LSSI Yellow Belt e Book PDF

LEAN S IX S IGMA IN S TITUTE
e-Book
Certificación “Yellow Belt”

Objetivo
Basándose en lo que cubre este curso, el participante podrá:
•Describir la estrategia de mejoramiento Seis Sigma

•Entender el papel del Yellow Belt en la iniciativa Seis Sigma
•Conocer y relacionar los papeles y responsabilidades de
Champion, Black Belt, Green Belt, Yellow Belt, White Belt y los
miembros del equipo
•Identificar proyectos con alta probabilidad de éxito
•Entender la metodología DMAIC y cómo aplica en los proyectos
de mejoramiento
•Establecer y utilizar métricas
•Ayudar en la administración de los proyectos y el cumplimiento
de las metas
Significado de Seis-Sigma
Seis-Sigma representa
una métrica,
una filosofía de trabajo, y

una meta.
Significado de Seis-Sigma
Como métrica, Seis-Sigma representa una manera de

medir el desempeño de un proceso en cuanto a su nivel
de productos o servicios fuera de especificación.
Como filosofía de trabajo, Seis-Sigma significa

mejoramiento continuo de procesos y productos apoyado
en la aplicación de la metodología Seis-Sigma la cual
incluye principalmente el uso de herramientas estadísticas
además de otras más de apoyo.
Como meta, un proceso con nivel de calidad Seis-Sigma

significa estadísticamente tener un nivel de clase mundial
al no producir servicios o productos defectuosos(*).
(*) 0.00189 ppm, proceso centrado, 3.4 ppm, proceso con un descentrado de 1.5σ.
SEIS SIGMA es una ESTRATEGIA

DE NEGOCIO
para satisfacer los requerimientos
del CLIENTE
Otros significados de niveles Sigma
Sigma PPM Costo de calidad Clasificación No. palabras equivocadas

6 3.4 <10% ventas Clase mundial 1 en una pequeña librería
5 233 10-15% ventas 1 en varios libros
4 6210 15-20% ventas Promedio 1 en 31 páginas
3 66,807 20-30% ventas 1.35 por página
2 308,537 30-40% ventas No-competitivo 23 por página
1 690,000 159 por página
Harry (1998) y McFadden (1993)
“Seis-Sigma significa mejorar procesos por medio

de resolver problemas”. Snee (2001).
Significado práctico de 99% bueno (EUA)
•20,000 artículos perdidos en el correo cada hora.

•5,000 operaciones quirúrgicas incorrectas por semana.
•2 aterrizajes defectuosos en los principales aeropuertos cada día.
•200,000 prescripciones médicas equivocadas cada año.
•Servicio de energía eléctrica suspendida por 7 horas cada mes.
Definición clásica de calidad
Cumplimiento de las especificaciones para lograr la

adecuación al uso.
LIE LSE
Producto no Producto no
conforme Producto conforme conforme
OBJETIVO
Definición moderna de calidad
Uniformidad de los valores alrededor del objetivo.
LIE LSE
Producto no Producto no
conforme conforme
OBJETIVO
Significado gráfico de Seis Sigma

“σ” letra s griega usada para representar una medida de
la variación de un proceso
Cp=Cpk=1
LIE LSE
0.4
0.3 Proceso
σ 3σ
0.2
0.1
0.0
6 7 8 9 10 11 12 13 14
3σ
Seis Sigma (proceso centrado)

Cp=Cpk=2
LIE LSE
±1. 5σ
Proceso
6σ
− 6σ -3 σ 0 3σ 6σ
6σ
Seis Sigma (proceso no-centrado)

Cp=2, Cpk=1.5
LIE LSE
±1. 5σ
Proceso
6σ
− 6σ -1.5σ 0 1.5σ 4.5σ 6σ
4.5σ
DEFINICIÓN OFICIAL
Importancia de la Variación y Centrado
Evaluación del trato en un banco en 8 ocasiones:
5 6 7 8 9 10
Mal Evaluación
Buen
servicio servicio
Variación
Se prefiere UNIFORMIDAD, pero además,

lo más cercano al OBJETIVO (10)
5 6 7 8 9 10
Mal Evaluación
Buen
servicio servicio
Dinámica: lanzamiento de monedas
2 tiradores (turnos) simulando la característica

longitud de clavos.
Cada tirador realiza 15 lanzamientos y se

mide la distancia entre la pared y la posición
final de la moneda
Graficar las distancias y calcular promedio y

desviación estándar de cada característica.
Specs: 0-20 cms. (objetivo=0)
¿Cuál turno (lanzador) es mejor?

0 5 10 15 20 25 30 35 40 45 50
Lanzador 1
y=
0 5 10 15 20 25 30 35 40 45 50
Lanzador 2
y=
Estructura de Seis-Sigma
Comité directivo de Seis Sigma: formado por el

director general y directores de primer nivel. Ellos
establecen la visión, definen los lineamientos
organizacionales y la estructura necesaria.
Campeones: directores de área quienes proveen

dirección estratégica y recursos con respecto a los
proyectos a realizar.
Maestros Cintas Negras (Master Black Belts): personal

seleccionado que fue capacitado y estuvieron cierto
tiempo como Cintas Negra, y que ahora coordinan y
capacitan a éstos en su desarrollo como expertos en Seis-
Sigma.
Cintas Negras (Black Belts): personal con las habilidades

necesarias de liderazgo y técnicas para entender y aplicar
la metodología Seis-Sigma, a la vez de motivar y
dirigir equipos en el desarrollo de proyectos.
También se emplean para capacitar a los Cintas Verde.
Se recomienda que el 100% de su tiempo sea enfocado
a su participación como líderes de proyectos Seis-Sigma.
Cintas Verdes (Green Belts): personal enfocado a sus

actividades cotidianas diferentes a Seis Sigma, que
dedican parte de su tiempo a integrarse con Cintas Negra
para participar en proyectos Seis Sigma.
Se recomienda además crear el puesto de Director de

Seis Sigma quien dependerá del director general, y sus
funciones serán las de coordinar toda la estructura de
Seis Sigma: sistema de reporte de presentación y avance
de proyectos, programar la capacitación, mantener a la
organización enfocada en la iniciativa, y a través de los
Master Black Belts, apoyar a los Black Belts y otras
cintas en el desarrollo de sus proyectos.
Cintas Amarillas (Yellow Belts):

Son personal que se dedican a sus actividades regulares y
que se encargarán de comunicar a los Cintas Blancas (CB) la
iniciativa de mejora que se implementará en la compañía por
medio de una capacitación introductoria. Tienen un nivel de
entrenamiento mayor que los CB pero menos profundo que
los Green Belts.
Cintas Blancas (White Belts):

Son personal operativo de la empresa y su labor en esta
iniciativa es la de familiarizarse con los conceptos básicos
de Lean para que conozcan el esfuerzo global que pretende
hacer la compañía y que puedan contribuir de manera
sencilla en lo que se les solicite.
Proporción estructural
1 Black-Belt/100 empleados (*)
1 Black-Belt/$10M USD (**)
1 Master Black-Belt/10 Black-Belts (***)
Beneficios
$175,000 USD promedio/proyecto BB (*)

($275,000 USD promedio/proyecto BB(***))
5-6 proyectos/año (*)
(*) Harry, 1998. (**) Munro, 2000. (***) Lynch et al (2003)

Historias de éxito
General Electric—6.6 billones USD en 2000
AlliedSignal—1.2 billones en costos directos en 4 años
Asea Brown Boveri—0.9 billones USD/año durante 2 años
Metas de Dow Chemical—1.5 billones USD en 2003
(Harry, 1998)
“Seis Sigma es una de las más potentes

estrategias jamás desarrolladas para
acelerar el mejoramiento de procesos,
productos y servicios, y para reducir
radicalmente los costos adminitrativos y de
manufactura y mejorar la calidad. Esto se
logra enfocandose implacablemente en la
eliminación de desperdicio y reduciendo la
variación y los defectos”.
Honeywell
(http://www.honeywell.com/sixsigma/index.html)
Características distintivas
Participación directa y liderazgo del CEO
Evaluación, Vo.Bo. y seguimiento por Finanzas
Integración de técnicas existentes en una metodología
Evaluación del desempeño individual
Aplicación inmediata de la metodología a proyectos

de mejoramiento (BB, GB)
Áreas de manufactura y administrativas

UN ENFOQUE SENCILLO
Entrada
Entradadel
delProceso:
Proceso
Proceso: Salida
Salidadel
delProceso:
Proceso
Proceso:
Acciones
Acciones y objetivosestratégicos
y objetivos estratégicos Obtener los
Obtener los
anuales de la compañía
anuales de la compañía resultados
resultadosesperados
esperados
Seleccionar Seleccionar
Aplicar la Administrar el
los proyectos y entrenar a Aumentar las
metodología proceso de
la gente ganancias
adecuados DMAIC(*) mejora
adecuada
(*)DMAIC: Definir, Mejorar, Analizar, Mejorar(Improve), Controlar
Modificado de Zinkgraf y Snee (1999)

Seleccionar
los proyectos
adecuados
Clarificar la situación usando el plan estratégico y el

plan anual de operaciones de la compañía
Establecer una línea de base (baseline) de la
productividad por planta/área
Jerarquizar los proyectos basándose en lo que es
importante para el cliente, los recursos necesarios, y
el tiempo
Seleccionar los proyectos clave con apoyo de la
dirección
Asignar responsabilidades
A nivel del negocio
A nivel personal
Seleccionar
y entrenar a
la gente
adecuada
• Asegurar el adecuado liderazgo y adueñarse de la

iniciativa
• Asegurar que los recursos de apoyo necesarios

estén disponibles
Aplicar la
Metodología
DMAIC Enfoque General
Problema Práctico Problema Estadístico
y = f ( x1 , x2 ,..., x k )
Solución Práctica Solución Estadística
SBTI, Inc.
Aplicar la
Metodología
DMAIC
Controlar Establecer Controles para las Xs

críticas de tal manera que se
mantengan las mejoras
Identificar Metricas (Ys)

formas de ligadas a CTQs
X1
mejorar el Y1
Definir el Problema,
X2
proceso y PROCESO Y2
X3
Y3 Objetivo del
validar la X4
proyecto y su Meta
solución
Medir y Analizar datos y
Mejorar Analizar el desempeño del Medir Definir
proceso para determinar
las variables críticas y la
causa raíz del problema Little (2002)
FASES DE SEIS-SIGMA (DMAIC)

ACTIVIDAD INICIAL: Identificar el proyecto
DEFINIR (D)
Definir a los clientes y sus requerimientos (CTQs)
Formar el equipo
Definir el “charter” y el plan del proyecto

Título, Caso de Negocio (definición del problema, COPQ(*)),
objetivo y metas, alcance, recursos estimados, beneficios
esperados, personal involucrado, aprobación del proyecto y
tiempo estimado
Desarrollar un mapa del proceso del alto nivel
(*) Cost of Poor Quality

MEDIR(M)
Desarrollar un mapa detallado del proceso
Evaluar el sistema de medición
Evaluar el estado inicial del proceso (baseline) y su
potencialidad (entitlement )
Identificar entradas y salidas
ANALIZAR(A)
Identificar las entradas críticas potenciales
Determinar las entradas críticas
Encontrar la causa raíz del problema
MEJORAR(I)
Optimizar las entradas críticas
Generar y probar soluciones posibles
Seleccionar la mejor solución
Diseñar un plan de implementación
CONTROLAR(C)
Desarrollar un plan de control y monitoreo
Verificar la capacidad final del proceso
Obtener la aprobación-recibo del dueño del proceso
Elaborar el reporte final / lecciones aprendidas
Administrar el
proceso de
mejora
Elementos
Permanecer enfocado
Revisar avances y remover barreras
Evaluar el impacto real al negocio
Continuamente comunicar los avances
Relacionarlo a la evaluación de desempeño
y proveer reconocimiento
Aumentar las
ganancias
Elementos para Mantener las Ganancias
Implementar planes de control efectivos

Llevar a cabo entrenamiento regular
enfocado en el proceso
Evaluar trimestralmente la efectividad
del sistema
Identificar e iniciar proyectos de manera
continua
Pilares básicos para la Selección de

Proyectos
• Calidad del producto
Especificaciones, funcionalidad, durabilidad,
confiabilidad
• Calidad del servicio
Disponibilidad, asistencia y soporte técnico,
tiempo de respuesta
• Costo/Precio
Costo total, costo de servicio, margen de ganancia
Ejemplo de criterios de selección

(Modificado de Snee, 2001)
Satisfacción del cliente

Entregas completas y
a tiempo
Áreas de mejora
Nivel de defectos
Reducción de desperdicio
Mejora de capacidad
Reducción de tiempo muerto
Consumo de recursos MO/MP Impacto (bottom line)
Más de $X p/proyecto
Tiempo 3-6 meses
Beneficios en menos de
un año
Recomendaciones para la selección

de proyectos
(Snee, 2001)
1. Basado en las prioridades estratégicas del negocio
2. De gran importancia
(mejoras de 50% ó más en el proceso, $250,000)
3. Alcance razonable (3-6 meses)
4. Define medidas claras y cuantitativas de éxito
5. Apoyado por la organización

Voz del Cliente (VOC)

• La Voz del Cliente contiene generalmente EMOCIONES y es
necesario “traducirlos” a requerimientos MEDIBLES en los cuales hay
que enfocarse.
• Los CLIENTES esperan PERFECCIÓN.
• La Casa de la Calidad (herramienta de la Función de Despliegue de la
Calidad o QFD) es muy útil para “capturar” y “traducir” la voz del cliente
(VOC) en requerimientos específicos para la compañía
Ejemplo: Lectura de un contrato La Casa
CTQs(Como’s)
Correlaciones
de
No. de términos legales

Relación débil la
No. de referencias
Tiempo de lectura
No. de palabras
Relación mediana Calidad
No. de hojas
Relación fuerte
VOC(Que’s)
.....
Ext. Complejo
No complicado
Contrato claro y corto
Lenguaje sencillo
Términos comunes
....
Pocas hojas
Pocas palabras
....
Poco tiempo para leer
Tiempo
Poco tiempo para entender
NIVEL 1 2 3 CTQ=Critical to Quality

“Tres Pasos para la Selección de Proyectos”

Kelly (2002)
1. Asignar un comité directivo de selección de proyectos
2. Instituir la Matriz de Selección de Proyectos
3. Programar juntas de evaluación de proyectos

-Evaluar el estado de los proyectos activos
-Detectar nuevos requerimientos del cliente
-Establecer una nueva lista de prioridades de los
proyectos
MATRIZ DE SELECCIÓN DE PROYECTOS
Un método para seleccionar proyectos de manera más

detallada es la Matriz de Selección de Proyectos
Procedimiento
1. En base a la “voz del cliente” obtener sus requerimientos
y evaluar su importancia para el cliente en una escala del
1 al 10.
2. Enlistar los proyectos de mejora y evaluar su relación
con los requerimientos obtenidos de la voz del cliente.
3. Evaluar la importancia de los proyectos por medio del
producto punto entre la relación asignada y la importancia
para el cliente.
Tabla a usar en las evaluaciones
Evaluación Importancia para el cliente Grado de relación

0 Sin importancia Sin relación
3 Ligéramente importante Muy poca relación
5 Importante Poca relación
8 Muy importante Alta relación
10 Crítico Mucha relación
Ejemplo
En base a “La Casa de la Calidad” se determinaron los
siguientes requerimientos del cliente y su importancia:
-Producto confiable (3)

-Producto sin defectos (10)
-Entregas a tiempo (5)
-Precio con disminución anual (8)
El equipo directivo definió los siguientes proyectos potencia-

les:
-Reducción de defectos
-Mejora de la confiabilidad del producto
-Mejora del sistema de entregas
-Reducción permanente de costos
LEAN S IX S IGMA IN S TITUTE Requerimientos
Evaluación Importancia para el cliente P P E P
0 Sin importancia r r n r
3 Ligéramente importante o o t e
5 Importante d d r c
8 Muy importante u u e i
10 Crítico c c g o
t t a
Evaluación Grado de relación o o s r
0 Sin relación e
3 Muy poca relación c s a d
5 Poca relación o / u
8 Alta relación n d t c
10 Mucha relación f e i i
i f e d
a e m o
b c p
l t o
e o
s
Importancia 3 10 5 8
Proyectos posibles Grado de relación Evaluación Prioridad
Reducción de defectos 5 10 0 3 139 1
Mejora en confiabilidad 10 5 0 5 120 3
Mejora del sistema de entregas 0 0 10 3 74 4
Reducción de costos 3 3 3 10 134 2
Condiciones a evitar en la selección

de proyectos (Snee, 2001)
-Objetivos confusos
-Métricas deficientes
-Sin relación financiera
-Sin relación con planes estratégicos
-Solución conocida
-Muchos objetivos
Definición de un proyecto
1. Definir el cliente y sus requerimientos

(CTQ, critical to quality)
2. Llenar el formato de definición del proyecto (charter)

Formato de definición del proyecto

(Charter o Contrato)
Título del proyecto
Caso de Negocio (Definición del problema/ variable de

respuesta, COPQ)
Objetivo y metas
Alcance y limitaciones del proyecto
Recursos estimados
Beneficios esperados
Personal involucrado (Champion, Dueño del

proceso, Black Belt, y Miembros del equipo)
Aprobación de Finanzas
Tiempo estimado
Beneficios
Los Beneficios pueden incluir cualquiera de los
siguientes:
Ahorros duros (reducción de costos)

Ahorros suaves (evitar gastos)
Mejoramiento en la satisfacción del cliente
Mejoramiento en las métricas de desempeño
(tiempo de ciclo, productividad, defectos, etc.)
Mejoramiento en la satisfacción del trabajo
(reducción de la frustración) Little (2002)
Tipos de ahorros
(Snee y Rodenbaugh Jr., 2002)
Suaves
Mejoramiento de flujo de efectivo, y evitar inversiones

de capital y costos
Eliminación de un gasto futuro como evitar la compra

de equipo para incrementar la producción cuando
se optimiza el existente y se alcanza la meta.
Evitar pagar una multa por contaminación al optimizar

el funcionamiento de un equipo anticontaminante
Duros (bottom-line)
Reducción de costos, e incremento de ingresos
Reducción en el consumo de gas con respecto al

año anterior (existe una base de comparación del
ahorro)
Incremento en productividad con respecto al año

anterior
Revisiones gerenciales
Una vez que el charter

del proyecto ha sido
aprobado y el equipo
formado, es esencial
iniciar revisiones
periódicas por parte de
la administración en
cuanto al avance de
los proyectos.
Little (2002)
Algunas preguntas finales para los administradores

1. ¿Qué percepción tienen sus clientes sobre su producto o servicio? ¿Cómo lo sabe?
2. ¿Cuál es su actual participación de mercado? ¿Pueden los esfuerzos de mejora-
miento de la calidad incrementar esa participación y/o incrementar sus ganancias?
3. ¿Está usted llevando a cabo mejoras en la calidad en sus áreas de responsabilidad?
¿Cómo?
4. ¿Cuáles son las preguntas adecuadas relacionadas con temas de calidad que usted
debe preguntar a su gente? ¿Qué métodos o herramientas deben usarse para ser res-
pondidas?
5. ¿Está su gente entrenada para usar con éxito las mejores técnicas para el mejora-
miento de la calidad? ¿Cuál es su ROI de la capacitación?
6. ¿A qué barreras se enfrenta su gente al tratar de mejorar la calidad? ¿Está haciendo
algo para remover dichas barreras?
7. ¿Qué porcentaje del costo de baja calidad (COPQ) se encuentra en su área?
“Knowledge Based Management” (KBM) Published by Air Academy Press & Associates
Metodología DMAIC
⇒Fases
⇒Herramientas
⇒Aplicación, Ejemplos y Ejercicios


DEFINIR (D)
Formar el equipo

tiempo estimado

MEDIR(M)
Desarrollar un mapa detallado del proceso
Evaluar el sistema de medición
Evaluar el estado inicial del proceso (baseline) y su
potencialidad (entitlement)
Identificar entradas y salidas
ANALIZAR(A)
Identificar las entradas críticas potenciales
Determinar las entradas críticas
Encontrar la causa raíz del problema
MEJORAR(I)
Optimizar las entradas críticas
Generar y probar soluciones posibles
Seleccionar la mejor solución
Diseñar un plan de implementación
CONTROLAR(C)
Desarrollar un plan de control y monitoreo
Verificar la capacidad final del proceso
Obtener la aprobación-recibo del dueño del proceso
Elaborar el reporte final / lecciones aprendidas
Características Críticas para la Calidad (CTQs)

Especificaciones
detalladas
Usar los diagramas de
árbol para definir los Resp uesta
Respuesta Tiempo de entrega
CTQs de los clientes (Y)
(Y) del embarque
Desviación del cumplimiento

Me dición
Medición
Requerimiento en horas
del cliente
100% de los embarques
Necesidades
Necesidades Que
Que elel producto
producto entregados antes de las 5
Meta
Meta
del
del cliente
cliente llegue
llegue a tiempo
a tiempo pm en el área de recibo del
cliente
Limites
Limites de
de LIE = 6 horas temprano
especificaci ón
especificación LSE = 0 horas tarde
Tasa
Tasa de
de
defectos
defectos < 3.4 DPMO
Zinkgraf y Snee (1999) permitidos
permitidos
Ejercicio. Obtener las Xs
Y= Distancia a la pared
Y= f(x1,x2,x3,x4,x5)
FLUJO DE LA METODOLOGÍA
Definir
D problema
Proceso S
M Describir proceso capaz
N
Medición N
M capaz y estable
Mejorar
I Optimizar
S
Determinar
Validar la
A variables I mejora
significativas
Evaluar estabilidad
Controlar
A y capacidad
del proceso
C el proceso
Proceso N Eliminar Mejorar

estable causas C continuamente
especiales
S
EJEMPLO
DEFINIR (D)
Los clientes externos son cinco fabricantes de automóviles en
Estados Unidos y Europa. El cliente interno es Operaciones
Los CTQs de Operaciones son:
Cero defectos (métrica Y=% de rechazo interno)
Envíos a tiempo (métrica Y=porcentaje de envíos a tiempo)

Árbol de CTQs
Poros (cero)
Porcentaje de Dureza (entre 1-3 Rc)
rechazo interno Fugas (cero)
(Y=D/T) Incompleto (cero)
Fracturas (cero)
CTQs
Operaciones
Lote completo,
On-time empacado y embarcado
shipments un día antes de la fecha
(Y=ET/TE) prometida
D/T=(Número de múltiples con defectos / Número total de múltiples producidos)*100

ET/TE=(Número de envíos a tiempo / Número total de envíos)*100

DEFINIR (D)
Formar el equipo

tiempo estimado

Descripción del problema

El porcentaje de rechazo interno en la línea 52 ha aumentado en los
últimos meses en el múltiple tipo XRT, tal como se muestra en la
siguiente gráfica
% de rechazo interno
9 Jun
Abr Ago Sept
8
Feb Jul
7
% Rechazos
Mar May
6
4 Ene
Nov
3
2 Dic
Index 2 4 6 8 10
I-MR Chart of Rechazo

10 U C L=9.828
5 5
Individual Value
8
_
X=6.636
6
4
5 LC L=3.445
1
2
1
1 2 3 4 5 6 7 8 9 10 11
O bser vation
4 U C L=3.921
3
M oving Range
2
__
M R=1.2
1
0 LC L=0
1 2 3 4 5 6 7 8 9 10 11
O bser vation
I-MR Chart of Rechazo by C2

1 2
10.0 U C L=10.28
_
Individual Value
X=8
7.5
LC L=5.72
5.0
2.5
0.0
Cambio significativo a partir de Feb.
1 2 3 4 5 6 7 8 9 10 11
O bser vation
1 2
4.8
M oving Range
3.6
U C L=2.801
2.4
1.2 __
M R=0.857
0.0 LC L=0
1 2 3 4 5 6 7 8 9 10 11
O bser vation
Un equipo formado por personal de las áreas de producción, calidad,

mantenimiento y procesos realizó una investigación en base a los reportes de tipo de rechazos
de dichos meses anteriores y se elaboró un diagrama de Pareto. Se observa que casi el 80%
del rechazo interno está relacionado con piezas con dureza inadecuada y piezas con fugas
100
2000
80
Percent
60
Count
1000
40
20
0 0
a s pl
rez ga r os om rs
Defect Du Fu Po No
- c
Ot
he
Count 926 825 276 121 54

Percent 42.1 37.5 12.5 5.5 2.5
Cum % 42.1 79.5 92.1 97.5 100.0
Charter del proyecto

Título del proyecto
Reducción del % de rechazo en el múltiple de admisión XRT
Caso de Negocio (Business Case)
Definición del problema/ variable de respuesta
El % de rechazo en el múltiple de admisión HX2 ha aumentado
significativamente a partir de Febrero de este año. La variable de respuesta (Y)
es el % de rechazo interno medido como el (Número de múltiples con defectos /
Número total de múltiples producidos)*100.
Problema enfocado: 80% del total del rechazo interno está relacionado con
piezas con dureza inadecuada (42.1%) y piezas con fugas (37.5%). Las
variables de respuesta secundarias son Y1=Dureza, y Y2=Número de piezas con
fugas.
Costo de Calidad Pobre (COPQ)

El nivel promedio de desperdicio es 8% a partir de Febrero de un volumen de
producción de 250,000 unidades mensuales. El costo de producción por unidad
es de $30. El COPQ es 0.08*250,000*30 o $600,000.00 mensual
Objetivo y metas
Reducir el % de rechazo por dureza inadecuada a no más del 5% del
desperdicio total basado en un comportamiento (entitlement) obtenido
recientemente
Alcance y limitaciones del proyecto

Se aplica exclusivamente a la característica dureza del múltiple XRT,
línea 52 durante el proceso de vaciado. Su realización tomará 6
meses
Recursos estimados
$200,000 (Materiales, pruebas, personal, simulaciones, tiempo
de producción, sala y software)
Beneficio esperados
De 42.1% (dureza inadecuada) a 5% (meta) la diferencia es 37.1% del
promedio actual de 8% de desperdicio. El nivel esperado de
desperdicio sería 8% - 37.1%(8%)=5.03%. Basado en una producción
mensual de 250,000 unidades, el COPQ esperado mensual sería
0.0503*250,000*30=$377,250 generando $600,000 -$377,250
=$222,750 de ahorro mensual, o $2,673,000 por año. El ahorro del
primer año sería $2,673,000 - $200,000 (gastos del proyecto, ver
recursos)=$2,473,000. Éste es un costo duro (reducción de costos).
Champion (nombre/firma)
J. Moredo
Dueño del proceso (nombre/firma)
L. Moranteso
Black Belt (nombre/firma)
R. Martecas
Miembros del equipo (nombres/firmas)

R. Mataes, L. Recado, G. Gorid
Aprobación de Finanzas (nombre/firma)

Contralor: H. Virtos
Tiempo estimado
6 meses
MÉTRICAS
Variable Nombre Obtención Especificación Actual Meta
(Número de múltiples con defectos / Número
Y % desperdicio Cero Prom. 8% 5.03%
total de múltiples producidos)*100
Y1 Dureza Medición 1 a 3 Rc
(No. de múltiples con dureza inadecuada
Y1 Dureza No existe 3.37% 0.4%
/No. total de múltiples producidos)*100
(No. de múltiples con fugas /No. total de
Y2 Fugas Cero 3.00%
múltiples producidos)*100
Prom. 8% de la gráfica de tendencias
5.03%=8% - 37.1%(8%). 37.1%=42.1%-5%
3.37%=42.1% de 8%. 0.4% es 5% de 8%
3% es 37.5% de 8%
GANTT DE PROYECTO SIX SIGMA
Duración Fecha Fecha
Resp. (días) inicio fin
DEFINIR 7
Definir clientes, CTQs y métricas BIN 2
Formación del equipo BIN/ MAR 1
Elaborar el charter y el plan del proyecto BIN / EJE 3
Elaborar un mapa de alto nivel del proceso Todos 1
MEDIR 20
Desarrollar un mapa detallado del proceso Todos 3
Evaluar el sistema de medición BIN / Técnicos 10
Medir el desempeño actual del proceso BIN / Técnicos 6
Revisar y actualizar status del proyecto Todos 1
ANALIZAR 31
Identificar las entradas críticas posibles Todos 10
Determinar las variables significativas Todos 10
Encontrar la cuasa raíz del problema Todos 10
MEJORAR 35
Optimizar las variables críticas BIN / LVC 15
Generar y probar soluciones posibles Todos 10
Seleccionar la mejor solución BIN / Técnicos 5
Diseñar plan de implementación JJO / Técnicos 4
CONTROLAR 20
Desarrollar plan de control y monitoreo JJO / ALS 10
Verificar la capacidad final del proceso JJO / ALS 3
Obtener la aprobación/recibo del dueño del proceso JJO / GFS 3
Elaborar reporte final/lecciones aprendidas JJO / GFS 3
Terminación formal del proyecto Todos 1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
DEFINIR
MEDIR
ANALIZAR
MEJORAR
CONTROLAR
GANTT DE PROYECTO SIX SIGMA

Duración Fecha Fecha
Resp. (días) inicio fin 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
DEFINIR 7
Definir clientes, CTQs y métricas BIN 2
Formación del equipo BIN/ MAR 1
Elaborar el charter y el plan del proyecto BIN / EJE 3
Elaborar un mapa de alto nivel del proceso Todos 1
MEDIR 20
Desarrollar un mapa detallado del proceso Todos 3
Evaluar el sistema de medición BIN / Técnicos 10
Medir el desempeño actual del proceso BIN / Técnicos 6
ANALIZAR 31
Identificar las entradas críticas posibles Todos 10
Determinar las variables significativas Todos 10
Encontrar la cuasa raíz del problema Todos 10
MEJORAR 35
Optimizar las variables críticas BIN / LVC 15
Generar y probar soluciones posibles Todos 10
Seleccionar la mejor solución BIN / Técnicos 5
Diseñar plan de implementación JJO / Técnicos 4
CONTROLAR 20
Desarrollar plan de control y monitoreo JJO / ALS 10
Verificar la capacidad final del proceso JJO / ALS 3
Obtener la aprobación/recibo del dueño del proceso JJO / GFS 3
Elaborar reporte final/lecciones aprendidas JJO / GFS 3
Terminación formal del proyecto Todos 1
Mapa de proceso de alto nivel
SIPOC para multiples de admisión tipo XRT-Línea 52
Proveedores Entradas Proceso Salidas Clientes

Proveedor arena Arena
Proveedor aluminio Aluminio Múltiples Operaciones
Proveedor de resina Resina
Departamento de aluminio Formulaci+on
Departamento de corazones Corazones Recepción de aluminio líquido Dept. reciclado
Proveedor de moldes Moldes nuevos y corazón. Solidifcación del Arena
Taller de moldes Moldes aluminio, extracción, limpieza
Proveedor de equipos Periféricos e inspección Dept. embarques
Prov. equipo medición Calibradores
Dept. recursos humanos Gente Desperdicio
Dept. de ingeniería Diseños aluminio Plantas de motores
Departamento de ventas Órdenes
Definir
D problema
Proceso S
N
Medición N
M capaz y estable
Mejorar
I Optimizar
S
Determinar
Validar la
significativas
Evaluar estabilidad
Controlar
A y capacidad
del proceso
C el proceso

especiales
S
M DEFINIR Y DESCRIBIR EL PROCESO

Definir los elementos del proceso, sus pasos,
entradas, salidas, y sus variables.
Proceso: interacción de gente, materiales,

equipos e información con la finalidad de
transformar ciertas entradas en salidas
específicas.
Elaboración
Definir las fronteras del proceso, y usar los siguientes símbolos
como elementos del diagrama de flujo:
1. Usado para señalar el inicio/fin de un proceso.
2. Usado para indicar una actividad.
3. Usado para expresar una pregunta a ser respondida

con si/no.
4. Usado para representar almacenamiento.
5. Usado para representar una demora.
6. Usado para representar movimiento de materiales

o de información.
7. Indica inspección.
8. A Indica que el diagrama continua en otro lugar.

Buscar oportunidades para:
-eliminar pasos
-hacerlos más rápidos
-hacer pasos en paralelo
-reacomodar pasos
-simplificar pasos
Ejemplo
Proceso de fabricación de múltiples de admisión.
Pasos del proceso:
1. Precalentar molde a 400°C.

2. Limpiar el molde.
3. Colocar y alinear el corazón en el molde.
4. Cerrar el molde.
5. Inspeccionar el ensamble.
6. Vaciar el aluminio.
7. Esperar a que solidifique el aluminio.
8. Extraer la pieza.
9. Limpiar la pieza.
10. Inspeccionar la pieza. Si no hay defectos, llevar al almacén.
Si hay defectos, reprocesar y elaborar reporte.
1 2 3 4
Precalentar Limpiar Colocar Cerrar
Inicio y alinear
molde molde corazón molde
5 6 7 8 9
Insp. Vaciar Esperar Extraer Limpiar
ensamble
aluminio solidif. pieza pieza
10
Insp. No Almacén
final Defectos Fin
Sí
Elaborar
Reproceso
reporte
Matriz Proceso-Variables
Paso Proceso Variables

1 Precalentar molde Temperatura de precalentamiento
2 Limpiar molde Tiempo de sopleteo, presión de sopleteo
3 Colocar corazón Estado del corazón (completo/incompleto)
4 Cerrar molde Existencia de destellos (si/no)
5 Inspeccionar ensamble Experiencia del inspector
6 Vaciar aluminio Velocidad de vaciado, nivel de llenado, formulación del aluminio
7 Esperar solidificación Tiempo de solidificación
8 Extraer la pieza Experiencia del operador
9 Limpiar pieza Tiempo de sopleteo, presión de sopleteo
10 Inspección final Experiencia del inspector
Características especificadas del producto final:

pieza completa, sin poros, sin grietas, sin fugas y con dureza
adecuada (specs).
Ejercicio
Elaborar el diagrama de flujo para realizar los lanzamientos de

moneda a la pared y obtener las variables del proceso.
Inicio
Definir
D problema
Proceso S
N
Medición N
M capaz y estable
Mejorar
I Optimizar
S
Determinar
Validar la
significativas
Evaluar estabilidad
Controlar
A y capacidad C el proceso
del proceso

especiales
S
M EVALUAR LOS SISTEMAS DE MEDICION

Evaluar la capacidad y estabilidad de los sistemas de medición
por medio de estudios de estabilidad, repetibilidad, reproduci-
bilidad, linealidad y sesgo.
VARIACION TOTAL DEL “PROCESO”

Variación real del proceso Variación de
la medición
Definiciones
Sistema de Medición (SM)
Es la colección de instrumentos, estándares, opera-

ciones, métodos, equipo de sujeción (fixtures), soft-
ware, personal, medio ambiente, y suposiciones
usados para cuantificar una unidad de medida o
asignar una evaluación a la característica que está
siendo medida.
MSA. DaimlerChrysler, Ford, GM, (2002).

Nota: la mayoría de los métodos presentados aquí están basados en la referencia anterior.
Introducción
La calidad de los sistemas de medición es importante
porque las mediciones juegan un papel significativo
en la operación de una planta.
La calidad de un sistema de medición se caracteriza

por sus propiedades estadísticas: insesgado, varianza
cero, y calsificación perfecta (idealmente).
La evaluación de un sistema de medición significa

examinar su variación y los factores que la afectan.
Precisión y Sesgo (exactitud)

Preciso, Insesgado,
sesgado no preciso
Sesgado Preciso,
no preciso
e insesgado
Propiedades estadísticas
Todos los sistemas de medición deben poseer las
siguientes propiedades estadísticas:
1.- Estar en control estadístico (estabilidad estadística).

2.- Su variabilidad debe ser pequeña comparada con
las especificaciones y con la variación del proceso.
3.- Los incrementos de medida no deben ser mayores
a 1/10 de la variación del proceso (discriminación
o resolución).
4.- Poco sesgo.
Evaluación del sistema

La evaluación de los sistemas de medición se efectúa
a través de la Repetibilidad, Reproducibilidad (Gage
R&R), Sesgo, Estabilidad, y Linealidad.
Usos de la evaluación
-Aceptar equipo nuevo.
-Comparar 2 equipos entre sí.
-Evaluar un calibrador sospechoso.
-Evaluar un calibrador antes y después de repararlo.
-Antes de implantar gráficas de control.
-Cuando disminuya la variación del proceso.
-De manera continua de acuerdo a la frecuencia de
medición recomendada en los estudios.
Propiedades estadísticas (resumen)

Propiedades ideales
sin variación ni sesgo y clasificación perfecta
Propiedades reales
proceso en control estadístico
con poca variación y poco sesgo
y discriminación adecuada
Pruebas prácticas
Sesgo Variación Otras
Repetibilidad Linealidad
(Precisión) Discriminación
Reproducibilidad
Estabilidad
Evaluación de Propiedades Estadísticas
Estabilidad
Es el cambio en el sesgo sobre cierto período de
tiempo. Sin evaluar la estabilidad, no es posible
asegurar evaluaciones confiables sobre las demás
propiedades estadísticas.
-1 pieza de ref.
-1 gage
-1 operador
-Mediciones en t
Evaluación de Propiedades Estadísticas...
Sesgo
Es la diferencia entre el promedio de las mediciones
hechas por un operario (VP) y el valor de referencia
(VR) obtenido con el master.
1 operador, 1 gage
1 pieza medida
varias veces
1 lectura del master
VR VP
SESGO
Propiedades Estadísticas...
Linealidad
Es la diferencia en sesgo entre el master y el promedio
observado sobre todo el rango de operación del instrumento
(gage). Es el cambio en sesgo con respecto al tamaño de
las piezas. VR2
Sesgo
Sesgo
-Varias piezas
( g ≥ 5 que cubran
el rango del
gage: 1 gage,
1 operador
.....
Se mide cada
una de las piezas
varias veces
VR1 Tamaño 1 Tamaño n (m ≥ 10)
Evaluación de Propiedades Estadísticas...
Repetibilidad (Precisión)
Es la variación interna(*) del SM en las mediciones hechas

por un solo operador en la misma pieza y con el mismo
instrumento de medición. Se define como la variación
alrededor de la media. Esta variación debe ser pequeña
con respecto a las especificaciones y a la variación del
proceso.
1 operador, 1 gage
1 pieza medida varias veces
(*) pieza, instrumento, método, etc.

VR
REPETIBILIDAD
Causas posibles:
Suciedad, fricción, desajuste, desgaste.
Reproducibilidad
Variación entre sistemas(*) entre las medias de las
mediciones hechas por varios operarios con las mismas
piezas y con el mismo instrumento de medición.
VR XA XB XC
1 gage, 2 ó 3 operadores, 10 piezas
(*) entre métodos, condiciones, equipos, piezas
Ejemplo de RR
Se desea realizar un estudio largo de Repetibilidad
y Reproducibilidad, para lo cual se seleccionaron 3
operadores y un calibrador para medir la altura de
7 flares, cuya especificación es de 2.4 a 2.6 cms.
Dichos flares fueron medidos aleatoriamente tres
veces por cada operador.
ESTUDIO DE REPETIBILIDAD Y REPRODUCIBILIDAD

PIEZA
Oper REPLICA 1 2 3 4 5 6 7 8 9 10 PROMEDIO
1 2.67 2.45 2.50 2.61 2.35 2.55 2.40 2.5043
A 2 2.67 2.45 2.50 2.61 2.35 2.56 2.39 2.5043
3 2.66 2.44 2.49 2.61 2.35 2.56 2.39 2.5000
PROM 2.6667 2.4467 2.4967 2.6100 2.3500 2.5567 2.3933 2.5029 Xb1
RANGO 0.0100 0.0100 0.0100 0.0000 0.0000 0.0100 0.0100 0.0071 Rb1
Xb1=(2.5043+2.5043+2.5)/3=2.5029 Rb1=(suma de rangos)/7=0.0071
1 2.65 2.45 2.51 2.60 2.35 2.56 2.39 2.5014
B 2 2.64 2.46 2.49 2.60 2.33 2.55 2.39 2.4943
3 2.64 2.46 2.51 2.61 2.34 2.54 2.41 2.5014
PROM 2.6433 2.4567 2.5033 2.6033 2.3400 2.5500 2.3967 2.4990 Xb2
RANGO 0.0100 0.0100 0.0200 0.0100 0.0200 0.0200 0.0200 0.0157 Rb2
1 2.65 2.44 2.50 2.60 2.34 2.54 2.40 2.4957
C 2 2.67 2.44 2.50 2.60 2.34 2.55 2.40 2.5000
3 2.66 2.45 2.50 2.60 2.34 2.55 2.40 2.5000
PROM 2.6600 2.4433 2.5000 2.6000 2.3400 2.5467 2.4000 2.4986 Xb3
RANGO 0.0200 0.0100 0.0000 0.0000 0.0000 0.0100 0.0000 0.0057 Rb3
PROMEDIO DE LA
2.65667 2.44889 2.50000 2.60444 2.34333 2.55111 2.39667 Rp
PIEZA (Xbp) 0.3133
Xbp1=(2.6667+2.6433+2.66)/3=2.65667 Rp=Max(Xbp)-Min(Xbp)=2.65667-2.34333=0.3133
Gage R&R (Xbar/R) for Altura

Reported by :
G age name: Tolerance:
D ate of study : M isc:
Xbar Chart by Operador

1 2 3
2.7
Sample Mean
2.6
UCL=2.5099
_
2.5 X=2.5002
LCL=2.4904
2.4
R Chart by Operador
1 2 3
UCL=0.02452
Sample Range
0.02
_
0.01 R=0.00952
0.00 LCL=0
Rb (OP)= 0.00952 r= No.répl= 3 p=No.op= 3 Xbb= 2.5002

Xbdiff=MAX(Xb)-MIN(Xb)= 0.0043 D4= 2.58 A2= 1.023
n=No. piezas= 7 Xb fuera 18
LSC(R)=D4(Rb)= 0.02457 D4=3.27 y A2=1.88 para 2 réplicas No. pts 21
LIC(R)=0 D4=2.58 y A2=1.023 para 3 réplicas 85.71 % de los puntos están
LIC(Xb)=Xbb-A2Rb= 2.49042 LSC(Xb)=Xbb+A2Rb= 2.5099 fuera de los límites de medias.
LSC(R) representa el límite para rangos individuales. Más de la mitad indica la capacidad del
Señalar los valores que exceden este límite y volver a realizar dichas mediciones. instrumento para detectar la variación.
No. de parte No. del calibrador
Nombre de la parte Flare Nombre del calibrador
Característica Altura Tipo de calibrador
Especificación 2.4-2.6 Tol/6= 0.03333
X =Xbb=(Xb1+Xb2+Xb3)/3=(2.5029+2.499+2.4986)/3=2.5002
R = Rb(OP)=(Rb1+Rb2+Rb3)/3=(0.0071+0.0157+0.0057)/3=0.0095
Xdiff = Xbdiff=max(Xb1,Xb2,Xb3)-min(Xb1,Xb2,Xb3)=2.5029-2.4986=0.0043
LSC(R)=D4(Rb)=2.58(0.00952)=0.02456 LIC(R)=0 (para 2 y 3 réplicas)
LIC ( Xb ) = Xbb − A 2 ( Rb )= 2.5002-1.023(0.0095)=2.4904

LSC ( Xb ) = Xbb + A 2 ( Rb )= 2.5002+1.023(0.0095)=2.5099
VARIACION DEL EQUIPO (REPETIBILIDAD)
VE=Rb*k1= 0.00563 k1= 0.5908 2VE2

VO = ((Xbdiff )(k 2)) −
k2= 0.5231 nr
k1=0.8862, r=2 k3= 0.3534
2(0.0056) 2
k1=0.5908, r=3 k1=Inverso de d2 usando m=r = ((0.0043)(0.5231)) −
VARIACION DE OPERADORES (REPRODUCIBILIDAD) 7(3)
VO=Raíz(((Xbdiff)(k2))^2-(VE^2/nr))= 0.00188 = 0.001888
Si VO es negativo dentro de la raíz, hacer VO=0.
k2=0.7071 p=2 operad.
k2=0.5231 p=3 operad. k2=Inverso de d2*, m=p, g=1
n=No. de piezas=7
REPETIBILIDAD Y REPRODUCIBILIDAD r=No. de réplicas=3
RR=Raíz(VE^2+VO^2)= 0.00593
n k3
VARIACION DE PIEZAS (VP) 2 0.7071 RR = VE 2 + VO 2
VP=(Rp)(k3)= 0.11073 3 0.5231
k3=Inverso de d2*, m=n, g=1 4 0.4467
= (0.00563) 2 + (0.00188) 2 = 0.00593
VARIACION TOTAL (TOT) 5 0.4030 TOT = RR 2 + VP 2
6 0.3742
TOT=Raíz(RR^2+VP^2)= 0.11089 7 0.3534 = (0.00593) 2 + (0.11073) 2 = 0.11089
8 0.3375
9 0.3249
10 0.3146
VARIACION DEL EQUIPO (REPETIBILIDAD) EN % Si se conoce la variación del
TOT=variación del
proceso (6sigma) usarla en
estudio (no del proceso)
VE(%)=100(VE/TOT)= 5.074 lugar de TOT haciendo
Tolerancia=LSE-LIE
TOT=6sigma/6. Si se quiere
VE(%)=100(VE/TOL)= 16.882 usar la tolerancia, poner VE (%) = 100 ( VE / TOT )
TOL=tolerancia/6 = 100 (0.00563 / 0.11089 ) = 5.07
VARIACION DE OPERADORES (REPRODUCIBILIDAD) EN % VE (%) = 100 ( VE / TOL )
VO(%)=100(VO/TOT)= 1.692 Generalmente se usa = 100 (0.00563 / 0.03333 ) = 16 .89
TOT para el control del VO (%) = 100 ( VO / TOT )
VO(%)=100(VO/TOL)= 5.628 proceso y TOL para el
= 100 (0.00188 / 0.11089 ) = 1.69
control del producto
VO (%) = 100 ( VO / TOL )
REPETIBILIDAD Y REPRODUCIBILIDAD EN %
= 100 (0.00188 / 0.03333 ) = 0.564
RR(%)=100(RR/TOT)= 5.349
RR(%)=100(RR/TOL)= 17.795
RR (%) = 100 ( RR / TOT )
VARIACIONDE PIEZAS EN %
= 100 (0.00593 / 0.11089 ) = 5.348
VP(%)=100(VP/TOT)= 99.857
RR (%) = 100 ( RR / TOL )
VP(%)=100(VP/TOL)= 332.229
= 100 (0.00593 / 0.03333 ) = 17 .79
NOTAS RR(%) menor a 10, ok. Entre 10 y 30 depende de la aplicación.
Mayor a 30 necesita calibrarse.
VP (%) = 100 ( VP / TOT )
DISCRIMINACION = 100 (0.11073 / 0.11089 ) = 99 .86
VP (%) = 100 ( VP / TOL )
1.41*(VP/RR)= 26.324 Mayor o igual a 5 es aceptable. = 100 (0.11073 / 0.03333 ) = 332 .22
(si r=2, 4 ó más es aceptable)
Aunque este ejemplo no cumple con np>15, se
Ejercicio de RR
presenta por propósitos ilustrativos.
PIEZA
OP Replica 1 2 3 4 5 PROMEDIO
1 21 24 20 27 24 23.2000
A 2 20 23 21 27 23 22.8000
PROM 20.5000 23.5000 20.5000 27.0000 23.5000 23.0000 Xb1
RANGO 1.0000 1.0000 1.0000 0.0000 1.0000 0.8000 Rb1
1 20 22 24 28 19 22.6000
B 2 20 22 23 26 18 21.8000
PROM 20.0000 22.0000 23.5000 27.0000 18.5000 22.2000 Xb2
RANGO 0.0000 0.0000 1.0000 2.0000 1.0000 0.8000 Rb2
1 19 23 20 25 18 21.0000
C 2 18 22 19 24 18 20.2000
PROM Xb3
RANGO Rb3
X =Xbb=(Xb1+Xb2+Xb3)/3=
Rb(OP)=(Rb1+Rb2+Rb3)/3=
Xbdiff=max(Xb1,Xb2,Xb3)-min(Xb1,Xb2,Xb3)=
LSC(R)=D4(Rb)= LIC(R)=0 (para 2 y 3 réplicas)
LIC(Xb)=Xbb-A2(Rb)=
LSC(Xb)=Xbb+A2(Rb)=
Promedio de la
LEAN S IX S IGMA IN S TITUTE Rp
PIEZA (Xbp)
Rb (OP)= r= No.répl=
Xbdiff=MAX(Xb)-MIN(Xb)=
LSC(R)=D4(Rb)= D4=3.27 y A2=1.88 para 2 réplicas

LIC(R)=0 D4=2.58 y A2=1.023 para 3 réplicas
LIC(Xb)=Xbb-A2Rb= LSC(Xb)=Xbb+A2Rb=
LSC(R) representa el límite para rangos individuales.
Señalar los valores que exceden este límite y volver a realizar dichas mediciones.
N o .o p = Xbb=
D 4= A 2=
n = N o . p ie z a s = X b fu e ra
N o . p ts
% d e lo s p u n t o s e s t á n
f u e r a d e lo s lí m it e s d e m e d ia s .
M á s d e la m it a d in d ic a la c a p a c id a d d e l
in s t r u m e n t o p a r a d e t e c t a r la v a r ia c ió n .
No. de parte
Nombre de la parte
Característica
Especificación 20-30
No. del calibrador

Nombre del calibrador
Tipo de calibrador
Tol/6=
VARIACION DEL EQUIPO (REPETIBILIDAD)
VE=Rb*k1= k1=
k2=
k1=0.8862, r=2 k3=
k1=0.5908, r=3 k1=Inverso de d2 usando m=r
VARIACION DE OPERADORES (REPRODUCIBILIDAD)
VO=Raíz(((Xbdiff)(k2))^2-(VE^2/nr))=
Si VO es negativo dentro de la raíz, hacer VO=0.
VE 2
k2=0.7071 p=2 operad. VO = 2
(( Xbdiff )( k 2 )) −
nr
k2=0.5231 p=3 operad. k2=Inverso de d2*, m=p, g=1
REPETIBILIDAD Y REPRODUCIBILIDAD
RR=Raíz(VE^2+VO^2)=
n k3
VARIACION DE PIEZAS (VP) 2 0.7071
VP=(Rp)(k3)= 3 0.5231
k3=Inverso de d2*, m=n, g=1 4 0.4467
VARIACION TOTAL (TOT) 5 0.4030
6 0.3742
TOT=Raíz(RR^2+VP^2)= 7 0.3534
8 0.3375
9 0.3249
10 0.3146
VARIACION DEL EQUIPO (REPETIBILIDAD) EN % Si se conoce la variación del

VE(%)=100(VE/TOT)= lugar de TOT haciendo
TOT=6sigma/6. Si se quiere
VE(%)=100(VE/TOL)= usar la tolerancia, poner
TOL=tolerancia/6
VARIACION DE OPERADORES (REPRODUCIBILIDAD) EN %
VO(%)=100(VO/TOT)= Generalmente se usa
TOT para el control del
VO(%)=100(VO/TOL)= proceso y TOL para el
control del producto
Si se conoce y se usa la variación del proceso,
Var.Parte = TOT 2 − RR 2
REPETIBILIDAD Y REPRODUCIBILIDAD EN %
RR(%)=100(RR/TOT)=
RR(%)=100(RR/TOL)=
VARIACIONDE PIEZAS EN %
VP(%)=100(VP/TOT)=
VP(%)=100(VP/TOL)=
NOTAS RR(%) menor a 10, ok. Entre 10 y 30 depende de la aplicación.
Mayor a 30 necesita calibrarse.
DISCRIMINACION
1.41*(VP/RR)= Mayor o igual a 5 es aceptable.

(si r=2, 4 ó más es aceptable)
Análisis de Atributos
El análisis de atributos es la evaluación de un sistema de medición
cuyos datos son atributos de los siguientes tipos:
a) Escala nominal - resultados clasificados en categorías no

ordenadas (2 ó más) para juzgar alguna característica como partido
politíco de su preferencia, supermercado preferido, etc. Un caso
particular es la escala binaria
(defectuosa-no defectuosa, éxito-fracaso, etc.).
b) Escala ordinal - resultados clasificados en categorías ordenadas

(3 ó más) para juzgar alguna característica como nivel de ingreso
anual, evaluación de un servicio,
etc. siendo la escala numérica o no.
En ambos estudios tomar un mínimo de 3 operadores, 30

piezas/eventos (algunas ligeramente fuera de especificación), y 3
evaluaciones por operador.
Ejemplo
Se realizará un estudio de atributos a un sistema de medición para evaluar

cierta característica en una muestra de 30 piezas. Se seleccionaron a 3
operadores y cada uno evaluó 3 veces las mismas piezas en orden aleatorio.
También se tiene la evaluación de un experto (referencia).
Pza Operador 1 Operador 2 Operador 3 Experto

1 ND ND ND ND ND ND ND ND ND ND
2 ND D D D ND D D ND ND D
3 ND ND ND D ND ND ND ND ND ND
4 ND ND ND ND ND ND D ND ND ND
5 D D D D D D D D D D
7 D ND ND ND ND ND ND ND ND ND
8 D D D D D D D D ND D
11 ND ND D ND ND ND ND ND ND ND
12 ND ND ND ND ND D ND ND ND ND
13 D D D D D D D D ND D
15 D ND D D ND ND ND D D ND
continúa...
Pza Operador 1 Operador 2 Operador 3 Experto

19 D D D ND D D ND ND ND ND
20 ND ND D ND ND ND ND ND ND ND
21 ND ND ND ND ND D ND ND ND ND
24 D D D ND D D ND ND ND D
26 D ND D D ND ND ND D D ND
30 D D D ND D D ND ND ND D
1. Concordancia interna (operadores):

-Operador 1: 22 de 30, 73.3%
-Operador 2: 18 de 30, 60%, IC=(40.6, 77.34)%

-Operador 3: 24 de 30, 80%, IC=(61.43, 92.29)%
2. Concordancia operadores vs. experto (%COE):

-Operador 1: 21 de 30, 70%, IC=(50.6, 85.27)%
-Operador 2: 18 de 30, 60%, IC=(40.6, 77.34)%
-Operador 3: 22 de 30, 73.3%, IC=(54.11, 87.72)%
Análisis detallado de errores:
-Operador 1 (9 equivocadas): Mezcla=8, D-ND=1, ND-D=0

Op D-D ND-D Total D-ND ND-ND Total

1 23 1 24 12 54 66
4.17% 18.2%
2 21 3 24 10 56 66
12.5% 15.2%
3 14 10 24 5 61 66
41.7% 7.6%
(en base a las 90 evaluaciones de cada operador)
D-ND significa que el operador dijo que la pieza era D cuando en realidad era ND
3. Concordancia global entre operadores

10 de 30, 33.3%
4. Concordancia global operadores vs. experto

10 de 30, 33.3%
Tabla de Decisión (para el operador) (MSA, 2002):
Decisión %COE %ND-D %D-ND

Aceptable ≥ 90 ≤2 ≤5
Marginal ≥ 80 ≤5 ≤ 10
Inaceptable < 80 >5 > 10
Para este ejemplo,
Op %COE %ND-D %D-ND Conclusión

1 70 4.17 18.2 Inaceptable
2 60 12.5 15.2 Inaceptable
3 73.3 41.7 7.6 Inaceptable
Attribute Agreement Analysis for 1, 1_1, 1_2, 2, 2_1, 2_2, 3, 3_1, 3_2
Within Appraisers
Assessment Agreement
Appraiser # Inspected # Matched Percent 95 % CI

1 30 22 73.33 (54.11, 87.72)
2 30 18 60.00 (40.60, 77.34)
3 30 24 80.00 (61.43, 92.29)
# Matched: Appraiser agrees with him/herself across trials.
Each Appraiser vs Standard
1 30 21 70.00 (50.60, 85.27)
2 30 18 60.00 (40.60, 77.34)
3 30 22 73.33 (54.11, 87.72)
# Matched: Appraiser's assessment across trials agrees with the

known standard.
Assessment Disagreement
Appraiser # ND / D Percent # D / ND Percent # Mixed Percent
1 0 0.00 1 4.55 8 26.67
2 0 0.00 0 0.00 12 40.00
3 2 25.00 0 0.00 6 20.00
# ND / D: Assessments across trials = ND / standard = D.
# D / ND: Assessments across trials = D / standard = ND.
# Mixed: Assessments across trials are not identical.
4.55%=1 triada equivocada con D de 22 NDs del experto.

26.67%=8 de 30 piezas. 40%=12 de 30 piezas.
25%=2 triadas equivocadas con ND de 8 Ds del experto.
20%=6 de 30 piezas
Between Appraisers
# Inspected # Matched Percent 95 % CI
30 10 33.33 (17.29, 52.81)
# Matched: All appraisers' assessments agree with each other.
All Appraisers vs Standard

30 10 33.33 (17.29, 52.81)
# Matched: All appraisers' assessments agree with the known standard.

Ejercicio
Se realizó un estudio para evaluar cierto sistema de medición
visual (por atributos) y se obtuvo la siguiente información:
Pieza Operador 1 Operador 2 Experto

1 D ND ND ND ND
2 ND ND ND D ND
3 D D D D D
4 D D ND ND D
5 ND ND ND ND ND
6 D D D D ND
7 ND ND ND ND ND
8 D D D D D
La muestra tomada es muy pequeña, al igual que el número de operadores. Se tomó así
por propósitos ilustrativos solamente.
1. Concordancia interna (operadores):

-Operador 1:
-Operador 2:
2. Concordancia operadores vs. experto (%COE):
-Operador 1:
-Operador 2:
Análisis detallado de errores:
-Operador 1 ( equivocadas): Mezcla= , D-ND= , ND-D=

-Operador 2 ( equivocadas): Mezcla= , D-ND= , ND-D=

1
(en base a las 16 evaluaciones de cada operador)
D-ND significa que el operador dijo que la pieza era D cuando en realidad era ND
3. Concordancia global entre operadores
4. Concordancia global operadores vs. experto
Tabla de Decisión (para el operador) (MSA, 2002):
Decisión %COE %ND-D %D-ND

Aceptable ≥ 90 ≤2 ≤5
Marginal ≥ 80 ≤5 ≤ 10
Inaceptable < 80 >5 > 10
Para este ejercicio,

1
2
Definir
D problema
Proceso S
N
Medición N
M capaz y estable
Mejorar
I Optimizar
S
Determinar
Validar la
significativas
Evaluar estabilidad
Controlar
del proceso

especiales
S
A DETERMINAR LAS VARIABLES

SIGNIFICATIVAS
Las variables del proceso definidas en el
punto 2 deben ser confirmadas por medio de
Pruebas de Hipótesis, Análisis de Varianza,
Diseño de Experimentos y/o estudios Multivari,
para medir la contribución de esos factores en la
variación del proceso.
Una vez encontradas los factores críticos, se

ajusta el proceso y se reduce su variación.
PRUEBAS DE HIPOTESIS (PH) E INTERVALOS

DE CONFIANZA (IC)
-Definición de Prueba de Hipótesis.
Procedimiento estadístico usado para tomar una deci-

sión, en base a una muestra, en cuanto al valor que
puede tener algún parámetro (media, varianza, propor-
ción, o diferencia entre medias o proporciones, o
cociente entre varianzas), o sobre la distribución que
puede tener la población de donde provienen los datos.
Elementos de una PH
1. Las hipótesis. La que se desea probar (Ho), y su

complemento (Ha).
2. La(s) muestra(s). La información que se obtiene de
la población o poblaciones.
3. El estadístico de prueba (EP). Es una variable alea-
toria que resume la información de la muestra.
4. La región de rechazo de Ho (RRHo). Es una parte
de la distribución de referencia en la cual si el EP se
encuentra ahí, se rechaza Ho.
5. La decisión. Decidir si se rechaza o no a Ho.
6. El nivel de confianza de la prueba (1- α ).
Tipos de errores y sus probabilidades en una PH
α = p(Error tipo I)
α = p(Rechazar Ho Ho verdad)
β = p(Error tipo II)

β = p(Aceptar Ho Ho falsa)
PH e IC para una media
Región de rechazo de Ho (RRHo)
Ho: µ = µ 0 Ha: µ > µ 0 Z > Zα t > t α ,n −1

µ < µ0 Z < − Zα t < − t α , n −1
µ ≠ µ0 Z > Z α / 2 t > t α / 2 , n −1
X − µ0
a ) n ≥ 30 EP: Z = IC = X ± Z α / 2 S
S n
n
b) n < 30, población normal

b1) Varianza conocida
X − µ0
EP: Z = IC = X ± Zα / 2 σ
σ n
n
b2) Varianza desconocida
X − µ0
EP: t = IC = X ± t α / 2 ,n −1 S
S n
n
Ejemplo
De una muestra de n=50 cabezas se obtuvo Xb=415.192

para la cota 134 de cubado y s=0.012. ¿Presentan estos datos
evidencia suficiente que sugiera que en promedio la cota 134
está centrada en su valor nominal de 415.2? Usar un nivel de
confianza de 95%.
Ho : µ = 415.2 Ha : µ < 415.2

X − µ0
EP : Z = Z
S
n
RR Ho
α=5%=0.05
415.192 − 415.2
Z= = −4.71
0.012
50 -4.71 -1.645 0
− 4.71 vs. − Zα = −Z0.05 = −1.645
Como -4.71<-1.645, existe suficiente evidencia para rechazar Ho,

es decir, para rechazar que la cota 134 está centrada en su valor
nominal.
0.6
Valor p (p-value)
0.5 Probabilidad de tener un valor así si Ho es cierta
0.4
0.3 Región de rechazo de Ho α

( =5%=0.05)
0.2
p-value=0.000...
0.1
0.0
0 -4.71 -1.645
(Z0.05)
Como el p-value < alfa, se rechaza la igualdad de los procesos.
PH e IC para la diferencia de medias

Ho: µ 1 = µ 2 Ha: µ 1 > µ 2 Z > Zα t > t α , n1 + n 2 − 2

µ1 < µ 2 Z < − Zα t < − t α , n1 + n 2 − 2
µ1 ≠ µ 2 Z > Z α / 2 t > t α / 2 , n1 + n 2 − 2
X1 − X 2
a ) ( n1 , n 2 ) ≥ 30 EP: Z = 2 2
S 1S 2
+
n1 n 2
S12 S 22
IC = X1 − X 2 ± Z α / 2 +
n1 n 2
b ) ( n1 , n 2 ) < 30, población normal y varianzas

desconocidas
X1 − X 2
b1) σ 1 = σ 2 EP: t =
1 1
Sp +
n1 n 2
2 2
( n1 − 1)S + ( n 2 − 1)S
1 2
Sp =
n1 + n 2 − 2
1 1
IC = X1 − X 2 ± t α / 2 , n1 + n 2 − 2Sp +
n1 n 2
X1 − X 2
b2) σ 1 ≠ σ 2 EP: t =
S12 S 22
+
n1 n 2
S12 S 22
IC = X1 − X 2 ± t α / 2 ,gl +
n1 n 2
2
S S 
2 2
 + 1 2
 n1 n 2  Considerar estos grados de

gl = 2 2 libertad (gl) para determinar
S 
2
S  2
la RRHo.
 
1
  2
 n1   n2 
+
n1 − 1 n 2 − 1
Ejemplo
Se desea comparar las medias de la cota 134 en dos turnos

diferentes. Se tomó una muestra de 10 cabezas del primer
turno y 12 cabezas del turno 2 de donde se obtuvo
Xb(t1)=415.21, s(t1)=0.017
Xb(t2)=415.18, s(t2)=0.018
Probar la hipótesis de igualdad de cotas promedio.

Usar alfa=5%. Calcular el IC correspondiente.
Ho : µ 1 = µ 2 Ha : µ 1 ≠ µ 2
X1 − X 2 (n1 − 1)S12 + (n 2 − 1)S22

EP : t = Sp =
1 1 n1 + n 2 − 2
Sp +
n1 n 2
9(0.017) 2 + 11(0.018) 2
Sp = =0.01756
10 + 12 − 2 t
415.21 − 415.18
t= = 3.99
1 1 RR Ho RR Ho
0.01756 + α/2=0.025 α/2=0.025
10 12
t α / 2,n1 +n 2 −2 = t 0.025, 20 = 2.086 -2.086 0 2.086 3.99

como 3.99 es mayor que 2.086, se rechaza la igualdad de las medias

de los 2 turnos.
1 1
IC = 415 .21 − 415 .18 ± ( 2.086 )( 0.01756 ) +
10 12
= ( 0.01432 , 0.0457 )
Como el valor cero no está incluido en el intervalo, se
rechaza la igualdad de las medias de las dos poblaciones.
95% CI for difference: (0.014319, 0.045681)
T-Test of difference = 0 (vs not =): T-Value = 3.99
P-Value = 0.001 DF = 20
Both use Pooled StDev = 0.0176
Ejercicio
Resolver el mismo problema considerando el caso de varianzas
diferentes y comparar los resultados.
Resp.: T-Value = 4.01 P-Value = 0.001 DF = 19. (0.014351, 0.045649). Misma conclusión que el ejemplo.
PH e IC para proporciones Requisito: np>5 y n(1-p)>5
a ) n ≥ 30 (una proporción)
Ho: p = p 0 Ha: p > p 0 Z > Zα

p < p0 Z < − Zα
p ≠ p0 Z > Zα / 2
X − np 0 p$ (1 − p$ ) X
EP: Z = IC: p$ ± Z α / 2 p$ =
np 0 (1 − p 0 ) n n
X=número de éxitos en la muestra

b ) ( n1 , n 2 ) ≥ 30 (diferencia entre proporciones)

Ho: p1 = p 2 Ha: p1 > p 2 Z > Zα

p1 < p 2 Z < − Zα
p1 ≠ p 2 Z > Zα / 2
p$ 1 − p$ 2 X1 X2
EP: Z = p$ 1 = p$ 2 =
 1 1 n1 n2
p$ (1 − p$ )  + 
 n1 n 2 
p$ 1 (1 − p$ 1 ) p$ 2 (1 − p$ 2 ) X1 + X 2
IC: p$ 1 − p$ 2 ± Z α / 2 + p$ =
n1 n2 n1 + n 2
Ejemplo
Se desea saber si existe diferencia entre la fracción

defectuosa producida en dos diferentes líneas de vaciado de
cabezas. Se observó que el número de cabezas defectuosas
de la línea 1 fue 7 de un total de 727, y en la línea 2 fue 11 de
un total de 1339. Usar alfa 5% y calcular el correspondiente IC.
Ho : p1 = p 2 Ha : p1 ≠ p 2
X1 X2 p̂1 − p̂ 2
p̂1 = p̂ 2 = EP : Z =
n1 n2 1 1 
p̂ (1 − p̂ ) + 
 n1 n 2 
7 11
p̂1 = = 0.00963 p̂ 2 = = 0.008215
727 1339
X1 + X 2 7 + 11
p̂ = = = 0.008712
n1 + n 2 727 + 1339
0.00963 − 0.008215
Z= = 0.3305
 1 1 
0.008712 (1 − 0.008712 ) + 
 727 1339 
RR Ho RR Ho Como 0.3305 >1.96=Z(α α/2), no se

α/2=0.025 α/2=0.025 rechaza la igualdad de la fracción
defectuosa en las dos lineas.
-1.96 0.3305 1.96
p̂ 1 (1 − p̂ 1 ) p̂ 2 (1 − p̂ 2 )
IC : p̂ 1 − p̂ 2 ± Z α / 2 +
n1 n2
0 . 00963 (1 − 0 . 00963 ) 0 . 008215 (1 − 0 . 008215 )
= 0 . 00963 − 0 . 008215 ± 1 . 96 +
727 1339
= ( − 0 . 00717 , 0 . 01 )
Como el valor cero sí está incluido en el intervalo, no se rechaza la

igualdad de las proporciones defectuosas en las dos líneas.
Test and CI for Two Proportions
Sample X N Sample p
1 7 727 0.009629
2 11 1339 0.008215
Difference = p (1) - p (2)

Estimate for difference: 0.00141352
95% CI for difference: (-0.00717497, 0.0100020)
Test for difference = 0 (vs not = 0): Z = 0.33 P-
Value = 0.741
PH e IC para varianzas
a) Una varianza, población normal ( n < 30)

Ho: σ 2 = σ 20 Ha: σ 2 > σ 20 χ 2 > χ α2 ,n −1

σ 2 < σ 20 χ 2 < χ12− α ,n −1
σ 2 ≠ σ 20 χ 2 > χ α2 / 2 ,n −1 o χ 2 < χ12− α / 2 ,n −1
( n − 1 )S 2
 ( n − 1)S2 ( n − 1)S2 
EP: χ 2 = IC:  2 ; 2 
σ 20  χ α / 2 , n −1 χ1− α / 2 ,n −1 
El IC con Minitab es: stat-basic stat-graphical summary
b) n ≥ 30 Región de rechazo de Ho (RRHo)
Ho: σ = σ 0 Ha: σ > σ 0 Z > Zα

S − σ0
EP: Z = σ < σ0 Z < − Zα
σ0
2n
σ ≠ σ0 Z > Zα / 2
 
 S S 
IC:  ; 
Z Z
1 + α / 2 1 − α / 2 
 2n 2 n 
c) Cociente de varianzas de poblaciones normales

( n1 , n 2 ) < 30
Ho: σ12 = σ 22 Región de rechazo de Ho (RRHo)

2 2
Ha: σ > σ 1 2 F > Fα ,n1 −1,n 2 −1
σ12 < σ 22 F < F1− α ,n1 −1,n 2 −1
σ12 ≠ σ 22 F < F1− α / 2 ,n1 −1,n 2 −1 o F > Fα / 2 ,n1 −1,n 2 −1
S12
EP: F = 2 Si el valor 1 no
S2
está en el IC,
 S1 2
S 2
1 Fα / 2 , n 2 −1, n1 −1
 se rechaza la
IC:  2 ; 2  igualdad de las
 S2 Fα / 2 ,n1 −1,n 2 −1 S2  varianzas
d ) ( n1 , n 2 ) ≥ 30
Ho: σ1 = σ 2 Ha: σ1 > σ 2 Z > Zα

S1 − S2
EP: Z = σ1 < σ 2 Z < − Zα
1 1
Sp +
2 n1 2 n 2
σ1 ≠ σ 2 Z > Zα / 2
Transformación de F
1
F1− α / 2 ,n1 −1,n 2 −1 =
Fα / 2 ,n2 −1,n1 −1
Ejemplo
Probar Ho : σ = 0 . 010 vs Ha : σ > 0 . 010

para los datos de la cota 134 de cubado (s=0.012, suponer
n=20). Usar alfa 5%. Suponer población normal y proceso
estable.
( n − 1)S 2 19 ( 0 .012 ) 2
2
EP : χ = 2
= 2
= 27 .36
σ0 0 .010
χ2
χ α2 , n −1 = χ 02.05 ,19 = 30 .14
RR Ho
Como 27.36 no es mayor que 30.14, α =0.05
no se rechaza Ho, es decir, no se rechaza
que la desviación estándar sea 0.010. 0 27.36 30.14
Ejercicio
Se desea comparar las dispersiones de la cota 134 en

dos turnos diferentes. Se tomó una muestra de 10 cabezas
del primer turno y 12 cabezas del turno 2 de donde se
obtuvo
Xb(t1)=415.21, s(t1)=0.017
Xb(t2)=415.18, s(t2)=0.018
Probar la hipótesis de igualdad de la dispersión de cotas.

Usar alfa=5%. Calcular el IC correspondiente.
Resp.: F-Test (normal distribution). Test statistic = 0.89, p-value = 0.878
No se rechaza la igualdad de las varianzas de los dos turnos.
ANALISIS DE VARIANZA
Una de las maneras de comparar procesos o grupos, a

través de la comparación de sus medias, es usar una
técnica llamada Análisis de Varianza (ANOVA)
desarrollada por R. A. Fisher a principio de los años 20.
Esta técnica consiste en descomponer la variación total

de los datos en (a) la variación interna o natural
(referencia) de los grupos, y (b) la variación entre grupos
de medias, para, al comparar esos dos tipos de variación,
decidir si existe diferencia o no entre las medias que se
están analizando.
Anova de un factor
Ejemplo.
Análisis de la variable temperatura de precalentamiento
a 3 niveles con respecto a la dureza de las piezas
Réplicas
Temp. 1 2 3 yi s2i
1 2.05 2.03 2.02 2.033333 0.0002333
2 1.98 1.99 2.00 1.990000 0.0001000
3 2.07 2.05 2.05 2.056667 0.0001333
y = 2. 0267
Los niveles 1, 2 y 3 corresponden a 390, 400 y 410°C respectivamente

(TRATAMIENTOS, GRUPOS O NIVELES)

Nivel 1 Nivel 2 Nivel 3
2.05 1.98 2.07
VARIACION
TOTAL 2.03 1.99 2.05
2.02 2.00 2.05
VARIACION
INTERNA
Suma 6.10 5.97 6.17
Media 2.033 1.99 2.057

VARIACION ENTRE NIVELES
Descomposición de la variación
SST=Variación Total.
SSt=Variación entre grupos (tratamientos o niveles de

un factor).
SSE=Variación natural (Error). Referencia.

(Variación Interna= variación aleatoria + error de medición).
SST=SSt+SSE
2 2
y (Suma total )
SST = ∑ ∑ y ij2 − = ∑ (Cada dato) 2 −
N N
∑ y i 2 y 2 ∑ (Cada suma de grupo) 2 (Suma total) 2

SSt = − = −
n N n N
SSE = SST − SSt N=Número total de datos.

n=Número de datos por grupo
(réplicas).
gl(SST) = N − 1
a=Número de niveles del factor
gl(SSt) = a − 1 (tratamientos o grupos).
gl(SSE) = gl(SST) − gl(SSt) = N − a
2
( Suma total )
SST = ∑ ( Cada dato) 2 −
N
2
(18 . 24 )
= ( 2. 05) 2 + ( 2. 03) 2 +..... + ( 2. 05) 2 − = 0. 0078
9
∑
2 2
( Cada suma de grupo ) ( Suma total )
SSt = −
n N
( 6.1) 2 + (5. 97 ) 2 + ( 6.17 ) 2 (18. 24) 2
= − = 0. 006867
3 9
Tabla Anova
Fuentes de Variación SS gl MS F
SSt MSt
Tratamientos(t) SSt a −1 MSt =
a −1 MSE
Error (E) SSE
SSE N−a MSE =
(por diferencia) N−a
Total SST N −1
MS=Medida de variación promedio

F=Comparación entre variación interna (error) y la
variación entre grupos (tratamientos).
Para el ejemplo:
Tratamientos(t) 0.006867 2 0.003434 22.08
Error (E) 0.000933 6 0.000156

(por diferencia)
Total 0.00780 8
Región de rechazo (RR) y decisión

Comparar F vs F(tablas):
F(tablas)= Fα,gl ( t ),gl ( E ) = F0.05,2 ,6 = 514

.
Decisión:
Como 22.08 es mayor que 5.14,
se rechaza la igualdad de las
medias de los procesos. Es decir,
la variable temperatura afecta la
RR dureza media de las piezas.
5.14 22.08
0.6
Valor p (p-value)
0.5 Probabilidad de tener un valor así si Ho es cierta
0.4
DistF
0.3 Región de rechazo de Ho α

(α=5%=0.05)
=5%=0.05)
0.2
p-value=0.000...
p-value=0.002
0.1
0.0
0 5 10 15 20 25
EntradaF
F(0.05,2,6)=5.14 F(anova)=22.08
Como el p-value<alfa, se rechaza la igualdad de los procesos.
Gráfica de respuesta
2.06 y 3 = 2. 056
2.05 s3 = 0. 01155
Dureza media
y1 = 2. 033
2.04 s1 = 0. 01527
2.03
2.02
2.01
2.00 Objetivo
1.99 y 2 = 1. 990
1.98 s2 = 0. 01000
390 400 410 Nivel (°C)

Nota: las desviaciones estándar no están a escala con respecto a la dureza media.
Este ejemplo mostró el análisis de una sola variable. También se

pueden probar todas ellas simultáneamente al igual que incluir las
demás variables de respuesta.
Ejercicio
En un proceso de fabricación de cabezas de aluminio, se
desea saber si la temperatura afecta la densidad de la
aleación. Se realizaron pruebas y se obtuvieron los
siguientes resultados:
TEMPERATURA DENSIDAD
1 2.5 2.8 2.7
2 2.8 2.6 2.1
3 2.6 2.6 2.6
4 2.2 2.3 2.1
2
(Suma total )
SST = ∑ (Cada dato) 2 −
N
=
∑ (Cada suma de grupo) (Suma total)

2 2
SSt = −
n N
=
TABLA ANOVA
Tratamientos(t)
Error (E)
(por diferencia)
Total
F(tablas)= Fα ,gl ( t ),gl ( E ) = F0.05, , =
Región de Rechazo de la igualdad de la media de los

procesos.
F0.05, ,
¿conclusión?
DISEÑO Y ANALISIS DE EXPERIMENTOS
Definición
Conjunto de técnicas estadísticas usadas

para diseñar experimentos y analizar sus
resultados, de manera ordenada y eficiente.
CARACTERIZACION DE UN PROCESO
*Posición con respecto a las especificaciones (media).
*Dispersión (variación).
Por consecuencia, es importante conocer qué factores

afectan al centrado del proceso, y qué factores afectan
la variación del mismo, además de determinar los mejo-
res niveles de los mismos.
PASOS PARA LA EXPERIMENTACION (Esclante, 1992)]

1.- Definir el problema. a
2.- Seleccionar la variable de respuesta.
3.- Verificar el estado de las máquinas en donde se va
a experimentar (corregir condiciones anormales obvias).
4.- Verificar la capacidad y estabilidad de los
instrumentos de medición.
5.- Seleccionar las variables a experimentar y sus niveles.
6.- Determinar el tipo de diseño a usar y el número de
réplicas.
7.- Realizar las pruebas aleatoriamente.
8.- Analizar los resultados.
9.- Conclusiones (qué factores afectan a la media y a la
dispersión, y en qué nivel deben estar).
k
Diseños 2
Una manera práctica de realizar experimentos son los
diseños de variables con 2 niveles. Su representación
es por medio de matrices de diseño.
2k Número de factores
Número de niveles
2 k = Número de combinaciones de los factores (pruebas).

Efecto de un factor
70
68
66
Potencia
10 unidades
(P=10W)
64
62
60
1.0 1.2 1.4 1.6 1.8 2.0

1 Polvo 2
Ejemplo
En un proceso de fabricación de latas de aluminio para
bebidas intervienen varias variables. En este caso se
desea incrementar el tiempo entre reventones de la lá-
mina, y se consideraron las siguientes variables y sus
niveles, y dos réplicas por prueba:
A: Aceite de lubricación de lámina-ALUB (Z1, Z2).

B: Aceite de formación-AFORM (H1, H2).
C: Concentración aceite/agua-CONC (10, 20)%.
Prueb a A B C AB AC BC ABC Comb y1 y2 y

1 -1 -1 -1 1 1 1 -1 (l) 3.5 2.3 5.8
2 1 -1 -1 -1 -1 1 1 a 2.1 1.1 3.2
3 -1 1 -1 -1 1 -1 1 b 4.9 4.1 9.0
4 1 1 -1 1 -1 -1 -1 ab 5.1 3.9 9.0
5 -1 -1 1 1 -1 -1 1 c 1.5 3.2 4.7
6 1 -1 1 -1 1 -1 -1 ac 1.9 1.1 3.0
7 -1 1 1 -1 -1 1 -1 bc 7.1 8.3 15.4
8 1 1 1 1 1 1 1 abc 8.1 9.2 17.3
Suma 67.4
Estudio de medias:
−5. 8 + 3. 2 − 9. 0 + 9. 0 − 4. 7 + 3. 0 − 15. 4 + 17. 3
A= = −0. 30
4(2)
de la misma forma, B=4.25, C=1.675, AB=0.775,
AC=0.35, BC=2.0, y ABC=0.125
-0.3h
Z1 Z2
Factor A (Alub)
Prueba de Daniel
Obtención de efectos significativos en forma gráfica
1.- Elaborar la siguiente tabla:
i F=100(i-0.5)/E Efectos ordenados ID

1
2
...
E
E=número de efectos.
2.- Graficar en papel probabilístico normal.

Los efectos no significativos siguen una distribución nor-
mal con media cero. Los significativos tienden a separar-
se de dicha distribución, es decir, a estar fuera de la
línea recta ajustada.
Aplicado al ejemplo anterior:
i F=100(i-0.5)/N Efectos ID
1 7.14 -0.300 A
2 21.43 0.125 ABC
3 35.71 0.350 AC
4 50.00 0.775 AB
5 64.29 1.675 C
6 78.57 2.000 BC
7 92.86 4.250 B
Papel probabilístico normal

F%
99
BC
C
50
Efectos significativos: B, C y BC.

0
-0.30 0 0.50 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0
Efectos
ŷ = y + ( B / 2 ) x 2 + ( C / 2 ) x 3 + ( BC / 2 ) x 2 x 3 B: AFORM (H1, H2).
ŷ = 4 . 2125 + 2 . 125 x 2 + 0 . 8375 x 3 + 1x 2 x 3 C: CONC (10, 20)%.
Gráficas de respuesta
y
9
8 C+
7
6
5
4
C-
3
2
1
B- B+
y B− C − = 2. 25 y B+ C − = 4. 50
y B− C + = 1. 925 y B+ C + = 8.175
Se desea maximizar el tiempo entre reventones

Ejercicio (dinámica del helicóptero)
Se desea construir el prototipo de helicóptero que dure el

mayor tiempo posible en el aire una vez soltado desde cierta
altura. Existen 3 parámetros de diseño que se probarán de
acuerdo al siguiente plano:
A: Longitud de las alas (2”, 3”)

B: Longitud del cuerpo (2”, 3”)
C: Ancho del cuerpo (1”, 1.5”)
3”
Usar Hoja
tamaño carta
(8.5”X11”) A 2” (-1)
3” (+1)
1”
Cortar
Doblar
2” (-1)
B 3” (+1)
C (1”(-1), 1.5”(+1))
Procedimiento (estudio de medias)
1. Elaborar la matriz de diseño y realizar las pruebas.

Pba A B C AB AC BC ABC Y1 Y2 Y
1 -1 -1 -1
2 1 -1 -1
3 -1
4 -1
5
6
7
8
2. Calcular los efectos A,B,C,AB,AC,BC,ABC usando Y
A=
B=
C=
AB=
AC=
BC=
ABC=
3. Hacer prueba de Daniel.
i F=100(i-0.5)/N Efectos ordenados ID
¿efectos significativos (media)?

99.5
99
98
95
90
Papel probabilístico normal

80
70
F (%)
60
50
40
30
20
10
5
2
1
0.05
GRAFICAS MULTIVARI
(Desarrolladas por Leonard Seder en 1950)
Definición
Procedimiento gráfico de descomposición de fuentes de

variación.
Objetivo
Mostrar las fuentes de variación más importantes en un

proceso.
Tipos de variación
1.- Interna (posición)
Ocurre cuando existe variación en cierta característica
de calidad a lo largo de la pieza. Por ejemplo
excentricidad, planicidad, espesor, conicidad,
porosidad, etc. El valor objetivo de estas características
es cero.
2.- Entre piezas (cíclica)

Es la variación entre piezas o entre lotes fabricados en
cierto período corto de tiempo. Usando gráficas de
control, la gráfica R muestra también este tipo de
variación.
3.- Variación en el tiempo

Es la variación entre piezas o entre lotes fabricados en
cierto período largo de tiempo. Representa la variación
en operadores, materia prima, medio ambiente y otros.
Usando gráficas de control, la gráfica de medias
muestra también este tipo de variación (diferencias
entre medias).
4.- Variación de fuente

Es la variación provocada por diferentes fuentes que
elaboran el mismo producto. Por ejemplo diferentes
cavidades, cabezas, estaciones, etc.
Tamaño de muestra
-Se recomienda que el tamaño de muestra sea de por lo

menos entre 3 y 5 piezas producidas consecutivamente.
-El tiempo entre las muestras debe ser suficientemente

largo para poder observar variación entre las muestras
-Se debe tomar un mínimo de 15 mediciones para el

estudio.
Ejemplo
Aplicación de multivari al análisis de posibles causas de piezas
con fugas. M1, M2 y M3 representan el número de molde
por 3 piezas cada una. La variable de respuesta es el número de
fugas totales en cada grupo de trabajo y en cada molde.
GRUPO 1 GRUPO 2
6AM 9AM 12AM 2PM 5PM 8PM
M1 3 3 5 2 3 5
M2 2 3 4 2 3 5
M3 2 4 5 1 2 6
Multi-Vari Chart for Fugas By Molde - Grupo

Hora Molde
3
1
6
2
3
5
4
Fugas
1
1 2
Grupo
Interpretación
De los tres factores analizados: grupo, molde (diferencia entre

posiciones), y hora (diferencia entre piezas a mediano
plazo), el factor más influyente es la hora. Se observa una
tendencia de aumento del número de fugas a medida que el turno
avanza.
No se observa un gran efecto de los grupos analizados ni de

los moldes.
En este caso, la gráfica multivari está señalando un posible factor

importante para ser estudiado. Por tanto, es necesario investigar la
causa de la tendencia de aumento del número de fugas conforme
avanza el turno.
Ejercicio
Se recolectó información sobre planicidad en cabezas producidas
simultáneamente en moldes con cuatro cavidades water jacket y
dos réplicas. Realizar una gráfica multivari y detectar el tipo de
variación en el proceso (molde, cavidad water jacket, parte) para
los siguientes datos de planicidad:
MOLDE
1 2 3
CAVIDAD CAVIDAD CAVIDAD
Réplica 1 2 3 4 1 2 3 4 1 2 3 4
1 19 12 9 11 20 12 14 12 8 0 3 1
2 33 21 26 20 36 21 23 22 11 1 3 0
Definir
D problema
Proceso S
N
Medición N
M capaz y estable
Mejorar
I Optimizar
S
Determinar
Validar la
significativas
Evaluar estabilidad
Controlar
A y capacidad
del proceso
C el proceso

especiales
S
A EVALUAR LA ESTABILIDAD Y
LA CAPACIDAD DEL PROCESO
Una vez ajustado el proceso y disminuido su variación,
se evalúa la capacidad del proceso. Un Estudio de
Capacidad es un procedimiento ordenado de planeación,
recolección y análisis de información, con la finalidad de
evaluar la estabilidad de un proceso, y la capacidad que
éste tiene para producir dentro de especificaciones. Los
estudios de capacidad miden la variación y el centrado
de un proceso con respecto a sus especificaciones.
La toma de decisiones es una actividad común

principalmente entre los administradores.
La toma de decisiones se realiza frecuentemente

en base a hechos y datos (información).
¿Son la recolección y el análisis de esos

datos adecuados?
El “fenómeno” de la variación está presente

en la vida diaria y se manifiesta de muchas
maneras.
Existe variación entre las personas, dentro de

una misma persona, entre instituciones, el clima,
etc.
La variación también está presente en la recolec-

ción y el análisis de información, y en los procesos
o sistemas que la generan
La toma de decisiones en base a información está

sujeta a la variación, y principalmente a la manera
de
cómo se interpreta dicha variación:
a) (la variación en) los datos indican un

cambio real, o
b) la variación en los datos es aleatoria, es
decir, es equivalente a los que ha sucedido
en el pasado.
Los administradores deben se capaces

de determinar si los patrones de variación
indican una tendencia, o si sólo son
fluctuaciones aleatorias normales que
no demandan ningún cambio.
Las consecuencias de no distinguir entre
los dos tipos de variación son pérdidas
para la compañía.
Nolan, Provost [2]
Ejemplos de pérdidas son:
-Culpar personas cuando los acontecimientos

están fuera de su control.
-Gastar dinero cuando no es necesario
(ej. compra de equipo).
-Perder tiempo buscando explicaciones de
cambios inexistentes.
-LLevar a cabo acciones innecesarias.
Nolan, Provost [2]
GRAFICAS DE CONTROL
Definición
Herramientas estadísticas que muestran el

comportamiento de cierta característica de calidad
de un proceso con respecto al tiempo.
Objetivo
Evaluar, controlar y mejorar procesos.

Conceptos de Gráficas de Control
Causas de Variación
a) Causas Comunes.
Son “comunes” a todos. Son debidas al sistema: diseño
deficiente, materiales inadecuados, mala iluminación...
b) Causas Especiales.
Son debidas a situaciones particulares o “especiales”, y
no afectan a todos: máquinas desajustadas, métodos
ligeramente alterados, diferencias entre trabajadores...
Las Gráficas de Control sirven para
- Distinguir entre causas comunes y causas

especiales de variación.
- Indican cuándo actuar para mejorarlo y cuándo no.
Sobreactuar en un proceso estable provoca más variación.
Deming [4]
XR
Gráfica de Medias y Rangos ( )
Definición
Herramienta estadística que muestra el comportamiento
de la media (posición) y la variación (dispersión) de
cierta característica de calidad de un proceso con
respecto al tiempo. Está gráfica se usa para controlar una
característica de calidad continua tomando muestras de
tamaño entre 2 y 10.
Objetivo
Evaluar, controlar y mejorar la característica de calidad de
interés, desde el punto de vista del ajuste de su posición y
la reducción de su variación con respecto al objetivo.
Gráfica de Medias y Rangos
Ejemplo
Se cuenta con información sobre la dureza de 100
múltiples de admisión. La especificación es de 1 a 3 Rc.
Muestra Dureza Promedio Rango

1 1.855 1.162 1.606 2.010 1.929 1.712 0.849
2 2.020 1.473 1.502 2.471 1.518 1.797 0.998
3 2.378 1.525 1.743 2.693 1.492 1.966 1.202
4 1.644 1.870 1.703 1.745 1.640 1.720 0.230
5 2.189 2.281 1.854 1.645 1.801 1.954 0.637
6 1.828 1.093 1.943 2.594 1.971 1.886 1.501
7 2.614 1.976 1.649 1.827 2.179 2.049 0.966
8 2.298 2.533 2.681 1.548 2.233 2.259 1.133
9 1.971 2.280 1.817 2.333 1.773 2.035 0.560
10 1.823 2.060 2.290 1.471 1.364 1.802 0.925
11 2.431 1.267 1.737 2.011 2.061 1.901 1.163
12 1.956 1.811 1.770 1.863 1.420 1.764 0.537
13 2.047 1.231 2.805 1.926 1.988 1.999 1.574
14 2.241 2.095 1.723 2.036 2.703 2.159 0.980
15 1.966 1.715 2.175 1.517 2.686 2.012 1.170
16 2.351 1.790 2.416 2.305 1.985 2.170 0.627
17 1.630 2.433 2.726 2.330 2.207 2.265 1.095
18 1.833 1.575 2.039 1.492 1.838 1.756 0.547
19 1.941 1.788 2.077 1.607 1.376 1.758 0.700
20 1.883 2.220 1.581 2.290 1.105 1.816 1.185
Promedio 1.939 0.9289
Los cálculos son:

X1 + X 2 + ... + X k 1.712 + 1.797 + ... + 1.816
X= = = 1.939
k 20
R 1 + R 2 + ... + R k 0.849 + 0.998 + ... + 1.185
R= = = 0.9289
k 20
Donde k representa el número de muestras de tamaño n.
Los límites de control para las medias son:
LSC ( X ) = X + A 2 R = 1.939 + 0.577 (0.9289 ) = 2.475

LIC ( X ) = X − A 2 R = 1.939 − 0.577 (0.9289 ) = 1.403
Los límites de control para rangos son:
LSC(R ) = D 4 R = 2.114(0.9289) = 1.964

LIC(R ) = D 3 R = 0(0.9289) = 0
Xbar/R Chart for Dureza

2.5 3.0SL=2.475
Sample Mean
2.0
X=1.939
1.5
-3.0SL=1.403
Subgroup 0 10 20
2 3.0SL=1.964
Sample Range
1 R=0.9288
0 -3.0SL=0.00
Se observa un proceso estable

Gráfica de Lecturas Individuales

Esta gráfica se usa cuando ya se ha llegado a un cierto
grado de control del proceso, y su finalidad es la de
verificar ese nivel de control que el proceso ha alcanzado.
También se usa en pruebas destructivas costosas.
Esta gráfica es muy poco sensible a cambios en el proceso

comparadas con las gráficas vistas anteriormente. La
razón es que el tamaño de las muestras que se toman es
n=1. Además se recomienda no tomar menos de 100
muestras (de tamaño n=1) para este tipo de gráfica.
Ejemplo. Se tiene la siguiente información de aire en la

botella en la válvula 44 en una operación de envasado de
cerveza.
Botella Aire44 Rango Botella Aire44 Rango
1 0.51 NA 16 0.34 0
2 0.59 0.08 17 0.42 0.08
3 0.42 0.17 18 0.42 0
4 0.42 0 19 0.42 0
5 0.34 0.08 20 0.34 0.08
6 0.42 0.08 21 0.59 0.25
7 0.34 0.08 22 0.34 0.25
8 0.34 0 23 0.34 0
9 0.42 0.08 24 0.51 0.17
10 0.34 0.08 25 0.34 0.17
11 0.42 0.08 26 0.34 0
12 0.34 0.08 27 0.42 0.08
13 0.51 0.17 28 0.42 0
14 0.34 0.17 29 0.42 0
15 0.34 0 30 0.42 0
I and MR Chart for Aire44
0.6 UCL=0.6102
Individual Value
0.5
0.4 Mean=0.4057
0.3
0.2 LCL=0.2012
Subgroup 0 10 20 30
0.3
UCL=0.2512
Moving Range
0.2
0.1
R=0.07690
0.0 LCL=0
Proceso estable
Ejercicio. Una persona de cada equipo lanzará una moneda 10

veces y medirá la distancia con respecto al objetivo. Hacer una
gráfica de control de lecturas individuales
Lanzamiento Distancia Rango
1 ---
2
3
4
5
6 X=
7
8
9
R=
10
Suma
LSC ( X ) = X + E 2 R =
LIC ( X ) = X − E 2 R =
LSC ( R ) = D 4 R =
LIC ( R ) = D 3 R =
E 2 = 2.66 (n = 2) D 3 = 0(n = 2) D 4 = 3.267(n = 2)

Gráfica de lecturas individuales

Gráfica de rangos móviles

Atributos. Clasificación de defectos en botellas cerveceras
Defectos Críticos (AQL=0%)

-Aleta cortante en el exterior
-Burbuja ampollada en el interior
-Vidrio suelto dentro de la botella
Defectos Mayores (AQL=1%)

-Grietas
-Cuerpo delgado
-Estrelladuras
Defectos Menores (AQL=4%)

-Marcas superficiales
-Altura total grande
-Fuera de peso
Grafica p (fracción defectuosa). Se tiene la siguiente

información sobre botellas de vidrio con defectos
Botellas
M últiples Botellas
M últiples Fracción
Fecha producidas
producidos (n)(n) defectuosas (x) defectuosa (p)
defectuosos (X) LSC(p) LIC(p)
5-M ay 145 10 0.0690 0.182 0.029
6-M ay 236 1 0.0042 0.166 0.046
7-M ay 184 4 0.0217 0.174 0.038
8-M ay 122 6 0.0492 0.189 0.022
9-M ay 215 12 0.0558 0.169 0.043
10-M ay 218 35 0.1606 0.168 0.043
11-M ay 221 21 0.0950 0.168 0.044
12-M ay 149 32 0.2148 0.181 0.030
13-M ay 189 12 0.0635 0.173 0.039
14-M ay 156 22 0.1410 0.180 0.032
15-M ay 172 24 0.1395 0.176 0.035
16-M ay 125 35 0.2800 0.188 0.023
17-M ay 118 21 0.1780 0.191 0.021
18-M ay 164 19 0.1159 0.178 0.034
19-M ay 215 17 0.0791 0.169 0.043
20-M ay 248 21 0.0847 0.164 0.047
21-M ay 168 23 0.1369 0.177 0.035
22-M ay 159 24 0.1509 0.179 0.033
S um a 3204 339
P Chart for fugas

0.2
3.0SL=0.1794
Proportion
0.1 P=0.1061
-3.0SL=0.03284
0.0
0 10 20
Sample Number
Se observa un proceso estable
Interpretación de Gráficas de Control

Western Electric (1956)
Características de un comportamiento natural o normal

(aleatorio):
(1) la mayoría de los puntos cerca de la línea central,

(2) pocos puntos cerca de los límites de control, y
(3) ningún u ocasionalmente algún punto fuera de los
límites de control.
Comportamiento natural
3σ LSC
2σ
1σ
0 LC
-1σ
-2σ
-3σ LIC
Regla Empírica:
•60-75% de los datos dentro de 1 sigma unidades de la media.
Interpretación de gráficas de control
Patrón de Inestabilidad
Puntos fuera 2 de 3 en A 4 de 5 en A/B 8(*) mismo lado
LSC
0.01235 ZA
0.136 ZB
0.341 ZC Línea
Central
I1 I2 I3 I4
(*) Minitab toma 9 puntos
Otros patrones
15 en C 8 y ninguno en C 6 hacia arriba/abajo

LSC
ZA
ZB
ZC
Línea
Central
ZC
ZB
ZA
LIC
E M T
Ejercicio. Detectar los patrones que aparecen en la siguiente gráfica
I Chart f or Interpretación
7
3.0SL=6.883
2.0SL=6.225
6
Individual Value
1.0SL=5.567
5 Mean=4.908
-1.0SL=4.250
4
-2.0SL=3.592
3 -3.0SL=2.933
0 10 20 30 40 50 60
Observation Number
Evaluación de la Capacidad
Una manera de evaluar la capacidad del proceso para

producir dentro de especificaciones, es comparar el
ancho de la especificación con el ancho del proceso.
LIE LSE
Tolerancia
(ancho de la especificación)
a= LSE-LIE b=Ancho del proceso=6σ

LIE LSE LIE LSE
a/b=1 a/b es mayor a 1

Comparando ambos procesos, vemos que el proceso
para el cual a/b es mayor a 1, es mejor que el otro.
Índice de Capacidad Potencial

Así podemos definir el Índice de Capacidad Potencial
como
a LSE − LIE
Cp = = s = σ$
b 6s
que representa una comparación de anchos, sin tomar

en cuenta la ubicación del proceso. Indica el número de
veces que el proceso “cabe” dentro de la especificación.
Índice de Capacidad Real

Como Cp no toma en cuenta la ubicación (centrado)
del proceso, es necesario definir otro índice que sí la
considere, sea
LIE LSE
c
d
Al comparar c/d se puede ver el centrado del proceso

en relación con la mitad de la variación del mismo.
c = la distancia entre el centro del proceso (media) y

el límite de especificación más cercano.
d = la mitad del ancho del proceso.
El Indice de Capacidad Real queda definido como

LE − X
Cpk = si LIE ≤ X ≤ LSE
3s
LE − X
Cpk = − si X > LSE o X < LIE
3s
LE es el límite de especificación más cercano a la media del proceso
Ejemplos. Evaluación gráfica de Cp y Cpk

LIE LSE LIE LSE
Cp=Cpk=2
Cp=Cpk=1 a a a a
LIE LSE
Cp=2
Cpk=1
a a a a
Ejercicio. Evaluación gráfica de Cp y Cpk

LIE LSE
Cp=
Cpk=
a a a a a
LIE LSE
Cp=
Cpk=
a a a a
LIE LSE
Cp=
Cpk=
a a a a
LIE LSE
Cp=
Cpk=
a a 2a 2a
Estudios a largo/corto plazo

Subgrupos para calcular la desviación estándar interna (Cp y Cpk)
6
Índices de
CAPACIDAD
5
Datos
Index 10 20 30
s (corto plazo)
Subgrupos para calcular la desviación estándar global (Pp y Ppk)

Índices de
6
DESEMPEÑO
5
Datos
Index 10 20 30
s (largo plazo)
Ejemplo
Se evaluará la capacidad y el desempeño del proceso de múltiples

de admisión para la característica de dureza de los mismos.
LIE=1, LSE=3.
Después de verificar la estabilidad y la normalidad de las 100

muestras de dureza (se deja como ejercicio):

2.5 3.0SL=2.475
Sample Mean
2.0
X=1.939
1.5
-3.0SL=1.403
Subgroup 0 10 20
2 3.0SL=1.964
Sample Range
1 R=0.9288
0 -3.0SL=0.00
Se observa un proceso estable y la normalidad no es rechazada (no se muestra)

X = 1 .939 R = 0 .9288
R 0 .9288
σˆ ( corto ) = s ( corto ) = = = 0 .3993
d2 2 . 326
LSE − LIE 3 −1 LE − X 1 − 1 . 939

Cp = = = 0 .835 Cpk = = = 0 .784
6 s ( corto ) 6 ( 0 .3993 ) 3s ( corto ) 3( 0 .3993 )
2
∑1N ( x i − X) (1.855 − 1.939) 2 + ..... + (1.105 − 1.939) 2
s= = = 0.3884
n −1 100 − 1
4(100 − 1) s 0.3884
c 4 ( N = 100) = = 0.9974 s(l argo) = = = 0.3893
4(100) − 3 c 4 ( N) 0.9974
LSE − LIE 3 −1 LE − X 1 − 1 .939

Pp = = = 0 .8562 Ppk = = = 0 .8040
6s ( larg o ) 6 ( 0 .3893 ) 3s ( larg o ) 3( 0 .3893 )
Interpretación clásica de Cp y Cpk
Si Cp(Pp) es mayor que Cpk(Ppk), el proceso no está centrado

en el objetivo. Si son aproximadamente iguales, entonces
el proceso está centrado.
Si Cp o Cpk es menor a 1, el proceso es incapaz.

Si Cp o Cpk está entre 1 y 1.33, el proceso es apenas
capaz.
Si Cp o Cpk es mayor a 1.33 el proceso es capaz.
El índice Cpk prevalece sobre Cp para tener la evaluación

real (actual) del proceso.
De acuerdo a los resultados, se observa que el

proceso no es capaz realmente ni potencialmente.
El porcentaje defectuoso se puede estimar como:
p(X < 1) + p(X > 3)
 1 − 1.939   3 − 1.939 
= p Z <  + p Z > 
 0.3993   0.3993 
= p( Z < −2.35) + p( Z > 2.66) = 0.0094 + 0.0039
= 0.0133 = 1.33%
Las probabilidades normales se obtuvieron usando

la tabla Z del apéndice.
Process Capability Analysis for Dureza
LSL USL
Process Data
USL 3.00000 ST
Target 2.00000 LT
LSL 1.00000
Mean 1.93897
Sample N 100
StDev (ST) 0.399312
StDev (LT) 0.389393
Potential (ST) Capability

Cp 0.83
CPU 0.89
CPL 0.78
Cpk 0.78
Cpm 0.85
1.0 1.5 2.0 2.5 3.0
Overall (LT) Capability Observed Performance Expected ST Performance Expected LT Performance

Pp 0.86 PPM < LSL 0.00 PPM < LSL 9349.73 PPM < LSL 7946.41
PPU 0.91 PPM > USL 0.00 PPM > USL 3940.28 PPM > USL 3216.74
PPL 0.80 PPM Total 0.00 PPM Total 13290.01 PPM Total 11163.15
Ppk 0.80
Ejercicio
En base a los datos del ejercicio de la gráfica XR (lecturas

individuales), evaluar la capacidad para el proceso de
lanzamiento de monedas cuya especificación es LSE=20
cms. Evaluar estabilidad y normalidad de los datos.
MÉTRICA DE SEIS SIGMA

Rendimiento de un proceso
(Yield)
El rendimiento tradicional de un proceso se obtiene dividiendo
el número de piezas que salen bien entre el número de piezas que
entran.
Ejemplo
Obtener el rendimiento tradicional del siguiente proceso
200 180
Yield=180/200=0.90=90%
Rendimiento de Primera-Vez
(First-Time Yield, YFT )
El rendimiento de primera vez corresponde al número de piezas
hechas bien la primera vez en cada fase del proceso
Ejemplo
Obtener el YFT del siguiente proceso
YFT=197/200=0.9850 177/197=0.8985 172/177=0.9718 172/172=1.00
200 197 177 172 172
3 20 5 0
Unidades defectuosas
Rendimiento En-Cadena
(Rolled Throughput Yield, YRT )
El rendimiento en cadena es el producto del rendimiento en cada
paso del proceso. Dicho rendimiento no incluye retrabajos.
Ejemplo
YRT=(0.985)(0.8985)(0.9718)(1)=0.86=YFT=172/200
YFT=197/200=0.9850 177/197=0.8985 172/177=0.9718 172/172=1.00
200 197 177 172 172
3 20 5 0
Unidades defectuosas
Rendimiento En-Cadena
(Rolled Throughput Yield, YRT )
--incluyendo retrabajo--
El rendimiento en cadena es el producto del rendimiento en cada
paso del proceso. Dicho rendimiento sí incluye retrabajos.
Ejemplo
YFT=192/200=0.96 177/197=0.8985 172/177=0.9718 169/172=0.9826

YRT=(0.96)(0.8985)(0.9718)(0.9826)=0.8237
200 197 177 172 172

5 3
3 20 5 0
Retrabajo Unidades defectuosas
La fabrica “oculta”
El concepto de la fábrica oculta surge cuando

una compañía está utilizando recursos adicionales
por no hacer bien sus productos a la primera vez.
Al retrabajo o al desperdicio se le considera como

la fábrica oculta.
Ejemplo
Para el proceso anterior la fábrica “escondida” se encuentra en los
pasos 1 y 4 y representan área de oportunidad de mejoramiento en
ese mismo orden.
YFT=192/200=0.96 177/197=0.8985 172/177=0.9718 169/172=0.9826
200 197 177 172 172

5 3
3 20 5 0
Retrabajo Unidades defectuosas
YRT=82.37% representa el porcentaje de piezas que serán producidas

sin defectos la primera vez.
Elementos de la Métrica de defectos

dpu=defectos por unidad (promedio)
dpu dpu=Número de defectos/Número de unidades
dpmu dpmu=defectos por millón de unidades = (dpu)(106)
dpo=defectos por total de oportunidades(i)
dpo dpo=Número de defectos/Número de oportunidades totales(i)
dpmo=defectos por millón de oportunidades
dpmo dpmo=dpmu/Número de oportunidades por unidad=(dpo)(106)
YFT= rendimiento de primera-vez
YFT YFT=[1-dpmo/106] n (Mangin, 1999)
(n=número de oportunidades de defectos por unidad)
Número de oportunidades totales(i)=(No. de oportunidades)(No. Unidades)
La diferencia entre dpmu y dpmo es que una unidad puede tener

varias oportunidades de cometer defectos. Por ejemplo si en cierto
proceso se encontraron 10 defectos en una muestra de 100 unidades,
dpu=10/100=0.1 (defectos por unidad)
dpmu=(dpu)(106)=100,000 (defectos por cada millón de unidades)
Si en cada unidad, existen 10 posibilidades (pasos del proceso,

número de partes que lo forman, etc.) de ocurrencia de un
defecto,
dpmo=dpmu/10=10,000 (defectos por cada millón de oportunidades)
Si cada unidad solamente tiene una oportunidad en la que pueda

ocurrir algún defecto, dpmo=dpmu.
Originalmente ppm significa unidades defectuosas por cada millón,

independientemente del número de defectos en dichas unidades.
Actualmente el objetivo de Motorola es tener 3.4 ppm
considerando ppm como el número de defectos(*) por cada millón
de unidades. En este caso, ppm=dpmu.
Si cada unidad se compone de cierto número de oportunidades de
ocurrencia de un defecto, entonces ppm=dpmo.
(*)si cada unidad defectuosa tiene solamente un defecto

entonces ppm significa tanto unidades defectuosas como
número de defectos por millón de unidades
Ejemplo de atributos
En la fabricación de cierto tipo de tarjetas electrónicas impresas,
se tienen las siguientes oportunidades de cometer errores:
-componentes equivocados 100

-componentes mal soldados 20
-componentes mal insertados 10
-soldadura faltante 120
OPORTUNIDADES TOTALES 250
De una muestra de 3000 tarjetas se encontró un total de 85 defectos
dpu=85/3000=0.0283
dpmo=(0.0283/250)(106)=(0.0001132)(106)=113.2
YFT=(1-113.2/106)250=0.972
Transformación de dpmo a nivel sigma
113.2 ppm=113.2/106=0.0001132=1.13(10-4)
Buscando en la tabla Z del apéndice se obtiene Z=3.69
0.0001132
0 Z=3.69
Este proceso tiene un nivel de calidad de 3.69 sigma

Procedimiento para atributos
1. De ser necesario(*) expresar dpmo en notación

científica con un entero y dos decimales.
2. Buscar el valor Z en la tabla Z del apéndice
(*) si el valor en el cuerpo de la tabla Z está en notación científica

Ejemplo integrador
Se analizará el siguiente proceso de preparar café fresco en una
cafetera automática y servirlo:
1 2 3 4
Poner filtro Poner el Vaciar Encender
de papel café el agua la cafetera
5 6
Servir
Esperar
el café
Considerar que la muestra de 100 preparaciones fue en un período largo de

tiempo. Es decir, se incluyeron todas las fuentes de variación posibles en este
proceso. Es un estudio largo
1. Identificación de CTQs (proceso: preparar y servir café)

Temperatura adecuada del café y llenado adecuado
2. Definir oportunidades de defectos
Paso Descripción Op. de error

1 Poner filtro de papel 2
2 Poner el café 1
3 Vaciar el agua 1
4 Encender la cafetera 1
5 Esperar 2
6 Servir el café 2
Total 9
3. Buscar defectos en productos o servicios

100 97 95 94 93 93 91
1 2 3 4 5 6
2 1
Poner filtro Poner el Vaciar Encender Servir
el agua la cafetera Esperar
de papel café el café
3 2 1 1 0 2
4. y 5. Calcular dpmo individual y su conversión a niveles sigma
De manera individual:
97
1 YFT=95/100=0.95 dpu=(5/100)=0.050000
2
Poner filtro
dpmo=(0.050000/2)(106)=25,000
de papel
100 0.05/2=0.025=2.5(10-2). Z=1.96
3
Ejercicio
2 95
YFT= dpu=
Poner el
café dpmo=
97
2 Z=
94
3 YFT= 93/95=0.9789 dpu=(2/95)=0.021053
1
Vaciar
el agua dpmo=(0.021053/1)(106)=21,053
95 0.021053/1=0.021053=2.11(10-2). Z=2.03
1
Ejercicio
4 93
YFT= dpu=
Encender
la cafetera dpmo=
94
Z=
1
5
93 YFT= 93/93=1.0 dpu=0
Esperar
dpmo=0
93
0 Z tiende a infinito (prácticamente Z=4.5)
6
91
Servir YFT= 91/93 =0.9785 dpu=(2/93)=0.021505
el café
dpmo=(0.021505/2)(106)=10,753
93
2 0.021505/2 =0.010753=1.08(10-2). Z=2.30
6. Resumen del análisis

Caract. Defectos Unidades Oport. Tot. Oport. dpu dpo dpmo dpmu Z Zshift
1 5 100 2 200 0.050 0.025000 25000 50000 1.96 3.46
2 2 97 1
3 2 95 1 95 0.021 0.021053 21053 21053 2.03 3.53
4 1 94 1 94 0.011 0.010638 10638 10638 2.30 3.80
5 0 93 2 186 0.000 0.000000 0 0 4.50 6.00
6 2 93 2
TOTAL 12 9 858 --- 123815 3.70
Suma
Zshift=1.5 es el factor de corrección para tener el equivalente a un
estudio a corto plazo.
Total dpo=Total de defectos/Total de oportunidades.
El número de defectos por millón de oportunidades (dpmo) de todo el

proceso es (Total dpo)(106)=13,986 y corresponde a un nivel de 2.20
sigma.
Para todo el proceso, tomando en cuenta el retrabajo:
YFT(proceso)=(1-13,986/106)9=0.8809=88.09%
7. Detección de áreas de oportunidad
Orden del proceso Orden en base a sigma

Fase dpmo Sigma Fase dpmo Sigma
Poner filtro 25000 1.96 Poner filtro 25000 1.96
Poner café 20619 2.04 Vaciar agua 21053 2.03
Vaciar agua 21053 2.03 Poner café 20619 2.04
Encender 10638 2.30 Servir 10753 2.30
Esperar 0 6.00 Encender 10638 2.30
Servir 10753 2.30 Esperar 0 6.00
Definir
D problema
Proceso S
N
Medición N
M capaz y estable
Mejorar
I Optimizar
S
Determinar
Validar la
significativas
Evaluar estabilidad
Controlar
del proceso

especiales
S
I OPTIMIZAR Y ROBUSTECER
EL PROCESO
Si el proceso no es capaz, se deberá optimizar

para reducir su variación. Se recomienda usar
Análisis de Regresión, Diseño de Experimentos,
y Superficies de Respuesta.
DIAGRAMA DE DISPERSIÓN
Definición
Gráfica simple entre 2 variables.
Objetivo
Visualizar el tipo y el grado de relación o predicción entre
dos variables.
Tipos de relación
.
..
..
.
.
.
..
..
..
.
Directa Inversa
Grados de relación
.. ... . .. .
.. .. . ... .... ...
... . .. ..........
. . ..
Fuerte Débil Nulo
Ejemplo. Suponer que en base a estudios previos, se encontró que

las variables significativas –con respecto a la dureza de los múltiples
de admisión- fueron la temperatura de precalentamiento
y el tiempo de solidificación. Determinar el tipo y el grado de
relación entre la dureza y el tiempo de solidificación.
t-S olid Dureza

10 4.5
11 4.3
12 3.8
13 3.6
14 3.4
15 2.9
16 2.9
17 2.4
18 2.2
19 2.1
20 2.0
Diagrama de Dispersión
4
Dureza
10 11 12 13 14 15 16 17 18 19 20
t-Solid
Se observa una relación inversa y fuerte entre dureza y tiempo
de solidificación.
Ejercicio
Realizar un diagrama de dispersión e interpretarlo, para
la siguiente información de temperatura de precalentamiento
y dureza. Determinar el tipo y el grado de relación entre
dichas variables.
Temp Dureza
390 1.5
391 1.8
392 2.1
393 2.3
394 2.6
395 3.1
396 3.4
397 3.7
398 3.9
399 4.2
400 4.5
Interpretación
De acuerdo con el Statistical Quality Control Handbook
de Western Electric, 1956, es necesario considerar que:
1.- Aunque se aprecie una relación fuerte, no necesariamente

indica relación de causa y efecto entre esas variables. La
relación causa-efecto se obtiene del conocimiento del
proceso.
2.- Si no se aprecia una relación significativa, puede

deberse a que realmente no exista correlación, o que la
cantidad y/o el rango de los datos sea insuficiente.
Causalidad y Casualidad
Causalidad implica una relación de causa-efecto entre las
variables, Casualidad no.
P
Ejemplos ..
a) Presión vs Temperatura ..
...
. .
T
(causalidad bilateral)
b) Consumo de electricidad en c) No. de cigueñas vs No. de

verano vs Temperatura ambiente nacimientos (durante 100 años)
C N
.. ..
.. ..
... ...
. . . .
T C
(causalidad unilateral) (casualidad)
Cuando no existe causalidad el modelo no se puede usar para
controlar el proceso pero sí para predecirlo.
Análisis de Regresión
Técnica usada para relacionar a través de un modelo, una o más

variables independientes con una variable dependiente (respuesta).
Usos de la regresión
1. Descripción. Representar el comportamiento de un proceso.
2. Predicción y estimación. Predicción es en base a un valor x

desconocido. Estimación es en base a un valor conocido de x.
3. Control. Para obtener cierta respuesta deseada del proceso.

Modelo de regresión de un factor
y = β0 + β1x + ε
y=variable dependiente a modelar (respuesta)
x=variable independiente (predictor de y)
ε=componente de error (medición + natural). VA.
β0=intersección. Si los datos incluyen cero, representa la media
de la distribución de y cuando x=0. No tiene sentido si los
datos no incluyen cero.
β1=pendiente. Es el cambio en la media de y por cada cambio
unitario de x.
Estimación de los parámetros del modelo
Por medio del método de mínimos cuadrados que consiste en

minimizar el error del modelo se obtienen
ˆβ = Sxy βˆ 0 = y − βˆ 1 x
1
Sxx
2
(Σx )(Σy) ( Σx )
Sxy = Σxy − Sxx = Σx 2 −
n n
ŷ = βˆ 0 + βˆ 1x
Ejemplo. En el caso del ejemplo de dureza (y) vs la temperatura de

precalentamiento y el tiempo de solidifcación, se obtiene(*)
Y = 7.05455 - 0.263636X R-Sq = 97.8 %
4
Dureza
10 11 12 13 14 15 16 17 18 19 20
t-Solid
(*) es importante realizar todas las pruebas estadísticas al modelo resultante.
( Σ x )( Σ y ) 165 (34 .1)

Sxy = Σ xy − = 482 .5 − = − 29 .0
n 11
2 2
( Σ x ) (165 )
Sxx = Σ x 2 − = 2585 − = 110 .0
n 11
ˆβ = Sxy = − 29 .0 = − 0 .2636
1
Sxx 110 .0
ˆβ = y − βˆ x = 34 .1 + 0 .2636  165  = 7 .054
0 1
11  11 
ŷ = βˆ + βˆ x = 7 .054 − 0 .2636 x
0 1
Dureza = 7 .054 − 0 .2636 tSolid

Por cada unidad de aumento en el tiempo de solidificación, la dureza
disminuirá 0.2636 unidades. Como el rango de los datos no incluye
x=0, el valor de 7.054 no tiene un significado particular.
Ejercicio
Obtener el modelo de regresión para el comportamiento
de la variable de respuesta “tiempo en el aire” vs. las
variables significativas en el experimento de los
helicópteros de papel.
Modelo=promedio+((ef. signif)/2)X
Superficies de Respuesta
Conjunto de técnicas estadísticas usadas para encontrar una

región óptima de operación del proceso.
En el caso del proceso de los múltiples, en el diseño de

experimentos realizado se encontró que los factores significativos
son la temperatura de precalentamiento y el tiempo de solidificación.
A pesar de haber ajustado el proceso, su capacidad no alcanzó el
nivel deseado (Cpk min 1.33), debido a variación excesiva en el
proceso.
Se usará la técnica de Superficies de Respuesta para explorar una

mejor región de operación en donde la variación de dureza sea
menor
Se corrió el siguiente diseño central compuesto en el cual se

tomaron 5 múltiples por prueba. La columna dureza representa la
media de las 5 lecturas por prueba
TEMP TSOLI D Dureza ln(s)
380 20 1.8 -2.300
390 20 2.0 -1.880
380 30 3.1 -0.087
390 30 5.1 -0.446
377.929 25 5.0 -1.533
392.071 25 4.3 -0.820
385 17.9289 1.2 -1.550
385 32.0711 2.2 -0.033
385 25 1.8 -1.290
385 25 2.1 -0.970
385 25 1.9 -2.020
385 25 2.0 -2.120
385 25 2.1 -2.130
El modelo en unidades codificadas es
Dureza = 1.8 + 0.1513 Temp + 0.7268 Tsolid + 1.35 Temp2
Dureza 3
1 30
25
TSOLID
380 20
385
TEMP 390
Contour Plot of Dureza
30
5
TSOLID
25
3
20
2
380 385 390

TEMP
Se observa una nueva región de operación con dureza=2 (objetivo)
De acuerdo con el análisis de ln(s), la variable temperatura de

precalentamiento no resultó significativa.
Y = 4.33639 - 0.616169X + 1.52E-02X**2
R-Sq = 69.8 %
0
ln(s)
-1
-2
20 25 30
TSOLID
Del Modelo, Ln(s) min=-1.984, s=0.1375 (vs 0.399 del estudio de capacidad)
Contour Plot of Dureza
30
5
TSOLID
25
3
20
2
380 385 390 TEMP

La región óptima de operación tanto para la Temperatura de
precalentamiento como para el tiempo de solidificación se muestran
en la figura (Temp=380.57, Tsolid=20)
Definir
D problema
Proceso S
N
Medición N
M capaz y estable
Mejorar
I Optimizar
S
Determinar
Validar la
significativas
Evaluar estabilidad
Controlar
A y capacidad
del proceso
C el proceso

especiales
S
I VALIDAR LA MEJORA
En este paso es necesario confirmar la mejora
del proceso a través de volver a realizar estudios
de capacidad. Una vez validada la mejora, se
implementarán las nuevas condiciones de
operación del proceso.
En el caso de los múltiples de admisión, para las condiciones

óptimas de operación seleccionadas se obtuvo la siguiente
información
i Dureza Prom edio Rango
1 2.0930 2.2384 1.9747 1.9441 1.9726 2.045 0.294
2 1.8967 1.8162 2.1971 1.9567 1.8568 1.945 0.381
3 1.9101 1.9163 1.8395 2.0935 2.0662 1.965 0.254
4 2.0945 1.9946 1.8865 1.9123 2.1600 2.010 0.274
5 1.9313 1.9816 2.0660 2.0294 1.9742 1.997 0.135
6 1.9503 1.7892 1.9305 1.9705 1.7745 1.883 0.196
7 2.0074 1.9077 2.0613 2.1237 2.1257 2.045 0.218
8 2.0116 1.9547 2.0210 1.8565 1.9397 1.957 0.165
9 2.1123 1.8605 1.8948 1.9743 2.0222 1.973 0.252
10 2.1411 2.1652 1.9214 2.1073 2.1494 2.097 0.244
11 2.1519 2.1148 2.1014 1.7264 1.7959 1.978 0.426
12 2.0690 2.1715 1.8356 1.9888 1.8470 1.982 0.336
13 2.0306 1.9841 1.8507 2.0109 1.9572 1.967 0.180
14 1.9453 1.7282 1.7544 2.1473 1.8996 1.895 0.419
15 2.1498 2.0178 2.2217 2.1051 1.9294 2.085 0.292
16 1.8678 1.9924 2.0942 1.7545 2.1232 1.966 0.369
17 2.0821 2.1007 2.0623 2.1340 2.2071 2.117 0.145
18 1.9152 2.2845 1.8238 2.2202 2.1036 2.069 0.461
19 1.8134 2.0346 1.9544 2.0199 2.0475 1.974 0.234
20 2.0681 1.9301 1.8646 1.8440 2.2100 1.983 0.366
Prom edio 1.997 0.2819

2.2
3.0SL=2.159
Sample Mean
2.1
2.0 X=1.997
1.9
-3.0SL=1.834
1.8
Subgroup 0 10 20
0.6 3.0SL=0.5962
Sample Range
0.5
0.4
0.3 R=0.2819
0.2
0.1
0.0 -3.0SL=0.00
Proceso estable
Normal Probability Plot
.999
.99
.95
.80
Probability
.50
.20
.05
.01
.001
1.7 1.8 1.9 2.0 2.1 2.2 2.3

Durez
Av erage: 1.99661 Anderson-Darling Normality Test
StDev : 0.128275 A-Squared: 0.338
N: 100 P-Value: 0.497
Proceso distribuido normalmente

Process Capability Analysis for Dureza

LSL USL
Process Data
USL 3.00000 ST
Target 2.00000 LT
LSL 1.00000
Mean 1.99661
Sample N 100
StDev (ST) 0.121212
StDev (LT) 0.128599
Potential (ST) Capability

Cp 2.75
CPU 2.76
CPL 2.74
Cpk 2.74
Cpm 2.60
1.0 1.5 2.0 2.5 3.0
Overall (LT) Capability Observed Performance Expected ST Performance Expected LT Performance

Pp 2.59 PPM < LSL 0.00 PPM < LSL 0.00 PPM < LSL 0.00
PPU 2.60 PPM > USL 0.00 PPM > USL 0.00 PPM > USL 0.00
PPL 2.58 PPM Total 0.00 PPM Total 0.00 PPM Total 0.00
Ppk 2.58
¿Cómo resultó el estudio de capacidad de los

lanzamientos de la moneda?
¿Se puede mejorar?
¿Cómo?
Definir
D problema
Proceso S
N
Medición N
M capaz y estable
Mejorar
I Optimizar
S
Determinar
Validar la
significativas
Evaluar estabilidad
Controlar
A y capacidad
del proceso
C el proceso

especiales
S
C CONTROLAR Y DAR SEGUIMIENTO

AL PROCESO
Monitorear y mantener en control al proceso.

Desarrollar AMEF y Planes de Control, poka-yoke
e incluir técnicas afines como Control Estadístico
de Procesos, Precontrol y otras.
Definición general del AMEF

El Análisis de Modo y Efecto de Falla de (AMEF) es una
técnica analítica que tiene la finalidad de identificar y
evaluar todos los modos potenciales de falla*, sus causas y
efectos para prevenir o corregir dichas fallas a través del
establecimiento de acciones específicas y mecanismos de
control (C,F,GM 1995; Ford 1991).
(*) es la manera en la que el componente, sistema o

subsistema pueden fallar en el cumplimiento de los
requerimientos del diseño.
Beneficios del AMEF (Aldridge, Taylor 1991)
-Reducción de costos internos debido a retrabajos por

no hacerlo bien la primera vez.
-Reducción del número de quejas y costos por garantías.
-Aumento de la satisfacción del cliente.
-Confianza en que los productos de la compañía son

producidos basados en métodos de producción robustos
y confiables.
Definiciones
Modo de falla: es la manifestación de la falla.
Efecto de la falla: es la consecuencia de la falla
Causa de la falla: es lo que provoca la falla

Ejemplo. Múltiples de admisión
Descripción del Modo de Efecto(s) S C Causa(s)/

proceso/ Falla Potenciales e l Mecanismos
Potencial de Fallas v a de Falla
Función s Potenciales
Precalentar Temperatura Pieza con dureza 5 C Falta de calibración

molde a 400°C diferente a 400°C inadecuada del controlador
Preparar el molde
para que el aluminio Temperatura Pieza con fugas 8 Controlador errático
se deslice adecua- inestable
damente
Evaluación de SEVERIDAD, OCURRENCIA y DETECCION para PROCESO
EVAL. SEVERIDAD OCURRENCIA DETECCION

10 Peligro al operador, operación insegura del producto. Sin aviso Muy alta, >=1/2. Cpk<0.33 Casi imposible
9 Peligro al operador, operación insegura del producto. Con aviso Muy alta, 1/3. Cpk>=0.33 Muy remota
8 100% producto puede ser defectuoso. Producto inoperable Alta, 1/8. Cpk>=0.51 Remota
7 Menos del 100% producto es defectuoso. Producto operable, bajo rendimiento Alta, 1/20. Cpk>=0.67 Muy baja
6 Menos del 100% producto es defectuoso. Producto operable, sin confort Moderada, 1/80. Cpk>=0.83 Baja
5 Menos del 100% producto es retrabajo. Producto operable, poco confort Moderada, 1/400. Cpk>=1.00 Moderada
4 Menos del 100% producto es retrabajo. Mal acabado y ruidos menores. Muy notable Moderada, 1/2000. Cpk>=1.17 Moderada alta
3 Menos del 100% producto es retrabajo menor. Mal acabado y ruidos menores.Notable Baja, 1/15,000. Cpk>=1.33 Alta
2 Menos del 100% producto es retrabajo menor. Mal acabado y ruidos menores. Poco notable Baja, 1/150,000. Cpk>=1.50 Muy alta
1 No afecta Remota, <=1/1.5M. Cpk>=1.67 Casi segura
O Controles D R Acciones Responsabilidad

c actuales e P Recomendadas y Fecha
u del Proceso t N de
r e Terminación
r c
2 Mantenimiento 2 20 Ninguna NA
preventivo programado
6 Mantenimiento 6 288 Revisar y reparar o Mantenimiento

preventivo programado cambiar el controlador Feb. 200X
RESULTADOS DE ACCIONES
Acciones S O D R
tomadas e c e P
v u t N
r c
NA
Controlador revisado. Se cambió el 8 1 6 48

sensor principal de temperatura
Ejercicio
Proceso: poner el despertador para

levantarse a las 6 am para asistir a una
junta de trabajo muy importante.
Pasos del proceso:

-ajustar despertador
-levantarse
Información a clasificar:
4 modos/ 2 efectos/ 4 causas
-quedarse dormido -confusión de hora

-olvido -no despertarse a tiempo
-desvelado -no levantarse al oir alarma
-no llegar a tiempo -hora incorrecta
-no activar alarma -enfermo
Severidad=8 para todos los efectos

Descripción del
Modo de Efecto(s) S C Causa(s)/
Propósito s Potenciales
Ejercicio ...
Información a clasificar: 4 controles/ 2 acciones
-tomar vitaminas
-cambiar marca de vitaminas
-no aceptar compromisos entre semana
-ajustar al llegar a casa
-pedir a otra persona que lo valide
-verificación visual
Ocurrencia=5, 2, 3, 4 en ese orden
Detección= 4 para todos los controles
Poner acción recomendada solamente si RPN>100.
Recordar que independientemente del RPN se tendrá acción correctiva si la
severidad es 9 ó 10
O Controles
LEAN S IX S IGMA IN S TITUTE D R Acciones Responsabilidad

r (Prevención y e Terminación
r Detección) c
Plan de Control
Elementos de la producción
1.- Mano de Obra.
2.- Materiales.
3.- Máquinas (herramientas, posiciones, aditamentos).
4.- Métodos (instrucciones, set-up, mantenimiento

preventivo, medición).
5.- Medio Ambiente.

Importancia del control
M.Ambiente Materiales Máquinas
CONTROL
Métodos Mano de Obra

Control
Llevar a cabo acciones

encaminadas a mantener una
situación en un estado deseado
Ejemplo de Plan de Control. Múltiples de admisión
COMPAÑIA/ Fecha Departamento Preparado por Hoja

PLANTA 9Feb99 Vaciado T. Idos 1 /5
Ultima rev. Proceso Aprobado por No. Documento
MULTIMEX
Formación R. Ureca V-132
MEDICION
Parámetro Crítico Especificación Instrumento Responsable
Temperatura Sí 395-405°C Termopar Operador de
de precalenta- vaciado
miento
MEDICION
Lugar Registro Frecuencia Muestra Método de control Plan de reacción
Máquina Formato Cada 1 Gráfica XR Ajustar el con-
de vaciado RV-25 pieza trol central
Poka-Yoke(Shingo, 1986)
Poka = errores (inadvertencia)
Yoke = a prueba
PREVENCION DE ERRORES
Conceptos
* La mayoría de los errores son
-errores de falta de atención (no-advertencia).
Ejemplos: no me fijé, no me di cuenta, no sabía.
*Relación entre errores y defectos

-cometer un error puede resultar en un defecto.
Errores y defectos
ERROR DEFECTO
No poner agua al radiador Sobrecalentamiento del motor
No colocar empaque en manguera Fuga de agua
No colocar todos los tornillos Vibración

Funciones de poka-yoke
Ejemplos
a) Predicción
Ejemplo: colocar un cassette al revés.
Detener, controlar y advertir: el cassette topa, no puede
entrar. La persona se da cuenta.
b) Detección
Ejemplo: un inspector electrónico rechaza una botella por
tener una partícula en el interior.
Detener, controlar y advertir: la botella es desviada de
la línea y suena una alarma.
Tipos de inspección
Tipos de inspección...
*Sistemas de Verificación Sucesivas (el producto es

examinado en la siguiente estación).
*Sistemas de Auto-Verificación (usando poka-yoke
el operador se auto-verifica).
-En la fuente (eliminan defectos al evitar que un error

se transforme en un defecto).
Inspecciones en la fuente
Inspecciones en la fuente
Las inspecciones en la fuente son usadas para:
* corregir errores en las condiciones de operación

(producto, personas, métodos, tiempo, espacio), para
* impedir que los errores se transformen en defectos.
Así se logra el cero defectos.

Ejemplo de inspección en la fuente

Instalación de un flotador en un carburador
Carburador
Flotadores Tapas
Fotocelda Operario Compuerta
La compuerta se abre cuando se toma un flotador.
Shingo (1986)
Ciclos de acción
Verificar y Realizar
retroalimentar acciones
Defectos Errores
Ciclos de acción...
Verificar y Realizar
retroalimentar acciones
Errores Acción
Defectos Verificar y
retroalimentar
Errores
Definir
D problema
Proceso S
N
Medición N
M capaz y estable
Mejorar
I Optimizar
S
Determinar
Validar la
significativas
Evaluar estabilidad
Controlar
del proceso

especiales
S
C MEJORAR CONTINUAMENTE
Una vez que el proceso es capaz, se deberán
buscar mejores condiciones de operación,
materiales, procedimientos, etc. que conduzcan
a un mejor desempeño del proceso.
El nuevo desempeño deberá manifestarse a través

de un incremento en la capacidad del mismo, en
una reducción de costos y en una mayor
satisfacción del cliente.
REFERENCIAS
Brassard M. (1989). The Memory Jogger Plus+. GOAL/QPC.
Bedell E., Phan H. Six Sigma Process Control.
Motorola Semiconductor Products Sector 1993.
Hosotani K. The QC Problem Solving Approach.
3A Corp. 1992.
Ford, GM, Chrysler. Measurement Systems Analysis.
Reference Manual. 2d ed 1995.
Chrysler Corp., Ford Motor Co., General Motors Corp.
Potential Failure Mode and Effects Analysis. 2d. ed. 1995.
Ford Motor Co. Análisis del Modo y Efecto de Falla Potencial.
1991.
Aldridge J., Taylor J. “The Application of Failure Mode and
Effects Analysis at an Automotive Components
Manufacturer”. International Journal of Quality and
Reliability Management, Vol. 8 No. 3, 1991.
Gilchrist W. “Modelling Failure Modes and Effects

Analysis”. International Journal of Quality and Reliability
Management, Vol. 10 No. 5, 1993.
Stamatis D. Failure Mode and Effects Analysis. ASQ
Quality Press 1995.
Sullivan L. “The Seven Stages in Company-Wide Quality
Control”. Quality Progress, May 1986.
Sullivan L. “Reducing Variability: A New Approach to
Quality”. Quality Progress, July 1984.
Taguchi G. Introduction to Quality Engineering. A.P.O. 1987.
Fowlkes W., Creveling C. Engineering Methods for Robust
Product Design. Addison-Wesley 1995.
Escalante E. Manual de Control Estadístico de Procesos.
Ed. Font 1992.
Escalante E. Seis Sigma. Metodología y Técnicas. Limusa 2003.
Box G., Hunter W., Hunter S. Statistics for Experimenters.
Wiley 1978.
Montgomery D. Comunicación personal 1991.

Juran J., Gryna F. Juran’s Quality Control Handbook.
4th. ed. McGraw-Hill 1988.
Gunter B. The Use and Abuse of Cpk, Parts 1,2,3,4.
Quality Progress, 1989.
Western Electric. Statistical Quality Control Handbook, 1956.
Bhote K. World Class Quality. AMACOM 1991.
McFadden, F. “Six-Sigma Quality Programs”.
Quality Progress, June 1993.
Chrysler Corp., Ford Motor Co., General Motors Corp.
Advanced Product Quality Planning. A.I.A.G. 1995.
Kelly W.M. (2002). “Three Steps to Project Selection”.
Six Sigma Forum Magazine, Nov.
Little T. (2002). “Six Sigma Executive Overview”. TLC.
Zinkgraf S., Snee R. (1999). “Insitutionalizing Six Sigma in Large
Corporations: A leadership Roadmap”. Q&P Research Conf.
BIBLIOGRAFIA
-GE Industrial Control Systems. Six Sigma Supplier Quality.
General Electric 1998.
-Harry M. The Nature of Six Sigma Quality. MUP 1997.
-Lawson R., Stuart R. Measuring Six Sigma and Beyond:
Continuous vs Attribute Data. MUP 1997.
-Motorola SSTG Statistics Advisory Council. Continuous
Improvement Through Process Caracterization. MUP 1997.
-Sengstock Jr C. Quality in the Communications Process.
MUP 1997.
-Palady P. Failure Modes &Effects Analysis. PT Publications 1995.
-Bhote K. World Class Quality. AMACOM 1991.
-Kazmiersky T. Statistical Problem Solving in Quality Engineering.
McGraw-Hill 1995.
-Montgomery D., Peck E. Introduction to Linear Regression
Analysis. 2nd ed. Wiley 1992.
-Day, R. Quality Function Deployment. ASQC QualityPress, 1993.

-Ealey, L. Quality by Design: Taguchi Methods and U.S. Industry.
A.S.I. Press, 1988.
-Eureka, W., Ryan, N. The Customer-Driven Company.
A.S.I. Press, 1988.
-Fortuna, R. “Beyond Quality: Taking SPC Upstream”.
Quality Progress, June 1988.
-Hauser, J., Clausing, D. “The House of Quality”. Harvard Business
Review, May-June 1988.
-King, R. Better Designs in Half the Time. GOAL/QPC, 1989.
-ReVelle, J. “Using QFD with Dynamic Customer Requirements”.
1990 Research Report. GOAL/QPC.
-Sullivan, L. “Quality Function Deployment”. Quality Progress,
June 1986.
-Taylor W. Optimization & Variation Reduction in Quality.
McGraw-Hill 1991.
-Centro de Calidad. Plan de Control Dimensional plus.

ITESM 1991.
-Ford Motor Co. Planeación de Calidad. México 1990.
-Kane V. Process Capability Indices. Journal of Quality Technology,
Vol. 18 No. 1, January 1986.
-Spiring F. The Cpm Index. Quality Progress, February 1991.
-Montgomery D. Design and Analysis of Experiments. 3d ed.
Wiley 1991.
-Box G., Hunter W., Hunter S. Statistics for Experimenters.
Wiley 1978.
-Schmidt S., Launsby R. Understanding Industrial Designed
Experiments. 4th ed, Air Academy Press 1994.
-Harry, M. The Nature of Six Sigma Quality. MUP 1997.
-Barth B., Vallance G. The Strategy of Dynamic Control Planning.
Ford Powertrain Operations 1997.
-Smith, B. “Making war on defects” (Six-sigma design).

IEEE Spectrum, September 1993.
-Smith, B. “Six Sigma Quality a Must not a Myth”.
Machine Design, February 1993.
-Dambolena, I., Rao, A. “What is Six Sigma Anyway?”.
Quality, November 1994.
-Harry M., Lawson R. Six Sigma Producibility Analysis and
Process Characterization. Addison-Wesley 1992.
-Juran J., Gryna F. Quality Planning and Analysis. McGraw-Hill
1993.
TABLA F (Alfa 5%)

Num. 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 18
Denom.
1 199.50 215.71 224.58 230.16 233.99 236.77 238.88 240.54 241.88 242.98 243.90 244.69 245.36 245.95 246.47 247.3
2 19.00 19.16 19.25 19.30 19.33 19.35 19.37 19.38 19.40 19.40 19.41 19.42 19.42 19.43 19.43 19.44
3 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79 8.76 8.74 8.73 8.71 8.70 8.69 8.67
4 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96 5.94 5.91 5.89 5.87 5.86 5.84 5.82
5 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74 4.70 4.68 4.66 4.64 4.62 4.60 4.58
6 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06 4.03 4.00 3.98 3.96 3.94 3.92 3.90
7 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64 3.60 3.57 3.55 3.53 3.51 3.49 3.47
8 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35 3.31 3.28 3.26 3.24 3.22 3.20 3.17
9 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14 3.10 3.07 3.05 3.03 3.01 2.99 2.96
10 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98 2.94 2.91 2.89 2.86 2.85 2.83 2.80
11 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.85 2.82 2.79 2.76 2.74 2.72 2.70 2.67
12 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75 2.72 2.69 2.66 2.64 2.62 2.60 2.57
13 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71 2.67 2.63 2.60 2.58 2.55 2.53 2.51 2.48
14 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65 2.60 2.57 2.53 2.51 2.48 2.46 2.44 2.41
15 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59 2.54 2.51 2.48 2.45 2.42 2.40 2.38 2.35
TABLA F (Alfa 5%)

Num. 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 18
Denom.
16 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49 2.46 2.42 2.40 2.37 2.35 2.33 2.30
17 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49 2.45 2.41 2.38 2.35 2.33 2.31 2.29 2.26
18 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41 2.37 2.34 2.31 2.29 2.27 2.25 2.22
45 3.20 2.81 2.58 2.42 2.31 2.22 2.15 2.10 2.05 2.01 1.97 1.94 1.92 1.89 1.87 1.84
46 3.20 2.81 2.57 2.42 2.30 2.22 2.15 2.09 2.04 2.00 1.97 1.94 1.91 1.89 1.87 1.83
47 3.20 2.80 2.57 2.41 2.30 2.21 2.14 2.09 2.04 2.00 1.96 1.93 1.91 1.88 1.86 1.83
48 3.19 2.80 2.57 2.41 2.29 2.21 2.14 2.08 2.03 1.99 1.96 1.93 1.90 1.88 1.86 1.82
49 3.19 2.79 2.56 2.40 2.29 2.20 2.13 2.08 2.03 1.99 1.96 1.93 1.90 1.88 1.85 1.82
50 3.18 2.79 2.56 2.40 2.29 2.20 2.13 2.07 2.03 1.99 1.95 1.92 1.89 1.87 1.85 1.81
51 3.18 2.79 2.55 2.40 2.28 2.20 2.13 2.07 2.02 1.98 1.95 1.92 1.89 1.87 1.85 1.81
52 3.18 2.78 2.55 2.39 2.28 2.19 2.12 2.07 2.02 1.98 1.94 1.91 1.89 1.86 1.84 1.81
53 3.17 2.78 2.55 2.39 2.28 2.19 2.12 2.06 2.01 1.97 1.94 1.91 1.88 1.86 1.84 1.80
54 3.17 2.78 2.54 2.39 2.27 2.18 2.12 2.06 2.01 1.97 1.94 1.91 1.88 1.86 1.83 1.80
55 3.16 2.77 2.54 2.38 2.27 2.18 2.11 2.06 2.01 1.97 1.93 1.90 1.88 1.85 1.83 1.79
56 3.16 2.77 2.54 2.38 2.27 2.18 2.11 2.05 2.00 1.96 1.93 1.90 1.87 1.85 1.83 1.79
57 3.16 2.77 2.53 2.38 2.26 2.18 2.11 2.05 2.00 1.96 1.93 1.90 1.87 1.85 1.82 1.79
58 3.16 2.76 2.53 2.37 2.26 2.17 2.10 2.05 2.00 1.96 1.92 1.89 1.87 1.84 1.82 1.78
59 3.15 2.76 2.53 2.37 2.26 2.17 2.10 2.04 2.00 1.96 1.92 1.89 1.86 1.84 1.82 1.78
60 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04 1.99 1.95 1.92 1.89 1.86 1.84 1.82 1.778
TABLA NORMAL ESTANDAR N(0,1). AREA A LA DERECHA DE Z
Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.00 0.50000 0.49601 0.49202 0.48803 0.48405 0.48006 0.47608 0.47210 0.46812 0.46414
0.10 0.46017 0.45620 0.45224 0.44828 0.44433 0.44038 0.43644 0.43251 0.42858 0.42465
0.20 0.42074 0.41683 0.41294 0.40905 0.40517 0.40129 0.39743 0.39358 0.38974 0.38591
0.30 0.38209 0.37828 0.37448 0.37070 0.36693 0.36317 0.35942 0.35569 0.35197 0.34827
0.40 0.34458 0.34090 0.33724 0.33360 0.32997 0.32636 0.32276 0.31918 0.31561 0.31207
0.50 0.30854 0.30503 0.30153 0.29806 0.29460 0.29116 0.28774 0.28434 0.28096 0.27760
0.60 0.27425 0.27093 0.26763 0.26435 0.26109 0.25785 0.25463 0.25143 0.24825 0.24510
0.70 0.24196 0.23885 0.23576 0.23270 0.22965 0.22663 0.22363 0.22065 0.21770 0.21476
0.80 0.21186 0.20897 0.20611 0.20327 0.20045 0.19766 0.19489 0.19215 0.18943 0.18673
0.90 0.18406 0.18141 0.17879 0.17619 0.17361 0.17106 0.16853 0.16602 0.16354 0.16109
1.00 0.15866 0.15625 0.15386 0.15151 0.14917 0.14686 0.14457 0.14231 0.14007 0.13786
1.10 0.13567 0.13350 0.13136 0.12924 0.12714 0.12507 0.12302 0.12100 0.11900 0.11702
1.20 0.11507 0.11314 0.11123 0.10935 0.10749 0.10565 0.10383 0.10204 0.10027 0.09853
1.30 0.09680 0.09510 0.09342 0.09176 0.09012 0.08851 0.08691 0.08534 0.08379 0.08226
1.40 0.08076 0.07927 0.07780 0.07636 0.07493 0.07353 0.07214 0.07078 0.06944 0.06811
1.50 0.06681 0.06552 0.06426 0.06301 0.06178 0.06057 0.05938 0.05821 0.05705 0.05592
1.60 0.05480 0.05370 0.05262 0.05155 0.05050 0.04947 0.04846 0.04746 0.04648 0.04551
1.70 0.04457 0.04363 0.04272 0.04182 0.04093 0.04006 0.03920 0.03836 0.03754 0.03673
1.80 0.03593 0.03515 0.03438 0.03363 0.03288 0.03216 0.03144 0.03074 0.03005 0.02938
1.90 0.02872 0.02807 0.02743 0.02680 0.02619 0.02559 0.02500 0.02442 0.02385 0.02330
2.00 0.02275 0.02222 0.02169 0.02118 0.02068 0.02018 0.01970 0.01923 0.01876 0.01831
2.10 0.01786 0.01743 0.01700 0.01659 0.01618 0.01578 0.01539 0.01500 0.01463 0.01426
2.20 0.01390 0.01355 0.01321 0.01287 0.01255 0.01222 0.01191 0.01160 0.01130 0.01101
2.30 0.01072 0.01044 0.01017 0.00990 0.00964 0.00939 0.00914 0.00889 0.00866 0.00842
2.40 0.00820 0.00798 0.00776 0.00755 0.00734 0.00714 0.00695 0.00676 0.00657 0.00639
2.50 0.00621 0.00604 0.00587 0.00570 0.00554 0.00539 0.00523 0.00508 0.00494 0.00480
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
2.60 0.00466 0.00453 0.00440 0.00427 0.00415 0.00402 0.00391 0.00379 0.00368 0.00357
2.70 0.00347 0.00336 0.00326 0.00317 0.00307 0.00298 0.00289 0.00280 0.00272 0.00264
2.80 0.00256 0.00248 0.00240 0.00233 0.00226 0.00219 0.00212 0.00205 0.00199 0.00193
2.90 0.00187 0.00181 0.00175 0.00169 0.00164 0.00159 0.00154 0.00149 0.00144 0.00139
3.00 0.00135 0.00131 0.00126 0.00122 0.00118 0.00114 0.00111 0.00107 0.00103 0.00100
3.10 0.000968 0.000935 0.000904 0.000874 0.000845 0.000816 0.000789 0.000762 0.000736 0.000711
3.20 0.000687 0.000664 0.000641 0.000619 0.000598 0.000577 0.000557 0.000538 0.000519 0.000501
3.30 0.000483 0.000467 0.000450 0.000434 0.000419 0.000404 0.000390 0.000376 0.000362 0.000350
3.40 0.000337 0.000325 0.000313 0.000302 0.000291 0.000280 0.000270 0.000260 0.000251 0.000242
3.50 0.000233 0.000224 0.000216 0.000208 0.000200 0.000193 0.000186 0.000179 0.000172 0.000165
3.60 1.592E-04 1.532E-04 1.474E-04 1.418E-04 1.364E-04 1.312E-04 1.262E-04 1.214E-04 1.167E-04 1.123E-04
3.70 1.079E-04 1.038E-04 9.974E-05 9.587E-05 9.214E-05 8.855E-05 8.509E-05 8.175E-05 7.854E-05 7.545E-05
3.80 7.248E-05 6.961E-05 6.685E-05 6.420E-05 6.165E-05 5.919E-05 5.682E-05 5.455E-05 5.236E-05 5.025E-05
3.90 4.822E-05 4.627E-05 4.440E-05 4.260E-05 4.086E-05 3.920E-05 3.760E-05 3.606E-05 3.458E-05 3.316E-05
4.00 3.179E-05 3.048E-05 2.921E-05 2.800E-05 2.684E-05 2.572E-05 2.465E-05 2.362E-05 2.263E-05 2.168E-05
4.10 2.076E-05 1.989E-05 1.905E-05 1.824E-05 1.747E-05 1.672E-05 1.601E-05 1.533E-05 1.467E-05 1.404E-05
4.20 1.344E-05 1.286E-05 1.231E-05 1.177E-05 1.126E-05 1.077E-05 1.031E-05 9.857E-06 9.426E-06 9.014E-06
4.30 8.619E-06 8.240E-06 7.878E-06 7.530E-06 7.198E-06 6.879E-06 6.574E-06 6.282E-06 6.002E-06 5.734E-06
4.40 5.478E-06 5.233E-06 4.998E-06 4.773E-06 4.558E-06 4.353E-06 4.156E-06 3.968E-06 3.787E-06 3.615E-06
4.50 3.401E-06 3.243E-06 3.093E-06 2.949E-06 2.811E-06 2.680E-06 2.554E-06 2.434E-06 2.319E-06 2.209E-06
4.60 2.114E-06 2.014E-06 1.919E-06 1.827E-06 1.740E-06 1.657E-06 1.577E-06 1.501E-06 1.429E-06 1.359E-06
4.70 1.303E-06 1.240E-06 1.180E-06 1.123E-06 1.068E-06 1.016E-06 9.706E-07 9.230E-07 8.776E-07 8.343E-07
4.80 7.931E-07 7.567E-07 7.191E-07 6.834E-07 6.492E-07 6.167E-07 5.857E-07 5.582E-07 5.300E-07 5.032E-07
4.90 4.796E-07 4.553E-07 4.321E-07 4.100E-07 3.890E-07 3.719E-07 3.528E-07 3.346E-07 3.173E-07 3.009E-07
5.00 2.882E-07 2.733E-07 2.591E-07 2.455E-07 2.327E-07 2.224E-07 2.108E-07 1.997E-07 1.891E-07 1.791E-07
TABLA t de Student
Alfa 0.250 0.200 0.150 0.100 0.050 0.025 0.010 0.005 0.0005
gl
1 1.000 1.376 1.963 3.078 6.314 12.706 31.821 63.656 636.578
2 0.816 1.061 1.386 1.886 2.920 4.303 6.965 9.925 31.600
3 0.765 0.978 1.250 1.638 2.353 3.182 4.541 5.841 12.924
4 0.741 0.941 1.190 1.533 2.132 2.776 3.747 4.604 8.610
5 0.727 0.920 1.156 1.476 2.015 2.571 3.365 4.032 6.869
6 0.718 0.906 1.134 1.440 1.943 2.447 3.143 3.707 5.959
7 0.711 0.896 1.119 1.415 1.895 2.365 2.998 3.499 5.408
8 0.706 0.889 1.108 1.397 1.860 2.306 2.896 3.355 5.041
9 0.703 0.883 1.100 1.383 1.833 2.262 2.821 3.250 4.781
10 0.700 0.879 1.093 1.372 1.812 2.228 2.764 3.169 4.587
11 0.697 0.876 1.088 1.363 1.796 2.201 2.718 3.106 4.437
12 0.695 0.873 1.083 1.356 1.782 2.179 2.681 3.055 4.318
13 0.694 0.870 1.079 1.350 1.771 2.160 2.650 3.012 4.221
14 0.692 0.868 1.076 1.345 1.761 2.145 2.624 2.977 4.140
15 0.691 0.866 1.074 1.341 1.753 2.131 2.602 2.947 4.073
16 0.690 0.865 1.071 1.337 1.746 2.120 2.583 2.921 4.015
17 0.689 0.863 1.069 1.333 1.740 2.110 2.567 2.898 3.965
18 0.688 0.862 1.067 1.330 1.734 2.101 2.552 2.878 3.922
19 0.688 0.861 1.066 1.328 1.729 2.093 2.539 2.861 3.883
20 0.687 0.860 1.064 1.325 1.725 2.086 2.528 2.845 3.850
21 0.686 0.859 1.063 1.323 1.721 2.080 2.518 2.831 3.819
22 0.686 0.858 1.061 1.321 1.717 2.074 2.508 2.819 3.792
23 0.685 0.858 1.060 1.319 1.714 2.069 2.500 2.807 3.768
24 0.685 0.857 1.059 1.318 1.711 2.064 2.492 2.797 3.745
25 0.684 0.856 1.058 1.316 1.708 2.060 2.485 2.787 3.725
SOLUCIONES
Ejercicio
Y= Distancia a la pared
Posición Tipo y Distancia de

del tirador Fuerza tamaño de Práctica lanzamiento
del tiro moneda del tirador
Y= f(x1,x2,x3,x4,x5)
Describir el proceso: lanzamiento de monedas
Seleccionar Colocarse Lanzar

Inicio
moneda en posición moneda
Medir
distancia
1 Seleccionar moneda Tamaño y peso de la moneda

2 Colocarse en pos. Posición, distancia de la línea
3 Lanzar moneda Ángulo, fuerza, velocidad

4 Medir distancia Estabilidad y capacidad del sistema de medición
Ejercicio de RR
PROMEDIO DE LA 19.6667 22.6667 21.1667 26.1667 20.0000 Rp

PIEZA (Xbp) 6.5000
Rb (OP)= 0.8000 r= No.répl= 2 p=No.op= 3 Xbb= 21.9333
Xbdiff=MAX(Xb)-MIN(Xb)= 2.4000 D4= 3.27 A2= 1.88
n=No. piezas= 5 Xb fuera 11
LSC(R)=D4(Rb)= 2.6160 D4=3.27 y A2=1.88 para 2 réplicas No. pts 15
LIC(R)=0 D4=2.58 y A2=1.023 para 3 réplicas 73.33 % de los puntos están
LIC(Xb)=Xbb-A2Rb= 20.4293 LSC(Xb)=Xbb+A2Rb= 23.4373 fuera de los límites de medias.
LSC(R) representa el límite para rangos individuales. Más de la mitad indica la capacidad del
Señalar los valores que exceden este límite y volver a realizar dichas mediciones. instrumento para detectar la variación.
No. de parte No. del calibrador
Nombre de la parte x Nombre del calibrador
Característica x Tipo de calibrador
Especificación 20-30 Tol/6= 1.6666
VARIACION DEL EQUIPO (REPETIBILIDAD) VARIACION DEL EQUIPO (REPETIBILIDAD) EN % Si se conoce la variación del
VE=Rb*k1= 0.7090 k1= 0.8862 VE(%)=100(VE/TOT)= 23.78 lugar de TOT haciendo
k2= 0.5231 TOT=6sigma/6. Si se quiere
k1=0.8862, r=2 k3= 0.403 VE(%)=100(VE/TOL)= 42.54 usar la tolerancia, poner
k1=0.5908, r=3 k1=Inverso de d2 usando m=r TOL=tolerancia/6
VARIACION DE OPERADORES (REPRODUCIBILIDAD) VARIACION DE OPERADORES (REPRODUCIBILIDAD) EN %
VO=Raíz(((Xbdiff)(k2))^2-(VE^2/nr))= 1.2353 VO(%)=100(VO/TOT)= 41.43 Generalmente se usa
Si VO es negativo dentro de la raíz, hacer VO=0. TOT para el control del
k2=0.7071 p=2 operad. VO(%)=100(VO/TOL)= 74.12 proceso y TOL para el
k2=0.5231 p=3 operad. k2=Inverso de d2*, m=p, g=1 control del producto
REPETIBILIDAD Y REPRODUCIBILIDAD REPETIBILIDAD Y REPRODUCIBILIDAD EN %

RR=Raíz(VE^2+VO^2)= 1.4243 RR(%)=100(RR/TOT)= 47.77
n k3 RR(%)=100(RR/TOL)= 85.46
VARIACION DE PIEZAS (VP) 2 0.7071 VARIACIONDE PIEZAS EN %
VP=(Rp)(k3)= 2.6195 3 0.5231 VP(%)=100(VP/TOT)= 87.85
k3=Inverso de d2*, m=n, g=1 4 0.4467 VP(%)=100(VP/TOL)= 157.18
VARIACION TOTAL (TOT) 5 0.4030 NOTAS RR(%) menor a 10, ok. Entre 10 y 30 depende de la aplicación.
6 0.3742 Mayor a 30 necesita calibrarse.
TOT=Raíz(RR^2+VP^2)= 2.9817 7 0.3534 DISCRIMINACION
8 0.3375
9 0.3249 1.41*(VP/RR)= 2.593 Mayor o igual a 5 es aceptable.
10 0.3146 (si r=2, 4 ó más es aceptable)
Gage R&R Study - XBar/R Method
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 2.01444 22.68
Repeatability 0.48393 5.45
Reproducibility 1.53051 17.23
Part-To-Part 6.86947 77.32
Total Variation 8.88391 100.00
Study Var %Study Var %Tolerance

Source StdDev (SD) (6 * SD) (%SV) (SV/Toler)
Total Gage R&R 1.41931 8.5159 47.62 85.16
Repeatability 0.69565 4.1739 23.34 41.74
Reproducibility 1.23714 7.4228 41.51 74.23
Part-To-Part 2.62097 15.7258 87.93 157.26
Total Variation 2.98059 17.8835 100.00 178.84
Number of Distinct Categories = 2

Gage R&R (Xbar/R) for Valor

Reported by :
G age name: Tolerance:
Date of study : M isc:
Xbar Chart by Operario

1 2 3
28
Sample Mean
24
UCL=23.44
_
_
X=21.93
20 LC L=20.43
R Chart by Operario
1 2 3
3
UCL=2.614
Sample Range
1 _
R=0.8
0 LC L=0
Attribute Agreement Analysis for Evaluación

Within Appraisers

1 8 7 87.50 (47.35, 99.68)
2 8 7 87.50 (47.35, 99.68)
# Matched: Appraiser agrees with him/herself across trials.
Each Appraiser vs Standard

1 8 6 75.00 (34.91, 96.81)
2 8 5 62.50 (24.49, 91.48)
# Matched: Appraiser's assessment across trials agrees with the

known standard.
Assessment Disagreement
Appraiser # ND / D Percent # D / ND Percent # Mixed Percent

1 0 0.00 1 20.00 1 12.50
2 1 33.33 1 20.00 1 12.50
# ND / D: Assessments across trials = ND / standard = D.

# D / ND: Assessments across trials = D / standard = ND.
# Mixed: Assessments across trials are not identical.
Between Appraisers
8 5 62.50 (24.49, 91.48)
# Matched: All appraisers' assessments agree with each other.
All Appraisers vs Standard

8 4 50.00 (15.70, 84.30)
# Matched: All appraisers' assessments agree with the known
standard.
Para este ejercicio,

1 6 0 6 3 7 10
0.00% 30.0%
2 4 2 6 3 7 10
33.3% 30.0%

1 75 0 30 Inaceptable
2 62.5 33.33 30 Inaceptable

Anova: Temperatura vs. Densidad
One-Way Analysis of Variance
Analysis of Variance for DENS

Source DF SS MS F P
TEMP 3 13.61 4.54 1.33 0.331
Error 8 27.30 3.41
Total 11 40.91
La temperatura no afecta la densidad de la aleación

Multi-Vari Chart for Planicidad By Molde - Réplica

Cavidad
Molde
4
2
3
1
2
3
30
Planicidad
20
10
0
1 2
Réplica
La cavidad 1 es consistentemente peor que las demás cavidades.
El molde 3 presenta mejores valores de planicidad.
Existe diferencia entre los valores de las dos réplicas.
Multi-Vari Chart for Planicidad By Réplica - Cavidad

Molde
Réplica
3
2
1
30
Planicidad
20
10
0
1 2 3 4
Cavidad
Además de lo señalado en la gráfica anterior, existe menos variación

entre las réplicas en el molde 3.
I Chart f or Interpretación
7
3.0SL=6.883
2 2.0SL=6.225
6 2
Individual Value
1.0SL=5.567
2
5 Mean=4.908
-1.0SL=4.250
4
-2.0SL=3.592
3 -3.0SL=2.933
0 10 20 30 40 50 60
Observation Number
2: corrida
Solución a los ejercicios gráficos de capacidad
Cp=2 Cpk=0
Cp=1 Cpk= -1
Cp=Cpk=0.5
Cp=2 Cpk= -1
Preparación de café
2 95
YFT= 95/97=0.9794 dpu=(2/97)=0.020619
Poner el
café dpmo=(0.020619/1)(106)=20,619
97
2 0.020619/1=0.020619=2.06(10-2). Z=2.04
4 93 YFT= 93/94=0.9894 dpu=(1/94)=0.010638

Encender
la cafetera dpmo=(0.010638/1)(106)=10,638
94
0.010638/1=0.010638=1.06(10-2). Z=2.30
1
Resumen del análisis (Preparación de café)

Caract. Defectos Unidades Oport. Tot. Oport. dpu dpo dpmo dpmu Z Zshift
1 5 100 2 200 0.050 0.025000 25000 50000 1.96 3.46
2 2 97 1 97 0.021 0.020619 20619 20619 2.04 3.54
3 2 95 1 95 0.021 0.021053 21053 21053 2.03 3.53
4 1 94 1 94 0.011 0.010638 10638 10638 2.30 3.80
5 0 93 2 186 0.000 0.000000 0 0 4.50 6.00
6 2 93 2 186 0.022 0.010753 10753 21505 2.30 3.80
TOTAL 12 9 858 0.013986 13986 123815 2.20 3.70
Suma
Zshift=1.5 es el factor de corrección para tener el equivalente a un
estudio a corto plazo.
Total dpo=Total de defectos/Total de oportunidades.
El número de defectos por millón de oportunidades (dpmo) de todo el

proceso es (Total dpo)(106)=13,986 y corresponde a un nivel de 2.20
sigma.
Diagrama de dispersión Temperatura vs. Dureza
4.5
3.5
DUREZA
2.5
1.5
390 395 400

TEMP
Relación directa y fuerte
AMEF
Descripción del Modo de Efecto(s) S C Causa(s)/
Propósito s Potenciales
Ajustar Hora incorrecta No despertarse a 8 Confusión de

despertador hora
No activar alarma tiempo
Olvido
Quedarse dormido
Levantarse No levantarse al oir No llegar a tiempo 8 Desvelado
la alarma, Enfermo
O Controles D R Acciones Responsabilidad

r (Prevención y e Terminación
r Detección) c
5 Verificación visual 4 160 Pedir a otra persona
que lo valide
2 Ajustar al llegar a casa 4 64
3 No aceptar 4 96
compromisos entre
semana
4 Cambiar marca de
Tomar vitaminas 4 128 vitaminas

LSSI Yellow Belt e Book PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

LSSI Yellow Belt e Book PDF

Cargado por

Copyright:

Formatos disponibles

LEAN S IX S IGMA IN S TITUTE

Certificación “Yellow Belt”

•Describir la estrategia de mejoramiento Seis Sigma

una filosofía de trabajo, y

Como métrica, Seis-Sigma representa una manera de

Como filosofía de trabajo, Seis-Sigma significa

Como meta, un proceso con nivel de calidad Seis-Sigma

SEIS SIGMA es una ESTRATEGIA

Otros significados de niveles Sigma

Sigma PPM Costo de calidad Clasificación No. palabras equivocadas

Harry (1998) y McFadden (1993)

“Seis-Sigma significa mejorar procesos por medio

Significado práctico de 99% bueno (EUA)

•20,000 artículos perdidos en el correo cada hora.

Definición clásica de calidad

Cumplimiento de las especificaciones para lograr la

Definición moderna de calidad

Uniformidad de los valores alrededor del objetivo.

Significado gráfico de Seis Sigma

Seis Sigma (proceso centrado)

Seis Sigma (proceso no-centrado)

− 6σ -1.5σ 0 1.5σ 4.5σ 6σ

Importancia de la Variación y Centrado

Evaluación del trato en un banco en 8 ocasiones:

Se prefiere UNIFORMIDAD, pero además,

Dinámica: lanzamiento de monedas

2 tiradores (turnos) simulando la característica

Cada tirador realiza 15 lanzamientos y se

Graficar las distancias y calcular promedio y

Specs: 0-20 cms. (objetivo=0)

¿Cuál turno (lanzador) es mejor?

Comité directivo de Seis Sigma: formado por el

Campeones: directores de área quienes proveen

Maestros Cintas Negras (Master Black Belts): personal

Cintas Negras (Black Belts): personal con las habilidades

Cintas Verdes (Green Belts): personal enfocado a sus

Se recomienda además crear el puesto de Director de

Cintas Amarillas (Yellow Belts):

Cintas Blancas (White Belts):

1 Black-Belt/$10M USD (**)

1 Master Black-Belt/10 Black-Belts (***)

$175,000 USD promedio/proyecto BB (*)

5-6 proyectos/año (*)

(*) Harry, 1998. (**) Munro, 2000. (***) Lynch et al (2003)

General Electric—6.6 billones USD en 2000

AlliedSignal—1.2 billones en costos directos en 4 años

Asea Brown Boveri—0.9 billones USD/año durante 2 años

Metas de Dow Chemical—1.5 billones USD en 2003

“Seis Sigma es una de las más potentes

Participación directa y liderazgo del CEO

Evaluación, Vo.Bo. y seguimiento por Finanzas

Integración de técnicas existentes en una metodología

Evaluación del desempeño individual

Aplicación inmediata de la metodología a proyectos

Áreas de manufactura y administrativas

(*)DMAIC: Definir, Mejorar, Analizar, Mejorar(Improve), Controlar

Modificado de Zinkgraf y Snee (1999)

Clarificar la situación usando el plan estratégico y el

• Asegurar el adecuado liderazgo y adueñarse de la

• Asegurar que los recursos de apoyo necesarios

Problema Práctico Problema Estadístico

Solución Práctica Solución Estadística

Controlar Establecer Controles para las Xs

() Harry, 1998. () Munro, 2000. () Lynch et al (2003)