Seis Sigma Basico

SEIS SIGMA BÁSICO DMAIC P.
Reyes /junio 2008
SEIS SIGMA BÁSICO
Participante: ___________________________________________________
DR. PRIMITIVO REYES AGUILAR
Junio 2008
Mail. Primitivo_reyes@yahoo.com / Cel. 044 55 52 17 49 12
Página 1 de 134
SEIS SIGMA BÁSICO DMAIC P. Reyes /junio 2008
OBJETIVOS:
Al finalizar el curso, el participante será capaz de:
 Comprender y analizar las fuentes de variabilidad de los procesos.
 Comprender y aplicar métodos estadísticos y Lean para identificar áreas de
oportunidad de mejora en los procesos.
• Identificar y desarrollar proyectos de mejora y de solución de problemas aplicando
la metodología Seis Sigma DMAIC por medio de trabajo en equipo.
CONTENIDO
I. Panorama de Seis Sigma en la organización
II. Seis Sigma – Fase de definición
III. Seis Sigma – Fase de medición
IV. Seis Sigma – Fase de Análisis
V. Seis Sigma – Fase de mejora
VI. Seis Sigma – Fase de control
VII. Proyectos Seis Sigma
SOFTWARE DE APOYO
Paquete estadístico Minitab versión 15, Análisis de Datos de Excel y otros
paquetes estadísticos
Página 2 de 134
I. Despliegue de Seis Sigma en la organización

 Metodología Seis Sigma
 Metodología Lean
 Metodología Lean Sigma
 Liderazgo y roles en Seis Sigma
 Benchmarking
 Gestión de equipos de trabajo
¿Qué es Seis Sigma?

Definición: Seis Sigma es un proceso altamente disciplinado enfocado a desarrollar y entregar
productos y servicios casi perfectos consistentemente – 3-4 ppm.
Seis Sigma como estrategia

 Es una estrategia de gestión que usa herramientas estadísticas y métodos de gestión de
proyectos para lograr mejoras en calidad y utilidades significativas
 Es una estrategia de mejora de negocios que busca encontrar y eliminar causas de errores o
defectos en los procesos de negocio enfocándose a los resultados que son de importancia
crítica para el cliente.
Antecedentes de Seis Sigma

 Bajo la dirección del CEO de Motorola 1 Bob Gavin, se usaron herramientas estadísticas para
identificar y eliminar la variación.
 En 1981 Bob Gavin director de Motorola, estableció el objetivo de mejorar 10 veces el
desempeño en un periodo de 5 años.
 En 1985 Bill Smith en Motorola concluyó que si un producto se reparaba durante la
producción, otros defectos quedarían escondidos y saldrían con el uso del cliente.
 Adicionalmente si un producto se ensamblaba libre de errores, no fallaba en el campo
 En 1987 Motorola desarrolla Seis Sigma como una iniciativa clave del negocio.
 En 1988 Motorola ganó el premio Malcolm Baldrige, y las empresas se interesaron en
analizarla.
 El Dr. Mikel Harry desarrolla la estrategia de cambio hacia Seis Sigma, sale de Motorola e inicia
el “Six Sigma Research Institute” con la participación de IBM, TI, ASEA y Kodak.
 La metodología se expandió a Allied Signal, ASEA, GE, Sony, Dupont, Texas Instruments,
Bombardier, Lockheed Martin, ABB, Polaroid, Kodak, Sony, Toshiba, Black and Decker, Dow
Chemical, Federal Express, American Express, John and Johnson, Navistar y otras.
Razones por las que funciona Seis Sigma

1
Motorola, Six Sigma, Black Belts y Green Belts son marcas registrada por Motorola, Inc, EUA
Página 3 de 134
 Involucramiento de la dirección
 Resultados en la rentabilidad
 Un método disciplinado utilizado (DMAIC)
 Conclusión de proyectos en 3 a 6 meses
 Medición clara del éxito
 Infraestructura de personal entrenado (black belts, green belts)
 Enfoque al proceso y al cliente
 Métodos estadísticos utilizados adecuadamente
Resultados esperados de Seis Sigma

 Reducciones de costos
 Mejoras en el nivel de servicio al cliente
 Reducción de fallas y errores
 Mejoras en la productividad
 Mejora en la satisfacción del cliente
 Reducciones de tiempos de ciclo
 Cambios culturales
¿Qué es Sigma? (s)

 Sigma es un concepto estadístico que representa la variación que tiene un proceso
respecto a los requisitos del cliente
 0 – 2 sigmas, no cumple requisitos; 2 – 4.5 sigmas, cumple marginalmente
 4.5 – 6 sigmas, cumple requisitos; Un proceso 6 s tiene rendimiento del 99.9997%
Distribución gráfica de la variación –

Curva normal
LAS MEDICIONES VARÍAN DE UNA A OTRA:
Número Número Número Número
Pero ellas forman un patrón, tal que si es estable, se denomina distr. Normal
Número Número Número
LAS DISTRIBUCIONES PUEDEN DIFERIR EN:

UBICACIÓN DISPERSIÓN FORMA
Número Número Número

. . . O TODA COMBINACIÓN DE ÉSTAS
P1
10
Interpretación estadística de Seis Sigma
Página 4 de 134
Interpretación de Sigma y Zs
LIE LSE
Especificación Especificación
inferior s superior
Z La desviación estándar
sigma  representa la
distancia de la media al
punto de inflexión de la
curva normal
_
xi
X
p = porcentaje de mediciones fuera de Especificaciones
P2
Desviación estándar
Definición estadística de
Seis Sigma Con 4.5 sigmas
se tienen 3.4 ppm
Media del proceso

Corto plazo Largo Plazo
4.5 sigmas La capacidad

Del proceso
Es la distancia
En Sigmas de
La media al LSE
-6 -5 -4 -3 -2 -1 0 +1+2+3 +4+5+6
LIE - Límite LSE - Límite

inferior de Superior de
especificación El proceso se puede recorrer especificación
1.5 sigma en el largo plazo
Página 5 de 134
¿Por qué es importante lograr niveles de calidad Seis Sigma?
 Un 99% de rendimiento equivale a tener un nivel de 3.86 sigmas y 100 minutos sin energía
eléctrica por semana (10,080 minutos)
 Un 99.9% de rendimiento equivale a un nivel de calidad de 4.6 sigmas, representa 10
minutos sin energía eléctrica en una semana.
 Con 6 sigma se tiene un nivel de 99.99966% o 3.4 ppm, 2 segundos /semana sin luz
Nivel Sigma Ppm

6 sigma 3.4
5 sigma 233
4 sigma 6,210
3 sigma 66,810
2 sigma 308,770
1 sigma 697,672
PRACTICA 1.1 Obtener los niveles Sigma con base en rendimiento (tiempo en que se tiene el
servicio disponible / tiempo total) y las partes por millón o partes por millón de oportunidades de
deficiencias, fallas o errores:
a) Eficiencia del 98% Nivel sigma =
b) Eficiencia del 85% =
c) Eficiencia del 99.2% =
b) 8,000 ppm o 0.8% Nivel sigma =
c) Rendimiento del 75% Nivel sigma =
Utilizar la tabla de la página siguiente:
Página 6 de 134
Página 7 de 134
Metodología Seis Sigma DMAIC
1.
Definir
5.
2. Medir
Controlar
4. 3.
Mejorar Analizar
Las fases de Seis Sigma (DMAIC)

 Definir: seleccionar la “Y” del proyecto a ser mejorada y enfocar el problema a resolver
“y”.
 Medir: Recolección de datos de la variable de respuesta “y” y factores de influencia “Xs”
para establecer línea base
 Analizar: Generar causas potenciales e identificar las causas raíz del problema (variables
independientes X`s)
 Mejorar: Generar alternativas de solución por causa raíz, seleccionar las mejores,
implementarlas y verificar su efectividad
 Control: Acciones para mantener la mejora
Página 8 de 134
La ruta de la calidad y su relación con Seis Sigma
 FASE DE DEFINICIÓN:
o 1. Equipo de trabajo, 2. Selección del problema o área a mejorar
 FASE DE MEDICIÓN
o 3. Diagnóstico de la situación actual, 4. Establecer la meta.
 FASE DE ANÁLISIS
o 5. Análisis de las causas del problema (potenciales y reales)
 FASE DE MEJORA
o 6. Generación, evaluación y selección de alternativas de solución.
o 7. Implementación de soluciones, 8. Verificación de resultados.
 FASE DE CONTROL
o 9. Prevenir reincidencia, 10. Reconocimiento al equipo de trabajo
o Paso 11. Lecciones aprendidas y cierre del proyecto
Metodología Lean
Conjunto de métodos enfocados a minimizar el Muda (desperdicios en tiempo, combustibles,
energía, espacio, talento, etc.) para tener flexibilidad y maximizar el aprovechamiento de los
recursos en la empresa, para lograr la satisfacción y lealtad del cliente.
Su propósito es reducir el tiempo de ciclo y aumentar la productividad en la empresa.

Típicamente el 70% de las actividades no agregan valor
Los 7 desperdicios o Muda

Son aspectos que no agregan valor al cliente, es decir no está dispuesto a pagar por ellos y
hacen que la operación sea costosa y lenta:
 Generación no requerida
 Movimientos excesivos
Ejemplos de muda:
e innecesarios Esperar al ciclo
 Transportes innecesarios Caminar
de máquina
 Inventarios innecesarios
 Esperas y retardos innecesarios Inventario Reportes sin uso
 Fallas y errores innecesario
 Retrabajos o reinspecciones Movimientos
Transporte de innecesarios
partes
PRÁCTICA 1.2 Identificar tres Mudas en la empresa
_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.
Página 9 de 134
Métodos Lean para la mejora

Para reducir el Muda se utilizan diversos métodos Lean como son:
 Las 5 S’s
 Cambios rápidos (SMED)
 Poka Yokes
 Trabajo estandarizado
 Mantenimiento productivo total (TPM)
Las 5 Ss y la administración visual

Objetivo: Encontrar cualquier cosa y tener idea del estado de la operación en menos de
30 segundos, por una persona familiarizada con el área de trabajo.
Palabras japonesas que inician con s: Seiri, Seiton, Seiso, Seiketsu y Shitsuke.
1.- SEIRI significa: ORGANIZAR y SELECCIONAR:

Trabajo en proceso, Herramientas innecesarias, Maquinaria no ocupada, Productos
defectuosos, Papeles y documentos, lo más importante en este punto es:
Diferenciar entre lo necesario y lo innecesario.
2.- SEITON significa PONER LAS COSAS EN ORDEN.

Las cosas deben mantenerse en orden de manera que estén listas para ser utilizadas
cuando se necesiten.
Implementación del orden de 5S’s
3.- SEISO significa: LIMPIEZA.

Mantener limpio el lugar de trabajo.
4.- SEIKETSU significa: LIMPIEZA ESTANDARIZADA.

Hacer del aseo y de la pulcritud un hábito,
principiando con la propia persona.
Página 10 de 134
5.- SHITSUKE (DISCIPLINA).

Seguir los procedimientos en los procesos administrativos y de manufactura.
Las 5´s se han definido como Selección u Organización, Orden, Limpieza, Estandarización
y Disciplina. Los dos elementos más importantes son la Organización y el Orden ya que de
ellos depende el éxito de las actividades de Mejora.
Trabajan en medio del polvo, suciedad, desorden, aceite, etc. dificulta la búsqueda de
piezas, útiles, información, requisiciones, herramientas etc. evitando esto se previenen los
accidentes, no se generan defectos y todo se encuentra.
PRÁCTICA 1.3 Identificar áreas de oportunidad de aplicación de las 5S’s en la empresa

_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.
Preparaciones y cambios rápidos (SMED)
Reducción de los tiempos de preparación, mantenimiento y puesta a punto
Operaciones internas vs externas

 Internas
o Puede ser hecha cuando la máquina está apagada
o Ejemplo: las mangueras solo pueden ser cambiadas cuando la máquina este
parada
 Externas
o Pueden ser hechas cuando la máquina está trabajando
o Ejemplo: el material y refacciones pueden ser preparados mientras la máquina
está trabajando
Pasos para reducir los tiempos de preparación

 Estudiar el proceso
o Estudio de tiempos y movimientos, videotape, entrevistas
Página 11 de 134
 Identificar actividades internas y externas
o Listar cada actividad, clasificarlas en internas y externas
 Convertir actividades internas a externas
o Pensar fuera de la caja
 Alinear las actividades de preparación y ajuste
o Eliminar / combinar actividades
o Repetir el proceso
La Preparación interna (IED), son las operaciones realizadas con máquina parada.
La Preparación externa (OED), son las operaciones realizadas mientras la máquina está
operando.
Ejemplo de Cambio rápido – SMED: Se redujo el tiempo de puesta a punto de una

máquina en una estación de 11 horas a 4 horas, ya que antes primero se detenía,
llamaban al mecánico, buscaba sus herramientas, etc. ahora las herramientas clave están
cerca de la máquina y no se dañan dispositivos de ajuste con herramienta improvisada.
PRÁCTICA 1.4 Identificar áreas de oportunidad de reducción de tiempos de

mantenimiento o puesta a punto.
_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.
Poka Yokes o A prueba de error

Objetivo: Prevenir o detectar la ocurrencia de errores y defectos principalmente
humanos.
Causas de los errores:
• Procedimientos incorrectos
• Variación excesiva en el proceso
• Dispositivos de medición inexactos
• Procesos, Especificaciones o procedimientos no claros o no documentados
• Errores humanos mal intencionados
• Cansancio, distracción, Falla de memoria o confianza, etc.
Pasos para el desarrollo de Poka Yokes

1. Describir el error o falla
2. Identificar el lugar donde se descubren o producen los errores o fallas
3. Detalle de los procedimientos de la operación donde se producen los errores
4. Identificar desviaciones de los procedimientos donde se producen los errores
Página 12 de 134
5. Identificar las condiciones donde se ocurren los errores (investigar)
6. Identificar el tipo de dispositivo Poka Yoke requerido para prevenir el error.
7. Desarrollar un dispositivo Poka Yoke
Ejemplo: instalación de Rotámetros para ajustar el flujo de agua fría hacia una máquina,
antes se ajustaba con llaves normales sin calibración.
PRÁCTICA 1.5 Identificar áreas de oportunidad para implementar Poka Yokes.

_____________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.
Trabajo estandarizado
Objetivo: Documentar en instructivos, procedimientos y ayudas visuales, la forma cómo
deben realizarse las operaciones para que todos las realicen de la misma manera, para
tener productos homogéneos.
Por estandarización se entiende:

 Siempre seguir la misma secuencia de trabajo
 Los métodos totalmente documentados
 Los métodos están visibles en cada estación de trabajo
 El material está colocado siempre en el mismo lugar
 La información se presenta de la misma forma en toda la planta
 Se tiene el registro del movimiento detallado del cuerpo humano
PRÁCTICA 1.6 Identificar áreas de oportunidad para implementar procedimientos e

instructivos para estandarizar las operaciones.
_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.
Mantenimiento Productivo Total (TPM)

Objetivo: Mantener la disponibilidad de los equipos en el máximo nivel posible
• El TPM implementado con la participación de un equipo de trabajo
• Las 6 grandes pérdidas que minimiza el TPM: perdidas por Fallas; por Ajustes y
puesta a punto; por giro en Vacío y Paros Cortos; por Velocidad reducida; por fallas
de Procesos; por Arranques y paros menores.
Página 13 de 134
• El Mantenimiento Autónomo por los operadores:
• Limpieza del equipo para detectar problemas
• Eliminar las fuentes de suciedad
• Establecer rutinas de limpieza y lubricación en las máquinas
• Inspección de otros aspectos de la máquina (sensores, etc.)
• Inspección autónoma por el operador (lista de verificación)
• Organización y orden en el área de trabajo
• Mantenimiento autónomo pleno
El mantenimiento productivo total incluye:

 Mantenimiento autónomo, preventivo, predictivo, correctivo planeado
 Mantenimiento orientado a la confiabilidad (CRM)
PRÁCTICA 1.7. Identificar áreas de oportunidad para implementar el TPM en el

mantenimiento o las operaciones.
_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.
Metodología Lean Sigma

Tópico Seis Sigma Lean
Mejora Reducir variación Reduc ir muda
J ustific ación Seis sigma (3.4 Rapidez (velocidad)

ppm)
Ahorros principales C ostos de C ostos de operación
calidad
C urva de Larga C orta
aprendizaje
Selección de Varios enfoques Mapeo de la cadena
proyec tos de valor (VSM)
Durac ión de 2 – 6 meses 1 semana a 3 meses
proyec tos
Impulsor Datos Demanda
C omplejidad Alta Moderada
 Problemas resueltos con Lean

o Muda o desperdicio elevado
o Mejora de flujos de actividades
o Agilizar los procesos
Página 14 de 134
o Evitar errores humanos
o Enfoque a mejora de la productividad
 Problemas resueltos con Seis Sigma

o Minimizar variación en los procesos
o Reducir las fallas y errores hasta 3.4 ppm
o Solución científica de problemas
o Enfoque a problemas y mejoras de calidad
Tiempo
Variabilidad
Lean Sigma reduce al mismo tiempo la variabilidad y el tiempo de respuesta
Liderazgo
 Los programas Seis Sigma no suceden accidentalmente, deben contar con el compromiso y
soporte de la administración en aspectos de recursos y herramientas
Organización para Seis Sigma
Green
Belts
Green
Belts
Página 15 de 134
Papeles/roles en Seis Sigma
Comité directivo de Seis Sigma / Consejo de calidad

 Fijan metas, identifican proyectos, seleccionan equipos
Champions
 Son representantes de la alta dirección que controlan y asignan recursos para promover
mejoras, se involucran en todas las revisiones de proyectos en su área de influencia.
Reciben entrenamiento general en Seis sigma
Dueños de procesos (Process owners):
 Coordinan actividades de mejora de procesos y monitorea los avances, trabaja con Black
Belts para mejorar los procesos bajo su responsabilidad, a veces actúan como Champions
Master Black Belts

 Tienen puestos enfocados a la mejora, con habilidades demostradas como Black Belt y
habilidades de asesoría, instrucción, educación y promoción
Black Belts:
 Son personas capacitadas y con habilidades para coordinar proyectos de mejora
demostradas con ahorros y beneficios. Actúan como consultores y asesores
Green Belts:
 Manejan las herramientas estadísticas y de solución de problemas para los proyectos con
impacto financiero y a clientes. Bajo la tutela de los Black Belts y son líderes de equipos
Miembro del equipo:
 Participa en la capacitación para ser efectivo. Completa sus asignaciones entre las
reuniones. Participa activamente con ideas e información
Reconocimiento y refuerzo
 Se deben lograr reconocimientos tangibles e intangibles por las mejoras alcanzadas a
todos los miembros participantes
 El lograr ahorros y publicarlos ayuda a mejorar la moral de los miembros de los equipos de
proyectos
Benchmarking
Compara el desempeño de una empresa con la competencia, o el mejor en su clase, identifica
áreas de oportunidad de mejora a nivel negocio u operativo. Sigue los pasos siguientes:
 Determinar las prácticas actuales

 Identificar las mejores prácticas
 Analizar las mejores prácticas
 Modelar las mejores prácticas
 Repetir el ciclo
Página 16 de 134
Análisis del consumo específico de gas natural ó
régimen térmico Kcal/KWh
2700 2646
2650
2600 2542
2550 Promedio Unidad 1
2500 2466
Promedio 3 años CTVM
2450
2376 2388
2400
Promedio CFE
2350
2300 FPL USA P Deming
2250
2200 Nerc USA
Promedio Promedio 3 Promedio FPL USA P Nerc USA
Unidad 1 años CTVM CFE Deming
Figura 3.1.4.1 Análisis del régimen térmico CTVM 2007
Gestión de equipos de trabajo

Formación de equipos de trabajo
 Debe haber un líder o dueño del proceso
 Un secretario
 Tomador de tiempo
 Facilitador
 Miembros involucrados con el proceso, según Belbin: existe el formador, implementador,
coordinador, compañero, investigador, innovador, especialista
Etapas de desarrollo del equipo

 Formación
 Integración
 Normas
 Desempeño u operación
Las presentaciones dan la oportunidad de:

 Mostrar habilidades
 Mostrar logros
 Resumir proyectos
 Obtener aprobaciones necesarias de la dirección
 Mantener líneas de comunicación con la dirección
 Demostrar comprensión de las necesidades reales del cliente
Reconocimiento al equipo
Al finalizar el proyecto Seis Sigma es conveniente dar un reconocimiento a los participantes:
 Materiales: Tangibles, Intangibles, Satisfacción, amistad, aprendizaje, agradecimiento,
prestigio
 Ver ejemplos de aplicación en CFE
Página 17 de 134
II. Seis Sigma – Fase de Definición

Propósitos
 Selección inicial del proyecto
 Identificar a los clientes del proceso o producto y áreas afectadas
 Definir las CTQs (características críticas para la calidad) desde la perspectiva del cliente
 Desarrollar una Declaración Refinada del Problema
 Definir el alcance del proyecto en un nivel específico manejable (Project, Team Charter o
Contrato del proyecto)
 Documentar las actividades en programa del Proyecto
Selección inicial del proyecto

Diagrama de afinidad – Método KJ (Kawakita Jiro)
Diagramas de Afinidad reúne hechos e ideas para desarrollar patrones de pensamiento. Los pasos
son:
 Definir el problema bajo consideración
 Tener Post its
 Anotar ideas, datos, hechos, opiniones, etc.
 Diagrama de afinidad
 Poner las notas en una pizarra o pared
 Arreglar los grupos dentro de patrones de pensamiento similares o categorías
 Desarrollar una categoría principal para cada grupo (tarjeta de afinidad)
 Dibujar el diagrama de afinidad
Página 18 de 134
Matriz de prioridad
Esta matriz identifica los aspectos y preocupaciones clave y permite generar alternativas. La
necesidad es determinar la opción a utilizar. Ejemplos:
Se puede usar una matriz de selección con ponderación de diversos aspectos como la siguiente:
PRÁCTICA 2.1 Hacer una selección de un problema de entre varios problemas atacables,
considerar por ejemplo la importancia, urgencia, costos, beneficio al cliente, facilidad de solución,
dificultad, etc. Como opción se puede seleccionar la mejor solución para una actividad.
Definición de los clientes y áreas afectadas
Página 19 de 134
Los clientes son los receptores del servicio o producto, se puede escuchar su voz de forma reactiva
(quejas, reclamaciones, etc.) o proactiva (encuestas, entrevistas, grupos focales, etc.).
Las áreas afectadas con el proyecto, son las áreas y departamentos que serán impactados con el
proyecto, también se denominan Stakeholders.
Definición de CTQs
 Son las características del producto/servicio que son importantes desde el punto de vista
del cliente
Requerimientos clave
Valor generado cadena
ACC/CENACE ó Factor Crítico Indicador
de valor usuarios finales
clientes y usuarios finales
1. Precio competitivo $/MWh
Precio competitivo a los
(Consumo gas natural ó Kcal / Kwh (De acuerdo
usuarios finales de CFE
control del régimen térmico) a la Unidad)
2. Calidad de la regulación: Frecuencia: 60 Hz ± 0.2
No variaciones en el
Control de frecuencia y
suministro de energía
control de voltaje Voltaje: 230,000 Volts ±
eléctrica
1000
3. Cantidad de energía
100% Cumplimiento Cero interrupciones en el
entregada
programa suministro de EE
Cero interrupciones en el
suministro de EE y
4. Confiabilidad Conf = (100% - % Falla participación en la regulación
propia) = 97.69% de frecuencia y voltaje en el
Sistema Eléctrico Nacional
(SEN)
Cero interrupciones en el
suministro de EE y
Disp= (100% - (%Falla
5. Disponibilidad participación en la regulación
+ % Matto - % ajenos))
de frecuencia y voltaje en el
= 88.50%
Sistema Eléctrico Nacional
(SEN)
Figura 3.1.9.1 Tabla de Factores Críticos del Cliente
 Árbol de Críticos para la calidad (CTQs) = Y`s:

o Avanzar con más niveles conforme se requieran (2,3)
o Validar los requerimientos con el cliente. Revisar el árbol de CTQs con el cliente.
Calidad de Frecuencia Hertz
la energía Economía Precio
Voltaje Volts
Críticos para X (CTX)

 CTQ – Críticos para la calidad
o Cumplir con requerimientos del mercado y técnicos
o Proporcionar productos y servicios excelentes
 CTC – críticos para el costo
o Consumo de combustible
o Costos de operación
 CTP – Críticos para el proceso
Página 20 de 134
o Reducir los tiempos de ciclo y tiempos muertos por mantto.
o Maximizar el régimen térmico
 CTD – críticos para la entrega
o Confiabilidad, disponibilidad,
o Cantidad de energía eléctrica entregada
 CTS – críticos para la seguridad
o Proporcionar ayudas visuales e instrucciones claras
o Proporcionar EPP adecuado
CT’s
CTC CTQ CTD

 Confiabilidad
Precio Competitivo Calidad de regulación de  Disponibilidad
 Régimen Térmico  Control de frecuencia
 Control de voltaje
 Cantidad de energía
eléctrica entregada
Figura 3.1.9.2 Diagrama de Árbol CT´s Cliente
Costos de calidad
 Los costos de calidad son un vehículo para identificar oportunidades de reducción de

costos por medio de mejoras al sistema
 Las categorías de los costos de calidad son:
o Costos de prevención – capacitación, documentación
o Costos de evaluación – pruebas e inspecciones
o Costos de falla interna – fallas y errores en la empresa
o Costos de falla externa - fallas y errores con el cliente
 Bases de comparación
o Ingresos, costos de transformación, etc.
Diagrama de Pareto
 En la fase de Definición, el diagrama de Pareto ayuda a seleccionar proyectos y manejar el
alcance de este. Define la oportunidad del proyecto y provee el impacto medible de las
acciones correctivas
Página 21 de 134
Identifica y separa en forma crítica las pocas causas que provocan la mayor parte de los problemas
o fallas. El principio enuncia que aproximadamente el 80% de los efectos de un problema se debe
a solamente 20% de las causas involucradas.
Ejemplo de diagrama de Pareto:
El departamento de mantenimiento tiene registrada una lista de las fallas que se han recibido
durante el último mes como sigue:
Tipo de Falla No
Fallas
A) Falla de motores 1
B) Componentes mal ensamblados 6
C) Falla de componentes 7
D) Errores en documentación 1
E) Fallas por descargas 3
F) Fallas de equipo de medición 2
G) Falla de sensores 25
H) Falla de reguladores 1
I) Puesta a punto inapropiada 23
J) Trabajos con errores 1
Página 22 de 134
Ordenando las cantidades de fallas de mayoy a menor, se determinan las columnas de: fallas
acumuladas, porcentaje relativo de cada tipo de falla y porcentaje acumulado por tipo de falla.
Tipo_Falla No_ Fallas Fallas % relativo % relativo
acumuladas acumulado
G) Falla de sensores 25 25 35.71 35.71
I) Puesta a punto inapropiada 23 48 32.86 68.57
C) Falla de componentes 7 55 10 78.57
B) Componentes mal
6 61 8.57 87.14
ensamblados
E) Fallas por descargas 3 64 4.29 91.43
F) Fallas de equipo de medición 2 66 2..86 94.29
A) Falla de motores 1 67 1.42 95.71
D) Errores en documentación 1 68 1.42 97.73
H) Falla de reguladores 1 69 1.42 98.53
J) Trabajos con errores 1 70 1.4 100.00
Agrupando los valores de 1 en una columna de otros se tiene:

Tipo_Falla No_Fallas Fallas % relativo % relativo
acumuladas acumulado
G) Falla de sensores 25 25 35.71% 35.71%
I) Puesta a punto inapropiada 23 48 32.86% 68.57%
C) Falla de componentes 7 55 10.00% 78.57%
B) Componentes mal
6 61 8.57% 87.14%
ensamblados
E) Fallas por descargas 3 64 4.29% 91.43%
F) Fallas de equipo de medición 2 66 2.86% 94.29%
Otros 4 70 5.71% 100.00%
Página 23 de 134
Se grafican las columnas de tipo de falla y fallas acumuladas o porcentaje relativo y porcentaje
relativo acumulado en Excel quedando como:
 Seleccionar las columnas en amarillo o verde.

 Insertar una gráfica de columnas
 Dos clicks en la gráfica acumulada y cambiar a tipo de gráfica de línea
120.00%
100.00%
80.00%
60.00%
40.00%
20.00%
0.00% % relativo
% relativo acumulado
Diagrama de Pareto en Minitab

1. Capture los datos en la columna C1 (Tipo_Falla), en la columna C2 (No_Fallas)
2. Seleccione: Stat>Quality Tools>Pareto Chart
3. Seleccionar la opción Chart defects table , en el campo labels in seleccione: C1 y en Frequencies
in seleccione: C2. Combine defects after the first 95%. OK
Página 24 de 134
Pareto Chart of Tipo de Falla

70 100
60
80
No Fallas
50
Percent
40 60
30 40
20
10
20
0 0
Tipo de Falla s a s s s n s r
o re iad nte
a do r ga ició ore the
l t
ns op ne b ca ed o O
se a pr po a m
d es m e
m
d e in m ns r e d
to co le po
d
lla
a ll a n d e a s ipo a
F pu la m l la eq
u F
G) a al tes Fa e A)
ta F n ) d
es C) ne E s
Pu po a lla
I) m F
) Co F)
B
No Fallas 25 23 7 6 3 2 1 3
Percent 35.7 32.9 10.0 8.6 4.3 2.9 1.4 4.3
Cum % 35.7 68.6 78.6 87.1 91.4 94.3 95.7 100.0
Las fallas G,I y C representan el 78.6%, siendo en estas en las que debemos de enfocarnos primero
a resolver, iniciando con la G.
PRÁCTICA 2.2 Hacer un diagrama de Pareto con los principales defectos en una máquina o
componente que se presentan en un periodo de tiempo:
Tipo de falla Descripción de la falla Frecuencia
A
B
C
D
E
F
Página 25 de 134
G
H
I
J
K
Etc.
Ordenado y calculando las columnas adicionales queda como:
Definición del proyecto

 Atacar al problema en general no funciona, ya que es fácil equivocarse tratando de hacer
todo a la vez
 En la práctica, es más efectivo enfocarse en un componente específico del problema. Una

definición del problema enfocado describe específicamente que ocurre, cuando o en qué
circunstancias ocurre, y/o quien está involucrado
Identificar CTQs del proceso o X’s para satisfacer CTQs del proyecto Y (Drill Down)
Página 26 de 134
 Interrupciones de energía Y = ƒ(X1, X2, X3, X4)
 Fallas en los equipos de generación
 Falta de suministro de gas
 Fallas en el sistema de agua desmineral. Xs: Y = ƒ(X1, X2)

 Mantenimiento preventivo
 Mantenimiento predictivo
 El alcance del proyecto debe estar limitado a los

factores que representan la principal diferencia:
Y = ƒ(X1)
 Mantenimiento preventivo
Estratificación
Se utiliza para separar el problema general en los estratos que lo componen, por ejemplo,
por áreas, departamentos, productos, proveedores, turnos, etc. Clasificación de los datos
o factores sujetos a estudio en una serie de grupos con características similares.
Y = f(X1, X2, X3, X4,…….)
Problema de fallas
Fallas por unidad
Fallas por equipo
Estratificación de un problema
PRÁCTICA 2.3 Describir un ejemplo de estratificación de un problema.

Primer nivel:
Segundo nivel:
Tercer nivel:
Cuarto nivel:
Página 27 de 134
DEFINICIÓN DEL PROBLEMA
1. ¿Se ha contestado la pregunta que está mal con qué?
2. ¿Se ha hecho varias veces la pregunta ¿sabemos con certeza porqué está ocurriendo esto?
3. ¿Se ha definido el problema en términos de EQUIPO y FALLA?
4. ¿Se ha hecho el análisis ES / NO ES (qué, dónde, cuándo y cuánto)?
5. ¿Se ha definido el flujo del proceso y si ha habido cambios?
6. ¿Se ha identificado en que paso del proceso aparece el problema?
7. ¿Se ha revisado si los componentes similares tienen el mismo problema?
8. ¿Se han colectado y analizado todos los datos?
9. ¿Se ha obtenido evidencia física del problema?
Justificación económica de proyectos Seis Sigma

Análisis para obtener la aprobación del proyecto:
 Identificar los beneficios del proyecto: monto, tiempo, duración
 Identificar los factores de costo del proyecto (personal, recursos) así como los gastos del
periodo
 Calcular la ganancia neta por periodo
 Calcular los índices financieros (TIR, VPN, etc.)
 Determinar si el proyecto se implementará (antes de iniciarlo) o si fue benéfico (después
de completarlo)
 Si no da beneficios, pero de todas formas se debe implementar, justificarlo (ambiente,
seguridad)
Ejemplo al reducir los días de mantenimiento mayor:
CÀLCULO FINANCIERO
DATOS:
GENERACION BRUTA = 2,042.958 MWH AL AÑO
ENERGIA NO GENERADA = 432,000 MWH (21.14 %)
MTTO 60 DIAS
ENERGIA NO GENERADA = 324,000 MWH (15.86 %)
MTTO 45 DIAS
UTILIDAD = $141.40 MWH AÑO 2004
CONSIDERACIONES:
Un mantenimiento mayor de 60 días nos representan 432,000 MWH de energía no
Página 28 de 134
generada. Si se logra la Meta de realizar el mantenimiento en 45 días, se tendrá como
resultado 324,000 MWH de energía no generada.
Por lo tanto; 432,000 - 324,000 = 108,000 MWH de diferencia que serian Ventas al
cliente por lo que el Beneficio esperado de este proyecto es:
108,000 x 141.40 = Beneficio = $15’271,200.00 = $ 1,414,000 USA a un t/c $ 10.80/USA
PRÁCTICA 2.4 Aplicación del método del valor presente neto y de la tasa interna de rendimiento
en la justificación de proyectos
Asumiendo un interés del 15% y costo del equipo de $15,000

Interés 0.15
Inversión -15,000
Beneficios
Año 1 5,000
Año 2 5,000
Año 3 5,000
Año 4 5,000 VNA = Valor presente en Excel Fx Financieras = VNA(0.15,
Año 5 9,000 rango)
VPN = Valor presente neto = VNA – costo del equipo = $3,749.48 - Costo del equipo
Conclusión: Si VPN es positivo si conviene la inversión
Interés 0.15
Inversión -15,000
Año 1 5,000
Año 2 5,000
Año 3 5,000
Año 4 5,000
Año 5 9,000
TIR = Tasa interna de rendimiento = TIR( rango)= 24%
Conclusión: Si el TIR es mayor que la TREMA de la empresa, el proyecto es viable
Evaluar áreas potenciales de riesgo de negocio como:

 Cambios en la tecnología
 Competencia
 Falta de materiales
 Reglamentaciones y problemas de seguridad e higiene
 Reglamentaciones y problemas ambientales
 Riesgos asegurables (propiedad, pérdidas, responsabilidad legal)
Página 29 de 134
Contrato de proyecto
Es el compromiso formal del equipo y de la dirección, en la ejecución del proyecto
 Caso de negocio  Impacto financiero
 Beneficios estimados
 Descripción general del  Costos estimados
problema
 Recursos
 Alcance  Nombre, Rol
 Otros participantes
 Meta medible
 Planes del proyecto
 Sigmas  Fechas arranque y final por cada
fase DMAIC
 Eventos parciales a revisar
El contrato del proyecto (Project Charter) debe incluir:

 Caso de negocio (alineación con objetivos mayores e impacto financiero)
 Enunciado del problema
 Alcance del proyecto (límites)
 Establecimiento de metas
 Rol de los miembros del equipo
 Metas intermedias y productos finales
 Recursos requeridos
Caso del negocio:

 Resumen de las razones estratégicas para el proyecto.
 Incluye aspectos de calidad, costo, producto final con justificación financiera
 Por qué hacer el proyecto
 Importancia de hacer el proyecto ahora
 Consecuencias de no hacer el proyecto
 Prioridades
 Importancia del proyecto en relación a las estrategias de la empresa -
 Aumentar el nivel de disponibilidad del 95 al 98%
Enunciado del problema

 Detalla el tema que el equipo quiere mejorar, tan descriptivo como sea posible. “El tiempo
de mantenimiento correctivo planeado para la Unidad 1 es de un mes, lo que impacta en
el nivel de disponbilidad del 95% anual”
Página 30 de 134
Alcance del proyecto
 Se refiere a los límites del proyecto o acotaciones. “El proyecto se desarrollará durante el
mes de diciembre”
Establecimiento de las metas

 Una regla común es la reducción del 50% en alguna de las métricas o su reducción en 50%
 “Reducir el tiempo de mantenimiento planeado para la Unidad 1 de un mes a 15 días”
Roles de los miembros de los equipos

 Los miembros deben ser gente calificada con la suficiente experiencia para realizar lo
establecido en la misión del equipo
 Definir sus roles, responsabilidades y expectativas
PRÁCTICA 2.5 Contrato de proyecto
ES NO ES
QUÉ: QUÉ:
Nombrar el equipo que tiene la falla Nombrar equipos similares que pudieran
tener la falla pero no la tienen
Nombrar la falla o problema que se está Nombrar otras fallas o problemas que el
observando equipo pudiera tener pero no tiene
DÓNDE: DÓNDE:
Lugar donde se encuentra el equipo con falla Otros lugares donde el equipo puede ser
encontrado sin falla
Lugar donde primero se muestra la falla Otros lugares donde el equipo pudiera
mostrar falla pero no tiene
Otros lugares donde el problema ocurre o ha Lugares similares donde el problema nunca
ocurrido ha ocurrido
Página 31 de 134
Donde en el equipo ocurre el problema Donde en el equipo pudiera haber ocurrido

(dentro, fuera, parte sup., inf., etc.) el problema, pero no ocurre
CUÁNDO: CUÁNDO:
En qué momento ocurrió el problema (día, Cuando pudo haber ocurrido el problema,
mes, año, hora, etc.) pero no ocurrió
Cuándo ocurrió el problema en el equipo Cuándo en el equipo pudo haber ocurrido el

problema pero no ocurrió
Cuándo ocurrió el problema dentro del ciclo Cuándo dentro del ciclo de vida del ciclo de
de vida del equipo vida del equipo pudo haber ocurrido el
problema pero no ocurrió
CUÁNTO: CUÁNTO:
Describir la magnitud del problema falla o Describir los límites del problema, falla o
defecto defecto
Cuántos equipos tienen o han tenido el Cuántos equipos podrían haber tenido el
problema, falla o defecto problema, pero no lo tienen
Determinar la magnitud del problema en Describir qué pudo haber sido pero no es.
términos de %, rendimiento, etc.
Describir el número de fallas por equipo Describir qué pudo haber sido pero no lo es
Página 32 de 134
1. Nombre del proyecto
2. Alineación del proyecto con estrategias y objetivos (caso negocio)
3. Alcance del proyecto

Incluye:
No incluye:
4. Benchmarking
5. Meta medible con sus Métricas y sigmas del proceso

Desempeño actual, identificación de la línea base:
Métricas del proyecto específicas:
PPM, DPMOs, DPUs:
Yrt, sigmas del proceso:
6. Fecha inicial y final

Inicio:
Página 33 de 134
Terminación:
7. Metas intermedias y programa de trabajo:
Ejemplo:
Metas intermedias Fecha de revisión
Contrato de proyecto Nov. 1
Reunión inicial del equipo Nov. 1
Caracterización del proceso SIPOC Nov. 4
Métrica de la línea base (actual) Nov. 28
Establecer el enfoque y evaluar situación Feb. 10
Analizar causas Feb. 20
Probar soluciones y verificarlas Mar. 15
Implementar cambios Pend.
Cierre del proyecto Pend.
Metas intermedias Fecha de revisión
8. Justificación financiera del proyecto (ROI,TIR,NPV)

Costos estimados del proyecto (recursos e inversiones):
Página 34 de 134
Vida útil del proyecto:
Beneficios tangibles estimados por año:
Tasa Interna de rendimiento:
Beneficios intangibles del proyecto:
9. Análisis de riesgos del proyecto:
Riesgos de no hacer el proyecto:
Evaluar riesgos del proyecto respecto a cambios en la tecnología, competencia, falta de

refacciones, reglamentaciones de seguridad e higiene y ambientales, etc.:
Supuestos para lograrlo:
Obstáculos potenciales:
Áreas afectadas, comunicación y responsabilidades:
Áreas afectadas: Responsable: Comunicación: Responsabilidades:
10. Equipo de trabajo:
Champion / Promotor:
Página 35 de 134
Black Belt o asesor:
Dueño del proceso:
Líder de proyecto o Green Belt:
Miembros del equipo:
Personal de apoyo:
Diagrama SIPOC
 Identifica el flujo de las actividades y fuentes de variación en el proceso. Incluye
proveedores, entradas, procesos, resultados y clientes
Mapa de proceso SIPOC (Proveedores, Entradas, Salidas, Clientes)

Procesos y sistemas Salidas
Entradas
Provee-
dores
Clientes
Retroalimentación Retroalimentación
Banco de información
Ejemplo: Proceso de generación de energía en una termoeléctrica
Proveedores Entradas Proceso Salidas Clientes

PEMEX Entrega de
Gas Generación CENACE
Comisión energía
Agua Termoeléctrica Cliente final
Nacional del Agua eléctrica
Planta de
Insumos Gas Generador Usuario
tratamiento Turbogenerador Subestación Transmisión CENACE
y Agua de Vapor Final
de agua
Figura 3.1.10.1.1 Mapa de proceso de primer nivel
PRÁCTICA 2.6 Realizar un ejemplo de Diagrama SIPOC de un proceso o equipo:
Página 36 de 134
Proveedores Entradas Pasos generales. Salidas Clientes

del proceso
Programa de Trabajo
Se realiza para planear las actividades para la solución del problema, a continuación se muestran
algunos ejemplos:
Página 37 de 134
III. Seis Sigma – Fase de Medición

Propósitos:
 Determinar requerimientos de información para el proyecto
 Definir las Métricas de los indicadores del Proceso
 Identificar el objetivo de desempeño
 Desarrollar un Plan de Colección de Datos
 Realizar un Análisis del Sistema de Medición (MSA)
 Llevar a cabo la recolección de datos
 Determinar la capacidad del proceso, línea base y afinar la meta
Salidas
 Diagnóstico de la situación actual del problema y línea base
Mapas de proceso y diagramas de flujo
En la Fase de Medición, el mapa del estado actual debe de ser creado para:
 Mostrar detalladamente los pasos del proceso específico o series de procesos
 Determinar las fuentes de variación y las características de salida para cada paso
o ¿Cuáles son las entradas? ¿Cuanto pueden variar?
o ¿Cuáles son las salidas? ¿Cuánto pueden variar?
 Identifica cuales son los datos que necesitan ser recopilados
Página 38 de 134
Se utiliza para identificar los procesos, las características críticas en cada uno, la forma de
evaluación, los equipos a usar, los registros y plan de reacción, se tienen los tipos
siguientes:
 Diagramas de flujo de proceso detallados
 Diagramas físicos de proceso
 Diagramas de flujo de valor
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.
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.
Página 39 de 134
Página 40 de 134
PRACTICA 3.1 Diagrama de flujo de un proceso pequeño o subproceso
DIAGRAMA DE FLUJO DE PROCESO

Legenda:
Operación Transporte Inspección Espera/retraso Almacenaje
PASO
Operación o Evento Descripción de Evaluación

Operación o evento y Métodos de análisis
Matriz de causa efecto

Entradas y salidas del proceso
 Antes de mejorar un proceso, primero debe medirse, identificando sus variables de
entrada y de salida, y documentando su relación en diagramas de causa efecto, matrices
de relación, diagramas de flujo, etc. (1-poca, 3-media, 9-alta relación)
Página 41 de 134
Recolección de datos
Tipos de información
 Datos Continuos  Datos Discretos
 Se obtienen a través de un  Incluye
sistema de medición, su porcentajes, conteos, atrib
utilidad depende de la utos y ordinales
capacidad del sistema de
medición.  Las ocurrencias deben ser
 Las ocurrencias independientes
consistentes se pueden
manejar como datos
continuos
Continuos Discretos
87
Datos Tipo
Temperatura de vapor Continuo
Fallas de la bomba Discreto: Porcentaje o cuenta
Tiempo de mantenimiento Continuo
Cantidad de contaminantes Continuo
Fallas de Maquinaria Discreto: Porcentaje o cuenta
Tiempo del ciclo de arranque Continuo
Perdida de clientes Discreto: Porcentaje o cuenta
Errores en reportes Discreto: cuenta
Cambios en la agenda o el plan Discreto: cuenta
Porcentaje de reportes que Discreto: Porcentaje
tienen que ser rectificados
Hoja de verificación o registro

Es una hoja con un formato diseñado de acuerdo a las necesidades específicas de la
colección de datos, tiene encabezados con los datos de parámetros del proceso (fecha,
hora, máquina, operador, turno, etc.) y un cuerpo para el registro de los datos de una
inspección o muestreo, estos datos posteriormente se cuentan o se aplican a otras
herramientas estadísticas.
TIPO DE FALLA LUNES MARTES MIÉCOLES JUEVES VIERNES TOTAL

Eléctrica ||||| | ||||| ||||| ||| ||||| || ||||| |||| 35
Mecánica | ||| ||| || | 10
Instrumentación ||||| | | | ||| 11
Página 42 de 134
Operación || ||| | | || 9
Atmósfera ||| | || ||| | 10
TOTAL 17 13 15 14 16 75
PRÁCTICA 3.2 Hacer la siguiente hoja de registro:
Edad del grupo Registro (|||…) DATOS NUMERICOS

25 – 29.9 años
30 – 34.9 años
35 – 39.9 años
40 – 44.9 años
45 – 49.9 años
50 en adelante
Comprendiendo la variación
¿Qué es la variación?
 La diferencia entre las cosas
 La mayoría de las veces la variación es natural
 Factores que causan la variación
o Material
o Maquinaria
o Mano de obra o personal
o Método
o Naturaleza
o Mediciones
o La variación es inherente a todos los procesos
 Se tienen causas comunes y causas especiales
Estadística Descriptiva:
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)
Página 43 de 134
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.
Para poder obtener consecuencias y deducciones válidas de los datos de un estadístico, 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. Comenzaremos por definir estas medidas:
Medidas de tendencia central y de dispersión

Medidas de tendencia central
 Media: ( x̄ ) Es el promedio aritmético de todos los valores que componen el conjunto de
datos.
~
 Mediana: ( x ) Los datos de "n" observaciones son ordenados del más pequeño al más
grande, Si el tamaño de la muestra es "non" la mediana es el valor ordenado en la posición
(n+1)/2, si es "par" la mediana es el promedio de los dos valores que se encuentran al centro.
 Media acotada (Truncated Mean): Se elimina un porcentaje de valores más altos y bajos de
un conjunto dado de datos y se calcula la media para los restantes.
Medidas de dispersión
Para comprender el concepto de varianza, supóngase que tenemos los datos siguientes de los
cuales queremos saber que tan dispersos están respecto a su media:
2, 3, 4, 5, 6 con media = 20/5 = 4
Si tomamos la suma de diferencias de cada valor respecto a su media y las sumamos se tiene:
(-2) + (-1) + (0) + (1) +(2) = 0
Por lo que tomando diferencias simples no es posible determinar la dispersión de los datos.
Si ahora tomamos esas mismas diferencias al cuadrado y las sumamos se tiene:
4 + 1 + 0 + 1 + 4 = 10
Varianza de los datos

Es una medida que nos ayuda a comprender la variabilidad de los datos, que tan distanciados
están de la media
 Poblacional (σ2 ) Se obtiene dividiendo el valor anterior entre n = 5, o sea el promedio de
la suma de las diferencias al cuadrado, tomando n datos.
( xi− x̄ )2
σ 2 =∑
n
 Muestral (s2 ) Se obtiene dividiendo el valor anterior entre n - 1 = 4, o sea el promedio de
la suma de las diferencias al cuadrado, tomando n -1 datos.
2( xi− x̄ )2
s =∑
n−1
Página 44 de 134
 Desviación estándar: Es la raíz cuadrada de la varianza:
(xi − x̄ )2
Para el caso de una población
σ=
√ ∑ n
muestra
( xi− x̄ )2

s=
√ ∑ n−1
Rango ( R ): es la diferencia positiva entre el valor mayor y el valor menor de un conjunto
de datos.
 Coeficiente de Variación (CV): Se utiliza para comparar la dispersión de dos conjuntos de
datos con unidades diferentes.
s
Coeficiente. de . var iación=CV = (100)
X̄
Ejemplo: Se toman muestras de la temperatura de vapor de dos equipos como sigue:
Muestra 1: 230 250 245 258 265 240
Muestra 2: 190 228 305 240 265 260
Calcule la desviación estándar para ambas muestras.

Muestra (Xi-
Muestra 1 (X-Xmedia) (Xi-Xmedia)^2 2 (X-Xmedia) Xmedia)^2
230 -18 324 190 -58 3364
250 2 4 228 -20 400
245 -3 9 305 57 3249
258 10 100 240 -8 64
265 17 289 265 17 289
240 -8 64 260 12 144
Xmedia Varianza Suma Xmedia Varianza Suma
248 158 790 248 1502 7510
Muestra 1: Muestra 2
⃗x =248 ⃗x =248
Suma(Xi - x̄ )2 = 790 Suma(Xi - x̄ )2 = 7510
n-1=5 n-1 = 5
790 7510
s= √ 5= 12.56
Rango = 265 – 230 = 35
s= √ 5
= 38.75
Rango = 305 – 190 = 115
CV = 12.56/248*100= 5.06% CV = 38.75/248*100 = 15.625
Aunque la media en ambas muestras es la misma, la desviación estándar (s), rango y coeficiente de
variación, son menores en la muestra 1, por lo cual deducimos que presenta menor variabilidad.
PRÁCTICA 3.3
Página 45 de 134
Se desea hacer un estudio estadístico del flujo de agua, para esto es necesario tomar una muestra
y calcular la media, mediana, media acotada al 15%, desviación estándar, rango y coeficiente de
variación. Se realizan 14 observaciones arrojando los siguientes resultados en ºC:
(Xi- Xi
Xi Xmedia) (Xi-Xmedia)^2 ordenado
2.1 2.0
3.8 2.1
4.0 2.4
4.0 2.5
3.1 2.6
2.9 2.8
2.5 2.9
3.6 2.9
2.0 3.0
2.4 3.1
2.8 3.6
2.6 3.8
2.9 4.0
3.0 4.0
Xmedia Varianza Suma
3.0
Media
Mediana
Moda
Rango
Varianza
Desviación estándar
Coeficiente de variación
PRÁCTICA 3.4 Repetir lo anterior con datos del grupo

Otras medidas de dispersión: percentiles y quartiles
Cada conjunto de datos ordenado tiene tres cuartiles que lo dividen en cuatro partes iguales. El
primer cuartil es ese valor debajo del cual clasifica el 25% de las observaciones y sobre el cual se
encuentra el 75% restante. El segundo cuartil divide a los datos a la mitad similar a la mediana.
Los deciles separan un conjunto de datos ordenado en 10 subconjuntos iguales y los percentiles en
100 partes, la ubicación de un percentil se encuentra en:
P
L p =(n+1 )
100
Página 46 de 134
Donde:
Lp es el sitio del percentil deseado en una serie ordenada

n es el número de observaciones
P es el percentil deseado
Por ejemplo para el conjunto de datos siguiente:

No. Xi No. Xi No. Xi No. Xi No. Xi
1 3 11 19 21 34 31 48 41 67
2 4 12 20 22 34 32 48 42 67
3 7 13 21 23 36 33 52 43 69
4 9 14 25 24 37 34 53 44 72
5 10 15 27 25 38 35 56 45 73
6 10 16 27 26 38 36 56 46 74
7 12 17 29 27 39 37 59 47 74
8 14 18 31 28 43 38 62 48 76
9 15 19 31 29 45 39 63 49 79
10 17 20 34 30 47 40 64 50 80
La localización del percentil 35 se halla en:
35
L35=(50+1 ) =17 . 85
100
O sea que el percentil 35 está al 85% del trayecto comprendido entre la observación 17 que es 29
y la observación 18 que es 31 o sea L35 = 29 + (0.85)(31-29) = 30.7. Por tanto el 35% de las
observaciones están por debajo de 30.7 y el 65% restante por encima de 30.7.
De la misma forma los percentiles 25, 50 y 75 proporcionan la localización de los cuartiles Q1, Q2 y
Q3 respectivamente.
 Q1: es el número que representa al percentil 25 (hay 25% de los datos por debajo de este).
 Q2 o Mediana: es el número que representa al percentil 50 (hay 50% de los datos por
debajo de este).
 Q3: es el número que representa al percentil 75 (hay 75% de los datos por debajo de este).
 Rango o Recorrido intercuartílico: es la diferencia entre Q1 y Q3.
Página 47 de 134
DIAGRAMA DE CAJA
Es la representación gráfica de los datos en forma de caja:
Bigote sup.
Q3 + 1.5 RIC
1050
Máximo
Q3
Weight
950
Q2 Mediana
Q1
850
Mínimo
Q1 – 1.5RIC
Bigote inf.
Rango
intercuartílico = Valores
RIC = Q3 – Q1 atípicos
En Excel:
Indicar rango de datos con rótulo, rango donde se desea la salida y resumen de estadísticas
1. En el menú Herramientas seleccione la opción Análisis de datos. Datos de ejemplo anterior
2. Seleccione la opción Estadística descriptiva.
3. Seleccione el rango de entrada, estos corresponden a los datos numéricos de la tabla.
4. Seleccione Resumen de estadísticas.
5. En opciones de salida seleccione en Rango de salida, una celda de la hoja de cálculo que este
en blanco ( a partir de esta celda serán insertados los resultados
Por ejemplo para el conjunto de datos anterior se tiene:
Datos
Mean 40.96
Standard Error 3.21983141
Median 38
Mode 34
Standard Deviation 22.7676462
Sample Variance 518.365714
Kurtosis -1.1552822
Skewness 0.08139928
Range 77
Página 48 de 134
Minimum 3
Maximum 80
Sum 2048
Count 50
Para los cuartiles:

Fx Estadísticas Cuartil
Q1 = 22 Q2 = 38 Q3 = 61.25
En Minitab:
Para la obtención de las estadísticas descriptivas con Minitab las instrucciones son:
Stat > Basic statistics > Display descriptive statistics
Indicar las variables de las cuales se quieren obtener las estadísticas básicas y la variable
categórica si se desean varios grupos.
Seleccionar las gráficas opcionales para los datos: Histograma, diagrama de caja y de puntos.
Seleccionar los estadísticos específicos que se desean obtener (variance, Mode, Interquartilic
range:
Página 49 de 134
Los resultados son:
Descriptive Statistics: Datos
Variable N N* Mean SE Mean StDev Variance Minimum Q1 Median

Datos 50 0 40.96 3.22 22.77 518.37 3.00 20.75 38.00
N for
Variable Q3 Maximum IQR Mode Mode Skewness Kurtosis
Datos 62.25 80.00 41.50 34 3 0.08 -1.16
Boxplot of Datos
90
80
70
60
50
Datos
40
30
20
10
Página 50 de 134
PRÁCTICA 3.5. Determinar los cuartiles 1, 2, y 3, el rango intercuartílico, los bigotes superior e
inferior y el diagrama de caja del conjunto de datos siguente:
No. Xi No. Xi No. Xi

1 2.41 11 17.9 21 33.5
2 3.34 12 18 22 33.8
3 4.04 13 18.7 23 34.6
4 4.46 14 19.9 24 35.6
5 8.46 15 20.2 25 35.9
6 9.15 16 20.3 26 36.1
7 11.6 17 24.2 27 36.1
8 12.7 18 28.8 28 36.8
9 13.2 19 30.4 29 36.9
10 15.5 20 30.6 30 37.2
Página 51 de 134
Q1
Q2 = mediana
Q3=
RIC
Q1-1.5*RIC
Q3+1.5*RIC
Diagrama de caja.
Diagramas de caja en Minitab:

1. Capture los datos en la hoja de trabajo:
2. Seleccione la opción: Graph> Boxplot
3. Seleccione la variable C1 de datos y presione clic en OK
4. A continuación se muestra el diagrama de caja:
Página 52 de 134
Representación gráfica de los datos
Las gráficas de barras pueden ser usados para mostrar una variable vs el “Tiempo”
Las gráficas de series de tiempo pueden ser usadas para mostrar la variación vs el “Tiempo” e
identificar si se presenta cierta tendencia o estacionalidad
Variable dependiente del tiempo
El “corrimiento” en las mediciones

Indica que están presentes variables
dependientes del tiempo
106
Régimen térmico U-1 CTVM

Kcal/KWh
2654
2652 2651.41
2649.29
2650
2648 2647.22 2646.69
2644.71 2645.77
2646
2644
Régimen Térmico
2642
2640 2641.10
2640.00
2638
2636
2634
Jul-07 Ago-07 Sep-07 Oct-07 Nov-07 Dic-07 Ene-08 Feb-08
Un histograma también sirve para identificar si el comportamiento de una variable es normal (P

value < 0.05):
Página 53 de 134
PRACTICA 3.6. Gráficas de series de tiempo con tendencia
Minitab:
1 File > Open worksheet > NEWMARKET.MTW.
2 Graph > Time Series Plot or Stat > Time Series > Time series plots
3 Simple, click OK.
4 En Series, SalesB.
5 Click Time/Scale.
6 En Time Scale, seleccionar Calendar. Y seleccionar Quarter Year.
7 Para valores iniciales en Quarter, 1. En Year, 2000.
8 Click OK en cada cuadro de diálogo.
Time Series Plot of SalesB

240
220
200
180
SalesB
160
140
120
100
Quarter Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4
Year 2000 2001 2002
Otras graficas:
Con los datos siguientes representar las diferentes gráficas:
Mes Dato
Ene 40
Feb 50
Mar 35
Abr 65
May 27
Jun 85
Jul 46
Ago 33
Sep 20
Página 54 de 134
Gráficas de barras
En Minitab: Graph > Bar chart > simple
Categorical variables – Mes
Data options > Frequency Dato OK
Chart of Mes
90 Jun
80
70 Abr
60
Feb
50
Count
Jul
Ene
40 Mar
Ago
30 May
Sep
20
10
0
Ene Feb Mar Abr May Jun Jul Ago Sep
Mes
Gráfica de pastel
En Minitab: Graph > Pie chart > simple
Categorical variables – Mes
Data options > Frequency Dato
Labels > Slide labels marcar Category name / Frequency / Percent OK
Pie Chart of Mes

Category
Sep Ene Ene
20, 5.0% 40, 10.0%
Ago Feb
33, 8.2% Mar
Abr
Feb May
50, 12.5% Jun
Jul Jul
46, 11.5% Ago
Sep
Mar
35, 8.7%
Jun
85, 21.2%
Abr
65, 16.2%
May
27, 6.7%
Página 55 de 134
Gráfica de caja
En Minitab: Graph > Box Plot > Simple
Graph variables Dato OK
Boxplot of Dato
90
80
70
60
Dato
50
40
30
20
Carta de tendencias (trend plot)

En Minitab: Stat > Time series > Trend analysis
Variables Dato
Time > Stamp Mes OK
Trend Analysis Plot for Dato

Linear Trend Model
Yt = 52.0 - 1.48333*t
90 Variable
A ctual
80 Fits
A ccuracy Measures
70 MA PE 36.860
MA D 14.732
60 MSD 345.578
Dato
50
40
30
20
Ene Feb Mar Abr May Jun Jul Ago Sep
Mes
Página 56 de 134
Gráfica de dispersión:
En Minitab:
File > Open worksheet > Exh_regr.mtw
Graph > Scatterplot > Simple
Y variables Time X variables South OK
Scatterplot of Time vs South

17
16
15
14
Time
13
12
11
10
32 33 34 35 36 37 38 39 40 41
South
PRÁCTICA 3.6a Con los datos del grupo hacer una gráfica de cada una
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. Se tienen las siguientes definiciones:
 Distribución de frecuencias: es un resumen tabular de un conjunto de datos que muestra

el número o frecuencia de artículos en cada una de varias clases que no se traslapan.
 Frecuencia relativa (f): Es la frecuencia de la clase dividida entre el total n de datos. Se
puede representar en porcentaje.
 Distribución de frecuencias porcentuales: es la representación de las frecuencias relativas
porcentuales.
 Frecuencia acumulada (F): es la acumulación secuencial de las frecuencias de cada clase.
PRÁCTICA 3.7 Con las edades del grupo construir un histograma
Página 57 de 134
Edad del grupo DATOS NUMERICOS
25 – 29.9 años
30 – 34.9 años
35 – 39.9 años
40 – 44.9 años
45 – 49.9 años
50 en adelante
Escala

50
25- 30- 35- 40- 45- y
29. 34. 39. 44. 49. má
9 9 9 9 9 s
Página 58 de 134
Ejemplo
Construir un histograma con la siguiente serie de datos:
2.41 17.87 33.51 38.65 45.70 49.36 55.08 62.53 70.37 81.21
3.34 18.03 33.76 39.02 45.91 49.95 55.23 62.78 71.05 82.37
4.04 18.69 34.58 39.64 46.50 50.02 55.56 62.98 71.14 82.79
4.46 19.94 35.58 40.41 47.09 50.10 55.87 63.03 72.46 83.31
8.46 20.20 35.93 40.58 47.21 50.10 56.04 64.12 72.77 85.83
9.15 20.31 36.08 40.64 47.56 50.72 56.29 64.29 74.03 88.67
11.59 24.19 36.14 43.61 47.93 51.40 58.18 65.44 74.10 89.28
12.73 28.75 36.80 44.06 48.02 51.41 59.03 66.18 76.26 89.58
13.18 30.36 36.92 44.52 48.31 51.77 59.37 66.56 76.69 94.07
15.47 30.63 37.23 45.01 48.55 52.43 59.61 67.45 77.91 94.47
16.20 31.21 37.31 45.08 48.62 53.22 59.81 67.87 78.24 94.60
16.49 32.44 37.64 45.10 48.98 54.28 60.27 69.09 79.35 94.74
17.11 32.89 38.29 45.37 49.33 54.71 61.30 69.86 80.32 96.78
Paso 1: Contar el número de datos n = 130

Paso 2: Calcular el rango R = Valor mayor – Valor menor, R = 96.78-2.41 = 94.37.
Generalmente los datos no están ordenados por lo cual resulta conveniente ordenarlos de menor
a mayor para tener una mejor visualización. En el ejemplo los datos ya han sido previamente
ordenados.
Paso 3: Seleccionar el número de columnas, mediante √n = √ 130=11.4≈11 . Por lo cual

el histograma se compone de 11 columnas
Paso 4: Calcular el tamaño del intervalo de clase ( C ), dividiendo el rango entre el número de
94 . 37
=8 .58≈9
columnas: C = 11 , resultando el tamaño del intervalo 9.
 Otra manera de calcular el tamaño del intervalo es el siguiente:
Dividir el valor del rango entre un cierto número de clases (K). La tabla de abajo es una guía que
nos muestra para diferentes cantidades de datos el número recomendado de clases a utilizar.
Número de datos (N) Número de clases (K)

Menos de 50 5–7
50 a 100 6 – 10
100 a 250 7 – 12
Más de 250 10 – 20
Página 59 de 134
Paso 5: Calcular los limites de clase de cada intervalo: [0-8], [ 9-17], etc., considerando que el
tamaño del intervalo representa la diferencia entre dos límites de clase adyacentes ya sean
inferiores o superiores.
Paso 6: Contar el número de valores que caen en cada intervalo utilizando una hoja de registro, de
esta manera se obtiene la frecuencia para cada intervalo.
Tabla 1.
Columna Intervalo Registro de frecuencias
1 0 -8 5
IIIII
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
Paso 7: Basándose en los datos anteriores construya el histograma.
Histogramas en Minitab:
2. Seleccione la opción: Graph> Histogram (simple)
3. Seleccione la variable C1 y presione clic en ok
Página 60 de 134
4. Seleccionado las barras dos veces en Binning se puede cambiar el número de celdas
con Number of intervals (6 – 8)
5. A continuación se muestra el Histograma:
Histogram of DATOS
40
30
Frequency
20
10
0
-10 20 50 80 110
DATOS
Prueba de normalidad en Minitab:

2. Seleccione la opción: Stat > Basic statistics
3. Seleccione la variable C1 y presione clic en ok
4. Seleccione la prueba de Anderson Darling si hay más de 15 datos o Kolmogorov
Smirnov si hay menos de 15 datos
5. A continuación se muestra la grafica normal, si P value > 0.05 los datos son normales.
Probability Plot of DATOS
Normal
99.9
Mean 50.05
StDev 22.50
99
N 130
AD 0.380
95 P-Value 0.399
90
80
70
Percent
60
50
40
30
20
10
5
0.1
0 30 60 90 120
DATOS
Página 61 de 134
PRÁCTICA 3.8
Las empresas de generación de energía eléctrica están interesadas en los hábitos de consumo de
los clientes para obtener pronósticos exactos de las demandas de energía. Una muestra de
consumidores de 90 hogares con calefacción de gas arrojó lo siguiente (FURNACE.MTW):
BTU.In_1
2.97 7.73 9.60 11.12 13.47
4.00 7.87 9.76 11.21 13.60
5.20 7.93 9.82 11.29 13.96
5.56 8.00 9.83 11.43 14.24
5.94 8.26 9.83 11.62 14.35
5.98 8.29 9.84 11.70 15.12
6.35 8.37 9.96 11.70 15.24
6.62 8.47 10.04 12.16 16.06
6.72 8.54 10.21 12.19 16.90
6.78 8.58 10.28 12.28 18.26
6.80 8.61 10.28 12.31
6.85 8.67 10.30 12.62
6.94 8.69 10.35 12.69
7.15 8.81 10.36 12.71
7.16 9.07 10.40 12.91
7.23 9.27 10.49 12.92
7.29 9.37 10.50 13.11
7.62 9.43 10.64 13.38
7.62 9.52 10.95 13.42
7.69 9.58 11.09 13.43
Realizar un histograma con 8 celdas:
Paso 1: Contar el número de datos n =
Paso 2: Calcular el rango R = Valor mayor – Valor menor, R =

Generalmente los datos no están ordenados por lo cual resulta conveniente ordenarlos de menor
a mayor para tener una mejor visualización. En el ejemplo los datos ya han sido previamente
ordenados.
Paso 3: Seleccionar el número de columnas, considerar 8.
Paso 4: Calcular el tamaño del intervalo de clase ( C ), dividiendo el rango entre el número de
columnas: C =Rango / 8, resultando el tamaño del intervalo = I = .
Paso 5: Calcular los limites de clase de cada intervalo: considerando que el tamaño del intervalo
representa la diferencia entre dos límites de clase adyacentes ya sean inferiores o superiores.
Página 62 de 134
Paso 6: Contar el número de valores que caen en cada intervalo utilizando una hoja de registro, de
esta manera se obtiene la frecuencia para cada intervalo.
Columna Intervalo Registro de frecuencias cada celda es de cinco | Frec.

1 5
2 9
3 6
4 11
5 17
6 28
7 18
8 13
9 10
10 8
11 5
Histogramas en Minitab:
1. File > Open worksheet > Furnace.mtw
2. Seleccione la opción: Graph> Histogram (simple)
3. Seleccione la variable Btu.In y presione clic en ok
4. Seleccionado las barras dos veces en Binning se puede cambiar el número de celdas
con Number of intervals 8 OK
5. Obtener el Histograma:
Distribución normal
Un proceso opera en condiciones normales, si tiene los materiales dentro de especificaciones y del
mismo lote, un método consistente, un medio ambiente adecuado, el operador capacitado, y el
equipo ajustado correctamente, si se toman mediciones en alguna característica del producto,
mostrará un comportamiento 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. La distribución normal es llamada también campana de Gauss
por su forma acampanada.
Página 63 de 134
Cuando se incluyen todos los datos de un proceso o población, sus parámetros se indican con
letras griegas, tales como: promedio o media =  (mu), y desviación estándar (indicador de la
dispersión de los datos) =  (sigma).
Para el caso de estadísticos de una muestra se tiene media = X y desv. est.= s.

Propiedades de la distribución normal estándar
 La distribución normal estándar tiene media μ = 0 y desviación estándar  =1. La media,

Mediana y Moda coinciden, son iguales y se localizan en el pico.
La 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
Propiedades de la distribución normal
 El área bajo la curva o probabilidad de menos infinito a más infinito vale 1.

 La distribución normal es simétrica, la 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 μ , σ ,
Distribution Plot
Normal, Mean=20
0.14 StDev
3
6
0.12
12
0.10
0.08
Density
0.06
0.04
0.02
0.00
-20 -10 0 10 20 30 40 50 60
X
Página 64 de 134
LIE LSE
Distribuciones normales con varias desv. estándar
Distribution Plot
Normal
0.14 Mean StDev
5 3
5 12
0.12
18 3
18 12
0.10
0.08
Density
0.06
0.04
0.02
0.00
-40 -20 0 20 40 60
X
LIE LSE
Distribuciones normales con varias medias y desviaciones estándar
Existe una relación del porcentaje de probabilidad o área bajo la curva normal a la desviación
estándar. En la figura observamos por ejemplo que el área bajo la curva para ±1σ tiene un
porcentaje de 68.26%, ±2 σ = 95.46% y ±3 σ=99 .73 % .
-3s -2s -1s +1s +2s +3s
68.26%
95.46%
99.73%
Área bajo la curva de Distribución normal
Lo anterior se puede calcular con la Tabla de distribución normal o con Excel (Fx
=distr.norm.estand(Z) proporciona el área desde menos infinito hasta Z).
Se busca el valor de Z y se encuentra el área bajo la curva.
Página 65 de 134
Página 66 de 134
Ejemplos:
Ejemplo
a) Determinar el área bajo la curva de menos infinito a Z = - 1 : P(Z<= -1) =
b) Determinar el área bajo la curva de menos infinito a Z = - 2 : P(Z<= - 2) =
c) Determinar el área bajo la curva entre Z >= -2. hasta Z <= -1 : P(- 2 <= Z<= -1) =
Ejemplo
a) Determinar el área bajo la curva de menos infinito a Z = 1 : P(Z <= 1) =
b) Determinar el área bajo la curva de menos infinito a Z = 2 : P(Z <= 2) =
c) Determinar el área bajo la curva de menos Z = 1 a Z = 2
P(1 <= Z <= 2) = 0.9772 – 0.8413 = 0.1369
PRÁCTICA 3.9 Áreas bajo la curva normal estándar
a) Área menor a Z1 = -3.1 más área mayor a Z2 = 2.9 representando una fracción defectiva,
expresarla en decimal, ppm y porcentaje:
En Minitab: Calc> Probability Distributions > Normal Input constant (Z) OK (cumulative prob)
Distribution Plot
Normal, Mean=0, StDev=1
0.4
0.3
Density
0.2
0.1
0.0
-2.4 0 2.8
Z
Excel Fx Estadísticas: = distr.norm.estand(Z1) +[1 - distr.norm.estand(Z2) ]
Página 67 de 134
b) Área entre Z1 = -1.4 y Z2= 1.9, expresarla en decimal y porcentaje:
= distr.norm.estand(Z2) - distr.norm.estand(Z1)
PRÁCTICA 3.10:
¿Qué porcentaje del área bajo la curva normal estándar o probabilidad está incluido dentro de los
siguientes rangos?
a) P(1.2 <= Z <= 2.2) = P(Z <= 2.2) – P(Z <= 1.2) =
b) P(-2.1 <= Z <= -0.4) = P(Z <= - 0.4) – P(Z <= -2.1) =
c) P( -1.3 <= Z <= 2.7) = P(Z <= 2.7) – P(Z <= -1.3) =
d) P( Z >= 2.4) = P(Z <= -2.4) =
e) P( Z<=-2.9) + P(Z>= 3.1) = P(Z <= -2.9) + P(Z <= -3.1) =
f) P(Z>= 1.9) = P(Z <= -1.9) =
Estandarización de valores reales
En la práctica, se tienen valores reales de promedio diferentes de cero y con desviación estándar
diferentes de uno, para determinar la probabilidad o área bajo la curva, se determina el número
de desviaciones estándar Z σ entre algún valor X y la media de la población μ o de la
muestra X como sigue:
X−μ
Z=
σ sí se consideran los datos completos del proceso.
X− X̄
Z=
s sí se consideran sólo los datos de una muestra.
Ejemplo El departamento de personal de una empresa requiere que los solicitantes a un puesto en
cierta prueba alcancen una calificación de 500. Si las calificaciones de la prueba se distribuyen
normalmente con media μ= 485 y desviación estándar σ= 30 ¿Qué porcentaje de los
solicitantes pasará la prueba?
Calculando el valor de Z obtenemos:
Página 68 de 134
X−μ 500−485
Z= =0. 5
σ = 30
Buscamos el valor correspondiente Z en las tablas de distribución normal estándar o por medio de
Excel =distr.norm.estand(0.5). Z0.5 = 0.69146 = 69.146%. donde la probabilidad de que la
calificación sea menor a 500 es P (X <= 500). Dado que el porcentaje pedido es P( X≥500)
la solución es 1-0.69146 =0.3085, por tanto sólo 30.85% de los participantes pasarán la prueba.
Otra forma es tomando la Z como negativa con P(Z <= -0.5) = 0.3085.
485
3 0 .8 5 %
Z.0 5
Área bajo la curva de Distribución normal
Ejemplo Suponga que un proceso tiene una distribución normal dada tiene una media de 20 y una
desviación estándar de 4. Calcule la probabilidad de que X sea mayor a 24.
P (X >=24) = 1 – P(X <= 24) =
En la barra de herramientas seleccione el icono de funciones fx>Estadísticas>Distr.Norm.Estand.

OK. El sistema muestra la siguiente ventana, en la cual llenamos los siguientes datos:
Cálculo del área bajo la curva normal sin requerir Z.

El resultado de la fórmula = 0.8413. , dado que esta es la probabilidad P(X ¿ 24), la probabilidad
buscada es: P(X > 24) = 1 - 0.8413= 0.1587
PRÁCTICA 3.11 Un proceso tiene un límite de especificación inferior de 9 psi. Tiene un promedio
de 10.50 psi una desviación estándar de 0.5 psi determinar lo siguiente:
a) Fracción defectiva por debajo de 9 psi.
Página 69 de 134
En Minitab: Calc> Probability Distributions > Normal Input constant (Z)

Mean 10.50 Standar deviation 0.5
OK (cumulative prob)
En Excel = distr.norm(9, 10.5, 0.5, 1)
b) Área entre 10 y 11 psi, expresarla en decimal y porcentaje:

Excel Fx Estadísticas. En Excel
= distr.norm(11, 10.5, 0.5, 1) - distr.norm(10, 10.5, 0.5, 1)
PRÁCTICA 3.12:
Un producto tiene un peso promedio de 75 Kgs. con una desviación estándar de 10Kgs.
a) ¿Cuál es la probabilidad de que un producto pese más de 85Kgs.?
b) ¿Cuál es la probabilidad de que un producto pese menos de 55Kgs.?
c) ¿Cuál es la probabilidad de que el producto pese entre 60 y 80 Kgs.?.
d) ¿Cuál es la probabilidad de que el producto pese entre 55 y 70 Kgs.?
e) ¿Cuál es la probabilidad de que el producto pese entre 85 y 100Kgs.?
Las cartas de control

¿Qué es el CEP?
 Control Estadístico del Proceso
o Control: Hacer que un proceso se comporte como queramos que se comporte.
o Estadístico: …Con la ayuda de números
o Proceso: …Medimos y controlamos las característica críticas (CTQs) del proceso
identificadas por los clientes
Sirven para monitorear el proceso, prevenir defectivos y facilitar la mejora. Hay dos tipos
de cartas de control: por atributos (juzga productos como buenos o malos) y por variables
(variables como, temperaturas).
Página 70 de 134
Cartas de control
12.5 Límite
Superior de
11.5 Control
10.5
9.5 Línea
Central
8.5
Límite
7.5 Inferior de
Control
0 10 20 30
Carta de control con sus límites de control y línea central
Patrones de variación en las cartas de control

 Las cartas de control detectan la variación anormal en un proceso, denominadas
“causas especiales o causas asignables de variación.”
 El patrón normal de un proceso se llama causas de variación comunes.
 El patrón anormal debido a eventos especiales se llama causa especial de
variación.
Tipos de variación:
Tipos de Variación
12.5 Límite
Superior de
11.5 Control
Variación – Causas comunes 10.5
9.5 Línea
Central
8.5
Límite
Límite
Límite Inferior de
inf. de
sup. de 7.5
especs. Control
especs.
0 10 20 30
102
Variación – Causas especiales
Objetivo
Límite
inf. de
especs.
Límite
sup. de
especs.
Objetivo
100
94
Página 71 de 134
Patrones de anormalidad
en la carta de control
“Escuche la Voz del Proceso” Región de control,
M captura la variación
E
natural del proceso
D
I original
D LSC
A
S
C
A LIC
L Tendencia del proceso (7P)
I
D Corrida del Proceso (7P)
A
Causa Especial
identifcada
D
TIEMPO
Propósito de la carta de control

 Monitorea la característica clave de calidad del producto (CTQ’s)
 Permite la detección de las causas inusuales de variación entes de que se salga de la
especificación del producto
 Provee el historial y estabilidad del proceso así como la operación esta trabajando ahora.
 Cuando no hay causas especiales presentes, el proceso está trabajando apropiadamente,
es predecible, el proceso puede estar “en control”
Ejemplo del consumo de Gas
I-MR Chart of Julio
2670 U C L=2671.69
Individual Value
2655
_
X=2644.28
2640
2625
LC L=2616.87
2610
3 6 9 12 15 18 21 24 27 30
O bser v ation
U C L=33.68
30
M oving Range
20
__
10 M R=10.31
0 LC L=0
3 6 9 12 15 18 21 24 27 30
O bser v ation
Página 72 de 134
Gráfica de Control Régimen Térmico Kcal/KWh U-1 CTVM (Jul-07
a Feb-08)
2740
2720 LCS
RégimentérmicoKcal/KW h
2700
2680
Promedio
2660
2640
2620
LCI
2600
2580
2560
Diseño de la
2540 Unidad 50%
2520 carga
2500
En este caso:
 Para el régimen térmico el proceso es normal y está en control estadístico
 La Unidad 1 de la Central Termoeléctrica Valle de México, en el período observado (50%
de carga), no está cumpliendo con las especificaciones de diseño del Régimen Térmico de
2,560 Kcal/KWh.
 Se comprueba la definición del proyecto ó área de oportunidad de mejorar la eficiencia
térmica de la Unidad 1 de la CTVM buscando alcanzar los niveles de diseño.
PARA CARTAS DE LECTURAS INDIVIDUALES / RANGO MÓVIL (I-MR)

Se aplican para un tamaño de muestra n =1, para parámetros del proceso (químicos).
Los rangos móviles se empiezan a calcular a partir de la segunda muestra, tomando la
diferencia entre cada dos valores consecutivos como sigue:
MRi = |X i −X i−1| .
Ejemplo: Se toman varios datos de viscosidades y se construye una carta de lecturas
individuales, donde el rango se calcula tomando cada dos valores consecutivos, por tanto
el valor de n = 2 y habrá (m – 1) rangos en total. Con m = número de valores individuales.
Por ejemplo:
Rang
Valores individuales o
12 -
15 3
11 4
14 3
8 6
9 1
Página 73 de 134
Al final se hace un promedio de los valores individuales X y un promedio de rangos
móviles R, los límites de control para la carta I-MR se calculan con las fórmulas siguientes:
Para la carta I: LSCx= X̄ +(2 .66∗ R̄ ) LICx= X̄−(2. 66∗R̄ )
y para la carta R: LICr=0 LSCr=3 .27∗R̄

I-MR Chart of Supp1
1 1
U C L=601.176
601
Individual V alue
600
_
X=599.548
599
598 LC L=597.920
1
1 10 20 30 40 50 60 70 80 90 100
O bser vation
2.4
1
U C L=2.000
M oving Range
1.8
1.2
__
0.6 M R=0.612
0.0 LC L=0
1 10 20 30 40 50 60 70 80 90 100
O bser vation
Carta de control I-MR. El proceso no está en control estadístico.

PRÁCTICA 3.13 Hacer una carta I-MR utilizando las fichas de ejemplo por equipos.
Página 74 de 134
No. DE GRAFICA FECHA DE INICIO FECHA DE TERMINO
GRAFICA DE CONTROL DE LECTURAS INDIVIDUALES
Cp. : CPK:
NOMBRE DE PARTE No. DE PARTE ÁREA OPERACIÓN MAQUINA CARACTERÍSTICA CALIBRADOR T. MUESTRA FRECUENCIA TIPO DE EVALUA.
% Z Sup.: % Z Inf.:
UNIDADES NOMINAL L.S.E. L.I.E. X L.S.C.x L.I.C.x R L.S.C. R L.I.C. R % NC:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
INSTRUCCIONES
x 1.- Encierre en un círculo los patrones

anormales de comportamiento ( puntos fuera
de los límites de control, tendencias,
adhesiones, etc).
2.- Investigue y corrija la causa del

comportamiento. Si no es posible llame a su
supervisor o Ing. de Manufactura.
3.- Registre la (s) causa (s) del

comportamiento en la bitácora (al reverso de
la gráfica), así como las acciones realizadas
o propuestas para corregir la falla.
LECTURAS
SEIS SIGMA BÁSICO DMAIC
4.- Indique en el último renglón, justo abajo

del subgrupo correspondiente, las causas por
las cuales se deja de graficar de acuerdo a la
frecuencia indicada, si es que se presentan
el caso. Utilice las siguientes claves:
A) Fin de corrida de producción

B) Falta de material
C) Ajuste de línea / máquina
D) Cambio de modelo
E) Fin de turno
INICIALES F) Otro (indicar)
Página 75 de 134
R
RANGOS
FECHA
CONSTANTES
HORA
X E2 D2 D3 D4
VALORES
R 2.67 1.13 0 3.27
P. Reyes /junio 2008
PRACTICA 3.14. Carta de control de lecturas individuales para parámetros del proceso I-MR:
Minitab:
1 File > Open worksheet > Exh_qc.MTW.
2 Stat > Control charts > variable chart for Individuals > I-MR.
3 Variable Weight, click OK.
I-MR Chart of Weight

1050 1 1 1
1
U C L=1010.9
Individual Value
1000
950 _
X=936.9
900
LC L=862.8
850 1 1
1 5 9 13 17 21 25 29 33 37 41 45
O bser vation
100
U C L=91.0
Moving Range
75
50
__
25 M R=27.8
0 LC L=0
1 5 9 13 17 21 25 29 33 37 41 45
O bser vation
Página 76 de 134
Ejemplo del consumo de Gas
I-MR Chart of Julio

2670 U C L=2671.69
Individual Value
2655
_
X=2644.28
2640
2625
LC L=2616.87
2610
3 6 9 12 15 18 21 24 27 30
O bser v ation
U C L=33.68
30
Moving Range
20
__
10 M R=10.31
0 LC L=0
3 6 9 12 15 18 21 24 27 30
O bser v ation
Gráfica de Control Régimen Térmico Kcal/KWh U-1 CTVM (Jul-07

a Feb-08)
2740
2720 LCS
RégimentérmicoKcal/KW h
2700
2680
Promedio
2660
2640
2620
LCI
2600
2580
2560
Diseño de la
2540 Unidad 50%
2520 carga
2500
En este caso:
 Para el régimen térmico el proceso es normal y está en control estadístico
 La Unidad 1 de la Central Termoeléctrica Valle de México, en el período observado (50%
de carga), no está cumpliendo con las especificaciones de diseño del Régimen Térmico de
2,560 Kcal/KWh.
 Se comprueba la definición del proyecto ó área de oportunidad de mejorar la eficiencia
térmica de la Unidad 1 de la CTVM buscando alcanzar los niveles de diseño.
Página 77 de 134
CARTAS DE CONTROL DE MEDIAS-RANGOS (X-R)
Para elaborar la carta, inicialmente se toman al menos 25 subgrupos con muestras de
cinco valores cada cierto periodo (por ejemplo cada hora).
Ejemplo: Se toman varios datos y se construye una carta de medias – rangos con m =
subgrupos, donde el rango se calcula tomando el valor mayor menos el valor menor del
subgrupo, con n = 5.
Por ejemplo:
Subgrupo
Variables Subgrupo 1 Subgrupo 2 m
X1 2 5 3
X2 4 3 4
X3 3 6 1
X4 5 7 5
X5 1 4 2
09:00 a.m. 10:00 a.m. 11:00 a.m.
Media 3 5 3
Rango 4 4 4
Se obtiene una media de medias X y un rango promedio R, para proceder a determinar los
límites de control como sigue:
LSC = X + 0.577x R
LIC = X - 0.577x R
Para el caso de los rangos, la línea central es R . los límites de control para el rango son:
LSC = 2.114x R
LIC = 0
Se identifican situaciones fuera de control, se investigan las causas y se toman acciones

preventivas para prevenir la reincidencia y se recalculan los límites de control futuros.
Página 78 de 134
Xbar-R Chart of Supp2
1
1
U C L=602.474
602
Sample M ean
_
_
X=600.23
600
598 LC L=597.986
2 4 6 8 10 12 14 16 18 20
Sample
8 U C L=8.225
Sample Range
_
4 R=3.890
0 LC L=0
2 4 6 8 10 12 14 16 18 20
Sample
Carta de control X-R fuera de control
Después de identificar las causas de las situaciones fuera de control en los subgrupos 2 y
14 y tomando acciones preventivas para evitar la reincidencia, se eliminan los subgrupos
fuera de control y se recalculan los límites de control.
Xbar-R Chart of Supp2

U C L=602.247
602
601
Sample M ean
_
_
600 X=599.938
599
598
LC L=597.629
2 4 6 8 10 12 14 16 18
Sample
U C L=8.465
8
Sample Range
_
4 R=4.003
0 LC L=0
2 4 6 8 10 12 14 16 18
Sample
Carta de control de medias rangos X-R estable
PRÁCTICA 3.15 Hacer una carta X-R utilizando las fichas de ejemplo por equipos.
Página 79 de 134
No. DE GRAFICA FECHA DE INICIO FECHA DE TERMINO
GRAFICA DE CONTROL DE PROMEDIOS Y RANGOS
Cp. : CPK:
NOMBRE DE PARTE No. DE PARTE ÁREA OPERACIÓN MAQUINA CARACTERÍSTICA CALIBRADOR MUESTRA FRECUENCIA TIPO DE EVALUACIÓN
% Z Sup.: % Z Inf.:
UNIDADES NOMINAL L.S.E. L.I.E. X L.S.C.x L.I.C.x R L.S.C. R L.I.C. R % NC:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
INSTRUCCIONES
x 1.- Encierre en un círculo los

patrones anormales de
comportamiento ( puntos fuera
de los límites de control,
tendencias, adhesiones, etc).
2.- Investigue y corrija la

causa del comportamiento. Si
no es posible llame a su
supervisor o Ing. de
Manufactura.
3.- Registre la (s) causa (s)

del comportamiento en la
bitácora (al reverso de la
gráfica), así como las
acciones realizadas o
SEIS SIGMA BÁSICO DMAIC
propuestas para corregir la

falla.
4.- Indique en el último

renglón, justo abajo del
PROMEDIOS
subgrupo correspondiente, las
causas por las cuales se deja
de graficar de acuerdo a la
frecuencia indicada, si es que
se presentan el caso. Utilice
las siguientes claves:
A) Fin de corrida de
Página 80 de 134
INICIALES
producción
B) Falta de material
C) Ajuste de línea / máquina
D) Cambio de modelo
R
E) Fin de turno
F) Otro (indicar)
RANGOS
FECHA
HORA
CONSTANTES
1 n A2 D4 D3 d2 B4 B3
2 2 1.88 3.27 0 1.13 3.27 0
LECTURAS
3 3 1.02 2.57 0 1.70 2.57 0
4 4 0.73 2.28 0 2.06 2.27 0
5 5 0.58 2.11 0 2.33 2.09 0
P. Reyes /junio 2008
SUMA
X
R
CAUSAS DE NO
REGISTRO
PRACTICA 3.16. Carta de control de medias rangos para valores del proceso X-R:
Minitab:
2 Stat > Control charts > variable chart for Subgroups > I-MR.
3. Variable Weight
4. Subgroup size 5, click OK.
Capacidad del proceso

 Mide y cuantifica el desempeño del proceso y productos para cumplir con las
especificaciones (tanto Cp y Cpk)
 Identifica áreas que requieren atención y mejora
 Ayuda a construir un plan de acción soportado por datos
 Proporciona una métrica común para comparar procesos o desempeño del producto entre
departamentos y plantas
 Identifica oportunidades de mejora para eliminar Muda
 Establece la línea base
Página 81 de 134
Teoría del camión y el túnel

•El túnel tiene 9' de ancho (especificación). El camión tiene 10’ y el chofer es perfecto
(variación del proceso). ¿Pasaría el camión? NO, la variabilidad del proceso es mayor
que la especificación.
•Centrar es hacer que el promedio del proceso sea igual al centro de la
especificación. Si el camión tiene 8 pies de ancho ¿pasará el camión?, Si. Si
el chofer puede mantener el centro del camión en el centro del túnel. De otra forma
chocará con las paredes del túnel y no pasará a pesar de ser más angosto.
El proceso debe estar en control, tener capacidad y estar centrado
Ancho 9´
Nigel´s Trucking Co.
¿Qué es la capacidad del proceso?

La capacidad del proceso indica que tan bien una métrica se esta desempeñando vs los estándares
establecidos. Se asume que el proceso de la métrica o parámetro es estable, permite predecir la
probabilidad de que el valor de la métrica esté fuera de los estándares establecidos.
Especificaciones superior e inferior Sólo especificación superior
LSE
LIE LSE Fuera de
Fuera de especs.
especs.
Dentro de Fuera de Dentro de
especs.
de especs. especs.
especs.
120
 La capacidad potencial (Cp) es función de que tan disperso esté el proceso,
independientemente del centrado
Página 82 de 134
 La capacidad real (Cpk) es una función de que tanto está centrada el proceso y de su
dispersión
Ahorros simplemente centrando el

proceso, sin cambiar la variabilidad
Ahorros al reducir la variación y centrar el

proceso, eliminando desperdicio
Página 83 de 134
PRACTICA 3.17 Capacidad del proceso con base en carta de control de Medias Rangos X-R para
variables del proceso:
Minitab:
2 Stat > Quality tools > Capability analysis > Normal
3 Single column > Weight, Subgroup size 5,
4 Lower Spec 800 Upper Spec 1100
5 Estimate seleccionar Rbar OK.
49
Process Capability of Weight
LSL USL
P rocess Data Within
LSL 800 Overall
Target *
U SL 1100 Potential (Within) C apability
Sample M ean 936.889 Cp 1.59
Sample N 45 C P L 1.45
StDev (Within) 31.5277 C P U 1.72
StDev (O v erall) 45.8045 C pk 1.45
O v erall C apability
Pp 1.09
PP L 1.00
PP U 1.19
Ppk 1.00
El proceso es capaz
C pm *
de cumplir especificaciones
Su Cpk es mayor a 1.33
800 850 900 950 1000 1050 1100
O bserv ed P erformance Exp. Within P erformance E xp. O v erall P erformance
Con 7 ppm PP M < LSL 0.00

PP M > U SL 0.00
PP M < LSL 7.06
PP M > U SL 0.11
P P M < LSL 1401.55
P P M > U SL 184.70
PP M Total 0.00 PP M Total 7.18 P P M Total 1586.25
Página 84 de 134
Métricas Seis Sigma
Motorola notó que muchas operaciones en productos complejos tendían a desplazarse ±1.5 s
sobre el tiempo, por tanto un proceso de ± 6 s a la larga tendrá 4.5 s hacia uno de los límites
de especificación, generando 3.4 DPMOs (defectos por millón de oportunidades)
Corrimiento de 1.5 sigmas
Por qué usar una métrica Sigma del proceso?

 Indicador más sensible que el porcentaje
 Se enfoca a los defectos
o Siempre que un defecto refleje una falla a los ojos de los clientes
 Las métricas comunes hacen las comparaciones más fáciles
o Por ejemplo, ¿cuál de los siguientes procesos se comporta mejor?
En Excel : =Distr.norm.estand.inv(Rendimiento) + 1.5
PRACTICA 3.18 Encontrar las sigmas para el 70%, 85%, 65%
Página 85 de 134
Análisis del sistema de medición
Variación del sistema de medición
 Un error significante puede ser introducido en la medición de un proceso por medio del sistema de
medición
 El proceso puede estar en control estadístico pero no así el sistema de medición y puede introducir
una variación inaceptable
Posibles fuentes de variación
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
Errores de medición
 Repetibilidad
o La variación en las mediciones obtenidas con un instrumento de medición cuando es
usado muchas veces por un evaluador mientras mide una característica idéntica de la
misma parte
Patrón
Valores
medidos
Página 86 de 134
 Reproducibilidad
o La variación en la medición obtenida con un instrumento de medición cuando es
usado por varios evaluadores mientras miden una característica idéntica de la misma
parte.
Diferencia entre
operadores
Reproducibilidad
Minitab:
File > Open worksheet > gageaiag.mtw
Stat > quality tools > Gage study > Gage R&R study (crossed)
Seleccionar Part_numbers Operator Response – mediciones
Options: Study variation 5.15 (99% de area bajo la curva)
Process tolerance: Upper – lower 20
OK
Estudio de R&R – Análisis de resultados

Gage R&R Study - XBar/R Method
%Contribution % Error R&R debe ser menor
Source VarComp (of VarComp) Al 10% ya sea para control del
Total Gage R&R 0.0000001 41.00 Proceso o para producto final.
Repeatability 0.0000001 40.52
Reproducibility 0.0000000 0.48 Repetibilidad – Instrumento
Part-To-Part 0.0000001 59.00 Reproducibilidad - Operador
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 Número mínimo 4

111
Página 87 de 134
 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.
La gráfica R se mantiene en control indicando

que las mediciones se realizaron en forma adecuada.
Gage R&R (Xbar/R) for Datos La gráfica X barra sólo presenta 5 de 30 puntos fuera
G age name:
de control, Reported
debería by : ser al menos el 50%, indicando
T olerance:
D ate of study : que el equipo
M isc: no discrimina las diferentes partes.
Components of Variation Datos by Partes

80 % Contribution
0.006
% Study Va r
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
0.0050 1
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
P10
Página 88 de 134
IV. Seis Sigma - Fase de Análisis

Propósitos:
 Establecer hipótesis sobre las posibles Causas Raíz (X’s que afectan a Y)
 Refinar, rechazar, o confirmar la Causa Raíz
 Seleccionar las Causas Raíz más importantes (Las pocas Xs vitals)
Salidas:
 Causas raíz validadas
 Factores de variabilidad identificados
Generación de Causas potenciales

Tormenta de ideas
 Tormenta de ideas es un método de generación de muchas ideas rápidas

o Fomenta la creatividad
o Involucra a todos
o Genera energía
o Separa personas de las
 Ideas que sugieren
 Usos en la fase de análisis
o Use la tormenta de ideas para generar muchas causas potenciales del problema
definido en la fase de medición
 Use “5 W’s” para encontrar las causas raíz
 Pregunta clave
Los 5 Por qués

Para sacar las causas raíz, empieza con el enfoque del problema y empieza a preguntar ¿Por qué?
Cinco veces
Diagrama de causa-efecto (ishikawa)
 El diagrama Causa – y – efecto es usado cando se tienen el problema enfocado para

identificar todas las causas potenciales del problema.
 Un diagrama causa – y – efecto proveerá:
o Un camino fácil para identificar todas las causas posibles
o Una vista organizada de todas las posibles causas
o Entendimiento de las relaciones entre las posibles causas
o Diferenciar entre las causas raíz y las causas percibidas
Página 89 de 134
Muestra la relación entre una característica de calidad y los factores de influencia, para
encontrar las causas posibles. Se usa la lluvia de ideas, debe hacerse sin juicios previos y
respetando las opiniones.
 Técnica para generar ideas creativas cuando la mejor solución no es obvia.

 Reunir a un equipo de trabajo (4 a 10 miembros) en un lugar adecuado
 El problema a analizar debe estar siempre visible
 Generar y registrar en el diagrama de Ishikawa un gran número de ideas, sin
juzgarlas, ni criticarlas
 Motivar a que todos participen con la misma oportunidad
El diagrama causa-efecto, también llamado “espina 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.
DIFICULTAD / IMPACTO Bajo impacto Alto impacto

Difícil de implementar
Fácil de implementar
Página 90 de 134
Diagrama de Causa Efecto en Minitab
1. Llenar las columnas C1 a C5 con las diferentes causas correspondientes a los conceptos de
Personal, Máquinas, Materiales, Métodos, Mediciones y Medio ambiente.
2. Seleccione: Stat>Quality Tools>Cause and Effect Diagram
3. Introducir los datos en la pantalla de entrada, indicando el problema en Effect y aceptar
con OK.
AMBIENTE MATLS. PERSONAL MÉTODO MAQUINAS
Polvo Forma Salud Ajuste Mantto.
Vibraciones Dureza Habilidad Velocidad Deformación
Humedad Almacén Humor Abrasión
Temperatura Herramental
FORMA ALMACÉN HABILIDAD HUMOR

Diámetro Tiempo Selección Horas
Curvatura Ambiente Formación Moral
Experiencia Cansancio
Cause-and-Effect Diagram
Measurements Material Personnel
Polv o
F orma S alud
V ibraciones
D ureza H abilidad
H umedad
A lmacén Humor
Temperatura
Problema de
soldadura
Herramental
V elocidad
A brasión
D eformación
A juste
M antto.
Methods Machines
PRÁCTICA 4.1 Realizar un Diagrama de Causa Efecto para las causas potenciales de un problema
de mantenimiento.
Página 91 de 134
Diagrama de relaciones – Interrelationship diagraph (I.D.)
Diagramas de relaciones relaciona los hechos e ideas para tener un proceso creativo de solución
de problemas que eventualmente indique causas clave. Los pasos son:
 Desarrollar aprox. 50 conceptos del problema (post its)
 Colocar en forma aleatoria los conceptos
 Diagrama de relaciones
 Relacionar los conceptos con flechas causa efecto
 Se requieren varias revisiones al diagrama por los miembros del equipo
 El equipo llega a un consenso sobre los conceptos sobre los que necesita trabajar
 Causa raíz = más flechas de salida; Resultado= más flechas de llegada
PRÁCTICA 4.2 Hacer un diagrama de relaciones sobre un asunto específico de interés
Página 92 de 134
Diagrama de árbol o diagrama sistemático
Es un método sistemático para delinear todos los detalles requeridos para completar un objetivo
dado.
 Puede usarse para desarrollar los elementos de un nuevo producto

 Mostrar las relaciones de un proceso
 Crear ideas para solucionar un problema y
 Pasos para implementación de Proyectos
Los pasos para organizar el diagrama de árbol son (utilizando Post Its):
 Identificar el objetivo a lograr
 Determinar el segundo nivel de medios que deberían lograr el objetivo, o “cómo” se
puede lograr el “porqué” de la tarjeta a la izquierda
 Definir varios niveles de cuestionamientos sobre cómo lograr el objetivo, hasta llegar a un
nivel final
 Después de terminar el diagrama, confirmar que todos los medios orientan hacia un
objetivo exitoso
 Se pueden utilizar las causas para realizar un diagrama de causa – efecto o de afinidad
Cómo preparar un diagrama sistemático
Para resolver un problema, necesita hacer un plan para eliminar los factores que impiden la
solución del mismo. Presentamos un procedimiento para crear un diagrama sistemático de
desarrollo de planes.
Meta Medio
Meta Medio
Meta Medio
Segundo Tercer Cuarto
Primer nivel nivel nivel
nivel
Medios
Medios
Medios
Medios
o planes
Meta u
objetivo
Medios
o planes
PRÁCTICA 4.3 Hacer un diagrama de árbol sobre un asunto específico de interés
Página 93 de 134
Ejemplos de diagramas de causa efecto y comprobación de causas raíz:
Tratamiento de agua Insumos Generador de vapor
% fuga de aire Temp. gases salida

Precalentador Temp. de agua entrada
Economizador
Productos químicos Agua negra tratada Temperatura
Flujo, presión, temp. atemp
Agua Sobrecalentador
Poder Calorífico
Flujo, presión, Recalentador Suciedad
PH
Calidad de agua Agua de pozo Gas temp. Atemp. Flujo, presión
Calidad de agua Gas a quemadores
Exceso O2
Agua de enfriamiento Compuertas Inclinación de
Conductividad Azufre Humedad auxiliares quemadores
Sílice
Precio competitivo
Régimen Térmico
Entrada de Temp. Calidad de vapor,
Amperaje y número de aire Agua fría temperatura,
Kcal/Kw h
Suciedad
ventiladores Turbina, API, PI y BP presión
Torre de enfriamiento Cargas
Térmica Vacio del condensador
Eficiencia
Nivel de pileta Huelgos de alabes
Gasto y presión Presión diferencial
de agua Huelgos
Bombas circulación agua Factor de planta
Presión diferencial filtros
Calidad de mantenimiento
Presión de descarga Temperatura

ambiente Suciedad Apertura de alabes
Volumen de energía
Auxiliares principales Turbina eléctrica entregada
Comprobación de causas con DOE

# % C.A. C.A. C.A. C.A. Inclinación Temperatura
Exp O2 N1 N2 N3 N4 Quemadores Vapor Orden de
Experimentación
1 2 3 4 5 6 7
1 0.8 20 20 20 20 -30 537 2
2 0.8 20 20 40 40 0 542 5
3 0.8 40 40 20 20 0 542 6
4 0.8 40 40 40 40 -30 537 8
5 1.2 20 40 20 40 -30 542 1
6 1.2 20 40 40 20 0 537 4
7 1.2 40 20 20 40 0 537 3
8 1.2 40 20 40 20 -30 542 7
Página 94 de 134
Los niveles de operación recomendados son:

Factor Condición
Inclinación de quemadores 0
Porcentaje de exceso de O2 1.2
Compuertas auxiliares N2 40
Temperatura de vapor 542
Otro Ejemplo:
Se elabora un diagrama de relación para identificar relaciones entre causas potenciales e

identificar la causa raíz:
Página 95 de 134
Diagrama de Dispersión
El diagrama de dispersión es una técnica estadística utilizada para estudiar la relación entre dos
variables. Por ejemplo, entre dos parámetros o variables del proceso.
La variable del eje horizontal x normalmente es la variable causa, y la variable del eje vertical y es
la variable efecto.
La relación entre dos variables puede ser: positiva o negativa. Si es positiva, significa que un
aumento en la variable causa x provocará una aumento en la variable efecto y y si es negativa
significa que una disminución en la variable x provocará una disminución en la variable y.
Por otro lado se puede observar que los puntos en un diagrama de dispersión pueden estar muy
cerca de la línea recta que los atraviesa, o muy dispersos o alejados con respecto a la misma. El
índice que se utiliza para medir ese grado de cercanía de los puntos con respecto a la línea recta es
el índice de correlación r. En total existen cinco grados de correlación: positiva evidente (r = 1),
positiva, negativa evidente (r = -1), negativa y nula (r = 0).
Correlación Positiva Correlación Negativa

25
Evidente 25
Evidente
20 20
15 15
10
Y
10
5
5
0
0 5 10 15 20 25 Sin Correlación 0
0 5 10 15 20 25
X 25 X
20
15
Correlación 10
Y
5
Correlación
25
Positiva 0 Negativa
0 5 10 15 20 25 25
20
X 20
15
15
Y
10
Y
10
5
5
0
0 5 10 15 20 25 0
0 5 10 15 20 25
X
X
La correlación se utiliza para cuantificar el grado en que una variable influye en el comportamiento
de otra. Por ejemplo si se encuentra que la variable presión tiene una correlación positiva con el
rendimiento de una caldera, se deben buscar soluciones al problema mediante acciones asociadas
con la variable presión; de lo contrario, sería necesario buscar la solución por otro lado.
Página 96 de 134
 Correlación: es una
medida de que tanto
están dos variables
correlacionadas
 Regresión: Es la
ecuación matemática
que describe la relación
La regresión puede tomar varias formas
Ejemplo: Se sospecha que el tiempo requerido para hacer un mantenimiento preventivo está
relacionado con su número. Calcular el coeficiente de correlación y graficar. Los datos de tiempo
tomados para n = 25 servicios se muestran a continuación:
X Y
Servicios Tiempo Xmedia (Xi-Xmedia) (Xi-X)^2 Ymedia (Yi-Ymedia) (Yi-Y)^2 (Xi-X)*(Yi-Y)
1.2 101 0.94 0.26 0.0676 95.9 5.10 26.0100 1.3260
0.8 92 0.94 -0.14 0.0196 95.9 -3.90 15.2100 0.5460
1 110 0.94 0.06 0.0036 95.9 14.10 198.8100 0.8460
1.3 120 0.94 0.36 0.1296 95.9 24.10 580.8100 8.6760
Página 97 de 134
0.7 90 0.94 -0.24 0.0576 95.9 -5.90 34.8100 1.4160
0.8 82 0.94 -0.14 0.0196 95.9 -13.90 193.2100 1.9460
1 93 0.94 0.06 0.0036 95.9 -2.90 8.4100 -0.1740
0.6 75 0.94 -0.34 0.1156 95.9 -20.90 436.8100 7.1060
0.9 91 0.94 -0.04 0.0016 95.9 -4.90 24.0100 0.1960
1.1 105 0.94 0.16 0.0256 95.9 9.10 82.8100 1.4560
9.4 959 0.44 1,600.90 S (Xi-X)*(Yi-Y)
23.34
S (Xi-X)^2 S (Yi-Y)^2
Syy = SST
Suma Suma Sxy
Xmedia Ymedia Sxx
0.94 95.9 Syy Sxy
Si todos los puntos estuvieran completamente sobre la recta la ecuación lineal sería
y = a + bx. Como la correlación no siempre es perfecta, se calculan a y b de tal forma que se
minimice la distancia total entre puntos y la recta. Los cálculos tomando las sumas de cuadrados
siguientes se muestran a continuación:
Xmedia = 0.94
Ymedia = 95.9
Sxy = 2027.71
Sxx = 698.56
Syy = 6105.94
Las ecuaciones para el cálculo manual son las siguientes:
b1 = β^ 1=
∑ ( Xi− X̄ )(Yi−Ȳ ) = S XY
∑ ( Xi− X̄ )2 S XX = 2027.71 / 698.56 = 2.9027
∑ Y i− β^ 1 ∑ X i
^
b0 = β 0 = =Ȳ − β^ 1 X̄
n = 95.9 -2.9027* 0.94= 5.1145
Por tanto la ecuación de regresión es: Y = 5.1145 + 2.907*Xi
La suma de cuadrados del error para determinar el coeficiente de correlación es:
Sxy
r=
√ Sxx∗Syy
r = 6105.94 / raíz(698.56*6105.94) = 0.981812
0.98181
r= 2
r^2 = 0.96395
Página 98 de 134
4
El coeficiente de determinación r^2 indica el porcentaje de la variación total que es explicada por
la regresión.
r= √ r 2 = 0.9818
El coeficiente de correlación r = 0.98 por lo cual tenemos suficiente evidencia estadística para
afirmar que el tiempo de atención está relacionado con el número de servicios atendidos.
USO DE EXCEL Y MINITAB

USO DE EXCEL
1. En el menú Herramientas seleccione la opción Análisis de datos. Datos de ejemplo anterior.
2. Seleccione la opción Regresión.
3. Seleccione el rango de entrada, estos corresponden a los datos numéricos de la tabla.
4. Seleccione Resumen de estadísticas.
5. En opciones de salida seleccione en Rango de salida, una celda de la hoja de cálculo que este en
blanco ( a partir de está celda serán insertados los resultados).
Resumen
Estadísticas de la regresión
Coeficiente de correlación
múltiple 0.981811778
Coeficiente de
determinación R^2 0.963954368
R^2 ajustado 0.962387167
Error típico 3.093419627
ANÁLISIS DE VARIANZA Suma de Promedio de

Grados de Valor crítico de
libertad Cuadrados cuadrados F F
615.080089
Regresión 1 5885.852069 5885.852069 8 4.24118E-18
Residuos 23 220.0926348 9.569244992 Significativa
Total 24 6105.944704 Si es < 0.05
Coeficientes Error típico Estadístico t Probabilidad Inferior 95%

5.11451557 4.46369100 0.00017721
Intercepción (bo) 5 1.145804127 4 5 2.744239161
2.90270442 24.8008082 2.66058724
XServicios (b1) 1 0.117040719 5 4.24118E-18 9
Página 99 de 134
Observaciones 25
X Servicios Curva de regresión ajustada
80.00
70.00
60.00 Y Tiempo
50.00
Y Tiempo
Pronóstico Y Tiempo
40.00
30.00 Lineal (Pronóstico Y
20.00 Tiempo)
10.00
0.00
0 5 10 15 20 25
X Servicios
En la gráfica observamos que al aumentar el número de servicios el tiempo de atención aumenta.
USO DE MINITAB
Para determinar la función de regresión y correlación en Minitab se siguen los pasos siguientes
(después de cargar los datos correspondientes a X y a Y en las columnas C1 y C2):
Stat >Regresión > Regression ... Indicar la columna de Respuestas Y y la de Predictores X y

aceptar con OK. Observar el valor del coeficiente de correlación y de determinación.
Regression Analysis: Y Tiempo versus X Servicios
The regression equation is Y Tiempo = 5.11 + 2.90 X Servicios

Predictor Coef SE Coef T P
Constant 5.115 1.146 4.46 0.000
X Servicios 2.9027 0.1170 24.80 0.000
S = 3.09342 R-Sq = 96.4% R-Sq(adj) = 96.2%
Analysis of Variance
Source DF SS MS F P
Regression 1 5885.9 5885.9 615.08 0.000
Residual Error 23 220.1 9.6
Total 24 6105.9
Unusual Observations
Obs X Servicios Y Tiempo Fit SE Fit Residual St Resid
9 9.0 24.350 31.239 0.625 -6.889 -2.27R
17 20.0 69.000 63.169 1.509 5.831 2.16R
R denotes an observation with a large standardized residual.
Página 100 de 134

Para obtener la línea de mejor ajuste de la regresión, se procede como sigue en Minitab:
Stat > Regression > Fitted Line Plot ... Indicar la columna de Respuestas Y y la de predictores X,
seleccionar si se quiere ajustar con los datos con una línea, una función cuadrática o cúbica y
aceptar con OK. Observar el mayor valor del coeficiente de correlación que indica el mejor ajuste.
Fitted Line Plot

Y Tiempo = 5.115 + 2.903 X Servicios
70 S 3.09342
R-Sq 96.4%
R-Sq(adj) 96.2%
60
50
Y Tiempo
40
30
20
10
0
0 5 10 15 20
X Servicios
PRÁCTICA 4.4 Realizar el Diagrama de Dispersión entre las variables X = presión y Y =

temperatura.
X Y Xmedia (Xi-Xmedia) (Xi-X)^2 Ymedia (Yi-Ymedia) (Yi-Y)^2 (Xi-X)*(Yi-Y)

1.2 101
0.8 92
1 110
1.3 120
0.7 90
0.8 82
1 93
0.6 75
0.9 91
1.1 105
Suma Suma
S(Xi-X)^2
S (Yi-Y)^2
Suma Suma Syy = SST Sxy
Xmedia Ymedia Sxx S(Xi-X)*(Yi-Y)
Syy Sxy
Obtener la ecuación de regresión a partir de y = a + bx.
Xmedia =
Página 101 de 134

Ymedia =
Sxy =
Sxx =
Syy =
Las ecuaciones para el cálculo manual son las siguientes:

S XY
b1 = β^ 1=
S XX =
b0 = β^ 0 =Ȳ − β^ 1 X̄ =
Por tanto la ecuación de regresión es: Y =
La suma de cuadrados del error para determinar el coeficiente de correlación es:
Sxy
r=
√ Sxx∗Syy =
R^2 =
r=
r^2 =
Hacer el diagrama de dispersión, dibujar la recta de regresión que mejor ajuste a los puntos e
identificar en la misma el punto donde corta el eje Y (bo) y su pendiente aproximada b1 (Intervalo
de Y / Intervalo de X):
Fitted Line Plot

Y = 46.49 + 52.57 X
S 6.83715
120
R-Sq 76.6%
Conclusiones:
R-Sq(adj) 73.7%
110
100
Con Minitab se puede
Y
90 obtener una regresión lineal

como la siguiente:
80
PRÁCTICA 4.5 Correlación y

70 regresión en Minitab
0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3
X  La presión vs la
temperatura se
muestra continuación para un día en especial:
o Seleccionar Stat > Regression > Fitted line plot
o Response (Y) presión Predictor (X) Temp Linear OK
Presión Temp
Página 102 de 134

1.2 101
0.8 92
1.0 110
1.3 120
0.7 90
0.8 82
1.0 93
0.6 75
0.7 85
1.1 96
0.9 91
Fitted Line Plot

Presión = - 0.4972 + 0.01504 Temp
1.4 S 0.122070
R-Sq 73.0%
1.3 R-Sq(adj) 70.0%
1.2
1.1
Presión
1.0
0.9
0.8
0.7
0.6
70 80 90 100 110 120

Temp
La R-sq (R cuadrada) indica si la correlación es lo suficientemente fuerte para predecir al relación

entre dos variables R-sq de 80% o más es una buena correlación. Tratar de extrapolar más allá de
los datos es riesgoso:
En MinitabQFD
FASE DE ANÁLISIS
Diagrama de
Stat > Basic statistics > Correlation Variables Presion Temp OK relaciones
Diagrama
Causa Efecto Diagrama de
Correlations: Presión, Temp Ishikawa
Diagrama
Pearson correlation of Presión and Temp = 0.854 de Árbol
Definición
P-Value = 0.001 La correlacion es significativa si P es menor a
Y=X1 + X2+. .Xn
0.05
CTQs = Ys Medición Y,
Operatividad X1, X2, Xn
X's
Causas
Análisis del Modo y Efecto de potenciales
Falla (AMEF)
Pruebas
de
hipótesis
Diagrama
de Flujo
del
Página 103 de 134 X's vitales
proceso No ¿Causa Si Causas raíz
Raíz? validadas
Análisis del modo y efecto de falla (FMEA)

El Análisis Efecto Modo Falla es una metodología para evaluar un sistema, diseño, proceso o
servicio y máquinas, las posibles maneras en las que pueda fallar, los problemas, errores, fallas,
riesgos que puedan ocurrir.
El AMEF o FMEA ( Failure Mode and Effect Analisis) es una técnica de prevención, utilizada para
detectar por anticipado los posibles modos de falla, con el fin de establecer los controles
adecuados que eviten la ocurrencia de defectos.
 Identificar los modos de falla potenciales, y calificar la severidad de su efecto.

 Evaluar objetivamente la ocurrencia de causas y la habilidad de los controles para detectar la
causa cuando ocurre.
 Clasifica el orden potencial de deficiencias de producto y proceso.
 Se enfoca hacia la prevención y eliminación de problemas del producto y proceso
Existen tres componentes que ayudas a priorizar las fallas o problemas:

 Ocurrencia (O): Frecuencia de la falla.
 Severidad (S): Los efectos de la falla.
 Detención (D: Es la habilidad para detectar la falla antes de que llegue al cliente.
El resultado de un AMEF es:
Página 104 de 134

 Una lista de modos de falla potencial calificados por un RPN.
 Una lista de características críticas y/o significativas potenciales.
 Una lista de acciones recomendadas dirigidas a las características críticas o significativas
potenciales.
 Una lista de eliminación de causas de modo de falla potenciales, reducción de la
ocurrencia, mejora de la detección de defectos.
Ejemplo del uso del AMEF en Mantenimiento:
Ejemplo del uso del AMEF en Mantenimiento:
Página 105 de 134

Efecto Criterio: Severidad del Efecto Rango

Nota: CDTS = Confiabilidad, Disponibilidad, Tasa de temperatura, o
Salida. El cliente puede ser el dueño del proceso
Peligroso Puede poner en peligro al operador o la operación segura de la planta 10
sin aviso o involucra un no cumplimiento ambiental. La falla puede ocurrir sin
aviso.
Peligros Puede poner en peligro al operador o la operación segura de la planta 9

con aviso o involucra un no cumplimiento ambiental. La falla puede ocurrir con
aviso.
Muy alto Interrupción mayor de las operaciones de la planta, tiempo muerto 8

mayor a 24horas o impacto en CTDS. Posible daño al equipo. Sistemas
principales de la planta inoperable o pérdida de la función primaria.
Cliente muy insatisfecho.
Alto Interrupción de las operaciones de la planta. Tiemp muerto menor a 7

24 horas o impacto en CTDS. Cliente insatisfecho.
Moderado Interrupción menor de las operaciones de la planta. Impacto en CTDS. 6
La planta es operacional con algunos sistemas fuera de operación. El
cliente experimenta insatisfacción.
Bajo Interrupción menor de las operaciones de la planta. Impacto en CTDS. 5

La planta es operacional con algunos operando a nivel reducido de
desempeño. El cliente experimenta algo de insatisfacción.
Muy bajo Interrupción menor a las operaciones de la planta. El CDTS es 4

ligeramente impactado, la interrupción es notada por la mayoría de los
clientes.
Menor Interrupción menor a las operaciones de la planta. El CDTS puede ser 3

impactado, es notado por los clientes promedio
Mu Interrupción menor a las operaciones de la planta. El CDTS no es 2

pequeño impactado, la interrupción es notada por los clientes exigentes
Ninguno Sin efecto 1
Página 106 de 134

Ocurrencia Tasas posibles de falla Ranking

Muy alta: La falla es casi enevitable >= 1 en 3 Hrs 10
1 en 8 Hrs 9
Alta: asociado con procesos similares a 1 en 24 Hrs 8
procesos previos que han fallado 1 en 72 Hrs 7
frecuentemente
Moderada: asociado con procesos similares 1 en 167 Hrs 6

a procesos previos que han tenido fallas 1 en 720 Hrs 5
ocasionales, pero no en mayores
proporciones 1 en 4380 Hrs 4
Bajo: Fallas aisladas asociadas con procesos 1 en 8,760 Hrs 3
similares
Muy bajo: Solo fallas aisladas asociadas con 1 en 17,520 Hrs 2
procesos casi idénticos
Remoto: Falla rara. No se han observado <= 1 en 43,800 Hrs 1
fallas asociadas con procesos casi idénticos
Detección Criterio: Posibilidad de detectar la existencia de una falla o defecto Rango

con los controles del proceso antes de que se produzca un impacto
operacional de planta
Casi No hay controles disponibles para detectar los modos de falla 10
imposible
Muy Posibilidad muy remota de que los controles actuales detecten el 9
remoto modo de falla
Remoto Posibilidad remota de que los controles actuales detecten el modo de 8
falla
Muy bajo Posibilidad muy baja de que los controles actuales detecten el modo 7
de falla
Bajo Posibilidad baja de que los controles actuales detecten el modo de 6
falla
Moderado Posibilidad moderada de que los controles actuales detecten el modo 5
de falla
Moderada Posibilidad moderadamente alta de que los controles actuales 4
mente alto detecten el modo de falla
Alto Posibilidad alta de que los controles actuales detecten el modo de 3
falla
Mu alto Posibilidad muy alta de que los controles actuales detecten el modo 2
de falla
Casi Certeza de que los controles actuales detecten el modo de falla. Los 1
certeza controles de detección son conocidos en procesos similares.
PRÁCTICA 4.6 Desarrollar un AMEF de máquina o de proceso real
Página 107 de 134

Página 108 de 134

Pruebas de Hipótesis
 ¿Por qué usar la Prueba de Hipótesis?
 Se usa para probar si dos grupos son realmente diferentes (estadísticamente significativo)
o si la diferencia es debida a la variación natural
o ¿El primer turno se desarrolla mejor que el segundo turno?
Para realizar la prueba se deben comprender las hipótesis:

 La hipótesis nula
o H0= No hay diferencia entre los grupos
 La hipótesis alternativa
o Ha= los grupos son diferentes
 La hipótesis nula, o por omisión, establece siempre que no hay diferencia entre los grupos.
 P-Value: Si P£ 0.05, se rechaza la H0 y se acepta la Ha ( los grupos son diferentes)
Tipos de pruebas de hipótesis
Prueba de hipótesis Propósito

Prueba t – 1 muestra Compara una media muestral a la
media histórica u objetivo
Prueba t – dos muestras Compara las medias de dos
grupos independientes
Prueba Z – 1 muestra Compara una media muestral a la
media poblacional u objetivo
ANOVA (Prueba F) Compara dos o más medias de
grupos
Prueba de igualdad de varianzas Compara dos o más varianzas de
grupos
ANOM Compara dos o más medias de
grupos a la media general de
todos los grupos
Prueba Chi Cuadrada Compara dos o más proporciones
de grupos
Página 109 de 134

PRÁCTICA 4.7 Prueba de Hipótesis
Se evalúan los tiempos de acción para dos formulaciones desincrustantes químicas, interesa la
comparación de las medias de los tiempos para tomar decisiones, probar a un 95% de nivel de
confianza si una formulación tarda menos que la otra (en caso de que P value <= 0):
Form_1 Form_2
650 540
810 610
570 730
660 490
820 550
820 460
670 590
590 640
750 720
700 690
A un 95% de nivel de confianza (alfa es 5% o 0.05),

Realizar una prueba de igualdad de varianzas y sacar conclusiones
Minitab: Ho: Varianza form_1 = Varianza form_2 Ha: son diferentes
Stat > Basic statistics >2- Variances OK
Seleccionar Samples in different columns First Form_1 Second Form_2
OK
Identificar el valor P en la prueba F, si es menor a 0.05 se rechaza Ho y son diferentes
Como el valor P 0. es que 0.05,
Se concluye que Las varianzas son
Realizar una prueba de igualdad de medias y sacar conclusiones

Minitab: Ho: Media form_1 = Media form_2 Ha: son diferentes
Stat > Basic statistics >2- Samples t
Seleccionar Samples in different columns First Form_1 Second Form_2
Seleccionar Assume equal variances
Options: Conf. Level 95 Test Difference 0.0 Alternative Not equal
Grpahs: Box plots OK OK
Como el valor P 0.025 es menor que 0.05, o el cero NO está en el IC (14.5, 189.5)
Se concluye que Las medias de las formulaciones son diferentes ( La form_1 es mayor)
Página 110 de 134

Con una prueba de análisis de varianza en Minintab (ANOVA – Unstacked), también se pueden
probar las medias:
Minitab: Ho: Media form_1 = Media form_2 Ha: son diferentes
Stat > ANOVA >One Way (Unstacked)
Response in separate columns Seleccionar Form_1 Form_2
Confidence Level 95%
Comparisons Seleccionar Tukey 5%
Como el valor P es menor que 0.05, o el cero NO está en el IC
Se concluye que Las medias de las formulaciones son
Para cada causa probable , el equipo deberá por medio del diagrama 5Ws – 1H:
 Llevar a cabo una tormenta de ideas para verificar la causa.
 Seleccionar la manera que: represente la causa de forma efectiva, y sea fácil y rápida de
aplicar.
¿qué? ¿por qué? ¿cómo? ¿cuándo ¿dónde ¿quién?

? ?
1 1.1 Por variación de 1.1.1 Tomar dimensiones de ensamble entre Abril ’04 1804 J. R.
Tacogenerador voltaje durante el coples. Embob.
de motor ciclo de cambio 1.1.2 Verificar estado actual y
embobinador especificaciones de escobillas.
1.1.3 tomar valores de voltaje de salida
durante el ciclo de cambio.
2 Sensor 2.1 Por que nos 2.1.1 Tomar dimensiones de la distancia Abril ’04 1804 U. P.
circular y de genera una varión en entre poleas y sensores. Embob.
velocidad de la señal de referencia 2.1.2 Tomar valores de voltaje de salida de
linea. hacia el control de los sensores.
velocidad del motor 2.1.3 Verificar estado de rodamientos de
embobinador poleas.
3 Ejes 3.1 Por vibración 3.1.1 Tomar lecturas de vibración en Abril’04 1804 F. F.
principales de excesiva durante el alojamientos de rodamientos Embob.
transmisión. ciclo de cambio 3.1.2 Comparar valores de vibraciones con
lecturas anteriores.
3.1.3 Analizar valor lecturas de vibración
tomadas.
4 Poleas de 4.1 Puede generar 4.1.1 Verificar alineación, entre poleas de Abril’04 1804 J. R.
transmisión de vibración excesiva ejes principales y polea de transmisión del Embob. U. P.
ejes durante el ciclo de motor.
embobinadores cambio. 4.1.2 Tomar dimensiones de poleas(dientes
. de transmisión).
4.1.3 Tomar dimensiones de bandas (dientes
de transmisión)
4.1.4 Verificar valor de tensión de bandas.
Página 111 de 134

Resumen de la validación de las causas
# de
Causa Causas Resultados Causa
Raíz
1 Ensamble de ojillos, bloques y SI ES CAUSA RAIZ X
contrapesos no adecuados en
aspas.
2 Amortiguadores dañados. SI ES CAUSA RAIZ X
3 Desgaste de bujes en los
carretes. NO ES CAUSA RAIZ
4 Fabricación y reemplazo de NO ES CAUSA RAIZ
ejes y poleas no adecuados en
ensamble de aspas.
Desalineamiento de poleas y
SI ES CAUSA RAIZ X
5 bandas de transmisión de
aspas.
Método de Balanceo no
6 SI ES CAUSA RAIZ X
adecuado.
7 Desalineación de pinolas en NO ES CAUSA RAIZ
cuna.
Página 112 de 134

VI. Seis Sigma - Fase de Mejora

 Propósito:
o Desarrollar, probar e implementar soluciones que atiendan a las causas raíz
 Salidas
o Acciones planeadas y probadas que eliminen o reduzcan el impacto de las causas raíz
identificadas
o Comparaciones de la situación antes y después para identificar la dimensión de la
mejora, comparar los resultados planeados (meta) contra lo alcanzado
FASE DE MEJORA
Causas
raíz Técnicas de
Diseño de creatividad
experimentos Tormenta de
ideas
Optimización Ideas Metodología
TRIZ
Efecto de X's Generación de soluciones

en las Y =
CTQs
Evaluación de soluciones
(Fact., ventajas, desventajas)
¿Solución
No factible?
Si
Implementación de
soluciones y verificación
de su efectivdad
Soluciones
verificadas
Diseño de Experimentos
 El cambiar un factor a un tiempo presenta las desventajas siguientes:
o Se requieren demasiados experimentos para el estudio
o No se puede encontrar la combinación óptima de variables
o No se puede determinar la interacción
o Se puede llegar a conclusiones erróneas
o Se puede perder tiempo en analizar las variables equivocadas
Página 113 de 134

¿Qué es un diseño de experimentos?
Cambios deliberados y sistemáticos de las variables de entrada (factores) para observar los
cambios correspondientes en la salida (respuesta).
Entradas Salidas (Y)
Proceso
Diseño de experimentos
Factores conocidos no controlados
w1 w2 w3 w4 ... ws
E y1 S
x1
N A
T x2 y2
.. PROCESO .. L
R . . I
A ym D
xa
D A
A Variables de
Factores
S respuesta (y’s) S
de control
z 1 z2 z 3 z4 . . . z n (CTQ’s)
con niveles
(x’s) Factores desconocidos
147
Pasos del DOE:

 Establecer objetivos
 Seleccionar variables del proceso
 Seleccionar un diseño experimental
 Ejecutar el diseño
 Verificar que los datos sean consistentes con los supuestos experimentales
 Analizar e interpretar los resultados
 Usar / presentar los resultados
Página 114 de 134

Diseño factorial 2K
 Los diseños factoriales completos:
o Prueba todas las combinaciones de condiciones de los factores
o Son fáciles de seguir por su patrón repetitivo
o Producen información de los efectos factoriales de 4 o más veces la que produce
un factor a la vez
o Pueden identificar y ayudar a comprender las interacciones entre factores
o Son fáciles de analizar
o Pueden cuantificar las relaciones entre las X´s y las Y´s producen una ecuación
 Factorial completo incluye todas las combinaciones posibles, para 3 factores con 2 niveles,
hay 2x2x2 = 8 combinaciones. 2 x 2 x 2 es escrito 2 3. El 3 indica el número de 2s
multiplicados juntos.
 Para 3 factores hay 23 = 8 posibles combinaciones de factores
 Las interacciones son importantes el efecto del factor A depende del factor B y C
DOE Gráficas de efectos principales
La gráfica de efectos principales es una forma eficiente de ver

los cambios en el promedio de La respuesta (Y) con cada factor
Página 115 de 134

Main Effects Plot (data means) for Res
90
88
Res
86
84
82
A B
Efecto significativo Efecto NO significativo
DOE gráficas de interacciones
Interaction Plot (data means) for Res
A
-1
1
90
Mean
85
80
-1 1
B
Nota: No es significativo
Interacción significativa Cuando las líneas son
Casi paralelas
El factor A y el B indican interacción significativa, dadas las diferentes pendientes de las líneas
rectas que unen sus niveles.
Tipos comunes de Diseño de experimentos
 Diseño fraccional de dos niveles de filtraje

o Se usa para identificar las pocas X’s desde muchos factores potenciales
 Diseños factoriales completos o fraccionales 2K de alta resolución :
o Usado para ayudar a un equipo a entender cómo actúan los factores principales
juntos para influir en la respuesta
 Diseño robusto o Diseños de Taguchi
o Usado para estudiar el efecto de los factores no solo en el promedio sino en la
variación de la respuesta Y
 Metodología de superficie de respuesta
o Usado para determinar los ajustes óptimos para factores principales
Página 116 de 134

 Operación Evolutiva (EVOP)
o Se usa para experimentar en un proceso mientras “esta en línea”. Si los cambios
en los niveles de factores se hacen dentro de los límites de especificación,
siempre se cumple con los requerimientos de los clientes
 Diseño de experimentos de Mezclas
o Se usa para optimizar los porcentaje de ingredientes en una mezcla química
Diseños de experimentos de Taguchi

Objetivo: obtener la mayor cantidad de información con un mínimo de corridas de
experimentación industrial, cambiando los niveles de varios factores a la vez .
 Dar prioridad a los factores principales, ya que las interacciones son difíciles de manejar y
por eso deben de considerarse como factores de ruido.
 Las interacciones a probar deben de ser conocidas ó altamente probables. Si las
interacciones altamente significativas no son incluidas, se generará una confusión
 Se deben de analizar los datos mediante la razón señal a ruido, detectando con ello las
combinaciones de los factores de control que generan un proceso robusto.
PRACTICA 6.1. Diseño de experimentos de Taguchi
El experimento se diseñó utilizando Arreglos Ortogonales.

Los factores seleccionados con sus niveles son:
Niveles
Factores N1 N2
Porcentaje de exceso de O2 0.8 1.2
Compuertas auxiliares N1 20 40
Inclinación de quemadores -30 0
Temperatura Vapor SC. a

Turbina 537 542
Figura 3.4.2 Tabla de factores de experimentación con sus niveles
El Arreglo Ortogonal seleccionado fue el L8 2^7
Página 117 de 134

La asignación de los factores al arreglo y el orden (aleatorio) de experimentación es el siguiente:
1 1 1 1 1 1 1
1 1 1 2 2 2 2
1 2 2 1 1 2 2
1 2 2 2 2 1 1
2 1 2 1 2 1 2
2 1 2 2 1 2 1
2 2 1 1 2 2 1
2 2 1 2 1 1 2
Figura 3.3.1.4.2 Tabla del arreglo ortogonal
Sustituyendo niveles reales no codificados, el arreglo queda como:
# % C.A. C.A. C.A. C.A. Inclinación Temperatura

Exp O2 N1 N2 N3 N4 Quemadores Vapor Orden de
Experimentación
1 2 3 4 5 6 7
1 0.8 20 20 20 20 -30 537 2
2 0.8 20 20 40 40 0 542 5
3 0.8 40 40 20 20 0 542 6
4 0.8 40 40 40 40 -30 537 8
5 1.2 20 40 20 40 -30 542 1
6 1.2 20 40 40 20 0 537 4
7 1.2 40 20 20 40 0 537 3
8 1.2 40 20 40 20 -30 542 7
Figura 3.4.3 Arreglo ortogonal con orden de experimentación
Paso 1. Para darlo de alta en Minitab, se copia la tabla de los factores únicamente, o sea:
Inclinación
Quemadore Temperatura
% O2 C.A. N1 C.A. N2 C.A. N3 C.A. N4 s Vapor
0.8 20 20 20 20 -30 537
0.8 20 20 40 40 0 542
0.8 40 40 20 20 0 542
0.8 40 40 40 40 -30 537
1.2 20 40 20 40 -30 542
1.2 20 40 40 20 0 537
1.2 40 20 20 40 0 537
1.2 40 20 40 20 -30 542
Página 118 de 134

Paso 2. Se ejecuta la siguiente instrucción en Minitab:
Paso 3. Posteriormente se corren los 8 experimentos en el orden aleatorio 2, 5, 6, 8, 1, 4, 3 y 7

para minimizar el error experimental y se obtienen los resultados. Esta columna de resultados se
introduce a Minitab como sigue:
FACTORES PARA EXPERIMENTACION
Inclinación Temperatura
% O2 C.A. N1 C.A. N2 C.A. N3 C.A. N4 Resultados
Quemadores Vapor
Resultados
0.8 20 20 20 20 -30 537
1 1 1 1 1 1 1 2668.02
2668.02
0.8 20 20 40 40 0 542
2600.72
2600.72
1 1 1 2 2 2 2
2612.76
0.8 40 40 20 20 0 542
1 2 2 1 1 2 2 2612.76
2640.88
0.8 40 40 40 40 -30 537
2640.88 2627.36
1 2 2 2 2 1 1
1.2 20 40 20 40 -30 542 2583.98

2 1 2 1 2 1 2 2627.36
2591.12
1.2 20 40 40 20 0 537
2 1 2 2 1 2 1 2583.98 2628.82
1.2 40 20 20 40 0 537
2 2 1 1 2 2 2 2591.12
1.2 40 20 40 20 -30 542

2 2 1 2 1 1 1 2628.82
Media Global 2619.21
Página 119 de 134

Paso 4. Ahora se analiza el diseño con:
Seleccionar la respuesta “Resultados”
En Analysis seleccionar en Fit linear model for Signal to noise ratios y means
En Options seleccionar Smaller is Better ya que se busca minimizar la respuesta
Página 120 de 134

Paso 5. Las gráficas obtenidas de Relación Señal a Ruido son las siguientes:
Main Effects Plot for SN ratios
Data Means
% O2 C .A . N1 C .A . N2
-68.30
-68.35
-68.40
Mean of SN ratios
0.8 1.2 20 40 20 40
C .A . N 3 C .A . N4 Inclinación Q uemadores
-68.30
-68.35
-68.40
20 40 20 40 -30 0
Temperatura V apor
-68.30
-68.35
-68.40
537 542
Signal-to-noise: Smaller is better
En esta se seleccionan los niveles que proporcionen la mayor S/N (%O2 = 1.2 y Inclinación
quemador = 0).
Y para las medias coinciden los mismos niveles que para S/N:
Main Effects Plot for Means

Data Means
% O2 C .A . N 1 C .A . N 2
2640
2620
2600
0.8 1.2 20 40 20 40
Mean of Means
C .A . N 3 C .A . N 4 Inclinación Q uemadores
2640
2620
2600
20 40 20 40 -30 0
Temperatura V apor
2640
2620
2600
537 542
Página 121 de 134

Paso 6. En resumen se pueden sugerir los niveles siguientes para los factores, con objeto de
minimizar el consumo de combustible:
Los niveles de operación recomendados se muestran en la siguiente tabla:
Factor Condición
Inclinación de quemadores 0
Porcentaje de exceso de O2 1.2
Temperatura de vapor 542
Figura 3.4.2.3 Tabla de los parámetros recomendados
Paso 7. Con los coeficientes de predicción anteriores se establece la predicción de la respuesta

esperada:
Ecuación de predicción
Estimated Model Coefficients for Means

Term Coef
Constant 2619.21
% O2 0.8 11.39
C.A. N1 20 0.81
C.A. N2 20 2.96
C.A. N3 20 5.61
C.A. N4 20 4.19
Inclinac -30 22.06
Temperat 537 1.79
μopt = ȳ +( Ā 2− ȳ )+( B̄2 − ȳ )+( C̄ 2 − ȳ )+( D̄ 2− ȳ )+( Ē2 − ȳ )+( F̄2 − ȳ )+( Ḡ2− ȳ )
mopt = 2619.21 + (2607.82 - 2619.21) + (2618.4 - 2619.21) + (2616.25- 2619.21) + (2613.6 -2619.21) + (2615
- 2619.21) + (2597.15 - 2619.21) + (2617.42 - 2619.21)
mopt = 2570.4
Página 122 de 134

Paso 8. Usar lo siguiente para la Predicción de resultados:
Se seleccionan UNCODED values todos en nivel alto (2)
Página 123 de 134

La predicción obtenida es la siguiente:
Predicted values
S/N Ratio Mean

-68.2022 2570.40
Factor levels for predictions
C.A. C.A. C.A. C.A. Inclinación Temperatura

% O2 N1 N2 N3 N4 Quemadores Vapor
1.2 40 40 40 40 0 542
Técnicas de creatividad
SCAMPER
 Sustituir, Combinar, Adaptar, Modificar o ampliar, Poner en otros usos, Eliminar, Revertir o
re arreglar
 Involucrar al cliente en el desarrollo del producto
 ¿qué procedimiento podemos sustituir por el actual?
 ¿cómo podemos combinar la entrada del cliente?
 ¿Qué podemos adaptar o copiar de alguien más?
 ¿Cómo podemos modificar nuestro proceso actual?
 ¿Qué podemos ampliar en nuestro proceso actual?
 ¿Cómo puede apoyarnos el cliente en otras áreas?
 ¿Qué podemos eliminar en la forma de inv. Del cliente?
 ¿qué arreglos podemos hacer al método actual?
Página 124 de 134

Lista de atributos
Dividir el problema en partes. Por ejemplo para una linterna
Componente Atributo Ideas
C uerpo Plástic o Metal

Enc endido/ Apagado
Interruptor Enc endido/ Apagado
/ luminosidad media
Batería C orriente Rec argable
Bombillo de Vidrio Plástic o
Peso Pesado Liviano
Análisis morfológico
Conexiones morfológicas forzadas
Ejemplo: Mejora de un bolígrafo

Fuente de
Cilindrico Material Tapa
Tinta
De múltiples
Metal Tapa pegada Sin repuesto
c aras
Cuadrado Vidrio Sin Tapa Permanente
En forma de Repuesto de
Madera Retrác til
c uentas papel
En forma de Tapa Repuesto
Papel
esc ultura desec hable hec ho de tinta
Los Seis Sombreros de pensamiento

 Dejemos los argumentos y propuestas y miremos los
datos y las cifras.
 Exponer una intuición sin tener que justificarla
 Juicio, lógica y cautela
 Mirar adelante hacia los resultados de una acción

propuesta
 Interesante, estímulos y cambios
 Visión global y del control del proceso
162
Página 125 de 134

TRIZ – Solución creativa de problemas

 Hay tres grupos de métodos para resolver problemas técnicos:
o Varios trucos (con referencia a una técnica)
o Métodos basados en utilizar los fenómenos y efectos físicos (cambiando el estado de
las propiedades físicas de las substancias)
o Métodos complejos (combinación de trucos y física)
Las 40 herramientas de TRIZ
Implantación de soluciones
¡!!!! HACERLO ¡!!!!
Verificando mejoras
Una vez que las mejoras han sido identificadas e implementadas, los resultados deben ser
verificados usando datos del estado anterior y del estado posterior de la implementación.
 Prueba de hipótesis
o Prueba t 2 muestras
o Prueba de igualdad de varianzas
Página 126 de 134

o Prueba de 2 proporciones
 Cartas de control estratificadas
 Sigma de Proceso
 Capacidad del Proceso
 Diagrama de Pareto
Prueba de igualdad de varianzas
Prueba de igualdad de medias
PRACTICA 6.2. Cartas de control estratificadas
 Las cartas de control pueden ser estratificadas para mostrar procesos de control para
diferentes “factores”
Página 127 de 134

Capacidad del proceso y sigmas del proceso
 La capacidad del Proceso y las Sigmas del Proceso pueden ser recalculados para verificar
mejoras:
Diagrama de Pareto
Diagrama de Pareto del antes y después puede ser usada para mostrar las mejoras
Página 128 de 134

Verificación de soluciones
QFD
FASE DE ANÁLISIS
Diagrama de
relaciones
Diagrama
Causa Efecto Diagrama de
Ishikawa
Diagrama
de Árbol
Definición
Y=X1 + X2+. .Xn
CTQs = Ys Medición Y,
Operatividad X1, X2, Xn
X's
Causas
Análisis del Modo y Efecto de potenciales
Falla (AMEF)
Pruebas
de
hipótesis
Diagrama
de Flujo
del X's vitales
proceso No ¿Causa Si Causas raíz
Raíz? validadas
Página 129 de 134

VII. Seis Sigma – Fase de control

Objetivos:
 Mantener las mejoras por medio de control estadístico de procesos, Poka Yokes y trabajo
estandarizado
 Anticipar mejoras futuras y preservar las lecciones aprendidas de este esfuerzo
Salidas:
 Plan de control y métodos de control implementados
 Capacitación en los nuevos métodos
 Documentación completa y comunicación de resultados, lecciones aprendidas y
recomendaciones
Página 130 de 134

Prevención de la reincidencia
 Controles automáticos
 Ayudas visuales / Poka Yokes
 Procedimientos de operación estándar
 Especificaciones
 Capacitación
CON TROL ES AYUDAS

AUTOMATICOS VISUAL E S PROCEDIM IE NTOS E SPE CI FICACI ONES
POK A - YOKE DE OPE RACIÓN
E STANDAR
Las
5 S’s para ahorro de espacio y tiempo
 Serie, Seiton, Seiso, Seiketsu, Shitsuke
TPM
Mantenimiento productivo total

 (Total Productive Maintenance)
 Para la mejora continua de la operación del equipo y sistemas a través de las
actividades de mantenimiento proactivo, incluye los mantenimientos:
 Preventivo, correctivo planeado, autónomo, predictivo, preventivo del mantenimiento
y orientado a la confiabilidad (RCM)
¿Es costoso?
Página 131 de 134

Controles visuales
 Siempre que sea posible tratar de encontrar los sistemas visuales para mantener los
cambios
 Ejemplos de controles visuales
o Pegar métricas (diagramas de Pareto, semáforos, cartas de tendencia)
o Contenedores de colores con código
o Poner niveles min / máx.
o Ubicación de materiales/ herramientas (5S)
 Los sistemas visuales hacen mucho más fácil determinar el camino correcto para hacer o
identificar algo cuando algo está fuera de lugar.
Tipos de controles visuales

 Información de seguridad y salud
 Identificación de personas, lugares y cosas
 Procedimientos de trabajo y métodos
 Estándares de Calidad, instrucciones, resultados
 Visibilidad del status
 Visibilidad del problema
 Programación
 Comunicación
Ejemplos de controles visuales

 Pizarrones
 Luces de status
 Señales de inventario
 Contenedores Retornables
 Pizarrones con métricas
Página 132 de 134

Poka Yokes – Tipos
 Poka – Yokes son dispositivos o métodos que hacen un proceso “A prueba de error” o “A
prueba de equivocaciones”, principalmente ante errores humanos
 DISPOSITIVOS DE PREVENCIÓN & DISPOSITIVOS DE DETECCIÓN
Ejemplo de horno de microondas
DETECCIÓN PREVENCIÓN
La computadora La computadora no
suena cuando se permite que se
introduce un introduzcan ciertos
comando no caracteres en
válido pero no campos específicos
evita que el (v. gr. No números)
usuario ejecute
un comando
erróneo
Procedimientos, documentación y capacitación

Procedimientos
 Los Procedimientos deben ser escrito para documentar los procesos cambiados y deben
ser:
o Fáciles de entender
 Considere a la audiencia
o Visuales
 “Una imagen es mejor que mil palabras”
o Completo (No se salte pasos)
 No asuma o de por obvio nada
o Revisado por otros para su claridad
 ¿Es correcto reproducir el proceso ( repetido por varias personas)?
Capacitación
 La capacitación debe ser siempre parte del proyecto
 Cuando vaya a capacitar considere:
o ¿los capacitados pueden demostrar el proceso correcto?
o ¿No asuma que todo mundo entiende a la primera?
Página 133 de 134

Monitoreo del proceso
Cartas de control
 Se usan frecuentemente como herramienta de control
 Muestran la historia de cómo se desempeña el proceso, es claro ver cuando algo cambia
 Establece las expectativas de desempeño del proceso
 Herramienta útil para la toma de decisiones de los operadores
o Ajustes en el proceso
o Problemas de Material
o Problemas de maquinaria
 Guía para OLPC
Ejemplos de aplicación de DMAIC en CFE

 Reducción del TIUT (DMAIC)
 Reducción de tiempo de conexión (DMAIC)
 Mejora de la seguridad operativa (DFSS)
 Reducción del factor de potencia (DMAIC)
 Reducción de errores de facturación (DMAIC)
 Mejora de la compactación presas (DMAIC)
 Reducción de tiempo de mantenimiento en turbinas de gas (DMAIC)
 Reducción de inventarios en almacenes (DMAIC)
Lecciones aprendidas
 Es uno de los últimos pasos en el análisis post mortem (también llamado lecciones
aprendidas, evaluación post proyecto).
 Es una revisión formal y crítica documentada realizada por un comité de personal
calificado, se incluyen todas las fases del desarrollo del proyecto
Página 134 de 134

Seis Sigma Basico

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

Seis Sigma Basico

Cargado por

Copyright:

Formatos disponibles

SEIS SIGMA BÁSICO DMAIC P.

Reyes /junio 2008

SEIS SIGMA BÁSICO

DR. PRIMITIVO REYES AGUILAR

Mail. Primitivo_reyes@yahoo.com / Cel. 044 55 52 17 49 12

I. Panorama de Seis Sigma en la organización

II. Seis Sigma – Fase de definición

III. Seis Sigma – Fase de medición

IV. Seis Sigma – Fase de Análisis

V. Seis Sigma – Fase de mejora

VI. Seis Sigma – Fase de control

VII. Proyectos Seis Sigma

I. Despliegue de Seis Sigma en la organización

¿Qué es Seis Sigma?

Seis Sigma como estrategia

Antecedentes de Seis Sigma

Razones por las que funciona Seis Sigma

Resultados esperados de Seis Sigma

¿Qué es Sigma? (s)

Distribución gráfica de la variación –

Número Número Número Número

Número Número Número

LAS DISTRIBUCIONES PUEDEN DIFERIR EN:

Número Número Número

Interpretación estadística de Seis Sigma

Media del proceso

4.5 sigmas La capacidad

-6 -5 -4 -3 -2 -1 0 +1+2+3 +4+5+6

LIE - Límite LSE - Límite

Nivel Sigma Ppm

a) Eficiencia del 98% Nivel sigma =

b) Eficiencia del 85% =

c) Eficiencia del 99.2% =

b) 8,000 ppm o 0.8% Nivel sigma =

c) Rendimiento del 75% Nivel sigma =

Utilizar la tabla de la página siguiente:

Las fases de Seis Sigma (DMAIC)

Su propósito es reducir el tiempo de ciclo y aumentar la productividad en la empresa.

Los 7 desperdicios o Muda

Métodos Lean para la mejora

Las 5 Ss y la administración visual

1.- SEIRI significa: ORGANIZAR y SELECCIONAR:

2.- SEITON significa PONER LAS COSAS EN ORDEN.

Implementación del orden de 5S’s

3.- SEISO significa: LIMPIEZA.

4.- SEIKETSU significa: LIMPIEZA ESTANDARIZADA.

5.- SHITSUKE (DISCIPLINA).

PRÁCTICA 1.3 Identificar áreas de oportunidad de aplicación de las 5S’s en la empresa

Preparaciones y cambios rápidos (SMED)

Reducción de los tiempos de preparación, mantenimiento y puesta a punto

Operaciones internas vs externas

Pasos para reducir los tiempos de preparación

Ejemplo de Cambio rápido – SMED: Se redujo el tiempo de puesta a punto de una

PRÁCTICA 1.4 Identificar áreas de oportunidad de reducción de tiempos de

Poka Yokes o A prueba de error

Pasos para el desarrollo de Poka Yokes

PRÁCTICA 1.5 Identificar áreas de oportunidad para implementar Poka Yokes.

Por estandarización se entiende:

PRÁCTICA 1.6 Identificar áreas de oportunidad para implementar procedimientos e

Mantenimiento Productivo Total (TPM)

El mantenimiento productivo total incluye:

PRÁCTICA 1.7. Identificar áreas de oportunidad para implementar el TPM en el

Metodología Lean Sigma