Dmaic Rev

ACREDITACIN Y CERTIFICACIN
REGISTRO Y ALIANZAS
Instituto para la Calidad PUCP 2016. Todos los derechos reservados.
TEMARIO
1.0 ETAPA DEFINIR
1.1 DMAIC del Lean Six sigma
1.2 Identificacin y seleccin del problema
1.3 Project Charter
1.4 SIPOC
1.5 Diagrama CTQ
2.0 ETAPA MEDIR
2.1 Anlisis del Sistema de medicin
2.2 Normalidad
2.3 Control del proceso (Grficas de control)
2.4 Capacidad de procesos
2.5 Clculo del nivel sigma del proceso
SIGUE TEMARIO
3.0 ETAPA ANALIZAR
3.1 Diagrama de anlisis de Causa Efecto
3.2 5 por qu?
3.3 AMEF 1. Anlisis de Modo y Efecto de Fallas
3.3 Correlacin y regresin lineal
3.4 Introduccin a las pruebas de hiptesis, y al ANOVA
4.0 ETAPA MEJORAR / IMPLEMENTAR
4.1 AMEF 2
4.2 Plan de implementacin de soluciones
4.3 Nuevo nivel sigma del proceso
5.0 ETAPA CONTROLAR
5.1 Plan de control del proceso mejorado
5.2 Estandarizar y control del proceso mejorado (grficas de control)
5.3 Entregables
TEMARIO SESIN 1: Etapa Definir

1.
Identificacin y seleccin de problemas
2.
SIPOC (Supplier, Input, Process, Output, Costumer)
3.
Definicin de los CTQ (Critical to quality)
4.
QFD (Quality Function Deployment)
Producto de aprendizaje esperado sesin 1
CTQs, QFD y diagrama SIPOC
Definir
Pasos claves
Expresar las necesidades del cliente (critical to quality).
Asignar lder de proyecto y miembros del equipo.
Documentar el caso de negocio (project charter)
Desarrollar la declaracin del problema.

Identificar parmetros crticos para la satisfaccin (CTS).
Negociar normas de funcionamiento (carta compromiso).
Caractersticas de un buen proyecto

1. Ligado a las prioridades del negocio y relacionado con
algn parmetro importante para el cliente, CTQ (critical to

quality).
2. De alcance razonable.
3. Tiene una mtrica adecuada. Uso de indicadores.

4. Cuenta con el apoyo y aprobacin de la administracin.
5. El impacto financiero debe ser validado por el rea de
finanzas.
Caractersticas crticas de calidad - CTQ

Son las caractersticas crticas de un producto (bien o servicio)
que son altamente apreciadas por el cliente. Las cuales
normalmente se deben de expresar con un indicador numrico.
Ejemplo:
Tiempo de respuesta / Tiempo de entrega.
Contraccin de protenas.
Porcentaje de grasa.
Kw / h.
Caractersticas crticas de calidad

Requerimien
tos del
cliente (1)
Especificaciones (1)
Necesidades
del cliente
Requerimien
tos del
cliente (2)
Requerimien
tos del
cliente (3)
Caractersticas crticas de calidad

Cantidad
/racin diaria
Cantidad de
carbohidratos
Cantidad de
protenas
Alimento
nutritivo
Composicin
nutricional
Cantidad de grasas
Sabores
Cantidad de
minerales
Qu son los xs y los ys?
Parmetros de Xs
Ys
Xs
Entradas
PROCESO
Salidas
Parmetros del
y = f(x)
Producto, Ys
Pasos del mapeo de Proceso

1.
Identifique entradas y salidas.
2.
Muestre todos los pasos.
3.
Mostrar las salidas de cada paso.
4.
Mostrar todos los parmetros del proceso en cada paso.
5.
Clasificar los parmetros.
Los Procesos vienen en jerarquas

Proceso - Nivel #1
Paso #1
Paso #2
Paso #3
Proceso - Nivel #2
Paso #1
Paso #2
Paso #3
Proceso - Nivel #3
Paso #1
Paso #2
Paso #3
Seleccionar el nivel de proceso apropiado.

SIPOC del proceso de galvanizado
Diagrama SIPOC para definir clientes internos y

externos en base a procesos
Despliegue de la Funcin de
Calidad - QFD
QFD, un mal nombre para una buena

herramienta
CIPD: Customer Inspired Product Development

Fuente: c2c Solutions.
3 ideogramas de traduccin dudosa

HIN SHITSU = Calidad, Caractersticas,
Atributos, Cualidades.
KI NOU = Funcin, Mecanizacin,
Sistemtica.
TEN KAI = Despliegue, Difusin, Desarrollo,
Evolucin
CIPD: Customer Inspired Product Development
Despliegue de la
Funcin de Calidad
Desarrollo de Producto
inspirado por clientes
QFD es una herramienta de planificacin que desarrolla una sistemtica

para transmitir las caractersticas que deben tener los productos a lo largo de
todo el proceso de desarrollo.
Yoji Akao padre del QFD
Para qu sirve el QFD?

Identificar las necesidades y expectativas de los
clientes, tanto externos como internos, en base a un
producto ofrecido.
Priorizar la satisfaccin de estas expectativas en
funcin de su importancia.
Realizar desarrollos futuros anticipndose a los
cambios de las necesidades de los clientes.
Focalizar todos los recursos en la satisfaccin de
dichas expectativas.
Instituto para
la del
Calidad
PUCP 2016.
derechos
reservados.
PontificiaUniversidad
Catlica
Per -Instituto
para la Todos
Calidad,los
2016.
Todos los
derechos reservados
Historia y Antecedentes
1960s Es introducido en Japn por los profesores Shigeru Mizuno and Yoji Akao.
1966 - Se desarroll a gran escala por Kiyotaka Oshiumi en la fbrica de neumticos Bridgestone.
1972 - en la construccin de barcos y tanques de petrleo de la Kobe Shipyards en los astilleros

de Mitsubishi Heavy Industry de la Mitsubishi Industries en Kobe, Japn.
1976 Yoshi Akao publica en medios japoneses QC Process Table.

1978 - aparece el primer libro de QFD escrito por Mizuno y Akao.
1979 Toyota lo introduce en todas sus actividades.

1983 Se introduce QFD en Estados Unidos y Europa. Akao es invitado por ASQ en Chicago.
Escribe en la Revista Quality Progress.

1989 Se organiza la primera cumbre mundial de QFD.
1990s Se crean diversos organismos e institutos que promueven el uso de la metodologa.
(QDFI.org, QFDlat, IC-QFD, otros)
2000s - QFD ha tomado muchas formas y versiones (House of Quality, eQFD), debido a la
necesidad de adaptarse a la mentalidad occidental, y en parte a su propia evolucin.
Versiones de QFD
QFD de las Cuatro Fases: creado por Macabe y divulgado en los
EUA por CLAUSING (1993) y por la American Supplier Institute
(ASI);
QFD-Extendido: creado por Don Clausing a partir de la versin
de las Cuatro Fases; Clausing e Pugh (1991).
QFD de los Cuatro nfasis: creado principalmente por los
Profesores Akao y Mizuno, a partir de la Union of Japanese
Scientists and Engineers (JUSE) (CHENG et al., 1995 y AKAO,
1996);
La Matriz de las matrices: una extensin de la versin de los
cuatro nfasis (KING, 1989).
Modelo de Kaneko: presentado en 1991 para aplicacin en
servicios a partir del modelo conceptual de AKAO, compuesto
por seis matrices
QFD 4 fases - Macabe

Requerimientos clientes
Cmo
Plan de
calidad
Proceso de
produccin
Componentes
especficos
Necesidades
del cliente
Requerimientos
de diseo
Requerimientos
del diseo
Cmo
Componentes
especficos
Cmo
Proceso de
produccin
Cmo
Qu
Qu
Qu
Qu
Proceso de diseo del producto utilizando equipos multifuncionales de Marketing, diseo industrial y produccin.
Convierte las opiniones-preferencias- deseos del cliente en caractersticas especficas del producto.
Supone la creacin de 4 matrices o casas tabulares (divisin del diseo del producto en crecientes niveles de
detalle).
Evala los productos competidores
QFD a travs de la cadena de

valor
Esquema del desarrollo de un proceso de QFD
Fuente: Universidad de Belgrano
Quines la usan en Per?
Qu beneficios aporta el QFD?
Reduccin de los tiempos de desarrollo de nuevos

productos y servicios.
Optimizacin del producto o servicio para las
expectativas del cliente objetivo.
Ms eficacia: se concentran los esfuerzos en hacer
lo que hay que hacer.
Ms eficiencia: se reducen costos por fallas.
Antes y Despus de un QFD

PLAN
Determinar objetivos e
informacin necesaria
ACT
DO
Tomar decisiones y mejorar el

proceso
Recolectar datos de cliente y

competencia
CHECK
Evaluar la informacin
generada y evaluar los procesos
CHECK
Analizar y comprender la data,
a travs de QFD
Adaptado de Manager of Quality / Organizational Excellence Handbook 4th Ed.
Instituto para
la del
Calidad
PUCP 2016.
derechos
reservados.
PontificiaUniversidad
Catlica
Per -Instituto
para la Todos
Calidad,los
2016.
Todos los
derechos reservados
Componentes del QFD
SECTOR 1:
Requerimientos de Calidad de los clientes
Se listan los Requisitos de Calidad
(RQs) de los clientes o de los usuarios
de los servicios que ofrece la
organizacin y que se deben cumplir
en el diseo de un nuevo producto o
servicio. A esta seccin de la matriz se
denomina QUs.
SECTOR 2:
Benchmark del mercado
Por cada QUs, se identifican
atributos que poseen productos de la
competencia similares a los nuestros.
Tambin se considera nuestra propia
evaluacin del producto.
A todos estos factores se le atribuyen
valores entre 1 a 5, donde 1 indica una
menor importancia y 5 indica alta
importancia.
SECTOR 3:
Caracteristicas Tcnicas.
En este sector se detallan las
Caractersticas Tcnicas, los CMOs ,
es decir los modos como se cumplirn
las
expectativas
de
calidad
determinadas por los requisitos de
calidad de los clientes (QUEs). Por
cada requisito de calidad se obtienen
uno o varias caractersticas tcnicas
que se listan en cada columna del
sector 3.
SECTOR 4:
Matriz de relaciones
Se establece el grado de relacin que
se le asigna a cada una de las
caractersticas tcnicas para el
cumplimiento de los requerimientos
de calidad.
Se pueden utilizar diferentes escalas
de valoracin, por ejemplo: una
valoracin de 5 para una alta relacin,
3 si tiene una relacin media, 1 para
una relacin dbil o poca y 0 (cero) si
no tiene ninguna relacin.
SECTOR 5:
Ranking de Importancia.
Se determina la importancia de cada
caracterstica tcnica que se obtiene al
resolver la matriz de relaciones.
R = Sumatoria (Peso Absoluto (PA)n x Grado de relacin (GR)n )
Este sector tambin permite incorporar un

argumentos
de
valoracin
tcnica
expresado como un grado de dificultad
interno y valores de comparacin con las
caractersticas tcnicas de la competencia.
Matriz de Correlaciones.
Se colocan valores que representan el
grado en que cada requisito tcnico (RCs)
aporta o dificulta el desempeo de los
otros requisitos tcnicos considerados,
permitiendo identificar contradicciones
tcnicas en el diseo de productos, las
cuales se deben de resolver antes de
continuar con el desarrollo de la matriz.
Para el diseo de servicios y en especial
para el planeamiento no resulta muy til
por lo que se suele prescindir de esta zona
de trabajo.
QFD Paso a paso
1) Fijacin del objetivo
Qu caractersticas debe reunir el

producto?
2) Establecimiento de la lista de
Qus (Requerimientos de clientes)
Anticorrosivo
Resistente
Combinable.
Adhesin
Tensin.
3) Asignar coeficientes de peso (niveles de

importancia) a los Qus.
=9
=3
=1
Escala
Escalajaponesa:
japonesa:
Otra
Otraescala:
escala:
5
4
3
2
1
4) Evaluacin competencia
Evaluar el grado de excelencia alcanzado por
los competidores en cada uno de los qus.
Escala:
Escala:
5
4
3
2
1
1= Nosotros
2
B
A
C
A
C
C
C
C
A
CB A
A C
B
B A
B
C
A
B
A
B
B
A B
B C
5) Identificar los posibles Cmos
Precocinados.
Limpieza.
Alimentos congelados.
...
6) Analizar cmo influyen los Cmos y las

correlaciones que existen entre ellos
Smbolos de correlacin:
=
Fuerte correlacin positiva
=
=
=
Correlacin positiva
Correlacin negativa
Fuerte correlacin negativa
7) Asignar coeficientes de relacin entre

Qus y Cmos
Pes o
5
2
3
1
2
4
4
5
3
1
3
3
3
1
5
5
5
1
1
3
3
5
5
3
5
1
3
1
3
5
5
5
3
5
3
Escala:
Escala:
0: Ni nguna relacin
1: Baja relacin 3:
Media relacin
n.
5: Alta relacin
8) Cuantificar los objetivos de los Cmos

en relacin a la competencia
COM PETENCIA
EMPRESA A
EMPRESA B
EMPRESA C
OBJETIVO: O
5
4O
3A
2 CB
1
AB O O
CO C
A
AB B
C
OA
O BC AO O
CB A
A
CB
CB
DIFICULTAD
PUNTUACIN
ABSOLUTA
PUNTUACIN
RELATIVA
PRIORIDAD
Hilo Mus.
12-15 h
2 + Reg.
Norma X
19-22 C
ESP. <5
X pta/mes
CUANTIFICACIN PROPUESTA
x pta/cub
9) Puntuar cada uno de los Cmos

y jerarquizarlos
56 219 118 12
9 344 57 25
10 26 21
1 31
GRADO DE DIFICULTAD
1-2-3-4-5
PROB. DE XITO
Fuerte negativa
Dbil negativa
Alto poder de aspiracin
Seguridad para nios
Durabilidad
ESPECIFICACIONES
Potencia de
aspiracin
Longitud del tubo
Nivel de ruido
Inferior a
60 dB
Dbil positiva
Fuerte positiva
Mximo
2 metros
Mnimo
20 kPa
Comodidad de manejo
Inferior
a 150 euros
NECESIDADES
DE CALIDAD
30 x 45 x 30
cm
Dimensiones
Importancia otorgada
por el cliente
Coste
MATRIZ DE
CORRELACIN
ELEMENTOS
DE CALIDAD
Peor
Mejor
Ejemplo de QFD.
El objetivo del
equipo es
desarrollar un
nuevo diseo de
aspiradora
domstica.
Evaluacin
competitiva
del cliente
Relacin dbil
Relacin media
Relacin fuerte
Mejor
Evaluacin
competitiva
tcnica
Peor
Instituto
para la Calidad PUCP 2016. Todos los derechos reservados.
Fuerte negativa
Dbil negativa
Alto poder de aspiracin
Seguridad para nios
Durabilidad
ESPECIFICACIONES
Potencia de
aspiracin
Longitud del tubo
Nivel de ruido
Inferior a
60 dB
Dbil positiva
Fuerte positiva
Mximo
2 metros
Mnimo
20 kPa
Comodidad de manejo
Inferior
a 150 euros
NECESIDADES
DE CALIDAD
30 x 45 x 30
cm
Dimensiones
Importancia otorgada
por el cliente
Coste
MATRIZ DE
CORRELACIN
ELEMENTOS
DE CALIDAD
Peor
Mejor
Evaluacin
competitiva
del cliente
Relacin dbil
Relacin media
Relacin fuerte
Mejor
Evaluacin
competitiva
tcnica
Peor
Instituto
para la Calidad PUCP 2016. Todos los derechos reservados.
TEMARIO SESIN 2: Etapa Definir - Medir
1. Project Charter
2. Capacidad de proceso.
3. Calculo del nivel sigma del proceso.
Project Charter, Normalidad y Control de

Proceso
Medir
Pasos clave
Desarrollar el mapa de proceso (SIPOC)
Buscar las variables claves del proceso (filtrado)
Recolectar datos y analizarlos.
Asegurar el sistema adecuado de medicin.

Establecer la capacidad de proceso base.
Completar Evaluar R&R
Completar el anlisis de capacidad del proceso (nivel sigma).
Project Charter
Es un acta de compromiso del proyecto.
En este documento se deber precisar, por lo menos:
1.
Nombre del proyecto
2.
El alcance del proyecto / rea o proceso donde se

enmarca el proyecto.
3.
Fecha de inicio y fecha de trmino.
4.
Cronograma de trabajo en funcin de las 5 fases.
5.
Breve descripcin del problema.
6.
Objetivo a alcanzar / beneficios econmicos del proyecto.
7.
Los El equipo del proyecto.

Ejemplo:
CARTILLA DEL EQUIPO/PROYECTO (PROJECT CHARTER)
Nombre del Proyecto RECUPERAR LA RENDIMIENTO DE LOS HORNOS C Y D
N Proyecto: 002-13
Fecha (Ultima Revisin): 20-jun

Area: ELABORACIN
Seccin: SECADO
Preparado Por: C.CASTAEDA / J. KOBASHIGAWA

Aprobado Por: A. NOBOA
Caso de Negocio:
EL RENDIMIENTO DE LOS HORNOS DE SECADO C Y D; SE ENCUENTRA DEBAJO
EN UN 4% DEL TOTAL DE SU CAPACIDAD (CAPACIDAD = 64 TM).
Oportunidad (Problema de Alto Nivel):

Definicin del Defecto: SE TIENE MS DEL 35% DE LAS
MUESTRAS FUERA DE ESPECIFICACIN
Objetivo:
Alcance del Proyecto:
RECUPERAR EL RENDIMIENTO EN LOS HORNOS C/D; A 64 TM
Punto de Partida del Proceso: CARGA DEL HORNO

Punto de Llegada del Proceso: DESCARGA DEL HORNO
Ahorros/Beneficios Esperados:
Aumentar la HUMEDAD de la malta > 4.5%
Mejorar el indicador FACTORY EFICENCE >102.5 %
Mejorar el indicador ENERGA TOTAL < 3300 Mj/Ton
Dentro del Alcance: PROCESO DE SECADO

Fuera del Alcance: OTROS PROCESOS NO INDICADOS
Plan del Proyecto:

Tarea/Fase
Equipo:
Nombre:
Rol:
J. KOBASHIGAWA
D. FARRO
Dueo proceso
Miembro
10%
18-ago
C. CORDOBA
Miembro
10%
18-ago
30-ago
E. PEREZ
Miembro
10%
30-ago
15-sep
J. CHIPOLLINI
Miembro
10%
M. VILCA
Miembro
10%
M. PEBE
Miembro
10%
C. CASTAEDA
Facilitador
20%
J. KOBASHIGAWA
Facilitador
20%
DEFINIR
Fecha de Inicio
20-jun
Fecha de Trmino
10-jul
MEDIR
20-jul
10-jul
ANALIZAR
12-jul
MEJORAR
CONTROLAR
Trmino Real
Compromiso (%):
Criterios para seleccionar los problemas

Aspectos
Significado
Afecta la calidad del producto final o del proceso. No se
Calidad (Q)
cumple con lo planificado.
Representa costos innecesarios en los procesos.
Costo (C)
Retrasa o complica la entrega del producto al cliente o al
Entrega (D)
siguiente proceso.
Seguridad (S)
Representa un riesgo para la seguridad de los
trabajadores.
Afecta las relaciones interpersonales, trabajo en equipo
Moral (M)
y en general el clima organizacional.
Environment (E)
Afecta el entorno laboral y medio ambiente.
Capacidad del Proceso

Consiste en conocer la amplitud de la variacin natural del
proceso para una caracterstica de calidad dada, ya que
esto permite saber en que medida tal caracterstica de
calidad es satisfactoria (cumple especificaciones).
ndices de capacidad de proceso

ndices para procesos con
doble especificacin
Cp, Cr, Cpk, K y

Cpm
ndices para procesos con

una especificacin
Cpi y Cps
ndices de largo plazo
Pp y Ppk
Mtricas Seis Sigma
Z, Zl, Zc PPM y
DPMO
ndice Cp
Indicador de la capacidad potencial del proceso que
resulta de dividir el ancho de las especificaciones
(variacin tolerada) entre la amplitud de la variacin
natural del procesos.
Variacin tolerada
Cp
Variacin real
ES EI
Cp
6
Valores del Cp y su interpretacin

Valores del
ndice Cp
Clase o Categora del

Proceso
Cp 2
Clase Mundial
Cp > 1.33
Adecuado
1 < Cp < 1.33
Parcialmente adecuado, requiere de un

control estricto.
0.67 < Cp < 1
Cp < 0.67
Decisin (si el procesos est centrado)

Se tiene calidad Seis Sigma
No adecuado para el trabajo. Es necesario un

anlisis del proceso. Requiere de
modificaciones serias para alcanzar una
calidad satisfactoria.
No adecuado para el trabajo. Requiere de
modificaciones muy serias.
Nota: Cp no es igual al porcentaje de piezas que cumplen con las especificacin.
Ejemplo
Una caracterstica de calidad importante en la fabricacin
de una llanta es la longitud de capa, que para cierto tipo de
llanta debe de ser de 780 mm con una tolerancia de 10

mm. Siendo la EI = 770 y la ES = 790, con un valor
nominal de N = 780.
Resultado de la medicin de muestras se tiene = 783 y

=3
Caculo del Cp
ES EI
Cp
6
Cp = (790 770)/ 6(3) = 1.11
El proceso tiene una capacidad parcialmente adecuada y

requiere de un control estadstico.
ndice Cpk
Indicador de la capacidad real de un procesos que se
puede ver como un ajuste del ndice Cp para tomar en
cuenta el centrado del proceso.
El ndice Cpk es igual al valor ms pequeo de entre los
ndices Cpi y Cps
EI ES
Cpk Minimo
,
3
3
Clculo del ndice Cpk
EI ES
Cpk Minimo
,
Cpk =mnimo (783 - 770) / 3(3) ; (790 783) / 3(3)

1.444 ; 0.777
El ndice Cpk es igual al valor ms pequeo de entre Cpi y

Cps, es decir, es igual al ndice unilateral ms pequeo.
Si Cpk es mayor a 1.25 (teora), el proceso es capaz.
Capacidad no satisfactoria.
Cp= 1, Cpk = 0
ndice Cpm (ndice de Taguchi)

(ndice de Taguchi) similar al Cpk, que en forma simultnea,
toma en cuenta el centrado y la varianza del proceso.
El objetivo es reducir la variabilidad alrededor del valor nominal
(calidad optima).
El valor N por lo general es igual al punto medio de las
especificaciones.
Si el proceso est centrado, es decir, = N, entonces Cp, Cpk y
Cpm son iguales
ES EI
C pm
6t
t ( N )
2
ndice Cpm
ES EI
C pm
6t
t ( N )
2
Cpm = (790 770) / 25.46 = 0.79

Entonces Cpm = 0.79, Cp = 1.11 y Cpk = 0.78
Interpretacin Cpm
Cuando el Cpm es menor a uno significa que el proceso no cumple con

especificaciones, ya sea por problemas de centrado o por exceso de
variabilidad.
Por el contrario, cuando Cpm es mayor que uno, eso quiere decir que el
proceso cumple con especificaciones, y en particular que la media del
proceso est dentro de la tercera parte central de la banda de
especificaciones.
Si Cpm es mayor que 1.33, entonces el proceso cumple especificaciones,
pero adems la media del proceso est dentro de la quinta parte central
del rango de especificaciones.
ndice Z
Es la mtrica de capacidad de procesos de mayor uso en
Seis Sigma. Se obtiene calculando la distancia entre la
media y las especificaciones, y esta distancia se divide
entre la desviacin estndar.
Zs
ES
EI
Zi
Z mnimoZs, Zi
Calidad de Corto plazo y Largo Plazo en trminos de

Cp, Zc, ZL y PPM
Calidad del Procesos en Corto Plazo
Cp
Zc
% dentro de
especificaciones
0.33
0.67
Calidad del Proceso en Largo Plazo
PPM
ZL
% dentro de
especificaciones
68.27
317,300
- 0.5
30.23
697,700
95.45
45,500
0.5
69.13
308,700
1.00
99.73
2,700
1.5
93.32
66807
1.33
99.9937
63
2.5
99.379
6210
1.67
99.999943
0.57
3.5
99.9767
233
2.00
99.999998
0.002
4.5
99.99966
3.4
PPM
Ejemplo
En un proceso de envasado de cemento, se tiene las
especificaciones del contenido de los costales 50 Kg., con
una
tolerancia
de
0.6
Kg.
De
esta
forma
las
especificaciones son EI = 49.4 Kg., y ES = 50.6 Kg. Siendo

= 50.01 y la desviacin estndar de 0.2 Kg
APORTES DE GENICHI
TAGUCHI
FUNCIN PERDIDA DE TAGUCHI.
L(y)= Prdidas $
Desempeo
del
producto
K = Coef. Costo
y = Valor de la
caract. Calidad
m = Valor nominal
Costos
FUNCIN DE PRDIDA
TAGUCHI
Robustez = Alta calidad
Todas las actividades de ingeniera de calidad tienen como
objetivo fundamental fabricar un producto robusto frente a
todos los factores de ruido.
Lo robusto de un producto implica que su caracterstica
funcional no se vea afectada por los factores de ruido.
Buena calidad significa tener una variacin funcional mxima,
esto es un producto que funcione de acuerdo con lo
planeado, en las ms diversas condiciones y durante el tiempo
de vida para el que fue diseado.
FUNCIN DE PRDIDA
TAGUCHI
Factores de ruido
Causan que una caracterstica funcional se desve de
su valor objetivo.
Los factores de ruido causan variacin y prdida de
calidad....
Taguchi ha observado que esta prdida de calidad

constituye una prdida de tiempo y dinero tanto a
los consumidores como a los fabricantes y en ltimo
trmino a la sociedad.
FUNCIN DE PERDIDA
TAGUCHI
Tipos de ruido
Ruido externo: Este ruido se da durante el uso del
producto y puede ser producido por cambios de
temperatura, humedad y polvo.
Ruido interno: (Deterioro) Este es un gasto de los
componentes del producto.
Ruido entre productos: Variacin entre productos

que son manufacturados bajo especificaciones
similares.
Taguchi llama a los factores incontrolables

factores de ruido.
Ruido es cualquier cosa que causa a una caracterstica de
la calidad desviarse de su objetivo, el cual
subsecuentemente causa una prdida de calidad. La
temperatura, altura, y nivel de combustible, son
considerados factores externos de ruido porque ocurren
fuera del producto.
La proporcin seal - ruido es un ndice de robusticidad
de calidad, y muestra la magnitud de la interaccin entre
factores de control y factores de ruido.
Funcin de prdida para una caracterstica del tipo:
Nominal es mejor.
Se expresa con la siguiente ecuacin:
L(y) = K(y-m)2
L (y) = Prdida en dinero por unidad de producto cuando las
caractersticas de calidad son iguales a y.
y = Valor de la caracterstica (longitud, anchura, etc.)
m = Valor nominal de y.
K = Constante de proporcionalidad.
L (y) = Es mnima cuando y=m
L (y) = Aumenta en la medida en que y se desva de m.
L (y)= Se expresa en unidades monetarias
Determinaremos la funcin de prdida para el

circuito de la fuente de poder de un televisor, en
donde el valor nominal de y (voltaje de salida) es
m= 115 volts, la tolerancia del consumidor es de
20 volts y que el costo promedio por reparar o
reemplazar el televisor es de $ 100.
Esto ocurre cuando y est fuera del rango,
estando el aparato ya en manos del consumidor.
Determine la constante de proporcionalidad
Cuando el voltaje de salida llega a ser 95 o 135 Voltios,

alguien paga $100. Mientras la salida es 115 Voltios la
prdida es mnima.
TEMARIO SESIN 3: Etapa Medir
1.
Graficas de control por variables y atributos
Resolucin de ejercicios de Capacidad de

procesos y Nivel Sigma
Grfica de Control
Es un diagrama estadstico que representa el
comportamiento de un proceso, utilizando para ello, el
Promedio y el rango de una muestra de datos.
Utilidad
La grfica de control indica cundo corregir o ajustar un
proceso y cundo dejarlo slo.
Sirven para vigilar la estabilidad de un proceso.
Indican la conducta de la organizacin en forma grfica.
Tipos de causas de variabilidad

en un proceso
Causas comunes
Suelen ser muchas y cada una
produce pequeas
variaciones.
Son parte permanente del
proceso.
Son difciles de eliminar y
forman parte del sistema.
Afectan a todo el conjunto de
mquinas y operarios.
Causas especiales
Suelen ser pocas pero con

efectos importantes en la
variabilidad.
Aparecen espordicamente.
Son relativamente fciles de
eliminar.
Por lo general su efecto est
localizado en una(s)
mquina(s) u operario(s).
Tipos de Grficas de Control

Grfico de control por variables
* Grfico promedio-rango (-R)
* Grfico promedio-desviacin estndar (- S)
* Grfico de mediciones individuales
Grfico de control por atributos
* Grfico p (proporcin o fraccin defectuosa)
* Grfico np (nmero de unidades defectuosas)
* Grfico c (nmero de defectos)
* Grfico u (nmero de defectos por unidad)
Grfica X R
Se usa para controlar y analizar un proceso en el cual
las caractersticas de calidad del producto est dado en
valores continuos, tales como: longitud, peso o
concentraciones.
Una grfica R se usa en combinacin con una grfica X.
Se emplean para procesos masivos, de mediano a alto
volumen.
A medida que n crece, las cartas son capaces de
detectar cambios en el proceso.
Clculo de los Lmites de Control X R
LCS x A 2 R
LCS D4 R
LC x
LC R
LCI x A 2 R
LCI D3 R
R
d
2
Nota / ojo: se usa el promedio del promedio de x

Ejemplo
En una corrida de produccin, se extrajeron 20 muestras
de los resultados de un mquina que produce remaches de
acero para la construccin industrial. Las muestras se

tomaron a intervalos de 10 minutos, y cada una consista
en n = 4 remaches, cuyas longitudes fueron medidas.
Ejemplo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
G
Sample
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
H
Item 1
1.405
1.407
1.385
1.386
1.382
1.404
1.409
1.399
1.408
1.399
1.394
1.409
1.405
1.390
1.393
1.413
1.410
1.407
1.411
1.404
I
Item 2
1.419
1.397
1.392
1.419
1.391
1.406
1.386
1.382
1.411
1.421
1.397
1.389
1.387
1.410
1.403
1.390
1.415
1.386
1.406
1.396
J
Item 3
1.377
1.377
1.399
1.387
1.390
1.404
1.399
1.389
1.394
1.400
1.396
1.398
1.399
1.388
1.387
1.395
1.392
1.396
1.392
1.391
K
Item 4
1.400
1.393
1.392
1.417
1.397
1.402
1.403
1.410
1.388
1.407
1.409
1.399
1.393
1.384
1.415
1.411
1.397
1.393
1.387
1.390
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
G
Sample
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
H
Item 1
1.405
1.407
1.385
1.386
1.382
1.404
1.409
1.399
1.408
1.399
1.394
1.409
1.405
1.390
1.393
1.413
1.410
1.407
1.411
1.404
I
Item 2
1.419
1.397
1.392
1.419
1.391
1.406
1.386
1.382
1.411
1.421
1.397
1.389
1.387
1.410
1.403
1.390
1.415
1.386
1.406
1.396
J
Item 3
1.377
1.377
1.399
1.387
1.390
1.404
1.399
1.389
1.394
1.400
1.396
1.398
1.399
1.388
1.387
1.395
1.392
1.396
1.392
1.391
K
Item 4
1.400
1.393
1.392
1.417
1.397
1.402
1.403
1.410
1.388
1.407
1.409
1.399
1.393
1.384
1.415
1.411
1.397
1.393
1.387
1.390
L
Rango
0.042
0.030
0.014
0.033
0.015
0.004
0.023
0.028
0.023
0.022
0.015
0.020
0.018
0.026
0.028
0.023
0.023
0.021
0.024
0.014
0.022
M
Promedio
1.400
1.394
1.392
1.402
1.390
1.404
1.399
1.395
1.400
1.407
1.399
1.399
1.396
1.393
1.400
1.402
1.404
1.396
1.399
1.395
1.398
INSTITUTO PARA
LA Instituto
CALIDAD
2014.
reproduccin
o parcial
sin permisoreservados.
del autor y del Instituto para la Calidad de la
para
la Prohibida
Calidad su
PUCP
2016. total
Todos
los derechos
Pontificia Universidad Catlica del Per.
Grfica R
UCL=0.05087
Rango de la muestra
0.05
0.04
0.03
_
R=0.0223
0.02
0.01
0.00
LCL=0
1
9
11
Muestra
13
15
17
19
Grfico X S
Diagrama para varianzas que aplican a procesos
masivos, en los que se quiere tener una mayor potencia
para detectar pequeos cambios.
Se emplean para procesos masivos, de mediano a alto
volumen.
A medida que n crece, las cartas son capaces de
detectar cambios en el proceso.
Por lo general, el tamao de los subgrupos (n) es mayor
a 10.
Clculo de los Lmites de Control X S
LCS X 3
S
LCS S 3
1 c2 4
c4
c4 n
LCC S
LC X
LCI X 3
S
2
LCI S 3
1 c 4
c4
S
c4 n
c
4
Nota / ojo: se usa el promedio del promedio de x
Ejemplo
En la elaboracin de envases de plstico, se debe tener
pesos entre 28 0.5 g. Cada media hora se toma un sub
grupos de 10 envases y se pesan. Las medidas de los

ltimos 20 subgrupos se muestran en la tabla adjunta.
Ejemplo
N
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
medias
28.048
28.042
27.985
27.968
28.044
28.162
27.981
27.985
28.024
27.973
28.021
28.026
28.004
27.993
27.949
28.028
27.99
28.004
27.997
28.014
desviacion
0.1343
0.1596
0.0846
0.0868
0.1086
0.1029
0.1241
0.101
0.0924
0.1049
0.1157
0.1127
0.0841
0.109
0.1285
0.1116
0.0927
0.1691
0.1083
0.1031
Grfica X
28.20
1
28.15
Valor individual
UCL=28.1286
28.10
28.05
_
X=28.0119
28.00
27.95
27.90
LCL=27.8952
1
9
11
13
Observacin
15
17
19
Grfica S
UCL=0.1761
0.175
Valor individual
0.150
0.125
_
X=0.1117
0.100
0.075
0.050
LCL=0.0473
1
9
11
13
Observacin
15
17
19
Cartas Individuales
Es un diagrama para variables de tipo continuo que se aplica a
procesos lentos y/o donde hay un espacio largo de tiempo entre
una medicin y la siguiente.
Ejemplo:
Procesos qumicos que trabajan por lotes.
Procesos de fermentacin, mayores a 100 horas de produccin.
Procesos en los que las mediciones cercanas solo difieren por el
error de medicin. Ejemplo, temperaturas en procesos,
humedad relativa en el medio ambiente, etc.
Algunas mediciones administrativas que se obtienen cada da o
semana.
Donde:
x X
Lmites :
R
R
x
d 2 1.128
R
X 3*
1.128
Ejemplo: cartas individuales

Latas de caf de una libra son llenadas por una mquina, se
sellan y despus se pesan automticamente. Despus de hacer
el ajuste para el peso de la lata, cualquier paquete que pese
menos de 16 onzas se retira de la transportadora. Abajo se
presentan los pesos de 25 latas sucesivas. Establecer una carta
de control de rango mvil y una carta de control para las
mediciones individuales. Estimar la media y la desviacin
estndar de la cantidad de caf empacado en cada lata.
Es razonable suponer que el peso de las latas tiene una
distribucin normal?
Nmero de lata
Peso
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
16.11
16.08
16.12
16.1
16.1
16.11
16.12
16.09
16.12
16.1
16.09
16.07
16.13
16.12
16.1
16.08
16.13
16.15
16.12
16.1
16.08
16.07
16.11
16.13
16.1
Ejemplo: cartas individuales

La viscosidad de un polmero se mide cada hora.
Las mediciones de las ltimas 20 horas fueron:
La viscosidad sigue una distribucin normal?
Establecer una carta de control para la viscosidad y una carta del
rango mvil.
El proceso indica control estadstico?
Prueba
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Viscosidad
2838
2785
3058
3064
2996
2882
2878
2920
3050
2870
3174
3102
2762
2975
2719
2861
2797
3078
2964
2805
TEMARIO SESIN 4: Etapa Analizar

1.
2.
3.
Diagrama de anlisis de causa efecto y tcnica de

los 5 por qu?
Anlisis de correlacin lineal.
Diagrama de Pareto
Diagrama de regresin, Espina de pescado y

Pareto
Analizar
Pasos claves
Verificar causas raz
Enfocar la bsqueda en las variables clave del proceso.
Diagramas de causa y efecto

Pruebas de hiptesis
Diseo de experimentos - DOE
Correlacin/regresin
Anlisis de la varianza (ANOVA)
Diagrama de Causa Efecto / Ishikawa /

Fish Bone
Es una tcnica grfica que enumera y organiza las
posibles causas o contribuciones a un problema.
Utilidad
Determinar las categoras (6Ms) principales de las
causas.
Preparar categoras de causa y efecto.

Colocar las causas en forma grfica o esquemtica.
Ayuda a identificar las causas ms probables.
Los seis factores de variacin

Hombre
Mquina
Mtodo
Problema
Sntoma o
efecto
Medicin
Materiales
Medioambiente
Condiciones de variacin
Mano de obra o gente
Perfil de puesto definido =
competencias mnimas.
Adecuado procedo de
induccin y/o capacitacin?
Habilidad (los operadores
han demostrado tener
habilidad para el trabajo
que realizan?).
La gente est motivada?
Conoce la importancia de
su trabajo por la calidad?
Mtodos
Proceso / flujo de trabajo
definido?
Procedimientos o
instructivos de trabajo
claros?
Documentos de trabajo:
formatos, plantillas, etc.
definidos?
Especificaciones de
producto?
Mquinas o equipos
Las mquinas tienen
mantenimiento preventivo?
Las mquinas han sido
modificadas?
Las mquinas estn
correctamente instaladas?
Existen
procedimientos/especificacion
es de operacin?
Especificaciones mnimas de
los materiales/insumos para el
ptimo funcionamiento de los
equipos?
Material
Se han identificado los
materiales/proveedores
crticos?
Se tienen las
especificaciones de los
materiales crticos?
Mediciones
Los equipos de medicin
se calibran o verifican?
El personal que opera los
instrumentos de medicin
ha sido capacitado?
Se han redefinido
procedimientos de
muestreo?
Medio ambiente
Condiciones de produccin
y almacenamiento?
Temperatura
Humedad
Iluminacin
Vibracin
Ruido.
Factor
Acciones para reducir variabilidad
Disciplina
Hombre
(Man)
Mquina
(Machine)
Mantenimiento (preventivo y correctivo)

Confiabilidad
Capacidad (Cp y Cpk)
Materiales
(Materials)
Matariles crticos
Proveedores crticos
Materiales y proveedores sustitos
Mtodo
(Method)
Normalizacin de actividades /tareas

Procedimientos documentados
Procesos definidos y mapeados
Medicin
(Measurement)
Medio ambiente
Control de temperatura, humedad, luz, aire,
Infraestructura /
(Milieu/Environm
presin, etc.
Operaciones
ent)
Perfil del puesto (soft y hard skills)

Induccin
Capitacin
Entrenamiento
Motivacin
Calibracin
Verificacin
Estabilidad
Lineabilidad
Gestin de
RR.HH.
Gestin de
Mantenimiento
Gestin de
Compras
Calidad / O y M
Metrologa
Ejemplo de construccin de Diagrama C-E
Cul es el problema?
Demoras en la entrega de pizzas a domicilio, los viernes y

sbados
Diagrama de causa efecto

Maquinaria
Mano de obra
Demoras en la entrega
de pizzas a domicilio
los viernes y sbados
Mtodos
Materiales
Diagrama de causa - efecto

Maquinaria
Hornos demasiado
pequeos
Mal manejo de
los pedidos
grandes
Mtodos
Mano de obra
Carros no
confiables
La gente no se
presenta a trabajar
Los choferes
se pierden
Mal
despacho
Agotamiento de
los ingredientes
Materiales
Diagrama de causa - efecto

Mano de obra
Maquinaria
No hay capacidad para
perodos de mayor
afluencia
Carros no confiables
No hay programacin
Baja paga
La gente no se presenta a trabajar
Hornos demasiado
pequeos
Los empleados
tienen carros que
no funcionan bien
Mala distribucion
de la planta
Mal manejo de los

pedidos grandes
No conocen la ciudad
Baja paga
Alta fluctuacin del

personal
Los choferes se pierden

No hay
Capacitacin Obtienen
informacin
incorrecta
Alta fluctuacin
del personal
No conocen los
procedimiento
Alta fluctuacin
del personal
Agotamiento de ingredientes
Alta fluctuacin
del personal
Mal despacho
Falta de
experiencia
Muchas calles nuevas
Mtodos
Pedidos
inexactos
No hay una adecuada programacin

Falta de capacitacin
Materiales
Uso de la tcnica de los cinco Por qu

Pregunta 1: Por qu se detuvo la mquina?
Respuesta 1: Porque se fundi el fusible por una sobrecarga.
Pregunta 2: Por qu hubo una sobrecarga?

Respuesta 2: Porque la lubricacin del cojinete era inadecuada.
Pregunta 3: Por qu era inadecuada la lubricacin?

Respuesta 3: Porque la bomba de lubricacin no funcion en forma
correcta.
Pregunta 4: Por qu la bomba de lubricacin no funcion de forma
correcta?
Respuesta 4: Porque el eje de la bomba estaba gastado.
Pregunta 5: Por qu el eje de la bomba estaba gastado?

Respuesta 5: Porque le entr basura.
Video de Jefferson Memorial
Anlisis de causa raz en el Jefferson Memorial

Problema: el mrmol en el monumento
a Jefferson en EE.UU. se estaba deteriorando
Por qu? El deterioro se deba a las frecuentes
lavadas del monumento con detergentes
Por qu? El detergente era usado para

limpiar el excremento de los gorriones
Por qu? Los gorriones fueron atrados
por las araas
Por qu? Las araas fueron atradas por
los insectos que merodeaban el lugar.
Por qu? Los insectos fueron atrados
por las intensas luces que iluminan el lugar
Grfica de Dispersin
Es un diagrama que representa el comportamiento
conjunto de dos variables.
Utilidad
Muestra la relacin o correlacin entre dos mediciones.
Sirve para evaluar posibles relaciones entre causa y
efecto, causa y causa y efecto y efecto.
Ejemplos de variables
Variables dependientes
(y)
Variables independiente
(x)
1. Merma
1. Materia prima
2. Productividad
2. Horas hombre / horas
mquina
3. Productividad por
3. Clima
hectrea
4. Presin
4. Temperatura
Diagramas de Dispersin - Tipos

CORRELACION POSITIVA
Un incremento en Y depende de un
incremento en X.
Entrenamiento vs. Desempeo.
POSIBLE CORRELACION POSITIVA
Si X aumenta, Y incrementar un poco,
positivamente aunque Y parece tener otras
causas diferentes a X.
NO CORRELACION
No hay correlacin. Y puede depender
de otra variable
Diagramas de Dispersin - Tipos

POSIBLE CORRELACION NEGATIVA
Un aumento en X causar una tendencia
negativa al disminuir Y, por ejemplo:
* Calidad vs. quejas de cliente
* Entrenamiento vs. rechazos
CORRELACION NEGATIVA
Un aumento en X causar una
disminucin en Y, por lo tanto, como
en el punto 1, X puede ser controlada
en lugar de Y.
El signo de coeficiente de correlacin:
Interpretacin del valor de "r"

Valor de r
Significado
+/- 1
Correlacin perfecta
+/- 0.60 a +/-0.95
Alta correlacin
+/- 0.35 a +/- 0.59
Baja correlacin
No existe correlacin
Ejemplo 1
En cierta empresa es usual
pagar horas extras para cumplir
con los tiempos de entrega. En
este centro productivo, un grupo
de mejora de calidad est
tratando de reducir la proporcin
de piezas malas. Con este
propsito deciden investigar la
relacin que existe entre la
cantidad de horas extras, X, y el
porcentaje de artculos
defectuosos, Y. A continuacin
se muestran los datos
obtenidos.
SEMANA
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
HORAS
EXTRAS
340
95
210
809
80
438
107
180
100
550
220
50
193
290
340
115
362
300
75
93
320
154
PORCENTAJE DE
DEFECTUOSOS
5
3
6
15
4
10
4
6
3
13
7
3
6
8
2
4
10
9
2
2
10
7
18
16
% de Defectos
14
12
10
8
6
4
y = 0.0171x + 2.111
R2 = 0.7368
2
0
0
100
200
300
400
500
600
700
H. Extras
Cul es la conclusin del anlisis?
800
900
Ejemplo 2
En una fbrica de pintura se
requiere reducir el tiempo de
secado del barniz. Los
siguientes datos corresponden
el tiempo de secado del barniz
(horas) y a la cantidad de
aditivo con el que se intenta
lograr tal reduccin.
CANTIDAD DE
ADITIVO
TIEMPO DE
SECADO
14
11
10
7.5
10
11
13
12
10
15
16
y = 0.2409x + 9.75
R2 = 0.1116
14
12
10
8
6
4
2
0
0
10
Cul es la conclusin del anlisis?
12
Diagrama de Pareto
Es una grfica de barras en la que stas se acomodan en orden
descendente. El orden de las barras refleja la importancia o
costo de las causas o categoras que se asocian con las barras.
Utilidad
Ayuda a establecer prioridades respecto a los problemas a
resolver en primer lugar.
Ayuda a identificar el 80 % de los problemas en un proceso
resultan solamente del 20 % de sus causas potenciales.
La vitalidad de los pocos y la trivialidad de los muchos
Ejemplo de priorizacin con Pareto

En una empresa procesadora de carnes fras mediante una
inspeccin al 100% se detectaron problemas en las salchichas. A
continuacin se muestran los resultados de una semana.
Mquina empacadora Turno
A
B
C
PROBLEMA Y NUMERO DE PAQUETES DEFECTUOSOS

Falta de vaco Mancha verde
Mancha amarilla
4 300
700
700
II
6 300
650
650
3 500
700
400
II
6 600
500
420
8 500
800
324
II
9 120
655
345
Ejemplo de priorizacin con Pareto

1. Considere que la gravedad de los tres problemas es la misma,
realice un anlisis de Pareto para problemas y detecte cul es
el ms significativo.
2. Con respecto al problema vital, haga Paretos de segundo
nivel (causas) tanto para mquina como para turno.
3. Vuelva a realizar los anlisis anteriores, pero considerando
que la gravedad del problema desde el punto de vista del
cliente es la siguiente: falta de vaco (6), mancha verde (10),
mancha amarilla (8).
Mquina
Turno
empacadora
A
B
C
Total
Porcentaje
% acum
I
II
I
II
I
II
PROBLEMA Y NUMERO DE PAQUETES

DEFECTUOSOS
Falta de vaco
Mancha verde
Mancha amarilla
4300
700
700
6300
650
650
3500
700
400
6600
500
420
8500
800
324
9120
655
345
38,320
4,005
2,839
85%
9%
6%
85%
94%
100%
45,164
100%
Mquina
empacadora
Total
% Acum.
17,620
46%
46%
10,600
28%
74%
10,100
26%
100%
38,320
100%
Turno
Suma
% Acum
II
II
16300
22020
38320
43%
57%
43%
100%
TEMARIO SESIN 5: Etapa Analizar
1. Prueba de Hiptesis
2. Anlisis de Varianza ANOVA
Resolucin de ejercicios aplicando pruebas de

hiptesis, ANOVA y Diseo de Experimentos
(DOE).
Pruebas de hiptesis - Concepto

general
Es un estudio estadstico que por lo general busca responder con cierta
confianza a ciertas preguntas y/o tomar decisiones.
Dos proveedores de materiales tienen el mismo nivel de calidad.

El porcentaje de cierto ingrediente afecta el resultado de la mezcla.
El tiempo de espera de esta operacin es de tres horas en
promedio.
La variacin del proceso se redujo con los cambios realizados.
Planteamiento de Hiptesis estadstica

Es una afirmacin sobre los valores de los parmetros de una
poblacin o proceso, que puede probarse a partir de la
informacin contenida en una muestra.
Ejemplo: este proceso produce menos de 8% de defectuosos
H0: p = 0.08 (la proporcin de defectuosos es 0.08) (4.4)
HA: p < 0.08 (la proporcin es menor a 0.08)
Planteamiento de Hiptesis estadstica

Ahora supongamos que la afirmacin a probar es este proceso
produce 8% de defectuosos.
H0: p = 0.08 (la proporcin de defectuosos es 0.08) (4.5)

HA: p 0.08 (la proporcin es diferente a 0.08)
La ubicacin de la regin o intervalo de rechazo depende de si la

hiptesis es bilateral o unilateral.
El mtodo del valor p en la prueba de

hiptesis
El valor de p de una prueba de hiptesis es el nivel de
significancia en el que el valor observado del estadstico de la
prueba es exactamente igual que un valor crtico para ese nivel.
-1.96
1.96
El mtodo del valor p en la prueba de

hiptesis
Rechazar la hiptesis nula. El

resultado de la muestra es ms
extremo del que usted estara
dispuesto a atribuir a la
casualidad
No
No rechazar la hiptesis nula.

El resultado de la muestra no
es ms extremo del que usted
estara dispuesto a atribuir a la
casualidad.
El valor de p es <
al nivel de
significancia, ,
especificado?
Ejemplo de prueba de dos colas para la

media, conocida
Una soldadora robot est ajustada, la media del tiempo
necesario para efectuar su tarea es de 1.3250 minutos.
Experiencias anteriores han demostrado que la desviacin
estndar del tiempo de ciclo es de 0.0396. Una media de
tiempo de operacin incorrecta puede afectar la eficiencia de
otras actividades a lo largo del la lnea de produccin. Para
una muestra aleatoria de 80 trabajos, la media del tiempo del
ciclo fue de 1.3229 minutos.
Con un = 0.05
H 0 : 1.3250 minutos
H A : 1.3250 minutos
x 0
1.3229 1.3250
0.47
0.0396 80
Para una prueba de dos colas, usando la distribucin normal y con =

0.05, los lmites seran 0.025 en cada una son z= -1.96 y z = 1.96
.0025
.0025
-1.96
1.96
Conclusin: se acepta la hiptesis nula
INSTITUTO PARA
LA Instituto
CALIDAD
2014.
reproduccin
o parcial
para
la Prohibida
Calidad su
PUCP
2016. total
Todos
los derechos
Usando Minitab
Usando Minitab
Ruta: Estadsticas Estadstica bsicas Z de 1 Muestra
Z de una muestra
OJO
Si P < alfa. Se rechaza Ho
Si P > alfa. No se rechaza Ho
Prueba de mu = 1.325 vs. no = 1.325

La desviacin estndar supuesta = 0.0396
Error
estndar de
N Media la media
IC de 95%
Z
P
80 1.32290
0.00443 (1.31422, 1.33158) -0.47 0.635
OJO: P value (0.635) > 0.05: no se puede rechazar H0
Ejemplo de prueba de una cola para la

media, conocida
Se encontr que los focos en un almacn industrial tienen una
duracin media de 1030.0 horas, con una desviacin estndar de
90.0 horas. Un representante de una compaa que fabrica un
dispositivo para aumentar la duracin de los focos, se ha
comunicado con el gerente del almacn, a quien le preocupa que
la duracin promedio de los focos podra no ser mayor que el
valor referido. En una prueba posterior, el gerente selecciona 40
focos y encuentra que su duracin media es de 1061.6 horas.
Con un = 0.05
H 0 : 1030 horas
H A : 1030 horas
x 0 1061.6 1030.0
z
2.22
x
90.0 40
Para una prueba de una cola, usando la distribucin normal y con =
0.05, los lmites seran z =1.645
0.05
1.645
Conclusin: se rechaza la hiptesis nula
Usando Minitab
Usando Minitab
Ruta: Estadsticas Estadstica bsicas Z de 1 Muestra
Z de una muestra
Prueba de mu = 1030 vs. > 1030

La desviacin estndar supuesta = 90
OJO
Error
estndar
de la 95% Lmite
N Media media inferior Z
P
40 1061.6
14.2
1038.2 2.22 0.013
OJO: P value < 0.05: se rechazar H0
Ejemplo de prueba de dos colas para la

media, desconocido
El gerente de crdito de una gran tienda de departamentos
afirma que la media del saldo para clientes con crdito en la
tienda es de 410 dlares. Un auditor independiente selecciona
una muestra aleatoria de 18 cuentas y encuentra una media de
saldo de 511.33 y una desviacin estndar de 183.75. si la
declaracin del gerente no es apoyada por los datos, el auditor
pretende examinar todos los saldos de las cuentas de crdito. Si
se supone que la poblacin de saldos de crdito tiene una
distribucin aproximadamente normal, Qu accin debe
emprender el auditor?
H 0 : $ 410
Con un alfa de 0.05
H A : $ 410
x 0 511.33 410.00
t
2.340
sx
183.75 18
Para una prueba de dos colas, usando la distribucin normal y con =
0.05, los lmites seran 0.025 en cada una son z= -2.110 y z
= 2.110
.0025
-2.110
.0025
2.110
INSTITUTO PARA
LA Instituto
CALIDAD
2014.
reproduccin
o parcial
para
la Prohibida
Calidad su
PUCP
2016. total
Todos
los derechos
Usando Minitab
Usando Minitab
Ruta: Estadsticas Estadstica bsicas t de 1 Muestra
T de una muestra
Prueba de mu = 410 vs. no = 410
OJO
Error
estndar
de la
N Media Desv.Est. media IC de 95%
T
P
18 511.3
183.8
43.3 (420.0, 602.7) 2.34 0.032
OJO: P value < 0.05: se rechaza H0
Ejemplo de prueba de una cola para la

media, desconocida
Una compaa de neumticos tienen problemas financieros por
la mala reputacin de la calidad de sus productos. Esta lanz una
campaa donde anuncia que la duracin media de sus
neumticos en carretera es de al menos 60,000 Km. Escpticos,
los directores de una revista para consumidores compran 36
neumticos y los prueban en carretera. La duracin media de los
neumticos en la muestra fue de 58341 Km, con una desviacin
estndar de 3632.53 Km.
Con un alfa de 0.01
H 0 : 60,000 Km
H A : 60,000 Km
x 0 58341.69 - 60000
t
-2.739
sx
3632.53 36
Para una prueba de una cola, usando la distribucin normal y con =
0.05, los lmites seran z =-2.438
Rechazo
0.01
-2.438 0
INSTITUTO PARA
LA Instituto
CALIDAD
2014.
reproduccin
o parcial
para
la Prohibida
Calidad su
PUCP
2016. total
Todos
los derechos
Usando Minitab
Usando Minitab
Ruta: Estadsticas Estadstica bsicas t de 1 Muestra

T de una muestra
Prueba de mu = 60000 vs. < 60000
OJO
Error
estndar Lmite
de la superior
N Media Desv.Est. media
99%
T
P
36 58342
3633
605 59818 -2.74 0.005
OJO: P value < 0.05: se rechaza H0
Ejemplo de prueba de dos colas para la proporcin

El director de servicios de carreras de la Universidad declar que
el 70% de los estudiantes universitarios de ltimo ao entran al
mercado laboral en un puesto directamente relacionado con su
rea de estudios. En una muestra formada por 200 graduados de
la generacin del ao anterior, el 66% obtuvo empleos
relacionados con su rea de estudios. Siendo 1 = empleo fuera
del rea de estudio y 2 = empleo en el rea de estudio.
Con un alfa de 0.05
H 0 : 0.7
H A : 0.7
(1 )
0
0 0.7(1 0.7) 0.0324
n
200
0.66 0.7
0
z
1.23
0.0324
p
INSTITUTO PARA
LA Instituto
CALIDAD
2014.
reproduccin
o parcial
para
la Prohibida
Calidad su
PUCP
2016. total
Todos
los derechos
Usando Minitab
Ruta: Estadsticas Estadstica bsicas 1 proporcin
Prueba e IC para una proporcin
OJO
Prueba de p = 0.7 vs. p no = 0.7
Muestra X N Muestra p
IC de 95%
Valor Z Valor P
1
132 200 0.660000 (0.594349, 0.725651) -1.23 0.217
OJO: P value (0.217) > 0.05: no se rechaza H0
Qu es el anlisis de varianzas?
Qu es el ANOVA?
Definicin
Es una tcnica del anlisis de varianza que emplea

informacin de las muestras para determinar si dos o
ms factores/tratamientos, muestran resultados
diferentes.
Un punto importante es que el anlisis de varianza literalmente es una tcnica que analiza o comprueba
varianzas - es una herramienta que nos permite
comprobar la significacin de las diferencias entre
medias.
Anlisis de Varianza de un solo factor

(One Way)
Se usa para comprobar la HIPTESIS NULA. Es decir que de las
medias de diferentes poblaciones son iguales:
Ho : U1 = U2 = U3 = U4.
Ha: Al menos una U(k), es diferente
ANOVA, determina SI LAS MEDIAS SON DIFERENTES, pero NO

CUALES DE ELLAS lo son.
Ejemplo de ANOVA
Una empresa de contabilidad desarroll tres mtodos con el

propsito de guiar a sus empleados en la elaboracin de
declaraciones individuales de impuestos. Para comparar la
eficacia de estos mtodos, se prepara una prueba en la cual a
cada uno de los 10 empleados temporales se le asigna de
manera aleatoria uno de los tres mtodos. Los tiempo de
elaboracin (en minutos) se aprecian en la tabla siguiente.
Con un nivel de significancia de = 0.025, podemos concluir
que los tres mtodos pueden tener la misma eficacia?
Usando Minitab
Ruta: Estadsticas ANOVA Un solo factor (Desapilado)
Finalmente, el valor critico de F y la decisin

Buscamos el valor crtico de F ( = 0.025) en las tablas de
distribucin F.
Valor crtico de F = F (,v1,v2)
Donde: V1 = (t 1) = 3 1 = 2
V2 = (N t) = 10 3 = 7
Entonces = F (0.0025, 2, 7) = 6.54
6.54
6.38
Rechazo
Se acepta la
hiptesis nula. Las
medias poblacionales
son iguales.
Usando Minitab
ANOVA unidireccional: Method1, Method2, Method3

Fuente GL SC MC F P
Factor 2 98.40 49.20 6.38 0.026
Error 7 54.00 7.71
Total 9 152.40
OJO
S = 2.777 R-cuad. = 64.57% R-cuad.(ajustado) = 54.44%
Nivel N
Method1
Method2
Method3
ICs de 75.5% individuales para la media

basados en Desv.Est. agrupada
Media Desv.Est. --+---------+---------+---------+------4 17.000 2.944
(----*----)
3 12.000 2.646 (-----*-----)
3 20.000 2.646
(-----*-----)
--+---------+---------+---------+------10.5 14.0 17.5 21.0
Desv.Est. agrupada = 2.777

Ejemplo 2 ANOVA
En una agencia de pruebas evala tres marcas diferentes

de balanzas para bao y seleccion muestras aleatorias de
cada una:
Marca A: 204, 202, 197, 204 y 205
Marca B: 201, 199, 196 y 203
Marca C: 195, 197, 192, 196, 198 y 196
Con un nivel de significancia de 0.025, determine si las tres

marcas pueden tener la misma media poblacional para
este objetivo de la prueba.
Usando Minitab
Ruta: Estadsticas ANOVA Un solo factor (Desapilado)
ANOVA unidireccional: BrandA, BrandB, BrandC

Fuente GL SC MC F P
Factor 2 126.72 63.36 8.52 0.005
Error 12 89.28 7.44
Total 14 216.00
OJO
ICs de 97.5% individuales para la media

basados en Desv.Est. agrupada
Nivel N Media Desv.Est. ---------+---------+---------+---------+
BrandA 5 202.40
3.21
(--------*--------)
BrandB 4 199.75
2.99
(---------*---------)
BrandC 6 195.67
2.07 (-------*-------)
---------+---------+---------+---------+
196.0 199.5 203.0 206.5
Desv.Est. agrupada = 2.73
Ejemplo 3 de ANOVA: ANOVA

de un sentido y la prueba t
Empresarios desarrollan un programa de contabilidad dirigido a
profesionales. Se consideran dos formatos para realizar sesiones de
repaso. Una muestra aleatoria de 10 estudiantes se capacita con el
formato 1; luego, se registran los errores en un examen tipo. Otra
muestra aleatoria de 12 personas se capacita segn el formato 2 y,
asimismo, sus errores se registran en el mismo examen. A
continuacin, se presentan los datos:
Formato 1: 11, 8, 8 , 3, 7, 5, 9, 5, 1 y 3
Formato 2: 10, 11, 9, 7, 2, 11, 12, 3, 6, 7, 8 y 12
H 0 : 1 2
H A : 1 2
Usando Minitab
Ruta: Estadsticas Estadstica bsica 2-sample t
T de dos muestras para format1 vs. format2

Error
estndar
de la
N Media Desv. Est.
format1 10 6.00
3.13
format2 12 8.17
3.33
media
0.99
0.96
Diferencia = mu (format1) - mu (format2)

Estimado de la diferencia: -2.17
IC de 90% para la diferencia: (-4.56, 0.22)
Prueba T de diferencia = 0 (vs. no =): Valor T = -1.56 Valor P = 0.134 GL =
20
Ambos utilizan Desv. Est. agrupada = 3.2378
OJO
Ruta: Estadsticas ANOVA Un solo factor

(Desapilado)
ANOVA unidireccional: format1, format2
Fuente GL SC MC F P
Factor 1 25.6 25.6 2.44 0.134
Error 20 209.7 10.5
Total 21 235.3
ICs de 95% individuales para la media

basados en Desv. Est. agrupada
Nivel N Media Desv. Est. ------+---------+---------+---------+--format1 10 6.000 3.127 (------------*-------------)
format2 12 8.167 3.326
(-----------*-----------)
------+---------+---------+---------+--4.8
6.4
8.0
9.6
Desv. Est. agrupada = 3.238
OJO
TEMARIO SESIN 6: Etapa Mejorar

1. Plan de implementacin de soluciones.
2. Revisin del nuevo nivel sigma.
3. AMEF. Anlisis de Modos y Efecto de Fallas.
Acciones para mejorar el proceso, AMEF y plan

de implementacin
Mejorar
Pasos claves
Determinar beneficios y riesgos asociados con la solucin del
problema.
Terminar la bsqueda de las variables claves del proceso

usando el DOE para filtrado.
Seleccionar la solucin del problema
Completar el anlisis costo-beneficio

Completar el anlisis de riesgo utilizando AMFE
Documentar la solucin y entrenar al personal.
Mejorar
Luego que el equipo realiz la exhaustiva

investigacin de causas debe plantear la solucin
y su implementacin.
Es importante que el equipo est seguro de haber

tomado la mejor alternativa de solucin, por lo
que se recomienda utilizar tcnicas de decisin.
Tcnica 5W 2H
Quin? Who?
Qu? What?
Por qu? Why?
Cundo? When?
Dnde? Where?
Cmo? How?
Cunto cuesta? How Much?
MATRIZ DE PLANIFICACIN
QU
QUIN
CUNDO
DNDE
Identificar nivel de colaboracin

(fortalezas y debilidades) en las
relaciones entre trabajadores.
R. Guzmn
30/01/2012
Sede Central
Contactar con especialistas en

promocin del trabajo en equipo y
elegir con el que se trabajar.
R. Guzmn
15/01/2012
Sede Central
15/03/2012
Sede Central
Elaborar un listado de actividades

de integracin en conjunto con el
especialista elegido, priorizando las
R. Guzmn
actividades por impacto en el
trabajo en equipo entre los
trabajadores.
Presupuestar listado de opciones
de actividades y elegir aquellas que
R. Guzmn
se pueden llevar a cabo segn el
presupuesto.
Hacer seguimiento de aprobacin
de la Propuesta de Actividades.
V. Chvez
Ejecutar dinmicas grupales,

talleres de conversaciones difciles
y talleres de escucha activa, entre
otras actividades que puedan estar R. Guzmn
listadas en la Propuesta de
Actividades para promocin del
trabajo en equipo.
10/04/2012
20/04/2012
31/08/2012
Sede Central
Sede Central
Sede Central
POR QU
CMO
Para identificar los

puntos de mejora en las
Evaluacin de
debilidades y mantener
Desempeo
las fortalezas
Porque no se cuenta
actualmente con el
A travs del rea de
recurso interno para
RRHH
desarrollar la actividad
Porque va a permitir el
desarrollo continuo de
integracin
Porque se tiene que
designar recursos en
base al presupuesto
interno.
Porque se tiene que
asegurar el
cumplimiento de las
actividades
Porque son actividades
clave que permitiran
lograr el objetivo
deseado
CUNTO
CUESTA (S/.)
3,000
5,000
En reuniones de
trabajo
8,000
En reuniones de
trabajo
800
En reuniones
mensuales de
seguimiento
300
En talleres con la
participacin activa
e involucramiento
de alta gerencia,
RRHH y especialista
segn cronograma
5,000
22100
INSTITUTO PARA
LA Instituto
CALIDAD
2014.
reproduccin
o parcial
para
la Prohibida
Calidad su
PUCP
2016. total
Todos
los derechos
Anlisis de Modos y Efecto de Fallas - AMEF
Anlisis de Modos y Efecto de

Fallas - AMEF
Permite identificar, caractersticas y asignar una prioridad a
las fallar potenciales de un proceso o producto.
Permite identificar las fallas potenciales de un producto o

un proceso y, a partir de un anlisis de su frecuencia,
formas de deteccin y el efecto que provocan; estas fallas
se jerarquizan, y para las fallas que vulneran ms la
confiabilidad del producto o el proceso ser necesario
generar acciones para atenderlas.
Conceptos Clave
Modo Potencial de Falla
Es la manera en que un sistema podra fallar en su operacin o
cumplimiento de requerimiento.
Efectos de Falla Potencial
Son las consecuencias negativas que se dan cuando falla un
proceso, por lo que se deben buscar sus causas.
Severidad
Es una evaluacin del efecto de falla potencial en el cliente.
Ocurrencia
Es la evaluacin de la probabilidad de que una causa particular
ocurra y resulte en el modo de falla.
Deteccin
Es la evaluacin de la probabilidad de que los controles actuales
detecten la causa del modo de falla, si ocurriera, evitando por lo
tanto el que llegue al cliente.
Esquema para realizar el AMEF

Formulacin del equipo y
delimitacin
del rea de aplicacin
Identificacin de modos
posibles de fallas
Por cada falla, identificar

su efecto
y su grado de severidad
Identificar controles para

detectar ocurrencias y estimar
la posibilidad de deteccin
Calcular el ndice de prioridad

de riesgo (NPR):
severidad x ocurrencia x deteccin
Para los NPR mayores,

identificar acciones para reducir el
efecto o la posibilidad de ocurrencia
Encontrar causas
potenciales de falla y la
frecuencia de ocurrencia
Revisar resultados
de acciones
Analisis del Modo y Efecto de Falla Potencial (AMEF de Proceso)

Descripcin
AMEF Nmero
Responsable del proceso 3
Ao modelo / Vehculo (s)
Equipo de trabajo
Preparado por
De
4
Fecha del AMEF

1
Resultados de las Acciones

2
Tomadas
NPR
Deteccin
Acciones
Tomadas
Ocurrencia
Severidad
Responsable
y fecha
objetivo de
Acciones
cierre (Para la
recomendadas
Accin
Recomendada
1
1
)
NPR
Deteccin
Causa(s)
Potencial(es)
Controles del
/
Proceso
Mecanismo(s)
Actuales
de falla
1
1 1
Ocurrencia
Clasificacin
Severidad
Requerimient
os del proceso
Efectos
/
Modo de falla
Potenciales
9
potencial
de la Falla
Funciones
1
1
Fecha de elaboracin
Pgina
INSTITUTO PARA
LA Instituto
CALIDAD
2014.
reproduccin
o parcial
para
la Prohibida
Calidad su
PUCP
2016. total
Todos
los derechos
Criterio
nfima. El defecto sera imperceptible por el usuario
Valor de S
1
Escasa. El cliente puede notar un fallo menor, pero slo provoca una ligera molestia
23
Baja. El cliente nota el fallo y le produce cierto enojo
45
Moderada. El fallo produce disgusto e insatisfaccin el cliente
6- 7
Elevada. El fallo es crtico, originando un alto grado de insatisfaccin en el cliente
89
Muy elevada. El fallo implica problemas de seguridad o de no conformidad con los reglamentos en vigor
9 - 10
Criterio
Muy escasa probabilidad de ocurrencia. Defecto inexistente en el pasado
Valor de O
1
Escasa probabilidad de ocurrencia. Muy pocos fallos en circunstancias pasadas similares
23
Moderada probabilidad de ocurrencia. Defecto aparecido ocasionalmente
45
Frecuente probabilidad de ocurrencia. En circunstancias similares anteriores el fallo se ha presentado con cierta frecuencia
6- 7
Elevada probabilidad de ocurrencia. El fallo se ha presentado frecuentemente en el pasado
89
Muy elevada probabilidad de fallo. Es seguro que el fallo se producir frecuentemente
9 - 10
Criterio
Muy escasa. El defecto es obvio. Resulta muy improbable que no sea detectado por los controles existentes.
Valor de D
1
Escasa. El defecto, aunque es obvio y fcilmente detectable, podra raramente escapar a algn control
primario, pero sera posteriormente detectado
23
Moderada. El defecto es una caracterstica de bastante fcil deteccin
45
Frecuente. Defectos de difcil deteccin que con relativa frecuencia llegan al cliente
6- 7
Elevada. El defecto es de naturaleza tal, que su deteccin es relativamente improbable mediante los
procedimientos convencionales de control y ensayo
89
Muy elevada. El defecto con mucha probabilidad llegar al cliente, por ser muy difcil detectable
9 - 10
TEMARIO SESIN 7: Etapa: Control
1. Estandarizar y establecer el control.

2. Grficas de control por variables y atributos.
Resolucin de ejercicios de grficas de control

por atributos.
Control
Pasos Clave
Controlar nuevas condiciones del proceso
Re evaluar la capacidad del proceso
Haga el aprendizaje accesible para la empresa

Completar el Plan de Control
Mantener el proceso bajo control estadstico (SPC)
Completar el anlisis de capacidad del proceso
Publicar los resultados incluyendo el aprendizaje cultural y
especfico del lugar.
Definiciones de causas
Causas comunes:
Es la variabilidad aleatoria debida a la combinacin de muchos efectos
que no son fciles de identificar, un proceso que incluye solo causas
comunes se dice que est en control estadstico. Requiere acciones
locales.
Causas Especiales:
Es la variabilidad imputable a causas que son posibles de identificar,
corregir y lo que es mejor eliminar, un proceso que incluye causas
especiales no est en control estadstico.
Grfica p
Estas grficas se usan cuando las caractersticas de
calidad se representan por la fraccin defectuosa.
Unidades rechazadas / unidades inspeccionadas.
La grfica p se usa para una muestra de tamao
variable. Pero tambin puede usarse para n constantes.
Grfica np
Estas grficas se usan cuando las caractersticas de
calidad se representan por el nmero de unidades
defectuosas. O el nmero de unidades rechazadas por
cada muestra inspeccionada.
Para una muestra de tamao muestra constante se usa
la grfica np.
Frmulas np y p
LC np
p (1 p )
LCS p 3
n
LC p
LCI np 3 pn(1 p)
LCI p 3
LCS np 3 pn(1 p)
Total de defectos
p
Total de inspeccionados
p (1 p )
n
Ejemplo grfica p
Para probar la integridad de un filamento, se toman
muestras de los focos que salen de una lnea de
manufactura y se someten a un voltaje 30% ms alto que

el de su valor nominal. Cada muestra consiste en 100
focos, y uno de ellos se clasifica como defectuoso si se
funde durante una exposicin de dos segundos a ese

voltaje ms alto.
C
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
D
Piezas
defectuosas
8
14
16
14
15
20
19
12
17
6
10
15
9
17
13
11
E
No
defectuosas
92
86
84
86
85
80
81
88
83
94
90
85
91
83
87
89
F
Proporcin
defectuosa (p)
0.080
0.140
0.160
0.140
0.150
0.200
0.190
0.120
0.170
0.060
0.100
0.150
0.090
0.170
0.130
0.110
0.135
Ejemplo grfica p
Grfica P
0.25
UCL=0.2375
Proporcin
0.20
0.15
_
P=0.135
0.10
0.05
LCL=0.0325
1
9
Muestra
11
13
15
Ejemplo Grfica np
Se inspecciona una muestra de 120 artculos de los
componentes k12. Los datos se obtienen de 20 lotes
consecutivos como se muestran en la tabla.
Total de defectos
p
Total de inspeccionados
183
p
120 * 20
183
n* p
*120
120 * 20
Muestra
Componentes
defectuosos
1
2
3
4
5
6
7
8
9
10
9
6
10
8
5
5
14
12
9
8
Muestra
11
12
13
14
15
16
17
18
19
20
Total
Componente
s
defectuosos
10
20
12
10
10
0
13
5
6
11
183
NP Chart
1
20
UCL=17.87
Sample Count
15
__
NP=9.15
10
LCL=0.43
11
Sample
13
15
17
19
Grfica c
(nmero de defectos por sub grupo)
Estas grficas se usan para controlar y analizar un
proceso por los defectos de un producto, tales como

rayones, soldaduras defectuosas o tejidos desiguales.
La grfica c se refiere al nmero de defectos para un
productos cuyas dimensiones es constante.
Grfica u
(nmero promedio de defectos por unidad)
Estas grficas se usan para controlar y analizar un
proceso por los defectos de un producto, tales como

rayones, soldaduras defectuosas o tejidos desiguales.
Una grfica u se usa para productos con dimensiones
variables o constante.
Frmulas grfica c y u
LCS c 3 c
LCS u 3
LC c
LC u
LCI c 3 c
LCI u 3
Donde :
u
n
u
n
Donde :
Total de defectos
c
Total de subgrupos
Total de defectos
Total de artculos inspeccionados
Ejemplo grfica c
Durante la produccin de lminas de acero continuas, se
examinan muestras peridicas de 10 pies de longitud, para
determinar el nmero de rasguos, manchas u otros defectos

en la superficie. Se han inspeccionado 20 muestras a
intervalos peridicos durante una corrida de produccin.
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
D
Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
suma
c
E
Defecto
3
4
6
6
4
7
9
8
3
6
10
5
7
8
3
3
1
4
6
3
106
5.3
Ejemplo grfica c
Grfica C
UCL=12.21
12
Conteo de muestras
10
8
6
_
C=5.3
4
2
0
LCL=0
1
11
Muestra
13
15
17
19
Ejemplo grfica u
Una fbrica que ensambla artculos electrnicos y al
final del proceso se hace una inspeccin por muestreo
para detectar defectos relativamente menores. En la

tabla se muestran los 24 lotes consecutivos de piezas
electrnicas. El nmero de piezas inspeccionado por
cada lote es variable.
Lote
Tamao de
lote
Defectos
encontrados
Lote
Tamao de
lote
Defectos
encontrados
1
2
3
4
5
6
7
8
9
10
11
12
20
20
20
20
15
15
15
25
25
25
25
30
17
24
16
26
15
15
20
18
26
10
25
21
13
14
15
16
17
18
19
20
21
22
23
24
30
30
30
30
30
30
15
15
15
15
15
15
40
24
46
32
30
34
11
14
30
17
18
20
Lote
Tamao de
lote
Defectos
encontrados
Lote
Tamao de
lote
Defectos
encontrados
1
2
3
4
5
6
7
8
9
10
11
12
20
20
20
20
15
15
15
25
25
25
25
30
17
24
16
26
15
15
20
18
26
10
25
21
0.85
1.20
0.80
1.30
1.00
1.00
1.33
0.72
1.04
0.40
1.00
0.70
13
14
15
16
17
18
19
20
21
22
23
24
Total
30
30
30
30
30
30
15
15
15
15
15
15
525
40
24
46
32
30
34
11
14
30
17
18
20
549
u
1.33
0.80
1.53
1.07
1.00
1.13
0.73
0.93
2.00
1.13
1.20
1.33
Grfica U
Conteo de muestras por unidad
2.25
2.00
1
1.75
UCL=1.692
1.50
1.25
_
U=1.040
1.00
0.75
0.50
LCL=0.388
1
11
13
15
Muestra
17
19
21
23
Conclusiones generales
Uso de conocimiento no estadstico buscando la experiencia de
los expertos en el tema para retroalimentar el estudio. El
conocimiento no estadstico es invaluable para elegir factores,
determinar niveles e interpretar resultados.
Mantener el diseo y el anlisis tan simple como sea posible
Es necesario no exagerar en el uso de tcnicas estadsticas
complejas y sofisticadas. Los mtodos de diseo y anlisis
simples son siempre los mejores.
Tener presente la significancia prctica y estadstica ya que a
veces encontramos soluciones que optimizan una respuesta pero
son econmicamente inviables.
Muchas gracias
Carlos Toledo
Carlos.Toledo@calidar.pe

Dmaic Rev

Transféré par

Informations du document

Titre original

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

Dmaic Rev

Transféré par

Droits d'auteur :

Formats disponibles

ACREDITACIN Y CERTIFICACIN

Instituto para la Calidad PUCP 2016. Todos los derechos reservados.

Instituto para la Calidad PUCP 2016. Todos los derechos reservados.

Instituto para la Calidad PUCP 2016. Todos los derechos reservados.

TEMARIO SESIN 1: Etapa Definir

Identificacin y seleccin de problemas

SIPOC (Supplier, Input, Process, Output, Costumer)

Definicin de los CTQ (Critical to quality)

QFD (Quality Function Deployment)

Instituto para la Calidad PUCP 2016. Todos los derechos reservados.

Producto de aprendizaje esperado sesin 1

CTQs, QFD y diagrama SIPOC

Instituto para la Calidad PUCP 2016. Todos los derechos reservados.

Desarrollar la declaracin del problema.

Instituto para la Calidad PUCP 2016. Todos los derechos reservados.

Caractersticas de un buen proyecto

algn parmetro importante para el cliente, CTQ (critical to

3. Tiene una mtrica adecuada. Uso de indicadores.

Instituto para la Calidad PUCP 2016. Todos los derechos reservados.

Caractersticas crticas de calidad - CTQ

Instituto para la Calidad PUCP 2016. Todos los derechos reservados.

Caractersticas crticas de calidad

Instituto para la Calidad PUCP 2016. Todos los derechos reservados.

Caractersticas crticas de calidad

Instituto para la Calidad PUCP 2016. Todos los derechos reservados.

Qu son los xs y los ys?

Instituto para la Calidad PUCP 2016. Todos los derechos reservados.

Pasos del mapeo de Proceso

Identifique entradas y salidas.

Muestre todos los pasos.

Mostrar las salidas de cada paso.

Mostrar todos los parmetros del proceso en cada paso.

Clasificar los parmetros.

Instituto para la Calidad PUCP 2016. Todos los derechos reservados.

Los Procesos vienen en jerarquas

Seleccionar el nivel de proceso apropiado.

SIPOC del proceso de galvanizado

Instituto para la Calidad PUCP 2016. Todos los derechos reservados.

Diagrama SIPOC para definir clientes internos y

Instituto para la Calidad PUCP 2016. Todos los derechos reservados.

Instituto para la Calidad PUCP 2016. Todos los derechos reservados.

QFD, un mal nombre para una buena

CIPD: Customer Inspired Product Development

Instituto para la Calidad PUCP 2016. Todos los derechos reservados.

3 ideogramas de traduccin dudosa

Instituto para la Calidad PUCP 2016. Todos los derechos reservados.

CIPD: Customer Inspired Product Development

QFD es una herramienta de planificacin que desarrolla una sistemtica

Instituto para la Calidad PUCP 2016. Todos los derechos reservados.

Para qu sirve el QFD?

1972 - en la construccin de barcos y tanques de petrleo de la Kobe Shipyards en los astilleros

1976 Yoshi Akao publica en medios japoneses QC Process Table.

1979 Toyota lo introduce en todas sus actividades.

Escribe en la Revista Quality Progress.

QFD 4 fases - Macabe

Instituto para la Calidad PUCP 2016. Todos los derechos reservados.

QFD a travs de la cadena de

Instituto para la Calidad PUCP 2016. Todos los derechos reservados.

Esquema del desarrollo de un proceso de QFD

Fuente: Universidad de Belgrano

Instituto para la Calidad PUCP 2016. Todos los derechos reservados.

Quines la usan en Per?

Instituto para la Calidad PUCP 2016. Todos los derechos reservados.