Curso 3. Analisis Del Sistema de Medición

Análisis del Sistema
de Medición
Análisis del Sistema de Medición
Introducción
Bienvenida al curso
Bienvenido al curso llamado Análisis del Sistema de Medición.
Para iniciar, te invitamos a revisar la siguiente información, la cual te permitirá

conocer un panorama general de lo que aprenderás con el estudio de este curso.
Primer tema
En el primer tema de esta fase estaremos revisando algunos conceptos relativos al

Análisis del Sistema de Medición como son:
Segundo tema
En el segundo tema estaremos aplicando el MSA (Measure System Analysis) para

variables medibles, datos que son obtenidos a través de una medición.
Tercer tema
En el tercer tema, nos enfocaremos en el MSA para atributos, estos datos son
recolectados a través de un conteo de clasificación. Las evaluaciones que se realicen
al MSA podrán ser aplicadas al proyecto que desees realizar.
Recuerda que la importancia del MSA radica en que nos permite evaluar o certificar la
calidad de los datos, esta confiabilidad nos permitirá tomar mejores decisiones
basadas en herramientas estadísticas a solo tomarlas sin ningún sustento o por
corazonada.
Te invito a que realices la revisión de los contenidos que fueron diseñados y

seleccionados cuidadosamente para que logres al máximo su aprovechamiento,
nuevamente recibe una cordial bienvenida a este curso. ¡Mucho éxito!
Elementos de competencia
A lo largo de este curso, el participante:
• Evalúa el sistema de medición de las variables (Datos medibles y atributos) que

serán probadas en siguientes etapas.
• Presenta los resultados detallados estadísticos y la interpretación correcta del
MSA.
Temario
Los temas que estudiarás son los siguientes:
Tema 1. Introducción al Análisis del Sistema de Medición.
Tema 2. MSA para variables medibles (método ANOVA).
Tema 3. MSA para atributos (Análisis de Acuerdo de Atributos).

Contexto
¡Litros de a litro!
Imaginemos que son los primeros días del 2019… El Gobierno Federal ha anunciado
que ha emprendido una lucha contra el huachicoleo (robo de combustible).
Te diriges tranquilamente a tu trabajo y de pronto:
Vez que la gente empieza a hacer largas colas en las gasolineras por las que sueles
pasar. Piensas que más tarde, cuando regreses del trabajo podrías cargar gasolina ya
que las filas bajen, aunque son pequeñas no amerita que te formes porque traes un
cuarto de tanque y es martes 8 de enero, por lo que decides continuar tu camino.
Terminas de laborar y te diriges a tu casa, cuando llegas a la primera gasolinera

encuentras que la fila de espera ya supera los 500 metros y te dicen además que la
gasolina no alcanza para todos.
Decides continuar tu viaje a casa y la escena se repite en cada una de las 5

gasolineras por las que has pasado. Sigues manejando hacía la última pidiendo que
tenga gasolina y que no haya fila, en verdad, te has sacado la lotería solo 3 vehículos
delante de ti, pues horas antes otros conductores se han ido a otros lugares, debido a
que los despachadores les indicaron que hasta mañana por la noche surtirán
nuevamente el combustible.
Pides que te llenen el tanque no sin antes mirar el indicador del tanque de la gasolina
y darte cuenta que apenas está por encima de la reserva. Cuando terminan de
llenarte el tanque preguntas -¿cuánto es? y te informan del monto, haces un cálculo
rápido y te das cuenta que te están cobrando más de lo que le cabe a tu auto.
A pesar de tu indignación tienes que pagar, y piensas que los despachadores se están
aprovechando de la escasez de combustible que aqueja al Valle de México, pero al
final de cuentas agradeces que al menos tu vehículo ya tiene combustible para
circular, una semana más, esperando que se normalice la situación en los días
subsecuentes.
Antes de retirarte de la estación de servicio, le tomas una foto a la bomba

despachadora para corroborar que efectivamente te hayan cobrado correctamente.
Al llegar a casa observas nuevamente la foto y te das cuenta de un holograma de la

Procuraduría Federal del Consumidor (Profeco), buscar en internet el teléfono y haces
una cita para exponer tu queja. Llegas a la cita, te escuchan y luego te dicen que la
NOM-005-SCFI-2017 en su artículo 5.1.1 permite un error máximo tolerado de 20+- 4

ml por cada litro. Haces tus cuentas tomando como referencia ese margen de error,
comparas con tu ticket y la capacidad del tanque de gasolina de tu vehículo que es de
60 litros y resulta que te han cobrado 3 litros más allá del permitido (0.024*50=1.12
litros). ¿Qué fue lo que salió mal? ¿Acaso hubo un error de la bomba? ¿Un error del
sistema hidráulico o del sistema eléctrico? ¿El despachador no reseteó el contador?
La Profeco con la información que le acabas de proporcionar decide hacer una

inspección y verificación de los volúmenes despachados y efectivamente corrobora
que, a la medida de referencia de 20 litros, le falta por lo menos 500 ml para estar en
los niveles aceptables. La Profeco decide inmovilizar la bomba imponiendo una
sanción al propietario de la estación de servicio.
Para finalizar tu día, haces una estimación promedio del ingreso extra de forma legal
que el Gobierno permite a los empresarios y resulta que por cada pipa de 10,000
litros pueden llenarse 200 vehículos de 50 litros cada uno en promedio. Sin embargo,
dado el margen tolerado máximo se pueden llenar casi 5 vehículos más por pipa
(10,000*.024), lo opuesto también sería cierto, que se despachara gasolina de más sin
que se le cobre al cliente.
Tema 1. Introducción al Análisis del Sistema de Medición.

Fase MEDIR y sus elementos
A continuación se muestran los elementos que integran la fase MEDIR, así como
algunas de las principales herramientas empleadas para su desarrollo, en esta
ocasión nos enfocaremos en la Evaluación del Sistema de Medición, cuyas principales
características se presentan en el siguiente esquema.
Principios teóricos acerca del MSA.
Hasta principios de la década de 1990, el Análisis del Sistema de Medición (MSA por
sus siglas en inglés) se usaba principalmente en los laboratorios de medición y era
poco conocido en el mundo industrial. A partir de la difusión de las normas de calidad
de la industria automotriz, se ha permeado en distintos sectores, por lo que ahora es
común su uso en muchos sectores de la economía. De hecho, los expertos del Control
Estadístico de Procesos, han sugerido iniciar con el MSA cuando se quiere tener un
proceso bajo control. A continuación, se detallará qué es el Análisis de Sistema de
Medición y su importancia.
¿Qué es el MSA?
El MSA es un área de estudio estadístico que analiza la variación en los datos de

medición debido básicamente a la exactitud (que incluye a la linealidad, sesgo y
estabilidad) y a la precisión (que incorpora la repetibilidad y reproducibilidad).
¿Cuál es la importancia del MSA?

La importancia del MSA radica en garantizar la calidad de los datos usados, pues para
mejorar los procesos de una empresa, se deben recopilar datos sobre las
características "críticas", las variables X, las causas que hemos seleccionado, así como
para los CTQs que hemos definido. Cuando existe una variación en los datos,
podríamos suponer que se debe a la característica o propiedad que se está midiendo
o bien a la forma en que se están tomando las mediciones, lo que origina un error de
medición que nos conduce a tomar decisiones no apropiadas. Este error de medición
es el efecto de todas las fuentes de variabilidad de la medición que hacen que un
valor observado se aleje del valor de referencia (o valor verdadero como se le conocía
anteriormente, porque ha caído en desuso).
¿En que contribuye el MSA?
Contribuye a determinar la calidad de los datos usados en el sistema de medición,

porque al tener la calidad de los datos baja, es probable que el beneficio del
procedimiento sea igualmente bajo, al tener una calidad de los datos alta, es probable
que el beneficio del procedimiento igualmente sea alto. La manera en que se define
una calidad de los datos como confiable es, si la medición se acerca al valor de
referencia, caso contrario diríamos que es baja, la cual podría resultar en que los
datos sean no útiles. Esta baja calidad de los datos se presenta cuando hay mucha
variación que puede deberse a la interacción entre el sistema de medición y su medio
ambiente.
La importancia de analizar el sistema de medición
El sistema de medición implica un sistema completo para obtener mediciones, el cual

está constituido por los siguientes elementos:
Momentos en que es recomendable emplear el MSA
Los usos o aplicaciones del MSA en cada una de las etapas de la Metodología Lean Six
Sigma, sirven para corroborar la evidencia estadística, manteniendo que los análisis
realizados servirán para tomar decisiones razonadas y no meras corazonadas.
A continuación, se presentan algunos ejemplos de dónde, cuándo o en qué momento

es recomendable emplear el MSA.
• Fase DEFINIR:
o En la validación de las métricas primarias o CTQ.
• Fase Medir:
o En el mapa de procesos cuando nos encontramos con los elementos
decisores en esta fase.
o Al momento de medir las variables críticas del proceso.
• Fase ANALIZAR:
o Antes de llevar una prueba de hipótesis.
• Fase MEJORAR:
o Antes de la planificación de los diseños experimentales.
• Fase CONTROLAR:
o Al momento de monitorear o controlar variables críticas.
o Antes y después de los cambios realizados al proceso.
Conceptos del MSA
• Calibración
o 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. Ajustando los
instrumentos para que marquen 0.0000 ya sea digital o analógico.
• Dato
o Es la observación recogida bajo un conjunto de condiciones, que puede ser
variable (obtenido de una medición) o discreto (obtenido de un conteo).
o También puede ser entendido como, el valor que le asigna el usuario a una
situación o acontecimiento.
• Gage
o Es cualquier dispositivo, instrumento o mecanismo usado para obtener
mediciones. Por ejemplo: El vernier utilizado para cuando se miden piezas
con hasta 4 decimales de exactitud.
• Medición
o Es la asignación de números o valores a objetos materiales que representen
relaciones entre ellas con respecto a propiedades particulares.
o Equipos que se utilizan para las mediciones. Una vez que se mide, se asigna
el valor a la pieza.
• Patrón / Estándar
o Es el valor conocido, dentro de límites de incertidumbre establecidos y
aceptado como un valor de referencia, incluso puede ser cualquier objeto
que se tome por consenso general como una base para comparación, un
modelo aceptado. También puede ser algo establecido por una autoridad
como una regla para medición de cantidad, peso, alcance, valor o calidad.
Por ejemplo: El nuevo patrón para calcular el peso. El anterior estándar
funcionaba desde 1889, pero ya no se emplea más porque ha perdido 50
microgramos de masa (el equivalente a una pestaña).
• Resolución
o Es la capacidad de detectar en la característica incluso cambios pequeños.
Es la escala de unidad de medición más pequeña o resultado de un
instrumento. Se suele usar la regla empírica 10 a 1, esto es, la discriminación
del instrumento debiera dividir la tolerancia (o variación del proceso) en 10
partes o más. También se le conoce como discriminación y sensibilidad
adecuados. Otra manera de operacionalizarla es mediante el valor de la
graduación más pequeña sobre la escala del instrumento, por ejemplo, una
regla de 30 centímetros es capaz de medir milímetros.
o Diferentes instrumentos para medir piezas dan diferentes resultados. A
medida que se quiera mayor exactitud se debería emplear instrumentos
más sofisticados capaces de detectar una diferencia de una décima parte. Si
nos interesa conocer con mayor detalle la medida de un tornillo, podríamos
utilizar en lugar de una regla, un micrómetro que nos dará con mayor
exactitud la medida de la pieza.
• Sistema de medición
o Es el sistema completo usado para obtener mediciones; consiste en los
instrumentos o gages, patrones, operaciones, métodos, dispositivos,
software, personal, medio ambiente y supuestos usados para cuantificar
una unidad de medida o preparar la evaluación de una característica o
propiedad a ser medida. Por ejemplo: El proceso empleado para medir una
pieza utilizando un vernier sujeto a las condiciones ambientales, el
evaluador, la forma en que es tomada la pieza y que pueden impactar el
valor asignado en la medición y para evitarlo se recurre a un sistema de
medición.
• Valor Kappa de Cohen y Kappa de Fleiss
o Es una medida estadística de acuerdo entre evaluadores para artículos o
ítems cualitativos (categóricos) empleado en el MSA para datos discretos.
Toma en cuenta el acuerdo que ocurre por probabilidad.
o El valor Kappa de Cohen se utiliza para cuando hay sólo 2 evaluadores, a
diferencia del valor Kappa de Fleiss para cuando hay más evaluadores
o En la siguiente tabla de valores se define el grado de concordancia entre los
evaluadores de piezas, en la que se establecen los valores y nivel de
acuerdo, que cada uno de ellos representa.
o Es importante mencionar que la AIAG, establece solo 3 valores:
o Kappa = 1: concordancia perfecta
o Kappa = 0: misma concordancia que se esperaría en virtud de las
probabilidades que existen (los resultados son al azar)
o Kappa < 0: la concordancia es más débil que lo esperado en virtud de las
probabilidades (el acuerdo es más débil que al azar). Casi nunca sucede.
Estructura de un error en el sistema de medición
A continuación, se muestra un esquema en el que se detallan las partes que

componen un error en el sistema de medición, por lo que en la parte superior
encontraras la variación total o variación observada, la cual está compuesta por
variación del proceso (variación pieza a pieza) y por variación del sistema de
medición que está integrada por precisión y exactitud. Como podrás darte
cuenta estos dos términos son los principales causantes de un error en el
sistema de medición y los cuales explicaremos a continuación.
Precisión
Es la habilidad de repetir la misma medida cerca o dentro de una misma zona. La

precisión de la medición describe la capacidad del instrumento de medición de
generar mediciones repetidas con poca variación entre ellas.
Por ejemplo.
Las mediciones quedan cerca unas de las otras.
Repetibilidad
Es la variación debido al dispositivo o instrumento de medición. Es la variación que se

observa cuando el mismo operador mide la misma parte muchas veces, usando el
mismo dispositivo y mismo método (bajo las mismas condiciones).
Por ejemplo:
Un mismo operador mide la pieza muchas veces usando el mismo sistema de

medición (mismo operador, mismo instrumento de medición, mismo método).
Reproducibilidad
Es la variación debida al operador y/o el método de medición. Es la variación que se

observa cuando diferentes operadores miden la misma parte muchas veces, usando
el mismo dispositivo y mismo método (bajo las mismas condiciones).
Por ejemplo:
Varios operadores miden la pieza muchas veces usando el mismo sistema de

medición.
Exactitud
Es la diferencia entre el promedio del número de medidas y el valor verdadero, esto

es, la cercanía al valor verdadero o a un valor de referencia aceptado. A mejor
exactitud, menor sesgo.
Por ejemplo:
Diferencia entre el valor de referencia y la medición, entre menos variación mayor

exactitud. Cuando la medición coincide con el valor de referencia (puede incluir cierto
margen), se puede decir que hay exactitud.
Estabilidad
Es una medida que indica en qué grado el sistema funciona en el tiempo. 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 prolongado. También se puede concebir como la
consistencia en la medición a lo largo del tiempo. Es el comportamiento del sesgo a lo
largo del tiempo.
Por ejemplo:
Es la variación o consistencia a lo largo del tiempo de una característica de interés.

Sesgo
Es una medida de la inexactitud en el sistema de medición. Es la distancia o

diferencia entre el valor absoluto y el valor verdadero con respecto a un maestro
estándar en varios puntos de medición del rango de medición.
Por ejemplo:
Distancia entre el valor establecido y el observado. A menor sesgo, mayor exactitud.
Lineabilidad
Es una medida de cómo el rango de operación del instrumento de medición

afecta el sesgo. La lineabilidad describe cambios en la exactitud (sesgo) a través del
rango operativo esperado del instrumento de medición.
Por ejemplo:
Diferencia de los valores de sesgo de un instrumento a través del rango esperado del
instrumento.
¿Por qué es importante medir con precisión y exactitud?
La precisión y exactitud son elementos importantes para evitar un error en el

sistema de medición, en la siguiente imagen se resumen sus principales ideas:
En los sistemas de medición se busca que tenga poca variabilidad y que las
mediciones sean lo más cercanas posibles al valor de referencia (valor verdadero). En
las gráficas se aprecia la importancia de medir con precisión y exactitud.
Ejemplo de un error de medición
A continuación, se presenta una situación en la que se ejemplifica un error en la

medición e identifica la importancia del MSA.
Situación
Los operadores de una empresa manufacturera utilizan calibradores de alta calidad

para medir los diámetros de los ejes.
Un eje estándar conocido (valor de referencia) tiene un diámetro de 5.00 cm. Cuando
se mide varias veces, las mediciones son:
5.01 cm
4.99 cm
4.97 cm
5.03 cm
5.01 cm
En esencia, las preguntas obligadas son:
¿Por qué tanta diferencia en las mediciones?
¿Por qué a veces se obtienen mediciones más grandes o más pequeñas con relación
al valor de referencia?
Gráfica
Una gráfica que nos puede ayudar a visualizar el ejemplo se muestra en seguida:
Conclusión
Como se observa, las mediciones realizadas incluyen la variación propia de las

piezas, más la del sistema de medición. En este momento, no se conocería si el
error de medición (variación del sistema de medición) es debido:
• Al error humano
• Al método de medición
• Al instrumento utilizado para la medición
Mediante los estudios del comportamiento del sistema de medición podemos

saber qué factor o componente del sistema de medición es el que genera más
variabilidad, ya sea para calibrar el instrumento, capacitar a los empleados o
mejorar el método de medición, de manera tal que en el futuro se pueda utilizar
un sistema de medición que sea más exacto y preciso, para que los datos que
recojamos sean confiables y podamos tomar decisiones apropiadas.
Tema 2. MSA para variables medibles (método ANOVA).
Métodos para el estudio de variables medibles
El estudio de Gages para variables medibles se puede realizar usando diferentes

métodos, los cuales describiremos a continuación.
Método de rangos
Es un método que se aplica para variables medibles, el cual ha sido modificado para
ofrecer aproximación rápida de la variabilidad de las mediciones.
Ofrece:
Normalmente se emplea como una verificación rápida de que el Gage R&R no haya
cambiado. Generalmente este método utiliza 2 evaluadores y 5 partes para el estudio.
Método de los promedios de rangos
También llamado Xbarra-R, ofrece un valor estimado de la repetibilidad y

reproducibilidad para un sistema de medición.
A diferencia del método de rangos, para el análisis de la variabilidad:
En virtud de que las partes analizadas (generalmente 10) representan la variación

del proceso, podemos encontrar los siguientes resultados:
En este método, la estabilidad se determina por un punto o puntos fuera de

límites de control; patrones dentro del evaluador o dentro de las partes.
Límites del error en los sistemas de medición
El potencial de tomar decisiones equivocadas para una pieza existe solo cuando el
error de los sistemas de medición se traslapa o se superpone con los límites de
especificación. Esto puede explicarse con ayuda del siguiente esquema.
En toda empresa el objetivo siempre será:
Maximizar las decisiones correctas respecto a la evaluación del producto. Por lo que,
o se mejora el proceso de producción, para subsanar la variación del sistema de
medición o se mejora el sistema de medición, siendo evidente que es mucho más
viable esforzarse por obtener mejores mediciones, en vez de subsidiar los errores de
las mediciones mediante la reducción de la variación del proceso de fabricación.
Pasos generales del MSA para variables medibles
La manera en la que se lleva acabo el análisis del sistema de medición puede variar
dependiendo de la variable o la característica y el equipo empleado, los aspectos
generales se enlistan a continuación:
• Paso 1 Define el propósito o empleo del sistema de medición, esto es, para qué te
servirá, estás optimizando un proceso o resolviendo un problema de la compañía.
Es importante que tomes en cuenta lo que se medirá o el tipo de característica que
quieres evaluar.
• Paso 2 Establece la cantidad de evaluadores, de partes y lecturas.
Tradicionalmente se definen los siguientes:
• Paso 3 Emplea el diseño cruzado del MSA, es el más utilizado en la industria y

porque te permite llevar a cabo pruebas no destructivas, permitiéndote, por tanto,
medir más de una vez la característica que está siendo analizada, ya sea por
muchos evaluadores o por múltiples máquinas.
• Paso 4 Selecciona a los evaluadores de entre quienes generalmente operan el
instrumento porque tienen más experiencia o al menos tienen el entrenamiento
requerido. Explícales el propósito del análisis y que el sistema de medición está
siendo evaluado, no las personas.
• Paso 5 Procura que el experimentador identifique las muestras en un lugar que no
sea visible para los evaluadores o al menos que tenga algún código de
identificación para cuando tenga que dar las muestras a los evaluadores a fin de
tratar de evitar cualquier sesgo, de preferencia administra las partes de manera
aleatoria a los operadores quienes también tendrán una configuración aleatoria o
utiliza un software como Minitab, para mitigar los efectos de las variables de ruido
(que no puedes controlar) que se puedan presentar.
• Paso 6 La selección de las partes que hagas es crítica para un análisis adecuado y
depende absolutamente del diseño del estudio del MSA, del propósito del sistema
de medición y de la disponibilidad de las partes muestreadas que representan tu
proceso de producción. Tome en cuenta que la parte debe estar libre de variables
que puedan afectar las mediciones, por ejemplo, que esté limpia, sin rebabas, sin
aceite, etc.
• Paso 7 Establece la resolución del instrumento. El instrumento debe contar con
una discriminación de al menos 10 a 1, de manera que permita al menos un
décimo de la variación del proceso esperado con la característica y que sea leído
directamente. Un ejemplo de la regla 10 a 1 es que si deseas medir la variación de
la característica en 0.01, tu instrumento debe ser capaz de detectar o leer un
cambio de 0.001.
• Paso 8 Asegura que el método de medición, sea el evaluador o el instrumento,
esté midiendo la dimensión de la característica y sigues un procedimiento de
medición definido.
Una vez que has definido los pasos generales, también debes evaluar la idoneidad de
un sistema de medición, a través de considerar los criterios o pautas de aceptación.
Estos criterios te permitirán concluir si el MSA es aceptable, satisfactorio o inaceptable
y con base en ello emprender las acciones correspondientes.
¿Cómo evaluar la capacidad del MSA?
Se puede valorar qué tan bueno es un MSA cuando se realiza un estudio R&R de
cuatro maneras, cuyos criterios se describen a continuación.
Para los porcentajes, se consideran las directrices propuestas por la AIAG de

conformidad con la siguiente tabla:
% de la Tolerancia
% de la Variación del Decisión sobre el
% VarComp Comentarios
proceso sistema de medición
% StudyVar
Es útil especialmente cuando se trata

< 10% < 1% Aceptable
de clasificar partes.
Puede ser aceptable para algunas

10% - 30% 1% - 9% Marginal aplicaciones (depende de la criticidad
de la medición, los costos, riesgos, etc.).
Se debe mejorar el sistema de

> 30% > 9% Inaceptable
medición.
En esta tabla podemos ver que si la % StudyVar, el % de la tolerancia y el % de la
variación del proceso es menor a 10% el sistema se considera como aceptable,
misma conclusión si él % de VarComp es inferior al 1%. Cuando los porcentajes de
la varianza de estudio y la tolerancia estén entre 10 y 30, procede con cuidado,
mucho dependerá de la característica que estás midiendo, que es la misma
conclusión que se obtendría para el porcentaje de contribución. Cualquier otro
porcentaje, considera que el sistema es inapropiado para medir y, por tanto,
debería mejorarse.
El número de categorías distintas que el sistema es capaz de identificar o discriminar
indica cuántos grupos separados de partes puede distinguir el sistema, a partir de los
criterios que se muestran en la siguiente tabla:

Decisión
Número de
sobre el
categoría Figura Comentarios
sistema de
distintas
medición
1 Inaceptable Solo indica si el proceso está

fabricando partes conformes
o no conformes. El sistema no
puede discriminar entre partes.
2–4 Marginal Las partes se pueden dividir en

grupos altos, medios y bajos
(como sucede en datos de
atributos).
5 o más Aceptable El sistema puede distinguir entre

las partes.
Sirviendo tazas de café
A continuación, se plantea una situación cotidiana basada en un estudio de Gages

para variables medibles realizada a través del método ANOVA.
En la compañía de café se instala un nuevo sistema de medición para las tazas de 240
mililitros debido a que las quejas de los clientes han ido en aumento porque no
reciben la cantidad de mililitros estipulados.
El gerente de operaciones desea determinar cuán efectivo es el nuevo sistema

implementado y considera que el método ANOVA es idóneo porque proporciona más
información que otros métodos al tener en cuenta la interacción de operador por
parte.
Un diseño generalmente aceptado para este análisis, consiste en seleccionar 10

partes, 3 operadores y 3 mediciones.
Para estimar la repetibilidad se debe asegurar que cada parte se mide por lo menos
dos veces y cuando se quiera valuar la reproducibilidad por lo menos dos operadores
deberán de medir las partes.
A partir de lo anterior, el gerente de operaciones, ha seleccionado 10 cafés

preparados y ha invitado a 3 operadores (los baristas Gaby, Danna y Zareth).
Cada uno de ellos realizará 3 mediciones para cada café preparado, por lo que el total
de mediciones que se realizarán son 90 (10 * 3 * 3 = 90).
Se ha diseñado el estudio de manera tal que exista aleatoriedad de las partes (cafés),
de los operadores y de las mediciones (es decir, que no existe un orden secuencial
para ninguna de las partes medidas).
Análisis de gráfico
Una manera de obtener información adicional es a través de las herramientas

gráficas. A continuación, se explican cada una de las cinco gráficas obtenidas.
Componentes de la variación
Muestra gráficamente la tabla del estudio R&R del sistema de medición. Cada
conjunto de barras representa una fuente de variación en primer lugar, aparece el
Gage R&R, luego la repetibilidad, enseguida la reproducibilidad y finalmente parte a
parte. Cada una de estas opciones tiene dos barras que muestran el %Contribution y
el %Study. En un sistema de medición bueno, como es nuestro caso, el componente
de variación más grande es la variación parte a parte (recordemos que contribuye con
el 98.83). En caso de que existiera una alta variación atribuible al sistema de medición,
sería necesario hacer algunas correcciones.
Gráfica R
Es una gráfica de control de rangos que ejemplifica de manera gráfica la uniformidad

de los operadores (baristas). Esta gráfica muestra de manera separada los distintos
operadores que han participado en el experimento, en este caso, Gaby, Danna y
Zareth.
Para cada uno de estos operarios se ha establecido un punto respecto a la primera

pieza, el cual representa la diferencia del número más grande y más chico de entre
las 3 mediciones realizadas al volumen de la taza de café. Por ejemplo, las mediciones
para Danna de la primera taza son 228.6, 228.5 y 228.5. En este caso al 228.6 se le
resta 228.5 y el dato se registra como 0.10 y así sucesivamente. Si las 3 mediciones
hubieran sido las mismas, la diferencia hubiera sido 0 y así se registra. De los puntos
graficados podemos comparar la uniformidad de cada operador.
Adicionalmente podemos ver 3 líneas, la línea central muestra el promedio general de

todos los rangos y las líneas superior e inferior son los límites de control que muestra
los rangos de los subgrupos.
Si hubiera algún punto fuera de los límites de control, sabríamos que el operador no
está midiendo las partes uniformemente, ya que, si lo hicieran, los rangos serían
pequeños en relación con los datos y los puntos estarían graficados dentro de los
límites de control. Podemos observar que Gaby mide más uniformemente que Danna
y Zareth, porque sus diferencias en las mediciones tienden a 0.
Gráfica R Por otra parte, la gráfica Xbar, compara la variación parte a parte con el
componente de repetibilidad. La gráfica está compuesta por los puntos graficados
que son la medición promedio de cada operador cuando midió las 3 partes. En el
caso de Danna que midió la pieza 1 tres veces, los valores fueron 228.6, 228.5 y 228.5
y por tanto su media es 228.53, este es el valor que se gráfica. La línea central es el
promedio general de todas las mediciones hechas por Gaby, Danna y Zareth. Los
límites de control superior e inferior se basan en el número de mediciones en cada
promedio y en el estimado de repetibilidad. Como vemos, hay muchos puntos fuera
de los límites de control, lo que nos indica que existe mayor variación en parte a parte
que en el dispositivo de medición, lo cual es una vez más muy bueno para el sistema
de medición porque es capaz de detectar la variación.
Mediciones por parte
Muestra cada una de las 9 mediciones que se hicieron por cada una de las 10 partes.
Minitab muestra cada una de las mediciones con círculos sólidos y los promedios
para cada una de las partes con círculos en color azul (versión 18). Como verás, la
línea conecta los promedios de cada una de las partes. Idealmente debe existir poca
variación en las mediciones cuando se mide la misma parte (los círculos sólidos muy
cerca unos de otros) y los promedios deben variar lo que existen entre cada una de
las partes sea claro. Por ejemplo, el promedio de las 9 mediciones de la parte 1 es
228.58 (punto graficado en azul) es mientras que el de la parte 2 es 226.511 (punto
graficado en azul) y así sucesivamente. En la gráfica se puede apreciar que la parte
más pequeña es la parte 2 y la más grande es la parte 8. También se puede apreciar
que la pieza 1 es la que tiene menor variación que las demás (sus puntos están más
cercanos unos de otros) en tanto que la 9 tiene más variabilidad.
Mediciones por operador
Determina si las mediciones y la variabilidad son uniformes entre los operadores. En

la gráfica de caja (box plot) se puede ver la representación de las mediciones en
cuartiles. El total de los datos recolectados (las 30 mediciones por cada operador) se
divide en cuatro partes iguales. A cada parte se le llama cuartil, por tanto, el primer
cuartil (Q1) es el valor donde inicia el rectángulo (visto de abajo hacia arriba) y nos
indica que el 25% de los datos de Danna están por debajo de esa medición (227.28) y
el 75% restante por encima. El Q2 también llamado mediana es la línea que divide en
dos partes iguales al conjunto de las mediciones, en este caso podemos decir que el
50% de los datos están por debajo de ese valor (228.50) y el 50% por encima. De la
misma manera sucede con el Q3 (229.30) que nos indica que el 75% está por debajo
de esa medición (229.30) y el 25% restante por encima.
La gráfica también te muestra las medias de cada una de las mediciones de Gaby,
Danna y Zareth y están unidas con una línea. Esta línea es importante porque si es
paralela al eje de la “X”, podrías decir que operadores están midiendo las partes de
forma similar (casi igual), en promedio, en tanto que cualquier variación de esta con
respecto a ese eje, te diría que los operadores están midiendo las partes de forma
diferente, en promedio. Como puedes ver, los operadores casi están midiendo las
partes de manera uniforme, esto es, casi miden con la misma variación (las 3 medias
son 228.12, 228.16, 228.28 para Gaby, Danna y Zareth respectivamente).
Interacción operador por parte
Muestra las mediciones promedio por cada operador para cada una de las piezas.
Cada línea conecta los promedios del operador consigo mismo cuando midió cada
una de las partes. Se espera que las líneas sean casi idénticas y los promedios de
partes varíen suficientemente para que las diferencias entre las partes sean
evidentes. Si las líneas son casi idénticas puedes esperar que los operadores miden
de forma similar. Si una es claramente más baja o alta que las otras, es evidencia de
que el operador mide ya sea más o sea menos con respecto a los demás. Si las líneas
no son paralelas o se cruzan, la habilidad del operador al medir cierta parte depende
de la que esté midiendo, por lo que aquí es cuando podemos decir que existe una
interacción entre operador y parte, por ello, debe eliminarse desde esta interacción
del ANOVA como ocurrió cuando se inició la explicación del Método ANOVA, cuando
comentaba la imagen mostrada continuación.
Ahora bien, en nuestro caso, podemos ver las líneas están muy cerca entre sí y las
diferencias entre las partes son claras, por lo que podemos concluir de alguna
manera que los operadores están midiendo las partes de forma muy parecida unos
de otros. Podemos también apreciar que los operadores Gaby y Danna miden las
partes de forma muy parecida y se corrobora con la gráfica Xbar.
Análisis numérico
A continuación se muestran los elementos numéricos que componen este análisis.
Gage R&R Study Worksheet. Method

Aquí podemos ver que hemos seleccionado 10 piezas (tazas), que serán medidas por
3 operadores (baristas) y cada pieza será medida 3 veces por cada uno de ellos
(réplicas) haciendo un total de 90 mediciones (10 * 3 * 3 = 90 corridas).
Gage R&R Study Worksheet
Method
Parts: 10 Operators: 3
Replicates: 3 Total runs: 90
Gage R&R Study - ANOVA Method
Esta es información con respecto al Método que utilizaremos (ANOVA), el nombre del
gage (Calibrador-01), la fecha del estudio, la persona responsable, si existe alguna
tolerancia especificada (en nuestro caso no se proporcionó) e información extra que
puede ser de utilidad, por ejemplo, que el estudio que se lleva a cabo en la Línea 1 de
la sucursal MEX.
Minitab realiza el procedimiento del análisis de la varianza (ANalysis Of VAriance),

para calcular los componentes de la varianza de donde estima la variación porcentual
atribuible al sistema de medición. La variación porcentual aparece en la tabla R&R del
sistema de medición.
Gage R&R Study - ANOVA Method
Gage R&R for Medición
Gage name: Calibrador-01
Date of study:
Reported by: Froylan Franco Herrera
Tolerance:
Misc: MEX Línea 1
Two-Way ANOVA Table With Interaction
La tabla de ANOVA de dos factores con interacción, también llamada de dos vías,
incluye términos para la parte (Taza), operador (Barista) y la interacción operador por
parte (Taza *Operador). Si el valor p (también llamado pvalue que se encuentra en el

extremo derecho de cada renglón o fuente, la sexta columna) para la parte, la fuente
o la interacción por parte es mayor o igual (≥) a 0.05 habría que eliminarla.
Source DF SS MS F P
Parts *
Operators 18 0.200 0.0111 1.25 0.256
α to remove interaction term = 0.05
Source DF SS MS F P
Parts 9 109.996 12.2218 1102.41 0.000
Operators 2 0.416 0.2080 18.76 0.000
Parts * Operators 18 0.200 0.0111 1.25 0.256
Repeatability 60 0.533 0.0089
Total 89 111.145
En nuestro caso la fuente parte por operador es ≥ 0.05 (0.256 ≥ 0.05), como se
muestra en la tabla, Minitab genera una segunda tabla de ANOVA eliminado el
término de interacción en el modelo porque es no significante, no afecta, no hay
interacción (estadísticamente hablando), es decir, no hay relación entre la taza de café
medida y el operador, por lo que se debe eliminar como lo hizo Minitab y se puede
apreciar en la siguiente tabla.

Two-Way ANOVA Table Without Interaction
Source DF SS MS F P
Parts 9 109.996 12.2218 1300.74 0.000
Operators 2 0.416 0.2080 22.14 0.000
Repeatability 78 0.733 0.0094
Total 89 111.145
En términos resumidos se dice que una fuente de variación es significativa (si

contribuye a la varianza) cuando el pvalue es menor al 5% o 0.05 a partir de las pruebas
de hipótesis y cuyas ideas se resumen a continuación:
Nombre Planteamiento Resultado Conclusión
Hipótesis H0: la fuente NO ”aceptar” H0 si Hay evidencia estadística

nula contribuye a la pvalue ≥ 0.05 que sugiere que la fuente
variación analizada NO contribuye a la
variación
Hipótesis H1: la fuentes SÍ ”aceptar” H1 si Hay evidencia estadística

alterna contribuye a la pvalue < 0.05 que sugiere que la fuente
variación analizada SÍ contribuye a la
variación
Gage R&R. Variance Components
En nuestro caso, podemos ver que el %Contribución para el Gage R&R es de apenas
1.17%, compuesto por la Repetibilidad en 0.68% y la reproducibilidad en 0.48%
(aunque la suma da 1.16, Minitab tiene más decimales y lo que ha hecho es utilizarlos
para darnos 1.17%) y ésta a su vez está compuesta ahora ya solo por el operador con
el 0.48% de contribución (recordemos que se ha eliminado la interacción parte por
operador). Para bien de nosotros la mayor variabilidad se observa entre las partes
medidas (parte a parte), representando un 98.83% de la contribución total de la
variación, por lo que podemos tener una primera conclusión de que nuestro sistema
de medición es medianamente aceptable, ya que, siguiendo los criterios de la AIAG,
debería estar por debajo de 1%.
Gage R&R
Variance Components
Source VarComp %Contribution (of VarComp)
Total Gage R&R 0.01602 1.17
Repeatability 0.00940 0.68
Reproducibility 0.00662 0.48
Operators 0.00662 0.48
Part-To-Part 1.35693 98.83
Total Variation 1.37295 100.00
Gage evaluation. %Contribution (of VarComp)
El %Contribution se calcula dividiendo cada valor de VarCom entre la Variación total y

se multiplica por 100:
Ejemplo para el Total Gage R&R: 0.01602 / 1.37295 * 100 = 1.1668, que
redondeado a dos dígitos decimales nos da 1.17.
Gage R&R
Variance Components
Source VarComp %Contribution (of VarComp)
Total Gage R&R 0.01602 1.17
Repeatability 0.00940 0.68
Reproducibility 0.00662 0.48
Operators 0.00662 0.48
Part-To-Part 1.35693 98.83
Total Variation 1.37295 100.00
De la tabla anterior, también nos interesa evaluar la fuente parte a parte, donde
podemos ver que 1.35693 / 1.37295 * 100 = 98.8331, que redondeado a dos dígitos
decimales nos da 98.83). Esto nos indica que el 98.83% de la variación total en las
mediciones se debe a las diferencias entre las partes (contienen diferente volumen o
cantidades de líquido). Cuando él %Contribución de Parte a parte es alto, podemos
decir que el sistema es capaz de distinguir entre las partes. Cabe resaltar que como él
%Contribution se basa en la varianza total, la suma de esa columna es 100%.
Gage evaluation. Study Var
La columna Study Var se obtiene multipicando 6 veces la desviación estándar de cada

fuente, por ejemplo, para el Total Gage R&R, la desviación estándar es 0.12655 que al
multiplicarlo por 6 el resultado es 0.75933 y así sucesivamente. La razón de emplear
el valor 6 sigmas es porque es la variación del proceso (a partir de la media se suman
y restan 3 desviaciones estándar, por tanto 3 sigmas debajo de la media más 3 sigmas
encima de la media, nos da 6 sigmas). Cuando los datos están normalmente
distribuidos, podríamos esperar tener alrededor de 99.73% de los datos contenidos a
6 desviaciones estándar.
Gage Evaluation
Source StdDev (SD) Study Var (6 × SD) %Study Var (%SV)
Total Gage R&R 0.12655 0.75933 10.80
Repeatability 0.09693 0.58160 8.27
Reproducibility 0.08136 0.48819 6.94
Operators 0.08136 0.48819 6.94
Part-To-Part 1.16487 6.98925 99.42
Total Variation 1.17173 7.03037 100.00
Number of Distinct Categories = 12
Gage evaluation. %Study Var

Utiliza %Sudy Var para comparar la variación del sistema con la variación total.
Minitab calcula el %Study Var dividiendo cada fuente entre la variación total y
multiplicando por 100. Por ejemplo, Total Gage R&R: 0.75933 / 7.03037 * 100 =
10.8007, que redondeado a dos dígitos decimales nos da 10.80%. Este valor de
10.80% significa que el sistema de medición explica apenas el 10.80% de la variación
general del estudio, que en estricto sentido se debe considerar como marginal de
acuerdo a los criterios establecidos, aunque apenas rebase el 10%, no obstante, la
diferencia puede no ser significativa y pudiera ser que el gerente de operaciones lo
establezca como aceptable.
Gage Evaluation
Total Gage R&R 0.12655 0.75933 10.80
Repeatability 0.09693 0.58160 8.27
Operators 0.08136 0.48819 6.94
Part-To-Part 1.16487 6.98925 99.42
Total Variation 1.17173 7.03037 100.00
Gages evaluation. Number of Distinct Categories
El valor de Número de categorías distintas estimas cuántos grupos diferentes de

partes es capaz de distinguir el sistema.
En este caso, el número de categorías distintas es 12, lo que indica que el sistema
puede distinguir entre las partes de muy buena, porque de acuerdo a los criterios
mostrados en la, se necesitan 5 o más para considerar que el sistema es aceptable,
por tanto, al distinguir 12 categorías podríamos decir que es excelente.
Gage Evaluation
Total Gage R&R 0.12655 0.75933 10.80
Repeatability 0.09693 0.58160 8.27
Operators 0.08136 0.48819 6.94
Part-To-Part 1.16487 6.98925 99.42
Total Variation 1.17173 7.03037 100.00
La forma en que Minitab calcula el número de categorías es dividiendo la desviación
estándar de las partes (parte a parte) entre la desviación estándar del sistema de
medición y multiplicando por la raíz cuadrada de 2. Veamos el ejemplo:
𝜎𝑝𝑎𝑟𝑡𝑒 𝑎 𝑝𝑎𝑟𝑡𝑒 1.16487

∗ √2 = 0.12655 ∗ 1.41 = 12.9787 = 12
𝜎𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑑𝑒 𝑚𝑒𝑑𝑖𝑐𝑖ó𝑛
Aunque pudiéramos pensar que se redonda el número de categorías la realidad es
que se toma el piso del dato, esto es, el número entero igual o menor al número
obtenido, de esta manera aseguramos que el sistema es capaz de detectar 12
categorías en lugar de 13 y así ocurriría con cualquier otro número positivo.

Tema 3. MSA para atributos (Análisis de Acuerdo de

Atributos).
Inside MSA
Para conocer los procesos y atribuciones del MSA es necesario que revises la
siguiente información.
MSA (Measure System Analysis)
El análisis de acuerdo de atributos, se emplea para evaluar qué tanta concordancia

hay entre las evaluaciones o clasificaciones emitidas por los evaluadores y los valores
conocidos como estándar.
Clasificación
Este análisis puede ayudarte a identificar operarios que clasifican de manera

incorrecta con base en el estándar o por la opinión emitida por un experto que se
considera el valor de referencia.
Evaluaciones
Las evaluaciones que se emiten pueden ser del tipo binario (pasa o no pasa, bueno o
malo, correcto o incorrecto, cumple o no cumple), ordinales (valores emitidos en una
escala, por ejemplo del 1 al 10) y nominales (por ejemplo con base en colores, azul,
rojo, rosa, morado, verdes, etc. También puede incluir sus intensidades, por ejemplo,
azul fuerte, azul medio y azul claro).
Estadísticos: Kappa de Cohen y Kappa Fleiss
A continuación conocerás la diferencia entre estas dos herramientas.
Delimitación de criterios
En las siguientes imágenes conoce los criterios de aplicación MSA para pedir café.
Para el proceso en el ejemplo de Pedir Café, una de las variables que se considera
para llevar analizar es: si tiene o no impacto en la determinación de la reducción del
porcentaje de café mal preparado, el motivo principal es la mala identificación de
ingredientes.
En este ejemplo el Gerente de operaciones decide llevar a cabo un análisis al

sistema de medición, pero esta vez los datos de atributo deberán decidir si es o no
cierto tipo de café en relación con el estándar.
En el ejercicio se aplicará con el café tipo Chiapas (de grano), podría considerarse con
la intensidad, molienda, lo tostado, u otras características que nos interesaría
evaluar y que puedan contribuir a que no se entregue el café como el cliente lo
espera.
Para el desarrollo de este ejemplo, es necesario un análisis considerando los

siguientes criterios: Treinta muestras de café / Tres operadores: Danna, Zareth y
Gaby / Tres evaluaciones: 30 * 3 * 3 = 270 muestras estándar.
Proceso de MSA para atributos (Análisis de Acuerdo de Atributos)
A continuación se presenta de manera detallada el proceso de medición en Minitab

con el ejemplo: Pedir Café.
Resultados
Attribute Agreement Analysis Worksheet
Method
Aquí se observa, que se han seleccionado 30 muestras, que serán clasificadas por 3
operadores (baristas) y cada muestra será evaluada 3 veces por cada uno de ellos
(réplicas) haciendo un total de 270 clasificaciones. • (30 * 3 * 3 = 270 corridas).
Gage Information
En este caso se puede apreciar la información del Gage realizado, se deberá capturar
quién lo realizó, el nombre del producto que se está evaluando e información
complementaria que pueda ser útil para registrar.

Esta gráfica muestra información sobre qué tanta concordancia existe entre cada uno
de los operadores consigo mismos (lado izquierdo) y con respecto al estándar,
reflejando también un intervalo de confianza al 95%.
La gráfica del lado izquierdo, misma que no indica si la clasificación fue correcta o no
con respecto al estándar, solo que el operario fue consistente consigo mismo. En el
caso de Danna se encuentra que es 100% consistente con su decisión en cada una de
las 3 veces que evaluó las 30 muestras, como se señala con el punto azul del lado
izquierdo. En el caso de Gaby, es consistente cerca del 90% y Zareth poco menos de
100%.
En la gráfica de la derecha muestra que Danna clasificó poco menos del 100% de las
muestras con respecto al estándar, Gaby cerca del 80% y Zareth alrededor del 95%.
Por lo anterior destaca que Danna es la operaria más capacitada para poder discernir
entre los tipos de café.
En la tabla de arriba se puede apreciar de forma numérica, que de 30 muestras,

Danna fue consistente en las 3 réplicas de las 30 muestras. Esto indica, que en las 3
veces confirmó si era o no el mismo tipo de café para cada una de las 30 muestras,
por lo que su porcentaje es del 100% en términos de su consistencia. De forma más
sencilla, Danna asignó el mismo resultado las 3 veces para cada una de las 30
muestras. Del intervalo de confianza al 95% podemos decir que cuando Danna
clasifique el tipo de café referido será consistente en su decisión entre 90.50% y 100%
de las veces. En el caso de Gaby solo dio el mismo resultado en 27 de las 30 y en las
otras 3 cambió su decisión. Para el caso de Zareth puedes ver que confirmó las 3
evaluaciones en 29 de las 30% por lo que su concordancia es del 86.67%. La
interpretación de los intervalos de confianza para Gaby y Zareth son análogos al
realizado.
De acuerdo al estadístico de Kappa de Fleiss, se puede apreciar que Danna tiene una
concordancia perfecta consigo misma, en tanto que Zareth está la tiene muy buena y
Gaby en términos generales como buena. Cabe recordar que de acuerdo al AIAG se
esperan valores por encima de 0.75 para considerar la concordancia como adecuada,
aunque se prefiere arriba de 0.90.
Con relación a la concordancia de cada operador con el estándar conocido, en la tabla

superior se observa que, de 30 muestras inspeccionadas, Danna coincidió en 29
ocasiones con el estándar las 3 veces que clasificó el café y solamente en una se
equivocó, hasta el momento se desconoce si en esa muestra en especial se equivocó
1, 2 o las 3 veces. El porcentaje de concordancia de Danna es del 96.67% con respecto
al estándar. De igual manera se sigue el mismo proceso para Gaby quien solo logró
coincidir con el estándar en 24 ocasiones las 3 veces representando un 80% de
concordancia, en tanto que Zareth lo hizo en 28 de las 30 muestras obteniendo un
porcentaje del 93.33%. Como se visualiza aquí, sí importa qué tanta concordancia
existe con el estándar y se puede ver que la mejor operadora es Danna, seguida por
Zateh y luego Gaby, tal como se proyectaba en las tablas superiores, a pesar de
obtener una baja concordancia con respecto a lo obtenido por sus compañeros, se
considera como adecuada de conformidad con el AIAG.
En la Tabla de Discordancia se puede obtener información adicional con respecto a

cómo discrepó el operador, de cómo fueron sus clasificaciones. Por ejemplo, puedes
ver que Danna clasificó como buenas 0 muestras dado que eran malas (columna de
“# 1 / 0”) representando 0.00% en este tipo de error y 1 mala cuando en realidad era
muestra buena teniendo un error del 4% (columna “# 0 / 1”), por lo que fue
consistente con el criterio que tomó al evaluar las 3 veces la muestra como mala
cuando en realidad era buena (rechazó la muestra buena). Lo anterior se corrobora
con la tercera columna de porcentaje donde puede apreciar que no mezcló su
decisión de evaluar de forma diferente en cada una de sus 3 réplicas (columna “#
Mixed”).
Por su parte Gaby, no clasificó ninguna como buena siendo mala, pero sí consideró
que había 3 muestras siendo malas cuando en realidad eran buenas (digamos que
desechó o rechazó 3 muestras buenos, las 3 réplicas que evaluó de cada una de las
muestras) y en 3 ocasiones mezcló la decisión de aceptar muestras buenas cuando en
realidad eran malas y de considerar muestras malas cuando en realidad eran buenas.
Con relación a Zareth, tampoco tuvo ningún inconveniente con clasificar como
muestras buenas cuando eran malas, pero sí consideró como mala una muestra que
era buena y en otra ocasión alternó su decisión.
La información de cómo se obtuvieron estas discrepancias con el estándar se puede

ver más a detalle en la tabla “Summary of Assessment Disagreement with
Standard”
El Estadístico nos indica que tanto Danna como Zareth tienen una concordancia
buena con el estándar según lo indica el AIAG, en tanto Gaby tiene algunos
inconvenientes para lograr el mínimo necesario, por lo que es necesario apoyarle,
quizá, a través de un programa de capacitación o puede tener otro tipo de problemas,
por ejemplo, necesita lentes o las condiciones medioambientales le fueron adversas,
por mencionar algunas consideraciones a indagar más a profundidad.
El Estadístico de Kappa de Cohen, nos proporciona casi los mismos datos, aunque
sus valores son diferentes por la forma en que se obtienen, se llega a la misma
conclusión.
Aquí se puede ver que los 3 operadores coinciden en 25 ocasiones entre sí, es decir,
si uno de ellos clasificaba como correcto el café, los otros dos también lo hacían. En
caso de que uno dijera que no era el tipo de café, los otros dos también lo clasificaban
de la misma manera. Por tanto, en 5 de las 30 muestras no hubo concordancia entre
ellos. Esta concordancia arroja un 83% lo que puede decirse que es aceptable de
acuerdo al AIAG.
Cohen’s Kappa Statistics
You must have two appraisers and single trial per appraiser to compute
Kappa.
Minitab no calculó el estadístico de Kappa de Cohen porque hay más de 2

evaluadores, según lo vimos en los criterios de aceptación.
En la tabla anterior, se aprecia que de 30 muestras evaluadas, los operadores

pudieron coincidir con el estándar en 24 de ellas, lo que representa un 80% de
concordancia, que para algunas empresas puede ser alto o bajo en función de la
característica que estén evaluando.
Como se muestra en el Estadístico de Kappa de Fleiss, confirma una vez más que la
concordancia de los operadores con el estándar no es una coincidencia, que el
programa de capacitación que recibieron en su momento para clasificar el tipo de
café aún funciona pero convendría dar un refuerzo para incrementar su valor a por lo
menos un 0.90. Del valor de 0.822198 del Kappa de Fleiss se puede corroborar, una
vez más, que la concordancia con el estándar no es circunstancial.
El Estadístico de Kappa de Cohen, nos proporciona casi los mismos resultados,

aunque sus valores como hemos dicho, son diferentes por la forma en que se
obtienen, sin embargo, llegamos a la misma conclusión.
Reflexión final
¡Felicidades! Has finalizado el curso Análisis del sistema de medición. A
continuación, te invito a leer el texto para meditar en el conocimiento obtenido.
A lo largo de este curso te has percatado de la importancia de realizar un buen
análisis al sistema de evaluación ya que si resulta aceptable (bueno) te permitirá
contar con datos confiables para continuar con la recolección de datos que
utilizarás no solamente en este fase, sino también en ANALIZAR, MEJORAR y
CONTROLAR, caso contrario habrá necesidad de hacer los ajustes
correspondientes. Es importante que tengas presente que cuando te refieras a
que tu MSA para variables medibles es confiable, lo que estás diciendo es que
tienes plena confianza en que es capaz de detectar incluso pequeñas variaciones
entre las partes medidas. Para el caso de cuando realices el MSA para atributos y
digas que es aceptable, lo que estás refiriendo es que la evaluación de los
operadores está en concordancia con el estándar conocido. Finalmente, los
resultados numéricos se complementan o confirman la interpretación que
puedas obtener de las gráficas generadas.

Referencias
Las fuentes bibliográficas y materiales de apoyo que puedes consultar para

profundizar en los contenidos del curso son los siguientes:
Bibliografía
• Automotive Industry Action Group (2010), Análisis del Sistema de Medición.

Manual de Referencia. USA
• Kubiak, T.M. y Benbow, D.W. (2017). The Certified Six Sigma Black Belt Handbook.
United States of America: ASQ
• Munro, R., et. al. (2015). The Certified Six Sigma Green Belt Handbook. USA: ASQ
Quality Press.
• Open Source Six Sigma. (2014). Black Belt Training Materials. USA.
• Wortman, Bill, et. al. (2014). The Certified Six Sigma Black Belt Primer. USA:
Quality Council of Indiana
Materiales de apoyo
• Youtube. (2019, octubre 1) Curso 6 Sigma - Validación del sistema de medida -

MSA - Estudios R&R [Archivo de video]. Recuperado de
https://www.youtube.com/watch?v=gjExlcL4OCc
• Youtube. (2019, octubre 1). Ejemplo del Estudio R&R [Archivo de video].
Recuperado de https://www.youtube.com/watch?v=RlBp01dB4Bw
Créditos
Autor: Froylan Franco Herrera
Equipo de diseño y producción: Vicerrectoría Académica y de Innovación Educativa
Aviso legal
Se prohíbe la reproducción total o parcial del sitio o cualquier contenido del

mismo. D.R.© Instituto Tecnológico y de Estudios Superiores de Monterrey,
México. 2020. Ave. Eugenio Garza Sada 2501 Sur Col. Tecnológico C.P. 64849 |
Monterrey, Nuevo León | México | Aviso Legal | Aviso de privacidad.
Derechos Reservados 2020 Tecnológico de Monterrey

Prohibida la reproducción total o parcial de esta obra sin
expresa autorización del Tecnológico de Monterrey.

Curso 3. Analisis Del Sistema de Medición

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Curso 3. Analisis Del Sistema de Medición

Cargado por

Copyright:

Formatos disponibles

Análisis del Sistema

Bienvenido al curso llamado Análisis del Sistema de Medición.

Para iniciar, te invitamos a revisar la siguiente información, la cual te permitirá

En el primer tema de esta fase estaremos revisando algunos conceptos relativos al

En el segundo tema estaremos aplicando el MSA (Measure System Analysis) para

Te invito a que realices la revisión de los contenidos que fueron diseñados y

A lo largo de este curso, el participante:

• Evalúa el sistema de medición de las variables (Datos medibles y atributos) que

Los temas que estudiarás son los siguientes:

Análisis del Sistema de Medición

Tema 1. Introducción al Análisis del Sistema de Medición.

Tema 2. MSA para variables medibles (método ANOVA).

Tema 3. MSA para atributos (Análisis de Acuerdo de Atributos).

Te diriges tranquilamente a tu trabajo y de pronto:

Terminas de laborar y te diriges a tu casa, cuando llegas a la primera gasolinera

Decides continuar tu viaje a casa y la escena se repite en cada una de las 5

Antes de retirarte de la estación de servicio, le tomas una foto a la bomba

Al llegar a casa observas nuevamente la foto y te das cuenta de un holograma de la

NOM-005-SCFI-2017 en su artículo 5.1.1 permite un error máximo tolerado de 20+- 4

La Profeco con la información que le acabas de proporcionar decide hacer una

Tema 1. Introducción al Análisis del Sistema de Medición.

Principios teóricos acerca del MSA.

El MSA es un área de estudio estadístico que analiza la variación en los datos de

¿Cuál es la importancia del MSA?

¿En que contribuye el MSA?

Contribuye a determinar la calidad de los datos usados en el sistema de medición,

La importancia de analizar el sistema de medición

El sistema de medición implica un sistema completo para obtener mediciones, el cual

Momentos en que es recomendable emplear el MSA

A continuación, se presentan algunos ejemplos de dónde, cuándo o en qué momento

Conceptos del MSA

Estructura de un error en el sistema de medición

A continuación, se muestra un esquema en el que se detallan las partes que

Es la habilidad de repetir la misma medida cerca o dentro de una misma zona. La

Las mediciones quedan cerca unas de las otras.

Es la variación debido al dispositivo o instrumento de medición. Es la variación que se

Un mismo operador mide la pieza muchas veces usando el mismo sistema de

Es la variación debida al operador y/o el método de medición. Es la variación que se

Varios operadores miden la pieza muchas veces usando el mismo sistema de

Es la diferencia entre el promedio del número de medidas y el valor verdadero, esto

Diferencia entre el valor de referencia y la medición, entre menos variación mayor

Es una medida que indica en qué grado el sistema funciona en el tiempo. Es la

Es la variación o consistencia a lo largo del tiempo de una característica de interés.

Es una medida de la inexactitud en el sistema de medición. Es la distancia o

Es una medida de cómo el rango de operación del instrumento de medición

¿Por qué es importante medir con precisión y exactitud?

La precisión y exactitud son elementos importantes para evitar un error en el

Ejemplo de un error de medición

A continuación, se presenta una situación en la que se ejemplifica un error en la

Los operadores de una empresa manufacturera utilizan calibradores de alta calidad

¿Por qué tanta diferencia en las mediciones?

Como se observa, las mediciones realizadas incluyen la variación propia de las

Mediante los estudios del comportamiento del sistema de medición podemos

Tema 2. MSA para variables medibles (método ANOVA).

Métodos para el estudio de variables medibles

El estudio de Gages para variables medibles se puede realizar usando diferentes

Método de los promedios de rangos

También llamado Xbarra-R, ofrece un valor estimado de la repetibilidad y

A diferencia del método de rangos, para el análisis de la variabilidad:

En virtud de que las partes analizadas (generalmente 10) representan la variación

En este método, la estabilidad se determina por un punto o puntos fuera de

Límites del error en los sistemas de medición

En toda empresa el objetivo siempre será: