Tesis Luis Ros

Aplicación de la metodología Seis Sigma en la mejora del desempeño de procesos en una planta de
manufactura de Cables Telefónicos
Maestría en Ingeniería de Calidad
TESIS QUE PRESENTA
LUIS ROSETE
PARA LA OBTENCIÓN DEL GRADO DE MAESTRO EN INGENIERÍA DE

CALIDAD.
“APLICACIÓN DE LA METODOLOGÍA SEIS SIGMA EN LA MEJORA DEL

DESEMPEÑO DE PROCESOS DE UNA PLANTA DE MANUFACTURA DE
CABLES TELEFÓNICOS”
ASESOR: DR. PRIMITIVO REYES AGUILAR
Página 1
INDICE
Introducción
Antecedentes
Justificación
Ventajas de Seis Sigma vs Calidad Total
Ventajas de Calidad Total vs Seis Sigma
Desventajas del aseguramiento de calidad vs Seis Sigma
Objetivos
Alcance y trascendencia
Planteamiento del problema
Capitulo 1. Introducción a la metodología Seis Sigma
1.1 La métrica de Seis Sigma

1.2 Mediciones para Seis Sigma
1.3 Cálculo de Sigmas del proceso
1.4 Diez pasos de Motorota para la mejora de procesos
1.5 Las Fases DMAIC de Seis Sigma
Capitulo 2. Fase de Definición
2.1 Propósito
2.2 Etapas de la fase de Definición
Capitulo 3. Fase de Medición
3.1 Introducción
3.2 Etapas de la fase de Medición
3.3 Estadística básica para la fase de Medición
3.4 Herramientas para la solución de problemas
3.5 Estudios de capacidad de sistemas de medición (R&R)
3.6 La distribución normal
3.7 Capacidad de procesos normales
3.8 Capacidad de procesos no normales
Capitulo 4. Fase de Análisis
4.1 Introducción
4.2 Etapas de la fase de Análisis
4.3 Regresión lineal
Página 2
4.4 Cartas Multi Vari

4.5 Pruebas de Hipótesis de una población
4.6 Pruebas de Hipótesis de dos poblaciones
4.7 Análisis de Varianza de una vía (ANOVA)
Capitulo 5. Fase de Mejora
5.1 Introducción
5.2 Etapas de la fase de Mejora
5.3 Diseño de experimentos factoriales
5.4 El diseño factorial 2K
Capitulo 6. Fase de Control
6.1 Introducción
6.2 Etapas de la fase de Control
6.4 Cartas de control
6.5 Dispositivos A Prueba de Error
Capítulo 7. Características de la empresa GCLA
7.1 Perfil de la empresa

7.2 General Cable de Latinoamérica
7.3 Certificación ISO 9000
CAPITULO 8. Caso practico de aplicación de la metodología Seis Sigma

en la mejora del desempeño de los procesos de la empresa GCLA
8.1 Resumen ejecutivo
8.2 Inicio del proyecto
8.3 Metodología DMAIC
8.4 Evaluación de beneficios
8.5 Contrato del proyecto
8.6 Resumen de herramientas
8.7 Resumen de problemas encontrados
8.8 Planes futuros
Conclusiones y recomendaciones
Bibliografía
Página 3
INTRODUCCIÓN
ANTECEDENTES
Actualmente, uno de los mayores problemas que enfrentan las

empresas es el de la fuerte competencia dentro de cada mercado a
nivel local y global.
Las organizaciones que diseñan productos, organizaciones de

manufactura u organizaciones de servicios, tienen que ser cada vez
más eficientes y productivas dadas las tendencias de incremento de
competencia en el mercado global. De tal manera que deben crear una
cadena de valor que logre satisfacer ampliamente las necesidades de los
consumidores, con mayor calidad, en menos tiempo, y al menor costo
posible.
Los diseñadores de producto, tienen el reto de innovar en el menor

tiempo posible para lanzar nuevos productos rápidamente, a pesar de
que los productos sean complejos. Las áreas de manufactura
experimentan retos fuertes al tener que fabricar mayores volúmenes de
producción, con menos recursos. Las áreas de servicio, tienen que
reducir al máximo sus tiempos de entrega para lograr la satisfacción de
los clientes.
Las organizaciones llevan a cabo una gran variedad de procesos

mediante los cuales logran la transformación. En estos procesos la
"variación" es un factor muy importante a controlar. El concepto de
variación establece que no existen dos artículos que sean perfectamente
iguales, es un fenómeno de la naturaleza y un hecho en el entorno de
Página 4
cualquier tipo de organización, por ejemplo las dimensiones del

diámetro de cables telefónicos; el contenido de los refrescos varía de
una botella a otra; el tiempo requerido para asignar un asiento en el
mostrador de registro de una línea aérea varía de un pasajero a otro. Si
se ignora la existencia de esta variación (o se racionaliza en forma falsa
que es pequeña) se puede llegar a tomar decisiones incorrectas sobre
problemas importantes, impactando la calidad de los productos.
A lo largo del tiempo las técnicas para mejorar la calidad han ido
evolucionando; en un principio la calidad se controlaba mediante
inspecciones finales de los productos (siglo XIX), los que estaban
dentro del rango de especificaciones se aceptaban, los que no se
rechazaban teniendo que ser reprocesados o desechados.
Este sistema tiene dos riesgos: el primero es tener que estar

reprocesando gran cantidad de artículos defectuosos y el segundo es
que a pesar de la inspección por muy rigurosa que sea, pueden llegar
productos en mal estado a las manos del consumidor final debido a que
la inspección final de manera visual no es confiable. En este caso la
probabilidad de incurrir en costos de fallas internas y externas es muy
alto.
Para subsanar las pérdidas económicas que generaban estos

desperdicios y en el afán por mejorar la calidad surgen nuevas ideas y
metodologías.
Durante la Segunda Guerra Mundial Walter Shewhart y Dodge Romig en

la Western Electric de la Bell Telephone desarrollaron el Control
Estadístico de Procesos (CEP), enfocado al control de los procesos y
Página 5
la aplicación de métodos estadísticos para la reducción de la variación y

los niveles de inspección.
En la década de los cincuenta surge el Aseguramiento de la Calidad,

en el Departamento de Defensa de los EUA y en Gran Bretaña, en ésta
época se detecta la necesidad de involucrar a todos los departamentos
de la organización en el diseño, planeación y ejecución de políticas de
calidad.
En la década de los noventa surge la Administración Estratégica por

Calidad Total, con enfoque al mercado y a la satisfacción de las
necesidades del consumidor, reconociendo el efecto estratégico de la
calidad en el proceso de competitividad.
A principios de los noventa en Motorota, Inc., de EUA se desarrolla el

sistema denominado SEIS SIGMA (SIX SIGMA) el cual consta de una
metodología para la solución de problemas, basándose principalmente
en la aplicación de técnicas estadísticas para reducir la variación al
máximo.
La metodología SEIS SIGMA, engloba técnicas de Control Estadístico de

Procesos, Despliegue de la función de calidad (QFD), Ingeniería de
calidad de Taguchi, Benchmarking, entre otras; siendo una sólida
alternativa para mejorar los procesos y por lo tanto, lograr la
satisfacción de los clientes.
Entre las principales ventajas que presenta esta metodología se

encuentran las siguientes: contiene una serie de pasos generales para
llevar a cabo la implementación en cualquier tipo de empresa, las
herramientas que la conforman pueden ser utilizadas por usuarios de
Página 6
diferentes disciplinas y niveles dentro de la organización; representa un

desafío para las empresas que lo llevan a cabo ya que la meta es
alcanzar un nivel de variación “mínimo”, como sigue.
El término SIGMA es una letra del alfabeto griego (  ) utilizado para

describir variabilidad, la medida que comúnmente se utiliza es: defectos
por unidad. Un nivel de calidad sigma "Alto" significa que los defectos
tienen menores posibilidades de ocurrir, mientras que uno "Bajo",
tendrá mayores probabilidades de estar presente. El nivel Seis Sigma
significa que se encontrarán únicamente 3.4 defectos por cada millón
de unidades producidas considerando la capacidad de los procesos en
el largo plazo.
La metodología Seis Sigma involucra una medida, para determinar el

grado en que los diferentes procesos alcanzan sus metas, además de
ofrecer una gran variedad de estrategias para realizar las mejoras
correspondientes.
La aplicación de las técnicas a todas las funciones de la empresa,

conlleva a un alto nivel de calidad a bajos costos y con una reducción en
los tiempos de ciclo; resultando en una gran rentabilidad y ventaja
competitiva.
Es importante que la administración se enfoque a los problemas que

están ocultos, por ejemplo: las horas extra para corregir errores, errores
en documentación, exceso de inventario y no solamente a los que saltan
a la vista, por ejemplo: los reprocesos, rechazos, reclamaciones por
parte de los clientes. Es importante tener una visión clara y un plan
perfectamente bien definido para alcanzar el éxito al implementar
proyectos de mejora.
Página 7
Seis Sigma es una “estrategia de negocios” iniciada por la empresa

estadounidense Motorola, a principios de los años 90's. Asimismo,
General Electric, Sony, y Allied Signal, realizaron la implementación de
la misma obteniendo grandes beneficios. Actualmente, el uso de esta
metodología esta siendo ampliamente difundida.
La estrategia Seis Sigma incluye el uso de herramientas estadísticas

dentro de una metodología estructurada incrementando el conocimiento
necesario para lograr de una mejor manera, más rápido y al más bajo
costo, productos y servicios que la competencia.
Se caracteriza por la continua y disciplinada aplicación de una estrategia

maestra "proyecto por proyecto" tal como lo recomienda Joseph Juran
en su trilogía de la calidad, donde los proyectos son seleccionados
mediante estrategias clave de negocios, lo cual conduce a recuperar la
inversión realizada y obtener mayores márgenes de utilidad. La gente
que coordina los proyectos de Seis Sigma son comúnmente llamados:
BlackBelts1, Green Belts, etc.
Para aplicar la filosofía Seis Sigma dentro de una organización implica

"Cambiar la cultura de la organización", ya que se fomenta el
trabajo en equipo para la solución de problemas, se mejoran la
comunicación, y aumenta el grado de confianza y seguridad en los
individuos para realizar el trabajo, de esta manera se rompe la
resistencia al cambio para poder ser más agresivos y alcanzar metas
cada vez más desafiantes.
1
Black Belt es nombre registrado por Motorola Inc. en U.S.A
Página 8
Como ejemplos de los beneficios que han obtenido algunas empresas

que han utilizado la metodología Seis Sigma tenemos los siguientes:
 En la división de Sistemas Médicos de GE -General Electric-, la

implementación produjo que se incrementara diez veces la vida de
un scanner de rayos-x, aumentando el grado de confiabilidad y
rentabilidad de el equipo, así como el nivel de cuidado a los pacientes
proporcionado por los hospitales y otros proveedores médicos.
 En el negocio de plásticos de GE después de un riguroso esfuerzo del

equipo de trabajo, se ganaron trescientos millones de libras en
capacidad (peso), equivalente a una nueva planta, se ahorraron $400
millones de dólares tan solo en inversión.
 Lockheed Martin gastaba un promedio de doscientas horas de

trabajo tratando de fabricar una parte para que el tren de aterrizaje
de un jet ajustará correctamente. El personal realizó grandes
aportaciones de ideas durante mucho tiempo, sin embargo el
problema no se solucionaba. La disciplina estadística Seis Sigma
descubrió una parte que se desviaba por una milésima de pulgada.
Ahora que se corrigió el problema la compañía ahorra $14,000
dólares por cada jet fabricado.
JUSTIFICACION
Seis Sigma es una sólida alternativa para incrementar la calidad de los

productos y servicios, dando mayor rentabilidad, esta metodología está
enfocada a todas las áreas que componen una empresa y no solamente
a un departamento específico de calidad. La bibliografía con la que se
Página 9
cuenta actualmente es demasiado compleja y el lenguaje en algunos

casos resulta difícil para el usuario, por los términos y conceptos de
estadística avanzada. Por lo anterior se pretende mostrar la aplicación
de esta metodología en un caso práctico de proyecto de mejora, donde
en forma clara se describan los pasos a seguir con la metodología SEIS
SIGMA.
A continuación se mencionan las ventajas que tiene la implementación

de un sistema Seis Sigma en comparación con otros Sistemas de
Calidad:
Ventajas Seis Sigma vs. Calidad Total
 Mayor uso de técnicas estadísticas en la implementación de

 Las técnicas estadísticas son más fáciles de comprender y de
seleccionar ya que utiliza un lenguaje más digerible para la
mayoría de los usuarios.
 Utilización de reportes de Confiabilidad para la selección de
 La selección de los equipos de mejora y entrenamiento son más
robustos ya que es conducida a través de grupos de gente que
poseen el conocimiento, experiencia, disciplina técnica, liderazgo y
conocimientos en el área específica. (Champions, Black Belts,
Green Belts, etc.)
 Análisis de los sistemas de medición (calibración), como parte de
la metodología.
 Análisis de los proceso críticos mediante las técnicas de Diseño de
experimentos y Superficie de respuesta.
Página 10
 Para la implementación y control de la condiciones óptimas del

proceso se utiliza en gran medida el Diseño de experimentos, CEP
y Superficie de respuesta.
 Realiza estudios de la capacidad del proceso, cuando los índices
cp  2.0 y cpk  1.5 , se tiene un buen indicador de que se está
logrando el nivel Seis Sigma.

 Garantiza el cumplimiento mediante muestreos aleatorios.
 Los objetivos son medidos mediante el logro de la métrica 6 , y
las utilidades que genera cada proyecto.
 Seis Sigma tiene mayor integración con las estrategias clave de
negocio y desempeño.
 El liderazgo en Seis Sigma se da desde la dirección, mientras que
en los sistemas de Calidad se ha mostrado mayor escepticismo
por parte de la administración.
 Uno de los mayores beneficios que tiene Seis Sigma es que
rompe las barreras entre departamentos utilizando la
administración de procesos “Cross Functional”.
Ventajas Calidad Total vs. Seis Sigma
 Realiza un diagnostico operativo y cultural en la empresa antes de

llevar a cabo la implementación del sistema.
 Propone el desarrollo de políticas de calidad las cuales deben de
ser son congruentes con los planes estratégicos de la empresa.
 Dicta procedimientos de entrenamiento, educación y
reconocimiento a los logros de calidad (mayor administración del
recurso humano).
Página 11
 Propone el uso de un sistema de Aseguramiento de Calidad, el

cual proporciona la certeza de que el resultado del proceso
productivo tendrá los niveles de calidad deseados.
 Desarrollo de círculos de calidad mediante los cuales se forman
grupos voluntarios de trabajadores para discutir temas
relacionados con la calidad, fortaleciendo la actitud de los
trabajadores hacia el trabajo.
Desventajas de los sistemas de Aseguramiento de Calidad vs.

Seis Sigma
 El sistema de comunicación es lento.

 La calidad depende de las inspecciones que realiza el
departamento de Aseguramiento de calidad.
 Cuando un auditor descubre oportunidades de mejora, pueden
existir fricciones entre los administradores de línea y en ocasiones
las recomendaciones no se llevan a cabo.
 Los auditores son los únicos que hacen llegar disconformidades a
la alta gerencia.
 El seguimiento de las recomendaciones corresponde
exclusivamente al departamento de auditoria y en ocasiones no se
involucra a la alta administración.
 Cuando las auditorias son anunciadas (que sucede en la mayoría
de los casos), los departamentos auditados se dedican a maquillar
y ocultar datos y evidencias.
 Al llevar a cabo una auditoria es frecuente que las relaciones
humanas sean bastante tensas.
Página 12
Cabe mencionar que el sistema Seis Sigma, se considerará el sistema

principal para quien pretenda implementarlo sin embargo no es posible
prescindir del uso de otros sistemas considerados como
complementarios. Los principios que enuncian estos sistemas
complementarios son fundamentales para el buen funcionamiento de
una empresa y por tanto la satisfacción de los clientes.
OBJETIVOS
Objetivo general:
El objetivo general de esta tesis es el desarrollo de un caso práctico de
aplicación de la metodología SEIS SIGMA que muestre en forma clara y
concisa los pasos a seguir; servirá como una guía que facilita la
comprensión de aplicación de los diferentes métodos y herramientas
estadísticas para la mejora de la calidad.
Objetivos específicos:
 Mostrar como se pueden utilizar paquetes estadísticos para reducir el

tiempo de desarrollo de los proyectos.
 Se pretende que este trabajo sea una guía, tanto para la capacitación
como para la consulta, de todos aquellos que lleven a cabo la
implementación de proyectos de mejora bajo la metodología Seis
Sigma.
 Implementar en las empresas sistemas de calidad basados en la

metodología Seis Sigma.
Página 13
ALCANCE Y TRASCENDENCIA
Esta guía está dirigida a aquellas personas que tienen la labor de

implementar sistemas de calidad y realizar proyectos de mejora,
basándose en la metodología Seis Sigma, minimizando la necesidad de
comprender las deducciones de los métodos estadísticos avanzados,
concentrándose sólo en su aplicación e interpretación.
Será posible que aquellas personas de otras disciplinas o con poca

instrucción puedan familiarizarse con la aplicación de los métodos
estadísticos para mejorar de la calidad en cualquier empresa,
aumentando los niveles de competitividad y la rentabilidad por lo cual la
trascendencia tiene impacto positivo y beneficios para la sociedad.
PLANTEAMIENTO DEL PROBLEMA
El uso de la Estadística para el mejoramiento de la calidad en la mayoría

de los casos no ha sido difundido a todas las áreas de las empresas,
principalmente por que no se conocen los beneficios que se pueden
obtener, en el manejo y análisis de información y porque existe una
cantidad de deducciones y fórmulas matemáticas, que solo conocen
aquellas personas que son especialistas en el área.
La mayoría de los ingenieros se han enfocado en aspectos meramente

técnicos, dejando a un lado las técnicas de medición y análisis de
información proporcionados por la Estadística., siendo que en la
mayoría de las veces los problemas pueden ser resueltos mediante la
ayuda de dichas técnicas.
Página 14
Dentro de una organización existen personas con diferentes perfiles y

diferentes niveles de conocimiento, lo que dificulta la transferencia de
las herramientas.
Para lograr la adecuada implementación de Seis Sigma se propone que

este trabajo sea una guía que describa paso a paso la aplicación de la
metodología Seis Sigma en el mejoramiento de la calidad de los
productos. Es importante que la implementación de Seis Sigma sea
realizada por personas que posean liderazgo y adecuado conocimiento
del tema, además de poder conducir equipos de trabajo y administrar
proyectos.
Página 15
CAPITULO 1. INTRODUCCION A LA METODOLOGÍA SEIS

SIGMA
1.1 La métrica de Seis Sigma
El nivel sigma, es utilizado comúnmente como medida dentro de el

Programa Seis Sigma, incluyendo los cambios o movimientos “típicos”
de  1.5 de la media (concepto que será explicado más adelante). Las
relaciones de los diferentes niveles de calidad sigma no son lineales, ya
que para pasar de un nivel de calidad a otro, el porcentaje de mejora
del nivel de calidad que se tiene que realizar no es el mismo, cuando
avanzamos a un nivel mayor el porcentaje de mejora será más grande.
La tabla muestra el porcentaje de mejora requerido para cambiar de un

nivel sigma a otro mayor.
Nivel actual Cambio Porcentaje de mejora

requerido
3 4 10x
4 5 30x
5 6 40x
Realizando un comparativo de el nivel de calidad sigma de varias

empresas se determinó que el promedio de estas se encuentra en el
nivel 4 , Las empresas con nivel 6 son denominadas de “Clase
Mundial” (World Class). El objetivo de la implementación Seis Sigma es
precisamente convertirse en una empresa de Clase Mundial.
Página 16
En la figura se muestra el concepto básico de la métrica de Seis Sigma,

en donde las partes deben de ser manufacturadas consistentemente y
estar dentro del rango de especificaciones.
La distribución normal muestra los parámetros de los niveles tres sigma

y seis sigma.
Figura 1.1. La figura muestra el número de partes por millón (ppm) que estarían
fuera de los limites de especificación tomando como límite el valor de cada desviación
2
estándar.
2
Forrest W. Breyfogle III, Implementing Six Sigma, John Wiley & Sons Inc. pp. 9
Página 17
LSL USL
 6  5  4  3  2  1 X  1  2  3  4  5  6
Figura 1.2. Distribución normal centrada.
Límite deespecificación Porcentaje Defectos ppm

1 68.27 317,300
2 95.45 45,500
3 99.73 2,700
4 99.9937 63
5 99.999943 0.57
6 99.9999998 0.002
Con la distribución normal centrada dentro de los límites Seis Sigma , se

tendría únicamente una porción de .002 ppm.3
Para compensar las inevitables consecuencias de los errores de centrado

de procesos, la media de la distribución se desplazamiento  1.5
(Según Motorola y Juran, no necesariamente aplica para cualquier

empresa). Este ajuste proporciona una idea más realista de la
capacidad del proceso a través de varios ciclos de manufactura.
3
Forrest W. Breyfogle III, Implementing Six Sigma, John Wiley & Sons Inc. pp. 9
Página 18
El desplazamiento puede ser en dirección positiva o negativa, pero

nunca en ambas direcciones4
LSL USL
 6  5  4  3  2  1 X  1  2  3  4  5  6
Figura 1.3 Distribución normal descentrada 1.5 
Una medida que describe el grado en el cual el proceso cumple con los
requerimientos es la capacidad del proceso. Los índices utilizados son
Cp y Cpk, Un nivel Seis Sigma tiene la habilidad de lograr índices de 2.0 y
1.5 respectivamente. Para lograr esta capacidad la meta a alcanzar de
un programa Seis Sigma es producir al menos 99.99966% de calidad,
no más de 3.4 defectos en un millón de piezas producidas en el largo
plazo.
4
Análisis y planeación de la calidad, J.M. Jurán Mc. Graw Hill, 1995 pp. 397
Página 19
Límite de es pecificación P orcentaje Defectos ppm

30.23 697,700
 1
69.13 308,700
 2
93.32 66,810
 3
99.379 6,210
 4
99.9767 233
 5
99.99966 3.4
 6
Tabla 1.1 Porcentajes y cantidad de defectos a los que corresponden los

diferentes niveles “Sigma”
1.2 Mediciones para Seis Sigma
La mejora de las métricas tienen un impacto muy significante en los

resultados del negocio, al reducir la oportunidad de tener defectos.
Es de suma importancia medir la capacidad del proceso en términos

cuantificables y monitorear las mejoras a través del tiempo.
Sigma    es una letra del alfabeto griego usada para representar la

distribución o dispersión alrededor de la media de cualquier proceso.
Seis Sigma es una filosofía de administración enfocada a la mejora

de los procesos, manteniéndolos en el valor objetivo y
reduciendo la variación.
Página 20
Definiciones básicas5:
 Unidad (U): Es un artículo producido o procesado.

 Defecto (D): Cualquier evento que no cumpla la especificación de un
CTQ.
 Defectuoso: Una unidad que tiene uno o más defectos.
 Defectos por unidad (DPU): Es la cantidad de defectos en un
producto
D
DPU 
U
 Oportunidad de defectos (O): Cualquier acontecimiento que pueda
medirse y de una oportunidad de no satisfacer un requisito del cliente.
 Defectos por oportunidad (DPO):
D
DPO 
U O
 Defectos por millón de oportunidades (DPMO): Es el número de
defectos encontrados en cada millón de unidades.
 Capacidad del proceso: Capacidad del proceso para cumplir
especificaciones o requerimientos del cliente.
 Rendimiento estándar o de primera pasada YFT: Es el porcentaje de
producto sin defectos antes de realizar una revisión del trabajo
efectuado.
 Rendimiento al final o de última pasada: YLT: Es el porcentaje de
producto sin defectos después de realizar la revisión del trabajo.
5
Forrest W. Breyfogle III. Implementing Six Sigma Ed. John Wiley & Sons, Inc.1999
Página 21
1.3 Cálculo de Sigmas del proceso.
Ejemplo 1
Un proceso de manufactura de mesas tiene cuatro subprocesos:

fabricación de patas, bastidor, cubierta y pintura. Se toman los datos de
1510 mesas fabricadas y se observa la siguiente información. Calcule el
Sigma del proceso.
Subproceso Defectos Oportunidades/

Unidad
Patas 212 17
Bastidor 545 5
Cubierta 71 9
Pintura 54 1
Totales: 882 32
Número de unidades procesadas = 1510

Número total de defectos = 882
D 882
Defectos por oportunidad (DPO) =   .0182
N  O 1510  32
DPMO = .0182 X 1,000,000=18,253
De la tabla de conversión de sigma determinamos el valor que más se

acerca a 18,253 siendo este: sigma = 3.6
Rendimiento de primera pasada (YFT) y última pasada (YLP)
Los resultados y el número de defectos pueden medirse antes o después

de que se detecten, corrijan o revisen los defectos. Los resultados se
miden en % y el número de efectos en defectos por oportunidad (DPO)
o defectos por millón de oportunidades (DPMO).
Página 22
Observemos la siguiente figura:
SUBPROCESO
N articulos con
cero defectos Trabajo Hay D1 defectos Revisar el trabajo Subsisten D2 defectos
YFP YLP
En este subproceso podemos observar la entrada de N artículos con cero

defectos, se realiza un trabajo en el cual hay D1 defectos, resultando el
rendimiento a la primera (YFP), después se revisa el trabajo y al final
subsisten D2 defectos, siendo este el rendimiento en la inspección final
(YLP).
Ejemplo 2
Una planta de productos empaca en una de sus líneas un cierto artículo.

La producción en un turno es de 5,000 unidades. Existen 3
oportunidades de defecto en cada unidad:
- Mal sellado del empaque

- Producto maltratado
- Empaque roto
Se encontraron 64 defectos, de los cuales 14 se encontraron antes de

ser enviados a la línea de empaque final, después de esto 50 defectos
todavía subsisten. Se pide calcular YFP y YLP.
Página 23
Rendimiento a la primera YFP

64
DPO   .0042
5000  3
DPMO = .0042 X 1,000,000 = 4,266.66
YFP = 1-.0042 = .9958 = 99.58%
Rendimiento en la inspección final YLP

50
DPO   .0033
5000  3
DPMO  3,333.33
YLP = 1- .0033 = .9967= 99.67%
Observamos que el rendimiento en la inspección final es mayor que el rendimiento a la

primera.
Rendimiento real o estándar (YRT)
Mide la probabilidad de pasar por todos los subprocesos sin un defecto,

se determina con el producto del resultado de cada paso:
YFP1  YFP2  YFP3  ......YFPn
Es un rendimiento sensible a pasos y defectos en los pasos.

Ejemplo 3:
Página 24
Un proceso con cinco subprocesos tienen los rendimientos siguientes de throughput:

0.98, 0.93, 0.95, 0.98 y 0.94. El Rendimiento Estándar Y RT= 0.98x 0.93 x 0.95x 0.98x
0.94 = 0.7976, es la probabilidad de que el producto pase sin error.
Rendimiento Normal (YN)
El rendimiento normal mide el promedio de rendimientos por los pasos

del proceso.
Es el promedio exponencial basado en el número de pasos del proceso,

no es un promedio aritmético.
YN  n YRT , donde n es igual al número de pasos en el proceso.
Ejemplo 5
En un proceso con 3 pasos tenemos los siguientes Y FT:
Paso 1: 80%
Paso 2: 70%
Paso 3: 90%
Calcular YN
Primero calculamos YRT = .504
YN  n YRT  3 .504  79.6%
Nota: El rendimiento Normal es el promedio del rendimiento del

proceso. Sigma es calculado a partir de un rendimiento Normalizado.
Página 25
Variación a largo plazo vs. Variación a corto plazo (Z-Value)
Largo plazo: son los datos tomados durante un periodo de tiempo

suficientemente largo y en condiciones suficientemente diversas para que sea
probable que el proceso haya a experimentado todos los cambios y otras
causas especiales.
Corto plazo: datos tomados durante un periodo de tiempo

suficientemente corto para que sea improbable que haya cambios y
otras causas especiales.
Para el cálculo de datos a largo plazo a partir de datos a corto plazo

restamos 1.5, debido a los desplazamientos que sufre la media debido al
cambio natural en los procesos.
ZST = ZLT+1.5
ZBenchmark = ZYN+1.5
Donde:
ZST= Z a corto plazo.
ZLT= Z a largo plazo.
YN = Rendimiento Normal
EJEMPLO 6
Un proceso tiene un YRT = .38057 con 10 operaciones. Determine YN y Zbenchmark
YN  10 .38057  .9079
Z benchmark = .9079+1.5= 2.4079
Página 26
Calculo de Sigma en Excel
La sigma del proceso que es la sigma a corto plazo Zst se determina como sigue:
METODO 1:
1. El rendimiento es igual a Yrt = 1 – DPU o Yrt = 1 – D / DPO
2. La Z sigma a largo plazo Zlt = distr.norm.estand.inv(Yrt)
3. La Z sigma a corto plazo o Sigma del proceso = Zst = Zlt + 1.5
METODO 2:
1. Se determina Zlie y Zlse en base a las especificaciones
2. Se determina la fracción defectiva P(Zlie) y P(Zlse)
3. Con P(Zlie) = distr.norm.estand.inv(Zlie) y P(Zlse) =

distr.norm.estand.inv(-Zlse)
4. La fracción defectiva total es P(Zt) = P(Zlie) + P(Zlse)
5. El rendimiento se determina con Yrt = 1 – P(Zt)
6. La Z sigma a largo plazo Zlt = distr.norm.estand.inv(Yrt)
7. La Z sigma a corto plazo o Sigma del proceso = Zst = Zlt + 1.5
Cálculo de Sigma con MINITAB
1. La Z sigmas del proceso a largo plazo en base al rendimiento se determina

como:
Calc > Probability Distributions > Normal
Seleccionar Inverse Cumulative probability Mean 0.0 Estándar deviation 1
Página 27
Input constant valor de Yrt OK, se obtiene la Zlt de largo plazo.
2. La Z del proceso se determina con Zst = Zlt + 1.5
Ejemplo 7
En una fábrica de plásticos, se producen unos contenedores propios para alimentos.

En un lote de producción de 10,000 unidades se encuentran 125 artículos defectuosos,
la oportunidad de cometer un defecto es 3. Calcule sigma y analice los resultados
proporcionados.
Página 28
Página 29
TABLA DE CONVERSIÓN DE CAPACIDAD DEL PROCESO EN SIGMAS – METODO 1
Página 30
Aplicación de la metodología Seis Sigma en laTabla
mejoraZdel desempeño
– Método 2 de procesos en una planta de
Página 31
1.3 Diez pasos de Motorola para la mejora de procesos
Motorota sugiere una serie de pasos para mejorar el desempeño de los

procesos utilizando la metodología Seis Sigma, como se muestra a
continuación:
1. Priorizar oportunidades de mejora: Conocer y especificar los

problemas haciendo las siguientes preguntas: cómo, cuando, donde,
por qué y quién. Indicar cual es el impacto al cliente, confiabilidad,
calidad del producto, costos de calidad.
2. Seleccionar el equipo de trabajo adecuado: Seleccionar un

pequeño grupo de gente que conozca el producto/ proceso, con la
experiencia, disciplina técnica y conocimiento en el área relativa.
Establecer el rol del equipo y de cada miembro, Seleccionar un
Champion que será el encargado de proporcionar los recursos,
conducir y asesorar al grupo.
3. Describir el proceso en su totalidad: Mediante el uso de

diagramas de flujo ilustrar las posibles variaciones y alternativas de
el proceso. Incluyendo todo el equipo, gente, métodos, herramientas
instrumentos y equipos de medición.
4. Análisis del desempeño de los sistemas de medición:

Determinar la exactitud, repetitibilidad y reproducibilidad, linealidad y
estabilidad de cada instrumento o indicador utilizado, para asegurar
que la capacidad de los mismos sea la adecuada, a lo más del 10%
de la variación total permitida para características críticas o 30%
máximo para características no críticas. Asegurar que la resolución de
la división o dígito más pequeño sea al menos 10 veces mayor que la
Página 32
magnitud que se va a comparar. Por ejemplo si la tolerancia es de 10

mm. el medidor debe tener una resolución o distancia entre marcas
de al menos 1 mm.
5. Identificar y describir los procesos y productos

potencialmente críticos: Enumerar todos los procesos críticos
potenciales, mediante el uso de tormentas de ideas, datos históricos,
reportes de rendimiento, análisis de falla etc.
6. Aislar y verificar los procesos críticos: Reducir la lista

enfocándonos a los pocos vitales, identificar las relaciones de entrada
y salida que provocan problemas específicos. Verificar las causas
potenciales de variación en los procesos, mediante el uso de diseño
de experimentos, diagramas de dispersión, y diagramas
multivariados.
7. Estudio de el desempeño del proceso y medición de la

capacidad: Identificar y definir las limitaciones de los procesos.
Asegurar que los procesos sean capaces de alcanzar su máximo
potencial. Determinar las especificaciones “reales”. Se considera que
un proceso es capaz cuando C p  C pk  1.0 , si el proceso es capaz se
continúa con el paso 8. , de lo contrario se requiere tomar acciones
rediseñando el proceso o el producto.
Página 33
Figura 1-4 10 pasos de Motorola para la mejora de procesos.
1. Priorizar oportunidades de mejora
2. Seleccionar el equipode trabajo adecuado
3. Describir el proceso en su totalidad
Analisis del desempeño de los sistemas de

4. medición
Identificar y describir los procesos y productos

5. potencialmente críticos
6. Aislar y verificar los procesos críticos
Acción requerida en el proceso
Estudio de el desempeño del proceso y

Rediseño de Equipo/proceso
7. medición de la capacidad

 Rediseño de producto
 Acción de la Gerencia
proceso proceso
es capaz no capaz
Implementación de condiciones de operación y

control óptimas
8.
 objetivos/tolerancias
 controles de proceso
 Procedimientos para acción preventiiva
 Procedimientos para acción correctiva
Monitoreo de procesos através de la mejora

9. continua
Reducir causas comunes de variación

alcanzando Six Sigma
10.
C p  2. 0 y C pk  1.5
si no
MEJORA
CONTINUA
Página 34
8. Implementación de condiciones de operación y control

óptimas: Llevar a cabo un plan permanente de acciones correctivas
para prevenir causas especiales de variación. Es necesario tener un
proceso estable y predecible, por lo cual se deberá tener
continuamente controles de proceso.
9. Monitoreo de procesos a través de la mejora continua: Los

sistemas, métodos, procedimientos deberán de ser modificados
cuando sea necesario para evitar las causas especiales de variación.
También será necesario identificar las acciones futuras requeridas
para mejorar el proceso.
10. Reducir causas comunes de variación para alcanzar Seis

Sigma: Se deben reconocer las limitaciones del proceso. Solamente
a través de la reducción y eliminación de las causas comunes de
variación y el diseño para la manufactura es posible alcanzar el nivel
Seis Sigma. Una vez que las causas especiales se han eliminado
solamente pueden permanecer causas comunes las cuales se irán
eliminando a través de la mejora continua de los procesos.
1.5 Las fases DMAIC de Seis Sigma

La metodología Seis Sigma es un método disciplinado de mejora de los
procesos conformado por las fases siguientes: Definición, Medición,
Análisis, Mejora y Control (DMAIC), como se explican a continuación:
Definir
Definir Medir
Medir Analizar
Analizar Mejorar
Mejorar Controlar
Controlar
Página 35
CAPITULO 2 FASE DE DEFINICION
Definir
Definir Medir
Medir Analizar
Analizar Mejorar
Mejorar Controlar
Controlar
2.1 Propósito
Identificar el problema a resolver, estratificando tanto como sea posible,

por ejemplo: reclamación de un cliente por falla, identificar la familia de
productos por importancia mediante el uso del diagrama de Pareto (ver
diagrama Pareto fase de medición), después identificar el producto, la
línea donde se hace, el equipo específico, etc. En este momento ya se
puede definir el problema y la oportunidad de mejora. En esta fase la
primera de la metodología de Seis Sigma, se trata de detectar cual es el
problema, definir los CTQ´S (Critico para la calidad) con base en la voz
del cliente (VOC), el impacto que tiene para el negocio la realización del
el proyecto, las metas que se pretenden lograr, el alcance y los ahorros
financieros.
2.2 Etapas de la fase de definición
Las etapas de la fase de definición son las siguientes:
Página 36
2.2.1 Identificación de clientes internos y externos:
El primer paso en la definición de un proyecto es identificar cuales son

los clientes a los cuales el proceso impacta, se define como cliente
interno a la persona o las personas siguientes en el proceso, esto es
dentro de la compañía. Por ejemplo el cliente de almacén es producción
ya que ellos se encargan de proveer las materias primas e insumos para
que producción pueda realizar el proceso de transformación.
Los clientes externos son todos aquellos a los que la empresa provee un
producto o servicio
2.2.2 Determinar los CTQ´S del proyecto:
CTQ Critico para la calidad (Critical to quality), es un atributo o

característica de calidad de un producto o servicio que es importante
para el cliente.
Nota: También existen otros conceptos como CTD (Critical to Delivery) y

CTC (Critical to Cost), en este tipo de proyectos en el CTD el objetivo es
reducir el tiempo de respuesta y para los CTC en reducir los costos
Tanto en los CTQ, CTD y CTC el objetivo para la empresa es reducir los
costos, aumentar la satisfacción del cliente y aumentar las utilidades.
Para determinar los CTQ, tenemos que conocer la voz del cliente interno
o externo (VOC), o sea que es lo que espera nuestro cliente acerca del
servicio o producto que le proporcionamos. Mediante la voz del cliente
podemos saber cual es el grado de satisfacción que este tiene.
Página 37
Ejemplo de CTQ:
 Entregas a tiempo
 Mantenimiento
 Durabilidad
 Confiabilidad
 Seguridad
Para determinar los CTQ´S se pueden tomar como base los guientes
puntos:
 Metas del negocio

 Entrevistas
 Encuestas
 Quejas
 Datos de Benchmarking
 Discusiones ejecutivas
 Discusiones de trabajo específico
 Matriz de Causa Efecto
 QFD
 Tendencias del mercado futuras
2.2.3 Selección del problema:
El problema se puede dar debido a: devoluciones, bajo nivel de servicio,

entregas tardías, desperdicios, producto defectuoso, documentos
inadecuados.
Página 38
El problema se selecciona en base a las políticas de la organización, al

grupo de trabajo, jefe inmediato y a los resultados de sus actividades
diarias.
Criterios para seleccionar el problema
 Seguridad
 Calidad
 Entrega
 Costo
 Nivel de servicio
2.2.4 Razón de la Selección
Expresa los antecedentes, la importancia y la prioridad de los

problemas.
En este punto explicamos porqué se seleccionó el problema:
 Efecto económico, reclamo de mercado, rechazos, % de ventas

pérdidas , otros.
 Impacto para los procesos posteriores, monto de pérdida,
incremento de tiempo de operación, paro de línea, etc.
Entre todos los integrantes del equipo pueden evaluar las razones arriba
descritas mediante la matriz de evaluación (Figura 2.1) y enfocarse en
un solo tema.
Página 39
2.2.5 Impacto en el negocio:

En este punto se enuncia como impacta la mejora del proceso al
negocio. Se mencionan cuales serían las consecuencias en caso de no
realizar el proyecto. Se debe conocer cual ha sido la situación en el
negocio debido al proceso actual. Qué nos ha ocasionado: Pérdida de
clientes? Incumplimiento en los niveles de servicio?, Así como cuantificar
(en porcentajes y en pérdidas de utilidades).
Es importante describir como se alinea el proyecto con las iniciativas y

metas del negocio. Estas últimas son definidas por la dirección
.
2.2.6 Descripción del problema:
Se debe estratificar o preguntar porque? Porque? Porque? hasta definir
el problema que tiene el proceso, el producto o el servicio de forma
específica, indicando cualitativamente de ser posible en cifras, o
porcentajes que demuestren la necesidad de modificar su estado actual.
Es necesario expresar concretamente el grado del problema. (el tema
no deberá ser demasiado amplio). Es mejor no usar la solución para
nombrar un problema, sin antes realizar la búsqueda de la causa
verdadera, se creará duda de si esa solución es la definitiva.
Criterio de evaluación 3 puntos 2 puntos 1 punto
Evaluación
Problema
Impor- Prior. Política Periodo Facti- Orden
tancia Depto. de Ejec. bilidad
DEVOLUCIONES 12 Puntos
1er. lugar
10 Puntos
ENTREGAS TARDIAS 2o. lugar
10 Puntos
DOCS. INADEC.
2o. lugar
NIVEL SERVICIO 9 Puntos

3er. lugar
Página 40
Figura 2.1 Matriz de evaluación.
2.2.7 Definición de los objetivos del proyecto

Para determinar los objetivos del proyecto nos cuestionamos ¿qué es lo
que vamos a obtener con la realización del proyecto? Generalmente es
mejorar e implementar el proceso para una fecha específica. Ej:
Implementar el 100% de las mejoras de un proceso en la fecha
propuesta, Incrementar el nivel de servicio en un 98%.
En la tabla 2.1 encontramos puntos a considerar para definir los

objetivos de manera precisa.
2.2.8 Alcance del proyecto:

Sirve para delimitar el proceso. (alcance del proyecto de Calidad).
Punto de inicio: Identificar la actividad en donde empieza el proceso.
Punto final: Identificar la actividad donde termina el proceso.
Dentro del alcance: Actividades que se encuentran dentro del proceso.
Fuera del alcance: Actividades que no están dentro del proceso.
Página 41
PUNTO CRITICO ACTIVIDADES

* Aclarar la meta del valor del objetivo . * Indicar el objetivo con valores en forma numérica
en lo posible.
* No plasmar simplemente los deseos y * El objetivo debe tener relación con el
expectativas en el objetivo, si no esta- efecto esperado .
blecer un objetivo factible de manera es-
calonada .
* El objetivo debe de ser concreto.
* Establecer un objetivo con fundamento, Ejemplo:
no se debe tomar una decisión de impulso ¿QUÉ? ****** Reducir el defectuoso en productos A
(sin analizar).
¿HASTA CUÁNDO?**** De Mayo del 2002
(Punto clave para establecer el valor Octubre del 2002 97 a
objetivo). ¿HASTA CUANTO?**** Bajar hasta 1% ó
* Definirlo tomando en cuenta las políticas menos del 1% promedio de defectuoso.
de la empresa.
* En caso de no tener un concepto claro de * Hay un método para establecer el objetivo

las políticas, analizar la importancia de final de una vez; otro estableciendolo en forma
los problemas y / o mejoras, cuando nos gradual entre objetivo primario y secundario,
ocasionen un defecto al proceso pos- establecer periodos de tiempo cortos.
terior , factibilidad de cumplimiento, pro-
grama, distribución de cargo, etc. y de- Establecer objetivos graduales en los casos
finirlo . Siguientes :
(1).- Que el tema sea demasiado grande y se
requiera dividirlo.
(2).- Que el tema sea complicado y que se relacione
con otras áreas.
(3).- Que se requiera la selección de las actividades
conforme a la habilidad real del grupo de trabajo
Establecer un objetivo que tenga relación con la selección del tema y razón de la selección.
Tabla 2.1 Definición de los objetivos del proyecto.
Ejemplo:
CONDICION ACTUAL
(%) 6
V
5
4
E 3 OBJ . PRIMARIO
N 2
1 OBJ . SECUNDARIO 0%
T
A 0
1 2 3 4 5 6
S OBJ ETIVO FINAL
PERIODO DE TIEMPO
Figura 2.2 Ejemplo objetivos del proyecto.
Página 42
La realización de los proyectos normalmente son asignados a líderes de

proyecto denominados “Green Belts” quienes aplican la metodología Seis
Sigma en los proyectos de mejora del desempeño de los procesos.
a) Los proyectos de los Green Belt son relacionados a sus

actividades diarias- a nivel transaccional y operativo, para que
estén bien enfocados y con un alcance corto. Cuando el
proyecto sea demasiado grande conviene dividirlo o
particionarlo, entre diferentes Green Belts.
2.2.9 Ahorros: Identificar de dónde se van a obtener los ahorros

financieros para el proyecto de Calidad. Cuales son las fuentes o
actividades de donde se van a estimar los ahorros.
Por ejemplo: Reducción de costos al mejorar la productividad de un

proceso, reducción del tiempo de ciclo, reducción de desperdicios,
reducción de reclamaciones de clientes, etc.
Cabe mencionar que no siempre hay ahorros, si el CTQ se deriva de una

mejora de la competencia, se hará una inversión.
2.2.10 Metas cualitativas

Si es el caso identificar las metas cualitativas. Por ejemplo:
Incrementar los niveles de seguridad en las instalaciones. Mejorar la
imagen del negocio, cumplimiento con lineamientos corporativos.
Página 43
2.2.11 Mapa del proceso: Realizar un mapeo del proceso de alto
nivel, identificando cuales son los proveedores, entradas,
proceso, salidas, clientes.
PROVEEDOR ENTRADAS PROCESO SALIDAS CLIENTE
Figura 2-2 Mapa de proceso. “high level”
2.2.12 Selección del equipo de trabajo.
- Seleccionar a las personas clave que intervienen o que están

involucradas directamente y que reciben beneficios del proceso.
- Incluir nombre, posición roles y responsabilidades a desempeñar en
el desarrollo del proyecto.
- Es necesario incluir además de los miembros del equipo, al Champion
del proceso así como un Black Belt que apoye y asesore a los
equipos de proyecto guiados por Green Belts.
Recomendaciones:
- Todos los miembros del equipo deben reconocer que la meta que
persiguen como tal es importante para ellos y para la empresa.
- Los miembros deben ser asignados a un grupo de acuerdo con sus
habilidades y potencial.
- Desarrollar un código de conducta, así como reglas para que éste se
cumpla.
- Se debe proporcionar retroalimentación y reconocimiento en forma
oportuna.
Página 44
- La estructura de comunicación debe asegurar el flujo de información

requerido para la toma de decisiones.
- Asignación de recursos y financiamiento para la realización de planes
de mejora.
- Orientación y supervisión de los equipos para que tengan un mejor
desempeño.
 Es importante identificar en que casos se debe seguir la

metodología Seis Sigma y en que casos es mejor utilizar alguna otra de
resultados más rápidos o para solución de problemas crónicos como la
de círculos de calidad. En realidad aunque se quisieran proponer
soluciones a un problema después de estratificarlo, sería imposible
llevarlo a cabo.
A continuación se presenta la fase de medición donde se colectan datos

para establecer un diagnóstico de la situación actual del problema y sus
posibles causas.
Página 45
CAPITULO 3 FASE DE MEDICION
Definir
Definir Medir
Medir Analizar
Analizar Mejorar
Mejorar Controlar
Controlar
3.1 Introducción
En la fase de definición se identificaron los CTQ´S del cliente, y se
desarrolló un mapa de alto nivel para determinar los CTQ´S del proceso.
En todos los procesos existe variación, en esta fase el propósito es

medir dicha variación, para saber si existen datos que se encuentren
fuera de especificaciones, que estén causando problemas en nuestros
procesos. Para realizar esta actividad es de suma importancia conocer:
¿que es lo que necesitamos medir? y ¿como lo vamos a medir? A
lo largo de este capitulo tenemos diferentes herramientas que nos
ayudarán a responder estas preguntas.
Dependiendo de las condiciones y necesidades que tengamos

seleccionaremos una o más herramientas, cabe mencionar que no
necesariamente se utilizan todas las herramientas, lo importante es
seleccionar cuidadosamente aquellas que nos proporcionen la
información más objetiva y precisa.
Objetivos:
 Conocer el uso de las herramientas de la fase de medición
 Determinar que mediciones son importantes para el proyecto
 Recolectar datos relevantes
Página 46
 Convertir los datos en números para conocer su comportamientos

 Detectar cual es la frecuencia con la que ocurren los defectos
3.2 Etapas de la fase de medición
Esta fase consta de las siguientes etapas:
3.2.1 Seleccionar los CTQ´S del proceso (Crítico para la

calidad)
Observemos la siguiente tabla:
Y = F(X)
 Y  X1, X2,…..Xn  Z’s
 Variable  Variable  Variables de
dependiente independiente ruido
 Salida  Entrada-Proceso  Incontrolables
(respuesta)  Causa
 Efecto  Problema
 Sintoma  Controlable.
 Monitoreable
Tabla 3.1 Variables dependiente, independiente y de ruido.
Para la selección de Y’s podemos utilizar un diagrama de Pareto para

priorizar y centrar nuestra atención en el(los) efecto(s) más
importantes. La variable dependiente “Y” fue previamente determinada
en la fase de definición.
La Y es la variable de respuesta y las X´s son las variables de entrada,

las Z´s son las variables de ruido.
Página 47
Los CTQ´s del cliente (interno o externo) corresponden a la “Y”, y los

CTQ´s del proceso corresponden a las “X’s”
En esta etapa se tratarán de determinar las X´s, ya que son las
variables que podemos medir y controlar.
Para determinar los CTQ´s del proceso seleccionaremos alguna o

algunas de las herramientas apropiadas a las necesidades del proyecto.
A continuación se enuncian y describe brevemente cada una de las
herramientas
Herramienta ¿Para qué es utilizada?

Estadística Definiciones básicas con ejemplos de Estadística
Descriptiva
Probabilidad Definiciones básicas con ejemplos de Probabilidad
Distribución Propiedades de la distribución Normal
Normal
Lluvia de ideas Cada miembro del equipo propone posibles
soluciones a un problema, se determinan las
mejores soluciones por consenso.
Técnica de Permite al equipo rápidamente realizar un consenso
grupos de la importancia relativa de asuntos, problemas o
nominales. soluciones posibles. Las causas más importantes
son atacadas y se priorizan para encontrar la mejor
solución
Análisis de Analizar cuales son las fuerzas dentro de una
Campo de organización o proceso que están dando empuje a
Fuerzas. las soluciones y cuales están frenando el progreso.
Diagrama Representa de forma ordenada y completa todas
Causa-Efecto las causas que pueden originar un problema
(Ishikawa o (efecto) es una herramienta muy efectiva para
Fishbone) encontrar las causas más importantes de un
problema y en base al análisis de las causas
Página 48
encontrar la mejor solución.

Why-Why-Why Se utiliza después de haber determinado las causas
más importantes de un problema, preguntando
sistemáticamente 3 veces porqué, podremos llegar
a la solución del problema
5W/1H Técnica en la cual se responde a las siguientes
preguntas: que, quién, porque, cuando, donde,
como, para la solución de problemas.
Diagrama de Priorizar los problemas que tienen el potencial más
Pareto grande de mejora. Muestra la frecuencia relativa en
una gráfica de barras descendiente.
Diagramas Método utilizado para mostrar las relaciones que
Matriz existen entre métodos, causas, actividades etc.
determinando la fuerza que existe entre estas.
Permite Identificar las medidas más convenientes
para la solución.
Matriz Causa y Relaciona las entradas claves a los CTQ´s y el
efecto diagrama de flujo del proceso como su principal
fuente. Sirve para priorizar las entradas clave a
usar en AMEF´S, planes de control y estudios de
capacidad.
Diagrama de Permite al equipo identificar, analizar y clasificar
Relaciones sistemáticamente las relaciones causa y efecto que
existen entre todos los elementos críticos, para
lograr una solución efectiva.
Diagrama de Agrupar en categorías afines las posibles causas
Afinidad que ocasionan un problema, permitiendo obtener
fácilmente la causa que lo origina.
Hoja de Recolectar datos basados en la observación del
Verificación comportamiento de un proceso con el fin de
detectar tendencias, por medio de la captura,
análisis y control de información relativa al
Página 49
proceso.
Carta de Conocer el comportamiento de un proceso
tendencias gráficamente para poder tomar las acciones
correctivas a tiempo cuando es necesario.
Diagrama de Es una técnica utilizada para estudiar la relación
Dispersión entre dos variables, facilitando la comprensión del
problema planteado.
Mapa de Proveen una secuencia gráfica de cada uno de los
procesos pasos o actividades que componen una operación
desde el inicio hasta el final. Permitiendo una mejor
visualización y comprensión del proceso. Sirve para
identificar pasos innecesarios, compara el proceso
actual contra el ideal.
QFD Método gráfico (matriz de relaciones) en el que se
identifican los deseos del cliente (CTQ´S) y las
características de diseño del producto, procesos o
servicios. Permite traducir de un lenguaje ambiguo
a los requerimientos específicos del diseño del
producto, proceso o servicio. En otras palabras
relacionas los qué? del cliente con los como? del
proceso.
Benchmarking Estudio que ayuda a realizar un comparativo de
productos, procesos o servicios contra el “mejor en
la clase” puede ser dentro de la empresa o, para
identificar oportunidades de mejora.
Capacidad de Sirve para determinar que tan grandes son las
los sistemas de variaciones en base a ciertos parámetros de los
medición sistemas de medición, incluyendo equipo y gente.
( Análisis R&R)
3.2.2 Definición de estándares de desempeño:
Página 50
a) Definición Operacional.- Es una descripción precisa acerca del

proceso que aclara cualquier ambigüedad del mismo. Es un paso
clave para el CTQ que está siendo medido.
b) Meta de desempeño.- Estamos interesados en alcanzar la meta de

desempeño de la característica de un producto o proceso. La meta
es reducir la variación al máximo.
c) Límite de especificación.- La cantidad de variación que el cliente

está dispuesto a aceptar en un producto o proceso. La
especificación puede ser determinada internamente por ingeniería,
siempre y cuando no afecte al consumidor, si no al contrario lo
beneficie.
d) Defecto.- Cualquier característica del producto que sale de los

límites de especificación o de los estándares de apariencia, color,
duración, etc.
Página 51
3.2.3 Establecer y validar el plan de recolección de datos
Para realiza el plan de recolección de datos podemos ayudarnos del

diagrama 5W/1H el cual consiste en contestar las siguientes preguntas:
What? ¿Qué?
Why? ¿Por qué?
Who? ¿Quién? RECOLECCION DE DATOS
Where? ¿Dónde?
When? ¿Cuando?
How? ¿Cómo?
El objetivo es recolectar datos confiables, que reflejen la realidad de lo

que está sucediendo.
Las ventajas que nos proporciona son:
 Provee una estrategia clara y documentada al recolectar datos

confiables.
 Da a los miembros del equipo una referencia común.
 Ayuda a asegurar que los recursos sean usados efectivamente para
recolectar únicamente datos críticos.
Es de suma importancia tener cuestionarios y/ o registros validados y

confiables, debiendo ser lo suficientemente claros para la persona que
los llena, es muy recomendable realizar un instructivo y además deben
de ser diseñados para que proporcionen la información necesaria para
el análisis.
Página 52
Se debe contar con equipos de medición con error mínimo, de lo

contrario nuestras mediciones serán erróneas. Para validar el sistema
de medición conducimos un estudio R&R
Ejemplo
En una tienda de refacciones para automóviles, disminuyeron en gran

medidas las ventas. El gerente general convocó a una junta con las
personas involucradas, para determinar cuales eran las causas por las
cuales estaba sucediendo esta situación.
Siguiendo las etapas de la fase.
3.2.4 Seleccionar los CTQ´S:

El equipo de trabajo realizó una tormenta de ideas, el cuestionamiento
que se hizo es porqué las ventas están disminuyendo? (efecto) Una vez
terminada está actividad, el grupo seleccionó mediante consenso las
causas que consideró más importantes, después utilizaron la técnica
Why-Why-Why, para encontrar la causa raíz del problema. Mediante
eliminación de las otras causas se encontró que la causa principal es: el
tiempo de respuesta que se le estaba dando al cliente.
Esto se confirmó ya que un miembro del equipo expuso que los clientes
en ocasiones tardaban mucho tiempo en ser atendidos, existían muchas
quejas y los clientes en ocasiones nunca más regresaban.
3.2.5 Definición de estándares de desempeño:
 Definición operacional.-
Página 53
 En el mostrador se tiene la idea de que el tiempo de respuesta al

cliente es desde el momento en que se atiende al cliente hasta que
se le entrega la refacción.
 Sin embargo para el cliente el tiempo de respuesta es desde el

momento que se presenta en la tienda, hasta que sale de la tienda
con la refacción.
Relacionando los requerimientos internos con la voz del cliente (VOC) y

para eliminar ambigüedades entre las dos definiciones anteriores
realizamos la siguiente definición operacional: El tiempo de respuesta al
cliente es: “Desde el momento en que el cliente entra a la tienda,
espera a ser atendido, pide las refacciones en el mostrador, le
entregan las refacciones paga en la caja y recibe la factura”.
 Meta de desempeño.- Haciendo un Benchmarking con la mejor

refaccionaría de la ciudad se determinó que el 99.5% de los clientes
estaban satisfechos con el tiempo de entrega.
 Límite de especificación.- En esta caso no tenemos límite de
especificación.
 Defecto: se define como defecto cuando un cliente no está satisfecho
con el tiempo de respuesta.
Para evaluar la satisfacción del cliente en cuanto al tiempo de respuesta

realizamos un cuestionario que aplicamos aleatoriamente a diferentes
clientes.
Página 54
3.3 Estadística básica para la fase de Medición
La Estadística descriptiva es la rama de las matemáticas que

comprende la recopilación, tabulación, análisis e interpretación de datos
cuantitativos y cualitativos, para tomar decisiones que se requieran a fin
de que el comportamiento de los datos se mantenga dentro de los
parámetros de control establecidos.
 Población (N)– Es el conjunto de todos los elementos de interés

para determinado estudio
 Parámetro – Es una característica numérica de la población, se

identifica con letras griegas (Media = µ, Desviación estándar = σ,
Proporción = π, Coeficiente de correlación = ρ)
 Muestra (n) – Es una parte de la población, debe ser

representativa de la misma.
 Estadístico – Es una característica numérica de una muestra, se

identifica con letras latinas (Media = X, Desviación estándar = s,
Proporción = p, Coeficiente de correlación = r)
La estadística inferencial se refiere a la estimación de parámetros y

pruebas de hipótesis acerca de las características de la población en
base a los datos obtenidos con una muestra.
La Estadística descriptiva proporciona un criterio para lograr mejoras,

debido a que sus técnicas se pueden usar para describir y comprender la
variabilidad. Por ejemplo, consideremos en un proceso de reactor
industrial para la obtención de un producto químico, tomamos como una
Página 55
medida crítica el nivel de concentración de un componente, si utilizamos

un instrumento de medición con la resolución suficiente, encontraremos
que existe variabilidad, mediante el uso de técnicas estadísticas
podemos realizar mejoras en el proceso para reducir la variación en
rendimiento del reactor.
Para poder obtener consecuencias y deducciones válidas de los datos de

una estadística, es muy útil contar con información sobre los valores que
se agrupan hacia el centro y sobre que tan distanciados o dispersos
estén unos respecto a otros.
Las medidas de tendencia central son la media, mediana y moda.

Las medidas de dispersión son el rango, la desviación estándar y el
coeficiente de variación. Otras medidas son los percentiles, deciles y
cuartiles representados en el diagrama de caja.
Distribución de frecuencias e Histogramas
Cuando tenemos una cantidad grande de datos es difícil poder

analizarlos, a menos que hagamos uso de herramientas que nos
permitan hacerlo con mayor facilidad y claridad. El histograma es una de
ellas, consiste en un diagrama de barras donde las bases corresponden
a los intervalos y las alturas a las frecuencias. Para construir un
histograma es necesario tener un mínimo de 50 a 100 datos.
Página 56
Columna Intervalo Registro de frecuencias

1 0 -8 IIIII 5
2 9-17 IIIII IIII 9
3 18-26 IIIII I 6
4 27-35 IIIII IIIII I 11
5 36-44 IIIII IIIII II 17
6 45-53 IIIII IIIII IIIII IIIII IIIII III 28
7 54-62 IIIII IIIII IIIII III 18
8 63-71 IIIII IIIII III 13
9 72-80 IIIII IIIII 10
10 81-89 IIIII III 8
11 90-98 IIIII 5
USO DE EXCEL
1. En el menú herramientas seleccione la opción análisis de datos.

2. Seleccione la opción histograma.
3. Seleccione el rango de entrada, estos corresponden a los datos
numéricos de la tabla.
4. Seleccione el rango de clases, previamente escribir en una
columna los intervalos de clase.
Página 57
5. En opciones de salida seleccione una celda de la hoja de calculo

que este en blanco (a partir de está celda será insertado el
histograma).
6. Una vez insertado el histograma podrá hacer modificaciones
de la escala, color,
títulos etc. Haciendo clic en el elemento deseado.
Gráficas de Caja: Una gráfica de caja es un diagrama que proporciona

información sobre el centro, la dispersión y la asimetría o
sesgo; utilizacuartiles, y así, es resistente a las observaciones
aberrantes.
Estadística descriptiva en Excel:
En el menú de Análisis de datos podemos obtener estadísticas de un

conjunto determinado de datos.
Seleccione: Herramientas > Análisis de datos > Estadística descriptiva
Ejemplo
Usemos los datos siguientes, para construir una gráfica de caja:
5 7 8 9 9 11 12 12 13 14 15 16 17 18 19 20 22
La mediana es Q2 = 13. el cuartil inferior es Q 1 = 9 y el cuartil superior

es Q3 = 17
Página 58
5 9 13 17 22
Como la mediana está un poco a la izquierda de la mitad de la caja y la

extensión más larga está a la derecha, la distribución está sesgada a la
derecha.
Diagramas de caja en Minitab:
1. Capture los datos en la hoja de trabajo.

2. Seleccione la opción: Graph> Charactergraph>Boxplot
3. Seleccione la variable C1 como se muestra en la pantalla y
presione clic en ok
3.4 Herramientas estadísticas para solución de problemas
Mapa de procesos
Dentro de los sistemas de calidad resulta de gran utilidad representar la

estructura y relaciones de los sistemas mediante diagramas de flujo.
Página 59
Ventajas de los diagramas de flujo
 Proveen una secuencia gráfica de cada uno de los pasos que

componen una operación desde el inicio hasta el final. Permitiendo
una mejor visualización y comprensión del proceso.
 Los diagramas de flujo pueden minimizar grandes volúmenes de
documentación, incluyendo la documentación ISO 9000.
 Facilitan el desarrollo de Procedimientos Estándar de Operación.
 Al tener un procedimiento de operación estándar se reduce en gran
medida la variación y el tiempo de ciclo.
 Los diagramas de flujo permiten detectar áreas de mejora en los
procesos.
Descripción de símbolos
En la construcción de diagramas de flujo de procesos se utilizan los
símbolos descritos a continuación:
Operación de transformación: de la cual resulta un

cambio físico o químico del producto.
Inspección: Verificación de alguna característica

mediante un estandar de calidad prestablecido.
Transporte: Movimiento físico del producto o un

componente.
Página 60
Demora: Indica la necesidad de un periodo de

inactividad en espera de operación inspección o
transporte.
Almacenamiento: Mantener un producto en

almacenamiento hasta
que continúe su procesamiento o sea vendido.
Pasos para la elaboración de un diagrama de flujo
1. Describir el proceso a evaluar: Es importante comenzar con los

procesos que se consideran de mayor impacto en la organización.
2. Definir todos los pasos que componen un producto o

servicio: Existen diferentes maneras de hacerlo. Una de ellas
consiste en que el equipo de trabajo anote en tarjetas los
diferentes pasos que conforman el proceso, con este método el
equipo puede arreglar y ordenar los pasos del proceso. Otra
manera de hacerlo es mediante el uso de programas de diagramas
de flujo en computadoras, de esta manera se tiene mayor
flexibilidad que en el método anterior y se ahorra bastante
tiempo.
Cada paso deberá de ser discutido y analizado a detalle utilizando
la pregunta “¿por qué se hace de esta manera?”
Página 61
3. Conectar las actividades: Cuando los pasos que componen el

proceso han sido descritos se construye el diagrama de flujo,
conectando las actividades mediante flechas, cada símbolo debe
describir la actividad que se realiza con pocas palabras.
4. Comparar el proceso actual con el proceso considerado

como “ideal” las siguientes preguntas pueden servir de guía:
¿Existen pasos demasiado complejos?
¿Existe duplicidad o redundancia?
¿Existen puntos de control para prevenir errores? ¿deberían de
existir?
¿El proceso funciona en la manera en la cual debería de hacerse?
¿Se puede realizar el proceso de diferente manera?
5. Mejoras del proceso: Una vez que se contestan las preguntas

mediante tormenta de ideas se realizan mejoras. Definiendo los
pasos que agregan valor y los que no agregan se puede llevar a
cabo una simplificación sustancial del proceso.
Las mejoras son priorizadas y se llevan a cabo planes de acción.
6. Implementar el nuevo procedimiento: Una vez realizadas las

mejoras se dan a conocer a las personas involucradas en el
proceso y se verifica su efectividad.
Página 62
Diagrama de flujo: Una visita a la farmacia6

Operación: despacho de una receta.
EVENTO SÍMBO TIEMP DISTANC

LO O IA (pies)
(min.)
Abrir la puerta, caminar hacia el área 0.8 50
de la farmacia del almacén.
Esperar para ser atendido. 1
Sacar la fórmula de la billetera o del 0.4

bolsillo y entregarla al dependiente.
Esperar hasta cuando el dependiente 10
despache la fórmula y calcule el valor.
Sacar la tarjeta de crédito de la 0.4
billetera y entregarla al dependiente.
Esperar que el dependiente diligencie 1
el desprendible de la tarjeta de crédito.
Verificar el desprendible 0.2
Firmar el desprendible 0.1
Esperar el desprendible y el 0.3

medicamento
Colocar la tarjeta y el desprendible 0.2
dentro de la billetera
Recoger el medicamento y caminar de 0.8 50
regreso hasta la puerta
Diagrama de flujo de tiempo sin valor.
Es utilizado para detectar cuales son las actividades que agregan valor
al proceso y las que no agregan valor.
Pasos para realizarlo:
• Dibujar una línea horizontal para representar el tiempo total que se

ocupa en el proceso.
6
Adaptado de Hamid Noori/Russell Radford, Administración de Operaciones y producción, Ed. Mc.Graw
Hill Pp.282
Página 63
• Relacione todos los pasos del proceso detalladamente, después decida

si el paso tiene valor para el cliente.
• Dibujar una línea vertical fina que represente el tiempo que se
requiere para completar el paso.
• Dibújela arriba de la línea, si representa valor agregado, o debajo si
no lo representa.
• En cada línea vertical señale el paso del proceso.
• Puede dibujar una barra con el tiempo de valor agregado como
porcentaje de tiempo total del proceso.
Ventajas:
• Delinea gráficamente la cantidad de tiempo sin valor que se usa en el
proceso.
• Ayuda a reducir el tiempo sin valor y eliminar pasos innecesarios.
Diagrama de Pareto
Herramienta utilizada para el mejoramiento de la calidad para identificar

y separar en forma crítica los pocos proyectos que provocan la mayor
parte de los problemas de calidad.
El principio enuncia que aproximadamente el 80% de los efectos de un

problema se debe a solamente 20% de las causas involucradas.
El diagrama de Pareto es una gráfica de dos dimensiones que se

construye listando las causas de un problema en el eje horizontal,
empezando por la izquierda para colocar a aquellas que tienen un mayor
efecto sobre el problema, de manera que vayan disminuyendo en orden
de magnitud. El eje vertical se dibuja en ambos lados del diagrama: el
lado izquierdo representa la magnitud del efecto provocado por las
Página 64
causas, mientras que el lado derecho refleja el porcentaje acumulado de

efecto de las causas, empezando por la de mayor magnitud.
En la gráfica observamos que aproximadamente el 80% de los efectos

es debido a los defectos A,B y C (causas)
Página 65
Lluvia de ideas
En las sesiones de lluvia de ideas se generan nuevas ideas mediante la

participación de todo el equipo.
Para comenzar con el proceso de tormenta de ideas, en el cual se

genera información la gente se reúne en una sala en la cual se
recomienda la disposición de las mesas en forma de “U” para facilitar el
debate. La gente que participa en la sesión deberá de pertenecer a
diferentes áreas o tener puntos de vista diferentes, esto con el objeto de
enriquecer la sesión.
El facilitador debe de contar con experiencia en la conducción de

sesiones de tormentas de ideas, o al menos haber tenido experiencias
previas.
Para conducir un grupo se lleva a cabo la siguiente metodología:
1. Seleccionar el problema a tratar.

2. Pedir a todos los miembros del equipo generen ideas para la solución
del problema, las cuales se anotan en el pizarrón sin importar que
tan buenas o malas sean estas.
3. Ninguna idea es evaluada o criticada antes de considerar todos los
pensamientos concernientes al problema.
4. Aliente todo tipo de ideas, ya que al hacerlo pueden surgir cosas muy
interesantes, que motivan a los participantes a generar más ideas.
5. Apruebe la naturalidad y el buen humor con informalidad, en este
punto el objetivo es tener mayor cantidad de ideas así existirán
mayores posibilidades de conseguir mejores ideas.
Página 66
6. Se les otorga a los participantes la facultad de modificar o mejorar

las sugerencias de otros.
7. Una vez que se tengan un gran número de ideas el facilitador
procede a agrupar y seleccionar las mejores ideas por medio del
consenso del grupo de trabajo.
8. Las mejores ideas son discutidas y analizadas con el fin del proponer
una solución.
La técnica tormenta de ideas puede ser aplicada con gran frecuencia al

llevar a cabo otras herramientas, como por ejemplo, diagramas causa-
efecto (Ishikawa), Diseño de experimentos, pruebas de confiabilidad,
etc.
Diagrama de causa efecto
El diagrama causa-efecto, también llamado “esqueleto de pescado” por

la semejanza de su forma, también es conocido por diagrama de
Ishikawa.
Es utilizado para explorar, e identificar todas las causas posibles y

relaciones de un problema (efecto) o de una condición específica en las
características de un proceso.
Una vez elaborado, el diagrama causa-efecto representa de forma clara,

ordenada y completa todas las causas que pueden determinar cierto
problema.
Constituye una buena base de trabajo para poner en marcha la

búsqueda de las verdaderas causas de un problema.
Página 67
Los pasos para elaborar el diagrama de causa- efecto son los siguientes:
1. Seleccione el efecto (problema) a analizar. Se puede seleccionar a

través de un consenso, un diagrama de Pareto, otro diagrama o
técnica.
2. Realice una lluvia de ideas para identificar las causas posibles que
originan el problema.
3. Dibuje el diagrama:
- Coloque en un cuadro a la derecha la frase que identifique el
efecto (característica de calidad)
- Trace una línea horizontal hacia la izquierda del cuadro que
contiene la frase. A esta línea se le conoce como columna
vertebral.
- Coloque líneas inclinadas que incidan en la columna vertebral
(causas principales).
- Dibuje líneas horizontales con flechas que incidan en las líneas
inclinadas conforme a la clasificación de las causas (causas
secundarias)
- Dibuje líneas inclinadas que incidan en las líneas de las causas
secundarias (causas terciarias)
4. Clasifique las causas derivadas de la lluvia de ideas, de la siguiente

manera:
- Causas principales.
- Causas secundarias.
- Causas terciarias.
5. Jerarquice las causas por grado de importancia y defina aquellas que

tengan un efecto relevante sobre la característica específica.
Página 68
6. Elabore y ejecute un programa de corrección de las causas

relevantes.
Ejemplo7
En una fábrica de componentes electrónicos se detectaron fallas en la

línea de ensamble al realizar la prueba de un circuito, por lo cual se
procedió a realizar una investigación utilizando el diagrama causa-
efecto.
El problema es soldadura defectuosa, siendo el efecto que se va

a analizar.
Primero se determinan las causas principales M’s:
 Máquinas
 Mano de obra
 Métodos
 Materiales
 Mediciones
 Medio ambiente
Estas constituyen las causas primarias del problema y es necesario

desafiarlas para encontrar causas más específicas secundarias y
terciarias.
7
Tomado de: Alberto Galgano, Los siete instrumentos de la Calidad Total, ediciones Díaz de Santos,1995
Página 69
Se construye el diagrama espina de pescado con las causas primarias (M

´s), a partir de estas causas se agrupan las causas secundarias y
terciarias derivadas de la lluvia de ideas.
MEDICIONES MAQUINAS MANO DE OBRA
DIMENSIONES
VELOCIDAD DE
INADECUADAS FORMACION
FUERA DE AVANCE
DIMENSIONES
TEMPERATURA HABILIDAD
ESPECIFICADS
ANGULO LIMITES
INCORRECTO DE PUNTA OXIDADA ERGONOMICOS
FORMA
LA FLAMA
PUNTA
SOLDADURA DEFECTUOSA
UNION
SUPERFICIE SOLDADURA
S CON LACA DE
POLVO E SECUENCIA PROTECCION
IMPUREZAS SOLDADURA
TIEMPOS DE TERMINALES
ESPERA DESOXIDANTE
CORTOS OXIDADOS
MEDIO AMBIENTE MÉTODOS MATERIALES
El equipo analiza cada causa y por medio de eliminación y consenso

determina cuales son las verdaderas causas que están ocasionando el
problema. Una vez determinada las causas se realiza un análisis Why-
Why Why? El cual consiste en preguntarnos tres veces ¿por qué?, para
encontrar la causa raíz del problema.
En el ejemplo anterior las causas primarias fueron agrupadas en (M’s):

mediciones, máquinas, mano de obra,medio ambiente, métodos y
Página 70
materiales. Es posible realizar este diagrama con causas primarias

diferentes a las M´s.
3.5 Estudios de Capacidad de sistemas de medición (R&R)
En muchas ocasiones las organizaciones no consideran el impacto de no

tener sistemas de medición de calidad, el hecho de que las
mediciones no sean exactas puede llevar a cometer errores en el
cálculo, y en los análisis y conclusiones de los estudios de
capacidad de los procesos.
Cuando los operadores no miden una pieza de manera consistente, se

puede caer en el riesgo de rechazar artículos que están en buen estado
o aceptar artículos que están en mal estado.
Por otro lado si los instrumentos de medición no están calibrados

correctamente también se pueden cometer errores. Cuando sucede lo
mencionado anteriormente tenemos un sistema de medición deficiente
que puede hacer que un estudio de capacidad parezca insatisfactorio
cuando en realidad es satisfactorio.
Lo anterior puede tener como consecuencia gastos innecesarios de

reproceso al reparar un proceso de manufactura o de servicios, cuando
la principal fuente de variación se deriva del sistema de medición.
Página 71
Posibles Fuentes de la Variación del Proceso
Variación del proceso
Variación
Variación deldel proceso,
proceso, real
real Variación de la medición
Variación dentro de la Variación

Equipooriginada
de
muestra mediciòn Reproducibilidad
por el calibrador
Repetibilidad Estabilidad Linealidad Sesgo
Calibración
Definiciones
 Reproducibilidad: Es la variación, entre promedios de las mediciones
hechas por diferentes operadores que utilizan un mismo instrumento
de medición cuando miden las mismas características en una misma
parte.
Operador-B
Operador-C
Operador-A
Reproducibilidad
Página 72
 Repetibilidad: es la variación de las mediciones obtenidas con un

instrumento de medición, cuando es utilizado varias veces por un
operador, al mismo tiempo que mide las mismas características en
una misma parte.
REPETIBILIDAD
 Valor verdadero:
Valor correcto teórico / estándares NIST8
 Precisión: Es la habilidad de repetir la misma medida cerca o dentro
de una misma zona
 Exactitud :
Es la diferencia entre el promedio del número de medidas y el valor
verdadero.
 Resolución: La medición que tiene exactitud y precisión.
Exacto pero no preciso Exacto y preciso

Preciso pero no exacto
(resolución)
8
·En EUA se tiene el NIST (National Institute of Standards ando Technology),En México se tiene el
CENEAM o el Centro Nacional de Metrología
Página 73
- Estabilidad: es la variación total de las mediciones obtenidas con un

sistema de medición, hechas sobre el mismo patrón o sobre las
mismas partes, cuando se mide una sola de sus características,
durante un período de tiempo prolongado.
Tiempo 2
Tiempo 1
- Linealidad: diferencia en los valores de la escala, a través del rango

de operación esperado del instrumento de medición.
Valor Valor
verdadero verdadero
Sesgo Sesgo
Menor mayor
(rango inferior) (rango superior)

Rango de Operación del equipo
 Sesgo: distancia entre el valor promedio de todas las mediciones y el

valor verdadero. Error sistemático o desviación.
Valor 
Verdadero
Sesgo
Página 74
 Calibración: Es la comparación de un estándar de medición con

exactitud conocida con otro instrumento para detectar, reportar o
eliminar por medio del ajuste, cualquier variación en la exactitud del
instrumento.
 Importante: para que el equipo de medición tenga una discriminación
adecuada en la evaluación de las partes, su
 resolución debe ser al menos 1/10 de la variabilidad del proceso.
<10% Aceptable
10-30%. Puede ser aceptable, dependiendo si la característica a
medir no es crítica.
>30%. ¡Inaceptable!
En cualquier problema que involucre mediciones, algunas de las

variaciones observadas son debidas al proceso y otras son debidas al
error o variación en los sistemas de medición. La variación total es
expresada de la siguiente manera:
 2 total   2 proceso   2 error mediciòn
Estudio de R&R Método largo
• Generalmente intervienen de dos a tres operadores

• Generalmente se toman 10 unidades
• Cada unidad es medida por cada operador, 2 ó 3 veces.
Página 75
 La resolución del equipo de medición debe ser de al menos el 10%

del rango de tolerancia o del rango de variación del proceso.
 Las partes deben seleccionarse al azar, cubriendo el rango total del

proceso. Es importante que dichas partes sean representativas del
proceso total (80% de la variación)
 10 partes NO son un tamaño de muestra significativo para una
opinión sólida sobre el equipo de medición a menos que se cumpla el
punto anterior.
Procedimiento para realizar un estudio de R&R
1. Asegúrese de que el equipo de medición haya sido calibrado.

2. Marque cada pieza con un número de identificación que no pueda ver
la persona que realiza la medición.
3. Haga que el primer operador mida todas las muestras una sola vez,
siguiendo un orden al azar.
4. Haga que el segundo operador mida todas las muestras una sola vez,
siguiendo un orden al azar.
5. Continúe hasta que todos los operadores hayan medido las muestras
una sola vez (Este es el ensayo 1).
6. Repita los pasos 3-4 hasta completar el número requerido de ensayos
7. Determine las estadísticas del estudio R&R
 Repetibilidad
 Reproducibilidad
 % R&R
 Desviaciones estándar de cada uno de los conceptos mencionados
 Análisis del porcentaje de tolerancia
8. Analice los resultados y determine las acciones a seguir si las hay.
Página 76
Métodos de estudio del error R&R:
I.
Método de Promedios- Rango
 Permite separar en el sistema de medición lo referente a la
Reproducibilidad y a la Repetibilidad.
 Los cálculos son más fáciles de realizar.
II. Método ANOVA

 Permite separar en el sistema de medición lo referente a la
Reproducibilidad y a la Repetibilidad.
 También proporciona información acerca de las interacciones de un
operador y otro en cuanto a la parte.
 Calcula las varianzas en forma más precisa.
 Los cálculos numéricos requieren de una computadora.
 El Método ANOVA es más preciso
Ejemplo (MINITAB)
Método X Barra - R
Se seleccionan 10 muestras de un proceso de manufactura, cada parte

es medida dos veces por tres operadores. Realice un estudio R&R
mediante el método ANOVA.
Página 77
OPERADOR A.- B.- C.-

columna columna columna columna columna columna columna columna columna
1 2 3 5 6 7 9 10 11
1er 2do 3er 1er 2do 3er 1er 2do 3er
Muestra Intento Intento Intento Intento Intento Intento Intento Intento Intento
1 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0050 0.0045 0.0045
2 0.0045 0.0055 0.0045 0.0055 0.0050 0.0045 0.0055 0.0045 0.0045
3 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0040
4 0.0050 0.0050 0.0045 0.0050 0.0050 0.0050 0.0050 0.0050 0.0050
5 0.0045 0.0045 0.0045 0.0040 0.0045 0.0040 0.0045 0.0045 0.0040
6 0.0050 0.0055 0.0045 0.0060 0.0050 0.0050 0.0050 0.0050 0.0050
7 0.0050 0.0045 0.0045 0.0055 0.0045 0.0050 0.0045 0.0050 0.0050
8 0.0050 0.0050 0.0050 0.0050 0.0050 0.0050 0.0060 0.0050 0.0050
9 0.0050 0.0045 0.0050 0.0045 0.0045 0.0050 0.0055 0.0045 0.0045
10 0.0040 0.0040 0.0040 0.0040 0.0040 0.0040 0.0045 0.0045 0.0045
Totales 0.0470 0.0475 0.0455 0.0485 0.0465 0.0465 0.0500 0.0470 0.0460
 Capture los datos en la hoja de trabajo de Minitab en tres columnas

C1, C2, C3
Partes Operadores Medición Partes Operadores Medición Partes Operadores Medición

1 1 0.0045 1 2 0.0045 1 3 0.005
2 1 0.0045 2 2 0.0055 2 3 0.0055
3 1 0.0045 3 2 0.0045 3 3 0.0045
4 1 0.005 4 2 0.005 4 3 0.005
5 1 0.0045 5 2 0.004 5 3 0.0045
6 1 0.005 6 2 0.006 6 3 0.005
Página 78
7 1 0.005 7 2 0.0055 7 3 0.0045

8 1 0.005 8 2 0.005 8 3 0.006
9 1 0.005 9 2 0.0045 9 3 0.0055
10 1 0.004 10 2 0.004 10 3 0.0045
1 1 0.0045 1 2 0.0045 1 3 0.0045
2 1 0.0055 2 2 0.005 2 3 0.0045
3 1 0.0045 3 2 0.0045 3 3 0.0045
4 1 0.005 4 2 0.005 4 3 0.005
5 1 0.0045 5 2 0.0045 5 3 0.0045
6 1 0.0055 6 2 0.005 6 3 0.005
7 1 0.0045 7 2 0.0045 7 3 0.005
8 1 0.005 8 2 0.005 8 3 0.005
9 1 0.0045 9 2 0.0045 9 3 0.0045
10 1 0.004 10 2 0.004 10 3 0.0045
1 1 0.0045 1 2 0.0045 1 3 0.0045
2 1 0.0045 2 2 0.0045 2 3 0.0045
3 1 0.0045 3 2 0.0045 3 3 0.004
4 1 0.0045 4 2 0.005 4 3 0.005
5 1 0.0045 5 2 0.004 5 3 0.004
6 1 0.0045 6 2 0.005 6 3 0.005
7 1 0.0045 7 2 0.005 7 3 0.005
8 1 0.005 8 2 0.005 8 3 0.005
9 1 0.005 9 2 0.005 9 3 0.0045
10 1 0.004 10 2 0.004 10 3 0.0045
 Seleccione en el menú de la barra de herramientas STAT>QUALITY

TOOLS>GAGE STUDY > Gage R&R (Crossed)
 Seleccione C1 (parte), C2 (operador), C3 (Medición)
 Método de Análisis X Bar and R
 En Options Seleccionar: Staudy variation 5.15 Process tolerante
0.006
Los resultados se muestran a continuación:
Gage R&R Study - XBar/R Method
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.0000001 41.00
Repeatability 0.0000001 40.52
Página 79
Reproducibility 0.0000000 0.48

Part-To-Part 0.0000001 59.00
Total Variation 0.0000001 100.00
Study Var %Study Var %Tolerance

Source StdDev (SD) (5.15 * SD) (%SV) (SV/Toler)
Total Gage R&R 0.0002476 0.0012750 64.03 21.25
Repeatability 0.0002461 0.0012675 63.65 21.12
Reproducibility 0.0000269 0.0001384 6.95 2.31
Part-To-Part 0.0002970 0.0015295 76.81 25.49
Total Variation 0.0003867 0.0019913 100.00 33.19
Number of Distinct Categories = 1
Gage R&R for Datos
Análisis de los resultados:
El error de R&R vs tolerancia es 64.03% y vs variación total del proceso

es 21.25% lo que hace que el equipo de medición no sea adecuado para
la medición.
Por otro lado el número de categorías es sólo de 1 cuando debe ser al

menos 4 indicando que el instrumento discrimina las diversas partes
diferentes.
Página 80
Gage R&R (Xbar/R) for Datos

Reported by :
G age name: Tolerance:
D ate of study : M isc:
Components of Variation Datos by Partes

80 0.006
% Contribution
% Study Var
Percent
% Tolerance
40 0.005
0.004
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Partes
R Chart by Operadores
1 2 3 Datos by Operadores
UCL=0.001073 0.006
0.0010
Sample Range
_ 0.005
0.0005
R=0.000417
0.004
0.0000 LCL=0
1 2 3
Operadores
Xbar Chart by Operadores
1 2 3 Operadores * Partes Interaction
O peradores
UCL=0.005143
Sample Mean
1
0.0050 0.0050
Average
_ 2
X=0.004717 3
0.0045
0.0045
LCL=0.004290
0.0040
0.0040 1 2 3 4 5 6 7 8 9 10
Partes
La gráfica R se mantiene en control indicando que las mediciones se

realizaron en forma adecuada.
La gráfica X barra sólo presenta 5 de 30 puntos fuera de control, lo cual

debería ser al menos el 50%, indicando que el equipo no discrimina las
diferentes partes.
3.6 La distribución normal
La distribución normal es una de las distribuciones más usadas e

importantes. Se ha desenvuelto como una herramienta indispensable en
cualquier rama de la ciencia , la industria y el comercio. Muchos eventos
reales y naturales tienen una distribución de frecuencias cuya forma es
muy parecida a la distribución normal.
Página 81
La distribución normal es llamada también campana de Gauss por su

forma acampanada.
 X
Propiedades de la distribución normal

 La distribución normal tiene forma de campana.
 La distribución normal es una distribución de probabilidad que tiene
media  = 0 y desviación estándar  = 1.
 El área bajo la curva o la probabilidad desde menos infinito a más
infinito vale 1.
 La distribución normal es simétrica, es decir cada mitad de curva
tiene un área de 0.5.
 La escala horizontal de la curva se mide en desviaciones estándar.
 La forma y la posición de una distribución normal dependen de los
parámetros  y  , en consecuencia hay un número infinito de
distribuciones normales.
Existe una relación del porcentaje de población a la desviación
estándar. En la figura observamos por ejemplo que el área bajo la curva
para  1 tiene un porcentaje de 68.26%,  2 = 95.46% y
 3  99.73% .
-3s -2s -1s +1s +2s +3s
68.26%
Página 82
95.46%
La población incluye todos los datos, la muestra es una porción de la

población.
Población Muestra
X
      
x-3s x-2s x-s x x+s x+2s

La x+3s
desviación estándar
sigma representa la
distancia de la media al
punto de inflexión de la
curva normal
X
x-3 x-2 x- x x+ x+2 x+3
z
-3 -2 -1 0 1 2 3
La distribución normal estándar
El valor de z
Página 83
Determina el número de desviaciones estándar  entre algún valor X y

la media de la población  . Para calcular el valor de Z usamos la
siguiente fórmula.
X 
Z

La distribución de probabilidad f (Z) es una distribución normal con

media 0 y desviación estándar 1; esto es Z se distribuye normalmente
con media cero y desviación estándar = 1 Z~N(0,1): La gráfica de
densidad de probabilidad se muestra en la figura.
F(z)
  1
La distribución f (Z) se encuentra tabulada en la tabla de distribución

normal estándar. En esta tabla podemos determinar los valores de Z o
la probabilidad de determinado valor Z.
Ejemplo 1 : El gerente de personal de una gran compañía requiere que

los solicitantes a un puesto efectúen cierta prueba y alcancen una
calificación de 500. Si las calificaciones de la prueba se distribuyen
normalmente con media   485 y desviación estándar   30 ¿Qué
porcentaje de los solicitantes pasará la prueba?
Calculando el valor de Z obtenemos:
Página 84
X  500  485
Z =  0.5
 30
Buscamos el valor correspondiente Z en las tabla de distribución

normal. Z0.5 = .69146 = 69.146%. siendo esta la probabilidad de que la
calificación sea menor a 500 P (X<500). Dado que el porcentaje pedido
es P( X  500) la solución es 1-.69146 =.3085 , 30.85% de los
participantes pasarán la prueba.
485
3 0 .8 5 %
Z.0 5
Ejemplo 2:
Encuentre las probabilidades siguientes usando la tabla Z.
a) P(-1.23 < Z > 0)
-1.23 Z
Solución: Buscamos el valor Z1..23 en las tablas siendo este = .89065.

restando .89065-.05 = .3905, este valor es la probabilidad de 0 a
Página 85
1.23 que es exactamente la misma de –1.23 a 0 por simetría. Por lo

tanto la probabilidad es .3905
Uso de la distribución normal en Excel
 Para calcular la probabilidad dado un valor Z procedemos de la

siguiente manera:
En la barra de herramientas seleccione el icono de funciones

fx>Estadísticas>Distr.Norm.Estand (-Z) OK
Seleccione la celda que contiene el valor de Z, que en este caso es Z=

1.3 , de clic en aceptar y aparecerá la probabilidad buscada P(z)= .
903199
 Para calcular Z dada una probabilidad f(z)

fx>Estadísticas>Distr.Norm.Estand.inv(probabilidad o área)
OK
De clic en aceptar. Procedemos de la misma manera que en el caso

anterior, pero en esta ocasión seleccionamos la probabilidad .93319
El valor Z = 1.4999
 Cuando no tenemos valores de Z ni probabilidad.
Ejemplo 3 : Suponga que una distribución normal dada tiene una media
de 20 y una desviación estándar de 4. calcule la probabilidad P (X >
24).
Página 86

fx>Estadísticas>Distr.Norm.Estand(4). OK
El sistema muestra la siguiente ventana, en la cual llenamos los

siguientes datos:
El resultado de la fórmula = .97724. , dado que esta es la probabilidad

P(X  24), la probabilidad buscada
P (X > 24) = 1-.8413= .1587
Para cálculos utilizando el paquete Minitab, usar:
1. Calc >Probability Distributions >Normal
2. Indicar Cumulative Distribution o inverse Cumulative

Distribution (dando valores de Z se obtienen valores de área) o
Inverse Cumulative Distribution (dando áreas proporciona los
valores de Z).
3. En Input constant indicar el valor de Z (cumulative) para

obtener el área bajo la curva o proporcionar el área bajo la curva
(Inverse cumulative) para obtener el valor de Z. OK
Si se especifica una columna Cx para almacenamiento de los resultados,

estos no se muestran automáticamente, para verlos es necesario
ejecutar la opción >Manip >Display Data
3.7 Capacidad de procesos normales
Página 87
Al planear los aspectos de calidad de la manufactura, es sumamente

importante asegurarse de antemano de que el proceso será capaz de
mantener las tolerancias. En las décadas recientes ha surgido el
concepto de capacidad del proceso ó habilidad del proceso, que
proporciona una predicción cuantitativa de qué tan adecuado es un
proceso. La habilidad del proceso es la variación medida, inherente del
producto que se obtiene en ese proceso.
Definiciones básicas.
 Proceso: Éste se refiere a alguna combinación única de máquinas,
herramientas, métodos, materiales y personas involucradas en la
producción.
 Capacidad o habilidad: Esta palabra se usa en el sentido de
aptitud, basada en el desempeño probado, para lograr resultados
que se puedan medir.
 Capacidad del proceso: Es la aptitud del proceso para producir
productos dentro de los límites de especificaciones de calidad.
 Capacidad medida: Esto se refiere al hecho de que la capacidad
del proceso se cuantifica a partir de datos que, a su vez, son el
resultado de la medición del trabajo realizado por el proceso.
 Capacidad inherente: Se refiere a la uniformidad del producto que
resulta de un proceso que se encuentra en estado de control
estadístico, es decir, en ausencia de causas especiales o
atribuibles de variación.
 Variabilidad natural: Los productos fabricados nunca son idénticos
sino que presentan cierta variabilidad, cuando el proceso está bajo
control, solo actúan las causas comunes de variación en las
características de calidad.
Página 88
 Valor Nominal: Las características de calidad tienen un valor ideal

óptimo que es el que desearíamos que tuvieran todas las unidades
fabricadas pero que no se obtiene, aunque todo funcione
correctamente, debido a la existencia de la variabilidad natural.
Objetivos9
1. Predecir en que grado el proceso cumple especificaciones.

2. Apoyar a diseñadores de producto o proceso en sus modificaciones.
3. Especificar requerimientos de desempeño para el equipo nuevo.
4. Seleccionar proveedores.
5. Reducir la variabilidad en el proceso de manufactura.
6. Planear la secuencia de producción cuando hay un efecto interactivo
de los procesos en las tolerancias.
9
Douglas C. Montgomery, Introduction to Statistical Quality Control, Second Edition, pp 307
Página 89
p = porcentaje de medidas bajo la curva de probabilidad fuera de

especificaciones.
Partes fuera de especificaciones
En el área sombrada observamos medidas fuera de los límites de

especificación.
Para solucionar este problema, podemos reducir la desviación estándar.
También podríamos cambiar la media.
Página 90
Lo ideal sería, por supuesto cambiar ambas.
Condiciones para realizar un estudio de capacidad del proceso
Para realizar un estudio de capacidad es necesario que se cumplan los

siguientes supuestos10:
 El proceso se encuentre bajo control estadístico, es decir sin la

influencia de fuerzas externas o cambios repentinos. Si el proceso
está fuera de control la media y/o la desviación estándar del proceso
no son estables y, en consecuencia, su variabilidad será mayor que la
natural y la capacidad potencial estará infravalorada, en este caso no
es conveniente hacer un estudio de capacidad.
 Se recolectan suficientes datos durante el estudio de habilidad para
minimizar el error de muestreo para los índices de habilidad. Si los
datos se componen de menos de 100 valores, entonces deben
calcularse los límites de confianza inferiores.
 Los datos se recolectan durante un periodo suficientemente largo
para asegurar que las condiciones del proceso presentes durante el
estudio sean representativos de las condiciones actuales y futuras.
10
J.M. Juran, Análisis y planeación de la Calidad, Tercera Edición Mc. Graw Hill, Pp.404
Página 91
 El parámetro analizado en el estudio sigue una distribución de

probabilidad normal, de otra manera, los porcentajes de los
productos asociados con los índices de capacidad son incorrectos.
También es importante al realizar un estudio de capacidad, asegurarnos

que la variación en el sistema de medición no sea mayor al 10%.
Variación a corto plazo y a largo plazo
Existen dos maneras de expresar la variabilidad:

Variación a corto plazo (Zst) – Los datos son recogidos durante un
periodo de tiempo suficientemente corto para que sea improbable que
haya cambios y otras causas especiales.
Las familias de variación han sido restringidas de tal manera que los
datos considerados, sólo son los que se obtuvieron del subgrupo
racional. Ayuda a determinar subgrupos racionales importantes.
Variación a Largo Plazo(Zlt) – Los datos son recogidos durante un

periodo de tiempo suficientemente largo y en condiciones
suficientemente diversas para que sea probable que contenga algunos
cambios de proceso y otras causas especiales. Aquí todas las familias
de variación exhiben su contribución en la variación del proceso
general.
Página 92
Para el cálculo de Z utilizamos las siguientes formulas:
Z st 
 límite especif .  nom.
desv.std ST
límite especif .  media

Z LT 
desv.std LT
dónde:
Zst = variación a corto plazo.

nom = Valor nominal u objetivo
Zlt = variación a largo plazo.
Z shift.- A largo plazo los procesos tienen un desplazamiento natural de

1.5 desviaciones estándar.
Zlt = Zst-1.5shift
Cálculo de la capacidad del proceso:
Para calcular la habilidad o capacidad potencial utilizamos la siguiente

fórmula:
Cp 
 LSE  LIE 
6S
Página 93
donde:
Cp = capacidad potencial
LSE = límite superior de especificaciones
LIE = límite inferior de especificaciones
S = desviación estándar
El índice Cp debe
ser  1 para tener el potencial de cumplir con especificaciones (LIE,
LSE)
Para calcular la ha
bilidad o capacidad real utilizamos la siguiente fórmula:
menor Z I , Z S
C pk 
3
Para que el proceso cumpla con las especificaciones el Cpk= debe de ser
 1.
Capacidad del proceso a partir de histogramas
Procedimiento:
1. Seleccionar un proceso específico para realizar el estudio
2. Seleccionar las condiciones de operación del proceso
3. Seleccionar un operador entrenado
4. El sistema de medición debe tener habilidad (error R&R < 10%)
5. Cuidadosamente recolectar la información
6. Construir un histograma de frecuencia con los datos
7. Calcular la media y desviación estándar del proceso
Página 94
8. Calcular la capacidad del proceso.
Ejemplo 1. Capacidad de proceso a partir de histogramas
Observamos que el histograma tiene forma normal.
Calculando la media y la desviación estándar tenemos:
X  264.06
S = 32.02
La variabilidad del proceso se encuentra en 6 s = 192.12
Si las especificaciones fueran LIE = 200 y LSE = 330
Cp 
 LSE  LIE  
 330  200  .67 < 1, el proceso no es hábil.
6S 192.2
Zi 
 330  264.06  2.06
32.02
Zs 
 200  264.06   2
32.02
Cpk = menor de Zi y Zs = -2 < 1 , por lo tanto proceso no cumple

especificaciones.
Capacidad a partir de cartas de control
Página 95
En casos especiales como estos donde las variaciones presentes son

totalmente inesperadas tenemos un proceso inestable ó
impredecible.
?
? ?
? ?
? ?
Si las variaciones presentes son iguales, se dice que se tiene un proceso

“estable”. La distribución será “predecible” en el tiempo.
Predicción
Tiempo
Cálculo de la desviación estándar del proceso
Página 96
R S
  ó   (Para cartas de control X-R y X-S respectivamente)
d2 C4
Donde,
S = Desviación estándar de la población
d2 = Factor que depende del tamaño del subgrupo en la carta de control
X-R
C4 = Ídem al anterior para una carta X - S
En una carta por individuales, d2 se toma para n = 2 y Rango Medio =

Suma rangos / (n -1)
Ejemplo 2 (carta X - R):

De una carta de control X - R (con subgrupo n = 5) se obtuvo lo
siguiente, después de que el proceso se estabilizó quedando sólo con
causas comunes: x = 64.06 , R = 77.3
Por tanto estimando los parámetros del proceso se tiene:
  x  media de medias 
R 77.3
    33.23
d 2 2.326
Si el límite de especificación es: LIE = 200.
 200  264.06 
El C pk  = 0.64 por tanto el proceso no cumple con las
3  33.23
especificaciones.
Capacidad de procesos en Minitab
Página 97
Nos aseguramos que los datos se distribuyan normalmente con la

prueba de Ryan como sigue:
1. Stat > Basic statistics > Normality Test
2. Variable C1 Seleccionar Ryan Joiner test OK
El P value debe ser mayor a 0.05 para que los datos se distribuyan
normalmente
Otra opción por medio de una gráfica de probabilidad normal, se tiene:
3. Graph > Probability plot > Normal

4. Graph Variable C1
5. Distribution Normal OK
Los puntos deben quedar dentro del intervalo de confianza para indicar
que es normal la distribución.
Página 98
Determinación de la capacidad del proceso
Una vez comprobada la normalidad de los datos, determinar la

capacidad con:
1. Stat > Quality tools > Capability analysis > Normal

2. Single column C1 Subgroup size 1 Lower Spec 200 Upper
spec 330
3. Estimate R-bar OK
Página 99
Process Capability of Datos
LSL USL
P rocess D ata Within
LS L 200.00000 Ov erall
Target *
USL 330.00000 P otential (Within) C apability
S ample M ean 269.25354 Cp 0.70
S ample N 100 C PL 0.75
S tD ev (Within) 30.83472 C PU 0.66
S tD ev (O v erall) 30.80011 C pk 0.66
C C pk 0.70
O v erall C apability
Pp 0.70
PPL 0.75
PPU 0.66
P pk 0.66
C pm *
210 240 270 300 330 360

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 10000.00 P P M < LS L 12353.30 P P M < LS L 12272.69
P P M > U S L 30000.00 P P M > U S L 24415.36 P P M > U S L 24288.79
P P M Total 40000.00 P P M Total 36768.66 P P M Total 36561.48
Interpretación:
La desviación estándar Within se determina en base al Rango medio y

d2 (1.128 para n = 2), con esta se determinan los índices de capacidad
potencial Cp y Cpk, así como el desempeño Within, lo cual es adecuado
para un proceso en control o normal.
La desviación estándar Overall se determina con la desviación estándar

de todos los datos de la muestra dividido entre el factor C4 = 4(n-1))/
(4n – 3), con esta desviación estándar se determinan los índices de
desempeño Pp y Ppk así como el desempeño Overall, no importando si
el proceso está en control o no, en este último caso los valores no
tienen significado práctico.
Página 100
Opción Six Pack para mostrar toda la información relevante:
Determinar la capacidad con:
4. Stat > Quality tools > Capability Six Pack > Normal
5. Single column C1 Subgroup size 5 Lower Spec 200 Upper
spec 330
En este caso de la gráfica de probabilidad normal, los datos siguen una

distribución normal.
Página 101
3.8 Capacidad de procesos no normales.
Cuando los datos provienen de poblaciones no normales una opción para

realizar el estudio de capacidad de procesos es mediante la distribución
Weibull.
Ejemplo en Minitab
En una compañía se manufacturan losetas para piso, el problema que se

tiene es referente a la deformación en las mismas. Se toman 100
mediciones durante 10 días. El límite superior de especificación (USL) =
3.5 mm. Realice un estudio de capacidad con la ayuda de Minitab e
interprete los resultados.
Generar 100 datos aleatorios en Minitab con Factor de forma = 1, Factor

de escala = 1 con
6. Calc > Random data > Weibull

7. Generate 100 Store in columns C1 Shape parameter 1.2
Scale parameter 1 Threshold parameter 0 OK
Considerando Límites de especificaciones LIE = 0 y LSE = 3.5
Determinar la capacidad con:
7. Stat > Quality tools > Capability análisis > NoNormal

8. Single column C1 Dsitribution Weibull Lower Spec 0 Upper
spec 3.5
Página 102
El histograma no muestra evidencia de alguna discrepancia seria entre

el modelo y los datos, ya que la curva muestra buen ajuste. Sin
embargo observamos que algunos datos caen fuera del límite superior
de especificación. Lo cual quiere decir que en algunos casos la
deformación será mayor a 3.5 mm.
El índice Ppk y Ppu11 = 0.85 lo cual nos dice que el proceso no es capaz
ya que 0.85<.1.33
También observamos que PPM > USL 3,795 lo cual significa que
aproximadamente 3,795 PPM estarán fuera de los límites de
especificaciones.
11
Los índices Pp y Ppk son similares a los índices Cp y Cpk , se refieren a la capacidad del proceso a largo
plazo.
Página 103
También se cuenta con la opción Six Pack para esta opción.
Página 104
CAPITULO 4 FASE DE ANALISIS
Definir
Definir Medir Analizar
Analizar Mejorar
Mejorar Controlar
Controlar
4.1 Introducción
En esta fase se efectúa el análisis de los datos obtenidos en la etapa de

Medición, con el propósito de conocer las relaciones causales o causas
raíz del problema. La información de este análisis nos proporcionará
evidencias de las fuentes de variación y desempeño insatisfactorio, el
cual es de gran utilidad para la mejora del proceso.
Los objetivos de esta fase son:
 Determinar el nivel de desempeño del proceso actual.

 Identificar cuales son las fuentes de variación. Por ejemplo mediante
el análisis Multi-Vari podemos determinar las fuentes que presentan
mayor variación, a través de la descomposición de los componentes
de variabilidad del proceso. las cuáles pueden ser, por ejemplo: de
lote a lote, dentro del lote, de turno a turno, entre turnos, dentro del
turno, de máquina a máquina, dentro de la máquina, de operador a
operador, dentro del operador, entre operadores, etc.
 Una vez identificadas las causas potenciales por medio de una lluvia
de ideas y un diagrama de causa efecto, se realiza un proceso de
Página 105
validación estadística de las mismas apoyándose en Análisis de

regresión, Pruebas de Hipótesis y Análisis de varianza.
Las herramientas que se incluyen en está fase son:
Herramienta ¿Para qué es utilizada?

Capacidad del proceso. Determinar cual es el desempeño
del proceso para cumplir con los
límites de especificaciones.
Mediciones para seis Mide la capacidad del proceso en
sigma términos cuantificables,
monitoreandolo para su mejora a
través del tiempo.
AMEF (FMEA) Identificar las maneras en las cuales
un proceso puede fallar para
alcanzar los requerimientos críticos
del cliente. Estimar el riesgo de las
causas específicas en relación con
estas fallas.
Intervalos de confianza y Herramienta utilizada para ser

Pruebas de hipótesis inferencias de la población a partir
de una muestra.
Tablas de contingencia Comparación de valores esperados

vs observados.
Análisis Multivari El objetivo general de las cartas
Multi-Vari es, descubrir los
componentes de variación en el
proceso y cuantificar las diferentes
fuentes de variabilidad.
Página 106
Análisis de Varianza Metodología para analizar la

(ANOVA) variación entre muestras y al
interior de las mismas con
varianzas. Nos sirve para comparar
dos o más medias poblacionales.
Análisis de Regresión Sirve para predecir el valor de una
variable a partir de una o más
variables. Es usada para conocer las
relaciones que existen entre las
variables dependientes e
independientes.
4.2 Etapas de la fase de análisis
La fase de análisis consta de las siguientes etapas:
4.2.1 Determinar la capacidad del proceso.-
La capacidad del proceso mide la habilidad del proceso para cumplir con
los requerimientos. Compara la variación del proceso contra la variación
permitida por el cliente.
Utilizando la herramienta “mediciones para Seis Sigma” calculamos lo

siguiente:
DPU: es la relación de la cantidad de defectos, entre el

número de unidades producidas.
Página 107
DPO: es similar al DPU excepto porque considera el numero

total de oportunidades que existen para que un defecto
ocurra.
DPMO (PPM) = es el producto de DPO X 1,000,000.
Sigma a corto plazo (ST): es el nivel de desviaciones

estándar (sigma) en el cual se encuentra nuestro proceso.
Sigma a Largo plazo (LT) : Es el sigma a corto plazo – 1.5,

por el desplazamiento que tiene la media a lo largo del
tiempo, si no se toma antes una medida preventiva.
4.2.2 Definir el objetivo de desempeño.-
En esta etapa se define la meta hacia la cual nos dirigimos, o sea cuales
son los niveles sigma esperados en nuestro proceso en el tiempo.
Una opción es realizar un Benchmarking, el cual es el mecanismo para

identificar y comparar quien tiene el mejor desempeño del proceso, ya
sea dentro de la organización u otra organización, y comparamos
nuestros valores contra ese parámetro de referencia para determinar la
“BRECHA” existente. e identificar acciones para reducirlo.
4.2.3 Identificar las fuentes de variación.-
Página 108
Cuando un proceso se encuentra fuera de las especificaciones

permitidas, se tiene evidencia de que existe variación. Para comprobarlo
utilizamos alguna de las herramientas de análisis, según sea el el caso
por ejemplo, el análisis Multi-Vari es una herramienta estadística que
nos permite determinar las fuentes que presentan mayor variación, a
través de la descomposición de los componentes de variabilidad del
proceso. Una vez determinadas las causas de variación, nos
enfocaremos en los “pocos vitales X” que están afectando la variable de
respuesta “y”. Una opción para priorizar estas causas es el uso del
“diagrama de Pareto”.
Variación del
Proceso
Variación Actual del Proceso Variación del Proceso de Medición
Variación a Largo Variación a Corto Variación debida al Variación debida al Otras fuentes de
Plazo Plazo Equipo de Medición operador Variación
Exactitud Precisión Discriminación

(Sesgo) (Error de Medición) (Resolución)
Figura 4-1 Posibles fuentes de variación del proceso.
Para una validación estadística de causas se utilizan diversas

herramientas estadísticas como las que se explican a continuación.
Página 109
4.3 Regresión lineal
La Regresión lineal se refiere a la predicción del valor de una variable a partir de

una o más variables. En ocasiones se denomina a la variable dependiente (y)
variable de respuesta y a la variable independiente (x) variable de predicción.
En muchos problemas hay dos o más variables inherentemente relacionadas, y es

necesario explorar la naturaleza de esta relación. El análisis de regresión puede
emplearse por ejemplo para construir un modelo que exprese el rendimiento
como una función de la temperatura. Este modelo puede utilizarse luego para
predecir el rendimiento en un nivel determinado de temperatura. También puede
emplearse con propósitos de optimización o control del proceso.
Supuestos para el modelo de regresión lineal1
1. Para cada valor de x, la variable aleatoria  se distribuye

normalmente.
2. Para cada valor de x, la media o valor esperado de  es 0; esto es,
E      0 .
3. Para cada valor de x, la varianza de  es la constante  2 (llamada

varianza del error).
4. Los valores del término de error  son independientes.
5. Para un valor fijo de x, la distribución muestral de y es normal,
porque sus valores dependen de los de .
6. Para un valor fijo x, es posible predecir el valor de y.
7. Para un valor fijo x, es posible estimar el valor promedio de y
Ejemplo 1:
Página 110
La revista Motor Trend presenta con frecuencia datos de rendimiento

para automóviles, que compara el tamaño del motor en pulgadas
cúbicas de desplazamiento (pcd) y las millas por galón (mpg) estimadas
para ocho modelos representativos de automóviles subcompactos
modelo 1984.
coches compactos tamaño del motor (pcd) x millas/galón (mpg), y

Chevrolet Cavalier 121 30
Datsun Nissan Stanza 120 31
Dodge Omni 97 34
Ford Escort 98 27
Mazda 626 122 29
Plymouth Horizon 97 34
Renault Alliance/Encore 85 38
Toyota Corolla 122 32
Graficando los datos de la tabla en el “diagrama de dispersión”

podemos observar la colección de los ocho pares de datos (x,y) como
muestra de una población de pares, donde las medidas pulgadas cúbicas
de desplazamiento (pcd) “x” pueden tomar cualquier valor en el rango
de valores que se extiende de 85 a 122. Para cada pcd posible hay
muchos millajes asociados con ella. Por ejemplo para un tamaño del
motor de 97 hay un gran número de millajes asociados, uno por cada
coche cuyo tamaño sea 97 pcd. Asumamos que existe una relación lineal
para la población de pares de datos de pcd y mpg. (Se entiende por
relación lineal cuando la variable y tiene una tendencia a crecer o
decrecer, cuando la variable x aumenta y el valor r tiende a +-1).
Las instrucciones para Minitab son:

> Stat > Regression > Regression
Seleccionar Response = Columna de las Y's
Seleccionar Predictors = Columnas de las Xs
OK
Página 111
Usamos el modelo probabilístico siguiente para explicar el

comportamiento de los millajes para las ocho medidas de tamaño de
motor, este se llama modelo de regresión lineal, y expresa la relación
lineal entre tamaño de motor (x) y millas por galón (y).
Modelo de regresión lineal
y   0  1 x  
Donde
y = variable dependiente
 0  ordenada al origen
 1 = pendiente
x = variable independiente
 = Error aleatorio
Página 112
La expresión  0   1 x se denomina componente determinística del

modelo de regresión lineal. La muestra de pares de datos se usará para
estimar los parámetros  0 y 1 de la componente determinística.
4.4 Cartas Multi Vari
Es una técnica de pre-experimentación diseñada para aislar y cuantificar

los mayores componentes de variabilidad en procesos de producción.
El análisis Multi-Vari permite determinar las fuentes que presentan

mayor variación, a través de la descomposición de los componentes de
variabilidad del proceso. Las cartas Multi-Vari forman parte de las
herramientas desarrolladas por Dorian Shainin 12, encaminadas a la
mejora del proceso.
El objetivo general de las cartas Multi-Vari es, descubrir los

componentes de variación en el proceso y cuantificar las diferentes
fuentes de variabilidad, las cuáles pueden ser, por ejemplo: de lote a
lote, dentro del lote, de turno a turno, entre turnos, dentro del turno, de
máquina a máquina, dentro de la máquina, de operador a operador,
dentro del operador, entre operadores, etc.
Las cartas Multi-Vari identifican tres principales familias de variación que

pueden influenciar en la variabilidad del proceso, éstas son variación
posicional, cíclica y temporal.
1. Variación posicional. Se refiere a variaciones dentro de una misma

pieza, variaciones producidas de un troquel a otro, dentro de un lote
12
Dorian Shainin (1914 – 2000). Precursor de herramientas como Lot-plot, Multi-Vari, Pre-control, B vs C,
(prueba no paramétrica de significancia estadística basada en la técnica de John Tukey), paired comparisons, y
otras.
Página 113
de piezas, de una máquina a otra, de un operador a otro, o de una

plata a otra.
2. Variación cíclica. Es la variación entre unidades de un mismo proceso,
o variación entre grupos de unidades (lotes).
3. Variación temporal. Variación de diferencia de tiempo (por ejemplo:
de hora a hora, de día a día, de semana a semana, etc.), variación de
una corrida de producción a otra, o variación de turno a turno.
Una vez identificados las fuentes de variación, el análisis Multi-Vari esta

diseñado y enfocado a identificar la variable independiente de mayor
influencia dentro de las familias de variación descritas anteriormente.
Pasos para elaborar una carta Multi-Vari.
1. Selección del proceso. Cualquier proceso que se presente fuera de las

especificaciones permitidas es candidato a ser seleccionado para
posteriormente ser analizado por medio de cartas Multi-Vari.
2. Plan de muestreo y toma de mediciones. El objetivo es tomar
mediciones que otorguen información con respecto a las principales
familias de variación que pueden influenciar en la variabilidad del
proceso. Es decir, para el caso de variación posicional, tomar
mediciones en una máquina y en otra, éstas mediciones deben ser
tomadas de manera que resulten en un muestreo aleatorio. El
muestreo aleatorio puede ser llevado a cabo con tablas de números
aleatorios, dichas tablas contienen una serie de columnas y renglones
de números, por ejemplo, el último dígito de un número nos puede
dar el intervalo de minutos que se debe esperar para tomar la
siguiente medición.
3. Toma de mediciones para variación simultánea. Es recomendable
también realizar una toma de mediciones que cubra más de una
Página 114
familia de variabilidad, por ejemplo es posible incluir la variación

temporal o la variación cíclica a una carta Multi-Vari que este
enfocada en la variación posicional.
4. Determinar los limites de variación. Obtener el máximo y el mínimo
del total de las mediciones tomadas anteriormente. Así como el
máximo y el mínimo para cada familia de variabilidad seleccionada.
5. Graficar los rangos. Las cartas Multi-Vari están formadas por cuatro
ejes dispuestos de manera rectangular.
a. Ejes. Los ejes verticales (izq. y der.) grafican la escala de la

medidas tomadas, use como guía los límites de variación
obtenidos en el paso 4. El eje horizontal inferior es usado para
identificar las unidades muestreadas, la posición, etc. El eje
horizontal superior es usado para agrupar por lotes, para
agrupar por turno, por máquina, etc. Nótese que los ejes
horizontales se definen de diferente manera de acuerdo a la
familia de variabilidad en que estamos interesados.
b. Cajas. La representación es similar a una gráfica de “Box and
Whiskers”, con la diferencia que el eje horizontal superior
define los límites horizontales de las cajas. Los límites
verticales de las cajas están definidos por la medición máxima
y el mínima de la familia de variabilidad seleccionada.
c. Mediciones. Las mediciones se ordenan clasificando por la
familia de variabilidad representada en el eje horizontal
superior. Posteriormente, son agrupadas por la familia de
variabilidad del eje horizontal inferior. Finalmente son
representadas en la gráfica y unidas por una línea horizontal.
d. Medias. Se obtiene la media de cada clasificación de la familia
de variabilidad representada en el eje horizontal superior. La
Página 115
media de cada caja es graficada en el centro de cada caja.

Finalmente las medias son unidas con una línea sólida.
Ejemplo gráfico:
Lote A Lote B Lote C Lote D

1.4”
1.3”
Medición (pulg.)
1.2”
1.1”
1.0”
A B C A B C A B C A B C
Troquel
Ejemplo de cartas Multi-Vari.
Se ha detectado que el proceso de producción de rondanas de plástico

se encuentra fuera de especificaciones. El diámetro exterior especificado
es de 1.50” + 0.01”. Se procede a realizar un proceso de pre-
experimentación a través de cartas Multi-Vari para identificar la fuente
de variabilidad.
Con este fin se planifica un muestreo aleatorio de cinco diferentes lotes

de material que será procesado en dos diferentes inyectoras de plástico.
Se toman cinco muestras para cada inyectora y para cada lote.
Resultando 50 observaciones.
Página 116
La siguiente figura muestra la carta Multi-Vari obtenida para el ejemplo.

El software estadístico usado para obtener esta carta es MiniTab. Nótese
que este software no encierra los datos en cajas.
Una carta Multi-Vari adicional correspondería a los ejes horizontales

invertidos, esto es, ordenados por lote y luego por inyectora.
Página 117
4.5 Pruebas de hipótesis para una población
Se trata de probar una afirmación sobre parámetros de la población

(media ; varianza σ2 o proporción ) en base a datos de estadísticos
de una muestra (X media, s2 o p respectivamente):
Por ejemplo, probar las afirmaciones en los parámetros se usan los

estadísticos:
En una población:
La media poblacional  = 12; estadístico Zc
La varianza poblacional σ2 = 12; estadístico c2
La proporción poblacional  = 0.3 estadístico Zc
En dos poblaciones
Las medias poblacionales son iguales 1 = 2 o 1 - 2 = 0;

estadístico Zc o Tc
Las varianzas poblacionales son iguales σ12 = σ22 o σ12 - σ22 = 0;

estadístico Fc
Las proporciones poblacionales son iguales 1 = 2 o 1 - 2 =0

estadístico Zc
- Hipótesis nula Ho, complemento de la Hipótesis alterna:
o Es la hipótesis o afirmación a ser probada

o Puede ser por ejemplo  =, , o  a 5
Página 118
o Sólo puede ser rechazada o no rechazada
- Hipótesis alterna Ha, complemento de la hipótesis nula:
o Es la hipótesis que se acepta como verdadera cuando se

rechaza Ho, es su complemento
o Si el signo de la hipótesis alterna es  entonces se trata de
una prueba de dos colas; si es > de cola derecha y si es <
de cola izquierda.
o Puede ser por ejemplo   5 para prueba de dos colas
o  < 5 para prueba de cola izquierda
o  > 5 para prueba de cola derecha
 Se plantea inicialmente la Ha si en el problema se muestra la

afirmación de ser menor o mayor a un valor establecido histórico.
 Se plantea inicialmente la Ho si en el problema se muestra la

afirmación igual (es, históricamente ha sido); mayor o igual
(cuando menos) o menor o igual (a lo más) a un valor establecido
histórico.
Página 119
 No importa cual se plantee primero, siempre la conclusión se hace

contra la Ho (se rechaza o no se rechaza)
 El intervalo de confianza es el intervalo donde se estima que se

encuentre el parámetro de la población (media ; varianza σ2 o
proporción ) para un cierto nivel de confianza o de significancia.
- Estadístico de prueba
o Para probar la hipótesis nula se calcula un estadístico de

prueba con la información de la muestra el cual se compara
a un valor crítico apropiado. De esta forma se toma una
decisión sobre rechazar o no rechazar la Ho
- Error tipo I (alfa = nivel de significancia, es común = 0.05 ). Alfa =

1- Nivel de confianza
o Se comete al rechazar la Ho cuando en realidad es

verdadera. También se denomina riesgo del productor.
- Error tipo II (beta )
o Se comete cuando no se rechaza la hipótesis nula siendo en

realidad falsa. Es el riesgo del consumidor
Pruebas de Hipótesis de dos colas:
Página 120
Si la Ho:  = que un valor poblacional, entonces el riesgo alfa

se reparte en ambos extremos de la distribución. Por ejemplo si
Ha: ≠ 10 se tiene:
Página 121
Ho: a = b
Ha: a  b
Pruebas de Hipótesis de cola derecha:
Si la Ho:  , que un valor poblacional, entonces el riesgo alfa

se coloca en el extremo derecho de la distribución. Por ejemplo
si Ho   10 y Ha:  >10 se tiene una prueba de cola derecha:
Ho: a  b
Ha: a > b
Página 122
Pruebas de Hipótesis cola izquierda:
Si la Ho:   que un valor poblacional, entonces el riesgo alfa se

coloca en el extremo izquierdo de la distribución. Por ejemplo si
Ho   10 y Ha:  < 10 se tiene una prueba de cola izquierda:
Ho: a  b
Ha: a < b
PASOS PARA PROBAR UNA PRUEBA DE HIPOTESIS
a) Probar la hipótesis de igualdad de una media  para n > 30
1) Establecer las hipótesis e identificar el nivel de significancia alfa o 1-

Nivel de confianza (NC)
Ho:  Ha: 
2) Calcular el estadístico de prueba Zc o Tc con formula
X   HIPOTESIS
Zc 
 n
Página 123
3) Determinar el estadístico de tablas Zt o Tc de Excel para una cierta

alfa o 1-NC
4) Establecer la región de rechazo con Zt y ver si cae ahí Zc
Las regiones de rechazo prueba de 2 colas: -Z/2 y Z/2
5) Determinar el Intervalo de confianza para la media y ver si incluye a

la media de la hipótesis, si no rechazar Ho
 S
IC para   X  Z  / 2 o si no se conoce Sigma IC para   X  Z  / 2
n n
6) Determinar el valor P correspondiente a Zc y comparar contra Alfa/2,

si es menor rechazar Ho
P value en Excel =DISTR.NORM.ESTAND(Zc)
Prueba de hipótesis en Minitab:
>Stat >Basic statistics > 1-Sample Z
Utilizar Sample in columns o Summarized data

Sample size 49 Mean 11.5 Standar deviation 1.1 Test Mean 12
Graphs – Seleccionar / Individual value plot
Confidence level 90% Alternative not equal

OK
Página 124
Resultados:
One-Sample Z
Test of mu = 12 vs not = 12
The assumed standard deviation = 1.1
N Mean SE Mean 90% CI Z P
49 11.5000 0.1571 (11.2415, 11.7585) -3.18 0.001
Criterios de rechazo de Ho:
Si Zc cae en la zona de rechazo

El valor de la Hipótesis no se encuentra en el Intervalo de confianza
El valor P es menor que el valor de alfa (prueba de una cola) o de alfa/2
(dos colas).
b) Estadístico tc para muestras pequeñas (n < 30) y la  es desconocida:

X   HIPOTESIS
tC 
s n
Estadístico de tablas Talfa o Talfa/2 en Excel =DISTR.T.INV(2*alfa o alfa,

grados de libertad n-1)
Intervalo de confianza para estimar  con muestras pequeñas (n < 30;

grados de libertad (gl.) = n –1):
S
IC para   X  t / 2 , gl
n
El valor p de probabilidad correspondiente al estadístico Tc se determina

como sigue:
Página 125
P value en Excel =DISTR.T(Tc, grados de libertad, 1 o 2 colas)
Prueba de hipótesis en Minitab:
>Stat >Basic statistics > 1-Sample t
Utilizar Sample in columns o Summarized data

Sample size 10 Mean 11277 Standar deviation 3772
Test Mean 12000
Graphs – Seleccionar º! Individual value plot
Confidence level 95% Alternative not equal

OK
Resultados:
One-Sample T
Test of mu = 12000 vs not = 12000
N Mean StDev SE Mean 95% CI T P

10 11277.0 3772.0 1192.8 (8578.7, 13975.3) -0.61 0.559
Si Tc cae en la zona de rechazo

(dos colas).
Página 126
c) Estadístico Zc para proporciones y muestras grandes (n >= 30):
 HIPOTESIS (1   HIPOTESIS )
p 
n
p   HIPOTESIS
Zc 
p
Estadístico de tablas Zalfa o Zalfa/2 en Excel

=DISTR.NORM.ESTAND.INV(alfa o alfa/2)
Intervalo de confianza para estimar  proporción poblacional:
p (1  p )
Sp 
n
IC para   p  Z  / 2 S p
El valor p de probabilidad correspondiente al estadístico Zc se determina

como sigue:
P value en Excel =DISTR.NORM.ESTAND(Zc)
Página 127
Prueba de hipótesis en Minitab
>Stat >Basic statistics > 1- Proportion
Summarized data
Number of trial 500 Number of events 225
Graphs – Seleccionar º! Individual value plot
Confidence level 98% Test proportion 0.40

Alternative Less than
º! Use test and interval based on normal distribution

OK
Resultados
Test and CI for One Proportion
Test of p = 0.4 vs p < 0.4
98%
Upper
Sample X N Sample p Bound Z-Value P-Value
1 225 500 0.450000 0.495693 2.28 0.989
Si Zc cae en la zona de rechazo

(dos colas).
Página 128
d) Tamaño de muestra para estimar  en función del error ( X   ) :
Z 2 / 2
n
( X  )2
e) Tamaño de muestra para estimar  en función del error ( p   ) , en el

peor caso  = 0.5:
Z 2 / 2 ( )(1   )
n
( p   )2
4.5 Pruebas de hipótesis para dos poblaciones
Pruebas de igualdad de dos varianzas
Presentaremos ahora pruebas para comparar dos varianzas. Supóngase

que son dos las poblaciones de interés, por ejemplo X 1 y X2, donde
1, 12 ,  2 ,  22 , se desconocen. Deseamos probar hipótesis relativas a la
igualdad de las dos varianzas, H 0 :  1   2 . Considérese que se disponen

2 2
dos muestras aleatorias de tamaño n1 de la población 1 y de tamaño n 2

2 2
de la población 2, y sean S1 yS 2 las varianzas de muestra. Para probar la
alternativa de dos lados
H 0 :  12   22
H 1 :  12   22
Utilizamos el hecho de que la estadística
Página 129
S12
F0  2
S2
Se distribuye como F, con n1-1 y n2 –1 grados de libertad.
Rechazaríamos H0 si
F0  F 2 , n1 1, n 2 1
o si
F0  F1 2 , n1 1, n2 1
Donde F 2 , n1 1, n2 1 y F1 2 , n1 1, n2 1 son los puntos porcentuales  2
superior e inferior de la distribución F con n1-1 y n2-2 grados de libertad.

La tabla F proporciona sólo los puntos de la cola superior de F, por lo
que para determinar F1 2 , n1 1, n2 1 debemos emplear
1
F1 2 , n1 1, n2 1 = F
 2 , n1 1, n2 1
La misma estadística de prueba puede utilizarse para probar hipótesis

alternativas de un lado. La hipótesis alternativa de un lado es:
H 0 :  12   22
H 1 :  12   22
Página 130
Si F0  F ,n1 1,n2 1 , rechazaríamos H 0 :  12   22 .
Ejemplo: Los siguientes son tiempos de quemado (en minutos) de

señales luminosas de dos tipos diferentes.
Tipo 1 Tipo 2
63 64
81 72
57 83
66 59
82 65
82 56
68 63
59 74
75 82
73 82
Pruebe la hipótesis de que las dos varianzas sean iguales. Use   .05
H 0 :  12   22
H 1 :  12   22
X 1  70.6
X 2  70
S12  88.71
S 22  100.44
S12 88.71
F0  2 =
 .877
S 2 100.44
F 2 , n1 1, n2 1 = F.025,9,9= 4.03
F1 2 , n1 1, n2 1 =0.248
Página 131
0.877 no es mayor que 4.03, por lo cual no se rechaza la hipótesis nula
H 0 :  12   22 .
Prueba de dos poblaciones cuando las varianzas son iguales
Sean X1 y X2 dos poblaciones normales independientes con medias
desconocidas 1 y  2 , y varianzas conocidas pero iguales  1   2   .

2 2 2
Deseamos probar:
H 0 : 1   2
H 1 : 1   2
2 2
Sean X1, X2, S1 , S 2 , las medias y las varianzas de las muestras,
2 2
respectivamente. Puesto que tanto S1 como S 2 estiman la varianza común
 2 , podemos combinarlas para producir una sola estimación, mediante
la siguiente fórmula:
 n1  1 S12   n2  1 S 22
Sp 
n1  n2  2
Para probar H 0 : 1   2 calcúlese la estadística de prueba

X1  X 2
t0 
1 1
Sp 
n1 n2
Si t 0  t 2,n1  n2  2 o si t 0  t 2,n1  n2  2 , rechazamos H 0 : 1   2

Las alternativas de un lado se tratan de modo similar. Para probar:
Página 132
H 0 : 1   2
H 1 : 1   2
Calcúlese la estadística de prueba t0 y rechácese H 0 : 1   2 si:
t 0  t ,n1  n2  2
Para la otra alternativa de un lado,
H 0 : 1   2
H 1 : 1   2
Calcúlese la estadística de prueba y rechácese H 0 : 1   2 si:
t 0  t a , n1  n2  2
Ejemplo: Se está investigando la resistencia de dos alambres, con la

siguiente información de muestra.
Alambre Resistencia (ohms)

1 .140 .141 .139 .140 .138 .144
2 .135 .138 .140 .139 - -
Suponiendo que las dos varianzas son iguales, ¿qué conclusiones puede
extraerse respecto a la resistencia media de los alambres?
H 0 : 1   2
H 1 : 1   2
Página 133
Calculando la media y la desviación estándar de la muestra:
x1  .140
x 2  .138
S1  .0021
S 2  .0022
 n1  1 S12   n2  1 S 22
Sp  = .0021
n1  n2  2
X1  X 2
t0 
1 1 = 1.72
Sp 
n1 n2
Se busca en la tabla de distribución t el valor t 2 , n1  n2 , 2 = t.025,8 =2.306

o se determina con Excel.
Utilizando el criterio de rechazo t 0  t 2, n1  n2  2 , 1.72 no es mayor que
2.306, por lo tanto no rechazamos H0.
4.6 Análisis de varianza de una vía (ANOVA)
El análisis de la varianza de un criterio (ANOVA) es una metodología

para analizar la variación entre muestras y la variación al interior de las
mismas mediante la determinación de varianzas. Es llamado de un
criterio porque analiza un variable independiente o Factor por ejemplo:
Velocidad. Como tal, es un método estadístico útil para comparar dos o
más medias poblacionales. El ANOVA de una vía nos permite poner a
prueba hipótesis tales como:
H 0  1   2   3  ....   k
Página 134
H 1 : Al menos dos medias poblacionales son diferentes.
Los supuestos en que se basa la prueba t de dos muestras que utiliza

muestras independientes son:
1. Ambas poblaciones son normales.

2. Las varianzas poblacionales son iguales, esto es,  1   2 .
2 2
Los supuestos para el ANOVA de una vía son:
1. Todas las poblaciones k son normales.

2.  1   2   3  .....   k    
2 2 2 2 2
El Procedimiento es el siguiente13:
1. Determinar si las muestras provienen de poblaciones normales.

2. Proponer las hipótesis.
3. Encontrar las medias poblacionales y las varianzas.
2
4. Encontrar la estimación de la varianza al interior de las muestras s w
y sus grados de libertad asociados glw.
5. Calcular la gran media para la muestra de las medias muéstrales.
2
6. Determinar la estimación de la varianza entre muestras s b y sus
grados de libertad asociados.
7. Hallar el valor del estadístico de la prueba F.
8. Calcular el valor crítico para F basado en glb y glw.
9. Decidir si se rechaza H0.
Por ejemplo:
13
Estadística. Richard C.Weimer. CECSA. Segunda Edición.2000
Página 135
Cuatro catalizadores que pueden afectar la concentración de un

componente en una mezcla líquida de tres componentes están
siendo investigado. Se obtienen las siguientes concentraciones:
Catalizador
A B C D
58.2 56.3 50.1 52.9
57.2 54.5 54.2 49.9
58.4 57 55.4 50
55.8 55.3 51.7
54.9
Utilizando el paquete Minitab se tiene:

Stat > ANOVA > One Way (Unstacked)
Response in separate columns A, B, C
Seleccionar Store Residuals y Store Fits Confidence level 95%
Graphs
Seleccionar Normal plot of residuals
Comparisons
Seleccionar Tukey’s Family error rate OK
Se obtuvieron los resultados siguientes:

Los residuos se distribuyen normalmente, validando el modelo ANOVA.
Página 136
De la tabla de ANOVA se observa que el valor P es menor a alfa de 0.05,

por lo que al menos dos medias son diferentes:
One-way ANOVA: A, B, C, D
Source DF SS MS F P
Factor 3 85.68 28.56 9.92 0.001
Error 12 34.56 2.88
Total 15 120.24
S = 1.697 R-Sq = 71.26% R-Sq(adj) = 64.07%
Individual 95% CIs For Mean Based on

Pooled StDev
Level N Mean StDev ---+---------+---------+---------+------
A 5 56.900 1.520 (------*-----)
B 4 55.775 1.100 (------*------)
C 3 53.233 2.779 (--------*-------)
D 4 51.125 1.443 (-------*------)
---+---------+---------+---------+------
50.0 52.5 55.0 57.5
Pooled StDev = 1.697
Tukey 95% Simultaneous Confidence Intervals

All Pairwise Comparisons
Individual confidence level = 98.83%
A subtracted from:
Lower Center Upper --------+---------+---------+---------+-

B -4.506 -1.125 2.256 (------*------)
C -7.347 -3.667 0.014 (-------*------)
Página 137
D -9.156 -5.775 -2.394 (-----*------)

--------+---------+---------+---------+-
-5.0 0.0 5.0 10.0
De aqui se puede observar que el catalizador A es diferente del

catalizador D (el cero no se encuentra en el intervalo de confianza)
B subtracted from:

C -6.391 -2.542 1.308 (-------*-------)
D -8.214 -4.650 -1.086 (------*------)
--------+---------+---------+---------+-
-5.0 0.0 5.0 10.0
De aqui se puede observar que el catalizador B es diferente del

catalizador D (el cero no se encuentra en el intervalo de confianza)
C subtracted from:

D -5.958 -2.108 1.741 (-------*------)
--------+---------+---------+---------+-
-5.0 0.0 5.0 10.0
Por lo anterior el catalizador D es diferente de los demás, para mejores

resultados se puede utilizar el catalizador A o B.
A continuación se analizará la fase de mejora de la metodología DMAIC

y en particular el Diseño de Experimentos.
Página 138
CAPÍTULO 5. FASE DE MEJORA
Definir
Definir Medir Analizar Mejorar
Mejorar Controlar
Controlar
5.1 Introducción
En la fase de Análisis se identificaron las causas de variación. En esta

fase se utilizará el diseño de experimentos (DOE), para seleccionar las
causas que más afectan nuestro CTQ e investigar estás causas para
conocer el comportamiento del proceso. El método de DOE consiste en
realizar cambios en los niveles de operación de los factores (X’s) para
obtener los mejores resultados en la respuesta "Y". Esta información es
de gran ayuda para la optimización y mejora de procesos.
Objetivos:
 Conocer el uso de las herramientas de mejora.

 Conducir el diseño de experimentos para la optimización de procesos.
 Obtener las mejoras del proceso en el proyecto.
Las principales herramientas utilizadas en esta fase son las siguientes:
Página 139
Herramientas:
Herramienta Para que es usada.

Diseño de Los experimentos factoriales son utilizados cuando
experimentos se involucran varios factores de interés en un
factoriales 2k experimento. En cada replica se utilizan cada uno de
los factores que se están investigando.
Diseño central Consiste en realizar replicas en ciertos puntos del
k
compuesto 2 experimento factorial 2k, para proveer una
protección contra la curvatura que pudiera estar
presente.
Ing. de Calidad Es utilizado cuando el número de factores es
de Taguchi demasiado grande ya que el número de
combinaciones e interacciones aumenta, y en
ocasiones sería casi imposible realizar un diseño
aunque se utilice un diseño fraccional; en este caso
es más sencillo realizar la metodología que propone
Taguchi.
RSM La metodología de superficie de respuesta o RSM es
una colección de técnicas Matemáticas y
Estadísticas, utilizadas para modelar y analizar
problemas en los cuales la Respuesta de interés es
influenciada por varias variables, siendo el objetivo
optimizar dicha Respuesta.
5.2 Etapas de la fase de Mejora
Las etapas de la fase mejora son las siguientes:
5.2.1 Mostrar las causas potenciales y caracterización de X´s:
En la fase de análisis encontramos los pocos vitales X’s, en esta fase

vamos a determinar aquellos que específicamente afectan nuestro
proceso. Esto se lleva a cabo a través de datos históricos, conocimiento
y discusiones. En base a lo anterior también desechamos las variables
que no son utilizadas. Una opción para realizar esta actividad es
mediante el uso del diagrama de Ishikawa
Página 140
Los pocos vitales son elementos críticos o factores, nombrados en tipo,

clase, o en cantidad.
Los cambios en los parámetros de operación referentes a las X´s pueden

ser puestos en niveles múltiples, para estudiar como afectan la respuesta en
el proceso “Y”
El Diseño de Experimentos es un método para probar la significancia, o

sea que tanto afectan cada uno de los factores a la variable de
respuesta. Y para determinar la interacción entre dichos factores.
Consideraciones:
 El Diseño de Experimentos sirve para identificar los pocos vitales de los

CTQ´s
 En la optimización es utilizada para determinar los niveles más apropiados
de los pocos vitales.
 Sirve para comparar el resultado experimental contra el proceso actual
5.2.2 Descubrir las relaciones entre variables y proponer una

solución:
Una vez determinados los factores con mayor significancia, o sea

aquellos que afectan más al proceso, estamos interesados en proponer
los niveles óptimos para cada factor.
Para poder hacerlo generamos la función de transferencia, mediante análisis

de regresión, simple o múltiple. Al realizarlo tendremos una solución que nos
permitirá alcanzar el objetivo que es la optimización del proceso.
Página 141
Para conducir un diseño de experimentos debemos tomar en cuenta los

puntos siguientes:
 Contar con el presupuesto para la experimentación.

 Disponibilidad de personal.
 Disponibilidad del tiempo para las pruebas.
 Otros recursos
5.3 Diseños de experimentos factoriales
5.3.1 ¿Qué es el Diseño de Experimentos (DOE)?
Un diseño de experimentos es una prueba o serie de pruebas en

las cuales se hacen cambios a propósito en las variables de entrada de
un proceso, de tal forma que se puedan observar e identificar cambios
en la respuesta de salida.
Un proceso de manufactura es una combinación de personas, métodos y

máquinas que transforman materias primas en productos terminados.
Los productos resultantes tienen una o más características de calidad
observables o respuestas (Críticas para la calidad si el cliente reclama
por su no cumplimiento – CTQ’s). Algunas de las variables del proceso
X1, X2, X3,……, Xp son controlables o factores de control, mientras que
otras Z1, Z2, Z3, ….., Zq no son controlables (a pesar de que pueden
ser controladas durante el desarrollo de las pruebas), y se denominan
factores de ruido. Los objetivos del diseño de experimentos pueden
incluir:
1. Determinar cuáles variables tienen más influencia en la respuesta, y.
Página 142
2. Determinar en donde ajustar las variables de influencia x’s, de tal

forma que y se acerque al requerimiento nominal.
3. Determinar donde ajustar las variables de influencia x’s de tal forma
que la variabilidad en y sea pequeña.
4. Determinar donde ajustar las variables de influencia x’s de tal forma
que los efectos de las variables z desean minimizados.
Por lo anterior, los métodos de diseño de experimentos pueden

utilizarse ya sea para el desarrollo o la mejora de los procesos, para
mejorar el desempeño o para obtener un proceso que sea robusto o
insensible a fuentes externas de variabilidad.
El control estadístico de procesos (CEP) y el diseño de

experimentos están muy relacionados. Si un proceso está en control
estadístico pero no tiene la suficiente capacidad, para reducir su
variabilidad será necesario optimizarlo a través del diseño de
experimentos. El CEP es un método estadístico pasivo, donde se
observa el proceso y se espera que ocurra una señal que nos oriente
hacia un cambio útil, sin embargo, si el proceso está en control, la
observación pasiva no producirá mucha información útil. Por otra parte,
el diseño de experimentos es un método estadístico activo, donde, se
realizan una serie de pruebas en el proceso haciendo cambios en las
entradas y observando los cambios correspondientes en las salidas, esto
genera información que puede guiar hacia la mejora del proceso.
Los métodos de diseño de experimentos también pueden ser útiles

para estabilizar un proceso. Asumiendo que la carta de control muestre
un proceso fuera de control, y que el proceso tenga muchas variables de
entrada controlables, a menos que se conozca cuáles variables de
entrada son las más importantes, puede ser difícil llevar el proceso a
Página 143
control. Los métodos de diseño de experimentos pueden ser usados

para identificar las variables de proceso que tienen más influencia.
El diseño de experimentos es una herramienta de ingeniería

importante para la mejora de un proceso de manufactura. Tiene
también una aplicación extensa en el desarrollo de nuevos procesos. La
aplicación de estas técnicas durante el desarrollo de los procesos puede
resultar en:
1. Rendimiento mejorado.
2. Variabilidad reducida y comportamiento cercano al valor nominal.
3. Tiempo de desarrollo reducido.
4. Costos totales reducidos.
Los métodos de diseño de experimentos pueden también jugar un

papel mayor en las actividades de ingeniería de desarrollo de nuevos
productos o mejora de los productos actuales. Algunas aplicaciones del
diseño de experimentos incluyen:
1. Evaluación y comparación de configuraciones básicas de diseño.

2. Evaluación de alternativas de material.
3. Determinación de parámetros clave de diseño con impacto en el
desempeño.
El uso del diseño de experimentos en estas áreas puede resultar

en una fabricación mejorada del producto, mejor desempeño y
confiabilidad en el campo, balos costos del producto, y tiempos de
desarrollo del producto más cortos.
Página 144
5.3.2 Guía para realizar Diseños de Experimentos
Para tener éxito en el diseño de experimentos, es necesario que

todos los involucrados en el experimento tengan una idea clara del
objetivo del experimento, de los factores a ser estudiados, como se
realizará el experimento y al menos una idea cualitativa de cómo se
analizarán los datos. El procedimiento recomendado tiene los pasos
siguientes:
1. Reconocimiento y establecimiento del problema.

2. Selección de factores y niveles.
3. Selección de la variable de respuesta.
4. Selección del diseño experimental.
5. Realización del experimento.
6. Análisis de los datos.
7 Conclusiones y recomendaciones.
5.3.3 Ejemplo de aplicación del DOE
A continuación se presenta un ejemplo que ilustran la aplicación

del diseño de experimentos para mejorar la calidad de productos y
procesos.
CARACTERIZANDO UN PROCESO
Con la aplicación del control estadístico de proceso, se ha reducido

el número de soldaduras falsas en un panel de circuito impreso hasta un
1% para retrabajo, esto aún es demasiado, sin embargo el proceso está
en control estadístico.
Página 145
La máquina de soldar y el flujo de soldadura tienen varias

variables que se pueden controlar, que incluyen:
1. Temperatura de soldado.
2. Temperatura de pre – calentamiento.
3. Velocidad del transportador.
4. Tipo de Fundente.
5. Gravedad específica del fundente.
6. Altura de la ola de soldadura.
7. Ángulo del transportador.
Además de los factores controlables, se tienen otros factores que

no son controlables fácilmente durante la manufactura, a pesar de que
pueden controlarse a nivel de prueba, y son los siguientes:
1. Espesor del circuito impreso.

2. Tipos de componentes usados en los paneles.
3. Distribución de los componentes en los paneles.
4. Operador.
5. Tasa de producción.
Bajo esta situación, caracterizar el proceso significa encontrar los

factores (controlables y no controlables) que generan la ocurrencia de
defectos de soldaduras falsas en los circuitos impresos. Para lo cuál es
necesario realizar un diseño de experimentos que nos permita estimar la
magnitud y dirección de los efectos de los factores. Es decir, cuánto
cambia la variable de respuesta (defectos por unidad) al cambiar cada
factor, o cuánto cambia al cambiar todos los factores a la vez, algunas
veces estos experimentos se denominan experimentos de separación de
variables.
Página 146
. La información de los experimentos se usa para identificar los

factores críticos del proceso y determinar la dirección de ajuste de estos
factores críticos para reducir el número de defectos por unidad. El
diseño de experimentos también se usa para obtener información sobre
los factores que deben ser controlados más de cerca con cartas de
control (CEP), durante la fabricación para prevenir un comportamiento
errático del proceso. Con el tiempo si el proceso se mejora lo suficiente,
es posible controlar el proceso a través de sus variables críticas de
entrada en vez de usar cartas de control para controlar las salidas o el
producto terminado.
5.4 El diseño factorial 2K

Un diseño muy común es el que considera varios factores (K) en
dos niveles (“alto” y “bajo”), el diseño más simple es el diseño 2 k
El diseño 22
Este el diseño más simple, usa dos factores A y B, cada uno en
dos niveles. Requiere la realización de 4 experimentos que pueden
replicarse n veces, tomando las sumas de los resultados de las réplicas
se tiene:
b ab
(1) A = -, B = -
(a) A = +, B = -
(b) A = -, B = +
(ab) A = +, B = + (1) a
Figura 5.1 Diseño 22
Página 147
Los efectos de interés en el diseño son los efectos principales de A

y B y los efectos de la interacción AB, se denominan contrastes
calculados como sigue:
a  ab b  (1) 1
A   (a  ab  b  (1))
2n 2n 2n
b  ab a  (1) 1
B   (b  ab  a  (1))
2n 2n 2n (5.1)
ab  (1) a  b 1
AB    (ab  (1)  a  b)
2n 2n 2n
Las cantidades entre paréntesis se denominan contrastes, aquí

los coeficientes siempre son +1 o –1. También se pueden determinar
usando una tabla de signos como sigue:
Tabla 5.1 Signos para los efectos en el diseño 22

Efectos factoriales
Corrida I A B AB
1 (1) + - - + ANOVA
2 a + + - - Fo = SST / SSE
3 b + - + - glSST = 4n - 1
4 ab + + + + gl.SSE = 4(n-1)
Para obtener la suma de cuadrados de A, B, y AB se usa:
(contraste) 2
SS  (5.2)
n (coeficientes.de.contrastes ) 2
Por tanto la suma de cuadrados para A, B y AB son:
Página 148
1
SSA  ( a  ab  b  (1)) 2
4n
1
SSB  (b  ab  a  (1)) 2
4n (5.3)
1
SSAB  ( ab  (1)   a  b) 2
4n
Ejemplo: Se trata de reducir la variabilidad en las orillas del corte de

placas de circuito impreso. Se hicieron varios experimentos
considerando dos factores A y B. Se probaron cuatro circuitos impresos
en cada una de las cuatro corridas de experimentos o réplicas, con los
valores siguientes.
Tabla 2.3 Datos del experimento

Efectos factoriales
Corrida A B Vibración Total
1 - - 18.2 18.9 12.9 14.4 64.4
2 + - 27.2 24.0 22.4 22.5 96.1
3 - + 15.9 14.5 15.1 14.2 59.7
4 + + 41.0 43.9 36.3 39.9 161.7
Calculando los efectos estimados de cada factor se tiene:
A = (96.1+161.1-59-7-64.4) / 2(4) = 16.64

B = (59.7 + 161.1 – 59.7 –64.4) /2(4) = 7.54
AB = (161.1 + 64.4 – 96.1 – 59.7) / 2(4) = 8.71
Página 149
Como efecto de los factores, si se cambia A de su nivel bajo a su nivel

alto, aumenta la respuesta en 16.64 unidades. Calculando las sumas de
cuadrados, se obtiene la siguiente tabla ANOVA:
Tabla 2.4 Análisis de varianza del experimento
Fuente de Suma de Grados Cuadrado

de variación cuadrados libertad medio Fo
A 1107.326 1 1107.226 185.25
B 227.256 1 227.256 38.03
AB 303.631 1 303.631 50.80
Error 71.723 12 5.977
Total 1709.836 15 .
Como se puede observar ambos factores son significativos y también la

interacción es significativa.
Análisis Residual
Para obtener los residuos se utiliza la ecuación de regresión
siguiente, donde los factores A y B se representan por X 1 y X2 y la
interacción AB por X1X2. Los niveles alto y bajo de cada factor se asignan
a los valores +1 y –1 respectivamente, el modelo de ajuste es:
 16.64   7.54   8.71 

y   0   1 x1   2 x 2   3 x1 x 2    23.83    x1    x1    x1 x 2 (5.4)
 2   2   2 
El valor de la intersección 0 se calcula como el promedio de las 16

observaciones y cada coeficiente de regresión es la mitad del efecto
estimado del factor correspondiente, dado que los coeficientes de
regresión miden el efecto de una unidad de cambio en Xi sobre la media
Página 150
de Y, y el estimado del efecto se basa en dos unidades de cambio de (X 1

= -1 a X2 = 1).
Dado que la interacción es significativa, para obtener la menor

respuesta de vibración, se analizan las respuestas en todas las
combinaciones de A y B como sigue:
Vibración B+
B-
A- A+
Fig. 5.2 Gráfica de interacción de A y B
Como se puede observar los mejores resultados se obtienen poniendo

en niveles bajos a A y en nivel alto a B.
El modelo de la ecuación (5.4) permite predecir valores del nivel

de vibración en cualquier punto de la región de experimentación,
incluyendo los cuatro puntos del diseño, por ejemplo si (X1 = -1 y X2 =
-1), el nivel de vibración de predicción es 16.1
Los residuos pueden calcularse como la diferencia entre los valores

reales observados y los estimados por la ecuación. En relación con la
respuesta, los primeros cuatro residuos son:
Página 151
e1 = 18.2 – 16.1 = 2.1 e3 = 12.9 – 16.1 = -3.2

e2 = 18.9 – 16.1 = 2.8 e4 = 14.4 – 16.1 = -1.7
Los residuos restantes para las otras tres corridas pueden

calcularse en forma similar. Posteriormente se grafican para su análisis
de normalidad, la cual mostró ser satisfactoria.
Ejemplo en Minitab:
Un constructor está interesado en los efectos de dos métodos de
mezclado diferentes realizados a dos temperaturas sobre la resistencia
del concreto. Realiza un diseño experimental y obtiene los resultados
mostrados en la tabla siguiente:
Temp. Método
ºC 1 1 2 2
40 672 704 800 832
40 736 896 768 800
40 640 832 928 864
60 1184 1248 992 1088
60 1216 1216 928 1056
60 1120 1152 960 1120
Crear el diseño en Minitab con:

Stat > DOE > Factorial > Create factorial design
Seleccionar 2 level factorial (default generators) Number of factors 2
En Designs No. of replicates 6
En Factors A = Temp Low = 40 High = 60 Factor B = Método Low = 1
High = 2
En Options quitar selección de Randomize runs
OK
Página 152
Una vez generado el diseño de dos factores introducir la siguiente

columna de datos:
Temp Método Resistencia

40 1 672
60 1 1184
40 2 800
60 2 992
40 1 736
60 1 1216
40 2 768
60 2 928
40 1 640
60 1 1120
40 2 928
60 2 960
40 1 704
60 1 1248
40 2 832
60 2 1088
40 1 896
60 1 1216
40 2 800
60 2 1056
40 1 832
60 1 1152
40 2 864
60 2 1120
Analizar el diseño con:

Stat > DOE > Factorial > Analyze factorial design
En responses indicar Columna de Resistencia
En Terms y Results pasar todos los factores a Selected terms con >>
En Graphs seleccionar para Effects Plots Pareto y Normal con alfa de
0.05
En Graphs seleccionar para los residuos Standardized y Normal Plot
En Store seleccionar Fits y Residuals OK
Para un alfa de 0.05:
Página 153
a) Los residuos se distribuyen normalmente y el diseño es válido y

adecuado para la caracterización de este problema.
b) De la Tabla de efectos (ANOVA), se observan efectos o

interacciones que puedan tener un efecto significativo en la
resistencia
Página 154
Term Effect Coef SE Coef T P

Constant 948.00 14.76 64.21 0.000
Temp 317.33 158.67 14.76 10.75 0.000
Método -40.00 -20.00 14.76 -1.35 0.191
Temp*Método -125.33 -62.67 14.76 -4.24 0.000
S = 72.3252 R-Sq = 87.13% R-Sq(adj) = 85.20%
En este caso se observa que tienen una influencia significativa la

temperatura y su interacción con el método.
c) En base al Pareto o gráfica normal de los efectos, se comprueba

que los factores significativos son la temperatura y su interacción con
el método, como se muestra a continuación:
Página 155
d) De la tabla de coeficiente se obtiene la ecuación del modelo que

representa este proceso.
Term Coef
Constant -725.333
Temp 34.6667
Método 586.667
Temp*Método -12.5333
Yest = -725.33 + 34.6667 Temp – 12.5333 Temp * Método
e) Obtener gráficas factoriales con:

Stat > DOE > Factorial > Factorial Plots
En Main effects Setup indicar en Responses columna de Resistencia y
seleccionar factores con >>
En Interaction effects Setup indicar en Responses columna de
Resistencia y seleccionar factores con >>
En Cube Plot indicar en Responses columna de Resistencia y seleccionar
factores con >>
OK
Página 156
Los niveles en que deben fijarse los factores para maximizar la

resistencia son de la gráfica de interacción, Temp = 60ºC y Método 1.
f) Obtener las gráficas de contornos y de superficie de respuesta con:

Stat > DOE > Factorial >Contour Plot
En Setup de Contour y Response Surfase Plot solo entrar y salir
OK
De acuerdo a la gráfica de contornos, conviene seguir

experimentando aumentando gradualmente la temperatura hasta
llegar al punto óptimo en una trayectoria de ascenso rápido.
Una vez establecidos los mejores niveles de operación del proceso

por medio del Diseño de Experimentos, ahora se trata de mantener la
solución por medio de la fase de Control.
Página 157
CAPITULO 6 FASE DE CONTROL
Definir
Definir Medir Analizar Mejorar Controlar
Controlar
6.1 Introducción
Una vez implementadas las mejoras en nuestro proceso, el último paso

es asegurar que las implementaciones se mantengan y estén siendo
actualizadas a través del tiempo.
Los proyectos Six-Sigma se van actualizando constantemente. En la

siguiente gráfica observamos que la metodología es cíclica, también se
puede regresar de una fase a otra, en caso de no haber obtenido la
información necesaria, pero lo que no está permitido es saltar fases.
Página 158
Objetivos:
 Uso de las herramientas de control.
 Verificar que las implementaciones se sigan y estén bajo control.
 Identificar las actividades o procesos que están fuera de control para

corregirlos inmediatamente.
 Que las mejoras sean implementadas consistentemente para tener

un adecuado control.
Las herramientas a utilizar en esta fase son:

Herramienta ¿Para que es utilizada?
Precontrol Es una técnica usada para detectar
irregularidades en el proceso, que pueden
resultar en la producción de unidades fuera de
especificaciones. Es usado con frecuencia para
determinar los valores de las variables del
proceso durante el período de arranque de la
producción.
Cartas de Es una herramienta muy importante para

Control analizar la variación en la mayoría de los
procesos. Enfocan la atención hacia las causas
especiales de variación y reflejan la magnitud de
la variación debido a las causas comunes.
Poka-Yoke Sistemas utilizados a prueba de errores.
6.2 Etapas de la fase de control
Página 159
Las etapas de esta fase son las siguientes:
6.2.1 Validar el sistema de medición.

En la Fase de Medición validamos el sistema de medición para las
Y’s, en este punto se utiliza la misma metodología, con la diferencia
de que ahora mediremos las X´s del proceso, el plan será validado
para las X’s
6.2.2 Determinar la capacidad del proceso.
Una vez implementadas las mejoras se vuelve a calcular los niveles

sigma del proceso, para saber en que nivel nos encontramos
actualmente.
6.2.3 Implementar el sistema de control.

Los procesos tienden a degradarse con el tiempo, por lo que es de
gran importancia la implementación de un plan de control para cada
X´s, para establecer el pan es necesario tener procesos y
procedimientos documentados y entrenar al personal que llevará a
cabo esta actividad.
Observemos en la gráfica los elementos para un adecuado plan de

control :
Página 160
Evita problemas
potenciales
RIESGO DE LA A PRUEBA DE
ADMINISTRACION ERRORES
CONTROL ESTADISTICO DEL PROCESO
Monitorea problemas
potenciales
Figura 6.1 Elementos de un plan de control.
 Riesgo de la administración: Es similar a un FMEA, los cálculos son

de la siguiente manera:
Puntuación del riesgo de la admón. = Impacto X probabilidad
Proporciona las siguientes ventajas:
- Identificación del riesgo.

- Cuantificación de los riesgos
- Establece un plan de disminución de riesgos
- Monitorea los progresos del plan
 A prueba de errores
Técnica que evita errores en el proceso, y hace que sea imposible de

que sucedan.
Página 161
 Control estadístico del proceso: Monitoreo mediante gráficas de

control.
 Un plan de control para la manufactura se muestra a continuación:
6.3 Cartas de Control
Las cartas de control son la herramienta más poderosa para monitorear

y analizar la variación en la mayoría de los procesos.
Las cartas de control enfocan la atención hacia las causas especiales de

variación cuando estas aparecen y reflejan la magnitud de la variación
debida a las causas comunes, manteniendo las soluciones
.
Página 162
Las causas comunes o aleatorias se deben a la variación natural del

proceso.
Las causas especiales o asignables son por ejemplo: un mal ajuste de

máquina, errores del operador, defectos en materias primas.
Un proceso está bajo Control Estadístico cuando presenta causas

comunes únicamente, con un proceso estable y predecible.
Cuando existen causas especiales el proceso está fuera de Control

Estadístico; las cartas de control detectan la existencia de estas causas
en el momento en que se dan, lo cual permite que podamos tomar
acciones al momento.
Ventajas:
 Es una herramienta simple y efectiva para lograr un control

estadístico.
 El operario puede manejar las cartas en su propia área de trabajo,
por lo cual puede dar información confiable a la gente cercana a la
operación en el momento en que se deben de tomar ciertas acciones.
 Cuando un proceso está en control estadístico puede predecirse su
desempeño respecto a las especificaciones. En consecuencia, tanto el
proveedor como el cliente pueden contar con niveles consistentes de
calidad y ambos pueden contar con costos estables para lograr ese
nivel de calidad.
 Una vez que un proceso se encuentra en control estadístico, su
comportamiento puede ser mejorado posteriormente reduciendo la
variación.
Página 163
 Al distinguir ente las causas especiales y las causas comunes de

variación, dan una buena indicación de cuándo un problema debe ser
corregido localmente y cuando se requiere de una acción en la que
deben de participar varios departamentos o niveles de la
organización.
Cartas de control por variables y por atributos.-
En Control de Calidad mediante el término variable se designa a

cualquier característica de calidad “medible” tal como una longitud,
peso, temperatura, etc. Mientras que se denomina atributo a las
características de calidad que no son medibles y que presentan
diferentes estados tales como conforme y disconforme o defectuoso y no
defectuoso.
Según sea el tipo de la característica de calidad a controlar así será la

carta de control correspondiente, por tanto, se clasifican en Cartas de
Control por Variables y Cartas de Control por Atributos.
Comparación de las cartas de control por variables vs. atributos
Cartas de Control por Cartas de control por

variables atributos
Ventajas significativas Conducen a un mejor Son potencialmente
procedimiento de aplicables a cualquier
control. proceso
Proporcionan una Los datos están a
Página 164
utilización máxima de menudo disponibles.

la información Son rápidos y simples
disponible de datos. de obtener.
Son fáciles de
interpretar.
Son frecuentemente
usados en los informes
a la Gerencia.
Más económicas
Desventajas No se entienden a No proporciona
significativas menos que se de información detallada
capacitación; puede del control de
causar confusión entre características
los limites de individuales.
especificación y los
límites de tolerancia.
No reconoce distintos
grados de defectos en
las unidades de
producto.
Página 165
Campos de aplicación de las cartas

VARIABLES
Carta Descripción Campo de aplicación.

X R Medias y Control de características individuales.
Rangos
X S Medias y Control de características individuales.
desviación
estándar.
I-MR Individuales Control de un proceso con datos variables que
no pueden ser muestreados en lotes o grupos.
ATRIBUTOS
Carta Descripción Campo de aplicación.

P Proporciones o Control de la fracción global de defectuosos de
fracción un proceso.
defective
NP Número de Control del número de piezas defectuosas
defectuosos
C Defectos por Control de número global de defectos por
unidad unidad
U Promedio de Control del promedio de defectos por unidad.
defectos por
unidad
Elaboración de Cartas de control X  R (variables)
Paso 1: Colectar los datos.
Página 166
Los datos son el resultado de la medición de las características del

producto, los cuales deben de ser registrados y agrupados de la
siguiente manera:
 Se toma una muestra(subgrupo) de 2 a 10 piezas consecutivas y se
anotan los resultados de la medición( se recomienda tomar 5).
También pueden ser tomadas en intervalos de tiempo de ½ - 2 hrs.,
para detectar si el proceso puede mostrar inconsistencia en breves
periodos de tiempo.
 Se realizan las muestras de 20 a 25 subgrupos.
Paso 2: Calcular el promedio X y R para cada subgrupo
X 1  X 2 ....X N
X 
N
R  X mayor  X menor
Paso 3: Calcule el rango promedio  R  y el promedio del proceso

X .
R1  R2  ......R K
R
K
X 1  X 2  ....... X K
X
K
Donde K es el número de subgrupos, R 1,R2..es el rango de cada

subgrupo; X 1 , X 2.... son el promedio de cada subgrupo.
Paso 4: Calcule los limites de control
Página 167
Los límites de control son calculados para determinar la variación de

cada subgrupo, están basados en el tamaño de los subgrupos y se
calculan de la siguiente forma:
LSC R  D4 R LSC X  X  A2 R
LIC R  D3 R LIC X  X  A2 R
Donde D4, D3, A2 son constantes que varían según el tamaño de muestra.
A continuación se presentan los valores de dichas constantes para
tamaños de muestra de 2 a 10.
n 2 3 4 5 6 7 8 9 10
D4 3.27 2.57 2.28 2.11 2.00 1.92 1.86 1.82 1.78
D3 0 0 0 0 0 0.08 0.14 0.18 0.22
A2 1.88 1.02 0.73 0.58 0.48 0.42 0.37 0.34 0.31
Paso 5: Seleccione la escala para las gráficas de control

Para la gráfica X la amplitud de valores en la escala debe de ser al
menos del tamaño de los límites de tolerancia especificados o dos veces
el rango promedio  R  .
Para la gráfica R la amplitud debe extenderse desde un valor cero hasta

un valor superior equivalente a 1½ - 2 veces el rango.
Paso 6: Trace la carta de control

Dibuje las líneas de promedios y límites de control en las gráficas.
Los límites de Control se dibujan con una línea discontinua y los
promedios con una línea continua para ambas cartas.
Página 168
Marcar los puntos en ambas gráficas y unirlos para visualizar de mejor

manera el comportamiento del proceso.
Paso 7: Analice la gráfica de control
Ejemplo 1
Se toman las medidas de los diámetros de una pieza cilíndrica, el

tamaño de muestra de cada subgrupo es de cinco, y se toman 25
subgrupos a intervalos de 1 hr.
Realice la carta de control X  R .

muestra subgrupo 1 2 3 4 5 6 7 8 9 10 11 12 13
1 0.65 0.75 0.75 0.60 0.70 0.60 0.15 0.60 0.65 0.60 0.80 0.85 0.70
2 0.70 0.85 0.80 0.70 0.75 0.75 0.80 0.70 0.80 0.70 0.75 0.75 0.70
3 0.65 0.75 0.80 0.70 0.65 0.75 0.65 0.80 0.85 0.60 0.90 0.85 0.75
4 0.65 0.85 0.70 0.75 0.85 0.85 0.75 0.75 0.85 0.80 0.50 0.65 0.75
5 0.85 0.65 0.75 0.65 0.80 0.70 0.70 0.75 0.75 0.65 0.80 0.70 0.70
muestra subgrupo 14 15 16 17 18 19 20 21 22 23 24 25
1 0.65 0.90 0.75 0.75 0.75 0.65 0.60 0.50 0.60 0.80 0.65 0.65
2 0.70 0.80 0.80 0.70 0.70 0.65 0.60 0.55 0.80 0.65 0.60 0.70
3 0.85 0.80 0.75 0.85 0.60 0.85 0.65 0.65 0.65 0.75 0.65 0.70
4 0.75 0.75 0.80 0.70 0.70 0.65 0.60 0.80 0.65 0.65 0.60 0.60
5 0.60 0.85 0.65 0.80 0.60 0.70 0.65 0.80 0.75 0.65 0.70 0.65
Calculando el rango y el promedio para cada subgrupo obtenemos:
muestra subgrupo 1 2 3 4 5 6 7 8 9 10 11 12 13
1 0.65 0.75 0.75 0.60 0.70 0.60 0.15 0.60 0.65 0.60 0.80 0.85 0.70
2 0.70 0.85 0.80 0.70 0.75 0.75 0.80 0.70 0.80 0.70 0.75 0.75 0.70
3 0.65 0.75 0.80 0.70 0.65 0.75 0.65 0.80 0.85 0.60 0.90 0.85 0.75
4 0.65 0.85 0.70 0.75 0.85 0.85 0.75 0.75 0.85 0.80 0.50 0.65 0.75
5 0.85 0.65 0.75 0.65 0.80 0.70 0.70 0.75 0.75 0.65 0.80 0.70 0.70
Promedio 0.70 0.77 0.76 0.68 0.75 0.73 0.61 0.72 0.78 0.67 0.75 0.76 0.72
Rango 0.20 0.20 0.10 0.15 0.20 0.25 0.65 0.20 0.20 0.20 0.40 0.20 0.05
muestra subgrupo 14 15 16 17 18 19 20 21 22 23 24 25
1 0.65 0.90 0.75 0.75 0.75 0.65 0.60 0.50 0.60 0.80 0.65 0.65
2 0.70 0.80 0.80 0.70 0.70 0.65 0.60 0.55 0.80 0.65 0.60 0.70
3 0.85 0.80 0.75 0.85 0.60 0.85 0.65 0.65 0.65 0.75 0.65 0.70
4 0.75 0.75 0.80 0.70 0.70 0.65 0.60 0.80 0.65 0.65 0.60 0.60
5 0.60 0.85 0.65 0.80 Página
0.60 169
0.70 0.65 0.80 0.75 0.65 0.70 0.65
Promedio 0.71 0.82 0.75 0.76 0.67 0.70 0.62 0.66 0.69 0.70 0.64 0.66
Rango 0.25 0.15 0.15 0.15 0.15 0.20 0.05 0.30 0.20 0.15 0.10 0.10
Calculando el Rango promedio, promedio del proceso y límites de

control:
R  .198
X = .71
LSC R  D4 R = 2.11* 0.198 = 0.41
LIC R  D3 R
=0
LSC X  X  A2 R = .71+(.58)(.198) = .82
LIC X  X  A2 R = .71-(.58)(.198) = .59
La carta se puede obtener con Minitab con:

Stat > Control Charts > Variable charts for subgroups
Xbar-R Seleccionar Observations for a Subgroup are in a row of
columns
Indicar las 5 columnas de datos OK
Página 170
Xbar/R Chart for C1
UCL=0.8254
0.8
Sample Mean
0.7 Mean=0.7112
0.6 LCL=0.5970
Subgroup 0 5 10 15 20 25
0.7 1
0.6
Sample Range
0.5
0.4 UCL=0.4187
0.3
0.2 R=0.198
0.1
0.0 LCL=0
La carta de control R muestra un punto fuera de los limites de control,

por lo cual el proceso se encuentra fuera de control, en este caso es
necesario investigar las causas y tomar las acciones correctivas para
eliminar el problema. En la siguiente parte se muestran los criterios para
determinar las situaciones en las cuales un proceso puede estar fuera de
control.
Interpretación del control del proceso.
El objeto de analizar una gráfica de control es identificar cuál es la

variación del proceso, las causas comunes y causas especiales de dicha
variación y en función de esto tomar alguna acción apropiada cuando se
requiera.
Página 171
Juran14 sugiere un conjunto de reglas de decisión para detectar patrones

no aleatorios en las cartas de control. Cuando se detecta alguno de los
patrones siguientes se puede decir que el tomar alguna acción para
corregir el problema ya que el proceso puede estar fuera de control.
PATRONES FUERA DE CONTROL
Carta de Individuales y rango móvil (Datos variables I-MR).

14
Análisis y planeación de la calidad, J.M. Juran ,F.M Gryna, Tercera Edición, McGrawHill.
Página 172
 A menudo esta carta se llama “I” o “Xi”.

 Esta Carta monitorea la tendencia de un proceso con datos variables
que no pueden ser muestreados en lotes o grupos.
 Este es el caso cuando la capacidad de corto plazo se basa en
subgrupos racionales de una unidad o pieza.
 Este tipo de gráfica es utilizada cuando las mediciones son muy
costosas (Por ejemplo Pruebas destructivas), o cuando la
característica a medir en cualquier punto en el tiempo es
relativamente homogénea (por ejemplo el PH de una solución
química)
 La línea central se basa en el promedio de los datos, y los límites de
control se basan en la desviación estándar (+/- 3 sigmas)
Terminología
k = número de piezas
n = 2 para calcular los rangos
X = promedio de los datos
R = rango de un subgrupo de dos piezas consecutivas
R = promedio de los (n - 1) rangos
LSC X  X  E 2 R
LIC X  X  E 2 R
LSC R  D4 R
LIC R  D3 R
Página 173
Donde D4, D3, E2 son constantes que varían según el tamaño de muestra
usado para agrupar los rangos móviles como se muestra en la tabla
siguiente:
n 2 3 4 5 6 7 8 9 10
D4 3.27 2.57 2.28 2.11 2.00 1.92 1.86 1.82 1.78
D3 0 0 0 0 0 0.08 0.14 0.18 0.22
E2 2.66 1.77 1.46 1.29 1.18 1.11 1.05 1.01 0.98
* Generalmente se utiliza n = 2
Ejemplo: La longitud de un tramo de tubo se registra para cada

producto. Realice la gráfica de control individual.
Parte Longitud
1 12.02
2 11.85
3 11.98
4 11.72
5 11.88
6 12.07
7 12.03
8 12.13
9 12.16
10 12.16
11 12.16
12 12.21
13 12.19
14 11.93
15 11.89
Se calcula el rango móvil de la siguiente manera: diferencia entre 1ª y

2ª lectura, 2ª y 3ª y así hasta n-1.
Página 174
Parte Longitud Rangos

1 12.02 0.17
2 11.85 0.13
3 11.98 0.26
4 11.72 0.16
5 11.88 0.19
6 12.07 0.04
7 12.03 0.10
8 12.13 0.03
9 12.16 0.00
10 12.16 0.00
11 12.16 0.05
12 12.21 0.02
13 12.19 0.26
14 11.93 0.04
15 11.89
12.03 0.10
X  12.03
R  0.10
LSC X  X  E 2 R =12.03+(2.66)(.10) = 12.29
LIC X  X  E 2 R =12.03 – (2.66)(.10) = 11.76
LSC R  D4 R = 3.27(.10)= .327
LIC R  D3 R = 0
Página 175
I Chart for C1
12.35
UCL=12.30
12.25
12.15
Individual Value
12.05
Mean=12.03
11.95
11.85
11.75 LCL=11.75
1
11.65
0 5 10 15
Observation Number
Moving Range Chart for C1

0.4
UCL=0.3384
0.3
Moving Range
0.2
0.1 R=0.1036
0.0 LCL=0
0 5 10 15
Observation Number
Interpretación del proceso:
 Revisar la Carta de rangos para puntos fuera de los límites de control

como signo de la existencia de causas especiales. Note que los
rangos sucesivos están correlacionados, debido a que tienen un
punto en común y debido a esto se tiene que tener cuidado al
interpretar tendencias.
Página 176
 Las Cartas de lecturas individuales pueden ser analizadas para

puntos fuera de los límites de control, dispersión de puntos dentro de
los límites de control y para tendencias o patrones. Cabe hacer notar
que si la distribución de proceso no es simétrica, las reglas mostradas
anteriormente para gráficas X podrán dar señales de causas
especiales sin que éstas existan.
Cartas de control por atributos

Cualquier característica de calidad que pueda ser clasificada de forma
binaria: “cumple o no cumple”, “funciona o no funciona”, “pasa o no
pasa”, etc., a los efectos de control del proceso, será considerado como
un atributo y para su control se utilizará una Carta de Control por
Atributos.
Los criterios de aceptación al utilizar gráficas de control por atributos

deben estar claramente definidos y el procedimiento para decidir si esos
criterios se están alcanzando es producir resultados consistentes a
través del tiempo. Este procedimiento consiste en definir
operacionalmente lo que se desea medir. Una definición operacional
consiste en:
1º . Un criterio que se aplica a un objeto o a un grupo

2º. Una prueba del objeto o del grupo y
3º. Una decisión, sí o no: El objeto o el grupo alcanza o no el criterio.
Gráfica P para Fracción de Unidades Defectuosas (atributos)
La gráfica p mide la fracción defectuosa o sea las piezas defectuosas en

el proceso. Se puede referir a muestras de 75 piezas, tomada dos veces
por día; 100% de la producción durante una hora, etc. Se basa en la
Página 177
evaluación de una característica (¿se instalo la pieza requerida?) o de

muchas características (¿se encontró algo mal al verificar la instalación
eléctrica?). Es importante que cada componente o producto verificado se
registre como aceptable o defectuoso (aunque una pieza tenga varios
defectos específicos se registrará sólo una vez como defectuosa).
Pasos para la elaboración de la gráfica:
Paso 1- Frecuencia y tamaño de la muestra:

Establezca la frecuencia con la cual los datos serán tomados (horaria,
diaria, semanal). Los intervalos cortos entre tomas de muestras
permitirán una rápida retroalimentación al proceso ante la presencia de
problemas. Los tamaños de muestra grandes permiten evaluaciones
más estables del desarrollo del proceso y son más sensibles a pequeños
cambios en el promedio del mismo. Se aconseja tomar tamaños de
muestra iguales aunque no necesariamente se tiene que dar esta
situación, el tamaño de muestra debería de ser mayor a 30. El tamaño
de los subgrupos será de 25 o más.
Paso 2- Calculo de la fracción defectuosa (p) del subgrupo:
Registre la siguiente información para cada subgrupo:

El número de partes inspeccionadas – n
El número de partes defectuosas – np
np
Calcule la fracción defectuosa (p) mediante: p 
n
Página 178
Paso 3 – Calculo de fracción defectuosa promedio y límites de

control
La fracción defectuosa promedio para los k subgrupos se calcula con la

siguiente fórmula:
np1  np 2  ....  np k
p
n1  n2  .....  nk
p (1  p )
LSC p  p  3
n
p (1  p )
LIC p  p  3
n
donde n es el tamaño de muestra promedio.
NOTA: Cuando p y/o n es pequeño, el límite de control inferior puede

resultar negativo, en estos casos el valor del límite será = 0
Paso 4- Trace la Carta y analice los resultados.
Ejemplo:
Un fabricante de latas de aluminio registra el número de partes

defectuosas, tomando muestras cada hora de n = 50, con 30 subgrupos.
Realizar la gráfica de control para la siguiente serie de datos obtenida
durante el muestreo.
Página 179
Muestra Latas defectuosas Muestra Latas defectuosas

np np
1 12 16 8
2 15 17 10
3 8 18 5
4 10 19 13
5 4 20 11
6 7 21 20
7 16 22 18
8 9 23 24
9 14 24 15
10 10 25 9
11 5 26 12
12 6 27 7
13 17 28 13
14 12 29 9
15 22 30 6
Calcule la fracción defectuosa para cada muestra:
Muestra Latas defectuosas Fracción defectuosa Muestra Latas defectuosas Fracción defectuosa
np p np p
1 12 0.24 16 8 0.16
2 15 0.30 17 10 0.20
3 8 0.16 18 5 0.10
4 10 0.20 19 13 0.26
5 4 0.08 20 11 0.22
6 7 0.14 21 20 0.40
7 16 0.32 22 18 0.36
8 9 0.18 23 24 0.48
9 14 0.28 24 15 0.30
10 10 0.20 25 9 0.18
11 5 0.10 26 12 0.24
12 6 0.12 27 7 0.14
13 17 0.34 28 13 0.26
14 12 0.24 29 9 0.18
15 22 0.44 30 6 0.12
p  .2313
p (1  p ) .23 * .77
LSC p  p  3 = .2313  3 =.4102
n 50
Página 180
p (1  p ) .23 * .77
LIC p  p  3 = .2313  3 =.05243
n 50
Trazando la Carta p:
P Chart for C1
0.5 1
1
0.4 UCL=0.4102
Proportion
0.3
P=0.2313
0.2
0.1
LCL=0.05243
0.0
0 10 20 30
Sample Number
6.4 Dispositivos a Prueba de Error o Poka Yokes
Un sistema Poka-yoke15 posee dos funciones: puede realizar el 100 %

de inspecciones y si ocurre alguna anormalidad, puede realizar
inmediatamente una acción de aviso.
Los sistemas Poka-Yoke son métodos para reducir defectos, estos varían
dependiendo de los sistemas de inspección los cuales pueden ser:
inspecciones en la fuente, auto chequeos, o chequeos sucesivos.
15
Shigeo Shingo, Zero Quality Control: Source Inspection and the Poka-Yoke System, Productivity Press
1986
Página 181
Tipos de sistemas Poka-Yoke:

A continuación se describen algunos de los métodos Poka-Yoke más
comunes.
6.4.1 Métodos de Control – Tipo A
Cuando ocurre alguna anormalidad los métodos de control, funcionan de

tal manera que se apagan las maquinas o se bloquea algún mecanismo
para detener la operación, previniendo la ocurrencia de defectos
subsecuentes.
Los sistemas de control se caracterizan por tener una eficacia máxima

para obtener cero defectos. Estos sistemas no solamente consisten en
apagar las máquinas o bloquear algún mecanismo sino que existe la
posibilidad de que estos sistemas separen alguna pieza defectuosa al
momento de ser detectada.
6.4.2 Métodos de Alarma – Tipo B
Estos métodos llaman la atención de los trabajadores activando alguna

alarma o luz cuando ocurre alguna anormalidad. El riesgo de estos
métodos es que en ocasiones los trabajadores no detecten la luz o el
sonido de las alarmas sea confundido con otros sonidos. Para minimizar
estos riesgos se puede utilizar luz intermitente que sea más fácil de
detectar y sonidos con timbres particulares en diferentes escalas.
Página 182
Los métodos de alarma pueden ser utilizados cuando el impacto de una

anormalidad no es demasiado critica en el proceso o cuando los
métodos de control resultan económica y técnicamente poco viables.
6.4.3 Mecanismos a Prueba de Error
Métodos de Contacto
Son métodos en los que por medio de mecanismos sensibles, se

detectan anormalidades en la dimensión o la forma del producto. Por
ejemplo en un sistema de frenos se ensambla una pieza que puede ser
izquierda o derecha, al momento del ensamble se puede cometer el
error de colocar una parte derecha cuando se debería de colocar una
izquierda, para evitar este defecto se instala un tope que impide que se
coloque por ejemplo una parte derecha.
Métodos de valor fijo:
Con estos métodos, las anormalidades son detectadas verificando el

número específico de movimientos en los casos en que las operaciones
se repiten un número determinados de veces.
Página 183
Como ejemplo tenemos el caso en la cual se aplica un recubrimiento

adhesivo a una barra metálica, aplicando tiras de 8cm alrededor de la
barra. Se tienen que aplicar 50 tiras, pero el problema que se tiene es
que en ocasiones se corre el riesgo de aplicar menos de 50 unidades o
más. Para solucionar este problema se implementa un sistema Poka-
Yoke de la siguiente manera.
Se cortan y se cuentan previamente las tiras en grupos de 10

unidades , las cintas son adheridas a la barra, si al final de la operación
sobran cintas el operador se da cuenta e inmediatamente y corrige el
trabajo .
La siguiente figura ilustra el sistema Poka-Yoke.
Métodos de movimientos de paso
Estos son métodos en los cuales las anormalidades son detectadas al

verificar los errores en movimientos estándar, cuando las operaciones
tienen que ser realizadas con movimientos predeterminados. Estos
sistemas son extremadamente efectivos y tienen un amplio rango de
aplicación.
Página 184
En un proceso de etiquetado los operadores algunas veces fallan al

aplicar las etiquetas, este defecto puede ser evitado antes de la
inspección mediante un dispositivo que consta de un tubo fotoeléctrico
que detecta la falta de una etiqueta, parando inmediatamente la línea,
para corregir el defecto.
Hasta aquí se han revisado los aspectos más relevantes de la

metodología DMAIC, las herramientas que maneja y un breve detalle de
las que se consideraron relevantes.
A continuación se mostrará con un caso práctico como se aplica la

metodología en la mejora de desempeño de procesos en una planta de
manufactura real.
Página 185
CAPÍTULO 7. Características de la empresa GCLA
El caso de aplicación de la metodología Seis Sigma se realizó en esta

empresa, cuyas características principales son:
7.1 Perfil de la empresa
General Cable - una empresa de alcance global con una amplia gama de
productos de la industria de alambres y cables.
General Cable y sus 5.900 asociados realizan actividades comerciales en

28 localidades manufactureras en 8 países, con representantes de
ventas alrededor del mundo. The Power of One SM (El Poder del
Individuo) brindan una presencia mundial enfocada a las necesidades
siempre cambiantes de sus clientes.
Página 186
General Cable es una empresa que tiene presencia global en 8 paises a

traves de 28 empresas, dedicados a la producción de alta calidad en
alambres y cables de telecomunicaciones y de energía.
Realizan operaciones a través de 3 oficinas centrales ubicadas

estratégicamente en los continentes de: América, Europa y Oceanía.
Cuenta con dos plantas en la República Mexicana:
-Tetla, Tlaxcala
-Piedras Negras, Coahuila
7.2 General Cable de Latinoamérica:

Es una empresa manufacturera de cable de telecomunicaciones aéreos
y subterráneos, cordones de distribución para interiores, exteriores y
alambre electrosol.
El objetivo de General Cable de Latinoamérica es satisfacer el

requerimiento de los clientes a través del compromiso de su personal
con la mejora continua. Buscando cada día incursionar exitosamente en
los mercados de centro, sudamérica y el caribe.
7.3 Certificación ISO 9000

Es una empresa que ha desarrollado Sistemas de Calidad con base a los
requerimientos del estándar internacional de calidad ISO 9001:2000 y
TL 9000- HW: R3.0/R3.0, estos Sistemas han sido auditados y
certificados bajo dicha norma.
Página 187
Los Sistemas de Calidad proporcionan los indicadores necesarios para

medir y verificar la capacidad de los procesos y monitorear nuestras
variables en la operación.
Algunos de los principales objetivos estrategicos y de calidad son los siguientes:
En esta empresa la filosofia Lean Sigma es parte de la cultura organizacional con

proyectos de mejora continuos.
El siguiente reporte es un caso real de mejora de procesos aplicando la

metodología Seis Sigma.
Página 188
CAPITULO 8. Caso practico de aplicación de la metodología Seis

Sigma en la mejora del desempeño de los procesos de la
empresa GCLA
Reducción de desperdicio en el arranque de líneas Tandem Planta Tetla, Mx
Octubre 30, 2003
Luis Rosete – Seis Sigma Candidate
José Sanromán – Project Sponsor
Fechas de entrenamiento:
 Diciembre 2-6, 2002 – Tetla, MX.
 Enero 13-17, 2003 – Tetla, MX.
 Febrero 17-21 2003 – Tetla, MX.
 Marzo 24-28, 2003 – Tetla, MX.
 Mayo. 5-9, 2003 – Tetla, MX.
Página 189
CONTENIDO
Resumen ejecutivo Pág. 3
Iniciación de proyecto Pág. 4
Seis Sigma – Metodología DMAIC
Paso 1 – Definición del problema Pág. 5
Paso 2 - Medición Pág. 7
Paso 3 – Análisis del problema (RTM) Pág. 15
Paso 4 – Mejora (RTM) Pág. 20
Paso 5 – Control (RTM) Pág. 26
Paso 3 – Análisis del Problema (RTWB) Pág. 27
Paso 4 – Mejora (RTWB) Pág. 34
Paso 5 – Control (RTWB) Pág. 44
Evaluación de los beneficios totales Pág. 46
Apéndice Pág. 48
Contrato del proyecto Pág. 49
Resumen de Herramientas Pág. 50
Resumen de problemas Pág. 51
Planes futuros y recomendaciones Pág. 51
** (RTM) Relacionado con el Método, (RTWB) Relacionado con la ruptura de cable.
Página 190
RESUMEN EJECUTIVO
La planta de Tetla se dedica a la manufactura de productos PIC y SW. La mayoría de los

productos aquí manufacturados se envían a Estados Unidos con una participación menor
al 10% para el mercado de Latinoamérica.
El proyecto de reducción de desperdicio de Tandem se inició en la planta de Tetla para

identificar las causas raíz que generaban el total de desperdicio, al inicio del proyecto en
las líneas Tandem dedicadas a PIC por los arranques. Estas líneas Tandem están
enfocadas principalmente a producir alambres aislados de cubierta tipo espumoso,
permitiendo a la planta reducir un desperdicio anual de $100,000.
La planta Tetla ha sido parcialmente dividida en células. Desde la implementación del

proyecto SW, esta área de la planta fue instalada con una configuración física de células.
Esta área PIC se encuentra en una etapa virtual de celularización, se tiene planeado
implementar la formación física de células en el futuro. El rango de los productos para la
PIC va de 12 a 3000 pares y el tamaño del calibre de 26 a 19 AWG. El propósito de este
proyecto fue utilizar las herramientas de Seis Sigma para maximizar las ventajas de un
ambiente de manufactura de células virtuales, y reducir el desperdicio existente al final de
la producción, permitiendo a la planta reducir la cantidad de alambre aislado utilizado en
los arranques, ayudando a realizar uno de los 3 objetivos principales para 2003.
Siguiendo el proceso DMAIC, y definiendo el alcance del proyecto, el equipo seleccionó 6

de las 9 líneas Tandem en la planta Tetla que se encontraban fabricando alambre aislado
para cables PIC. Las líneas Tandem escogidas para este proyecto fabrican principalmente
alambre aislado de cubierta espumosa 24 o 22 AWG, el cual es utilizado como elemento
base en el armado de los cables OVD. El objetivo tangible de este proyecto fue alcanzar
una reducción de desperdicio del 70% debido a los arranques. El equipo recolectó
información base de alambre aislado enviado al desperdicio, y realizó pruebas para validar
los tiempos de arranque y métodos entre los operadores y las líneas de producción para
validar la exactitud de la medición. Mediante el análisis de la información más importante,
este reveló que anexo al análisis de la condición del proceso involucrado en los arranques,
sería necesario analizar la razón o razones de los rearranques en cada línea Tandem.
Además, dos variables claves del proceso (Proceso de máquina de estirado y tiempo
estabilización del compuesto) las cuales no fueron identificadas previamente,
contribuyeron sustancialmente a la variación de la cantidad de desperdicio entre máquina
y tamaño. Un análisis detallado se explica posteriormente en este reporte. El equipo hizo
cambios a los métodos de arranque en las líneas Tandem de alambre aislado estirado, y
mejoraron métodos para garantizar la integridad de las principales variables involucradas
en las máquinas de estirado para mantener el desempeño del alambre durante el proceso
de estirado
Como resultado de los esfuerzos del equipo, el desperdicio por causas de arranque se
redujo 52% de la desviación estándar máxima de la longitud desperdiciada por línea
Tandem. Simultáneamente, mediante el ajuste del desempeño de la máquina de estirado
redujimos el total de desperdicio por rupturas de alambre en las líneas Tandem por
$96,400 dólares. Las siguientes páginas proporcionan un análisis profundo del proceso
que el equipo siguió para generar los ahorros financieros
Página 191
INICIACIÓN DE PROYECTO
Definición del proyecto

Identificar y minimizar las causas raíz de grandes longitudes en cada arranque de las
líneas Tandem y rupturas de alambre por tensión en la máquina de estirado ayudó a
reducir la longitud desperdiciada un 52%. El proyecto utilizará y tomará ventaja del
ambiente de manufactura esbelta (lean manufacturing). Las herramientas de Seis Sigma
serán utilizadas para identificar y reducir la variabilidad del proceso, permitiendo una
reducción de $96,376 dólares en el desperdicio anual
Alcance
Este proyecto involucró 6 de las 9 líneas de manufactura Tandem en la planta Tetla. Se
decidió así ya que estas 6 líneas fueron cargadas con un alto volumen de fabricación para
productos PIC, la amplitud del alcance para este proyecto fue apropiado para el equipo.
Métricas
Las métricas utilizadas para medir el éxito de este proyecto incluye;
1. 52% de reducción en la longitud enviada al desperdicio en cada arranque.
2. Ahorros mínimos anualizados de $96,376 dólares
Sponsor
 José Sanromán –Gerente de Planta, Planta Tetla México - Communications
Team Leader
 Luis Rosete – Gerente Técnico – Planta Tetla México.
Miembros del equipo

 Ociel Ortega – Miembro de la celda PIC – Ingeniero de Proceso
 Alfredo Sylmar – Miembro de la celda PIC – Supervisor
 José Luis Colin – Miembro de la celda PIC – Operador de Máquina
 Juan López – Miembro de la celda PIC – Mecánico
 Pedro Muñoz – Taller de Dados – Especialista en dados
 Miguel A. Cabrera – Staff de Mantenimiento – Programador de Mantenimiento
Resultados del negocio

 Basado en los resultados de Marzo de 2003, los ahorros anuales esperados son de
$96,376 dólares basados en oportunidades de reducción de desperdicio y reducción de
costos exclusivamente.
 Se redujo la longitud desperdiciada por arranque un 52% del total por desviación en
las líneas Tandem para PIC.
 El equipo propuso trabajar de cerca con los proveedores de cobre para reducir las
rupturas de alambre debido a las inclusiones y porosidad.
Metodología aplicada
 El equipo decidió seguir los pasos del DMAIC para desarrollar mejoras y cumplir los
objetivos planeados.
Página 192
PASO 1- DEFINICIÓN DEL PROBLEMA
Introducción
La planta Tetla adoptó la filosofía Lean Sigma en 2002 como la vía más importante para
alcanzar la mejor posición en la Corporación en términos de rentabilidad, confianza, y
estar en el negocio de cable en telecomunicaciones. Es por eso que se decidió capacitar a
algunos miembros de su personal en herramientas de estadística avanzada para resolver
problemas efectivamente, estas personas son reconocidas por la corporación como Black
Belts y su objetivo es dar un gran soporte a la corporación en ahorros y desempeño.
El corporativo ha establecido que sus plantas alcancen 3 objetivos principales al final del
2004, los cuales son reducir el desperdicio un 50%, reducir el valor de inventario un 50%
y reducir DPMJ un 90%. En este caso acordamos con el Gerente de planta enfocar los
esfuerzos a ayudar en la reducción de desperdicio.
Mapeo del proceso
En diciembre del 2002 comenzó el entrenamiento de Black Belt como candidato, esto es
cuando los miembros del equipo fueron escogidos y la información relacionada al
desperdicio durante 2002 comenzó a recolectarse, entonces pudimos identificar las áreas
de oportunidad.
El equipo decidió aplicar la metodología Seis Sigma en el proyecto alineado a los 3

objetivos principales. Primero, buscar dónde se encontraba nuestra principal área de
oportunidad para reducir el desperdicio de la unidad PIC en la planta, debido a que el
ingeniero de proceso es el responsable del Área de alambre de servicio será un candidato
a ser Black Belt y enfocará sus esfuerzos en esta área.
Decidimos no utilizar el mapeo de flujo de valor debido a la naturaleza del proyecto, por lo
que decidimos utilizar otras herramientas no menos efectivas o menos importantes para
mapear el problema. De este modo comenzamos haciendo una estratificación con los
datos obtenidos de nuestro sistema formal (Manufacturing Pro), debido a que la
información disponible esta en la red de desperdicio obtuvimos la siguiente información.
Página 193
Distribución neta del desperdicio Tetla

- 2002
Tandem
49%
Drawing
1%
Pairing Jacketing
5% 25%
Stranding Cabler
16% 4%
Se realizó una segunda estratificación, tomando el área de Tandems
Distribución del desperdicio en las líneas Tandem 2002
$350,000
332,525
$300,000
$250,000
185,321
$ U SD
$200,000
152,972
$150,000
77,126
$100,000
47,164
38,732 36,718
$50,000
$0
Página 194
En este paso pudimos encontrar que los arranques de máquina (Start Up) son la principal
razón para el desperdicio en el área de Tandem y el equipo decidió trabajar en la
reducción de desperdicio debido a los arranques en las áreas de Tandem, pudimos
alcanzar uno de los tres objetivos principales, aunque sólo tuvimos información de la red
de desperdicio.
Página 195
PASO 2 – MEDICION
Recolección de datos de defectos
Durante Enero y Febrero del 2003 se recolectó nueva información por lo que pudimos
estar seguros que se tomó la decisión correcta, porque las causas de desperdicio pudieron
valuarse, pero ahora en términos de desperdicio bruto y no solo en términos de
desperdicio neto.
Recolectamos datos de nuestro sistema formal (Manufacturing Pro) para identificar como
se distribuían las causas del desperdicio en las líneas Tandem. El equipo decidió utilizar un
diagrama de Pareto para identificar la contribución de cada una de las líneas Tandem
involucradas en el desperdicio por productos PIC, la información colectada mostró lo
siguiente:
Crear y estratificar – Diagrama de frecuencia y Pareto
Hicimos una estratificación para investigar con más detalle cuál pudiera ser la principal
causa de falla de las líneas Tandem para el cable PIC; líneas 1802,1804,1811,1812.
Estas líneas están dedicadas a producir alambre aislado de forro espumoso para cables
PIC. La estratificación se muestra a continuación:
Cause of GW in tandem lines

(Jan-Feb 03)
100
600000
500000 80
Mx $ pesos
400000
Percent
60
300000
40
200000
20
100000
0 0
y up ec
ci t ke sp
tri t a of
Causes: art
up
s
Ec
c en
Pu
rge
s
ks
in
tsi
de
Ot
he
rs
St on bre
a ou
N re D
wi CO
Mx $pesos 390257 90717 43986 40616 23023 42024
Percent 61.9 14.4 7.0 6.4 3.7 6.7
Cum % 61.9 76.3 83.2 89.7 93.3 100.0
Página 196
Definir la meta inicial
La causa vital identificada fue el arranque en las líneas Tandem gastando alrededor de
$400 mil pesos mexicanos en 8 semanas en el 2003. El equipo decidió analizar el
problema y como meta inicial la reducción del 70% del costo de desperdicio generado por
esta causa estimando un ahorro anual de $1.7 millones de pesos mexicanos.
Como resultado de un voto múltiple y técnicas de lluvia de ideas, el equipo con una gran
participación del operador, supervisor de turno e ingeniero de proceso planearon algunas
actividades en las líneas Tandem para recolectar datos como sigue:
5W & 1H Activity plan
WHAT HOW WHO WHERE WHEN

1.- Trainnig Reviewing training records. OO, AS Lines 1812 Jan. 28
2.- Standarized method. Review the TOI's in floor JLC 1811,1804,1803
3.- Followed sequence. Make run trials to see the current OO,JLC one per line at least. Feb. 19
procedure.
4.- Efficiency. Review the unplanned shut downs. MAC Lines 1812 Feb. 5
6.- Cooling system. Review the tanks condition OO,JL 1811,1804,1803 Feb. 9
7.- Low speed take ups Review the counter and its program.OO
8.- The heaters didn't work. Review the calibration date JLC
9.- Method Make an opportunity flow chart OO,JLC,AS Lines 1812 Feb. 12
11.- Lack of time to mix Have an eye on the current procedureOO,JLC At least one per line. Feb.12
12- Counter failures Review the calibration date JL,MC Lines 1812 1811,1804,1803
Feb.12
13.- Temperature Make run trials of current procedureOO At least one per line. Feb. 19
La información estadística de diferentes fuentes tales como el laboratorio de Calidad,

mantenimiento y el departamento de producción fueron revisadas por el equipo, lo que
ayudó a hacer algunas pruebas para generar más datos y hacer un análisis descrito en la
fase de análisis
Comenzamos a crear una tabla con los datos recolectados, lo cual nos ayudaría a tener
información en relación a cada arranque por línea, por lo que podíamos explotar la
información a ser analizada.
Se planearon algunas pruebas para cada línea Tandem con más de 2 pruebas por línea,
con lo que pudimos identificar los factores principales involucrados en el método y evaluar
la variabilidad del proceso de arranque. Con los datos obtenidos preparamos una carta de
flujo de oportunidad y pudimos observar algunas áreas importantes de oportunidad para
mejorar el método. Esto será explicado en la fase de análisis.
La recolección de información comenzó en el piso de de producción para ayudarnos a

descubrir la situación actual en las actividades de arranque de cada línea Tandem sin
poner atención en las actividades del operador durante el arranque de la línea, los datos
obtenidos son:
Página 197
Collecting data Sheet "Start-up machine"
Machine 1802 Product 2524

: February 2003
Scrapped Take change

Environmenta Time before
l Temperature Temperature profile Speed lengt Total scrapped
startup h(mts) length
(mts)
- -- 120 165 187 204 212 215 215 215 215 - -- --

-
17 7 98 165 186 203 211 215 215 216 211 -
1715 350 5100
18 5 117 165 187 205 214 215 214 215 216 1717 0
440 5500
- -- 120 165 187 204 212 205 205 210 210 - 0 -- --
-
26 30 123 164 188 205 211 205 205 210 213 -
1750 500 7400
23 25 121 163 187 203 210 205 202 205 215 1750 0
500 7400
22 90 125 163 188 203 210 205 205 208 211 1750 0
430 5800
21 10 121 162 188 203 211 204 206 209 211 1750 0
500 6000
17 30 123 164 187 203 211 204 203 210 217 1750 0
400 6500
16 60 123 164 187 203 212 204 203 206 216 1750 0
500 6900
- -- 119 162 185 200 203 205 205 210 213 - 0 -- --
-
20 75 125 163 187 201 204 205 205 209 212 -
1750 680 7700
25 25 118 160 184 199 203 202 205 210 214 1750 0
600 8000
- -- 120 163 188 200 204 205 205 210 213 - 0 -- --
-
15 60 124 162 188 201 204 205 204 208 218 -
1750 5500 6100
13 25 124 162 189 202 210 204 204 208 216 1750 5800 7000
16 30 131 164 189 203 210 204 204 208 212 1750 4200 5600
17 25 132 163 187 202 208 204 205 209 211 1750 3700 6300
-- - 120 163 193 202 208 205 205 210 213 -- -- --
18 -
25 125 161 193 203 210 204 205 209 215 1550 5500 8200
6633
Collecting data Sheet "Start-up machine"
Machine 1812 Product: 2524

February 2003
Scrapped Take change
Environmental Time before
Temperature Temperature profile Speed length Total scrapped
startup length (mts)
(mts)
-- mi 119 14 16 17 19 20 201 198 20 -- -- --
18 n15 118 8
14 7
16 6
17 0
18 1
20 202 198 9
20 1800 2250 3000
17 25 118 9
14 7
16 6
17 9
19 1
20 200 198 1
20 1800 5160 5600
-- -- 115 7
14 9
17 7
18 0
19 1
20 200 199 5
20 -- -- --
17 25 115 5
14 4
17 4
18 4
19 0
20 201 199 7
211 1800 5800 6300
17 45 115 5
14 3
17 4
18 2
20 0
20 201 199 21 1800 6200 6700
17 40 115 6
14 5
17 1
18 1
20 0
20 201 199 3
211 1800 6200 6600
-- -- 115 6
14 3
16 1
18 1
20 0
20 206 204 21 -- -- --
13 40 118 9
15 9
17 2
18 2
20 4
20 197 203 0
21 1800 7000 9000
18 25 113 0
15 0
17 3
19 4
20 4
20 204 200 0
21 1800 7000 8100
-- -- 12 1
14 1
17 0
18 1
19 3
20 204 202 5
20 -- -- --
16 25 0
119 5
14 0
17 5
18 5
19 4
20 204 203 5
20 1800 4000 4200
16 22 119 5
14 1
17 5
18 4
19 3
20 204 203 5
20 1800 3900 4000
-- -- 115 5
15 1
18 5
19 4
20 3
20 205 203 5
211 -- -- --
19 0 0 0 3 5
20 114 148 179 190 201 205 204 204 217 1800 5900 6200
18 25 114 147 178 189 202 204 204 204 216 1800 7000 7900
17 25 121 156 176 186 201 205 204 204 212 1900 8000 8500
13 40 118 150 170 183 204 204 197 203 210 1800 7000 9000
17 25 121 156 176 186 201 205 204 204 212 1900 8000 8500
18 15 118 149 167 176 189 201 202 198 201 1800 2250 3000
6440
Página 198
C o lle c t in g d a t a S h e e t " S ta r t - u p m a c h in e "
M a c h in e 1804 P ro d u c t: 2524
F e b ru a ry 2 0 0 3
S c ra p p e d Take change
E n v ir o n m e n t a l T im e b e f o r e
T e m p e ra tu re
T e m p e r a t u r e p r o f ile Speed le n g th T o ta l s c ra p p e d
to s ta rtu p le n g t h (m ts )
(m ts )
-- -- 1 3 8 1 60 1 7 9 1 9 7 2 0 7 2 1 0 2 1 0 2 1 5 2 1 5 -- -- --
16 5 1 3 8 1 60 1 7 9 1 9 7 2 0 7 2 1 0 2 1 0 2 1 5 2 1 5 180 7 3700 400 0
15 5 1 3 8 1 61 1 7 8 1 9 8 2 0 8 2 1 0 2 1 0 2 1 4 2 1 1 180 8 3800 410 0
-- -- 1 3 8 1 60 1 8 0 1 9 8 2 0 7 2 1 0 2 1 0 2 1 5 2 1 5 -- -- --
26 40 1 3 9 1 61 1 8 1 1 9 7 2 0 7 2 1 0 2 1 0 2 1 3 2 1 4 180 8 2700 310 0
26 2 1 3 8 1 60 1 7 9 1 9 7 2 0 7 2 1 0 2 0 9 2 1 5 2 1 2 181 3 3100 330 0
-- -- 1 4 0 1 60 1 8 2 1 9 4 2 0 5 2 1 0 2 1 0 2 1 0 2 1 5 -- -- --
30 33 1 4 2 1 61 1 8 2 1 9 6 2 0 6 2 1 0 2 1 0 2 1 0 2 1 3 187 4 2400 300 0
21 27 1 4 0 1 60 1 8 2 1 9 4 2 0 3 2 1 0 2 1 0 2 1 1 2 1 3 187 0 2950 350 0
23 25 1 4 0 1 60 1 8 2 1 9 4 2 0 5 2 1 0 2 1 0 2 1 0 2 1 5 187 5 3500 380 0
22 30 1 4 0 1 60 1 8 2 1 9 3 2 0 5 2 1 0 2 1 0 2 0 9 2 1 5 187 0 3900 430 0
-- -- 1 4 0 1 60 1 8 0 1 9 6 2 0 4 2 1 0 2 1 0 2 1 0 2 2 0 -- -- --
21 17 1 4 1 1 60 1 7 9 1 8 4 2 0 3 2 1 0 2 1 0 2 1 0 2 2 7 187 0 2900 330 0
14 32 1 4 1 1 60 1 8 1 1 9 5 2 0 6 2 1 0 2 1 0 2 1 0 2 2 1 187 0 6000 615 0
18 20 1 4 0 1 60 1 8 0 1 9 7 2 0 8 2 1 0 2 1 0 2 1 0 2 2 0 187 0 4500 480 0
20 20 1 4 0 1 60 1 8 1 1 9 4 2 0 8 2 1 0 2 1 0 2 1 0 2 2 7 187 0 3300 370 0
-- -- 1 4 0 1 60 1 8 0 1 9 2 2 0 2 2 1 0 2 1 0 2 1 0 2 2 2 -- -- --
22 95 1 4 1 1 60 1 8 1 1 9 4 2 0 4 2 1 0 2 1 0 2 1 0 2 3 0 187 0 6000 620 0
24 20 1 4 1 1 60 1 8 0 1 9 3 2 0 5 2 1 0 2 1 0 2 1 0 2 2 7 187 0 3800 410 0
20 25 1 4 1 1 59 1 8 2 1 9 1 2 0 2 2 0 9 2 0 9 2 0 9 2 2 4 187 5 2700 290 0
401 7
C o ll e c t i n g d a t a S h e e t " S t a r t - u p m a c h in e "
M a c h in e 1811 P r o d u c t: 2524
F e b ru a ry 2 0 0 3
E n v ir o n m e n ta l T im e b e fo r e
T e m p e ra tu re
T e m p e r a t u r e p r o f il e Speed le n g t h T o ta l s c ra p p e d
to s ta rtu p le n g t h (m ts )
(m ts )
-- -- 154 164 185 196 207 207 207 207 215 -- -- --
12 2 154 163 185 195 206 207 207 200 205 1812 3600 3800
11 5 154 164 185 196 207 207 206 206 215 1814 2150 2500
24 5 154 164 185 197 207 208 208 210 209 1808 2500 2800
23 2 154 164 185 196 207 208 208 210 210 1812 2000 2300
17 25 152 163 185 191 204 207 207 207 220 1600 3000 3300
14 27 155 163 185 193 207 207 207 207 215 1800 4100 4300
14 25 153 163 185 192 2006 207 207 207 217 1810 2300 4800
20 75 153 165 185 193 207 206 208 209 221 1800 3900 6100
17 36 153 164 186 188 199 207 207 207 216 1800 4600 5200
15 30 153 164 185 192 202 205 207 205 217 1800 3200 5500
18 25 151 163 183 191 200 208 205 205 220 1800 4000 4200
19 40 154 166 186 192 203 206 207 206 217 1814 5000 5600
22 85 154 166 186 193 204 210 208 207 219 1815 8900 9100
22 25 155 164 187 194 205 206 206 208 216 1819 4200 5800
19 25 153 163 186 194 205 206 207 208 221 1821 5000 6100
4760
Página 199
Resumen de datos como resultado de mediciones realizadas en las líneas destinadas a la

manufactura de productos PIC
S
u
m ma
r
yda
tac
ol
lec
t
ed
T
ande
m r
Li
nes (
t
ime
vsl
eng
ht
)
Rep
l
ies X S
1812 0.
59 1
5 6
44
0 2
10
4
1811 0.
86 1
5 4
76
0 1
76
3
1804 0.
53 1
5 4
01
7 1
02
1
1802 0.
14 1
5 6
63
3 9
66
Durante esta fase de medición encontramos que las líneas Tandem tenían que ejecutar
muchos arranques, debido a diferentes causas, por lo que recolectamos más información.
En el caso de fallas de máquina, recolectamos mucha información proveniente de nuestros

sistema formal (Manufacturing Pro), y también tomando información de los reportes de
piso, pudimos identificar la siguiente información
Unplanned shut downs March 01-31

Tandem lines
100
500
80
Frequency
60
243 Percent
250
40
144
70 41 20
46
0 0
Cause
Página 200
Unplanned shut downs March 01-31
100
80
200
Percent
60
Hrs. loss
127
40
100
68
31 21 20
23
0 0
Cause
Resumen de información recolectada debido a la alta frecuencia en paros no planeados
Summary of unplanned shut downs March 01 -31

Cause Loss hrs. Frequency Minutes/start-up
Wire break in drawer & Cu quality 127 243 31
Wire break in annealer 68 144 28
Wire break at take up change 31 70 26
Wire break in take-up 23 46 30
Wire break in cross-head 11 27 25
Others 21 41 31
Como resultado de tener identificada la causa principal de paros no planeados teniendo

que reiniciar, el equipo recolectó muestras de alambres rotos en la máquina de estirado
así como la calidad del cobre obteniendo la siguiente información:
Página 201
Copper wire breaks

MAQUINA FECHA DADO Canastilla CAUSA Torreta Ton. Prod. Ton / Rev Rev / Canastilla
1801 12/03/2003 13 428 Macroporosidad 30228-062 1
1801 13/03/2003 13 437 Inclusión
2
1801 13/03/2003 18 437 Inclusión Ausente 30228-078
1801 13/03/2003 19 438 Inclusión Ausente 30228-069 1
1801 14/03/2003 16 419 Inclusión
1801 14/03/2003 17 419 Inclusión Ausente 13.32 1.21
30228-065 4
1801 14/03/2003 18 419 Inclusión Ausente
1801 14/03/2003 20 443 Inclusión 30228-067 3
1801 15/03/2003 18 443 Macroporosidad
1802 12/03/2003 18 423 Macroporosidad 30228-060 3
1802 12/03/2003 22 423 Tensión
30228-079 4
1802 13/03/2003 22 433 Tensión
1802 13/03/2003 22 439 Tensión
1802 13/03/2003 24 439 Inclusión
7.18 0.30
1802 13/03/2003 20 439 Inclusión 30228-069 7
1802 13/03/2003 22 439 Tensión
1802 14/03/2003 22 439 Inclusión
1802 14/03/2003 18 432 Inclusión
1802 14/03/2003 17 432 Inclusión
30228-072 4
1802 14/03/2003 21 432 Tensión
1802 15/03/2003 22 444 Tensión 30228-074 3
1802 15/03/2003 22 444 Tensión
1803 08/03/2003 17 352 Escamas / Astillado
30213-063 1.24 0.62 2
1803 08/03/2003 13 352 Inclusión
1804 07/03/2003 21 386 Inclusión
30225-019 2
1804 07/03/2003 23 386 Inclusión
1804 08/03/2003 19 392 Inclusión Ausente 30214-041 30213-
2
1804 10/03/2003 23 392 Inclusión 027
30225-015 30228-
1804 11/03/2003 20 416 Inclusión 3
058
30214-041 2
24.28 1.35
30228-062
6
1804 13/03/2003 25 429 Inclusión
30228-062
1804 14/03/2003 24 429 Macroporosidad
1804 14/03/2003 16 365 Macroporosidad 30213-016
2
1804 15/03/2003 18 365 Inclusión 30213-030
1809 11/03/2003 21 414 Inclusión 30225-016 1
30228-070 8
1809 13/03/2003 20 431 Macroporosidad
1809 13/03/2003 21 431 Inclusión
1809 13/03/2003 20 431 Inclusión 11.51 0.68
30228-074 2
1809 17/03/2003 20 468 Macroporosidad
1809 17/03/2003 19 468 Macroporosidad
1809 17/03/2003 23 468 Macroporosidad
30228-010 6
1809 17/03/2003 13 468 Macroporosidad
1809 17/03/2003 23 468 Macroporosidad
Página 202
Summary of data collection Sheet: Copper wire breaks March 2003

Gross Waste
Effect of failure Breaks Tons/Rate Brk
Valuated
USD
Inclusion: 97 1.031 2,267
Macro porosity 23 4.348 538
Tension 17 5.882 397
Total 137 0.730 3,202
Analyzed sample 100 Cu-tons

Lost time per wire break 30 Minutes
Gross waste per restart-up 23.3 USD
De acuerdo a la información anterior el equipo redefinió el objetivo inicial de obtener una

reducción del 70% en rupturas con un desperdicio equivalente a 1.1 millones de pesos
(110 mil dólares/año) tomando en cuenta 50 semanas por año
Initial Goal Validation TOTAL SCRAPPED LENGHT (RTM)

March 2003
Current Goal
120 Current Goal
97
100
Wire break/100 Tons.
80 25000 21850
60 20000
40 29 15000
23
Meters
17
20 7 5 10000 6555
0
5000
Inclusion: Macro porosity Tension
0
Wire breaks classification Sample size, 4 Tandem lines
En el caso de inclusiones y macro porosidad, trabajamos junto con los proveedores para
reducir las rupturas hasta un 70% por esta causa; debido a que dependemos de los
proveedores este será un objetivo esperado.
El equipo decidió tener como un objetivo el reducir la longitud promedio por arranque así
como su variación.
Para una identificación más fácil en el reporte, lo llamaremos Relacionado con el método
(“Related to the method” - RTM) y relacionado con las rupturas de alambre (“Related to
the wires breaks” - RTWB).
Página 203
PASO 3 – ANALISIS PARA LOS (RTM)
Desarrollar una definición enfocada del problema
De acuerdo al resumen de datos podemos hacer el siguiente análisis:
I) La longitud de alambre desperdiciado corresponde a muchos re - arranques

II) La primera causa es tener alta frecuencia de paros no planeados debido a
rupturas de alambre en máquinas de estirar (Drawing machines).
La clave para desarrollar un análisis correcto y ser capaz de identificar la causa potencial
del desperdicio de los arranques en las líneas Tandem, fue saber qué tan bien cumplió el
proceso con los requerimientos mínimos del cliente interno y también como estuvo siendo
operado el proceso.
Desarrollo de definición del problema (RTM):
Con objeto de determinar la meta óptima para el método de arranque, el método seguido
por el equipo fue ejecutar pruebas para identificar la mejor secuencia, tiempos,
desperdicio producido en Kg. y metros y diseñar una hoja de recolección de datos por
línea.
El equipo utilizó como herramienta una carta de flujo de oportunidad para mostrar la
información recolectada durante las pruebas y las principales actividades involucradas
durante el método de arranque.
OPPORTUNITY STAT-UP METHOD FLOW CHART
Set up activities Bleeding operation Eccentricity operation Start the production

Wait for the
Start Temperature in the Start the Look at Cx in the
Extruders vs. sets. Eccentricity Monitor 170
Adjustment at low pf +/- 2
Speed
Set up the new
Order identifying
What the Are temps ok? Not Yes
Cx. Is ok?
Compound and the Eccentricity Not
Gage is. ok?
Yes
Not
Not
Start bleeding Yes Adjust the process
Is it Compounds. Condition looking at
Different? Increase the (CTP variables)
Speed more than
Yes
Is the comp. Yes 1700 mpm
Change the reel in the
Change tip and Mixed?
take up.
Dies
Not Yes
Eccentricity
Adjust the ok?
Set up the
Temperature Take a sample and
Temperatures in
Profile. Not Make all product tests
The extruders
(CTQ variables)
Stop the rpm and Adjust the
String copper wire Clean backside of Distance between
Along of line. the tip. tip and die
Not Sample is
ok?
Yes
END
Start the production
Página 204
Explorar causas potenciales (RTM)
Encontramos las siguientes áreas de oportunidad a ser estandarizadas, ya que cada

operador utilizó su propio criterio y los operadores son la clave para alcanzar un arranque
exitoso.
1) Compuestos inundantes
2) Excentricidad de aislamiento
Usar método estadístico para calificar la relación causas efecto (RTM)
Para esta fase del proyecto, el equipo utilizó la información recolectada de varias pruebas
realizadas para cada línea definiendo la variable de tiempo usando el diagrama de
dispersión para medir la relación entre 2 variables, tiempo y longitud de desperdicio.
Tiempo = tiempo de línea antes de arrancar por cualquier razón.

Longitud de desperdicio = Longitud (m) desperdiciada como consecuencia de cada
arranque.
Los estudios presentados a continuación fueron planeado para identificar si existe alguna
diferencia significativa entre los métodos de los operadores para el arranque de líneas.
Objetivo de este estudio:
o Identificar si existe una posible relación entre 2 variables y saber si el tiempo

influye directamente a la variable de respuesta, longitud desperdiciada.
_
Identificar cuáles son la media
o
X y la desviación estándar (S) para cada
línea en la situación actual.
o Hacer una prueba de hipótesis para saber si existen variaciones entre las líneas
Tandem y saber si pudiéramos estandarizar el método a través de las líneas
Tandem, por lo que tendrán sus propios mínimos de longitud desperdiciada.
Se hizo una prueba de normalidad para cada línea Tandem en longitud desperdiciada
para evaluar si tienen una distribución normal calculando el valor p de esos grupos de
datos:
Página 205
Probabilidad Normal de Longitud desperdiciada (m)
Normal Probability Plot Normal Probability Plot
.999 .999
.99 .99
.95 .95
Probability
Probability
.80 .80
.50 .50
.20 .20
.05 .05
.01 .01
.001 .001
5000 6000 7000 8000

2000 3000 4000 5000 6000 7000 8000 9000
1811 le 1802 le
Average: 6633.33 Anderson-Darling Normality Test
Average: 4760 Anderson-Darling Normality Test StDev: 965.599 A-Squared: 0.228
StDev: 1763.44 A-Squared: 0.313 N: 15 P-Value: 0.772
N: 15 P-Value: 0.512
.999 .999
.99 .99
.95
Probability .95
Probability
.80 .80
.50 .50
.20 .20
.05 .05
.01 .01
.001
.001
3000 4000 5000 6000 7000 8000 9000

3000 4000 5000 6000
1812 le
1804 le Average: 6440 Anderson-Darling Normality Test
Average: 4050 Anderson-Darling Normality Test StDev: 2104.35 A-Squared: 0.458
StDev: 959.725 A-Squared: 0.814 N: 15 P-Value: 0.227
N: 15 P-Value: 0.027
Resumen de datos recolectados:
Si vemos el resumen de datos podemos hacer el siguiente análisis:
Su
m ma
r
yco
l
lec
t
edd
at
a
T
ande
m r
Li
nes (
t
ime
vsl
eng
t
h)
Rep
l
ies X S
1812 0.
59 1
5 64
40 2
10
4
1811 0.
86 1
5 47
60 1
76
3
1804 0.
53 1
5 40
17 1
02
1
1802 0.
14 1
5 66
33 9
66
Página 206
Conclusiones acerca del factor de correlación (RTM)
Conclusión (a): Debido a la correlación “r” mostrada entre tiempo versus la longitud
desperdiciada en las líneas 1811, 1812 y 1804 podríamos decir que existe suficiente
relación entre el tiempo y la longitud desperdiciada, es por eso, que podemos asumir que
cuando la línea se para por largo tiempo, más de 30 minutos en promedio antes de re -
arrancar, la longitud desperdiciada se verá afectada.
Conclusión (b): Debido al diseño de tornillo para las líneas Tandem, no es posible en este
momento tratar de estandarizar la longitud desperdiciada en todas las líneas Tandem, será
necesario hacer el análisis en pares de máquinas.
Conclusión (c): La siguiente fase fue analizar si existen diferencias significativas entre
medias de grupos de líneas, siendo 1811 y 1804 un grupo; y 1812 y 1802 otro grupo.
Como se hicieron 15 pruebas tomamos el estadístico de prueba T, cuando n<30, y las
medias son conocidas.
S u m m a r y c o lle c t e d d a t a
Tandem r
L in e s ( t im e v s le n g t h )
R e p lie s X S
1812 0 .5 9 15 6440 2104
1811 0 .8 6 15 4760 1763
1804 0 .5 3 15 4017 1021
1802 0 .1 4 15 6633 966
H y p o th e s is te s t
H y p o t h e s is t e s t f o r 2 p a ir e d g r o u p s u s in g t h e " t t e s t" :
Is t h e r e a n y s ig n if a c t d if f e r e n c e b e t w e e n p r o c e s s ? :
Ho :  1804   1811 Ho :  1802   1812
Ha :    Ha :  1802   1812
1804 1811
El grupo de líneas fue escogido principalmente porque son técnicamente iguales, el diseño
de tornillo, el cual es un factor clave en el proceso de arranque y la estabilidad del
componente extruido.
Página 207
Paired T-Test and CI: 1804 le; 1811 le
Paired T for 1804 le - 1811 le Dotplot of Differences of Means 1811 - 1804

N Mean StDev SE Mean (with Ho and 95% t-confidence interval for the mean)
1804 le 15 4050 960 248

1811 le 15 4760 1763 455
Difference 15 -710 1479 382
95% CI for mean difference: (-1529; 109) [ _ ]

T-Test of mean difference = 0 (vs not = 0): X Ho
T-Value = -1.86 “t” calculated –710/382

P-Value = 0.084
-3000 -2000 -1000 0 1000 2000
Differences
Dotplot of Differences (1812 - 1802)
(with Ho and 95% t-confidence interval for the mean)
Paired T for 1802 le - 1812 le

N Mean StDev SE Mean
1802 le 15 6633 966 249
1812 le 15 6440 2104 543 [ _ ]
HoX
Difference 15 193 2548 658
95% CI for mean difference: (-1218; 1605)

T-Test of mean difference = 0 (vs not = 0): -4000 -2000 0 2000 4000 6000
Differences
T-Value = 0.29 “t” calculated 193/685
P-Value = 0.773
Debido a que el estadístico “T” de alfa es mayor que la “T” calculada y el Ho se encuentra
dentro de los límites del intervalo de confianza, no se rechazó Ho y podemos decir que no
hay diferencias significativas entre ambos grupos de líneas, asumiendo que pudieran tener
la misma media proveniente del mismo método.
Página 208
PASO 4 – MEJORA PARA LOS (RTM)
Crear posibles soluciones para las causas raíz (RTM)
Usando la técnica de lluvia de ideas el equipo propuso algunas soluciones potenciales y

desarrollo un plan para ser implementado como sigue:
Acorde a la información recolectada, creamos un diseño de experimentos para identificar

los factores involucrados en el método de arranque, por este medio creamos un Diseño de
Experimentos Factorial (DOE) de 3 factores y 2 niveles como sigue:
Factorial completo 23 = 8 corridas
3 factores; tiempos muertos, color inundante y capacidad coaxial ajustad

2 niveles
5.0 min. 20.0 min. White Brown Automa tic Manual
17000
Scrapped Length ( MTS)
14000
11000
8000
5000
Shut Down T ime Bleeding Color Adjusted Coaxial Capacitance
De los datos mostrados en el paso de análisis, el proceso de arranque en las líneas

Tandem está relacionado fuertemente al método seguido por cada operador. Las
oportunidades para mejoras encontradas y listadas debajo de este párrafo, no
toma en cuenta el goteo del extrusor y limpieza como posibles variables, debido a
que los operadores siguen una práctica común y estandarizada observada durante
las pruebas.
(a) El control de la Capacitancia debe ponerse en automático y a toda velocidad

de arranque
Página 209
(b) Inundar el polietileno hasta que se obtenga un color café y limpiar la punta
antes cubrir el cobre, para garantizar el arranque y concentricidad al
principio
(c) Se tendrá estandarizado el método cuando la máquina se pare a lo más por
20 minutos, en el caso de durar más de 20 minutos la longitud podría ser
mayor.
Importante: para reducir el total de longitud desperdiciada sustancialmente, es

necesario reducir la longitud desperdiciada por el tiempo de transferencia en los
amarres.
Desarrollar un plan (RTM)
Nosotros planeamos ejecutar algunas pruebas tomando la información del

experimento para evaluar los resultados; se realizaron en cada línea Tandem.
Estos puntos de mejoramiento pudieran afectar el tiempo en el arranque, pero la
contribución más importante es reducir el monto de desperdicio en cada arranque.
De estas pruebas el equipo midió la media y la desviación estándar para el método
mejorado. Como resultado de esta medición, el equipo estableció una nueva tabla
de flujo mostrando la mejora.
START-UP IMPROVED METHOD FLOW CHART

Set up Bleeding process Eccentricity operation Start the production
activities Yes
Start Wait the Start Cx. Is
temperature in the the
eccentricity ok?
extruders vs. sets. adjustment at
low spee Not
Set up the
d
new
order identifing Adjust the
what the Are temp. ok? Not
process
condition looking
Yes
compound and Is the Eccent. (CTP variables)
the gage ok
are. Yes ?
Not
Start Not Turn on the automatic
bleeding
compounds system.
Is it different
. Follow the
product?
Eccentricity TOI.
Yes Is the Mix Yes

Change the reel in the
comp. ok?
Change tip take
and die Not up.
s Start up the line at
Adjust 1800 mpm
Set up the the
temperature Take a sample and
temperatures profile. make all product
inthe tests
(CTQ
extruders Stop the rpm and Look the Cx in variables)
clean back side of the monitor
String copper wire
along the line. the 170 pf +/- 2 Not Is the
tip.. sample ok?
Yes
END
Start the
production
Página 210
Preparamos una nueva hoja de recolección de datos para colectar información

acerca de la longitud desperdiciada una vez que las mejoras fueron
implementadas. Los datos recolectados mostraron lo siguiente:
C o lle c t in g d a t a S h e e t " S t a r t - u p m a c h in e "
M a c h in e 1804 P r o d u c t: 2524
A p r il 2 0 0 3
E n v ir o n m e n t a l T im e b e f o r e T o ta l s c ra p p e d
T e m p e ra tu re
T e m p e r a t u r e p r o f ile Speed le n g th le n g th
to s ta rtu p
(m ts ) (m ts )
Set 138 160 179 197 207 210 210 215 215 -- -- --
5 138 161 178 198 208 210 210 214 211 1808 3300 3800
Set 138 160 180 198 207 210 210 215 215 -- -- --
10 138 160 179 197 207 210 209 215 212 1813 2900 3500
Set 140 160 182 194 205 210 210 210 215 -- -- --
33 142 161 182 196 206 210 210 210 213 1874 2500 3200
25 140 160 182 194 205 210 210 210 215 1875 3500 4100
Set 140 160 180 196 204 210 210 210 220 -- -- --
17 141 160 179 184 203 210 210 210 227 1870 2700 3100
20 140 160 180 197 208 210 210 210 220 1870 4000 4300
Set 140 160 180 192 202 210 210 210 222 -- -- --
30 141 160 181 194 204 210 210 210 230 1870 4800 5100
25 141 159 182 191 202 209 209 209 224 1875 3600 4200
3913
C o lle c tin g d a ta S h e e t " S ta r t- u p m a c h in e "
M a c h in e 1811 P r o d u c t: 2524
A p r il 2 0 0 3
E n v iro n m e n ta l T im e b e f o re T o ta l s c ra p p e d
T e m p e ra tu re
T e m p e r a tu re p ro file Speed le n g th le n g th
to s ta r tu p
( m ts ) (m t s )
Set 154 164 185 196 207 207 207 207 215 -- -- --
15 154 163 185 195 206 207 207 200 205 1812 3600 4200
5 154 164 185 197 207 208 208 210 209 1808 2500 3100
27 155 163 185 193 207 207 207 207 215 1800 3100 3500
25 153 163 185 192 206 207 207 207 217 1810 2700 3400
36 153 164 186 188 199 207 207 207 216 1800 3200 4000
30 153 164 185 192 202 205 207 205 217 1800 3000 3800
20 154 166 186 192 203 206 207 206 217 1814 3600 4300
25 155 164 187 194 205 206 206 208 216 1819 4200 5800
4013
Página 211
M a c h in e 1812 P ro d u c t: 2524
A p r il 2 0 0 3
S c ra p p e d T ake change
E n v ir o n m e n ta l T im e b e f o r e T o ta l s c ra p p e d
T e m p e ra tu re
T e m p e r a t u r e p r o f ile Speed le n g t h le n g t h
to s ta rtu p
(m ts ) (m ts )
Set 119 148 167 176 190 201 201 198 209 -- -- --
25 118 147 169 177 190 201 200 198 205 1800 5160 5800
Set 115 145 174 184 194 200 200 199 207 -- -- --
35 115 146 175 181 201 200 201 199 213 1800 6200 6700
Set 115 149 169 182 202 204 206 204 210 -- -- --
25 113 151 171 190 201 203 204 200 215 1800 5700 6900
Set 120 145 170 185 195 204 204 202 205 -- -- --
25 119 145 171 185 194 203 204 203 205 1800 4000 4900
22 119 145 171 185 194 203 204 203 205 1800 3900 5100
Set 115 150 180 190 203 205 205 203 211 -- -- --
25 114 147 178 189 202 204 204 204 216 1800 6000 6900
25 121 156 176 186 201 205 204 204 212 1900 6100 7100
25 121 156 176 186 201 205 204 204 212 1900 5700 6500
6238
M a c h in e 1802 P ro d u c t: 2524
A p r il 2 0 0 3
E n v ir o n m e n t a l T im e b e f o r e T o ta l s c ra p p e d
T e m p e ra tu re
T e m p e r a t u r e p r o f ile Speed le n g t h le n g t h
to s ta r tu p
(m ts ) (m ts )
-- Set 120 165 187 204 212 215 215 215 215 -- -- --
7 98 165 186 203 211 215 215 216 211 1715 3500 5600
Set 120 165 187 204 212 205 205 210 210 -- -- --
30 123 164 188 205 211 205 205 210 213 1750 5000 5600
25 125 163 188 203 210 205 205 208 211 1750 4300 5500
30 123 164 187 203 211 204 203 210 217 1750 4000 6100
Set 119 162 185 200 203 205 205 210 213 -- -- --
33 125 163 187 201 204 205 205 209 212 1750 6800 6900
Set 120 163 188 200 204 205 205 210 213 -- -- --
25 124 162 188 201 204 205 204 208 218 1750 5500 5900
30 132 163 187 202 208 204 205 209 211 1750 3700 6300
Set 120 163 193 202 208 205 205 210 213 -- -- --
25 125 161 193 203 210 204 205 209 215 1550 5500 6200
6013
Medición de resultados (RTM)
Después de haber realizado las pruebas podemos calcular los nuevos parámetros
por cada línea Tandem analizando los productos de alambre 24 AWG aislado de
cubierta de polietileno tipo espuma
Página 212
Summary collected data original method

r
Tandem X
(time vs Replies S (S / 1000) 2 DF1;DF2 F/tabla Fcalculada
Lines
lenght)
1812 0.59 15 6440 2104 4.4 14 2.76 5.99
1811 0.86 15 4760 1763 3.1 14 2.76 4.51
1804 0.53 15 4017 1021 1.0 14 2.76 2.41
1802 0.14 15 6633 966 0.9 14 2.76 4.27
Summary collected data on april 2003
1812 8 6238 860 0.7 7
1811 8 4013 831 0.7 7
1804 8 3913 658 0.4 7
1802 8 6013 467 0.2 7
Página 213
Conclusión (A):
No fue posible reducir la media, pero pudimos reducir la variación versus las
condiciones originales. De acuerdo a esta información decidimos utilizar el
estadístico F al comparar las varianzas para saber si hubo alguna diferencia
significativa entre el método anterior y el método mejorado. Para este análisis
hicimos la prueba de hipótesis entre las mismas líneas Tandem.
Hypothesis test
Hypothesis test for 2 paired groups using the "F test" :
Because the F calculated is higher than the F table we say that there
are significant difference between methods and reject the Ho:
Ho :  i2   i2
Ha :  i2   i2
Fue posible estimar los beneficios en metros como sigue:
E s tim a te d b e n e fit d u e to s ta n d a r d d e v ia tio n r e d u c tio n

b e tw e e n o r ig in a l v s . im p r o v e d M e th o d .
P 1  75 % of Total
P 2  75 % of Total
 1   2
D a ta :
X  
Z 

If : Z 0 . 25  0 . 68
X 1 = 6 4 4 0 + (2 1 0 4 * 0 .6 8 ) = 7 ,8 7 5 m ts .
X 2 = 6 4 4 0 + (8 6 0 * 0 .6 8 ) = 7 ,0 2 5 m ts .
B e n e f its p e r s ta r - u p : 1 8 1 2 = 7 ,8 7 5 - 7 ,0 2 5 = 8 4 6 m ts .
1 8 1 1 = 5 ,9 6 9 - 5 ,3 2 5 = 6 3 4 m ts .
1 8 0 4 = 4 ,7 1 1 - 4 ,4 6 4 = 2 4 7 m ts .
1 8 0 2 = 7 ,2 9 0 - 6 ,9 5 1 = 3 3 9 m ts .
Página 214
Evaluando los beneficios (RTM):
Los resultados de la prueba F indican que la acción tomada redujo la amplitud de

la variación la cual es observada a través de diferencias entre desviaciones
estándar con el método anterior y el nuevo método.
Para evaluar el beneficio necesitamos medir las frecuencias de los tiempos muertos
no planeados para cada línea debido al arranque y calcular el costo
correspondiente a la longitud de alambre aislado que fue desperdiciado como
sigue:
Number of unplanned shut downs Jan-Apr 2033

Frequency Total cost 24 AWG Improvement Opportunity total cost
Line
# USD/km km USD/4 months Annual
1802 388 4.96 0.846 $1,630 $4,889
1804 588 4.96 0.634 $1,851 $5,553
1811 405 4.96 0.247 $497 $1,490
1812 356 4.96 0.339 $599 $1,798
$13,729
Página 215
PASO – 5 CONTROL PARA LOS (RTM)
Desarrollar y documentar las prácticas estándar
Para mantener los beneficios de las mejoras implementadas, nosotros creamos y

revisamos los Instructivos de Operación correspondientes para estandarizar las
operaciones. Aplicados a productos de cubierta espumosa.
Página 216
PASO – 3 ANALISIS PARA LOS (RTWB)
Recolección de datos (RTWB)
De acuerdo a la metodología, y después que se ejecutó el análisis de los métodos de

arranque, necesitamos definir que podríamos hacer para identificar las causas especiales
en la máquina de estirado que produjo las rupturas del alambre.
Consideramos un corto periodo de tiempo para tomar la información relativa a las rupturas
del alambre. Mientras hacíamos estas actividades muchos operadores fueron involucrados
para obtener muestras físicas después de cada ruptura de alambre a ser analizado.
Estamos mostrando el resumen respecto a toda la información recolectada:
Los 3 principales efectos encontrados fueron Inclusiones presentes o ausentes, Macro

porosidad y Tensión de alambre. El muestreo se basó en 100 toneladas métricas de cobre
entrante de Kobrex. El equipo decidió investigar 2 aspectos diferentes. Inclusiones y
macro porosidad que deberían resolverse trabajando junto con el proveedor de cobre y la
tensión debería solucionarse internamente.
Desarrollar la definición del problema (RTWB)
De acuerdo a la última información recolectada hicimos una mayor estratificación para

enfocar las primeras investigaciones. Clasificamos los datos como sigue para entender la
situación:
20
Frequency
10
12 17 22 27
Die position
La ruptura de alambres ocurre entre el calibre 16 al 26 AWG. Pero no es posible concluir

nada, por lo que fue necesario preparar una Carta Dot-plot.
Página 217
LOCATION OF WIRE BREAKS

IN DRAWING MACHINE (RTWB).
Defects
Tensión
Macroporosid
Inclusión Au
Inclusión
Escamas / As
14 19 24
Die position
Decidimos que las inclusiones presentes y ausentes, tanto como la macro porosidad
fueran analizadas junto con el proveedor. También se decidió que la tensión del alambre y
desprendimiento del cobre requerían ser analizadas en conjunto para proponer acciones
correctivas internas.
El equipo identificó algunas variables CTQ y CTP a ser analizadas. La siguiente fase fue
colectar datos en relación a las rupturas de alambre de acuerdo a la información
recolectada.
Creamos un diagrama SIPOC para desarrollar nivel de comprensión general del proceso de
estiramiento entre los miembros del equipo. Esto fue importante porque había una
posibilidad de que los factores involucrados en el proceso de estiramiento podían estar
causando el fenómeno de tensión del alambre directamente y la macro porosidad
indirectamente.
Página 218
PROCESS MAP
Cause to be analyzed: Gross waste by wire breaks on lines 1802, 1804, 1811 Y 1812
Process: Drawing Machine in tandem Lines (Niehoff M30)
S I P O C
SUPPLIER INPUTS PROCESS OUTPUT CUSTOMER
Pedro Muñoz - Die shop % reduction through the Dies 20.9% (+/-1.0%) Copper diameter (+/-0.001 mm)
sequence according to
machine design. Hard bare copper 12 AWG
( 2 tons per basket)
Internal: Breakdown Syncro Bare hard copper in12 AWG.
C % of Fines <=2%
FX13 . C
External: Cobrex, Plano Pure >99.99% free of Oval Max.=4%
incltions and porosity
Internal: Pedro Muñoz Lubrication free of copper % Temp.= (35 - 40 oC)
External: Química SARC. fines. C % de Grass =(8 - 10%) Continuous speed Speed.=(1800 - 2000
Ph = (7 - 9) mpm
N Grown old = Ther isn't. Total cross area reduction through a
sequence of diamond dies arrangement in Extrusion process in a tandem
Lubrication system for Constant flow. Flow = Ther isn't 13 places or less into a lubrication camera Cu elongation (18 - 24%) arrangement.
N to minimize the high temperature by metals
tandems.
Ceramic rings surface Smooth surface with any C 100% smooth. frictions.
conditions into the drawer. damage
Dimensions + / - 0.001" Surface finish Zero defects
N
Omar , electronic Control tension stable. +/- 8.0%
C
Operator - Potentiometer to Input voltage Temp. = 38 - 42 oC Feeding continuous without wire breaks
regulate the temperature. C
N.A. Loop system Temp. = 14 - 20 oC Soft bare copper 22, 24 or 26 AWG
C
Ph <= 8
C = Controllable
N = Measurement complex.
S = Standard Method.
Explorar causas potenciales (RTWB)
El equipo decidió utilizar la herramienta de Matriz de selección para entender mejor cuál
podría ser nuestra prioridad en este análisis. Con el conocimiento adquirido por los
miembros del equipo, su experiencia y mediante la creación de relaciones entre los datos
de las rupturas de alambre e información de mapeo del proceso, creamos la siguiente hoja
de Matriz de selección:
Página 219
Planeamos las acciones que consideramos eran las mejores, basadas en la información
previa, fue importante relacionar la situación actual a estas causas potenciales de la
ruptura del alambre.
Organizar causas potenciales (RTWB)
Estas actividades se planearon como sigue:
ACTION PLAN 5W & 1H

POTENTIAL CAUSES ANALYSIS
WHY / WHAT HOW WHO WHERE WHEN

1 Collect samples of wire breaks to be Each machine should collect the wire Alfredo / José Luis. 1802,04,10,11 y 12 March. 17
analyzed under microscope. break, identify all the trazabilty data and
send to the process engineer.
2 Identify effect of copper failure Make an inspection under microscope Ociel Laboratory March.17
Copper quality
100% of the samples collected in the
(A)
floor.
3 Calculate a Rate , wire break per Collect information about the trazabilty Ociel Engineer March. 20
tons. data up to raw material reception. department
4 Stratify the wire breaks types Make summary sheet to see the data. Ociel
5 Evaluate the functionality of the Make an inspection in all the drawing Juan / Miguel 1802,04,10,11 y 12 March. 31
valve in the last die holder. machines and review how often it is Cabrera.
Constant flow. opened or closed.
(B)
6 Evaluate the valves condition Visual inspection and make trials to José Luis / Alfredo. 1802,04,10,11 y 12 March. 31
evaluate the valves condition
7 Lubrication free of % of fat. If it is possible to make the Cp and Cpk Pedro Muñoz / Die shop & central March 31
copper fines. studios Dionicio Reyes. system.
8 (C) Ph
9 Temperature.
10 Take current dies sequence used in Review the schedule program and Pedro Muñoz / 1802,04,11,12 March. 03
floor. replace for a new sequence die. Dionicio Reyes.
% reduction through
11 make physical dimension. March.10
the Dies sequence
12 Calculate the % of reduction of dies Use and excel model to evaluate the Luis / Pedro / Engineer Macrh.12
according to
sequence central limit of the values. Dionicio / Ociel department
machine design.
13 Evaluate the variation of the values. If it is possible to calculate the Cp or Cpk March, 15
(D)
of the values per gage and per machine.
14 Define the acceptance or reject To review of the supplier, operators or Juan / Miguel Maintenance Office March,. 10
criteria of the rings installed in the mechanic criteria according their
drawing machines. experience.
15 To make physical inspections to Coordinate with the production to Juan / Miguel / José Luis
1802,04,11,12 March.20
Ceramics with 100% of the rings installed. schedule, when we make it.
16 smooth surface with If there is time make switch of the Review the production schedule daily Juan / Miguel / José
any damage rings to get better for the smallest and plan time to switch ring position. Luis
(E) sizes.
17 Make a summary of the rings status Stratifying the defecting parts founded. Juan / Miguel Maintenance Office March. 25
and the current arrangement.
18 Measure the outside diameter of the Use calibrated micrometer internally or Juan / Miguel / José Luis
1802,04,11,12 March.31
Ceramics
ceramic rings. externally
dimensions
19 Evaluate de dimensions Compare the real numbers vs. Juan / Miguel / José
(F)
Drawings. Luis
Utilizar método estadístico para calificar la relación causa efecto
Situación actual:
Cada uno de los miembros del equipo hicimos nuestras actividades planeadas y
encontramos lo siguiente:
 (A) Calidad del cobre. Para cuantificar este aspecto, se recolectó la sobre la
condición relacionada a la calidad del cobre con los resultados siguientes:
Página 220
(B) Flujo constante de emulsión de estiramiento. Era imposible de calificar este producto
porque teníamos que medir el flujo de lubricante que va al último dado. Encontramos que
todas las máquinas de estiramiento tenían una válvula controlada por el operador y
revisamos que fue actuado, algunos grifos se encontraban completamente cerrados
existiendo el riesgo de tener rupturas en la última flecha, ya que los diseños originales de
estas líneas no especifican esa válvula.
 (C) Emulsiones de estiramiento libre de polvo de cobre. Encontramos algunas

mediciones de las condiciones del proceso que deberán tomarse en cuenta para la
emulsión, sin embargo no es posible calcular las sigmas del proceso, porque los
datos no permiten realizar ningún análisis estadístico dado que solo se tienen 3
niveles.
 (D) % Reducción total del área transversal: en este caso podríamos estimar el
valor sigma del proceso, descrito aquí.
% cross area reduccion 1811 % cross area reduccion 1812

March 2003 March 2003
23.0% 23.0%
22.0% 22.0%
LSC
% of reduction
LSC
% of reduction
21.0% 21.0%
20.0% 20.0%
LIC LIC
19.0% 19.0%
18.0% 18.0%
13 14 15 16 17 18 19 20 21 22 23 24 13 14 15 16 17 18 19 20 21 22 23 24
Dies sequence in AWG Die sequence in AWG
% cross area reduccion 1804

March 2003
23.0%
22.0%
LSC
% of reduction
21.0%
20.0%
LIC
19.0%
18.0%
13 14 15 16 17 18 19 20 21 22 23 24 25 26
Dies sequence in AWG
1811 (24 AWG) 1812 (24 AWG) 1804 (24 AWG)

n 12 n 12 n 12
Xtestada 20.7% Xtestada 20.7% X testada 20.6%
sigma 3(R/d2) 0.4% sigma 3(R/d2) 0.6% sigma 3(R/d2) 0.7%
d2 3.258 d2 3.258 d2 3.258
Rango 0.48% Rango 0.65% Rango 0.77%
 (E) Z= LSE-X/Sigma Z= LSE-X/Sigma Z= LSE-X/Sigma

Anillos LSE
z=
21.5%
1.90 Sigmas.
LSE
z=
21.5%
1.29 Sigmas.
LSE
z=
21.5%
1.28 Sigmas.
Página 221
cerámicos de superficie suave. Se realizó una inspección al 100% de las máquinas

de estiramiento por lo que pudimos evaluar mediante el mantenimiento el estado
en se encontraban las cerámicas, encontramos una parte defectiva en una
población de 80 anillos.
Reviewed Ceramics into the drawings of lines:

1 2 3 4 1801;1802;1804;1811;1812
Hard damage Fine damage Good Observations
Cones Requerimeintos
1 1 12 7 Require to be changed
2 2 12 6 It was changed of position
3 4 7 9 Not required to change position
4 10 3 7
TOTAL 17 34 29 80
% Defectives 21.3%
Sigma: 0.8
Utilizando una Tabla de conversión de Sigma de proceso –21.3% es igual a

0.8 sigma
o Muestra de anillo de cerámico muy dañado
 (F) Dimensiones de anillos cerámicos. Debido a que no es posible medir las

cerámicas fácilmente por el tiempo requerido entre el desensamble de cada una de
las cerámicas y el tiempo utilizado en su medición por un proveedor externo,
decidimos enviarle un juego completo, que había sido removido, así pudimos
evaluar el nivel de desgaste del anillo cerámico. Para hacerlo se necesitó tener las
recomendaciones del fabricante.
Página 222
Pudimos enviar sólo un juego usado de anillos para ser medidos fuera de la planta
y todas las dimensiones se encontraron dentro de las tolerancias:
Niehoff dimension
1 2 3 4
o La tolerancia total para el diámetro de cada anillo individual es 0.20mm =

0.008”
o Resultados de laboratorio externo
1 2 3 4
Ø 200.000 Ø 128.000 Ø 82.000 Ø 52.500
Ø 199.992 Ø 127.997 Ø 81.998 Ø 51.498
No existe una diferencia significativa para la tolerancia indicada en la

máquina original de estiramiento de Niehoff
Página 223
PASO – 5 MEJORA PARA LOS (RTWB)
Crear posibles soluciones para causas raíz (RTWB)
El equipo utilizando una lluvia de ideas propuso algunas soluciones potenciales y

seleccionó, además desarrollaron un plan para ser implementado como sigue.
Seleccionar soluciones (RTWB)
Los datos recolectados en el paso de análisis referentes a las rupturas de alambre

en la máquina de estiramiento fueron clasificados en 4 causas principales; macro
porosidad, inclusiones presentes y ausentes, desprendimientos y tensiones de
alambre
El equipo revisó el área de influencia que pudimos alcanzar con nuestro esfuerzo y
la acción requerida para involucrar al proveedor
Tomando los datos de estratificación provenientes del paso de análisis algunas

soluciones fueron propuestas tomando las experiencias de los miembros del equipo
como sigue:
Desarrollar un plan (RTWB)
La más importante contribución directa a la implementación del plan de acción

abajo mencionado fue obtener beneficios mediante la reducción en las rupturas de
tensión, presionando al proveedor a implementar también sus acciones
preventivas. El mejor resultado después de ejecutar las acciones planeadas fue la
medición de proporción defectuosa de rupturas de alambre por tonelada
producida. El valor sigma estimado fue calculado utilizando la tabla de conversión
sigma para entender la mejora.
Página 224
Utilizar método estadístico para medir los resultados (RTM)
Cada miembro del equipo hizo sus actividades planeadas y encontramos las siguientes
mejoras:
 (A) Calidad del cobre.

o La principal acción correctiva proveniente de Kobrex fue la sustitución de su
proveedor de Cu catódico, entre otras acciones correctivas. Esto mostró al
proveedor de rollos de cobre a través de la información estadística
proporcionada por la planta, que las acciones correctivas de su parte son
críticas para la reducción de rupturas de alambre.
 (B) Flujo constante de emulsión de estiramiento

o Todas las válvulas que no eran parte del diseño original de la máquina
fueron removidas, eliminando la posibilidad de interrupción de la aplicación
de emulsión sobre el dado de salida.
 (C) Emulsión de Estiramiento libre de polvo de cobre

 Creamos una Carta formal X para el responsable de mantener la calidad de
la emulsión dentro de los parámetros definidos para el pH y % de grasas
en la planta, para poder evaluar la habilidad el Cp y Cpk de estas variables.
Página 225
Process Capability Analysis for Fat of Lubricant

(June 2003)
LSL USL
Process Data
USL 11.0000
Within
Target *
LSL 7.5000 Overall
Mean 8.3538
Sample N 13
StDev (Within) 0.169917
StDev (Overall) 0.238053
Potential (Within) Capability

Cp 3.43
CPU 5.19
CPL 1.68
Cpk 1.68
7 8 9 10 11
Cpm *
Overall Capability Observed Performance Exp. "Within" Performance Exp. "Overall" Performance
Pp 2.45 PPM < LSL 0.00 PPM < LSL 0.25 PPM < LSL 167.38
PPU 3.71 PPM > USL 0.00 PPM > USL 0.00 PPM > USL 0.00
PPL 1.20 PPM Total 0.00 PPM Total 0.25 PPM Total 167.38
Ppk 1.20
Process Capability Analysis for Ph of

Lubricant (June 2003)
LSL USL
Process Data
USL 9.00000
Within
Target *
LSL 7.00000 Overall
Mean 8.66923
Sample N 13
StDev (Within) 0.140366
StDev (Overall) 0.254864
Potential (Within) Capability

Cp 2.37
CPU 0.79
CPL 3.96
Cpk 0.79
7.0 7.5 8.0 8.5 9.0 9.5
Cpm *
Overall Capability Observed Performance Exp. "Within" Performance Exp. "Overall" Performance
Pp 1.31 PPM < LSL 0.00 PPM < LSL 0.00 PPM < LSL 0.00
PPU 0.43 PPM > USL 76923.08 PPM > USL 9224.79 PPM > USL 97173.37
PPL 2.18 PPM Total 76923.08 PPM Total 9224.79 PPM Total 97173.37
Ppk 0.43
Página 226
El Cp y Cpk se mostrará en el resumen de resultados
 (D) % reducción total del área transversal

 El primer paso es checar si los datos numéricos estan normalmente
distribuidos.
.999 .999
.99 .99
.95 .95
Probability
Probability
.80 .80
.50 .50
.20 .20
.05 .05
.01 .01
.001 .001
0.200 0.205 0.210 0.200 0.205 0.210

1804 1802
Average: 0.206 Anderson-Darling Normality Test Average: 0.206 Anderson-Darling Normality Test
StDev: 0.0042426 A-Squared: 0.302 StDev: 0.0043901 A-Squared: 0.615
N: 12 P-Value: 0.522 N: 12 P-Value: 0.083
.999 .999
.99 .99
.95 .95
Probability
Probability
.80 .80
.50 .50
.20 .20
.05 .05
.01 .01
.001 .001
0.202 0.203 0.204 0.205 0.206 0.207 0.208 0.209 0.200 0.205 0.210
1812 1811
Average: 0.206 Anderson-Darling Normality Test Average: 0.205917 Anderson-Darling Normality Test
StDev: 0.0023355 A-Squared: 0.590 StDev: 0.0038954 A-Squared: 0.451
N: 12 P-Value: 0.098 N: 12 P-Value: 0.226
o El Segundo paso es evaluar la capacidad del proceso. En este caso dado

que el tamaño de la muestra es pequeña N= 12 usaremos la Carta de
control de valores individuales (I-MR). En este proceso usaremos el
rango móvil de 2 observaciones sucesivas. Donde:
R
S 3
d2
Página 227
DIMENSIONES DE HILERAS POR SECUENCIA EN AISLADO. DIMENSIONES DE HILERAS POR SECUENCIA EN AISLADO.
M A Q U I N A N° 1 8 11 M A Q U I N A N° 1 8 11
N° MATRICULA AWG DIAMETRO Fecha: Rank No. MATRICULA AWG DIAM. Fecha: Rank
0 Alimentación 12 0.0806 0 Alimentación 12 0.0806
1 858703 13 0.0720 20.2% 1 720396 13 0.0718 20.6%
2 858684 14 0.0642 20.5% 0.3% 2 858695 14 0.0640 20.5% 0.1%
3 858706 15 0.0571 20.9% 0.4% 3 734102 15 0.0570 20.7% 0.1%
4 932787 16 0.0509 20.5% 0.4% 4 862027 16 0.0508 20.6% 0.1%
5 932795 17 0.0453 20.8% 0.3% 5 862025 17 0.0454 20.1% 0.4%
6 B19764 18 0.0403 20.9% 0.1% 6 862123 18 0.0405 20.4% 0.3%
7 B16484 19 0.0361 19.8% 1.1% 7 445468 19 0.0362 20.1% 0.3%
8 B19839 20 0.0321 20.9% 1.2% 8 444774 20 0.0322 20.9% 0.8%
9 830018 21 0.0286 20.6% 0.3% 9 392719 21 0.0287 20.6% 0.3%
10 830026 22 0.0254 21.1% 0.5% 10 318882 22 0.0256 20.4% 0.1%
11 B23334 23 0.0226 20.8% 0.3% 11 357536 23 0.0228 20.7% 0.2%
12 932278 24 F. 0.0202 20.1% 0.7% 12 932316 24 0.0203 20.7% 0.0%
R prom: 0.50% 13 830029 25 0.0181 20.5% 0.2%
14 AA7260 26 F. 0.0161 20.9% 0.4%
R prom: 0.27%
Reduccion de area de Cobre 1811 Reduccion de area de Cobre 1811

___MAYO______ 2003 __Mayo___ 2003
23.0%
23.0%
22.0%
22.0%
% de Reducción
LS
% de Reducción
21.0%
21.0%
20.0% 20.0%
LI
19.0% LI 19.0%
18.0% 18.0%
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 13 14
AWG dentro de Una serie AWG dentro de Una serie
TERMINADA OK.
CALCULO DE SIGMAS 24 AWG CALCULO DE SIGMAS 26 AWG

n 12 n 14
Xtestada 20.6% Xtestada 20.6%
sigma 3(R/d2) 0.459% sigma 3(R/d2) 0.237%
d2 3.258 d2 3.407
Rango 0.50% Rango 0.27%
Z= LSE-X/Sigma Z= LSE-X/Sigma
LSE 21.5% LSE 21.5%
z= 1.97 Sigmas. z= 4.00 Sigmas.
Página 228
1 720365 13 0.0720 20.2% 1 805184 13 0.0718 20.6%
2 396413 14 0.0642 20.5% 0.3% 2 AA7262 14 0.0640 20.5% 0.1%
3 729799 15 0.0572 20.6% 0.1% 3 858681 15 0.0570 20.7% 0.1%
4 729800 16 0.0509 20.8% 0.2% 4 862130 16 0.0509 20.3% 0.4%
5 284291 17 0.0453 20.8% 0.0% 5 862026 17 0.0453 20.8% 0.5%
6 444232 18 0.0403 20.9% 0.1% 6 932772 18 0.0404 20.5% 0.3%
7 445469 19 0.0360 20.2% 0.7% 7 862131 19 0.0360 20.6% 0.1%
8 444775 20 0.0321 20.5% 0.3% 8 862028 20 0.0321 20.5% 0.1%
9 445470 21 0.0286 20.6% 0.1% 9 a91144 21 0.0286 20.6% 0.1%
10 392720 22 0.0255 20.5% 0.1% 10 394269 22 0.0255 20.5% 0.1%
11 396272 23 0.0227 20.8% 0.3% 11 445471 23 0.0227 20.8% 0.3%
12 AD7071 24 F. 0.0202 20.8% 0.1% 12 393983 24 0.0203 20.0% 0.7%
R prom: 0.20% 13 830005 25 0.0181 20.5% 0.5%
14 AA7253 26 F. 0.0161 20.9% 0.4%
R prom: 0.29%

___MAYO______ 2003 __MAYO___ 2003
23.0%
23.0%
22.0%
22.0%
% de Reducción
LS
% de Reducción
21.0%
21.0%
20.0%
20.0%
19.0% LI LI
19.0%
18.0%
13 14 15 16 17 18 19 20 21 22 23 24 18.0%
F. 1 2 3 4 5 6 7 8 9 10 11 12 13 14
TERMINADA OK.

n 12 n 14
sigma 3(R/d2) 0.184% sigma 3(R/d2) 0.259%
d2 3.258 d2 3.407
LSE 21.5% LSE 21.5%
1 ARL11895 13 0.0718 20.6% 1 ETB209774 13 0.0721 20.0%
2 318872 14 0.0639 20.8% 0.2% 2 396414 14 0.0642 20.7% 0.7%
3 444976 15 0.0569 20.7% 0.1% 3 396534 15 0.0572 20.6% 0.1%
4 396305 16 0.0509 20.0% 0.7% 4 284292 16 0.0511 20.2% 0.4%
5 284290 17 0.0455 20.1% 0.1% 5 444126 17 0.0454 21.1% 0.9%
6 444121 18 0.0404 21.2% 1.1% 6 393619 18 0.0403 21.2% 0.1%
7 862023 19 0.0359 21.0% 0.1% 7 318859 19 0.0360 20.2% 1.0%
8 862129 20 0.0321 20.0% 1.0% 8 396102 20 0.0321 20.5% 0.3%
9 4954 21 0.0287 20.1% 0.0% 9 444776 21 0.0286 20.6% 0.1%
10 396521 22 0.0255 21.1% 1.0% 10 318852 22 0.0254 21.1% 0.5%
11 E69961 23 0.0227 20.8% 0.3% 11 830025 23 0.0226 20.8% 0.3%
12 932278 24 F. 0.0202 20.8% 0.1% 12 932279 24 0.0202 20.1% 0.7%
R prom: 0.42% 13 830033 25 0.0180 20.6% 0.5%
14 A93397 26 F. 0.0161 20.0% 0.6%
R prom: 0.48%

___mayo______ 2003 __JUNIO___ 2003
23.0%
23.0%
22.0%
22.0%
% de Reducción
% de Reducción
LS
21.0% 21.0%
20.0% 20.0%
LI
19.0% LI 19.0%
18.0%
18.0%
13 14 15 16 17 18 19 20 21 22 23 24 13 14 15 16 17 18 19 20 21 22 23 24 25 26
F. F.
TERMINADA OK.

n 12 n 14
sigma 3(R/d2) 0.388% sigma 3(R/d2) 0.426%
d2 3.258 d2 3.407
LSE 21.5% LSE 21.5%
Página 229
1 ASK03787 13 0.0720 20.2% 1 318874 13 0.0722 19.8%
2 911116 14 0.0641 20.7% 0.5% 2 444974 14 0.0642 20.9% 1.2%
3 396601 15 0.0570 20.9% 0.2% 3 396601 15 0.0572 20.6% 0.3%
4 444233 16 0.0509 20.3% 0.7% 4 396111 16 0.0510 20.5% 0.1%
5 318865 17 0.0453 20.8% 0.5% 5 396411 17 0.0455 20.4% 0.1%
6 394284 18 0.0403 20.9% 0.1% 6 862128 18 0.0406 20.4% 0.0%
7 284282 19 0.0360 20.2% 0.7% 7 318860 19 0.0363 20.1% 0.3%
8 318857 20 0.0321 20.5% 0.3% 8 444955 20 0.0324 20.3% 0.3%
9 444956 21 0.0287 20.1% 0.4% 9 284272 21 0.0288 21.0% 0.7%
10 393620 22 0.0255 21.1% 1.0% 10 396603 22 0.0256 21.0% 0.0%
11 445888 23 0.0227 20.8% 0.3% 11 445888 23 0.0227 21.4% 0.4%
12 830016 24 F. 0.0202 20.8% 0.1% 12 394270 24 0.0202 20.8% 0.6%
R prom: 0.43% 13 A90351 25 0.0180 20.6% 0.2%
14 830053 26 F. 0.0161 20.0% 0.6%
R prom: 0.36%

___MAYO______ 2003 __MAYO___ 2003
23.0%
23.0%
22.0%
22.0%
% de Reducción
% de Reducción
LS
21.0%
21.0%
20.0% 20.0%
LI
19.0% LI 19.0%
18.0% 18.0%
13 14 15 16 17 18 19 20 21 22 23 24 13 14 15 16 17 18 19 20 21 22 23 24 25 26
F. F.
TERMINADA OK.

n 12 n 14
sigma 3(R/d2) 0.395% sigma 3(R/d2) 0.321%
d2 3.258 d2 3.407
LSE 21.5% LSE 21.5%
Como resultado del análisis, podemos controlar el % de reducción del área

transversal entre dados, y el supervisor del taller de dados tiene un programa
sencillo en Excel para calcular cada una de las secuencias de dados de
estiramiento, cómo el % de reducción del área transversal se hace antes de ser
enviado al área de producción y garantizar la reducción y eliminación de las
rupturas de alambre proveniente de un % de reducción de área transversal
erróneo.
Página 230
(E) Anillos de cerámica de superficie suave
o Pudimos reducir las partes defectivas incrementando el nivel de sigma

hasta 2.5 sigmas.
o Utilizando una tabla de conversión Sigmas del Proceso 2.5% es igual a 1.95
sigma.
Reviewed Ceramics in drawing

machines:
1 2 3 4
1801,1802,1804,1811,1812
Hard damage Fine damage Good Observations
Cones Requirements
1 0 12 8
2 0 12 8
3 1 7 12
4 1 3 14
TOTAL 2 34 44 80
% of defectives 2.5%
Sigma: 1.9
 Es claro ver cómo el % de anillos defectuosos se redujo; la revisión

se realizó a todas las máquinas de estiramiento.
Página 231
Resultados (RTWB)
El plan de acción implementado influenció todas las líneas Tandem bajo este
proyecto. Por esta razón los descubrimientos significativos del equipo en los
efectos de las rupturas de cable en las máquinas de estiramiento 1802,1804,1811
y 1812 para PIC, además del 1801, 1803 y 1810 para el Cables de servicio están
siendo incluidos en este análisis
Si consideráramos los datos recolectados de abril a septiembre del 2003, veremos el

mejoramiento sustancial en el desempeño de la tasa WB. Asumimos algunos beneficios
contabilizando las diferencias cuando se compara el desperdicio sin mejora versus el
desperdicio con el mejoramiento implementado con resultados reales.
Total Wire Breaks per each 100 tons.
140
Number of Wire breaks
120
100
80
60
40
20
0
March April May June July August Sep
Months 2003
Initial Goal Validation INITIAL GOAL VALIDATION

October 2003
Breaks Goal Goal Achieved
120 Breaks Goal Goal Achieved
Wire
brea
k/10
Ton
97
s.
100
0
Wire break/100 Tons.
150 137
80
60 100
40 29 24 41
23 50 32
17
20 4 7 5 4
0 0
Inclusion: Macro porosity Tension Total
Improvem ent 96% To be analyzed 74%
Current situation Tendency of results

March April May June July August Sep
Wire breaks / 100 tons.
Flakes 2 1 1 2 3 3 8
Tension 15 1 1 2 3 3 1
Wire breaks Inclusions 97 6 1 4 5 3 6
Macro porosity 23 10 17 22 38 27 31
Total: 137 17 20 29 49 36 46
Si revisamos los objetivos iniciales, concluimos que sustancialmente cumplimos los

objetivos. Es importante decir que el equipo ha estado trabajando para estandarizar las
actividades que condujeron al mejoramiento.
Página 232
La recolección de muestras de cable rotos es una de las actividades permanentes

determinada por el equipo. Esto ayuda a retroalimentar continuamente al proveedor de
barras de cobre para una mayor mejora, respecto a la Macro Porosidad, característica que
está relacionada directamente al molino de alambrón de cobre. La asistencia técnica de
Highland Heights es un recurso valioso que estamos utilizando.
Página 233
PASO 5 – CONTROL PARA LOS (RTWB)
Desarrollo y documentación de Prácticas estándar

Para mantener las ganancias de las mejoras implementadas, creamos y revisamos
las Instrucciones de Operación Técnicas correspondientes para estandarizar las
operaciones.
I) Instrucción técnica para: Orden de trabajo de mantenimiento preventivo.
– Programa de inspección de la superficie de anillos de cerámica
Página 234
II) Instrucción técnica de operación para: % de reducción de área

transversal
- Para el supervisor del Taller de dados
Registros de Capacitación
Los registros de capacitación se encuentran en el departamento de

Recursos Humanos.
Página 235
EVALUAR LOS BENEFICIOS TOTALES
Como resultado del trabajo del equipo Seis Sigma, la planta de Tetla fue capaz de reducir
exitosamente el desperdicio en las líneas Tandem. Los esfuerzos se enfocaron en dos
direcciones, el método de arranque de línea y las causas especiales relativas a las rupturas
de alambre, además estas dos áreas de mejoramiento generaron ahorros en los costos de
manera significativa.
En relación a los métodos de arranque
Reducimos la longitud máxima por arranque estableciendo una máxima longitud de

desperdicio.
La máxima diferencia entre métodos, lo que representa un ahorro anual como se muestra:
Number of unplanned shut downs Jan-Apr 2033

Frequency Total cost 24 AWG Improvement Opportunity total cost
Line
# USD/km km USD/4 months Annual
1802 388 4.96 0.846 $1,630 $4,889
1804 588 4.96 0.634 $1,851 $5,553
1811 405 4.96 0.247 $497 $1,490
1812 356 4.96 0.339 $599 $1,798
$13,729
En relación con las rupturas de alambre
Se redujo la frecuencia de las rupturas de alambre por tensión del cable y fallas de
inclusión. Estas dos acciones tuvieron un impacto significativo en el costo, pero existen
otros problemas asociados a cada paro no planeado. Cada evento produce otros
problemas en relación a los dispositivos electrónicos no evaluados bajo el ámbito de este
proyecto, pero estos problemas adicionales contribuyen de manera importante en el costo
a través de partes disponibles, utilización y mantenimiento (tiempo muerto).
El impacto económico combinado de las dos causas principales para rupturas de cable
(tensión del cable e inclusiones) en la máquina de estirado identificado y direccionado por
este proyecto se muestra en la siguiente tabla:
Página 236
La tabla arriba mencionada muestra el resultado de un periodo de 6 meses. Totalizando

$411,997 pesos mexicanos de ahorro en un periodo de 12 meses y tomando un tipo de
cambio igual a $9.97 pesos/Dólar obtendríamos un ahorro total de $82,647 USD/año.
Total de beneficios (RTM) y (RTWB)
MEJORA EN METODO: 13,729.0 USD
REDUCCION DE RUPTURAS
EN CABLE : 82,647.0 USD
TOTAL ECONOMICO: 96,376.0 USD
Página 237
APENDICE
Página 238
Blackbelt Seis Sigma – Tetla
REDUCCIÓN DE DESPERDICIO EN ARRANQUE DE LÍNEAS TANDEM

Planta Tetla, Mx.
CONTRATO DEL PROYECTO

Fecha Enero 15, 2003
Identificar y minimizar las causas raíz del desperdicio generado por las rupturas de
alambre en las líneas tandem. El área de Tandems contribuye un 52% del total de
desperdicio generado en la planta Tetla. La causa principal del desperdicio en el
área Tandem es el arranque, el cual representa un 38% del desperdicio total del
área en el 2002.
La aplicación de las herramientas Seis Sigma será el apoyo clave para encontrar y
eliminar la causa raíz de las rupturas de alambre generado por el arranque y
reducir 70% las toneladas por ruptura de alambre, la cual es la tasa principal de
desempeño asociada al desperdicio. Los ahorros esperados para este proyecto se
estiman en un nivel de $100,000.00 dólares anuales.
Alcance
Entregables; Determinar las actividades asociadas al arranque en el
proceso Tandem, enfocado a fabricar productos de forro
con espuma.
Determinar la capacidad del proceso para esta
operación.
Identificar las causas raíz de la variabilidad del proceso
con relación a las variables CTQ o CTP
Fases El equipo ha propuesto utilizar la metodología DMAIC y

enfocarse en las líneas Tamden de la célula PIC.
Objetivo primario Reducir el índice de desperdicio generado por los

arranque con un ahorro mínimo de $100,000.00 USD
Fecha de inicio: Enero 15, 2003

Fecha de terminación: Junio 15, 2003
Meta de Ahorro: $100,000 anual
Restricciones, supuestos, preocupaciones y riesgos

1. El área de interés será la línea Tandem para cubierta con espuma en la unidad
PIC.
Página 239
2. Familiarizarse con el uso de herramientas Seis Sigma.

3. Involucrar a los miembros del equipo en la compresnión de la metodología.
Personal afectado y relaciones clave de reporte:

Líder del proyecto: Luis Rosete – Gerente Técnico
Promotor: José Sanromán – Gerente de la planta deTetla México.
Equipo: Operadores de Tandem Operators, asociados de
mantenimiento y Taller de herramientas.
Resumen de Herramientas:
Herramienta Donde se usa
DMAIC Usado para desarrollar el proyecto e identificar las
causas raíz de las fallas.
Gráfica de Pastel Usado para la primera estratificación y establecer la
situación de calidad con datos históricos.
Diagrama de Pareto Usado para la segunda estratificación.
Diagrama de Causa Efecto Usado para identificar las causas potenciales del
problema.
Plan de Control Usado para establecer las actividades,
responsables, fechas y resultados.
Hoja de colección de datos Usada para colectar datos en planta.
Carta de flujo de Usada para entender el proceso y proponer
oportunidades mejoras identificadas en el secuencia de
actividades.
Análisis de medias Usada para identificar diferencias significativas
entre métodos.
Diagrama de dispersion y Usada para observar la relación entre longitudes
coeficiente de correlación medidas y tiempo.
Prueba de hipótesis - T Usada para probar la diferenicia entre dos medias
de grupos.
Mapa de proceso SIPOC Usado para identificar los CTPs y CTQs en el
proceso de estirado.
Matrix de Prioridad Used to prioritize the activities and to have our
effort better focused.
Usada para prioritizar las actividades y realizar un
esfuerzo mejor enfocado.
Capacidad del proceso Usado para observar si el desempeño antes de la
mejora es major o peor que el desempeño después
de la mejora.
Carta de Control para Usada para estimar el valor de la desviación
valores individuales estándar de la población, con N<30 datos.
Tabla de conversion de Usada para comparar dos procesos en base a las
Página 240
Sigmas del proceso en base sigmas estimadas en la tabla.

al rendimiento
Carta de tendencia Usada para observar el comportamiento y
tendencia de los datos en el tiempo.
Istructivos de Operación Usadas para estandarizar las mejoras en
Técnicos documentos y no perder lo ganado.
Herramientas no usadas Por qué

Mapa de análisis de valor No estaba disponible el mapeo para esta celda.
para la celda PIC.
ANOVA No fue necesario comparar varias medias.
Casa de la calidad (DFD) No fue necesario para entender el proceso más allá
sel SIPOC.
Cartas de control C y U Data we were using was continuous, not discrete.
Resumen de aspectos relevantes

La habilidad limitada para reducir la longitud de desperdicio promedio, debido al método
de arranque actual. Algunas veces hubo dificultades en el entendimiento del control del
proceso durante los arranques. El involucramiento de Ingenieria de procesos en todo el
proyecto fue la clave para interactuar con los operadores, incluso operando la máquina
para que el equipo tuviera una mejor compresnión de las cuestiones que se presentaron
durante su desarrollo.
Recomendaciones de planes a futuro
Continuamos tomando muestras de alambres rotos diario y cada mes para retroalimentar
al proveedor de alambre de cobre y finalmente identificar oportunidades de reducción
adicionales del desperdicio por rupturas de cable provenientes de Macro porosidad y
problemas de escamas.
Esta situación se da porque las causas de ruptura de alambre, tales como macro
porosidad y escamas las cuales se han incrementado en los últimos meses y están
directamente relacionados a la calidad del alambre de cobre que se recibe. Continuaremos
trabajando hacia esta oportunidad abierta. Estimaciones previas revelaron $95,000 USD
en adición a los ahorros anuales.
Página 241
CONCLUSIONES Y RECOMENDACIONES
Seis Sigma es un sistema diseñado para cumplir con las amplias

exigencias de los consumidores y los más altos estándares de calidad a
nivel mundial, reduciendo la variabilidad casi a cero.
Es un sistema con un enfoque estructurado, metodológico, con un

proceso de análisis y mejora, que se centra totalmente en el cliente.
La metodología fomenta en gran medida el trabajo en equipo, debido a

que en la mayoría de las herramientas, el mecanismo para proponer
ideas que nos conducen a la solución de problemas, es el resultado de
la participación de todas las personas involucradas. La mejora continua
de los procesos es el objetivo común de cada uno de los miembros.
Es muy importante no criticar a la gente cuando emitan algún juicio o

tengan una idea, de lo contrario la participación en equipo sería
severamente afectada. También cabe señalar que la gente no es
culpable de los problemas, ya que los procesos cuando no están bien
definidos y diseñados son los que generan la mayoría de los problemas.
En un principio es difícil integrar a las personas para realizar sus

proyectos y que dediquen el tiempo necesario para hacerlo, sin embargo
cuando la gente adopta Seis Sigma como una Cultura además de
realizar sus proyectos aplica la metodología en su trabajo diario, para la
solución de problemas y mejora de los procesos.
La Estadística es utilizada en gran medida dentro de la metodología,

pero hay que aclarar que está es un medio y no un fin. A los clientes no
Página 242
les importa que un producto haya sido producido bajo el esquema Seis
Sigma, cuando tiene fallas o defectos, lo que les interesa es tener un
producto de excelente calidad, a tiempo, sin defectos y que sea lo más
económico posible.
Seis Sigma no ofrece soluciones a corto plazo, generalmente los

proyectos son realizados en un periodo de 3 a 6 meses. Con la
metodología se lleva a cabo una mejora incremental a mediano plazo
comparado con otras técnicas como por ejemplo reingeniería, la cual
ofrece soluciones a largo plazo.
Seis Sigma aplica a cualquier tipo de procesos tanto en manufactura

como en servicios a diferencia de otros sistemas que están enfocados
solamente a determinadas áreas.
El nivel de capacitación requerido es muy alto en la implementación. Sin

embargo el retorno de la inversión puede ser muy grande, cuando los
proyectos son bien conducidos.
Cuando la metodología es seguida adecuadamente traerá beneficios y

ahorros, sin embargo si los proyectos son desarrollados vagamente o
con criterios de selección pobres se vuelve un proceso burocrático. En
este caso la metodología se puede volver demasiado rígida y tediosa.
Seis Sigma tiene mayor potencial para alcanzar el éxito que otros
sistemas de calidad como por ejemplo Calidad Total (TQM), la razón es
que los otros sistemas en ocasiones no tienen metas muy claras, una
metodología bien organizada y falta la integración de los equipos de
trabajo así como el liderazgo, entre otras.
Página 243
La eliminación o reducción de la inspección es un punto muy importante

dentro de la metodología, al seguir las diferentes técnicas; por ejemplo
con el uso de sistemas Poka- Yoke entre otras la inspección deja de ser
necesaria, se busca el origen de las causas de los defectos para
eliminarlos al máximo.
La implementación de la filosofía Seis Sigma requiere que los directivos,

Champions, técnicos y otros responsables del departamento de calidad
o de Seis Sigma sean capaces de desempeñar el papel de
administradores del sistema de calidad y de proporcionar técnicas
específicas especializadas a los grupos de operación, para poder realizar
sus proyectos.
No se debería de llevar a cabo un proyecto del tamaño de Seis Sigma si

la organización no está preparada culturalmente y mucho menos si no
está dispuesta al cambio.
La selección adecuada de los proyectos tendrá una especial incidencia

en el éxito de la implantación de la filosofía Seis Sigma en la empresa.
El resultado de proyecto general se mide por la suma del ahorro

económico que ha presentado el mismo. Es importante que el
Champion, directivos, Black Belts dediquen tiempo a discutir con los
miembros del equipo en fase de formación y les ayuden a elegir
correctamente el tema de su proyecto de mejora.
Hoy en día los cálculos manuales casi han desaparecido, por ejemplo
sería demasiado complejo resolver una serie numérica sin la ayuda de
un Software. El tiempo invertido sería demasiado y las posibilidades de
cometer errores muy altas.
Página 244
Se recomienda ampliamente la adquisición de un Software en la

implementación del sistema Seis Sigma de lo contrario no es
recomendable llevarla a cabo, este Software es el que ya se ha
mencionado en las herramientas vistas en este texto.
Recomendaciones para selección de proyectos:
 Escoger un proyecto de mejora que este relacionado con el trabajo

diario y que cause gran impacto en los clientes.
 Debe de estar alineado con las iniciativas del negocio.
 Mejorar un proceso existente.
 Asegurarse de que el alcance no sea demasiado extenso, y también
que el proyecto sea realizable. En este caso, se puede segmentar
para ser realizado por diferentes personas, cada uno con distintos
alcances.
 Escoger un proyecto en el cual se pueda generar o se tengan
suficientes datos para ser medidos.
 Que genere ahorros financieros.
 De ser posible escoger un proceso con mas ciclos, altos volúmenes o
tiempos de ciclo cortos.
Barreras para alcanzar el éxito en los proyectos:
 Los proyectos no tienen el soporte de la gerencia.

 Alcance demasiado largo o confuso.
 Los objetivos del proyecto no son significativos o generan conflicto
con otros.
 No se tienen medidas claras de los resultados.
 No se destina un tiempo para la realización del proyecto.
Página 245
 El proyecto no esta alineado con las prioridades del negocio.

 Green Belt / Black Belt no entrenado.
 Información no disponible.
 El proyecto no utiliza una metodología de mejora.
Seis Sigma no es un sistema más que se está imponiendo para cumplir

con requisitos, el aplicar Seis Sigma implica cambiar la forma de pensar
de la gente y un cambio cultural en toda la organización. Es muy notorio
cuando se trabaja bajo esta filosofía como se rompen las barreras entre
los departamentos o áreas, realmente podemos decir que actualmente
ya no existen áreas si no más bien procesos La información y la
comunicación se ven fortalecidas en gran medida.
Página 246
BIBILIOGRAFIA
Implementing Six Sigma: Smarter Solutions Using Statistical Methods/

Forrest W.Breyfogle III. : John Willey & Sons, Inc. 2004.
The Six Sigma Handbook: a complete Guide for Greenbelts, BlackBelts,

& Managers at all levels / Thomas Pyzdek :Mc. Graw Hill, 2001.
The Six Sigma Way/ Peter S. Pande, Robert P. Neuman, Roland R.

Cavanagh / Mc. Graw Hill, 2000
Regression analysis : concepts and applications / Franklin A. Graybill, Hariharan K.

Iyer Belmont, Calif. : Duxbury, 1994
Probabilidad y Estadística para Ingeniería y Administración/ William W. Hines,

Douglas C. Montgomery: CECSA, 3ra edición 1993
Control Estadístico de la Calidad/ Vicente Carot Alonso: Universidad Politécnica de

Valencia, Alfaomega, 2001.
Control de Calidad y Estadística Industrial/ Acheson J. Duncan: Alfaomega, 1996.
Estadística no paramétrica: Aplicada a las ciencias de la conducta/ Sydney SiegeL,

N. John Castellan: Trillas, 2001.
Introducción al estudio del trabajo/ Oficina Internacional del trabajo, Noriega

Limusa, 1991.
Estadística para las ciencias sociales y el Comportamiento/ Harold Elorza: Oxford,

segunda edición, 1999.
El protocolo de investigación/ Ignacio Méndez Ramírez: Trillas, 1997.
Calidad Total/ Alberto Galgano: Díaz de Santos, 1993.
Desarrollo de una cultura de Calidad/ Humberto Cantú Delgado: Mc Graw Hill,

segunda edición 2001.
Los siete instrumentos de la Calidad Total/ Alberto Galgano: Díaz de Santos, 1995.
Análisis y planeación de la calidad/ J.M. Juran: Mc. Graw Hill, tercera edición, 1995
Página 247
David Hoyle/ Manual de Valoración del sistema de calidad ISO 9000: Paraninfo,
1998
¿Qué es Control Total de Calidad? / Kaouru Ishikawa: Ed. Norma, 1985.
Administración de Operaciones y producción / Hamid Norri, Russell Radford: Mc

Graw Hill, 1997
Introduction to statiscal quality control / Douglas C. Montgomery. 3rd ed. New

York : J. Wiley, 1996.
Regression analysis by example / Samprit Chatterjee, Bertram Price 2nd ed. New
York : J. Wiley, 1991
Diseño y análisis de experimentos / Douglas C. Montgomery ; traductor Jaime

Delgado Saldívar México : Grupo Editorial Iberoamérica, 1991
Estadística / Richard C. Weimer. México : Compañía Editorial Continental, 2000
Curso general sobre Statgraphics : procedimientos : métodos estadísticos :

aplicaciones : ejercicios resueltos / Carlos Mate Jiménez Madrid : UPCO, 1995
Estadística para administradores / William Mendenhall ; tr. Dirk Valckx Verbeeck

México : Iberoamérica, c1990
Design and analysis of experiments / Klaus Hinkelmann, Oscar Kempthorne. New

York : John Wiley, 1994
Statistics for the engineering and computer sciences / William Mendenhall, Terry
Sincich 2nd ed San Francisco : Dellen : Collier Macmillan, c1988
Questionnaire design and attitude measurement / A. N. Oppenheim New York :

Basic Books, c1966
Manrique Maldonado, Claudia.: 1999: Propuesta de una metología para el

diagnóstico de la calidad de vida en el trabajo y guía de mejora de la misma.
1999.
Lobato Calleros, María Odette.: 1999: Desarrollo de un indicador de la calidad del

proceso educativo : la calidad de vida en el trabajo de actividades académicas en
la UIA. 1999.
Silva Cervantes, Héctor.: 2000: Propuesta de implantación de técnicas de

ingeniería de calidad para el análisis y control de datos del petróleo a nivel planta
piloto. 2000.
Página 248
Total quality control / A. V. Feigenbaum 3a.ed. New York : McGraw-Hill Book,

c1986
Zero quality control : source inspection and the Poka-yoke system / Shigeo
Shingo ; tr. Andrew P. Dillon ; with a pref. by Norman Bodek Cambridge, Mass. :
Productivity, c1986
Montgomery, Douglas C.: 1991: Design and analysis of experiments / Douglas C.

Montgomery 3rd ed. New York : J. Wiley, 1991
Khuri, André I: 1987: Response surfaces : designs and analyses / André I. Khuri,
John A. Cornell New York : M. Dekker, 1987
Página 249

Tesis Luis Ros

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

Tesis Luis Ros

Cargado por

Copyright:

Formatos disponibles

Aplicación de la metodología Seis Sigma en la mejora del desempeño de procesos en una planta de

manufactura de Cables Telefónicos

Maestría en Ingeniería de Calidad

TESIS QUE PRESENTA

PARA LA OBTENCIÓN DEL GRADO DE MAESTRO EN INGENIERÍA DE

“APLICACIÓN DE LA METODOLOGÍA SEIS SIGMA EN LA MEJORA DEL

ASESOR: DR. PRIMITIVO REYES AGUILAR

Capitulo 1. Introducción a la metodología Seis Sigma

1.1 La métrica de Seis Sigma

Capitulo 2. Fase de Definición

Capitulo 3. Fase de Medición

Capitulo 4. Fase de Análisis

4.4 Cartas Multi Vari

Capitulo 5. Fase de Mejora

Capitulo 6. Fase de Control

Capítulo 7. Características de la empresa GCLA

7.1 Perfil de la empresa

CAPITULO 8. Caso practico de aplicación de la metodología Seis Sigma

Actualmente, uno de los mayores problemas que enfrentan las

Las organizaciones que diseñan productos, organizaciones de

Los diseñadores de producto, tienen el reto de innovar en el menor

Las organizaciones llevan a cabo una gran variedad de procesos

cualquier tipo de organización, por ejemplo las dimensiones del

Este sistema tiene dos riesgos: el primero es tener que estar

Para subsanar las pérdidas económicas que generaban estos

Durante la Segunda Guerra Mundial Walter Shewhart y Dodge Romig en

la aplicación de métodos estadísticos para la reducción de la variación y

En la década de los cincuenta surge el Aseguramiento de la Calidad,

En la década de los noventa surge la Administración Estratégica por

A principios de los noventa en Motorota, Inc., de EUA se desarrolla el

La metodología SEIS SIGMA, engloba técnicas de Control Estadístico de

Entre las principales ventajas que presenta esta metodología se

diferentes disciplinas y niveles dentro de la organización; representa un

El término SIGMA es una letra del alfabeto griego (  ) utilizado para

La metodología Seis Sigma involucra una medida, para determinar el

La aplicación de las técnicas a todas las funciones de la empresa,

Es importante que la administración se enfoque a los problemas que

Seis Sigma es una “estrategia de negocios” iniciada por la empresa

La estrategia Seis Sigma incluye el uso de herramientas estadísticas

Se caracteriza por la continua y disciplinada aplicación de una estrategia

Para aplicar la filosofía Seis Sigma dentro de una organización implica

Como ejemplos de los beneficios que han obtenido algunas empresas

 En la división de Sistemas Médicos de GE -General Electric-, la

 En el negocio de plásticos de GE después de un riguroso esfuerzo del

 Lockheed Martin gastaba un promedio de doscientas horas de

Seis Sigma es una sólida alternativa para incrementar la calidad de los

cuenta actualmente es demasiado compleja y el lenguaje en algunos

A continuación se mencionan las ventajas que tiene la implementación

Ventajas Seis Sigma vs. Calidad Total

 Mayor uso de técnicas estadísticas en la implementación de

 Para la implementación y control de la condiciones óptimas del

logrando el nivel Seis Sigma.

Ventajas Calidad Total vs. Seis Sigma

 Realiza un diagnostico operativo y cultural en la empresa antes de

 Propone el uso de un sistema de Aseguramiento de Calidad, el

Desventajas de los sistemas de Aseguramiento de Calidad vs.

 El sistema de comunicación es lento.

Cabe mencionar que el sistema Seis Sigma, se considerará el sistema

 Mostrar como se pueden utilizar paquetes estadísticos para reducir el

 Implementar en las empresas sistemas de calidad basados en la

Esta guía está dirigida a aquellas personas que tienen la labor de

Será posible que aquellas personas de otras disciplinas o con poca

PLANTEAMIENTO DEL PROBLEMA