Seis Sigma

Herramientas y Estadística
Básica para la Mejora de
los Procesos
(Incluyendo Consejos para Usar
Minitab)

1
 Contenido
Página
•Seis Sigma 3
•Mapa del Proceso 6
•Espina de Pescado 7
•Matriz Causa & Efecto 8
•FMEA 9
•Distribuiciones Estadísticas 11
•Histograma 13
•Medidas de centralización ( media, mediana, moda ) 15
•Medidas de dispersión ( Rango, Desviación Estandar y Varianza) 15
•Analisis del sistema de medición (MAS) 18
•Normalidad de la distribuición 35
•Capacidad ( Variables) 37
•Capacidad ( Atributos ) 42
•Diagrama de dispersión 49
•Box-Plot 51
•Pareto 54
•Prueba de Hipótesis ( medias y desviación estandar ) 57
•ANOVA ( Análisis de Varianza ) 64
•Análisis de Regresión 65
•Regresión Multiple 67
•Prueba Chi-Cuadrado 73
•Diseño de Experimentos 76
•Control Estadístico del Proceso ( SPC ) 81
•Diagramas y Checklists para la elaboraçión de un Proyeto 88
•Bibliografía 94
•Lecturas recomendadas 94
2
Introducción:

Hace por lo menos veinte años que viene ocurriendo una verdadera revolución en la forma en que las empresas conducen sus
negocios al rededor del mundo.

Es la revolución de la Calidad. Todos hemos aprendido a convivir cotidianamente con términos como Total Quality
Management (TQM), Mejora Contínua, Cero Defectos, Just in Time (JIT), Kaizen y tantos otros que hacen parte del sueño y de
la pesadilla de muchas empresas.

Seis Sigma tiene mucho en común con estas formas de conducir un negocio, pero, al mismo tiempo, tiene una forma particular,
una metodología propia para convertir una empresa extremadamente buena en aquello que hace, alcanzando niveles de calidad
jamás imaginables. Y lo mejor de todo: es una forma bastante simple utilizando herramientas de calidad conocidas por gran
parte del público y técnicas estadísticas simples.

Además de eso, la iniciativa Seis Sigma genera ganancias muchas veces mayores que las inversiones necesarias para
implementarla.

Seis Sigma

Podríamos reducir la definicón de seis Sigma a una frase: “es un estado en el que un departamento, una fábrica o un negocio
lleva a cabo todos los procesos que tienen impacto sobre los requisitos del cliente generando 3,4 defectos por millón”.

En esta definición observamos la palabra “procesos”. Seis Sigma es una metodología que tiene como enfoque la mejora de
procesos, esto es, identificar y eliminar las causas que llevan al proceso a variar a lo largo del tiempo, generando defectos. Esta
relación se demuestra muchas veces por medio de la ecuación: “Y: f ( X 1, X2, ...Xn).
En otras palabras, se deja de controlar la salida del proceso para monitorear las entradas.

Otra palabra que aparece en la definición anterior es “cliente”. El enfoque debe ser dado a la mejora de aquellos procesos que
tienen impacto, directo o indirecto, en los requisitos del cliente. Se debe aprender a identificar cuáles procesos dentro del
negocio deben ser mejorados para aumentar la satisfacción del cliente.

En seguida en la definición aparece “generando 3,4 defectos por millón”. En esta parte está demostrado el carácter cualitativo de
la metodología. Si Usted no puede medir un proceso, no hay cómo mejorarlo. El objetivo de mejora “3,4 por millón” para
todos los procesos que impactan la satisfacción del cliente es extremadamente ambicioso y alcanzarlo debe ser el objetivo de
todas las personas en el negocio.

Observe que en la definición no se hace ninguna mención al sitio o área en que la metodología deba ser aplicada ya que la
iniciativa Seis Sigma sirve para cualquier área o sector de la compañía, sea manufactura, comercial o servicios.

La metodología Seis Sigma es extremadamente analítica, siendo necesarios conocimientos básicos de estadística y herramientas
de calidad.

Metodología Seis Sigma

Proyecto Seis Sigma: este es el formato adoptado para decir que fue identificado un proceso que tiene impacto sobre la
satisfacción del cliente y para el cual será formado un equipo Seis Sigma que adoptará una metodología sistemática para
mejorarlo hasta alcanzar 3,4 defectos por millón. Se espera que el proyecto sea concluido en un período de 4 a 6 meses.

3
La aplicación de la metodología Seis Sigma puede ser dividida en cinco fases (D-M-A-I-C):

-Deifinición (D): en esta fase debe ser identificado qué proceso (y) del Negocio será mejorado para atender a una
Característica Crítica para el Cliente (CTQ) aumentando su satisfacción.

Una vez haya sido identificado el proceso por ser mejorado, se dice que se ha identificado un “Proyecto Seis Sigma”.
Debe ser verificada la viabilidad económica del “proyecto” y hacer una previsión de los beneficios (financieros
inclusive) que pueden ser alcanzados.

Esta fase acostumbra a ser simple de aplicar en manufactura, donde los procesos que generan productos defectuosos y
que, por lo tanto deben ser mejorados, están bastante claros (por ejemplo: disminuir errores en el montaje de una pieza,
disminuir reparaciones y retrabajos, disminuir el ciclo de tiempo para ejecutar una tarea, etc.).

En el caso de las áreas comerciales muchas veces no es facil identificar cuáles procesos tienen impacto sobre la
satisfacción del cliente (además de esto, las personas no tienen la costumbre de percibir sus actividades como una
“proceso”). Ejemplos de procesos que generan impacto sobre la satisfacción del cliente en las áreas comerciales son:
disminuir el número de errores en la emisión de órdenes de compra o en la emisión de notas fiscales, disminuir el
tiempo para importar un producto, disminuir el tiempo para atender una llamada de un cliente, disminuir el tiempo para
entregar un item solicitado por un cliente, etc.

Las herramientas más utilizadas en esta fase son: Técnicas de Investigación con los clientes, “Benchmarking”, Análisis
Costo-Beneficio, QFD, Mapa del Proceso (Macro), Pareto, etc.

- Medición (M): en esta fase se debe hacer un levantamiento general de todas las entradas del proceso (X’s) y cómo se
relacionan con los CTQ’s (características críticas para la calidad) del cliente. El proceso debe ser mapeado.

Se debe medir la habilidad del proceso de producir items sin defectos. En otras palabras, se mide la capacidad del
proceso y se expresa su vaor en s (sigma).

En esta fase las principales herramientas utilizadas son: Mapa del Proceso (detallado), Espina de Pescado, Matriz de
Causa & Efecto, Análisis del Sistema de Medición y Cálculo de Capacidad, así como la estadística básica.

- Análisis (A): en esta fase se deben buscar las fuentes de variación (X’s) que aumentan la variabilidad del proceso y
que son responsables por la generación de defectos.

Las principales herramientas utilizadas son: Estadística Básica, Análisis Gráfico de los Datos, Prueba de Hipótesis,
Prueba chi-cuadrado, Análisis de Regresión y FMEA.

- Mejora (I): en esta fase se toma acción sobre el proceso para mejorarlo con base en las fuentes de variación (X’s)
identificadas en la fase de Análisis (A). Al final de esta fase de debe calcular la nueva capacidad sigma del proceso (s)
para comprobar que hubo una mejora significativa.

Las principales herramientas utilizadas son: Plano de Acción, FMEA, Delineamiento de Experimentos, EVOP, Análisis
de Regresión.

- Control (C): es la última etapa. En este punto se debe emplear métodos para monitorear las fuentes de variación (X’s)
identificadas para mantener la capacidad (s) mejorada adquirida. Se debe pasar la responsabilidad por el monitoreo del
proceso a los dueños del mismo.

Una confirmación de los beneficios económicos alcanzados debe hacerse.

Las principales herramientas utilizadas son las cartas de control, dispositivos a prueba de error, Planos de Control,
procedimientos, etc.
4
Estructura Seis Sigma

Todo negocio que aplica la metodología Seis Sigma posee dentro de la organización algunos elementos básicos:

- Líder: normalmente es la más alta posición dentro de un negocio. Debe ser el mayor entusiasta de esta iniciativa Seis
Sigma y el primero en exigir su aplicación por “todas” las personas dentro de la compañía. De él debe partir la iniciativa de
implementación de Seis Sigma en el negocio, de lo contrario las posibilidades de fracaso son altas.

A lo largo del período de implementación de Seis Sigma se deben hacer análisis críticos periódicos para evaluar la eficacia
de la metodología.

Equipo Seis Sigma: existe durante el período de desenvolvimiento del proyecto y está constituido por 5 a 7 elementos que
son conocedores profundos del proceso que hay que mejorar. Los miembros del equipo pueden ser fijos durante todo el
proyecto o puede haber elementos que participan por períodos cortos sólo cuando se necesita de su presencia.

Patrocinador: elemento fundamental en un equipo Seis Sigma. Normalmente es el responsable del área que es la mayor
beneficiaria del proyecto. No participa en el equipo “el 100% del tiempo”, mas debe hacer revisiones periódicas al final de
cada etapa y debe proveer los recursos (financieros, de tiempo, ayuda de otros departamentos) necesarios para que los
demás miembros del equipo desarrollen el proyecto.

- “Green Belt”: persona entrenada dentro de la metodología Seis Sigma y que es el líder del equipo durante la
implementación de un proyecto. Normalmente debe pertenecer al área que es la mayor beneficiaria del proyecto. A partir
del momento en que se inicia un proyecto el Green Belt debe dedicar del 20 al 30% de su tiempo a la conclusión del
mismo.

Miembros del Equipo Seis Sigma: individuos conocedores del proceso para el cual se esta desenvolviendo un proyecto que
deben ayudar al Green Belt en el desarrollo del proyecto desde la recolección de los datos hasta la implementación de las
mejoras.

- “Black Belt”: asi como el Green Belt, es una persona entrenada en la metodología y las herramientas Seis Sigma. A
diferencia del Green Belt, el Black Belt le dedica el 100% de su tiempo al desarrollo de proyectos Seis Sigma.

- “Master Black Belt”: es un profundo conocedor de la metodología y de las herramientas Seis Sigma. Normalmente es el
responsable por el entrenamiento de los Green Belts y los Black Belts en la metodología Seis Sigma. Actua como un
“gerente de proyectos Seis Sigma”. Debe cuidar de que los proyectos se terminen con éxito en un período de 4 a 6 meses.
Conjuntamente con los patrocinadores, responde al Líder del negocio por la implementación de Seis Sigma.

Entrenamiento Seis Sigma:

Es dado a los Green Belts y Black Belts a fin de enseñar cómo utilizar las herramientas de calidad y la estadística para
desarrollar proyectos Seis Sigma.

Tanto el Black Belt como el Green Belt, para participar en un entrenamiento, deben tener definido un proyecto o por lo
menos tener una idea de lo que va a ser.

El entrenamiento está dividido en varias fases y al final de cada una hay un tiempo para que los participantes apliquen los
conceptos aprendidos en el desenvolvimiento de un proyecto Seis Sigma.

5
Estadística y Herramientas Seis Sigma

Herramientas Heurísticas

Mapa del Proceso

Qué es?

Ilustración Gráfica del proceso a fin de identificar el flujo o secuencia de eventos en un proceso.

Cómo se hace?

– Determine con el equipo la profundidad con que se quiere estudiar el proceso.

– Determine las etapas más importantes del proceso.
– Coloque las etapas en la secuencia en la que ocurren
– Use símbolos para representar la función de cada etapa.

Etapa del Proceso u Operación

Atraso

Verificación o Inspección de Calidad

Una vez que el Mapa del Proceso esté

listo el equipo debe estudiar cuáles
etapas no agregan valor y debe
Almacenamiento verificarse si es posible hacerlo más
rápido o menos burocrático.

Decisión

Transporte o Movimiento
6
Espina de pescado (Fishbone)

Qué es?

Es una herramienta que permite a un equipo explorar e identificar gráficamente todas las potenciales causas relacionadas con
un problema a fin de identificar las causas raíces.

Cómo se hace?
1. Dibuje un diagrama en blanco sobre un cuadro.
2. Defina su declaración del problema con base en el entendimiento de los CTQ’s del Cliente.

Mano de
Mediciones Materiales Obra

Declaración del
problema

Medio Métodos Máquinas

3. Defina los sectores según las categorías que se adecuan a su problema.

La división según las categorías no precisa de ser obligatoriamente como está descrita arriba, pero si de forma tal que lleve al
equipo a definir de la mejor forma posible las causas del problema estudiado.

4. Haga un Brainstorm de posibles causas anexando las categorías apropiadas.

5. Para cada causa pregunte lo siguiente: “Por qué será que esto sucede?”
6. Analice los resultados. Hay causas que se repiten?
7. Con el equipo, determine de 3 a 5 de las causas más probables.
8. Identifique las causas más probables que deben ser verificadas en comparación con los datos.

7
Matriz de Causa & Efecto

Qué es?

En caso de que el equipo crea que los X’s potenciales pueden ser jerarquizados con la ayuda de una Matriz de Causa & Efecto.

l Identificar los principales requisitos de los clientes (salidas) a partir del mapa del proceso
l Establezca un orden de clasificación y designe un factor de prioridad para cada salida (Normalmente es
una escala de 1 a 10)
l Identifique todas las etapas y materiales del proceso (entradas) a partir del mapa del proceso
l Evaluar la correlación entre cada entrada y salida
 Puntuación Baja: cambios en las variables de entrada (cantidad, calidad, etc.) tienen poco
efecto en las variables de salida.
 Puntuación Alta: cambios en las variables de entrada pueden afectar significativamente la
variable de salida.
l Realice una multiplicación de los valores correlacionados con los factores de prioridad y de una nota
final para cada entrada

Ejemplo Indice de
Importancia
para el 10 8
Cliente
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Puntualidad

Requisito

Requisito

Requisito

Requisito

Requisito

Requisito

Requisito

Requisito

Requisito

Requisito

Requisito

Requisito
Exactitud

Ent. Proceso Total

1 Nombre 10 10 180
2 Dirección 10 10 180
3 Depto. 10 10 180
4 Refacción 10 10 180
10 Honestidad 10 10 180
9 Tal. Matemát 10 8 164
11 Tal. Escribir 9 4 122
13 Asignatura 2 10 100
15 Cron. Trab. 2 10 100
12 Aerolínea 8 0 80
14 Sist. Correo 0 10 80
4 Refacción 6 0 60
7 Hotel 6 0 60
8 Alquiler 6 0 60
6 Refacción 4 0 40
16 0
17 0
18 0
19 8 0
 FMEA

Qué es?

Es una herramienta de acción preventiva que busca levantar las potenciales formas en las que un proceso puede fallar en
cumplir con su función (modo de falla) utilizando los conocimientos previos de los miembros del equipo. Para cada uno de
esos modos de falla se debe establecer una acción por tomar a fin de evitarlos.

Obs: Existen varios tipos de FMEAs, por lo cual, como el objetivo de un proyecto Seis Sigma es promover una mejora del
proceso, nos concentraremos en el FMEA del proceso.

Cómo se hace?

Reúna al equipo Seis Sigma conjuntamente con toda la documentación existente sobre el proceso (Mapa del Proceso, Espina
de Pescado y Matriz de Causa & Efecto). Para cada una de las fuentes potenciales de variación ya conocidas, pregunte:

- “De qué modo esta fuente de variación puede contribuir para que el proceso no cumpla con sus funciones?” En seguida
deben hacerse las siguientes preguntas:
•Cuál es el efecto de este modo de falla para el cliente?
•Cuál es la causa de este modo de falla?
•Cuál es el control actual existente para evitar que la causa del modo de falla ocurra?

Estas cuatro preguntas deben ser repetidas para todas las potenciales fuentes de variación hasta que se agoten todas las
formas conocidas por el equipo en las que el proceso pueda fallar.

Prevención Detección Detección

(3) (1) (2)

Modo
Causa de Falla Efecto
(Defecto)
Cuál es la causa del De qué modo el Cuál es el efecto
modo de falla? proceso puede fallar del modo de falla
en cumplir con su para el cliente?
función?
(4)
Cuál es el control actual existente
Controles para evitar que la causa del modo
de falla ocurra?
9
La pregunta ahora es: debo atacar todos los modos de falla? No. Se hará una priorización de cada uno de ellos y
serán atacados sólo los que ofrecen mayor riesgo para el cliente.

Esta priorización se hará a través del cálculo del Número de Prioridad de Riesgo (RPN). Cuanto mayor sea su valor,
mayor ser el riesgo de falla potencial del proceso para el cliente.

Este número es calculado por la multiplicación de tres factores:

•Severidad: (del efecto) - Valor de 1 a 10 donde 1 significa que el efecto del modo de falla tiene una
severidad baja para el cliente, en tanto que 10 significa que el efecto del modo de falla es bastante severo.
•(Probabilidad de) Ocurrencia: (de la causa del modo de falla) Valor de 1 a 10 donde 1 significa que la
probabilidad de que ocurra la causa del modo de falla es prácticamente ninguna y 10 significa que la
probabilidad de que ocurra la causa de modo de falla es prácticamente 100%.
•(Probabilidad de) Detección: (de la causa del modo de falla con el control actual existente) Valor de 1 a 10
donde 1 significa que con el control actual existente es practicamente 100% posible encontrar la causa del
modo de falla, en tanto que 10 significa que no hay control ninguno o que el control existente tiene una
probabilidad practicamente nula de detectar la causa del modo de falla.

Para todos los RPNs con valores por encima de 100 se debe establecer una acción que debe tomarse a fin de prevenir
la ocurrencia del modo de falla. Después de esta acción debe calcularse el nuevo RPN para verificar si hubo una
disminución significativa del riesgo para el cliente.

OBSERVACION IMPORTANTE: el diligenciamiento del formulario de FMEA es altamente recomendado a fin de

registrar todos los pasos tomados por el equipo Seis Sigma.

Ejemplo de Formulario de FMEA:

Process/Product
Failure Modes and Effects Analysis
(FMEA)

Process or
Prepared by: Page ____ of ____
Product Name:

Responsible: FMEA Date (Orig) ______________ (Rev) _____________

S O D R
Key Process Actions
Process Step Potential Failure Mode Potential Failure Effects E Potential Causes C Current Controls E P
Input Recommended
V C T N
cusotmer?
How Severe is the
effect to the

How often does cause

or FM occur?

How well can you

detect cause or FM?

What is the What is the Key In what ways does the Key What is the impact on the What causes the Key Input to What are the existing controls What are the actions
process step Process Input? Input go wrong? Key Output Variables go wrong? and procedures (inspection and for reducing the
(Customer Requirements) or test) that prevent eith the cause occurrance of the
internal requirements? or the Failure Mode? Should Cause, or improving
include an SOP number. detection? Should
have actions only on
high RPN's or easy
fixes.

10
Estadística y Herramientas Seis Sigma
Distribuciones Estadísticas
Es bastante común para los estudiosos el intentar describir un fenómeno determinado a través del estudio de
probabilidades de ocurrencia de un evento asociado a él. Al fin de cuentas es exactamente esto lo que se está haciendo
cuando en un proyecto Seis Sigma, al estudiar un proceso, se intenta estimar la probabilidad de ocurrencia de un
determinado tipo de defecto.

Importante: al iniciar un proyecto Seis Sigma, el Green Belt/Black Belt debe verificar con qué tipo de dato
(continuo o discreto) está lidiando en la salida del proceso (Y). Esto va a determinar cuáles son las herramientas
que serán utilizadas en el desenvolvimiento de un Proyecto Seis Sigma.

Cabe al Brack Belt/Green Belt definir cuáles de las innúmeras distribuciones estadísticas es la que mejor representa el
proceso que está siendo estudiado. Las distribuciones estadísticas pueden ser divididas en dos grandes grupos que serán
estudiados a continuación:

- Distribuición Discreta(1) ( o de Atributos ): debe ser utilizada para modelar situaciones en las que la salida de interés
sólo puede asumir valores enteros (discretos), como 0 o 1, para falla o pasa, o 0, 1, 2, 3,… como número de ocurrencias
de un determinado evento de interés.

La distribución discreta puede todavía dividirse en dos familias:

-Distribuición Binomial ( 1 ): debe utilizarse para modelar situaciones en donde por una determinada
salida de interés la probabilidad de ocurrencia de un éxito (p) y de una falla (q) es siempre constante.
Esta condición funciona bien cuando los tamaños de los lotes son grandes o en producciones continuas
(n/N<0,1).

x = número de éxitos en una muestra

P ( x = k ) = Cnk pk ( 1- p )n-k p = probabilidad de ocurrencia de un éxito
( 1- p ) = probabilidad de ocurrencia de una falla

Ejemplo: cuál es la cantidad de notas fiscales defectuosas encontradas en una pila de un analista financiero?

-Distribución de Poisson ( 1 ): debe ser usada en situaciones donde se están midiendo éxitos en un
intervalo contínuo. Por ejemplo, defectos en barras, tejidos, en un intervalo contínuo de tiempo, en un
área, volumen, etc. Este modelo funciona bien cuando el tamaño de la muestra es mayor de 25 y la
probabilidad de ocurrencia del un evento en cada tentativa es menor que 0,1.

P ( x = k ) = e-lt ( lt )k x = número de éxitos en el intervalo

k! l = tasa de acontecimientos del éxito
t = intervalo contínuo de tiempo, área, volumen,
etc.

Ejemplo: cuál es la cantidad de rasguños encontrados sobre el techo de un automóvil?

Distribución Contínua ( o variable ) (1): debe ser utilizada para modelar situaciones en las que la salida de interés
puede asumir cualquier valor entre dos números cualquiera. Los valores después de la coma son significativos.

-Distribución normal: es, de lejos, la más importante de las distribuciones contínuas y siempre que
hablamos de distribuciones contínuas en este material, nos estaremos refiriendo a ella (las excepciones
serán debidamente identificadas). La distribución normal se denomina así pues es la distribución
normalmente encontrada en la naturaleza y en los procesos de manufactura y comerciales de un
negocio.

11
  Límite de
p(x > a) = 1 e-(1/2)[(x - )/s]2 dx Desempeño
s 2
a

Área de Probabilidad
Rendimento de un Defecto

- infinito a
+ infinito
Nota: Las colas de la curva normal tocarán la línea de base en los puntos de infinito.

Propiedades de la distribución normal:

– El área debajo de la curva de menos infinito hasta infinito es 1 para cualquier distribución normal.

– La distribución normal puede ser perfectamente descrita utilizando dos parámetros: uno de tendencia central (media) y
otro de dispersión (desviación estándar).

– El área bajo las secciones de la curva puede ser usada para estimar la probabilidad acumulativa de ocurrencia de un
evento.
Probabilidad del valor de la muestra

68%
40%

30%
95%

20%
99.73%
10%

0%
-4 -3 -2 -1 0 1 2 3 4

Número de Desviaciones Estándar de la Média

12
Herramientas Seis Sigma - Evaluación Inicial de la Salida del Proceso - “Y”
variable (Fase de Medición)

Histograma

Qué es?

Es la representación gráfica de la distribución de las frecuencias en formato de barras, donde la base de la barra representa
el intervalo de valores estudiados y la altura representa la frecuencia de ocurrencia de los valores dentro del intervalo.

Sirve para estudiar la distribución de datos variables y verificar el formato de la distribución.

Cómo se hace?

Recoger por lo menos 50 datos de la variable “Y” (salida del proceso). Calcular la amplitud (mayor valor menos menor
valor). Calcule el número de intervalos en que se desea dividir los datos (sugerencia: raíz cuadrada del número total de
datos). Determine el largo de los intervalos dividiendo la amplitud por el número de intervalos. Cuide de que el largo de
los intervalos sea múltiplo o divisor de 1, 2 o 5 (por ejemplo de 10 en 10 o de 0,05 en 0,05).

La altura de las barras deberá ser proporcional a la frecuencia de los valores encontrados dentro del intervalo.

Minitab
Los datos de la característica para la cual se
quiere hacer un histograma deben estar
colocados en una columna.

13
 Variable para la cual se quiere hacer el histograma

En el eje “x” aparecen los intervalos divididos automáticamente por Minitab (en
caso de que los quiera cambiar de largo basta con accionar el comando
“options”>Definition of Intervals>Number of Intervals). En el eje “Y” aparece la
frecuencia de los datos dentro de cada intervalo.

14
Medidas de tendencia central (2)

Qué es?

Media: es el centro de gravedad de la distribución. Es la sumatoria de todas las observaciones dividida por el número
total de observaciones.

Media(muestra) = x = S xi Media (población) =  = S xi

n n

Mediana: cuando se tiene un número impar de valores, la mediana es obtenida colocando los valores en orden
cresciente de menor a mayor y tomando el valor del medio, debajo del cual y encima del cual hay el mismo número de
valores. Cuando se tiene un número par de valores, la mediana se obtiene colocando los valores en orden cresciente de
menor a mayor y tomando los dos valores del medio. La mediana será la media aritmética de estos dos valores (en
realidad, cualquier valor entre los dos números del medio puede ser la mediana).

Moda: es el valor que se presenta con mayor frecuencia. Observe que la moda puede no existir (cuando todos los
valores no aparecen sino una vez) o puede no ser única.

Medidas de dispersión(2)

Varianza: es la media del cuadrado de la desviación de los valores en relación con la media aritmética. Cuanto mayor
la varianza, mayor la dispersión de los puntos en relación a la media (el poder de esta característica para evaluar la
dispersión es mayor para las muestras grandes).

Varianza (muestra) = s2 = S ( xi - x )2 Varianza (población) = s2 = S ( xi -  )2

n-1 n

Dispersión: es la raíz cuadrada de la varianza.

Amplitud: es el mayor valor menos el menor valor de una muestra (el poder de esta estadística para evaluar la
dispersión es mayor para las muestras pequeñas).

15
Minitab

Los valores de la muestra para la cual se van a hacer los cálculos de tendencia
central y dispersión deben estar agrupados en la misma columna.

Se debe
identificar para
cuales muestras
van a hacerse los
cálculos.

16
Cómo interpretarlo

Para cada muestra se tiene a la izquierda un histograma de la misma. A la derecha se observa la media (mean),
la desviación estándar (stDev) y la varianza (Variance).

Adicionalmente, se observa el número total de datos de la muestra (N), el valor mínimo dentro de ella
(minimum), la mediana (median) y el valor máximo de la misma.

17
 Análisis del Sistema de Medición (MSA)
¿Qué es?

Es un experimento estadístico que sirve para descubrir si el Sistema de Medición (SM) es fiable o no.
Tiene como objetivo principal calcular cual porcentaje de la variación total de una medición viene del SM.

σ 2total  σ measurement-system
2
 σ 2process
Si la variación del proceso se confunde con la del sistema de medición ...

• Se podría ajustar el proceso cuando no es necesario

• La capacidad del proceso se informará a niveles más bajos de lo que son
• Los esfuerzos de mejora pueden ser nulos cuando se trata de cambiar un proceso que aparentemente no
es capaz, de la misma manera, un proceso que crea muchos defectos puede simplemente no tener cualquier
acción porque la necesidad no fue apuntada por la medición.

Puntos críticos:

• La MSA sólo responde si podemos fiarnos de los resultados que se generan en la medición de este parámetro.
No responde si el proceso de producción es bueno. La herramienta que hace esto es la capacidad de proceso.
• La MSA se debe hacer ANTES de que el proceso de recolección de datos se realize, es decir, los datos de
proceso se recogerán sólo después de la confirmación de que la forma en que se realiza la medición de un
parámetro es fiable.

Antes de realizar un MSA los siguientes elementos deben ser chequeados:

• Es critico que haya una clara definición operacional del proceso de medición, la definición de "lo que se mide",
"quien mide", “la medida", "¿cuánto tiempo se puede medir?" y "cuántos datos se reunirán para realizar la
medición." Todos estos temas deben ser parte de un procedimiento en cuyo analistas y operadores serán
capacitados.
• Todos los instrumentos de medición utilizados deben haber sido calibrados / aferidos.

Cuando se realiza una MSA?

• Antes de que se recojan los datos

• En su caso, antes de un estudio de capacidad
• Cuando un indicador crítico no es capaz
• Cuando se sospecha de que el sistema de medición es una fuente importante de variación
• Cuando se producen cambios significativos en el sistema de medición
• En estudios realizados en la preparación de Diseño de Experimentos (DOE)
• Como criterio para la aceptación de un nuevo sistema de medición

18
 Análisis del Sistema de Medición (MSA)

Podemos evaluar la calidad de un Sistema de Medición tanto para datos Continuos/Variables como también
para datos Discretos/Atributos
Los ensayos pueden ser del tipo destructivo o no destructivo.
•Ensayos No Destructivos: El análisis no destruye la muestra. Por ejemplo: medición del peso de una pieza
•Ensayos Destructivos: El análisis destruye la muestra. Por ejemplo: medición de la resistencia mecánica de
una pieza.

CONCEPTOS

Acuracidad : Es el desplazamiento del promedio con respecto a los valores reales.

Valores Reales Valores Medidos

Promedio real
Promedio Medido

Deslplazamiento del
promedio: bias o vício.

La solución para problemas de acuracidad es la calibración de los instrumentos de medición

Otro concepto que compone la acuracidad es la linearidad, como se puede ver abajo para uma balanza:

Sin Con
Arriba un

problemas
Para cualquier peso
en la balanza, el
equipo responde
problemas determinado peso, el
comportamiento de la

de siempre de la misma
manera (lineal). de linearidad balanza y sus
respuestas cambian
(no lineal)

linearidad

19
 Análisis del Sistema de Medición (MSA)
Se muestra el test de linearidad en Minitab com el archivo "[Link]".

Nº de la pieza
Valor Medido

Valor nominal Diferencia entre

valor medido y
valor real

En la columna "Part
Numbers" ponga las
piezas

En la columna
"Reference Values"
ponga el Valor Haga click en OK
Nominal

En la columna
"Measurement
datas" ponga el
Valor Medido

20
 Análisis del Sistema de Medición (MSA)

P Valor > 0,05 para

Constante y para Slope
(inclinación): significa
que no hay problemas
de linearidad. Muestra
que la recta ajustada a
los puntos generados
por la diferencia de cada
valor nominal con el
valor medido es
horizontal y cruza el eje
Y en zero.

P Valor > 0,05 para cada valor nominal: significa que no hay Vicio/Bias/Viés.
La diferencia entre el promedio medido y el promedio nominal no es
significativa (puede ser considerada cero). En este caso el sistema de
medición puede ser utilizado sin problemas para los valores nominales de 2,3
y 4.

La estabilidad también es un concepto que pertenece a Acuracidad y verifica el comportamiento del sistema de
medición al cabo del tiempo. Puede ser utilizado para especificar la frecuencia de calibración de un equipo de
medición. Vea el ejemplo abajo para las mediciones de una balanza al cabo del tiempo.

Midiéndose siempre la misma

pieza – al cabo del tiempo, por
ejemplo a causa de daños en la
balanza, las mediciones tienen
ahora problema de estabilidad

21
 Análisis del Sistema de Medición (MSA)
Precisión: Esta relacionado con problemas en la desviación estándar conforme abajo.

Valores Reales
Valores Medidos

Desviación estándar real

Desviación estándar medida

La solución a los problemas de precisión es la realización del estudio de la repetibilidad y la reproducibilidad o

de Repe / Repro o R & R, que se explican a continuación.

Comparar los conceptos de exactitud y precisión en el siguiente diagrama, donde exactitud significa golpear a
los medios del ojo de buey y precisión signifca que los puntos se estan agrupando

No exacto ni preciso Preciso pero no exacto Exato pero no preciso Exacto y preciso

ANÁLISIS DEL SISTEMA DE MEDICIÓN PARA DATOS CONTINUOS: ENSAYOS NO DESTRUCTIVOS

Se trata del concepto de precisión y sus componientes: la repetibilidad y la reproducibilidad.

•Repetibilidad: Significa repetir la misma medición, en una sola pieza, por el mismo analista / operador, el
mismo procedimiento y el mismo instrumento de medición. Tiene como objetivo identificar cómo la
medición se ve afectada cuando ella se repite de la misma manera.
•Reproducibilidad: Significa repetir la misma medición, en una sola pieza, con el mismo procedimiento y el
mismo instrumento de medición, pero con los analistas / operadores diferentes. Su objetivo es identificar
la forma con la que la medición se ve afectada cuando los analistas y operadores se intercambian.

s SM
2
 s Repro
2
 s Repe
2

22
 Análisis del Sistema de Medición (MSA)
Otro concepto que tambien compone la Precision es la Discriminación:

Mala
discrimin
ación
Buena
discrimin
OBS: La discriminación es creada cuando el equipo de medición es adquirido, de esta manera, un equipo que
fue comprado con mala discriminación para realizar determinados análisis no podrá ser utilizado, o sea, otro
ación
equipo tendrá que ser comprado para tener la discriminación adecuada. Ejemplo, se necesitaba de un
micrómetro y se compró una regla de calibrar.

Criterios y fórmulas de evaluación del sistema de medición

Las siguientes fórmulas son utilizadas para la evaluacion del sistema de medicion

GR&R (Gauge Repeatability & P/T (precisión entre la tolerancia)

Reproducibility)
Fracción total de la variacion Fracción de la tolerancia debido al
debido al sistema de medicion sistema de medicion

Los valores generados por estas formulas son evaluadas usando la siguiente tabla:

GAGE R&R Study Var y % P/T< o = a 10% : sistema de medición acceptable

GAGE R&R Study Var y % P/T entre 10% y 30% : sistema de medición puede ser acceptable,
dependiendo de la criticidad del proceso
GAGE R&R Study Var y % P/T > o = a 30% : sistema de medición rechazado

Numero de Categorias > o = a 4 : sistema de medición acceptable

Numero de Categorias < 4 : sistema de medición no acceptable.

23
 Análisis del Sistema de Medición (MSA)
Características típicas de un ensayo para la realización del MSA

• Utilización de 10 muestras diferentes para evaluación (llamadas de “piezas”)

• 3 analistas (llamados de “operadores”)
• Cada operador evalua 3 veces la misma pieza
• Las evaluaciones deben de ser aeatórias
• Las piezas deben tener una codificación para que los operadores no las identifiquen
• Deben ser analisados aspectos ambientales y condiciones de operacion para que se aisle cualquier efecto
externo a los ensayos

Realizando el Analisis del Sistema de Medición para los datos recogidos

Para este ejemplo será utilizado el archivo "[Link]“. La tabla tendrá esta forma:

# de la pieza
evaluada

# del operador que ejecutó Valor medido

la medición

"Crossed" para ensayos no

destructivos

"Nested" para ensayos

destructivos

24
 Análisis del Sistema de Medición (MSA)

En "Part Number"
selecicone la columna Click em Options
"Peça"

En "Operator" seleccione
la columna "Operador"

En "Measurement data"
seleccione la columna
"Medida"

OBS: el Boton OPTIONS debera ser cliqueado solamente en el caso en que haya limites de especificacion. En el
caso que no haya limites de especificacion, hacer click en OK directamente.

Aqui se puede seleccionar la opcion para poner los dos limites de

especificacion o elegir la opcion de poner directamente la tolerancia, que es
la diferencia entre los dos limites.
En este ejemplo, la tolerancia es de 0,80.

OK

25
 Análisis del Sistema de Medición (MSA)

Muestra las 10 piezas y las 6 mediciones que fueron realizadas en cada una de
ellas. Las 6 mediciones deberan ser similares a las piezas 6 y 7, que muestra
que las 6 mediciones generaron valores muy próximos. La linea linkeando las
piezas deberá ser sinuosa pues las piezas medidas son diferentes.

Representa el %RR del sistema de medición.

Las barras "Part to Part" representan la
variación de las piezas y las barras "Gage R&R"
la variación del sistema de medición. Cuanto
mayor la diferencia entre essas barras, mejor
será el sistema de medición.

Representa la Box plot que

Repetibilidad. muestra las 20
Carta de control mediciones
de la Amplitud que cada uno
(R). Significa la de los 3
diferencia entre operadores
las repeticiones realizó. El
de la medición en tamaño de ços
la misma pieza. box plot
Los puntos no deberan ser
deben caer fuera semejantes y
de los limites. la linea que
linkea las
medianas debe
ser una recta
horizontal

Representa la Reprodutibilidad.
Carta de control de las Médias (X barra).
Significa la média entre las repeticiones de la
medición en la misma pieza. Cuanto mas
puntos fuera de los limites, mejor estara el
sistema de medicion.

Es la combinación de los 2 gráficos anteriores donde las 2 mediciones de cada

pieza fueron separadas para cada uno de los 3 operadores. Lass lineas que
representan las piezas medidas por los 3 operadores debe ser sinuosa, pues las
piezas son diferentes, pero ellas deben se sobreponer, como pasa com las piezas
6 y 7.

26
 Análisis del Sistema de Medición (MSA)
La Session complementa las informaciones del MSA

Representa la % de variación de los varios

componentes del sistema de medición calculados
como Variância.
OBS: Los criterios para aprobación del sistema
de medición vistos anteriormente NO valen para
estos items.

Representa la % de variacion de los vários

componentes del sistema de medicion calculados
como Desviacion Estandar y Tolerância.
OBS: los critérios para aprovacion del sistema de
medicion vistos anteriormente SOLO valem para
estos items.
En este ejemplo el sistema de medicion es
INADECUADO pues el valor ultrapasa el
máximo permitido (10%).
Muestra que el mayor problema es con la
Reprodutibilidad (27,5%), mientras la
Repetibilidad tiene contribución de 17,42%.
Muestra el numero de categorías que el sistema
de medición consigue detectar. En este
ejemplo, muestra que el sistema de medición es
adecuado, sin embargo la interpretación por la
% Study Var es mas precisa y de esta manera
el sistema de medición debe de ser considerado
inadecuado

Interpretacion del número de categorias.

Menor pieza
PiezaPieza
#1 #2 Mayor Pieza
1
categoria:
2Todas las
categorias
piezas son
3: Piezas
iguales
categorias
grandes y
8:piezas
Piezas
categorias
grandes,
pequeñas
27 :medias
Piezasy
 Análisis del Sistema de Medición (MSA)
ANÁLISIS DEL SISTEMA DE MEDICIÓN PARA DATOS CONTINUOS: ENSAYOS DESTRUCTIVOS

El raciocinio, las reglas y la interpretación son los mismos para el test anterior. La única diferencia es para el punto
donde necesitamos medir la misma pieza mas de una vez.
Como los ensayos son destructivos, es imposible medir la misma pieza mas de una vez. Por lo tanto, en este MAS
se considera que piezas hechas en las mismas condiciones (por ejemplo en un mismo lote) son iguales.

Debemos tener cuidado en la preparación de las piezas de la muestra para garantizar que esta condicion sea
mantenida. Es el concepto de homogenización.

Abajo tenemos un ejemplo con una barra de hierro. Ella será seccionada en varios trozos (cuerpos de prueba).
Teóricamente todos los cuerpos de proba generados tienen características prácticamente idénticas una vez que
fueron producidos exactamente en la misma hora, máquina, materia prima, operador, etc

Barra de Hierro

Cuerpos de Prueba

Mire el ejemplo para un ensayo destructivo a través del archivo "Gage RR [Link]"

"Crossed" para ensayos no

destructivos

"Nested" para ensayos

destructivos

28
 Análisis del Sistema de Medición (MSA)

En "Part or batch
Number" seleccione la
columna "Peça"

En "Operator" seleccione
la columna "Operador"

En "Measurement data" Click OK

seleccione la columna
"Medida"

OBS: Como en el caso anterior, si hay una tolerancia a utilizar, es necesario ir a las opciones y añadir este valor
para que Minitab lo considere cuando realizar las calculaciones.

El analisis y las reglas de los graficos al

lado son las mismas del caso NO
destructivo. Solamente observe que
debido al hecho de que las muestras no
son las mismas, uma parte de la variacion
puede ser a causa de la diferencia entre
las piezas que fueron consideradas como
iguales.

Se observa en la Session una vez mas la

grande variacion de la repetibilidad y
tambien la baja discriminacion del sistema
de medicion (1 categoria).
Los criterios de acceptacion son los
mismos que para los ensayos no
destructivos.

29
 Análisis del Sistema de Medición (MSA)
ANÁLISIS DEL SISTEMA DE MEDICIÓN PARA DATOS DISCRETOS.

La evaluación de sistemas de medición para datos discretos es bastante importante y puede indicar varios
puntos de mejora en el proceso como un todo.

Son ejemplos de algunas aplicaciones de este estudio:

• Determinar se algunas inspecciones son efectivas en la selección de productos (móviles, cajas, equipos
electrónicos...).
• Determinar la efectividad del sistema de calidad asegurada en servicios de atendimiento a clientes (call
center, indicadores de satisfacción de funcionarios...)
• Evaluar la efectividad del sistema de auditoria interno.
• Estudiar la eficacia en la generación de reportes financieros y gerenciales.

Conceptos Básicos:

Exactitud: obtener el resultado correcto

Precision: obtener la misma respuesta repetidamente en la misma unidad. En otras palabras, un inspector (y
incluso diferentes inspectores) deberían de llegar al mismo resultado al repetir la inspección de un ítem
em particular (concordancia).

Una vez que las definiciones operacionales adecuadas fueren establecidas, es necesario aplicar
entrenamiento para tener seguridad de que los inspectores entienden los conceptos relacionados a
la medición de la misma manera.

Testes de rutina periódicos deberían ser conducidos para evaluar el desempeño del processo de
medición con el tiempo, para ver se está correcto (Exactitud) y de acuerdo (Precisión). Obs.:
Dependiendo del proceso, la “concordancia” puede involucrar no solo la concordancia de uno
operador para otro sino que también la concordancia de los resultados para uno operador em
particular (Expert-Patron).

Recomendaciones para ejecución del MSA Discreto:

• 10 muestras distintas
• Utilizar de 2 a 3 operadores
• Cada muestra debe ser evaluada de 2 a 3 veces por cada operador
• Incluir muestras “buenas” y “malas” – si posible, poner mitad de la cantidad de muestras en cada región de
aceptación
• Obtener la evaluación del expert para cada muestra – puesto que esta será la respuesta considerada como la
referencia
• Aleatorizar la secuencia de evaluacion de cada uno dos operadores

30
 Análisis del Sistema de Medición (MSA)
Método Kappa para Evaluacion:

• Usado para datos discretos (nominales)

• Fajas de valores entre -1 y +1 de concordancia, donde:

- nivel +1 apunta total concordancia
- nivel -1 apunta total discordancia

• Test estadístico a ser ejecutado:

- H0: Kappa = 0 (no hay concordancia)

- Ha: Kappa ≠ 0 (hay concordancia)

• Valores de Referencia para o Teste Kappa:

- Sistema de medición aceptable: effectiveness ≥ 90%

- Sistema de medición parcialmente aceptable: 80% ≤ effectiveness < 90%
- Sistema de medición no aceptable: effectiveness < 80%

Método Kappa para Evaluación: Usando Minitab

Ejemplo: Operadores de call centre son responsables por preguntar sobre análisis de tarjetas de crédito.

4 operadores, seleccionados aleatoriamente, responden 10 preguntas, 2 veces cada una das cuestiones,
de manera aleatoria.

Hay consistencia en las respuestas analizadas por los operadores? Podemos decir que el sistema de
medición es fiable?

Los datos están en el archivo “RR [Link]”.

Respuestas obtenidas
10 cuestiones
diferentes

Respuestas correctas
4 operadores: Anne, (patron)
Brian, Famke e Mark

31
 Análisis del Sistema de Medición (MSA)

En "Attribut column"
seleccione la columna
"Answer"
En "Known
En "Samples" seleccione standard/attribute"
la coluna "Question" seleccione la coluna
"Standard"
En "Appraisers"
seleccione la columna
"Operator"

OK

Seleccione para
dados ordinales

32
 Análisis del Sistema de Medición (MSA)

% Concordancia % Concordancia
de los entre los
operadores al operadores y el
cabo del tiempo patrón
para la misma (evaluación
pieza gráfica de la
(evaluación exactitud)
grafica de
precisión)

Evaluación de los Operadores (múltiples mediciones al cabo del tiempo)

100% de concordancia cuando los

operadores leyeron las mismas
piezas mas de una vez

Kappa = 1, indicando
que el sistema de
medición es aceptable.

33
 Análisis del Sistema de Medición (MSA)

Avaliação entre Operadores

Kappa = 0,9085
indicando que el
sistema de medición es
aceptable.

Evaluacíón entre Operadores y el patron

Kappa = 0,945055,
indicando que el
sistema de medición es
aceptable.

34
Normalidad (Prueba de Normalidad)

Qué es?

Hay varias formas de verificar si una determinada distribución contínua es normal o no. La más simple es diseñar un
histograma y verificar si tiene formato de campana.

Hay otra forma que es el Papel Normal. Si el gráfico obtenido es aproximadamente lineal podemos decir que la
distribución es normal.

Hay también pruebas estadísticas que funcionan como prueba de hipótesis, donde:
Ho: la distribución es aproximadamente normal.
Ha: hay evidencia de que la distribución no es normal.

La más utilizada es la prueba Anderson - Darling (“default” en Minitab) que es una prueba basada en una función de
distribución empírica. Esta da como resultado un valor “p”. Si este valor “p” es menor que 0,05 hay fuertes evidencias de
que la distribución de los datos no siga una distribución normal. Si el valor de “p” es mayor que 0,05 entonces la
distribución es aproximadamente normal.

Minitab

Los datos para los cuales se va a verificar

la normalidad de la distribución deben
estar agrupados en la misma columna
35
 Indicar cuál columna contiene los datos
para los cuales va a ser verificada la
normalidad de la distribución.

Cómo interpretarlo

Como el papel de probabilidad normal está aproximadamente recto podemos afirmar que la distribución es
aproximadamente normal.

Adicionalmente a esto, el valor de “p” es mayor que 0,05 (vea la esquina inferior derecha), indicando la normalidad de la
distribución (o mejor, indicando que no hay evidencias de no normalidad).

Y si la distribución no fuera normal, qué hacer?

El objetivo de una proyecto Seis Sigma no es normalizar un proceso, pero recuerde que todos los análisis estadísticos que
serán hechos tienen como premisa que la distribución es normal. Por eso es importante que la distribución de los datos
sea aproximadamente normal.

Una de las alternativas es probar varias transformaciones matemáticas de los datos (raíz cuadrada, raíz cúbica, logaritmos,
elevar al cuadrado, elevar al cubo, etc.) y verificar cuál de ellas es la que se aproxima más a una normal. Hecha esta
transformación se debe aplicar también a las comparaciones con los otros valores o distribuciones (por ejemplo, con las
especificaciones de un proceso).
36
Capacidad ( s ) - Datos variables

Qué es?

Es la medida de la probabilidad de un proceso de generar defectos. Cuanto mayor la probabilidad de un proceso de generar
defectos, menor la capacidad y por lo tanto, menor el valor de s.

Imagine un proceso perfectamente centrado, donde la distancia entre la media y el límite de

especificación es de 6s. Cuál es la probabilidad de que tengamos un defecto (utilizando la tabla
normal reducida)?

LIE
s s s ss ss s s ss s
LSE

P ( Z>6)
P ( Z<6)

ZLSE = 6 : P ( Z>6) = 1 \ [Link]

ZLIE = 6 : P ( Z<6) = 1 \ [Link]
Por la tabla
P ( defecto ) = 2 \ [Link] normal
reducida

Un proceso perfectamente centrado y cuya media dista 6s de los límites de especificación, genera 2 defectos por billón.

Este es un proceso 6s porque la distancia entre la media y el límite de especificación es de 6s.

37
 Ahora si que no estoy entendiendo nada. Un proceso 6s corresponde a 3,4 defectos por millón o a 2
defectos por billón?

Acontece que la situación descrita en la página anterior es una situación hipotética (ideal) donde el proceso
esta perfectamente centrado y no varía a lo largo del tiempo.

Esta distancia entre la media y el límite de especificación de 6s es llamada Zst o capacidad de corto plazo
(Short Term).

En realidad si observamos el comportamiento del proceso por un período razonable de tiempo, esto es, de
modo que pueda formar una imagen del proceso que Usted cree que representa la variación típica a la cual
su proceso está normalmente sujeto (Largo Plazo), observamos que, en promedio, el proceso varía + 1,5 s
(Zshift) al rededor del valor del blanco (Valor empírico, teórico, observado por los estudiosos del proceso
Seis Sigma).

LIE
LSE
ZST = 6s
Corto
Plazo

P ( Z < -4.5 ) = Largo

3.4\1.000.000 Plazo

ZLT=4.5s Zshift=1.5s

P ( Z>7.5 ) = 0

Por lo tanto, concluimos que un proceso que tiene capacidad de largo plazo (ZLT) igual a 4,5 s tiene una probabilidad
de defectos de 3,4 por millón.

Eliminándose la variación de ese proceso a lo largo del tiempo (Zshift) y centrándolo, se obtiene la capacidad de corto
plazo (Zst) que representa lo mejor que el proceso puede ser.

El ZST es el que debe ser reportado como la capacidad Sigma del proceso.

Cuando alguien dice que un proceso es “X” Sigma es del Zst del que está hablando.
38
Por lo tanto, para calcular la capacidad de los datos variables recogeremos los datos por un período razonable de
tiempo (de modo que podamos formarnos una imagen del proceso que se cree que representa la variación típica a la
que el proceso está normalmente sujeto).

Hecho esto, calcularemos la distancia media hasta el límite de especificación más próximo en número de desviaciones
estándar, el Zlt (esa es la capacidad actual).

Sumaremos 1,5 s y tendremos el Zst (es decir, la capacidad potencial).

Observación: veremos más adelante que para datos variables es posible estimar el Zshift real.

Minitab

Para el cálculo de capacidad de un determinado

proceso debe haber una columna con los datos del
Para el cálculo de capacidad debe estar
proceso y otra que contenga el tamaño de los subgrupos
identificada por lo menos una de las
(esta columna puede ser omitida en caso de que todos
especificaciones.
los subgrupos tengan el mismo tamaño)

39
 La capacidad de largo plazo (Zlt) da la probabilidad real del proceso de generar defectos y tiene asociada a ella la
cantidad de defectos por millón (ppm). El objetivo de un proyecto Seis Sigma es mejorar el proceso de forma que
tenga 3,4 ppm.

La capacidad de corto plazo (Zst) es un valor teórico obtenido adicionando 1,5 s al Zlt. Esto es lo mejor que se
puede esperar del proceso en caso de que este centrado y sólo tenga variaciones a corto plazo.

Atención: es posible calcular para los datos variables el Zshift (en lugar de usar el teórico 1,5s) y calcular el Zst con
ese valor. Pero, para mantener la misma base de comparación para los datos discretos, adoptaremos siempre el
teórico.

Resumiendo: la capacidad s del proceso para datos variables está dada por Zlt + 1,5 y la cantidad de defectos por
millón y dada por ppm a largo plazo. 40
 Ejemplo:

Para que um Negocio sea competitivo en el mercado en el que actua es esencial que, una vez que el cliente haya hecho el
pedido, sea atendido en un máximo de 7 días. Además de eso, el tiempo mínimo para la entrega del pedido es de 1 día, que
es el tiempo para que el cliente pueda prepararse para recibir los productos en sus instalaciones.

Fue designado un Green Belt para desarrollar ese negocio. Los datos fueron recolectados en subgrupos de tamaño 5 toda
la semana durante 30 semanas y fueron analizados utilizando Minitab.

1-) Este es el valor de ZLT: Observe que el valor real que calculamos es el de Zlt.

ZLT = Distancia al límite de especificación más próximo hasta la media en número de sLT .

ZLT = LEmás próximo -  = 78.25 - 24 = 3,85

sLT 14.07

2-) Este es el valor de ppm del proyecto. Es calculado a partir de la tabla de estadística “Z” de las páginas 22 y 23. Para Z=3,85 la
probabilidad de defectos (valores por debajo de 24) es de 5,8E-5, o sea 57,97 ppm.

El valor de la capacidad s del proyecto es, por lo tanto, el sst que es calculado adicionando el valor del Zshift teórico de 1,5s. Por
lo mismo este proceso es un proceso 5,35 s.

Conclusión: este proceso tiene capacidad 5,35 s y 57.79 ppm.

Obs.: observe que Minitab puede calcular el Zshift real del proceso (en el caso de este ejercicio su valor es de 2,52). Asi se puede
calcular un Zst con ese valor Zshift calculado que aparece en la columna con título ST (short term) encima.
41
Herramientas Seis Sigma - Evaluación Inicial de Salida del Proceso - “Y”
Discreto (Fase de Medición)
Unidad
1. Una medida de volumen de salida de su área
2. Es observable y contabilizable.
3. Debe tener un punto de inicio y término definidos
- Donde el trabajo es normalmente analizado críticamente (ej. Punto de inspección)
4. Es la “cosa” sobre la cual se están contando los defectos

Ejemplos :
- Pedido de un producto por el cliente
- Llamada telefónica de un cliente
- Orden de compra
- Pedido de importación
- Orden de compra
- Una instalación de equipo
- Un producto o una pieza

Oportunidad
• Indica la complejidad del proceso
• Necesitad de ser Independiente
• Medible
Oportunidad es el número de chances de un proceso de desviarse de lo esperado.

Ej. 1) Un proceso de importación puede fallar de tres formas diferentes: llegar el producto fuera de
plazo: la documentación está incorrecta; no llega el producto correcto (3 oportunidades).
2) Un proceso de cotización puede fallar de dos formas diferentes: no se consigue cumplir el plazo
previsto y no se presenta la documentación necesaria (2 oportunidades)

Oportunidad puede ser también cada una de las partes menores de una unidad donde se van a contar los
defectos.

Ejemplo:

- En una orden de compra hay 5 campos que si no fueron diligenciados correctamente habrá problemas para
el cliente (5 oportunidades)
- Para que pueda ser hecha una importación de un determinado equipo deben entregarse en la aduana 3
documentos básicos (3 oportunidades )
- Un determinado equipo está constituído de diez partes básicas que serán analizadas para ver que no haya
defectos en alguna de las partes (10 oportunidades).
- Un determinado equipo debe ser instalado para un cliente y está constituído de 15 partes básicas que deben
42adecuadamente (15 oportunidades)
ser verificadas después del montaje para ver si estén funcionando
Defecto

1. Cualquier cosa que genera insatisfación al cliente.

2. Cualquier cosa que genera no-conformidad en una oportunidad o en una unidad.
3. Cualquier variación de una característica requerida de un producto o servicio o sus piezas que impida al
producto o servicio satisfacer los requisitos funcionales o físicos del cliente.
4. Cualquier cosa que causa que alguien o que un producto se salga del proceso normal

DPU - ( Defectos por Unidad ): es el número total de defectos dividido por el número
total de unidades recolectadas por un período razonable de tiempo (de modo que se
pueda formar una imagen del proceso que se cree que representa la variación típica a la
cual esta sujeto normalmente).

Ej: durante 3 meses un Green Belt recolectó 500 pedidos de clientes y verificó que 50 de
ellos fueron entregados fuera del plazo (una oportunidad por unidad: plazo).

DPU = N0 Total de Defectos = 50 = 0,1 DPU = 0,1

N0 Total de Unidades 500

DPMO - ( Defectos por Millón de Oportunidades): es el número total de defectos dividido

por el número total de oportunidades, multiplicado por un millón recogidas por un período
razonable de tiempo (de modo que se pueda formar una imagen del proceso que se cree
que representa la variación típica a la cual esta sujeto normalmente).

Ej: durante 3 meses un Green Belt recolectó 500 pedidos de clientes y verificó que 50 de
ellos fueron entregados fuera del plazo y 100 de ellos fueron entregados con un producto
incorrecto (dos oportunidades por unidad: plazo y exactitud del producto).

DPMO = N0 Total de Defectos x 1.000.000 =

N0 Total de Oportunidades

DPMO = (150 / ( 2x 500 )) x 1.000.000 = 150.000

43
 Capacidad ( s ) - Datos de atributos

Partiremos del principio de que el valor de DPMO es la probabilidad de obtener un valor por debajo
del límite de especificación más próximo y el proceso se encuentra descentrado 1,5 s del valor del
blanco.

Por lo tanto, para obtener la capacidad s del proceso debemos verificar en las tablas de distribución
normal reducida cuál es el valor de la estadística “z” que corresponde a un área igual al valor de
DPMO. Este es el valor de ZLT.

Por esto, el valor de la capacidad s del proceso es el ZLT que corresponde a un proceso centrado y
que no varía a lo largo del tiempo. Para obtenerlo debemos adicionar 1,5s al ZLT.

LIE
LSE
ZST = ZLT+1.5

Corto
Supongamos Plazo
que el DPMO es
la probabilidad
de Z<ZLT

Largo
P ( Z < ZLT ) = Plazo
DPMO

ZLT= ? Zshift=1.5s

44
Ejemplo: un determinado Negocio viene recibiendo hace ya tiempo un gran número de reclamos de los clientes
diciendo que los productos solicitados llegan muchas veces fuera del plazo acordado y que muchas veces llega el
producto errado.

Un Green Belt fue designado para desarrollar un proyecto para eliminar estos problemas. Este proceso ya
contenía datos pasados que fueron utilizados por el Green Belt. Fueron tomados datos de 6 meses hasta hoy
(período razonable de tiempo para que ocurriesen todas las posibles fuentes de variación del proceso) y en cada
pedido era verificado si el producto había sido entregado dentro del plazo y si el producto entregado al cliente
estaba correcto. Los resultados obtenidos fueron:

- Oportunidades (no. de pedidos verificados en 6 meses): 1000

- Oportunidades: 2 (en cada pedido era verificado si el pedido fue entregado dentro del plazo y si el producto
fue entregado correctamente)
- Defecto: en cada pedido era considerado como defecto si el pedido era entregado fuera del plazo o si el
producto entregado estaba errado. Total en 6 meses: 13 defectos.

U = 1000 O=2 D= 13

DPU = 13 DPMO = 13 x 1.000.000 = 6500

1000 2 x 1000

Observando en la tabla normal reducida, cuál es el valor de la estadística “z” que corresponde a una
probabilidad de defectos de 6500 DPMO encontramos el valor de “z” = 2,48

Este es el valor de ZLT. Para obtener el valor de ZST se debe adicionar 1,5s al ZLT obteniéndose, entonces,
un valor de ZST de 3,98 que es la capacidad s del proceso.

Por lo tanto, este proceso es un proceso 3,98s con un ppm de 6500.

45
Minitab

En primer lugar se debe crear una columna titulada defectos y colocar el número de defectos
total obtenido. Después se crea una columna titulada unidades y se coloca el número total de
unidades estudiadas y por último se crea una columna titulada oportunidades (donde se coloca el
número de oportunidades por unidades, en caso de que se mantengan fijas para todas las
unidades).

Hecho esto, se utiliza el comando Six Sigma> Product Report:

Defectos Unidades Oportunidades

13 1000 2

El análisis de capacidad queda mejor hecho utilizando el Reporte 7.

46
 2 1

1- ) El Zbench es un valor ZST del proceso. Esta ya es el valor de la capacidad s del proceso. En este caso la
capacidad s del proceso es 3,98.

2-) Este es el valor de de ppm corresponde a un proceso con capacidad 3,98s. Este proceso tiene 6500 defectos
por millón.

Observación: para obtener el valor de ZLT basta disminuir 1,5s del ZST. En este caso el ZLT es 2,48.

Report 8A: Product Benchmarks

PPM
1000000

100000

10000

1000

100

10

0 1 2 3 4 5 6
[Link] (Short-Term)
47
Evaluando el impacto de las fuentes potenciales de variación (X’s) sobre el
proceso (Y)

Mapa para la escogencia de la herramienta estadística más adecuada

Este mapa es una referencia para que el Black Belt/Green Belt escoja la herramienta estadística más adecuada a fin de
evaluar si el impacto de una fuente de variación potencial (X) sobre la variable de respuesta del proceso es significativa.

X (Factor, Variable) tratado

como:
Contínuo Discreto(atributo)
Y (Respuesta)

• Box Plot
• Diagrama de Dispersión
Contínuo • Comparación de
• Regresión Simple
Medias (t student )
• ANOVA (1 Factor )

• Pareto
Discreto • Regresión Logística • Tabla Anal. Conting.
(atributo) • Chi Cuadrado: Independ.

Todas las herramientas de arriba serán tratadas más adelante (excepto la Regresión Logística) de forma que se
oriente al Black Belt/Green Belt en el reconocer cuándo deben ser utilizadas a fin de identificar las fuentes de
variación de impacto más significativo sobre la variable de salida del proceso.

48
Diagrama de Dispersión

Qué es?

Herramienta que estudia la relación entre una variable dependiente (Y salida del proceso) y una variable independiente (X)
para evaluar si esta es una fuente de variación significativa del proceso. Debe ser utilizada cuando Y fuera un dato contínuo y
X también fuera un dato contínuo.

Cómo se hace?

Se recogen por lo menos 50 pares de datos (X,Y). Diagrame los datos en un gráfico donde la variable dependiente esté en el
eje Y y la variable independiente en el eje X. Para cada par (X,Y) habrá un único punto sobre el gráfico.

Como interpretarlo

En caso de que los datos queden alineados en el gráfico diremos que existe correlación entre las variables. Además de eso,
hay una alta posibilidad de que la fuente de variación analizada (X) tenga un impacto significativo sobre la variable de salida
del proceso estudiada (Y).

En caso de que los datos queden alineados de forma que cuanto mayor sea X mayor es Y, diremos que existe una correlación
positiva. En caso de que los datos queden alineados de forma que cuanto mayor sea X menor es Y, diremos que existe una
correlación negativa.

Minitab

Observe que hay una columna para la

entrada de X y otra para la entrada
del correspondiente Y.

49
Observe en el gráfico de abajo cómo están alineados los datos. Podremos afirmar que hay correlación entre
las dos variables y, posiblemente, la fuente de variación (X) tiene impacto sobre la variable de salida del
proceso (Y). En este caso la correlación es positiva.

X
50
Box - Plot

Qué es?

Representación gráfica que permite comparar el comportamiento de salida del proceso (Y) contínua para diferentes niveles de
fuente de variación potencial (X) Discreta. El Box Plot funciona como si fuera una vista desde arriba de la distribución,
permitiendo evaluar tanto la tendencia central como la dispersión de la distribución.

Cómo se hace?

Coloque todos los datos en orden cresciente. Tome la mediana (2o cuarto). A partir de la mediana cuente 25% del total de los
valores por encima. El último valor es el 3o cuarto. Haga lo mismo contando 25% del total de los valores que están hacia
abajo de la mediana. Asi obtendrá el 1o cuarto. Haga un rectángulo cuyos lados sean el 1o y 3o cuartos y trace la mediana
dentro de ellos, paralela a los dos lados. Calcule la distancia entre el 3o cuarto y el 1o cuarto y multiplíquela por 1,5. Sume
este valor al 3o cuarto y trace una recta que salga del 3o cuarto hasta el último valor existente de la distribución antes de llegar
a este punto. Tome esta misma distancia entre el 3o y el 1o cuartos multiplicada por 1,5. Reste este valor del 1o cuarto y trace
una recta que salga del 1o cuarto hasta el último valor existente de la distribución antes de llegar a este punto. Cualquier valor
que caiga fuera de los límites deberá ser identificado, por ejemplo con un asterisco * (externadidad o “outlier”).

Ejemplo

Datos: 5 - 7 - 8 - 2 - 13 - 5 - 12 - 11 - 5 - 4 - 7 -1 - 25 - 14 - 12

Colocados en orden: 1 - 2 - 4 - 5 - 5 - 5 - 7 - 7 - 8 - 11 - 12 - 12 - 13 - 14 - 25

Mediana ( 2o cuarto): 7 ( dado que hay 7 valor mayores y 7 menores)

3o cuarto: 12 (sobre él hay 3 valores más altos y entre él y la mediana hay 3 valores más bajos)

1o cuarto: 5 (debajo de él hay 3 valores más altos y entre él y la mediana hay 3 valores más altos)

( 3o cuarto - 1o cuarto ) x 1,5 = ( 12 - 5 ) x 1,5 = 10,5

3o cuarto + 10,5 = 22,5 (el último valor de los datos antes de 22,5 y 14 )

1o cuarto - 10,5 = -5,5 (el último valor de los datos antes de - 5,5 y 1 )

Box Plot :

25 Externalidad (“ outlier “ )
20

15
C1

3o cuarto
10
mediana
5 1 o cuarto

51
Cómo interpretarlo

Cuando se utiliza el Box Plot para evaluar la influencia de una fuente potencial de variación (X) sobre la salida del
proceso (Y) se procura verificar en primer lugar si hay una diferencia grande de dispersión de Y para diferentes niveles
de X (para verificar la dispersión basta observar a todo lo largo el Box Plot). En caso de que esa diferencia sea grande
podemos afirmar que hay una gran posibilidad de que la fuente de variación (X) tenga influencia sobre la dispersión de
la variable de respuesta (Y).

En seguida se debe verificar si hay una diferencia grande de localización de la mediana de Y para diferentes niveles de
X (la mediana es la línea interna del rectángulo en un Box Plot). En caso de que esa diferencia sea grande podemos
afirmar que hay una gran posibilidad de que la fuente de variación (X) tenga influencia sobre la tendencia central de la
variable de respuesta (Y).

Minitab

Hay una columna con la variable de respuesta (Y) que se está estudiando

Hay una columna con los diferentes niveles de fuente de variación potencial (X) que se está estudiando.
52
Dispersión de
la Distribución

Mediana

53
Pareto(3)

Qué es?
Su nombre proviene del Economista/Banquero italiano (Vilfredo Pareto 1848 - 1923) quien observó que el 80% de la
riqueza italiana era controlada por el 20% de la población. El siguió estudiando muchos otros asuntos y comenzó a
descubrir que muchas cosas dentro de nuestro ambiente aparentaban seguir esa regla: “80-20”.

Los Gráficos de Pareto nos ayudan a focalizar nuestro esfuerzo en aquellos problemas que ofrecen la mayor oportunidad
para la mejora porque presenta la relación en un gráfico de barras (cuando utilizamos un gráfico de Pareto con esta
finalidad queda muy parecido a otra herramienta llamada Gráfico ABC). Este tipo de gráfico de Pareto es denominado
Pareto de un Nivel

Su teoría es utilizada actualmente por los grupos de calidad en aplicaciones semejantes.

Ejemplo: 80% de los defectos se relacionan con el 20% de las causas potenciales.
Enfocándonos en este 20% podemos eliminar las “causas” y por lo tanto consigue un impacto significativo y rápido
sobre los efectos.
Es utilizado para clasificar las potenciales fuentes de variación.

Cómo se hace?
•Para un determinado proceso (Y) escoja las fuentes potenciales de variación que serán estudiadas (X)
•Escoja una unidad de medición (las más comunes son frecuencia y costos)
•Escoja el período para la recolección de los datos.
•Para cada X potencial levante los costos o la frecuencia relativa.
•Los potenciales x’s son listados en el eje “X” y la frecuencia (o el costo) se lista en el eje “Y”.
Minitab
Columna con los potenciales X’s

Frecuencia de ocurrencia de cada defecto

54
Si hay una columna lista con la frecuencia para cada categoría,
usar la celda “ Frequencies in:” para indicar cual es esta
columna.

Defecto con mayor frecuencia

de ocurrencia

55
El gráfico de Pareto también puede ser utilizado para evaluar el impacto de las diferentes categorías de una fuente potencial de
variación (X) discreta sobre un Y discreto. Si para diferentes categorías de “X” hay grandes diferencias en la frecuencia para
“Y” discreto podemos afirmar que hay gran posibilidad de que “X” tenga influencia sobre “Y”.

Columna con el resultado de “Y”

Columna con una categoría

de un determinado “X”.

En este caso no hay una columna con la

frecuencia de ocurrencia de cada categoría
de “X” y es preciso hacer que Minitab
cuente la frecuencia por categoría. Por eso
se usa la opción “by variable in”.

56
Prueba de Hipótesis:

Qué es?

Pruebas utilizadas para verificar hipótesis de desigualdades entre parametros de una población. Debe ser aplicada para estudiar la
influencia de una determinada fuente de variación (X) discreta en una variable de respuesta de proceso (Y) continua.

Veamos la siguiente situación: el tiempo de embarazo de una mujer, según los médicos, sigue una distribución normal con una
media de 286 dias y con una desviación estándar de 16 dias. Si alguien le dijese que una mujer está embarazada hace 268 dias
Usted sospecharía de esta afirmación? Si ella dijese que está embarazada hace 305 dias, Usted sospecharía?
Para realizar una prueba de hipótesis siempre se deberá establecer una hipótesis inicial (conservadora) que es una igualdad sobre
el parámetro de población que se está estudiando. Esta hipátesis inicial se llama hipótesis nula (Ho). En contrapartida habrá una
hipótesis alternativa (Ha) para la cual se colectarán los datos a fin de aceptarla o rechazar la hipótesis nula.

Con relación a la primera pregunta de arriba: Usted sospecharía si una mujer dijese que está embarazada hace 268 días:
Ho: Mujer está embarazada hace 268 dias
Ha: Mujer no está embarazada hace 268 dias.

Probablemente su respuesta sera “no”, esto es, Usted no sospecharía pues 268 está próximo a la media, es decir, está próximo a lo
que sería una variación natural de proceso. Por lo tanto su conclusión sería rechazar la hipótesis alternativa y aceptar la hipótesis
nula.
268
 = 266 P = 45 %

s = 16 Tiempo de
Embarazo
__

__

__

__

__

__

__

__

__

__

__

__

__

__

__

__

__

__

__

__

__
160

170

180

190

200

210

220

230

240

250

260

270

280

290

300

310

320

330

340

350

360
Eje-Z
-4 -3 -2 -1 0 1 2 3 4

Podríamos decir también que cuando el valor del blanco está próximo a lo que sería la variación natural del proceso, el área a la
derecha (“p”) es grande. Por lo tanto cuando “p” es grande se acepta Ho y se rechaza Ha.

“P” es calculado con ayuda de la tabla normal reducida.

P=probabilidad (z>zc) donde Zc= x -  = 268 - 266 =0,125. Por la tabla normal reducida “p” = 45%
s 16

Este valor de “p” representa el riesgo de decir que una mujer no está embarazada hace 268 dias cuando la verdad es que lo está.
Es el riesgo de rechazar Ho cuando Ho es verdadero.
57
 Con relación a la primera pregunta de arriba: Usted sospecharía si una mujer dijese que está embarazada hace 305 días:
Ho: Mujer está embarazada hace 305 dias
Ha: Mujer no está embarazada hace 305 dias.

Probablemente su respuesta sera “si”, esto es, Usted sospecharía pues 305 está lejos de la media, es decir, está lejos de lo que
sería una variación natural de proceso. Por lo tanto su conclusión sería rechazar la hipótesis nula y aceptar la hipótesis
alternativa.
305
 = 266

s = 16 “p” = 0,7% Tiempo de

Embarazo
__

__

__

__

__

__

__

__

__

__

__

__

__

__

__

__

__

__

__

__

__
160

170

180

190

200

210

220

230

240

250

260

270

280

290

300

310

320

330

340

350

360
Eje-Z
-4 -3 -2 -1 0 1 2 3 4

Podríamos decir también que cuando el valor del blanco está lejos de lo que sería la variación natural del proceso, el área a la
derecha (“p”) es pequeña. Por lo tanto cuando “p” es pequeño se acepta Ha y se rechaza Ho.

“P” es calculado con ayuda de la tabla normal reducida.

P=probabilidad (z>zc) donde Zc= x -  = 305 - 266 =2,44. Por la tabla normal reducida “p” = 0,73%
s 16

Este valor de “p” representa el riesgo de decir que una mujer no está embarazada hace 305 dias cuando la verdad es que lo está.
Es el riesgo de rechazar Ho cuando Ho es verdadero.

La pregunta ahora es: a partir de qué valor se puede decir que “p” es muy pequeño y por lo tanto podremos rechazar la hipótesis
nula y aceptar la hipótesis alternativa? En el área comercial este valor es 0,05, o sea 5%. En otras palabras, es de un máximo de
5% el riesgo de rechazar Ho cuando Ho es verdadera. Este valor es denominado nivel de significado de la prueba (a).

ATENCION: más adelante veremos los tipos de pruebas más utilizados en proyectos Seis
Sigma. El lector debe ser consciente de que por simplificación, se mostrará sólo la
aplicación práctica de la herramienta con la ayuda de Minitab. Sugerimos a aquellos que
quieran profundizar más en los conceptos estadísticos que busquen en la bibliografía
recomendada los capítulos sobre estas pruebas de hipótesis y comparación de medias.
58
 Prueba de Hipótesis: como funciona ?

l Después de la recolección de los datos calculamos:

l un “Valor-P”.

l El “Valor P” es la probabilidad de que tales resultados ocurran cuando Ho es Verdadera.

l El “Valor P” se basa en una distribución estimada o real de referencia (Normal, Distribución T, Chi
Cuadrado, Distribución F, etc.)

l “Valor-P” bajo l “Valor-P” elevado

l Ho es Rechazada l Ho No es Rechazada

La Prueba de Hipótesis consiste en establecer una hipótesis básica que se conoce como hipótesis nula: Ho (es siempre una
igualdad con un parámetro de población), y establecer una hipótesis alternativa a ella: Ha.

Se deben recoger datos que sirvan para comprobar si es posible negar la hipótesis nula y mantener la hipótesis alternativa (en caso
contrario se mantiene la hipótesis nula)

Como en los proyectos Seis Sigma queremos hacer pruebas sobre medidas y dispersiones, los casos más comunes que aparecen en
proyectos Seis Sigma son:

1-)Prueba de Medias 2-) Prueba de Medias ( ANOVA ) 3-)Prueba de Desviación Estándar

(dos muestras) (dos o más muestras) (dos o más muestras)

Ho : a = b Ho : a = b = ... = n Ho : sa = sb = ... = sn
Ha : a = b Ha : pro lo menos una media diferente Ha : por lo menos una desviación
estándar diferente
Minitab : Minitab : Minitab :
Stat>Basic Statistics> Stat>ANOVA> One-way... Stat>Anova >Test for Equal Variances
2- Sample-t

Conclusión: - si p>0.05 se acepta Ho y se rechaza Ha, las diferencias se deben a la variación natural del proceso
- si p<0.05 se acepta Ha y se rechaza Ho, se puede afirmar con un riesgo de p% que la diferencia es
estadísticamente significativa, y no tiene lugar sólo por variación natural del proceso.
59
El orden correcto del análisis de los datos en este caso es:

1-) Primero se verifica que los datos estén apilados. Si no lo estuvieran, apílelos.

2-) En seguida se hace un análisis gráfico de los datos, generalmente utilizando el Box Plot

3-) Se analizan las muestras para ver si no hay una diferencia en las dispersiones.

4-) Por último, se analizan los datos para ver si no hay una diferencia en las medias.

Se recomienda que los datos de las muestras estén siempre apilados de la misma manera a fin de facilitar el análisis
utilizando Minitab. Se sugiere crear una columna auxiliar con los índices a fin de identificar cuáles son las muestras
correspondientes a los datos.

Minitab

Cómo “Apilar” datos: Columnas que se desea apilar

Columna donde se van

a colocar los datos apilados
A+B

Columna donde se van a colocar los índices

señalando a qué muestra pertenece cada dato.

60
 Apilados los datos, el próximo paso es hacer un análisis gráfico de los datos. Como la prueba de hipótesis se aplica cuando “Y”
es variable y “X” discreto, el gráfico que mejor se ajusta para este caso es el Box Plot.

La pregunta que debe ser respondida es:

a-) Hay una diferencia significativa entre las

dispersiones de las dos muestras?

B-) Hay una diferencia significativa entre las

medias de las dos muestras?

En seguida se estudia si la diferencia de las dispersiones se debe sólo a la variación natural del proceso o si las muestras
tienen dispersiones que son estadísticamente diferentes:

Prueba de Desviación Estándar:

(Dos o más muestras)

Ho : sa = sb = ... = sn
Ha : por lo menos una desviación estándar diferente

Minitab :
Stat>Anova > Test for Equal Variances

Conclusión: - si p>0.05 se acepta Ho y se rechaza Ha, las diferencias se deben a la variación natural del proceso
- si p<0.05 se acepta Ha y se rechaza Ho, se puede afirmar con un riesgo de p% que la diferencia es
estadísticamente significativa, y no tiene lugar sólo por variación natural del proceso.

A+B

A+B

61
 Vea siempre el resultado de la prueba
Conclusión: en este caso, como el valor de “p” es mayor que 0.05 se
de Levene porque esta no presupone la
acepta Ho y se rechaza Ha. La diferencia que existe entre las
normalidad de la población de donde
dispersiones es debida a la variación natural. Esta diferencia no es
fueron tomados los datos.
estadísticamente significativa. No hay diferencia entre las
dispersiones.

En seguida se estudia si la diferencia de las medias se debe sólo a la variación natural del proceso o si las muestras tienen
medias que son estadísticamente diferentes:

1-)Prueba de Medias 2-) Prueba de Medias ( ANOVA )

(dos muestras) (dos o más muestras)

Ho : a = b Ho : a = b = ... = n
Ha : a = b Ha : por lo menos una media diferente

Minitab : Minitab :
Stat>Basic Statistics> Stat>ANOVA> One-way...
2- Sample-t

Conclusión: - si p>0.05 se acepta Ho y se rechaza Ha, las diferencias se deben a la variación natural del proceso
- si p<0.05 se acepta Ha y se rechaza Ho, se puede afirmar con un riesgo de p% que la diferencia es
estadísticamente significativa, y no tiene lugar sólo por variación natural del proceso.

62
 Columna que contiene los datos apilados

Ha : a = b

Este cuadro sólo puede estar marcado

cuando el resultado de la prueba de
dispersión indique que las dispersiones de
las dos muestras son iguales.

Conclusión: Como el valor de “p” es menor que 0,05 entonces se acepta Ha y se rechaza Ho. La diferencia que existe
entre las medias no es sólo consecuencia de la variación natural sino que se debe a que hay realmente una diferencia
estadísticamente significativa entre las medias.

63
ANOVA (Análisis de Varianza )

Qué es?

Sirve para verificar las diferencias entre las medias para 2 o más muestras.

Vimos anteriormente que la utilización de la prueba de hipótesis para medias cuando tenemos dos muestras. ANOVA puede
ser utilizado tanto para dos muestras como para más (desde que los datos de cada muestra tengan la misma dispersión).

Prueba de Medias (ANOVA)

(dos o más muestras)

Ho : a = b = ... = n
Ha : Por lo menos una media diferente.

Minitab :

Se debe utilizar este Valor-P para

tomar las decisiones.

64
Análisis de Regresión (Linear Simple)

Qué es?

Herramienta que estudia la influencia de una determinada fuente de variación (X) contínua sobre la salida de un proceso (Y)
también contínua, que se está estudiando.

Cómo se hace?

Se recogen pares de datos (X,Y) que son colocados en un diagrama de dispersión a fin de insertar gráficamente la relación
entre las dos variables.

Hecho esto se deberá encontrar la recta que mejor se ajuste a los datos. Esta recta es la que vuelve mínima la suma de los
cuadrados de las distancias entre la recta y los puntos experimentales. Esta recta es conocida como la recta de los mínimos
cuadrados y es frecuantemente descrita a través de la ecuación:

Y = bo + b1.X

donde b1 = S ( xi - x )yi bo = y - bx
S ( xi - x ) 2

Adicionalmente a esto, existe una medida de cuán próximos los pares de datos están alineados según la recta. Este valor es
denominado coeficiente de determinación y es representado por R2 (R al cuadrado). El mayor valor posible de R2 es 1 y
significa que el 100% de la variación en “Y” puede ser explicada por la variación en “X” (cuanto más próximo a 1 mejor la
relación entre “Y” y “X”). Por otro lado, el menor valor posible de R 2 es 0 que significa que nada de la variación de “Y”
puede ser explicada por la variación en “X” (cuanto más próximo a 0 peor es la relación entre “Y” y “X”).

Ho : inclinación de la recta = 0 ( no hay relación entre “Y” y “X” )

Ha : inclinación de la recta = 0 ( existe relación fuerte entre “Y” y “X” )

Se calcula el valor de “p” y se saca la siguiente conclusión:

- en caso de que “p” sea menor que 0,05 se acepta Ha y se rechaza Ho . Existe relación entre “Y” y “X” .
- en caso de que “p” sea mayor que 0,05 se acepta Ho y se rechaza Ha . No existe relación entre “Y” y “X”
.

Observaciones Importantes:

1-) Para estudiar la relación entre dos variables se recomienda enfáticamente que se recojan por lo menos 50 pares de
datos (X,Y).

2-) Existen otras relaciones entre dos variables que no son relaciones lineares. Hay relaciones cuadráticas, cúbicas, etc.
En este capítulo sólo se estudió la relación lineal que es la más simple para ser aplicada a un proyecto Seis Sigma.

3-) Es posible estudiar la influencia de más de una fuente de variación (X) sobre la respuesta (Y). Este estudio es
denominado Análisis de Regresión Múltiple. Es frecuentemente utilizada, por ejemplo, en estudios económicos. Como el
caso del Análisis de Regresión Simple es lo que aplica a la mayoría de los casos en los proyectos Seis Sigma, se
restringirá este capítulo sólo al estudio de este caso.
65
Minitab :

Debe haber una columna con los

datos de la fuente de variación (X).
Observe que para cada “X” existe un
correspondiente “Y”. Debe haber una columna con los
datos de la variable de respuesta
(Y). Observe que para cada “Y”
existe un correspondiente “X”.

La ecuación de la recta que mejor se ajusta a los puntos

y al respectivo coeficiente de determinación son
presentados encima del diseño de los gráficos.

Como “p” es menor que 0,05 se acepta Ha y se

rechaza Ho. Existe relación entre “X” y “Y”..

66
 Análisis de regresión múltiple (lineal)
¿Qué es?

Herramienta que estudia la influencia de diversas fuentes de variación (X) continuas en la salida de un
proceso (Y) también continuo con el fin de desarrollar un modelo óptimo con el menor número de variables y
una mejor correlación del modelo posible. El modelo matemático del proceso final es el siguiente:

Y = bo + b1.X1 + b2.X2 + ... + [Link]

donde:
bo = Constante del modelo
Bn = Coeficientes que multiplican cada una de las variables

¿Cómo hacer?

Se recogen datos de todas las variables de entrada (X) y la variable de salida (Y). Modelos de regresión
múltiple requieren más trabajo que las regresiones simple puesto que no es practico trazar los puntos de
regresión múltiple de todas las variables en una sola grafica: se necesitaría de múltiples dimensiones para
hacer la gráfica de todas las variables al mismo tiempo. Para hacer un modelo de regresión múltiple se puede
utilizar las etapas siguientes:

1 - Recopilación de datos / Elección del período de menor nivel de ruido

En teoría, seria suficiente hacer el modelo de regresión múltiple con los datos recogidos sin ningún tipo de
análisis, pero en la práctica lo que sucede es que generalmente los datos están llenos de interferencia de
ruidos, así que es muy interesante utilizar el “Time series plot” para identificar un comportamiento anómalo
que haya sucedido durante el período de recogida.

Cada X debe de estar en una columna, así como la Y, que debe de estar
en una columna separada. Es una buena práctica de recolección de los
datos utilizar una variable para controlar el número de las muestras,
tales como la fecha, turno, tiempo, etc. o colección.

En los puntos indicados se

puede ver claramente un
comportamiento anómalo del
proceso y en estos casos es
importante evaluar los datos
con los expertos y evaluar si
este es el comportamiento
normal del proceso o si se
debe a causas especiales. En
el según caso se debe
eliminarlos del análisis .

67
 Análisis de regresión múltiple (lineal)

2 - Estudiar el mejor modelo (Best subsets o stepwise)

Después de elegir el período, podemos comenzar el estudio del mejor modelo de regresión múltiple para los
datos. Este estudio sirve para reducir al número óptimo las variables que componen el modelo. Hay dos
posibles técnicas con Minitab:

Best Subsets:
permite evaluar las posibles combinaciones entre las
X’s para ayudar en la determinación sobre la cual
provee lo mejor modelo de regresión.
Se sugiere este método si hay al máximo 6 X’s siendo
analizadas

Stepwise:
Puede ser usado cuando hay muchas X’s en el análisis
(mas que 6) y/o algunos, o todos, pueden estar
correlacionados.
Esta técnica de reducción del modelo, frecuentemente
excluye las X’s que presentan alta correlación entre
ellas.

Resultado Best Subsets en Minitab Resultado Stepwise en Minitab

Indicadores de “calidad“ de los modelos.

R-Sq: Para modelos con el mismo número de variables,
elegir lo R-Sq mas alto.
R-Sq(adj): Para modelos con o diferentes números de
variables, elegir lo R-Sq(adj) mas grande, es mas usado en Se debe siempre intentar obtener el
regresiones múltiples que el R-Sq. modelo que tenga el mejor conjunto de
Mallows Cp: Debe de ser menor o igual al nº de variables los indicadores al lado. Ni siempre es
en el modelo + 1. valido añadir una variable mas por una
S: Lo mas bajo posible. pequeña mejora en los indicadores.
68
 Análisis de regresión múltiple (lineal)

3 – Desarrollo del modelo matemático

El desarrollo del modelo es similar al de la regresión simple Opción para activar el indicador
(Stat > Regression). Se debe utilizar dos nuevas opciones VIF
para mejorar el análisis. La primera es clicar en el botón
“Options...”, y seleccionar la opción “Variance Inflaction
Factors”

Botones para mejora del análisis.

“Option...” permite el cálculo del
VIF, “Graphs...” Permite la
selección para plotar los residuos
del análisis.

Ecuación matemática del modelo

Para todas las variables excepto la X8 “p” es menor a

0,05. Se acepta Ha y se rechaza Ho . Existe relación
entre los “X’s” e “Y”. La variable X8 deberá pasar por
una investigación con los especialistas para ver si debe
permanecer en el modelo.
Los Valores VIF están próximos a 1, indicando que no
hay multicolinearidad.

Regla Practica:
Utiliza el R- VIF < 5 – Existe baja o ninguna
Sq(adj). correlación entre las variables
VIF <10 – Existe moderada
correlación
VIF > 10 – Existe grande
correlación

Test de hipótesis para validación del modelo. Las

hipótesis todavía son las mismas de la regresión
simple.
Como “p” menor a 0,05 se acepta Ha y se rechaza
Ho . Existe relación entre “X” e “Y” .

Puntos identificados con alto factor residual.

Deben de ser estudiados con los especialistas del
processo, para evaluar si hubo alguna causa
especial en este punto.

69
 Análisis de regresión múltiple (lineal)

A diferencia de la regresión simple, la regresión múltiple contiene un test de hipótesis para cada variable, que
evalúa si hay o no hay correlación de cada X con la variable Y, y por lo tanto si la X debe o no debe estar en el
modelo de regresión. Es importante destacar que el fracaso de una X no necesariamente indica que ella
debería ser eliminada del modelo. Se debe evaluar con los expertos, si hay influencia de la X en cuestión en el
proceso y evaluar si su presencia en el modelo mejora significativamente el ajuste de los datos. Otro factor
que puede conducir a la eliminación de las variables es el factor VIF, que indica si hay multicolinealidad alta
entre las variables.

Otra herramienta muy útil para el estudio de multicolinealidad es la Matrix Plot, que es el diagrama de
dispersión para cada par de variables en el modelo. Su uso es muy sencillo y visual.

Matriz con la grafica de

dispersión de cada una de las
X’s. El cuadro muestra la
gráfica de X1 como el eje “X” y
X2 como el eje “Y”. No existe
correlación entre las variables.

70
 Análisis de regresión múltiple (lineal)

4 - Resíduos
Un factor muy importante en el análisis de regresión múltiple es el análisis de los residuos. Suponiendo que el
modelo se ajuste al modelo real del proceso, las influencias de proceso externos, tales como las influencias
del sistema de medición, deben ser al azar, siendo distribuidas alrededor de la media (cero) y de manera
normal.

Dentro de la pantalla de
regresión hacer clic en
“Graphs...” para abrir esta
pantalla. Seleccione la opción Graficas para evaluación de los residuos. Podemos ver por el
“Four in One” para juntar todas Histograma y por el “Normal Probability Plot” que los residuos
las graficas en una única hoja. parecen normales, y están centrados en cero. Por el “Versus Fit” y
por el “Versus Order” podemos concluir que parece no existir
ninguna tendencia de error en la medición al cabo de los puntos
recogidos.

Es una buena practica, después del análisis de los residuos, volver a la

etapa dos y evaluar una vez mas si con el menor numero de variables el
modelo esta satisfactorio.

5 - Influencias Individuales de las variables

La ultima etapa del análisis de un modelo de regresión múltiple es
la evaluación de la influencia individual de las variables sobre la
Y. Para esto, se utiliza el “Main Effect Plot”.
Stat > ANOVA > Main Effects Plot

71
 Análisis de regresión múltiple (lineal)

En esta grafica tenemos el valor No es posible observar una clara

promedio de “Y” para cada valor correlación entre las dos
de cada uno de las “X’s” variables. La variables parece
oscilar alrededor del promedio.

Es posible observar una

correlación entre las variáveis
X4 e la Y.

Observaciones importantes :

1-) Para estudiar la relación entre dos variables se recomienda que sean recogidos por lo menos 50 pares
de dados ( X’s, Y ) .

2-) Existen otras relaciones entre variables además de la lineal. Hay relaciones cuadráticas, cubicas etc. En
este capitulo se estudió solamente la cuadrática, que es la mas sencilla y la mas utilizada en proyectos Seis
Sigma.

72
Prueba Chi Cuadrado para Dependencia de Variables:

Qué es?

Herramienta utilizada para verificar que existe dependencia entre la respuesta del proceso (Y) y una determinada fuente de
variación (X). Sirve para probar la influencia de una determinada fuente de variación (X) discreta sobre la respuesta del
proceso (Y) discreta.

La prueba de Chi Cuadrado puede ser vista como una prueba de hipótesis donde:

Ho: las variables son independientes (no hay relación entre “Y” y “X”)
Ha: las variables son dependientes (hay relación “Y” y “X”)

Se calcula el valor de “P” y se saca la siguiente conclusión:

- En caso de que “p” sea menor que 0,05 se acepta Ha y se rechaza Ho. Existe relación entre las variables.
- En caso de que “p” sea mayor que 0,05 se acepta Ho y se rechaza Ha. No existe relación entre las variables.

Cómo se hace?

Se debe montar una tabla de contingencia con los datos discretos tanto de “Y” como de “X” para poder hacer el análisis.
Veamos el siguiente caso:

Una mujer reclama que se candidatizó a un determinado cargo en una empresa y que, a pesar de haber obtenido muy buenos
resultados en todas las pruebas y las entrevistas no fue contratada. Insatisfecha con el resultado levantó la hipótesis de haber
sido víctima de discriminación por el hecho de ser mujer. Será que esta empresa tiene historia de discriminación sexual?
Veamos los datos de los últimos dos años:

Contratados No contratados
Hombres entrevistados 30 70
Mujeres entrevistadas 15 35

Probablemente analizando estos datos Usted diría que no hay indicios de discriminación puesto que la proporción de hombre y
mujeres contratados es la misma. En otras palabras, no parece haber influencia de la fuente de variación (X) “sexo” sobre la
respuesta del proceso (Y) “ser contratado”.

Pero en el caso en que los datos presentados sean:

Contratados No contratados
Hombres entrevistados 30 70
Mujeres entrevistadas 5 45

Probablemente analizando estos datos Usted diría que hay indicios de discriminación puesto que la proporción entre hombres
y mujeres contratados es muy diferente. En otras palabras parece haber influencia de la fuente de variación (X) “sexo” sobre
la respuesta del proceso (Y) “ser contratado”.

73
Minitab

Tabla de contingencia

Los datos de las variables son proporcionales. Esto es, parece no haber influencia de la
fuente de variación (X) ‘sexo” sobre la respuesta (Y) “ser contratado”. Esto puede ser
comprobado por el cálculo del valor de “p” = 1,00 (se acepta Ho y se rechaza Ha: las
variables son independientes).

74
 Tabla de contingencia

Los datos de las variables son desproporcionados. Esto es, parece haber influencia de la
fuente de variación (X) ‘sexo” sobre la respuesta (Y) “ser contratado”. Esto puede ser
comprobado por el cálculo del valor de “p” = 0,003 (se acepta Ha y se rechaza Ho: las
variables son dependientes).

75
 Diseño de Experimentos – Factorial Completo
Etapa #1 – Creando la tabla para recoger los resultados de los experimentos

En la opción “Designs”
seleccionar el diseño
“Full Factorial”. En el
caso de que sea
necesario, añadir
replicadas, bloques o
puntos centrales

Es posible darles
nombres a los
factores y establecer
cuales seran los
níveles usados en el
experimento

Después de creada la tabla con los experimentos, se debe incluir una columna para registrar los resultados
76
 Diseño de Experimentos – Factorial Completo
Etapa #2 – Ejecutar los experimentos en la orden que Minitab sugiera (aleatoria) y
registrar los resultados en la planilla

Etapa #3 – Procesar los resultados en Minitab

Es importante analizar
la magnitud de los
efectos con un
pareto o normal plot
para que se tenga
una idea de su
significancia

El “Four in one” es la
grafica mas practica
para analizar lo
residuos

77
 Diseño de Experimentos – Factorial Completo
Etapa #4 – Analisar los resultados en Minitab – Parte I : Graficas

Después de ejecutar la herramienta de análisis de Minitab, si se siguen los pasos

descritos anteriormente, se obtienen dos gráficos: El de los efectos y de los residuos.

La gráfica de efecto puede aparecer tanto como una curva normal acumulada (como en
un test de normalidad) cuanto como Pareto (como se puede observar en la primera
gráfica de la página).
Si los efectos se muestran en el formato de Pareto, se podrá ver todos los efectos en
orden decreciente de magnitud y también la línea de significación estadística (en rojo,
en este caso con el valor 2.120). Esta línea nos ayuda a definir qué factores son
realmente importantes para la variable respuesta y ayuda a construir un modelo
matemático solamente con los factores que impactan. En este caso, se puede ver que
los únicos efectos significativos para la compra potencial para el jabón en cuestión son la
forma y el precio, dejando la fragancia y otros efectos cruzados en el fondo en
preferencia de los consumidores.

El segundo gráfico se llama "Four in one" (cuatro en uno) y cuenta con cuatro formas
diferentes de observar los residuos (diferencia entre el valor real y el predicho por el
modelo). La palabra clave es RANDOM (aleatorio). Si el residuo está presente de forma
aleatoria, acercándose a un comportamiento normal es una señal de que el experimento
se llevó a cabo sin injerencia externa y / u otros problemas que molesta y / o afectados
respuesta del entrevistado 78
 Diseño de Experimentos – Factorial Completo
Etapa #4 – Analisar los resultados en Minitab – Parte II : Session Window

La segunda mitad del análisis de un diseño de experimentos se debe realizar en

la ventana de sesión de Minitab, donde se puede ver si los efectos son
significativos, el nivel de ajuste obtenido (en este caso representado por el
coeficiente de correlación: R-cuadrado) y de manera más detallada, qué efectos
(primer, según, tercer orden ...) son estadísticamente significativos.

En el momento de las análisis es importante señalar que la “P-value” que se esta

utilizando como crítico (generalmente utilizado Pcrítico = 0,05) y que sólo es
posible obtener “P-values” si se realizan réplicas - Minitab utiliza la variabilidad
encontrada en respuestas diferentes para la misma condición para estimar los
intervalos de confianza y así determinar los valores de p).

En este caso, aparecen en el modelo matemático para optimizar la compra

potencial de jabón los efectos de forma (P = 0,000), precio ((P = 0,001) y la
constante de la ecuación (P = 0,000). Otros factores e interacciones no fueron
significativos.

Falta la respuesta de una pregunta: ¿Cuál es la mejor combinación de los niveles

que conducen a un mejor potencial de ventas? En otras palabras, el jabón debe
de ser de cual forma y a qué precio? 79
 Diseño de Experimentos – Factorial Completo
Etapa #5 – Encontrar lo escenario optimizado

Después de realizar el
analisis de los
experimentos, la
opción “Response
Optimizer” estará
disponible.

En este caso, seleccionar dentro de “Goal” la opcion

“Maximize “ puesto que se quiere alcanzar el
maximo potencial de compra possible.
Seleccionar la columna que
contiene las respuestas y Además, es importante informar al software cuales
hacer click en SETUP son los valores mínimos y meta. Para este diseño
los valores son 1 y 5 respectivamente.

La respuesta encontrada por Minitab

estará marcada de rojo y corresponde
a la mejor condicion posible dentro
de los fatores y niveles. En este caso,
el potencial de compra seria
maximizado si el produto fuera en la
forma líquida, com consto de $2,50 y
com el aroma de lavanda. Se sabe
todavia que Precio y forma son los
fatores que tienen significância
estatística.
80
Cartas de Control Estadístico del Proceso (SPC) (3)

Qué es?

Gráfico de acompañamiento del comportamiento de una variable de un proceso a lo largo del tiempo. En este gráfico existen
límites de control superior e inferior en cada lado de la línea media del proceso. Estos límites son determinados estadísticamente
y son calculados por la distancia de 3 desviaciones estándar a partir de la media.

En caso de que los puntos diagramados se localicen dentro de los límites sin presentar patrones no aleatorios, decimos que sólo
existe la variación natural del proceso o causas comunes de variación. En caso de que haya puntos fuera de los límites o patrones
no aleatorios de variación decimos que hay causas especiales de variación y una investigación del proceso debe ser realizada a
fin de detectar esta causa especial y, en caso de que sea identificada, eliminarla.

Cómo se hace?

Hay muchos tipos de Cartas de Control. El cuadro de abajo ayuda en la escogencia de la carta de control correcta.

Escogiendo el Tipo de Gráfico de Control Correto

Inicio
Nota: las barras tienden a ser
normalmente distribuidas
Atributos Tipo de Variables
debido al teorema del límite
central.

datos

Mediciones
Contando defectos
Individuales o de
o defectuosos?
subgrupos?
Individuales Subgrupos
Defectos Racionales
(Poisson) Items Defectuosos
(Binomial)
El
subgrupo
es menor
de 6? No
Gráfico Si

X Individual
El área de oportunidad
& Amp.Móvil
es constante de una
muestra a otra? Si

No Gráfico-C
(o U) Si
Tamaño de la Gráfico Gráfico
Gráfico-U muestra Gráfico-NP (o P)
defectos constante? Xbarra-R Xbarra-S
Defectos por Items defectuosos
unidad No

Gráfico-P
Fracción defectuosa 81
De una forma general los pasos para llenar la Carta de Control son:

- Seleccione la variable de proceso (X) que va a ser controlada (o la respuesta del proceso “Y” que va a ser monitoreada).

- Seleccione una muestra teniendo en consideración tiempo y recursos para recolectar datos. De manera general para
datos discretos se toman muestras mayores que 50 y para datos continuos se toman muestras de tamaño entre 4 y 10. Se
sugiere mantener el tamaño de la muestra constante durante el estudio.

- La frecuencia de toma de las muestras debe ser hacha de forma tal que se de tiempo al proceso para variar a fin de
distinguir patrones en los datos. De forma general se considera como posibilidad que la recolección d los datos se haga a
cada hora, cada dos horas, una vez por turno, una vez al dia, a la semana, al mes, etc.

- Los datos deben ser diagramados en la carta de control para verificar que no son puntos fuera de los límites o un patrón
no aleatorio de variación (en general deben ser calculadas de 20 a 25 muestras antes de calcular las estadísticas y los
límites de control).

- Toda vez que fuera encontrado un punto fuera de los límites o de un patrón no aleatorio de variación se debe hacer una
investigación al proceso para ver si realmente ocurre algo y, si, en ese caso se confirme la presencia de una causa especial
de variación”.

Minitab

Debe escogerse el tipo de carta

de control que se desea usar con
base en el cuadro de la página
anterior.

Debe haber una columna para colocar los datos medidos y otra para colocar el subgrupo.
82
 Pulse este botón para escoger los
tipos de patrones no aleatorios de
variación que serán estudiados.

Columna que contiene los datos del proceso

Columna con informaciones sobre los subgrupos

Patrones no aleatorios que van a ser verificados: Minitab se encarga de verificar en la carta de control si ocurre alguno de
los patrones no aleatorios de variación que fueron seleccionados. En caso de que alguno de ellos sea identificado, en el
gráfico será apuntado en el sitio que ocurre la causa especial de variación y de qué tipo es.

83
Cartas Xbar-R Subgroup
size A2 D3 D4

2 1.880 - 3.267
3 1.023 - 2.574
4 0.729 - 2.282
5 0.577 - 2.114
6 0.483 - 2.004
Stat > Control Charts > Variable 7 0.419 0.076 1.924
8 0.373 0.136 1.864
Charts for Subgroups>Xbar-R … 9 0.337 0.184 1.816
Single Column : “VARIABLE” 10 0.308 0.223 1.777
Subgroup size : “SUBGROUP”
Tests … ; OK ; OK

UCLX ; LCLX = X + A2R

UCLR = D4R

LCLR = D3R

s = R/d2

Interpretación: carta X-Barra (carta superior): utilizada para datos continuos y muestra la variación media de los
subgrupos cuando el subgrupo es mayor que 1 y menor que 6 a lo largo del tiempo. En el caso de arriba no hay puntos por
fuera de los límites de control y no hay patrones no aleatorios de variación. Por lo tanto se trata de un proceso estable (o
previsible).

Los límites de control fueron calculados a partir de una distribución normal y representa 3 desviaciones estándar al rededor
de la media.

La carta R (inferior) utilizada para datos continuos y muestra la variación de la amplitud de los subgrupos a lo largo del
tiempo. No hay puntos fuera de los límites y no hay patrones no aleatorios de variación. Por lo tanto la variación de
amplitud a lo largo del tiempo es estable (previsible).

84
 Subgroup
Carta X Ind-MR size E2 D3 D4
2 2.660 - 3.267
3 1.772 - 2.574
4 1.457 - 2.282
Stat > Control Charts > Variable 5 1.290 - 2.114
Charts for Individuals>I-MR … 6 1.184 - 2.004
VARIABLE : x1 7 1.109 0.076 1.924
Tests … ; OK ; OK 8 1.054 0.136 1.864
9 1.010 0.184 1.816
10 0.975 0.223 1.777

UCLX ; LCLX = X + E2R

UCLR = D4R

LCLR = D3R

s = R/d2

Interpretaçión: carta X-Ind (carta superior): utilizada para datos continuos y muestra la variación de valores individuales a
lo largo del tiempo. En el caso de arriba no hay puntos fuera de los límites de control y no hay patrones no aleatorios de
variación. Por lo tanto, se trata de un proceso estable (o previsible). Por tratarse de datos individuales debe ser tomado con
bastante cuidado y confirmarse si su distribución es normal.

Los límites de control fueron calculados a partir de una distribución normal y representa 3 desviaciones estándar al rededor
de la media.

La carta R móvil (inferior) es utilizada para datos continuos y muestra la variación de la amplitud de un valor en relación al
anterior a lo largo del tiempo. No hay puntos por fuera de los límites y no hay patrones no aleatorios de variación. Por lo
tanto la variación de la amplitud a lo largo del tiempo es estable (previsible).

85
Cartas np ( número de items defectuosos )

Stat > Control Charts > UCLnp,LCLnp = np+3 np(1-p)

Attributes Charts> Np …
VARIABLE : number
NP Chart of Number
Subgroups in : SAMPSIZE 10 UCL=9,87
Tests … ; OK ; OK
8

Sample Count
6

__
4 NP=4,04

0 LCL=0

1 3 5 7 9 11 13 15 17 19 21 23 25
Sample

Cartas p (fracción defectuosa)

UCLp,LCLp = p+3 p(1-p)/n
P Chart of Number
1

0,06
UCL=0,05616
Stat > Control Charts >
0,05
Attributes Charts> P …
Proportion

0,04
VARIABLE : number _
P=0,0324
Subgroups in : SAMPLE 0,03

Tests … ; OK ; OK 0,02

0,01 LCL=0,00864

1 3 5 7 9 11 13 15 17 19 21 23 25
Sample

Interpretación: en los dos casos se trata de cartas de datos atributos Binomial. El tamaño de la muestra debe ser tomado
de forma que np>5. La carta “np” sólo puede ser utilizada cuando el tamaño de la muestra fuera constante en tanto que la
carta “p” puede usarse igual si el tamaño de la muestra varía.

La carta de arriba se encuentra inestable, pues hay puntos fuera de los límites de control. En cuanto a la carta inferior sólo
hay causas comunes de variación lo que denota un proceso estable. 86
Cartas c (número de defectos)
Stat > Control Charts >
Attributes Charts> C … UCLc,LCLc = c + 3 c
VARIABLE : number
Tests … ; OK ; OK

C Chart of number
18 1

16 UCL=15,81

14

12

Sample Count
10
_
8 C=7,56
6

0 LCL=0

1 3 5 7 9 11 13 15 17 19 21 23 25
Sample

Cartas U (número de defectos por unidad)

UCLu,LCLu = u + 3 u/n
Stat > Control Charts >
Attributes Charts> U …
VARIABLE : number
Subgroups in : SAMPSIZE
Tests … ; OK ; OK U Chart of sampsize
1,6

1,4

1,2
Sample Count Per Unit

Interpretación: en los dos casos se trata de cartas para datos

1,0 UCL=0,993
atributos Poisson. El tamaño de la muestra debe ser tomado de
0,8
forma que c>5. La carta “c” sólo puede ser utilizada cuando el
_
tamaño de la muestra fuera constante en tanto que la carta “u” 0,6
U=0,528
puede usarse igual si el tamaño de la muestra varía. 0,4

0,2

La carta de arriba se encuentra inestable pues hay puntos fuera LCL=0,063

0,0
de los límites de control. En cuanto a la carta inferior sólo hay 1 2 3 4 5 6 7 8 9 10 11 12 13 14
causas comunes de variación, lo que denota un proceso estable. Sample
Tests performed with unequal sample sizes

87
Diagramas y Listas de verificación para la elaboraçión de un Proyeto

Fase de Medición Mapa del

Proceso
Complementar el
Mapa del Proceso

Espina de Pescado
Analizar críticamente
el mapa del proceso
Matriz
Causa &
Efecto

Recoger el máximo
posible de datos
sobre las entradas Verificar la
(X’s) y salidas ( Y ) consistencia de los
del proceso datos recolectados

Hacer el análisis
estadístico

Calcular
Capacidad

Fase de Análisis
88
Lista de Verificación - Fases de Definición y Medición
Actividad Quincena 1 Quincena 2 Quincena 3 Quincena 4

Límites del proyecto

Revisión de los límites del proyecto c/ MBB y Patrocinador X
Previsión de los beneficios del Proyecto X
Verificación de la existencia de datos históricos confiables X X

Definición del Equipo

Definir el equipo Seis Sigma X
Reunir equipo Seis Sigma y definir participación y objetivos X
Apresentar el problema para el equipo X
Identificar los CTQ's X
Identificar la variable respuesta de proceso a mejorar ( Y ) X

Mapeo del Proceso

Reunir equipo para elaboración del Mapa del Proceso X
Identificar etapas - clave X
Identificar los CTQ's en cada etapa X
Identificar las potenciales fuentes de variación ( X's ) X

Espina de Pescado
Elaborar Espina de Pescado ( "Fishbone" ) X
Hacer un " brainstorming "para identificar los potenciales " X's " X
Complementar el Mapa del Proceso X

Matriz de Causa & Efecto

Hacer la Matriz de Causa & Efecto X
Definir las fuentes de variación (X's) de mayor impacto en los CTQ's X
Analizar criticamente el Mapa del Proceso y actualizarlo X

Recolección de datos y Análisis del Sistema de Medición

Variable respuesta (Y) ( continua/discreta ) ? X
Para "Y" discreta establecer definición operacional del defecto X
Verificar possibilidad de usar datos del pasado X
Entrenar personas que participarán de la recolección de datos X
Recolectar datos por un período en el cual sea posible observar X X X
las variaciones a las cuales el proceso esté sujeto

Análisis estadística de los datos

Para "Y" atributo calcular el % de defectuosos por CTQ X
Para "Y" continuo calcular estadísticas básicas y la normalidad X
Ejecutar ( cuando sea posible) gráficos básicos a fines de X
confirmar influenza de los "X's" sobre la variable respuesta (Y)

Cálculo de la Capacidad
Calcular el s actual del proceso y su respectivo ppm X
Revisar Fase de Medición c/ MBB y Patrocinador X

89
Fase de Análisis

Identificar los X’s obvios

utilizando el FMEA y análisis gráficos :
- Box Plot
- Diagrama de Dispersión
- Mapa de Tendencia
- Pareto
- Histograma

Identificar los X’s

no obvios utilizando
análisis estadístico:

- Pureba de Hipótesis
- Análisis de Regresión
- Prueba Chi-Cuadrado

La cantidad de Si
datos es suficiente Fase de Mejoría
para identificar
los pocos X’s
vitales?

No
90
Fase de Mejoría

Montar un Plan de
Acción con las
modificaciones previstas
al proceso y posibles
experiencias

Identificar los niveles

de mejor desempeño
del proceso para cada
“X”

Presentar el nuevo
Mapa del Proceso

Confirmar la
mejora de
capacidad
(nuevo s)

Fase de Control 91
Fase de Control

Identificar los
pocos “X’s” por
controlar

Es posible
montar un Si
dispositivo a
prueba de
error?

Estabelecer un
No
Plan para
Estabelecer otro implementarlo
método de
control:
- SPC
- Procedimento
- Check-list

Plan de Control

Pasar el proyecto a los dueños del proceso

92
Lista de Verificación - Fases de Análisis, Mejoría y Control
Actividad Quincena 1 Quincena 2 Quincena 3 Quincena 4

Análisis - FMEA
Reunir al equipo Seis Sigma para ejecución de un FMEA X
Ejecutar el FMEA del proyecto X
Reunir toda documentación existente sobre el Proceso X
Establecer lista de X's que representan alto riesgo p/ el cliente X

Análisis - Pocos X's vitales de mayor impacto sobre la "Y"

Identificar X's para los cuales hay datos de impacto sobre la "Y" X
Usar gráficos básicos para identificar los X's obvios X
Utilizar Mapa de Análisis Estadística para definir las herramientas X
estadísticas utilizadas p/ evaluar impacto de los X's en la Y
Recoletar más datos caso nohaya sido posible identificar los X
pocos X's vitales de impacto sobre la variable respuesta "Y"

Mejoría
Presentar Plan de Acción con base en los pocos X's vitales X
identificados en fase de Análisis
Presentar Plan de Acción con base en los X's de riesgo para el X
cliente identificados durante la elaboración del FMEA
Ejecutar acciones previstas en los Planes de Acción X X X
Caso sea necesario realizar experimentos para confirmar nivel X X X
de mejor desempeño de un "X"
Presentar el nuevo Mapa del Proceso X
Calcular nuevo s y confirmar mejora significativa en el proceso X

Control
Crear/perfeccionar controles p/ X's de riesgo identificados en el FMEA X
Elaborar procedimientos y " checklists" que ayuden al control X
de los pocos X's vitales
Verificar posibilidad de elaborar dispositivos a prueba de errores X
Establecer SPC (Control Estadístico del Proceso) X
donde sea necesário
Elaborar el Plan de Control X
Pasar el control del proceso para los dueños del proceso X
Confirmar benefícios logrados con el Proyeto X
Revisión final c/ MBB y Patrocinador X

93
Bibliografía
1-) J.M. Juran , “Juran’s Quality Control Handbook ,”Fourth Edition

2-) American Society for Quality ( Statistics Division ) , “ Glossary and Tables for
Statistical Quality Control”, Second Edition

3-) Michael Brassard and Diane Ritter , “ O Impulsionador da Memória II ,”Primeira

Edição

Lecturas recomendadas :
Estadística Básica :

1-) Pedro Luiz de Oliveira Costa Neto , “ Estatística “, Editora Edgard Blücher
2-) Sérgio Francisco Costa , “ Introdução Ilustrada à Estatística “ , Editora Harbra

Control Estadístico del Proceso :

1-) W. Edwards Deming , “ Qualidade : a revolução da Administração

Herramientas de Calidad:

1-) Manual de Referencia QS-9000 : Control Estadístico del Proceso - Instituto de

Qualidade Automotiva ( IQA ) e ANFAVEA
2-) Manual de Referencia QS-9000 : Análisis del Sistema de Medición - Instituto de
Qualidade Automotiva ( IQA ) e ANFAVEA
3-) Manual de Referencia QS-9000 : FMEA - Instituto de Qualidade Automotiva ( IQA ) e
ANFAVEA

94
95