CS 1CALIDAD DE SW 6 CEP Completo

Calidad de Software Cpsula 16
PARTE 1. CONTROL ESTADSTICO DE PROCESOS Y SUS HERRAMIENTAS

Esta seccin ha sido extractada del libro: Interpreting the CMMI: a process improvement
approach de Margaret Kulpa y Kent Johnson.
Qu es el Control Estadstico de Procesos (CEP)? Se refiere a un conjunto de tcnicas
utilizadas para ayudar a las personas a entender, analizar e interpretar informacin numrica.
Se usa para identificar y rastrear la variacin en los procesos.
Variacin del rendimiento de un proceso. El rendimiento de un proceso es el conjunto de los
resultados obtenidos de las distintas ejecuciones del mismo.
La variacin es inherente a cualquier actividad
Ejemplos:
El recorrido de casa al trabajo es el mismo; sin embargo, el tiempo que tardamos cada da en hacerlo vara.
Depende de la hora a la que salimos de casa, el nmero de semforos rojos en que nos paramos, el trfico
en la carretera a esta hora, etc.
El informe que preparamos mensualmente es el mismo, pero el tiempo que tardamos en hacerlo cada mes
vara. Depende del nmero y la complejidad de los asuntos que tratamos en el informe, los destinatarios
del informe, el nmero de interrupciones que nos hacen dejar y retomar la tarea, etc.
La variacin del rendimiento de un proceso se puede presentar a travs de diferentes tcnicas descriptivas:
grfico de control (incluyendo la media y los lmites naturales de control), histograma, grfico de cotizacin,
etc. En el modelo CMMI la caracterizacin del rendimiento de un proceso se llama Lnea base de rendimiento
(Process Performance Baseline).
Ejemplo: El rendimiento del proceso de Testing se puede presentar a travs del nmero de defectos
encontrados por el equipo de Testing, el nmero de incidencias identificadas por los clientes, el coste de
correccin de un defecto.
Un grfico como el siguiente caracteriza la variacin del rendimiento del proceso:
Figura 1.1. Ejemplo de grfico de variacin de rendimiento

2
Usamos los lmites naturales de control de la variacin del rendimiento

de un proceso para conocer hasta qu nivel el proceso cumple
con las expectativas establecidas por la empresa y los clientes
Y hablamos de Gestin cuantitativa cuando se utilizan los datos de forma proactiva, para predecir
el rendimiento en el futuro y para pronosticar el efecto de posibles cambios en un proceso.
Lgicamente, para conocer estadsticamente la variacin del rendimiento de un proceso y para
crear modelos predictivos es necesario tener y analizar suficientes datos histricos de distintos
proyectos.
En pocas palabras: La gestin cuantitativa ayuda a conocer los factores vitales que determinan
el rendimiento de un proceso. Manejando estos factores dinmicamente en el curso de un
proyecto o servicio se puede optimizar los resultados del proceso para que cumplan con los
objetivos de la empresa y las expectativas de los clientes.
GESTIN CUANTITATIVA EN CMMi

rea de proceso: Quantitative Project Management (QPM).
Representacin escalonada: corresponde al nivel 4.
Representacin continua: categora de proceso de Gestin de proyectos.
Propsito: gestionar cuantitativamente el proyecto para alcanzar los objetivos establecidos de
calidad y de rendimiento del proceso del proyecto.
Preparacin para la gestin cuantitativa del proyecto
SG1: La preparacin para la gestin cuantitativa es realizada.
SP1.1.
Establecer y mantener los objetivos de calidad y de rendimiento del proceso del proyecto.
SP1.2.
Utilizar la estadstica y otras tcnicas cuantitativas para componer el proceso definido que
permite al proyecto alcanzar los objetivos de calidad y de rendimiento del proceso.
SP1.3.
Seleccionar los subprocesos y atributos crticos para evaluar el rendimiento y que ayudan a
alcanzar los objetivos de calidad y rendimiento del proceso del proyecto.
SP1.4.
Seleccionar las medidas y las tcnicas analticas a usarse en la gestin cuantitativa.
Gestin cuantitativa del proyecto

SG2: El proyecto es gestionado cuantitativamente.
SP2.1.
Monitorizar el rendimiento de los subprocesos seleccionados utilizando la estadstica y otras

tcnicas cuantitativas.
SP2.2.
Gestionar el proyecto utilizando la estadstica y otras tcnicas cuantitativas para determinar si o

no los objetivos de calidad y rendimiento rendimiento del proceso del proyecto sern satisfechos.
SP2.3.
Realizar anlisis de causa raz de los problemas seleccionados para atender las deficiencias en el
logro de los objetivos de calidad y rendimiento rendimiento del proceso del proyecto.
Siete Herramientas Comunes del CEP. El CEP toma nmeros y los presenta de manera grfica
con el fin de contar una historia. La historia que cuenta demuestra qu est sucediendo al interior
del proceso. A esa historia con frecuencia se le llama La voz del proceso. Las imgenes
generadas deben explicarse y deben ser precisas. A tal fin, hay siete herramientas que se
reconocen comnmente para Control Estadstico de Procesos.
01. Hoja de Revisin o de Verificacin (Check sheet). Se usa para contar y acumular datos.
Figura 1.2. Ejemplo de Hoja de Revisin o de Verificacin (Check sheet).
02. Diagrama de Ejecucin (Run chart). Tal como se muestra en la Figura 3, el diagrama de
ejecucin rastrea tendencias en un perodo de tiempo. Los puntos se rastrean en el orden en el
que ocurren. Cada punto representa una observacin. Con frecuencia se ven tendencias
interesantes en los datos con simplemente trazarlos en este diagrama. Un peligro al usar
Diagramas de Ejecucin es que se puede reaccionar de forma exagerada a las variaciones
normales, pero con frecuencia es til poner los datos en esta clase de diagrama para obtener
una sensacin del comportamiento del proceso.
Figura 1.3. Ejemplo de Diagrama de Ejecucin (Run chart).

6
03. Histograma (Histogram). Tal como se muestra en la Figura 4, el histograma es un

diagrama de barras que presenta datos que han sido recolectados en un perodo de tiempo y los
presenta grficamente por frecuencia. Cada barra representa la cantidad de observaciones que
encajan dentro de un rango indicado. Los histogramas son tiles debido a que se pueden usar
para ver el monto (o suma) de variacin en un proceso. Usando el histograma, se obtiene una
perspectiva diferente de los datos. Se puede ver con qu frecuencia ocurren valores similares y
tener una idea rpida de cmo se distribuyen los datos.
Figura 1.4. Ejemplo de Histograma.

7
04. Diagrama de Pareto (Pareto chart). Tal como se muestra en la Figura 5, es un diagrama
de barras que presenta datos priorizados siguiendo un criterio establecido, por lo general en
orden de importancia ascendente o descendente. Se usan para mostrar datos de atributos. Se
denominan atributos a datos cualitativos que se pueden contar para guardarlos y analizarlos, por
ejemplo, contando el nmero de cada tipo de defecto. Los diagramas de Pareto se usan con
frecuencia para analizar el tipo de caracterstica que ocurre con mayor frecuencia.
Mediante el Diagrama de Pareto se pueden detectar los problemas que tienen ms relevancia
mediante la aplicacin del principio de Pareto (pocos vitales, muchos triviales) que dice que hay
muchos problemas de poca importancia frente a solo unos graves. La grfica es muy til al
permitir identificar visualmente en una sola revisin tales caractersticas vitales a las que es
importante prestar atencin y de esta manera utilizar todos los recursos necesarios para llevar a
cabo acciones necesarias sin malgastar esfuerzos.
Figura 1.5. Ejemplo de Diagrama de Pareto (Pareto chart).

8
05. Diagrama o Grfico de Dispersin (Scatter diagram/chart). Tal como se muestra en

la Figura 6, es un diagrama en el que se dibujan puntos que representan datos, permitiendo
observar tendencias entre una variable y otra. Esta clase de diagrama se usa para explorar
posibles relaciones causa-efecto. Un peligro con este diagrama es que no prueba (o no es
suficiente para demostrar) la relacin causa-efecto.
Figura 1.6. Ejemplo de Diagrama o Grfico de Dispersin (Scatter diagram/chart).

9
06. Diagrama de Causa y Efecto o Espina de Pescado (Cause and effect or fishbone
diagram). Tal como se muestra en la Figura 7, es una representacin grfica de los problemas
y sus (posibles) causas. Esta es una buena forma para capturar los aportes generados en
reuniones de lluvia de ideas a partir de un conjunto de datos (por ejemplo, de defectos) o a
partir de una Hoja de Revisin.
Figura 1.7. Ejemplo de Diagrama de Causa y Efecto o Espina de Pescado

(Cause and effect or fishbone diagram).
10
Esa herramienta ayuda a identificar las causas de los problemas. Se reconocen varias categoras
de causas potenciales que pueden afectar a organizaciones de desarrollo de software y que
pueden incluirse en el anlisis:
(a) Entorno: se incluyen factores externos como contaminacin, temperatura del medio ambiente, altura de la
ciudad, humedad, ambiente laboral, etc.
(b) Talento Humano: se incluyen factores que pueden generar el problema desde el punto de vista del factor
humano. Por ejemplo, falta de experiencia, salario, grado de entrenamiento, creatividad, motivacin,
habilidad, estado de nimo, etc.
(c) Mediciones: se incluyen factores relacionados con deficiencias en la definicin de indicadores, escalas,
criterios de decisin, recoleccin de medidas, etc.
(d) Herramientas Tecnolgicas: se incluyen factores relacionados con las herramientas de desarrollo empleadas,
obsolescencia de los equipos, etc.
(e) Mtodo: se incluyen factores relacionados con el mtodo de trabajo, por ejemplo: el no seguir de manera
correcta un estndar de pruebas, una metodologa de desarrollo, estndares de codificacin y
documentacin, etc.
Un aspecto fundamental que debe indicarse en esta gua se refiere a que hay 2 tipos de causas
de variacin del proceso desde el punto de vista del control estadstico:
(a)
Causas especiales. Se caracterizan por ser inusuales, se reflejan en un evento especfico y suelen
ser pocas en nmero pero importantes. Algunos ejemplos de causas especiales son: personal enfermo
o ausente, cambio intempestivo de un proveedor o de personal, variaciones de energa, computadores
defectuosos, fraude en documentacin, etc. Este tipo de causas son las que no permiten tener un
proceso bajo control y sobre ellas se debe trabajar para eliminarlas.
(b)
Causas comunes. Se caracterizan por hacer parte del proceso y se presentan con frecuencia, son
numerosas, su impacto es bajo pero de efecto acumulativo y se les considera difciles de detectar.
Algunos ejemplos de causas comunes son: procedimientos o metodologas inapropiados, carencia de
procedimientos estndares de operacin definidos con claridad, pobres condiciones de trabajo
(iluminacin, ruido, temperatura, ventilacin), error en el control de calidad, etc.
11
En resumen, la variacin por causas especiales tiene su origen en situaciones que no forman
parte de la definicin del proceso, es decir, representan una anomala sobre la que se debe
planear y ejecutar acciones para eliminarla.Por ello, una organizacin debe dar prioridad a
acciones encaminadas a eliminar las causas especiales que inciden en el proceso.
De otra parte, la variacin por causas comunes es inherente al proceso, y se debe a gran cantidad
de factores del propio sistema y cada uno de ellos tiene una contribucin tan pequea, que
resulta muy costoso localizar cada factor y reducir su variacin. Sin embargo, hay que trabajar
sobre ellas, una vez eliminadas las causas especiales, para que sea posible transformar el proceso
para que est bajo control estadstico y mejore sus ndices de desempeo.
Es muy importante que en esta actividad se evite cometer 2 tipos de errores:
(a)
Error Tipo 1: tratar un evento como si proviniera de una causa especial, cuando en realidad se debe a
causas comunes. Cuando se comete este error, se interviene en el proceso, cuando no hay necesidad y
eso significa que se le aade una variabilidad externa que se suma a la variabilidad de causas comunes,
y por consiguiente, se empeora el desempeo del proceso. En otras palabras, el Error Tipo 1 ocurre cuando
se quiere arreglar algo que no est daado.
(b)
Error Tipo 2: tratar un evento como si proviniera de causas comunes de variacin, cuando en realidad
se debe a una causa especial. Cuando se comete este error, el personal no interviene en el proceso,
porque piensa que la variabilidad es debida a causas comunes. En otras palabras, el Error Tipo 2 ocurre
cuando se debe arreglar algo que est daado y nada se hace al respecto.
12
07. Diagramas o Grficos de Control (Control chart). Esta clase de diagramas, como el que
se muestra en la Figura 8, es bsicamente un Diagrama de Ejecucin (Run chart) al que se le
agregan un lmite superior y un lmite inferior que le permiten a una organizacin rastrear
variaciones en el desempeo de los procesos. Tambin se les llama Diagrama de
Comportamiento del Proceso.
La grfica de control es un mtodo grfico que ayuda a evaluar si un proceso est o no en un
estado de control estadstico. Es decir, ver su comportamiento dentro de lmites de especificacin.
Es muy parecida a las grficas de lnea o de tendencias, la diferencia esencial estriba en que las
grficas de control tienen los denominados "lmites de control, que determinan el rango de
variabilidad estadstica aceptable para la variable que se est monitoreando.
Si los puntos se mantienen dentro de los lmites de control y presentan un patrn aleatorio,
entonces se dice que "el proceso est en control ", si por el contrario, se encuentran puntos fuera
de los lmites de control, o el conjunto de puntos muestra tendencias, periodicidad, o cosas
anormales, entonces el proceso se diagnostica como inestable, o "fuera de control". Ante una
situacin de esta naturaleza, debe procederse a investigar las causas que estn provocando esa
inestabilidad, e implementar acciones preventivas para evitar que vuelvan a presentarse.
Las ventajas de las grficas de control son:
Sirve para determinar el estado de control de un proceso.

Diagnostica el comportamiento de un proceso en el tiempo.
Indica si un proceso ha mejorado o empeorado.
Sirve como una herramienta de deteccin de problemas.
Permite identificar las dos fuentes de variacin de un proceso: causas comunes o tambin
llamadas naturales, que se refiere a los factores que afectan en poco la variabilidad del sistema.
13
Su presencia es aleatoria, y no son de fcil deteccin, generalmente estn relacionadas con

aspectos administrativos. Y otras causas son llamadas especiales o asignadas, estas se refieren
a los factores espordicos que desestabilizan el sistema. Su identificacin es inmediata y fcil.
Figura 1.8. Ejemplo de Diagrama o Grfico de Control (Control chart).
14
En pocas palabras:
Clasificacin de las herramientas en funcin de su empleo (Vega, 1999):
Figura 1.9. Esquema de clasificacin para las herramientas en SPC segn su rea
15
PARTE 2. METODOLOGA SIX SIGMA
1. Qu significa la palabra Sigma?
2. Qu es y para qu sirve Six-Sigma?

Seis Sigma es una metodologa de mejora de procesos, centrada en la reduccin de
la variabilidad de los mismos, consiguiendo reducir o eliminar los defectos o fallas en
la entrega de un producto o servicio al cliente. La meta de 6 Sigma es llegar a un
mximo de 3.4 defectos por milln de eventos u oportunidades (DPMO),
entendindose como defecto cualquier evento en que un producto o servicio no logra
cumplir los requisitos del cliente.
16
Seis sigma utiliza herramientas estadsticas para la caracterizacin y el estudio de

los procesos.
Obtener 3.4 defectos en un milln de oportunidades es una meta bastante ambiciosa
pero alcanzable. Se puede clasificar la eficiencia de un proceso en base a su nivel de
sigma:
Nivel de sigma
Porcentaje de Eficiencia
69
93.3
99.38
99.977
99.99966
17
Una idea sobre esos porcentajes:
18
3. Los submodelos de Six-Sigma

Seis Sigma alcanza sus objetivos mediante el uso de dos modelos secundarios DMAIC
y DMADV o tambin conocido como DFSS:
El modelo DMAIC (Definir, Medir, Analizar, Mejorar, Controlar) busca una mejora
incremental para los procesos existentes que estn por debajo de la
especificacin, tiene las siguientes fases secuenciales:
Definir los Problemas: se determina cual de todos los problemas causa ms conflictos, cual
cuesta ms dinero o incomoda ms a los clientes.
Medir: valorar la capacidad o competencia del proceso midiendo las posibilidades de que se
produzcan errores. Se identifican y documentan los parmetros del proceso que afectan
a su rendimiento y a las caractersticas del producto.
Analizar: Se analizan los nmeros para averiguar el estado real del proceso, a qu se deben
los errores y cmo se pueden evitar.
Mejorar: Se mejorarn los componentes crticos para la calidad que no estn a un buen nivel
y se fijar una meta razonable. Despus de fijarse los estndares numricos, se calculan las
franjas de tolerancia que se han de ajustar para mejorar y se determina qu pasos se deben
seguir para lograrlo.
Controlar: Se valoran los resultados y se confirman que est dando los frutos deseados. Se
disean y documentan los controles necesarios para asegurar que los beneficios de los
esfuerzos de mejora podrn.
19
El modelo DMADV (por las siglas en ingles de Definir, Medir, Analizar, Disear,
Verificar) DFSS (por las siglas en ingls de Diseo Para Seis Sigma), combina
el concepto de planificacin de la calidad con el objetivo de Seis Sigma; dirige
a los diseadores del producto alcancen niveles de excelencia. En resumen el proceso
de Diseo para Seis Sigma tiene las siguientes cinco fases consecutivas:
Definir: Establece el proyecto como una iniciativa de la organizacin por solucionar un
problema que se encuentra claramente definido y que amerita su solucin.
Medir: Identifica los requisitos de los clientes, focalizando las caractersticas crticas para la
calidad, se valoran su rendimiento y evala el riesgo; para esto se soporta por herramientas
como el benchmarking, AMFE (Anlisis modal de fallos y efectos del proceso) y QFD (Quality
Functional Deployment).
Analizar: Seleccionar un diseo de alto nivel de varios diseos alternativos y evaluar la
capacidad del diseo seleccionado.
Disear: Se basa en el diseo seleccionado en la fase anterior, optimiza los parmetros de
diseo a nivel de detalle, planifica pruebas de verificacin y verifica el nivel de rendimiento del
proceso.
Verificar: Ejecuta pruebas piloto y analiza los resultados, implanta el proceso de produccin
y realiza las actividades para una transferencia del proceso a los responsables.
20
4. Six Sigma en el Proceso de Desarrollo de Software

Las diferencias fundamentales entre la produccin industrial y el desarrollo de
software son:
Con estas consideraciones se ha visto que para el proceso de desarrollo de software,

ser ms conveniente emprender con el modelo DMADV (Definir, Medir, Analizar,
Disear, Verificar) DFSS (por las siglas en ingls de Diseo Para Seis Sigma), las
fases adaptadas al proceso de desarrollo de software se describen a continuacin:
21
Definir los Problemas: Corresponde revisar detalladamente el historial de los

proyectos, poniendo mayor atencin en los errores y fallos detectados. Si bien en
los ambientes de desarrollo de software se pueden presentar cientos de tipos de
errores, pero para la medicin se puede tomar como base la clasificacin que
presentan algunos autores, por ejemplo Pressman en su libro Ingeniera del
Software, un enfoque prctico, presenta una lista de doce categoras, lo cual
facilita la tarea.
EIE: Especificacin incompleta o errnea.
MCC: Mala interpretacin de la comunicacin del cliente.
DDE: Desviacin deliberada de la especificacin.
IEP: Incumplimiento de los estndares de programacin.
ERD: Error en la representacin de los datos.
IMI: Interfaz de mdulo inconsistente.
ELD: Error en la lgica de diseo.
PIE: Prueba incompleta o errnea.
DII: Documentacin imprecisa o incompleta.
TLP: Error en la traduccin del diseo al lenguaje de programacin.
IHM: Interfaz hombre-mquina ambigua o inconsistente.
VAR: Varios.
Una vez que contamos con datos objetivos (nmeros) se procede a identificar
los pocos vitales, es decir, aquellos que han ocasionado conflictos con los
clientes, mayor impacto en el costo del proyecto y retraso en las fases del
proceso de desarrollo en general, para el efecto se utilizarn las herramientas
bsicas de calidad.
22
Medir: En esta etapa es preciso tener en cuenta que la informacin numrica es

la base de Seis Sigma, las decisiones se basarn en datos fiables, se identificarn
a los clientes claves de la fase del proceso de desarrollo de software que queremos
mejorar y sus necesidades crticas, todo esto consistentemente definido y
documentado.
Analizar: Se desarrollan alternativas de solucin, considerando mejoras en la fase
o actividad especfica del proceso, perfil del personal, metodologa, tecnologa
empleada, herramientas, entorno de trabajo, etc. y luego de un anlisis detenido
se selecciona la alternativa ms adecuada, dejando una descripcin de alto nivel
de los parmetros de la solucin.
Disear / Mejorar: En base de las caractersticas de alto nivel de la solucin se
va detallando cada una de stas, los resultados que se esperan alcanzar y se
determina el impacto econmico que demandar la implantacin de la solucin. Se
capacita al personal en la solucin a implantar y se implanta.
Evaluar / Controlar: Para la valoracin de los resultados se planificarn las
acciones correspondientes de revisin, verificacin y validacin, las cuales deben
quedar debidamente documentadas; tambin es importante ir generando los
registros correspondientes a fin de contar con informacin confiable que permita
primero evaluar si se est cumpliendo con los objetivos propuestos y en segundo
lugar para tener un historial que permita emprender un nuevo ciclo de mejora.
23
5. Cmo establecer el nivel sigma de un proceso?

Para ello se usa el indicador DPMO. Lo que se expresa en esta seccin, tiene como
fuente a Olofsson (2011).
Defectos por Milln de Oportunidades (DPMO) es el nmero real de defectos
observados, extrapolado a cada 1.000.000 de oportunidades. Esto es distinto de
piezas defectuosas por milln (PPM defectuosas), porque una pieza puede tener
mltiples oportunidades de ser defectuosa.
Para calcularlo, se utilizan estas variables:
D = nmero de defectos observados en la muestra
U = nmero de Unidades en la muestra (por ejemplo: 2000 lneas de cdigo)
O = Oportunidades por Unidad (cantidad de criterios o clases de prueba).
DPMO = (1.000.000 * D) / ( U * O )
Por ejemplo, si se detectan 7 defectos en una muestra de 2.000 LDC, y se manejaran
4 criterios o clases de prueba, el clculo sera:
DPMO = (1.000.000 * 7) / ( 2.000 * 4 ) = 875.
24
En Seis Sigma el objetivo es lograr que DPMO sea inferior a 3.4.

Se puede determinar el nivel de sigma a partir del valor DPMO:
Valor DPMO
Nivel de sigma
308537.0
66807.0
6210.0
233.0
3.4
Tabla 2.1. Nivel de sigma (valores enteros) a partir del valor DPMO.
Fuente: De Muro y Ortega (N.D.).
De modo que con los datos de ejemplo, se puede afirmar que el proceso tiene un
nivel de sigma igual a 4.
Ahora bien, parece que no hay coincidencia para la totalidad de los valores DPMO,
como puede observarse en la siguiente tabla:
25
Valor DPMO
Nivel de sigma
308500.0
2.000
226600.0
2.250
158700.0
2.500
105600.0
2.750
66800.0
3.000
40100.0
3.250
22700.0
3.500
12200.0
3.750
6200.0
4.000
3000.0
4.250
1300.0
4.500
600.0
4.750
230.0
5.000
130.0
5.250
30.0
5.500
16.7
5.750
3.4
6.000
Cpk
0.667
0.750
0.833
0.917
1.000
1.083
1.167
1.250
1.333
1.417
1.500
1.583
1.667
1.750
1.833
1.917
2.000
Tabla 2.2. Nivel de sigma a partir del valor DPMO.

Fuente: http://www.moresteam.com/toolbox/six-sigma-conversion-table.cfm
Y retomando los valores del ejemplo, el nivel de sigma sera de 4.5.

26
PARTE 3. PROCESO BAJO CONTROL Y MANEJO DE GRFICOS DE CONTROL
Se dice que un proceso est bajo control cuando los valores del grfico se encuentran
dentro de los lmites de control y muestran un comportamiento aleatorio dentro de
dichos lmites. Si algn valor aparece fuera de los lmites de control se dice que el
proceso se encuentra fuera de control y hay que analizar la causa o causas que han
provocado la salida de los lmites de control.
El grfico debe analizarse con respecto a la siguiente definicin de pruebas, tal como
se indica en la Tabla 3.1. Si falla al menos una de las ocho pruebas, se puede decir
que el proceso no est bajo control estadstico.
Prueba
Definicin de la situacin anmala
RT1
Tres sigma
1 punto ms all 3 desviaciones estndar desde la lnea central.
RT2
Dos Sigma
2 de 3 puntos consecutivos ms all 2 desviaciones estndar (pero menor a 3

desviaciones estndar) desde la lnea central en el mismo lado.
RT3
Un Sigma
4 de 5 puntos consecutivos ms all 1 desviacin estndar (pero menor a 2

desviaciones estndar) desde la lnea central en el mismo lado.
RT4
Ejecucin de un mismo
lado de la Lnea Central
7 puntos consecutivos de un mismo lado de la lnea central.
RT5
Mezcla (de procesos) o

proceso sobreajustado
8 puntos consecutivos ms all 1 desviacin estndar de la lnea central (puede

ser de uno o de ambos lados).
RT6
Estratificacin
15 puntos consecutivos dentro de 1 desviacin estndar de la lnea central (puede

ser de 1 o de ambos lados).
RT7
Tendencia Oscilatoria
14 puntos consecutivos, alternando arriba y abajo.
RT8
Tendencia Lineal
6 puntos consecutivos, todos crecientes o todos decrecientes.
Tabla 3.1. Definicin de Pruebas para un grfico de control

27
Esas pautas de comportamiento pueden avisarnos de la aparicin de causas

especiales antes de que aparezcan valores fuera de los lmites de control. Aunque un
proceso se mantenga bajo control no indica que sea un proceso correcto, puede estar
produciendo fuera de los lmites de especificacin establecidos por un cliente externo
o interno.
Pequeo ejemplo. Si se tuvieran estos datos.
Producto Tamao (LDC)
1
721
2
380
3
235
4
506
5
276
6
598
7
642
8
968
9
412
10
717
11
521
12
373
13
811
14
412
15
655
16
520
17
244
18
598
19
848
20
773
El clculo a realizar es: (Defectos) / (Tamao en KLDC).
Defectos Densidad de Defectos (Defectos/KLDC)1

21
29,126214
11
28,947368
7
29,787234
14
27,667984
8
28,985507
17
28,428094
19
29,595016
28
28,925620
12
29,126214
20
27,894003
15
28,790787
11
29,490617
23
28,360049
12
29,126214
19
29,007634
15
28,846154
7
28,688525
17
28,428094
24
28,301887
22
28,460543
Tabla 3.2. Tabla de datos
Ejemplo producto 1: 21 Defectos / (721/1000) KLDC = 21 Defectos / 0.721 KLDC = 29.126214 Defectos / KLDC
28
Cuyo grfico de control es este:

30,000000
Densidad de Defectos
LCS (29.479211)
29,500000
LC + 2 (29.252536)
LC + 1 (29.025862)
29,000000
LC (28.799188)
LC 1 (28.572513)
28,500000
LC 2 (28.345839)
LCI (28.119165)
28,000000
Sigma = 0.226674
27,500000
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Figura 3.1. Diagrama de dispersin correspondiente con los datos de la Tabla 3.2.
29
Los resultados obtenidos al aplicar lo indicado en la Tabla 1, se explican en la Tabla 3.
Prueba Resultado
Explicacin
RT1
Falla
Superior a 3 desviaciones estndar desde la lnea central:

Por encima: Productos 3, 7 y 12. Por debajo: productos 4 y 10.
RT2
Aprobada
No hay 2 de 3 puntos consecutivos por encima de 2 desviaciones estndar a

partir de la lnea central en el mismo lado.
RT3
Aprobada
No hay 4 de 5 puntos consecutivos por encima de 1 desviacin estndar a

partir de la lnea central en el mismo lado.
RT4
Aprobada
Solo hay 4 puntos consecutivos de un mismo lado de la lnea central.

Esa serie est conformada por los productos 17, 18, 19 y 20.
RT5
Aprobada
Solo hay 3 puntos consecutivos por encima 1 desviacin estndar a ambos

lados de la lnea central (productos 12, 13 y 14; productos 18, 19 y 20).
RT6
Aprobada
Solo hay 3 puntos consecutivos dentro de 1 desviacin estndar de la lnea

central (productos 15, 16 y 17).
RT7
Aprobada
La serie ms larga solo tiene 11 puntos consecutivos alternando arriba y abajo.

Est dada por los productos del 1 al 11.
RT8
Falla
Hay 6 puntos consecutivos decrecientes (productos 14, 15, 16, 17, 18 y 19).
Tabla 3.3. Interpretacin de resultados de pruebas
30
Caractersticas del proceso a controlar

La caracterstica nos va a indicar el estado del proceso, de ah su importancia de
elegirla correctamente. Las caractersticas a controlar pueden ser individuales, como
la densidad de defectos, o una variable indicadora que sea promedio ponderado de
otras caractersticas, como pudiera ser la satisfaccin del cliente que fuera suma
promediada (ponderada) de varias caractersticas.
Las caractersticas a controlar pueden ser variables continuas o de atributos. Dentro
de los procesos de ingeniera de software tenemos como caractersticas variables el
esfuerzo en proyectos o en el desarrollo de mdulos, productos, la productividad,
etc. Y como de atributos la densidad de defectos o el nmero de incidencias
detectadas en inspecciones o revisiones.
En los procesos es muy importante elegir correctamente la caracterstica o
caractersticas a controlar. Tambin sera conveniente comenzar con aquellas de las
cuales se tengan datos histricos, con el objetivo de crear el grfico de control de
base, que permita saber si un nuevo valor est o no dentro de los lmites de control.
31
Tipos de grficos de control

En funcin del tipo de caracterstica a representar grficamente, hay dos tipos de
grficos de control: por variables y por atributos.
Grficos de control por variables. Son los grficos de control en el que la caracterstica a medir
es una variable (expresable numricamente), y los valores de esta variable se distribuyen segn
una distribucin normal. Se describen tres grficos de control por variables.
Valores individuales (X). El mtodo de clculo de la lnea central y de los lmites se
muestran en la Tabla 3.4.
Medidas y recorridos (X-barra, R). Se usan para monitorear la media y la variabilidad
y los subgrupos racionales tienen un tamao fijo. Constan de dos grficos: uno para
el control de medias y otro de rangos para el control de la variabilidad del proceso. Es
un grfico sencillo de realizar y se puede utilizar con muestras de tamao pequeo
incluso menor que 8. El mtodo de clculo de la lnea central y de los lmites se muestra
en la Tabla 3.4.
Medias y desviaciones tpicas (X-barra, S). Se usan para monitorear la media y la
variabilidad y los subgrupos racionales tienen un tamao variable. Es ms exacto
que el grfico X-barra, R. Constan de dos grficos: uno para el control de las medias
y otro de desviaciones tpicas para el control de la variabilidad del proceso. El indicador
de la variabilidad es mejor que el de rangos (recorridos). Se puede utilizar con
muestras de cualquier tamao. El mtodo de clculo de la lnea central y de los lmites
se muestra en la Tabla 3.4.
32
La tabla que se presenta aqu agrupa los clculos de medida central y de los lmites para grficos
de control por variables. Cabe anotar que en los tres tipos de grficos, sus datos siguen la
distribucin normal.
En la tabla 3.4, el parmetro R representa el recorrido (diferencia entre el valor mximo y el
valor mnimo de un conjunto de datos). Los parmetros A, B, D se obtienen de las tablas de
constantes (Tabla 3.5).
Tipo de grfico
por variable
Grfica X
Grfica R
Grfica S
LC x
Valores individuales
LCS x A x
LCI x A x
A=3
(X-barra, R)
(X-barra, s)
LC = X
LC = R
LCSX = X + A2R
LCSR = D4R
LCIX = X - A2R
LCIR = D3R
LC = X
LC = S
LCSX = X + A3S
LCSS = B4S
LCIX = X - A3S
LCIS = B3S
Tabla 3.4. Clculos de medida central y lmites para grficos por variables
33
Tabla 3.5. Tabla de constantes para grficos por variables

34
Grficos de control por atributos. No siempre todas las caractersticas se pueden representar
mediante valores numricos. Hay casos en que los productos inspeccionados se deben clasificar
como conforme o no conforme respecto de las especificaciones de dicha caracterstica
considerada. A estas caractersticas se les denomina atributos y describen dos situaciones:
(1) El producto desarrollado es conforme (no defectuoso) o no conforme (defectuoso). Cumple
con las especificaciones solicitadas o no. Los datos siguen una distribucin binomial.
(2) El producto puede tener una o ms no conformidades (defectos) y el nmero de estos es
determinado. Los datos siguen una distribucin de Poisson.
El grfico para este tipo de medida se denomina grfico de control por atributos. Se utilizan
cuatro grficos en funcin del atributo a controlar:
(a) Grfico P: porcentaje de productos no conformes o defectuosos encontrados en la muestra
seleccionada. El tamao de la muestra es variable.
(b) Grfico Np: nmero de productos no conformes o defectuosos encontrados en la muestra
seleccionada. El tamao de la muestra es constante.
(c) Grfico C: nmero de no conformidades o defectos encontrados en una unidad de
producto inspeccionada. El tamao de la muestra es constante.
(d) Grfico U: nmero de no conformidades o defectos encontrados en una unidad de
producto inspeccionada. El tamao de la muestra es variable.
El mtodo de clculo de la lnea central y de los lmites se muestra en la Tabla 6, donde
N = Tamao de la muestra
n = media del tamao de las muestras. n = (n1 + n2 + n3 + + nn) / N
Los grficos de control por atributos requieren tamaos de muestras grandes (mayores de 50)
con el objetivo de detectar cambios.
35
Tipo de
grfico
Np
Tamao
muestra
Variable
Constante
Lnea Central
Lmites
p=p/N
LCS = p + 3( p ( 1 - p ) / n )
LC = p
LCI = p
LC = np
Variable
Constante
Binomial
p (1- p )/ n )
LCS = p + 3( np ( 1 - p ) )
LCI = p
u=u/N
- 3(
3( np ( 1 - p ) )
LCS = u + 3( u / n )
- 3(
LC = u
LCI = u
c=c/N
LCS = c + 3 c
LC = c
LCI = c
- 3
Distribucin
datos
u /n )
Binomial
Poisson
Poisson
Tabla 3.6. Clculos de medida central y lmites para grficos por atributos
36
Construccin de un grfico de control. Los pasos a seguir para la realizacin de un grfico

de control son los siguientes:
(1)
Eleccin de la caracterstica a controlar.
(2)
Toma de datos de la caracterstica elegida.
(3)
Eleccin del tipo de grfica.
(4)
Clculo de la media de los valores.
(5)
Clculo de los lmites de control.
(6)
Definir la escala del grfico, dibujar la lnea central y los lmites de control y representar
los valores de la caracterstica medida.
(7)
Anlisis del grfico de control.
En el caso de que fuera la primera grfica de control (que se elabora), si hay algn valor fuera
de los lmites de control, se elimina de la lista de valores y se vuelve al paso 4 para calcular la
nueva media y los nuevos valores de los lmites de control, as tantas veces como puntos de
control se encuentren. ES DECIR, SE HACE UNA VEZ PARA CADA PUNTO.
Cuando ya no haya ningn punto fuera de control, se dir que los valores representan al proceso
bajo control y servir de base para los nuevos datos que se vayan introduciendo con el objetivo
de ver si estos nuevos valores se encuentran o no bajo control.
37
Ejemplo de construccin de un grfico de control por variable

Se desea conocer el estado de la productividad de los proyectos del ao. Durante el ao ha
habido 8 proyectos y han participado como mnimo cuatro programadores. La siguiente tabla
muestra la productividad media (en Lneas de cdigo efectivas y probadas por da) de
programadores en diferentes proyectos.
P1
P2
P3
P4
P5
P6
P7
P8
Prog1
6.00
5.71
8.33
5.75
10.00
5.00
10.00
5.75
Prog2
10.00
7.78
8.50
8.82
7.78
5.71
8.50
8.82
Prog3
17.14
13.33
5.40
8.75
12.00
13.33
5.40
10.00
Prog4
11.78
4.00
10.53
9.74
17.67
4.00
10.53
9.74
El tipo de grfico seleccionado es el grfico de control de variables X-barra, R. (Muestras

tamao fijo).
Primero se calcula la media Xi y el rango o recorrido de cada uno de los subgrupos.
P1
P2
P3
P4
P5
P6
P7
P8
Medias
11.23
7.71
8.19
8.27
11.86
7.01
8.61
8.58
Total = 71.45
Rangos
11.14
9.33
5.13
3.99
9.89
9.33
5.13
4.25
Total = 58.19
38
Se calcula la lnea central LC para X
(xi / N)
R = (Ri / N)
y para R.
LC X =
siendo N el tamao de la muestra
LC
siendo N el tamao de la muestra
Para el ejemplo:
LC X = (71.45 / 8) = 8.93125
LC R = (58.19 / 8) = 7.27375
Clculo de los Lmites de Control

LCS X = X + A2 R
LCI X = X - A2 R
N
Desviacin estndar (para grfico X) SD

LCS R = D4 R
(X
i 1
X )2
20.29466
1.59274
8
LCI R = D3 R
Sigma () = R / d2(n)
= 7.27375 / 2.059
= 3.53266
Los valores de A2, D4 y D3 se obtienen de la tabla de constantes (Tabla 5). Para el ejemplo: en
una muestra de tamao 4, el valor A2 es de 0.729, el valor D4 es 2.282 y el valor D3 es 0.
LCS X = 8.93125 + (0.729 * 7.27375) = 14.23381
LCI X = 8.93125 - (0.729 * 7.27375) = 3.62868
LCS R = 2.282 * 7.27375 = 16.59869
LCI R = 0 * 7.27375 = 0
39
Las grficas resultantes son:

16,00
Grfico Xbarra para Productividad

LCS X = 14.23381
Productividad Media
(LDC/dia)
14,00
12,00
10,00
8,00
6,00
LC X +2SD
LC X +1SD
LC X = 8.93125
LC X - 1SD
LC X - 2SD
4,00
LCI X = 3.62868
2,00
Proyectos
0,00
0
Evaluacin:
Explicacin
Prueba
RT1:Tres sigma
Aprobada
NO HAY puntos ms all de 3 desviaciones estndar (SD) desde la lnea central
RT2: Dos sigma
Aprobada
NO HAY 2 de 3 puntos consecutivos ms all de 2 SD desde la lnea central en el mismo lado
RT3: Un sigma
Aprobada
RT4: Secuencia mismo lado LC
Aprobada
NO HAY 7 puntos consecutivos de un mismo lado de la lnea central
RT5: Mezcla / Sobreajuste
Aprobada
NO HAY 8 puntos consecutivos ms all 1 SD de la lnea central (de 1 o de ambos lados)
RT6: Estratificacin
Aprobada
NO HAY 15 puntos consecutivos dentro de 1 SD de la lnea central (de 1 o de ambos lados)
RT7: Tendencia oscilatoria
Aprobada
NO HAY 14 puntos consecutivos alternando arriba y abajo
RT8: Tendencia lineal
Aprobada
NO HAY 6 puntos consecutivos crecientes o decrecientes
El proceso est bajo control

40
Grfico R para evaluar variacin de Productividad
18,00
LCS R = 16.59870
16,00
LC R +2Sigma
Media de Rango por

proyecto (LDC/dia)
14,00
12,00
10,00
8,00
6,00
LC R +1S Sigma
LC R = 7.27375
4,00
LC R 1Sigma
2,00
LC R 2Sigma
0,00
0
LCI R = 0
9
Proyectos
Evaluacin:
Explicacin
Prueba
RT1:Tres sigma
Aprobada
RT2: Dos sigma
Aprobada
RT3: Un sigma
Aprobada
Aprobada
Aprobada
RT6: Estratificacin
Aprobada
Aprobada
Aprobada

41
Ejemplo de construccin de un grfico de control por atributos

Se desea comprobar si el nmero de
incidencias por mdulo de diferentes
proyectos de una organizacin de
desarrollo se encuentra bajo control.
La tabla siguiente muestra por cada
proyecto una muestra de mdulos
seleccionados y el nmero de
incidencias que se han encontrado en
los mdulos. Un mdulo puede tener
ms de una incidencia.
El tipo de grfico a utilizar es el
grfico
de
control
de
disconformidades por unidad (u)
dado que pueden aparecer varias no
conformidades independientes en una
unidad de producto o servicio
(mdulo).
Muestra Mdulos
Total
Proyecto verificados incidencias
1
12
12
2
14
10
3
16
16
4
20
22
5
14
8
6
17
10
7
14
18
8
15
12
9
18
14
10
16
15
11
12
12
12
13
14
13
15
10
14
17
16
15
12
14
16
14
8
17
15
10
18
16
14
19
15
16
20
12
12
Total
297
263
Incidencias /
Mdulo
1,00
0,71
1,00
1,10
0,57
0,59
1,29
0,80
0,78
0,94
1,00
1,08
0,67
0,94
1,17
0,57
0,67
0,88
1,07
1,00
17,81
42
Posteriormente se calcula la lnea central LC.

Para ello primeramente hay que calcular el nmero de incidencias por mdulo.
u = (Suma disconformidades de la muestra) / n
Donde n es el nmero de muestras.
Para el ejemplo:
u = 17.81 / 20 = 0.8905
Clculo de los lmites de control:

LCS = u + 3( u / n )
LCI = u
- 3(
u /n )
Para el ejemplo:
n = 297 / 20 = 14.85
LCS = 0.8905 + 3
(0.8905 / 14.85)
= 0.8905 + (3 * 0.24488) = 1.62514
LCI = 0.8905 - 3
(0.8905 / 14.85)
= 0.8905 - (3 * 0.24488) = 0.15586
43
La grfica resultante es:

Grfico de control de disconformidades por unidad (u)
1,80
LCS = 1.62486
1,40
LC +2SD
Incidencias / Mdulo
1,60
1,20
1,00
0,80
0,60
0,40
LC +1SD
LC = 0.8905
LC - 1SD
LC - 2SD
0,20
LCI = 0.15586
0,00
0
10
12
14
16
18
20
Proyectos
Evaluacin:
Explicacin
Prueba
RT1:Tres sigma
Aprobada
RT2: Dos sigma
Aprobada
RT3: Un sigma
Aprobada
Aprobada
Aprobada
RT6: Estratificacin
Aprobada
Aprobada
Aprobada

44
REFERENCIAS
De Muro, F. y Ortega, P. (N.D.). Presentacin 6 Sigma aplicado a la ingenieria de mantenimiento.
En: http://pmlconsultores.com.ar/documentacion
Herdoiza, V., Jimenez, M. y Otros (N.D.). Presentacin sobre Six Sigma. Sistema de Gestin de Calidad. Escuela Superior Politcnica del Litoral.
En: http://www.slideshare.net/mayita14/six-sigma-presentation-706895
Hinojosa Raza, C.M. (2008). Seis Sigma y el Proceso de Desarrollo de Software. ESPE 2008. Tercer Congreso de Ciencia y Tecnologa. Departamento
de Ciencias de la Computacin. Escuela Politcnica del Ejrcito de Ecuador.
ISO/TR 10017:2003. Orientacin sobre las tcnicas estadsticas para la Norma ISO 9001:2000.
En: http://es.scribd.com/doc/42023516/ISO-TR-10017-2003-Tecnicas-estadisticas-Espanol
Kulpa, M. K., Johnson, K. A. (2008). Interpreting the CMMI: a process improvement approach. Second Edition. ISBN 9781420060522. pp. 237242.
Olofsson, O. (2011). Calculador del Nivel Sigma y de DPMO.
En: http://world-class-manufacturing.com/es/Sigma/level.html
Snchez, J. L. (2008). Control Estadstico de Procesos. En libro: Medicin y estimacin del software. Editores: Piattini Velthuis, Mario; Garca Rubio,
Flix; Garzs Parra, Javier; Genero Bocco, Marcela. Alfaomega Ra-Ma. pp 173-189. ISBN:978-970-15-1413-9.
Vega, J.A. (1999). Las Siete Herramientas Bsicas de la Calidad. Diplomado en Calidad en el Software.
--------------------- FIN DEL DOCUMENTO
45

CS 1CALIDAD DE SW 6 CEP Completo

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

CS 1CALIDAD DE SW 6 CEP Completo

Transféré par

Droits d'auteur :

Formats disponibles

Calidad de Software Cpsula 16

PARTE 1. CONTROL ESTADSTICO DE PROCESOS Y SUS HERRAMIENTAS

Calidad de Software Cpsula 16

Figura 1.1. Ejemplo de grfico de variacin de rendimiento

Calidad de Software Cpsula 16

Usamos los lmites naturales de control de la variacin del rendimiento

Calidad de Software Cpsula 16

GESTIN CUANTITATIVA EN CMMi

Seleccionar las medidas y las tcnicas analticas a usarse en la gestin cuantitativa.

Gestin cuantitativa del proyecto

Monitorizar el rendimiento de los subprocesos seleccionados utilizando la estadstica y otras

Gestionar el proyecto utilizando la estadstica y otras tcnicas cuantitativas para determinar si o

Calidad de Software Cpsula 16

Figura 1.2. Ejemplo de Hoja de Revisin o de Verificacin (Check sheet).

Calidad de Software Cpsula 16

Figura 1.3. Ejemplo de Diagrama de Ejecucin (Run chart).

Calidad de Software Cpsula 16

03. Histograma (Histogram). Tal como se muestra en la Figura 4, el histograma es un

Figura 1.4. Ejemplo de Histograma.

Calidad de Software Cpsula 16

Figura 1.5. Ejemplo de Diagrama de Pareto (Pareto chart).

Calidad de Software Cpsula 16

05. Diagrama o Grfico de Dispersin (Scatter diagram/chart). Tal como se muestra en

Figura 1.6. Ejemplo de Diagrama o Grfico de Dispersin (Scatter diagram/chart).

Calidad de Software Cpsula 16

Figura 1.7. Ejemplo de Diagrama de Causa y Efecto o Espina de Pescado

Calidad de Software Cpsula 16

Calidad de Software Cpsula 16

Calidad de Software Cpsula 16

Sirve para determinar el estado de control de un proceso.

Calidad de Software Cpsula 16

Su presencia es aleatoria, y no son de fcil deteccin, generalmente estn relacionadas con

Figura 1.8. Ejemplo de Diagrama o Grfico de Control (Control chart).

Calidad de Software Cpsula 16

Calidad de Software Cpsula 16

PARTE 2. METODOLOGA SIX SIGMA

1. Qu significa la palabra Sigma?

2. Qu es y para qu sirve Six-Sigma?

Calidad de Software Cpsula 16

Seis sigma utiliza herramientas estadsticas para la caracterizacin y el estudio de

Calidad de Software Cpsula 16

Una idea sobre esos porcentajes:

Calidad de Software Cpsula 16

3. Los submodelos de Six-Sigma

Calidad de Software Cpsula 16

Calidad de Software Cpsula 16

4. Six Sigma en el Proceso de Desarrollo de Software

Con estas consideraciones se ha visto que para el proceso de desarrollo de software,

Calidad de Software Cpsula 16

Definir los Problemas: Corresponde revisar detalladamente el historial de los

Calidad de Software Cpsula 16

Medir: En esta etapa es preciso tener en cuenta que la informacin numrica es

Calidad de Software Cpsula 16

5. Cmo establecer el nivel sigma de un proceso?

Calidad de Software Cpsula 16

En Seis Sigma el objetivo es lograr que DPMO sea inferior a 3.4.

Calidad de Software Cpsula 16

Tabla 2.2. Nivel de sigma a partir del valor DPMO.

Y retomando los valores del ejemplo, el nivel de sigma sera de 4.5.

Calidad de Software Cpsula 16

PARTE 3. PROCESO BAJO CONTROL Y MANEJO DE GRFICOS DE CONTROL

Definicin de la situacin anmala

1 punto ms all 3 desviaciones estndar desde la lnea central.

2 de 3 puntos consecutivos ms all 2 desviaciones estndar (pero menor a 3