Cursoseissigmamodulo 2

UIA
Curso de Seis Sigma

Transaccional para Black
Belts
Módulo II
Primitivo Reyes Aguilar
1
Contenido - Módulo II
 Introducción
 Despliegue de Seis Sigma en la empresa
 Gestión de procesos en la empresa
 Gestión de proyectos y liderazgo
 Fase de Definición
 Fase de Medición
 Fase de Análisis
 Fase de Mejora
 Fase de Control
 Empresa Lean
2
7. Metodología Seis Sigma
Fase de análisis
Primitivo Reyes A.
3
7. Fase de Análisis
 Propósitos y salidas
 Estudios de R&R por atributos
 Análisis del Modo y Efecto de Falla

(AMEF)
 Herramientas para la fase de análisis
 Verificación de causas raíz 4

Fase de Análisis
 Propósitos:
 Establecer hipótesis sobre las posibles Causas
Raíz
 Refinar, rechazar, o confirmar la Causa Raíz
 Seleccionar las Causas Raíz más importantes:
 Las pocas Xs vitales
 Salidas:
 Causas raíz validadas
 Factores de variabilidad identificados
5
Estudios de R&R por
atributos
6
Aplicación Transaccional de
Repetibilidad y
Reproducibilidad
Ejemplo de Administración de Programa:
 A lo largo de la duración de un Programa…
 Se proyecta el tiempo necesario para alcanzar
una meta en particular.
 Se registra el tiempo que tomó en realidad
alcanzar la meta.
 Se calcula la diferencia entre el tiempo
proyectado y el real. Los datos a usar son
“número de semanas de atraso”.
7
Datos de GR&R
(Número de Semanas de Atraso)
Programas Gerente Comprador Los datos son
de “número de
Programa
1 0 -37 semanas de atraso”
2 1 91 para la selección de
3 6 124 proveedores.
4 0 68 Observe cuan
5 0 -24 diferente miden el
6 23 45 mismo evento el
7 23 19 Comprador y el
8 0 66 Gerente de
9 69 86 Programa.
10 14 86
8
Resultado de Minitab®
GR&R (ANOVA) para las Semanas de Atraso
Componenentes de Variación
100 %Contribución
Porcentaje
%Var. Estudio
50
Interacción de Programas de Operadores

Operadores
0 1
100
GR&R Repetib Reprod Parte a Parte 2
Promedio
50
Gráfica de barras X por Operadores

150 0
1 2
Sample Mean
100
Programas 1 2 3 4 5 6 7 8 9 10
50
-50
0
9
Resultados de GR&R
Gage R&R
Source Variance %Contribution
Total Gage R&R 1948.0 88.52
Repeatability 0.0 0.00
Reproducibility 1947.9 88.52
Part-To-Part 252.7 11.48
Total Variation 2200.6 100.00
 El 88.52% de la variación observada se debe a la

diferencia de la medición del mismo evento entre el
Comprador y el Gerente de Programa.
 El 11.48% de la variación observada se debe a la
diferencia entre los programas.
¿Es adecuado el sistema actual de medición?

10
¿Por Qué la Inconsistencia en la
Medición?
Para poder mejorar el sistema de medición, primero
debemos comprender las causas de la
inconsistencia, en este caso.
• Cuando se les preguntó, “¿En que fecha se seleccionaron
los proveedores finales?”, el Gerente del Programa y el
Comprador percibieron la pregunta de manera distinta.
• El Gerente del Programa pensó que la pregunta se

refería a, ¿Cuándo empezamos a trabajar con el
proveedor?
• El Comprador creyó que quería decir, ¿Cuándo se emitió

la Orden de Compra?
• Además, hubo confusión en el significado real de

“proveedores finales”. ¿Se refiere a 100% de los
proveedores? ¿90%? ¿Sólo son proveedores de
11
Mejora del Sistema de
Medición
 Para evitar ambigüedades, el equipo desarrolló
la siguiente definición operacional para la “
Fecha cuando se seleccionaron los
proveedores finales”:
La fecha en que se envió la notificacion escrita de la
selección de proveedores por parte del Departamento de
Compras al último proveedor seleccionado para
suministrar los siguientes componentes:
Estructuras, Mecanismos, Partes, Plásticas

Uretano, Telas
12
Estudio de Repetibilidad y
Reproducibilidad de Atributos
 También es muy importante tener adecuada
repetibilidad y reproducibilidad al obtener datos
de atributos.
 Si un ejecutivo, decide que una unidad tiene un

defecto o error y otro concluye que la misma
unidad no tiene defectos, entonces hay problema
con el sistema de medición.
 Igualmente, el sistema de medición es

inadecuado cuando la misma persona llega a
diferentes conclusiones al repetir las evaluaciones
en la misma unidad o producto.
13
Sistema de Medición de
Atributos
 Un sistema de medición de atributos

compara cada parte con un estándar y
acepta la parte si el estándar se cumple.
 La efectividad de la discriminación es la
habilidad del sistema de medición de
atributos para discriminar a los buenos de
los malos.
14
Reproducibilidad de Atributos
1. Selecciona un mínimo de 30 unidades del proceso.

Estas unidades deben representar el espectro
completo de la variación del proceso (buenas,
erroneas y en límites).
2. Un inspector “experto” realiza una evaluación de
cada parte, clasificándola como “Buena” o “No
Buena”.
3. Cada persona evaluará las unidades,
independientemente y en orden aleatorio, y las
definirá como “Buenas” o “No Buenas”.
4. Ingresa los datos en el archivo Attribute Gage
15
GR&R de Atributos - Ejemplo
Legenda de Atributos REPORTE
G =1Bueno FECHA:
NOMBRE:
NG =2No Bueno PRODUCTO:
SBU: Esta es la
COND. DE PRUEBA: medida
Población Conocida Persona #1 Persona #2 Acuerdo Acuerdo
Muestra # Atributo #1 #2 #1 #2 Y=Sí N=No Y=Sí N=No
general de
1
2
G
G
G G G G Y Y consistencia
G G G G Y Y
3 G G G G G Y Y entre los
4 G G G G G Y Y
5 G G G G G Y Y operadores
6
7
G
G
NG G G G N N y el “experto”.
G G G G Y Y
8 G G G G G Y Y ¡90% es lo
9 NG G G NG NG N N
10 NG NG NG G G N N mínimo!
11 G G G G G Y Y
12 G G G G G Y Y
13 NG NG NG NG NG Y Y
14 G G G G G Y Y
15 G G G G G Y Y
16 G G G G G Y Y
17 NG NG NG NG NG Y Y
18 G G G G G Y Y
19 G G G G G Y Y
20 G G G G G Y Y
(1)
% DEL EVALUADOR -> 95.00% 100.00%
(2)
% VS. EL ATRIBUTO -> 90.00% 95.00%
(3)
% DE EFECTIVIDAD DE DISCRIMINACION -> 85.00%
(4)
% DE EFECTIVIDAD DE DISCRIMINACION VS. EL ATRIBUTO -> 85.00%
16
Interpretación de Resultados
1. % del Evaluador es la consistencia de una
persona.
2. % Evaluador vs Atributo es la medida de el

acuerdo que hay entre la evaluación del
operador y la del “experto”.
3. % de Efectividad de Selección es la medida de

el acuerdo que existe entre los operadores.
4. % de Efectividad de Selección vs. el Atributo

es una medida general de la consistencia
entre los operadores y el acuerdo con el
“experto”.
17
Reproducibilidad de Atributos -
Guías de Aceptabilidad
Aunque el 100% es el resultado que deseamos
obtener, en un estudio de repetibilidad y
reproducibilidad de atributos, la siguiente guía
se usa frecuentemente:
Porcentaje Guía
De 90% a 100% Aceptable
De 80% a 90% Marginal
Menos de 80% Inaceptable
18
QFD
FASE DE ANÁLISIS
Diagrama de
relaciones
Diagrama
Causa Efecto Diagrama de
Ishikawa
Diagrama
de Árbol
Definición
Y=X1 + X2+. .Xn
CTQs = Ys Medición Y,
Operatividad X1, X2, Xn
X's
Causas
Análisis del Modo y Efecto de potenciales
Falla (AMEF)
Pruebas
de
hipótesis
Diagrama
de Flujo
del X's vitales
proceso No ¿Causa Si Causas raíz
Raíz? validadas
19
Pruebas de Hipótesis
Variables Atributos
No Normal Tablas de
Contingencia Chi Cuad.
Varianza Medianas
Correlación
Correlación
Homogenei Prueba de signos
dad
Wilcoxon
Normal Proporciones - Z
de
Mann-
Varianzas
Whitney Variancia
de Levene Medias
Kurskal-
Wallis 1- Población - Chi Pruebas Z, t
2- Pob. F 1- Población
Residuos
Prueba de Mood 2- Poblaciones
Homogeneidad distribuidos
Friedman de Varianzas ANOVA
de Bartlett Una vía normalmente
Dos vías
Correlación
Regresión 20
Análisis del Modo y
Efecto de Falla (AMEF)
21
¿ Qué es el AMEF?
 El Análisis de del Modo y Efectos de Falla es un grupo
sistematizado de actividades para:
 Reconocer y evaluar fallas potenciales y sus

efectos.
 Identificar acciones que reduzcan o eliminen las

probabilidades de falla.
 Documentar los hallazgos del análisis.
 Existe el estándar MIL-STD-1629, Procedure for Performing a

Failure Mode, Effects and Criticality Analysis 22
Tipos de AMEFs
 FMEA de Diseño (AMEFD), su propósito es
analizar como afectan al sistema los modos de
falla y minimizar los efectos de falla en el
sistema. Se usan antes de la liberación de
productos o servicios, para corregir las
deficiencias de diseño.
 FMEA de Proceso (AMEFP), su propósito es

analizar como afectan al proceso los modos de
falla y minimizar los efectos de falla en el
proceso. Se usan durante la planeación de
calidad y como apoyo durante la producción o
prestación del servicio.
23
AMEFP o AMEF de Proceso
Fecha límite:
Concepto Prototipo Pre-producción /Producción
FMEAD
FMEAP
FMEAD FMEAP
Característica de Diseño Paso de Proceso
Falla Forma en que el Forma en que el proceso falla
producto o servicio falla al producir el requerimiento
que se pretende
Controles Técnicas de Diseño de Controles de Proceso
Verificación/Validación
24
Modos de fallas vs
Mecanismos de falla
 El modo de falla es el síntoma real de la falla

(altos costos del servicio; tiempo de entrega
excedido).
 Mecanismos de falla son las razones simples o

diversas que causas el modo de falla (métodos
no claros; cansancio; formatos ilegibles) o
cualquier otra razón que cause el modo de
falla
25
Definiciones
Modo de Falla
- La forma en que un producto o proceso puede fallar para

cumplir con las especificaciones o requerimientos.
- Normalmente se asocia con un Defecto, falla o error.
Diseño Proceso
Alcance insuficiente Omisiones
Recursos inadecuados Monto equivocado
Servicio no adecuadoTiempo de respuesta excesivo
26
Definiciones
Efecto
- El impacto en el Cliente cuando el Modo de Falla no se
previene ni corrige.
- El cliente o el siguiente proceso puede ser afectado.
Ejemplos: Diseño Proceso

Serv. incompleto Servicio deficiente
Operación errática Claridad insuficiente
Causa
- Una deficiencia que genera el Modo de Falla.
- Las causas son fuentes de Variabilidad asociada con
variables de Entrada Claves
Ejemplos: Diseño Proceso

Material incorrecto Error en servicio
Demasiado esfuerzo No cumple
requerimientos
27
Preparación del AMEF
 Se recomienda que sea un equipo

multidisciplinario
 El responsable del sistema, producto o

proceso dirige el equipo, así como
representantes de las áreas involucradas y
otros expertos en la materia que sea
conveniente.
28
¿Cuando iniciar un FMEA?
 Al diseñar los sistemas, productos y procesos nuevos.
 Al cambiar los diseños o procesos existentes o que
serán usados en aplicaciones o ambientes nuevos.
 Después de completar la Solución de Problemas (con el

fin de evitar la incidencia del problema).
 El AMEF de diseño, después de definir las funciones del

producto, antes de que el diseño sea aprobado y
entregado para su manufactura o servicio.
 El AMEF de proceso, cuando los documentos

preliminares del producto y sus especificaciones están
disponibles. 29
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseño / Proceso
Componente ______________________ Responsable del Diseño ____________AMEF Número _________________
Ensamble ________________ Preparó _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de FMEA ______(rev.) ______
Resultados de Acción
O Controles de D
Función S Causa(s)
Efecto (s) c Diseño o e R Responsable S O D R
del Producto/ Modos de Falla e Potencial(es) Acción Acción
Potencial (es) c Proceso t P y fecha límite e c e P
Paso del Potenciales v o Mecanismos Sugerida Adoptada
de falla u Actuales e N de Terminación v c t N
proceso . de falla
r c
30
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
O D
Función S Causa(s) Controles del
Efecto (s) c e R Responsable S O D R
de Modos de Falla e Potencial(es) Diseño / Acción Acción
Potencial (es) c t P y fecha límite e c e P
Componente/Paso Potenciales v de los Mecanismos Proceso Sugerida Adoptada
de falla u e N de Terminación v c t N
de proceso . de falla Actual
r c
Factura correcta
Relacione las
funciones del
diseño del
componente
Pasos del proceso

Del diagrama de flujo
31
Función O D
Causa(s) Controles de
del Efecto (s) D c e R Responsable S O D R
Modos de Falla Potencial(es) Diseño / Acción Acción
componente/ Potencial (es) i c t P y fecha límite e c e P
Potenciales de los Mecanismos Proceso Sugerida Adoptada
Paso del de falla v u e N de Terminación v c t N
de falla Actuales
proceso r c
Factura
correcta
Datos incorrectos Identificar modos
de falla Tipo 1
inherentes al
diseño
32
Efecto(s) Potencial(es) de falla
Evaluar 3 (tres) niveles de Efectos del Modo de
Falla
• Efectos Locales
– Efectos en el Área Local
– Impactos Inmediatos
• Efectos Mayores Subsecuentes

– Entre Efectos Locales y Usuario Final
• Efectos Finales
– Efecto en el Usuario Final del producto o 33
AMEF de Diseño
O Controles de D
Función Causa(s)
Efecto (s) D c Diseño / e R Responsable S O D R
del componente Modos de Falla Potencial(es) Acción Acción
Potencial (es) i c Proceso t P y fecha límite e c e P
/ Paso del Potenciales oMecanismos Sugerida Adoptada
de falla v u Actuales e N de Terminación v c t N
proceso de falla
r c
Factura correcta Datos incorrectosLOCAL:

Rehacer
la factura
Describir los efectos de

MAXIMO PROXIMO modo de falla en:
Contabilidad LOCAL
equivocada
El mayor subsecuente
CON CLIENTE
Y Usuario final
Molestia
Insatisfacción
CTQs del QFD o

Matriz de Causa Efecto 34
Rangos de Severidad (AMEFD)
Efecto Rango Criterio
.
No 1 Sin efecto
Muy poco 2 Cliente no molesto. Poco efecto en el desempeño del
componente o servicio.
Poco 3 Cliente algo molesto. Poco efecto en el desempeño del
comp. o servicio.
Menor 4 El cliente se siente un poco fastidiado. Efecto menor en el
desempeño del componente o servicio.
Moderado 5 El cliente se siente algo insatisfecho. Efecto moderado en el
desempeño del componente o servicio.
Significativo 6 El cliente se siente algo inconforme. El desempeño del

comp. o servicio se ve afectado, pero es operable y está a
salvo. Falla parcial, pero operable.
Mayor 7 El cliente está insatisfecho. El desempeño del servicio se ve
seriamente afectado, pero es funcional y está a salvo. Sistema afectado.
Extremo 8 Cliente muy insatisfecho. Servicio inadecuado, pero a salvo.
Sistema inoperable.
Serio 9 Efecto de peligro potencial. Capaz de descontinuar el uso sin
perder tiempo, dependiendo de la falla. Se cumple con el
reglamento del gobierno en materia de riesgo.
Peligro 10 35
Efecto peligroso. Seguridad relacionada - falla repentina.
CRITERIO DE EVALUACIÓN DE SEVERIDAD SUGERIDO PARA AMEFP
Esta calificación resulta cuando un modo de falla potencial resulta en un defecto con un cliente final y/o una planta
de manufactura / ensamble. El cliente final debe ser siempre considerado primero. Si ocurren ambos, use la mayor
de las dos severidades
Efecto Efecto en el cliente Efecto en Manufactura /Ensamble Cali
Peligros Calificación de severidad muy alta cuando un modo Puede exponer al peligro al operador (máquina o f.
o sin potencial de falla afecta la operación segura del ensamble) sin aviso 10
aviso producto y/o involucra un no cumplimiento con alguna
regulación gubernamental, sin aviso
Peligros Calificación de severidad muy alta cuando un modo Puede exponer al peligro al operador (máquina o
o con potencial de falla afecta la operación segura del ensamble) sin aviso 9
aviso producto y/o involucra un no cumplimiento con alguna
regulación gubernamental, con aviso
Muy El producto / item es inoperable ( pérdida de la función El 100% del producto puede tener que ser
alto primaria) desechado op reparado con un tiempo o costo 8
infinitamente mayor
Alto El producto / item es operable pero con un reducido El producto tiene que ser seleccionado y un parte
nivel de desempeño. Cliente muy insatisfecho desechada o reparada en un tiempo y costo muy alto 7
Modera Producto / item operable, pero un item de Una parte del producto puede tener que ser
do confort/conveniencia es inoperable. Cliente insatisfecho desechado sin selección o reparado con un tiempo y 6
costo alto
Bajo Producto / item operable, pero un item de El 100% del producto puede tener que ser
confort/conveniencia son operables a niveles de retrabajado o reparado fuera de línea pero no 5
desempeño bajos necesariamente va al àrea de retrabajo .
Muy No se cumple con el ajuste, acabado o presenta ruidos y El producto puede tener que ser seleccionado, sin
bajo rechinidos. Defecto notado por el 75% de los clientes desecho, y una parte retrabajada 4
Menor No se cumple con el ajuste, acabado o presenta ruidos y El producto puede tener que ser retrabajada, sin
rechinidos. Defecto notado por el 50% de los clientes desecho, en línea, pero fuera de la estación 3
Muy No se cumple con el ajuste, acabado o presenta ruidos, El producto puede tener que ser retrabajado, sin
menor y rechinidos. Defecto notado por clientes muy críticos desecho en la línea, en la estación 2
(menos del 25%)
Ninguno Sin efecto perceptible Ligero inconveniente para la operación u operador, o
sin efecto 1
36
O D
Función S Causa(s) Controles de
del componente Modos de Falla e Potencial(es) Diseño / Acción Acción
/ Paso del Potenciales v o Mecanismos Proceso Sugerida Adoptada
proceso . de falla Actuales
r c
La abertura del
engrane propor La abertura no LOCAL:
ciona una aber- es suficiente Daño a sensor
tura de aire entre de velocidad y
diente y diente engrane
MAXIMO PROXIMO
Usar tabla para
Falla en eje 7 determinar severidad o
gravedad
CON CLIENTE
Equipo
parado
37
Identificar Causa(s) Potencial(es) de la Falla
• Causas relacionadas con el diseño - Características

del servicio o Pasos del proceso
– Diseño de formatos
– Asignación de recursos
– Equipos planeados
• Causas que no pueden ser Entradas de Diseño,

tales como:
– Ambiente, Clima, Fenómenos naturales
• Mecanismos de Falla
– Rendimiento, tiempo de entrega, información
completa 38
AMEF de Diseño
O D
S Causa(s) Controles de
Función Efecto (s) c e R Responsable S O D R
Modos de Falla e Potencial(es) Diseño/Proces Acción Acción
de Potencial (es) c t P y fecha límite e c e P
Potenciales v de los Mecanismos o Actuales Sugerida Adoptada
Artículo de falla u e N de Terminación v c t N
. de falla
r c

Rehacer la Identificar causas
factura
de diseño, y
mecanismos de
MAXIMO PROXIMO falla que pueden
Contabilidad 7
erronea ser señalados para
los modos de falla
CON CLIENTE
Molestia
identificada.
Insatisfacción
Causas potenciales
De Diagrama de Ishikawa
Diagrama de árbol o
Diagrama de relaciones
39
Rangos de Ocurrencia (AMEFD)
Ocurrencia Criterios RangoProbabilidad de Falla
Remota Falla improbable. No existen 1 <1 en 1,500,000 Zlt > 5
fallas asociadas con este producto o
con un producto / Servicio casi
idéntico 2 1 en 150,000 Zlt >
Muy Poca Sólo fallas aisladas asociadas 4.5
con este producto /
Servicio casi idéntico
3 1 en 30,000
Poca Fallas aisladas asociadas con Zlt > 4
productos / Servicios similares
Moderada Este producto / Servicio ha
tenido fallas ocasionales 4 1 en 4,500
Zlt > 3.5 5 1 en
Alta Este producto / Servicio ha
800 Zlt > 3 6
fallado a menudo
1 en 150 Zlt >
Muy alta La falla es casi inevitable 2.5
7 1 en 50 Zlt > 2
8 1 en 15 Zlt >
Nota: 1.5
El criterio se basa en la probabilidad 9 1 en 6de la

de ocurrencia Zlt > 1
10
causa/mecanismo. Se puede basar en el desempeño >1de
enun
3 diseño Zlt < 1
similar en una aplicación similar.
CRITERIO DE EVALUACIÓN DE OCURRENCIA SUGERIDO PARA
AMEFP
Probabilidad Indices Posibles de ppk Calif.
falla
Muy alta: Fallas ≥100 por mil piezas < 0.55 10
persistentes
50 por mil > 0.55 9
piezas
Alta: Fallas frecuentes 20 por mil > 0.78 8
piezas
10 por mil > 0.86 7
piezas
Moderada: Fallas 5 por mil > 0.94 6
ocasionales piezas
2 por mil > 1.00 5
piezas
1 por mil > 1.10 4
piezas
Baja : Relativamente 0.5 por mil > 1.20 3
pocas fallas piezas
0.1 por mil > 1.30 2
piezas
Remota: La falla es < 0.01 por mil > 1.67 1
improbable piezas
41
Función O D
del Efecto (s) c e R Responsable S O D R
Modos de Falla e Potencial(es) Diseño/ Acción Acción
Componente / Potencial (es) c t P y fecha límite e c e P
Potenciales v o Mecanismos Proceso Sugerida Adoptada
Paso del de falla u e N de Terminación v c t N
. de falla Actuales
proceso r c
Factura correcta Datos LOCAL:

equivocadso Rehacer la
factura
Rango de
probabilidades en que
MAXIMO PROXIMO la causa identificada
Contabilidad 7 3 ocurra
erronea
CON CLIENTE
Molestia
Insatisfacción
42
Identificar Controles de Diseño o
de Proceso Actuales
• Verificación/ Validación de actividades de
Diseño o control de proceso usadas para
evitar la causa, detectar falla
anticipadamente, y/o reducir impacto:
Cálculos, Análisis, Prototipo de Prueba, Pruebas

piloto
Poka Yokes, planes de control, listas de
verificación
• Primera Línea de Defensa - Evitar o eliminar causas de falla

o error
• Segunda Línea de Defensa - Identificar o detectar fallas o

errores Anticipadamente 43
AMEF de Diseño
Función O D
Modos de Falla e Potencial(es) Diseño / Acción Acción
. de falla Actuales
proceso r c
Factura correcta Datos correctos LOCAL:

Rehacer la
factura
¿Cuál es el método de
control actual que usa
MAXIMO PROXIMO ingeniería para evitar el
Contabilidad 7 3 modo de falla?
erronea
CON CLIENTE
Molestia
Insatisfacción
44
Rangos de Detección (AMEFD)
• Rango de Probabilidad de Detección basado en la
efectividad del Sistema de Control Actual; basado
en el cumplimiento oportuno con el Plazo Fijado
1 Detectado antes del prototipo o prueba piloto

2-3 Detectado antes de entregar el diseño
4-5 Detectado antes del lanzamiento del servicio
6-7 Detectado antes de la prestación del servicio
8 Detectado antes de prestar el servicio
9 Detectado en campo, pero antes de que ocurra la falla o
error
10 No detectable hasta que ocurra la falla o error en campo
CRITERIO DE EVALUACIÓN DE DETECCION SUGERIDO PARA
Detecciò Criterio
AMEFP
Tipos de Métodos de seguridad de Rangos Cali
n Inspección de Detección f

A B C
Casi Certeza absoluta de no X No se puede detectar o no es
imposibl detección
10
verificada
e
Muy Los controles probablemente X El control es logrado solamente
remota no detectarán
9
con verificaciones indirectas o al
Remota Los controles tienen poca X azar
El control es logrado solamente 8
oportunidad de detección con inspección visual
Muy baja Los controles tienen poca X El control es logrado solamente
oportunidad de detección
7
con doble inspección visual
Baja Los controles pueden detectar X X El control es logrado con métodos
gráficos con el CEP
6
El control se basa en mediciones por variables después de
Moderad Los controles pueden detectar X
a
que las partes dejan la estación, o en dispositivos Pasa NO 5
pasa realizado en el 100% de las partes después de que las
partes han dejado la estación
Detección de error en operaciones subsiguientes, o

Moderad Los controles tienen una X X
amente buena oportunidad para
medición realizada en el ajuste y verificación de primera 4
pieza ( solo para causas de ajuste)
Alta detectar
Detección del error en la estación o detección del error en
Alta Los controles tienen una X X
buena oportunidad para
operaciones subsiguientes por filtros multiples de 3
aceptación: suministro, instalación, verificación. No puede
aceptar parte discrepante
detectar
Muy Alta Controles casi seguros para X X Detección del error en la estación (medición
detectar automática con dispositivo de paro automático). 2
No puede pasar la parte discrepante
Muy Alta Controles seguros para X

detectar
No se pueden hacer partes discrepantes porque el
item ha pasado a prueba de errores dado el diseño 1
del proceso/producto
Tipos de inspección: A) A prueba de error B) Medición automatizada C) Inspección 46

Función O D
Modos de Falla e Potencial(es) Diseño / Acción Acción
. de falla Actuales
proceso r c

Rehacer la
factura
¿Cuál es la probabilidad
MAXIMO PROXIMO
de detectar la causa de
Contabilidad 7 3 5
falla?
erronea
CON CLIENTE
Molestia
Insatisfacción
47
Calcular RPN (Número de Prioridad de
Riesgo)
Producto de Severidad, Ocurrencia, y Detección
RPN / Gravedad usada para identificar

principales CTQs
Severidad mayor o igual a 8

RPN mayor a 150
48
Componente ______________________ Responsable del Diseño ____________ AMEF Número _________________
O D
S Causa(s)
Función Efecto (s) c e R Responsable S O D R
Modos de Falla e Potencial(es) Controles de Acción Acción
de Potencial (es) c t P y fecha límite e c e P
Potenciales v de los Mecanismos Diseño Actual Sugerida Adoptada
Artículo de falla u e N de Terminación v c t N
. de falla
r c
Factura Datos LOCAL:

incorrecta incorrectos Rehacer
la factura
Riesgo = Severidad x
MAXIMO PROXIMO Ocurrencia x Detección
Contabilidad 7 3 5 105
erronea
CON CLIENTE
Molestia
Insatisfacción
Causas probables
a atacar primero
49
Planear Acciones
Requeridas para todos los CTQs
 Listar todas las acciones sugeridas, qué

persona es la responsable y fecha de
terminación.
 Describir la acción adoptada y sus
resultados.
 Recalcular número de prioridad de riesgo .
Reducir el riesgo general del diseño

50
Componente ______________________ Responsable del Diseño ____________ AMEF Número _________________
O D
Función S Causa(s) Controles de
del componente Modos de Falla e Potencial(es) Diseño / Acción Acción
/ Paso del Potenciales v o Mecanismos Prcoeso Sugerida Adoptada
proceso . de falla Actuales
r c
Factura correcta Datos LOCAL:

erroneos Rehacer la
factura
MAXIMO PROXIMO
Contabilidad 7 3 5 105
erronea
CON CLIENTE
Molestia
Insatisfacción Usar RPN para identificar
acciones futuras. Una vez que
se lleva a cabo la acción,
recalcular el RPN.
51
Ejemplo de AMEFP
52
Herramientas de la
Fase de Análisis
Identificación de causas potenciales

Cartas Multivari y Análisis de Regresión
Intervalos de confianza y Pruebas de
Hipótesis
53
Identificación de causas
potenciales
Tormenta de ideas
Diagrama de Ishikawa
Diagrama de
Relaciones
Diagrama de Árbol
Verificación de causas
raíz
54
Tormenta de ideas
 Técnica para generar ideas creativas cuando
la mejor solución no es obvia.
 Reunir a un equipo de trabajo (4 a 10

miembros) en un lugar adecuado
 El problema a analizar debe estar siempre

visible
 Generar y registrar en el diagrama de

Ishikawa un gran número de ideas, sin
juzgarlas, ni criticarlas
55
Tormenta de ideas
 Permite obtener ideas de los participantes
56
 Anotar el problema en el cuadro de la derecha
 Anotar en rotafolio las ideas sobre las posibles

causas asignándolas a las ramas
correspondientes a:
 Medio ambiente
 Mediciones
 Materia Prima
 Maquinaria
 Personal y
 Métodos
o
 Las diferentes etapas del proceso de
manufactura o servicio 57
Medio
ambiente Métodos Personal
Frecuencia Falta de
Rotación de
Clima personal
de visitas supervi
húmedo Falta de
ción
motivación
Posición de Ausentismo
Distancia de exhibidores
la agencia al
Elaboración ¿Qué
changarro de pedidos produce
bajas ventas
Clientes con Calidad del de
ventas bajas Seguimiento producto Tortillinas
Malos
semanal Tía Rosa?
Conocimiento
itinerarios
de los Tipo de
Descompostura mínimos por exhibidor
del camión ruta
repartidor
Maquinaría Medición Materiales

58
Diagrama de relaciones Perdida de mercado
debido a la
competencia
No hay flujo
efectivo de mat. Influencia de la Compra de material
Por falta de situación econ del para el desarrollo de
programación país nuevos productos por
de acuerdo parte inv..... Y desarrollo’’’
No hay coordinación
a pedidos entre marketing
Falta de operaciones
No hay control coordinación al fincar
de inv..... En proc. pedidos entre
Constantes
Falta de prog. De marketing y la op.
cancelaciones
la op. En base a No hay coordinación
de pedidos
los pedidos entre la operación y las unidades
de marketing
Programación del negocio
Las un. Reciben
deficiente
ordenes de dos
deptos diferentes
Capacidad
instalada Falta de coordinación
desconocida entre el enlace de compras
Altos Duplicidad Demasiados deptos
de cada unidad con compras
inventarios de funciones de inv..... Y desarrollo
Falta de control de corporativo
inventarios en
Compras
compras
aprovecha Falta de com..... Entre
ofertas No hay com..... Entre
las dif. áreas de
las UN y la oper.
la empresa
Marketing no
Mala prog. De tiene en cuenta
ordenes de compra cap de p.
No hay com..... Entre compras

con la op. general
Influencia directa de
marketing sobre
compras
Falta de comunicación
entre las unidades
del negocio
59
¿Que nos puede provocar Variación de Velocidad
Durante el ciclo de cambio en la sección del
Embobinadores?
13/0 2/1
Bandas de
Dancer transmisión
2/4 Taco generador 1/1 Causas a validar
del motor Empaques de arrastre
0/4 Poleas guías 0/3

Presión de aire de trabajo
1/2 Presión del 5/2

Drive principal
dancer
5/1 Mal guiado 4/1

Voltaje del motor
1/4 Sensor de velocidad

de línea 1/5
Ejes principales
Entradas Causa
Salidas Efecto
1/4 Sensor
1/5
Poleas de transmisión
circunferencial
60
Diagrama de árbol o
sistemático
Meta Medio
Meta Medio
Meta Medio
Segundo Tercer Cuarto
Primer nivel nivel nivel
nivel
Medios
Medios
Medios
Medios
o planes
Meta u
objetivo
Medios
o planes
61
Diagrama de Arbol- Aplicación Sistema SMED
¿Cómo? ¿Cuándo?
Filmar la preparación 5- 12 - Mar-04
Preparación
para el SMED
Analizar el video 10 y 17 –Mar-04
Describir las tareas 17- Mar-04
¿Objetivo? Separar las tareas 17- Mar-04

Fase 1: Separación
de la preparación Elaborar lista de chequeo 2- Mar-04
Implantar el interna de la externa
Sistema Realizar chequeo de
24- Mar-04
funciones
SMED
Producto DJ Analizar el transporte de
24- Mar-04
2702 herramientas y materiales
Analizar las funciones y
¿Qué? Fase 2: Conversión propósito de c/operación
12 - Abr- 04
de preparación
Convertir tareas de prepa-
interna en externa ración interna a externas
15 –Abr - 04
Elaboramos un
Diagrama de Arbol Realización de operaciones
5 –May -04
en paralelo.
para poder
analizar nuestro Fase 3: Refinamiento
Uso de sujeciones
problema siguiendo de todos los aspectos funcionales.
19– May -04
el sistema SMED. de la preparación.

Eliminación de ajustes 12- May -04
62 19
Verificación de posibles
causas
 Para cada causa probable , el equipo
deberá por medio del diagrama 5Ws –
1H:
 Llevar a cabo una tormenta de ideas
para verificar la causa.
 Seleccionar la manera que:
 represente la causa de forma efectiva, y
 sea fácil y rápida de aplicar.
63
Calendario de las actividades
¿qué? ¿por qué? ¿cómo? ¿cuánd ¿dónd ¿quién

o? e? ?
1 1.1 Por variación 1.1.1 Tomar dimensiones de ensamble Abril 1804 J. R.
Tacogenerad de voltaje durante entre coples. ’04 Embob
or de motor el ciclo de cambio 1.1.2 Verificar estado actual y .
embobinador especificaciones de escobillas.
1.1.3 tomar valores de voltaje de salida
durante el ciclo de cambio.
2 Sensor 2.1 Por que nos 2.1.1 Tomar dimensiones de la Abril 1804 U. P.
circular y de genera una varión distancia entre poleas y sensores. ’04 Embob
velocidad de en la señal de 2.1.2 Tomar valores de voltaje de .
linea. referencia hacia el salida de los sensores.
control de 2.1.3 Verificar estado de rodamientos
velocidad del de poleas.
motor
3 Ejes 3.1 Por vibración
embobinador 3.1.1 Tomar lecturas de vibración en Abril’04 1804 F. F.
principales excesiva durante alojamientos de rodamientos Embob
de el ciclo de cambio 3.1.2 Comparar valores de vibraciones .
transmisión. con lecturas anteriores.
3.1.3 Analizar valor lecturas de
vibración tomadas.
4 Poleas de 4.1 Puede generar 4.1.1 Verificar alineación, entre poleas Abril’04 1804 J. R.
transmisión vibración excesiva de ejes principales y polea de Embob U. P.
de ejes durante el ciclo de transmisión del motor. .
embobinador cambio. 4.1.2 Tomar dimensiones de
es. poleas(dientes de transmisión).
4.1.3 Tomar dimensiones de bandas
(dientes de transmisión)
4.1.4 Verificar valor de tensión de 64
Modelando relaciones entre
variables
Cartas Multivari
y
Análisis de regresión
65
Cartas Multivari
 Su propósito fundamental es reducir el gran
número de causas posibles de variación, a un
conjunto pequeño de causas que realmente
influyen en la variabilidad.
 Sirven para identificar patrones de variación:

 Temporal: Variación de hora a hora; turno a
turno; día a día; semana a semana; etc.
 Cíclico: Variación entre unidades de un

mismo proceso; variación entre grupos de
unidades; variación de lote a lote.
 Posicional: Dentro de la pieza 66

Cartas Multivari
8 AM 9 AM 10 AM 11 AM 12 AM
2.0
dias
1.5
días
1.0 Zona A
días
Zona B
Zona D
Zona C
67
Zona orden
Tipo de orden
Tiempo respuesta
3 1 23
Corrida en Minitab
3 1 20
3 1 21
3 2 22
3 2 19
3 2 20
 Se introducen los datos en 3 3 19
varias columnas C1 a C3 3
3
3
3
18
21
incluyendo la respuesta 1 1 22
1 1 20
(tiempo) y los factores (Zona 1 1 19
1 2 24
y Tipo de orden) 1 2 25
1 2 22
1 3 20
1 3 19
1 3 22
2 1 18
2 1 18
2 1 16
2 2 21
2 2 23
2 2 20
2 3 20
2 3 22
2 3 68 24
Corrida en Minitab
 Utilizar el archivo de ejemplo orden.mtw
 Opción: Stat > Quality Tools > Multivari charts
 Indicar la columna de respuesta y las

columnas de los factores
 En opciones se puede poner un título y

conectar las líneas
69
Resultados
Multi-Vari Chart for Tiempo respuesta by Zona orden - Tipo de orden
24 Zona
orden
1
23
2
3
22
Tiempo respuesta
21
20
19
18
17
1 2 3
Tipo de orden
70
Análisis de Regresión
El análisis de regresión es un método
estandarizado para localizar la correlación
entre dos grupos de datos, y, quizá más
importante, crear un modelo de predicción.
Puede ser usado para analizar las relaciones

entre:
• Una sola “X” predictora y una sola “Y”
• Múltiples predictores “X” y una sola “Y”
• Varios predictores “X” entre sí

71
Definiciones
Correlación
Establece si existe una relación entre las variables y
responde a la pregunta, ”¿Qué tan evidente es esta
relación?"
Regresión
Describe con más detalle la relación entre las variables.
Construye modelos de predicción a partir de información

experimental u otra fuente disponible.
Regresión lineal simple

Regresión lineal múltiple
Regresión no lineal cuadrática o cúbica
72
Correlación de la información de las X y las Y
Correlación Positiva Correlación Negativa
25
Evidente Evidente
25
20 20
15 15
10
Y
Y
10
5
5
0
0 5 10 15 20 25 Sin Correlación 0
0 5 10 15 20 25
X 25 X
20
15
Correlación Y 10
Correlación
5
25
Positiva 0 Negativa
0 5 10 15 20 25 25
20
X 20
15
15
Y
10
Y
10
5
5
0
0 5 10 15 20 25 0
0 5 10 15 20 25
X
X
73
Ejemplo
Considere el problema de predecir las ventas
mensuales (score2) en función del costo de publicidad
(Score 1). Calcular el coeficiente de correlación, el de
determinación
Score1
yScore2
la recta.
4.1 2.1
2.2 1.5
2.7 1.7
6 2.5
8.5 3
4.1 2.1
9 3.2
8 2.8
7.5 2.5
74
Corrida en Minitab
 Utilizar el archivo de ejemplo Exh_regr.mtw
 Opción: Stat > Regression > Regression
 Para regresión lineal indicar la columna de
respuesta Y (Score2) y X (Score1)
 En Regresión lineal en opciones se puede

poner un valor Xo para predecir la respuesta e
intervalos. Las gráficas se obtienen Stat >
Regression > Regression > Fitted line Plots
 Para regresión múltiple Y (heatflux) y las

columnas de los predictores X´s (north, south,
east) 75
Resultados de la regresión lineal
Regression Analysis: Score2 versus
Score1
The regression equation is

Score2 = 1.12 + 0.218 Score1
Predictor Coef SE Coef T P

Constant 1.1177 0.1093 10.23 0.000
Score1 0.21767 0.01740 12.51 0.000
S = 0.127419 R-Sq = 95.7% R-Sq(adj) =

95.1%
Analysis of Variance
Source DF SS MS F P
Regression 1 2.5419 2.5419 156.56
0.000
Residual Error 7 0.1136 0.0162 76
Resultados de la regresión
lineal
Fitted Line Plot
Score2 = 1.118 + 0.2177 Score1
3.5 Regression
95% CI
95% PI
3.0 S 0.127419
R-Sq 95.7%
R-Sq(adj) 95.1%
2.5
Score2
2.0
1.5
1.0
2 3 4 5 6 7 8 9
Score1
77
Interpretación de los Resultados
La ecuación de regresión (Score2 = 1.12 + 0.218 Score1)
describe la relación entre la variable predictora X y la respuesta de
predicción Y.
R2 (coef. de determinación) es el porcentaje de variación

explicado por la ecuación de regresión respecto a la variación total
en el modelo
El intervalo de confianza es una banda con un 95% de

confianza de encontrar la Y media estimada para cada valor de
X [Líneas rojas]
El intervalo de predicción es el grado de certidumbre de la

difusión de la Y estimada para puntos individuales X. En general,
95% de los puntos individuales (provenientes de la población
sobre la que se basa la línea de regresión), se encontrarán dentro
de la banda [Líneas azules]
78
Corrida en Minitab
HeatFlu North
 Se introducen los x East South
datos en varias
columnas C1 a C5 271.8 33.53 40.55 16.66
incluyendo la
264 36.5 36.19 16.46
respuesta Y
(heatflux) y las 238.8 34.66 37.31 17.66
variables predictoras
X’s (North, South, 230.7 33.13 32.52 17.5
East)
251.6 35.75 33.71 16.4
257.9 34.46 34.14 16.28
79
Resultados de la regresión
Múltiple
Regression Analysis: HeatFlux versus East, South,
North
The regression equation is
HeatFlux = 489 - 0.28 East + 3.21 South - 20.3

North
Predictor Coef SE Coef T P

Constant 488.74 88.87 5.50 0.032
East -0.278 1.395 -0.20 0.860
South 3.2134 0.5338 6.02 0.027
North -20.293 2.981 -6.81 0.021
S = 3.47637 R-Sq = 98.0% R-Sq(adj) = 95.0%
Analysis of Variance
Source DF SS MS F P
Regression 3 1173.46 391.15 32.37 0.030
Residual Error 2 24.17 12.09
Total 5 1197.63 80
Relaciones no Lineales
¿Qué pasa si existe una relación causal, no lineal?
El siguiente es un conjunto de datos Fitted Line Plot

experimentales codificados, sobre Y = 18.13 + 1.089 X
- 0.02210 X**2
resistencia a la compresión de una
35.0
aleación especial: Regression
95% CI
95% PI
32.5
Resistencia a S
R-Sq
1.35809
66.8%
Concentración la Compresión R-Sq(adj) 61.2%
30.0
x y Y
10.0 25.2 27.3 28.7
27.5
15.0 29.8 31.1 27.8
20.0 31.2 32.6 29.7
25.0
25.0 31.7 30.1 32.3
30.0 29.4 30.8 32.8
10 15 20 25 30
X
81
Otros Patrones No Lineales
A veces es posible transformar una o ambas variables, para mostrar
mejor la relación entre ambas. La meta es identificar la relación
matemática entre las variables, para que con la variable transformada
se obtenga una línea más recta. Algunas transformaciones comunes
incluyen:
x’ = 1/x
x’ = Raíz cuadrada de (x)
Funciones trigonométricas: x’ = Seno

de x x’ = log x
82
Resumen de la Regresión
• La regresión sólo puede utilizarse con
información de variables continuas.
• Los residuos deben distribuirse normalmente con
media cero.
• Importancia práctica: (R2). Importancia

estadística: (valores p)
• La regresión puede usarse con un “predictor” X o

más, para una respuesta dada
• Reduzca el modelo de regresión cuando sea

posible,
83
sin perder mucha importancia práctica
Pruebas de hipótesis
para datos normales
Intervalos de confianza
Pruebas de hipótesis
84
Estimación puntual
y por intervalo
 Las medias o desviaciones estándar
calculadas de una muestra se denominan
ESTADÍSTICOS, son puntos estimados de la
media y desviación estándar real de población
o de los PARAMETROS.
 Si no se desean números sencillos como

estimadores de la media basada en una
muestra, entonces se determina un
“Un Intervalo de Confianza”
85
Estimación puntual
y por intervalo
 ¿Cómo obtenemos un intervalo de
confianza?
Punto estimado + error estimado del

parámetro
 ¿De dónde viene el error estimado?
Desv. estándar X multiplicador de NC (nivel

de confianza) deseado
86
Estimación puntual
y por intervalo
 Nivel de significancia Alfa = 1 – NC, para el
caso de NC = 95%, se tiene un alfa de 0.05 o
0.025 de cada lado.
 Alfa es la probabilidad de que el parámetro

esté fuera del intervalo de confianza.
 Un área de 0.025 en la tabla Z, corresponde

a una Z de 1.960.
87
Representación gráfica
Rango en el que se
Encuentra el parámetro
IC = 90, 95 o 99% Con un nivel de confianza NC
n=30
Alfa/2
n=15
n=10
Distribución normal Z Distribución t (gl. = n-1)
88
Estimación puntual
y por intervalo
Por Ejemplo:
 Si la media de la muestra es 100 y la

desviación estándar es 10, el intervalo de
confianza al 95% donde se encuentra la
media para una distribución normal es:
100 + (10) X 1.96 => (80.4, 119.6)
Multiplicador de nivel de confianza = Z0.025 =

1.96 89
Estimación puntual
y por intervalo
C. I. Multiplicador Zalfa/2 Alfa/2
99 2.576 0.005
95 1.960 0.025
90 1.645 0.05
85 1.439 0.075
80 1.282 0.10
Para tamaños de muestra n>30, la distribución de

referencia es la Normal
Para muestras de menor tamaño n<=30, debe usarse
la distribución t
90
Fórmulas de estimación por
intervalo

 para .n 30  X  Z 
2 n

 para .n 30  X  t 
2 n
( n  1) s 2 ( n  1) s 2
 2

2
2 
, n 1 1 , n 1
2 2
p (1  p )
  p  Z
2
n
91
Pruebas de hipótesis para
medias, varianzas y
proporciones
92
Variables Atributos
No Normal Tablas de
Varianza Medianas
Correlación
Correlación
dad
Wilcoxon
de
Mann-
Varianzas
Whitney Variancia
de Levene Medias
Kurskal-
Residuos
Dos vías
Correlación
Regresión 93
Resumen de pruebas de Hipótesis – Datos normales
Pruebas de Medias
Prueba t de 1 población: Prueba si el promedio

de la muestra es igual a un promedio conocido
o meta conocida.
Prueba t de 2 poblaciones: Prueba si los dos

promedios de las muestras son iguales.
ANOVA de un factor, dirección o vía: Prueba si

más de dos promedios de las muestras son
iguales.
ANOVA de dos vías: Prueba si los promedios de

las muestras clasificadas bajo dos categorías,
son iguales. 94
Resumen de pruebas de Hipótesis – Datos normales
Pruebas de Variancias
Prueba X2: Compara la variancia de una muestra
con una variancia de un universo conocido.
Prueba F: Compara dos varianzas de muestras.

Homogeneidad de la variancia de Bartlett:
Compara dos o más varianzas muestras de la
misma población.
Correlación : Prueba la relación lineal entre dos

variables.
Regresión : Define la relación lineal entre una

variable dependiente y una independiente.
(Aquí la "normalidad" se aplica al valor residual
de la regresión) 95
En CADA prueba estadística, se comparan
algunos valores observados a valores esperados
de parámetros (media, desviación estándar,
varianza)
Los ESTADÏSTICOS son calculados en base a la

muestra y estiman a los parámetros
VERDADEROS
La capacidad para detectar un diferencia entre

lo que es observado y lo que es esperado
depende del tamaño de la muestra, al aumentar
mejora la estimación y la confianza en las 96
Se trata de probar una afirmación sobre
parámetros de la población en base a datos
de estadísticos de una muestra:
Por ejemplo, probar las afirmaciones en los

parámetros:
La media poblacional µ = 12;
La proporción poblacional π = 0.3
La Media poblacional µ1 = Media poblacional µ2

97
Conceptos fundamentales
 Hipótesis nula Ho
 Es la hipótesis o afirmación a ser probada
 Puede ser por ejemplo µ =, ≤, o ≥ a 5
 Sólo puede ser rechazada o no rechazada
 Hipótesis alterna Ha
 Es la hipótesis que se acepta como verdadera
cuando se rechaza Ho, es su complemento
 Puede ser por ejemplo µ ≠ 5 para prueba de dos
colas
 µ < 5 para prueba de cola izquierda
 µ > 5 para prueba de cola derecha
98
 Estadístico de prueba
 Para probar la hipótesis nula se calcula un
estadístico de prueba con la información de la
muestra el cual se compara a un valor crítico
apropiado. De esta forma se toma una decisión
sobre rechazar o no rechazar la Ho
 Error tipo I (alfa = nivel de significancia,

normal=.05)
 Se comete al rechazar la Ho cuando en realidad
es verdadera. También se denomina riesgo del
productor
 Error tipo II (beta ) 99

 Pruebas de una cola
 Si la Ho: µ ≤, que un valor poblacional, entonces
el riesgo alfa se coloca en el extremo derecho
de la distribución. Por ejemplo si Ho µ ≤ 10 y Ha:
µ >10 se tiene una prueba de cola derecha:
Región de
rechazo
P(Z>= + Zexcel ) = alfa
100
 Pruebas de una cola
 Si la Ho: µ ≥ que un valor poblacional, entonces
el riesgo alfa se coloca en el extremo izquierdo
de la distribución. Por ejemplo si Ho µ ≥ 10 y Ha:
µ < 10 se tiene una prueba de cola izquierda:
Región de
rechazo
P(Z<= - Zexcel ) = alfa
Zexcel ( 0.01 )
101
 Pruebas de dos colas
 Si la Ho: µ = que un valor poblacional, entonces
el riesgo alfa se reparte en ambos extremos de
la distribución. Por ejemplo si Ha: µ≠ 10 se
tiene:
P(Z<= - Zexcel ) = alfa/2 P(Z>= + Zexcel ) = alfa/2
Regiones de rechazo
102
 El Tamaño de muestra requerido en función
del error máximo E o Delta P intervalo
proporcional esperado se determina como
sigue:
Z 2

 /2
2
n
E2
Z 2 / 2 ( p )(1  p )
n
( p ) 2
103
Elementos de una Prueba de Hipótesis
Pruebas de Hipótesis de dos colas:
Ho: a = b Región de Región de
Ha: a ≠ b Rechazo Rechazo
-Z  0 Z 
Pruebas de Hipótesis de cola derecha:

Ho: a ≤ b
Ha: a > b Región de
Rechazo
0 Z 
Pruebas de Hipótesis cola izquierda:
Ho: a ≥ b
Ha: a < b Región de
Rechazo
-Z  0 Z 
Pasos en la Prueba de Hipótesis
1. Definir el Problema - Problema Práctico

2. Señalar los Objetivos - Problema Estadístico
3. Determinar tipo de datos - Atributo o Variable
4. Si son datos Variables - Prueba de Normalidad
5. Establecer las Hipótesis
- Hipótesis Nula (Ho) - Siempre tiene el signo
igual
- Hipótesis Alterna (Ha) – Tiene signos dif., > o <.
6. Seleccionar el nivel de Alfa (normalmente 0.05 o
5%) 105
Pasos en la Prueba de Hipótesis
7. Establecer el tamaño de la muestra, >= 10 y colectar
datos.
8. Decidir la prueba estadística apropiada y calcular el
estadístico de prueba (Z, t, X2 or F) a partir de los datos.
9. Obtener el estadístico que define la zona de rechazo ya
sea de tablas o Excel.
10.Comparar el estadístico calculado con el de tablas y ver si
cae en la región de rechazo o ver si la probabilidad es menor
a alfa, rechazar Ho y acepte Ha. En caso contrario no
rechazar Ho.
11.Con los resultados interprete una conclusión estadística
para la solución práctica.
106
Estadísticos para medias,
varianzas y proporciones
X 
Z  ;Una.media; n  30;   conocida
/ n
X 
t ;Una.media; n  30;   desconocida
S/ n
S12
F  2 ; DF  n1  1, n2  1; prueba.dos. var ianzas
S2
X1  X 2
t ; dos.medias;  ' s  desconocidas. pero. 
1 1
Sp / 
n1 n2
( n1  1) s12  ( n2  1) s22
Sp  ; DF  n1  n2  2
n1  n2  2
X1  X 2
t ; dos.medias;  ' s  desconocidas.diferentes
2 2
s s
1
 2
n1 n2
DF  formula.especial 107
Estadísticos para medias
pareadas y varianzas
 Para el caso de muestras pareadas se calculan
las diferencias d individuales como sigue:
d
t ; Pares.de.medias; di . para.cada. par
Sd / n
( n  1) S 2
X2  ; DF  (n  1); prueba.una.v ar ianza
 2
(O  E ) 2
X2  ; DF  (r  1)(c  1); bondad .ajuste
E
108
Ejemplo de prueba de
hipótesis
Probar la hipótesis de igualdad de una media u para n > 30
1) Ho: µ=µο Ha: µ≠µο
2) Calcular el estadístico de prueba Zc con fórmula
3) Determinar el estadístico de tablas Zt de Excel
4) Establecer la región de rechazo con Zt y ver si cae ahí Zc

Las regiones de rechazo prueba de 2 colas: -Zα/2 ψ Zα/2
5) Determinar el Intervalo de confianza para la media y ver si

incluye a la media de la hipótesis, si no rechazar Ho
6) Determinar el valor P correspondiente a Zc y comparar

contra Alfa/2, si es menor rechazar Ho 109
Ejemplo de prueba de
hipótesis
 Rechazar Ho si:
 Zc se encuentra en la región de rechazo
 La media de la hipótesis no se encuentra en el
intervalo de confianza
 El valor p de la Zc es menor que alfa/2 o Alfa
para una cola
µ−µο Región de
Zcalc= Rechazo Región de
s
Rechazo
n 0
-Zα/2 Ζα/2
-Zt Zt 110
Ejemplo para dos colas
 Supongamos que tenemos muestras de dos reactores
que producen el mismo artículo. Se desea ver si hay
diferencia significativa en el rendimiento de “Reactor a
Reactor A Reactor B
Reactor”.
89.7 84.7 Estadísticas Descriptivas
81.4 86.1
84.5 83.2 Variable Reactor N Media
Desv.Std
84.8 91.9
87.3 86.3
Rendimiento A 10 84.24
79.7 79.3
2.90
85.1 82.6
B 10 85.54 3.65
81.7 89.1
83.7 83.7
84.5 88.5
¿Qué representa esto?
Reactor A Reactor B
B B B B B BB BB B
A AA AAAA A A
80.0 82.5 85.0 87.5 90.0 92.5
¿Representan los reactores dos procesos diferentes?
¿Representan los reactores el mismo proceso básico?

112
Prueba de Hipótesis
Pregunta Práctica: ¿Existe diferencia entre los

reactores?
Pregunta estadística:
¿La media del Reactor B (85.54) es significativamente

diferente de la media del Reactor A (84.24)? o su
diferencia se da por casualidad en una variación de día a
día.
113
Prueba de
Hipótesis
Ho: Hipótesis Nula: Ha: Hipótesis Alterna: Las

No existe diferencia medias de los Reactores
entre los Reactores son diferentes.
Ho: µa =µb
Ha: µa ≠µb
Debemos demostrar que los valores que observamos al parecer

no corresponden al mismo proceso, que la Ho debe estar
equivocada 114
ANOVA de un factor
o dirección
Pruebas de hipótesis de
varias medias a la vez
115
ANOVA – Prueba de hipótesis para
probar la igualdad de medias de
varias poblaciones para un factor
Se trata de probar si el efecto de un factor o

Tratamiento en la respuesta de un proceso o sistema es
Significativo, al realizar experimentos variando
Los niveles de ese factor (Temp. 1, Temp. 2, Temp.3, etc
Ho : µ1 = µ2 = µ3 =......... = µa
Ha : A lg unas.µ' s.son.diferentes
116
ANOVA - Condiciones
 Todas las poblaciones son normales
 Todas las poblaciones tiene la misma varianza
 Los errores son independientes con

distribución normal de media cero
 La varianza se mantiene constante para todos

los niveles del factor
117
ANOVA – Ejemplo de datos
Niveles del Factor Peso % de algodón y Resistencia de tela
Cuadrilla Tiempo de respuesta

15 7 7 15 11 9
20 12 17 12 18 18
25 14 18 18 19 19
30 19 25 22 19 23
35 7 10 11 15 11
118
ANOVA – Suma de
cuadrados total
Xij
Gran media
Xij
a b 2
SCT =∑ ∑( Xij −X )
i=1 j =1
119
ANOVA – Suma de cuadrados
de renglones (a)-
tratamientos
Media Trat. 1 Media Trat. a
a renglones
Gran media
Media trat. 2
SCTr = ∑ b( X i − X ) 2
i =1
120
del error
X2j X3j
X1j
Media X1.
Media
Media X2. X3.
Muestra 1 Muestra 2 Muestra
a b
SCE = ∑ ∑( X ij −X i) 2
i =1 j =1 121
del error
X2j X3j
X1j
Media X1.
Media
Media X2. X3.
Muestra 1 Muestra 2 Muestra
SCE = SCT − SCTr

122
ANOVA – Grados de libertad:
Totales, Tratamientos, Error
gl.SCT = n −1
gl.SCTr = a −1
gl.SCE = ( n −1) −( a −1) = n −a
123
ANOVA – Cuadrados medios:
Total, Tratamiento y Error
MCT = SCT /( n −1)

MCTr = SCTr /( a −1)
MCE = SCE /( n −a )
124
ANOVA – Cálculo del
estadístico Fc y Fexcel
MCTr
Fc =
MCE
Fexcel = FINV ALFA, gl .SCTr , gl .SCE
125
Tabla final de ANOVA
TABLA DE ANOVA
FUENTE DE VARIACIÓN SUMA DE GRADOS DE CUADRADO VALOR F

CUADRADOS LIBERTAD MEDIO
Entre muestras (tratam.) SCTR a-1 CMTR CMTR/CME
Dentro de muestras (error) SCE n-a CME
Variación total SCT n-1 CMT
Regla: Rechazar Ho si la Fc de la muestra es mayor que la F de Excel para una cierta alfa
o si el valor p correspondiente a la Fc es menor al valor de alfa especificado
126
ANOVA – Toma de decisión
Distribución F Fexcel
Alfa
Zona de no rechazo de Ho Zona de rechazo

O de no aceptar Ha De Ho o aceptar Ha
Fc
127
ANOVA – Toma de decisión
Si Fc es mayor que Fexcel se rechaza Ho

Aceptando Ha donde las medias son
diferentes
O si el valor de p correspondiente a Fc es
menor de Alfa se rechaza Ho
128
Corrida en Minitab
 Se introducen las respuestas en una columna
C1
 Se introducenDurability
los subíndices de los renglones
Carpet
en una columna C218.95 1
12.62 1
11.94 1
14.42 1
10.06 2
7.19 2
7.03 2
14.66 2 129
Corrida en Minitab
 Opción: stat>ANOVA – One Way (usar archivo
Exh_aov)
 En Response indicar la col. De Respuesta
(Durability)
 En factors indicar la columna de subíndices

(carpet)
 En comparisons (Tukey)
 Pedir gráfica de Box Plot of data y residuales

Normal Plot y vs fits y orden

130
Resultados
One-way ANOVA: Durability versus Carpet
Source DF SS MS F P
Carpet 1 45.1 45.1 3.97 0.093 -> No hay diferencia entre las medias
Error 6 68.1 11.3
Total 7 113.1
S = 3.368 R-Sq = 39.85% R-Sq(adj) = 29.82%
Individual 95% CIs For Mean Based on
Pooled StDev
Level N Mean StDev ----+---------+---------+---------+-----
1 4 14.483 3.157 (----------*-----------)
2 4 9.735 3.566 (-----------*-----------)
----+---------+---------+---------+-----
7.0 10.5 14.0 17.5
Pooled StDev = 3.368
Tukey 95% Simultaneous Confidence Intervals
All Pairwise Comparisons among Levels of Carpet
Individual confidence level = 95.00%
Carpet = 1 subtracted from:
Carpet Lower Center Upper -+---------+---------+---------+--------
2 -10.574 -4.748 1.079 (-----------*----------)
-+---------+---------+---------+--------
-10.0 -5.0 0.0 5.0
131
ANOVA de un factor
principal y una variable de
bloqueo
132
para probar la igualdad de
medias de varias poblaciones
con dos vías
Se trata de probar si el efecto de un factor o
Tratamiento en la respuesta de un proceso o sistema es
Significativo, al realizar experimentos variando
Los niveles de ese factor (Temp.1, Temp.2, etc.)
POR RENGLON
Y
Considerando los niveles de otro factor que se piensa
Que tiene influencia en la prueba – FACTOR DE BLOQUEO
POR COLUMNA
133
para probar la igualdad de
medias de varias poblaciones
con dos vías
Para el tratamiento – en renglones
Ho : µ1 = µ2 = µ3 = ......... = µa
Para el factor de bloqueo – en columnas
Ho : µ'1 = µ'2 = µ'3 =......... = µ'a

134
ANOVA 2 Factores - Ejemplo
Experiencia en años de los operadores

Maquinas 1 2 3 4 5
Maq 1 27 31 42 38 45
Maq 2 21 33 39 41 46
Maq 3 25 35 39 37 45
135
ANOVA – Dos factores, vías o
direcciones
 La SCT y SCTr (renlgones) se determina de la
misma forma que para la ANOVA de una
dirección o factor
 En forma adicional se determina la suma de

cuadrados del factor de bloqueo (columnas) de
forma similar a la de los renglones
 La SCE = SCT – SCTr - SCBl
136
Tabla final ANOVA 2 Vías
FUENTE DE VARIACIÓN SUMA DE GRADOS DE CUADRADO VALOR F
CUADRADOS LIBERTAD MEDIO
Entre muestras (tratam.) SCTR a-1 CMTR CMTR/CME
Entre Bloques (Factor Bl) SCBl b-1 CMBL CMBL/CME
Dentro de muestras (error) SCE (a-1)(b-1) CME
Variación total SCT n-1 CMT
Regla: No rechazar si la F de la muestra es menor que la F de Excel para una cierta alfa
137
ANOVA – 2 Vías Toma de
decisión
Distribución F Fexcel
Alfa
Zona de no rechazo de Ho Zona de rechazo

O de no aceptar Ha De Ho o aceptar Ha
Fc
Tr o Bl 138
ANOVA – 2 vías toma de
decisión
Si Fc (Tr o Bl) es mayor que Fexcel se

rechaza Ho Aceptando Ha donde las
medias son diferentes
O si el valor de p correspondiente a Fc
(Tr o Bl) es menor de Alfa se rechaza Ho
139
Adecuación del modelo
 Los residuales o errores deben seguir una
recta en la gráfica normal
 Deben mostrar patrones aleatorios en las

gráficas de los residuos contra el orden de las
Yij, contra los valores estimados y contra los
valores reales Yij
Residuales = eij = Yij (observada)–Yij (estimada)
140
Corrida en Minitab
 Se introducen las Zooplank- Supple-
ton ment Lake
respuestas en una
columna C1 34 1 Rose
43 1 Rose
 Se introducen los 57 1 Dennison
subíndices de los 40 1 Dennison
renglones en una 85 2 Rose
columna C2 y de las 68 2 Rose
columnas en C3
67 2 Dennison
53 2 Dennison
141
Corrida en Minitab
 Opción: stat>ANOVA – Two Way (usar archivo
Exh_aov)
 En Response indicar la col. De Respuesta

(Zooplant)
 En Row factor y Column Factor indicar las

columnas de subíndices de renglones y
columnas (supplement y lake) y Display Means
para ambos casos
142
 Pedir gráfica residuales Normal Plot y vs fits y
Resultados
Two-way ANOVA: Zooplankton versus
Supplement, Lake
Source DF SS MS F P
Supplement 1 1225.13 1225.13 11.46
0.028
Lake 1 21.13 21.13 0.20 0.680
Interaction 1 351.13 351.13 3.29 0.144
Error 4 427.50 106.88
Total 7 2024.88
S = 10.34 R-Sq = 78.89% R-Sq(adj) =

63.05%
143
Pruebas de Hipótesis no
paramétricas para datos no
normales
144
Variables Atributos
No Normal Tablas de
Varianza Medianas
Correlación
Correlación
dad
Wilcoxon
de
Mann-
Varianzas
Whitney Variancia
de Levene Medias
Kurskal-
Residuos
Dos vías
Correlación
Regresión 145
Resumen de pruebas de Hipótesis – Datos no normales
Pruebas de Varianzas
Homogeneidad de la varianza de Levine :
Compara dos o más varianzas de muestras de la
misma población.
Pruebas de la Mediana
Prueba de signos: Prueba si el promedio de la

mediana de la muestra es igual a un valor
conocido o a un valor a alcanzar.
Prueba Wilcoxon: Prueba si la mediana de la
muestra es igual a un valor conocido o a un valor
hipotético.
146
Prueba Mann-Whitney : Prueba si dos medianas
Resumen de pruebas de Hipótesis – Datos no normales
Pruebas de la Mediana
Prueba Kruskal-Wallis: Prueba si más de dos

medianas de muestras son iguales. Asume que
todas las distribuciones tienen la misma forma.
Prueba de la mediana de Mood: Otra prueba

para más de dos medianas. Prueba más firme
para los valores atípicos contenidos en la
información.
Prueba de Friedman: Prueba si las medianas de

las muestras, clasificadas bajo dos categorías, son
iguales.
147
Correlación: Prueba la relación lineal entre dos
Tablas de contingencia
Prueba Chi2 (χ2)
148
Ejemplo 2: Chi2 Para comparación de
dos grupos; ¿son las mismas
proporciones?)
Ho: No existen diferencias en los índices de defectos de las dos máqu
Ha: Existen diferencias en los índices de defectos de las dos máquina
Los valores observados (fo) son los

siguientes: Partes Partes
buenas defectuosas
máquina 1 fo = 517 f = 17 Total =

534
máquina 2 fo = 234 f = 11 Total = 245
Total 751 28 779
El índice de defectos totales es 28 / 779 =

3.6%
149
Ejemplo 2: Chi2 Para comparación de
dos grupos; ¿son las mismas
proporciones?)
Cálculo de los valores esperados
Partes Partes
buenas defectuosas
máquina 1 fo = 751*534/779 fo = 28*534/779
Total = 534
máquina 2 fo = 751*245/779 fo =
28*245/779 Total = 245
sados en este índice, los valores esperados (fe) serían:779
Partes Partes
buenas defectuosas
máquina 1 530.53
3.47
máquina 2 233.47
1.53
150
Prueba de chi cuadrada:
Los conteos esperados están debajo de los conteos
observados
Partes buenas Partes Defectuosas Total
1 532 2 534
530.53 3.47
2 232 3 235
233.47 1.53
Total 764 5 769
Chi2 = 0.004 + 0.624 + 0.009 + 1.418 = 2.056

DF= 1; valor de p = 0.152
2 celdas con conteos esperados menores a 5.0 151

Ejercicios
1. Se quiere evaluar si hay preferencia por manejar
en un carril de una autopista dependiendo de la hora
del día. Los datos se resumen a continuación:
Hora del día

Carril 1:00 3:00 5:00
Izquierdo 44 37 18
Central 28 50 72
Derecho 8 13 30
¿Con un 95% de confianza, existe una diferencia

entre las preferencias de los automovilistas
dependiendo de la hora?
Ho: P1 = P2 = P3; Ha: al menos una es diferente

Grados de libertad = (columnas - 1) ( filas -1)
Ejemplo:
 Ejemplo:
Se cuestionó a veinte personas sobre cuánto
tiempo les tomaba estar listas para ir a
trabajar, en las mañanas. Sus respuestas (en
minutos) se muestran más adelante. ¿Cuáles
son el promedio y la mediana para esta
muestra?
30, 37, 25, 35, 42, 35, 35, 47, 45, 60

39, 45, 30, 38, 35, 40, 44, 55, 47, 43
153
Un dibujo dice más que mil
palabras
Promedio
Mediana
28.0 35.0 42.0 49.0 56.0 63.0

-------+---------+---------+---------+---------+---------+------ C1
Promedio = 40.35 Mediana = 39.5
El promedio puede estar influenciado considerablemente por

los valores atípicos porque, cuando se calcula un promedio, se
incluyen los valores reales de estos valores.
La mediana, por otra parte, asigna la misma importancia a

todas las observaciones, independientemente de los valores
reales de los valores atípicos, ya que es la que se encuentra
en la posición media de los valores ordenados.
154
Prueba de Signos de la Mediana
Para observaciones pareadas
Calificaciones de amas de casa a dos limpiadores de

ventanas:
Ho: p = 0.5 no hay preferencia de A sobre B

Ha: p<>0.5
Ama Limpiad
Casa or
A B
1 10 7
2 7 5
¿Hay evidencia que indique
cierta preferencia de las ama
3 8 7
de casa por lo limpiadores?
4 5 2
5 7 6
6 9 6 155
Product
Famili o A B Media = 0.5*n
a
1 - + Desv. Estand.= 0.5*raiz(n)
2 - +
3 + - Zc = (Y – media) / Desv. Estánd
4 - + Rechazar Ho si Zc ><Zalfa/2
5 0 0
6 - +
7 - + ¿Hay evidencia que indique
8 + - cierta preferencia por un
9 - + Producto A o B?
10 - +
11 - +
156
Media = 0.5*11 = 5.5

Desv. Estand.= 0.5*raiz(n) = 1.67
Para Zc = (8 – 5.5) / 1.67 = 1.497
Zexcel = 1.96 para alfa/2 = 0.025
Como Zc < Zexcel no se rechaza Ho o

Como p value = 0.067 > 0.025
No hay evidencia suficiente de que los
Consumidores prefieran al producto B
157
Ejemplo (usando los datos del ejemplo anterior):
Ho: Valor de la mediana = 115.0

Ha: Valor de la mediana diferente de 115.0
N DEBAJO IGUAL ENCIMA VALOR P MEDIANA

29 12 0 17 0.4576
144.0
Ya que p >0.05, no se puede rechazar la hipótesis nula.
No se puede probar que la mediana real y la mediana
hipotética son diferentes.
En las páginas siguientes se muestra el detalle del cálculo.

158
Ejemplo: Con los datos del ejemplo anterior y ordenándo de
menor a mayor se tiene: n = 29, Mediana de Ho = 115
No. Valor Signo No. Valor Signo No. Valor

Signo
1 0 - 11 110 - 21 220 +
2 50 - 12 110 - 22 240 +
3 56 - 13 120 + 23 290 +
4 72 - 14 140 + 24 309 +
5 80 - 15 144 + 25 320 +
6 80 - 16 145 + 26 325 +
7 80 - 17 150 + 27 400 +
8 99 - 18 180 + 28 500 +
9 101 - 19 201 + 29 507 +
10 110 - 20 210 +
La mediana de los datos es 144. Si el valor contra el

cual se desea probar es 115, entonces hay 12 valores
por debajo de el (-) y 17 valores por arriba (+). 159
Ho: Pi = 0.5 No hay preferencia

Ha: Pi <> 0.5 Hay preferencia
El estadístico X es el el número de veces que ocurre el signo

menos frecuente, en este caso el 12 (-).
Cómo n ≥ 25, se calcula el estadístico Z para la prueba de

signos con:
Z = [ (Y + 0.5) - (0.5*n) / 0.5 √ n
En este caso Z1 = - 0.74278 y P(Z1) = 0.2288 para la cola

izquierda
en forma similar P(Z2) = 0.2288 para la cola derecha, por lo
que la
probabilidad total es 0.4576 >> 0.05 del criterio de rechazo.
160
¿Es esto correcto?¿144 podría ser igual a 115?

Bueno, veamos una gráfica de la información…
0 100 200 300 400 500
115 144
Después de todo, tal vez
esto SEA lo correcto.
161
Prueba de Mann-
Whitney
Se llevó a cabo un estudio que analiza la
frecuencia del pulso en dos grupos de personas
de edades diferentes, después de diez minutos
de ejercicios aeróbicos.
Edad 40-44
Los datos resultantes se muestran Edad 16-20
a continuación.
C1 C2
140 130
135 166
150 128
140 126
¿Tuvieron diferencias 144 140
154 136
significativas las 160 132
frecuencias de pulso de 144 128
ambos grupos? 136 124
148
162
Prueba de Mann-
Whitney
Edad 40-44 Edad 16-20
C1 C2
(7) 135 (1) 124
 Ordenando los (8.5) 136 (2) 126
datos y (11) 140 (3.5) 128
asignándoles el (11) 140 (3.5) 128
(rango) de su (13.5) 144 (5) 130
posición relativa se (13.5) 144 (6) 132
(15) 148 (8.5) 136
tiene
(16) 150 (11)140
(promediando (17) 154 (15)166
posiciones para el (18) 160
caso de que sean
Taiguales):
y Tb suma de rangos n1 = 10 n2 = 9
Ta = 130.5 Tb = 55.5163
Prueba de Mann-Whitney
Ho: Las distribuciones de frecuencias relativas de las poblaciones A y B son
iguales
Ha: Las distribuciones de frecuencias relativas poblacionales no son idénticas
Ho: η1 = η2 Ha: η1 ≠ η2 η1, η2 = Medianas de las poblaciones
Ordenando los datos y asignándoles su posición relativa se tiene:
Ua = n1*n2 + (n1) * (n1 + 1) /2 - Ta
Ub = n1*n2 + (n2) * (n2 + 1) /2 - Tb
Ua + Ub = n1 * n2
Ua = 90 + 55 - 130.5 = 14.5 P(Ua) = 0.006 Ub = 90 + 45 - 55.5 =

79.5
El menor de los dos es Ua.
Para alfa = 0.05 el valor de Uo = 25
Como Ua < 25 se rechaza la Hipótesis Ho de que las medianas son iguales.
Dado que p < 0.05, rechazamos la hipótesis nula.
Estadísticamente existe una diferencia significativa entre los
dos grupos de edad. 164
Prueba de Mann-Whitney
Ho: Las distribuciones de frecuencias relativas de las poblaciones A y B son
iguales
Ha: Las distribuciones de frecuencias relativas poblacionales no son idénticas
Ua = 14.5 Ub = 79.5
Utilizando el estadístico Z y la distribución normal se tiene:
45 12.24
Z = [ (U - (n1* n2 / 2 ) / Raiz (n1 * n2 * (n1 + n2 + 1) / 12)
Con Ua y Ub se tiene:
Za = (14.5 - 45) / 12.24 = - 2.49 P(Z) = 0.0064 similar a la anterior

Zb = (79.5 -45) / 12.24 = 2.81 P(total) = 2 * 0.0064 = 0.0128 menor α =
0.05
El valor crítico de Z para alfa 0.025 por ser prueba de dos colas, es 1.96.
Dado
ComoqueZa >pZcrítico
< 0.05, rechazamos
se rechaza la hipótesis
la Hipótesis Ho de que nula.
las medianas son
iguales.
Estadísticamente existe una diferencia significativa entre los
dos grupos de edad. 165
Prueba de Mann-
Whitney
16-20 años de edad
130 166 128 126 140 136 132 128 124
140 10 -26 12 14 0 4 8 12 16
135 5 -31 7 9 -5 -1 3 7 11
40-44 años
150 20 -16 22 24 10 14 18 22 26
140 10 -26 12 14 0 4 8 12 16
de edad
144 14 -22 16 18 4 8 12 16 20
154 24 -12 26 28 14 18 22 26 30
160 30 -6 32 34 20 24 28 32 36
144 14 -22 16 18 4 8 12 16 20
136 6 -30 8 10 -4 0 4 8 12
148 18 -18 20 22 8 12 16 20 24
Diferencias entre los encabezados de

los renglones y las columnas
De esta manera, se calcula la mediana de todas estas diferencias,
denominada "punto estimado". Este punto estimado es una aproximación de
la diferencia entre las medianas de los dos grupos (ETA1 y ETA2).
Una vez ajustados los "enlaces" (eventos de un mismo valor en ambos grupos
de información), Minitab usa este punto estimado para calcular el valor p.
166
Prueba de Kruskal Wallis
Ordenando los datos de ventas y asignándoles el (rango) de
su posición relativa se tiene (promediando posiciones si
son iguales):
Zona 1 Zona 2 Zona 3
(15.5) 147 (17.5) 160 (24) 215
(17.5) 17.5 (14) 140 (8) 127
(9) 128 (21) 173 (2) 98
(19) 162 (4) 113 (15.5) 127
(12) 135 (1) 85 (23) 184
(10) 132 (7) 120 (3) 109
(22) 181 (25) 285 (20) 169
(13) 138 (5) 117
(11) 133
(6) 119
n1 = 8 n2 = 10 n3 = 7 N = n1 + n2 +
Ta = 118 Tb = 111.5 Tc = 95.5 n3 N = 25
167
Prueba de Kruskal Wallis
Ho: Las poblaciones A, B y C son iguales

Ha: Las poblaciones no son iguales
Ho: η1 = η2 = η3 Ha: η1 ≠ η2 ≠ η3 ; η1, η2, η3 =
Medianas de las poblaciones
Calculando el valor del estadístico H se tiene:

H = [ 12 /( N* ( N + 1)) ] * [ Ta2 / n1 + Tb2 / n2 + Tc2 / n3 ] - 3 * ( N
+1 )
H = 0.01846 * (1740.5 + 1243.225 + 1302.893 ) - 78 = 1.138
Se compara con el estadístico χ2 para α = 0.05 y G.l. = k - 1 =

3-1= 2 (k muestras)
χ2 crítico = 5.991 (válido siempre que las muestras tengan al
menos 5 elementos)
Como H < χ2 crítico, no se rechaza la Hipótesis Ho: Afirmando
168
Coeficiente de correlación
de rangos para monotonía
de preferencias
Una persona interesada en adquirir un TV asigna
rangos a modelos de cada uno de 8
fabricantes Rang
Fab. Preferencia Precio o
(rango) Di
Di
1 7 449.50 (1) 6 cuadrada
36
2 4 525.00 (5) -1 1
3 2 479.95 (3) -1 1
4 6 499.95 (4) 2 4
5 1 580.00 (8) -7 49
6 3 549.95 (7) -4 16
7 8 469.95 (2) 6 36
8 5 532.50 (6) -1 1 169
Coeficiente de correlación
de rangos para monotonía
de preferencias
Ho: No existe asociación entre los rangos

Ha: Existe asociación entre los rangos o es positiva o
negativa
El coeficiente de correlación de rangos de Spearman es:
Rs = 1 – 6*suma(di cuadrada) / (n(n cuadrada – 1))
En este caso: Rs = 1 – 6(144)/(8*(64-1) = -0.714
R0 se determina de la tabla de Valores críticos del

coeficiente de correlación del coeficiente de correlación
de rangos de Spearman Rt = 0.686
170
Tabla de constantes
n Alfa=0.05 Alfa = 0.025
5 0.900 -
6 0.829 0.886
7 0.714 0.786
8 0.643 0.738
9 0.600 0.683
10 0.564 0.648
11 0.523 0.623
12 0.497 0.591
13 0.475 0.566
14 0.457 0.545
15 0.441 0.525
16 0.425 0.507
17 0.412 0.490
18 0.388 0.476
19 0.377 0.462
20 0.368 0.450
21 0.359 0.438
22 0.351 0.428
23 0.343 0.418
24 0.336 0.409
25 0.329 0.400
26 0.329 0.392
27 0.323 0.385
28 0.317 0.377
29 0.311 0.370
30 0.305 0.364 171
Salidas de la Fase de Análisis
 Causas raíz validadas
 Guía de oportunidades de mejora
172
Resumen de la validación de las
causas
# de
Resultados Causa
Causa Causas Raíz
1 Ensamble de ojillos, X
SI ES CAUSA RAIZ
bloques y contrapesos no
adecuados en aspas.
2 Amortiguadores dañados. X
SI ES CAUSA RAIZ
3 Desgaste de bujes en los
carretes. NO ES CAUSA RAIZ
4 Fabricación y reemplazo de
NO ES CAUSA RAIZ
ejes y poleas no adecuados
en ensamble de aspas.
Desalineamiento de poleas
5 y bandas de transmisión de SI ES CAUSA RAIZ X
aspas.
Método de Balanceo no
6 SI ES CAUSA RAIZ X
adecuado.
7 Desalineación de pinolas NO ES CAUSA RAIZ
en cuna.
173
Fase de Mejora
174
8. Fase de Mejora
 Diseño de experimentos
 Técnicas de creatividad
 Implantación y verificación de
soluciones
175
Fase de mejora
 Propósito:
 Desarrollar, probar e implementar soluciones que
atiendan a las causas raíz
 Salidas
 Acciones planeadas y probadas que eliminen o
reduzcan el impacto de las causas raíz identificadas
 Comparaciones de la situación antes y después para

identificar la dimensión de la mejora, comparar los
resultados planeados (meta) contra lo alcanzado
176
FASE DE MEJORA
Causas
raíz Técnicas de
Diseño de creatividad
experimentos Tormenta de
ideas
Optimización Ideas Metodología
TRIZ
Efecto de X's Generación de soluciones

en las Y =
CTQs
Evaluación de soluciones
(Fact., ventajas, desventajas)
¿Solución
No factible?
Si
Implementación de
soluciones y verificación
de su efectivdad
Soluciones
verificadas
177
Diseño de Experimentos
(DOE)
178
Perspectiva histórica
 Ronald Fisher los desarrolla en su estación
agrícola experimental de Rothamsted en
Londres (ANOVA) 1930
 Otros que han contribuido son: F. Yates, G.E.P.

Box, R.C. Bose, O. Kempthorne, W.G. Cochran,
G. Taguchi
 Se ha aplicado el DOE en la agricultura y

ciencias biológicas, industria textil y lana, en
los 1930’s
 Después de la II Guerra mundial se 179

Introducción
 El cambiar un factor a un tiempo presenta las
desventajas siguientes:
 Se requieren demasiados experimentos para el
estudio
 No se puede encontrar la combinación óptima
de variables
 No se puede determinar la interacción

 Se puede llegar a conclusiones erróneas
 Se puede perder tiempo en analizar las

variables equivocadas
180
¿Por qué no probar un factor a la
vez?
TEMPERATURA TEMPERATURA
1 3
PRESION
PRESION
Zona Máxima Conclusión de la Prueba
2 4
PRESION
Optimo
PRESION
Respuesta Máxima
Conclusión de la Prueba
TEMPERATURA TEMPERATURA
181
Introducción
 El DOE varia varios factores simultáneamente
de forma que se puede identificar su efecto
combinado en forma económica:
 Se identifican los Factores que son

significativos
 No es necesario un alto conocimiento
estadístico
 Las conclusiones obtenidas son confiables
 Se pueden encontrar los mejores niveles de

factores controlables que inmunicen al 182
¿Qué es un diseño de
experimentos?
Cambios deliberados y sistemáticos de las variables de entrada
(factores) para observar los cambios correspondientes en la
salida (respuesta).
Entradas Salidas (Y) Entradas Salidas (Y)
Diseño de
Proceso
Producto
183
El Diseño de experimentos tiene
como objetivos determinar:
 Las X’s con mayor influencia en las Y’s
 Cuantifica los efectos de las principales X’s

incluyendo sus interacciones
 Produce una ecuación que cuantifica la

relación entre las X’s y las Y’s
 Se puede predecir la respuesta en función de

cambios en las variables de entrada
184
Principios básicos
 Obtención de réplicas: repetición del
experimento (5 resultados en cada corrida
expermental)
 Aleatorización: hacer en forma aleatoria:

 Permite confundir el efecto de los factores no
controlables
 La asignación de los materiales utilizados en la
experimentación
 El orden en que se realizan los experimentos

185
Términos
 Error experimental
 Variación en respuesta bajo las mismas
condiciones de prueba. También se denomina
error residual.
 Fraccional
 Un arreglo con menos experimentos que el
arreglo completo (1/2, ¼, etc.)
 Factorial completo
 Arreglo experimental que considera todas las
combinaciones de factores y niveles
 Interacción
 Ocurre cuando el efecto de un factor de entrada
186
Términos
 Nivel
 Un valor específico para un factor controlable de
entrada
 Efecto principal
 Un estimado del efecto de un factor
independientemente del efecto de los demás
 Optimización
 Hallar las combinaciones de los factores que
maximizen o minimizen la respuesta
187
Factores y niveles
 Los factores son los elementos que cambian durante
un experimento para observar su impacto sobre la
salida. Se designan como A, B, C, etc.
- Los factores pueden ser cuantitativos o cualitativos

- Los niveles se designan como alto / bajo (-1, +1) o
(1,2) Factor cuantitativo,
dos niveles
Factor Niveles
B. Temp. de Moldeo 600º 700ºFactor cualitativo,
E. Tipo de Material Nylon Acetal dos niveles
188
Pasos para Diseñar y Realizar un
1. Observar datos históricos y/o recolectar datos para
establecer la capacidad actual del proceso debe estar
en control estadístico.
• Determinar el objetivo del experimento (CTQs a

mejorar).
Por medio de un equipo de trabajo multidisciplinario

• Determinar qué se va a medir como resultado del
experimento.
• Identificar los factores de control y de ruido que

pueden afectar el resultado. 189
• Determinar el número de niveles de cada factor y sus
valores reales.
• Seleccionar un esquema experimental que acomode

los factores y niveles seleccionados y decidir el
número de replicas.
• Verificar todos los sistemas de medición (R&R < 10%)
• Planear y preparar los recursos (gente, materiales,

etc.) para llevar a cabo el experimento. Hacer un plan
de prueba.
190
9. Realizar el experimento, identificar
muestras con la condición experimental
que la produce
• Medir las unidades experimentales.
• Analizar los datos e identificar los factores

significativos.
• Determinar la combinación de niveles de

factores que mejor alcance el objetivo.
191
13. Correr un experimento de confirmación con esta

combinación "óptima".
14. Asegurar que los mejores niveles para los factores

significativos se mantengan por largo tiempo mediante
la implementación de Procesos de Operación Estándar
y controles visuales.
15. Re evaluar la capacidad del proceso.
192
Ejemplo: Proceso de atención a
clientes en un Call Center
 Objetivos de los experimentos
 Caracterizar el proceso (identificar los factores

que influyen en la ocurrencia de errores)
 Optimizar, identificar el nivel óptimo de los

factores críticos para reducir el número de errores
 Identificar los factores controlables que pueden

afectar a la respuesta Y = Tiempo de solución de
problema
 Identificar los factores de ruido que no podemos

o queremos controlar 193
Ejemplo: Proceso de atención a
clientes en un Call Center
 Variables de control X’s
 Número de líneas telefónicas
 Nivel del Personal
 Tiempo de acceso a bases de datos
 Horas laboradas al día
 Horas de atención
194
Ejemplo: Proceso de soldadura de
una tarjeta de circuito impreso
 Variables que no se pueden o desean controlar
Z’s – Variables de ruido
 Edad del ejecutivo de cuenta
 Distribución del Call Center
 Día del año
 Medio ambiente
 Horarios de comida
195
Los Factores Pueden
Afectar...
1. La Variación del Resultado 3. La Variación y el Promedio
Con
Banda ancha
Entren.
Sin
Banda
entren.
angosta
Tiempo del servicio Tiempo del servicio
2. El Resultado Promedio 4. Ni la Variación ni el Promedio

Suficientes
ejectuvos Ambos sexos
Pocos ejecutivos
Toman el mismo
tiempo
Tiempo del servicio Tiempo del servicio

196
Tipos de Salidas
Las salidas se clasifican de acuerdo con nuestros objetivos.
Objetivo Ejemplos de Salidas
1. El Valor Meta es el Mejor
Lograr un • Tiempo de atención
valor meta con
variación mínima • Tiempo de conexión
Meta
2. El Valor Mínimo es el Mejor
Tendencia de • Tiempo de Ciclo
salida hacia cero
• Tiempo de
conexión
0
3. El Valor Máximo es el Mejor Tendencia de • Confiabilidad
salida
hacia arriba
• Satisfacción
197
Respuesta de Salida Y =Tiempo de
La salida que se mide como resultado del experimento
y se usa para juzgar los efectos de los factores. conexión
Factores A. Tiempo de llamada
B. LOcalización
Las variables de entrada de proceso que se C. Experiencia
establecen a diferentes niveles para observar D. Tipo de Material usado
su efecto en la salida.
Factor (X’s) Niveles

Niveles A. Tiempo llamada 30 60 min.
Los valores en los que se establecen los factores. B. Localización 1 2
C. Experiencia 1 3
D. Material usado A B
Interacciones Experiencia x Material

El grado en que los factores dependen unos de otros. usado:
Algunos experimentos evalúan el efecto de las El mejor nivel de Material
depende de la experiencia.
interacciones; otros no.
Corridas A B C D Dato
Pruebas o Corridas Experimentales 1 -1 -1 -1 -1
s
Las combinaciones de pruebas específicas de factores y 2 -1 -1 + +1

1
niveles que se corren durante el experimento. 3
.
-1 +
1
-1 +1
-1=Nivel Bajo +1=Nivel198

Alto
Experimentos factoriales
completos 2K
199
Experimento factorial
completo – sin interacción
 Un experimento factorial completo es un experimento
donde se prueban todas las posibles combinaciones de los
niveles de todos los factores.
Factor A:
-1 +1
+1 30 52
Factor B: Y = Respuesta
-1 20 40
Efecto del factor A = (52+40)/2 - (30+20)/2 = 21

Efecto del factor B = (30+52)/2 - (20+40)/2 = 11
Efecto de A*B = (52+20)/2 – (30+40)/2 =1
200
Experimento sin interacción
B = +1 30 52
Respuesta
Promedio
B = -1 20 40
A = -1 A=
+1
201
Experimento sin interacción
Respuesta
52
+1
B=
1 40
30 B =-
20
A = -1 A=
+1
202
Modelo de regresión lineal
y   0  1 x1   2 x2  12 x1 x2
ˆ  (20  40  30  52) / 4  35.5
0
ˆ1  21/ 2  11
ˆ2  11/ 2  5.5
ˆ12  1/ 2  0.5
ˆ  35.5  10.5 x1  5.5 x2  0.5 x1 x2
y
El coeficiente 0.5 es muy pequeño dado que no hay interacción
203
Gráfica de contornos –
Experimentos sin interacción
1 49 Dirección
De ascenso
46 rápido
.5 40
X2 34
0
28
-.5 22
-1
X1 -1 -.6 -.4 -.2 0.0 +.2 +.4 +.6 +.8 +1
204
Superficie de respuesta –
Experimentos sin interacción
Y = respuesta
Superficie de respuesta
Gráfica del modelo de regresión
X1
X2
205
Experimento factorial
completo – con interacción
 Un experimento factorial completo es un experimento
donde se prueban todas las posibles combinaciones de los
niveles de todos los factores.
Factor A = X1 :
-1 +1
+1 40 12
Y = Respuesta
Factor B = X2:
-1 20 50
Efecto de A*B = {(12+20)-(40+50)}/2 = -29
206
Experimento con interacción
B = +1 40 12
Respuesta
Promedio
B = -1 20 50
A = -1 A=
+1
207
Respuesta
50
40 + 1
B =
- 1
20 B =
12
A = -1 A=
+1
208
Modelo de regresión lineal
y   0  1 x1   2 x2  12 x1 x2
ˆ  (20  40  30  52) / 4  30.5
0
ˆ1  2 / 2  1
ˆ2  18 / 2  9
ˆ12  58 / 2  29
ˆ  30.5  1x1  9 x2  29 x1 x2
y
El coeficiente -29 es muy grande representando la interacción
209
Gráfica de contornos
1 49 Dirección
De ascenso
25 43 rápido
.5
40
X2 31 34
0
28
-.5
-1
X1 -1 -.6 -.4 -.2 0.0 +.2 +.4 +.6 +.8 +1
210
Superficie de respuesta –
Experimentos con interacción
Superficie de respuesta
Gráfica del modelo de regresión
211
Experimento factorial con
réplicas
 Un experimento factorial con réplicas tiene varios
resultados bajo la misma combinación de niveles
Factor A :
Horas
entrenamiento
70 90
y1 y5
Factor B: 30’
Acceso al y2 Y6 Y = Tiempo de
sistema y3 y7
60’ respuesta
y4 y8
212
Análisis del efecto de la
media
Factor A :
Horas de entrenam.
70 90
Factor B:
90 84
Acceso al 30 min.
87 87 Y = Tiempo de
sistema
95 79 conexión
60 min.
92 78
• ¿El tiempo de entrenamiento afecta el tiempo de

conexión?
• ¿El tiempo de acceso afecta el tiempo de conexión?
• ¿Qué efecto tiene la interacción entre las horas de
entrenamiento y la hora del día sobre el tiempo de
conexión? 213
El Efecto del entrenamiento
Factor A : Horas
Factor B : de
Tiempo de
acceso entrenamiento
A1 = 70 A2 = 90
90 84
B1 = 30 min.
87 87
95 79
B2 = 60 min. 95
Tiempo de conexión
92 78 91
90
A1 = 90 + 87 + 95 + 92 = 91
85
82
4 80
84 + 87 + 79 + 78 = 82
A2 = 70 o
90
4
¿El tiempo de entrenamiento parece cambiar el
tiempo de conexión Y?
214
acceso
Factor B : Factor A : Horas de
Tiempo de entrenamiento
acceso
A1 = 70 A2 = 90
90 84
B1 = 30 min.
87 87
95 79
B2 = 60 min.
Tiempo de conexión
92 78 95
90 87
86
B1 = 90 + 87 + 84 + 87 = 87
85
4 80
95 + 92+ 79 + 78 = 86
B2 = 30 min. 60 min.
4
¿El cambio de tiempo de acceso parece cambiar

el tiempo de atención promedio del Call Center? 215
El Efecto de la Interacción
Factor A : Horas de entrenamiento
Factor B : Tiempo o o
A1 = 70 A2 = 90
de acceso
B1 = 30 90 84
min. 87 87
B2 = 60 95 79
95
Tiempo de conexión
min. 92 78
70
A1 A2 90
B1 88.5 85.5 85
90
B2 93.5 78.5 80
30 min. 60 min.
A,B, = 90 + 87 = 88.5
2
• En una gráfica de interacción, las líneas paralelas indican que no hay interacción. ¿Por qué?
• ¿Las horas de entrenamiento y el tiempo de acceso parecen interactuar?
• ¿Qué niveles de los factores deben usarse para reducir al mínimo la dureza de
las partes?
216
Respuesta
93.5
B=
2
88.5 B=
1 85.5
78.5
A=1 A=2
217
Corrida con Minitab – Creación del
diseño para 2 factores 2 niveles
Stat > DOE > Factorial > Create Factorial Design
o Two level
Designs: Number of center points 0
Number of Replicates 2
Number of blocks 1 OK
Options Non randomize runs OK

Factors Introducir el nombre real de los factores
y en forma opcional los niveles reales
Results Summary table, alias table OK

218
Corrida con Minitab – Diseño para 2
factores con 3 o más niveles
Stat > DOE > Factorial > Create Factorial Design

Type of Design: General Full Factorial
Designs: Number of levels 3, 3
Number of Replicates 2
Options Non randomize runs OK

Factors Introducir el nombre real de los factores
y en forma opcional los niveles reales
219
Corrida con Minitab – Análisis
del diseño factorial
 Hacer una columna de RESPUESTAS e introducir los
datos correspondientes a cada celda
Stat > DOE > Factorial > Analyze Factorial Design
Response Seleccionar la columna de las respuestas

Residuals Estandardized
Terms Pasar todos los términos a Selected con >> OK
Graphs Seleccionar Effects Plots Normal y Pareto
Seleccionar Residual plots: Normal y vs fits OK
Results Full table of fits and residuals
Seleccionar todos los términos con >> OK
OK
220
Corrida con Minitab –
Interpretación de gráficas
MAIN EFFECTS
 La gráfica de EFFECTS PLOT debe indicar fuera de la
recta los factores e interacciones que son significativas
 La gráfica EFFECTS PARETO debe indicar en sus barras

principales más allá de la recta de 0.1 o 0.05 los
factores e interacciones significativas
RESIDUALS
 La gráfica NORMAL PLOT de residuos debe mostrar los
puntos cerca de la recta

 La gráfica de residuos RESIDUALS vs FITS debe mostrar
aleatoriedad en los residuos

221
Corrida con Minitab –
Interpretación de resultados
Estimated Effects and Coefficients for Res (coded units)
Term Effect Coef SE Coef T P Variables significativas (p < 0.05,

0.1)
Constant 86.500 0.6614 130.78 0.000
A -9.000 -4.500 0.6614 -6.80 0.002
B -1.000 -0.500 0.6614 -0.76 0.492
A*B -6.000 -3.000 0.6614 -4.54 0.011
Modelo de regresión Y = 86.5 – 4.5 A – 3 AB (incluyendo sólo las variables significativas)
Analysis of Variance for Res (coded units)

Source DF Seq SS Adj SS Adj MS F P
Main Effects 2 164.00 164.00 82.000 23.43 0.006 Existencia del
modelo
2-Way Interactions 1 72.00 72.00 72.000 20.57 0.011
Residual Error 4 14.00 14.00 3.500
Pure Error 4 14.00 14.00 3.500 222
Tabla ANOVA – Experimento de
Tiempo de respuesta
Las horas de
Origen DF SS Sec SS Aj MS Aj F P entr. son
significativas.
Temp 1 162.000 162.00 162.00 46.29 0.002
El Tiempo de
Tiempo 1 2.000 2.000 2.000 0.57 0.492 acceso, no es
significativo.
Temp* 1 72.000 72.000 72.000 20.57 0.011
Tiempo
La interacción
Error 4 14.000 14.000 3.500 del tiempo de
acceso y horas
Total 7 250.000 de entr. es
significativa.
223
Corridas con Minitab –
Gráficas factoriales
Crear las gráficas factoriales y de interacción:
Stat > DOE > Factorial > Factorial Plots

Seleccionar Main effects e Interaction Plots
Setup para ambas: Seleccionar columna Respuesta
y con >> seleccionar todos los factores OK
Seleccionar Data Means OK
224
Interpretación de gráficas
 Si la interacción es significativa, entonces los
mejores niveles de operación del proceso ya
sea para maximizar o para minimizar la
respuesta Y, se seleccionan de la Gráfica de
Interacción
 Si no es significativa la interacción, entonces

los mejores niveles de los factores se
seleccionan de las gráficas de efectos
principales
225
Gráfica de efectos principales
Main Effects Plot (data means) for Res
-1 1 -1 1
90
88
Res
86
84
82
A B
226
Gráfica de interacciones
Interaction Plot (data means) for Res
A
-1
1
90
Mean
85
80
-1 1
B
227
Corridas con Minitab – Gráficas de
contorno y superficie de respuesta
Crear las gráficas de contorno y superficies de respuesta:
Stat > DOE > Factorial > Contour/Surface Plots
Seleccionar Contour / Surface Plots

Setup para ambas: Entrar a opción y dar OK
Seleccionar OK
228
Gráfica de contorno
Contour Plot of Res
1 82.5
85.0
87.5
90.0
92.5
0
B
-1
-1 0 1
A
Permite identificar la dirección de experimentación

de ascenso rápido perpendicular a los contornos229
Gráfica superficie de
respuesta
Surface Plot of Res
95
90
Res 85
80 1
-1
0 B
0 -1
A 1
230
Trayectoria de ascenso
rápido
Respuesta
Pasos
231
Diseño central compuesto
Contour Plot of Y Surface Plot of Y
75
76
1
77
78 80.5
79 79.5
80 78.5
0
B
77.5
Y 76.5
75.5
74.5 1.5
1.0
-1 73.5 0.5
-1.5 -0.5
0.0
B
-1.0 -0.5 -1.0
0.0 0.5 -1.5
A 1.0 1.5
-1 0 1
A
Localización del punto óptimo

232
de Taguchi
233
Diseño de experimentos de Taguchi
Sugiere tres pasos que son:

a) Diseño del sistema
b) Diseño de parámetros
c) Diseño de tolerancias
De estas tres etapas, la más importante es el diseño de

parámetros cuyos objetivos son:
a) Identificar qué factores afectan la característica de

calidad en cuanto a su magnitud y en cuanto a su
variabilidad.
b) Definir los niveles “optimos” en que debe fijarse

cada parámetro o factor, a fin de optimizar la
operación del producto y hacerlo lo más robusto
posible.
c) Identificar factores que no afecten substancialmente

234
la característica de calidad a fin de liberar el control de
Taguchi ha desarrollado una serie de arreglos para experimentos con
factores a dos niveles: La.
Número de condiciones Número de factores o
experimentales(renglones) efectos maximo
lineas o pruebas. que se pueden analizar y
número de columnas
L4 4 3
L8 8 7
L12 12 11
L16 16 15
L32 32 31
L64 64 63
Ejemplo: En un proceso de formación de paneles, una característica no
deseada es la emisión de formaldehido en el producto final. Se cree que 5
factores pueden estar afectando la emisión, éstos son :
Factor Descripción Nivel I Nivel 2
A Tipo de resina Tipo I Tipo II
B Concentración 5% 10%
C Tiempo de ciclo de prensado 10 seg 15 seg
D Humedad 3% 5%
E Presión 800 psi. 900 psi.
Se desea analizar el efecto de cada factor y proponer las mejores
condiciones de operación.
En este caso estamos interesados en analizar el efecto de 5 factores o
efectos, a dos niveles cada uno. Por lo tanto, se utilizará un arreglo235
Se ejecutarán por lo tanto 8 pruebas o condiciones experimentales, ¿ A qué
columna especificamente se asignará cada factor?, en estos casos se pueden
asignar a cualquier columna, aunque se recomienda
que aquellos factores que en la practica sea más dificil de variar de
nivel continuamente, sean los que se asigne a las primeras
columnas.
No. A B C D E e e Resina Concen. Tiempo Humedad Presión

El arreglo L8 y su descripción para este caso se muestra a continuación: Yi
1 1 1 1 1 1 1 1 Tipo I 5% 10 seg. 3% 800 psi. 0.49
2 1 1 1 2 2 2 2 Tipo I 5% 10 seg. 5% 900 psi. 0.42
3 1 2 2 1 1 2 2 Tipo I 10% 15 seg. 3% 800 psi. 0.38
4 1 2 2 2 2 1 1 Tipo I 10% 15 seg. 5% 900 psi. 0.30
5 2 1 2 1 2 1 2 Tipo II 5% 15 seg. 3% 900 psi. 0.21
6 2 1 2 2 1 2 1 Tipo II 5% 15 seg. 5% 800 psi. 0.24
7 2 2 1 1 2 2 1 Tipo II 10% 10 seg. 3% 900 psi. 0.32
8 2 2 1 2 1 1 2 Tipo II 10% 10 seg. 5% 800 psi. 0.28
236
La tabla ANOVA es :
Efecto SS G.L. V Fexp. % Contrib.

A 0.03645 1 0.03645 58.32* 57.59
B 0.0008 1 0.0008 1.28 0.28
C 0.01805 1 0.01805 28.88** 28.01
D 0.0032 1 0.0032 5.12 4.14
E 0.00245 1 0.00245 3.92 2.93
Error 0.00125 2 0.000625 7.03
Total 0.0622 7 100

* significante al nivel 5% ya que F0.05 (1,2) = 18.51
** significante al nivel 10% ya que F0.10 (1,2) = 8.16

Nota : No se incluye en esta tabla específicamente la suma de
cuadrados del promedio o media. El error total es la suma de
cuadrados total corregida por el factor de corrección.
Se acostumbra que aquellos efectos que no resultaron significantes,

se consideren como error aleatorio a fin de obtener una mejor 237
Gráficas lineales para el arreglo ortogonal
Columna 1 2 3 4 5 6 7
Col (1) 3 2 5 4 7 6
Col (2) 1 6 7 4 5
A Col (3) 7 6* 5 4
Col (4) 1 2 3
Col (5) 3 2
Col (6) 1
Col (7)
B 3 5 .7
4
2 6
2
3 C
5
1 4
6
7 238
A La matriz triangular las columnas están remarcadas, las
interacciones forman la parte interior del triangulo. Como ejemplo, sí
asignamos el factor A en la columna 3 y el factor B en la columna 5, la
interacción AxB aparecerá en la en la intersección de las columnas, el
número 6.
B En esta gráfica se observa el arreglo de tres factores ( 1,2 y 4) y la

interacción entre ellos líneas 3, 5 y 6.
C 1 se indican
En esta gráfica 2 3 factores
cuatro 4 5
(puntos 6 y 7) y7 las
1,2,4
interacciones
No. Aen las lineas
B 3,
AXB5 y 6. D AxD AxC G
1 1 1 1 1 1 1 1
2 1 1 1 2 2 2 2
3 1 2 2 1 1 2 2
4 1 2 2 2 2 1 1
5 2 1 2 1 2 1 2
6 2 1 2 2 1 2 1
7 2 2 1 1 2 2 1
8 2 2 1 2 1 1 2
El arreglo ortogonal es exactamente el mismo,

en este caso un L8. 239
Método Taguchi - Pasos
 Definir factores y niveles
 Factores de control (que se controlarán – arreglo
interno)
 Factores de ruido (no se quieren o pueden controlar

pero se controlan durante el experimento – arreglo
externo)
 Crear diseño de experimentos ortogonal de Taguchi
 Analizar el diseño de experimentos de Taguchi
 Predecir la respuesta con los niveles seleccionados

240
Método Taguchi – Crear
Diseño
 Usar Stat / DOE / Taguchi / Create Taguchi Design para
crear el diseño ortogonal de Taguchi
 2 level Design, Number of factors (2 a 7) - 3
 Designs L8
 Factors (opcional para cambiar nombres de factores

y niveles; Assign columns of the array as specified
below)
 Options Store designs in worksheet
 Ingresar al menos dos columnas de respuestas

241
Arreglo
Arregl Externo
o
Intern
o
A B C Resp1 Resp2
1 1 1 19.0 16.0
1 1 1 18.4 18.0
1 2 2 17.5 17.0
1 2 2 18.6 17.5
2 1 2 19.3 17.0
2 1 2 19.1 18.5
2 2 1 18.4 16.0
2 2 1 17.0 16.5 242
Método Taguchi – Analizar
Diseño
 Usar Stat / DOE / Taguchi / Analize Taguchi Design para
analizar los resultados
 Response Data are in (al menos dos columnas de
respuestas)
 En Graphs seleccionar Signal to Noise Ratios, Means,
Estándar Deviations, Interaction Plots (pasar con >>)

 Display Interactions in Matrix o Separate Graph
 En Tables seleccionar Signal to Noise Ratios, Means,
Estándar Deviations
 En Options seleccionar Mayor es mejor, Nominal es
mejor o Menor es mejor para las relaciones Señal /

Ruido, para que en estas gráficas S/N se seleccionen
los niveles que maximicen la respuesta (para
minimizar la variabilidad)
243
Response Table for Signal to Noise Ratios
Larger is better
Level A B C
1 24.9490 25.1379 24.7692
2 24.9302 24.7412 25.1099
Delta 0.0188 0.3967 0.3408
Rank 3 1 2
Response Table for Means
Level A B C
1 17.750 18.1625 17.4125
2 17.725 17.3125 18.0625
Delta 0.025 0.8500 0.6500
Rank 3 1 2
Response Table for Standard Deviations
Level A B C
1 0.98789 1.17022 1.16700
2 1.03722 0.85489 0.85810
Delta 0.04933 0.31533 0.30890
Rank 3 1 2
244
Main Effects Plot for Means Main Effects Plot for Standard Deviations
A B C A B C
18.2
1.17
18.0
1.09
17.8
S tD ev
Mean
1.01
17.6
0.93
17.4
0.85
1 2 1 2 1 2 1 2 1 2 1 2
Main Effects Plot for S/N Ratios
A B C
25.15
25.05
S/N Ratio
24.95
24.85
24.75
1 2 1 2 1 2
245
Método Taguchi – Predicción
de respuestas
 Usar Stat / DOE / Taguchi / Predict Taguchi Results para
predecir las respuestas en base a niveles de factores
seleccionados como óptimos
 Seleccionar Signal to Noise Ratios, Means, Estándar
Deviations
 En Terms pasar todos los términos con >>
 En Levels seleccionar Uncoded units (valores reales)

o Coded units (1 y 2) y Select levels from a list
(niveles usados
 OK, se mostrarán las respuestas estimadas por

concepto 246
Generación e implantación
de soluciones – Técnicas de
creatividad
247
Tormenta de ideas
 Permite obtener ideas de los participantes
248
SCAMPER
 Sustituir, Combinar, Adaptar, Modificar o
ampliar, Poner en otros usos, Eliminar,
Revertir o re arreglar
Involucrar al cliente en el desarrollo del producto

 ¿qué procedimiento podemos sustituir por el actual?
 ¿cómo podemos combinar la entrada del cliente?
 ¿Qué podemos adaptar o copiar de alguien más?
 ¿Cómo podemos modificar nuestro proceso actual?
 ¿Qué podemos ampliar en nuestro proceso actual?
 ¿Cómo puede apoyarnos el cliente en otras áreas?
 ¿Qué podemos eliminar en la forma de inv. Del cliente?
249
Lista de atributos
 Lista de atributos: Dividir el problema en partes
 Lista de atributos para mejorar una linterna
Componente Atributo Ideas
Cuerpo Plástico Metal

Encendido/Apagado
Interruptor Encendido/Apagado
/luminosidad media
Batería Corriente Recargable
Bombillo de Vidrio Plástico
Peso Pesado Liviano
250
Análisis morfológico
 Conexiones morfológicas forzadas
Ejemplo: Mejora de un bolígrafo

Fuente de
Cilindrico Material Tapa
Tinta
De múltiples
Metal Tapa pegada Sin repuesto
caras
Cuadrado Vidrio Sin Tapa Permanente
En forma de Repuesto de
Madera Retráctil
cuentas papel
En forma de Tapa Repuesto
Papel
escultura desechable hecho de tinta
251
pensamiento
 Dejemos los argumentos y propuestas y
miremos los datos y las cifras.
 Exponer una intuición sin tener que
justificarla
 Juicio, lógica y cautela
 Mirar adelante hacia los resultados de una

acción propuesta
 Interesante, estímulos y cambios

 Visión global y del control del proceso

252
Dividir y analizar
 Dividir un problema en partes pequeñas y analizarlas
por separado: (Vendedor de pescado no ofrecía el sabor
de pez fresco)
 El Pez:
 Vive bajo el agua; tiene agallas; se mueve
constantemente; de sangre fria; cambia su color

fuera del agua
 Solución:
 Se colocó un pequeño tiburón en la pecera para que
el pez conservara sus atributos vitales de frescura
253
Pensamiento forzado con
palabras aleatorias
 Crear nuevos patrones de pensamiento y
forzar a ver relaciones donde no las hay.
 Desarrollar ideas efectivas de lanzamiento de

productos: Impermeables
 Protegen de los elementos productos simples
 Son a prueba de agua productos
laminados
 Son de hule flexibles flexibilidad de
distribución
 Tienen bolsas productos de bolsillo
 Tienen capote publicidad amplia
254
territorial
Listas de verificación
Haga Preguntas en base a las 5W – 1H.
 Por qué es esto necesario?

 Dónde debería hacerse?
 Cuándo debería hacerse?

 Quién lo haría?
 Qué debería hacerse?

 Cómo debería hacerse?
255
Mapas mentales
 Se inicia en el centro de una página con la
idea principal, y trabaja hacia afuera en todas
direcciones, produciendo una estructura
creciente y organizada compuesta de palabras
e imágenes claves
 Organización; Palabras Clave; Asociación;

Agrupamiento
 Memoria Visual: Escriba las palabras clave, use

colores, símbolos, iconos, efectos 3D, flechas, grupos de
palabras resaltados.
 Enfoque: Todo Mapa Mental necesita un único centro.
256
TRIZ
 Hay tres grupos de métodos para resolver
problemas técnicos:
 Varios trucos (con referencia a una técnica)
 Métodos basados en utilizar los fenómenos y

efectos físicos (cambiando el estado de las
propiedades físicas de las substancias)
 Métodos complejos (combinación de trucos y

física)
257
TRIZ – 40 herramientas
 Segmentación  Acción parcial o excesiva
 Extracción  Transición a una nueva
dim.
 Calidad local  Vibración mecánica
 Asimetría  Acción periódica
 Combinación/Consolidaci  Continuidad de acción útil
ón  Apresurarse
 Universalidad  Convertir lo dañino a
 Anidamiento benéfico
 Contrapeso  Construcción Neumática o
 Contramedida previa hidráulica
 Acción previa
 Membranas flexibles de
capas delgadas
 Compensación  Materiales porosos
anticipada 258
TRIZ – 40 herramientas
 Equipotencialidad  Cambio de color
 Hacerlo al revés  Homogeneidad
 Retroalimentación  Rechazar o recuperar
 Mediador partes
 Autoservicio  Transformación de
propiedades
 Copiado
 Fase de transición
 Disposición
 Expansión térmica
 Esferoidicidad
 Oxidación acelerada
 Dinamicidad
 Ambiente inerte
 Materiales compuestos
259
Generar y evaluar las
soluciones
 Generar soluciones para eliminar la causa raíz
o mejora del diseño
 Probar en pequeño la efectividad de las

soluciones
 Evaluar la factibilidad, ventajas y desventajas

de las diferentes soluciones
 Hacer un plan de implementación de las

soluciones (Gantt o 5W – 1H)
260
Implantación de soluciones
PUNTO CRITICO ACTIVIDADES
* Realizar las medidas como se habian acordado * Antes de aplicar las
medidas correctivas
* Verificar si no hay efectos secundarios * Probar las ideas de
mejora, investigar efectos
* Dar capacitacion y entrenamiento. secundarios que puedan afectar
al producto o áreas* Los equipos implantan las acciones correctivas y
después
EJEMPLO 1 poner en práctica las soluciones.
* LISTADO
Obtener laMEDIDAS
DE LAS aprobación de las áreas relacionadas, turno o puesto, Jefe
CORRECTIVAS
inmediato etc.¿A Es QUE?
decir, - ¿COMO?
NO CUANDO
Comunicar la mejoraRESU
a todos los involucrados de DONDE JUICIO
a realizar. QUIEN
TOPE PROC. DE LTAD
LIMPIEZA O
AUNQUE SE DA
BARRA DE EFECTO J. PÉREZ
1 JULIO 97 APLICACION NO ES PERSISTENTE
PARA LOS EXISTE POCO L.TORRES

2 JULIO 97 MOLDES DEFECTO
261
Implantación de soluciones
262
15 GU OQCSTORY.PPT
Verificación de soluciones
PUNTO CRITICO ACTIVIDADES
* Verificar hasta obtener efectos estables ampliando * Hacer análisis
comparativo antes y después
los datos históricos en gráficas de la etapa de * En caso de
aplicar varias medidas correctivas
"razón de selección del tema" , Verificar los efectos
intangibles sin omisiones
* Comparar el efecto en gráfica entre antes y después
de DMAIC respecto al objetivo. confirmar el efecto
sobre cada concepto de
(relación humana, capacidad, trabajo en equipo,
contramedidas.
entusiasmo, área de trabajoEjemplo
alegre). 1.
*%
2.5
Determinar los beneficios monetarios,
2.33 indirectos e intangibles.Investigar si
D
existen
2.19 2.14 2.22 %Dfuera
<1%
2áreas y operaciones similares tanto dentro como de la planta,
2.1
2
E 1.9
para aplicar las mismas contramedidas.
1.8 1.76
1.7 Dar reconocimiento.
F 1.5 1.6
1.5
1.4
E 1.32 1.3
1.2
C 1
0.9 0.94
1.1
1
0.99 0.94
0.87
T 0.79
U 0.5
S
O
0
May-97 Jun-97 Jul-97 Ago-97 S ep-97 Oct-97 Nov-97 263
Dic-97 Ene-98 Feb-98 Mzo-98 Abr-98
Fase de Control
264
9. Fase de Control
 Plan de control
 Control estadístico del proceso
 Técnicas Lean
265
Fase de Control
 Objetivos:
 Mantener las mejoras por medio de control
estadístico de procesos, Poka Yokes y trabajo
estandarizado
 Anticipar mejoras futuras y preservar las

lecciones aprendidas de este esfuerzo
 Salidas:
 Plan de control y métodos de control
implementados
 Capacitación en los nuevos métodos
 Documentación completa y comunicación de
266
resultados, lecciones aprendidas y
FASE DE CONTROL
Soluciones
implementadas
Plan de Documentar
Control Estándares y Capacitar
CEP - de trabajo
Herramientas
Poka Yokes Lean
Plan de calidad y Monitoreo
Si ¿Proceso
en control?
No
Tomar acciones correctivas

y preventivas -
Actualizar AMEF
267
Prototype
Control Plan Number
Part Number/Latest Change Level

Pre- launch P roduction
CONTROL PLAN
Key Contac/Phone
Core Team
Date (Orig.)
Page
Customer Engineering Approval/Date (if Req'd.)

Date (Rev.)
of
Plan de control
Part Name/Description Supplier/Plant Approval/Date Customer Quality Approval/Date (if Req'd.)
Supplier/Plant Supplier Code Other Approval/Date (if Req'd.) Other Approval/Date (if Req'd.)
P art / Process Name / Machine, Device, Characteristics Special Methods
Process Operation J ig, Tools Char.
Number Description For Mfg. No. Product Process Class. Product/P rocess Evaluation/ Sample Control Method Reaction Plan
Todos los procesos

Specification/ Measurement Size Freq.
Tolerance Technique
-
- Todas las Operaciones
- Todas las actividades
Hoja de Instrucción calidad

No de Producto Dibujo No. Operación No. Maquína Elaboró Aprobó
Nombre del producto Nivel
Caracteristica Especificación Criterio Instrumento Tamaño Frecuenc. Método de Plan de Reacción
Descripción & Tolerancia d´muestra Registro
- Un proceso
- Una actividad
- Operaciones Limitadas Operador
Ayuda Visual
Instrucciones:
Distribución
268
CEP objetivos y beneficios
 El CEP es una técnica que permite aplicar el
análisis estadístico para medir, monitorear y
controlar procesos por medio de cartas de
control
 Se basa en que los procesos presentan

variación, aleatoria y asignable
 Entre los beneficios se encuentran:

 Monitorear procesos estables e identificar si han
ocurrido cambios debido a causas asignables
para eliminar sus fuentes
269
CEP por variables y atributos
 El CEP por variables implica realizar
mediciones en la característica de calidad de
interés, tal como:
 Tiempos
 Velocidad
 El CEP por atributos califica a los productos

como buenos / defectivos o por cuantos
defectos tienen:
 Color, funcionalidad, apariencia, etc.
270
¿Qué es una Carta de
Control?
 Una Carta de Control es como un historial del
proceso...
... En donde ha estado.
... En donde se encuentra.
... Hacia donde se puede dirigir
 Las cartas de control pueden reconocer cambios

buenos y malos.
¿Qué tanto se ha mejorado?
¿Se ha hecho algo mal?
 Las cartas de control detectan la variación anormal

en un proceso, denominadas “causas especiales o
asignables de variación.”
271
Variación observada
en una Carta de Control
 Una Carta de control es simplemente un

registro de datos en el tiempo con límites de
control superior e inferior, diferentes a los
límites de especificación.
 El patrón normal de un proceso se llama

causas de variación comunes.
 El patrón anormal debido a eventos especiales

se llama causa especial de variación.
272
Variación – Causas comunes
Límite
inf. de
especs.
Límite
sup. de
especs.
Objetivo
273
Variación – Causas especiales
Límite
inf. de
especs.
Límite
sup. de
especs.
Objetivo
274
Patrones de anormalidad
en la carta de control
“Escuche la Voz del Proceso” Región de control,
M captura la variación
E
natural del proceso
D
I original
D LSC
A
S
C
A LIC
L Tendencia del proceso
I
D El proceso ha cambiado
A
Causa Especial
identifcada
D
TIEMPO
275
Cartas de Control para
variables
276
Cartas de Control por Variables
 Medias Rangos (subgrupos de 5 - 9 partes

cada x horas, para estabilizar procesos)
 Medianas Rangos (para monitorear procesos

estables)
 Valores Individuales (partes individuales

cada x horas, para monitoreo de procesos
muy lentos o químicos)
277
Implantación de cartas
de control por variables
1. Identificar la característica a controlar en base a
un AMEF (análisis del modo y efecto de falla)
n Establecer métodos, muestras y frecuencia
n Validar la habilidad del sistema de medición R&R
n Centrar el proceso, correrlo y medir al menos 25

subgrupos de 5 partes cada uno, calcular límites
n Identificar causas especiales, prevenir su

recurrencia, recalcular límites y continuar control
para reducir causas comunes
278
Carta X, R (Continuación)
Terminología
k = número de subgrupos; n = número de muestras en cada subgrupo
X = promedio para un subgrupo
X = promedio de todos los promedios de los subgrupos
R = rango de un subgrupo
R = promedio de todos los rangos de los subgrupos
x1 + x2 + x3 + ...+ xN
x =
n
x1 + x2 + x3 + ...+ xN
x =
k
LSCX = x + A2 R NOTA: Los factores a considerar
LICX = x - A2 R para n = 5
LSCR = D4 R Son A2 = 0.577 D3 = 0 D4 = 2.114
LICR = D3 R 279
Ejemplo de carta de control X-
R
Xbar-R Chart of Pulse1
90
UCL=86.84
Sample Mean
80
_
_
X=72.69
70
60
LCL=58.53
2 4 6 8 10 12 14 16 18
Sample
UCL=51.89
48
Sample Range
36
_
24 R=24.54
12
0 LCL=0
2 4 6 8 10 12 14 16 18
Sample
280
Carta de Individuales (I-MR)
• Esta Carta monitorea la tendencia de un proceso

con datos variables que no pueden ser muestrados
en lotes o grupos.
• Este es el caso cuando la capacidad de

corto plazo se basa en subgrupos racionales de una
unidad
• La línea central se basa en el promedio de los

datos, y los límites de control se basan en la
desviación estándar poblacional (+/- 3 sigmas)
281
Carta X, R (Continuación)
Terminología
k = número de piezas
n = 2 para calcular los rangos
x = promedio de los datos
R = rango de un subgrupo de dos piezas consecutivas
R = promedio de los (n - 1) rangos
x1 + x2 + x3 + ...+ xN
x =
n n 2
LSCX = x + E2 R D4 3.27
LICX = x - E2 R
D3 0
LSCR = D4 R
E2 2.66
LICR = D3 R
(usar estos factores para calcular Límites de Control n = 2)
282
Ejemplo: Carta I-MR
I -MR Chart of Pulse2
150
1
1
I ndividual Value
125 1 1
1 1
UCL=113.2
100
_
X=80
75
50 LCL=46.8
1 9 18 27 36 45 54 63 72 81 90
Observation
60
Moving Range
1
45 1
UCL=40.75
30
15 __
MR=12.47
0 LCL=0
1 9 18 27 36 45 54 63 72 81 90
Observation
Observar las situaciones fuera de control 283

Cartas de Control
para atributos
284
Cartas de control para atributos
Datos de Atributos
Tipo Medición ¿Tamaño de
Muestra ?
p Fracción de servicios erroneos, Constante o

variable > 30
defectivos o no conformes
np Número de servicios erroneos Constante > 30
c Número de defectos, errores o Constante = 1

Unidad de
no conformidades inspección
u Número de defectos por unidad Constante o285

Cartas de Control tipo p
 p - CON LÍMITES DE CONTROL VARIABLES
 p - CON n PROMEDIO
 p - ESTANDARIZADA
286
Carta p (Cont..)
Ejemplo: Gráfica P para Fracción Defectiva
0.5
0.4
3.0SL= 0.4484 LSC
Proporci
0.3
ón
0.2
0.1 P= 0.1128 p
0.0 - 3.0SL= 0.000
LIC
0 5 10
Número de muestra
• Observe como el LSC varía conforme el tamaño (n) de

cada muestra varía.
• Los límites de control se pueden estabilizar con n

promedio o estandarizando pi con Zi.
287
Carta np (Atributos)
• Se usa cuando se califica al servicio como bueno/malo,
pasa/no pasa.
• Monitorea el número de servicios erronoes de una
muestra
• El tamaño de muestra (n) es constante y mayor a 30.
Terminología (igual a gráfica p, aunque n es constante)

n = tamaño de cada muestra (Ejemplo: servicios diarios)
np = número de servicios erroneos en cada muestra
k = número de muestras
288
Carta np (Cont...)
Ejemplo 1:
Carta np de número de servicios erroneos
10 3.0 LSC=10.03
No. De fecetivos
5
Np =4.018 np
0 - 3.0S LIC=0.0 LIC

0 5 10 15
Número de muestras
• El tamaño de la muestra (n) es constante
• Los límites de control LSC y LIC son constantes
• Evita hacer cálculos al presatdor del servicio

289
Cartas de Control para
defectos o errores
c – Número de defectos
Se cuentan los defectos que tienen
cada unidad de inspección de
tamaño n constante en productos
como facturas
u – Defectos por unidad

Se cuentan los defectos que tienen
diferentes unidades de inspección
de tamaño n variable en productos
complejos y se determinan los
defectos por unidad – Facturas
290
Carta c (Atributos)
• El tamaño de la muestra (n unidades de
inspección) debe ser constante
• Ejemplos:
- Número de errores en cada lote de facturas
- Número de cantidades ordenadas
incorrectas en órdenes de compra
Terminología
c = Número de defectos encontrados en
cada unidad o unidades constantes de
inspección
k = número de muestras
291
Carta c (cont..)
Ejemplo:
Carta C
15 1
Número de defectos
3.0L SC= 12.76 LSC

10
5 C = 5.640 C
0 - 3.0L IC= 0.000
0 5 10 15 20 25
Número de Muestras
• Observe el valor de la última muestra; está fuera del

límite superior de control (LSC)
• ¿Qué información, anterior a la última muestra, debió
haber obviado el hecho de que el proceso iba a salir de
control? 292
Carta u (Atributos)
• El tamaño de la muestra (n) puede variar
• Los defectos o errores por unidad se determinan

dividiendo el número de defectos encontrados en la
muestra entre el número de unidades de inspección
incluidas en la muestra (DPU o número de defectos
por unidad) .
• Ejemplos:
• Se toma una muestra de facturas por semana,
identificando los errores en estas.
• Se inspeccionan servicios prestados por día, se

determinan los errores promedio por día.
293
Carta u (cont..)
Ejemplo 2:
Gráfica U para Defectos
Número de efectos
7 3. 0L SC= 6. 768
LSC
6
5 U=4. 979 u
4
- 3. 0L IC= 3. 190
3 LIC
2
0 10 20
Número de Muestras
• Observe que ambos límites de control

varían cuando el tamaño de muestra (n)
cambia.
• ¿En que momentos estuvo el proceso fuera

294
Cartas de Precontrol
295
Cartas de precontrol
(Shainin)
 Es más exitosa con procesos estables no
sujetos a corridas rápidas una vez que se
implementan y estabilizan
 Sirven como referencia y monitoreo
 La distancia entre los límites de

especificaciones o tolerancias se divide entre
cuatro quedando los límites de control entre el
primer y tercer cuarto
296
Pre- Control
Bajo Alto
Línea Línea
P-C P-C
Rojo Amarillo Verde Amarillo Rojo
1/4 1/2 1/4
Tolerancia Completa
297
Reglas de Precontrol
Tomar una muestra de dos servicios consecutivos

A y B:
1. Sí A y B caen en verde, continuar el proceso
2. Sí A es amarilla y B cae en verde continuar proceso.
3. Sí A y B son amarillas investigar causas en el proceso
4. Sí A o B son rojas, parar proceso e investigar causas
298
Acciones a tomar
Ultima servicio Servicio actual
Verde Continuar
Amarillo Primera: Continuar

Segunda: Detener
Rojo Detener
299
Distribución de probabilidad
LI Espec.Línea Línea LS Espec.
P-C P-C
1/14 12/14 1/14
7% 86% 7%
Rojo Amarillo Verde Amarillo Rojo
Area Objetivo
1/4 1/2 1/4

Tolerancia Completa
300
Estandarización
1. Controles para la mejora.
2. Formas para eliminar causas.
3. Datos de control de resultados.
4. Aplicación de soluciones en otros

procesos.
5. Uso de métodos de
estandarización.
301
Prevención de la reincidencia –
Estandarización
DISPOSITIVOS A PRUEBA DE ERROR ( Poka -

Yokes ).
302
22 GU OQCSTORY.PPT
10. Empresa Lean
303
Métodos Lean
 Pensamiento Lean, Muda
 Fábrica visual
 5S’s (Organización del lugar de trabajo)
 Kaizen
 Kanban
 Teoría de restricciones
 Poka Yokes
 Estándares de trabajo
 SMED
 TPM 304
Pensamiento Lean
 Womack (1990) introduce el término de
producción Lean en occidente en 1990 con la
su libro “The machine that changed the
World”, describe las prácticas de las mejores
empresas en el mundo:
 Especificar el valor por producto

 Identificar la cadena de valor para cada
producto
 Identificar el flujo de valor
 Permitir que el cliente jale valor del proveedor
 Perseguir la perfección 305
Muda, los 7 desperdicios
 El Muda son actividades que no agregan valor
en el lugar de trabajo. Su eliminación es
esencial para reducir costos y tener calidad en
producto:
 Recursos en exceso
 Inventarios
 Reparaciones / Retrabajos
 Movimientos
 Proceso de firmas
 Esperas
 Transportes 306
Pensamiento Lean
 Cadenas de valor: La reducción del desperdicio se
concentran en 3 actividades clave de procesos:
 Desarrollo de nuevos productos: definir el

concepto, diseño y desarrollo del prototipo,
revisión de planes y mecanismo de lanzamiento
 Gestión de información: toma de pedidos,

compra de materiales, programación interna y
envió al cliente
 Transformación: realización del producto o

servicio desde inicio hasta fin
307
Reducción de tiempo de ciclo
 El tiempo de ciclo es la cantidad de tiempo
necesaria para completar una actividad del
proceso, un evento Kaizen Blits puede
reducirlo a ser menor al Takt time
 Beneficios:
 Satisfacer al cliente
 Reducir gasto interno y externo
 Incrementar la capacidad
 Simplificar la operación y actividad
 Continuar siendo competitivo
308
Administración visual
 Tiene como propósito mostrar a la
administración y empleados lo que está
sucediendo en cualquier momento de un
vistazo
 Uso de pizarrones o pantallas para mostrar el

estado de:
 La prestación de servicios
 Los programas
 La calidad del servicio
 Los tiempos de entrega
 Requerimientos del cliente y costos

309
5S’s
 Seiko (arreglo adecuado)
 Seiton (orden)
 Seiketso (limpieza personal)
 Seiso (limpieza)
 Shitsuke (disciplina personal)
 En Inglés:
 Sort (eliminar lo innecesario)
 Straighten (poner cada cosa en su lugar)
 Scrub / Shine (limpiar todo
 Systematize (hacer de la limpieza una rutina)
 Standardize (mantener lo anterior y mejorarlo)
310
Kaizen Blitz (evento o taller)
 Involucra una actividad Kaizen (proyecto de
mejora) en un área específica por medio de un
equipo de trabajo durante 3 a 5 días:
 2 días de entrenamiento
 3 días para colección de datos, análisis e
implementación de la solución
 Es necesario el apoyo de la administración

 Al final el equipo hace una presentación del
proyecto
311
Kaizen Blitz (evento o taller)
 Resultados:
 Ahorro de espacio
 Flexibilidad de atención al cliente
 Flujo de trabajo mejorado
 Ideas de mejora
 Mejoras en calidad
 Ambiente de trabajo seguro
 Reducción de actividades que no agregan
valor
312
Kanban
 Kanban = signo. Es una señal a los procesos
internos para proporcionar servicios (tarjetas,
banderas, espacio en el piso, etc.). Da
indicación visual de:
 Números, código de barras

 Cantidad
 Localización
 Tiempo de entrega
 Colores en función del destino
313
Teoría de restricciones
 Goldratt (1986) escribe “La Meta” describiendo
un proceso de mejora continua
 La Gestión de restricciones se enfoca a remover

los cuellos de botella del proceso que limita el
throughput
 Las restricciones pueden hallarse con un mapa

del proceso, diagrama PDPC y Diagrama de
árbol
314
 Las métricas básicas son:
 Throughput: es la tasa a la cual el sistema
genera dinero a través de las ventas. Dinero
que ingresa.
 Inventarios: es todo el dinero invertido en el

sistema en cosas compradas para vender.
Dinero utilizado.
 Costos de operación: es el dinero que el sistema

usa para transformar el inventario en
throughput. Dinero que sale.
315
 Otras definiciones:
 Los Recursos Cuello de botella tienen una

capacidad menor o igual que la demanda
asignada a estos.
 El balance de flujo de prestación del servicio

debe ser hecho contra la demanda del cliente.
316
Teoría de restricciones-
Método de cinco Pasos
 Identificar las restricciones del sistema que
limitan el logro de objetivos, darles prioridad
por su impacto
 Decidir como explotar las restricciones del

sistema. Asignarles los recursos sobrantes de
otras áreas
 Subordinar cada cosa a las decisiones

anteriores. Reducir el efecto de la restricción o
expandir su capacidad
317
Teoría de restricciones-
Método de cinco Pasos
 Elevar las restricciones del sistema, tratar de
eliminar los problemas de la restricción, hacer
esfuerzos para continuar las mejoras
 Regresar al primer paso después de romper

las restricciones, buscar otras nuevas
318
 Evaporando nubes:
 Frecuentemente existen soluciones simples para
problemas complejos, reexaminar los fundamentos
del problema
 Árboles de prerrequisitos:
 Algo debe ocurrir antes de que algo adicional ocurra.
La T.R. Permite la transición entre la forma anterior
de hacer las cosas y la nueva forma
319
Poka Yoke
 Con dispositivos sencillos a Prueba de error se
pueden evitar los errores humanos por:
 Olvidos
 Malos entendidos
 Identificación errónea
 Falta de entrenamiento
 Distracciones
 Omisión de las reglas
 Falta de estándares escritos o visuales
320
Poka Yoke
 Beneficios
 No requiere entrenamiento formal
 Elimina muchas operaciones de inspección
 Proporciona un 100% de inspección interna sin

fatiga o error humano.
 Contribuye al trabajo libre de defectos
321
Poka Yokes
 Se puede lograr a prueba de error por medio
de un control para prevenir errores humanos o
usando mecanismos de alerta.
 Para prevenir errores humanos se tienen:

 Diseño de métodos para evitar errores
 Uso de dispositivos que no soporten una
actividad mal realizada
 Teniendo procedimiento de trabajo controlado
por dispositivos a prueba de error
322
Poka Yokes
 Los mecanismos de alerta de errores incluyen:
 Uso de colores
 Formatos guía para facilidad de llenado
 Mecanismos para detectar el proceso de
información equivocada
 Una alarma indica que ha ocurrido un error y se
debe atender de inmediato
 Se pueden combinar los Poka Yokes para
obtener cero defectos con: inspecciones en la
fuente, autoinspecciones por el ejecutivo y
métodos de inspección sucesivos (Shingo)
323
Estándares de Trabajo
 Documentan la mejor manera de hacer el
trabajo, en forma más fácil y segura.
 Preservan el Know How y experiencia para
hacer el trabajo que puede perderse al irse los
empleados
 Proporcionar un método de evaluar el

desempeño
 Proporcionan una base para mantenimiento y
mejora
 Son la base de la capacitación y auditoria
324
Estándar de trabajo
 Las hojas de estándares de trabajo combinan
elementos de materiales, personas y equipos
en un ambiente de trabajo, consideran lo
siguiente:
 Disponibilidad de recursos
 Distribución de equipos
 Mejoras al proceso y sistemas autónomos
instalados
 Valuación de ideas del personal
 Minimización de transporte
 Optimización de l inventario
 Prevención de defectos
325
Otros Estándares de Trabajo
 Líneas amarillas en el piso
 Códigos de colores
 Pizarrón de control para desarrollo de los

servicios
 Indicadores de nivel mínimo y máximo de
inventarios
 Matrices de capacitación cruzada

 Lámparas de falla 326
SMED
 Single Minute Exchange of Die SMED se enfoca
a reducir los tiempos de preparación y ajuste
de horas a minutos.
 Mitos en relación con los ajustes y

preparaciones:
 La habilidad para hacer preparaciones se gana

con la práctica y la experiencia
327
SMED - Pasos
 Formación de un equipo de trabajo con
personal involucrado en el servicio
 Primer paso, observar las condiciones actuales
por medio de:
 Uso de cronómetro para observación continua
 Uso de un estudio de trabajo por muestreo
 Entrevistas de ejecutivos
 Videofilmación de la operación completa
 División de los pasos del proceso de

preparación en partes más pequeñas y
clasificación en preparación interna (equipos
parados) o externa (trabajando) 328
SMED - Pasos
 Las operaciones de preparación externa
incluyen:
 Preparación de información
 Búsqueda de información
 Evaluación de parámetros
 Etc...
 Después reexaminar los elementos internos y

externos y tratar de convertir los más que se
puedan a externos, utilizar la creatividad del
equipo
329
TPM
 El mantenimiento productivo total incluye la
participación de todos para asegurar la
disponibilidad del equipo de producción y
combina los mantenimientos preventivo,
predictivo, mejoras en la mantenabilidad,
facilidad de mantenimiento y confiabilidad

330
TPM
 Hay 6 grandes pérdidas que contribuyen en
forma negativa a la efectividad del equipo:
 Falla del equipo

 Preparación y ajustes
 Arranques y paros menores
 Velocidad reducida
 Defectos de proceso
 Pérdidas de producto
331
Implementación del TPM
 Pasos recomendados para implementar el TPM:
 Anunciar el compromiso de la dirección al TPM

 Campaña educacional sobre TPM en la empresa
 Organizar equipos para promover el TPM
 Establecer metas y políticas para el TPM
 Preparar un plan detallado para el TPM
 Junta directiva de arranque (kick off) del TPM
 Formar equipos de mejora de la efectividad del
equipo
 Desarrollar a los operadores para mantto.
Autónomo
 Desarrollar un programa de mantenimiento de
equipo 332
Mantenimiento autónomo
 Actividades de grupos pequeños autónomos
para TPM:
 El supervisor es el líder del equipo
 Realizan actividades de limpieza, lubricación,
protecciones, inspección, etc.
 Evolución de los equipos:

 Auto desarrollo: aprendizaje de los miembros
 Actividades de mejora: terminadas
 Solución de problemas: selectos
 Administración autónoma: selecciona sus metas y
administran su trabajo 333
TPM
 Diseño para mantenabilidad y disponibilidad:
 Estandarización: minimizar el número de partes
diferentes
 Modularización: estandarizar tamaños, formas,
unidades
 Accesibilidad: facilitar las tareas de mantto. Y

acceso
 Alarma por mal funcionamiento: luces o sonido
 Aislamiento de falla: equipo de autoprueba,

mantenimiento preventivo, simplicidad en diseño
334
 Identificación: única de componentes y bitácoras

Cursoseissigmamodulo 2

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Cursoseissigmamodulo 2

Caricato da

Copyright:

Formati disponibili

UIA

Curso de Seis Sigma

Primitivo Reyes Aguilar

 Estudios de R&R por atributos

 Análisis del Modo y Efecto de Falla

 Herramientas para la fase de análisis

 Verificación de causas raíz 4

Interacción de Programas de Operadores

Gráfica de barras X por Operadores

 El 88.52% de la variación observada se debe a la

¿Es adecuado el sistema actual de medición?

• El Gerente del Programa pensó que la pregunta se

• El Comprador creyó que quería decir, ¿Cuándo se emitió

• Además, hubo confusión en el significado real de

Estructuras, Mecanismos, Partes, Plásticas

 Si un ejecutivo, decide que una unidad tiene un

 Igualmente, el sistema de medición es

 Un sistema de medición de atributos

1. Selecciona un mínimo de 30 unidades del proceso.

2. % Evaluador vs Atributo es la medida de el

3. % de Efectividad de Selección es la medida de

4. % de Efectividad de Selección vs. el Atributo

 Reconocer y evaluar fallas potenciales y sus

 Identificar acciones que reduzcan o eliminen las

 Documentar los hallazgos del análisis.

 Existe el estándar MIL-STD-1629, Procedure for Performing a

 FMEA de Proceso (AMEFP), su propósito es

 El modo de falla es el síntoma real de la falla

 Mecanismos de falla son las razones simples o

- La forma en que un producto o proceso puede fallar para

- Normalmente se asocia con un Defecto, falla o error.

- El cliente o el siguiente proceso puede ser afectado.

Ejemplos: Diseño Proceso

Ejemplos: Diseño Proceso

 Se recomienda que sea un equipo

 El responsable del sistema, producto o

 Después de completar la Solución de Problemas (con el

 El AMEF de diseño, después de definir las funciones del

 El AMEF de proceso, cuando los documentos

Pasos del proceso

• Efectos Mayores Subsecuentes

Factura correcta Datos incorrectosLOCAL:

Describir los efectos de

CTQs del QFD o

Significativo 6 El cliente se siente algo inconforme. El desempeño del

• Causas relacionadas con el diseño - Características

• Causas que no pueden ser Entradas de Diseño,

Factura correcta Datos incorrectosLOCAL:

El criterio se basa en la probabilidad 9 1 en 6de la

Factura correcta Datos LOCAL:

Cálculos, Análisis, Prototipo de Prueba, Pruebas

• Primera Línea de Defensa - Evitar o eliminar causas de falla

• Segunda Línea de Defensa - Identificar o detectar fallas o

Factura correcta Datos correctos LOCAL:

1 Detectado antes del prototipo o prueba piloto

Detección de error en operaciones subsiguientes, o

Muy Alta Controles seguros para X

Tipos de inspección: A) A prueba de error B) Medición automatizada C) Inspección 46

Factura correcta Datos incorrectosLOCAL:

Producto de Severidad, Ocurrencia, y Detección

RPN / Gravedad usada para identificar

Severidad mayor o igual a 8

Factura Datos LOCAL: