SEIS SIGMA BSICO DMAIC

SEIS SIGMA BSICO

Participante: ___________________________________________________

Pgina 1 de 134

SEIS SIGMA BSICO DMAIC

OBJETIVOS:
Al finalizar el curso, el participante ser capaz de:

Comprender y analizar las fuentes de variabilidad de los procesos.

Comprender y aplicar mtodos estadsticos y Lean para identificar reas de
oportunidad de mejora en los procesos.
Identificar y desarrollar proyectos de mejora y de solucin de problemas aplicando
la metodologa Seis Sigma DMAIC por medio de trabajo en equipo.

CONTENIDO
I. Panorama de Seis Sigma en la organizacin
II. Seis Sigma Fase de definicin

III. Seis Sigma Fase de medicin

IV. Seis Sigma Fase de Anlisis

V. Seis Sigma Fase de mejora

VI. Seis Sigma Fase de control

VII. Proyectos Seis Sigma
SOFTWARE DE APOYO
Paquete estadstico Minitab versin 15, Anlisis de Datos de Excel y otros
paquetes estadsticos

Pgina 2 de 134

SEIS SIGMA BSICO DMAIC

I. Despliegue de Seis Sigma en la organizacin

Metodologa Seis Sigma

Metodologa Lean
Metodologa Lean Sigma
Liderazgo y roles en Seis Sigma
Benchmarking
Gestin de equipos de trabajo

Qu es Seis Sigma?
Definicin: Seis Sigma es un proceso altamente disciplinado enfocado a desarrollar y entregar
productos y servicios casi perfectos consistentemente 3-4 ppm.

Seis Sigma como estrategia

Es una estrategia de gestin que usa herramientas estadsticas y mtodos de gestin de

proyectos para lograr mejoras en calidad y utilidades significativas

Es una estrategia de mejora de negocios que busca encontrar y eliminar causas de errores o
defectos en los procesos de negocio enfocndose a los resultados que son de importancia
crtica para el cliente.

Antecedentes de Seis Sigma

Bajo la direccin del CEO de Motorola1 Bob Gavin, se usaron herramientas estadsticas para
identificar y eliminar la variacin.
En 1981 Bob Gavin director de Motorola, estableci el objetivo de mejorar 10 veces el
desempeo en un periodo de 5 aos.
En 1985 Bill Smith en Motorola concluy que si un producto se reparaba durante la
produccin, otros defectos quedaran escondidos y saldran con el uso del cliente.
Adicionalmente si un producto se ensamblaba libre de errores, no fallaba en el campo
En 1987 Motorola desarrolla Seis Sigma como una iniciativa clave del negocio.
En 1988 Motorola gan el premio Malcolm Baldrige, y las empresas se interesaron en analizarla.
El Dr. Mikel Harry desarrolla la estrategia de cambio hacia Seis Sigma, sale de Motorola e inicia
el Six Sigma Research Institute con la participacin de IBM, TI, ASEA y Kodak.
La metodologa se expandi a Allied Signal, ASEA, GE, Sony, Dupont, Texas Instruments,
Bombardier, Lockheed Martin, ABB, Polaroid, Kodak, Sony, Toshiba, Black and Decker, Dow
Chemical, Federal Express, American Express, John and Johnson, Navistar y otras.

Razones por las que funciona Seis Sigma

1

Motorola, Six Sigma, Black Belts y Green Belts son marcas registrada por Motorola, Inc, EUA

Pgina 3 de 134

SEIS SIGMA BSICO DMAIC

Involucramiento de la direccin
Resultados en la rentabilidad
Un mtodo disciplinado utilizado (DMAIC)
Conclusin de proyectos en 3 a 6 meses
Medicin clara del xito
Infraestructura de personal entrenado (black belts, green belts)
Enfoque al proceso y al cliente
Mtodos estadsticos utilizados adecuadamente

Resultados esperados de Seis Sigma

Reducciones de costos
Mejoras en el nivel de servicio al cliente
Reduccin de fallas y errores
Mejoras en la productividad
Mejora en la satisfaccin del cliente
Reducciones de tiempos de ciclo
Cambios culturales

Qu es Sigma? ()

Sigma es un concepto estadstico que representa la variacin que tiene un proceso

respecto a los requisitos del cliente

0 2 sigmas, no cumple requisitos; 2 4.5 sigmas, cumple marginalmente

4.5 6 sigmas, cumple requisitos; Un proceso 6 tiene rendimiento del 99.9997%

Distribucin grfica de la variacin

Curva normal
LAS MEDICIONES VARAN DE UNA A OTRA:

Nmero

Nmero

Nmero

Nmero

Pero ellas forman un patrn, tal que si es estable, se denomina distr. Normal
Nmero

Nmero

Nmero

LAS DISTRIBUCIONES PUEDEN DIFERIR EN:

UBICACIN

Nmero

DISPERSIN

Nmero

FORMA

Nmero
. . . O TODA COMBINACIN DE STAS

P1

10

Interpretacin estadstica de Seis Sigma

Pgina 4 de 134

SEIS SIGMA BSICO DMAIC

Interpretacin de Sigma y Zs
LIE
Especificacin
inferior

LSE
Especificacin
superior

s
Z

La desviacin estndar
sigma representa la
distancia de la media al
punto de inflexin de la
curva normal

_
X
p = porcentaje de mediciones fuera de Especificaciones
xi

P2

Desviacin estndar
Definicin estadstica de
Seis Sigma Con 4.5 sigmas
se tienen 3.4 ppm

Media del proceso

Corto plazo
Largo Plazo

4.5 sigmas

La capacidad
Del proceso
Es la distancia
En Sigmas de
La media al LSE

-6 -5 -4 -3 -2 -1 0 +1+2+3 +4+5+6
LIE - Lmite
inferior de
especificacin

El proceso se puede recorrer

1.5 sigma en el largo plazo

LSE - Lmite
Superior de
especificacin

Pgina 5 de 134

SEIS SIGMA BSICO DMAIC

Por qu es importante lograr niveles de calidad Seis Sigma?

Un 99% de rendimiento equivale a tener un nivel de 3.86 sigmas y 100 minutos sin energa
elctrica por semana (10,080 minutos)
Un 99.9% de rendimiento equivale a un nivel de calidad de 4.6 sigmas, representa 10
minutos sin energa elctrica en una semana.
Con 6 sigma se tiene un nivel de 99.99966% o 3.4 ppm, 2 segundos /semana sin luz
Nivel Sigma
6 sigma
5 sigma
4 sigma
3 sigma
2 sigma
1 sigma

Ppm
3.4
233
6,210
66,810
308,770
697,672

PRACTICA 1.1 Obtener los niveles Sigma con base en rendimiento (tiempo en que se tiene el
servicio disponible / tiempo total) y las partes por milln o partes por milln de oportunidades de
deficiencias, fallas o errores:
a) Eficiencia del 98% Nivel sigma =
b) Eficiencia del 85% =
c) Eficiencia del 99.2% =
b) 8,000 ppm o 0.8% Nivel sigma =
c) Rendimiento del 75% Nivel sigma =
Utilizar la tabla de la pgina siguiente:

Pgina 6 de 134

SEIS SIGMA BSICO DMAIC

Pgina 7 de 134

SEIS SIGMA BSICO DMAIC

Metodologa Seis Sigma DMAIC

1.
Definir

5.
Controlar

4.
Mejorar

2. Medir

3.
Analizar

Las fases de Seis Sigma (DMAIC)

Definir: seleccionar la Y del proyecto a ser mejorada y enfocar el problema a resolver

y.
Medir: Recoleccin de datos de la variable de respuesta y y factores de influencia Xs
para establecer lnea base
Analizar: Generar causas potenciales e identificar las causas raz del problema (variables
independientes X`s)
Mejorar: Generar alternativas de solucin por causa raz, seleccionar las mejores,
implementarlas y verificar su efectividad
Control: Acciones para mantener la mejora

Pgina 8 de 134

SEIS SIGMA BSICO DMAIC

La ruta de la calidad y su relacin con Seis Sigma
FASE DE DEFINICIN:
o 1. Equipo de trabajo, 2. Seleccin del problema o rea a mejorar
FASE DE MEDICIN
o 3. Diagnstico de la situacin actual, 4. Establecer la meta.
FASE DE ANLISIS
o 5. Anlisis de las causas del problema (potenciales y reales)
FASE DE MEJORA
o 6. Generacin, evaluacin y seleccin de alternativas de solucin.
o 7. Implementacin de soluciones, 8. Verificacin de resultados.
FASE DE CONTROL
o 9. Prevenir reincidencia, 10. Reconocimiento al equipo de trabajo
o Paso 11. Lecciones aprendidas y cierre del proyecto

Metodologa Lean
Conjunto de mtodos enfocados a minimizar el Muda (desperdicios en tiempo, combustibles,
energa, espacio, talento, etc.) para tener flexibilidad y maximizar el aprovechamiento de los
recursos en la empresa, para lograr la satisfaccin y lealtad del cliente.
Su propsito es reducir el tiempo de ciclo y aumentar la productividad en la empresa.
Tpicamente el 70% de las actividades no agregan valor

Los 7 desperdicios o Muda

Son aspectos que no agregan valor al cliente, es decir no est dispuesto a pagar por ellos y
hacen que la operacin sea costosa y lenta:
Generacin no requerida
Ejemplos de muda:
Movimientos excesivos
e innecesarios
Esperar al ciclo
Caminar
Transportes innecesarios
de mquina
Inventarios innecesarios
Inventario
Reportes sin uso
Esperas y retardos innecesarios
innecesario
Fallas y errores
Retrabajos o reinspecciones
Movimientos
Transporte de
innecesarios
partes
PRCTICA 1.2 Identificar tres Mudas en la empresa
_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.

Pgina 9 de 134

SEIS SIGMA BSICO DMAIC

Mtodos Lean para la mejora

Para reducir el Muda se utilizan diversos mtodos Lean como son:
Las 5 Ss
Cambios rpidos (SMED)
Poka Yokes
Trabajo estandarizado
Mantenimiento productivo total (TPM)

Las 5 Ss y la administracin visual

Objetivo: Encontrar cualquier cosa y tener idea del estado de la operacin en menos de
30 segundos, por una persona familiarizada con el rea de trabajo.
Palabras japonesas que inician con s: Seiri, Seiton, Seiso, Seiketsu y Shitsuke.
1.- SEIRI significa: ORGANIZAR y SELECCIONAR:
Trabajo en proceso, Herramientas innecesarias, Maquinaria no ocupada, Productos
defectuosos, Papeles y documentos, lo ms importante en este punto es:
Diferenciar entre lo necesario y lo innecesario.
2.- SEITON significa PONER LAS COSAS EN ORDEN.
Las cosas deben mantenerse en orden de manera que estn listas para ser utilizadas
cuando se necesiten.

Implementacin del orden de 5Ss

3.- SEISO significa: LIMPIEZA.
Mantener limpio el lugar de trabajo.
4.- SEIKETSU significa: LIMPIEZA ESTANDARIZADA.
Hacer del aseo y de la pulcritud un hbito,
principiando con la propia persona.
Pgina 10 de 134

SEIS SIGMA BSICO DMAIC

5.- SHITSUKE (DISCIPLINA).

Seguir los procedimientos en los procesos administrativos y de manufactura.
Las 5s se han definido como Seleccin u Organizacin, Orden, Limpieza, Estandarizacin
y Disciplina. Los dos elementos ms importantes son la Organizacin y el Orden ya que de
ellos depende el xito de las actividades de Mejora.
Trabajan en medio del polvo, suciedad, desorden, aceite, etc. dificulta la bsqueda de
piezas, tiles, informacin, requisiciones, herramientas etc. evitando esto se previenen los
accidentes, no se generan defectos y todo se encuentra.
PRCTICA 1.3 Identificar reas de oportunidad de aplicacin de las 5Ss en la empresa
_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.

Preparaciones y cambios rpidos (SMED)

Reduccin de los tiempos de preparacin, mantenimiento y puesta a punto

Operaciones internas vs externas

Internas
o Puede ser hecha cuando la mquina est apagada
o Ejemplo: las mangueras solo pueden ser cambiadas cuando la mquina este
parada
Externas
o Pueden ser hechas cuando la mquina est trabajando
o Ejemplo: el material y refacciones pueden ser preparados mientras la mquina
est trabajando
Pasos para reducir los tiempos de preparacin
Estudiar el proceso
o Estudio de tiempos y movimientos, videotape, entrevistas

Pgina 11 de 134

SEIS SIGMA BSICO DMAIC

Identificar actividades internas y externas

o Listar cada actividad, clasificarlas en internas y externas
Convertir actividades internas a externas
o Pensar fuera de la caja
Alinear las actividades de preparacin y ajuste
o Eliminar / combinar actividades
o Repetir el proceso

La Preparacin interna (IED), son las operaciones realizadas con mquina parada.
La Preparacin externa (OED), son las operaciones realizadas mientras la mquina est
operando.
Ejemplo de Cambio rpido SMED: Se redujo el tiempo de puesta a punto de una
mquina en una estacin de 11 horas a 4 horas, ya que antes primero se detena,
llamaban al mecnico, buscaba sus herramientas, etc. ahora las herramientas clave estn
cerca de la mquina y no se daan dispositivos de ajuste con herramienta improvisada.
PRCTICA 1.4 Identificar reas de oportunidad de reduccin de tiempos de
mantenimiento o puesta a punto.
_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.

Poka Yokes o A prueba de error

Objetivo: Prevenir o detectar la ocurrencia de errores y defectos principalmente humanos.
Causas de los errores:
Procedimientos incorrectos
Variacin excesiva en el proceso
Dispositivos de medicin inexactos
Procesos, Especificaciones o procedimientos no claros o no documentados
Errores humanos mal intencionados
Cansancio, distraccin, Falla de memoria o confianza, etc.
Pasos para el desarrollo de Poka Yokes
1. Describir el error o falla
2. Identificar el lugar donde se descubren o producen los errores o fallas
3. Detalle de los procedimientos de la operacin donde se producen los errores
4. Identificar desviaciones de los procedimientos donde se producen los errores
5. Identificar las condiciones donde se ocurren los errores (investigar)

Pgina 12 de 134

SEIS SIGMA BSICO DMAIC

6. Identificar el tipo de dispositivo Poka Yoke requerido para prevenir el error.

7. Desarrollar un dispositivo Poka Yoke
Ejemplo: instalacin de Rotmetros para ajustar el flujo de agua fra hacia una mquina,
antes se ajustaba con llaves normales sin calibracin.
PRCTICA 1.5 Identificar reas de oportunidad para implementar Poka Yokes.
_____________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.

Trabajo estandarizado
Objetivo: Documentar en instructivos, procedimientos y ayudas visuales, la forma cmo
deben realizarse las operaciones para que todos las realicen de la misma manera, para tener
productos homogneos.
Por estandarizacin se entiende:
Siempre seguir la misma secuencia de trabajo
Los mtodos totalmente documentados
Los mtodos estn visibles en cada estacin de trabajo
El material est colocado siempre en el mismo lugar
La informacin se presenta de la misma forma en toda la planta
Se tiene el registro del movimiento detallado del cuerpo humano
PRCTICA 1.6 Identificar reas de oportunidad para implementar procedimientos e
instructivos para estandarizar las operaciones.
_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.

Mantenimiento Productivo Total (TPM)

Objetivo: Mantener la disponibilidad de los equipos en el mximo nivel posible
El TPM implementado con la participacin de un equipo de trabajo
Las 6 grandes prdidas que minimiza el TPM: perdidas por Fallas; por Ajustes y
puesta a punto; por giro en Vaco y Paros Cortos; por Velocidad reducida; por fallas
de Procesos; por Arranques y paros menores.
El Mantenimiento Autnomo por los operadores:

Pgina 13 de 134

SEIS SIGMA BSICO DMAIC

Limpieza del equipo para detectar problemas

Eliminar las fuentes de suciedad
Establecer rutinas de limpieza y lubricacin en las mquinas
Inspeccin de otros aspectos de la mquina (sensores, etc.)
Inspeccin autnoma por el operador (lista de verificacin)
Organizacin y orden en el rea de trabajo
Mantenimiento autnomo pleno

El mantenimiento productivo total incluye:

Mantenimiento autnomo, preventivo, predictivo, correctivo planeado
Mantenimiento orientado a la confiabilidad (CRM)
PRCTICA 1.7. Identificar reas de oportunidad para implementar el TPM en el
mantenimiento o las operaciones.
_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.

Metodologa Lean Sigma

Tpico

Seis Sigma

Lean

Mejora

Reducir variacin Reducir muda

Justificacin

Seis sigma (3.4

ppm)

Rapidez (velocidad)

Ahorros principales

Costos de
calidad

Costos de operacin

Curva de
aprendizaje

Larga

Corta

Seleccin de
proyectos

Varios enfoques

Mapeo de la cadena
de valor (VSM)

Duracin de
proyectos

2 6 meses

1 semana a 3 meses

Impulsor

Datos

Demanda

Complejidad

Alta

Moderada

Problemas resueltos con Lean

o Muda o desperdicio elevado
o Mejora de flujos de actividades
o Agilizar los procesos
o Evitar errores humanos
o Enfoque a mejora de la productividad

Pgina 14 de 134

SEIS SIGMA BSICO DMAIC

Problemas resueltos con Seis Sigma

o Minimizar variacin en los procesos
o Reducir las fallas y errores hasta 3.4 ppm
o Solucin cientfica de problemas
o Enfoque a problemas y mejoras de calidad

Tiempo

Variabilidad
Lean Sigma reduce al mismo tiempo la variabilidad y el tiempo de respuesta

Liderazgo

Los programas Seis Sigma no suceden accidentalmente, deben contar con el compromiso y
soporte de la administracin en aspectos de recursos y herramientas
Organizacin para Seis Sigma

Green
Belts

Green
Belts

Pgina 15 de 134

SEIS SIGMA BSICO DMAIC

Papeles/roles en Seis Sigma

Comit directivo de Seis Sigma / Consejo de calidad
Fijan metas, identifican proyectos, seleccionan equipos
Champions
Son representantes de la alta direccin que controlan y asignan recursos para promover
mejoras, se involucran en todas las revisiones de proyectos en su rea de influencia.
Reciben entrenamiento general en Seis sigma
Dueos de procesos (Process owners):
Coordinan actividades de mejora de procesos y monitorea los avances, trabaja con Black
Belts para mejorar los procesos bajo su responsabilidad, a veces actan como Champions
Master Black Belts
Tienen puestos enfocados a la mejora, con habilidades demostradas como Black Belt y
habilidades de asesora, instruccin, educacin y promocin
Black Belts:
Son personas capacitadas y con habilidades para coordinar proyectos de mejora
demostradas con ahorros y beneficios. Actan como consultores y asesores
Green Belts:
Manejan las herramientas estadsticas y de solucin de problemas para los proyectos con
impacto financiero y a clientes. Bajo la tutela de los Black Belts y son lderes de equipos
Miembro del equipo:
Participa en la capacitacin para ser efectivo. Completa sus asignaciones entre las
reuniones. Participa activamente con ideas e informacin
Reconocimiento y refuerzo
Se deben lograr reconocimientos tangibles e intangibles por las mejoras alcanzadas a
todos los miembros participantes
El lograr ahorros y publicarlos ayuda a mejorar la moral de los miembros de los equipos de
proyectos

Benchmarking
Compara el desempeo de una empresa con la competencia, o el mejor en su clase, identifica
reas de oportunidad de mejora a nivel negocio u operativo. Sigue los pasos siguientes:

Determinar las prcticas actuales

Identificar las mejores prcticas
Analizar las mejores prcticas
Modelar las mejores prcticas
Repetir el ciclo

Pgina 16 de 134

SEIS SIGMA BSICO DMAIC

Anlisis del consumo especfico de gas natural

rgimen trmico Kcal/KWh
2700
2650
2600
2550
2500
2450
2400
2350
2300
2250
2200

2646

2542

Promedio Unidad 1

2466

2388

2376

Promedio 3 aos CTVM

Promedio CFE
FPL USA P Deming
Nerc USA

Promedio
Unidad 1

Promedio 3
aos CTVM

Promedio
CFE

FPL USA P
Deming

Nerc USA

Figura [Link] Anlisis del rgimen trmico CTVM 2007

Gestin de equipos de trabajo

Formacin de equipos de trabajo
Debe haber un lder o dueo del proceso
Un secretario
Tomador de tiempo
Facilitador
Miembros involucrados con el proceso, segn Belbin: existe el formador, implementador,
coordinador, compaero, investigador, innovador, especialista
Etapas de desarrollo del equipo
Formacin
Integracin
Normas
Desempeo u operacin
Las presentaciones dan la oportunidad de:
Mostrar habilidades
Mostrar logros
Resumir proyectos
Obtener aprobaciones necesarias de la direccin
Mantener lneas de comunicacin con la direccin
Demostrar comprensin de las necesidades reales del cliente

Reconocimiento al equipo
Al finalizar el proyecto Seis Sigma es conveniente dar un reconocimiento a los participantes:
Materiales: Tangibles, Intangibles, Satisfaccin, amistad, aprendizaje, agradecimiento,
prestigio
Ver ejemplos de aplicacin en CFE

Pgina 17 de 134

SEIS SIGMA BSICO DMAIC

II. Seis Sigma Fase de Definicin

Propsitos

Seleccin inicial del proyecto

Identificar a los clientes del proceso o producto y reas afectadas
Definir las CTQs (caractersticas crticas para la calidad) desde la perspectiva del cliente
Desarrollar una Declaracin Refinada del Problema
Definir el alcance del proyecto en un nivel especfico manejable (Project, Team Charter o
Contrato del proyecto)
Documentar las actividades en programa del Proyecto

Seleccin inicial del proyecto

Diagrama de afinidad Mtodo KJ (Kawakita Jiro)
Diagramas de Afinidad rene hechos e ideas para desarrollar patrones de pensamiento. Los pasos
son:
Definir el problema bajo consideracin
Tener Post its
Anotar ideas, datos, hechos, opiniones, etc.
Diagrama de afinidad
Poner las notas en una pizarra o pared
Arreglar los grupos dentro de patrones de pensamiento similares o categoras
Desarrollar una categora principal para cada grupo (tarjeta de afinidad)
Dibujar el diagrama de afinidad

Pgina 18 de 134

SEIS SIGMA BSICO DMAIC

Matriz de prioridad
Esta matriz identifica los aspectos y preocupaciones clave y permite generar alternativas. La
necesidad es determinar la opcin a utilizar. Ejemplos:
Se puede usar una matriz de seleccin con ponderacin de diversos aspectos como la siguiente:

PRCTICA 2.1 Hacer una seleccin de un problema de entre varios problemas atacables,
considerar por ejemplo la importancia, urgencia, costos, beneficio al cliente, facilidad de solucin,
dificultad, etc. Como opcin se puede seleccionar la mejor solucin para una actividad.

Definicin de los clientes y reas afectadas

Pgina 19 de 134

SEIS SIGMA BSICO DMAIC

Los clientes son los receptores del servicio o producto, se puede escuchar su voz de forma reactiva
(quejas, reclamaciones, etc.) o proactiva (encuestas, entrevistas, grupos focales, etc.).
Las reas afectadas con el proyecto, son las reas y departamentos que sern impactados con el
proyecto, tambin se denominan Stakeholders.

Definicin de CTQs

Son las caractersticas del producto/servicio que son importantes desde el punto de vista
del cliente

Requerimientos clave
ACC/CENACE Factor Crtico
clientes y usuarios finales
1. Precio competitivo
(Consumo gas natural
control del rgimen trmico)
2. Calidad de la regulacin:
Control de frecuencia y
control de voltaje
3. Cantidad de energa
entregada

4. Confiabilidad

5. Disponibilidad

Indicador
$/MWh
Kcal / Kwh (De acuerdo
a la Unidad)
Frecuencia: 60 Hz 0.2
Voltaje: 230,000 Volts
1000
100% Cumplimiento
programa

Conf = (100% - % Falla

propia) = 97.69%

Disp= (100% - (%Falla

+ % Matto - % ajenos))
= 88.50%

Valor generado cadena

de valor usuarios finales
Precio competitivo a los
usuarios finales de CFE
No variaciones en el
suministro de energa
elctrica
Cero interrupciones en el
suministro de EE
Cero interrupciones en el
suministro de EE y
participacin en la regulacin
de frecuencia y voltaje en el
Sistema Elctrico Nacional
(SEN)
Cero interrupciones en el
suministro de EE y
participacin en la regulacin
de frecuencia y voltaje en el
Sistema Elctrico Nacional
(SEN)

Figura [Link] Tabla de Factores Crticos del Cliente

rbol de Crticos para la calidad (CTQs) = Y`s:

o Avanzar con ms niveles conforme se requieran (2,3)
o Validar los requerimientos con el cliente. Revisar el rbol de CTQs con el cliente.
Calidad de
la energa

Frecuencia

Hertz

Economa

Precio

Voltaje

Volts

Crticos para X (CTX)

CTQ Crticos para la calidad

o Cumplir con requerimientos del mercado y tcnicos
o Proporcionar productos y servicios excelentes
CTC crticos para el costo
o Consumo de combustible
o Costos de operacin
CTP Crticos para el proceso

Pgina 20 de 134

SEIS SIGMA BSICO DMAIC

o Reducir los tiempos de ciclo y tiempos muertos por mantto.

o Maximizar el rgimen trmico
CTD crticos para la entrega
o Confiabilidad, disponibilidad,
o Cantidad de energa elctrica entregada
CTS crticos para la seguridad
o Proporcionar ayudas visuales e instrucciones claras
o Proporcionar EPP adecuado

CTs

CTC
Precio Competitivo

Rgimen Trmico

CTQ
Calidad de regulacin de

Control de frecuencia
Control de voltaje

CTD

Confiabilidad
Disponibilidad
Cantidad de energa
elctrica entregada

Figura [Link] Diagrama de rbol CTs Cliente

Costos de calidad

Los costos de calidad son un vehculo para identificar oportunidades de reduccin de

costos por medio de mejoras al sistema
Las categoras de los costos de calidad son:
o Costos de prevencin capacitacin, documentacin
o Costos de evaluacin pruebas e inspecciones
o Costos de falla interna fallas y errores en la empresa
o Costos de falla externa - fallas y errores con el cliente
Bases de comparacin
o Ingresos, costos de transformacin, etc.

Diagrama de Pareto

En la fase de Definicin, el diagrama de Pareto ayuda a seleccionar proyectos y manejar el

alcance de este. Define la oportunidad del proyecto y provee el impacto medible de las
acciones correctivas

Pgina 21 de 134

SEIS SIGMA BSICO DMAIC

Identifica y separa en forma crtica las pocas causas que provocan la mayor parte de los problemas
o fallas. El principio enuncia que aproximadamente el 80% de los efectos de un problema se debe
a solamente 20% de las causas involucradas.
Ejemplo de diagrama de Pareto:
El departamento de mantenimiento tiene registrada una lista de las fallas que se han recibido
durante el ltimo mes como sigue:
Tipo de Falla

No
Fallas

A) Falla de motores

B) Componentes mal ensamblados

C) Falla de componentes

D) Errores en documentacin

E) Fallas por descargas

F) Fallas de equipo de medicin

G) Falla de sensores

25

H) Falla de reguladores

I) Puesta a punto inapropiada

23

J) Trabajos con errores

Pgina 22 de 134

SEIS SIGMA BSICO DMAIC

Ordenando las cantidades de fallas de mayoy a menor, se determinan las columnas de: fallas
acumuladas, porcentaje relativo de cada tipo de falla y porcentaje acumulado por tipo de falla.
Tipo_Falla
No_ Fallas
Fallas
% relativo
% relativo
acumuladas
acumulado
G) Falla de sensores

25

25

35.71

35.71

I) Puesta a punto inapropiada

23

48

32.86

68.57

C) Falla de componentes

55

10

78.57

B) Componentes mal
ensamblados

61

8.57

87.14

E) Fallas por descargas

64

4.29

91.43

F) Fallas de equipo de medicin

66

2..86

94.29

A) Falla de motores

67

1.42

95.71

D) Errores en documentacin

68

1.42

97.73

H) Falla de reguladores

69

1.42

98.53

J) Trabajos con errores

70

1.4

100.00

Agrupando los valores de 1 en una columna de otros se tiene:

Tipo_Falla
No_Fallas
Fallas
acumuladas

% relativo

% relativo
acumulado

G) Falla de sensores

25

25

35.71%

35.71%

I) Puesta a punto inapropiada

23

48

32.86%

68.57%

C) Falla de componentes

55

10.00%

78.57%

B) Componentes mal
ensamblados

61

8.57%

87.14%

E) Fallas por descargas

64

4.29%

91.43%

F) Fallas de equipo de medicin

66

2.86%

94.29%

Otros

70

5.71%

100.00%

Pgina 23 de 134

SEIS SIGMA BSICO DMAIC

Se grafican las columnas de tipo de falla y fallas acumuladas o porcentaje relativo y porcentaje
relativo acumulado en Excel quedando como:

Seleccionar las columnas en amarillo o verde.

Insertar una grfica de columnas
Dos clicks en la grfica acumulada y cambiar a tipo de grfica de lnea

120.00%
100.00%

80.00%
60.00%
40.00%
20.00%
0.00%

% relativo
% relativo acumulado

Diagrama de Pareto en Minitab

1. Capture los datos en la columna C1 (Tipo_Falla), en la columna C2 (No_Fallas)
2. Seleccione: Stat>Quality Tools>Pareto Chart
3. Seleccionar la opcin Chart defects table , en el campo labels in seleccione: C1 y en Frequencies
in seleccione: C2. Combine defects after the first 95%. OK

Pgina 24 de 134

SEIS SIGMA BSICO DMAIC

Pareto Chart of Tipo de Falla

No Fallas

80

50
40
30
20

Tipo de Falla

10
0

60
40
20

s
s
s
s
n
a
i
te
re
ga
do
ad
c
n
i
o
i
r
o
a
t
l
o
b
ca
ne
op
ns
ed
m
m
pr
m
es
se
po
a
a
e
d
s
e
m
e
d
r
in
n
d
d
co
po
lla
le
to
po
e
ll a
a
a
n
i
s
d
a
F
u
m
F
l la
pu
la
eq
A)
a
Fa
es
al
G)
t
e
F
a
)
n
d
t
E
s
ne
C)
es
lla
po
Pu
a
F
m
I)
F)
Co
)
B
No Fallas
Percent
Cum %

s
re

25
35.7
35.7

23
32.9
68.6

7
10.0
78.6

6
8.6
87.1

3
4.3
91.4

2
2.9
94.3

r
he
t
O

Percent

100

70
60

3
1
4.3
1.4
95.7 100.0

Las fallas G,I y C representan el 78.6%, siendo en estas en las que debemos de enfocarnos primero
a resolver, iniciando con la G.

PRCTICA 2.2 Hacer un diagrama de Pareto con los principales defectos en una mquina o
componente que se presentan en un periodo de tiempo:

Tipo de falla
A
B
C
D
E

Descripcin de la falla

Pgina 25 de 134

Frecuencia

SEIS SIGMA BSICO DMAIC

F
G
H
I
J
K
Etc.
Ordenado y calculando las columnas adicionales queda como:

Definicin del proyecto

Atacar al problema en general no funciona, ya que es fcil equivocarse tratando de hacer

todo a la vez

En la prctica, es ms efectivo enfocarse en un componente especfico del problema. Una

definicin del problema enfocado describe especficamente que ocurre, cuando o en qu
circunstancias ocurre, y/o quien est involucrado

Identificar CTQs del proceso o Xs para satisfacer CTQs del proyecto Y (Drill Down)

Pgina 26 de 134

SEIS SIGMA BSICO DMAIC

Interrupciones de energa

Y = (X1, X2, X3, X4)

Fallas en los equipos de generacin

Falta de suministro de gas

Fallas en el sistema de agua desmineral. Xs:

Mantenimiento preventivo

Mantenimiento predictivo

El alcance del proyecto debe estar limitado a los

factores que representan la principal diferencia:

Y = (X1, X2)

Y = (X1)

Mantenimiento preventivo

Estratificacin
Se utiliza para separar el problema general en los estratos que lo componen, por ejemplo,
por reas, departamentos, productos, proveedores, turnos, etc. Clasificacin de los datos o
factores sujetos a estudio en una serie de grupos con caractersticas similares.

Y = f(X1, X2, X3, X4,.)

Problema de fallas
Fallas por unidad
Fallas por equipo
Estratificacin de un problema
PRCTICA 2.3 Describir un ejemplo de estratificacin de un problema.
Primer nivel:
Segundo nivel:
Tercer nivel:
Cuarto nivel:

Pgina 27 de 134

SEIS SIGMA BSICO DMAIC

DEFINICIN DEL PROBLEMA
1. Se ha contestado la pregunta que est mal con qu?
2. Se ha hecho varias veces la pregunta sabemos con certeza porqu est ocurriendo esto?
3. Se ha definido el problema en trminos de EQUIPO y FALLA?
4. Se ha hecho el anlisis ES / NO ES (qu, dnde, cundo y cunto)?
5. Se ha definido el flujo del proceso y si ha habido cambios?
6. Se ha identificado en que paso del proceso aparece el problema?
7. Se ha revisado si los componentes similares tienen el mismo problema?
8. Se han colectado y analizado todos los datos?
9. Se ha obtenido evidencia fsica del problema?

Justificacin econmica de proyectos Seis Sigma

Anlisis para obtener la aprobacin del proyecto:
Identificar los beneficios del proyecto: monto, tiempo, duracin
Identificar los factores de costo del proyecto (personal, recursos) as como los gastos del
periodo
Calcular la ganancia neta por periodo
Calcular los ndices financieros (TIR, VPN, etc.)
Determinar si el proyecto se implementar (antes de iniciarlo) o si fue benfico (despus
de completarlo)
Si no da beneficios, pero de todas formas se debe implementar, justificarlo (ambiente,
seguridad)
Ejemplo al reducir los das de mantenimiento mayor:
CLCULO FINANCIERO
DATOS:
GENERACION BRUTA = 2,042.958 MWH AL AO
ENERGIA NO GENERADA = 432,000 MWH (21.14 %)
MTTO 60 DIAS
ENERGIA NO GENERADA = 324,000 MWH (15.86 %)
MTTO 45 DIAS
UTILIDAD = $141.40 MWH AO 2004
CONSIDERACIONES:
Un mantenimiento mayor de 60 das nos representan 432,000 MWH de energa no

Pgina 28 de 134

SEIS SIGMA BSICO DMAIC

generada. Si se logra la Meta de realizar el mantenimiento en 45 das, se tendr como
resultado 324,000 MWH de energa no generada.
Por lo tanto; 432,000 - 324,000 = 108,000 MWH de diferencia que serian Ventas al
cliente por lo que el Beneficio esperado de este proyecto es:
108,000 x 141.40 = Beneficio = $15271,200.00 = $ 1,414,000 USA a un t/c $ 10.80/USA

PRCTICA 2.4 Aplicacin del mtodo del valor presente neto y de la tasa interna de rendimiento
en la justificacin de proyectos
Asumiendo un inters del 15% y costo del equipo de $15,000
Inters
Inversin
Beneficios
Ao 1
Ao 2
Ao 3
Ao 4
Ao 5

0.15
-15,000
5,000
5,000
5,000
5,000 VNA = Valor presente en Excel Fx Financieras = VNA(0.15,
9,000 rango)

VPN = Valor presente neto = VNA costo del equipo = $3,749.48 - Costo del equipo
Conclusin: Si VPN es positivo si conviene la inversin
Inters
Inversin
Ao 1
Ao 2
Ao 3
Ao 4
Ao 5

0.15
-15,000
5,000
5,000
5,000
5,000
9,000

TIR = Tasa interna de rendimiento = TIR( rango)= 24%

Conclusin: Si el TIR es mayor que la TREMA de la empresa, el proyecto es viable
Evaluar reas potenciales de riesgo de negocio como:
Cambios en la tecnologa
Competencia
Falta de materiales
Reglamentaciones y problemas de seguridad e higiene
Reglamentaciones y problemas ambientales
Riesgos asegurables (propiedad, prdidas, responsabilidad legal)

Pgina 29 de 134

SEIS SIGMA BSICO DMAIC

Contrato de proyecto
Es el compromiso formal del equipo y de la direccin, en la ejecucin del proyecto

Caso de negocio

Descripcin general del

problema
Alcance

Impacto financiero
Beneficios estimados
Costos estimados

Recursos
Nombre, Rol
Otros participantes

Meta medible
Planes del proyecto
Sigmas

Fechas arranque y final por cada

fase DMAIC
Eventos parciales a revisar

El contrato del proyecto (Project Charter) debe incluir:

Caso de negocio (alineacin con objetivos mayores e impacto financiero)
Enunciado del problema
Alcance del proyecto (lmites)
Establecimiento de metas
Rol de los miembros del equipo
Metas intermedias y productos finales
Recursos requeridos
Caso del negocio:
Resumen de las razones estratgicas para el proyecto.
Incluye aspectos de calidad, costo, producto final con justificacin financiera
Por qu hacer el proyecto
Importancia de hacer el proyecto ahora
Consecuencias de no hacer el proyecto
Prioridades
Importancia del proyecto en relacin a las estrategias de la empresa Aumentar el nivel de disponibilidad del 95 al 98%
Enunciado del problema
Detalla el tema que el equipo quiere mejorar, tan descriptivo como sea posible. El tiempo
de mantenimiento correctivo planeado para la Unidad 1 es de un mes, lo que impacta en
el nivel de disponbilidad del 95% anual

Pgina 30 de 134

SEIS SIGMA BSICO DMAIC

Alcance del proyecto
Se refiere a los lmites del proyecto o acotaciones. El proyecto se desarrollar durante el
mes de diciembre
Establecimiento de las metas
Una regla comn es la reduccin del 50% en alguna de las mtricas o su reduccin en 50%
Reducir el tiempo de mantenimiento planeado para la Unidad 1 de un mes a 15 das
Roles de los miembros de los equipos
Los miembros deben ser gente calificada con la suficiente experiencia para realizar lo
establecido en la misin del equipo
Definir sus roles, responsabilidades y expectativas

PRCTICA 2.5 Contrato de proyecto

ES

NO ES

QU:

QU:

Nombrar el equipo que tiene la falla

Nombrar equipos similares que pudieran

tener la falla pero no la tienen

Nombrar la falla o problema que se est

observando

Nombrar otras fallas o problemas que el

equipo pudiera tener pero no tiene

DNDE:

DNDE:

Lugar donde se encuentra el equipo con falla

Otros lugares donde el equipo puede ser

encontrado sin falla

Lugar donde primero se muestra la falla

Otros lugares donde el equipo pudiera

mostrar falla pero no tiene

Otros lugares donde el problema ocurre o ha

ocurrido

Lugares similares donde el problema nunca

ha ocurrido

Pgina 31 de 134

SEIS SIGMA BSICO DMAIC

Donde en el equipo ocurre el problema

(dentro, fuera, parte sup., inf., etc.)

Donde en el equipo pudiera haber ocurrido

el problema, pero no ocurre

CUNDO:
En qu momento ocurri el problema (da,
mes, ao, hora, etc.)

CUNDO:
Cuando pudo haber ocurrido el problema,
pero no ocurri

Cundo ocurri el problema en el equipo

Cundo en el equipo pudo haber ocurrido el

problema pero no ocurri

Cundo ocurri el problema dentro del ciclo

de vida del equipo

Cundo dentro del ciclo de vida del ciclo de

vida del equipo pudo haber ocurrido el
problema pero no ocurri

CUNTO:
Describir la magnitud del problema falla o
defecto

CUNTO:
Describir los lmites del problema, falla o
defecto

Cuntos equipos tienen o han tenido el

problema, falla o defecto

Cuntos equipos podran haber tenido el

problema, pero no lo tienen

Determinar la magnitud del problema en

trminos de %, rendimiento, etc.

Describir qu pudo haber sido pero no es.

Describir el nmero de fallas por equipo

Describir qu pudo haber sido pero no lo es

Pgina 32 de 134

SEIS SIGMA BSICO DMAIC

1. Nombre del proyecto

2. Alineacin del proyecto con estrategias y objetivos (caso negocio)

3. Alcance del proyecto

Incluye:
No incluye:

4. Benchmarking

5. Meta medible con sus Mtricas y sigmas del proceso

Desempeo actual, identificacin de la lnea base:
Mtricas del proyecto especficas:
PPM, DPMOs, DPUs:
Yrt, sigmas del proceso:

6. Fecha inicial y final

Inicio:

Pgina 33 de 134

SEIS SIGMA BSICO DMAIC

Terminacin:

7. Metas intermedias y programa de trabajo:

Ejemplo:
Metas intermedias
Contrato de proyecto
Reunin inicial del equipo
Caracterizacin del proceso SIPOC
Mtrica de la lnea base (actual)
Establecer el enfoque y evaluar situacin
Analizar causas
Probar soluciones y verificarlas
Implementar cambios
Cierre del proyecto

Metas intermedias

Fecha de revisin
Nov. 1
Nov. 1
Nov. 4
Nov. 28
Feb. 10
Feb. 20
Mar. 15
Pend.
Pend.

Fecha de revisin

8. Justificacin financiera del proyecto (ROI,TIR,NPV)

Costos estimados del proyecto (recursos e inversiones):

Pgina 34 de 134

SEIS SIGMA BSICO DMAIC

Vida til del proyecto:

Beneficios tangibles estimados por ao:

Tasa Interna de rendimiento:

Beneficios intangibles del proyecto:

9. Anlisis de riesgos del proyecto:

Riesgos de no hacer el proyecto:

Evaluar riesgos del proyecto respecto a cambios en la tecnologa, competencia, falta de

refacciones, reglamentaciones de seguridad e higiene y ambientales, etc.:

Supuestos para lograrlo:

Obstculos potenciales:

reas afectadas, comunicacin y responsabilidades:

reas
afectadas:

Responsable:

Comunicacin:

10. Equipo de trabajo:

Pgina 35 de 134

Responsabilidades:

SEIS SIGMA BSICO DMAIC

Champion / Promotor:
Black Belt o asesor:
Dueo del proceso:
Lder de proyecto o Green Belt:
Miembros del equipo:

Personal de apoyo:

Diagrama SIPOC

Identifica el flujo de las actividades y fuentes de variacin en el proceso. Incluye

proveedores, entradas, procesos, resultados y clientes

Mapa de proceso SIPOC (Proveedores, Entradas, Salidas, Clientes)

Entradas

Procesos y sistemas

Salidas

Proveedores

Clientes

Retroalimentacin

Retroalimentacin

Banco de informacin

Ejemplo: Proceso de generacin de energa en una termoelctrica

Pgina 36 de 134

SEIS SIGMA BSICO DMAIC

Proveedores
PEMEX
Comisin
Nacional del Agua

Insumos Gas
y Agua

Planta de
tratamiento
de agua

Entradas

Proceso

Gas
Agua

Generacin
Termoelctrica

Generador
de Vapor

Turbogenerador

Salidas
Entrega de
energa
elctrica

Subestacin

Transmisin

Clientes
CENACE
Cliente final

CENACE

Usuario
Final

Figura [Link].1 Mapa de proceso de primer nivel

PRCTICA 2.6 Realizar un ejemplo de Diagrama SIPOC de un proceso o equipo:

Proveedores

Entradas

Pasos generales.
del proceso

Salidas

Clientes

Programa de Trabajo
Se realiza para planear las actividades para la solucin del problema, a continuacin se muestran
algunos ejemplos:

Pgina 37 de 134

SEIS SIGMA BSICO DMAIC

III. Seis Sigma Fase de Medicin

Propsitos:
Determinar requerimientos de informacin para el proyecto
Definir las Mtricas de los indicadores del Proceso
Identificar el objetivo de desempeo
Desarrollar un Plan de Coleccin de Datos
Realizar un Anlisis del Sistema de Medicin (MSA)
Llevar a cabo la recoleccin de datos
Determinar la capacidad del proceso, lnea base y afinar la meta
Salidas
Diagnstico de la situacin actual del problema y lnea base

Pgina 38 de 134

SEIS SIGMA BSICO DMAIC

Mapas de proceso y diagramas de flujo

En la Fase de Medicin, el mapa del estado actual debe de ser creado para:
Mostrar detalladamente los pasos del proceso especfico o series de procesos
Determinar las fuentes de variacin y las caractersticas de salida para cada paso
o Cules son las entradas? Cuanto pueden variar?
o Cules son las salidas? Cunto pueden variar?
Identifica cuales son los datos que necesitan ser recopilados

Se utiliza para identificar los procesos, las caractersticas crticas en cada uno, la forma de
evaluacin, los equipos a usar, los registros y plan de reaccin, se tienen los tipos siguientes:
Diagramas de flujo de proceso detallados
Diagramas fsicos de proceso
Diagramas de flujo de valor
Descripcin de smbolos
En la construccin de diagramas de flujo de procesos se utilizan los smbolos descritos a
continuacin:
Operacin de transformacin: de la cual resulta un cambio fsico o
qumico del producto.
Inspeccin: Verificacin de alguna caracterstica mediante un estandar de
calidad prestablecido.

Pgina 39 de 134

SEIS SIGMA BSICO DMAIC

Transporte: Movimiento fsico del producto o un componente.

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

operacin inspeccin o transporte.
Almacenamiento: Mantener un producto en almacenamiento hasta
que contine su procesamiento o sea vendido.

Pgina 40 de 134

SEIS SIGMA BSICO DMAIC

Pgina 41 de 134

SEIS SIGMA BSICO DMAIC

PRACTICA 3.1 Diagrama de flujo de un proceso pequeo o subproceso

DIAGRAMA DE FLUJO DE PROCESO
Legenda:

PASO

Operacin

Transporte

Operacin o Evento

Inspeccin
Descripcin de
Operacin o evento

Espera/retraso

Almacenaje

Evaluacin
y Mtodos de anlisis

Matriz de causa efecto

Entradas y salidas del proceso
Antes de mejorar un proceso, primero debe medirse, identificando sus variables de
entrada y de salida, y documentando su relacin en diagramas de causa efecto, matrices
de relacin, diagramas de flujo, etc. (1-poca, 3-media, 9-alta relacin)

Pgina 42 de 134

SEIS SIGMA BSICO DMAIC

Recoleccin de datos
Tipos de informacin

Datos Continuos

Se obtienen a travs de un
sistema de medicin, su
utilidad depende de la
capacidad del sistema de
medicin.
Las ocurrencias
consistentes se pueden
manejar como datos
continuos

Datos Discretos

Incluye
porcentajes, conteos, atrib
utos y ordinales

Las ocurrencias deben ser

independientes

Discretos

Continuos

87
Datos

Tipo

Temperatura de vapor

Continuo

Fallas de la bomba

Discreto: Porcentaje o cuenta

Tiempo de mantenimiento

Continuo

Cantidad de contaminantes

Continuo

Fallas de Maquinaria

Discreto: Porcentaje o cuenta

Tiempo del ciclo de arranque

Continuo

Perdida de clientes

Discreto: Porcentaje o cuenta

Errores en reportes

Discreto: cuenta

Cambios en la agenda o el plan

Discreto: cuenta

Porcentaje de reportes que

tienen que ser rectificados

Discreto: Porcentaje

Hoja de verificacin o registro

Es una hoja con un formato diseado de acuerdo a las necesidades especficas de la
coleccin de datos, tiene encabezados con los datos de parmetros del proceso (fecha,
hora, mquina, operador, turno, etc.) y un cuerpo para el registro de los datos de una
inspeccin o muestreo, estos datos posteriormente se cuentan o se aplican a otras
herramientas estadsticas.
TIPO DE FALLA
Elctrica
Mecnica
Instrumentacin
Operacin

LUNES
||||| |
|
|||||
||

MARTES
|||||
|||
|
|||

MICOLES
||||| |||
|||
|
|

Pgina 43 de 134

JUEVES
||||| ||
||
|
|

VIERNES
||||| ||||
|
|||
||

TOTAL
35
10
11
9

SEIS SIGMA BSICO DMAIC

Atmsfera
TOTAL

|||

|
17

||
13

|||
15

|
14

16

10
75

PRCTICA 3.2 Hacer la siguiente hoja de registro:

Edad del grupo
25 29.9 aos
30 34.9 aos
35 39.9 aos
40 44.9 aos
45 49.9 aos
50 en adelante

Registro (|||)

DATOS NUMERICOS

Comprendiendo la variacin
Qu es la variacin?
La diferencia entre las cosas
La mayora de las veces la variacin es natural
Factores que causan la variacin
o Material
o Maquinaria
o Mano de obra o personal
o Mtodo
o Naturaleza
o Mediciones
o La variacin es inherente a todos los procesos
Se tienen causas comunes y causas especiales

Estadstica Descriptiva:
La Estadstica descriptiva es la rama de las matemticas que comprende la recopilacin, tabulacin,
anlisis e interpretacin de datos cuantitativos y cualitativos, para tomar decisiones que se
requieran a fin de que el comportamiento de los datos se mantenga dentro de los parmetros de
control establecidos.

Poblacin (N) Es el conjunto de todos los elementos de inters para determinado estudio
Parmetro Es una caracterstica numrica de la poblacin, se identifica con letras griegas
(Media = , Desviacin estndar = , Proporcin = , Coeficiente de correlacin = )
Muestra (n) Es una parte de la poblacin, debe ser representativa de la misma.
Estadstico Es una caracterstica numrica de una muestra, se identifica con letras latinas
(Media = X, Desviacin estndar = s, Proporcin = p, Coeficiente de correlacin = r)

Pgina 44 de 134

SEIS SIGMA BSICO DMAIC

La estadstica inferencial se refiere a la estimacin de parmetros y pruebas de hiptesis acerca de
las caractersticas de la poblacin en base a los datos obtenidos con una muestra.
Para poder obtener consecuencias y deducciones vlidas de los datos de un estadstico, es muy til
contar con informacin sobre los valores que se agrupan hacia el centro y sobre que tan
distanciados o dispersos estn unos respecto a otros. Comenzaremos por definir estas medidas:

Medidas de tendencia central y de dispersin

Medidas de tendencia central
Media: ( x ) Es el promedio aritmtico de todos los valores que componen el conjunto de datos.
Mediana: ( ~
x ) Los datos de "n" observaciones son ordenados del ms pequeo al ms grande,

Si el tamao de la muestra es "non" la mediana es el valor ordenado en la posicin (n+1)/2, si

es "par" la mediana es el promedio de los dos valores que se encuentran al centro.
Media acotada (Truncated Mean): Se elimina un porcentaje de valores ms altos y bajos de un
conjunto dado de datos y se calcula la media para los restantes.

Medidas de dispersin
Para comprender el concepto de varianza, supngase que tenemos los datos siguientes de los cuales
queremos saber que tan dispersos estn respecto a su media:
2, 3, 4, 5, 6 con media = 20/5 = 4
Si tomamos la suma de diferencias de cada valor respecto a su media y las sumamos se tiene:
(-2) + (-1) + (0) + (1) +(2) = 0
Por lo que tomando diferencias simples no es posible determinar la dispersin de los datos.
Si ahora tomamos esas mismas diferencias al cuadrado y las sumamos se tiene:
4 + 1 + 0 + 1 + 4 = 10
Varianza de los datos
Es una medida que nos ayuda a comprender la variabilidad de los datos, que tan distanciados estn
de la media
Poblacional (2 ) Se obtiene dividiendo el valor anterior entre n = 5, o sea el promedio de la
suma de las diferencias al cuadrado, tomando n datos.

Muestral (s2 ) Se obtiene dividiendo el valor anterior entre n - 1 = 4, o sea el promedio de la

suma de las diferencias al cuadrado, tomando n -1 datos.

s2

( xi x ) 2
n

( xi x ) 2
n 1

Desviacin estndar: Es la raz cuadrada de la varianza:

Pgina 45 de 134

SEIS SIGMA BSICO DMAIC

( xi x ) 2
n

Para el caso de una poblacin

muestra

( xi x ) 2
n 1

Rango ( R ): es la diferencia positiva entre el valor mayor y el valor menor de un conjunto

de datos.
Coeficiente de Variacin (CV): Se utiliza para comparar la dispersin de dos conjuntos de
datos con unidades diferentes.

[Link]. var iacin CV

s
(100)
X

Ejemplo: Se toman muestras de la temperatura de vapor de dos equipos como sigue:

Muestra 1:
230
250
245
258
265
240
Muestra 2:
190
228
305
240
265
260
Calcule la desviacin estndar para ambas muestras.
Muestra 1 (X-Xmedia) (Xi-Xmedia)^2
230
-18
324
250
2
4
245
-3
9
258
10
100
265
17
289
240
-8
64
Xmedia
Varianza Suma
248
158
790
Muestra 1:

Muestra
(Xi2
(X-Xmedia) Xmedia)^2
190
-58
3364
228
-20
400
305
57
3249
240
-8
64
265
17
289
260
12
144
Xmedia
Varianza Suma
248
1502
7510
Muestra 2

Suma(Xi - x )2 = 790
n-1=5

Suma(
n-1 = 5

x 248

s=

790
= 12.56
5

Rango = 265 230 = 35

CV = 12.56/248*100= 5.06%

x 248

s=

Xi - x )2 = 7510

7510
= 38.75
5

Rango = 305 190 = 115

CV = 38.75/248*100 = 15.625

Aunque la media en ambas muestras es la misma, la desviacin estndar (s), rango y coeficiente de
variacin, son menores en la muestra 1, por lo cual deducimos que presenta menor variabilidad.

PRCTICA 3.3
Se desea hacer un estudio estadstico del flujo de agua, para esto es necesario tomar una muestra
y calcular la media, mediana, media acotada al 15%, desviacin estndar, rango y coeficiente de
variacin. Se realizan 14 observaciones arrojando los siguientes resultados en C:

Pgina 46 de 134

SEIS SIGMA BSICO DMAIC

Xi
2.1
3.8
4.0
4.0
3.1
2.9
2.5
3.6
2.0
2.4
2.8
2.6
2.9
3.0
Xmedia
3.0

(XiXmedia)

(Xi-Xmedia)^2

Varianza

Suma

Xi
ordenado
2.0
2.1
2.4
2.5
2.6
2.8
2.9
2.9
3.0
3.1
3.6
3.8
4.0
4.0

Media
Mediana
Moda
Rango
Varianza
Desviacin estndar
Coeficiente de variacin

PRCTICA 3.4 Repetir lo anterior con datos del grupo

Otras medidas de dispersin: percentiles y quartiles

Cada conjunto de datos ordenado tiene tres cuartiles que lo dividen en cuatro partes iguales. El
primer cuartil es ese valor debajo del cual clasifica el 25% de las observaciones y sobre el cual se
encuentra el 75% restante. El segundo cuartil divide a los datos a la mitad similar a la mediana.
Los deciles separan un conjunto de datos ordenado en 10 subconjuntos iguales y los percentiles en
100 partes, la ubicacin de un percentil se encuentra en:

L p (n 1)

P
100

Donde:

Pgina 47 de 134

SEIS SIGMA BSICO DMAIC

Lp es el sitio del percentil deseado en una serie ordenada
n es el nmero de observaciones
P es el percentil deseado
Por ejemplo para el conjunto de datos siguiente:
No.
1
2
3
4
5
6
7
8
9
10

Xi
3
4
7
9
10
10
12
14
15
17

No.
11
12
13
14
15
16
17
18
19
20

Xi
19
20
21
25
27
27
29
31
31
34

No.
21
22
23
24
25
26
27
28
29
30

Xi
34
34
36
37
38
38
39
43
45
47

No.
31
32
33
34
35
36
37
38
39
40

Xi
48
48
52
53
56
56
59
62
63
64

No.
41
42
43
44
45
46
47
48
49
50

Xi
67
67
69
72
73
74
74
76
79
80

La localizacin del percentil 35 se halla en:

L35 (50 1)

35
17.85
100

O sea que el percentil 35 est al 85% del trayecto comprendido entre la observacin 17 que es 29
y la observacin 18 que es 31 o sea L35 = 29 + (0.85)(31-29) = 30.7. Por tanto el 35% de las
observaciones estn por debajo de 30.7 y el 65% restante por encima de 30.7.
De la misma forma los percentiles 25, 50 y 75 proporcionan la localizacin de los cuartiles Q1, Q2 y
Q3 respectivamente.

Q1: es el nmero que representa al percentil 25 (hay 25% de los datos por debajo de este).
Q2 o Mediana: es el nmero que representa al percentil 50 (hay 50% de los datos por
debajo de este).
Q3: es el nmero que representa al percentil 75 (hay 75% de los datos por debajo de este).
Rango o Recorrido intercuartlico: es la diferencia entre Q1 y Q3.

Pgina 48 de 134

SEIS SIGMA BSICO DMAIC

DIAGRAMA DE CAJA
Es la representacin grfica de los datos en forma de caja:
Bigote sup.
Q3 + 1.5 RIC

1050

Mximo
Weight

Q3

950

Q2 Mediana
Q1

850

Mnimo
Q1 1.5RIC
Bigote inf.
Rango
intercuartlico =
RIC = Q3 Q1

Valores
atpicos

En Excel:
Indicar rango de datos con rtulo, rango donde se desea la salida y resumen de estadsticas
1. En el men Herramientas seleccione la opcin Anlisis de datos. Datos de ejemplo anterior
2. Seleccione la opcin Estadstica descriptiva.
3. Seleccione el rango de entrada, estos corresponden a los datos numricos de la tabla.
4. Seleccione Resumen de estadsticas.
5. En opciones de salida seleccione en Rango de salida, una celda de la hoja de clculo que este en
blanco ( a partir de esta celda sern insertados los resultados
Por ejemplo para el conjunto de datos anterior se tiene:
Datos
Mean
Standard Error
Median
Mode
Standard Deviation
Sample Variance
Kurtosis

40.96
3.21983141
38
34
22.7676462
518.365714
-1.1552822
Pgina 49 de 134

SEIS SIGMA BSICO DMAIC

Skewness
Range
Minimum
Maximum
Sum
Count

0.08139928
77
3
80
2048
50

Para los cuartiles:

Fx Estadsticas Cuartil

Q1 = 22 Q2 = 38 Q3 = 61.25

En Minitab:
Para la obtencin de las estadsticas descriptivas con Minitab las instrucciones son:
Stat > Basic statistics > Display descriptive statistics
Indicar las variables de las cuales se quieren obtener las estadsticas bsicas y la variable
categrica si se desean varios grupos.

Seleccionar las grficas opcionales para los datos: Histograma, diagrama de caja y de puntos.

Pgina 50 de 134

SEIS SIGMA BSICO DMAIC

Seleccionar los estadsticos especficos que se desean obtener (variance, Mode, Interquartilic
range:

Los resultados son:

Descriptive Statistics: Datos
Variable
Datos

N
50

N*
0

Variable
Datos

Q3
62.25

Mean
40.96

SE Mean
3.22

Maximum
80.00

IQR
41.50

StDev
22.77
Mode
34

Variance
518.37
N for
Mode
3

Skewness
0.08

Boxplot of Datos
90
80
70
60

Datos

Minimum
3.00

50
40
30
20
10
0

Pgina 51 de 134

Q1
20.75

Kurtosis
-1.16

Median
38.00

SEIS SIGMA BSICO DMAIC

PRCTICA 3.5. Determinar los cuartiles 1, 2, y 3, el rango intercuartlico, los bigotes superior e
inferior y el diagrama de caja del conjunto de datos siguente:
No.
1
2
3
4
5
6
7
8
9
10

Xi
2.41
3.34
4.04
4.46
8.46
9.15
11.6
12.7
13.2
15.5

No.
11
12
13
14
15
16
17
18
19
20

Xi
17.9
18
18.7
19.9
20.2
20.3
24.2
28.8
30.4
30.6

No.
21
22
23
24
25
26
27
28
29
30

Xi
33.5
33.8
34.6
35.6
35.9
36.1
36.1
36.8
36.9
37.2

Pgina 52 de 134

SEIS SIGMA BSICO DMAIC

Q1
Q2 = mediana
Q3=
RIC
Q1-1.5*RIC
Q3+1.5*RIC
Diagrama de caja.
Diagramas de caja en Minitab:
1. Capture los datos en la hoja de trabajo:
2. Seleccione la opcin: Graph> Boxplot
3. Seleccione la variable C1 de datos y presione clic en OK
4. A continuacin se muestra el diagrama de caja:

Pgina 53 de 134

SEIS SIGMA BSICO DMAIC

Representacin grfica de los datos

Las grficas de barras pueden ser usados para mostrar una variable vs el Tiempo

Las grficas de series de tiempo pueden ser usadas para mostrar la variacin vs el Tiempo e
identificar si se presenta cierta tendencia o estacionalidad
Variable dependiente del tiempo

El corrimiento en las mediciones

Indica que estn presentes variables
dependientes del tiempo
106

Rgimen trmico U-1 CTVM

Kcal/KWh
2654
2651.41

2652

2649.29

2650
2647.22

2648
2646

2644.71

2646.69

2645.77

2644

Rgimen Trmico

2642
2640
2638

2640.00

2641.10

2636
2634
Jul-07 Ago-07 Sep-07 Oct-07 Nov-07 Dic-07 Ene-08 Feb-08

Un histograma tambin sirve para identificar si el comportamiento de una variable es normal (P

value < 0.05):

Pgina 54 de 134

SEIS SIGMA BSICO DMAIC

PRACTICA 3.6. Grficas de series de tiempo con tendencia

Minitab:
1 File > Open worksheet > [Link].
2 Graph > Time Series Plot or Stat > Time Series > Time series plots
3 Simple, click OK.
4 En Series, SalesB.
5 Click Time/Scale.
6 En Time Scale, seleccionar Calendar. Y seleccionar Quarter Year.
7 Para valores iniciales en Quarter, 1. En Year, 2000.
8 Click OK en cada cuadro de dilogo.

Time Series Plot of SalesB

240
220

SalesB

200
180
160
140
120
100
Quarter
Year

Q1
2000

Q2

Q3

Q4

Q1
2001

Q2

Q3

Q4

Q1
2002

Q2

Q3

Q4

Otras graficas:
Con los datos siguientes representar las diferentes grficas:
Mes
Dato
Ene
40
Feb
50
Mar
35
Abr
65
May
27
Jun
85
Jul
46
Ago
33
Sep
20

Pgina 55 de 134

SEIS SIGMA BSICO DMAIC

Grficas de barras
En Minitab: Graph > Bar chart > simple
Categorical variables Mes
Data options > Frequency Dato OK
Chart of Mes
90

Jun

80
70

Abr

Count

60
Feb

50
40

Jul
Ene
Mar

Ago

30

May
Sep

20
10
0

Ene

Feb

Mar

Abr

May
Mes

Jun

Jul

Ago

Sep

Grfica de pastel
En Minitab: Graph > Pie chart > simple
Categorical variables Mes
Data options > Frequency Dato
Labels > Slide labels marcar Category name / Frequency / Percent OK
Pie Chart of Mes

Ago
33, 8.2%

Sep
20, 5.0%

Ene
40, 10.0%

Feb
50, 12.5%
Jul
46, 11.5%

Category
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep

Mar
35, 8.7%

Jun
85, 21.2%

Abr
65, 16.2%
May
27, 6.7%

Pgina 56 de 134

SEIS SIGMA BSICO DMAIC

Grfica de caja
En Minitab: Graph > Box Plot > Simple
Graph variables Dato OK
Boxplot of Dato
90
80
70

Dato

60
50
40
30
20

Carta de tendencias (trend plot)

En Minitab: Stat > Time series > Trend analysis
Variables Dato
Time > Stamp Mes OK
Trend Analysis Plot for Dato
Linear Trend Model
Yt = 52.0 - 1.48333*t

90

Variable
Actual
Fits

80

Accuracy Measures
MAPE
36.860
MAD
14.732
MSD
345.578

Dato

70
60
50
40
30
20
Ene

Feb

Mar

Abr

May
Mes

Jun

Jul

Ago

Pgina 57 de 134

Sep

SEIS SIGMA BSICO DMAIC

Grfica de dispersin:
En Minitab:
File > Open worksheet > Exh_regr.mtw
Graph > Scatterplot > Simple
Y variables Time X variables South OK
Scatterplot of Time vs South
17
16

Time

15
14
13
12
11
10
32

33

34

35

36
37
South

38

39

40

41

PRCTICA 3.6a Con los datos del grupo hacer una grfica de cada una

Distribucin de frecuencias e histogramas

Cuando tenemos una cantidad grande de datos es difcil poder analizarlos, a menos que hagamos
uso de herramientas que nos permitan hacerlo con mayor facilidad y claridad. El histograma es una
de ellas, consiste en un diagrama de barras donde las bases corresponden a los intervalos y las
alturas a las frecuencias. Para construir un histograma es necesario tener un mnimo de 50 a 100
datos. Se tienen las siguientes definiciones:

Distribucin de frecuencias: es un resumen tabular de un conjunto de datos que muestra

el nmero o frecuencia de artculos en cada una de varias clases que no se traslapan.
Frecuencia relativa (f): Es la frecuencia de la clase dividida entre el total n de datos. Se
puede representar en porcentaje.
Distribucin de frecuencias porcentuales: es la representacin de las frecuencias relativas
porcentuales.
Frecuencia acumulada (F): es la acumulacin secuencial de las frecuencias de cada clase.

PRCTICA 3.7 Con las edades del grupo construir un histograma

Pgina 58 de 134

SEIS SIGMA BSICO DMAIC

Edad del grupo

25 29.9 aos
30 34.9 aos
35 39.9 aos
40 44.9 aos
45 49.9 aos
50 en adelante

DATOS NUMERICOS

Escala

50
25- 30- 35- 40- 45- y
29.9 34.9 39.9 44.9 49.9 ms

Pgina 59 de 134

SEIS SIGMA BSICO DMAIC

Ejemplo
Construir un histograma con la siguiente serie de datos:
2.41
3.34
4.04
4.46
8.46
9.15
11.59
12.73
13.18
15.47
16.20
16.49
17.11

17.87
18.03
18.69
19.94
20.20
20.31
24.19
28.75
30.36
30.63
31.21
32.44
32.89

33.51
33.76
34.58
35.58
35.93
36.08
36.14
36.80
36.92
37.23
37.31
37.64
38.29

38.65
39.02
39.64
40.41
40.58
40.64
43.61
44.06
44.52
45.01
45.08
45.10
45.37

45.70
45.91
46.50
47.09
47.21
47.56
47.93
48.02
48.31
48.55
48.62
48.98
49.33

49.36
49.95
50.02
50.10
50.10
50.72
51.40
51.41
51.77
52.43
53.22
54.28
54.71

55.08
55.23
55.56
55.87
56.04
56.29
58.18
59.03
59.37
59.61
59.81
60.27
61.30

62.53
62.78
62.98
63.03
64.12
64.29
65.44
66.18
66.56
67.45
67.87
69.09
69.86

70.37
71.05
71.14
72.46
72.77
74.03
74.10
76.26
76.69
77.91
78.24
79.35
80.32

81.21
82.37
82.79
83.31
85.83
88.67
89.28
89.58
94.07
94.47
94.60
94.74
96.78

Paso 1: Contar el nmero de datos n = 130

Paso 2: Calcular el rango R = Valor mayor Valor menor, R = 96.78-2.41 = 94.37.
Generalmente los datos no estn ordenados por lo cual resulta conveniente ordenarlos de menor
a mayor para tener una mejor visualizacin. En el ejemplo los datos ya han sido previamente
ordenados.
Paso 3: Seleccionar el nmero de columnas, mediante
histograma se compone de 11 columnas

n =

130 11.4 11 . Por lo cual el

Paso 4: Calcular el tamao del intervalo de clase ( C ), dividiendo el rango entre el nmero de
columnas: C =

94.37
8.58 9 , resultando el tamao del intervalo 9.
11

Otra manera de calcular el tamao del intervalo es el siguiente:

Dividir el valor del rango entre un cierto nmero de clases (K). La tabla de abajo es una gua que nos
muestra para diferentes cantidades de datos el nmero recomendado de clases a utilizar.
Nmero de datos (N)
Menos de 50
50 a 100
100 a 250
Ms de 250

Nmero de clases (K)

57
6 10
7 12
10 20

Pgina 60 de 134

SEIS SIGMA BSICO DMAIC

Paso 5: Calcular los limites de clase de cada intervalo: [0-8], [ 9-17], etc., considerando que el
tamao del intervalo representa la diferencia entre dos lmites de clase adyacentes ya sean
inferiores o superiores.
Paso 6: Contar el nmero de valores que caen en cada intervalo utilizando una hoja de registro, de
esta manera se obtiene la frecuencia para cada intervalo.
Tabla 1.
Columna
1

Intervalo

Registro de frecuencias

0 -8

5
IIIII

2
3
4
5
6
7
8
9
10
11

9-17
18-26
27-35
36-44
45-53
54-62
63-71
72-80
81-89
90-98

IIIII
IIIII
IIIII
IIIII
IIIII
IIIII
IIIII
IIIII
IIIII
IIIII

IIII
I
IIIII
IIIII
IIIII
IIIII
IIIII
IIIII
III

I
II
IIIII
IIIII
III

IIIII
III

Paso 7: Basndose en los datos anteriores construya el histograma.

Histogramas en Minitab:
1. Capture los datos en la hoja de trabajo:
2. Seleccione la opcin: Graph> Histogram (simple)
3. Seleccione la variable C1 y presione clic en ok

Pgina 61 de 134

IIIII

III

9
6
11
17
28
18
13
10
8
5

SEIS SIGMA BSICO DMAIC

4. Seleccionado las barras dos veces en Binning se puede cambiar el nmero de celdas
con Number of intervals (6 8)
5. A continuacin se muestra el Histograma:
Histogram of DATOS
40

Frequency

30

20

10

-10

20

50
DATOS

80

110

Prueba de normalidad en Minitab:

1. Capture los datos en la hoja de trabajo:
2. Seleccione la opcin: Stat > Basic statistics
3. Seleccione la variable C1 y presione clic en ok
4. Seleccione la prueba de Anderson Darling si hay ms de 15 datos o Kolmogorov
Smirnov si hay menos de 15 datos
5. A continuacin se muestra la grafica normal, si P value > 0.05 los datos son normales.
Probability Plot of DATOS
Normal

99.9

Mean
StDev
N
AD
P-Value

99

Percent

95
90
80
70
60
50
40
30
20
10
5
1
0.1

30

60
DATOS

90

120

Pgina 62 de 134

50.05
22.50
130
0.380
0.399

SEIS SIGMA BSICO DMAIC

PRCTICA 3.8
Las empresas de generacin de energa elctrica estn interesadas en los hbitos de consumo de
los clientes para obtener pronsticos exactos de las demandas de energa. Una muestra de
consumidores de 90 hogares con calefaccin de gas arroj lo siguiente ([Link]):
BTU.In_1
2.97
4.00
5.20
5.56
5.94
5.98
6.35
6.62
6.72
6.78
6.80
6.85
6.94
7.15
7.16
7.23
7.29
7.62
7.62
7.69

7.73
7.87
7.93
8.00
8.26
8.29
8.37
8.47
8.54
8.58
8.61
8.67
8.69
8.81
9.07
9.27
9.37
9.43
9.52
9.58

9.60
9.76
9.82
9.83
9.83
9.84
9.96
10.04
10.21
10.28
10.28
10.30
10.35
10.36
10.40
10.49
10.50
10.64
10.95
11.09

11.12
11.21
11.29
11.43
11.62
11.70
11.70
12.16
12.19
12.28
12.31
12.62
12.69
12.71
12.91
12.92
13.11
13.38
13.42
13.43

13.47
13.60
13.96
14.24
14.35
15.12
15.24
16.06
16.90
18.26

Realizar un histograma con 8 celdas:

Paso 1: Contar el nmero de datos n =
Paso 2: Calcular el rango R = Valor mayor Valor menor, R =
Generalmente los datos no estn ordenados por lo cual resulta conveniente ordenarlos de menor
a mayor para tener una mejor visualizacin. En el ejemplo los datos ya han sido previamente
ordenados.
Paso 3: Seleccionar el nmero de columnas, considerar 8.
Paso 4: Calcular el tamao del intervalo de clase ( C ), dividiendo el rango entre el nmero de
columnas: C =Rango / 8, resultando el tamao del intervalo = I = .

Pgina 63 de 134

SEIS SIGMA BSICO DMAIC

Paso 5: Calcular los limites de clase de cada intervalo: considerando que el tamao del intervalo
representa la diferencia entre dos lmites de clase adyacentes ya sean inferiores o superiores.
Paso 6: Contar el nmero de valores que caen en cada intervalo utilizando una hoja de registro, de
esta manera se obtiene la frecuencia para cada intervalo.
Columna

Intervalo

Registro de frecuencias cada celda es de cinco |

Frec.

2
3
4
5
6
7
8
9
10
11

9
6
11
17
28
18
13
10
8
5

Histogramas en Minitab:
1. File > Open worksheet > [Link]
2. Seleccione la opcin: Graph> Histogram (simple)
3. Seleccione la variable [Link] y presione clic en ok
4. Seleccionado las barras dos veces en Binning se puede cambiar el nmero de celdas
con Number of intervals 8 OK
5. Obtener el Histograma:

Distribucin normal
Un proceso opera en condiciones normales, si tiene los materiales dentro de especificaciones y del
mismo lote, un mtodo consistente, un medio ambiente adecuado, el operador capacitado, y el
equipo ajustado correctamente, si se toman mediciones en alguna caracterstica del producto,
mostrar un comportamiento normal:
La distribucin normal es una de las distribuciones ms usadas e importantes. Se ha desenvuelto
como una herramienta indispensable en cualquier rama de la ciencia, la industria y el comercio.
Muchos eventos reales y naturales tienen una distribucin de frecuencias cuya forma es muy
parecida a la distribucin normal. La distribucin normal es llamada tambin campana de Gauss por
su forma acampanada.

Pgina 64 de 134

SEIS SIGMA BSICO DMAIC

Cuando se incluyen todos los datos de un proceso o poblacin, sus parmetros se indican con letras
griegas, tales como: promedio o media = (mu), y desviacin estndar (indicador de la dispersin
de los datos) = (sigma).
Para el caso de estadsticos de una muestra se tiene media = X y desv. est.= s.
Propiedades de la distribucin normal estndar

La distribucin normal estndar tiene media = 0 y desviacin estndar =1. La media,

Mediana y Moda coinciden, son iguales y se localizan en el pico.
La desviacin estndar
sigma representa la
distancia de la media al
punto de inflexin de la
curva normal

X
x-3

x-2

x-

x+

x+2

x+3

z
-3

-2

-1

Propiedades de la distribucin normal

El rea bajo la curva o probabilidad de menos infinito a ms infinito vale 1.
La distribucin normal es simtrica, la mitad de curva tiene un rea de 0.5.
La escala horizontal de la curva se mide en desviaciones estndar.
La forma y la posicin de una distribucin normal dependen de los parmetros , ,
Distribution Plot
Normal, Mean=20

0.14

StDev
3
6
12

0.12
0.10

Density

0.08
0.06
0.04
0.02
0.00

-20

-10

LIE

10

20
X

30

40

50

60

LSE

Pgina 65 de 134

SEIS SIGMA BSICO DMAIC

Distribuciones normales con varias desv. estndar

Distribution Plot
Normal

0.14

Mean
5
5
18
18

0.12

Density

0.10

StDev
3
12
3
12

0.08
0.06
0.04
0.02
0.00

-40

-20

20

40

60

LIE
LSE
Distribuciones normales con varias medias y desviaciones estndar
Existe una relacin del porcentaje de probabilidad o rea bajo la curva normal a la desviacin
estndar. En la figura observamos por ejemplo que el rea bajo la curva para 1 tiene un
porcentaje de 68.26%, 2 = 95.46% y 3 99.73% .

-3s -2s -1s

+1s +2s +3s

68.26%
95.46%
99.73%

rea bajo la curva de Distribucin normal

Lo anterior se puede calcular con la Tabla de distribucin normal o con Excel (Fx
=[Link](Z) proporciona el rea desde menos infinito hasta Z).
Se busca el valor de Z y se encuentra el rea bajo la curva.

Pgina 66 de 134

SEIS SIGMA BSICO DMAIC

Ejemplos:

Ejemplo
a) Determinar el rea bajo la curva de menos infinito a Z = - 1 : P(Z<= -1) =
b) Determinar el rea bajo la curva de menos infinito a Z = - 2 : P(Z<= - 2) =
c) Determinar el rea bajo la curva entre Z >= -2. hasta Z <= -1 : P(- 2 <= Z<= -1) =

Ejemplo
a) Determinar el rea bajo la curva de menos infinito a Z = 1 : P(Z <= 1) =
b) Determinar el rea bajo la curva de menos infinito a Z = 2 : P(Z <= 2) =
c) Determinar el rea bajo la curva de menos Z = 1 a Z = 2
P(1 <= Z <= 2) = 0.9772 0.8413 = 0.1369

PRCTICA 3.9 reas bajo la curva normal estndar

a) rea menor a Z1 = -3.1 ms rea mayor a Z2 = 2.9 representando una fraccin defectiva,
expresarla en decimal, ppm y porcentaje:
En Minitab: Calc> Probability Distributions > Normal Input constant (Z) OK (cumulative prob)
Distribution Plot

Normal, Mean=0, StDev=1

0.4

Density

0.3

0.2

0.1

0.0

-2.4

Excel Fx Estadsticas:

0
Z

2.8

= [Link](Z1) +[1 - [Link](Z2) ]

Pgina 67 de 134

SEIS SIGMA BSICO DMAIC

b) rea entre Z1 = -1.4 y Z2= 1.9, expresarla en decimal y porcentaje:
= [Link](Z2) - [Link](Z1)

PRCTICA 3.10:
Qu porcentaje del rea bajo la curva normal estndar o probabilidad est incluido dentro de los
siguientes rangos?
a) P(1.2 <= Z <= 2.2) = P(Z <= 2.2) P(Z <= 1.2) =
b) P(-2.1 <= Z <= -0.4) = P(Z <= - 0.4) P(Z <= -2.1) =
c) P( -1.3 <= Z <= 2.7) = P(Z <= 2.7) P(Z <= -1.3) =
d) P( Z >= 2.4) = P(Z <= -2.4) =
e) P( Z<=-2.9) + P(Z>= 3.1) = P(Z <= -2.9) + P(Z <= -3.1) =
f) P(Z>= 1.9) = P(Z <= -1.9) =
Estandarizacin de valores reales
En la prctica, se tienen valores reales de promedio diferentes de cero y con desviacin estndar
diferentes de uno, para determinar la probabilidad o rea bajo la curva, se determina el nmero de
desviaciones estndar Z entre algn valor X y la media de la poblacin o de la muestra X como
sigue:

XX
s

s se consideran los datos completos del proceso.

s se consideran slo los datos de una muestra.

Ejemplo El departamento de personal de una empresa requiere que los solicitantes a un puesto en
cierta prueba alcancen una calificacin de 500. Si las calificaciones de la prueba se distribuyen
normalmente con media 485 y desviacin estndar 30 Qu porcentaje de los
solicitantes pasar la prueba?
Calculando el valor de Z obtenemos:

Pgina 68 de 134

SEIS SIGMA BSICO DMAIC

= 500 485 0.5

30
Buscamos el valor correspondiente Z en las tablas de distribucin normal estndar o por medio de
Excel =[Link](0.5). Z0.5 = 0.69146 = 69.146%. donde la probabilidad de que la calificacin

sea menor a 500 es P (X <= 500). Dado que el porcentaje pedido es

P( X 500)

la solucin es 1-

0.69146 =0.3085, por tanto slo 30.85% de los participantes pasarn la prueba.
Otra forma es tomando la Z como negativa con P(Z <= -0.5) = 0.3085.
485

30.85%

Z.05

rea bajo la curva de Distribucin normal

Ejemplo Suponga que un proceso tiene una distribucin normal dada tiene una media de 20 y una
desviacin estndar de 4. Calcule la probabilidad de que X sea mayor a 24.
P (X >=24) = 1 P(X <= 24) =
En la barra de herramientas seleccione el icono de funciones fx>Estadsticas>[Link].
OK. El sistema muestra la siguiente ventana, en la cual llenamos los siguientes datos:

Clculo del rea bajo la curva normal sin requerir Z.

El resultado de la frmula = 0.8413. , dado que esta es la probabilidad P(X 24), la probabilidad
buscada es: P(X > 24) = 1 - 0.8413= 0.1587

PRCTICA 3.11 Un proceso tiene un lmite de especificacin inferior de 9 psi. Tiene un promedio
de 10.50 psi una desviacin estndar de 0.5 psi determinar lo siguiente:
a) Fraccin defectiva por debajo de 9 psi.

Pgina 69 de 134

SEIS SIGMA BSICO DMAIC

En Minitab: Calc> Probability Distributions > Normal Input constant (Z)
Mean 10.50 Standar deviation 0.5
OK (cumulative prob)
En Excel = [Link](9, 10.5, 0.5, 1)

b) rea entre 10 y 11 psi, expresarla en decimal y porcentaje:

Excel Fx Estadsticas. En Excel
= [Link](11, 10.5, 0.5, 1) - [Link](10, 10.5, 0.5, 1)
PRCTICA 3.12:
Un producto tiene un peso promedio de 75 Kgs. con una desviacin estndar de 10Kgs.
a) Cul es la probabilidad de que un producto pese ms de 85Kgs.?
b) Cul es la probabilidad de que un producto pese menos de 55Kgs.?
c) Cul es la probabilidad de que el producto pese entre 60 y 80 Kgs.?.
d) Cul es la probabilidad de que el producto pese entre 55 y 70 Kgs.?
e) Cul es la probabilidad de que el producto pese entre 85 y 100Kgs.?

Las cartas de control

Qu es el CEP?

Control Estadstico del Proceso

o Control: Hacer que un proceso se comporte como queramos que se comporte.
o Estadstico: Con la ayuda de nmeros
o Proceso: Medimos y controlamos las caracterstica crticas (CTQs) del proceso
identificadas por los clientes

Sirven para monitorear el proceso, prevenir defectivos y facilitar la mejora. Hay dos tipos
de cartas de control: por atributos (juzga productos como buenos o malos) y por variables
(variables como, temperaturas).

Pgina 70 de 134

SEIS SIGMA BSICO DMAIC

Cartas de control
Lmite
Superior de
Control

12.5
11.5
10.5

Lnea
Central

9.5
8.5

Lmite
Inferior de
Control

7.5
0

10

20

30

Carta de control con sus lmites de control y lnea central

Patrones de variacin en las cartas de control
Las cartas de control detectan la variacin anormal en un proceso, denominadas
causas especiales o causas asignables de variacin.

El patrn normal de un proceso se llama causas de variacin comunes.

El patrn anormal debido a eventos especiales se llama causa especial de variacin.

Tipos de variacin:

Tipos de Variacin
12.5

Lmite
Superior de
Control

11.5

Variacin Causas comunes

10.5
Lnea
Central

9.5
8.5
Lmite
inf. de
especs.

Lmite
sup. de
especs.

Lmite
Inferior de
Control

7.5
0

10

20

30
102

Variacin Causas especiales

Objetivo

Lmite
inf. de
especs.

Lmite
sup. de
especs.

Objetivo

100

Pgina 71 de 134

94

SEIS SIGMA BSICO DMAIC

Patrones de anormalidad
en la carta de control
Escuche la Voz del Proceso
M
E
D
I
D
A
S

Regin de control,
captura la variacin
natural del proceso
original

LSC

C
A
L
I
D
A
D

LIC

Tendencia del proceso (7P)

Causa Especial

Corrida del Proceso (7P)

identifcada

TIEMPO

Propsito de la carta de control

Monitorea la caracterstica clave de calidad del producto (CTQs)
Permite la deteccin de las causas inusuales de variacin entes de que se salga de la
especificacin del producto
Provee el historial y estabilidad del proceso as como la operacin esta trabajando ahora.
Cuando no hay causas especiales presentes, el proceso est trabajando apropiadamente,
es predecible, el proceso puede estar en control
Ejemplo del consumo de Gas
I-MR Chart of Julio
U C L=2671.69

Individual Value

2670
2655

_
X=2644.28

2640
2625

LC L=2616.87
2610
3

12

15
18
O bser vation

21

24

27

30

U C L=33.68

Moving Range

30

20
__
M R=10.31

10

LC L=0
3

12

15
18
O bser vation

21

Pgina 72 de 134

24

27

30

SEIS SIGMA BSICO DMAIC

Rgimen trmico Kcal/KWh

Grfica de Control Rgimen Trmico Kcal/KWh

a Feb-08)
2740
2720
2700
2680
2660
2640
2620
2600
2580
2560
2540
2520
2500

U-1 CTVM (Jul-07

LCS

Promedio

LCI

Diseo de la
Unidad 50%
carga

En este caso:
Para el rgimen trmico el proceso es normal y est en control estadstico
La Unidad 1 de la Central Termoelctrica Valle de Mxico, en el perodo observado (50%
de carga), no est cumpliendo con las especificaciones de diseo del Rgimen Trmico de
2,560 Kcal/KWh.
Se comprueba la definicin del proyecto rea de oportunidad de mejorar la eficiencia
trmica de la Unidad 1 de la CTVM buscando alcanzar los niveles de diseo.

PARA CARTAS DE LECTURAS INDIVIDUALES / RANGO MVIL (I-MR)

Se aplican para un tamao de muestra n =1, para parmetros del proceso (qumicos).
Los rangos mviles se empiezan a calcular a partir de la segunda muestra, tomando la
diferencia entre cada dos valores consecutivos como sigue:

MRi = X i X i 1 .
Ejemplo: Se toman varios datos de viscosidades y se construye una carta de lecturas
individuales, donde el rango se calcula tomando cada dos valores consecutivos, por tanto
el valor de n = 2 y habr (m 1) rangos en total. Con m = nmero de valores individuales.
Por ejemplo:
Valores individuales
12
15
11
14
8
9

Rango
3
4
3
6
1

Pgina 73 de 134

SEIS SIGMA BSICO DMAIC

Al final se hace un promedio de los valores individuales X y un promedio de rangos mviles

R, los lmites de control para la carta I-MR se calculan con las frmulas siguientes:
Para la carta I: LSCx X (2.66 * R )
LICr 0

y para la carta R:

LICx X (2.66 * R )

LSCr 3.27 * R

I-MR Chart of Supp1

1

U C L=601.176

Individual V alue

601

600

_
X=599.548

599

598

LC L=597.920
1

10

20

30

40

50
60
O bser vation

70

80

90

100

M oving Range

2.4
1

U C L=2.000

1.8
1.2

__
M R=0.612

0.6
0.0

LC L=0
1

10

20

30

40

50
60
O bser vation

70

80

90

100

Carta de control I-MR. El proceso no est en control estadstico.

PRCTICA 3.13 Hacer una carta I-MR utilizando las fichas de ejemplo por equipos.

Pgina 74 de 134

RANGOS

FECHA

10

11

12

13

14

L.S.C.x

MAQUINA

15

16

17

L.I.C.x

18

CARACTERSTICA

19

20

21

22

CALIBRADOR

23

L.S.C. R

24

25

T. MUESTRA

26

L.I.C. R

27

28

FRECUENCIA

29

30

TIPO DE EVALUA.

INSTRUCCIONES

% Z Inf.:

CPK:

CONSTANTES

A) Fin de corrida de produccin

B) Falta de material
C) Ajuste de lnea / mquina
D) Cambio de modelo
E) Fin de turno
F) Otro (indicar)

4.- Indique en el ltimo rengln, justo abajo

del subgrupo correspondiente, las causas por
las cuales se deja de graficar de acuerdo a la
frecuencia indicada, si es que se presentan
el caso. Utilice las siguientes claves:

3.- Registre la (s) causa (s) del

comportamiento en la bitcora (al reverso de
la grfica), as como las acciones realizadas
o propuestas para corregir la falla.

2.- Investigue y corrija la causa del

comportamiento. Si no es posible llame a su
supervisor o Ing. de Manufactura.

1.- Encierre en un crculo los patrones

anormales de comportamiento ( puntos fuera
de los lmites de control, tendencias,
adhesiones, etc).

% NC:

% Z Sup.:

Cp. :

3.27

2.67 1.13

L.I.E.

OPERACIN

FECHA DE TERMINO

L.S.E.

REA

FECHA DE INICIO

E2 D2 D3 D4

NOMINAL

No. DE PARTE

No. DE GRAFICA

INICIALES

LECTURAS

UNIDADES

NOMBRE DE PARTE

Pgina 75 de 134

VALORES

HORA

GRAFICA DE CONTROL DE LECTURAS INDIVIDUALES

SEIS SIGMA BSICO DMAIC

SEIS SIGMA BSICO DMAIC

PRACTICA 3.14. Carta de control de lecturas individuales para parmetros del proceso I-MR:
Minitab:
1 File > Open worksheet > Exh_qc.MTW.
2 Stat > Control charts > variable chart for Individuals > I-MR.
3 Variable Weight, click OK.

I-MR Chart of Weight

1050

1 1

Individual Value

U C L=1010.9

1000

_
X=936.9

950
900
850

13

LC L=862.8

17

21
25
O bser vation

29

33

37

41

45

M oving Range

100

U C L=91.0

75
50
__
M R=27.8

25
0

LC L=0
1

13

17

21
25
O bser vation

29

Pgina 76 de 134

33

37

41

45

SEIS SIGMA BSICO DMAIC

Ejemplo del consumo de Gas
I-MR Chart of Julio
U C L=2671.69

Individual Value

2670
2655

_
X=2644.28

2640
2625

LC L=2616.87
2610
3

12

15
18
O bser vation

21

24

27

30

U C L=33.68

Moving Range

30

20
__
M R=10.31

10

LC L=0
3

12

15
18
O bser vation

21

Rgimen trmico Kcal/KWh

Grfica de Control Rgimen Trmico Kcal/KWh

a Feb-08)
2740
2720
2700
2680
2660
2640
2620
2600
2580
2560
2540
2520
2500

24

27

30

U-1 CTVM (Jul-07

LCS

Promedio

LCI

Diseo de la
Unidad 50%
carga

En este caso:
Para el rgimen trmico el proceso es normal y est en control estadstico
La Unidad 1 de la Central Termoelctrica Valle de Mxico, en el perodo observado (50%
de carga), no est cumpliendo con las especificaciones de diseo del Rgimen Trmico de
2,560 Kcal/KWh.
Se comprueba la definicin del proyecto rea de oportunidad de mejorar la eficiencia
trmica de la Unidad 1 de la CTVM buscando alcanzar los niveles de diseo.

Pgina 77 de 134

SEIS SIGMA BSICO DMAIC

CARTAS DE CONTROL DE MEDIAS-RANGOS (X-R)

Para elaborar la carta, inicialmente se toman al menos 25 subgrupos con muestras de cinco
valores cada cierto periodo (por ejemplo cada hora).
Ejemplo: Se toman varios datos y se construye una carta de medias rangos con m =
subgrupos, donde el rango se calcula tomando el valor mayor menos el valor menor del
subgrupo, con n = 5.
Por ejemplo:
Variables
X1
X2
X3
X4
X5
Media
Rango

Subgrupo 1
2
4
3
5
1
09:00 a.m.
3
4

Subgrupo 2
5
3
6
7
4
10:00 a.m.
5
4

Subgrupo
m
3
4
1
5
2
11:00 a.m.
3
4

Se obtiene una media de medias X y un rango promedio R, para proceder a determinar los
lmites de control como sigue:

LSC = X + 0.577x R
LIC = X - 0.577x R

Para el caso de los rangos, la lnea central es R . los lmites de control para el rango son:
LSC = 2.114x R
LIC = 0

Se identifican situaciones fuera de control, se investigan las causas y se toman acciones

preventivas para prevenir la reincidencia y se recalculan los lmites de control futuros.

Pgina 78 de 134

SEIS SIGMA BSICO DMAIC

Xbar-R Chart of Supp2
1

Sample M ean

U C L=602.474
602
_
_
X=600.23

600

598

LC L=597.986
2

10
Sample

12

14

16

18

20

U C L=8.225

Sample Range

8
6

_
R=3.890

4
2
0

LC L=0
2

10
Sample

12

14

16

18

20

Carta de control X-R fuera de control

Despus de identificar las causas de las situaciones fuera de control en los subgrupos 2 y 14
y tomando acciones preventivas para evitar la reincidencia, se eliminan los subgrupos fuera
de control y se recalculan los lmites de control.
Xbar-R Chart of Supp2
U C L=602.247

Sample M ean

602
601

_
_
X=599.938

600
599
598

LC L=597.629
2

10
Sample

12

14

16

18

U C L=8.465

Sample Range

8
6

_
R=4.003

4
2
0

LC L=0
2

10
Sample

12

14

16

18

Carta de control de medias rangos X-R estable

PRCTICA 3.15 Hacer una carta X-R utilizando las fichas de ejemplo por equipos.

Pgina 79 de 134

PROMEDIOS

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

INSTRUCCIONES

CAUSAS DE NO
REGISTRO

% Z Inf.:

CPK:

A2

D4

D3

B4

2.33 2.09

2.06 2.27

1.70 2.57

1.13 3.27

d2

CONSTANTES

A) Fin de corrida de
produccin
B) Falta de material
C) Ajuste de lnea / mquina
D) Cambio de modelo
E) Fin de turno
F) Otro (indicar)

B3

4.- Indique en el ltimo

rengln, justo abajo del
subgrupo correspondiente, las
causas por las cuales se deja
de graficar de acuerdo a la
frecuencia indicada, si es que
se presentan el caso. Utilice
las siguientes claves:

3.- Registre la (s) causa (s)

del comportamiento en la
bitcora (al reverso de la
grfica), as como las
acciones realizadas o
propuestas para corregir la
falla.

2.- Investigue y corrija la

causa del comportamiento. Si
no es posible llame a su
supervisor o Ing. de
Manufactura.

1.- Encierre en un crculo los

patrones anormales de
comportamiento ( puntos fuera
de los lmites de control,
tendencias, adhesiones, etc).

% NC:

% Z Sup.:

Cp. :

5 0.58 2.11

L.I.C. R

TIPO DE EVALUACIN

5
SUMA

L.S.C. R

FRECUENCIA

4 0.73 2.28

MUESTRA

L.I.C.x

CALIBRADOR

3 1.02 2.57

L.S.C.x

CARACTERSTICA

MAQUINA

2 1.88 3.27

L.I.E.

OPERACIN

FECHA DE TERMINO

L.S.E.

REA

FECHA DE INICIO

NOMINAL

No. DE PARTE

No. DE GRAFICA

INICIALES

FECHA
LECTURAS

Pgina 80 de 134

RANGOS

UNIDADES

NOMBRE DE PARTE

HORA

GRAFICA DE CONTROL DE PROMEDIOS Y RANGOS

SEIS SIGMA BSICO DMAIC

SEIS SIGMA BSICO DMAIC

PRACTICA 3.16. Carta de control de medias rangos para valores del proceso X-R:
Minitab:
1 File > Open worksheet > Exh_qc.MTW.
2 Stat > Control charts > variable chart for Subgroups > I-MR.
3. Variable Weight
4. Subgroup size 5, click OK.

Capacidad del proceso

Mide y cuantifica el desempeo del proceso y productos para cumplir con las
especificaciones (tanto Cp y Cpk)
Identifica reas que requieren atencin y mejora
Ayuda a construir un plan de accin soportado por datos
Proporciona una mtrica comn para comparar procesos o desempeo del producto entre
departamentos y plantas
Identifica oportunidades de mejora para eliminar Muda
Establece la lnea base

Pgina 81 de 134

SEIS SIGMA BSICO DMAIC

Teora del camin y el tnel

El tnel tiene 9' de ancho (especificacin). El camin tiene 10 y el chofer es perfecto
(variacin del proceso). Pasara el camin? NO, la variabilidad del proceso es mayor
que la especificacin.
Centrar es hacer que el promedio del proceso sea igual al centro de la
especificacin. Si el camin tiene 8 pies de ancho pasar el camin?, Si. Si
el chofer puede mantener el centro del camin en el centro del tnel. De otra forma
chocar con las paredes del tnel y no pasar a pesar de ser ms angosto.
El proceso debe estar en control, tener capacidad y estar centrado

Ancho 9
Nigels Trucking Co.

Qu es la capacidad del proceso?

La capacidad del proceso indica que tan bien una mtrica se esta desempeando vs los estndares
establecidos. Se asume que el proceso de la mtrica o parmetro es estable, permite predecir la
probabilidad de que el valor de la mtrica est fuera de los estndares establecidos.
Especificaciones superior e inferior

Fuera de
especs.

Slo especificacin superior

LSE

LSE

LIE
Dentro de
especs.
de
especs.

Fuera de
especs.

Fuera de
especs.

Dentro de
especs.

120

La capacidad potencial (Cp) es funcin de que tan disperso est el proceso,

independientemente del centrado

Pgina 82 de 134

SEIS SIGMA BSICO DMAIC

La capacidad real (Cpk) es una funcin de que tanto est centrada el proceso y de su
dispersin

Ahorros simplemente centrando el

proceso, sin cambiar la variabilidad

Ahorros al reducir la variacin y centrar el

proceso, eliminando desperdicio

Pgina 83 de 134

SEIS SIGMA BSICO DMAIC

PRACTICA 3.17 Capacidad del proceso con base en carta de control de Medias Rangos X-R para
variables del proceso:
Minitab:
1 File > Open worksheet > Exh_qc.MTW.
2 Stat > Quality tools > Capability analysis > Normal
3 Single column > Weight, Subgroup size 5,
4 Lower Spec 800 Upper Spec 1100
5 Estimate seleccionar Rbar OK.

49
Process Capability of Weight
LSL

USL

Process Data
LSL
800
Target
*
USL
1100
Sample Mean 936.889
Sample N
45
StDev (Within) 31.5277
StDev (O v erall) 45.8045

Within
Overall
Potential (Within) C apability
Cp
1.59
C PL 1.45
C PU 1.72
C pk 1.45
O v erall C apability

El proceso es capaz
de cumplir especificaciones
Su Cpk es mayor a 1.33
Con 7 ppm

Pp
PPL
PPU
Ppk
C pm

800
O bserv ed Performance
PPM < LSL 0.00
PPM > USL 0.00
PPM Total 0.00

850

900

Exp. Within Performance

PPM < LSL 7.06
PPM > USL 0.11
PPM Total 7.18

Pgina 84 de 134

950

1000

1050

Exp. O v erall Performance

PPM < LSL 1401.55
PPM > USL 184.70
PPM Total 1586.25

1100

1.09
1.00
1.19
1.00
*

SEIS SIGMA BSICO DMAIC

Mtricas Seis Sigma

Motorola not que muchas operaciones en productos complejos tendan a desplazarse 1.5
sobre el tiempo, por tanto un proceso de 6 a la larga tendr 4.5 hacia uno de los lmites
de especificacin, generando 3.4 DPMOs (defectos por milln de oportunidades)

Corrimiento de 1.5 sigmas

Por qu usar una mtrica Sigma del proceso?

Indicador ms sensible que el porcentaje
Se enfoca a los defectos
o Siempre que un defecto refleje una falla a los ojos de los clientes
Las mtricas comunes hacen las comparaciones ms fciles
o Por ejemplo, cul de los siguientes procesos se comporta mejor?
En Excel : =[Link](Rendimiento) + 1.5

PRACTICA 3.18 Encontrar las sigmas para el 70%, 85%, 65%

Pgina 85 de 134

SEIS SIGMA BSICO DMAIC

Anlisis del sistema de medicin

Variacin del sistema de medicin

Un error significante puede ser introducido en la medicin de un proceso por medio del sistema de
medicin
El proceso puede estar en control estadstico pero no as el sistema de medicin y puede introducir
una variacin inaceptable

Posibles fuentes de variacin

Variacin del proceso

Variacin
proceso,
real
Variacin
deldel
proceso,
real

Variacin de la medicin

Variacin
originada
Equipo
de
medicin
por el calibrador

Variacin dentro de la
muestra

Repetibilidad

Estabilidad

Reproducibilidad

Linealidad

Sesgo

Calibracin
Errores de medicin

Repetibilidad
o La variacin en las mediciones obtenidas con un instrumento de medicin cuando es
usado muchas veces por un evaluador mientras mide una caracterstica idntica de la
misma parte
Patrn

Valores
medidos

Pgina 86 de 134

SEIS SIGMA BSICO DMAIC

Reproducibilidad
o La variacin en la medicin obtenida con un instrumento de medicin cuando es
usado por varios evaluadores mientras miden una caracterstica idntica de la misma
parte.

Diferencia entre
operadores
Reproducibilidad

Minitab:
File > Open worksheet > [Link]
Stat > quality tools > Gage study > Gage R&R study (crossed)
Seleccionar Part_numbers Operator Response mediciones
Options: Study variation 5.15 (99% de area bajo la curva)
Process tolerance: Upper lower 20
OK
Estudio de R&R Anlisis de resultados

Gage R&R Study - XBar/R Method

Source
Total Gage R&R
Repeatability
Reproducibility
Part-To-Part
Total Variation

VarComp
0.0000001
0.0000001
0.0000000
0.0000001
0.0000001

%Contribution
(of VarComp)
41.00
40.52
0.48
59.00
100.00

% Error R&R debe ser menor

Al 10% ya sea para control del
Proceso o para producto final.
Repetibilidad Instrumento
Reproducibilidad - Operador

Study Var %Study Var %Tolerance

Source
StdDev (SD) (5.15 * SD)
(%SV) (SV/Toler)
Total Gage R&R
0.0002476
0.0012750
64.03
21.25
Repeatability
0.0002461
0.0012675
63.65
21.12
Reproducibility
0.0000269
0.0001384
6.95
2.31
Part-To-Part
0.0002970
0.0015295
76.81
25.49
Total Variation
0.0003867
0.0019913
100.00
33.19
Number of Distinct Categories = 1

Nmero mnimo 4
111

Pgina 87 de 134

SEIS SIGMA BSICO DMAIC

El error de R&R vs tolerancia es 64.03% y vs variacin total del proceso es 21.25% lo que
hace que el equipo de medicin no sea adecuado para la medicin.
Por otro lado el nmero de categoras es slo de 1 cuando debe ser al menos 4 indicando
que el instrumento discrimina las diversas partes diferentes.

Gage R&R (Xbar/R) for Datos

G age name:
D ate of study :

La grfica R se mantiene en control indicando

que las mediciones se realizaron en forma adecuada.
La grfica X barra slo presenta 5 de 30 puntos fuera
by : ser al menos el 50%, indicando
de control, Reported
debera
T olerance:
M isc: no discrimina las diferentes partes.
que el equipo

Components of Variation
80

Datos by Partes
% Contribution

0.006

Percent

% Study Var
% Tole rance

40

0.005
0.004

Gage R&R

Repeat

Reprod

Part-to-Part

R Chart by Operadores

Sample Range

0.006

0.0005

_
R=0.000417

0.005

0.0000

LCL=0

10

2
Operadores

Operadores * Partes Interaction

O peradores

UCL=0.005143
_
X=0.004717

0.0045
LCL=0.004290

Average

Sample Mean

0.0050

0.004

Xbar Chart by Operadores

1

5
6
Partes

Datos by Operadores
UCL=0.001073

0.0010

0.0050

2
3

0.0045
0.0040

0.0040

P10

Pgina 88 de 134

5
6
Partes

10

SEIS SIGMA BSICO DMAIC

IV. Seis Sigma - Fase de Anlisis

Propsitos:
Establecer hiptesis sobre las posibles Causas Raz (Xs que afectan a Y)
Refinar, rechazar, o confirmar la Causa Raz
Seleccionar las Causas Raz ms importantes (Las pocas Xs vitals)
Salidas:

Causas raz validadas

Factores de variabilidad identificados

Generacin de Causas potenciales

Tormenta de ideas

Tormenta de ideas es un mtodo de generacin de muchas ideas rpidas

o Fomenta la creatividad
o Involucra a todos
o Genera energa
o Separa personas de las
Ideas que sugieren
Usos en la fase de anlisis
o Use la tormenta de ideas para generar muchas causas potenciales del problema
definido en la fase de medicin
Use 5 Ws para encontrar las causas raz
Pregunta clave

Los 5 Por qus

Para sacar las causas raz, empieza con el enfoque del problema y empieza a preguntar Por qu?
Cinco veces

Diagrama de causa-efecto (ishikawa)

El diagrama Causa y efecto es usado cando se tienen el problema enfocado para

identificar todas las causas potenciales del problema.
Un diagrama causa y efecto proveer:
o Un camino fcil para identificar todas las causas posibles
o Una vista organizada de todas las posibles causas
o Entendimiento de las relaciones entre las posibles causas
o Diferenciar entre las causas raz y las causas percibidas

Pgina 89 de 134

SEIS SIGMA BSICO DMAIC

Muestra la relacin entre una caracterstica de calidad y los factores de influencia, para
encontrar las causas posibles. Se usa la lluvia de ideas, debe hacerse sin juicios previos y
respetando las opiniones.

Tcnica para generar ideas creativas cuando la mejor solucin no es obvia.

Reunir a un equipo de trabajo (4 a 10 miembros) en un lugar adecuado
El problema a analizar debe estar siempre visible
Generar y registrar en el diagrama de Ishikawa un gran nmero de ideas, sin
juzgarlas, ni criticarlas
Motivar a que todos participen con la misma oportunidad

El diagrama causa-efecto, tambin llamado espina de pescado por la semejanza de su forma,

tambin es conocido por diagrama de Ishikawa.

Es utilizado para explorar e identificar todas las causas posibles y relaciones de un problema
(efecto) o de una condicin especfica en las caractersticas de un proceso.
DIFICULTAD / IMPACTO
Difcil de implementar

Bajo impacto

Alto impacto

Fcil de implementar

Pgina 90 de 134

SEIS SIGMA BSICO DMAIC

Diagrama de Causa Efecto en Minitab
1. Llenar las columnas C1 a C5 con las diferentes causas correspondientes a los conceptos de
Personal, Mquinas, Materiales, Mtodos, Mediciones y Medio ambiente.
2. Seleccione: Stat>Quality Tools>Cause and Effect Diagram
3. Introducir los datos en la pantalla de entrada, indicando el problema en Effect y aceptar con
OK.
AMBIENTE
MATLS.
PERSONAL
MTODO
MAQUINAS
Polvo
Forma
Salud
Ajuste
Mantto.
Vibraciones Dureza
Habilidad
Velocidad
Deformacin
Humedad
Almacn
Humor
Abrasin
Temperatura
Herramental
FORMA
Dimetro
Curvatura

ALMACN
Tiempo
Ambiente

HABILIDAD
HUMOR
Seleccin
Horas
Formacin Moral
Experiencia Cansancio

Cause-and-Effect Diagram
Measurements

Material

P olv o

Personnel

F orma

S alud

V ibraciones
Dureza

Habilidad

Humedad
Temperatura

A lmacn

Humor

Problema de
soldadura
Herramental
V elocidad

A brasin
Deformacin

A juste

M antto.

Methods

Machines

PRCTICA 4.1 Realizar un Diagrama de Causa Efecto para las causas potenciales de un problema
de mantenimiento.

Pgina 91 de 134

SEIS SIGMA BSICO DMAIC

Diagrama de relaciones Interrelationship diagraph (I.D.)

Diagramas de relaciones relaciona los hechos e ideas para tener un proceso creativo de solucin
de problemas que eventualmente indique causas clave. Los pasos son:

Desarrollar aprox. 50 conceptos del problema (post its)

Colocar en forma aleatoria los conceptos

Diagrama de relaciones

Relacionar los conceptos con flechas causa efecto

Se requieren varias revisiones al diagrama por los miembros del equipo

El equipo llega a un consenso sobre los conceptos sobre los que necesita trabajar

Causa raz = ms flechas de salida; Resultado= ms flechas de llegada

PRCTICA 4.2 Hacer un diagrama de relaciones sobre un asunto especfico de inters

Pgina 92 de 134

SEIS SIGMA BSICO DMAIC

Diagrama de rbol o diagrama sistemtico

Es un mtodo sistemtico para delinear todos los detalles requeridos para completar un objetivo
dado.

Puede usarse para desarrollar los elementos de un nuevo producto

Mostrar las relaciones de un proceso
Crear ideas para solucionar un problema y
Pasos para implementacin de Proyectos

Los pasos para organizar el diagrama de rbol son (utilizando Post Its):
Identificar el objetivo a lograr
Determinar el segundo nivel de medios que deberan lograr el objetivo, o cmo se puede
lograr el porqu de la tarjeta a la izquierda
Definir varios niveles de cuestionamientos sobre cmo lograr el objetivo, hasta llegar a un nivel
final
Despus de terminar el diagrama, confirmar que todos los medios orientan hacia un objetivo
exitoso
Se pueden utilizar las causas para realizar un diagrama de causa efecto o de afinidad

Cmo preparar un diagrama sistemtico

Para resolver un problema, necesita hacer un plan para eliminar los factores que impiden la
solucin del mismo. Presentamos un procedimiento para crear un diagrama sistemtico de
desarrollo de planes.
Meta

Medio
Meta

Medio
Meta

Primer
nivel

Segundo
nivel

Medio
Tercer
nivel
Medios

Cuarto
nivel
Medios

Medios
Medios
o planes
Meta u
objetivo

Medios
o planes

PRCTICA 4.3 Hacer un diagrama de rbol sobre un asunto especfico de inters

Pgina 93 de 134

SEIS SIGMA BSICO DMAIC

Ejemplos de diagramas de causa efecto y comprobacin de causas raz:

Tratamiento de agua

Generador de vapor

Insumos
% fuga de aire

Productos qumicos

Economizador

Temp. gases salida

Temp. de agua entrada

Temperatura

Agua negra tratada

Agua

Poder Calorfico

PH
Calidad de agua

Precalentador

Gas

Agua de pozo
Calidad de agua
Agua de enfriamiento

Azufre Humedad

Conductividad

Flujo, presin, temp. atemp

Sobrecalentador
Flujo, presin,
temp. Atemp.

Recalentador

Exceso O2
Compuertas
auxiliares

Gas a quemadores

Suciedad
Flujo, presin

Inclinacin de
quemadores

Slice

Entrada de
aire
Suciedad

Amperaje y nmero de
ventiladores

Torre de enfriamiento

Cargas
Trmica

Nivel de pileta

Gasto y presin
de agua

Temp.
Agua fra

Presin diferencial filtros

Presin de descarga

Temperatura
ambiente

Eficiencia
Huelgos de alabes

Presin diferencial

Bombas circulacin agua

Turbina, API, PI y BP

Vacio del condensador

Huelgos

Factor de planta

Calidad de mantenimiento
Apertura de alabes

Suciedad

Volumen de energa
elctrica entregada

Turbina

Auxiliares principales

Calidad de vapor,
temperatura,
presin

Comprobacin de causas con DOE

#
Exp

%
O2

C.A.
N1

C.A.
N2

C.A.
N3

C.A.
N4

Inclinacin Temperatura
Quemadores
Vapor

0.8

20

20

20

20

-30

537

0.8

20

20

40

40

542

0.8

40

40

20

20

542

0.8

40

40

40

40

-30

537

1.2

20

40

20

40

-30

542

1.2

20

40

40

20

537

1.2

40

20

20

40

537

1.2

40

20

40

20

-30

542

Pgina 94 de 134

Orden de
Experimentacin

Precio competitivo
Rgimen Trmico
Kcal/Kw h

SEIS SIGMA BSICO DMAIC

Los niveles de operacin recomendados son:
Factor

Condicin

Inclinacin de quemadores

Porcentaje de exceso de O2

1.2

Compuertas auxiliares N2

40

Compuertas auxiliares N3

40

Compuertas auxiliares N1

40

Compuertas auxiliares N4

40

Temperatura de vapor

542

Otro Ejemplo:

Se elabora un diagrama de relacin para identificar relaciones entre causas potenciales e

identificar la causa raz:

Pgina 95 de 134

SEIS SIGMA BSICO DMAIC

Diagrama de Dispersin
El diagrama de dispersin es una tcnica estadstica utilizada para estudiar la relacin entre dos
variables. Por ejemplo, entre dos parmetros o variables del proceso.
La variable del eje horizontal x normalmente es la variable causa, y la variable del eje vertical y es la
variable efecto.
La relacin entre dos variables puede ser: positiva o negativa. Si es positiva, significa que un
aumento en la variable causa x provocar una aumento en la variable efecto y y si es negativa
significa que una disminucin en la variable x provocar una disminucin en la variable y.
Por otro lado se puede observar que los puntos en un diagrama de dispersin pueden estar muy
cerca de la lnea recta que los atraviesa, o muy dispersos o alejados con respecto a la misma. El
ndice que se utiliza para medir ese grado de cercana de los puntos con respecto a la lnea recta es
el ndice de correlacin r. En total existen cinco grados de correlacin: positiva evidente (r = 1),
positiva, negativa evidente (r = -1), negativa y nula (r = 0).

Correlacin Negativa
Evidente
25

20

20

15

15

10

Correlacin Positiva
Evidente
25

5
0

10

15

20

Sin Correlacin

0
25

10

0
0

10

25

15

20

25

20
15

25

Correlacin
Positiva

10

0
0

20

10

15

20

25

25

20

15

15

10

Correlacin
Negativa

10
5

0
0

10

15

20

25

10

15

20

25

La correlacin se utiliza para cuantificar el grado en que una variable influye en el comportamiento
de otra. Por ejemplo si se encuentra que la variable presin tiene una correlacin positiva con el
rendimiento de una caldera, se deben buscar soluciones al problema mediante acciones asociadas
con la variable presin; de lo contrario, sera necesario buscar la solucin por otro lado.

Pgina 96 de 134

SEIS SIGMA BSICO DMAIC

Correlacin: es una
medida de que tanto
estn dos variables
correlacionadas

Regresin: Es la
ecuacin matemtica
que describe la relacin

La regresin puede tomar varias formas

Ejemplo: Se sospecha que el tiempo requerido para hacer un mantenimiento preventivo est
relacionado con su nmero. Calcular el coeficiente de correlacin y graficar. Los datos de tiempo
tomados para n = 25 servicios se muestran a continuacin:
X
Servicios
1.2
0.8
1
1.3

Y
Tiempo
101
92
110
120

Xmedia
0.94
0.94
0.94
0.94

(Xi-Xmedia)

0.26
-0.14
0.06
0.36

(Xi-X)^2 Ymedia
0.0676
95.9
0.0196
95.9
0.0036
95.9
0.1296
95.9

Pgina 97 de 134

(Yi-Ymedia)

5.10
-3.90
14.10
24.10

(Yi-Y)^2
(Xi-X)*(Yi-Y)
26.0100
1.3260
15.2100
0.5460
198.8100
0.8460
580.8100
8.6760

SEIS SIGMA BSICO DMAIC

0.7
0.8
1
0.6
0.9
1.1
9.4

90
82
93
75
91
105
959

0.94
0.94
0.94
0.94
0.94
0.94

-0.24
-0.14
0.06
-0.34
-0.04
0.16

0.0576
0.0196
0.0036
0.1156
0.0016
0.0256
0.44

95.9
95.9
95.9
95.9
95.9
95.9

S(Xi-X)^2

Suma
Suma
Xmedia Ymedia
0.94
95.9

-5.90
-13.90
-2.90
-20.90
-4.90
9.10

34.8100
1.4160
193.2100
1.9460
8.4100
-0.1740
436.8100
7.1060
24.0100
0.1960
82.8100
1.4560
1,600.90
23.34
S(Yi-Y)^2 S(Xi-X)*(Yi-Y)
Syy = SST
Sxy

Sxx
Syy

Si todos los puntos estuvieran completamente sobre la recta la ecuacin lineal sera
y = a + bx. Como la correlacin no siempre es perfecta, se calculan a y b de tal forma que se minimice
la distancia total entre puntos y la recta. Los clculos tomando las sumas de cuadrados siguientes
se muestran a continuacin:
Xmedia =
Ymedia =
Sxy =
Sxx =
Syy =

0.94
95.9
2027.71
698.56
6105.94

Las ecuaciones para el clculo manual son las siguientes:

( Xi X )(Yi Y ) S = 2027.71 / 698.56 = 2.9027

S
( Xi X )
Y X Y X = 95.9 -2.9027* 0.94= 5.1145

b1 1

XY

XX

b0 0

Por tanto la ecuacin de regresin es: Y = 5.1145 + 2.907*Xi

La suma de cuadrados del error para determinar el coeficiente de correlacin es:

Sxy
Sxx * Syy

r = 6105.94 / raz(698.56*6105.94) = 0.981812

r=
r^2 =

0.981812
0.963954

Pgina 98 de 134

Sxy

SEIS SIGMA BSICO DMAIC

El coeficiente de determinacin r^2 indica el porcentaje de la variacin total que es explicada por la
regresin.

r r 2 = 0.9818
El coeficiente de correlacin r = 0.98 por lo cual tenemos suficiente evidencia estadstica para
afirmar que el tiempo de atencin est relacionado con el nmero de servicios atendidos.
USO DE EXCEL Y MINITAB
USO DE EXCEL
1. En el men Herramientas seleccione la opcin Anlisis de datos. Datos de ejemplo anterior.
2. Seleccione la opcin Regresin.
3. Seleccione el rango de entrada, estos corresponden a los datos numricos de la tabla.
4. Seleccione Resumen de estadsticas.
5. En opciones de salida seleccione en Rango de salida, una celda de la hoja de clculo que este en
blanco ( a partir de est celda sern insertados los resultados).
Resumen
Estadsticas de la regresin
Coeficiente de correlacin
mltiple
0.981811778
Coeficiente de
determinacin R^2
0.963954368
R^2 ajustado
0.962387167
Error tpico
3.093419627
ANLISIS DE VARIANZA

Suma de
Grados de
libertad

Regresin
Residuos
Total

Intercepcin (bo)
XServicios (b1)
Observaciones

1
23
24
Coeficientes
5.114515575
2.902704421

Promedio de

Cuadrados
5885.852069
220.0926348
6105.944704

Valor crtico de
cuadrados
F
F
5885.852069 615.0800898
4.24118E-18
9.569244992
Significativa
Si es < 0.05

Error tpico
Estadstico t Probabilidad
Inferior 95%
1.145804127 4.463691004 0.000177215
2.744239161
0.117040719 24.80080825 4.24118E-18 2.660587249
25

Pgina 99 de 134

SEIS SIGMA BSICO DMAIC

X Servicios Curva de regresin ajustada

80.00
70.00

Y Tiempo

60.00

Y Tiempo

50.00
Pronstico Y Tiempo

40.00
30.00

Lineal (Pronstico Y
Tiempo)

20.00
10.00
0.00
0

10

15

20

25

X Servicios

En la grfica observamos que al aumentar el nmero de servicios el tiempo de atencin aumenta.

USO DE MINITAB
Para determinar la funcin de regresin y correlacin en Minitab se siguen los pasos siguientes
(despus de cargar los datos correspondientes a X y a Y en las columnas C1 y C2):

Stat >Regresin > Regression ... Indicar la columna de Respuestas Y y la de Predictores X y

aceptar con OK. Observar el valor del coeficiente de correlacin y de determinacin.
Regression Analysis: Y Tiempo versus X Servicios
The regression equation is Y Tiempo = 5.11 + 2.90 X Servicios
Predictor
Coef SE Coef
T
P
Constant
5.115
1.146
4.46
0.000
X Servicios 2.9027
0.1170
24.80
0.000
S = 3.09342

R-Sq = 96.4%

R-Sq(adj) = 96.2%

Analysis of Variance
Source
DF
SS
MS
F
P
Regression
1 5885.9 5885.9 615.08 0.000
Residual Error 23
220.1
9.6
Total
24 6105.9
Unusual Observations
Obs X Servicios Y Tiempo Fit SE Fit Residual St Resid
9
9.0
24.350 31.239 0.625
-6.889
-2.27R
17
20.0
69.000 63.169 1.509
5.831
2.16R
R denotes an observation with a large standardized residual.
Para obtener la lnea de mejor ajuste de la regresin, se procede como sigue en Minitab:

Pgina 100 de 134

SEIS SIGMA BSICO DMAIC

Stat > Regression > Fitted Line Plot ... Indicar la columna de Respuestas Y y la de predictores X,
seleccionar si se quiere ajustar con los datos con una lnea, una funcin cuadrtica o cbica y aceptar
con OK. Observar el mayor valor del coeficiente de correlacin que indica el mejor ajuste.
Fitted Line Plot

Y Tiempo = 5.115 + 2.903 X Servicios

70

S
R-Sq
R-Sq(adj)

60

3.09342
96.4%
96.2%

Y Tiempo

50
40
30
20
10
0
0

10
X Servicios

15

20

PRCTICA 4.4 Realizar el Diagrama de Dispersin entre las variables X = presin y Y =

temperatura.
X
1.2
0.8
1
1.3
0.7
0.8
1
0.6
0.9
1.1

Y
101
92
110
120
90
82
93
75
91
105

Xmedia

(Xi-Xmedia)

(Xi-X)^2

Ymedia

Suma

(Yi-Y)^2

(Xi-X)*(Yi-Y)

Suma
S(Xi-X)^2

Suma
Suma
Xmedia Ymedia

(Yi-Ymedia)

S(Yi-Y)^2

Syy = SST

Sxx
Syy

Obtener la ecuacin de regresin a partir de y = a + bx.

Xmedia =
Ymedia =

Pgina 101 de 134

Sxy
S(Xi-X)*(Yi-Y)
Sxy

SEIS SIGMA BSICO DMAIC

Sxy =
Sxx =
Syy =
Las ecuaciones para el clculo manual son las siguientes:

b1 1

S XY
=
S XX

b0 0 Y 1 X =
Por tanto la ecuacin de regresin es: Y =
La suma de cuadrados del error para determinar el coeficiente de correlacin es:

Sxy

Sxx * Syy

R^2 =
r=
r^2 =
Hacer el diagrama de dispersin, dibujar la recta de regresin que mejor ajuste a los puntos e
identificar en la misma el punto donde corta el eje Y (bo) y su pendiente aproximada b1 (Intervalo
de Y / Intervalo de X):

Fitted Line Plot

Y = 46.49 + 52.57 X
S
R-Sq
R-Sq(adj)

120

6.83715
76.6%
73.7%

110

100

90

80

70
0.6

0.7

0.8

0.9

1.0

1.1

1.2

1.3

Conclusiones:

Con Minitab se puede obtener una regresin lineal como la siguiente:

Pgina 102 de 134

SEIS SIGMA BSICO DMAIC

PRCTICA 4.5 Correlacin y regresin en Minitab

La presin vs la temperatura se muestra continuacin para un da en especial:

o Seleccionar Stat > Regression > Fitted line plot
o Response (Y) presin Predictor (X) Temp Linear OK

Presin

Temp
1.2

101

0.8

92

1.0

110

1.3

120

0.7

90

0.8

82

1.0

93

0.6

75

0.7

85

1.1

96

0.9

91
Fitted Line Plot

Presin = - 0.4972 + 0.01504 Temp

1.4

S
R-Sq
R-Sq(adj)

1.3

0.122070
73.0%
70.0%

1.2

Presin

1.1
1.0
0.9
0.8
0.7
0.6
70

80

90

100

110

120

Temp

La R-sq (R cuadrada) indica si la correlacin es lo suficientemente fuerte para predecir al relacin

entre dos variables R-sq de 80% o ms es una buena correlacin. Tratar de extrapolar ms all de
los datos es riesgoso:
En Minitab
Stat > Basic statistics > Correlation Variables Presion Temp OK
Correlations: Presin, Temp
Pearson correlation of Presin and Temp = 0.854
P-Value = 0.001 La correlacion es significativa si P es menor a
0.05

Pgina 103 de 134

SEIS SIGMA BSICO DMAIC

FASE DE ANLISIS

QFD

Diagrama de
relaciones
Diagrama de
Ishikawa
Diagrama
de rbol

Diagrama
Causa Efecto

Definicin
Y=X1 + X2+. .Xn
CTQs = Ys
Operatividad

Medicin Y,
X1, X2, Xn

Anlisis del Modo y Efecto de

Falla (AMEF)

X's
Causas
potenciales

Pruebas
de
hiptesis
Diagrama
de Flujo
del
proceso

X's vitales
No

Causa
Raz?

Si

Causas raz
validadas

Anlisis del modo y efecto de falla (FMEA)

El Anlisis Efecto Modo Falla es una metodologa para evaluar un sistema, diseo, proceso o
servicio y mquinas, las posibles maneras en las que pueda fallar, los problemas, errores, fallas,
riesgos que puedan ocurrir.

El AMEF o FMEA ( Failure Mode and Effect Analisis) es una tcnica de prevencin, utilizada para
detectar por anticipado los posibles modos de falla, con el fin de establecer los controles adecuados
que eviten la ocurrencia de defectos.

Identificar los modos de falla potenciales, y calificar la severidad de su efecto.

Evaluar objetivamente la ocurrencia de causas y la habilidad de los controles para detectar la
causa cuando ocurre.
Clasifica el orden potencial de deficiencias de producto y proceso.
Se enfoca hacia la prevencin y eliminacin de problemas del producto y proceso

Existen tres componentes que ayudas a priorizar las fallas o problemas:

Pgina 104 de 134

SEIS SIGMA BSICO DMAIC

Ocurrencia (O): Frecuencia de la falla.

Severidad (S): Los efectos de la falla.

Detencin (D: Es la habilidad para detectar la falla antes de que llegue al cliente.

El resultado de un AMEF es:

Una lista de modos de falla potencial calificados por un RPN.

Una lista de caractersticas crticas y/o significativas potenciales.

Una lista de acciones recomendadas dirigidas a las caractersticas crticas o significativas

potenciales.

Una lista de eliminacin de causas de modo de falla potenciales, reduccin de la

ocurrencia, mejora de la deteccin de defectos.

Ejemplo del uso del AMEF en Mantenimiento:

Ejemplo del uso del AMEF en Mantenimiento:

Pgina 105 de 134

SEIS SIGMA BSICO DMAIC

Efecto

Peligroso
sin aviso

Criterio: Severidad del Efecto

Nota: CDTS = Confiabilidad, Disponibilidad, Tasa de temperatura, o
Salida.
El cliente puede ser el dueo del proceso
Puede poner en peligro al operador o la operacin segura de la planta
o involucra un no cumplimiento ambiental. La falla puede ocurrir sin
aviso.

Rango

10

Peligros
con aviso

Puede poner en peligro al operador o la operacin segura de la planta

o involucra un no cumplimiento ambiental. La falla puede ocurrir con
aviso.

Muy alto

Interrupcin mayor de las operaciones de la planta, tiempo muerto

mayor a 24horas o impacto en CTDS. Posible dao al equipo. Sistemas
principales de la planta inoperable o prdida de la funcin primaria.
Cliente muy insatisfecho.

Alto

Interrupcin de las operaciones de la planta. Tiemp muerto menor a

24 horas o impacto en CTDS. Cliente insatisfecho.
Interrupcin menor de las operaciones de la planta. Impacto en CTDS.
La planta es operacional con algunos sistemas fuera de operacin. El
cliente experimenta insatisfaccin.

Bajo

Interrupcin menor de las operaciones de la planta. Impacto en CTDS.

La planta es operacional con algunos operando a nivel reducido de
desempeo. El cliente experimenta algo de insatisfaccin.

Muy bajo

Interrupcin menor a las operaciones de la planta. El CDTS es

ligeramente impactado, la interrupcin es notada por la mayora de los
clientes.

Menor

Interrupcin menor a las operaciones de la planta. El CDTS puede ser

impactado, es notado por los clientes promedio

Mu
pequeo

Interrupcin menor a las operaciones de la planta. El CDTS no es

impactado, la interrupcin es notada por los clientes exigentes

Ninguno

Sin efecto

Moderado

Pgina 106 de 134

SEIS SIGMA BSICO DMAIC

Tasas posibles de falla

Ocurrencia
Muy alta: La falla es casi enevitable

>= 1 en 3 Hrs
1 en 8 Hrs

Alta: asociado con procesos similares a

procesos previos que han fallado
frecuentemente

1 en 24 Hrs

Moderada: asociado con procesos similares

a procesos previos que han tenido fallas
ocasionales, pero no en mayores
proporciones
Bajo: Fallas aisladas asociadas con procesos
similares
Muy bajo: Solo fallas aisladas asociadas con
procesos casi idnticos
Remoto: Falla rara. No se han observado
fallas asociadas con procesos casi idnticos

1 en 167 Hrs

Deteccin

Casi
imposible
Muy
remoto
Remoto
Muy bajo
Bajo
Moderado
Moderada
mente alto
Alto
Mu alto
Casi
certeza

1 en 72 Hrs

Ranking

10
9
8
7

1 en 4380 Hrs

6
5
4

1 en 8,760 Hrs

1 en 17,520 Hrs

<= 1 en 43,800 Hrs

1 en 720 Hrs

Criterio: Posibilidad de detectar la existencia de una falla o defecto

con los controles del proceso antes de que se produzca un impacto
operacional de planta
No hay controles disponibles para detectar los modos de falla
Posibilidad muy remota de que los controles actuales detecten el
modo de falla
Posibilidad remota de que los controles actuales detecten el modo de
falla
Posibilidad muy baja de que los controles actuales detecten el modo
de falla
Posibilidad baja de que los controles actuales detecten el modo de
falla
Posibilidad moderada de que los controles actuales detecten el modo
de falla
Posibilidad moderadamente alta de que los controles actuales
detecten el modo de falla
Posibilidad alta de que los controles actuales detecten el modo de
falla
Posibilidad muy alta de que los controles actuales detecten el modo
de falla
Certeza de que los controles actuales detecten el modo de falla. Los
controles de deteccin son conocidos en procesos similares.

PRCTICA 4.6 Desarrollar un AMEF de mquina o de proceso real

Pgina 107 de 134

Rango

10
9
8
7
6
5
4
3
2
1

SEIS SIGMA BSICO DMAIC

Pgina 108 de 134

SEIS SIGMA BSICO DMAIC

Pruebas de Hiptesis

Por qu usar la Prueba de Hiptesis?

Se usa para probar si dos grupos son realmente diferentes (estadsticamente significativo)
o si la diferencia es debida a la variacin natural
o El primer turno se desarrolla mejor que el segundo turno?

Para realizar la prueba se deben comprender las hiptesis:

La hiptesis nula
o H0= No hay diferencia entre los grupos
La hiptesis alternativa
o Ha= los grupos son diferentes
La hiptesis nula, o por omisin, establece siempre que no hay diferencia entre los grupos.
P-Value: Si P 0.05, se rechaza la H0 y se acepta la Ha ( los grupos son diferentes)
Tipos de pruebas de hiptesis
Prueba de hiptesis

Propsito

Prueba t 1 muestra

Compara una media muestral a la

media histrica u objetivo

Prueba t dos muestras

Compara las medias de dos

grupos independientes

Prueba Z 1 muestra

Compara una media muestral a la

media poblacional u objetivo

ANOVA (Prueba F)

Compara dos o ms medias de

grupos

Prueba de igualdad de varianzas

Compara dos o ms varianzas de

grupos

ANOM

Compara dos o ms medias de

grupos a la media general de
todos los grupos

Prueba Chi Cuadrada

Compara dos o ms proporciones

de grupos

Pgina 109 de 134

SEIS SIGMA BSICO DMAIC

PRCTICA 4.7 Prueba de Hiptesis

Se evalan los tiempos de accin para dos formulaciones desincrustantes qumicas, interesa la
comparacin de las medias de los tiempos para tomar decisiones, probar a un 95% de nivel de
confianza si una formulacin tarda menos que la otra (en caso de que P value <= 0):
Form_1 Form_2
650

540

810

610

570

730

660

490

820

550

820

460

670

590

590

640

750

720

700

690

A un 95% de nivel de confianza (alfa es 5% o 0.05),

Realizar una prueba de igualdad de varianzas y sacar conclusiones
Minitab: Ho: Varianza form_1 = Varianza form_2 Ha: son diferentes
Stat > Basic statistics >2- Variances OK
Seleccionar Samples in different columns First Form_1 Second Form_2
OK
Identificar el valor P en la prueba F, si es menor a 0.05 se rechaza Ho y son diferentes
Como el valor P 0.

es

que 0.05,

Se concluye que Las varianzas son

Realizar una prueba de igualdad de medias y sacar conclusiones

Minitab: Ho: Media form_1 = Media form_2 Ha: son diferentes
Stat > Basic statistics >2- Samples t
Seleccionar Samples in different columns First Form_1 Second Form_2
Seleccionar Assume equal variances
Options: Conf. Level 95 Test Difference 0.0 Alternative Not equal

Pgina 110 de 134

SEIS SIGMA BSICO DMAIC

Grpahs: Box plots OK OK
Como el valor P 0.025

es menor

que 0.05, o el cero NO est en el IC (14.5, 189.5)

Se concluye que Las medias de las formulaciones son diferentes ( La form_1 es mayor)

Con una prueba de anlisis de varianza en Minintab (ANOVA Unstacked), tambin se pueden
probar las medias:
Minitab: Ho: Media form_1 = Media form_2 Ha: son diferentes
Stat > ANOVA >One Way (Unstacked)
Response in separate columns Seleccionar Form_1 Form_2
Confidence Level 95%
Comparisons Seleccionar Tukey 5%
Como el valor P

es menor

que 0.05, o el cero NO est en el IC

Se concluye que Las medias de las formulaciones son

Para cada causa probable , el equipo deber por medio del diagrama 5Ws 1H:

Llevar a cabo una tormenta de ideas para verificar la causa.

Seleccionar la manera que: represente la causa de forma efectiva, y sea fcil y rpida de
aplicar.
qu?

por qu?

cmo?

cundo
?

dnde
?

quin?

1
Tacogenerador
de motor
embobinador

1.1 Por variacin de

voltaje durante el
ciclo de cambio

1.1.1 Tomar dimensiones de ensamble entre

coples.
1.1.2 Verificar estado actual y
especificaciones de escobillas.
1.1.3 tomar valores de voltaje de salida
durante el ciclo de cambio.

Abril 04

1804
Embob.

J. R.

2 Sensor
circular y de
velocidad de
linea.

2.1 Por que nos

genera una varin en
la seal de referencia
hacia el control de
velocidad del motor
embobinador

2.1.1 Tomar dimensiones de la distancia

entre poleas y sensores.
2.1.2 Tomar valores de voltaje de salida de
los sensores.
2.1.3 Verificar estado de rodamientos de
poleas.

Abril 04

1804
Embob.

U. P.

3 Ejes
principales de
transmisin.

3.1 Por vibracin

excesiva durante el
ciclo de cambio

3.1.1 Tomar lecturas de vibracin en

alojamientos de rodamientos
3.1.2 Comparar valores de vibraciones con
lecturas anteriores.
3.1.3 Analizar valor lecturas de vibracin
tomadas.

Abril04

1804
Embob.

F. F.

4 Poleas de
transmisin de
ejes
embobinadores
.

4.1 Puede generar

vibracin excesiva
durante el ciclo de
cambio.

4.1.1 Verificar alineacin, entre poleas de

ejes principales y polea de transmisin del
motor.
4.1.2 Tomar dimensiones de poleas(dientes
de transmisin).
4.1.3 Tomar dimensiones de bandas (dientes
de transmisin)
4.1.4 Verificar valor de tensin de bandas.

Abril04

1804
Embob.

J. R.
U. P.

Pgina 111 de 134

SEIS SIGMA BSICO DMAIC

Resumen de la validacin de las causas

# de
Causa
1
2

3
4

5
6

Resultados

Causas

Causa
Raz

Ensamble de ojillos, bloques y

contrapesos no adecuados en
aspas.

SI ES CAUSA RAIZ

Amortiguadores daados.

SI ES CAUSA RAIZ

Desgaste de bujes en los

carretes.

NO ES CAUSA RAIZ

Fabricacin y reemplazo de
ejes y poleas no adecuados en
ensamble de aspas.
Desalineamiento de poleas y
bandas de transmisin de
aspas.
Mtodo de Balanceo no
adecuado.

Desalineacin de pinolas en
cuna.

NO ES CAUSA RAIZ

SI ES CAUSA RAIZ

SI ES CAUSA RAIZ

NO ES CAUSA RAIZ

Pgina 112 de 134

SEIS SIGMA BSICO DMAIC

VI. Seis Sigma - Fase de Mejora

Propsito:
o Desarrollar, probar e implementar soluciones que atiendan a las causas raz
Salidas
o Acciones planeadas y probadas que eliminen o reduzcan el impacto de las causas raz
identificadas
o Comparaciones de la situacin antes y despus para identificar la dimensin de la
mejora, comparar los resultados planeados (meta) contra lo alcanzado

FASE DE MEJORA
Causas
raz
Diseo de
experimentos
Ideas

Optimizacin

Efecto de X's
en las Y =
CTQs

Tcnicas de
creatividad
Tormenta de
ideas
Metodologa
TRIZ

Generacin de soluciones

Evaluacin de soluciones
(Fact., ventajas, desventajas)

No

Solucin
factible?
Si

Implementacin de
soluciones y verificacin
de su efectivdad

Soluciones
verificadas

Diseo de Experimentos

El cambiar un factor a un tiempo presenta las desventajas siguientes:

o Se requieren demasiados experimentos para el estudio
o No se puede encontrar la combinacin ptima de variables
o No se puede determinar la interaccin
o Se puede llegar a conclusiones errneas
o Se puede perder tiempo en analizar las variables equivocadas

Qu es un diseo de experimentos?
Pgina 113 de 134

SEIS SIGMA BSICO DMAIC

Cambios deliberados y sistemticos de las variables de entrada (factores) para observar los
cambios correspondientes en la salida (respuesta).

Entradas

Salidas (Y)

Proceso

Diseo de experimentos
Factores conocidos no controlados
w1 w2 w3 w4

E
N
T
R
A
D
A
S

...

ws

y1

x1

x2
..
.

PROCESO

xa
Factores
de control
con niveles
(xs)

S
A
L
I
ym
D
A
Variables de
respuesta (ys) S
(CTQs)

y2
..
.

z1 z2 z3 z4 . . . zn
Factores desconocidos

147

Pasos del DOE:

Establecer objetivos
Seleccionar variables del proceso
Seleccionar un diseo experimental
Ejecutar el diseo
Verificar que los datos sean consistentes con los supuestos experimentales
Analizar e interpretar los resultados
Usar / presentar los resultados

Diseo factorial 2K

Los diseos factoriales completos:

Pgina 114 de 134

SEIS SIGMA BSICO DMAIC

o
o
o
o
o
o

Prueba todas las combinaciones de condiciones de los factores

Son fciles de seguir por su patrn repetitivo
Producen informacin de los efectos factoriales de 4 o ms veces la que produce
un factor a la vez
Pueden identificar y ayudar a comprender las interacciones entre factores
Son fciles de analizar
Pueden cuantificar las relaciones entre las Xs y las Ys producen una ecuacin

Factorial completo incluye todas las combinaciones posibles, para 3 factores con 2 niveles,
hay 2x2x2 = 8 combinaciones. 2 x 2 x 2 es escrito 23. El 3 indica el nmero de 2s
multiplicados juntos.
Para 3 factores hay 23 = 8 posibles combinaciones de factores
Las interacciones son importantes el efecto del factor A depende del factor B y C

DOE Grficas de efectos principales

La grfica de efectos principales es una forma eficiente de ver
los cambios en el promedio de La respuesta (Y) con cada factor

Pgina 115 de 134

SEIS SIGMA BSICO DMAIC

Main Effects Plot (data means) for Res

-1

-1

90

Res

88

86

84

82
A

Efecto significativo

Efecto NO significativo

DOE grficas de interacciones

Interaction Plot (data means) for Res
A
-1
1

Mean

90

85

80

-1

Interaccin significativa

Nota: No es significativo
Cuando las lneas son
Casi paralelas

El factor A y el B indican interaccin significativa, dadas las diferentes pendientes de las lneas
rectas que unen sus niveles.

Tipos comunes de Diseo de experimentos

Diseo fraccional de dos niveles de filtraje

o Se usa para identificar las pocas Xs desde muchos factores potenciales
Diseos factoriales completos o fraccionales 2K de alta resolucin :
o Usado para ayudar a un equipo a entender cmo actan los factores principales
juntos para influir en la respuesta
Diseo robusto o Diseos de Taguchi
o Usado para estudiar el efecto de los factores no solo en el promedio sino en la
variacin de la respuesta Y
Metodologa de superficie de respuesta
o Usado para determinar los ajustes ptimos para factores principales

Pgina 116 de 134

SEIS SIGMA BSICO DMAIC

Operacin Evolutiva (EVOP)

o Se usa para experimentar en un proceso mientras esta en lnea. Si los cambios
en los niveles de factores se hacen dentro de los lmites de especificacin,
siempre se cumple con los requerimientos de los clientes
Diseo de experimentos de Mezclas
o Se usa para optimizar los porcentaje de ingredientes en una mezcla qumica

Diseos de experimentos de Taguchi

Objetivo: obtener la mayor cantidad de informacin con un mnimo de corridas de
experimentacin industrial, cambiando los niveles de varios factores a la vez .

Dar prioridad a los factores principales, ya que las interacciones son difciles de manejar y
por eso deben de considerarse como factores de ruido.
Las interacciones a probar deben de ser conocidas altamente probables. Si las
interacciones altamente significativas no son incluidas, se generar una confusin
Se deben de analizar los datos mediante la razn seal a ruido, detectando con ello las
combinaciones de los factores de control que generan un proceso robusto.

PRACTICA 6.1. Diseo de experimentos de Taguchi

El experimento se dise utilizando Arreglos Ortogonales.
Los factores seleccionados con sus niveles son:
Niveles
Factores

N1

N2

Porcentaje de exceso de O2

0.8

1.2

Compuertas auxiliares N1

20

40

Compuertas auxiliares N2

20

40

Compuertas auxiliares N3

20

40

Compuertas auxiliares N4

20

40

Inclinacin de quemadores

-30

Temperatura Vapor SC. a

Turbina

537

542

Figura 3.4.2 Tabla de factores de experimentacin con sus niveles

El Arreglo Ortogonal seleccionado fue el L8 2^7
La asignacin de los factores al arreglo y el orden (aleatorio) de experimentacin es el siguiente:
Pgina 117 de 134

SEIS SIGMA BSICO DMAIC

Figura [Link].2 Tabla del arreglo ortogonal

Sustituyendo niveles reales no codificados, el arreglo queda como:

#
Exp

%
C.A. C.A. C.A. C.A.
Inclinacin
Temperatura
O2
N1
N2
N3
N4
Quemadores
Vapor
1
2
3
4
5
6
7
1
0.8
20
20
20
20
-30
537
2
0.8
20
20
40
40
0
542
3
0.8
40
40
20
20
0
542
4
0.8
40
40
40
40
-30
537
5
1.2
20
40
20
40
-30
542
6
1.2
20
40
40
20
0
537
7
1.2
40
20
20
40
0
537
8
1.2
40
20
40
20
-30
542
Figura 3.4.3 Arreglo ortogonal con orden de experimentacin

Orden de
Experimentacin
2
5
6
8
1
4
3
7

Paso 1. Para darlo de alta en Minitab, se copia la tabla de los factores nicamente, o sea:
% O2
0.8
0.8
0.8
0.8
1.2
1.2
1.2
1.2

Inclinacin
Temperatura
C.A. N1 C.A. N2 C.A. N3 C.A. N4 Quemadores Vapor
20
20
20
20
-30
537
20
20
40
40
0
542
40
40
20
20
0
542
40
40
40
40
-30
537
20
40
20
40
-30
542
20
40
40
20
0
537
40
20
20
40
0
537
40
20
40
20
-30
542

Pgina 118 de 134

SEIS SIGMA BSICO DMAIC

Paso 2. Se ejecuta la siguiente instruccin en Minitab:

Paso 3. Posteriormente se corren los 8 experimentos en el orden aleatorio 2, 5, 6, 8, 1, 4, 3 y 7

para minimizar el error experimental y se obtienen los resultados. Esta columna de resultados se
introduce a Minitab como sigue:
FACTORES PARA EXPERIMENTACION

% O2

C.A. N1

C.A. N2

C.A. N3

C.A. N4

Inclinacin
Quemadores

Temperatura
Vapor

Resultados

0.8
1

20
1

20
1

20
1

20
1

-30
1

537
1

2668.02

0.8
1

20
1

20
1

40
2

40
2

0
2

542
2

2600.72

0.8
1

40
2

40
2

20
1

20
1

0
2

542
2

2612.76

0.8
1

40
2

40
2

40
2

40
2

-30
1

537
1

2640.88

1.2
2

20
1

40
2

20
1

40
2

-30
1

542
2

2627.36

1.2
2

20
1

40
2

40
2

20
1

0
2

537
1

2583.98

1.2
2

40
2

20
1

20
1

40
2

0
2

537
2

2591.12

1.2
2

40
2

20
1

40
2

20
1

-30
1

542
1

2628.82

Media Global

Resultados

2600.72
2612.76
2640.88
2627.36
2583.98
2591.12

2619.21

Pgina 119 de 134

2668.02

2628.82

SEIS SIGMA BSICO DMAIC

Paso 4. Ahora se analiza el diseo con:

Seleccionar la respuesta Resultados

En Analysis seleccionar en Fit linear model for Signal to noise ratios y means
En Options seleccionar Smaller is Better ya que se busca minimizar la respuesta

Pgina 120 de 134

SEIS SIGMA BSICO DMAIC

Paso 5. Las grficas obtenidas de Relacin Seal a Ruido son las siguientes:
Main Effects Plot for SN ratios
Data Means

% O2

C .A . N 1

C .A . N 2

-68.30
-68.35

Mean of SN ratios

-68.40
0.8

1.2

20

C .A . N 3

40

20

C .A . N 4

40

Inclinacin Q uemadores

-68.30
-68.35
-68.40
20

40

20

40

-30

Temperatura V apor
-68.30
-68.35
-68.40
537

542

Signal-to-noise: Smaller is better

En esta se seleccionan los niveles que proporcionen la mayor S/N (%O2 = 1.2 y Inclinacin
quemador = 0).
Y para las medias coinciden los mismos niveles que para S/N:
Main Effects Plot for Means
Data Means

% O2

C .A . N 1

C .A . N 2

2640
2620

Mean of Means

2600
0.8

1.2

20

C .A . N 3

40
C .A . N 4

20

40

Inclinacin Q uemadores

2640
2620
2600
20

40

20

40

-30

Temperatura V apor
2640
2620
2600
537

542

Pgina 121 de 134

SEIS SIGMA BSICO DMAIC

Paso 6. En resumen se pueden sugerir los niveles siguientes para los factores, con objeto de
minimizar el consumo de combustible:
Los niveles de operacin recomendados se muestran en la siguiente tabla:

Factor

Condicin

Inclinacin de quemadores
Porcentaje de exceso de O2
Compuertas auxiliares N2
Compuertas auxiliares N3
Compuertas auxiliares N1
Compuertas auxiliares N4
Temperatura de vapor

0
1.2
40
40
40
40
542

Figura [Link] Tabla de los parmetros recomendados

Paso 7. Con los coeficientes de prediccin anteriores se establece la prediccin de la respuesta

esperada:
Ecuacin de prediccin
Estimated Model Coefficients for Means
Term
Coef
Constant
2619.21
% O2 0.8
11.39
C.A. N1 20
0.81
C.A. N2 20
2.96
C.A. N3 20
5.61
C.A. N4 20
4.19
Inclinac -30
22.06
Temperat 537
1.79

opt y ( A2 y ) ( B2 y ) (C2 y ) ( D2 y ) ( E2 y ) ( F2 y ) (G2 y )

mopt = 2619.21 + (2607.82 - 2619.21) + (2618.4 - 2619.21) + (2616.25- 2619.21) + (2613.6 -2619.21) + (2615
- 2619.21) + (2597.15 - 2619.21) + (2617.42 - 2619.21)
mopt = 2570.4

Pgina 122 de 134

SEIS SIGMA BSICO DMAIC

Paso 8. Usar lo siguiente para la

Prediccin de resultados:

Se seleccionan UNCODED values todos en nivel alto (2)

Pgina 123 de 134

SEIS SIGMA BSICO DMAIC

La prediccin obtenida es la siguiente:

Predicted values
S/N Ratio
-68.2022

Mean

2570.40

Factor levels for predictions

% O2
1.2

C.A.
N1
40

C.A.
N2
40

C.A.
N3
40

C.A.
N4
40

Inclinacin
Quemadores
0

Temperatura
Vapor
542

Tcnicas de creatividad
SCAMPER

Sustituir, Combinar, Adaptar, Modificar o ampliar, Poner en otros usos, Eliminar, Revertir o
re arreglar
Involucrar al cliente en el desarrollo del producto
qu procedimiento podemos sustituir por el actual?
cmo podemos combinar la entrada del cliente?
Qu podemos adaptar o copiar de alguien ms?
Cmo podemos modificar nuestro proceso actual?
Qu podemos ampliar en nuestro proceso actual?
Cmo puede apoyarnos el cliente en otras reas?
Qu podemos eliminar en la forma de inv. Del cliente?
qu arreglos podemos hacer al mtodo actual?

Pgina 124 de 134

SEIS SIGMA BSICO DMAIC

Lista de atributos
Dividir el problema en partes. Por ejemplo para una linterna
Componente

Atributo

Ideas

Cuerpo

Plstico

Metal

Interruptor

Encendido/Apagado

Encendido/Apagado
/luminosidad media

Batera

Corriente

Recargable

Bombillo

de Vidrio

Plstico

Peso

Pesado

Liviano

Anlisis morfolgico
Conexiones morfolgicas forzadas

Ejemplo: Mejora de un bolgrafo

Tapa

Fuente de
Tinta

De
mltiples
Metal
caras

Tapa pegada

Sin repuesto

Cuadrado

Sin Tapa

Permanente

En forma de
Madera
cuentas

Retrctil

Repuesto
papel

En forma de
Papel
escultura

Tapa
desechable

Repuesto
hecho de tinta

Cilindrico

Material

Vidrio

de

Los Seis Sombreros de pensamiento

Dejemos los argumentos y propuestas y miremos los

datos y las cifras.
Exponer una intuicin sin tener que justificarla

Juicio, lgica y cautela

Mirar adelante hacia los resultados de una accin

propuesta

Interesante, estmulos y cambios

Visin global y del control del proceso

162

Pgina 125 de 134

SEIS SIGMA BSICO DMAIC

TRIZ Solucin creativa de problemas

Hay tres grupos de mtodos para resolver problemas tcnicos:

o Varios trucos (con referencia a una tcnica)
o Mtodos basados en utilizar los fenmenos y efectos fsicos (cambiando el estado de
las propiedades fsicas de las substancias)
o Mtodos complejos (combinacin de trucos y fsica)

Las 40 herramientas de TRIZ

Implantacin de soluciones

!!!! HACERLO !!!!

Verificando mejoras
Una vez que las mejoras han sido identificadas e implementadas, los resultados deben ser
verificados usando datos del estado anterior y del estado posterior de la implementacin.
Prueba de hiptesis
o Prueba t 2 muestras
o Prueba de igualdad de varianzas

Pgina 126 de 134

SEIS SIGMA BSICO DMAIC

o Prueba de 2 proporciones
Cartas de control estratificadas
Sigma de Proceso
Capacidad del Proceso
Diagrama de Pareto

Prueba de igualdad de varianzas

Prueba de igualdad de medias

PRACTICA 6.2. Cartas de control estratificadas

Las cartas de control pueden ser estratificadas para mostrar procesos de control para
diferentes factores

Pgina 127 de 134

SEIS SIGMA BSICO DMAIC

Capacidad del proceso y sigmas del proceso

La capacidad del Proceso y las Sigmas del Proceso pueden ser recalculados para verificar
mejoras:

Diagrama de Pareto

Diagrama de Pareto del antes y despus puede ser usada para mostrar las mejoras

Pgina 128 de 134

SEIS SIGMA BSICO DMAIC

Verificacin de soluciones

QFD

FASE DE ANLISIS

Diagrama de
relaciones
Diagrama de
Ishikawa
Diagrama
de rbol

Diagrama
Causa Efecto

Definicin
Y=X1 + X2+. .Xn
CTQs = Ys
Operatividad

Medicin Y,
X1, X2, Xn
X's
Causas
potenciales

Anlisis del Modo y Efecto de

Falla (AMEF)

Pruebas
de
hiptesis
Diagrama
de Flujo
del
proceso

X's vitales
No

Causa
Raz?

Si

Causas raz
validadas

Pgina 129 de 134

SEIS SIGMA BSICO DMAIC

VII. Seis Sigma Fase de control

Objetivos:
Mantener las mejoras por medio de control estadstico de procesos, Poka Yokes y trabajo
estandarizado
Anticipar mejoras futuras y preservar las lecciones aprendidas de este esfuerzo
Salidas:
Plan de control y mtodos de control implementados
Capacitacin en los nuevos mtodos
Documentacin completa y comunicacin de resultados, lecciones aprendidas y
recomendaciones

Pgina 130 de 134

SEIS SIGMA BSICO DMAIC

Prevencin de la reincidencia

Controles automticos
Ayudas visuales / Poka Yokes
Procedimientos de operacin estndar
Especificaciones
Capacitacin

CONTROLES
AUTOMATICOS

AYUDAS
VISUALES
POKA - YOKE

PROCEDIMIENTOS
DE OPERACIN
ESTANDAR

ESPECIFICACIONES

Las

5 Ss para ahorro de espacio y tiempo

Serie, Seiton, Seiso, Seiketsu, Shitsuke

TPM
Mantenimiento productivo total
(Total Productive Maintenance)
Para la mejora continua de la operacin del equipo y sistemas a travs de las
actividades de mantenimiento proactivo, incluye los mantenimientos:
Preventivo, correctivo planeado, autnomo, predictivo, preventivo del mantenimiento
y orientado a la confiabilidad (RCM)
Es costoso?

Pgina 131 de 134

SEIS SIGMA BSICO DMAIC

Controles visuales

Siempre que sea posible tratar de encontrar los sistemas visuales para mantener los
cambios
Ejemplos de controles visuales
o Pegar mtricas (diagramas de Pareto, semforos, cartas de tendencia)
o Contenedores de colores con cdigo
o Poner niveles min / mx.
o Ubicacin de materiales/ herramientas (5S)
Los sistemas visuales hacen mucho ms fcil determinar el camino correcto para hacer o
identificar algo cuando algo est fuera de lugar.

Tipos de controles visuales

Informacin de seguridad y salud
Identificacin de personas, lugares y cosas
Procedimientos de trabajo y mtodos
Estndares de Calidad, instrucciones, resultados
Visibilidad del status
Visibilidad del problema
Programacin
Comunicacin
Ejemplos de controles visuales
Pizarrones
Luces de status
Seales de inventario
Contenedores Retornables
Pizarrones con mtricas

Pgina 132 de 134

SEIS SIGMA BSICO DMAIC

Poka Yokes Tipos

Poka Yokes son dispositivos o mtodos que hacen un proceso A prueba de error o A
prueba de equivocaciones, principalmente ante errores humanos

DISPOSITIVOS DE PREVENCIN & DISPOSITIVOS DE DETECCIN

Ejemplo de horno de microondas

DETECCIN
La computadora
suena cuando se
introduce un
comando no
vlido pero no
evita que el
usuario ejecute
un comando
errneo

PREVENCIN
La computadora no
permite que se
introduzcan ciertos
caracteres en
campos especficos
(v. gr. No nmeros)

Procedimientos, documentacin y capacitacin

Procedimientos
Los Procedimientos deben ser escrito para documentar los procesos cambiados y deben
ser:
o Fciles de entender
Considere a la audiencia
o Visuales
Una imagen es mejor que mil palabras
o Completo (No se salte pasos)
No asuma o de por obvio nada
o Revisado por otros para su claridad
Es correcto reproducir el proceso ( repetido por varias personas)?
Capacitacin
La capacitacin debe ser siempre parte del proyecto
Cuando vaya a capacitar considere:
o los capacitados pueden demostrar el proceso correcto?
o No asuma que todo mundo entiende a la primera?

Pgina 133 de 134

SEIS SIGMA BSICO DMAIC

Monitoreo del proceso

Cartas de control
Se usan frecuentemente como herramienta de control
Muestran la historia de cmo se desempea el proceso, es claro ver cuando algo cambia
Establece las expectativas de desempeo del proceso
Herramienta til para la toma de decisiones de los operadores
o Ajustes en el proceso
o Problemas de Material
o Problemas de maquinaria
Gua para OLPC
Ejemplos de aplicacin de DMAIC en CFE
Reduccin del TIUT (DMAIC)
Reduccin de tiempo de conexin (DMAIC)
Mejora de la seguridad operativa (DFSS)
Reduccin del factor de potencia (DMAIC)
Reduccin de errores de facturacin (DMAIC)
Mejora de la compactacin presas (DMAIC)
Reduccin de tiempo de mantenimiento en turbinas de gas (DMAIC)
Reduccin de inventarios en almacenes (DMAIC)

Lecciones aprendidas

Es uno de los ltimos pasos en el anlisis post mortem (tambin llamado lecciones
aprendidas, evaluacin post proyecto).
Es una revisin formal y crtica documentada realizada por un comit de personal
calificado, se incluyen todas las fases del desarrollo del proyecto

Pgina 134 de 134