Dmaic PDF

ACREDITACIÓN Y CERTIFICACIÓN REGISTRO Y ALIANZAS
© Instituto para la Calidad – PUCP 2016. Todos los derechos reservados.

TEMARIO
1.0 ETAPA DEFINIR

1.1 DMAIC del Lean Six sigma
1.2 Identificación y selección del problema
1.3 Project Charter
1.4 SIPOC
1.5 Diagrama CTQ
2.0 ETAPA MEDIR

2.1 Análisis del Sistema de medición
2.2 Normalidad
2.3 Control del proceso (Gráficas de control)
2.4 Capacidad de procesos
2.5 Cálculo del nivel sigma del proceso

SIGUE TEMARIO
3.0 ETAPA ANALIZAR
3.1 Diagrama de análisis de Causa – Efecto
3.2 ¿5 por qué?
3.3 AMEF 1. Análisis de Modo y Efecto de Fallas
3.3 Correlación y regresión lineal
3.4 Introducción a las pruebas de hipótesis, y al ANOVA
4.0 ETAPA MEJORAR / IMPLEMENTAR

4.1 AMEF 2
4.2 Plan de implementación de soluciones
4.3 Nuevo nivel sigma del proceso
5.0 ETAPA CONTROLAR

5.1 Plan de control del proceso mejorado
5.2 Estandarizar y control del proceso mejorado (gráficas de control)
5.3 Entregables

TEMARIO SESIÓN 1: Etapa Definir
1. Identificación y selección de problemas
2. SIPOC (Supplier, Input, Process, Output, Costumer)
3. Definición de los CTQ (Critical to quality)
4. QFD (Quality Function Deployment)

Producto de aprendizaje esperado sesión 1
CTQs, QFD y diagrama SIPOC

Definir
Pasos claves
• Expresar las necesidades del cliente (critical to quality).
• Asignar líder de proyecto y miembros del equipo.
• Documentar el caso de negocio (project charter)
• Desarrollar la declaración del problema.
• Identificar parámetros críticos para la satisfacción (CTS).
• Negociar normas de funcionamiento (carta compromiso).

Características de un buen proyecto
1. Ligado a las prioridades del negocio y relacionado con
algún parámetro importante para el cliente, CTQ (critical to
quality).
2. De alcance razonable.
3. Tiene una métrica adecuada. Uso de indicadores.
4. Cuenta con el apoyo y aprobación de la administración.
5. El impacto financiero debe ser validado por el área de

finanzas.

Características críticas de calidad - CTQ
Son las características críticas de un producto (bien o servicio)

que son altamente apreciadas por el cliente. Las cuales
normalmente se deben de expresar con un indicador numérico.
Ejemplo:
Tiempo de respuesta / Tiempo de entrega.
Contracción de proteínas.
Porcentaje de grasa.
Kw / h.

Características críticas de calidad
Requerimien Especificaciones (1)

tos del
cliente (1)
Especificaciones (1)
Requerimien
Necesidades
tos del
del cliente
cliente (2)
Especificaciones (1)
Requerimien
tos del
cliente (3) Especificaciones (1)

Características críticas de calidad
Cantidad de
Cantidad
carbohidratos
/ración diaria
Cantidad de
proteínas
Alimento Composición
nutritivo nutricional
Cantidad de grasas
Sabores Cantidad de
minerales

¿Qué son los x’s y los y’s?
Parámetros de Xs
Xs Ys
Entradas PROCESO Salidas
Parámetros del
Producto, Ys
y = f(x)

Pasos del mapeo de Proceso
1. Identifique entradas y salidas.
2. Muestre todos los pasos.
3. Mostrar las salidas de cada paso.
4. Mostrar todos los parámetros del proceso en cada paso.
5. Clasificar los parámetros.

Los Procesos vienen en jerarquías
Proceso - Nivel #1
Paso #1 Paso #2 Paso #3
Proceso - Nivel #2
Proceso - Nivel #3
Seleccionar el nivel de proceso apropiado.

SIPOC del proceso de galvanizado

Diagrama SIPOC para definir clientes internos y
externos en base a procesos

Despliegue de la Función de
Calidad - QFD

QFD, un mal nombre para una buena
herramienta…
CIPD: Customer Inspired Product Development
Fuente: c2c Solutions.

3 ideogramas de traducción dudosa
HIN SHITSU = Calidad, Características,

Atributos, Cualidades.
KI NOU = Función, Mecanización,
Sistemática.
TEN KAI = Despliegue, Difusión, Desarrollo,
Evolución

CIPD: Customer Inspired Product Development
Despliegue de la Desarrollo de Producto

Función de Calidad inspirado por clientes
QFD es una herramienta de planificación que desarrolla “una sistemática

para transmitir las características que deben tener los productos a lo largo de
todo el proceso de desarrollo”.
Yoji Akao – padre del QFD

¿Para qué sirve el QFD?
 Identificar las necesidades y expectativas de los

clientes, tanto externos como internos, en base a un
producto ofrecido.
 Priorizar la satisfacción de estas expectativas en
función de su importancia.
 Realizar desarrollos futuros anticipándose a los
cambios de las necesidades de los clientes.
 Focalizar todos los recursos en la satisfacción de
dichas expectativas.
®Pontificia©Universidad
Instituto para la del
Católica Calidad
Perú -–Instituto
PUCP 2016.
para la Todos
Calidad,los derechos
2016. reservados.
Todos los derechos reservados .
Historia y Antecedentes
1960´s – Es introducido en Japón por los profesores Shigeru Mizuno and Yoji Akao.
1966 - Se desarrolló a gran escala por Kiyotaka Oshiumi en la fábrica de neumáticos Bridgestone.
1972 - en la construcción de barcos y tanques de petróleo de la Kobe Shipyards en los astilleros
de Mitsubishi Heavy Industry de la Mitsubishi Industries en Kobe, Japón.
1976 – Yoshi Akao publica en medios japoneses QC Process Table.
1978 - aparece el primer libro de QFD escrito por Mizuno y Akao.
1979 – Toyota lo introduce en todas sus actividades.
1983 – Se introduce QFD en Estados Unidos y Europa. Akao es invitado por ASQ en Chicago.
Escribe en la Revista Quality Progress.
1989 – Se organiza la primera cumbre mundial de QFD.
1990´s – Se crean diversos organismos e institutos que promueven el uso de la metodología.
(QDFI.org, QFDlat, IC-QFD, otros)
2000´s - QFD ha tomado muchas formas y versiones (House of Quality, eQFD), debido a la
necesidad de adaptarse a la mentalidad occidental, y en parte a su propia evolución.

Versiones de QFD
• QFD de las Cuatro Fases: creado por Macabe y divulgado en los
EUA por CLAUSING (1993) y por la American Supplier Institute
(ASI);
• QFD-Extendido: creado por Don Clausing a partir de la versión
de las Cuatro Fases; Clausing e Pugh (1991).
• QFD de los Cuatro Énfasis: creado principalmente por los
Profesores Akao y Mizuno, a partir de la Union of Japanese
Scientists and Engineers (JUSE) (CHENG et al., 1995 y AKAO,
1996);
• La Matriz de las matrices: una extensión de la versión de los
cuatro énfasis (KING, 1989).
• Modelo de Kaneko: presentado en 1991 para aplicación en
servicios a partir del modelo conceptual de AKAO, compuesto
por seis matrices

QFD 4 fases - Macabe
Requerimientos clientes
Cómo
Plan de
calidad
Cómo
Proceso de
producción
Cómo producción
Proceso de
Componentes
específicos
Componentes
Cómo
específicos
Requerimientos
Requerimientos
de diseño
del diseño
Qué
Necesidades
del cliente
Qué
Qué
Qué
•Proceso de diseño del producto utilizando equipos multifuncionales de Marketing, diseño industrial y producción.
•Convierte las opiniones-preferencias- deseos del cliente en características específicas del producto.
•Supone la creación de 4 “matrices” o “casas” tabulares (división del diseño del producto en crecientes niveles de
detalle).
• Evalúa los productos competidores

QFD a través de la cadena de
valor

Esquema del desarrollo de un proceso de QFD
Fuente: Universidad de Belgrano

¿Quiénes la usan en Perú?

¿Qué beneficios aporta el QFD?
• Reducción de los tiempos de desarrollo de nuevos

productos y servicios.
• Optimización del producto o servicio para las
expectativas del cliente objetivo.
• Más eficacia: se concentran los esfuerzos en “hacer
lo que hay que hacer”.
• Más eficiencia: se reducen costos por fallas.

Antes y Después de un QFD
PLAN
Determinar objetivos e
información necesaria
ACT DO
Tomar decisiones y mejorar el Recolectar datos de cliente y
proceso competencia
CHECK
Evaluar la información CHECK
generada y evaluar los procesos Analizar y comprender la data,
a través de QFD
Adaptado de Manager of Quality / Organizational Excellence Handbook 4th Ed.
®Pontificia©Universidad
Instituto para la del
Católica Calidad
Perú -–Instituto
PUCP 2016.
para la Todos
Calidad,los derechos
2016. reservados.
Todos los derechos reservados .
Componentes del QFD

SECTOR 1:
Requerimientos de Calidad de los clientes
Se listan los Requisitos de Calidad

(RQs) de los clientes o de los usuarios
de los servicios que ofrece la
organización y que se deben cumplir
en el diseño de un nuevo producto o
servicio. A esta sección de la matriz se
denomina QUÉ´s.

SECTOR 2:
Benchmark del mercado
Por cada QUÉ´s, se identifican

atributos que poseen productos de la
competencia similares a los nuestros.
También se considera nuestra propia
evaluación del producto.
A todos estos factores se le atribuyen
valores entre 1 a 5, donde 1 indica una
menor importancia y 5 indica alta
importancia.

SECTOR 3:
Caracteristicas Técnicas.
En este sector se detallan las

Características Técnicas, los CÓMO´s ,
es decir los modos como se cumplirán
las expectativas de calidad
determinadas por los requisitos de
calidad de los clientes (QUEs). Por
cada requisito de calidad se obtienen
uno o varias características técnicas
que se listan en cada columna del
sector 3.

SECTOR 4:
Matriz de relaciones
Se establece el grado de relación que

se le asigna a cada una de las
características técnicas para el
cumplimiento de los requerimientos
de calidad.
Se pueden utilizar diferentes escalas
de valoración, por ejemplo: una
valoración de 5 para una alta relación,
3 si tiene una relación media, 1 para
una relación débil o poca y 0 (cero) si
no tiene ninguna relación.

SECTOR 5:
Ranking de Importancia.
Se determina la importancia de cada
característica técnica que se obtiene al
resolver la matriz de relaciones.
R = Sumatoria (Peso Absoluto (PA)n x Grado de relación (GR)n )
Este sector también permite incorporar un

argumentos de valoración técnica
expresado como un grado de dificultad
interno y valores de comparación con las
características técnicas de la competencia.

Matriz de Correlaciones.
Se colocan valores que representan el

grado en que cada requisito técnico (RCs)
aporta o dificulta el desempeño de los
otros requisitos técnicos considerados,
permitiendo identificar contradicciones
técnicas en el diseño de productos, las
cuales se deben de resolver antes de
continuar con el desarrollo de la matriz.
Para el diseño de servicios y en especial
para el planeamiento no resulta muy útil
por lo que se suele prescindir de esta zona
de trabajo.

QFD – Paso a paso

1) Fijación del objetivo
¿Qué características debe reunir el

producto?

2) Establecimiento de la lista de
“Qués” (Requerimientos de clientes)
•Anticorrosivo
•Resistente
•Combinable.
•Adhesión
•Tensión.
•…

3) Asignar coeficientes de peso (niveles de
importancia) a los “Qués”.
=9
Escala
Escalajaponesa:
japonesa: =3
=1
5
Otra
Otraescala:
escala: 4
3
2
1

4) Evaluación competencia
Evaluar el grado de excelencia alcanzado por
los competidores en cada uno de los “qués”.
1= Nosotros
5 1 2 3 4 5
4 CB A
Escala:
Escala: 3 B A C
A B C
2 C B A
B
1 A C
A
C B
A
C B
C B A
C A B
A B C
5) Identificar los posibles “Cómos”
• Precocinados.
• Limpieza.
• Alimentos congelados.
• ...

6) Analizar cómo influyen los “Cómos” y las
correlaciones que existen entre ellos
Símbolos de correlación:
= Fuerte correlación positiva
= Correlación positiva
= Correlación negativa
= Fuerte correlación negativa

7) Asignar coeficientes de relación entre
“Qués” y “Cómos”
Pes o
5 5 3 1 1
2 3 5 1 3
3 3 5 3
1 3 5 3 3 5
2 5
4 5
4 3 1 5
5 5 3 3
3 1 5
1 3 5 3
Escala:
Escala:
0: Ni nguna relación
1: Baja relación 3:
Media relación n.
5: Alta relación
8) Cuantificar los objetivos de los “Cómos”
en relación a la competencia
COM PETENCIA 5
EMPRESA A 4O AB O O OA
EMPRESA B 3A CO C A O BC AO O
EMPRESA C 2 CB AB B A CB A
OBJETIVO: O 1 C CB CB

9) Puntuar cada uno de los “Cómos”
y jerarquizarlos
CUANTIFICACIÓN PROPUESTA
Hilo Mus.
x pta/cub
ESP. <5´
Norma X
2 + Reg.
X pta/mes
19-22 C
12-15 h
DIFICULTAD 2 3 2 4 3 4 3 5
PUNTUACIÓN 56 219 118 12 9 344 57 25

ABSOLUTA
PUNTUACIÓN 10 26 21 1 1 31 7 2
RELATIVA
PRIORIDAD 4 2 3 7 8 1 5 6
GRADO DE DIFICULTAD
1-2-3-4-5
PROB. DE ÉXITO

Fuerte negativa
MATRIZ DE Débil negativa

CORRELACIÓN
Débil positiva
Longitud del tubo

Fuerte positiva
Importancia otorgada
Nivel de ruido
Dimensiones
por el cliente
Potencia de
aspiración
ELEMENTOS
DE CALIDAD
Coste
NECESIDADES
DE CALIDAD
Peor Mejor
Ejemplo de QFD.
Comodidad de manejo 4 El objetivo del
equipo es
Alto poder de aspiración 4 desarrollar un
nuevo diseño de
Seguridad para niños 3 aspiradora
doméstica.
Durabilidad 5
Evaluación
a 150 euros
30 x 45 x 30
Inferior a
2 metros
competitiva
Máximo
Inferior
Mínimo
20 kPa
60 dB
del cliente
cm
ESPECIFICACIONES
Relación débil
Mejor
Relación media
Evaluación
Relación fuerte competitiva
técnica
Peor
Fuerte negativa
MATRIZ DE Débil negativa

CORRELACIÓN
Débil positiva
Longitud del tubo

Fuerte positiva
Importancia otorgada
Nivel de ruido
Dimensiones
por el cliente
Potencia de
aspiración
ELEMENTOS
DE CALIDAD
Coste
NECESIDADES
DE CALIDAD
Peor Mejor
Comodidad de manejo 4
Alto poder de aspiración 4
Seguridad para niños 3
Durabilidad 5
Evaluación
a 150 euros
30 x 45 x 30
Inferior a
2 metros
competitiva
Máximo
Inferior
Mínimo
20 kPa
60 dB
del cliente
cm
ESPECIFICACIONES
Relación débil
Mejor
Relación media
Evaluación
Relación fuerte competitiva
técnica
Peor
TEMARIO SESIÓN 2: Etapa Definir - Medir
1. Project Charter
2. Capacidad de proceso.
3. Calculo del nivel sigma del proceso.

Project Charter, Normalidad y Control de

Proceso

Medir
Pasos clave
• Desarrollar el mapa de proceso (SIPOC)
• Buscar las variables claves del proceso (“filtrado”)
• Recolectar datos y analizarlos.
• Asegurar el sistema adecuado de medición.
• Establecer la capacidad de proceso base.
• Completar Evaluar R&R
• Completar el análisis de capacidad del proceso (nivel sigma).

Project Charter
• Es un acta de compromiso del proyecto.

• En este documento se deberá precisar, por lo menos:
1. Nombre del proyecto
2. El alcance del proyecto / Área o proceso donde se
enmarca el proyecto.
3. Fecha de inicio y fecha de término.
4. Cronograma de trabajo en función de las 5 fases.
5. Breve descripción del problema.
6. Objetivo a alcanzar / beneficios económicos del proyecto.
7. Los El equipo del proyecto.

Ejemplo:
CARTILLA DEL EQUIPO/PROYECTO (PROJECT CHARTER)
Nombre del Proyecto RECUPERAR LA RENDIMIENTO DE LOS HORNOS C Y D Nº Proyecto: 002-13

Fecha (Ultima Revisión): 20-jun
Preparado Por: C.CASTAÑEDA / J. KOBASHIGAWA Area: ELABORACIÓN
Aprobado Por: A. NOBOA Sección: SECADO
Caso de Negocio: Oportunidad (Problema de Alto Nivel):

EL RENDIMIENTO DE LOS HORNOS DE SECADO C Y D; SE ENCUENTRA DEBAJO Definición del Defecto: SE TIENE MÁS DEL 35% DE LAS
EN UN 4% DEL TOTAL DE SU CAPACIDAD (CAPACIDAD = 64 TM). MUESTRAS FUERA DE ESPECIFICACIÓN
Objetivo: Alcance del Proyecto:

RECUPERAR EL RENDIMIENTO EN LOS HORNOS C/D; A 64 TM Punto de Partida del Proceso: CARGA DEL HORNO
Punto de Llegada del Proceso: DESCARGA DEL HORNO
Ahorros/Beneficios Esperados: Dentro del Alcance: PROCESO DE SECADO
Aumentar la HUMEDAD de la malta > 4.5% Fuera del Alcance: OTROS PROCESOS NO INDICADOS
Mejorar el indicador FACTORY EFICENCE >102.5 %
Mejorar el indicador ENERGÍA TOTAL < 3300 Mj/Ton
Plan del Proyecto: Equipo:
Tarea/Fase Fecha de Inicio Fecha de Término Término Real Nombre: Rol: Compromiso (%):
DEFINIR 20-jun 10-jul J. KOBASHIGAWA Dueño proceso
MEDIR 20-jul 10-jul D. FARRO Miembro 10%
ANALIZAR 12-jul 18-ago C. CORDOBA Miembro 10%
MEJORAR 18-ago 30-ago E. PEREZ Miembro 10%
CONTROLAR 30-ago 15-sep J. CHIPOLLINI Miembro 10%
M. VILCA Miembro 10%
M. PEBE Miembro 10%
C. CASTAÑEDA Facilitador 20%
J. KOBASHIGAWA Facilitador 20%

Criterios para seleccionar los problemas
Aspectos Significado
Afecta la calidad del producto final o del proceso. No se

Calidad (Q)
cumple con lo planificado.
Costo (C) Representa costos innecesarios en los procesos.
Retrasa o complica la entrega del producto al cliente o al

Entrega (D)
siguiente proceso.
Representa un riesgo para la seguridad de los

Seguridad (S)
trabajadores.
Afecta las relaciones interpersonales, trabajo en equipo

Moral (M)
y en general el clima organizacional.
Environment (E) Afecta el entorno laboral y medio ambiente.

Capacidad del Proceso
Consiste en conocer la amplitud de la variación natural del
proceso para una característica de calidad dada, ya que
esto permite saber en que medida tal característica de
calidad es satisfactoria (cumple especificaciones).

Índices de capacidad de proceso
Índices para procesos con Cp, Cr, Cpk, K y

doble especificación Cpm
Índices para procesos con

una especificación Cpi y Cps
Índices de largo plazo Pp y Ppk
Métricas Seis Sigma Z, Zl, Zc PPM y

DPMO
Índice Cp
Indicador de la capacidad potencial del proceso que

resulta de dividir el ancho de las especificaciones
(variación tolerada) entre la amplitud de la variación
natural del procesos.
Variación tolerada ES  EI
Cp  Cp 
Variación real 6

Valores del Cp y su interpretación
Valores del Clase o Categoría del Decisión (si el procesos está centrado)
Índice Cp Proceso
Cp ≥ 2 Clase Mundial Se tiene calidad Seis Sigma
Cp > 1.33 1 Adecuado
1 < Cp < 1.33 2 Parcialmente adecuado, requiere de un
control estricto.
No adecuado para el trabajo. Es necesario un
0.67 < Cp < 1 3 análisis del proceso. Requiere de
modificaciones serias para alcanzar una
calidad satisfactoria.
Cp < 0.67 4 No adecuado para el trabajo. Requiere de
modificaciones muy serias.
Nota: Cp no es igual al porcentaje de piezas que cumplen con las especificación.

Ejemplo
Una característica de calidad importante en la fabricación

de una llanta es la longitud de capa, que para cierto tipo de
llanta debe de ser de 780 mm con una tolerancia de ± 10
mm. Siendo la EI = 770 y la ES = 790, con un valor
nominal de N = 780.
Resultado de la medición de muestras se tiene µ = 783 y δ

=3

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

requiere de un control estadístico.

Índice Cpk
Indicador de la capacidad real de un procesos que se

puede ver como un ajuste del índice Cp para tomar en
cuenta el centrado del proceso.
El índice Cpk es igual al valor más pequeño de entre los

índices Cpi y Cps
   EI ES   
Cpk  Minimo  ,
 3 3 

Cálculo del índice Cpk
   EI ES   
Cpk  Minimo  , 
 3 3 
Cpk =mínimo (783 - 770) / 3(3) ; (790 – 783) / 3(3)

1.444 ; 0.777
El índice Cpk es igual al valor más pequeño de entre Cpi y

Cps, es decir, es igual al índice unilateral más pequeño.
Si Cpk es mayor a 1.25 (teoría), el proceso es capaz.
Capacidad no satisfactoria.

Cp= 1, Cpk = 0

Índice Cpm (Índice de Taguchi)
(Índice de Taguchi) similar al Cpk, que en forma simultánea,

toma en cuenta el centrado y la varianza del proceso.
El objetivo es reducir la variabilidad alrededor del valor nominal

(calidad optima).
El valor N por lo general es igual al punto medio de las
especificaciones.
Si el proceso está centrado, es decir, µ = N, entonces Cp, Cpk y
Cpm son iguales
ES  EI
C pm  t    (  N )2 2
6t
Índice Cpm
ES  EI
C pm  t    (  N )
2 2
6t
Cpm = (790 – 770) / 25.46 = 0.79
Entonces Cpm = 0.79, Cp = 1.11 y Cpk = 0.78

Interpretación Cpm
• Cuando el Cpm es menor a uno significa que el proceso no cumple con

especificaciones, ya sea por problemas de centrado o por exceso de
variabilidad.
• Por el contrario, cuando Cpm es mayor que uno, eso quiere decir que el
proceso cumple con especificaciones, y en particular que la media del
proceso está dentro de la tercera parte central de la banda de
especificaciones.
• Si Cpm es mayor que 1.33, entonces el proceso cumple especificaciones,
pero además la media del proceso está dentro de la quinta parte central
del rango de especificaciones.

Índice Z
Es la métrica de capacidad de procesos de mayor uso en

Seis Sigma. Se obtiene calculando la distancia entre la
media y las especificaciones, y esta distancia se divide
entre la desviación estándar.
ES     EI
Zs  Zi 
 
Z  mínimoZs, Zi
Calidad de Corto plazo y Largo Plazo en términos de
Cp, Zc, ZL y PPM
Calidad del Procesos en Corto Plazo Calidad del Proceso en Largo Plazo
Cp Zc % dentro de PPM ZL % dentro de PPM
especificaciones especificaciones
0.33 1 68.27 317,300 - 0.5 30.23 697,700
0.67 2 95.45 45,500 0.5 69.13 308,700
1.00 3 99.73 2,700 1.5 93.32 66807
1.33 4 99.9937 63 2.5 99.379 6210
1.67 5 99.999943 0.57 3.5 99.9767 233
2.00 6 99.999998 0.002 4.5 99.99966 3.4

Ejemplo
En un proceso de envasado de cemento, se tiene las

especificaciones del contenido de los costales 50 Kg., con
una tolerancia de 0.6 Kg. De esta forma las
especificaciones son EI = 49.4 Kg., y ES = 50.6 Kg. Siendo
µ = 50.01 y la desviación estándar de 0.2 Kg

APORTES DE GENICHI
TAGUCHI
FUNCIÓN PERDIDA DE TAGUCHI.
L(y)= Pérdidas $
Desempeño
del K = Coef. Costo
producto
y = Valor de la
caract. Calidad
m = Valor nominal
Costos

FUNCIÓN DE PÉRDIDA
TAGUCHI
Robustez = Alta calidad
• Todas las actividades de ingeniería de calidad tienen como
objetivo fundamental fabricar un producto robusto frente a
todos los factores de ruido.
• Lo robusto de un producto implica que su característica
funcional no se vea afectada por los factores de ruido.
• Buena calidad significa tener una variación funcional máxima,
esto es un producto que funcione de acuerdo con lo
planeado, en las más diversas condiciones y durante el tiempo
de vida para el que fue diseñado.

FUNCIÓN DE PÉRDIDA
TAGUCHI
Factores de ruido
• Causan que una característica funcional se desvíe de
su valor objetivo.
• Los factores de ruido causan variación y pérdida de

calidad....
• Taguchi ha observado que esta pérdida de calidad

constituye una pérdida de tiempo y dinero tanto a
los consumidores como a los fabricantes y en último
término a la sociedad.

FUNCIÓN DE PERDIDA
TAGUCHI
Tipos de ruido
• Ruido externo: Este ruido se da durante el uso del
producto y puede ser producido por cambios de
temperatura, humedad y polvo.
• Ruido interno: (Deterioro) Este es un gasto de los

componentes del producto.
• Ruido entre productos: Variación entre productos

que son manufacturados bajo especificaciones
similares.

Taguchi llama a los factores incontrolables
factores de ruido.
Ruido es cualquier cosa que causa a una característica de

la calidad desviarse de su objetivo, el cual
subsecuentemente causa una pérdida de calidad. La
temperatura, altura, y nivel de combustible, son
considerados factores externos de ruido porque ocurren
fuera del producto.
• La proporción señal - ruido es un índice de robusticidad

de calidad, y muestra la magnitud de la interacción entre
factores de control y factores de ruido.

Función de pérdida para una característica del tipo:
Nominal es mejor.
Se expresa con la siguiente ecuación:
L(y) = K(y-m)2
• L (y) = Pérdida en dinero por unidad de producto cuando las
características de calidad son iguales a y.
• y = Valor de la característica (longitud, anchura, etc.)
• m = Valor nominal de y.
• K = Constante de proporcionalidad.
• L (y) = Es mínima cuando y=m
• L (y) = Aumenta en la medida en que y se desvía de m.
• L (y)= Se expresa en unidades monetarias

• Determinaremos la función de pérdida para el
circuito de la fuente de poder de un televisor, en
donde el valor nominal de y (voltaje de salida) es
m= 115 volts, la tolerancia del consumidor es de ±
20 volts y que el costo promedio por reparar o
reemplazar el televisor es de $ 100.
• Esto ocurre cuando y está fuera del rango,

estando el aparato ya en manos del consumidor.

Determine la constante de proporcionalidad
Cuando el voltaje de salida llega a ser 95 o 135 Voltios,

alguien paga $100. Mientras la salida es 115 Voltios la
pérdida es mínima.

TEMARIO SESIÓN 3: Etapa Medir
1. Graficas de control por variables y atributos

• Resolución de ejercicios de Capacidad de

procesos y Nivel Sigma

Gráfica de Control
Es un diagrama estadístico que representa el

comportamiento de un proceso, utilizando para ello, el
Promedio y el rango de una muestra de datos.
Utilidad
• La gráfica de control indica cuándo corregir o ajustar un

proceso y cuándo dejarlo sólo.
• Sirven para vigilar la estabilidad de un proceso.
• Indican la conducta de la organización en forma gráfica.

Tipos de causas de variabilidad
en un proceso
Causas comunes Causas especiales
• Suelen ser muchas y cada una • Suelen ser pocas pero con
produce pequeñas efectos importantes en la
variaciones. variabilidad.
• Son parte permanente del • Aparecen esporádicamente.
proceso. • Son relativamente fáciles de
• Son difíciles de eliminar y eliminar.
forman parte del sistema. • Por lo general su efecto está
• Afectan a todo el conjunto de localizado en una(s)
máquinas y operarios. máquina(s) u operario(s).

Tipos de Gráficas de Control
Gráfico de control por variables

* Gráfico promedio-rango (Ẋ-R)
* Gráfico promedio-desviación estándar (Ẋ- S)
* Gráfico de mediciones individuales
Gráfico de control por atributos

* Gráfico p (proporción o fracción defectuosa)
* Gráfico np (número de unidades defectuosas)
* Gráfico c (número de defectos)
* Gráfico u (número de defectos por unidad)

Gráfica X  R
• Se usa para controlar y analizar un proceso en el cual

las características de calidad del producto está dado en
valores continuos, tales como: longitud, peso o
concentraciones.
• Una gráfica R se usa en combinación con una gráfica X.
• Se emplean para procesos masivos, de mediano a alto
volumen.
• A medida que n crece, las cartas son capaces de
detectar cambios en el proceso.

Cálculo de los Límites de Control X  R
LCS  x  A 2 R LCS  D4 R
LC  x LC  R
LCI  x  A 2 R LCI  D3 R
 R
d
2
Nota / ojo: se usa el promedio del promedio de x

Ejemplo
En una corrida de producción, se extrajeron 20 muestras

de los resultados de un máquina que produce remaches de
acero para la construcción industrial. Las muestras se
tomaron a intervalos de 10 minutos, y cada una consistía
en n = 4 remaches, cuyas longitudes fueron medidas.

Ejemplo
G H I J K
1 Sample Item 1 Item 2 Item 3 Item 4
2 1 1.405 1.419 1.377 1.400
3 2 1.407 1.397 1.377 1.393
4 3 1.385 1.392 1.399 1.392
5 4 1.386 1.419 1.387 1.417
6 5 1.382 1.391 1.390 1.397
7 6 1.404 1.406 1.404 1.402
8 7 1.409 1.386 1.399 1.403
9 8 1.399 1.382 1.389 1.410
10 9 1.408 1.411 1.394 1.388
11 10 1.399 1.421 1.400 1.407
12 11 1.394 1.397 1.396 1.409
13 12 1.409 1.389 1.398 1.399
14 13 1.405 1.387 1.399 1.393
15 14 1.390 1.410 1.388 1.384
16 15 1.393 1.403 1.387 1.415
17 16 1.413 1.390 1.395 1.411
18 17 1.410 1.415 1.392 1.397
19 18 1.407 1.386 1.396 1.393
20 19 1.411 1.406 1.392 1.387
21 20 1.404 1.396 1.391 1.390

G H I J K L M
1 Sample Item 1 Item 2 Item 3 Item 4 Rango Promedio
2 1 1.405 1.419 1.377 1.400 0.042 1.400
3 2 1.407 1.397 1.377 1.393 0.030 1.394
4 3 1.385 1.392 1.399 1.392 0.014 1.392
5 4 1.386 1.419 1.387 1.417 0.033 1.402
6 5 1.382 1.391 1.390 1.397 0.015 1.390
7 6 1.404 1.406 1.404 1.402 0.004 1.404
8 7 1.409 1.386 1.399 1.403 0.023 1.399
9 8 1.399 1.382 1.389 1.410 0.028 1.395
10 9 1.408 1.411 1.394 1.388 0.023 1.400
11 10 1.399 1.421 1.400 1.407 0.022 1.407
12 11 1.394 1.397 1.396 1.409 0.015 1.399
13 12 1.409 1.389 1.398 1.399 0.020 1.399
14 13 1.405 1.387 1.399 1.393 0.018 1.396
15 14 1.390 1.410 1.388 1.384 0.026 1.393
16 15 1.393 1.403 1.387 1.415 0.028 1.400
17 16 1.413 1.390 1.395 1.411 0.023 1.402
18 17 1.410 1.415 1.392 1.397 0.023 1.404
19 18 1.407 1.386 1.396 1.393 0.021 1.396
20 19 1.411 1.406 1.392 1.387 0.024 1.399
21 20 1.404 1.396 1.391 1.390 0.014 1.395
22 0.022 1.398

INSTITUTO PARA ©
LA Instituto
CALIDAD © 2014.
para la Prohibida
Calidad su reproducción
– PUCP 2016. total
Todoso parcial sin permisoreservados.
los derechos del autor y del Instituto para la Calidad de la
Pontificia Universidad Católica del Perú.
Gráfica R
0.05 UCL=0.05087
0.04
Rango de la muestra
0.03
_
R=0.0223
0.02
0.01
0.00 LCL=0
1 3 5 7 9 11 13 15 17 19
Muestra

Gráfico X  S
• Diagrama para varianzas que aplican a procesos

masivos, en los que se quiere tener una mayor potencia
para detectar pequeños cambios.
• Se emplean para procesos masivos, de mediano a alto
volumen.
• A medida que n crece, las cartas son capaces de
detectar cambios en el proceso.
• Por lo general, el tamaño de los subgrupos (n) es mayor
a 10.

Cálculo de los Límites de Control X  S
S S
LCS  X  3 LCS  S  3 1  c2 4
c4 n c4
LC  X LCC  S
S S
LCI  X  3 LCI  S  3 1 c 4
2
c4 n c4
S

c
4
Nota / ojo: se usa el promedio del promedio de x
Ejemplo
En la elaboración de envases de plástico, se debe tener

pesos entre 28 ± 0.5 g. Cada media hora se toma un sub
grupos de 10 envases y se pesan. Las medidas de los
últimos 20 subgrupos se muestran en la tabla adjunta.

Ejemplo
N° medias desviacion
1 28.048 0.1343
2 28.042 0.1596
3 27.985 0.0846
4 27.968 0.0868
5 28.044 0.1086
6 28.162 0.1029
7 27.981 0.1241
8 27.985 0.101
9 28.024 0.0924
10 27.973 0.1049
11 28.021 0.1157
12 28.026 0.1127
13 28.004 0.0841
14 27.993 0.109
15 27.949 0.1285
16 28.028 0.1116
17 27.99 0.0927
18 28.004 0.1691
19 27.997 0.1083
20 28.014 0.1031

Gráfica X
28.20
1
28.15
UCL=28.1286
28.10
Valor individual
28.05
_
X=28.0119
28.00
27.95
27.90 LCL=27.8952
1 3 5 7 9 11 13 15 17 19
Observación

Gráfica S
0.175 UCL=0.1761
0.150
Valor individual
0.125
_
X=0.1117
0.100
0.075
0.050 LCL=0.0473
1 3 5 7 9 11 13 15 17 19
Observación

Cartas Individuales
Es un diagrama para variables de tipo continuo que se aplica a
procesos lentos y/o donde hay un espacio largo de tiempo entre
una medición y la siguiente.
Ejemplo:
Procesos químicos que trabajan por lotes.
Procesos de fermentación, mayores a 100 horas de producción.
Procesos en los que las mediciones cercanas solo difieren por el
error de medición. Ejemplo, temperaturas en procesos,
humedad relativa en el medio ambiente, etc.
Algunas mediciones administrativas que se obtienen cada día o
semana.

Donde:
x  X R
x  
R
d 2 1.128
 R 
Límites : X  3*  
 1.128 

Ejemplo: cartas individuales
Latas de café de una libra son llenadas por una máquina, se

sellan y después se pesan automáticamente. Después de hacer
el ajuste para el peso de la lata, cualquier paquete que pese
menos de 16 onzas se retira de la transportadora. Abajo se
presentan los pesos de 25 latas sucesivas. Establecer una carta
de control de rango móvil y una carta de control para las
mediciones individuales. Estimar la media y la desviación
estándar de la cantidad de café empacado en cada lata.
¿Es razonable suponer que el peso de las latas tiene una
distribución normal?

Número de lata Peso
1 16.11
2 16.08
3 16.12
4 16.1
5 16.1
6 16.11
7 16.12
8 16.09
9 16.12
10 16.1
11 16.09
12 16.07
13 16.13
14 16.12
15 16.1
16 16.08
17 16.13
18 16.15
19 16.12
20 16.1
21 16.08
22 16.07
23 16.11
24 16.13
25 16.1

Ejemplo: cartas individuales
La viscosidad de un polímero se mide cada hora.

Las mediciones de las últimas 20 horas fueron:
¿La viscosidad sigue una distribución normal?
Establecer una carta de control para la viscosidad y una carta del
rango móvil.
¿El proceso indica control estadístico?

Prueba Viscosidad
1 2838
2 2785
3 3058
4 3064
5 2996
6 2882
7 2878
8 2920
9 3050
10 2870
11 3174
12 3102
13 2762
14 2975
15 2719
16 2861
17 2797
18 3078
19 2964
20 2805

TEMARIO SESIÓN 4: Etapa Analizar
1. Diagrama de análisis de causa – efecto y técnica de

los 5 por qué?
2. Análisis de correlación lineal.
3. Diagrama de Pareto

Diagrama de regresión, Espina de pescado y

Pareto

Analizar
Pasos claves
• Verificar causas raíz
• Enfocar la búsqueda en las variables clave del proceso.
• Diagramas de causa y efecto
• Pruebas de hipótesis
• Diseño de experimentos - DOE
• Correlación/regresión
• Análisis de la varianza (ANOVA)

Diagrama de Causa – Efecto / Ishikawa /
Fish Bone
Es una técnica gráfica que enumera y organiza las
posibles causas o contribuciones a un problema.
Utilidad
• Determinar las categorías (6Ms) principales de las

causas.
• Preparar categorías de causa y efecto.
• Colocar las causas en forma gráfica o esquemática.
• Ayuda a identificar las causas más probables.

Los seis factores de variación
Hombre Máquina Método
«Problema»
Síntoma o
efecto
Medición Materiales Medioambiente

Condiciones de variación
Mano de obra o gente Métodos

• Perfil de puesto definido = • ¿Proceso / flujo de trabajo
competencias mínimas. definido?
• Adecuado procedo de • ¿Procedimientos o
inducción y/o capacitación? instructivos de trabajo
• Habilidad (¿los operadores claros?
han demostrado tener • ¿Documentos de trabajo:
habilidad para el trabajo formatos, plantillas, etc.
que realizan?). definidos?
• ¿La gente está motivada? • ¿Especificaciones de
¿Conoce la importancia de producto?
su trabajo por la calidad?

Máquinas o equipos Material

• ¿Las máquinas tienen • ¿Se han identificado los
mantenimiento preventivo? materiales/proveedores
• ¿Las máquinas han sido críticos?
modificadas?
• ¿Las máquinas están • ¿Se tienen las
correctamente instaladas? especificaciones de los
• ¿Existen materiales críticos?
procedimientos/especificacion
es de operación?
• ¿Especificaciones mínimas de
los materiales/insumos para el
óptimo funcionamiento de los
equipos?

Mediciones Medio ambiente

• ¿Los equipos de medición • ¿Condiciones de producción
se calibran o verifican? y almacenamiento?
• ¿El personal que opera los • Temperatura
instrumentos de medición • Humedad
ha sido capacitado? • Iluminación
• ¿Se han redefinido • Vibración
procedimientos de
muestreo? • Ruido.

N° Factor Acciones para reducir variabilidad Disciplina
• Perfil del puesto (soft y hard skills)
• Inducción
Hombre Gestión de
1 • Capitación
(Man) RR.HH.
• Entrenamiento
• Motivación
• Mantenimiento (preventivo y correctivo)
Máquina Gestión de
2 • Confiabilidad
(Machine) Mantenimiento
• Capacidad (Cp y Cpk)
• Matariles críticos
Materiales Gestión de
3 • Proveedores críticos
(Materials) Compras
• Materiales y proveedores sustitos
• Normalización de actividades /tareas
Método
4 • Procedimientos documentados Calidad / O y M
(Method)
• Procesos definidos y mapeados
• Calibración
Medición • Verificación
5 Metrología
(Measurement) • Estabilidad
• Lineabilidad
Medio ambiente • Control de temperatura, humedad, luz, aire,
Infraestructura /
6 (Milieu/Environm presión, etc.
Operaciones
ent) © Instituto para la Calidad – PUCP 2016. Todos los derechos reservados.
Ejemplo de construcción de Diagrama C-E

¿Cuál es el problema?
Demoras en la entrega de pizzas a domicilio, los viernes y

sábados

Diagrama de causa – efecto
Maquinaria Mano de obra
Demoras en la entrega
de pizzas a domicilio
los viernes y sábados
Métodos Materiales

Diagrama de causa - efecto

Carros no La gente no se
confiables presenta a trabajar
Hornos demasiado
pequeños Los choferes
se pierden Demoras en la entrega
Mal manejo de Mal
los pedidos despacho Agotamiento de
grandes los ingredientes
Métodos Materiales

Diagrama de causa - efecto

No hay capacidad para Carros no confiables No hay programación
períodos de mayor
afluencia Baja paga
La gente no se presenta a trabajar
Hornos demasiado Los empleados No conocen la ciudad Baja paga
pequeños tienen carros que Alta fluctuación del
no funcionan bien personal
Los choferes se pierden Alta fluctuación
No hay del personal
Mala distribucion Capacitación Obtienen
de la planta información
incorrecta Demoras en la entrega
Mal manejo de los No conocen los
pedidos grandes procedimiento Agotamiento de ingredientes
Alta fluctuación Alta fluctuación
del personal del personal
No hay una adecuada programación
Falta de Mal despacho Falta de capacitación
Pedidos
experiencia
Muchas calles nuevas inexactos
Métodos Materiales
Uso de la técnica de los cinco Por qué
Pregunta 1: ¿Por qué se detuvo la máquina?

Respuesta 1: Porque se fundió el fusible por una sobrecarga.
Pregunta 2: ¿Por qué hubo una sobrecarga?
Respuesta 2: Porque la lubricación del cojinete era inadecuada.
Pregunta 3: ¿Por qué era inadecuada la lubricación?
Respuesta 3: Porque la bomba de lubricación no funcionó en forma
correcta.
Pregunta 4: ¿Por qué la bomba de lubricación no funcionó de forma
correcta?
Respuesta 4: Porque el eje de la bomba estaba gastado.
Pregunta 5: ¿Por qué el eje de la bomba estaba gastado?
Respuesta 5: Porque le entró basura.

Video de Jefferson Memorial

Análisis de causa raíz en el Jefferson Memorial
Problema: el mármol en el monumento
a Jefferson en EE.UU. se estaba deteriorando
¿Por qué? El deterioro se debía a las frecuentes

lavadas del monumento con detergentes
¿Por qué? El detergente era usado para

limpiar el excremento de los gorriones
¿Por qué? Los gorriones fueron atraídos

por las arañas
¿Por qué? Las arañas fueron atraídas por

los insectos que merodeaban el lugar.
¿Por qué? Los insectos fueron atraídos

por las intensas luces que iluminan el lugar

Gráfica de Dispersión
Es un diagrama que representa el comportamiento

conjunto de dos variables.
Utilidad
• Muestra la relación o correlación entre dos mediciones.

• Sirve para evaluar posibles relaciones entre causa y
efecto, causa y causa y efecto y efecto.

Ejemplos de variables
Variables dependientes Variables independiente

(y) (x)
1. Merma 1. Materia prima
2. Productividad 2. Horas hombre / horas

máquina
3. Productividad por 3. Clima
hectárea
4. Presión 4. Temperatura

Diagramas de Dispersión - Tipos
CORRELACION POSITIVA
Un incremento en “Y” depende de un
incremento en “X”.
Entrenamiento vs. Desempeño.
POSIBLE CORRELACION POSITIVA

Si “X” aumenta, “Y” incrementará un poco,
positivamente aunque “Y” parece tener otras
causas diferentes a “X”.
NO CORRELACION
No hay correlación. “Y” puede depender
de otra variable

Diagramas de Dispersión - Tipos
POSIBLE CORRELACION NEGATIVA

Un aumento en “X” causará una tendencia
negativa al disminuir “Y”, por ejemplo:
* Calidad vs. quejas de cliente
* Entrenamiento vs. rechazos
CORRELACION NEGATIVA
Un aumento en “X” causará una
disminución en “Y”, por lo tanto, como
en el punto 1, “X” puede ser controlada
en lugar de “Y”.

El signo de coeficiente de correlación:

Interpretación del valor de "r"
Valor de “r” Significado
+/- 1 Correlación perfecta
+/- 0.60 a +/-0.95 Alta correlación
+/- 0.35 a +/- 0.59 Baja correlación
0 No existe correlación

Ejemplo 1
En cierta empresa es usual SEMANA
HORAS PORCENTAJE DE
EXTRAS DEFECTUOSOS
pagar horas extras para cumplir 1 340 5
con los tiempos de entrega. En 2
3
95
210
3
6
este centro productivo, un grupo 4 809 15
5 80 4
de mejora de calidad está 6 438 10
tratando de reducir la proporción 7 107 4
8 180 6
de piezas malas. Con este 9 100 3
propósito deciden investigar la 10 550 13
11 220 7
relación que existe entre la 12 50 3
cantidad de horas extras, X, y el 13 193 6
14 290 8
porcentaje de artículos 15 340 2
defectuosos, Y. A continuación 16 115 4
17 362 10
se muestran los datos 18 300 9
obtenidos. 19 75 2
20 93 2
21 320 10
22 154 7

18
16
14
% de Defectos
12
10
8
6
4
y = 0.0171x + 2.111
2
R2 = 0.7368
0
0 100 200 300 400 500 600 700 800 900
H. Extras
¿Cuál es la conclusión del análisis?

Ejemplo 2
En una fábrica de pintura se CANTIDAD DE TIEMPO DE

ADITIVO SECADO
requiere reducir el tiempo de
secado del barniz. Los 0 14
siguientes datos corresponden 1 11
el tiempo de secado del barniz 2 10
(horas) y a la cantidad de 3 8
aditivo con el que se intenta 4 7.5
lograr tal reducción. 5 9
6 10
7 11
8 13
9 12
10 15

16
y = 0.2409x + 9.75
14 R2 = 0.1116
12
10
0
0 2 4 6 8 10 12
¿Cuál es la conclusión del análisis?

Diagrama de Pareto
Es una gráfica de barras en la que éstas se acomodan en orden

descendente. El orden de las barras refleja la importancia o
costo de las causas o categorías que se asocian con las barras.
Utilidad
• Ayuda a establecer prioridades respecto a los problemas a

resolver en primer lugar.
• Ayuda a identificar el 80 % de los problemas en un proceso
resultan solamente del 20 % de sus causas potenciales.
• La “vitalidad” de los pocos y la “trivialidad” de los muchos

Ejemplo de priorización con Pareto
En una empresa procesadora de carnes frías mediante una

inspección al 100% se detectaron problemas en las salchichas. A
continuación se muestran los resultados de una semana.
PROBLEMA Y NUMERO DE PAQUETES DEFECTUOSOS

Máquina empacadora Turno
Falta de vacío Mancha verde Mancha amarilla
I 4 300 700 700
A
II 6 300 650 650
I 3 500 700 400
B
II 6 600 500 420
I 8 500 800 324
C
II 9 120 655 345

Ejemplo de priorización con Pareto
1. Considere que la gravedad de los tres problemas es la misma,

realice un análisis de Pareto para problemas y detecte cuál es
el más significativo.
2. Con respecto al problema vital, haga Paretos de segundo
nivel (causas) tanto para máquina como para turno.
3. Vuelva a realizar los análisis anteriores, pero considerando
que la gravedad del problema desde el punto de vista del
cliente es la siguiente: falta de vacío (6), mancha verde (10),
mancha amarilla (8).

PROBLEMA Y NUMERO DE PAQUETES
Máquina
Turno DEFECTUOSOS
empacadora
Falta de vacío Mancha verde Mancha amarilla
I 4300 700 700
A
II 6300 650 650
I 3500 700 400
B
II 6600 500 420
I 8500 800 324
C
II 9120 655 345
Total 38,320 4,005 2,839 45,164
Porcentaje 85% 9% 6% 100%
% acum 85% 94% 100%

Máquina
Total % % Acum.
empacadora
C 17,620 46% 46%
A 10,600 28% 74%
B 10,100 26% 100%

38,320 100%

Turno Suma % % Acum
II 16300 43% 43%

II 22020 57% 100%
38320

TEMARIO SESIÓN 5: Etapa Analizar
1. Prueba de Hipótesis
2. Análisis de Varianza – ANOVA

Resolución de ejercicios aplicando pruebas de

hipótesis, ANOVA y Diseño de Experimentos
(DOE).

Pruebas de hipótesis - Concepto
general
Es un estudio estadístico que por lo general busca responder con cierta

confianza a ciertas preguntas y/o tomar decisiones.
• Dos proveedores de materiales tienen el mismo nivel de calidad.
• El porcentaje de cierto ingrediente afecta el resultado de la mezcla.
• El tiempo de espera de esta operación es de tres horas en

promedio.
• La variación del proceso se redujo con los cambios realizados.

Planteamiento de Hipótesis estadística
Es una afirmación sobre los valores de los parámetros de una

población o proceso, que puede probarse a partir de la
información contenida en una muestra.
Ejemplo: “este proceso produce menos de 8% de defectuosos”
H0: p = 0.08 (la proporción de defectuosos es 0.08) (4.4)

HA: p < 0.08 (la proporción es menor a 0.08)

Planteamiento de Hipótesis estadística
Ahora supongamos que la afirmación a probar es “este proceso

produce 8% de defectuosos”.
H0: p = 0.08 (la proporción de defectuosos es 0.08) (4.5)

HA: p ≠ 0.08 (la proporción es diferente a 0.08)

La ubicación de la región o intervalo de rechazo depende de si la
hipótesis es bilateral o unilateral.

El método del valor p en la prueba de
hipótesis
El valor de p de una prueba de hipótesis es el nivel de

significancia en el que el valor observado del estadístico de la
prueba es exactamente igual que un valor crítico para ese nivel.
p p
-1.96 1.96

El método del valor p en la prueba de
hipótesis
Rechazar la hipótesis nula. El

resultado de la muestra es más
Sí extremo del que usted estaría
dispuesto a atribuir a la
casualidad
¿El valor de p es <
al nivel de
significancia, α,
especificado? No rechazar la hipótesis nula.
El resultado de la muestra no
No es más extremo del que usted
estaría dispuesto a atribuir a la
casualidad.

Ejemplo de prueba de dos colas para la
media, σ conocida
Una soldadora robot está ajustada, la media del tiempo

necesario para efectuar su tarea es de 1.3250 minutos.
Experiencias anteriores han demostrado que la desviación
estándar del tiempo de ciclo es de 0.0396. Una media de
tiempo de operación incorrecta puede afectar la eficiencia de
otras actividades a lo largo del la línea de producción. Para
una muestra aleatoria de 80 trabajos, la media del tiempo del
ciclo fue de 1.3229 minutos.
Con un α = 0.05 H 0 : μ  1.3250 minutos

H A : μ  1.3250 minutos

x  0 1.3229  1.3250
z   0.47
x 0.0396 80
Para una prueba de dos colas, usando la distribución normal y con α =
0.05, los límites serían 0.025 en cada una son z= -1.96 y z = 1.96
.0025 .0025
-1.96 1.96
Conclusión: se acepta la hipótesis nula
INSTITUTO PARA ©
LA Instituto
CALIDAD © 2014.
para la Prohibida
Usando Minitab

Usando Minitab
Ruta: Estadísticas – Estadística básicas – Z de 1 Muestra
OJO
Si P < alfa. Se rechaza Ho
Z de una muestra
Si P > alfa. No se rechaza Ho
Prueba de mu = 1.325 vs. no = 1.325
La desviación estándar supuesta = 0.0396
Error
estándar de
N Media la media IC de 95% Z P
80 1.32290 0.00443 (1.31422, 1.33158) -0.47 0.635
OJO: P value (0.635) > 0.05: no se puede rechazar H0

Ejemplo de prueba de una cola para la
media, σ conocida
Se encontró que los focos en un almacén industrial tienen una

duración media de 1030.0 horas, con una desviación estándar de
90.0 horas. Un representante de una compañía que fabrica un
dispositivo para aumentar la duración de los focos, se ha
comunicado con el gerente del almacén, a quien le preocupa que
la duración promedio de los focos podría no ser mayor que el
valor referido. En una prueba posterior, el gerente selecciona 40
focos y encuentra que su duración media es de 1061.6 horas.
Con un α = 0.05 H 0 : μ  1030 horas

H A : μ 1030 horas

x  μ 0 1061.6  1030.0
z   2.22
σx 90.0 40
Para una prueba de una cola, usando la distribución normal y con α =

0.05, los límites serían z =1.645
0.05
0 1.645 z
Conclusión: se rechaza la hipótesis nula

Usando Minitab

Usando Minitab
Ruta: Estadísticas – Estadística básicas – Z de 1 Muestra
Z de una muestra
OJO
Prueba de mu = 1030 vs. > 1030 Si P < alfa. Se rechaza Ho
La desviación estándar supuesta = 90 Si P > alfa. No se rechaza Ho
Error
estándar
de la 95% Límite
N Media media inferior Z P
40 1061.6 14.2 1038.2 2.22 0.013
OJO: P value < 0.05: se rechazar H0

Ejemplo de prueba de dos colas para la
media, σ desconocido
El gerente de crédito de una gran tienda de departamentos

afirma que la media del saldo para clientes con crédito en la
tienda es de 410 dólares. Un auditor independiente selecciona
una muestra aleatoria de 18 cuentas y encuentra una media de
saldo de 511.33 y una desviación estándar de 183.75. si la
declaración del gerente no es apoyada por los datos, el auditor
pretende examinar todos los saldos de las cuentas de crédito. Si
se supone que la población de saldos de crédito tiene una
distribución aproximadamente normal, ¿Qué acción debe
emprender el auditor?
Con un alfa de 0.05
H 0 : μ  $ 410
H A : μ  $ 410
x  μ 0 511.33  410.00
t   2.340
sx 183.75 18
Para una prueba de dos colas, usando la distribución normal y con α =

0.05, los límites serían 0.025 en cada una son z= -2.110 y z
= 2.110
.0025 .0025
-2.110 2.110
INSTITUTO PARA ©
LA Instituto
CALIDAD © 2014.
para la Prohibida
Usando Minitab

Usando Minitab
Ruta: Estadísticas – Estadística básicas – t de 1 Muestra
OJO
T de una muestra Si P < alfa. Se rechaza Ho
Prueba de mu = 410 vs. no = 410
Error
estándar
de la
N Media Desv.Est. media IC de 95% T P
18 511.3 183.8 43.3 (420.0, 602.7) 2.34 0.032
OJO: P value < 0.05: se rechaza H0

Ejemplo de prueba de una cola para la
media, σ desconocida
Una compañía de neumáticos tienen problemas financieros por
la mala reputación de la calidad de sus productos. Esta lanzó una
campaña donde anuncia que la duración media de sus
neumáticos en carretera es de al menos 60,000 Km. Escépticos,
los directores de una revista para consumidores compran 36
neumáticos y los prueban en carretera. La duración media de los
neumáticos en la muestra fue de 58341 Km, con una desviación
estándar de 3632.53 Km.
Con un alfa de 0.01
H 0 : μ  60,000 Km
H A : μ  60,000 Km

x  μ 0 58341.69 - 60000
t   -2.739
sx 3632.53 36
Para una prueba de una cola, usando la distribución normal y con α =

0.05, los límites serían z =-2.438
Rechazo
0.01
-2.438 0
INSTITUTO PARA ©
LA Instituto
CALIDAD © 2014.
para la Prohibida
Usando Minitab

Usando Minitab
Ruta: Estadísticas – Estadística básicas – t de 1 Muestra
T de una muestra OJO

Prueba de mu = 60000 vs. < 60000 Si P > alfa. No se rechaza Ho
Error
estándar Límite
de la superior
N Media Desv.Est. media 99% T P
36 58342 3633 605 59818 -2.74 0.005
OJO: P value < 0.05: se rechaza H0

Ejemplo de prueba de dos colas para la proporción
El director de servicios de carreras de la Universidad declaró que
el 70% de los estudiantes universitarios de último año entran al
mercado laboral en un puesto directamente relacionado con su
área de estudios. En una muestra formada por 200 graduados de
la generación del año anterior, el 66% obtuvo empleos
relacionados con su área de estudios. Siendo 1 = empleo fuera
del área de estudio y 2 = empleo en el área de estudio.
Con un alfa de 0.05 H 0 :   0.7

H A :   0.7

π (1  π )
σ  0 0  0.7(1  0.7)  0.0324
p n 200
pπ
0.66  0.7
z 0   1.23
σ 0.0324
p
INSTITUTO PARA ©
LA Instituto
CALIDAD © 2014.
para la Prohibida
Usando Minitab

Ruta: Estadísticas – Estadística básicas – 1 proporción
OJO
Prueba e IC para una proporción Si P < alfa. Se rechaza Ho
Prueba de p = 0.7 vs. p no = 0.7
Muestra X N Muestra p IC de 95% Valor Z Valor P

1 132 200 0.660000 (0.594349, 0.725651) -1.23 0.217
OJO: P value (0.217) > 0.05: no se rechaza H0

¿Qué es el análisis de varianzas?
¿Qué es el ANOVA?

Definición
Es una técnica del análisis de varianza que emplea

información de las muestras para determinar si dos o
más factores/tratamientos, muestran resultados
diferentes.
Un punto importante es que el análisis de varianza -

literalmente es una técnica que analiza o comprueba
varianzas - es una herramienta que nos permite
comprobar la significación de las diferencias entre
medias.

Análisis de Varianza de un solo factor
(One Way)
Se usa para comprobar la HIPÓTESIS NULA. Es decir que de las

medias de diferentes poblaciones son iguales:
Ho : U1 = U2 = U3 = U4….
Ha: Al menos una U(k), es diferente
ANOVA, determina SI LAS MEDIAS SON DIFERENTES, pero NO

CUALES DE ELLAS lo son.

Ejemplo de ANOVA
Una empresa de contabilidad desarrolló tres métodos con el

propósito de guiar a sus empleados en la elaboración de
declaraciones individuales de impuestos. Para comparar la
eficacia de estos métodos, se prepara una prueba en la cual a
cada uno de los 10 empleados temporales se le asigna de
manera aleatoria uno de los tres métodos. Los tiempo de
elaboración (en minutos) se aprecian en la tabla siguiente.
Con un nivel de significancia de α = 0.025, ¿podemos concluir
que los tres métodos pueden tener la misma eficacia?

Usando Minitab
Ruta: Estadísticas – ANOVA – Un solo factor (Desapilado)

Finalmente, el valor critico de F y la decisión
Buscamos el valor crítico de F (α = 0.025) en las tablas de

distribución F.
Valor crítico de F = F (α,v1,v2)

Donde: V1 = (t – 1) = 3 – 1 = 2
V2 = (N – t) = 10 – 3 = 7
Entonces = F (0.0025, 2, 7) = 6.54
Se acepta la
6.54 hipótesis nula. Las
medias poblacionales
6.38 Rechazo son iguales.

Usando Minitab
ANOVA unidireccional: Method1, Method2, Method3
Fuente GL SC MC F P OJO
Factor 2 98.40 49.20 6.38 0.026 Si P < alfa. Se rechaza Ho
Error 7 54.00 7.71 Si P > alfa. No se rechaza Ho
Total 9 152.40
S = 2.777 R-cuad. = 64.57% R-cuad.(ajustado) = 54.44%
ICs de 75.5% individuales para la media

basados en Desv.Est. agrupada
Nivel N Media Desv.Est. --+---------+---------+---------+-------
Method1 4 17.000 2.944 (----*----)
Method2 3 12.000 2.646 (-----*-----)
Method3 3 20.000 2.646 (-----*-----)
--+---------+---------+---------+-------
10.5 14.0 17.5 21.0
Desv.Est. agrupada = 2.777

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

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

marcas pueden tener la misma media poblacional para
este objetivo de la prueba.

Usando Minitab
Ruta: Estadísticas – ANOVA – Un solo factor (Desapilado)

ANOVA unidireccional: BrandA, BrandB, BrandC
OJO
Fuente GL SC MC F P Si P < alfa. Se rechaza Ho
Factor 2 126.72 63.36 8.52 0.005
Error 12 89.28 7.44
Total 14 216.00
ICs de 97.5% individuales para la media

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

Ejemplo 3 de ANOVA: ANOVA
de un sentido y la prueba t
Empresarios desarrollan un programa de contabilidad dirigido a
profesionales. Se consideran dos formatos para realizar sesiones de
repaso. Una muestra aleatoria de 10 estudiantes se capacita con el
formato 1; luego, se registran los errores en un examen tipo. Otra
muestra aleatoria de 12 personas se capacita según el formato 2 y,
asimismo, sus errores se registran en el mismo examen. A
continuación, se presentan los datos:
Formato 1: 11, 8, 8 , 3, 7, 5, 9, 5, 1 y 3
Formato 2: 10, 11, 9, 7, 2, 11, 12, 3, 6, 7, 8 y 12
H 0 : μ1  μ2
H A : μ1  μ2

Usando Minitab
Ruta: Estadísticas – Estadística básica – 2-sample t

T de dos muestras para format1 vs. format2
Error
estándar
de la
N Media Desv. Est. media
format1 10 6.00 3.13 0.99
format2 12 8.17 3.33 0.96
Diferencia = mu (format1) - mu (format2)

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

Ruta: Estadísticas – ANOVA – Un solo factor
(Desapilado)

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

basados en Desv. Est. agrupada
Nivel N Media Desv. Est. ------+---------+---------+---------+---
format1 10 6.000 3.127 (------------*-------------)
format2 12 8.167 3.326 (-----------*-----------)
------+---------+---------+---------+---
4.8 6.4 8.0 9.6
OJO
Desv. Est. agrupada = 3.238 Si P < alfa. Se rechaza Ho

TEMARIO SESIÓN 6: Etapa Mejorar
1. Plan de implementación de soluciones.

2. Revisión del nuevo nivel sigma.
3. AMEF. Análisis de Modos y Efecto de Fallas.

Acciones para mejorar el proceso, AMEF y plan

de implementación

Mejorar
Pasos claves
• Determinar beneficios y riesgos asociados con la solución del
problema.
• Terminar la búsqueda de las variables claves del proceso
usando el DOE para filtrado.
• Seleccionar la solución del problema
• Completar el análisis costo-beneficio
• Completar el análisis de riesgo utilizando AMFE
• Documentar la solución y entrenar al personal.

Mejorar
Luego que el equipo realizó la exhaustiva

investigación de causas debe plantear la solución
y su implementación.
Es importante que el equipo esté seguro de haber

tomado la mejor alternativa de solución, por lo
que se recomienda utilizar técnicas de decisión.

Técnica 5W –2H
¿Quién? – Who?
¿Qué? – What?
¿Por qué? – Why?
¿Cuándo? – When?
¿Dónde? – Where?
¿Cómo? – How?
¿Cuánto cuesta? – How Much?

MATRIZ DE PLANIFICACIÓN
CUÁNTO
QUÉ QUIÉN CUÁNDO DÓNDE POR QUÉ CÓMO
CUESTA (S/.)
Para identificar los
Identificar nivel de colaboración
puntos de mejora en las Evaluación de
(fortalezas y debilidades) en las R. Guzmán 30/01/2012 Sede Central 3,000
debilidades y mantener Desempeño
relaciones entre trabajadores.
las fortalezas
Porque no se cuenta
Contactar con especialistas en
actualmente con el A través del área de
promoción del trabajo en equipo y R. Guzmán 15/01/2012 Sede Central 5,000
recurso interno para RRHH
elegir con el que se trabajará.
desarrollar la actividad
Elaborar un listado de actividades
de integración en conjunto con el
Porque va a permitir el
especialista elegido, priorizando las En reuniones de
R. Guzmán 15/03/2012 Sede Central desarrollo continuo de 8,000
actividades por impacto en el trabajo
integración
trabajo en equipo entre los
trabajadores.
Presupuestar listado de opciones Porque se tiene que
de actividades y elegir aquellas que designar recursos en En reuniones de
R. Guzmán 10/04/2012 Sede Central 800
se pueden llevar a cabo según el base al presupuesto trabajo
presupuesto. interno.
Porque se tiene que
En reuniones
Hacer seguimiento de aprobación asegurar el
V. Chávez 20/04/2012 Sede Central mensuales de 300
de la Propuesta de Actividades. cumplimiento de las
seguimiento
actividades
Ejecutar dinámicas grupales,
En talleres con la
talleres de conversaciones difíciles
Porque son actividades participación activa
y talleres de escucha activa, entre
clave que permitiran e involucramiento
otras actividades que puedan estar R. Guzmán 31/08/2012 Sede Central 5,000
lograr el objetivo de alta gerencia,
listadas en la Propuesta de
deseado RRHH y especialista
Actividades para promoción del
según cronograma
trabajo en equipo.
22100
INSTITUTO PARA ©
LA Instituto
CALIDAD © 2014.
para la Prohibida
Análisis de Modos y Efecto de Fallas - AMEF

Análisis de Modos y Efecto de
Fallas - AMEF
Permite identificar, características y asignar una prioridad a

las fallar potenciales de un proceso o producto.
Permite identificar las fallas potenciales de un producto o

un proceso y, a partir de un análisis de su frecuencia,
formas de detección y el efecto que provocan; estas fallas
se jerarquizan, y para las fallas que vulneran más la
confiabilidad del producto o el proceso será necesario
generar acciones para atenderlas.

Conceptos Clave
Modo Potencial de Falla

Es la manera en que un sistema podría fallar en su operación o
cumplimiento de requerimiento.
Efectos de Falla Potencial
Son las consecuencias negativas que se dan cuando falla un
proceso, por lo que se deben buscar sus causas.
Severidad
Es una evaluación del efecto de falla potencial en el cliente.
Ocurrencia
Es la evaluación de la probabilidad de que una causa particular
ocurra y resulte en el modo de falla.
Detección
Es la evaluación de la probabilidad de que los controles actuales
detecten la causa del modo de falla, si ocurriera, evitando por lo
tanto el que llegue al cliente.

Esquema para realizar el AMEF
Formulación del equipo y

delimitación
del área de aplicación Identificar controles para
detectar ocurrencias y estimar
la posibilidad de detección
Identificación de modos
posibles de fallas
Calcular el índice de prioridad
de riesgo (NPR):
severidad x ocurrencia x detección
Por cada falla, identificar

su efecto
y su grado de severidad Para los NPR mayores,
identificar acciones para reducir el
efecto o la posibilidad de ocurrencia
Encontrar causas
potenciales de falla y la
frecuencia de ocurrencia
Revisar resultados
de acciones

Analisis del Modo y Efecto de Falla Potencial (AMEF de Proceso) AMEF Número 1
Descripción 2 Responsable del proceso 3 Página De
Año modelo / Vehículo (s) 5 Fecha de elaboración 6 Preparado por 4
Equipo de trabajo 8 Fecha del AMEF 7
Requerimient 1 1 Responsable Resultados de las Acciones

Causa(s) y fecha Tomadas 2
Clasificación
os del proceso
Ocurrencia
Detección
Severidad
/ Efectos Potencial(es) Controles del objetivo de
Modo de falla Acciones
NPR
Ocurrencia
Detección
Potenciales / Proceso cierre (Para la
Severidad
9 potencial recomendadas Acciones
NPR
de la Falla Mecanismo(s) Actuales Acción
Funciones de falla Recomendada Tomadas
1 1 1 1 1 1 1 )
1 2 2
INSTITUTO PARA ©
LA Instituto
CALIDAD © 2014.
para la Prohibida
Criterio Valor de S
Ínfima. El defecto sería imperceptible por el usuario 1

Escasa. El cliente puede notar un fallo menor, pero sólo provoca una ligera molestia 2–3
Baja. El cliente nota el fallo y le produce cierto enojo 4–5

Moderada. El fallo produce disgusto e insatisfacción el cliente 6- 7
Elevada. El fallo es crítico, originando un alto grado de insatisfacción en el cliente 8–9
Muy elevada. El fallo implica problemas de seguridad o de no conformidad con los reglamentos en vigor 9 - 10
Criterio Valor de O
Muy escasa probabilidad de ocurrencia. Defecto inexistente en el pasado 1

Escasa probabilidad de ocurrencia. Muy pocos fallos en circunstancias pasadas similares 2–3
Moderada probabilidad de ocurrencia. Defecto aparecido ocasionalmente 4–5

Frecuente probabilidad de ocurrencia. En circunstancias similares anteriores el fallo se ha presentado con cierta frecuencia 6- 7
Elevada probabilidad de ocurrencia. El fallo se ha presentado frecuentemente en el pasado 8–9
Muy elevada probabilidad de fallo. Es seguro que el fallo se producirá frecuentemente 9 - 10
Criterio Valor de D
Muy escasa. El defecto es obvio. Resulta muy improbable que no sea detectado por los controles existentes. 1
Escasa. El defecto, aunque es obvio y fácilmente detectable, podría raramente escapar a algún control 2–3
primario, pero sería posteriormente detectado
Moderada. El defecto es una característica de bastante fácil detección 4–5

Frecuente. Defectos de difícil detección que con relativa frecuencia llegan al cliente 6- 7
Elevada. El defecto es de naturaleza tal, que su detección es relativamente improbable mediante los 8–9
procedimientos convencionales de control y ensayo
Muy elevada. El defecto con mucha probabilidad llegará al cliente, por ser muy difícil detectable 9 - 10

TEMARIO SESIÓN 7: Etapa: Control
1. Estandarizar y establecer el control.

2. Gráficas de control por variables y atributos.

Resolución de ejercicios de gráficas de control

por atributos.

Control
Pasos Clave
• Controlar nuevas condiciones del proceso
• Re evaluar la capacidad del proceso
• Haga el aprendizaje accesible para la empresa
• Completar el Plan de Control
• Mantener el proceso bajo control estadístico (SPC)
• Completar el análisis de capacidad del proceso
• Publicar los resultados — incluyendo el aprendizaje cultural y
específico del lugar.

Definiciones de causas
• Causas comunes:
Es la variabilidad aleatoria debida a la combinación de muchos efectos
que no son fáciles de identificar, un proceso que incluye solo causas
comunes se dice que está en control estadístico. Requiere acciones
locales.
• Causas Especiales:
Es la variabilidad imputable a causas que son posibles de identificar,
corregir y lo que es mejor eliminar, un proceso que incluye causas
especiales no está en control estadístico.

Gráfica p
• Estas gráficas se usan cuando las características de

calidad se representan por la fracción defectuosa.
Unidades rechazadas / unidades inspeccionadas.
• La gráfica p se usa para una muestra de tamaño
variable. Pero también puede usarse para n constantes.

Gráfica np
• Estas gráficas se usan cuando las características de

calidad se representan por el número de unidades
defectuosas. O el número de unidades rechazadas por
cada muestra inspeccionada.
• Para una muestra de tamaño muestra constante se usa
la gráfica np.

Fórmulas np y p
p (1  p )
LCS  np  3 pn(1  p) LCS  p  3
n
LC  np LC  p
p (1  p )
LCI  np  3 pn(1  p) LCI  p  3
n
Total de defectos
p
Total de inspeccionados

Ejemplo gráfica p
Para probar la integridad de un filamento, se toman

muestras de los focos que salen de una línea de
manufactura y se someten a un voltaje 30% más alto que
el de su valor nominal. Cada muestra consiste en 100
focos, y uno de ellos se clasifica como “defectuoso” si se
funde durante una exposición de dos segundos a ese
voltaje más alto.

C D E F
Piezas No Proporción
Muestra
2 defectuosas defectuosas defectuosa (p)
3 1 8 92 0.080
4 2 14 86 0.140
5 3 16 84 0.160
6 4 14 86 0.140
7 5 15 85 0.150
8 6 20 80 0.200
9 7 19 81 0.190
10 8 12 88 0.120
11 9 17 83 0.170
12 10 6 94 0.060
13 11 10 90 0.100
14 12 15 85 0.150
15 13 9 91 0.090
16 14 17 83 0.170
17 15 13 87 0.130
18 16 11 89 0.110
19 0.135

Ejemplo gráfica p
Gráfica P
0.25
UCL=0.2375
0.20
Proporción
0.15 _
P=0.135
0.10
0.05
LCL=0.0325
1 3 5 7 9 11 13 15
Muestra

Ejemplo Gráfica np
Se inspecciona una muestra de 120 artículos de los

componentes k12. Los datos se obtienen de 20 lotes
consecutivos como se muestran en la tabla.
Total de defectos
p
Total de inspeccionados
 183 
p
183 n* p    *120
120 * 20  120 * 20 

Componente
Componentes
Muestra Muestra s
defectuosos
defectuosos
1 9 11 10
2 6 12 20
3 10 13 12
4 8 14 10
5 5 15 10
6 5 16 0
7 14 17 13
8 12 18 5
9 9 19 6
10 8 20 11
Total 183

NP Chart
1
20
UCL=17.87
15
Sample Count
10 __
NP=9.15
0 LCL=0.43
1
1 3 5 7 9 11 13 15 17 19
Sample

Gráfica c
(número de defectos por sub grupo)
• Estas gráficas se usan para controlar y analizar un

proceso por los defectos de un producto, tales como
rayones, soldaduras defectuosas o tejidos desiguales.
• La gráfica c se refiere al número de defectos para un

productos cuyas dimensiones es constante.

Gráfica u
(número promedio de defectos por unidad)
• Estas gráficas se usan para controlar y analizar un
proceso por los defectos de un producto, tales como
rayones, soldaduras defectuosas o tejidos desiguales.
• Una gráfica u se usa para productos con dimensiones

variables o constante.

Fórmulas gráfica c y u
LCS  c  3 c LCS  u  3
u
n
LC  c LC  u
LCI  c  3 c LCI  u  3
u
n
Donde :
Donde :
Total de defectos
c u
Total de defectos
Total de subgrupos Total de artículos inspeccionados

Ejemplo gráfica c
Durante la producción de láminas de acero continuas, se

examinan muestras periódicas de 10 pies de longitud, para
determinar el número de rasguños, manchas u otros defectos
en la superficie. Se han inspeccionado 20 muestras a
intervalos periódicos durante una corrida de producción.

D E
2 Muestra Defecto
3 1 3
4 2 4
5 3 6
6 4 6
7 5 4
8 6 7
9 7 9
10 8 8
11 9 3
12 10 6
13 11 10
14 12 5
15 13 7
16 14 8
17 15 3
18 16 3
19 17 1
20 18 4
21 19 6
22 20 3
23 suma 106
24 c 5.3

Ejemplo gráfica c
Gráfica C
12 UCL=12.21
10
Conteo de muestras
6 _
C=5.3
0 LCL=0
1 3 5 7 9 11 13 15 17 19
Muestra

Ejemplo gráfica u
Una fábrica que ensambla artículos electrónicos y al

final del proceso se hace una inspección por muestreo
para detectar defectos relativamente menores. En la
tabla se muestran los 24 lotes consecutivos de piezas
electrónicas. El número de piezas inspeccionado por
cada lote es variable.

Tamaño de Defectos Tamaño de Defectos
Lote Lote
lote encontrados lote encontrados
1 20 17 13 30 40
2 20 24 14 30 24
3 20 16 15 30 46
4 20 26 16 30 32
5 15 15 17 30 30
6 15 15 18 30 34
7 15 20 19 15 11
8 25 18 20 15 14
9 25 26 21 15 30
10 25 10 22 15 17
11 25 25 23 15 18
12 30 21 24 15 20

Tamaño de Defectos Tamaño de Defectos
Lote u Lote u
lote encontrados lote encontrados
1 20 17 0.85 13 30 40 1.33
2 20 24 1.20 14 30 24 0.80
3 20 16 0.80 15 30 46 1.53
4 20 26 1.30 16 30 32 1.07
5 15 15 1.00 17 30 30 1.00
6 15 15 1.00 18 30 34 1.13
7 15 20 1.33 19 15 11 0.73
8 25 18 0.72 20 15 14 0.93
9 25 26 1.04 21 15 30 2.00
10 25 10 0.40 22 15 17 1.13
11 25 25 1.00 23 15 18 1.20
12 30 21 0.70 24 15 20 1.33
Total 525 549

Gráfica U
2.25
1
2.00
Conteo de muestras por unidad
1.75
UCL=1.692
1.50
1.25
_
1.00 U=1.040
0.75
0.50
LCL=0.388
1 3 5 7 9 11 13 15 17 19 21 23
Muestra

Conclusiones generales
• Uso de conocimiento no estadístico buscando la experiencia de
los expertos en el tema para retroalimentar el estudio. El
conocimiento no estadístico es invaluable para elegir factores,
determinar niveles e interpretar resultados.
• Mantener el diseño y el análisis tan simple como sea posible

Es necesario no exagerar en el uso de técnicas estadísticas
complejas y sofisticadas. Los métodos de diseño y análisis
simples son siempre los mejores.
• Tener presente la significancia práctica y estadística ya que a

veces encontramos soluciones que optimizan una respuesta pero
son económicamente inviables.

Muchas gracias
Carlos Toledo
Carlos.Toledo@calidar.pe

Dmaic PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Dmaic PDF

Cargado por

Copyright:

Formatos disponibles

ACREDITACIÓN Y CERTIFICACIÓN REGISTRO Y ALIANZAS

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

1.0 ETAPA DEFINIR

2.0 ETAPA MEDIR

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

4.0 ETAPA MEJORAR / IMPLEMENTAR

5.0 ETAPA CONTROLAR

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

1. Identificación y selección de problemas

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

3. Definición de los CTQ (Critical to quality)

4. QFD (Quality Function Deployment)

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

CTQs, QFD y diagrama SIPOC

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

• Expresar las necesidades del cliente (critical to quality).

• Asignar líder de proyecto y miembros del equipo.

• Documentar el caso de negocio (project charter)

• Desarrollar la declaración del problema.

• Identificar parámetros críticos para la satisfacción (CTS).

• Negociar normas de funcionamiento (carta compromiso).

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

3. Tiene una métrica adecuada. Uso de indicadores.

4. Cuenta con el apoyo y aprobación de la administración.

5. El impacto financiero debe ser validado por el área de

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

Son las características críticas de un producto (bien o servicio)

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

Requerimien Especificaciones (1)

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

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

Entradas PROCESO Salidas

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

1. Identifique entradas y salidas.

2. Muestre todos los pasos.

3. Mostrar las salidas de cada paso.

4. Mostrar todos los parámetros del proceso en cada paso.

5. Clasificar los parámetros.

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

Paso #1 Paso #2 Paso #3

Paso #1 Paso #2 Paso #3

Paso #1 Paso #2 Paso #3

Seleccionar el nivel de proceso apropiado.

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

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

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

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

CIPD: Customer Inspired Product Development

Fuente: c2c Solutions.

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

HIN SHITSU = Calidad, Características,

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

Despliegue de la Desarrollo de Producto

QFD es una herramienta de planificación que desarrolla “una sistemática

Yoji Akao – padre del QFD

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

 Identificar las necesidades y expectativas de los

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

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

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

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

Fuente: Universidad de Belgrano

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