Está en la página 1de 57

INDICE

I. PROBLEMA
1.1 Planteamiento del problema
1.2 Formulacin del problema
1.2.1 Problema general
1.2.2 Problemas especficos
II. OBJETIVOS
2.1 Objetivo general
2.2 Objetivos especficos
III. JUSTIFICACIN E IMPORTANCIA
IV. FUNDAMENTACIN TERICA
4.1 Antecedentes
4.2 Bases tericas
4.2.1 Qu es seis sigma?
4.2.2 Por qu usar seis sigma?
4.2.3 Fundamentos seis sigma
4.2.4 Filosofa seis sigma
4.2.5 Aplicacin de seis sigma usando la metodologa DMAIC
4.2.6 Formacin del equipo seis sigma
4.2.7 Funciones de los miembros del equipo
4.2.8 Fase I
4.2.8.1 Definir
4.2.8.1.1 Project charter
4.2.8.1.2 Enfoque del proyecto
4.2.8.1.3 Estratificacin de ideas
4.2.8.1.4 Anlisis de Pareto
4.2.8.1.5 Mtricas (CTQ)
4.2.8.2 Medir
4.2.8.2.1 Mapeo de procesos
4.2.8.2.2 Diagrama de flujo
4.2.8.2.3 SIPOC
4.2.8.2.4 Definir mtricas
4.2.8.2.5 Validacin del sistema de medicin
4.2.8.2.5.1 Gage R&R continuo
4.2.8.2.5.2 Gage R&R discreto
4.2.8.2.6 Determinacin de la lnea base
4.2.9 Fase II
4.2.9.1 Anlisis
4.2.9.1.1 Anlisis de valor
4.2.9.1.2 Anlisis de fuentes de variacin
4.2.9.1.3 Regresin y correlacin
4.2.9.1.4 Diseo de experimentos
4.2.10 Fase III
4.2.10.1 Aplicacin de mejoras
4.2.10.2 Tcnicas lean para optimizar procesos
4.2.10.3 Uso de modelos de optimizacin (DOE)

4.2.11 Fase IV
4.2.11.1Validacin del sistema de medicin del proceso mejorado
4.2.11.2Elaboracin del plan de control
4.2.11.3Mecanismos de control para asegurar el mantenimiento de las
mejoras
4.3 Glosario de trminos tcnicos
V. CASOS PRCTICOS
5.1 Manufactura
5.1.1 Incremento de la productividad (datos continuos)
5.1.2 Reduccin de mermas y defectos (datos discretos)
5.2 Servicios
5.2.1 Reduccin de reclamos
5.2.2 Incremento de la satisfaccin del cliente
VI. REFRENCIAS BIBLIOGRFICAS
VII.APNDICES

PRLOGO

Este manual de aplicacin se fundamenta en una suposicin Universal:


LO LGICO Y NATURAL DEL SER HUMANO ES LA MEJORA
CONSTANTE
Sin embargo si lo lgico y natural del ser humano es mejorar, entonces:
Por qu es tan difcil mejorar en las organizaciones?
Philip Crosby y E. Deming explican este fenmeno diciendo que:
El problema no es cuando la direccin no sabe qu hacer para mejorar, el
problema est cuando cree saberlo
De esta percepcin errnea nacen planes que no solucionan nada y la mayora
de las veces empeoran la situacin (E. Deming)
Dicho esto, este manual toma como base para su propuesta los conceptos
vertidos por Kasukiyo Kurosawa, quien sostena que para mejorar un indicador
debemos conocer profundamente los factores y sub factores que explican su
comportamiento, es decir, el fundamento de la metodologa Six Sigma, esto es:

f(x)= Y
El ncleo fundamental de la metodologa Six sigma se basa en identificar las X
vitales (factores y subfactores) que explican el comportamiento del indicador
(mediante pruebas de hiptesis, regresiones y Diseos de Experimento),
plantear soluciones robustas que buscan corregir y prevenir que estas causas
se vuelvan a presentar, as como implementar mecanismos de control para
monitorear dichas variables a fin de mantenerlas bajo control.

Ing. Lean Six Sigma MBB Giovanny Mendoza Bastidas

I. PROBLEMA
1.1 Planteamiento del problema
El bajo nivel de competitividad que an presentan muchas de las empresas de
nuestro pas nos resta participacin en los grandes mercados mundiales. Hoy
la competitividad se ha convertido en una necesidad ineludible para sostener el
crecimiento empresarial y el de las naciones, en este contexto el Per presenta
uno de los niveles ms bajos de competitividad empresarial, segn el Reporte
de Competitividad Mundial 2002/2005.
1.2 Formulacin del problema
1.2.1 Problema general
Existe un bajo nivel de competitividad de nuestras empresas nacionales
sobre todo en temas relacionados a la calidad y productividad.
1.2.2 Problemas especficos
Bajo nivel de desempeo de los procesos en la industria nacional.
Alto nivel de sobrecostos en la industria nacional por mala calidad,
reprocesos, rechazos, etc.
II. OBJETIVOS
2.1 Objetivo general
Dar a conocer la metodologa DMAIC para lograr altos niveles de
desempeo
2.2 Objetivos especficos
Incrementar los niveles de desempeo
Reduccin de costos por mala calidad
III. JUSTIFICACIN E IMPORTANCIA
El presente manual est orientado a mostrar la forma de cmo aplicar de
forma sencilla y prctica la metodologa DMAIC en proyectos de mejora para
pequeas, medianas y grandes industrias a fin de lograr altos niveles de
desempeo.
IV. FUNDAMENTACIN TERICA
La bsqueda de la calidad como tal no es un tema nuevo en los
negocios modernos. La buena calidad es el conductor de la organizacin a
obtener ventajas ms competitivas, adems de reducir costos por
devoluciones, reacondicionamientos y desperdicios. Una buena calidad
incrementa en sentido amplio la productividad, las utilidades y otras medidas de
xito. Pero lo ms importante, la buena calidad genera clientes satisfechos, que
permiten a las organizaciones contar con el apoyo continuo de estos clientes y
con publicidad transmitida de boca en boca (Garza, 2006).
4.1 Antecedentes

La pintura mural egipcia que data de 1450 A.C., muestra evidencia de


medicin e inspeccin. En la edad media en Europa, el artesano hbil funga
tanto de fabricante como de inspector por estar l ligado directamente al
cliente. A principios de 1900, Frederick W. Taylor estableci una nueva filosofa
de la produccin. Su filosofa era separar la funcin de planeacin de la funcin
de ejecucin, permitiendo a los productores proporcionar productos de buena
calidad pero a un costo muy elevado. Los defectos existan, pero se eliminaban
por la inspeccin, y los productores empleaban cientos, incluso miles de
inspectores. La inspeccin fue por lo tanto, el medio principal para el control de
calidad durante la primera mitad del siglo XX.
En 1924 se disearon las primeras grficas de control de variabilidad en
un producto, utilizndose por primera vez el muestreo de aceptacin para
sustituir la inspeccin al 100%. En 1942 se reconoce la importancia del control
estadstico de la calidad. Durante la segunda guerra mundial, las fuerzas
armadas estadounidenses empezaron a utilizar procedimientos estadsticos de
muestreo y a imponer a sus proveedores normas muy severas. Fueron
desarrolladas las tablas de muestreo MIL-STD, por estndar militar (Military
Standard), que todava se utilizan ampliamente. La primera publicacin
profesional de esta disciplina Industrial Quality Control, apareci por primera
vez en 1944. En 1946 nace la American Society for Quality Control (ASQC) que
ahora se conoce como American Society for Quality. En 1950 W. Edwards
Deming, imparti en empresas de Japn sus conferencias sobre mtodos
estadsticos. En 1954 Joseph Jurn visita Japn para enfatizar el papel de los
directivos en la obtencin de calidad en las empresas. Antes de la dcada de
los cincuenta, la atencin se haba centrado en el control estadstico del
proceso, ya que de esta forma era posible tomar medidas adecuadas para
prevenir los defectos. Este trabajo se consideraba responsabilidad de los
estadsticos.
Sin embargo, era necesario que quedara asegurado el mejoramiento de
la calidad logrado, lo cual significaba que haba que desarrollar profesionales
dedicados al problema del aseguramiento de la calidad, que ms an haba
que involucrar a todos en el logro de la calidad. Y todo lo cual requera un
compromiso mayor por parte de la administracin (Garza, 2006). A finales de
los ochenta las empresas encontraron un nuevo credo: la calidad total. Las
empresas que se limitaban a hacer el control a posteriori de su nica calidad
presentaron la quiebra una tras otra. Las empresas de hoy si quieren
sobrevivir, deben trabajar para sus clientes ms que para s misma (Bahena,
2006) Philip Crosby populariz el concepto de Cero Defecto como orientacin
para el control de calidad.
Este enfoque establece la meta de resultados que carezcan de errores al
100 por ciento. Crosby sostiene que si se establece un nivel aceptable de
defectos, ello tiende a provocar que dicho nivel, o uno ms alto, se conviertan
en una profeca que se cumple; Si los empleados saben que est bien
trabajar dentro de un nivel determinado de errores, llegarn a considerar que
ese nivel es la norma. Es evidente que dicha norma est por debajo de lo

ptimo. Crosby sostiene que a las personas se le establecan estndares de


desempeo mucho ms holgados en sus trabajos que lo que regan sus vidas
personales. Ellos esperaban hacer las cosas bien, cuando se trataba de
sostener a un beb, de pagar las facturas o de regresar temprano a la casa
correcta.
En cambio, en los negocios se les fijaban niveles aceptables de
calidad, mrgenes de variacin y desviaciones (Bahena y Reyes, 2006). La
idea de un porcentaje de error aceptable (a veces denominado un nivel de
calidad aceptable) es un curioso remanente de la era del control de calidad.
En aquellos tiempos, se podan encontrar maneras de justificar
estadsticamente las naturales fallas humanas, sosteniendo que nadie poda
ser posiblemente perfecto. De modo que si el 100% es inalcanzable, por qu
no conformarse con el 99%, e incluso con el 95%? Entonces, si alcanzramos
el 96,642%, podramos dar una fiesta y celebrar el hecho de haber superado
los objetivos. La cuestin es que el 96,642% significa que de 100.000
transacciones efectuadas por un servicio, 3.358 resultaran desfavorables.
Como las fallas de uno entre mil paracaidistas. Los clientes insatisfechos,
aquellos que habran estado fuera del porcentaje de transacciones perfectas,
no regresaran jams (Bahena, 2006).
La historia de Seis Sigma se inicia en Motorola cuando el ingeniero Mikel
Harry comienza a influenciar en la organizacin para que se estudie la
variacin en los procesos (enfocado en los conceptos de Deming), como una
manera de mejorar los mismos. Estas variaciones son lo que estadsticamente
se conoce como desviacin estndar alrededor de la media, la cual se
representa por la letra griega sigma (). Esta iniciativa se convirti en el punto
focal del esfuerzo para mejorar la calidad en Motorola, capturando la atencin
del entonces CEO de Motorola: Bob Galvin.
Despus de Motorola gan el Malcolm Baldrige National Quality Award
en 1988, el secreto de su xito se hizo de conocimiento pblico y la revolucin
Seis Sigma se puso en marcha. Con el apoyo de Galvin, se hizo nfasis no
slo en el anlisis de la variacin sino tambin en la mejora continua,
estableciendo como meta obtener 3,4 defectos (por milln de oportunidades)
en los procesos; algo casi cercano a la perfeccin. Esta iniciativa lleg a odos
de Lawrence Bossidy, quin en 1991 y luego de una exitosa carrera en General
Electric, toma las riendas de Allied Signal para transformarla de una empresa
con problemas en una mquina exitosa. Durante la implantacin de Seis Sigma
en los aos 90 (con el empuje de Bossidy), Allied Signal multiplic sus ventas y
sus ganancias de manera dramtica.
Este ejemplo fue seguido por Texas Instruments, logrando el mismo
xito. Durante el verano de 1995 el CEO de GE, Jack Welch, se entera del
xito de esta nueva estrategia de boca del mismo Lawrence Bossidy, dando
lugar a la mayor transformacin iniciada en esta enorme organizacin. El
empuje y respaldo de Jack Welch transformaron a GE en una "Organizacin

Seis Sigma", con resultados impactantes en todas sus divisiones (Bahena y


Reyes, 2006).
Algunos Logros en el Mundo
Hahn et al. (2000) y Harry (1998) citados por Gutirrez y de la Vara (2004)
presentan algunos resultados logrados por varias compaas gracias a Seis
Sigma:
Motorola logr aproximadamente 1000 millones de dlares en ahorros
durante tres aos y el premio a la calidad Malcom Baldrige en 1988.
Allied Signal, compaa de diversas areas como la aeroespacial,
automotriz y materiales, que cuenta con ms de 70 mil empleados e
ingresos anuales aproximados de 25 mil millones de dlares, logr ms
de 2000 millones de dlares en ahorros entre 1994 y 1999.
General Electric, gigante corporativo internacional en diversas reas
como la aeroespacial, entretenimiento, equipo mdico, etc. tiene ms de
300 mil empleados y su capital supera los 450 mil millones de dlares,
alcanzo ms de 2250 millones de dlares en ahorros en dos aos (19981999).
Algunos Logros en Latinoamrica
Carrillo (2011) sostiene que se han obtenido los siguientes logros:
Business Engineering IDC. Jul. 2003 Feb. 2004. Implantar mejoras a
travs de 6 Sigma en los procesos crticos de Amrica Latina y el Caribe
(entrega de Estados de Cuenta, emisin de Tarjetas, recepcin de
Pagos) y en el rea de Riesgos. Implantar Crculos de Calidad a travs
de programas de entrenamiento cruzado. Logros: Generacin de
ahorros operativos por $ 800 000 dlares. Mejora del 35% en la
confiabilidad de los sistemas para categorizacin de llamadas en el Call
Center.
Critical Processes. Jul. 2001 Jul. 2003. Mejorar los procesos de
Adquisicin de Clientes y procesos crticos de Amrica Latina y el
Caribe. Implantar nuevos productos y servicios para Puerto Rico.
Logros: Ahorros operativos por $ 1 300 000 dlares. Disminucin de
riesgos por demandas ante el gobierno de EEUU.
Business Engineering IDC. Mxico. Ene. 2000 Jun 2001. Disear el
Modelo de Servicio para Amrica Latina y el Caribe. Mapeo de los
procesos de negocio en visitas a Puerto Rico, Bahamas, Costa Rica y
Panam. Rediseo de la estructura organizacional de la Vicepresidencia
de Operaciones y el rea de Reingeniera. Logros: Ahorros operativos
por $ 800 000 dlares. Disminucin de la plantilla de Operaciones en
20% sin impactos en los niveles de servicio.

4.2 Bases tericas


4.2.1 Qu es seis sigma?
Forma de dirigir un negocio o un departamento, sistema de direccin para
lograr un liderazgo duradero en el negocio y un desempeo de primer nivel en
un mbito global (Lefcovich, 2005), filosofa de trabajo y una estrategia de
negocios que se basa en el enfoque hacia el cliente, un manejo eficiente de los
datos y metodologas y diseos robustos, que permite eliminar la variabilidad
en los procesos y alcanzar un nivel de defectos menor o igual a 3 4 defectos
por milln de oportunidades de error (Arias et al., 2008).
Es una estrategia de mejora de negocios, impulsado por la alta direccin con
apoyo de una estructura directiva y tcnica, que busca encontrar y eliminar
causas de errores o defectos en los procesos de negocio enfocndose a los
resultados que son de importancia crtica para el cliente generando soluciones
de fondo y nuevas formas de hacer las cosas (Proces Consultores,
2006; Reyes, 2004).
Medida estadstica del nivel de desempeo de un proceso o producto
(Lefcovich, 2005), implementacin rigurosa, concentrada y altamente efectiva
de los principios y tcnicas comprobados de calidad manifestado como una
respuesta a la creciente expectativa de los clientes y la creciente complejidad
de los productos y procesos modernos (Pyzdek y Keller, 2010).
Es una estrategia de gestin que usa herramientas estadsticas y mtodos de
proyectos para lograr mejoras en calidad y utilidades significativas (Reyes,
2004).
Un objetivo de lograr casi la perfeccin mediante la mejora del desempeo
(Lefcovich, 2005).
Cuadro 1. Los Costos de Calidad y Seis Sigma
Nivel
Sigma

Rendimiento
Largo Plazo (%)

Defectos por Milln


de Oportunidades de
error (DPMO)

Costo de
Calidad
(%Ventas)

30,9

690 000

NA

69,2

308 000

NA

93,3

66 800

25 40

99,4

6 210

15 25

99,98

320

5 15

99,9997

3,4

<5

Proces Consultores (2006)

1.1.1 Por qu usar seis sigma?


Reyes (2004) y Lefcovich (2005) manifiestan que la aplicacin de la
Metodologa Seis Sigma nos permite alcanzar los siguientes beneficios:
Reducciones de costo debido a la disminucin de defectos y errores,

mximo 3,4 defectos por milln de oportunidades.


Reducir la variacin de calidad.
Mejoras en las utilidades y la productividad.
Mejora en la satisfaccin del cliente (lealtad y participacin de mercado).
Reducciones de tiempos de ciclo.
Cambios culturales.
Eliminar burocratismo en los procesos y las actividades que no agregan
valor.
Construccin de una reputacin de empresa de excelencia.
Capturar nuevos mercados.

1.1.2 Fundamentos seis sigma


Gutirrez y De la Vara (2009) sealan que Seis Sigma se rige bajo 12
principios.
1. Liderazgo comprometido de arriba hacia abajo. Esta metodologa

2.

3.

4.

5.

6.

implica un cambio en la forma de realizar las operaciones y de tomar


decisiones. La estrategia se apoya y compromete desde los niveles ms
altos de la direccin y la organizacin.
Seis Sigma se apoya en una estructura directiva que incluye de
gente de tiempo completo. La forma de manifestar el compromiso por
Seis Sigma es creando una estructura directiva que integre lderes de
negocio, de proyectos, expertos y facilitadores. Cada uno de los lderes
tiene roles y responsabilidades especficas para formar proyectos de
mejora.
Entrenamiento. Cada uno de los actores del programa de Seis Sigma
requiere de un entrenamiento especfico. Varios de ellos deben tomar un
entrenamiento amplio, conocido como currculo de un Black Belt.
Acreditacin. Esto implica que para cada alcanzar cada uno de los
niveles de los actores de Seis Sigma implica esfuerzo, recepcin del
entrenamiento y garantizar que se tienen la experiencia y conocimientos
que exigen la distincin.
Orientada al cliente y enfocada a los procesos. Esta metodologa
busca que todos los procesos cumplan con los requerimientos del cliente
y que los niveles de calidad y desempeo cumplan con los estndares
de Seis Sigma. Al desarrollar esta metodologa se requiere profundizar
en el entendimiento del cliente y sus necesidades. En base a ese
estudio sobre el cliente se disean y mejoran los procesos.
Seis Sigma se dirige con datos. Los datos y el pensamiento
estadstico orientan los esfuerzos de esta metodologa- Los datos son
necesarios para identificar las variables de calidad y los procesos y
reas que tienen que ser mejorados.

7. Seis Sigma se apoya en una metodologa robusta. Se requiere de

una metodologa para resolver los problemas del cliente, a travs del
anlisis y tratamiento de los datos obtenidos.
8. Seis Sigma se apoya en entrenamiento para todos sobre la
Metodologa DMAIC. Por lo general, la capacitacin se da sobre la base
de un proyecto que se desarrolla de forma paralela al entrenamiento, lo
cual proporciona un soporte prctico.
9. Los proyectos realmente generan ahorros o aumento en
ventas. Esto implica varias cosas: se seleccionan problemas claves que
atienden las verdaderas causas, se generan soluciones de fondo y
duraderas, y se tiene un buen sistema para evaluar los logros del
proyecto.
10. El trabajo por Seis Sigma se reconoce. Seis Sigma se sostiene a lo
largo del tiempo reforzando y reconociendo a los lderes en los que se
apoya el programa, as como a los equipos que logran proyectos DMAIC
exitosos.
11. Seis Sigma es una iniciativa con horizonte de varios aos, por lo
que no desplaza otras iniciativas estratgicas, por el contrario se
integra y las refuerza. Seis Sigma es un enfoque muy poderoso.
12. Seis Sigma se comunica. Los programas de Seis Sigma se basan en
una poltica intensa de comunicacin entre todos los miembros y
departamentos de una organizacin, y fuera de la organizacin. Con
esto se adopta esta filosofa en toda la organizacin.
1.1.3 Filosofa seis sigma
Pyzdek y Keller (2010) explica que la filosofa Seis Sigma se centra en la
atencin a los grupos de inters de la empresa. Es una mentalidad de causa y
efecto. Sistema de gestin bien diseados y procesos empresarial operado por
empleados felices producen que clientes y propietarios estn satisfechos o
contentos. Por supuesto, nada de esto es nuevo. La mayora de los lderes de
organizaciones tradicionales creen honestamente que ya hacen esto. Lo que
distingue el enfoque tradicional de Seis Sigma es el grado de rigor y
compromiso con los principios bsicos.
1.1.4 Aplicacin de seis sigma usando la metodologa DMAIC
Pries (2006) afirma que dentro de Seis Sigma se tienen diferentes
metodologas las cuales son diferentes en fines y usos. Una de las principales
es la Metodologa DMAIC que es la sigla de Define Measure Analyze
Improve Control. Se utiliza para mejorar procesos ya existentes. Este
proceso, que es conducido por datos, consiste en mejorar procesos ya
existentes y est compuesto por cinco fases que se listan a continuacin y que
son graficados en la Figura 1:
1. Definicin
2. Medicin
3. Anlisis
4. Mejora (Improve)
5. Control

Figura 1. Las 5 Etapas en la realizacin de un Proyecto 6 Sigma DMAIC


Fuente: Gutirrez y De la Vara (2008)
Formacin del equipo seis sigma
Gutirrez y De la Vara (2008) resaltan que la forma de manifestar compromiso
por seis Sigma es creando una estructura directiva que integre lderes del
negocio, lderes de proyectos, expertos y facilitadores. Donde cada uno tiene
roles y responsabilidades especficas para lograr proyectos de mejora exitosos.
Los roles, tomados de las artes marciales, que usualmente se reconocen
dentro de Seis Sigma son: lder ejecutivo, Champions (campeones o
patrocinadores), Master Black Belt (Maestro Cinta Negra), Black Belt (Cinta
Negra), Green Belt (Cinta Verde) y Yelow Belt (Cinta Amarilla). La Figura 2 y el
Cuadro 2 nos muestran dichos roles.
Cuadro 2. Actores y Roles en Seis Sigma
Nombre

Rol

Caracterstic
as

Capacitacin a
recibir

Lder de
Implementaci
n

Direccin del
comit
directivo
para 6
Suele tener
una jerarqua
slo por
debajo del
mximo lder
ejecutivo de la
organizacin.

Profesional
con
experiencia en
la mejora
empresarial
en calidad. Es
muy
respetado en
la estructura
directiva.

Liderazgo,
calidad,
conocimiento
estadstico
bsico.
Entendimiento del
y
de su
metodologa
DMAIC.

Acreditaci
n

Champions y/
o
Patrocinadore
s

Master Black
Belt (MBB)

Black
Belt (BB)

Gerentes de
Planta y
Gerentes de
rea. Son los
dueos de los
problemas.
Establecen
problemas y
prioridades.
Responsables
de garantizar
el xito de la
implementaci
n 6
reas de
influencia.
Dedicados a
tiempo
completo, un
100%, al 6
Brindan
asesora y
tienen la
responsabilid
ad de
mantener una
cultura de
calidad dentro
de la
empresa.
Dirigen o
asesoran
proyectos
clave. Son
mentores de
los Black Belt.

Gente
dedicada a
tiempo
complete a
y asesoran
proyectos.

Dedicacin,
entusiasmo, fe
en sus
proyectos,
capacidad
para
administrar.

Habilidades y
conocimientos
tcnicos,
estadsticos y
en liderazgo
de proyectos.

Capacidad de
comunicacin.
Reconocido
por el
personal por
su experiencia
y
conocimientos
. Gente con
futuro en la
empresa.

Liderazgo,
calidad,
conocimiento
estadstico
bsico, y un buen
entendimiento del
Programa Seis
Sigma, as como
de su
metodologa de
desarrollo de
proyecto DMAIC.

Aprobar
examen
terico
prctico
acerca de las
generalidade
s de Seis
Sigma y el
Proceso
DMAIC.

Requieren amplia
formacin de
estadstica y en
los mtodos de
6
preferencia
Maestra en
Estadstica o en
Calidad, y recibir
el
entrenamientoBla
ck Belt.

Haber
dirigido
cuando
menos un
proyecto
exitoso y
asesorado
20 proyectos
exitosos.
Aprobar
examen
terico
prctico
acerca del
currculo Bla
ck Belt y
aspectos
crticos de
Seis Sigma.

Recibir el
entrenamientoBla
ck Belt con una
base estadstica
slida.

Haber
dirigido dos
proyectos
exitosos y
asesorado
cuatro.
Aprobar
examen
terico
prctico
acerca del
currculo Bla
ck Belt y
aspectos
crticos de
Seis Sigma.

Green
Belt(GB)

Ingenieros,
analistas
financieros y
expertos
tcnicos en el
negocio.
Atacan
problemas de
sus reas y
estn
dedicados a
tiempo parcial

Trabajo en
equipo,
motivacin,
aplicacin de
mtodos
DMAIC,
capacidad
para dar
seguimiento.

Recibir el
entrenamientoBla
ck Belt.

Haber sido el
lder de dos
proyectos
exitosos.
Aprobar
examen
terico
prctico
acerca del
currculo Bla
ck Belt.

Cultura bsica de
calidad y
entrenamiento en
herramientas
estadsticas
bsicas, DMAIC y
en solucin de
problemas.

Haber
participado
en un
proyecto.
Aprobar
examen
terico
prctico
acerca del
entrenamient
o bsico que
recibe.

Participan y
lideran
Equipos Seis
Sigma.

Yelow
Belt (YB)

Personal de
piso que tiene
problemas en
su rea.

Conocimiento
de los
problemas,
motivacin y
voluntad de
cambio.

Fuente: Gutirrez y De la Vara (2008)

Figura 2. Estructura Directiva y Tcnica de Seis Sigma


Fuente: Gutirrez y De la Vara (2008)
1.1.1
1.1.2
Funciones de los miembros del equipo
Pyzdek y Keller (2010) nos resume las principales tareas y responsabilidades
del equipo Seis Sigma durante el desarrollo de Proyectos DMAIC y se
visualizan en el Cuadro 3.
Cuadro 3. Tareas y Responsabilidades Tpicas de Proyectos DMAIC
Tarea
Marco del Proyecto (Project Charter)
Identificar oportunidades de mejora
Identificar Patrocinador
Estimar el ahorro
Borrador del Marco del Proyecto
Revisin semanal del Proyecto por
Patrocinador
Definir
Seleccin del equipo
Completar el Marco del Proyecto
Formacin del equipo
Revisar la documentacin existente del

Responsable
Black Belt
Black Belt
Black Belt
Black Belt, Patrocinador
Patrocinador, Black Belt

Patrocinador, Black Belt


Black Belt
Black Belt, Green Belt
Miembro del equipo,

proceso
Definir los objetivos y el Plan del Proyecto
Presentar los objetivos y el Plan de Gestin
Definir y mapear el proceso tal como est
Revisar y redefinir el problema, si es necesario
Patrocinador
Medir
Identificar CTQs
Recopilar datos sobre subtareas y ciclos de
tiempo
Validar sistema de medicin
Analizar
Preparar los grficos de base sobre las
subtareas / tiempo de ciclo
Analizar los impactos, por ejemplo, subtareas,
Pareto, etc.
Utilizar a los subequipos para analizar el
tiempo y el valor, riesgos de gestin
Comparar con otras empresas
Discutir los resultados preliminares de los
subequipos
Consolidar los anlisis/resultados de los
subequipos
Mejorar
Presentar recomendaciones a los propietarios
del proceso y operadores
Revisar recomendaciones/formulaciones
pilotos
Preparar el proceso piloto mejorado
Prueba de proceso mejorado (Prueba Piloto)
Analizar piloto y resultados
Desarrollar el Plan de Ejecucin
Preparar Presentacin Final
Presentar recomendaciones finales al equipo
de gestin
Control
Definir el control de mtricas
Desarrollar herramientas de recoleccin de
mtricas o indicadores
Despliegue de proceso mejorado
Despliegue de mtricas o indicadores de
control

Experto del Proceso


Equipo
Green Belt
Equipo, Experto del Proceso
Equipo

Black Belt, Green Belt


Equipo
Black Belt, Operador del
Proceso
Black Belt, Green Belt
Black Belt, Green Belt
Equipo
Miembro del Equipo
Equipo
Equipo

Patrocinador, Equipo
Equipo, Black Belt
Equipo, Responsable del
Proceso
Operador de Proceso
Black Belt, Green Belt
Equipo, Responsable del
Proceso
Equipo
Green Belt

Black Belt, Green Belt,


Experto del Proceso
Black Belt
Responsable del Proceso
Responsable del Proceso

Proceso de monitoreo mensual utilizando


indicadores de control

Responsable del
Proceso,Black Belt

Fuente: Pyzdek y Keller (2010)

Fase I
1.1.2.1
Definir
El propsito de esta fase, segn Bahena (2006), es identificar el problema a
resolver, estratificando tanto como sea posible, por ejemplo: el reclamo de un
cliente por falla, identificar la familia de productos por importancia mediante el
uso del diagrama de Pareto, despus identificar el producto, la lnea donde se
hace, el equipo especfico, etc. En este momento ya se puede definir el
problema y la oportunidad de mejora. En esta primera fase de la metodologa
de Seis Sigma, se trata de detectar cual es el problema, definir los CTQs
(Criticos para la calidad) con base en la voz del cliente (VOC), el impacto que
tiene para el negocio la realizacin del el proyecto, las metas que se pretenden
lograr, el alcance y los ahorros financieros.
Objetivos de la Fase Definir
Segn Bahena y Reyes (2006), los objetivos de esta fase son:
Definicin del problema.
Establecer el Alcance del proyecto.
Conocer el uso de las herramientas de la fase de definicin.
Herramientas de la Fase Definir
Para Bahena (2006) las herramientas a utilizar son:
1. Mapa de Proceso.
2. Despliegue de la Funcion de Calidad (QFD).
3. Modelo Kano.
4. Diagrama Matricial.
5. Benchmarking.
6. Costos de Calidad.
1.1.2.1.1 Project Charter
Pyzdek y Keller (2010) aseguran que el plan oficial y la autorizacin para el
proyecto se resumen en el Marco del Proyecto Seis Sigma, como se muestra
en la Figura 2. El Marco del Proyecto es un contrato entre el equipo del
proyecto y su patrocinador. Por lo tanto, cualquier cambio en los elementos
crticos de alcance, los objetivos, o programacin requieren de la aprobacin
del patrocinador y el consenso del equipo.
Los documentos implicados en el marco del proyecto, el por qu, cmo, quin y
cundo, incluyendo los siguientes elementos:
Declaracin del problema.
Objetivo o propsito del proyecto, incluyendo la necesidad abordada del
negocio.
Alcance.

Entregables, es decir, las medidas objetivas de xito que se utilizarn para


evaluar la efectividad de los cambios propuestos, como se ver posteriormente.
El Patrocinador y los grupos de inters.
Los miembros del equipo.
Cronograma del proyecto, mediante el uso de Grficos de Gantt o PERT
como un archivo adjunto.
Otros recursos necesarios.
1.1.2.1.2 Enfoque del proyecto
Bahena (2006) afirma que los problemas en un posible proyecto se pueden dar
debido a muchos factores, como: devoluciones, bajo nivel de servicio, entregas
tardas, desperdicios, producto defectuoso, documentos inadecuados. El
problema se selecciona basndose en las polticas de la organizacin, al grupo
de trabajo, jefe inmediato y a los resultados de sus actividades diarias. Algunos
criterios para seleccionar el problema son:
Seguridad.
Calidad.
Costo.
Entrega.
Nivel de servicio.
Cuadro 4. Ejemplo de Marco de Proyecto

Nombre
Proyecto/Ttulo

Eficiencia en Procesamiento de rdenes

Fecha
de
Inicio:

17/09/2011

Problema / Descripcin del Proyecto:


La capacidad actual rea de Ventas/Atencin al Cliente es limitado, mientras que existen
oportunidades sin explotar para aumentar las ventas. Debemos limitar, hasta donde sea
posible, la participacin en el proceso de venta a fin de liberar recursos para realizar un
seguimiento activo y generar ventas. Adems, los errores y/o deficiencias en la
informacin obtenida durante el procedimiento de procesamiento de pedidos tienen un
impactonegativo sobre el tiempo necesario sobre la velocidad de generacin y/o
recepcin de,marketing por correo electrnico y renovaciones de software para los
clientes existentes.
Esto tiene un especial impacto potencialmente grande, ya que requiere correccin por
parte del personal de ventas senior, que tendr ms tiempo para relacionarse con los
clientes, desarrollar actividades de marketing, o trabajar con el personal de desarrollo de
productos.
Alcance del Proyecto (Proceso, Producto, reas Funcionales):
Limitada a productos de software.
Objetivos y Metas del
Lnea de
Mtrica
Meta
Proyecto
Base

Disminuir tiempo de ciclo y


costos especficos de las
$ 32
$ 16
actividades del Departamento
Costo / Orden
Descarga
Descarga
de Ventas:
$ 40 Envo
$ 20 Envo
Procesamiento de la orden
por 50+%.
Tiempo / Campaa
2 4 horas
20 minutos
Marketing a clientes
existentes por 80+%.
Tiempo / Actualizacin
2 4 horas
20 minutos
Renovacin de software por
80+%.
Impacto en el Cliente:
Mejora en la tasa de notificaciones de las renovaciones y actualizaciones.
Reduccin del tiempo total de ciclo con un procedimiento ms
simplificado.
Impacto en el Accionista:
Necesidades Aumento del potencial de ventas, inmediatamente sobre la actualizaciny
de Negocio tambin de las futuras ventas con la disponibilidad de personal de
ventas. Reduccin del costo de procesamiento de pedidos. Reduccin de
costos de marketing y campaas de renovacin.
Impacto en el Empleado:
Responsabilidades ms claras. Menos interrupciones en el flujo del
proceso.
Responsabilidad / Nombre
Grupo de Inters
Firma / Fecha
Patrocinador del Proyecto
Francisco Salas Valerio
Ventas y Operaciones
Black Belt del Equipo
Alexis Cabrera Rodrguez
Miembros del Equipo
Esther Chanducas Maza
Atencin al Cliente
Renato Sabogal Silvestre
Envo y Embalaje
Jess Santos Garay
Contabilidad
DEFINE
MIDE
ANALIZA
MEJORA
CONTROLA
Objetivo/Fecha Objetivo/Fech Objetivo/Fecha
Objetivo/Fecha Objetivo/Fecha
a
Definir
Definir
Anlisis Cadena Proceso de
Mtodos
proyecto
proceso
de Valor
Implementacin Estandarizados
17/09/2011
Definir
Def. Mejor
mtricas
Nivel Proceso
19/09/2011
Formacin
Estimar
de Equipo
lnea de base
19/09/2011

Anlisis de
Variacin

Asegurar
Beneficios

Determinar
controladores

Evaluar
Modo de Fallos

Fuente: Pyzdek y Keller (2010)

Plan de
Control
Leccin
Aprendida

Es muy recomendable expresar los antecedentes, la importancia y la prioridad


de los problemas. Se debe de explicar porque se selecciono el problema ya
sea por:
1. Efecto econmico, reclamo de mercado, rechazos, porcentaje de ventas
perdidas, disponibilidad, otros.
2. Impacto para los procesos posteriores, monto de prdida, incremento de
tiempo de operacin, paro de lnea, desperdicio, costo de falla, baja eficiencia,
etc.
Entre todos los integrantes del equipo pueden evaluar las razones arriba
descritas y enfocarse en un solo tema.
1.1.2.1.3 Estratificacin de ideas
Ruskin y Estes (1995) ofrecen el Desglose de las Estructuras del Trabajo
(WBS) como un proceso para la definicin de los productos finales e
intermedios de un proyecto y sus relaciones. La definicin de las tareas del
proyecto es compleja y por lo general realizada por una serie de
descomposiciones seguido por una serie de agregaciones. Por ejemplo, un
proyecto de software para desarrollar una aplicacin de software SPC se
desglosan las necesidades del cliente en los requisitos de anlisis muy
especficos (por ejemplo, el requerimiento del cliente que el producto cree
grficos de barras X se puede descomponer en las necesidades analticas,
tales como subrutinas de promedios y rangos de subgrupo de informtica,
trazando puntos de datos, lneas de dibujo, etc.). La agregacin implicara
vincular los distintos mdulos para producir un grfico de X-Barra.
Pyzdek y Keller (2010) afirman que la WBS se puede representar en un
diagrama de rbol, tal como se muestra en la Figura 3. Los Diagramas de rbol
son utilizados para desmenuzar o estratificar ideas en detalle cada vez
mayor. El objetivo es dividir una idea o problema grande en sus componentes
ms pequeos, para llegar a un nivel donde los proyectos son "pequeos". De
esta manera, la idea es ms fcil de entender, o el problema ms fcil de
resolver. La idea bsica es que, en algn nivel, la solucin de un problema sea
relativamente fcil de encontrar, o se asla lo suficiente en el mbito que sea
ms sencillo que otras soluciones necesarias para satisfacer todas las
condiciones posibles. Este es el nivel minsculo. El trabajo en el diagrama de
rbol se lleva a cabo sobre los elementos ms pequeos. Mientras que el WBS
proporciona una vista grfica de los elementos potenciales del proyecto, no
proporciona ninguna idea de los beneficios relativos que se obtienen en la
mejora de un elemento dado. Aqu, un anlisis de Pareto es a menudo muy til.
Los diagramas de Pareto son tiles en las Fases de Definir, Medir y Analizar
para concentrar los recursos del proyecto en las reas, defectos, o causas que
disminuyen la rentabilidad. Un ejemplo es mostrado en la Figura 7, donde se
analiza el procesamiento de pedidos de equipos para una empresa de ventas y
desarrollo de software descomponiendo las tareas de procesamiento de
pedidos basado en software o servicios profesionales, y luego por familia de
productos, y luego por el tipo de la venta de dicha familia (Descarga, Envo,
Renovacin del soporte).

Figura 3. Ejemplo de WBS para un proyecto de Procesamiento de pedidos


Fuente: Pyzdek y Keller (2010)
1.1.2.1.4 Anlisis de Pareto
Pyzdek y Keller (2010) define al Diagrama de Pareto como una grfica de
barras verticales que muestran problemas, o quizs de forma ms directa las
oportunidades, en un orden de prioridad, por lo que se puede determinar cules
son los problemas u oportunidades que deben ser abordados en primer lugar.
Las categoras para las barras verticales representan categoras mutuamente
excluyentes de inters. Las categoras se clasifican en orden decreciente de
izquierda a derecha en el diagrama de Pareto por su cuenta o costo, lo que se
est mostrando. En la fase de definicin, el diagrama de Pareto se utiliza en
conjunto con la WBS para cuantificar las oportunidades inherentes a cada uno
de los elementospequeos como resultado de la WBS.

Gutirrez y De la Vara (2009) afirma que la viabilidad y utilidad general del


diagrama est respaldada por el principio de Pareto, conocido como Ley 8020 o Pocos vitales, muchos triviales, en el cual se reconoce que pocos
elementos (20%) generan la mayor parte del efecto (80%), y el resto de los
elementos propician muy poco del efecto total.

Figura 4. Aplicacin de Pareto en una Industria de Construccin.


Fuente. Blancas y Rodrguez (2005)

1.1.2.1.5 Mtricas (CTQ)


Para establecer los CTQ, debemos evaluar la voz del cliente (VOC), esto significa
buscar una retroalimentacin o reunir la informacin ya existente de los clientes para
determinar cu{ales son las caractersticas que el cliente valora.
La VOC refleja las verdaderas necesidades del cliente, las cuales pueden ser convertidas
en un producto determinado o servicio requerido.
Para evaluar la VOC se siguen los siguientes pasos:
Identificar los clientes de su proceso o negocio (cliente: cualquier ente
cuyo xito o satisfaccin depende de mis acciones);
2. Recopilar la informacin de sus clientes (Informacin proveniente de los clientes
(procesada): aumentada/repetida, negocios, referencias, cartas de
1.

recomendacin/ reconocimiento por parte de otros proveedores, quejas, llamadas sin


contestar, producto devuelto, cancelacin de contratos, estadsticas del cliente, grupo de
anlisis, llamadas/asuntos de soporte tcnico, entrevistas al cliente, fichas de
seguimiento,Tableros de Control, etc. )
3. Traduccin de la voz del Cliente en CTQs: para este fin se usa el rbol de CTQ,
mediante el cual se descomponen los requisitos del cliente (voz del cliente) en los requisitos
generales ms fcilmente cuantificables (CTQs), como paso previo se definen los conductores, que
viene a ser lo que consideramos que el cliente aprecia como bueno, ejemplo:

El resultado de dicha traduccin es una lista de necesidades especficas expresadas en


un lenguaje que es entendido por la empresa y por el cliente.
Para priorizar los CTQs usamos la matriz Impacto/ Desempeo:

1.1.2.2 Medir
1.1.2.2.1 Mapeo de procesos
Para el mapeo de los procesos se siguen los siguientes pasos:
Definir el proceso a mejorar (Dar nombre al proceso).
Delimitar el proceso (Donde inicia y Donde termina)
Listar salidas clave del proceso.
Listar clientes para cada salida del proceso.
Identificar CTQs de cada cliente.
Listar entradas crticas al proceso (si el proceso puede realizarse sin una
entrada, entonces esta no ser crtica).
Listar proveedores para cada entrada al proceso.
Identificar factores que afectan el proceso.
Describir paso a paso el proceso.
Definir el nivel de detalle (Macro, Micro, Detallado)
a) Macro (Actividades principales):
Diagrama PEPSC

Organizacin> Empresa> Sistema.

b) Micro (Actividades especficas): Proceso> rea> Subsistema


Se elaboran diagramas de flujo a nivel de subsistemas subprocesos.
c) Detalle (Actividades puntuales): Subproceso> Funcin> Partes
Se elaboran flujogramas del proceso segn el nivel de detalle definido en el
paso anterior.
Validar el flujograma ejecutando un recorrido fsico al proceso.
Realizar correcciones que sean necesarias.
Identificar simplificaciones y mejoras del anlisis del mapa
1. Conjuntamente con el equipo responsable del proyecto analizar el mapa de
procesos con los mtodos de:
a) Valor agregado, identificar actividades que no aportan valor, simplificarlas o
eliminarlas.
b) Anlisis de Res, identificar actividades repetidas o que implican realizar
doble actividad.
2. Identificar actividades que no aportan valor y actividades de alto riesgo en
las que se generan los defectos.
3. Listar las acciones de mejora y proceder a su evaluacin en el siguiente
paso.
Identificacin de mejoras rpidas

1. Elaborar una matriz de impacto y facilidad de aplicacin para evaluar el


listado de acciones de mejora del paso anterior.
2. Evaluar y ubicar la accin de mejora segn su impacto, facilidad de
aplicacin (rapidez).
3. Paro los casos en los que las acciones de mejora sean de alto impacto y alta
rapidez en su aplicacin implementar de inmediato y proseguir con el paso
anterior.
4. En los casos en los que las acciones de mejora sean de bajo impacto y alta
rapidez en su aplicacin implementar de inmediato y proseguir con el paso
anterior.
5. En los casos en los que las acciones de mejora sean de bajo impacto y baja
rapidez en su aplicacin no implementar en el momento. Proseguir con el paso
de Anlisis del sistema de medicin.
6. En los casos en los que las acciones de mejora sean de alto impacto y baja
rapidez en su aplicacin evaluar el costo beneficio, si es positivo iniciar su
implementacin.
Implementacin de mejoras rpidas
1. Validar la lista de acciones de mejora generado en el paso anterior
(identificar simplificaciones y mejoras del anlisis del mapa), seleccionando las
acciones de mejora elegidas anteriormente (mejoras rpidas?).
2. Establecer un formato para el acta de acuerdos (reuniones de trabajo, esta
acta alimentar el plan de acciones de mejora):
Acuerdo/ Responsable/ Fecha
3. Elaborar un plan de acciones de mejora, en l se colocar la siguiente
informacin:
Actividad identificada/Acciones de mejora/ Acuerdos establecidos por el equipo/
Responsable/ Fecha de verificacin/ Status (colocar color verde si la actividad
se ha concluido, color amarillo si se encuentra en proceso, rojo si no se ha
concluido y blanco si no se ha hecho nada/frecuencia de reprogramacin/
Fecha de reprogramacin.
4. Elaborar un cronograma de implementacin para las acciones de mejora (El
plan de acciones de mejora alimentar este cronograma).
1.1.2.2.2 Diagrama de flujo
1.1.2.2.3 PEPCS SIPOC

1.1.2.2.4 Definir mtricas


La definicin de las mtricas tiene que ver con definir tres tipos de indicadores
para nuestros proyectos:
Indicador principal u operacional, es aquel que explica el comportamiento del
proceso a mejorar CTQ=Y
Indicadores relacionados, todos aquellos que se ven afectados por el indicador
principal, por ejemplo si el indicador principal es el nivel de produccin
debemos tener en cuenta que los indicadores de % de rechazos, % de quejas
del cliente, % de retrabajos, etc. no se vean afectados.
1.1.2.2.5 Validacin del sistema de medicin
Cuando se miden los resultados de un proceso siempre aparecen variaciones
en los datos obtenidos. Esta variacin puede provenir de dos fuentes distintas:
Variacin intrnseca: Diferencias inherentes a cualquier par de elementos
distintos que se midan
Variacin debida al sistema de medicin: Ningn mtodo de medicin es
perfecto: al medir el mismo elemento en repetidas ocasiones no se obtendr
siempre el mismo dato numrico.
Debido a que los datos son una representacin de nuestro proceso, entonces,
es necesario asegurar la fiabilidad de su recopilacin antes de poder realizar
cualquier estudio (control, capacidad, , etc.)
La finalidad de la validacin del sistema de medicin es logra que la variacin
registrada, en su mayor parte, no sea debida al sistema de medicin utilizado
(operarios, instrumento, etc.).
De acuerdo a las partes o procesos con caractersticas que pueden variar
ampliamente, y sean de inters para el proyecto, se debe realizar lo siguiente:
i. Determinar el valor esperado de la medicin y su tolerancia.
ii. Seleccionar el instrumento de medicin y su respectiva resolucin (la unidad
ms pequea que se puede medir)
iii. Realizar la descripcin operacional de la medicin a realizarse (qu se
mide? cmo se mide?).
iv. Determinar si las mediciones son pruebas destructivas o no destructivas, de
lo cual depender la metodologa de anlisis del sistema de medicin.
v. Seleccionar las piezas a ser medidas.
vi. Seleccionar a los operarios encargados de realizar las mediciones.
vii. Determinar el nmero de repeticiones a realizarse.
viii. Disear la forma en que se realizarn las mediciones (orden aleatorio)
ix. Analizar los datos recabados.
x. Determinar si el sistema de medicin es aceptable o no.
1.1.2.2.6 Determinacin de la lnea base
Una adecuada recoleccin de datos permitir realizar anlisis del control y la
capacidad del proceso de inters para el proyecto Seis Sigma. Se debe tener
en cuenta que las muestras recabadas deben ser homogneas (mquina,
operador, etc.).

Previa identificacin del tipo de datos que son requeridos para el proyecto, se
deber realizar las siguientes actividades para la recoleccin de los datos:
i. Determinacin de los subgrupos racionales.
ii. Determinar la forma de recoleccin de informacin (Plan de muestreo)
iii. Elaborar una hoja (fsica o electrnica) para el almacenamiento de los datos
recabados.
iv. Capacitar al personal encargado de la recoleccin de los datos (definiciones
operacionales, herramientas de medida a usar y los procedimientos a seguir).
v. Disear un mecanismo de inspeccin/verificacin de los datos recabados.
Recoleccin de datos para la lnea base
Seguir los siguientes pasos:
Definir Tamao de muestra
Verificar si la Y es discreta o continua continua, el tamao de la muestra
depende de:
Error tipoI, tipo B, desv estandar y de Delta (diferencia que quiero observar)
Si es discreta, debo de tener en mis subgrupos racionales ms de 5 datos por
subgrupo.
Ejemplo Y = Defectos esteticos en pintura de un auto
Subgrupo
Dia Linea
L
1,2,3
M
M
J
V

Turno Modelo
1,2
1,2,3,4,5

Subgrupo

Subgrupos racionales

Verificar la estabilidad del proceso


En la metodologa Seis Sigma es de suma importancia verificar la estabilidad
de los procesos, mediante el control estadstico de procesos, ya que primero se
debe controlar un proceso para luego reducir su variabilidad, y por lo tanto
aumentar la capacidad del proceso y mejorar el nivel sigma correspondiente.
Con los datos recabados, en relacin a la caratcerstica de inters, se podr
verificar la estabilidad de los mismos mediante el uso de grficas de

distribucin de los datos y las hojas de control, para lo cual se seguirn los
siguientes pasos:
i. Determinar la forma de distribucin de los datos (Histograma).
ii. Determinar posibles factores de estratificacin (formas en las que se puede
subdividir la informacin para entender la variacin)
iii. Identificar observaciones distantes o por fuera del resto de la distribucin de
datos (outlier).
iv. De acuerdo a la experiencia y conocimiento del proceso, determinar
cualquier evento o situacin que haga variar el proceso ms all del rango
normalmente observado y plantear soluciones rpidas.
v. Implementar las acciones que requieren poco esfuerzo pero que da un
resultado relativamente grande (Quick Win), en relacin a lo determinado en el
tem anterior.
vi. Realizar un anlisis de control del proceso, mediante hojas de control, de
acuerdo al tipo de datos.
vii. Analizar la centralidad y dispersin de los datos.
Anlisis de capacidad de procesos
En cualquier proceso de manufactura o servicios es importante cuantificar la
variabilidad natural del proceso para poder analizarla y evaluar si es compatible
con los requerimientos del cliente.
A este estudio se le llama ANALISIS DE CAPACIDAD, esta es una herramienta
estadstica que compara matemticamente el rendimiento actual del proceso
con las especificaciones del cliente.

1.1.3 Fase II
1.1.3.1

Anlisis

En esta fase se efecta el anlisis de los datos obtenidos en la etapa de


Medicin, con el propsito de conocer las relaciones causales o causas raz del
problema. La informacin de este anlisis nos proporcionara evidencias de las
fuentes de variacin y desempeo insatisfactorio, el cual es de gran utilidad
para la mejora del proceso (Bahena, 2006).
1.1.3.1.1 Anlisis de actividades que agregan valor
Una cadena de valor se compone de todas las actividades, con o sin valor
agregado, que llevan un producto desde la materia prima hasta estar en
manos del cliente, una necesidad del cliente desde el pedido hasta la
entrega, y un diseo desde el concepto hasta su lanzamiento. La mejora de la
cadena de valor comienza generalmente a nivel de puerta a puerta dentro de
una instalacin, y luego se expande para abarcar finalmente la cadena de
valor completa (Womack y Jones, 1996). Una cadena de valor se compone de
los flujos de productos y servicios, as como los flujos de informacin.
Los principios de Lean se utilizan para analizar la cadena de valor. Lean,
tambin conocido como elSistema de Produccin Lean, tiene sus orgenes en
la poca posterior a la Segunda Guerra Mundialen Japn. Fue desarrollado
por Taiichi Ohno, un ejecutivo de produccin de Toyota, en respuesta auna
serie de problemas que aquejaban a la industria japonesa. El enfoque Lean (el
trmino fue acuado en la dcada de 1990 por investigadores del
MIT) sistemticamente minimiza el desperdicio de los llamados muda en la
cadena de valor. Muda incluye todo tipo de trabajos defectuosos, no slo los
productos defectuosos. La prdida de tiempo, el movimiento y los
materiales son parte de la muda.Ohno identific los siguientes tipos
de muda en los negocios:
1. Defectos.
2. Exceso de produccin.
3. Inventarios (en proceso o productos terminados).
4. Procesamiento innecesario.
5. Movimientos innecesarios de las personas.
6. El transporte innecesario de los bienes.
7. Espera.
8. Productos y diseo de servicios que no satisfacen las necesidades de los
clientes (agregado por Womack y Jones, 1996).
El valor es lo que los clientes quieren o necesitan, y que estn dispuestos y
son capaces de pagar. Los residuos son actividades que consumen
recursos pero no crea valor para el cliente. Por lo tanto, a las actividades de los
residuos se les llama "sin valor agregado. Diferenciar entre los dos puede no
ser fcil, especialmente para nuevos productos o servicios; pero hay que
hacerlo. La definicin de valor debe comenzar con el productor y el cliente para
analizar conjuntamente el valor y desafiante de viejas creencias. Con su
definicin de valor, ahora puede comenzar a evaluar las actividades que
agregan valor y que actividades son muda. Los resultados suelen
ser sorprendentes. En algunos casos, la mayora de las actividades no agregan
valor. (Pyzdek y Keller, 2010).
1.1.3.1.2 Anlisis de fuentes de variacin

Pyzdek y Keller (2010) sostienen que si el objetivo del proyecto Seis Sigma se
relaciona directamente con la mecnica de la cadena de valor, tales como el
tiempo de ciclo y costo/capacidad relacionadas con la asignacin de
recursos, o indirectamente, con la calidad relativa de su produccin, una pieza
fundamental del anlisis es la comprensin de la contribucin relativa de las
fuentes de variacin que afectan la cadena de valor. Una revisin de la tabla
de control estadstico construido en la Fase de Medicin proporcionar
informacin sobre el tipo de variacin: una causa comn intrnseca al procesoo
causas especiales que se producen espordicamente en condiciones
especficas. La respuesta acada uno de estos tipos de variacin es muy
diferente. Las posibles fuentes de variacin del proceso se pueden determinar
utilizando una
lluvia
de
ideas
por
el
equipo
de Seis
Sigma utilizando undiagrama de causa y efecto. Estas posibles causas se
deben analizar por su importancia utilizando herramientas estadsticas ms
avanzadas, que incluye el diseo de experimentos y sus mtodosenumerativos
asociados. Los mtodos estadsticos bsicos, incluyendo los intervalos de
confianza y las pruebas de hiptesis, pueden ser utilizados para
comparar directamente las propiedades deseadas de una muestra con otra. El
diseo de experimentos se basa en estos conceptos con la aplicacin
de ANOVA (Anlisis de Varianza), las tcnicas de mltiples fuentes de
variacin, lo que permite la cuantificacin de la contribucin relativa de cada
fuente para el error total. La Regresin general y anlisis de correlacin se
presentan como precursor de los diseos de experimentos, para ayudar en la
comprensin de las tcnicas de anlisis experimental.
Diagrama de Causa Efecto
Diaz (2008) recomienda el uso del Diagrama Causa Efecto, conocido tambin
como Ishikawa o Espina de Pez, debido a que es un mtodo grfico que
relaciona un problema o efecto con los factores o causas que posiblemente lo
generan. La importancia de este diagrama radica en que obliga a contemplar
todas las causas que pueden afectar el problema bajo anlisis y de esta forma
se evita el error de buscar directamente las soluciones sin cuestionar a fondo
cules son las verdaderas causas. Este diagrama se usa en sesiones de
tormenta de ideas y coloca las posibles causas en grupos o afinidades.

Figura 5. Aplicacin de Ishikawa en una Industria Qumica.


Fuente. Tomati y Gabriele (2010)

Figura 6. Aplicacin de Ishikawa en una Industria de Construccin.


Fuente. Blancas y Rodrguez (2005)

Diagrama de Cajas
Es un diagrama que proporciona informacin sobre el centro, la dispersin y la
asimetra o sesgo; utiliza cuartiles, y as, es resistente a las observaciones
aberrantes (Bahena y reyes, 2006).

Figura 7. Detalles del Diagrama de Cajas


Fuente: Pyzdek y Keller (2010)
Inferencia Estadstica
Pyzdek y Keller (2010) nos refieren que la inferencia estadstica pertenece a la
clase
enumerativa de los mtodos estadsticos. Aunque la mayora de las
aplicaciones de Seis Sigma son analticas, hay momentos en que la
estadstica enumerativa resultar til. El trmino inferencia se define como (1)
el acto o proceso de derivar las conclusiones lgicas de premisas que se sabe
o se supone son verdad, o (2) el acto de razonar a partir del conocimiento de
hechos o pruebas. La estadstica inferencial proporciona la informacin que se
utiliza en el proceso de inferencia. Como puede apreciarse en las definiciones,
la inferencia consiste en dos mbitos: en las premisas y la evidencia o
conocimiento de los hechos. Adems, hay dos marcos conceptuales para
abordar premisas cuestionadas en la inferencia: el enfoque basada en el
diseo y el enfoque basado en el modelo.
Gutirrez y De la Vara (2009) sostienen que la Inferencia Estadstica se refiere
a establecer las caractersticas de una poblacin o proceso con base en la
uniformidad contenida en una muestra.

Distribuciones Chi-Cuadrado, T-Student y F


Adems de la distribucin normal, estas tres distribuciones se utilizan
en Seis Sigma para poner a prueba las hiptesis, construir intervalos de
confianza, y calcular los lmites de control (Pyzdek y Keller, 2010).
1. Distribucin Chi-Cuadrado
Pyzdek y Keller (2010) afirman que puede demostrarse que en muchos
casos, la distribucin de las varianzas de las muestras tiene la forma (a
excepcin de una constante) de una distribucin de chi-cuadrado,
cuyo smbolo 2.
La distribucin 2 vara con la cantidad , que para nuestros propsitos es igual
al tamao de la muestra menos 1. Para cada valor de hay
una diferente distribucin 2. La ecuacin de la2 se muestra a continuacin:

Figura 8. Distribucin Chi-Cuadrado

2. Distribucin T de Student
Pyzdek y Keller (2010) sostienen que el estadstico t se utiliza comnmente
para probar las hiptesis acerca de los medios, los coeficientes de regresin y
una amplia variedad de otras estadsticas utilizadas en la ingeniera de calidad.

La probabilidad integral de la relacin,conocida como la estadstica t, se


muestra en la ecuacin:

Una de las aplicaciones ms simples y ms comunes de prueba de la t de


Student consiste en utilizar una muestra de una poblacin normal con media
y la varianza 2.

Figura 8. Distribucin t de Student


3. Distribucin F
Pyzdek y Keller (2010) refieren que si tenemos dos muestras aleatorias de una
poblacin normal y sea la varianza de la primera muestra y
la varianza de
la segunda muestra.Las dos muestras no necesitan tener el mismo tamao de
muestra. El estadstico F tiene una distribucin muestral denominada
distribucin F. Hay dos variaciones de la muestra y que dos conjuntos de
grados de libertad, n1 1 en el numerador y n2 1 en el denominador. El
estadstico F est dado por:

Figura 10. Distribucin F


Estimacin Puntual y por Intervalo
Pyzdek y Keller (2010) concluyen que el promedio de la muestra, la desviacin
estndar de la muestra,y la varianza de la muestra son conocidos como
estimadores puntuales, ya que son valores nicos para representar parmetros
de poblacin. Tambin es posible construir un intervalo sobre las estadsticas
que tiene una probabilidad determinada de incluir el parmetro real de la
poblacin. Este intervalo se denomina intervalo de confianza. La estimacin del
intervalo es una alternativa a la estimacin puntual que nos da una mejor idea
de la magnitud del error de muestreo. Los intervalos de confianza pueden ser
unilaterales o bilaterales. Un intervalo de unilateral o de confianza establece un
lmite superior o inferior del valor de un parmetro con un nivel de
confianza. Un intervalo de confianza bilateral presenta ambos lmites superior e
inferior. En casi todas las aplicaciones prcticas de las estadsticas
enumerativas, incluyendo las aplicaciones de Seis Sigma, podemos hacer
inferencias acerca de las poblaciones sobre la base de datos de las muestras.
Prueba de Hiptesis
Pyzdek y Keller (2010) sostienen
general, consta de cuatro pasos:

que

la

inferencia

estadstica

en

4. La formulacin de una hiptesis sobre la poblacin o "estado de naturaleza".


5. La toma de una muestra de las observaciones de la poblacin.
6. El clculo de las estadsticas sobre la base de la muestra.
7. Aceptar o rechazar la hiptesis basada en un criterio de aceptacin
predeterminado.
Hay dos tipos de errores asociados con la inferencia estadstica:

1. Error de tipo I (error ). La probabilidad de que una hiptesis que es


realmente cierto sea rechazada. El valor de se conoce como el nivel de
significancia de la prueba.
2. Error de tipo II (error ). La probabilidad de que una hiptesis que es falsa,
sea aceptada.
Los errores de tipo II son a menudo representados en lo que se conoce
como curva de caractersticas operativas. Los intervalos de confianza se
construyen normalmente como parte de una prueba estadstica de hiptesis. La
prueba de hiptesis se ha diseado para ayudarnos a hacer una inferencia
sobre el valor real de la poblacin a un nivel de confianza deseado.
Remuestreo (Inicio de Calibracin)
Pyzdek y Keller (2010) mencionan que se han planteado una serie de crticas
con respecto a los mtodos utilizados para la estimacin y prueba de hiptesis:
No son intuitivos.
Se basan en fuertes supuestos, por ejemplo que
distribucin normal, que a menudo no se cumplen en la prctica.
Son difciles de aprender y aplicar.
Son propensos a errores.

sigue

una

En los ltimos aos, se ha desarrollado un nuevo mtodo de realizacin de


estos anlisis. Se le conoce como remuestreo o inicio de calibracin. El nuevo
mtodo es conceptualmente muy simple: utilizando los datos de una
muestra, se calcula el estadstico de inters en repetidas ocasiones y se
examina la distribucin del estadstico. El remuestreo tiene muchas
ventajas, especialmente en la era informtica. Las hojas de clculo pueden ser
programado para volver a muestrear y calcular las estadsticas de inters. En
comparacin con los mtodos estadsticos tradicionales, el remuestreo es ms
fcil de entender. Funciona sin supuestos fuertes, y es simple. El
remuestreo no impone bagajeentre el problema de ingeniera y el resultado
estadstico con los mtodos convencionales. Tambin puede ser utilizado para
problemas ms avanzados, tales como el modelamiento, diseo de
experimentos, etc.
1.1.3.1.3 Regresin y correlacin
La herramienta ms sencilla utilizada en el anlisis de regresin es conocida
como Grfico de Dispersin o Diagrama de Dispersin. Un diagrama de
dispersin es una grfica de una variable frente a otro. Una variable que se
llama la variable independiente X y por lo general se muestra en la horizontal
del eje. La otra variable que se llama la variable dependiente Y se muestra en
el eje vertical olateral del eje. Los diagramas de dispersin se utilizan para
evaluar las relaciones causa-efecto. El supuesto es que la variable
independiente causa un cambio en la variable dependiente (Pyzdek y Keller,
2010).

Figura 11. Tipo de correlaciones


Fuente: Bahena (2006)
Modelo Lineal Simple
Bahena y Reyes (2006) explican que la Regresin lineal se refiere a la
prediccin del valor de una variable a partir de una o ms variables. En
ocasiones se denomina a la variable dependiente Y, variable de respuesta y a
la variable independiente X, variable de prediccin.

Usamos un modelo probabilstico para explicar el comportamiento de la


variable independiente versus la variable dependiente, llamado modelo de
regresin lineal, y se expresa de acuerdo a la siguiente ecuacin:
y = 0 + 1 x +
Donde:
y = variable dependiente
0 = ordenada al origen
1 = pendiente
x = variable independiente
= Error aleatorio
La expresin 0 + 1 x se denomina componente determinstico del modelo de
regresin lineal. La muestra de pares de datos se usara para estimar los
parmetros 0 y 1
Modelo Lineal Mltiple
Bahena (2006) refiere que en ocasiones la informacin de una variable
independiente no es suficiente, Cuando se usa ms de una variable
independiente para predecir los valores de una variable dependiente, el
proceso se llama anlisis de regresin mltiple; y se expresa de acuerdo a la
siguiente ecuacin:
Y = 0 + 1 x + 2 x2 +.... + n
Donde:
y = variable dependiente
0 = ordenada al origen
1, 2 = coeficiente de cada variable.
x, x2 = variables independientes
= Error aleatorio
La estimacin de los coeficientes de una regresin mltiple es un clculo
bastante complicado y laborioso, por lo que se requiere del empleo de
programas de computacin especializados. Sin embargo, la interpretacin de
los coeficientes es similar al caso de la regresin simple: el coeficiente de cada
variable independiente mide el efecto separado que esta variable tiene sobre la
variable dependiente. El coeficiente de determinacin, por otro lado, mide el
porcentaje de la variacin total en Y que es explicado por la variacin conjunta
de las variables independientes X.
Anlisis de Correlacin
Bahena y Reyes (2006) nos dicen que la Correlacin:
Mide la fuerza de la asociacin lineal entre dos variables.
No mide las relaciones fuertes no lineales.

No mide causa y efecto.


Puede ser utilizada como un primer paso para la regresin.
Debe ser utilizada en conjunto con tcnicas grficas.
La medicin de la fuerza de la asociacin lineal en un anlisis de correlacin es
R conocida como el Coeficiente de Correlacin, que dependiendo del valor
nos dice que tan bien se ajuntan los datos a la ecuacin. R va de 1 a 1.
R > 0 indica una relacin positiva lineal.
R < 0 indica una relacin negativa lineal.
R2 es la proporcin de la variabilidad total de los valores de y que pueden ser
explicados por la variable independiente x. Si el valor de R2 est entre:
0,9 R2 1 Muy buen ajuste
0,8 R2 < 0,9 Buen ajuste, requiere de ms pruebas
0,6 R2 < 0,8 Regular, requiere revisin
1.1.3.1.4 Diseo de experimentos
Bahena (2006) afirma que un experimento es una prueba o serie de pruebas en
las cuales se hacen modificaciones a las variables de entrada de un proceso o
sistema para que puedan ser observadas y definidas las respuestas de salida.
Pyzdek y Keller (2010) sostienen que el diseo de experimentos juega un papel
importante en la mejora de la calidad. Mientras que los intervalos de confianza
y pruebas de hiptesis se limitan a las comparaciones ms sencillas entre una
muestra y los requisitos, o entre dos muestras, los diseos de experimentos
utilizan ANOVA (Anlisis de Varianza), tcnicas de particin de la variacin de
la respuesta entre las posibles fuentes de variacin. El enfoque tradicional de
"un factor a la vez" (OFAT) es llevar a cabo todos los factores constantes,
excepto uno. Cuando se utiliza este enfoque, podemos estar seguros de que la
variacin se debe a una relacin de causa y efecto. Sin embargo, este enfoque
adolece de una serie de problemas:
Por lo general, no es posible llevar a cabo todas las dems variables
constantes.
No hay manera de explicar el efecto de la variacin conjunta de las variables
independientes, tales como la interaccin.
No hay manera de explicar el error experimental, incluyendo la variacin de
la medicin.
Pyzdek y Keller (2010) aseveran que el diseo estadstico de experimentos, por
lo general, implica la variacin de dos o ms variables de forma simultnea y la
obtencin de medidas mltiples bajo las mismas condiciones
experimentales. La ventaja de este mtodo estadstico es triple:
1. Se puede detectar y medir las interacciones. Esta es una carencia
importante en el enfoque OFAT.
2. Cada valor trabaja con varios valores. Un experimento bien diseado le
permite utilizar la misma observacin para estimar varios efectos

diferentes. Esto se traduce directamente en ahorro de costes al utilizar el


mtodo estadstico.
3. El error experimental se cuantifica y se utiliza para determinar la confianza
que el experimentador tiene en sus conclusiones.
Para Bahena y Reyes (2006), los propsitos del diseo de experimentos son:
Determinar las variables que son de mayor influencia a la salida.
Determinar dnde fijar las entradas para producir la salida al nivel deseado.
Determinar dnde fijar las entradas de mayor influencia para reducir la
variabilidad en la salida.
Determinar dnde fijar las entradas controlables para que los efectos de las
entradas incontrolables sean minimizados.
Encontrar la ecuacin y = f(x) para optimizar el proceso.
Por ello, Bahena y Reyes (2006) concluyen que los mtodos de diseo de
experimentos pueden utilizarse ya sea para el desarrollo o la mejora de los
procesos, para mejorar el desempeo o para obtener un proceso que
sea robusto o insensible a fuentes externas de variabilidad.
Terminologa
Bahena y Reyes (2006) brindan la siguiente lista de trminos que se utilizan en
los diseos de experimentos.
a. Bloques: Unidades experimentales homogneas.
b. Bloqueo: Considerar las variables que el experimentador desea reducir su
efecto o variabilidad.
c. Colinealidad: Ocurre
cuando
2
variables
estn
completamente
correlacionadas.
d. Covarianza: Cosas que cambian durante los experimentos pero no fueron
planeadas a cambiar.
e. Diseo robusto: De acuerdo a Taguchi, un experimento en el cual la
variable de respuesta es inmune a los factores de ruido.
f. Diseo simples: Un diseo espacial usado para determinar todas las
combinaciones posibles de factores de entrada en una prueba experimental.
g. DOE: Diseo de Experimentos.
h. Efecto principal: Un estimado del efecto de un factor independientemente
del efecto de los dems.
i. Error experimental: Variacin en respuesta bajo las mismas condiciones de
prueba. Tambin se denomina error residual.
j. Error residual: Es la diferencia entre los valores observados y los estimados
por un modelo.
k. Fraccional: Un arreglo con menos experimentos que el arreglo completo
(1/2, 1/4, etc.).
l. Factorial completo: Arreglo experimental que considera todas las
combinaciones de factores y niveles.
m. Grados de libertad (DOF, DF, df): Numero de mediciones independientes
para estimar un parmetro poblacional.

n. Interaccin: Ocurre cuando el efecto de un factor de entrada en la


respuesta depende del nivel de otro factor diferente.
o. Nivel: Un valor especifico para un factor controlable de entrada.
p. Optimizacin: Hallar las combinaciones de los factores que maximicen o
minimicen la respuesta.
q. Ortogonal o balanceado: Es el arreglo que permite estimar los efectos de
los factores principales y de sus interacciones sin confundirlos. El factorial
completo es un ejemplo.
r. Replicas: Experimentos repetidos en diferente tiempo para estimar el error
experimental.
s. Variable de respuesta: Variable que muestra los resultados observados de
un tratamiento experimental, es la variable dependiente.
t. Tratamientos: Son los diversos niveles de los factores que describen como
se debe realizar el experimento.
Caractersticas del Diseo
Natrella (1963) citado por Pyzdek y Keller (2010) afirma que los buenos
experimentos no ocurren por casualidad, son el resultado de una cuidadosa
planificacin. Un plan experimental depende de:
El propsito del experimento.
Las restricciones fsicas de la toma de medidas en el proceso.
Las restricciones impuestas por las limitaciones de tiempo, dinero, material y
personal.
El analista debe fundamentar la ejecucin del experimento, el por qu se
seleccionaron dichostratamientos experimentales, si al trmino del
experimento se
alcanzarn
los objetivos
establecidos.
El
plan experimental debe estar por escrito y debe ser aprobado por todos los
participantes clave. El plan incluir una declaracin de los objetivos del
experimento, los tratamientos experimentales que se aplicarn, el tamao del
experimento, el tiempo, y una breve discusin de los mtodos que se utilizan
para analizar los resultados.
Para el analista de Seis Sigma son de particular inters la repeticin y la
aleatorizacin.
1. Repeticin. La coleccin de ms de una observacin para el mismo
conjunto de
condiciones
experimentales. La
repeticin
permite
al
experimentador estimar el error experimental. Si la variacin se produce
cuando todas las condiciones experimentales se mantienen constantes, la
causa debe ser algo ms que las variables controladas por el experimentador.
El error experimental se puede estimar sin hacer repeticiones. Si el proceso ha
estado bajo control estadstico en un periodo de tiempo, el error
experimental puede estimarse a partir de la grfica de control. La repeticin
tambin sirve para disminuir el sesgo debido a factores no controlados.
2. Aleatorizacin. Con el fin de eliminar el sesgo del experimento, las
variables no controladasespecficamente como
factores deben
ser
aleatorizadas. La asignacin aleatorea tambin asegura la estimacin vlida
del error experimental.

Tipos de Diseo
Pyzdek y Keller (2010) afirman que los experimentos pueden ser diseados
para satisfacer una amplia variedad de objetivos experimentales.
1. Modelo de efectos fijos. Un modelo experimental en el que todos los
factores son estudiados en los niveles posibles. Por ejemplo, si hay
tres materiales diferentes, los tres estn incluidos en el experimento.
2. Modelo de efectos aleatorios. Un modelo experimental en los niveles
de los factoresevaluados por el experimento representa una muestra de todos
los niveles posibles. Por ejemplo, si tenemos tres materiales diferentes, pero
slo utiliza dos materiales en el experimento.
3. Modelo mixto. Un modelo experimental con dos efectos fijos y aleatorios.
4. Diseo completamente al azar. Un plan experimental, en donde el orden
en que se lleva a cabo el experimento es completamente al azar.
5. Diseo de Bloques al Azar. Un diseo experimental donde una de las
observaciones experimentales se divide en bloques de acuerdo a algn
criterio. Los bloques se llenan de forma secuencial, pero el orden en el
bloque est lleno es al azar.
6. Diseo Cuadrado latino. Diseo donde cada tratamiento aparece una vez
y slo una vez encada fila y columna. Un plan cuadrado latino es til cuando es
necesario
o deseable
para
permitir dos
fuentes especficas de
no
homogeneidad en las condiciones que afectan los resultados.
Anlisis de Varianza o ANOVA
El anlisis de varianza lo vamos a utilizar para verificar si hay diferencias
estadsticamente significativas entre medias cuando tenemos ms de dos
muestras o grupos en el mismo planteamiento. En estos casos no utilizamos la
t de Student que solamente es un procedimiento vlido cuando comparamos
nicamente las medias de dos muestras. Como explicaremos ms adelante,
cuando tenemos ms de dos muestras y comparamos las medias de dos en
dos suben las probabilidades de error al rechazar la hiptesis de no diferencia
porque queda suficientemente explicada por factores aleatorios (error
muestral).
Este ANOVA puede realizarse de dos maneras en funcin al nmero de
factores a evaluar. Los Cuadros 5 y 6 nos ejemplifican cmo se realiza dicho
anlisis.
Cuadro 5. ANOVA para Un Factor
Fuente

Grado de
Libertad

Suma de
Cuadrados

Cuadrado Medio

Intergrupos
Intragrupos
o Error
Total

t1

SSFactores

T = SSFactores / (t 1)

Nt

SSError

E = SSError / (N 1)

N1

SSTotal

F=T/E

Cuadro 6. ANOVA para Dos Factores


Grado de
Libertad

Suma de
Cuadrados

Cuadrado Medio

Factor A

t1

SSA

CMA = SSA / (t 1)

Factor B

r1

SSB

CMB = SSB / (r 1)

FA = CMA /
CME
FB = CMB /
CME

Fuente

Interaccin
AB
Error
Total

(t 1) (r
1)
N tr
N1

SSAB
SSError
SSTotal

CMAB = SSA / ((t 1)


(t 1))
CME = SSE / (N tr)

Factorial Puro y Fraccionado


Segn Bahena y Reyes (2006) existen diferentes tipos de experimentos entre
los cuales son mencionados en el Cuadro 7.
Cuadro 7. Tipos de Experimentos
Tipos comunes
de Experimentos
Factorial
Completo (todas
las combinaciones
de factores y
niveles)
Fraccional
Factorial
(subgrupo del
nmero total de
combinaciones)
Diseo Central
Compuesto

Diseo Robusto

Objetivos

Nmero tpico
de factores
controlables

Encontrar los niveles de factor que


proporcionan los mejores resultados.
Construir un modelo matemtico (evala
todas las interacciones).

4 o menos

Encontrar los niveles de factor que


proporcionan los mejores resultados.
Construir un modelo matemtico (evala
todas las interacciones).

5 o ms

Optimizar.
Construir un modelo matemtico cuando no
haya efectos lineales (Superficie de
respuesta).
Optimizar.
Para encontrar los niveles de factores a fin
de reducir al mnimo la variacin ante factores
de ruido cambiantes.

3 o menos

5 o ms

Diseo Robusto
Dinmico de
Taguchi

Optimizar.
Optimizar la funcin de un producto o
proceso de manufactura.
Reducir al mnimo la sensibilidad al ruido y
aumentar al mximo la sensibilidad a la seal
de entrada.

7 o ms

Fuente: Bahena y Reyes (2006)


Potencia y Tamao de Muestra
El trmino potencia de una prueba estadstica se refiere a la probabilidad de
que los conducir a rechazar correctamente una hiptesis nula falsa, es
decir, 1-, donde beta es la probabilidad de no rechazar la hiptesis nula
falsa. En general, el poder de una prueba estadstica se mejora cuando:
Existe una gran diferencia entre las condiciones de la hiptesis nula y alterna.
La sigma de la poblacin es pequea.
El tamao de la muestra es grande.
La importancia de es grande.
Muchos paquetes de software
Potencia y Tamao de muestra.

estadstico proporcionan los

clculos de

1.1.4 Fase III


En la fase de Anlisis es cuando el equipo selecciona las caractersticas de
desempeo del producto que deben ser mejoradas para alcanzar la meta de
mejora identificando las mayores fuentes de variacin del proceso. Se
identificaran las causas de variacin. En esta fase se utilizar el Diseo de
Experimentos (DOE), para seleccionar las causas que ms afectan nuestro
CTQ e investigar estas causas para conocer el comportamiento del proceso. El
mtodo de DOE consiste en realizar cambios en los niveles de operacin de los
factores (X) para obtener los mejores resultados en la respuesta "Y". Esta
informacin es de gran ayuda para la optimizacin y mejora de procesos
(Bahena y Reyes, 2006).
1.1.4.1
Aplicacin de mejoras
Pyzdek y Keller (2010) afirman que las demandas de los clientes se pueden
convertir fcilmente en los requisitos de diseo y especificaciones. El trmino
"traduccin" se utiliza para describir este proceso, porque, literalmente, la
actividad consiste en la interpretacin de las palabras de un idioma (el de
atencin al cliente) en los de otra (el empleado). Se debe tener cuidado para
mantener la intencin de los clientes de todo el desarrollo de los requisitos
internos. El propsito de las especificaciones es para transmitir la voz del
cliente en toda la organizacin. Adems, la cuestin del mantenimiento de la
voz del cliente, es el tema relacionado a la importancia asignada a cada
demanda del cliente. El diseo de productos y servicios siempre implica
concesiones. La importancia de cada criterio deber ser determinado por el
cliente. Cuando los diferentes clientes asignan una importancia distinta a los

criterios, las decisiones de diseo se complican an ms. Adase a esto las


diferencias entre el personal interno y los objetivos de un departamento y otro,
el costo de diseo frente a frente a la calidad de diseo, etc. y la complejidad
de elegir rpidamente una alternativa de diseo. A continuacin, se debe
determinar la importancia que los clientes colocan en cada punto. Hay un
nmero de maneras de hacer esto:
Haga que los clientes asignen rangos de importancia utilizando una escala
numrica.
Haga que los clientes asignan una importancia utilizando una escala
subjetiva.
Haga que los clientes "gasten" cierta cantidad de dinero asignndolo entre
los diversos temas. En estos casos es ms fcil para el cliente para asignar las
primeras cantidades de dinero entre las principales categoras, a continuacin,
debe asignar a los elementos dentro de cada subcategora.
Haga que los clientes evaluen una serie de ofertas de productos hipotticos e
indicar su preferencia para cada producto por la clasificacin de las ofertas,
asignndole una "probabilidad de compra", etc Esto se conoce como el anlisis
conjunto, una tcnica de marketing.
Haga que los clientes evalen los elementos en pares, asignndole una
calificacin de preferencia a cada uno de los elementos de cada par, o decidir
los elementos de una pareja son igualmente importantes. Esto es menos
tedioso si primero se evalan las principales categoras, antes que los
elementos dentro de cada categora.
1.1.4.2
Tcnicas lean para optimizar procesos
Pyzdek y Keller (2010) concluyen que la clave para el flujo de valor es romper
los enlaces mentales de la mentalidad lote y cola. Lote y cola son tambin
endmicos en nuestras empresas. Este es un punto de innovacin fantstica.
La produccin en masa se basa en la produccin de grandes lotes deartculos
idnticos para satisfacer la demanda prevista. Se obtiene una gran eficiencia,
porque los costos de los ajustes, herramientas, etc. se amortizan en un gran
nmero de unidades, haciendo que elcosto por unidad sea muy bajo. Las
opciones se limitan a los favorecidos por la mayora. La produccin es para
programar, ms no la demanda. El flujo se concentra en el objeto de valor. El
producto, diseo, servicio, orden, etc., que se est creando para el
cliente. El foco no est en el departamento, el proveedor, la fbrica, el
procedimiento, las herramientas, la configuracin, elinventario o cualquier otra
faceta de la empresa, o su funcionamiento. Todas las prcticas de trabajoson
evaluadas cuidadosamente y repensado para eliminar todas las interrupciones,
por lo que elobjeto de valor se produce con mayor facilidad y en forma contina
para el cliente.
1.1.4.3
Uso de modelos de optimizacin (DOE)
Pyzdek y Keller (2010) sostiene que la construccin de modelos empricos es
un mtodo estadstico para determinar el proceso ptimo o la configuracin del
diseo. Se utiliza una serie de diseos experimentales para reducir el proceso
total posible o el espacio de diseo del producto para afinarlo con la
configuracin ptima de uno o ms requisitos.

En la modelizacin emprica tenemos que empezar a orientarnos con las cosas


antes de proceder a su cambio. Llamaremos a esta actividad Descubrimiento
del Conocimiento o Fase 0.
Ahora que usted tiene una idea de su situacin actual y que se sienta seguro
de que sabes algo acerca de lo que se va a hacer realiza pequeos
experimentos para validar que los factores seleccionados son vlidos. Esta
fase es equivalente a una Seleccin Experimental o Fase I.
Ahora siente que est listo para comenzar. Toma slo aquellos factores que se
necesitan, mueve los valores inicialmente tomados y verifica que todava se
est moviendo en la direccin correcta.Llamamos a esta subida Escalamiento
Empinado o Fase II.
En algn momento usted nota que hay tendencias ascendentes y
descendentes entre los valores evaluados. Llamamos a esta etapa de su viaje
el Experimento Factorial, o Fase III.
Ahora usted decide que un enfoque ms organizado es necesario para localizar
el objetivo que puede ser un valor mximo, un valor mnimo o uno dentro de un
rango nominal. Se realiza evaluaciones con el objetivo de ver dichos valores
ptimos. Esta es la Fase de Diseo Compuesto, lo que llamamos la Fase IV.
Usted hace un experimento robusto y fuerte, capaz de soportar los cambios de
su entorno. Llamamos a la actividad de construccin de productos y procesos
que son insensibles a los cambios en sus parmetros de funcionamiento
de Producto Robusto y Diseo del Proceso, que es la Fase V.
Fase 0: Consigue tu Rumbo
Pyzdek y Keller (2010) afirman que antes de que la experimentacin se puede
iniciar, el equipo debe tener una idea de cules son los problemas principales,
las mediciones importantes del rendimiento, costos, tiempo y otros mtodos y
recursos disponibles para la experimentacin, etc. El aprendizaje es, por su
propia naturaleza, un proceso secuencial. El experimentador, ya sea un
individuo o un equipo, comienza con un relativamente poco conocimiento
especfico y procede a obtener conocimientos mediante la realizacin de
experimentos en el proceso. Como se adquieren nuevos conocimientos, el
alumno est en mejores condiciones para determinar qu paso a seguir es el
ms apropiado. En otras palabras, la experimentacin implica siempre
conjeturas, pero conjeturas se vuelven ms educadas que los datos
experimentales disponibles para su anlisis. Seis Sigma se diferencia de las
aplicaciones de las aplicaciones agrcolas de muchas maneras, sobre todo en
que los resultados estn disponibles rpidamente. Este mtodo se aprovecha
para acelerar y dirigir el aprendizaje.
Fase I: Experimento Exploratorio
Pyzdek y Keller (2010) sostienen que en este punto el proceso se mantiene
estable y el equipo est listo para pasar de la etapa de control de proceso a la
etapa de mejora de procesos. Esto implica la realizacin de diseo de
experimentos para medir los efectos importantes. El equipo debe buscar la
manera de controlar la mayor cantidad de variables listadas y debe ser capaz
de desarrollar mtodos para eliminar los efectos de muchas variables. Con los
factores que no se pudieron controlar se crea un diseo experimental utilizando
un paquete de software estadstico. Dado que se trata slo de ser un
experimento de seleccin, el objetivo es identificar los principales efectos

significativos. Los softwarespermiten la seleccin entre varios diseos. El Black


Belt decide el diseo que estime los efectos principales con el menor nmero
de unidades de prueba. Una vez ejecutado este diseo el equipo se rene para
analizar los resultados. Se decide establecer todos los factores que no fueron
estadsticamente significativos en los niveles que tienen menores costos de
operacin. El equipo monitorear el proceso en estos valores por un tiempo
para determinar que los resultados fueron similares a lo que el equipo espera a
partir del anlisis experimental. Mientras se hace esto, se planifica otra serie de
experimentos para explorar ms a fondo los efectos significativos revelados por
el experimento de deteccin.
Fase II: Escalamiento Ascendente o Descendente
Pyzdek y Keller (2010) sostienen que esta etapa est basada en el
experimento de seleccin, utilizando un modelo lineal para estimar la tasa de
defectos encontrados a partir de los coeficientes obtenidos. El equipo necesita
llevar a cabo una serie de experimentos para evaluar los factores significativos.
En la primera fase del experimento se observ la direccin y la relacin
existentes entre los factores, lo cual nos indica que se debe cambiar para
conseguir la mejora ms rpida en la tasa de defectos, es decir, la direccin de
escalamiento empinado (en "ascenso" significa una mejora en la medicin de
intereses). Para el clculo de una serie de puntos a lo largo de la direccin del
ascenso ms escarpado, comience en el centro del diseo y el cambio de los
factores en proporcin a los coeficientes de la ecuacin ajustada.
Fase III: Experimento Factorial
Pyzdek y Keller (2010) sostiene que para explorar la regin experimental con
mayor profundidad se necesita llevar a cabo un experimento factorial. Para ello
se necesitan 2 a 4 factores y se utilizar un diseo 3 kp para poder evaluar las
interacciones entre los factores y la curvatura. Es necesario hallar una la
curvatura en nuestra regin de experimentacin ya que es un medio importante
de que ya no estamos experimentando en la regin lineal de las respuestas. Al
ver los resultados, el Black Belt debe decidir si ya es necesario avanzar a la
Fase IV para investigar mejor a la regin de respuesta y para tratar de
localizar un ptimo.
Fase IV: Diseo Compuesto
Pyzdek y Keller (2010) sostiene que el Black Belt es el que decide que ya se
puede utilizar el Diseo Central Compuesto. Mtodo utilizado para obtener
informacin adicional sobre la regin en la que el proceso estaba funcionando.
Este diseo consiste en utilizar slo los puntos de esquina y el punto central del
anterior experimento factorial con puntos adicionales, tal como se muestra en la
Figura 12. Los puntos a ampliar del diseo van ms all de los niveles
previamente diseados, tanto en los valores altos y bajos para cada factor.
Los softwares encuentran los coeficientes de la ecuacin que describe una
regin compleja por las respuestas. Adems se generan grficos de
visualizacin en dos y tres dimensiones que describen grficamente la regin
de la experimentacin. Generalmente no es difcil interpretar los dibujos de la
superficie de respuesta. A dichos grficos se los conoce como grfico de
contornos y superficie de respuesta, respectivamente. Esta metodologa no
slo nos modelar y predecir las ocurrencias dentro de los rangos de valores
analizados, tambin puede darnos valores ptimos en funcin al anlisis. El

equipo, dirigido por el Black Belt debe verificar y validar los resultados de dicho
anlisis. Tambin debe proporcionar apoyo continuo a la institucin en forma
de visitas peridicas y la disponibilidad ante las posibles preguntas.

Figura 12. Diseo Central Compuesto con 3kp


Fuente: Gutirrez y De la Vara (2008)
Fase V: Producto Robusto y Diseo de Proceso
Pyzdek y Keller (2010) concluye que para mantener los logros se
requiere, entre otras cosas, la creacin de procesos y productos que operen
cerca de sus condiciones ptimas, aun cuando se produzcan cambios. Los
Diseos Robustos pueden comenzar con un estudio cuidadoso de la tramade
contorno. La planificacin slida de control de debe tomar en cuenta procesos
de no-linealidad. Si hay una necesidad de cambiar algn factor, debe ser
cambiado de una manera que evite el aumento de la tasa de defectos. Esto no
quiere decir que todos los cambios deben ser prohibidos, despus de todo, sin
cambio no
hay aprendizaje
o
perfeccionamiento. Sin
embargo,
los
cambios deben ser controlados para proporcionar un filtro entre el cliente y la
produccin de productos no conformes que pueden ocurrir durante el proceso
de aprendizaje. Ms formalmente, el diseo robusto puede ser integrado con el
Diseo Experimental (DOE). Los mtodos descritos por Genichi Taguchi es
unmtodo bien conocido para la integracin de DOE y diseo de productos y
procesos. Si bien ha habido muchas crticas de la aproximacin estadstica de
Taguchi, hay un amplio consenso en que sus principios de diseo de
parmetros robustos son contribuciones vlidas y valiosas para el anlisis
deSeis Sigma.

1.1.5

Fase IV

1.1.5.1
Elaboracin del plan de control
Bahena y Reyes (2006) afirman que los procesos tienden a degradarse con el
tiempo, por lo que es de gran importancia la implementacin de un plan de
control para cada X, para establecer el pan es necesario tener procesos y
procedimientos documentados y entrenar al personal que llevara a cabo esta
actividad. Una vez implementadas las mejoras se vuelve a calcular los niveles
sigma del proceso, para saber en qu nivel nos encontramos actualmente.
Un plan de control es:
Un resumen de todas las actividades de control para el proceso.
Un mtodo para identificar deficiencias en el sistema de control.
Una lista de las actividades de control para implantar.
Una entrada al AMEF (Procesos maduros).
Una salida para el AMEF (procesos nuevos).
Intencin y Propsito del Control del Proceso
La intencin del proceso de control es:
Correr el proceso en el objetivo.
Minimizar la variacin sobre el objetivo.
Minimizar los ajustes requeridos y el sobre-control.
Siempre conocer los requerimientos del cliente.
El propsito del plan de control es:
Institucionalizar las mejoras del proceso.
Destacar areas que requieren educacin extra.
Proveer procedimientos de un solo paso para el control de la informacin.
Desarrollo de un plan de control del proceso
Las Entradas para el plan de control son:
Mapa de proceso final.
AMEF.
Documentacin del proceso.
Requerimientos del cliente.
Capacidades de IT.
ASMs.
Estudios de capacidad.
Mantenimiento de procedimientos.
Materiales de entrenamiento.
Guas de solucin de problemas.
Calendarios de Calibracin.
Ventanas de operacin.
Planes de accin fuera de control.
Identificacin del proceso
El Paso del proceso:

Del mapa de proceso. Mantener coherencia en nombres con el mapa de


proceso, AMEF, etc.
Solo Alto riego, pasos crticos del proceso.
Que est controlado
Nombre de la entrada o la salida.
Entrada o Salida Especificar.
Inicialmente, el plan debe tener ms controles en las salidas que en las
entradas.
Las metas son para el control de la entrada, no el monitoreo de la salida.
Especificaciones y Medicin
Los lmites de Especificacin / Requerimientos:
Listar el objetivo y las tolerancias para cada entrada y salida critica.
Mtodo de Medicin.
Proceso o mquina que hace la medicin.
Mtodo de Control.
Que mtodo se utiliza para el control. SPC o SPM
Automatizacin, Pre-control o Aislar el error.
Tamao, Frecuencia y Responsabilidad
Seleccionar el tamao de muestra sobre la base del sistema de medicin y
capacidad del proceso.
Seleccionar la frecuencia basada en el sistema de medicin, capacidad del
proceso y requerimientos de la operacin.
Seleccionar el mtodo de medicin.
Seleccionar al responsable de asegurar que los datos se tomen y que sean
correctos.
Accin y Documentacin
Dnde se registran los datos.
Dnde residen los datos (Bases de datos, graficas, ambas, etc.).
Regla de decisin / Accin correctiva.
Qu pasa cuando el proceso est fuera de control.

1.1.5.2
Mecanismos
mantenimiento de las mejoras

de

control

para

asegurar

el

1.2 Glosario de trminos tcnicos


1.2.1 Anlisis de Varianza (ANOVA): Una tcnica que subdivide la variacin
total de un conjunto de datos en sus componentes significativos asociados con
las fuentes especficas de variacin con el fin de probar algunas hiptesis sobre
los parmetros del modelo o componentes de varianza estimada.

1.2.2 Aseguramiento de la Calidad: Todas aquellas acciones planeadas o


sistemticas necesarias para proporcionar la confianza adecuada de que un
producto o servicio satisfaga unas necesidades dadas.
1.2.3 Asimetra (Skewness): Es una medida de la simetra de una distribucin.
Un valor positivo indica que la distribucin tiene una mayor tendencia a tener la
cola hacia a la derecha, conocida tambin como Asimetra Positiva o sesgada a
la derecha. Un valor negativo indica una mayor tendencia de la distribucin con
la cola hacia la izquierda, denominada como Asimetra Negativa o sesgada a la
izquierda. La asimetra es 0 para una distribucin normal.
1.2.4 Calidad Media de Salida (AOQ): La calidad esperada de los productos
de salida tras el uso de un plan de muestreo aceptado para un valor dado de
calidad de producto entrante.
1.2.5 Calidad: La totalidad de rasgos y caractersticas de un producto o servicio
que le confieren la aptitud para satisfacer necesidades dadas.
1.2.6 Capacidad-del Proceso: Lmites en los que operan con base en una
herramienta o proceso sobre la variabilidad mnima que se rige por las
circunstancias prevalecientes. NOTA: La frase "por las circunstancias
prevalecientes" indica que la definicin de la variabilidad inherente a un
proceso que involucra un solo operador, una fuente de materia prima, etc., se
diferencia de una participacin de mltiples operadores, y muchas fuentes de
materia prima, etc. Si la medida de la variabilidad inherente se realiza en
circunstancias muy restringidas, es necesario aadir componentes para fuentes
asignables de variacin que frecuentemente ocurren y que econmicamente no
pueden ser eliminados.
1.2.7 Causa Asignable: Un factor que contribuye a la variacin y que es
posible detectar e identificar.
1.2.8 Coeficiente de Correlacin Mltiple: Un nmero entre 0 y 1 que indica
el grado de relacin lineal combinada de varias variables de prediccin, X1, X2,
... , Xp a la variable respuesta Y. Es el coeficiente de correlacin simple entre
los valores predichos y observados de la variable respuesta.
1.2.9 Coeficiente de Correlacin: un nmero entre -1 y 1 que indica el grado
de relacin lineal entre dos conjuntos de nmeros.
1.2.10 Coeficiente de Determinacin: Una medida de parte de la varianza de
una variable que puede explicarse por su relacin lineal con una segunda
variable. Designado por 2 o r2.
1.2.11 Coeficiente de Variacin: Una medida de dispersin relativa que es la
desviacin estndar dividida por la media y multiplicada por 100 para obtener
un valor porcentual. Esta medida no puede ser utilizada cuando los datos
tienen valores negativos y positivos, o cuando se hayan codificado de tal
manera que el valor de X 0 no coincide con el origen.
1.2.12 Control de Calidad: Las tcnicas operativas y las actividades que
sostenga una calidad de producto o servicio que satisfaga necesidades dadas,
tambin el uso de tcnicas y actividades.
1.2.13 Curtosis: Una medida de la forma de una distribucin. Un valor positivo
indica que la distribucin tiene colas ms largas que la distribucin normal
(platicurtosis), mientras que un valor negativo indica que la distribucin tiene
colas ms cortas (leptokurtosis). Para la distribucin normal, la curtosis es 0.

1.2.14 Defecto: A la salida de una caracterstica de calidad del nivel o estado


deseado que se produce con una intensidad suficiente para causar que un
producto o servicio asociado no cumpla con la intencin normal, o
razonablemente previsible, de los requisitos de uso.
1.2.15 Defectuoso: Una unidad de producto o servicio que contenga al menos
un defecto, o tener varias imperfecciones que en combinacin hacen que la
unidad no para satisfacer las normales previstas, o razonablemente previsibles,
los requisitos de uso. La palabra defectuoso es apropiado utilizar cuando una
unidad de producto o servicio es evaluado en trminos de uso (a diferencia de
la conformidad con especificaciones).
1.2.16 Desviacin Estndar
1. Desviacin Estndar Poblacional. Una medida de la variabilidad o
dispersin de las observaciones que es la raz cuadrada positiva de la varianza
poblacional.
2. s Desviacin Estndar Muestral. Una medida de la variabilidad o
dispersin, que es la raz cuadrada positiva de la varianza de la muestra.
1.2.17 Diseo Experimental: El arreglo con el que un programa experimental
se lleva a cabo, y la seleccin de las versiones (niveles) de uno o ms factores
o combinaciones de factores que deben incluirse en el experimento.
1.2.18 Distribucin de Frecuencias: Un conjunto de todos los diferentes
valores que las observaciones individuales pueden tener y la frecuencia de su
ocurrencia en la muestra o poblacin.
1.2.19 Doble muestreo: Inspeccin de muestreo en los que la inspeccin de la
primera muestra de tamao n1, conduce a la decisin de aceptar un lote, no es
aceptado, o se toma una segunda muestra de tamao n2, y la inspeccin de la
segunda muestra lleva a la decisin de aceptar o no el lote.
1.2.20 Error de Tipo I (sentido de control de aceptacin): La decisin
incorrecta de que un proceso es inaceptable cuando, en realidad, la
informacin perfecta revelara que se encuentra dentro de la "zona de
aceptacin del proceso.
1.2.21 Error de Tipo II (sentido de control de aceptacin): La decisin
incorrecta de que un proceso es aceptable cuando, en realidad, la informacin
perfecta revelara que se encuentra dentro de la "zona de rechazo de los
procesos".
1.2.22 Estadstico: Una cantidad calculada a partir de una muestra de
observaciones, en su mayora para formar una estimacin de un parmetro de
la poblacin.
1.2.23 Experimentos Factoriales: Experimentos en los que todas las
combinaciones posibles de tratamiento formado por dos o ms factores,
estudindose cada uno est con dos o ms versiones (niveles), son
examinados de manera que se pueda estimar las interacciones (efectos
diferenciales), as como los efectos principales.
1.2.24 Factor: Una causa conocida que puede afectar a las respuestas
(resultados de la prueba) y de la que las diferentes versiones (niveles) incluidos
en el experimento.
1.2.25 Hiptesis Alterna: La hiptesis que se acepta si la hiptesis nula es
rechazada. La eleccin de la hiptesis alterna determinar si las pruebas de
"una cola" o "dos colas" son adecuadas.

1.2.26 Hiptesis Nula: La hiptesis examinada en las pruebas de significancia


es que no hay ninguna diferencia (nula) entre la poblacin muestral y una
poblacin especfica (o en entre las poblaciones asociadas a cada muestra). La
hiptesis nula no puede ser nunca cierta. Sin embargo, se puede mostrar, con
los riesgos especficos de error, que es falso, es decir, se puede demostrar que
existe una diferencia entre las poblaciones. Si no es refutada, por lo general
acta en el supuesto de que no hay razn suficiente para dudar de que es
cierto. (Puede ser que no hay poder suficiente para probar la existencia de una
diferencia en vez de que no haya diferencia; es decir, el tamao de la muestra
puede ser demasiado pequeo Si se especifica la diferencia mnima que se
quiere detectar y , el riesgo de detectar una diferencia de este tamao, se
puede determinar, sin embargo, el tamao requerido de la muestra actual.
1.2.27 Histograma: Un grfico de la distribucin de frecuencias en forma de
rectngulos cuyas bases son iguales para el intervalo de celdas y cuyas reas
son proporcionales a las frecuencias.
1.2.28 Lmite de Calidad Media de Salida (AOQL): Para un plan de muestreo
de aceptacin dado, el mximo AOQ sobre todos los niveles posibles de
calidad de entrada.
1.2.29 Lmites de Confianza: Los puntos finales del intervalo de la muestra
estadstica que se considera, con un coeficiente de confianza especifica, para
incluir el parmetro poblacional.
1.2.30 Mediana: La medicin del centro, cuando un nmero impar de unidades
estn dispuestas en orden de tamao, por un conjunto ordenado X1, X2, ... ,
X2k1. Siendo la mediana igual a Xk. Cuando un nmero par estn dispuestas, la
mediana es el promedio de las dos unidades centrales, para un conjunto
ordenado X1, X2, ... , X2k.
1.2.31 Moda: el valor ms frecuente de la variable.
1.2.32 Muestra: Un grupo de unidades, parte del material, o las observaciones
tomadas de una coleccin ms grande de unidades, cantidad de material o las
observaciones que sirve para proporcionar informacin que pueda ser utilizado
como base para la toma de una decisin relativa a la cantidad ms grande.
1.2.33 Muestreo Aleatorio: El proceso de seleccin de unidades de una
muestra de tamao n de tal manera que todas las combinaciones
de n unidades en cuestin tengan la misma o comprobable oportunidad de ser
seleccionados como muestra.
1.2.34 Muestreo Mltiple: Muestreo de inspeccin en la que, despus de cada
muestra es examinada, se toma la decisin de aceptar o no aceptar un lote, se
toma otra muestra para tomar la decisin. Puede haber un nmero mximo de
muestras prescritas, despus del cual se debe llegar a la decisin de aceptar o
no aceptar.
1.2.35 Muestreo Simple: Muestreo de inspeccin en la que se basa la decisin
de aceptar o no a un lote basado sobre la inspeccin de una sola muestra de
tamao n.
1.2.36 Nivel de Calidad Aceptable: Porcentaje o proporcin mxima de
unidades variantes en un lote o batch que, para el propsito de aceptacin del
muestreo, se puede considerar satisfactorio como un promedio del proceso.

1.2.37 Oportunidad de Causas: Factores, en general numerosas e


individualmente de una importancia relativamente pequea, que contribuyen a
la variacin, pero que no hay viabilidad de deteccin o identificacin.
1.2.38 Parmetro: Una constante o coeficiente que describe algunas
caractersticas de una poblacin. Por ejemplo, la desviacin estndar,
promedio, coeficiente de regresin.
1.2.39 Poblacin: La totalidad de elementos o unidades de material en
cuestin. NOTA: Los elementos pueden ser unidades o mediciones, y la
poblacin puede ser real o conceptual. As, la poblacin puede hacer referencia
a todos los elementos de hecho producido en un da o todo lo que se podra
producir si el proceso se mantuviera bajo control.
1.2.40 Proceso en Control: Un proceso en el que la(s) medida(s)
estadstica(s) est(n) siendo evaluadas en un "estado de control estadstico".
1.2.41 Promedio, Error Estndar de: La desviacin estndar de la media de
una muestra de tamaon.
1.2.42 Promedio: una medida de la ubicacin de una distribucin. El centroide.
1.2.43 R (Rango): Una medida de dispersin, que es la diferencia entre el
mayor valor observado y el menor valor observado en una muestra
determinada. Mientras que el rango es una medida de dispersin por derecho
propio, a veces se utiliza para estimar la desviacin estndar de la poblacin,
pero es un estimador sesgado a menos que multiplicado por el factor apropiado
(1/d2) para el tamao de la muestra.
1.2.44 Replica: La repeticin de la serie de todas las combinaciones de
tratamientos que se comparan en un experimento. Cada una de las
repeticiones se llama una rplica.
1.2.45 Riesgo para el Consumidor (): Para un determinado plan de
muestreo, la probabilidad de aceptacin de un lote, cuya calidad tiene un valor
numrico designado que representa un nivel que rara vez se desea aceptar.
Por lo general, el valor designado ser el Nivel de Calidad Lmite (LQL).
1.2.46 Riesgo para el Productor (): Para un determinado plan de muestreo,
la probabilidad de no aceptacin de un lote cuya calidad tiene un valor
numrico que representa un nivel asignado que por lo general se desea
aceptar. Por lo general, el valor asignado ser el nivel de calidad aceptable
(AQL).
1.2.47 Varianza:
1. 2 Varianza Poblacional. Una medida de la variabilidad (dispersin) de las
observaciones basada en la desviacin estndar de la media aritmtica.
2. s2 Varianza de la Muestra. Una medida de la variabilidad (dispersin) de
las observaciones en una muestra basada en las desviaciones al cuadrado de
la media aritmtica dividida por los grados de libertad.
II. CASOS PRCTICOS
2.1 Casos de Manufactura
Definir el proyecto:
Definir el indicador operacional y el indicador finaciero

2.2 Casos de Servicios

III. REFRENCIAS BIBLIOGRFICAS


1. Arias Montoya, Leonel; Portilla, Liliana Margarita y Castao Benjumea, Juan
Carlos. 2008. Aplicacin de Six Sigma en las Organizaciones. Scientia Et
Technica. Universidad Tecnolgica de Pereira. Colombia. 25 (38): 265 270.
2. Bahena Quintanilla, Miguel y Reyes Aguilar, Primitivo. 2006. Curso de Seis
Sigma. Universidad Iberoamericana. Santa Fe. Mxico. 262 pg.
3. Bahena Quintanilla, Miguel. 2006. Aplicacin de la Metodologa Seis Sigma para
mejorar la calidad y productividad de una Planta de Bebidas. Tesis para obtener el Grado
de Maestra en Ingeniera de Calidad. Universidad Iberoamericana. Puebla. Mxico. 190
pg.
4. Blancas Castro, lvaro Mauricio y Rodrguez Gutirrez, Jorge Luis. 2005. Propuesta de
un sistema de mantenimiento preventivo y de logstica para Firth Industries Per S.
A. Tesis para Optar el Grado Acadmico de Magster en Gestin de Operaciones.
Universidad Peruana de Ciencias Aplicadas. Lima. Per.

5. Carrillo Sancosme, Rodrigo. 2011. Curriculum Vitae. Consultado el 18 de


Diciembre
de
2011.
Disponible
en: http://www.cimat.mx/Sitios/seissigma/archivos/CV_Rodrigo_Carrillo.pdf
6. Diaz Medrano, Susana. 2008. Aplicacin del Mtodo Seis Sigma en la
mejora del proceso de facturacin en la Agencia Morelia Norte de la Comisin
Federal de Electricidad. Tesis presentada para obtener el grado de Magster en
Administracin. Universidad Michoacana de San Nicols de Hidalgo. Morelia.
Michoacan. Mxico. 121 pg.
7. Garza Gonzalez, Mario. 2006. Modelo de Indicadores de Calidad en el Ciclo
de Vida de Proyectos Inmobiliarios. Tesis para obtener el Grado Acadmico de
Doctor. Universidad Politcnica de Catalua. Barcelona. Espaa. 204 pg.
8. Gutirrez Pulido, Humberto y De la Vara Salazar, Romn. 2008. Anlisis y
Diseo de Experimentos. 2da edicin. McGraw-Hill. Mxico. 545 pg.
9. Gutirrez Pulido, Humberto y De la Vara Salazar, Romn. 2009. Control
Estadstico de la Calidad y Seis Sigma. 2da edicin. McGraw-Hill. Mxico. 482
pg.
10. Lefcovich, Mauricio Len. 2005. Seis Sigma: Un Sistema de Calidad para el
Siglo 21. Consultado el 16 de Diciembre de 2011. Disponible en
lnea:http://www.degerencia.com/articulo/seis_sigma_un_sistema_de_calidad_
para_el_siglo_21
11. Pries, K. 2006. Six Sigma for the Next Millennium. ASQ Quality Press.
Milwaukee. Wisconsin.USA.
12. Proces Consultores. 2006. Curso Fundamentos de Seis Sigma
(Nivel Yellow Belt). Hitachi GST. Guadalajara. Mxico.
13. Pyzdek, Thomas y Keller, Paul A. 2010. The Six Sigma Handbook. A
Complete Guide for Green Belts, Black Belts, and Managers at All Levels. Third
Edition McGraw-Hill. 561 pg.
14. Reyes Aguilar, Primitivo. 2004. Curso de Seis Sigma Transaccional para
Black Belts. Mdulo I.Universidad Iberoamericana. Mxico.
15. Ruskin, A. M. and Estes, W. E. 1995. What Every Engineer Should Know
About Project Management. 2nd Edition. Marcel-Dekker. New York. USA.

16. Tomati, Fernando Jorge y Gabriele, Adrin Serio. 2010. Aplicaciones de Six
Sigma en la industria qumica. HLTnetwork S. A. Corrientes. Buenos Aires.
Argentina.
17. Womack, J. P. and Jones, D. T. 1996. Lean Thinking: Banish Waste and
Create Wealth in Your Corporation. Simon & Shuster. New York. USA

También podría gustarte