 158
4.- "n#lisis de ;arian8a de una ;a F"N/?"H
El anlisis de la varianza de un criterio (ANOVA) es una metodologa para
analizar la variacin entre muestras y la variacin al interior de las mismas
mediante la determinacin de varianzas. Es llamado de un criterio porque
analiza un variable independiente o Factor. Como tal, es un mtodo
estadstico til para comparar dos o ms medias poblacionales.
Tipos de ANOVAS:
ANOVA de un factor o direccin
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 "N/?" de un factor o direccin@
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 Hiptesis:
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 distribucin normal de media cero
La varianza se mantiene constante para todos los niveles del factor
Pgina 159
"N/?" de un factor ) una ;aria,le de ,loCueo@
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 RENGLN y considerando los
niveles de otro factor que se piensa que tiene influencia en la prueba -
FACTOR DE BLOQUEO Por COLUMNA
(rue,a de Piptesis@
a) Para el tratamiento en renglones
Ho : 1 = 2 = 3 .. n
b) Para el factor de bloqueo en columnas
Ho : 1 = 2 = 3 .. n
Pgina 160
"N/?" de un factor ) dos ;aria,les de ,loCueo L C0"D*"D/ 5".IN/@
El diseo de Cuadrado latino utiliza dos factores de bloqueo adicionales al de
Tratamiento
El clculo de suma de cuadrados para renglones y para columnas es similar al
de ANOVA de un factor principal y otro de bloqueo.
"N/?" de un factor ) tres ;aria,les de ,loCueo L C0"D*"D/
A*EC/5".IN/@
El diseo de Cuadrado Grecolatino utiliza tres factores adicionales al del
Tratamiento
El clculo 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 rec4a8a si..
Fc > F tablas TAceptando Ha donde las medias son diferentes tambin
considerando el valor de P-value (del minitab)
Del correspondiente de Fc P < TAceptando Ha donde las medias son
diferentes
E%emplo@
Tres tipos distintos de motores de gasolina fueron probados para determinar
cunto tiempo son tiles antes de necesitar una reparacin; 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 til antes de requerir una reparacin. En la tabla aparecen
Pgina 161
los tiempos de vida til, 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 poblacin Normal para cada
tipo de motor.
Stat > Basic statistics > Normality test
Variable - Columnas de datos
Test for normality - Seleccionar Ryan Joiner OK
.
Pgina 162
Analizando las grficas nos damos cuenta de que las 3 muestras provienen de poblaciones
normales.
Si denotamos por ) 2 4 1
!
las medias poblacionales de los tiempos de vida til para los
tipos A, B y C, respectivamente, entonces podemos escribir las hiptesis estadsticas como:
) 2 1 #
S = = .
Pgina 163
/
P
e
r
c
e
n
t
10 8 6 4 2 0 -2
99
95
90
80
70
60
50
40
30
20
10
5
1
Mean
>0.100
4
StDev 2.550
N 5
RJ 0.982
P-Value
Probabilit3 Plot o- /
Normal

&
P
e
r
c
e
n
t
12 10 8 6 4 2 0
99
95
90
80
70
60
50
40
30
20
10
5
1
Mean
>0.100
6
StDev 2.345
N 5
RJ 0.909
P-Value
Probabilit3 Plot o- &
Normal

C
P
e
r
c
e
n
t
7 6 5 4 3 2 1 0 -1
99
95
90
80
70
60
50
40
30
20
10
5
1
Mean
>0.100
3
StDev 1.581
N 5
RJ 0.998
P-Value
Probabilit3 Plot o- C
Normal

5a3 normalidad si
P Calue es PON.N%
DC6 Al menos dos medias poblacionales no son iguales.
(rocedimiento en E:cel@
En el men herramientas seleccione la opcin Anlisis de datos, en
funciones para anlisis seleccione Anlisis 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 iniciar la presentacin de
resultados.
En la tabla observamos que el estadstico de prueba Fc es menor al valor crtico para F, por lo
que 2.41 < 3.88, por lo cual no rechazamos al Hiptesis nula H0.
No tenemos evidencia estadstica para afirmar que los tiempos de vida til de los motores,
antes de requerir una reparacin son diferentes.
Pgina 164
Anlisis de varianza de un factor
RESUMEN
Grupos Cuenta Suma Promedio Varian!a
Columna 1 5 20 4 6.5
Columna 2 5 30 6 5.5
Columna 3 5 15 3 2.5
ANLSS DE VARANZA
"rigen de las #ariaciones Suma de cuadrados Grados de libertad Promedio de los cuadrados F Probabilidad Valor crtico para F
Entre grupos 23.33333333 2 11.66666667 2.413793103 0.13150932 3.885290312
Dentro de los grupos 58 12 4.833333333
Total 81.33333333 14
"N/?" en inita,.
Utilice #2 . # = para calcular si difiere el rendimiento de los motores.
Seleccionar:
Stat > ANOVA > One Way (Unstacked)
Response in separate columns A, B, C
Seleccionar ! Store Residuals ! Store Fits Confidence level 95%
Graphs
Seleccionar Normal plot of residuals
Comparisons
Seleccionar Tukeys Family error rate OK
*esultados@
La grfica normal de residuos debe mostrar los residuos aproximados por una recta para
validar el modelo:
2esidual
P
e
r
c
e
n
t
5.0 2.5 0.0 -2.5 -5.0
99
95
90
80
70
60
50
40
30
20
10
5
1
Normal Probabilit3 Plot o- t'e 2esiduals
(responses are A, B, C)
One-way ANOVA: A, B, C
Pgina 165
Source -2 SS 3S 2 (
2actor # #!.!! %%.&7 #.4% 0.%!#
6rror %# 8.00 4.8!
Total %4 8%.!!
Como este valor P es mayor a 0.05 se rec4a8a la 4iptesis nula y A, B y C no
tienen efecto en la respuesta.
S , #.%"8 R)S7 , #8.&"% R)S7(a'8) , %&.80%
9n'i.i'ual "% C9+ 2or 3ean :a+e' on
(oole' St-e.
;e.el 1 3ean St-e. ))))))<)))))))))<)))))))))<)))))))))<)))
4 4.000 #.0 ())))))))))/)))))))))))
: &.000 #.!4 ())))))))))/)))))))))))
C !.000 %.8% ())))))))))/)))))))))))
))))))<)))))))))<)))))))))<)))))))))<)))
#.0 4.0 &.0 8.0
(oole' St-e. , #.%"8
Los intervalos de confianza de los tres niveles A, B, C del factor se pueden
traslapar por tanto sus efectos no son diferentes.
Tu=e$ "% Simultaneou+ Confi'ence 9nter.al+
4ll (air>i+e Compari+on+
9n'i.i'ual confi'ence le.el , "7."4%
4 +ubtracte' from?
Pgina 166
;o>er Center *pper )))))))))<)))))))))<)))))))))<)))))))))<
: )%.707 #.000 .707 ())))))))))/))))))))))
C )4.707 )%.000 #.707 ()))))))))/)))))))))))
)))))))))<)))))))))<)))))))))<)))))))))<
)!. 0.0 !. 7.0
: +ubtracte' from?
;o>er Center *pper )))))))))<)))))))))<)))))))))<)))))))))<
C )&.707 )!.000 0.707 ()))))))))/)))))))))))
)))))))))<)))))))))<)))))))))<)))))))))<
)!. 0.0 !. 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.D Entrega,les@
Establecer Capacidad del Proceso
o Analizar datos grficamente para para la "Y del proyecto. (datos
continuos)
o Calcular el sigma inicial (de referencia) para la Y del proyecto.
Definir Objetivos de Desempeo
o Definir objetivos de rendimiento
Identificar Fuentes de Variacin
o Identificar las posibles causas de variacin
o Reducir la lista de causas potenciales
La siguiente fase es la de mejora, la cual implica tanto el diseo como la
implementacin. En esta fase de diseo es muy importante ya que asume una
preponderancia fundamental la participacin de todos los participantes del
proceso, como as tambin la capacidad creativa, de los mismos; tambin
Pgina 167
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 ms efectivas de llevar a cabo un proceso.
Pgina 168
C"(B.05/ $. F"SE DE E6/*"
$.1 Introduccin
En la fase de Anlisis es cuando el equipo selecciona las caractersticas de
desempeo del producto que deben ser mejoradas para alcanzar la meta de
mejora identificando las mayores fuentes de variacin del proceso. S
e identificaron las causas de variacin. En esta fase se utilizar el diseo de
experimentos (DOE), para seleccionar las causas que ms afectan nuestro
CTQ e investigar estas causas para conocer el comportamiento del proceso.
El mtodo de DOE consiste en realizar cambios en los niveles de operacin de
los factores (Xs) para obtener los mejores resultados en la respuesta "Y".
Esta informacin es de gran ayuda para la optimizacin y mejora de procesos.
Pgina 169

Figura $.1 Herramientas en la Fase de Medicin
Identificar especficamente cmo el proceso debe ser mejorado.
Conocer el uso de las herramientas de mejora.
Conducir el diseo de experimentos para la optimizacin de procesos.
Obtener las mejoras del proceso en el proyecto.
Las principales herramientas utilizadas en esta fase son las siguientes:
$.2 Etapas de la fase de e%ora
Las etapas de la fase mejora son las siguientes:
Pgina 170
DMAC
DMAC
Definir
Definir
Medir
Medir
Analizar
Analizar
Mejorar Mejorar Mejorar Controlar
Controlar
1. Mapa de Proceso
2. Despliegue de la
Funcin de Calidad
(FD!
". Modelo #ano
%. &enc'mar(in
1. Mapa de Proceso
2. Despliegue de la
Funcin de Calidad
(FD!
". Modelo #ano
%. &enc'mar(in
de Procesos
E-ecto
%. Diagrama de
/-inidad
). M0todos de
Muestreo
Estadstico
J. Capacidad del
Sistema de Medicin
L. Capacidad del
Proceso
de Procesos
E-ecto
%. Diagrama de
/-inidad
). M0todos de
Muestreo
Estadstico
J. Capacidad del
Sistema de Medicin
L. Capacidad del
Proceso
1. /MEF
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
%. Pruebas de
5iptesis
(/N81/!
1. /MEF
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
%. Pruebas de
5iptesis
(/N81/!
1. /n6lisis de
E9perimentos (D8E!
2. Dise:o Factorial 2
#
". Dise:o Factorial
Fraccional
$. Dise:o ;aguc'i
). M0todos de Super-icie
de 2espuesta
1. /n6lisis de
E9perimentos (D8E!
#
". Dise:o Factorial
Fraccional
$. Dise:o ;aguc'i
de 2espuesta
DMAC
DMAC
Definir
Definir
Medir
Medir
Analizar
Analizar
Mejorar Mejorar Mejorar Controlar
Controlar
1. Mapa de Proceso
2. Despliegue de la
Funcin de Calidad
(FD!
". Modelo #ano
%. &enc'mar(in
1. Mapa de Proceso
2. Despliegue de la
Funcin de Calidad
(FD!
". Modelo #ano
%. &enc'mar(in
de Procesos
E-ecto
%. Diagrama de
/-inidad
). M0todos de
Muestreo
Estadstico
J. Capacidad del
Sistema de Medicin
L. Capacidad del
Proceso
de Procesos
E-ecto
%. Diagrama de
/-inidad
). M0todos de
Muestreo
Estadstico
J. Capacidad del
Sistema de Medicin
L. Capacidad del
Proceso
1. /MEF
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
%. Pruebas de
5iptesis
(/N81/!
1. /MEF
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
%. Pruebas de
5iptesis
(/N81/!
1. /n6lisis de
E9perimentos (D8E!
#
". Dise:o Factorial
Fraccional
$. Dise:o ;aguc'i
de 2espuesta
1. /n6lisis de
E9perimentos (D8E!
#
". Dise:o Factorial
Fraccional
$. Dise:o ;aguc'i
de 2espuesta
ostrar las causas potenciales ) caracteri8acin de ZNs
31
@
En la fase de anlisis encontramos los pocos vitales Xs, en esta fase vamos a
determinar aquellos que especficamente afectan nuestro proceso. Esto se
lleva a cabo a travs de datos histricos, conocimiento y discusiones. Con
base a lo anterior tambin desechamos las variables que no son utilizadas.
Una opcin para realizar esta actividad es mediante el uso del diagrama de
Ishikawa.
Los cambios en los parmetros de operacin referentes a las Xs pueden ser
puestos en niveles mltiples, para estudiar como afectan la respuesta en el
proceso "Y
El Diseo de Experimentos es un mtodo para probar la significancia, o sea
que tanto afectan cada uno de los factores a la variable de respuesta. Y para
determinar la interaccin entre dichos factores.
Consideraciones:
El Diseo de Experimentos sirve para identificar los pocos vitales de los CTQ
s
En la optimizacin es utilizada para determinar los niveles ms apropiados
de los pocos vitales.
Sirve para comparar el resultado experimental contra el proceso actual
$.3 .erminologa
+loCues@ Unidades experimentales homogneas.
+loCueo@ Considerar las variables que el experimentador desea reducir su
efecto o variabilidad.
)1
Pgina 171
Colinealidad@ Ocurre cuando 2 variables estn completamente
correlacionadas.
Co;arian8a@ Cosas que cambian durante los experimentos pero no fueron
planeadas a cambiar
DiseMo ro,usto@ De acuerdo a Taguchi, un experimento en el cual la variable
de respuesta es
inmune a los factores de ruido.
DiseMo simples@ Un diseo espacial usado para determinar todas las
combinaciones posibles de factores de entrada en una prueba experimental.
D/E@ Diseo de Experimentos.
Efecto principal@ Un estimado del efecto de un factor independientemente del
efecto de los dems.
Error e:perimental@ Variacin en respuesta bajo las mismas condiciones de
prueba. Tambin 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,
, etc.).
Factorial completo@ Arreglo experimental que considera todas las
combinaciones de factores y niveles.
Arados de li,ertad (DOF, DF, df): Nmero de mediciones independientes para
estimar un parmetro poblacional.
Pgina 172
Interaccin@ Ocurre cuando el efecto de un factor de entrada en la respuesta
depende del nivel de otro factor diferente.
Ni;el@ Un valor especfico para un factor controlable de entrada.
/ptimi8acin@ Hallar las combinaciones de los factores que maximicen o
minimicen la respuesta.
/rtogonal o ,alanceado@ Es el arreglo que permite estimar los efectos de los
factores principales y de sus interacciones sin confundirlos (el factorial
completo es un ejemplo).
*3plicas@ Experimentos repetidos en diferente tiempo para estimar el error
experimental.
?aria,le de respuesta@ Variable que muestra los resultados observados de un
tratamiento experimental, es la variable dependiente.
.ratamientos@ Son los diversos niveles de los factores que describen como se
debe realizar el experimento (50 y 7.5 pH).
$.4 DiseMo de E:perimentos FD/EH
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 propsitos del diseo de experimentos son:
Determinar
o Cules variables son de mayor influencia a la salida.
o Dnde fijar las entradas para producir la salida al nivel deseado.
)2
Montgomer' $ouglas ,. #ise8o de 6xperimentos
Pgina 173
o Dnde fijar las entradas de mayor influencia para reducir la
variabilidad en la salida.
o Dnde fijar las entradas controlables para que los efectos de las
entradas incontrolables sean minimizados.
Encontrar la ecuacin (y = f(x)) para optimizar el proceso
Por lo anterior, los mtodos de diseo de experimentos pueden utilizarse ya
sea para el desarrollo o la mejora de los procesos, para mejorar el desempeo
o para obtener un proceso que sea ro8usto o insensible a fuentes externas de
variabilidad.
Existen diferentes tipos de experimentos entre los cuales se encuentra los
siguientes:
.ipos comunes de
E:perimentos
4 /,%eti;os
N`mero tpico
de factores
controla,les
Factorial Completo
(todas las combinaciones
de factores y niveles)
- Encontrar los niveles de factor que
proporcionan los mejores resultados.
- Construir un modelo matemtico (evala
todas las interacciones)
4 o menos
Fraccional Factorial
(subgrupo del nmero total
de combinaciones)
- Encontrar los niveles de factor que
proporcionan los mejores resultados.
- Construir un modelo matemtico (evala
todas las interacciones).
5 o ms
DiseMo Central
Compuesto
- Optimizar
- Construir un modelo matemtico cuando
no haya efectos lineales (Superficie de
respuesta).
3 o menos
Pgina 174
4.1 DiseMo *o,usto - Optimizar
- Para encontrar los niveles de factores a fin
de reducir al mnimo la variacin ante
factores de ruido cambiantes
5 o ms
DiseMo *o,usto
Din#mico de .aguc4i
- Optimizar
- Optimizar la funcin de un producto o
proceso de manufactura.
- Reducir al mnimo la sensibilidad al ruido y
aumentar al mximo la sensibilidad a la
seal de entrada.
7 o ms
.a,la $.1 Tipos de Experimentos
Los mtodos de diseo de experimentos pueden tambin jugar un papel
mayor en las actividades de ingeniera de desarrollo de nuevos productos o
mejora de los productos actuales. Algunas aplicaciones del diseo de
experimentos incluyen:
1. Evaluacin y comparacin de configuraciones bsicas de diseo.
2. Evaluacin de alternativas de material.
3. Determinacin de parmetros clave de diseo con impacto en el
desempeo.
Cla;es para E:perimentar con a:ito
a) Medicin Adecuada de los Resultados
Usar un resultado relacionado directamente con la funcin del proceso,
usar datos variables.
b) Diseo Experimental Slido
Ni el mejor anlisis de datos puede compensar un experimento mal
diseado. Selecciona cuidadosamente la respuesta de salida, los
factores y los niveles as como el esquema del DOE.
c) Planeacin Meticulosa
Pgina 175
Para asegurar que las condiciones se puedan controlar como se
estableci en el diseo experimental, se deben preparar con anticipacin
todos los recursos (gente, materiales, etc.) necesarios para realizar el
experimento.
d) Sistemas de Medicin Verificados
Para asegurar que todos los datos sean "buenos, verifica todos los
sistemas de medicin antes de realizar el DOE.
e) Identifica las Unidades Experimentales
Marca cada unidad de acuerdo con la condicin experimental que la
produce. De lo contrario, se perder toda la informacin.
(asos para DiseMar ) *eali8ar un DiseMo de E:perimentos
1.- Observar datos histricos y/o recolectar datos para establecer la
capacidad actual del proceso debe estar en control estadstico.
2.- Determinar el objetivo del experimento (CTQs a mejorar).
(or medio de un eCuipo de tra,a%o multidisciplinario
3.- Determinar qu 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 nmero de niveles de cada factor y sus valores reales.
6.- Seleccionar un esquema experimental que acomode los factores y
niveles seleccionados y decidir el nmero de replicas.
7.- Verificar todos los sistemas de medicin (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 condicin experimental
que la produce.
10.- Medir las unidades experimentales.
11.- Analizar los datos e identificar los factores significativos.
Pgina 176
12.- Determinar la combinacin de niveles de factores que mejor alcance
el objetivo.
13.- Correr un experimento de confirmacin con esta combinacin
"ptima".
14.- Asegurar que los mejores niveles para los factores significativos se
mantengan por largo tiempo mediante la implementacin de Procesos de
Operacin Estndar y controles visuales.
15.- Re evaluar la capacidad del proceso.
E%emplo@ Proceso de soldadura de una tarjeta de circuito impreso:
Objetivos de los experimentos
oCaracterizar el proceso (identificar los factores que influyen en la
ocurrencia de defectos)
oOptimizar, identificar el nivel ptimo de los factores crticos para reducir
el nmero 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 Xs
oTemperatura de la soldadura
oTemperatura de precalentamiento
oVelocidad de la banda
oTipo de fundente
oDensidad relativa del fundente
oAltura de la ola de soldadura
oAngulo de la banda transportadora
Variables que no se pueden o desean controlar Zs - Variables de ruido
Pgina 177
oEspesor de la tarjeta de circuito impreso
oTipos de componentes usados en el CI
oDisposicin de los componentes
oOperario
oRitmo de produccin
Los Factores pueden afectar...
Tipos de Salidas (Las salidas se clasifican de acuerdo a nuestros objetivos):
Pgina 178

Estrategias cuando el "Valor Meta es Mejor
Paso 1: Encuentra los factores que afectan la variacin. Usa estos

factores para reducir al mnimo la variacin.
Pgina 179

Paso 2: Encuentra los factores que desplazan el promedio (y no afectan
la variacin). Usa estos factores para ajustar la salida promedio con la
meta deseada.
Estrategias cuando el "Valor Mnimo 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 variacin en la salida al mnimo, tambin se
mejora la salida al detectar los factores que contribuyen en gran
medida a la variacin.
Pgina 180
Meta Meta
N
Tendencia de
salida baja
N
Tendencia de
salida baja
Tendencia de
salida baja
Esquematizando tendramos:
El diseMo
33
factorial 2
O
:
Un diseo muy comn es el que considera varios factores (K) en dos niveles
("alto y "bajo), el diseo ms simple es el diseo 2
k

Las cinco razones principales para usar Diseos 2
k
:
1. La razn nmero uno para usar factorial es: Y = f(x)
2. Son fciles de entender y analizar
3. Forman la base de los diseos factoriales fraccionados, material de las
tcnicas avanzadas
4. Pueden ser aumentados para formar diseos compuestos, en caso que se
requiera informacin ms detallada.
5. Requieren de relativamente pocas corridas por cada factor estudiado.
El diseMo 2
2

))
I/BSM #iplomado en ,lac* ,elt
Pgina 181
Pruebas o Corridas Experimentales
Las combinaciones de pruebas especficas de factores y
niveles que se corren durante el experimento.
Tiempo x Temp:
El mejor nivel de tiempo
depende de la
temperatura establecida.
nteracciones
El grado en que los factores dependen unos de otros.
Algunos experimentos evalan el efecto de las interacciones;
otros no.
Factor Niveles
B. Temp. de Moldeo 600 700
E. Tipo de Material Nylon Acetal
Niveles
Los valores en los que se establecen los factores.
A. Tiempo de Ciclo
B. Temp. de Moldeo
C. Presin de Sujecin
D. Tiempo de Sujecin
E. Tipo de Material
Factores
Las variables de entrada de proceso que se establecen a
diferentes niveles para observar su efecto en la salida.
Dimensin de la Parte
Respuesta de Salida
La salida que se mide como resultado del experimento y se usa
para juzgar los efectos de los factores.
G1 G1 I1 G1 I1 )
G1 G1 G1 I1 I1 2
I1 I1 I1 I1 I1 1
$atos
B $ , B ,orridas
-1=Nivel Bajo +1=Nivel Alto
Pruebas o Corridas Experimentales
Las combinaciones de pruebas especficas de factores y
niveles que se corren durante el experimento.
Tiempo x Temp:
El mejor nivel de tiempo
depende de la
temperatura establecida.
nteracciones
El grado en que los factores dependen unos de otros.
Algunos experimentos evalan el efecto de las interacciones;
otros no.
Factor Niveles
B. Temp. de Moldeo 600 700
E. Tipo de Material Nylon Acetal
Niveles
Los valores en los que se establecen los factores.
A. Tiempo de Ciclo
B. Temp. de Moldeo
C. Presin de Sujecin
D. Tiempo de Sujecin
E. Tipo de Material
Factores
Las variables de entrada de proceso que se establecen a
diferentes niveles para observar su efecto en la salida.
Dimensin de la Parte
Respuesta de Salida
La salida que se mide como resultado del experimento y se usa
para juzgar los efectos de los factores.
G1 G1 I1 G1 I1 )
G1 G1 G1 I1 I1 2
I1 I1 I1 I1 I1 1
$atos
B $ , B ,orridas
G1 G1 I1 G1 I1 )
G1 G1 G1 I1 I1 2
I1 I1 I1 I1 I1 1
$atos
B $ , B ,orridas
-1=Nivel Bajo +1=Nivel Alto
Este el diseo ms simple, usa dos factores A y B, cada uno en dos niveles.
Requiere la realizacin de 4 experimentos que pueden replicarse n veces,
tomando las sumas de los resultados de las rplicas se tiene:
, a,
(1) A = -, B = -
(a) A = +, B = -
(b) A = -, B = +
(ab) A = +, B = + F1H a
Figura $.2 Diseo 2
2
Los efectos de inters en el diseo son los efectos principales de A y B y los
efectos de la interaccin AB, se denominan contrastes calculados como
sigue:
J J 1 H H
2
1
2 2
J 1 H
JJ 1 H H
2
1
2
J 1 H
2
JJ 1 H H
2
1
2
J 1 H
2
7 a a7
n n
7 a
n
a7
A,
a a7 7
n n
a
n
a7 7
,
7 a7 a
n n
7
n
a7 a
A
+ + =
+
+
=
+ =
+
+
=
+ =
+
+
=
Las cantidades entre parntesis se denominan contrastes, aqu los
coeficientes siempre son +1 -1. Tambin se pueden determinar usando una
tabla de signos para los efectos en el diseo 2
2
como sigue:
Pgina 182
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:
=
2
2
J . . H
J H
contrastes de es coe+icient n
contraste
SS
Por tanto la suma de cuadrados para A, B y AB son:
2
2
2
J J 1 H H
+
1
JJ 1 H H
+
1
JJ 1 H H
+
1
7 a a7
n
SSA,
a a7 7
n
SS,
7 a7 a
n
SSA
+ + =
+ =
+ =
E%emplo
34
@
Se trata de considerar la concentracin del reactivo y de la cantidad de
catalizador sobre la conversin (rendimiento) de un proceso qumico. Por tal
motivo sea A la concentracin del reactivo con 2 niveles de inters 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:
)+
Montgomer' $ouglas #ise8o de 6xperimentos
Pgina 183
/ & 1 2 " ;otal
- - 28 25 27 80
+ - 36 32 32 100
- + 18 19 23 60
+ + 31 30 29 90
R pl i ca Factor

De forma grfica tenemos:
Los efectos principales de los factores e interaccin son los siguientes:
A = 8.334
B = -5.0
AB = 1.67
Cada elemento dentro de los parntesis se denomina Contrastes o efectos
totales de los factores
En este caso son ortogonales. Su suma de cuadrados se encuentra con:
Pgina 184
[ ]
[ ]
[ ]
n
7 a
n
a7
! ! 7 a a7
n
A,
n
a
n
7 a7
! ! a 7 a7
n
,
n
7
n
a a7
! ! 7 a a7
n
A
A, A,
, ,
A A
2 2
J 1 H
J 1 H
2
1
2
J 1 H
2
J 1 H
2
1
2
J 1 H
2
J 1 H
2
1
+
+
= = + =
+
+
= = + =
+
+
= = + =
+
+
+
[ ]
[ ]
[ ]
A, , A T 6
A,
,
A
i0* T
SS SS SS SS SS
7 a a7
n
SS
a 7 a7
n
SS
7 a a7
n
SS
n
!
! SS
=
+ =
+ =
+ =
=
J 1 H
+
1
J 1 H
+
1
J 1 H
+
1
+
2
2
2
...
2

Catali7ador bO)N ab O LN
&
(1! O KN a O 1NN

1%S 2%S /

Concentracin del reactiCo /
Para este caso la Tabla ANOVA es:
De la tabla anterior se puede concluir a un nivel Alfa de 0.05 vs P
Los factores " y + que son significativos,
La interaccin no es significativa
"n#lisis *esidual
Para obtener los residuos se utiliza la ecuacin de regresin siguiente, donde
los factores A y B se representan por X1 y X2 y la interaccin AB por X1X2. Los
niveles alto y bajo de cada factor se asignan a los valores +1 y -1
respectivamente, el modelo de ajuste es:
+ + + + =
2 1 ) 2 2 1 1 #
x x x x !

El valor de la interseccin 0 se calcula como el promedio de las observaciones
y cada coeficiente de regresin es la mitad del efecto estimado del factor
correspondiente, dado que los coeficientes de regresin miden el efecto de
una unidad de cambio en Xi sobre la media de Y, y el estimado del efecto se
basa en dos unidades de cambio de (X1 = -1 a X2 = 1).
Pgina 185
Fuente de Suma de Frados de Cuadrado
1ariacin Cuadrados libertad medio Fo P
/ 208.33 1 208.33 53.15 0.0001
& 75.00 1 75.00 19.13 0.0024
/& 8.33 1 8.33 2.13 0.1826
Error 31.34 8 3.92
;otal 323.00 11
2 1
#
2 1 12 2 2 1 1 #
2 . 2 152 . + + . 27
S
8)2 . 2 A ) 2 . 2 2 A 2 152 . + 2 A 1
57 . 1 ) ; 2 A J 15# 17# H
2 ) ; 2 A J 18# 12# H
)) . 8 ) ; 2 A J 1+# 1:# H
+ . 27 + A J :# 5# 1## 8# H #
x x !
es a0ustado regresin de modelo 6l
A, 7 , 7 A 7
A, interaccin la de principal 6+ecto
, +actor del principal 6+ecto
A +actor del principal 6+ecto
respuestas las de promedio 7 estimado
x x x x !
est
+ =
= = = = = =
= =
= =
= =
= + + + = = =
+ + + + =

2 1
#
2 1 12 2 2 1 1 #
2 . 2 152 . + + . 27
S
8)2 . 2 A ) 2 . 2 2 A 2 152 . + 2 A 1
57 . 1 ) ; 2 A J 15# 17# H
2 ) ; 2 A J 18# 12# H
)) . 8 ) ; 2 A J 1+# 1:# H
+ . 27 + A J :# 5# 1## 8# H #
x x !
es a0ustado regresin de modelo 6l
A, 7 , 7 A 7
A, interaccin la de principal 6+ecto
, +actor del principal 6+ecto
A +actor del principal 6+ecto
respuestas las de promedio 7 estimado
x x x x !
est
+ =
= = = = = =
= =
= =
= =
= + + + = = =
+ + + + =

La interaccin no se incluye en la ecuacin de regresin porque no fue
significativa.
La variable X1 es una variable codificada que representa la concentracin del
reactivo y X2 es una variable codificada que representa la cantidad de
catalizador.
La razn de que el coeficiente de regresin 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 estimacin del efecto se basa en un cambio de dos
unidades (-1 a +1). Se deduce del mtodo de mnimos cuadrados.
La relacin entre las variables codificadas y las variables naturales es:
Entonces para obtener una respuesta con valores reales, se sustituye X1 y X2
en la ecuacin
para valores codificados.
*esiduales "decuacin del odelo@
Con este modelo se pueden encontrar los valores estimados en los cuatro
puntos del diseo:
Pgina 186
2 . #
2 . 1
2 A . .
. .
2
2#
2 A . .
. .
2
1
=
r -atali9ado
r catali9ado de (ango
r catali9ado de promedio r -atali9ado
x
in -oncentrac
in concentrac de (ango
in concentrac de promedio in -oncentrac
x
r -atali9ado in -oncentrac !
r -atali9ado in concentrac
!
est
est
; ## . 2 ; 8))) . # )) . 18
2 . #
2 . 1
2
2
2
2#
2
)) . 8
2 . 27
+ =
+ =
Considerando todava 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 combinacin 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 dems residuales
Al final se grafican en una grfica 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 ecuacin de regresin se obtiene la grfica de Contornos, por
medio de la cual se encuentra la direccin de mejoramiento potencial de un
proceso. Lo cual se logra por medio del Mtodo del ascenso ms pronunciado.
Pgina 187
E%emplo en inita,@
Se toman los datos del ejemplo anterior y se siguen los siguientes pasos:
Crear el diseo 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 seleccin de Randomize runs OK
Una vez generado el diseo de dos factores introducir la siguiente columna de
datos:
Pgina 188
2lbs.
Cantidad de
catalizador
Direccin de ascenso
ms rpido para optimizacin
1lb.
15% Concentracin 25%
Nueva zona
alrededor de la cual
se experimentar
23
33
Cata / Cata & 2espuesta
-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
"nali8ar el diseMo 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 diseo es vlido y adecuado
para la caracterizacin de este problema.
b) De la Tabla de efectos (ANOVA), se observan efectos o interacciones que
puedan tener un efecto significativo en la resistencia
Factora! Ft: Re"#ue"ta $er"u" Cata A, Cata B
6+timate' 6ffect+ an' Coefficient+ for Re+pue+ta (co'e' unit+)
Term 6ffect Coef S6 Coef T (
Con+tant #7.00 0.7%! 48.%4 0.000
Cata 4 8.!!! 4.%&7 0.7%! 7.#" 0.000
Cata : ).000 )#.00 0.7%! )4.!8 0.00#
Cata 4/Cata : %.&&7 0.8!! 0.7%! %.4& 0.%8!
S , %."7"0& R)S7 , "0.!0% R)S7(a'8) , 8&.&&%
Pgina 189
2esidual
P
e
r
c
e
n
t
5.0 2.5 0.0 -2.5 -5.0
99
90
50
10
1
Fitted 1alue
2
e
s
i
d
u
a
l
35 30 25 20
2
0
-2
2esidual
F
r
e
M
u
e
n
c
3
3 2 1 0 -1 -2
4
3
2
1
0
8bserCation 8rder
2
e
s
i
d
u
a
l
12 11 10 9 8 7 6 5 4 3 2 1
2
0
-2
Normal Probabilit 3 Plot o- t 'e 2esiduals 2esiduals 1ersus t 'e Fit t ed 1alues
5ist ogram o- t 'e 2esiduals 2esiduals 1ersus t 'e 8rder o- t 'e Dat a
2esidual Plots -or 2espuesta
En este caso se observa que tienen una influencia significativa el catalizador A
y el B temperatura y su interaccin no.
c) En base al Pareto o grfica normal de los efectos, se comprueba que los
factores significativos son ambos catalizadores, mientras que su interaccin
No lo es como se muestra a continuacin:
d) De la tabla de coeficiente se obtiene la ecuacin del modelo que representa
este proceso.
Term Coef
Con+tant #7.
Catali@a'or 4 4.%&
Catali@a'or : )#.0
Temp/3Ato'o )%#.!!!
Gest E 2&.$ ^ 4.1!_Catali8ador " L 2.$'_Catali8ador +
e) Obtener grficas factoriales con:
Stat > DOE > Factorial > Factorial Plots
En Main effects Setup indicar en Responses columna de Respuesta y
seleccionar factores con >>
Pgina 190
;
e
r
m
St andardi7ed E--ect
AB
B
A
8 7 6 5 4 3 2 1 0
2.306
A Cata A
B Cata B
Factor Name
Pareto C'art o- t'e Standardi7ed E--ects
(response is Respuesta, Alpha = .05)
St andardi7ed E--ect
P
e
r
c
e
n
t
7.5 5.0 2.5 0.0 -2.5 -5.0
99
95
90
80
70
60
50
40
30
20
10
5
1
A Cata A
B Cata B
Factor Name
Not Significant
Significant
Effect Type
B
A
Normal Probabilit3 Plot o- t'e Standardi7ed E--ects
(response is Respuesta, Alpha = .05)
En Interaction effects Setup en Responses columna de Respuesta y
seleccionar factores con >>
En Cube Plot indicar en Responses columna de Respuesta y seleccionar
factores con >> OK
Los niveles en que deben fijarse los factores para maximizar la resistencia son
de la grfica de interaccin, Catalizador A =1 y Catalizador B = -1
f) Obtener las grficas 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 grfica de contornos, conviene seguir experimentando
aumentando gradualmente la temperatura hasta llegar al punto ptimo en
una trayectoria de ascenso rpido.
Pgina 191
M
e
a
n

o
-

2
e
s
p
u
e
s
t
a
1 -1
32
31
30
29
28
27
26
25
24
23
1 -1
Cata A Cata B
Main E--ects Plot ( data means! -or 2espuesta
Cat a &
M
e
a
n
1 -1
34
32
30
28
26
24
22
20
-1
1
Cata A
B nteraction Plot ( data means! -or 2espuesta
M
e
a
n

o
-

2
e
s
p
u
e
s
t
a
1 -1
32
31
30
29
28
27
26
25
24
23
1 -1
Cata A Cata B
Main E--ects Plot ( data means! -or 2espuesta
Cat a &
M
e
a
n
1 -1
34
32
30
28
26
24
22
20
-1
1
Cata A
B nteraction Plot ( data means! -or 2espuesta
Cat a /
C
a
t
a

&
1.0 0.5 0.0 -0.5 -1.0
1.0
0.5
0.0
-0.5
-1.0
>
-
-
-
-
< 21
21 24
24 27
27 30
30 33
33
Respuesta
Contour Plot o- 2espuesta Cs Cata &+ Cata /
Una vez establecidos los mejores niveles de operacin del proceso por medio
del Diseo de Experimentos, ahora se trata de mantener la solucin por medio
de la fase de Control.
El diseMo Factorial Fraccional:
Cuando crece el nmero 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 nmero muy alto de tentativas, se
recurre a los diseos factoriales fraccionales o incompletos, donde, en lugar
de analizar la totalidad de las posibilidades, se considera una fraccin bien
elegida. Con cinco factores a tres niveles se llegan a 243 combinaciones
posibles y si la tarea se redujese a una fraccin de un tercio, bastaran 81
ensayos. Si fuese 1/9, tendramos 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 fraccin no le quita validez al anlisis final.
Ventajas
Se pueden obtener conclusiones parecidas que con experimentacin de
diseos factoriales completos con menos experimentos ( o )
*esulta m#s econmico
Dado que en muchos casos las interacciones no son significativas, no
importa que su efecto se confunda con los de los factores principales
En muchos casos slo se pueden estimar los efectos principales de los
factores (diferencia de promedios)
Pgina 192
Des;enta%as
El diseMo .aguc4i
Sugiere tres pasos que son:
a) Diseo del sistema
b) Diseo de parmetros
c) Diseo de tolerancias
De estas tres etapas, la ms importante es el diseo de parmetros cuyos
objetivos son:
a) Identificar qu factores afectan la caracterstica de calidad en cuanto a su
magnitud y en cuanto a su variabilidad.
b) Definir los niveles "ptimos en que debe fijarse cada parmetro o factor,
a fin de optimizar la operacin del producto y hacerlo lo ms robusto posible.
c) Identificar factores que no afecten substancialmente la caracterstica 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 Grficas Lineales. La herramienta son
diseos Factoriales Fraccionados, sin embargo cuando el nmero de factores
se ve incrementado, las posibles interacciones aumentan, as como la
complicaciones para identificar cules son las condiciones especficas a
experimentar.
Un arreglo ortogonal se puede comparar con una replicacin factorial
fraccionada, de manera que conserva el concepto de ortogonalidad y
contrastes. Un experimento factorial fraccionado es tambin un arreglo
ortogonal. Taguchi desarroll una serie de arreglos particulares que
denomin:
Pgina 193
La (b)
C
a = Representa el nmero de pruebas o condiciones experimentales que se
tomarn. Esto es el nmero de renglones o lneas en el arreglo.
b = Representa los diferentes niveles a los que se tomar cada factor
c = Es el nmero de efectos
independientes que se pueden analizar,
esto es el nmero de columnas.
E%emplo@ Un diseo 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
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
a dos niveles:
Pgina 194
F A C T O R E S (c)
No. (a) A B C Resultado
1 1 1 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.
Dise?o
3Umero de condiciones
e>perimentalesHrenglonesJ
lineas o pruebas
3Umero de 2a,tores o efectos
ma>imo ?ue se pueden anali(ar '
nUmero de columnas
$4 + )
$@ 8 7
$12 12 11
$1A 15 12
$32 )2 )1
$A4 5+ 5)
E%emplo@
En un proceso de formacin de paneles, una caracterstica no deseada es la
emisin de formaldehdo en el producto final. Se cree que 5 factores pueden
estar afectando la emisin, stos son:
Se desea analizar el efecto de cada factor y proponer las mejores condiciones
de operacin.
En este caso estamos interesados en analizar el efecto de 5 factores o efectos,
a dos niveles cada uno. Por lo tanto, se utilizar un arreglo ortogonal L8.
Se ejecutarn por lo tanto 8 pruebas o condiciones experimentales, A qu
columna especficamente se asignar cada factor?, en estos casos se pueden
asignar a cualquier columna, aunque se recomienda que aquellos factores que
en la practica sea ms difcil de variar de nivel continuamente, sean los que se
asigne a las primeras columnas.
El arreglo L8 y su descripcin para este caso se muestra a continuacin:
Pgina 195
Factor Descripcin NiCel B NiCel 2
A Tipo de resina Tipo Tipo
B Concentracin 5% 10%
C Tiempo de ciclo de prensado 10 seg 15 seg
D Humedad 3% 5%
E Presin 800 psi. 900 psi.
No. / & C D E e e 2esina Concen. ;iempo 5umedad Presin <i
1 1 1 1 1 1 1 1 Tipo 5% 10 seg. 3% 800 psi. 0.49
2 1 1 1 2 2 2 2 Tipo 5% 10 seg. 5% 900 psi. 0.42
3 1 2 2 1 1 2 2 Tipo 10% 15 seg. 3% 800 psi. 0.38
4 1 2 2 2 2 1 1 Tipo 10% 15 seg. 5% 900 psi. 0.30
5 2 1 2 1 2 1 2 Tipo 5% 15 seg. 3% 900 psi. 0.21
6 2 1 2 2 1 2 1 Tipo 5% 15 seg. 5% 800 psi. 0.24
7 2 2 1 1 2 2 1 Tipo 10% 10 seg. 3% 900 psi. 0.32
8 2 2 1 2 1 1 2 Tipo 10% 10 seg. 5% 800 psi. 0.28
Observe que los factores Resina, concentracin, tiempo, humedad y presin
fueron asignados en orden a las columnas A, B, C, D, y E. En las columnas
restantes, F y G no se asign ningn factor y nos servirn para tener una
estimacin del error aleatorio. Esto se explica porque con ocho observaciones
tenemos siete grados de libertad, como estamos interesados nicamente en
cinco factores quedan dos grados de libertad para el error aleatorio. El
anlisis 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 asign 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.
Pgina 196
La tabla ANOVA es:
* 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 especficamente la suma de cuadrados del
promedio o media. El error total es la suma de cuadrados total corregida por
el factor de correccin.
Se acostumbra que aquellos efectos que no resultaron significantes, se
consideren como error aleatorio a fin de obtener una mejor estimacin del
error aleatorio, (con mayor nmero de grados de libertad).
En ste caso, por ejemplo, la estimacin 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 crtico de tablas es F 0.05 (1,5) = 6.607877
Las estimaciones que se obtienen de esta forma se suelen escribir entre
parntesis.
Pgina 197
E-ecto SS F.>. 1 Fe9p. S 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
Fc para el factor (A) = 23.66 y Fc para el factor (C) = 11.72, comparando
ambos contra Fcrtico = 6.6, continan siendo significativos los factores A y C.
Los promedios de la emisin de Formaldehdo para cada nivel son:
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
S nicamente los factores A y C son significativos, estos factores debern
fijarse al nivel que minimice la emisin de Formaldehdo, esto es A2 y C2;
resina tipo II y 15 segundos como tiempo de prensado. El resto de los
factores se fijar a su nivel ms econmico, ya que no afectan la
caracterstica de calidad dentro del intervalo analizado
Cul ser el nivel esperado de emisin?, 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
Pgina 198
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
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 mltiples:
Error Primario (e1): Error que existe entre las diferentes condiciones de
experimentacin, aparte del efecto de los factores en si. Es decir lo que hace
diferentes a las lecturas bajo diferentes condiciones de experimentacin.
Error Secundario (e2): Aquel que hace diferentes las lecturas tomadas bajo
una misma condicin experimental. Cuando se toma una lectura no es posible
evaluar el error secundario.
Pgina 199
El diseMo de e8clas
35
Este procedimiento permite disear y crear un experimento para manejar
situaciones donde los componentes se mezclan para formar una combinacin
qumica. Se puede utilizar el diseo "simplex-lattice" cuando los datos se
encuentran distribuidos regularmente sobre una regin de superficie de
respuesta y el diseo "simplex-centroid" cuando los valores de los datos se
distribuyen alrededor del centro de la regin de superficie de respuesta.
Todos los diseos incluyen estimaciones de modelos lineales, cuadrticas,
cbicas, cbicas especiales y gran cantidad de grficos para visualizar los
resultados.
Caractersticas:
Los factores independientes son proporciones de diferentes componentes
de una mezcla.
Cuando las proporciones tienen la restriccin de sumar la unidad se pueden
utilizar modelos de estructura Simplex o Simplex con centroide.
Cuando adems algunos componentes tienen la restriccin adicional de
tener un valor mximo o mnimo los modelos a utilizar son los de Vrtices
extremos.
Un diseo de estructura Simplex para q componentes cuya proporcin
puede tomar los niveles m+1 igualmente espaciados entre 0 y 1.
Xi = 0, 1/m, 2/m, ...., 1 para i = 1, 2, ..., q
)2
,lase de $ise1o de B>perimentos $r. .rimitivo -e'es
Pgina 200
E%emplo@
Para una mezcla de q = 3 componentes donde el nmero de niveles
igualmente espaciados para cada componente es m + 1 = 4 (X1 = 0, 0.333,
0.666, 1)
Las mezclas posibles con los 3 componentes es:
Las ecuaciones de la restriccin y del modelo lineal son:

E%emplo@
Se tienen 3 componentes y m = 2 niveles, X1 = polietileno, X2 = poliestireno,
X3 = polipropileno mezclados para formar fibras, de las cuales se mide la
elongacin en dos rplicas, el arreglo sera:
Pgina 201
Rendimiento
D1 D2 D"
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
1 2 )
1
H 1JV
VH 1JV
1
H J
:
i i
i
: m
$untos
m :
X X X
6 ' X
=
+
=
+ + =
=

Utilizando el Minitab, tenemos:
Mnta%: Regre""on &or M'ture": Re"# $er"u" A, B, C
6+t. Regre++ion Coefficient+ for Re+p (component proportion+)
Term Coef S6 Coef T ( V92
4 %%.70 0.4"4% / / %.00
: ".40 0.4"4% / / %.00
C %&.40 0.4"4% / / %.00
4/: %7.40 #.4#07 7.%" 0.000 %.00
4/C %#.00 #.4#07 4."& 0.00! %.00
:/C )%#.#0 #.4#07 ).04 0.00# %.00
S , 0.&"88% (R6SS , %%.7#0
R)S7 , "7.44% R)S7(pre') , 8".78% R-S()ad*+ , -./012
La ecuacin del modelos sera:
G E 11.&Z1^D.4Z2^1!.4Z3 ^ 1&.4Z1Z2 ^ 12Z1Z3 L12.2 Z2Z3
Como b3 > b1 > b2 se concluye que el componente 3 produce la mayor
elongacin
Como b12 y b13 son positivos la mezcla de componentes 1 y 2 as como
2 y 3 aumenta la elongacin
Como b23 es negativo la mezcla de los componentes 2 y 3 tiene efectos
antagnicos en la mezcla
Pgina 202
D1 D2 D" 2endimiento
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
$.$ 3todos de Superficies de *espuesta
La tcnica de superficies de respuesta se ha utilizado principalmente en las
industrias de proceso y qumicas, donde despus de realizar un diseo 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 optimizacin, si las variables de control son dos o tres
cuantitativas, se puede optimizar el proceso.
El mtodo de superficie de respuesta es un conjunto de tcnicas con el objeto
de:
Preparar una serie de experimentos que proporcionen una medicin
adecuada y confiable de la respuesta de inters.
Determinar un modelo matemtico que mejor ajuste los datos
colectados del diseo seleccionado en (1), realizando pruebas de
hiptesis apropiadas en relacin con los parmetros del modelo, y
Determinar el ajuste ptimo de los factores experimentales que
produzcan el valor mximo o mnimo de la respuesta.
Para evaluar el efecto de ciertos factores en el comportamiento de una
variable de respuesta medible, se utiliza la regresin, la cual ayuda a
establecer una relacin emprica 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.
Pgina 203
Figura $.3 Modelos de polinomios, (a) lnea recta,
1 1 #
X + =
y (b) parbola
1 1 #
X + =
La funcin de la respuesta de prediccin Y-gorro est en funcin de los
parmetros estimados b0, b1, b2, etc., establecindose como sigue:
W
2 2 1 1 #
X 7 X 7 7 ' + + =
La superficie de respuesta est representada por la ecuacin de prediccin,
por ejemplo para el caso de una ecuacin de segundo orden se tiene:
2
2
2
1 2 1 2 1
W
78 . # :+ . 1 27 . # 25 . # :# . # 82 . 1) x x x x x x ' + =
donde las xs son variables codificadas. Con k factores la superficie de
respuesta es un subconjunto de un espacio euclidiano de (k + 1) dimensiones.
Pgina 204

La representacin del contorno de una superficie de respuesta son las lneas o
curvas de respuesta constante en funcin de las variables de entrada Xs.
La regin de operacin es el espacio factorial donde se realizan los
experimentos y la regin experimental de inters R representa una parte
limitada de la anterior.
$.! Entrega,les@
Filtrar Causas Potenciales
o Verificar las xs vitales
Relacionar Variables y Proponer soluciones
o Generar una funcin de transferencia para optimizar los cambios
de las xs crticas
o Proponer la solucin
o Refinar la solucin
Establecer y probar las Tolerancias
o Establecer las tolerancias operativas para las xs vitales.
La ltima fase, control, consiste en disear 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 misin se d por finalizada, el equipo informa a la
direccin y se disuelve.
Pgina 205
C/PB;T>8 ) F/SE DE C8N;28>
).1 Bntroduccin
Una vez implementadas las mejoras en nuestro proceso, el ltimo paso es asegurar que
las implementaciones se mantengan y estn siendo actualizadas a travs del tiempo,
nuestras salidas sern:
Plan de control y mtodos de control implementados
Capacitacin en los nuevos mtodos
Documentacin completa y comunicacin de resultados, lecciones aprendidas y
recomendaciones
Pgina 206

Figura ).1 Herramientas en la Fase de Control
Mantener las mejoras por medio de control estadstico de procesos, Poka Yokes y
trabajo estandarizado
Anticipar mejoras futuras y preservar las lecciones aprendidas de este esfuerzo
Uso de las herramientas de control.
Verificar que las implementaciones se sigan y estn bajo control.
dentificar las actividades o procesos que estn fuera de control para corregirlos
inmediatamente.
Que las mejoras sean implementadas consistentemente para tener un adecuado
control.
Los proyectos Si$%Sigma se van actualizando constantemente. En la siguiente grfica
observamos que la metodologa es cclica, tambin se puede regresar de una fase a
otra, en caso de no haber obtenido la informacin necesaria, pero lo que no est
permitido es saltar fases.
Pgina 207
DMAC
DMAC
Definir
Definir
Medir
Medir
Analizar
Analizar
Mejorar
Mejorar
1. Mapa de Proceso
2. Despliegue de la
Funcin de Calidad
(FD!
". Modelo #ano
%. &enc'mar(in
1. Mapa de Proceso
2. Despliegue de la
Funcin de Calidad
(FD!
". Modelo #ano
%. &enc'mar(in
de Procesos
E-ecto
%. Diagrama de
/-inidad
). M0todos de
Muestreo
Estadstico
J. Capacidad del
Sistema de Medicin
L. Capacidad del
Proceso
de Procesos
E-ecto
%. Diagrama de
/-inidad
). M0todos de
Muestreo
Estadstico
J. Capacidad del
Sistema de Medicin
L. Capacidad del
Proceso
1. /MEF
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
%. Pruebas de
5iptesis
(/N81/!
1. /MEF
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
%. Pruebas de
5iptesis
(/N81/!
1. /n6lisis de
E9perimentos (D8E!
2. Dise:o Factorial 2#
". Dise:o Fraccin
Factorial
$. Dise:o ;aguc'i
). M0todos de
Super-icie de
2espuesta
1. /n6lisis de
E9perimentos (D8E!
". Dise:o Fraccin
Factorial
$. Dise:o ;aguc'i
). M0todos de
Super-icie de
2espuesta
1. Plan de Control
". Po(a <o(e
$. Me=ora continua
(#ai7en!
%. >as % S?s
). #anban
1. Plan de Control
". Po(a <o(e
$. Me=ora continua
(#ai7en!
%. >as % S?s
). #anban
DMAC
DMAC
Definir
Definir
Medir
Medir
Analizar
Analizar
Mejorar
Mejorar
1. Mapa de Proceso
2. Despliegue de la
Funcin de Calidad
(FD!
". Modelo #ano
%. &enc'mar(in
1. Mapa de Proceso
2. Despliegue de la
Funcin de Calidad
(FD!
". Modelo #ano
%. &enc'mar(in
de Procesos
E-ecto
%. Diagrama de
/-inidad
). M0todos de
Muestreo
Estadstico
J. Capacidad del
Sistema de Medicin
L. Capacidad del
Proceso
de Procesos
E-ecto
%. Diagrama de
/-inidad
). M0todos de
Muestreo
Estadstico
J. Capacidad del
Sistema de Medicin
L. Capacidad del
Proceso
1. /MEF
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
%. Pruebas de
5iptesis
(/N81/!
1. /MEF
". Correlacin
$. 2egresin lineal
Simple 3 lineal
M4ltiple
%. Pruebas de
5iptesis
(/N81/!
1. /n6lisis de
E9perimentos (D8E!
". Dise:o Fraccin
Factorial
$. Dise:o ;aguc'i
). M0todos de
Super-icie de
2espuesta
1. /n6lisis de
E9perimentos (D8E!
". Dise:o Fraccin
Factorial
$. Dise:o ;aguc'i
). M0todos de
Super-icie de
2espuesta
1. Plan de Control
". Po(a <o(e
$. Me=ora continua
(#ai7en!
%. >as % S?s
). #anban
1. Plan de Control
". Po(a <o(e
$. Me=ora continua
(#ai7en!
%. >as % S?s
). #anban
Figura ).2 Metodologa cclica
).2 Etapas de la -ase de control
Las etapas de esta fase son las siguientes:
1alidar el sistema de medicin.
En la Fase de Medicin validamos el sistema de medicin para las Y's, en este punto
se utiliza la misma metodologa, con la diferencia de que ahora mediremos las Xs del
proceso, el plan ser validado para las X's
)." Determinar la capacidad del proceso.
La capacidad del proceso solo tiene sentido cuando el proceso est bajo control.
Pgina 208

Control de Proceso 3 Capacidad del Proceso
dentificacin de los casos:
Figura )." Diferentes casos de control de proceso
).$ Bmplementar el sistema de control
36
.
Los procesos tienden a degradarse con el tiempo, por lo que es de gran importancia la
implementacin de un plan de control para cada Xs, para establecer el pan es necesario
)5
I/BSM #iplomado ,lac* ,elt
Pgina 209

tener procesos y procedimientos documentados y entrenar al personal que llevar 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 Medicin)
Tn plan de control es*
Un resumen de todas las actividades de control para el proceso.
Un mtodo 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. UCu6l es el puntoV
La intencin del proceso de control es:
Correr el proceso en el objetivo
Minimizar la variacin sobre el objetivo
Minimizar los ajustes requeridos y el sobre-control
SEMPRE conocer los requerimientos del cliente
El propsito del plan de control es:
nstitucionalizar las mejoras del proceso
Destacar reas que requieren educacin extra
Proveer procedimientos de un slo paso para el control de la informacin
Desarrollo de un plan de control del proceso
Entradas para el plan de control:
Mapa de proceso final
AMEF
Pgina 210
Documentacin del proceso
Requerimientos del cliente
Capacidades de T
ASM's
Estudios de capacidad
Mantenimiento de procedimientos
Materiales de entrenamiento
Guas de solucin de problemas
Calendarios de Calibracin
Ventanas de operacin
Planes de accin fuera de control
Bdenti-icacin del proceso
Paso del proceso:
Del mapa de proceso. Mantener coherencia en nombres con el mapa de proceso,
AMEF, etc.
Slo Alto riego, pasos crticos del proceso.
Qu est controlado?
Nombre de la entrada o la salida.
Entrada o Salida? Especificar
nicialmente, el plan debe tener ms controles en las salidas que en las entradas.
Las metas son para el control de la entrada, no el monitoreo de la salida
Especi-icaciones 3 Medicin
Lmites de Especificacin / requerimientos
Listar el objetivo y las tolerancias para cada entrada y salida crtica
Mtodo de Medicin
Qu proceso o mquina hace la medicin?
Pgina 211
Mtodo de Control
Qu mtodo se utiliza para el control? SPC? SPM?
Automatizacin? Pre-control? Aislar el error? (Ms en el mdulo siguiente)
;ama:o+ Frecuencia 3 2esponsabilidad
Tamao de muestra
Seleccionar el tamao de muestra sobre la base del sistema de medicin y
capacidad del proceso
Frecuencia de la muestra
Seleccionar la frecuencia basada en el sistema de medicin, capacidad del
proceso y requerimientos de la operacin
Quin / qu hace la medicin?
Quin es responsable de asegurar que los datos se tomen y que sean correctos?
/ccin 3 Documentacin
Dnde se registra?
Dnde residen los datos? Bases de datos, grficas, ambas?
Regla de decisin / Accin correctiva
Qu pasa cuando el proceso est fuera de control?
Pgina 212
Figura ).$ Ejemplo de un plan de Control
).% Cartas de Control
"J
Las cartas de control son la herramienta ms poderosa para monitorear y analizar la
variacin en la mayora de los procesos.
Las cartas de control enfocan la atencin hacia las causas especiales de variacin
cuando estas aparecen y reflejan la magnitud de la variacin debida a las causas
comunes, manteniendo las soluciones.
Las causas comunes o aleatorias se deben a la variacin natural del proceso.
Las causas especiales o asignables son por ejemplo: un mal ajuste de mquina, errores
del operador, defectos en materias primas.
Un proceso est bajo Control Estadstico cuando presenta causas comunes nicamente,
con un proceso estable y predecible.
Cuando existen causas especiales el proceso est fuera de Control Estadstico; 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 Mue una Carta de Control es*
Simplemente un registro de datos en el tiempo con lmites de control superior e
inferior.
Una carta de control identifica los datos secuenciales en patrones normales y
anormales.
El patrn normal de un proceso se llama causas de variacin comunes.
El patrn anormal debido a eventos especiales se llama causa especial de
variacin.
Tener presente que los lmites de control NO son lmites de especificacin.
)7
Pgina 213
1enta=as*
Es una herramienta simple y efectiva para lograr un control estadstico.
El operario puede manejar las cartas en su propia rea de trabajo, por lo cual
puede dar informacin confiable a la gente cercana a la operacin en el momento
en que se deben de tomar ciertas acciones.
Cuando un proceso est en control estadstico puede predecirse su desempeo
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 estadstico, su comportamiento
puede ser mejorado posteriormente reduciendo la variacin.
Al distinguir ente las causas especiales y las causas comunes de variacin, dan
una buena indicacin de cundo un problema debe ser corregido localmente y
cuando se requiere de una accin en la que deben de participar varios
departamentos o niveles de la organizacin.
Cartas de control por variables 3 por atributos.,
En Control de Calidad mediante el trmino variable se designa a cualquier caracterstica
de calidad "medible tal como una longitud, peso, temperatura, etc. Mientras que se
denomina atributo a las caractersticas de calidad que no son medibles y que presentan
diferentes estados tales como conforme y disconforme o defectuoso y no defectuoso.
Segn sea el tipo de la caracterstica de calidad a controlar as ser la carta de control
correspondiente, por tanto, se clasifican en Cartas de Control por Variables y Cartas de
Control por Atributos.
Pgina 214
Comparacin de las cartas de control por Cariables Cs. atributos
Cartas de Control por
1/2B/&>ES
Cartas de control por
/;2B&T;8S
1enta=as
significativas
Conducen a un mejor procedimiento
de control.
Proporcionan una utilizacin mxima
de la informacin disponible de datos.
Son potencialmente aplicables a
cualquier proceso
Los datos estn a menudo disponibles.
Son rpidos y simples de obtener.
Son fciles de interpretar.
Son frecuentemente usados en los
informes a la Gerencia.
Ms econmicas
DesCenta=as
significativas
No se entienden a menos que se de
capacitacin; puede causar confusin
entre los limites de especificacin y
los lmites de tolerancia.
No proporciona informacin detallada
del control de caractersticas
individuales.
No reconoce distintos grados de
defectos en las unidades de producto.
Campos de aplicacin de las cartas
;ipo Carta Descripcin Campo de aplicacin.
1ariables
( X
Medias y Rangos Control de caractersticas individuales.
S X
Medias y desviacin
estndar.
Control de caractersticas individuales.
-MR ndividuales Control de un proceso con datos variables que no
pueden ser muestreados en lotes o grupos.
/tributos
P Proporciones o fraccin
defectiva
Control de la fraccin global de defectuosos de un
proceso.
NP Nmero de defectuosos Control del nmero de piezas defectuosas
C Defectos por unidad Control de nmero global de defectos por unidad
U Promedio de defectos por
unidad
Control del promedio de defectos por unidad.
Pgina 215
Elaboracin de Cartas de control ( X (Cariables!
Paso 1* Colectar los datos.
Los datos son el resultado de la medicin de las caractersticas 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 medicin (se recomienda tomar 5). Tambin pueden ser tomadas en
intervalos de tiempo de - 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
para cada subgrupo
%
X X X
X
%
....
2 1
+
=

menor ma!or
X X ( =
Paso "* Calcule el rango promedio
( ) (
3 el promedio del proceso
( ) X
.
;
( ( (
(
;
......
2 1
+ +
=
;
X X X
X
;
.......
2 1
+ +
=
Donde K es el nmero de subgrupos, R1,R2..es el rango de cada subgrupo; .... 2 1
4 X X
son
el promedio de cada subgrupo.
Paso $* Calcule los limites de control
Los lmites de control son calculados para determinar la variacin de cada subgrupo,
estn basados en el tamao de los subgrupos y se calculan de la siguiente forma:
( # LS-
( +
= ( A X LS-
X 2
+ =

( A X LI-
X 2
=
Pgina 216
( # LI-
( )
=
Donde D4, D3, A2 son constantes que varan segn el tamao de muestra. A continuacin
se presentan los valores de dichas constantes para tamaos de muestra de 2 a 10.
n 2 " $ % ) J K L 1N
D$
3.27 2.57 2.28 2.11 2.00 1.92 1.86 1.82 1.78
D"
0 0 0 0 0 0.08 0.14 0.18 0.22
/2
1.88 1.02 0.73 0.58 0.48 0.42 0.37 0.34 0.31
Paso %* Seleccione la escala para las gr6-icas de control
Para la grfica X la amplitud de valores en la escala debe de ser al menos del tamao
de los lmites de tolerancia especificados o dos veces el rango promedio
( ) (
.
Para la grfica R la amplitud debe extenderse desde un valor cero hasta un valor
superior equivalente a 1 - 2 veces el rango.
Paso )* ;race la carta de control
Dibuje las lneas de promedios y lmites de control en las grficas.
Los lmites de Control se dibujan con una lnea discontinua y los promedios con una lnea
continua para ambas cartas.
Marcar los puntos en ambas grficas y unirlos para visualizar de mejor manera el
comportamiento del proceso.
Paso J* /nalice la gr6-ica de control
Pgina 217
Figura ).% Patrones fuera de control
Pgina 218
Carta de BndiCiduales 3 rango mCil (Datos Cariables B,M2!.
A menudo esta carta se llama " 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 grfica es utilizada cuando las mediciones son muy costosas (Por
ejemplo Pruebas destructivas), o cuando la caracterstica a medir en cualquier punto
en el tiempo es relativamente homognea (por ejemplo el PH de una solucin
qumica)
La lnea central se basa en el promedio de los datos, y los lmites de control se basan
en la desviacin estndar (+/- 3 sigmas)
Terminologa

k = nmero de piezas
n = 2 para calcular los rangos
X = promedio de los datos
R = rango de un subgrupo de dos piezas consecutivas
( = promedio de los (n - 1) rangos
( 6 X LS-
X 2
+ =

( 6 X LI-
X 2
=
( # LS-
( +
=
( # LI-
( )
=
Donde D4, D3, E2 son constantes que varan segn el tamao de muestra usado para
agrupar los rangos mviles como se muestra en la tabla siguiente:
n 2 " $ % ) J K L 1N
D$
3.27 2.57 2.28 2.11 2.00 1.92 1.86 1.82 1.78
D"
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
Pgina 219
$.2 Cartas de control por atributos
Cualquier caracterstica 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, ser considerado como un atributo y para su control se utilizar una Carta de
Control por Atributos.
Los criterios de aceptacin al utilizar grficas de control por atributos deben estar
claramente definidos y el procedimiento para decidir si esos criterios se estn
alcanzando es producir resultados consistentes a travs del tiempo. Este procedimiento
consiste en definir operacionalmente lo que se desea medir. Una definicin operacional
consiste en:
1 . Un criterio que se aplica a un objeto o a un grupo
2. Una prueba del objeto o del grupo y
3. Una decisin, s o no: El objeto o el grupo alcanza o no el criterio.
Fr6-ica P para Fraccin de Tnidades De-ectuosas (atributos!
La grfica p mide la fraccin defectuosa o sea las piezas defectuosas en el proceso. Se
puede referir a muestras de 75 piezas, tomada dos veces por da; 100% de la produccin
durante una hora, etc. Se basa en la evaluacin de una caracterstica (se instalo la
pieza requerida?) o de muchas caractersticas (se encontr algo mal al verificar la
instalacin elctrica?). Es importante que cada componente o producto verificado se
registre como aceptable o defectuoso (aunque una pieza tenga varios defectos
especficos se registrar slo una vez como defectuosa).
Pasos para la elaboracin de la grfica:
Pgina 220
Paso 1, Frecuencia 3 tama:o de la muestra*
Establezca la frecuencia con la cual los datos sern tomados (horaria, diaria, semanal).
Los intervalos cortos entre tomas de muestras permitirn una rpida retroalimentacin al
proceso ante la presencia de problemas. Los tamaos de muestra grandes permiten
evaluaciones ms estables del desarrollo del proceso y son ms sensibles a pequeos
cambios en el promedio del mismo. Se aconseja tomar tamaos de muestra iguales
aunque no necesariamente se tiene que dar esta situacin, el tamao de muestra
debera de ser mayor a 30. El tamao de los subgrupos ser de 25 o ms.
Paso 2, Calculo de la -raccin de-ectuosa (p! del subgrupo*
Registre la siguiente informacin para cada subgrupo:
El nmero de partes inspeccionadas n
El nmero de partes defectuosas np
Calcule la fraccin defectuosa (p) mediante:
n
np
p =
La fraccin defectuosa promedio para los k subgrupos se calcula con la siguiente
frmula:
*
*
n n n
np np np
p
+ + +
+ + +
=
.....
....
2 1
2 1
n
p p
p LS-
p
J 1 H
)

+ =
n
p p
p LI-
p
J 1 H
)

=
donde n es el tamao de muestra promedio. NOTA: Cuando
p
y/o n es pequeo, el
lmite de control inferior puede resultar negativo, en estos casos el valor del lmite ser =
0
Paso $, ;race la Carta 3 analice los resultados.
Pgina 221
Paso " A Calculo de -raccin de-ectuosa promedio 3
lmites de control
).) DispositiCos a Prueba de Error o Po(a <o(es
"K
Poka-yoke es una tcnica de calidad desarrollada por el ingeniero japons Shigeo
Shingo en los aos 1960s, 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 lnea de
produccin, entonces la calidad ser alta y el retrabajo poco. Esto aumenta la
satisfaccin 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 tambin simples.
Los sistemas Poka-yoke implican el llevar a cabo el 100% de inspeccin, as como,
retroalimentacin y accin inmediata cuando los defectos o errores ocurren. Este
enfoque resuelve los problemas de la vieja creencia que el 100% de la inspeccin toma
mucho tiempo y trabajo, por lo que tiene un costo muy alto.
La prctica del sistema Poka-yoke se realiza ms frecuentemente en la comunidad
manufacturera para enriquecer la calidad de sus productos previniendo errores en la
lnea de produccin.
Un sistema Poka-Yoke posee dos funciones: una es la de hacer la inspeccin del 100%
de las partes producidas, y la segunda es si ocurren anormalidades puede dar
retoalimentacin y accin correctiva. Los efectos del mtodo Poka-Yoke en reducir
defectos va a depender en el tipo de inspeccin que se este llevando a cabo, ya sea: en
el inicio de la lnea, auto-chequeo, o chequeo continuo.
)8
I/BSM .erramientas de 1anu+actura
Pgina 222
Los efectos de un sistema poka-yoke en la reduccin de defectos varan dependiendo
del tipo de inspeccin.
Funciones reguladoras Po(a,3o(e
Existen dos funciones reguladoras para desarrollar sistemas Poka-Yoke:
1. M0todos de Control
Existen mtodos que cuando ocurren anormalidades apagan las mquinas o bloquean
los sistemas de operacin previniendo que siga ocurriendo el mismo defecto. Estos tipos
de mtodos tienen una funcin reguladora mucho ms 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 mtodos de control es necesario apagar la
mquina completamente, por ejemplo cuando son defectos aislados (no en serie) que se
pueden corregir despus, no es necesario apagar la maquinaria completamente, se
puede disear un mecanismo que permita "marcar" la pieza defectuosa, para su fcil
localizacin; y despus corregirla, evitando as tener que detener por completo la
mquina y continuar con el proceso.
2.M0todos de /dCertencia
Este tipo de mtodo advierte al trabajador de las anormalidades ocurridas, llamando su
atencin, mediante la activacin de una luz o sonido. Si el trabajador no se da cuenta de
la seal de advertencia, los defectos seguirn ocurriendo, por lo que este tipo de mtodo
tiene una funcin reguladora menos poderosa que la de mtodos de control.
En cualquier situacin los mtodos de control son por mucho ms efectivos que los
mtodos de advertencia, por lo que los de tipo control deben usarse tanto como sean
posibles. El uso de mtodos de advertencia se debe considerar cuando el impacto de las
Pgina 223
anormalidades sea mnimo, o cuando factores tcnicos y/o econmicos hagan la
implantacin de un mtodo de control una tarea extremadamente difcil.
Clasi-icacin de los m0todos Po(a,3o(e
1. Mtodos de contacto. Son mtodos 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. Mtodo de valor fijo. Con este mtodo, las anormalidades son detectadas por medio
de la inspeccin de un nmero especfico de movimientos, en casos donde las
operaciones deben de repetirse un nmero predeterminado de veces.
3. Mtodo del paso-movimiento. Estos son mtodos en el cual las anormalidades son
detectadas inspeccionando los errores en movimientos estndares donde las
operaciones son realizadas con movimientos predeterminados. Este extremadamente
efectivo mtodo tiene un amplio rango de aplicacin, y la posibilidad de su uso debe de
considerarse siempre que se este planeando la implementacin de un dispositivo Poka-
Yoke.
Medidores utili7ados en sistemas Po(a,<o(e*
Los tipos de medidores pueden dividirse en tres grupos:
Medidores de contacto
Medidores sin-contacto
Medidores de presin, temperatura, corriente elctrica, vibracin, nmero de
ciclos, conteo, y transmisin de informacin.
>as caractersticas principales de un buen sistema Po(a,<o(e*
Pgina 224
Son simples y baratos.
Son parte del proceso.
Son puestos cerca o en el lugar donde ocurre el error.
).J Me=ora Continua,#ai7en
"L
Qu significado tiene la palabra Kaizen? Es una palabra japonesa compuesta por otras
dos palabras, una KA que significa "cambio y la otra ZEN que significa "bueno, lo que
implica que KAZEN signifique "cambio para mejorar y, como dicho cambio para mejorar
es algo que continuamente debe buscarse y realizarse el significado termina siendo
"mejora continua.
Caractersticas del Kaizen:
Por otra parte, KAZEN significa un esfuerzo constante no slo para mantener los
estndares sino para mejorarlos.
Otra caracterstica de KAZEN es que requiere virtualmente los esfuerzos de
todos. Para que el espritu de KAZEN sobreviva, la administracin debe hacer un
esfuerzo consciente y continuo para apoyarlo. KAZEN se interesa ms en el
proceso que en el resultado.
KAZEN requiere una dedicacin sustancial de tiempo y esfuerzo por parte de la
administracin.
KAZEN est orientado a las personas, en tanto que la nnovacin est orientada
a la tecnologa y al dinero.
La filosofa de KAZEN est mejor adaptada a una economa de crecimiento lento,
en tanto que la nnovacin est mejor adaptada a una economa de crecimiento
rpido.
En una economa de crecimiento lento, caracterizada por costos elevados de
energa y materiales, sobrecapacidad y mercados estancados, con frecuencia
):
Imai Masaaki ;ai9en la clave de la venta0a competitiva 0aponesa
Pgina 225
KAZEN rinde mejores resultados que la nnovacin.
Otro factor que ha propiciado el enfoque de la nnovacin ha sido el creciente
nfasis en los controles financieros y en la contabilidad, que obligan a los gerentes
a dar cuenta de toda accin que emprendan y detallar los resultados precisos. Tal
sistema no se presta a formar un entorno favorable par el mejoramiento.
El mejoramiento es por definicin, lento, gradual, a menudo invisible, con efectos
que se sienten a largo plazo.
Occidente ha sido ms fuerte en el lado de la nnovacin y Japn ms fuerte en el
lado de KAZEN. Estas diferencias en el nfasis tambin estn reflejadas en las
diferentes herencias sociales y culturales, tales como el nfasis que se da al
sistema educativo occidental sobre la iniciativa y creatividad individuales contra el
nfasis que pone el sistema educativo japons en la armona y colectivismo.
1enta=as 3 bene-icios del #ai7en
$N

El Kaizen es un sistema de mejora continua e integral que comprende todos los
elementos, componentes, procesos, actividades, productos e individuos de una
organizacin. No importa a que actividad se dedique la organizacin, si es privada o
pblica, y si persigue o no beneficios econmicos, siempre debe mejorar su performance
a los efectos de hacer un mejor y ms eficiente uso de los escasos recursos, logrando de
tal forma satisfacer la mayor cantidad de objetivos posibles. Mucho ms es necesario la
mejora continua cuando se trata de actividades plenamente competitivas, se trate de lo
econmico, en lo deportivo, o en cualquier otro orden.
La mejora continua es no slo necesario, sino adems una obligacin permanente del
ser humano para consigo mismo y la sociedad. La mejora continua hace a la cultura,
tica 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 va crculos de calidad, sistemas de produccin just-in-time,
+#
Lefcovich Mauricio ;ai9en<=anta0as ! ,enen+icios
Pgina 226
mantenimiento productivo total, tablas de costes, sistema de sugerencias, y mtodos
rpidos de preparacin de mquinas-herramientas; logrando sorprendentes e
importantes resultados.
De lo que se trata es de adecuar las diferentes herramientas, instrumentos y mtodos
que hacen al kaizen, a las caractersticas de cada empresa y cultura. Es en ste
particular aspecto donde el Desarrollo Organizacin cobra como tcnica y disciplina un
incuestionable y gran valor, permitiendo evaluar las caractersticas socio-culturales
propias de cada empresa, ajustando los diversos sistemas productivos a las
caractersticas de las mismas, como as tambin facilitando el reacomodamiento y
cambio psico-social por parte de los integrantes de la organizacin.
A la hora de inventariar las ventajas y beneficios en la implementacin y puesta en
prctica del sistema kaizen cabe apuntar las siguientes:
Reduccin de inventarios, productos en proceso y terminados.
Disminucin en la cantidad de accidentes.
Reduccin en fallas de los equipos y herramientas.
Reduccin en los tiempos de preparacin de maquinarias.
Aumento en los niveles de satisfaccin de los clientes y consumidores.
ncremento en los niveles de rotacin de inventarios.
mportante cada en los niveles de fallas y errores.
Mejoramiento en la autoestima y motivacin del personal.
Altos incrementos en materia de productividad.
mportante reduccin en los costes.
Mejoramiento en los diseos 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 as tambin en los niveles de polucin ambiental, entre otros.
Notables reducciones en los ciclos de diseo y operativos.
Pgina 227
mportantes cadas en los tiempos de respuestas.
Mejoramiento en los flujos de efectivo.
Menor rotacin de clientes y empleados.
Mayor y mejor equilibrio econmico-financiero. Lo cual trae como consecuencia
una mayor solidez econmica.
Ventaja estratgica en relacin a los competidores, al sumar de forma continua
mejoras en los procesos, productos y servicios. Mediante la mejora de costos,
calidad, diseo, tiempos de respuesta y servicios a los consumidores.
Acumulacin de conocimientos y experiencias aplicables a los procesos
organizacionales.
Derribar las barreras o muros interiores, permitiendo con ello un potente y
autntico trabajo en equipo.
Estas son razones suficientes para pensar seriamente en aplicar el kaizen en las
organizaciones. No hacerlo privar a sus propietarios, directivos, personal, clientes y a la
sociedad en su conjunto, de las ventajas de generar autnticos y slidos puestos de
trabajo que permitan generar productos con valor agregado, calidad de vida laboral, altos
rendimientos sobre la inversin, ms y mejores productos y servicios, y menores niveles
de desperdicios.
La mejora continua es lo que permite al mundo gozar cada da de mejores productos,
mejores comunicaciones, mejores medicamentos, entre muchsimas otras cosas. Hay
empresas, sociedades, gobiernos y pases que aceptan el reto, y otras que slo se
limitan a ver como otros mejoran. La mejora continua es compromiso con el
conocimiento, la calidad y la productividad. Requiere de tica y disciplina, como de
planes estratgicos que permitan lograr mejoras graduales, continuas e integrales. En
una era del conocimiento como lo es sta Tercer Ola pasarn a ocupar los primeros
lugares aquellos individuos, organizaciones, y sociedades que hagan del conocimiento y
perfeccionamiento sistemtico su objetivo prioritario.
Pgina 228
).K >as % S?s
$1
Qu significan las 5Ss ?
Seiri: clasificar, organizar, arreglar apropiadamente
Seiton: orden
Seiso: limpieza
Seiketsu: limpieza estandarizada
Shitsuke: disciplina
Seiri: eliminar:
Consiste en retirar del rea de trabajo todos aquellos elementos que no son necesarios
para realizar la labor. No hay que pensar en que este o aquel elemento podra ser til en
otro trabajo o si se presenta una situacin muy especial, los expertos recomiendan que
ante estas dudas hay que desechar dichos elementos.
Seiton: Ordenar:
Es la organizacin de los elementos necesarios de modo que resulten de fcil uso y
acceso, los cuales debern estar, cada uno, etiquetados para que se encuentren, retiren
y devuelvan a su posicin, fcilmente por los empleados. Se deben usar reglas
sencillas como: lo que ms se usa debe estar ms cerca, lo ms pesado abajo lo liviano
arriba, etc.
Seiso: Limpiar:
ncluye, adems de la actividad de limpiar las reas de trabajo y los equipos, el diseo de
aplicaciones que permitan evitar o disminuir la suciedad y hacer ms seguros los
ambientes de trabajo. A travs de la limpieza se pueden identificar fallas, por ejemplo, si
todo est limpio y sin olores extraos es ms probable que se detecte un principio de
incendio o un malfuncionamiento de un equipo por una fuga de fluidos, etc.
+1
/BM ,onsulting Oroup Instructores ;ai9en
Pgina 229
Seiketsu: Estandarizar:
Esta prctica pretende mantener el estado de limpieza y organizacin alcanzado con la
aplicacin 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 disean mecanismos que les
permitan beneficiarse a s 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 podr disfrutar de los beneficios que ellos brindan.
Como un aspecto preliminar al esfuerzo de las 5 S, debe asignarse un tiempo para
analizar la filosofa implcita en las 5 S y sus beneficios:
Creando ambientes de trabajo limpios, higinicos, agradables y seguros.
Revitalizando el gemba (campo/piso de trabajo) y mejorando sustancialmente el
estado de nimo, la moral y la motivacin de los empleados.
Eliminando las diversas clases de mudas (desperdicios), minimizando la
necesidad de buscar herramientas, haciendo ms fcil el trabajo de los
operadores, reduciendo el trabajo fsicamente agotador y liberando espacio.
Beneficios de la aplicacin de manera constante de las 5 Ss:
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, lneas desbalanceadas, averas en las mquinas y demoras de
Pgina 230
entrega.
Resuelve de manera simple problemas de logstica en el gemba.
Hace visible los problemas de calidad.
Mejora la eficiencia en el trabajo y reduce los costos de operacin
Reduce los accidentes y enfermedades de trabajo
Mejora la relacin de la empresa con los consumidores y la comunidad.
).L El #anban
$2
Es muy comn la asociacin de Kanban = JT o Kanban = control de inventarios, esto no
es cierto, pero si esta relacionado con estos trminos, Kanban funcionara efectivamente
en combinacin con otros elementos de JT, tales como calendarizacin de produccin
mediante etiquetas, buena organizacin del rea de trabajo y flujo de la produccin.
Kanban es una herramienta basada en la manera de funcionar de los supermercados.
Kanban significa en japons "etiqueta de instruccin".
La etiqueta Kanban contiene informacin que sirve como orden de trabajo, esta es su
funcin principal, en otras palabras es un dispositivo de direccin automtico que nos da
informacin acerca de que se va a producir, en que cantidad, mediante que medios, y
como transportarlo.
Funciones de #anban
Son dos las funciones principales de Kanban: Control de la produccin y mejora de los
procesos.
1.- Por control de la produccin se entiende la integracin de los diferentes procesos y el
desarrollo de un sistema JT en la cual los materiales llegaran en el tiempo y cantidad
+2
I/BSM .erramientas de 1anu+actura
Pgina 231
requerida en las diferentes etapas de la fabrica y si es posible incluyendo a los
proveedores.
2.- Por la funcin de mejora de los procesos se entiende la facilitacin de mejora en las
diferentes actividades de la empresa mediante el uso de Kanban, esto se hace mediante
tcnicas ingenieriles (eliminacin de desperdicio, organizacin del rea de trabajo,
reduccin de set-up, utilizacin de maquinaria vs. utilizacin en base a demanda, manejo
de multiprocesos, poka-yoke, mecanismos a prueba de error, mantenimiento preventivo,
mantenimiento productivo total, etc.), reduccin de los niveles de inventario.
&6sicamente #anban nos serCir6 para lo siguiente*
Poder empezar cualquier operacin estndar en cualquier momento.
Dar instrucciones basados en las condiciones actuales del rea de trabajo.
Prevenir que se agregue trabajo innecesario a aquellas ordenes ya empezadas y
prevenir el exceso de papeleo innecesario.
Otra funcin 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 lograrn los
siguientes puntos:
Eliminacin de la sobreproduccin.
Prioridad en la produccin, el Kanban con mas importancia se pone primero que
los dems.
Se facilita el control del material.
Bmplementando #anban*
Es importante que el personal encargado de produccin, control de produccin y
compras comprenda como un sistema Kanban (JT), va a facilitar su trabajo y mejorar su
eficiencia mediante la reduccin de la supervisin directa.
Bsicamente los sistemas Kanban pueden aplicarse solamente en fabricas que
impliquen produccin repetitiva.
Pgina 232
Antes de implementar Kanban es necesario desarrollar una produccin "labeled/mixed
produccin schedule" para suavizar el flujo actual de material, esta deber ser practicada
en la lnea de ensamble final, si existe una fluctuacin muy grande en la integracin de
los procesos Kanban no funcionara y de los contrario se creara un desorden, tambin
tendrn que ser implementados sistemas de reduccin de setups, de produccin de lotes
pequeos, jidoka, control visual, poka-yoke, mantenimiento preventivo, etc. todo esto es
prerequisito para la introduccin Kanban.
Tambin se debern tomar en cuenta las siguientes consideraciones antes de
implementar kanban:
Determinar un sistemas de calendarizacin de produccin para ensambles finales
para desarrollar un sistemas de produccin mixto y etiquetado.
Se debe establecer una ruta de kanban que refleje el flujo de materiales, esto
implica designar lugares para que no haya confusin 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 produccin de lotes pequeos.
Se debe tomar en cuenta que aquellos artculos de valor especial debern ser
tratados diferentes.
Se debe tener buena comunicacin desde el departamento de ventas a
produccin para aquellos artculos cclicos a temporada que requieren mucha
produccin, de manera que se avise con bastante anticipo.
El sistema kanban deber ser actualizado constantemente y mejorado
continuamente.
Pgina 233
Bmplementacin de (anban en cuatro -ases*
Fase 1. Entrenar a todo el personal en los principios de KANBAN, y los beneficios de
usar kanban
Fase 2. mplementar 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 lnea de produccin.
Fase 3. mplementar 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 rea.
Fase 4. Esta fase consiste de la revisin 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 Ningn trabajo debe ser hecho fuera de secuencia
o Si se encuentra algn problema notificar al supervisor inmediatamente
2eglas de #anban
Regla 1: no se debe mandar producto defectuoso a los procesos subsecuentes
Regla 2: los procesos subsecuentes requerirn solo lo que es necesario.
Regla 3. Producir solamente la cantidad exacta requerida por el proceso subsecuente.
Regla 4. Balancear la produccin
Regla 5. Kanban es un medio para evitar especulaciones
Regla 6. Estabilizar y racionalizar el proceso.
Pgina 234
).1N Entregables*
Validar Sistema de Medicin (x)
o Validar el Sistema de Medicin (mejorado)
o Determinar si el Sistema de Medicin es apropiado para obtener variables
X's Vitales
Determinar Capacidad del Proceso
o Evaluar la capacidad del Proceso mejorado
o Confirmar estadsticamente que la meta de mejora fue alcanzada
Sistema Control del Proceso y Cerrar Proy.
o mplementar la estrategia de control de cada variable Xs Vital
o Preparar el Plan de Control del Proceso
o mplantar la solucin
o Cerrar el Proyecto
Pgina 235
C"(I.05/ & (*/GEC./ DE SEIS SIA" O"IJEN
&.1 Introduccin
El seis sigma debe ser un proceso prctico y
activo con el que se logren resultados
concretos. Cuando Motorola empez a aplicarlo
en la dcada del los ochentas, buscaba corregir
los defectos de los productos antes de que
llegaran al cliente, hoy da los proyectos Seis
Sigma estn 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 stos fallen, reducindola a 3.4 defectos por milln de oportunidades.
Los proyectos seis sigma Kaizen pueden ser integrados con otros conceptos
como lo son los equipos de alto desempeo, ya que ambas metodologas se
complementan totalmente
/rigen ) sus significados
43
Seis Sigma
Motorola acu el termino Seis Sigma en los aos ochentas, pero el termino
fue un objetivo de desempeo y no el enfoque para alcanzar ese nivel de
desempeo, as Seis Sigma significa alcanzar 3.4 defectos por cada milln de
unidades procesadas. Fue al inicio de los noventa que el termino Seis Sigma
+)
.@re( ntonio Seis Sigma > ;ai9en........(ompiendo paradigmas
Pgina 236
$efinir
Medir
nali(ar Me*orar
Control
Definir
Medir
Anali(ar Me*orar
Controlar
comenz a ser empleado como un mtodo para implementar un modelo de
Mejora. Cuando esto ocurri el termino ya no se refera al objetivo (3.4 partes
por milln) y si a la serie de actividades para alcanzar la excelencia.
Oai8en
Como parte de un mtodo para lograr mejoras es usualmente entendido como
parte de Lean, de cualquier forma el trmino Kaizen es usado en dos formas:
la primera se refiere a la bsqueda de la perfeccin 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 trmino
se refiere a caminos especficos para lograr mejoras.
Estos mtodos que se han etiquetado como Kaizen son variados,
generalmente son sistemas de planeacin de eventos para identificar que
procesos sistemticamente ocultan desperdicios y eliminarlos. En este
segundo sentido Kaizen puede ser mas antiguo que Lean mismo, sus orgenes
parecen estar en la segunda guerra mundial (Huntzinger 2002).
T(orCue funciona Seis Sigma K Oai8enU
Muchos de los procesos realmente nunca fueron diseados 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 estadstico y
reduccin de variacin permitir la identificacin de las causas raz que
originan los problemas en un menor tiempo.
&.2 (ro)ecto
Pgina 237
El proyecto de nivel y variabilidad
El propsito de este proyecto fue utilizar las herramientas de Seis Sigma
Kaizen para maximizar las ventajas de un ambiente de manufactura de alto
desempeo, y reducir el desperdicio y posibles reclamaciones de mercado sin
afectar parmetros de calidad estipulados para el producto premier.
Iniciacin de (ro)ecto
Definicin del pro)ecto
Identificar y minimizar las causas raz. El proyecto utilizar y tomar ventaja
del la filosofa Seis Sigma Kaizen de la cual se utilizaran herramientas para
identificar y reducir la variabilidad del proceso.
"lcance
Reducir el desperdicio.
3tricas
Las mtricas utilizadas para medir el xito de este proyecto incluye;
Reduccin en la variabilidad (desv. std) del proceso en un 20%
Ahorros
Sponsor
Gerente
Process Owner
Jefe de departamento
Team Leader
Pgina 238
Jefe
Miembros del equipo
&.3 etodologa D"IC
(aso 1K Fase de Definicin
?o8 del cliente
En este proyecto hay un cliente interno, por ende al corregir la variacin el
cliente externo (consumidor) se va a ver beneficiado por la mejora en el
proceso.
apeo del proceso
Figura &.1 Mapa del Proceso
Una vez "delimitado el proyecto, se estableci un plan para verificar con que
informacin se contaba para poder as realizar un mapa de Calidad, el cual
qued de la siguiente manera:
Variable
Especificacin
Proveedor
Estndares
Operacin Dato Real
Datos
Histricos
.a,la &.1 Identificacin de Variables
Conclusiones: Se encontraron algunas diferencias en las especificaciones
definidas por los fabricantes de la mquina contra las definidas en los
estndares de operacin de la planta.
Pgina 239
(aso 2 K Fase de edicin
Introduccin
Durante los meses de enero a diciembre se inicia
la recoleccin de datos histricos relacionados con
el alcance del proyecto. Se realizaron los Mapas
de Spaghetti y Calidad. Se inici la deteccin de
reas de oportunidad (xs). Se valid que los
sistemas de medicin fueran confiables y se
calcul la capacidad del proceso.
Diagrama de Espaguetti
El equipo utiliz esta herramienta para indicarnos el flujo de material y los
posibles problemas que se encontraran
Figura &.2 Diagrama de Espagueti
Resultado del anlisis del Diagrama del Espagueti fue:
Pasos reas de Oportunidad
Introduccin de Agua Baja presin de agua
Nivel de agua bajo tanque
Cierre hermtico incorrecto en by-pass
.a,la &.2 reas de Oportunidad
Conclusiones: Se visualizaron a manera de detalle los pasos de la operacin y
se identificaron algunas reas de oportunidad en cuanto a calibracin de
equipos.
Pgina 240
$efinir
Medir
nali(ar Me*orar
Controlar
$efinir
Medir
nali(ar Me:orar
,ontrolar
$efinir
Medir
nali(ar Me*orar
Controlar
$efinir
Me1ir
nali(ar
Me*orar
,ontrolar
Capacidad del (roceso
Siguiente con la metodologa de Seis Sigma Kaizen fue la recoleccin de datos
de diversas fuentes.
.a,la &.3 Recoleccin de datos
La recoleccin de informacin ayud a analizar la situacin actual:
Figura &.3 Estadstica de la situacin actual (antes del proyecto)
336 334 332 330 328 326 324 322
LSL Target USL
LSL 321
Target 327
USL 336
Sample Mean 327.388
Sample N 417
StDev (Within) 1.24412
StDev (Ov erall) 2.11992
Process Data
Cp 2.01
CPL 1.71
CPU 2.31
Cpk 1.71
Pp 1.18
PPL 1.00
PPU 1.35
Ppk 1.00
Cpm 0.93
Ov erall Capability
Potential (Within) Capability
PPM < LSL 0.00
PPM > USL 0.00
PPM Total 0.00
Observ ed Performance
PPM < LSL 0.14
PPM > USL 0.00
PPM Total 0.14
Exp. Within Performance
PPM < LSL 1291.56
PPM > USL 24.30
PPM Total 1315.85
Exp. Ov erall Performance
Within
Overall
Process Capabilit3 o- 1olumen Wun,Wul
Figura &.4 Capacidad del Proceso situacin actual (antes del proyecto)
Conclusiones: El proceso se encuentra cargado hacia la parte inferior de
especificaciones, adems se aprecia la variabilidad en el proceso.
Pgina 241
Una vez que se analiz los datos recolectados, se hizo el anlisis del sistema
de medicin, debido a la gran variabilidad que se encontr en el proceso, que
pudiera ser por un sistema de medicin inadecuado.
Sistema de edicin
Una de las herramientas utilizadas en esta etapa fue la del MSA, la cual
consisti en analizar a 3 operadores con un mismo aparato de medicin y
obtener los valores de repetitibidad y reproducibilidad, para ver si las
variaciones de nivel reportadas en nuestro anlisis son realmente por
variaciones de proceso o por variaciones en la tcnica de medicin y/o el
aparato de medicin, el estudio dio como resultado lo siguiente:
Pgina 242
Fage 2G2
%Contribution
Total Gage R&R 0.4&447 %8.%&
Repeatabilit$ 0.#0&" 8.08
Repro'ucibilit$ 0.#788 %0.08
4nali+ta 0.#%8!7 8.4
4nali+ta/(rueba 0.0!"% %.4
(art)To)(art #.0"!8& 8%.84
Total Variation #.8!# %00.00

(roce++ tolerance , %
Total Gage R&R 0.&8%# 4.08"%# 4#.&% #7.#&
Repeatabilit$ 0.44# #.7#7% #8.4# %8.%8
Repro'ucibilit$ 0.078# !.04&8" !%.7 #0.!%
4nali+ta 0.4&7!0 #.80!78 #".## %8.&"
4nali+ta/(rueba 0.%"877 %.%"#&# %#.4! 7."
(art)To)(art %.4470# 8.&8#%0 "0.47 7.88
Total Variation %.""48 "."&8& %00.00 &!."8
Valor total de estudio R&R, el cual debe de
ser menor al 15%
Valor de estudio R&R, que indica el % de
variacin referente al eMuipo de
medicin.
variacin referente a los analistas que
participaron en el estudio
/n6lisis 2G2 medicin de niCel de c6mara Caca
Fage 2G2
%Contribution
Total Gage R&R 0.4&447 %8.%&
Repeatabilit$ 0.#0&" 8.08
Repro'ucibilit$ 0.#788 %0.08
4nali+ta 0.#%8!7 8.4
4nali+ta/(rueba 0.0!"% %.4
(art)To)(art #.0"!8& 8%.84
Total Variation #.8!# %00.00

(roce++ tolerance , %
Total Gage R&R 0.&8%# 4.08"%# 4#.&% #7.#&
Repeatabilit$ 0.44# #.7#7% #8.4# %8.%8
Repro'ucibilit$ 0.078# !.04&8" !%.7 #0.!%
4nali+ta 0.4&7!0 #.80!78 #".## %8.&"
4nali+ta/(rueba 0.%"877 %.%"#&# %#.4! 7."
(art)To)(art %.4470# 8.&8#%0 "0.47 7.88
Total Variation %.""48 "."&8& %00.00 &!."8
Valor total de estudio R&R, el cual debe de
ser menor al 15%
medicin.
variacin referente a los analistas que
/n6lisis 2G2 medicin de niCel de c6mara Caca
Figura &.$ MSA Actual (antes del proyecto)
La grfica R nos indica la diferencia que cada operador obtiene entre la lectura mayor y
menor de cada muestra, en la grfica se presenta que el operador Rafael es el que tiene ms
variabilidad en sus mediciones que los otros 2.
La grfica X representa el promedio de las mediciones de cada operador, en la cual hay 28
puntos fuera de control lo representa ms del 50%, esto se puede interpretar como que el
sistema de medicin es capaz de identificar las diferencias entre piezas.
La grfica de resultado por pieza se observa que nicamente en la pieza 2 hay una fuerte
variacin con respecto a las dems.
Conclusiones: El resultado total del estudio nos dice que se necesita mejorar
el sistema de Medicin, sobre todo la parte de metodologa en el proceso de
medicin.
Pgina 243

P
e
r
c
e
n
t
100
50
0
% Contribution
% Study Var
% Tolerance
S
a
m
p
l
e

2
a
n
g
e
3.0
1.5
0.0
_
R=0.504
UCL=1.299
LCL=0
HECTOR RAFAEL RENE
S
a
m
p
l
e

M
e
a
n
333
330
327
_
_
X=330.050
UCL=330.566
LCL=329.534
HECTOR RAFAEL RENE
Prueba
15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
332
328
324
/nalista
RENE RAFAEL HECTOR
332
328
324
Prueba
/
C
e
r
a
g
e
15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
333
330
327
HECTOR
RAFAEL
RENE
Analista
2 C'ar t b3 /nalist a
Dbar C'ar t b3 /nalist a
2esult ado b3 Pr ueba
/nalist a E Pr ueba B nt er act ion
Fage 2G2 ( /N81/! -or 2esult ado
(aso 3 K Fase de "n#lisis
Introduccin
Una vez que identificadas de lo que necesitamos
medir y analizadas de manera general, con el
propsito de conocer las relaciones causales o
causas raz del problema. La informacin de ste
anlisis nos proporcionar evidencias de las
fuentes de variacin y desempeo insatisfactorio.
Se analizaron los datos "vivos a travs del
Minitab, se realiz el anlisis comparativo, se hizo
convergencia de las reas de oportunidad y se
gener el diagrama de pescado.
Diagrama de Is4iSaWa
Una de las herramientas que utilizamos en esta fase fue el Diagrama de
Ishikawa para el anlisis de posibles causa raz del problema, las ideas
generadas despus de converger las trasladamos al Ishikawa para clasificarlas
en alguna de las Ms .
Figura &.! Diagrama de Ishikawa situacin actual (antes del proyecto)
Conclusiones: Al analizar dicho diagrama la posible(s) causa raz del problema
de variabilidad se encuentran en los Materiales, la Maquinaria y Mtodo.
Una de las posibles causa que arroj el diagrama de Ishikawa fue la
relacionada con el material, especficamente el grosor del vidrio con el cual
estn elaboradas las botellas, ya que a mayor peso de la botella menor ser el
Pgina 244
$efinir
Medir
nali(ar Me*orar
Controlar
$efinir
Medir
nali(ar
Me:orar
,ontrolar
$efinir
Medir
nali(ar Me*orar
Controlar
$efinir
Medir
Anali6ar
Me*orar
,ontrolar
contenido del lquido, para tal efecto se procedi a analizar lotes de diferente
aos de produccin arrojndonos lo siguiente:
Figura &.& Estudios con diferentes productos
Conclusin: El promedio ha variado desde el ao 1993
La Prueba de hiptesis de igualdad de medias para determinar
estadsticamente si la media del del proceso normal (nor) era igual que la
media del nuevo proceso (ctl), se estableci lo siguiente:
Ho: nor = ctl Ha: nor = ctl
Pgina 245
/>;T2/ ( a "2J ml!
F
r
e
M
u
e
n
c
3
60 58 56 54 52 50 48
6
5
4
3
2
1
0
Mean
54.32 1.464 18
54.60 2.997 20
55.78 2.056 19
56.17
StDev
1.451 20
N
53.53 1.619 2
52.30 1.715 20
AO
2002
2003
93
99
2000
2001
5istogram o- />;T2/ ( a "2J ml!
Normal
Utilizando el minitab dio como resultado lo siguiente:
Pgina 246
grupo
1
o
l

t
u
b
o
s
Norm Bot con
336
334
332
330
328
326
324
322
320
321
327
335
B ndiCidual 1alue Plot o- 1ol tubos Cs grupo
grupo
1
o
l

t
u
b
o
s
Norm Bot con
336
334
332
330
328
326
324
322
320
321
335
321
327
335
&o9plot o- 1ol tubos b3 grupo
Bne)>a$ 41BV4? Vol tubo+ .er+u+ grupo
Source -2 SS 3S 2 3
grupo % %8.# %8.# 8.%! 4/444
6rror %! #"!.7& #.%8
Total %!& 47".00
S , %.47 R)S7 , !8.&7% R)S7(a'8) , !8.##%
9n'i.i'ual "% C9+ 2or 3ean :a+e' on
(oole' St-e.
;e.el 1 3ean St-e. ))))))<)))))))))<)))))))))<)))))))))<)))
:ot con "" 056/78 %.#& ())/)))
1orm !8 001/08 %."! ()))/))
(oole' St-e. , %.48
Por lo tanto, se rechaza la Hiptesis nula y se concluye que las medias son
diferentes; De acuerdo a esto, la diferencia encontrada se debe a la
variabilidad del sistema de medicin.
"n#lisis de *egresin
Debido a que la variacin se realiz un anlisis de regresin.
Figura &.D Correlacin de variables
Conclusiones: Se tiene una variacin significativa
Pgina 247
(aso 4 K Fase de e%ora
Introduccin
Una vez que analizadas las variables que afectan
al proceso, el equipo ser reuni nuevamente
para disear y establecer los planes de mejora,
los cuales fueron:
Sistema de edicin
Durante la etapa de medicin se realiz un estudio de R&R, el cual dio como
resultado que tanto el mtodo y el equipo de medicin tienen reas 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 medicin fueron las correctas, dando como resultado lo siguiente:
Pgina 248
$efinir
Medir
nali(ar Me*orar
Controlar
$efinir
Medir
nali(ar
Me:orar
,ontrolar
$efinir
Medir
nali(ar Me*orar
Controlar
$efinir
Medir
nali(ar
Me:orar
,ontrolar
Resultados del Gage R&R
Number of Distinct Categories = 5
El error de R&R vs tolerancia es 36.39% y vs variacin total del proceso es
8.74% lo que hace que el equipo de medicin sea adecuado para la medicin.
(segn parmetros de AIAG)
Por otro lado el nmero de categoras es de 5, indicando que el instrumento
no discrimina las diversas partes diferentes.
Grficamente tenemos:
Pgina 249
R&R
Total GageR&R 0.122222 13.24
Repeatability 0.122222 13.24
Reproducibility 0.000000 0.00
Part-To-Part 0.800823 86.76
Total Variation 0.923045 100.00
StudyVar %StudyVar %Tolerance
Source StdDev (SD) (6* SD) (%SV) (SV/Toler)
Total GageR&R 0.349603 2.09762 36.39 K.J$
Repeatability 0.349603 2.09762 36.39 K.J$
Reproducibility 0.000000 0.00000 0.00 N.NN
Part-To-Part 0.894887 5.36932 93.14 22.37
Total Variation 0.960752 5.76451 100.00 24.02
Valor total de estudio R&R, el cual debe
de ser menor al 15%
medicin.
variacin referente a los analistasque
Gage
( )
0.122222 13.24
0.000000 0.00
- - 0.800823 86.76
Total Variation 0.923045 100.00
StudyVar %StudyVar %Tolerance
Source StdDev (SD) (6* SD) (%SV) (SV/Toler)
Total GageR&R 0.349603 2.09762 36.39 K.J$
Repeatability 0.349603 2.09762 36.39 K.J$
Reproducibility 0.000000 0.00000 0.00 N.NN
Part-To-Part
Total Variation
de ser menor al 15%
de ser menor al 15%
Figura &.1' MSA despus de las mejoras
La grfica R se mantiene en control indicando que las mediciones se realizaron
en forma adecuada.
La grfica X barra slo presenta 23 de 30 puntos fuera de control, lo cual es
ms del 50%, indicando que el equipo discrimina las diferentes partes.
La grfica de Operador*Pruebas de interaccin nos indica que el promedio de
las mediciones tomadas por cada operador de cada parte, las lneas siguen el
mismo patrn, 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
medicin, el resultado mejor de manera muy significativa en la repetitibidad
y la reproducibilidad de los anlisis, y dio como resultado que mtodo y el
aparato de medicin usando son confiables.
Pgina 250
P
e
r
c
e
n
t
100
50
0
% Contribution
% Study Var
% Tolerance
S
a
m
p
l
e

2
a
n
g
e
1.0
0.5
0.0
_
R=0.253
UCL=0.652
LCL=0
M GUEL RAFAEL RENE
S
a
m
p
l
e

M
e
a
n
333
330
327
_
_
X=330.654
UCL=330.914
LCL=330.395
M GUEL RAFAEL RENE
Parte
10 9 8 7 6 5 4 3 2 1
333
330
327
/nalista
RENE RAFAEL M GUEL
333
330
327
Parte
/
C
e
r
a
g
e
10 9 8 7 6 5 4 3 2 1
333
330
327
MGUEL
RAFAEL
RENE
Analista
2 C'ar t b3 /nalista
2esult ado b3 Par t e
/nalist a E Par t e B nt er act ion
P
e
r
c
e
n
t
100
50
0
% Contribution
% Study Var
% Tolerance
S
a
m
p
l
e

2
a
n
g
e
1.0
0.5
0.0
_
R=0.253
UCL=0.652
LCL=0
M GUEL RAFAEL RENE
S
a
m
p
l
e

M
e
a
n
333
330
327
_
_
X=330.654
UCL=330.914
LCL=330.395
M GUEL RAFAEL RENE
Parte
10 9 8 7 6 5 4 3 2 1
333
330
327
/nalista
RENE RAFAEL M GUEL
333
330
327
Parte
/
C
e
r
a
g
e
10 9 8 7 6 5 4 3 2 1
333
330
327
MGUEL
RAFAEL
RENE
Analista
2 C'ar t b3 /nalista
2esult ado b3 Par t e
/nalist a E Par t e B nt er act ion
DiseMo de E:perimentos
Durante la etapa de medicin se diseo un experimento para profundizar en la
identificacin de impactos de las variables del proceso, donde se seleccionaron
4 factores (de acuerdo al anlisis de la informacin del proceso).
De acuerdo a la metodologa, se seleccion aplicar DOE fraccional, donde se
tienen que realizar 11 experimentos, con los niveles mximos y mnimos en
las variables de proceso (se presentan sus resultados):
(*0E+" DE ?"*I"NJ"S
Pgina 251
La realizacin del anlisis de varianza consisti primeramente en establecer
nuestra prueba de hiptesis para verificar si las modificaciones realizadas
tuvieron un impacto significativo estadsticamente hablando.
Ho: o1
2
= o2
2
Ha: o1
2
= o2
2
Utilizando el Minitab tenemos el siguiente resultado:
Figura &.12 Anlisis de Varianza
Levene's Test (any continuous distribution) Test statistic = 26.10, pK;alue E '.'''
Conclusiones: Se rechaza la Ho, y se acepta al Ha, donde se establece que
hay una diferencia estadsticamente significativa a un nivel de confianza del
95% debida al cambio de proceso.
Del Diagrama de Ishikawa se establece como causa raz del problema era la
maquinaria, en este caso nos referimos al tamao de los tubos.
Pgina 252
;
u
b
o

d
e

1
e
n
t
e
o
L%S &on-er roni Con-idence B nter Cals -or StDeCs
120
116
2.40 2.25 2.10 1.95 1.80 1.65 1.50
;
u
b
o

d
e

1
e
n
t
e
o
1olumen
120
116
334 332 330 328 326 324 322 320
Test Statistic 1.60
P-Value 0.000
Test Statistic 26.10
P-Value 0.000
F-Test
Levene's Test
;est -or EMual 1ariances -or 1olumen
336 334 332 330 328 326 324 322
LSL Target USL
LSL 321
Target 327
USL 336
Sample Mean 327.388
Sample N 417
Process Data
Cp 2.01
CPL 1.71
CPU 2.31
Cpk 1.71
Pp 1.18
PPL 1.00
PPU 1.35
Ppk 1.00
Cpm 0.93
Ov erall Capability
PPM < LSL 0.00
PPM > USL 0.00
PPM Total 0.00
PPM < LSL 0.14
PPM > USL 0.00
PPM Total 0.14
PPM < LSL 1291.56
PPM > USL 24.30
PPM Total 1315.85
Within
Overall
Process Capabilit3 o- 1olumen Wun,Wul
Figura &.13 Capacidades de Proceso antes y despus de las mejoras
Conclusiones: Una vez realizada la mejora (cambio de proceso), el proceso
paso de 4.50 o a 5.36 o aproximadamente.
Pgina 253
336 334 332 330 328 326 324 322
LSL Target USL
LSL 321
Target 327
USL 336
Sample Mean 327.477
Sample N 341
Process Data
Cp 2.20
CPL 1.90
CPU 2.50
Cpk 1.90
Pp 1.49
PPL 1.29
PPU 1.70
Ppk 1.29
Cpm 1.15
Ov erall Capability
PPM < LSL 0.00
PPM > USL 0.00
PPM Total 0.00
PPM < LSL 0.01
PPM > USL 0.00
PPM Total 0.01
PPM < LSL 55.13
PPM > USL 0.18
PPM Total 55.31
Within
Overall
Process Capabilit3 o- 1olumen despues de la me=ora
(aso $ K Fase de Controlar
Introduccin
Es esta ltima fase nos detenemos a preguntar:
Qu hicimos?
Medimos
oClaramente definimos el problema
oEncontramos las salidas y las entradas
crticas
oDeterminamos la capacidad de los
sistemas y procesos de medicin
Analizamos
oExaminamos los datos
oIdentificamos la causa raz del problema
Mejoramos
oy = f(x)
oOptimizamos el proceso
En sta fase nos preguntamos:
Qu podemos hacer para asegurarnos que los defectos se mantengan
reducidos?
Qu acciones se pueden tomar por el equipo para asegurarse que el
incremento sea permanente?
Con quin dejar el proyecto?

A continuacin se presentan los planes que desarrollamos para asegurarnos el
control de nuestro proceso y poder lograr la meta seleccionada.
Pgina 254
$efinir
Medir
nali(ar Me*orar
Controlar
$efinir
Medir
nali(ar
Me:orar
,ontrolar
$efinir
Medir
nali(ar Me*orar
Controlar
$efinir
Medir
nali(ar Me*orar
Controlar
E;ento Oai8en
Se realiz un segundo evento Kaizen para generar dar seguimiento a los
resultados de las fases anteriores y generar planes de control de las mejoras
realizadas.
(lan de Control
Una vez analizados y probados nuestros "nuevos estndares se procedieron
a modificar el Plan de Calidad, para asegurarnos que con los nuevos
parmetros establecidos vamos a asegurarnos que nuestro proceso este en
5.39 o y lograr el ahorro planeado.
Los puntos relevantes derivados del proyecto y que se solucionaron durante el
mismos, se pueden resumir en:
Causa del
impacto
Solucin TCmo se
controlaU
*esponsa,le
.a,la &.4 Principales problemas que causaban la variacin en el llenado
Pgina 255
&.4 Entrega,les >*esultados finales
Recapitulando:
De acuerdo al alcance del pro)ecto9 se logr lo siguiente@
(romedio
Des;iacin est#ndar del proceso me%orado E 1.!&
"4orros anuales
En la parte no cuantifica,le se logro@
0n me%or entendimiento del proceso
e%or capacitacin de los operadores en los an#lisis Cue
ellos efect`an
Estandari8acin
Pgina 256
C/NC50SI/NES G *EC/END"CI/NES

Conclusiones
Si una empresa se interesa en implantar la herramienta 6 s, se recomienda
que para que tenga xito y no desperdicie recursos tanto materiales como
humanos, tome como referencia la propuesta proporcionada aqu, realizando
las adecuaciones que sean necesarias dependiendo de sus necesidades
especficas. Donde lo ms importante es que la alta administracin de la
empresa est comprometida primero con la implantacin de un sistema de
administracin por calidad o de control total de calidad con enfoque al cliente,
con base en la creacin de calidad humana y direccin 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 s se puede pensar en la metodologa seis sigma con xito
asegurado, de otra forma ser un fracaso y la organizacin se vacunar
contra nuevos intentos.
Pgina 257
$efinir
Medir
nali(ar Me*orar
Control
Definir
Medir
Anali(ar Me*orar
Controlar
La metodologa DMAIC no ofrece soluciones a corto plazo, generalmente los
proyectos son realizados en un periodo de 3 a 6 meses, en una ocasin el
proyecto que se present tuvo una duracin de 7 meses y no fue fcil la
implementacin, 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
estn enfocados solamente a determinadas reas.
"prendi8a%es@
La metodologa fomenta en gran medida el trabajo en equipo, debido a que en
la mayora de las herramientas, el mecanismo para proponer ideas que nos
conducen a la solucin de problemas, es el resultado de la participacin de
todas las personas involucradas. La mejora continua de los procesos es el
objetivo comn de cada uno de los miembros.
En un principio es difcil 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 adems de realizar sus proyectos aplica
la metodologa en su trabajo diario, para la solucin de problemas y mejora
de los procesos.
La Estadstica es utilizada en gran medida dentro de la metodologa, pero hay
que aclarar que est 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 ms econmico posible.
Pgina 258
El nivel de capacitacin requerido es muy alto en la implementacin, implica
costos ocasionados por capacitacin, tiempos, materiales, entre otros; sin
embargo el retorno de la inversin 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 eliminacin o reduccin de la inspeccin es un punto muy importante
dentro de la metodologa, al seguir las diferentes tcnicas; por ejemplo con el
uso de sistemas Poka-Yoke entre otras la inspeccin deja de ser necesaria, se
busca el origen de las causas de los defectos para eliminarlos al mximo.
Hoy en da los clculos manuales toman mucho tiempo adems de que la
probabilidad de cometer un error es muy grande, se recomienda ampliamente
la adquisicin de un Software como por ejemplo el Minitab, ya que es una
herramienta muy poderosa que ayuda al manejo de los datos
estadsticamente hablando.
Pgina 259
+i,liografa
Acheson J. Duncan Control e Calia ( Estastica Inustrial:
Alfaomega, 1996
Alberto Galgano Fos siete instrumentos e la Calia Gotal: Daz de
Santos, 1995.
Asociacin Espaola para la Calidad Derramientas %ara la Calia AEC
2002
A.V. Feigenbaum Total quality control 3a.ed.: McGraw-Hill Book, 1986
Brassard M Finn Lynda G&e Si@ Sigma Memor( Hogger II Goal/Qpc 2002
Douglas C. Montgomery Introuction to statiscal -ualit( control . 3rd
ed. J. Wiley, 1996.
Douglas C. Montgomery Dise>o ( anIlisis e e@%erimentos. Grupo
Editorial Iberoamrica, 1991
Franklin A. Graybill, Hariharan K. Regression Anal(sis 6 conce%ts an
a%%lications Duxbury, 1994
Galloway D. Me!ora continua e :rocesos Gestion 2000 2002
Kaplan Robet P Norton Cuadro de Mando Integral HBS Press 2002
Hitoshi Kume Derramientas estasticas 8Isicas %ara el me!oramiento
e la Calia Norma 1994
Imai, Masaaki, Jai?en6 Fa cla*e e la *enta!a com%etiti*aB CECSA,
Mxico, (1989) 1990
Ishikawa, Kaoru, #&at is 'ualit( Control/ G&e Ha%anese #a(, Prentice
Hall Inc. 1985, USA
Ishikawa, Kaouru, ,'u. es el Control Gotal e Calia/B Norma,
Bogot, (1985) 1996
ITESM Fas K S 1992
Jeffrey N. Lowenthal Si@ Sigma :ro!ect Management ASQ Press 2001
J.M. Juran, Gryna, Frank M., Manual e Control e CaliaB McGraw Hill
1993
Pgina 260
J.F. Vilar Barrio Las 7 nuevas herramientas para la mejora de la Calidad
Confemetal 1998
Larios Gutierrz Juan Jos Dacia un moelo e Calia Iberoamericana
1989
Maclnnes Richard G&e Fean Enter%rise Memor( Hogger Goal/Qpc 2002
Minitab Graining Manual Release CL Minitab Inc 2003
Taguchi, Genichi, S(stem of E@%erimental DesignB American Supplier
Institute, 1987
Forrest W.Breyfogle Im%lementing Si@ Sigma6 Smarter Solutions Using
Statistical Met&os Ed.: John Willey & Sons 2004.
Pere Grima, Luis Almagro Estastica %ractica con Minita8 Prentice Hall
2004
Peter S. Pande, Robert P. Neuman, Roland Fas cla*es e Seis Sigma
Mc. Graw Hill, 2003
Rath&strongs #orkout for Si@ Sigma pocket guide MacGraw Hill 2005
Sarv Sing Control e Calia Gotal Mc. Graw Hill, 1997
William Cochram Dise>o e E@%erimentos Trillas 1991
William W. Hines, D. Montgomery :ro8a8ilia ( Estastica %ara
Ingeniera ( Aministraci7n CECSA, 3ra ed1993
Diplomado en Black Belt UIA Santa F
Diplomado en Black Belt Dr. Primitivo Reyes
Diplomado en Black Belt ITESM
Apuntes de la Maestra de Ingeniera de Calidad Universidad
Iberoamericana
o Dr. Eduardo Espinosa
o M.C. David Jaramillo
o Dr. Gustavo Ramrez
o MC Isaac Miranda
o Dr. Maria Eugenia de la Chausse
Pgina 261
o Dr. Primitivo Reyes
o Dr. Tito Vsquez
Pgina 262

Cur So Seis Sigma

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cur So Seis Sigma

Transféré par

Droits d'auteur :

Formats disponibles

CURSO DE

Sirve de apoyo al proceso de planificacin estratgica

E ).58 L ).28 E #.)25

E ).58 L ).28 E #.)25

Si el lmite de especificacin es: LIE = 3.58.

1X se denomina componente determinstico del modelo de

2 = coeficiente de cada variable.

y varianza conocida. Estaremos interesados en la prueba de la

La misma estadstica de prueba puede utilizarse para probar hiptesis

Paso 1: Encuentra los factores que afectan la variacin. Usa estos

CURSO DE SEIS SIGMA P. REYES / FEB. 2006

Vous aimerez peut-être aussi