HERRAMIENTAS ESTADÍSTICAS PARA
REDUCIR LA VARIABILIDAD EN LOS
PROCESOS CON SIX SIGMA
STATISTICAL TOOLS TO REDUCE VARIABILITY IN
PROCESSES WITH SIX SIGMA
José Antonio Aparicio Hernández
Instituto Tecnológico Superior de la Sierra Norte de Puebla - México
Emanuel Mora Castañeda
Instituto Tecnológico Superior de la Sierra Norte de Puebla - México
Germaín López Cruz
Instituto Tecnológico Superior de la Sierra Norte de Puebla - México
pág. 1764
DOI: https://doi.org/10.37811/cl_rcm.v8i6.14940
Herramientas estadísticas para reducir la variabilidad en los procesos con
Six Sigma
José Antonio Aparicio Hernández1
jose.ah@zacatlan.tecnm.mx
https://orcid.org/0009-0008-1798-4903
Instituto Tecnológico Superior de la Sierra Norte
de Puebla - Tecnológico Nacional de México
México
Emanuel Mora Castañeda
emanuel.mc@zacatlan.tecnm.mx
https://orcid.org/0009-0009-2473-8070
Instituto Tecnológico Superior de la Sierra Norte
de Puebla - Tecnológico Nacional de México
México
Germaín López Cruz
germain.lc@zacatlan.tecnm.mx
https://orcid.org/0009-0001-2284-9158
Instituto Tecnológico Superior de la Sierra Norte
de Puebla - Tecnológico Nacional de México
México
RESUMEN
Six Sigma es una metodología enfocada en la mejora de procesos mediante la reducción de la
variabilidad y la eliminación de defectos. Su objetivo principal es alcanzar niveles de calidad que
permitan que solo 3.4 defectos por millón de oportunidades ocurran. Esto se logra a través de un enfoque
sistemático que incluye la definición, medición, análisis, mejora y control (DMAIC). La variabilidad
en los procesos de producción puede surgir por múltiples factores, como errores humanos, fallos en
maquinaria o ineficiencias en el flujo de trabajo. Utiliza herramientas estadísticas y técnicas de análisis
para identificar las causas raíz de estas variaciones. Al implementar soluciones basadas en datos, las
empresas pueden estandarizar sus procesos, lo que resulta en una mayor consistencia y calidad del
producto. Este artículo examina el impacto de la metodología en la reducción de la variabilidad,
destacando beneficios cuantificables en distintos sectores industriales. Con su enfoque riguroso y
basado en datos, no solo reduce la variabilidad, también optimiza la eficiencia operativa y aumenta la
satisfacción del cliente, contribuyendo así al éxito a largo plazo de la organización. Este artículo
examina el impacto de la metodología en la reducción de la variabilidad, destacando beneficios
cuantificables en distintos sectores industriales.
Palabras clave: six sigma, variabilidad, proceso, reducción
1
Autor principal.
Correspondencia: jose.ah@zacatlan.tecnm.mx
pág. 1765
Statistical tools to reduce variability in processes with Six Sigma
ABSTRACT
Six Sigma is a methodology focused on process improvement by reducing variability and eliminating
defects. Its main objective is to achieve quality levels that allow only 3.4 defects per million
opportunities to occur. This is achieved through a systematic approach that includes definition,
measurement, analysis, improvement and control (DMAIC). Variability in production processes can
arise from multiple factors, such as human error, machinery failure, or workflow inefficiencies. Use
statistical tools and analysis techniques to identify the root causes of these variations. By implementing
data-driven solutions, companies can standardize their processes, resulting in greater consistency and
product quality. This article examines the impact of the methodology in reducing variability,
highlighting quantifiable benefits in different industrial sectors. With its rigorous, data-driven approach,
it not only reduces variability, it also optimizes operational efficiency and increases customer
satisfaction, thereby contributing to the long-term success of the organization. This article examines the
impact of the methodology in reducing variability, highlighting quantifiable benefits in different
industrial sectors.
Keywords: six sigma, variability, process, reduction
Artículo recibido 18 octubre 2024
Aceptado para publicación: 25 noviembre 2024
pág. 1766
INTRODUCCIÓN
La reducción de variabilidad en los procesos de producción es un objetivo fundamental en la gestión de
la calidad y la eficiencia operativa. En un entorno industrial cada vez más competitivo, las empresas
buscan constantemente mejorar sus procesos para satisfacer las demandas del mercado y maximizar la
satisfacción del cliente. Una de las metodologías más efectivas para alcanzar estos objetivos es Six
Sigma. Esta metodología, desarrollada por Motorola en la década de 1980, se centra en la identificación
y eliminación de defectos en los procesos a través de un enfoque basado en datos y estadísticas (Harry
& Schroeder, 2000).
Six Sigma se basa en la premisa de que la variabilidad es el enemigo de la calidad. Al reducir la
variabilidad, las organizaciones pueden mejorar la consistencia de sus productos y servicios, lo que se
traduce en menores costos y un aumento en la satisfacción del cliente (Breyfogle, 2003). Esta
metodología utiliza herramientas como el Análisis de Capacidad de Proceso y el Ciclo DMAIC (Definir,
Medir, Analizar, Mejorar y Controlar) para sistematizar la mejora continua (Pyzdek & Keller, 2014).
Diversos estudios han demostrado que la implementación de Six Sigma no solo mejora la calidad, sino
que también tiene un impacto significativo en la rentabilidad de las organizaciones. Según un análisis
realizado por Snee (2010), las empresas que adoptan Six Sigma reportan un aumento en sus márgenes
de beneficio y una reducción en los costos operativos. Así, la reducción de variabilidad mediante Six
Sigma se presenta como una estrategia clave para el éxito a largo plazo en el ámbito productivo.
En este artículo, exploraremos cómo la aplicación de Six Sigma puede facilitar la reducción de
variabilidad en los procesos de producción, destacando los beneficios que esta metodología aporta a las
organizaciones.
METODOLOGÍA
La metodología Six Sigma es un enfoque integral y estructurado que busca la mejora continua y la
reducción de la variabilidad en los procesos de producción. A través del uso de herramientas estadísticas
y un enfoque centrado en el cliente, Six Sigma permite a las organizaciones optimizar sus operaciones
y alcanzar niveles de calidad excepcionales.
pág. 1767
Six Sigma es una técnica o metodología de gestión y organización empresarial aplicable a empresas de
cualquier ámbito. Su objetivo es reducir los fallos o defectos de los productos a un nivel prácticamente
nulo.
Esta metodología fue creada en los años 80 por Bill Smith en Motorola y busca el principio de “cero
defectos”, lo que en la práctica se traduce en que su aplicación debería garantizar, en su nivel más
óptimo, un valor máximo de 3.4 defectos por cada millón de unidades producidas (3.4 DPMO) o, lo
que es lo mismo, garantizar una eficiencia del 99.99966%.
Este concepto tiene fuerte relación con variables estadísticas como la desviación típica estándar (σ) y
con otros conceptos estadísticos como la distribución normal o campana de Gauss:
Imagen 1. Representación gráfica de las desviaciones estándares con relación a Six Sigma
A continuación, se presenta una tabla donde se puede observar la distribución de los niveles de Six
Sigma y los porcentajes de rendimiento correspondientes, estos datos también se pueden obtener con
algún paquete estadístico como lo son: Minitab, SSPS, Excel, entre otros. Entre más alto sea el nivel
sigma los defectos por millón de oportunidades van disminuyendo.
pág. 1768
Imagen 2. Tabla de conversión de rendimiento y/o DPMO a nivel Sigma
Con relación a esta metodología y con la finalidad de reducir la variabilidad en los procesos de
producción se utiliza el ciclo DMAIC que consta de cinco fases principales como se muestra en la
siguiente imagen.
Imagen 3. Fases del ciclo DMAIC
A continuación, se presenta un desarrollo más detallado de cada una de las fases del ciclo DMAIC y
como aporta cada fase para reducir la variabilidad.
Definir
En la fase de definición, es crucial establecer un entendimiento claro del problema a resolver y se
utilizan diversas herramientas que nos ayudan en la definición del problema principal. A continuación,
se mencionan algunas de ellas. Esto incluye:
pág. 1769
• Identificación del Problema: Primer paso importante que se debe de llevar acabo para comenzar
aplicar esta metodología, se puede obtener mediante lluvia de ideas, trabajo en equipo, trabajo
multidisciplinario, entre otros.
• Project Charter o Acta del Proyecto: Documento que define formalmente el alcance, los objetivos,
los recursos y las restricciones del proyecto. Incluye la declaración del problema, los objetivos del
proyecto, el equipo involucrado, los recursos necesarios y el cronograma estimado. Es una
herramienta clave para asegurar el compromiso de la alta dirección, se puede considerar como el
registro detallado del proyecto a iniciar. El formato a utilizar depende mucho de la persona que lo
ejecute, puede ser elaborado en Word, Excel, entre otros, pero debe contener los elementos antes
mencionado.
• Voz del Cliente (VoC): Recopilar las expectativas y necesidades de los clientes a través de
encuestas, entrevistas y grupos focales. Esto asegura que los esfuerzos de mejora estén alineados
con las expectativas del cliente (Keller & Pyzdek, 2014). Se debe tomar en cuenta que el cliente es
el punto importante para realizar acciones de mejora y llevar al éxito las organizaciones.
• Diagramas de Pareto: El diagrama de Pareto es una herramienta gráfica que se utiliza para
identificar y visualizar las causas más significativas de un problema o fenómeno, siguiendo el
principio de Pareto, que establece que, en muchos casos, aproximadamente el 80% de los efectos
provienen del 20% de las causas. Esta técnica es especialmente útil en la gestión de calidad y en la
toma de decisiones, permitiendo priorizar acciones y recursos para abordar los problemas más
críticos.
Imagen 4. Tabla de conversión de rendimiento y/o DPMO a nivel Sigma
pág. 1770
Este tipo de diagrama es muy útil en esta etapa ya que permite visualizar el problema de una forma muy
general, desde los problemas potenciales hasta los de menor grado y muestra en cual debemos
enfocarnos para reducir esos problemas que afectan al proceso.
• Diagrama SIPOC: SIPOC significa Suppliers (Proveedores), Inputs (Entradas), Process (Proceso),
Outputs (Salidas) y Customers (Clientes). Esta herramienta ayuda a visualizar y entender el proceso
desde un nivel macro, identificando quiénes son los proveedores y clientes, y cuáles son las entradas
y salidas del proceso.
• Imagen 5. Elementos del diagrama SIPOC
Este tipo de diagrama permite tener una gran visión general desde los proveedores hasta los clientes
finales y en cada etapa se debe de describir los elementos que integran en cada rubro, es por ello la
importancia en esta fase de definición.
• Mapeo de procesos: El mapeo de procesos es una técnica que representa visualmente los flujos de
trabajo y procesos de una empresa para mejorar su comprensión y rendimiento. Se trata de una
herramienta fundamental en la gestión de proyectos y un componente clave en las iniciativas de
mejora de procesos. El mapeo de procesos permite: Identificar áreas de mejora, Comprender cómo
funciona un proceso, Coordinar las responsabilidades de un equipo, Abordar problemas recurrentes,
Definir índices para medir el desempeño de los equipos.
pág. 1771
Imagen 6: Ejemplo de un mapeo de procesos
Es importante mencionar que en el mapeo de procesos se pueden utilizar diferentes diagramas de
acuerdo al problema que se esté analizando.
En esta fase de definición se incluyen los métodos más importantes, hacer mención que existen otras
herramientas que ayudad a realizar de igual forma la primera fase que es la definición.
Medir
La fase de medición se centra en la recopilación de datos relevantes para entender el estado actual del
proceso. Para esta etapa se mide el proceso, se determina la situación actual, a fin de analizar las causas
importantes que producen la variación (Guzmán, 2018). En esta etapa se presenta la toma de muestra,
en el cual se debe aplicar la estadística descriptica, a fin de lograr la capacidad del proceso, realizar las
medidas de dispersión, a de conocer los sesgos de los datos. Esta etapa conlleva la definición del
proceso, y la forma de evaluar las mediciones y el sistema (Gómez, 2019). Para comprender más a
fondo en esta fase se utilizan las siguientes herramientas.
• Análisis de Capacidad del Proceso. Este análisis permite determinar si el proceso es capaz de
cumplir con los requisitos de calidad y especificaciones. La capacidad del proceso se mide
generalmente usando métricas como el Cp y Cpk (índices de capacidad) para cuantificar qué tan
bien el proceso está alineado con los límites de especificación del cliente. A continuación, se
describen algunos términos que se deben de comprender.
o Cp (Índice de Capacidad del Proceso): Mide la capacidad potencial del proceso. Un Cp
mayor a 1.33 generalmente indica que el proceso es capaz.
pág. 1772
o Cpk (Índice de Capacidad Ajustado): Considera la media del proceso y su variabilidad en
relación con las especificaciones. Un Cpk mayor a 1.33 también indica un proceso capaz.
o Pp y Ppk: Similar a Cp y Cpk, pero se utilizan para evaluar la capacidad del proceso sobre
un periodo de tiempo más largo y con datos más variables.
Para estos cálculos existen fórmulas para obtener los resultados, pero es recomendable utilizar los
paquetes estadísticos para facilitar el trabajo se puede utilizar minitab, SPSS, Excel, entre otros.
Imagen 7. Fórmulas que se utilizan para calcular la capacidad de proceso
• Histogramas. Los histogramas son herramientas gráficas utilizadas para representar la distribución
de un conjunto de datos. Un histograma es un gráfico de barras que muestra la frecuencia (número
de ocurrencias) de diferentes rangos de valores de una variable continua. Cada barra representa un
intervalo de valores, y la altura de la barra indica la cantidad de datos que caen dentro de ese
intervalo. De la misma forma para el cálculo de los datos se utilizan diferentes softwares para
facilitar el trabajo. Tiene grandes ventajas como: Permite ver la distribución de los datos de manera
intuitiva. Facilita la identificación de tendencias, asimetrías y la presencia de valores atípicos. Se
pueden superponer histogramas para comparar diferentes conjuntos de datos.
Imagen 8. Ejemplo de un histograma
pág. 1773
• Diagramas de dispersión. Un diagrama de dispersión, también conocido como gráfico de dispersión
o scatter plot, es una representación gráfica que muestra la relación entre dos variables numéricas.
Cada punto en el gráfico representa un par de valores para las dos variables. Y establece estos tipos
de Relaciones
o Relación Positiva: A medida que una variable aumenta, la otra también tiende a aumentar
(la nube de puntos se inclina hacia arriba).
o Relación Negativa: A medida que una variable aumenta, la otra tiende a disminuir (la nube
de puntos se inclina hacia abajo).
o Sin Relación: No hay un patrón claro entre las dos variables (los puntos están dispersos sin
una tendencia definida).
Imagen 9. Tipos de diagramas de dispersión
Con relación a los diagramas presentados, se puede observar los diferentes comportamientos de los
datos y en esta fase de medir, estos son muy útiles para representar los datos y observar las correlaciones
entre ellos.
En esta fase se pueden utilizar otros métodos estadísticos para la medición como, por ejemplo:
diferentes gráficos que se conocen (barras, ojivas, circulares, entre otros), matriz de prioridades, entre
otras. Todo depende del estadístico y del problema que se plantea.
Analizar
La fase de análisis en la metodología DMAIC es crucial para identificar las causas raíz de los problemas
y la variabilidad en los procesos. Para lograr esto, se utilizan diversas herramientas estadísticas que
ayudan a los equipos a entender los datos y a tomar decisiones informadas. A continuación, se describen
pág. 1774
algunas de las herramientas más comunes utilizadas en esta fase. Identificación de Causas Raíz: Utilizar
el Diagrama de Ishikawa para mapear las posibles causas de un problema. Esta herramienta permite
visualizar cómo diferentes factores contribuyen a la variabilidad.
• Diagrama de Ishikawa (o Diagrama de Espina de Pescado). Este diagrama es útil para identificar y
categorizar las posibles causas de un problema. Se organiza en ramas que representan diferentes
categorías, como personas, procesos, materiales, maquinaria y medio ambiente. Facilita la lluvia de
ideas y ayuda a visualizar cómo cada causa contribuye al problema principal y facilita la detección
de acciones que se pueden realizar para mejorar ciertos procesos.
Imagen 10. Estructura del diagrama de Ishikawa
Es importante mencionar que este diagrama también se le conoce como diagrama de las 6M, pero
también existe otro diagrama de las 4M, ambas son funcionales de acuerdo al problema que se esté
analizando.
• Análisis de Varianza (ANOVA). El ANOVA es una técnica que se utiliza para comparar las medias
de tres o más grupos para determinar si al menos uno de los grupos es significativamente diferente
de los otros. Es útil cuando se desea evaluar el impacto de diferentes factores o tratamientos en el
desempeño del proceso. Permite identificar qué variables tienen un efecto significativo sobre la
variabilidad. Tipos de ANOVA:
o ANOVA de un Factor (One-Way ANOVA): Se utiliza cuando se tiene un solo factor
(variable independiente) y se desea comparar las medias de tres o más grupos. Ejemplo:
Comparar el rendimiento académico de estudiantes en tres diferentes métodos de
enseñanza.
pág. 1775
o ANOVA de Dos Factores (Two-Way ANOVA): Se utiliza para evaluar el efecto de dos
factores (o variables independientes) sobre una variable dependiente. Permite estudiar no
solo los efectos individuales de cada factor, sino también la interacción entre ellos.
Ejemplo: Analizar el impacto de diferentes métodos de enseñanza y diferentes niveles de
experiencia del profesor sobre el rendimiento de los estudiantes.
o ANOVA de Medidas Repetidas: Se utiliza cuando se realizan múltiples mediciones en los
mismos sujetos en diferentes condiciones o momentos. Ejemplo: Medir la presión arterial
de pacientes antes y después de un tratamiento en varias ocasiones.
ANOVA es una herramienta poderosa para el análisis de varianza que permite a los investigadores y
analistas comparar múltiples grupos y determinar si existen diferencias significativas en sus medias. Al
comprender su fundamento, supuestos y aplicaciones, los profesionales pueden tomar decisiones
informadas basadas en datos, contribuyendo así a la mejora continua y a la investigación rigurosa.
• Análisis de Regresión. El análisis de regresión es una técnica estadística que permite examinar la
relación entre una variable dependiente y una o más variables independientes. Se utiliza para
determinar cómo los factores influyen en el rendimiento del proceso. Existen diferentes tipos de
análisis de regresión, como la regresión lineal simple y múltiple, que pueden ayudar a predecir
resultados y a identificar variables significativas. Tipos de Análisis de Regresión:
o Regresión Lineal Simple: Se utiliza para modelar la relación entre una variable dependiente
y una sola variable independiente.
o Regresión Lineal Múltiple: Se utiliza cuando hay múltiples variables independientes que
pueden influir en la variable dependiente.
o Regresión No Lineal: Se utiliza cuando la relación entre las variables no se puede describir
adecuadamente con una línea recta. Puede incluir modelos polinómicos, exponenciales,
logarítmicos, entre otros.
o Regresión Logística: Se utiliza cuando la variable dependiente es categórica (por ejemplo,
éxito/fallo). Modela la probabilidad de que ocurra un evento, utilizando la función logística.
El análisis de regresión es una técnica fundamental en estadística que permite a los investigadores y
analistas modelar y predecir la conducta de una variable dependiente en función de una o más variables
pág. 1776
independientes. Al entender y aplicar correctamente el análisis de regresión, se pueden tomar decisiones
informadas basadas en datos, lo que contribuye a la efectividad en la investigación y en la práctica
profesional.
Estas herramientas que se mencionaron anteriormente son los más utilizados para esta fase, pero existen
otras herramientas que nos ayudan analizar el problema, como son: los 5 porqués, análisis de brechas,
hipótesis, entre otros.
Mejorar
En la fase "Mejorar" de la metodología, se implementan herramientas y técnicas para desarrollar, probar
e implementar soluciones que aborden las causas raíz de los problemas identificados. A continuación,
se presentan algunas de las herramientas más utilizadas en esta fase:
• Brainstorming (Lluvia de Ideas). Se utiliza para generar una amplia gama de ideas y soluciones
potenciales donde cada integrante aporta diferentes puntos de vista y es tomado en cuenta para la
decisión final. Fomenta la creatividad y la colaboración del equipo.
• Métodos de Lean. Herramientas como las 5S, el mapeo de flujo de valor y la eliminación de
desperdicios se utilizan para optimizar procesos y mejorar la eficiencia.
• Análisis FMEA (Failure Mode and Effects Analysis). Se utiliza para identificar posibles fallos en
el proceso y sus efectos, ayudando a priorizar las acciones correctivas.
Imagen 11. Formato AMEF
• Simulación. Modelar el proceso para evaluar cómo las mejoras propuestas podrían impactar el
rendimiento. Esto puede incluir simulaciones de Monte Carlo o análisis de redes. También se puede
utilizar otras metodologías como son: Kanban, Kaizen, Lluvia de ideas, entre otros.
pág. 1777
La fase "Mejorar" de DMAIC es crítica para implementar soluciones efectivas que aborden las causas
de los problemas identificados. Utilizando una combinación de herramientas y técnicas, los equipos
pueden desarrollar un enfoque sistemático para lograr mejoras sostenibles en los procesos y resultados
organizacionales.
Controlar
La fase de mejora en la metodología DMAIC es crucial para implementar soluciones efectivas que
eliminen las causas raíz de los problemas identificados en la fase de análisis. Durante esta etapa, se
utilizan diversas herramientas estadísticas para probar y validar las soluciones propuestas. A
continuación, se describen algunas de las herramientas más comunes empleadas en esta fase.
• Gráficos de Control. Los gráficos de control son esenciales para monitorear la estabilidad del
proceso después de realizar mejoras. Permiten visualizar la variabilidad a lo largo del tiempo y
detectar cualquier señal de inestabilidad. En esta fase, se pueden utilizar gráficos de control
específicos, como:
Gráficos X-bar y R: Para variables continuas que miden la media y el rango de un proceso.
Gráficos P y NP: Para datos de atributos que evalúan la proporción de defectos o el conteo de
defectos.
Imagen 12. Estructura de una gráfica de control
Estos gráficos ayudan a confirmar que las mejoras implementadas han tenido un efecto positivo y
sostenible en el proceso (Breyfogle, 2003). También se pueden generar en diferentes paquetes
estadísticos que anteriormente se han mencionado.
pág. 1778
• Diseño de Experimentos (DOE). El Diseño de Experimentos es una metodología que permite
planificar y ejecutar experimentos controlados para evaluar el efecto de múltiples variables sobre
un resultado. Utilizando técnicas de DOE, los equipos pueden:
o Determinar el impacto de diferentes factores: Identificar cuáles variables tienen un efecto
significativo en el rendimiento del proceso.
o Optimizar condiciones: Encontrar las combinaciones óptimas de factores que maximicen o
minimicen un resultado específico.
o Reducir la variabilidad: Evaluar cómo los cambios en el proceso afectan la variabilidad del
resultado.
Existen diferentes tipos de diseños experimentales, como el diseño factorial, que permite estudiar
múltiples variables simultáneamente (Montgomery, 2012).
• Monitoreo Continuo: Establecer gráficos de control para monitorear el rendimiento del proceso de
forma continua. Esto permite detectar desviaciones y tomar acciones correctivas de manera
oportuna.
• Documentación de Procesos: Crear y mantener documentación detallada sobre los cambios
realizados en el proceso y las nuevas prácticas implementadas. Esto facilita la capacitación de
nuevos empleados y asegura la continuidad de las mejoras.
• Capacitación: Asegurar que el personal esté capacitado en los nuevos procesos y herramientas.
• Auditorías y Revisión: Realizar auditorías periódicas del proceso para evaluar la efectividad de las
mejoras y garantizar que se sigan las prácticas establecidas. La revisión regular de los resultados
ayudará a identificar nuevas oportunidades de mejora.
RESULTADOS Y DISCUSIÓN
La implementación de herramientas estadísticas en el marco de Six Sigma no solo facilita la
identificación de problemas y la evaluación de soluciones, sino que también promueve una cultura de
toma de decisiones basada en datos. Los resultados obtenidos demuestran que la reducción de la
variabilidad no es solo un objetivo técnico, sino un factor estratégico que impacta directamente en la
rentabilidad y competitividad de las organizaciones.
pág. 1779
Además, es importante destacar que la capacitación y la formación del personal en el uso de estas
herramientas son cruciales para el éxito de los proyectos Six Sigma. La habilidad de interpretar datos y
aplicar análisis estadísticos permite a los equipos abordar problemas complejos de manera más efectiva.
La metodología DMAIC en Six Sigma es parte fundamental para que se logren los resultados planeados.
CONCLUSIONES
En conclusión, las herramientas estadísticas son fundamentales para la reducción de la variabilidad en
el contexto de Six Sigma. Los resultados obtenidos de su aplicación proporcionan evidencia clara de su
efectividad en la mejora de procesos y en la satisfacción del cliente. Por lo tanto, es recomendable que
las organizaciones que implementan Six Sigma inviertan en la capacitación de su personal y en el
desarrollo de competencias estadísticas para maximizar los beneficios de esta metodología y llegar a la
meta de 3.4 DPMO con un nivel máximo de seis sigma. Al seguir el ciclo DMAIC, las organizaciones
pueden no solo abordar problemas existentes, sino también fomentar una cultura de mejora continua
que les permita adaptarse a los cambios del mercado y las expectativas del cliente.
Créditos a las Instituciones
Créditos a las instituciones:
Tecnológico Nacional de México
Instituto Tecnológico Superior de la Sierra Norte de Puebla. Campus Zacatlán, Puebla
REFERENCIAS BIBLIOGRÁFICAS
Antony, J., & Kumar, M. (2012). Six Sigma in service organizations: A review. International Journal
of Quality & Reliability Management, 29(1), 3-20.
http://dx.doi.org/10.1108/02656711211191356
Breyfogle, F. (2003). Implementing Six Sigma: Smarter Solutions Using Statistical Methods. Wiley.
Carter, P. (2010). Six Sigma. AAOHN Journal, 58(12), 508–510. http://dx.doi.org/10.3928/08910162-
20101124-02
Chakrabarty, A., & Tan, K. H. (2007). The role of Six Sigma in the service industry: A review.
International Journal of Quality & Reliability Management, 24(3), 296-307.
http://dx.doi.org/10.1108/02656710710731305
pág. 1780
Delsanter, J. (1992). Six Sigma. Managing Service Quality: An International Journal, 2(4), 203–206.
http://dx.doi.org/10.1108/09604529210029353
García González, R., Juárez León, S., Guevara Ramírez, I., & Clemente García Pérez, J. E. (2021).
DMAIC – SIX SIGMA. Revista Relayn - Micro y Pequeñas empresas en Latinoamérica, 5(3),
164–190. http://dx.doi.org/10.46990/relayn.2021.5.3.174
Goh, T. N. (2002). Six Sigma: A goal for all organizations. Quality Progress, 35(5), 56-61.
https://asq.org/quality-progress/articles/six-sigma-a-goal-for-all-organizations?id=0267-2733
Goh, T. N., & Xie, M. (2004). A new approach to the development of Six Sigma projects. Total Quality
Management & Business Excellence, 15(9-10), 1201-1216.
http://dx.doi.org/10.1080/1478336042000250120
Gómez, C. (2019). Guía metodológica para la aplicación de Lean Six Sigma en los procesos de
fabricación de plásticos en multinacionales colombianas.
https://repository.uamerica.edu.co/bitstream/20.500.11839/7502/1/168166-2019-II-GC.pdf
Guzmán, R. (2018). Aplicación de metodología DMAIC para la reducción de pérdidas y mejora de
procesos en industria manufacturera de neumáticos.
https://repositorio.usm.cl/handle/11673/49197
Harry, M. J., & Schroeder, R. (2000). Six Sigma: The Breakthrough Management Strategy
Revolutionizing the World's Top Corporations. Doubleday.
Keller, P., & Pyzdek, T. (2014). The Six Sigma Handbook. McGraw-Hill Education.
Möller, K., & Noller, H. (2002). Six Sigma. Controlling, 14(6), 365–366.
http://dx.doi.org/10.15358/0935-0381-2002-6-365
Orlenko, O., & Afanasieva, V. (2023). Features of lean six sigma. Scientific Bulletin of the Odessa
National Economic University, 5-6(306-307), 109–115. http://dx.doi.org/10.32680/2409-9260-
2023-5-6-306-307-109-115
Pande, P. S., Neuman, R. P., & Cavanagh, R. R. (2000). The Six Sigma Way: How to Maximize the
Impact of Your Change and Improvement Efforts. McGraw-Hill.
Pfeifer, T., Reissiger, W., & Canales, C. (2004). Integrating six sigma with quality management
systems. TQM Magazine, 16(4), 241–249. http://dx.doi.org/10.1108/09544780410541891
pág. 1781
Pyzdek, T., & Keller, P. (2014). The Six Sigma Handbook. McGraw-Hill Education.
Snee, R. D. (2010). "Lean Six Sigma – Getting Better All the Time." American Society for Quality.
Montgomery, D. C. (2012). Introduction to Statistical Quality Control. Wiley.
Westgard, J. O., & Westgard, S. A. (2017). Six Sigma Quality Management System and Design of Risk-
based Statistical Quality Control. Clinics in Laboratory Medicine, 37(1), 85–96.
http://dx.doi.org/10.1016/j.cll.2016.09.008
