WC5 M6S 2019 1601 Analizar

ESCUELA DE CIENCIAS BÁSICAS
TECNOLOGÍAS E INGENIERÍAS
Ing. Mag. Germán Gómez Solarte, BB LSS

Escuela de Ciencias Básicas Tecnología e
Ingeniería
METODOLOGÍA SEIS SIGMA (212047)

Quinta web conferencia – 2019-1601
Director
Abril de 2019

Contenido
Memorias y fundamentación
1. DMAIC- MEDIR -Estudio de capacidad de proceso

2. DMAIC-ANALIZAR: Factores Xi y niveles
3. DMAIC- ANALIZAR: Matriz de causa efecto MC&E
4. DMAIC-ANALIZAR: Diagrama Ishikawa (Espina de pescado)
5. DMAIC- ANALIZAR – Diseño de Experimentos DOE
6. PREGUNTAS Y RESPUESTAS

Agenda del curso
Van en paralelo fase 4 y fase 5 pero

fase 4 se cierra antes de la fase 5:
Recuerden presentar la evaluación 2
RECONTEXTUALIZACIÓN DEL PROYECTO
SEIS SIGMA MODELO
¿ qué más
hicimos en el
proyecto seis
sigma
ejemplo…?
Recordar-Proyecto 6S modelo
ELEMENTO DESCRIPCIÓN DEL PROYECTO

Recordemos el Project VITALAC SAS
charter … EMPRESA
Cali
UBICACIÓN
Llenado y empacado de bolsas de leche

PROCESO A ANALIZAR
Optimización del peso de las bolsas de leche de 1,1 lt durante el proceso de llenado
TÍTULO DEL PROYECTO
En el proceso de llenado de leche en la planta Vitalac, el flujo de leche que ingresa en cada bolsa
desde la máquina llenadora/empacadora PackAB7000 varía generalmente por exceso, generando
bolsas de leche con sobrepeso lo cual afecta la cantidad de leche que la empresa puede vender. Este
sobrepeso se mide con el índice: “% sobrepeso”, el cual se calcula como: kg. leche producida con
OPORTUNIDAD DETECTADA sobrepeso-mes / kg leche producidas mes x 100. Actualmente, este índice está en 5 %. Según el
(Delcaración del problema) lineamiento de la alta dirección, este índice debe estar en 2%. Durante los últimos 12 meses se ha
venido mejorando, pero no se ha alcanzado la meta. El impacto económico para la empresa es de $
17.445.500 millones de pesos mensuales representados en leche que llega al consumidor como
sobrepeso sin que se pague más por esta cantidad.
Reducir el sobrepeso de las bolsas de leche a un 0,2% como porcentaje de sobrepeso

OBJETIVO DEL PROYECTO
Este proyecto se aplica para la producción de leche de la referencia 1 lt en la planta Vitalac de la

ALCANCE DEL PROYECTO ciudad de Cali

Recordar-Proyecto 6S modelo
CARACTERÍSTICA DE NÚMERO DE UNIDADES COSTO UNITARIO DEL
UNIDAD BASICA TRANSACCIONAL
CALIDAD PROCESADAS-MES PRODUCTO
peso de las bolsas de leche bolsa de leche empacada 252000 1500 $/bolsa de leche de 1,1 lt
Recordemos el Project
TIPOS DE DEFECTOS QUE SE
PUEDEN PRESENTAR
NÚMERO Y % PROMEDIO DE
DEFECTOS-MES
DPMO (PPM) NIVEL SIGMA ACTUAL charter …
1:Sobrepeso 4500 bolsas/mes
8929 3,87
2:Bajo peso 1,78%
VN (TARGET) LSE LIE COPQ Mensual
3% 4% 2% $ 6.728.400
MÉTRICA OPERATIVA: MÉTRICA FINANCIERA: 1) Ventas mensuales /Kg leche

% sobrepeso = kg. leche producida
INDICADOR PARA MEDIR EL INDICADOR PARA MEDIR EL producida
con sobrepeso-mes / kg leche
DESEMPEÑO OPERATIVO BENEFICIO ECONÓMICO DEL
producidas mes x 100
DEL PROYECTO PROYECTO 2) Reducción del COPQ
RESPONSABLE DEL PATROCINADOR DEL PROYECTO

Jefe de producción Gerente de planta
PROYECTO (ALTA DIRECCIÓN)
Operarios de llenado, profesional de costos, Jefe de Producción, Jefe de calidad, Jefe Financiero,
EQUIPO DEL PROYECTO
Supervisores de producción, Jefe Comercial
En el diseño de
especificaciones DISEÑO DE ESPECIFICACIONES bolsa 1100 ml
podemos tomarlas en VT 1100
términos relativos (%) o EI (LSL/LIE) 2,00% 1122
en términos absolutos VN 3,00% 1156
(gr) peso de la bolsa de ES (USL/LSE) 4,00% 1202
leche

FASE 5 – Fase 5-DMAMC-Medir y Analizar–
Actividad colaborativa
1. MEDIR-Priorizar 5. MEDIR- 7.ANALIZAR-

los factores que
4. MEDIR - Comprobar la Análisis de las
explican el estabilidad del causas
problema a Prueba de
estudiar mediante proceso d) Diseño de
Normalidad experimentos
un Diagrama de mediante un
Pareto de los datos Gráfico de DOE
control
7. ANALIZAR-
3. MEDIR- 6. ANALIZAR – Análisis de las
2. MEDIR- Estudiar la
a) Plan de capacidad del
causas
Validación del
recogida de proceso a)Diagrama
sistema de
datos a) Cp, Cpk, Pp y Ppk Ishikawa
medición-
Análisis R&R b)Tabla de b) Nivel Z b)Matriz C&E
datos c) Rendimiento c) Factores y
Yield Niveles
DMAIC (DMAMC)
FASE MEDIR
Segunda fase de DMAMC, donde

se entiende y cuantifica mejor la
magnitud del problema. Además,
se debe mostrar evidencia de que
se tiene un sistema de medición
Adecuado. Gutiérrez & De la Vara
2013)


los factores que
control
7. ANALIZAR-
causas
Validación del
sistema de
medición-
Yield Niveles
Focalizamos el proyecto mediante un Pareto
Diagrama de Pareto:
Con el cual focalizamos
el proyecto hacia los
factores o causas más
representativos…
Focalizar el proyecto:
Consite en precisar los
factores (Xi) más
importante que pueden
explicar el efecto (Y) del
problema investigado…


los factores que
control
7. ANALIZAR-
causas
Validación del
sistema de
medición-
Yield Niveles
Validamos el sistema de medición de los datos
mediante un análisis R&R
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA
Análisis R&R: Para identificar si

ESCUELA DE CIENCIAS BÁSICAS, TECNOLOGÍAS E INGENIERÍAS
PROGRAMA DE INGENIERÍA INDUSTRIAL - CURSO DE CONTROL DE CALIDAD - 302582A
COMPONENTE PRÁCTICO
FORMATO ANÁLISIS DE LOS SISTEMAS DE MEDICIÓN: REPETIBILIDAD Y REPRODUCIBILIDAD
Diseñado por Ing. Germán Gómez Solarte nuestro sistema de medición es
DILIGENCIE SOLAMENTE LOS CAMPOS MARCADOS EN COLOR VERDE. LOS CAMPOS EN OTRO COLOR SON CALCULADOS AUTOMÁTICAMENTE O DEFINIDOS POR DEFECTO confiable y no está aportando
Fecha:
Responsable:
18/10/2018
Jefe de producción EI=
ESPECIFICACIONES DE LA CARACTERÍSTICA DE CALIDAD
1122 VN= 1156 ES= 1202
TOLERANCIA
80
otra causa de variabilidad al
Instrumento utilizado: Balanza electrónica
OPERADOR A
No. muestras (n)=
OPERADOR B
20 No. Operadores 2 No. mediciones por muestra (t)
OPERADOR C
3
proceso…
Muestra
No.
Medición 1 Medición2 Medición3 Rango Medición 1 Medición2 Medición3 Rango Medición 1 Medición2 Medición3 Rango
1 1210,000 1210,000 1210,000 0,000 1210,000 1210,000 1210,000 0,000
2 1206,000 1205,000 1205,000 1,000 1204,000 1204,000 1204,000 0,000 Se tuvo en cuenta que: La característica de
3 1196,000 1195,000 1195,000 1,000 1195,000 1195,000 1195,000 0,000
4 1196,000 1196,000 1196,000 0,000 1196,000 1196,000 1196,000 0,000 calidad a medir es el peso en gr de una bolsa
5 1189,000 1188,000 1189,000 1,000 1188,000 1188,000 1188,000 0,000
6 1195,000 1195,000 1195,000 0,000 1197,000 1196,000 1197,000 1,000 de leche y para ello se utilizó una balanza
7 1177,000 1177,000 1177,000 0,000 1177,000 1178,000 1177,000 1,000
8 1179,000 1179,000 1178,000 1,000 1179,000 1178,000 1178,000 1,000 electrónica al final de la línea de llenado. Se
9 1204,000 1204,000 1204,000 0,000 1203,000 1203,000 1203,000 0,000
10 1191,000 1190,000 1190,000 1,000 1190,000 1190,000 1189,000 1,000 hizo un análisis R&R con una muestra de 20
11 1190,000 1191,000 1189,000 2,000 1190,000 1190,000 1190,000 0,000
12 1190,000 1190,000 1189,000 1,000 1188,000 1188,000 1188,000 0,000 bolsas de leche que fueron pesadas por dos
13 1209,000 1209,000 1209,000 0,000 1210,000 1210,000 1210,000 0,000
14 1167,000 1167,000 1168,000 1,000 1168,000 1168,000 1168,000 0,000 operarios. Cada operario pesó cada una de las
15 1199,000 1199,000 1199,000 0,000 1198,000 1198,000 1198,000 0,000
16 1185,000 1185,000 1185,000 0,000 1186,000 1186,000 1185,000 1,000 20 bolsas de leche 3 veces (1 medición y 2
17 1181,000 1181,000 1182,000 1,000 1180,000 1180,000 1179,000 1,000
18 1188,000 1187,000 1188,000 1,000 1187,000 1187,000 1186,000 1,000 réplicas) en la misma balanza. Aplicando el
19 1179,000 1179,000 1179,000 0,000 1178,000 1178,000 1178,000 0,000
20 1183,000 1183,000 1183,000 0,000 1184,000 1184,000 1184,000 0,000 R&R se encontró que el sistema de medición
1190,700
Promedio Operador A
Promedio Operador A
1190,500 1190,500
1190,567
0,550 1190,400 1190,350
Promedio Operador B
1190,150
1190,300
0,350
Promedio Operador C
(pesaje de las bolsas de leche) es confiable, es
Rango de las medias Media mayor 1190,567 Media Menor 1190,300 Diferencia de medias ( ẋdif) 0,267 decir que no existe variación importante en los
Promedio rangos (Rprom) 0,450
CONTROL DE RANGOS Constantes para calcular (VE) y (VO)

operarios (Reproducibilidad) o en el equipo de
LCS =D4 *Rprom DECISIÓN DE CONTROL
D4 2,57
#Mediciones
2
D4
3,27
Si alguno de los rangos es mayor que el LSC indica que el error de medición
no está bajo control. Debe corregir esas mediciones y recalcular Rangos y
#Mediciones
2
k1
4,56
No. Operad.
2
k2
3,65
medición balanza (Repetibilidad). Para esto
LCS = 1,157
3 2,57
LCS
3 3,05 3 2,7
usamos el Anexo 4, alojado en el entorno de
REPETIBILIDAD - VARIACIÓN EXPANDIDA DEL INSRUMENTO O EQUIPO (VE)
VE = Rprom *k1
Desviación de la Repetibilidad
REPRODUCIBILIDAD - VARIACIÓN EXPANDIDA DEL OPERADOR (VO)
k2 Desviación Reproducibilidad aprendizaje colaborativo y explicado en la web
VO =
conferencia pasada.
k1 3,05
σrepetibilidad = VE/5,15 3,65 σreproducib. = VO/5,15
VE = 1,373 σrepetibilidad = 0,267 VO= 0,958 σreproducib. 0,186
VARIACIÓN COMBINADA o ERROR DE MEDICIÓN DE REPETIBILIDAD Y ANÁLISIS RESPECTO DE LA TOLERANCIA

REPRODUCIBILIDAD (EM ó R&R)
EM = R&R = RAIZ CUADRADA (VE2 + VO2 )
% VE RESPECTO TOLERANCIA
%VE = (VE/Tolerancia)x100
% VO RESPECTO TOLERANCIA
%VO= (VO/Tolerancia) x 100
El resultado fue que nuestro sistema de
EM =R&R= 1,674 σ R&R = R&R/5,15 0,325 %VE= 1,72% %VO= 1,20%
medición es ACEPTABLE
REGLAS DE DECISIÓN: ÍNDICE PRECISIÓN/TOLERANCIA DEL SISTEMA DE MEDICIÓN
P/T = %RR = RAIZ CUADRADA (%VE2 + %VO2)
Si %R&R Menor que 20% ---> ACEPTABLE SISTEMA MEDICION
Si %R&R de 20% a 30% ---> ACEPTACIÓN CONDICIONADA
Si %R&R es Mayor que 30% ---> INACEPTABLE %RR = 2,09% Sistema de Medición aceptable


los factores que
control
7. ANALIZAR-
causas
Validación del
sistema de
medición-
Yield Niveles
Actividad 3 a – Plan de recogida de datos
PLAN DE RECOGIDA DE DATOS

QUÉ MEDIR CUANDO MEDIR CÓMO MEDIR DONDE MEDIR CUANTO MEDIR QUIEN MIDE DONDE SE REGISTRA INSTRUMENTO UTILIZDO
Tomado de: Sconinni (2013, p.47 )

Tomamos los datos de la variable que nos
interesa mediante un plan de recogida de datos
Tabla de datos (Data): Datos del peso de las bolsas de leche (Variable de interés Y)
Como nuestro sistema de del último mes
medición es confiable, ya
podemos tomar (Medir) MES DIA M1 M2 M3
TABLA DE DATOS MES 1
M4 M5 M6 M7 M8 M9 M10
datos de nuestro 1 1 1180 1195 1209 1196 1179 1189 1195 1191 1182 1189
1 2 1210 1210 1189 1187 1179 1169 1204 1199 1177 1179
proyecto… 1 3 1194 1198 1189 1194 1201 1187 1192 1198 1163 1189
1 4 1180 1174 1201 1187 1203 1206 1176 1206 1185 1182
1 5 1180 1159 1185 1177 1192 1171 1194 1192 1193 1190
1 6 1208 1169 1188 1183 1187 1191 1173 1189 1185 1195
1 7 1170 1196 1202 1177 1201 1203 1194 1189 1191 1191
1 8 1189 1194 1190 1192 1204 1190 1181 1186 1187 1191
1 9 1188 1195 1177 1207 1180 1194 1177 1185 1199 1184
PLAN DE RECOGIDA DE DATOS 1 10 1197 1192 1205 1196 1180 1193 1191 1179 1185 1189
La empresa trabaja 10 horas por día y cada hora se 1 11 1184 1178 1204 1188 1191 1190 1209 1192 1181 1224
recoge una muestra de 10 bolsas de leche y se las 1 12 1193 1191 1199 1179 1185 1206 1167 1199 1188 1199
pesa en la balanza electrónica que está al final de 1 13 1206 1190 1184 1186 1187 1194 1198 1198 1189 1201
1 14 1184 1200 1201 1190 1189 1191 1197 1195 1180 1194
la linea. Se tarbajan 25 días al mes
1 15 1177 1196 1188 1189 1187 1184 1197 1199 1198 1191
1 16 1175 1169 1191 1181 1202 1193 1196 1197 1183 1178
1 17 1186 1174 1189 1184 1186 1190 1199 1180 1196 1190
1 18 1193 1194 1176 1181 1203 1188 1213 1210 1203 1179
1 19 1203 1196 1196 1186 1197 1170 1197 1199 1210 1183
1 20 1176 1190 1172 1190 1171 1185 1191 1165 1191 1201
Nótese que en la tabla hay 25 muestras 1 21 1182 1201 1198 1189 1210 1184 1204 1202 1190 1194
cada una con 10 grupos racionales 1 22 1197 1187 1190 1183 1201 1189 1215 1181 1193 1175
1 23 1198 1190 1195 1205 1192 1186 1196 1181 1206 1213
(M1…M10) 1 24 1177 1183 1183 1181 1191 1194 1181 1196 1185 1191
1 25 1170 1183 1195 1193 1186 1175 1205 1180 1197 1188


los factores que
control
7. ANALIZAR-
causas
Validación del
sistema de
medición-
Yield Niveles
Prueba de Normalidad (Usamos Statgraphics)
Prueba de Normalidad Debemos comprobar si nuestros datos siguen una distribución de probabilidad normal o no,
con la cual validamos que los datos del peso de las bolsas de leche, siguen una Distribución de Probabilidad Normal
para saber qué herramientas usamos en el tratamientos de datos, puesto que buena parte de las herramientas de
análisis de datos se basan en el supuesto de datos normales, de lo contrario usaremos otras herramientas
identificando la distribución o mediante estadísticas no paramétricas…
Imagen que
corresponde a la
explicación dada
en la anterior web
conferencia:
Prueba de
normalidad de
datos usando
Statgraphics (paso
a paso)

Prueba de Normalidad (Usamos Statgraphics)
Gráfico de Probabilidad Normal Gráfica de normalidad: Los puntos

corresponden a la data, y entre más
ajuste tengan respecto de la línea
99,9
n:250 central (parámetro de prueba) mayor
99 Media:1190,16 probabilidad de que los datos se ajusten
Sigma:10,3924
95
W:0,990739
a una Distribución Normal.
P:0,9587
80
porcentaje
El estadístico de prueba p value =

50 0,9587 debe ser menor que 0,05 si esto
20
se cumple (como en este caso) se
concluye que no hay evidencia para
5 rechazar la hipótesis de que los datos
1 correspondan a una Distribución de
0,1
Probabilidad Normal, lo que quiere decir
1150 1170 1190 1210 1230 que los datos siguen una Distribución
Peso Normal
Si los datos son normales, podemos construir las gráficas de En el estudio de capacidad se mostrará
control X-R para conocer el estado de control estadístico de la otro estudio de normalidad, usando
MiniTab
característica de calidad (sobrepeso de las bolsas de leche) en el
proceso de empaque.

los factores que
control
7. ANALIZAR-
causas
Validación del
sistema de
medición-
Yield Niveles
Gráfico de control X-R
Como los datos de nuestro ejemplo siguen una Distribución de probabilidad Normal, podemos hacer las Gráficas X-R: Son gráficas de control
estadístico de variables, para verificar que el proceso esté bajo control estadístico, graficando la media y el rango de la característica de calidad
estudiada (peso de las bolsas de leche) por cada grupo racional definido en la muestra, e identificando que esté dentro de los límites naturales o de
control del proceso LSC Y LIE y/o no presenten comportamientos atípicos.
n A2 n D4 D3
Datos para las gráficas X barra- R
10 0,308 10 1,7768 0,2232
Observaciones Gráfico X(Datos de Medias) Gráfico R (Datos para Rangos)
Muestra
1 2 3 4 5 6 7 8 9 10 LC LSC LIC R LCR LSC LIC
1 1180 1195 1209 1196 1179 1189 1195 1191 1182 1189 1190,50 1190,16 1200,04 1177,97 30,0 32,08 32,08 57,00 7,16
2 1210 1210 1189 1187 1179 1169 1204 1199 1177 1179 1190,30 1190,16 1200,04 1177,97 41,0 32,08 32,08 57,00 7,16
3 1194 1198 1189 1194 1201 1187 1192 1198 1163 1189 1190,50 1190,16 1200,04 1177,97 38,0 32,08 32,08 57,00 7,16
4 1180 1174 1201 1187 1203 1206 1176 1206 1185 1182 1190,00 1190,16 1200,04 1177,97 32,0 32,08 32,08 57,00 7,16
5 1180 1159 1185 1177 1192 1171 1194 1192 1193 1190 1183,30 1190,16 1200,04 1177,97 35,0 32,08 32,08 57,00 7,16
6 1208 1169 1188 1183 1187 1191 1173 1189 1185 1195 1186,80 1190,16 1200,04 1177,97 39,0 32,08 32,08 57,00 7,16
7 1170 1196 1202 1177 1201 1203 1194 1189 1191 1191 1191,40 1190,16 1200,04 1177,97 33,0 32,08 32,08 57,00 7,16
8 1189 1194 1190 1192 1204 1190 1181 1186 1187 1191 1190,40 1190,16 1200,04 1177,97 23,0 32,08 32,08 57,00 7,16
9 1188 1195 1177 1207 1180 1194 1177 1185 1199 1184 1188,60 1190,16 1200,04 1177,97 30,0 32,08 32,08 57,00 7,16
10 1197 1192 1205 1196 1180 1193 1191 1179 1185 1189 1190,70 1190,16 1200,04 1177,97 26,0 32,08 32,08 57,00 7,16
11 1184 1178 1204 1188 1191 1190 1209 1192 1181 1224 1194,10 1190,16 1200,04 1177,97 46,0 32,08 32,08 57,00 7,16
12 1193 1191 1199 1179 1185 1206 1167 1199 1188 1199 1190,60 1190,16 1200,04 1177,97 39,0 32,08 32,08 57,00 7,16
13 1206 1190 1184 1186 1187 1194 1198 1198 1189 1201 1193,30 1190,16 1200,04 1177,97 22,0 32,08 32,08 57,00 7,16
14 1184 1200 1201 1190 1189 1191 1197 1195 1180 1194 1192,10 1190,16 1200,04 1177,97 21,0 32,08 32,08 57,00 7,16
15 1177 1196 1188 1189 1187 1184 1197 1199 1198 1191 1190,60 1190,16 1200,04 1177,97 22,0 32,08 32,08 57,00 7,16
16 1175 1169 1191 1181 1202 1193 1196 1197 1183 1178 1186,50 1190,16 1200,04 1177,97 33,0 32,08 32,08 57,00 7,16
17 1186 1174 1189 1184 1186 1190 1199 1180 1196 1190 1187,40 1190,16 1200,04 1177,97 25,0 32,08 32,08 57,00 7,16
18 1193 1194 1176 1181 1203 1188 1213 1210 1203 1179 1194,00 1190,16 1200,04 1177,97 37,0 32,08 32,08 57,00 7,16
19 1203 1196 1196 1186 1197 1170 1197 1199 1210 1183 1193,70 1190,16 1200,04 1177,97 40,0 32,08 32,08 57,00 7,16
20 1176 1190 1172 1190 1171 1185 1191 1165 1191 1201 1183,20 1190,16 1200,04 1177,97 36,0 32,08 32,08 57,00 7,16
21 1182 1201 1198 1189 1210 1184 1204 1202 1190 1194 1195,40 1190,16 1200,04 1177,97 28,0 32,08 32,08 57,00 7,16
22 1197 1187 1190 1183 1201 1189 1215 1181 1193 1175 1191,10 1190,16 1200,04 1177,97 40,0 32,08 32,08 57,00 7,16
23 1198 1190 1195 1205 1192 1186 1196 1181 1206 1213 1196,20 1190,16 1200,04 1177,97 32,0 32,08 32,08 57,00 7,16
24 1177 1183 1183 1181 1191 1194 1181 1196 1185 1191 1186,20 1190,16 1200,04 1177,97 19,0 32,08 32,08 57,00 7,16
25 1170 1183 1195 1193 1186 1175 1205 1180 1197 1188 1187,20 1190,16 1200,04 1177,97 35,0 32,08 32,08 57,00 7,16

GRÁFICO
Expresiones para
calcular los límites
de control:
ന+𝐀 𝐑
𝐋𝐒𝐂 = 𝐗 ഥ
ന
𝐋𝐂 = 𝐗
ന
𝐋𝐈𝐂 = 𝐗 ഥ
𝐀 𝐑
Esta tabla fue tomada de una de las referencias del curso:

LSC: Límite Superior de Control Gutiérrez, Humberto (2013). Control Estadístico de la Calidad y Seis Sigma. Apéndice. Tabla A1. Factores para la
LC: Línea Central construcción de las cartas de control. (pp. 449). México, D.F.: Mc Graw Hill. Recuperado
LIC: Límite Inferior de Control de http://bibliotecavirtual.unad.edu.co:2053/book.aspx?i=751&opensearch=calidad&editoriales=&edicion=&anio=

GRÁFICO R
Expresiones para
calcular los límites
de control:
ഥ
𝐋𝐒𝐂 = 𝐃𝟒𝐑
ഥ
𝐋𝐂 = 𝐑
ഥ
𝐋𝐈𝐂 = 𝐃𝟑𝐑
Esta tabla fue tomada de una de las referencias del curso:

LSC: Límite Superior de Control Gutiérrez, Humberto (2013). Control Estadístico de la Calidad y Seis Sigma. Apéndice. Tabla A1. Factores para la
LC: Línea Central construcción de las cartas de control. (pp. 449). México, D.F.: Mc Graw Hill. Recuperado
LIC: Límite Inferior de Control de http://bibliotecavirtual.unad.edu.co:2053/book.aspx?i=751&opensearch=calidad&editoriales=&edicion=&anio=

Gráficos de control X-R
La media del peso de la bolsa de

leche en cada muestra está dentro
de los límites de control, la
variación del proceso no presenta
patrones aberrantes o
comportamientos atípicos, por lo
que el promedio está en control
estadístico
El rango del peso de la bolsa de

leche en cada muestra por cada
grupo racional definido, está dentro
de los límites de control, la
variación del proceso no presenta
patrones aberrantes o
comportamientos atípicos, por lo
que la variación del proceso medido
por el rango está en control
estadístico


los factores que
control
7. ANALIZAR-
causas
Validación del
sistema de
medición-
Yield Niveles
ESTUDIO DE CAPACIDAD DE
PROCESO

CAPACIDAD DE PROCESO-FUNDAMENTACIÓN
• Que un proceso se encuentre bajo control

ESTADÍSTICO no significa que está
produciendo piezas acordes con las
especificaciones que le son impuestas, es
decir que sea un “proceso Capaz”; lo que
significa simplemente que se está
comportando de la forma como
tradicionalmente lo ha venido haciendo, y
que sobre él no están actuando causas
especiales o asignables de variación.

CAPACIDAD DE PROCESO
Al hacer un estudio del comportamiento de un proceso se pueden tener tres escenarios:
a) Bajo control y Capaz,
b) Bajo control pero Incapaz
c) Fuera de control: No controlado e Incapaz
Para hacer un estudio de capacidad, es necesario y recomendable que primero el proceso esté bajo control estadístico

Variación del Rango de especificaciones vs. Variación real del proceso
VARIACIÓN DE ESPECIFICACIÓN LIC LSC
(VARIACIÓN TOLERADA): Compuesta por los
límites de especificación LSE y LIE, por ende viene EI ES
dado por un rango equivalente a LSE – LIE, que se
establecen a partir de la funcionalidad del
producto o servicio o por el cliente.
Generalmente los límites de especificación
vienen dados por condiciones externas al
proceso, tales como exigencias del consumidor
normas técnicas o sanitarias.
VARIACIÓN REAL: Es la variación natural del

proceso en la producción o prestación del servicio Variación del proceso
y viene dado por un rango equivalente a 6 Sigma Real = 6σ
que es la variación total del proceso. Está
demarcado por los límites reales del proceso o
también llamados límites de control. (superior e
inferior). De acuerdo con Cuetrecasas (2006, p.56) Variación de especificaciones
es la «Voz de los procesos» Tolerada x el cliente
Índices de capacidad de proceso: Muestran LIC LSC

a través de un número si la variación real de un
proceso es más pequeña o está contenida EI ES
dentro del rango de variación de las
especificaciones, lo que quiere decir, si un
proceso puede cumplir consistentemente con
los requerimientos impuestos sobre un proceso
por clientes internos o externos.
Para estimar la capacidad de un proceso,

es necesario que se cumplan dos
Variación del proceso
condiciones:
Real = 6σ
1) Que el proceso bajo control

estadístico
2) Que los datos se distribuyan Variación de especificaciones
normalmente Tolerada x el cliente
Índice de capacidad Cp: Indicador de la Índice de capacidad Cpk: Indicador de la
capacidad potencial del proceso que resulta de capacidad real de un proceso que se puede ver
dividir el ancho de las especificaciones como un ajuste del índice Cp para tomar en
(variación tolerada) entre la amplitud cuenta el centrado del proceso.
de la variación natural del proceso
Mínimo de la Variación entre el

Variación tolerada
Cp = objetivo o media y el límite de
Variación real especificación más cercano
Cpk = __________________________
Variación del proceso
ES - EI
Cp =
6
• 𝐶𝑝𝑘 = min 𝐶𝑝𝑖 , 𝐶𝑝𝑠
𝜇 −𝐿𝐼𝐸 𝐿𝑆𝐸−𝜇
• 𝐶𝑝𝑖 = 𝑦 𝐶𝑝𝑠 =
3ෝ
𝜎 3ෝ
𝜎
La desviación estándar σ usada en
Cp y Cpk es entre grupos racionales, Se busca que Cp y Cpk sean mayores a 1
es decir la variación de corto plazo
CAPACIDAD Y HABILIDAD DEL PROCESO
EN EL CORTO PLAZO (Cp y Cpk)
Proceso incapaz: La Proceso con capacidad potencial

variación real del proceso
Proceso
pero como está descentrado
Generalmente se usan dos índices para
capaz y
es mayor que el rango de
centrado produce unidades defectuosas (El evaluar la capacidad del proceso:
las especificaciones carro no puede entrar al garaje)
Cp: índice de capacidad potencial del

proceso. No toma en cuenta la media
observada del proceso.
Cpk: índice de capacidad o habilidad real

del proceso. Sí toma en cuenta la media
observada en el proceso, es decir el
centramiento del proceso real respecto de
la media de las especificaciones
Capacidad de corto plazo: Se calcula a partir de

muchos datos tomados durante un periodo corto
para que no haya influencias externas en el
proceso, o con muchos datos de un periodo largo,
En esta metáfora: El ancho del carro es el ancho o variación pero calculando σ con el rango promedio
del proceso, mientras que el ancho del garaje es la variación (σ = R/d2).
tolerada de las especificaciones.

CAPACIDAD Y HABILIDAD DEL PROCESO DE
LARGO PLAZO (Pp y Ppk)
Variación de especificaciones tolerada
ES - EI
Pp = ________________________________
Pp =
6 *
Variación real de largo plazo
Mínimo de la Variación entre el • 𝑃𝑝𝑘 = min 𝑃𝑝𝑖 , 𝑃𝑝𝑠

objetivo o media y el límite de
𝜇 −𝐿𝐼𝐸 𝐿𝑆𝐸−𝜇
especificación más cercano • 𝑃𝑝𝑖 = 𝑦 𝑃𝑝𝑠 =
3𝜎ෞ ෞ
3𝜎
Ppk = __________________________
Variación del proceso de largo
plazo
Se busca que Pp y Ppk sean mayores a 1
Capacidad de largo plazo. Se calcula con muchos

datos tomados de un periodo largo para que los
factores externos influyan en el proceso, y σ* se
estima mediante la desviación estándar de todos los
datos (σ* = S). La desviación estándar σ* usada en Pp
y Ppk es la variación global, de toda la data estudiada,
lo que corresponde a la variación de largo plazo

CAPACIDAD DE PROCESO - Ejemplo
En un taller de pintura de vehículos se determinó que
la característica crítica del proceso es el tiempo de
exposición en el horno luego de pintado. Se
estableció como tolerancia de esta característica 40
minutos ± 5 minutos por vehículo. Después de
realizar un estudio a través de una muestra
representativa se obtuvo como resultado un
promedio de tiempo de exposición de 40,3 minutos
con una desviación estándar de 1,22 minutos. Se
requiere calcular la capacidad y habilidad del proceso LSE - LIE 45 - 35 10
de corto plazo Cp = = = = 1.35
6  6 X 1.22 7.32
LSE = 45, LIE = 35,  = 40.3,  = 1.22
Proceso con un Cpk Min→ (Cpi, Cps)

leve
LIE = 35 descentramiento
LSE = 45
Cpi = ( - LIE)/3  = 1,44
Cps = (LSE -)/3  = 1,28

 =40.3
Cpk = 1,28
Centro de 45
39
35 especif. = 40 Ing. Mag. Germán Gómez Solarte, BB LSS
Cp  1 La variación del proceso es menor a la establecida por el
cliente, lo cual indica una confiabilidad de que el proceso
satisface holgadamente la variación definida por el cliente.
Cp = 1. La variación del proceso es idéntica a la variación permitida

por el cliente.
1. Cp  1. El proceso tiene una variación mayor que la establecida por

el cliente y por consiguiente se están produciendo piezas
fuera de las especificaciones.
Entre más pequeño sea el valor obtenido a través de Cp,
mayor es la variación del proceso con respecto a lo establecido
por el cliente.
En resumen podemos observar que el Cp es un indicador numérico

que nos da el conocimiento de la variación de nuestro proceso en
comparación a la variación permitida.
Valor del Clase o Decisión (si el proceso está centrado)
índice Cp categoría de
(corto plazo) proceso
Cp  2 Clase Se tiene calidad seis sigma
mundial
Cp > 1.33 1 Adecuado.
1 < Cp < 1.33 2 Parcialmente adecuado, requiere de un
control estricto.
0.67 < Cp < 1 3 No adecuado para el trabajo. Un análisis del
proceso es necesario. Requiere de
modificaciones serias para alcanzar una
calidad satisfactoria.
Cp < 0.67 4 No adecuado para el trabajo. Requiere de
modificaciones muy serias.
Si el Cpk < Cp, entonces una vez que se centre el proceso se tendrá la clase
de proceso que se señala.

ESTUDIO DE CAPACIDAD DE PROCESO
CON MINITAB
Primer paso: Probar la normalidad de los datos- En miniTab:

CON MINITAB
Primer paso: Probar la normalidad de los datos- En miniTab:
Gráfica de Normalidad:
Recuerden que entre
más ajuste de los puntos
con respecto a la recta
los datos se aproximan
más a una Distribución
Normal. Además revisar
el p-value que debe ser
menor a 0,05 para que
pueda decirse que los
datos siguen a una
aproximación de
distribución normal

CON MINITAB
Segundo Paso: Hacer el estudio de capacidad- Ver paso a paso en miniTab:

CON MINITAB

CON MINITAB
Con el estudio capability

six pack tenemos la
siguiente información:
1. Gráfica X barra
2. Gráfica S de
desviaciones
3. Gráfica de
distribución de
puntos sobre la
media
4. Histograma de
capacidad en donde
se aprecia el centra
miento del proceso
5. Gráfica de
normalidad
6. Gráfica de capacidad

ÍNDICE Z
Según Gutiérrez & De la Vara (2013), El índice Z, es otra forma de medir la capacidad del
proceso que consiste en calcular la distancia entre las especificaciones y la media μ del
proceso en unidades de desviación estándar σ. En un proceso con doble especificación se
tiene Z superior Zs y Z inferior (Zi) que se definen así:
Zs = ES –μ y Zi = μ – EI
σ σ
Donde la capacidad del proceso será Mín [ Zs, Zi]
Ejemplo: En un proceso de envasado de cemento se tiene como especificación del contenido

de los bultos de cemento 50 kg, con una tolerancia de 0,6 kg. De datos históricos del proceso,
se sabe que la media del llenado de bultos de cemento es 50,01 kg con una desviación
estándar de 0,2 kg. Calcular el índice Z:
Primero calcular especificaciones: ES = 50 + 0,6 = 50,6 kg y EI = 50 - 0,6 = 49,4 kg

Zs = (50,6 – 50,01)/0,2 = 2,95
Zi = (50,01 – 49,6) /0,2 = 3,05
Por lo tanto la capacidad del proceso será Zs = 2,95


los factores que
control
7. ANALIZAR-
causas
Validación del
sistema de
medición-
Yield Niveles
DMAIC (DMAMC)
FASE ANALIZAR
Tercera etapa de DMAMC, en

donde se identifican y confirman
las causas, además se entiende
cómo generan el problema.
Gutiérrez & De la Vara 2013)

a) DIAGRAMA ISHIKAWA

Diagrama Ishikawa
El Diagrama de Ishikawa, es una de las herramientas graficas más eficaces y más

utilizadas en acciones de mejoramiento y control de calidad en las organizaciones, ya que
permite, de una forma sencilla, agrupar y visualizar las razones que han de estar en el
origen de un cualquier problema o resultando que se pretenda mejorar.
Fue creado por él Gurú de la Calidad, él El Profesor Dr. Kaoru Ishikawa en el año 1953.
Kaoru Ishikawa
(1915 - 1989)

Diagrama Ishikawa
6M
Tipos o
metodologías
Flujo de proceso
para su
elaboración
Estratificación

DIAGRAMA ISHIKAWA-MÉTODO DE 6M
Este es el método de
construcción más común y,
consiste en agrupar las causas
potenciales en seis ramas
principales (6M): métodos de
trabajo, mano de obra,
materiales, maquinaria, medición
y medio ambiente. Estos seis
elementos definen de manera
global todo proceso, y cada uno
aporta parte de la
variabilidad (y de la calidad)
final del producto o servicio. Por
lo que es natural enfocar los
esfuerzos de mejora hacia cada
uno de estos elementos de un
proceso.
DIAGRAMA ISHIKAWA-MÉTODO DE
FLUJO DE PROCESO
Con este método de construcción,

la línea principal del Diagrama de
Ishikawa sigue la secuencia
normal del proceso de
producción o de
administración. Luego se va
agregando, en el orden del proceso,
las causas potenciales. Se puede
realizar la siguiente pregunta:
¿La variabilidad en esta parte
del proceso afecta el problema
especificado?
Este método permite explorar
formas alternativas de trabajo,
detectar cuellos de botella,
descubrir problemas ocultos, etc.

DIAGRAMA ISHIKAWA-MÉTODO DE
ESTRATIFICCION O ENUMERACION DE CAUSAS
Se parte de un análisis previo, con lo

que el foco de búsqueda será más
reducido y los resultados más
positivos, pueden emplearse sesiones
de lluvia de ideas o Técnica de los 5
por qué.
El método de estratificación contrasta

con el método 6M , ya que en éste se
va de lo muy general a lo particular,
mientras que en el método de
estratificación se va directamente a
causas potenciales del problema.
Esta manera de construir el Diagrama

de Ishikawa es natural cuando las
categorías de las causas potenciales
pueden subdividirse, por ejemplo un
producto terminado puede dividirse
fácilmente en sus subensambles.

b) Matriz Causa & Efecto
MC&E

b) Matriz Causa & Efecto
MC&E
Con esta herramienta, se valorará la

importancia, relación de influencia-
dependencia o interacciones entre el
problema estudiado o variables de
respuesta (Yi) respecto de sus
factores o causas (Xi) con el fin de
priorizarlos de manera que se
identifiquen cuáles son los factores
más importantes para continuar con
el estudio y enfocar cada vez más el
proyecto

ANALIZAR- FACTORES Xi
ANALIZAR →En esta fase se debe identificar la causa
raíz del problema, mediante un proceso
metodológico que pueden incluir varias técnicas
como matriz de causa efecto, diagrama Ishikawa,
método de los cinco por qué, etc. Lo que se busca es
comprender cuáles son los factores que generan el
problema (X vitales) y por qué se genera el problema LISTADO DE Xi POTENCIALES
confirmándolas con datos MEDIANTE LLUVIA DE IDEAS
Y: Sobrepeso en las bolsas de leche de 1,1 lt

X1:Velocidad de llenado
X2:Tiempo de llenado
X3: Desbalanceo de cojinetes
X4: Defectos en émbolo regulador
X5: Desgaste de empaque
X6: Tanque de pre-llenado
X7: Cambio de referencia
….. HACER POR LO MENOS 10 FACTORES

MATRIZ DE CAUSA & EFECTO
Antes de abordar la matriz de causa y

efecto, con un ejemplo, comencemos
con el SIPOC del proceso para tener una
Buena contextualización
Ejemplo:
Lugar: Restaurante
Proceso: Preparación de Café

SIPOC - Resultado
PROVEEDOR ENTRADAS PROCESO SALIDAS CLIENTE
RESTAURANT SABOR CONSUMIDOR

POLVO DE CAFÉ
ALMACEN AZUCAR OLOR
TIENDA AGUA TEMPERATURA
PREPARACIÓN COLOR
FILTRO
SERVILLETA DE CAFÉ PRESENTACIÓN
RECIPIENTE
TAZA
CUCHARA
X´s Y´s
Requisitos del Cliente = Salidas del Proceso (Y’s)
Entradas del Proceso (X’s) = Requisitos a Proveedores
Matriz Causa y Efecto
Matriz Causa y
Efecto
Importancia del 10 7 9 7 5
Cliente Escala de valoración
Salidas del proceso (Y) recomendada:
1 2 3 4 5 6 7 8 0 - No hay relación
Entradas del 1 - Relación débil
Presentación
Temperatura
Proceso
(X)
4 - Relación moderada
9 - Relación fuerte
Sabor
Color
Olor
Total
1 Filtro 9 1 0 4 0 125
2 Cantidad Agua 9 4 4 9 0 217
3 Café en polvo 9 9 1 9 0 225
4 Calor 9 4 9 1 0 206
5 Tiempo 4 4 9 1 0 156
6 Servilleta 0 0 0 0 9 45
7 Cuchara 0 0 0 0 9 45
8 Taza 0 0 0 0 9 45
9 Recipiente 0 4 4 0 9 109
400
182
243
168
180
Total
Matriz Causa y Efecto
Matriz Causa y
Efecto
Importancia del 10 7 9 7 5 PRIORIDADES:

Cliente
1 2 3 4 5 6 7 8
SALIDAS (Y´s):
• Sabor
Presentación
Temperatura
• Temperatura
Sabor
Color
ENTRADAS (X´s):
Olor
Entradas del Proceso Total

• Filtro
• Cantidad Agua
1 Filtro 9 1 0 4 0 125 • Cantidad de café en polvo
2 Cantidad Agua 9 4 4 9 0 217
3 Café en polvo 9 9 1 9 0 225
• Calor -Temperatura
4 Calor 9 4 9 1 0 206 • Tiempo
5 Tiempo 4 4 9 1 0 156
6 Servilleta 0 0 0 0 9 45
7 Cuchara 0 0 0 0 9 45
8 Taza 0 0 0 0 9 45
9 Recipiente 0 4 4 0 9 109
400
182
243
168
180
Total
c) Listado de las Factores o
causas (Xi) potenciales y
sus niveles:

ANALIZAR- FACTORES Xi
ANALIZAR →En esta fase se debe identificar la causa
raíz del problema, mediante un proceso
metodológico que pueden incluir varias técnicas
como matriz de causa efecto, diagrama Ishikawa,
método de los cinco por qué, etc. Lo que se busca es
comprender cuáles son los factores que generan el
problema (X vitales) y por qué se genera el problema LISTADO DE Xi POTENCIALES
confirmándolas con datos MEDIANTE LLUVIA DE IDEAS
Y: Sobrepeso en las bolsas de leche de 1,1 lt

X1:Velocidad de llenado
X2:Tiempo de llenado
X3: Desbalanceo de cojinetes
X4: Defectos en émbolo regulador
X5: Desgaste de empaque
X6: Tanque de pre-llenado
X7: Cambio de referencia
….. HACER POR LO MENOS 10 FACTORES

ANALIZAR - FACTORES Xi
b) Determinar los niveles por factor (Xi): Para cada En la siguiente tabla se muestra cada factor, la
factor listado en el punto anterior, identificar las variable que origina, su clasificación según las
6M, los niveles o estados que puede tomar cada
alternativas, niveles o valores de variables que
variable y las unidades de medida en el caso de
pueden tomar. variables cuantitativas
PROBLEMA BOLSAS DE LECHE DE 1,1 LT CON SOBREPESO - FACTORES Y NIVELES SIN PRIORIZAR
MAQUINA MATERIAL PERSONA MEDICION NIVELES

Xi FACTORES (CAUSAS X) VARIABLE MÉTODOS ENTORNO
RIA ES S ES 1 2 3 4 5 UNIDADES DE MEDIDA
X1 Flujo de la leche Velocidad de llenado x 40 45 Litros x minuto-cabezal
Con
tanque
X2 Canal de envasado previo a la llenadora Tanque de llenado x Directo
ascépti
co
Sin Con
X3 Impulso de llenado Embolo regulador X regula regula
dor dor
No
X4 Tiempo de llenado Tiempo de llenado X Ajutad ajustad
o o
X5 Desgaste Empaque orrig 56 Tiempo de cambio X 10 15 días para cambio de empaque
Buen Desbal
X6 Sincronización de máquina Desbalanceo de cojinetes X
estado anceo
Avanza
X7 Cambio de referencia Arranque X
Inicio do
X8
X9
X10
X11
X12
X13
X14
X15

ANALIZAR - FACTORES Xi
c) Construya una Matriz de causa efecto X&Y:

Con esta herramienta, determinar las
interacciones entre los factores (Xi) y las
variables de respuesta (Yi) que se han listado
en los puntos anteriores y establecer los
factores más importantes priorizados para
continuar con el estudio y enfocar cada vez
más el proyecto
Como ya tenemos los factores con sus niveles,

es recomendable identificar los factores
prioritarios en función de su relación de
influencia-dependencia e interacción sobre el
problema (Y) y sus CTS, esta priorización se
puede realizar utilizando la herramienta
denominada MATRIZ DE CAUSA Y EFECTO
(MC&E) que se explica a continuación

ANALIZAR- MC&E
Aplicando la metodología descrita anteriormente llegamos a la siguiente priorización de factores que

explican la variable de estudio, con lo que hemos conseguido focalizar aún más el problema y
acercarnos a la solución.
PROBLEMA BOLSAS DE LECHE DE 1,1 LT CON SOBREPESO - FACTORES PRIORIZADOS APLICADA LA MATRIZ CAUSA EFECTO E ISHIKAWA
NIVELES
MAQUINA MATERIAL PERSONA MEDICION
RIA ES S ES 1 2 3 4 5
UNIDADES DE MEDIDA
X1 Flujo de la leche Velocidad de llenado X 40 45 Litros x minuto-cabezal
Sin Con
dor dor
Con
tanque
X4 Canal de envasado previo a la llenadoraTanque de llenado X
ascépti
Directo
co
Avanza
X5 Cambio de referencia Arranque X Inicio
do
El diagrama Ishikawa (Espina de pescado) es otra

herramienta para describir cualitativamente los factores
y sus niveles y afinar el listado inicial. Se dejará un
modelo ejemplo para su construcción en las siguientes
diapositivas y luego se abordará el tema final que es el
Diseño
Ing. de
Mag.Experimentos
Germán Gómez Solarte, BB LSS

los factores que
control
7. ANALIZAR-
causas
Validación del
sistema de
medición-
Yield Niveles
DISEÑO DE EXPERIMENTOS
DOE

DISEÑO DE EXPERIMENTOS -DOE
Consiste en planear y realizar un

conjunto de pruebas con el objeto
de que al ser analizados
estadísticamente, proporcionen
evidencias objetivas que permitan
responder las interrogantes
planteadas por el experimentador y
de esta manera clarificar los
aspectos inciertos de un proceso,
resolver un problema o lograr
mejoras. Gutiérrez & De la Vara
(2012).

Algunos problemas que se pueden resolver con el
diseño y análisis de experimentos son:
• Comprar dos o más materiales con el fin de elegir
el mejor
• Comprar varios instrumentos de medición para
verificar si trabajan con la misma precisión y
exactitud
• Determinar los factores (las x vitales) de un
proceso que tiene impacto sobre una o más
características del producto final
• Encontrar condiciones de operación
(temperatura, velocidad, humedad, por ejemplo)
en las que se reduzcan los defectos o se logre un
mejor desempeño del proceso
• Reducir el tiempo de ciclo del proceso
• Hacer el proceso insensible o robusto a
oscilaciones de variables ambientales
• Apoyar el diseño o rediseño de productos o
procesos
Gutiérrez & De la Vara (2012).

Algunos conceptos para el diseño y análisis de
experimentos son:
• Experimento: Es un cambio en las condiciones de
operación de un sistema o proceso, que se hace con
el objetivo de medir el efecto del cambio en una o
varias propiedades del producto o resultado.
• Unidad experimental: Pieza(s) o muestra(s) que se
utiliza para genera un valor que sea representativo
del resultado de la prueba.
• Variable de respuesta: A través de esta(s)
variable(s) se conoce el efecto o los resultados de
cada prueba experimental.
• Niveles: Son los diferentes valores que se asignan a
cada factor estudiado
• Factores controlables: Variables de proceso y/o
características de los materiales que se pueden fijar
en un nivel dado.
• Factores no controlables: Variables que no se
pueden controlar durante el experimento o la
operación del proceso. También reciben el nombre
de «ruido»
Gutiérrez & De la Vara (2012).
Ahora, apliquemos el DISEÑO DE

EXPERIMENTOS SEGÚN LO QUE NOS
SOLICITA LA GUÍA

DISEÑO DE EXPERIMENTOS - DOE
e)Diseño de Experimentos: El grupo debe plantear un Diseño de Experimentos (DOE) para dos de los
factores Xi de dos niveles, seleccionados como prioritarios con su correspondiente variable de
respuesta Yi.
PROBLEMA BOLSAS DE LECHE DE 1,1 LT CON SOBREPESO - FACTORES PRIORIZADOS APLICADA LA MATRIZ CAUSA EFECTO E ISHIKAWA
NIVELES
MAQUINA MATERIAL PERSONA MEDICION
RIA ES S ES 1 2 3 4 5
UNIDADES DE MEDIDA
X1 Flujo de la leche Velocidad de llenado X 40 45 Litros x minuto-cabezal
Sin Con
dor dor
Con
tanque
X4 Canal de envasado previo a la llenadoraTanque de llenado X
ascépti
Directo
co
Avanza
X5 Cambio de referencia Arranque X Inicio
do
Se parte de la matriz causa efecto (MC&E) y lo que haremos es identificar un plan de

todas las posibles combinaciones de los factores y sus niveles que se han priorizado
para hacer en la práctica (trabajo de campo y tomar los datos con el fin de validar el
comportamiento de las variables y sus interacciones y encontrar así la solución al
problema. SE UTILIZARÁ MINITAB PARAIng.REALIZAR ESTE PUNTO…
Mag. Germán Gómez Solarte, BB LSS
DISEÑO DE EXPERIMENTOS con MiniTab
Paso 1: Crear el diseño factorial.

Paso 2: Definir el número de factores
La guía nos pide hacer un

diseño únicamente con DOS
factores de DOS niveles
cada uno, pero aquí vamos
tomar los cinco (5) factores
priorizados en MC&E:
X1→ Velocidad de llenado

X2→ Tiempo de cambio
X3→ Émbolo regulador
X4→ Tanque de llenado
X5→ Arranque

Paso 3: Escoger el diseño factorial
Siguiendo el paso anterior

al hacer clic en “Mostrar
los diseños factoriales” se
despliega la matriz de la
imagen, en la cual vamos a
escoger para los CINCO
factores que priorizamos
con la MC&E, un diseño
factorial completo, por eso,
escogemos columna 5
(factores) y estado verde
“Com” que indica
completo. En las filas
aparece la palabra
“corridas”, significa el
número de combinaciones
posibles que par el caso (5
factores con 2 niveles) es
25 = 32
Los estados en color amarillo y rojo
indican diseños factoriales parciales
Paso 4: Confirmar el diseño factorial escogido

Paso 5: Parametrizar los factores priorizados
Al hacer clic en “Factores”,

el aplicativo nos permite
introducir cada uno de los
factores que hemos
priorizado en la MC&E, se
coloca el nombre de cada
factor, el tipo que
corresponde (si es
numérico o texto) e
ingresar los NIVELES, es
decir los valores o
categorías que toma cada
factor

Paso 5: Parametrizar los factores priorizados

Paso 6: Determinar cómo se presentarán las combinaciones
Al hacer clic en “Opciones”,

el aplicativo nos brinda dos
posibilidades para
presentar las
combinaciones: a)
ordenadas por cada factor
y nivel o b)en orden
aleatorio. En el ejemplo
escogimos estandarizada
es decir, ordenada pero no
hay problema en escoger
aleatorio

Al hacer clic en “Opciones”,

el aplicativo nos brinda dos
posibilidades para
presentar las
combinaciones: a)
ordenadas por cada factor
y nivel o b)en orden
aleatorio. En el ejemplo
escogimos estandarizada
es decir, ordenada pero no
hay problema en escoger
aleatorio


Paso 7: Visualizar diseño factorial

Diseño factorial. El
resultado muestra las 32
combinaciones de los 5
factores (Velocidad
llenado, Tiempo cambio,
Regulador, Tanque
llenado, Arranque) con 2
NIVELES, de manera
ordenada, LISTO para
hacer la
experimentación en
campo de cada
escenario y tomar los
datos para visualizar LOS
EFECTOS Y una posible
solución para lo cual no
podemos perder de vista
el objetivo que es en
este caso ejemplo: la
optimización del peso de
las bolsas de leche

Paso 8: Hacer la experimentación (opcional con Datos supuestos)
Recuerden que en este curso, no es obligatorio HACER

TRABAJO DE CAMPO REAL de los experimentos porque
en algunos casos tomaría bastante tiempo, en cuyo
caso podrán suponer los datos de la experimentación,
que en todo caso, se requiere SOLO PARA DOS
FACTORES CON DOS NIVELES ES DECIR 22 = 4
COMBINACIONES. Con esta salvedad, veremos en este
ejemplo, el resultado de la variable Y (Sobrepeso de la
bolsa de leche) luego de recoger la información con
cada combinación en la máquina llenadora que nos
propone de manera metodológica, el diseño de
experimentos (DOE). Los datos (supuestos) de la
experimentación se han colocado en la columna C10, en
la siguiente diapositiva.

Paso 8: Hacer la experimentación (opcional con Datos supuestos)

Paso 9: Hacer el análisis con los datos de la experimentación realizada (opcional con Datos supuestos)
El objetivo de esta última

fase del DOE es identificar
cuáles son los factores Xi
significativos en función
del efecto que está
generando sobre la
variable de respuesta Y que
para el ejemplo es el
sobrepeso de la bolsa de
leche. MiniTab, nos
proporciona un proceso
para identificar la
significancia de los factores
que es lo que se va a
explicar a continuación.
Aquí se hace para los 5
factores pero recuerde que
usted debe hacer solo para
2 factores

La identificación de
la significancia de
los factores Xi, lo
haremos mediante
el método gráfico
por eso
seleccionamos el
botón «Gráficas»

Una vez dentro de

la opción
«Gráficas», se
seleccionan las
opciones
«Normal» y
«Pareto» que
serán los dos tipos
de gráficos que
emplearemos para
identificar la
significancia de los
factores Xi sobre la
variable de
respuesta Y

Paso 10: Analizar el resultado de las gráficas de significancia de los factores Xi para perfilar la solución
para Y en la etapa MEJORAR del DMAIC
Esta es la primera gráfica para identificar

los factores significativos (Gráfica normal
de efectos) en la que se aprecian tanto
los factores como sus interacciones,
aquellos puntos que están en rojo serán
significativos, en este caso, vemos dos
puntos significativos, que además no son
factores solitarios sino combinados: BC y
CE, es decir, que para el sobrepeso de las
bolsas de leche (Y), es significativo la
interacción entre Tiempo de cambio y
Regulador , y el otro factor es Regulador
con Arranque o cambio de referencia.
Vemos además que en ambos factores
significativos el factor predominante es
C, es decir el Regulador, como elemento
fundamental para solucionar el
problema de sobrepeso de las bolsas de
leche

Paso 10: Analizar el resultado de las gráficas de significancia de los factores Xi para perfilar la solución
para Y en la etapa MEJORAR del DMAIC
Esta es la segunda gráfica para

identificar los factores significativos
(Gráfica de Pareto de los efectos) en
la que se disponen los factores Xi y
sus combinaciones de mayor a menor
en orden del efecto que genera sobre
Y. Aparece en color rojo, la línea del
80-20, la cual es la referencia para
identificar aquellos factores
significativos que corresponden a los
que están por encima de esta línea.
En este caso, las dos parejas de
factores CE y BC son los más
significativos confirmando lo
encontrado en la gráfica normal. Por
ende LA SOLUCIÓN A NUESTRO
PROBLEMA DE SOBREPESO EN LAS
BOLSAS DE LECHE (Y), estará entre
Tiempo de cambio y el Regulador ,
Regulador con Arranque o cambio de
referencia.
Hemos ido filtrando el problema cada vez más ….Ya
tenemos las causas que explican el problema
• Definir: seleccionar las respuestas

apropiadas “Y” a ser mejoradas
Y = f(X1, X2, ..., Xn)
• Medir: Recolección de datos para medir
la variable de respuesta
(X6)
• Analizar: Identificar la causa raíz de los (X10)
defectos (variables independientes X)
• Mejorar: Reducir la variabilidad o

eliminar la causa
• Control: Monitoreo para mantener (X1)

mejora (X5)
(X4) (X3)

PERFILANDO LA SOLUCIÓN AL PROBLEMA
Y →f(X1, X2,X3,X4,…Xn)
Y →f(X2*X3 + X3*X5)
¿Hasta dónde
hemos llegado en
nuestro proyecto Sobrepeso en las bolsas de leche →f(Tiempo de
cambio x Regulador , Regulador x Arranque o cambio
seis sigma? Ya
de referencia.
tenemos perfilado
la solución la cual
desarrollaremos en
la fase de MEJORA
Preguntas y respuestas

Programación web conferencias
METODOLOGÍA SEIS SIGMA

FECHA PROGRAMADA TIEMPO
PROGRAMACIÓN WEB CONFERENCIAS-2019-1601 ACCEDER A A LA WEB
(horas)
WC FASE MES DÍA FECHA HORARIO
WC1 Fase 1 -Fundamentación en seis sigma FEBRERO JUEVES 7/02/2019 5 PM - 6 PM 1 http://conferencia2.unad.edu.co/ecbti1903/
Fase 3-DMAMC-Definir-Seleccionar y definir un proyecto seis sigma-

WC2 FEBRERO JUEVES 21/02/2019 5 PM - 7 PM 2 http://conferencia2.unad.edu.co/ecbti1901/
Parte 1
Fase 3-DMAMC-Definir-Seleccionar y definir un proyecto seis sigma-
WC3 MARZO JUEVES 14/03/2019 6 PM - 8 PM 2 http://conferencia2.unad.edu.co/ecbti1901/
Parte 2
Fase 5-DMAMC-Medir - Establecer métricas de los datos del proyecto
WC4 ABRIL JUEVES 4/04/2019 5 PM - 7 PM 2 http://conferencia2.unad.edu.co/ecbti1901/
seis sigma
Fase 5-DMAMC- Analizar -analizar estadísticamente las variables
WC5 ABRIL JUEVES 25/04/2019 5 PM - 7 PM 2 http://conferencia2.unad.edu.co/ecbti1901/
respuesta y factores del proyecto seis sigma definido
Fase 6-DMAMC-Mejorar y Controlar - Proponer una solución de mejora y
WC6 MAYO VIERNES 10/05/2019 5 PM - 7 PM 2 http://conferencia2.unad.edu.co/ecbti1903/
de control del proyecto seis sigma analizado

Únase al Chat del curso
https://join.skype.com/qDbHH3BdjVce
germang1407
AGENDA DE ACOMPAÑAMIENTO
TUTORIAL EN SKYPE
Ing. Nélson Vargas:

Lunes 5 - 6 PM y Miércoles 3 – 4 PM
Ing. Germán Gómez Solarte:

Martes y Miércoles de 6 a 8 PM
Viernes 3 a 4 PM
FI-GQ-GCMU-004-015 V. 001-17-04-2013--- 91
Escuela de Ciencias Basicas, Tecnología e
Ingeniería
GRACIAS POR SU
ATENCIÓN

WC5 M6S 2019 1601 Analizar

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

WC5 M6S 2019 1601 Analizar

Uploaded by

Copyright:

Available Formats

ESCUELA DE CIENCIAS BÁSICAS

Ing. Mag. Germán Gómez Solarte, BB LSS

METODOLOGÍA SEIS SIGMA (212047)

Ing. Mag. Germán Gómez Solarte, BB LSS

1. DMAIC- MEDIR -Estudio de capacidad de proceso

Ing. Mag. Germán Gómez Solarte, BB LSS

Van en paralelo fase 4 y fase 5 pero

ELEMENTO DESCRIPCIÓN DEL PROYECTO

Llenado y empacado de bolsas de leche

Reducir el sobrepeso de las bolsas de leche a un 0,2% como porcentaje de sobrepeso

Este proyecto se aplica para la producción de leche de la referencia 1 lt en la planta Vitalac de la

Ing. Mag. Germán Gómez Solarte, BB LSS

VN (TARGET) LSE LIE COPQ Mensual

MÉTRICA OPERATIVA: MÉTRICA FINANCIERA: 1) Ventas mensuales /Kg leche

RESPONSABLE DEL PATROCINADOR DEL PROYECTO

Ing. Mag. Germán Gómez Solarte, BB LSS

1. MEDIR-Priorizar 5. MEDIR- 7.ANALIZAR-

Segunda fase de DMAMC, donde

Ing. Mag. Germán Gómez Solarte, BB LSS

1. MEDIR-Priorizar 5. MEDIR- 7.ANALIZAR-

Ing. Mag. Germán Gómez Solarte, BB LSS

1. MEDIR-Priorizar 5. MEDIR- 7.ANALIZAR-

Análisis R&R: Para identificar si

CONTROL DE RANGOS Constantes para calcular (VE) y (VO)

VE = 1,373 σrepetibilidad = 0,267 VO= 0,958 σreproducib. 0,186

VARIACIÓN COMBINADA o ERROR DE MEDICIÓN DE REPETIBILIDAD Y ANÁLISIS RESPECTO DE LA TOLERANCIA

Ing. Mag. Germán Gómez Solarte, BB LSS

1. MEDIR-Priorizar 5. MEDIR- 7.ANALIZAR-

PLAN DE RECOGIDA DE DATOS

Tomado de: Sconinni (2013, p.47 )

Ing. Mag. Germán Gómez Solarte, BB LSS

1. MEDIR-Priorizar 5. MEDIR- 7.ANALIZAR-

Ing. Mag. Germán Gómez Solarte, BB LSS

Gráfico de Probabilidad Normal Gráfica de normalidad: Los puntos

El estadístico de prueba p value =

1. MEDIR-Priorizar 5. MEDIR- 7.ANALIZAR-

Ing. Mag. Germán Gómez Solarte, BB LSS

Esta tabla fue tomada de una de las referencias del curso:

Ing. Mag. Germán Gómez Solarte, BB LSS

Esta tabla fue tomada de una de las referencias del curso:

Ing. Mag. Germán Gómez Solarte, BB LSS

La media del peso de la bolsa de

El rango del peso de la bolsa de

Ing. Mag. Germán Gómez Solarte, BB LSS

1. MEDIR-Priorizar 5. MEDIR- 7.ANALIZAR-

Ing. Mag. Germán Gómez Solarte, BB LSS

• Que un proceso se encuentre bajo control

Ing. Mag. Germán Gómez Solarte, BB LSS

Ing. Mag. Germán Gómez Solarte, BB LSS

VARIACIÓN REAL: Es la variación natural del

Índices de capacidad de proceso: Muestran LIC LSC

Para estimar la capacidad de un proceso,

1) Que el proceso bajo control

Mínimo de la Variación entre el

Proceso incapaz: La Proceso con capacidad potencial

Cp: índice de capacidad potencial del

Cpk: índice de capacidad o habilidad real

Capacidad de corto plazo: Se calcula a partir de

Ing. Mag. Germán Gómez Solarte, BB LSS

Mínimo de la Variación entre el • 𝑃𝑝𝑘 = min 𝑃𝑝𝑖 , 𝑃𝑝𝑠

Capacidad de largo plazo. Se calcula con muchos

Ing. Mag. Germán Gómez Solarte, BB LSS

Proceso con un Cpk Min→ (Cpi, Cps)