Вы находитесь на странице: 1из 45

SEIS SIGMA

6s

AGENDA
1.

Introduccin al Seis Sigma

2.

Proyectos Seis Sigma

3.

Metodologa Seis Sigma

4.

Fase I: Definir y Medir

5.

Fase II: Analizar

6.

Fase III: Implementar mejoras

7.

Fase IV: Controlar

1.

Introduccin al Seis Sigma


1.1 Qu es Seis Sigma?
1.2 Calidad Seis Sigma
1.3 Historias de xito de Seis Sigma
1.4 Principios de Seis Sigma
1.5 Seis Sigma e ISO 9001

33

44

1.1

Qu es Seis Sigma ?

Qu es Seis Sigma?
Es un sistema empresarial para lograr y mantener el xito
por medio de la orientacin al cliente, la gestin por
procesos, as como la utilizacin de los hechos y de los
datos.

Como Mtrica

Mide el desempeo de un proceso


en cuanto a su nivel de productos o
servicios fuera de especificacin

Como Filosofa

Mejoramiento continuo de procesos


y productos

Como Meta

Tener procesos de clase mundial,


no producir servicios o productos
defectuosos (3.4 pmo)

6s

Un mtodo de gestin que


permite a las empresas mejorar
drsticamente
sus
resultados,
mediante el diseo y supervisin
diaria
de
sus
actividades,
minimizando el desperdicio y los
recursos y, por tanto, aumentando
la satisfaccin de sus clientes
Mikel Harry y Richard Schroeder Six
Sigma
6

55

Qu es Seis Sigma?

6s

Qu es Seis Sigma?

Concepto estadstico que califica un


proceso en trminos de defectos. Un
nivel de calidad Seis Sigma significa
presencia slo de 3.4 defectos por
milln de oportunidades.

REDUCCIN
DE LA
VARIACIN

REDUCIR
DEFECTOS

REDUCIR
COSTOS

INCREMENTAR
BENEFICIO
EMPRESARIAL

Estrategia de innovacin para mejorar


significativamente la satisfaccin de
los clientes y el valor agregado a los
inversionistas mediante la reduccin
de la variacin en todos los procesos
de un negocio.

INCREMENTAR
SATISFACCION
DEL CLIENTE

INCREMENTAR
INGRESOS

T.Q.M. Seis Sigma

Otras definiciones
La Visin

La Metodologa

E. Deming
La calidad se puede definir
como reduccin de la variacin

La Filosofa

6s

La Referencia

La Meta

P. Crosby
La norma de realizacin de la
calidad es CERO DEFECTOS, no
niveles aceptables de calidad.

La Mtrica
La Estadstica

Feigenbaum
Calidad es satisfaccin del cliente
9

10

1.2

Calidad Seis Sigma

T.Q.M. Seis Sigma


Juran
LI

Costos de la no calidad

Planeacin de Control de
la calidad
la calidad (durante las operaciones)

23 min.

Distribucin

LS

LI

LS

32 min.

23 min.

32 min.

Problemas
Espordicos
Zona original de
control de calidad

Problemas
Crnicos

Lecciones aprendidas

Problemas
Crnicos

Mejora de
la calidad

Alta
probabilidad
error

Nueva zona de
control de calidad

Tiempo (minutos)

Alta
probabilidad
de error

Baja
probabilidad
de error

Baja
probabilidad
de error

Ejemplo: El tiempo que un cliente esta dispuesto


esperar por una pizza esta entre 23 y 32 minutos

Tiempo
11

12
12

1.2

Calidad Seis Sigma

3.4 defectos
por milln
de oportunidades

305 537 defectos


por milln
de oportunidades

3 SIGMA

6 SIGMA

Malas Recetas mdicas

54.000 / ao

3 / ao

Bebes que se caen

40.500 / ao

3 / ao

Tomar agua contaminada

2 h. / mes

Corte de seal de TV
Mala Oper. mdica

697 700 defectos


por milln
de oportunidades

Devolucin Sacos de Azcar

1 / 16 aos

27 min. / semana 6 / 100 aos


1.350 / semana

1 / 20 aos

44.000 / ao

5 / ao

13
13

Qu significa 99% de Calidad?


PARADIGMA DEL
Corte de servicio
elctrico, por cada 7
horas cada mes.

14
14

Qu significa 99% de Calidad?


1000
galones

Nmero de etapas

Peligro de agua potable


contaminada al menos 15
minutos cada da.

990.0 galones
1%

CALIDAD FINAL = 0.99

980.1 galones

Calidad
transferida
al cliente

1%
1%

99% de calidad ha dejado de ser suficiente,


satisfactorio y mucho menos aceptable por el cliente

29.7 galones
desperdiciados
15

97.03%
970.3
galones
16

Niveles de Calidad 6

Calidad Seis Sigma : 99.9997%


1000
galones

Nivel
Sigma

Nmero de etapas
999.997 galones
CALIDAD FINAL = 0.999997

0.0003%

Calidad
transferida
al cliente

999.994 galones
0.0003%
0.0003%
0.009 galones
desperdiciados

999.991
galones

Alcanzar la Calidad
Seis Sigma es una
necesidad para el
99.9991%
negocio

Nivel de Calidad

1s

690 000

30.9%

2s

308 537

69.2%

3s

66 807

93.3%

4s

6 210

99.4%

5s

233

99.98%

6s

17

SE APROXIMA
AL IDEAL CERO
DEFECTOS

3.4

99.9997%

18

1.3

Esfuerzo Seis Sigma

Defectos por milln de


oportunidades

Historias de xito de Seis Sigma

Cuando las fuerzas de


Mercado y la Competencia
Reduce Precios
Hacer
Nada

Utilidad

Prdida

Estado inicial

Costo
mala
calidad

Esfuerzo
Seis Sigma
Utilidad
COPQ

Ingresos

Ingresos
Ingresos

Costo
total

Costo
mala
calidad
Costo
hacer
las
Costo
cosas
hacer
bien
las
cosas
bien

Costo
hacer
las
cosas
bien

Costo
hacer
las
cosas
bien

Opcin 1
Opcin 2

19
19

20
20

Historia

Historia

Ing. Mikel Harry


1985
Propone estudiar la variacin, siguiendo
los principios del Dr. Deming.

Jack Welch
General
Electric

1995
Se da inicio al Seis Sigma.

CEO Bob Galvin


Enero 1987
Lograr 3.4 defectos por milln para el ao
1992.
Se
inicia
en
la
divisin
de
Comunicaciones, dirigida por George Fisher.

1999
Beneficios acumulados de ms de
2 millardos de dlares en
beneficios

1992
Se alcanza un promedio de 150 defectos por
milln.
21

1.4

22

1.4

Principios de Seis Sigma

Primer
principio

Autentica orientacin al cliente, satisfacer al


cliente es la prioridad nmero uno.

Segundo
principio

Todo debe y puede ser mejorado alineado


con los objetivos de la organizacin.

Principios de Seis Sigma

Tercero
principio

Las decisiones deben basarse en hechos,


datos estadsticos, pues lo nico
constante en los procesos es la variacin.
Se debe evitar el ...Yo creo que... o ...Yo
pienso que...

Objetivos

23
23

24
24

1.4

1.4

Principios de Seis Sigma


Al mejorar se debe mirar el proceso
completo (Pensamiento Sistemtico),
pues optimizar un subproceso nos puede
llevar a suboptimizar el proceso global.

Cuarto
principio

C
L
I
E
N
T
E

Procesos de la Organizacin

Proceso A

Proceso B

Proceso C

Principios de Seis Sigma

Quinto
principio

C
L
I
E
N
T
E

Las causas de los problemas deben ser


eliminadas en su raz para prevenir que
vuelvan a aparecer y as poder hacer bien
las cosas desde la primera vez.

Causa 1
Sntoma 1
Causa 2
Sntoma 2

PROBLEMA

Causa n

Sub
proceso a

Sub
proceso b

Sntoma n

Sub
proceso c

25
25

1.4

1.4

Principios de Seis Sigma

Sexto
principio

26
26

Cada vez que un proceso es mejorado


debe garantizarse que los resultados se
mantengan en el tiempo.

Principios de Seis Sigma

Stimo
principio

El recurso humano es
fundamental de la empresa.

el

capital

Todos los miembros de la empresa deben ser lderes, maestros


y modelos en la prctica de los principios.

27
27

28
28

1.5

Seis Sigma e ISO 9001

Seis Sigma como


Sistema de Gestin
de Calidad

Equivalentes

Sistema de Gestin de
Calidad segn la
Norma ISO 9001

2.

Proyectos Seis Sigma

CLICO DE DEMING

2.1 Requisitos para un Proyecto Seis Sigma


2.2 Criterios de seleccin
2.3 Equipo Seis Sigma
2.4 Seleccin del Equipo
Mejora continua

Mejora continua

Seis Sigma como


proyecto de mejora

Sistema de Gestin
de Calidad segn la
Norma ISO 9001

Complemento

29
29

2.1

Requisitos para un proyecto SS

Alineado con la estrategia


del negocio. Tiene una
meta clara.
Existen datos histricos, o
pueden ser obtenidos.
Mide el rendimiento del
proceso,
mediciones
financieras
para
el
negocio e impacto en el
cliente.

30
30

2.2

Criterios de seleccin

ESFUERZO
FOCALIZADO

Beneficia
Negocio

Cuantificable

Puede ser hecha por un


equipo de Trabajo.
Cumple
con
las
expectativas de tiempo
establecidas
por
la
gerencia.

Apoyo de
Administracin

Alineado con
la Visin del
Negocio

31
31

32
32

2.3

2.3

Equipo Seis Sigma

Equipo Seis Sigma

CHAMPIONS:
Conformado generalmente por la alta gerencia. Son quienes
seleccionan los proyectos y supervisa su funcionamiento.
Participan en la eleccin de BB y GB.

MASTER BLACK BELT:


Son los responsables del entrenamiento de BB. Son
especialistas en la Metodologa y certifican BB. Lideran
proyectos de mucha complejidad organizacional. Remueven
las barreras que impiden avances de proyectos.

Controler
Onwer

33
33

2.3

34
34

2.3

Equipo Seis Sigma

Equipo Seis Sigma

BLACK BELT:
Son los especialistas en la aplicacin metodologa. Lideran
proyectos Seis Sigma. Su rol es guiar al Equipo durante las
fases del Proyecto. Sinergizan los conocimientos y esfuerzos
de los miembros del equipo. Dan soporte a los GB. La
interaccin con el dueo del proceso continua despus de
terminado el proyecto.

OWNER:
Son los lderes de las reas en las que se van a desarrollar
proyectos Seis Sigma.
Es el socio estratgico del BB, para alcanzar la meta. Es el
responsable de mantener y superar los estndares
alcanzados despus de finalizados los proyectos.

GREEN BELT:
Son miembros del equipo de proyecto que conocen las
herramientas
bsicas
de
la
metodologa.
Son
interdisciplinarios y multifuncionales. Estn preparados para
participar o liderar proyectos Seis Sigma.

CONTROLLER:
Es el responsable de dar el visto bueno cada vez que haya
algn tipo de evaluacin financiera y cuantifica los beneficios
obtenidos.

35
35

36
36

2.3

2.4

Equipo Seis Sigma

Seleccin de equipo Seis Sigma

TEST: Inventario de Utilizacin de Energas

Se utiliza para indicar que atributos emplea una persona en su


relacin con los dems bajo dos tipos de condiciones: Cuando
todo marcha bien y cuando se enfrenta con un conflicto.

37
37

38
38

3.1

3.

Metodologa Seis Sigma

DMAMC (o DMAIC)

1.- Definir el Problema, definir objetivos

3.1 DMAMC
3.2 DMAMC y el PHVA
3.3 Diagrama Metodolgico

2.- Definir y Describir el proceso


3.- Evaluar Sistema de medicin
4.- Evaluar Capacidad del proceso
5.- Determinar las causas del problema
6.- Determinar variables significativas
7.- Optimizar y robustecer
8.- Validar Mejora
9- Controlar y dar seguimiento al proceso
10.- Mejorar continuamente
39
39

40
40

3.2

Ruta Metodolgica
C

1.- Definir el Problema, definir objetivos

Planear

I
A
Anlisis
del
proceso

Control y aseguramiento
del desempeo alcanzado

2.- Definir y Describir el proceso


3.- Evaluar Sistema de medicin

Implementacin de
mejoras o
transformacin del
proceso

4.- Evaluar Capacidad del proceso

Hacer

Medicin del
desempeo
del proceso

DMAMC y el PHVA

5.- Determinar las causas del problema


6.- Determinar variables significativas

Definicin
del
proyecto

7.- Optimizar y robustecer

Verificar

8.- Validar Mejora


9- Controlar y dar seguimiento al proceso

Managemt

Equipo Six Sigma + Dueo Proceso con el apoyo del Sponsor

Dueo de

Team

y la gua del Master Black Belt / Black Belt

Proceso

Actuar
10.- Mejorar continuamente

41
41

3.3

42
42

Diagrama Metodolgico
Definir el Problema,
definir objetivos

Determinar las
causas del problema

Definir y Describir el
proceso

Determinar variables
significativas

Medici
n
Capaz
y
estable
SI ?

NO

Mejorar

4.

Optimizar y
robustecer

4.1 Definir el problema


4.2 Definir y describir el proceso
4.3 Evaluar el sistema de medicin
4.4 Evaluar Capacidad del proceso

Validar Mejora

Proce
so
Estable
?

NO

Fase I: Definir y Medir

Eliminar
causas
especiales
Controlar proceso

SI

Proce
so
Capaz?

NO

Mejorar
continuamente
Si

43
43

44
44

4.1

4.1

Definir Problema

Ideas

Informacin
Incompleta

Definir Problema
CTQ (Critical to Quality). Son los atributos a
factores crticos para la calidad de un producto o
servicio que influyen en la decisin de compra por
parte del cliente.

Creencias

CTQ

Situacin problemtica inespecfica

Identificacin de los clientes, CTQ, VOC


Diagrama de Pareto
Histogramas, etc.

VOC

PROBLEMA DEFINIDO
Objetivos definidos
Alcance del proyecto definido

VOC (Voice of Client). Es la voz del cliente que se


obtiene por dos medios:
Sistemas proactivos: Quejas del consumidor,
llamadas telefnicas, devoluciones de productos,
etc.
Sistemas Reactivos: Observacin del cliente,
encuestas, entrevistas, etc.

45
45

4.1

46
46

Definir Problema

Pensamiento Estadstico
IDENTIFICAR CLIENTES Y CTQ

1. Definir Clientes Internos y Externos


2. Definir el tipo de cliente y el canal de comunicacin para
obtener la VOC
3. Identificar preguntas claves para cada uno de ellos
4. Elaborar un plan de contacto con el cliente (quien, como,
cuando, donde, etc)
5. Identificar los CTQ

Todo trabajo
es un
proceso

Los
procesos
varan

Cambio
del
proceso
Analizar
variacin
del
proceso

Aprender
del
proceso

Reducir
la
variacin

Control
del
proceso

Mejora
de la
calidad

Satisfaccin de:
Clientes
Empleados
Accionistas
Sociedad

Pasos para implantar el


pensamiento estadstico
47
47

48

CTQ

CTQ
Proceso

Proceso

Cliente

CTQ

CTQ

Critical To Quality
(Caracterstica crtica
para la Calidad)

Cliente

Caracterstica de los
resultados del proceso
(bienes o servicios) que
satisfacen un requerimiento
crtico del cliente o un
requerimiento del proceso
del cliente

Deben representar
lo que realmente es
importante para el
cliente

Tiempo de atencin
Confiabilidad
rea de trabajo segura
Productos sin daos
Pagos a tiempo
N de defectos

49

Defecto

50

Defectuoso

Cualquier caso o evento en que el producto o proceso


fracasan en la satisfaccin de la necesidad del cliente.

Una unidad que


contiene defectos.

El defecto es el incumplimiento de un requerimiento


especfico.

Una unidad ES o

Una caracterstica medible del proceso o su salida, que


no cumple con los lmites aceptables por el cliente.

NO ES defectuosa,

La alta incidencia de defectos en un proceso, puede


incrementar el nmero de unidades defectuosas, creando
desperdicios y reprocesos.

cuantos defectos

no interesa
tenga.

51

52

Oportunidades de Defecto

Oportunidades de Defecto

Toda situacin que puede ocasionar que un producto o


servicio no cumpla los requerimientos del cliente o su
performance estndar, es decir que genere un defecto.
OPER.
1

Determinacin:
Primero: Desarrollar una lista preliminar de tipos
de defectos.

Llamadas locales:
7 dgitos por nmero

OPER.
2

Ms
oportunidades
de producir
un defecto

Llamadas internacionales:
10 dgitos por nmero

Segundo: Determinar cules son los


reales, crticos para el cliente.

defectos

Tercero: Comprobar el nmero de oportunidades


propuesto frente a otros estndares.

Procesos ms complejos, tendrn ms oportunidades de defectos


53

Oportunidades de Defecto

54

Mtricas

Consideraciones:
% de Unidades defectuosas
Centrarse en reas problemticas estndar.
Agrupar

todos

los

defectos

relativos

N de Unidades defectuosas
N de Unidades

una

oportunidad.
Asegurarse que el defecto es importante para el
cliente.
Coherencia.

Defectos por Unidad (dpu)


Establecer

normas

para

definir

N de defectos
N de Unidades

oportunidades.
Cambiar el nmero de oportunidades slo cuando
sea necesario.
55

56

Defectos por Milln de


Oportunidades (dpmo)

Mtricas
Defectos por Oportunidad (dpo)

El dpmo es una mtrica para cuantificar el nmero total


de defectos producidos en un milln entre el total de
oportunidades de defectos.

N de defectos
N de Unidades * N de oportunidades
dpu
N de oportunidades

dpmo = dpm = dpo * 1000,000


OD
OD

Defectos por Milln (dpm)

= oportunidades de defectos

El propsito del dpmo es poder comparar el rendimiento


de un proceso , servicio o producto complejo con uno
ms simple.

dpu * 1000,000

57

Metodologas Seis Sigma

58

DMAMC Panorama Total

DMAMC

Control

El proceso existe
actualmente?

LIE

Define y/o valida la oportunidad


de mejora en el negocio

DfSS - DMADV
NO

Mide los requerimientos del


mercado

KPIV1

SI

Mide el desempeo actual

KPIV3
Desarrolla diseo detallado

Proceso a
ser mejorado

Costos de
Calidad

KPIV4
NO

Implementa nuevo diseo

KPIV5
KPOV: Key Process Output Variable
KPIV: Key Process Input Variable

Controla el desempeo
59

LSE

SI

Mejora el desempeo

KPOV

El proceso es capaz
cumplir las especificaciones
del cliente?

$
Crtico

KPIV2

Explora alternativas de diseo

Analiza la causa raiz del


desempeo actual

Monitoreo

60

DMAMC

Etapa 1: Definicin

DMAMC

Etapa 1: Definicin
Objetivo
Identificar las oportunidades de mejora.

LA CLAVE PARA

Mapa de procesos

QUE LA MEJORA
TENGA XITO

Reclamaciones
Costes de mala
calidad
Plan estratgico
Problemas
PROYECTOS
SEIS SIGMA

61

DMAMC

Etapa 1: Definicin

PROCESO

Clientes
Salidas

Proveedores
Entradas

Proceso
afectado

MATRIZ DE CARACTERIZACION
Ejemplo

Definir caractersticas criticas para la calidad


Misin del
proyecto

62

CTQs:
Caractersticas crticas
para la calidad

Las CTQ's son los elementos bsicos que se usarn en


la direccin de la medicin del proceso mejora y
control.
63

Insatisfaccin del cliente

4.1

4.1

Definir Problema

Definir Problema

100
(8, 83%)

Muy Importante y
poca satisfaccin

Diagrama de
Pareto

75

0
Importancia para el cliente

Valoracin
(Escala: 1-10)

CTQ

10

Factor de queja

Principio de
Pareto
Quejas

%
relativo

Tiempo de entrega

Tiempo de entrega inaceptable

764

83

Sabor de la Pizza

Tipo de masa incorrecta

56

6.1

Cantidad de Ingredientes

Cantidad de ingredientes reducidos

50

5.4

Ingredientes correctos

10

Ingredientes incorrectos

30

3.3

Cortesa del repartidor

Descortesa del repartidor

20

2.2

Grafica de barras que representa en


forma ordenada el grado de importancia
de las causas de un determinado
problema, considerando la frecuencia con
la que ocurren las causas.

O regla 80-20. Es el comportamiento que


sigue la grafica de PARETO: El 80% de
los problemas se encuentra en el 20% de
las causas.

65
65

4.1

66
66

4.1

Definir Problema

Definir Problema

Ejemplo Fastpizzas

Ejemplo Fastpizzas
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
Maana

67
67

Fines de Semana

Feriados

Noche

68
68

4.1

4.2

Definir Problema

Definir y describir el proceso

Ejemplo Fastpizzas
CTQs
FMEA, Mapa de Procesos

X (KPIV)

Hoja de Vida del Proyecto

Cp, Cpk
Prueba de Hiptesis

X (KPIV) significativas

ALCANCE

OBJETIVO

AHORRO

Quejas de los clientes por tiempo de entrega


inaceptable.

Regresin

S/.165,000

-Disminucin de las perdidas de


clientes

US$51,080

DOE

X (KPIV) que afectan al proceso

Disminuir en 50% las quejas por tiempo de entrega


en el Turno de la maana.
-Disminucin de las llamadas en el
Call Center

Correlacin

Simulacin

SPC

X (KPIV) que afectan al proceso

5 Ss

Controladas

Poka Yoke

Y (KPOV)
X

Key Process Input Variables (KPIV)

variable clave del proceso

Key Process Ouptput Variables (KPOV)

Problema

69
69

4.2

70
70

4.2

Definir y describir el proceso

Definir y describir el proceso

Identificar: Actividades del proceso, Entradas -Proveedores, Salidas Clientes

Mapa de procesos de
la organizacin

INICIO

N1

C1

E1
E2

X3

C2

Mapa de un conjunto
de procesos

S1
S2
FIN
E3
E4

Mapa del Proceso de


Anlisis
para
el
proyecto

C3
N2

E5

C, N y E son Entradas al
proceso
71
71

S son Salidas

72
72

4.2

4.2

Definir y describir el proceso

Definir y describir el proceso


Variables de Ruido o no
controlables (N)

Formato de Matriz SIPOC


Proceso :

N1

N2

Entiende las X (KPIV) y


controlars las Y (KPOV)

N3

Objetivo :
C1
S1 , S2
Proveedores
Quines son los
que proveeran los
recursos
necesarios?

Entradas

Actividades

Recursos necesarios
para el proceso

Salidas

Clientes
Quin est pidiendo la salida del

Entregables del proceso

proceso?

Breve descripcin del paso del proceso


Requisitos

Variables
Controlables

C2

Y = f ( X1,X2,....Xn)
Requisitos

E1

Suployer

Input

Process

Output

Client

Parmetros de Control / Medicin /


Seguimiento

Responsables

E2

E3

E4

Variables experimentales (E)

Documentos

ENTRADA CONTROLABLE

Aquella que puede ser controlada

ENTRADA RUIDOSA

Es impredecibles, altera el proceso.No es controlable por el momento.

ENTRADA EXPERIMENTAL

Aquella que puede ser estudiada bajo diversos parmetros para ver su
comportamiento en el proceso.

SALIDA

Segn donde impactan se suelen clasificar en :


CTQ: Criticas para la calidad
CTD: Criticas para la Entrega
CTC: Criticas para el Costo.

73
73

4.2

Caractersticas de
calidad (Y)

PROCESO

4.2

Definir y describir el proceso


Acciones a seguir

X
(KPIV)
Y
(KPOV)
74
74

Definir y describir el proceso


INICIO
NA

Tipo

Caractersticas

Accin
VA

Controlable (C)

Se puede controlar fcilmente

Experimental (E)

Variable sobre la que se tiene


capacidad de accin pero no se
conoce su valor optimo.

VA

VA

Estandarizar el control

VA

VA

Ruido (N)

Variable que se sabe afecta a las


KPOV pero que por ahora no se
puede controlar

Verificar si impactan sobre


el indicador (fase 2).

FIN

Establecer Nivel optimo


(fase 3)

NA

VA

------------------------

75
75

VA

Operacin con Valor


agregado

Valor agregado son las caractersticas dadas a aquella


operaciones indispensables por las cuales el cliente esta
dispuesto a pagar

NA

Operacin de no Valor
agregado

No generan valor (pero si generan costos)


76
76

4.2

4.2

Definir y describir el proceso


Eliminar la fabrica oculta

Definir y describir el proceso

INICIO

INFO
INFO

FIN

INFO

INFO

Etapas donde se registran datos del proceso

77
77

4.2

78
78

4.2

Definir y describir el proceso

Definir y describir el proceso

Formato de Matriz AMFE


Funcin
del
proceso
(paso)

Mtodos de falla
potenciales
(defectos de
proceso)

Efectos de falla
potenciales
(KPOVs)

S
E
V

Causas
potenciales
de falla
(KPIVs)

Matriz AMFE
O
C
C

Controles de
proceso
actuales

D
E
T

NPR = SEV * OCC * DET

N
P
R

Donde:

Se hace una
Simple
3
descripcin
Del proceso

Severidad

Ocurrencia

Deteccin

NPR :

4
5
6
7

Forma como el
proceso podra
no cumplir con
las especificaciones

Efecto que
puede tener
el defecto
en el cliente

Razn por la
cual ocurre la
falla

SEV :

Controles
que detectan
o previenen
la falla si es
que ocurre

OCC :

8
9
10

DET :

NPR = SEV * OCC * DET


Nivel de prioridad de riesgo

79
79

Nmero de probabilidad de riesgo o de prioridad de riesgo.


EI NPR es la multiplicacin de la severidad de la falla, la ocurrencia de esta y
su posible deteccin. Este ser mejor en tanto sea menor.
Severidad.
Es el impacto de mayor o menor intensidad en que la falla de un proceso
puede repercutir en el cliente (interno o externo) y su comportamiento
respecto a nuestros servicios.
Ocurrencia
Frecuencia en la que puede ocurrir una falla.
Deteccin
Posibilidad de identificar la falla en algn momento durante el
proceso.

80
80

DMAMC

Etapa 2: Medicin

DMAMC

Etapa 2: Medicin

Objetivo
Medir el nivel de desempeo del proceso y oportunidad
alcanzable.
Alcance del proyecto

Identificar los KPOVs


CTQs

Ys

LMITES: Dnde empieza/termina


Qu actividades incluye/excluye
Funcin B

Funcin C

Actividad 2

Actividad 3

Actividad 5

Actividad 4
Actividad 6

4.3

Actividad 8

FLUJO: Cmo funciona


DOCUMENTACIN:
Procedimientos / Instrucciones

Resultados de las Ys

Variables del proceso


Rendimiento del proceso
Capacidad del proceso
Nivel s del proceso

Las Ys son las salidas del proceso que reflejan las


caractersticas crticas para la calidad (CTQs).
Los KPOVs son las Ys claves del proceso.
Los KPOVs miden el desempeo del proceso a ser mejorado.

Actividad 7

CTQs:
Caractersticas
crticas para la
calidad

CAJA DE
HERRAMIENTAS

Actividad 1

Clientes
Salidas

Proceso
afectado

Proveedores
Entradas

Funcin A

Misin del
proyecto

81

82

4.3

Evaluar Sistema de Medicin

Evaluar Sistema de Medicin


Precisin y Exactitud

Un Sistema de medicin es la coleccin de operaciones,


procedimientos, instrumentos de medicin, software y
personal definido para asignar un numero a la caracterstica
que esta siendo medida (Measurement Systems Analysis 1995)

Preciso,
no exacto

Exacto,
no preciso

La evaluacin del sistema de medicin consiste en determinar


la capacidad y estabilidad de los sistemas por medio de
estudios de:
Estabilidad
Repetibilidad
Reproducibilidad
Linealidad
Exactitud

Ni preciso,
Ni exacto

83
83

Preciso y
Exacto

84
84

4.3

4.3

Evaluar Sistema de Medicin

Exactitud

Linealidad

Estabilidad

Es la diferencia entre el promedio de las


mediciones hechas por un operario y el valor
real obtenido con el master (patrn).
Una buena Exactitud se logra con un buen
programa de calibracin
Se define como la diferencia en la exactitud
(sesgo) entre el master y el promedio
observado sobre todo el rango de operacin del
instrumento

Evaluar Sistema de Medicin

Es la variacin en las mediciones hechas por


un mismo operador en una misma pieza y
con el mismo instrumento de medicin. Se
define como la variacin alrededor de la
media.

Repetibilidad

Reproducibilidad

Variacin entre las medias de las mediciones


hechas por varios operarios con las mismas
piezas y con el mismo instrumento de
medicin.

Es la cantidad de variacin en exactitud sobre


cierto periodo. Sin evaluar la estabilidad no es
posible asegurar evaluaciones confiables sobre
las dems propiedades estadsticas

85
85

4.4

86
86

4.4

Evaluar Capacidad del proceso

Evaluar Capacidad del proceso


Anlisis de Normalidad
Prueba de Normalidad
Probability Plot for Grupos
LSXY Estimates-Complete Data
Smallest Extreme Value
99.9

90

99

50

90
Percent

Percent

C orrelation Coefficient
Smallest Extreme V alue
0.957
Normal
0.985
Logistic
0.975

Normal

99.9

10

50
10

1
0.1

-20

0
Grupos

0.1

20

10
Grupos

20

30

Logistic

Capacidad Medida
Capacidad del proceso
cuantificada, de datos que
son
resultado
de
mediciones
de
trabajo
realizado por el proceso.

99

Variacin de los datos

Percent

Capacidad
Habilidad
basada
en
rendimiento demostrado,
de
un
proceso,
en
satisfacer
los
requerimientos del cliente.

99.9

90
50
10
1
0.1
0

20

40

Grupos

Si los datos son normales, se podr hacer el anlisis de la Capacidad


del Proceso.
87
87

88
88

4.4

4.4

Evaluar Capacidad del proceso

Evaluar Capacidad del proceso


CENTRAMIENTO (Cpk)

Para analizar si un indicador es capaz de cumplir con las


especificaciones, se suele utilizar el ndice de capacidad

No solo interesa ver si el indicador puede cumplir con las


especificaciones, nos interesa saber si este centrado respecto a las
mismas.

Diremos que un indicador es capaz de cumplir con las


especificaciones cuando su dispersin es menor que la distancia
entre especificaciones.

Cp

Cp = 1

Cp = 2

Especificacin
6s

< 1

INCAPAZ

Cp > 2

LSE - X

Cpk = Min

Cp < 1.33 APENAS CAPAZ

1.33 < Cp < 2

Promedio
de los datos

LSE - LIE

Cp =

1<

Para analizar esto, existe el ndice de centramiento denominado


Cpk que mide la menor distancia del promedio de los datos a las
especificaciones comparada contra el ancho de media distribucin.

3s

X - LIE
3s

CAPAZ
MUY CAPAZ
89
89

Variacin
LIE

LSE

Necesidad de
estudiar los
procesos

Conocimiento de la
relacin Causa - Efecto

3s

90
90

3s

Variacin
Al cliente no
le interesa el
promedio

INSATISFACCION

Centrar la media (de acuerdo


al requerimiento del cliente)
y reducir la amplitud.
91

Expectativa del cliente: plazo de entrega 8 das despus


del pedido
Perspectiva interna

Plazo de entrega
del proceso
existente
(das)

Despus de las
mejoras
convencionales
(das)

20
15
30
10
5

17
2
5
12
4

x = 16 das

Perspectiva del cliente


Intervalo de 15 das

Das de
atraso
(+9)

Das de
anticipacin
(-6)
2

5 8

12

17

x = 8 das
Celebracin
interna. Mejora de
16 a 8 (50%)

Fecha
pretendida
por el cliente
92

Capacidad de Proceso

Capacidad de Proceso
Cp: ndice de Capacidad

Reducida variacin alrededor de la


media y proceso centrado en el objetivo
Voz del
Proceso

Cpk: ndice de Capacidad

Potencial del Proceso.

Voz del
Cliente

Cp =

Real del Proceso.

LSE - LIE
6*

Cpk = min

LSE - x , x - LIE
3*

3*

Donde:
LSE = Lmite superior de especificacin
LIE = Lmite inferior de especificacin
s = desviacin estndar terica de la poblacin
x
= centro del proceso

Objetivo
Capacidad del Proceso =

Voz del Cliente

Valores ms altos de Cp y Cpk, ES MEJOR.

Voz del Proceso


93

94

Capacidad de Proceso

Capacidad de Proceso

LIE = 125

Relacin entre nivel sigma, Cp y Cpk


NIVEL

Cp

1s

0.33

Cpk
-0.17

2s

0.67

0.17

3s

1.00

0.50

4s

1.33

0.83

LSE = 135

6s

LIE

LSE

6s

z=

6s
4.5s

1.67

1.17

6s

2.00

1.50

% = 100% - 99.99966%
% = 0.00034%

-6s-5s-4s-3s-2s -1s 0 1s 2s 3s 4s 5s 6s

Transformando a por milln


0.00034 / 100 * 1000000
95

3.4 dpmo

135 - x

1.5s

4.5s

x-x

z =

6s
1.5s

5s

3.4
Dpmo

z = 4.5

%?

TABLA Z
PORCENTAJE BAJO LA CURVA NORMAL

0.01

0.02

0.03

0.04

0.05

4.30

99.99915

99.99918

99.99922

99.99925

99.99929

99.99932

4.40

99.99946

99.99948

99.99951

99.99953

99.99955

99.99957

4.50

99.99966

99.99968

99.99969

99.99970

99.99972

99.99973

4.60

99.99979

99.99980

99.99981

99.99982

99.99983

99.99983

4.70

99.99987

99.99988

99.99988

99.99989

99.99989

99.99990

96

4.4

4.4

Evaluar Capacidad del proceso


Primer Ejemplo problema Variacin y Centrado

Evaluar Capacidad del proceso


Segundo Ejemplo problema Variacin y Centrado
Process Capability of % de Saturacin
LSL Target USL
W ithin
O v erall

P rocess Data
LSL
0
T arget
0.1
U SL
0.2
S ample M ean
0.0626415
S ampleN
106
S tDev (Within)
0.107208
S tDev (O v erall) 0.107447

Potential (Within) C apability


Cp
0.31
C PL
0.19
C PU
0.43
C pk
0.19
C C pk 0.31
O v erall C apability
Pp
PP L
PP U
Ppk
C pm

-0.15
O bserv ed P erformance
P PM <LSL
0.00
P PM >U SL 103773.58
P PM Total
103773.58

Cpk Superior < Cpk inferior, u tiende hacia el LSE


Cpk Inferior < Cpk Superior, u Tiende hacia el LIE

0.00

Exp. Within P erformance


P PM <LSL 279509.11
P PM >U SL 100055.21
P PM Total
379564.32

0.15

0.30

0.45

0.31
0.19
0.43
0.19
0.29

0.60

Exp. O v erall Performance


PP M<LS L 279947.66
PP M>U S L 100557.92
PP MT otal
380505.59

97
97

98
98

DMAMC

Etapa 3: Anlisis
El Foco del
Seis Sigma

5.

Fase II: Analizar

Y=

5.1 Determinar las causas del problema


5.2 Variables Discretas y Continuas
5.3 Prueba hiptesis
5.4 Procedimiento de prueba hiptesis
5.5 Ejemplos

Dependiente
Salida
Efecto
Sntoma
Monitoreable

f(X)
X1 . . . XN

Independiente

Entrada - Proceso

Causa

Problema

Controlable

Mejorar las Ys a travs de mejorar las Xs


99
99

100

DMAMC

Etapa 3: Anlisis

Etapa 3: Anlisis

Objetivo
Identificar los KPIVs para cambiar o controlar que
disminuyan los ndices de defectos en los KPOVs.
Identificar variables de entrada (Xs)
Funcin A

Funcin B

DMAMC

Funcin C

Las Xs, son los factores, causas, condiciones que


afectan los KPOVs.
Identificar
RESULTADOS DE LOS KPOVs
(Problema prctico)

Xs

Actividad 2

Actividad 3

Actividad 5

Actividad 4

Clientes
Salidas

Proveedores
Entradas

Actividad 1

KPIVs: FACTORES
DOMINANTES

CAJA DE
HERRAMIENTAS

Actividad 6

Y = f(Xs)
Problema estadstico

Actividad 7
Actividad 8

CAJA DE
HERRAMIENTAS

Al controlar o cambiar los KPIVs


produciremos efecto en los KPOVs.

KPOVs

(Xs

claves),

101

102

DMAMC

Etapa 3: Anlisis
CTQs

Despliegue

X (KPIV)
CTQ

FMEA, Mapa de Procesos


Cp, Cpk

Definir Caracterstica crtica


Prueba de Hiptesis

X (KPIV) significativas

Correlacin
Regresin

KPOV
Y

De las variables de salida (Ys)


del proceso, identificar los
KPOVs que responden al CTQ.

X (KPIV) que afectan al proceso


X (KPIV) que afectan al proceso

KPIV
X

KPIV
X

Identificar las variables


(Xs) que afectan el
KPOV e identificar los
pocos vitales (KPIVs)
103

Simulacin

SPC
5 Ss

Controladas

DOE

Poka Yoke

Y (KPOV)
X

Key Process Input Variables (KPIV)

variable claves del proceso

Key Process Ouptput Variables (KPOV)

variables clave de salida del proceso


para el cliente
104
104

5.1

5.1

Determinar las causas

Determinar las causas


Matriz Causa-Efecto

Diagrama de Causa-Efecto (Ishikawa)

Se ha visto que la KPIV, puede impactar en las KPOV:


Con la finalidad de determinar las posibles causas generalmente que afectan a nuestro
poblewma (Y o KPOV), usaremos el Diagrama Causa Efecto, o Ishikawa.
Criterio de
agrupacin 1

causa

Criterio de
agrupacin 2

causa
causa

Criterio de
agrupacin 3

causa
causa

causa
causa

causa

Listar por tormenta de ideas las


causas generales que afectan
al indicador.

causa

causa

causa
causa

causa
causa

causa

Agrupar las causas en 4 o 6


grupos. Se suele usar:
Por 4M
Mano O.
Material
Maquinaria
Mtodo

causa

causa

causa

causa
Criterio de
agrupacin 4

Criterio de
Criterio de
agrupacin 6 agrupacin 5

Por 6M
Mano O
Material
Maquinaria
Mtodo
Medicin
Medio amb.

Nota: Si las causas vienen de los KPIV, se deben sealar si son E,C,N

5.1

CAPACIDAD DEL
PROCESO

Nmero de Contratos

Tiempo de Calificacin

Conocimientos norma de crditos

% de crditos rechazados

Numero de Analistas

Costo Evaluacin.

Tiempo de entrega de Contratos

Para mejorar el proceso, se debe identificar cules son las X que ms


afectan a las Y para determinar cules deben ser atacadas.
105
105

106
106

5.2

Determinar las causas


ENTRADAS DEL
PROCESO

Posteriormente se validaran cuales


causas son definitivamente las que
son las responsables del Problema

Ejemplos:

causa
PROBLEMA

afecta

CONSTRUCCION

Variables Discretas y Continuas

FEMEA

INICIO
N1

C
1

X
1

X2

X
3

C
2
Y
1

FIN

X
3

C3
N2

Datos
Discretos

tienen un nmero fijo de valores


Ejemplos:
estado
civil,
sanguneo, nmero de nios

Datos
Continuos

tienen un nmero infinito de valores


Ejemplos:
estatura,
peso,
temperatura

Y
2

X
4
X5

tipo

ISHIKAWA

PRUEBA DE
HIPOTESIS

VARIABLES SIGNIFICATIVAS
107
107

108
108

5.3

5.3

Prueba Hiptesis

Prueba Hiptesis
Errores posibles al evaluar una hiptesis

PRUEBA DE HIPOTESIS
Verdad de H0
V

(no hay diferencia)

Para conocer si un factor ( X: KPIV ) influye sobre nuestro


indicador ( Y: KPOV ) del proceso; se suele variar este
factor de manera de ver si su variacin afecta al indicador.

Aceptar H0
(no hay
diferencia)

La manera de ver esta variacin es a travs de las


pruebas de hiptesis que nos permitirn concluir si el factor
en estudio afecta significativamente al indicador.

Aceptar Ha
(si hay
diferencia)

Decisin correcta
1-
(nivel de significan
ca)

(si hay diferencia)

Error tipo 2

Decisin correcta

Error tipo 1

P(Error Tipo) =
:Probabilidad
de
encontrar
una
diferencia
cundo
esta no existe.
= 0.01, 0.05
P(Error Tipo2) =
: Probabilidad de no
encontrar
una
diferencia
cuando
esta si existe.

(poder la prueba)
F

Verdad de Ha

109
109

5.3

5.3

Prueba Hiptesis

Prueba Hiptesis
Prueba Anova

RECORDANDO
Ho : El factor no gener diferencias Antes Vs Despus
Ha : El factor si gener diferencias Antes Vs Despus

110
110

ONE SAMPLE t TAMAO DE MUESTRA


(Si la Poblacin es Normal)

(X no afecta Y)
(X si afecta Y)

Prueba

Si p val > 0.05 ()

NO se rechaza H0

t (One Sample t)

Estadstico t = X-
s / n

VOCABULARIO

Hiptesis Nula

H0: = 0

Hiptesis Alterna
Conclusin Robusta:
Rechazar H0. Ello pues el valor de se ha fijado en la prueba (usualmente en
0.05)
Conclusin Dbil:
Aceptar H0 sin conocer el valor de . En estos casos se suele decir No puede
rechazarse H0
Potencia de una prueba estadstica:
Es la probabilidad de rechazar correctamente una H0
Potencia = 1 -
111
111

Ha: <0 ;

t < t , n-1

> 0;

t > t , n-1

0 ;

| t | > t /2 , n-1

Minitab
Stat-Basic Statisc- 1sample t

112
112

5.3

5.3

Prueba Hiptesis
Source
TIPO LOTE
Error
Total
S = 3712

Level
ADULTO
JOVEN
VIEJO

Prueba Hiptesis

DF
SS
MS
F
P
2
177886860 88943430 6.46 0.002
118 1625812015 13778068
120 1803698874
R-Sq = 9.86%
R-Sq(adj) = 8.33%

N
52
17
52

Mean
6158
9055
5331

StDev
3863
4226
3369

Correlacin y Regresin

Individual 95% CIs For Mean Based on


Pooled StDev
--------+---------+---------+---------+(----*----)
(--------*--------)
(----*----)
6000
8000
10000
12000

INTRODUCCIN:
Al interior de un proceso, usualmente existe una relacin entre 2
variables.
Si una Y (KPOV) se correlaciona con una X; podremos decir que X es
una KPIV.

Boxplot of HUEVOS INCUBADOS by TIPO LOTE


16000

HUEVOS INCUBADOS

14000
12000

De esta manera diremos que existe una ecuacin que liga a ambas Y
= f (x). Esta ecuacin se denomina Modelo matemtico.
Esta ecuacin se calcula usando tcnicas de regresin.

10000
8000
6000
4000

Usualmente la correlacin para determinar la fuerza que liga a 2


variables sin necesidad de alterar el proceso como se hizo en las
Pruebas de hiptesis o como har en los DOE (Fase 3).

2000
0
ADULTO

JOVEN
TIPO LOTE

VIEJO

113
113

5.3

114
114

5.3

Prueba Hiptesis

Prueba Hiptesis

Correlacin

Correlacin

Es la Fuerza de Asociacin entre 2 Variables.


Se mide con el Coeficiente de Pearson (r)
-1 r 1

Precauciones:
Dado que no estamos modificando el proceso ( variando x) y
midiendo su efecto ( en Y) : encontrar que hay correlacin
no siempre significa que al variar X, variar Y (Causa
Efecto)
Solo debemos usar correlacin cuando hay una persuasin
razonable que X podra afectar Y

-1 r < 0

r=0

0<r 1

Correlacin Negativa

No hay Correlacin

Correlacin Positiva

Cunto ms cercano est el coeficiente de Correlacin de Pearson


a 1 o 1; mayor probabilidad de Correlacin
115
115

116
116

5.3

5.4

Prueba Hiptesis

Procedimiento de pruebas

Regresin
Procedimiento para la Prueba Hiptesis

Con la regresin se determina el Modelo Matemtico que relacione las


Variables X con Y.

Y ,Y
1

PROCESO

Indicador (Y)

Y = f ( X1,X2,....Xn)

X1

X2

X3

X4

Variables
Experimentales

Estas Xi, son la


que se han
obtenido
despus de:
Prueba
de
Hiptesis.
Correlacin.

LOS MODELOS MATEMATICOS PUEDEN SER


Y = 0 + 1 X
LINEAL
Y = 0 + 1X + 2X2
CUADRTICO
Y = 0 + 1X + 2X2 + 3X3
CBICO
Y = 0 + 1X1 + 2X2+... +nXn)
LINEAL
MLTIPLE

Accin

1.

Identificar de acuerdo al tipo de variable discreta o continua tanto para KPIV


como KPOV el tipo de Prueba Estadstica a utilizar.

2.

Establecer la Hiptesis Nula Ho.

3.

Especificar una hiptesis alternativa apropiada Ha.

4.

Elegir un nivel de significacin (Usualmente:

5.

Establecer un estadstico de prueba apropiado.

6.

Establecer la regin de rechazo del estadstico.

7.

Calcular las cantidades muestrales necesarias, sustituirlas en la ecuacin del


estadstico de la prueba y calcular es valor.

8.

Decidir si deber rechazarse o no Ho.

9.

Traducir la decisin en trminos de proceso.

0.05).

117
117

5.4

118
118

5.4

Procedimiento de pruebas

Procedimiento de pruebas

FLUJOGRAMA PRUEBA HIPTESIS


1

Seleccin de la Prueba Hiptesis

Inicio
Recopilar data

Y Continua

Y Discreta

Correlacion-Regresion

Correlacion-Regresion

Ubicar las variables importantes


( Fase 1 )
Aplicar la prueba
de hiptesis
H0 no hay variacin antes vs despus
Ha si hay variacin antes vs despus

Seleccionar la
prueba de hiptesis
a usar

X
Continua

Si
p val > 0.05

Factor no afecta
Acepto H0

Variar el factor de
manera de tener 2
Situaciones :
Antes
Despus

X
Discreta

Rechazo H0

No

Factor si afecta

Fin

119
119

Para distribucion normal de Y


Prueba T1
Prueba T2
Prueba Anova

Chi cuadrado

Para distribucion no normal de Y


Prueba W
Prueba xxxx
Prueba kk
120
120

5.4

5.4

Procedimiento de Pruebas

Procedimiento de Pruebas
Prueba de Normalidad
para "Y"

Prueba de Normalidad
para "Y"

Y continua /
X discreta
Con ms de 2
muestras

NO

NO

SI
Es normal?

Agrupar
prueba Normalidad para"Y"

SI

Prueba F
para Y agrupada segn las X

SI
Es normal?

Y continua /
X discreta
Con 2 muestras

Agrupar
prueba Normalidad para"Y"

Prueba F
para Y agrupada segn las X

SI
Es normal?

Es
normal?

NO

NO

NO

NO

P> ?

Transformar Datos
prueba Normalidad para"Y"

P> ?

Transformar Datos
prueba Normalidad para"Y"

SI

SI
NO
Es normal?

NO

Es normal?

SI
SI
Prueba F
para Y agrupada segn las X

Prueba F
para Y agrupada segn las X

NO
P> ?

NO

Prueba KW

Prueba KW

P> ?
SI
Prueba de Anova

SI

Prueba T2

121
121

5.4

5.4

Procedimiento de Pruebas

Procedimiento de Pruebas
Probar la correlacion
de todos los x con y

Prueba de Normalidad
para "Y"

Y continua /
X discreta
Con 1 muestra

NO

Y continua o
discreta /
X Continua

SI
Es
normal?

Agrupar
prueba Normalidad para"Y"

122
122

No

Si
r

No

= 0?

Si

No hay correlacion

Y es
continua
?

Prueba T 1

No

SI
Prueba Regresion
Logistica

NO

Si
Hay
mas de
una x?

Es normal?

es
lineal o
curva?

lineal

curva
Prueba Regresion
Multiple

Transformar Datos
prueba Normalidad para"Y"
lineal
Es
normal?

SI

curva
es lineal
o curva?

Prueba Regresion
Superficie de Respuesta

NO
Prueba de Regresion
lineal

Prueba One Sample


Sign

123
123

Prueba de Regresion
curva lineal

124
124

5.5 Ejemplos: EMPRESA COURIER


X

X1= Zona Geografica


Zona 1

Zona 2
.
.
.
.
.
Zona 10

Y
cantidad pedido
devueltos semanal
20
30
.
.
.
10

48 datos (48 semanas)

EL RAPIDO

5.5 Ejemplos: EMPRESA COURIER


X

Y
cantidad pedido
devueltos semanal

Qu tipo de
prueba?
X1= Discreta, tiene 10
valores (menos de 30)

X2= Repartidores
Repartidor 1

Y= continua

20
40
.
.
.
30

48 datos (48 semanas)

30
50
.
.
.
20

48 datos (48 semanas)

Por lo tanto se utiliza la


Prueba de Anova para
probar la significancia de
X en Y.
Nota: no se utiliza T1 ni
T2 porque son ms de 1
y 2 muestras
respectivamente.

Repartidor 2
.
.
.
.
.
.
.
.
Repartidor 50

20
30
.
.
.
10

48 datos (48 semanas)

20
40
.
.
.
30

48 datos (48 semanas)

30
50
.
.
.
20

48 datos (48 semanas)

EL RAPIDO

Qu tipo de
prueba?

X2= inicialmente es
discreta, pero por tener
ms de 30 valores se
le considera continua.
Y= continua
Por lo tanto se utiliza la
Prueba de Regresion.

125
125

5.5 Ejemplos: EMPRESA COURIER


X

X3= El repartidor usa


Guia ?
Si

No

Y
cantidad pedido
devueltos semanal

50
10
.
.
.
20

10
20
.
.
.
30

EL RAPIDO

126
126

5.5 Ejemplos: FABRICA DE PASTAS NAPOLITANO


X

Y
cantidad de
pasta quemada

Qu tipo de
prueba?
X3= Discreta

X1= Presion en el
cabezal (Bar)

X1= es continua
Tiene mas de 30 datos

Y= Continua
Por lo tanto se utiliza la
Prueba T2 para probar
la significancia de X en
Y
100 datos
Nota: no Anova porque
solo son 2 muestras.

127
127

40 bar
65 bar
50 bar
30 bar
.
.
.
.
.
.
60 bar

Qu tipo de
prueba?

10 kg
15 kg
12 kg
8 kg
.
.
.
.
.
.
14kg

Y= continua
Por lo tanto se utiiliza la
Prueba de Regresion

128
128

5.5 Ejemplos: FABRICA DE PASTAS NAPOLITANO


X

Y
cantidad de
pasta quemada

X2= Temperatura de
cocido (C)

105 datos

45 C
35 C
55 C
32 C
.
.
.
.
.
.
50 C

Qu tipo de
prueba?

Y
cantidad de
pasta quemada

X3= Humedad relativa


(%)

X2= es continua
Tiene mas de 30 datos
15 kg
10 kg
20 kg
8 kg
.
.
.
.
.
.
25kg

5.5 Ejemplos: FABRICA DE PASTAS NAPOLITANO

Y= continua

X3= es continua
Tiene mas de 30 datos

60%
55%
70%
45%
.
.
.
.
.
.
72%

Por lo tanto se utiiliza la


Prueba de Regresion
103 datos

Qu tipo de
prueba?

15 kg
10 kg
20 kg
8 kg
.
.
.
.
.
.
25kg

Y= continua
Por lo tanto se utiiliza la
Prueba de Regresion

129
129

130
130

DMAMC

Etapa 4: Mejora
Objetivo

6.

Fase III: Implementar (mejora)


6.1 Anlisis de riesgo: Matriz FMEA.
6.2 DOE
6.3 Procedimiento DOE
6.4 Plan de Mejora

Determinar que cambios son necesarios en los KPIVs y


como efectuarlos, con el fin de reducir la tasa de
defectos de los KPOVs.
KPIVs: VARIABLES
DOMINANTES
(Problema estadstico)

MODELO DEL PROCESO


(Solucin estadstica)

CAJA DE
HERRAMIENTAS
SOLUCION A
IMPLANTAR
131
131

PRUEBA DE
SOLUCIONES
(Solucin prctica)
132

DMAMC

6.1

Etapa 4: Mejora

PROCESO AMFE

Decreciendo el riesgo de la decisin

Entender cunto afectan los KPIVs a los KPOVs


ENFOQUE

VENTAJAS

DESVENTAJAS
Los resultados pueden
ser engaosos. Poco
entendimiento

Anlisis de
Los datos disponibles
datos histricos pueden producir indicios

F
A
S
E
I

Poco entendimiento.
No analiza interaccin
entre las Xs

Simple de usar

Elabora FMEA preliminar.


Discusin para definir NPR.
Plan de Accin de mejora de los
NPR.

F
A
S
E
II

Prueba y Error Pude producir un impacto Poco entendimiento


rpido
Un factor a la
vez

Anlisis de riesgo: Matriz AMFE


.

Ejecucin del Plan.

Evaluacin de Resultados.
NO
OK
SI
Emisin del AMFE definitivo.

Mejor entendimiento del


Diseos
experimentales sistema

Requiere planificacin
Disciplina
133

6.1

134
134

6.2

Anlisis de riesgo: Matriz AMFE


.

DOE
Introduccin al DOE

Se vuelve usar la matriz AMFE


mostrado anteriormente.
En esta parte se establecen las
posibles soluciones para aquellas
actividades que tienen un NPR
alto.

Son las acciones


orientadas a seguir
para las causas con
NPR alto, destinadas
mejorar la deteccin
de la causa o disminuir
la frecuencia de
ocurrencia de las fallas

Acciones
Recomen
dadas

Persona
S O D N
responsab Acciones E C E P
le & Fecha Tomadas V C T R
Objeto

Las acciones
recomendadas
que son llevadas
A cabo.

Es una estrategia experimental estructurada que permite la


evaluacin de mltiples variables de proceso en cuanto a su
capacidad para influir sobre las caractersticas de un producto o
proceso.

El NPR despus
de haber tomado
las accin (es). El
cual se supone
debe ser menor

Determinar que factores son importantes.


Establecer la estabilidad del proceso.

El responsable
de llevar acabo
la accin (es)

Encontrar el mejor conjunto de condiciones de operacin.

135
135

136
136

6.2

DOE

6.2

DOE

Diseo Factorial Completo


CTQs

X (KPIV)

FMEA, Mapa de Procesos


Cp, Cpk
Prueba de Hiptesis

X (KPIV) significativas

Correlacin
Regresin

X (KPIV) que afectan al proceso

DOE

El Factorial Completo estudiar cada combinacin posible en los


niveles escogidos. Estos diseos proveern una gran
informacin que nos permitir determinar el efecto de los
factores principales sobre la respuesta seleccionada.

Simulacin

Cantidad de pruebas que se necesitan =


X (KPIV) que afectan al proceso

SPC
5 Ss

Controladas

(niveles factor 1) x (niveles factor 2) x (niveles factor 3) x .


(niveles factor n)

Poka Yoke

Y (KPOV)
Donde:

Key Process Input Variables (KPIV)

variable claves del proceso

Key Process Ouptput Variables (KPOV)

variables clave de salida del proceso


para el cliente

Factor = Son las variables (KPVI) X1, X2, X3 Xn


Nivel = Es la cantidad de valores que toma cada factor
137
137

6.2

DOE

138
138

6.2

DOE

Diseo Factorial Completo con 2 niveles

Limitaciones para el Diseo Factorial


Completo

Por Ejemplo 3 factores cada uno con 2 niveles:

La limitacin del Factorial completo no es terica sino


practica. Los recursos (ej. Tiempo, costos) necesarios para
correr un factorial completo pueden ser significantes.

Cantidad de pruebas que se necesitan = 2 x 2 x 2 = 8

Factorial completo puede ser usado en investigaciones


donde el numero de variables es pequeo (2-4), pero no son
recomendables cuando el numero de variables a investigar es
mayor (5 o ms).

Donde:

3 = Factor = K = variables (KPVI) X1, X2, X3


2 = Nivel = Es la cantidad de valores que toma cada factor

Factorial Completo son efectivo cuando son usados de la


manera adecuada, en el momento propicio dentro del proceso
de mejora del estudio.

2
139
139

140
140

6.2

DOE

6.2

DOE

Diseo Factoriales Fraccionados


Son diseos donde se elige adecuadamente una parte o fraccin
de los tratamientos de un factorial completo, con la intencin de
poder estudiar el efecto de los factores utilizando menos corridas
experimentales, debido a que es imposible en la practica correr
todos los tratamientos.
La teora de los diseos factoriales fraccionados se basa en la
jerarquizacin de los efectos: Son ms importantes los efectos
principales, seguidos por la interacciones dobles, luego las
triples, las cudruples , etc.
Nmero de factores (K)

Nmero niveles (2)

K-p

Nmero de generadores
del diseo

Aclaraciones para
fraccionados:

el

Diseo

Factoriales

Se pierde informacin, ya que habr efectos que no se podrn


estimarse y se tienen menos grados de libertad disponibles para la
estimacin del error. Los efectos que se pierden se espera que
sean, en la medida de los posible, interacciones de alto orden, las
cuales se pueden ignorar de antemano con bajo riesgo.
Se utiliza sobre todo para probar un gran nmero de x potenciales
con un mnimo de corridas y lograr la seleccin de las pocas X
vitales.
Los experimentos altamente fraccionados son experimentos
donde el nmero de corridas es solo un poco mayor que el nmero
de factores y sirven para detectar solo efectos principales.

141
141

6.2

DOE

142
142

6.3

Procedimiento DOE

Pasos para la experimentacin


Recomendaciones para el Diseo Factoriales
fraccionados:

1.

Defenir el problema.

2.

Establecer el objetivo.

3.

Seleccionar las variables de respuesta.

Los experimentos altamente fraccionados se usan a menudo


para cernido, para encontrar las variables que merecen mayor
estudio

4.

Seleccionar las variables independientes y su niveles.

5.

Verificar a capacidad y estabilidad de los instrumentos- sistemas de


medicin. Entender el espacio de inferencia.

Los experimentos ms tiles tiene 8, 16 0 32 corridas.

6.

Seleccionar el Diseo Experimental: tipo de diseo a utilizar y nmero de


replicas.

Usted puede aadir niveles (use 3, 4 o 5 niveles) para un


estudio ms detallado de las variables importantes.

7.

Planear y correr el DOE. Realizar las pruebas aleatoriamente.

8.

Recolectar los datos.

Los experimentos de 2 niveles pueden usarse con variables X


discretas o continuas.

9.

Analizar los Datos.

10. Obtener las conclusiones estadisticas.

Recuerde adems que usted puede correr la otra media fraccin


si los resultados del primer experimento no son claros.
143
143

11. Replicar los resultados, si corresponde.


12. Establecer soluciones practicas y comunicar.
13. Implementar soluciones.

144
144

Procedimiento DOE

6.3

6.3

Procedimiento DOE
Accin

Seleccin de factores

1.

Podemos utilizar las siguientes fuentes:

Plantear el problema a
resolver y objetivo que se
requiere alcanzar

Minitab
El problema es aumentar/disminuir.....
Y = Nombre del indicador
Nivel Bajo

Nivel alto

(-)

(+)

X1 : Nombre del factor


X2 : Nombre del factor

FMEA (Puesta al da despus de la Fase de Anlisis)

2.

Lista de Calsificacin de Entrada. Mapa de procesos.

Identificar los factores y sus


niveles.

X3 : Nombre del factor

2 Level Factorial

Factores de Estudio de Variacin Multiple


3.

Resultados de la Prueba de Hiptesis


Conocimiento de los expertos, experiencia de los operadores

Cree la hoja de toma de datos


para el experimento
Stat / DOE / FACTORIALS /
CREATE FACTORIAL /
DESIGNS

Requerimientos de los clientes


Opinin de los proveedores

Number Of. Factors


DESGNIS

Full factorial
Center points=
# Replicates=

FACTORS

En la columna Name ponerle el

OPTIONS

. Do not fold

nombre del factor

Literatura, tormenta de ideas.........

Randomize Runs

Store Design on Worksh

Summary table, alias table


RESULTS

Default interactions

145
145

Procedimiento DOE

6.3

Accin
4.

Determine el tamao
apropiado de la muestra.

5.

Realice el experimento
siguiendo la hoja de datos
obtenidas.

6.

Analice los datos


obtenidos
Sta t/ DOE / ACTORIALS
Analyze Factorial Design

146
146

6.4

Plan de Mejora

Minitab
RESPONSES

Poner el indicador

TERMS

Seleccionar todos los factores


y pasarlos a Selected Terma

Los planes de Implementacin Final de soluciones debe


contener:
La solucin (accin) recomendada.

GRAPHS

La causa verificada y el efecto esperado de la solucin.

Normal
Paretto

Definir al responsable que llevara a la prctica la


solucin.

Alpha = 0.1
Residual for plots : Regular
RESULTS

Coefficients and ANOVA table

STORAGE

Fits (Desmarcar)

Nota:

Donde y cuando se realizara (fecha de inicio-fecha


final).

Residuals (Desmarcar)

Como se realizara (descripcin operativa).

1. Si se ha usado 2 o mas replicas Minitab arroja p-vales asociados a


cada factor e
interacciones; los cuales deben ser usados para
probar hiptesis:
H0: El efecto del factor no es importante sobre Y

Si p-val>0.05

Ha: El efecto del factor si es importante sobre Y

Acepto H0

Recursos necesarios para la implementacin.


Retorno esperado (beneficio).
El Plan de Gerenciamiento.
147
147

148
148

Plan de Mejora

6.4

6.4

Formato Plan de Implementacin de Soluciones.


PROYECTO:

ID

FECHA:

MIEMBROS DEL EQUIPO:

Nro

TIEMPO

ACCION
RECOME
NDADA

CAUSA

EFECTO
QUIEN
ESPERA RESPON OPERACI
DO
SABLE
N

RECURSOS NECESARIOS
ENTRENAM
SOPORTE
IENTO

S$

FECHA
DONDE

RETORNO ESPERADO
OTROS

S$

CUANDO

INICIO

PORCENTAJE DE STATUS

SATISFACCIN

FIN

COMO

OBSERVACIONES

AVANCE

Oportunidad de Mejora

Plan de Mejora
Acciones de Mejora

Desarrollo de una Base de Dat os


Falt a de un control de las altas en
donde se regist ra las altas por dslam
DSLAM que presentan sat uracin
sat urados

Falt a de un sist ema que cont role


2 la capacidad disponible de Tx por
DSLAM 's

Desarrollo de la BD que controle la


capacidad disponible de Tx por
DSLAM 's

Tipo de
Mejora

Responsable

Fecha de
Compromiso

% de
Avance

Observaciones
Problemas para identif icar la
correspondencia de los nmeros
a los DSLAM por f alt a de
et iquet as y creacin de nuevos
perf iles

Cort o plazo Veronica Avila

15 de Abril

50%

Largo Plazo Ernesto Saravia

Por def inir

Por def inir

Se requiere la participacin de
la Subgerencia de Tx y el
conocimient o del Aplicat ivo
Asig2000.
Se requiere la participacin de
GSI

Falt a de previsin en el crecimient o Desarrollo de un sist ema que realice


M ediano Plazo Veronica Avila
de trafico por client e
la previsin de t rafico por DSLAMs

Por def inir

Por def inir

Solicit ar a GSI, el desarrollo de una


No se registras las fechas de inicio
rut ina que permita que los campos :
y culminacin de las Obras en el
In Real y Fin. Real se han obligat orios
Aplicativo SAP-M odulo Gest in de
cuando se cambia el stat us del
Proyect os
proyect o

Cort o plazo Walter la Mat t a

Por def inir

Se requiere est ablecer un


Por def inir requerimiento, y el posible
cost eo de est a nueva rut ina

Elaboracin de un procedimient o para


la ampliacin de los enlaces en la Red
Speedy que abarca desde la
Largo Plazo Ernesto Saravia
det eccin de su sobrecarga hasta su
ampliacin.

Por def inir

15%

Se requiere la participacin de
las Gerencia de Desarrollo y
Planif icacin

15 de Abril

25%

Se tiene la inf ormacin hay que


armar la dat a a part ir del
presente ao 2005

Falt a de un procedimiento para


5 realizar la ampliacin de los
enlaces en los DSLAM 'S

Desarrollo de una Base de Dat os que


regist ra las f echas de denuncias de
Falt a de un sist ema que cont role
los sobrecargas hast a su ampliacin,
6 las denuncias de sobrecarga hasta
con la f inalidad de realizar el
su ampliacin en la Red
seguimient o de las ampliaciones en
plant a

Cort o Plazo Veronica Avila

149
149

150
150

DMAMC

Etapa 5: Control
Objetivo

7.

Verificar las mejoras e instalar un sistema de control que


asegure las utilidades.

Fase IV: Controlar


7.1 Objetivo
7.2 Mantenimiento de Resultados.
7.3 Control estadstico de procesos
7.4 POKA YOKE
7.5 Las 5 S
7.6 Fabrica visual
7.7 Acciones Finales

TRASFERENCIA A
OPERACIONES
(Plan de implantacin)

SOLUCIN A
IMPLANTAR

CAJA DE
HERRAMIENTAS

No
PLAN DE CONTROL
VALIDACIN
151
151

?
Si
152

Objetivo

7.1

CTQs

X (KPIV)

FMEA, Mapa de Procesos


Cp, Cpk

Concluida las mejoras en las Y, se debe controlar la variable en el


tiempo para que no retorne a la situacin anterior.

Prueba de Hiptesis

X (KPIV) significativas

Correlacin
Regresin

X (KPIV) que afectan al proceso


X (KPIV) que afectan al proceso

DOE

Simulacin

FASE POST
PROYECTO

CONTROL
MEJORAR

SPC
5 Ss

Controladas

Poka Yoke

Y (KPOV)

Fin
de
Proyecto

Antes de
la Mejora

Key Process Input Variables (KPIV)

variable claves del proceso

Key Process Ouptput Variables (KPOV)

variables clave de salida del proceso


para el cliente

Situacin No
Deseada

153
153

7.2 Mantenimiento resultados

154
154

7.2 Mantenimiento resultados


PLAN DEL CONTROL DEL PROCESO

Se debe elaborar un plan de Mantenimiento de


Resultados:

Es el listado con las acciones generales que cada proceso debe


seguir para garantizar, mantener el resultado del indicador.
Ejemplo:

El plan debe contener:


El mapa de proceso actualizado, con indicadores
crticos en la entrada y salida (Ya estuvieron definidos
en la primera etapa).

PLAN DE CONTROL
Proceso:_______
Responsable:_____

Accin

El tipo de control para cada indicador y las acciones


de reaccin ante el descontrol.

1Analizar indicador

Fecha:____

Responsable

Periodicidad

Supervisor 1

Diario

Supervisor 2

Mensual

2.Gage R & R
Normas y
procedimientos

Gerente

4.Revisin

Todos

Quincenal
Anual

Jefe

Mensual

FMEA
5.Charla de Six
Sigma en 5 minutos

155
155

156
156

7.2 Mantenimiento resultados

7.3 Control Estadstico de Procesos


Control Estadstico de Procesos (CEP)

TIPO DE CONTROL PARA CADA INDICADOR

Muestra el desempeo del Proceso.


Provee de un Lenguaje Comn para discutir el Proceso.
Permitir diferenciar Causas Comunes de Especiales.

Existen diferentes maneras de hacer el Control


para los indicadores. Entre los ms importantes, se
menciona:

Los componentes del CEP, son:


Cartas de Control.

Control Estadstico de Procesos.

Causas Especiales y Comunes.

Sistema a Prueba de Errores (Poka Yoke).


ZONA PRUEBA
DE
CONTROL
(MAL)

Filosofa de 5 Ss y Gerenciamiento Visual.

LSC : Lmite Superior de Control


ZONA
EN
CONTROL (BIEN)

LIC : Lmite Inferior de Control


157
157

7.3 Control Estadstico de Procesos

158
158

7.3 Control Estadstico de Procesos


Cartas De Control

Cartas De Control
CARTA P

CARTA C

Controla la proporcin de piezas no conformes.


No controla la cantidad de no conformidades encontradas en la pieza.

d
n

q 1 p

n1 n2 nk
k
p1 p 2 pk
p
k

LIC p p 3

pq
n

LSC p p 3

pq
n

Controla el numero de no conformidades por unidad y slo es


aplicada cuando el nmero de elementos de las muestras
recolectadas es constante.

c1 c2 ck
k

c1 c2 ck

LIC p c 3 c
LSC p c 3 c

Es la cantidad de no conformidades
encontradas en cada muestra.
159
159

160
160

7.3 Control Estadstico de Procesos

7.3 Control Estadstico de Procesos

Cartas De Control

Grfica X-R

CARTA X-R

Se utiliza cuando se trabaja con valores individuales del


proceso.
La amplitud (R), en este caso, es la calculada para cada par
sucesivo de datos registrados en la carta entre el Xmax-Xmin.

X1 X 2 X k
k
R X 1 X 2 , X 1 X 2 , X 1 X 2 , , X k 1 X k
R Es la media de los R individuales calculados.
X

LSC R D4 R
LICR D3 R

LSC X X E 2 R
LIC X X E2 R
161
161

7.4 POKA YOKE

162
162

7.4 POKA YOKE


Errores

Mecanismos a Prueba De Errores : POKA YOKE


Los defectos tienes su causa raz en errores

Casi todos los


defectos estn
causados por
errores humanos.
Sin embargo hay
como mnimo 10
clases de errores

Defecto

La manera tradicional de evitar que lleguen defectos al cliente es


inspeccionar al 100% todo o parte de los servicios brindados. Pero esto es
muy costoso e ineficiente.
Se debe construir Calidad desde la fuente incorporada mecanismos que
prevengan los errores desde el principio
163
163

Olvido

Desconocimiento

3
4

De identificacin

Inexperiencia
Voluntarios

6
Lentitud
7
8 Falta de estndares
9 Errores Sorpresa
Intencionales
10
Inadvertidos

164
164

Los errores Humanos usualmente lo son por inadvertencia.


Sorpresa

Intencional

Lentitud

Falta de estndares

Inadvertido

Voluntario

Inexperiencia

No identificado

Causa de
defectos

Olvido

Errores
Humanos

7.4 POKA YOKE


Desconocimiento

7.4 POKA YOKE

Los errores inadvertidos incrementan el trabajo

Yokeru

Evitar

Poka

Errores Inadvertidos

Proceso Omitido
Errores de Proceso

Conexin
fuerte

Piezas omitidas

Conexin

Error de ajuste

Los mecanismos Poka-Yoke nos ayudan a evitar los defectos


aunque inadvertidamente se cometan errores.
Los Poka-Yoke ayudan a fabricar la calidad en el proceso.

Piezas equivocadas

Operacin defectuosa
Procesamiento de Pieza
equivocada
Montaje errneo de piezas de
mquina
Equipo montado
inapropiadamente
Utiles y plantillas mal
preparados

Un dispositivo Pokayoke es cualquier mecanismo que ayuda a


prevenir los errores antes de que sucedan, o los hace que sean
muy obvios para que el trabajador se de cuenta y lo corrija a
tiempo.
165
165

7.4 POKA YOKE

166
166

7.4 POKA YOKE


Lista de Comprobacin
Equipo: Camin 785C
Operacin: Cambio de llantas delanteras
Fecha: 15/12/03

El Diskette no puede ser


colocado en posicin invertida

Personal Requerido
Tcnico en Llantas
Ayudante

El CD es expulsado si fue colocado


en posicin invertida

Lista de Chequeo

Guas (pines) de
distintos tamaos

Guas

167
167

Cantidad Conformidad
2
1

Herramientas
Cantidad Conformidad
Equipo Manipulador de llantas TAYLOR (1)
1
Barreta (1).
2
Gata 150 TN ( 1 2 ).
2
Gata Hidrulica-Neumtica.
2
Extractor de vlvulas de aire.
1
Vlvulas de aire.
2
Herramientas de impacto
3
Extensin 5.
2
Encastre
2
Vlvulas de aire
1
Destalonador
2
Dado .
2
Material o insumos
Cantidad Conformidad
Grasa vegetal
1 balde
Trapo Industrial
1 kilo
Sello O-Ring
2
Tacos de Madera
2
Llanta
2
Procedimientos estndares a seguir
EMATL001: Cambio de llantas delanteras 1 y 2
Camiones 785C

168
168

7.5 Las 5 S

7.5 Las 5 S
Cmo se pueden definir las 5S?

SEIRI
(Clasificar)

Retirar, desalojar lo innecesario.

SEISO
(Organizar)

Cada cosa en su lugar y un lugar para cada


cosa.

SEITON
(Limpiar)

Limpieza es inspeccin.

SEIKETSU
(Prevenir)

Evitar que se vuelva a ensuciar, desordenar.

SHITSUKE
(Disciplinar)

Estandarizar, cumplir con los estndares, Formar


buenos hbitos.

Siempre se pueden evitar ineficiencias, evitar


desplazamientos, y eliminar desperdicios de tiempo y
espacio
169
169

7.5 Las 5 S

170
170

7.5 Las 5 S

171
171

172
172

7.6 Fabrica visual

7.7

Para la implementacin de las Acciones Finales, deben estar


previamente definidos:

Se debe tener de manera visible un Panel que permita ver:

El desarrollo y la documentacin de prcticas estndares.

Evolucin del Indicador. (Con Control Estadstico).


Acciones Correctivas tomadas ante Ocurrencia de Fallas.
Estado del Cumplimiento
Procedimientos.

de

Acciones Finales

Estndares

El entrenamiento del personal involucrado en las Actividades.


Despus de ello se podr hacer los cierres de los proyectos.
Se debe reconocer el esfuerzo y aporte de cada participante por
el trabajo y sus resultados asociados.

Plan de Control del Proceso.


O b s e r v a t io n
1

U C L= 44 .03
Moving Range

40
30
20

__
M R = 13 .48

10
0

LC L=0
1

17

25

33

41
O b s e r v a t io n

49

57

65

73

81

173
173

Caja de Herramientas
Costos de mala calidad
Plan estratgico
Temas crticos para el cliente
Reclamos
QFD
Las 7 herramientas de la calidad
Diagrama de causa-efecto
Diagrama de dispersin
Pareto
Hoja de verificacin
Estratificacin
Histograma
Grfico de control
Grficos (lineal, barras)
Distribuciones
Tormenta de ideas

174
174

Agentes del Cambio

R&R
Mapa de proceso
Capacidad de proceso
Funcin de prdida de Taguchi
Diseo de experimentos
Diseo Robusto
Prueba de hiptesis
Anlisis de regresin mltiple
Anlisis de regresin simple
Anlisis de varianza
Box Plot
Poka Yoke
Kanbam
Kaizen
Diagrama de afinidad
FMEA
175

176

Factores de xito

Bibliografa
Greg Brue, Seis Sigma para Directivos McGraw-Hill, Espaa,
2003

Estrategia

Personal

6s

Tecnologa

Peter S. Pande, Robert P. Neuman, Roland R. Cavanagh, Las


Claves de Seis Sigma, McGraw-Hill, Espaa, 2002.

Liderazgo

Thomas Pyzdek, The Six Sigma Handbook, McGraw-Hill, USA,


2003
Gerencia

Peter S. Pande, Robert P. Neuman, Roland R. Cavanagh, The Six


Sigma way. Team fieldbook, McGraw-Hill, 2002.

Metodologa

Thomas Pyzdek, The complete guide to Six Sigma, QA


Publishing, USA, 1999
177

178