••

-

••

I.

1 997

1 997
tecnicas estadisticas en los procesos de gestion de ca1idad total en las empresas y organizaciones de servicios enpresetako eta zerbitzu-anto1akundeetako ka1itate totaleko gestio-prozesuei buruzko teknika estatistikoak
ALBERT PRAT BARTES PERE GRIMA CINTAS

Lanketa / Elaboracion: Euskal Estatistika-Erakundea Instituto Vasco de Estadfstica - EUST AT Argitalpena / Edicion: Euskal Estatistika-Erakundea Instituto Vasco de Estadfstica EUSTATI Duque de Wellington, 2 - 01010 Vitoria-Gasteiz
© Euskal A.E.ko Administrazioa

Administraci6n de la C.A. de Euskadi Botaldia / Tirada: 1.000 ejemplares V-1997 Inprimaketa eta koadernaketa: Impresion y encuadernacion: ITXAROPENA, S.A. Araba kalea, 45 - Zarautz (Gipuzkoa) ISBN: 84-7749-273-5 Lege-gordailua / Deposito legal: S.S.562/97

Unibertsitatearekiko eta. Lan osagarri gisa eta interesaturik egon daitezkeen ahalik eta pertsona eta erakunde gehienetara iristearren. Vitoria-Gasteiz. Como actuaci6n complementaria y para llegar al mayor numero posible de personas e Instituciones interesadas. .AURKEZPENA Nazioarteko Estatistika Mintegia Estatistika-Erakundeak. alumnos y cuantos puedan estar interesados en el campo estadistico. 1997ko maiatza FRANCISCO JOSE LLERA RAMO Zuzendari Nagusia PRESENTACION Al promover los Seminarios Intemacionales pretende cubrir varios objetivos: de Estadistica. irakasleen. con el consiguiente efecto positivo en cuanto a la relaci6n directa y conocimiento de experiencias. . asi como con las empresas en general. . se ha decidido publicar las ponencias de estos cursos.Estatistikaren arloko mundu-mailako irakasle prestuak eta abangoardiako ikerlariak Euskadira ekartzea. Mayo de 1997 FRANCISCO JOSE LLERA RAMO Director General v . para contribuir asi a acrecentar el conocimiento sobre esta materia en nuestro Pais. Vitoria-Gasteiz.Facilitar el reciclaje profesional de funcionarios. besteak beste: sustatuz. el Instituto Vasco de Estadistica . Estatistika Sailekiko lankidetza bultzatzea. horrek guztiak ondorio onak izan ditzakeelako zuzeneko harremanei eta esperientzien ezagupenei dagokienez. ikasleen eta estatistikaren arloan interesaturik dauden guztien lanbide-hobekuntza erraztea. a nivel mundial. bai eta enpresekiko lankidetza bultzatzea ere. profesores. hainbat helburu bete nahiko lituzke Euskal . ikastaro hauetako txostenak argitaratzea erabaki dugu.Funtzionarioen.Traer a Euskadi a ilustres profesores e investigadores de vanguardia en materia estadistica. horrela gure Erkidegoan gai honi buruzko ezagutza zabaltzen laguntzeko asmoz. .Fomentar la colaboraci6n con la Universidad y en especial con los Departamentos de Estadistica. bereziki.

Zientzia eta teknika arloko hainbat elkarteetako kidea da (International Statistical Institute. Estatistikaren eta Ikerketa Operatiboaren arloko katedraduna da. Kalitatearen hobekuntzari eta kontrolari buruzko bi liburu idatzi ditu (beste egile batzuekin batera) eta beste hainbat artikulu. eta doktore industri injinerua unibertsitate berean. Irakasle bisitari izan da. American Society for Quality Control). bai eta kalitatearen kudeaketarako estatistika-teknika eta -metodoei buruzko bi liburu ere (beste egile batzuekin batera). Era berean. American Statistical Association. Estatistikaren eta Ikerketa Operatiboaren arloko Unibertsitate-Eskolako irakasle titularra da. eskolak emateaz gain. Europako Batasunak finantzatutako ikerketa-proiektuak zuzendu ditu. betiere kalitatearen hobekuntzari eta kontrolari buruzko gaietan. gradu-ondoko eta espezializazioko ikastaroak ere ematen dituen. bertan. Artikuluak idatzi ditu aldizkari espezializatuetan. eta doktore industri injinerua unibertsitate berean.BIOGRAFIOHARRAK Albert Prat Bartes industri injinerua da Kataluniako Unibertsitate Politeknikoan. eta gaur egun ere horretan ari da. baina gero Kataluniako Unibertsitate Politeknikoan sartu zen. irakasle-Ianaz gain. VII . hainbat ikerketa-proiektutan eta unibertsitatearen eta enpresaren arteko zenbait hitzarmenetan parte hartzen du. eta gai horiei buruzko aholkularitza eman die estatuko zein atzerriko hainbat enpresari. Hasiera batean industrian egin zuen lan. Wisconsin-Madison eta Chicago-ko unibertsitateek gonbidatuta. BIOGRAFIOHARRAK Pere Grima Cintas industri injinerua da Kataluniako Unibertsitate Politeknikoan. Bere ikerketa-taldea Kataluniako Generalitat-eko Produkziorako Teknologia Aurreratuen Erreferentzia Zentroko kidea da.

combina la docencia con la participacion en proyectos de investigacion y convenios de colaboracion Universidad-Empresa sobre temas relacionados con el control y la mejora de la calidad. se incorporo a la Universidad Politecnica de Catalufia.NOTAS BIOGRAFICAS Albert Prat Bartes es Ingeniero Industrial por la Universidad Politecnica de Catalufia y Doctor Ingeniero Industrial por la misma universidad. American Society for Quality Control). Ha dirigido y dirige en la actualidad proyectos de investigacion financiados por la Comunidad Europea y su grupo de investigacion forma parte del Centro de Referencia en Tecnologias Avanzadas para la Produccion de la Generalitat de Catalufia. American Statistical Association. Es Catedratico de Universidad del area de Estadistica e Investigacion Operativa. Es miembro de numerosas sociedades cientificas y tecnicas (International Statistical Institute. Tras una primera etapa profesional en la industria. Ha sido profesor visitante invitado por las universidades de Wisconsin-Madison y Chicago. Es Profesor Titular de Escuela Universitaria del area de Estadistica e Investigacion Operativa. Ha escrito articulos en revistas especializadas yes coautor de dos libros sobre tecnicas y metodos estadisticos para la gestion de la calidad. NOTAS BIOGRAFICAS Pere Grima Cintas es Ingeniero Industrial por la Universidad Politecnica de Catalua y Doctor Ingeniero Industrial por la misma universidad. Asimismo. Es coautor de dos libros y numerosos articulos sobre metodos estadisticos para la mejora y control de la calidad y ha asesorado sobre estos temas a numerosas empresas nacionales yextranjeras. VIII . donde desarrolla sus tareas docentes universitarias asi como cursos de postgrado y especializacion.

Evoluci6n historica del concepto de control de la calidad .2 Filosofia de los programas de mejora 2.1 Causas de variabilidad 4.2 Medidas de la variabilidad 4.2 Histogramas 3..4 Esperanza matematica y varianza 4.3 Diagramas de Pareto 3.INDICE SARRERA INTRODUCCION 1.2.2 El ciclo PDCA como estrategia basica de los procesos de mejora continua 1. 3.7 Ejemplo del "helicoptero" IX 45 48 49 50 52 52 54 56 . 2.1.3 Calidad en la etapa de disefio .3 Conceptos basicos de gestion de la cali dad total 2.4 Diagramas causa-efecto 3..1 Problemas esporadicos y problemas cr6nicos .3 Organizacion para Ia mejora 2.) 1..2.MEJORA DE LA CAUDAD 2.1.EL ENTORNO DE LA CAUDAD TOTAL 1.HERRAMIENTAS BASICAS PARA LA MEJORA DE LA CAUDAD 3. 1.1. mejora e innovacion en la calidad 1.1 Conceptos basicos 1.6 Estratificacion Anexo: Datos e informacion XI XIX 1 2 3 4 6 6 8 10 13 14 15 15 19 22 27 32 35 43 44 4.AURKIBIDEA .1...1 Plantillas para la recogida de datos 3.1 Inspeccion 1.5 Diagramas bivariantes .3 Densidad de probabilidad.E. 1. Variabilidad en la poblacion 4.4 Metodologia de los equipos de mejora 3.2 Control estadistico de procesos (C.2 Mantenimiento.6 Caso discreto 4.5 Funcion de distribucion 4..P.1 Variabilidad en una muestra 4.2.CAUSA Y MEDIDA DE LA VARIABIUDAD 4.

1.4 Graficos de control para atributos 6. 6.4..1 Proceso en estado de control 6.1 Funcion de distribucion .5.4.4.1 La ley normal 5.3.1 Grafico P 6.2 Comportamiento de la media de un proceso en estado de control 6..4 Grafico U APENDICE: TABLAS CURSOS PUBLICADOS HASTA LA FECHA 60 64 67 71 74 75 77 79 81 82 83 90 95 96 101 103 107 109 x .1 Graficos X-R 6.CONTROL ESTADISTICO DE PROCESOS 6.3 Grafico C 6.3.Que es un grafico de control? Metodologia 6.3 Ley de Poisson 6.2 Grafico NP 6.1..2 La ley binomial 5.3 Graficos de control.4.3 Estudios de capacidad 6. 5.21.para variables .2 Interpretacion de los graficos de control 6.1 Comportamiento esperado de las observaciones individuales en un proceso en estado de control 6.1.3..ALGUNOS MODEL OS PROBABILISTICOS 5.

hiru jarduera-mota aztertuko ditugu. azkenik. eta. antolaketaren eta tresneriaren arloko alderdi batzuk aipatzen ditugu.Kalitate totalaren ingurunea Kapitulu honetan azalduko dugu nolako garrantzia duen ekoizkinen eta zerbitzuen kalitateak. horietako bakoitzak jarrera desberdina eskatzen du. hasieratik bertatik. Hona hemen zein den mintegi honetan zehar kalitateari buruz erabiliko dugun kontzeptua: kalitatea alderantziz proportzionala da ekoizkin edo zerbitzu batek erabiltzailearieragiten dizkion galeren edo eragozpenen aurrean. Ekoizkinen kalitatea ziurtatzeko industrian erabili diren metodoak bilakatuz joan dira denboraren poderioz.edo sormen-jarduerak. Hona hemen jarduera horiek: mantenimendua edo kalitate-kontrola. bakoitzak bere ezaugarriak baititu. kalitatea antolakundeen kudeaketan oinarrizko osagaia izateko nahitaezkoak direnak. garrantzi handizkotzat jo du kalitate handiko ekoizkinak eskuratu ahal izatea. aipatzen dugu nolako zeregina duen metodo zientifikoak oro har (eta bereziki estatistika-metodoak) antolakundeen barruan hiru jarduera-mota horiek gauzatzeko. kulturaren. etengabeko 1. Alderdi horien bidez. Pentsatzekoa da gezi onenak zituen ehiztariak harrapakin gehiago eta hobeak lortuko zituela. hain zuzen. XI . eta ekoizkinen (edo zerbitzuen) kalitatearen eremutik irten gabe. Ondoren. Kalitate-kontroleko kontzeptuaren bilakaera historikoa Gizakiak. antolakundeak beren bezeroei erantzuteko gauza izango dira hainbat arlotan: kalitatean eta prezioan. kontzeptu hori osagai estrategikoa baita produktu eta zerbitzu horiek ekoizten dituzten antolakundeentzat. hobekuntza-jarduerak. berrikuntza. eta ideia nagusi bat aterako dugu: ekoizkin baten kalitatea kontuan hartzeko unerik egokiena ekoizkin horren diseinua egiten denean da. Kapitulu honetan bilakaera horren azterketa kritikoa egingo dugu. ekoizkinen bidalketa-epean eta salmenta ondorengo zerbitzuan. eta gure arbasoak konturatuko zirela horretaz.3 atalean. Azkenik.

energia. ekoizkinaren garapen-aldi batzuk ere hobetuz joan dira. XII . beraz. bi a) ekoizkin akastuna bereiztea. merkatuak oso saturatuta eta globalizatuta daudelako. % IOOekoa izan arren. gutxik jartzen dute auzitan kalitatearen garrantzi estrategikoa. berriro erabiltzeko edo botatzeko. ekoizkinak ikuskatu egiten ziren merkatura bidali aurretik. ikuskapenaz fidatzen direlako. Kontzeptu bakoitzari egozten zaion lehentasuna aldatuz joan da denboran zehar. Dena dela. argi dago kalitatea ziurtatzeko ikuspegi hori ez dela egokia. kostuak. Baliteke. kalitatea ziurtatzeko ahaleginak egiten direneko aldia. salmenta ondorengo zerbitzua. etab. Hortaz. eta kalitatea lehen mailako lehentasuna bihurtu da. segurtasuna. lehengaiak. fidagarritasuna. Gainera. etab. kalitatea guztiz garrantzizkoa baita industrien lehiakortasunean. onargarritzat jo diren produktuen artean ere. Ikuskapenari. Hori guztia dela eta. ekoizkinen eskaria eskaintza-ahalmena baino askoz handiagoa den egoeretan. ez duela helburua behar bezala betetzen. bestalde.Industri aroko lan-antolaketak ekoizkinari buruzko beste ikuspuntu batzuk gehitu ditu. ez dugu ahaztu behar produktu akastuna jada ekoiztuta dagoela. besteak beste. Horretaz gain. Jakina da ikuskapenak. eta antolakunde askotan antolaketa-egiturak ez du erraztasunik jartzen helburua lortzeko behar den komunikazioa lortzeko. bai orohartzaileari zein estatistika-Iaginketaren helburu egozten zaizkio: bidez egiten denari. batez ere. ekoizkin batzuen eskaria eskaintza-ahalmena baino txikiagoa izan denean. eta ekoizkinaren kostua gehitu egiten da. enpresen kudeaketa ekoizpenera zuzendu da. eta lehentasun handia eman dio ekoizpen-ahalmenari. Gaur egun. unitate askoren kalitatea ez da asko urrunduko baztertuta geratu diren ekoizkinen kalitatetik. Aldiz. egokitzat jotzen dituen doitze-neurriak hartu ahal izan ditzan. hala nola. ikuskatzailearen nekearengatik. eta b) fabrikazio-prozesuen arduradunari ohartaraztea produktu akastuna agertu dela. ikuskapenak akats bakar bat ere izango ez balu ere. ikuskapena ekoizpenaz kanpoko jarduera da. bidalketa-epea. langileak kalitateari garrantzi handirik ez ematea. kudeaketa bezeroarengana zuzendu da. bali abide batzuk kontsumitu dira (eskulana. ekoizkinen kalitatea ziurtatzeko. Aldi berean. izan ere. Ikuskapena Industri aroaren hasieran.).

diseinuko bestelako tresna batzuk erabiltzea. Hori dela eta beharrezkoa da. pertsona batzuek zergatik erabiltzen dituzte konpetentziako ekoizkinak. gaur egun. Kalitatea diseinu-aldian Ikuskapena eta PKE antolakundearen barneko mekanismoak dira.) edo prozesuko aldagaien (tenperatura. eta ez antolakundearen beraren bameko beharrek. enpresan fabrikatzen ez diren osagaien kalitatea hobetu ahal izateko. akats hori zerk eragin duen aurkitu behar da. etab. ikuskapenaren helburua produktu akastunak baztertzea baino ez da.. hala nola: esperimentuen diseinua (DEX) edo Quality Function Deployement (QFD). bestetik. argi dago ekoizkinen edo zerbitzuen kalitatea ziurtatzeko unerik egokiena horien diseinua egiten denean dela. Horrelako kontrol bat -apunte hauetako 6.? Hori del a eta. beharrezkoa izan daiteke amaierako nolabaiteko ikuskapena mantentzea. Bigarren. ez dadin berriro gertatu. lehenik eta behin. dena den. bezeroek erabiltzen dituztenean?. homitzaileak zaintzea. Era berean. enpresa horretako homitzaileak eta banatzaileak ere hartzen dituena. XIII . etab. batez ere. lrudi honetan ikusten denez. nahiz eta enpresa jakin batean guztiz ondo funtzionatu ikuskapenak (bai lehengaiak jasotzean bai ekoizkin bukatuari buruzkoak) edo enpresako prozesu nagusien estatistika-kontrolak. Hori dela eta. enpresa bateko pertsona eta prozesu guztiak ezezik. Kontrol horren helburua ahalik eta unitate akastun gutxien ekoiztea da. hala nola: zein arazo sortzen dizkiete bezeroei enpresa horretako ekoizkinek. Kasu honetan. W. PKEk ez duenez lortzen unitate akastunen fabrikazioa erabat bereiztea. diametroa. Mundu-Gerra hasi aurreko urteetan. bezeroen igurikapenak diseinu. etab. kalitate-kontrola jarduera orohartzailea da. eta.Prozesuen kontrol estatistikoa (PKE) II. fabrikazioprozesuan akatsen bat gertatzen denetik hasi eta akats hori antzematen den arte doan denbora gutxituz.) laginketaren bidez jartzen da martxan. kalitatea. kapituluan aztertzen da sakonagoekoizkinaren ezaugarri fisikoen (luzera. alde batetik. pisua. kalitatearen ziurtapena ekoizkinen fabrikazioaldira aldatu zen. Shewhart-en(1931) lanen eraginez. jardunbide horiek ez diete erantzuten prozesuko garrantzi handieneko galderei. arrabolaren presioa. bezeroaren beharrek eta igurikapenek erabaki behar dute.eta prototipo-aldian sartzeko eta hobetzeko.

ziurtatu egin behar du langile guztiek estandar horien arabera egiten duela Ian. izan ere. estandarrek benetan garrantzitsuak diren eragiketetara mugaril behar dute. hobekuntza eta berrikuntzakalitatean Oinarrizko kontzeptuak Kalitatearen arloan.hain zuzen. Box-ek adierazten duenez. hau da. etengabeko hobekuntza eta berrikuntza.2 atalean azaltzen dugunez. Baieztapen hori guztiz egiazkoa da. Hona hemen zer diren berrikuntzako jarduerak: aurretik inoiz esperimentatu ez diren funtzioak. Gure iritziz. Ekoizkin berriak sortzeko metodologiak eta tresnak dira. Irakurleak kontzeptu hauei buruzko azalpen bikaina aurki dezake liburu honetan: Imai-ren Katzen (1986). prozesu edo eragiketa guztiek.2. Uste dugu garrantzizkoa dela beste puntu hau ere aipatzea: jarduteko estandarren hobekuntzaren atzetik. 1. ekoizkin hori hobetzeko behar den informazio sortzen dute. argi idatzita egon behar dute. baliteke jada inorkez jarraitzea estandar hom antolakundearen barruan. eta horiei jarraitzen dieten langileek ulertu egin behar dituzte. era berean. Hona hemen zer den mantenimendua: teknologiaren. do. action. Hona hemen zer den etengabeko hobekuntza (Katzen japonieraz): estandarrak etengabe hobetzeko egiten diren ekintza guztiak. kudeaketaren eragiketen estandar guztiak iraunarazteko egiten direnjarduera guztiak. mantenimendu-jerduerakegin behar dira. dituzten ekoizkinaklzerbitzuak sortzeko egiten diren jarduera sistematikoak.Mantenimendua. check. ekoizkin fisikoaz gain. jardun-ahalmena. hobekuntza planifikatu.enpresa orok gehitu beharko lukeen aktibo ukiezin horietako bat. etab. hiru jarduera desberdin bereiztea komeni da: mantenimendua. mantenimendua eta oraingo = estandarizatu + kontrola Kalitatearen hobekuntzako edozein programatan sartu aurretik. hobekuntzaren ondorio onuragarriak hutsean geratuko baitira. estandar bat sei hilabetez indarrean badago inolako aldaketarik gabe. bestela. antolakundeko XIV . martxan jam. oraingo G. emaitza egiaztatu eta egiaztapen horren emaitzaren arabera jardun. Etengabeko hobekuntzako jarduerak sekuentzia honen bidez egiten dira: plan. izan ere. gomendagarria dirudi jarduteko modurik onena estandarizatzea enpresak. Estandar horiek betetzen direla zaintzea enpresaren kudeaketaren ardura da. Horien bidez.

edo enpresako bame-postaren banaketa-prozesuaren hobekuntza martxan jartzeko.langile guztiek dituztenezagupenak eta sormena erabiltzea ahalbidetuko bezero potentzialen beharrei eta igurikapeneierantzungo zaie. besteak beste. hobekuntzako proiektu ~ .Horrelakorik egiten ez bada. Atal honetan azaltzen dugun testuinguruan. gauzatu (do) egin behardira hobekuntza martxan jartzeko beharrezko diren Ianak.entrena.hala nola. garrantzi handikoa dahobekuntzalllartxan jartzeaz arduratuko diren langileakheztea e~. eta Arestian aipatu dugun jarduerahauetako bakoitzak ezagupen. eta Deming-en bolantea izena eman zioten. enpresa baten plangintza estrategikoa egiteko. Aipatzekoa da goi-zuzendaritzak denbora gutxi eskaintzen diela mantenimenduko jarduerei (eguneanegunekoari). denbora asko eskaintzen diete etengabeko hobekuntzako jarduerei. Ziklo hori baliagarria da beste hainbat jardueratarakoere.Deming-ek ideia nagusi bat helarazi zien berekontsulta-bileretarajean ziren exekutiboei eta ingeniariei: guztiz garrantzizkoa da prozesuko osagai guztien (1+0.'~ xv . Plangintza-aldiak. do. Beste egile batzuek ere ideia hori zabaldu zuten -Imai (1986).. diseinua. check.tzea -. Lehenik planifkatu (plan) egin behar da. etengabeko hobekuntza-prozesuetako oinarrizko estrategia 1950ean lehen aldiz Japoniara joan zenean. action). kontramaisuek eta langileek. fabrikazioa eta salmenta ondorengo zerbitzua) etengabeko elkarreragiketa. d) proposatutako helburuak lortzeko beharrezko diren baliabideak eta bitartekoak zehaztea. PDCA zikloa proposatzen dugu antolakunde batean dauden estandarren etengabeko hobekuntza-jarduera guztietanjarraitu bebarreko estrategia izan dadin. c)hobekuntzaz arduratuko den taldea zehaztea. Beste izen batez ere ezagutzen da: PDCA zikloa(plan. berriz.eta erantzukizun-maila desberdina eskatzen du horiek egiten dituzten langileen aldetik. . da. PDCA zikloa.honako jarduera hauek hartzen ditu: a) lortu beharreko helburuak zehaztea b) helburuakune jakin batean zenbateraino bete diren·ahalbidetzen duten neurriak zehaztea. Ishikawa (1985)-. Aldi honetan. Bigarren.

Izan ere. Juran & Gryna (1980) eta Ishikawa (1985). alegia. balieespeneko .(check)· aldia daukagu. Azkenik. Egiaztapeneko alditik ondorio hau atera behar dugu. Baina. Kalitate totalaren kudeaketari buruzko oinarrizkokontzeptuak Liburu honen helburua ez da kalitate totalaren kudeaketari buruz dauden teoria guztiak xehetasunez aztertzea. Iangileen heziketa-prozesua hobetuz. egintzak ez datoz beti bat baieztapen horiekin. Behin zikloa osatuz gero. Jarduerak plana bera hobetu dezake. helburu berriak ezarriz. eta ondorio horiek hasierako helburuekin erkatu. dena den. jarduerako (action) aldia daukagu. baiziketa soIuzioa aplikatu den edo ez. Aldi hori guztiz garrantzizkoa da. XVI . X emaitza Iortu beharko litzateke". Dena dela. eta estatistikaren erabilera. guztiz beharrezkoa dela prozesua zaintzea. adibidez. etab. Gaur egun. Iaugarren lekuan. besteak beste. oro har. Iraunkortasun horren bidez baino ez ditzake enpresa batek prozesu guztiak eta.gehienak porrot egingo dute. bere ekoizkinen eta produktuen kalitatea hobetu. eta ziurrenik ezinezkoa. egile hauen Ianetan garatzen dira: Deming (1982). ez dela nahikoa amaierako emaitzak balioestea. Garrantzi handikoa da jabeekedo goi-zuzendaritzak ere parte hartzea Ian horretan. ondorioz. garrantzi handikoa da PDCA bolanteari eragiten jarraitzea. ez litzateke egiaztatu beharko X Iortu den. hobekuntza-proiekturako baliabide-izendapena aldatuz. zaila da antolakundeetan bestelako iritzirik duen zuzendaririk topatzea. Enpresak kalitateari buruz duen kultura funtsezko zutabea da. argitubehar dugu. Gauzatze-aldi honetan. Antolakunde batean hiru zutabe horietako batek huts egiten badu. balioespen negatiboamerezi izan duten alderdiak zuzentzeko. zoritxarrez. martxan jarri behar dira Iantaldeak egokitzat eta eraginkortzat jo dituen ekoizkinen edo prozesuen aldakuntzak. eta guztiek diote kalitatea dela garrantzitsuena. kalitate totalaren kudeaketa sartzea. Hobekuntza martxan jartzeak eragindako ondorioak balioetsi egin behar dira. kalitate totalari buruzko pentsatzaile horiek bat datoz esaten dutenean kalitatea hiru zutabetan oinarritzen dela: kalitatearen kultura. eta Iau etapak berriro errepikatzea hobekuntza-prozesu berri bat hasiz. Hirugarren. eta kalitatearen kultura beren enpresetan sartzen Iaguntzea. zaila izango da. honako hau egia balitz: "Y soIuzioa aplikatzen bada. Teoria horiek. giza sistemak eta baliabideak. Puntu honetan.

estatistikaren) Irakurleak ikusi duenez. bezeroari bururatu ere egin ez zaizkionak. ideia hau nagusitu da: garrantzi handikoa da homitzaileak kalitatearen hobekuntzaren erantzukizunari lotzea. Dena dela. bezeroa aipatzen dugunean. Beraz. Badago oinarrizko beste ideia bat ere antolakundeen kultur alderdian. kontuan izan behar da ez garela bakarrik kanpoko bezeroaz ari (produktueneta zerbitzuen azken jasotzaileaz). Hori dela eta. Amaierako ekoizkin baten osagai asko eta asko kanpoko homitzaileei erosten zaizkie. hirugarren zutabea metodo zientifikoaren erabilera masiboa da. eta. . eta ez enpresako departamenduen barne-iritziek. Horrela. baizik eta XVII. Banatzaileek informazio egokia eman dezakete ekoizkinen portaerari buruz. Deming-en ustez. lanpostu baten deskribapena egiten denean. kontuari izan behar da enpresako j ardunatal guztiek honako ezaugarrihauek dituztela:' hornitzaileakdauzkate (aurreko prozesua). (eta. bereziki. eta epe luzeko eta ertaineko hitzarmenetan. Hori dela eta. bestalde.Hona hemen kultura horren oinarria: aitortzea kalitateabeseroaren beharrek eta igurikapenek erabakitzen dutela. eta horrek arazoak sor ditzake prozesuan parte hartzen duten aldeen artean. ikuspegi hori ez da beti aplikatzen.erakarditzake bezero berriak. eta honako hau da: kalitatea antolakundeko prozesu guztiak hobetuz baino ez da lortzen. Kalitatearen etengabeko hobekuntza langile guztien erantzukizuna da. batez ere. enpresari datuak eman diezazkiokete merkatuaren beharrei eta igurikapenei buruz. hurrengo prozesuaren (barneko bezeroaren) igurikapenei erantzuten saiatu behar dute. eta. bezeroak dauzkate (hurrengo prozesua) eta atalari dagozkion eragiketak gauzatzen dituzte. ekoizkin horiek bezeroen eskuetan daudenean. eta antolakundearen ekoizkinek eta zerbitzuei horiei erantzun behar diete. masiboa hitza Ietra lodiz idatzi dugu. hain zuzen. beraz. ideia hori hornitzailearen eta eroslearen arteko lankidetzaren bidez gauzatu behar da elkarren onerako. ezusteko hobekuntzak sartu behar dira. kontua ez da langile gutxi batzuk estatistika-metedo guztiz konplexuak erabiltzea. Kalitate zirraragarri horrek -izen hori eman zion Kano-k (1987). Izan ere.ahal izanez gero. eta horrelako ekoizkinak fabrikatzeko gai den antolakundearen merkatu-kuota zabaltzen lagundu dezake. arazorik edo eragozpenik ez sortzen ere saiatu behar dute. Prozesu guztiek. Gainera. bed ohar bat jarri behar da: lanpostu hori etengabe hobetzea. Azkenik. Funtsezko ideia honako hau da: produktuek eta zerbitzuek beti bezeroaren zehaztapenak bete behar dituzte. hain zuzen. baina amaierako bezeroak ekoizkina merkatuan jartzen duen enpresarekin lotuko ditu. barneko bezeroa ere garrantzihandikoa baita.

. baldin eta langileek ez badakite nola erabiltzen diren oinarrizko estatistib . erabakiakhartu behar.·Beraz.e~rimentuak eeabiltzea. .behardu.eta goizuzendaritzak ez . (2) erabalUakhartzeko.!ditu.tresnak..eta.konpondu nahi izatea.badu beregain hartzen berak bakarrik konpon ditzakeen arazoak konpontzeko erantzukizuna.1t.nahitaezkoadainfonnazio om. antolakunde batek oraindituenkalitateeta elroizpenmailak hobetu.'arik. Beraz. hau cia.. mailaguztietanerabakiak hartzerakoan.nahi baditu zerbait egin.bezala (1). Ekoizpen-ahalmena eta kostuak hobetzeko bide bakarra baitago: kalitateahobetzea. Uste dugu guztiz beharrezkoa dela him zutabe horiek egotea kalitatea berejardueren erdian jarri nahi duen edozein antolakundetan.grafikoake4 . datuak informazio bihurtzenespezializatuta· clagon diziplina.·eskuratzea.laain ·zuzet1. ez luke ezertarako balioko kalitate arezoak kalitate-zirkuluell bidez ..alferrikakoa litzateke enpresa batean kontrol . baldineta enpresa horretan ez badago be'har be2:alakokult\. estatistika da. XVIII . hain zuzen. Bill Hunter-ek. ·argi dago nolako garrantzia duen hirugarren :mtabeborrek.zion.Era berean.antolakunde osoak datu fidagarriak erabiltzea.

5 y 6 pertenecen. por tanto. X. . Tort-Martorell. AlbertPrat PereGrima . Tort-Martorell. y mediante la utilizaci6n masiva y sistematica de las herramientas que se explican en el capitulo 3. con ligeras modlflcaciones. pero seleccionado y ordenado de acuerdo con el programa y los objetivos de esteseminario. Editorial UPC. de gran mteres para el control y la mejora de la calidad tanto en la industria como en los servicios. Finalmente. EI capitulo 1 introduce la importancia actual de los coneeptos de la calidad total y sima el papel de la estadfstica como uno de los tres pilaresen los que se fundamentan dichos conceptos. Ediciones Dl8Z de Santos. Los resultados te6ricos de estos dos capftulos constituyen la base en que se fundamentan los metodos estadtsticos para la gesti6n de la celidad. Pozueta. ( Se trata. Los capftulos 1. Una de las constataciones realizacias por personajes de la talla de Deming y Juran es que un porcentaje muy elevado de problemas por malacalidad en la industria y los servicios se pueden resolver aplicando una metodologia como la quese describe en el capitulo 2. 3. el capftulo 6 se dedica a las ~cnicas de control estadfstico de procesos.4. de un material basicamente ya editado. Grima y X.El capitulo 2 se ha tornado de "Tecnicas para la Gesti6n de la Calidad" de P. a uMetodos Estadfsticos..Introducci6n Estos apuntes se han elaborado a partir del contenido de 2 libros. Prat. P:' Grima y L. Los capftulos 4 y 5 presentan de forma conceptual yresumida algunos elementos basicos de la variabilidad y de su medida en la teorfa de la probabilidad.· Control y Mejora de la CaUdad" de A.

actividades de mejora continua y. etc. plazo de entrega. Los metodos utilizados en la industria para asegurar la calidad de sus productos han evolucionado a 10 largo del tiempo. se analizan tres clases de actividad que requieren distintos tipos de actitud por su distinta complejidad. El concepto de calidad que subyace a 10 largo de este seminario es el de que la calidad es inversamente proporcional a las perdidas e inconvenientes de todo tipo que un producto 0 servicio provoca al usuario.3 se discuten los aspectos culturales. fiabilidad. 1 . seguridad.1 Evoluci6n hist6rica del concepto de control de la calidad Desde sus origenes. Es de suponer que el cazador que disponfa demejores flechas obtenia mas y mejores presas y que este hecho no debla pasar inadvertido a nuestros antepasados. En el apartado 1. finalmente. A continuaci6n. se discute el papel que tiene el metodo cientffico en general y la estadfstica en particular dentro de las organizaciones para el desarrollo de los tres tipos de actividad. y siguiendo todavfa en el ambito de calidadde los productos (0 servicios). La organizaci6n del trabajo en la era industrial ha afiadido otros puntos de vista acerca del producto tales como costes. plazo de entrega y servicio postventa de sus productos.1 EI entorno de la calidad total En este capitulo se justifica la importancia de la calidad de los productos y servicios como elemento estrategico para la competitividad de las organizaciones que los producen. las de innovaci6n 0 creatividad. Dichas actividades son las de mantenimiento 0 control de la calidad. En este capitulo se analiza crfticamente dicha evoluci6n y se refuerza la idea de que el mejor momento para considerar la calidad de un producto es cuando se esta disefiando. servicio postventa. • 1. Finalmente. y para que estas sean capaces de satisfacer a sus clientes tanto en calidad como en precio. organizativos e instrumentales necesarios para que la calidad sea un elemento basico en la gesti6n de las organizaciones. probablemente el ser humano ha considerado de vital importancia el disponer de productos de alta calidad.

2 .1.1.2. Paralelamente. __ -_-_-_-. la gesti6n se ha orientado hacia el c1iente y la calidad ha sido altamente prioritaria. mientras que cuando la demanda de ciertos productos ha sido menor que la capacidad de oferta. 1. Asi. 1980 _-_-_-_-_-_-_-_-_-_-_-_-_-_-+-_-_-_-_-_-_-_-_-_-_-_-_----i------_-_-_-_-_-_-_ PARA LA i i DISEflO CALIDAD CONTROL 1940 DE ! _-_-_-_-_-_-_-_-_-_-_-------T-------_-_-_-_-_-_-_-_-_----1------_-_-_-_-_-_-_ PROCESOS i i i i i i i i i i i i .La prioridad asignada a los diversos conceptos ha ido evolucionando con el tiempo. la gesti6n empresarial se ha orientado hacia la producci6n y ha dado alta prioridad a la productividad. 1920 -_-_-_-_-_-_-_-_-_. Dicha evoluci6n esta representada en la figura 1.-_-_-_-_-_-_-_-_-_-_-_-_-_-_-~-_-_-_-_-_-_-_-_-_ i i i! DIsEaO • ! I I · I Ii I INSPECCI6N · • I • FABRICACI6N DISTRIBUCI6N Fig. tambien ha ido evolucionando la etapa del desarrollo de un producto en la que se ha intentado asegurar su calidad.1 Inspecci6n Durante el inicio de la era industrialla calidad de los productos se intentaba asegurar mediante la inspecci6n de los mismos antes de ser enviados al mercado. en situaciones en las que la demanda de productos ha sido muy superior a la capacidad de oferta. por ejemplo.1 Historia del control de calidad 1. En la actualidad pocos discuten la importancia estrategica de la calidad como factor de competitividad industrial en una situaci6n de fuerte saturaci6n y globalizaci6n de los mercados. El modelo conceptual del enfoque basado en la inspecci6n es el de la figura 1.

Ademas. Pero aunque pudiesemos suponer una inspecci6n perfecta. no se debe olvidar que el producto detectado como defectuoso ya ha side producido y. ya sea exhaustiva (100%) objetivos: a) b) 0 mediante muestreo estadfstico. Si afiadimos a 10 anterior que la inspecci6n es una actividad no productiva.2 Enfoque conceptual de la inspecci6n Ala inspecci6n. Es bien conocido el hecho de que la inspecci6n. y el operario se puede desentender de la calidad confiando en la inspecci6n. no cumple eficazmente el objetivo (a). se han consumido recursos de mane de obra. materia prima. 3 . se Ie asignan dos separar el producto defectuoso para ser reprocesado 0 desechado. energfa. 1.AVISO PARA ACI'UAR SOBRE ELPROCESO Producto defectuoso Materias primas Operarios Producto correcto INSPECCION PROCESO Maquinas Fig. y advertir al responsable del proceso de fabricaci6n sobre la aparici6n del producto defectuoso para que aquel pueda tomar las medidas de ajuste que estime oportunas. se entiende que este enfoque para asegurar la calidad claramente no es adecuado. debido a la fatiga del inspector entre otras causas. en el producto considerado como aceptable puede existir una proporci6n elevada de unidades cuya calidad no se diferencie mucho de las unidades rechazadas. etc que incrementaran el coste del producto. y que en muchas organizaciones la estructura organizativa no facilita la comunicaci6n necesaria para hacer posible la consecuci6n del objetivo (b). por 10 tanto. inc1uso si es al100%.

sin embargo.3.E.). diametro.) Durante los afios que precedieron al inicio de la II Guerra Mundial. y debido principalmente a los trabajos de W.. Dado que el C. el aseguramiento de la calidad se desplaz6 a la etapa de fabricaci6n de los productos. MUESTREO SELECTIVO • Producto • Proceso AJUSTE AJUSTE AJUSTE [···· . El esquema conceptual del C.). 1 . se implementa mediante muestreo de caracterfsticas ffsicas del producto (longitud. asf como la identificacion de las causas del mismo a fin de evitar su repetici6n.P.. de minimizar la producci6n de unidades defectuosas reduciendo el tiempo que transcurre entre la ocurrencia y la deteccion de algan desajuste en el proceso de fabricacion. ["······1 ["······1 Producto defectuoso INSPECCI6N PROCESO Fig. Este tipo de control. (0 S. puede ser necesario mantener cierto grade de inspeccion final tal como se indica en la figura 1.P. que se desarrolla en elcapftulo 6 de estos apuntes..3 Modelo conceptual del control estadfstico de procesos Se trata.E. 1.1. 0 de variables del proceso (temperatura.1.P.E. etc.3.P. presi6n de rodillo. Ahora. Shewhart (1931). la inspecci6n tiene como finalidad el separar el producto defectuoso.C. 4 . peso.. en abreviacion inglesa) es el de la figura 1. esencialmente.2 Control estadfstico de procesos (C. no conseguira eliminar por completo la fabricaci6n de unidades defectuosas. etc.

etc.E. no s610 a todas las personas y procesos de una cierta empresa. en la actualidad.asf como el control estadfstico de los principales procesos de la misma.-""'__. nada 0 muy poco aportarfan estos procedimientos a algo tan importante como saber los problemas que los productos de la empresa en cuesti6n provocan a sus c1ientes cuando los utilizan. tal como queda reflejado en la figura 1. Es por ello que. por un lado. que inc1uye.P. en primer lugar. CALIDA» INVESTIGACION DE MERCADO IDExl PROVEEDORES_ IDISElQ"O I-I PRODUCCION 1-. Para ello es necesario. aunque en una cierta empresa funcionasen a la perfecci6n tanto las inspecciones a la recepci6n de materias primas como las de producto acabado.3 Calidad en la etapa de disefio Tanto la inspecci6n como el C. . sino tambien a los proveedores y a los distribuidores. por otro._--:---.\1 ALMACEN 1 / . actuar sobre los proveedores para poder mejorar la calidad de los componentes no fabric ados en la empresa y. 0 por que algunas personas utili zan productos de la competencia. que la cali dad ha de venir determinada por las necesidades y expectativas del cliente y no por necesidades internas de la propia organizaci6n. I (SPC) ICEPI I INSPECCION I Fig..4 Modelo conceptual de la calidad total En esta figura destaca. Es por ello que.1. 5 .4. son mecanismos internos de la organizaci6n. 1.1. En segundo lugar se observa que el mejor momenta para asegurar la calidad de los productos o servicios es durante el disefio de los mismos. la utilizaci6n de herramientas como el disefio de experimentos (DEX) 0 el Quality Function Deployement (QFD) para intentar que las expectativas de los clientes se introduzcan y optimicen en la etapa de disefio y prototipo. el control de la calidad es una actividad globalizadora.

ya que de 10 contrario es casi seguro que los efectos beneficiosos de la mejora desapareceran rapidamente (ver figura 1. El control del cumplimiento de dichos estandares es responsabilidad de la gesti6n de la empresa Por actividades de mejora continua (Kaizen en japones) entendemos todas aquellas actuaciones dirigidas hacia la mejora constante de los estandares actuales. Hasta tal punto es cierta esta afirmaci6n que es muy probable que cuando un estandar esta en vigor mas de seis meses sin ser modificado.2.1. El lector puede encontrar una buena presentaci6n de estos conceptos en el libro Kaizen de Imai (1. es decir. Tal como indica G. En nuestra opini6n.2.' mantenimiento.2 Mantenimiento.1 Conceptos basicos En el terreno de la calidad es conveniente distinguir tres tipos de actividades diferentes. implementarla. verificar sus efectos y actuar en funci6n de los resultados de dicha verificaci6n. genera informaci6n suficiente para mejorarlo. mantenimiento = estandarizar + control Parece recomendable que. Check. todo proceso u operaci6n ademas de producto ffsico. los estandares deben cefiirse a las operaciones verdaderamente importantes.5). Action). una empresa estandarice la mejor forma conocida de operar y se asegure de que todo el personal trabaja de acuerdo a dichos estandares. ello sea debido a que no es seguido por nadie dentro de la propia organizaci6n. deben estar redactados de forma clara y ser comprendidos por el personal que debe seguirlos. 6 . Do. planificar la mejora. tal como explicamos en el apartado 1. antes de embarcarse en cualquier programa de mejora de la calidad. Box. Por actividades de mantenimiento entendemos todas aquellas actividades tendentes a conservar los estandares tecnol6gicos. Las actividades de mejora constante se realizan mediante la secuencia (Plan.986). mejora continua e innovaci6n. mejora e innovacldn en la calidad 1.2. Creemos importante destacar que a toda mejora en los estandares operativos deben seguir actividades de mantenimiento. de gesti6n y de operaci6n actuales.

Imai (1986) considera que la distribucion del tiempo de trabajo de los distintos niveles de responsabilidad en las distintas actividades se distribuye en Japon segun el grafico de la figura 1. operatividad. 1. por ejemplo. nunca experimentados antes. mejora e innovacion Por actividades de Innovaclon entendemos aquellas actividades sistematicas tendentes a la creacion de productos/servicios con funciones.5 Mantenimiento.(Sin Mantenimiento) Innovaci6n I tAfs\ W Mantenimiento Fig. etc. Asi.6.. Cada una de las actividades que acabamos de describir requiere distinto nivel de conocimiento y de responsabilidad por parte del personal que la realiza. 7 . coste. 10 constituyen las metodologias y herramientas que permiten utilizar los conocimientos y la creatividad de todo el personal de la organizaci6n para crear nuevos productos que satisfagan con creces las necesidades y expectativas de los clientes potenciales. Uno de los activos intangibles que toda empresa deberfa incrementar.

y el tiempo que dedican capataces y trabajadores a las actividades de mejora continua. En el contexto que discutimos en este capitulo.Alta direcci6n Mandos Capataces Trabajadores Mantenimiento Fig. Ishikawa (1985)) han llamado el volante de Deming. Do.2 EI cicio PDCA como estrategia basica de los procesos de mejora continua Desde su primera visita a Japon en 1950. 0 la mejora del proceso de distribucion del correo interno en la misma. disefio. se propone el cielo PDCA como la estrategia a seguir en toda actividadde mejora constante de los estandares existentes en una organizacion. En primer lugar debe planificarse (Plan) la mejora. Esta idea se generalize en 10 que diversos autores (Imai (1986). fabricacion y servicio postventa.6 Concepcion japonesa de las funciones Destacan el poco tiempo dedicado a las actividades de mantenimiento (el dfa a dfa) por parte de la alta direccion. 1. Check.7. Este ciclo es uti! para actividades tan diversas como la planificacion estrategica de una empresa. tambien conocido por el cicIo PDCA (Plan. 1. Action). La version de Ishikawa del cicIo PDCA se encuentra en la figura 1. 8 .2. Deming transmitio a los ejecutivos e ingenieros japoneses que asistian a sus sesiones de consulta la importancia transcendental de la interaccion constante entre I+D.

en general. si fuese cierto algo del tipo: "Si se aplica la solucion Y deberfa obtenerse el resultado X". definicion del equipo responsable de la mejora. 1. En segundo lugar aparece la ejecucion (Do) de las tareas necesarias para implementar la mejora.lobales IMPLBMBNTAR TRABAJO Check Do Fig. Es importante ac1arar en este punto que.entre a) b) c) d) otras actividades: definicion de los objetivos a alcanzar.Action DETERMINAR OBJETIVOS Y SUMEDIDA DBTBRMINAR Mlh'oDOS PARA ALCANZAR OBJETIVOS Plan TOMAR LAS DBCISIONES ADBCUADAS VBRIFICAR (controlar) ·Bl plan · Resultados de soluciones · Resultados . definicion de los recurs os 0 medios necesarios para alcanzar los objetivos propuestos. no se trataria de verificar si se ha obtenido X sino tambien si seha aplicado la solucion 9 . La omision de esta fracasar una buena parte de los proyectos de mejora. Esta fase es de enorme importancia. Se trata de verificar los resultados de la implementacion de la mejora comparandolos con los objetivos iniciales. de la implementacion de la mejora. definicion de medidas que permitan saber en un momenta dado el nivel de cumplimiento de sus objetivos.7 El ciclo PDCA La etapa de planificacion comprende. no es suficiente evaluar los resultados finales. En esta etapa es importante considerar la necesidad de educar y responsable. Evidentemente requiere la puesta en practica de las modificaciones del producto 0 del consideradas como oportunas y efectivas por el equipo de trabajo. En efecto. entrenar al personal actividad suele hacer la fase de ejecucion proceso que han sido En tercer lugar tenemos la etapa de evaluaclon (Check).

Finalmente. y no por consideraciones internas de los departamentos de la empresa.3 Conceptos basicos de gestion de la calidad total Este libro no cuenta entre sus objetivos entrar en el detalle de las diferentes teorfas existentes sobre la gestion de la cali dad total. que se encuentran desarrolladas en las obras de Deming (1982). Juran & Gryna (1980) e Ishikawa (1985). De la etapa de verificacion debe desprenderse la corregir los aspectos que hayan merecido una implicar y mejorar el propio plan. 1. Pero por des gracia. 0 mejorando el la asignacion de recursos para el proyecto Una vez completado el cielo es importante seguir dando vueltas al volante PDCA. La cultura de la empresa respecto a la calidad es un pilar esencial. sistemas y recursos humanos. proceso de educacion del personal. tanto al cliente externo 0 destinatario final de los productos y servicios. como al cliente interno. la calidad es 10 mas importante. En la figura 1. entre otros muchos autores. sera diffcil. De todas maneras. En este sentido es importante tener presente que toda unidad operativa dentro de la empresa se 10 . 10 que tienen en cormin las teorfas de estos pensadores de la calidad total es que esta se asienta sobre tres pilares: cultura de la calidad. Si en una organizacion falla alguno de estos tres pilares. repitiendo las cuatro etapas en un nuevo proceso de mejora. la calidad de sus productos y servicios. por ejemplo. Dicha cultura empieza por reconocer que la calidad viene definida por las necesidades y expectativas del eliente. Es fundamental que los propietarios 0 la alta direccion se involucren en la introduccion de esta cultura de la calidad en sus empresas. en consecuencia. introducir la gestion de la calidad total. por no decir imposible. los hechos no siempre concuerdan con estas afirmaciones.8 se resume 10 que el consultor norteamericano Brian Joiner llama la teorfa Q. Ademas. 0 modificando de mejora. necesidad de actuar sobre el proceso para evaluacion negativa. en cuarto lugar tenemos la etapa de actuacion (Action). y utilizacion de la estadfstica. La idea fundamental es que los productos y servicios deben cumplir siempre las especificaciones del cliente e ineluso sorprender al mismocon prestaciones en las que ni tan siquiera habia pensado. cuando se habla de eliente. Es esta calidad excitante (en la denominacion de Kano (1987» la que puede captar nuevos usuarios y ampliar la cuota de mercado de la organizacion que sea capaz de fabricar este tipo de productos. hay que tener en cuenta que nos referimos. La actuacion puede fijando nuevos objetivos. Hoy en dla esdiffcil encontrar directivos en las organizaciones que no digan que para ellos. etc. Solo mediante esta perseverancia puede una empresa mejorar real mente todos los procesos y.

tener clientes (el siguiente proceso) y realizar las operaciones propias de la unidad. intentar no crearle problemas 0 inconveniencias. 11 .8 La teorfa Q de Brian Joiner Otra idea basica en el aspectocultural de las organizaciones es que la calidad se mejora unicamente mejorando todos los procesos de la organizaci6n. procesos. Todo proceso debe. vida laboral CAUDAD METODO CIENTiFICO UN SOLO EQUIPO · Liderazgo alta direcci6n · Datos para la acci6n · Involucraci6n de todo el personal en los procesos de · Identificar problemas · Identificar las causas basicas · Implementar soluciones mejora · Educaci6n y entreno · Educaci6n para la calidad · Proveedores y vendedores Fig. intentar satisfacer las expectativas del proceso que le sigue (cliente intemo) y. De hecho podrfa decirse que en cualquier descripci6n de las funciones de un puesto de trabajo deberia figurar la de mejorarlo constantemente. por descontado. No inspecci6n · Obsesi6n por calidad de productos. La mejora constante de la cali dad es responsabilidad de todo el personal. · Calidad determinada necesidades clientes poI las y expectativas de los · Ca1idad se mejora perfeccionando todos los procesos. pues.caracteriza por tener proveedores (el proceso anterior). 1.

Atendiendo al elevado porcentaje de componentes en un producto final que son comprados a proveedores extemos, pero que el cliente final asociara a la empresa que sinia el producto en el mercado, se ha impuesto la idea de que es importante asociar a los proveedores en la responsabilidad de la mejora de la calidad. Esta idea, que en la version de Deming se deberia realizar mediante colaboraci6n entre proveedor y comprador en beneficio mutuo y en convenios a largo 0 medio plazo, no siempre se aplica con este enfoque y puede generar importantes tensiones entre las partes involucradas. Los distribuidores pueden aportar informacion pertinente sobre el comportamiento de los productos cuando estan en manos del cliente y, en consecuencia, aportar a la empresa datos sobre las necesidades y expectativas del mercado que deberian ser satisfechas por los productos y servicios de la organizacion, Finalmente, el tercer pilar 10 constituye la utilizacion masiva del metodo cientffico y mas en concreto de la estadfstica. El lector habra observado que hemos puesto en negrita la palabra masiva. En efecto, no se trata tanto de que un porcentaje reducido del personal utilice metodos estadfsticos altamente complejos sino de que en toda la organizacion se utilicen datos fiables para la toma de decisiones a todos los niveles. Como decfa Bill Hunter, (1) si una organizacion desea mejorar sus niveles actuales de calidad y productividad debe actuar, es decir, tomar decisiones; (2) para tomar decisiones es necesario disponer de buena informacion y, (3) la estadfstica es la disciplina especializada en convertir datos en informacion. De este simple razonamiento se desprende la importancia del tercer pilar. Creemos conveniente insistir en la necesidad de la existencia de los tres pilares en toda organizacion que quiera situar la calidad en el centro de sus actividades, y que desee mejorar su productividad y sus costes por el unico camino real, que es la mejora de la calidad. Asi, por ejemplo, de poco servirfa que se utilizasen graficos de control 0 disefio de experimentos en una empresa donde no existiera la cultura necesaria, 0 se quisieran solucionar los problemas de cali dad mediante la introduccion de cfrculos de calidad sin que estes supiesen utilizar las herramientas estadfsticas basicas y sin que la alta direccion asumiera la responsabilidad en la resolucion de los problemas que solo ella pudiese apordar.

12

2

Mejora de la calidad
2.1 Problemas esporadicos y problemas cronlcos
Los sistemas de control desarrollados por las organizaciones se ocupan, con mayor 0 menor eficacia, de detectar situaciones en las que las cosas se ponen a funcionar peor de 10 que es habitual 0 de 10 que estaba previsto. Es decir, estan dedicados a detectar problemas "esporadicos", Son los picos de la figura 2.1. El objetivo de la mejora es detectar problemas cr6nicos, tarea en muchas ocasiones diffcil ya que hemos aprendido a convivir con elIos, y solucionarlos definitivamente. Se trata de conseguir reducir la zona de perdida cr6nica en forma significativa. Para ser efectiva la mejora debe ser continua, es decir se deben ir consiguiendo mejoras siempre. No se acaba nunca la tarea. Ello significa que se requiere una organizaci6n, con unas responsabilidades definidas capaz de dar soporte a las actividades necesarias para mejorar. N6tese que estamos hablando de muchas mejoras, con un impacto cada una de ellas relativamente reducido. En este sentido no hay que confundir la mejora con la innovaci6n, actividad desarrollada tradicionalmente por las empresas y que consiste esencialmente en realizar inversiones (nuevos equipos, informatizaci6n, etc.) que suponen un coste importante y una mejora, tambien importante pero puntual. El concepto de reingenieria de procesos, en boga actualmente, es en esencia un cambio drastico en la forma de hacer funcionar un proceso y que supone una inversi6n importante y una mejora tambien importante (en esencia es una nueva planificaci6n del proceso). M. Imai en su conocido libro "KAIZEN" cita a un directivo de Toyota como autor del lema "Use su cabeza, no su dinero" para la mejorar la competividad. Esta frase resume perfectamente el significado que se da al concepto de mejora. Se trata de ir introduciendo pequefios adelantos, fruto del estudio y las sugerencias del personal de la empresa, de forma que cada uno de ellos tendra seguramente poca repercusi6n en el nivel global de competividad, pero un goteo continuo y sistematico de estos pequefios adelantos puede Uegar a ser un factor clave en el exito de la empresa.

13

2.2 Filosofia de los program as de mejora
Esencialmente los programas de mejora se basan en tres premisas basicas:
1.

La mayor parte (el 80% segun Juran, el 95% segun Deming, etc.) de los problemas cr6nicos de calidad son problemas de los sistemas y no de las personas. Esto significa que si no se modifica el sistema, no se solucionara el problema. Es un mal sfntoma ofr a los responsables de un proceso acusar a los trabajadores de ser los responsables de que las cosas no vayan bien. Para que un operario pueda ser considerado responsable de la calidad de 10 que produce,este debe trabajar en condiciones de autocontrol, tal como las hemos definido en la introducci6n de la secci6n dedicada al control de calidad. Aun trabajando en condiciones de autocontrol no hay que olvidar que "errar es humano". Se pueden cometer errores de tipo tecnico, de distracci6n 0 incluso de forma consciente. Pero... l.no seran los errores tecnicos debidos a falta de formaci6n?, l.no seran loserrores por distracci6n debidos a una mala planificaci6n del trabajo? Los errores de forma consciente (dejar pasar algo que esta mal sabiendo que esta mal) l.no seran debidos a que en otras muchas ocasiones se le han dado instrucciones de que siga adelante a pesar de los fallos detectados?). En fin, no es diffcil estar de acuerdo con Deming y Juran tambien en este punto. La mayor parte de los problemas los ocasiona el sistema, no las personas.

2.

Las relaciones entre los diversos departamentos de la organizaci6n son el origen de casi todos los problemas de los sistemas pendientes de resoluci6n. La raz6n es clara, cuando en un departamento se presenta una oportunidad de mejora esta se aprovecha ya que hay una persona responsable al frente del mismo. En muchas ocasiones la obsesi6n de esos responsables por optimizar "su" area provoca ineficiencias y problemas en otras areas de la empresa. El ejemplo mas tfpico y frecuente son las relaciones entre compras y p~ducci6n. Todas las mejoras se obtienen trabajando en oportunidades concretas. Los esloganes o buenas intenciones del tipo: "todos juntos vamos a mejorar" 0 este afio hemos de reducir nuestros costes de calidad un 50%" carecen de utilidad practica, La unica manera de comerse un elefante (problemas cr6nicos) es mordisco a mordisco.
It

3.

Es por ello que cualquier programa de mejora se fundamenta en equipos de directivos y mandos intermedios (personas con autoridad para cambiar sistemas) de varios departamentos (los problemas por resolver son, en general, interdepartamentales) trabajando en proyectos concretos (un mordisco).

14

Su misi6n es trabajar en el tema asignado siguiendo la metodologfa que describimos mas adelante. Las tareas basicas de la direcci6n son: * * * Establecer y guiar los procedimientos para proponer y seleccionar proyectos de mejora. D: hacer -en Ingles Do-. caminos para que todo el personal pueda proponer encargado de seleccionar los que son mas interesantes la selecci6n del equipo.4 Metodologia de los equipos de mejora Siguiendo de conocido cicIo PDCA (P: Planificar.3 Organizaci6n para la mejora Implantar en una organizaci6n la mejora continua es un proyecto de empresa. por su relaci6n con el asunto en cuesti6n. el comite de calidad es el que selecciona los proyectos de mejora y asigna un grupo de personas a trabajar en ellos. Por razones de espacio no entraremos Solo apuntar que deben establecerse proyectos a abordar y el comite es el para la organizaci6n. y como tal requiere la participaci6n de la direcci6n. Esta es una diferencia importante con los denominados cfrculos de calidad. 2. C: Controlar y A: Actuar). solo queremos sefialar aquf sus misiones basicas para que la implantaci6n de la mejora se realice con exito.el equipo se disuelve. Una vez resuelto el proyecto. Como acabamos de ver. su tamafio ideal es de cuatro . La frecuencia y duraci6n de las reuniones asf como las tareas asignadas al mismo varian segun las necesidades de la empresa. otro diferencia basica es que estos equipos estan compuestos por directivos y personas de nivel de varios departamentos (deben cambiar sistemas) mientras que los cfrculos estan constituidos por operariosde la misma secci6n y su misi6n es fundamentalmente solucionar problemas causados por las personas. Asignar equipos de trabajo a los proyectos seleccionados Proporcionar recursos a los equipos: Tiempo Soporte Formaci6n Coordinaci6n y seguimiento del programa Reconocimiento * * Habitualmente estas tare as las realiza un comite (coincidente en gran medida con el comite de direcci6n de la empresa) y que recibe el nombre de comite de calidad.2. la metodologfa a seguir puede dividirse en 7 etapas: 15 . A este grupo Ie llamaremos equipo de proyecto. Con respecto a personas que deben ser seleccionadas en los criterios para seleccionar problemas ni equipos.

Conocimientos previos y razones de la eleeci6n. La necesidad de reproceso ocasiona retrasos en la entrega de algunos pedidos. En este caso podrfa ser interesante analizar cual es la evoluci6n del porcentaje de defectos dfa a dfa (0 semana a semana. Etapa 2: Cuantifieaei6n de la situaci6n actual. los que aparecen con mas frecuencia) e identificar las causas que los producen. 3a. Ic. . lb. Etapa 3: Analisis de las eausas que provoean el problema y determinaei6n de aeciones eorrectivas. La herramienta mas adecuada para detectar estas causas son los diagramas causa-efecto. la. Verifieaei6n de las hip6tesis. Necesidad de reprocesar y realizar un test final a un porcentaje elevado de productos (10 cual representa un aumento de costa en la producci6n). Disminuir el porcentaje de defectos a la salida de la lfnea de producci6n hasta el 4 % en un determinada fecha.). La selecci6n de las causas mas verosfmiles debe realizarse a partir de la experiencia y conocimientos del equipo de mejora 0 de asesores extemos al equipo. Las razones de selecci6n de este proyecto podrfan ser: a) b) c) Porcentaje actual de defectos excesivamente alto (13. cuya colaboraci6n se solicite para esta tarea. y se debera realizar uno para cada una de las causas consideradas importantes. Preparaei6n de un ealendario de actividades. 16 3b. Se establecera un cronograma (en primera aproximaci6n) para asegurar el cumplimiento del objetivo en la fecha prevista. Tambien serfa interesante realizar un diagrama de Pareto para representar la importancia de cada uno de los defectos que aparecen. y es necesario seleccionar de entre estas las que pueden considerarse reales. Planteamiento de hip6tesis sobre las eausas mas probables. etc. Las causas que aparecen en los diagramas causa efecto son causas potenciales. Supongamos que el problema es una producci6n excesiva de productos defectuosos. Identifieaei6n de eausas potenciales. Fijaci6n del objetivo.8 %). En esta etapa se trata de seleccionar los tipos de defecto mas importantes (en general.Etapa 1: Seleeci6n del Proyeeto.

trasladar la experiencia adquirida a otros productos.La constataci6n de que las causas seleccionadas son las que efectivamente provocan el problema. Esta evaluaci6n puede llevarse a cabo mediante el analisis de la evolucion de la caracteristica considerada (porcentaje de defectos) y tambien realizando diagramas de Pareto sobre los defectos aparecidos antes y despues de establecer las acciones correctivas. de concepcion muy sencilla. recogida ordenada de datos. EI proximo capitulo se dedica a la explicacion detaIlada de estas tecnicas. Si las acciones correctivas son un exito se debera estandarizar su uso. Se trata de evaluar si las acciones emprendidas han surtido el efecto deseado 0. diagramas causa-efecto. 3c. Como el lector habra observado. no ha sido asf.. 17 . debe realizarse mediante un plan de recogida de datos en el que para cada defecto se anote la causa que 10 ha provocado. Etapa 4: Implementaclon de las acciones correctivas. pero que permiten solucionar la mayor parte de los problemas con los que se puede enfrentar un equipo de mejora. Etapa 6: Tomar las decisiones adecuadas en funcion de los resultados de las acciones emprendidas. etc. Por ejemplo: Atacar tipos de defecto que en el proyecto anterior no se hizo. . debera realizarse un seguimiento detallado del porcentaje de defectos en las nuevas condiciones de fabricaci6n.. Cumplidos ya los objetivos propuestos en el proyecto de mejora que se termina. se debera volver a etapas anteriores. si es necesario) al personal implicado en la puesta en marcha de las acciones correctivas que se hayan determinado. pueden plantearse otros objetivos que pueden dar lugar a nuevos proyectos de mejora. Una vez determinadas las causas que provocan los defectos se estableceran las acciones correctivas oportunas para evitar que se produzcan.). Etapa 7: Planes de futuro. Se trata de informar (y formar. Asimismo. si por el contrario. Si no 10 son. Etapa 5: Evaluacion de los efectos de las acciones correctivas emprendidas. en la descripcion de estas etapas se hace referencia a la utilizacion de diversos instrumentos que hasta ahora no se habfan mencionado (diagramas de Pareto. Determinacion de las acciones correctivas.

bien utilizadas por parte de todo el personal de la empresa. Estas tecnicas se conocen con el nombre de "Las siete herramientas basicas de Ishikawa". producci6n. existen otras tecnicas que sf deben ser conocidas y utilizadas por todo el personal de la empresa. las acciones en cuanto a la mejora de la calidad se toman en muchas ocasiones basandose en sensaciones. Las herramientas son: * * * * * * * Plantillas para la recogida de datos. Diagramas causa-efecto.. Naturalmente.3 Herramientas basicas para la mejora de la calidad Es practica habitual en todas las empresas fijar unos objetivos en cuanto a ventas. primero en el Jap6n con notable exito. Sin embargo. permiten solucionar en torno al 90 % de los problemas de calidad que se presentan. por tanto. pero no en el analisis cientifico de datos ~~~. tenerlas presentes y fomentar su utilizaci6n. respecto a que estas sencillas -herramientas. Cada vez esta mas extendida la idea de que los problemas de calidad deben ser atacados mediante la aplicaci6n de metodos cientfficos de recogida y analisis de datos (estadfstica). Existe unanimidad entre los expertos de mas prestigio en temas de calidad. Histogramas. exigen la utilizaci6n de importantes recursos materiales Yrequieren un cierto nivel de especializaci6n Yconocimientos. por tanto. Yperi6dicamente ir comprobando si los resultados obtenidos coinciden con las previsiones realizadas. Conviene. Graficos de control. deben quedar en manos de los cuadros tecnicos. Pero el uso de esta practica no debe quedar restringido a un grupo reducido de "expertos en calidad" sino que todo el personal puede (iY debe!) participar en el proceso de control Y mejora de la calidad. y despues en el resto del mundo. no todos deben aplicar las mismas tecnicas. para tomar las acciones correctoras oportunas en el caso de que las desviaciones respecto a 10 previsto sean importantes. Por ejemplo. No obstante. Estratificaci6n. Diagramas bivariantes. stocks. 18 . los planes de experimentaci6n para la optimizaci6n de productos. . impresiones u opiniones. beneficios. etc. ya que ha sido este ingeniero japones el que mas hapromocionado su uso. Diagramas de Pareto.

Otras veces los datos son incorrectos porque se han tornado de forma distinta a la prevista. y para ello nada mejor que utilizar plantillas especial mente disefiadas para cada caso.1 Plantillas para la recogida de datos No es diffcil suponer que para mejorar la calidad se necesitan datos.1 a 3. estudiar la localizacion de defectos en un producto. Los objetivos que se pretenden con el uso de las plantillas son: * * * facilitar las tareas de recogida de la informacion. haciendo imposible su analisis posterior. Pero muchas veces los datos se toman de forma desordenada 0 mal documentada. 3. evitar la posibilidad de errores 0 malos entendidos.3 muestran algunos ejemplos. estudiar las causas que originan los defectos 0 realizar la revision global de un producto. 19 .En este capitulo se presentan con detalle las seis primeras. permitir el analisis rapido de los datos. y las conclusiones que se obtienen a partir de estes carecen de sentido por mucho esmero que se ponga en su analisis. A los graficos de control. la recoleccion de datos debe efectuarse de manera cuidadosa y exacta. se les dedica el capitulo 6. Las figuras 3. por su mayor envergadura. Por tanto. llevar un control de productos defectuosos. Las plantillas para la recogida de datos pueden tener distintas finalidades: controlar una variable de un proceso.

Observese la diferencia que supone conocer lainforrnaci6n que aquf figura respecto a saber que "se presentan muchos poros". . (Tornado de J. 3.2 Plantilla para la localizaci6n de poros en guantes de goma. 3. EI conocimiento de cuales son los defectos que se presentan mas corrientemente permite dar prioridad a.CONTROL OE SERPENTINES identificaci6n Tipo: Lote: Hoja de ruta: Fecha: Lfnea: Operario: Total revisado: Oefectos: Tipo Soldadura Poro Oefonnado incompleto Otros Notas e incidencias: Total Fig.1 Ejemplo de plantilla para el control de productos defectuosos.las acciones que se deben tomar Fig.M. Juran Manual de Control.de CaUdad) 20 .

M T Mie. M T Vie.3 Plantilla de inspecci6n para estudiar las causas que ocasionan los defectos La experiencia demuestra que en la recogida de datos convieneseguir algunas reglas. No pasar los datos "a limpio".Raya + Grieta I!t. de 10 contrario es probable que no se haga nunca. 21 . Los datos imitiles s610 sirven para dificultar la localizacion de los titiles. M T FINAL-ACESORIOS METALICOS Realizado por: Mar.INSPECCI6N Semana: Maqui. No tomar datos si despues no se van a utilizar. 3. Opera. 2. M T Total M T E o Golpe Comentarios: . M T Jue. Es necesario anotarlos de forma clara y ordenada a la primera.Rebaba * Otros Fig. Asegurarse de que los datos se toman de forma que se analisis sea facil. 3. Entretenerse en el disefio de la plantilla de recogida de datos es una de las actividades mas rentables que pueden realizarse. Es una perdida de tiempo y una fuente de errores. estas son: 1. ADo: Lun. Puede parecer obvio pero es una costumbre bastante arraigada.

9 217.5 215. la representaci6n grafica mas adecuada es el histograma. raramente se precisan analisis estadfsticos complicados.6 216. del peso en gramos de cierto embutido que puede ser elaborado por dos maquinas distintas (1 y 2).6 219.9 222.6 219.5 21S.6 219.6 222.5 222. La tabla de datos que figura a continuaci6n corresponde a una muestra. y sobre cada intervalo se coloca un rectangulo de altura proporcional al mimero de observaciones (frecuencia absoluta) que caen dentro de dicho intervalo. Cuando se trata.4 222. tomada aleatoriamente durante 20 dfas.9 Mdquina 2 214.6 217.0 216.1 215.S 220.5 2OS.5 219.6 222.3 211.1 215.9 219.3 213.0 219.5 222. Tabla 3.0 225..S 214.2 21S. A Mdquina 1 220. como en este caso.5 216. Para realizar un histograma se marcan una serie de intervalos sobre un eje horizontal.4 21S. 216.3 21S.0 213.4 216.0 217.9 213.1 217. Si no es asi.1 220.3 213. que a su vez son atendidas indistintamente por dos operarios (A y B).7 220.7 217.1 221.6 214.9 222.6 215.6 2IS.2 215.1 216.0 212.1 222.9 219. de analizar la dispersi6n que presentan unos datos.9 216.3 222.6 225.7 222.0 218.7 219.6 215.1 216.9 217.1 216.5 223. y ultimamente se han detectado ciertos problemas a este respecto.9 216.1 220.2 222.7 B B B A A A B B A 213.3 212.7 209.4 221.4 219.3 210.4 221.9 224.S 21S. las conc1usiones que se pueden obtener a partir de los mismos son inmediatas. suele bastar con una adecuada representaci6n grafica.0 217.0 223. si los datos han sido tornados de forma correcta.2 219.4 217.9 221.9 219.5 223.4 220.6 2IS.0 219.2 214.5 21S.7 219.2 220.4 B B A A A 22 .S 224.1 Datos sobre el peso (en gramos) de cierto embutido Dla I 2 3 4 5 6 7 8 9 10 II 12 13 14 15 16 17 IS 19 20 Operar.1 219.2 Histogramas En muchos casos.5 21S.4 220.7 227.2 219.7 225.2 213.6 210. Veamos cual serfa el diagn6stico de la situaci6n y la propuesta de medidas a tomar a la vista de estos datos.0 21S.6 219.4 219.7 216.7 215.7 212.3 217.9 214.3 215.0 219.3 219.4 219.4 219.6 217.0 224.2 214.0 .4 216.4 214.5 B B B A A wa.3.6 216.5 222.3 220.5 216.9 21S.3 209.3 215.7 219.2 216.7 219.9 219.7 216. Las especificaciones del peso son 220 ± 10 gr.2 214.3 216.4 224.9 216.6 212.S 220.5 215.4 212.0 219.9 223.4 219.0 213.9 209.5 21S.9 222.6 216.1 218.7 216.0 211.9 217.1 2IS.9 216.9 214.2 217.2 211. 21S.S 213.S 221.7 221.9 21S.7 212.

pero los realizados por maquina (figura 3.Si se pretende comparar varios histogramas construidos con distinto mimero de datos. Utilizando la frecuencia relativa en el eje de ordenadas tambien se facilita la comparaci6n entre el histograma obtenido y un determinado modelo te6rico representado por una funci6n densidad de probabilidad (vease el capitulo 4). En este caso. puede ser mas rapido y c6modo construir los histogramas a mano. localizar el maximo y el mfnimo globales. Los histogramas que se han presentado han side elaborados con ayuda de un paquete de software estadfstico. Mientras que la maquina 1 esta centrada y produce dentro de tolerancias.6) ponen de manifiesto el origen del problema. 10 mimeros. 2. A partir de estos histogramas no puede obtenerse ninguna otra conclusi6n. En el histograma de la izquierda se ha colocado la frecuencia absoluta en el eje vertical y en el de la derecha la frecuencia relativa. A partir del maximo y el minima de cada fila. Puede interpretarse la funci6n densidad de probabilidad como la representaci6n del histograma cuando el numero de observaciones tiende a infinito y la anchura de los rectangulos tiende a cero. 3. En algunos casos. la diferencia esta en las maquinas. En la figura 3. La unica diferencia es la escala vertical. es preferible que las alturas de los rectangulos sean proporcionales al porcentaje de observaciones en cada intervalo 0 al tanto por uno (frecuencia relativa). la maquina 2 esta descentrada. especialmente si son los operarios los que analizan los datos que elIos mismos recogen. conviene seguir una sistematica adecuada com<\la siguiente: 1. pero la forma en que se han anotado los datos permite construir histogramas para las unidades producidas por cada operario y tambien por cada maquina. Colocar los datos a representar en filas de aproximadamente Identificar y sefialar el maximo y el minima de cada fila. y esto es 10 que produce que un cierto porcentaje este por debajo del peso mfnimo. pero naturalmente las conclusiones que se pueden obtener son las mismas: EI proceso esta descentrado y se esta produciendo un cierto porcentaje de unidades fuera de tolerancias (por defecto). 23 . En este caso se considera que la frecuencia relativa es proporcional al area definida por cada columna. pero no revelan nada que no sepamos ya.5 se han realizado dos histogramas con todos los datos (en total 160). Tambien pueden realizarse graficos por operario y maquina. Los histogramas realizados por operario no revelan nada iitil. No hay diferencias entre operarios.

.. 0... 3... i J .1 1.5 Histograma de los datos globales.+ j .4 .•. colocando en el eje vertical la frecuencia absoluta y la frecuencia relativa MAQUINAl 0. ... . o-~.p\ 220 PESOS :v-nnr O. j ! ! + i + ! "t.ll-r.. T...6 Histogramas correspondientes a las unidades producidas por cada maquina 24 .._ 212 220 PESOS i ! 228 236 204 228 23 Fig..4 MAQUINA2 -+ 03 '/ __ 0. PESOS PESOS Fig... I-~~ -t -~ .DATOS OLOBALES DATOS OLOBALES T............ ·r j ·l ... y......2 I-~.... 3. 204 212 IIIII I ~1_ / _ / ~~[rnJ I l~-1 I I ~ ! + ~......••• n: ~..

20 6.250 > 250 Num. etc.100 100 . Para evitar el problema que se presenta al asignar a un intervalo cuando dicho valor coincide con el extremo superior de un y el extremo inferior del otro. Rellenar la tabla de frecuencias. si los datos se presentan con un solo decimal y los extremos de los interval os son de la forma 2. utilizando la siguiente tabla: Niim.7 6 .4 en el intervalo siguiente.Valor mfnimo 5. en primera aproximaci6n. Asf. 25 . 9. Calcular el ran go (R) de los datos.2 y 2. conviene fijar dichos extremos con una igual a la mitad de la precisi6n de los valores. R = Valor maximo . indicando el mimero de veces que aparecen datos dentro de cada uno de los intervalos definidos. Determinar la amplitud (h) de los intervalos. 8.3 deberan situarse en este intervalo. de intervalos 5. 7.7 se presentan varias formas de histograma que responden a patrones de comportamiento tfpico. de datos < 50 50 .4.12 10 . Optar por un numero de interval os (k). 2.15 .10 7 .2.35. Fijar los un valor intervalo precisi6n Ifrnites de los intervalos. esta claro que los valores 2. Construir el histograma. En la figura 3. haciendo: h=- R k y redondeando el valor obtenido a un multiple exacto de la precisi6n de los datos.

3.7 Diversas formas tfpicas que pueden presentar los histogramas 26 .Histograma 1 Hist oarama 2 r-- rr- r-- ll- r- tII- rf Histograma 3 Risto grama 4 r-- n r-- II- - rI- rh Histograma 5 Histograma 6 Fig.

condosmaximos diferenciados. No representa una variabilidad natural ypor tanto hay que sospechar que se han eliminado algunos valores. errores. Tambien puede representar una magnitud con un "cero natural".). responde a una distribucion denominada bimodal se presenta cuando estan mezclados datos de distinto origen centrados en valores distintos.El histograma lcorresponde a la forma de campana habitual que representa la variabilidad debida a causas ale. y responde a la variabilidad que presentan ciertas variables que no siguen una ley normal. como los tiempos de vida. :puedeplantearse la necesidad de cambiar lalinea entera. pero en muchas ocasiones esta es una inversion importante que se va postergando. Esto ocurre si despues de la producci6n se realiza una inspecci6n al 100 % para separar las unidades fuera de tolerancias. como la tolerancia entre eje y cojinete. a abordar es de tal envergadura que parece illlposible de resolver. por su forma.2. En algunos casos la mejora es obligada. por ejemplo. En los histogramas 5 y 6aparecen datos que no siguen el patron de comportamiento general (anomalfas. 27 .OOuna linea de envasado que sufre frecuentesparadas por averfa en alguno de los m6dulos(no siempre el mismo) de que esta compuesta. Al histograma 4 parece faltarle una parte y por ella se llama censurado (en este caso a la izquierda). etc. 3. la informacion obtenida puede resumirse mediante la tabla 3.atorias. sesgado a la derecha.3 Diagramas de Pareto Existen muchos aspectos de cualquier actividad industrial (y tambien no industrial) susceptibles de mejora.. pero el problema.El histograma 2. v El histograma 3 se denomina. Pensemos. Su variabilidad puede atribuirse a alguna causa asignable que debera ser identificada y eliminada. Supongamos que despues de tomar datos durante seis meses.

NUMBRO DB PARADAS TIEMPO DB PARADA (hcxu) CAUSM CAUSAS Fig.Tabla 3. Por tanto. que son muchas pero ocasionan una pequefia parte del problema se les denomina causas triviales.8 Diagramas de Pareto para el mimero total de paradas y el tiempo de parada total Estos graficos se denominan "diagramas de Pareto" y ponen de manifiesto que. Man. s610 dos causas han ocasionado en torno al 80 % del problema (el 79. que ya seran atacadas mas adelante. Todo el esfuerzo debe concentrarse en la eliminacion de las causas fundamentales. .7 % del ndmero de paradas). en general son unas pocas las responsables de su mayor parte.Tienfpo de parada Tar•. estas seran las primeras causas a atacar.8.7 % del tiempo de parada y el 85. cuando se analizan las causas de un problema. 24 10 88 6 1 1 :E 42 25 180 7 1 3 .. ignorando en principio las triviales. En el caso que estamos analizando. 28 .2 Niimero deparadas Causa Maff. 20 31 I 12 62 2 0 4 10 68 8 1 1 51 22 130 10 1 0 1 8 0 5 8 La informacion que contienen estos datos semanifiesta: de forma mas clara construyendo unos graficos como los de la figura 3. A estas pocas se les llama causas fundamentales. Rotura hilo Cinta Vibrador Tornillo sin fin Apelmazamiento Rotura Saco Otros (1) y tiempo de parada en una lfneade envasado Num. al resto. de -paredo» (2) (3) (4) (5) (6) (7) 18 15 92 1 0 2 1 Tar. 3..

Hi' J.Hi'J. realizarse siguiendo los pasos que a continuacion Plantear exactamente cual. Tabla 3. Tabular los datos recogidos. dicha tabulaci6n tendra el aspecto que se indica en la tabla 3. se marca del 0 al 100 %.J.J. 29 .3 Tabulacion de los datosrecogidos Causa A de Pareto Tabulaci6n B C D E F .4.J. eomo recogerlos (no olvidar el diseilo de Ia plantilla) y durante que perfodo.H1' ..J..clientes durante un ano. ysietnpre refiejan elrnisrnoprincipio de "pocas fundamentales y muchas tiiviales".J.to··puedenapUcarsea situaciones.!-Iff .H1' .J. conel fi·ndeestablecer las priOridade$f. Si se trata deanalizar las. es el problema que desea investigar.H1' Ii 42 6 104 4 . que datos seran necesarios.H1' J.el tabla 3. diagrama.H1' . para la realizaci6n de undiagrama Total 10 2.rnuy distin.as. constntcci6n .J. en este caso:) y eha. del.Hi' I II I 20 14 Total 200 3. Rellenar el formulario· previo ··a•.H1' . La construc:ci6n de estosdiagrarnaspuede se .H1' I .H1' J. reclamaciones de".3.J.J. situando "otras' siempre al final. Bf . Iniciar la realizaci6n del diagrama dibujando los ejes.Hi' .s~ rnejora. a. y dos ejes verticales.Par.H1' 1111 .J. formulario tiene el aspecto que se indica en la 4.Los diagramas d. Las causas deben 1 ordenarse de mayor a menor importancia.indican: 1. Se coloca un eje horizontal dividido en tantlS partes como causas figuran en el formulario anterior.H1'. Para los datos de latabla anterior. 'rda se marca desdc 0 hasta el totaf (de reclamaciones. que sirVe coloc:ar los porcentajes.Hi' III I Otras J.

3AFormuiario Causa D B F A C E Otras Total Num.50 I < ·8 Z ~ 40 30· 20 40 20 0 10 D B F A C E Oau f 0 Fig.laconstmcci6n. 3. izquierdo-.9.5.9 Ejemplo de representacion de un diagrama de Pareto Siempre que sea posible. altura de cadatbarra debe corresponder.acion relativa al grafico para que pueda ser facilmente interpretado. / 30 . 180 ] -8 ~ ~ 160 140 120 100 80 60 80 70 60 . El resultado final tiene el aspecto que se presenta en la figura 3.Consideremos.5.niciacles monetarias en el eje vertical porejemplo.d. Construir el poUgono de frecuenciasac4mul~cio. Construirel diagrama de barras. de reclama. que. CAUSAS DE RECLAMACION DEL MODELO RS-232 Alilo 1992 200 10() 90.'W.d Total acumuiado ·diagrama de Pareto Porcentaje acumulado 104 42 20 10 6 4 14 200 . previoa . es eonveniente utilizaru. final a un lote de productos y se han detectado 200 defectos por causasindicadas en la tabla 3. La.alnumero de observecionescorrespoadieneesa cadacau'£a.Yaiiadir toda la in~0J. se ha realizado una auclitorfa. 104 146 166 176 182 186 200 Porcentaje 52 21 10 5 3 2 7 100 52 73 83 88 91 93 100 6. de acuerdocon Ia gl'aduacion 4el oje de la izquierda. Tabla.

coste 0.5 Coste por causa 225 110 66 12 22. considerando loscostes que origina cada tipo de defecto. dia de la semana.78 0.51 0. tipo de materia prima.51 0. sino estratificar segun el origen de los datos. operario.6 y. Sin.92 1.23 0.91 0.06 Propor.00 D Otras 0.25 O. No hay que conformarse con un diagrama de Pareto global. 31 . ).S Propor. Tabla 3. por tanto. etc.5 Causas ordenadas segun su frecuencia de aparjci6n Tipo de eausa A B C NUm. 0.03 0. la causa que tendrfa un interes prioritario serfa la B.55 0. la tabla podda ser la 3. maquina. embargo.55 0. y realizando eldiagrama de Pareto por mimero de defectos. de de/eetas Praporei6n Proporci6n . vista la situaci6n de esta forma.IS 0.11 0.6 Causas ordenadas segiin el coste ocasionado por cada una de ellas Tipo de causa Ndm. comparar los diagramas y sacar conclusiones. de defectos Coste unitario 45 110 22 6 17 5 1 3 2 1. se llegarfa a la conclusi6n de que Ia primera causa a atacar es la A.76 0.aeW1'Julada 110 45 22 6 17 0.94 1. acumul.Tabla 3.89 0.03 0.08 Con esta informaci6n.00 B A C D Otras Otra recomendaci6n importante es recoger los datos de forma que puedan ser facilmente estratificados segun su origen (turno.

frecuencia. se confundesu resolacion con la eliminaci6nde los efeetos que produce. para solucionar un problema: iatacar . y esta practica suele traer consigo malas consecueacias.por lo. A partir del cambio no se volvi6aromper 'tlperno 1.las . Yanosevolvi6 aromperningU'npemo. Expllca que ciert6dispositivo iba uIlidoauna. 3. que si no se eliminaba acabarfa rompiendo 1a nueva. intentar evitar el efecto del problema. La idea esta clara.caases. Se cambi6 la placa de hierro por otra mas gruesa y se anunci6 que el problema habra quedado resuelto definitivamente.eloscuatro pernO'Sdebenan ser mas grandes y se procedi6 alcambio. de forma ann todavfa masperjudicial. placa metalica 0 iriutilitanrlo el dispositivo con gra. en su libro iQue es el control total de calidad? presenta un caso de su propia experiencia. y. peroempezaron a aparecer fracturas en la placa de hierro en la que estabasituado eldispositivo. el efecto vuelve a manifestarse.apor medic de cuatro pernos. cuando presenta un problema. situaci6nsef!ecicH6qu. La que se habra heche era. pero sin eliminar su causa. EI perno . =. Ante lanueva.1 se rompfa con .quese decidi6.sustituirlo porotro de mayor diimetro. y si la causa permanece. o 4 Dtspositivo o Fig. no losefectos! Pero descubrir el entramado de posibles causas que hay detras de un efecto no es facil.10 Dispositive unidoa una maquina por cuatro pernos Unestudio mas profundo realizado posteriormente pusodemanifiestoque una vibraci6n que llegaba al dispositive era ·10 queocasionaba los" fen6menos de ruptura. pero empez6 a romperseel perno 2. Para hacerlo es cenveniente seguir una deterrninada metodologfa y construir eillamado Itdi~ama 32 . aunque tambien debeda haber~it\yestigadoelorigende Ia misma). Para solueionar un problema deben estudiarse sus causasy eliminarlas (en el caso de Ishikawa la causa era la vibracion. "maq'llin. Ishikawa.ves 3 consecuencias.4 Diagramas causa-efetto En muchasocasiones.3.

~$~J~~~{ad~porvariassecundarias.las cuales. se deseriben: 1. Seguramenteaigunas de 1ascallsas 'que aparecen en el brainstorming son descabelladas 0 . Reunir. elorigen del problema y realizar Existen distintas formas. estasultimas porterciarias. ITambi6n "diagrama deespina depez"ondi. debe serla responsable de eonstruir el diagrama.. .) a estudiar. 4. la caractedstica de calidad.suelen set: manode obra. una sola persona. especialistaen estas tareas y con un buen'conocimiento dell1rqblema estudiado. Bnel. Bs necesario.una selecci6n acordada de cuales son las causas que deben aparecer en el' diagrama. por tanto"realizar. metodos.etc. tal como se "indica en la figura 3. Con todasJI1~. 3.Cadapersona debeta iraportando posibJescausas.d~ organizar esteitipOde reunione~pero el objetivo basico es siempre asegurarsede 'quecadaparticipanteaportatodo 10 que Ileva dentro. Determiner e Identificarcleramente cuaI es el efecto (el'problema.-efectoJ'l. Cada causaprimaria.a laspersonasquepuedan. . . siguiendo l un orden establecid<t. Rea1izaruna'selecci6n de 'lascausas aportadas. Construir el diagrama:. maquinaria.i~tervenci()nes~n. 2. y aSI sucesivamente. medio ambiente ymantenimiento (conocidas como las seis M). de hacerloes siguiendtllospuntos que haeontinuacion.estan repetidas.causa. Una posibilidadesestl1bl~cer rondas ·~ct.quetod0sp~cipen. basta que las ideas se bayan agotado totalmente. materiales.~ausasaportadas.Una buena forma.as.11.diagrama las causasse'prc!cntandef6rmajerarquizada yagrupadas en unos cuatro 6 seis grandes grupos denominados "ca\lsa$~dfllarias".aportarideassobre un brainstorming de posiblescausas.J1'~de IShikawa".

tudi •.Por tanto.t!adeja~set ~~.efecto reall11ente existen. Cuandollna.• mcnto.f~~men. causas .est~diado.desa~arecC. sera necesario recoger datos para confirmar que las relaciones catisa .que se van adquiriend. Como consecuenciade 10anterior.no se babSan . Tambien pueden aparecer nuevas causas potenciales. 3.o nuevos conocimientos sobre. ar an 34 .n.el. undiagrama enelques61ose·ban·considerado·cuatro causas MANODEOBRA MAQUINARIA MATERIALES METOOO Fig.Meno de obra Mantenlmltnto Fig.12 sereproduce primarias. considerado.p~~e se • han logrado elilTlinar.o. queen unprilTlet .tn4sque OQulttse.. un d~agralltacau~a-efecto En la·figura·3. debetacharse. Es deeir.11 Disposici6n jerarquizada deca1.12 EjelTlplode diagrama causa-efecto No debe perderse de vista que las causes anotadas en eldiagrama son causas potenciales.•• influyen.para4eJ const cia de·q~~!hae. un diagramaque va cambiandoa lTledida. otras POl'qlle~e cQnst~~que ..ls~$ en. el diagrama causa-efecto debe ser considerado un diagrama vivo. Algunai. 3.~I\. considerada.

que Ids sintonizadores se estropeaban en funcion del tipo de televisor en que habian sido instalados. no obstante. explica un interesante caso en el que la utilizaci6n de este tipo de diagramas permiti6 resolver un importante problema. (Figura 3. y el resultado fue que las quejas de los consumidores se redujeron drdsticamente".Se trataba de la longitud del eje del sintonizadoro de ladiferenciaen unidadesde corriente electrical Durante bastante tiempo parecia que no habia ninguna correlacion entre ninguno de los factores.. otros los tienen en el salon. En consecuencia. Actualmente los botones s electronicos son algo corriente. El experto en control de calidad analizo los datos desde distintos angulos y descompuso en factores cada una de las condiciones concebibles y su relacion con la proporcion de averias: . en su libro CTC: La sabiduria japonesa. pero en el pasado todos los selectores de canal tenian que girarse manualmente y podian Juncionar mal si el sintonizador tenia un contacto pobre. Descubrio. algunos los colo can en rincones polvorientos. Cuanto mas cerca estaba el sintonizador del altavoz.televisor a otro. menor era la proporcion de mal funcionamiento. La correlacion residia en la distancia entre el sintonizador y el altavoz. con mas frecuencia se averiaba. la averia de un televisor podia estar causada por el entorno 0 por un simple error en el proceso de fabricacion.3. seguia teniendo el problema de descubrir el verdadero factor entre varias altemativas posibles. Una vez establecida esta correlacion. que aunque se utiUzaban sintonizadores identicos. El sintonizador es el punto en que las ondas magneticas se captan por primera vez. Hace algun tiempo.. cuanto mas lejos.Los datos reunidos en cientos y cientos de televisores revelaron. pero al final surgio la causa. los Jabricantes empezaron a colocar los altavoces tan lejos de los sintonizadorescomo permitian los cajas. La gente utiliza sus televisores de distinta manera. Los sintonizadores estandarizados se producian en masa y se empleaban en distintos modelos de televisor. 0 con un aumentode la temperatura? . mas 0 menos como un objeto decorativo. Se dio cuenta de que el problema deberia estar relacionado con alguna cosa que no Juera el propio sintonizador. un experto en control de calidad investigo el nivel de mal funcionamiento de los sintonizadores.La frecuencia de uso y la fuente de electricidad tambien pueden ser distintas. Dice asf IOEIintonizador suele ser 10 primero que se estropea en un televisor.5 Diagramas bivariantes Una forma de comprobar si existe relaci6n entre una caracterfstica de cali dad y un factor que puede afectarla es la construcci6n de diagramasbivariantes. sin entbargo.13) 35 .EI profesor Hajime Karatsu. la proporcidn de mal Juncionamiento era muydistinta de un modelo de .Estabarelacionadaconel tamafiode la caja.

••

.•...
'

• ••
•••

•••

Fig. 3.13 Diagrama de correlacien entre la proporciOn de averfasy ladistancla altavoz-sintonizador, obtenida a partir de los datos de Un conjl.tfttG de televisores.

gran

La construcci6n de un diagrama bivariante puede realizarse de la siguiente forma: ' 1. Reunir pares de datos de las variablescuya relaci6n se'desea.invesu"ar. Con menos de 30 pares es diffcil sacPI conclusiones. En, torno a SO luele, ser,sqi'lCiente. Trazar los ejes. Decidir las escalas de forma que ambos ejestengan aproximadamente la misma longitud. Marcar los ejes con v~oJ;'es facilc&4e leer. Si una variable es unacaractedstica~ calidad r laotra un factor (de dlseno produccion), se situa la.primera en el eje-verticali 3. Situar los puntos enelgrat'ico. cfrculos coacentricos, stoos .Ofttaspuitt08cotl'lciden,
0

2.

de

se seiiala marcando

4.

Incorporar toda lainforrnaci6n.pertiJtentequeaY~deainterpretarel gtafico (titulo del diagrama, n'l1mero de pares de/ datos, tituloy unidaaes de caaaeje, identificacion del autor, etc.),

Los. datos de latabla.3,.7,indicaJtlatentP~ratura a que se ha,realizadocierta.rc ei6n.quftnica y el rendimientoquesel'laobtenidoen la misma. A partir de esta tablase obtieneeLgratico de la figura 3.14.

ac

l6

Tabla 3.7 Datos correspondientes a las temperaturas de realizacion y el rendimiento obtenido en 50 reacciones qufrnicas:
Obs. Temp. Rend. Obs. Temp. Rend.

1 2 3 4 5 6 7 8 9 10 11 12 13 14 IS 16 17 18 19 20 21 22 23 24 25

162 IS4 148 116 152 136 IS8 126 140 160 160 160 144 120 126 134 164 162 132 130 170 148 144 112 126

94.6 93.0 93,9 92.7 92.8 92.S 93.S 91.S 93.8 93.6 92.6 94.1 92.9 91.0 92.0 92.4 93.4 93.6 92.3 91.1 93.0 91.4 93.0 91.6 92.0

26 27 28 29 30 31 32 33 34 3S 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50

160 110 138 140 ISO 134 162 180 142 IS2 170 150 160 104 130 160 138 152 130 110 120 1I0 152 172 126

94.0 91.3 92.5 92.0 92.2 92.0 93.5 95.2 92.1 92.4 92.9 91.5 93.0 91.0 92.5 93.1 93.0 93.4 93.4 92.0 92.5 92.3 92.8 92.0 92.6

Los diagramas bivariantes pueden presentar distintos aspectos segun el tipo de relacion que exista entre las variables. En la figura 3.15 se han representado los diversos tipos de diagramas que pueden aparecer, En algunas ocasiones no esta claro si existe 0 no correlacion, Para estos casos, Ishikawa propone la realizacion del llamado "test de correlacion de las medianas". Para ella se sigue el siguiente procedimiento: 1. Determinar las medianas de las x (variable colocada en el eje horizontal) y de las y (variable colocada en el eje vertical). Trazar ambas medianas en el diagrama bivariante. De esta forma el diagrama queda dividido en cuatro cuadrantes, que son notados como I, II, III Y IV, a partir del extrema superior derecho y en sentido contrario a las agujas del reloj. Contar los puntos que quedan en cada cuadrante excluyendo los que estan situados sobre las medianas. Determinar la suma de puntos en los dos cuadrantes opuestos (I 37

2.

3.

y III

II y IV) que presenten la suma menor. Bste mimero se denomina "valor de prueba".
0

4.

Comparar el valor de prueba en la tabla 3.8. Si elvalor de prueba obtenido es igual o inferior a la cantidad Hmiteque se da en la tabla, puede decirse que existe correlaci6n con una probabilidad de.error igual 0 menoral 5 %. La justifieacion te6rica de las cantidades lfmite de la tabla requiere el uso del modelo binomial que se estudia en el capitulo 5.
RELACI6N Rendimiento Reactor B. TEMPERATURA - RENDIMIBNTO (N-50)

PdJiodo EnerO-Febtero 1993

(I)

~,.-----------------------------------------------------~-------------.

9'
94
+ + + + + + + + + + + +++ + ++ + + + + + + +

+ +

;
++;+ +

93

;
+ ++

+ +

;
+

;
+

91

+

~I+-----~-----r-----r---T---T~~--~--~~~ 140 160 120 100

TempcntuIa

ISO

r C)

Fig. 3.14 Diagrama bivariante elaborado a partir de los datos de la tabla 3.7

38

Correlaci6n positiva Correlaci6n negativa • •• • •• • •• • • ••• • • •• •• • • •• • •• •• • •• • • • ••• ••• • • • • • ••• • ••• • Posible corre1aci6n positiva Posible correlaci6n negativa • • • •• • •• • • • • •• • •• • • • • • • •• • • • • •• •••• • • • • ••• • •• • • ••• • •• •• • • • •• • • • ~ • •• • ••• · Relaci6n no lineal No correlacion • ••• •• • •• •• ••• •• • •• • • • • • • •• • • • •• ••• • • • •• • • •• •• • • •• •• • ••• • • •• • • •• Fig.diagrama bivariante 39 .15 Distintos aspectos que puede pres~ntar un. 3.

de puntos 56 57 58 59 60 61 62 63 64 5 5 5 6 6 7 7 7 8 8 9 9 9 9 10 10 11 65 66 67 68 69 70 71 72 45 46 47 48 49 50 51 52 53 54 55 12 12 12 13 13 14 14 15 15 15 16 16 17 17 18 18 18 19 19 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 En el diagrama temperatura-rendimiento (figura 3.Tabla 3. de puntas 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 Limite del valorde prueba DE ISHIKAWA Umite del valor de prueba 20 20 21 21 21 22 22 23 23 24 24 25 25 25 26 26 27 27 28 28 28 29 29 30 30 31 31 32 32 32 33 33 34 34 35 Num.8 Lfmites del valor de prueba para el test de correlacion de Ishikawa TABLA PARA EL TEST DE CORRELACI6N Num. cuadrante son: Cuadrante I II III IV 10$ puntos que se obtienen encada Puntas 18 5 18 40 .16).

--+ _ --_ + ++ + --- _ ._ + +++ + + + ++ :!:. Representar los datos con distinto sfrnbolo segun su origen (estratificar). Sin embargo.7 Respecto a la construcci6n de este tipo de diagramas... El valor lfmite que da la tabla para N=46 es 15. no se ha considerado que las medidas han side tomadas por dos aparatos distintos. ya que del total se restan los que caen sobre las medianas (cuatro en este caso). (Ver figura 3.) RELACION Reactor B.16..16 Test de correlaci6n de Ishikawa sobre los datos de la tabla 3.Por tanto. puesto que.RENDIMIENTO (N • 50) (%) %~----------------------------------------~ 95 94 + @ + + + -+--- Periodo Enero .. cabe hacer las siguientes recomendaciones: 1. se ha representado el diagrama de la derecha. (mimero de puntos en los cuadrantes II+IV). y como 10<15.17. Observe la figura 3. estes pueden estar calibrados de forma distinta y conviene distinguir los 41 . secado y el tiempo de molturaci6n a que fue sometido previamente. Del. El diagrama de la derecha representa la relaci6n entre la humedad final de unproducto tras unproceso de. cuando se toman medidas con dos aparatos distintos.Febrero 1994 + + :I: + ++:1:+ +:t: + :t: --_ + 93 92 91 90 --_ _ _± . podemos afirmar con una probabilidad de equivocarnos menor del 5 % que existe correlaci6n entre temperatura y rendimiento." + + + + + + --~ t . 3.. en este caso el valor de prueba sera 10.- _- + + +@ + 0) 160 180 Temperatura (OC) 100 120 140 Fig. Este no es un caso raro. Rmdmm~ro TEMPERATURA ._ -. El mimero de puntos a considerar es de 46.--. analisis de este diagrama parece deducirse la inexistencia de correlaci6n. y teniendo este hecho en cuenta.

no cabe esperar que una ola de calor en el mes de febrero aumente el mimero de matrimonios ese mes. no significaque estano exista. se mueven en un rango de variaci6n demasiado pequefio para poner de manifiesto la correlacion existente. 3. vacaciones -+ matrimonio). La existencia de correlaci6n no implica una relaci6n causa-efecto. Se ha comprobado que existe una alta correlacion entre Ia temperatura media de un mes y el ntimero de matrimonios que durante ese mes se celebran. Datos mezc1ados 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 e Aparato A • AparatoB 0 0 0 0 0 0 0 0 0 0 0 0 0 •• • •••••• 0 • •• • •• • Fig. ser prudente a la hora de sacar conclusiones ante un diagrama que presenta una clara correlaci6n. 2. 42 . etc. Quiza los datos de que se dispone. Aunque los datos hist6ricos de que se dispone no indiquen la presencia de correlacion. 3.puntos que han sido obtenidos con uno u otro aparato. de varias maquinas. Esta relacion es debida a otras variablesinterpuestas (en este caso quiza: calor -+ vacaciones. Esnecesario. de varios turnos. de materias primas de distinto origen. Sin embargo. portanto.17 Diagramas bivariante con los datos sin estratificar y estratificados La mismo podrfamos decir si los datos hubieran sido tornados por dos (0 mas) operarios.18. sobre el factor cuyo efecto se estudia. tal como pone de manifiesto la figura 3.

1~· ·. • • r.. no es una tecnica nueva. 2.Condiciones de producciOn 1 • . · ~ 1 : : I .. una correcta estratificacion permite obtener una informacion de gran importancia que. En realidad. As!. 43 . En el caso de los histogramas. r· . • ·'7. '1 • ·1· • •: :.6 EstratiOcacl6n La estratificacion es tambien una de lassiete herramientas basicas que propone Ishikawa. •• i . no significa que ista no exista 3. • Fig. no se pondrfa de manifiesto. los diagramas de Pareto 0 los diagramas bivariantes. .. las plantillas para la recogida de datos deben pensarse para que posteriormente pueda realizarse los analisis dividiendo los datos segtin su origen. de otra forma.1 •• 1· •• j •••••• •••• .18 Aunque los datos de que se dispone no indiquen la presencia de correlacion... sino que es una metodologfa que conviene incorporar a cada una de las herramientas que ya hemos visto. ·. I I .

mientras que la buena informaci6nsie~pre esta basada en datos. un determinado volumen de datos. realidades Informaci6n = Respuesta a preguntas Cuando se plantea un problema.en que circunstanciasse presenta?. 2. mientras que la informaci6n debe entenderse como la respuesta a preguntas previamente planteadas. Recopilar datos relativos a la cuesti6n planteada.). cuando se planifica la recogida de datos. M. Presentarlos datos de forma adecuada para poner claramente de manifiesto cual es la respuesta a la pregunta. 4. distinguiendo claramente entre los conceptos de datos e informacion. Formular claramente las preguntas que se desea contestar. Pero. Unos datos correctos y muy exactos. sin embargo. Es importante tener presente cual es la pregunta que se desea contestar. cuando se pretende solucionar un problema concreto no se disponga de los datos para realizar un diagnostico seguro. 1. no necesariamenteaporta la informaci6n que se precisa para resolver el problema.con que frecuencia se presenta el problema?. l. 44 . etc. su resoluci6n exige disponer de una cierta informaci6n (respuestas a preguntas del tipo. simplemtente. Los "datos" no necesariamente incluyen "informaci6n". Datos = Hechos.Anexo: Datos e informaci6n No es extrafio que en una empresa se recojan y archiven gran cantidad de datos y. ASI pues. 0 los datos son incompletos 0. l. recopilados mediante un elaborado disefio de muestreo estadfstico. por grande que sea. sino en c6mo obtener informacion que resulte titil. son intitiles si no permiten contestar alguna pregunta de interes. Los datos pueden definirse como la concreci6n numerica de hechos 0 realidades. Analizar los datos para determinar la respuesta a la pregunta. Juran aclara esta aparente paradoja. 3. la clave no esta en c6mo recoger datos. no son fiables. El proceso de generar informaci6n puede resumirse en las siguientes etapas: 1. La "informaci6n" incluye "datos".

En estecapltulo se analizan conceptualmente las distintas causas que generan variabilidad en 18 mayodadeprocesos.1Jnid~s de producto d obtenidas como salida del proceso.ll1ecani~acipnde piezas de acero y de cada piezamedimos su di4metro. sf suele ser posiblesaber el tiempo aproximado en que acostu:mbra a correr la prueba el atleta en cuesti6n. casisiempie hay que tC)lnardecisiones en presencia de Ilniido"ovariahilidad. por ejempl0.toen todas las carreras.tici6n de ciertos pasos delproceso:precalentamiento.1.'.c6nsideramos uncierto prOceso'.ellllisp. Ellonoisignificaquelavanabilidadno se pueda medir. la salida enaceleraci6n. existen siempre variaciones en las entradas de un proceso y. o con que frecuencia corre por debajode 10.~~.En nuestro ejemplo. el resultado no es. el histograma 1apane derecha de la figura 4. Esta variaci6n en el"prOducto" (resultado de lacarrera ennuestioejemplo)recibe e) no:mbrede variabilidad y estA presente en todo proceso real. SI.pn principio cada carrera representa unarepe.· .4 Causas ymedida de Ia variabilidad Consideremos el proceso de correr 100mJibr~spor parte deun~deta. a pesar de que se intenta repetir todos 10$ pasos. de modo que no se puede predecircon exactitud elresuttadode una carrera antes de que esta se celebre. representarA la variabilidad de i 45 . yaque no hayqueconfundir lavariabiIidad con ausencia' total deregdlatidad: i Eri la vida real. en consecuencia. iferencias (variaciones)en. yes la estadfstica la disciplina especializadaenel tema.1Causas de variabiltdad genedco de la figura 4. i 4. colocaci6n en los tacos de salida.~.. existirAxl.tre las caracterfsticas' de las distintas . La evidencia nos indica que.1. Considetamos elproceso En la practica.Jorma identica. etc.2 seg porejemplo.mantenimiento' de lavelbcidad.yse introducen las importantesconceptos de funCi6n de densidad de probabilidad yfunci6n de distribuciOn que nosper:miten medirla.

Un hecho de trascendental importancia. SI SE MANTIENE CONST ANTE EL SISTEMA DE CAUSAS QUE PRODUCEN VARIABILIDAD EN LAS ENTRADAS. las perdidas que un producto causa a la sociedad cuando se utiliza son directamente proporcionales a la variabilidad de la caracterfstica de cali dad del producto en c'iiesti6n.ENTRADAS PRODUCTO Metodos --------. su eliminacion del proceso 0. 4.1 Variabilidad en. yel hecho de que los diametros de dos piezas fabricadas por el mismo proceso sean distintos es la consecuencia de variaciones en lamateriaprimajdifereacias en. de la variabilidad en Ja mano de obra. En otras pal abras .el porcentaje de carbone entre distintas partidas de acero). aunque los diametros de las distintas piezas sean distintos. por 10 menos. En la argumentaci6n anterior ya se intuye que las causas de.1 ----------I PROCESO _j ~oOma------~~------1 I Maquinas 1 I r I Materia Prima----L--r--. que. bajo supuestos muy generales. si bien el diametro de una pieza individual es impredecible. Toda variabilidad tiene suscausas. y quejustifica la gran utilidad de la estadfsticaen el estudio de la variabilidad. I~ '. se pueden hacer predicciones estadlsticas sobre grupos de piezas. Pero 10 mas importantees que. 0 de la variabilidad en cualquier otra entrada del proceso. cuando el sistema de causas de variabilidad es estable. las frecuencias con que se observan los distintos valores de los diametros tienden a estabilizarse en forma de una distribucien predecible. Como se explica en Pefia.__ Entomo----------JI Variabilidad Fig.retiU9ci6n de sus efectos correspondera a distintos niveles de autoridad y responsabilidad dentro de la organizaci6n. consiste en. segiin cuales sean las caracterfsticas de una Causa de variabilidad. Prat (1986). un proceso del diametro de las distintas piezas producidas. (los operarios no trabajan siempre de la misma manera). Por ella en general sera cierto que: 46 . variabilidad podran tener consecuencias muy distintas. dependiendo de que su presencia en el proceso sea estable 0 esporadica.

per Is.. si bien representan menos del 10% de los problemas de calidad de un cierto Aunque no existe una definicion precisa de estos dos tipos de causas. No admite •representaci6n estadfstica.::=.>REDUCIR.una~i~t8.a la capacidad del proceso. id~ntificaci6n.problem~ de calidad. mas sencilla y son responsabilidad del operario.hecho facilita su identificaci6n yeliminaCi6n (graficos de control). Afectan especfficamente a una rnaquina.lacalidadpasa. Forman parte del sistema y esresponsabilidad de la direcci6n disminuir sus efectos.responsables de mas del 90% de.1 Caracterfsticas de las causas de variabilidad CAUSAS COMUNES Suelen set muchas y cada una produce pequeiias· variaciones. operarios. CAtJSAS ASIGNABtES (especfficas ) Suelen set pocas pero de efectos importantes.os. de las p d causas que producen variabilidad. En la tabla 4.MEJORAR LA CALIDAD <(. la estrategia basiCs. Afectan al conjunto de maquinas. l Causas asignables. Su suma (superposici6n) determin.de cada uno de ellos. en la tabla 4.lalllejora •• e .2 se encuentra.anente delproceso.=" =::. Tabla 4. LAVARIABnIDAD Asf pues. Este.1 se encuentran algunas caracterlsticas.de condiciones a las que normalmente se asocian lasdos categorfas de causas de variabitfdad. etc.el proceso. Son diffciles de eliminar. etc. cuyaeliminacion es responsabilidad de lacUrecci6h de la empresa y que acostumbran a ser. operario. La variabilidad debida a estas causas admite represelltaci6n estadfstica (densidad de probabilidad). Aparecen esporadicatnenteen. ypor Una eorrecta asignacioo de ta mismaa una u otra de las dos categorfas definidas ya por Shewhart (1931): 1) 2) Causas comunes.· ata . Son parte perm. Son relativamente faciles de eliminar por parte de operarios y/o tecnicos. 47 . cuyaeliminaci6nes proceso.

. .2 .de 48 .autOi"'se de~~lc~ncepto de procesoen estadodecontrol. Condiciones asociadas a ItlScatldsGe .e qOntrolde. vatiabilidad COQdiciones asociadas a causas comunes Inevitable Bstable HomO'geneo Constante Nonnal Bstacionario Controlado Predecible . Con4iciones asociadas a causas ~ignables Bvitable Inestable Heterogenea Brratico Anormal Descontrolado Impredecible Inconsistente Bsporadico Diferente Imt>ortante Significativo Desgaste Consistente Permanente No significative Bstadfsticamente estable Mtlltiple Pecas I No es exagerado decir quetodaIa teorfa de losgrUicos.Qria.Shew~ten(a como objetivo el desarrollo de metodos.c:le 10 que en estadfsticaseconoce como poblaci6n. Upconjunto den botellas. predecible estadfsticamente. comoaquelproceso sobre .~~tt1a un sistema estable de causas devatiabilidad (las causes comunes).que permitiesen identifioar Ia.de causas asignables de variabilidad en un determinado proceso. 4. Bl concepto de variabl~aleatQ~.~~~"bOtIlll$.y.iatPQre4.'..en consecuencia. AJ.~~1~i.ocurreAci a.::'{\1()teU~ deagtlacon su contenido en ern'. . pot ejemplo. selecci. para proceder a.· Y..2 Medidas de la variabilidad Las unidades producidas y las que conceptualmente puede producir un pr~so control son un ejelllPlo.• estudio de.11liSmo. queasO(.sueliminaci6n y mejorar asl la calidadd.•.un ptocesode tellenad?>."fabIa4. y cuyo output es..!~~y . constituye unamuestraaleatoriade dicha poblaci6n.d. prorundo'en cualquier libro de estadfstica matematica.e losproouotoS:industriales:. aul'lquei~y~oquedal~.de ag\1a supongamos que esta en estado de control.. enestado de Consideremos. y Recffie el nombre de variablealeatoria la funciop. .el quetlnicatnente.dq alestoriamente de entre las fabricadaspor el procese.•.

1 Variabilidad en una muestra Es evidente que una manera de representar graficamente la variabilidad en los datos muestrales es el histograma de dichos datos. r En la figura 4.los objetivos de este libro. Fig.3 Histogramadel eontenido en em'en una muestra de tamafiolOO 49 . Estosconceptos se representan esquematicamente en la figura 4. que se pueden tratar matematicarnente. 4. es conveniente observar que la funei6n Y convierte la muestra de observables (botellas de agua) en mimeros reales (contenidos en em').2.3 se presenta el histograma con los eontenidos en em' de una muestra de 100 botellas rellenadas por el proceso eonsiderado. 4. • •• MUBSTRA Datos 199 200 Volumen en cm 3 201 R Fig. muestra y variable aleatoria 4.2.2 Poblaci6n.

20 Fig. desde textos introductorios como Hogg-Craig (1978) hasta textos como Chung (1968).poB'~tltef mas regular que 01 anterior y con interval os de menor amplitud.izquierda de la fig.EI histograms permite contestar facilmente a preguntas del tipo: 1) l. pero referidas a la poblaci6n de las botellas que se pueden rellenar con el proceso en estado de control.Que proporcion de botellas en la muestra tienen un contenido inferior a 198 em'? 2) l. Consideramos la situaci6n descrita en la figura 4. Variabilidad en la poblaci6n.3 Densidad de probabilidad. EI reducido tamafio de muestra obligara a definir una amplitud de intervalo grande.4. n .000unidades y. y edemas pueden existir intervalos con pocos efectivos. n=20 unidades de un cierto proceso y representamos la variabilidad de la muestra mediante un histograma. En este apartado vamos a introducir de forma intuitiva un concepto cuya formulaci6n matematica correcta nos Ilevarfa excesivo tiempo y que el lector interesado puede encontrar en cualquier libro de estadfstica rnatematica. Si la muestra fuese de n=200 unidades. seguramente.Que proporci6n de botellas en la muestra cumplen con las especificaciones 200 :±: 2 em'? A pesar de que serfa de considerable interes tener respuestas a las preguntas anteriores. 4. seguirfamos hablando de una muestra real de un proceso real y el histograma resultante serfa. el histograma que representase la variabilidad 50 . Manteniendonosen el mundo real podrfamos extraer una muestra de 2.4. 4. muyprobablemente este presentara la forma irregular de la parte .. por ejemplo. no cabe duda que serfa de mayor utili dad aun poder contestar a preguntas similares.4 Concepto intuitivo de densidad de probabilidad Si tomamos una muestra de. 4. Esta idea la desarrollamos a continuaci6n.

Ys.p) de la variable aleatoria Y considerada.dicho proceso.p. cuando tuviesemos valores de la poblaci6n conceptual formada por todas las unidades que se pueden rellenar con el proceso en estado de control. Teniendo en cuenta que una de las definiciones de probabilidades que esta es el limite hacia el que tiende a estabilizarse la frecuencia relativa cuando el tamafio de la muestra crece indefinidamente. La d. se deduce que: b ff(y)dy a = Prob(as. un valor en el intervalo cuyos extremos son a y b. el area sobre un cierto intervale era la frecuencia relativa con que se habfan observado valores en dicho intervalo. cuando formulemos una d. algunos modelos son utiles''. fey) ~------~--~~~~--y a Fig. que hemos visto anteriormente.5 Densidad de probabilidad Hemos visto en el capitulo anterior que. Siguiendo el proceso anterior hasta el limite. . cuando n=oo 0. 51 . en terminos coloquiales podrfamos decir que la densidad de probabilidad es como el histograma realizado con todas las unidades que constituyen la poblaci6n. esta sometido a la afirmaci6n de Box: "Todos los modelos son falsos.b) significa la probabilidad de que la variable aleatoria Y tome. Esta afirmaci6n viene a decirnos que..p. 10 que es 10 mismo. pero no podemos afirmar que la variabilidad del proceso seaexactamente la implicada por f(y). y la relaci6n entre histograma y d.b) (4.muestral serfa todavfa mas regular y con un os interval os de menor amplitud. en una gran mayorfa de casos el "histograma" que se obtendrfa serfa tan regular como la funci6nf(y) representada en la parte derecha de la figura 4. Consideremos ahora la figura 4.p. es evidentemente un ente abstracto 0 modele mate matico y. en un histograma. en una unidad de la poblaci6n.5.YS. 4. Esta curva suave es la que recibe el nombre de funci6n densidad de probabilidad (d. Por tanto.1) donde informalmente Probe as. fry) debe ser util para hacer previsiones sobre las unidades fabricadas por . como todo modele. Pasemos ahora al mundo de las abstracciones.4.

pregu~rta$ . de larela{i&t\i"i. Si bien.~a entre histograrna y d. para que una funcion f pueda ser d.5 Funci6n de distribuci6n Supongamos de nuevo.. del contenido en em' de la pobJaci6n de botellas de agua rellenadas porun estado de control.p. que la funci6n/(y) de III figura4Ses d.la d. es 01 valor alrededor del cual taman val ores los individuos de la pobJaci6n considerada. en la . . puede tambien sercaracterizada parclalmente per dos par4metros poblacionales: p=. Esta clare quef(y) contiene toda la int. parte de la variabind~~puedevenir y.No todas las funci6nes matematicas pueden seruna d. fly).p. se requiere: (a) j(y)?Oparatodo (b) yell.p .4 Esperanza matematica y varianza sirttetiHtiaehUnpar de estadfsticos muestrales como x S2y •.p. Al igual que en unamuestra.. de locaJizaci6n y de 4. En efecto. mientras que 02 es un· parimetro de dispersi6n. ~= E(y) = fYI(Y)dy I (4. p Y fT" son los masutillzaaos en elptesent:e 'libro. es dedr.1'tri. at cuadrado.estadfstica "l1lat~11l'titasedefinenJl1ultj~lesparametros dispersion. Ia varia15ilida~representada exhaustivamentepor . EI pararnetro p es un parametro de localizacion.p.'\.2) asociada con el nombre de media poblacional oesperanza maternatica de la variablealeatoria y 02 = Var(YJ = J(y-~)2/(Y)dy I = E(y_~)2 (4. ya que es la esperanzl!t1l1ttematica de las desviadortes reSpecto all. 1 ff(y) Il dy = 4.fti conocida f(y)sepueden contestar. se deduce que.3) conocida como varianza poblacional.E(Y) y 02= Var(Y) cuya definicion es: .

.(1) "Que proporci6n de las botellas rellenadas por el proceso tendran contenidos entre a b y b? Respuesta: ff(y)dy Q (2) "Que proporci6n de las botellas rellenadas por el proceso tendran contenidos inferiores a a? Respuesta: f f(y) Q dy -ao (3) "Que proporci6n de las botellas rellenadas por el proceso tendran contenidos superiores a b? Respuesta: If(Y)dy b . . Dada una variable aleatoria Y.4) de La figura 4. Por ello resulta de gran utilidad el concepto de funci6n de distribuci6n.a.6 representa esquematicamente la relaci6n existente entre la densidad probabilidad y la funci6n de distribuci6n de una variable aleatoria. 4.1] definida por: y F(y) = ff(t)dt -ao = Prob(Ys. EI unico inconveniente es que cada respuesta implica calcular un area bajo la curvaf(y). fey) y yo y Fig.y) (4. Y ala funci6n F de la recta real R en el intervalo [0. se llama funci6n de distribuci6n de la v.6 Relaci6n entre la funcion de distribuci6n y la densidad de probabilidad 53 .

d) es continua "por 10 menos por la derecha''. F(a) y I-F(b). Supongamos que lanzamos 10 veces una moneda y que la variable aleatoria considerada. En este caso...7. continua por 10menos por la derecha y tal que limF(y)=O y~-- y limF(y)=1 y~- 4. Y. I.1. Para el caso discreto. en consecuencia. es ahora el mimero de veces que ha salido cara. vamos a denominar discreta.1 y (52 se definen: ~=LYj{y) y (4.5) (4. f ya no es una curva suave como ocurrfa en el caso continuo.. 2. Toda funci6n de distribuci6n es obviamente mon6tona no decreciente. sino que tendra una forma como la de la figura 4. La funci6n de distribuci6n de Y.ordenadas son densidades de probabilidad y. mientras que en f( y) las. sera ahora: y F(Y)=L kaO f(k) Su forma geometrica sera del tipo representado en la figura 4. En este caso recibe el nombre de distribuci6n de probabilidad la funci6n f definida por: f(y) = Prob(Y=y) f(y) = para y =0.. las respuestas a las preguntas (1). . La raz6n es que no todas las variablesaleatorias son continuas como Ia considerada en el ejemplo del contenido de las botellas de agua.8. discreta. (2) Y (3) sedan ahora: F(b)-F(a)..6 Caso discreto EI lector puede preguntarse en este momento por que decimos que toda funci6n de distribuci6n (f.a.2.. Consideremos un proceso con una variable aleatoria que.. 10. Y s610puede tomar los valores 0. los parametres 1.6) 02 = L (y_~)2 j{y) y 54 .Es importante observar que las ordenadas F(y) son directamente probabilidades.10 0 en elresto Esta claro que para una v.

--Ol-t.25~.. ! + i 0. [.11-... ········t··················l . · ·... + · 1 l ! j j + l!! j 1 0..·. nmrj-r..7..... j ... r +10 I--+--o i 8 4 y 6 Fig...... 1 ·.. Distribuci6n de probabilidad de una variable aleatoria discreta o]~:t::l::J~i10 0.4 O...···· ·t·. 4 y -"r"l-t 6 8 .·..r.1 0.· o 2 .·1· 10 Fig. 4.·t ! ·..······l .·.4 0..8 Funci6n de distribucion de una variable aleatoria discreta 55 .21-·f ~ i ·..I· ·.·....·. 4. ·.··. 1. t 1..···············I· .3 _·t ! 1 ··· ·.E ~ O. 15r ·+· 1 ! iii i l? l··················j'······· .....1· 0.[. 1..10 0.2~r 0 ·r i 2 ·l ·.

S em A· 3. . Si el lector tienepaciencia suficiente para construir unos cuantos helic6pteros a partir del disefio de la figura 4.9 Disefio del helic6ptero de papel EI proceso de fabricaci6n de helic6pteros consistiria. La idea de utilizareste ejemplo a 10 largo del libro le fue sugeridaa uno de sus autores perGeorge E. 4.7 Ejemplo del "helic6ptero" (1) UN "HBUCOPJ'ERO" DJsERo BAslCO (1/2 POUO) -~ __1-_. l.10) PROCESO Manodeobra Bntomo Fig.9. en los siguientes pasos: (ver figura 4.P.Por que existe variabilidad en estos tiempos? S6 . entre otros. s I I . Soren Bisgaard y Conrad Fung de la Universidad de Wisconsin.Box. 4.~-....I Para ilustrar los conceptos basicos de este capftulo..Sem 10. observara 10 obvio: no todos los helic6pteros tardan el mismo tiempo en recorrer los 3 m. y una vez fabricados los lanza desde una altura de 3 m y mide el tiempo de caida.10 Proceso de fabricaci6n de los helic6pteros Supongamos que la caracterfstica de calidad mas importante en los helic6pteros fabricados es el tiempo que tardan en caer desde tres metros de altura._.~ _.. vamos a utilizar el "helic6ptero" de paper cuyo disefio esta realizado en la figura 4. A·3.9.4.-.S em Fig.

96.: sino tambien las que acnian durante el proceso de lanzamiento y medida del tiempo de cafda.05. 14.3. Observese que en la variabilidad final intervienen. en segundos.25~3. es decir.2.6 segundos. que asociarfa a los 10 helic6pteros de la muestra los lOnumeros reales correspondientes a sus tiempos de cafda. de los folios utilizados como materia prima).no s610 las causas que acnian durante el proceso de fabricaci6n de los helicopteros. Dichos tiempos. Una muestra estarfa constituida. Distracci6n durante el dibujo de las li'neas de corte del 5° helic6ptero.11 es proporcional a la frecuencia relativa 0 la proporci6n de los 100 helic6pteros muestrales cuyos tiempos de cafda desde 3 m.eliminando las causas asignables como la citada antes en segundo Illgar en la tabla 4.11. 2.2.75. ha estado comprendida entre 2.60. etc. por ejemplo. podrfan ser:3.68.90. 2. obtendrfamos como lfrnite del histograma una cierta densidad de 57 .. Conceptual mente podemos suponer que. entre los fabricados por el proceso. Si en lugar de seleccionar una muestra de 10 helic6pteros. la representaci6n grafica de los datos serfa el histograma de la figura 4.Como ejemplo de algunas de las causas de variabilidad podrfamosconsiderar 4. El area ray ada en la figura 4. 2. hubiesemos elegido una muestra de mayor tamafio (100 helic6pteros por ejemplo).86. 3. Variabilidad en las corrientes del aire en la habitaci6n donde se dejan caer los helic6pteros. peso. 2. En este ejemplo la poblaci6n conceptual estaria formada por todos los helic6pteros que se pueden fabricar por el procesoen estadode control.4 y 3. Comdn . El experimento consiste en dejar caer un helic6ptero desde 3 m de altura.99. No siempre dejaremos caer el helic6ptero desde 3 metros exactamente. 2. por 10 helic6pteros seleccionados al azar de. Tipo Asignable Coman Coman . si experimentasemos con todos y cada uno de los helic6pteros de la poblaci6n.3 Algunas causas de variabilidad en el ejemplo del helic6tero Causa Variabilidad en la calidad (textura. Midiendo el tiempo de cafda definimos con la variable aleatoria Y. las de la tabla Tabla 4.3.

probabilidad como la de la figura 4. 16-··'·································~·············· .. 8 _ ..8 Fig..•. 4..3 Tiempo 3.. 2.•••••••••..12. 58 ..j + .11 Histograma de los tiempos de cafda de 100 helic6pteros.

.2 :.2 y 3.6 2..6 3. 010 que es 1'0 mismo. el area rayada representa la probabilidad de que un helic6ptero de la poblaci6n tarde mas de 3.2 3.4 segundosencaer desde 3 m.muestrales de dicha poblaci6n...2 2:4 2.. 4.""""""""'" . Finalicemos este capitulo indicandoque uno de los objetivos basicos de la estadfstica es hacer inferencias acerca de una poblaci6n conceptual a partir de datos .2~'~"""""""+"""""""'.. la proporci6n de helic6pteros en la poblaci6n cuyo tiempo de cafda estaria comprendido entre 3.4 3...• ~ + ...8 Fig.4 segundos.2 y menos de 3.8 3 x 3..12 Densidad de probabilidad en el caso de los helic6pteros En esta densidad. 2.. 3 0. 59 .

cr) Es facil comprobar los siguientes elementos mas relevantes: a) fly) es simetrica respecto del eje Y=J. 60 . asf como en la teoda de la probabilidad. -oo<J. especialmente en los teoremas lfmite.1 La ley normal En este apartado vamos a estudiar las principales caracterfsticas de la ley normal.5 Algunos modelos probabilisticos 5. la ley normal tiene la conocida forma de campana de la figura 5..l. -----1 1 1 1 1 1 1 1 .l<oo cr>O. tambien conocida como ley de Laplace-Gauss.l.l.jfi.1) para -oo<y<oo. Se dice que una variable aleatoria Y se distribuye segun una ley normal de parametres J.o exp [- (y-~)2l 20 2 (5. 5.cr)].ly a [10 abreviaremos diciendo: Y-N(J.1. Fig..1 GrMica de la densidad de probabilidad N(J. Dicho modelo probabilfstico desempefla un papel esencial en la teorfa y la practice de la estadfstica. y Desde un punto de vista geometrico. cuando su densidad de probabilidad viene dada por: f(y) = __ 1_ ..

es interesante observar qu~ variar el valor del parametrofJ equivale unicamente a variar la posici6n· de la campana sin variar su fQlll1a.b) Lagt"6ficade fty) presenta un maximo relativo en: c) La grafica de fty)presenta puntos de inflexi6n en y=wO'e Y=fJ+O'. d) fty)~ para todo valor de y. 5.fty )dy= 1.Enlafigura 5. la 2 Fig. se alejan del ejeY=fJ los puntos de inflexi6n Y disminuye la ordenada del . ya que: 61 .2 se observanestos efectos.la misma. A nivel estrictamente geometrico.Por el contrario.2 Efectos de~fY (J sobre la grafica de la ley normal Estos efectos son perfectamente razonables. e) J.a l11odificaci6nde Ia fonna de .pero noafe~ta ala posici6n de.maximorelative). . una variaci6nen el valor del parametro 0' irnpliqa Un.la curva (si aumenta 0'.

) = 1. 6 distribuci6n 2.1) a partir del principio de superposicion. Observese que podemos abordar la suma (dividida por 8) de 8 variables independientes equidistribuidas segiin la fig. (c). que esta en la base de los teoremas centrales del lfrnite de la estadfstica matematica.1) a partir de estas hip6tesis.. Parece muy razonable suponer que la distribucion de los errores de medida en un instrumento "normal" sea simetrica.l y (J no son mas que la esperanza matematica y la desviaci6n tipo de la variable aleatoria y. La gran utilidad de la ley normal en la practica es consecuencia de su origen hist6rico. (b). su uso fue potenciado por Laplace y especial mente por Gauss en sus estudios sobre los probleni$'de medici6n en astronomfa. Xn representan los valores obtenidos al tirar varias veces un dado "perfecto".. . centrada en elvalor 0.(a). en lenguaje no formalizado. 4. la distribuci6n deprobabilidad de: seria la de la figura 5. en condiciones muy generales se distribuye segun la ley normal.l es un parametro de localizaci6n. y que la probabilidad de cometer un error sea de alguna manera Inversamenteproporctonele la-magnitud del error.. Bessel justifica la utilidadde (5. en consecuencia. 4. 6. por 10 tanto. (d) para n=2. tiradas. mientras que (J afecta a la dispersi6n y.3. 8. f. para i=l. En el siglo XIX. Automaticamente comprobamos que las distribuciones de probabilidad de la media obtenida en 2. f. si bien la ley normal fue descubierta por Abraham de Moivre como lfmite de un modelo binomial. Este teorema puede ser comprobado ernpfricamente con el ejemplo ilustrado en la fig. a la forma de la densidad. 3. ..3(a) mediante una ley normal con algun tipo de correcci6n por continuidad que comentaremos mas adelante. la de probabilidad de Xi serfa: !(x.3. . Si Xl' X2. 62 . . 3. 5..Asf pues. De hecho. condistribuciones de probabilidad parecidas y cada una de ellas con un efecto pequefio comparado con el efecto total resultante. En este caso la utilidad de la ley normal para modelar el efecto total es consecuencia del teorema central del limite que dice. muy ligado a la teorfa de los errores de medida. La idea consiste en suponer que el error observado en una medici6n concreta es consecuencia de una gran cantidad de causas independientes. es decir. 8 respectivamente.. 5... que la suma (superposici6n) de un mimero no muy pequefio de variables aleatorias independientes. Gauss obtuvo la densidad (5. identicamente distribuidas.

0 6.0 4.0 (c) cuatro dados 1.0 6.0 2.0 2.0 I : iiF 2.0 3.0 4.0 (8) dos dados 1.0 6.3 Distribuciones obtenidas por simulaci6n de las puntuaciones medias al lanzar un determinado numero de dados 63 .0 (d) echo dados i i ~ : 5.0 6.0 4.1.0 5.0 3.0 5.0 2.0 3.0 I Fig.0 3. 5.0 4.0 (b) tres dados 1.0 5.

d.1 Funci6n de distribuci6n La funci6n de distribuci6n (f. de la ley N(O.d) de la ley normal viene dada par: FeY) = f:_f(t)dt donde.l. Existen tablas de la f. es posible calcular elyalor en cualquier punto de la funci6n de distribuci6n de una ley normal generica N(J.o) entonces: = r: 4> (t)dt f F(yo) = Prob(Ys-yo) = fYO--l-exp[-_!(y-~)Zldy -00 {Fio 2 0 con el cambio de variable tendremos: 64 .5. y cuya densidad de probabilidad. si Y-N(J. Puesto que. resulta ser: 4>(.d.I).f(t) viene dada por (5.1). no existe expresi6n analftica para F(y)'y.j2i exp [ -_zz] para -oo<z< 2 +00 La funci6n de distribuci6n de esta ley N(O.1). 1 . Mediante esta tabla.. tambien conocida como ley normal centrada y reducida 0 ley normal estandar. que se obtiene haciendo J.en efecto.1.l. en consecuencia.f(t) notiene funci6n primitiva. de 1ftley normal aparece en forma de tablas 0 programada en muchas de las calculadoras e:ldstentes en el mercado. la f.l=O y 0=1 en (5.t) = -.O').I) sera: 'l'(z) y esta tabulada en el apendice.

entonces el rnismo porcentaje.994% de la poblaci6n. asi.28) de las botellas estara entre f.44% (97. y suponemos que Y-N(200.. por ejemplo. entonces eI95.-YO-I' 0 cI>(z)dz = V(Zo) En la figura 5. Fig. Por este motivo. es decir. a veces 8a recibe el nombre de capacidad 0 tolerancia intrfnseca de una maquina cuya producci6n se distribuya normalmente. {iio exp --.4 Funci6n de distribuci6n de la ley normal N(fl. de botellas tendrfan contenidos entre 192 y 208 em'.o-I' 0 -GO • 1 _. Zo .2. es decir. 5.adz 2 [l ZZ = f -.rnaquina rellenase botellas eon a=4 em y fl=200. una poblaci6n mas homogenea. .10).72 . Sf otra. es decir. sefialando algunos valores de uso frecuente.44%..._.a}. si Yes el contenido en em' de unas botellas rellenadas por un cierto proceso. Observemos que ahora es posible interpretar el significado de a en el caso de distribuci6n normal.4 se representa graficamente la funci6n de distribuci6n de una ley normal N(fl. que un intervalo de Bo centrado en la media comprendera practicamente a todos los' individuos de la poblaci6n.a) Es tambien evidente que entreu-do y fl+4ase encontrara el 99.F(yo) = f Y Zo" -. 65 . 95.I±2a.. entre 180 y 220 em'.

87 2.865 97. para analisisde la normalidad de los residuos en un modelo de regresion lineal. t.se deduce de los valores de la f. Este hecho nos permite utilizar este papel. identificar los efectos importantes en los disetios experimentales. 0 bien para. entonces.Si paragraduar el eje vertical utilizamos una escala especial. En . 99. de N(fJ. para estudios de capacidad de maquina y de proceso.a) sera una recta.+20 ~+30 ~+40 Fig.72 84. en condiciones asint6ticas bastante generales otras distribuciones de probabilidad tales como II.28 0. Student. 5.5 Escala del eje vertical en el papelprobabilfstico normal 66 . en un papel grafico con dicha escala en el eje probabilfstico la f.a) de la manera indicadaen la figura 5. de una ley normal N(fJ.d. que.este mismo capitulo veremos la utilidad de la ley normal para abord..+a 1J.13 50 15. la ley binomial y la ley de Chi-cuadrado entre otras.d..135 ~40 1130 ~20 11+0 11 lJ. conocido como papel probabilistico normal.5.at".

2. J..2. .a) i=I. 0.6. Extraemos n bolas de la urna con reposici6n (es decir. 5.1 . entonces: La.2. En el ejemplo anterior.3. devolvemos la bola a la uma despues de haber anotado su color).lj. _ para cada experimento s610hay dos sucesesposibles: A (la bola blanca) y A (es negra). puede hallarseen Lukacs (1956): Si ~ (i=l.3) La expresi6n (5..Finalicemos este apartado con un importante resultado cuya justificacion.:: La.. El conocimiento de la desviaci6n tipo de L nos permitira el calculo de tolerancias del montaje en serie de las tres varillas.En efecto. una proporci6nq=l-p de bolas negras.:: J La. yo. ---------L--------Fig. p=P(A). la probabilidad de que ocurra A es constante. Y. es el mimero de veces que ocurre A en los n experimentos 67 . hemos definido L=X1+X2+X3 con Xj-N(Jl. Es interesante que ellector reflexione sobre el error que .. ..1. por 10 tanto.2 La ley binomial Supongamos que en una urna hay una proporci6n p de bolas blancas y. .q). Esta situaci6n se caracteriza por: (i) (ii) (iii) (iv) se realizan n experimentos independientes (la extracci6n de las n bolas).1.aj) y aj(i=I.5. la variable aleatoria de interes X. 0) con J. supongamos que se quieren ensamblar tres varillas tal como se indica en la fig..N ( J.se cometerfa si se hubiese definido L=3X..y'3Q).n) son constantes reales.6 Ensamblaje de tres varillas Si todas las varillas han side fabricadas independientemente y de manera que su longitud X se distribuya normalmente segiin N(Jl.3) tiene importantes aplicaciones en el calculo de tolerancias. 5.distribuirasegunN(3!J. n) son variables aleatorias independientes tales que ~-N(J.] (5. Sea X el niimero de bolas blancas que han aparecido entre las n bolas extrafdas. la longitud total Lse. q= I-P(A).

.K-'..25 r-r""'"~""""'''''''''''''''''''''''''''''''''''''''''''''''''''''''''' ·..III...P) laley = (: )P'{l-Pl··' ptJrlfi. binomial.sedicequ.p) depende del valor de sus dos par4n'letrosn la figura 5.h donde es el nnmero de combinaciones sin repetici6n de orden x entre n elementos y su valor es (nl· x = xl (n-x) I n' La grat'ica de·b(x. h.1.n.(iv) anteriores. La distribucion de probabilidad binomial es: Prob (X =x) = b (x. 2.Cuando se cumplen todas las condiciones (i) .) 0.. se. x • 0. 5.' 0.. tal como se indica en b(II. ..$iJU.-0.7.7 Distribuci6n de~bilidadde 1~ ley binomial 68 .15 x Fig.-'0 ..

La esperanza matematica y la varianza de una v. I I I I I I I L I I I I I I =tI I I I I I I I J.p) se encuentra tabulada para algunos valores de n y p en la tabla binomial del apendice.8 I I _I I I I I ----r----c=:-j----j---I I I I ____ I I . la ley binomial se puede aproximar mediante una ley normal. Cuando n es grande y p no toma val ores extremos.B(x.n.8. 5.8 I I ----r----'---j----j---____ I I I .p) = Prob(X:s.l y cr'- no son independientes.8 Funci6n de distribuci6n de una ley binomial B(x. Existen varias aproximaciones dela ley binomial que presentamos a continuaci6n. Las condiciones bajo las cuales esta aproximaci6n conduce a resultados correctos varian 'segdn distintos autores.69 . I I I I I L I I ~ I I I I I I J.- r- o Fig. que sigue una ley binomial de parametres n y p son: ~= E(X) = np y VeX) = np(l-p) = 02 Es interesante observar que J.a.p) Su grafica es la de una funci6n en escal6n. Segtin nuestra experiencia las condiciones mas aceptables son: . I I I I I-- I I I I I 0.L. I I I I ----! I I I I I _I I I I I OH--=-..L..n.x) " =L j-O b(j. continua por la derecha y mon6tona no decreciente tal como se indica en la figura 5. I 0.n.

discreta con una continua. cuando se cumpla la condici6n: tendremos que a+--p 1 2n Finalmente. Si en lugar de considerar la v. en el pr6ximoapartadoveremos que. tendremos: X p * =n E(P*) = n2 . X se considera la proporci6n de veces que ocurre A en los n experimentos.M -. El factor ~ que aparece en la expresi6n anterior es debido a la correcci6n por continuidad necesaria al aproximar una distribuci6n de probabilidad de una v.!E(X) n =p (l-p) V(P*) = .Si n ~5 y . cuando n es grande. p'. ppequefioYllpes finito.!_ VeX) = p n En este caso.1 .n.P p -- I-p <0..es decir. 70 .. Ia ley binomial se puede aproximar por la ley de Poisson.a.p)" '1'( X+V2-np) Jnp(l-p) donde 'P(b) es la funci6n de distribuci6n de la ley normal estandar en el punto h.a. .3 entonces B(x.n W.

y el segundo como proceso de Poisson. -.09022 que las probabilidades calculadas para las dos maquinas practicamente Observemos que en los dos modelos binomiales n es muy grade y P es muy pequefio. 0. 20. 10.0001 la probabilidadde que la maquina se averfe durante un segundo dado. averias durante un dla.000 segundos diarios. 2.18046 4 0.0002) Es interesanteconstatar coinciden. p~O y np=A es finito. Supongamos una maquina que funciona durante 20.000. las probabilidades de 0.. Dichasprobabilidades se podrfan calcular utilizando la ley binomial y sedan: n° de averfas en un dfa (x) Probabilidades: b(x.09022 Si disponemos de otra maquina menos utilizada.13531 1 0.3 Ley de Poisson En este apartado se presenta la ley de Poisson desde dos puntos de vista.5. que funcione durante 10. El primero es como lfmite de la ley binomial cuando n~oo.0002 de averiarse durante un segundo dado.Por que? 0 0. averfas en esta segunda maquina sedan: n° de averias en un dfa (x) Probabilidades: b(x. Para planificar el mantenimiento de dicha maquina es necesario calcular las probabilidades de 0.13532 1 0.. l.27067 2 0.0001) 0 0.27067 2 0. 2. Se demuestra facilmente que: 71 .18046 4 0.. Sea Pl=0.000.000 segundos diarios y con una probabilidad P2=0. 0.y admitamos la hip6tesis de que la ocurrencia de una averfa en un segundo dado es independiente de 10 ocurrido con antelaci6n. 1.27070 3 0.27068 3 0. 1. mientras que el mimero medio de averias por dfa es np=2 en ambas maquinas. .

09022 0.. P( . 5.I I I I 4---4--. 0...caso tendrfamos que: n° de averfas en un dfa (x) Probabilidades: (i.t.. o. 0...18045 4 0.i.1 0.f .---.4) La distribuci6n lfmitep(x.) depende de . 1) o.) se conoce como ley de Poisson.9..n. --l I I I --.f---l I I I I I I 1 I I I I I o~~~~_~L~_~~~'_~_~..) o (5.01 I --4---4--. np = i.lim b(x.al como seindica en la figura t 5...---.27067 0.13534 1 2 3 0.~' o 2 --'--1---' x I I Fig..=2) o 0..11 ..9 Distribuci6n de Poisson La funci6n de distribuci6n de la ley de Poisson vendra dada por: 72 .. La grafica de la distribuci6n de Poisson p(x..'A.'A.'A.x x! = p(X.27067 Y es evidente la coincidencia practica de los resultados obtenidos mediante la ley de Poisson y los obtenidos aplicando las leyes binomiales respectivas.---..---.p) p ..t..--.(finito) = e-A i.. En nuestro. II I I r I I I I - .--....

8 ----r----~---~----~---I I r____ L I I I I I I I L I I I I I I I ~ I I I I I I I ~ I I I I I I _I I I I I I I _I I I I I I I r-I --. 73 .x) = L pU..A.) j. I I I I I I I 0.2 5.) = Prob(Xs. y V(X)=A.----I ---d---~-----Y -.10 Funci6n de distribuci6n de la ley de Poisson para "-=2 La ley de Poisson viene caracterizada por un unico parametro A.fJ x Dicha funci6n de distribuci6n esta tabulada en el apendice de las tablas y su grafica para "-=2 es la de la figura 5.10 P(X..6 0.A) 1 ---. y es sencillo probar que E(X)=A. que la media y la varianza de una ley de Poisson coinciden y que las dos son iguales a A..A. 0. es decir.P(x.4 -~----r---~----T---I I I ____L I I I I I I I L I I I I x I I I ~ I I I I I I I ~ I I I I 0.

74 . que todo proceso genera un producto. Con la actual filosoffa de la calidad total. una de las cuales es la posibilidad de modelar matematicamente la variabilidad asociada al efecto de las primeras. La informacion permite "escuchar" el proceso y poder llevar a cabo los objetivos anteriormente citados. no basta con conseguir el objetivo (1) de minimizar la producci6n defectuosa.1 del capitulo 4 se definio un proceso en estado de control. Para poder llevar a cabo estos objetivos hay que tener en cuenta.1 Proceso en estado de control En el apartado 4. hay que mantenerse en una mejora continua. Este procedimiento se revelo ineficaz por los motivos expuestos en el capitulo 1 de estos apuntes y el control de la calidad se desplazo al proceso de fabricacion. Ademas. Los principales objetivos del Control Estadfstico de Procesos (CEP) son los siguientes: 1) Minimizar la produccion defectuosa. 6. las tecnicas de CEP han de ser aplicadas 10 mas pr6ximas posible al proceso que genere la informaci6n para poder disminuir el tiempo de reacci6n ante el proceso. En la tabla 4. pero adernas genera informacion. cobrando especial importancia su utilizacion durante la Segunda Guerra Mundial en las empresas de armamento. A. 3) Comparar la producci6n respecto a las especificaciones. Informaci6n que se puede obtener tomando datos numericos de las caracterfsticas de los productos que salen del proceso y tratandola adecuadamente. eliminando los defectuosos. como dirfa Bill Hunter. Hasta entonces las pruebas de calidad que se adoptaban en las empresas estaban basadas principalmente en la inspeccion de los productos una vez acabados. 2) Mantener una actitud de mejora continua del proceso.1 del mismo capitulo se presentaron las principales caracterfsticas asociadas' a las causas comunes y asignables. donde los estandares intemos de fabricacion se han de ir cambiando independientemente de las especificaciones extemas del cliente. Shewart.6 Control estadistico de procesos Las tecnicas de control estadfstico de procesos comenzaron a ser desarrolladas en 1920 en EEUU por W. Por ello. como aquel que solo esta afectado por causas comunes de variacion. tal como se comento en el capitulo 1. han de ser sencillas de utilizar e interpretar para que los operarios puedan utilizarlas sin apenas necesitar la ayuda de los especialistas en CEP.

l±3sigmas del proceso. 6. observamos que los valores aparecen de forma aleatoria alrededor del valor central representado por la media. Niunerode observaci6n Fig. se ha de c1asificar la caracterfstica de interes bajo los modelos mas cornunes presentados eneI capitulo 5: ley normal.2. el modelo matematico que caracteriza tal proceso es la ley normal y observamos que lila mayoria" de estas botellas estan dentro de unos lfrnites representados por J.muestra la figura 6.1 Contenido en em' de 50 bote lIas de agua de un proceso en estado de control Como ya se mencion6 en el apartado 5. binomial yPoisson. es decir.1. tal como. los lfmites son 197. 6. Ademas. Supongamos que se toma una botella a intervalos de tiempo fijo y se anota su contenidoen un grafico como el que aparece en lafigura 6.9 y 202.1 Comportamiento esperado de las observaciones individuales en un proceso en estado de control Vol vamos al ejemplo del proceso de relleno de botellas de agua que.l=200 em' y desviaci6n tipica 0. En este caso particular.Para presentar las filosoffa de los graficos de control es necesario identificarel modelo que subyace en un proceso en estado de control.1 se explica c6mo estimar estos parametres cuando sean desconocidos).3.7 em'. Supongamos ahora que durante el proceso de toma de datos se desajusta la maquina de relleno en 1 em' pasando a rellenar con media 201 em' e igual dispersi6n.considerable de las observaciones apareciendo por 75 . trabaja con media J.a.1. en estado de control. Observamos que hahabidoun aumento. obtenidos por el conocimiento previo que se tenia de los parametres (en el apartado 6.1.1 em'.

midiendo la caracterfstica de interes y anotando este valor en el grafico. a distancia de 3 (5 de la lfnea central.7 a (5=1. (Lo mismo ocurre si se detecta cualquier otro patr6n de tendencia en los datos. porotro lado.l. por 10 tanto. (5/. La distribuci6n muestral de la media de un proceso en estado de control es N(J. si en lugar de tomar una botella cada vez. el control se realizaria tomando un individuo del proceso.2.[n) y. Asi.b aparecen mas dispersos. aumente mucho la probabilidad de "falsas alarmas". Por e110es necesario obtener los lfmites de control de modo que se acorte el tiempo de detecci6n de un desajuste sin' que. aunque en tomo al mismo valor central. se toma una muestra de botellas yseanalizaelcomportamiento del contenido medio de la muestra. Se observa que el contenido de alguna de las botellas va mas alla de los lfrnites originales. como severa en el apartado 6. Si en cambio el desajuste de la maquina provoca un aumento en la variabilidad del proceso de relleno. pasando de (5=0. De 10 hasta aquf expuesto se intuye que una herramienta de control de aparici6n de causas asignables podrfa ser un grafico que contenga: • • una lfnea central representando a la media del proceso. dos lfrnites.3. Si estos valores surgen mas alla de los lfrnites se interpreta como que una causa asignable ha entrado en el proceso.2. 76 .marc ados por el proceso anterior. la aparici6n de botellas mas alla de los lfrnites de ± 3(5 puede no ocurrir 0 hacerlo con mucha demora. Esto se puede conseguir en el proceso de embotellado. los valores en la figura 6.) Uno de los inconvenientes que presentan los graficos asf'construidos es que si el desajuste en el proceso es "pequefio''. superior e inferior. el grafico de control tendra los lfmites mas estrechos.

'~ol.7 cmJ a 1cmJ con media de 200 cmJ 6.1 197. Fig.·~. 77 .1.I~y.7 o Numero de observecion .1.tietnppquetrat.Nfunero de obsetvati6n 202.. 6. al ser los Umites mts estreehes.2 Ccmtenidoen 50 botellascuando el proceso se hadesajustado: a) lamedia de 200cmJ a 201 cmJ• b) la desviaqi6n t£pica de 0.3 es un grMico obtenido al tomar cuatro botellas y anotar el contenido medio en las tres situaciones9uesehantrabajado en elapartado 6.se.~~t)uandose tomaba una1inica botella.nsculTe desde que se produceel cambio hasta que se detectaestnllcho.2 Comportamiento cJela media de un proceso en estado de control La figura 6.•Se observaque.Blt . e[~l'~~~~ci6tl~u11\enta.efecto.1.observaun. mayor mimerode observacionesfij~at.

7 (Observacionesl-20). Numero de observaci6n Fig. son muyeficaces. laprobabilidad de detecci6n cuando se trabaja con una muestra es mucho mayor que cuando se trabaja con el mismo mimero de observaciones individuales.5 s 0 menos. que para obtener n observaciones individuales se deben esperar n unidades de tiempo.7 (Observaciones 21-40) y con ~=200 y s=l (iiltimas 20 observaciones) con 78 . Por otra parte se observa que si el cambio es de 1. el de observaciones individuales 0 el de medias. Ademas.De hecho. se puede comparar el poder de detecci6n del grafico de la media para distinto tamafio de muestra en funci6n del cambio que se produce en el proceso. 10 cual implica que el proceso esta produciendo con este desajuste durante mas tiempo.ninguno de los dos metodos de control. 6. Se puede observar que para cambios moderados de 2s 0 mas.3 Grafico del contenido medio de 4 boteUas con ~=200 y s=0. ~=201 y s=0. La tabla 6.1 presenta un analisis comparativopara cuando el desajustese realiza en media. hay que teneren cuentaen todos los casos.

3% (130) 5. ** Tomando medias de n observaciones.2% (6) 1.1 Probabilidad dedeteccion de cambios en la media del proceso Demuste gelproceso en media 0.9% (18) 16.4% 67.6% (52) n=4 n=8 muestras de tamafio n que se harrdetomar de detectar elcambio en el proceso. Asimismo. .9% 1.9% (3) 49.2% (28) 8..2 .2% 50%.7% 34.Tabla6.6% (464) 1.0% 5.3% (130) 4.probabflidadde En el siguiente apartado profundizaremos sobre algunos de los aspectos rnas importantes de la estructura de los grafices decOrttrbl. representa el comportamiento de un proceso El objetivo principal de los graficos de control es detectar 10 antes posible carnbios en el proceso que puedan dar lugar a la producci6n de unidades defeetuosas. quien ha de utilizarlos.9%· 99.puesto que hoy en dfa se mide la calidad de un productocomo un valor que es inversamente proporcional a la variabilidad 79 .7% 10. etc.colnoya~haro~eionadoatlteriormente. 6. para que exista uria. que verlo tambien como una herramientade mejoracontinuade la calidad de losproductos.9% 19% (14) 18.5% 5.50 10 2.5% 89. y ello se consigue minin'lizatidoel tiempoquetranscurre desdequese produce un desajuste hasta que se detecta. talescomo los lfrnites del grafico.6% (52) 6.4% (7) 24.ae control? Metodologfa Un grafico de conttOI~s ungr~ficoener'luese anotando sus datos ordenados en el tiempo.1% (2) 74.6% (1) *** N° de al rnenos 95% n=l n=2 n=3 0.3% (2) 20 15.9% (18) 29.9% 84. la frecuenciade muestreo.6% 2.8% 15. etCEPbay.1%** (271)~** 1.6% (181) 2.3% 43. (5) 42.Que es un grUle.50 6. * Tomando n observaciones aisladas.3%* 1.2% (6) 40.2% 43.7% (44) 12.

es importante estimar los costes de producir fuera de control en este tiempo.3%o'.parametro que se desea detectar.se ha de estar muy e seguro para aceptar que el procesoha cambiado.ser superior a lac~~ tiempo esperado entre cambios.ul). de tomar datos del proceso y de ajustarlo y. .ia. realizar una polftica de control 10 mas 6ptima posible. Se entiende que un grafico de control da "falsas alarmas" cuando las observeciones de un proceso en estado de control llevadas al gratico~on interpretadas err6neamente 'como sefiales de aparici6n de causas asignables.~m.CQlUO . Puesto que reducir la variabilidad debido a las causas comunes results mas complejo.muestra la figura 6.lafrecutllciari4Ymu~~reo. tal. Para ello. EI tiempo medio esperado entre desajustes.le ~s. En el ejemplo de la figura6. s decir.4. ft~J. Por otra parte. En cuanto al punto (3). ademas del tiempo medio entre desajustes. el tiempo medio en que se producen los dy~ajustes en el proceso. se taman los lfmites tales que la probabilidad de falsaalarma Seadel orden de un. en genera:J. determinara la frecuencia de muestreo: cuanto mas estab.len<. CEPayudaa la detecci6n el de causas asignables para tomar acciones en funci6n de su naturaleza. Para que esto no ocurra COD. el objetivo primordial de los graticos es ·la detection rapida de la presencia de causas asignablesenun proceso y para ella son importanteslos siguientes puntos: I) EI riesgo que se esta dispuesto a admitir cada vez que se decida que una causa asignable ha entrado en el proceso.que presentan sus caracterfsticas de calidad en el cliente.~r9jal vez los beneficios obtenidos al detectar antes un cambio en el proceso seanmayores en T(1). en elcaso de la distribuci6n normal los lfmites de control se han de situara una: distancia de la lfnea central de tres desviaciones tfpicas del estadfstico que se stfuaettel'grmco. Puesto que se ha de minimizar el tiempo de detecci6n de un cambioen eLprocesQ.ha de.~. la opci6n T(l) es mas cara desde ~l :l'U~W?. ya que la frecuenciademues~e8f~. 80 . en funci6n de ellos.~vista<:wl oste c de control que la opci6n T(2).J~foceSq:menosjnversi6~ (tiempo y dinero) debe dedicarse a controlarlo. 2) 3) EI cambio mfnimo en el valor del. Por 10 tanto.4.

Cambio en media del proceso I I Fig. en graficos de control para variables y para atributos. de acuerdo con el tipo de caracterfstica que se controla. los cuales se observan que poco tienen que ver con la situaci6n actual del proceso. por 10 tanto. si la informaci6n que emana de los graficos de control tarda en ser "escuchada" por aquellas personas que directamente pueden actuar sobre el proceso. Para ello. 6. En cuanto a la actualizaci6n de los lfrnites de control en los graficos. Realizar un grafico con los lfrnites obtenidos la primera vez que se implement6 el CEP. hemos de decir que los lfmites no se han de cambiar mientras no se tenga evidencia de que el sistema de causas comunes haya cambiado 0 de que cambia el procedimiento de toma de datos. Es decir. A continuaci6n presentamos los graficos de control mas comunes clasificados.3 Grat'icos de control para variables Se denominan asf los graficos de control para caracterfsticas continuas del producto 81 0 del . los graficos de control han de ser sencillos de construir e interpretar.4 Frecuencia de muestreo T1 (lfnea superior) y T2 (linea inferior) para un proceso en que se control a la media Por ultimo. es recomendable que sean los operarios los que la utilicen. poner en marcha un sistema de control estadfstico de procesos no consiste en: • Rellenar plantillas de recogida de datos por parte de los operarios. 6. • EI CEP es una tecnica que ha de ser utilizada cerca del proceso y. para ser llevados a final de mes a un grafico 'por parte de los tecnicos y posteriormente ser archivados. de poco 0 nada sirve 10 hasta aquf expuesto. 0 no se Ie presta la debida atenci6n.

Por consiguiente. peso de un saco de pienso. tal como se via en el apartado 6. En la practice.un homo. viscosidad de una resina. no s610 la media. en las tablas del apendice.proceso tales como: contenido en em' de un .1. tomando los percentiles adecuadosde la chi . intensidad de una tinta. que se define como la diferencia entre lasobservaciones extremas. cuando el proceso esta en estado decontrol. se puede construir un grafico de control para (J utilizando la distribuci6n te6rica de s: 2 0 =--..1) ASI. etc.1 Gniticos X-R El CEP utilizando Graficos X-R se neva a cabo tomando muestras de n individuos (entre dos y seis).) 82 .X2 1 (n-l) n- 2 S (6. temperatura de . hay que construir graficos para controlar ambos parametres por separado. para diferentes tamafios de muestra.en general segun la ley normal 1. a traves de las medias de muestras de tamario n.Cuadrado se tendrfa. Si de las mismas muestras se calcula la desviaci6n tfpica muestral s..3.Se puede demostrar matematicamente que existe una relaci6n entre SZ y el rango muestral para muestras de tamano n ytal relacion es: (6.un grafico para S2 (notar que este grafico no es simetrico). lSi no se distribuyen las observaciones individuales.liquido. el calculo de la varianza muestral resulta diffcil para personal poco familiarizado con la estadlstica y se recurre acalcular el rango de variaci6n muestral R.2) donde d2 se puede encontrar. El control de la media del proceso se realiza. Un proceso del cual se esta controlando una caracteristica continua puede abandonar su estado de control por verse afectada su media. las cuales. 6.si 10 hacen las medias para tamafio suficientemente grande (teorema central "del lfmite.2.se distribuyen. siempre que se pueda. calculando la media y el recorrido muestral y llevando estos valores a los graficos correspondientes. A continuaci6n se presentan los graficos mas utilizados para caractedsticascontinuas. su variabilidad 0 ambas a la vez.

0 se desee recalcularlos.4) Gratico R Limite central Limite inferior - D3R - donde los valores de A2. Es decir. solo hayan actuado causas comunes de variabilidad.L J. debe procurarse que. la media y el recorrido. = max.2.min.5) 2) Calcular la media de las k medias muestrales y la media de los k rangos: X=-- - L~ 1=1 k (6. seran buenos estimadores de losparametros del proceso. calculando la media y el rango de cada muestra: - X =~-~--= 'n i n Xu +Xi2 + ••• +x R.L-3- GrBfico X - Vn 0 x+A2R x (6. producidos bajo las mismas condiciones. (xv) j = 1. Los lfmites en los graficos se colocan en Limite superior J. en la tabla del apendice. . D3 Y D4 se pueden encontrar. se han de seguir los siguientes pasos: 1) Tomar k (al menos 20) muestras de tamafio n (entre dos y seis) de forma consecutiva y a intervalos de tiempo iguales.3) Limite central Limite inferior 0 a Vn 0 x-A 2 R Limite superior D4R R (6.L+3~ J.6) k 83 . estadisticos queseobtengan de ellos. 3. n (6..Las muestras han de ser obtenidas de tal forma que contengan individuos homogeneos. es decir. para distintos tamafios de muestra.. (xv) . durante el tiempo que el proceso fabric a los individuos que forman parte de una muestra.. los. En aquellos casos en que no se tenga una estimaci6n de los parametres del proceso en el momento de implementar los graficos de control. aSI.