UNIVERSIDAD IBEROAMERICANA

ESTUDIOS CON RECONOCIMIENTO DE VALIDEZ OFICIAL

POR DECRETO PRESIDENCIAL DEL 3 DE ABRIL DE 1981

“MANUAL DE HERRAMIENTAS ESTADÍSTICAS PARA LA

IMPLEMENTACIÓN DE PROYECTOS SEIS SIGMA”

TESIS

QUE PARA OBTENER EL GRADO DE

MAESTRO EN
INGENIERÍA DE CALIDAD

Presenta

HÉCTOR HERNÁNDEZ SINENCIO

México, D.F. 2003

 ÍNDICE

I Antecedentes ................................................................................................ 2
II Justificación ................................................................................................ 6
Ventajas de Seis Sigma vs. Calidad Total .................................................. 6
Ventajas de Calidad Total vs. Seis Sigma .................................................. 7
Desventajas de Aseguramiento de calidad vs. Seis Sigma ........................... 8
III Objetivos ................................................................................................ 8
IV Alcance y trascendencia ................................................................................. 9
V Planteamiento del problema ............................................................................. 9

Capítulo 1 Introducción a la metodología Seis Sigma .......................................... 11

La métrica Seis Sigma........................................................................... 11
Pasos de Motorola para la mejora de procesos ...................................... 14

Capítulo 2 Fase de Definición ............................................................................ 17

Identificación de clientes internos y externos ........................................ 17
Determinación de los CTQ´s del proyecto ............................................. 17
Selección del problema ........................................................................ 19
Razón de la selección .......................................................................... 19
Impacto en el negocio ......................................................................... 19
Descripción del problema ..................................................................... 20
Objetivos del proyecto ......................................................................... 21
Alcance del proyecto ........................................................................... 21
Ahorros .............................................................................................. 23
Metas .............................................................................................. 23
Mapa del proceso ................................................................................ 24
Selección del equipo del trabajo ........................................................... 24

Capítulo 3 Fase de Medición............................................................................... 26

Selección de los CTQ´s......................................................................... 27
Definición de estándares de desempeño ................................................ 29
Plan de recolección de datos ................................................................ 30
3.A Estadística descriptiva ................................................................. 34
Medidas de Tendencia central ................................................. 34
Medidas de dispersión ............................................................ 36
Datos agrupados .................................................................... 38
Histograma ............................................................................ 41
Cuartiles ................................................................................ 45
Estadística en Excel ................................................................ 46
3.B Probabilidad ............................................................................... 50
Definición clásica de probabilidad ............................................ 50
Probabilidad compuesta .......................................................... 50
Teorema de Bayes .................................................................. 55
Análisis Combinatorio............................................................... 57
3.C Distribución Normal .................................................................... 61
Propiedades de la distribución normal ...................................... 61
Distribución normal estándar ................................................... 63
Distribución normal en Excel ................................................... 65
3.1 Lluvia de ideas ........................................................................... 68
3.2 Técnica de grupos nominales (NGT) ............................................ 69
3.3 Análisis de Campo de Fuerzas ...................................................... 71
3.4 Diagrama de Ishikawa ................................................................ 72
3.5 Diagrama de Pareto .................................................................... 76
3.6 Diagrama Matriz .......................................................................... 81
3.7 Matriz Causa y Efecto .................................................................. 83
3.8 Diagrama de Relaciones .............................................................. 92
3.9 Diagrama de Afinidad................................................................... 94
3.10 Hoja de Verificación ..................................................................... 97
3.11 Carta de Tendencias ................................................................... 99
3.12 Diagrama de Dispersión ............................................................ 100
3.13 Mapa de procesos .................................................................... 106
3.14 QFD ......................................................................................... 111
3.15 Benchmarking .......................................................................... 126
3.16 Capacidad de los sistemas de medición (R&R) ............................ 131
Capítulo 4 Fase de Análisis............................................................................... 146
Determinación de la capacidad del proceso .......................................... 148
Objetivo de desempeño ...................................................................... 148
Fuentes de variación ......................................................................... 149
4.1 Capacidad del Proceso ............................................................... 150
4.2 Mediciones para Seis Sigma........................................................ 166
4.3 AMEF ........................................................................................ 174
4.4 Intervalos de confianza y Pruebas de hipótesis ............................ 184
Igualdad de dos medias (varianzas conocidas) ........................ 191
Igualdad de dos medias (varianzas desconocidas) ................... 195
Igualdad de dos varianzas ..................................................... 202
Proporciones ......................................................................... 205
Prueba T por pares................................................................ 207
4.5 Tablas de Contingencia .............................................................. 211
4.6 Análisis Multi-vari....................................................................... 215
4.7 ANOVA...................................................................................... 221
4.8 Análisis de Regresión ................................................................. 232
Regresión lineal simple .......................................................... 232
Residuales ............................................................................ 238
Inferencias sobre el modelo de regresión lineal ....................... 241
Análisis de correlación .......................................................... 243
Análisis de regresión múltiple ................................................. 248

Capítulo 5 Fase de Mejora ............................................................................... 260

Causas potenciales y caracterización de las x´s.................................... 261
Relaciones entre variables................................................................... 261

5.1 Diseño de experimentos (DOE)...................................................... 263

Diseños Factoriales................................................................ 264
Diseño factoriales en Minitab.................................................. 266
Diseño factorial 2k ................................................................. 280
Técnica de confusión en los diseños 2k ................................... 284
5.2 Diseño central compuesto 2k ......................................................... 289
 5.3 DOE Taguchi .................................................................................. 299
Arreglos ortogonales y gráficas lineales ....................................... 299
Índices Señal a Ruido................................................................. 321
5.4 Superficie de respuesta (RSM)......................................................... 335

Capítulo 6 Fase de Control ............................................................................... 348

6.1 Cartas de Control.......................................................................... 352
X-R ........................................................................................... 354
Interpretación del control del proceso ......................................... 358
X-S ........................................................................................... 359
Individuales I ............................................................................ 361
P ............................................................................................ 364
np ............................................................................................ 367
C ............................................................................................ 368
U ............................................................................................ 370
6.2 Pre- Control.................................................................................... 372
6.3 Poka – Yoke .................................................................................. 375
Conceptos básicos de capacidad cero.......................................... 379

Capítulo 7 Caso práctico .................................................................................. 380

Conclusiones y recomendaciones ..................................................................... 390

Anexo 1 Tablas ............................................................................................ 394

Bibliografía ............................................................................................ 406

I. ANTECEDENTES

Actualmente, uno de los mayores problemas que enfrentan las empresas es 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 en
la calidad de los productos.

2
¿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 a 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.

3
La metodología SEIS SIGMA, engloba técnicas de Control Estadístico de Procesos,
QFD,Taguchi, Benchmarking, entre muchas 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 ( σ ) 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. También 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.

4
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.

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 del 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 sólo 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.

1
Black Belt es nombre registrado por Motorola Inc. en U.S.A
5
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. JUSTIFICACIÓN

Ante la necesidad de utilizar 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.

6
 • 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 6σ , 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 dirección.
• Uno de los mayores beneficios que tiene Seis Sigma es que rompe las barreras
entre departamentos utilizando la administración por procesos “Cross Functional”.

Ventajas Calidad Total vs. Seis Sigma

• Realiza un diagnóstico 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 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.

7
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 inconformidades a la alta gerencia.
• El seguimiento de las recomendaciones corresponde exclusivamente al
departamento de auditoría y en ocasiones no se involucra a la alta administración.
• Cuando las auditorías 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 auditoría 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.

8
• 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 mencionó a aquellas personas que tienen la labor de
implementar sistemas de calidad y realizar proyectos de mejora, basándose en la
metodología Seis Sigma.
Asimismo dado el carácter didáctico 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 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

9
uno de los pasos es claro, bien estructurado y menciona 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.

10
 CAPÍTULO 1 INTRODUCCIÓN A LA METODOLOGÍA SEIS SIGMA.

La métrica de Seis Sigma

El nivel sigma, es utilizado comúnmente como medida dentro del Programa Seis Sigma,
incluyendo los cambios o movimientos “típicos” de ± 1.5σ 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
3σ 4σ 10x

4σ 5σ 30x

5σ 6σ 40x

Realizando un comparativo del nivel de calidad sigma de varias empresas se determinó

que el promedio de estas se encuentra en el nivel 4σ . Las empresas con nivel 6σ 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 1.1 se muestra el concepto básico de la métrica de Seis Sigma, en donde las
partes deben ser manufacturadas consistentemente y estar dentro del rango de
especificaciones.
La distribución normal muestra los parámetros de los niveles tres sigma y seis sigma.
Con la distribución normal centrada dentro de los límites Seis Sigma, se tendría
únicamente una porción de .002 ppm.2
Para compensar las inevitables consecuencias de los errores de centrado de procesos , la
media de la distribución se desfasa ± 1.5σ (Según Motorola y Juran, no necesariamente
aplica para cualquier empresa).

2
Forrest W. Breyfogle III, Implementing Six Sigma, John Wiley & Sons Inc. pp. 9

11
Figura 1-1. La figura muestra el número de partes por millón (ppm) que estarían fuera de los
límites de especificación tomando como límite el valor de cada desviación estándar.

Este ajuste proporciona una idea más 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 direcciones3

Límite de especificación Porcentaje Defectos ppm

± 1σ 68.27 317,300
± 2σ 95.45 45,500
± 3σ 99.73 2,700
± 4σ 99.9937 63
± 5σ 99.999943 0.57
± 6σ 99.9999998 0.002

Tabla 1.1 PPM distribución normal centrada

3
Análisis y planeación de la calidad, J.M. Jurán Mc. Graw Hill, 1995 pp. 397

12
 LSL USL

− 6σ − 5σ − 4σ − 3σ − 2σ − 1σ X + 1σ + 2σ + 3σ + 4σ + 5σ + 6σ

Figura 1-3 Distribución normal descentrada 1.5 σ

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.

Límite de es pecificación Porcentaje Defectos ppm

30.23 697,700
± 1σ
69.13 308,700
± 2σ
93.32 66,810
± 3σ
99.379 6,210
± 4σ
99.9767 233
± 5σ
99.99966 3.4
± 6σ

Tabla 1.1 Porcentajes y cantidad de defectos a los que corresponden los diferentes
niveles “Sigma”

13
10 PASOS DE MOTOROLA PARA LA MEJORA DE PROCESOS

1. Priorizar oportunidades de mejora: conocer y especificar los problemas haciendo las

siguientes preguntas: cómo, cuándo, dónde, 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.
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 del 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.

14
 1. Priorizar oportunidades de mejora

2. Seleccionar el equipo de trabajo adecuado

3. Describir el proceso en su totalidad

Análisis 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
y
y Rediseño de producto
y Acción de la Gerencia

proceso proceso
es capaz no capaz

Implementación de condiciones de operación y

control óptimas
8.
y objetivos/tolerancias
y controles de proceso
y Procedimientos para acción preventiiva
y 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

Figura 1-4 diagrama de flujo: 10 pasos de Motorola para la mejora de procesos

15
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.

16
 CAPÍTULO 2 FASE DE DEFINICIÓN

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 produce, 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 cuál es el problema,
definir los CTQ´S (Crítico 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 cuáles 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 Crítico para la calidad (Critical to quality), es un atributo o característica de calidad de
un producto o servicio que es importante para el cliente.

17
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 qué es lo que espera nuestro cliente acerca del servicio o producto que le
proporcionamos. Mediante la voz del cliente podemos saber cuál 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

18
3. Selección del problema:

El problema se puede dar debido a: devoluciones, nivel de servicio, entregas tardías,

desperdicios, producto defectuoso y documentos inadecuados.
Seleccionamos el problema con base en 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 por qué se seleccionó el problema:

• Efecto económico, reclamo de mercado, rechazos, % de ventas perdidas entre 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
cuáles serían las consecuencias en caso de no realizar el proyecto. Debemos conocer cuál
ha sido la situación en el negocio debido al proceso actual . ¿Qué nos ha ocasionado:

19
pérdida de clientes?, ¿Incumplimiento en los niveles de servicio?, Así cómo cuantificar (en
porcentajes y en pérdidas de dinero).
Es importante describir cómo 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: “¿por qué? ¿por qué? ¿por qué?, 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.

3 puntos 2 puntos 1 punto

Criterio de evaluación

Evaluación

Problema
Importancia Prioridad Política Depto Periodo de ejec. Factibilidad Orden
Devoluciones 12 puntos
Entregas tardías 10 puntos
Docs. Inadec. 10 puntos
Nivel servicio 9 puntos

Figura 2-1 Matriz de evaluación.

20
7. Definición de los objetivos del proyecto:
Para determinar los objetivos del proyecto nos cuestionamos ¿qué es lo que vamos a
obtener con la realización del proyecto? Generalmente es mejorar e implementar el
proceso para una fecha específica. Ej: Implementar el 100% de las mejoras de un proceso
en la fecha propuesta, incrementar el nivel de servicio en un 98%.
En la tabla 2-1 encontramos puntos a considerar para definir los objetivos de manera
precisa.

8. Alcance del proyecto:

Sirve para delimitar el proceso (alcance del proyecto de Calidad).
Punto de inicio: identificar la actividad en donde empieza el proceso.
Punto final: identificar la actividad donde termina el proceso.
Dentro del alcance: actividades que se encuentran dentro del proceso.
Fuera del alcance: actividades que no están dentro del proceso.

Los proyectos de los Green Belts 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 con
base en 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.

21
 PUNTO CRÍTICO
• Aclarar la meta del valor objetivo.
• No plasmar simplemente los deseos y
expectativas en el objetivo, sino
establecer un objetivo factible de
manera escalonada.
• Establecer un objetivo con fundamento,
no se debe tomar una decisión de
impulso (sin analizar).
Punto clave para establecer el valor
objetivo:
• Definirlo tomando en cuenta las políticas
de la empresa.
• En caso de no tener un concepto claro
de las políticas, analizar la importancia
de los problemas y/o mejoras, cuando
nos ocasionen un defecto al proceso
posterior, factibilidad de cumplimiento,
programa, distribución de cargo, etc. y
definirlo.
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.
ACTIVIDADES
• Indicar el objetivo con valores en forma
numérica en lo posible.
• El objetivo debe tener relación con el
efecto esperado.
• El objetivo debe de ser concreto. Ej:
¿qué? reducir el porcentaje defectuoso en
los productos A.
¿hasta cuándo? de Mayo de 2002 a
Octubre de 2002.
¿hasta cuánto? bajar hasta 1% o menos
del 1% del promedio defectuoso.
• Existe un método para establecer el
objetivo final de una vez; otro
estableciéndolo en forma gradual entre
objetivo primario y secundario,
establecer períodos de tiempo cortos.
• Establecer objetivos graduales en los
casos 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.
22
Ejemplo:

CONDICIÓN ACTUAL
(%) 6
V 5
E
4 OBJ. PRIMARIO
3
N 2
OBJ. SECUNDARIO 0%
T 1
A 0 1 2 3 4 5 6
S OBJETIVO FINAL
PERÍODO DE TIEMPO
Figura 2-2 Ejemplo objetivos del proyecto.

9. Ahorros: Identificar de dónde se van a obtener los ahorros financieros para el

proyecto de Calidad. Cuáles 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.

23
 11. Mapa del proceso: realizaremos un mapeo del proceso de alto nivel, identificando
cuáles son los proveedores, entradas, proceso, salidas y 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.

24
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.

25
 CAPÍTULO 3 FASE DE MEDICIÓN

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 sí existen datos que se encuentren
fuera de especificaciones, que estén causando problemas en nuestros procesos. Para realizar
esta actividad es de suma importancia conocer: ¿Qué es lo que necesitamos medir? y
¿Cómo lo vamos a medir? A lo largo de este capítulo tenemos diferentes herramientas que
nos ayudarán a responder estas preguntas.
Dependiendo de las condiciones y necesidades que tengamos seleccionaremos una ó 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 qué mediciones son importantes para el proyecto.
• Recolectar datos relevantes.
• Convertir los datos en números para conocer su comportamientos.
• Detectar cuál es la frecuencia con la que ocurren los defectos.

26
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 ruido
dependiente independiente • Incontrolables
• Salida (respuesta) • Entrada-Proceso
• Efecto • Causa
• Síntoma • Problema
• Monitoreable • Controlable.

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 importante(s). 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.

27
 No. Herramienta ¿Para qué es utilizada?

3-A Estadística Descriptiva Definiciones básicas con ejemplos de Estadística.

3-B Probabilidad Definiciones básicas con ejemplos de Probabilidad.
3-C Distribución Normal Propiedades de la distribución 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 grupos Permite al equipo rápidamente realizar un consenso de la importancia
nominales relativa de asuntos, problemas o soluciones posibles. Las causas más
importantes son atacadas y se priorizan para encontrar la mejor
solución.
3-3 Análisis de Campo de Analizar cuales son las fuerzas dentro de una organización o proceso
Fuerzas. que están dando empuje a las soluciones y cuales están frenando el
progreso.
3-4 Diagrama Causa- Representa de forma ordenada y completa todas las causas que
Efecto (Ishikawa o pueden originar un problema (efecto) es una herramienta muy
Fishbone) efectiva para encontrar las causas más importantes de un problema y
con base en el análisis de las causas encontrar la mejor solución.
3-5 Diagrama de Pareto Se centra en los problemas que tienen el potencial más grande de
mejora. Muestra la frecuencia relativa en una gráfica de barras
descendiente.
3-6 Diagramas Matriz Método utilizado para mostrar las relaciones que existen entre
métodos, causas, etc. Determinando la fuerza que existe entre estas.
Permite identificar las medidas más convenientes para la solución.
3-7 Matriz Causa y efecto Relaciona las entradas claves a los CTQ´s y el diagrama de flujo del
proceso como su fuente. Sirve para las entradas clave a usar en
AMEF´S, planes de control y estudios de capacidad.
3-8 Diagrama de Permite al equipo identificar, analizar y clasificar las relaciones causa
Relaciones y efecto que existen entre todos los elementos críticos, para lograr una
solución efectiva.
3-9 Diagrama de Afinidad Agrupar en categorías afines las posibles causas que ocasionan un
problema, permitiendo obtener la causa que lo origina.
3-10 Hoja de Verificación Recolectar datos basados en el comportamiento de un proceso con el
fin de detectar tendencias, por medio de la captura, y control

28
 relativo del proceso.
3-11 Carta de tendencias Conocer el comportamiento de un proceso para poder tomar las
acciones correctivas a tiempo cuando es necesario.
3-12 Diagrama de Es una técnica utilizada para estudiar la relación entre dos variables,
dispersión facilitando la comprensión del problema planteado.
3-13 Mapa de procesos Proveen una secuencia gráfica de cada uno de los 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.
3-14 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 ¿cómo? del proceso.
3-15 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.
3-16 Capacidad de los Sirve para determinar qué tan grandes son las variaciones en base a
sistemas de medición ciertos parámetros de los sistemas de medición, incluyendo equipo y
( Análisis R&R) gente.

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, sino 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.

29
3) Establecer y validar el plan de recolección de datos:

Para realizar 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? RECOLECCIÓN DE DATOS
Where? ¿Dónde?
When? ¿Cuándo?
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 cuáles eran
las causas por las cuales estaba sucediendo esta situación.

30
1) Seleccionar los CTQ´S:
El equipo de trabajo realizó una tormenta de ideas, el cuestionamiento que se hizo es ¿por qué
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 límite de especificación.
• Defecto: se define como defecto cuando un cliente no está satisfecho con el tiempo de
respuesta.

Para evaluar la satisfacción del cliente en cuanto al tiempo de respuesta realizamos un

cuestionario que aplicamos aleatoriamente a diferentes clientes.

31
Diseño del cuestionario1:
Para poder diseñar un cuestionario adecuado debe haberse definido de antemano cuáles son los
objetivos de la investigación y con qué 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. Enseguida 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 claras. Con esto validamos la reproducibilidad del cuestionario.

1
Ignacio Méndez Ramirez. El protocolo de investigación .Ed. Trillas

32
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 fórmula2:

σp= pq
n

σp = error estándar 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.

2
Introducción al estudio del trabajo. Oficina internacional del trabajo Ed. Limusa

33
 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 las 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 :
34
 (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
muestras que presenten una o más 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.

35
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

r r
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.

36
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) Cálculo 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

37
 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

38
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.

39
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 − ( fixi )
2
2

Mediante la fórmula s = 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

40
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.

41
Paso 4: Calcular el tamaño del intervalo, dividiendo el rango entre el número de
94.37
columnas: = 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 límites 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
42
Paso 7: Basándose en los datos anteriores construya el histograma

Construcción del histograma en Excel:

− 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.

43
− Una vez insertado el histograma podrá hacer modificaciones de la escala, color,
títulos etc. Haciendo clic en el elemento deseado.

44
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
n
observación en la posición corresponde al primer cuartil (Q1),la observación en la
4
n
posición corresponde al segundo cuartil (Q2) siendo este el valor de la mediana de la
2
3(n)
mediana (~
x ) , 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:3

La frecuencia acumulada hasta el intervalo [27-36) nos da 31 casos, quedando 1.5 casos
1.5
del 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
Q2 = = = 65 , la frecuencia acumulada hasta el intervalo [36-45) nos da 48 casos,
2 2
quedando 17 casos del siguiente intervalo [45-54), por tanto Q2 cae en
17
45 + (9) = 50.46
28
Q2= 50.46.

3
Acheson J. Duncan,Control de Calidad y estadística industrial, Alfaomega, 1996

45
 3(130 ) 3.5(9)
Q3 = = 97.5 , realizando el cálculo 63 + = 65.42 , Q3= 65.42.
4 13
Estadística descriptiva en Excel:

En el menú de Análisis de datos podemos obtener estadísticas de un conjunto

determinado de datos.

Seleccione:

Herramientas > Análisis de datos > Estadística descriptiva

− 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.

46
 − 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 esta
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.
47
 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.4

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

4
Richard C. Weimer, Estadística, CECSA, segunda edición
48
4. A continuación se muestra el diagrama de caja:

49
 3-B PROBABILIDAD

Definición Clásica de Probabilidad.

La probabilidad de un evento (E), puede ser calculada mediante la relación del 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 U o Intersección I .

50
 Unión de A y B

Si A y B son eventos en un espacio muestral (S), la unión de A y B (A U 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 I 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 Eventos complementarios

51
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 I B )
P( A B ) = , si B ≠ 0
P (B )

Ejemplo 5: Si el evento A (lluvia) = .2 y el evento B (nublado) = .3 , ¿cuál es la

probabilidad de que llueva en un día nublado? Nota: no puede llover si no hay nubes.

P( A I B ) .2
P( A B ) = = = .67
P (B ) .3

A
P(A/B)=.67 B

Figura 3-B.2 Probabilidad condicional

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.

52
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) ¿cuál es la probabilidad de que salga 2 o 3? B) Calcule

P( A I B ) ?

1 1 1
a) P( A U B ) = + = = .33
6 6 3

b) P ( A I 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 U B ) = P ( A) + P (B ) − P ( A I B )

53
 Cuando los eventos son mutuamente excluyentes:

P ( A U B ) = P ( A) + P ( B )

Ejemplo 7.

Ley multiplicativa:
Si los eventos A y B son dependientes:

P ( A I B ) = P ( A) × P (B A)

Si los eventos A y B son independientes:

P ( A I 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 I B ) = P ( A) × P (B ) =  ×  = .9604
 100   100 

A B

P(A) =.98 P(B) =.98

Figura 3-B.4 Eventos independientes

54
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 I B ) = P ( A) × P (B A) =   ×   = .9602
 100   99 

Se observa que los eventos son dependientes ya 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:

55
 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 HOMBRE MUJER

A = Hombre
B = Mujer
< 1.80 .80 .99
P (A) = .60
P (B) = .40
P (Z/A) = .20 > 1.80 .20 .01
P (Z/B) = .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:

56
 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

57
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 a1 maneras diferentes, y

cuando se ha hecho, puede hacerse un segundo evento ( independiente del primero) de
a2 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 × a 2 × a 3 .... a n

Ejemplo 10: ¿De cuántos 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 × a 2 × a 3 = 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.

58
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 cuántas 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 !

59
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.

a) P(4 ases) =
( 4 C4 )( 48 C1 ) =
1
( 52 C5 ) 54145

b) P (4 ases y 1 rey) =
( 4 C4 )( 4 C1 ) = 1
52 C5 649740

c) P (3 dieces y 2 jotas) =
( 4 C3 )( 4 C2 ) = 1
52 C5 108290

d) P(nueve, diez, jota, reina, rey) =

( 4 C1 )( 4 C1 )( 4 C1 )( 4 C1 )( 4 C1 ) = 64
52 C5 162435

60
 3-C LA DISTRIBUCIÓN NORMAL

La distribución normal es una de las distribuciones más usadas e importantes. Se ha

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

µ 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 µ = 0 y

desviación estándar σ = 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 µ y σ ,

en consecuencia hay un número infinito de distribuciones normales.

61
Existe una relación del porcentaje de población a la desviación estándar. En la figura
3-C.2 observamos por ejemplo que el área bajo la curva para ± 1σ tiene un porcentaje de
68.26%, ± 2σ = 95.46% y ± 3σ = 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
µ−3σ µ−2σ µ−σ µ µ+σ µ+2σ µ+3σ

x-3s x-2s x-s x x+s x+2s x+3s

Figura 3-C.3

62
 La desviación estándar
sigma representa la
distancia de la media al
punto de inflexión de la
curva normal

X
x-3σ x-2σ x-σ x x+σ x+2σ x+σ3

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 σ entre algún valor X y la media de la

población µ . Para calcular el valor de Z usamos la siguiente fórmula.

X −µ
Z=
σ

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)

σ = 1

63
 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 µ = 485 y desviación estándar σ =
30 ¿Qué porcentaje de los solicitantes pasará la prueba?

Calculando el valor de Z obtenemos:

X −µ 500 − 485
Z= = = 0.5
σ 30

Buscamos el valor correspondiente Z en las tabla de distribución normal. Z0.5 = .69146 =

69.146%. siendo esta la probabilidad de que la calificación sea menor a 500 P (X<500).
Dado que el porcentaje pedido es P ( X ≥ 500) la solución es 1-.69146 =.3085 , 30.85% de
los participantes pasarán la prueba.

485

30.85%

Z.05

Ejemplo 2:
Encuentre las probabilidades siguientes usando la tabla Z.

a) P(-1.23 < Z > 0)

-1.23 Z

64
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

65
• 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

66
 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

67
 3-1 LLUVIA 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.

68
 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 post-it 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 genera 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.

69
 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.

70
 3-3 ANÁLISIS DE CAMPO DE FUERZAS

• El análisis de campo de fuerzas puede ser utilizado para analizar cuáles son las
fuerzas dentro de una organización que están dando empuje a las soluciones y
cuáles están frenando el progreso.

• La técnica conduce a la gente a pensar “en equipo” cuáles son los aspectos positivos
y negativos para lograr un cambio permanente. La dinámica consiste en los
siguientes pasos:

1. Identificar cuál 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. De la misma manera las fuerzas negativas se priorizan y se busca la manera de
reducirlas.
• Se utiliza el diagrama de análisis de campo de fuerzas ejemplificado a continuación:

Ejemplo análisis de campo de fuerzas.

Reducción de defectos
Fuerzas positivas 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

71
 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).

72
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.

Ejemplo5
En una fábrica de componentes electrónicos se detectaron fallas en la línea de ensamble
al realizar la prueba de un circuito, por lo cual se procedió a realizar una investigación
utilizando el diagrama causa-efecto. El problema es soldadura defectuosa, siendo el efecto
que se va a analizar.
Primero se determinan las causas principales M’s:
• Máquinas
• Mano de obra
• Métodos
• Materiales
• Mediciones
• Medio ambiente

Estas constituyen las causas primarias del problema y es necesario desafiarlas para
encontrar causas más específicas secundarias y terciarias.
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.

5
Tomado de: Alberto Galgano, Los siete instrumentos de la Calidad Total, ediciones Díaz de Santos,1995

73
 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

Causas secundarias
MEDIO AMBIENTE MÉTODOS MATERIALES

causas terciarias
principales
Causas

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:

74
Problema: ¿Por qué la versión del sistema “ABC”, 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

75
 3-5 DIAGRAMA DE PARETO

Herramienta utilizada para el mejoramiento de la calidad, para identificar y separar en

forma crítica los pocos proyectos que provocan la mayor parte de los problemas de
calidad. El principio enuncia que aproximadamente el 80% de los efectos de un problema
se debe a solamente 20% de las causas involucradas. El diagrama de Pareto es una
gráfica de dos dimensiones que se construye listando las causas de un problema en el eje
horizontal, empezando por la izquierda para colocar a aquellas que tienen un mayor efecto
sobre el problema, de manera que vayan disminuyendo en orden de magnitud. En el eje
vertical se dibuja en ambos lados del diagrama: el lado izquierdo representa la magnitud
del efecto provocado por las causas, mientras que el lado derecho refleja el porcentaje
acumulado de efecto de las causas, empezando por la de mayor magnitud.

Pasos para desarrollar el diagrama de Pareto:

1. Seleccione qué clase de problemas se van a analizar.

2. Decida qué datos va a necesitar y cómo clasificarlos. Ejemplo: Por tipo de defecto,
localización, proceso, máquina, trabajador, método.

3. Defina el método de recolección de los datos y el período de duración de la

recolección.

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.

76
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 durante el último mes. (Tabla 3-7.1)

77
 Tipo de queja No. de Total Composición Porcentaje
quejas Acumulado Porcentual Acumulado

A) Entregas fuera de tiempo 25 25 35.71 35.71

B) Calibre fuera de 23 48 32.85 68.56

especificaciones

C) Material sucio y maltratado 7 55 10 78.56

D) Material mal embalado

6 61 8.57 87.13

E) Dimensiones fuera de 3 64 4.28 91.41

especificaciones

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

transportistas

I) Fallas en documentación 1 69 1.42 98.52

J) Producto con códigos 1 70 1.4 99.94

equivocados

Tabla 3-7.1 Ejemplo 1

78
 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 éstas 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

79
 Figura 3-7.2 Pareto Chart window

El sistema despliega la gráfica:

DIAGRAMA PARETO

70 100 P
F 60 O
R 80 R
E 50
C
C 40 60 E
U N
E 30 40 T
N 20 A
C 20 J
I 10
E
A 0 0
A B C D E F G Others
Defect
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)

80
 3-6 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 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.

Facilitan la identificación de la relación que eventualmente puede existir entre los

factores de un problema, ya que son esquemas que permiten relacionar mediante
arreglos de columnas y renglones, los diferentes elementos o factores del problema
que se analiza.
Mediante estos diagramas logramos conocer la fuerza de la relación que existe entre
los factores de causa y efecto de un proceso.
El análisis se hace para identificar las medidas más convenientes a tomar para
solucionar el caso que se estudia.

Procedimiento de elaboración:
1. Se identifican los factores relacionados con el problema.
2. Se desarrollan los componentes que explican a los factores considerados.
3. Se registran los datos en la matriz correspondiente al número de factores.
4. Al final de los renglones y columnas se realiza la suma de acuerdo a la escala de
valores.
5. Se analiza la relación resultante.
6. Se toman las decisiones requeridas para solucionar el problema analizado.

81
 Ejemplo diagrama-matriz

16 17 17 18 19 17 18
Deficiente relación laboral 15
Deficiente supervisión 15
Demora en conexión de servicios 15
Desconocimiento del proceso 14
Mala orientación al cliente 15
Falta de materiales y equipo 16
Demasiada carga de trabajo 12
Baja productividad 21
P L D R P E B L A F C M D D
O I E E R X U I U A O O E E
Descentralizar L M S E C R D T L M T F
I I G T S E O E O T U I I O
T T E R U S C R C A N V N B
la toma
I A S I P O R A R I A I J
C T T C U A Z A C C C E
de decisiones A I I C E D C G T D A I I T
S V Ó I S E I O I E C O O I
A N O T A C I N N V
S N A O O O
L N S
Capacitar al personal 15
Políticas y normas de actuación 17
Trabajo en equipo 17
Asignar funciones y responsabilidades 12
Determinar el alcance de facultades 13
Propiciar el liderazgo participativo 8
Manual de organización básica 7
Implementar 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

82
 3-7 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 CTQ´s y el diagrama de flujo del proceso como su
principal fuente.
• Los CTQ´s se clasifican de acuerdo a la importancia que le da el cliente.
• Las entradas claves se registran en relación con los CTQ’s.
• 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

CONTROLES: TARJETA DE INFORMACIÓN

AUDITORÍA POR PRODUCTO
HOJA DE RUTA
CARTA DE CONTROL
AYUDAS VISUALES
PROCEDIMIENTOS
SALIDAS:
ENTRADAS:
OPERACIÓN X
PRODUCTO
INSUMOS
TERMINADO

MÁQUINAS
HERRAMIENTAS
OPERADORES
MECANISMOS: MEDICIÓN
MÉTODOS
S

Figura 3-9.1 Elementos de un proceso.

83
DIAGRAMA DE FLUJO DEL PROCESO

A - Críticos
DEFECTOS B - Mayores
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.

84
 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
del Proceso
Total

1
2
3
4
5
6
7

Estos datos se toman del

Diagrama de Flujo del Proceso
85
 2. Clasificar
requerimientos
Matriz de en orden de
Causa y Efecto importancia para
Rango el cliente
Importancia
al cliente 10 9 8
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Salidas o
Resistencia

Requistito
Requistito
Requisito
Tierra
Corto

Entradas Total
Del proceso
q

1
2
3
4
5
6
7
8

Deben participar diferentes departamentos, por ej:

Mercadotecnia, Desarrollo del Producto.
86
 Matriz de
Causa y Efecto
3. Anotar
entradas Rango
Importancia
clave al cliente
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Salidas o CTQ’s

Resistencia

Requisito
Requisito
Requisito
Requisito

Requisito
Tierra

Requisito

Requisito
Requisito
Requisito
Requisito
Requisito
Corto
Entrada
Proceso Tot.

1 Ensamble A
2 Operación B
3 Ensamble C
4 Ensamble D
5 Ensamble E
6 Prueba Final
7
8
9
10

Las entradas del Proceso siguen el Diagrama de Flujo paso a paso .

papaso

87
 Matriz de
Causa y Efecto

4. Relacionar Rango de
Importancia 10 9 8
las entradas del Ciente
l
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

Corto
Tierra
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 4 8 7
6 E
Prueba Final 4 0 8
7
8
9
10
11
12
13
14
15

Hacer una estimación subjetiva de qué tanto influyen las var. de

entrada en los requerimientos o salidas CTQs
88
 Matriz de
Causa y Efecto 5. Multiplicar
e identificar
Rango prioridad
Importancia 10 9 8
del cliente
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Salidas o
Resistencia
Tierra

Requisito
Requisito
Requisito

Requisito

Requisito

Requisito

Requisito

Requisito
Requisito
Requisito
Requisito
Corto

Entrada
del Tota

1 Ensamble 10 10 99 10x10+9x10+8x9 = 262 262

2 Operación 9 10 252
3 Ensamble 10 6 8 218
4 Ensamble 6 7 6 171
5 Ensamble 4 8 7 168
6 Prueba 4 0 8 104
7
8
9
10
11
12
13
14
15

89
 Ejemplo - Pareto de operaciones clave
Causa y Efecto Lista para el
Matriz Pareto
Rango de Ordenando los
10 8
Importancia
del cliente
9
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 6 7 6 171
10 D
Ensamble 4 8 7 168
9 E
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

90
 Uniendo la Matriz de C-E con otras herramientas

Matriz de C-E
Rating of
Importance t o 9 9 7 10 10 9 3 2 6
Customer
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Homogeneity

Temperature
Consistency
Cleanliness

Digets Time
Viscosity
Gel Time

Solids
Color
P rocess I nputs Total

S cales
1 9 8 2 1 1 9 1 1 8 321
Accuracy
Preheat ing
2 1 1 1 1 1 1 1 1 1 65
DICY T K
DMF Load
3 3 8 1 1 1 8 1 3 8 255
Accuracy
DMF
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
DI CY Load
6 9 7 1 1 1 9 1 1 2 269
Accuracy
DICY Envir.
7 8 5 3 1 1 8 1 1 2 247
Fact ors
DICY Raw
8 8 5 1 1 1 9 1 1 2 242
M at erials
DI CY Mixer
9 1 1 1 1 7 1 1 1 1 125
Speecd

Capacidad Plan de Control

Operati onal Excel lence

AMEF
C ontrol Plan
Produ ct: Core Tea m: Date (O rig ):
Key Process Output Variable Key Co ntact:
Pho ne: D ate (Rev):
Capabilit y Stat us Sheet
Pr oc ess
Me as ure m ent % R&R Sa mple Sa mple C ontrol
Upper Low er Process Proc es s Ste p In put Output Specification (LSL, Cpk /Da te Re ac tion Pla n
Cust ome r Requirement Me asureme nt %R&R or P/T Sample USL, Target)
Technique P/T Size Frequency M ethod
Spec Ta rge t Spec Cp Cpk D at e Act ions
( Output Va ri able ) Tec hnique Ra tio Siz e
Limi t Limi t
DICY Tur n Stea m on Sc al es
G el Ti me Ac c ura cy
Visc os it y P rocess/Product D MF Loa d D MF DM F L oad
Clea nlines s
C ol or Failure Modes and E ffects Analysis Ac c ura cy

DMF
Homoge ne it y (FMEA) D MF Loa d D MF
Cel anl i ne ss
Cons ist enc y
DICY Loa d DICY D IC YEnv ri .
Dige ts Ti me
Fac tors
Tempe ra ture
Sol ids Pr ocess or DICY Loa d DICY D IC YL o ad
Prepa red by:
Pro duct Nam e: Ac c ura cy

DICY Loa d DICY DICY Raw

Respon sible: FM EA Date (Orig) ___ _____ ____ __ ( Re v) __ _ Materi a s
l

DICY Loa d DICY DICY Mi xer

Spee cd

Las salidas claves

D MF Loa d D MF DMF Raw
Materi a s
l
Proces s S O D R
Ste p/Part E C E P DICY Tur n Stea m on Preh eati ng
Num ber Pot ent ial F ailu re M od e Pot en tial F ailu re Ef fect s Po ten tia l Caus es Curre nt Co nt ro ls DICY TK
V C T N
Spin Dr aw Fiber Breako uts Und ersized packag e, High SD Dir ty Spinner et Visual Dete ction of Wr aps an d
2 8 9 1 44

se anotan y evalúan.
Pro cess panel- hour s lost b roken Filame nts

Filame nt mo tion Visual Sight- glass

5 2 8 80

8
Polyme r def ects
2
F uzzball L g
i ht
9 1 44

0
Las entradas claves
se evalúan

91
 3-8 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 Æ efecto) y unirlas utilizando flechas en el
diagrama de relaciones.
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.

92
 EJEMPLO DIAGRAMA DE RELACIONES:
FALTA DE MATERIALES

FALTA DE
CAPACITACIÓN

PRONÓSTICOS NO
MAL USO DEL MRP
REALISTAS

MALA
ADMINISTRACIÓN DEL
CERTIFICACIÓN DE ÓRDENES DE DEPTO. DE
PROVEEDORES COMPRA FUERA MATERIALES
DE TIEMPO

INCUMPLIMIENTO DE FALTA DE DESCRIPCIÓN

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 MRP6.

6
MRP (Material Requirement Planning) Planeación de Requerimientos de Materiales

93
 3-9 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 cuáles 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.

94
Ejemplo
Problema: Falta de llenado en tubos de pasta dental
Tabla 3-9.1. Lluvia de ideas

DEPARTAMENTO MANUFACTURA CONTROL DE MANTENIMIENTO

PRODUCCIÓN 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 Mala purga
materiales
Adición descortinada
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.

95
Tabla3-9.2 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 GMP7´S
defectuosos y • Producto con aire
dañados Humedad baja
• Filtros tapados

En el diagrama de afinidad se encontró el título del problema a resolver que es: FALTA DE PESO
EN TUBOS.

7
GMP`S significa Buenas prácticas de manufactura

96
 3-10 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 IIIII 26
Forma errónea I III III II 9
Depto. Equivocado IIIII I I I 8
Peso erróneo IIIII IIIII IIIII IIIII IIIII 37
Mal Acabado I
II III IIII IIIIII 7
TOTAL 25 20 21 21 87

97
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.

98
 3-11 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 período 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 3-11.1 Carta de tendencia

99
 3-12 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 3-12.1)

100
 Figura 3-12.1 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

101
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 − ∑ x∑ xy2

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

SCxy = ∑ xy −
∑x×∑ y
n

SCx = ∑ x −
(∑ x )
2
2

SCy = ∑ y −
(∑ y )
2
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

102
∑ y = sumatoria de los valores de la variable y al cuadrado
2

∑ xy = sumatoria del producto de xy

(∑ x ) = cuadrado de la sumatoria de la variable x
2

(∑ 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:

103
 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.

104
 Diagrama de dispersión

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 13-12.2 En la gráfica observamos que al aumentar el número de latas el tiempo de

entrega aumenta.

Para realizar el gráfico de dispersión en Excel 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 título, el rango de valores x, y se da por default al
haber seleccionado el rango de datos(siguiente)
4. Ponga el título 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.

105
 3-13 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 período de inactividad en

espera de operación inspección o transporte.

Almacenamiento: mantener un producto en almacenamiento .

hasta que continúe su procesamiento o sea vendido

106
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.

107
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:
• Delínea gráficamente la cantidad de tiempo sin valor que se usa en el proceso.
• Ayuda a reducir el tiempo sin valor y eliminar pasos innecesarios.

108
Figura 3-13.1 Diagrama de flujo: Una visita a la farmacia8
Operación: despacho de una fórmula.
EVENTO SÍMBOLO TIEMPO DISTANCIA
(min.) (pies)
Abrir la puerta, caminar hacia el área de la 0.8 50
farmacia del almacén.
Esperar para ser atendido. 1

Sacar la fórmula de la billetera o del bolsillo y 0.4

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

billetera.
Recoger el medicamento y caminar de regreso 0.8 50
hasta la puerta.

8
Adaptado de Hamid Noori/Russell Radford, Administración de Operaciones y producción, Ed. Mc.Graw
Hill Pp.282

109
 Visita al consultorio médico

Exa cripci
P re
Pr

me
s
esi

ny n
ón
Pe gu í
Sa

ó
so ne
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
n t a rs

ar

m
g

de
ad
ar

se
se e

lc
on
er

su
lto
r io
Figura 3-13.2 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 3-13.3 Diagrama de flujo físico

110
 3-14 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
multifuncional 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.

111
 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 (CTQ´s) del producto y su
desempeño en el mercado.
Ayuda a la dirección a cambiar su forma de dirigir, de una orientación hacia los
resultados, a un enfoque hacia los procesos, que es lo que finalmente conducen a
los buenos 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: éstas 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

112
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 3-14.1

113
QFD a nivel producto - casa de la calidad-

Su propósito es relacionar las necesidades básicas del cliente con las características de
diseño del producto.

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 del producto

Prioridades

Figura 3-14.2

Paso 1: Determinación de las necesidades del cliente ¿Qué?

•La información debe recolectarse por las personas idóneas

–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.

114
•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 ésta a su vez en terciarias y así sucesivamente.

115
Por ejemplo si la necesidad primaria es:
“Excelente tasa de café”
Las secundarias pueden ser:
–Té 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.

Correlaciones
Técnicas
Características de diseño
Desempeño de la competencia

Dificultad para lograr la meta

del producto
Importancia para el cliente

Relación de mejoramiento

Relación entre las

Desempeño actual

Peso normalizado
Peso Ponderado
Punto de venta
Necesidades
del cliente

necesidades del cliente

Meta

y las respuestas técnicas

Prioridades

Figura 3-14.3

116
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 satisfacen ¿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).

117
• 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

RELACIÓN DE MEJORAMIENTO:

META
RELACIÓN 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

118
 SUGERENCIAS: Al determinar el punto de venta:

- Comparar la meta contra la competencia.

- Buscar aspectos “encantadores” para el cliente.

PESO PONDERADO :

impor 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.

Correlaciones
Técnicas
Características de
diseño del producto
Desempeño de la competencia

Relación de mejoramiento
Importancia del cliente

Dificultad dela mejora

Desempeño actual

Relaciones Peso normalizado

Necesidades

Peso ponderado
punto de venta
del cliente

entre las necesidades

Meta

del cliente y los req.

del sistema

Prioridades

Figura 3-14.4

119
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: Fallas del producto / año Facilidad de mantenimiento
Tiempo de reparación
Disponibilidad Del producto / año Seguridad
Desempeño: Temperatura (ºC) Durabilidad
Ciclos de operación Días entre servicios
Costo: Robustez
$ (Servicio y operación) Insensibilidad al ambiente
$ (Unitario)
Calidad percibida
Mejor estética

120
 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.

Correlaciones
Cómo
se satisfacen Técnicas
y cubren las Características de
necesidades diseño del producto
Desempeño de la competencia

del cliente
Relación de mejoramiento
Importancia del cliente

Dificultad dela mejora

Peso normalizado
Desempeño actual

Relaciones
Peso ponderado
Necesidades

punto de venta
del cliente

entre las necesidades

Meta

del cliente y los req.

del sistema

Prioridades
Dirección de
Mejoramiento Figura 3-14.5

121
Paso 4: Definición de la relación entre necesidades del cliente y características
de diseño del producto.

Correlaciones
Técnicas

Características de diseño
del producto

Desempeño de la competencia.

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 delFigura
producto 3-16.6

Prio ridades

Figura 3-14.6
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!

122
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

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
Necesidades

Relaciones

Peso Ponderado
punto de venta
del cliente

entre las necesidades

Meta
del cliente y las caract.
de diseño del producto

Números de Prioridad
% Relativo de Núm. de Prioridad

Figura 3-14.7 Esto da como resultado la prioridad de las características 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.
• Con base en lo anterior se establece una meta de especificación de diseño , con base
en las prioridades calculadas y los costos.

123
 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
Necesidades
Relaciones

Peso Ponderado
punto de venta
del cliente
entre las necesidades

Meta
del cliente y las caract.
de diseño del producto

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

Figura 3-14.8

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.

Correlaciones
Técnicas
Características del producto
Desempeño de la competencia

Relación de mejoramiento
Dificultad de la mejora
Importancia para el cliente

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

Prioridades

Figura 3-14.9

124
CORRELACIONES TÉCNICAS:
• Muestran las características que están estrechamente relacionadas.
• Muestran el impacto de una característica en cualquier otra.
• Rápidamente muestran qué características tendrán un mayor impacto cuando cambian.

VALORES MÁS USADOS:

relación positiva fuerte

relación positiva moderada

sin relación

relación negativa moderada

relación negativa fuerte

125
 3-15 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.

126
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 quién 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.

127
 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 • Las llamadas “frías” toman

conducir mucho tiempo
• Permite el contacto con • Dificultad para contestar
un número mayor de llamadas
personas • Podrían presentarse
• Puede llevarse a cabo a interrupciones
casi cualquier hora • Las personas no están
• Costo relativamente bajo dispuestas a pasar mucho
tiempo en el teléfono
Junta / visita in situ • Establece una mejor • Caro (costo de viajes)
relación • Se lleva mucho tiempo
• Proporciona tiempo de • Dificultades de horario
mejor calidad
• Puede conllevar un buen
grado de información
• Permite una visión más
clara de los procesos a
través de visitas guiadas,
distr. de oficinas, etc.

128
Encuestas • Provee información de
una población mayor
• Fácil de diseñar
• Costo relativamente bajo
• Transferencia fácil de
información para análisis
Publicaciones / medios • Información al alcance de •
la mano
• Variedad de recursos
• La compilación no es cara •
• Gran cantidad de
información, proveniente
de muchos tipos de
industria
• Baja probabilidad de respuesta
• Impersonal
• Dificultad para dar
seguimiento a las preguntas
• Alguna información es
cuestionable en cuanto a su
veracidad
• Debe ser relativamente breve
• Poca posibilidad de respuestas
detalladas
Se necesita validar las
fuentes/ estadísticas
• Muchas referencias no claras
Se lleva mucho tiempo,
particularmente cuando existe
una gama enorme de
información.

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?

129
• ¿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.

130
 3-16 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 un sistema de medición deficiente que puede hacer que un
estudio de capacidad parezca insatisfactorio cuando en realidad es satisfactorio. Lo
anterior puede tener como consecuencia gastos innecesarios de reproceso al reparar un
proceso de manufactura o de servicios, cuando la principal fuente de variación se deriva
del sistema de medición.

Variación del proceso

Variación
Variación deldel proceso,
proceso, real
real Variación de la medición

Variación dentro de la Variación

Equipooriginada
de
muestra mediciòn Reproducibilidad
por el calibrador

Repetibilidad Estabilidad Linealidad Sesgo

Calibración

Figura 3-16.1 Posibles Fuentes de la Variación del Proceso

131
Definiciones
• Reproducibilidad: es la variación, entre promedios de las mediciones hechas por
diferentes operadores que utilizan un mismo instrumento de medición cuando miden
las mismas características en una misma parte.

Operador-B

Operador-C

Operador-A

Reproducibilidad

• Repetibilidad: es la variación de las mediciones obtenidas con un instrumento de

medición, cuando es utilizado varias veces por un operador, al mismo tiempo que
mide las mismas características en una misma parte.

REPETIBILIDAD

• Valor verdadero: valor correcto teórico / estándares NIST9

• Precisión: es la habilidad de repetir la misma medida cerca o dentro de una misma
zona
• Exactitud : es la diferencia entre el promedio del número de medidas y el valor
verdadero.
• Resolución: la medición que tiene exactitud y precisión.

9
En EUA se tiene el NIST (National Institute of Standards and Technology),en México se tiene el CENEAM
o el Centro Nacional de Metrología

132
 Exacto y preciso
Preciso pero no exacto Exacto pero no preciso
(resolución)

Figura 3-16.2

- Estabilidad: es la variación total de las mediciones obtenidas con un sistema de

medición, hechas sobre el mismo patrón o sobre las mismas partes, cuando se mide una
sola de sus características, durante un período de tiempo prolongado.

Tiempo 2

Tiempo 1

• Linealidad: diferencia en los valores de la escala, a través del rango de operación

esperado del instrumento de medición.
Valor Valor
verdadero verdadero

Sesgo Sesgo
Menor mayor

(rango inferior) (rango superior)

Rango de Operación del equipo

133
• Sesgo: distancia entre el valor promedio de todas las mediciones y el valor verdadero.
Error sistemático o desviación.

Valor µ
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.

Importante: para que el equipo de medición tenga una discriminación

adecuada en la evaluación de las partes, su resolución debe ser al menos
1/10 de la variabilidad del proceso.
<10% Aceptable
10-30% Puede ser aceptable, dependiendo 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:

σ 2 total = σ 2 proceso + σ 2 error mediciòn

Estudio de R&R

• Generalmente intervienen de dos a tres operadores.

• Generalmente se toman 10 unidades.

134
• 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.

135
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:

10
Ejemplo adaptado de: Statistical Quality Control. Douglas C. Montgomery. Willey. Second Edition

136
 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, σ mediciòn , es calculada mediante la siguiente

fórmula:

R 1
σ mediciòn = = = 0.887
d 2 1.128

donde:
R = Rango promedio
d2 = Valor de tablas.

Para obtener una buena estimación de la capacidad del error de medición utilizamos :

137
 6σ mediciòn = 6(0.887) = 5.32

La proporción 6σ mediciòn de la banda de tolerancia(rango total de especificación) es

llamada precisión de tolerancia:

P 6σ 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:

σ 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 σ 2 medición = .887 2 = .79 , podemos obtener un

estimado para σ 2 proceso

σ 2 proceso = σ 2 total − σ 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:

σ medicion .79
= × 100 = 25.73%
σ total 3.07

138
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

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
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
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
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
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

− Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2, C3

139
− 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

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

140
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
En la última tabla bajo el porcentaje de contribución, observamos que el porcentaje Parte
a Parte = 89.33% siendo más grande que el total del sistema de medición Gage R&R =
10.67%. Esto significa que la mayor parte de la variación es debida a la diferencia entre
las partes, un porcentaje muy pequeño es debido al error en el sistema de medición. Por
lo cual concluimos que el sistema de medición es adecuado.

141
Análisis de los gráficos:
La mayoría de los puntos en el diagrama Xbar-operador se encuentran fuera de los límites
de control, indicando que la variación es principalmente debida a las diferencias entre
partes. La interacción Operador*Parte es una visualización de el p-value = 0.00016 en
este caso indica una interacción significativa.
En los componentes del diagrama de variación, observamos que el porcentaje de
contribución parte a parte es más grande que el sistema de medición R&R, lo cual nos
indica que la mayor parte de la variación es debida a las diferencias en las partes, como
ya se trató en el análisis anterior. Un porcentaje muy pequeño es debido al sistema de
medición.
En el diagrama de operador, existen diferencias pequeñas entre los operadores.
En el diagrama de partes, existen diferencias grandes entre las partes.

Gage name:
Date of study :
Gage R&R (ANOVA) for Medición Reported by :
Tolerance:
Misc:

Xbar Chart by Operador Operador*Parte Interaction

1,1 1 2 3 1,1 Operador
1,0 1,0 1
Sample Mean

0,9 3,0SL=0,8796 0,9 2

Average

0,8 X=0,8075 0,8

-3,0SL=0,7354 3
0,7 0,7
0,6
0,6
0,5
0,4 0,5
0,3 0,4
0 Parte 1 2 3 4 5 6 7 8 9 10

R Chart by Operador By Operador

0,15 1 2 3 1,1
1,0
Sample Range

3,0SL=0,1252
0,10 0,9
0,8
0,7
0,05
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

100 1,1
%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)

142
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

143
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

144
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
En la segunda tabla podemos observar que el porcentaje de contribución (78.11%) de la
variación en los datos es debido al sistema de medición (Total Gage R&R). El porcentaje
entre partes (21.889%) es muy pequeño. Concluimos que el sistema de medición no es
adecuado, por lo cual tenemos que tomar acciones correctivas.
Analizando los gráficos nos damos cuenta de que la mayoría de los puntos en el diagrama
de operador X-bar, se encuentran dentro de los límites de control, la mayor parte de la
variación observada es principalmente debida al sistema de medición. También vemos que
la repetitibilidad tiene un alto porcentaje de variación 78% que representa la variación
total del sistema de medición (debido al equipo de medición).
Figura 3-18.3 Gráficos del estudio del sistema de medición R&R. (Método Medias- Rangos

Gage name:
Date of study :
Gage R&R (Xbar/R) for Response Reported by :
Tolerance:
Misc:

Xbar Chart by Operator Operator*Part Interaction

1 2 3 490 Operator
550 3,0SL=555,8
1
Sample Mean

440 2
Average

450
3
X=406,2
350 390

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

0 -3,0SL=0,00E+00 200

Operator 1 2 3

Components of Variation Response by Part

100 600
%Total Var
%Study Var 500
Percent

400
50
300

200
0 145
Gage R&R Repeat Reprod Part-to-Part Part 1 2 3
 CAPÍTULO 4 FASE DE ANÁLISIS

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.

146
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 Pruebas Herramienta utilizada para ser inferencias de la
de hipótesis población a partir de una muestra.
4.5 Tablas de contingencia Comparación de valores esperados vs.
observados.
4.6 Análisis Multi-Vari 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 ó 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.

147
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.

148
 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.

149
 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: este 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: 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.

150
Objetivos1
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.

LIE LSE

s _
xi
p X

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.

1
Douglas C. Montgomery, Introduction to Statistical Quality Control, Second Edition, pp 307

151
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
supuestos2:
• Que 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.

2
J.M. Juran, Análisis y planeación de la Calidad, Tercera Edición Mc. Graw Hill, Pp.404

152
• 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.
• Que el parámetro analizado en el estudio siga 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.

153
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.

154
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 habilidad 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.

155
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:

Intervalo Marca de Frecuencia Frecuencia Frecuencia

de clase clase Relativa Absoluta
190 - 209 199.5 6 0.06 0.06
210-229 219.5 7 0.07 0.13
230-249 239.5 13 0.13 0.26
250-269 259.5 32 0.32 0.58
270-289 279.5 24 0.24 0.82
290-309 299.5 11 0.11 0.93
310-329 319.5 4 0.04 0.97
330-349 339.5 3 0.03 1

156
El histograma es el siguiente:

35
30
25
20
15
Frec.
10
5
0
170-189

190-209

210-229

230-249

250-269

270-289

290-309

310-329

330-349
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

157
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

158
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)

Pos. J Valor Xj Pj Pos. J Xj Pj

1 197 0.025 11 271 0.525
2 200 0.075 12 275 0.575
3 215 0.125 13 277 0.625
4 221 0.175 14 278 0.675
5 231 0.225 15 280 0.725
6 242 0.325 16 283 0.775
7 245 0.325 17 290 0.825
8 258 0.375 18 301 0.875
9 265 0.425 19 318 0.925
10 265 0.475 20 346 0.975

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

159
 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.

160
Capacidad a partir de cartas de control
En casos especiales como éstos 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.

161
 Predicción

Tiempo

Figura 4-1.5 Procesos estables

Cálculo de la desviación estándar del proceso

R S
σ= ó σ = (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:

162
µ = x (media de medias)

R 77.3
σ= = = 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:

µ = x = 100
s 1.05
σ= = = 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.

163
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:

164
 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 Ppu3 = .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.

3
Los índices Pp y Ppk son similares a los índices Cp y Cpk , se refieren a la capacidad del proceso a largo
plazo.

165
 4-2 MEDICIONES PARA SEIS SIGMA

Este capítulo 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
significativo 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 (σ ) 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 básicas4:

• 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.
• Rendimiento estándar o de primera pasada YFT: es el porcentaje de producto sin
defectos antes de realizar una revisión del trabajo efectuado.
• Rendimiento al final o de última pasada: YLT: es el porcentaje de producto sin
defectos después de realizar la revisión del trabajo.

4
Forrest W. Breyfogle III. Implementing Six Sigma Ed. John Wiley & Sons, Inc.1999

166
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

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). SUBPROCESO

Observemos la siguiente figura:

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.

167
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 (YLP).

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 Última pasada YLP

50
DPO = = .0033
5000 × 3

DPMO = 3,333.33

YLP = 1- .0033 = .9967= 99.67%

Observamos que el rendimiento de última pasada es mayor que el rendimiento de
primera pasada.

168
Rendimiento real o estándar (YRT)

Mide la probabilidad de pasar por todos los subprocesos sin un defecto = El producto
del resultado de cada paso: YFP1 × YFP2 × YFP3 × ......YFPn

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%

169
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 período 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

170
Cálculo 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:

171
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

172
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 σ .

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)

173
 4-3 AMEF “ANÁLISIS 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 que ocurran 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.

174
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 qué es lo que se espera del diseño del
producto, qué es lo que quiere y necesita el cliente, y cuáles son los
requerimientos de producción. Asimismo enlistar 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): enlistar 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.

175
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.

176
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.

177
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 <1 en 1,500,000
existen fallas asociadas
con este proceso o con
un producto casi
idéntico.
Muy Poca 2 Sólo fallas aisladas 1 en 150,000
asociadas con este
proceso o con un
proceso casi idéntico.
Poca 3 Fallas aisladas asociadas 1 en 30,000
con procesos similares.
Moderada 4 Este proceso o uno 1 en 4,500
5 similar ha tenido fallas 1 en 800
6 ocasionales 1 en 150
Alta 7 Este proceso o uno 1 en 50
8 similar han fallado a 1 en 15
menudo.
Muy Alta 9 La falla es casi inevitable 1 en 6
10 >1 en 3

Tabla 4-3.1 Grado de ocurrencia

178
 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

179
 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 99.7%
alta falla. El 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 90%
métodos usuales o pruebas
manuales. El defecto es una
característica oculta o
intermitente
Improbable 10 La característica no se puede Menor a 90%
checar fácilmente en el proceso.
Ej: Aquellas características
relacionadas con la durabilidad
del producto

Tabla 4-3.3 Grado de detección.

180
 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).

181
 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.

182
Figura 4-3.4 A.M.E.F. Ejemplo

174
 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.

184
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.

185
• 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

-Zα/2 0 Zα/2
Pruebas de Hipótesis de cola derecha:
Ho: a ≤ b
Ha: a > b Región de
Rechazo

0 Zα/2
Pruebas de Hipótesis cola izquierda:
Ho: a ≥ b
Ha: a < b Región de
Rechazo

-Zα/2 0 Zα/2

Figura 4-4.1 Pruebas de Hipótesis de dos colas, cola derecha y cola izquierda, en las
distribuciones observamos la región de rechazo.

186
“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,

X2 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 µ

Ho: µ = µ o 

Ha: µ ≠ µ0

187
Calcular el estadístico de prueba

µ − µ0
Z calc =
s
n
Establecer la región de rechazo, para prueba de 2 colas: − Z α 2 ψ Z α 2

Región de Región de
Rechazo Rechazo
0

-Zα/2 Zα/2

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

188
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 : µa = µb
H a : µ a ≠ µb
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?

189
 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.

190
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 µ1 y varianza conocida σ 1 y que X2 tiene media desconocida µ 2 y varianza

2

conocida. Estaremos interesados en la prueba de la hipótesis de que las medias µ1 y µ 2

sean iguales.

Considérense primero las hipótesis alternativas de dos lados:

H 0 : µ1 = µ 2

H 1 : µ1 ≠ µ 2

Donde
H0 = Hipótesis nula
H1 = Hipótesis alternativa.
µ1 = media de la población 1
µ 2 = media de la población 2

El procedimiento para probar H 0 : µ1 = µ 2 consiste en calcular la estadística de prueba Z0

mediante la siguiente fórmula:

X1 − X 2
Z0 =
σ 21 σ 22
+
n1 n2

Donde:
X 1 = media de la muestra 1
X 2 = media de la muestra 2

191
σ 21 = varianza de la población 1
σ 2 2 = varianza de la población 2
n1 = tamaño de la muestra 1
n 2 = tamaño de la muestra 2

La hipótesis nula H0 se rechaza si:

Z 0 > Zα 2 o Z 0 < −Zα 2

Donde
Z0 = Valor calculado del estadístico de prueba
Z α 2 = Valor obtenido de las tablas.

Las hipótesis alternativas de un lado se analizan de manera similar. Para probar

H 0 : µ1 = µ 2

H 1 : µ1 > µ 2

Se calcula la estadística de prueba Z0 , y se rechaza H 0 : µ1 = µ 2 si Z 0 > Z α .

Para probar las otras hipótesis alternativas de un lado

H 0 : µ1 = µ 2

H 1 : µ1 < µ 2

Se utiliza la estadística de prueba Z0 y se rechaza H 0 : µ1 = µ 2 si Z 0 < − Z α

192
Ejemplo 1:
Se emplean dos máquinas para llenar botellas de plástico con un volumen de 16 onzas. El
proceso de llenado puede suponerse normal, con desviaciones estándar de σ 1 = .015 y

σ 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 calidad está en lo
correcto? Utilizando α = .05 .

Se toman muestras con cada máquina, mostradas en la siguiente tabla:

máquina 1 máquina 2
16.03 16.02
16.04 15.97
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 : µ1 = µ 2

H 1 : µ1 ≠ µ 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
σ 2
1 σ 2
2 .015 2 .018 2
+ +
n1 n2 10 10

Z α 2 = Z.025 = 1.96

193
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 α 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.

194
El sistema mostrará la tabla siguiente:

Prueba z para medias de dos muestras

Variable 1 Variable 2
Media 16.015 16.005
Varianza (conocida) 0.000225 0.000324
Observaciones 10 10
Diferencia hipotética de las medias 0
z 1.34962722
P(Z<=z) una cola 0.08856785
Valor crítico de z (una cola) 1.644853
Valor crítico de z (dos colas) 0.17713571
Valor crítico de z (dos colas) 1.95996108

En la tabla de Excel tenemos el valor z = 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:

Consideraremos ahora pruebas de hipótesis respecto a la igualdad de las medias µ1 yµ 2

de dos distribuciones normales donde no se conocen las varianzas σ 12 yσ 22 . Tenemos dos

casos en el primero las varianzas son iguales y en el segundo las varianzas son desiguales,
a continuación analizaremos cada uno de ellos.

Caso 1 varianzas iguales

Sean X1 y X2 dos poblaciones normales independientes con medias desconocidas µ1 yµ 2 , y

varianzas conocidas pero iguales σ 12 = σ 22 = σ 2 . Deseamos probar:

H 0 : µ1 = µ 2

H 1 : µ1 ≠ µ 2

195
Sean X1, X2, S12 , S 22 , las medias y las varianzas de las muestras, respectivamente. Puesto

que tanto S12 como S 22 estiman la varianza común σ 2 , podemos combinarlas para producir

una sola estimación, mediante la siguiente fórmula:

Sp =
(n1 − 1)S12 + (n2 − 1)S 22
n1 + n2 − 2

Para probar H 0 : µ1 = µ 2 calcúlese la estadística de prueba

X1 − X 2
t0 =
1 1
Sp +
n1 n2

Usando la tabla “t de Student” : Si t 0 > tα 2, n1 + n2 − 2 o si t 0 < −tα 2, n1 + n2 − 2 , rechazamos

H 0 : µ1 = µ 2
Las alternativas de un lado se tratan de modo similar. Para probar:

H 0 : µ1 = µ 2
H 1 : µ1 > µ 2

Calcúlese la estadística de prueba t0 y rechácese H 0 : µ1 = µ 2 si:

t 0 > tα ,n1 + n2 − 2

Para la otra alternativa de un lado,

H 0 : µ1 = µ 2
H 1 : µ1 < µ 2

Calcúlese la estadística de prueba y rechácese H 0 : µ1 = µ 2 si: t 0 < −t a ,n1 + n2 − 2

196
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 : µ1 = µ 2

H 1 : µ1 ≠ µ 2

Calculando la media y la desviación estándar de la muestra:

x1 = .140
x 2 = .138
S1 = .0021
S 2 = .0022

Sp =
(n1 − 1)S12 + (n2 − 1)S 22 = .0021
n1 + n2 − 2

X1 − X 2
t0 = = 1.72
1 1
Sp +
n1 n2

197
Buscamos en la tabla de distribución t el valor tα 2, n1 +n2 , −2 = t.025,8 =2.306

Utilizando el criterio de rechazo t 0 > tα 2, n1 + n2 − 2 , 1.72 no es mayor que 2.306, por lo tanto

no rechazamos H0.

PROCEDIMIENTO EN EXCEL
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
198
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 σ 12 yσ 22 son diferentes utilizamos la estadística de prueba:

X1 − X 2
t0 =
S12 S 22
+
n1 n2

Para el cálculo de lo grados de libertad utilizamos:

2
 S12 S 22 
 + 
n
 1 n 2 
ν= −2
2
(
S1 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 ν 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.

199
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 : µ1 = µ 2
H 1 : µ1 > µ 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
S12 S 22 .9017 .376
+ +
n1 n2 6 6

2
 S12 S 22   . 9017 . 376 
2
 +   + 
 n1 n2   6 6 
ν= −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 t0>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.

200
PROCEDIMIENTO EN EXCEL

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

Variable 1 Variable 2
Media 25.61666667 21.7
Varianza 0.901666667 0.376
Observaciones 6 6
Diferencia hipotética de las medias 0
Grados de libertad 9
Estadístico t 8.487571675
P(T<=t) una cola 6.87798E-06
Valor crítico de t (una cola) 1.833113856
P(T<=t) dos colas 1.3756E-05
Valor crítico de t (dos colas) 2.262158887

201
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 µ1,σ 12 , µ 2 , σ 22 , se desconocen.

Deseamos probar hipótesis relativas a la igualdad de las dos varianzas, H 0 : σ 12 = σ 22 .

Considérese que se disponen dos muestras aleatorias de tamaño n1 de la población 1 y de

tamaño n2 de la población 2, y sean S12 yS 22 las varianzas de muestra. Para probar la

alternativa de dos lados

H 0 : σ 12 = σ 22

H 1 : σ 12 ≠ σ 22

Utilizamos el hecho de que la estadística

S12
F0 =
S 22

Se distribuye como F, con n1-1 y n2 –1 grados de libertad.

Rechazaríamos H0 si

F0 > Fα 2, n1 −1, n 2 −1
o si

F0 < F1−α 2,n1 −1,n2 −1

Donde Fα 2,n1 −1,n2 −1 y F1−α 2,n1 −1,n2 −1 son los puntos porcentuales α 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

202
la cola superior de F, por lo que para determinar F1−α 2,n1 −1,n2 −1 debemos emplear:

1
F1−α 2,n1 −1,n2 −1 = .
Fα 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 : σ 12 = σ 22

H 1 : σ 12 > σ 22

Si F0 > Fα ,n1 −1,n2 −1 , rechazaríamos H 0 : σ 12 = σ 22 .

Ejemplo 4:
Los siguientes son tiempos de quemado (en minutos) de señales luminosas de dos tipos
diferentes.

Tipo 1 Tipo 2
63 64
81 72
57 83
66 59
82 65
82 56
68 63
59 74
75 82
73 82

Pruebe la hipótesis de que las dos varianzas sean iguales. Use α = .05

H 0 : σ 12 = σ 22

H 1 : σ 12 ≠ σ 22

203
X 1 = 70.6
X 2 = 70
S12 = 88.71
S 22 = 100.44

S12 88.71
F0 = 2 = = .877
S 2 100.44

Fα 2,n1 −1,n2 −1 = F.025,9,9= 4.03

F1−α 2,n1 −1,n2 −1 =.248

.877 no es mayor que 4.03, por lo cual no se rechaza la hipótesis nula H 0 : σ 12 = σ 22 .

PROCEDIMIENTO EN EXCEL
Seleccionar análisis de datos en el menú herramientas. En funciones para análisis elija la
opción : Prueba F para varianzas de dos muestras.

204
 Prueba F para varianzas de dos muestras

Variable 1 Variable 2
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 + n 2

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
205
Si
Z 0 > Z α 2 o Z 0 < − Z α 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 α = .01 .

H 0 : p1 = p2
H 1 : p1 < p2

X1 + X 2 10 + 25
pˆ = = = .015909
n1 + n 2 1000 + 1200

X1
pˆ 1 = 10
n1 = = .01
1000

X2
pˆ 2 = 25
n2 = = .020833
1200

pˆ 1 − pˆ 2 .01 − .020833
Z0 = = = -2.02
1 1  1 1 
pˆ (1 − pˆ )  +  . .015909(.98409)  + 
 n1 n2  1000 1200 

Z α = Z .01 = 2.35

Se utiliza la estadística de prueba Z0 y se rechaza H 0 : p1 = p 2 si Z 0 < − Z α

-2.02 no es menor que –2.35 por lo cual H0 no se rechaza.

206
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 µ1 yµ 2 pueden realizarse efectuando una

prueba t de una muestra en µ D . Específicamente, probar H 0 : µ1 = µ 2 contra

H 1 : µ1 ≠ µ 2 es equivalente a probar

H0 : µD = 0

H1 : µ D ≠ µ 0

La estadística de prueba apropiada es

D
t0 =
SD n

donde

D=
∑D j

n
y

(D j − D)
2

SD =
n −1

207
Rechazaríamos H 0 : µ D = 0 si t 0 > tα 2, n −1 o si t 0 < −tα 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 α = .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 : µD = 2

H1 : µ 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

208
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

tα ,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.

PROCEDIMIENTO EN EXCEL
Seleccionar análisis de datos en el menú herramientas. En funciones para análisis elija la
opción : Prueba t para medias de dos muestras emparejadas.

209
 Prueba t para medias de dos muestras emparejadas

Variable 1 Variable 2
Media 37.75 33
Varianza 22.2142857 15.1428571
Observaciones 8 8
Coeficiente de correlación de Pearson 0.64648725
Diferencia hipotética de las medias 2
Grados de libertad 7
Estadístico t 2.10583831
P(T<=t) una cola 0.03661855
Valor crítico de t (una cola) 1.89457751
P(T<=t) dos colas 0.0732371
Valor crítico de t (dos colas) 2.36462256

De la tabla concluimos que 2.105 > 1.895 (valor crítico de t una cola), por lo cual
rechazamos Ho.

210
 4-5 TABLAS DE CONTINGENCIA χ2
La tabla ji- cuadrada ( χ 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 χ 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:

Eij =
(total de i − ésimo renglón × total de j − ésima columna )
n
Calcular el valor del estadístico de prueba χ 2 usando la fórmula:

(O − Eij )
χ2 = ∑
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

211
 6) Calcular el valor crítico en la tabla χ 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 α = 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...300 corresponden a los valores observados, los valores
esperados se colocan en las celdas con paréntesis, para calcular los utilizamos la
fórmula:

Eij =
(total de i − ésimo renglón × total de j − ésima columna )
n

212
 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 χ 2 usando la fórmula:

(O − Eij )
χ2 = ∑
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 crítico del estadístico ji-cuadrada para α = 0.05 y g.l. = 2 se denota χ 02.05 (2) ,

En la tabla ji- cuadrada encontramos que vale 5.991, el valor del estadístico de prueba

es χ 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.

213
Uso de Excel para determinar el valor crítico χ 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.

214
 4-6 ANÁLISIS 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 Shainin5,
encaminadas a la mejora del proceso.

El objetivo general de las cartas Multi-Vari es, descubrir los componentes de variación
en el proceso y cuantificar las diferentes fuentes de variabilidad, las cuáles pueden ser,
por ejemplo: de lote a lote, dentro del lote, de turno a turno, entre turnos, dentro del
turno, de máquina a máquina, dentro de la máquina, de operador a operador, dentro
del operador, entre operadores, etc.

Las cartas Multi-Vari identifican tres principales familias de variación que pueden
influenciar en la variabilidad del proceso, éstas son variación posicional, cíclica y
temporal.

1. Variación posicional. Se refiere a variaciones dentro de una misma pieza,

variaciones producidas de un troquel a otro, dentro de un lote 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.

5
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.

215
Una vez identificados las fuentes de variación, el análisis Multi-Vari está 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 límites 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.

216
 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.

217
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

218
 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.

219
 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

220
 4-7 ANÁLISIS 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 = µ1 = µ 2 = µ 3 = .... = µ 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, σ 12 = σ 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. σ 12 = σ 22 = σ 32 = ..... = σ k2 = σ 2 )
El método de ANOVA con un criterio requiere del cálculo de dos estimaciones

independientes para σ 2 , la varianza poblacional común. Estas dos estimaciones se

denotan por s b2 y s w2 . s b2 se denomina estimación de la varianza entre muestras y s w2 se

denomina estimación de la varianza al interior de las muestras. El estadístico tiene una

distribución muestral resultando:

sb2
F= 2
sw

221
El valor crítico para la prueba F es:

Fα (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 α 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 siguiente6:

1. Determinar si las muestras provienen de poblaciones normales.

2. Proponer las hipótesis.
3. Encontrar las medias poblacionales y las varianzas.
4. Encontrar la estimación de la varianza al interior de las muestras s w2 y sus grados de

libertad asociados glw.

5. Calcular la gran media para la muestra de las medias muéstrales.
6. Determinar la estimación de la varianza entre muestras s b2 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 α = 0.05 para determinar si difieren las medias de vida útil antes de requerir una

6
Estadística. Richard C.Weimer. CECSA. Segunda Edición.2000

222
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
7 6 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 Gráfica de Probabilidad Normal muestra A

223
Figura 4-7.2 Gráfica de Probabilidad Normal muestra B

Figura 4-7.3 Grafica de Probabilidad Normal muestra 3

224
 Analizando las gráficas nos damos cuenta de que las muestras provienen de
poblaciones normales.

Si denotamos por µ1, µ 2 yµ 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 : µ1 = µ 2 = µ 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.

225
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 H0. 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 α = 0.05 para calcular si difieren las velocidades de escritura de las cuatro
secretarias.

226
Seleccionar: STAT>ANOVA>ONE WAY(UNESTACKED)

En la ventana One-Way 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 click en ok y el sistema nos muestra el análisis de varianza y la tabla.

227
Analysis of Variance
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

228
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-Snedecor7

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 α .

7
Estadística para las ciencias sociales y del comportamiento. Haroldo Elorza. Segunda Edición. Oxford
University Press.

229
Ejemplo:
Para determinar si existe diferencia significativa en el nivel de Matemáticas de 4 grupos de
estudiantes de Ingeniería se realizó un examen aleatorio a 6 individuos por grupo.
Determine cuáles son los grupos en los que 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

Analysis of Variance
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

230
Como .007< .05 rechazamos Ho, por lo tanto existen diferencias significativas en las
medias de los grupos.
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 CAPÍTULO:

s 2 + s 22 + s32 + ...... + s k2
s = 1
2
=
∑s 2
i
w
k k

gl w = k (n − 1)

n∑ ( xi − x )
2

s b2 =
(k − 1)
glb = k − 1

231
 4-8 ANÁLISIS 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 cuál es la variable dependiente y cuál 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.

232
Supuestos para el modelo de regresión lineal8
1. Para cada valor de x, la variable aleatoria ε se distribuye normalmente.
2. Para cada valor de x, la media o valor esperado de ε es 0; esto es, E (ε ) = µ ε = 0 .

3. Para cada valor de x, la varianza de ε es la constante σ 2 (llamada varianza del error).

4. Los valores del término de error ε son independientes.
5. Para un valor fijo de x, la distribución muestral de y es normal, porque sus valores
dependen de los de ε .

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 y1

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.

8 Estadística, Richard C.Weimer, CECSA, Segunda edición, 2000

233
 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

Figura 4-8.2 Diagrama de dispersión ejemplo 1 Revista motor Trend.

234
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 = β 0 + β1 x + ε

Donde
y = variable dependiente
β 0 = ordenada al origen
β 1 = pendiente
x = variable independiente
ε = Error aleatorio

La expresión β 0 + β 1 x se denomina componente determinística del modelo de

regresión lineal. La muestra de pares de datos se usará para estimar los parámetros
β 0 yβ 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.

235
 Donde:
ŷ = Valor predicho de ŷ para un valor particular de x.

b0 = Estimador puntual de β 0 .(ordenada al origen)

b1= Estimador puntual de β 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
−
n
(∑ 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.

236
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:

yˆ = b0 + b1 x. => yˆ = 46.39099 − 0.37472 x

Figura 4-8.3 Gráfica de la ecuación de regresión

50 y =46.391 -0.1347x
40
30
Y
20
Y
10
Lineal (Y)
0
0 50 100 150
Variable X

237
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
pequeños de cero, sin
Buscar
Buscarlas
lasinconsistencias
inconsistencias tendencias?
información
mayores
mayores
(<30)
Figura 4-8.5 diagnóstico del modelo de residuales

238
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

A la varianza de los errores e se le llama varianza residual siendo denotada por s e2 , 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 β 0 .

b) Una estimación puntual para β 1.

c) Una estimación puntual para la varianza del error σ 2 .

239
 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 43.14 251.57

SSx = 1154.86
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

240
Inferencias sobre el modelo de regresión lineal.
Para usar la ecuación de regresión yˆ = β 0 + β 1 x , con propósitos de predicción, queremos

estar razonablemente seguros de que la pendiente β 1 de la ecuación de regresión

E ( y x ) = β 0 + β 1 x no es cero. Ya que si β 1 = 0 , entonces para cualquier valor de x,

E ( y x ) sería idéntica a β 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

241
Prueba de hipótesis utilizando la distribución F
Si fuera cierta H 0 : β 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 β 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 β 1 ≠ 0 ,

usando α = 0.05
H 0 : β1 = 0
H1 : β1 ≠ 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 Fα (1, n − 2) = F0.05(1,6) = 5.99. Como F = 3.16<5.99, no

rechazamos H 0 : β 1 = 0 . Concluimos que la ecuación yˆ = 46.3889 − 0.1347 x no debe

242
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 : β 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 β 1 ≠ 0

usando la prueba de t y α = 0.05 .

H 0 : β1 = 0
H1 : β1 ≠ 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 : β 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?".

243
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 de Correlación
Por su importancia, ¿cuál es el coeficiente mínimo de correlación?

n 95% 99% n 95% 99%

de confianza de confianza de confianza de confianza
3 1.00 1.00 15 0.51 0.64
4 0.95 0.99 16 0.50 0.61
5 0.88 0.96 17 0.48 0.61
6 0.81 0.92 18 0.47 0.59
7 0.75 0.87 19 0.46 0.58
8 0.71 0.83 20 0.44 0.56
9 0.67 0.80 22 0.42 0.54
10 0.63 0.76 24 0.40 0.52
11 0.60 0.73 26 0.39 0.50
12 0.58 0.71 28 0.37 0.48
13 0.53 0.68 30 0.36 0.46
14 0.53 0.66

Para un 95% de confianza, con una muestra de 10,

el coeficiente (r) debe ser al menos .63

Tabla 4-8. 2 Coeficientes de Correlación

244
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

245
 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.

246
 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.

247
 − 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 regresión que es la varianza residual S e2 =

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 H0: β 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.

248
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

249
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

250
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 ) = 12.9950
2

SSE = ∑ ( y − yˆ ) = 2.2403
2

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.

251
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 : β1 = β 2 = β 0

H 1 : β1 ≠ 0 o β 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 Fα (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

252
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 default.

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.

253
• 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 : β 1 = β 2 = β 0 , concluyendo que el modelo no es recomendable para

hacer predicciones.

254
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.

C o c h e d e p o r t iv o C a p a c id a d P eso C o nsu m o
C h e v r o le t 5735 3330 1 7 ,9
K a g ia r X J - S 5344 4015 1 8 ,7
M erced es-B enz 5 0 2174 2865 1 6 ,5
P o rsche 9 1 1 3600 3320 17
M aserrati 2 2 8 2790 3020 1 5 ,5
B M W 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

255
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.

256
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%

257
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 predicción en un nivel α = 0.05

Normal Probability Plot of the Residuals

(response is C3)

1
Normal Score

-1

-2 -1 0 1 2 3 4

Residual

258
 Figura 4-8.9 Gráfica de Probabilidad Normal

Residuals Versus the Fitted Values

(response is C3)

3
Figura 4-8.10 Gráfica de residuales
2
Residual

-1

-2

17 18 19

Fitted Value

Analizando los gráficos anteriores, podemos observar en el gráfico de probabilidad

que las observaciones aparentan ser normales. Sin embargo en el gráfico de
residuales observamos una tendencia ya que la mayoría de los puntos se
encuentran abajo del cero.

259
 CAPÍTULO V FASE DE MEJORA

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 varios
experimentos factores de interés en un experimento. En cada replica se utilizan cada uno
k
factoriales 2 de los factores que se están investigando.
5-2 Diseño central Consiste en realizar replicas en ciertos puntos del experimento factorial 2k,
compuesto 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.

260
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. Con base en 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.

261
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.

262
 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.

263
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 y 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.

264
 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

A2 40 52

Figura 5-1.1
El cálculo 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.
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

265
En la gráfica 5-1.2 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

266
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 específica 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

267
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)

268
• 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.

269
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, éstas nos permiten realizar el análisis del
experimento.

270
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 clic en OK
• En la opción “Results” (Resultados) se muestra la siguiente ventana:

Seleccionamos la opción por default: coefficients, ANOVA Table, and unusual

observations.
En el cuadro Available Terms, se muestran los Factores y las interacciones, estos se
seleccionan y se pasan del lado derecho. Clic en OK
Pareto Chart of the Standardized Effects
(response is C8, Alpha = .05)

A: Temperat
B: Presión
C C: Catalisi

BC

AC

ABC

AB

0 1 2 3 4 5 6

Figura 5-1.3 Gráfica de Pareto

271
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

C
-1.5
-6 -5 -4 -3 -2 -1 0 1 2 3

Standardized Effect

Figura 5-1.4 Gráfica Normal de Probabilidad

La gráfica normal de probabilidad muestra los efectos más significativos que en

este caso son los mismos que en la gráfica de pareto: C, B y BC, éstos son aquellos
que están más alejados que la recta.
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*Catálisis -1.13 -0.56 2.561 -0.22 0.832
Presión*Catalisi -13.38 -6.69 2.561 -2.61 0.031
Temperat*Presión*Catálisis -0.12 -0.06 2.561 -0.02 0.981

272
Análisis de Varianza del rendimiento(unidades codificadas)

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
3-Way Interactions 1 0.06 0.06 0.06 0.00 0.981
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 cuáles 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 clic en Setup.

273
 Se despliega la ventana Factorial Plots-Main, en la cual seleccionamos en el cuadro
Responses C8. Posteriormente seleccionamos los Factores principales. Damos clic en
OK.
Repetimos los pasos anteriores para las gráficas de interacción y cúbica. Damos clic en
OK y obtenemos las gráficas deseadas.

En está gráfica obtenemos los niveles que maximizan la respuesta.

Temperatura : nivel “alto” = 40°, Presión nivel “alto” = 4, Catálisis nivel “bajo” = A
M a in E ffe c ts P lo t (d a ta m e a n s ) fo r Y ie ld

20 40 1 4 A B
91

83

Y ie
ld 75

67

59
T e m p e ra tu ra P re s ió n C a ta lis is

Figura 5-1.5 Gráfica de efectos principales, en la cual se muestra cual es el

nivel del factor que genera mayor rendimiento.

274
En la interacción Presión*Catálisis el nivel óptimo es: Presión = 4 “nivel alto” y
Catálisis A “nivel Bajo”

Interaction Plot (data means) for Yield

1 4 A B

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 A
20 40
Temperatura

Figura 5-1.7 Gráfica de Cubo

275
En la gráfica de cubo observamos que la mayor respuesta se encuentra en el vértice
102.5. De está gráfica también podemos saber cuáles 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
+

-
(1) a

- +
A
Figura 5-1.8 diseño 22
• 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:

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 réplicas
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:

276
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

277
• 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 (α , a, n)

Donde: α = 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.

278
 Regla de decisión: Si F0 > F, el factor es significativo.

• Análisis Residual

Para obtener los residuos se utiliza la ecuación de regresión siguiente:

y = β 0 + β 1 x1 + β 2 x 2 + ε
El valor de la intersección β0 es el promedio del número total de observaciones
y cada coeficiente de regresión β 1, β 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
β 1 = 8.33
β 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 

279
  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 niveles más favorables en este
experimento son x1 = +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 cálculo 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 réplicas de cada uno de los ocho experimentos, se tiene:

280
 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.

281
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 =
n2 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

282
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 lo tanto sólo son significativos los factores A y B por ser Fc > Fcrítica.

283
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 = β 0 + β 1 x1 + β 2 x 2 + β 3 x1 x 2 + ε = 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 réplicas 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.

284
Diseños factoriales 2k en dos bloques.-
Supongamos que deseamos dividir en dos bloques un diseño 22 . 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.

285
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 = α 1 x1 + α 2 x 2 + .................α k x k

donde
xi = nivel del factor que aparece en una combinación particular del tratamiento.
xi = 0 (nivel bajo) ó 1 nivel alto.

α i = es el exponente del factor en el efecto que es confundido.

αi = 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 = α 2 = α 3 = 1

La combinación lineal correspondiente a ABC es:

L = X1+ X2+ X3

286
 Para determinar los valores Xi de la combinación lineal L utilizamos la tabla de signos
del diseño 23 , 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

287
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

(1) a
ab b
ac c
bc abc

288
 5-2 DISEÑO CENTRAL COMPUESTO 2k

En los diseños factoriales 2k existe la suposición de linealidad en los efectos de los

factores. El diseño central compuesto consiste en realizar replicas en ciertos puntos del
experimento factorial 2k, para proveer una protección contra la curvatura que pudiera
estar presente.
El método consiste en agregar puntos centrales al diseño, se agregan n réplicas en los
puntos Xi = 0 (i = 1,2,……….,k). Estas réplicas centrales no tienen un impacto
significativo en los efectos.

Ejemplo 1: 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:

40 41.5
160 -1

a les
C entr
40.3 tos
40.5 Pun
Temperatura 40.7
155 0 40.2
40.6

150
+1 39.3 40.9

-1
0 +1

30 35
40

Tiempo

Figura 5-2.1 Gráfico del Diseño Central Compuesto

289
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.

290
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).

291
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
únicas que utilizaremos para el análisis de este tipo de experimento.

Damos clic 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, así como las réplicas del punto central.

292
Seleccionamos STAT >DOE > ANALYZE FACTORIAL DESIGN

293
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 default.

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.

294
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 gráficas y la tabla de análisis de varianza.
Pareto Chart of the Standardized Effects
(response is C7, Alpha = .05)

A: A
B: B

AB

0 1 2 3 4 5 6 7

Figura 5-2.2 En la gráfica de Pareto observamos cuáles 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.

295
 Normal Probability Plot of the Standardized Effects
(response is C7, Alpha = .05)

A: A
A B: B

Normal Score 0.5

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)

Source DF Seq SS Adj SS Adj MS F P

Main Effects 2 2.82500 2.82500 1.41250 32.85 0.003
2-Way Interactions 1 0.00250 0.00250 0.00250 0.06 0.821
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.

296
Para generar 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 clic 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.

297
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

298
 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 las 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

299
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 = 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.
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)

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)

Tabla 5-3.1 Arreglo L4

300
 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

Tabla 5-3.2 Arreglos más comúnmente utilizados

Nota: ver ANEXO 5-3. 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,

301
asignamos los factores en orden a las primeras cinco columnas, dejando libres las
últimas dos columnas, el arreglo queda según la tabla 5-3.4.

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 e1 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

302
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

303
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

Tabla 5-3.5 Tabla de ANOVA

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

304
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.

305
Nos resta decidir a qué 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:

306
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:

Factor A B C D E e e
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:

307
Factor A B C D E e e

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

308
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 A2 C1 C2 D1 D2 E1 E2 B1 B2 e1 e2 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

309
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 cuál 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. (Fig. 5-3.2)

310
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.

311
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 cuáles
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 con base en 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.

312
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).

313
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.

314
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 i
nteracciones.

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)

315
La gráfica anterior 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 combustible Pequeña Grande
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 como se muestra en la tabla 5-3.12

316
Nº A C AxC B AxB CxB 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:

Efecto SS G.l. V Fexp

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

Tabla 5-3.13 Tabla de ANOVA

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.

317
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

318
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.

319
• 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 ∃ , # 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, sólo 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.

Usted 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 éstas últimas no son muy fuertes,
se pueden considerar como ruido.

320
ANÁLISIS 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”

321
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= [(y1
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 + y3 +,… 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 / y1 ) + (1 / y2 ) + (1 / y3 ) 2 + ... + (1 / yr ) / r
2 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.

322
En un experimento señal a 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.

323
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 en la tabla 5-3.16.

324
 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 todas ellas bajo diferentes condiciones (valores de Yij ). 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 Y11, 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.

325
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 Y73 , 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.

326
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 ) / r y Vm= ∑ Yi − Sm / (r − 1)
2 2
)

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

327
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

328
A2 = Total de las lecturas tomadas bajo el nivel 2 del factor A
=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

Tabla 5-3.21 Tabla de ANOVA

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.

329
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:

A1 = Total de las lecturas tomadas bajo el nivel 1 del factor A

=1.175+1.250+2.100+2.100= 6.625
A2 = Total de las lecturas tomadas bajo el nivel 2 del factor A
= 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

330
Y así sucesivamente
SSC = 0.0028 , SSAxC= 0.0000, SSAxD= 0.0003
SSD = 0.0013 , SSe= 0.0028

Efecto SS G.l. V Fexp

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”.

331
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 observa 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 A1. 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.

332
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.

333
 ANEXO 5-3.1 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 1 1 1 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 1 2 2 1 1 2 2 1 1 2 2
6 1 2 2 1 1 2 2 2 2 1 1 2 2 1 1
7 1 2 2 2 2 1 1 1 1 2 2 2 2 1 1
8 1 2 2 2 2 1 1 2 2 1 1 1 1 2 2
9 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2
10 2 1 2 1 2 1 2 2 1 2 1 2 1 2 1
11 2 1 2 2 1 2 1 1 2 1 2 2 1 2 1
12 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

334
 5-4 METODOLOGÍA 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 + β 1 X 1 + β 2 X 2 + β kXk + ε
Si existe curvatura en el sistema, entonces se utiliza un polinomio de segundo orden:
y = β 0 + ∑ β iXi + ∑ β iiXi 2 + ∑ ∑ β ijXiXj + ε

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 X1

temperatura, X2 presión y el rendimiento esperado Y

335
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.

336
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 oxígeno 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

337
 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 compuesto1 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

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)

Source DF Seq SS Adj SS Adj MS F P

Main Effects 2 3.14000 3.14000 1.57000 23.55 0.015
2-Way Interactions 1 0.04000 0.04000 0.04000 0.60 0.495
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

1
Ver 5-2 DOE Central.

338
 Checando la adecuación del modelo:

1. Error: los coeficientes de regresión β 1 y β 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 Tabla 5-4.4 Ruta de
10d -10 2.9 -265 1.49 ascenso.
11d -11 3.19 -270 1.52
d = incremento
12d -12 3.48 -275 1.55

339
Ejemplo 22:
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.

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.

2
Douglas C. Montgomery, Design and Analysis of Experiments, Third Edition. Pp. 534

340
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.

341
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.

342
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

343
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:

344
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.

345
 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 5-4.3 Gráfica 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

Source DF Seq SS Adj SS Adj MS F P
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

346
De la tabla de coeficientes determinamos el modelo de segundo orden:
)
y = 79.94 + .995 x1 + .515 x 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 un diagrama de Superficie de respuesta en la figura 4.

Contour Plot of Y
75
76
180 77
78
79
Temperature

80
175

170

80 85 90
Time

Figura 5-4.4 Gráfica de Contornos Su

rface Plot of Y
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
77.5
76.5
Y
75.5
74.5
180
73.5
175
Temperature
80 170
85
Time 90
9

Fig. 5-4.5 Gráfica tridimensional de Superficie de Respuesta

347
 CAPÍTULO 6 FASE DE CONTROL

Definir
Definir Medir Analizar Mejorar Controlar
Controlar

Una vez realizadas las mejoras en nuestro proceso, el último 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.

DEFINIR

CONTROLAR
MEDIR

MEJORAR ANALIZAR

348
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 qué es utilizada?

6-1 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.
6-2 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.

6-3 Poka-Yoke Sistemas utilizados a prueba de errores.

349
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
ADMINISTRACIÓN ERRORES

CONTROL ESTADÍSTICO DEL PROCESO

Monitorea problemas
potenciales

Figura 6-1 Elementos de un plan de control.

350
 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.

351
 6-1 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.

352
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
procedimiento de control. a 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.

Desventajas significativas
No se entienden a menos que
se dé capacitación; puede
causar confusión entre los
límites de especificación y los
límites de tolerancia.
Más econónomicas
No proporciona información
detallada del control de
características individuales.
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.

353
ATRIBUTOS

Carta Descripción Campo de aplicación.

P Proporciones
NP Número de
defectuosos
C Defectos por unidad
U Promedio de
defectos por unidad
Control de la fracción global de defectuosos de un proceso.
Control del número de piezas defectuosas
Control de número global de defectos por unidad
Control del promedio de defectos 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

354
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, R1,R2..es el rango de cada subgrupo; X 1 , X 2.... son el

promedio de cada subgrupo.

Paso 4: calcule los límites 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.

355
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
Promedio 0.71 0.82 0.75 0.76 0.67 0.70 0.62 0.66 0.69 0.70 0.64 0.66
Rango 0.25 0.15 0.15 0.15 0.15 0.20 0.05 0.30 0.20 0.15 0.10 0.10

356
Calculando el Rango promedio, promedio del proceso y límites de control:

R = .198
X = .71
LSC R = D4 R = 2.11* 0.198 = 0.41

LIC R = D3 R =0

LSC X = X + A2 R = .71+(.58)(.198) = .82

LIC X = X − A2 R = .71-(.58)(.198) = .59

Xbar/R Chart for C1

UCL=0.8254
0.8
Sample Mean

0.7 Mean=0.7112

0.6 LCL=0.5970

Subgroup 0 5 10 15 20 25

0.7 1
0.6
Sample Range

0.5
0.4 UCL=0.4187
0.3
0.2 R=0.198
0.1
0.0 LCL=0

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.

357
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.
Juran1 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

1
Análisis y planeación de la calidad, J.M. Juran ,F.M Gryna, Tercera Edición, McGrawHill

358
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 límites de control con las

siguientes fórmulas:

LSC x = x + A3 (s )
LIC x = x − A3 (s )

Los límites 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 estándar de la muestra y es la línea central del

diagrama sigma.

359
 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 límites 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

360
 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

Figura 6-2.3 Gráfica Xbar-S

0.000 LCL=0

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

361
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 Parte Longitud Rangos

1 12.02 1 12.02 0.17
2 11.85 2 11.85 0.13
3 11.98 3 11.98 0.26
4 11.72 4 11.72 0.16
5 11.88 5 11.88 0.19
6 12.07 6 12.07 0.04
7 12.03 7 12.03 0.10
8 12.13 8 12.13 0.03
9 12.16 9 12.16 0.00
10 12.16 10 12.16 0.00
11 12.16 11 12.16 0.05
12 12.21 12 12.21 0.02
13 12.19 13 12.19 0.26
14 11.93 14 11.93 0.04
15 11.89 15 11.89
12.03 0.10

Se calcula el rango móvil de la siguiente manera: diferencia entre 1ª y 2ª lectura, 2ª y 3ª

y así hasta n-1.

362
 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.

363
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 instaló 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.

364
Paso 2: cálculo 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: cálculo 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 + n 2 + ..... + n k

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.

365
 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

366
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

LIC = (50)(0.2313) − 3 (50 )(0.2313)(0.7687 ) = 2.620

367
 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

Gráfica C
Se utiliza para determinar la ocurrencia de defectos en la inspección de una unidad de
producto. Esto es determinar cuántos 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.

368
Ejemplo 6:

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

369
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 límites de control utilizamos las fórmulas siguientes:

u
LSC = u + 3
n

u
LIC = u − 3
n

Ejemplo 72
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

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

2
Statistical Quality Control, Douglas C. Montgomery, Second Edition pp.181
370
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

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

371
 6-2 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 estos 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)3 es mayor que uno (algunos textos recomiendan como mínimo Cp=2)4, 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

3
C p = (USL − LSL ) , donde USL = Upper Specification Limit y LSL = Lower Specification Limit
6σ
4
Montogomery, Douglas C. “Statistical Quality Control”, John Wiley & Sons, Inc., 1991, pp. 332-334.

372
LSL LPCL µ UPCL USL

0 1 1 3 1
4 2 4

superior (USL). La siguiente figura considera un proceso distribuido de acuerdo a la

distribución normal.
Figura 6-1 En la gráfica se muestran los límites de Pre- Control.

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.

373
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.

374
 6-3 SISTEMAS POKA-YOKE ( A PRUEBA DE ERRORES)

Un sistema Poka-yoke5 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.

5
Shigeo Shingo, Zero Quality Control: Source Inspection and the Poka-Yoke System, Productivity Press
1986

375
Tipos de sistemas Poka-Yoke:

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 máquinas 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 crítica en el proceso ó 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.

376
 Figura 6-3.1 Sistema Poka Yoke de contacto.-como se muestra en el diagrama del
lado izquierdo, las partes de mano derecha e izquierda pueden ser colocadas en el
puente. En el diagrama del lado derecho observamos que las partes de mano izquierda
no pueden se colocadas en el puente poka-yoke

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 el 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. La barra de arriba nos muestra el
sistema antes de la mejora, la barra de abajo después de la mejora muestra como se
colocan tiras de 10 en 10.

377
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. La figura muestra el sistema

después de la mejora , con el tubo fotoeléctrico instalado el cual detecta etiqueta por etiqueta.

378
 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 las personas 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.

379
 CAPITULO 7 CASO PRÁCTICO

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

380
 • 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

381
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?)

382
 CAUSAS Causas de insatisfacción en
DE INSATISFACCION ENlasLAS
compras
COMPRAS

50 100

40 80

Percent
30 60
Count

20 40

10 20

0 0
B
C WE TO
OP A LE
CATEGORIES OP GIN RO SO
PT PA CA B S
A O Y OO RO
EL OS S MU UIP OT
IEN CT IDO EQ
Count Y A T 27RODU NOC 14 6 3 1
P CO
Percent 52.9DES 27.5 11.8 5.9 2.0
Cum % 52.9 80.4 92.2 98.0 100.0

Niveles de UTILIZADO
PROCEDIMIENTO desempeño E-Commerce
PARA REALIZAR LA COMPRA

100
15
30 80
Percent

60
Percent

10 60
Count
Count

20
40
40
5
10
20
20

00 O 00
AD D AD ISM
VARIABLES LIID
TO ILIDA ILID ELM
N AR DE O B A
UD FIA B RE
CATEGORIES O
I C O T SA POD TA
CT ES EÑ IAEN CE A Y CON NPO
FU
NTO DISEDIIM
N AC IBIO C
TIIEOM PUES
IEN OCA G C A
IM PR PA L RE EG RES
Count ED 4 4 3 3 NA V 3
Count PROC 17 OR
15 4 1
Percent 23.5 23.5 17.6 17.6 17.6
Percent 45.9 40.5 10.8 2.7
Cum % 23.5 47.1 64.7 82.4 100.0
Cum % 45.9 86.5 97.3 100.0

383
 Fase de Análisis

Funcionalidad Diseño
de la
1 Proceso E-Commerce
página
precios no
Web
Políticas y 1 actualizados
procedimientos
desconocidos información 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

Impacto
384
Reporte de Fallas en el sistema E-Commerce

• 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
AMEF

385
 ANÁLISIS 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 ACTIONS TAKEN:RESULTS

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
DESCRIPCIÓN FALLA FALLA P. D CAUSA FALLA A CONTROLES N R ACCIONES RESP+ ACCIONES D A N R
PROCESO POTENCIAL EFECTO PRESENTES RECOMEND TOMADAS

Registro equivocaDatos incorrectos Cliente diferente 8 Registro incorrect 8 Reproceso 9 576 Revisiones Ventas-envío
Entrega retrasada 8 Dirección Equivoc 4 Reproceso 9 288 Verificar datos
Actualizar costos y documentación de info.

Olvido del cliente Retraso en el proc 5 Información Omiti 5 Del cleiente 1 25 Información compVentas
Orden interna del cliente orden interna de Ventas

Cantidades equivoretraso Control de inventario equivocado

Equip obsoleto 10 Demasiadas pers 4 Inexistentes 1 40 Niveles adecuado Entrega Producto
Incremento en pre 10 Demasiadas pers 4 Inexistentes 1 40 Costeo adecuado Ventas
Compra equivocad 9 Demasiadas pers 4 Inexistentes 1 36 Control AdecuadoVentas-Envío
Compras
Facturación equivDatos incorrectos Retraso en collec 8 Información incorr 2 Reproceso 1 16 Verificar datos co Ventas-Facturación

Precio equivocadoPrecio Incorrecto Precio no actualiz 10 Precio incorrecto 6 Reproceso 5 150 Actualización de costos

No aplicar
utilidades brutas Negocio sin utilida 10 Precio incorrecto 6 Reproceso 4 240 actualización a tieVentas
RISK PRIORITY NUMBER (TOTAL): 1411 RESULTANT RISK PRIORITY NUMBER:

386
 PRIMER QFD

n
f
o
r
m
a
c
i L
ó i
n C g
C A o E D D a
T l a n f i B s
Q t c f i s
´ a t i c e r c
S 3 m u r i ñ e o
6 e a m e o g n
S 5 n l a N n i
I t i c a c U d s o
S d e z i v i s e t t
T í a ó e a o r r
E a t d n g l o o
M s r a a d d a s
A a d c e e e
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
REQ. DEL CLIENTE e l a s a r d b o b D
Disponibilidad 4
Usable 4
Accesibilidad 4
Confiabilidad 5
Fácil uso 3
Instrucciones Fáciles 3
Sistema amigable 4
Niveles de seguridad 3
Precio correcto 5 9 FUERTE
Especificaciones técnicas correctas 5 3 MODERADA
Respuesta a tiempo rápida 3 1 DEBIL
Transacciones rápidas 4
PRIORIDAD-CTQ 36 69 107 76 144 63 81 111 57 31

387
 SEGUNDO QFD

t i b
r r
R P
o m d
E a
a e t
Q d c O r
E e i p a 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 o
n u e z i d U
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 i a z
n j d d q i
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
A l d - ó v r e l g r
L a
2 í a m g i i n i
E n
4 n t a i d d t W d d
S X e o i c o a o e a
a
REQ. DEL SISTEMA 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 Lógica 5
Eficiencia en el servicio 3
Uso del Password 4
Diseño de la Página Web 5
Registro estadístico DB 4 9 FUERTE
Ligas a otros sitios WEB 4 3 MODERADO
Prioridad del CTQ 36 45 36 45 45 27 36 45 36 36 1 DEBIL

Análisis del QFD.

Como resultado de esta herramienta de calidad, el equipo de trabajo se enfocó en las
prioridades dadas en cada uno de los dos niveles del análisis

1er QFD.....Requerimientos del sistema.

Enfocado principalmente en la navegación Lógica

2do. QFD.....Funcionalidad del sistema para ser usado exitosamente tiene que incluir
principalmente:

388
• 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. Éstos
consisten en estar monitoreando constantemente el sistema para tomar las acciones
correctivas en caso de ser necesario.

389
 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 cuando los procesos 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.

390
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 económico que ha presentado el mismo. Es importante
que el Champion, directivos, Black belts dediquen tiempo a discutir con los miembros

391
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.

El presente trabajo cumple con los objetivos planteados al inicio del texto ya que es
una herramienta útil para la capacitación como para la consulta en la implementación
de proyectos Seis Sigma.
En mi experiencia práctica los Green Belts después de un entrenamiento en Seis
Sigma, encuentran muy útil para el entendimiento y consulta las herramientas
planteadas en este texto. También es un manual sumamente útil para Black Belts y
Champions, por los motivos mencionados podemos estar seguros de que esta tesis
cumplió los objetivos fijados así como la problemática.
Me parece fundamental proporcionar una excelente capacitación. Mucha gente no
esta muy familiarizada con la Estadística y no está acostumbrada a trabajar en equipo
sin embargo cuando comienzan a utilizar las herramientas se convierte en una
disciplina muy valiosa para su trabajo diario.
Otro aspecto básico es la comunicación que se da entre los Black belts y Green Belts
y entre los equipos de trabajo, tiene que ser de primer nivel de lo contrario nos
encontraremos con muchas barreras.

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.

392
• Que genere ahorros financieros.
• De ser posible escoger un proceso con más 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 está 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 sino más bien procesos. La información y la
comunicación se ven fortalecidas en gran medida.

393
ANEXO 1 TABLAS

Tabla I

394
Tabla II

395
396
 Tabla III

% R ENDIMIENTO

TABLA DE
CONVERSIÓN SEIS
SIGMA

397
Tabla IV

398
TABLA V

399
400
401
402
403
TABLA VI FACTORES PARA DIAGRAMAS DE CONTOL

404
TABLA VII

405
BIBILIOGRAFÍA

1) Implementing Six Sigma: Smarter Solutions Using Statistical Methods/ Forrest

W.Breyfogle III. : John Willey & Sons, Inc. 1999.

2) The Six Sigma Handbook: a complete Guide for Greenbelts, BlackBelts, & Managers
at all levels / Thomas Pyzdek :Mc. Graw Hill, 2001.

3) The Six Sigma Way/ Peter S. Pande, Robert P. Neuman, Roland R. Cavanagh / Mc.
Graw Hill, 2000

4) Regression analysis : concepts and applications / Franklin A. Graybill, Hariharan K.

Iyer Belmont, Calif. : Duxbury, 1994

5) Probabilidad y Estadística para Ingeniería y Administración/ William W. Hines,

Douglas C. Montgomery: CECSA, 3ra edición 1993

6) Control Estadístico de la Calidad/ Vicente Carot Alonso: Universidad Politécnica de

Valencia, Alfaomega, 2001.

7) Control de Calidad y Estadística Industrial/ Acheson J. Duncan: Alfaomega, 1996.

8) Estadística no paramétrica: Aplicada a las ciencias de la conducta/ Sydney SiegeL,

N. John Castellan: Trillas, 2001.

9) Introducción al estudio del trabajo/ Oficina Internacional del trabajo, Noriega

Limusa, 1991.

10) Estadística para las ciencias sociales y el Comportamiento/ Harold Elorza: Oxford,
segunda edición, 1999.

11) El protocolo de investigación/ Ignacio Méndez Ramírez: Trillas, 1997.

12) Calidad Total/ Alberto Galgano: Díaz de Santos, 1993.

406
13) Desarrollo de una cultura de Calidad/ Humberto Cantú Delgado: Mc Graw Hill,
segunda edición 2001.

14) Los siete instrumentos de la Calidad Total/ Alberto Galgano: Díaz de Santos, 1995.

15) Análisis y planeación de la calidad/ J.M. Juran: Mc. Graw Hill, tercera edición, 1995

16) David Hoyle/ Manual de Valoración del sistema de calidad ISO 9000: Paraninfo,
1998
17) ¿Qué es Control Total de Calidad? / Kaouru Ishikawa: Ed. Norma, 1985.

18) Administración de Operaciones y producción / Hamid Norri, Russell Radford: Mc

Graw Hill, 1997

19) Introduction to statiscal quality control / Douglas C. Montgomery. 3rd ed. New
York : J. Wiley, 1996.

20) Regression analysis by example / Samprit Chatterjee, Bertram Price 2nd ed. New
York : J. Wiley, 1991

21) Diseño y análisis de experimentos / Douglas C. Montgomery ; traductor Jaime

Delgado Saldívar México : Grupo Editorial Iberoamérica, 1991

22) Estadística / Richard C. Weimer. México : Compañía Editorial Continental, 2000

23) Curso general sobre Statgraphics : procedimientos : métodos estadísticos :

aplicaciones : ejercicios resueltos / Carlos Mate Jiménez Madrid : UPCO, 1995

24) Estadística para administradores / William Mendenhall ; tr. Dirk Valckx Verbeeck
México : Iberoamérica, c1990

25) Design and analysis of experiments / Klaus Hinkelmann, Oscar Kempthorne. New
York : John Wiley, 1994

407
26) Statistics for the engineering and computer sciences / William Mendenhall, Terry
Sincich 2nd ed San Francisco : Dellen : Collier Macmillan, c1988

27) Questionnaire design and attitude measurement / A. N. Oppenheim New York :

Basic Books, c1966

28) Manrique Maldonado, Claudia.: 1999: Propuesta de una metología para el

diagnóstico de la calidad de vida en el trabajo y guía de mejora de la misma.
1999.

29) 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.

30) 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.

31) Total quality control / A. V. Feigenbaum 3a.ed. New York : McGraw-Hill Book,
c1986

32) 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

33) Montgomery, Douglas C.: 1991: Design and analysis of experiments / Douglas C.
Montgomery 3rd ed. New York : J. Wiley, 1991

34) Khuri, André I: 1987: Response surfaces : designs and analyses / André I. Khuri,
John A. Cornell New York : M. Dekker, 1987

408