Tesis Herr SSHector

Tesis de Hector Hernández S.
HÉCTOR HERNÁNDEZ SINENCIO
PARA LA OBTENCIÓN DEL GRADO DE MAESTRO EN INGENIERÍA DE

CALIDAD.
“MANUAL DE HERRAMIENTAS ESTADÍSTICAS PARA LA

IMPLEMENTACIÓN DE PROYECTOS SEIS SIGMA”
ASESOR: DR. PRIMITIVO REYES AGUILAR

INDICE
Antecedentes
Capitulo 1 Introducción a la metodología Seis Sigma
Capitulo 2 Fase de Definición
Capitulo 3 Fase de Medición

3.A Estadística descriptiva
3.B Probabilidad
3.C Distribución Normal
3.1 Lluvia de ideas
3.2 Técnica de grupos nominales (NGT)
3.3 Análisis de Campo de Fuerzas
3.4 Diagrama de Ishikawa
3.5 Why-Why-Why
3.6 5W/ 1H
3.7 Diagrama de Pareto
3.8 Diagrama Matriz
3.9 Matriz Causa y Efecto
3.10 Diagrama de Relaciones
3.11 Diagrama de Afinidad
3.12 Hoja de Verificación
3.13 Carta de Tendencias
3.14 Diagrama de Dispersión
3.15 Mapa de procesos
3.16 QFD
3.17 Benchmarking
3.17 Capacidad de los Sistemas de medición (R&R)
Capitulo 4 Fase de Análisis
4.1 Capacidad del Proceso

4.2 Mediciones para Seis Sigma
4.3 AMEF
4.4 Intervalos de confianza y Pruebas de hipótesis
4.5 Tablas de Contingencia
4.6 Análisis Multivari
4.7 ANOVA
4.8 Análisis de Regresión
Capitulo 5 Fase de Mejora

5.1 DOE Factor
5.2 DOE Central
5.3 DOE Taguchi
5.4 Superficie de respuesta (RSM)
Capitulo 6 Fase de Control

6.1 Pre- Control
6.2 Cartas de Control
6.3 Poka – Yoke
Caso práctico
Conclusiones
Anexo 1 Tablas
Bibliografía
I. ANTECEDENTES
Actualmente, uno de los mayores problemas que enfrentan las

empresas es el de la fuerte competencia dentro de cada mercado a
nivel local y global. Esto es una gran amenaza para las mismas si no
encuentran los mecanismos adecuados para poder subsistir en el medio.
Las organizaciones con una misión como la del diseño de productos, la

manufactura o la prestación de servicios, tienen que ser cada vez más
eficientes y productivas. De tal manera que todos sus miembros y
recursos se conjunten en un solo esfuerzo para crear una cadena de
valor que logre satisfacer ampliamente las necesidades de los
consumidores. En otras palabras todas las partes que componen esta
cadena tienen el reto de proporcionar productos o servicios con mayor
calidad, en menos tiempo, y al menor costo posible.
La labor de los diseñadores de producto, por ejemplo, es la de innovar

en el menor tiempo , aunque los productos sean demasiado complejos
en algunas ocasiones. Asimismo, el departamento de manufactura
experimenta gran presión al tener que fabricar mayores volúmenes de
producción, con menos recursos. Las áreas de servicio, tienen que
reducir al máximo sus tiempos de entrega para lograr la satisfacción de
los clientes.
Las organizaciones llevan a cabo una gran variedad de procesos
mediante los cuales logran la transformación. En estos procesos la
"variación" es un factor muy importante a controlar. El concepto de
variación establece que no existen dos artículos que sean perfectamente
idénticos, es un fenómeno de la naturaleza y un hecho en el entorno de
cualquier tipo de organización, por ejemplo las dimensiones de la
ventana de contacto de un chip integrado producido en gran escala
varían de un chip a otro; el contenido de shampoo varía ligeramente de
un envase a otro; el tiempo requerido para asignar un asiento en el
mostrador de registro de una línea aérea varía de un pasajero a otro. Si
se ignora la existencia de esta variación (o se racionaliza en forma falsa
que es pequeña) se puede llegar a tomar decisiones incorrectas sobre
problemas importantes, impactando la calidad de los productos.
¿Qué mecanismos debemos adoptar para reducir la variación en

nuestros procesos e incrementar el nivel de calidad?
A lo largo del tiempo las técnicas para mejorar la calidad han ido
evolucionando; en un principio la calidad se controlaba mediante
inspecciones finales de los productos (siglo XIX), los que estaban
dentro del rango de especificaciones se aceptaban, los que no se
rechazaban teniendo que ser reprocesados o desechados.
Con este sistema se corren dos riesgos: el primero es tener que estar
reprocesando gran cantidad de artículos defectuosos y el segundo es
que a pesar de la inspección por muy rigurosa que sea, pueden llegar
productos en mal estado a las manos del consumidor final. En este caso
la probabilidad de incurrir en costos de fallas internas y externas es muy
alto.
Debido a las pérdidas económicas que generaban estos desperdicios y

en el afán por mejorar la calidad surgen nuevas ideas y metodologías.
Durante la Segunda Guerra Mundial se desarrolló el Control
Estadístico de Procesos (CEP), enfocado al control de los procesos y
la aparición de métodos estadísticos para el mismo fin y para la
reducción de los niveles de inspección.
En la década de los cincuenta surge el Aseguramiento de la Calidad,
en ésta época se detecta la necesidad de involucrar a todos los
departamentos de la organización en el diseño, planeación y ejecución
de políticas de calidad.
En la era de la Administración Estratégica por Calidad Total
(década de los noventa), se hace hincapié en el mercado y en las
necesidades del consumidor, reconociendo el efecto estratégico de la
calidad en el proceso de competitividad.
A principios de los noventa se desarrolla el sistema denominado SEIS
SIGMA(SIX SIGMA) el cual consta de una metodología para la solución
de problemas, basándose principalmente en la aplicación de técnicas
estadísticas para reducir la variación al máximo.
La metodología SEIS SIGMA, engloba técnicas de Control Estadístico de

Procesos, QFD,Taguchi, Benchmarking, entre mucha otras más; siendo
una sólida alternativa para mejorar los procesos y por lo tanto, lograr la
satisfacción de los clientes. Entre las principales ventajas que presenta
esta metodología se encuentran las siguientes: contiene una serie de
pasos generales para llevar a cabo la implementación en cualquier tipo
de empresa, las herramientas que la conforman pueden ser utilizadas
por usuarios de diferentes disciplinas y niveles dentro de la
organización; representa un desafío para las empresas que lo llevan a
cabo ya que la meta es alcanzar un nivel de variación “mínimo”. descrito
a continuación:
El término SIGMA es una letra del alfabeto griego (  ) utilizado para
describir variabilidad, la medida que comúnmente se utiliza es: defectos
por unidad. Un nivel de calidad sigma "Alto" significa que los defectos
tienen menores posibilidades de ocurrir, mientras que uno "Bajo",
tendrá mayores probabilidades de estar presente. El nivel Seis Sigma
significa que se encontrarán únicamente 3.4 defectos por cada millón
de unidades producidas.
La metodología Seis Sigma involucra una medida, para determinar el

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

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

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

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

dentro de una metodología estructurada incrementando el conocimiento
necesario para lograr de una mejor manera, más rápido y al más bajo
costo, productos y servicios que la competencia.
Se caracteriza por la continua y disciplinada aplicación de una estrategia
maestra "proyecto por proyecto", donde los proyectos son seleccionados
mediante estrategias clave de negocios, lo cual conduce a recuperar la
inversión realizada y obtener mayores márgenes de utilidad. La gente
que coordina los proyectos de Seis Sigma son comúnmente llamados:
BlackBelts1, Top guns, Change Agents, o Trailblazers.
Aplicar la iniciativa Seis Sigma dentro de una compañía significa

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

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

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

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

trabajo tratando de fabricar una parte para que el tren de aterrizaje
de un jet ajustará correctamente. El personal realizó grandes
aportaciones de ideas durante mucho tiempo, sin embargo el
problema no se solucionaba. La disciplina estadística Seis Sigma
descubrió una parte que se desviaba por una milésima de pulgada.
Ahora que se corrigió el problema la compañía ahorra $14,000
dólares por cada jet fabricado.
II. JUSTIFICACION
Ante la necesidad de implementar en las empresas sistemas que

incrementen la calidad de los productos y servicios, dando mayor
rentabilidad a las mismas como se explicó anteriormente la aplicación de
Seis Sigma es una sólida alternativa, esta metodología está enfocada a
todas las áreas que componen una empresa y no solamente a un
departamento específico de calidad. La bibliografía con la que se cuenta
actualmente es demasiado compleja y el lenguaje en algunos casos
resulta difícil para el usuario, por los términos y conceptos de estadística
avanzada. Por este motivo se pretende desarrollar un manual práctico
y accesible para los diferentes perfiles de aquellos que lleven a cabo la
implementación del sistema SEIS SIGMA.
A continuación se mencionan las ventajas que tiene la implementación

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

proyectos de mejora.
 Las técnicas estadísticas son más fáciles de comprender y de
seleccionar ya que utiliza un lenguaje más digerible para la
mayoría de los usuarios.
 Utilización de reportes de Confiabilidad para la selección de
proyectos de mejora.
 La selección de los equipos de mejora y entrenamiento son más
robustos ya que es conducida a través de grupos de gente que
poseen el conocimiento, experiencia, disciplina técnica, liderazgo y
conocimientos en el área específica. (Champions, Black Belts,
Green Belts, etc.)
 Análisis de los sistemas de medición (calibración), como parte de
la metodología.
 Análisis de los proceso críticos mediante las técnicas de Diseño de
experimentos y Superficie de respuesta.
 Para la implementación y control de la condiciones óptimas del
proceso se utiliza en gran medida el Diseño de experimentos, CEP
y Superficie de respuesta.
 Realiza estudios de la capacidad del proceso, cuando los índices
cp  2.0 y cpk  1.5 , se tiene un buen indicador de que se está
logrando el nivel Seis Sigma.
 Garantiza el cumplimiento mediante muestreos aleatorios.
 Los objetivos son medidos mediante el logro de la métrica 6 , y
las utilidades que genera cada proyecto.
 Seis Sigma tiene mayor integración con las estrategias clave de
negocio y desempeño.
 El liderazgo en Seis Sigma se da desde la dirección, mientras que
en los sistemas de Calidad se ha mostrado mayor escepticismo
por parte de la administración.
 Uno de los mayores beneficios que tiene Seis Sigma es que
rompe las barreras entre departamentos utilizando la
administración de procesos “Cross Functional”.
Ventajas Calidad Total vs. Seis Sigma
 Realiza un diagnostico operativo y cultural en la empresa antes de

llevar a cabo la implementación del sistema.
 Propone el desarrollo de políticas de calidad las cuales deben de
ser son congruentes con los planes estratégicos de la empresa.
 Dicta procedimientos de entrenamiento, educación y
reconocimiento a los logros de calidad (mayor administración del
recurso humano).
 Propone el uso de un sistema de Aseguramiento de Calidad, el
cual proporciona la certeza de que el resultado del proceso
productivo tendrá los niveles de calidad deseados.
 Desarrollo de círculos de calidad mediante los cuales se forman
grupos voluntarios de trabajadores para discutir temas
relacionados con la calidad, fortaleciendo la actitud de los
trabajadores hacia el trabajo.
Desventajas de los sistemas de Aseguramiento de Calidad vs.

Seis Sigma
 El sistema de comunicación es lento.

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

principal para quien pretenda implementarlo sin embargo no es posible
prescindir del uso de otros sistemas considerados como
complementarios. Los principios que enuncian estos sistemas
complementarios son fundamentales para el buen funcionamiento de
una empresa y por tanto la satisfacción de los clientes.
III. OBJETIVOS
Objetivo general:
El objetivo general de esta tesis es la elaboración de un manual de
herramientas para la metodología SEIS SIGMA de fácil acceso para los
usuarios; es una guía que facilita la comprensión de las herramientas
estadísticas para la mejora de la calidad.
Objetivos específicos:
 Evitar en lo posible, las deducciones de fórmulas matemáticas y

explicaciones complejas que puedan confundir y hacer perder tiempo
a los que hagan uso de el.
 Se pretende que el manual sea una herramienta valiosa, tanto para

la capacitación como
para la consulta, de todos aquellos que lleven a cabo la
implementación de la metodología Seis Sigma.
 Implementar en las empresas sistemas de calidad basados en la

metodología Seis Sigma.
IV. ALCANCE Y TRASCENDENCIA

Este manual está dirigido como ya se menciono a aquellas personas que
tienen la labor de implementar sistemas de calidad y realizar proyectos
de mejora, basándose en la metodología Seis Sigma.
Asimismo dada la facilidad didáctica que se pretende, será posible que
aquellas personas de otras disciplinas o con poca instrucción puedan
familiarizarse con el uso de las herramientas estadísticas para mejorar
de la calidad.
La correcta aplicación de las técnicas descritas en este manual podrá ser
aplicado en cualquier empresa, aumentando los niveles de calidad y las
utilidades por lo cual la trascendencia es de alto beneficio para la
sociedad.
V. PLANTEAMIENTO DEL PROBLEMA

El uso de la Estadística para el mejoramiento de la calidad en la mayoría
de los casos no ha sido difundido a todas las áreas de las empresas,
principalmente por que no se conocen los beneficios que se pueden
obtener, en el manejo y análisis de información.
La literatura con la cual se cuenta es de difícil acceso ya que existe una

cantidad de deducciones y fórmulas matemáticas, que solo conocen
aquellas personas que han profundizado en el área.
La mayoría de los ingenieros se han enfocado en aspectos meramente
técnicos, dejando a un lado las técnicas de medición y análisis de
información proporcionados por la Estadística., siendo que en la
mayoría de las veces los problemas pueden ser resueltos mediante la
ayuda de dichas técnicas.
Dentro de una organización existen personas con diferentes perfiles y
diferentes niveles de conocimiento, lo que dificulta la transferencia de
las herramientas. Para lograr la adecuada implementación de Seis
Sigma se propone este manual que describe paso por paso el método
que se debe de seguir para la utilización de cada una de las técnicas.
Cada uno de los pasos son claros, bien estructurados y mencionan
ejemplos de aplicación para facilitar el entendimiento. Es importante que
la implementación de Seis Sigma sea realizada por personas que posean
liderazgo y buena capacitación en el tema y además sepan conducir
equipos de trabajo.
CAPITULO 1 INTRODUCCION A SEIS SIGMA.
La métrica de Seis Sigma

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

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

empresas se determinó que el promedio de estas se encuentra en el
nivel 4 , Las empresas con nivel 6 son denominadas de “Clase
Mundial” (World Class). El objetivo de la implementación Seis Sigma es
precisamente convertirse en una empresa de Clase Mundial.
En la figura se muestra el concepto básico de la métrica de Seis Sigma,
en donde las partes deben de ser manufacturadas consistentemente y
estar dentro del rango de especificaciones.
La distribución normal muestra los parámetros de los niveles tres sigma
y seis sigma.
Figura 1-1. La figura muestra el número de partes por millón (ppm) que estarían
fuera de los limites de especificación tomando como límite el valor de cada desviación
estándar. 2
LSL USL
 6  5  4  3  2  1 X  1  2  3  4  5  6
Figura 1-2. Distribución normal centrada.
2
Forrest W. Breyfogle III, Implementing Six Sigma, John Wiley & Sons Inc. pp. 9
Límitedeespecificación Porcentaje Defectos ppm

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

tendría únicamente una porción de .002 ppm.3
Para compensar las inevitables consecuencias de los errores de centrado
de procesos , la media de la distribución se desfasa  1.5 (Según
Motorola y Juran, no necesariamente aplica para cualquier empresa).
Este ajuste proporciona una idea mas realista de la capacidad del
proceso a través de varios ciclos de manufactura. El desfasamiento
puede ser en dirección positiva o negativa, pero nunca en ambas
direcciones4
LSL USL
 6  5  4  3  2  1 X  1  2  3  4  5  6
Figura 1-3 Distribución normal descentrada 1.5 

Una medida que describe el grado en el cual el proceso cumple con los
requerimientos es la capacidad del proceso. Los índices utilizados son
Cp y Cpk, Un nivel Seis Sigma tiene la habilidad de lograr índices de 2.0 y
15 respectivamente. Para lograr esta capacidad la meta a alcanzar de
un programa Seis Sigma es producir al menos 99.99966% de calidad,
no más de 3.4 defectos en un millón de piezas producidas.
3
Forrest W. Breyfogle III, Implementing Six Sigma, John Wiley & Sons Inc. pp. 9
4
Análisis y planeación de la calidad, J.M. Jurán Mc. Graw Hill, 1995 pp. 397
Límite de es pecificación P orcentaje Defectos ppm

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

diferentes niveles “Sigma”
10 PASOS DE MOTOROLA PARA LA MEJORA DE PROCESOS
1. Priorizar oportunidades de mejora: Conocer y especificar los

problemas haciendo las siguientes preguntas: cómo, cuando, donde,
por qué y quién. Indicar cual es el impacto al cliente, confiabilidad,
calidad del producto, costos de calidad.
2. Seleccionar el equipo de trabajo adecuado: Seleccionar un pequeño
grupo de gente que conozca el producto/ proceso, con la
experiencia, disciplina técnica y conocimiento en el área relativa.
Establecer el rol del equipo y de cada miembro, Seleccionar un
Champion que será el encargado de conducir y asesorar al grupo.
3. Describir el proceso en su totalidad: Mediante el uso de diagramas de
flujo ilustrar las posibles variaciones y alternativas de el proceso.
Incluyendo todo el equipo, gente, métodos, herramientas
instrumentos y equipos de medición.
4. Análisis del desempeño de los sistemas de medición: Determinar la
precisión, exactitud, repetitibilidad y reproducibilidad de cada
instrumento o indicador utilizado, para asegurar la capacidad de los
mismos. Asegurar que la exactitud en la precisión sea al menos 10
veces mayor que la magnitud que se va a comparar.
5. Identificar y describir los procesos y productos potencialmente
críticos: Enumerar todos los procesos críticos potenciales, mediante
el uso de tormentas de ideas, datos históricos, reportes de
rendimiento, análisis de falla etc.
Figura 1-4 10 pasos de Motorola para la mejora de procesos.
1. Priorizar oportunidades de mejora
2. Seleccionar el equipode trabajo adecuado
3. Describir el proceso en su totalidad
Analisis del desempeño de los sistemas de

4. medición
Identificar y describir los procesos y productos

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

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

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

9. continua
Reducir causas comunes de variación

alcanzando Six Sigma
10.
C p  2. 0 y C pk  1.5
si no
MEJORA
CONTINUA
6. Aislar y verificar los procesos críticos: Reducir la lista enfocándonos a

los pocos vitales, identificar las relaciones de entrada y salida que
provocan problemas específicos. Verificar las causas potenciales de
variación en los procesos, mediante el uso de diseño de
experimentos, diagramas de dispersión, y diagramas multivariados.
7. Estudio de el desempeño del proceso y medición de la capacidad:
Identificar y definir las limitaciones de los procesos. Asegurar que los
procesos sean capaces de alcanzar su máximo potencial. Determinar
las especificaciones “reales”. Se considera que un proceso es capaz
cuando C p  C pk  1.0 , si el proceso es capaz se continua con el paso
8. , de lo contrario se requiere tomar acciones rediseñando el proceso
o el producto.
8. Implementación de condiciones de operación y control óptimas:
Llevar a cabo un plan permanente de acciones correctivas para
prevenir causas especiales de variación. Es necesario tener un
proceso estable y predecible, por lo cual se deberá tener
continuamente controles de proceso.
9. Monitoreo de procesos a través de la mejora continua: Los sistemas,
métodos, procedimientos deberán de ser modificados cuando sea
necesario para evitar las causas especiales de variación. También
será necesario identificar las acciones futuras requeridas para
mejorar el proceso.
10. Reducir causas comunes de variación para alcanzar Seis Sigma:
Se deben reconocer las limitaciones del proceso. Solamente a través
de la reducción y eliminación de las causas comunes de variación y
el diseño para la manufactura es posible alcanzar el nivel Seis Sigma.
Una vez que las causas especiales se han eliminado solamente
pueden permanecer causas comunes las cuales se irán eliminando a
través de la mejora continua de los procesos.
CAPITULO 2 FASE DE DEFINICION
Definir
Definir Medir
Medir Analizar
Analizar Mejorar
Mejorar Controlar
Controlar
Objetivo
Identificar el problema a resolver, estratificando tanto como sea posible,

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

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

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

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

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

entregas tardías, desperdicios, producto defectuoso, documentos
inadecuados.
Seleccionamos el problema en base a las políticas de la organización, al
jefe inmediato y a los resultados de sus actividades diarias.
Criterios para seleccionar el problema
 Seguridad
 Calidad
 Entrega
 Costo
 Nivel de servicio
4. Razón de la Selección
Expresa los antecedentes, la importancia y la prioridad de los

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

perdidas , otros.
 Impacto para los procesos posteriores, monto de pérdida,
incremento de tiempo de operación, paro de línea, etc.
Entre todos los integrantes del equipo pueden evaluar las razones arriba
descritas mediante la matriz de evaluación (Figura 2-1) y enfocarse en
un solo tema.
5. Impacto en el negocio:
En este punto enunciamos como impacta la mejora del proceso al
negocio. Se mencionan cuales serían las consecuencias en caso de no
realizar el proyecto. Debemos conocer cual ha sido la situación en el
negocio debido al proceso actual . Qué nos ha ocasionado: Pérdida de
clientes? Incumplimiento en los niveles de servicio?, Así como cuantificar
(en porcentajes y en pérdidas de dinero).
Es importante describir como se alinea el proyecto con las iniciativas y
metas del negocio. Estas últimas son definidas por la dirección
.
6. Descripción del problema:
Se debe estratificar o preguntar porque? Porque? Porque? hasta definir
el problema que tiene el proceso, el producto o el servicio de forma
específica, indicando cualitativamente de ser posible en cifras, o
porcentajes que demuestren la necesidad de modificar su estado actual.
Es necesario expresar concretamente el grado del problema. (el tema
no deberá ser demasiado amplio). Es mejor no usar la solución para
nombrar un problema, sin antes realizar la búsqueda de la causa

verdadera, se creará duda de si esa solución es la definitiva.
Criterio de evaluación 3 puntos 2 puntos 1 punto
Evaluación
Problema
Impor- Prior. Política Periodo Facti- Orden
tancia Depto. de Ejec. bilidad
DEVOLUCIONES 12 Puntos
1er. lugar
10 Puntos
ENTREGAS TARDIAS 2o. lugar
10 Puntos
DOCS. INADEC.
2o. lugar
NIVEL SERVICIO 9 Puntos

3er. lugar
Figura 2-1 Matriz de evaluación.
7. Definición de los objetivos del proyecto

Para determinar los objetivos del proyecto nos cuestionamos
¿qué es lo que vamos a obtener con la realización del proyecto?
Generalmente PUNTO CRITICOes mejorar e implementar el proceso para una
ACTIVIDADES
fecha específica.
* Aclarar la meta del valor Ej: Implementar
del objetivo . el 100%
* Indicar deconlas
el objetivo mejoras
valores de un
en forma numérica
en lo posible.
proceso ensimplemente
* No plasmar la fecha propuesta,
los deseos y Incrementar el relación
* El objetivo debe tener nivel con de
el servicio
en un 98%. en el objetivo, si no esta-
expectativas efecto esperado .
blecer un objetivo factible de manera es-
En lacalonada
tabla. 2-1 encontramos puntos a considerar para definir
los objetivos de manera precisa. * El objetivo debe de ser concreto.
* Establecer un objetivo con fundamento, Ejemplo:
no se debe tomar una decisión de impulso ¿QUÉ? ****** Reducir el defectuoso en productos A
8. Alcance
(sin analizar).del proyecto:
¿HASTA CUÁNDO?**** De Mayo del 2002
(Punto clave para establecer el valor
Sirve para delimitar el proceso. (alcance
objetivo).
del proyecto 97
Octubre del 2002
dea Calidad).
¿HASTA CUANTO?**** Bajar hasta 1% ó
* Definirlo tomando en cuenta las políticas menos del 1% promedio de defectuoso.
Puntodede inicio:
la empresa. Identificar la actividad en donde empieza el proceso.
Punto
* Enfinal: Identificar
caso de no tener la claro
un concepto actividad
de donde termina
* Hay un método parael proceso.
establecer el objetivo
las políticas, analizar la importancia de final de una vez; otro estableciendolo en forma
Dentro del alcance: Actividades que se gradual
los problemas y / o mejoras, cuando nos
ocasionen un defecto al proceso pos-
encuentran dentro del proceso.
entre objetivo primario y secundario,
establecer periodos de tiempo cortos.
terior , factibilidad de cumplimiento, pro-
Fueragrama,
del distribución
alcance: Actividades
de cargo, etc. y de- que no están
Establecerdentro del proceso.
objetivos graduales en los casos
finirlo . Siguientes :
(1).- Que el tema sea demasiado grande y se
requiera dividirlo.
(2).- Que el tema sea complicado y que se relacione
con otras áreas.
(3).- Que se requiera la selección de las actividades
conforme a la habilidad real del grupo de trabajo
Establecer un objetivo que tenga relación con la selección del tema y razón de la selección.
Tabla 2-1 Definición de los objetivos del proyecto.
Ejemplo:
CONDICION ACTUAL
(%) 6
V
5
4
E 3 OBJ. PRIMARIO
N 2
1 OBJ. SECUNDARIO 0%
T
A 0 1 2 3 4 5 6
S OBJETIVO FINAL
PERIODO DE TIEMPO
Figura 2-2 Ejemplo objetivos del proyecto.

Los proyectos de los Green Belt son relacionados a sus actividades

diarias- a nivel transaccional y operativo, para que estén bien enfocados
y con un alcance corto. Cuando el proyecto sea demasiado grande
conviene dividirlo o particionarlo, entre diferentes Green Belts. Por
ejemplo en una empresa de desarrollo de software se piensa optimizar
el proceso de selección de personal, este proceso comienza desde que
surge un requerimiento por parte del cliente, el líder de proyecto hace la
petición del personal en base a las habilidades requeridas a recursos
humanos, este a su vez hace todo el proceso de reclutamiento y
proporciona el recurso al líder, en este punto termina el proceso.
Realizar un proyecto con todas estas etapas es demasiado complejo por
lo cual se decide particionarlo en tres etapas:
a) Requerimiento del personal por parte del cliente al gerente de

cuenta.
b) Requerimiento del personal a recursos humanos.
c) Proceso de reclutamiento y asignación del personal.
9. Ahorros: Identificar de dónde se van a obtener los ahorros

financieros para el proyecto de Calidad. Cuales son las fuentes o
actividades de donde se van a estimar los ahorros.
Ej. Reducción de costos al automatizar un proceso, reducción del tiempo
–horas-hombre al mejorar el proceso (siempre y cuando sean
facturables y asignados a un proyecto), reubicar el Headcount,
incrementar las ventas en un 20% al diseñar una estrategia de canales
de distribución, etc.
Cabe mencionar que no siempre hay ahorros, si el CTQ se deriva de una
mejora de la competencia, se hará una inversión.
10. Metas cualitativas
Si es el caso identificar las metas cualitativas Ej.: Incrementar los

niveles de seguridad en las instalaciones. Mejorar la imagen del negocio,
cumplimiento con lineamientos corporativos.
11. Mapa del proceso: Realizaremos un mapeo del proceso de alto

nivel, identificando cuales son los proveedores, entradas, proceso,
salidas, clientes.
PROVEEDOR ENTRADAS PROCESO SALIDAS CLIENTE
Figura 2-2 Mapa de proceso. “high level”
12. Selección del equipo de trabajo.
- Seleccionar a las personas clave que intervienen o que están

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

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

metodología Seis Sigma y en que casos es mejor utilizar alguna
otra de resultados más rápidos o para solución de problemas
crónicos como la de círculos de calidad. En realidad aunque se
quisieran proponer soluciones a un problema después de
estratificarlo, sería imposible llevarlo a cabo.
3-1 LLUVIA DE IDEAS DE IDEAS (BRAINSTORMING)
En las sesiones de lluvia de ideas se generan nuevas ideas

mediante la participación de todo el equipo.
Para comenzar con el proceso de tormenta de ideas, en el cual se
genera información la gente se reúne en una sala en la cual se
recomienda la disposición de las mesas en forma de “U” para facilitar el
debate. La gente que participa en la sesión deberá de pertenecer a
diferentes áreas o tener puntos de vista diferentes, esto con el objeto de
enriquecer la sesión.
El facilitador debe de contar con experiencia en la conducción de
sesiones de tormentas de ideas, o al menos haber tenido experiencias
previas.
Para conducir un grupo se lleva a cabo la siguiente metodología:
1. Seleccionar el problema a tratar.

2. Pedir a todos los miembros del equipo generen ideas para la solución
del problema, las cuales se anotan en el pizarrón sin importar que
tan buenas o malas sean estas.
3. Ninguna idea es evaluada o criticada antes de considerar todos los
pensamientos concernientes al problema.
4. Aliente todo tipo de ideas, ya que al hacerlo pueden surgir cosas muy
interesantes, que motivan a los participantes a generar más ideas.
5. Apruebe la naturalidad y el buen humor con informalidad, en este
punto el objetivo es tener mayor cantidad de ideas así existirán
mayores posibilidades de conseguir mejores ideas.
6. Se les otorga a los participantes la facultad de modificar o mejorar
las sugerencias de otros.
7. Una vez que se tengan un gran número de ideas el facilitador
procede a agrupar y seleccionar las mejores ideas por medio del
consenso del grupo de trabajo.
8. Las mejores ideas son discutidas y analizadas con el fin del proponer
una solución.
La técnica tormenta de ideas puede ser aplicada con gran frecuencia al

llevar a cabo otras herramientas, como por ejemplo, diagramas causa-
efecto (Ishikawa), Diseño de experimentos, pruebas de confiabilidad,
etc.
3-C LA DISTRIBUCION 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.
 X
Figura 3-C.1 La distribución normal
Propiedades de la distribución normal
 La distribución normal tiene forma de campana.

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

La población incluye todos los datos, la muestra es una porción de la población.
Población Muestra
X
      
x-3s x-2s x-s x x+s x+2s x+3s
Figura 3-C.3
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
Figura 3-C.4
La distribución normal estándar
El valor de z
Determina el número de desviaciones estándar  entre algún valor X y la media de la población  . Para
calcular el valor de Z usamos la siguiente fórmula.
X 
Z

La distribución de probabilidad f (Z) es una distribución normal con media 0 y desviación estándar 1; esto es
Z se distribuye normalmente con media cero y desviación estándar = 1 Z~N(0,1): La gráfica de densidad de
probabilidad se muestra en la figura.
Figura 3-C.5 Distribución normal estándar.
F(z)
  1
0
La distribución f (Z) se encuentra tabulada en la tabla de distribución normal estándar. En esta tabla
podemos determinar los valores de Z o la probabilidad de determinado valor Z.
Ejemplo 1 : El gerente de personal de una gran compañía requiere que los solicitantes a un puesto efectúen
cierta prueba y alcancen una calificación de 500. Si las calificaciones de la prueba se distribuyen normalmente
con media   485 y desviación estándar   30 ¿Qué porcentaje de los solicitantes pasará la prueba?
Calculando el valor de Z obtenemos:
X   500  485
Z  =  0.5
 30
Buscamos el valor correspondiente Z en las tabla de distribución normal. Z 0.5 = .69146 = 69.146%. siendo
esta la probabilidad de que la calificación sea menor a 500 P (X<500). Dado que el porcentaje pedido es
P ( X  500) la solución es 1-.69146 =.3085 , 30.85% de los participantes pasarán la prueba.
485
3 0 .8 5 %
Z.0 5
Ejemplo 2:
Encuentre las probabilidades siguientes usando la tabla Z.
a) P(-1.23 < Z > 0)
-1.23 Z
Solución: Buscamos el valor Z1..23 en las tablas siendo este = .89065. restando .89065-.05 = .3905, este
valor es la probabilidad de 0 a 1.23 que es exactamente la misma de –1.23 a 0 por simetría. Por lo tanto la
probabilidad es .3905
Uso de la distribución normal en Excel
 Para calcular la probabilidad dado un valor Z procedemos de la siguiente manera:
En la barra de herramientas seleccione el icono de funciones fx>Estadísticas>Distr.Norm.Estand.

De clic en aceptar.
Seleccione la celda que contiene el valor de Z, que en este caso es Z= 1.3 , de clic en aceptar y
aparecerá la probabilidad buscada f(z)= .903199
 Para calcular Z dada una probabilidad f(z)

En la barra de herramientas seleccione el icono de funciones fx>Estadísticas>Distr.Norm.Estand.inv
De clic en aceptar. Procedemos de la misma manera que en el caso anterior, pero en esta ocasión
seleccionamos la probabilidad .93319
El valor Z = 1.4999
 Cuando no tenemos valores de Z ni probabilidad.
Ejemplo 3 : Suponga que una distribución normal dada tiene una media de 20 y una desviación estándar de 4.
calcule la probabilidad P (X > 24).
En la barra de herramientas seleccione el icono de funciones fx>Estadísticas>Distr.Norm.Estand.
De clic en aceptar.
El sistema muestra la siguiente ventana, en la cual llenamos los siguientes datos:
El resultado de la fórmula = .97724. , dado que esta es la probabilidad P(X  24), la probabilidad buscada
P (X > 24) = 1-.8413= .1587
3-B PROBABILIDAD
Definición Clásica de Probabilidad.

La probabilidad de un evento (E), puede ser calculada mediante la relación de el número de respuestas en
favor de E, y el numero total de resultados posibles en un experimento.
# Favorable E
P E  
# Total resultados
1
Ejemplo 1: La probabilidad de que salga 2 al lanzar un dado es:  .16
6
1
Ejemplo 2: La probabilidad de lanzar una moneda y que caiga cara es:  .5
2
Ejemplo 3: La probabilidad de sacar 1,2,3,4,5, o 6 al lanzar un dado es:
1 1 1 1 1 1
     1
6 6 6 6 6 6
 La probabilidad de un evento está comprendida siempre entre 0 y 1 . La suma de las probabilidades de

todos los eventos posibles (E) en un espacio muestral S = 1
 Un espacio muestral (S): Es el conjunto Universal; conjunto de todos los “n” elementos relacionados = #
Total de resultados posibles.
Probabilidad Compuesta
Es la probabilidad compuesta por dos eventos simples relacionados entre sí.
En la composición existen dos posibilidades: Unión  o Intersección  .
 Unión de A y B
Si A y B son eventos en un espacio muestral (S), la unión de A y B A  B  contiene todos los elementos
de el evento A o B o ambos.
 Intersección de A y B
Si A y B son eventos en un espacio muestral S, la intersección de A y B  A  B  está compuesta por todos

los elementos que se encuentran en A y B.
Relaciones entre eventos

Existen tres tipos de relaciones para encontrar la probabilidad de un evento: complementarios, condicionales y
mutuamente excluyentes.
1. Eventos complementarios: El complemento de un evento A son todos los elementos en un espacio

muestral (S) que no se encuentran en A. El complemento de A es: A  1  P  A
Ejemplo 4: En el evento A (día nublado), P(A) = .3, la probabilidad de tener un día despejado será 1-
P(A) = .7
P A  .7 
P(A)=.3
Figura 3-B.1
2. Probabilidad condicional: Para que se lleve a cabo un evento A se debe haber realizado el evento B. La
probabilidad condicional de un evento A dado que ha ocurrido el evento B es:
P A  B 
P A B   , si B  0
P B 
Ejemplo 5: Si el evento A (lluvia) = .2 y el evento B (nublado) = .3 , cual es la probabilidad de que

llueva en un día nublado? Nota: no puede llover si no hay nubes
P A  B  .2
P A B   =  .67
P B  .3
A
P(A/B)=.67 B
Figura 3-B.2
 Se dice que dos eventos A y B son independientes si: P(A/B) = P(A) o P(B/A) = P(B).
La probabilidad de la ocurrencia de uno no está afectada por la ocurrencia del otro. De otra manera los
eventos son dependientes.
Un ejemplo de evento independiente es: ¿Cuál es la probabilidad de que llueva en lunes?

El ejemplo de evento dependiente es el ejemplo 5.
3. Eventos mutuamente excluyentes.
Cuando un evento A no contiene elementos en común con un evento B, se dice que estos son mutuamente
excluyentes.
A B
Figura 3-B.3Eventos mutuamente excluyentes.

Ejemplo 6. Al lanzar un dado: a) cual es la probabilidad de que salga 2 o 3? B) Calcule P  A  B  ?
1 1 1
a) P A  B      .33
6 6 3
b) P  A  B  = 0, ya que al ser conjuntos mutuamente excluyentes la intersección no existe, es imposible

que salga 2 y 3 al mismo tiempo.
Ley aditiva:
 Cuando dos eventos no son mutuamente excluyentes:
P  A  B   P  A  P  B   P  A  B 
 Cuando los eventos son mutuamente excluyentes:
P  A  B   P  A  P  B 
Ejemplo 7.
Ley multiplicativa:
 Si los eventos A y B son dependientes:
P  A  B   P  A  P  B A
 Si los eventos A y B son independientes:
P  A  B   P  A  P  B 
Ejemplo 8: Se selecciona una muestra aleatoria n = 2 de un lote de 100 unidades, se sabe que 98 de los 100
artículos están en buen estado. La muestra se selecciona de manera tal que el primer artículo se observa y se
regresa antes de seleccionar el segundo artículo (con reemplazo), a) calcule la probabilidad de que ambos
artículos estén en buen estado, b) si la muestra se toma sin reemplazo, calcule la probabilidad de que ambos
artículos estén en buen estado.
A: El primer artículo está en buen estado.

B: El segundo artículo está en buen estado.
a) Al ser eventos independientes el primero del segundo:
 98   98 
P  A  B   P  A  P  B  =     .9604
 100   100 
A B
P(A) =.98 P(B) =.98

Figura 3-B.4 Eventos independientes
b) Si la muestra se toma “sin reemplazo” de modo que el primer artículo no se regresa antes de seleccionar el
segundo entonces:
 98   97 
P  A  B   P  A  P  B A =       .9602
 100   99 
Se observa que los eventos son dependientes ya que para que para obtener el evento B, se tiene que haber
cumplido antes el evento A.
B
P(B/A)=.97
A
P(A) =.98
Figura 3-B.5 Eventos dependientes
TEOREMA DE BAYES
Mediante el teorema de Bayes podemos calcular la probabilidad de que ocurra un determinado evento, cuando
no tenemos datos inmediatos del mismo mediante la información que tenemos de otros eventos.
Cuando existen dos eventos posibles A y B, la probabilidad de que ocurra Z se describe mediante el
“teorema de probabilidad total” el cual es:
P( Z )   P A  P Z A   P B   P Z B  
Mediante el teorema anterior se deduce el teorema de Bayes:
P  A  P  Z A
P A Z  
 P  A   P  Z A    P  B   P  Z B  
Ejemplo 9: En cierta universidad 20% de los hombres y 1% de las mujeres miden más de 1.80m de altura.
Asimismo 40% de los estudiantes son mujeres. Si se selecciona un estudiante al azar y se observa que mide
más de 1.80m ¿ Cual es la probabilidad de que sea mujer?
Z > 1.80 m
A = Hombre
HOMBRE MUJER
B = Mujer
P (A) = .60
P (B) = .40 .80 .99
P (Z/A) = .20 < 1.80
P (Z/B) = .01
> 1.80 .20 .01
=Z
Para encontrar la probabilidad de que sea mujer dado que mide más de 1.80,
Utilizando el teorema de Bayes:
P B   P Z B 
P B Z  
 P A  P Z A   P B   P Z B  
P(B/Z) = (.4 x .01)/ (.6 x .20 +.4 x .01) = .032.
Podemos visualizar P(B/Z) en el siguiente diagrama:
Hombre Mujer
Z > .80 P(A/Z) P(B/Z) = .032
Por lo tanto la probabilidad de que sea mujer dado que mide más de 1.80
es .032 = 3.2 %
ANÁLISIS COMBINATORIO
Supóngase que una persona tiene dos modos de ir de una ciudad A a otra ciudad B; y una vez llegada a B,
tiene tres maneras de llegar a otra ciudad C. ¿De cuántos modos podrá realizar el viaje de A a C pasando por
B?
a pie en avión
en carro
CIUDAD A CIUDAD B CIUDAD C
en bicicleta en trasatlántico
Figura 3-B.6
Evidentemente, si empezó a pie podrá tomar avión, carro o trasatlántico; y si empezó en bicicleta, también
podrá tomar avión, carro o trasatlántico.
Utilizando literales (las iniciales) el viajero tuvo las siguientes oportunidades: pa, pc, pt; ba, bc, bt. Que son
6; cada primera oportunidad contó con tres posibilidades.
Se tiene: 2 oportunidades X 3 posibilidades = 6 posibilidades.
PRINCIPIO DE CONTEO: Si un evento puede hacerse de a 1 maneras diferentes, y cuando se ha hecho,

puede hacerse un segundo evento ( independiente del primero) de a 2 modos diferentes y luego un tercer
evento de a3 maneras también diferentes, y así sucesivamente, entonces el número de maneras diferentes en
que los eventos se pueden realizar , en el orden indicado es de:
a1  a2  a3 ....an
Ejemplo 10: ¿De cuantos modos podrá vestirse un joven que tiene 3 camisas diferentes, 4 pantalones y dos
pares de calzado?
Solución: Primer evento (camisas) a1 = 3

Segundo evento ( pantalones) a2 = 4
Tercer evento (zapatos) a3 = 2
a1  a2  a3  3  4  2  24 modos diferentes.
PERMUTACIONES: Una permutación es un arreglo ordenado de una parte de los elementos, o de todos los
elementos de un conjunto.
Ejemplo 11: Dado el conjunto de las letras  o, p, i , escribir todas las permutaciones empleando las tres
letras cada vez.
Solución: opi, oip, ipo, iop, pio, poi : son seis permutaciones posibles.
Ejemplo 12: ¿ Y tomando dos letras solamente cada vez?

Solución: op, oi, io, ip, pi, po: son seis permutaciones.
 En la mayoría de los casos resulta muy complicado hacer las permutaciones manualmente por lo cual
utilizamos la siguiente fórmula:
n !
Prn 
n  r !
donde:
n = número total de elementos del conjunto
P = Permutaciones
r = número de elementos que se toman a la vez.
! = factorial.
Nota: 0! = 1
Ejemplo 13: ¿Se toman 3 números de lotería de un total de 50, de cuantas formas se pueden tomar los
números?
50 ! 50 !
P350    (50  49  48)  117 ,600
 50  3 ! 47 !
COMBINACIONES: Es el número de subconjuntos de r elementos que se puede formar de un conjunto de n

elementos. Para determinar el número de combinaciones posibles utilizamos:
n!
Crn 
n  r ! r !
Ejemplo 15: Un entrenador de basket ball tiene 9 jugadores igualmente hábiles, ¿cuántas quintetas podrá
formar?
9!
C59   126
4 ! 5 !
Ejemplo 16: Se extraen 5 cartas de una baraja de 52 cartas. Hallar la probabilidad de extraer (a) 4 ases, (b) 4
ases y un rey (c) 3 dieces y dos jotas, (d) un 9,10, jota, reina, rey en cualquier orden.
 4 C4  48 C1  1
a) P(4 ases) = =
 52 C5  54145
 4 C4  4 C1  
1
b) P (4 ases y 1 rey) =
52 C5 649740
 4 C3  4 C2  
1
c) P (3 dieces y 2 jotas) =
52 C5 108290
 4 C1  4 C1  4 C1  4 C1  4 C1  
64
d) P(nueve, diez, jota, reina, rey) =
52 C5 162435
3-a Estadística descriptiva
La Estadística 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.
Proporciona un criterio para lograr mejoras, debido a que sus técnicas se pueden usar para
describir y comprender la variabilidad. Por ejemplo, consideremos en un proceso industrial
la fabricación de moldes metálicos, tomamos como una medida crítica el largo del molde ,
si utilizamos un instrumento de medición con la resolución suficiente, encontraremos que
existe variabilidad, mediante el uso de técnicas estadísticas podemos realizar mejoras en el
proceso para reducir la variación en la medida del molde.
Para poder obtener consecuencias y deducciones válidas de los datos de una estadística, es
muy útil contar con información sobre los valores al centro y sobre los distanciados que
estén unos valores respecto de otros. Comenzaremos por definir estas medidas:
Medidas de tendencia central.-
 Media: ( x ) Es el promedio aritmético de todos los valores que componen el conjunto

de datos. Se calcula mediante la siguiente fórmula:
xi
x
n
Ejemplo 1: En un equipo de fútbol las estaturas de sus integrantes son las siguientes:
1.70,1.79,1.73,1.67,1.60,1.65,1.79,1.84,1.67,1.82, 1.74. Calcule la media.
xi 19
x   1.73
n 11
 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,
Cuando el tamaño de la muestra es "par" la mediana es el promedio de los dos valores
que se encuentran al centro del conjunto de valores. Se puede calcular mediante :
 n 2    n 2  1
2
Ejemplo 2: Para el ejemplo anterior cual es la mediana? Ordenando los datos de mayor
a menor se obtiene: 1.60,1.65,1.67,1.67,1.70,1.73,1.74,1.79,1.79,1.82,1.84; como
tenemos 11 datos el número es non por lo que (n+1)/2 = 12/2 = 6, buscando el número
que ocupa la sexta posición en los datos ordenados encontramos el valor de la mediana
~
x  1.73
 Media acotada: Determinado porcentaje de los valores más altos y bajos de un

conjunto dado de datos son eliminados (tomando números enteros), para los valores
restantes se calcula la media.
Ejemplo 3: Para la siguiente serie de datos calcule la media acotada al 20%:

68.7,34.3,97.9,73.4,8.4,42.5,87.9,31.1,33.2,97.7,72.3,54.2,80.6,71.6,82.2,
Como tenemos 11 datos, el 20% de 11 es 2.2, por lo cual eliminamos 2 datos el más
bajo y el más alto, ordenado los datos obtenemos:
8.4,31.1,33.2,34.3,42.5,54.2,68.7,71.6,72.3,73.4,80.6,82.2,87.9,97.7,97.9, los valores a
eliminar son: 8.4 y 97.9; calculando la media de los datos restantes obtenemos
 x ,.20   63.82
 Moda
La moda es el valor que se presenta con mayor frecuencia en la muestra, pueden existir
muestrar que presenten una o màs modas.
Se presenta la siguiente serie de datos:
1,2,2,3,4,5,5,5,5,6,6,7,7,8,8
En este caso la moda es 5 ya que es el número que tiene mayor frecuencia f = 4. a

diferencia de los otros datos que tienen frecuencia menor.
Medidas de dispersión.-
 Desviación estándar: (s) es una medida que nos ayuda a comprender la variabilidad de
los datos, que tan distanciados están de la media. Para calcularla utilizamos la siguiente
fórmula:
( xi  x ) 2
s  n 1
Ejemplo 4: La resistencia al rompimiento de dos muestras de botellas es la siguiente:
Muestra 1: 230 250 245 258 265 240

Muestra 2: 190 228 305 240 265 260
Calcule la desviación estándar para ambas muestras.

Muestra 1: Muestra 2
 
x  248 x  248
xi - x )2 = 790 xi - x )2 = 7510
n-1=5 n-1 = 5
790 7510
s= = 12.56 s= = 38.75
5 5
Aunque la media en ambas muestras es la misma la desviación estándar (s), es menor en la

muestra 1, por lo cual deducimos que es la que presenta menor variabilidad.
Ejemplo 5:
Se desea hacer un estudio estadístico de la variación del calibre de una película de polietileno, para esto es
necesario tomar una muestra y calcular la media, mediana, media acotada al 5% y la desviación estándar.
Se realizan 14 observaciones arrojando los siguientes datos (en milésimas de pulgada)
2.11, 3.8, 4.0,4.0,3.1, 2.9, 2.5,3.6,2.0, 2.4, 2.8, 2.6,2.9, 3.0
1) Calculo de la media:
xi = 41.71
n = 14
xi
= 41.71/4= 2.98
n
2) Mediana:
Ordenando los datos de mayor a menor se obtiene

2.0,2.1,2.4,2.5,2.6,2.8,2.9,2.9,3.0,3.1,3.6,3.8,4.0,4.0
Como el número de observaciones es NON la mediana es el promedio aritmético de los dos

números que están al centro, o sea en las posiciones 7 y 8 respectivamente.
Esto es: (2.9+2.9)/2 = 2.9
3) Media acotada: El 5% de los valores corresponde a 0.7% redondeando al siguiente

entero que es la unidad se elimina el valor más bajo = 2.0 y el más alto 4.0. La media
para la serie de datos resultantes es = 2.98
4) Desviación estándar:
xi - x )2 = 5.63
n - 1 = 13
5.63
s= = .65
13
Medidas de tendencia central y dispersión para datos agrupados.-
 Media:
Para encontrar la media en tablas de frecuencia agrupada, usamos marcas de clase para
representar las medidas para cada clase. Entendemos por marca de clase, el punto central de
un intervalo.
Ejemplo:
Calcular la media para el grupo de datos agrupados en intervalos en la siguiente tabla de

frecuencia :
Computadoras Número de días

vendidas
15-25 4
26-36 7
37-57 3
48-58 6
59-69 5
Primero encontramos las marcas de clase, que son el punto medio de cada intervalo, para
encontrar la primera marca de clase sería: (15+25)/2 = 20.
Cada marca de clase se multiplica entonces por su frecuencia correspondiente como lo
muestra la siguiente tabla:
Clase Frecuencia (f) Marca de clase (X) fX

15-25 4 20 80
26-36 7 31 217
37-47 3 42 126
48-58 6 53 318
59-69 5 64 320
TOTALES 25 1061
Utiizando la fórmula Xa = SUM(fX)/SUMf la media aproximada es: 1061/25 = 42.44
La media es aproximada ya que los datos originales se desconocen y cada observación está
representada por una marca de clase.
 Mediana
Considere el siguiente ejemplo para el cálculo de la mediana.
Velocidad Número de coches f acumulada

1-5 3 3
6-10 2 5
11-15 5 10
16-20 10 20
21-25 7 27
26-30 10 37
Determinamos las marcas de clase para cada intervalo, en el primero la marca de clase es
(1+5)/2 = 3. Calculando las siguientes marcas de clase tenemos
Velocidad Número de coches Marca de clase X f acumulada

1-5 3 3 3
6-10 2 8 5
11-15 5 13 10
16-20 10 18 20
21-25 7 23 27
26-30 10 28 37
Dado que la cantidad de coches es 37 (non) utilizamos la fórmula para el cálculo de la

mediana:
Xa= (n+1)/2 =19.
19 esta contenido en la clase 16-20, en este intervalo la marca de clase es 18. por lo cual la
mediana aproximada es 18.
 Moda
La moda o clase modal corresponde a la marca de clase para una clase que contenga la
frecuencia mayor.
Usando los datos de la tabla anterior la moda son las clases (16-20) y (26-30) ya que la
frecuencia en ambos casos es mayor f =10.
 Desviación estándar
Explicaremos el cálculo de la desviación estándar para datos agrupados mediante un

ejemplo.
La tabla siguiente contiene los costos de reparación de un automóvil para los reclamos de
categoría menor presentados ante una compañía de seguros:
costo de reparación frecuencia

0-99 12
100-199 35
200-299 75
300-399 84
 fixi  2
Mediante la fórmula
s
 fixi 2

n calculamos la desviación estándar.
n 1
Costo de reparación Frecuencia Xi FiXi^2 FiXi

0-99 12,00 49,50 29.403,00 594,00
100-199 35,00 149,50 782.258,75 5.232,50
200-299 75,00 249,50 4.668.768,75 18.712,50
300-399 84,00 349,50 10.260.621,00 29.358,00
400-499 125,00 449,50 25.256.281,25 56.187,50
331,00 40.997.332,75 110.084,50
s^2= 13.288,66
s= 115,28
Histograma.-
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.
Ejemplo 6
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, dividiendo el rango entre el número de columnas:
94.37
 8.58  9 , resultando el tamaño del intervalo 9.
11
 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
Paso 5: Calcular los limites de cada intervalo: [0-9),[ 9-18), [18-27) etc.
NOTA: El corchete “[ ó ]” indican que se incluye el número, el paréntesis “( ó )” indica que el número
no está incluido en el intervalo. Por ejemplo en el intervalo [9-18) se incluyen los valores que van desde
el 9 hasta el 17.99.
Paso 6: Contar el número de valores que caen en cada intervalo utilizando el registro , de esta manera
se obtiene la frecuencia para cada intervalo.
Tabla 1.
Columna Intervalo Registro de frecuencias
1 [ 0 -9) IIIII 5
2 [ 9-18) IIIII IIII 9
3 [18-27) IIIII I 6
4 [27-36) IIIII IIIII I 11
5 [36-45) IIIII IIIII II 17
6 [45-54) IIIII IIIII IIIII IIIII IIIII III 28
7 [54-63) IIIII IIIII IIIII III 18
8 [63-72) IIIII IIIII III 13
9 [72-81) IIIII IIIII 10
10 [81-90) IIIII III 8
11 [90-99) IIIII 5
Paso 7: Basándose en los datos anteriores construya el histograma.
 Construcción del histograma en Excell:
 Seleccionar herramientas > análisis de datos > histograma

 Seleccione el rango de entrada, estos corresponden a los datos numéricos de la

tabla.
 Seleccione el rango de clases, previamente escribir en una columna los
intervalos de clase.
 En opciones de salida seleccione una celda de la hoja de calculo que este en
blanco ( a partir de está celda será insertado el histograma).
 Clic en aceptar.
 Una vez insertado el histograma podrá hacer modificaciones de la escala, color,

títulos etc. Haciendo click en el elemento deseado.
Cuartiles
Son los valores que dividen al conjunto de datos en cuatro subconjuntos de igual
cardinalidad. Son: Q1, Q2, Q3. que se leen: cuartil 1, cuartil 2, cuartil 3.
Para calcularlos se ordenan los datos de n observaciones de mayor a menor, la observación
n n
en la posición corresponde al primer cuartil (Q1),la observación en la posición
4 2
corresponde al segundo cuartil (Q2) siendo este el valor de la mediana de la mediana  ~
x ,
3(n)
la observación en la posición corresponde al tercer cuartil (Q3).
4
Ejemplo 7: Calcule Q1, Q2, Q3 para la siguiente serie de datos del ejemplo 6:
n
Q1=  32.5 , el cuartil es el valor en esta posición, debido a que el número obtenido no
4
es entero realizamos interpolación lineal de la siguiente manera:5
5
Acheson J. Duncan,Control de Calidad y estadística industrial, Alfaomega, 1996
La frecuencia acumulada hasta el intervalo [27-36) nos da 31 casos, quedando 1.5 casos del
1. 5
siguiente intervalo [36-45), Por tanto Q1 cae en 36   9  36.79 , Q1 = 36.79
17
De la misma manera obtenemos el siguiente cuartil:

n 130
  65
Q2 = 2 2 , la frecuencia acumulada hasta el intervalo [36-45) nos da 48 casos,
17
quedando 17 casos del siguiente intervalo [45-54), Por tanto Q2 cae en 45   9  50.46
28
Q2= 50.46.
3130  3.5 9 
 97.5 63   65.42
Q3 = 4 , realizando el cálculo 13 , Q3= 65.42.
Estadística descriptiva en Excell:
En el menú de Análisis de datos podemos obtener estadísticas de un conjunto determinado

de datos.
Seleccione:
Herramientas > Análisis de datos > Estadística descriptiva

 Aparecerá una ventana en la cual seleccionará los siguientes datos: Rango de

entrada, agrupado por columna, ya que los datos se encuentran ordenados en
una columna, Rango de salida, Resumen de estadísticas.
 Dar clic en aceptar.
 La hoja mostrará las siguientes medidas estadísticas de los datos presentados:

Nota: El error típico, curtosis, coeficiente de asimetría, no son objeto de estudio de está
sección por lo cual hacemos caso omiso de los mismos
Gráficas de Caja: Una gráfica de caja es un diagrama que proporciona información sobre
el centro, la dispersión y la asimetría o sesgo; utiliza cuartiles, y así, es resistente a las
observaciones aberrantes.
Los pasos para realizar una gráfica de caja son los siguientes2:
1. Construya una recta numérica y marque en ella los tres cuartiles.

2. Dibuje una caja rectangular sobre la recta con los extremos localizados en el
primer y tercer cuartiles; la altura de la caja no es importante.
3. Trace un segmento de recta vertical por el punto correspondiente a la mediana
dentro de la caja.
4. dibuje dos rectas horizontales, llamadas extensiones , una desde la mediana y la
medida de la extrema izquierda y otra de la mediana a la medida del extremo
derecho.
Ejemplo
Usemos los datos siguientes, para construir una gráfica de caja:
5 7 8 9 9 11 12 12 13 14 15 16 17 18 19 20 22
La mediana es Q2 = 13. el cuartil inferior es Q1 = 9 y el cuartil superior es Q3 = 17
5 9 13 17 22
Como la mediana está un poco a la izquierda de la mitad de la caja y la extensión más larga está a la
derecha, la distribución está sesgada a la derecha.
Diagramas de caja en Minitab:
1. Capture los datos en la hoja de trabajo.

2. Seleccione la opción: Graph> Charactergraph>Boxplot
3. Seleccione la variable C1 como se muestra en la pantalla y presione clic en ok
6
Richard C. Weimer, Estadística, CECSA, segunda edición
4. A continuación se muestra el diagrama de caja:

CAPITULO 3 FASE DE MEDICION
Definir
Definir Medir
Medir Analizar
Analizar Mejorar
Mejorar Controlar
Controlar
En la fase de definición identificamos los CTQ´S del cliente, y

desarrollamos un mapa de alto nivel “high level” para
determinar los CTQ´S del proceso.
Como ya mencionamos anteriormente en todos los procesos existe
variación, en esta fase estamos interesados en medir dicha variación,
para saber si existen datos que se encuentren fuera de especificaciones,
que estén causando problemas en nuestros procesos. Para realizar
esta actividad es de suma importancia conocer: ¿que es lo que
necesitamos medir? y ¿como lo vamos a medir? A lo largo de este
capitulo tenemos diferentes herramientas que nos ayudarán a responder
estas preguntas.
Dependiendo de las condiciones y necesidades que tengamos
seleccionaremos una o más herramientas, cabe mencionar que no
necesariamente se utilizan todas las herramientas, lo importante es
seleccionar cuidadosamente aquellas que nos proporcionen la
información más objetiva y precisa.
Objetivos:
 Conocer el uso de las herramientas de la fase de medición
 Determinar que mediciones son importantes para el proyecto
 Recolectar datos relevantes
 Convertir los datos en números para conocer su comportamientos
 Detectar cual es la frecuencia con la que ocurren los defectos
Esta fase consta de las siguientes etapas:

1) Seleccionar los CTQ´S del proceso (Crítico para la calidad)
Observemos la siguiente tabla:
Y = F(X)
 Y  X1, X2,…..Xn  Z’s
 Variable  Variable  Variables de
dependiente independiente ruido
 Salida  Entrada-Proceso  Incontrolables
(respuesta)  Causa
 Efecto  Problema
 Sintoma  Controlable.
 Monitoreable
Tabla 3.1 Variables dependiente, independiente y de

ruido.
Para la selección de Y’s podemos utilizar un diagrama de Pareto para
priorizar y centrar nuestra atención en el(los) efecto(s) más
importantes. La variable dependiente “Y” fue previamente determinada
en la fase de definición.
La Y es la variable de respuesta y las X´s son las variables de entrada,
las Z´s son las variables de ruido.
Los CTQ´s del cliente (interno o externo) corresponden a la “Y”, y los
CTQ´s del proceso corresponden a las “X’s”
En esta etapa estamos interesados en determinar las X´s, ya que son
las variables que podemos medir y controlar.
Para determinar los CTQ´s del proceso seleccionaremos alguna o

algunas de las herramientas apropiadas a las necesidades del proyecto.
A continuación se enuncian y describe brevemente cada una de las
herramientas
. Herramienta Para qué es utilizada?
3-A Estadística Definiciones básicas con ejemplos de Estadística

Descriptiva
3-B Probabilidad Definiciones básicas con ejemplos de Probabilidad
3-C Distribución Propiedades de la distribución Normal
Normal
3-1 Lluvia de ideas Cada miembro del equipo propone posibles
soluciones a un problema,
Mediante consenso se determinan las mejores
soluciones.
3-2 Técnica de Permite al equipo rápidamente realizar un consenso
grupos de la importancia relativa de asuntos, problemas o
nominales. soluciones posibles. Las causas más importantes
son atacadas y se priorizan para encontrar la mejor
solución
3-3 Análisis de Analizar cuales son las fuerzas dentro de una
Campo de organización o proceso que están dando empuje a
Fuerzas. las soluciones y cuales están frenando el progreso.
3-4 Diagrama Representa de forma ordenada y completa todas
Causa-Efecto las causas que pueden originar un problema
(Ishikawa o (efecto) es una herramienta muy efectiva para
Fishbone) encontrar las causas más importantes de un
problema y en base al análisis de las causas
encontrar la mejor solución.

3-5 Why-Why-Why Se utiliza después de haber determinado las causas
más importantes de un problema, preguntando
sistemáticamente 3 veces porqué, podremos llegar
a la solución del problema
3-6 5W/1H Técnica en la cual se responde a las siguientes
preguntas: que, quién, porque, cuando, donde,
como. para la solución de problemas.
3-7 Diagrama de Priorizar los problemas que tienen el potencial más
Pareto grande de mejora. Muestra la frecuencia relativa en
una gráfica de barras descendiente.
3-8 Diagramas Método utilizado para mostrar las relaciones que
Matriz existen entre métodos, causas, actividades etc.
determinando la fuerza que existe entre estas.
Permite Identificar las medidas más convenientes
para la solución.
3-9 Matriz Causa y Relaciona las entradas claves a los CTQ´s y el
efecto diagrama de flujo del proceso como su principal
fuente. Sirve para priorizar las entradas clave a
usar en AMEF´S, planes de control y estudios de
capacidad.
3-10 Diagrama de Permite al equipo identificar, analizar y clasificar
Relaciones sistemáticamente las relaciones causa y efecto que
existen entre todos los elementos críticos, para
lograr una solución efectiva.
3-11 Diagrama de Agrupar en categorías afines las posibles causas
Afinidad que ocasionan un problema, permitiendo obtener
fácilmente la causa que lo origina.
3-12 Hoja de Recolectar datos basados en la observación del
Verificación comportamiento de un proceso con el fin de
detectar tendencias, por medio de la captura,
análisis y control de información relativa al
proceso.
3-13 Carta de Conocer el comportamiento de un proceso
tendencias gráficamente para poder tomar las acciones
correctivas a tiempo cuando es necesario.
3-14 Diagrama de Es una técnica utilizada para estudiar la relación
Dispersión entre dos variables, facilitando la comprensión del
problema planteado.
3-15 Mapa de Proveen una secuencia gráfica de cada uno de los
procesos pasos o actividades que componen una operación
desde el inicio hasta el final. Permitiendo una mejor
visualización y comprensión del proceso. Sirve para
identificar pasos innecesarios, compara el proceso
actual contra el ideal.

3-16 QFD Método gráfico (matriz de relaciones) en el que se
identifican los deseos del cliente (CTQ´S) y las
características de diseño del producto, procesos o
servicios. Permite traducir de un lenguaje ambiguo
a los requerimientos específicos del diseño del
producto, proceso o servicio. En otras palabras
relacionas los qué? del cliente con los como? del
proceso.
3-17 Benchmarking Estudio que ayuda a realizar un comparativo de
productos, procesos o servicios contra el “mejor en
la clase” puede ser dentro de la empresa o, para
identificar oportunidades de mejora.
3-18 Capacidad de Sirve para determinar que tan grandes son las
los sistemas de variaciones en base a ciertos parámetros de los
medición sistemas de medición, incluyendo equipo y gente.
( Análisis R&R)
2) Definición de estándares de desempeño:
a) Definición Operacional.- Es una descripción precisa acerca del

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

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

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

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

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

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

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

confiables, debiendo ser lo suficientemente claros para la persona que
los llena, es muy recomendable realizar un instructivo y además deben
de ser diseñados para que nos proporcionen la información necesaria
para el análisis.
Debemos contar con equipos de medición con error mínimo, de lo
contrario nuestras mediciones serán erróneas. Para validar el sistema
de medición conducimos un estudio R&R
Ejemplo
En una tienda de refacciones para automóviles, disminuyeron en gran

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

El equipo de trabajo realizó una tormenta de ideas, el cuestionamiento
que se hizo es porqué las ventas están disminuyendo? (efecto) Una vez
terminada está actividad, el grupo seleccionó mediante consenso las
causas que consideró más importantes, después utilizaron la técnica

Why-Why-Why, para encontrar la causa raíz del problema. mediante
eliminación de las otras causas se encontró que la causa principal es: el
tiempo de respuesta que se le estaba dando al cliente.
Esto se confirmó ya que un miembro del equipo expuso que los clientes
en ocasiones tardaban mucho tiempo en ser atendidos, existían muchas
quejas y los clientes en ocasiones nunca más regresaban.
2) Definición de estándares de desempeño:
 Definición operacional.-
 En el mostrador se tiene la idea de que el tiempo de respuesta al

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

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

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

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

realizamos un cuestionario que aplicamos aleatoriamente a diferentes
clientes.
Diseño del cuestionario7:

Para poder diseñar un cuestionario adecuado debe haberse definido de
antemano cuáles son los objetivos de la investigación y con que
7
Ignacio Méndez Ramirez. El protocolo de investigación .Ed. Trillas
recursos económicos, físicos, humanos y de tiempo se cuenta para

realizarlo. Debe darse especial atención a los tipos, orden y grupos de
preguntas, la formulación de las mismas y la organización del material.
Todo cuestionario debe diseñarse tomando en cuenta los siguientes
datos:
1. Presentación de los objetivos del estudio.

2. Datos de identificación: nombre de la institución, nombre del
entrevistador, número del cuestionario de la muestra, hora de inicio
de la entrevista y todo tipo de datos que sirvan para el control de la
investigación.
3. Conviene que la complejidad de las preguntas vaya de menos a más;
por ejemplo, sexo, edad, escolaridad, ocupación, etc. En seguida
deberán estar las preguntas acerca del tema de la investigación y
finalmente, si se desea obtener información al respecto, las de
opinión o de actitudes.
4. La secuencia de las preguntas debe diseñarse de tal manera que
evite la llamada contaminación, que consiste en la influencia o sesgo
que el orden de las preguntas puede ejercer en las respuestas del
informante.
5. La sección final deberá contener el cierre de la entrevista, la hora de
terminación y espacio para que el entrevistador anote sus
observaciones, o para algún otro dato que el entrevistador determine
de antemano que es conveniente observar y anotar.
La pregunta es el elemento principal de la entrevista, por lo que su

diseño se debe hacer con todo cuidado para obtener buena información.
Para verificar que el cuestionario sea claro se pide a tres encuestadores

que lo llenen, y de esta manera verificamos si existe algún punto
ambiguo, en caso de existirlo se modifica la parte o las partes que no
sean claro. Con esto validamos la reproducibilidad del cuestionario.
3) Plan de recolección de datos:
Se realiza un muestreo preliminar durante una semana en horas pico

realizando el cuestionario a 5 personas diariamente.
Se obtiene que la proporción de personas conformes es 40% y no
conformes 60%
Para calcular el tamaño de la muestra utilizamos la siguiente fórmula 8:
 p  pq
n
p  error es tan dar de la proporción

p= porcentaje de clientes conformes
q= porcentaje de clientes inconformes
n = tamaño de muestra.
Utilizando un nivel de confianza del 95% y error estándar de la

proporción = 5, obtenemos que el tamaño de muestra es:
50 * 50
n  100
25
Por lo tanto se entrevistaran a 100 personas cada semana en hora pico.

Se escoge la hora pico ya que es cuando hay mayor flujo de gente y por
estratificación se determina que es a la hora en la cual el nivel de
servicio es muy bajo. Si tomáramos muestras durante todo el día la
información recabada sería sesgada.
La selección de las personas a las que se le aplicará el cuestionario será
mediante tabla de números aleatorios
3-18 R&R Capacidad de los sistemas de medición
En muchas ocasiones las organizaciones no consideran el impacto de no tener sistemas de medición de

calidad, el hecho de que las mediciones no sean exactas puede llevar a cometer errores en el cálculo, y
en los análisis y conclusiones de los estudios de capacidad de los procesos.
Cuando los operadores no miden una pieza de manera consistente, se puede caer en
el riesgo de rechazar artículos que están en buen estado o aceptar artículos que están
en mal estado. Por otro lado si los instrumentos de medición no están calibrados
correctamente también se pueden cometer errores. Cuando sucede lo mencionado
anteriormente tenemos unVariación sistema de medición deficiente que puede hacer que un
del proceso
estudio de capacidad parezca insatisfactorio cuando en realidad es satisfactorio. Lo
anterior puede tener como consecuencia gastos innecesarios de reproceso al reparar
un proceso de manufactura o de servicios, cuando la principal fuente de variación se
Variación
Variación
deriva del proceso,
deldelsistema
proceso, real
real
de medición. Variación de la medición
Figura 3-18.1 Posibles Fuentes de la Variación del Proceso

Variación dentro de la Variación
Equipooriginada
de
muestra mediciòn Reproducibilidad
por el calibrador
8
Introducción al estudio del trabajo. Oficina internacional del trabajo Ed. Limusa
Repetibilidad Estabilidad Linealidad Sesgo
Calibración
DefinicionesDefiniciones
 Reproducibilidad: Es la variación, entre promedios de las mediciones hechas por diferentes operadores
que utilizan un mismo instrumento de medición cuando miden las mismas características en una misma
parte.
Operador-B
Operador-C
Operador-A
 Repetibilidad: es la variación de Reproducibilidad

las mediciones obtenidas con un instrumento de medición, cuando es
utilizado varias veces por un operador, al mismo tiempo que mide las mismas características en una
misma parte.
REPETIBILIDAD
 Valor verdadero:
Valor correcto teórico / estándares NIST9
 Precisión: Es la habilidad de repetir la misma medida cerca o dentro de una misma zona
9
·En EUA se tiene el NIST (National Institute of Standards ando Technology),En México se tiene el
CENEAM o el Centro Nacional de Metrología
 Exactitud :
Es la diferencia entre el promedio del número de medidas y el valor verdadero.
 Resolución: La medición que tiene exactitud y precisión.
Preciso pero no exacto Exacto pero no preciso Exacto y preciso

(resolución)
Exacto y preciso
Preciso pero
Preciso noexacto
pero no exacto Exacto pero
Exacto perono preciso
no preciso Exacto y preciso
(resolución)
(resolución)
- Estabilidad: es la variación total de las mediciones obtenidas con un sistema de medición, hechas sobre el
mismo patrón o sobre las mismas partes, cuando se mide una sola de sus características, durante un período de
tiempo prolongado.Exactitud : desviación respecto del valor verdadero del promedio de las mediciones
 Valor verdadero:
Valor correcto teórico / estándares NIST
 Sesgo: d
 istancia entre el valor promedio de todas las mediciones y el valor verdadero.
 Error sistemático o desviación
Estabilidad: la variación total en las mediciones obtenidas durante un período de tiempo prolongado.
Tiempo 2
Tiempo 1
 Linealidad: diferencia en los valores de la escala, a través del rango de operación esperado del
instrumento de medición.
Valor Valor
verdadero verdadero
Sesgo Sesgo
Menor mayor
(rango inferior)
(rango inferior) (rango superior)
superior)
RangoRango de Operacióndel
de Operación delequipo
equipo
 Sesgo: distancia entre el valor promedio de todas las mediciones y el valor verdadero. Error sistemático o
desviación.
Valor 
Verdadero
Sesgo
 Calibración: Es la comparación de un estándar de medición con exactitud conocida con otro instrumento
para detectar, reportar o eliminar por medio del ajuste, cualquier variación en la exactitud del
instrumento.Precisión: medición de la variación natural en mediciones repetidas
Posibles Fuentes de la Variación del Proceso
Variación del proceso
Variación
Variación deldel proceso,
proceso, real
real Variación de la medición
Variación dentro de la Variación originada

muestra Reproducibilidad
por el calibrador
Repetibilidad Estabilidad Linealidad Sesgo
 Importante: para que el equipo de medición tenga una discriminación adecuada en la evaluación

de las partes, su
resolución debe ser al menos 1/10 de la variabilidad del proceso.
Calibración
<10% Aceptable
10-30%. Puede ser aceptable, dependiendo qué tan crítico es el grado de la medición.
>30%. ¡Inaceptable!
En cualquier problema que involucre mediciones, algunas de las variaciones observadas son debidas al
proceso y otras son debidas al error o variación en los sistemas de medición. La variación total es expresada
de la siguiente manera:
 2 total   2 proceso   2 error mediciòn
Estudio de R&R
• Generalmente intervienen de dos a tres operadores

• Generalmente se toman 10 unidades
• Cada unidad es medida por cada operador, 2 ó 3 veces.
 Las partes deben seleccionarse al azar, cubriendo el rango total del proceso. Es importante que dichas
partes sean representativas del proceso total (80% de la variación)
 10 partes NO son un tamaño de muestra significativo para una opinión sólida sobre el equipo de
medición a menos que se cumpla el punto anterior.
Procedimiento para realizar un estudio de R&R
1. Asegúrese de que el equipo de medición haya sido calibrado.

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

 Permite separar en el sistema de medición lo referente a la Reproducibilidad y a la Repetibilidad.

 También proporciona información acerca de las interacciones de un operador y otro en cuanto a la parte.
 Calcula las varianzas en forma más precisa.
 Los cálculos numéricos requieren de una computadora.
 El Método ANOVA es más preciso
Ejemplo 110:
Un equipo de mejora de la calidad involucrado en el diseño de CEP (Control Estadístico del Proceso) , desea
realizar un cálculo de la capacidad del sistema de medición. Se tienen veinte unidades de producto, el
operador que toma las mediciones para el diagrama de control usa un instrumento para medir cada unidad dos
veces. Los datos son mostrados en la tabla siguiente:
Parte Medición 1 Medición 2 Media Rango

1 21 20 20,5 1
2 24 23 23,5 1
3 20 21 20,5 1
4 27 27 27,0 0
5 19 18 18,5 1
6 23 21 22,0 2
7 22 21 21,5 1
8 19 17 18,0 2
9 24 23 23,5 1
10 25 23 24,0 2
11 21 20 20,5 1
12 18 19 18,5 1
13 23 25 24,0 2
14 24 24 24,0 0
15 29 30 29,5 1
16 26 26 26,0 0
17 20 20 20,0 0
18 19 21 20,0 2
19 25 26 25,5 1
20 19 19 19,0 0
Promedio 22,3 1
x  22.3
R  1 .0
La desviación estándar del error de medición,  mediciòn , es calculada mediante la siguiente fórmula:
R 1
 mediciòn =   0.887
d 2 1.128
donde:
R = Rango promedio
10
Ejemplo adaptado de: Statistical Quality Control. Douglas C. Montgomery. Willey. Second Edition
d2 = Valor de tablas.
Para obtener una buena estimación de la capacidad del error de medición utilizamos :
6 mediciòn  6(0.887)  5.32
La proporción 6 mediciòn de la banda de tolerancia(rango total de especificación) es llamada precisión de

tolerancia:
P 6 mediciòn

T USL  LSL
En este ejemplo USL = 60, LSL = 5
P 5.32
  0.097 .
T 55
Como se mencionó anteriormente los valores P/T de 0.1 o menores generalmente implican una capacidad de
error de medición adecuada.
Calculamos la varianza total mediante:
 2 Total  S 2  (3.07) 2  9.4249

La desviación estándar es calculada a partir de los datos de la tabla.
 
Ya que tenemos un estimado de  2 medición  .887 2  .79 , podemos obtener un estimado para
 proceso
2
 2 proceso =  2 total   2 medición =9.4249 - .79 = 8.63
Por lo tanto la desviación estándar del proceso = 2.93

El error de medición es expresado como un porcentaje de la variabilidad del proceso:
 medicion .79
  100  25.73%
 total 3.07
Al ser el error de medición mayor al 10%, concluimos que no tenemos un sistema de medición confiable, por
lo cual tenemos que realizar las acciones correctivas correspondientes.
Ejemplo 2 (MINITAB)
Método ANOVA
Se seleccionan 10 muestras de un proceso de manufactura, cada parte es medida dos veces por tres
operadores. Realice un estudio R&R mediante el método ANOVA.
Parte Operador 1 Operador 2 Operador 3
Parte Operador 1 Operador 2 Operador 3
1 0,65 0,60 0,55 0,55 0,50 0,55
1 0,65 0,60 0,55 0,55 0,50 0,55
2 1,00 1,00 1,05 0,80 1,05 1,00
2 1,00 1,00 1,05 0,80 1,05 1,00
3 0,85 0,80 0,95 0,80 0,80 0,80
3 0,85 0,80 0,95 0,80 0,80 0,80
4 0,85 0,95 0,75 0,40 0,80 0,80
4 0,85 0,95 0,75 0,40 0,80 0,80
5 0,55 0,45 0,75 1,00 0,45 0,50
5 0,55 0,45 0,75 1,00 0,45 0,50
6 1,00 1,00 0,40 0,95 1,00 1,05
6 1,00 1,00 0,40 0,95 1,00 1,05
7 0,95 0,95 1,05 0,75 0,95 0,95
7 0,95 0,95 1,05 0,75 0,95 0,95
8 0,85 0,80 0,90 1,00 0,80 0,80
8 0,85 0,80 0,90 1,00 0,80 0,80
9 1,00 1,00 0,70 0,55 1,05 1,05
9 1,00 1,00 0,70 0,55 1,05 1,05
10 0,60 0,70 0,95 0,50 0,85 0,80
10 0,60 0,70 0,95 0,50 0,85 0,80
 Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2, C3
Definición de Repetibilidad
Repetibilidad es la variación de las mediciones obtenidas con un instrumento de medición, cuando es

utilizado varias veces por un operador, al mismo tiempo que mide las mismas características en una
misma parte.
 Seleccione en el menú de la barra de herramientas STAT>QUALITY TOOLS>GAGE R&R STUDY

 Seleccione C1 (parte), C2 (operador), C3 (Medición)
 Método de Análisis ANOVA
Definición de la Reproducibilidad
Reproducibilidad es la variación, entre promedios de las mediciones hechas por diferentes operadores
que utilizan un mismo instrumento de medición cuando miden las mismas características en una
misma parte
Estándares Internacionales
11.En México se tiene el CENEAM o el Centro Nacional de Metrología
12.En EUA se tiene el NIST (National Institute of Standards and Technology)
13.Un Estándar primario es certificado por NIST o por una organización alterna que use
procedimientos de calibración actualizados
14.Los Estándares secundarios son calibrados por el departamento de Metrología de las empresas en
base a los estándares primarios, para efectos de calibración
15.Los Estándares secundarios se transfieren a Estándares de trabajo en producción.
16.Para determinar la exactitud de los sistemas de medición se debe conocer su rastreabilidad a
Estándares nacionales e internacionales.
Resolución
Para que el equipo de medición tenga una discriminación adecuada en la evaluación de las partes, su
resolución debe ser al menos 1/10 de la variabilidad del proceso.
(LTNS-LTNI= 6s )
Donde: LTNS = Limite de tolerancia natural superior, LTNI = Limite de tolerancia natural inferior.
Definición del Sesgo
Sesgo es la diferencia entre el promedio observado de las mediciones y el valor verdadero
Definición de la Estabilidad
Estabilidad (o desviación) es la variación total de las mediciones obtenidas con un sistema

de medición, hechas sobre el mismo patrón o sobre las mismas partes, cuando se mide una
sola de sus características, durante un período de tiempo prolongado.
Definición de la Linealidad
Linealidad es la diferencia en los valores verdadero y observado, a través del rango de operación
esperado del equipo.
Estabilidad del calibrador
Cómo Calcularla…
 Para calibradores que normalmente se utilizan sin ajuste, durante periodos de tiempo
relativamente largos.
 Realizar un segundo estudio R&R del Calibrador justo antes de que venza el tiempo de
recalibración.
 La estabilidad del calibrador es la diferencia entre los promedios sobresalientes de las
mediciones resultantes de los dos estudios.
Causas posibles de poca estabilidad…

 El calibrador no se ajusta tan frecuentemente como se requiere
 Si es un calibrador de aire, puede necesitar un filtro o un regulador
 Si es un calibrador electrónico, puede necesitar calentamiento previo.
Error R&R (Repetitibilidad y reproducibilidad)
Error R&R = RPT2 + REPR2
5 Precisión en relación a la variación total
R&R
%R & R   100
6s
6 Identificar qué porcentaje de la variación total debe absorberse como error de medición.
<10% Aceptable
10-30%. Puede ser aceptable, dependiendo qué tan crítico es el grado de la medición.
>30%. ¡Inaceptable!
7 Para la fase de control del proyecto, sólo substituya la Tolerancia por Variación Total
TV= R&R + PV
PV= variación de parte = Rp x K3
6.3.1 El valor R&R es un porcentaje de la variación total del proceso.

Mientras más mayor sea el % del R&R, mayor será el área de incertidumbre para conocer la
dimensión verdadera de las partes.
8 ERROR TIPO 1: Pueden estarse aceptando partes que están fuera de especificaciones
9 ERROR TIPO 2: Pueden estarse rechazando partes que están dentro de especificaciones
Estudio de R&R
• Generalmente intervienen de dos a tres operadores

• Generalmente se toman 10 unidades
• Cada unidad es medida por cada operador, 2 ó 3 veces.
 Las partes deben seleccionarse al azar, cubriendo el rango total del proceso. Es importante que
dichas partes sean representativas del proceso total (80% de la variación)
 10 partes NO son un tamaño de muestra significativo para una opinión sólida sobre el equipo de
medición a menos que se cumpla el punto anterior.
Procedimiento para realizar un estudio de R&R
 Ajuste el calibrador, o asegúrese de que éste haya sido calibrado.

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

d) Permite separar en el sistema de medición lo referente a la reproducibilidad y a la
Repetibilidad.
e) También proporciona información acerca de las interacciones de un operador y otro en
cuanto a la parte.
f) Calcula las varianzas en forma más precisa.
g) Los cálculos numéricos requieren de una computadora.
1. El Método ANOVA es más preciso
Ejemplo:
Planteamiento del problema:
Las partes producidas en el área de producción, fallaron por errores dimensiónales 3% del tiempo.
Característica Crítica de Calidad(CTQ): Mantener una tolerancia ± 0.125 pulgadas.
Sistema de Medición: Se miden las partes con calibradores de 2”.
Estudio R&R del calibrador: La dimensión A es medida por dos operadores, dos veces en 10 piezas.
Método X-media y Rango:

Repetibilidad y Reproducibilidad de calibrador
Operador A Operador B
Serie # 1er. Ensayo 2o. Ensayo Rango 1er. Ensayo 2o. Ensayo Rango Porción Xbar
1 9.376 9.358 9.354 9.361
2 9.372 9.320 9.372 9.372
3 9.378 9.375 9.278 9.277
4 9.405 9.388 9.362 9.370
5 9.345 9.342 9.338 9.339
6 9.390 9.360 9.386 9.370
7 9.350 9.340 9.349 9.349
8 9.405 9.380 9.394 9.381
9 9.371 9.375 9.384 9.385
10 9.380 9.368 9.371 9.376
8. Cálculo de las X-medias
Totales
X-barA X-barB
R-barA R-barB
Porción R
Operador A Operador B
Serie # 1er. Ensayo 2o. Ensayo Rango 1er. Ensayo 2o. Ensayo Rango Porción Xbar
1 9.376 9.358 9.354 9.361 9.362
2 9.372 9.320 9.372 9.372 9.359
3 9.378 9.375 9.278 9.277 9.327
4 9.405 9.388 9.362 9.370 9.381
5 9.345 9.342 9.338 9.339 9.341
6 9.390 9.360 9.386 9.370 9.377
7
2. Cálculo 9.350
de los Rangos 9.340 9.349 9.349 9.347
8 9.405 9.380 9.394 9.381 9.390
9 9.371 Operador
9.375 A 9.384 Operador B
9.385 9.379
10Serie # 9.380
1er. Ensayo 9.368
2o. Ensayo Rango 9.3711er. Ensayo9.376
2o. Ensayo Rango 9.374
Porción Xbar
1
Totales 93.772 9.376 9.358
93.606 0.018 9.354
93.588 9.361
93.580 0.007 9.362
2 X-bar 9.372
A 9.320
9.3689 0.052X-bar9.372
B 9.372
9.3584 0.000 9.359
3 9.378 R-bar 9.375
A
0.003 9.278 R-bar9.277
B
0.001 9.327
4 9.405 9.388 0.017 9.362 9.370 Porción0.008
R
9.381
5 9.345 9.342 0.003 9.338 9.339 0.001 9.341
6 9.390 9.360 0.030 9.386 9.370 0.016 9.377
7 9.350 9.340 0.010 9.349 9.349 0.000 9.347
8 9.405 9.380 0.025 9.394 9.381 0.013 9.390
9 9.371 9.375 0.004 9.384 9.385 0.001 9.379
10 9.380 9.368 0.012 9.371 9.376 0.005 9.374
Totales 93.772 93.606 0.174 93.588 93.580 0.052
X-barA 9.3689 X-barB 9.3584
3. Identificación de Parámetros del Estudio y Cálculos
R-barA 0.0174 R-barB 0.0052
Porción R 0.0630
Ancho de tolerancia = 0.25

Número de intentos (m) = 2

Número de partes (n) =10
Número de operadores = 2
X-media máx. = 9.3689
X-media mín. = 9.3584
Diferencia X-media = 0.0105
R-media doble = .0113
K3 = 1.62
K1= 4.56
K2= 3.65
Cálculo de R&R
Repetibilidad: La variación del dispositivo de medición (VD) se calcula sobre cada grupo de
mediciones tomadas por un operador, en una sola parte.
DV = R x K1 =
0.0515
Reproducibilidad: La variación en el promedio de las mediciones (AV) se calcula sobre el rango de los
promedios de todas las mediciones, para cada operador, menos
el error del calibrador.
2
AV   Xdif  k 2 2  DV  .0259
mn
El componente de varianza para repetibilidad y reproducibilidad (R&R) se calcula combinando la

varianza de cada componente.
R & R  DV 2  AV 2  .0577
El componente de varianza para las partes (PV), se calcula sobre el rango de los promedios de todas las
mediciones, para cada parte.
PV  Rpart  K 3  0.1021
La variación total (TV) se calcula combinando la varianza de repetibilidad y reproducibilidad y la

variación de la parte.
TV  R % R 2  PV 2  0.1172
Basado en la tolerancia (Especificaciones):
%DV = 100*DV/Ancho de tolerancia = 20.61

%AV = 100*AV/Ancho de tolerancia = 10.36
%R&R = 100*R&R/Ancho de tolerancia = 23.07
Basado en la variación Total de las Partes (Proceso):
%DV = 100*DV/Variación total = 43.95

%AV = 100*AV/ Variación total = 22.10
%R&R = 100*R&R/ Variación total = 49.20
%PV = 100*PV Variación total = 87.06
El sistema despliega el análisis de varianza.
Gage R&R Study - ANOVA Method
Gage R&R for Medición
Two-Way ANOVA Table With Interaction
Source DF SS MS F P
Parte 9 2,05871 0,228745 39,7178 0,00000

Operador 2 0,04800 0,024000 4,1672 0,03256
Operador*Parte 18 0,10367 0,005759 4,4588 0,00016
Repeatability 30 0,03875 0,001292
Total 59 2,24912
Gage R&R
Source VarComp StdDev 5,15*Sigma

Total Gage R&R 0,004437 0,066615 0,34306

Repeatability 0,001292 0,035940 0,18509
Reproducibility 0,003146 0,056088 0,28885
Operador 0,000912 0,030200 0,15553
Operador*Parte 0,002234 0,047263 0,24340
Part-To-Part 0,037164 0,192781 0,99282
Total Variation 0,041602 0,203965 1,05042
Source %Contribution %Study Var
Total Gage R&R 10,67 32,66

Repeatability 3,10 17,62
Reproducibility 7,56 27,50
Operador 2,19 14,81
Operador*Parte 5,37 23,17
Part-To-Part 89,33 94,52
Total Variation 100,00 100,00
Anàlisis de la tabla de Anova
En la tabla de Anova observamos que tanto Parte, Operador y la interacción Operador * parte son
significativas debido a que el P-Value es menor a 0.05 en todos los casos
Gage name:
En la ultima tabla bajo el porcentaje de contribución, observamos queDate el porcentaje
of study : Parte a Parte = 89.33%
Gage R&R (ANOVA) for Medición
siendo más grande que el total del sistema de medición Gage R&R Reported= 10.67%.by :
Esto significa que la mayor
Tolerance:
parte de la variación es debida a la diferencia entre las partes, un porcentaje
Misc: muy pequeño es debido al error
en el sistema de medición. Por lo cual concluimos que el sistema de medición es adecuado.
Xbar Chart by Operador Operador*Parte Interaction
1,1 1 2 3 1,1 Operador
1,0 1,0 1
Sample Mean
Análisis de los gráficos:

0,9 3,0SL=0,8796 0,9 2
Average
0,8 X=0,8075
-3,0SL=0,7354 0,8 3
0,7 0,7
La mayoría de los puntos en el diagrama Xbar-operador se encuentran fuera de los limites de control,
0,6
0,6
0,5
indicando que la variación es principalmente debida a las diferencias entre partes. La interacción
0,4 0,5
Operador*Parte es una visualización de el p-value = 0.00016 en este caso indica una interacción significativa.
0,3 0,4
0 Parte
En los componentes del diagrama de variación, observamos que el porcentaje
1 2 de
3 contribución
4 5 6 7 parte
8 9a parte
10 es
más grande queRelChart sistema
by de medición R&R, lo cual nos indica que la mayor parte
Operador Byde la variación es debida a
Operador
las0,15diferencias en las
1 partes, como
2 ya se trato
3 en el análisis anterior.
1,1 Un porcentaje muy pequeño es debido al
1,0
Sample Range
3,0SL=0,1252
sistema de medición. 0,9
0,10
En el diagrama de operador, existen diferencias pequeñas entre 0,8 los operadores.
En0,05el diagrama de partes, existen diferencias grandes entre las partes.
0,7
R=0,03833 0,6
0,5
0,00 -3,0SL=0,00E+00 0,4
0 Operador 1 2 3
Components of Variation By Parte

1,1
100
%Total Var 1,0
%Study Var 0,9
Percent
0,8
50 0,7
0,6
0,5
0 0,4
Gage R&R Repeat Reprod Part-to-Part Parte 1 2 3 4 5 6 7 8 9 10
Figura 3-18.2 Gráficos del estudio del sistema de medición R&R. (Método ANOVA)
Ejemplo 3
Método: Medias-Rangos
En un proceso se escogen tres operadores para realizar un estudio de Capacidad

R&R, cada operador mide tres partes tres veces cada una. Obtenga la capacidad del
sistema de medición mediante el Método Medias-Rangos.
PARTE OPERADOR 1 OPERADOR 2 OPERADOR 3

1 476,25 273,75 405 456,25 157,5 388,75 446,25 373,75 383,75
2 443,75 608,75 408,75 435 531,25 406,25 436,25 478,75 386,25
3 398,75 270 368,75 432,5 471,25 426,25 420 268,75 413,75
 Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2, C3,C4
 Seleccione en el menú de la barra de herramientas STAT>QUALITY TOOLS>GAGE R&R STUDY

 Seleccione C1 (parte), C2 (operador), C3 (Medición)
 Seleccione el método X-bar and R
Gage R&R Study - XBar/R Method
Gage R&R for Medición
Source Variance StdDev 5,15*Sigma
Total Gage R&R 7229,94 85,0291 437,900

Repeatability 7229,94 85,0291 437,900
Reproducibility 0,00 0,0000 0,000
Part-to-Part 2026,05 45,0116 231,810
Total Variation 9255,99 96,2081 495,471
Source %Contribution %Study Var
Total Gage R&R 78,111 88,380

Repeatability 78,111 88,380
Reproducibility 0,000 0,000
Part-to-Part 21,889 46,786
Total Variation 100,000 100,000
Análisis
Gage name:
En la Segunda tabla podemos observar que el porcentaje de contribución (78.11%)
Date of study : de la variación en los
Gage
datos R&R (Xbar/R)
es debido for de
al sistema Response
medición (Total Gage R&R). El porcentaje Reported by :
entre partes (21.889%) es muy
Tolerance:
pequeño. Concluimos que el sistema de medición no es adecuado, por lo cual tenemos que tomar acciones
Misc:
correctivas.
Xbar Chart by Operator Operator*Part Interaction
490 Operator
Analizando
550 los gráficos
1
nos damos
2
cuenta3
de que la mayoría
3,0SL=555,8 de los puntos en el diagrama de operador X-bar,
1
Sample Mean
se encuentran dentro de los limites de control, la mayor parte440de la variación observada es principalmente 2
Average
450
debida al sistema de medición. También vemos que la repetitibilidad tiene un alto porcentaje de variación 3
X=406,2
78%
350 que representa la variación total del sistema de medición (debido
390 al equipo de medición).
250 -3,0SL=256,5 340
Part 1 2 3
R Chart by Operator Response by Operator

400 1 2 3
600
3,0SL=376,5
Sample Range
300 500
200 400
R=146,3
100 300
200
0 -3,0SL=0,00E+00
Operator 1 2 3
Components of Variation Response by Part

100 600
%Total Var
%Study Var 500
Percent
400
50
300
200
0
Gage R&R Repeat Reprod Part-to-Part Part 1 2 3
Figura 3-18.3 Gráficos del estudio del sistema de medición R&R. (Método Medias-
Rangos)
3-17 BENCHMARKING
Herramienta que ayuda a comparar los productos o servicios con aquellos productos o servicios “mejores en
su clase” para identificar oportunidades de mejora.
Generalmente es usado en las fases de medición y análisis, una vez que se ha decidido mejorar el producto o
servicio.
Propósitos
- Definir el mejor de su clase con medidas “reales”

- Evaluar el desempeño actual en relación con lo “mejor”
- Descubrir y entender nuevas ideas y métodos para mejorar los productos y servicios
- Identificar las metas de desempeño a las que se deben enfocar los esfuerzos
Causas de fracaso
1. No se examinan los procesos internos previamente

2. Las visitas in situ “son agradables” pero no producen información o ideas
3. Las preguntas y los objetivos son vagos
4. El esfuerzo es demasiado amplio o contiene demasiados parámetros
5. El enfoque no se centra en el proceso
6. El equipo no se ha comprometido con el esfuerzo.
7. No se asignaron tareas y/o investigación previa
8. Se seleccionó un socio equivocado para comparar (Benchmarking)

9. El equipo falla al mirar fuera de la industria o empresa.
10. No se realiza acción de seguimiento
Proceso de Benchmarking
Identificar proceso para Benchmarking
• Seleccione el producto o proceso y defina los defectos y las oportunidades.

• Mida las capacidades actuales de los productos o procesos y establezca metas.
• Entienda a detalle las necesidades de mejora de los productos o procesos.
Seleccionar la organización para el Benchmarking
• Identifique las industrias / funciones que trabajen en los mismos productos / procesos.
• Formule una lista de productores / servicios “mejores en su clase”.
• Contacte las organizaciones a través de las personas clave.
Preparar la visita
• Investigue la organización, basándose en sus productos o servicios
• Desarrolle un cuestionario detallado
• Establezca la logística y envíe la documentación preliminar a la organización
Visitar la Organización
• Siéntase cómodo y en confianza acerca de su tarea previa.

• Promueva la atmósfera ideal para maximizar los resultados.
• Concluya agradeciendo a la organización, asegure un seguimiento si es necesario.
Pedir un informe completo y desarrollar un plan de acción
• Revise las observaciones del equipo y compile los informes de visita.
• Compile una lista de las mejores prácticas y compárela con las necesidades de mejora.
• Temas de acción estructural, Identifique a quien corresponden, ir a la fase de mejora.
Retener y comunicar
• Informe a los niveles gerenciales del negocio y a los líderes de Proyecto.
• Anuncie los resultados y/o informes de visita en los servidores locales y/o en pizarrones.
• Introduzca la información en la base de datos del proyecto.
Ejemplo:
Compañía: Armas S.A.
Tema: Las encuestas revelaron que los clientes preferían cachas de pistolas más brillantes.
Socio: Lápiz Labial S.A.
Resultados: La empresa aprendió de los tubos de lápiz labial brillantes y pudo incorporar los resultados para
mejorar la satisfacción de sus clientes
Lograr que su equipo ... Contribuye a una

cambie su pensamiento a fórmula de éxito
ser creativo
Métodos de Benchmarking
Método Ventajas Desventajas

Entrevistas telefónicas  Fácil de planear y conducir  Las llamadas “frías” toman mucho
 Permite el contacto con un tiempo
número mayor de personas  Dificultad para contestar llamadas
 Puede llevarse a cabo a casi  Podrían presentarse interrupciones.
cualquier hora  Las personas no están dispuestas a
 Costo relativamente bajo. pasar mucho tiempo en el teléfono.
Junta / visita in situ  Establece una mejor relación  Caro (costo de viajes)
 Proporciona tiempo de mejor  Se lleva mucho tiempo
calidad.  Dificultades de horario
 Puede conllevar un buen grado
de información.
 Permite una visión más clara de
los procesos a través de visitas
guiadas, distr. de oficinas, etc.
Encuestas  Provee información de una  Baja probabilidad de respuesta
población mayor.  Impersonal
 Fácil de diseñar.  Dificultad para dar seguimiento a las
 Costo relativamente bajo. preguntas

 Transferencia fácil de  Alguna información es cuestionable
información para análisis. en cuanto a su veracidad.
 Debe ser relativamente breve.
 Poca posibilidad de respuestas
detalladas.
Publicaciones / medios  Información al alcance de la  Se necesita validar las fuentes/
mano. estadísticas.
 Variedad de recursos.  Muchas referencias no claras.
 La compilación no es cara.  Se lleva mucho tiempo,
 Gran cantidad de información, particularmente cuando existe una
proveniente de muchos tipos de gama enorme de información.
industria.
Categorías:
- Servicio al cliente - Confiabilidad

- Tiempo de entrega - Tiempo de Respuesta
- Nuevos Productos - Servicios técnicos
- Calidad del producto - Tecnología
Preguntas Sugeridas:
• ¿Qué empresa se catalogaría como “El Mejor en su Clase” en el renglón de Categoría?
• ¿Cuál es la empresa “El Siguiente Mejor en su Clase” en el renglón de Categoría?
• ¿Qué cosas específicas realiza esta empresa para alcanzar este alto nivel?
• ¿Que puntuación se daría en Categoría al proceso de nuestra empresa?
• ¿Qué se podría hacer en nuestra empresa para incrementar nuestro nivel en esta
Categoría?
Referencia y Transferencia
 La referencia utiliza el conocimiento adquirido para mejorar un proceso, observar otra área con un
proceso similar y determinar si las mismas mejorías son aplicables
 La transferencia es aplicar directamente lo que se aprendió de un proceso similar, a un proceso interno.
3-16 QFD (Despliegue de la función de Calidad)
El despliegue de la función de la calidad: Quality Function Deployment (QFD), es relacionado comúnmente

con “la voz de los clientes”, o con “la casa de la calidad”.
QFD es un proceso que asegura que los deseos y las necesidades de los clientes sean traducidas en
características técnicas. Estas características son manejadas por la compañía mediante la función del diseño,
o mejor aún, a través de un equipo multifucional que incluye ventas, marketing, Ingeniería de diseño,
Ingeniería de manufactura y operaciones. El principal objetivo de las funciones realizadas es centrar el
producto o servicio en la satisfacción de los requerimientos del cliente. QFD es una valiosa herramienta que
puede ser utilizada por toda la compañía. Su flexibilidad y adaptabilidad permite un buen desempeño en las
industrias manufactureras y de servicios.
QFD utiliza un método gráfico en el que se expresan relaciones entre deseos de los clientes y las
características del diseño. Es una matriz que enlista las necesidades de los clientes
“ atributos” comparándolas con las “características de diseño”
Las expectativas y necesidades de los clientes son recolectadas mediante técnicas de investigación de
mercados: entrevistas, encuestas, exposiciones, etc. Mediante la casa de la calidad se organizan los datos
obtenidos. El uso de matrices es la clave para poder construir la casa. En la matriz se muestran las relaciones
entre las necesidades de los consumidores y las características de diseño.
Beneficios
 Menor Tiempo de desarrollo desde el concepto hasta el arranque de producción.

 Pocos cambios de ingeniería con el producto en producción.
 Diseño congruente con las necesidades y expectativas del cliente, a través de equipos
multidisciplinarios.
 Satisfacción de las necesidades del cliente.
 Traduce los requerimientos del cliente desde un lenguaje ambiguo a los requerimientos de diseño
específicos para el desarrollo del producto y su manufactura.
 Los requerimientos del cliente son medibles, alcanzables y potencialmente mejorables.
 Identifica las características críticas para la calidad (CTQs) del producto y su desempeño en el
mercado.
 En la alta dirección ayuda a que los directivos cambien su forma de dirigir de una orientación hacia
los resultados, a un enfoque hacia los procesos que conducen a los resultados.
 En la planeación de productos y procesos operativos, ayuda a disminuir, e incluso a eliminar, las
iteraciones de rediseño que se realizan en los métodos tradicionales ya que incorpora desde el
principio los diferentes enfoques que intervienen en la definición de las características de productos
y procesos.
 Promueve una mejor comunicación y labor de equipo entre el personal que interviene en todas las
etapas, desde el diseño hasta la comercialización del producto.
Procedimiento del QFD.
Procedimiento general:
1. Definición del objetivo del análisis: a partir del cual se busca identificar los atributos del producto
requeridos por los clientes, así como sus características técnicas, para después relacionar ambos en
una matriz.
2. Evaluación competitiva del producto y las características técnicas: Estas dos se correlacionan entre sí
para establecer metas.
3. Determinación de los requerimientos de diseño del producto o las características técnicas a desplegar
en el proceso productivo.
Procedimiento completo (cuatro fases):
Fase 1 diseño global: Se enfoca en el diseño general del producto, se relacionan y evalúan los atributos
requeridos por el cliente con las características técnicas del producto, lo cual da como resultado las
especificaciones de diseño
Fase 2 diseño en detalle: Se lleva a cabo la correlación y evaluación entre las especificaciones de diseño y
las características de los principales componentes o parte del producto, de lo que resultan las especificaciones
convenientes para éstas.
Fase 3 Proceso: Las especificaciones de los componentes se correlacionan y evalúan con las características
del proceso de producción, obteniendo como resultado las especificaciones de este.
Fase 4 Producción: Se correlacionan las especificaciones del proceso con las características de producción
para obtener las especificaciones de producción más apropiadas.
Desarrollo del QFD
NIVEL DEL PRODUCTO
NIVEL DE PARTES
NIVEL DE
PROCESO
Figura 3-16.1
QFD a nivel producto - casa de la calidad-
Su propósito es relacionar las necesidades básicas del cliente con las características de diseño del producto.
Figura 3-16.2
Correlaciones
Técnicas
Características de diseño
Desempeño de la competencia.
del producto
Dificultad para lograr la meta
Importancia para el cliente
Relación de mejoramiento
Desempeño actual
Peso normalizado
Peso Ponderado
punto de venta
Relaciones
Necesidades
del cliente
entre las necesidades

Meta
del cliente y las caract.

de diseño
Paso 1: Determinación de las necesidades deldel producto
cliente ¿Qué?
•La información debe recolectarse por las personas idóneas
Prioridades
–Gerentes responsables y Líder de proyecto.

–Ingeniero de servicio o campo.
–Representantes de ventas.
–Departamento de Mercadotecnia
–Ingeniería de producto
–Clientes y consumidores finales
•Pueden ser necesarias varias sesiones con diferentes clientes.

•La descripción de las necesidades del cliente deben ser descritas de lo general a lo más particular posible,
apoyando al cliente en la interpretación.
•Formar un equipo multidisciplinario, estableciendo:

1. Quiénes son los clientes.
2. Definir a cuál producto se enfocará el equipo.
•Inicialmente registrar todas las “Necesidades primarias del cliente”.

–Son necesidades muy generales. (Robustez, durabilidad, capacidad, apariencia, desempeño, etc.)
Algunas categorías de necesidades primarias pueden ser derivadas del modelo Kano
MODELO
KANO
•Categorías de necesidades primarias del cliente :
 Desempeño: Esta es la razón principal por la cual los clientes compran los productos.
 Capacidad: Capacidad del proveedor
 Calidad percibida: Incluye aspectos sensoriales del producto (cómo se siente, cómo se ve).
 Conveniencia: Incluye la facilidad de uso, manejo durante la operación y accesibilidad del
equipo.
 Apariencia: Forma y detalles del producto.
 Confiabilidad y durabilidad: Producto libre de fallas durante su uso.
 Seguridad y conformidad: El producto se diseña tomando en cuenta la seguridad como el
factor más importante, no sólo para el cliente, sino para todo aquél que esté en contacto con
el.
 Instalación y distribución: Condiciones a considerar para estos aspectos
 Facilidad de mantenimiento: Si se descompone, ¿se puede arreglar?
Una vez determinadas las necesidades primarias, es necesario desglosarlas en necesidades secundarias
y esta a su vez en terciarias y así sucesivamente.
Por ejemplo si la necesidad primaria es:

“Excelente tasa de café”
Las secundarias pueden ser:
–Café caliente
–Buena apariencia
–Rico sabor
–Buen aroma
–Bajo precio
–Cantidad suficiente
–Se mantiene caliente
Etc.
Paso 2: Llenado de la Matriz de Planeación .Se consideran varios factores para cada
necesidad del cliente, para identificar las más importantes.
Figura 3-16.3
Para llenar la Matriz de Planeación se deben contestar las siguientes preguntas:
¿Qué tan importante es la necesidad para el cliente?

¿Qué tan bien satisfacemos esas necesidades hoy?
¿Cómo lo está haciendo la competencia?
¿A Qué nivel se quiere llegar para satisfacer la necesidad?
¿Cuánto tiempo y recursos se requieren para satisfacer esas necesidades?
Si la necesidades se satisface ¿se venderán más productos?
LA IMPORTANCIA PARA EL CLIENTE

(primera columna en la matriz de planeación):
Se pueden usar cuatro tipos de ponderaciones
 Importancia absoluta:
Cada necesidad del cliente es jerarquizada en una escala de 1 a 5 (5 es lo más importante).
Ventaja: se tiene un buen rango de valores.
Desventajas: sólo cinco jerarquías disponibles
 Importancia ponderada:
Cada necesidad del cliente es jerarquizada ya sea en 1, 3 ó 9.

Ventaja: las jerarquías son ponderadas.
Desventaja: se tienen solo tres jerarquías disponibles
 Importancia relativa:
Cada necesidad del cliente es jerarquizada de 1 a 10.
Ventaja: Varias jerarquías diferentes para las necesidades.
Desventaja: Tiende a desviarse hacia un lado de la escala (e.i. rangos de 4 a 8).
 Importancia ordinal:
Jerarquizada por orden de importancia (si hay 15 necesidades del cliente, usar 1 al 15,siendo 15 la más
importante)
Ventaja: Forza las diferentes jerarquías para cada necesidad.
Desventaja: no toma en cuenta las necesidades que son de igual importancia
La más recomendada a utilizar es la ponderación de Importancia relativa.
DESEMPEÑO ACTUAL EN LA SATISFACCIÓN DEL CLIENTE: Cómo se cubren actualmente las

necesidades del cliente. Usar la misma escala de la primera columna.
DESEMPEÑO DE LA COMPETENCIA: Cómo cubre actualmente la competencia las necesidades del

cliente. Los clientes deben llegar a un consenso en estos aspectos.
LA META: debe establecerse en consenso, balanceando los intereses de todas las áreas por medio del equipo
multidisciplinario
RELACION DE MEJORAMIENTO:
META
RELACION DE MEJORAMIENTO 
DESEMPEÑO ACTUAL
DIFICULTAD PARA LOGRAR LA META:
1.0 = Poca dificultad

1.2 = Dificultad moderada
1.5 = Dificultad alta
PUNTO DE VENTA: Al alcanzar la meta en esta necesidad del cliente.¿se pueden incrementar las ventas?
1.0 = No hay ventaja

1.2 = Ventaja media
1.5 = Ventaja fuerte
 SUGERENCIAS: Al determinar el punto de venta:
- Comparar la meta contra la competencia.

- Buscar aspectos “encantadores” para el cliente.
PESO PONDERADO :
Im por tan cia para el cliente  relación de mejora  punto de venta
peso ponderado 
dificultad para log rar la mejora
PESO NORMALIZADO:
peso ponderado
peso normalizado 
suma de pesos ponderados individuales
 Los cálculos permiten un “análisis rápido”.

 Permiten al equipo identificar prioridades y enfocarse a mejorar la satisfacción de las
necesidades principales de los clientes.
Paso 3: Definición de las características de diseño del producto ¿Cómo?

•Después de completar las secciones de necesidades del cliente y matriz de planeación, el siguiente paso es
definir las características de diseño del producto con el que se cubrirán esas necesidades.
Figura 3-16.4
Correlaciones
Técnicas
Características de
diseño del producto
Desempeño de la competencia
Importancia del cliente
Dificultad dela mejora

Desempeño actual
Peso normalizado
Relaciones
Necesidades
Peso ponderado
punto de venta
del cliente
Meta
del cliente y los req.
del sistema
Prioridades
Determinando las características de diseño
Propósito: Determinar las características de diseño necesarias para satisfacer los requisitos del cliente.
1. Definir los requisitos o necesidades del cliente

2. Lluvia de ideas de las características potenciales – “Cómo medir __?”.
Evaluar cada característica para determinar si es:
Relevante ¿realmente ayuda al logro del requisito del cliente?
Controlable ¿se puede controlar?
Medible ¿se puede medir?
Genérica ¿se puede aplicar a diferentes conceptos de diseño?
Proactiva ¿se puede medir antes de que el producto final sea entregado?
Práctica ¿su medición es fácil, rápida y económica?
3. Consolidar características haciendo la lista lo más pequeña y completa posible.
4. Considerando las ideas restantes, se plantea “Si logramos obtener estas características con límites
adecuados, ¿quedará satisfecho el cliente?
5. Si la respuesta a lo anterior es SI, entonces ya se terminó. Si es, NO, agregue lo necesario y regrese
al paso
6. La lista no deberá ser mayor de 30 a 35 características.
Características del Producto “A”:

Cumplimiento de normas Entrega
Ruido, contaminación A tiempo, de acuerdo al programa
Confiabilidad: Facilidad de mantenimiento

Fallas del producto / año Tiempo de reparación
Seguridad
Disponibilidad
Del producto / año Durabilidad
Días entre servicios
Desempeño:
Temperatura (ºC) Robustez
Ciclos de operación Insensibilidad al ambiente
Costo:
Calidad percibida
$ (Servicio y operación) Mejor estética
$ (Unitario)
Dirección de mejora de las características técnicas de diseño

Permite saber si es mejor con mayor cantidad de esta característica particular, o si es mejor con menor
cantidad, o si opera mejor si está en el valor del objetivo esperado
Más es mejor, se indica con
Menos es mejor, se indica con
Centrado es mejor, se indica con X
Ejemplo de “COMOs” para la tasa de café
Temperatura al servirlo, Cantidad de cafeína, Componente de sabor, Intensidad de sabor, Componente de

Aroma, Intensidad de aroma, Precio de venta, Volumen, Temperatura después de servirlo.
Figura 3-16.5
Cómo Correlaciones
se satisfacen Técnicas
y cubren las Características de
necesidades diseño del producto
del cliente
Importancia del cliente
Dificultad dela mejora
Peso normalizado
Desempeño actual
Relaciones
Peso ponderado
Necesidades
punto de venta
del cliente

Meta
del cliente y los req.

del sistema
Prioridades
Correlaciones
Paso 4: Definición de la relación entre necesidades
Técnicas del cliente y características de diseño del producto.
Dirección de
Mejoramiento
Figura 3-16.6
del producto

Desempeño actual
Peso normalizado
Peso Ponderado
punto de venta
Relaciones
Necesidades
del cliente

Meta

de diseño del producto
Prio ridades
Relaciones:
• Determinar el grado de relación entre las necesidades del cliente y las características de diseño del producto.
• Usar una escala ponderada no lineal para enfatizar claramente la importancia de los valores
• Los valores utilizados normalmente son:
9 = Relación fuerte
3 = Relación moderada
1 = Relación débil / posible
Si no existe ninguna relación, ¡dejar en blanco!

Paso 5: Cálculo de las prioridades
Este cálculo enlaza las necesidades del cliente y su importancia para las características internas.
Núm. de prioridad = S (Valores de Relación X Peso ponderado.) Para cada característica técnica
% relativos de Números de prioridad = % de la prioridad / total
Figura 3-16.7
Correlaciones
Técnicas
del producto
Desempeño actual
Peso normalizado
Necesidades
Relaciones
Peso Ponderado
punto de venta
del cliente

Meta

Números de Prioridad
Esto da como resultado la prioridad de de
% Relativo las Núm.
características
de Prioridad
de diseño del producto en relación con los CTQ’s.
Paso 6: Determinación de las especificaciones técnicas de la empresa y de la competencia en relación
con los requerimientos de diseño. También se establece una meta técnica.
 Para cada requerimiento o característica de diseño, se determina la especificación actual de la empresa.
 Se determina la especificación que ofrece cada competidor.
 En base a lo anterior se establece una meta de especificación de diseño

 , en base a las prioridades calculadas y los costos.
Figura 3-16.8
Correlaciones
Técnicas
del producto

Desempeño actual
Peso normalizado
Necesidades
Relaciones
Peso Ponderado
punto de venta
del cliente
Meta
Números de Prioridad
% Relativo Nums. De Prioridad
Especs. de la empresa
Especs. de la competencia
Meta de la empresa
Esto da como resultado la identificación de las especificaciones

críticas de diseño del producto de acuerdo a la prioridad
Paso 7: Determinación de la correlación entre características de diseño del producto
•Ayuda a identificar que efectos adversos pueden ocurrir cuando se cambian una o más características de
diseño.
Figura 3-16.9
Correlaciones
Técnicas
Características del producto
Dificultad de la mejora
Desempeño actual
Peso normalizado
Relaciones entre las

Peso ponderado
Necesidades
Punto de venta
del cliente
necesidades del cliente

Meta
y los requerimientos/
mediciones del sistema
CORRELACIONES TÉCNICAS:
• Muestran las características que estánPrioridades
estrechamente relacionadas
• Muestran el impacto de una característica en cualquier otra
• Rápidamente muestran qué características tendrán un mayor impacto cuando cambian.
VALORES MÁS COMÚNMENTE USADOS:
relación positiva fuerte.

relación positiva moderada.
sin relación.
relación negativa moderada.
relación negativa fuerte.
3-15 MAPA DE PROCESOS / DIAGRAMA DE FLUJO
Dentro de los sistemas de calidad resulta de gran utilidad representar la estructura y relaciones de los
sistemas mediante diagramas de flujo.
Ventajas de los diagramas de flujo
 Proveen una secuencia gráfica de cada uno de los pasos que componen una operación desde el inicio
hasta el final. Permitiendo una mejor visualización y comprensión del proceso.
 Los diagramas de flujo pueden minimizar grandes volúmenes de documentación, incluyendo la
documentación ISO 9000.
 Facilitan el desarrollo de Procedimientos Estándar de Operación.
 Al tener un procedimiento de operación estándar se reduce en gran medida la variación y el tiempo de
ciclo.
 Los diagramas de flujo permiten detectar áreas de mejora en los procesos.
Descripción de símbolos
En la construcción de diagramas de flujo de procesos se utilizan los símbolos descritos a continuación:
Operación de transformación: de la cual resulta un cambio físico o químico del

producto.
Inspección: Verificación de alguna característica mediante un estandar de calidad

prestablecido.
Transporte: Movimiento físico del producto o un componente.

Demora: Indica la necesidad de un periodo de inactividad en espera de operación

inspección o transporte.
Almacenamiento: Mantener un producto en almacenamiento hasta

que continúe su procesamiento o sea vendido.
Pasos para la elaboración de un diagrama de flujo
1. Describir el proceso a evaluar: Es importante comenzar con los procesos que se consideran de
mayor impacto en la organización.
2. Definir todos los pasos que componen un producto o servicio: Existen diferentes maneras de
hacerlo. Una de ellas consiste en que el equipo de trabajo anote en tarjetas los diferentes pasos que
conforman el proceso, con este método el equipo puede arreglar y ordenar los pasos del proceso.
Otra manera de hacerlo es mediante el uso de programas de diagramas de flujo en computadoras, de
esta manera se tiene mayor flexibilidad que en el método anterior y se ahorra bastante tiempo.
Cada paso deberá de ser discutido y analizado a detalle utilizando la pregunta “¿por qué se hace de
esta manera?”
3. Conectar las actividades: Cuando los pasos que componen el proceso han sido descritos se
construye el diagrama de flujo, conectando las actividades mediante flechas, cada símbolo debe
describir la actividad que se realiza con pocas palabras.
4. Comparar el proceso actual con el proceso considerado como “ideal” las siguientes preguntas
pueden servir de guía:
¿Existen pasos demasiado complejos?
¿Existe duplicidad o redundancia?
¿Existen puntos de control para prevenir errores? ¿deberían de existir?
¿El proceso funciona en la manera en la cual debería de hacerse?
¿Se puede realizar el proceso de diferente manera?
5. Mejoras del proceso: Una vez que se contestan las preguntas mediante tormenta de ideas se realizan
mejoras. Definiendo los pasos que agregan valor y los que no agregan se puede llevar a cabo una
simplificación sustancial del proceso.
Las mejoras son priorizadas y se llevan a cabo planes de acción.
6. Implementar el nuevo procedimiento: Una vez realizadas las mejoras se dan a conocer a las
personas involucradas en el proceso y se verifica su efectividad.
Diagrama de flujo de tiempo sin valor.
Es utilizado para detectar cuales son las actividades que agregan valor al proceso y las que no agregan valor.
Pasos para realizarlo:

• Dibujar una línea horizontal para representar el tiempo total que se ocupa en el proceso.
• Relacione todos los pasos del proceso detalladamente, después decida si el paso tiene valor para el cliente.
• Dibujar una línea vertical fina que represente el tiempo que se requiere para completar el paso.
• Dibújela arriba de la línea, si representa valor agregado, o debajo si no lo representa.
• En cada línea vertical señale el paso del proceso.
• Puede dibujar una barra con el tiempo de valor agregado como porcentaje de tiempo total del proceso.
Ventajas:
• Delinea gráficamente la cantidad de tiempo sin valor que se usa en el proceso.
• Ayuda a reducir el tiempo sin valor y eliminar pasos innecesarios.
Figura 3.15.1 Diagrama de flujo: Una visita a la farmacia 11

Operación: despacho de una fórmula.
EVENTO SÍMBOLO TIEMPO DISTANCIA

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

dependiente.
Esperar hasta cuando el dependiente despache la fórmula y 10
calcule el valor.
Sacar la tarjeta de crédito de la billetera y entregarla al 0.4
dependiente.
Esperar que el dependiente diligencie el desprendible de la 1
tarjeta de crédito.
Verificar el desprendible 0.2
Firmar el desprendible 0.1
Esperar el desprendible y el medicamento 0.3
Colocar la tarjeta y el desprendible dentro de la billetera 0.2
Recoger el medicamento y caminar de regreso hasta la 0.8 50

puerta
Visita al consultorio médico

Exa cripci
P re
Pr
me
s
es
ny n
ión
Pe gu í
Sa
ó
so nea
n
Espera Espera
Se min
Sa gar
Ll enf
Ca a de a
Se istr
Pa inar
Ca inar
Ca
Re
am er m
nt a r
lir
la
m
nt ars
ar
11
Adaptado de Hamid Noori/Russell Radford, Administración de Operaciones y producción, Ed. Mc.Graw
m
g
de
ad
ar e
se
se
lc
Hill Pp.282
on
er
su
lto
ior
Figura 3-15.2 Diagrama de flujo de Valor
Diagrama de Flujo Físico

Pasos para realizarlo:
•Dibuje el esquema físico de su área de trabajo, incluyendo estaciones de trabajo, áreas de espera, áreas de
máquinas, etc.
•Use flechas para delinear el flujo de la parte dentro del área. Cada flecha debe delinear un paso del proceso.
Ventajas
• Muestra el número de movimientos para completar el proceso.
• Muestra la complejidad del flujo y las curvas.
• Puede añadir tiempo a cada paso, para mostrar cuellos de botella y tiempo sin valor agregado Vs tiempo con
valor agregado.
Edificio A
Edificio B
Figura 3-15.3 Diagrama de flujo físico

3-14 DIAGRAMAS DE DISPERSIÓN
El diagrama de dispersión es una técnica estadística utilizada para estudiar la relación entre dos variables. Por
ejemplo, entre una característica de calidad y un factor que le afecta.
La ventaja de utilizar este tipo de diagramas es que al hacerlo se tiene una comprensión más profunda del
problema planteado.
La relación entre dos variables se representa mediante una gráfica de dos dimensiones en la que cada relación
está dada por un par de puntos (uno para cada variable).
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 la correlación. En total existen
cinco grados de correlación: positiva evidente, positiva, negativa evidente, negativa y , nula. (figura 3-14.2)
Accidentes laborales
• • •
•
•
•
• Correlación
• •
• •
•
• • positiva,
•
•
•
•
•
•
posible
• • •
• • •
•
• •
Numero de órdenes urgentes
Figura 3-14.1
Figura 3-14.2 Tipos de correlación
Correlación Positiva Correlación Negativa

25
Evidente 25
Evidente
20 20
15 15
10
Y
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
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 son:
a
 y x 2
  x  xy
n x   x
2 2
n xy   x  y
b
n x 2    x 
2
El índice de correlación (r) se puede calcular estadísticamente mediante las ecuaciones que a continuación se
presentan
SCxy
r 
SCx  SCy
 xy  
xy
SCxy 
n
SCx   x 2

 x 2
SCy   y 2

 y 2
n
Donde:
r = Coeficiente de correlación lineal
SCxy = Suma de cuadrados de xy
SCx = Suma de cuadrados de x
SCy = Suma de cuadrados de y
 x 2  Sumatoria de los valores de la variable x al cuadrado
 y  Sumatoria de los valores de la variable y al cuadrado
2
 xy  Sumatoria del producto de xy

 x 2
 Cuadrado de la sumatoria de la variable x
 y 2
 Cuadrado de la sumatoria de la variable y
n = número de pares ordenados (pares de datos x, y)
El factor de correlación es un número entre –1 (correlación negativa evidente) y +1 (correlación positiva

evidente), y r = 0 indicaría correlación nula.
La correlación se utiliza para cuantificar el grado en que una variable provoca el comportamiento de otra. Por
ejemplo si se encuentra que la variable temperatura tiene una correlación positiva con el porcentaje de
artículos defectuosos, se deben buscar soluciones al problema de los artículos defectuosos mediante acciones
asociadas con la variable temperatura; de lo contrario, sería necesario buscar la solución por otro lado.
Ejemplo 1:
Un ingeniero que trabaja con botellas de refresco investiga la distribución del producto y las operaciones del
servicio de ruta para máquinas vendedoras. El sospecha que el tiempo requerido para cargar y servir una
máquina se relaciona con el número de latas entregadas del producto. Se selecciona una muestra aleatoria de
25 expendios al menudeo que tienen máquinas vendedoras y se observa para cada expendio el tiempo de
solicitud- entrega (en minutos) y el volumen del producto entregado (en latas). Calcular el coeficiente de
correlación y graficar. Los datos se muestran a continuación:
Observación No. Latas, x tiempo, y x^2 y^2 xy

1 2.00 9.95 4.00 99.00 19.90
2 8.00 24.45 64.00 597.80 195.60
3 11.00 31.75 121.00 1,008.06 349.25
4 10.00 35.00 100.00 1,225.00 350.00
5 8.00 25.02 64.00 626.00 200.16
6 4.00 16.86 16.00 284.26 67.44
7 2.00 14.38 4.00 206.78 28.76
8 2.00 9.60 4.00 92.16 19.20
9 9.00 24.35 81.00 592.92 219.15
10 8.00 27.50 64.00 756.25 220.00
11 4.00 17.08 16.00 291.73 68.32
12 11.00 37.00 121.00 1,369.00 407.00
13 12.00 41.95 144.00 1,759.80 503.40
14 2.00 11.66 4.00 135.96 23.32
15 4.00 21.65 16.00 468.72 86.60
16 4.00 17.89 16.00 320.05 71.56
17 20.00 69.00 400.00 4,761.00 1,380.00
18 1.00 10.30 1.00 106.09 10.30
19 10.00 34.93 100.00 1,220.10 349.30
20 15.00 46.59 225.00 2,170.63 698.85
21 15.00 44.88 225.00 2,014.21 673.20
22 16.00 54.12 256.00 2,928.97 865.92
23 17.00 56.63 289.00 3,206.96 962.71
24 6.00 22.13 36.00 489.74 132.78
25 5.00 21.15 25.00 447.32 105.75
TOTALES 206.00 725.82 2,396.00 27,178.53 8,008.47
Utilizando las ecuaciones para obtener el coeficiente de correlación tenemos:
SCxy = 2027.71
SCx = 698.56
SCy = 6105.94
r = 0.98
El coeficiente de correlación r = 0.98 por lo cual tenemos suficiente evidencia estadística para afirmar que el
tiempo de entrega esta relacionado con el número de latas.
Diagrama de dispersion
80.00
70.00
tiempo de entrega ( y )
60.00
50.00
40.00
30.00
20.00
10.00
-
- 5.00 10.00 15.00 20.00 25.00
Numero de latas (x)
Figura 13-14.3
En la gráfica 13-14.3 observamos que al aumentar el número de latas el tiempo de entrega aumenta.
 Para realizar el gráfico de dispersión en Excell realice el siguiente procedimiento:
1. Seleccione el icono asistente para gráficos.

2. Seleccione el tipo de gráfico xy(dispersión), y subtipo de gráfico: dispersión, compara pares de
valores.(siguiente)
3. En la pestaña rango de datos seleccione los valores de x y y de la tabla de datos. En la pestaña serie
agregue el titulo, el rango de valores x, y se da por de fault al haber seleccionado el rango de datos .
(siguiente)
4. Ponga el titulo del gráfico y eje de valores x y y de la tabla de datos. En esta pantalla puede agregar
líneas de división al gráfico y otras opciones (siguiente) (finalizar)
5. Para realizar algún cambio, por ejemplo en la escala haga clic en la escala de valores y aparecerá un
menú que le permitirá realizarlos.
3-13 CARTA DE TENDENCIAS
Definición:
•Es una ayuda gráfica para el control de las variaciones de los procesos administrativos y de manufactura.
Usos:
•Saber el comportamiento de un sistema o proceso durante el tiempo.
• Tomar las acciones correctivas a tiempo si la tendencia afectará en forma negativa.
Ejemplo:
Se tienen los datos siguientes de errores de planeación de la producción durante 15 semanas:
Semana % errores Semana % errores

1 0.15 9 0.04
2 0.04 10 0.05
3 0.08 11 0.07
4 0.07 12 0.04
5 0.04 13 0.02
6 0.05 14 0.03
7 0.01 15 0.01
8 0.03
Permite observar el comportamiento de los datos durante un periodo de tiempo determinado.
Carta de tendencia
0.2
% errores
0.15
0.1
0.05
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Sem ana
Figura 13-1 Carta de tendencia

3-12 HOJA DE VERIFICACIÓN
Se utiliza para reunir datos basados en la observación del comportamiento de un proceso con el fin de detectar
tendencias, por medio de la captura, análisis y control de información relativa al proceso. Básicamente es un
formato que facilita que una persona pueda tomar datos en una forma ordenada y de acuerdo al estándar
requerido en el análisis que se esté realizando. Las hojas de verificación también conocidas como de
comprobación o de chequeo organizan los datos de manera que puedan usarse con facilidad más adelante.
Pasos para la elaboración de una hoja de verificación:
1. Determinar claramente el proceso sujeto a observación. Los integrantes deben enfocar su atención hacia
el análisis de las características del proceso.
2. Definir el período de tiempo durante el cuál serán recolectados los datos. Esto puede variar de horas a
semanas.
3. Diseñar una forma que sea clara y fácil de usar. Asegúrese de que todas las columnas estén claramente
descritas y de que haya suficiente espacio para registrar los datos.
4. Obtener los datos de una manera consistente y honesta. Asegúrese de que se dedique el tiempo necesario
para esta actividad.
Ejemplo de hoja de verificación
DIA
DEFECTO 1 2 3 4 TOTAL
Tamaño erróneo IIIII I IIIII IIIII III IIIII II 26
Forma errónea I III III II 9
Depto. Equivocado IIIII I I I 8
Peso erróneo IIIII IIIII I IIIII III IIIII III IIIII IIIII 37
Mal Acabado II III I I 7
TOTAL 25 20 21 21 87
Consejos para la elaboración e interpretación de las hojas de verificación
1. Asegúrese de que las observaciones sean representativas.

2. Asegúrese de que el proceso de observación es eficiente de manera que las personas tengan tiempo
suficiente para hacerlo.
3. La población (universo) muestreada debe ser homogénea, en caso contrario, el primer paso es utilizar la
estratificación (agrupación) para el análisis de las muestras/observaciones las cuales se llevarán a cabo en
forma individual.
3-11 DIAGRAMA DE AFINIDAD
En el diagrama de afinidad se menciona la lluvia de ideas lógicas acerca del problema a

resolver, en este diagrama el equipo de trabajo hace una lluvia de ideas relacionadas con el
problema, de las cuales se pueden relacionar por afinidad propia para llegar así a la causa
principal que la origina. En otras palabras en el diagrama de afinidad se clarifica la solución
de problemas a partir de la lluvia de ideas.
Los pasos a seguir para realizar el diagrama de afinidad son los siguientes:
1. Seleccionar el problema a resolver.

2. El equipo de trabajo discute cuales son las principales causas probables que
ocasionan el problema.
3. Las causas probables se anotan en tarjetas, se reúnen y se agrupan por la afinidad
que existen entre ellas.
4. Se seleccionan las tarjetas que mejor describan el tema afín.
5. Dibujar el diagrama de afinidad por bloques.
6. Se prepara un informe oral escrito para comunicar la solución de problema,
asignándole un nombre de tema que englobe o describa todos los bloques.
Se dice que el diagrama de afinidad es la recopilación de las posibles causas del problema,
mediante una lluvia de ideas basadas en la experiencia, cuyo objetivo es agrupar en
categorías afines las posibles causas que ocasionan dicho problema.
Ejemplo
Problema: Falta de llenado en tubos de pasta dental
Tabla 1. Lluvia de ideas
DEPARTAMENTO MANUFACTURA CONTROL DE MANTENIMIENTO

PRODUCCION CALIDAD
Mala calibración de Que no "enchine" la Viscosidad alta del Mala calibración del
báscula pasta producto termopar.
Viscosidad de Falta de presión de Peso específico bajo. Mala calibración de
producto alta vacío. barómetros y
manómetros.
Boquillas de llenado Producto con aire Producto con aire. Mantenimiento
tapadas insuficiente.
Falta de presión en Materias primas mal Humedad baja Mantenimiento
boquillas de llenado. pesadas deficiente.
Desajuste de Mal manufacturado. Mala calibración de Mal funcionamiento de
inyectores. equipos. motores.
Falta de alguna Falla en boquillas
materia prima.
Falta de tiempo de Boquillas dañadas
mezclado
Falta de temperatura Tuberías dañadas
Mal suministro de Filtros tapados
materias primas
Adición rápida de
materiales
Adición descortinada Mala purga
de CMC
Mala aplicación de
GMP´S
Mala calibración del
termopar.
Después de realizar la lluvia de ideas por departamentos (tabla 1) , se procede a ordenarlas
de acuerdo a la afinidad lógica que existe entre estas, para lo cual se obtiene la tabla 2.
Tabla 2. Diagrama de Afinidad.
FALTA DE PESO EN TUBOS

MANTENIMIENTO DEFICIENTE PRODUCTO FUERA DE ESPECIFICACION
 Mala calibración  Mantenimiento  Mala manufactura  Peso especifico bajo.
de equipos e insuficiente  Viscosidad alta  Producto con aire
instrumentos.  Boquillas  Mala purga.  Grumos en la crema
 Falta de presión. tapadas.  No "enchine" el dental.
 Falta de  Desajuste de producto.  Adición descordinada
temperatura. inyectores.  Materias primas de CMC.
 Mal vacío. mal pesadas.

 Mal  Falta de materias
funcionamiento primas.
de motores y  Falta de tiempo de
bombas. mezclado.
 Tuberías  Falta de
dañadas. temperatura.
 Válvulas  Falta de presión
dañadas  Mala aplicación de
 Empaques GMP12´S
defectuosos y  Producto con aire.
dañados  Humedad baja.
 Filtros tapados
Del diagrama de afinidad se encontró el título del problema a resolver que es: FALTA DE
PESO EN TUBOS.
3-10 DIAGRAMA DE RELACIONES
Esta técnica es utilizada para la resolución de problemas complejos o diferentes situaciones que enfrenta la
gerencia. Si el problema es complejo, las relaciones pueden ser difíciles de determinar. Probablemente se
encuentren involucradas relaciones causales. La idea es llevar a cabo un proceso creativo de solución de
problemas, que nos conduzcan a algunas de las causas clave. La “solución” del problema será determinada
cuando el equipo haya analizado el diagrama de las causas clave.
Los pasos para construir un diagrama de relaciones son los siguientes:
1. Anotar todos los posibles factores relacionados con el problema. (una opción es utilizar cartas).
2. Se hace una selección de los factores que están relacionados mediante algún patrón.
3. Identificar las relaciones (causa  efecto) y unirlas utilizando flechas en el diagrama de relaciones.
12
GMP`S significa Buenas prácticas de manufactura.
4. Debido a que en está técnica se lleva algún tiempo en el estudio del problema, se deben hacer varias
revisiones por diferentes personas.
5. Cuando se finaliza el diagrama se presenta y se lleva a cabo un análisis del mismo.
6. Aquellos elementos que tienen mayor cantidad de flechas (que entran o salen) son los factores
críticos, mediante los cuales se determina la verdadera causa raíz del problema, el equipo hace un
consenso y comienza a trabajar en ellos.
EJEMPLO DIAGRAMA DE RELACIONES:

FALTA DE MATERIALES
FALTA DE
CAPACITACION
PRONOSTICOS NO
MAL USO DEL MRP
REALISTAS
MALA
ADMINISTRACION DEL
CERTIFICACION DE ORDENES DE DEPTO. DE
PROVEEDORES COMPRA FUERA MATERIALES
DE TIEMPO
INCUMPLIMIENTO DE FALTA DE DESCRIPCION

PROVEEDORES DE ROLES Y
RESPONSABILIDADES
FALTA DE
MATERIALES
Figura 3-10.1 Diagrama de Relaciones
En el diagrama observamos que los Factores críticos son: Falta de capacitación, mal uso del MRP 13.
3-9 MATRIZ DE CAUSA Y EFECTO
 QFD abreviado (Quality Function Deployment) para enfatizar la importancia de los

requerimientos del cliente.
 Relaciona las entradas claves a los CTQs y el diagrama de flujo del proceso como su
principal fuente.
 Los CTQs se clasifican de acuerdo a la importancia que le da el cliente.
 Las entradas claves se registran en relación con los CTQs.
 Resultado:
 Pareto de las entradas clave a usar en AMEF’s y Planes de Control del proceso.
 Entrada para los Estudios de Capacidad.
ELEMENTOS DE UN PROCESO
13
MRP (Material Requirement Planning) Planeación de Requerimientos de Materiales
CONTROLES: TARJETA DE INFORMACION

AUDITORIA POR PRODUCTO
HOJA DE RUTA
CARTA DE CONTROL
AYUDAS VISUALES
PROCEDIMIENTOS
SALIDAS:
ENTRADAS:
OPERACIÓN X
INSUMOS PRODUCTO
TERMINADO
MAQUINAS
HERRAMIENTAS
OPERADORES
MECANISMOS: E. MEDICIÓN
METODOS
Figura 3-9.1 Elementos de un proceso.
DIAGRAMA DE FLUJO DEL PROCESO

A - Crítico s
DEFECTOS B - Mayore s
C - Menores
1 2 3 4 5
A - OP . 3
Figura 3-9.2 Diagrama de flujo del proceso

PASOS PARA ELABORAR LA MATRIZ C-E
1. Identificar los requerimientos (salidas) clave del cliente en el Diagrama de flujo del
Proceso.
2. Ordenar por categorías y asignar el factor de prioridad a cada salida (en escala del 1 al
10).
3. Identificar todos los pasos del proceso y los materiales (entradas) del diagrama de flujo
del proceso.
4. Evaluar la relación de cada entrada con cada salida.
-Puntuación baja: Los cambios en las variables de entrada (cantidad, calidad, etc.) tienen
un efecto pequeño en la variable de salida.
-Puntuación alta: Los cambios en la variable de entrada pueden afectar drásticamente la
variable de salida.
5. Multiplicar los valores de relación por los factores de prioridad y sumar el total para
cada entrada.
1. Anote los
Requerimientos
Clave del Cliente Matriz de
Causa y Efecto
Rango de
Importancia
Del Cliente
Salidas, Req. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Resistencia
Requisito
Requisito
Requisito
o CTQ’s
Tierra
Corto
Entradas 2. Clasificar
del Proceso requerimientos
Total
1
Matriz de en orden de
2 Causa y Efecto importancia para
3
4 el cliente
Rango 5
Importanc
de 10 9 8
6
ia Cient
al 7
e 4 5 6 7 8 9 10 11 12 13 14 15
1 2 3
Salidas o
CTQ’s
Estos datos se toman del
IResistencia
sRequistito
Requistito
iRequistito
Entrada
TIERRA
Diagrama de Flujo del Tota

Proceso
Corto
sdel
R
T
Proceso l
o
R
R
E
A
q
e
q
q
s
t
1
2
3
4
5
6
7
8
Deben participar diferentes departamentos, por ej:

Mercadotecnia, Desarrollo del Producto, mercadotecnia.
Manufactura y de ser posible el usuario.
Matriz de
Causa y Efecto
3. Anotar
entradas Rango de
Importancia
clave al Ciente
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Resistencia
Salidas o CTQ’s
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Tierra
Corto
Entradas
del Proceso Total
1 Ensamble A
2 Operación B
3 Ensamble C
4 Ensamble D
5 Ensamble E
6
7
Prueba Final
8
9
10
Las entradas del Proceso siguen el Diagrama de Flujo paso a paso.

Matriz de
Causa y Efecto
4. Relacionar Rango de
Importancia 10 9 8
las Entradas al Ciente
1 2 3 4 5 6 7 8 9 10 11 12 13 14
con los
Resistencia
Salidas o CTQ’s
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
requerimientos
Tierra
Corto
Entradas
del Proceso
Total
1 Ensamble de A 10 10 9
2 Operación B 9 10 9
3 Ensamble de C 10 6 8
4 Ensambled de D 6 7 6
5 Ensamble de E 4 8 7
6 Prueba Final 4 0 8
7
8
9
10 Matriz de
11
Causa y Efecto 5. Multiplicar
12
13
14
e identificar
Rango de 15 prioridad
Importancia 10 9 8
al Ciente
Hacer una estimación
1 2 3 4
subjetiva
5 6 7
de
8
qué
9
tanto influyen las variables de
10 11 12 13 14
Salidas o CTQ’s entrada en los requerimientos o salidas CTQs
Resistencia
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Tierra
Corto
Entradas
del Proceso Total
1 Ensamble A 10 10 99 10x10+9x10+8x9 = 262 262

2 Operación B 9 10 252
3 Ensamble C 10 6 8 218
4 Ensamble D 6 7 6 171
5 Ensamble E 4 8 7 168
6 Prueba Final 4 0 8 104
7
8
9
10
11
12
13
14
15
Ejemplo - Pareto de operaciones clave

Causa y Efecto Lista para el
Matriz Pareto
Rango de
Ordenando los
Importancia
al Ciente
10 9 8
números
1 2 3 4 5 6 7 8 9 10 11 12 13 14 resultantes se
observa que:
Resistencia
Salidas o CTQ’s
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Tierra
Corto
Entradas
del Proceso Total
El ensamble A,
Operación B y
1 Ensamble A 10 10 9 262 Ensamble de C
2 Operación B 9 10 9 252
3 Ensamble C 10 6 8
218 son importantes.
5 Ensamble D 6 7 6 171
10 Ensamble E 4 8 7 168
9 Prueba Final 4 0 8 104 Ahora se evalúan
11
13 los planes de
15
12 control para sus
14
4
variables clave
7
8
(KPIV’s)
6
Uniendo la Matriz de C-E con otras herramientas

3.8 DIAGRAMAS MATRIZ
El diagrama matriz es un método utilizado par mostrar las relaciones que existen entre los objetivos y
métodos, resultados y causas, tareas y gente etc. El objetivo es determinar la fuerza de las relaciones que Matriz de C-E
existen entre la red de columnas y renglones formadas en la matriz. La intersección de la red provee
elementos para ver con claridad la fuerza del problema. Rating of
9 9 7 10 10 9 3 2 6
Importance t o
Customer
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
 Facilitan la identificación de la relación que eventualmente puede existir entre los factores de un
Homogeneity
Temperature
Consistency
Cleanliness
Digets Time
Viscosity
Gel Time
problema, ya que son esquemas que permiten relacionar mediante arreglos de columnas y renglones, los
Solids
Color
P rocess Inputs Total
diferentes elementos o factores del problema que se analiza. 1

S cales
9 8 2 1 1 9 1 1 8 321
 Mediante estos diagramas logramos conocer la fuerza de la relación que existe entre los factores de causa
Accuracy
Preheat ing
2 1 1 1 1 1 1 1 1 1 65
DICY T K
y efecto de un proceso. 3
DMF Load
Accuracy
DMF
3 8 1 1 1 8 1 3 8 255
 El análisis se hace para identificar las medidas más convenientes a tomar para solucionar el caso que se
4 1 1 4 2 1 2 1 1 1 105
Cl eanliness
DMF Raw
5 1 1 1 1 1 2 1 1 1 74
M at erials
estudia. 6
DI CY Load
Accuracy
9 7 1 1 1 9 1 1 2 269
DICY Envir.
7 8 5 3 1 1 8 1 1 2 247
Factors
DICY Raw
8 8 5 1 1 1 9 1 1 2 242
Procedimiento de elaboración: 9
M at erials
DI CY Mixer
Speecd
1 1 1 1 7 1 1 1 1 125
1. Se identifican los factores relacionados con el problema.

Capacidad
2. Se desarrollan los componentes que explican a los factores considerados. Plan de Control
3. Se registran los datos en la matriz correspondiente al número de factores. Operati onal Excel lence
4.rocess Al
Out putfinal
Variable de los renglones y columnas se realiza la suma de acuerdo a la escala de valores.
AMEF
C ontrol Plan
Produ ct: Co re Te am: Da te (O rig ):
Key P Key Co nta ct:
Ph o ne: D ate (Rev):
Capabilit y S tat us S heet
5. Se analiza la relación resultante.
Up p er Lo w er Proce ss Proc es s Step Input Output
Pr oce ss
Spec ifica tion (LSL, Cpk /Date
Me as urem ent % R&R Sa mple Sa m ple C ontrol
Re ac tion Pla n
6. Se toman las decisiones requeridas para solucionar el problema analizado.

Cu st o me r Req u ir em en t M e asu r em e nt % R&R o r P/T Sam p le Tec hnique P/T Size Frequency M ethod
USL, Targe t)
Sp ec Ta rg e t Sp ec Cp Cp k D at e Act io n s
( Ou tp u t Va ri ab le ) T ec hn iq u e Ra tio Siz e
L im i t L im i t
DICY Tur nSte a m on Sc ale s
G el Ti m e Ac c uracy
Visc os it y Process/Product D MF Loa dD MF DM FL o ad
Clea n lin es s
C ol or
Failure Modes and Effects Analysis Ac c uracy
DMF
Ho m o ge ne it y (FMEA) D MF Loa dD MF
Ejemplo diagrama-matriz
C le a nliness
Co ns ist en c y
Dig e ts Ti m e
T em p e ra tu r e
16 17 17 18 19 17 18 DICY Load DICY D IC YEn v ir.
Fac tors
Pr ocess or DICY Load DICY D IC YLo ad

Sol id s Prepa red by:
Pro duct Nam e: Ac c uracy
Deficiente relación laboral Respon sible: FM EA Date (Orig) ___ _____ ____ __ ( Re v) __ _____ ____ __
DICY 15Load DICY DICY Ra w
Ma teri als
DICY Load DICY DICY Mi xe r
Deficiente supervisión 15
Las salidas
Demora claves
Spe ecd
D MF Loa dD MF DMF Ra w
Pr oces s Ma teri als
S O D R
en conexión de servicios 15
Ste p/Part E C E P DICY Tur nSte a m on Prehe ati ng
Number Pot ent ial F ailu re M od e Pot en tial F ailu re Ef fect s V Po ten tia l Caus es C Curre nt Co nt ro ls T N DICY TK
Spin Dr aw Fiber Breako uts Und ersized packag e, High SD Dir ty Spinner et Visual Dete ction of Wr aps an d
se anotan Mala
y orientación
evalúan.
Pro cess panel- hour s lost 2 8 b roken Filame nts 9 1 44
Desconocimiento del proceso 14

3-7 DIAGRAMA DE PARETO 5
Filame nt mo tion
2
Visual Sight- glass
8 80
al cliente
Falta de materiales y equipo
8
Polyme r def ects
2
F uzzball L ig ht
9 1 44
0
Las
15
16
entradas claves
Demasiada carga de trabajo 12 se evalúan
Baja productividad
Herramienta utilizada para el mejoramiento de la calidad para identificar y separar en forma 21 crítica los pocos
P L D R P E B L A F C M D D
proyectos que provocan la mayor parteOdeI los
E
problemas
E R
de calidad.
X U I U A O O E E
El principioDescentralizar
enuncia que aproximadamente
L M el 80% S E de los
C Refectos
D T de un
L Mproblema
T Fse debe a solamente 20%
de las causas involucradas. I I G T S E O E O T U I I O
la toma T T E R U S C R C A N V N B
El diagrama de Pareto es una gráfica deI dos
A S
dimensiones
I P
que seA construye
O R R I
listando
A
las
I J
causas de un problema
en el eje horizontal, empezando por laCizquierda
T T Cpara
U colocar
A aZaquellas
A Cque CtienenC un E mayor efecto sobre el
problema, de demanera
decisiones
que vayan disminuyendo
A I I enC orden
E DdeC magnitud.
G T El
D Aeje vertical
I I se
T dibuja en ambos lados
S V Ó I S E I O I E C O O I
del diagrama: el lado izquierdo representaA N
la magnitud
O T
del
A
efectoC
provocado
I N
por las
N V
causas, mientras que el
lado derecho refleja el porcentaje acumulado
S de efecto
N A de las causas,
O empezando
O por la
O de mayor magnitud.
L N S
PasosCapacitar
para desarrollar
al personal el diagrama de Pareto: 15
Políticas y normas de actuación 17
1. Seleccione qué clase de problemas se van a analizar.
Trabajo en equipo 17
Asignar funciones y responsabilidades 12
2. Decida
Determinarqué datos de
el alcance vafacultades
a necesitar y cómo clasificarlos. Ejemplo: Por tipo de defecto, localización,
13 proceso,
máquina, trabajador,
Propiciar el liderazgo método.
participativo 8
Manual de organización básica 7
3. Defina el método
Implementar de recolección de los datos y el período de duración de la recolección.
la organización 13
establecer indices de desempeño 12
18 4 20 19 24 12 17
SIMBOLOGIA VALOR
Relación fuerte 3
Relación 2
Probable relación 1
4. Diseñe una tabla para el conteo de datos con espacio suficiente para registrarlos.
5. Elabore una tabla de datos para el diagrama de Pareto con la lista de categorías , los totales individuales,
los totales acumulados, la composición porcentual y los porcentajes acumulados
6. Organice las categorías por orden de magnitud decreciente, de izquierda a derecha en un eje horizontal
construyendo un diagrama de barras. El concepto de “otros” debe ubicarse en el último lugar
independientemente de su magnitud.
7. Dibuje dos ejes verticales y uno horizontal.
Ejes verticales:
- Eje izquierdo: Marque este eje con una escala desde 0 hasta el total general
- Eje derecho: Marque este eje con una escala desde 0 hasta 100%
Eje horizontal:
- Divida este eje en un número de intervalos igual al número de categorías
clasificadas.
8. Dibuje la curva acumulada (curva de Pareto), Marque los valores acumulados (porcentaje acumulado) en
la parte superior, al lado derecho de los intervalos de cada categoría, y conecte los puntos con una línea
continua.
9. Escriba en el diagrama cualquier información que considere necesaria para el mejor entendimiento del
diagrama de Pareto.
Ejemplo 1
El departamento de ventas de un fabricante de materiales de empaque tiene registrada una lista de las quejas
que se han
recibido Tipo de queja No. Total Composición Porcentaje durante
el de Acumulado Porcentual Acumulado último
mes. quejas Tabla 3-
7.1 25
A) Entregas fuera de tiempo 25 35.71 35.71
B) Calibre fuera de especificaciones 23 48 32.85 68.56
C) Material sucio y maltratado 7 55 10 78.56
D) Material mal embalado 6 61 8.57 87.13

E) Dimensiones fuera de
especificaciones 3 64 4.28 91.41
F) Inexactitud en cantidades 2 66 2..85 94.26
G) Mala atención del personal 1 67 1.42 95.68
H) Maltrato del material por 1 68 1.42 97.7
I) Fallas en documentación 1 69 1.42 98.52
J) Producto con códigos equivocados 1 70 1.4 99.94

Tabla 3-7.1 Ejemplo 1
DIAGRAMA PARETO
50 99.94
98.52
97.7
95.68
94.26
91.41
87.13
N %
O 78.56
A
D C
68.56
E U
M
Q U
U L
25 35.71
E A
J
23 D
A O
S 7
6
3
2
1
A B C D E F G H I J
Figura 3-7.1 Ejemplo de diagrama de Pareto
Las quejas A,B y C representan el 78.56%, siendo en estas en las que debemos de enfocarnos primero a
resolver.
Diagrama de Pareto en Minitab

 Capture los datos en la columna C1 (tipo de defecto), en la columna C2 (frecuencias)
 Seleccione: Stat>Quality Tolls>Pareto Chart
Escoja la opción Chart defects table , en el campo labels in seleccione: C1 y en Frecuncies in
seleccione: C2
Figura 3-7.2 Pareto Chart window
El sistema despliega la gráfica:
PARETO CHART
70 100
60
80
50
Percent
60
Count
40
30 40
20
20
10
0 0
rs
Defect A B C D E F G
Ot
he
Count 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
Figura 3-7.3 Diagrama de pareto.

En la gráfica observamos que aproximadamente el 80% de los efectos es debido a los defectos A,B y C
(causas)
3-4 DIAGRAMA CAUSA-EFECTO (ISHIKAWA)
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.
Una vez elaborado, el diagrama causa-efecto representa de
forma clara, ordenada y completa todas las causas que pueden
determinar cierto problema. Constituye una altísima base de
trabajo para poner en marcha la búsqueda de las verdaderas
causas de un problema.
Los pasos para elaborar el diagrama de causa- efecto son los siguientes:
1. Seleccione el efecto (problema) a analizar. Se puede seleccionar a

través de un consenso, un diagrama de Pareto, otro diagrama o
técnica.
2. Realice una lluvia de ideas para identificar las causas posibles que
originan el problema.
3. Dibuje el diagrama:
- Coloque en un cuadro a la derecha la frase que identifique el

efecto (característica de calidad)
- Trace una línea horizontal hacia la izquierda del cuadro que
contiene la frase. A esta línea se le conoce como columna
vertebral.
- Coloque líneas inclinadas que incidan en la columna vertebral
(causas principales).
- Dibuje líneas horizontales con flechas que incidan en las líneas
inclinadas conforme a la clasificación de las causas (causas
secundarias)
- Dibuje líneas inclinadas que incidan en las líneas de las causas
secundarias (causas terciarias)
4. Clasifique las causas derivadas de la lluvia de ideas, de la siguiente

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

tengan un efecto relevante sobre la característica específica.
6. Elabore y ejecute un programa de corrección de las causas
relevantes.
Ejemplo14
En una fábrica de componentes electrónicos se detectaron

fallas en la línea de ensamble al realizar la prueba de un
circuito, por lo cual se procedió a realizar una investigación
utilizando el diagrama causa-efecto.El problema es soldadura
defectuosa, siendo el efecto que se va a analizar.
Primero se determinan las causas principales M’s:
 Máquinas
 Mano de obra
 Métodos
 Materiales
14
Tomado de: Alberto Galgano, Los siete instrumentos de la Calidad Total, ediciones Díaz de Santos,1995
 Mediciones
 Medio ambiente
Estas constituyen las causas primarias del problema y es

necesario desafiarlas para encontrar causas más específicas
secundarias y terciarias.
Se construye el diagrama espina de pescado con las causas
primarias (M´s), a partir de estas causas se agrupan las causas
secundarias y terciarias derivadas de la lluvia de ideas.
MEDICIONES MAQUINAS MANO DE OBRA
DIMENSIONES
VELOCIDAD DE
INADECUADAS FORMACION
FUERA DE AVANCE
DIMENSIONES TEMPERATURA HABILIDAD
ESPECIFICADS
ANGULO LIMITES
INCORRECTO DE PUNTA OXIDADA ERGONOMICOS
FORMA
LA FLAMA PUNTA
SOLDADURA DEFECTUOSA
UNION
SUPERFICIE SOLDADURA
S CON LACA DE
POLVO E SECUENCIA PROTECCION
IMPUREZAS SOLDADURA
TIEMPOS DE TERMINALES
ESPERA DESOXIDANTE
CORTOS OXIDADOS
MEDIO AMBIENTE MÉTODOS MATERIALES
Figura 3-4.1 Ejemplo de diagrama Causa-Efecto
El equipo analiza cada causa y por medio de eliminación y

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

(M’s): mediciones, máquinas, mano de obra,medio ambiente,
métodos y materiales. Es posible realizar este diagrama con
causas primarias diferentes a las M´s, ej:
Problema: Por que la versión del sistema “Abacab”, no satisface

los requerimientos del cliente.
Las causas primarias en las que se organiza este problema son
las siguientes:
 Políticas y procedimientos del sistema

 Funcionalidad.
 Diseño
 Accesibilidad
 Tiempo de respuesta
 Confiabilidad
3-3 Análisis de campo de Fuerzas
• El análisis de campo de fuerzas puede ser utilizado para analizar

cuales son las fuerzas dentro de una organización que están dando
empuje a las soluciones y cuales están frenando el progreso.
• La técnica conduce a la gente a pensar “en equipo” cuales son los
aspectos positivos y negativos para lograr un cambio permanente.
La dinámica consiste en los siguientes pasos:
1. Identificar cual es el problema.

2. Mediante “tormenta de ideas” realizar una lista de las fuerzas que
conducen a la solución y las que impiden llegar a la misma.
3. Se realiza una priorización de las fuerzas positivas para
reforzarlas.
4. DeEjemplo
la mismaanálisis
manera de las campo
fuerzas de fuerzas.
negativas se priorizan y se busca
la manera de reducirlas.
Reducción de defectos
 Se utiliza el diagrama de análisis de campo de fuerzas ejemplificado a
Fuerzas positivas
continuación: Fuerzas negativas
Apoyo Gerencia Arreglar síntomas y no las causas.
Quejas de los clientes Falta de retroalimentación a la gente

correcta
Beneficios del trabajo Reducción del Staff.

en equipo
** El ancho de la línea es una indicación de la importancia de la fuerza

3-2 TÉCNICA DE GRUPOS NOMINALES (NGT)
Conduce a los equipos de trabajo a la solución de

problemas.
Los pasos a seguir son:
1. Identificar el problema.
2. Cada miembro del equipo genera una lista de las causas probables
que pueden originar el problema, por escrito y en silencio. Es
recomendable utilizar un postick por cada idea.
3. Una vez que todos los miembros terminan la lista, el facilitador
elimina las ideas que estén duplicadas, las que no sean claras se
eliminan o se pide a la persona que la escribió que especifique con
más detalle la idea.
4. Se somete a consenso del equipo todas las ideas, para determinar
cuales son las causas más importantes
5. Se hace una priorización de las causas del problema consideradas
como más viables.
6. El equipo discute las causas principales, para dar solución al
problema.
Ejemplo: Una compañía dedicada de empaque de productos

alimenticios se rechazó un lote completo de producción debido a que
estaba mal lotificado, el número de lote no estaba redactado en la forma
especificada en el procedimiento, este hecho dificultaría en gran medida
la rastreabilidad del producto. El equipo de calidad de la compañía
decidió investigar las causas que habían generado el problema mediante
el uso de ésta técnica.
1. El problema que el equipo de trabajo tiene que investigar es: “mal
lotificado del producto”
2. Cada miembro del equipo generá una lista de causas posibles, el
facilitador elimina las causas que están duplicadas y las que no son
claras. La lista queda como a continuación se menciona.
 Falta de capacitación en el procedimiento de rastreabilidad.
 Check-list de arranque de línea mal llenado. (en el check-list se
especifica el número de lote)
 Mala capacitación en procedimientos.
 Descuido del personal de línea.
 Lotificadora en mal estado.
 Falta de mantenimiento de los equipos.

 Falla en la supervisión.
 Falta de claridad en los procedimientos.
 Falta de un calendario en la línea para correcta lotificación.
 Lotificadoras inadecuadas.
3. El equipo analizó cada una de las posibles causas.

4. Mediante esta técnica el equipo atacó las causas más probables entre
las cuales se encontraban la falta de capacitación en procedimiento
de rastreabilidad y la falta de mantenimiento de equipos. Sin
embargo se detectó que el principal problema era la falta de un
programa de mantenimiento preventivo de las lotificadoras, ya que
en la línea de producción se invirtió el número de lote debido a que el
equipo no funcionaba adecuadamente.
5. Se realizó un programa de mantenimiento preventivo para este
equipo, y se recapacito a todo el personal de la planta en dicho
procedimiento. Con estás acciones el problema quedo resuelto y no
se volvió a repetir en el futuro.
4-1 CAPACIDAD DEL PROCESO
Al planear los aspectos de calidad de la manufactura, es sumamente importante asegurarse de

antemano de que el proceso será capaz de mantener las tolerancias. En las décadas recientes ha
surgido el concepto de capacidad del proceso ó habilidad del proceso, que proporciona una
predicción cuantitativa de qué tan adecuado es un proceso.La habilidad del proceso es la variación
medida, inherente del producto que se obtiene en ese proceso.
Definiciones básicas.
 Proceso: Éste se refiere a alguna combinación única de máquinas, herramientas, métodos, materiales
y personas involucradas en la producción.
 Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud, basada en el desempeño
probado, para lograr resultados que se puedan medir.
 Capacidad del proceso: Es la aptitud del proceso para producir productos dentro de los límites de
especificaciones de calidad.
 Capacidad medida: Esto se refiere al hecho de que la capacidad del proceso se cuantifica a partir de
datos que, a su vez, son el resultado de la medición del trabajo realizado por el proceso.
 Capacidad inherente: Se refiere a la uniformidad del producto que resulta de un proceso que se
encuentra en estado de control estadístico, es decir, en ausencia de causas especiales o atribuibles de
variación.
 Variabilidad natural: Los productos fabricados nunca son idénticos sino que presentan cierta
variabilidad, cuando el proceso está bajo control, solo actúan las causas comunes de variación en las
características de calidad.
 Valor Nominal: Las características de calidad tienen un valor ideal óptimo que es el que desearíamos
que tuvieran todas las unidades fabricadas pero que no se obtiene, aunque todo funcione
correctamente, debido a la existencia de la variabilidad natural.
Objetivos15
1. Predecir en que grado el proceso cumple especificaciones.
2. Apoyar a diseñadores de producto o proceso en sus modificaciones.
3. Especificar requerimientos de desempeño para el equipo nuevo.
4. Seleccionar proveedores.
5. Reducir la variabilidad en el proceso de manufactura.
6. Planear la secuencia de producción cuando hay un efecto interactivo de los procesos en las tolerancias.
15
Douglas C. Montgomery, Introduction to Statistical Quality Control, Second Edition, pp 307
Figura 4-1.1
p = porcentaje de medidas bajo la curva de probabilidad fuera de especificaciones.
Partes fuera de especificaciones
En el área sombrada observamos medidas fuera de los límites de especificación.
Para solucionar este problema, podemos reducir la desviación estándar.
También podríamos cambiar la media.
Lo ideal sería, por supuesto cambiar ambas.

Condiciones para realizar un estudio de capacidad del proceso
Para realizar un estudio de capacidad es necesario que se cumplan los siguientes supuestos 16:
 El proceso se encuentre bajo control estadístico, es decir sin la influencia de fuerzas externas o cambios
repentinos. Si el proceso está fuera de control la media y/o la desviación estándar del proceso no son
estables y, en consecuencia, su variabilidad será mayor que la natural y la capacidad potencial estará
infravalorada, en este caso no es conveniente hacer un estudio de capacidad.
 Se recolectan suficientes datos durante el estudio de habilidad para minimizar el error de muestreo para
los índices de habilidad. Si los datos se componen de menos de 100 valores, entonces deben calcularse
los límites de confianza inferiores.
 Los datos se recolectan durante un periodo suficientemente largo para asegurar que las condiciones del
proceso presentes durante el estudio sean representativos de las condiciones actuales y futuras.
 El parámetro analizado en el estudio sigue una distribución de probabilidad normal, de otra manera, los
porcentajes de los productos asociados con los índices de capacidad son incorrectos.
También es importante al realizar un estudio de capacidad, asegurarnos que la variación en el sistema de

medición no sea mayor al 10%.
Variación a corto plazo y a largo plazo

Existen dos maneras de expresar la variabilidad:
Variación a corto plazo (Zst) – Los datos son recogidos durante un periodo de tiempo suficientemente corto
para que sea improbable que haya cambios y otras causas especiales.
Las familias de variación han sido restringidas de tal manera que los datos considerados, sólo son los que se
obtuvieron del subgrupo racional. Ayuda a determinar subgrupos racionales importantes.
Variación a Largo Plazo(Zlt) – Los datos son recogidos durante un periodo de tiempo suficientemente largo
y en condiciones suficientemente diversas para que sea probable que contenga algunos cambios de proceso y
otras causas especiales. Aquí todas las familias de variación exhiben su contribución en la variación del
proceso general.
16
J.M. Juran, Análisis y planeación de la Calidad, Tercera Edición Mc. Graw Hill, Pp.404
Para el cálculo de Z utilizamos las siguientes formulas:
Z st 
 límite especif .  nom.
desv.std ST
límite especif .  media

Z LT 
desv.std LT
dónde:
Zst = variación a corto plazo.
nom = Valor nominal u objetivo
Zlt = variación a largo plazo.
Z shift.- A largo plazo los procesos tienen un desplazamiento natural de 1.5 desviaciones estándar.
Zlt = Zst-1.5shift
Cálculo de la capacidad del proceso:
Para calcular la habilidad o capacidad potencial utilizamos la siguiente fórmula:
Cp 
 LSE  LIE 
6S
donde:
Cp = capacidad potencial
LSE = límite superior de especificaciones
LIE = límite inferior de especificaciones
S = desviación estándar
El índice Cp debe
ser  1 para tener el potencial de cumplir con especificaciones (LIE, LSE)
Para calcular la ha
bilidad o capacidad real utilizamos la siguiente fórmula:
menor Z I , Z S
C pk 
3
Para que el proceso cumpla con las especificaciones el Cpk= debe de ser  1.
Capacidad a partir de histogramas
Procedimiento:
1. Seleccionar un proceso específico para realizar el estudio
2. Seleccionar las condiciones de operación del proceso
3. Seleccionar un operador entrenado
4. El sistema de medición debe tener habilidad (error R&R < 10%)
5. Cuidadosamente recolectar la información
6. Construir un histograma de frecuencia con los datos
7. Calcular la media y desviación estándar del proceso
8. Calcular la capacidad del proceso.
Ejemplo 1 Tenemos la siguiente serie de datos:
220 268 260 234 299

231 267 281 265 214
276 300 208 187 264
228 250 299 258 267
223 260 308 235 283
296 276 264 269 235
231 334 280 265 272
301 280 274 253 287
337 250 278 254 274
298 257 210 280 269
277 290 283 258 275
Agrupando los datos por intervalos de clase obtenemos los datos mostrados en la siguiente tabla:
35
30
25
20
El histograma es el siguiente:
15
F rec.
10
5
1 7 0 -1 8 9
1 9 0 -2 0 9
2 5 0 -2 6 9
2 7 0 -2 8 9
2 9 0 -3 0 9
2 1 0 -2 2 9
2 3 0 -2 4 9
3 1 0 -3 2 9
3 3 0 -3 4 9
0
Figura 4-1.2 Histograma de frecuencias
Observamos que el histograma tiene forma normal.
Calculando la media y la desviación estándar tenemos:
X  264.06
S = 32.02
La variabilidad del proceso se encuentra en 6 s = 192.12
Si las especificaciones fueran LIE = 200 y LSE = 330
Cp 
 LSE  LIE  
 330  200  .67 < 1, el proceso no es hábil.
6S 192.2
Zi 
 330  264.06  2.06
32.02
Zs 
 200  264.06  2
32.02
Cpk = menor de Zi y Zs = -2 < 1 , por lo tanto proceso no cumple especificaciones.
Capacidad a partir de papel normal
Ventajas
1. Se puede observar el comportamiento del proceso sin tomar tantos datos como en el histograma, 10 son
suficientes
2. El proceso es más sencillo ya que no hay que dividir el rango de la variable en intervalos de clase como en
el histograma.
3. Visualmente se puede observar la normalidad de los datos, si se apegan a la línea de ajuste
4. Permite identificar la media y la desviación estándar aproximada del proceso. Así como la fracción
defectiva, el porcentaje de datos entre cierto rango, el Cp y el Cpk.
Procedimiento
1. Se toman al menos n = 10 datos y se ordenan en forma ascendente, asignándoles una posición ( j ) entre 1 y
n.
2. Se calcula la probabilidad de cada posición con la fórmula siguiente:
Pj = (j - 0.5) / n
3. En el papel especial normal se grafica cada punto (Xj, Pj)
4. Se ajusta una línea recta que mejor aproxime los puntos
5. Si no hay desviaciones mayores de la línea recta, se considera normal el proceso y se procede a hacer las
identificaciones:
La media será el punto en X correspondiente a Pj = 0.5

La desviación estándar es la diferencia en Xj correspondiente a Pj = 0.5 y Pj = 0.84
Ejemplo 2
.-Se tomaron los datos siguientes (Xj) ordenamos los datos y, cálculamos la probabilidad de su posición (Pj)
Con ayuda del gráfico podemos obtener la media, la desviación estándar y el porcentaje de valores que se
encuentran fuera de especificaciones.
Pj
0.84
0.5
Desv. Estándar
Fracción
Defectiva
LIE X Media Xj
Figura 4-1.3 Gráfico normal de probabilidad
El trazo normal es el siguiente:
El eje Y es un rango no lineal de probabilidades normales.

El eje X es un rango lineal de la variable que se está analizando.
Si los datos son normales, la frecuencia de ocurrencias en varios valores Xi, puede predecirse usando una
línea sólida como modelo. Por ejemplo, sólo más del 20% de los datos del proceso serían valores de 225 o
inferiores.
Capacidad a partir de cartas de control

En casos especiales como estos donde las variaciones presentes son totalmente inesperadas tenemos un
proceso inestable ó impredecible.
?
? ?
? ?
? ?
Figura 4-1.4 Procesos inestables
Si las variaciones presentes son iguales, se dice que se tiene un proceso “estable”. La distribución será
“predecible” en el tiempo.
Predicción
Tiempo
Figura 4-1.5 Procesos estables

Cálculo de la desviación estándar del proceso
R S
  ó   (Para cartas de control X-R y X-S respectivamente)
d2 C4
Donde,
S = Desviación estándar de la población
d2 = Factor que depende del tamaño del subgrupo en la carta de control X - R
C4 = Ídem al anterior para una carta X - S
En una carta por individuales, d2 se toma para n = 2 y Rango Medio = Suma rangos / (n -1)
Ejemplo 3 (carta X - R)
De una carta de control X - R (con subgrupo n = 5) se obtuvo lo siguiente, después de que el proceso se
estabilizó quedando sólo con causas comunes: x = 64.06 , R = 77.3
Por tanto estimando los parámetros del proceso se tiene:
  x  media de medias 
R 77.3
    33.23
d 2 2.326
Si el límite de especificación es: LIE = 200.
El C pk 
 200  264.06 = 0.64 por tanto el proceso no cumple con las especificaciones.
3  33.23
Ejemplo 4 (carta X - S)
De una carta de control X - S (con subgrupo n = 5) se obtuvo lo siguiente, después de que el proceso se
estabilizó quedando sólo con causas comunes: x  100, s  1.05
Por tanto estimando los parámetros del proceso se tiene:
  x  100
s 1.05
  =  1.117
C4 .094
C4 para n = 5 tiene el valor 0.94
Si el límite de especificación es: LIE = 85 y el LSE = 105.
El C pk 
105  100  1.492
3  1.117
El C p 
105  85  2.984
6  1.117
Por lo tanto el proceso es capaz de cumplir con especificaciones.
Capacidad de procesos no normales.

Cuando los datos provienen de poblaciones no normales una opción para realizar el estudio de
capacidad de procesos es mediante la distribución Weibull.
Ejemplo en Minitab
En una compañía se manufacturan losetas para piso, el problema que se tiene es referente a la
deformación en las mismas. Se toman 10 mediciones durante 10 días. El límite superior de
especificación (USL) = 8mm Realice un estudio de capacidad con la ayuda de Minitab e interprete
los resultados.
1. Introduzca los 100 datos en una columna (deformación).

2. Seleccione: Stat > Quality Tools > Capability Analysis (Weibull).
3. En la ventana mostrada a continuación seleccione la columna C1 e introduzca el limite
superior de especificaciones Uper spec: 8, de clic en OK
El sistema muestra la gráfica siguiente:
Process Data
USL 8.00000
Target * Process Capability Analysis for Deformaciòn
LSL * Calculations Based on Weibull Distribution Model
Mean 2.92564
Sample N 100 USL
Shape 1.69368
Scale 3.27812
Overall (LT) Capability

Pp *
PPU 0.77
PPL *
Ppk 0.77
Observed LT Performance
PPM < LSL *
PPM > USL 20000.00
PPM Total 20000.00
Expected LT Performance
0 2 4 6 8 10
PPM < LSL *
PPM > USL 10764.53
PPM Total 10764.53
Figura 4-1.6 Capacidad del proceso basado en la distribución Weibull.
El histograma no muestra evidencia de alguna discrepancia seria entre el modelo y los datos, ya que
la curva muestra buen ajuste. Sin embargo observamos que algunos datos caen fuera de el límite
superior de especificación. Lo cual quiere decir que en algunos casos la deformación será mayor a
8mm.
El índice Ppk y Ppu17 = .77 lo cual nos dice que el proceso no es capaz ya que .77<.1.33
También observamos que PPM > USL 20,000 lo cual significa que aproximadamente 20,000 PPM
estarán fuera de los límites de especificaciones.
CAPITULO 4 FASE DE ANALISIS
17
Los índices Pp y Ppk son similares a los índices Cp y Cpk , se refieren a la capacidad del proceso a largo
plazo.
Definir
Definir Medir Analizar
Analizar Mejorar
Mejorar Controlar
Controlar
En esta fase se efectuará el análisis de los datos obtenidos en la etapa de Medición, con el
propósito de conocer las relaciones causales. La información de este análisis nos
proporcionará evidencias de las fuentes de variación y desempeño insatisfactorio, el cual es
de gran utilidad para la mejora del proceso.
Los objetivos de esta fase son:
 Aprender el uso de las herramientas de la fase de análisis.

 Determinar en que nivel de desempeño del proceso nos encontramos actualmente.
 Identificar cuales son las fuentes de variación. Por ejemplo mediante el análisis Multi-
Vari podemos determinar las fuentes que presentan mayor variación, a través de la
descomposición de los componentes de variabilidad del proceso. las cuáles pueden ser,
por ejemplo: de lote a lote, dentro del lote, de turno a turno, entre turnos, dentro del
turno, de máquina a máquina, dentro de la máquina, de operador a operador, dentro del
operador, entre operadores, etc.
Las herramientas que se incluyen en está fase son:
No. Herramienta Para qué es utilizada?

4.1 Capacidad del proceso. Determinar cual es el desempeño del proceso
para cumplir con los limites de
especificaciones.
4.2 Mediciones para seis sigma Mide la capacidad del proceso en términos
cuantificables, monitoreandolo para su mejora
a través del tiempo.
4.3 AMEF (FMEA) Identificar las maneras en las cuales un
proceso puede fallar para alcanzar los
requerimientos críticos del cliente. Estimar el
riesgo de la causas específicas en relación con
estas fallas.
4.4 Intervalos de confianza y Herramienta utilizada para ser inferencias de
Pruebas de hipótesis la población a partir de una muestra.
4.5 Tablas de contingencia Comparación de valores esperados vs.
observados.
4.6 Análisis Multivari El objetivo general de las cartas Multi-Vari es,
descubrir los componentes de variación en el
proceso y cuantificar las diferentes fuentes de

variabilidad.
Análisis de Varianza (ANOVA) Metodología para analizar la variación entre

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

producidas.
DPO: es similar al DPU excepto porque considera el numero total de

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

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

desplazamiento que tiene la media a lo largo del tiempo, si no se toma antes
una medida preventiva.
2) Definir el objetivo de desempeño.-
En esta etapa estamos interesados en conocer la meta hacia la cual nos dirigimos, o sea
cuales son los niveles sigma esperados en nuestro proceso en el tiempo.
Una opción es realizar un Benchmarking, el cual es el mecanismo para identificar y
comparar quien tiene el mejor desempeño del proceso, ya sea dentro de la compañía u
otra compañía, y comparamos nuestros valores contra ese parámetro de referencia para
determinar el “GAP” existente. e identificar acciones para reducirlo.
3) Identificar las fuentes de variación.-
Cuando un proceso se encuentra fuera de las especificaciones permitidas, se tiene evidencia

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

(Sesgo) (Error de Medición) (Resolución)
Figura 4-1 Posibles fuentes de variación del proceso.

4-8 ANALISIS DE REGRESION LINEAL
La Regresión lineal se refiere a la predicción del valor de una variable a partir de una o más variables. En
ocasiones se denomina a la variable dependiente (y) variable de respuesta y a la variable independiente (x)
variable de predicción.
En muchos problemas hay dos o más variables inherentemente relacionadas, y es necesario explorar la
naturaleza de esta relación. El análisis de regresión puede emplearse por ejemplo para construir un modelo
que exprese el rendimiento como una función de la temperatura. Este modelo puede utilizarse luego para
predecir el rendimiento en un nivel determinado de temperatura. También puede emplearse con propósitos de
optimización o control del proceso.
Comenzaremos con el caso más sencillo, la predicción de una variable (y) a partir de otra variable (x).
REGRESIÓN LINEAL SIMPLE
Para las situaciones siguientes establezca cual es la variable dependiente y cual es la independiente.
a) Un actuario quiere predecir el monto del seguro de vida alcanzado por los maestros a partir de sus
salarios mensuales.
Solución: la variable dependiente o de respuesta, es el monto del seguro de vida alcanzado por un
maestro, y la variable independiente o variable de predicción es el salario anual del docente.
b) El gerente de un restaurante quiere estimar el número de clientes que puede esperar cierta noche a partir
del número de reservaciones para cenar recibidas hasta las 5:00 PM
Solución: El número de clientes es la variable de respuesta, el número de reservaciones es la variable
independiente.
Supuestos para el modelo de regresión lineal1

1. Para cada valor de x, la variable aleatoria  se distribuye normalmente.
2. Para cada valor de x, la media o valor esperado de  es 0; esto es, E        0 .
3. Para cada valor de x, la varianza de  es la constante  2 (llamada varianza del error).
4. Los valores del término de error  son independientes.
5. Para un valor fijo de x, la distribución muestral de y es normal, porque sus valores dependen de los de 
.
Figura 4-8.1
6. Para un valor fijo x, es posible predecir el valor de y.

7. Para un valor fijo x, es posible estimar el valor promedio de y18
Ejemplo 1:
La revista Motor Trend presenta con frecuencia datos de rendimiento para automóviles, que compara el
tamaño del motor en pulgadas cúbicas de desplazamiento (pcd) y las millas por galón (mpg) estimadas para
ocho modelos representativos de automóviles subcompactos modelo 1984.
coches compactos tamaño del motor (pcd) x millas/galón (mpg), y

Chevrolet Cavalier 121 30
Datsun Nissan Stanza 120 31
Dodge Omni 97 34
Ford Escort 98 27
Mazda 626 122 29
Plymouth Horizon 97 34
Renault Alliance/Encore 85 38
Toyota Corolla 122 32
Graficando los datos de la tabla en el “diagrama de dispersión” podemos observar la colección de los ocho
pares de datos (x,y) como muestra de una población de pares, donde las medidas pulgadas cúbicas de
desplazamiento (pcd) “x” pueden tomar cualquier valor en el rango de valores que se extiende de 85 a 122.
Para cada pcd posible hay muchos millajes asociados con ella. Por ejemplo para un tamaño del motor de 97
hay un gran número de millajes asociados, uno por cada coche cuyo tamaño sea 97 pcd. Asumamos que existe
una relación lineal para la población de pares de datos de pcd y mpg. (Se entiende por relación lineal cuando
la variable y tiene una tendencia a crecer o decrecer, cuando la variable x aumenta).
Diagrama de dispersión
39
37
35
m 33
p 31
g 29
27
25
80 90 100 110 120 130
pcd
ddci
18
d
Estadística, Richard C.Weimer, CECSA, Segunda edición, 2000
Figura 4-8.2 Diagrama de dispersión ejemplo 1 Revista motor Trend.
Usamos el modelo probabilístico siguiente para explicar el comportamiento de los millajes para las ocho
medidas de tamaño de motor, este se llama modelo de regresión lineal, y expresa la relación lineal entre
tamaño de motor (x) y millas por galón (y).
Modelo de regresión lineal
y   0  1 x  
Donde
y = variable dependiente
 0  ordenada al origen
 1 = pendiente
x = variable independiente
 = Error aleatorio
La expresión  0   1 x se denomina componente determinística del modelo de regresión lineal. La
muestra de pares de datos se usará para estimar los parámetros  0 y 1 de la componente determinística.
La diferencia principal entre un modelo pobabilístico y uno determinístico es la inclusión de un término de
error aleatorio en el modelo probabilístico. En el ejemplo los diferentes rendimientos para un mismo tamaño
de motor se atribuyen al término de error en el modelo de regresión.
Cálculo de la ecuación de regresión

También es llamada ecuación de predicción de mínimos cuadrados. La ecuación de regresión estimada es:
yˆ  b0  b1 x.
Donde:
ŷ  Valor predicho de ŷ para un valor particular de x.
b0 = Estimador puntual de  0 .(ordenada al origen)
b1= Estimador puntual de  1. (pendiente)
Para el cálculo de b0 y b1 se utilizamos las siguientes fórmulas:
  x 2
SS x   x  2
n
 y 2
SS y   y  2
  x   y 
SS xy   xy 
n
SS xy
b1 
SS x
b0  y  b1 x
Donde:
SS = suma de cuadrados
b1 = pendiente
b0 = ordenada al origen
n = número de pares de datos
En la tabla incluimos las sumatorias que utilizaremos para el cálculo de las fórmulas.
coches compactos tamaño del motor (pcd) x millas/galón (mpg), y x^2 y^2 xy
Chevrolet Cavalier 121 30 14641 900 3630
Datsun Nissan Stanza 120 31 14400 961 3720
Dodge Omni 97 34 9409 1156 3298
Ford Escort 98 27 9604 729 2646
Mazda 626 122 29 14884 841 3538
Plymouth Horizon 97 34 9409 1156 3298
Renault Alliance/Encore 85 38 7225 1444 3230
Toyota Corolla 122 32 14884 1024 3904
SUMAS 862 255 94456 8211 27264
Media 107.75 31.875
Tabla 4-8.1 Sumatorias para el cálculo de la ecuación de regresión.
Calculando b0 y b1 tenemos:
SSx = 1575.50
SSy = 82.88
SSxy = -212.25
b1 = -0.13472
b0 = 46.39099
La ecuación de predicción de mínimos cuadrados es:

Figura 4-8.3 Gráfica de la ecuación de regresión
yˆ  b0  b1 x. => yˆ  46.39099  0.37472 x
50 y =46.391 -0.1347x
40
30
Y
20
Y
10
Lineal (Y)
0
0 50 100 150
Variable X
Error
Los errores se denominan frecuentemente residuales. Podemos observar en la gráfica de regresión los errores
indicados por segmentos verticales.
Figura 4-8.4 Gráfica de residuales en la cual los errores son indicados por segmentos
verticales.
¿Qué tan normales ¿Residuales individuales -

son los residuales? tendencias; o separados?
Diagnóstico del Modelo de Residuales
Gráfica Normal de Residuales Tabla de Residuales
20 50 3.0SL=43.26
40
10 30
20
Residual
Residual
0 10
0 X=0.000
-10 -10
-20
-20 -30
-40 -3.0SL=-43.26
-50
-2 -1 0 1 2 0 5 10
Marcador Normal Número de Observación
Histograma - Histograma de Residuales Residuales vs. Ajustes
¿curva de 3 20
10
Frecuencia
campana? 2
Residual
¿Aleatorio
1 -10
Ignórese 0
-20
para grupos
-25 -20 -15 -10 -5 0 5 10 15 450 500
Ajuste
550 alrededor de
cero, sin
pequeños de
Buscar
Buscarlas
lasinconsistencias
inconsistencias tendencias?
información
mayores
mayores
(<30)
Figura 4-8.5 diagnostico del modelo de residuales
Al usar el criterio de mínimos cuadrados para obtener la recta que mejor se ajuste a nuestros datos, podemos
obtener el valor mínimo para la suma de cuadrados del error (SSE)
SSE  SS y  b1 SS xy
2
A la varianza de los errores e se le llama varianza residual siendo denotada por s e , se encuentra dividiendo
SSE entre n-2
SSE
S e2 
n2
La raíz cuadrada positiva de la varianza residual se llama error estándar de estimación y se denota por Se.
Aplicando las fórmulas en obtenemos la suma de cuadrados del error, la varianza

residual y el error estándar de la estimación:
SSE = 82.88-(-0.13472)(-212.25) =54.2849
54.2849
S e2   9.0475
6
Se = 3.007
Ejemplo 2: Una firma de renta de coches recabó los datos adjuntos sobre los costos de mantenimiento y, y las
millas recorridas x para siete de sus automóviles.
Automóvil Millas recorridas x Costos de manteni-
en miles miento y (dólares)
A 55 299
B 27 160
C 36 215
D 42 255
E 65 350
F 48 275
G 29 207
Encuentre:
a) Una estimación puntual para  0 .
b) Una estimación puntual para  1.
c) Una estimación puntual para la varianza del error  2 .
d) Una estimación puntual para el costo promedio del mantenimiento de un coche con 36,000 millas
recorridas.
e) Prediga el costo para un coche con 29,000 millas recorridas.
Automóvil x y x^2 y^2 xy

A 55 299 3025 89401 16445
B 27 160 729 25600 4320
C 36 215 1296 46225 7740
D 42 255 1764 65025 10710
E 65 350 4225 122500 22750
F 48 275 2304 75625 13200
G 29 207 841 42849 6003
Suma 302 1761 14184 467225 81168
Media
SSx = 1154.86 43.14 251.57
SSy = 24207.71
SSxy = 5193.43
b1 = 4.4970
b0 =57.5567
SSE = 852.70
S e2 = 170.54
y = 57.5567 + 4.497x
a) b0 =57.5567
b) b1 = 4.4970
c) S e2 = 170.54
d) 57.5567 + 4.497(36) = 219.44 usd
e) 57.5567 + 4.497(29) = 187.96 usd
Inferencias sobre el modelo de regresión lineal.

Para usar la ecuación de regresión yˆ   0   1 x , con propósitos de predicción, queremos estar
razonablemente seguros de que la pendiente  1 de la ecuación de regresión E  y x    0   1 x no es
cero. Ya que si  1  0 , entonces para cualquier valor de x, E  y x  sería idéntica a  0 , como se muestra
en la figura. 4-8.5 Siendo este el caso el modelo no sería apropiado.
Figura 4-8.5
Con el propósito de determinar si la pendiente de la regresión poblacional es diferente de cero, separemos SSy
en dos componentes, SSE y SSR.
Tenemos la siguiente relación:
SSy = SSE + SSR
Donde:
SSE = Suma de cuadrados del error
SSR = Suma de cuadrados de la regresión
SSE = SSy-b1SSxy
SSR = b1SSy
Prueba de hipótesis utilizando la distribución F

Si fuera cierta H 0 :  1  0 , el estadístico F serviría como estadístico de prueba: F está definido como:
SSR
F
S e2
Con gl = (1,n-2), se puede usar el estadístico F para determinar si  1 es diferente de cero. Si la pendiente de
la ecuación de regresión poblacional es diferente de cero, entonces la ecuación se puede usar con propósitos
de predicción.
Ejemplo 3: Para los datos del ejemplo 1 haga una prueba para determinar si  1  0 , usando   0.05
H 0 : 1  0
H 1 : 1  0
En el ejemplo 1 y 2 obtuvimos los siguientes valores:

SSxy = -212.25
b1 = -0.13472
S e2  9.0475
La suma de cuadrados para la regresión SSR se calcula mediante:

SSR = b1SSxy = (-212.25)(-0.1347) =28.5901
Hallamos el estadístico de prueba F:
SSR 28.5901
F =  3.16
S e2 9.0475
Se encuentra el valor crítico F (1, n  2)  F0.05(1,6) = 5.99. Como F = 3.16<5.99, no rechazamos

H 0 :  1  0 . Concluimos que la ecuación yˆ  46.3889  0.1347 x no debe usarse con propósitos de
predicción, y no tenemos evidencia que apoye que el modelo lineal es correcto para nuestros datos.
Prueba de hipótesis utilizando la distribución t
Otra manera de realizar la prueba de hipótesis H 0 :  1  0 es usando la distribución t.
El estadístico de prueba es:
b1
t , donde gl = n-2
Se SSx
Ejemplo 4: Usando los datos del ejemplo 1, haga una prueba para determinar si  1  0 usando la prueba de
t y   0.05 .
H 0 : 1  0
H 1 : 1  0
b1  0.1347
t =  1.7775
Se SSx 9.0475 1575.5
Los valores críticos  t .025 para gl = 6 son  2.447 . Como –t.025 < t no rechazamos H 0 :  1  0 . Por
tanto no tenemos evidencia que sugiera que el modelo lineal es apropiado para nuestros datos.
Análisis de correlación
Establece si existe una relación entre las variables y responde a la pregunta,”¿Qué tan evidente es esta
relación?".
La correlación es una prueba fácil y rápida para eliminar factores que no influyen en la predicción, para una
respuesta dada.
Coeficiente de Correlación de Pearson
 Es una medida de la fuerza de la relación lineal entre dos variables x y y.

 Es un número entre -1 y 1
 Un valor positivo indica que cuando una variable aumenta, la otra variable aumenta
 Un valor negativo indica que cuando una variable aumenta, la otra disminuye
 Si las dos variables no están relacionadas, el coeficiente de correlación se aproxima a 0.
El coeficiente de correlación r se calcula mediante la siguiente fórmula:
SSxy
r
SSxSSy
Tabla 4-8. 2 Coeficientes de Correlación
Ejemplo 5: En un esfuerzo por determinar la relación entre el pago anual de los empleados y el número de
faltas al trabajo por causa de enfermedad, una corporación grande estudió los registros personales de una
muestra de doce empleados. Los datos pareados aparecen en la siguiente tabla.
Pago anual
Empleado (miles de dólares) Inasistencias
1 15.7 4
2 17.2 3
3 13.8 6
4 24.2 5
5 15 3
6 12.7 12
7 13.8 5
8 18.7 1
9 10.8 12
10 11.8 11
11 25.4 2
12 17.2 4
Determine el coeficiente de correlación e interprete el resultado.
Empleado x y x^2 y^2 xy

1 15.7 4 246.49 16 62.8
2 17.2 3 295.84 9 51.6
3 13.8 6 190.44 36 82.8
4 24.2 5 585.64 25 121.0
5 15 3 225.00 9 45.0
6 12.7 12 161.29 144 152.4
7 13.8 5 190.44 25 69.0
8 18.7 1 349.69 1 18.7
9 10.8 12 116.64 144 129.6
10 11.8 11 139.24 121 129.8
11 25.4 2 645.16 4 50.8
12 17.2 4 295.84 16 68.8
SUMATORIA 196.3 68 3441.71 550 982.3
SSxy = -130.06667
SSx = 230.569167
SSy = 164.666667
SSxy
r = -0.6675
SSxSSy
Diagrama de dispersión
14
12
Inasistencias
10
8 Serie1
6 Lineal (Serie1)
4
2
0
0 5 10 15 20 25 30
Pago anual (miles usd)
Figura 4-8.6 Diagrama de dispersión ejemplo 2
En el diagrama de dispersión observamos que al aumentar x, y disminuye, por lo cual la correlación es

negativa. Comparando el coeficiente de correlación calculado, con la tabla de correlaciones observamos que .
66 > .58, por lo cual la correlación entre las variables es fuerte.
Regresión lineal en Excel

Mediante el uso de análisis de datos resolveremos el Ejemplo 1.
Seleccione: herramientas > análisis de datos > regresión
En la ventana seleccione el rango de entrada para X y Y, el rango de salida y
seleccione la opción: gráfico de residuales y curva de regresión ajustada.
Figura 4-8.7 Variables de entrada Regresión.

Figura 4-8.8 Variables de salida Regresión.

Análisis de resultados de la tabla de Excel:
Analizando los resultados de Excel, tenemos los siguiente:
 En la sección Estadísticas de la regresión vemos que el coeficiente de correlación = .5873

comparando este valor con la tabla de correlaciones observamos que el valor .5873 < .71 lo cual
indica una relación débil entre las variables. En la gráfica “de regresión ajustada” observamos que la
correlación es negativa ya que al aumentar X, Y disminuye; Cabe mencionar que el coeficiente de
correlación calculado por el sistema siempre es positivo, por lo cual debemos basarnos la gráfica de
regresión para determinar el signo.
 Ecuación de la regresión: Para obtener la ecuación de regresión usamos los coeficientes de los
renglones Intercepción y variable X1, estos son 46.3909 y – 0.1347 respectivamente, siendo la
ecuación de regresión: y = 46.3909- 0.1347X1.
 Análisis de Varianza: La tabla muestra la suma de cuadrados de la regresión SSR = 28.5901, la
suma de cuadrados de los residuos o error SSE = 54.2806, El promedio de los cuadrados de la
2
regresión que es la varianza residual S e = 9.0468 . El sistema calcula el valor de F dividiendo SSR/
S e2 como ya se trato anteriormente. El valor crítico F es menor que el valor F (0.125< 3.16), por lo
que no tenemos evidencia para rechazar la H 0:  1  0 , en consecuencia el modelo de regresión no
es apropiado.
 Análisis de residuos: muestra los pronósticos y residuos para cada observación, así como el gráfico
de residuales, en el cual observamos inconsistencias ya que la mayoría de los puntos se encuentran
en la región positiva.
ANÁLISIS DE REGRESIÓN MULTIPLE
En ocasiones la información de una variable independiente no es suficiente, por ejemplo en el caso de los
autos compactos además de tener la variable del tamaño del motor, podríamos tener otras variables, que nos
permitan tener mayor información como por ejemplo el peso del coche, el tipo de recorrido, el tamaño de las
llantas, estos factores también influyen sobre la razón del consumo de gasolina.
Cuando se usa más de una variable independiente para predecir los valores de una variable dependiente, el
proceso se llama análisis de regresión múltiple, incluye el uso de ecuaciones lineales y no lineales, en este
estudio nos ocuparemos de las ecuaciones de regresión lineales.
Ejemplo 6 Muchos programas de estudios premédicos usan los promedios de las calificaciones del MCAT de
los estudiantes egresados como un indicador de la calidad de sus programas. Las variables que se sabe
influencian esos promedios del MCAT(y) son: la combinación de las calificaciones del SAT en matemáticas y
en oratoria (x1) y el GPA (x2) de los prospectos a médicos. La tabla muestra las medidas de x1, x2 y y de seis
estudiantes que han cursado un programa de premedicina y que han presentado el MCAT
Calificación Calificación pro-

Estudiante SAT (X1) GPA (X2) medio del MCAT (Y)
1 1200 3.8 12.4
2 1350 3.4 13.3
3 1000 2.9 9.2
4 1250 3.3 10.6
5 1425 3.9 13.2
6 1340 3.1 11.2
Con esta información podemos encontrar una ecuación lineal que nos permita predecir el promedio de
calificaciones del MCAT para un estudiante si se conocen su GPA y su calificación combinada del SAT.
La ecuación lineal para los datos del ejemplo tiene la forma yˆ  b0  b1 x1  b2 x 2 . Es posible encontrar los
valores de b0, b1, y b2 usando el método de mínimos cuadrados, al igual que en el método de regresión lineal
simple. El método en este caso requiere resolver tres ecuaciones lineales con tres incógnitas, estas ecuaciones,
conocidas como ecuaciones normales, son:
 y  nb 0  b1   x1   b2   x 2 
 x y  b  x   b  x   b  x 
1 0 1 1
2
1 2
2
2
x 2 y  b0   x 2   b1   x1 x 2   b2  x  2
2
La siguiente tabla organiza los cálculos para obtener las ecuaciones:
X1 X2 Y X1^2 X2^2 X1X2 X1Y X2Y

1200 3.8 12.4 1440000 14.44 4560 14880 47.12
1350 3.4 13.3 1822500 11.56 4590 17955 45.22
1000 2.9 9.2 1000000 8.41 2900 9200 26.68
1250 3.3 10.6 1562500 10.89 4125 13250 34.98
1425 3.9 13.2 2030625 15.21 5557.5 18810 51.48
1340 3.1 11.2 1795600 9.61 4154 15008 34.72
7565 20.4 69.9 9651225 70.12 25886.5 89103 240.2
Las ecuaciones normales para este ejemplo son:
69.9  6b0  7,565b1  20.4b2

89,103  7565b0  9,651,225b1  25,886.5b2
240.2  20.4b0  25,886.5b1  70.12b2
Resolviendo el sistema de ecuaciones lineales obtenemos:
b0 = -2.537, b1=0.005425, b2 = 2.161.
La ecuación de regresión es:
yˆ  2.537  0.005425 x1  2.161x 2
Suma de cuadrados
La suma total de cuadrados SST, se descompone en dos componentes: suma de cuadrados para la regresión, y
suma de cuadrados del error.
SST = SSR + SSE
La suma de cuadrados para la regresión es aquella parte de la suma total de cuadrados que se atribuye a las
variables independientes. Mientras que la suma de cuadrados del error es aquella porción de la suma de
cuadrados total y que no se debe a las variables independientes, por ello se llama suma de cuadrados del error.
SST   y  y 2
 12.9950
SSE    y  yˆ 
2
 2.2403
SSR  SST  SSE  10.7547
Grados de libertad para la regresión:
glT  gl R  gl E
glT  n  1
gl R  k
gl E  n  ( k  1)
donde:
k = número de variables independientes
Cálculo de cuadrados medios:
SSR 10.7547
MSR    5.3773
gl R 2
SSE 2.2403
MSE    0.7468
gl E 3
Donde:
MSR= Cuadrado medio de la regresión
MSE= Cuadrado medio del error.
Prueba de hipótesis
Para determinar si el modelo lineal describe adecuadamente los datos, se usa la prueba F.
Para los datos del ejemplo las hipótesis son:
H 0 : 1   2   0
H1 : 1  0 o  2  0
El valor del estadístico F se encuentra dividiendo MSR entre MSE.
MSR 5.3773
F    7.20
MSE 0.7468
Buscando el valor crítico para F (1, n  2)  F0.05 1,4  =7.71.

Como 7.71 > 7.20 no podemos rechazar H0, lo cual nos indica que podría ser arriesgado utilizar la ecuación de
regresión con propósitos predictivos.
Coeficiente de determinación múltiple
SSR
R2 
SST
Utilizando los datos del ejemplo:
10.7547
R2   0.8276  82.8%
12.995
Esto significa que aproximadamente el 83% de la variación en el promedio de las calificaciones se atribuye a
la variación de las variables independientes y solamente el 17% de la variación de la variable dependiente no
se atribuye a eso.
PROCEDIMIENTO PARA ANÁLISIS DE REGRESIÓN MULTIPLE EN STATGRAPHICS:

Seleccione Models > Regresión > Múltiple Regresión.
 Introduzca los valores de la variable dependiente e independiente, el nivel de confianza es 95% por
de fault.
Multiple Regression
--------------------------------------------------------------------------------
Dep. var.: 12.4,13.3,9.2,10.6,13.2,11.2
Ind. vars.: 1200,1350,1000,1250,1425,1340

3.8,3.4,2.9,3.3,3.9,3.1
Weights:
Constant: Yes Vertical bars: No Conf. level: 95
 Presione F6 y a continuación se muestra la pantalla de la cual se obtienen los coeficientes para la

ecuación de regresión.
Model fitting results for: 12.4,13.3,9.2,10.6,13.2,11.2

-----------------------------------------------------------------------------------------------------
Independent variable coefficient std. error t-value sig.level
-----------------------------------------------------------------------------------------------------
CONSTANT -2.536601 3.756458 -0.6753 0.5479
1200,1350,1000,1250,1425,1340 0.005425 0.003115 1.7418 0.1799
3.8,3.4,2.9,3.3,3.9,3.1 2.160713 1.201096 1.7990 0.1699
------------------------------------------------------------------------------------------------------
R-SQ. (ADJ.) = 0.7127 SE= 0.864166 MAE= 0.475804 DurbWat= 1.337
Previously: 0.0000 0.000000 0.000000 0.000
6 observations fitted, forecast(s) computed for 0 missing val. of dep. var.
 Regrese a la pantalla de valores y presione F5, seleccione la opción análisis de varianza. En la tabla
se muestran los valores de la prueba F así como R^2.
Analysis of Variance for the Full Regression

---------------------------------------------------------------------------------------------
Source Sum of Squares DF Mean Square F-Ratio P-value
---------------------------------------------------------------------------------------------
Model 10.7547 2 5.37733 7.20065 0.0716
Error 2.24035 3 0.746783
---------------------------------------------------------------------------------------------
Total (Corr.) 12.9950 5
R-squared = 0.827599 Stnd. error of est. = 0.864166

R-squared (Adj. for d.f.) = 0.712665 Durbin-Watson statistic = 1.33664
Análisis de datos:
La ecuación de regresión la determinamos a partir de la columna de coeficientes:

Y= -2.536601+ 0.005425X1 + 2.160713X2
El análisis de varianza nos muestra que el P-Value 0.0716 > 0.05 por lo cual no rechazamos la
H 0 :  1   2   0 , concluyendo que el modelo no es recomendable para hacer predicciones.
Regresión múltiple en Minitab
Ejemplo 7 La tabla enlista el consumo de combustible en millas por galón bajo condiciones
normales de manejo, los pesos de los coches en libras y la capacidad del motor en cc para
seis coches deportivos modelo 1990.
Coche deportivo Capacidad Pes o Cons umo

Chevrolet 5735 3330 17,9
Kagiar XJ-S 5344 4015 18,7
Mercedes -Benz 500 SL 2174 2865 16,5
Pors che 911 3600 3320 17
Mas errati 228 2790 3020 15,5
BMW 325i 2494 3100 22
a) Determine una ecuación de regresión para predecir el promedio de consumo de combustible usando
la capacidad del motor y el peso, y calcule el coeficiente de determinación R2.
Una vez capturados los datos de las variables en Minitab seleccionamos

STAT>REGRESIÓN>REGRESIÓN y se presenta la siguiente pantalla
Seleccionamos la variable de respuesta (response) que corresponde a la Columna 3 C3, y las variables de
predicción (predictors): C1 y C2.
Damos Clic en el Icono Graphs, y en la opción gráficos de residuos “residual plots” dejamos la opción que
el sistema da por de fault: “Regular”. y seleccionamos la opción residual vs. fits y normal plot of residuals.
También existen otras opciones de gráficos que podemos usar en caso de ser necesario.
En la opción Resultados “Results” seleccionamos el circulo: Regresión equation....

Damos clic en ok.
Regression Analysis
The regression equation is
C3 = 10,9 - 0,00050 C1 + 0,00270 C2
Predictor Coef StDev T P

Constant 10,91 12,90 0,85 0,460
C1 -0,000496 0,001329 -0,37 0,734
C2 0,002702 0,004982 0,54 0,625
S = 2,805 R-Sq = 9,1% R-Sq(adj) = 0,0%
Analysis of Variance
Source DF SS MS F P
Regression 2 2,368 1,184 0,15 0,866
Residual Error 3 23,605 7,868
Total 5 25,973
Analizando los resultados tenemos:
De la tabla resultante podemos determinar que la ecuación de Regresión es Y = 10.9 – 0.00050X1+.00270X2

Donde X1 representa el tamaño del motor (capacidad) y X2 el peso del coche, Y representa el rendimiento
predicho para el consumo del combustible.
El coeficiente de determinación R-Sq o R2 es 9.1% y esto indica que el 9.1% de la variación en el consumo
de combustible se atribuye a la capacidad y al peso. El 90.9% no se atribuye a estas variables.
Examinando el valor del estadístico F(F=0.15), que es significativo al nivel P = 0.866 concluimos que el
modelo no es adecuado para fines de predicciòn en un nivel   0.05
Normal Probability Plot of the Residuals

(response is C3)
1
Normal Score
0
Residuals Versus the Fitted Values
(response is C3)
4
-1
3
-2 -1 0 1 2 3 4
2
Residual
Residual
1
Figura 4-8.9 Gráfica de Probabilidad Normal
0
-1
-2
17 18 19
Fitted Value
Figura 4-8.10 Gráfica de residuales
Analizando los gráficos anteriores, podemos observar en el grafico de probabilidad que las observaciones
aparentan ser normales. Sin embargo en el gráfico de residuales observamos una tendencia ya que la mayorìa
de los puntos se encuentran a bajo del cero.
4.7 ANALISIS DE VARIANZA DE UN CRITERIO (ANOVA)
El análisis de la varianza de un criterio (ANOVA) es una metodología para analizar la variación entre
muestras y la variación al interior de las mismas mediante la determinación de varianzas. Es llamado de un
criterio porque analiza un variable independiente o Factor ej: Velocidad. Como tal, es un método estadístico
útil para comparar dos o más medias poblacionales. El ANOVA de un criterio nos permite poner a prueba
hipótesis tales como:
H 0  1   2   3  ....   k
H 1 : Al menos dos medias poblacionales son diferentes.
Los supuestos en que se basa la prueba t de dos muestras que utiliza muestras independientes son:
1. Ambas poblaciones son normales.

2. Las varianzas poblacionales son iguales, esto es,  12   22 .
Como el ANOVA de un criterio es una generalización de la prueba de t para dos muestras, los supuestos para
el ANOVA de un criterio son:
1. Todas las poblaciones k son normales.

2.  12   22   32  .....   k2    2 
El método de ANOVA con un criterio requiere del cálculo de dos estimaciones independientes para  2 , la
2 2 2
varianza poblacional común. Estas dos estimaciones se denotan por sb y s w . s b se denomina estimación
2
de la varianza entre muestras y s w se denomina estimación de la varianza al interior de las muestras. El
estadístico tiene una distribución muestral resultando:
sb2
F
s w2
El valor crítico para la prueba F es:
F ( k  1, k ( n  1))
Donde el número de grados de libertad para el numerador es k-1 y para el denominador es k(n-1), siendo 
el nivel de significancia.
k = número de muestras.
NOTA: El cálculo de las fórmulas de las varianzas son dadas al final del capítulo.
El Procedimiento es el siguiente19:
1. Determinar si las muestras provienen de poblaciones normales.

2. Proponer las hipótesis.
3. Encontrar las medias poblacionales y las varianzas.

2
4. Encontrar la estimación de la varianza al interior de las muestras s w y sus grados de libertad asociados
glw.
5. Calcular la gran media para la muestra de las medias muéstrales.
2
6. Determinar la estimación de la varianza entre muestras s b y sus grados de libertad asociados.
7. Hallar el valor del estadístico de la prueba F.
8. Calcular el valor crítico para F basado en glb y glw.
9. Decidir si se rechaza H0.
Ejemplo 1:
Tres tipos distintos de motores de gasolina fueron probados para determinar cuánto tiempo son útiles antes de
necesitar una reparación; si los tiempos de vida de los motores de cada tipo se distribuyen normalmente y
tienen la misma varianza, haga una prueba usando   0.05 para determinar si difieren las medias de vida
útil antes de requerir una reparación. En la tabla aparecen los tiempos de vida útil, en decenas de miles de
millas para cada tipo de motor.
A B C
6 8 3
2 7 2
4 7 5
1 2 4
19 7
Estadística. Richard C.Weimer. 6 Edición.2000
CECSA. Segunda 1
Mediante Statgraphics determinamos si las muestras provienen de una población Normal.

Seleccione en el menú Stats, Estimation and Testing, Normal Probability Plot.
Introduzca los datos y obtenga la gráfica, para cada muestra.
Figura 4-7.1 Grafica de Probabilidad Normal muestra A

Figura 4-7.2 Grafica de Probabilidad Normal muestra B
Figura 4-7.3 Grafica de Probabilidad Normal muestra 3
 Analizando las gráficas nos damos cuenta de que las muestras provienen de poblaciones normales.
Si denotamos por 1,  2 y 3 las medias poblacionales de los tiempos de vida útil para los tipos A,B y C,
respectivamente, entonces podemos escribir las hipótesis estadísticas como:
H 0 : 1   2   3
H1: Al menos dos medias poblacionales no son iguales.
Procedimiento en Excel:
 En el menú herramientas seleccione la opción análisis de datos, en funciones para análisis

seleccione análisis de varianza de un factor.
Análisis de varianza de un factor
RESUMEN
Grupos Cuenta Suma Promedio Varianza
Columna 1 5 20 4 6.5
Columna 2 5 30 6 5.5
Columna 3 5 15 3 2.5
ANÁLISIS DE VARIANZA
Origen de las variaciones Suma de cuadrados Grados de libertad Promedio de los cuadrados F Probabilidad Valor crítico para F
Entre grupos 23.33333333 2 11.66666667 2.413793103 0.13150932 3.885290312
Dentro de los grupos 58 12 4.833333333
Total 81.33333333 14
En la tabla observamos que el estadístico de prueba F es menor al valor crítico para F

2.41<3.88, por lo cual no rechazamos al Hipótesis nula H 0. No tenemos evidencia estadística para afirmar que
los tiempos de vida útil de los motores, antes de requerir una reparación son diferentes.
ANOVA en Minitab.
Ejemplo 2: La tabla adjunta contiene el número de palabras escritas por minuto por cuatro secretarias de la
universidad en cinco ocasiones diferentes usando la misma máquina.
A B C D
82 55 69 87
79 67 72 61
75 84 78 82
68 77 83 61
65 71 74 72
Utilice   0.05 para calcular si difieren las velocidades de escritura de las cuatro secretarias.
Seleccionar: STAT>ANOVA>ONE WAY(UNESTACKED)
En la ventana One-Bay analysis o Variance seleccione las columnas en el cuadro: Responses (in separete
columns)
En el icono graphs, seleccionamos la opciones: boxplots of data (gráfica de cajas) . Damos clic en ok y el
sistema nos muestra el análisis de varianza y la tabla.
Source DF SS MS F P
Factor 3 52,2 17,4 0,20 0,892
Error 16 1367,6 85,5
Total 19 1419,8
Individual 95% CIs For Mean

Based on Pooled StDev
Level N Mean StDev -------+---------+---------+---------
A 5 73,800 7,190 (--------------*--------------)
B 5 70,800 10,918 (--------------*--------------)
C 5 75,200 5,450 (-------------*--------------)
D 5 72,600 11,887 (--------------*--------------)
-------+---------+---------+---------
Pooled StDev = 9,245 66,0 72,0 78,0
Boxplots of A - D
(means are indicated by solid circles)
85
75
65
55
A
FIGURA 4-7.4 Gráficas de Cajas muestras A-D
Analisis de resultados del ANOVA:
S b2 = 17.4 (varianza entre las muestras)

S w2  85.5 (varianza dentro de las muestras)
Como F=0.20 < P=0.892, no se rechaza Ho; no hay evidencia estadística de que difieran las velocidades de
mecanografiado de las cuatro secretarias.
Prueba de Tukey-Snedecor20
Cuando la hipótesis nula Ho es rechazada, estamos interesados en identificar el grupo o grupos particulares
que inducen a la diferencia estadísticamente significativa. Los pasos para realizar la prueba son los siguientes:
1. Se ubican las medias de los tratamientos, primero la de mayor valor y por último la de menor, así como la
diferencia entre ellas.
S w2
2. Se calcula el error estándar de la media : Sx 
n
3. Determinamos el valor Q en la tabla de valores críticos Tukey-Snedecor del apéndice, mediante el
número de tratamientos k y los grados de libertad dentro de grupos.
4. Se calcula D, utilizando: D  QSx
5. Se compara el valor D con la diferencia de los pares de medias de los tratamientos. La presencia de pares
mayores que D significa que dichos tratamientos difieren significativamente del nivel  .
Ejemplo:
Para determinar si existe diferencia significativa en el nivel de Matemáticas de 4 grupos de estudiantes de
Ingeniería se realizó un examén aleatorio a 6 individuos por grupo. Determine cuales son los grupos en los
cuales existen diferencias.
A B C D
75 78 55 64
93 91 66 72
78 97 49 68
71 82 64 77
63 85 70 56
76 77 68 95
Source DF SS MS F P
Factor 3 1637 546 5,41 0,007
Error 20 2018 101
Total 23 3654
Individual 95% CIs For Mean
Based on Pooled StDev
Level N Mean StDev ------+---------+---------+---------+
A 6 76,00 9,88 (------*------)
B 6 85,00 7,77 (------*------)
C 6 62,00 8,22 (------*------)
D 6 72,00 13,34 (------*------)
------+---------+---------+---------+
Pooled StDev = 10,04 60 72 84 96
De la tabla de Anova extraemos los datos siguientes:
S b2 = 546
S w2  101
F = 5.41
P-Value = 0.007
Como .007< .05 rechazamos Ho, por lo tanto existen diferencias significativas en las medias de los grupos.
20
Estadística para las ciencias sociales y del comportamiento. Haroldo Elorza. Segunda Edición. Oxford
University Press.
Aplicando la prueba de Tukey-Snedecor, determinamos las medias que son significativas:
1. Diferencia entre medias
Grupo X X  62 X  72 X  76
B 85 23 13 9
A 76 14 4
D 72 10
C 62
S w2
2. Error estándar de la media: Sx   4.1
n
3. Determinar Q, mediante el valor de tablas.

K= 4. gl = 4(6-1) =20
Q(4,20) = 3.96
4. D  QSx = 16.23
5. El par mayor a 16.23 es 23, X B  X C  23 por lo que los grupos B y C son los que presentan
diferencias estadísticamente significativas en la media.
FORMULAS DEL CAPITULO:
s 2  s 22  s32  ......  s k2
s  12

s 2
i
w
k k
gl w  k (n  1)
n  xi  x 
2
s  2
b
 k  1
gl b  k  1
4-6 ANALISIS MULTI-VARI
Es una técnica de pre-experimentación diseñada para aislar y cuantificar los mayores componentes de
variabilidad en procesos de producción. También es utilizada en procesos de vendedores y proveedores.
El análisis Multi-Vari permite determinar las fuentes que presentan mayor variación, a través de la
descomposición de los componentes de variabilidad del proceso. Las cartas Multi-Vari forman parte de las
herramientas desarrolladas por Dorian Shainin21, encaminadas a la mejora del proceso.
El objetivo general de las cartas Multi-Vari es, descubrir los componentes de variación en
el proceso y cuantificar las diferentes fuentes de variabilidad, las cuáles pueden ser, por
ejemplo: de lote a lote, dentro del lote, de turno a turno, entre turnos, dentro del turno, de
21
Dorian Shainin (1914 – 2000). Precursor de herramientas como Lot-plot, Multi-Vari, Pre-control, B vs C,
(prueba no paramétrica de significancia estadística basada en la técnica de John Tukey), paired comparisons,
y otras.
máquina a máquina, dentro de la máquina, de operador a operador, dentro del operador,

entre operadores, etc.
Las cartas Multi-Vari identifican tres principales familias de variación que pueden influenciar en la
variabilidad del proceso, éstas son variación posicional, cíclica y temporal.
1. Variación posicional. Se refiere a variaciones dentro de una misma pieza, variaciones producidas de un
troquel a otro, dentro de un lote de piezas, de una máquina a otra, de un operador a otro, o de una planta
a otra.
2. Variación cíclica. Es la variación entre unidades de un mismo proceso, o variación entre grupos de
unidades (lotes).
3. Variación temporal. Variación de diferencia de tiempo (por ejemplo: de hora a hora, de día a día, de
semana a semana, etc.), variación de una corrida de producción a otra, o variación de turno a turno.
Una vez identificados las fuentes de variación, el análisis Multi-Vari esta diseñado y enfocado a identificar la
variable independiente de mayor influencia dentro de las familias de variación descritas anteriormente.
Pasos para elaborar una carta Multi-Vari.
1. Selección del proceso. Cualquier proceso que se presente fuera de las especificaciones permitidas es
candidato a ser seleccionado para posteriormente ser analizado por medio de cartas Multi-Vari.
2. Plan de muestreo y toma de mediciones. El objetivo es tomar mediciones que otorguen información con
respecto a las principales familias de variación que pueden influenciar en la variabilidad del proceso. Es
decir, para el caso de variación posicional, tomar mediciones en una máquina y en otra, éstas mediciones
deben ser tomadas de manera que resulten en un muestreo aleatorio. El muestreo aleatorio puede ser
llevado a cabo con tablas de números aleatorios, dichas tablas contienen una serie de columnas y
renglones de números, por ejemplo, el último dígito de un número nos puede dar el intervalo de minutos
que se debe esperar para tomar la siguiente medición.
3. Toma de mediciones para variación simultánea. Es recomendable también realizar una toma de
mediciones que cubra más de una familia de variabilidad, por ejemplo es posible incluir la variación
temporal o la variación cíclica a una carta Multi-Vari que este enfocada en la variación posicional.
4. Determinar los limites de variación. Obtener el máximo y el mínimo del total de las mediciones tomadas
anteriormente. Así como el máximo y el mínimo para cada familia de variabilidad seleccionada.
5. Graficar los rangos. Las cartas Multi-Vari están formadas por cuatro ejes dispuestos de manera
rectangular.
a. Ejes. Los ejes verticales (izq. y der.) grafican la escala de la medidas tomadas, use como guía los
límites de variación obtenidos en el paso 4. El eje horizontal inferior es usado para identificar las
unidades muestreadas, la posición, etc. El eje horizontal superior es usado para agrupar por
lotes, para agrupar por turno, por máquina, etc. Nótese que los ejes horizontales se definen de
diferente manera de acuerdo a la familia de variabilidad en que estamos interesados.
b. Cajas. La representación es similar a una gráfica de “Box and Whiskers”, con la diferencia que
el eje horizontal superior define los límites horizontales de las cajas. Los límites verticales de las
cajas están definidos por la medición máxima y el mínima de la familia de variabilidad
seleccionada.
c. Mediciones. Las mediciones se ordenan clasificando por la familia de variabilidad representada

en el eje horizontal superior. Posteriormente, son agrupadas por la familia de variabilidad del eje
horizontal inferior. Finalmente son representadas en la gráfica y unidas por una línea horizontal.
d. Medias. Se obtiene la media de cada clasificación de la familia de variabilidad representada en

el eje horizontal superior. La media de cada caja es graficada en el centro de cada caja.
Finalmente las medias son unidas con una línea sólida.
Ejemplo gráfico:
Lote A Lote B Lote C Lote D

1.4”
Medición (pulg.)
1.3”
1.2”
1.1”
1.0”
A B C A B C A B C A B C
Troquel
Figura 4-6.1 Ejemplo gráfico de carta Multi- Vari.
Ejemplo de cartas Multi-Vari.
Se ha detectado que el proceso de producción de rondanas de plástico se encuentra fuera de especificaciones.

El diámetro exterior especificado es de 1.50” + 0.01”. Se procede a realizar un proceso de pre-
experimentación a través de cartas Multi-Vari para identificar la fuente de variabilidad.
Con este fin se planifica un muestreo aleatorio de cinco diferentes lotes de material que será procesado en dos
diferentes inyectoras de plástico. Se toman cinco muestras para cada inyectora y para cada lote. Resultando 50
observaciones.
Las mediciones ordenadas por lote e inyectora se muestran en la siguiente tabla. (4-6.1)
Medición Medición
Lote Inyectora (pulg.) Lote Inyectora (pulg.)
A 1 1,5060 C 2 1,4981
A 1 1,4853 C 2 1,4975
A 1 1,5089 C 2 1,5196
A 1 1,4939 C 2 1,4874
A 1 1,5131 C 2 1,5158
A 2 1,4994 D 1 1,4913
A 2 1,4914 D 1 1,5003
A 2 1,4934 D 1 1,4896
A 2 1,4854 D 1 1,5086
A 2 1,5130 D 1 1,4938
B 1 1,4993 D 2 1,4843
B 1 1,5054 D 2 1,4987
B 1 1,4974 D 2 1,5087
B 1 1,5127 D 2 1,4984
B 1 1,4888 D 2 1,4905
B 2 1,5159 E 1 1,5198
B 2 1,4874 E 1 1,4976
B 2 1,5011 E 1 1,4946
B 2 1,4980 E 1 1,4882
B 2 1,4979 E 1 1,5081
C 1 1,4867 E 2 1,4929
C 1 1,4943 E 2 1,5014
C 1 1,5033 E 2 1,5047
C 1 1,4909 E 2 1,5055
C 1 1,5035 E 2 1,5030
Tabla 4-6.1 Mediciones por lote e inyectora.
A continuación se muestra una tabla de información estadística.
Muestras dentro de especificaciones 34

Muestras fuera de especificaciones 16
(pulg.)
Media general 1,499
Desviación estándar general 0,0094
Límite inferior 1,484
Límite Superior 1,520
Media por lote (pulg.)

A 1,499
B 1,500
C 1,500
D 1,496
E 1,502
La siguiente figura muestra la carta Multi-Vari obtenida para el ejemplo. El software estadístico usado
para obtener esta carta es MiniTab. Nótese que este software no encierra los datos en cajas.
Figura 4-6.2 Tabla Multi Vari Inyectora lote.
Una carta Multi-Vari adicional correspondería a los ejes horizontales invertidos, esto es, ordenados por lote y
luego por inyectora.
Figura 4-6.3 Tabla Multi Vari lote - Inyectora

4-5 TABLAS DE CONTINGENCIA  2
La tabla ji- cuadrada (  2 ) se utiliza principalmente :
 Para probar si una serie de datos observada, concuerda con el modelo (serie esperada) de la información.
 Para probar las diferencias entre las proporciones de varios grupos (tabla de contingencia).
Para todos los casos,

Ho: No hay diferencia
H1: Hay diferencia
Pasos para realizar la tabla de contingencias 2
1) Plantear las hipótesis:

Ho  p1  p 2  p3 ...  p k
H1: al menos dos proporciones son diferentes.
2) Construir una tabla que contenga los valores observados.
3) Sumar los totales de los renglones y columnas de los valores observados.
4) Debajo de cada valor observado poner el valor esperado utilizando la fórmula:
E ij 
 total de i  ésimo renglón  total de j  ésima columna
n
4) Calcular el valor del estadístico de prueba  2 usando la fórmula:
O  Eij 
2  
ij
Eij
donde:
Oij = Valor observado de la celda i,j.

Eij = Valor esperado de la celda i,j
5) Determinar los grados de libertad mediante:
gl   r  1 c  1
donde
r = número de renglones
c = número de columnas
6) Calcular el valor crítico en la tabla  2

7) Criterio de decisión: si el valor crítico < valor del estadístico de prueba rechazamos Ho
Ejemplo: Al final de un semestre, las calificaciones de matemáticas fueron tabuladas en la siguiente tabla de
contingencia de 3  2 para estudiar la relación entre la asistencia a clase y la calificación obtenida.
Nùmero de ausencias Aprobado No aprobado

0-3 135 110
4-6 36 4
7-45 9 6
Con   0.05 , ¿indican los datos que son distintas las proporciones de estudiantes que pasaron en las tres
categorías de ausencias?
H0 : p1 = p2 = p3
H1 : al menos dos proporciones son diferentes.
Nùmero de ausencias Aprobado No aprobado Total

0-3 135 110 245
( ) ( ) ( )
4-6 36 4 40
( ) ( ) ( )
7-45 9 6 15
( ) ( ) ( )
Total 180 120 300
Los valores Oij = 135, 110... corresponden a los valores observados, los valores esperados se colocan en las
celdas con paréntesis, para calcular los utilizamos la fórmula:
E ij 
 total de i  ésimo renglón  total de j  ésima columna 
n
Nùmero de ausencias Aprobado No aprobado Total

0-3 135 110 245
(147) (98)
4-6 36 4 40
(24) (16)
7-45 9 6 15
(9) (6)
Total 180 120 300
Calculamos el valor del estadístico de prueba  2 usando la fórmula:
O  Eij 
2  
ij
Eij
La tabla 4-5.1 nos ayuda a organizar los cálculos para el estadístico.

Celda Oij Eij (Oij-Eij)^2 (Oij -Eij)^2/Eij

(1,1) 135 147 144 0.98
(1,2) 110 98 144 1.47
(2,1) 36 24 144 6.00
(2,2) 4 16 144 9.00
(3,1) 9 9 0 0.00
(3,2) 6 6 0 0.00
17.45
Tabla 4-5.1 Cálculos para el estadístico
Para determinar el valor crítico del estadístico de prueba procedemos de la siguiente manera:
Determinar los grados de libertad usando la fórmula:
gl   r  1 c  1
gl = (3-1)(2-1) = 2
El valor critico del estadístico ji-cuadrada para   0.05 y g.l. = 2 se denota  0.05 ( 2) , En la tabla ji-
2
cuadrada encontramos que vale 5.991, el valor del estadístico de prueba es  2 =17.44. Como este estadístico
está localizado en la región de rechazo (a la derecha del valor crítico) , rechazamos Ho por lo cual aceptamos
la hipótesis alternativa H1: al menos dos proporciones son diferentes.
Uso de Excell para determinar el valor crítico  2
Cálculo en Excel del estadístico Chi cuadrada
1. Posicionarse en una celda vacía

2. Accesar el menú de funciones con Fx
3. Seleccionar ESTADÍSTICAS, PRUBA. CHIINV.
Dar valores de probabilidad (0.05) y grados de libertad, (# de renglones -1) * (# de columnas - 1) para el caso
de tablas de proporciones.
4-4 INFERENCIA ESTADÍSTICA

(INTERVALOS DE CONFIANZA Y PRUEBAS DE HIPÓTESIS)
La inferencia estadística es el proceso mediante el cual se utiliza la información de los datos de una muestra
para extraer conclusiones acerca de la población de la que se seleccionó la muestra. Las técnicas de
inferencia estadística se dividen en dos áreas principales: Estimación de intervalos de confianza y Pruebas
de hipótesis.
En cada prueba estadística, se comparan algunos valores observados contra algunos esperados u otro valor
observado comparando estimaciones de parámetros (media, desviación estándar, varianza).
Estas estimaciones de los verdaderos parámetros son obtenidos usando una muestra de datos y calculando los
estadísticos.
La capacidad para detectar un diferencia entre lo que es observado y lo que es esperado depende del
desarrollo de la muestra de datos.
Incrementando el tamaño de la muestra mejora la estimación y la confianza en las conclusiones estadísticas.
Intervalos de Confianza
Las medias o desviaciones estándar calculadas de una muestra se denominan estadísticos, podrían ser
consideradas como un punto estimado de la media y desviación estándar real de la población o de los
parámetros.
Cuando no deseamos obtener números sencillos como la media basada en una muestra, utilizamos los
intervalos de confianza, los cuales nos dan un margen con algún tipo de error.
 Para obtener un intervalo de confianza usamos:
Punto estimado + error estimado

 Para calcular el error estimado:
Desviación estándar  multiplicador de CI (nivel de confianza) deseado.
Ejemplo 1
Obtenemos una muestra donde la media x = 100, la desviación estándar s = 10, Encontrar el intervalo de
confianza al 95% en el cual se encuentra la media para una distribución normal.
100 + (10) X 1.96 => (80.4, 119.6) 1.96 = Z0.025
 95% de nivel de confianza significa que sólo tenemos un 5% de probabilidad de obtener un punto fuera
de ese intervalo.
Esto es el 5% total, o 2.5% mayor o menor. En la tabla Z vemos que para un área de 0.025,
corresponde a una Z de 1.960.
C.I. Multiplicador
99 2.576
95 1.960
90 1.645
85 1.439
80 1.282
Tabla 4-4.1
Para tamaños de muestra > 30, la distribución de referencia es la Normal, para muestras de menor tamaño,
debe usarse la distribución t.
PRUEBAS DE HIPÓTESIS
ELEMENTOS DE UNA PRUEBA:

 Prueba Estadística: Procedimiento para decidir aceptar o rechazar hipótesis.
 Hipótesis: Es una afirmación acerca de una o más poblaciones.
 Hipótesis Nula (Ho): Usualmente es una afirmación representando una situación “status quo”.
Generalmente deseamos rechazar la hipótesis nula.
 Hipótesis Alterna (Ha): Es lo que aceptamos si podemos rechazar la hipótesis nula. Ha es lo que
queremos probar.
 Estadístico de prueba: Calculado con datos de la muestra (Z, t, X2 o F).

 Región de Rechazo: Indica los valores de la prueba estadística para que podamos rechazar la Hipótesis
nula (Ho). Esta región esta basada en un riesgo a deseado, normalmente 0.05 o 5%.
Las pruebas de hipótesis pueden ser de dos colas, de cola derecha o de cola izquierda, a continuación se
esquematizan cada una de ellas.
Pruebas de Hipótesis de dos colas:

Ho: a = b Región de Región de
Ha: a  b Rechazo Rechazo
-Z 0 Z
Pruebas de Hipótesis de cola derecha:
Ho: a  b
Ha: a > b Región de
Rechazo
0 Z
Pruebas de Hipótesis cola izquierda:
Ho: a  b
Ha: a < b Región de
Rechazo
-Z 0 Z
Figura 4-4.1 Pruebas de Hipótesis de dos colas, cola derecha y cola derecha, en las
distribuciones observamos la región de rechazo.
“PROCEDIMIENTO PARA REALIZAR PRUEBAS DE HIPÓTESIS”
1. Definir el Problema ( Problema Práctico).

2. Señalar los Objetivos ( Problema Estadístico).
3. Determinar tipo de datos: Atributo o Variable.
4. Si son datos Variables: Prueba de Normalidad.
5. Establecer las Hipótesis: Hipótesis Nula (Ho),Hipótesis Alterna (Ha).
6. Seleccionar el nivel de Alfa (normalmente 0.05 o 5%).

7. Establecer el tamaño de la muestra,  10 .
8. Desarrollar el Plan de Muestreo.
9. Seleccionar Muestras y Obtener Datos.
10. Decidir la prueba estadística apropiada y calcular el estadístico de prueba (Z, t, X 2 o F) a partir
de los datos.
11. Obtener el estadístico correspondiente de tablas o Excel.
12. Determinar la probabilidad de que el estadístico de prueba calculado ocurra al azar.
13. Comparar el estadístico calculado con el de tablas y ver si cae en la región de rechazo o ver si la
probabilidad es menor a alfa, rechace Ho y acepte Ha. En caso contrario no rechace Ho.
14. Con los resultados interprete una conclusión estadística para la solución práctica.
Prueba de hipótesis Estadística
Para una muestra grande (n >30) probar la hipótesis de una media 
Ho:    o 
Ha:    0
Calcular el estadístico de prueba
  0
Z calc 
s
n
Establecer la región de rechazo, para prueba de 2 colas:  Z  2  Z 2
Región de Región de
Rechazo Rechazo
0
-Z Z
Figura 4-4.2 Región de rechazo
Si el valor del estadístico de prueba cae en la región de rechazo rechazaremos Ho de otra manera no
podemos rechazar Ho.
Supongamos que tenemos muestras de dos reactores que producen el mismo artículo. Se desea ver si hay
diferencia significativa en el rendimiento de “Reactor a Reactor”.
Reactor A Reactor B
89.7 84.7
81.4 86.1
84.5 83.2
84.8 91.9
87.3 86.3
79.7 79.3
85.1 82.6
81.7 89.1
83.7 83.7
84.5 88.5
Estadísticas Descriptivas
Variable Reactor N Media Desv.Std
Rendimiento A 10 84.24 2.90
B 10 85.54 3.65
Pregunta Práctica: ¿Existe diferencia entre los reactores?

Pregunta Estadística ¿La media del Reactor B (85.54) es significativamente diferente de la media del
Reactor A (84.24)? o, su diferencia se da por casualidad en una variación de día a día.
Ho: Hipótesis Nula: No existe diferencia entre los Reactores.
Ha: Hipótesis Alterna: Las medias de los Reactores son diferentes.
H 0 :  a  b
H a :  a  b
Se busca demostrar que los valores observados al parecer no corresponden al mismo proceso, se trata de
rechazar Ho.
Reactor A Reactor B
B B B B B BB BB B
A AA AAAA A A
Figura 4-4.3 Dos diferentes procesos
¿Representan los reactores dos procesos diferentes?

¿Representan los reactores un proceso básico?
RESUMEN DE LAS PRUEBAS DE HIPÓTESIS
Pruebas de medias:
 Prueba Z para medias (varianza conocida): Prueba si dos medias de muestras son iguales.
 Prueba t para medias (varianza desconocida): Prueba si dos medias de muestras son iguales. Se tienen dos
casos: varianzas iguales y varianzas diferentes
 Prueba t pareadas para medias: prueba si dos medias de muestras (por pares) son iguales.
Pruebas de varianza:
 Prueba F para varianzas: Prueba si dos varianzas de muestras son iguales.
Pruebas de proporciones:
 Prueba Z para proporciones: Prueba si dos proporciones de muestras son iguales.
PRUEBAS DE HIPÓTESIS SOBRE LA IGUALDAD DE DOS MEDIAS.
A) Varianzas conocidas
Supóngase que hay dos poblaciones de interés X1 y X2, Suponemos que X1 tiene media desconocida  1 y
varianza conocida  1 2 y que X2 tiene media desconocida  2 y varianza conocida. Estaremos interesados en
la prueba de la hipótesis de que las medias 1 y  2 sean iguales.
Considérense primero las hipótesis alternativas de dos lados:
H 0 : 1   2
H 1 : 1   2
Donde
H0 = Hipótesis nula
H1 = Hipótesis alternativa.
1 = media de la población 1
 2 = media de la población 2
El procedimiento para probar H 0 : 1   2 consiste en calcular la estadística de prueba Z0 mediante la

siguiente fórmula:
X1  X 2
Z0 
 21  2 2

n1 n2
Donde:
X 1 = media de la muestra 1
X 2 = media de la muestra 2
 21 = varianza de la población 1
 2 2 = varianza de la población 2
n1 = tamaño de la muestra 1
n2 = tamaño de la muestra 2
La hipótesis nula H0 se rechaza si:
Z 0  Z 2 o Z 0  Z 2
Donde
Z0 = Valor calculado del estadístico de prueba
Z  2 = Valor obtenido de las tablas.
Las hipótesis alternativas de un lado se analizan de manera similar. Para probar
H 0 : 1   2
H 1 : 1   2
Se calcula la estadística de prueba Z0 , y se rechaza H 0 : 1   2 si Z 0  Z  .
Para probar las otras hipótesis alternativas de un lado
H 0 : 1   2
H 1 : 1   2
Se utiliza la estadística de prueba Z0 y se rechaza H 0 : 1   2 si Z 0   Z 
Ejemplo 1:
Se emplean dos máquinas para llenar botellas de plástico con un volumen neto de 16 onzas. El proceso de
llenado puede suponerse normal, con desviaciones estándar de  1  .015 y  2  .018 . Ingeniería de
calidad sospecha que ambas máquinas llenan hasta el mismo volumen neto, sin importar que este volumen sea
o no de 16 onzas. Se toma una muestra aleatoria de la salida de cada máquina. ¿Piensa usted que ingeniería de
máquina
calidad está en lo correcto? 1   .05
máquina
Utilizando 2.
16.03 16.02
Se toman muestras con 16.04 15.97
cada máquina, mostradas en la siguiente tabla:
16.05 15.96
16.05 16.01
16.02 15.99
16.01 16.03
15.96 16.04
15.98 16.02
16.02 16.01
15.99 16
H 0 : 1   2
H 1 : 1   2
Calculando las medias de cada máquina obtenemos: X 1  16.015, X 2  16.005 .
X1  X 2 16.015  16.005
Z0   1.34
 1  2
2 2
= .015 2 .018 2
 
n1 n2 10 10
Z 2 = Z.025 = 1.96
El uso de la tabla es el siguiente:

1-.025 =.975 buscando el valor de Z correspondiente a .975 encontramos Z = 1.96
Utilizando el criterio de decisión Z 0  Z  2 para rechazar la hipótesis nula H0, nos damos cuenta de que 1.34
no es mayor que 1.96. por lo cual no rechazamos H0. No existe suficiente evidencia estadística para pensar que
las medias son diferentes.
Cuando rechazamos la hipótesis nula se considera que la prueba es potente, si aceptáramos la hipótesis nula
el criterio de decisión es débil, ya que generalmente se busca rechazar H0.
PROCEDIMIENTO EN EXCEL
Seleccionar análisis de datos en el menú herramientas. En funciones para análisis elija la opción :
Prueba z para medias de dos muestras. Aparecerá la siguiente ventana en la cual se llenarán los
campos.
El sistema mostrará la tabla siguiente:
Prueba
En la tabla z para
de Excel medias
tenemos el de dos
valor z =muestras
1.34 y el valor crítico de z (dos colas) = 1.96, como 1.34 no es
mayor que 1.96 no rechazamos la hipótesis nula.
B) Varianzas desconocidas: Variable 1 Variable 2
Media 16.015 16.005
Consideraremos
Varianza ahora pruebas de hipótesis respecto a la
(conocida) medias 1 y 2 de dos
igualdad de las0.000324
0.000225
normales donde no se conocen las varianzas  1210
Observaciones
distribuciones y 22 . Tenemos10dos casos en el primero las
Diferencia
varianzas hipotética
son iguales de las medias
y en el segundo 0 a continuación analizaremos cada uno de
las varianzas son desiguales,
ellos. z 1.34962722
P(Z<=z) una cola 0.08856785
Caso 1Valor críticoiguales
varianzas de z (una cola) 1.644853
Sean XValor
1 y X 2 crítico
dos de z (dos
poblaciones colas)
normales independientes con medias desconocidas 1 y 2 , y varianzas
0.17713571
Valor crítico de z 2(dos colas) 1.95996108
conocidas pero iguales  1   2   . Deseamos probar:
2 2
H 0 : 1   2
H 1 : 1   2
2 2
Sean X1, X2, S1 , S 2 , las medias y las varianzas de las muestras, respectivamente. Puesto que tanto
S12 como S 22 estiman la varianza común  2 , podemos combinarlas para producir una sola estimación,
mediante la siguiente fórmula:
 n1  1 S12   n2  1 S 22
Sp 
n1  n2  2
Para probar H 0 : 1   2 calcúlese la estadística de prueba
X1  X 2
t0 
1 1
Sp 
n1 n 2
Usando la tabla “t de Student” : Si t 0  t 2, n1  n2  2 o si t 0  t 2, n1  n2  2 , rechazamos
H 0 : 1   2
Las alternativas de un lado se tratan de modo similar. Para probar:
H 0 : 1   2
H 1 : 1   2
Calcúlese la estadística de prueba t0 y rechácese H 0 : 1   2 si:
t 0  t , n1  n2  2
Para la otra alternativa de un lado,
H 0 : 1   2
H 1 : 1   2
Calcúlese la estadística de prueba y rechácese H 0 : 1   2 si: t 0  t a , n1  n2  2
Ejemplo 2:
Se está investigando la resistencia de dos alambres, con la siguiente información de muestra.
Alambre Resistencia (ohms)

1 .140 .141 .139 .140 .138 .144
2 .135 .138 .140 .139 - -
Suponiendo que las dos varianzas son iguales, ¿ qué conclusiones puede extraerse respecto a la resistencia
media de los alambres?
H 0 : 1   2
H 1 : 1   2
Calculando la media y la desviación estándar de la muestra:

x1  .140
x 2  .138
S1  .0021
S 2  .0022
 n1  1 S12   n2  1 S 22
Sp  = .0021
n1  n2  2
X1  X 2
t0 
1 1 = 1.72
Sp 
n1 n 2
Buscamos en la tabla de distribución t el valor t 2, n1  n2 , 2 = t.025,8 =2.306

Utilizando el criterio de rechazo t 0  t 2, n1  n2  2 , 1.72 no es mayor que 2.306, por lo tanto no rechazamos
H0.
Seleccionar análisis de datos en el menú herramientas. En funciones para análisis elija la opción:
Prueba t para dos muestras suponiendo varianzas iguales.
Prueba t para dos muestras suponiendo varianzas iguales
Variable 1 Variable 2
Media 0.14033333 0.138
Varianza 4.2667E-06 4.6667E-06
Observaciones 6 4
Varianza agrupada 4.4167E-06
Diferencia hipotética de las medias 0
Grados de libertad 8
Estadístico t 1.72002633
P(T<=t) una cola 0.06187033
Valor crítico de t (una cola) 1.85954832
P(T<=t) dos colas 0.12374065
Valor crítico de t (dos colas) 2.30600563
En la tabla de Excel encontramos los valores deseados: 1.72 no es mayor que 2.306 por lo cual no rechazamos
Ho.
Caso 2 Varianzas diferentes
Cuando las varianzas  12 y 22 son diferentes utilizamos la estadística de prueba:
X1  X 2
t0 
S12 S 22

n1 n2
Para el calculo de lo grados de libertad utilizamos:

2
 S12 S 22 
  
  n1 n 2  2
 S12 n1  2   S 22 n2  2
n1  1 n2  1
El procedimiento para llevar a cabo la prueba de hipótesis es el mismo que el caso 1, varianzas iguales
excepto que se emplean t0 como estadística de prueba y n1 + n2 -2 se sustituye por  en la determinación de
los grados de libertad para la prueba.
Ejemplo 3:
Se están investigando dos métodos para producir gasolina a partir de petróleo crudo. Se supone que el
rendimiento de ambos procesos se distribuye normalmente. Los siguientes datos de rendimiento se han
obtenido de la planta piloto.
Proceso Rendimiento %
1 24.2 26.6 25.7 24.8 25.9 26.5
2 21.0 22.1 21.8 20.9 22.4 22.0
¿Hay alguna razón para creer que el proceso 1 tiene un rendimiento medio mayor?
H 0 : 1   2
H 1 : 1   2
Calculamos la media y la varianza para ambos procesos:
x1  25.62
x 2  21.70
S12  .9017
S 22  .3760
X1  X 2
25.62  21.70
t0   8.48
2 2
S S = .9017 .376
1 2 
n1 n2 6 6
2
 S12 S 22   .9017 .376 
2
     
  n1 n 2    6 6 
2 =  2  9.32  9
 S12 n1  2   S 22 n2  2  .9017 6 2   .376 6 2
n1  1 n2  1 7 7
Buscando el valor en la tabla t encontramos t.05,9 = 1,833, mediante el criterio de rechazo para una cola t 0>t.05,9 ,
8.48>1.833, por lo tanto rechazamos la hipótesis nula, y aceptamos la hipótesis alterna, el proceso 1 tiene
mayor rendimiento que el proceso 2.
Seleccionar análisis de datos en el menú herramientas. En funciones para análisis elija la opción:
Prueba t para dos muestras suponiendo varianzas desiguales.
Prueba t para dos muestras suponiendo varianzas desiguales
Media 25.61666667 21.7
Varianza 0.901666667 0.376
Observaciones 6 6
P(T<=t) una cola 6.87798E-06
P(T<=t) dos colas 1.3756E-05
Observamos que mayor que 1.83 (valor crítico de t de una cola), se rechaza Ho.
PRUEBAS PARA LA IGUALDAD DE DOS VARIANZAS.
Presentaremos ahora pruebas para comparar dos varianzas. Supóngase que son dos las poblaciones de interés,
por ejemplo X1 y X2, donde 1, 1 ,  2 ,  2 , se desconocen. Deseamos probar hipótesis relativas a la
2 2
igualdad de las dos varianzas, H 0 :  1   2 . Considérese que se disponen dos muestras aleatorias de tamaño
2 2
n1 de la población 1 y de tamaño n 2 de la población 2, y sean S12 yS 22 las varianzas de muestra. Para probar
la alternativa de dos lados
H 0 :  12   22
H 1 :  12   22
Utilizamos el hecho de que la estadística
S12
F0  2
S2
Se distribuye como F, con n1-1 y n2 –1 grados de libertad.

Rechazaríamos H0 si
F0  F 2 , n1 1, n 2 1
o si
F0  F1 2 , n1 1, n2 1
Donde F 2 , n1 1, n2 1 y F1 2 ,n1 1,n2 1 son los puntos porcentuales  2 superior e inferior de la
distribución F con n1-1 y n2-2 grados de libertad. La tabla F proporciona sólo los puntos de la cola superior de
F, por lo que para determinar F1 2 ,n1 1,n2 1 debemos emplear: F1 2 , n1 1, n2 1 =
1
.
F 2 , n1 1, n2 1
La misma estadística de prueba puede utilizarse para probar hipótesis alternativas de un lado. La hipótesis
alternativa de un lado es:
H 0 :  12   22
H 1 :  12   22
Si F0  F ,n1 1,n2 1 , rechazaríamos H 0 :  12   22 .
Ejemplo 4: Tipo 1 Tipo 2

Los siguientes son tiempos de63
quemado (en minutos)
64 de señales luminosas de dos tipos diferentes.
81 72
57 83
66 59
82 65
82 56
68 63
59 74
75 82
73 82
Pruebe la hipótesis de que las dos varianzas sean iguales. Use   .05
H 0 :  12   22
H 1 :  12   22
X 1  70.6
X 2  70
S12  88.71
S 22  100.44
S12 88.71
F0  =  .877
S 22 100.44
F 2 , n1 1, n2 1 = F.025,9,9= 4.03

F1 2 , n1 1, n2 1 =.248
.877 no es mayor que 4.03, por lo cual no se rechaza la hipótesis nula H 0 :  1   2 .

2 2
Seleccionar análisis de datos en el menú herramientas. En funciones para análisis elija la opción : Prueba F
para varianzas de dos muestras.
Prueba F para varianzas de dos muestras
Media 70.6 70
Varianza 88.7111111 100.444444
Observaciones 10 10
Grados de libertad 9 9
F 0.88318584
P(F<=f) una cola 0.42811371
Valor crítico para F (una cola) 0.2483862
De la tabla deducimos que .248 es menor que .883 por lo cual no rechazamos H0.
PRUEBAS DE HIPÓTESIS SOBRE DOS PROPORCIONES
En las pruebas de hipótesis sobre proporciones tratamos de probar:
H 0 : p1  p 2
H 1 : p1  p 2
Considérese que se toman dos muestras aleatorias de tamaño n1 y n2 de dos poblaciones, y sea X1 y X2 el
número de observaciones que pertenecen a la clase de interés en la muestra 1 y 2 respectivamente.
Una estimación del parámetro común p es:
X1  X 2
pˆ 
n1  n2
La estadística de prueba para H 0 : p1  p 2 es entonces:
pˆ 1  pˆ 2
Z0 
1 1
pˆ (1  pˆ )   
 n1 n2 
X1 X2
pˆ 1  pˆ 2 
n1 n2
Si
Z 0  Z 2 o Z 0  Z 2 , la hipótesis nula se rechaza.
Ejemplo 5: La fracción de productos defectuosos producidos por dos líneas de producción se está analizando.
Una muestra aleatoria de 1000 unidades de la línea 1 tiene 10 defectuosas, en tanto que una muestra aleatoria
de 1200 unidades de la línea 2 tiene 25 defectuosas. ¿ Es razonable concluir que la línea de producción 2
produce una fracción más alta de producto defectuoso que la línea 1? Use   .01 .
H 0 : p1  p 2
H 1 : p1  p 2
X1  X 2 10  25
pˆ  =  .015909
n1  n2 1000  1200
X1 10
pˆ 1  =  .01
n1 1000
X2 25
pˆ 2  =  .020833
n2 1200
pˆ 1  pˆ 2 .01  .020833
Z0 
1 1 =  1 1 = -2.02
pˆ (1  pˆ )    . .015909(.98409)  
 n1 n2  1000 1200 
Z   Z .01  2.35
Se utiliza la estadística de prueba Z0 y se rechaza H 0 : p1  p 2 si Z 0   Z 
-2.02 no es menor que –2.35 por lo cual H0 no se rechaza.
PRUEBA T POR PARES
Cuando es posible resulta ventajoso utilizar muestras pareadas en las pruebas de comparación. En una prueba
de comparación pareada, la reducción en la variabilidad experimental puede permitir la detección de pequeños
movimientos en los datos.
A pesar de que los grados de libertad sean reducidos, porque ahora el tamaño de muestra corresponde al
número de comparaciones.
Un ejemplo de este tipo de prueba es la evaluación de dos piezas de equipo de inspección para determinar si
existe alguna diferencia significativa entre los equipos.
Las hipótesis de prueba en torno a la igualdad 1 y 2 pueden realizarse efectuando una prueba t de una
muestra en  D . Específicamente, probar H 0 : 1   2 contra H 1 : 1   2 es equivalente a probar
H0 : D  0
H1 :  D   0
La estadística de prueba apropiada es
D
t0 
SD n
donde
D
D j
n
y
D j  D
2
SD 
n 1
Rechazaríamos H 0 :  D  0 si t 0  t 2 , n 1 o si t 0  t 2 , n 1 , las alternativas de un lado se tratarían

de manera similar.
Ejemplo 6:
Un fabricante desea comparar el proceso de armado común para uno de sus productos con un método
propuesto que supuestamente reduce el tiempo de armado. Se seleccionaron ocho trabajadores de la planta de
armado y se les pidió que armaran las unidades con ambos procesos. Los siguientes son los tiempos
observados en minutos.
Trabajador Proceso actual Proceso propuesto
1 38 30
2 32 32
3 41 34
4 35 37
5 42 35
6 32 26
7 45 38
8 37 32
Usando   .05 , ¿existe alguna razón para creer que el tiempo de armado para el proceso actual es mayor
que el del método propuesto por más de dos minutos?
H0 : D  2
H1 :  D  2
Trabajador Proceso actual Proceso propuesto Dj (Dj-D)^2
1 38 30 8 10.5625
2 32 32 0 22.5625
3 41 34 7 5.0625
4 35 37 -2 45.5625
5 42 35 7 5.0625
6 32 26 6 1.5625
7 45 38 7 5.0625
8 37 32 5 0.0625
4.75 95.5
D
D j
= 4.75
n
D j  D
2
SD  = 3.69
n 1
D 4.75  2
t0  = = 2.107
SD n 3.69 8
t ,n 1  t .05, 7  1.895 , debido a que 2.107 > 1.895 rechazamos H0, y aceptamos la H1: el tiempo de
armado para el proceso actual es mayor en dos minutos que el método propuesto.
Seleccionar análisis de datos en el menú herramientas. En funciones para análisis elija la opción :
Prueba t para medias de dos muestras emparejadas.
Prueba t para medias de dos muestras emparejadas
Media 37.75 33
Varianza 22.2142857 15.1428571
Observaciones 8 8
Coeficiente de correlación de Pearson 0.64648725
P(T<=t) una cola 0.03661855
P(T<=t) dos colas 0.0732371
De la tabla concluimos que 2.105 > 1.895 (valor crítico de t una cola), por lo cual rechazamos Ho.
4-3 AMEF “ANALISIS DE MODO Y EFECTO DE LA FALLA”
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.
Objetivos
 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
Preparación del AMEF

Se recomienda que sea un equipo multidisciplinario el que lo lleve a cabo.
Por ejemplo: el ingeniero responsable del sistema, producto o proceso de manufactura/ ensamble
se incluye en el equipo, así como representantes de las áreas de Diseño, Manufactura, Ensamble,
Calidad, Confiabilidad, Servicio, Compras, Pruebas, Proveedores y otros expertos en la materia
que se considere conveniente.
Cuándo iniciar un AMEF
 Al diseñar los sistemas, productos y procesos nuevos.

 Al cambiar los diseños o procesos existentes o que serán usados en aplicaciones o ambientes nuevos.
 Después de completar la Solución de Problemas (con el fin de evitar la incidencia de los mismos).
 El AMEF de sistema, después de que las funciones del sistema se definen, aunque sea antes de
seleccionar el hardware específico.
 El AMEF de diseño, después de que las funciones del producto son definidas, aunque sea antes de que el
diseño sea aprobado y entregado para su manufactura.
 El AMEF de proceso, cuando los dibujos preliminares del producto y sus especificaciones están
disponibles.
Tipos de AMEF´S
 AMEF de Diseño: Se usa para analizar componentes de diseños. Se enfoca hacia los Modos de Falla
asociados con la funcionalidad de un componente, causados por el diseño.
 AMEF de Proceso: Se usa para analizar los procesos de manufactura y ensamble. Se enfoca a la
incapacidad para producir el requerimiento que se pretende, un defecto. Los Modos de Falla pueden
derivar de causas identificadas en el AMEF de Diseño.
Procedimiento para la elaboración del A.M.E.F (Diseño o Proceso)
1. Determinar el proceso o producto a analizar.

 AMEF de diseño(FMAD): Enumerar que es lo que se espera del diseño del producto, que es lo
que quiere y necesita el cliente, y cuales son los requerimientos de producción. Así mismo listar
el flujo que seguirá el producto a diseñar, comenzando desde el abastecimiento de matreria
prima, el(los) procesos (s) de producción hasta la utilización del producto por el usuario final.
Determinar las áreas que sean más sensibles a posibles fallas.
 AMEF de procesos(FMEAP): Listar el flujo del proceso que se esté desarrollando, comenzando
desde el abastecimiento de la materia prima, el proceso de transformación hasta la entrega al
cliente (proceso siguiente). Determinar las áreas que sean más sensibles a posibles fallas. En el
caso de empresas de servicios no hay materias primas, para estos caso se toman en cuenta las
entradas del proceso.
En este punto es importante:
 Desarrollar lista de Entradas, Salidas y Características / artículos - diagrama de bloque de referencia,
QFD.
 Evaluar entradas y características de la función requerida para producir la salida.
 Evaluar Interfaz entre las funciones para verificar que todos los Posibles Efectos sean analizados.
 Asumir que las partes se manufacturan de acuerdo con la intención del diseño.
2. Establecer los modos potenciales de falla.

Para cada una de las áreas sensibles a fallas determinadas en el punto anterior se deben establecer los
modos de falla posibles. Modo de falla es la manera en que podría presentarse una falla o defecto.
Para determinarlas nos cuestionamos ¿De qué forma podría fallar la parte o proceso?
Ejemplos:
 Roto
 Flojo
 Fracturado
 Equivocado
 Deformado
 Agrietado
 Mal ensamblado
 Fugas
 Mal dimensionado
3. Determinar el efecto de la falla
Efecto: Cuando el modo de falla no se previene ni corrige, el cliente o el consumidor final pueden ser
afectados.
Ejemplos:
 Deterioro prematuro
 Ruidoso
 Operación errática
 Claridad insuficiente
 Paros de línea.
4. Determinar la causa de la falla
Causa: Es una deficiencia que se genera en el Modo de Falla. Las causas son
fuentes de Variabilidad asociada con variables de Entrada Claves.
 Causas relacionadas con el diseño ( características de la parte)

 Selección de Material
 Tolerancias / valores objetivo
 Configuración
 Componente de Modos de Falla a nivel de Componente
 Causas que no pueden ser Entradas de Diseño, tales como:

– Ambiente, Vibración, Aspecto Térmico
 Mecanismos de Falla
– Rendimiento, Fatiga, Corrosión, Desgaste
5. Describir las condiciones actuales: Anotar los controles actuales que estén dirigidos a prevenir o
detectar la causa de la falla.
 Cálculos
 Análisis de elementos limitados

 Revisiones de Diseño
 Prototipo de Prueba
 Prueba Acelerada
•Primera Línea de Defensa - Evitar o eliminar causas de falla.
•Segunda Línea de Defensa - Identificar o detectar falla anticipadamente.
•Tercera Línea de Defensa - Reducir impactos / consecuencias de falla.
6. Determinar el grado de ocurrencia: Es necesario estimar el grado de ocurrencia de la causa de la falla

potencial. Se utiliza una escala de evaluación del 1 al 10. El “1” indica remota probabilidad de
ocurrencia, el “10” indica muy alta probabilidad de ocurrencia. (Tabla 4-3.1)
Ocurrencia Rango Criterios Probabilidad de Falla

Remota 1 Falla improbable. No existen <1 en 1,500,000
fallas asociadas con este
proceso o con un producto
casi idéntico.
Muy Poca 2 Sólo fallas aisladas asociadas 1 en 150,000
con este proceso o con un
proceso casi idéntico.
Poca 3 Fallas aisladas asociadas con 1 en 30,000
procesos similares.
Moderada 4 Este proceso o uno similar ha 1 en 4,500
5 tenido fallas ocasionales 1 en 800
6 1 en 150
Alta 7 Este proceso o uno similar 1 en 50
8 han fallado a menudo. 1 en 15
Muy Alta 9 La falla es casi inevitable 1 en 6
10 >1 en 3
Tabla 4-3.1 Grado de ocurrencia
7. Determinar el grado de severidad: Para estimar el grado de severidad, se debe de tomar en cuenta el
efecto de la falla en el cliente. Se utiliza una escala del 1 al 10: el ‘1’ indica una consecuencia sin
efecto. El 10 indica una consecuencia grave. (Tabla 4-3.2)
Efecto Rango Criterio

No 1 Sin efecto
Muy poco 2 Cliente no molesto. Poco efecto en el desempeño del artículo o sistema.
Poco 3 Cliente algo molesto. Poco efecto en el desempeño del artículo o sistema.
Menor 4 El cliente se siente algo insatisfecho. Efecto moderado en el desempeño del
artículo o sistema.
Moderado 5 El cliente se siente algo insatisfecho. Efecto moderado en el desempeño del
artículo o sistema.
Significativo 6 El cliente se siente algo inconforme. El desempeño del artículo se ve
afectado, pero es operable y está a salvo. Falla parcial, pero operable.
Mayor 7 El cliente está insatisfecho. El desempeño del artículo se ve seriamente
afectado, pero es funcional y está
a salvo. Sistema afectado.
Extremo 8 El cliente muy insatisfecho. Artículo inoperable, pero a salvo. Sistema
inoperable
Serio 9 Efecto de peligro potencial. Capaz de descontinuar el uso sin perder tiempo,
dependiendo de la falla. Se cumple con el reglamento del gobierno en materia
de riesgo.
Peligro 10 Efecto peligroso. Seguridad relacionada - falla repentina. Incumplimiento con
reglamento del gobierno.
Tabla 4-3.2 Grado de Severidad
8. Determinar el grado de detección: Se estimará la probabilidad de que el modo de falla potencial sea
detectado antes de que llegue al cliente. El ‘1’ indicará alta probabilidad de que la falla se pueda
detectar. El ‘10’ indica que es improbable ser detectada. (Tabla 4-3.3)
Probabilidad Rango Criterio Probabilidad de detección de

la falla.
Alta 1 El defecto es una característica 99.99%
funcionalmente obvia
Medianamente 2-5 Es muy probable detectar la falla. El 99.7%
alta defecto es una característica obvia.
Baja 6-8 El defecto es una característica 98%
fácilmente identificable.
Muy Baja 9 No es fácil detecta la falla por métodos 90%
usuales o pruebas manuales. El defecto
es una característica oculta o
intermitente
Improbable 10 La característica no se puede checar Menor a 90%
fácilmente en el proceso. Ej: Aquellas
características relacionadas con la
durabilidad del producto.
Tabla 4-3.3 Grado de detección.

9. Calcular el número de prioridad de riesgo (NPR): Es un valor que establece una jerarquización de
los problemas a través de la multiplicación del grado de ocurrencia, severidad y detección, éste
provee la prioridad con la que debe de atacarse cada modo de falla, identificando ítems críticos.
NPR = Grado de Ocurrencia * Severidad * Detección.
Prioridad de NPR:
500 – 1000 Alto riesgo de falla

125 – 499 Riesgo de falla medio
1 – 124 Riesgo de falla bajo
0 No existe riesgo de falla
Se deben atacar los problemas con NPR alto, así como aquellos que tengan un alto grado de ocurrencia no
importando si el NPR es alto o bajo.
10. Acciones recomendadas: Anotar la descripción de las acciones preventivas o correctivas

recomendadas , incluyendo responsables de las mismas. Anotando la fecha compromiso de
implantación. Se pueden recomendar acciones encaminadas hacia:
 Eliminar o disminuir la OCURRENCIA de la causa del modo de falla. (modificaciones al

diseño o al proceso, Implementación de métodos estadísticos, ajuste a herramental, etc.
 Reducir la SEVERIDAD del modo de falla. (Modificaciones en el diseño del producto o
proceso).
 Incrementar la probabilidad de DETECCIÓN. (Modificaciones en el diseño del producto o
proceso para ayudar a la detección).
11. Una vez realizadas las acciones correctivas o preventivas, se recalcula el grado de ocurrencia,
severidad, detección y el NPR.
12. Cada vez que haya alguna modificación en el proceso o en el producto se debe de actualizar el
A.M.E.F.
La estructura del AMEF del diseño o del proceso es básicamente la misma , lo que es diferente es el enfoque.
Fecha límite:
Concepto Prototipo Pre-producción Producción
FMEAD
FMEAP
Actualización del AMEF

El AMEF se actualiza siempre que se considere un cambio en el diseño, aplicación, ambiente, material del
producto, o en los procesos de manufactura o ensamble.
Figura 4-3.4 EJEMPLO A.M.E.F.

4-2 Mediciones para seis sigma
Este capitulo proporciona un panorama general de las métricas utilizadas en Seis Sigma, el objetivo es tener
las mejores técnicas de cálculo apropiadas para una situación determinada. La mejora de las métricas pueden
tener un impacto muy significante en los resultados del negocio, al reducir la oportunidad de tener defectos.
Es de suma importancia medir la capacidad del proceso en términos cuantificables y monitorear las mejoras a
través del tiempo.
Sigma    es una letra del alfabeto griego usada para representar la distribución o dispersión alrededor de la
media de cualquier proceso.
Seis Sigma es una filosofía de administración enfocada a la mejora de los procesos,

manteniéndolos en el valor objetivo y reduciendo la variación.
Definiciones básicas22:
 Unidad (U): Es un artículo producido o procesado.

 Defecto (D): Cualquier evento que no cumpla la especificación de un CTQ.
 Defectuoso: Una unidad que tiene uno o más defectos.
 Defectos por unidad (DPU): Es la cantidad de defectos en un producto
D
DPU 
U
 Oportunidad de defectos (O): Cualquier acontecimiento que pueda medirse y de una oportunidad de no
satisfacer un requisito del cliente.
 Defectos por oportunidad (DPO):
D
DPO 
U O
 Defectos por millón de oportunidades (DPMO): Es el número de defectos encontrados en cada millón de
unidades.
 Capacidad del proceso:
 Rendimiento estándar o de primera pasada YFT: Es el porcentaje de producto sin defectos antes de realizar
una revisión del trabajo efectuado.
 Rendimiento al final o de última pasada: Y LT: Es el porcentaje de producto sin defectos después de
realizar la revisión del trabajo.
Cálculo de Sigma de un proceso.
Ejemplo 1
Un proceso de manufactura de mesas para teléfono tiene cuatro subprocesos: fabricación de

patas, bastidor, cubierta y pintura. Se toman los datos de 1510 mesas fabricadas y se
observa la siguiente información. Calcule el Sigma del proceso.
Subproceso Defectos Oportunidades/ Unidad
Patas 212 17
Bastidor 545 5
Cubierta 71 9
Pintura 54 1
Totales: 882 32
Número de unidades procesadas = 1510
22
Forrest W. Breyfogle III. Implementing Six Sigma Ed. John Wiley & Sons, Inc.1999
Número total de defectos = 882

D 882
Defectos por oportunidad (DPO) =   .0182
N  O 1510  32
DPMO = .0182 X 1,000,000=18,253
De la tabla de conversión de sigma determinamos el valor que más se acerca a 18,253 siendo este: sigma
= 3.6
Rendimiento de primera pasada (YFT) y última pasada (YLP)
Los resultados y el número de defectos pueden medirse antes o después de que se detecten,
corrijan o revisen los defectos. Los resultados se miden en % y el número de efectos en
defectos por oportunidad (DPO) o defectos por millón de oportunidades (DPMO).
Observemos la siguiente figura:
SUBPROCESO
N articulos con
cero defectos Trabajo Hay D1 defectos Revisar el trabajo Subsisten D2 defectos
YFP YLP
Figura 4-2.1 Diagrama de Rendimiento de primera pasada y de última pasada.
En este subproceso podemos observar la entrada de N artículos con cero defectos, se realiza un trabajo en el
cual hay D1 defectos, resultando el rendimiento de primera pasada (YFP), después se revisa el trabajo y al final
subsisten D2 defectos, siendo este el rendimiento de la última pasada (Y LP).
Ejemplo 2
Una planta de productos alimenticios empaca cierto tipo de quesos en una de sus líneas. La producción en un
turno es de 5,000 unidades. Existen 3 oportunidades de defecto en cada unidad:
- Mal sellado del empaque

- Producto maltratado
- Empaque roto
Se encontraron 64 defectos, de los cuales 14 se encontraron antes de ser enviados a la línea de empaque final,
después de esto 50 defectos todavía subsisten. Se pide calcular YFP y YLP.
Rendimiento de Primera pasada YFP

64
DPO   .0042
5000  3
DPMO = .0042 X 1,000,000 = 4,266.66
YFP = 1-.0042 = .9958 = 99.58%
Rendimiento de Ultima pasada YLP

50
DPO   .0033
5000  3
DPMO  3,333.33
YLP = 1- .0033 = .9967= 99.67%

Observamos que el rendimiento de ultima pasada es mayor que el rendimiento de primera pasada.
Rendimiento real o estándar (YRT)
Mide la probabilidad de pasar por todos los subprocesos sin un defecto = El producto del
resultado de cada paso: YFP  YFP  YFP  ......YFP
1 2 3 n
Rendimiento sensible a pasos y defectos en los pasos.

Ejemplo 3:
Un proceso con cinco subprocesos tienen los rendimientos siguientes de throughput: 0.98, 0.93, 0.95,
0.98 y 0.94. El Rendimiento Estándar YRT= 0.98x 0.93 x 0.95x 0.98x 0.94 = 0.7976, es la probabilidad
de que el producto pase sin error.
Rendimiento Normal (YN)
El rendimiento normal mide el promedio de rendimientos por los pasos del proceso.
Es el promedio exponencial basado en el numero de pasos del proceso, no es un promedio
aritmético.
YN  n YRT , donde n es igual al numero de pasos en el proceso.
Ejemplo 5
En un proceso con 3 pasos tenemos los siguientes YFT:

Paso 1: 80%
Paso 2: 70%
Paso 3: 90%
Calcular YN
Primero calculamos YRT = .504
YN  n YRT  3 .504  79.6%
Nota: El rendimiento Normal es el promedio del rendimiento del proceso. Sigma es

calculado a partir de un rendimiento Normalizado.
Variación a largo plazo vs. Variación a corto plazo (Z-Value)

Largo plazo: son los datos tomados durante un periodo de tiempo suficientemente largo y en
condiciones suficientemente diversas para que sea probable que el proceso sufra algunos cambios y
otras causas especiales.
Corto plazo: datos recogidos durante un periodo de tiempo suficientemente corto para que sea improbable que
haya cambios y otras causas especiales.
Para el calculo de datos a largo plazo a partir de datos a corto plazo restamos 1.5, debido a
los desplazamientos que sufre la media debido al cambio natural en los procesos.
ZST = ZLT+1.5
ZBenchmark = ZYN+1.5
Donde:
ZST= Z a corto plazo.
ZLT= Z a largo plazo.
YN = Rendimiento Normal
EJEMPLO 6
Un proceso tiene un YRT = .38057 con 10 operaciones. Determine YN y Zbenchmark
YN  10 .38057  .9079
Z benchmark
= .9079+1.5= 2.4079
Calculo de Sigma en MINITAB
Ejemplo 7
En una fábrica de plásticos, se producen unos contenedores propios para alimentos.
En un lote de producción de 10,000 unidades se encuentran 125 artículos defectuosos, la oportunidad de
cometer un defecto es 3. Calcule sigma y analice los resultados proporcionados.
 Introduzca en la hoja de trabajo el número de defectos, unidades y oportunidades.

 En la tabla de herramientas seleccione la opción six sigma>product report
Se muestra la siguiente ventana, en la cual seleccionamos C1, C2 y C3:

Damos clic en OK
El sistema muestra las siguientes Ventanas:
De la tabla obtenemos los siguientes valores:

Zst = 4.138
Zlt = 4.138 –1.5 = 2.638
Report 7: Product Performance
Characteristic Defs Units Opps TotOpps DPU DPO PPM ZShift ZBench
1 125 10000 3 30000 0,013 0,004167 4167 1,500 4,138
Total 125 30000 0,004167 4167 1,500 4,138

La gráfica nos permite visualizar en que punto de la curva Z(short term) vs. PPM nos encontramos. en este
caso el nivel sigma es 4.138
En la siguiente gráfica podemos observar que el proceso se encuentra dentro de la zona promedio de
tecnología la cual va de 3 a 4.5  .
Report 8B: Product Benchmarks

Z.Shift Zone of Average
Technology
3,0
2,5
2,0
Zone of
1,5 Typical
Control
1,0
World-Class
0,5
Performance
0,0
0 1 2 3 4 5 6
Z.Bench (Short-Term)
5-1 DISEÑO DE EXPERIMENTOS
En muchas industrias el uso efectivo del diseño de experimentos es la clave para obtener altos
rendimientos, reducir la variabilidad, reducir los tiempos de entrega, mejorar los productos, reducir los
tiempos de desarrollo de nuevos productos y tener clientes más satisfechos.
¿QUÉ ES EL DISEÑO DE EXPERIMENTOS (DOE)?
Un diseño de experimentos es una prueba o serie de pruebas en las cuales se hacen cambios a propósito en las
variables de entrada de un proceso, de tal forma que se puedan observar e identificar cambios en la respuesta
de salida.
Los productos resultantes tienen una o más características de calidad observables o respuestas (Críticas para la
calidad si el cliente reclama por su no cumplimiento – CTQ’s). Algunas de las variables del proceso X1, X2,
X3,……, Xp son controlables o factores de control, mientras que otras Z1, Z2, Z3, ….., Zq no son
controlables (a pesar de que pueden ser controladas durante el desarrollo de las pruebas), y se denominan
factores de ruido.
Los objetivos del diseño de experimentos son:

1. Determinar cuáles variables tienen más influencia en la respuesta, y.
2. Determinar en donde ajustar las variables de influencia x’s, de tal forma que y se acerque al
requerimiento nominal deseado.
3. Determinar donde ajustar las variables de influencia x’s de tal forma que la variabilidad en y sea pequeña.
4. Determinar donde ajustar las variables de influencia x’s de tal forma que los efectos de las variables
incontrolables z sean minimizados.
Con la aplicación del DOE durante el desarrollo de los procesos podemos obtener los beneficios siguientes:
1. Rendimiento mejorado.
2. Variabilidad reducida y comportamiento cercano al valor nominal.
3. Tiempo de desarrollo reducido.
4. Costos totales reducidos.
5. Mejor desempeño y confiabilidad en el campo.
Como ejemplos de aplicaciones del diseño de experimentos tenemos las siguientes:

1. Evaluación y comparación de configuraciones básicas de diseño.
2. Evaluación de alternativas de material.
3. Evaluación de diferentes proveedores.
3. Determinación de parámetros clave de diseño (ej: ángulo, velocidad, método) con impacto en el
desempeño.
GUÍA PARA EL DISEÑO DE EXPERIMENTOS
Para tener éxito en el diseño de experimentos, es necesario que todos los involucrados en el
experimento tengan una idea clara del objetivo del experimento, de los factores a ser estudiados, como se
realizará el experimento y al menos una idea cualitativa de cómo se analizarán los datos. El procedimiento
recomendado por Montgomery tiene los pasos siguientes:
1. Reconocimiento y establecimiento del problema.
2. Selección de factores y niveles.
3. Selección de la variable de respuesta.
4. Selección del diseño experimental.
5. Realización del experimento.
6. Análisis de los datos.
7 Conclusiones y recomendaciones.
EXPERIMENTOS FACTORIALES
Los experimentos factoriales se utilizan cuando hay varios factores de interés en un experimento. En los
experimentos factoriales se deben utilizar en cada réplica, todas las combinaciones de los factores que se están
investigando. Si se tienen dos factores A y B con niveles a y b respectivamente, cada réplica contendrá todas
las posibles combinaciones ab.
Definiciones:
 Factores: Son las variables controlables en el experimento Ej:Temperatura, Presión, Velocidad; se
designan con letras mayúsculas A, B,C.
 Niveles: Se refiere a la cantidad de valores que tienen los factores del experimento. Ej: en un
experimento tomamos los siguientes valores de Temperatura: 15°, 20° ; en este caso tenemos 2
niveles.
Los niveles se designan con números: “1”, “2” o con signos “-, +” que representan los niveles
“bajo” y “alto” en cada caso.
 Replica: Es el número de repeticiones del experimento.
 Efecto de un factor: es el cambio en la respuesta como resultado de un cambio en el nivel del factor,
se denomina efecto principal ya que se refiere a los factores primarios del estudio.
Ej. Consideremos el siguiente Experimento:
FACTOR B
B1 B2
A1 20 30
FACTOR A
Figura 5-1.1
El calculo de los factores primarios A y B es la diferencia entre la respuesta promedio en el nivel alto y la
respuesta promedio del nivel bajo.
A2 40 52
40  52 20  30
A   21
2 2
30  52 20  40
B   11
2 2
 Tratamientos: son todas las combinaciones posibles de los factores que se involucran en un
experimento. Ej: a, b, c, ab, ac, bc.
 Interacción: Cuando la diferencia en la respuesta entre los niveles de un factor no es la misma en
todos los niveles de los otros factores.
Respuesta
B2 B2
B1 B1
A1 A2 A1 A2
a) Sin interacción b) Con interacción
Figura 5-1.2
En la gráfica de la izquierda observamos que las líneas B1 y B2 son paralelas lo cual indica que no hay
interacción. En la siguiente gráfica al estar cruzadas las líneas B1 y B2 significa que existe interacción.
El cálculo de la interacción AB es la diferencia entre los promedios del nivel alto de “A” y “B” y el nivel
bajo de los mismos
40  30 52  20
AB    19
2 2
Principios básicos del diseño de experimentos:

Normalidad.- Siempre que se conduce un experimento las muestras son tomadas de poblaciones “normales”,
en el análisis de los experimentos se verifica que se cumpla con este principio, de lo contrario los resultados
obtenidos no serán confiables.
Replicación.- Significa la repetición de un experimento, permitiendo el experimentador la obtención de un
error experimental. El error es la unidad básica de medida para determinar si las diferencias observadas en los
datos son realmente diferentes estadísticamente. La replicación permite tener una estimación más precisa de
los efectos.
Aleatoriedad.- Por aleatoriedad entendemos que la posición del material y el orden en el cual las corridas se
realizan en los experimentos son determinadas aleatoriamente (al azar).
Bloqueo.- Es una técnica usada para incrementar la precisión de un experimento, Un bloque es una porción
del material experimental el cual es más homogéneo que el material restante.
Diseños factoriales en MINITAB
Supongamos que queremos diseñar un experimento para probar tres factores: temperatura, presión y tipo de
catálisis. Se trata de un diseño factorial completo 2^3, ya que consta de dos niveles y tres factores, a
continuación se muestra el diseño:
FACTOR NIVEL BAJO NIVEL ALTO

Temperatura 20°C 40°C
Presión 1 atmósfera 4 atmósferas
Catálisis A B
Seleccionamos la opción Stat > DOE > Crear Diseños Factoriales.
La ventana muestra los diferentes tipos de diseños factoriales que pueden ser creados y el número de factores,
en este ejemplo seleccionamos en el campo number of factors = 3 y 2-level factorial (default generators) en
tipo de diseño.
También tiene diferentes iconos, en el cual encontramos información especifica del diseño. Solamente están
habilitados dos iconos: “Display Available Designs” y “Designs”. En la primera opción se muestran todos los
diseños factoriales que contiene el sistema.
 En la segunda opción “diseños”, seleccionamos el diseño factorial completo “full factorial”. Y se llenan
los siguientes campos, que en este ejemplo los valores son los siguientes:
Number of center points = 0
Number of replicates = 2
Number of blocks = 1
AL Presionar OK el diseño es seleccionado y se regresa al la pantalla principal. En esta

pantalla todos los iconos quedan habilitados
Se seleccionan las siguientes opciones:
 Factores
En esta pantalla se escribe el nombre de los factores así como los diferentes niveles “bajo” y “alto” para cada
factor ( estos últimos son dados por default)
 Opciones:
En la pantalla se escoge la opción: “do not fold” (el sistema la da por default)
La opción “randomize” no debe de estar seleccionada, de lo contrario se cambia el orden de todo el
experimento.La opción “store design in worksheet”: guardar diseño en la hoja de trabajo, es seleccionada.
Presionar OK
Presionar OK en la pantalla principal. El sistema despliega el experimento en la hoja de trabajo.

En la columna C8 capturamos la respuesta Yield , para cada combinación del experimento.
Para analizar el experimento se selecciona la siguiente opción de la barra de herramientas:

STAT > DOE > Analyze Factorial design.
La pantalla tiene las siguientes opciones: Responses, Graphs, Terms, Covariates, Results, Storage.
 En el cuadro de Respuestas “Responses” seleccinamos la columna C8, correspondiende a la variable de
respuesta del experimento.
 En la opción “Terms” términos, se muestran los factores y sus interacciones, las cuales se dan por
default, en el caso de que se quiera hacer una modificación el sistema permite realizarla. Ej.: Ignorar
interacciones mayores a grado 2. Si se desea eliminar un factor en esta pantalla también se puede hacer.
 En la opción “Graphs”, gráficas, se seleccionan las gráficas de efectos deseadas, así como las gráficas
de residuos, estas nos permiten realizar el análisis del experimento.
Seleccionamos las gráficas de Efectos: Normal y Pareto, el nivel alfa deseado que en este caso es de 0.05 y en
la opción “Residual for Plots” seleccionamos la opción regular que viene por default. En el caso de que
queramos más gráficos podemos seleccionar las que vienen en la parte de “Residual Plots”. Dar click en OK
 En la opción Results (Resultados) se muestra la siguiente ventana:
Pareto Chart of the Standardized Effects

Seleccionamos la opción por default: coefficients, ANOVA
(response is C8, Alpha =Table,
.05) and unusual observations.
En el cuadro Available Terms, se muestran los Factores y las interacciones, estos se seleccionan y se pasan
A: Temperat
del lado derecho. Click en OK B: Presión
C C: Catalisi
BC
AC
ABC
AB
0 1 2 3 4 5 6
Figura 5-1.3 Gráfica de Pareto
En la gráfica de Pareto (5-1.3) observamos que los principales efectos son aquellos que pasan la línea
punteada: C, B, y BC. Estos son los que más afectan el experimento.
Normal Probability Plot of the Standardized Effects

(response is C8, Alpha = .05)
1.5 A: Temperat
B B: Presión
C: Catalisi
1.0
0.5
Normal Score
0.0
-0.5
BC
-1.0
Figura 5-1.4 Gráfica Normal de Probabilidad
C
-1.5
La gráfica-6normal
-5
de-4probabilidad
-3 -2
muestra
-1 0
los efectos
1
más significativos
2 3
que en este caso son los
mismos que en la gráfica de pareto: C, B y BC, estos son aquellos que están más alejados que la recta.
Standardized Effect
En la tabla observamos los coeficientes de los efectos, así como el análisis de varianza.
Fractional Factorial Fit
Estimated Effects and Coefficients for Yield (coded units)
Term Effect Coef StDev T P

Constant 74.81 2.561 29.21 0.000
Temperat 1.38 0.69 2.561 0.27 0.795
Presión 14.13 7.06 2.561 2.76 0.025
Catalisis -30.37 -15.19 2.561 -5.93 0.000
Temperat*Presión -0.13 -0.06 2.561 -0.02 0.981
Temperat*Catalisis -1.13 -0.56 2.561 -0.22 0.832
Presión*Catalisi -13.38 -6.69 2.561 -2.61 0.031
Temperat*Presión*Catalisi -0.12 -0.06 2.561 -0.02 0.981
Analysis of Variance for Yield (coded units)
Source DF Seq SS Adj SS Adj MS F P

Main Effects 3 4496.19 4496.19 1498.73 14.28 0.001
2-Way Interactions 3 720.69 720.69 240.23 2.29 0.155
Residual Error 8 839.50 839.50 104.94
Pure Error 8 839.50 839.50 104.94
Total 15 6056.44
Tabla 5-1.1 Tabla de Coeficientes y ANOVA

Los efectos principales son los menores al nivel de significancia 0.05, P-Values (columna P), estos están
sombreados en la tabla.
Para generar las gráficas que nos permitirán determinar y visualizar cuales son los niveles óptimos de los
efectos (gráfica de efectos principales, gráfica de interacciones y gráfica de cubo utilizamos la siguiente
opción: Stat > DOE > Factorial plots)
Seleccionamos la opción Main effects y damos click en Setup.
Se despliega la ventana Factorial Plots-Main, en la cual seleccionamos en el cuadro Responses C8.

Posteriormente seleccionamos los Factores principales. Damos click en OK
Repetimos los pasos anteriores para las gráficas de interacción y cubica. Damos click en OK y obtenemos las
gráficas deseadas.
Main Effects Plot (data means) for Yield

En está gráfica obtenemos los niveles que maximizan la respuesta.
Temperatura : nivel “alto” = 40°, Presión nivel “alto” = 4, Catálisis nivel “bajo” = A
20 40 1 4 A B
91
83
Yie
ld 75
67
59
Temperatura Presión Catalisis
GGG
Figura 5-1.5 Gráfica de efectos principales, en la cual se muestra cual es el

nivel del factor que genera mayor rendimiento.
En la interacción Presión*Catálisis el nivel óptimo es: Presión = 4 “nivel alto” y Catálisis A “nivel Bajo”
Interaction Plot (data means) for Yield
Temperatura 100
40 80
20
60
Presión 100
4 80
1
60
Catalisis
Figura 5-1.6 Gráfica de interacciones
Cube Plot (data means) for Yield
60.0 60.0
102.5 105.0
4
Presión 59.0 59.5

B
Catalisis
75.0 77.5
1 Figura 5-1.7 Gráfica de Cubo A
20 40
En la gráfica de cubo observamos que la mayor respuesta se encuentra en el vértice 102.5. De está gráfica
Temperatura
también podemos saber cuales son los niveles óptimos de cada factor.
Fórmulas de cálculo para diseños factoriales.


Diseño factorial 22
La siguiente figura muestra la diferentes combinaciones de los tratamientos, así como los factores A y B en
los niveles alto y bajo, para un diseño 22
b ab
+
-
2
(1) Figura 5-1.8 diseño 2 a
 Cálculo de los efectos
Los efectos de interés en el diseño son los efectos principales de A y B y los efectos de la interacción AB, se
-
denominan contrastes siendo calculados como sigue: +
A
1
A  ab  a  b  1 
2n
1
B  ab  b  a  1 
2n
1
AB   ab  1  a  b
2n
Donde n = número de replicas
Las cantidades entre paréntesis se denominan contrastes, aquí los coeficientes siempre son +1 o –1. También
se pueden determinar usando una tabla de signos como sigue:
Efectos factoriales
Corrida I A B AB
1 (1) + - - +
2 a + + - -
3 b + - + -
4 ab + + + +
Tabla 5-1.2 Efectos factoriales
Ejemplo: Para determinar el contraste de A utilizando la tabla de signos obtenemos:  - 1  a - b  ab
 Suma de cuadrados
Para obtener la suma de cuadrados de A, B, y AB se usa:
(contraste) 2
SS 
n (coeficientes.de.contrastes) 2
SS A 
 ab  a  b  1 
2
n*4
SS B 
 ab  b  a  1  2
n*4
SS AB 
 ab  1  a  b 2
n*4
2 2 n
y2
SS T    y 2
ijk 
i 1 j 1 k 1 4n
SS E  SS T  SS A  SS B  SS AB
Donde
SST = Suma Total de Cuadrados
SSE = Suma de Cuadrados del Error
 Grados de libertad (g.l.)
A=1
B=1
AB = 1
SSE = 4 (n-1)
SST = 4n -1
 Cuadrados Medios (M.S.)
SS
MS 
gl.
 La tabla de Análisis de varianza (ANOVA) queda como sigue:
Fuente de Suma de Grados de Cuadrado

variación cuadrados libertad medio Fo .
Factor A SSA a -1 MSA Fo = MSA / MSE

Factor B SSB b- 1 MSB Fo = MSB / MSE
Interacción SSAB (a –1)(b-1) MSAB Fo = MSAB / MSE
AB
Error SSE ab(n-1) MSE
Total SST abn-1
Tabla 5-1.3 Tabla de ANOVA
 Valor crítico
Calculamos el Valor de F en la tabla mediante: F ( , a, n)

Donde:  = nivel de significancia.
a = número de niveles del factor A
n = tamaño de muestra del Factor A
De la misma manera se calcula para los demás factores.


Regla de decisión: Si F0 > F, el factor es significativo.
 Análisis Residual
Para obtener los residuos se utiliza la ecuación de regresión siguiente:

y   0   1 x1   2 x 2  
El valor de la intersección 0 es el promedio del número total de observaciones y cada coeficiente de
regresión  1,  2 es la mitad del efecto estimado del factor correspondiente .
Los valores X1 y X2 representan los efectos A y B. Estos valores se codifican en los niveles alto y bajo del
experimento (-1 y +1)
Este modelo es usado para predecir los valores de y en los cuatro puntos del experimento.
Utilizando la ecuación se buscan todas las combinaciones posibles, que en este tipo de diseño son cuatro. Al
obtener la respuesta óptima, determinamos cuales son los niveles más favorables para nuestro experimento.
Ej.
B0  27.5
 1  8.33
 2  5
El modelo de regresión es:
 8.33   5
y  27.5    x1    x2
 2   2 
Realizando las diferentes combinaciones tenemos:
 8.33   5
y  27.5   (1)   (1) = 29.165
 2   2 
 8.33   5
y  27.5   ( 1)   (1)  34.165
 2   2 
 8.33   5
y  27.5   (1)   (1)  20.835
 2   2 
 8.33   5
y  27.5   ( 1)   ( 1)  25.835
 2   2 
La respuesta óptima es 34.165, por lo cual los níveles más favorables en este experimento son x 1 = +1 y x2 =
-1.
Para obtener los residuos, se resta el valor observado (en la muestra) del valor predicho ( ecuación de
regresión)
Ej:
Tenemos los siguientes valores observados: 28, 25 y 27. utilizando la primera ecuación
donde y = 29.165 el calculo de residuos sería:
e1 = 28-25.835 = 2.165
e2 = 25-25.835 = -0.835
e3 = 27-25.835 = 1.165
Los demás residuos se calculan de la misma manera, utilizando el valor predicho correspondiente (de cada
ecuación), existen tantos residuos como número de observaciones.
Posteriormente los residuos se grafican en el papel normal de probabilidad. Para determinar si cumplen con el
supuesto de normalidad.

Diseño factorial 2k
El diseño de 3 factores es un cubo con ocho combinaciones factoriales, permite estimar tres efectos
principales (A, B, y C), tres interacciones de dos factores (AB, BC, y AC) y una interacción de tres factores
(ABC). Considerando que las letras minúsculas representan la suma de las n replicas de cada uno de los ocho
experimentos, se tiene:
1
A ( a  ab  ac  abc  b  c  bc  (1))
4n
1
B (b  ab  bc  abc  a  c  ac  (1))
4n
1
C (c  ac  bc  abc  a  b  ab  (1))
4n
1
AB  (ab  (1)  abc  c  b  a  bc  ac)
4n
1
AC  (ac  (1)  abc  b  a  c  ab  bc)
4n
1
BC  (bc  (1)  abc  a  b  c  ab  ac)
4n
1
ABC  ( abc  bc  ac  c  ab  b  a  (1))
4n
Las cantidades entre paréntesis se denominan contrastes de las ocho combinaciones de niveles y factores.
También pueden obtenerse de la tabla siguiente:
Tabla 5-1.4 Tabla de Signos para los efectos en el diseño 23

Combinación del Efectos factoriales

Tratamiento I A B AB C AC BC ABC
(1) + - - + - + + -
a + + - - - - + +
b + - + - - + - +
ab + + + + - - - -
c + - - + + - - +
ac + + - - + + - -
bc + - + - + - + -
abc + + + + + + + +
Propiedades de la tabla:
1. Excepto por la columna identidad I, cada columna tiene un número igual de signos más y menos.
2. La suma de productos de los signos con cualquier par de columnas es cero, o sea que se trata de una tabla
ortogonal.
3. Al multiplicar cualquier columna por la columna I se obtiene la misma columna, entonces I es el elemento
identidad.
4. El producto de cualquier par de columnas resulta en otra columna en la tabla, AxB = AB, ABxABC =
A2B2C = C dado que una columna multiplicada por si misma da la columna identidad.
El estimado de cualquier efecto principal o interacción se determina como sigue:
Contraste
Efecto 
n 2 k 1
La suma de cuadrados de cualquier efecto es:
(contraste) 2
SS 
n2 k
Ejemplo Se realizó un experimento para investigar el acabado superficial de una parte de metal. El
experimento es un diseño factorial 23 con los factores Velocidad de ataque (A), profundidad de corte (B) y
ángulo de corte (C), con n = 2 réplicas. En la tabla siguiente se observan los resultados del acabado
superficial.
Datos del experimento

Factores de Diseño Acabado
Corrida A B C Superficial Total
1 (1) -1 -1 -1 9,7 16
2 a +1 -1 -1 10,12 22
3 b -1 +1 -1 9,11 20
4 ab +1 +1 -1 12,15 27
5 c -1 -1 +1 11,10 21
6 ac +1 -1 +1 10,13 23
7 bc -1 +1 +1 10,8 18
8 abc +1 +1 +1 16,14 30
Los efectos principales se calculan como sigue, por ejemplo para el factor A:
A =(22 + 27 +23 + 30 – 20 – 21 –18 – 16) / 4(2) = 3.375

De la misma forma
B = 1.625
C = 1.375
AB = 1.375
AC = 0.125
BC = -0.625
ABC = 1.125
Calculando la suma de cuadrados como sigue:
SSA 
 ContrasteA ^ 2  45.56
2*8
gl.SSA = 1
De la misma forma para los demás factores, se tiene:
SSB = 10.5625 todos con gl. = 1
SSC = 3.065
SSAB = 7.5625
SSAC = 0.0625
SSBC = 1.5625
SSABC = 5.5625
SSErr = 19.500 con (16 – 7 ) = 8 gl. MSE = 2.4375

SST = 92.9375 con 15 gl.
Formando la tabla ANOVA y calculando los valores de Fc para cada factor se tiene (Fcrítica (0.1, 1, 8) = 3.45
Fuente Fc
A 18.69
B 4.33
C 1.26
AB 3.1
AC 0.03
BC 0.64
ABC 2.08
Por tanto sólo son significativos los factores A y B por ser Fc > Fcrítica.
Para probar normalidad se puede utilizar la ecuación de regresión anterior para las dos variables A y B, con
sus niveles codificados en (-1, +1), tomando la media general y los estimados de los efectos de los factores A
y B y de su interacción, se tiene:
 3.375   1.625   1.375 

y   0   1 x1   2 x 2   3 x1 x 2    11.0625    x1    x2    x1 x 2
 2   2   2 
Con esta ecuación se pueden evaluar los residuos, que se calculan para cada combinación de las dos
variables A y B ya que la C no fue relevante. Por ejemplo para el caso de
A = -1 y B = -1 se tiene:
Yest = 9.25
Los valores observados para A = -1, B = -1 y

C = -1, corresponden a las respuestas 7 y 9. Obteniendo los residuos contra el valor estimado de 9.25 se tiene:
r1 = 9 – 9.25 = - 0.25
r2 = 7 – 9.25 = - 2.25
Graficando estos residuos en papel normal no se observan anormalidades mayores.
Como el menor valor se obtiene al tener A y B en nivel bajo, esta es la solución que se recomienda.
Técnica de confusión en los diseños 2k

Existen muchos problemas en los cuales es imposible desarrollar replicas completas de un diseño factorial en
un solo bloque,
La confusión es una técnica de diseño que sirve para arreglar un experimento factorial completo en
bloques, donde el tamaño del bloque es más pequeño que el número de combinaciones del
tratamiento en una réplica. La técnica origina información acerca de ciertos efectos del tratamiento
(usualmente de mayor orden que las interacciones) que son confundidas con los bloques.
Diseños factoriales 2k en dos bloques.-

Supongamos que deseamos dividir en dos bloques un diseño 2 2 . La figura muestra un posible diseño para este
problema. Aquí observamos que las combinaciones de los tratamientos en diagonales opuestas son asignados
a los diferentes bloques.
Figura 5-1.9
= corrida en el bloque 1
B
= corrida en el bloque 2
-
- +
A
Notamos que el bloque 1 está compuesto por las combinaciones de los tratamientos (1) y ab, el bloque 2 esta
compuesto por a y b.
Bloque 1 Bloque 2
(1) a
ab b
Dado que las dos combinaciones con el signo positivo [ (1) y ab] están en el bloque uno, y las dos
combinaciones [ a y b] están en el bloque 2, el efecto de los bloques y la interacción AB son idénticas. Esto
significa que AB es confundida con los bloques.
Los signos de las combinaciones mencionadas los encontramos en la columna AB de la tabla. (1) y ab tienen
signo positivo, a y b tienen signo negativo.
Corrida I A B AB
1 (1) + - - +
2 a + + - -
3 b + - + -
4 ab + + + +
Tabla 5-1.5
Este método puede ser usado para confundir cualquier efecto (A, B o AB) en bloques. Por ejemplo, si (1) y b
hubieran sido asignados al bloque 1, a y ab al bloque 2, entonces el efecto principal A hubiera sido
confundido en bloques.
Método de combinación lineal

Otro método para construir este tipo de diseños consiste en el uso de la combinación
lineal:
L   1 x1   2 x 2  ................. k x k
donde
xi = nivel del factor que aparece en una combinación particular del tratamiento.
xi = 0 (nivel bajo) ó 1 nivel alto.
 i  es el exponente del factor en el efecto que es confundido.

i = 0 ó 1
Las combinaciones del tratamiento que producen el mismo valor de L serán acomodadas en el mismo bloque.
Dado que los valores de L pueden ser 0 ó 1 el número de bloques en un diseño 2k son dos.
Ejemplo:
Consideremos un diseño 23 con ABC confundida en bloques.
X1 corresponde a A, X2 corresponde a B, X3 corresponde a C, y a1   2   3  1
La combinación lineal correspondiente a ABC es:
L = X1+ X2+ X3
Para determinar los valores Xi de la combinación lineal L utilizamos la tabla de signos del diseño 2 3 , Donde
el signo “-“ = 0 y “+” = 1
Combinación del Efectos factoriales

Tratamiento I A B AB C AC BC ABC
(1) + - - + - + + -
a + + - - - - + +
b + - + - - + - +
ab + + + + - - - -
c + - - + + - - +
ac + + - - + + - -
bc + - + - + - + -
abc + + + + + + + +
Para obtener la combinación del tratamiento (1) procedemos de la siguiente manera:

Observando el renglón del tratamiento (1) y tomando los signos de los efectos A, B, y C obtenemos los
valores de X1, X2, X3. = 000. Por tanto:
L = 1(0)+1(0)+1(0) = 0
De la misma manera la combinación del tratamiento a sería:
L = 1(1) + 1(0) + 1(0) = 1
Calculando las demás combinaciones tenemos:

b: L = 1(0)+1(1)+1(0) = 1 = 1
ab: L = 1(1)+1(1)+1(0) = 2 = 0
c: L = 1(0)+1(0)+1(1) = 1 = 1
ac: L = 1(1)+1(0)+1(1) = 2 = 0
bc: L = 1(0)+1(1)+1(1) = 2 = 0
abc: L = 1(1)+1(1)+1(1) = 3 = 1
Nota cuando el valor de L>1 entonces L= 0, por ejemplo en la combinación ab obtuvimos L = 2, entonces L =
0
Para formar el bloque 1, tomamos todas las combinaciones L = 0, el bloque dos se forma con las
combinaciones L = 1, resultando:
Bloque 1 Bloque 2
IV MEJORA
(1) a
ab b
ac c
bc abc
Definir
Definir Medir Analizar Mejorar
Mejorar Controlar
Controlar
En la fase de Análisis identificamos las causas de variación. En esta fase utilizamos el diseño de experimentos
(DOE), para seleccionar las causas que más afectan nuestro CTQ e investigar estás causas para conocer el
comportamiento del proceso. El método de DOE consiste en realizar cambios en los niveles de operación de
los factores (X’s) para obtener los mejores resultados en la respuesta "Y". Esta información es de gran ayuda
para la optimización y mejora de procesos.
Objetivos:
 Conocer el uso de las herramientas de mejora.

 Conducir el diseño de experimentos para la optimización de procesos.
 Obtener las mejoras del proceso en el proyecto.
Herramientas:
No Herramienta Para que es usada.

.
5-1 Diseño de Los experimentos factoriales son utilizados cuando se involucran
experimentos varios factores de interés en un experimento. En cada replica se
factoriales 2k utilizan cada uno de los factores que se están investigando.
5-2 Diseño central Consiste en realizar replicas en ciertos puntos del experimento
compuesto 2k factorial 2k, para proveer una protección contra la curvatura que
pudiera estar presente.
5-3 DOE Taguchi Es utilizado cuando el número de factores es demasiado grande ya que
el número de combinaciones e interacciones aumenta, y en ocasiones
sería casi imposible realizar un diseño aunque se utilice un diseño
fraccional; en este caso es más sencillo realizar la metodología que
propone Taguchi.
5-4 RSM La metodología de superficie de respuesta o RSM es una colección de
técnicas Matemáticas y Estadísticas, utilizadas para modelar y analizar
problemas en los cuales la Respuesta de interés es influenciada por
varias variables, siendo el objetivo optimizar dicha Respuesta.
Etapas:
1. Mostrar las causas potenciales y caracterización de X´s:
En la fase de análisis encontramos los pocos vitales X’s, en esta fase vamos a determinar aquellos que
específicamente afectan nuestro proceso. Esto se lleva a cabo a través de datos históricos, conocimiento y
discusiones. En base a lo anterior también desechamos las variables que no son utilizadas. Una opción para
realizar esta actividad es mediante el uso del diagrama de Ishikawa
Los pocos vitales son elementos críticos o factores, nombrados en tipo, clase , o en
cantidad
Los cambios en los parámetros de operación referentes a las X´s pueden ser puestos en niveles
múltiples, para estudiar como afectan la respuesta en el proceso “Y”
DOE es un método para probar la significancia, o sea que tanto afectan cada uno de los factores a la variable de
respuesta. Y para determinar la interacción entre dichos factores.
Consideraciones:
 DOE sirve para identificar los pocos vitales de los CTQ´s

 En la optimización es utilizada para determinar los niveles más apropiados de los pocos
vitales.
 Sirve para comparar el resultado experimental contra el proceso actual
2. Descubrir las relaciones entre variables y proponer una solución:
Una vez determinados los factores con mayor significancia, o sea aquellos que afectan más al proceso, estamos
interesados en proponer los niveles óptimos para cada factor.
Para poder hacerlo generamos la función de transferencia, mediante análisis de regresión , simple
o múltiple. Al realizarlo tendremos una solución que nos permitirá alcanzar el objetivo que es la
optimización del proceso.
Para conducir un diseño de experimentos debemos tomar en cuenta los puntos siguientes:
 Contar con el presupuesto para la experimentación.

 Disponibilidad de personal.
 Disponibilidad del tiempo para las pruebas.
 Otros recursos
5-4 METODOLOGIA DE SUPERFICIE DE RESPUESTA (RSM)
La metodología de superficie de respuesta o RSM es una colección de técnicas matemáticas

y estadísticas, utilizadas para modelar y analizar problemas en los cuales la Respuesta de
interés es influenciada por varias variables, siendo el objetivo optimizar dicha Respuesta.
En la mayoría de los problemas de RSM , la forma de la relación entre la respuestas y las
variables independientes es desconocida. Por lo tanto el primer paso es encontrar la
aproximación más adecuada para la relación funcional entre “y” y el conjunto de variables
independientes. Usualmente un polinomio en alguna región de las variables independientes
es utilizado:
y  B0   1 X 1   2 X 2   kXk  
Si existe curvatura en el sistema, entonces se utiliza un polinomio de segundo orden.
y   0    iXi    iiXi 2     ijXiXj  
RSM es un procedimiento secuencial. Normalmente, cuando nos encontramos en un punto

de la superficie de respuesta que está muy lejos del óptimo, como se muestra en las
condiciones operativas de la figura 1 , existe una pequeña curvatura en el sistema y el
modelo de primer orden puede ser apropiado. Nuestro objetivo es dirigirnos rápidamente y
eficientemente a la vecindad general de el óptimo. Una vez que la región de el óptimo ha
sido encontrada, se genera un modelo de segundo orden más elaborado para localizar el
punto óptimo,
Figura 5-4.1 Gráfica tridimensional de superficie de respuesta. Se muestra las variables X 1 temperatura, X2 presión y
el rendimiento esperado Y
El objetivo eventual de RSM es determinar las condiciones operativas óptimas del sistema o determinar una
región del espacio en la cuales las especificaciones operativas se satisfacen. Existen diferentes métodos para
determinar el punto óptimo, en esta sección nos ocuparemos del “método de ascenso por la pendiente
máxima”.
Método de ascenso por la pendiente máxima.-
Frecuentemente, el estimado inicial de las condiciones operativas actuales están lejos del óptimo. Por tal
razón el objetivo del experimentador es moverse rápidamente a la vecindad general del óptimo. Cuando nos
encontramos muy lejos de él, generalmente asumimos que el modelo de primer orden es una buena
aproximación a la respuesta óptima de la pequeña región de las X´s.
El método de ascenso por la pendiente máxima es un procedimiento en el cual nos movemos

secuencialemente por la ruta de máximo ascenso. Esto es en la dirección de el incremento máximo en la
respuesta. Por supuesto que si lo que pretendemos es minimizar, entonces estaremos hablando del “método
de descenso por la pendiente máxima”.
La dirección de máximo ascenso es aquella en la cual Y incrementa más rápidamente. Esta dirección es
paralela al plano normal de la superficie de respuesta.
La magnitud del paso es determinada por el experimentador, basándose en el conocimiento que tenga acerca
del proceso o en otras consideraciones prácticas. En la figura 2 podemos observar la región de ajuste del
modelo de primer orden y la ruta de máximo ascenso, la magnitud del paso es 10.
Figura 5-4.2 Gráfica de Superficie de respuesta de primer orden y camino de ascenso por la pendiente máxima.
Los experimentos son conducidos a través del camino de ascenso por la pendiente
máxima hasta que ya no se encuentre incremento en la repuesta. En este punto se
genera un nuevo modelo de primer orden. Se determina un nuevo camino y el
procedimiento continua. Eventualmente, el experimentador llegará a la vecindad de el
óptimo. Esto es comúnmente indicado por la falta de ajuste del modelo de primer
orden. En este momento se llevan a cabo experimentos adicionales, de segundo orden
o mayores para obtener una mejor estimación del óptimo.
Ejemplo 1
Una planta química produce oxigeno, licuando aire y separándolo en sus componentes
mediante destilación. La pureza de el oxigeno es una función de la temperatura y la
razón de la presión. Las condiciones actuales de operación son: Temperatura = -220ªC
y Presión = 1.2. Mediante los siguientes datos, encuentre el camino de la pendiente de
máximo ascenso.
Temperatura (E1) Presión (E2) Pureza

-225 1.1 82.8
-225 1.3 83.5
-215 1.1 84.7
-215 1.3 85.0
-220 1.2 84.1
-220 1.2 84.5
-220 1.2 83.9
-220 1.2 84.3
Tabla 5-4.1 Datos Ejemplo 1
Tenemos un diseño central compuesto con cuatro replicas en el punto (-220,1.2). Estas observaciones nos
sirven para estimar el error experimental y permite checar la adecuación del modelo de primer orden a
utilizar.
Para simplificar los cálculos, las variables independientes serán codificadas en el intervalo (-1,1).
E1  C
Para codificar utilizamos la fórmula: x1 
P
Donde:
E1= Variable natural.
C = punto central
P = Tamaño del paso
E1  ( 220) E 2  1.2
x1  x2 
5 .1
Convirtiendo las variables naturales en variables codificadas tenemos:
E1 E2 X1 X2 Y
-225 1.1 -1 -1 82.8
-225 1.3 -1 1 83.5
-215 1.1 1 -1 84.7
-215 1.3 1 1 85.0
-220 1.2 0 0 84.1
-220 1.2 0 0 84.5
-220 1.2 0 0 83.9
-220 1.2 0 0 84.3
Tabla 5-4.2 Datos con variables codificadas. X1 y x2
Corremos un diseño factorial 22 central compuesto23 en Minitab el cual nos permite:

1. Obtener una estimación del error.
2. Checar interacciones en el modelo.
3. Checar efectos cuadráticos (curvatura)
Fractional Factorial Fit: Y versus Temperatura, Presión
Estimated Effects and Coefficients for Y (coded units)
Term Effect Coef SE Coef T P
23
Ver 5-2 DOE Central.
Constant 84.0000 0.1291 650.66 0.000

Temperat 1.7000 0.8500 0.1291 6.58 0.007
Presión 0.5000 0.2500 0.1291 1.94 0.148
Temperat*Presión -0.2000 -0.1000 0.1291 -0.77 0.495
Ct Pt 0.2000 0.1826 1.10 0.353
Analysis of Variance for Y (coded units)

Main Effects 2 3.14000 3.14000 1.57000 23.55 0.015
Curvature 1 0.08000 0.08000 0.08000 1.20 0.353
Residual Error 3 0.20000 0.20000 0.06667
Pure Error 3 0.20000 0.20000 0.06667
Total 7 3.46000
Tabla 5-4.3 ANOVA Ejemplo 1

.
Usando los coeficientes de la primera tabla obtenemos el modelo de primer orden:
yˆ  84  .85 x1  .25 x 2
Checando la adecuación del modelo:
1. Error .- los coeficientes de regresión  1 y  2 son relativamente grandes en comparación con el

error = 0.06, por lo cual este punto cumple.
2. Interacciones : De la tabla de ANOVA observamos que las interacciones no son significativas.
3. Curvatura: La curvatura no es significativa por lo cual el modelo es adecuado.
Para movernos de el diseño central en el punto (x1 = 0, x2 = 0), a través de la pendiente de máximo ascenso,
tenemos que movernos .85 unidades en la dirección X1 por cada .25 unidades en la dirección X2. La
pendiente es .25/.85 = .29. Se decide usar 5 º C de Temperatura como el tamaño de cada paso. Usando las
relaciones:
E1 E 2
x1  , x 2  y x 2  mx1
5 .1
Donde:
  incremento
m = pendiente
Calculamos
E1  5x1  5º C
x 2   .29 1  .29
E 2   .1 .29   .029

La ruta de ascenso por la pendiente máxima es.
x1 x2 E1 E2
origen 0 0 -215 1.1
d -1 0.29 -5 1.229
1d -1 0.29 -220 1.23
2d -2 0.58 -225 1.26
3d -3 0.87 -230 1.29
4d -4 1.16 -235 1.32
5d -5 1.45 -240 1.35
6d -6 1.74 -245 1.37
7d -7 2.03 -250 1.40
8d -8 2.32 -255 1.43
9d -9 2.61 -260 1.46
10d -10 2.9 -265 1.49
11d -11 3.19 -270 1.52
12d -12 3.48 -275 1.55
Tabla 5-4.4 Ruta de ascenso.
d = incremento
Ejemplo 224:
Los datos siguientes fueron colectados por un Ingeniero químico. La respuesta y es rendimiento, X1 es el
tiempo de reacción y X2 es la temperatura. Ajuste un modelo de segundo orden y analice la superficie de
respuesta.
Variables Naturales Variables Codificadas Respuesta

E1 E2 X1 X2 Y
80 170 -1 -1 76.5
80 180 -1 1 77.0
90 170 1 -1 78.0
90 180 1 1 79.5
85 175 0 0 79.9
85 175 0 0 80.3
85 175 0 0 80.0
85 175 0 0 79.7
85 175 0 0 79.8
92.07 175 1.414 0 78.4
77.93 175 -1.414 0 75.6
85 182.07 0 1.414 78.5
85 167.93 0 -1.414 77.0
Tabla 5-4.5 Datos Ejemplo 2.
24
Douglas C. Montgomery, Design and Analysis of Experiments, Third Edition. Pp. 534
Usando Minitab procedemos de la siguiente manera:
Seleccionamos: STAT >DOE >RESPONSE SURFACE > CREATE RESPONSE SURFACE DESIGN
Aparece la ventana en le cual escogemos el tipo de diseño Central Compuesto (por default), en Número de
factores escogemos 2, que son el número de factores que tiene nuestro experimento.
Seleccionamos la opción Designs, en la ventana dejamos las opciones por default, que son las que se ajustan a
nuestro diseño.
En la opción factors, escribimos el nombre de los factores que en este caso son:
A: Tiempo de reacción.
B: Temperatura.
En opciones quitar Randomize runs, de lo contrario el experimento cambiará el orden.

En Results seleccionamos Summary table and data table , para generar la tabla de datos.
En la hoja de trabajo worksheet , incluimos los valores de la variable Y, de acuerdo a los valores de las
variables independientes.
Seleccionamos STAT > DOE > RESPONSE SURFACE > ANALYZE RESPONSE SURFACE DESIGN
En la ventana seleccionamos la variable de respuesta Y

En la opción terms seleccionamos Full quadratic (ya que es un modelo de segundo orden) y verificamos que
los factores e interacciones estén del lado derecho.
Seleccionamos las siguientes gráficas:

En resultados seleccionamos : Coefficients and ANOVA table
El sistema despliega los siguientes resultados:
Normal Probability Plot of the Residuals

(response is Y)
1
Normal Score
-1
-2
-0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4
Residual
Figura 5-4.3 Gráfica de probabilidad normal. en la cual observamos que la tendencia es aproximadamente
normal.
Residuals Versus the Fitted Values

(response is Y)
0.4
0.3
0.2
Residual
0.1
0.0
-0.1
-0.2
-0.3
76 77 78 79 80
Fitted Value
Figura 5-4.3Gráfica de residuos: los puntos en la gráfica tienen una apariencia normal, no se observan
tendencias.
Response Surface Regression: Y versus Tiempo, Temperatura

The analysis was done using coded units.
Estimated Regression Coefficients for Y
Term Coef SE Coef T P

Constant 79.940 0.11896 671.997 0.000
Tiempo 0.995 0.09405 10.580 0.000
Temperat 0.515 0.09405 5.478 0.001
Tiempo*Tiempo -1.376 0.10085 -13.646 0.000
Temperat*Temperat -1.001 0.10085 -9.928 0.000
Tiempo*Temperat 0.250 0.13300 1.880 0.102
S = 0.2660 R-Sq = 98.3% R-Sq(adj) = 97.0%
Analysis of Variance for Y

Regression 5 28.2478 28.2478 5.64956 79.85 0.000
Linear 2 10.0430 10.0430 5.02148 70.97 0.000
Square 2 17.9548 17.9548 8.97741 126.88 0.000

Interaction 1 0.2500 0.2500 0.25000 3.53 0.102
Residual Error 7 0.4953 0.4953 0.07076
Lack-of-Fit 3 0.2833 0.2833 0.09443 1.78 0.290
Pure Error 4 0.2120 0.2120 0.05300
Total 12 28.7431
Tabla 5-4.6 ANOVA Ejemplo 2
De la tabla de coeficientes determinamos el modelo de segundo orden:


y  79.94  .995x1  .515x 2  1.376 x12  1.001x 22  .250 x1 x 2
De la tabla de ANOVA concluimos lo siguiente :

La Regresión es significante P = 0. Los coeficientes de regresión son relativamente grandes comparados con
el eror P = 0.053. La falta de ajuste Lack-of Fit P =.290 lo cual no es significativo.
Por lo anterior consideramos el modelo de segundo orden adecuado.
La forma natural de esta ecuación polinomial es mostrada como un diagrama de contorno en la figura 3 y y un
diagrama de Superficie de respuesta en la figura 4.
Contour Plot of Y
75
76
180 77
78
79
Temperature
80
175
170
Surface
80 Plot of Y90
85
Time
Figura 5-4.4 Gráfica de Contornos de superficie de respuesta, observamos que los valores óptimos se
encuentran aproximadamente en: X1 Tiempo = 87, X2 Temperatura = 177. Y =80
80.5
79.5
78.5
77.5
76.5
Y
75.5
74.5
180
73.5
175
Temperature
80 170
85
Time 90
Fig. 5-4.5 Gráfica tridimensional de Superficie de Respuesta
5-3 DISEÑO DE EXPERIMENTOS TAGUCHI
La parte fundamental de la metodología ideada por el matemático japonés G. Taguchi es la

optimización de productos y procesos, a fin de asegurar productos robustos, de alta calidad
y bajo costo.
La metodología Taguchi consta de tres etapas:
a) Diseño del sistema

b) Diseño de parámetros
c) Diseño de tolerancias
De estas tres etapas, la más importante es el diseño de parámetros cuyos objetivos son:
a) Identificar qué factores afectan la característica de calidad en cuanto a su magnitud y en
cuanto a su variabilidad.
b) Definir los niveles “óptimos” en que debe fijarse cada parámetro o factor, a fin de
optimizar la operación del producto y hacerlo lo más robusto posible.
c) Identificar factores que no afectan substancialmente la característica de calidad a fin de
liberar el control de estos factores y ahorrar costos de pruebas.
Para lograr lo anterior se ha manejado una serie de herramientas estadísticas conocida como
diseño de experimentos, tratadas anteriormente.
Taguchi ha propuesto una alternativa no del todo diferente que se que conoce como:
Arreglos Ortogonales y las Gráficas Lineales.
La herramienta utilizada normalmente son diseños Factoriales fraccionados, sin embargo

cuando el número de factores se ve incrementado, las posibles interacciones aumentan, así
como la complicaciones para identificar cuáles son las condiciones específicas a
experimentar.
Un arreglo ortogonal se puede comparar con una replicación factorial fraccionada, de

manera que conserva el concepto de ortogonalidad y contrastes. Un experimento factorial
fraccionado es también un arreglo ortogonal .
Taguchi desarrolló una serie de arreglos particulares que denominó:
La (b)C
Donde:
a = Representa el número de pruebas o condiciones experimentales que se tomarán. Esto
es el número de renglones o líneas en el arreglo.
b=
No. de factores a analizar Arreglo a utilizar No. de condiciones a probar
Entre 1 y 3 L4 4
Entre 4 y 7 L8 8
Entre 8 y 11 L12 12
Entre 12 y 15 L16 16
Entre 16 y 31 L32 32
Entre 32 y 63 L64 64
Representa los diferentes niveles a los que se tomará cada factor.
c = Es el número de efectos independientes que se pueden analizar, esto es el número de
columnas.
Arreglos ortogonales para experimentos a dos niveles

En esta sección, se analiza qué son, cómo se usan y cuáles son los arreglos ortogonales más importantes para
experimentos en los que cada factor toma dos niveles.
F A C T O R E S (c)
No. (a) A B C Resultado
1 1 1 1 Y1
2 1 2 2 Y2
3 2 1 1 Y3
4 2 2 1 Y4
1 , 2 = Niveles de los Factores (b)
Un arreglo ortogonal es una tabla de números. Como ejemplo de un arreglo ortogonal tenemos el siguiente:
De acuerdo con la notación empleada por Taguchi al arreglo mostrado como ejemplo, se le llama un
arreglo L4, por tener cuatro renglones. (Tabla 5-3.1)
En general, para un arreglo a dos niveles, el número de columnas (efectos o factores) que se pueden analizar,
es igual al número de renglones menos 1.
Taguchi ha desarrollado una serie de arreglos para experimentos con factores a dos niveles, los más
utilizados y difundidos según el número de factores se muestran en la (Tabla 5-3.2)
Tabla 5-3.1 Arreglo L4

Tabla 5-3.2 Arreglos más comúnmente utilizados

Ver ANEXO 1.- Tablas de Arreglos Ortogonales
Ejemplo 1:
En un proceso de formación de paneles una característica no deseada es la emisión de formaldehído en el

producto final. Se desea que esta emisión sea lo mínima posible. Actualmente se estima en 0.45 ppm. (partes
por millón).
Se cree que cinco factores pueden estar afectando la emisión, estos son: tipo de resina, concentración de la
solución, tiempo de ciclo de prensado, humedad y presión.
Si se desea analizar el efecto de estos factores, es necesario variarlos, esto es probarlos bajo diferentes valores
cada uno. A cada uno de estos valores se les llama nivel. Se requieren de al menos dos niveles o valores
distintos para cada factor. A uno de ellos arbitrariamente le llamamos nivel bajo o nivel “1”, al otro nivel alto
o nivel “2”. En la tabla siguiente tabla encontramos los cinco factores, en sus dos niveles.
Factor Descripción Nivel I Nivel 2

A Tipo de resina Tipo I Tipo II
B Concentración 5% 10%
C Tiempo de ciclo de prensado 10 seg 15 seg
D Humedad 3% 5%
E Presión 800 psi. 900 psi.
Tabla 5-3.3 Ejemplo 1 formación de formaldehído
En este caso estamos interesados en analizar el efecto de 5 efectos o factores a dos niveles cada uno, por lo
tanto, se usará un arreglo ortogonal L8. Esto implica que se ejecutarán 8 pruebas o condiciones
experimentales. Por otra parte se disponen de 7 columnas, a cada columna se le puede asignar o asociar un
factor. Si en particular, asignamos los factores en orden a las primeras cinco Columnas, dejando libres las
últimas dos columnas, el arreglo queda:
No. A B C D E e1 e2 Resina Concen. Tiempo Humedad Presión Yi

1 1 1 1 1 1 1 1 Tipo I 5% 10 seg. 3% 800 psi. 0.49
2 1 1 1 2 2 2 2 Tipo I 5% 10 seg. 5% 900 psi. 0.42
3 1 2 2 1 1 2 2 Tipo I 10% 15 seg. 3% 800 psi. 0.38
4 1 2 2 2 2 1 1 Tipo I 10% 15 seg. 5% 900 psi. 0.30
5 2 1 2 1 2 1 2 Tipo II 5% 15 seg. 3% 900 psi. 0.21
6 2 1 2 2 1 2 1 Tipo II 5% 15 seg. 5% 800 psi. 0.24
7 2 2 1 1 2 2 1 Tipo II 10% 10 seg. 3% 900 psi. 0.32
8 2 2 1 2 1 1 2 Tipo II 10% 10 seg. 5% 800 psi. 0.28
Tabla 5-3.4 Arreglo ortogonal L8

TOTAL 2.64
Observe que en las columnas que quedaron vacías, se ha escrito la letra e 1,y e2 respectivamente esto para
indicar que en ellas se evaluará la variación natural o error aleatorio.
Si no se asigna ningún factor, es de esperar que ahí se manifieste la variación natural. Los resultados de Yi se
muestran en ppm.
El análisis de resultados, se puede efectuar de dos maneras diferentes. Una de ellas mediante una serie de
gráficas, la otra mediante el análisis de varianza, en este ejemplo se muestra primero el uso del análisis de
varianza, posteriormente se muestra el uso de gráficas.
Análisis de varianza
1) Como primer paso, se obtienen los totales de la variable de respuesta o lecturas, para cada uno de los
niveles de los factores.
Para calcular los totales para cada nivel del factor A, observamos que las primeras cuatro
pruebas del arreglo se efectuaron con el factor a su nivel 1 (Resina tipo I) y las siguientes
cuatro a su nivel 2 (resina tipo II).
Los totales son por lo tanto:
A1= total de las lecturas que se tomaron con el factor A a su nivel 1

= 0.49+0.42+0.38+0.30=1.59
A2= total de las lecturas que se tomaron con el factor A a su nivel 2

= 0.21+0.24+0.32+0.28= 1.05
Para el factor D se tiene que las pruebas 1,3,5 y 7 se efectuaron a su nivel 1 (humedad del
5%), por lo tanto los totales son:
D1= Total de las lecturas que se tomaron con el factor D a su nivel 1

= 0.49+0.38+0.21+0.32= 1.40
D2= Total de las lecturas que se tomaron con el factor D a su nivel 2

= 0.42+0.30+0.24+0.28= 1.24
En resumen se tiene:
Factor A B C D E e e
Nivel 1 1.59 1.36 1.51 1.40 1.39 1.28 1.35
Nivel 2 1.05 1.28 1.13 1.24 1.25 1.36 1.29
2.64 2.64 2.64 2.64 2.64 2.64 2.64
Observe que la suma de los dos niveles debe dar siempre el total de las ocho lecturas 2.64.
2) En seguida se obtiene una cantidad que llamaremos suma de cuadrados esta se calcula
como sigue:
Suma de los cuadrados del factor X = SSX = (Total nivel 2 – Total nivel 1)2/ n
Donde “n” representa el número total de lecturas que se tomaron.
Así por ejemplo, para el factor A, tendremos que dado que n=8 
SSA= (A2 –A1) 2/ 8= (1.59-1.05) 2/ 8=0.03645 con 1 g .1
Para el factor B se tiene

SSB= (B2 –B1) 2/ 8= (1.28-1.36) 2/ 8= 0.00080 con 1 g.1
Similarmente
SSC= (C2 –C1) 2/ 8= (1.13-1.51) 2/ 8= 0.01805 con 1 g.1
SSD= (D2 –D1) 2/ 8= (1.24-1.40) 2/ 8= 0.00320 con 1 g.1
SSE= (E2 –E1) 2/ 8= (1.25-1.39) 2/ 8= 0.00245 con 1 g.1
SSe= 0.00080 con 1 g.1
SSe= 0.00045 con 1 g.1
La suma de cuadrados de las columnas donde no se asignó factor (SSe) se toman como estimaciones del
error y se suman.
SSe= 0.00080+0.00045= 0.00125 con 2 g.1
3) Se construye una tabla ANOVA, ésta es:
Efecto SS G.l. V Fexp

A 0.03645 1 0.03645 58.32
B 0.00080 1 0.00080 1.28
C 0.01805 1 0.01805 28.88
D 0.00320 1 0.00320 5.12
E 0.00245 1 0.00245 3.92
Error 0.00125 2 0.000625
Total 0.0622 7
Bajo la columna SS se tienen las sumas de cuadrados. Bajo la columna G.l. (grados de
libertad), tendremos el número de columnas que se usaron para evaluar el factor, en este
caso, sólo puede ser de uno para cada factor y más de uno únicamente para el caso del
error.
La columna V, se obtiene dividiendo el número bajo la columna SS, entre el número de la

columna G.L.
Así por ejemplo, para el factor A se tiene
SSA= 0.03645, G.L. de A=1
V= SSA/G.L.= 0.03645/1= 0.03645
Por último, el valor de Fexp, se obtiene de dividir el valor de V de cada factor, entre el
valor de V para la estimación del error.
Fexp de A= V(A) / V(error)= 0.03645/0.000625=58.32
4) Obtenemos las siguientes conclusiones:
Todos aquellos factores, que tienen un valor de Fexp mayor que 2 se considera que
afectan la variable de respuesta, que en este caso es “emisión de formaldehído”. Estos son
llamados factores significantes.
En este ejemplo resultan significantes los factores A, C, D y E, tipo de resina, tiempo de

ciclo, humedad y presión respectivamente.
Se acostumbra que aquellos efectos que no resultaron significantes, se consideren como

error aleatorio, a fin de obtener una mejor estimación (con mayor número de grados de
libertad).
En este caso por ejemplo, una mejor estimación de SSe es:

SSe= SSB + SSe= 0.00080+0.00125= 0.00205
Con 1 + 2 = 3 grados de libertad y (Ve)= (SSe)/3= 0.00205/3= 0.00068
Las estimaciones que se obtienen de esta manera suelen escribirse entre paréntesis.
La tabla ANOVA queda ahora

Efecto SS G.1 V Fexp
A 0.03645 1 0.03645 53.60
C 0.01805 1 0.01805 26.54
D 0.00320 1 0.00320 4.71
E 0.00245 1 0.00245 3.60
Error 0.00205 3 0.00068
Total 0.0622 7
Tabla 5-3.6 Tabla de ANOVA modificada, incluyendo el Factor B no significante como

error.
Nos resta decidir a que nivel habrá de fijar cada factor significante, y qué podremos
esperar. Para tomar esta decisión, es de mucha ayuda obtener los promedios de las lecturas
que se tomaron a cada nivel para cada uno de los factores significantes.
Los promedios de la emisión de formaldehído para cada nivel se obtienen dividiendo cada
uno de los totales entre 4, (cada total es la suma de cuatro lecturas).
A1= A1/4= 1.59/4= 0.3975

A2= A2/4= 1.05/4= 0.2625
El resto de los promedio son:

Factor Nivel 1 Nivel 2
A A1= 0.3975 A2= 0.2625
B B1= 0.3400 B2= 0.3200
C C1= 0.3775 C2= 0.2825
D D1= 0.3500 D2= 0.3100
E E1= 0.3475 E2= 0.3125
Tabla 5-3.7 Promedio de los niveles de los factores.

El promedio general denotado como Y es:
Y= (0.49+0.42+0.38+0.30+0.21+0.24+0.32+0.28)/8=T/n= 2.64/8= 0.33
Los factores A, C, D y E que afectan emisión de formaldehído deberán fijarse al nivel

que minimicen la emisión, esto es, al nivel que se obtenga el promedio menor, en este
ejemplo; A2, C2, D2 y E2; resina tipo II, 15 segundos como tiempo de prensado, 5% de
humedad y 900 psi.
El factor B juega aquí un papel sumamente importante. Dado que no afecta la emisión de
formaldehído, dentro del intervalo analizado, se utiliza para reducir los costos de
producción. Esto se hace fijándolo a su nivel más económico. ¿Cuál será el nivel esperado
de emisión bajo las nuevas emisiones propuestas Y est.?
Para contestar esta pregunta, para cada efecto significante se calcula una resta, que
llamaremos el efecto de cada factor respecto al promedio general, para este caso el efecto es
EF A = (promedio bajo la condición propuesta del factor promedio general)

= A2 – Y= 0.2625-0.3300= -0.0675 (A se fijó a su nivel 2)

EF C = C2 – Y= 0.2825-0.3300= -0.0475
EF D = D2 – Y= 0.3100-0.3300=-0.0200
EF E = E2 – Y= 0.3125-0.3300= -0.0175
Finalmente, el resultado esperado bajo las condiciones A2, C2, D2, E2, que llamaremos Yest. se calcula
sumando al promedio general Y todos los efectos de los factores significantes.
Yest= Y + EF A + EF C +EF D +EF E = 0.3300-0.0675-0.0475-0.0200-0.0175=0.1775
Análisis utilizando gráficas
Existe una alternativa al análisis ANOVA, esta es una serie de gráficas que se muestran
enseguida.
1) Primero se obtienen los promedios en cada nivel, para cada uno de los factores,
incluyendo las columnas vacías.
Para hacer esto, encontramos los totales para cada nivel y dividimos entre el número de
lecturas con el que se obtuvo cada total. Para nuestro ejemplo, los totales a cada nivel los
tenemos ya en la sección anterior. Los promedios son:
Nivel 1 0.3975 0.3400 0.3775 0.3500 0.3475 0.3200 0.3325
Nivel 2 0.2625 0.3200 0.2825 0.3100 0.3125 0.3400 0.3225
Promedio global Y= T/n= 2.64/8 = 0.33
Tabla 5-3.8 Totales por nivel
Observe que para cada factor, uno de los promedios es mayor y el otro menor que el
promedio global. Esto siempre debe de ocurrir.
2) Calcule la diferencia entre los promedios de niveles para cada factor, y ordénelos de
mayor a menor en valor absoluto.
Esto es por ejemplo para el factor A
A1 – A2 = 0.3975 – 0.2625= 0.1350; para el resto tenemos:
Diferencia 0.1350 0.0200 0.0950 0.0400 0.0350 0.0200 0.0100
En la tabla de ANOVA encontramos los resultados obtenidos anteriormente:

Nº A B C D E e1 e2
Yi
1 1 1 1 1 1 1 1 0.49
2 1 1 1 2 2 2 2 0.42
3 1 2 2 1 1 2 2 0.38
4 1 2 2 2 2 1 1 0.30
5 2 1 2 1 2 1 2 0.21
6 2 1 2 2 1 2 1 0.24
7 2 2 1 1 2 2 1 0.32
8 2 2 1 2 1 1 2 0.28
T1 1.59 1.36 1.51 1.40 1.39 1.28 1.35 Tot
T2 1.05 1.28 1.13 1.24 1.25 1.36 1.29
2.64
SS 0.03645 0.00080 0.01805 0.00320 0.00245 0.00080
0.00045 Ve
gl 1 1 1 1 1 1 1
2
V 0.03645 0.00080 0.01805 0.00320 0.00245 .00062
F 58.32 1.28 28.88 5.12 3.92
Sg si no si si si
P1 0.3975 0.3400 0.3775 0.3500 0.3475
Y
P2 0.2625 0.3200 0.2825 0.3100 0.3125
0.33
Ni 2 - 2 2 2
Ef -0.0675 -0.0475 -0.0200 -0.0175
Tabla 5-3.9 Tabla completa de ANOVA
Nomenclatura
Yest. = Y + Ef A2 + Ef C2 + Ef D2 + Ef E2
T1 = Total de lecturas al nivel 1

T2 = Total de lecturas al nivel 2
n = Número total de lecturas
SS = (T2 - T1 )2 /n
gl = Grados de libertad (columnas)
V = SS/gl
F = V/Ve
Sg = ¿Efecto significante?
P1 = Promedio nivel 1
P2 = Promedio nivel 2
Ni = Nivel seleccionado
Ef = Efecto de la variable
Y = Promedio de todos los datos
Yest = Valor estimado de la variable a las condiciones propuestas
Ordenando de mayor a menor valor absoluto (ignorando el signo), tenemos:
Factor A C D E B e e
Diferencia 0.1350 0.0950 0.0400 0.0350 0.0200 0.0200
0.0100
Se puede observar que el orden en que quedaron los datos anteriores, es también el orden
de mayor a menor Fexp que se obtiene con la ANOVA.
Siguiendo el orden anterior, se obtiene una gráfica como se muestra en seguida:
.40
.35
.33
.30
.25
A1 A 2 C1 C2 D1 D2 E1 E2 B1 B2 e 1 e 2 e1 e2
Figura 5-3.1 Gráfica de Efectos por nivel de los factores significativos.
Mediante esta gráfica, se puede evaluar el efecto de cada factor. Entre mayor sea la línea de cada factor, o
bien, entre más vertical se encuentre, mayor será el efecto de este factor.
Observamos un grupo de líneas inclinadas, seguida de un grupo de líneas que súbitamente

se “acuestan” o se hacen horizontales. Es de esperar que las líneas que presentan columnas
vacías o error aleatorio, quedan prácticamente horizontales
Observe que las conclusiones a que se llegamos en este ejemplo son similares a las de la
ANOVA, esto es, factores significantes A, C, D y e, igualmente los niveles recomendados
se pueden identificar rápidamente, si deseamos reducir la variable de respuesta, se toma el
nivel más bajo, en este caso A2, C2, D2 y E2, es decir, los puntos por debajo de la línea
promedio global.
En conclusión, el método gráfico puede ser utilizado para fines de exposición o presentación y el
ANOVA para fines de tomar una decisión más objetiva.
Arreglos ortogonales para factores con interacciones:
Como hemos visto anteriormente en los procesos de producción se producen interacciones. En esta sección
describiremos esta situación.
En los casos anteriores se asumió que el efecto de un factor sobre la variable de respuesta,
no dependía del nivel de otros factores. Cuando el efecto de un factor depende del nivel de
otro factor, se dice que existe una interacción entre los factores.
Supongamos que en un experimento se ha encontrado que la temperatura y el tipo de
refrigerante, afectan la variable de respuesta llamada planicidad. Existen dos marcas de
refrigerante, la marca I y la marca II. Resulta que si usamos el refrigerante I, al aumentar la
temperatura la planicidad aumenta. Pero si se utiliza la marca de refrigerante II, al aumentar
la temperatura, la planicidad disminuye.
Si nos preguntamos cual es el efecto de la temperatura sobre la planicidad, podemos

contestar que depende del tipo de refrigerante que se utilice. En este caso se dice que existe
una interacción entre la temperatura y el refrigerante.
Otro ejemplo es el caso de 2 medicamentos que al suministrarse en forma independiente,

provocan mejoría en las condiciones del paciente. Por otro lado, cuando los dos
medicamentos son suministrados al mismo tiempo y la condición del paciente empeora, se
dice que los dos medicamentos interactúan.
Gráficamente se puede observar si existe o no interacción entre los factores:
B1
B1
B2
B2
A1 A2 A1 A2
Las dos líneas son paralelas, no El efecto de A depende del

nivel de B
existe interacción entre los factores. y viceversa. El efecto de A no es
consistente.
Existe interacción
Figura 5-3.2 Gráficas sin interacción y con interacción.
Las interacciones existen en los procesos en mayor o menor grado.
En las secciones anteriores se analizaron aplicaciones de arreglos ortogonales, en los

cuales no existían interacciones entre los factores principales. En otros casos, podemos
estar interesados en analizar el efecto que algunas interacciones en particular tienen sobre la
variable de respuesta.
Interacciones en arreglos ortogonales :
a) los arreglos ortogonales a utilizar para los casos con interacciones, son exactamente los mismos
que se usan para el caso sin interacciones.
b) al asignar dos factores, A y B por ejemplo, a ciertas columnas, automáticamente la
interacción de esos dos factores AxB se reflejará en otra columna del arreglo. Por lo tanto,
esta tercera columna ya no podrá ser utilizada por algún otro factor o interacción a menos
que se pueda suponer la interacción AxB como inexistente.
c) una interacción significante que se desee probar, tomará una columna y en consecuencia
un grado de libertad. Por lo tanto, si deseamos analizar el efecto de 6 factores y 4 de las
interacciones entre ellos, requerimos por lo menos de 10 grados de libertad, esto es de 10
columnas, o sea un arreglo L 16 y no un arreglo L8, que sería suficiente sin interacciones.
d) se deberá tener cuidado especial, en la manera como se asignan los factores a las
columnas, para que sus interacciones no se confundan con otros factores principales u otras
interacciones que también deseamos probar.
Una condición que existe para el manejo de las interacciones mediante procedimientos de
arreglos ortogonales Taguchi, es que se tenga una definición “a priori “ de cuales
interacciones específicamente sospechamos que existen. Esto es, debemos definir de
antemano qué interacciones creemos son relevantes, a fin de incluirlas en nuestro análisis.
Esto se puede saber en base a la experiencia previa del proceso.
Para ayudar en la asignación de factores a un arreglo, se han desarrollado gráficas lineales.
Su aplicación se muestra mediante un ejemplo:
NOTA: En los ejemplos que siguen, para denotar una interacción entre dos factores, A y B
por ejemplo, se utiliza indistintamente la notación AB o AxB.
Gráficas lineales
A continuación se muestra un arreglo L8 junto con una matriz triangular y dos gráficas lineales. Estas
se reproducen aquí para su explicación.
Columnas
Nº 1 2 3 4 5 6 7 Columnas 1 2 3 4 5 6 7
1 1 1 1 1 1 1 1 (1) 3 2 5 4 7 6
2 1 1 1 2 2 2 2 (2) 1 6 7 4 5
3 1 2 2 1 1 2 2 (3) 7 6* 5 4
4 1 2 2 2 2 1 1 (4) 1 2 3
5 2 1 2 1 2 1 2 (5) 1 2
6 2 1 2 2 1 2 1 (6) 1
7 2 2 1 1 2 2 1 (7)
8 2 2 1 2 1 1 2
Arreglo ortogonal L8 Matriz o tabla de interacciones
1 3
2
3 5 1
.7 5 4
6
2 6 4 7
(b)
(a)
Figura 5-3.3 Arreglo ortogonal y matriz de interacciones.- Que representa cada tabla? El arreglo ortogonal L8 es
exactamente el mismo que se utilizó en el caso experimental y cada columna un factor o interacción cuyo impacto sobre la
variable de respuesta se desea conocer.
La matriz triangular nos representa las interacciones entre columnas. En el primer renglón, con el titulo de columna, cada
número corresponde a la columna con ese mismo número del arreglo, al igual que los números entre paréntesis que se
encuentran en la diagonal inferior. Por ejemplo, si nosotros asignamos el factor A a la columna 3 y el factor B a la
columna 5, la interacción de AxB aparecerá en otra columna ya definida. En el cruce de la columna número 5 y el renglón
número 3 de la matriz, aparece el número 6 (marcado con * en la tabla), de manera que la interacción de AxB se deberá
asignar a la columna 6 del arreglo ortogonal.
Con ayuda de matriz de interacciones es factible, mediante prueba y error, asignar los factores a las columnas. Sin
embargo, para simplificar aun más esta asignación nos podemos auxiliar de las gráficas lineales (a) y (b) que se muestran.
En una gráfica lineal:
a) un efecto principal se representa mediante un punto.

b) una interacción se representa mediante una línea.
c) los números representan las columnas correspondientes del arreglo ortogonal a donde se
asignan los efectos principales y las interacciones.
En particular, el arreglo ortogonal L8 tiene dos alternativas de arreglo mostrados por las
gráficas (a) y (b) respectivamente.
Por ejemplo, la gráfica (a) indica que con este arreglo se pueden analizar, tres factores
principales, (puntos 1, 2 y 4) y las interacciones entre ellos, (líneas 3, 5 y 6), además de un
cuarto factor, (punto 7), que no interactúa con los otros tres.
Los números indican que si deseamos lo anterior, los tres factores deberán asignarse a las
columnas 1, 4 y 2. Las interacciones aparecen en las columnas 3, 5 y 6.
La gráfica (b) indica cuatro factores, (puntos 1, 2, 4 y 7) con interacciones de uno de ellos
con los otros tres (líneas 3, 5 y 6).
Por lo tanto, el factor que interactúa con los otros tres se debe asignar a la columna 1 del
arreglo, los otros tres factores a las columnas 2, 4 y 7. Las interacciones quedarán en las
columnas 3, 5 y 6.
Si se desea analizar un número menor de interacciones y un número mayor de factores en

el mismo arreglo ortogonal, la columna de cualquier línea representando una interacción
que no es relevante, se puede utilizar para representar un factor adicional.
La aplicación de gráficas lineales se muestra con un ejemplo.
Supongamos que queremos analizar el efecto de cuatro factores A, B, C y D, además de

las interacciones AxB, AxC y AxD.
1) Como primer paso, seleccionamos un arreglo ortogonal tentativo. Esto depende del
número de efectos totales a analizar.
4 factores + 3 interacciones = 7 efectos o columnas
2) Después de seleccionar un arreglo ortogonal tentativo, un L8 en este caso, el siguiente

paso es desarrollar la gráfica lineal que deseamos, de acuerdo con las reglas mencionadas
anteriormente:
a) un efecto individual se representa con un punto.

b) una interacción se representa mediante una línea que une los dos efectos
individuales.
En nuestro caso esto procede como sigue:
Primero dibujamos cuatro puntos, uno para cada efecto.

A. B.
C. D.
En seguida mostramos las interacciones que nos interesan, mediante líneas. Para nuestro
caso tenemos (gráfica de la izquierda):
AxB 3
A B 1 2
AxC AxD 5
6
C D
7 4
Figura 5-3.4 Gráfica Lineal (1). En la cual se muestran los factores y sus
interacciones.
3) Utilizando la segunda gráfica, podremos asignar el factor A a la columna 1, el factor B a

la columna 2, la interacción AxB a la columna 3, el factor D a la columna 4, la interacción
AxD a la columna 5, el factor C a la columna 7 y la interacción AxC a la columna 6.
Esto es:
A B AxB D AxD AxC C

Nº 1 2 3 4 5 6 7
1 1 1 1 1 1 1 1
2 1 1 1 2 2 2 2
3 1 2 2 1 1 2 2
4 1 2 2 2 2 1 1
5 2 1 2 1 2 1 2
6 2 1 2 2 1 2 1
7 2 2 1 1 2 2 1
8 2 2 1 2 1 1 2
Tabla 5-3.10
Supongamos que ahora queremos analizar un factor más, el factor E y creemos que la
interacción AxC realmente no es relevante. La gráfica lineal que requerimos es:
B
AxB
A AxC C E
AxD
D
Figura 5-3. 5 Gráfica lineal (2) en la cual se desea analizar un factor más (E)
Esta gráfica es parecida a la gráfica lineal (2) excepto por la interacción de AxC, por lo
tanto, una asignación lógica es: Factor A la columna 1, factor B a la columna 2, interacción
AxB a la columna 3, el factor C a la columna 4, el factor D a la columna 7, la interacción
AxD a la columna 6. Por último, a la columna 5 que de otra manera sería la interacción
AxC, se le asigna el factor E. Observe que en este último caso, también se pudo utilizar la
gráfica lineal (1).
Si por alguna razón, la gráfica que deseamos, no puede quedar incluida en las gráficas
lineales (1) ó (2) es necesario usar otro arreglo ortogonal de mayor tamaño.
Si deseamos analizar los factores A, B, C, D, E y F, además de la interacción AxB, una
posible asignación es:
Efecto A D C B AxB E F
Columna 1 2 3 4 5 6 7
Ejemplo 2:
Se desea analizar un nuevo tipo de carburador. La variable de respuesta de interés es el

porcentaje de hidrocarburos no quemados que arroja el motor. Cuatro diferentes factores y
tres interacciones parecen afectar esta variable:
Efecto Descripción Niveles

I II
A Tensión del diafragma Baja Alta
B Entrada para aire Estrecha Abierta
C Apertura para Pequeña Grande
combustible
D Flujo de gasolina Lento Rápido
AxC Interacción
AxB Interacción
BxC Interacción
Tabla 5-3.11 datos Ejemplo 2
La Gráfica lineal que se desea es:
A
AxC AxB
C B .D
CxB
Figura 5-3.6 Gráfica lineal ejemplo 2.
Esta gráfica se ajusta a la gráfica lineal (1) del arreglo ortogonal L8, por lo que una
asignación apropiada de efectos es:
N A C AxC B AxB CxB

º D
1 2 3 4 5 6 7 Tensión Apertura Entrada Flujo Yi
1 1 1 1 1 1 1 1 Baja Pequeña Estrecha Lento
11.2
2 1 1 1 2 2 2 2 Baja Pequeña Abierta
Rápido 10.8
3 1 2 2 1 1 2 2 Baja Grande Estrecha
Rápido 7.2
4 1 2 2 2 2 1 1 Baja Grande Abierta Lento
7.0
5 2 1 2 1 2 1 2 Alta Pequeña Estrecha
Rápido 8.0
6 2 1 2 2 1 2 1 Alta Pequeña Abierta Lento
6.9
7 2 2 1 1 2 2 1 Alta Grande Estrecha Lento
10.4
8 2 2 1 2 1 1 2 Alta Grande Abierta
Rápido 10.1
Total
71.6
Tabla 5-3.12 Arreglo Ortogonal
* El resultado se expresa en porcentaje de hidrocarburos sin quemar.
El análisis utilizado ANOVA es:
A C AxC B AxB BxC D

Nivel 1 36.2 36.9 42.5 36.8 35.4 36.3 35.5
Nivel 2 35.4 34.7 29.1 34.8 36.2 35.3 36.1
La tabla ANOVA que resulta es:

A 0.0800* 1 0.0800 -
C 0.6050 1 0.6050 8.85
AxC 22.4450 1 22.4450 328.46
B 0.5000 1 0.5000 7.32

AxB 0.0800* 1 0.0800 -
BxC 0.1250 1 0.1250 1.83
D 0.0450* 1 0.0450 -
(e) 0.2050 3 0.0638
Total 23.8800 7
El error aleatorio (e) se estima usando los efectos más pequeños marcados con *
Resulta significante la interacción AXC, el factor C y el factor B.

Dado que el factor B resulta significante, pero no son significantes alguna de sus
interacciones, su mejor nivel se puede decidir de manera independiente al igual que se
realizó en secciones anteriores. Esto es, se obtienen los promedios:
B1= B1 /4= 36.8/4= 9.20; B2 = B2/4=8.70
Como es un caso de menor es mejor, se selecciona el nivel 2.
El factor C también resulta significante. Sin embargo, también lo es su interacción con el

factor A. Cuando resulta significante la interacción de algún factor, no se puede analizar
por separado, sino en conjunto con el factor con el que se interactúa. En este caso, el factor
C se debe analizar en conjunto con el factor A, aun cuando el factor C resultó además
significante individualmente y el factor A no.
Para analizar estos factores, se reproducen aquí las columnas de A y C:
Nº A C Yi
1 1 1 11.20 Siempre existirán entre dos columnas
2 1 1 10.80 cuatro posibles combinaciones de
3 1 2 7.2 números: 1 1; 1 2; 2 1; 2 2
4 1 2 7.0
5 2 1 8.0
6 2 1 6.9
7 2 2 10.4
8 2 2 10.1
Tabla 5-3.14 Análisis de factores A y C
Así la combinación 1 1 se presenta en los renglones Nº 1 y 2, lo que da un total de lecturas

de 11.2 + 10.8= 22.00 con un promedio de 22.0/2= 11.00
En resumen
Combinación Total Promedio

A1 C1 22.0 11.00 Como es un caso mejor,
A1 C2 14.2 7.10 se selecciona el promedio
A2 C1 14.9 7.45 menor, A1 C2.
A2 C2 20.5 10.25 caso.
Graficando estos promedios se tiene que:
11.0
10.0
C2
9.00
8.00
C1
7.00
A1 A2
Figura 5-3.15 Interacción AC
En resumen, las condiciones propuestas son: factor A a su nivel 1, factor C a su nivel 2,

factor B a su nivel 2. El resto a su nivel más económico.
El efecto respecto al promedio de cada factor o interacción es:
EF A1C2 = (A1C2 - Y) – (A1 – Y) - (C2 - Y)
= (7.10 – 8.95) – (9.05 – 8.95) – (8.675 – 8.95)= -1.675
Observe que al efecto de la interacción, se le resta el efecto de los factores individuales que
intervienen (hayan resultado significantes de manera individual o no).
EF B2= B2 – Y= 8.70 – 8.95= -0.25
Una estimación del porcentaje de hidrocarburos sin quemar es igual a la suma de los
efectos significantes, incluyendo los factores que intervienen en una interacción
significante, hayan resultado significantes de manera individual o no.
Yest = Y + EF A1 C2 + EF A1 + EF C2 + EF B2
= 8.95 + (-1.675) + (9.05 – 8.95) + (8.675 – 8.95) + (-0.25)= 6.85
Algunos comentarios adicionales
Hasta aquí se han considerado ejemplos para arreglos ortogonales L8, por su comodidad en cuanto al tamaño.
A continuación se hacen algunos comentarios sobre otros arreglos.
 El arreglo L12 es un caso especial. Se observa que no se muestran gráficas lineales ni

matriz de interacciones, esto es porque está diseñado para analizar únicamente hasta
once factores individuales sin interacciones. Con este arreglo no se pueden analizar
interacciones.
 Las interacciones en un arreglo L12 se distribuyen de una manera uniforme en todas las
columnas. La ventaja de esto es que le permite investigar 11 factores sin preocuparse
por sus interacciones. El arreglo L12 en general tiene buena reproducibilidad de
conclusiones.
 Algo similar se puede decir del arreglo L18.
 Para un arreglo L16 existen una gran variedad de posibles gráficas lineales.
 Para un arreglo L32 existen diferentes gráficas dentro de las varias posibles que existen.
 En cualquier caso, se puede tratar de construir más gráficas de acuerdo con las
necesidades que se tengan, respetando siempre la matriz de interacciones.
 En algunos gráficos lineales , los vértices se representan con diferentes símbolos,
específicamente con o,  y . La razón y su significado es el siguiente:
Taguchi sugiere que las pruebas o corridas se lleven a cabo en el orden indicado por los
renglones del arreglo ortogonal, esto es, primero las condiciones indicadas por el renglón 1,
seguidas de las del renglón 2 y así sucesivamente.
Por otra parte, al ejecutar el experimento, no todos los factores tienen la misma flexibilidad
de estar variando de nivel de una prueba a otra.
Por otro lado, se sugiere que los factores con menor flexibilidad se asignen al grupo 1 del
arreglo representados por el símbolo o, de la gráfica lineal. Estos factores tendrán menos
cambios de nivel a lo largo de todo el experimento. De hecho, observe que el factor
asignado a la columna 1 de cualquier arreglo, solo tiene un cambio de nivel, mientras que
por ejemplo, un factor asignado a la columna Nº 15 de un arreglo L16 cambia 10 veces de
nivel.
Los factores que le siguen en inflexibilidad se deberán asignar sucesivamente a los

símbolos ,  y  en una gráfica lineal.
Ud. habrá observado ya la complicación que agregan a los análisis la presencia de

interacciones. Para lidiar con estas, los expertos hacen las observaciones siguientes:
 Por lo general, existen pocas interacciones dentro de las múltiples posibles entre
factores.
 El efecto de las interacciones sobre la variable de respuesta, es por lo general menor que
el efecto de los factores individuales solos.
 Recuerde que algunos arreglos ortogonales, le permiten analizar un problema sin
preocuparse por las interacciones. El L12 es un ejemplo de ellos.
 Se sugiere que, en caso de dudas sobre las interacciones, siempre sea preferible incluir
más factores, en lugar de interacciones. Si estas últimas no son muy fuertes, se pueden
considerar como ruido.
ANALISIS SEÑAL A RUIDO
De todos los factores que afectan un proceso, se pueden extraer dos grupos:
 Factores de ruido. Son aquellos que no podemos, queremos o deseamos controlar, y

más bien deseamos que nuestros procesos y productos sean insensibles a su impacto.
 Factores de diseño. Son aquellos que si podemos controlar en nuestro proceso de
producción, y deseamos encontrar a qué nivel operarlos, a fin de optimizar el producto
o proceso, esto es, que los productos sean de alta calidad y bajo costo.
El análisis se realiza de la siguiente manera:
1. Dentro de los factores a estudiar, separe los de ruido y los de diseño o control.
2. Dentro de los factores de diseño, identifique aquellos que afectan la variabilidad del
proceso. Utilícelos para minimizar la variabilidad.
3. Dentro de los factores de diseño, identifique aquellos que afectan la media, sin afectar
la variabilidad. Utilícelos para optimizar la media.
4. Identifique aquellos factores de diseño que no afectan ni media ni variabilidad.
Utilícelos para reducir costos.
Índices señal ruido
Es deseable tener una cantidad o expresión que de alguna manera, involucre media y variación, o que por lo
menos, ayude a que nuestras conclusiones sean más confiables.
Esta cantidad ya existe y se llama índice señal ruido, denotado como SN o SR de aquí en adelante.
“El índice se diseñó de tal manera, que productos más robustos siempre tengan un mayor valor de índice
SN”
En seguida se muestran los tres casos:
1) Caso nominal es mejor
Suponga que se tienen “r” lecturas, y1,y2,y3,…yr, el índice SN a utilizar es:
SN= 10 log   Sm  Vm  /  r  Vm   donde Sm= (y1 + y2 + y3 +,…yr,)2/r
Vm=  y
1
2 2 2 2
 
 y2  y3 ...  yr  Sm /  r  1
El lector reconocerá a Vm como la varianza de los “r” datos. Sn estima el logaritmo de base 10 de la relación
(media / desviación estándar)2.
En ocasiones se utiliza:
SN= -10 log Vm

2) Caso menor es mejor
Para el caso de menor es mejor, el índice recomendado es:
SN= -10 log   y1  y 2  y 3 , y r ,  / r 
Esta cantidad estima el logaritmo de base 10 de (media2 + varianza)
3) Caso mayor es mejor
Para el caso mayor es mejor se recomienda:
SN= -10 log  1 / y 

1
2
 1 / y2   1 / y3  2  ...  1 / yr  / r
2 2

Esta cantidad funciona de una manera similar al caso anterior, pero con el inverso. Maximizar una cantidad
es equivalente a minimizar el inverso.
El uso de logaritmos pretende hacer la respuesta más “lineal” y el signo negativo es para que siempre se
maximice el índice SN. Se multiplica por 10 para obtener decibeles.
En un experimento señal ruido, generalmente se incluye un grupo de factores de ruido, contra los que
específicamente se desea hacer robusto el producto, y que se pueden controlar durante un experimento.
Un diseño de experimentos para un análisis señal a ruido consiste de dos partes, un arreglo ortogonal o matriz
de diseño o interno y un arreglo ortogonal o matriz de ruido o externo. Las columnas de una matriz de diseño
representan parámetros de diseño. Las columnas de la matriz de ruido representan factores de ruido.
Ejemplo 3:
Una característica de calidad importante para un cierto producto metálico es el terminado, que se mide según
su planicidad en milésimas de pulgada (mmplg). Esta característica se piensa es afectada por los siguientes
factores:
Factor Descripción Nivel 1 Nivel 2

A Temperatura del horno 1500 ºF 1600 ºF
B Presión de prensado 200 psi 220 psi
C Velocidad de recocido 8 seg 12 seg
D Velocidad de alimentación ref. 80 gal /min 100 gal/min
G Tipo de modelo chico grande
H Templabilidad del material 25 Rc 30 Rc
AxC Interacción
AxD Interacción
Tabla 5-3.15 Datos del Ejemplo 3.
Los factores G y H son factores que no se pueden controlar durante el proceso, ya que el tipo de modelo
depende del requerimiento específico del cliente y la templabilidad es una característica de la materia prima.
Estos dos factores se consideran al menos inicialmente como factores de ruido. Por lo tanto, se consideran
como factores de diseño a los factores A, B, C y D.
De acuerdo con esto, lo que se desea saber es cuales deben ser las condiciones de operación o niveles de los
factores de diseño A, B, C y D, que lleven el producto a la característica objetivo y además con la mínima
variabilidad, a pesar de las variaciones en los factores G y H.
Arreglo interno
Considere únicamente los factores de diseño, se desea detectar 6 efectos en total, y para ello, se requiere de un
arreglo ortogonal L8. La gráfica lineal requerida es:
3
1 A .2 B
5 A xC
4 C
AxD 6
7 D
Figura 5-3.16 Arreglo lineal Ejemplo 3 .La columna correspondiente a la línea punteada se utilizará para
cuantificar el error.
Una posible asignación es:
A B e C AxC AxD D
Nº 1 2 3 4 5 6 7
Este será el arreglo interno y consiste de 8 condiciones experimentales/renglones
Arreglo externo
Considere ahora únicamente los factores de ruido G y H. Se requieren de dos columnas, de manera que un
arreglo ortogonal L4 es suficiente. El arreglo, al que llamaremos arreglo externo es:
G H
Nº 1 2 3
1 1 1 1
2 1 2 2
3 2 1 1
4 2 2 1
Observe que no se asigna efecto alguno a la columna 3, la cual queda libre.
Arreglo total
Los dos arreglos anteriores se “mezclan” o “combinan” en un solo arreglo total, tal y como se muestra:
1 2 1 1
H 1 2 1 2
G 1 1 2 2
A B e C AxC AxD D
Nº 1 2 3 4 5 6 7 1 2 3 4
1 1 1 1 1 1 1 1 Y11 Y12 Y13 Y14
2 1 1 1 2 2 2 2 Y21 Y22 Y23 Y24
3 1 2 2 1 1 2 2 Y31 Y32 Y33 Y34
4 1 2 2 2 2 1 1 Y41 Y42 Y43 Y44
5 2 1 2 1 2 1 2 Y51 Y52 Y53 Y54
6 2 1 2 2 1 2 1 Y61 Y62 Y63 Y64
7 2 2 1 1 2 2 1 Y71 Y72 Y73 Y74
8 2 2 1 2 1 1 2 Y81 Y82 Y83 Y84
Tabla 5-3.16 Arreglo total en el cual se combinan la matriz externa e interna para formar el arreglo total
Observe que la matriz de ruido o arreglo externo se ha traspuesto o acostado, esto es, escrito sus renglones
como columnas. Observe también que existen 8 x 4 = 32 posibles lecturas, tomadas bajo diferentes
condiciones todas ellas (valores de Y ij ). En general, si el arreglo interno tiene M renglones y el externo tiene
N renglones, entonces existen un total de M x N lecturas, que pueden ser tomadas bajo condiciones diferentes.
Por eso se recomienda que el número de factores de ruido (valor de N) no sea mayor que 3.
Pero, ¿cómo se toman exactamente cada una de las 32 lecturas? suponga que inicialmente, deseamos tomar
las lecturas Y11, Y12, Y13, Y14 . Para esto, se fijan todos los factores de diseño de acuerdo con los niveles
indicados por el renglón Nº 1 del arreglo interno, esto es, todos los factores de diseño a su nivel 1.
Sin embargo, si bien las cuatro lecturas Y 11, Y12, Y13, Y14 se toman a los mismos niveles de los factores de
diseño, cada una se toma a diferentes niveles de los factores de ruido.
En resumen se tiene:
Factores de diseño a su nivel 1 Lectura Factores de ruido

Temperatura 1500 ºF Y11 Modelo chico y 25 Rc
Presión de 200 Psi, 8 seg Y12 Modelo chico y 30 Rc
de tiempo de recorrido y Y13 Modelo grande y 25 Rc
velocidad de alimentación Y14 Modelo grande y 30 Rc
refrigerante 80 gal/min
De acuerdo con esto, se toman las primeras cuatro lecturas.
En seguida deseamos obtener las lecturas Y21 , Y22 , Y23 , Y24. Todas estas lectura se tomarán al mismo nivel
de los factores de diseño y estos niveles serán indicados por el renglón Nº 2 del arreglo interno. Manteniendo
estas condiciones, los factores de ruido se varían a sus cuatro combinaciones indicadas por el arreglo externo.
De esta manera se van obteniendo todas las 32 lecturas. Se fijan los factores de diseño según un renglón del
arreglo interno y se mantienen fijos mientras se varían los factores de ruido de acuerdo con el arreglo interno.
Como ejemplo, la lectura Y 73 , se obtendrá bajo las condiciones siguientes: factor A, 1600 ºF, 220 psi, factor
C. 8 seg, factor D, 80 gal/min; factor G, tipo grande; y factor H, 25 Rc.
Las 32 lecturas son las siguientes:

1 2 2 1
H 1 2 1 2
G 1 1 2 2
A B e C AxC AxD D
Nº 1 2 3 4 5 6 7 1 2 3 4
1 1 1 1 1 1 1 1 1.1 1.2 1.3 1.1
2 1 1 1 2 2 2 2 1.2 1.3 1.2 1.3
3 1 2 2 1 1 2 2 2.0 2.1 2.2 2.1
4 1 2 2 2 2 1 1 2.1 2.2 2.1 2.0
5 2 1 2 1 2 1 2 1.0 1.4 1.2 1.3
6 2 1 2 2 1 2 1 1.2 1.3 1.5 1.0
7 2 2 1 1 2 2 1 1.6 2.1 2.4 2.0
8 2 2 1 2 1 1 2 1.5 2.0 2.3 2.5
Totales= 11.7 13.6 14.2 13.3
Tabla 5-3.17 Lecturas del arreglo total
Suponga que por alguna razón para este ejemplo en particular, se tiene un valor deseado de m = 2 mmplg.
Para obtener conclusiones a partir de un experimento señal a ruido se puede usar la tabla ANOVA, o bien, a
través de gráficas.
Análisis usando ANOVA.
Análisis con el Índice SN
Para responder a la pregunta de a qué niveles fijar los factores de diseño, a fin de minimizar la variabilidad
en la característica de respuesta, ignoramos el arreglo externo conservando las 32 lecturas, específicamente, el
arreglo para análisis es:
A B e C AxC AxD D
Nº 1 2 3 4 5 6 7 1 2 3 4 Total
1 1 1 1 1 1 1 1 1.1 1.2 1.3 1.1 4.7
2 1 1 1 2 2 2 2 1.2 1.3 1.2 1.3 5.0
3 1 2 2 1 1 2 2 2.0 2.1 2.2 2.1 8.4
4 1 2 2 2 2 1 1 2.1 2.2 2.1 2.0 8.4
5 2 1 2 1 2 1 2 1.0 1.4 1.2 1.3 4.9
6 2 1 2 2 1 2 1 1.2 1.3 1.5 1.0 5.0
7 2 2 1 1 2 2 1 1.6 2.1 2.4 2.0 8.1
8 2 2 1 2 1 1 2 1.5 2.0 2.3 2.5 8.3
Totales= 11.7 13.6 14.2 13.3 52.8
Tabla 5-3.18 Lecturas con el arreglo interno.
Lo que observamos en esta última tabla es un arreglo L8 con 4 lecturas para cada condición o renglón.
Estamos interesados en analizar la variabilidad de las 4 lecturas tomadas bajo cada condición. Para esto, nos
ayudamos del índice SN, o sea, la variabilidad de las cuatro lecturas que se tomaron bajo cada condición, la
resumiremos en un índice señal a ruido. Al hacerlo, en lugar de 32 lecturas individuales tendremos 8 valores
del índice SN, uno para cada renglón o condición experimental.
Como estamos en un caso de nominal es mejor, el índice apropiado es:
SN= 10 log   Sm  Vm  /  r * Vm   ; donde Sm=   Yi  2 / r y Vm= Y
i
2

 Sm /  r  1
En este caso en particular, r= 4, cada índice se calcula a partir de 4 lecturas individuales.
Para la primera condición experimental o renglón Nº 1, se tienen las lecturas siguientes: 1.1, 1.2, 1.3, 1.1, con
un total de 4.7
El cálculo del índice es:
Sm= (1.1+1.2+1.3+1.1)2/4= 5.5225

Vm= (1.12+1.22+1.32+1.12)= 0.00916
SN= 10 log   5.5225  0.00916  /  4 * 0.00916   = 21.7714
Para el renglón o condición experimental Nº 2 se tienen las lectural: 1.2, 1.3, 1.2, 1.3, con un total de 5.0
El cálculo del índice SN es:
Sm= (1.2 +1.3+1.2+1.3) 2/4= 6.2500

Vm= (1.22 + 1.32 + 1.22 + 1.32 – 6.2500)/3= 0.0033
SN= 10 log   6.2500  0.0033 /  4 * 0.0033  = 26.7071
Los ocho índices son:

Nº Sm Vm Sn (dB)
1 5.5225 0.00916 21.771
2 6.2500 0.00333 26.707
3 17.6400 0.00666 28.203
4 17.6400 0.00666 28.203
5 6.0025 0.02916 17.092
6 6.2500 0.04333 15.539
7 16.4025 0.10916 15.718
8 17.2225 0.18916 13.524
Tabla 5-3.19 Cálculo de los Índices SN para las ocho lecturas
Nuestro arreglo es ahora:
A B e C AxC AxD D SN
Nº 1 2 3 4 5 6 7 dB
1 1 1 1 1 1 1 1 21.771
2 1 1 1 2 2 2 2 26.707
3 1 2 2 1 1 2 2 28.203
4 1 2 2 2 2 1 1 28.203
5 2 1 2 1 2 1 2 17.092
6 2 1 2 2 1 2 1 15.539
7 2 2 1 1 2 2 1 15.718
8 2 2 1 2 1 1 2 13.524
Tabla 5-3.20 Arreglo L8 con la Señal a Ruido Sn

Para el factor A se tiene:
A1 = Total de las lecturas tomadas bajo el nivel 1 del factor A

= 21.7714+26.7071+28.2036+28.2036= 104.8857

=17.0927+15.5397+15.7186+13.5420= 61.8750
SSA = (A2 – A1) /Número total de lecturas SN

=(61.8750 – 107.8857)2/8= 231.2413, con 1 g.l.
Factor SS Gl V Fexp
A 231.2413 1 231.2413 14.44
B 2.5751 1 2.5751 00.16
C 0.1764 1 0.1764 00.01
AxC 9.4284 1 9.4284 00.59
AxD 3.8880 1 3.8880 00.24
D 2.3047 1 2.3047 00.14
e 16.0135 1 16.0135
El factor A, temperatura del horno, es el factor que estadísticamente afecta el índice señal a ruido, y que por
consiguiente “afecta la variabilidad. De acuerdo con los niveles del factor A, se tiene:
A1 = SN promedio= 104.8857/4= 26.22

A2 = SN promedio= 61.8750/4= 15.47
Dado que siempre deseamos maximizar el índice señal a ruido, el factor A se fija en su nivel 1, esto es, la
temperatura del horno se fija en 1500 ºF.
¿Qué hacer con el resto de los factores? antes de contestar esta pregunta, se deben identificar de entre
los factores que NO AFECTARON el índice SN, cuáles afectan la media. Esto se muestra en lo que
sigue.
Análisis usando las lecturas individuales
Después de identificar los factores que “afectan” la variabilidad, el siguiente paso es identificar qué factores,
dentro de los que no afecta la variabilidad, afectan la media del proceso. Estos factores llamados factores de
señal, nos permitirán “ajustar” la media del proceso hacia su valor nominal, sin incrementar la variabilidad del
proceso.
Para el análisis, se utilizan las 32 lecturas iniciales. Para ello se obtiene el promedio de cada renglón.
A B e C AxC AxD D
Nº 1 2 3 4 5 6 7 1 2 3 4 Total Promedio
1 1 1 1 1 1 1 1 1.1 1.2 1.3 1.1 4.7 1.175
2 1 1 1 2 2 2 2 1.2 1.3 1.2 1.3 5.0 1.250
3 1 2 2 1 1 2 2 2.0 2.1 2.2 2.1 8.4 2.100

4 1 2 2 2 2 1 1 2.1 2.2 2.1 2.0 8.4 2.100
5 2 1 2 1 2 1 2 1.0 1.4 1.2 1.3 4.9 1.225
6 2 1 2 2 1 2 1 1.2 1.3 1.5 1.0 5.0 1.250
7 2 2 1 1 2 2 1 1.6 2.1 2.4 2.0 8.1 2.025
8 2 2 1 2 1 1 2 1.5 2.0 2.3 2.5 8.3 2.075
Totales 13.200
Tabla 5-3.22 Promedios de las lecturas iniciales.
Considerando únicamente los promedios, tendremos un arreglo L8 con una lectura. El análisis en base a los
promedios es:
=1.175+1.250+2.100+2.100= 6.625
= 1.225+1.250+2.075+2.025= 6.575
SSA = (A2 – A1) 2 /Número total de lecturas SN
= (6.625 – 6.575)2/8= 0.0003
Similarmente para el factor B se tiene:

B1 = 1.175+1.250+1.225+1.250= 4.900
B2 = 2.100+2.100+2.025+2.075= 8.300
SSB = (B2 - B1 )2/8= (4.900-8.300) 2/8= 1.4450
Y así sucesivamente
SSC = 0.0028 , SSAxC= 0.0000, SSAxD= 0.0003
SSD = 0.0013 , SSe= 0.0028

A 0.0003 1 0.0003 0.11
B 1.4450 1 1.4450 513.75
C 0.0028 1 0.0028 1.00
AxC 0.0000 1 0.0000 0.00
AxD 0.0003 1 0.0003 0.11
D 0.0013 1 0.0013 0.44
e 0.0028 1 0.0028
Totales 1.4525 8
Tabla 5-3.23 ANOVA
El factor B, presión de prensado, es el único factor significante. Mediante este factor se puede ajustar la
media del proceso, y llevarla lo más cerca posible a su valor ideal de 2.
También se debe hacer la observación, de que si el factor A hubiera resultado significante en este segundo
análisis, no podríamos utilizarlo, ya que resultó significante en el análisis con el índice SN.
En particular, la respuesta promedio para cada nivel del factor B es:
B1 = 4.9/4= 1.225; B2= 8.3/4= 2.075
Si se desea aumentar la planicidad, se deberá incrementar la presión de prensado. Si se desea disminuir la

planicidad, se deberá reducir la presión.
Se puede interpolar para conocer el valor al que se debe fijar la presión. La respuesta promedio a 200 psi es
de 1.225 y a 220 psi es 2.075
Y 2.0
1.5
1.0 B
200 220
Gráfica 5-3.17 Interpolación factor B “Presión de Prensado”.
Análisis utilizando gráficas

Como se mencionó anteriormente, una alternativa a la ANOVA son las gráficas de promedios, ya sea del
índice SN o de las lecturas individuales.
Por ejemplo, para el factor A encontramos el promedio a cada uno de sus niveles, tanto del índice señal a
ruido como de las lecturas individuales.
Para el índice señal a ruido se tiene:
A1 = (21.7714+26.7071+28.2036+28.2036)/4= 26.2214
A2 = (17.0927+15.5397+15.7186+13.5240)/4= 15.4687
Para promedio de lecturas individuales se tiene:
A1 = 6.625/4= 1.6562; A2= 6.575/4= 1.6437
En resumen, los promedios para todos los factores son:
Nivel Sn Promedio Y promedio

A1 26.22 1.6
A2 15.47 1.6
B1 20.38 1.2
B2 21.41 2
C1 20.71 1.6
C2 20.99 1.6
D1 20.31 1.6
D2 21.38 1.6
(AxC) 19.76 1.6
(AxC) 21.93 1.6
(AxD) 20.15 1.6
(AxD) 21.54 1.6
Tabla 5-3.24 Promedios
En estas gráficas, la importancia de cada efecto se observar según la inclinación de cada línea, de hecho, los
efectos se encuentran graficados de acuerdo con su importancia.
Las conclusiones que se obtienen son las mismas, esto es, el factor A es el que más afecta el índice señal a
ruido, y lo hace mayor a su nivel A 1. El factor B es el que más afecta la respuesta promedio sin afectar el
índice SN, la respuesta promedio aumenta al aumentar el factor B de su nivel 1 al 2.
Conclusiones generales del experimento
De acuerdo con los resultados que se han obtenido de los análisis, las conclusiones generales son:
a) El factor A afecta la variabilidad y se debe de fijar a su nivel 1.

b) El factor B afecta la media del proceso, aumenta la media del proceso.
c) El resto de los factores de diseño, (factores C y D), se fijarán al nivel en que sea más económico para el
proceso, ya que no afectan sustancialmente ni la media, ni la variabilidad del proceso.
ANEXO 1. ALGUNOS ARREGLOS ORTOGONALES

L4 (2^3) L8 (2^7)
1 2 3 1 2 3 4 5 6 7
1 1 1 1 1 1 1 1 1 1 1 1
2 1 2 2 2 1 1 1 2 2 2 2
3 2 1 2 3 1 2 2 1 1 2 2
4 2 2 1 4 1 2 2 2 2 1 1
5 2 1 2 1 2 1 2
6 2 1 2 2 1 2 1
7 2 2 1 1 2 2 1
8 2 2 1 2 1 1 2
L12(2^11)
1 2 3 4 5 6 7 8 9 10 11
1 1 1 1 1 1 1 1 1 1 1 1
2 1 1 1 1 1 2 2 2 2 2 2
3 1 1 2 2 2 1 1 1 2 2 2
4 1 2 1 2 2 1 2 2 1 1 2
5 1 2 2 1 2 2 1 2 1 2 1
6 1 2 2 2 1 2 2 1 2 1 1
7 2 1 2 2 1 1 2 2 1 2 1
8 2 1 2 1 2 2 2 1 1 1 2
9 2 1 1 2 2 2 1 2 2 1 1
10 2 2 2 1 1 1 1 2 2 1 2
11 2 2 1 2 1 2 1 1 1 2 2
12 2 2 1 1 2 1 2 1 2 2 1
L16 (2^15)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2
3 1 1 1 2 2 2 2
5-2 DISEÑO CENTRAL COMPUESTO 21 1 1
k 1 2 2 2 2
4 1 1 1 2 2 2 2 2 2 2 2 1 1 1 1
5 1 2 2 1 k 1 2 2 1 1 2 2 1 1 2 2
En los diseños factoriales 2 existe la suposición de linealidad en los efectos de los factores.
6 1 2 2 1 1 2 2 2 2 1 1 2 2 1 1
El diseño central2compuesto consiste en realizar replicas en ciertos puntos del experimento
7 1 2k 2 2 1 1 1 1 2 2 2 2 1 1
8 factorial
1 22, para 2proveer
2 una protección
2 1 contra1 la curvatura
2 2 que1pudiera 1 estar1presente.
1 2 2
9 El método
2 1 consiste
2 en1agregar
2 puntos
1 centrales
2 1al diseño,
2 se1 agregan
2 n replicas
1 2 en los
1 2
10 puntos
2 1 2 1 2 1 2 2 1 2 1 2 1 2 1
11 Xi =2 0 (i =1 1,2,……….,k).
2 2 Estas
1 replicas
2 centrales
1 1no tienen
2 un 1impacto
2 significativo
2 1 en los
2 1
12 efectos.
2 1 2 2 1 2 1 2 1 2 1 1 2 1 2
13 2 2 1 1 2 2 1 1 2 2 1 1 2 2 1
14 2 2 1 1 2 2 1 2 1 1 2 2 1 1 2
15 2 2 1 2 1 1 2 1 2 2 1 2 1 1 2
16 2 2 1 2 1 1 2 2 1 1 2 1 2 2 1
Ejemplo: Un ingeniero químico está estudiando el rendimiento de un proceso. Existen dos

variables de interés, tiempo de reacción y temperatura. Ella no está segura del supuesto de
la linealidad en la región de exploración, el ingeniero decide conducir un diseño 22 con una
replica en cada corrida factorial y adicionar 5 puntos centrales.
El diseño se muestra en la siguiente figura:
4
0 4
1.5
1
60 +
1
1
4
0.3 P
unto
sCe
ntra
le
s
4
0.5
T
emp
era
tu
ra
155 4
0.7
0
4
0.7 4
0.2
4
0.6
1
50 -1 3
9.3 4
0.9
-
1
0 +
1
3
0 3
5
4
0
T
ie
m p
o
Figura 5-2.1 Gráfico del Diseño Central Compuesto
Solución del problema mediante el uso de MINITAB.
Seleccionamos: STAT>DOE>CREATE FACTORIAL DESIGN.
Aparece la ventana en la cual llenamos los iconos siguientes:
2-level factorial (default generators), aparece por de fault

Numer of factors : 2, ya que el diseño consta de dos factores.
En el menú principal Seleccionamos el icono DISEÑOS, se despliega la siguiente ventana.

En la ventana llenamos los siguientes iconos:

Number of center points: 1, debido a que el diseño consta de un punto central.
Number of replicates: 5, correspondiente al número de replicas del punto.
Number of blocks: 1
Seleccionamos el icono FACTORES y se despliega la ventana, en la cual llenamos los

campos de la columna Name (Nombre): Tiempo (A), Temperatura (B).
Seleccionamos el icono OPCIONES

En Fold design tenemos la opción do not fold (por default), dejamos esta opción.
Quitamos la palomita en Randomize runs, de lo contrario el orden en el que aparecerá el
diseño en la hoja de trabajo será aleatorio, causando dificultad para introducir los datos de
la variable de respuesta.
Dejamos la opción por default Store design in worksheet.
En el icono RESULTADOS, dejamos las opciones dadas por default, ya que son las unicas
que utilizaremos para el análisis de este tipo de experimento.
Damos click en OK y se despliega el experimento.En la columna 7 (C7) llenamos la

variable de respuesta que corresponde a las esquinas del cuadro del diseño en sus diferentes
niveles, asi como las replicas del punto central.
Seleccionamos STAT >DOE > ANALYZE FACTORIAL DESIGN
En Responses (Respuestas), mediante el icono select seleccionamos la columna C7 que

corresponde a la variable de respuesta.
En la ventana TERMS, dejamos las opciones que aparecen por de fault.

Con la opción GRAPHS, escogemos las gráficas requeridas para el análisis del
experimento que en este caso son: Normal y Pareto, las cuales deberán de ser palomeadas.
El nivel Alpha seleccionado es: 0.05.
En la opción RESULTS dejamos las opciones que están por default para el caso de este tipo
de diseño.
Para el análisis del experimento, utilizamos las graficas y la tabla de análisis de varianza.
Pareto Chart of the Standardized Effects

A: A
B: B
AB
0 1 2 3 4 5 6 7
Figura 5-2.2 En la gráfica de Pareto observamos cuales son los Factores o Interacciones
que rebasan la línea punteada, en este caso son los Factores A y B. los cuales son los más
significativos.
Normal Probability Plot of the Standardized Effects

A: A
A B: B
0.5
Normal Score
0.0 B
-0.5
0.0 2.5 5.0 7.5
Standardized Effect
Figura 5-2.3 De la misma manera en la gráfica de probabilidad normal vemos que los
factores que más se aleján de la linea recta son: A y B, por lo que reconfirmamos que son
los efectos con mayor significancia.
Analysis of Variance for C7 (coded units)

Main Effects 2 2.82500 2.82500 1.41250 32.85 0.003
Curvature 1 0.00272 0.00272 0.00272 0.06 0.814
Residual Error 4 0.17200 0.17200 0.04300
Pure Error 4 0.17200 0.17200 0.04300
Total 8 3.00222
Análizando la tabla de análisis de varianza, observamos que los efectos principales (Main
Effects), son los más significativos al ser P < en 0.05 este caso observamos en la primera
columna debajo de efectos que es de 0.003.
El valor P de la curvatura es de 0.814, por lo cual descartamos el hecho de que exista

curvatura en el experimento.
Para genera las gráficas que nos permitirán determinar y visualizar cuales son los niveles
óptimos de los efectos seleccionamos la opción: STAT > DOE > FACTORIAL PLOTS
En la ventana seleccionamos las opciones: Main Effects (response versus levels of 1 factor).
Dentro de esta ventana damos click en setup y se despliega la siguiente ventana, en la cual
seleccionamos la respuesta, y los factores a incluir en las gráficas que en este caso son A y
B.
En la gráfica observamos que los niveles óptimos son:

A: +1 = 40
B: +1 = 160
Main Effects Plot (data means) for C7

Centerpoint
-1 1 -1 1
41.2
40.8
C7
40.4
40.0
39.6
A B
Figura 5-2.4 Gráfica de Efectos Principales

6-1 PRE-CONTROL
Es una técnica usada para detectar irregularidades en el proceso, que pueden resultar en la producción de
unidades fuera de especificaciones. Pre-control, principalmente se presta para el uso de aparatos de medición
hechos previamente sobre los límites de las especificaciones. El uso de éstos aparatos de medición permite
seleccionar fácilmente las unidades que proceden de las que no. Pre-control es usado con frecuencia para
determinar los valores de las variables del proceso durante el período de arranque de la producción.
Pre-control se basa en la hipótesis de que si el proceso está operando correctamente, la probabilidad de

encontrar dos unidades fuera de los límites de control consecutivamente es demasiado pequeña. Por lo tanto si
dos unidades son encontradas consecutivamente fuera de los límites de control, es razón suficiente como para
indicar una falla en el proceso.
Ventajas. Pre-control es una técnica simple que a diferencia con el control estadístico del proceso (CEP) no
requiere de gráficas de control, ni de cómputos.
Desventajas. No existen gráficas de control, por lo tanto, las reglas y procedimientos para reconocer patrones
de fallas no pueden ser usados. Dado que se requiere una cantidad muy pequeña de muestras, es riesgoso
inferir sobre la totalidad del proceso. Finalmente, Pre-control no proporciona información suficiente para
someter el proceso bajo control o para reducir la variabilidad.
Recomendaciones. Pre-control sólo debe ser usado cuando la capacidad del proceso (Cp) 25 es mayor que uno
(algunos textos recomiendan como mínimo Cp=2)26, y cuando se han alcanzado cero defectos en el proceso.
Definición de los límites de Pre-control. Existen dos límites de Pre-control (PC): Upper Pre-control limit
(UPCL) y Lower Pre-control limit(LPCL). Cada uno representa ¼ de la distancia entre el límite de
especificaciones inferior (LSL) y el límite de especificaciones superior (USL). La siguiente figura considera
un proceso distribuido de acuerdo a la distribución normal.
LSL LPCL  UPCL USL
0 1 1 3 1
4 2 4
Figura 6-1 En la gráfica se muestran los límites de Pre- Control.
25
C p  USL  LSL  , donde USL = Upper Specification Limit y LSL = Lower Specification Limit.
6
26
Montogomery, Douglas C. “Statistical Quality Control”, John Wiley & Sons, Inc., 1991, pp. 332-334.
Dentro de
Fuera de Especificaciones
Especificaciones Fuera de límites
De Pre-control
A
Continuar el proceso.
Dentro de
Dentro de Detener sólo si DOS
Inicie el Verifique Especificaciones Verifique
de límites Unidades consecutivas
proceso 1a. Unidad Fuera de límites 2a. Unidad
De Pre-control Estan fuera de los
De Pre-control
Límites de
Pre-control
Dentro de
Especificaciones
Fuera de EL OTRO
límite de Pre-control
¡!
Variabilidad del
Proceso fuera de
Control.
Figura 6-2 Pasos a seguir para aplicar Pre-control.
Notas:
1. Si cinco unidades están dentro de los límites de Pre-control, cambie a verificación intermitente.
2. Cuando se encuentre en verificación intermitente, no ajuste el proceso hasta que una unidad exceda algún
límite de Pre-control. Examine la siguiente unidad, y proceda en A.
3. Si se reinicia el proceso, al menos cinco unidades consecutivas deben caer dentro de los límites de pre-
control para cambiar a verificación intermitente.
4. Si el operador toma más de 25 muestras sin reiniciar el proceso, reduzca la frecuencia de las
verificaciones.
CAPITULO 6 FASE DE CONTROL

Definir
Definir Medir Analizar Mejorar Controlar
Controlar
Una vez implementadas las mejoras en nuestro proceso, el ultimo paso es asegurarnos que las
implementaciones se mantengan y estén siendo actualizadas a través del tiempo.
Los proyectos Six-Sigma se van actualizando constantemente. En la siguiente gráfica observamos que
la metodología es cíclica, también vemos que podemos regresarnos de una fase a otra, en caso de no
haber obtenido la información necesaria, pero lo que no está permitido es saltarnos fases.
Objetivos:
 Uso de las herramientas de control.
 Verificar que las implementaciones se sigan y estén bajo control.
 Identificar las actividades o procesos que están fuera de control para corregirlos inmediatamente.
 Que las mejoras sean implementadas consistentemente para tener un adecuado control.
Herramientas:
No. Herramienta Para que es utilizada?

6-1 Precontrol Es una técnica usada para detectar irregularidades en el
proceso, que pueden resultar en la producción de
unidades fuera de especificaciones. Es usado con
frecuencia para determinar los valores de las variables
del proceso durante el período de arranque de la
producción.
6-2 Cartas de Control Es una herramienta muy importante para analizar la variación en la
mayoría de los procesos. Enfocan la atención hacia las causas
especiales de variación y reflejan la magnitud de la variación debido
a las causas comunes.
6-3 Poka-Yoke Sistemas utilizados a prueba de errores.
Etapas:
1) Validar el sistema de medición.

En la Fase de Medición validamos el sistema de medición para las Y’s, en este punto se utiliza la
misma metodología , con la diferencia de que ahora mediremos las X´s del proceso, el plan será
validado para las X’s
2) Determinar la capacidad del proceso.
Una vez implementadas las mejoras se vuelve a calcular los niveles sigma del proceso, para saber
en que nivel nos encontramos actualmente.
3) Implementar el sistema de control.

Los procesos tienden a degradarse con el tiempo, por lo que es de gran importancia la
implementación de un plan de control para cada X´s,
Para establecer el pan es necesario tener procesos y procedimientos documentados y
entrenar al personal que llevará a cabo esta actividad.
Observemos en la gráfica los elementos para un adecuado plan de control :
Evita problemas
potenciales
RIESGO DE LA A PRUEBA DE
ADMINISTRACION ERRORES
CONTROL ESTADISTICO DEL PROCESO
Monitorea problemas
potenciales
Figura 6-1 Elementos de un plan de control.
 Riesgo de la administración: Es similar a un FMEA, los cálculos son de la siguiente manera:
Puntuación del riesgo de la admón. = Impacto X probabilidad
Proporciona las siguientes ventajas:
- Identificación del riesgo.

- Cuantificación de los riesgos
- Establece un plan de disminución de riesgos
- Monitorea los progresos del plan
 A prueba de errores
Técnica que evita errores en el proceso, y hace que sea imposible de que sucedan.
 Control estadístico del proceso: Monitoreo mediante gráficas de control.
6-3 SISTEMAS POKA-YOKE ( A PRUEBA DE ERRORES)
Un sistema Poka-yoke27 posee dos funciones: puede realizar el 100 % de inspecciones y si ocurre alguna
anormalidad, puede realizar inmediatamente una acción de aviso.
Los sistemas Poka-Yoke son métodos para reducir defectos, estos varían dependiendo de los sistemas de
inspección los cuales pueden ser: fuentes de inspección, auto chequeos, o chequeos sucesivos.
Es normal que las personas olviden cosas, o tengan fallas cuando están realizando alguna actividad. Por
ejemplo en un proceso de ensamble puede ocurrir que un operador olvide colocar una pieza que va en un
lugar específico. Un sistema Poka Yoke podría realizarse de la siguiente manera, se van a ensamblar 25
relojes de pared. Para evitar que se olvide poner alguna manecilla se ponen en una charola los 25 pares
exactamente, si al final sobran manecillas, el operador podrá darse cuenta inmediatamente de que no se
colocaron en algún (os) reloj (es). Inmediatamente se toman las acciones correctivas y de está manera la
posibilidad de que se pase algún defecto es remota.
También se pueden incluir un Poka Yoke en la operación de tal manera que si un operador olvida algo, un
aparato diseñado para este fin lo señalara, previniendo los defectos.
Shigeo Shingo propone la inspección al 100 % , esto se puede llevar a cabo de dos formas:
1) Que cada trabajador realice sus propias inspecciones ó..

2) Que el siguiente en el proceso realice la inspección del anterior.
Tipos de sistemas Poka-Yoke:
27
Shigeo Shingo, Zero Quality Control: Source Inspection and the Poka-Yoke System, Productivity Press
1986
A continuación se describen algunos de los métodos Poka-Yoke más comunes.
Métodos de Control
Cuando ocurre alguna anormalidad los métodos de control , funcionan de tal manera que se
apagan las maquinas o se bloquea algún mecanismo para detener la operación, previniendo
la ocurrencia de defectos subsecuentes. Los sistemas de control se caracterizan por tener
una eficacia máxima para obtener cero defectos. Estos sistemas no solamente consisten en
apagar las máquinas o bloquear algún mecanismo sino que existe la posibilidad de que
estos sistemas separen alguna pieza defectuosa al momento de ser detectada.
Métodos de Alerta
Estos métodos llaman la atención de los trabajadores activando alguna alarma o luz cuando
ocurre alguna anormalidad. El riesgo de estos métodos es que en ocasiones los trabajadores
no detecten la luz o el sonido de las alarmas sea confundido con otros sonidos. Para
minimizar estos riesgos se puede utilizar luz intermitente que sea más fácil de detectar y
sonidos con timbres particulares en diferentes escalas.
Los métodos de alerta pueden ser utilizados cuando el impacto de una anormalidad no es
demasiado critica en el proceso o cuando los métodos de control resultan económica y
técnicamente poco viables.
Métodos de Contacto
Son métodos en los que por medio de mecanismos sensibles, se detectan anormalidades en
la dimensión o la forma del producto. Por ejemplo en un sistema de frenos se ensambla una
pieza que puede ser izquierda o derecha, al momento del ensamble se puede cometer el
error de colocar una parte derecha cuando se debería de colocar una izquierda, para evitar
este defecto se instala un tope que impide que se coloque por ejemplo una parte derecha.
Figura 6-3.1 Sistema Poka Yoke de contacto

Métodos de valor fijo:
Con estos métodos, las anormalidades son detectadas verificando el número específico de
movimientos en los casos en que las operaciones se repiten un número determinados de
veces.
Como ejemplo tenemos el caso en la cual se aplica un recubrimiento adhesivo a una barra
metálica, aplicando tiras de 8cm alrededor de la barra. Se tienen que aplicar 50 tiras, pero el
problema que se tiene es que en ocasiones se corre el riesgo de aplicar menos de 50
unidades o más . Para solucionar este problema se implementa un sistema Poka-Yoke de la
siguiente manera.
Se cortan y se cuentan previamente las tiras en grupos de 10 unidades , las cintas son
adheridas a la barra, si al final de la operación sobran cintas el operador se da cuenta e
inmediatamente y corrige el trabajo . La siguiente figura ilustra el sistema Poka-Yoke.
Figura 6-3.2 Sistema Poka Yoke de control fijo.
Métodos de movimientos de paso
Estos son métodos en los cuales las anormalidades son detectadas al verificar los errores en
movimientos estándar, cuando las operaciones tienen que ser realizadas con movimientos
predeterminados. Estos sistemas son extremadamente efectivos y tienen un amplio rango de
aplicación.
En un proceso de etiquetado los operadores algunas veces fallan al aplicar las etiquetas, este defecto puede ser
evitado antes de la inspección mediante un dispositivo que consta de un tubo fotoeléctrico que detecta la falta
de una etiqueta, parando inmediatamente la línea, para corregir el defecto.
Figura 6-3.3 Sistema Poka-Yoke en un proceso de etiquetado.
Conceptos básicos de capacidad cero. (Zero QC System)
1) Use inspecciones de origen: inspecciones para prevenir defectos, para eliminarlos

enteramente, Esto no significa lidiar con los resultados de la generación de defectos,
significa aplicar funciones de control en la etapa en donde se originan los defectos.
2) Siempre use 100% de inspección en lugar del muestreo.
3) Minimice el tiempo para realizar acciones correctivas cuando las anormalidades suceden.
4) Los trabajadores no son infalibles, Reconozca que la gente son humanos y ponga en marcha sistemas
Poka-Yokes “a prueba de errores”. Estos dispositivos cumplirán totalmente las funciones de control
que tienen que ser totalmente efectivas en su ejecución.
6-2 CARTAS DE CONTROL
Las cartas de control son la herramienta más poderosa para analizar la variación en la mayoría de los
procesos.
Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el
control del proceso.
Las cartas de control enfocan la atención hacia las causas especiales de variación cuando estas aparecen y
reflejan la magnitud de la variación debida a las causas comunes.
Las causas comunes o aleatorias se deben a la variación natural del proceso.
Las causas especiales o atribuibles son por ejemplo: un mal ajuste de máquina, errores del operador, defectos
en materias primas.
Se dice que un proceso está bajo Control Estadístico cuando presenta causas comunes únicamente. Cuando
ocurre esto tenemos un proceso estable y predecible.
Cuando existen causas especiales el proceso está fuera de Control Estadístico; las gráficas de control detectan
la existencia de estas causas en el momento en que se dan, lo cual permite que podamos tomar acciones al
momento.
Ventajas:
 Es una herramienta simple y efectiva para lograr un control estadístico.

 El operario puede manejar las cartas en su propia área de trabajo, por lo cual puede dar información
confiable a la gente cercana a la operación en el momento en que se deben de tomar ciertas acciones.
 Cuando un proceso está en control estadístico puede predecirse su desempeño respecto a las
especificaciones. En consecuencia, tanto el productor como el cliente pueden contar con niveles
consistentes de calidad y ambos pueden contar con costos estables para lograr ese nivel de calidad.
 Una vez que un proceso se encuentra en control estadístico, su comportamiento puede ser mejorado
posteriormente reduciendo la variación.
 Al distinguir entre las causas especiales y las causas comunes de variación, dan una buena indicación de
cuando un problema debe ser corregido localmente y cuando se requiere de una acción en la que deben de
participar varios departamentos o niveles de la organización.
Cartas de control por variables y por atributos:
En Control de Calidad mediante el término variable se designa a cualquier característica de calidad

“medible” tal como una longitud, peso, temperatura, etc. Mientras que se denomina atributo a las
características de calidad que no son medibles y que presentan diferentes estados tales como conforme y
disconforme o defectuoso y no defectuoso.
Según sea el tipo de la característica de calidad a controlar así será el correspondiente Gráfico de Control que,
por tanto, se clasifican en Cartas de Control por Variables y Cartas de Control por Atributos.
Tabla 6-2.1 Comparación de las cartas de control por variables vs. atributos
Cartas de Control por variables Cartas de control por atributos

Ventajas significativas Conducen a un mejor Son potencialmente aplicables a
procedimiento de control. cualquier proceso
Proporcionan una utilización Los datos están a menudo

máxima de la información disponibles.
disponible de datos. Son rápidos y simples de obtener.
Son fáciles de interpretar.
Son frecuentemente usados en los

informes a la Gerencia.
Más econónomicas
Desventajas significativas No se entienden a menos que se No proporciona información
de capacitación; puede causar detallada del control de
confusión entre los limites de características individuales.
especificación y los límites de
tolerancia.
No reconoce distintos grados de
defectos en las unidades de
producto.
Tabla 6-2.2 Campos de aplicación de las cartas
VARIABLES
Carta Descripción Campo de aplicación.

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

P Proporciones Control de la fracción global de defectuosos de un proceso.
NP Número de defectuosos Control del número de piezas defectuosas
C Defectos por unidad Control de número global de defectos por unidad
U Promedio de defectos Control del promedio de defectos por unidad.
por unidad
Gráficas de Control por variables.
Cartas de control X R
Paso 1: Colectar los datos.
Los datos son el resultado de la medición de las características del producto, los cuales deben de ser
registrados y agrupados de la siguiente manera:
 Se toma una muestra(subgrupo) de 2 a 10 piezas consecutivas y se anotan los resultados de la medición
( se recomienda tomar 5). También pueden ser tomadas en intervalos de tiempo de ½ - 2 hrs., para
detectar si el proceso puede mostrar inconsistencia en breves periodos de tiempo.
 Se realizan las muestras de 20 a 25 subgrupos.
Paso 2: Calcular el promedio X y R para cada subgrupo
X 1  X 2 .... X N
X 
N
R  X mayor  X menor
Paso 3: Calcule el rango promedio  R  y el promedio del proceso  X  .

R1  R2  ......R K
R
K
X 1  X 2  ....... X K
X
K
Donde K es el número de subgrupos, R 1,R2..es el rango de cada subgrupo; X 1 , X 2.... son el promedio de
cada subgrupo.
Paso 4: Calcule los limites de control

Los límites de control son calculados para determinar la variación de cada subgrupo, están basados en el
tamaño de los subgrupos y se calculan de la siguiente forma:
LSC R  D4 R LSC X  X  A2 R
LIC R  D3 R LIC X  X  A2 R
Donde D4, D3, A2 son constantes que varían según el tamaño de muestra. A continuación se presentan los
valores de dichas constantes para tamaños de muestra de 2 a 10.
n 2 3 4 5 6 7 8 9 10
D4 3.27 2.57 2.28 2.11 2.00 1.92 1.86 1.82 1.78
D3 0 0 0 0 0 0.08 0.14 0.18 0.22
A2 1.88 1.02 0.73 0.58 0.48 0.42 0.37 0.34 0.31
Tabla 6-2.3 Valores de D4, D3, A2
Paso 5: Seleccione la escala para las gráficas de control

Para la gráfica X la amplitud de valores en la escala debe de ser al menos del tamaño de los límites de
tolerancia especificados o dos veces el rango promedio  R  .
Para la gráfica R la amplitud debe extenderse desde un valor cero hasta un valor superior equivalente a 1½ - 2
veces el rango.
Paso 6: Trace la gráfica de control

Dibuje las líneas de promedios y límites de control en las gráficas.
Los límites de Control se dibujan con una línea discontinua y los promedios con una línea continua para
ambas gráficas.
Marcar los puntos en ambas gráficas y unirlos para visualizar de mejor manera el comportamiento del
proceso.
Paso 7: Analice la gráfica de control
Ejemplo 1
Se toman las medidas de los diámetros de una pieza cilíndrica, el tamaño de muestra de cada subgrupo es de
cinco, y se toman 25 subgrupos a intervalos de 1 hr.
Realice la carta de control X  R .
muestra subgrupo 1 2 3 4 5 6 7 8 9 10 11 12 13
1 0.65 0.75 0.75 0.60 0.70 0.60 0.15 0.60 0.65 0.60 0.80 0.85 0.70
2 0.70 0.85 0.80 0.70 0.75 0.75 0.80 0.70 0.80 0.70 0.75 0.75 0.70
3 0.65 0.75 0.80 0.70 0.65 0.75 0.65 0.80 0.85 0.60 0.90 0.85 0.75
4 0.65 0.85 0.70 0.75 0.85 0.85 0.75 0.75 0.85 0.80 0.50 0.65 0.75
5 0.85 0.65 0.75 0.65 0.80 0.70 0.70 0.75 0.75 0.65 0.80 0.70 0.70
muestra subgrupo 14 15 16 17 18 19 20 21 22 23 24 25
1 0.65 0.90 0.75 0.75 0.75 0.65 0.60 0.50 0.60 0.80 0.65 0.65
2 0.70 0.80 0.80 0.70 0.70 0.65 0.60 0.55 0.80 0.65 0.60 0.70
3 0.85 0.80 0.75 0.85 0.60 0.85 0.65 0.65 0.65 0.75 0.65 0.70
4 0.75 0.75 0.80 0.70 0.70 0.65 0.60 0.80 0.65 0.65 0.60 0.60
5 0.60 0.85 0.65 0.80 0.60 0.70 0.65 0.80 0.75 0.65 0.70 0.65
Calculando el rango y el promedio para cada subgrupo obtenemos:
muestra subgrupo 1 2 3 4 5 6 7 8 9 10 11 12 13
1 0.65 0.75 0.75 0.60 0.70 0.60 0.15 0.60 0.65 0.60 0.80 0.85 0.70
2 0.70 0.85 0.80 0.70 0.75 0.75 0.80 0.70 0.80 0.70 0.75 0.75 0.70
3 0.65 0.75 0.80 0.70 0.65 0.75 0.65 0.80 0.85 0.60 0.90 0.85 0.75
4 0.65 0.85 0.70 0.75 0.85 0.85 0.75 0.75 0.85 0.80 0.50 0.65 0.75
5 0.85 0.65 0.75 0.65 0.80 0.70 0.70 0.75 0.75 0.65 0.80 0.70 0.70
Promedio 0.70 0.77 0.76 0.68 0.75 0.73 0.61 0.72 0.78 0.67 0.75 0.76 0.72
Rango 0.20 0.20 0.10 0.15 0.20 0.25 0.65 0.20 0.20 0.20 0.40 0.20 0.05
muestra subgrupo 14 15 16 17 18 19 20 21 22 23 24 25
1 0.65 0.90 0.75 0.75 0.75 0.65 0.60 0.50 0.60 0.80 0.65 0.65
2 0.70 0.80 0.80 0.70 0.70 0.65 0.60 0.55 0.80 0.65 0.60 0.70
3 0.85 0.80 0.75 0.85 0.60 0.85 0.65 0.65 0.65 0.75 0.65 0.70
4 0.75 0.75 0.80 0.70 0.70 0.65 0.60 0.80 0.65 0.65 0.60 0.60
5 0.60 0.85 0.65 0.80 0.60 0.70 0.65 0.80 0.75 0.65 0.70 0.65
Calculando
Promedio el Rango promedio,
0.71 0.82promedio
0.75 del proceso
0.76 0.67y límites
0.70 de control:
0.62 0.66 0.69 0.70 0.64 0.66
Rango 0.25 0.15 0.15 0.15 0.15 0.20 0.05 0.30 0.20 0.15 0.10 0.10
R  .198
X = .71
LSC R  D4 R = 2.11* 0.198 = 0.41
Xbar/R Chart for C1
LIC R  D3 R =0
UCL=0.8254
0.8
Sample Mean
LSC X  X  A2 R = .71+(.58)(.198) = .82

0.7 Mean=0.7112
LIC X  X  A2 R = .71-(.58)(.198) = .59
0.6 LCL=0.5970
Subgroup 0 5 10 15 20 25
0.7 1
0.6
Sample Range
0.5
0.4 UCL=0.4187
0.3
0.2 R=0.198
0.1
0.0 LCL=0
Figura 6-2.1 Gráfica Xbar-R La carta de control R muestra un punto fuera de los limites de
especificaciones, por lo cual el proceso se encuentra fuera de control, en este caso es necesario investigar las
causas y tomar las acciones correctivas para eliminar el problema. En la siguiente parte se muestran los
criterios para determinar las situaciones en las cuales un proceso puede estar fuera de control.
Interpretación del control del proceso.
El objeto de analizar una gráfica de control es identificar cuál es la variación del proceso, las causas comunes
y causas especiales de dicha variación y en función de esto tomar alguna acción apropiada cuando se requiera.
Juran28 sugiere un conjunto de reglas de decisión para detectar patrones no aleatorios en las cartas de control.
(figura 6-2.2) .Cuando se detecta alguno de los patrones siguientes se puede decir que el tomar alguna acción
para corregir el problema ya que el proceso puede estar fuera de control.
Figura 6-2.2 PATRONES FUERA DE CONTROL
28
Análisis y planeación de la calidad, J.M. Juran ,F.M Gryna, Tercera Edición, McGrawHill.
Gráficas de control X  S (variables)
Los diagramas de control  x  s  son utilizados comúnmente para incrementar la sensibilidad de la variación
(especialmente cuando se utilizan tamaños de muestra grandes). Estos diagramas pueden ser más difíciles de
utilizar que los diagramas x  R , dado que los cálculos de las desviación standard (s), pueden resultar
complicados y tediosos. Sin embargo al realizarlos con ayuda de una computadora o una calculadora que
pueda determinar estos cálculos resulta mucho más sencillos.
Las fórmulas de cálculo son las siguientes:
 x  x
2
S
n 1
El diagrama x es construido de la misma manera que se describió anteriormente, excepto que sigma  s  es
usado para los cálculos de los limites de control con las siguientes fórmulas:
LSC x  x  A3  s 
LIC x  x  A3  s 
Los limites de control para el diagrama S son calculados utilizando las siguientes fórmulas:
LSC S  B4  S 
LIC S  B3  S 
S es el promedio de la desviación standard de la muestra y es la línea central del diagrama sigma
n 2 3 4 5 6 7 8 9 10 25
B4 3.27 2.57 2.27 2.09 1.97 1.88 1.82 1.76 1.72 1.44
B3 * * * * 0.03 0.12 0.18 0.24 0.28 0.56
A3 2.66 1.95 1.63 1.43 1.29 1.18 1.1 1.03 0.98 0.61
Tabla 6-2.4 Valores B4,B3 y A3
* El límite inferior de control de un diagrama sigma cuando (n) es menor que 6 es cero.
Ejemplo 2:
Las siguientes cifras son la medias y las desviaciones estándar de muestras de 5 observaciones
correspondientes a los diámetros de una pieza metálica:
Si muestra X-bar Si
0.0148 14 73.99 0.0153
0.0072 15 74.006 0.0073
0.0106 16 73.997 0.0078
0.0091 17 74.001 0.0106
0.0122 18 74.007 0.007
0.0087 19 73.998 0.0085
0.0055 20 74.009 0.008
0.0123 21 74 0.0053
0.0055 22 74.002 0.0074
0.0063 23 74.002 0.0119
0.0029 24 74.005 0.0087
0.0042 25 73.998 0.0162
: 0.0105 PROMEDIOS 74.001 0.0090
De la tabla tenemos que: X  74.001 y S = .0090
Calculamos los limites de control:

LSC X  X  A3 S = 74.001 + (1.427)(.0090) = 74.014
LIC X  X  A3 S = 74.001 – (1.427)(.0090) = 73.998
LSC S  B4 S = (2.089)(.0090) = 0.019

LIC S  B3 S = (0)(.0090) = 0
Xbar/S Chart for X
UCL=74.01
Sample Mean
74.005
Mean=74.00
74.000
73.995 LCL=74.00
Subgroup 1 2 3 4 5
0.010
UCL=0.008826
Sample StDev
0.005
S=0.004225
0.000 LCL=0
Figura 6-2.3 Grafica Xbar-S
Carta de Individuales (Datos variables).

 A menudo esta carta se llama “I” o “Xi”.
 Esta Carta monitorea la tendencia de un proceso con datos variables que no pueden ser muestreados en
lotes o grupos.
 Este es el caso cuando la capacidad de corto plazo se basa en subgrupos racionales de una unidad o pieza.
 Este tipo de gráfica es utilizada cuando las mediciones son muy costosas(Ej. Pruebas destructivas), o
cuando la característica a medir en cualquier punto en el tiempo es relativamente homogénea (Ej. el PH
de una solución química)
 La línea central se basa en el promedio de los datos, y los límites de control se basan en la desviación
estándar (+/- 3 sigmas)
Terminología
k = número de piezas
n = 2 para calcular los rangos
X = promedio de los datos
R = rango de un subgrupo de dos piezas consecutivas
R = promedio de los (n - 1) rangos
LSC X  X  E 2 R
LIC X  X  E 2 R
LSC R  D4 R
LIC R  D3 R
Donde D4, D3, E2 son constantes que varían según el tamaño de muestra usado para agrupar los rangos móviles
como se muestra en la tabla siguiente:
n 2 3 4 5 6 7 8 9 10
D4 3.27 2.57 2.28 2.11 2.00 1.92 1.86 1.82 1.78
D3 0 0 0 0 0 0.08 0.14 0.18 0.22
E2 2.66 1.77 1.46 1.29 1.18 1.11 1.05 1.01 0.98
Tabla 6-2.5 Valores D4, E3, E2
* Generalmente se utiliza n = 2
Ejemplo 3: La longitud de un tramo de tubo se registra para cada producto. Realice la gráfica de control
individual.
Parte Longitud
1 12.02
2 11.85
3 11.98
4 11.72
Parte 5Longitud 11.88Rangos
1 6 12.02 12.07 0.17
2 7 11.85 12.03 0.13
3 8 11.98 12.13 0.26
4 9
11.72 12.16
0.16
5 10 11.88 12.16 0.19
6 12.07
11manera: diferencia
0.04
12.16 entre 1ª y 2ª lectura, 2ª y 3ª y así hasta n-1.
Se calcula el rango móvil de7la siguiente 12.03 0.10
12 12.21
8 13
12.13 12.19
0.03
9 12.16 0.00
14 11.93
10 15
12.16 11.89
0.00
11 12.16 0.05
12 12.21 0.02
13 12.19 0.26
14 11.93 0.04
15 11.89
12.03 0.10
X  12.03
R  0.10
LSC X  X  E 2 R =12.03+(2.66)(.10) = 12.29
LIC X  X  E 2 R =12.03 – (2.66)(.10) = 11.76
LSC R  D4 R = 3.27(.10)= .327
LIC R  D3 R = 0
I Chart for C1 Moving Range Chart for C1

12.35 0.4
UCL=12.30
12.25 UCL=0.3384
12.15 0.3
Individual Value
Moving Range
12.05
Mean=12.03
0.2
11.95
11.85
0.1 R=0.1036
11.75 LCL=11.75
1
11.65 0.0 LCL=0
0 5 10 15
Observation Number 0 5 10 15
Observation Number
Figura 6-2.4 Gráficas Individuales
Interpretación del proceso:

 Revisar la gráfica de rangos para puntos fuera de los límites de control como signo de la existencia de
causas especiales. Note que los rangos sucesivos están correlacionados, debido a que tienen un punto en
común y debido a esto se tiene que tener cuidado al interpretar tendencias.
 Las gráficas por lecturas individuales pueden ser analizadas para puntos fuera de los límites de control,
dispersión de puntos dentro de los límites de control y para tendencias o patrones. Cabe hacer notar que si
la distribución de proceso no es simétrica, las reglas mostradas anteriormente para gráficas X podrán
dar señales de causas especiales sin que éstas existan.
Gráficas de control por atributos
Cualquier característica de calidad que pueda ser clasificada de forma binaria: “cumple o no cumple”,
“funciona o no funciona”, “pasa o no pasa”, etc., a los efectos de control del proceso, será considerado como
un atributo y para su control se utilizará un Gráfico de Control por Atributos.
:
Los criterios de aceptación al utilizar gráficas de control por atributos deben estar claramente definidos y el
procedimiento para decidir si esos criterios se están alcanzando es producir resultados consistentes a través
del tiempo. Este procedimiento consiste en definir operacionalmente lo que se desea medir. Una definición
operacional consiste en:
1º . Un criterio que se aplica a un objeto o a un grupo

2º. Una prueba del objeto o del grupo y
3º. Una decisión, sí o no: El objeto o el grupo alcanza o no el criterio.
Gráfica P para Porcentaje de Unidades Defectuosas (atributos)
La gráfica p mide la fracción defectuosa o sea las piezas defectuosas en el proceso. Se puede referir a
muestras de 75 piezas, tomada dos veces por día; 100% de la producción durante una hora, etc. Se basa en la
evaluación de una característica (¿se instalo la pieza requerida?) o de muchas características (¿se encontró
algo mal al verificar la instalación eléctrica?). Es importante que cada componente o producto verificado se
registre como aceptable o defectuoso (aunque una pieza tenga varios defectos específicos se registrará sólo
una vez como defectuosa).
Pasos para la elaboración de la gráfica:
Paso 1- Frecuencia y tamaño de la muestra:

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

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

El porcentaje defectuoso promedio para los k subgrupos se calcula con la siguiente fórmula:
np1  np 2  ....  np k
p
n1  n2  .....  nk
p (1  p )
LSC p  p  3
n
p (1  p )
LIC p  p  3
n
donde n es el tamaño de muestra promedio.

NOTA: Cuando p y/o n es pequeño, el límite de control inferior puede resultar negativo, en estos casos el
valor del límite será = 0
Paso 4- Trace la gráfica y analice los resultados.
Ejemplo 4
Un fabricante de latas de aluminio registra el número de partes defectuosas, tomando muestras cada hora de n
= 50, con 30 subgrupos. Realizar la gráfica de control para la siguiente serie de datos obtenida durante el
muestreo.
Muestra Latas defectuosas Muestra Latas defectuosas

np np
1 12 16 8
2 15 17 10
3 8 18 5
4 10 19 13
5 4 20 11
6 7 21 20
7 16 22 18
8 9 23 24
9 14 24 15
10 10 25 9
11 5 26 12
12 6 27 7
13 17 28 13
14 12 29 9
15 22 30 6
Calcule la fracción defectuosa para cada muestra:
Muestra Latas defectuosas Fracción defectuosa Muestra Latas defectuosas Fracción defectuosa
np p np p
1 12 0.24 16 8 0.16
2 15 0.30 17 10 0.20
3 8 0.16 18 5 0.10
4 10 0.20 19 13 0.26
5 4 0.08 20 11 0.22
6 7 0.14 21 20 0.40
7 16 0.32 22 18 0.36
8 9 0.18 23 24 0.48
9 14 0.28 24 15 0.30
10 10 0.20 25 9 0.18
11 5 0.10 26 12 0.24
12 6 0.12 27 7 0.14
13 17 0.34 28 13 0.26
14 12 0.24 29 9 0.18
15 22 0.44 30 6 0.12
p  .2313
p (1  p ) .23 * .77
LSC p  p  3 = .2313  3 =.4102
n 50
p (1  p ) .23 * .77
LIC p  p  3 = .2313  3 =.05243
n 50
Trazando la gráfica
P Chart for C1
0.5 1
1
0.4 UCL=0.4102
Proportion
0.3
P=0.2313
0.2
0.1
LCL=0.05243
0.0
0 10 20 30
Sample Number
Figura 6-2.5 Gráfica P
Gráfica np
La gráfica np es basada en el número de defectuosos en vez de la proporción de defectuosos. Los límites son
calculados mediante la siguientes fórmulas.
LSC  np  3 np 1  p 
LIC  np  3 np1  p 
Ejemplo 5:
Utilizando los datos del diagrama anterior, construya la gráfica np e interprete los resultados.
De la tabla obtenemos p  0.2313 , n = 50.

Calculando los límites de control tenemos:
LSC = (50)(0.2313)  3  50 0.2313 0.7687  20.510

IC = (50)(0.2313)  3  50  0.2313 0.7687   2.620
NP Chart for cantidad

25 1
1
20 3.0SL=20.51
Sample Count
15
NP=11.57
10
5
-3.0SL=2.621
0
0 10 20 30
Sample Number
Figura 6-2.6 Gráfica NP
Se utiliza para determinar la ocurrencia de defectos en la inspección de una unidad de producto. Esto es
determinar cuantos defectos tiene un producto. Podemos tener un grupo de 5 unidades de producto, 10
unidades, etc.
Los límites de control se calculan mediante las siguientes fórmulas:
LSC  c  3 c
LSC  c  3 c
Donde:
c = total de defectos/ número de unidades de producto.
Ejemplo:
En la siguiente tabla tenemos el número de unidades de defectos observados en 26 muestras sucesivas de 100
filtros de seguridad.
muestra defectos muestra defectos

1 21 14 19
2 24 15 10
3 16 16 17
4 12 17 13
5 15 18 22
6 5 19 18
7 28 20 39
8 20 21 30
9 31 22 24
10 25 23 16
11 20 24 19
12 24 25 17
13 16 26 15
516
c   19.67
26
LSC  19.67  3 19.67  32.97
LIC  19.67  3 19.67  6.37
C Chart for C1
40 1
3.0SL=33.21
30
Sample Count
20 C=19.85
10
-3.0SL=6.481
1
0
0 10 20
Sample Number
Figura 6-2.7 Gráfica C

Diagrama u
El diagrama u se basa en el promedio de defectos por unidad inspeccionada:
c
u=
n
donde
c = número de defectos
n = cantidad de piezas inspeccionadas
Para determinar los limites de control utilizamos las fórmulas siguientes:
u
LSC  u  3
n
u
LIC  u  3
n
Ejemplo 629
Una compañía que fabrica computadoras personales desea establecer un diagrama de control del número de
defectos por unidad. El tamaño de muestra es de cinco computadoras. En la tabla se muestran el numero de
defectos en 20 muestras de 5 computadoras cada una. Establecer el diagrama de control u
muestra tamaño de muestra Número de defectos, c promedio de defectos por unidad u

1 5 10 2
2 5 12 2.4
3 5 8 1.6
4 5 14 2.8
5 5 10 2
6 5 16 3.2
7 5 11 2.2
8 5 7 1.4
9 5 10 2
10 5 15 3
11 5 9 1.8
12 5 5 1
13 5 7 1.4
14 5 11 2.2
15 5 12 2.4
16 5 6 1.2
17 5 8 1.6
18 5 10 2
19 5 7 1.4
20 5 5 1
Total 193 38.6
29
Statistical Quality Control, Douglas C. Montgomery, Second Edition pp.181
u
u i

38.60
 1.93
n 20
Los límites de control son los siguientes:
1.93
LSC  1.93  3  3.79
5
1.93
LIC  1.93  3  0.07
5
U Chart for C1
4
3.0SL=3.794
3
Sample Count
2 U=1.930
0 -3.0SL=0.06613
0 10 20
Sample Number
Figura 6-2.8 Gráfica U

CASO PRACTICO:
Como aplicación de las herramientas y de la metodología Seis Sigma en esta sección

presentamos un ejemplo de un proyecto de una empresa de desarrollo de Software en el
cual se aplicó Seis Sigma para el desarrollo de un proyecto.
Proyecto: Desarrollo de un sistema E-Commerce
Fase de definición.
 Impacto en el negocio: Una importante meta del negocio es el

“Ingreso por Ventas” . Es imperativo el desarrollo de este sistema ya
que representa una cantidad muy importante de ingresos por año.
Esto significa que se podrá perder esta cantidad si no somos capaces
de escuchar los requerimientos del cliente.
 Descripción del problema: Uno de los clientes mas importantes , pidió

el desarrollo del sistema E-Commerce, como una condición para
firmar el contrato de compra de computadoras. Está empresa dijo
explícitamente que no compraría computadoras a menos que el
proceso de ventas fuera soportado por un sistema vía Internet.
 Objetivos del proyecto: Desarrollar un sistema interno E-commerce

con la funcionalidad básica requerida por el cliente, para soportar el
proceso de venta.
 Alcance del proyecto: Comienza con la colocación de una orden y

termina con la entrega y aceptación del producto al cliente.
 CTQ´s del cliente:
 Disponibilidad 24 x 7
 Utilizabilidad y accesibilidad
 Precio competitivo
 Confiabilidad en la información
 Facilidad de uso
 Facilidad de proceso
 Entrega rápida del producto
 Contenido relevante
 Seguridad de las transacciones en línea
 Disponibilidad del producto
 Vista del producto
 Rapidez en las transacciones
 Rapidez de tiempo de respuesta
 Beneficios financieros: ganancias por ventas, reducción de costos

como resultado de la operación.
 Otros beneficios Cualitativos:
 Mejora de ventaja competitiva.
 Nueva herramienta para hacer negocios
 Incremento de la participación en el mercado
 Proyecto estratégico
 Mejores prácticas para otros negocios
Mapa del Proceso “Alto Nivel”
Proveedores Inputs Proceso Output Clientes

clave
Clientes Externos
Orden del cliente
proveedores Orden de Compra Empleados empresa A
sistema
E-commerce
FUNCTIONALIDA D
•Registro de la orden del cliente
•Transferencia
•Facturación
•Status de la orden
•Generación de Reportes
Recibir la
Recibir el Enviar el
Orden del Autorizarla
Pago Producto
Cliente
Fase de Medición:
Con la finalidad de conocer la situación existente del proceso de Venta y para mejorar la
funcionalidad del sistema E-Business, documentándolo bajo la metodología de
Calidad se requiere información con respecto a las siguientes preguntas:
1. ¿Has comprado productos de la empresa? SI/NO/POR QUÉ:

Explicar
(Enviar este cuestionario aunque su respuesta haya sido
NO)
EN CASO POSITIVO CONTESTA :
2. Indica el tipo de producto. PC/Laptop/ otros . Explicar
3. ¿ Fue por medio del esquema de E-Business ? SI/NO
4. ¿ Alguién te informó el procedimiento o está documentado?
indique
5. ¿ Cual fue el procedimiento?, indicar pasos a grandes
rasgos.
6. ¿La compra del producto fue de acuerdo a tus
expectativas/requerimientos/especificaciones técnicas?
Sí/No, Indica la razón.
CUESTIONARIO (2a. parte)
SOLO PARA EMPLEADOS QUE HAN

UTILIZADO/ACCESADO EL SISTEMA E-BUSINESS.
(Califica del 1 al 5 las características de las páginas actuales de

E-Business-Venta a Empleados;
siendo 5 excelente, 4 bueno, 3 adecuado, 2 regular, 1 malo).
Donde aplique da tus comentarios
1. FUNCIONALIDAD DE E-BUSINESS ( ¿información correcta en

pantalla?)
2. DISEÑO DE LAS PAGINAS (¿atractivas/llamativas'/contraste
de colores/botones de ligas)
3. FACILIDAD DE USO (¿ explicación correcta?)

4. TIEMPO DE RESPUESTA (¿acceso rápido?/ horarios de
accesos?)
5. RESULTO CONFIABLE (¿ requeriste llamar para confirmar
pedido o confiaste en que el sistema podía procesar
información, mensajes de confirmación de pedido?)
CAUSAS DE INSATISFACCION EN LAS COMPRAS
50 100
40 80
Percent
30 60
Count
20 40
10 20
0 0
B
PC WE ET
O
CATEGORIES PO GIN
A
RO OL
TO PA CA BS S
LAP O Y OO RO
NE OS S MU UIP OT
TIE CT DO EQ
Count Y A 27 ODU NOCI 14 6 3 1
PR O
Percent 52.9 DESC 27.5 11.8 5.9 2.0
Cum % 52.9 80.4 92.2 98.0 100.0
PROCEDIMIENTO UTILIZADO PARA REALIZAR LA COMPRA
100
30 80
Percent
60
Count
20
40
10
20
0 O 0
ISM
LM
ITO TO DA E
CATEGORIES CR YU OR
ES IEN A NP
TO E DIM IO CIO
EN OC CIB A
IMI PR A L RE
V EG
CED NA
Count O 17 OR 15 4 1
PR
Percent 45.9 40.5 10.8 2.7
Cum % 45.9 86.5 97.3 100.0
Niveles de desempeño E-Commerce
100
15
80
Percent
10 60
Count
40
5
20
0 0
AD D
IDA
D
VARIABLES LID IDA
A E BIL BIL
ION OD ES
A
NF
IA E
OD A
NCT ISEÑ A CC CO MP ST
FU D GIN A TIE PUE
PA RE
S
Count 4 4 3 3 3
Percent 23.5 23.5 17.6 17.6 17.6
Cum % 23.5 47.1 64.7 82.4 100.0
Funcionalidad Diseño
de la
1 Proceso E-Commerce
página
precios no
Web
Políticas y 1 actualizados
Fase de Análisisinformación
procedimientos
desconocidos Falta de especificaciones
1 técnicas
No documentados 3 inadecuada
1 formalemente
Los empleados no
Los colores no son
Falta de conocimiento conocen las
1 direcciones y 1 atractivos
3 acerca de las políticas
productos ofrecidos
Porque la versión de E-
Commerce no satisface los
requerimientos del cliente
ligas faltantes con otros
1 No es Tiempo muy 3 procesos de negocio
fácil
1 lento
No es
1 confiable Se necita la confirmación de un
vendedor para saber el tiempo de
Demasiada entrega
1 navegación
Se necesita ayuda para 3
1
Navegación 2 imprimir contrato
confusa
Accesibilidad Tiempo de
Respuesta Confiabilidad
Definición de Prioridades:
Fácil 1 2
Implementación
Difícil 3 4
Alto Bajo
Reporte de Fallas en el sistema E-Commerce

Impacto
 Perdida de información del cliente en la aplicación
 Cambios de información del cliente
 Paros en la operación
 Modificaciones en la lista de precios
Fue necesario analizar las fallas presentes y potenciales por lo cual se

realizará un FMEA
ANALISIS DEL MODO Y EFECTO DE LA FALLA POTENCIAL

(FAILURE MODE AND EFFECT ANALYSIS)
PROCESS/PRODUCT:E-COMMERCE PROCESS DESIGN FMEA DATE: January 3rd.2002
TEAM:E-COMMERCE PAGE __1_ FROM ___1__
BLACK BELT: Héctor Hernández
F M E A T O O L A C T IO N S T A KE N :R E S ULTS
O O
S C D S C D
E U E E U E
V R T V R T
E R E E R E
R E C R E C
I N C I N C
D C I N D C I N
A I O P A I O P
DESCRIPCION FALLA FALLA P. D CAUSA FALLA A CONTROLES N R ACCIONES RESP+ ACCIONES D A N R
PROCESO POTENCIAL EFECTO PRESENTES RECOMEND TOMADAS
Registro equivocado
Datos
deincorrectos
orden Cliente diferente 8 Registro incorrect 8 Reproceso 9 576 Revisiones Ventas-envío
Entrega retrasada 8 Dirección Equivocada 4 Reproceso 9 288 Verificar datos
Actualizar costos y documentación de info.
Olvido del clienteRetraso en el proceso 5 Información Omitida 5 Del cleiente 1 25 Información completa
Ventas
Orden interna del cliente orden interna de Ventas
Cantidades equivocadas
retraso Control de inventario equivocado
Equip obsoleto 10 Demasiadas personas 4 Inexistentes 1 40 Niveles adecuados
Entrega
inventario
Producto
Incremento en precio 10 Demasiadas personas 4 Inexistentes 1 40 Costeo adecuadoVentas
Compra equivocada 9 Demasiadas personas 4 Inexistentes 1 36 Control Adecuado
Ventas-Envío
Compras
Facturación equivocada
Datos incorrectos
Retraso en collección 8 Información incorrecta 2 Reproceso 1 16 Verificar datos correctos
Ventas-Facturación
Precio equivocado
Precio IncorrectoPrecio no actualizado 10 Precio incorrecto 6 Reproceso 5 150 Actualización de costos
No aplicar
utilidades brutas Negocio sin utilidades 10 Precio incorrecto 6 Reproceso 4 240 actualización a tiempo
Ventas
RISK PRIORITY NUMBER (TOTAL): 14 11 RESULTANT RISK PRIORITY NUMBER:
PRIMER QFD
I
n
f
o
r
m
a
c
i L
ó i
n C g
A o E D D a
C
l a n f i B s
T
t c f i s
Q
a t i c e r c
´
3 m u r i ñ e o
S
6 e a m e o g n
5 n l a N n i
S
t i c a c U d s o
I
d e z i v i s e t t
S
í a ó e a o r r
T
a t d n g l o o
E
s r a a d d a s
M
a d c e e e
A
d n y e i l l p s s
i s ó á t i P
s a c m n s P g a t R
p c o e e a i d i I
o c r n L r s n í o O
n i r s ó v s a s s R
i o e a g i w t I
b n c j i d o W i W D
l a t e c o r e c e A
CUSTOMER REQUIREMENTS e l a s a r d b o b D
Disponibilidad 4
Usable 4
Ac cesibilidad 4
Confiabilidad 5
Fác il uso 3
Instrucc iones Fác iles 3
Sistema amigable 4
Niveles de seguridad 3
Prec io c orrec to 5 9 STRONG
Espec ific ac iones téc nic as c orrec tas 5 3 MODERATE

Respusta a tiempo rápida 3 1 WEAK
Transac ciones rapidas 4

PRIORIDAD-CTQ 36 69 107 76 144 63 81 111 57 31
319
D
i
s
e
ñ
Tesis de Hector Hernández S. o
d
e
P
á
g
i
R n
SEGUNDO QFD e
g
C
o
a
i n W
s f e
t i b
r r
R o m d P
E a e a
Q d c O t
E e i p a r
o
U ó t c
c
R t A n i u i
I r c m e n
M a t d i N r i
I n u e z i d U o
E s a a v o s
a
N a l m N c e o
t
T c i e a i l a r
O c z n v ó e m a
S i a s e n s r e v
o c a g e d é
F n i j a d d q i z
U e ó e c e e u a
N s n s i l e n p
C ó s r t r P
I e d y n s e i e o r
O n e e g m p i
N e l r u i e a o
g
A l d - ó v r e l r
a
L 2 í a m g i i n n
i
E 4 n t a i d d t W d d
S X e o i c o a o e a a
SYSTEM REQUIREMENTS 7 a s l a r d s b s d
365 días disponibles 4
Altamente transaccional 4
Información corregida y actualizada 4
Confirmación de mensajes 5
Navegación Logica 5
Eficiencia en el servicio 3
Uso del Password 4
Diseño de la Página Web 5
Registro estadistico DB 4 9 STRONG
Ligas a otros sitios WEB 4 3 MODERATE

Prioridad del CTQ 36 45 36 45 45 27 36 45 36 36 1 WEAK
Análisis del QFD.

Como resultado de esta herramienta de calidad, el equipo de trabajo se
enfoco en las prioridades dadas en cada uno de los dos niveles del
análisis
1er QFD.....Requerimientos del sistema.
Enfocado principalmente en la navegación Lógica
320
2do. QFD.....Funcionalidad del sistema para ser usado exitosamente

tiene que incluir principalmente:
 Registro de transacciones en línea
 Confirmación de mensajes- confiabilidad del sistema
 Navegación lógica
Fase de Mejora
Con toda la información anterior se hace un mapeo detallado de todo el

proceso.
También se realiza un nuevo Diagrama de Ishikawa en el cual se
incluyen Cuales son los factores que pueden afectar el desempeño del
sistema.
Se lleva a cabo la configuración de Hardware que consiste en:
 Servidores
 Especificaciones técnicas
 Herramientas de desarrollo
 Lenguajes de programación
Se realiza el diseño del Software que consiste en el diseño de las

páginas Web.
Fase de Control
Para la fase de Control se utilizan reportes estadísticos que realiza el

sistema estos consisten en estar monitoreando constantemente el
sistema para tomar las acciones correctivas en caso de ser necesario.
321
CONCLUSIONES Y RECOMENDACIONES
Seis Sigma es un sistema diseñado para cumplir con las amplias exigencias de los consumidores y los más
altos estándares de calidad a nivel mundial, reduciendo la variabilidad casi a cero.
Es un sistema con un enfoque estructurado, metodológico, con un proceso de análisis y mejora, que se centra
totalmente en el cliente.
La metodología fomenta en gran medida el trabajo en equipo, debido a que en la mayoría de las herramientas,
el mecanismo para proponer ideas que nos conducen a la solución de problemas, es el resultado de la
participación de todas las personas involucradas. La mejora continua de los procesos es el objetivo común de
cada uno de los miembros.
Es muy importante no criticar a la gente cuando emitan algún juicio o tengan una idea, de lo contrario la
participación en equipo sería severamente afectada. También cabe señalar que la gente no es culpable de los
problemas, ya que los procesos cuando no están bien definidos y diseñados son los que generan la mayoría de
los problemas.
En un principio es difícil integrar a las personas para realizar sus proyectos y que dediquen el tiempo
necesario para hacerlo, sin embargo cuando la gente adopta Seis Sigma como una Cultura además de realizar
sus proyectos aplica la metodología en su trabajo diario, para la solución de problemas y mejora de los
procesos.
La Estadística es utilizada en gran medida dentro de la metodología, pero hay que aclarar que está es un
medio y no un fin. A los clientes no les importa que un producto haya sido producido bajo el esquema Seis
Sigma, cuando tiene fallas o defectos, lo que les interesa es tener un producto de excelente calidad, a
tiempo, sin defectos y que sea lo más económico posible.
Seis Sigma no ofrece soluciones a corto plazo, generalmente los proyectos son realizados en un periodo de 3 a
6 meses. Con la metodología se lleva a cabo una mejora incremental a mediano plazo comparado con otras
técnicas como por ejemplo reingeniería, la cual ofrece soluciones a largo plazo.
Seis Sigma aplica a cualquier tipo de procesos tanto en manufactura como en servicios a diferencia de otros
sistemas que están enfocados solamente a determinadas áreas.
El nivel de capacitación requerido es muy alto en la implementación. Sin embargo el retorno de la inversión
puede ser muy grande, cuando los proyectos son bien conducidos.
Cuando la metodología es seguida adecuadamente traerá beneficios y ahorros, sin embargo si los proyectos
son desarrollados vagamente o con criterios de selección pobres se vuelve un proceso burocrático. En este
caso la metodología se puede volver demasiado rígida y tediosa.
Seis Sigma tiene mayor potencial para alcanzar el éxito que otros sistemas de calidad como por ejemplo
Calidad Total (TQM), la razón es que los otros sistemas en ocasiones no tienen metas muy claras, una
metodología bien organizada y falta la integración de los equipos de trabajo así como el liderazgo, entre otras.
La eliminación o reducción de la inspección es un punto muy importante dentro de la metodología, al seguir

las diferentes técnicas ; por ejemplo con el uso de sistemas Poka- Yoke entre otras la inspección deja de ser
necesaria, se busca el origen de las causas de los defectos para eliminarlos al máximo.
La implementación de la filosofía Seis Sigma requiere que los directivos, champions, técnicos y otros
responsables del departamento de calidad o de Seis Sigma sean capaces de desempeñar el papel de
administradores del sistema de calidad y de proporcionar técnicas específicas especializadas a los grupos de
operación, para poder realizar sus proyectos.
No se debería de llevar a cabo un proyecto del tamaño de Seis Sigma si la organización no está preparada
culturalmente y mucho menos si no está dispuesta al cambio.
La selección adecuada de los proyectos tendrá una especial incidencia en el éxito de la implantación de la
filosofía Seis Sigma en la empresa. El resultado de proyecto general se mide por la suma del ahorro
322
económico que ha presentado el mismo. Es importante que el Champion, directivos, black belts dediquen
tiempo a discutir con los miembros del equipo en fase de formación y les ayuden a elegir correctamente el
tema de su proyecto de mejora.
Hoy en día los cálculos manuales casi han desaparecido, por ejemplo sería demasiado complejo resolver una
serie numérica sin la ayuda de un Software. El tiempo invertido sería demasiado y las posibilidades de
cometer errores muy altas.
Se recomienda ampliamente la adquisición de un Software en la implementación del sistema Seis Sigma de lo
contrario no es recomendable llevarla a cabo, este Software es el que ya se ha mencionado en las herramientas
vistas en este texto.
Recomendaciones para selección de proyectos:
 Escoger un proyecto de mejora que este relacionado con el trabajo diario y que cause gran impacto en los
clientes.
 Debe de estar alineado con las iniciativas del negocio.
 Mejorar un proceso existente.
 Asegurarse de que el alcance no sea demasiado extenso, y también que el proyecto sea realizable. En este
caso, se puede segmentar para ser realizado por diferentes personas, cada uno con distintos alcances.
 Escoger un proyecto en el cual se pueda generar o se tengan suficientes datos para ser medidos.
 Que genere ahorros financieros.
 De ser posible escoger un proceso con mas ciclos, altos volúmenes o tiempos de ciclo cortos.
Barreras para alcanzar el éxito en los proyectos:
 Los proyectos no tienen el soporte de la gerencia.

 Alcance demasiado largo o confuso.
 Los objetivos del proyecto no son significativos o generan conflicto con otros.
 No se tienen medidas claras de los resultados.
 No se destina un tiempo para la realización del proyecto.
 El proyecto no esta alineado con las prioridades del negocio.
 Green Belt / Black Belt no entrenado.
 Información no disponible.
 El proyecto no utiliza una metodología de mejora.
Seis Sigma no es un sistema más que se está imponiendo para cumplir con requisitos, el aplicar Seis Sigma
implica cambiar la forma de pensar de la gente y un cambio cultural en toda la organización. Es muy notorio
cuando se trabaja bajo esta filosofía como se rompen las barreras entre los departamentos o áreas, realmente
podemos decir que actualmente ya no existen áreas si no más bien procesos La información y la
comunicación se ven fortalecidas en gran medida.
323
BIBILIOGRAFIA
Implementing Six Sigma: Smarter Solutions Using Statistical Methods/

Forrest W.Breyfogle III. : John Willey & Sons, Inc. 1999.
The Six Sigma Handbook: a complete Guide for Greenbelts, BlackBelts,

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

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

Graybill, Hariharan K. Iyer Belmont, Calif. : Duxbury, 1994
Probabilidad y Estadística para Ingeniería y Administración/

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

Universidad Politécnica de Valencia, Alfaomega, 2001.
Control de Calidad y Estadística Industrial/ Acheson J. Duncan:

Alfaomega, 1996.
Estadística no paramétrica: Aplicada a las ciencias de la

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

trabajo, Noriega Limusa, 1991.
Estadística para las ciencias sociales y el Comportamiento/

Harold Elorza: Oxford, segunda edición, 1999.
El protocolo de investigación/ Ignacio Méndez Ramírez: Trillas,

1997.
Calidad Total/ Alberto Galgano: Díaz de Santos, 1993.
Desarrollo de una cultura de Calidad/ Humberto Cantú Delgado:

Mc Graw Hill, segunda edición 2001.
Los siete instrumentos de la Calidad Total/ Alberto Galgano: Díaz

de Santos, 1995.
324
Análisis y planeación de la calidad/ J.M. Juran: Mc. Graw Hill,

tercera edición, 1995
David Hoyle/ Manual de Valoración del sistema de calidad ISO

9000: Paraninfo, 1998
¿Qué es Control Total de Calidad? / Kaouru Ishikawa: Ed. Norma,
1985.
Administración de Operaciones y producción / Hamid Norri,

Russell Radford: Mc Graw Hill, 1997
Introduction to statiscal quality control / Douglas C. Montgomery. 3rd

ed. New York : J. Wiley, 1996.
Regression analysis by example / Samprit Chatterjee, Bertram Price 2nd

ed. New York : J. Wiley, 1991
Diseño y análisis de experimentos / Douglas C. Montgomery ; traductor

Jaime Delgado Saldívar México : Grupo Editorial Iberoamérica, 1991
Estadística / Richard C. Weimer. México : Compañía Editorial

Continental, 2000
Curso general sobre Statgraphics : procedimientos : métodos

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

Verbeeck México : Iberoamérica, c1990
Design and analysis of experiments / Klaus Hinkelmann, Oscar

Kempthorne. New York : John Wiley, 1994
Statistics for the engineering and computer sciences / William

Mendenhall, Terry Sincich 2nd ed San Francisco : Dellen : Collier
Macmillan, c1988
Questionnaire design and attitude measurement / A. N. Oppenheim New

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

el diagnóstico de la calidad de vida en el trabajo y guía de mejora de la
325
misma.
1999.
Lobato Calleros, María Odette.: 1999: Desarrollo de un indicador de la

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

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

Book, c1986
Zero quality control : source inspection and the Poka-yoke system /

Shigeo Shingo ; tr. Andrew P. Dillon ; with a pref. by Norman Bodek
Cambridge, Mass. : Productivity, c1986
Montgomery, Douglas C.: 1991: Design and analysis of experiments /

Douglas C. Montgomery 3rd ed. New York : J. Wiley, 1991
Khuri, André I: 1987: Response surfaces : designs and analyses / André

I. Khuri, John A. Cornell New York : M. Dekker, 1987
326
327

Tesis Herr SSHector

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis Herr SSHector

Cargado por

Copyright:

Formatos disponibles

Tesis de Hector Hernández S.

HÉCTOR HERNÁNDEZ SINENCIO

PARA LA OBTENCIÓN DEL GRADO DE MAESTRO EN INGENIERÍA DE

“MANUAL DE HERRAMIENTAS ESTADÍSTICAS PARA LA

ASESOR: DR. PRIMITIVO REYES AGUILAR

Capitulo 1 Introducción a la metodología Seis Sigma

Capitulo 2 Fase de Definición

Capitulo 3 Fase de Medición

Capitulo 4 Fase de Análisis

4.1 Capacidad del Proceso

Capitulo 5 Fase de Mejora

Capitulo 6 Fase de Control

Actualmente, uno de los mayores problemas que enfrentan las

Las organizaciones con una misión como la del diseño de productos, la

La labor de los diseñadores de producto, por ejemplo, es la de innovar

¿Qué mecanismos debemos adoptar para reducir la variación en

Debido a las pérdidas económicas que generaban estos desperdicios y

La metodología SEIS SIGMA, engloba técnicas de Control Estadístico de

La metodología Seis Sigma involucra una medida, para determinar el

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

Es importante que la administración se enfoque a los problemas que

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

La estrategia Seis Sigma incluye el uso de herramientas estadísticas

Aplicar la iniciativa Seis Sigma dentro de una compañía significa

Como ejemplos de los beneficios que han obtenido algunas empresas

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

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

 Lockheed Martin gastaba un promedio de doscientas horas de

Ante la necesidad de implementar en las empresas sistemas que

A continuación se mencionan las ventajas que tiene la implementación

Ventajas Seis Sigma vs. Calidad Total

 Mayor uso de técnicas estadísticas en la implementación de

Ventajas Calidad Total vs. Seis Sigma

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

Desventajas de los sistemas de Aseguramiento de Calidad vs.

 El sistema de comunicación es lento.

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

 Evitar en lo posible, las deducciones de fórmulas matemáticas y

 Se pretende que el manual sea una herramienta valiosa, tanto para

 Implementar en las empresas sistemas de calidad basados en la

IV. ALCANCE Y TRASCENDENCIA

V. PLANTEAMIENTO DEL PROBLEMA

La literatura con la cual se cuenta es de difícil acceso ya que existe una

CAPITULO 1 INTRODUCCION A SEIS SIGMA.

La métrica de Seis Sigma

Nivel actual Cambio Porcentaje de mejora

Realizando un comparativo de el nivel de calidad sigma de varias

Figura 1-2. Distribución normal centrada.

Límitedeespecificación Porcentaje Defectos ppm

Con la distribución normal centrada dentro de los límites Seis Sigma , se

Figura 1-3 Distribución normal descentrada 1.5 

Límite de es pecificación P orcentaje Defectos ppm

Tabla 1.1 Porcentajes y cantidad de defectos a los que corresponden los

10 PASOS DE MOTOROLA PARA LA MEJORA DE PROCESOS

1. Priorizar oportunidades de mejora: Conocer y especificar los

Figura 1-4 10 pasos de Motorola para la mejora de procesos.

1. Priorizar oportunidades de mejora

2. Seleccionar el equipode trabajo adecuado

3. Describir el proceso en su totalidad

Analisis del desempeño de los sistemas de

Identificar y describir los procesos y productos

6. Aislar y verificar los procesos críticos

Acción requerida en el proceso