IMPACTO DEL USO DE HERRAMIENTAS DE
CONTROL ESTADÍSTICO, EN LA
DETECCIÓN PRECISA DE VARIABILIDAD
EN PROCESOS DE PRODUCCIÓN DE JEANS
EN INDUSTRIA TEXTIL.
IMPACT OF THE USE OF STATISTICAL CONTROL TOOLS
ON THE ACCURATE DETECTION OF VARIABILITY IN
JEANS PRODUCTION PROCESSES IN THE TEXTILE
INDUSTRY
Rosario Zaragoza Vazquez
Instituto Tecnológico Superior de Teziutlán.
Kenson Noel
Instituto Tecnológico Superior de Teziutlán.
pág. 17991
DOI: https://doi.org/10.37811/cl_rcm.v9i6.21809
Impacto del uso de herramientas de control estadístico, en la detección
precisa de variabilidad en procesos de producción de jeans en industria
textil.
Rosario Zaragoza Vazquez1
charo.zaragoza.vazquez@gmail.com
https://orcid.org/0009-0006-5450-6770
Instituto Tecnológico Superior de Teziutlán.
México.
Kenson Noel
Kenson694@gmail.com
https://orcid.org/0000000238949719
Instituto Tecnológico Superior de Teziutlán;
Instituto Tecnológico Superior de Misantla.
México.
RESUMEN
La industria maquiladora de confección en México es un pilar económico clave. No obstante, muchas
empresas medianas enfrentan problemas en sus procesos, como es el caso de una fábrica de “Jeans” en
Teziutlán, Puebla, que reporta un promedio diario de 77 a 90 defectos, equivalentes al 4.5% de su
producción total. Estas “composturas”, que incluyen fallas en costuras, desalineaciones y falta de
simetría, generan reprocesos, incrementan costos operativos y provocan retrasos en las entregas. Este
trabajo tuvo como objetivo principal resaltar la importancia de aplicar herramientas estadísticas
(gráficas, diagramas de identificación de secciones y causas) para facilitar la propuesta rápida de ideas
de mejora continua, reduciendo defectos y variabilidad en la línea de producción. Se adoptó una
metodología de enfoque mixto (cualitativo y cuantitativo), que incluyó etapas desde un diagnóstico
inicial hasta el análisis de registros de defectos del último año. Los resultados demostraron que la
aplicación del sistema secuencial Diagrama de Proceso-Pareto-Gráfica de Control-Ishikawa evita
decisiones basadas en ensayo y error. Además, esta implementación sinérgica puede reducir el tiempo
de las reuniones de coordinación de 3 horas a menos de 30 minutos en una jornada de 9.5 horas. Esto
representa una mejora del 83.3% en la eficiencia del proceso de toma de decisiones o un incremento del
26% en la disponibilidad de tiempo productivo para supervisión y control de calidad. En consecuencia,
la aplicación ordenada de estas herramientas se postula como una estrategia robusta para la mejora
continua y la optimización de la eficiencia productiva en el sector textil.
Palabras Clave: composturas, defectos de confección, variabilidad, industria textil
1 Autor principal
Correspondencia: charo.zaragoza.vazquez@gmail.com
DOI: https://doi.org/10.37811/cl_rcm.v9i6.21809
Impacto del uso de herramientas de control estadístico, en la detección
precisa de variabilidad en procesos de producción de jeans en industria
textil.
Rosario Zaragoza Vazquez1
charo.zaragoza.vazquez@gmail.com
https://orcid.org/0009-0006-5450-6770
Instituto Tecnológico Superior de Teziutlán.
México.
Kenson Noel
Kenson694@gmail.com
https://orcid.org/0000000238949719
Instituto Tecnológico Superior de Teziutlán;
Instituto Tecnológico Superior de Misantla.
México.
RESUMEN
La industria maquiladora de confección en México es un pilar económico clave. No obstante, muchas
empresas medianas enfrentan problemas en sus procesos, como es el caso de una fábrica de “Jeans” en
Teziutlán, Puebla, que reporta un promedio diario de 77 a 90 defectos, equivalentes al 4.5% de su
producción total. Estas “composturas”, que incluyen fallas en costuras, desalineaciones y falta de
simetría, generan reprocesos, incrementan costos operativos y provocan retrasos en las entregas. Este
trabajo tuvo como objetivo principal resaltar la importancia de aplicar herramientas estadísticas
(gráficas, diagramas de identificación de secciones y causas) para facilitar la propuesta rápida de ideas
de mejora continua, reduciendo defectos y variabilidad en la línea de producción. Se adoptó una
metodología de enfoque mixto (cualitativo y cuantitativo), que incluyó etapas desde un diagnóstico
inicial hasta el análisis de registros de defectos del último año. Los resultados demostraron que la
aplicación del sistema secuencial Diagrama de Proceso-Pareto-Gráfica de Control-Ishikawa evita
decisiones basadas en ensayo y error. Además, esta implementación sinérgica puede reducir el tiempo
de las reuniones de coordinación de 3 horas a menos de 30 minutos en una jornada de 9.5 horas. Esto
representa una mejora del 83.3% en la eficiencia del proceso de toma de decisiones o un incremento del
26% en la disponibilidad de tiempo productivo para supervisión y control de calidad. En consecuencia,
la aplicación ordenada de estas herramientas se postula como una estrategia robusta para la mejora
continua y la optimización de la eficiencia productiva en el sector textil.
Palabras Clave: composturas, defectos de confección, variabilidad, industria textil
1 Autor principal
Correspondencia: charo.zaragoza.vazquez@gmail.com
pág. 17992
Impact of the use of statistical control tools on the accurate detection of
variability in jeans production processes in the textile industry.
ABSTRACT
The maquiladora garment industry in Mexico is a key economic pillar. However, many medium-sized
companies face problems in their processes, as is the case of a "Jeans" factory in Teziutlán, Puebla,
which reports a daily average of 77 to 90 defects, equivalent to 4.5% of its total production. These
"fixes," which include seam failures, misalignments, and lack of symmetry, lead to rework, increase
operating costs, and cause delivery delays. The main objective of this work was to highlight the
importance of applying statistical tools (graphs, diagrams for identifying sections and causes) to
facilitate the rapid proposal of ideas for continuous improvement, reducing defects and variability in the
production line. A mixed approach methodology (qualitative and quantitative) was adopted, which
included stages from an initial diagnosis to the analysis of defect records from the last year. The results
demonstrated that the application of Control-Ishikawa's Process Diagram-Pareto-Graph sequential
system avoids decisions based on trial and error. In addition, this synergistic implementation can reduce
coordination meeting time from 3 hours to less than 30 minutes in a 9.5-hour day. This represents an
83.3% improvement in the efficiency of the decision-making process or a 26% increase in the
availability of productive time for supervision and quality control. Consequently, the orderly application
of these tools is postulated as a robust strategy for continuous improvement and optimization of
production efficiency in the textile sector.
Keywords: composures, manufacturing defects, variability, textile industry.
Artículo recibido 24 septiembre 2025
Aceptado para publicación: 29 octubre 2025
Impact of the use of statistical control tools on the accurate detection of
variability in jeans production processes in the textile industry.
ABSTRACT
The maquiladora garment industry in Mexico is a key economic pillar. However, many medium-sized
companies face problems in their processes, as is the case of a "Jeans" factory in Teziutlán, Puebla,
which reports a daily average of 77 to 90 defects, equivalent to 4.5% of its total production. These
"fixes," which include seam failures, misalignments, and lack of symmetry, lead to rework, increase
operating costs, and cause delivery delays. The main objective of this work was to highlight the
importance of applying statistical tools (graphs, diagrams for identifying sections and causes) to
facilitate the rapid proposal of ideas for continuous improvement, reducing defects and variability in the
production line. A mixed approach methodology (qualitative and quantitative) was adopted, which
included stages from an initial diagnosis to the analysis of defect records from the last year. The results
demonstrated that the application of Control-Ishikawa's Process Diagram-Pareto-Graph sequential
system avoids decisions based on trial and error. In addition, this synergistic implementation can reduce
coordination meeting time from 3 hours to less than 30 minutes in a 9.5-hour day. This represents an
83.3% improvement in the efficiency of the decision-making process or a 26% increase in the
availability of productive time for supervision and quality control. Consequently, the orderly application
of these tools is postulated as a robust strategy for continuous improvement and optimization of
production efficiency in the textile sector.
Keywords: composures, manufacturing defects, variability, textile industry.
Artículo recibido 24 septiembre 2025
Aceptado para publicación: 29 octubre 2025
pág. 17993
INTRODUCCIÓN
La industria textil manufacturera en México constituye un pilar esencial de la economía nacional,
habiendo experimentado una notable evolución en las últimas décadas. Este desarrollo ha sido
impulsado por los avances tecnológicos, políticas gubernamentales favorables y una creciente demanda
tanto a nivel nacional como internacional, que han fortalecido su posición como un sector estratégico
dentro del ámbito industrial (Indumex, 2024). Además, según (CAINANTEX, 2024), la industria textil
participa significativamente en la generación de empleo formal, especialmente en la manufactura y
confección, donde se observa que este subsector representa alrededor del 67 % del empleo formal dentro
del ámbito textil, lo que evidencia su peso socioeconómico en el país. De acuerdo con (Portos, 1992),
la relevancia de la industria textil radica en su capacidad para satisfacer necesidades básicas de la
población mediante la producción de bienes de consumo, tales como telas y prendas de vestir. En este
contexto, la confección de pantalones de mezclilla o jeans representa un producto de primera necesidad
que combina funcionalidad, comodidad y adaptación a las tendencias actuales. En años recientes, las
empresas de confección han orientado sus esfuerzos hacia la innovación en diseño, la selección de
materiales de alta calidad, la incorporación de tecnologías en los procesos productivos y la
personalización de productos, buscando ofrecer prendas que se integren al estilo de vida moderno y
sostenible.
En la región de Teziutlán, Puebla, la industria maquiladora de confección de prendas de vestir se ha
consolidado como una de las principales fuentes de empleo, impulsada por la alta demanda de productos
textiles (Lopez, 2020). Dentro de este contexto, la empresa considerada para realizar el análisis de sus
composturas en este trabajo, con sede en la ciudad de Teziutlán, se destaca por su especialización en la
confección de jeans, una prenda altamente demandada debido a las condiciones climáticas de la región.
No obstante, al depender de forma significativa de la mano de obra directa en sus procesos de costura y
ensamblaje, la empresa enfrenta desafíos relacionados con la eficiencia operativa y la calidad del
producto final. Esta empresa reporta que presenta un promedio de 77 a 90 defectos diarios, equivalentes
a aproximadamente 4.5 % de su producción total. Estos defectos denominados comúnmente
composturas incluyen fallas en las costuras, desalineaciones y falta de simetría, entre otros errores de
confección. Tales deficiencias no solo afectan la calidad estética de las prendas, sino que también
INTRODUCCIÓN
La industria textil manufacturera en México constituye un pilar esencial de la economía nacional,
habiendo experimentado una notable evolución en las últimas décadas. Este desarrollo ha sido
impulsado por los avances tecnológicos, políticas gubernamentales favorables y una creciente demanda
tanto a nivel nacional como internacional, que han fortalecido su posición como un sector estratégico
dentro del ámbito industrial (Indumex, 2024). Además, según (CAINANTEX, 2024), la industria textil
participa significativamente en la generación de empleo formal, especialmente en la manufactura y
confección, donde se observa que este subsector representa alrededor del 67 % del empleo formal dentro
del ámbito textil, lo que evidencia su peso socioeconómico en el país. De acuerdo con (Portos, 1992),
la relevancia de la industria textil radica en su capacidad para satisfacer necesidades básicas de la
población mediante la producción de bienes de consumo, tales como telas y prendas de vestir. En este
contexto, la confección de pantalones de mezclilla o jeans representa un producto de primera necesidad
que combina funcionalidad, comodidad y adaptación a las tendencias actuales. En años recientes, las
empresas de confección han orientado sus esfuerzos hacia la innovación en diseño, la selección de
materiales de alta calidad, la incorporación de tecnologías en los procesos productivos y la
personalización de productos, buscando ofrecer prendas que se integren al estilo de vida moderno y
sostenible.
En la región de Teziutlán, Puebla, la industria maquiladora de confección de prendas de vestir se ha
consolidado como una de las principales fuentes de empleo, impulsada por la alta demanda de productos
textiles (Lopez, 2020). Dentro de este contexto, la empresa considerada para realizar el análisis de sus
composturas en este trabajo, con sede en la ciudad de Teziutlán, se destaca por su especialización en la
confección de jeans, una prenda altamente demandada debido a las condiciones climáticas de la región.
No obstante, al depender de forma significativa de la mano de obra directa en sus procesos de costura y
ensamblaje, la empresa enfrenta desafíos relacionados con la eficiencia operativa y la calidad del
producto final. Esta empresa reporta que presenta un promedio de 77 a 90 defectos diarios, equivalentes
a aproximadamente 4.5 % de su producción total. Estos defectos denominados comúnmente
composturas incluyen fallas en las costuras, desalineaciones y falta de simetría, entre otros errores de
confección. Tales deficiencias no solo afectan la calidad estética de las prendas, sino que también
pág. 17994
provocan reprocesos, incrementan los costos operativos y generan retrasos en los tiempos de entrega
(FasterCapital, 2025). La recurrencia de defectos en la confección de jeans refleja una problemática
común en la industria textil: la variabilidad en los procesos de costura, ensamblaje y acabado. Si bien se
aplican controles de calidad tradicionales, estos resultan insuficientes para detectar de manera oportuna
las causas reales de variación. El problema central radica en la falta de aplicación sistemática de
herramientas estadísticas de control, que permitan recolectar, analizar e interpretar datos confiables con
el fin de impulsar la mejora continua.
La variabilidad no controlada genera consecuencias directas sobre la productividad y competitividad de
las empresas: reprocesos, desperdicio de materiales, aumento de costos y pérdida de posicionamiento
en el mercado. (Florez Ramirez, 2019) define la variabilidad como un fenómeno inherente a todo
proceso de producción, que se evidencia al comparar los resultados con las especificaciones del
producto. Esta variación puede deberse a la calidad de los insumos, la estabilidad del proceso o el factor
humano. De manera complementaria, (Carlos Hernández Pedrera, 2016) afirma que la aplicación del
CEP favorece la estabilidad y la reducción de la variabilidad, mejorando el desempeño del proceso y
fortaleciendo la imagen competitiva de la empresa. La identificación y control de estas causas mediante
análisis estadístico permiten detectar desviaciones y aplicar acciones correctivas oportunas.
Por lo anterior, el presente trabajo tiene como propósito resaltar la relevancia del empleo de herramientas
estadísticas, particularmente gráficas de control y análisis multigráfico, para abordar de forma más
rápida, objetiva y eficaz los principales problemas de variabilidad presentes en la confección textil. Con
su implementación, se busca facilitar la toma de decisiones y la generación de propuestas de mejora
continua, reduciendo el tiempo destinado a reuniones administrativas o técnicas, y promoviendo una
eficiencia sostenida en los procesos productivos sin interrumpir la operación industrial.
METODOLOGÍA
El presente estudio utiliza un enfoque mixto (cuantitativo-cualitativo), ya que, los diseños mixtos
favorecen la triangulación de datos, la complementariedad entre métodos y la robustez de las
conclusiones (Steven R. Terrell, 2012). En este estudio, se recolectaron y analizaron los datos
cualitativos y cuantitativos, para luego integrarlos en la interpretación final, buscando ver coincidencias,
discrepancias y complementos entre los resultados de ambos enfoques. El proceso metodológico siguió
provocan reprocesos, incrementan los costos operativos y generan retrasos en los tiempos de entrega
(FasterCapital, 2025). La recurrencia de defectos en la confección de jeans refleja una problemática
común en la industria textil: la variabilidad en los procesos de costura, ensamblaje y acabado. Si bien se
aplican controles de calidad tradicionales, estos resultan insuficientes para detectar de manera oportuna
las causas reales de variación. El problema central radica en la falta de aplicación sistemática de
herramientas estadísticas de control, que permitan recolectar, analizar e interpretar datos confiables con
el fin de impulsar la mejora continua.
La variabilidad no controlada genera consecuencias directas sobre la productividad y competitividad de
las empresas: reprocesos, desperdicio de materiales, aumento de costos y pérdida de posicionamiento
en el mercado. (Florez Ramirez, 2019) define la variabilidad como un fenómeno inherente a todo
proceso de producción, que se evidencia al comparar los resultados con las especificaciones del
producto. Esta variación puede deberse a la calidad de los insumos, la estabilidad del proceso o el factor
humano. De manera complementaria, (Carlos Hernández Pedrera, 2016) afirma que la aplicación del
CEP favorece la estabilidad y la reducción de la variabilidad, mejorando el desempeño del proceso y
fortaleciendo la imagen competitiva de la empresa. La identificación y control de estas causas mediante
análisis estadístico permiten detectar desviaciones y aplicar acciones correctivas oportunas.
Por lo anterior, el presente trabajo tiene como propósito resaltar la relevancia del empleo de herramientas
estadísticas, particularmente gráficas de control y análisis multigráfico, para abordar de forma más
rápida, objetiva y eficaz los principales problemas de variabilidad presentes en la confección textil. Con
su implementación, se busca facilitar la toma de decisiones y la generación de propuestas de mejora
continua, reduciendo el tiempo destinado a reuniones administrativas o técnicas, y promoviendo una
eficiencia sostenida en los procesos productivos sin interrumpir la operación industrial.
METODOLOGÍA
El presente estudio utiliza un enfoque mixto (cuantitativo-cualitativo), ya que, los diseños mixtos
favorecen la triangulación de datos, la complementariedad entre métodos y la robustez de las
conclusiones (Steven R. Terrell, 2012). En este estudio, se recolectaron y analizaron los datos
cualitativos y cuantitativos, para luego integrarlos en la interpretación final, buscando ver coincidencias,
discrepancias y complementos entre los resultados de ambos enfoques. El proceso metodológico siguió
pág. 17995
seis etapas secuenciales: (1) diagnóstico y observación inicial en planta; (2) diseño de instrumentos para
recolección de datos; (3) aplicación de entrevistas y cuestionarios; (4) recopilación de registros
históricos; (5) organización de datos en Excel; (6) análisis estadístico; y (7) formulación de conclusiones
y propuestas de mejora continua.
Recolección de información
La recolección de información se efectuó mediante dos actividades y dos instrumentos principales:
entrevistas semiestructuradas con supervisores y operarios de producción, observación directa en planta
que consistió en un recorrido por las líneas de confección para identificar condiciones y ergonomía
operativas, métodos de confección, flujo de materiales, etc., que pudieran influir en la aparición de
defectos. En cuanto a los instrumentos, fueron cuestionarios estructurados y registros históricos de
defectos, respectivamente. El propósito del cuestionario fue de recolectar datos cuantitativos y
cualitativos, lo que permitió cuantificar incidencias específicas. La construcción del instrumento se basó
siguiendo recomendaciones metodológicas de estudios previos sobre diagnóstico industrial y control
estadístico de procesos (Paola Castillo, et al., 2024). En la tabla 1, se observa de manera genérica y
resumida los datos específicos del cuestionario.
Tabla 1. Cuestionario aplicado en la planta de confección es estudio.
Nº Pregunta / Variable
Propósito o
justificación
Tipo de
variable
Escala
Tipo de respuesta /
ejemplo
1
Total de empleados
en la planta
Dimensionar el
tamaño
organizacional.
Cuantitativ
a
Discreta Numérica (entero)
2
Total de operarios
por área del proceso
Determinar densidad
de trabajo y carga
operativa por
estación.
Cuantitativ
a
Discreta Numérica por área
seis etapas secuenciales: (1) diagnóstico y observación inicial en planta; (2) diseño de instrumentos para
recolección de datos; (3) aplicación de entrevistas y cuestionarios; (4) recopilación de registros
históricos; (5) organización de datos en Excel; (6) análisis estadístico; y (7) formulación de conclusiones
y propuestas de mejora continua.
Recolección de información
La recolección de información se efectuó mediante dos actividades y dos instrumentos principales:
entrevistas semiestructuradas con supervisores y operarios de producción, observación directa en planta
que consistió en un recorrido por las líneas de confección para identificar condiciones y ergonomía
operativas, métodos de confección, flujo de materiales, etc., que pudieran influir en la aparición de
defectos. En cuanto a los instrumentos, fueron cuestionarios estructurados y registros históricos de
defectos, respectivamente. El propósito del cuestionario fue de recolectar datos cuantitativos y
cualitativos, lo que permitió cuantificar incidencias específicas. La construcción del instrumento se basó
siguiendo recomendaciones metodológicas de estudios previos sobre diagnóstico industrial y control
estadístico de procesos (Paola Castillo, et al., 2024). En la tabla 1, se observa de manera genérica y
resumida los datos específicos del cuestionario.
Tabla 1. Cuestionario aplicado en la planta de confección es estudio.
Nº Pregunta / Variable
Propósito o
justificación
Tipo de
variable
Escala
Tipo de respuesta /
ejemplo
1
Total de empleados
en la planta
Dimensionar el
tamaño
organizacional.
Cuantitativ
a
Discreta Numérica (entero)
2
Total de operarios
por área del proceso
Determinar densidad
de trabajo y carga
operativa por
estación.
Cuantitativ
a
Discreta Numérica por área
pág. 17996
3
Total de máquinas
por área
Analizar capacidad
instalada y posibles
cuellos de botella.
Cuantitativ
a
Discreta Numérica por área
4
Tiempo de operación
diaria
Relacionar duración
de jornada y fatiga
con defectos.
Cuantitativ
a
Continu
a
8 h / 9.5 h / etc.
5
Producción
promedio por
jornada
Medir rendimiento
productivo diario.
Cuantitativ
a
Continu
a
Cantidad de prendas
por día
6
Cantidad promedio
de defectos por día
Estimar frecuencia e
impacto de defectos.
Cuantitativ
a
Discreta
Número promedio de
prendas defectuosas
7
Cantidad de
supervisores o
encargados
Evaluar relación
supervisor/operario y
control de calidad.
Cuantitativ
a
Discreta Numérica
8
Cantidad de
encargados de
calidad
Identificar recursos
destinados al control
del proceso.
Cuantitativ
a
Discreta Numérica
9
Cantidad de áreas
que conforman el
proceso
Mapear flujo
productivo y puntos
críticos de control.
Cuantitativ
a
Discreta Número total de áreas
10
Observaciones
generales
Capturar comentarios
relevantes no
previstos.
Cualitativa Abierta Texto libre
Cada ítem del cuestionario se formuló para capturar una dimensión específica del sistema productivo.
Las variables relativas a estructura organizacional (número total de empleados, operarios y supervisores)
permiten estimar la densidad laboral y las proporciones jerárquicas, las cuales influyen en la supervisión
3
Total de máquinas
por área
Analizar capacidad
instalada y posibles
cuellos de botella.
Cuantitativ
a
Discreta Numérica por área
4
Tiempo de operación
diaria
Relacionar duración
de jornada y fatiga
con defectos.
Cuantitativ
a
Continu
a
8 h / 9.5 h / etc.
5
Producción
promedio por
jornada
Medir rendimiento
productivo diario.
Cuantitativ
a
Continu
a
Cantidad de prendas
por día
6
Cantidad promedio
de defectos por día
Estimar frecuencia e
impacto de defectos.
Cuantitativ
a
Discreta
Número promedio de
prendas defectuosas
7
Cantidad de
supervisores o
encargados
Evaluar relación
supervisor/operario y
control de calidad.
Cuantitativ
a
Discreta Numérica
8
Cantidad de
encargados de
calidad
Identificar recursos
destinados al control
del proceso.
Cuantitativ
a
Discreta Numérica
9
Cantidad de áreas
que conforman el
proceso
Mapear flujo
productivo y puntos
críticos de control.
Cuantitativ
a
Discreta Número total de áreas
10
Observaciones
generales
Capturar comentarios
relevantes no
previstos.
Cualitativa Abierta Texto libre
Cada ítem del cuestionario se formuló para capturar una dimensión específica del sistema productivo.
Las variables relativas a estructura organizacional (número total de empleados, operarios y supervisores)
permiten estimar la densidad laboral y las proporciones jerárquicas, las cuales influyen en la supervisión
pág. 17997
y control de calidad. Las variables de infraestructura (cantidad de máquinas por área y tiempo de
operación diaria) aportan información sobre la capacidad instalada, los posibles cuellos de botella y la
fatiga laboral, factores que inciden directamente en la tasa de defectos (Eduardo Pereira, 2014). Por su
parte, las variables productivas y de desempeño (producción promedio diaria, cantidad promedio de
defectos) constituyen los indicadores centrales del estudio, ya que permiten establecer relaciones
cuantitativas entre productividad, variabilidad y calidad del producto. Finalmente, las preguntas sobre
la distribución de áreas del proceso y los departamentos de la empresa proporcionan un mapa
organizacional que facilita la identificación de puntos críticos dentro del flujo de producción y la
comprensión de la estructura interna que interviene en la toma de decisiones sobre calidad. En conjunto,
el cuestionario permite integrar variables humanas, técnicas y operativas dentro de un marco analítico
orientado a la identificación de causas raíz y oportunidades de mejora continua en la confección de
prendas.
Asimismo, se elaboró un concentrado de composturas de confección correspondiente a la planta objeto
de estudio, el cual se presenta en la Figura 1. Este concentrado reúne los principales tipos de defectos
registrados durante el proceso productivo, clasificados por etapa de confección (partes pequeñas,
delantero, trasero y ensamble) y codificados según su naturaleza (C1-C28). La información fue obtenida
de los registros históricos de producción y validada mediante observación directa y entrevistas con
supervisores.
Figura 1. Concentrado de composturas de confección.Código Cantidad Código Cantidad Código Cantidad Código Cantidad Código Cantidad Código Cantidad Código Cantidad Código Cantidad Código Cantidad Código Cantidad Código Cantidad Código Cantidad
C1-Brinco
C2-Tendida
C3-Cortada
C4-Safada
C5-Bajada
C6-Pestañuda
C7-Pinza
12:55:00 p.m. 5:55 p.m
Fecha de Rev.:Octubre 2024
PARTES PEQUEÑAS DELANTERO ENSAMBLE
Num
Operación 12:55:00 p.m. 5:55 p.m
Num
Operación
Bluring PRO CONCENTRADO DE COMPOSTURAS
CONFECCIÓN
Código: FO-CL-BLU-039 PLANTA FECHA
Versión:02
1 S/h ojalera 14 Pegar y s/c ojalera 30
Cerrar
entrepierna
12:55:00 p.m. 5:55 p.m
Num
Operación
3
Dobladillo
de bolsa 16 Hacer forma J 32 Cerrar costados
2
Dobladillo
de secreta 15 s/c entrada de
bolsa delantera 31 S/c entrepierna
5
Pegar
Secreta, 2 18 S/c botonera 34 Presillar costados
4 Scalop 17 Pegar botonera 33 S/c costados
7
Pegar visita
a pocketin 20 Encuarte
delantero 36 Pegar Pretina
6
Presillar
secreta 19 Fijar etiqueta
monarch 35
Presillar entrada
de bolsa
9
Preparar
traba 22 38 Pegar Trabas
8 S/c pocketin 21 Presillar
delantero 37 S/c Pretina
(sandwich)
10 Marca pinza
TRASERO
39 Hacer valenciana
23 Pegar cuchillas
11 Hacer pinza 40 Hacer cuadro
24 Encuarte trasero
12 S/c pinza 41 Hacer ojal
25
Pegar bolsa
trasera
13 42
26
2da de bolsa
trasera
DEFECTOS
C8- Faltante C15- Punta caída C22- Jalada TOTAL
C9- Patinado C16- Fruncido C23-
27 Pegar etiqueta
TOPC10- Sonrisa C17-Descazado C24-
C11- Costura incompleta
C13- Mala Apariencia C20-Pocketín agarrado C27
29C14-Gasas C21-Margen incorrecto C28
C18-Pockrtín visible C-25
28
Presillar bolsa
traseraC12- Empalmes C19-Sucio C-26
y control de calidad. Las variables de infraestructura (cantidad de máquinas por área y tiempo de
operación diaria) aportan información sobre la capacidad instalada, los posibles cuellos de botella y la
fatiga laboral, factores que inciden directamente en la tasa de defectos (Eduardo Pereira, 2014). Por su
parte, las variables productivas y de desempeño (producción promedio diaria, cantidad promedio de
defectos) constituyen los indicadores centrales del estudio, ya que permiten establecer relaciones
cuantitativas entre productividad, variabilidad y calidad del producto. Finalmente, las preguntas sobre
la distribución de áreas del proceso y los departamentos de la empresa proporcionan un mapa
organizacional que facilita la identificación de puntos críticos dentro del flujo de producción y la
comprensión de la estructura interna que interviene en la toma de decisiones sobre calidad. En conjunto,
el cuestionario permite integrar variables humanas, técnicas y operativas dentro de un marco analítico
orientado a la identificación de causas raíz y oportunidades de mejora continua en la confección de
prendas.
Asimismo, se elaboró un concentrado de composturas de confección correspondiente a la planta objeto
de estudio, el cual se presenta en la Figura 1. Este concentrado reúne los principales tipos de defectos
registrados durante el proceso productivo, clasificados por etapa de confección (partes pequeñas,
delantero, trasero y ensamble) y codificados según su naturaleza (C1-C28). La información fue obtenida
de los registros históricos de producción y validada mediante observación directa y entrevistas con
supervisores.
Figura 1. Concentrado de composturas de confección.Código Cantidad Código Cantidad Código Cantidad Código Cantidad Código Cantidad Código Cantidad Código Cantidad Código Cantidad Código Cantidad Código Cantidad Código Cantidad Código Cantidad
C1-Brinco
C2-Tendida
C3-Cortada
C4-Safada
C5-Bajada
C6-Pestañuda
C7-Pinza
12:55:00 p.m. 5:55 p.m
Fecha de Rev.:Octubre 2024
PARTES PEQUEÑAS DELANTERO ENSAMBLE
Num
Operación 12:55:00 p.m. 5:55 p.m
Num
Operación
Bluring PRO CONCENTRADO DE COMPOSTURAS
CONFECCIÓN
Código: FO-CL-BLU-039 PLANTA FECHA
Versión:02
1 S/h ojalera 14 Pegar y s/c ojalera 30
Cerrar
entrepierna
12:55:00 p.m. 5:55 p.m
Num
Operación
3
Dobladillo
de bolsa 16 Hacer forma J 32 Cerrar costados
2
Dobladillo
de secreta 15 s/c entrada de
bolsa delantera 31 S/c entrepierna
5
Pegar
Secreta, 2 18 S/c botonera 34 Presillar costados
4 Scalop 17 Pegar botonera 33 S/c costados
7
Pegar visita
a pocketin 20 Encuarte
delantero 36 Pegar Pretina
6
Presillar
secreta 19 Fijar etiqueta
monarch 35
Presillar entrada
de bolsa
9
Preparar
traba 22 38 Pegar Trabas
8 S/c pocketin 21 Presillar
delantero 37 S/c Pretina
(sandwich)
10 Marca pinza
TRASERO
39 Hacer valenciana
23 Pegar cuchillas
11 Hacer pinza 40 Hacer cuadro
24 Encuarte trasero
12 S/c pinza 41 Hacer ojal
25
Pegar bolsa
trasera
13 42
26
2da de bolsa
trasera
DEFECTOS
C8- Faltante C15- Punta caída C22- Jalada TOTAL
C9- Patinado C16- Fruncido C23-
27 Pegar etiqueta
TOPC10- Sonrisa C17-Descazado C24-
C11- Costura incompleta
C13- Mala Apariencia C20-Pocketín agarrado C27
29C14-Gasas C21-Margen incorrecto C28
C18-Pockrtín visible C-25
28
Presillar bolsa
traseraC12- Empalmes C19-Sucio C-26
pág. 17998
El concentrado permitió identificar patrones de recurrencia, zonas críticas de operación y categorías de
defectos predominantes, sirviendo como base para la construcción de gráficos de Pareto, diagramas de
control y análisis de capacidad del proceso. Además, facilitó la vinculación entre cada tipo de defecto y
la sección específica de la prenda donde ocurre, lo cual resultó fundamental para el diseño de estrategias
de mejora enfocadas y el análisis multigráfico posterior. Dicha sistematización de datos constituye un
insumo esencial para el análisis estadístico posterior, donde se aplican herramientas del Control
Estadístico de Procesos, como gráficas de control, histogramas y diagramas de Pareto, para cuantificar
la frecuencia y severidad de los defectos y evaluar la estabilidad y capacidad del proceso.
Tipo y tamaño de muestra aplicado
Para el análisis cualitativo, se empleó muestreo por conveniencia: se entrevistó al encargado de planta,
a dos encargadas de calidad y a dos supervisores (un responsable por línea), seleccionados por su
conocimiento y responsabilidad en las zonas críticas. Para los análisis cuantitativos se trabajó con la
base completa de registros de defectos disponible (tres meses), por lo que el análisis constituye un censo
de los registros accesibles. Si se requiriera realizar un muestreo probabilístico entre operarios, la fórmula
estándar para proporciones y la corrección por población finita muestran que, con una población
estimada de 60 operarios, un nivel de confianza del 95% y un margen de error del 15% a 20%, sería
suficiente muestrear entre 18 y 26 operarios; para mayor precisión (e=10%) serían necesarios ≈38
operarios. De manera complementaria, se utilizaron los registros históricos de producción, los cuales
contienen información detallada de los defectos registrados por lote, tipo, fecha y estación de trabajo.
Tratamiento de los datos
El tratamiento de los datos comenzó con la organización de la información en Microsoft Excel,
empleando funciones de clasificación, filtrado y cálculo para estructurar los datos por variables (los
tipos de defectos principalmente). Excel fue seleccionado por su accesibilidad y eficacia en el manejo
preliminar de datos (Ardilu, 2025). Posteriormente, los datos fueron analizados con Minitab, software
especializado en análisis estadístico y mejora de procesos, ampliamente utilizado en la industria
manufacturera y en estudios de Control Estadístico de Procesos (ADN Lean, 2025).
Las técnicas aplicadas incluyeron gráficas de control para detectar causas especiales de variación (José
Roberto, et al., 2020), diagrama de Ishikawa con ponderaciones de importancia, diagramas de embudo
El concentrado permitió identificar patrones de recurrencia, zonas críticas de operación y categorías de
defectos predominantes, sirviendo como base para la construcción de gráficos de Pareto, diagramas de
control y análisis de capacidad del proceso. Además, facilitó la vinculación entre cada tipo de defecto y
la sección específica de la prenda donde ocurre, lo cual resultó fundamental para el diseño de estrategias
de mejora enfocadas y el análisis multigráfico posterior. Dicha sistematización de datos constituye un
insumo esencial para el análisis estadístico posterior, donde se aplican herramientas del Control
Estadístico de Procesos, como gráficas de control, histogramas y diagramas de Pareto, para cuantificar
la frecuencia y severidad de los defectos y evaluar la estabilidad y capacidad del proceso.
Tipo y tamaño de muestra aplicado
Para el análisis cualitativo, se empleó muestreo por conveniencia: se entrevistó al encargado de planta,
a dos encargadas de calidad y a dos supervisores (un responsable por línea), seleccionados por su
conocimiento y responsabilidad en las zonas críticas. Para los análisis cuantitativos se trabajó con la
base completa de registros de defectos disponible (tres meses), por lo que el análisis constituye un censo
de los registros accesibles. Si se requiriera realizar un muestreo probabilístico entre operarios, la fórmula
estándar para proporciones y la corrección por población finita muestran que, con una población
estimada de 60 operarios, un nivel de confianza del 95% y un margen de error del 15% a 20%, sería
suficiente muestrear entre 18 y 26 operarios; para mayor precisión (e=10%) serían necesarios ≈38
operarios. De manera complementaria, se utilizaron los registros históricos de producción, los cuales
contienen información detallada de los defectos registrados por lote, tipo, fecha y estación de trabajo.
Tratamiento de los datos
El tratamiento de los datos comenzó con la organización de la información en Microsoft Excel,
empleando funciones de clasificación, filtrado y cálculo para estructurar los datos por variables (los
tipos de defectos principalmente). Excel fue seleccionado por su accesibilidad y eficacia en el manejo
preliminar de datos (Ardilu, 2025). Posteriormente, los datos fueron analizados con Minitab, software
especializado en análisis estadístico y mejora de procesos, ampliamente utilizado en la industria
manufacturera y en estudios de Control Estadístico de Procesos (ADN Lean, 2025).
Las técnicas aplicadas incluyeron gráficas de control para detectar causas especiales de variación (José
Roberto, et al., 2020), diagrama de Ishikawa con ponderaciones de importancia, diagramas de embudo
pág. 17999
invertido e histogramas, para analizar la dispersión de defectos, y diagramas de Pareto para priorizar
causas relevantes (Claire Lamarre, 2019). La integración de resultados cualitativos y cuantitativos
permitió verificar si las causas identificadas en las entrevistas y observaciones coincidían con los
patrones estadísticos detectados, enriqueciendo los resultados numéricos con interpretaciones
cualitativas relacionadas con factores humanos o de entorno.
RESULTADOS Y DISCUSIONES
Diagrama del proceso
Los diagramas de procesos se emplean para entender cómo opera realmente un sistema, identificar pasos
redundantes o innecesarios, y servir como base para análisis subsecuentes como, control estadístico o
mejoras lean (Asana, 2025), asimismo, promueven la estandarización y la mejora continua, definir
puntos de control y capacitar de forma coherente al personal nuevo, garantizando que las actividades se
realicen conforme al proceso real y no a interpretaciones individuales (Tech Quality Pedia , 2022).
En este trabajo, el diagrama observado en la Figura 2 se construyó a partir del diagnóstico de campo y
de la visita industrial, con participación de operarios, supervisores y personal técnico. Se incluyeron
todas las etapas de confección de jeans: recepción de materia prima, habilitación, corte, costura,
ensamblado, acabados, inspección final, empaque y despacho.
invertido e histogramas, para analizar la dispersión de defectos, y diagramas de Pareto para priorizar
causas relevantes (Claire Lamarre, 2019). La integración de resultados cualitativos y cuantitativos
permitió verificar si las causas identificadas en las entrevistas y observaciones coincidían con los
patrones estadísticos detectados, enriqueciendo los resultados numéricos con interpretaciones
cualitativas relacionadas con factores humanos o de entorno.
RESULTADOS Y DISCUSIONES
Diagrama del proceso
Los diagramas de procesos se emplean para entender cómo opera realmente un sistema, identificar pasos
redundantes o innecesarios, y servir como base para análisis subsecuentes como, control estadístico o
mejoras lean (Asana, 2025), asimismo, promueven la estandarización y la mejora continua, definir
puntos de control y capacitar de forma coherente al personal nuevo, garantizando que las actividades se
realicen conforme al proceso real y no a interpretaciones individuales (Tech Quality Pedia , 2022).
En este trabajo, el diagrama observado en la Figura 2 se construyó a partir del diagnóstico de campo y
de la visita industrial, con participación de operarios, supervisores y personal técnico. Se incluyeron
todas las etapas de confección de jeans: recepción de materia prima, habilitación, corte, costura,
ensamblado, acabados, inspección final, empaque y despacho.
pág. 18000
Figura 2. Diagrama resumido del sistema de confección de prendas “Jeans”.
El objetivo fue ubicar exactamente en qué estaciones o fases se concentran los defectos, para luego
vincular esas etapas con los resultados estadísticos a continuación. De esta forma, el diagrama de
proceso no solo facilitó visualizar todo el proceso, sino también determinar dónde ubicar los puntos
críticos para monitorear o intervenir. Este diagrama también nos puede facilitar la detección de cuellos
de botella, redundancias y puntos de inspección débiles, ya que al mapear secuencialmente cada
operación se identifican los puntos donde se pierde tiempo o material, o donde es más probable que se
produzcan defectos, lo que permite focalizar los recursos de mejora en las zonas críticas.
Registro de defectos
De acuerdo con la información histórica proporcionada por la empresa, se seleccionaron las categorías
de composturas que presentaron la mayor incidencia de defectos durante un periodo anual de análisis.
Estas siete categorías representan los principales tipos de no conformidades detectadas en el proceso de
confección y constituyen la base para el estudio del comportamiento de los defectos a lo largo del
tiempo. La Tabla 2 muestra la distribución mensual del número de defectos registrados para cada tipo
de compostura durante los doce meses evaluados.
Figura 2. Diagrama resumido del sistema de confección de prendas “Jeans”.
El objetivo fue ubicar exactamente en qué estaciones o fases se concentran los defectos, para luego
vincular esas etapas con los resultados estadísticos a continuación. De esta forma, el diagrama de
proceso no solo facilitó visualizar todo el proceso, sino también determinar dónde ubicar los puntos
críticos para monitorear o intervenir. Este diagrama también nos puede facilitar la detección de cuellos
de botella, redundancias y puntos de inspección débiles, ya que al mapear secuencialmente cada
operación se identifican los puntos donde se pierde tiempo o material, o donde es más probable que se
produzcan defectos, lo que permite focalizar los recursos de mejora en las zonas críticas.
Registro de defectos
De acuerdo con la información histórica proporcionada por la empresa, se seleccionaron las categorías
de composturas que presentaron la mayor incidencia de defectos durante un periodo anual de análisis.
Estas siete categorías representan los principales tipos de no conformidades detectadas en el proceso de
confección y constituyen la base para el estudio del comportamiento de los defectos a lo largo del
tiempo. La Tabla 2 muestra la distribución mensual del número de defectos registrados para cada tipo
de compostura durante los doce meses evaluados.
pág. 18001
Tabla 2. Resumen de composturas más significativas de la empresa en estudio.
Operació
n
Pegar
trabas
Pegar
bolsa
trasera
Pretin
a
Cerrar
entrepiern
a
Valencian
a
Hacer
cuadro
Presillar
costados
jun-24 802 726 438 158 225 444 167
jul-24 517 248 340 222 302 209 184
ago-24 646 461 441 292 252 211 199
sep-24 1327 168 250 380 256 124 90
oct-24 1252 487 344 382 332 145 98
nov-24 784 297 233 273 169 129 85
dic-24 640 358 102 78 166 110 41
ene-25 580 199 93 369 132 110 45
feb-25 732 172 16 167 105 42 139
mar-25 775 316 168 102 152 39 169
abr-25 682 271 277 61 138 17 123
may-25 557 106 203 68 140 27 142
TOTAL 7280 3116 2257 2321 1939 1524 1048
Diagrama de Pareto
El diagrama de Pareto es una herramienta fundamental del control de calidad que permite identificar y
priorizar las causas más significativas de los defectos en un proceso industrial. En la empresa textil
analizada, el Pareto de composturas revela una fuerte concentración de problemas: cerca del 80% de los
defectos provienen principalmente de tres operaciones tales como: pegar trabas (7,280 defectos), pegar
bolsa trasera (3,116) y cerrar entrepierna (2,321), que en conjunto representan el 72% del total
acumulado, tal como se observa en la Figura 3. Esto confirma el principio de Pareto o regla del 80-20,
según el cual una pequeña proporción de causas genera la mayoría de los efectos (Manuel Yagüe, 2025).
Dicho patrón implica que enfocar los esfuerzos de mejora en esas operaciones críticas tendría el mayor
impacto en la reducción global de defectos.
Tabla 2. Resumen de composturas más significativas de la empresa en estudio.
Operació
n
Pegar
trabas
Pegar
bolsa
trasera
Pretin
a
Cerrar
entrepiern
a
Valencian
a
Hacer
cuadro
Presillar
costados
jun-24 802 726 438 158 225 444 167
jul-24 517 248 340 222 302 209 184
ago-24 646 461 441 292 252 211 199
sep-24 1327 168 250 380 256 124 90
oct-24 1252 487 344 382 332 145 98
nov-24 784 297 233 273 169 129 85
dic-24 640 358 102 78 166 110 41
ene-25 580 199 93 369 132 110 45
feb-25 732 172 16 167 105 42 139
mar-25 775 316 168 102 152 39 169
abr-25 682 271 277 61 138 17 123
may-25 557 106 203 68 140 27 142
TOTAL 7280 3116 2257 2321 1939 1524 1048
Diagrama de Pareto
El diagrama de Pareto es una herramienta fundamental del control de calidad que permite identificar y
priorizar las causas más significativas de los defectos en un proceso industrial. En la empresa textil
analizada, el Pareto de composturas revela una fuerte concentración de problemas: cerca del 80% de los
defectos provienen principalmente de tres operaciones tales como: pegar trabas (7,280 defectos), pegar
bolsa trasera (3,116) y cerrar entrepierna (2,321), que en conjunto representan el 72% del total
acumulado, tal como se observa en la Figura 3. Esto confirma el principio de Pareto o regla del 80-20,
según el cual una pequeña proporción de causas genera la mayoría de los efectos (Manuel Yagüe, 2025).
Dicho patrón implica que enfocar los esfuerzos de mejora en esas operaciones críticas tendría el mayor
impacto en la reducción global de defectos.
pág. 18002
Figura 3. Diagrama de Pareto de las composturas consideradas.
El análisis sugiere que pegar trabas y pegar bolsa trasera constituyen los principales focos de reproceso,
incidiendo directamente en los costos, la productividad y la satisfacción del cliente. Según (Daryl
Powell, et al., 2022), concentrar acciones correctivas en los puntos de mayor incidencia puede reducir
de manera considerable el total de defectos, estabilizando el proceso y mejorando la eficiencia. En este
caso, los altos niveles de defectos en esas operaciones se asocian con falla de calibración en máquinas
de coser, variabilidad en los materiales y fatiga operativa, factores que también fueron identificados
como causas relevantes en el diagrama de Ishikawa ponderado del presente estudio. Asimismo, la
concentración de defectos en estas tareas específicas refleja una fuerte dependencia del componente
humano. La habilidad manual, la coordinación y la precisión influyen directamente en la calidad de la
costura, lo que coincide con lo señalado por (IBV, 2004), quienes destacan que la confección de prendas
es una actividad altamente sensible a la variabilidad humana y a las condiciones ergonómicas. En
comparación, otras operaciones como pretina (2,257 defectos), valenciana (1,939), hacer cuadro (1,524)
y presillar costados (1,048) presentan una menor incidencia, pero su control preventivo sigue siendo
esencial, ya que los defectos en etapas iniciales tienden a propagarse si no se detectan a tiempo.
Los resultados del Pareto refuerzan la necesidad de un plan de acción jerarquizado, basado en la
priorización de las causas críticas. Entre las medidas recomendadas destacan: (1) implementar
mantenimiento preventivo en las máquinas involucradas en las operaciones de mayor incidencia, con
verificación diaria de agujas, tensiones y calibraciones; (2) estandarizar procedimientos operativos
Figura 3. Diagrama de Pareto de las composturas consideradas.
El análisis sugiere que pegar trabas y pegar bolsa trasera constituyen los principales focos de reproceso,
incidiendo directamente en los costos, la productividad y la satisfacción del cliente. Según (Daryl
Powell, et al., 2022), concentrar acciones correctivas en los puntos de mayor incidencia puede reducir
de manera considerable el total de defectos, estabilizando el proceso y mejorando la eficiencia. En este
caso, los altos niveles de defectos en esas operaciones se asocian con falla de calibración en máquinas
de coser, variabilidad en los materiales y fatiga operativa, factores que también fueron identificados
como causas relevantes en el diagrama de Ishikawa ponderado del presente estudio. Asimismo, la
concentración de defectos en estas tareas específicas refleja una fuerte dependencia del componente
humano. La habilidad manual, la coordinación y la precisión influyen directamente en la calidad de la
costura, lo que coincide con lo señalado por (IBV, 2004), quienes destacan que la confección de prendas
es una actividad altamente sensible a la variabilidad humana y a las condiciones ergonómicas. En
comparación, otras operaciones como pretina (2,257 defectos), valenciana (1,939), hacer cuadro (1,524)
y presillar costados (1,048) presentan una menor incidencia, pero su control preventivo sigue siendo
esencial, ya que los defectos en etapas iniciales tienden a propagarse si no se detectan a tiempo.
Los resultados del Pareto refuerzan la necesidad de un plan de acción jerarquizado, basado en la
priorización de las causas críticas. Entre las medidas recomendadas destacan: (1) implementar
mantenimiento preventivo en las máquinas involucradas en las operaciones de mayor incidencia, con
verificación diaria de agujas, tensiones y calibraciones; (2) estandarizar procedimientos operativos
pág. 18003
mediante fichas visuales actualizadas; (3) capacitar al personal en control visual, ergonomía y técnicas
de costura estandarizadas; y (4) mantener un seguimiento estadístico continuo mediante gráficas de
control tipo c, para detectar desviaciones mes a mes y prevenir la recurrencia de fallas.
Grafica de control C.
La gráfica de control tipo c, elaborada con los promedios anuales por tipo de compostura, indica una
situación crítica: varias operaciones presentan valores fuera de los límites de control calculados bajo el
supuesto de un promedio general. En particular, Pegar trabas, Pegar bolsa trasera y Hacer cuadro superan
el límite superior de control (LCS), mientras que Presillar costados y Valenciana se ubican por debajo
del límite inferior (LIC) tal como se observa en la Figura 4. Esta dispersión revela una alta variabilidad
entre tipos de defectos, indicando la existencia de causas especiales asignables que no pueden explicarse
por fluctuaciones aleatorias del sistema. Según los principios del Control Estadístico de Procesos (SPC),
puntos fuera de ±3σ no se deben a causas comunes, sino a factores específicos que deben investigarse y
corregirse (Osvaldo Ferreiro, et al., 2022). Este patrón confirma que el proceso global no se encuentra
bajo control estadístico, situación reportada también en estudios textiles donde el SPC permitió
identificar estaciones críticas y reducir defectos recurrentes.
Figura 4. Gráfica de control c, para las diferentes composturas en cantidad total promedio anual.
Entre las operaciones analizadas, Pegar trabas presenta el mayor promedio y excede el LCS con un
margen considerable, por lo que debe considerarse prioridad de intervención. Esta operación podría
mediante fichas visuales actualizadas; (3) capacitar al personal en control visual, ergonomía y técnicas
de costura estandarizadas; y (4) mantener un seguimiento estadístico continuo mediante gráficas de
control tipo c, para detectar desviaciones mes a mes y prevenir la recurrencia de fallas.
Grafica de control C.
La gráfica de control tipo c, elaborada con los promedios anuales por tipo de compostura, indica una
situación crítica: varias operaciones presentan valores fuera de los límites de control calculados bajo el
supuesto de un promedio general. En particular, Pegar trabas, Pegar bolsa trasera y Hacer cuadro superan
el límite superior de control (LCS), mientras que Presillar costados y Valenciana se ubican por debajo
del límite inferior (LIC) tal como se observa en la Figura 4. Esta dispersión revela una alta variabilidad
entre tipos de defectos, indicando la existencia de causas especiales asignables que no pueden explicarse
por fluctuaciones aleatorias del sistema. Según los principios del Control Estadístico de Procesos (SPC),
puntos fuera de ±3σ no se deben a causas comunes, sino a factores específicos que deben investigarse y
corregirse (Osvaldo Ferreiro, et al., 2022). Este patrón confirma que el proceso global no se encuentra
bajo control estadístico, situación reportada también en estudios textiles donde el SPC permitió
identificar estaciones críticas y reducir defectos recurrentes.
Figura 4. Gráfica de control c, para las diferentes composturas en cantidad total promedio anual.
Entre las operaciones analizadas, Pegar trabas presenta el mayor promedio y excede el LCS con un
margen considerable, por lo que debe considerarse prioridad de intervención. Esta operación podría
pág. 18004
verse afectada por desajustes en máquina, tensiones de hilo, errores de calibración o falta de
mantenimiento preventivo. Por otro lado, los valores bajos de Presillar costados y Valenciana podrían
reflejar una menor incidencia de defectos, aunque también podrían deberse a subregistro o errores de
inspección, por lo que conviene verificar la confiabilidad de los datos. En control estadístico, un punto
fuera del límite inferior también amerita atención, ya que puede revelar un proceso sesgado o una
evaluación deficiente.
A partir del análisis se derivan cuatro acciones clave: (1) intervención focalizada en las operaciones con
defectos sobre el LCS, especialmente Pegar trabas, Pegar bolsa trasera y Hacer cuadro; (2) investigación
de causas asignables en dichas áreas críticas, considerando factores técnicos, humanos y materiales; (3)
monitoreo SPC continuo posterior a la implementación de mejoras para confirmar la estabilidad del
proceso; y (4) recalibración de límites y promedio una vez alcanzado un estado de control.
Diagrama de Ishikawa
En el presente estudio se elaboró un diagrama de Ishikawa ponderado (causa-efecto con valores
numéricos de relevancia) para analizar las causas de defectos en la confección de jeans dentro de la
empresa en estudio. La construcción del diagrama se sustentó en tres fuentes metodológicas: (1) el
diagnóstico de campo obtenido durante la visita industrial, (2) el diagrama de flujo del proceso
productivo y (3) los resultados cuantitativos del Pareto de defectos y las gráficas de control tipo c. El
diagrama de flujo ayudó a localizar en qué etapa del proceso surgían los defectos más frecuentes,
mientras que el Pareto permitió cuantificar su peso relativo.
Las ponderaciones numéricas (1 a 5) asignadas en el diagrama reflejan la relevancia relativa de cada
categoría causal. En este estudio, los valores más bajos (1 y 2) indican mayor impacto o criticidad,
mientras que los valores más altos (4 y 5) representan menor influencia o prioridad secundaria. Estas
ponderaciones se determinaron combinando el peso porcentual obtenido del Pareto con la desviación
promedio observada en las gráficas c (ver Figura 5). Este enfoque cuantitativo se fundamenta en la
metodología del diagrama de Ishikawa ponderado, que integra medición numérica en un instrumento
tradicionalmente cualitativo, además, su aplicación en industrias manufactureras ha demostrado utilidad
para jerarquizar causas y orientar acciones correctivas de forma objetiva. (C Botezatu, et al., 2019).
verse afectada por desajustes en máquina, tensiones de hilo, errores de calibración o falta de
mantenimiento preventivo. Por otro lado, los valores bajos de Presillar costados y Valenciana podrían
reflejar una menor incidencia de defectos, aunque también podrían deberse a subregistro o errores de
inspección, por lo que conviene verificar la confiabilidad de los datos. En control estadístico, un punto
fuera del límite inferior también amerita atención, ya que puede revelar un proceso sesgado o una
evaluación deficiente.
A partir del análisis se derivan cuatro acciones clave: (1) intervención focalizada en las operaciones con
defectos sobre el LCS, especialmente Pegar trabas, Pegar bolsa trasera y Hacer cuadro; (2) investigación
de causas asignables en dichas áreas críticas, considerando factores técnicos, humanos y materiales; (3)
monitoreo SPC continuo posterior a la implementación de mejoras para confirmar la estabilidad del
proceso; y (4) recalibración de límites y promedio una vez alcanzado un estado de control.
Diagrama de Ishikawa
En el presente estudio se elaboró un diagrama de Ishikawa ponderado (causa-efecto con valores
numéricos de relevancia) para analizar las causas de defectos en la confección de jeans dentro de la
empresa en estudio. La construcción del diagrama se sustentó en tres fuentes metodológicas: (1) el
diagnóstico de campo obtenido durante la visita industrial, (2) el diagrama de flujo del proceso
productivo y (3) los resultados cuantitativos del Pareto de defectos y las gráficas de control tipo c. El
diagrama de flujo ayudó a localizar en qué etapa del proceso surgían los defectos más frecuentes,
mientras que el Pareto permitió cuantificar su peso relativo.
Las ponderaciones numéricas (1 a 5) asignadas en el diagrama reflejan la relevancia relativa de cada
categoría causal. En este estudio, los valores más bajos (1 y 2) indican mayor impacto o criticidad,
mientras que los valores más altos (4 y 5) representan menor influencia o prioridad secundaria. Estas
ponderaciones se determinaron combinando el peso porcentual obtenido del Pareto con la desviación
promedio observada en las gráficas c (ver Figura 5). Este enfoque cuantitativo se fundamenta en la
metodología del diagrama de Ishikawa ponderado, que integra medición numérica en un instrumento
tradicionalmente cualitativo, además, su aplicación en industrias manufactureras ha demostrado utilidad
para jerarquizar causas y orientar acciones correctivas de forma objetiva. (C Botezatu, et al., 2019).
pág. 18005
Figura 5. Diagrama Ishikawa de causas raíz de las composturas consideradas.
Dentro de los resultados destacables se encuentran: la falta de estandarización y de procedimientos
visuales o guías claras en las líneas de producción; desajustes en máquinas de coser, tensión errónea de
hilos y calibraciones deficientes; variabilidad en la calidad de telas con hilos y diferencias en textura o
color; condiciones ergonómicas inadecuadas (posturas estáticas o forzadas, mobiliario mal adaptado),
como lo señalan estudios recientes realizados en la industria textil que muestran alta incidencia de
molestias musculoesqueléticas y baja eficiencia cuando los puestos de trabajo no se adecuan a la
antropometría del operario (O.T. Okareh, et al., 2021).
Estos factores no actúan de forma aislada: interactúan, provocando desviaciones en costura, alineaciones
incorrectas, defectos recurrentes y mayor dispersión en los resultados de calidad. Por ejemplo, una
máquina mal calibrada incrementa errores en costuras laterales; al mismo tiempo, operarios fatigados
por condiciones poco ergonómicas cometen más errores en la secuencia de montaje, lo que agrava la
variabilidad al final del proceso.
Figura 5. Diagrama Ishikawa de causas raíz de las composturas consideradas.
Dentro de los resultados destacables se encuentran: la falta de estandarización y de procedimientos
visuales o guías claras en las líneas de producción; desajustes en máquinas de coser, tensión errónea de
hilos y calibraciones deficientes; variabilidad en la calidad de telas con hilos y diferencias en textura o
color; condiciones ergonómicas inadecuadas (posturas estáticas o forzadas, mobiliario mal adaptado),
como lo señalan estudios recientes realizados en la industria textil que muestran alta incidencia de
molestias musculoesqueléticas y baja eficiencia cuando los puestos de trabajo no se adecuan a la
antropometría del operario (O.T. Okareh, et al., 2021).
Estos factores no actúan de forma aislada: interactúan, provocando desviaciones en costura, alineaciones
incorrectas, defectos recurrentes y mayor dispersión en los resultados de calidad. Por ejemplo, una
máquina mal calibrada incrementa errores en costuras laterales; al mismo tiempo, operarios fatigados
por condiciones poco ergonómicas cometen más errores en la secuencia de montaje, lo que agrava la
variabilidad al final del proceso.
pág. 18006
CONCLUSIONES
A partir del análisis de las composturas con mayor frecuencia observadas, se logró establecer un sistema
de toma de decisiones más preciso y fundamentado en la integración secuencial de cuatro herramientas
clave: diagrama de flujo, diagrama de Pareto, gráfica de control tipo c y diagrama de Ishikawa. Esta
propuesta metodológica que denominamos sinergia secuencial Diagrama de Proceso-Pareto-Gráfica de
Control-Ishikawa, demuestra que su aplicación conjunta y ordenada permite evitar decisiones basadas
en ensayo y error, al proporcionar una visión estructurada y objetiva de los problemas de calidad.
El diagrama de flujo permitió identificar cuellos de botella, redundancias y puntos de inspección débiles
dentro del proceso; el Pareto facilitó la priorización de las categorías de defectos con mayor impacto; la
gráfica de control confirmó la existencia de variabilidad fuera de control en determinadas operaciones;
y finalmente, el Ishikawa, ponderado según la magnitud de los problemas detectados, señaló las causas
raíz prioritarias a atender. Entre las más relevantes destacan la falta de guía para nuevos operarios,
errores de secuencia en el ensamble por deficiente capacitación, ausencia de estandarización de
procesos, mantenimiento preventivo inadecuado, mala calibración de máquinas y uso excesivo de
herramientas fuera de su vida útil. Esto no solo optimiza la identificación de causas y la planeación de
mejoras escalonadas, sino que también reduce significativamente el tiempo invertido en reuniones de
coordinación entre supervisores, área de calidad y directivos.
La implementación del método sinérgico puede reducir el tiempo de reuniones de coordinación de 3
horas a menos de 30 minutos por jornada de 9.5 horas, lo que equivale a una mejora del 83.3% en
eficiencia del proceso de toma de decisiones, o bien, a un incremento del 26% en disponibilidad de
tiempo productivo para supervisión y control de calidad. En consecuencia, la aplicación secuencial de
estas herramientas se consolida como una estrategia robusta para la mejora continua, el control
estadístico y la optimización de la eficiencia productiva en el sector de confección textil.
CONCLUSIONES
A partir del análisis de las composturas con mayor frecuencia observadas, se logró establecer un sistema
de toma de decisiones más preciso y fundamentado en la integración secuencial de cuatro herramientas
clave: diagrama de flujo, diagrama de Pareto, gráfica de control tipo c y diagrama de Ishikawa. Esta
propuesta metodológica que denominamos sinergia secuencial Diagrama de Proceso-Pareto-Gráfica de
Control-Ishikawa, demuestra que su aplicación conjunta y ordenada permite evitar decisiones basadas
en ensayo y error, al proporcionar una visión estructurada y objetiva de los problemas de calidad.
El diagrama de flujo permitió identificar cuellos de botella, redundancias y puntos de inspección débiles
dentro del proceso; el Pareto facilitó la priorización de las categorías de defectos con mayor impacto; la
gráfica de control confirmó la existencia de variabilidad fuera de control en determinadas operaciones;
y finalmente, el Ishikawa, ponderado según la magnitud de los problemas detectados, señaló las causas
raíz prioritarias a atender. Entre las más relevantes destacan la falta de guía para nuevos operarios,
errores de secuencia en el ensamble por deficiente capacitación, ausencia de estandarización de
procesos, mantenimiento preventivo inadecuado, mala calibración de máquinas y uso excesivo de
herramientas fuera de su vida útil. Esto no solo optimiza la identificación de causas y la planeación de
mejoras escalonadas, sino que también reduce significativamente el tiempo invertido en reuniones de
coordinación entre supervisores, área de calidad y directivos.
La implementación del método sinérgico puede reducir el tiempo de reuniones de coordinación de 3
horas a menos de 30 minutos por jornada de 9.5 horas, lo que equivale a una mejora del 83.3% en
eficiencia del proceso de toma de decisiones, o bien, a un incremento del 26% en disponibilidad de
tiempo productivo para supervisión y control de calidad. En consecuencia, la aplicación secuencial de
estas herramientas se consolida como una estrategia robusta para la mejora continua, el control
estadístico y la optimización de la eficiencia productiva en el sector de confección textil.
pág. 18007
REFERENCIAS BIBLIOGRÁFICAS
ADN Lean. (22 de 05 de 2025). Cómo usar Minitab para el análisis de datos en la mejora de procesos.
Obtenido de ADN Lean Business School: https://adnlean.com/como-usar-minitab-para-el-
analisis-de-datos-en-la-mejora-de-
procesos/#:~:text=%C2%BFQu%C3%A9%20es%20Minitab?,de%20repetibilidad%20y%20re
producibilidad%20(R&R)
Ardilu. (5 de 10 de 2025). ¿Qué es Microsoft Excel y para qué sirve? Funciones y características.
Obtenido de https://www.ardilu.com/guias/microsoft-excel-que-es
Asana. (17 de 02 de 2025). ¿Qué es un diagrama de flujo y cómo hacerlo? Obtenido de
https://asana.com/es/resources/what-is-a-flowchart
C Botezatu, et al. (2019). Use of the Ishikawa diagram in the investigation of some industrial processes.
Materials Science and Engineering, 1-8. doi:10.1088/1757-899X/682/1/012012
CAINANTEX. (13 de 09 de 2024). Desarrollo y Tecnología en la Industria Textil Mexicana:
Construyendo un Futuro Sostenible. Obtenido de https://canaintex.org.mx/desarrollo-y-
tecnologia-en-la-industria-textil-mexicana-construyendo-un-futuro-sostenible/
Carlos Hernández Pedrera, F. D. (2016). Aplicación del control estadístico de procesos (CEP) en el
control de su calidad. Tecnología Quimica, 1.
Claire Lamarre. (6 de 8 de 2019). ¿Qué es un diagrama de Pareto? Definición y ejemplos. Obtenido de
Tulip Interfaces: https://tulip.co/es/blog/what-is-a-pareto-chart-definition-
examples/#:~:text=Los%20diagramas%20de%20Pareto%20son,porcentaje%20acumulado%2
0de%20su%20aparici%C3%B3n.
Daryl Powell, et al. (2022). Advancing zero defect manufacturing: A state-of-the-art perspective and
future research directions. Computers in Industry, 1-11.
doi:https://doi.org/10.1016/j.compind.2021.103596
Eduardo Pereira. (07 de 2014). ILUMNO. Obtenido de Distribución en planta, cálculo y ubicación de
máquinas:
https://repositorio.usam.ac.cr/xmlui/bitstream/handle/11506/916/LEC%20PROD%200016%2
02014.pdf?sequence=1&isAllowed=y
REFERENCIAS BIBLIOGRÁFICAS
ADN Lean. (22 de 05 de 2025). Cómo usar Minitab para el análisis de datos en la mejora de procesos.
Obtenido de ADN Lean Business School: https://adnlean.com/como-usar-minitab-para-el-
analisis-de-datos-en-la-mejora-de-
procesos/#:~:text=%C2%BFQu%C3%A9%20es%20Minitab?,de%20repetibilidad%20y%20re
producibilidad%20(R&R)
Ardilu. (5 de 10 de 2025). ¿Qué es Microsoft Excel y para qué sirve? Funciones y características.
Obtenido de https://www.ardilu.com/guias/microsoft-excel-que-es
Asana. (17 de 02 de 2025). ¿Qué es un diagrama de flujo y cómo hacerlo? Obtenido de
https://asana.com/es/resources/what-is-a-flowchart
C Botezatu, et al. (2019). Use of the Ishikawa diagram in the investigation of some industrial processes.
Materials Science and Engineering, 1-8. doi:10.1088/1757-899X/682/1/012012
CAINANTEX. (13 de 09 de 2024). Desarrollo y Tecnología en la Industria Textil Mexicana:
Construyendo un Futuro Sostenible. Obtenido de https://canaintex.org.mx/desarrollo-y-
tecnologia-en-la-industria-textil-mexicana-construyendo-un-futuro-sostenible/
Carlos Hernández Pedrera, F. D. (2016). Aplicación del control estadístico de procesos (CEP) en el
control de su calidad. Tecnología Quimica, 1.
Claire Lamarre. (6 de 8 de 2019). ¿Qué es un diagrama de Pareto? Definición y ejemplos. Obtenido de
Tulip Interfaces: https://tulip.co/es/blog/what-is-a-pareto-chart-definition-
examples/#:~:text=Los%20diagramas%20de%20Pareto%20son,porcentaje%20acumulado%2
0de%20su%20aparici%C3%B3n.
Daryl Powell, et al. (2022). Advancing zero defect manufacturing: A state-of-the-art perspective and
future research directions. Computers in Industry, 1-11.
doi:https://doi.org/10.1016/j.compind.2021.103596
Eduardo Pereira. (07 de 2014). ILUMNO. Obtenido de Distribución en planta, cálculo y ubicación de
máquinas:
https://repositorio.usam.ac.cr/xmlui/bitstream/handle/11506/916/LEC%20PROD%200016%2
02014.pdf?sequence=1&isAllowed=y
pág. 18008
Farjana Parvin, et al. (26 de 08 de 2024). Ergonomic compatibility between sewing workstation and
Bangladeshi apparel workers. PubMed, 1234-1249. doi:10.1080/10803548.2024.2385786
FasterCapital. (12 de 05 de 2025). Metodologia Lean como aplicar la metodologia Lean en su empresa
y eliminar el desperdicio y la ineficiencia. Obtenido de
https://fastercapital.com/es/contenido/Metodologia-Lean--como-aplicar-la-metodologia-Lean-
en-su-empresa-y-eliminar-el-desperdicio-y-la-ineficiencia.html#Comprender-el-desperdicio-y-
la-ineficiencia.html
Florez Ramirez, N. F. (2019). Notas de control estadístico de la calidad. La Habana: Universitaria.
IBV. (2004). Estudio de las condiciones ergonómicas del trabajo en el sector textil. Obtenido de
https://www.ibv.org/wp-content/uploads/2020/01/Estudio_sector_textil.pdf
Indumex. (2 de 06 de 2024). La Industria Textil Manufacturera en México: Innovación, Desafíos y
Oportunidades. . Obtenido de Https://Indumex.Blog/Industria-General/La-Industria-Textil-
Manufacturera-En-Mexico-Innovacion-Desafios-y-Oportunidades/#elementor-Toc__heading-
Anch
Innovación y Cualificación, S. L. (2018). Técnicas básicas de corte, ensamblado y acabado de
productos textiles. (2 ed.). IC Editorial.
Isaac Josué Lascano Guzmán, A. R. (01 de febrero de 2025). ESTUDIO LEAN SIX SIGMA EN LOS
PROCESOS DE CORTE Y. Obtenido de
https://repositorio.uta.edu.ec/server/api/core/bitstreams/729d0e32-ae85-4a60-a44f-
298363b0d775/content
José Roberto, et al. (2020). Monitoring process variability through XR Charts, a statistical application
guide. Revista Electrónica sobre Tecnologia, Educación y Sociedad, 7(14), 1-15.
Lopez, J. A. (01 de 06 de 2020). Automatización de los departamentos de Producción y Almacén de la
Industria Textil de Xalacingo S.A. de C.V. Obtenido de
https://es.scribd.com/document/794028280/Del-Rosario-Lopez-Juan-Antonio
Manuel Yagüe. (19 de 03 de 2025). El Principio de Pareto (Regla 80/20) y su aplicación en la cadena
de suministro. Obtenido de Slimstock: https://www.slimstock.com/es/blog/el-principio-de-
pareto-regla-80-20/
Farjana Parvin, et al. (26 de 08 de 2024). Ergonomic compatibility between sewing workstation and
Bangladeshi apparel workers. PubMed, 1234-1249. doi:10.1080/10803548.2024.2385786
FasterCapital. (12 de 05 de 2025). Metodologia Lean como aplicar la metodologia Lean en su empresa
y eliminar el desperdicio y la ineficiencia. Obtenido de
https://fastercapital.com/es/contenido/Metodologia-Lean--como-aplicar-la-metodologia-Lean-
en-su-empresa-y-eliminar-el-desperdicio-y-la-ineficiencia.html#Comprender-el-desperdicio-y-
la-ineficiencia.html
Florez Ramirez, N. F. (2019). Notas de control estadístico de la calidad. La Habana: Universitaria.
IBV. (2004). Estudio de las condiciones ergonómicas del trabajo en el sector textil. Obtenido de
https://www.ibv.org/wp-content/uploads/2020/01/Estudio_sector_textil.pdf
Indumex. (2 de 06 de 2024). La Industria Textil Manufacturera en México: Innovación, Desafíos y
Oportunidades. . Obtenido de Https://Indumex.Blog/Industria-General/La-Industria-Textil-
Manufacturera-En-Mexico-Innovacion-Desafios-y-Oportunidades/#elementor-Toc__heading-
Anch
Innovación y Cualificación, S. L. (2018). Técnicas básicas de corte, ensamblado y acabado de
productos textiles. (2 ed.). IC Editorial.
Isaac Josué Lascano Guzmán, A. R. (01 de febrero de 2025). ESTUDIO LEAN SIX SIGMA EN LOS
PROCESOS DE CORTE Y. Obtenido de
https://repositorio.uta.edu.ec/server/api/core/bitstreams/729d0e32-ae85-4a60-a44f-
298363b0d775/content
José Roberto, et al. (2020). Monitoring process variability through XR Charts, a statistical application
guide. Revista Electrónica sobre Tecnologia, Educación y Sociedad, 7(14), 1-15.
Lopez, J. A. (01 de 06 de 2020). Automatización de los departamentos de Producción y Almacén de la
Industria Textil de Xalacingo S.A. de C.V. Obtenido de
https://es.scribd.com/document/794028280/Del-Rosario-Lopez-Juan-Antonio
Manuel Yagüe. (19 de 03 de 2025). El Principio de Pareto (Regla 80/20) y su aplicación en la cadena
de suministro. Obtenido de Slimstock: https://www.slimstock.com/es/blog/el-principio-de-
pareto-regla-80-20/
pág. 18009
Nahla, et al. (2025). Using Pareto Diagram to Improve Textile Product Quality: A Case Study.
International Design Journal, 345-350. doi: 10.21608/idj.2025.379894.1321
O.T. Okareh, et al. (2021). Prevalence of ergonomic hazards and persistent work-related musculoskeletal
pain among textile sewing machine operators. Safety Science, 1-8.
doi:https://doi.org/10.1016/j.ssci.2021.105159
Osvaldo Ferreiro, et al. (17 de 05 de 2022). El control estadístico de procesos, desde Walter Shewhart
al día de hoy. Obtenido de https://www.claseejecutiva.com.mx/blog/articulos/control-
estadistico-de-procesos/
Paola Castillo, et al. (06 de 2024). Content validity of a measurement instrument to measure success in
TPM implementation. Ride, 1-24. doi:https://doi.org/10.23913/ride.v14i28.1928
Portos, I. (1992). Pasado y presente de la industria textil en Mexico. Primera edicion, Vol. 1. @Editorial
Nuestro Tiempo. S. A.
Prat Bartés, A. T.-M. (2015). Métodos estadísticos: control y mejora de la calidad. Barcelona, España:
Universitat Politècnica de Catalunya.
Steven R. Terrell. (2012). Mixed-Methods Research Methodologies. The Qualitative Report, 254-280.
doi:https://doi.org/10.46743/2160-3715/2012.1819
Tech Quality Pedia . (24 de 04 de 2022). Process flow chart in manufacturing | Symbols for process flow
chart. Obtenido de https://techqualitypedia.com/process-flow-chart-in-manufacturing/
Nahla, et al. (2025). Using Pareto Diagram to Improve Textile Product Quality: A Case Study.
International Design Journal, 345-350. doi: 10.21608/idj.2025.379894.1321
O.T. Okareh, et al. (2021). Prevalence of ergonomic hazards and persistent work-related musculoskeletal
pain among textile sewing machine operators. Safety Science, 1-8.
doi:https://doi.org/10.1016/j.ssci.2021.105159
Osvaldo Ferreiro, et al. (17 de 05 de 2022). El control estadístico de procesos, desde Walter Shewhart
al día de hoy. Obtenido de https://www.claseejecutiva.com.mx/blog/articulos/control-
estadistico-de-procesos/
Paola Castillo, et al. (06 de 2024). Content validity of a measurement instrument to measure success in
TPM implementation. Ride, 1-24. doi:https://doi.org/10.23913/ride.v14i28.1928
Portos, I. (1992). Pasado y presente de la industria textil en Mexico. Primera edicion, Vol. 1. @Editorial
Nuestro Tiempo. S. A.
Prat Bartés, A. T.-M. (2015). Métodos estadísticos: control y mejora de la calidad. Barcelona, España:
Universitat Politècnica de Catalunya.
Steven R. Terrell. (2012). Mixed-Methods Research Methodologies. The Qualitative Report, 254-280.
doi:https://doi.org/10.46743/2160-3715/2012.1819
Tech Quality Pedia . (24 de 04 de 2022). Process flow chart in manufacturing | Symbols for process flow
chart. Obtenido de https://techqualitypedia.com/process-flow-chart-in-manufacturing/