LSS para GBs Transnacionales Del 9 Al 13 Feb15

03/02/2015
Curso: Lean Seis Sigma

Entrenamiento para Green Belt de
Procesos Transaccionales
USG Mxico
Febrero y Marzo del 2015
Eduardo Pea de la Mora
Registro pblico derecho de autor nmero: 03-2014-062010530600-01
Qu es Seis Sigma?
Una iniciativa estratgica para impulsar la
rentabilidad, incrementar la participacin
de mercado y mejorar la satisfaccin del
cliente a travs de herramientas
estadsticas que pueden conducir a
fabulosas ganancias en calidad
(1998)
1.0Introduccinaseissigma
Mikel Harry
2
03/02/2015
Qu es Seis Sigma?
Un paradigma estratgico de innovacin gerencial para
la sobrevivencia de las compaas en el siglo XXI, que
implica tres cosas: medicin estadstica, una
estrategia gerencial y una cultura de calidad
(Park, 1999)
Un nuevo paradigma estratgico

Mejorar la satisfaccin de los Clientes:
Proveer a los Clientes productos y servicios de
la ms alta calidad
Disminuir costos de ventas
Incrementar la
participacin
de Mercado
Mejorar la
rentabilidad de la
empresa
4
03/02/2015
Creacin de una cultura
Enfoque en el Cliente
Pasin por la mejora continua y la calidad
Disciplina metodolgica
Pensamientos analticos
Trabajo en equipo
Promocin de la creatividad e innovacin
Reconocimientos y recompensas basados
en logros
Cmo lograrlo?
A travs de la disciplina metodolgica, la
cuantificacin, el anlisis riguroso, el uso
de herramientas estadsticas, la
experimentacin, la evaluacin de los
resultados y el riguroso control para
mantener los beneficios alcanzados.
03/02/2015
Componentes del Cambio

El cmo:
Metodologa y tcnicas
El qu y
para qu
El quin:
Lo humano
Necesarioequilibrioentrelostrescomponentes
7
Historia de la calidad
Dnde se encuentra tu
empresa ahora?
6
1980
TQM
3P2P
Control
TQC
Poka Yoke
Crculos de calidad
Influencia decisiones
directivas en calidad
1950
Aseguramiento
Contencin
CEP
Cartas de control
1920
muestreo de aceptacin
XIX
Inspeccin al 100%
Diseo
del producto
Diseo
del proceso
Fabricacin
Embarque
8
03/02/2015
Origen Metodolgico de Seis Sigma

1990sGE:DesarrollaDMAIC,
Transaccional,DFSS
1987Motorolalanza
iniciativa6sigma
1930sDesarrollodelaEstadstica
InferencialenlaExperimentacin
Fisher
RenacimientoSXVII:
Positivismo
S.Va.e.Tradicin
ExperimentalJnica
9
Qu es Sigma?
Letra del alfabeto griego
Una medida de la consistencia de un proceso
o de la funcin que proporciona un producto
Calidad es consistencia!
10
03/02/2015
Representacin de una medicin de un Proceso
19 20
21
22
23
24 25
26
27
28
ValorPromedio23.5
Pasospara
completar
una
transaccin
11
Distribucin de probabilidad
reabajolacurva
representalaprobabilidad
Puntodeinflexin
dispersin
(X )
i
i 1
100%
( x x)
localizacin
Dimetrodebarreno
Caracterizacindeunadistribucin:localizacin,dispersinyforma
12
03/02/2015
Comportamiento de un proceso
Defectos
Defectos
Meta
Tolerancia
LIE
13
LSE
Un proceso Seis Sigma

ToleranciadelCliente
Comportamiento
delProceso
LIE
Meta
=Variacin del proceso

LSE
= Desviacin Estndar
14
03/02/2015
Un proceso Seis Sigma

ToleranciadelCliente
Comportamiento
delProceso
1.5
LIE
Defectos
LSE
Meta
Desplazamiento del proceso 1.5
15
Nmerode
2
3
4
5
6
Defectospor
milln
Disminucin
deDefectos
308,537
66,807
6,210
23
3.4
1/5
1/11
Decrecimiento
1/26 Exponencial
1/68
Capacidad
delProceso
16
03/02/2015
Empresas con Seis Sigma

1987
1989
1991
1993
1995
1997
Motorola
IBM
Kodak, DEC
TI, ABB
GE, Allied Signal
Toshiba, Whirlpool, Sony, LG, Samsung
Mabe, NEC, DuPont, Dow Chemical
1999 AMEX, J&J, Ericsson, VCR, Nokia, Philips,
Solectron, Correo EEUU
Xignus, Baxter, 3 M, Moulinex, Dell

Nova Chem, Cognis, Becton Dickinson (Jeringas Plastipak)
Invensys, TI Group, Xerox , Specialty Devices Incorporated
Alcoa, Challenger Worldwide, Bombardier, Honeywell, Gemtron
(Vidrio), IMSA (Acero), Dow Chemicals (espumantes y plsticos)
Harper Vlvulas, Universidades Laureate Intl.

Automotrices: Ford, Arvin Meritor (Mofles), American Racing,
Brose (elevadores elctricos), JCI (Controles), Johnson Automotriz
(Asientos), Bosh, Cummins, Valeo, Spicer
17
Crculo virtuoso
Mejora
de
procesos
Mejorade
Rentabilidad
Incremento
deVentas
Mejorade
Costos
Incrementode
participacinde
mercado
18
03/02/2015
Enfoque en el cliente
Cul cliente? Externo o Interno?
Ambos! El que est adelante en el proceso interno en la
organizacin y el o los externos a la organizacin
Al cliente que utiliza directamente el producto o

servicio que genera la empresa le conocemos
como: usuario final o consumidor.
19
Enfoque en el cliente
El cliente, consumidor o usuario final tiene requerimientos
de nuestros productos o servicios. Por ejemplo:
Salida a tiempo del autobs.

La informacin del servicio proporcionado debe ser completa y
oportuna.
La entrega de producto se haga en la ventana de tiempo
asignada.
La llamada telefnica debe ser contestada rpidamente.
Entrega de productos en buen estado.
Entregas de producto frecuentes y en lotes pequeos.
Las facturas no deben tener errores.
Apoyo tcnico oportuno.
Amplia disponibilidad de productos de lnea.
20
10
03/02/2015
Crticos para la Calidad

Requerimientos del cliente
QFD = Despliegue de la
Funcin de la Calidad
Requerimientos tcnicos
Crticos para la Calidad

Seis Sigma se enfoca en los Crticos para la Calidad (CTQs)
21
Requerimientos del Cliente

Voz del Cliente
1. Los autobuses no salen a
tiempo.
2. Entrega de productos en
buen estado.
3. La licuadora deja trozos de
fruta
4. La entrega de producto se
haga a tiempo.
5. Cuando llamo por telfono,
se tardan mucho en
contestar
6. Las facturas no deben tener
errores.
7. Apoyo tcnico oportuno.
Requerimiento Tcnico
1. El tiempo de salida del
autobs no deber exceder 5
minutos del horario
programado.
2. Al menos 98% de los
productos entregados deben
estar libres de defectos.
3. No haya presencia de fruta
mayor a 1 mm
4. Entregas de producto en
almacenes de Distribuidor
dentro de la ventana de
tiempo asignada.
5. Contestar 95% de las
llamadas antes del 4 timbre.
6. Facturas libres de defectos el
99.8% de las veces.
7. Apoyo inmediato a dudas
tcnicas por medio de
telfono o e-mail.
CTQ
1. Porcentaje de salidas de
autobs: 0 a 5 min. de la
hora programada
2. Porcentaje de defectos en
productos
3. Velocidad de rotacin de
aspas 4,500 RPM
4. Porcentaje de entregas de
producto dentro de las
ventanas de tiempo
asignadas.
5. Porcentaje de llamadas contestadas antes del 4 timbre
6. % de errores en los campos
crticos de las facturas.
7. Minutos para responder a
dudas tcnicas.
22
11
03/02/2015
Enfoque proactivo de Seis Sigma

Y = la variable que representa un CTQ
El efecto
Dependiente
Xi = las variables que determinan la Y

Las causas
Independientes
Seis Sigma se enfoca en identificar y establecer la relacin

entre las causas (Xs) y el efecto (Y)
Y = f(X1, X2, X3 Xn)
En Seis Sigma se controlan las Xs para controlar la Y

23
Mtodo
Conjunto de pasos rigurosos y sistemticos
diseados para eliminar posibles sesgos, y otras
influencias subjetivas en la bsqueda,
identificacin, medicin y validacin de hechos y
establecimiento de relaciones causa efecto, para
la generacin de conocimiento para la toma de
decisiones con un fin especfico.
Tcnicas o herramientas:
No tienen necesariamente un propsito determinado
No tienen la complejidad de un mtodo
Ms acotadas en su influencia
24
12
03/02/2015
Caso de
Negocio
Definicin: Se
relacionan los CTQs y el
caso de negocio para
definir un proyecto
Definicin
Control: Se toman las

medidas necesarias
para mantener las
mejoras.
Control
Medicin: Se definen
la Y y las mediciones,
se asegura su validez
y se estima la
capacidad del proceso.
Medicin
Mtodo Seis
Sigma
DMAIC
Mejora: Se confirman
las relaciones causales
de las Xs con la Y. Se
identifican las acciones
de mejora y se ponen
en prctica.
Mejora
Anlisis
Anlisis: Se
identifican las Xs que
definen la Y y las
relaciones causales
entre ellas.
25
Cartografa del
Mtodo 6 Sigma
26
13
03/02/2015
Definir
Escuchar la Voz del Cliente:
Cules son las quejas del Cliente?
Qu requiere el Cliente? Cules son los
Crticos para la Calidad? CTQ's.
Cules son sus especificaciones?
Mapa del Proceso:

Se acuerdan lmites del proceso
Identifican Entradas, Proveedores,
Pasos del proceso, Salidas y Clientes
Escuchar la Voz del Proceso:

Cmo estamos cumpliendo las
especificaciones del Cliente?
Cul es el nivel de cumplimiento
histrico?
Se define el Problema
Escuchar la Voz del Negocio:

Cul es la estrategia del negocio?: Alta
Calidad, Menores Precios, Cumplimiento
en las Entregas, Productos con alta
Innovacin?
En qu segmento o nicho se enfocar?:
Expansin del mercado? Incremento de
capacidad?
Se define el Proyecto
El objetivo y las metas a alcanzar
Equipo de apoyo; fechas
Se elabora el Project Charter
27
Medir
Acordar la o las mediciones que representarn los
CTQs (Y)
Analizar el sistema de medicin para las Y
Planear la recopilacin de datos del proceso
Recopilar datos para la lnea base
Analizar si el problema es la capacidad tecnolgica del

proceso o es de control del mismo
Cartografa
28
14
03/02/2015
Analizar
Analizar la lnea base para detectar relaciones que
pudieran sugerir causalidad
Recurrir a la opinin de expertos, la observacin
activa, las leyes determinsticas para: Identificar Xs

potenciales
Identificar la causalidad de las Xs sobre la Y
Cuantificar las relaciones y seleccionar las Xs

vitales
Cartografa
29
Mejorar
Contener provisionalmente el problema que se pretende
resolver.
Desarrollar una solucin de largo plazo al problema
Verificar de manera estructurada y sistemtica, la

solucin a largo plazo del problema.
Cartografa
30
15
03/02/2015
Controlar
Decidir cules acciones son necesarias para
mantener las mejoras a largo plazo:
Modificar los Procedimientos Estndar del proceso
Documentar la mejora
Monitorear los indicadores de la mejora / proceso

Cartografa
31
Porqu Seis Sigma?
Porque se enfoca en el Cliente
Porque es una estrategia y una metodologa que se basa en la

generacin del conocimiento.
Porque es sistemtica, cientfica, disciplinada y utiliza

herramientas muy poderosas.
Porque se atacan las causas raz y las decisiones se basan en

datos.
Porque tiene una estructura de apoyo para la ejecucin de

proyectos y el cuidado de la disciplina metodolgica.
Porque ha tenido mucho xito en empresas muy exitosas.
32
16
03/02/2015
Definir
Entrenamiento para
GB Transaccional
Desempeo (Voz)
del Proceso
Estrategia (Voz)
del Negocio
Voz del Cliente
QFD
CTQs
Caso del Negocio

o Problema
Definicin de
Equipo de Apoyo
Identidad
Ubicacin
Temporalidad
Magnitud
Definicin de
Proyecto LSS
Medidas de
contencin
1.1Definicin
03/02/2015
Estrategia del Negocio

De acuerdo a la lnea estratgica de negocio, en
qu debemos enfocar los esfuerzos?
Ser reconocidos como la empresa
con la mejor calidad de productos o servicios?

con mayor variedad de productos disponibles?
enfocada en un segmento de mercado especfico?
con los servicios o productos de mayor personalizacin?
con el mejor servicio personalizado?
con los costos ms bajos?
con el servicio ms rpido?
con mejor servicio post-venta?
con los productos de mayor durabilidad?
con productos o servicios ms innovadores?
1.1Definicin
Caso del Negocio

De acuerdo a la lnea estratgica de negocio, hgase
las preguntas siguientes para determinar el Caso del
Negocio:
1. Cul es la importancia de realizar el proyecto?
2. Si se realiza o no, qu consecuencias se tendran en cada
caso?
a.
b.
Tendr costos?, cuntos?, cules?, en qu reas?

Tendr beneficios?, cuntos?, cules? , en qu reas?
3. Si se realiza el proyecto
a.
b.
Qu estrategia se seguira?
Cul es el plan de negocio?
4. Cules son los tiempos para realizar el proyecto?, etc.
1.1Definicin
03/02/2015
Identificacin de los clientes

De acuerdo a la lnea estratgica del negocio,
quines son los clientes de nuestros productos o
servicios?
Clientes internos
Clientes Externos:
Intermediarios: Distribuidores
Consumidores o Usuarios: los que utilizan los servicios o
productos directamente.
1.1Definicin
Voz los Clientes

D prioridades a los Clientes o
Segmentos de Clientes que quiere
considerar de acuerdo a la estrategia.
Indague acerca de las necesidades o
requerimientos de los diferentes
Segmentos de Clientes en los que
quiere enfocarse la empresa
Seleccione los procedimientos de
investigacin: encuesta, grupos de
enfoque, entrevistas, observacin, etc.
Haga un plan de muestreo y de
recoleccin de datos.
1.1Definicin
03/02/2015
Modelo Kano
Nivel Satisfaccin Cliente
cliente
satisfecho
no hablada
no esperada
desconocida
necesidades de excitacin
no tiene
no hace
incluidas
se hacen
bien
Caractersticas
necesidades funcionales (desempeo)

razn por la que se compra el
producto
necesidades bsicas
cliente
insatisfecho
1.1Definicin
Voz del Cliente

La Voz del Cliente no siempre es expresada de manera
directa:
Puede estar implcito lo que espera el Cliente
Puntualidad en la entrega
Rapidez en el servicio de atencin
Documentacin (facturas, recibos, etc.) sin errores.
Rapidez al contestar una llamada telefnica.
Puede ser alguna innovacin que el cliente no conoce

Puede ser una caracterstica de seguridad, que debiera estar
definida por el productor, o por alguna instancia privada o
gubernamental. Por ejemplo:
Bajo consumo de energa elctrica de un refrigerador
Retardante de flama de telas usadas para confeccionar prendas
de vestir o ropa de cama de nios.
Falla con alto nivel de riesgo (npr)
Tablas que no permiten la formacin de hongos, o resistentes a la
humedad, etc.
1.1Definicin
03/02/2015
Voz del Cliente
Traduzca la voz del Cliente:
En
En
En
En
En
caractersticas del producto o servicio

una o varias variables del producto o servicio
valores nominales para dichas variables
lmites de especificacin
niveles de desempeo
1.1Definicin
Despliegue de la Funcin de Calidad:

QFD
Despliegue de la funcin de calidad (QFD)
Parte de los requerimientos del cliente (entradas, los
Qus) para definir los Cmos. De los Cmos se
identifican las caractersticas crticas de calidad
(CTQs) y las especificaciones de desempeo.
El QFD es realizado por un equipo de expertos del tema

que se trate
1.1Definicin
10
03/02/2015
Formato preimpreso
Prdida o extravio de la
factura
Distribucin por localidad
Capacitacin
Carga de trabajo
3
1
Distribucin de la factura
Los Cmos de 1er

nivel para cumplir lo
que los usuarios
quieren
Factura impresa en el lugar

de embarque
Despliegue de la Funcin de Calidad:

QFD
Lo que los Usuarios

requieren
Direccin de mejora
CTQs
Imprimirlafacturaoriginalenellugar
1
requerido
Teneratiempolafacturaoriginalpara
2
entregarlaalcliente
Distribucinautomticadelascopiasdela
3
factura
Reduccindecostos
Mayorproductividad(reduccindepasos)
1.1Definicin
3
11
Las casas de la calidad
casa de la
calidad
#2
caractersticas del
Proceso CTPs
(cmos)
funcionalidad del
producto
(qus)
casa de la
calidad
#1
funcionalidad del
producto CTQs
(cmos)
elementos del sistema
(qus)
qu quiere el cliente
(qus)
elementos del
sistema
(cmos)
casa de la
calidad
#3
Proceso estructurado para identificar los CTQs de primer nivel
1.1Definicin
12
03/02/2015
Crticos para la Calidad: CTQs

Los CTQs son la traduccin de las necesidades del
Cliente en requerimientos crticos del producto o
servicio.
Adems de describir el CTQ, la caracterstica crtica
del servicio o producto, se deben especificar:

La variable o forma de medicin de dicha caracterstica
La meta o valor nominal de dicha medicin y sus lmites de
especificacin o tolerancia.
El nivel de cumplimento o tasa tolerada de defectos
1.1Definicin
13
Ejemplo de CTQ
Voz del Usuario: una lavadora que no maltrate la ropa
delicada.
Caracterstica del producto: programa de lavado para ropa
delicada
Medicin: nivel de maltrato de ropa con patrones para la
medicin de maltrato
Valor Nominal: No hay. Slo lmite superior
Lmite de especificacin: menos de un hilo desprendido
Tasa tolerada: 2% de defectos
1.1Definicin
14
03/02/2015
Ejemplo de CTQ
Voz del Usuario: una especificacin del proyecto sin errores
y a tiempo.
Caracterstica del servicio: especificacin con la solucin
tcnica a los problemas del proyecto.
Medicin: nivel de adecuacin de las soluciones propuestas
en la especificacin.
Valor Nominal: Cero errores en las especificaciones.
Tasa tolerada: 0% de defectos
1.1Definicin
15
Caso del
Negocio
Estrategia del
Negocio
Requerimientos
del Cliente
CTQs
Problema
1.1Definicin
16
03/02/2015
Problema
Consideraremos que hay un problema cuando:
Existe una desviacin en el desempeo de un proceso o
producto, respecto del nivel esperado.
Cuando desconocemos sus causas raz y las acciones
necesarias para resolver dicha desviacin.
La identificacin, definicin y descripcin correctas de un

problema es el aspecto ms importante en el proceso de
solucin de problemas.
1.1Definicin
17
Definir y acotar el Problema

Definir el problema en funcin de cuatro categoras distintivas del
mismo:
Identidad
Qu es: La desviacin que tratamos de explicar.

Qu no es.
Ubicacin
Dnde lo observamos.
Dnde no lo observamos.
Temporalidad
Cundo ocurre.
Cundo no ocurre.
Magnitud
Cunto: Qu tan grave o extenso es.

Su magnitud asciende o desciende.
1.1Definicin
18
03/02/2015
Preguntas para definir y acotar el

Problema
Qu objeto especfico o parte del proceso contiene la desviacin que consideramos

como problemtica? En qu consiste la desviacin del desempeo que tiene dicho
objeto o proceso? En qu objetos o procesos semejantes no se encuentra el
problema?
Cul es la magnitud del defecto o problema? Cul es la tendencia del mismo?
Dnde se encuentra fsicamente el problema en el objeto o proceso (computadora o

facturas, recibos, etc.)? En dnde no se encuentra la desviacin?
Cundo apareci la desviacin por primera vez? Si fuese cclico o recurrente Cundo
aparece la desviacin en el proceso u objeto? En qu horarios? Cundo no aparece
la desviacin en el proceso u objeto?
Cuntos procesos u objetos tienen el problema? Cuntos defectos aparecen en cada

objeto?
Quin es el cliente de ese producto? Quin es el transportista? Quin el jefe del

rea?
1.1Definicin
19
Identidad del Problema

Para definir la identidad del problema es necesario:
Describir el estado actual:
Lo ms especficamente y utilizando mediciones.
No incluir ni posibles causas, ni soluciones
Describir el estado deseado

Debe reflejar las necesidades del Cliente o Usuario
Debe estar en consonancia con la Estrategia de Negocio
Destacar porqu la discrepancia entre los estados actual y

deseado representa un problema
Pudiera haber discrepancias positivas
1.1Definicin
20
10
03/02/2015

Ejemplo 1:
En los ltimos seis meses el nivel de defectos en las notas de
crdito emitidas por los vendedores es de 2.7% y durante los
ltimos dos meses muestra una tendencia creciente.
Se desea alcanzar un nivel de defectos mximo de 1.5%
dentro de 2 meses y reducirlo a 0.5% en seis meses.
El costo promedio mensual por estos defectos es de 55,000
pesos actualmente.
1.1Definicin
21

Ejemplo 2:
En el ltimo trimestre el nmero de rechazos de calidad por
parte del cliente se ha mantenido por encima del 1.5%.
El Cliente exige mantener el nivel de rechazos por lote por
debajo del 0.75%.
El elevado nmero de rechazos dificulta la continuidad de la
operacin del Cliente.
1.1Definicin
22
11
03/02/2015

Ejemplo 3:
En el ltimo semestre el nmero de productos daados en el
transporte se ha mantenido por encima del 0.75%.
La meta de daos en el transporte para el presente ao es
por abajo del 0.35%.
El elevado porcentaje de daos en el transporte reduce
considerablemente el EBITDA de la compaa.
1.1Definicin
23
Prctica: Definir el problema

1. Identidad La desviacin que tratamos de explicar.
_______________________________________________________
_______________________________________________________
_______________________________________________________
2. Ubicacin Dnde lo observamos? Dnde no?
_______________________________________________________
_______________________________________________________
3. Temporalidad Cundo ocurre? Cundo no?
_______________________________________________________
_______________________________________________________
4. Magnitud Qu tan grave o extensa es? Qu tendencia tiene?
_______________________________________________________
_______________________________________________________
1.1Definicin
24
12
03/02/2015
Definicin del Proyecto

El proyecto debe definirse a partir del Caso de
Negocio o del Problema. Deber:
Tener un objetivo muy especfico y claramente definido.
Acotarse para que sea alcanzable con el trabajo de una
persona, y el apoyo de su equipo tcnico.
Tener una meta de desempeo claramente definida de
acuerdo a los requerimientos del negocio y del Cliente, y
del nivel de desempeo en que se encuentra cuando se
define el proyecto.
Definirse una meta temporal para la ejecucin del
proyecto, que no deber exceder de un semestre
1.1Definicin
25
Ejemplos de Definicin del Proyecto
Reducir el tiempo de respuesta a las quejas de calidad de los

Clientes a un mximo de 3 das hbiles a partir del mes de abril
prximo.
Reducir en al menos 30% los tiempos de entrega de las

especificaciones de proyectos, respecto de los tiempos promedio
de 12 meses atrs, de acuerdo a la clasificacin de
Especificaciones por categoras existente y a partir del mes de
mayo prximo.
Disminuir el costo de los daos a los productos en el transporte en

la ruta del Centro de Distribucin A al Centro de Distribucin D en
por lo menos 50%.
Reducir a menos del 0.5% los errores en la asignacin de precios

de productos para el mes de junio prximo.
1.1Definicin
26
13
03/02/2015
Equipo de Apoyo
Para la ejecucin de su proyecto
deber contar con un equipo de
personas que puedan contribuir en la
orientacin de la ejecucin de mismo.
Personas que por su conocimiento y
experiencia tcnica puedan contribuir
al xito del proyecto seis sigma.
1.1Definicin
27
Formacin del Equipo de Apoyo

Personas que tengan el conocimiento y
experiencia con el proceso en donde se
haya identificado el problema o donde
se haya definido el caso de negocio y
con el producto o servicio de que se
trate.
Personas que puedan contribuir con:
La definicin de las acciones de contencin
Con el anlisis de las causas raz
Con la definicin y puesta en prctica de
acciones correctivas.
Tambin incluir personas de fuera del

proceso en estudio:
Como clientes o proveedores internos o
externos.
1.1Definicin
28
14
03/02/2015
Objetivos del Equipo de Apoyo

Se definen los objetivos y
metas del equipo de apoyo
Los lmites en la toma de
decisiones
Las polticas internas de
funcionamiento del equipo:
horarios de las reuniones,
recursos disponibles,
programa de trabajo,
algunos participan en unos
temas y otros no, etc.
1.1Definicin
29
Prctica: Definir el Equipo de Apoyo para su Proyecto

1.
Defina la composicin de su equipo de apoyo:
a.
Personas que tengan el conocimiento y experiencia con el proceso

_____________________________________________________
________________________________________________________
________________________________________________________
________________________________________________________
b. Personas que puedan contribuir con la definicin de las acciones
de contencin, con anlisis de las causas raz y con la definicin y
puesta en prctica de acciones correctivas y preventivas
permanentes
_____________________________________________________
_____________________________________________________
_____________________________________________________
c. Incluir personal de fuera del departamento que opera el proceso
en estudio.
_____________________________________________________
_____________________________________________________
2. Definir los objetivos y metas del equipo

__________________________________________________
__________________________________________________
__________________________________________________
1.1Definicin
30
15
03/02/2015
Necesario Contener?
Evaluar el nivel de impacto del problema para el
Cliente y para el negocio:
Si es potencialmente de mediano o alto impacto,
contener el problema en la planta u oficina.
Cuestionarse si se puede seguir operando el proceso.
1.1Definicin
31
Aplicar Acciones Contenedoras

Procedimiento:
1. Identificar el periodo en que se presenta el

problema:
a. Se identifica cundo se present el problema y cules fueron
las afectaciones.
b. Se evala el impacto del problema para los Clientes y para la
compaa.
c. Si es de bajo impacto, se negocia con ellos la posibilidad de
aceptar la desviacin temporalmente y la forma de hacer una
compensacin.
d. Si es de alto o mediano impacto, se evala la posibilidad y
conveniencia de reelaborar aquello donde se present la
desviacin.
1.1Definicin
32
16
03/02/2015
Aplicar Acciones Contenedoras
Procedimiento (cont.):
2. Continuar con la ejecucin del proceso antes de resolver el
problema de raz?
Parar el proceso y cuestionarse si se conocen las causas raz que
originaron el problema.
Si se conocen las causas raz Se puede regresar a la condicin
anterior?
Si se desconocen las causas que provocan el problema, se debe
cuestionar la conveniencia de reiniciar la ejecucin del proceso
1.1Definicin
33
Estimar beneficios
Estimar los beneficios financieros esperados, si se
llega a la clausura exitosa y sostenida del proyecto
Seis Sigma. Considerar ahorros en:
Procesos ms simples / Menor cantidad de trabajo /
Menor tiempo respuesta / Mayor satisfaccin del Cliente
Oportunidad:
Ms ventas
Menos inversin
Almacenamiento
Transportacin
Materiales
Mano de Obra
Energa
Administracin de la no
calidad
1.1Definicin
34
17
03/02/2015
Estimar beneficios
Los beneficios financieros los debieran validar en
el rea financiera
Hay ms beneficios que no siempre pueden ser
expresados o estimados en forma financiera,
como pudieran ser:
Satisfaccin de los Clientes

Fidelidad y Recompra
Incremento de mercado
Menores retrabajos
Mayor nivel de satisfaccin
con el trabajo
1.1Definicin
35
Project Charter
Project Name:
Organization:
Project Belt:
Date:
Champion:
Project Sponsor:
Business Impact
Goal Statement
Problem / Opportunity Statement
Project Scope
Project Plan
Team Selection
1.1Definicin
36
18
03/02/2015
Variacin de los procesos

EntrenamientoparaGB
Qu es la
variacin?
Origen Distribucin
Normal
La variacin vs. la
calidad y la
productividad
Distribucin
Probabilidad
Tipos de
variacin
Caractersticas de Distr.
Prob.: localizacin, dispersin
y forma
reas bajo la curva
Medidas de la
variacin
1.2Variacindelosprocesos
03/02/2015
Variacin
Hay fluctuaciones de todos los factores que inciden en
un proceso: Insumos, el proceso mismo, las personas
y el ambiente.
Insumos: informacin, documentacin, condiciones, etc.
Procesos: el personal que opera el proceso, los equipos de
cmputo, programas computacionales, etc.
Condiciones Externas al proceso: medio ambiente, poca
del ao, promociones propias y de la competencia, nuevas
tecnologas, nuevos productos en el mercado, desempeo
de la economa nacional, etc.
A estas fluctuaciones les denominamos como:

Variacin del proceso
03/02/2015
Variacin
Insumos
MedioAmbiente
Datos
Personal
Transacciones
Softwareyequipo
LSE
Documentos
nominal
MedicionesyControles
Promociones
LIE
tiempo
Proceso
Estasvariacionesprovocanvariacionesenlascaractersticasdelassalidas
Calidad vs. Variacin

La variacin es enemiga de la calidad y de los
co$to$
Cunta variacin en las caractersticas del servicio est
dispuesto a aceptar el Cliente?
La variacin puede aumentar los costos de ejecucin de
los procesos y de los servicios: Podran generar
retrabajos o reprocesos innecesarios.
Para disminuir la variacin de los productos o

servicios es necesario atacar las causas de la
variacin en los procesos e insumos.
SeisSigmasecentraenelanlisisdelaVariacindelosProcesos
03/02/2015
Tipos de Causas de la Variacin

Dos tipos de causas:
comunes (aleatorias)
especiales (atribuibles)
Las causas comunes se manifiestan de manera aleatoria y son

propias de cientos de variables con pequeas contribuciones que
actan de manera simultnea y no es posible identificar alguna
causa en especial.
Son propias del diseo del proceso
Cuando la variacin debida a causas comunes es muy elevada, es
necesario cambiar la tecnologa del proceso.
Las causas especiales se pueden atribuir tpicamente a factores

que no pertenecen al proceso, son externos al mismo. Como
pueden ser: a la pobre capacitacin, a mala informacin, insumo
del proceso anterior, a fallas en el SW, en el suministro elctrico, a
la falta de apego a procedimientos estndar, etc.
Prctica1 (Trans.): Causas de la

variacin
Enequiposdedospersonasescribirsila
causadevariacinesEspecialoComn
Situacin relativa a la variacin del proceso
Tipo de
causa
El proceso fue diseado tomando en consideracin este tipo de causas de variacin.
Genricas
Usualmente este tipo de causas de variac in no estn presentes, pero pueden aparecer espordicamente.
Muchas de estas causas contribuyen con pequeas variaciones.
Cuando este tipo de causas de variacin estn presentes, el proceso es inestable, o impredec ible.
La variacin observada se debe a la tecnologa del proceso
El proceso es estable cuando estn presentes estas causas de variacin.
Este tipo de causas de variacin son resultado de algo especfico y tienen un fuerte efec to en el proceso.
Este tipo de causas de variacin no las podemos predecir.
Existe una diferencia importante en el tiempo de atencin a clientes en la zona norte y la zona sur de la ciudad de
Mxico
Las vacantes se cubren c on las personas que llega, sin capacitarlos.
Especficas
No se sigue el procedimiento de atencin a clientes

Los empleados anotan pendientes en una hoja y la tiran antes de compartir la informacin.
Las c omputadoras de la oficina son operadas por personas sin la capacitacin necesaria.
La temperatura de la oficina excede los 35 C y el personal dedica el 40% del da en ir por agua.
El vigilante revisa los camiones de carga del material entrante a la planta a como ve.
En el almacn de producto terminado se coloca el producto en ubicaciones sin seguir un procedimiento estndar.
En tiempos de lluvia en el almacn de producto terminado se cen las cajas estibadas con los productos.
03/02/2015
Causas Especiales vs. Comunes
Segn tu experiencia, cul es el tipo de causa

que crees te encontrars con mayor frecuencia en
tus procesos?
10
03/02/2015
Johann Carl Gauss

Johann Carl Friedrich Gauss (1777, Brunswick 1855,
Gttingen), fue un matemtico, astrnomo y fsico alemn que
contribuy significativamente en muchos campos, incluida la
teora de nmeros, el anlisis matemtico, la geometra
diferencial, la geodesia, el magnetismo y la ptica.
Considerado el prncipe de las matemticas y el matemtico
ms grande desde la antigedad. Gauss tuvo una influencia
notable en muchos campos de la matemtica y de la ciencia, y
es considerado uno de los matemticos que ms influencia ha
tenido en la Historia.
Descubri que las medidas antropomtricas de los soldados
Suizos se distribuan de manera semejante a una campana.
Investig y concluy que muchas medidas en la naturaleza
tenan esta misma distribucin. Caracteriz y denomin como la
distribucin Normal. Esta se populariz con el nombre de
Campana de Gauss.
11
Distribucin Normal
Simtrica
Asinttica
Unimodal
171
175
178
181
184
187
190
193
196
12
03/02/2015
Prctica 2:
1.
2.
3.
4.
Lanza una moneda al aire 10 veces.

Registra el nmero de sellos.
Repite 10 veces los pasos 1 y 2
Marca cada resultado rellenando el rectngulo correspondiente.
1. quforma
tieneeste
histograma?
2. qu
caractersticas
tieneel
mismo?
10
Nmerodesellos
13
Distribucin de probabilidad
reabajolacurva
representalaprobabilidad
Puntodeinflexin
dispersin
100%
localizacin
Dimetrodebarreno
Caracterizacindeunadistribucin:localizacin,dispersinyforma
14
03/02/2015
Localizacin: Media aritmtica

Poblacional:
Localizacin=Mediaaritmtica
x x x ... x
1
Localizacin=Mediaaritmtica
i 1
N = tamao de la poblacin
Muestral:
(x )
N
(x )
i
i 1
n= tamao de la muestra
La media aritmtica es el parmetro de localizacin de

una distribucin y la medida de tendencia central ms
utilizada.
Cuando hay valores extremos, estos tienen mucha
influencia en la media aritmtica.
15
Dispersin: Desviacin Estndar

Poblacional:
Dispersin=DesviacinEstndar
(x
N
Muestral:
Dispersin=DesviacinEstndar
x)
n 1
(x
La desviacin estndar es la medida de dispersin de los datos

ms utilizada
La variancia es el cuadrado de la desviacin estndar =
16
03/02/2015
Prctica 3:Cculo de media y desviacin

estndar
A
N.guilas
Sellos
N.
# Veces
%B
A*B
xixbarra
E2 =(xi -xbarra)2
B*(xixbarra)2
0
1
2
3
4
5
6
7
8
9
10
SUMA
Xbarra =
s=
17
Otras medidas descriptivas de

distribuciones
Medidas de tendencia central:
Mediana: el valor que divide el 50% de los datos ms
bajos, del 50% de los datos ms altos.
Moda: el valor de los datos que ms se repite.
Una distribucin puede tener ms de dos datos que
destacan por su repeticin. A esta distribucin se le
conoce como Bimodal.
Medidas de dispersin:
Rango: El valor mximo menos el valor mnimo
Hay muchas variantes en la forma de calcular el rango.
18
03/02/2015
Prctica 4
1.Calcular la media =
2.Calcular la mediana =
3.Cul es la moda? =
4.Cul es el Rango?=
5.Qu conclusiones puede
sacar de los clculos
anteriores?
_______________________
_______________________
_______________________
Acumulado
X* nm X
10
11
20
14
18
12
20
12
13
16
15
17
16
20
19
17
17
15
16
9
15
10
14
12
18
19
17
12
16
15
21
15
A partir de los 60 valores de

X que se presentan en dos
columnas, llenar la tabla
contigua:
Nmero de X
12
20
27
22
23
20
26
29
17
17
24
21
21
21
24
27
20
22
24
27
18
16
19
24
19
29
21
17
25
22
29
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
Suma
19
Media
Prctica 4
continua.
Elaborar un histograma con los datos X proporcionados en la pgina anterior

10
9
8
7
6
5
4
3
2
1
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
Qu observaciones puede hacer a partir de este histograma?
________________________________________________________
________________________________________________________
20
10
03/02/2015
Distribucin de Probabilidad
Normal
Cuandounavariableestinfluidaporpequeascontribucionesdemuchosfactores,
elcomportamientodedichavariablegeneralmentesepuedemodelarconuna
21
distribucindeprobabilidadNormal
Comportamiento Natural de un
proceso
Cuando en un proceso no hay presentes causas
el proceso
procesoest
estbajo
bajo
especiales de variacin, se dice que el
control.
control. En este caso la variacin del proceso slo se debe
a causas comunes. Por lo que slo estar presente la
variacin natural del proceso, y por ello, el comportamiento
de la variable del proceso tendr una distribucin de
probabilidad Normal.
22
11
03/02/2015
Distribucin de Probabilidad Normal
Funcindedensidad
23
Comportamiento de un proceso
Defectos
Defectos
LIE
Meta
Tolerancia
LSE
24
12
03/02/2015
Valores estandarizados: Z
Cambia todas las distribuciones normales a una sola distribucin

normal estndar.
x
Se trasforman los valores x en valores estandarizados z
z
La distribucin normal estndar tiene
= 0, = 1 .
=169, =10
=0, =1
=1
25
Ejercicios:
Estimar la probabilidad de tener
valores de x mayores a 185. Es decir,
calcular el rea bajo la curva normal
de valores de x mayores de 185
=169, =10
185 169
1.6
10
x
185
En la tabla de probabilidad Normal para

valores estandarizados se consulta el
rea bajo la curva Normal para valores
de Z 1.60 y se obtiene una
probabilidad de = 0.0548
z = 1.6
0.0548
26
13
03/02/2015
Prctica 5: clculo de
probabilidades
Fuerza de separacin de piezas soldadas
=169, =10
x
Dos piezas son soldadas y el Cliente requiere que la fuerza para separarlas sea siempre
mayor a 145 kgf. Asuma que la fuerza de separacin se comporta como una distribucin
de probabilidad normal de media 169 y desviacin estndar de 10:
1. Cul es la probabilidad de tener valores de fuerza de separacin mayores a 145 kgf?
2. Estimar la probabilidad de tener valores de fuerza de separacin mayores a 173 kgf.
3. Estimar la probabilidad de tener valores de fuerza menores a 150 kgf
4. Cul es la probabilidad de tener valores de fuerza entre 150 y 173?
5. Cul es la probabilidad de tener valores de fuerza menores a 200?
27
Prctica 6: clculo probabilidades

Asuma que la distribucin de probabilidad del nmero de
sellos, de la prctica 2, es normal (cuyas media y
desviacin estndar ya fueron calculadas):
1. Estimar la probabilidad de tener 6 sellos o ms ( 5.5).
2. Estimar la probabilidad de tener 3, 4 o 5 sellos (2.5 #
sellos 5.5)
3. Cul es la probabilidad de tener menos de 3 sellos?
4. Cul es la probabilidad de tener ms de 7 sellos?
28
14
03/02/2015
Z
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
0.01
0.02
0.5000
0.4960
0.4920
0.4602
0.4562
0.4522
0.4207
0.4168
0.4129
0.3821
0.3783
0.3745
0.3446
0.3409
0.3372
0.3085
0.3050
0.3015
0.2743
0.2709
0.2676
0.2420
0.2389
0.2358
0.2119
0.2090
0.2061
0.1841
0.1814
0.1788
0.1587
0.1562
0.1539
0.1357
0.1335
0.1314
0.1151
0.1131
0.1112
0.0968
0.0951
0.0934
0.0808
0.0793
0.0778
0.0668
0.0655
0.0643
0.0548
0.0537
0.0526
0.0446
0.0436
0.0427
0.0359
0.0351
0.0344
0.0287
0.0281
0.0274
0.0228
0.0222
0.0217
0.0179
0.0174
0.0170
0.0139
0.0136
0.0132
0.0107
0.0104
0.0102
0.0082
0.0080
0.0078
0.0062
0.0060
0.0059
0.0047
0.0045
0.0044
0.0035
0.0034
0.0033
0.0026
0.0025
0.0024
0.0019
0.0018
0.0018
0.0013
0.0013
0.0013
0.0010
0.0009
0.0009
0.0007
0.0007
0.0006
0.0005
0.0005
0.0005
0.0003
0.0003
0.0003
0.0002
0.0002
0.0002
0.0002
0.0002
0.0001
0.0001
0.0001
0.0001
0.0001
0.0001
0.0001
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.4880
0.4483
0.4090
0.3707
0.3336
0.2981
0.2643
0.2327
0.2033
0.1762
0.1515
0.1292
0.1093
0.0918
0.0764
0.0630
0.0516
0.0418
0.0336
0.0268
0.0212
0.0166
0.0129
0.0099
0.0075
0.0057
0.0043
0.0032
0.0023
0.0017
0.0012
0.0009
0.0006
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4840
0.4443
0.4052
0.3669
0.3300
0.2946
0.2611
0.2296
0.2005
0.1736
0.1492
0.1271
0.1075
0.0901
0.0749
0.0618
0.0505
0.0409
0.0329
0.0262
0.0207
0.0162
0.0125
0.0096
0.0073
0.0055
0.0041
0.0031
0.0023
0.0016
0.0012
0.0008
0.0006
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4801
0.4404
0.4013
0.3632
0.3264
0.2912
0.2578
0.2266
0.1977
0.1711
0.1469
0.1251
0.1056
0.0885
0.0735
0.0606
0.0495
0.0401
0.0322
0.0256
0.0202
0.0158
0.0122
0.0094
0.0071
0.0054
0.0040
0.0030
0.0022
0.0016
0.0011
0.0008
0.0006
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4761
0.4364
0.3974
0.3594
0.3228
0.2877
0.2546
0.2236
0.1949
0.1685
0.1446
0.1230
0.1038
0.0869
0.0721
0.0594
0.0485
0.0392
0.0314
0.0250
0.0197
0.0154
0.0119
0.0091
0.0069
0.0052
0.0039
0.0029
0.0021
0.0015
0.0011
0.0008
0.0006
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4721
0.4325
0.3936
0.3557
0.3192
0.2843
0.2514
0.2206
0.1922
0.1660
0.1423
0.1210
0.1020
0.0853
0.0708
0.0582
0.0475
0.0384
0.0307
0.0244
0.0192
0.0150
0.0116
0.0089
0.0068
0.0051
0.0038
0.0028
0.0021
0.0015
0.0011
0.0008
0.0005
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4681
0.4286
0.3897
0.3520
0.3156
0.2810
0.2483
0.2177
0.1894
0.1635
0.1401
0.1190
0.1003
0.0838
0.0694
0.0571
0.0465
0.0375
0.0301
0.0239
0.0188
0.0146
0.0113
0.0087
0.0066
0.0049
0.0037
0.0027
0.0020
0.0014
0.0010
0.0007
0.0005
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4641
0.4247
0.3859
0.3483
0.3121
0.2776
0.2451
0.2148
0.1867
0.1611
0.1379
0.1170
0.0985
0.0823
0.0681
0.0559
0.0455
0.0367
0.0294
0.0233
0.0183
0.0143
0.0110
0.0084
0.0064
0.0048
0.0036
0.0026
0.0019
0.0014
0.0010
0.0007
0.0005
0.0003
0.0002
0.0002
0.0001
0.0001
0.0001
Tabla de
Distribucin de
Probabilidad
Normal Estndar
29
Enfoque en Seis Sigma

Vozdel
Cliente
Vozdel
proceso
Vozdel
Negocio
Identificar
CTQ
Especificaciones
delCliente
Modelarel
comportamientode
CTQcondistribucin
deprobabilidad
Estimar
tasade
Defectosen
Poblacin
Identificary
Contar#
Defectosen
Muestra
30
15
03/02/2015
31
Capacidad del Proceso

Para estimar la capacidad de un proceso tenemos
que tomar en consideracin las especificaciones
del cliente.
Los lmites de especificacin de las variables que
representan los CTQs:
Lmite Superior de Especificacin
Lmite Inferior de Especificacin
Valor Nominal o Meta
LSE
LIE
Y
LIE
LSE
32
16
03/02/2015
Capacidad del Proceso
Seis Sigma propone que se estime la capacidad de un proceso a

travs del nmero de (desviaciones estndar) que hay de la media
del proceso hasta el lmite de especificacin. Es decir, los valores de Z
que hay en esta distancia.
En este ejemplo, la
capacidad del proceso
es de 2 veces .
Es decir, hay un valor
estandarizado de Z = 2
LIE
LSE
Y
33
17
Mapa de la Cadena de Valor
MapadelaCadena deValor(VSM)
Herramienta originada en Toyota: utilizada para mostrar los
estados actual y futuro como parte del proceso de
transformacin lean.
Discutido en: Pensamiento Lean; adems desarrollado y
documentado en: Learning to See y Complete Lean
Enterprise..
0441
4-1
Qu es el mapa de la
Cadena de Valor?
Es una grfica que muestra todas las acciones
necesarias para transformar la materia prima y
la informacin hasta entregar el producto
terminado o el servicio que el cliente quiere.
CadenadeValor
Son todas las acciones, las que agregan valor y las que no agregan valor,
requeridas para transformar la informacin o la materia prima en un servicio o
producto terminados y entregarlos al cliente.
0442
4-2
Cadena de Valor
Diseo
lean
Compras
lean
Ventas
lean
Manufactura Almacenes
lean
lean
Distribucin Servicio al
lean
cliente lean
Cobranza
lean
Porqu hacer el mapeo de la cadena de

valor?
Para tener una imagen completa del Proceso
Para entender la situacin actual - visualizar la gran imagen
Lnea Base
Para mostrar visualmente los problemas del proceso
Muestra los enlaces entre el flujo de informacin y el
flujo de materiales
Ayuda a priorizar actividades
Revisa el tamao del inventario en proceso (WIP)
Identifica los cambios de modelo demasiado largos
Puede ser utilizada para mejorar paulatinamente
nuestros procesos
Expone los orgenes del desperdicio
Es la base para desarrollar un plan de mejora
Para identificar todas aquellas actividades que agregan valor
al producto y las que no lo hacen.
0443
4-3
LOS SIETE DESPERDICIOS
Los Siete + 1 Desperdicios
Sobreproduccin
Esperas
Inventarios
Productos
defectuosos
Procesos deficientes
Movimientos
Innecesarios
Transporte
Subutilizacin
de las
personas
8
0444
4-4
los 7 desperdicios
Sobreproduccin
Consumerecursosquenosernutilizadosenelcortoplazo
Escondeproblemascomo:malacalidad,parosdemaquinaria,
programacinyentregadeficiente.
Fabricaproductosqueelclientenodesea
Ejemplos:
Produciradicionalmentealprograma
Producirpiezasequivocadas
Enlafechaequivocada
los 7 desperdicios
Inventarios
Implicainversinencapitaldetrabajo
Requieremovimientoadicionalnoprogramado
Utilizaexcesodeespacio
Generaobsolescenciayproblemasdecalidad
Prdidaspordaoenelmanejo
Requiereseradministrado
Ejemplos:
trabajarconlotesgrandes
tiempodeentregalargo
10
0445
4-5
los 7 desperdicios
Procesosdeficientes
Consumerecursosdemaneraequivocada
Crearetrasosenlaproduccin
Existelaoportunidaddegenerardefectos
Ejemplos:
Aprobacionesinnecesarias
Procesosfueradeespecificacionesoque
incumplenlosrequerimientosdelcliente
(procesosincapacesqueproducendefectos)
Registrosinnecesarios
11
los 7 desperdicios
Productosdefectuosos
Crearycorregirdefectosconsumerecursos,loque
generainterferenciaconelflujo,porloquedebeser
eliminadoestedesperdicio.
Ejemplos:
Partesdefectuosasdelproveedor
Informacinincorrectaoincompleta
Retrabajo
12
0446
4-6
los 7 desperdicios
Transporte
Consumerecursosytiempo
Creaproblemasdeseguridad
Generainversindecapital
Puedeaumentareldaoenlosproductos
Ejemplos:
Utilizargras,polipastos,montacargas,enel
manejodematerialesquenoagreganvalor
Malaplaneacindesurtimientodemateriales
13
los 7 desperdicios
Esperas
Aumentaeltiempociclodeloperador
Consumerecursos
Aumentaelinventarioenproceso
Generaunalentarespuestaalcliente
Ejemplos:
Operacionesnobalanceadasaltiempotakt
Tiemposmuertosdebidoalafaltade
operacionesestndar
14
0447
4-7
los 7 desperdicios ms
1
Subutilizacindelaspersonas
Noutilizatotalmentelashabilidades,conocimientos,
ideas,ypropuestasdelaspersonas
Desincentivalamejora
Desaprovechaelconocimientoyexperiencia
acumulados
Limitalasmejorasdelprocesopornocontarconel
compromisoconlasmismas.
Ejemplos:
Superiorleindicaasubalternoqu,cmoy
cundodebehaceruntrabajoounamejora.
15
Nivelesdemapeo
Nivel Proceso
Vamos a
comenzar aqu
Slo una Planta

( de puerta a puerta )
Mltiples Plantas
La Compaa
16
0448
4-8
Cmo empezar ?
1
Familia de Productos
Dibujar estado actual
Dibujar estado Futuro
Implementar
Plan
Identificar la cadena de valor para la

familia de productos en la que se
trabajar.
En el mapa del estado actual
identificar todas las acciones que no
agregan valor
Desarrollar el concepto del mapa para

el estado futuro.
Identificar y ejecutar acciones que

conduzcan al estado futuro
17
MAPA DE CADENA DE VALOR ACTUAL

Previsin de
6 semanas
90/60/30
pronstico
Control de
produccin
MRP
CLIENTE
Pedido
diario
18,400 piezas/mes
-12,000 izquierdos
-6,400 derechos
Fax
semanal
PROVEEDOR
Programa semanal
500 lingotes
Tarima = 20 piezas
Programa
expedicin
diaria
2 turnos
Martes y jueves
Fundicin
200 T
1 x da
Maquinado
4,600 I
2,400 D
Ensamble
1,200 I
6,40 D
I
2,700 I
1,440 D
Expedicin
preparacin
I
piezas
5 das
TC=1 segundo
TCP=1 hora
TF = 85%
27,600 segundos
disponibles
CPC=2 semanas
5 das
TC=39 segundos
TCP=10 minutos
TF=100%
2 turnos
27,600 segundos
disponibles
7.6 das
1 segundo
TC=40 segundos
TCP=0 minutos
TF=100%
2 turnos
27,600 segundos
disponibles
4.5 das
1.8 das
39 segundos
40 segundos
Tiempo de
entrega = 18.9
das
Tiempo valor
agregado=80
segundos
18
% va = va / tiempo de entrega *100=.0048
0449
4-9
Acciones Estado Futuro

1.
De las reas de oportunidad encontradas asignar cada

actividad a un responsable para que le d solucin
2. Plantear cul ser el beneficio esperado y el mtrico que
afectar
3. Seleccionar la herramienta Lean, desarrollando un plan
de Implementacin/Accin y un Indicador para su
seguimiento puntual.
4. Dar prioridad a las actividades segn:
- El sentido de urgencia basado en las
necesidades del negocio.
- Los requerimientos del cliente.
- Los recursos disponibles
19
MAPA DEL ESTADO FUTURO

Previsin de 6
semanas
PROVEEDOR
Pedidos 2
semanas
Control de
produccin
MRP
CLIENTE
18,400 piezas/mes
-12,000 izquierdos
-6,400 derechos
Fax
semanal
500 pies rollo
Tarima=20 piezas
2 turnos
Martes y jueves
1 x da
Fundicin
200 T
Maquinado
I
136 I
73 D
lingotes
1 da
TC=1 segundo
TCP=10 min
TF = 95%
27,600 segundos
disponibles
CPC=2 semanas
1 das
29 I
16 D
TC=39 segundos
TCP=10 minutos
TF=100%
2 turnos
27,600 segundos
disponibles
1.72 das
1 segundo
Ensamble
Expedicin
71 I
38 D
Preparacin
TC=40 segundos
TCP=0 minutos
TF=100%
2 turnos
27,600 segundos
disponibles
Plazo de
entrega =
3.98das
0.9 das
0.36 das
39 segundos
Tiempo valor
agregado = 80
segundos
40 segundos
20
% va = va / tiempo de entrega *100 =.023
04410
4-10
03/02/2015
PrincipiosdelaMedicin
EntrenamientoparaGB
Esquemaconceptual
Escalasde
Medicin
Distribucionesde
Probabilidad
(Normal)
TiposdeDatos
Quesunamedicin?
Quseesperade
unamedicin?
Repetibilidady
Reproducibilidad
Datoscontinuos/
Medicionesno
destructivas
DatosDiscretos
Resolucin
Linealidady
Exactitud
Datoscontinuos/
Mediciones
destructivas
Pruebasde
LinealidadySesgo
Estabilidad
2.0PrincipiosdelaMedicin
03/02/2015
Quesunamedicin?
Es la cuantificacin o clasificacin de una

cualidad o atributo
Atributoocualidad
Cul es el atributo o cualidad que se
cuantifica de:
la distancia?
la masa?
la temperatura?
el tiempo?
la dureza?
la viscosidad?
la satisfaccin del Cliente?
03/02/2015
EscalasdeMedicin
Nominal: slo se identifica si un atributo est o no presente. P.e. los colores, las
placas de los autos, un cdigo de barras, etc.
Ordinal: un nmero en esta escala expresa mayor o menor cantidad relativa de un

atributo respecto de los dems. P.e. el orden de llegada en una carrera, el orden
asignado en un concurso, el orden de atencin de los clientes en la ventanilla de un
banco, el orden de clasificacin de pases por alguna caracterstica, como puede ser:
PIB per cpita, acceso a servicios educativos o de salud, etc.
Intervalar: los intervalos en esta escala representan cantidad del atributo, pero un
valor absoluto en esta escala no representa la cantidad absoluta del atributo. Por
ejemplo, la diferencia cuantitativa del atributo entre los valores 6 y 7, es igual a la
cantidad entre 12 y 13. Sin embargo, un valor de 3, no representa la magnitud
absoluta de la caracterstica. Es decir, no se cuenta con un cero absoluto. Por ejemplo
una escala de temperatura en grados Fahrenheit o Celsius. El cero no representa la
ausencia de la cualidad temperatura.
Razn: Esta escala tiene las caractersticas ordinal e intervalar y adems cuenta con
un cero absoluto. P.e.: longitud, peso, masa, fuerza, etc.
03/02/2015
TiposdeDatos
Continuos (o Variables): Datos que pueden tomar
cualquier valor en una escala continua. Entre un valor y
otro en la escala puede haber un nmero infinito de datos.
Por ejemplo: voltaje, distancia, peso, temperatura, ngulo,
tiempo, beneficios en pesos, costo, etc.
Discretos (Categricos, Atributo): Datos que surgen de un

conteo de partes o elementos que contienen atributos, que
se clasifican en categoras, y se expresa en escalas
discretas.
Por ejemplo: nmero de defectos, nmero de defectuosos, nmero de votos para cada candidato en
una eleccin, conteo de errores, conteo de glbulos rojos en una muestra de sangre, nmero de
personas satisfechas o insatisfechas con un servicio, etc.
Prctica1:clasificacinentiposdedatos
Clasificar los siguientes datos por tipo: continuo
o discreto
1. Presin atmosfrica . ______________
2. Probabilidad de lluvia . ______________
3. Nmero de personas infectadas con sida en una ciudad.. _____________
4. Porcentaje de personas infectadas con sida en una ciudad _____________
5. Distancia entre centros de distribucin y almacn del Cliente __________
6. Nmero de personas casadas en cada estado de la Nacin _____________
7. Porcentaje de partes rechazadas en inspeccin recibo... _____________
8. Temperatura de un horno de esmaltado . _____________
9. Nmero de cables de un conductor _____________
10. Rugosidad de la superficie de un cilindro . _____________
11. Nmero de partes defectuosas producidas en un mes . _____________
12. Nmero promedio de defectos por turno producidos en un mes ________
13. Claro de separacin entre electrodos medida con lainas _____________
14. Clasificacin de partes por apariencia del color ______________
15. Tiempo promedio por llamada en el Centro de llamadas _____________
03/02/2015
TiposdeDatos
Los datos continuos pueden convertirse en discretos, si se decide

clasificarlos como pasa o no pasa, o cumple o no cumple con las
especificaciones del Cliente.
Por lo general, se pierde informacin y posibilidades de anlisis si se

transforman los datos de continuos a discretos.
Los datos continuos siempre representan la cuantificacin de una cualidad.

P.e. peso, velocidad, longitud, etc.
Los datos discretos puede ser que no reflejen la cantidad de una cualidad.
P.e.: la preferencia por un partido poltico: amarillo, rojo, verde o azul;
una escala pasa no pasa
Cuando los datos discretos reflejan alguna cantidad, se debe tener mucho
cuidado si se quiere transformar a datos tipo continuo: No siempre son
vlidas estas transformaciones. P.e. escala de dureza de un material
cuando se compara con la dureza de un diamante, de un acero, de un
lpiz, de una tiza, etc.
Prctica2:escalasvstipodedatos
1.
Puede medirse una variable en una escala nominal con datos

tipo continuo? S ____ No ____ Porqu?
______________________________________________
2.
Pueden realizarse operaciones aritmticas con datos medidos en

una escala ordinal? S ____ No ____ Porqu?
______________________________________________
3.
Qu operaciones aritmticas se pueden hacer con datos en

escalas:
1.
2.
3.
4.
Nominal __________________________________
Intervalar __________________________________
Razn
__________________________________
Los datos en escalas Intervalar y de Razn de qu tipo tienen

que ser? Continuos _______ Discretos ______
10
03/02/2015
11
p=tasadedefectuosas;ppm=partespormilln
p=
nmero de partes defectuosas /nmero total de partes

producidas
ppm =nmero de partes defectuosas por cada milln de partes

producidas.
ppm = p * 1,000,000
Ejemplo: en la produccin de un mes se encontraron 1,254 partes no conformes con

las especificaciones del Cliente (defectuosas), de un total de 53,800 partes
producidas. qu tasa de recibos defectuosos se produjo en dicho mes? A cuntas
ppm corresponden?
p = 1,254 / 53,800 = 0.023309 = 2.3309%
ppm = 1,254 * 1,000,000/53,800 = 23,309 ppm
Defecto:atributoquenocumpleconla
especificacindelCliente
Defectuosoodefectivo:producto,objetoo
partequetieneunoomsdefectos
12
03/02/2015
Oportunidadesdedefectos
Un servicio o producto puede tener una o varias oportunidades de que se genere un

defecto, o uno o varios tipos de defecto. Los siguientes son indicadores que
consideran dichas oportunidades.
DPO (Tasas de Defectos por Oportunidad) = nmero de defectos encontrados
DPMO = nmero de defectos por cada milln de oportunidades= DPO*1,000,000
DPU (Tasa de Defectos por Unidad) = nmero de defectos encontrados
Ejemplo: en el mes pasado se produjeron 455,000 pernos. Cada perno tiene 4 oportunidades de defecto:
dimetro, longitud, tipo de rosca y sentido de la rosca. Se encontraron 2,356 defectos en el total de pernos
producidos. Calcular: DPO, DPMO y DPU. Con esta informacin se pudieran calcular: p y ppm?
Nmero de Oportunidades de defecto= 455,000 * 4 = 1,820,000
DPO = 2,356 / (1,820,000) = 0.001295 = 0.1295%
DPMO = (2,356*1,000,000) / (1,820,000) = 1,295
DPU = 2,356 / 455,000 = 0.005178
nmero de oportunidades totales
nmero total de unidades producidas.
13
Prctica3:medidasdecalidad
En el ltimo semestre, en una empresa se generaron 3,783 facturas.
Los crticos de calidad de cada factura son 5. Cada crtico de calidad
se considera una oportunidad de falla. Se encontraron 168 facturas
defectuosas y 287 defectos en total. Calcular las siguientes medidas
de calidad:
a. p
b. ppm
c. DPO
d. DPM
e. DPU
14
03/02/2015
MedicindeCTQs
Se identifican los CTQs para cumplir con la voz del Cliente.
Se especifica:
La variable y forma de medicin de dicha caracterstica

La meta o valor nominal de dicha medicin y sus lmites
de especificacin o tolerancia.
El nivel de cumplimento o tasa tolerada de defectos
Se miden los CTQs y establece una lnea base

como referencia para la mejora de los procesos
involucrados en los CTQs
15
03/02/2015
Herramientasparaelanlisis:
Minitab
EntrenamientoparaGBTransaccional
Propsitodelcaptulo
Enestecaptulosepresentarelprograma
denominadoMinitab
Sedescribirsuestructura,sulgicayalgunasdesus
funcionesyserealizarnejerciciosparaempezara
familiarizarseconesteprograma
2.1Herramientasparaelanlisis
03/02/2015
Datos
Presentalosdatosen
unahojadetrabajo
HojaTrabajo
Presentaunresumen
simpledelosdatosen
unahojadetrabajo
Sesin
Lasecuenciadelos
comandosutilizados
Lasadvertenciasy
Losresultadosdelos
anlisisrealizados
Historia
Presentaunresumen
detalladodelas
seleccionesenlosmens
ysubmensdel
programa
Grficas
Presentalasgrficas
generadasdurantelos
anlisis.
Ventanasde
Minitab
03/02/2015
Introduccindedatos
Tiposdedatos
Datos
Manipulacindedatos
Clculoscondatos
Borraryguardardatos
MoverseaventanaSesinoDatos
AdministrarhojasdatosoGrficas
Columnas
Renglndettulo
decolumnas
ColumnaTexto
ColumnaFecha
Columnanumrica
Barradeiconosy
funcionesigualpara
todaslasventanas
Renglones
Direccindeavance
conteclaEnter
03/02/2015
IntroducirDatos
Manualmentetecleandolosdatos
Copiandolosdatosdealgunahoja
detrabajoypegando
Importando unarchivodedatosde
algunahojadetrabajo
GenerandodatosporMinitab
Conjuntodedatossimples
Conjuntodedatosarbitrarios
Aleatoriosconalgncomportamiento
probabilstico
Apilandoodesapilandodatos
Haciendoclculos
7
Prctica1:Introduccinde
datos
Unacompaaregistraelnmerodevisitasadosde
suspginasdeInternetcomounamedidadela
efectividaddepromocindesusproductosatravs
deestemedio.Laprctica1consistesolamenteen
capturarlosdatosenMinitabquesemuestranen
estamismapgina.
Pgina A Pgina B
153
154
102
96
110
85
118
124
45
93
81
113
136
94
92
48
55
164
104
130
125
71
146
75
94
116
109
47
83
107
130
92
59
70
105
111
64
116
115
138
64
61
30
86
56
110
90
111
112
137
70
113
39
146
48
116
25
145
153
84
47
117
65
131
03/02/2015
ManipulacindeDatos
Cuandosetienencapturadosdatosenla
hojadetrabajo,sepuedenmanipulary
generarnuevascolumnasdedatos:
Ordenar(Sort)
Generarcolumnadeorden(Rank)
Borrarrenglones(Delete Rows)
Borrarvariables(EraseVariables)
CopiarColumnas
Apilarcolumnas/Desapilar
Cambiareltipodedatos(Textoa
numrico,Fechaanumrico)
Partirlahojadetrabajo
Generarcdigos
10
03/02/2015
ClculodeDatos
Sepuedengenerarnuevascolumnasdedatosatravsdeclculos:
HayunaCalculadora parahacerclculosconfuncionesencolumnas,equivalentealasfuncionesdecelda
deExcel.
Clculodeestadsticosporcolumnayporrengln:suma,media,mediana,desviacinestndar,
etc.
Transformacin de datos a
desviaciones y a datos
Estandarizados.
Genera patrn de datos:

Conjuntos de datos simple,
arbitrarios, textos, fechas, etc.
11
Clculode
Datos
Sepuedengenerarnuevas
columnasdedatosaleatorios
apartirdedistribucionesde
probabilidad:
12
03/02/2015
ClculodeDatos
Sepuedenhacerclculosdereas
bajocurvasdedistribucionesde
probabilidad:
LecturasdeMatrices,transponer,
invertir,copiar,operacionescon
matrices.
13
Prctica2:Manipulardatos
Introduzca,atravsdelamanipulacin delos
datos:
Lafechaenqueseregistrelnmerode
visitas:empezel2deenerod2014y
termineledefebrerodel2014.
Introduzcaelnmerodedadelasemana
enqueinicielregistro:del1al7.
ApilelosdatosdelasvisitasalapginaAy
debajodeelloalapginaB.registrecada
datoaqupginacorresponde.
Nota:Observequelascolumnasnopueden
tenerelmismonombre.
14
03/02/2015
Prctica3:Hacerclculoscondatos
Realizarlossiguientesclculos:
1. (PginaA+PginaB)/2
2. MediaderenglonesPginaAyPginaB
3. MediayDesviacinestndardecolumnasPginaAyPginaB
4. Generar32datosNormalesaleatoriosdemedia=150ydesv.estd.=35
5. Generar32datosaleatoriosdeunadistribucinuniformede100a200.
6. CalcularelreabajolacurvaNormaldemayor de:
1.
2.
3.
4.
5.
0desv.estd.
1desv.estd.
2desv.estd.
3desv.estd.
4.5desv.estd.
15
16
03/02/2015
AnlisisEstadsticos
ConMinitabsepuedenhacergrancantidaddeanlisisestadsticos(Stat).En
estosmomentosnosconcentraremosenlaestadsticabsicayenlaestadstica
descriptiva.
Los resultados de cada
anlisis estadstico los
reporta:
La parte numrica, en
la ventana Sesin
(Session)
Por lo general, cada
anlisis estadstico es
acompaado de un
resultado grfico.
17
AnlisisEstadsticos
Laestadsticadescriptivabsicamuestra:
Unhistogramadelosdatos
UnapruebadeNormalidad/Anderson
Darling)
Parmetrosestadsticosdescriptivos
tantoenlagrfica,comoenlaventana
Sesin
Descriptive Statistics:Par1
VariableNN*Mean SEMeanStDev Minimum
Par1 200 432.960.0586 0.262432.38
Q1
MedianQ3
432.72433.00433.07
VariableMaximum
Par1 433.48
18
03/02/2015
Procedimientosgenerales
Crearunnuevoproyectouhojadetrabajo
Guardar(save):
Proyecto(guardatodasventanasy
grficas)
HojadeTrabajo(Guardaslodatos)
Abrirhojadetrabajo
Imprimir
CtrlTabCambiadeventana
CtrlEregresaalaltimaventanade
dilogo
OprimirF3paraborrartodaslas
seleccionesprevias.
Nota:todaslasanteriores,exceptolaltima,se
puedenrealizarconiconosdelabarrade
herramientas
19
Prctica4:AnlisisEstadsticos
SolicitaraMinitabquerealiceanlisisdeestadsticabsicaparalaslas visitasalaPgina
AyalaPginaB.IncluirgrficasenelbotnGraphs.
VentanaSesin:
Descriptive Statistics: Pgina A, Pgina B

Variable
Pgina A
Pgina B
N
32
32
N*
0
0
Variable
Pgina A
Pgina B
Maximum
153.00
164.00
Mean
88.28
106.28
SE Mean
6.43
5.23
StDev
36.40
29.60
Minimum
25.00
47.00
Q1
56.75
85.25
Median
91.00
111.00
Q3
114.25
128.50
Boxplot of Pgina A
160
140
Pgina A
120
100
80
60
40
20
20
10
03/02/2015
Prctica4:AnlisisEstadsticoscont.
Todaslasgrficasquepuedenacompaaralaestadsticadescriptivabsica
21
Grficas
Minitabtieneunagrancoleccindegrficas
disponibles.Lamayora,deusogeneral,bajo
eltrminoGraphsenlabarrade
herramientas.Otrasmsespecficas,
disponiblesconlosanlisisestadsticos
(Stat).
Lasgrficaspuedenadministrarse:
Traersealfrente
Colocarsevariassimultneamenteenla
mismaventana(Tile)
Borrarse
22
11
03/02/2015
Grficas
Lamayoradelasgrficastienen
cincoconceptos(botones)en
suscuadrosdedilogo
respectivos:
1. Escala(Scale)
2. OpcionesGrficas(Multiple
Graphs)
3. Etiquetas(Labels)
4. OpcionesdeDatos(Data
Options)
5. VisualizacindelosDatos(Data
View)
23
Herramientasparaelanlisis
Opcionesengrficas
Enelbotnopcin,se
caracterizalagrfica
Defineneltipodegrficaolo
quesevaagraficar
TransposicionesentreXyY
Modificacionesnumricasalas
variables(p.e.escala
logartmica)
Formadedefinirlosintervalos
enhistograma
Coloresengrfica
Evitaempalmede
observaciones(Jitter)
Etc.
24
12
03/02/2015
Opcionesengrficas
EnelbotnEscala,sedefine:
1. Losejesdelagrficaylos
smbolosdelascurvas.
2. LneasenlosejesXyY
3. Laslneasdereferencia
especficas.Porejemplo,para
unaespecificacin.
25
Especificacionesengrficas
Puedesgenerarvariasgrficas
yempalmarlas,presentarlas
separadasenlamismahojao
simplementeseparadasen
diferenteshojas.
Puedescolocarlettuloo
subttulosonotasdepiede
pginaalasgrficas.
Puedesseleccionarqudatos
graficardelamatrizdedatos.
26
13
03/02/2015
Visualizacindelosdatosengrficas
VisualizacindelosDatos(Dataview)definelaformaenquesemostrarnlosdatos:
Conunsmbolo
Unalneaqueconectalosdatos;lneasverticalesquebajandelosdatos.
Porunasombraquellenelapartebajadelalneaqueconectalosdatos,etc.
27
EdicindeaparienciadeGrficas
Haciendodobleclicsobreloselementosdelagrficaaparecenmensparaeditar
ttulos,etiquetas,insertartextos,lneasyfiguras;colorearfondos,lneas,textos,
etc.
28
14
03/02/2015
Grficasmodificadas
29
GrficadeBarras
GrficadeBarrasdelas
mediasdeFuerzaporHora
GrficadeBarrasdelasmediasdeFuerza
porHora,agrupadosporPrensautilizada
30
15
03/02/2015
Prctica5:ElaboracindeGrficas
Elaborelasgrficassiguientes:
1.
2.
3.
4.
5.
Dispersin(plot)dePginaAvsPginaB
Seriesdetiempo(Timeseriesplot)dePginaB
HistogramadeVisitas(Histogram)
CajadePginaByPginaA(BoxPlot)
Modificaloscolores,espesoresdelneas,rellenade
colores,dalestextura,colocattulos,cambialoscolores,
modificalospuntosdelasgrficasporcruces,
asteriscos,crculos,agrandaeltamaodelasletras,
colocamarcoalagrfica,etc.
31
HojadeTrabajo:Minitabvs.Excel
Altadedatosigualenambos,exceptoenlacreacindevaloresaleatoriosde
acuerdoaunadistribucindeprobabilidadyalageneracindepatronesdedatos.
EnExcellosclculosyfuncionessonaniveldecelda;enMinitabsiempreanivel
columna.
EnExcelpermanecelafrmulaenlaceldayseactualizaelclculocuando
cambiansusdatos;enMinitabnoseactualizaelclculo.
Excelnonecesariamentetieneencabezadounacolumna,enMinitabsecuenta
conunaceldaespecialparaelencabezado.
EnMinitablosdatosdebenestarcolocadosapartirdelrengln1
32
16
03/02/2015
Prctica6
Las ventas por zona del pas en promedio semanal por familia de productos se
comporta de la manera en que se muestra en el archivo Datos Ejercicios y
Prcticas 2 Trns.xls . Graficar los datos y hacer observaciones provisionales.
Realizar esta prctica de manera individual o en pareja por computadora
disponible.
33
17
03/02/2015
AnlisisdeSistemasdeMedicin
Entrenamiento para GB
AnlisisdeSistemasdeMedicin
Propsito: Proporcionar un mtodo objetivo para analizar la validez de
los sistemas de medicin.
Objetivos:
1. Identificar y comprender los componentes de la variacin de la medicin.
2. Realizar un estudio de Repetibilidad y Reproducibilidad (RyR)
Comprender la diferencia entre % de estudio y % de tolerancia
Mtodos: Corto y ANOVA
3. Identificar oportunidades de mejora del Sistema de Medicin.
2.2AnlisisdeSistemasdeMedicin
03/02/2015
1.
2.
Contenidos:
Qu es la medicin? y porqu necesitamos medir?

Qu esperamos de un sistema de medicin?:
Exactitud, Precisin, Resolucin, Estabilidad y Linealidad
3.
4.
5.
Tipos de Anlisis, tipos de datos y tipos de escalas de medicin

Indicadores de ubicacin, tamao y forma de una distribucin de datos
Definicin del Anlisis de Repetibilidad y Reproducibilidad de datos
continuos de una medicin no destructiva
procedimiento corto
Mtodo Largo: ANOVA
6.
Planeacin del Anlisis RyR
Identificacin del tipo de decisiones que se tomarn
Identificacin del tipo de datos
Identificacin de la variacin en la medicin
Definir el muestreo
Recolectar los datos
7.
8.
Anlisis de la Repetibilidad y la Reproducibilidad

Oportunidades de mejora del Sistema de Medicin
3
Quesunamedicin?
Comparar la cantidad de una caracterstica cualitativa
contra un estndar: clasificar o cuantificar.
Ejemplos:
Temperatura cul es la cualidad temperatura?

Distancia
Volumen
Masa
Velocidad
Tiempo
Culeslacualidadcolor?
03/02/2015
Preguntasfundamentalessobremedicin
Por qu necesitamos medir?
Para tomar decisiones acerca de la aceptacin de productos o de
los procesos
El producto es aceptable o no para el cliente?
El proceso necesita algn ajuste?
Se ha mejorado el proceso?
El proceso es rentable?
Qu esperamos de un sistema de medicin?

Exactitud: Los datos clasifican o cuantifican verazmente la
cualidad (con un sesgo menor)
Precisin: La medicin se hace con una variacin menor:
Repetibilidad: Una misma persona vuelve a medir y obtiene
el mismo valor
Reproducibilidad: Si la parte se mide por una persona u otra,
no se esperan resultados diferentes, es decir, los resultados
son independientes del operador
Resolucin: La cantidad ms pequea que el instrumento de
medicin es capaz de leer. Esta cantidad deber ser suficiente para
la toma de decisiones.
Estabilidad: La medicin se hace con mnima variacin respecto
del tiempo
Linealidad: La medicin tiene mnima variacin respecto de la
magnitud.
03/02/2015

Valor
Real
Exactitud
Exactitud
- La diferencia entre el promedio observado
de las mediciones y el valor real.
Promedio
Observado
Precisin
Repetibilidad
- Variacin de la medicin cuando una misma
persona usa el mismo instrumento para
medir varias veces la misma parte.
Repetibilidad
Medicionesdel
operadorB
Medicionesdel
operadorA
Reproducibilidad
- Variacin en el promedio de las
mediciones obtenidas cuando dos o ms
personas usan el mismo instrumento para
medir las mismas partes.
Reproducibilidad
7

La Resolucin es definida como la cantidad ms pequea que el instrumento
de medicin es capaz de leer.
Son diferentes las partes A y B?.
Parte A
A=2
B=2
Parte B
1
Debido a que la resolucin de la escala es

ms grande que la diferencia entre las dos
partes, ambas partes tendrn la misma
medida.
Parte A
A = 2.25
B = 2.0
Parte B
1
La resolucin de la segunda escala es

ms pequea que la diferencia entre
las partes, Entonces las partes
tendrn diferente medida.
El Instrumento de Medicin deber tener una resolucin menor o igual

al 10% de la tolerancia o de la variacin del proceso.
03/02/2015
Parte esencial de todos los proyectos: la Medicin
El sistema de medicin es lo suficientemente bueno

para la toma de decisiones?
Las metodologas de solucin de problemas y de mejora de
procesos o productos estn fundadas en la idea de tomar decisiones
basadas en datos que reflejen la realidad. Los datos que alimentan
estas decisiones de mejora deben ser confiables: es decir, deben
reflejar verazmente la realidad que se est tratando de mejorar.
Una vez que se ha comprobado que se cuenta con la Exactitud,
Linealidad, Estabilidad y Resolucin, ahora tendremos que realizar
un anlisis de Repetibilidad y Reproducibilidad.
2EntrenamientoPB:ASM
Parte esencial de todos los proyectos: la Medicin

El Anlisis de Repetibilidad y Reproducibilidad conocido como
Gage RyR es un procedimiento usado para analizar un sistema de
medicin en el que se determina el tipo y cantidad de error cuando
se mide algo
El anlisis de Reproducibilidad y Repetibilidad nos permite:
Determinar si el error de medicin es pequeo y aceptable relativo a

la variacin del proceso y tambin respecto de la especificacin del
cliente.
Obtener una adecuada resolucin del Sistema de Medicin.
Enfocar los esfuerzos de mejora del sistema de Medicin si la
variacin o error de la medicin es inaceptable.
10
03/02/2015
11
Porqu es importante el Estudio del Anlisis RyR?

El Anlisis RyR es un procedimiento utilizado para analizar un sistema
de medicin determinando el tipo y la cantidad de error generada
cuando se mide algo.
Un Anlisis RyR es importante porque proporcionar informacin acerca
de los datos. Nos ayuda a contestar las siguientes preguntas:
El error de medicin es suficientemente pequeo y aceptable

relativo a la variacin del proceso o especificacin del producto?
Dnde se debern enfocar los esfuerzos de mejora si el

sistema de medicin fuese inaceptable?
Es adecuada la resolucin del sistema de medicin?
12
03/02/2015
Sistema de Medicin
Qu es?
Todo lo asociado al proceso de comparacin que nos lleva a la medicin: Las personas que
miden, la herramienta de medicin, el material, la preparacin de la medicin, el
procedimiento y el ambiente, todo esto se conoce como:
El Sistema de Medicin
El Sistema de Medicin es un proceso que siempre agrega variacin a los datos de
medicin. El objetivo es desarrollar un sistema de medicin que arroje la menor cantidad
de error de medicin.
2Total = 2parte-parte + 2RyR

Variacin Total Observada en
los Datos
Variacin debida a las diferencias

Reales entre las Partes
Variacin por error de

medicin
La variacin observada de cualquier grupo de datos es la suma de la

variacin real de las partes, ms la variacin del sistema de medicin.13
Objetivo del Anlisis de RyR

Determinar si los datos usados en un proyecto son
confiables para la toma de decisiones.
Este anlisis puede ser usado tambin para:
Evaluar un equipo de medicin
Comparar un mtodo de medicin con otro
Evaluar un mtodo que se sospecha sea
deficiente
Identificar y solucionar la variacin del
sistema de medicin
14
03/02/2015
Seis pasos para el anlisis de RyR

1. Identificar el tipo de decisiones que se
tomarn con las mediciones
2. Identificar el Tipo de Datos de las
mediciones
3. Identificar las Fuentes de Variacin en las
mediciones
4. Elaborar un plan de seleccin de muestras
5. Recolectar los datos
6. Analizar los Datos
15
Procedimiento para el anlisis de RyR

1. Identificacin del tipo de decisiones que se
tomarn:
Aceptacin o rechazo de un lote o un proceso?
(Necesarios: Lmites de especificacin)
Se desea mejorar un proceso? O ya se
tomaron acciones de mejora y se desea saber si
tuvieron algn efecto?
16
03/02/2015

2. Identificar el tipo de datos
1. Datos continuos
Medicin no destructiva
Medicin destructiva
2. Datos Discretos
Binarios
Ms de dos categoras
3. Datos por conteo

No provienen de una medicin fsica (tales como datos
financieros y de ventas)
Datos de encuestas (frecuencias)
La forma de recoleccin de datos y el mtodo de anlisis

depende del tipo de los datos.
17

Mediciones Tiempo de
cambio en minutos
67.3
64.7
67.3
62.6
66.3
62.3
65.9
65.5
66.6
63.3
60.7
70.2
66.6
68.1
61.7
65.3
65.6
65.1
64.8
67.1
64.5
63.4
65.8
66.6
65.1
66.9
59.9
66.6
64.4
67.7
61.2
66.4
62.8
62.4
67
67.4
66.6
64.2
64.8
66.3
3. Identificar la Fuente de variacin

Tiempo para realizar el cambio de Troqueles en una
prensa. Los datos provienen de un estudio de lnea base
tomados durante 30 das. Ntese la variacin.
Cules son las causas de esta variacin?
1. La diferencia real en los tiempos de cambio? o
2. Los errores de medicin (error del Sistema de
medicin)?
En realidad la variacin que se observa en esta lista
proviene de ambas situaciones (Siempre es as!)
18
03/02/2015

3. Identificar la Fuente de variacinCont.
Se pueden usar diagramas de espina de pescado para identificar las posibles causas
de variacin del sistema de medicin.
El sistema de medicin usado para validar el tiempo de cambio tiene 5 fuentes de
variacin: Gente, Equipo de Medicin, Materiales, Mtodo y Medio Ambiente.
Gente
Caractersticas
yhabilidadesdel
Personal
Recolectorde
datos
EquipoMedicin
Instrumento
demedicin
Estndares
visuales
Recolectoresdedatos
Definic.Operacionales
Procedimientosmedic.
Tcnicasmedicin
Mtodo
Materiales
Partesmedidas
Escantillones
Adaptadores
Sujeciones
Temperatura
Iluminacin
Humedad
Polvo
Variacinenla
Medicin
Medioambiente
19

4. Seleccionar la Muestra
Datos Continuos
Seleccionar muestras que cubran el rango completo de observaciones esperadas. La
variacin de la muestra deber ser representativa de la variacin real del proceso.
Seleccionar muestras fuera de especificacin, tanto respecto del LSE, como del LIE.
Datos Continuos (Pruebas Destructivas)

Seleccionar grupos de muestras homogneas (Minimizando la variacin dentro del
grupo), pero que los grupos cubran el rango completo de observaciones esperadas.
Datos Discretos
Seleccionar piezas dentro y fuera de especificacin
Seleccionar algunas muestras cercanas al lmite de especificacin (zona marginal)
Datos no-medibles y Datos de Encuestas

Seleccionar muestras representativas
La seleccin de la muestra es crtica para obtener una

correcta evaluacin de la variacin del sistema de medicin.
20
10
03/02/2015

5. Recolectar los Datos
Antes de iniciar las mediciones:
Asegrese que el instrumento de medicin est calibrado
Asegrese que tenga la resolucin adecuada, que sea
lineal en el rango que se desea medir y que la medicin
sea estable durante este procedimiento.
Inicialmente utilice el procedimiento usual de medicin
Use al menos dos operadores
Los operadores que normalmente hacen la medicin son quienes
debern realizar las mediciones
Mida 10 unidades o ms
Cada unidad ser medida 2 o 3 veces por cada operador.
21
5. Recolectar los Datos,
cont
Ejemplo de hoja de recoleccin de datos

El orden de la medicin deber ser aleatorio en cada repeticin para evitar la
recordacin.
Adems los operadores no debern enterarse de las mediciones de los otros
operadores, para que esto no influya en los resultados.
Orden de la
medicin
Muestra
10
10
Operador 1 Operador 1 Operador 2 Operador 2 Operador 3 Operador 3

Intento 1
Intento 2
Intento 1
Intento 2
Intento 1
Intento 2
22
11
03/02/2015
Recolectar los Datos
Cada operador mide cada parte en orden aleatorio

siguiendo el procedimiento completo para la medicin de
cada parte: Por ejemplo, tomar la pieza, montarla, montar el
instrumento de medicin, ponerlo en ceros, medir, leer, registrar, etc.
Repetir el paso anterior el nmero de veces acordado
Anotar todos los datos!
23
5. Analizar los datos

Decidir el procedimiento de anlisis que se
usar!
Datos Continuos
Procedimiento Corto
ANOVA (Anlisis RyR)
Datos Discretos
Datos Binarios
Datos Discretos
conteos
24
12
03/02/2015
Prctica 1: Anlisis RyR Procedimiento ANOVA

Se hacen mediciones de los espesores de tablas. Nos hemos cerciorado que
el instrumento de medicin est calibrado, tiene la resolucin adecuada y la
medicin es estable y lineal. Se desea saber si la repetibilidad y
reproducibilidad del sistema de medicin son adecuadas. Cada operador
mide cada parte dos veces.
1. Los datos debern ser introducidos en columnass
2. Realiza a travs de Minitab el Anlisis RyR.
3. Analiza los resultados arrojados por Minitab
Especificacin del espesor es de 0.5.
Abrir el archivo: Datos Ejercicios y Prcticas 2. xlm

Copiar los datos en Minitab
25
Ejemplo de Gage RyR Procedimiento ANOVA

La grfica de puntos siguiente muestra la variacin del proceso de medicin
Espesor vs Parte
16.5
16.0
Reprodu
cibilidad
15.5
Espesor
Operador
1
2
3
15.0
14.5
14.0
13.5
Repetibilidad
13.0
1
5
6
Parte: Tabla
10
Cmo cuantificar la variacin de la medicin de estos datos?
El Anlisis RyR ayuda a cuantificar las fuentes de variacin.
26
13
03/02/2015
Ejemplo de Anlisis RyR Procedimiento ANOVA

El Procedimiento ANOVA estima la variacin debida a la:
Repetibilidad del equipo de medicin y de un mismo operador
Reproducibilidad entre operadores
Vamos a analizar los datos usando Minitab

Selecciona: Stat > Quality Tools > Gage RyR Study
27
Realizalas
siguientes
selecciones.
28
14
03/02/2015
Two-Way ANOVA Table With Interaction

Salida en ventana Sesin
Source
Parte
Operador
Parte * Operador
Repeatability
Total
DF
9
2
18
30
59
SS
37.8822
0.0365
0.0610
0.1242
38.1039
MS
4.20913
0.01823
0.00339
0.00414
F
1242.29
5.38
0.82
P
0.000
0.015
0.667
Gage R&R
Source
Total Gage R&R
Repeatability
Reproducibility
Operador
Part-To-Part
Total Variation
VarComp
0.004578
0.003859
0.000719
0.000719
0.700879
0.705457
%Contribution
(of VarComp)
0.65
0.55
0.10
0.10
99.35
100.00
Ancho de la distribucin del error de medicin
gage
repetibilidad
reproducibilidad
Process tolerance = 1
Source
Total Gage R&R
Repeatability
Reproducibility
Operador
Part-To-Part
Total Variation
StdDev (SD)
0.067659
0.062121
0.026810
0.026810
0.837185
0.839915
Study Var %Study Var %Tolerance

(5.15 * SD)
(%SV) (SV/Toler)
0.34845
8.06
34.84
0.31992
7.40
31.99
0.13807
3.19
13.81
0.13807
3.19
13.81
4.31150
99.68
431.15
4.32556
100.00
432.56
Number of Distinct Categories = 17
% de Gage RyR respecto de la

Tolerancia. No es bueno por ser
>20%.
% de Gage RyR respecto de la
variacin total del proceso. Bueno
por ser 20%.
Resolucin del sistema de medicin. Bueno 4
29
Criterio de Evaluacin del % del Anlisis RyR vs. % de

Variacin del Proceso en estudio y de la Tolerancia
Aceptable<
20%
Condi
cional
20%a
30%
Inaceptable>30%
Cuando un anlisis RyR arroja un valor >20% respecto de la tolerancia,

significa que no se puede tomar la decisin de aceptar o rechazar un
producto o servicio, dado que el grado de error en la medicin es muy
grande, y no se puede saber con certidumbre si cumple o no con las
especificaciones.
Cuando el valor es >20% respecto de la variacin del proceso, no se puede
saber con certidumbre si el proceso ha mejorado o empeorado.
Mejorar el sistema de medicin cuando ha resultado inaceptable, o

condicional, antes de generar los datos
30
15
03/02/2015

gage es calculado de los trminos de la varianza de repetibilidad y reproducibilidad
usando la siguiente relacin.
2gage = 2repetibilidad + 2reproducibilidad
El % de gage RyR respecto de la Tolerancia es una medida de qu tan bien el sistema
de medicin puede determinar si un producto est fuera o dentro de especificacin
%GR&R = 5.15 gage x 100

LSE - LIE
LIE
LSE
Distribucin del
error de medicin
99%
Por lo menos 5 distribuciones

5.15
5.15
5.15
Tolerancia
5.15
5.15
En este ejemplo %GRyR respecto de la tolerancia fue 34.84 %. Por lo tanto, el sistema
de medicin no es aceptable para determinar la aceptacin o rechazo del producto 31

El %Estudio de Variacin se usa para comparar la variacin de la
medicin con la variacin del proceso. Es un indicador de qu tan bueno es
el sistema de medicin para tomar decisiones relativas al proceso.
Recuerde que la variacin del proceso es determinada por la variacin de
las muestras utilizadas en el anlisis RyR. Por lo tanto, es muy importante
escoger piezas que representen la variacin total del proceso.
gage
%Estudio de Variacin = ---------------- x 100
variacin total
En el ejemplo el % del Gage RyR respecto de la variacin del proceso es

de 8.06%. Por lo que el sistema de medicin es aceptable
para usarlo en toma de decisiones relativas al proceso.
32
16
03/02/2015
Ejemplo de Anlisis RyR Procedimiento

ANOVA
El Nmero de Categoras Distintivas representa el nmero de intervalos de
confianza que no se traslapan y que abarcarn el rango de la variacin del
producto. Se considera tambin como el nmero de grupos dentro de sus
datos de proceso que puede discernir su sistema de medicin
Variacindelproceso
Rangodelproceso
Intervalodeconfianzadel
95%delerrorenlamedicin
33
Ejemplo de Anlisis RyR Procedimiento

ANOVA
La Regla para determinar si el sistema de medicin tiene suficiente
resolucin para tomar decisiones referentes al proceso se muestra abajo.
1=No 2o3Categoras
acep Sloparadatos
table
Bimodales
4omscategorasdistintivases
suficienteresolucinparatomar
decisionessobreelproceso
Es este ejemplo el nmero de categoras distintivas fue 17:

el sistema tiene la suficiente resolucin para la medicin.
34
17
03/02/2015
LasGrficasdelAnlisisRyR
Lmitedeaceptacin20%
En esta grfica se muestran histogramas de los componentes de la variacin que estn

expresados numricamente en la tercera parte de la salida de la Sesin de Minitab:
1.
2.
3.
La barra en negro representa el porcentaje de la varianza de las partes respecto de la varianza total
medida.
La siguiente barra muestra el porcentaje de la desviacin estndar de las partes vs. la desv. estd medida .
La tercer barra muestra el porcentaje del ancho del proceso vs. la tolerancia.
Se observa en este ejemplo que todos los componentes son aceptables, puesto que estn abajo del 20%
35
Esta grfica de control muestra tres secciones con 10 puntos cada una: estas secciones representan a cada
operador, y los puntos, el promedio de las dos mediciones que hizo cada uno de los operadores de cada
parte. La grfica Xbarra muestra que la mayora de los puntos estn fuera de control. En este caso la
interpretacin es que es una buena seal, ya que la variacin entre operadores es muy pequea, y por lo
tanto, los lmites de control estn muy cercanos entre s. La mayora de los puntos en esta grfica debieran
estar fuera de control.
Debido a lo anterior, tambin los lmites de control de la grfica de rangos estn muy estrechos. Por lo que el
rango relativamente grande de las mediciones de la muestra de color nmero 8 por parte del operador 3, se
sale de control. Todos los puntos en esta grfica debieran estar bajo control.
36
18
03/02/2015
Esta grfica muestra en puntos negros todas las mediciones realizadas por cada uno de los
operadores y en rojo los promedios respectivos. Se observa que los tres promedios estn muy
cercanos entre s: mostrando que no hay mucha diferencia promedio entre las 20 mediciones de
los operadores. Se observa que la dispersin de los datos del operador 3 es mayor que las del
resto.
37
Esta grfica muestra que los promedio

de las mediciones del operador 1 son
consistentemente ms bajas que el
resto de los operadores. Sin embargo,
la variacin entre operadores es muy
pequea.
La segunda grfica presenta la

variacin de los promedios de las
muestras. Es decir, nos presenta
grficamente la variacin parte a parte
del proceso.
38
19
03/02/2015
Recapitulando acerca del Anlisis RyR

1. Fue el sistema de medicin adecuado para aceptar o rechazar
producto?
2. Fue el sistema de medicin aceptable para el control o mejora
del proceso?
3. Tiene el sistema de medicin suficiente resolucin?
4. Los operadores contribuyen significativamente a la variacin del sistema de
medicin?
5. Las partes contribuyen significativamente a la variacin del sistema de medicin?
6. Es el espectrofotmetro un contribuyente importante para la variacin del sistema
de medicin?
7. Hay alguna contribucin significativa entre los operadores y cmo miden cada
muestra para la variacin del sistema de medicin?
39
Riesgosdetomarunadecisinequivocadaporelerrordemedicin
Variacindelas
partesdelproceso
LIE
Distribucin
delerrorde
medicin
LSE
Probabilidadde
unamala
decisin
Probabilidadde
unamala
decisin
Valorverdadero
deunaparte
conforme
Distribucin
delerrorde
medicin
Valorverdadero
deunaparteno
conforme
Tolerancia
40
20
03/02/2015
Prctica 3: Qu tan bueno eres para las

mediciones?
Cada equipo de 4 o 5 personas realizar un Anlisis RyR largo, de la medicin de la
longitud del lanzamiento de un proyectil (una variable tipo continua). La especificacin
de la longitud del lanzamiento es de 12015 cms.
Procedimiento:
1.
Se definen 3 inspectores que realizarn las mediciones
2.
Entre los miembros del equipo se define operacionalmente la variable a medir y
se define un procedimiento estndar de medicin inicial. Se asegura que los 3
inspectores conozcan el procedimiento de medicin definido como estndar.
3.
Se realiza un lanzamiento y de manera independiente cada inspector mide y
registra la longitud medida, teniendo cuidado de no mover el proyectil de lugar.
4.
Posteriormente cada uno de los inspectores mide por segunda vez la longitud de
dicho lanzamiento, sin que el resto de los inspectores est presente y sin ver las
anotaciones de las mediciones anteriores. Registra la nueva medicin.
5.
Se repite este procedimiento con el lanzamiento de 10 proyectiles.
6.
Se cargan los datos en Minitab, se seleccionan las grficas correspondientes y se
corre el anlisis RyR. Se analizan los resultados y se contestan las preguntas de la
siguiente pgina.
Nota: Si el procedimiento de medicin requiere de ajustes para el montaje de las partes y ajuste del
instrumento de medicin, se debern hacer los mismos antes de realizar cada medicin.
41
Prctica 3 cont.: Anlisis RyR

Equipo: _____
El instrumento de medicin arroja mediciones exactas? Es decir: Est calibrado

el instrumento?
________________
La resolucin del instrumento es la adecuada para la tolerancia de la medicin?
________________
El instrumento arroja valores lineales en el rango esperado de las mediciones?
________________
Se puede esperar estabilidad durante el proceso de medicin?
________________
42
21
03/02/2015

Equipo: _____
Resultados del Anlisis RyR inicial:
gage = __________
repetibilidad = __________ reproducibilidad = __________
%GRyR respecto de la Tolerancia
= __________
%GRyR de la Variacin parte a parte
= __________
Fue aceptable la medicin para la aceptar o rechazar el producto? ________________

Fue aceptable el sistema de medicin para el proceso de control?
________________
El sistema de medicin tuvo la resolucin adecuada?
________________
Necesita ser mejorado el sistema de medicin?

________________
De ser as Dnde deber enfocarse la mejora?
______________________________________________________________________________________
Los operadores contribuyeron significativamente a la variacin del sistema de medicin? _____________
El instrumento de medicin contribuy significativamente a la variacin del sist. de medicin? ___________
43
Equipo: _____
De acuerdo al anlisis RyR, si los Gage RyR o el nmero de Categoras

Distinguibles no son los adecuados, en equipo decidan cmo van a
mejorar el sistema de medicin.
Hagan las mejoras al sistema de medicin y repitan todo el procedimiento
anterior con el nuevo sistema de medicin.
Realicen e interpreten los nuevos resultados. De acuerdo a stos, conteste
las siguientes preguntas:
1. Qu se hizo para mejorar el sistema de medicin?
______________________________________________________________
______________________________________________________________
____________________________________________________________________
gage = __________
repetibilidad = __________ reproducibilidad = __________
%GRyR respecto de la Tolerancia
= __________
%GRyR de la Variacin parte a parte = __________

Necesita mejorarse de nuevo el sistema de medicin? ____________
En dnde requiere ser mejorado? __________________________________________
44
22
03/02/2015
45
Pruebasdestructivas
Son aquellas que cuando se realiza la medicin,
se destruye o modifica aquella caracterstica que
se pretende medir.
Por lo anterior, no es posible hacer mediciones
subsecuentes porque ya no existe la
caracterstica en estudio o se ha modificado.
Ejemplos tpicos de pruebas destructivas:

Par de apriete de un tornillo
Resistencia de una soldadura
Dureza superficial de un metal
Fuerza de separacin de dos partes con interferencia
Esfuerzos de cedencia o Elongacin
Pruebas de falla a la compresin o tensin
Juicios de una interaccin Cliente Proveedor
46
23
03/02/2015
Procedimientoenpruebasdestructivas
Dado que no se puede medir la misma parte o
muestra, se deber seleccionar del proceso, grupos de
muestras (o partes) que sean muy homogneas entre
s.
Sin embargo, la diferencia entre los grupos de partes
(muestras) deber ser representativa de la
variabilidad del proceso en estudio.
Sugerencia:
Seleccionar partes que hayan sido producidas una despus
de la otra en el proceso para asegurar la estabilidad de
condiciones del proceso.
Si es un producto relativamente grande, y slo se requiere
una pequea porcin para realizar la medicin, se
selecciona una pieza y se divide en tantas partes como
mediciones se vayan a realizar.
Nota: Dado que no se medir exactamente la misma muestra, la variabilidad en las mediciones dentro de cada
grupo de la muestra estar contaminada por la variacin de las partes dentro del grupo de la muestra. Sin
embargo, esperamos que esta ltima variacin sea pequea, por la forma de seleccionar las partes.
47
Procedimientoenpruebasdestructivas
Suponga que el CTQ para un Cliente es la dureza superficial de una lmina de acero, que se
utiliza para la fabricacin de un componente de la suspensin automotriz. Se desea
desarrollar un sistema de medicin de la dureza superficial vlido y con una repetibilidad y
reproducibilidad adecuadas. Considere 3 inspectores de calidad recibo que efectan dos
mediciones de cada muestra cada uno de ellos.
Describa cmo seleccionara las muestras y cuntas de ellas:
Considere que la medicin de la dureza superficial, ya sea siguiendo el protocolo Rockwell o Brinell, consiste
en deformar la superficie metlica aplicando una fuerza constante. La medicin de la dureza est en funcin
de la deformacin sobre el metal. Por lo que esta medicin es definitivamente del tipo destructivo.
_____________________________________________
____
_____________________________________________
____
_____________________________________________
____
_____________________________________________
____
48
24
03/02/2015
AnlisisdelSistemadeMedicin
deDatosDiscretos
AnlisisdelasMedicionescondatos
tipoDiscreto
Conceptualmente se hacen los mismos anlisis de
repetibilidad y reproducibilidad que con datos tipo continuo.

Con frecuencia los datos tipo discreto surgen de
mediciones que en realidad son juicios:
Pasa no pasa;
Hay un defecto o no;
Se juzga si un servicio fue bueno o no; trato amable o no;
satisfaccin en una escala de 5 niveles; etc
En este caso consideraremos como repetibilidad el grado de

acuerdo en los juicios de un mismos evaluador o inspector
cuando juzga varias veces (el mismo atributo en) un mismo
evento.
La reproducibilidad ser la consistencia de estos juicios
entre inspectores o evaluadores.
50
25
03/02/2015
AnlisisdelasMedicionescondatostipo
Discreto
Si hubiese una forma de medir un atributo en cuestin, que
fuese altamente confiable, por ejemplo un instrumento o un
experto o un patrn, se puede medir el grado de acuerdo
de las mediciones (juicios) de los inspectores con respecto
de dicho instrumento confiable o inspector experimentado.
El grado de acuerdo en este caso sera una estimacin de la
Exactitud de las mediciones realizadas por los
inspectores.
51
Estimacindelgradodeacuerdo
Abrir el archivo titulado: Datos Atributo Gage R&R
EPM.xls
En este archivo se pueden hacer estimaciones de
consistencia RyR (Precisin de la medicin) y de la
Exactitud. Este archivo slo sirve para clculos de
consistencia de mediciones binarias: tipo pasa-no
pasa; bueno-malo; defecto-no defecto; etc.
Este archivo estima la consistencia de 2, 3 o 5
inspectores y el grado de acuerdo con el juicio de un
experto.
Idealmente, el grado de concordancia que se desea es
del 100% pero pudiera ser aceptable un 95%,
dependiendo del atributo a medir.
52
26
03/02/2015
Prctica4:
Dos enlogos novatos clasifican 40 vinos como aceptables y no aceptables

de acuerdo a su aroma. Para estimar si estos enlogos novatos emiten
juicios Repetibles, vuelven a clasificar los mismos 40 vinos una segunda
ocasin, sin conocer los nombres o procedencia de los mismos.
Hay un enlogo experto que clasifica los mismos 40 vinos.
Si emitieron un juicio de aceptable, se le asigna el nmero 1; si No
Aceptable, se le asigna el nmero 0.
Los primeros 35 datos ya se encuentran capturados en el archivo excel en
cuestin.
Capture los juicios de los ltimos 5 vinos en el archivo: GageR&R Vinos.xls.
Revisen los resultados en la parte baja del archivo.
36
37
38
39
40
Experto
No Aceptable
Aceptable
Aceptable
Aceptable
Aceptable
Operador 1
Juicio 1
Juicio 2
No Aceptable
No Aceptable
Aceptable
No Aceptable
No Aceptable
No Aceptable
Aceptable
Aceptable
Aceptable
Aceptable
Operador 2
Juicio 1
Juicio 2
No Aceptable
No Aceptable
No Aceptable
No Aceptable
Aceptable
No Aceptable
No Aceptable
No Aceptable
Aceptable
Aceptable
53
Prctica4:
1. Cul es el grado de Repetibilidad de los dos enlogos novatos?
2. Cul es el grado de Reproducibilidad de los dos enlogos
novatos?
3. Cul es la exactitud en la clasificacin del enlogo novato 1?
4. Cul es la exactitud en la clasificacin del enlogo novato 2?
5. Qu conclusiones puede extraer de esta prctica?
____________________________________________________________
____________________________________________________________
54
27
03/02/2015
Prctica4
Capture los mismos datos

en Minitab.
En: Stat/ Quality Tools /
Attribute Agreement
Analysis defina la tabla que
se analizar. Seleccione
Columnas Mltiples como se
muestra en la imagen.
Asegrese que las columnas
de los datos de cada
enlogo estn contiguas.
55
Prctica4
La salida de Minitab es la siguiente:
Attribute Agreement Analysis for Enlogo11, Enlogo12, Enlogo21, Enlogo22
Within Appraisers
Assessment Agreement
Appraiser
1
2
# Inspected
40
40
# Matched
35
37
Percent
87.50
92.50
95% CI
(73.20, 95.81)
(79.61, 98.43)
# Matched: Appraiser agrees with him/herself across trials.

Fleiss' Kappa Statistics
Appraiser
1
2
Response
0
1
0
1
Kappa
0.749844
0.749844
0.845261
0.845261
SE Kappa
0.158114
0.158114
0.158114
0.158114
Z
4.74243
4.74243
5.34590
5.34590
P(vs > 0)
0.0000
0.0000
0.0000
0.0000
Each Appraiser vs Standard
Estadstico Kappa:
Indicador del grado de acuerdo
entre varios jueces en los juicios

emitidos para las mismas
muestra en escalas nominal u
ordinal.
-1 < Kappa < +1 siendo:
-1 Completo desacuerdo
+1 Completo acuerdo
0 Azar
Generalmente se requiere que
+0.7 < Kappa; preferiblemente
+0.9 < Kappa
Appraiser
1
2
# Inspected
40
40
# Matched
28
23
Percent
70.00
57.50
95% CI
(53.47, 83.44)
(40.89, 72.96)
# Matched: Appraiser's assessment across trials agrees with the known standard.
Todas las comparaciones

entre los mismos enlogos
(Repetibilidad), son
estadsticamente
significativas.
56
28
03/02/2015
Prctica4
Continua la salida de Minitab:
Between Appraisers
# Inspected
40
# Matched
21
Percent
52.50
Semejante a la
Reproducibilidad
95% CI
(36.13, 68.49)
# Matched: All appraisers' assessments agree with each other.

Response
0
1
Kappa
0.430128
0.430128
SE Kappa
0.0645497
0.0645497
Z
6.66351
6.66351
P(vs > 0)
0.0000
0.0000
All Appraisers vs Standard

# Inspected
40
# Matched
17
Las comparaciones
entre los enlogos
(reproducibilidad), son
estadsticamente
significativas.
Estimador de la Exactitud de la
medicin
95% CI
(27.04, 59.11)
Percent
42.50
# Matched: All appraisers' assessments agree with the known standard.

Response
Kappa
SE Kappa
0
0.362925 0.0790569
1
0.362925 0.0790569
Z
4.59068
4.59068
P(vs > 0)
0.0000
0.0000
57
ValidezdeDatosNoMedibles
29
03/02/2015
Qu son los Datos No-Medibles?
Datos que se recaban directamente de personas, como pudieran

ser datos: de un censo, personales, de enfermedades previas, de
preferencias, de historial laboral, etc.
En una empresa son los datos de: Utilidades, de Costos, de

Gastos, de tasas de inters, de EBITDA, de Ventas, de
Desperdicio, de Mano de Obra Directa, de Mano de Obra Indirecta,
de Materiales Directos, de Materiales indirectos, de Facturacin,
de Cuentas por pagar, de cuentas por cobrar, Materiales en
Inventario en Almacn, Producto Terminado en Almacn PT, etc.
No son resultado de la medicin a travs de un aparato o equipo.
Validez de Datos No-Medibles

Cmo se estima la validez de los datos no
medibles?
A travs del grado de acuerdo de los datos previamente

obtenidos (mediante procedimiento usual), con nuevos datos
procedentes de alguna auditora o a travs de algn medio
alternativo o indirecto.
Se obtienen al azar muestras representativas de la poblacin:
es deseable tomar al menos 100 datos.
Los datos muestreados (obtenidos a travs del procedimiento
usual) se comparan con los valores verdaderos, obtenidos a
travs de alguna auditora u otros medios.
Se busca un porcentaje de acuerdo > 95%.

60
30
03/02/2015
Ejemplo:InventarioenAlmacndePT
Se realiz una auditora fsica en un almacn de
materiales de 230 registros diferentes en el
sistema SAP. Se encontr lo siguiente:
Materiales
Observados
230
Bienubicadosrespectode Materialesubicadosen
Materialesnolocalizados
loregistradoenSAP
posicinequivocada
171
74.3%
18
7.8%
41
17.8%
Cul es la validez de los datos registrados en el SAP? Consideran

que se cuenta con registros vlidos en el SAP?
______________________________________________________
______________________________________________________
61
Resumendeconceptos:
Antesderecopilardatos,verificarlaconfiabilidaddel sistemade
medicin.
Lasmuestrasdebencontenerpartesquecubranelrangocompletodelasmedidas
potenciales,incluyendopuntosfueradelrangoesperadodevalores.
Laresolucindelinstrumentodemedicindebesermenordel10%delrango
potencialdelamedicinesperadaodelatolerancia.
CalculelaRyR delamedicincomo%delestudiodevariacincuandolamedicin
vaaserutilizadaparatomardecisionesacercadelproceso.Tendremosuna
medicinconfiablesiesteporcentajeesmenora20%.
Calculeel%delerrordelamedicinrespectodelatoleranciacuandolamedicin
seusaparaaceptarorechazarpartes.Tendremosunamedicin
UnRyR deMedicinentre20y30%,esprovisionalmenteaceptable,perosies>
30%requieremejora.
confiablesiesteporcentajeesmenora20%.
62
31
03/02/2015
ResumendeConceptos:
ElEstudioCortoesunmtodorpidoparadeterminarRyR total:esdecir,
nosepuedediferenciarlaRepetibilidaddelaReproducibilidad.Seusa
paratenerunaprimeraaproximacinalaestimacindelerrorenla
medicin.
ProcedimientolargoqueusaelANOVAesunprocedimientomsexactoy
proporcionaunaestimacindelaRepetibilidad,Reproducibilidad,RyR
TotaleInteraccinOperador*Parte.
ElAnlisisRyR deberealizarseenlasmedicionesdelaYy delasXs
potenciales.
ElNmerodeCategorasDistintivasdebenser>4paramedicionesde
procesos.
63
Z
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
0.01
0.02
0.03
0.5000
0.4960
0.4920
0.4880
0.4602
0.4562
0.4522
0.4483
0.4207
0.4168
0.4129
0.4090
0.3821
0.3783
0.3745
0.3707
0.3446
0.3409
0.3372
0.3336
0.3085
0.3050
0.3015
0.2981
0.2743
0.2709
0.2676
0.2643
0.2420
0.2389
0.2358
0.2327
0.2119
0.2090
0.2061
0.2033
0.1841
0.1814
0.1788
0.1762
0.1587
0.1562
0.1539
0.1515
0.1357
0.1335
0.1314
0.1292
0.1151
0.1131
0.1112
0.1093
0.0968
0.0951
0.0934
0.0918
0.0808
0.0793
0.0778
0.0764
0.0668
0.0655
0.0643
0.0630
0.0548
0.0537
0.0526
0.0516
0.0446
0.0436
0.0427
0.0418
0.0359
0.0351
0.0344
0.0336
0.0287
0.0281
0.0274
0.0268
0.0228
0.0222
0.0217
0.0212
0.0179
0.0174
0.0170
0.0166
0.0139
0.0136
0.0132
0.0129
0.0107
0.0104
0.0102
0.0099
0.0082
0.0080
0.0078
0.0075
0.0062
0.0060
0.0059
0.0057
0.0047
0.0045
0.0044
0.0043
0.0035
0.0034
0.0033
0.0032
0.0026
0.0025
0.0024
0.0023
0.0019
0.0018
0.0018
0.0017
0.0013
0.0013
0.0013
0.0012
0.0010
0.0009
0.0009
0.0009
0.0007
0.0007
0.0006
0.0006
0.0005
0.0005
0.0005
0.0004
0.0003
0.0003
0.0003
0.0003
0.0002
0.0002
0.0002
0.0002
0.0002
0.0002
0.0001
0.0001
0.0001
0.0001
0.0001
0.0001
0.0001
0.0001
0.0001
0.0001
0.04
0.05
0.06
0.07
0.08
0.09
0.4840
0.4443
0.4052
0.3669
0.3300
0.2946
0.2611
0.2296
0.2005
0.1736
0.1492
0.1271
0.1075
0.0901
0.0749
0.0618
0.0505
0.0409
0.0329
0.0262
0.0207
0.0162
0.0125
0.0096
0.0073
0.0055
0.0041
0.0031
0.0023
0.0016
0.0012
0.0008
0.0006
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4801
0.4404
0.4013
0.3632
0.3264
0.2912
0.2578
0.2266
0.1977
0.1711
0.1469
0.1251
0.1056
0.0885
0.0735
0.0606
0.0495
0.0401
0.0322
0.0256
0.0202
0.0158
0.0122
0.0094
0.0071
0.0054
0.0040
0.0030
0.0022
0.0016
0.0011
0.0008
0.0006
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4761
0.4364
0.3974
0.3594
0.3228
0.2877
0.2546
0.2236
0.1949
0.1685
0.1446
0.1230
0.1038
0.0869
0.0721
0.0594
0.0485
0.0392
0.0314
0.0250
0.0197
0.0154
0.0119
0.0091
0.0069
0.0052
0.0039
0.0029
0.0021
0.0015
0.0011
0.0008
0.0006
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4721
0.4325
0.3936
0.3557
0.3192
0.2843
0.2514
0.2206
0.1922
0.1660
0.1423
0.1210
0.1020
0.0853
0.0708
0.0582
0.0475
0.0384
0.0307
0.0244
0.0192
0.0150
0.0116
0.0089
0.0068
0.0051
0.0038
0.0028
0.0021
0.0015
0.0011
0.0008
0.0005
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4681
0.4286
0.3897
0.3520
0.3156
0.2810
0.2483
0.2177
0.1894
0.1635
0.1401
0.1190
0.1003
0.0838
0.0694
0.0571
0.0465
0.0375
0.0301
0.0239
0.0188
0.0146
0.0113
0.0087
0.0066
0.0049
0.0037
0.0027
0.0020
0.0014
0.0010
0.0007
0.0005
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4641
0.4247
0.3859
0.3483
0.3121
0.2776
0.2451
0.2148
0.1867
0.1611
0.1379
0.1170
0.0985
0.0823
0.0681
0.0559
0.0455
0.0367
0.0294
0.0233
0.0183
0.0143
0.0110
0.0084
0.0064
0.0048
0.0036
0.0026
0.0019
0.0014
0.0010
0.0007
0.0005
0.0003
0.0002
0.0002
0.0001
0.0001
0.0001
Tablade
Distribucinde
ProbabilidadNormal
Estndar
1
2
f ( z)
z
e1/2 z2
f ( x)
x 2
1
1
e2
2
64
32
03/02/2015
Lnea Base del proceso
EntrenamientoparaGB
Muestreo
Variablesque
afectanunCTQ
Subgrupos
racionales
Lnea
Base
Caracterizacindelproceso
Indicadoresde
CortoPlazoyde
LargoPlazo
RuidosBlancoy
Negro
Capacidaddel
procesosegn
CEP
Zdesplazamiento
Capacidaddel
procesosegn
6Sigma
Diagramade
4Bloques
2
03/02/2015
Qu es la Lnea Base?
El estado de las variables que representan
los CTQs, antes de las mejoras propuestas
por el proyecto Seis Sigma.
Es una referencia inicial para comparar las
mejoras
Se recaban datos para realizar los
primeros anlisis
Se caracteriza el proceso en funcin de las
variables que representan los CTQs.
3
PEPSC (SIPOC) y las mediciones
El PEPSC, representa los 5 elementos que participan en el proceso de

transformacin de un producto o bien del proceso de brindar un servicio.
proveedores
entradas
proceso
salidas
clientes
Mediciones
de la
m
entrada
Mediciones
del
m
Proceso
Mediciones
de la m
salida
03/02/2015
Contexto del Proceso de Medicin
La medicin de las salidas representa el resultado de las

transformaciones de las entradas, que se realizan
deliberadamente durante el proceso.
proveedores
entradas
Variaciones en los
procesos de los
proveedores
Variaciones en las
entradas
P
proceso
Cambios
en el proceso
salidas
clientes
Voz del cliente

Voz del proceso
Grado en el que el proceso
satisface los
requerimientos del cliente.
X1, X2, X3, X4, Xn
Y
5
Relacin de las mediciones y los requerimientos

del cliente
Es importante identificar si los requerimientos del
cliente y las mediciones de las salidas del proceso se
relacionan. La siguiente matriz muestra una manera de
visualizar dicha relacin.
3 niveles de relacin se establecen: relacin fuerte,
relacin media y relacin dbil.
Relacin fuerte
Relacin media
Relacin dbil
Medicin de las salidas
Y1
Y2
Yn
Requerimientos de los clientes

CTQ1
CTQ2
CTQ3
CTQ4
.
.
.
6
03/02/2015
Prctica 1. Matriz de relaciones

Tiempo ciclo
de pago
dbil
# de facturas no
entregadas a tiempo
media
# de Facturas con
errores
fuerte
Medicin de las salidas

# Facturas
pagadas
Colocar en las celdas respectivas, el nivel de relacin que a

su juicio tienen los requerimientos del cliente con las
mediciones de salida actuales del proceso.
Nombre del proceso: Tramitacin de pago por producto o
servicio otorgado.
Nombre de la salida principal: Facturas enviadas a los
Departamentos de cuentas por pagar de los clientes.
Requerimientos de los clientes

Recibir facturas en los primeros 5 das de cada mes
Facturas libres de errores
Todos los campos de las facturas con informacin completa
03/02/2015
Muestreo
Muestreo es el procedimiento para extraer una muestra de
una poblacin. Es decir, es el procedimiento de extraer una
parte que represente el todo.
En estadstica al todo se le conoce como poblacin o
universo. A la parte se le conoce como muestra.
En el propsito del muestreo subyace el principio inductivo:
Se desea estudiar una parte del todo (muestra), para hacer
inferencias (inductivas) sobre el todo (la poblacin).
Hay tcnicas de muestreo que, con cierto grado de
certidumbre, permiten seleccionar una muestra que
represente el universo o poblacin.
Porqu Muestrear?
Porque la poblacin puede ser:
Inaccesible
Inexistente (hipottica, excluyente, futura)
Se requeriran muchos recursos para estudiar la
poblacin
Para el caso presente:
Se requiere que el muestreo contenga toda

la variabilidad existente en el proceso.
10
03/02/2015
Tipos de muestreo
Aleatorio
Utilizauncriterioaleatorio(sinsesgo)paralaseleccindelos
elementosdelamuestraapartirdelapoblacin.
Estratificado
Formacindeestratosrelativamentehomogneos.Semuestrea
aleatoriamentedentrodelosestratos.
Sistemtico
Deunlistadooenumeracindelapoblacinseseleccionacada
elementodelamuestrausandounaconstante.P.e.Cada250
partesseseleccionaunaunidadparalamuestra.
Probabilstico
Juicio
FasesMltiples
Seseleccionanaleatoriamenteestratosenprimernivel,en
seguidaotraseleccindesubestratos,yassucesivamentehasta
seleccionaraleatoriamenteunamuestra.
Cuotas
Sesubdivideporestratosyseselecciona,noaleatoriamenteuna
muestraproporcionalaltamaodelestratoenlapoblacin.
BolaNieve
Primerosmuestreados,sugierenalossegundosmuestreados
Decisinrazonada
Seleccindeloselementosdelamuestraenfuncindealgn
criteriorazonado,noaleatorio.
11
12
03/02/2015
Subgrupos Racionales
Las partes en cada Subgrupo Racional se seleccionan
lo ms cercanas, considerando el momento en que
fueron producidas. Esto con el objeto de que tengan
condiciones homogneas: es decir, (casi) las mismas
condiciones que determinan los CTQs (causas
especiales de variacin): las 6 Ms.
Esto es, dentro de cada subgrupo, cada elemento de la muestra

provendr de: Mismo lote de materiales directos, mismo lote de
materiales indirectos, poca variacin en el suministro de energa, poca

variacin de condiciones ambientales, mismo personal, con mismo nivel de
fatiga, mismas condiciones de operacin de la maquinaria o equipo, etc.
Cada subgrupo racional se forma de tal

manera que se maximice la variabilidad de
los CTQs entre subgrupos.
13
Plan de Subgrupos Racionales

1.
2.
Con ayuda del equipo de apoyo, se identifican los factores que

pudieran contribuir a la variabilidad de los CTQs en estudio. Se
utilizan las 6Ms como gua para identificar estos factores.
Se acuerda un plan de recoleccin de datos:
1.
2.
3.
Se consideran los factores anteriores para maximizar la variabilidad

entre subgrupos y minimizarla dentro de los mismos.
Se acuerda el periodo de recoleccin de los datos: necesario tomar en
cuenta los cambios de lotes, cambios de condiciones ambientales,
posibles cambios en proveedura, contrataciones de personal, etc.
Se acuerda el tamao de las muestras de cada subgrupo racional:
necesario tomar en consideracin el nivel de variabilidad bajo
condiciones externas homogneas y la posibilidad de estimar la
desviacin estndar.
14
03/02/2015
Plan de Subgrupos Racionales

cont.
3. Cuando se realiza el muestreo en subgrupos

racionales, se recomienda registrar las
condiciones de cada subgrupo, incluso de
aquellos factores que no se consideraron para el
definir el plan de muestreo.
P.e. Nombre del entrevistado o de los operadores de la mquina, nmero de la mquina, da

y hora de la entrevista, nmero de lote de la materia prima, nmero de producto que se
manufactura, condiciones de temperatura y humedad, etc.
4. Una vez recabados los datos, se recomienda

graficarlos con respecto al tiempo, para tratar de
inferir patrones de comportamiento, que
pudieran revelar posibles causas de la
variabilidad de los CTQs. Posteriormente se abundar en este tema.
15
Recomendaciones para el plan de Subgrupos

racionales
1. No altere el proceso cuando haga los muestreos y las mediciones. No trate de
introducir variabilidad al proceso. Debe dejar que el proceso corra de manera natural y
capturar la variabilidad cuando esta se presente.
2. Planee recopilar tanta variacin de Causa Especial como sea posible (entre
subgrupos, Ruido Negro). P.e.: muestree subgrupos durante diferentes turnos, con diferente
personal; antes y despus de la comida, cerca de la hora de entrada, y de la hora de salida, cuando
haya algn cambio relevante en el da de trabajo, etc.
3. Planee su muestreo de tal forma que el tamao del subgrupo no sea tan grande, para
evitar que contenga causas especiales de variacin. (Sugerencia: subgrupos de 4 a 8
partes (facturas, recibos, envos, llamadas, ect.), seleccionadas en forma secuencial durante un corto
perodo de tiempo contienen slo Ruido Blanco: causas comunes dentro del subgrupo)
4. Registre tanta informacin como le sea posible acerca del muestreo: fechas, turnos,
nombres de empleados, lnea de transporte, nombre del chofer, ruta, regin, cliente,
distribuidor, etc. Esta informacin le pudiera ayudar en la fase de Anlisis.
5. Si en los subgrupos se recolectarn datos discretos, el tamao de las muestras en los
mismos deber ser tan grande que permita identificar al menos 5 defectos o
defectuosos. P.e.: Si la probabilidad de encontrar defectuosos es de p=2%. Entonces se requerir
de una muestra de n=250 partes para encontrar 5 defectuosos (np5).
6. Tome suficientes datos para asegurarse que la lnea base se ha estabilizado.

16
03/02/2015
Subgrupos racionales
tiempo
Minimizar la variacin dentro de los subgrupos.

Maximizar la variacin entre los subgrupos.
tiempo
t1
ta
t2
tb
t3
tc
t4
td
t5
te
t6
tf
t7
tg
t8
03/02/2015
Distribucionesdentrode
subgrupos
tiempo
t1
ta
t2
tb
t3
tc
t4
td
t5
te
t6
tf
t7
tg
t8
Grficas para entender la

variacin
variacin para un
periodo de tiempo
tipos de datos
variacin
sobre el tiempo
discretos
continuos
Diagrama Pareto
Grficas de barras
Grfico de pastel
Histogramas/
diagramas de
frecuencia
Grfica de puntos
(Scatter plot)
Grficas de cajas
Grficas multi-vari
Grfica de rachas
Grfica de control
grfico-p
grfico-c
grfico-u
mediciones
individuales
Grfica de rachas
Grfica de control
mediciones
individuales
grfico x-r
20
10
03/02/2015
AnlisisdelaLneaBase
EntrenamientoparaGB
MapaConceptual
SecuentaconlosdatosdelaLnea
Baseysehancalculado:Zcp,Zlp,
Zdesp ysehaelaboradoeldiagrama
de4bloques
DatosContinuos
DatosDiscretos
Sehacepruebade
Normalidaddelos
Datos.
Setransformanlos
datosparalograr
normalidad
Indicadoresde
CortoPlazoyde
LargoPlazo
RuidosBlancoy
Negro
Capacidaddel
procesosegn
CEP
Capacidaddel
procesosegn
6Sigma
2.4AnlisisdelaLneaBase
Z
desplazamiento
Diagramade4
Bloques
03/02/2015
AnlisisdelaLneaBase
Porqu se desea analizar la lnea base?
Para entender de qu tipo son las

oportunidades de mejora del proceso en
estudio:
Tiene capacidad potencial el proceso? Su diseo o

tecnologa tiene capacidad para proveer al cliente lo
que requiere?
Se tiene buen control del proceso?
Se requiere centrar el proceso en el valor Nominal?
Se requiere disminuir su dispersin a largo plazo?
Cules pudieran ser las metas del proceso si

se ejecuta un proyecto Seis
Sigma?:ambiciosas y razonables!
LosdatosdelaLneaBasesonNormales?
La primera pregunta que nos hacemos es: si
los datos de la Lnea Base se comportan como
una distribucin de probabilidad Normal:
Porqu es importante que sean Normales?
Porque si han Normalidad, podemos inferir que hay
ciertos comportamientos del proceso, que son de
nuestro inters identificar (se ver ms adelante).
Porque una gran parte de la estadstica inferencial se
basa en el comportamiento Normal.
El clculo de los valores Z implica que haya un
comportamiento Normal ( ~N)
03/02/2015
PruebadeNormalidad
Summary for Dimtero
En el programa Minitab se
hacen las siguientes
selecciones: Stat/Basic
Statistics/ Graphical
summary.
Se despliega la siguiente
grfica
A nderson-Darling Normality Test
Se presenta el resultado de
una prueba de normalidad
de Anderson-Darling. La
interpretacin del valor de p
es la siguiente:
Si p< 0.05 concluimos que
los datos no son normales
Si p> 0.05 no podemos
concluir que los datos no
sean normales
En este ejemplo, la p> 0.05,
por lo que no podemos
concluir que los datos no
sean Normales.
-3
-2
-1
A -Squared
P -V alue
0.39
0.386
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
0.00829
0.94111
0.88568
-0.195436
-0.094901
500
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
-2.94273
-0.62094
0.03461
0.68744
2.57035
95% C onfidence Interv al for M ean

-0.07440
0.09098
95% C onfidence Interv al for M edian

-0.07040
0.13707
95% C onfidence Interv al for StDev

9 5 % C onfidence Intervals
0.88617
1.00336
Mean
Median
-0.10
-0.05
0.00
0.05
0.10
0.15
QupasacuandolosdatossonNoNormales?
Summary for Tiempo
A nderson-D arling N ormality Test
En el ejemplo, el valor de
p < 0.05, por lo tanto,
concluimos que los datos no
tienen un comportamiento
de tipo Normal.
3.6
7.2
10.8
14.4
18.0
A -S quared
P -V alue <
33.76
0.005
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
2.9520
2.4400
5.9536
2.00140
5.36907
500
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
1.0000
1.0000
2.0000
4.0000
18.0000

2.7376
3.1664

2.0000
2.0000
95% C onfidence Interv al for S tDev

9 5 % C onfidence Inter vals
2.2976
2.6014
Mean
Median
2.0
2.2
2.4
2.6
2.8
3.0
3.2
1. Preguntarnos si tenemos suficientes datos en la Lnea Base. Pocos datos,

pueden brindar pruebas Anderson Darling no consistentes.
2. Indagar si existen causas especiales (ruido negro) que est afectando la
Normalidad.
3. Transformar los datos para intentar convertirlos en una nueva variable con
comportamiento Normal.
03/02/2015
QuhacercuandolosdatossonNoNormales?
Son
Normales los
datos de la
Lnea Base?
SI
Continua con la
caracterizacin del
proceso
Opciones No
Paramtricas
NO
Tienen
suficien
-tes
datos?
NO
SI
Los
datos
tienen
problem
as?
Hay ruido
NO
negro que
cause no
normalidad?
NO
SI
SI
Tomar ms datos
para la Lnea Base
Trabaja para
eliminarlos
Trabaja para
eliminar el
ruido negro
Transforma los
datos para hacerlos
Normales
Tienen suficientes datos?

Si hay relativamente pocos datos la prueba de AndersonDarling puede no arrojar resultados consistentes.
Hay que hacer prueba de Anderson-Darling cuando se
cuente con 10 subgrupos racionales, si no se encuentra
normalidad, recabar ms subgrupos racionales y repetir la
prueba una o dos veces ms.
Por ejemplo: si generamos 6 veces 20 datos aleatorios Normales, los valores p de

una prueba Anderson Darling son los siguientes: 0.298, 0.805, 0.754, 0.937, 0.035 y
0.891. Se observa que una vez se rechaza la Normalidad de los datos.
03/02/2015
Losdatostienenproblemas?
Correr la siguiente seleccin en Minitab: Stat/Basic Statistics/ Display
descriptive statistics
Algunos datos pueden estar registrados incorrectamente: revisar
mximos y mnimos, N y medias, en la ventana Sesin.
La presencia de una distribucin bimodal puede ser indicativo de que

se tienen dos distribuciones en vez de una sola. Revisar las grficas
de barras de los datos.
El instrumento de medicin puede ser que no tenga la resolucin

adecuada para hacer distinciones finas en los datos. En la grfica de
barras se observarn pocos grupos de datos, es decir, pocas barras.
Variables que de forma natural no pueden ser normales por estar

acotados slo a valores positivos y cercanos al cero, p.e. datos de
tiempo, planicidad, elasticidad, deformacin, etc. Ver la grfica de
barras.
Hay ruido negro que cause no

normalidad?
Recordemos que el ruido negro en el CEP, es
tambin conocido como causas especiales o
atribuibles.
Las causas especiales provocan variacin extra en
el proceso que pueden mostrar patrones en los
datos. Se sugiere se haga una grfica de series
de tiempo en Minitab: Graph/Time Series Plot, y
revisar para detectar la posible presencia de
patrones.
10
03/02/2015
Transformarlosdatoscontinuos
Si la no normalidad de los datos persiste,
entonces una alternativa es la transformacin de
los mismos para lograr la normalidad de los datos
transformados.
Las transformaciones ms usadas:
El logaritmo de los datos originales: Y2= LN (Y1)

Elevar los datos a alguna potencia, que puede ser
fraccionaria, positiva o negativa: p.e. Y2 = (Y1)
Obtener el recproco de los datos originales: Y2 = 1/Y1
Nota: Siempre debern transformar las especificaciones, de la misma forma en que

se transformaron los datos. Tenga cuidado de que los lmites de especificacin se
puedan invertir con la transformacin. Es decir, que el LSE se cambie a LIE y
viceversa.
11
Paratransformarlosdatoscontinuos
Minitab cuenta con una funcin para facilitar la transformacin de los datos:
Stat/Control Charts/Box Cox Transformation. Esta funcin nos arroja la siguiente
grfica.
La sugerencia es utilizar algn valor de que se encuentre dentro del intervalo
de confianza. Observe que dependiendo del valor de que se utilice para la
transformacin, ser la desviacin estndar de la Y transformada.
Minitab transforma los datos con

la estimada, es decir, con la que
minimiza la : En este ejemplo, es
de 0.225.
Y2 = Y1 = Y10.225
Nota: Cuando =0; Y2 = LN(Y1)
12
03/02/2015
Ejemplo:Transformacindedatos
Un CTQ para el Cliente de un producto es la planicidad de una superficie. La
especificacin es LSE = 5. Los datos que se muestran a continuacin corresponden a la
planicidad de la superficie de dicha pieza. Compruebe la Normalidad de los datos: si no
es normal, transfrmelos y transforme la especificacin.
Planicidad
2.50834
1.03667
9.43275
2.29262
2.46300
3.97976
3.34789
1.19505
1.84770
4.68151
0.42259
1.32914
2.22766
1.66507
8.65292
5.68595
2.69418
7.78219
2.71844
0.43154
3.73116
1.77002
0.13772
1.23037
9.64758
3.34102
2.26029
6.07401
3.95039
1.22795
2.68848
3.47215
1.29825
0.76327
1.46147
7.08828
8.97631
1.32058
4.71895
1.57770
Summary for Planicidad

A nderson-D arling Normality Test
A -S quared
P -V alue <
2.03
0.005
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
3.3283
2.6487
7.0155
1.16210
0.37861
40
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
10
Como se podra
esperar, la Planicidad
no es Normal:
p< 0.05
0.1377
1.3227
2.4857
4.5061
9.6476

2.4812
4.1754

1.7082
3.4211

2.1697
3.4010
Mean
Median
2.0
2.5
3.0
3.5
4.0
4.5
13
cont
Dado que los datos no son Normales, los transformamos
a travs del valor de sugerido por Box-Cox.
Box-Cox Plot of Planicidad
Lower CL
Upper CL
Lambda
(using 95.0% confidence)

Estimate
Lower CL
Upper CL
StDev
Rounded Value
0.21
-0.11
0.59
0.00
5
4
3
Limit
2
-1
1
Lambda
14
03/02/2015
cont
Hacemos una prueba de Normalidad Anderson-Darling a los datos recin
transformados y se obtiene una p = 0.640, por lo que concluimos que no
podemos rechazar que no sean Normales: Es decir, los consideraremos como
Normalmente distribuidos.
Summary for C4
A nderson-D arling Normality Test
0.8
1.0
1.2
1.4
A -S quared
P -V alue
0.28
0.640
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
1.2195
0.2218
0.0492
-0.123898
-0.054553
40
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
1.6
0.6595
1.0605
1.2107
1.3713
1.6096

1.1486
Ahora transformamos
el lmite Superior de
Especificacin, que
originalmente era de
5.
LSE2 = 50.21 = 1.402
1.2905

1.1189
1.2947

0.1817
0.2848
Mean
Median
1.10
1.15
1.20
1.25
1.30
15
Una vez que se ha asegurado la

Normalidad de los Datos, se procede a
hacer la Caracterizacin de los mismos.
Que tambin se expresa como la
caracterizacin del proceso
16
03/02/2015
17
CortoPlazoenlaLneaBase
t1
Distribuciones dentro de cada subgrupo

racional.
Se centra cada una de las distribuciones
en el valor nominal.
Se obtiene un valor medio (pooled) de las
desviaciones estndar de todos los
subgrupos.
x )
n * m 1
j m i n
scp sst
(x
j 1 i 1
ta
t2
tb
t3
tc
t4
td
A esta desviacin estndar media se le

conoce como de corto plazo (cp o st)
t5
te
t6
Nominal
18
03/02/2015
DistribucindeCortoPlazo
Representa la variabilidad nicamente de las causas

comunes de variacin. Esto es as, porque se aislaron las
causas especiales, al seleccionar los elementos de los subgrupos
racionales muy cercanos en el tiempo.
Consideramos la distribucin
de corto plazo centrada en el
valor nominal, por lo que la
capacidad del proceso es el
valor de Z, de la media a
alguno de los lmites. Es decir,
el nmero de scp de la media a
alguno de los lmites.
scp
Zcp
LIE
Nominal
LSE
19
DistribucindeCortoPlazo:causascomunes
La variacin debida a causas comunes
Siempre est presente en todo proceso.

Tambin se le conoce como ruido blanco.
Depende de la tecnologa con la que se dise el proceso.
Representa lo mejor que puede llegar a ser el proceso.
Zcp = Tolerancia /(2 * scp)
Zcp es un indicador de la capacidad del

proceso a corto plazo en Seis Sigma
La capacidad del proceso se estima con el

indicador Cp en el Control Estadstico del Proceso
Zcp
LIE
scp
Nominal
LSE
Cp = Tolerancia /(6 * scp)

Zcp = 3* Cp
20
10
03/02/2015
Ejemplo:capacidaddecortoplazoinsuficiente
En un almacn de Materia Prima (AMP) se cuenta con pistolas de

radiofrecuencia para dar de baja del inventario cuando se retira un
material y dar de alta un producto, con su ubicacin, cuando se introduce
un material al AMP.
Al realizar un inventario en el AMP se encuentra que hay una
confiabilidad de 64%.
Al indagar las causas de tan baja confiabilidad, nos percatamos que
muchos de las altas y bajas del inventario no se hacen mediante la lectura
de cdigos de barras de los materiales ni de las locaciones, sino que se
capturan los cdigos manualmente y se generan muchos errores de esta
manera.
Unas de las razones es que la seal de radiofrecuencia no cubre todos los
pasillos del AMP, y algunos de los cdigos de barras de las ubicaciones son
ilegibles.
Las condiciones del proceso reducen el nivel de tecnologa del mismo y la
Zcp es muy pequea. Se cambia el proceso para que siempre se puedan
utilizar las pistolas lectoras de los cdigos de barras con radiofrecuencia y
dar de alta y baja los materiales del registro de inventarios.
21
Distribucindelargoplazo
Nominal
t1
Se obtiene una distribucin que considera

toda la variabilidad del proceso
Incluye tanto la variabilidad dentro de los
subgrupos, como la variabilidad entre
subgrupos.
ta
t2
tb
j m i n
(xj
j 1 i 1
x)
tc
n * m 1
t3
slp slt
t4
A esta desviacin estndar se le conoce

como de largo plazo (lp o lt)
j m
slp slt
x) ( x x )
m 1
n * m 1
(x
j 1
Variabilidad
entre
subgrupos
j m in
j 1 i 1
ji
Variabilidad
dentrode
subgrupos
td
t5
2
te
t6
Tiempo
22
11
03/02/2015
DistribucindeLargoPlazo
Representa la variabilidad de las causas
comunes, as como de las causas especiales.
Distribucindelargo
plazodescentrada
La distribucin de largo plazo

no necesariamente est
centrada en el valor nominal.
Slp Scp
Zlp Zcp
Iguales slo cuando no hay
variacin debida a causas
especiales.
Desv.Estd.delargoplazo
Zdelargoplazo
slp
Zlp
LIE
Nominal
LSE
Zlp esunindicadordelacapacidaddelprocesoalargoplazo
23
Causasespecialesdevariacin
La variacin debida a causas especiales (o atribuibles) es

provocada por condiciones especiales, externas al proceso.
Estas condiciones de variacin se pueden atribuir a algn factor
relacionado con las 6Ms.
Tambin se les conoce como Ruido Negro.
Zlp es un indicador del desempeo del proceso vs. lo

especificado por el Cliente.
No se puede establecer una relacin de correspondencia entre Zlp y Cpk

debido a que para su clculo el primero utiliza la slp y el segundo la scp.
Sin embargo, s se pueden relacionar Zlp y Ppk, ya que ambos indicadores
se calculan con la slp.
Zlp = LE-
slp
Ppk = LE-
3slp
Zlp = 3* Ppk
24
12
03/02/2015
ControldelProceso:ZdeDesplazamiento
Definicin:
Zdesplazamiento = Zshift =Zcp - Zlp
Zdesplazamiento --- representa la capacidad de controlar la

tecnologa del proceso
Si la Zdesp>1.5 quiere decir que se tiene un pobre control del

proceso y que las causas externas, (especiales, atribuibles),
tienen gran efecto en el proceso.
Por el contrario, si la Zdesp1.5 se tiene un buen control del

proceso.
Si no se cuenta con datos suficientes, cautelosamente se puede

suponer que la Zdesp1.5
25
Caracterizacindelalneabase
Zdesp
Mal
Cuatro Bloques
6.0
5.0
Control
4.0
Mal Control-Pobre Tecnologa
Mal ControlBuena
Tecnologa
Buen Control-Mala Tecnologa
Buen ControlBuena
Tecnologa
3.0
2.0
1.5
1.0
Zcp
Buen
0
Mala
1.0
2.0
3.0
Tecnologa
4.0
4.5
5.0
6.0
Buena
LocalizarlaL.B.conunpuntoenlagrficadecuatrocuadrantes
26
13
03/02/2015
Interpretacin
Siempre es deseable tener un proceso en el cuadrante verde:
con buen control y buena tecnologa.
Los proyectos 6 Sigma son para mover los procesos de los
cuadrantes amarillos y rojo hacia el verde.
Un proceso con Zcp < 4.5 requiere ser rediseado, modificar su
tecnologa, para incrementar Zcp > 4.5
Un proceso con Zdesp > 1.5 requiere ser centrado o disminuir o
eliminar las causas de variacin especiales (atribuibles).
Zdesp
Mal 6.0
Control
5.0
4.0
Mal Control-Pobre Tecnologa
Mal ControlBuena
Tecnologa
Buen Control-Mala Tecnologa
Buen ControlBuena
Tecnologa
3.0
2.0
1.5
1.0
Zcp
Buen
Mala
1.0
2.0
3.0
4.0
4.5
5.0
Tecnologa
6.0
Buena
27
Process Capability of Y1, ..., Y4

LSL
USL
W ithin
Ov erall
P rocess Data
LS L
15
Target
*
USL
22
S ample M ean
19.7733
S ample N
800
S tD ev (Within)
3.00234
S tD ev (O v erall) 3.04789
Ejemplode
lneabase:
P otential (Within) C apability

Cp
0.39
C P L 0.53
C P U 0.25
C pk
0.25
O v erall C apability
Pp
PPL
PPU
P pk
C pm
alturadevanado
9
O bserv ed P erformance
P P M < LS L
65000.00
P P M > U S L 223750.00
P P M Total
288750.00
Exp.
PPM
PPM
PPM
12
15
Within P erformance
< LS L
55934.27
> U S L 229144.67
Total
285078.94
18
21
24
0.38
0.52
0.24
0.24
*
27
Exp. O v erall P erformance

P P M < LS L
58664.04
P P M > U S L 232517.46
P P M Total
291181.51
Zdesp
Zcp= 3*Cp = 3*0.39 = 1.17

Zlp= 3*PPk = 3*0.24 = 0.72
Zdesp = Zcp - Zlp = 1.17 - 0.72 = 0.45
Mal
6.0
Control
5.0
4.0
Cul es la conclusin?
3.0
2.0
Mala tecnologa y buen control:

proceso descentrado
1.5
1.0
Buen
0
Mala
1.0
2.0
3.0
4.0
Tecnologa
4.5
5.0
6.0
Buena
Zcp
28
14
03/02/2015
Process Capability of Densidad

LSL
Target
USL
Within
Overall
P rocess Data
LS L
22
Target
24.5
USL
27
S ample Mean
22.461
S ample N
305
S tD ev (Within) 1.25645
S tD ev (O v erall) 1.64051
Ejemplode
lneabase:

Z.Bench 0.37
Z.LS L
0.37
Z.U S L
3.61
C pk
0.12
Z.Bench
Z.LS L
Z.U S L
P pk
C pm
Densidad
18.0
P PM < LS L 383606.56
P PM > U S L
0.00
P PM Total
383606.56
Zdesp
Exp.
PPM
PPM
PPM
19.5
21.0
Within P erformance
< LS L 356834.49
> U SL
151.61
Total
356986.10
22.5
24.0
25.5
0.27
0.28
2.77
0.09
0.32
27.0
Exp. O v erall P erformance

PP M < LS L 389343.69
PP M > U S L
2830.50
PP M Total
392174.20
Mal 6.0
Zcp = 5/(2*1.25645) = 1.99

Zlp = 3* PPk = 3* 0.09 = 0.27
Control
5.0
4.0
3.0
Zdesp = Zcp - Zlp = 1.99 0.27 = 1.72
2.0
1.5
Cul es la conclusin?
1.0
Buen
0
Mala
1.0
2.0
3.0
4.0
4.5
5.0
Tecnologa
Mal control y mala tecnologa: desplazar

para lograr mayor densidad
Zcp
6.0
Buena
29
EjemplodeanlisisdeLneaBase
Existe una medida en una parte que el Cliente considera como CTQ. Se trata de un
claro (gap). El cliente tiene como meta nominal 9.25 mm y lmites de especificacin
de 6 y 12.5 mm. Los datos de 30 subgrupos racionales (de tamao 4) se
encuentran en el archivo Anlisis LB.MPJ . Realizar el anlisis de dicha lnea base.
Summary for Claro
1 Se confirma que los

datos sean normales
corriendo un anlisis de
estadstica descriptiva
de los datos.
Dado que p = 0.372 NO
se rechaza que la
distribucin sea NO
normal. Por lo que la
consideraremos como
Normal.
A nderson-Darling N ormality Test
6.0
7.5
9.0
10.5
12.0
A -S quared
P -V alue
0.39
0.372
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
10.588
1.602
2.566
-0.230447
-0.358034
120
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
13.5
6.060
9.567
10.675
12.010
14.110

10.298
10.877

10.166
10.982

1.422
1.835
Mean
Median
30
10.2
10.4
10.6
10.8
11.0
15
03/02/2015
2 Se hace un anlisis de capacidad del proceso considerando que los datos se comportan como
Normales.
Stat / Quality Tools / Capability Analysis / Normal
Seleccionar
31
Ejemplode
anlisisde
LneaBase
Process Capability of Claro

LSL
USL
Within
Ov erall
P rocess D ata
LSL
6
Target
*
USL
12.5
S ample M ean
10.5877
S ample N
120
S tDev (Within)
1.40971
S tDev (O v erall) 1.60194

Cp
0.77
C P L 1.08
C P U 0.45
C pk 0.45
Pp
PPL
PPU
P pk
C pm
6.0
P P M < LS L
0.00
P P M > U S L 108333.33
P P M Total
108333.33
7.5
9.0
E xp. Within P erformance

P P M < LSL
568.17
P P M > U S L 87472.19
P P M Total
88040.36
10.5
12.0
0.68
0.95
0.40
0.40
*
13.5
E xp. O v erall P erformance

P P M < LS L
2092.52
P P M > U S L 116296.35
P P M Total
118388.87
3 Se calculan los valores de las Zcp, Zlp y Zdesp.

Zcp = Tolerancia /(2 * scp) = 6.5 /(2*1.40971)= 2.305
Clculo alternativo: Zcp = 3*Cp = 3*0.77 = 2.31
Zlp = LE- x /
slp =12.5- 10.5877/1.60531=1.191
Zdesp = ZcpZlp = 2.3-1.2 = 1.19
Clculo alternativo: Zlp = 3* Ppk = 3* 0.40 = 1.2
32
16
03/02/2015
4 Se interpretan los resultados:
Zdesp
Mal 6.0
Control
5.0
4.0
3.0
2.0
1.5
1.0
Buen
0
Mala
1.0
2.0
3.0
4.0
Tecnologa
4.5
5.0
6.0
Buena
Zcp
Se cuenta con un buen control del

proceso (Zdesp=1.2);
Sin embargo, no tiene buena
tecnologa, es decir, buena capacidad
potencial (Zcp=2.31). La variacin del
proceso es muy grande respecto de
los lmites de especificacin, por lo
que se tiene que trabajar para
disminuirla.
Adems convendra centrar el proceso,
es decir, acercar su media al valor
nominal = 9.25, ya que de esta forma
se disminuira sus ppm totales, que
son de 108,333
Obsrvese que los defectos del
proceso slo se encuentran en valores
mayores que el LSE. Cmo se
deberan calcular la Zlp y la Zdesp si
hubiesen defectos por ambos lmites
de especificacin?
33
34
17
03/02/2015
ZCompuesta(Bench)
Para considerar de manera compuesta o simultnea los defectos a ambos

lados de los lmites de especificacin, se ha desarrollado el concepto de Z
Compuesta o en ingls Bench.
LIE
Zlp=1.88
Zlp=1.48
LSE
0.07
0.03
Nominal
Tolerancia
0.10
Con propsitos descriptivos y de

comparacin, se considera como
si todos los defectos estuviesen
de un solo lado
Zlpcomp=1.285
35
Prctica1:ZComparacinoBench
Para el ejercicio anterior, calcule las Z
compuesta o bench del proceso tanto para
el corto como para el largo plazos.
36
18
03/02/2015
Prctica2:MedicinyAnlisisdeLneaBase
En equipo de 4 o 5 personas realizar una lnea base de la variable continua:
distancia de lanzamiento del proyectil. Esta distancia se medir a partir de
la base de la catapulta hasta el primer impacto del proyectil en el piso medida
en centmetros. Las especificaciones son de 120 15 cms.
1.
2.
3.
4.
5.
6.
7.
8.
9.
Definir el procedimiento estndar para el lanzamiento

Definir el procedimiento estndar para la medicin de la distancia
Hacer un anlisis de Repetibilidad y Reproducibilidad
Mejorar el sistema de medicin hasta lograr tomar decisiones, tanto
respecto de la tolerancia, como del proceso.
Hacer un plan de subgrupos racionales
Recabar los datos
Hacer el anlisis de la lnea base
Caracterizar el proceso.
Qu se necesitara hacer para mejorar el proceso y cumplir con las
especificaciones de lanzamiento de los proyectiles?
Nota: No se modifiquen las condiciones de la catapulta ni de los proyectiles para este

ejercicio.
37
38
19
03/02/2015
Recordemos:IndicadoresDiscretos
p = nmero de partes defectuosas /nmero total de partes producidas
ppm =nmero de partes defectuosas por cada milln de partes producidas

= p * 1,000,000
DPO (Tasas de Defectos por Oportunidad) = nmero de defectos encontrados

nmero de oportunidades totales
DPMO = nmero de defectos por cada milln de oportunidades= DPO*1,000,000
DPU (Tasa de Defectos por Unidad) =
nmero de defectos encontrados

.
nmero total de unidades producidas.
Defecto:atributoquenocumpleconlaespecificacindelCliente
Defectuoso:producto,objetoopartequetieneunoomsdefectos
39
RendimientoCombinadodelProcesoYRT
La tasa de partes o productos que pasan a travs
del proceso, sin que se desechen o se retrabajen,
y que cumplen con los requerimientos del Cliente.
Una medida combinada de la calidad de todo el
proceso, no slo la tasa de productos buenos a la
salida del proceso, como es el Rendimiento YFT.
Conocida tambin como RTY (Rolled Throughput
Yield).
40
20
03/02/2015
Efectosgeomtricosenlacalidad
Supongamossetieneel95%decalidadencadaunadelasoperacionesdeunproceso
decuatropasos:laminacin,impresin,corteyengomado.
1000
lamina
cin
950
defectuosos 50
impre
sin
48
902
corte
857
45
engo
mado
814
43
Sinosedesechanlosdefectuosos,alclientelellegaran=(0.95)4 =.95*.95*.95*.95
=0.814
81%deproductososerviciossatisfactorios
19%dedefectos
ElRendimientoCombinadodelProceso=YRT=81.4%
41
ClculodelYRT
En un proceso en serie, YRT se calcula a travs del
producto de sus rendimientos individuales de
cada paso.
YRT = Y1*Y2*Y3* *Yn

En procesos con secuencias de pasos en paralelo
se hacen ponderaciones para el clculo del YRT.
Seleccionar un criterio de ponderacin adecuado
42
21
03/02/2015
EjemplosdeclculodelYRT
87%
84%
Fabricacin
98%
Acabados
Ensamble
99%
Empaque
99%
Envo
93%
Inspeccin
Recibo
Elrendimientocombinadodelprocesoes:
YRT =0.87*0.84*0.98*0.99*0.99=0.7019=70.19%
ElClientehizounainspeccinreciboal100%delosproductos
recibidosydetectqueel93%destosfueronconformesconsus
especificaciones,porloquelacalidadpercibidaporelClientees
YFT=93%.
43
C
84%
C
87%
Acabados
Fabricacin
Lavado
Soldado
98%
99.6%
95%
Troque
lado
93%
Deca
pado
99%
Hornea
do
Esmal
tado
Ensamble
97.7%
86%
99.7%
Empaque
C
99%
93%
Envo
Inspeccin
Recibo
Transpor 99.5%
tacin
Almace
naje
99.5%
ClculodeYRT desubprocesos.
YRTFab =.99*.93*.95*.997=87%
YRTAcab =.977*.86=84%
YRTEnvo=.995*.995=99%
HubiramosobtenidoelmismoresultadoparaelRendimientoCombinadode
todoelprocesosihubisemosmultiplicadotodoslossubprocesosYRT
YRT =.99*.93*.95*.996*.977*.86*.98*.997*.995*.995=70.8%
44
22
03/02/2015
Acabado:
Fabricacin
Productos:
A10%Y=0.73
B50%Y=0.92
C40%Y=0.843
87%
Esmaltado
35%de
partesY=
0.743
Ensamble
Empaque
Envo
Inspeccin
Recibo
Pintura65%
Y=0.892
84%
98%
99%
99%
En subprocesos con trayectorias paralelas, se

pondera el rendimiento:
YRT Fab = (0.10*.73)+(0.5*0.92)+(0.40*0.843) =
87%
YRT Acab = (0.35*0.743)+(0.65*0.892) = 84%
45
AproximacinPoissonparaelclculodeYRT
Cuando se cuenta con la tasa de defectos de un proceso (DPU), se puede utilizar
la distribucin de probabilidad Poisson para calcular de manera aproximada la YRT
Distribucin Poisson:
Se cuenta con un lote con muchas partes y hay DPU tasa de defectos, se extraen N
partes: la distribucin de probabilidad de Poisson hace referencia a la probabilidad
de extraer r defectos. Su expresin matemtica es la siguiente:
Pr(r defectos en N partes seleccionadas) = (DPU)r
e DPU
r!
En este caso N = Nmero de pasos del proceso
DPU = tasa de defectos en todo el proceso
Para calcular YRT la r debiera ser 0.
Pr(0 defectos en N pasos) = (DPU)0
e DPU
=e
DPU
YRT
0!
Ejemplo: un proceso que tiene DPU = 0.3415 tiene una YRT
e DPU = e 0.3415 =0.7107

46
23
03/02/2015
RendimientoNormalizadodelProcesoYNA
La tasa YRT ser menor, conforme el proceso tenga mayor nmero de

pasos.
Un proceso con 10 pasos, cada uno con un rendimiento de 99%,
tiene un rendimiento combinado de: YRT = 0.9910 = 90.44%
Si tuviese 20 pasos YRT = 0.9920 = 81.79%
Si tuviese 40 pasos YRT = 0.9940 = 66.90%
A mayor nmero de pasos en el proceso, menor rendimiento
47
RendimientoNormalizadodelProcesoYNA
Cmo podemos comparar el rendimiento de procesos diferentes?
Con el indicador llamado: Rendimiento Normalizado del Proceso
YNA = Es una especie de promedio de rendimiento de cada paso del

proceso.
YNA = (YRT)1/N Donde N = nmero de oportunidades o pasos del proceso
87%
84%
98%
Fabri
cacin
Acaba
dos
Ensam
ble
93.17%
93.17%
93.17%
99%
Empa
que
93.17%
99%=YRT =70.19%
Envo
93.17%
YNA = (YRT)1/N =(.7019) 1/5= 93.17%
=>YRT =(0.9317)5 =70.19%
48
24
03/02/2015
ValoresZyelYNA
Los valores Z del proceso se calculan a partir de los valores de Rendimiento
Normalizado del proceso. Es decir, de los valores de rendimiento promedio de cada
paso del proceso.
En el ejemplo anterior, el rendimiento normalizado es de YNA = 93.17%

La probabilidad de defectos = 1-0.9317 = 0.0683
Equivale a Z = 1.49
La Z es de largo o corto plazos?
Los datos de una Lnea Base siempre debieran ser de largo plazo, puesto que se muestrea
en subgrupos racionales para capturar toda la variabilidad del proceso. Si la Z es
calculada con datos de largo plazo, la Z ser de largo plazo tambin.
0.0683
Z =1.49
49
Ejemplo:ClculodelRendimientoNormalizadodelProcesoYNA
Qu subproceso tiene mejor rendimiento? Fabricacin o Acabados?
Dado que Fabricacin tiene 4 pasos y Acabados slo 2, calculamos los

Rendimientos Normalizados de ambos subprocesos y los
comparamos.
Fabricacin YRT Fab = 87%

YNA Fab = (YRT)1/N =(.87) 1/4= 96.58%
Acabados YRT Acab = 84%
YNA Acab = (YRT)1/N =(.84) 1/2= 91.65%
Z (0.0342) = 1.82
Z (0.0835) = 1.38
Definitivamente Fabricacin tiene mejor Rendimiento que Acabados.
50
25
03/02/2015
Presentacingrficaparadatosdiscretos
Abrir archivo Excel Tabla Desempeo Producto.xls en la pestaa Tabla y capturar los datos
tal y como se describe en el procedimiento incluido en el archivo. Consultar la tabla
de probabilidades de la distribucin Normal Estndar y capturar los datos en la tabla
de Excel.
Consultar los valores Z calculados en la tabla y los grficos que se generan en las
pestaas adjuntas.
Desempeo del Producto o Subproceso
Partes Defectuosas
Defectos
Partes
Defectuosas
Total
OportuniOportunidades
dades
ZLP
ZCP
Compuesta
Compuesta
Caracterstica o
Subproceso
Defectos
Fabricacin
420
130
1,000
7,000
0.420
0.0600
130,000
1.5
1.126391 2.626391
Acabados
307
160
1,000
3,000
0.307
0.1023
160,000
1.5
0.994458 2.494458
Ensamble
61
20
1,000
4,000
0.061
0.0153
20,000
1.5
2.053749 3.553749
Empaque
12
10
1,000
2,000
0.012
0.0060
10,000
1.5
2.326348 3.826348
Envo
18
10
1,000
3,000
0.018
0.0060
10,000
1.5
2.326348 3.826348
Total
818
330
1,000
0.0431
330,000
1.5
Unidades
19,000
DPU
DPO
0.818
PPM
Z desp
0.44
1.94
EstatablamuestralosvaloresZcalculadosconbaseenlosPPM'sdepartesdefectuosas.Silosdatosdedefectuosas
esdelargoplazo,selesumalaZdesp paraestimarlaZdecortoplazo.
51
Prctica3:ClculodelosRendimientosCombinadoyNormalizado
Calcular el Rendimiento Combinado del proceso que se muestra a continuacin.

Determinar cul subproceso tiene menor rendimiento, para enfocar proyectos 6 sigma.
Cul subproceso tiene mejor rendimiento? Calcule los valores Z de cada subproceso.
Cargar
Ordenen
Sistema
Levantar
Pedido
Recabar
firma 99%
Cliente
Tecleado
en
97.5%
Sistema
Llenado 96%
formato
Consulta 96.9%
nmeros
de
Producto
Revisin
Inventario
del Cliente
97%
Comprasde
Materiales
93%
4pasosdelproceso
decompras
Produccin
15pasosdel
procesode
Produccin.
Productosy
Rendimientos:
A15% Y=78%
B24% Y=82%
C58% Y=85%
D3% Y=91%
Envoal
Cliente
Empaque
Etique
tado
Embalaje
Empaque
99.5%
99.5%
Transpor 99.5%
tacin
Almace
naje
98.5%
97%
Facturacin
98%
2pasosdelproceso
defacturacin
52
26
03/02/2015
Prctica4:Cartasenprocesoenserie
1.
2.
3.
Se tiene un proceso de tres pasos, representados por tres hojas tamao carta. Las hojas se colocan
en el piso en serie, una despus de la otra.
Se forma un equipo de 5 personas entre los que se selecciona a tres tiradores de cartas, un
inspector y un contador. Se les entrega un mazo de cartas.
El 1er tirador de cartas lanza 10 cartas, de una en una, hacia el primer paso del proceso (la primera
hoja). El inspector determina:
a. Cules cartas cayeron fuera de la hoja y las retira
b. Cules cayeron totalmente dentro de la hoja y las deja
c. Cules tocan la hoja y tocan el piso simultneamente y las retira. Comunica su fallo al resto del equipo.
4.
5.
6.
7.
8.
Las que estn completamente sobre la primera hoja, las recoge el 2 tirador y las lanza a la segunda
hoja. El inspector emite y comunica su fallo y el tercer tirador recoge las hojas que estn
completamente sobre la 2 hoja y las lanza hacia la 3er hoja.
El inspector emite su fallo y lo comunica al contador. El contador registra paso a paso cuntas cartas
cayeron en cada clasificacin y en cada paso del proceso.
Las cartas que caen parcialmente sobre la hoja y sobre el piso se recogen y pueden volver a lanzar
en un segundo intento (retrabajo). Esto tambin se registra.
Las cartas que caen completamente sobre el piso se desechan.
El ejercicio termina cuando se completan 20 cartas en el tercer paso del proceso o cuando se les
terminan las cartas del mazo.
Nota: El lanzamiento de las cartas se tiene que hacer siempre por encima de la cintura del tirador. Sin
modificar, deformar o aadir algo a las cartas, ni utilizar algn aditamento extra aparte de la mano
del tirador. La distancia del lanzamiento ser de 50 cms. de la hoja medidos en el piso.
1.
Cunto es el rendimiento de cada uno de los pasos?
2.
Cunto es el rendimiento combinado del proceso?
3.
Cunto es el rendimiento normalizado del proceso?
4.
Cuntos son los DPU, DPO y ppm?
53
VISUALIZACINDELAVARIACIN
54
27
03/02/2015
EjemplodelaVariacinqupresentanlasventasdela
empresaApicom.
Qu nos comunica la grfica?
$ ventas
miles
500,000
400,000
300,000
2010
2011
2012
ao
55
TiposdeDatos
Recordemos la importancia del tipo de datos en la
seleccin apropiada de las herramientas de anlisis
Continuos (o Variables): Datos que pueden tomar
cualquier valor en una escala continua. Entre un valor y
otro en la escala puede haber un nmero infinito de datos.
Por ejemplo: tiempo de recuperacin de la cartera vencida, distancia entre

puntos de control, tiempo en contestar el Centro de Atencin a Clientes
etc.
Discretos (Categricos, Atributo): Datos que surgen de un

conteo de partes o elementos que contienen atributos, que
se clasifican en categoras, y se expresa en escalas
discretas.
Por ejemplo: nmero de errores en la facturacin, nmero de facturas
defectuosas, nmero de personas satisfechas o insatisfechas con un
servicio, etc.
56
28
03/02/2015
Variacinenunperododetiempoy
variacinsobreeltiempo
Las herramientas son poderosas en la etapa de
anlisis, pero su poder depende del buen uso que
hagamos de cada una de ellas.
Tengamos cuidado en diferenciar:
Variacin en un perodo especfico de tiempo.
Variacin sobre el tiempo
57
HerramientasparaelanlisisdelaVariacindelosprocesos.
(dependiendodeltipodedatos,paraunperododetiempoysobreeltiempo)
Variacin por un
Periodo de Tiempo
Tipos de Datos
Continuos
Discretos
Histogramas
Diagrama de cajas
Diagrama Pareto
Grfico de Barras
Grfico de Pastel
Variacin
Sobre el Tiempo
Grfica de Rachas
Grfica de Control
Grfica de Rachas
Grfica de Control
58
29
03/02/2015
Variacinporunperododetiempo.Histograma
El Histograma de las ventas de la Planta La Herradura en
Septiembre del 2013 muestra:
la forma de la distribucin de las ventas, se aproxima a una
distribucin normal.
la tendencia central de las ventas, alrededor de $ 4,520,000
y la dispersin o variabilidad en las ventas, se observa grande.
Ventas de la Planta "La Herradura": Septiembre del 2013
12
10
Frequencia
8
6
4
2
0
4516
4518
4520
4522
Ventas en miles de pesos
4524
59
Variacinsobreeltiempo
Proceso del departamento de Finanzas Tiempo requerido para
procesar las cuentas por pagar.
El Grfico de control muestra un problema: el proceso bajo estudio
presenta los dos tipos de variacin:
Variacin natural o controlada (dentro de los lmites)
Variacin atribuible o no controlada (fuera de los lmites)
Caracterstica
de calidad
LSC
LC
LIC
tiempo
60
30
03/02/2015
Variacinsobreeltiempo.GrficadeRachas
La grfica de rachas, es sencilla de construir, sencilla de
interpretar y el resultado del anlisis, provee la respuesta a la
pregunta existe evidencia de causas especiales de variacin
(atribuibles)?.
Una racha se define como un punto solo o bien una serie de
puntos consecutivos sin puntos en el otro lado de la mediana. En
esta grfica se identifican 12 rachas, las cules aparecen
sombreadas.
U
T
I
L
I
D
A
D
E
S
Mediana
Meses del ao
61
Pasosenlaconstruccineinterpretacin
delaGrficadeRachas
1.
2.
3.
4.
5.
Colecte datos sobre el tiempo.

Grafique los datos en el orden en el tiempo.
Dibuje la lnea de la mediana.
Cuente las rachas arriba y bajo la mediana.
Verifique las seales de causa especial. Cuide no cometer los errores
comunes en la interpretacin de las rachas:
Concluir que existe alguna tendencia o patrn sobre el tiempo, cuando la
variacin del proceso es aleatoria, todo proceso presenta variacin.
No observar tendencias o patrones en el proceso, cuando realmente
existen.
Se recomienda:
No incluir en el conteo de las rachas
los puntos que caen sobre la lnea de
la mediana.
Omita cualquier punto que repita el
valor precedente en el conteo de las
rachas.
U
T
I
L
I
D
A
D
E
S
Mediana
Meses del ao
62
31
03/02/2015
InterpretacingrficadeRachas
Objetivo: identificar la existencia de causas especiales de variacin,
utilizando la grfica de rachas.
Mostramos 2 criterios formales:
I.
S tienes 25 o ms puntos en la serie de datos, busca las causas

especiales de variacin identificando:
a) Corridas; si cuentas 8 o ms puntos consecutivos, arriba o abajo de
la lnea de la mediana, existe una causa especial de variacin que
debe ser investigada.
b) Tendencia. 6 o ms puntos hacia arriba o hacia abajo, indican que
una causa especial de variacin est actuando sobre el proceso.
Por lo tanto s existen; corridas o bien tendencias, se concluye que una

causa especial de variacin est actuando sobre el proceso.
63
II. Un criterio ms abierto que el anterior, permite analizar

situaciones con un rango de puntos que van de 10 a 120.
Buscando causas especiales de variacin:
1. Cuente el nmero de rachas de los datos de su proceso.
2. Buscar en la tabla el nmero de puntos de datos que
coincida con los que tiene.
3. Identificar y registrar el nmero de rachas del rengln de
puntos de datos:
a. Usted ve menos rachas que esto.
b. Usted ve ms rachas que esto.
4. Compare el numero de rachas de su procesos vs el dato
menor y mayor de rachas de la tabla.
5. El nmero de rachas de su proceso, cae dentro del menor
y mayor?
Si la respuesta es s, la variabilidad del proceso no se
debe a causas especiales de variacin.
Si la respuesta es no, significa que una causa especial
de variacin est actuando sobre el proceso.
64
32
03/02/2015
II.Utilizandoelsegundocriterio,podemosconcluirqueel
procesopresentaCausasEspecialesdeVariacin,sysolos.
Nmero
De Puntos o de Datos
Usted Ve Menos
Rachas Que Esto
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
3
3
3
4
4
4
5
5
6
6
6
7
7
8
8
9
9
9
10
10
11
11
Usted Ve Ms
Rachas Que Esto
Nmero
De Puntos de Datos
8
9
10
10
11
12
12
13
13
14
15
25
16
26
17
17
18
19
19
20
20
21
22
22
Usted Ve Menos
Rachas Que Esto
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
60
70
80
90
100
110
120
8
23
23
24
25
25
26
26
26
27
27
28
29
30
30
31
31
32
37
43
48
54
59
65
70
11
11
12
13
13
13
14
14
15
16
16
17
17
17
17
18
18
19
19
24
28
33
37
43
46
51
65
Prctica6.GrficadeRachas
Se reporta el precio de venta del
producto ms importante de la
Empresa en los ltimos 50 meses.
1. Elabore la grfica de rachas.
2. Existe evidencia de causas
especiales de variacin? Utilice el
criterio 2 para contestar la pregunta.
3. Existe evidencia de cambios
constantes de precio?
Usted Ve Ms
Rachas Que Esto
709
682
731
704
685
696
688
690
692
716
659
666
685
681
632
720
678
735
718
701
663
695
682
688
720
692
708
723
702
691
702
711
687
729
721
725
753
716
730
724
693
723
653
634
670
698
713
690
66
33
03/02/2015
Prctica6GrficadeRachas
Utilizando el Minitab:
1.
2.
3.
4.
Alimentar los datos

Seleccionar
Stat
Seleccionar
Seleccionar
Quality tools
Run chart
67
34
03/02/2015
Introduccin al Anlisis
Cartografa del Mtodo
Definir:
Medir:
Seleccionarel
Proyecto
EscucharVoces
delCliente
(CTQ),del
Negocioydel
Proceso(CTP)
Mapearlos
Procesos
Seleccionar
Medicin(Y)
AnalizarSistema
deMedicin
Recolectardatos
AnalizarLnea
Base
Entender
variacinysus
causas
Analizar:
Analizarla
lneabase
paradefinir
lasXs
Potenciales
Identificar
lascausas(X
vitales)
Cuantificary
verificarlas
causas.
03/02/2015
Mapa Conceptual para Analizar

Identificar posibles causas
(Xs) del comportamiento
de Y (CTQs)
Causas Comunes:
Causas
Especiales:
Observacin del
proceso
Opinin de
expertos
AMEF, Ishikawa
Grficos
descriptivos:
Multivari, CEP,
Series de
Tiempo, etc.
Leyes determinsticas
Opinin de expertos
Observacin del proceso
Grficos descriptivos
Xs Potenciales
Confirmar Causalidad
(Xs Vitales):
Experimentacin: DOE
Inferencia Estadstica:
ANOVA, Grficos
Leyes Determinsticas
3.0IntroduccinalAnlisis
Observacin del Proceso
Seis Sigma no es una metodologa que especule sobre la realidad: si

no que parte de la realidad para teorizar y regresar a la prctica. As
este ciclo de interaccin de teora y prctica.
Observar la realidad:
el proceso / producto
Teorizar sobre:
el proceso / producto
Siempre observar acuciosamente el proceso o el producto o servicio para

detectar causas especiales de variacin
03/02/2015
Observacin del Proceso

Observar el proceso o producto para:
Indagar si hay procedimientos estndar de proceso y si se siguen

estos estndares
Revisar Informes o registros para identificar si se ha reportado
algn comportamiento peculiar del proceso y cul o cules fueron
las causas especiales.
Detectar la presencia de irregularidades que pudieran ser causas
especiales de variacin
Observar el comportamiento a lo largo del tiempo para detectar
bajo qu condiciones (Causas especiales) surge una variacin
anormal del proceso.
Utilizar alguna herramienta para detectar dichas irregularidades:
Diagrama de causalidad tipo rbol

Es no Es: Identidad, Ubicacin, Temporalidad y Magnitud
Grfica de Series de Tiempo
Grfica Multivari
5
Opinin de Expertos
Los expertos en un proceso o producto pueden
aportar opiniones valiosas acerca de posibles
causas especiales de variacin de la Y.
Para recabar la informacin de los expertos se pudiera recurrir

a alguna herramienta que permita dar estructura al ejercicio de
recopilacin de opiniones:
Diagrama de Ishikawa
Diagrama de causalidad tipo rbol
Es no Es: Identidad, Ubicacin, Temporalidad y Magnitud
AMEF
Lluvia de ideas
03/02/2015
Causas especiales
Observacin acuciosa
del Proceso o Producto
Opiniones de
Expertos
Identificacin de Causas Especiales

Potenciales de variacin
Identificacin y ataque de las

Causas Especiales de variacin ms
importantes
Proceso bajo control
Verificar Causalidad
Verificar cules de las causas especiales
potenciales, identificadas previamente, son
efectivamente Causas de variacin de la Y.
Para determinar cules son las causas ms
importantes habra que:
Verificar causalidad (en la medida de lo posible)
Identificar cules causas son las que tienen mayor
contribucin a la variabilidad de la Y
Pruebas de hiptesis estadsticas
Diseos Experimentales
Eliminar las causas especiales de variacin o contrarrestarlas para

mantener bajo control el proceso
03/02/2015
Una vez eliminadas las causas especiales de

variacin (o contrarrestadas) el proceso se
mantiene bajo control
Si la variacin del proceso todava no

permite cumplir con las especificaciones del
cliente (CTQs)
Centrar el proceso y atacar las causas de la

variacin comn
Causas Comunes Potenciales

Potencialmente qu factores propios del (diseo)
del proceso determinan el comportamiento de la Y?
Revisar procedimientos estndar de trabajo e instructivos
de maquinaria o equipo
Revisar leyes determinsticas aplicables
Recurrir a la opinin de expertos
Observacin del proceso, ahora para identificar factores
potenciales de variacin de la Y debida a causas comunes
Utilizacin de grficos descriptivos
Causas (Xs) Potenciales
10
03/02/2015
Verificar Causalidad
Verificar cules de las causas potenciales
comunes, identificadas previamente, son
efectivamente las Causas Vitales de variacin
de la Y.
Para determinar cules son las causas vitales (Xs
vitales) habra que:
Verificar causalidad
Identificar cules Xs son las que tienen mayor

contribucin a la variabilidad de la Y
Pruebas de hiptesis estadsticas
Mejora: Determinar los valores de las Xs vitales que optimizan el proceso

11
03/02/2015
InferenciaEstadstica
MapaContenidos
InferenciaLgica:
Inductiva
Estrategiade
Muestreo
Muestreo
Tamao
Muestral
Tiposdeerror
Distribuciones
deProbabilidad
TeoremaLmite
Central
3.1InferenciaEstadstica
Modelos:
Probabilsticos
Muestrales
Inferencia
Estadstica
03/02/2015
MapaConceptual
Muestra 1
Muestra 3
Muestra 2
Muestra 4
Modelo
Probabilstico
Muestral
Realidad
(Poblacin)
Inferencia
InferenciaLgica
Inferencia: Proceso lgico o razonamiento que permite
derivar una consecuencia de una o ms premisas
Inferencia Inductiva: proceso lgico que de lo particular
arriba a conclusiones generales.
A partir de varias observaciones (muestra) se formula una
conclusin.
No se puede asegurar con certeza de que esa conclusin sea
cierta, pero la verificacin de ms casos particulares, y el
conocimiento del tema, hacen que la conclusin propuesta
sea ms creble.
03/02/2015
Logeneral:Poblacin
Un conjunto de elementos con caractersticas o
condiciones semejantes constituyen una poblacin:
Nios que estudian del 4 al 6 ao de primaria de un

municipio de Jalpan en escuelas pblicas.
Nmero de llamadas atendidas por un telefonista durante
el presente ao.
Autos de la marca Y ensamblados del mes de marzo del
2009 al mes de mayo del 2010.
Facturas emitidas por una empresa en un periodo
determinado.
Tipos de Poblaciones:
Finitas; Infinitas
Accesibles; Inaccesibles
Hipotticas
Loparticular:Muestra
Una parte de la poblacin es una muestra
Condicin necesaria para poder aplicar la
inferencia inductiva:
Lo particular represente la realidad
Muestra representativa de la poblacin
Estrategia de Muestreo
03/02/2015
EstrategiasdeMuestreo
paralograrrepresentatividad
Probabilstico:
Aleatorio Simple:
Cada elemento de la poblacin tiene la misma
probabilidad de ser seleccionado.
Estratificado:
Se subdivide la poblacin en estratos o categoras
(homogneas) y posteriormente se hace un muestreo
aleatorio simple dentro de cada una de las categoras.
Sistemtico:
De un listado o enumeracin de la poblacin, se
selecciona cada elemento de la muestra usando una
constante. P.e. Cada 250 partes se selecciona una
unidad para la muestra.
Sepuedeinferirapartirdeunamuestra?
Lo que se observa en una muestra es lo que existe en
la poblacin?
Con qu certidumbre podemos inferir a partir de una
muestra?
Un modelo probabilstico del comportamiento de las

muestras, respecto de la poblacin, podra ayudar a
contestar estas preguntas.
03/02/2015
DistribucinMuestral
Se desea conocer la media aritmtica de una variable en la

poblacin (). Se obtiene una muestra de tamao n y se calcula su
media (x1). Si hipotticamente se toman muchas muestras de
tamao n y se calcula la media (xi) y la desviacin estndar (si) de
cada muestra. Cul sera el modelo que represente el
comportamiento de las medias muestrales (xi)?
x , S
1
Poblacin
x , S
2
x , S
3
x , S
x , S
N
TeoremadeLmiteCentral
Establece que conforme el tamao

de la muestra (n) es mayor, ocurre
que:
La distribucin de las medias
muestrales se aproxima
(tendencialmente) a la distribucin
de probabilidad normal,
independientemente" de la forma
de la distribucin de la variable
original.
1. La distribucin de las medias
muestrales est centrada en la
media de la poblacin original ().
DistribucindelaPoblacin
x
X
n=4
n=2
n=10
2. La desviacin estndar de las

medias muestrales es:
10
03/02/2015
Tamaodelamuestra
De acuerdo al TLC mientras mayor sea n, la distribucin de las
medias muestrales estar ms cerca de la Normal (,
)
Una n grande genera una x pequea, o sea, menor
variabilidad de la x, por lo tanto, mayor certidumbre en la
inferencia.
Generalmente los recursos son los que limitan tener un
tamao de muestra muy grande.
De qu depender el tamao de muestra ptimo?
De la variabilidad que se encuentre en la poblacin
De qu tanto error en la estimacin estemos dispuestos a tomar
como riesgo: del costo del muestreo.
11
Tamaodelamuestra
De qu depender el tamao de muestra ptimo?
De la variabilidad que se encuentre en la poblacin
De qu tanto error en la estimacin estemos dispuestos a
tomar como riesgo ().
De la resolucin que deseamos en nuestra inferencia: Es
decir, de la mnima diferencia que deseamos detectar ().
Del costo del muestreo.
De qu tan difcil es recolectar los datos
Cunto se conoce ya de la poblacin
De los parmetros poblacionales que queremos estimar.
12
03/02/2015
Tamaodelamuestra
Resolucin: mnima diferencia que queremos detectar

Paraunavariablecontinua:

/2

n=2
Donde es la probabilidad del

riesgo que estamos dispuestos a
correr y es el valor normal
estndar correspondiente a /2.
Aplicable a variables continuas
para predecir
cuando sea vlido
el TLC.
13
Ejemplo1:Muestreo
Se desea realizar una auditora para establecer el promedio de fallas
en el seguimiento de un procedimiento especfico de control interno.
Por experiencia el auditor estima una desviacin estndar del
nmero de fallas igual a 0.15. Qu tamao de muestra se requiere
para detectar diferencias de 0.02, con un nivel de confianza de
90%?
Suponemos que la poblacin es infinita:
.
.
=152.2
Conclusin:
Para lograr un nivel de confianza de 90%, de estimar el promedio
de fallas con una resolucin del 0.02 de su valor verdadero, se
necesita un tamao de muestra de 152.
14
03/02/2015
TamaodelaMuestra
Las frmulas ms comunes para determinar el tamao de
la muestra en variables discretas (dicotmicas):
PQ
Poblacin finita
Donde:
N es el tamao de la poblacin
n es el tamao de muestra
P es la proporcin de la poblacin o bien el estimador p; Q = (1-P)
PQ
es el valor de la normal estndar para el nivel de confianza deseado
es la precisin (mnima diferencias que queremos detectar)

En ocasiones, y por simplicidad, la se sustituye por un 2. Esto corresponde a
= 4.55% o a una confiabilidad de 95.45%
15
Prctica1Muestreo:
Un gran envo de filtros de aire se recibe en la compaa
Peques S.A. de C.V. Los filtros de aire deben muestrearse con
el fin de estimar la proporcin de filtros de aire que no son
utilizables. De experiencias pasadas, la proporcin de filtros
de aire no utilizables se estim en 0.10. Qu tamao de
muestra se requiere para lograr una resolucin de muestra de
2% con un porcentaje de confiabilidad de 95%?
1.
2.
p(1-p)
Cul frmula recomienda utilizar?

Calcule el tamao de muestra.
16
03/02/2015
Lineamientosgeneralesparatamaos
mnimosdemuestra
Para estimar o graficar:
La media
La desviacin estndar
La proporcin de defectuosos (p)
Un histograma o diagrama de Pareto
Un diagrama de dispersin
Una grfica de control
Tamao
mnimo de la
muestra
8 a 15
25 a 30
100 cuando np 5
70
25 pares de datos
20 subgrupos de 5
17
Estimacinpuntualointervalar
En lminas anteriores se ha hecho estimacin puntual de los parmetros. Es

decir, se estima un valor para cada parmetro.
es un estimador puntual de
s es un estimador puntual de
Otra forma de estimacin de un parmetro es a travs de un intervalo

llamado de Confianza. La estimacin se hace en forma de un rango. Es decir,
se dice: el valor del parmetro que buscamos predecir tenemos la confianza
del X% de que se encuentra dentro de este intervalo. Se reconoce que el
mismo estimador es una variable aleatoria.
- Z/2* ;
+Z/2 ]
Por ejemplo:
Para una distribucin normal de la que se conozca la , el intervalo de confianza del

95% es:
[ -1.96 * ; +1.96 ]
El valor 1.96 se obtiene de la tabla normal estndar para 2.5% (de cada lado de la distribucin).
18
03/02/2015
Estimacinpuntualointervalar
Si no se conoce la , el intervalo de confianza del 95% se
calcular con la s y estar basado en la distribucin de
probabilidad t de Student de la . Esta nueva distribucin ser
descrita ms adelante.
[
+ t0.025* s ;
+t0.975 s ]
Los valores para t0.025 y t0.975 se obtienen de la tabla de la t

de Student con sus g.l. respectivos.
Si tuvisemos 14 g.l.
t0.025= -2.145 y t0.975= +2.145
El valor de t0.025 tiene la misma magnitud que t0.975 pero de signo negativo, dado que la
distribucin t de Student es simtrica. Por lo que en la tabla consultamos la magnitud de
t0.025 en la t0.975 y cambiamos su signo.
19
Ejemplo2deEstimacinPuntualeIntervalar
Se desea saber el tiempo qu se utiliza en realizar las solicitudes
de Notas de Crdito en USG.
Aleatoriamente se extrae una muestra de 15 solicitudes de Notas
de Crdito, se miden siguiendo un procedimiento estndar que
asegura su validez. Los datos que se muestran a continuacin
estn expresados en minutos. Estimar el tiempo promedio qu se
utiliza para generar las solicitudes de Notas de Crdito en USG.
Dado que es un estimador puntual de calculamos la media
aritmtica de los datos obtenidos: = 25.106
A partir de los 15 datos seleccionados aleatoriamente, nuestra
mejor estimacin puntual es que el tiempo promedio de la
poblacin () de solicitudes realizadas en USG ser de 25.106
minutos.
Tiempo
25.38
25.32
25.27
25.16
25.12
25.10
25.09
25.08
25.07
25.06
25.04
25.03
25.01
24.93
24.93
20
10
03/02/2015
Ejemplo2deEstimacinPuntualeIntervalar
Sin embargo, esta estimacin puntual no toma en consideracin la
variabilidad del tiempo en realizar las solicitudes de Notas de Crdito. Si
queremos hacer esta consideracin, deberemos hacer una estimacin
intervalo:
La desviacin estndar de los datos es sx= 0.130
Por lo que La desviacin estndar de las medias muestrales es:
s = 0.01303/ 15 = 0.00336
La estimacin intervalo de 95% de confianza = [ +t0.025*s ; +t0.975s ]
= [25.106 -2.145 *0.03356; 25.106+2.145 0.03356]
= [25.034; 25.178]
Conclusin:
Tenemos la confianza del 95% de encontrar la
del tiempo de solicitud
de
Notas de Crdito en USG dentro del intervalo [25.034; 25.178] .

21
Estimacinintervalar
Para la estimacin intervalar, se puede utilizar Minitab
Stat / Basic Statistics / 1t
OneSample T:Tiempo
Variable
Tiempo
N
15
Mean
25.1060
StDev
0.1300
SE Mean
0.0336
95% CI
(25.0340, 25.1780)
El estimador puntual de la
media poblacional (x) es la media

de la muestra ( ) = 25.1060
El intervalo del 95% de confianza
es (25.0340, 25.1780)
Intervalos de Confianza ms
estrechos, tienen menor error de
prediccin o menor desviacin estd.
muestral (SE Mean).
22
11
03/02/2015
Prctica2:Estimacionespuntualeseintervalares
Ventas/Distr
$
10,953.80
Se desea estimar el monto promedio diario de
$12,766.03
las ventas de productos USG en una ciudad.
$10,811.51
Se recaban los montos de las ventas diarias de
$11,106.85
$11,336.86
20 locales de distribucin diferentes.
$11,653.63
$10,977.23
$11,856.69
Haga estimaciones puntual e intervalar de las
$10,984.48
ventas diarias promedio por distribuidor en esa
$13,057.64
ciudad.
$12,111.42
$11,565.22
$10,773.86
$11,560.48
$12,055.63
$11,438.57
$11,373.31
$11,437.61
$11,795.48
$11,359.11
TOTAL $230,975.42
Hiptesis
Es un juicio o una proposicin, una afirmacin o una negacin de

algo: fenmeno o evento.
Las hiptesis son proposiciones provisionales y exploratorias

Si la hiptesis es verdadera qu comportamiento esperara observar?
Si la hiptesis no es verdadera qu comportamiento esperara
observar?
La veracidad o falsedad de las hiptesis depende crticamente de

las pruebas empricas disponibles.
La replicabilidad de los resultados es fundamental para confirmar

una hiptesis como solucin de un problema.
24
12
03/02/2015
HiptesisEstadstica
A travs de anlisis estadsticos se estima el grado de veracidad

de la hiptesis formulada dada la informacin con la que se
cuenta.
Este grado de veracidad se expresa como una probabilidad.
La estructura de las hiptesis estadsticas es muy peculiar:
Se expresa como dos hiptesis: una llamada nula (Ho) y la otra

alternativa (Ha).
Ambas deben ser complementarias. Es decir, deben cubrir todos los
posibles casos.
Generalmente es la hiptesis alternativa la que se desea que sea
verdadera, ya que (por lo general) representa el xito de la nueva
condicin de un proceso (la mejora del proceso).
25
Ejemplos:HiptesisEstadstica
La Hiptesis Nula (Ho):
expresa una igualdad,
es decir, que no hay
diferencia entre dos
situaciones. P.e.:
1. La proporcin de entregas con
error al cliente es igual a 3%.
2. La cantidad de desperdicio del
proceso (en kgs.) es igual antes
y despus de implementadas las
mejoras del proceso.
3. El nmero de errores en la
nmina quincenalmente es igual
a cero.
Hiptesis Alternativa (Ha): se
expresa como una diferencia

entre dos situaciones. P.e.:
1. La proporcin de entregas con
error al Cliente es diferente al

3%.
2. La cantidad de desperdicio del
proceso (en kgs.) despus de
implementadas las mejoras es
menor que antes de las mejoras.
3. El nmero de errores en la
nmina quincenalmente es
mayor a cero.
26
13
03/02/2015
Prctica3:
Escribiralmenostresparejasdehiptesis(nulayalternativa)relativasa
procesosdetucompetencia:
Hiptesis Nulas:
Hiptesis Alternativas:
1.______________________
1.______________________
_______________________
_______________________
_______________________
_______________________
_______________________
_______________________
_______________________
_______________________
2.______________________
2.______________________
_______________________
_______________________
_______________________
_______________________
_______________________
_______________________
3.______________________
3.______________________
_______________________
_______________________
_______________________
_______________________
_______________________
_______________________
27
Hiptesisnulayalternativa
De hecho se trabaja con la hiptesis

nula y se trata de rechazar la validez
de la misma, para tomar la hiptesis
alternativa como verdadera.
Similar a las conclusiones a las que
se llegan en un juicio:
No culpable quiere decir que no hay
evidencia suficiente para declararlo
culpable. Es decir: No se rechaza
Ho. En este caso se procede como que
la igualdad es verdadera.
Culpable quiere decir que hay
evidencia suficiente para declararlo
culpable. Equivalente a se rechaza
Ho. En este caso se toma como
verdadera Ha, es decir, como que s hay
diferencia.
28
14
03/02/2015
DecisionesenlapruebadeHiptesis
Realidad
Culpable
Culpable
Inocente
Ha verdadero
Ho Verdadero
Acierto
Rechaza Ho
Decisin
No culpable
(Inocente)
No se rechaza Ho
Error tipo II
Error tipo I
Acierto
29
SignificanciaEstadsticavs.Prctica
Cuando se rechaza la hiptesis nula se considera que hay
evidencia suficiente para considerar como verdadera la
hiptesis alterna.
Es decir, se concluye que hay diferencia estadsticamente
significativa entre el comportamiento de dos poblaciones o
dos situaciones o eventos diferentes respecto de una variable.
Sin embargo, la diferencia estadstica no implica que haya
una diferencia prctica entre las dos poblaciones.
En la prctica qu tanta diferencia (precisin, resolucin)
entre poblaciones es importante considerar?
El valor de debe determinarse desde el punto de vista del Cliente
30
15
03/02/2015
PotenciadePrueba
La potencia de prueba es = 1 - la probabilidad de cometer el error

tipo II. Es decir, es el complemento de la probabilidad de rechazar
Ha cuando sea cierta = 1-
La magnitud de depende de , de y de las x
Distr.Medias
muestralessiHo
cierta
Distr.Medias
muestralessi
Hacierta
=5%
31
Ejemplo3:pruebadehiptesis
Se obtiene una muestra aleatoria de 10 partes de una poblacin, de la que se desea
saber la media aritmtica de una dimensin crtica para la calidad (CTQ). El Cliente desea
un valor nominal promedio de 42 mm para esta dimensin crtica. Se desea inferir con
los valores obtenidos en la muestra si hay evidencia suficiente para afirmar
estadsticamente si se cumple con el CTQ del Cliente. A continuacin se presentan los
datos individuales de las 10 partes.
42.79 Ho:Lapoblacindepartestieneunadimensin iguala42mm
44.96 Ha:Lapoblacindepartestieneunadimensin diferentea42mm
47.63
47.82
X=44.63
43.97
Hocierta
sx =3.24
49.18
sx =3.24/10=1.02
40.08
40.64
41.99
47.27
QutanprobableesobservarlaXobservadade44.63silaHofuesecierta?
tobservada=(44.6342)/1.02=2.567
p=0.01517suponiendoqueHofuesecierta.Culesladecisindela
estadsticainferencial?HayevidenciasuficientepararechazarlaHo?
tobs=2.567
p=0.01517
X
=42
Xobservada=44.63
32
16
03/02/2015
ReglasdedecisinenpruebasdeHiptesis
Cunta probabilidad del error tipo I () est dispuesto a asumir?

Esta es una decisin de negocio y del investigador.
Usualmente se asume = 0.05 = 5%
Pruebas bilaterales: Ha: diferente que

Hocierta
= 2.5%
1.96
1.96
= 2.5%
ZX
Hocierta
RechazodeHo
NorechazodeHo
1.645
= 5%
ZX
RechazodeHo
Zcrit
Zcrit
Pruebas unilaterales: Ha: mayor o menor

que
NorechazodeHo Z RechazodeHo
crit
33
Distribucint
La distribucin t (de Student) representa mejor el comportamiento de la

Cuando el tamao de la muestra es chico (<30) y la x se distribuye
Normalmente.
Cuando el tamao de muestra es grande, la distribucin t de Student es

muy similar a la distribucin de probabilidad Normal.
La tabla para consultar las probabilidades de la distribucin t se encuentra
al final de este captulo
Normal
t g.l.=5
t g.l.=3
gradosdelibertad=g.l.=n1
t
5.04.03.02.01.001.02.03.04.05.0
34
17
03/02/2015
Pruebadehiptesisdedospoblaciones
Se desea comparar las ventas promedio por persona en dos sucursales de
una tienda. Se muestrean las ventas a 15 personas seleccionadas
aleatoriamente en cada una de las tiendas: A y B. Se desea saber si la media
aritmtica de las ventas por persona en las tiendas A y B son diferentes.
Ho:ElpromediodelasventasporpersonaenlatiendaAesigualaladelatiendaB
Ha:ElpromediodelasventasporpersonaenlatiendaAesdiferentealasventaspromedio
porpersonadelatiendaB
A191.1192.8197.8188.0201.7179.6195.2177.0185.7195.5192.2185.0193.0188.3 193.3
B197.0184.6195.4191.8206.8200.7182.0193.4191.3191.3186.1186.5185.8181.1 204.3
IntroducimoslosdatosenMinitabyhacemosunanlisisdeestadsticabsicacongrficas
decajadeambasmuestras:
35
La salida de la sesin de Minitab arroja la siguiente informacin:

Descriptive Statistics: A, B
Variable N N* Mean SE Mean StDev Minimum

Q1
Median
Q3
A
15 0 190.41
1.71
6.62 177.00
185.70 192.20 195.20
B
15 0 191.87
2.03
7.85 181.10
185.80 191.30 197.00
Boxplot of A, B
210
=190.4
sA =6.61
sA =6.6/15=1.704
200
Data
B=191.9
sB =7.84
sB =7.84/15=2.024
205
195
190
185
180
36
18
03/02/2015
Ho:ElpromediodelasventasporpersonaenlatiendaAesigualaladelatiendaB
Ha:ElpromediodelasventasporpersonaenlatiendaAesdiferentealasventaspromediopor
personadelatiendaB
=190.4
sA =6.621
sA =6.621/15=1.709
B=191.9
sB =7.85
sB =7.85/15=2.026
Distr.MediasmuestralesA
Distr.MediasmuestralesB
1.5
Ventasporpersona
Observamos que las dos distribuciones muestrales de las ventas por persona de las
sucursales A y B slo difieren en 1.5 y sus respectivas desviaciones estndar muestrales
son de 1.7 y 2.0. Podemos concluir, tentativa e intuitivamente, que no tendremos
informacin suficiente para declarar que las ventas por persona son diferentes entre las
dos tiendas A y B.
37
A
B
Cuando los tamaos de muestra no son grandes, cuando ambas

poblaciones (A y B) se distribuyen de manera Normal y los datos XA y XB
no estn correlacionados, entonces se utiliza el siguiente estadstico:
tA-B
Con nA+nB-2 grados de libertad
Corremos la prueba estadstica de comparacin de las dos medias
con ayuda de Minitab:
N
15
15
Mean
190.41
191.87
StDev
6.62
7.85
SE Mean
1.7
2.0
Difference = mu (A) - mu (B)

Estimate for difference: -1.46
95% CI for difference: (-6.90, 3.98)
T-Test of difference = 0 (vs not =): T-Value = -0.55
P-Value = 0.586
DF = 27
38
19
03/02/2015
Pruebadehiptesisdedos
poblaciones
Hocierta
= 2.5%
= 2.5%
tAB
RechazodeHo
NorechazodeHo
RechazodeHo
-0.55
El valor de t para 28 grados de libertad y un valor de 5% en una prueba bilateral

corresponde a un valor crtico de t de 2.048.
Dado que -0.55 es de menor magnitud que el valor crtico de t, entonces se deja de
rechazar la Hiptesis Nula. Es decir, con la informacin con la que se cuenta, se
concluye que ambas muestras (A y B) provienen de la misma poblacin. Esto es, que
no hay diferencia estadsticamente significativa entre las ventas promedio por persona
entre A y B.
39
Tomadedecisiones
Las Hiptesis estadsticas estrictamente no deben
aceptarse, slo pueden rechazarse o no rechazarse.
Esto se puede hacer a travs de uno de los siguientes
procedimientos equivalentes:
Si el Valor del estadstico que se calcula con

los datos observados de la muestra es:
a)
al Valor crtico del estadstico

consultado en Tabla, desde el punto de vista
probabilstico no pueden obtenerse
conclusiones (no se rechaza Ho).
b) > al Valor crtico del estadstico

consultado en Tabla, desde el punto de vista
probabilstico, se concluye que existe una
diferencia (rechazar Ho, no aceptar Ha).
Hocierta
= 5%
ZX
NorechazodeHo Z RechazodeHo
crit
Zobs
Zobs
40
20
03/02/2015
Tomadedecisiones
Si el valor p, de la probabilidad de encontrar
un valor mayor (o menor) al estadstico
observado es:
Hocierta
a) Si p , entonces, desde el punto de vista

probabilstico, no pueden obtenerse
conclusiones (No rechazar H0).
p
= 5%
ZX
b) Si p < , entonces, desde el punto de vista

probabilstico, se concluye que existe una
diferencia (Rechazar H0, No aceptar Ha).
NorechazodeHo
RechazodeHo
Zobs
Zobs
41
Tomadedecisiones
La Hiptesis nula por lo general = 0 o 1.
Por ejemplo:
[H0: = 75; H0: 75 = 0; H0: = 1]
Si el valor, de la H0:
a) Est contenido dentro del Intervalo de
Confianza, No se rechaza la Ho.
[I.C.
RechazodeHo
NorechazodeHo
H0
RechazodeHo
H0
b) Si no est contenido dentro del Intervalo de

Confianza, Rechazar H0.
42
21
03/02/2015
Nuevepasospararealizarpruebasdehiptesis
1. Selecciona una variable (continua o discreta) (o estadstico) a travs de la
que quieras hacer alguna inferencia estadstica hacia la poblacin de la
que surge dicho estadstico o variable (p.e.: x)
2. A partir del problema que se est estudiando, transfrmalo a una
expresin estadstica y formula las hiptesis nula Ho y alternativa Ha.
3. Identifica el estadstico ms apropiado, su distribucin de probabilidad y
tipo de prueba que usars.
4. Determina los niveles de riesgo que ests dispuesto a asumir en la
prueba: los errores tipos I y II: Los valores de (usualmente 5%)
5. Determina el tamao de la muestra que utilizars y la estrategia de
muestreo.
6. Realiza la prueba con ayuda de Minitab o de manera directa haciendo los
clculos manualmente.
7. Una vez hecha la prueba, determina el valor de p, a partir del valor del
estadstico calculado con los datos observados.
8. Compara el valor p con y decide si rechazas o dejas de rechazar Ho.
9. Re-interpreta el resultado estadstico en uno prctico.
43
Pruebadehiptesisdecontrastedevarianzas
Cuando se contrasta la desviacin estndar muestral (s2) respecto

de un valor fijo (Ho: 2= Cte.) , se utiliza el estadstico:
s2/2 cuya distribucin es /g.l. con g.l. = n-1
Cuando se contrastan dos desviaciones estndar muestrales (s21 y

s22 ) para saber si provienen de la misma distribucin, o si las
distribuciones de sus poblaciones respectivas tienen las mismas
varianzas (Ho: 21= 22) se utiliza el estadstico siguiente:
s21 / s22 cuya distribucin es F con g.l. = n1-1 y n2-1
Slo vlido para poblaciones normales

44
22
03/02/2015
Pruebadehiptesisdenormalidad
Se desea saber si a partir del comportamiento de una muestra,

podemos inferir si la poblacin se distribuye de manera normal.
En Minitab se hace la prueba de normalidad (Normality Test) como
se muestra en la pgina siguiente.
La grfica que se muestra tiene el eje vertical transformado de tal
forma que, la lnea recta que ah aparece corresponde a una
distribucin normal (acumulada). Los puntos representan los
datos observados y de los que se desea probar si se comportan de
manera normal. Si los datos se acercan a la recta se podr
sospechar que se comportan de manera normal.
AD es el estadstico Anderson Darling, que cuantifica qu tanto se
acercan los datos a la normal, y p es la probabilidad asociada a
este estadstico.
La Ho: La poblacin de donde provienen los datos se comportan
de manera normal
45
Pruebadehiptesisdenormalidad
Noserechaza
laHo
46
23
03/02/2015
Homogeneidaddevarianzas
Se obtienen varias muestras de respectivas poblaciones
Se desea saber si las varianzas de estas poblaciones son iguales o

diferentes.
Si las distribuciones de donde provienen son normales, se realiza

la prueba denominada como
Bartlett
Si las distribuciones de donde provienen son no normales, se

realiza la prueba denominada como:
Levene
47
Homogeneidaddevarianzas
Noserechaza
laHo
48
24
03/02/2015
Ejemplo4:Pruebadehiptesis
Uno de los indicadores de productividad en un Centro de

llamadas es el tiempo en minutos para responder las dudas de
los clientes que realizan la llamada. La especificacin es que este
tiempo sea de 4.5 minutos. Se colectan 15 muestras aleatorias de
6 telefonistas.
Se desea saber si los promedios del tiempo de esos seis

telefonistas son diferentes entre s y si estos promedios estn
cercanos a la especificacin de 4.5 minutos.
Se miden los tiempos de llamadas siguiendo un procedimiento

estndar, el cul prob tener un sistema de medicin vlido y
confiable. Los datos se reportan en el archivo de datos
denominado como Datos Anlisis .
49
Se despliegan visualmente los datos en forma de grficas de cajas

Graph /Boxplot /With Groups
Grfica de Cajas de Tiempos de Llamadas por Telefonista
4.54
Tiempo en minutos
4.52
4.50
4.48
4.46
4.44
4.42
4.40
Telef1
Telef2
Telef3
Telef4
Telef5
Telef6
50
25
03/02/2015
Se hace la prueba de normalidad para los tiempos de llamadas de cada uno
de los seis telefonistas. (Stat / Basic Statistics / Normality Test)
Probability Plot of Telef2
Probability Plot of Telef3
Normal
Normal
99
Mean
StDev
N
AD
P-Value
95
90
80
80
70
70
60
50
40
30
20
10
10
4.44
4.45
4.46
4.47
4.48
4.49
4.46
Telef2
4.482
0.01033
15
1.100
<0.005
60
50
40
30
20
Mean
StDev
N
AD
P-Value
95
Percent
Percent
90
99
4.467
0.009043
15
0.407
0.306
4.47
4.48
Telef3
4.49
4.50
4.51
Aparecen 4 poblaciones en las que no se puede rechazar la normalidad y 2 en

las que s se rechaza la normalidad.
51
Hay homogeneidad de varianzas de los tiempos entre telefonistas?

H0 : 12 = 22 = 32 = 42 = 52 = 62
En Minitab pulsar: Stat / ANOVA / Test for Equal Variances
Test for Equal Variances for TmpoLlmda
Telef1
Telefonista
Telef2
Bartlett's Test
Test Statistic
P-Value
12.50
0.029
Lev ene's Test

Test Statistic
P-Value
1.42
0.227
Dado que no todas las

poblaciones son normales, de
acuerdo a la prueba de Levene,
no se puede rechazar la
hiptesis nula. Es decir, no
podemos afirmar que las
varianzas sean desiguales.
Telef3
Telef4
Telef5
Telef6
Telef1
Telef2
Telef3
Telef4
Telef5
Telef6
Desv. Estd.
0.0131196
0.0090433
0.0103293
0.0191784
0.0161077
0.0098923
0.005 0.010 0.015 0.020 0.025 0.030 0.035 0.040

95% Bonferroni Confidence Intervals for StDevs
52
26
03/02/2015
Se desea probar la siguiente hiptesis
H0: 42 = 62
La sesin de Minitab arroja:
H1: 42
62
Test and CI for Two Variances: Telef4, Telef6

Method
Null hypothesis
Alternative hypothesis
Significance level
Statistics
Variable
N
Telef4
15
Telef6
15
StDev
0.019
0.010
Sigma(Telef4) / Sigma(Telef6) = 1
Sigma(Telef4) / Sigma(Telef6) not = 1
Alpha = 0.05
Variance
0.000
0.000
Ratio of standard deviations = 1.916 ; Ratio of variances = 3.672

95% Confidence Intervals
Distribution
of Data
Normal
Continuous
CI for StDev
Ratio
(1.110, 3.307)
(1.063, 3.740)
CI for
Variance
Ratio
(1.233, 10.937)
(1.131, 13.989)
Dado que el uno no se encuentra

dentro de los intervalos de confianza,
se rechaza la Ho y se afirma
estadsticamente que la 42 62
53
Prctica2:Pruebadehiptesis
Probar las hiptesis siguientes:
H 0 : 1 2 = 2 2
H 0 : 2 2 = 4 2
54
27
03/02/2015
Se desea probar la siguiente hiptesis

H0 : 4 = 4.50 H1: 4 < 4.50
Se grafica y realiza la prueba de inferencia estadstica con el uso de Minitab,

en Estadstica bsica:
Boxplot of Telef4
(with Ho and 95% t-confidence interval for the mean)
_
X
Ho
One-Sample T: Telef4
Test of mu = 4.5 vs not = 4.5
Variable
N
Mean
StDev
Telef4
15 4.43467 0.01918
4.40
SE Mean
0.00495
4.42
4.44
Telef4
95% CI
(4.42405, 4.44529)
4.46
4.48
T
-13.19
4.50
P
0.000
55
Prctica3:Pruebadehiptesis
Probar las hiptesis siguientes:
H0 : 1 = 4.50
H0 : 3 = 4.50
56
28
03/02/2015
Ejemplo5:Pruebadehiptesisdedospoblaciones
Se desea probar la siguiente hiptesis: las medias poblacionales de los

tiempos de duracin de las llamadas de los telefonistas 4 y 1 son iguales.
H0: 4 = 1 H1: 4
1. Confirmamos que ambas distribuciones son normales

1. En Minitab: Stat / Basic Statisticas / Normality Test
2. Observamos que los valores p del estadstico Anderson Darling (AD) es de
p1 = 0.128 y p4 = 0.435. Dado que ambos son valores menores de 0.025,
dejamos de rechazar Ho (Poblaciones de espesor 1 y 4 son normales).
2. Confirmamos que las varianzas son muy cercanas entre s

1. En Minitab: Stat / Basic Statistics / 2 Variances
2. Observamos que el valor p = 0.168 > 0.025, por lo que dejamos de rechazar Ho
(4 = 1).
3. Dado que hay normalidad y las varianzas son iguales, con la ayuda de
Minitab contrastamos H0 : 4 = 1 ; H1: 4 1
1.
Stat / Basic Statistics / 2t
57
Ejemplo5:Pruebadehiptesisdedospoblaciones
Las salidas de la sesin de Minitab son las siguientes:
Boxplot of Telef1, Telef4
Two-Sample T-Test and CI: Telef1, Telef4

Mean
4.5105
4.4347
StDev
0.0131
0.0192
4.54
SE Mean
0.0034
0.0050
Difference = mu (Telef1) - mu (Telef4)

Estimate for difference: 0.07580
95% CI for difference: (0.06351, 0.08809)
T-Test of difference = 0 (vs not =): T-Value = 12.63
Value = 0.000 DF = 28
Both use Pooled StDev = 0.0164
4.52
4.50
4.48
Da t a
Telef1
Telef4
N
15
15
4.46
4.44
P4.42
4.40
Telef1
Telef4
La grfica de cajas muestra una diferencia de las medias

muestrales muy grande y la prueba estadstica
demuestra que se rechaza la hiptesis de igualdad de
medias poblacionales. Es decir, la media poblacional de
los tiempos de llamadas del telefonista 1 son mayores
que los del telefonista 4.
58
29
03/02/2015
Prctica5:Pruebasdehiptesisdedos
poblaciones
Probar las hiptesis de igualdad de medias
poblacionales de los tiempos de llamadas de los
telefonistas 1 y 2 y 2 y 5
Formulen las hiptesis estadsticas
correspondientes.
Primeramente comprueben los requisitos
para efectuar las pruebas de hiptesis
estadsticas.
59
Tipos de Pruebas de Hiptesis

Y Continua
Y Discreta
No Normal
Prueba
Normalidad
Pruebade
Normal
proporciones
Pruebas
paramtricas
Varianzas
Homogeneidad
devarianzas
(Levene)
Pruebas no
paramtricas
PruebadeSignos
Wilcoxon 1muestra
MannWhitney 2
muestras
KruskalWallis2oms
muestras
De relacin
Correlacinderangos
(Spearman)
2 Pruebadeindependencia
Medias
Varianzas
PruebaF
Homogeneidad
devarianzas
(Bartlett)
Tablasde
Contingencia
Correlacin
RegresinLogstica
Pruebat
1 muestra
2 muestrasindependientes
2 muestrasrelacionadas
ANOVA
Unava(tresomsmuestras)
Dosomsvas(dosoms
categoras)
De relacin
CorrelacinPearson
RegresinSimple(Lineal)
RegresinMltiple
30
03/02/2015
PruebasParamtricas
Las pruebas estadsticas en las que se conocen las
distribuciones, pero se desconocen los parmetros de
las mismas (como y ), se conocen como Pruebas
Paramtricas.
Condiciones para que puedan ser aplicadas estas pruebas:
1. La distribucin de probabilidad de las poblaciones tiene que tener
una forma conocida (normal en muchos casos)
2. Los parmetros de escala homogneos (en algunos casos: = )
3. Los datos tienen que ser independientes y estar medidos en una
escala intervalar o de razn.
61
PruebasNoParamtricas
Las pruebas conocidas como No Paramtricas
contrastan distribuciones y no parmetros.
Por lo general estn libres de restricciones acerca
de la distribucin de probabilidad de las
poblaciones que se contrastan: forma y escala.
Slo se asume que los datos son independientes y
que provienen de una misma forma de
distribucin.
62
31
03/02/2015
PruebasNoParamtricas
Caractersticas de las pruebas No Paramtricas:
Pros:
Usualmente ms fcil de recabar los datos y en ocasiones
de hacer las mediciones
Algunas pruebas pueden usar datos en escalas ordinales
e incluso de tipo nominal
Contrastes ms sencillos
Menos restricciones de las pruebas
Contras:
Pierden informacin de los datos recabados.
Menos potentes (1-) que las pruebas paramtricas
63
Ejemplo6dePruebaNoParamtrica
Dado que los tiempos del telefonista 5 no son normales, probar la hiptesis
de que las medianas de los tiempos de llamadas de los telefonistas 2 y 5
son iguales
H0: 2= 5; H1: 2 5
Recurrimos a la Prueba Mann Whitney para contrastar dos medianas:
Minitab: Stat / Nonparametric / Mann Whitney
Mann-Whitney Test and CI: Telef2, Telef5

Boxplot of Telef2, Telef5
4.50
4.49
4.48
Data
N Median
Telef2 15 4.4690
Telef5 15 4.4950
Point estimate for ETA1-ETA2 is -0.0230
95.4 Percent CI for ETA1-ETA2 is (-0.0290,-0.0170)
W = 138.0
Test of ETA1 = ETA2 vs ETA1 not = ETA2 is
significant at 0.0001
4.47
4.46
4.45
Conclusin:
Las medianas de los tiempos son diferentes en sus
Poblaciones.
Prctica: hacer prueba de hiptesis estadstica donde
contrasten las medianas de: Telefonista 1 versus 4;
Telefonista 3 versus 5
4.44
4.43
Telef2
Telef5
64
32
03/02/2015
Ejemplo7dePruebaNoParamtrica
Contrastar las medianas (eta) de los tiempos de llamadas de los seis

telefonistas:
H0: 1= 2 = 3 = 4 = 5 = 6; H1: una o ms medianas es diferente del resto

Recurrimos a la Prueba Kruskal Wallis para contrastar las seis medianas:
Minitab: Stat / Nonparametric / Kruskal Wallis
Kruskal-Wallis Test: Tiempo versus Telef
Boxplot of TmpoLlmda
Kruskal-Wallis Test on TmpoLlmda

N Median Ave Rank
15 4.508
81.6
15 4.469
38.4
15 4.486
54.2
15 4.434
11.6
15 4.495
62.9
15 4.455
24.3
90
45.5
Z
5.87
-1.15
1.41
-5.51
2.83
-3.45
H = 73.36 DF = 5 P = 0.000
Dado que p= 0.000 < 0.05 se rechaza la Ho

Es decir, hay por lo menos una mediana
poblacional que es diferente del resto.
4.52
4.50
TmpoLlmda
Telefonist
Telef1
Telef2
Telef3
Telef4
Telef5
Telef6
Overall
4.54
4.48
4.46
4.44
4.42
4.40
Telef1
Telef2
Telef3
Telef4
Telefonista
Telef5
Telef6
65
66
33
03/02/2015
Pruebasdehiptesisparmetrosdeformayescala
Qu se prueba?
Prueba
Estadstica
Se compara la
distribucin de los
datos observados
en la muestra vs la
curva normal
Prueba
normalidad
Grfica
GrficadeCajas
Las varianzas de
dos o ms
poblaciones son
iguales
Homogeneidad
de varianzas
GrficadeDispersindePuntos
La relacin lineal
entre dos o ms
variables
Correlacin de
Pearson
67
Pruebasdehiptesisparamtricas:2
Qu se prueba?
Prueba
Estadstica
La desviacin
estndar de la
poblacin es
diferente de una
meta establecida
Prueba /g.l.
para una
muestra
Las desviaciones
estndar de las
dos poblaciones
consideradas son
diferentes
Prueba F para 2
muestras
Hay al menos una

desviacin
estndar diferente
entre ms de dos
poblaciones
Levene
(No normales)
Bartlett
(Normales)
Grfica
2/gl
68
34
03/02/2015
Pruebasdehiptesisparamtricas:medias
Qu se prueba?
La media de la
poblacin es
diferente de una
meta establecida
Prueba
Estadstica
Grfica
Histograma
Meta
Prueba t para
una muestra
Histogramas
Las medias de las

dos poblaciones
consideradas son
diferentes
Hay al menos una

media diferente
entre ms de dos
poblaciones
Prueba t para 2
muestras
Histogramas
ANOVA de una
va
69
Pruebasdehiptesisderelacin
Qu se prueba?
Prueba
Estadstica
Grfica
La relacin lineal
entre dos o ms
variables continuas
Correlacin de
Pearson
Grado de
asociacin entre
dos variables
continuas
Regresin Lineal
Asociacin de dos
variables
categricas (X, Y)
en la poblacin
Prueba 2 de
independencia
70
35
03/02/2015
Pruebasdehiptesisnoparamtricas:medianas
La mediana de la
poblacin es
diferente de una
meta establecida
Prueba
Estadstica
Grfica
49
48
47
Prueba Wilcoxon
Meta
46
Partes
Qu se prueba?
45
Grfica
Cajas
44
43
42
41
40
Boxplot of Esp1, Esp2
Las medianas de
las dos poblaciones
son diferentes
Esp1
Prueba Mann
Whitney
Esp2
Grfica Cajas
2.45
2.47
2.48
2.49
2.50
Data
2.51
2.52
2.53
2.54
Boxplot of Esp1, Esp2, Esp6

2.54
Grfica Cajas
2.52
Kruskal Wallis
2.50
Data
La mediana de al
menos una
poblacin es
diferente de las del
resto de las
poblaciones
2.46
2.48
2.46
2.44
Esp1
Esp2
Esp6
71
Pruebasdehiptesisdedatosdiscretos
Qu se prueba?
Prueba
Estadstica
Que las
proporciones de
dos o ms
poblaciones sean
diferentes
Prueba de
proporciones
Asociacin de dos
variables
categricas (X, Y)
en la poblacin
Prueba 2 de
independencia
Datos aleatorios
No
paramtrica
Prueba de
Corridas
Grfica
72
36
03/02/2015
%probabilidad
tStudent(unilateral)
g.l.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
90.0%
3.078
1.886
1.638
1.533
1.476
1.440
1.415
1.397
1.383
1.372
1.363
1.356
1.350
1.345
1.341
1.337
1.333
1.330
1.328
1.325
1.323
1.321
1.319
1.318
1.316
1.315
1.314
1.313
1.311
1.310
1.309
1.309
1.308
95.0%
6.314
2.920
2.353
2.132
2.015
1.943
1.895
1.860
1.833
1.812
1.796
1.782
1.771
1.761
1.753
1.746
1.740
1.734
1.729
1.725
1.721
1.717
1.714
1.711
1.708
1.706
1.703
1.701
1.699
1.697
1.696
1.694
1.692
97.5%
12.706
4.303
3.182
2.776
2.571
2.447
2.365
2.306
2.262
2.228
2.201
2.179
2.160
2.145
2.131
2.120
2.110
2.101
2.093
2.086
2.080
2.074
2.069
2.064
2.060
2.056
2.052
2.048
2.045
2.042
2.040
2.037
2.035
99.0%
31.821
6.965
4.541
3.747
3.365
3.143
2.998
2.896
2.821
2.764
2.718
2.681
2.650
2.624
2.602
2.583
2.567
2.552
2.539
2.528
2.518
2.508
2.500
2.492
2.485
2.479
2.473
2.467
2.462
2.457
2.453
2.449
2.445
99.5%
63.657
9.925
5.841
4.604
4.032
3.707
3.499
3.355
3.250
3.169
3.106
3.055
3.012
2.977
2.947
2.921
2.898
2.878
2.861
2.845
2.831
2.819
2.807
2.797
2.787
2.779
2.771
2.763
2.756
2.750
2.744
2.738
2.733
99.9% g.l.
318.313 34
22.327 35
10.215 36
7.173 37
5.893 38
5.208 39
4.782 40
4.499 41
4.296 42
4.143 43
4.024 44
3.929 45
3.852 46
3.787 47
3.733 48
3.686 49
3.646 50
3.610 51
3.579 52
3.552 53
3.527 54
3.505 55
3.485 56
3.467 57
3.450 58
3.435 59
3.421 60
3.408 61
3.396 62
3.385 63
3.375 64
3.365 65
3.356 66
67
90.0%
1.307
1.306
1.306
1.305
1.304
1.304
1.303
1.303
1.302
1.302
1.301
1.301
1.300
1.300
1.299
1.299
1.299
1.298
1.298
1.298
1.297
1.297
1.297
1.297
1.296
1.296
1.296
1.296
1.295
1.295
1.295
1.295
1.295
1.294
95.0%
1.691
1.690
1.688
1.687
1.686
1.685
1.684
1.683
1.682
1.681
1.680
1.679
1.679
1.678
1.677
1.677
1.676
1.675
1.675
1.674
1.674
1.673
1.673
1.672
1.672
1.671
1.671
1.670
1.670
1.669
1.669
1.669
1.668
1.668
tcrit entabla
97.5%
2.032
2.030
2.028
2.026
2.024
2.023
2.021
2.020
2.018
2.017
2.015
2.014
2.013
2.012
2.011
2.010
2.009
2.008
2.007
2.006
2.005
2.004
2.003
2.002
2.002
2.001
2.000
2.000
1.999
1.998
1.998
1.997
1.997
1.996
99.0%
2.441
2.438
2.434
2.431
2.429
2.426
2.423
2.421
2.418
2.416
2.414
2.412
2.410
2.408
2.407
2.405
2.403
2.402
2.400
2.399
2.397
2.396
2.395
2.394
2.392
2.391
2.390
2.389
2.388
2.387
2.386
2.385
2.384
2.383
99.5%
2.728
2.724
2.719
2.715
2.712
2.708
2.704
2.701
2.698
2.695
2.692
2.690
2.687
2.685
2.682
2.680
2.678
2.676
2.674
2.672
2.670
2.668
2.667
2.665
2.663
2.662
2.660
2.659
2.657
2.656
2.655
2.654
2.652
2.651
99.9%
3.348
3.340
3.333
3.326
3.319
3.313
3.307
3.301
3.296
3.291
3.286
3.281
3.277
3.273
3.269
3.265
3.261
3.258
3.255
3.251
3.248
3.245
3.242
3.239
3.237
3.234
3.232
3.229
3.227
3.225
3.223
3.220
3.218
3.216
g.l.
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
inf.
90.0%
1.294
1.294
1.294
1.294
1.293
1.293
1.293
1.293
1.293
1.293
1.292
1.292
1.292
1.292
1.292
1.292
1.292
1.292
1.291
1.291
1.291
1.291
1.291
1.291
1.291
1.291
1.291
1.291
1.290
1.290
1.290
1.290
1.290
1.282
95.0%
1.668
1.667
1.667
1.667
1.666
1.666
1.666
1.665
1.665
1.665
1.665
1.664
1.664
1.664
1.664
1.663
1.663
1.663
1.663
1.663
1.662
1.662
1.662
1.662
1.662
1.661
1.661
1.661
1.661
1.661
1.661
1.660
1.660
1.645
97.5%
1.995
1.995
1.994
1.994
1.993
1.993
1.993
1.992
1.992
1.991
1.991
1.990
1.990
1.990
1.989
1.989
1.989
1.988
1.988
1.988
1.987
1.987
1.987
1.986
1.986
1.986
1.986
1.985
1.985
1.985
1.984
1.984
1.984
1.960
99.0%
2.382
2.382
2.381
2.380
2.379
2.379
2.378
2.377
2.376
2.376
2.375
2.374
2.374
2.373
2.373
2.372
2.372
2.371
2.370
2.370
2.369
2.369
2.368
2.368
2.368
2.367
2.367
2.366
2.366
2.365
2.365
2.365
2.364
2.326
99.5%
2.650
2.649
2.648
2.647
2.646
2.645
2.644
2.643
2.642
2.641
2.640
2.640
2.639
2.638
2.637
2.636
2.636
2.635
2.634
2.634
2.633
2.632
2.632
2.631
2.630
2.630
2.629
2.629
2.628
2.627
2.627
2.626
2.626
2.576
73
99.9%
3.214
3.213
3.211
3.209
3.207
3.206
3.204
3.202
3.201
3.199
3.198
3.197
3.195
3.194
3.193
3.191
3.190
3.189
3.188
3.187
3.185
3.184
3.183
3.182
3.181
3.180
3.179
3.178
3.177
3.176
3.175
3.175
3.174
3.090
37
03/02/2015
Pruebasdehiptesiscondatos
discretos
MapaConceptualparaDatosDiscretos
Datos No Continuos:
Discretos, de Conteo
Proporciones
Datos de conteo
Distribucin
Binomial
Aproximacin a
la Normal
Aproximacin
Poisson
Distribucin
3.2Pruebahiptesiscondatosdiscretos
Contraste
Una proporcin vs.
Constante
Dos proporciones
Ms de dos
proporciones
2
2
03/02/2015
Pruebascondatosnocontinuos
En ocasiones es de inters recabar informacin no continua,
como nmero de defectos, nmero de productos
defectuosos, nmero de facturas con al menos un defecto,
nmero de errores al capturar informacin de clientes, etc.
O se puede expresar la magnitud de una cualidad en una
escala de datos discretos.
Con estos datos se pueden formar indicadores tales como:
proporciones (o porcentajes) que tengan algn sentido para
el anlisis, o tablas donde se agrupen de manera
descriptiva los datos en forma cruda (conteo).
Pruebasdeproporciones
Podra ser de inters realizar pruebas estadstica
para inferir a travs de una o varias muestras:
Si la proporcin en la poblacin es igual a un valor
constante
Si se toman muestras de dos poblaciones, se desea
saber si ambas poblaciones tienen la misma proporcin
de alguna cualidad. Por ejemplo, de un defecto en
especfico.
Si se tienen ms de dos muestras, se desea saber si sus
proporciones en sus poblaciones respectivas tienen la
misma magnitud.
03/02/2015
Diagramaparapruebasconproporciones
Proporcin (p)
!
!
Binomial
o Esta grfica nos

orienta acerca de qu
prueba estadstica
utilizar cuando se
trata de
proporciones.
o La prueba sugerida
depende del tamao
de la muestra y de la
proporcin esperada.
AproximacinalaNormal
Tamaodemuestranomuypequea
Proporcinnomuygrande,nimuypequea
Np>10yN(1p)>10
. .
i (1 / 2) 22k , / 2
AproximacindePoisson
s (1 / 2) 22( k 1),1 / 2
Tamao de muestra (n)

5
Ejemplo1:contrasteunaproporcinvs.constante
Se extrae una muestra aleatoria de 15 notas de crdito. Se inspeccionan, y de acuerdo a
las polticas para la emisin de notas de crdito, una de las 15 no cumple con las
mismas. La poblacin de notas de crdito que representa la muestra tiene un
porcentaje de defectos igual a 7%?
H0: p = 0.07 ; H1: p 0.07
Distribucin Binomial: En esta distribucin los datos se clasifican en dos
Probabilidad de encontrar x tablas que no cumplen (NC) de las 15 muestreadas, si

Ho es cierta:
categoras: cumplen, no cumplen; buena o mala; pasa no pasa; blanco, rojo, etc.
Cero: SC, SC, SC, SC, SC, SC, SC, SC, SC, SC, SC, SC, SC, SC, SC Pr = (0.93)15 = 0.3367
Una: SC, SC, SC, NC, SC, SC, SC, SC, SC, SC, SC, SC, SC, SC, SC Pr = 15 0.9314 0.07 = 0.380146
Dos: SC, SC, NC, SC, SC, SC, SC, NC, SC, SC, SC, SC, SC, SC, SC Pr = 1415 0.9313 0.072 = 0.200292
!
!
p = probabilidad de falla en un evento;
N = nmero de elementos en la muestra; x = nm. fallas

03/02/2015
Ejemplo1:contrasteunaproporcinvs.constante
En Minitab:
Calc / Probability Distributions /Binomial
Para Ho: p = 0.07
#Defectos
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Probabilidad ProbAcumul.
0.336700862
0.336700862
0.380146135
0.716846997
0.200292049
0.917139046
0.065328231
0.982467277
0.014751536
0.997218813
0.002442727
0.999661541
0.000306435
0.999967976
2.9655E05
0.999997631
2.2321E06
0.999999863
1.30672E07
0.999999994
5.90134E09
1
2.01903E10
1
5.06567E12
1
8.79893E14
1
9.46121E16
1
4.74756E18
1
Se observa que la mayor probabilidad es de obtener una nota de

crdito no conforme. Se observar de 0 a 3 notas no conformes
con un Intervalo de Confianza de 98.25%. Dado que se observ
una nota de crdito no conforme, entonces no se rechaza H0.
En Minitab: Stat / Basic Statistics / 1 P
Test and CI for One Proportion

Test of p = 0.07 vs p > 0.07
95% Lower
Exact
Sample X
N Sample p
Bound P-Value
1
1 15 0.066667
0.003414
0.663
7
Prctica1:contrastedeunaproporcinvs.constante
Lanza al aire una moneda 30 veces, registra los resultados y

prueba la hiptesis de que tu moneda est correctamente
balanceada.
Establece las hiptesis H0 y H1
Determina la distribucin de probabilidad que se aplica a esta prueba
Haz a mano los clculos para encontrar la probabilidad de obtener 7
sellos; 15 sellos y 20 sellos.
Haz los clculos de la probabilidad esperada si H0 para 0, 1, 2, , 29 y
30 guilas con ayuda de Minitab para la distribucin que hayas
seleccionado.
Con los clculos anteriores, calcula el I.C. de aproximadamente 95%
Obtn el I.C. de 95% utilizando la aproximacin a la normal
I. C. 95%
donde = estimador de p
Saca tus conclusiones prcticas a partir de la prueba estadstica

Haz la misma prueba estadstica con ayuda de Minitab
03/02/2015
Ejemplo2:Contrastededosproporciones
Se desea comparar las regiones Norte y Centro para determinar cul de las dos genera facturas
con menor porcentaje de no conformidades (NC). Definamos p como la proporcin de facturas con
alguna o varias NC (es decir, defectuosas).
H0: pN-pC = 0 y H1: pN-pC 0
Se generan las facturas con el mismo programa computacional y las mismas condiciones de
operacin en ambas regiones. En el Norte se observan 4 facturas defectuosas de 80 muestreadas y
en el Centro se observan 14 facturas defectuosas de 150 muestreadas.
N = 0.050 y C = 0.0933
Se recurre a Minitab para hacer la prueba estadstica correspondiente a la comparacin de 2
proporciones: Stat / Basic Statistics / 2p
Test and CI for Two-Sample Poisson Rates
Total
Rate of
Sample Occurrences N
Occurrence
1
4
80
0.0500000
2
14
150
0.0933333
Difference = rate(1) - rate(2)
95% CI for difference: (-0.112551, 0.0258848)
Test for difference = 0 (vs not = 0): Z = -1.12
P-Value = 0.263
Exact Test: P-Value = 0.388
* NOTE * The normal approximation may be inaccurate for small total number of occurrences.
Interpreta de manera prctica el resultado de esta prueba estadstica!

9
Ejemplo3:Contrastededosproporciones
Si en vez de haber sacado 80 y 150 facturas en las muestras respectivamente, hubiramos
sacado 400 y 750 facturas y las proporciones de NC observadas fuesen las mismas (0.05 y
0.09333, equivalente a 20 y 70 facturas NC) Cul hubiese sido su decisin prctica?
H0: pA-pB = 0 y H1: pA-pB 0
Mintab: Stat / Basic Statistics / 2p
Salida de Minitab:
Test and CI for Two Proportions
Sample X N Sample p
1
20 400 0.050000
2
70 750 0.093333
Difference = p (1) - p (2)
-0.07316
95% CI for difference: (-0.0731596, -0.0135071)
Test for difference = 0 (vs not = 0): Z = -2.85 P-Value = 0.004
Fisher's exact test: P-Value = 0.011
Ho cierta = 0
0.01351
pA-pB
Se rechaza la H0. Es decir, la proporcin de facturas defectuosas es mayor en la

regin Centro, que en el Norte.
Porqu ahora si se rechaza la H0, si son las mismas proporciones de NC
observadas?
10
03/02/2015
Prctica2:contrastededosproporciones
Se desea saber si en las oficinas de ventas del Norte se producen
menos errores en la elaboracin de Notas de Crdito que en la oficina
del Centro. Se sacan muestras aleatorias de 400 Notas de Crdito del
Norte y 400 del Centro. Se inspeccionan para determinar si son
conformes o no. De la oficina del Norte se observaron 15 NC (No
Conformes) y de la del Centro 25 NC.
1.
2.
3.
4.
Planteen las Hiptesis que quiere contrastar.

Identifiquen la distribucin de probabilidad que corresponda.
Hagan la prueba de hiptesis con ayuda de Minitab.
Saquen las conclusiones prcticas correspondientes y dispnganse a
defender sus conclusiones.
11
Comparacindemsdedosproporciones
Se desea saber si los distribuidores de productos, por zonas geogrficas
(Norte, Centro y Sur), hacen entregas con diferentes proporciones de
defectos. Se hacen muestreos y se registran los hallazgos en la tabla
siguiente.
Ho: pN = pC = PS ; H1: alguna proporcin diferente
Datos Observados
Zona
Defec
tuosos
Frecuencias esperadas si Ho es cierta
NoDefec
tuosos
Total
Zona
Defec
tuosos
NoDefec
tuosos
Total
Norte
29
30
Norte
27
30
Centro
36
40
Centro
36
40
Sur
25
30
Sur
27
30
Total
10
90
100
Total
10
90
100
Obsrvese las diferencias entre las frecuencias observadas y las esperadas si

la Ho fuese cierta. Para cada celda se calcula el siguiente indicador de las
diferencias:
12
03/02/2015
Comparacindemsde2proporciones.
La suma de ese indicador de diferencias en cada celda, se le conoce como Ji
(o Chi) cuadrada y su distribucin es conocida y su forma dependiente de los
grados de libertad de la tabla de datos.
Grados de libertad = g.l. = (renglones-1)*(columnas -1)
2000
r
Fij
ij
4 g.l.
1500
Fij
i 1 j 1
Donde:
Oij = frecuencia observada en celda ij
Fij = frecuencia esperada en celda ij
Requisito: Todas las Fij > 1 y

al menos 80% de todas las Fij > 5
10 g.l.
1000
20 g.l.
500
16
24
32
40
48
56
13
Ejemplo4:contrasteconmsde2proporciones.
Se desea comparar la precisin de cinco capturistas de pedidos. Se obtienen
muestras del registro de pedidos y varios jueces clasifican los pedidos como
No Conformes (NC) y S Conformes (SC). Los resultados se presentan a
continuacin:
Capturista
1
2
3
4
5
NC
20
15
9
21
18
SC
455
340
421
503
390
Para realizar una prueba de hiptesis de las proporciones de ms de dos

elementos, recurrimos a la distribucin 2.
r
2
i 1 j 1
ij
Fij
Fij
Donde: Oij = a la frecuencia observada ij

Fij = a la frecuencia esperada ij
14
03/02/2015
Ejemplo4:contrastedemsde2proporciones.
Cargamos en Minitab los datos y corremos el anlisis: Stat / Tables / 2
Chi-Square Test: NC, SC
NC
20
17.99
0.226
SC
455
457.01
0.009
15
13.44
0.181
340
341.56
0.007
9
16.28
3.257
421
413.72
0.128
430
21
19.84
0.068
503
504.16
0.003
524
18
15.45
0.421
390
392.55
0.017
408
Total
83
2109
2192
H0: p1NC = p2NC = p3NC = p4NC = p5NC
Total
475
H1: Al menos una p es diferente del resto

Scatterplot of p vs Mquina
Frec. Observada
Frec. Esperada
355 Contribucin a 2
0.045
0.040
0.035
p
0.030
0.025
0.020
101
Proporciones
0.03786
0.96214
102
103
Mquina
104
105
El valor p = 0.365 nos indica que no tenemos

informacin suficiente para rechazar H0. Es
decir, no se pueden detectar diferencias
estadsticamente significativas entre los cinco
capturistas.
Valor Observado de 2
Chi-Sq
= 4.315, DF = 4, P-Value = 0.365
No podemos afirmar que la generacin de

pedidos no conformes sea diferente entre los
15
cinco capturistas.
Prctica3:contrastedemsde2proporciones.
Se clasifican los defectos encontrados en el surtimiento de pedidos en cuatro
almacenes diferentes: la clasificacin se presenta en la tabla mostrada abajo.
Se desea saber si se producen defectos en proporciones diferentes en los cuatro
almacenes en estudio.
1. Plantee las hiptesis estadsticas correspondientes.
2. Decida qu distribucin de probabilidad deber usarse para someter a
prueba las hiptesis anteriores.
3. Realice la prueba de hiptesis con ayuda de Minitab y compruebe que se
cumplan las condiciones para utilizar la distribucin de probabilidad que
haya seleccionado.
4. Saque conclusiones prcticas de la prueba y argumente correctamente.
Almacn
1
2
3
4
Incompleto ProdIncorrecto CantIncorrecta NoATiempo

5
10
4
6
9
3
4
8
15
3
5
9
8
6
6
2
Conforme
125
158
162
184
16
03/02/2015
Prctica3:contrasteconmsde2proporciones.
Solucin:
H0: p11 = p12 = p13 = p14 y p41 =
p42 = p43 = p44
H1: Al menos una p es diferente del
resto de los almacenes.
2. Graficar los datos: Graph /
Scatterplot / with connecting lines /
Multiple Graphs / Overlaid
3. Distribucin de probabilidad 2 .
4. Con ayuda de Minitab se hace el
anlisis estadstico: Stat / Tables / 2
1.
5. En la pgina siguiente se muestra la tabla para 2 que arroja Minitab. En esta se observa
que en slo 3/20 celdas se tienen frecuencias esperadas menores de 5. Es decir en el
15%, por lo que s se puede utilizar la prueba de 2.
6. El valor 2 para toda la tabla es de 19.233 con 12 grados de libertad y tiene asociado un
valor de p = 0.083. Esto nos indica que no tenemos informacin suficiente para rechazar
H0. Es decir, no se pueden detectar diferencias estadsticamente significativas entre los
cuatro almacenes.
7. No podemos afirmar que los porcentajes de defectos en el surtimiento de pedidos sea
diferente entre los cuatro almacenes estudiados.
17
Prctica3:contrasteconmsde2proporciones.
Chi-Square Test: DDimens, DAcabado, DResist,
DEspesor, Conforme
Expected counts are printed below observed counts
Chi-Square contributions are printed below expected counts
DDimens
5
7.58
0.879
DAcabado
10
4.51
6.690
DResist
4
3.89
0.003
DEspesor
6
5.12
0.150
Conforme
125
128.89
0.118
Total
150
9
9.20
0.004
3
5.47
1.115
4
4.72
0.111
8
6.22
0.512
158
156.39
0.017
182
15
9.81
2.751
3
5.83
1.374
5
5.04
0.000
9
6.63
0.851
162
166.70
0.133
194
8
10.41
0.559
6
6.19
0.006
6
5.35
0.080
2
7.04
3.604
184
177.01
0.276
206
Total
37
22
19
25
629
732
Chi-Sq = 19.233, DF = 12, P-Value = 0.083

3 cells with expected counts less than 5.
18
03/02/2015
Tablade
probabilidad
para2
2crit
19
10
03/02/2015
Anlisis:
PuertadelProceso
RutaAnlisis
Identificar
y formular
causas
Anlisis
Observacin
del proceso
Cuantificar y
verificar causas
3.3PuertadeProceso
03/02/2015
ParaquobservarelProceso,ProductooServicio?
Para detectar:
La presencia de irregularidades que pudieran ser causas especiales de
variacin
Bajo qu condiciones (Causas especiales) a lo largo del tiempo, surge una
variacin anormal del proceso.
En ocasiones en procesos transaccionales observar la realidad puede

implicar que; el corto plazo represente un ao de observacin y el largo
plazo puede significar varios aos.
Qu?
Imposible
Esperar
tanto!
Cmo se recomienda trabajar bajo stas circunstancias?
Se propone utilizar uno de los siguientes enfoques:
1.Puerta de datos. Se denomina puerta de datos al

enfoque
utilizado cundo se tienen datos disponibles para el anlisis
2.Puerta de proceso. Se denomina puerta de proceso al

enfoque utilizado cundo no se tienen datos disponibles para el
anlisis.
3.3PuertadeProceso
EnfoquedeAnlisisenProyectosSeisSigmaTransaccional
Puerta de datos
Situacin
Qu
Cmo
Herramientas
Puerta de proceso
Existen datos sobre las variables de entrada, del

proceso y de la salida.
Los Procesos estudiados son complejos o con retrabajos o

muy espordicos.
Identificar y formular
causas
Identificar y formular causas
Cuantificar y verificar
causas
Estratificacin
Regresin-Correlacin
Anlisis Multivari
ANOVA
Diagrama de
Dispersin
Anlisis Datos
Discretos
Cuantificar y verificar causas
Momentos de Verdad
Mapear Subprocesos
Naturaleza del Trabajo.

Flujo del Trabajo
DOE
Accin
Buscar diferencias en cmo las unidades son

procesadas
3.3PuertadeProceso
Buscar los problemas comunes del cmo todas las unidades son
procesadas.
03/02/2015
Puertadeproceso.Versindeunproceso
Los procesos transaccionales, al tener un fuerte ingrediente
de Actividad Humana, deben definir:
Versiones del proceso
Resultado de
Cmo se piensa que es el proceso?
Especulacin
Cmo es realmente el proceso?
El recorrido del proceso
Cmo debera ser si se cumplieran los

requerimientos del cliente?
Contrastar los resultados vs. La

Satisfaccin del cliente
Cmo podra ser?
Transformacin Lean (Reingeniera) de

los procesos
Prctica1.ElaboreelDiagramadeflujodelproceso:
SolicitarFactura.
Objetivo: hacer evidente la diferencia entre: Cmo se piensa que
es?, Cmo es realmente?, Cmo debera ser?, y Cmo podra ser?
el proceso.
Instrucciones:
1. Integre un equipo de 5 personas.
2. Elabore el diagrama de flujo del proceso de Solicitar Factura cmo
piensa el equipo que es el proceso.
3. Elabore el diagrama de flujo del proceso de Solicitar Factura, cmo
realmente es.
4. Elabore el diagrama de flujo del proceso de Solicitar Factura, de
como debera ser.
5. Reflexionemos 5 minutos en el Diagrama de como podra ser.
6. Comparta con el grupo los 3 diagramas.
7. Son diferentes?, comntelos.
8. Sobre cul Diagrama de Flujo del Proceso debemos trabajar en la
etapa de Anlisis? Porqu?
3.3PuertadeProceso
03/02/2015
Prctica1.Pasosdecomoesrealmenteelproceso:SolicitarFactura.
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
El cliente solicita la factura por una compra.

Si no se tiene registrado el R.F.C. del cliente, ir a 8
Si se tienen cargados los datos del RFC en el Sistema, se cargan
los datos de los productos comprados.
Se imprime la factura y verifican los datos de la misma.
Se entrega la Factura al cliente.
Se firma de entregado.
Termina el proceso
Se dirige al rea de Finanzas.
En Finanzas, solicitan al cliente una fotocopia del R.F.C.
Capturan los datos del R.F.C. en el sistema ir a 4.
Si el Cliente no trae consigo una copia del RFC, se le entrega una
impresin que compruebe la compra.
Se le informa al Cliente deber regresar ms tarde para entregar
la copia impresa de su RFC.
Se le informa que tiene 30 das hbiles para entregar la copia
impresa de su RFC.
El Cliente regresa a entregar su RFC impreso
Ir al paso 3.
Tiempo: 20 minutos
3.3PuertadeProceso
Puertadeproceso:Trestiposdemapadel
proceso.
El tipo de mapa del proceso que se seleccione, obedece al
propsito por el que se desea analizar y los aspectos que se
pretende destacar del proceso.
1. Diagrama de Flujo del Proceso
2. Mtodo del Camino Alternativo
3. Despliegue del Diagrama de Flujo o Mapa Funcional-cruzado
En cualquier tipo de mapa nos interesa identificar:

La presencia de irregularidades que pudieran ser causas
especiales de variacin o
Bajo qu condiciones surge una variacin anormal del
proceso.
3.3PuertadeProceso
03/02/2015
Puertadeproceso:Tresformasdelmapadelproceso.
Diagrama
Descripcin
Observaciones
Flujo de Proceso
Tradicional
Se identifican los pasos, los flujos de

los re-procesos y los puntos de
decisin.
Flujo Camino
Alternativo
Elimina los smbolos de

decisin
Pondera los caminos alternativos y

facilita el anlisis de problemas.
Funcional Cruzado
Muestra las interfaces entre los actores

nfasis en quin realiza la del proceso, las transacciones que en
actividad
ellas se realizan y facilita el anlisis de
las mismas.
3.3PuertadeProceso
PuertadeProceso:MapeodelProceso
Independientemente del tipo que se seleccione para mapear el
proceso, se recomienda observar los siguientes puntos en su
elaboracin:
1. Acotar las Fronteras del Proceso.
2. Involucrar a las Personas que conocen el Cmo es: no slo
las que tengan tiempo.
3. Identificar y escribir los pasos antes de construir el mapa.
La lluvia de ideas puede facilitar la tarea
Usar Verbos (ayuda a enfocarse sobre la accin en el proceso)
No incluya en la descripcin del paso quin lo hace.
4. No inicie con la Solucin del problema

5. Validar antes de analizar.
3.3PuertadeProceso
10
03/02/2015
1.MapadeFlujodelProceso
Los Mapas de flujo facilitan la comprensin del proceso al
mostrar visualmente el flujo de lo que se hace.
La
lmpara
no
enciende
Encender
Lmpara
Inicio
Est
conectada?
Si
Cambiar
el foco
Encender
lmpara
Enciende
Si
No
conectar
Fin
3.3PuertadeProceso
11
2.MapadeFlujo:CaminoAlternativo
El mtodo del camino alternativo surge despus de la aplicacin de acciones de
mejora de procesos: no utiliza los smbolos de decisin por considerarlos ms
un obstculo para la representacin visual, que una ayuda, sobre todo al
mapear procesos muy grandes.
Dejar
Mensaje
Contestadora
Colgar
58%
Decidir
a quin
Llamar
30 %
15%
Marcar
27%
Decir
Hola
Conversar
Colgar
70 %
Buscar
nmero
3.3PuertadeProceso
Colgar
12
Porcentajes
03/02/2015
3.MapaFuncionalCruzado.
Esta forma de mapeo hace nfasis en quin ejecuta cada tarea, su secuencia en
el tiempo y cules son las interacciones entre los actores del procesos.
Responde
Cliente
Contrato
Admn..
Inicia
Llamada
Discute
Discute
Llega a
un
acuerdo
Llega a
un
acuerdo
Cuelga
Redacta
Contrato
Cuelga
Revisa
Contrato
Comisionado
Negociante
Escribe
Contrato
Quin
TIEMPO
13
Anlisisdelmapadeproceso
Procedimiento
1. Desconectar el
proceso
2. Momentos de verdad
3.3PuertadeProceso
Qu es?
Forma simple para

priorizar reas
problema.
Cualquier instante
en el que el cliente
puede emitir un
juicio positivo o
negativo, sobre el
servicio.
Cmo lo hace?
Criterio
Identifica:
Impacto al cliente
a) Brechas
Demoras
b) Redundancias
Retrabajos
c) Requerimientos no claros
Costos
d) Objetivos en conflicto
Errores potenciales
Observando al cliente.
Satisfaccin de las
necesidades del cliente.
Preguntando al cliente.
14
03/02/2015
1.Desconectarelproceso:Matriz
Las desconexiones son puntos del proceso donde el trabajo puede ser
interrumpido, demorado o generar defectos.
Causas de la
Desconexin
Impacto
cliente
Demoras
Genera
Retrabajo
Costos
Errores
potenciales
a) Brechas
b) Redundancias
c) Requerimientos
no claros
d) Objetivos en
conflicto
3.3PuertadeProceso
15
Prctica2:Desconectarelproceso.
Instrucciones
2. Dibuje el diagrama de flujo del proceso de uno de los participantes.
3. Identifiquen:
1. Brechas
2. Redundancias
3. Requerimientos no claros
4. Objetivos en conflicto
4. Defina los criterios de inters:
Impacto al cliente
Demoras
Retrabajos
Costos
Errores potenciales
5. Elaboren la matriz.
6. Presenten al grupo.
TIEMPO 15 minutos
3.3PuertadeProceso
16
03/02/2015
Prctica3:MomentosdeVerdad
Instrucciones:
En el mismo equipo que integraron para la Prctica 1.
Identificar en un paso del Proceso Solicitar Factura, un
Momento de Verdad.
Identifiquen 2 expectativas del cliente para ese
momento de Verdad.
Compartir su respuesta con el grupo.
Tiempo: 5 Minutos
3.3PuertadeProceso
17
Anlisisdelmapadeproceso
Nombre mtodo
Qu es?
Cmo lo hace?
Tipificando las
actividades en que:
3. Naturaleza del
trabajo
La aplicacin del
Anlisis de valor
Se agrega valor
No se agrega valor
Criterio
Si el cliente esta
dispuesto a pagar por
la realizacin de la
actividad
Se habilita valor
4. Flujo del trabajo
3.3PuertadeProceso
Caracteriza el trabajo
en relacin al tiempo
Asignando tiempo a las Tiempo entrega =

actividades que se
tiempo ciclo + tiempo
realizan en el proceso. demora
18
03/02/2015
3.Naturalezadeltrabajo.
Recordemos: Si un paso de trabajo transforma la informacin o el servicio, la
pregunta clave que considera el Anlisis del valor en el Mtodo de la
Naturaleza del Trabajo es:
El Cliente est dispuesto a pagar por ello?
La respuesta puede ser:
S
NO
Responda S, si los pasos analizados del proceso son considerados

esenciales para producir y entregar el producto o servicio satisfaciendo los
requerimientos del Cliente.
AV = Agrega Valor.
Responda NO, si los pasos analizados del proceso son considerados como
no esenciales para producir y entregar el Producto o Servicio para
satisfacer los Requerimientos del Cliente.
NAV = No Agrega Valor.
3.3PuertadeProceso
19
3.Naturalezadeltrabajo.
Se incluyen en el Mtodo de la Naturaleza del Trabajo, aquellos

pasos que no son esenciales, pero que:
Facilitan realizar las tareas que Agregan Valor de una manera ms
rpida, o que
Son necesarias debidas a un requerimiento externo, tal como los
registros contables que son exigidos por el SAT, o actividades que
exige alguna agencia certificadora, etc.
HV = Habilita valor.
3.3PuertadeProceso
20
10
03/02/2015
SmbolosdelDiagramadeFlujodelproceso
Los smbolos utilizados internacionalmente en el diagrama de flujo,
se presentan en la siguiente tabla.
actividad
smbolo
resultado
Operacin
Se produce o se realiza algo
Transporte
Se cambia de lugar o se
mueve un objeto
Inspeccin
Se verifica la calidad o la
cantidad del producto
Demora
Se interfiere o se retrasa el
paso siguiente
Almacenaje
Se guarda o se protege el
producto o los materiales
Actividad
combinada
Operacin combinada con una

inspeccin
3.3PuertadeProceso
21
Prctica4:FlujodetrabajoLevantar
Instrucciones:
En el mismo equipo que integraron para la Prctica 1.
1. Revisar el mapa de proceso de la siguiente hoja.
2. Obtener los tiempos acumulados.
3. Calcular el tiempo ciclo.
4. Vaciar la informacin en el formato F1
5. Colocar un asterisco en la celda que corresponde: valor agregado,
inspeccin, demora, movimiento o habilita valor relacionada a cada

uno de los pasos del proceso Levantar.
6. Realizar los clculos.
7. Es aceptable la contribucin de la demora al tiempo de ciclo?
8. Qu propone el equipo?
9. Compartir su prctica con el grupo.
Tiempo: 15 Minutos
3.3PuertadeProceso
22
11
03/02/2015
Prctica4.FlujodetrabajoLevantar
Esperar
para
levantar
Almacn
de
Formas
tiempo
horas
12
10
10
20
10
10
20
tiempo
Acum.
horas
tiempo
ciclo
horas
3.3PuertadeProceso
23
Prctica4formatoF1
Pasos
10
Tiempo
12
10
10
20
10
10
20
Valor
agregado
Inspeccin
Demora
Movimiento
Habilita valor
Total
3.3PuertadeProceso
24
12
03/02/2015
Anlisis:
PuertadeDatos
EnfoquedeAnlisisenProyectosSeisSigmaTransaccional
Puerta de datos
Situacin
Qu
Cmo
Herramientas
Puerta de proceso
Existen datos sobre las variables de entrada, del

proceso y de la salida.
Los Procesos estudiados son complejos o con retrabajos o

muy espordicos.
Identificar y formular
causas
Identificar y formular causas
Cuantificar y verificar
causas
Estratificacin
Regresin-Correlacin
Anlisis Multivari
ANOVA
Diagrama de
Dispersin
Anlisis Datos
Discretos
Cuantificar y verificar causas
Momentos de Verdad
Mapear Subprocesos
Naturaleza del Trabajo.

Flujo del Trabajo
DOE
Accin
Buscar diferencias en cmo las unidades son

procesadas
3.4PuertadeDatos
Buscar los problemas comunes del cmo todas las unidades son
procesadas.
03/02/2015
QueslaEstratificacin?
La estratificacin:
Es la clasificacin en categoras o estratos de los elementos de una
poblacin por su afinidad para facilitar el anlisis, y determinar
causas comunes de su comportamiento al interior de cada estrato.
Permite encontrar diferencias entre estratos que pueden ser
indicativos de causas especiales.
Facilita establecer prioridades para profundizar en el anlisis.
Permite identificar las causas con mayor contribucin a la
variabilidad, por lo que contribuye a enfocar los esfuerzos de
mejora sobre los factores que tienen el mayor impacto sobre el
problema.
3.4PuertadeDatos
FactoresComunesusadosparalaEstratificacin
Factor
Ejemplos
Qu
Defectos, Devoluciones,
Quejas
Cundo
Ao, Mes, Semana, Da
Dnde
Pas, Regin, Ciudad, Planta.

Departamento
Quin
Proveedor, cliente
Magnitud
Facturas, lote, monto
3.4PuertadeDatos
3.4PuertadeDatos
03/02/2015
Prctica1:Estratificar
Instrucciones
2. Leer el siguiente caso:
La Compaa Herradura est preocupada por la gran cantidad de
devoluciones debido a que algunas cajas con 6 espacios, en ocasiones
llegan con menos producto. Se analizaron todas las devoluciones de
acuerdo a los requerimientos de los clientes, para estar seguros si las
entregas estaban dentro de lo especificado. Los resultados del anlisis
fueron documentados. En un Perodo de Tiempo determinado se
registraron las correcciones debidas a errores en las entregas originales.
Los datos mostraron que el nmero de correcciones fueron
incrementndose, pero no mostraron en dnde estaba el problema.
3. Recomendar los factores que a su juicio deben utilizarse para estratificar
los datos.
Tiempo 15 minutos
5
3.4PuertadeDatos
FactoresparalaEstratificacin
Los Directivos de la Empresa Princess fabricante de zapatos para

dama, est interesado en mejorar el tiempo de hacer pedidos.
Ha encargado a un equipo de trabajo proponer la mejor forma de
hacerlo.
El equipo define hacer pedidos como: la solicitud de mercancas o

materiales que se hace a un fabricante o a un vendedor.
El equipo se dio a la tarea de recolectar datos durante tres meses y

observar las condiciones como se estaba operando, anotando todo
lo que a su juicio fuese relevante.
Se muestra una tabla con el resultado de esa indagacin, la cual

utilizaremos en nuestros ejemplos y prcticas, con el fin de:
1. Identificar y formular causas y
2. Cuantificar y verificar causas en proyectos transaccionales.
3.4PuertadeDatos
03/02/2015
Prctica2:FactoresparalaEstratificacin
Instrucciones
1.
2.
3.
4.
Integren un equipo de 5 personas.

Revisen la tabla Tiempos para Hacer Pedidos en la empresa Princess.
Identifiquen los factores utilizados para la estratificacin.
Observen la variabilidad en el tiempo utilizado para Hacer Pedidos?,
utilizando el formato de grfica de frecuencia.
1. Elaboren la grfica de frecuencias para el Tiempo para Hacer Pedidos. En la
siguiente pgina tache los recuadros correspondientes con una x para cada
tiempo observado.
2. Identifique el o los tiempos de Hacer Pedidos que se presentan con mayor
frecuencia.
5. Es grande la variabilidad en el tiempo utilizado para Hacer Pedidos?

6. Cul es la conclusin del equipo?
7. Son los factores utilizados para la estratificacin los posibles factores
causales de la variabilidad?
Tiempo 20 minutos
3.4PuertadeDatos
TabladelosTiemposparaHacerPedidosenempresaPrincess.
1
producto
en
existencia
si
tarde
baja
telfono
no
maana
baja
telfono
no
tarde
alta
email
si
maana
baja
telfono
si
tarde
alta
telfono
no
tarde
alta
telfono
no
maana
baja
telfono
si
tarde
alta
email
si
maana
baja
telfono
10
nmero de
pedido
Regin
No. de pedidos
Horario
Estadstica
de compra
Medio
Catlogo
tiempo en das
s
s
s
s
s
s
s
s
s
s
s
n
n
n
n
n
n
n
n
n
n
n
n
24
16
42
34
24
30
14
44
22
48
14
20
18
20
36
42
16
28
34
16
16
22
14
si
11
no
maana
alta
telfono
12
si
maana
alta
telfono
13
si
maana
alta
telfono
14
no
maana
alta
telfono
15
si
tarde
alta
email
16
no
tarde
baja
email
baja
17
tarde
alta
email
no
maana
18
no
maana
alta
telfono
19
no
tarde
alta
telfono
telfono
20
si
maana
baja
telfono
21
si
maana
alta
telfono
22
no
maana
baja
telfono
23
si
maana
alta
telfono
3.4PuertadeDatos
Continua
03/02/2015
ContinuaTabladeTiemposparaHacerPedidosenempresaPrincess
24
si
maana
alta
25
si
maana
baja
telfono
26
no
maana
alta
telfono
telfono
27
no
maana
alta
telfono
28
no
maana
baja
telfono
29
si
tarde
baja
email
30
no
maana
alta
telfono
31
no
maana
alta
telfono
32
no
maana
baja
telfono
33
no
maana
baja
telfono
34
si
maana
baja
telfono
35
no
maana
baja
36
no
tarde
baja
telfono
37
si
maana
baja
telfono
38
si
maana
baja
email
39
si
tarde
baja
email
40
si
maana
baja
telfono
41
si
maana
alta
telfono
42
si
tarde
alta
email
43
si
maana
alta
telfono
44
no
maana
baja
telfono
telfono
s
s
s
s
s
s
s
s
s
s
s
n
n
n
n
n
n
n
n
n
n
n
n
n
n
n
n
telfono
45
si
maana
alta
46
no
tarde
alta
email
47
no
maana
baja
telfono
48
no
maana
baja
49
no
maana
baja
email
50
no
maana
alta
telfono
telfono
18
12
14
16
10
32
10
18
16
26
22
12
28
22
28
36
20
26
38
28
24
24
26
16
16
22
32
3.4PuertadeDatos
Grficadelafrecuencia
Frecuencia
15
13
11
1
9
3.4PuertadeDatos
11
13 15
17
19
21
23
25
27
29
31
33
35
37
39
41
43
45 47 49
Tiempo para Hacer pedidos 10
03/02/2015
Puertadedatos:QueslaGrficaMultiVari?
Das del mes
Es una Herramienta Grfica usada para visualizar el rango de Variacin de la

variable de inters frente a varios factores (estratos) simultneamente.
Ejemplo: Tiempo para hacer pedidos durante los meses del ao 2013
22
21
20
19
18
17
16
15
14
13
12
O
O
O
+
3.4PuertadeDatos
O
+
O
+
O
+
O
+
O
+
O
O
+
O
O
+
O
+
+
O
O
+
E
Mejor tiempo
hacer pedido
Tiempo Medio
para hacer pedido
O
+
O
+
O
Mes
Peor tiempo hacer

pedido
11
CmoseconstruyelaGrficaMultiVari?
1. Se coloca la caracterstica de calidad tiempo,
en el eje de las y, con su escala.
2. El factor considerado importante en el anlisis se
coloca en el eje de las x; meses del ao.
3. El tiempo promedio de los datos disponibles, se
utiliza el smbolo .
4. Para representar los niveles de otro factor se
+
utilizan smbolos diferentes O y O.
5. Se unen los promedios con lneas.
3.4PuertadeDatos
12
03/02/2015
InterpretacindelaGrficaMultiVari
El mes de enero presenta la menor variacin entre el mejor tiempo, y el

peor tiempo.
Su rango de variacin es de 2 das.
Los meses restantes presentan aproximadamente el mismo rango de

variacin: de 4 das.
Abril y Julio presentan el mximo tiempo para hacer pedidos de 22 das.
Septiembre y diciembre presentan el mejor tiempo para hacer pedidos

menor a 12 das.
Hay que considerar las buenas prcticas de enero para lograr reducir la
variacin y las buenas prcticas de septiembre y diciembre de mantener
tiempos de hacer pedidos bajos, an en el peor de los tiempos.
3.4PuertadeDatos
13
Ejemplo1:GrficaMultivariconMinitab
Paso 1. Abrir el archivo en excel Princessmulti
Paso 2. seleccionar: Stat/Quality Tools/ Multi-Vari Chart
Paso 3. Alimentar la informacin cmo se indica abajo. Dar ok
3.4PuertadeDatos
14
03/02/2015
Ejemplo1:GrficaMultiVarideTiempoparahacerPedidos
Paso 4. Interpretar la Grfica que se muestra.
3.4PuertadeDatos
15
CmoconstruyeMinitablaGrficaMultiVari?
1.
Coloca la variable de respuesta, tiempo, en el eje de las y.
2.
El primer factor (Medio utilizado) lo coloca en el eje de las x:

fax y telfono.
3.
El segundo factor (Regin) lo representa por dos lneas rojas:

una para el medio telfono y otra para el medio fax.
a. El crculo vaco representa la media del tiempo para la regin centro y
el crculo con una cruz representa la media para la regin norte.
b. Se trazan lneas rojas que unen las dos medias anteriores, una por
cada medio utilizado.
4.
La lnea azul une dos puntos:

a. Punto 1; es la media aritmtica de los tiempos va fax.
b. Punto 2; es la media aritmtica de los tiempos va telefnica.
3.4PuertadeDatos
16
03/02/2015
InterpretacindelaGrficaMultiVari
Nuestro inters est en representar el rango de variacin de la
variable de calidad, con relacin a varios factores de manera
simultnea.
1. En la grfica anterior se consideraron los factores:
a.
b.
Medio utilizado y
Regin
2. El rango de variacin del tiempo promedio utilizado para

hacer un pedido va de 35 das va fax, a 20 das va
telefnica.
3. Cuando se utiliza la Va fax, el tiempo utilizado en la regin
centro ocupa aproximadamente 31 das y la regin norte
aproximadamente 38 das.
4. Cuando la va utilizada es el telfono, casi no hay variacin
en los tiempos promedio: la lnea roja es casi horizontal.
3.4PuertadeDatos
17
Prctica3:GrficaMultivarideltiempoparahacerPedidos
Ahora es tu turno! Sigue las
Instrucciones:
1. Genera una grfica Multi Vari

para los datos proporcionados
en la tabla presentada en el
archivo Datos Anlisis Trnsc
pestaa: Princess 3.2.
2. Alimenta los factores en el
orden mostrado.
3. Interpreta la grfica
4. A partir de la grfica ordena
los factores de mayor a menor
variabilidad.
3.4PuertadeDatos
18
03/02/2015
Ejemplo2:Grficadeefectosprincipales
Para los mismos datos del archivo en Excel Datos Anlisis Trnsc
pestaa: Princess 3.2. dar clic en: Stat/ANOVA/Main Effects Plot
Alimentar la informacin
siguiente:
19
3.4PuertadeDatos
Puertadedatos:InterpretacinGrficadeEfectos
Principales
Main Effects Plot for tiempo en das
Data Means
Regin
36
No. de pedidos
Horario
32
28
Mean
24
20
36
C
N
Estadstica de compra
2
Medio
maana
tarde
C atlogo
32
28
24
20
alta
baja
email
telfono
Los factores que presentan mayor variabilidad (efectos principales)

son: el horario y el medio utilizado.
3.4PuertadeDatos
20
10
03/02/2015
Lluviadeideas
Recomendaciones para esta tcnica:
El objetivo de la lluvia de ideas debe estar perfectamente
claro y especfico.
Todos los miembros del equipo generan ideas de posibles
causas del problema sin restriccin alguna.
No se critican, ni discuten, ni se rechazan las ideas
Siempre registrar las ideas en algn pizarrn, pintarrn,
hoja de rotafolio, etc.
Variantes:
Los participantes registran las causas potenciales por escrito
en algn papel con adhesivo (post-it).
21
3.4PuertadeDatos
Lluviadeideas
El objetivo es: generar todas las ideas posibles para
encontrar causas potenciales del desperdicio durante
los arranques.
Registren sus ideas en papeles con adhesivo (postits). No mezclar dos ideas en un mismo papel.
El instructor toma los papeles y los clasifica en
grupos.
Comunica a los participantes los resultados del
ejercicio.
3.4PuertadeDatos
22
11
03/02/2015
Tabladeregistrodedatos
En una tabla se registra la cantidad de defectos o rechazos (o cualquier otra cosa

que suceda en el proceso que Uds. quieran estudiar). Las columnas de la tabla
representan los das o turnos consecutivos y en los renglones se registran los tipos
de defectos.
Esta tabla puede mostrar la evolucin de los defectos. Esto puede relacionarse con
algo ms que haya sucedido en el tiempo que permita identificar las causas raz del
problema de defectos.
Por ejemplo, el incremento de facturas con asignacin de precios errneos por
producto, sugiere que alguna causa que no estaba antes, tal vez apareci desde
ese da jueves Entr un nuevo empleado sin capacitacin adecuada? Fall el
programa de cmputo?.
DefectosenFacturasregistradosporda
Lunes
Martes Mircoles Jueves
Viernes
Sbado
Preciodeproductomalasignado
RFCsinhomoclave
RFCequivocado
Cantidadesdeproductosenfacturanocorrespondenaloentregadoalcliente
Productosenfacturanocorrespondenaloentregadoalcliente
Direccinfiscalequivocada
RaznSocialconerror
SinOrdendeCompra
Condicionesdepagoequivocadas
23
3.4PuertadeDatos
Sinespecificarformadepago
GrficadePareto
La grfica de Pareto, facilita entender por dnde empezar
para mejorar un proceso o producto. Separa grficamente
algunos de los factores ms importantes del resto de
factores menos importantes.
Qu necesito para hacerlo?.datos
Qu tipo de datos?.defectos, desperdicio, causas
de rechazo, costo de la no calidad,
etc. y su frecuencia
Hagmoslo!
Suponga que nos interesa saber, cules son
los defectos ms comunes que se presentan
en la operacin?
3.4PuertadeDatos
24
12
03/02/2015
Grfica de Pareto
Pasos para su construccin
1.
2.
3.
4.
5.
Definir el perodo de tiempo en que recolectarn los datos.

Recolectar los datos en el formato definido.
Ordenar los datos de mayor a menor.
Calcular la frecuencia acumulada
Calcular el porcentaje de contribucin de cada tipo de
defecto
Graficar:
a. Trazar los ejes; horizontal y vertical
b. Registrar en el eje horizontal el tipo de defecto en el
orden de importancia del mismo tamao.
c. Registrar en el eje vertical la frecuencia observada.
d. Trazar la barra que corresponda al valor de frecuencia
mayor y continuar con todos los tipos de defectos.
25
3.4PuertadeDatos
GrficadePareto
Se desea saber por dnde debemos empezar para disminuir el nmero de
errores en la elaboracin de facturas. Para ello construiremos una grfica de
Pareto.
Paso 1. Recolectamos datos de las causas de los errores en las facturas
generados de enero a abril del 2014. Registramos los datos en un formato.
Nmerodedefectosencontradospormes
DefectosenFacturas
ene
feb
mar
abr
Total
RFCsinhomoclave
32
18
11
68
RFCequivocado
18
15
43
17
50
12
13
14
11
21
16
26
32
45
119
RaznSocialconerror
10
11
17
43
SinOrdendeCompra
1
0
0
0
3
3
0
4
4
109
5
96
7
96
9
96
397
Total
3.4PuertadeDatos
4
25
26
13
03/02/2015
GrficadePareto
Paso 2. Ordenamos los datos de mayor a menor, respecto del
total de defectos durante los cuatro meses considerados, como se
muestra en la tabla de abajo.
Nmerodedefectosencontradospormes
DefectosenFacturas
ene
feb
mar
abr
Total
16
26
32
45
119
RFCsinhomoclave
32
18
11
68
12
13
14
11
50
RFCequivocado
18
15
43
RaznSocialconerror
10
11
17
43
25
21
9
0
5
0
2
3
1
4
17
1
109
0
96
3
96
0
96
SinOrdendeCompra
Total
7
4
397
27
3.4PuertadeDatos
GrficadePareto
Paso 3. Calculamos las frecuencias acumuladas y los porcentajes:
DefectosenFacturas
Total
Acum.
119
119
30.0%
%Acum
30.0%
RFCsinhomoclave
68
187
17.1%
47.1%
50
237
12.6%
59.7%
RFCequivocado
43
280
10.8%
70.5%
RaznSocialconerror
43
323
10.8%
81.4%
25
348
6.3%
87.7%
21
369
5.3%
92.9%
17
7
386
4.3%
97.2%
393
1.8%
99.0%
397
1.0%
100.0%
100.0%
SinOrdendeCompra
Total
3.4PuertadeDatos
4
397
28
14
03/02/2015
Paso 4.
a. Trazar los ejes; horizontal y vertical
b. Registrar en el eje horizontal el tipo de defecto en el orden de
importancia del mismo tamao.
c. Registrar los porcentajes acumulados de los defectos
En Minitab: Stat/Quality Tools/Pareto Chart
29
3.4PuertadeDatos
PrincipiodePareto
La grfica de Pareto parte de la relacin que Wilfrido Pareto
formul sealando que la mayora de los problemas tienen
pocas causas.
Esto se suele expresar como que el 80% de los problemas
estn causados por 20% de las causas. En realidad no
siempre es as de exacto!
En este ejemplo la interpretacin debiera ser que: los errores
en los que se debe enfocar la mejora del proceso de
elaboracin de facturas debieran ser: Precio de producto mal
asignado, RFC sin homoclave, Productos en factura no
corresponden a lo entregado al cliente, RFC equivocado y
Razn Social con error
3.4PuertadeDatos
30
15
03/02/2015
Principio de Pareto
20% del
Desperdicio
Muchas
causas
Triviales
El 80% de
las causas
(Poco
importantes)
80% de los
Desperdicios
Pocas
Causas
Vitales
El 20% de las
causas
(Muy
importantes)
31
3.4PuertadeDatos
Diagrama Causa Efecto

Para qu lo uso?
Para organizar las ideas que el equipo de mejora genera en la
bsqueda de las causas de los defectos, del desperdicio, de los
rechazos, de algn problema en particular.
Cules son las causas que con mayor frecuencia afectan la
calidad, generan defectos, rechazos o desperdicio? Se suelen
utilizar 6 categoras que se conocen como las 6 Ms.
3.4PuertadeDatos
Mtodos de trabajo
Maquinaria o equipo
Mediciones
Material utilizado
Mano de obra
Medio ambiente
Las 6 Ms !
32
16
03/02/2015

Causas que provocan comnmente problemas de calidad
Mtodo de Trabajo: Es la manera como se realizan los trabajos. Cuando
stos se hacen sin seguir un procedimiento estndar, con frecuencia se lleva
a cabo de manera diferente por cada empleado, esa puede ser una causa de
algn defecto.
Maquinaria o equipo: Cuando los equipos (computadoras) no estn en
ptimas condiciones, o se descomponen con frecuencia, la productividad y
calidad se ve gravemente afectada. Esto pueden ser una causa importante
de los problemas que se presentan en el trabajo.
Materiales Utilizados: La calidad y caractersticas de los materiales que
se utilizan en algunos procesos transaccionales, son un factor que en algunos

casos podra afectar la productividad y la calidad.
33
3.4PuertadeDatos

Mano de Obra: Cuando el empleado "no sabe" o no quiere o no tiene la
habilidad suficiente para hacer su trabajo, siguiendo los procedimientos
estndar correspondientes, entonces las cosas no salen correctamente y se
afectan tanto el costo, como la calidad de los servicios. Esto puede provocar
desperdicios, re-procesos, insatisfaccin de los clientes, etc.
Mediciones: La falta de procedimientos confiables y vlidos de medicin

contribuyen a que se cometan errores en la toma de decisiones. Estas
mediciones no confiables pueden provocar problemas de calidad, desperdicio
y costos extras.
Medio Ambiente: Las condiciones ambientales pueden afectan el
desempeo de los empleados y de los equipos, tales como las

computadoras, impresoras, etc. Esto a su vez puede afectar la calidad de los
servicios ofrecidos.
3.4PuertadeDatos
34
17
03/02/2015

Pasos para construir el diagrama de causa-efecto
Paso 1. Coloque el defecto o problema (en la cabeza
del pescado)
Paso 2. Escriba las seis ms o categoras que utilizar.
Paso 3. El equipo realiza una lluvia de ideas sobre las posibles causas del
problema, y las coloca en la rama de la m analizada.
Paso 4. Se revisan y evalan las posibles causas del problema a la luz de su
experiencia y con datos que tengan disponibles.
Paso 5. Se identifican las ideas que posiblemente sean las verdaderas causas
del problema.
Paso 6. El equipo jerarquiza las causas ms importantes, en las que se enfocar
la mejora.
Minitab tiene una opcin que sirve de gua y elabora el diagrama: Stat/Quality
Tools/Cause-and-Effect.
35
3.4PuertadeDatos

Ejemplo de un diagrama Causa y Efecto, de Pescado o Ishikawa
Cause-and-Effect Diagram
Measurements
Material
Personnel
N o hay
procedimiento estd.
N o entrenadas
C digos de barras se
daan
N o hay un G age Ry R
de mediciones
Rollos papel bloquean

seal RF
P olv o impide lectura
pistola
3.4PuertadeDatos
Methods
E quipo de Radio
F recuencia de corto
alcance
S e bloquea con las altas
temperaturas
N o hay proced. estd.

para cuando no seal
RF
N o hay proced. estd.
del proceso "P icking"
O ficina con altas

temp. en v erano
Environment
F alta M otiv acin realizar

registros correctos.
Baja
confiabilidad
de
inv entario
en almacn.
C omputadora muy lenta
Machines
36
18
03/02/2015

Ejemplo de un diagrama Causa y Efecto con sub-ramas
Cause-and-Effect Diagram
Measurements
Material
Personnel
n
i
cc
du
In
fic
de
ls
at
e
nt
ie
No hay
procedimiento estd.
o
.n
c
as
tr
c. o
es aj
ab
tr
so
pa
c
en
d
en
as
rg
ca
ta
on
M
No hay un Gage RyR

de mediciones
n
te
su
s is
re
No entrenadas
ia
de
Cdigos de barras se
daan
Rollos papel bloquean seal RF
Equipo de Radio Frecuencia de

corto alcance
No hay proced. estd. para

cuando no seal RF
Polvo impide lectura pistola
Environment
Se bloquea con las altas

temperaturas
No hay proced. estd. del
proceso "Picking"
Oficina con altas temp. en

verano
Methods
Baja
confiabilidad
de
inventario
en almacn.
Falta Motivacin realizar registros

correctos.
Computadora muy lenta
Machines
37
3.4PuertadeDatos
Porqullueve?
.... porque:
Cae agua: precipitacin lquida

Condensacin atmosfrica de vapor de agua
Por la baja de presin atmosfrica
Por la evaporacin del agua
Por la formacin de las nubes
El proceso Bergeron Findeisen: En las nubes se forman ncleos de cristales de hielo

alrededor de una semilla (tales como: una bacteria, caoln, yoduro de plata, carbonato de
calcio) o de manera espontnea a -42C. Agua sper-fra se junta con el ncleo de hielo y
se congela alrededor de l. Incrementa su tamao y peso y cae. Conforme cae, cambia su
temperatura y se convierte en lquido de nuevo. A veces no llega a la tierra y se evapora en
su camino.
3.4PuertadeDatos
38
19
03/02/2015
CadenasCausales
Todas los efectos tienen al menos una causa
Todas las causas a su vez son efectos, por lo
que tambin tiene una causa propia (o varias)
As que se forman cadenas de causas y efectos.
39
3.4PuertadeDatos
CadenasCausales
Queremos eliminar de raz un efecto como el
desperdicio, por lo que tenemos que eliminar
su(s) causa(s).
Qu eslabn de la cadena debemos atacar?
Atacar el eslabn de la cadena de causas que
est dentro de su competencia atacar. A esta le
llamamos Causa Raz.
3.4PuertadeDatos
40
20
03/02/2015
rboldelos5porqus
Pretende encontrar posibles causas del efecto o problema que se desea

analizar y es sencilla de aplicar.
Preguntarse por qu ocurre el efecto. Primero nos cuestionamos por la
primera causa (la ms cercana al efecto que se est analizando).
Seguirse preguntando porqu ocurre la primera causa, luego porqu ocurre
la segunda causa y as hasta llegar a la causa raz (la que podemos
atacar).
41
3.4PuertadeDatos
rboldelos5porqus
Ocurre lo que est

arriba de este smbolo
si ocurre al menos uno
de lo que est abajo
del mismo
Ocurre lo que est

arriba de este smbolo
si ocurren todos los
que estn abajo del
mismo
3.4PuertadeDatos
42
21
03/02/2015
Ejemplorboldelos5porqus
Nohaysuficientes
antenasdeRF.
rbol de los cinco porqus
Cuandoseubicafsicamente
unmaterial,noseregistra
correctamentelaubicacin.
Hayreasenelalmacnenlasqueno
haysealderadiofrecuencia(RF)yno
seenvalaubicacinalSistema.Se
teclealaubicacinmanualmenteyen
ocasionessehaceerroneamente.
AntenasdeRFno
cubrentodaslasreas
delospasillosdel
almacn.
Algunoscdigosdebarrasdelas
ubicacionesestnrayadosoborrosos.
Seteclealaubicacinmanualmentey
enocasionessehaceerroneamente.
Lostecleadosdelas
pistolasdeRFestn
desgastados.
Materialesno
encontradosenla
ubicacinregistrada
enelSistema.
Materialesenalmacn
provocan"sombras"de
lasealdeRF.
Pistolaslectorasde
cdigosdebarrasson
decortoalcance.
ubicacionesestnlejanosparael
alcancedelapistoladeRF.Setecleala
ubicacinmanualmenteyen
Baja
confiabilidad
delinventario
enelalmacn.
Cdigosdebarras
alejadosdelavistadel
montacarguista
provocalecturasy
tecleadoerrneos.
Cdigosdebarrasno
resistentesalpasode
losmontacargas.
Enubicacin
registradaenel
Sistemaseencuentra
unmaterialdiferente.
3.4PuertadeDatos
Enocasionessemueveun
materialparasacarelmaterial
quesedeseasurtir.Elmaterial
movidoinicialmentenose
regresaasuubicacinoriginal.
Nosecuentaconunprocedimiento
estndarparacuandosemueveun
materialparasurtirotromaterial.
Nohayestantessuficientespara
ubicarmaterialesyesnecesario
apilarlos.
43
Prctica4
En equipos de tres personas los participantes
harn un ejercicio de 5 porqus para una falla
sencilla dentro de su rea.
Se seleccionarn dos equipos para que
presenten su rbol de 5 porqus.
3.4PuertadeDatos
44
22
03/02/2015
CuantificaryVerificarlasCausas
Puertadedatos:Cuantificaryverificarlacausa
Nos interesa saber qu Variables de Entrada y de Proceso son las pocas
vitales Xs, que afectan los CTQs de Desempeo del Proceso o
Resultado(s) Medible(s) Ys.
Recordemos la relacin del resultado medible Y y las pocas variables
vitales X.
Y = f (X1, X2, ..., Xn)

Dado que los recursos son escasos, las soluciones que desarrollemos e
implementemos deben estar orientadas al Mejoramiento del proceso a
prueba de error.
Estas soluciones deben ser resultado de la verificacin de la contribucin
de las causas vitales al resultado medible de la Y
Queremos tener una alta probabilidad de que al implementar una
Estrategia de Control para la solucin implementada, permitir vivir sin el
problema.
3.5CuantificaryVerificarlasCausas
03/02/2015
VerificarlasCausasPotencialespara:
Considerar la Opinin de las Personas que viven
los problemas, sobre las Causas Potenciales
Determinar y Confirmar las Causas con el
impacto ms grande en los Resultados del
problema
Desarrollar Soluciones sobre las Causas
Verificadas
Enfocarse slo en el ataque a las causas vitales,
ya que los recursos son escasos.
GuaparalaVerificacin
1. Las Opiniones y el Consenso pudieran ayudar a determinar
cual es la principal sospechosa, pero no pueden verificar
la causa.
2. Usar la Causa Existente del diagrama Causa y Efecto puede
ayudar a enfocar la Verificacin sobre las Causas ms
importantes.
3.
Use Datos Histricos o Experimentales para Verificar las

Causas
4. Visualmente indicar las Causas Verificadas sobre el

Diagrama Causa Efecto.
03/02/2015
MtodosdeVerificacin
Examinar los Datos Existentes y Analizarlos
Completar el Anlisis Adicional sobre los Datos
Existentes usando algunas de las siguientes
herramientas:
Diagrama de Pareto
Grfica de Corridas
Colectar Datos Adicionales
Grfica de Dispersin
Planear para Experimentar y Conducir pruebas
Diseo de Experimentos
Acordar y declarar sobre las Pocas Vitales finales
MtodosparaverificacindeCausaRaz
Existen muchos mtodos de verificacin que
la Causa Raz es verdaderamente la Causa
Raz.
Por ejemplo, para colectar datos de defectos
adicionales (quizs una muestra pequea de
defectos), uno puede ver, en los hechos, si la
causa raz fue la culpable. En algunos casos,
puede ser fcil observarlo, otras veces ser
necesario utilizar Diseos Experimentales y
Herramientas Estadsticas, el objetivo es
tener una alta confianza de que la verdadera
causa ha sido identificada.
03/02/2015
PruebasdeHiptesis
Qu se prueba?
Prueba
Estadstica
Grado de
asociacin entre
dos variables
continuas
Regresin Lineal
Grfica
Diagrama o
grfica de
Dispersin
Coeficiente de
Correlacin
Fuerte Correlacin
Positiva
DiagramadeDispersin
1. Qu es un Diagrama o Grfica de Dispersin?
Es una grfica til para identificar la relacin entre dos
variables. Las relaciones pueden ser entre:
Una causa y un efecto.
Una causa y otra causa.
Un efecto y otro efecto. Un problema y otro problema. Una
caracterstica de calidad del producto y otra caracterstica de
calidad del producto.
Es una herramienta indispensable, antes de buscar la solucin
a un problema.
03/02/2015
DiagramaoGrficadeDispersin
2. Cmo se construye el Diagrama de Dispersin?
1. Se recolectan datos por pares de las dos variables (Xi,Yi)
2. Se grafica cada yi con su correspondiente xi, cuidando
utilizar la misma escala para las dos variables
3. Se etiqueta cada eje, registrando la unidad de medida.
4. Se coloca ttulo al Diagrama de dispersin.
DiagramadeDispersin
3.
Interpretacin de un Diagrama de Dispersin

1. Identificar patrones o correlacin entre las variables (X,Y)
2. Identificar la direccin del patrn o correlacin: relacin
positiva, negativa o ausencia de relacin.
Por ejemplo, una correlacin fuerte positiva indica que un
aumento en la variable de proceso (X) aumenta el desempeo
del proceso (Y).
3. Identificar la fuerza de la correlacin. Una correlacin

fuerte muestra una relacin lineal definitiva, mientras
que una correlacin posible indica una relacin lineal
ms dbil con ms variacin en los puntos.
4.
Identificar acciones a seguir.
10
03/02/2015
InterpretacindelDiagramadeDispersin
Fuerte Correlacin Positiva
Fuerte Correlacin Negativa
Posible Correlacin Positiva
Posible Correlacin Negativa
No Correlacin
Otros Patrones
11
DiagramadeDispersindelarelacindeltiempodel
productoenelmercadoyelnmerodeclientesque
locompran.
200
150
# Clientes
100
(Y)
50
10
20
30
50
40
Tiempo (X)
12
03/02/2015
Ejemplo1:DiagramadeDispersin
El Administrador de una cadena de almacenes
departamentales desea:
1. Verificar la relacin entre las ventas semanales y el
nmero de clientes.
1. Las ventas semanales se representan por la variable Y a
la que denominamos variable dependiente.
2. El nmero de clientes se representa por la variable X, a la
que denominamos variable independiente, o variable
explicatoria.
3. Se recolectan 20 datos, que representan el registro de las
ltimas 20 semanas. Los datos se muestran en la tabla
siguiente:
13
Almacn
Ejemplo1:Tabla
dedatos
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Nmero de
Clientes (X)
907
926
506
741
789
889
874
510
529
420
679
872
924
607
452
729
794
844
1,010
621
Ventas (miles)
(Y)
11.2
11.05
6.84
9.15
9.42
10.08
9.45
6.73
7.24
6.12
7.63
9.43
9.46
7.64
6.92
8.95
9.39
10.23
12
7.41
14
03/02/2015
Las herramientas a utilizar deben reunir las 3 Ss: Sencillas de

construir, Sencillas de interpretar y Sencillas de concluir. Entre las
herramientas ms sencillas se encuentra el diagrama o grfica de
dispersin. Esta grfica, en combinacin con la tcnica de las
medianas, provee de informacin valiosa. Se recomienda utilizar
cuando el nmero de pares de datos es menor de 30.
El objetivo es: Verificar la relacin entre las ventas semanales y el

nmero de clientes.
La tcnica de las medianas es sencilla y bastante exacta. Como su

nombre lo indica, consiste en dibujar las lneas de las medianas
tanto para la X como para la Y en un diagrama de dispersin. La
lgica del mtodo se basa en que al estratificar la cantidad total
de puntos en dos partes iguales en el sentido de la X y en el
sentido de la Y, el comportamiento definir la existencia de una
relacin o no.
15
1. Calcular la mediana para X y para Y.
1. Ordenar de menor a mayor
2. Dado que el nmero de datos son pares, se obtiene el
promedio de los dos valores centrales.
1. Med X =
765
2. Med Y =
9.27
2. Dibujar el diagrama trazando los ejes de las X
(nmero de clientes), y el de las Y (ventas en miles

de pesos).
16
03/02/2015
Ejemplo1:DiagramadeDispersin(Minitab)
Paso 1. Abrir el archivo en excel Datos Anlisis Trnsc
Paso 2. seleccionar: Graph/Satterplot / Simple
Paso 3. Alimentar la informacin cmo se indica abajo. Hacer clic en
Aceptar (OK)
17
Scatterplot of Ventas (miles) (Y) vs Nm. Clientes (X)
12
Ventas (miles) (Y)
11
10
9
8
7
6
400
500
600
700
800
Nm. Clientes (X)
900
1000
18
03/02/2015
Para trazar lneas en la grfica, hacer clic en Scale y luego escribir el nivel
donde se desea se tracen las lneas: en las medianas correspondientes.
19
3.
Dibujar las lneas mediana para la X y para la Y.

765
12
Ventas (miles) (Y)
11
10
9.27
9
8
7
6
400
500
600
700
800
Nm. Clientes (X)
900
1000
20
10
03/02/2015
4. Contar el nmero de puntos (datos) en cada cuadrante.
I = 10
II = 0
III= 10
IV = 0
765
12
Ventas (miles) (Y)
11
II
10
9.27
III
IV
7
6
400
500
600
700
800
Nm. Clientes (X)
900
1000
21
5.
Determinar la existencia de correlacin:

Sumar el nmero de puntos en los cuadrantes I y III y en
el II y IV:
I+III = 10+10=20
II+IV= 0+0= 0
Total N = 20
S I + III es mayor que II + IV , la correlacin ser
positiva, de otra forma la correlacin ser negativa.
La incertidumbre de qu tanto es mayor uno que otro, se
minimiza utilizando la tabla de los signos con un nivel de
significancia del 5%.
22
11
03/02/2015
Tablapara
Diagramade
Dispersin
inf
sup
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
0
0
0
1
1
1
2
2
2
3
3
4
4
4
5
5
5
6
6
7
7
7
8
8
9
5
6
7
8
8
9
10
10
11
12
12
13
13
14
15
15
16
17
17
18
18
19
20
20
21
21
23
Dado que el nmero de datos son 20, se busca el valor inferior y
superior de la tabla en ese rengln.
Inferior = 5
Superior = 15
Se compara el total menor vs. El valor inferior de la tabla:
II + IV = 0 + 0 = 0
Total menor
Como el total menor es 0 y es menor al lmite inferior, o sea 0 < 5,

entonces podemos concluir que s existe correlacin y sta es
positiva.
Otra manera complementaria de probar lo anterior es, observando
la tendencia de la dispersin de los puntos: a medida que X
aumenta la Y se incrementa.
24
12
03/02/2015
Paso 4. Interpretar la grfica.
Se observa claramente una relacin entre el nmero de clientes
y las ventas en miles de pesos, en los 20 almacenes.
Se observa que a medida que el nmero de clientes crece, las
ventas en miles de pesos crecen.
Se observa una relacin positiva, a mayor nmero de clientes,
mayores ventas en miles de pesos.
Posible correlacin positiva.
25
Prctica1:DiagramadeDispersin
El Gerente de Comercializacin de la empresa Herradura, debe decidir si es
necesario o no, ampliar el espacio de los anaqueles que ocupan actualmente sus
productos en la cadena de supermercados en los que se venden.
El equipo formado por 5 personas tiene la tarea de analizar la situacin y
demostrar s hay evidencia que muestre mayores ventas en relacin al espacio
en pies de los anaqueles.
La informacin disponible aparece en el archivo excel Datos Anlisis Trnsc.
Ahora es tu turno! Sigue las Instrucciones:
1. Genere un diagrama de dispersin para los datos proporcionados.
2. Interprete la grfica
3. Debe el Gerente de Comercializacin ampliar el espacio de los anaqueles
que ocupan sus productos? porqu?
26
13
03/02/2015
Prctica1:diagramadedispersin
3
Tienda
Espacio estante (m )
(X)
Ventas Semanales
(Y)
1600
2200
1400
10
1900
10
2400
10
2600
15
2300
15
2700
15
2800
10
20
2600
11
20
2900
12
20
3300
27
ErroresComunesenlaConstruccindel
DiagramadeDispersin
Mezclar las Variables
No aparear correctamente los Datos.
Incrementar discrecionalmente el espacio entre las marcas

para favorecer una decisin.
No elegir una escala apropiada ya sea en la variable X o

bien en la variable Y, lo que arroja un Diagrama de
Dispersin no forma un Cuadrado.
X y Y
28
14
03/02/2015
Escalainapropiada:DiagramadeDispersin.
Error
Amplio rango en el
eje de las Xs
Grfica
I
n
g
r
e
s
o
s
en$MM
140
120
100
80
60
40
20
00
%DisminucindePrecio
140
Amplio rango en el
eje de las Ys
130
120
Ganacia
En $MM 110
100
90
80
70
60
10
15
% Disminucin de Precio
29
CoeficientedeCorrelacin:Medidadelaintensidad
delaasociacinentredosvariables
La intensidad de una relacin entre dos variables de una

poblacin por lo general se mide mediante el coeficiente de
correlacin
Los valores van desde -1, lo que significa una fuerte correlacin
negativa a +1, lo que significa una fuerte correlacin positiva.
Fuerte Correlacin Negativa
Fuerte Correlacin Positiva
30
15
03/02/2015
CoeficientedeCorrelacin
La intensidad de la relacin entre dos variables de una muestra
se mide mediante el coeficiente de correlacin r.
El coeficiente de correlacin de la muestra se calcula mediante la
siguiente expresin:
31
CoeficientedeCorrelacin
Otra manera de calcular el coeficiente de correlacin
cuando se utiliza una calculadora es usando la siguiente
frmula:
32
16
03/02/2015
CuantificarlaFortalezadelaRelacin
y
r = -1.0
r= 0
r = +1.0
r= 0
33
Ejemplo2:CoeficientedeCorrelacin.
El Administrador de una cadena de almacenes
departamentales desea conocer la fortaleza de la relacin
entre las variables:
Las ventas semanales en miles de pesos, que es la variable
dependiente Y
El nmero de clientes qu es la variable independiente X .

El mismo ejemplo se resolvi anteriormente (Ejercicio 1) con
la finalidad de conocer si exista relacin entre las 2 variables.

En este punto el inters es otro: Esto es, conocer la fortaleza
de la relacin, por lo tanto vamos a calcular el valor del
coeficiente de correlacin.
34
17
03/02/2015
Ejemplo2:coeficientedecorrelacin.
Paso 1. Abrir el archivo en excel Datos Anlisis Trnsc en pestaa
Ventas Clientes 3.5-E1
Paso 2. seleccionar: Stat/Basic Statistics/Correlation
Paso 3. Alimentar la informacin cmo se indica abajo. Dar aceptar
35
Ejemplo2:coeficientedecorrelacin.
Paso 4. Obtener el coeficiente de correlacin:
r = + 0.955
Paso 5. Obtener la conclusin.
Comparamos el valor r calculado vs. El valor referencia.
Valor referencia: Si hubiese una perfecta correlacin positiva
r = +1.0
Valor obtenido: + 0.955
Dado que el valor obtenido es 0.955 y se aproxima al valor
referencia 1.0, podemos concluir que el grado de asociacin entre
las variables: Ventas en miles de pesos y el nmero de clientes es
fuerte.
36
18
03/02/2015
Ejemplo2.ClculodelCoeficientede
Correlacin,utilizandolafrmula
rXY =
,
.
.
.
= 0.954
El valor es prcticamente igual al calculado a travs del Minitab

37
Precaucin:LaCorrelacinnoimplica
Causalidad!
100
80
Poblacin
(en miles)
200
300
80
70
70
60
60
50
100
200
Correlacin entre
el nmero de
Cigeas y la
Poblacin
Humana
50
300
Nmero de Cigeas
Source:Box,Hunter,Hunter.Statistics For Experimenters.NewYork,NY:JohnWiley &Sons.1978
38
19
03/02/2015
Precaucin!LaCorrelacinnoimplicaCausalidad
No caigamos en el error de confundir
Correlacin con Causalidad.
La manera recomendable para verificar
causalidad es mediante la
experimentacin.
Veremos ms adelante el Diseo de
Experimentos.
39
ModelosdeRegresin
1
b1
b0 + b1X1
Ecuacin de Regresin
Y = b0 + b1X1
Donde
b0 = Prediccin Valor de Y cundo X1 = 0
(Intercepcin)
b1 = Pendiente de la lnea
Cambio en Y por unidad de cambio
en X1 (Coeficiente de Regresin)
b0
X1
40
20
03/02/2015
TiposdemodelosdeRegresin
La naturaleza de la relacin puede tomar muchas formas, que van
de lo ms sencillo, hasta lo ms complicado. Lo ms sencillo
consiste en una relacin lineal. El modelo de la lnea recta se
representa por: Yi= +
+
Regresin de Ventas (miles) (Y) vs Nm. Clientes (X)
12
Ventas (miles) (Y)
11
10
9
8
7
6
400
500
600
700
800
Nm. Clientes (X)
900
1000
41
Anlisisderegresinlinealsimple
El objetivo es buscar la lnea recta que mejor se
ajusta a los datos.
El mejor ajuste significa que deseamos encontrar
la lnea recta para la cual las diferencias entre los
valores reales (Yi) y los valores que seran
predichos a partir de la lnea ajustada de
regresin ( ) sean lo ms pequeas posibles.
Dado que las diferencias sern positivas y
negativas el valor deseado de las diferencias es
aproximadamente cero.
42
21
03/02/2015
Ejemplo3:anlisisderegresin.
Paso 1. Abrir la tabla de datos: Nmero de clientes y monto de las Ventas
utilizados en ejemplos anteriores
Paso 2. seleccionar: Stat/Regression/Regression
Paso 3. Alimentar la informacin cmo se indica abajo. Dar ok
43
Diagramadedispersinconlnea
deregresinajustada
44
22
03/02/2015
AnlisisdeRegresin:ventasenmilesvs.Nmerodeclientes
Regression Analysis:Ventas(miles)(Y)versusNm.Clientes(X)
The regression equation is
Ventas(miles)(Y)=2.42+0.00873Nm.Clientes(X)
Predictor Coef
SECoef
TP
Constant 2.41930.47925.050.000
Nm.Clientes(X)0.00873450.000637313.71 0.000
S=0.499612RSq=91.3%RSq(adj)=90.8%
Analysis ofVariance
Source
DFSSMS
FP
Regression
146.88946.889187.850.000
ResidualError 184.4930.250
Total
1951.382
Unusual Observations
Nm.Ventas
Clientes(miles)
Obs
(X)(Y)FitSEFitResidualStResid
139249.46010.4900.1661.0302.19R
45
Interpretacindelaecuacinlinealsimple
La ecuacin que mejor se ajusta a los datos es:
=2.4193+0.00873
La regresin es significativa, el valor de p es 0 esto es, menor de

0.05.
El modelo es bueno ya que el valor de R2= 91.3 % y R2 ajustado

= 90.8, son muy cercanos.
La pendiente se considera como la representacin de la porcin de

ventas semanales que se estiman variarn con respecto al nmero
de clientes.
46
23
03/02/2015
La ecuacin que mejor se ajusta a los datos es:
=2.42+0.00873
Por cada aumento de un cliente, el modelo
ajustado predice una estimacin de un aumento
de las ventas semanales de 0.00873 miles de
pesos o $ 8.73. Dicho de otra manera por cada
aumento de 100 clientes, se espera que las
ventas semanales aumenten en $ 873.
47
La interseccin en Y, bo de 2.42 (miles de pesos),
=2.42+0.00873
Representa el valor promedio de Y cuando X es igual a
cero. Puesto que es improbable que el nmero de
clientes sea cero, este valor puede verse como la
expresin de la porcin de las ventas semanales que
se estiman varan con respecto a factores diferentes
al nmero de clientes.
El modelo ajustado puede utilizarse para predecir las
ventas semanales.
48
24
03/02/2015
Ejemplo3:prediccinventassemanales
Predecir las ventas semanales (en miles de pesos) si el nmero
de clientes es igual a 600.
Sustituimos en la ecuacin ajustada el valor de 600
= 2.42 + 0.00873(600) = 7.658 miles de pesos
Las ventas semanales promedio predichas para una tienda
de 600 clientes es de $ 7,658 pesos.
La prediccin slo vale dentro del rango de las Xs!

49
ConclusinCausaRaz
Verificar Causas Raz a partir de causas

potenciales
Enfocarse en Planear la Solucin sobre la

Causa Raz Identificada
Con mucha frecuencia los equipos de

trabajo LSS identifican la causa raz, y
pierden el enfoque durante la fase de
planeacin de la solucin
50
25
03/02/2015
Ejemplo4.PedidoenempresaHerradura
Qu pasa internamente en la empresa Herradura al recibir la
llamada del cliente solicitando un pedido.
El flujo del proceso es tortuoso y lento. Para muestra un botn:
Se recibe orden pedido.
Se turna a la fbrica.
Existe un mayorista, detallista y el cliente esperando.
La ventaja de utilizar los mtodos estadsticos es la imparcialidad
Hay evidencia estadstica de que existe un problema?. Qu tal si
cuantificamos la contribucin de cada subproceso a la Y,
recordemos que lo que el cliente quiere es el producto.
51
CadenadesuministrosLaHerradura
Los tiempos desde que el cliente genera la orden de compra,

hasta que le surten el producto se muestran en la tabla
siguiente.
52
26
03/02/2015
53
Calcular los tiempos de
ciclo de los subprocesos:
AB, BC, CD y el valor de
la variable Y :
Consecutivo
BA
CB
DC
16
B-A = 3 (B) -1(A) = 2

C-B = 7(C) 3 (B) = 4
D-C = 23 D 7 (C) = 16
Y = E-Requerimiento = - 9
Completar la tabla.
54
27
03/02/2015
Coinciden tus resultados con los de esta tabla ?
B-A
C-B
D-C
16
12
33
34
27
30
11
10
10
15
20
11
12
10
13
33
30
10
15
11
10
11
55
1. Alimentar la informacin de la tabla en la hoja de datos del
Minitab.
2. Seleccionar: Stat/Regression/Regression
3. Seleccionar como predictores A-B, B-C y C-D y la Y como
variable de respuesta. Dar Aceptar
56
28
03/02/2015
ResultadoMinitab
Regression Analysis:YversusAB,BC,CD
The regression equation is
Y= 26.7+2.46AB 0.799BC+0.642CD
Predictor
Constant
AB
BC
CD
Coef
26.735
2.4629
0.7988
0.6417
SECoef
6.731
0.4290
0.8464
0.1591
T
3.97
5.74
0.94
4.03
Interpretacin
P
0.003
0.000
0.368
0.002In
S=5.28558RSq=80.0%RSq(adj)=73.9%
Los sub-procesos A-B y

C-D son buenos
predictores de la Gran Y.
El valor 80% de R-sq. Es

bastante realista y
bueno.
Analysis ofVariance
Source
Regression
ResidualError
Total
DFSS
MSF P
31114.05371.3513.290.001
10279.3727.94
131393.53
Estabilizar los Subprocesos

A-B y C-D estabilizar la
Gran Y.
57
29
03/02/2015
IntroduccinalaMejora
CartografadelMtodo
Definir:
Medir:
Seleccionarel
Proyecto
EscucharVoces
delCliente
(CTQ),del
Negocioydel
Proceso(CTP)
Mapearlos
Procesos
Seleccionar
Medicin(Y)
AnalizarSistema
deMedicin
Recolectardatos
AnalizarLnea
Base
Entender
variacinysus
causas
4.0IntroduccinalaMejora
Analizar:
Analizarla
lneabase
paradefinir
lasXs
Potenciales
Identificar
lascausas(X
vitales)
Cuantificary
verificarlas
causas.
Mejorar:
Encontrar
valoresdelasX
vitalesque
optimizanlaY:
reducenla
variacin,
mejoranla
calidad,
disminuyenel
desperdicio.
03/02/2015
ObjetivodelafaseMejorar
Mejorar la operacin del proceso para:
Mejorar la calidad de los productos o servicios
Incrementar la satisfaccin del Cliente
Reducir los costos
Las mejoras nunca son absolutas!

Siempre habr oportunidad de mejorar un proceso!
3
Laoscuridadnosenvuelveatodos,pero
mientraselsabiotropiezaenalguna
pared,elignorantepermanecetranquilo
enelcentrodelaestancia.
Jacques Anatole
03/02/2015
MejoraIncrementalvs.MejoraExponencial
Mejora Incremental:
La mejora incremental acepta los supuestos actuales del proceso.
Cuando el proceso tiene todava una oportunidad atractiva de
mejorar (Capacidad)
Inicialmente las mejoras son grandes, sin embargo las mejoras
posteriores son menores: Ley de rendimientos decrecientes.
Mejora exponencial:
La mejora exponencial desafa los supuestos del proceso y establece
nuevos supuestos (Nuevo paradigma).
Busca establecer una nueva (mayor) capacidad de proceso.
Corre riesgos mayores
MejoraIncrementalvs.MejoraExponencial
Mejora
Cuando las acciones incrementales tienen mejoras pequeas, puede

significar que se est acercando a la capacidad mxima del proceso.
Es entonces cuando se debe pensar en realizar cambios radicales que
permitan una mejora exponencial y que incremente la capacidad del
proceso.
mejoras
incrementales
mejora
exponencial
Tiempo
03/02/2015
DFSSvs.DMAIC
definir
Re / disear el
proceso
DFSS
no
Existe un
proceso?
medir
medir
analizar
analizar
disear
verificar
Es
suficiente
la mejora potencial
incremental para
cumplir con
Si el proceso ha alcanzado el
CTQs?
no
D
M
A
I
C
lmite de su capacidad
tecnolgica, o si no puede
cumplir lo que el Cliente
quiere en alguno o varios
CTQs, la mejora incremental
probablemente no ser
suficiente y habr que
redisear el proceso.
mejorar
controlar
7
SeutilizaDFSS
Cuando se introduce un nuevo producto o
servicio que requiere un nuevo proceso.
Cuando no existe un proceso estandarizado
Cuando el proceso actual no cumple con
algn(os) CTQs del cliente
Cuando el proceso ha alcanzado el mximo de
su Capacidad tecnolgica
8
03/02/2015
Fase Mejorar
Generacin de soluciones
MapaConceptualparaMejorar
CuandoNOhaycontroldelproceso
Se han identificado causas
especiales de variacin
que afectan al proceso y
no permiten su control
Generar muchas ideas para

eliminar o contrarrestar
dichas causas especiales
Filtrar ideas y
seleccionar las mejores:
las de mayor impacto y
menor dificultad
Implementar las ideas

ms promisorias de
manera piloto
Confirmar la mejora en la
Y
10
03/02/2015
Generar, seleccionar e implementar

soluciones
Se identifican las causas vitales
Fase Analizar
Fase Mejorar
Proceso Divergente: generar

muchas ideas para contrarrestar o
eliminar las causas especiales de
variacin
Proceso Convergente:
Seleccionar ideas ms
promisorias: las de mayor
impacto y menor dificultad o
menor inversin, o ms seguras.
Piloto: Aplicar la o las soluciones
propuestas de manera piloto.
Evaluar y seleccionar la solucin
propuesta
Implementar la solucin y confirmar
que se cumple con los CTQs.
11
Cuandohaycontroldelproceso
Se han identificado los
factores vitales (Xs) del
comportamiento de Y
(CTQs)
Determinar los niveles de

operacin del proceso que
aseguren la optimizacin
de la Y:
Centrar el proceso
(acercar la a la
especificacin)
Si no alcanza la Zlp
requerida
Disminuir la variabilidad
de la Y
12
03/02/2015
FaseMejorar
CausasEspeciales
EntrenamientoGBTransaccional
CausasEspeciales
Recordamosquelascausasespecialesdevariacinsoneventosque:
Nodependendeldiseodelproceso
Sonnoaleatoriasnipredecibles
Enprocesostransaccionaleslamayoradelavariacinporlo
generaldependedefactoresexternosaldiseomismodel
proceso.
LasCausasEspecialesdeVariacinnopermitenmantenerelcontroldel
proceso.
!Notienesentidocaracterizarelproceso Esdecir,notienensentidocalcular,
niinterpretarlamedia,ladesviacinestndar,losvaloresZ,PPMs,Cp,Cpk, etc.
!Primerodebemoscontrolarelproceso,antesdeintentaroptimizarlo
4.1MejoraCausasEspeciales
03/02/2015
AtaqueaCausasEspeciales
Lasaccionesparaeliminarocontrarrestarlascausasespeciales
devariacindebern:
Atacarlacausaquehemosdenominadocomoraz:esdecir,elolos
eslabonesdelacadenacausalenlosqueesfactibleinfluir.
Ademsestasaccionesobviamentedebensercongruentesconla
naturalezadedichascausas.Porejemplo:
1. Siobservamosquenohayunprocedimientoestndarenalgunapartedelproceso.Es
probablequeestocausequeelmismoseejecutedemanerairregulary
consecuentemente,seprovoquequehayavariacinenelproductooservicio.
Obviamentequelaaccinparacontrarrestarestacausadevariacinserladedefinirun
procedimientoestndardemaneraconsensuada,capacitaralpersonalycomunicar
ampliamentelaexistenciadeesteprocedimientoestndaryregistrarloenelsistemade
calidad.
2. Siseobservaqueunacausaesqueelpersonalnotengaelentrenamientonecesario,es
obvioquelasaccionesdebenserentrenaralpersonalocontrataranuevopersonalconel
perfilrequerido.
3. Sinoexisteundispositivoenunequipooestdaadoounprogramacomputacionalest
fallando,lasaccionessernobviamenteelreemplazooreparacindelosmismos.
Prctica1.Proponermejorasacausasespeciales
Nohaysuficientes
antenasdeRF.
rbol de los cinco porqus
Cuandoseubicafsicamente
unmaterial,noseregistra
correctamentelaubicacin.
Hayreasenelalmacnenlasqueno
haysealderadiofrecuencia(RF)yno
seenvalaubicacinalSistema.Se
teclealaubicacinmanualmenteyen
AntenasdeRFno
cubrentodaslasreas
delospasillosdel
almacn.
ubicacionesestnrayadosoborrosos.
Seteclealaubicacinmanualmentey
enocasionessehaceerroneamente.
Lostecleadosdelas
pistolasdeRFestn
desgastados.
Materialesno
encontradosenla
ubicacinregistrada
enelSistema.
Materialesenalmacn
provocan"sombras"de
lasealdeRF.
Pistolaslectorasde
cdigosdebarrasson
decortoalcance.
ubicacionesestnlejanosparael
alcancedelapistoladeRF.Setecleala
ubicacinmanualmenteyen
Baja
confiabilidad
delinventario
enelalmacn.
Cdigosdebarras
alejadosdelavistadel
montacarguista
provocalecturasy
tecleadoerrneos.
Cdigosdebarrasno
resistentesalpasode
losmontacargas.
Enubicacin
registradaenel
Sistemaseencuentra
unmaterialdiferente.
Enocasionessemueveun
materialparasacarelmaterial
quesedeseasurtir.Elmaterial
movidoinicialmentenose
regresaasuubicacinoriginal.
Nosecuentaconunprocedimiento
estndarparacuandosemueveun
materialparasurtirotromaterial.
Nohayestantessuficientespara
ubicarmaterialesyesnecesario
apilarlos.
03/02/2015
AtaqueaCausasEspeciales
Erroresrepetitivos:
Sienunprocesotransaccionalseincurreenunmismotipodeerrordemanera
repetitiva,comopudieraserenelllenadodeunformatocondatos;enelregistro
delnmerodepartesenunalmacn,enlaclasificacindeunacaractersticadeun
producto,etc.
Enestosltimoscasossepuedehacerusodelaprogramacinde
mecanismosenprogramascomputacionalesqueayudenalusuarioa
disminuirlaprobabilidaddeerrorodefinitivamenteevitarlosdefectos.
Siobservamosenunprocesoqueconrelativafrecuenciaelcampodelpreciodelos
productosenlasfacturassellenademaneraequivocada.
Culoculessonlosposibleseslabonesdelacadenadecausas?
Culessernlascausasraz?
Cmopodemosatacarlascausasraz?
Consultar a los miembros del equipo tcnico de apoyo
APruebadeError
MecanismosPoka Yoke
03/02/2015
DispositivosAPruebadeError:PokaYoke
Dispositivossimplesyeconmicos
Evitanerroresodefectos(oalertan)
100%deinspeccinenelorigen
Retroalimentacinyaccionesinmediatas
TiposdePokaYoke
1. Aquellosqueslodanavisosobreloqueescorrecto,o
incorrectoocuandohayundefecto
2. Aquellosqueevitaneldefecto
3. Aquellosqueevitanelerrorantesdequeseconviertaen
defecto.
Poka
yoke
3
Ins
pec
ci
n
Poka
yoke
2
Error
Defecto
Tiempo
Poka yoke tipo 1

03/02/2015
Tipo1:SealanoAlertan
Colores,lucesosmbolosquesealanoalertanalgoparaevitarel
errorodefecto,masnoloimpiden.
Tipo2:EvitanelDefecto
Permitenelerrorperonopermitensegenereeldefecto.
No impiden las sobrecargas pero s cortan la

corriente para que no se daen los equipos
10
03/02/2015
Tipo3:EvitanelError
Nopermitenelerror,porloquenosegeneraeldefecto.La
mayoradelosmecanismosutilizalaasimetradelaspartes
paraobligaralaorientacin,posicionamientoogua
correctasparaimpedirelerroryconelloevitareldefecto.
11
Asegurarposicincorrecta
12
03/02/2015
Diferencias en Dimensiones
Una parte de la hebilla del cinturn de seguridad ms grande que

la otra, impide que se ensamble de manera equivocada!
13
EjemplodePokaYokeenunalmacndemateriales
AlmacndeMateria
Prima(100)recibe
ordendesurtimiento
deMP
Seidentifica
localizacinde
MateriaPrimaen
almacn(100)
SetomaMateria
Primadealmacn
ysellevaalpiso
deproduccin
(300)
SeregresaMateria
Primasobrante
delpiso(300)al
almacn(100)
Problema:Congranfrecuencia,hayfaltantesdemateriaprimay
nohayconcordanciaentrelamateriaprimaquehasurtidoel
proveedordelamismaalalmacn,elproductoterminadoyla
materiaprimarestantetantoenelpiso(300),comoenel
almacndemateriaprima(100).
14
03/02/2015
EjemplodePokaYokeenunalmacndemateriales
Posiblescausasraz:
Olvidodelsurtidoral
dardebajalaMPen
elprogramaERP
cuandolotomade
unaubicacindel
almacn
Olvidodel
surtidoral
registrarelretiro
delaMPdel
almacn(100)
Olvidodelsurtidor
alregistrar la
colocacinenel
pisoproductivo
(300)
Olvidodelsurtidor
dardealtalaMP
sobranteretirada
delpiso(300)y
ubicarlaenel
almacn(100)
PropuestasPokaYoke:
1.
Colocarcdigosdebarrasencadaubicacindelalmacn,alasalidadelalmacnyalaentradadel
almacn.
Desarrollarunprocedimientoestndarparaqueseregistrenconlecturadecdigosdebarrasdela
MPylaubicacindelaqueseretiralaMP,unalecturadelcdigodebarrasdesalidaalpiso
productivoytodaslasentradasdelaMPsobranteyelcdigodebarrasdeentrada.
ProgramarcandadosenelprogramadelERPparaquemarqueerrorcuandofalteunalecturade
ubicacindealgnmaterial.
2.
3.
15
BsquedadeComponentes
ParailustrarlatcnicadeBsquedadeComponentes,recurrimos
aunejemplodeundispositivofsico(unproducto).Aunquelos
principiosdeestatcnicatambinsepuedenaplicaraprocesos
transaccionales.
Siundispositivotieneundesempeobajo,yestedispositivoest
constituidoporpartesensambladas,sepuederecurriralatcnica
conocidacomobsquedadecomponentes,paraidentificarcul
componenteestprovocandoelbajodesempeoyeslacausa
especialdevariacin.
Demanerasimilar,siunprocesotienebajodesempeoyotro
semejantetienealtodesempeo,sepuedencompararpara
detectarlasdiferencias.
16
03/02/2015
Procedimiento:
1. Seseleccionaundispositivoconbuendesempeo(Bueno)yundispositivoconmal
desempeo(Malo).
1.
2.
Paradeterminarsiesbuenoomaloserequierequehayaunsistemademedicinvlido
y
Serequierenespecificacionesdelclientecontraloquesecompararasiesbuenoo
maloeldesempeo
BuenoMalo
17
Procedimiento:
2. Ambosdispositivossedesensamblancompletamenteyensamblanenporlo
menostresocasiones.Despusdecadareensamblesemideeldesempeotanto
deldispositivobuenocomodelmalo.
1.
2.
Sieldesempeocambiasignificativamentedespusdelreensambleentonces
sospechamosqueelensambleeselcausantedelmaldesempeo.
Sinohaycambiosignificativo,sospechamosquealgncomponentepodraserel
causantedelmaldesempeo.
18
03/02/2015
Procedimiento:
3. Seidentificanlosprobablescomponentesquepuedanfallar
4. Seintercambiauncomponentealavez.Elcomponentedeldispositivobuenoenel
dispositivomaloyelcomponentedeldispositivomaloeneldispositivobueno.
19
Procedimiento:
5. Hubocambiosignificativo?Esdecir,eldispositivobuenoahoratienemal
desempeoyelmaloahoratienebuendesempeo?
1. Sinohaycambioenambosdispositivos,esecomponentenoparecesercausantedelmal
desempeo.Seprocedeaintercambiarotrocomponente.
2. Sihaycambioeneldesempeodeambosdispositivosensentidoinverso,entonceshay
unagransospechadequeeseseaelcomponentecausantedelmaldesempeo.
20
10
03/02/2015
Procedimiento:
6. Confirmar queelcomponentequeseintercambi,ycausqueseinvirtierael
sentidodeldesempeoenlosdispositivos,seaelcausantededichoefecto:
Probarlointercambiandoconotrosdispositivosbuenos
21
EjemplodeBsquedadeComponentesenprocesotransaccional
Setienendosdistribuidores deproductosdeUSG,unodeventaaltayotrodeventa
bajayhaymuchassimilitudesentrelosdosdistribuidores.Cmosepudieranutilizar
losprincipiosdelatcnicaBsquedadeComponentes?
Procedimiento:
1.
2.
3.
4.
5.
Confirmarquesecomparanlosmismosindicadores,medidosdelamismaforma:De
serposible,realizarunanlisisdelsistemademedicin.Esperamosquelasmediciones
tenganunaltoporcentajederepetibilidadyreproducibilidad.
SugerirXsqueexpliquenpotencialmentelavariacin
CompararlasXsenambosdistribuidores:lasdiferenciaspuedenguiarnosaencontrar
lasXsvitales.
CambiarlasXsdeldistribuidordebajodesempeoenelmismosentidoquetienenlas
Xseneldistribuidordealtodesempeo.
Sihayuncambiosignificativoypositivoeneldesempeodeldistribuidordeventabaja
ystesemantienealtoTenemoslasXsvitales!
22
11
03/02/2015
Losfactoresquedestruyenalserhumano:
LaPolticasinprincipios,elPlacersincompromiso,la
Riquezasin trabajo,laSabidurasincarcter,los
Negociossinmoral,laCienciasin humanidadyla
Oracinsincaridad.
MahatmaGandhi
23
12
03/02/2015
FaseMejorar
CausasComunes
EntrenamientoGBTransaccional
Cuandohaycontroldelproceso
Se han identificado los
factores vitales (Xs) del
comportamiento de Y
(CTQs)
Se ha confirmado que
hay control del proceso.
Determinar los niveles de

operacin del proceso que
aseguren la optimizacin
de la Y:
Centrar el proceso
(acercar la a la
especificacin)
Si no alcanza la Zlp
requerida
Disminuir la variabilidad
de la Y
4.2Mejoracausascomunes
03/02/2015
Optimizacin
Enprocesosenlosquehaycontroldelosmismos,esdecir,
dondenoestnpresentescausasespecialesdevariacin,se
tienequedeterminarlosnivelesdelosfactoresvitales(Xs)
queoptimizanlaY:
.
1. Poroptimizacinentendemosaqualcanzarlosvalores
deZlp quedeseeelCliente.Esdecir,alcanzarlosppmsde
defectosqueestdispuestoatolerar.
2. Otraformadeconceptualizarlaoptimizacin,quenose
trataenestecursodeSeisSigma,esconrespectoal
costodelosinsumos;orespectodelaestabilidaddela
solucin;olaoptimizacinsimultneadevariasYs,etc.
Calidad y Funcin de Prdida

La falta de calidad de un producto est determinada por la
prdida causada a la sociedad por dicho producto (G. Taguchi).
La prdida del cliente (L) es debida a la variacin de las
caractersticas de calidad del producto (y).
La prdida es aproximadamente proporcional al cuadrado de
la desviacin de la caracterstica de calidad de su valor meta
(m).
L(y) = k(y - m)2
03/02/2015
ProcesodeOptimizacin
Silasprdidasparalasociedadson
proporcionalesalcuadradodeladesviacin
respectodelameta(ym)2,tendramosque
trabajarparaincrementarlacalidaddelproducto,
acercandolaYlomsposiblealameta:aesto
selellamaCentrado.
Deacuerdoaesto,nobastaconquelaYest
dentrodelasespecificacionesdelCliente,sino
hayquecentrarlomsposibleelproceso.
VerificacindelaMejoraatravsdela
experimentacin
Comosesealanteriormente,unadelas
formasdeverificacindequesehan
encontradoefectivamentelasXvitalesesa
travsdelaexperimentacin.
Ilustrmosloconelsiguienteejemplo!
03/02/2015
Ejemplo:DOETransaccional
Sedeseasabersihayalgunainfluenciaeneltiempodeaprobacindelcrditoaprospectosde
clientesdediferenteszonasgeogrficasdelpas(Norte;Sur),dediferentevolumendecompra
(Grandes;Pequeos)ydediferentecanaldedistribucin(Productosestndar;productos
especiales).SerecopilainformacindelabasededatosdeUSGlaculsepresentaenlatabla
siguiente.
Tiempode
Respuestaen
das
Promediodedasparala
aprobacindecrdito=31.8
X1=Zona
Geogrfica
X2=Tamao
Cliente
X3=Canal
Distribucin
Ypromedio
Norte
Pequeo
Estndar
31.4
Norte
Pequeo
Especial
34.1
Norte
Grande
Estndar
29.9
Norte
Grande
Especial
31.7
Sur
Pequeo
Estndar
26.9
Sur
Pequeo
Especial
37.8
Sur
Grande
Estndar
27.4
Sur
Grande
Especial
34.9
Grficasdeinteracciones
Interaccin
importante:Zona
Canal.Elrestoson
interaccionespoco
importantes
aparentemente
03/02/2015
GrficasdeEfectosPrincipales
Aparentementeelefecto
principalimportanteesel
canaldedistribucindel
producto.
GrficadeCubo
Cube Plot (data means) for MediaDas
34.1
37.8
31.4
Mayornmerode
dasparala
aprobacindel
crditoenlazona
Sur,canales
especialesyclientes
pequeos
26.9
Pequeo
Cliente
31.7
34.9
Especial
29.9
27.4
Grande
Canal
Estndar
Norte
Zona
Menornmerode
dasparala
aprobacindel
crditoenlazona
Norte,clientes
grandesycanal
productosestndar
Sur
10
03/02/2015
Factorial Fit: MediaDas versus Zona, Cliente, Canal
ANOVA
Estimated Effects and Coefficients for MediaDas (coded units)

Term
Constant
Zona
Cliente
Canal
Zona*Cliente
Zona*Canal
Cliente*Canal
Zona*Cliente*Canal
S = *
Effect
-0.0250
1.5750
5.7250
-0.3750
3.4750
1.0750
0.6250
Coef
31.7625
-0.0125
0.7875
2.8625
-0.1875
1.7375
0.5375
0.3125
Lassalidadesesinde
Minitabmuestraquenohay
suficientesgradosde
libertad.Esdecir,quehay
slo8datosparapredecir
loscoeficientesperonohay
formadeestimarelerror.
Porloque,basadosenlas
grficas,eliminamos
interaccionesdetercer
ordenyalgunasdesegundo
ordenyobtenemosloque
semuestraenlasiguiente
diapositiva.
PRESS = *
Analysis of Variance for MediaDas (coded units)

Source
Main Effects
Zona
Cliente
Canal
2-Way Interactions
Zona*Cliente
Zona*Canal
Cliente*Canal
3-Way Interactions
Zona*Cliente*Canal
Residual Error
Total
DF
3
1
1
1
3
1
1
1
1
1
0
7
Seq SS
70.5138
0.0013
4.9613
65.5512
26.7437
0.2813
24.1512
2.3113
0.7813
0.7813
*
98.0387
Adj SS
70.5138
0.0013
4.9612
65.5512
26.7437
0.2813
24.1512
2.3113
0.7813
0.7813
*
Adj MS
23.5046
0.0013
4.9612
65.5512
8.9146
0.2813
24.1512
2.3113
0.7813
0.7813
*
F
*
*
*
*
*
*
*
*
*
*
P
*
*
*
*
*
*
*
*
*
*
11
ANOVA
Factorial Fit: MediaDas versus Zona, Cliente, Canal
Estimated Effects and Coefficients for MediaDas (coded units)
Eltiempo
promediode
aprobacindel
crdito.
Esdecir,losdos
explicanel96.6%
delavariabilidad
deltiempo
promediode
aprobacindel
crdito.
Term
Constant
Zona
Cliente
Canal
Zona*Canal
Effect
-0.0250
1.5750
5.7250
3.4750
S = 1.06046
R-Sq = 96.56%
Coef
31.7625
-0.0125
0.7875
2.8625
1.7375
SE Coef
0.3749
0.3749
0.3749
0.3749
0.3749
PRESS = 23.9911
R-Sq(pred) = 75.53%
T
84.72
-0.03
2.10
7.63
4.63
P
0.000
0.975
0.127
0.005
0.019
R-Sq(adj) = 91.97%
Analysis of Variance for MediaDas (coded units)

Source
Main Effects
Zona
Cliente
Canal
2-Way Interactions
Zona*Canal
Residual Error
Total
DF
3
1
1
1
1
1
3
7
Seq SS
70.5138
0.0013
4.9613
65.5512
24.1512
24.1512
3.3738
98.0388
Adj SS
70.5138
0.0013
4.9612
65.5512
24.1512
24.1512
3.3738
Adj MS
23.5046
0.0013
4.9612
65.5512
24.1512
24.1512
1.1246
F
20.90
0.00
4.41
58.29
21.48
21.48
ElANOVAmuestra
queelfactorCanal
deDistribuciny
quelasinteraccin
entrelaZonayel
Canaltienen
valoresp<5%
porloqueson
relevantes
estadsticamente
hablando.
P
0.016
0.975
0.127
0.005
0.019
0.019
12
03/02/2015
Ejemplo1:
DadoqueseencontrqueelmodelodelfactorCanalylaInteraccinentreCanalyZona
explicanel97%,delavarianza,deltiempodeaprobacindelcrdito.Sereneelequipotcnico
deapoyoconelGByproponenvariasaccionesparamejorarlostiemposdeaprobacinde
crditos.
SiUds.fueranmiembrosdeesteequipodeapoyo,Quaccionespropondran?
1. SeanalizaquesloquehacenbienenelNorte,conlaaprobacindeloscrditosconlos
canalesEspeciales,yquesloquedejandehacerenelSur.
2. Ademsseobservacomparativamenteelprocedimientodeaprobacinencanalesde
productosEstndar,versuslosdeproductosEspeciales,yseestableceunnuevo
procedimientoespecficodeaprobacindecrditoparalosclientesdeloscanales
Especiales.
3. Seobservanoportunidadesdemejoraenelprocedimientoparacanalesdeproductos
Estndar,yseaprovechalaocasinpararedefinirunnuevoprocedimientoestndarparalos
mismos.
Seaplicanlosnuevosprocedimientosdurante2mesesyseobtienenlossiguientesdatos:
13
Ejemplo1:Aprobacincrditoconproceso
mejorado
Das
aprobacin
conMejora
deProceso
X1=Zona
Geogrfica
X2=Tamao
Cliente
X3=Canal
Distribucin
Ypromedio
Norte
Pequeo
Estndar
22.3
Norte
Pequeo
Especial
24.5
Norte
Grande
Estndar
23.4
Norte
Grande
Especial
25.3
Sur
Pequeo
Estndar
21.2
Sur
Pequeo
Especial
22.7
Sur
Grande
Estndar
19.8
Sur
Grande
Especial
20.5
DasPromedio=
22.5
14
03/02/2015
GrficadeCuboprocesomejorado
Cube Plot (data means) for Das2Meses
24.5
22.7
22.3
21.2
Pequeo
Cliente
25.3
20.5
Especial
23.4
Canal
19.8
Grande
Estndar
Norte
Sur
Zona
15
GrficaInteraccionesproceso
mejorado
Interaction Plot for Das2Meses
Data Means
G rande
P equeo
E stndar
E special
24
Zona
Zona
Norte
Sur
22
20
24
C liente
Estainteraccinaparece
comoposiblemente
importante
C liente
Grande
Pequeo
22
20
C anal
16
03/02/2015
Grficadeefectosprincipales:proceso
mejorado.
Main Effects Plot for Das2Meses
Data Means
AhoraelSur
tienemejor
desempeo
queelNorte.
Zona
24
Cliente
23
Mean
22
21
Norte
Sur
Grande
Canal
24
23
22
21
Estndar
Pequeo
EltamaodeClienteno
aparececomoimportantey
tantoelCanalcomolaZona
aparecenconposibilidadse
serimportantesenla
prediccindeltiempode
aprobacindelcrdito.
Especial
17
SesindeMinitab
Factorial Fit: Das promedio despus de 2Meses versus Zona, Cliente, Canal
Loms
importante
esque
mejorel
promediode
dasde
aprobacin
delos
crditos.
Estimated Effects and Coefficients for Das2Meses (coded units)

Term
Constant
Zona
Cliente
Canal
Zona*Cliente
S = 0.459619
R-Sq = 97.53%
Effect
Coef
22.462
-1.412
0.212
0.788
0.687
-2.825
0.425
1.575
1.375
SE Coef
0.1625
0.1625
0.1625
0.1625
0.1625
PRESS = 4.50667
R-Sq(pred) = 82.46%
T
138.23
-8.69
1.31
4.85
4.23
P
0.000
0.003
0.282
0.017
0.024
R-Sq(adj) = 94.25%
ElCanalsiguesiendo
importanteestadsticamente
hablando,laZonayla
interaccinZonaCliente
tambinsonimportantes.
Analysis of Variance for Das2Meses (coded units)
Mejorla
prediccin
delModeloa
97.5%.
Source
Main Effects
Zona
Cliente
Canal
2-Way Interactions
Zona*Cliente
Residual Error
Total
DF
3
1
1
1
1
1
3
7
Seq SS
21.2838
15.9613
0.3613
4.9613
3.7812
3.7812
0.6338
25.6988
Adj SS
21.2838
15.9613
0.3612
4.9613
3.7812
3.7812
0.6338
Adj MS
7.0946
15.9613
0.3612
4.9613
3.7812
3.7812
0.2113
F
33.58
75.56
1.71
23.49
17.90
17.90
P
0.008
0.003
0.282
0.017
0.024
0.024
Se Confirma la Mejora!
18
03/02/2015
10
03/02/2015
FaseControlar
Introduccin
Entrenamiento GB Transaccional
CartografadelMtodo
Definir:
Medir:
Seleccionarel
Proyecto
EscucharVoces
delCliente
(CTQ),del
Negocioydel
Proceso(CTP)
Mapearlos
Procesos
Seleccionar
Medicin(Y)
AnalizarSistema
deMedicin
Recolectardatos
AnalizarLnea
Base
Entender
variacinysus
causas
Analizar:
Analizarla
lneabase
DefinirXs
Potenciales
Identificarde
lascausas(X
vitales)
Cuantificary
verificarlas
causas.
Mejorar:
Encontrar
valoresdelasX
vitalesque
optimizanlaY:
reducenla
variacin,
mejoranla
calidad,
disminuyenel
desperdicio.
Controlar:
Determinar
accionesque
mantienenlos
beneficios
alcanzados:
Estandarizar,
Documentary
Monitorear
(Indicadores,
CEP)
03/02/2015
MapaConceptualparaControlar
Se ha mejorado el
proceso y confirmado
la mejora
Sostener la
mejora:
Estandarizar,
Documentar,
Comunicar y
Capacitar en el
nuevo proceso
Monitorear el
proceso
AMEF
CEP
Planear la
reaccin
5.0IntroduccinalControl
EstandarizarelProceso
Todos los procesos deben estandarizarse para reducir
la variabilidad de sus salidas, debida a la variabilidad
de la ejecucin de los procesos (causa especial).
Toda mejora implica un cambio en el proceso
An cuando sean slo nuevos parmetros de operacin;
Un nuevo proveedor de algn material;
La eliminacin de algn paso del proceso, o cambios en los
criterios de aceptacin/rechazo, etc.
Consecuentemente, todo cambio del proceso implica

definir un nuevo proceso estndar.
03/02/2015
QueslaEstandarizacindeProcesos?
Es definir al detalle paso a paso el proceso o las diferentes
versiones del mismo, dependiendo del producto o
circunstancia:
Cmo se ejecuta cada paso.
Quin ejecuta cada paso.
Cules son los parmetros de los factores controlables
del proceso.
Cules son los CTQ's y los CTP's.
Cuales son las especificaciones.
Cules son los criterios de aceptacin o rechazo.
La estandarizacin no debe ser tan laxa que permita variacin,
ni tan rgida que impida o inhiba futuras mejoras
DocumentacindelaMejora
Dos tipos de documentacin de la Mejora

1. Documentacin de lo que se realiz para llegar a la mejora (Informe
del proyecto seis sigma), para:
Promover el aprendizaje organizacional y

Orientar futuras mejoras.
Para resolver situaciones anmalas
2. Documentar el nuevo procedimiento estndar para mantener una

referencia del deber ser del proceso:
Para
Para
Para
Para
que el personal lo consulte todo el tiempo

las capacitaciones
registrarlo en el Sistema de Calidad de la organizacin
realizar auditoras al proceso
Formas de documentacin:
Por escrito apoyado con imgenes (fotografas/diagramas)
En esquemas o diagramas visuales
El documento del procedimiento estndar deber estar

plenamente accesible al personal
03/02/2015
ComunicaryCapacitarenloscambiosalproceso
El proceso ha cambiado, ahora hay que buscar la adhesin
disciplinada al mismo: tanto de los que operan el proceso,
como los que son Proveedores o Clientes del mismo.
Comunicar y Capacitar a quien corresponda:
Porqu ha cambiado
Qu se espera de los involucrados: nuevas funciones
Cules son los nuevos parmetros de operacin del proceso
Cules son las (nuevas) mediciones y sus especificaciones
Cules son las formas de su monitoreo y frecuencia
Cules es el plan de reaccin ante:
Cualquier contingencia
Cambios en los factores no controlables del proceso
Algn comportamiento determinado de los datos recabados durante el
monitoreo.
Monitorearelproceso
Se pretende ser proactivos y no reactivos, por lo que se
privilegiar el monitoreo del proceso, que asegurar el
cumplimiento de los CTQ's del Cliente.
Monitorear los Crticos del Proceso (CTPs) que asegurarn
los crticos de la calidad (CTQs).
Qu tan bien pueden controlar el nivel de las Xs en su
proceso?
Pueden mantenerlas bajo control?
Pueden mantenerlas dentro de especificacin?
Para responder a estas preguntas se sugiere hacer uso de dos

herramientas:
AMEF= Anlisis del Modo y Efecto de la Falla
CEP = Control Estadstico del Proceso
03/02/2015
Monitorearlaadhesinalosnuevos
ProcedimientosEstndar
Se sugiere monitorear estrechamente la adhesin a los
nuevos procedimientos estndar por parte de las personas
que operan el proceso.
Siguen los nuevos pasos del proceso como lo indica el
estndar?
Se toman y registran las mediciones de los indicadores con la
frecuencia indicada? A partir de estos indicadores se toman
las decisiones adecuadas?
Se siguen los procedimientos estndar para reducir los
errores de medicin?
Se siguen los pasos estndar determinados por el Plan de
Reaccin cuando hay una anormalidad?
ComponenteCultural
Se ha mencionado reiteradamente que el Componente de
transformacin ms complejo es el Cultural. Es decir, la
transformacin cultural del ser humano.
Apoyados en la cultura y valores de la empresa u organizacin, en
la Visin de transformacin que se persigue y en otros
argumentos, se debe buscar la adhesin del personal a las
transformaciones propuestas.
Se sugiere una supervisin muy estrecha y frecuente a los
procedimientos estndar al inicio de la transformacin y, cuando
la cultura est cambiando, puede reducirse la intensidad y
frecuencia de la supervisin. Cuando haya un cambio cultural
slido, entonces tener una supervisin slo basada en los
indicadores ms importantes.
10
03/02/2015
CerrarelProyecto
Las acciones de la fase de Control son las adecuadas
y suficientes para sostener las mejoras? Pnganlas a
prueba!:
Cerrar el proyecto Seis Sigma. Es decir, no volver a
intervenir en el proceso despus del cierre.
Slo dejar las acciones de Control establecidas:
nicamente interviniendo quien se indique en estas
acciones de Control.
Observar (desde lejos) el desempeo de los indicadores
por al menos ocho semanas. Es decir, con una presencia
discreta, tratando de no ser un factor que influencie la
toma de decisiones de los que ejecutan el proceso.
Se mantuvieron las mejoras en el nivel esperado?
Si no se mantuvieron:
Indagar si se siguen todos los procedimientos estndar del

proceso.
Si se siguen, entonces indagar si se present alguna otra
circunstancia no considerada con anterioridad y buscarle
solucin: regresar a la fase Analizar.
11
SemantuvieronlasMejoras?!
Felicidades!
Clausurar el proyecto
Dar por terminada la fase del proyecto.
Obtener la validacin de Finanzas acerca de los beneficios
econmicos logrados y proyectados con el proyecto.
Documentar lo que se hizo en las cinco fases del proyecto:
Para dejar memoria y orientar futuras mejoras en otros procesos.
Para poder replicar el proyecto en procesos semejantes.
Para regresar a este documento si se desease mejorar el mismo
proceso en una etapa posterior o si se desea hacer algunos ajustes
al proceso, por cambios en las especificaciones, en los materiales,
por causas especiales no consideradas, etc.
12
03/02/2015
QuesunaRplica?
Se refiere a la posibilidad de implantar la mejora
en procesos semejantes, sin la ejecucin de un
nuevo proyecto.
5.3PlandeReaccin
13
CondicionesparaReplicar:
Para replicar proyectos enfocados en la eliminacin (o
disminucin) de las causas de variacin:
No es necesario que haya gran semejanza entre
procesos: donde se realiz el proyecto y donde se
pretende replicar.
Se requiere que las mismas causas de variacin que se
atacaron en el proyecto original, se encuentren
presentes en el proceso donde se pretende replicar.
Que los procedimientos estndar que se hayan generado
en el proyecto original, sean aplicables al proceso al que
se pretende hacer la rplica.
Necesario validar la mejora una vez aplicada la rplica.
5.3PlandeReaccin
14
03/02/2015
EntregablesporfaseDMAIC
Definicin
Medicin
Anlisis
(3semanas)
(5semanas)
(4semanas)
Situacinactual
Situacindeseada
Alcancedel
proyecto
Variable
dependiente
Variables
independientes
Equipodeapoyo
Mapeodelproceso
Beneficios
esperados
Anlisisdelsistema
demedicin
Lneabase
Capacidaddel
proceso
Objetivodel
proyecto
Hiptesisaprobar
Comprobacinde
lashiptesis
Variables
dependientes
significativa
Mejora
Control
Monitoreo
(5semanas)
(4semanas)
(8semanas)
Propuestasde
mejora(sobrelas
variables
significativas)
Datosmejorados
delavariable
dependiente
Nuevacapacidad
delproceso
Plandecontrol
Documentos
modificados
Planesde
capacitacin
Identificacinde
procesossimilares
Consistenciaenla
nuevacapacidad
delproceso
15
03/02/2015
Entrenamiento Green Belt Transaccional
ObjetivosdelControlEstadsticodel
Proceso(CEP)
Evaluar la variacin de los procesos, para determinar si su
comportamiento es el esperado estadsticamente, o si
existe algo que est afectando al proceso, que ocasione que
el comportamiento sea diferente al esperado. En caso de
ser necesario, tomar acciones correctivas en el proceso,
antes que se produzcan defectos.
Evaluar la capacidad del proceso para cumplir con los
requerimientos del Cliente
5.1ControlEstadsticodelProceso
03/02/2015
Concepcindelacalidad:
Por la forma en que se pretende alcanzarla
Inspeccin
Contencin
Control
Aseguramiento
Calidad en el origen!
Concepcindelacalidad:
Cuntas e hay en el siguiente texto?
La competitividad de una empresa est determinada por la

calidad, el precio y el tiempo de entrega de sus productos o
servicios. Se es ms competitivo si se puede ofrecer mejor
calidad a bajo precio y en un menor tiempo de entrega. Por
ejemplo, en un restaurante, la calidad puede estar dada
por las caractersticas de un platillo y la forma de
presentarlo, el precio es lo que se cobra por l y el tiempo
de entrega es el lapso que transcurre desde que el cliente
lo ordena hasta que es servido.
Deficiencias de la inspeccin al 100%!

03/02/2015
Queslacalidad?
Segn Jurn (1990): Calidad es que un producto sea
adecuado para su uso consiste de las caractersticas
que satisfacen al cliente y de la ausencia de
deficiencias
NOM-CC: el conjunto de propiedades y
caractersticas de un producto o servicio que le
confieren la aptitud para satisfacer las necesidades
implcitas o explcitas preestablecidas
Queslacalidad?
es satisfacer al cliente
Respecto de lo que esperaba
De acuerdo a sus necesidades
Su expectativa con relacin al:
Contexto, publicidad, precio, tecnologa,
03/02/2015
Calidadvs.Variacin
La variacin es enemiga de la calidad
Cunta variacin est dispuesto el Cliente a aceptar en el
producto?
Todos los procesos varan:

Variaciones de las entradas tales como informacin, formatos,
datos financieros, etc.
Variaciones de los procesos: programas de software, personal,
equipo, mediciones, etc.
Variaciones externas al proceso: transporte, proveedores de
servicios, equipo de cmputo, etc.
Variaciones de procesos provocan variaciones de servicios.

CEPAnalizalaVariacindelosProcesos
PrincipalherramientadelCEP:Grficasde
Control
Las grficas o cartas de control fueron desarrolladas por
Walter Shewhart en los aos veintes.
Objetivo: Tomar acciones correctivas en el proceso, antes
que se produzcan defectos.
El concepto central de estas grficas es la evaluacin de la
variacin de los procesos, para determinar si stos estn
operando con el comportamiento estadstico esperado, o si
existe algo que est afectando al proceso que ocasiona que
el comportamiento sea diferente al esperado.
03/02/2015
ControldelProceso
Proceso
est
bajo
control:
cuando
el
comportamiento del proceso es el esperado, de
acuerdo a lo que se conoce como variacin natural
o estadstica.
El proceso no est bajo control: cuando el
comportamiento de la variacin del proceso no es
la esperada.
CausasdelaVariacindelosProcesos
Dos tipos: comunes (aleatorias, ruido
especiales (atribuibles, ruido negro)
blanco)
Las causas comunes se manifiestan de manera aleatoria y son

propias de cientos de variables con pequeas contribuciones que
actan de manera simultnea y no es posible identificar alguna causa
en especial.
Son propias del diseo del proceso
Cuando la variacin debida a causas comunes es muy elevada, es necesario
cambiar la tecnologa del proceso.
Las causas especiales son las que se atribuyen a causas externas al

diseo del proceso. Como por ejemplo, falta de capacitacin, de
conocimiento, de procedimientos estndar de trabajo, de apego a los
mismos, etc.
El objetivo de las grficas de control es detectar la presencia de

causas especiales o atribuibles en la variacin del proceso, para tomar
acciones correctivas/preventivas.
10
03/02/2015
TiposdegrficasdeControl
Se agrupan por la naturaleza de los datos del
proceso que se estudia:
Datos Continuos: Tiempo, pesos, desempeo, etc.
Datos Discretos: pasa no pasa, cumple no cumple,
proporciones, nmero de defectos, Si-No, Bueno-Malo,
Aceptable-Inaceptable, etc.
Por el estadstico que se grafica:

Media, Desviacin estndar, Rango, Rango mvil, Valor
individual, n, np, C, Cusum, Ewma, etc.
11
Muestreoracional
Diseo de los subgrupos racionales para capturar
toda la variabilidad del proceso.
Tanto la: Debida a causas especiales como a
Debida a causas comunes
Propias del diseo del proceso
12
03/02/2015
DistribucindeprobabilidadNormal
Teorema del Lmite Central
a) Si una variable se obtiene como una suma de muchas causas
independientes, siendo cada una de ellas de poca importancia respecto al
conjunto, entonces su Distribucin es asintticamente normal.
X1,S1
X2,S2
X4,S4
X5,S5
X3,S3
X6, S6
PoblacindelasX()
X
13
TeoremadelLmiteCentral
Distribucindela
variableoriginalX
X1,S1
X2,S2
X4,S4
X5,S5
X3,S3
X6, S6
Distribucin de las medias muestrales

PoblacindelasX()
X X X
X SX
SX
n
Distribucindelas
mediasmuestralesX
X
Obsrvese que como consecuencia del TLC, la distribucin de las medias

muestrales tiende a ser normal an en el caso que la poblacin base no lo sea,
siempre que el tamao de la muestra sea suficientemente grande n>25, (este
nmero depende de la asimetra de la distribucin original).
14
03/02/2015
Componentesdeunagrficadecontrol
grfica de control de X para las Variables de Salida Clave
LSC
Media del
proceso
X
0.27%
LIC
0
10
Tiempo
20
Para las grficas de Shewhart, como la x. Los lmites de control

se colocan a 3 desviaciones estndar ( ) de la media del proceso x
15
GrficadeControlx,S
Cada punto representa el promedio del tiempo de cambio de troquel en cada da,
durante 25 das consecutivos. Las lneas horizontales de arriba y de abajo
representan los lmites de control (superior e inferior). La lnea central representa el
promedio del promedio de los datos observados ( X ).
Lmite Superior de Control (LSC) =X 3S
Veralfinaldecaptulo
Lmite Inferior de Control (LIC) =X 3S X
frmulasdeotrasGrficas
16
03/02/2015
CmoseelaboraunaGrficadeControl?
1. Mediciones confiables: precisas, exactas, lineales,
repetibles y reproducibles.
2. Plan de muestreo representativo de la operacin del
proceso y un tamao de muestra (n).
3. Se mide cada elemento de la muestra, en la variable
en donde se representa el problema.
4. Se obtiene la media y la desviacin estndar de
cada muestra Sx.
5. Se calcula X
y con sta se estima el promedio del
proceso (). Se calcula S X.
6. Se traza la grfica de Control con LIE, LSE y la Lnea
Central
17
Procesofueradecontrol
1. Que un punto se salga de los lmites de Control
2. Que 7 puntos consecutivos se mantengan por encima (o por abajo) de la
lnea Central.
3. 6 puntos consecutivos ascendiendo o descendiendo o formando un patrn.
LC
18
03/02/2015
Medidas deCapacidaddelproceso:Cp y Cpk

Para distribuciones de
probabilidad Normal

Indicador de Capacidad potencial del proceso
LIE
Indicador de Capacidad considerando el

descentramiento del proceso
En el clculo de Cp y Cpk se utiliza la cp

19
Ejemplo1
El peso de cubetas de pintura es una medida de calidad, por lo que se desea mantener
en un peso nominal N=20 kg. con una especificacin de 19 a 21 kg. Se hace un plan de
recoleccin de datos en subgrupos de tamao 3 y se registran los datos de peso en las
columnas C de la matriz que se muestra abajo:
Lnea Central = 19.467

De las tablas del apndice:
Lmite Superior de Control (LSC) =
Para n=3, en tablas de apndice A3= 1.9544

= 19.47 + 1.9544*(0.768) = 20.97
Lmite Inferior de Control (LSC) =
= 19.47 1.9544*(0.768) = 17.97
20
10
03/02/2015
Ejemplo:GrficadeControl
LIE
LSE
scp = 0.768
Cp=
=(2119)/(6*0.768)=0.434
Ancho del proceso = 6s
ElprocesoNOtienecapacidadparasurtirlorequeridoporelcliente
21
DatosAtributooCategricos:
DistribucindeprobabilidadBinomial
La distribucin binomial es til para modelar eventos que sean del tipo Pasa - No
pasa, Falla no Falla,
Bueno Malo, Falso Verdadero, etc.
La probabilidad del evento que se
considera, se llama p = Proporcin
de fallas, falsos, etc.
Su media = = p
Su desviacin estndar s = p (1p)
Su desv. estd. muestral =
p (1p)
22
11
03/02/2015
Ejemplo2:
Un proceso de RH tiene como salida la informacin para elaborar la

nmina quincenalmente. Elabore una grafica de control para el nmero de
personas cuyos registros fueron errneos por quincena, e identifique si el
proceso est bajo control o no lo est. Los datos del nmero de personas
con registros errneos de 20 quincenas se presenta a continuacin.
Considere que en este periodo el nmero de personas en la nmina se ha
mantenido constante en 650.
Errneos 23 13 14 23 17 11 19 21 17 17 17 31 35 32 39 38 41 40 41 44
Ingresar estos datos en Minitab en una columna

Seleccionar: Estad / Grficos de Control / Grficos Atributos / NP
Seleccione el nombre de las variable que contiene los datos
Escriba 650 en el campo denominado como tamao de subgrupo.
Minitab arroja la grfica de control NP mostrada en la siguiente pgina
23
Ejemplo2:
Carta Control nmero de registros errneos
1
45
UCL=41.82
Nmero de Errneos
40
35
30
__
NP=26.65
25
20
15
LCL=11.48
10
11
Muestra
13
15
17
19
Est bajo control el proceso?: No est bajo Control

Que le sugiere la grfica?: Que el proceso est incrementando el nmero de
registros errneos conforme pasan las quincenas.
24
12
03/02/2015
Ejemplo2:
Se encuentran las causas del incremento de los registros errneos en la elaboracin
quincenal de la nmina y se atacan las mismas. Se elabora la grfica de control para los
registros errneos en la nmina para las siguientes 20 quincenas. Sin embargo, dado
que el nmero de personas en la nmina esta vez no se mantuvo estable durante este
segundo periodo, se opta por la grfica p, en vez de la np (Stat/Grficas de Control/ Grfica
de Atributos/P).
23
16
21
18
18
24
27
27
21
28
17
22
19
25
26
23
18
17
25
17
P Chart of Errneos
Nm.
Emplds.
642
645
641
645
645
640
639
647
640
636
647
651
642
641
639
651
646
639
639
642
0.06
UCL=0.05494
0.05
Proportion
Errneos
0.04
_
P=0.03360
0.03
0.02
LCL=0.01226
0.01
1
11
Sample
13
15
17
19
Tests performed with unequal sample sizes
Ahora el proceso s est bajo control!

25
Ejemplo2:
Dado que el proceso est bajo control, ahora podemos calcular el Cp y Cpk del
proceso considerando que la especificacin es de 0 a 3% registros errneos.
La grfica de control nos muestra que = 0.0336
Por lo que la desviacin de corto plazo de p es:

.
.
= 0.007107
Dado que la tolerancia va desde LIE = 0 a LSE = 0.03 para el porcentaje de

registros errneos
Cp = 0.03 / (6*0.007107) = 0.7035 Valor de capacidad potencial insuficiente.
El lmite de especificacin ms cercano a la media de = 0.0336 es el LSE = 0.03,
por lo que calculamos el Cpk respecto de ese lmite.
Cpk =
= - 0.169 Valor de capacidad totalmente insuficiente. El valor
negativo muestra que el proceso est muy descentrado.

26
13
03/02/2015
EstabilidadyCapacidad
El hecho que un proceso sea estable (bajo control), no
implica que tenga la capacidad para cumplir con las
especificaciones del cliente.
El proceso es estable?
El proceso es capaz?
No
No
Enfocaresfuerzosen
mejoradela
productividaddel
proceso
Enfocaresfuerzosen
mejoradelatecnologa
oenredefinirel
proceso
Enfocaresfuerzosenla
eliminacindelas
causasespeciales
presentesenelproceso
Enfocaresfuerzosen
mejoradelatecnologa
delprocesoyenla
eliminacindelas
causasespeciales
27
Seleccin del tipo de grfica de control

subgrupos
continuos
variables
medicin
individual o
subgrupos
individuales
brusco
cambios
bruscos o
graduales de
media?
X, R
gradual
MA
EWMA
CUSUM
no
datos
normalmente
distribuidos?
si
Inicio
tipo
datos
X, RM
si
C
discretos
atributos
defectos
oportunidad
constante de
muestra a
muestra?
defectos o
defectivos
no
no
defectivos
(defectuosos)
tamao
subgrupo
constante?
p, np
si
28
14
03/02/2015
Prctica1
Se ha mejorado un proceso de embarque y se propone dejar una grfica de
control para detectar si hay algn comportamiento no esperado en dicho
proceso y si se mantiene la mejora de menos de 15 % de embarques con
falla. Se hace un muestreo racional y se toman 20 muestras de diferente
tamao (n). Se encuentran los siguientes datos de los Embarques con falla en
las 20 muestras tomadas.
Falla
n
1.
2.
2
4 3 2 2 1 2 0 4 2 1 2 0 2 1 1 0 3 2
11 10 15 12 10 10 12 13 10 11 12 15 10 12 11 11 13 10 12
2
12
El proceso est bajo control? Elabore una grfica de control para la

proporcin de fallas (p) que le ayude a responder a la pregunta
formulada. Saque conclusiones racionales.
Calcule el Cp y el Cpk de la proporcin de fallas (p), considerando que se
tiene una especificacin de 0 a 0.2 fallas en una primera etapa. El
proceso tiene capacidad potencial? Capacidad a largo plazo?
29
30
15
03/02/2015
TabladeclculodelmitesdeControldedatostipo
VariablesoContinuos
Carta
LSC
LC
LIC
Xbarra
(usandoR)
Xbarra
(usando)
Xbarra
(usandos)
LC=
Xindividual
R=Rango
3
3
31
TablaclculolmitesdeControldedatostipo
AtributooCategrico
Carta
LSC
LC
LIC
np
C
U
Subgrupodetamaoconstante:
c=nmerodedefectosporsubgrupo
C =nmeropromediodedefectosporsubgrupo
LC U
Subgrupodetamaonoconstante:
=nmeropromediodedefectosporunidad
=nmerodefectostotalesensubgrupo/
tamaodelsubgrupo
32
16
03/02/2015
FactoresparaElaborarGrficasdeControl
Nmero
de
observaciones en
la
Muestra
n
Cartas de Promedios
Factores para lmites de
Control
A1
A2
A3
Cartas para Rangos

Factores para
Factores para lmites de
la lnea
Control
central
Cartas para desviaciones estndar

Factores
lnea Central
c2
2
2.1210 3.7600 1.8800 2.6590 0.5642
3
1.7320 2.3940 1.0230 1.9540 0.7236
4
1.5000 1.8800 0.7290 1.6280 0.7979
5
1.3420 1.5960 0.5770 1.4270 0.8407
6
1.2250 1.4100 0.4830 1.2870 0.8686
7
1.1340 1.2770 0.4190 1.1820 0.8882
8
1.0610 1.1750 0.3730 1.0990 0.9027
9
1.0000 1.0940 0.3370 1.0320 0.9139
10
0.9490 1.0280 0.3080 0.9750 0.9227
11
0.9050 0.9730 0.2850 0.9270 0.9300
12
0.8660 0.9250 0.2660 0.8860 0.9359
13
0.8320 0.8840 0.2490 0.8500 0.9410
14
0.8020 0.8480 0.2350 0.8170 0.9453
15
0.7750 0.8160 0.2230 0.7890 0.9490
16
0.7500 0.7880 0.2120 0.7630 0.9523
17
0.7280 0.7620 0.2030 0.7390 0.9551
18
0.7070 0.7380 0.1940 0.7180 0.9576
19
0.6880 0.7170 0.1870 0.6980 0.9599
20
0.6710 0.6970 0.1800 0.6800 0.9619
21
0.6550 0.6790 0.1730 0.6630 0.9630
22
0.6400 0.6620 0.1670 0.6470 0.9655
23
0.6260 0.6470 0.1620 0.6330 0.9670
24
0.6120 0.6320 0.1570 0.6190 0.9684
25
0.6000 0.6190 0.1530 0.6060 0.9696
>25
3/n 3/n
c4
0.7979
0.8862
0.9213
0.9400
0.9515
0.9594
0.9650
0.9693
0.9727
0.9754
0.9776
0.9794
0.9810
0.9823
0.9835
0.9845
0.9854
0.9862
0.9869
0.9876
0.9882
0.9887
0.9892
0.9896
Factores para lmites de control
B1
B2
B3
B4
0.000 1.943 0.000 3.267

0.000 1.858 0.000 2.568
0.000 1.808 0.000 2.266
0.000 1.756 0.000 2.089
0.026 1.711 0.030 1.970
0.105 1.672 0.118 1.882
0.167 1.638 0.185 1.815
0.219 1.609 0.239 1.761
0.262 1.584 0.284 1.716
0.299 1.561 0.321 1.679
0.332 1.541 0.354 1.646
0.359 1.523 0.382 1.618
0.384 1.507 0.406 1.594
0.406 1.492 0.428 1.572
0.427 1.478 0.448 1.552
0.445 1.465 0.466 1.534
0.461 1.454 0.482 1.518
0.477 1.443 0.497 1.503
0.491 1.433 0.510 1.490
0.504 1.424 0.523 1.477
0.516 1.415 0.534 1.466
0.527 1.407 0.545 1.455
0.538 1.399 0.555 1.445
0.548 1.392 0.565 1.435
1-3/v2n 1+3/v2n 1-3/v2n 1+3/v2n
B5
B6
d2
d3
D1
D2
D3
D4
0.000
0.000
0.000
0.000
0.029
0.113
0.179
0.232
0.276
0.313
0.346
0.374
0.399
0.421
0.440
0.458
0.475
0.490
0.504
0.516
0.528
0.539
0.549
0.559
2.606
2.276
2.088
1.964
1.874
1.806
1.751
1.707
1.669
1.637
1.610
1.585
1.563
1.544
1.526
1.511
1.496
1.483
1.470
1.459
1.448
1.438
1.429
1.420
1.128
1.693
2.059
2.326
2.534
2.704
2.847
2.970
3.078
3.173
3.258
3.336
3.407
3.472
3.532
3.588
3.640
3.689
3.735
3.778
3.819
3.858
3.895
3.931
0.853
0.888
0.880
0.864
0.848
0.833
0.820
0.808
0.797
0.787
0.778
0.770
0.762
0.755
0.749
0.743
0.738
0.733
0.729
0.724
0.720
0.716
0.712
0.709
0.000
0.000
0.000
0.000
0.000
0.205
0.387
0.546
0.687
0.812
0.924
1.026
1.121
1.207
1.285
1.359
1.426
1.490
1.548
1.606
1.659
1.710
1.759
1.804
3.686
4.358
4.698
4.918
5.078
5.203
5.307
5.394
5.469
5.534
5.592
5.646
5.693
5.737
5.779
5.817
5.854
5.888
5.922
5.950
5.979
6.006
6.031
6.058
0.000
0.000
0.000
0.000
0.000
0.076
0.136
0.184
0.223
0.256
0.284
0.308
0.329
0.348
0.364
0.379
0.392
0.404
0.414
0.425
0.434
0.443
0.452
33
0.459
3.267
2.575
2.282
2.115
2.004
1.925
1.864
1.816
1.777
1.744
1.716
1.692
1.671
1.652
1.636
1.621
1.608
1.596
1.586
1.575
1.566
1.557
1.548
1.541
Relacionesparaclculodelmites
34
17
03/02/2015
Z
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
0.01
0.02
0.03
0.5000
0.4960
0.4920
0.4880
0.4602
0.4562
0.4522
0.4483
0.4207
0.4168
0.4129
0.4090
0.3821
0.3783
0.3745
0.3707
0.3446
0.3409
0.3372
0.3336
0.3085
0.3050
0.3015
0.2981
0.2743
0.2709
0.2676
0.2643
0.2420
0.2389
0.2358
0.2327
0.2119
0.2090
0.2061
0.2033
0.1841
0.1814
0.1788
0.1762
0.1587
0.1562
0.1539
0.1515
0.1357
0.1335
0.1314
0.1292
0.1151
0.1131
0.1112
0.1093
0.0968
0.0951
0.0934
0.0918
0.0808
0.0793
0.0778
0.0764
0.0668
0.0655
0.0643
0.0630
0.0548
0.0537
0.0526
0.0516
0.0446
0.0436
0.0427
0.0418
0.0359
0.0351
0.0344
0.0336
0.0287
0.0281
0.0274
0.0268
0.0228
0.0222
0.0217
0.0212
0.0179
0.0174
0.0170
0.0166
0.0139
0.0136
0.0132
0.0129
0.0107
0.0104
0.0102
0.0099
0.0082
0.0080
0.0078
0.0075
0.0062
0.0060
0.0059
0.0057
0.0047
0.0045
0.0044
0.0043
0.0035
0.0034
0.0033
0.0032
0.0026
0.0025
0.0024
0.0023
0.0019
0.0018
0.0018
0.0017
0.0013
0.0013
0.0013
0.0012
0.0010
0.0009
0.0009
0.0009
0.0007
0.0007
0.0006
0.0006
0.0005
0.0005
0.0005
0.0004
0.0003
0.0003
0.0003
0.0003
0.0002
0.0002
0.0002
0.0002
0.0002
0.0002
0.0001
0.0001
0.0001
0.0001
0.0001
0.0001
0.0001
0.0001
0.0001
0.0001
0.04
0.05
0.06
0.07
0.08
0.09
0.4840
0.4443
0.4052
0.3669
0.3300
0.2946
0.2611
0.2296
0.2005
0.1736
0.1492
0.1271
0.1075
0.0901
0.0749
0.0618
0.0505
0.0409
0.0329
0.0262
0.0207
0.0162
0.0125
0.0096
0.0073
0.0055
0.0041
0.0031
0.0023
0.0016
0.0012
0.0008
0.0006
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4801
0.4404
0.4013
0.3632
0.3264
0.2912
0.2578
0.2266
0.1977
0.1711
0.1469
0.1251
0.1056
0.0885
0.0735
0.0606
0.0495
0.0401
0.0322
0.0256
0.0202
0.0158
0.0122
0.0094
0.0071
0.0054
0.0040
0.0030
0.0022
0.0016
0.0011
0.0008
0.0006
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4761
0.4364
0.3974
0.3594
0.3228
0.2877
0.2546
0.2236
0.1949
0.1685
0.1446
0.1230
0.1038
0.0869
0.0721
0.0594
0.0485
0.0392
0.0314
0.0250
0.0197
0.0154
0.0119
0.0091
0.0069
0.0052
0.0039
0.0029
0.0021
0.0015
0.0011
0.0008
0.0006
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4721
0.4325
0.3936
0.3557
0.3192
0.2843
0.2514
0.2206
0.1922
0.1660
0.1423
0.1210
0.1020
0.0853
0.0708
0.0582
0.0475
0.0384
0.0307
0.0244
0.0192
0.0150
0.0116
0.0089
0.0068
0.0051
0.0038
0.0028
0.0021
0.0015
0.0011
0.0008
0.0005
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4681
0.4286
0.3897
0.3520
0.3156
0.2810
0.2483
0.2177
0.1894
0.1635
0.1401
0.1190
0.1003
0.0838
0.0694
0.0571
0.0465
0.0375
0.0301
0.0239
0.0188
0.0146
0.0113
0.0087
0.0066
0.0049
0.0037
0.0027
0.0020
0.0014
0.0010
0.0007
0.0005
0.0004
0.0003
0.0002
0.0001
0.0001
0.0001
0.4641
0.4247
0.3859
0.3483
0.3121
0.2776
0.2451
0.2148
0.1867
0.1611
0.1379
0.1170
0.0985
0.0823
0.0681
0.0559
0.0455
0.0367
0.0294
0.0233
0.0183
0.0143
0.0110
0.0084
0.0064
0.0048
0.0036
0.0026
0.0019
0.0014
0.0010
0.0007
0.0005
0.0003
0.0002
0.0002
0.0001
0.0001
0.0001
Tablade
Distribucinde
ProbabilidadNormal
Estndar
1
2
f ( z)
z
e1/2 z2
f ( x)
x 2
1
1
e2
2
35
18
QueselAMEF?
Anlisis del Modo y Efecto de la Falla
(FMEA = Failure Mode and Effect Analysis)
Una herramienta que ayuda a:
Analizar de manera sistemtica y en equipo un proceso, un producto, un servicio

Registrar hechos, relaciones y acciones
Asignarle prioridad a nuestras acciones
Dar seguimiento a las acciones propuestas
Sirve para:
Identificar las formas en las que un proceso puede fallar
Estimar el riesgo de los efectos de las fallas si llegasen a ocurrir
Evaluar el plan de control actual para prevenir las fallas
Por s mismo el AMEF:

No genera nuevos conocimientos, pero s eleva el nivel de los mismos
No soluciona las fallas
AMEF
Historia
AMEF fue formalmente introducido hacia finales de los aos cuarenta, del siglo
pasado, con motivos militares por las Fuerzas Armadas de los EE.UU.
Posteriormente se utiliz en el desarrollo de equipo aeroespacial para evitar

defectos en equipos (o proyectos) extremadamente costosos: Programa Apolo.
Hacia el final de los 70s la Ford introdujo el AMEF en la industria automotriz para
evitar problemas regulatorios y de seguridad. Posteriormente lo utiliz para
mejorar la produccin y el diseo.
Aunque se desarroll y us inicialmente en la industria militar, esta herramienta

se ha utilizado extensamente en una gran variedad de industrias. Por ejemplo:
en el procesamiento de semiconductores, servicios de comida, plsticos,
software y cuidado de la salud.
El Grupo de Accin de la Industria Automotriz (AIAG) requiere el uso del AMEF

en la Planeacin Avanzada de la Calidad de Producto. Lo requiere tambin a
los proveedores de la industria automotriz, incluso a los secundarios o terciarios.
AMEF
TiposdeAMEF
AMEF de Producto: Analiza los Modos de Falla Potencial del
producto debido al Proceso de Diseo.
AMEF de Proceso: Analiza los Modos de Falla Potencial
debido a la ejecucin del proceso.
AMEF de Servicio: Analiza los Modos de Falla Potencial de
los procesos de Servicio al Cliente
AMEF de Seguridad: Analiza los Modos de Falla Potencial de
los procesos o productos que afectan la seguridad de los
usuarios o trabajadores.
4
Esquema AMEF
Prevencin Prevencin
Causa
3
Causa
2
Deteccin
Causa 1
Entrada
Proceso
Deteccin
Modo de
la Falla
(Defecto)
Salida
Cliente:
Efecto en
el CTQ
Proceso
Cul eslabn de la cadena causal se va a controlar?
AMEF
DefinicindeTrminos
Causa: Alguno de los eslabones de la cadena causal que ocasiona
el Modo de Falla.
Modo de la Falla: La forma en que falla una entrada o paso del
proceso especfico.
Efecto sobre los requerimientos del cliente interno o externo.
Controles: Acciones, inspecciones, pruebas de laboratorio,
mediciones, dispositivos poka yoke colocados para detectar los
modos de falla o las causas (antes de ocasionar los efectos) o los
defectos mismos.
AMEF
Modos de Falla y Efectos

Modo de
Falla 1
Efecto 1
Modo de
Falla 2
Efecto 1
Dos o ms Modos de Falla pueden

producir el mismo efecto
Modo de
Falla 1
Efecto 1
Efecto 2
Un mismo Modo de Falla puede

producir dos o ms efectos
Modo de
Falla 1
Modo de
Falla 2
Efecto 1
Dos o ms Modos de Falla
simultneos producen un efecto
AMEF
PasosdelAMEFdeProceso
1. Forme un equipo de personas adecuado. Incluya en el
equipo:
Uno o varios expertos en el proceso
Personal crtico / analtico que no sea parte del proceso:
proveedores y clientes del proceso
2. Revise el Proceso. Asegurarse que todos los miembros del

equipo entienden el proceso:
Todos debern recorrer el proceso fsicamente, an cuando sea
de tipo administrativo, incluso operaciones proveedoras y
clientes.
Revisar un diagrama de proceso detallado de la operacin
3. Genere una lista de modos potenciales de falla:

Despus de la visita a piso, cada miembro del equipo debe llegar
con una lista escrita de los modos potenciales de falla
Agrupar los modos de falla potencial por afinidad.
Incluirlos en formato
AMEF
AMEF del Proceso: Cuentas por Cobrar
Reduccin de Saldos de Cartera Vencida
Recibos de
Cobro
Entrega tarda
de los
documentos al
cliente.
Factura
Aplicacin
incorrecta de
cargos al cliente
en el sistema SAP
Atraso en el pago
de la factura, al
contar el perido
del crdito a partir
de que el cliente
recibe todos los
documentos.
Entrega tarda
de mercacas al
Atraso en el pago
cliente en las
de la factura
fechas cercanas
correspondiente.
a los cierres de
mes.
Saldos vencidos
que no se
comunican al
Desconocimiento cliente.
por parte de
clientes del
vencimiento de
Bloqueo del
sus facturas.
crdito de
clientes.
Cargo
AMEF
En el formato de
recibo no se
identifica el
nmero de
factura.
Revisin de
recibos por
parte de jefe
de ventas.
Control propuesto
448
432
Programa computacional
Inlcuir un campo obligatorio para que obligue a llenar el campo de
en el recibo se registre el nmero de nmero de factura y que
contenga la esctructura de
la factura.
los nmeros de factura.
Obligatoriedad de dicho
campo
Incluir un campo obligatorio para que Que el jefe de ventas y de
se identifiquen las bonificaciones y
CxC hagan auditoras para
cartas de crdito.
revisar que se ent
cumpliendo con los registros
de los campos anteriores
Hacer que los transportistas
firmen de recibido por los
Hacer un formato que incluya una
docuementos incluidos en la
lista de confirmacin con todos los
lista y fincar
documentos que deben entregrsele
responsabilidades si no
a los transportistas.
entrega los documentos al
cliente.
3. Incluya todos los Modos de

Ninguno
10
450
Falla5 Potenciales
identificados
Falta identificar
en el recibo los
descuentos o
promociones que
se aplican.
Aplicacin
incorrecta de
cargos al cliente
en el sistema SAP
No se le entrega
toda la
documentacin al
transportista que
entrega los
productos.
Ninguno
10
540
Se acumulan
entregas en
fechas cercanas a
los cierres
contables.
Ninguno
10
150
Hacer conciencia entre vendedores

para que no se acumulen las ventas
y entregas en fines del mes contable.
Ninguno
10
640
Incluir en el programa computacional

Hacer el campo de
de elaboracin de la factura un
vencimiento de la factura
campo obligatorio de la fecha de
uno obligatorio.
vencimiento de la misma.
Ninguno
10
560
Comunicarse con el Cliente antes de

bloquear su lnea de crdito.
Cliente no tiene
certidumbre de a
partir de qu
momento inicia el
periodo del
crdito.
Jefe de CxC deber hacer

auditoras peridicas para
cerciorarse de que se hable
con los Clientes antes de un
bloqueo de su crdito.
Entrega tarda
de los
documentos al
cliente.
Factura
Aplicacin
incorrecta de
cargos al cliente
en el sistema SAP
Atraso en el pago
de la factura, al
contar el perido
del crdito a partir
de que el cliente
recibe todos los
documentos.
Entrega tarda
de mercacas al
Atraso en el pago
cliente en las
de la factura
fechas cercanas
correspondiente.
a los cierres de
mes.
Cargo
Saldos vencidos
que no se
comunican al
por parte de
clientes del
vencimiento de
Bloqueo del
sus facturas.
crdito de
clientes.
AMEF

Nueva
estimacin
Falta de
conocimiento de
los descuentos o
promociones que
se acuerdan con
los clientes.
Controles
actuales en
el proceso
Deteccin
Causa (s) de la
falla potencial
Ocurrencia
Severidad
8
Recibos de
Cobro
No cuadran las
cantidades
incluidas en el
recibo.
Responsables del Proyecto:
Efecto en los
CTQs
N
P
R
Hacer un programa computacional

para nenerar
recibos de cobro para
g
que se "obligue" a incluir los
descuentos.
Publicar de manera amplia los
obligue a llenar el campo de
descuentos y promociones que
descuentos y promociones
apliquen en general y la obligacin de
los vendedores de comunicar a CXC
los descuentos especiales.
En recibo no se
identifican las
bonificaciones.
Nombre de
Modo de Falla
la variable
de Entrada de la Entrada
Deteccin
Acciones recomendadas
Severidad
Deteccin
Ocurrencia
7
Revisin de
recibos por
parte de jefe
de ventas.
Prioridad
de riesgo
(NPR)
Revisin de
recibos por
parte de jefe
de ventas.
En el formato de
recibo no se
identifica el
nmero de
factura.
Revisin de
recibos por
parte de jefe
de ventas.
En recibo no se
identifican las
bonificaciones.
Ninguno
Prioridad
de riesgo
(NPR)
Control propuesto
Deteccin
No cuadran las
cantidades
incluidas en el
recibo.
Falta de
conocimiento de
los descuentos o
promociones que
se acuerdan con
los clientes.
Controles
actuales en
el proceso
Severidad
Aplicacin
incorrecta de
cargos al cliente
en el sistema SAP
Causa (s) de la
falla potencial
Ocurrencia
Falta identificar
en el recibo los
descuentos o
promociones que
se aplican.
Efecto en los
CTQs
Severidad
Nombre de
Modo de Falla
la variable
Ocurrencia
Nueva
estimacin
N
P
R
448

para nenerar
g
descuentos.
432
la factura.
campo
4. Identifique
los efectos sobre
los
identifiquen las bonificaciones y
CTQs10de450
los se
Modos
de Falla Potenciales
cartas de crdito.
revisar que se ent

lista y fincar
cliente.
No se le entrega
toda la
documentacin al
transportista que
entrega los
productos.
Ninguno
10
540

Se acumulan
entregas en
fechas cercanas a
los cierres
contables.
Ninguno
10
150

Ninguno
10
640

Hacer el campo de
uno obligatorio.
Ninguno
10
560

Cliente no tiene
certidumbre de a
partir de qu
momento inicia el
periodo del
crdito.

10
Falta identificar
en el recibo los
descuentos o
promociones que
se aplican.
Aplicacin
incorrecta de
cargos al cliente
en el sistema SAP
Entrega tarda
de los
documentos al
cliente.
Factura
Aplicacin
incorrecta de
cargos al cliente
en el sistema SAP
Atraso en el pago
de la factura, al
contar el perido
del crdito a partir
de que el cliente
recibe todos los
documentos.
Entrega tarda
de mercacas al
Atraso en el pago
cliente en las
de la factura
fechas cercanas
correspondiente.
a los cierres de
mes.
Cargo
Saldos vencidos
que no se
comunican al
por parte de
clientes del
vencimiento de
Bloqueo del
sus facturas.
crdito de
clientes.
AMEF
Falta de
conocimiento de
los descuentos o
promociones que
se acuerdan con
los clientes.
Control propuesto
Deteccin
Prioridad
de riesgo
(NPR)
Severidad
Deteccin
Controles
actuales en
el proceso
N
P
R
448

para nenerar
g
descuentos.
432
la factura.
Revisin de
recibos por
parte de jefe
de ventas.
En el formato de
recibo no se
identifica el
nmero de
factura.
Revisin de
recibos por
parte de jefe
de ventas.
En recibo no se
identifican las
bonificaciones.
Ninguno
No se le entrega
toda la
documentacin al
transportista que
entrega los
productos.
Ninguno
10
540

Se acumulan
entregas en
fechas cercanas a
los cierres
contables.
Ninguno
10
150

Ninguno
10
640

Hacer el campo de
uno obligatorio.
Ninguno
10
560

Recibos de
Cobro
No cuadran las
cantidades
incluidas en el
recibo.
Causa (s) de la
falla potencial
Ocurrencia
Efecto en los
CTQs
Severidad
Nombre de
Modo de Falla
la variable
Ocurrencia
Nueva
estimacin
Cliente no tiene
certidumbre de a
partir de qu
momento inicia el
periodo del
crdito.
5. De acuerdo a los criterios de la tabla de

Severidad, estime cuantitativamente
el
campo
impacto
del
efecto
en
los
CTQs
del Cliente
10
450
cartas de crdito.
revisar que se ent
o el impacto
en el siguiente
paso del
proceso.

lista y fincar
cliente.

11
CriteriosparalacuantificacindelaSeveridad
AMEF
12
Falta identificar
en el recibo los
descuentos o
promociones que
se aplican.
Aplicacin
incorrecta de
cargos al cliente
en el sistema SAP
Recibos de
Cobro
No cuadran las
cantidades
incluidas en el
recibo.
Entrega tarda
de los
documentos al
cliente.
Factura
Aplicacin
incorrecta de
cargos al cliente
en el sistema SAP
Atraso en el pago
de la factura, al
contar el perido
del crdito a partir
de que el cliente
recibe todos los
documentos.
Entrega tarda
de mercacas al
Atraso en el pago
cliente en las
de la factura
fechas cercanas
correspondiente.
a los cierres de
mes.
Saldos vencidos
que no se
comunican al
por parte de
clientes del
vencimiento de
Bloqueo del
sus facturas.
crdito de
clientes.
Cargo
AMEF
Falta de
conocimiento de
los descuentos o
promociones que
se acuerdan con
los clientes.
N
P
R
448
432
la factura.
En el formato de
recibo no se
identifica el
nmero de
factura.
Revisin de
recibos por
parte de jefe
de ventas.
En recibo no se
identifican las
bonificaciones.
Ninguno
10
450
No se le entrega
toda la
documentacin al
transportista que
entrega los
productos.
Ninguno
10
540
Se acumulan
entregas en
fechas cercanas a
los cierres
contables.
Cliente no tiene
certidumbre de a
partir de qu
momento inicia el
periodo del
crdito.
Control propuesto

para nenerar
g
descuentos.
Revisin de
recibos por
parte de jefe
de ventas.
Deteccin
Prioridad
de riesgo
(NPR)
Severidad
Controles
actuales en
el proceso
Deteccin
Causa (s) de la
falla potencial
Ocurrencia
Efecto en los
CTQs
Severidad
Nombre de
Modo de Falla
la variable
Ocurrencia
Nueva
estimacin
6. Identifique Obligatoriedad
y registre
de dicho
campo
causa(s)
que
Incluir unla(s)
campo obligatorio
para que Que
el jefe de ventas y de
cada
Modo
cartas deprovoca(n)
crdito.
revisar que
se ent
de Falla y su grado
de
de los campos
anteriores
ocurrencia de
firmenacuerdo
de recibido por los
a la tabla siguiente.
lista y fincar
cliente.
Ninguno
10
150

Ninguno
10
640

Hacer el campo de
uno obligatorio.
Ninguno
10
560


13
CriteriosparalacuantificacindelaOcurrencia
Puntaje
Probabilidad de ocurrencia de la falla
Hay una probabilidad remota de que ocurra la falla
Existe plena seguridad de que el modo de falla o causa se va encontrar o

prevenir antes de que se convierta en falla y llegue al cliente
El registro muestra un bajo ndice de fallas
Es casi seguro que el modo de falla o causa se prevenga o se detecte antes

de que se convierta en falla y llegue al cliente
No hay documentacin, pero se estima que hay un Baja probabilidad de que el modo de falla o causa se convierta en falla y
bajo ndice de fallas.
llegue al cliente
Se registran fallas ocasionales.
Los controles pueden detectar o prevenir que el modo de falla o causa se

convierta en falla y llegue al cliente.
Hay documentacin que indica que hay un ndice

de falla relativamente moderado.
Hay una probabilidad moderada de que el modo de falla o causa se convierta

en falla y llegue al cliente.
No hay evidencia, pero se estima un ndice de falla Es probable que el sistema de control detecte o prevenga un modo de falla o
relativamente moderada
causa antes de que se convierta en falla y llegue al cliente.
Hay un ndice de falla alto con evidencia

documentada.
No hay evidencia documentada, pero se estima un Hay muy poca probabilidad de que un modo de falla o causa se detecte o se
ndice de falla alto.
evite antes de que se convierta en falla y llegue al cliente.
Los controles existentes probablemente ni siquiera detecten las causas o

La falla es casi segura basndose en la informacin
modo de falla, por lo que es altamente probable que se conviertan en falla y
de garantas o reclamos.
lleguen al cliente.
10
La falla es segura basndose en la informacin de

garantas o reclamos.
AMEF
Control o capacidad para detectar la causa o modo de falla
Hay poca probabilidad de que el modo de falla o causa se detecte o se evite

antes de que se convierta en falla y llegue al cliente.
Hay certeza absoluta de que los controles existentes no van a detectar los
modos de falla, ni las causas ni la falla misma.
14
Falta identificar
en el recibo los
descuentos o
promociones que
se aplican.
Aplicacin
incorrecta de
cargos al cliente
en el sistema SAP
Entrega tarda
de los
documentos al
cliente.
Factura
Aplicacin
incorrecta de
cargos al cliente
en el sistema SAP
Atraso en el pago
de la factura, al
contar el perido
del crdito a partir
de que el cliente
recibe todos los
documentos.
Entrega tarda
de mercacas al
Atraso en el pago
cliente en las
de la factura
fechas cercanas
correspondiente.
a los cierres de
mes.
Cargo
Saldos vencidos
que no se
comunican al
por parte de
clientes del
vencimiento de
Bloqueo del
sus facturas.
crdito de
clientes.
AMEF
Falta de
conocimiento de
los descuentos o
promociones que
se acuerdan con
los clientes.
Deteccin
432
la factura.
Ninguno
10
450
Ninguno
10
540
Ninguno
10
150
Ninguno
10
640

Hacer el campo de
uno obligatorio.
Ninguno
10
560

Revisin de
recibos por
parte de jefe
de ventas.
En recibo no se
identifican las
bonificaciones.
No se le entrega
toda la
documentacin al
transportista que
entrega los
productos.
Se acumulan
entregas en
fechas cercanas a
los cierres
contables.
N
P
R
En el formato de
recibo no se
identifica el
nmero de
factura.
Cliente no tiene
certidumbre de a
partir de qu
momento inicia el
periodo del
crdito.
Control propuesto
448

para g
nenerar recibos de cobro para
descuentos.
Prioridad
de riesgo
(NPR)
Severidad
Deteccin
Controles
actuales en
el proceso
Revisin de
recibos por
parte de jefe
de ventas.
Recibos de
Cobro
No cuadran las
cantidades
incluidas en el
recibo.
Causa (s) de la
falla potencial
Ocurrencia
Efecto en los
CTQs
Severidad
Nombre de
Modo de Falla
la variable
Ocurrencia
Nueva
estimacin
7. Identificar y
registrar
los
Obligatoriedad
de dicho
campo
Controles
formas
Incluir un campo obligatorio para
que Que el jefe de o
ventas
y de
de Deteccin
cartas de crdito.
revisar que se ent de
cada
Causa
o Modo
de los
campos anteriores
de Falla
y suporgrado
firmen de recibido
los
lista y fincar
de Control
de que
entrega llegue
los documentos
la falla
alal
cliente.
Cliente de acuerdo
a la tabla anterior.


15
PasosdelAMEFdeProceso
4.
Identificar los efectos sobre los CTQs de los Modos de Falla

Potenciales. Es decir el impacto que tendr en el incumplimiento
de los CTQs.
5.
Estimar cuantitativamente el grado de impacto del efecto en los

CTQs del Cliente o el impacto en el siguiente paso del proceso, de
acuerdo a los criterios de la tabla de Severidad.
6.
Identificar y registrar la o las causas que provocan cada Modo de

Falla y su grado de ocurrencia de acuerdo a la tabla de
Ocurrencia. Si no se cuenta con esta informacin, se puede
trabajar con el grado de ocurrencia de las fallas o efectos.
7.
Identificar y registrar el o los Controles o formas de deteccin de

cada Causa o Modo de Falla de acuerdo a la tabla
correspondiente. Si no se cuenta con controles para las causas o
modos de falla, estimar el grado de deteccin de las fallas
mismas para evitar que lleguen al Cliente.
AMEF
16
AMEFdeProceso
8. Calcule los Nmeros Prioritarios de
Riesgo (NPR)
Para cada Modo de Falla calcular
NPR = Severidad * Ocurrencia * Control
Se sugiere que se considere un Crtico del Proceso

(CTP) aquellos Modos de Falla con:
NPR >210 o con
Severidad = 9 o 10
AMEF
17
AMEFdeProceso
9. Elimine o reduzca Riesgos
A travs de un proceso organizado de solucin de
problemas, tales como: 5 Porqus, rboles de fallas,
Diagramas Ishikawa, DOEs, etc., identifique las acciones
para eliminar o reducir los modos de falla de alto riesgo.
Es decir, los NPR ms grandes.
Asigne responsables y fechas para la ejecucin de las
acciones.
10.Utilice el AMEF como una herramienta de

seguimiento
Re-evale los cambios en los indicadores (NPR) despus
de ejecutadas las acciones y tantas veces como sea
necesario.
AMEF
18
AMEFyCEP
Los Crticos del Proceso (CTPs) que se encuentren en el
AMEF pudieran ser controlados a travs de Grficos de
Control y monitoreadas su Capacidad de Proceso para
cumplir con los CTQ's.
EL AMEF de proceso no slo pudiera utilizarse en la fase de
Control, si no en la fase de Anlisis, para la identificacin de
los CTP's.
Un AMEF de diseo pudiera utilizarse para identificar los
CTQs desde la fase de Identificacin.
AMEF
19
FormatoparaAMEF
Pgina/detotal
EfectosdelaFallaen:
Funcin
Modode
enel
laFalla Sistemao
Proceso
Producto Usuario
Ensamble
AMEF
Causas
Controlo
Deteccin
NPR
Fecha:
Deteccin
Ingenierodediseo:
Severidad
Parte:
Sistema:
Ocurrencia
NombedelAMEF:
Accionessugeridas
Accionestomadas
Responsable
Fecha
20
10
03/02/2015
PlandeReaccin
Qupasasi
se presenta una anomala?
Algo que no se haba considerado durante el Proyecto, sea porque no se
haba presentado antes o porque el equipo no lo consider.
Lo ms probable es que la anomala sea una causa especial: Como
pudiera ser, una falla debida a el entrenamiento del empleado, o una falla
de la PC, o una falla del equipo, o una falla de software, etc.
O tal vez sea un cambio en las exigencias del Cliente, o un nuevo servicio
que se proveer al Cliente, etc.
Qu hacer?
Jidoka: Una respuesta inmediata ante cualquier condicin anormal dentro
del proceso.
Desarrollar procedimientos estndar de reaccin ante anomalas

5.3PlandeReaccin
03/02/2015
Quhacersi
los indicadores de las Xs (vitales) se comportan de
manera anormal? Es decir, si los indicadores se siguen
a travs de una grfica de control, y sta indica que
hay una situacin fuera de control?
El Plan de Reaccin deber indicar especficamente:
Qu hacer si la X tiene una tendencia ascendente
Qu hacer cuando la X tiene una tendencia descendente
Qu hacer si la X se sale de los lmites de control
Qu hacer si el proceso se mantiene bajo control, pero
incrementa su variacin debida a causas comunes
Qu hacer si la X rebasa los lmites de especificacin
Qu hacer cuando se presenta un defecto especfico
Cundo se deber convocar al Equipo de Reaccin Inmediata
5.3PlandeReaccin
EquipodeReaccinInmediata
Formar un Equipo de Reaccin Inmediata que se
encargue de analizar anomalas (causas
especiales) o situaciones no previstas:
El equipo debera estar formado por personas que estn disponibles
todos los turnos de trabajo, por lo que si hay ms de un turno,
entonces se constituir este equipo por personas que ocupen algunos
puestos clave.
Podra ser formado por algunas personas que participaron en el equipo
de apoyo del proyecto.
El equipo deber reaccionar inmediatamente aplicando el Plan de
Reaccin:
Identificar la causa especial que se present
Analizar si de inmediato puede ser resuelta la anormalidad aplicando
las acciones del plan, o si tomar ms tiempo la resolucin:
Si se requiere ms tiempo, se deber colocar una medida de

contencin del problema o
Parar la produccin hasta encontrar la solucin
5.3PlandeReaccin
03/02/2015
Quhacersi
el Cliente solicita un cambio con mayores y
nuevas exigencias, o requiere un nuevo servicio
que anteriormente no solicitaba?
El personal deber recurrir al documento del proyecto y hacer los
ajustes a las Xs vitales para cumplir con las nuevas exigencias.
En dado caso que dichas especificaciones sean tan diferentes, que
no tengan cabida en las condiciones del proyecto original, se
debern hacer verificaciones para mantener las mejoras
anteriores.
Importancia central: contar con un buen documento de proyecto

5.3PlandeReaccin
11/02/2015
ValorAgregado
1. Paraquinseaadevalor?
2. Aquseaadevalor?
3. Quesvalor?
11/02/2015
ConceptoCentralLean:Valor
Agregado
Transformarelproductoo
servicioenalgoqueel
clientedeseayest
dispuestoapagarporello.
ActividadesenlosProcesos
11/02/2015
ActividadesconValorAgregado
Transformanelproductooservicioen
loqueelclientedesea.
Actividades necesarias sin

Valor Agregado
Notransformanelproductooservicio,oel
Clientenorequieredichas
transformaciones.Consumenrecursospero
sonnecesarias.
11/02/2015
Desperdicioenelproceso
Todoloqueconsumerecursospero
noagregavaloralproductoo
servicio
11/02/2015
DostiposdemedicionesdeCalidad
Efectividad:
El grado en el que las necesidades y requerimientos del
Cliente son alcanzados:
Algunos Ejemplos:
Porcentaje de defectuosos
Tiempo de respuesta
Exactitud al facturar
Eficiencia:
La cantidad de recursos asignados en lograr y exceder los
requerimientos del cliente
Ejemplos:
Costo por cada Transaccin
Tiempo en realizar devolucin
Tiempo dedicado a cada

actividad
Cantidad de Retrabajo
9
Criteriosparaevaluarlasmediciones
LaMedicin
Esimportanteparalatomadedecisiones?
Esfcildeinterpretarsucuantificacin?
Essensiblealacualidadoatributoamedireinsensiblea
otrascosas?
Promueveelanlisisylaaccinapropiadas?
Losdatossonfcilesderecolectar?
10

LSS para GBs Transnacionales Del 9 Al 13 Feb15

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

LSS para GBs Transnacionales Del 9 Al 13 Feb15

Uploaded by

Copyright:

Available Formats

03/02/2015

Curso: Lean Seis Sigma

Registro pblico derecho de autor nmero: 03-2014-062010530600-01

Un nuevo paradigma estratgico

Creacin de una cultura

Componentes del Cambio

Origen Metodolgico de Seis Sigma

Representacin de una medicin de un Proceso

Un proceso Seis Sigma

=Variacin del proceso

Un proceso Seis Sigma

Empresas con Seis Sigma

Xignus, Baxter, 3 M, Moulinex, Dell

Harper Vlvulas, Universidades Laureate Intl.

Al cliente que utiliza directamente el producto o

Salida a tiempo del autobs.

Crticos para la Calidad

Crticos para la Calidad

Requerimientos del Cliente

Enfoque proactivo de Seis Sigma

Xi = las variables que determinan la Y

Seis Sigma se enfoca en identificar y establecer la relacin

En Seis Sigma se controlan las Xs para controlar la Y

Control: Se toman las

Mapa del Proceso:

Pasos del proceso, Salidas y Clientes

Escuchar la Voz del Proceso:

Escuchar la Voz del Negocio:

Planear la recopilacin de datos del proceso

Recopilar datos para la lnea base

Analizar si el problema es la capacidad tecnolgica del

Recurrir a la opinin de expertos, la observacin

activa, las leyes determinsticas para: Identificar Xs

Identificar la causalidad de las Xs sobre la Y

Cuantificar las relaciones y seleccionar las Xs

Desarrollar una solucin de largo plazo al problema

Verificar de manera estructurada y sistemtica, la

Modificar los Procedimientos Estndar del proceso

Monitorear los indicadores de la mejora / proceso

Porqu Seis Sigma?

Porque se enfoca en el Cliente

Porque es una estrategia y una metodologa que se basa en la

Porque es sistemtica, cientfica, disciplinada y utiliza

Porque se atacan las causas raz y las decisiones se basan en

Porque tiene una estructura de apoyo para la ejecucin de

Porque ha tenido mucho xito en empresas muy exitosas.

Registro pblico derecho de autor nmero: 03-2014-062010530600-01

Voz del Cliente

Caso del Negocio

Estrategia del Negocio

con la mejor calidad de productos o servicios?

Caso del Negocio

Tendr costos?, cuntos?, cules?, en qu reas?

4. Cules son los tiempos para realizar el proyecto?, etc.

Identificacin de los clientes

Voz los Clientes

necesidades funcionales (desempeo)

Voz del Cliente

Puede ser alguna innovacin que el cliente no conoce

Voz del Cliente

Traduzca la voz del Cliente:

caractersticas del producto o servicio

Despliegue de la Funcin de Calidad: