UNIDAD 2
OBJETIVO
CONTROL ESTADISTICO DE CALIDAD
El Control Estadístico de Calidad (CEC), también conocido como Control
Estadístico de Procesos (CEP), es un conjunto de herramientas y técnicas
estadísticas utilizadas para monitorear, controlar y mejorar la calidad de un
proceso de producción o un servicio. Su objetivo principal es asegurar que los
procesos operen de manera eficiente, produciendo bienes o servicios que
cumplan con las especificaciones y reduzcan la variabilidad y los defectos.
Objetivos clave del CEC:
Reducir la variabilidad: Minimizar las fluctuaciones en los resultados
del proceso.
Mejorar la calidad: Asegurar que los productos o servicios cumplan
con los estándares establecidos y las expectativas del cliente.
Identificar problemas tempranamente: Detectar desviaciones del
proceso antes de que generen defectos o problemas mayores.
Tomar decisiones basadas en datos: Utilizar información objetiva
para optimizar los procesos.
Reducir costos: Disminuir el desperdicio, retrabajos, rechazos y los
recursos utilizados para corregir defectos.
Aumentar la eficiencia: Optimizar el uso de recursos y reducir los
tiempos de ciclo.
Fomentar la mejora continua: Establecer un ciclo de monitoreo,
análisis y ajuste para la optimización constante del proceso.
¿Cómo funciona el CEC?
El CEC se basa en la recolección y análisis de datos del proceso. Estos datos
se utilizan para:
1. Comprender el proceso y sus límites de especificación: Saber qué se
espera del proceso y qué desviaciones son aceptables.
2. Eliminar causas asignables de variación: Identificar y corregir
problemas específicos que causan que el proceso se desvíe de su estado
normal.
3. Monitorear el proceso en curso: Utilizar herramientas estadísticas
para observar el comportamiento del proceso y detectar cambios
significativos.
Herramientas comunes del Control Estadístico de Calidad:
Las "7 herramientas básicas de la calidad" son fundamentales en el CEC:
1. Hojas de recogida de datos (Listas de verificación): Para recopilar y
organizar información de manera sistemática.
2. Histogramas: Representaciones gráficas de la distribución de
frecuencias de un conjunto de datos, útiles para entender la variabilidad.
3. Diagramas de Pareto: Gráficos de barras que ordenan las causas de los
problemas de mayor a menor frecuencia, siguiendo el principio de que
un pequeño número de causas genera la mayoría de los problemas
(regla 80/20).
4. Diagramas de causa y efecto (Diagrama de Ishikawa o Espina de
Pescado): Herramienta visual para identificar las posibles causas de un
problema, clasificándolas en categorías (mano de obra, máquina,
materiales, método, medio ambiente, medida).
5. Gráficos de control: Son la herramienta principal del CEP. Permiten
monitorear la variación de un proceso a lo largo del tiempo,
distinguiendo entre causas comunes (variación inherente al proceso) y
causas especiales (problemas específicos que necesitan ser investigados
y eliminados).
6. Diagramas de dispersión: Se usan para investigar la relación entre dos
variables diferentes y determinar si existe una correlación entre ellas.
7. Estratificación: Consiste en clasificar los datos en grupos o
subcategorías para identificar patrones o diferencias que de otro modo
pasarían desapercibidos.
Beneficios del Control Estadístico de Calidad:
Mayor satisfacción del cliente: Al ofrecer productos y servicios de
mayor calidad y consistencia.
Reducción de costos: Menos desperdicio, retrabajos, inspecciones y
quejas de clientes.
Toma de decisiones informadas: Basadas en datos y análisis
estadístico.
Mejora de la eficiencia operativa: Optimización de procesos y
recursos.
Prevención de problemas: Detección temprana de desviaciones antes
de que se conviertan en defectos.
Mayor conocimiento del proceso: Permite entender cómo se comporta
el proceso y dónde se puede mejorar.
Fomenta la mejora continua: Impulsa un ciclo de optimización
constante.
En resumen, el Control Estadístico de Calidad es una disciplina esencial para
cualquier organización que busque optimizar sus procesos, asegurar la calidad
de sus productos o servicios y mantener una ventaja competitiva en el
mercado.
2.1. Estadística Descriptiva (Casos de Aplicación)
La estadística descriptiva se encarga de organizar, resumir y presentar los
datos de manera informativa. Su objetivo es caracterizar un conjunto de datos,
revelando sus propiedades principales sin sacar conclusiones sobre una
población mayor.
Casos de aplicación en Control de Calidad:
Medición y caracterización de productos:
o Ejemplo: Un fabricante de focos mide la vida útil (en horas) de
una muestra de 100 focos. Utiliza la estadística descriptiva para
calcular el promedio de vida útil, la desviación estándar (para
ver qué tan dispersos están los datos) y la mediana (el valor
central). Esto le permite saber la duración típica de sus focos y la
variabilidad.
Análisis de defectos y no conformidades:
o Ejemplo: En una línea de ensamblaje de teléfonos celulares, se
registran los tipos de defectos (pantalla rayada, botón defectuoso,
cámara con falla) durante una semana. Se pueden usar tablas de
frecuencia y gráficos de barras para mostrar cuáles son los
defectos más comunes y cuántas veces ocurren, identificando
áreas prioritarias para la mejora.
Monitoreo de procesos:
o Ejemplo: Una empresa de alimentos mide el peso de las bolsas
de café que empaqueta. Grafica los pesos a lo largo del día y
calcula el rango (diferencia entre el peso máximo y mínimo) para
entender la variabilidad del proceso de llenado y asegurar que los
pesos estén dentro de las especificaciones.
Control de inventarios y logística:
o Ejemplo: Un almacén de autopartes analiza los tiempos de
entrega de sus proveedores. Calcula el tiempo promedio de
entrega y la moda (el tiempo que más se repite) para evaluar la
eficiencia de los proveedores y planificar mejor sus existencias.
2.2. Estadística Inferencial (Casos de Aplicación)
La estadística inferencial va más allá de la simple descripción de datos.
Permite sacar conclusiones, hacer predicciones y tomar decisiones sobre una
población más grande a partir de una muestra de datos.
Casos de aplicación en Control de Calidad:
Pruebas de hipótesis para comparar procesos o materiales:
o Ejemplo: Un fabricante de medicamentos quiere saber si un
nuevo proveedor de materia prima mejora la pureza de su
producto final. Toma muestras del producto con la materia prima
antigua y con la nueva. Utiliza una prueba t de Student para
determinar si la diferencia en la pureza entre ambos grupos es
estadísticamente significativa o si se debe al azar.
Estimación de parámetros de la población:
o Ejemplo: Para conocer la proporción de productos defectuosos
que saldrán de una nueva línea de producción, un equipo de
calidad toma una muestra y encuentra un 2% de defectos. Usando
la estimación por intervalos de confianza, puede inferir que,
con un 95% de confianza, la verdadera proporción de defectos en
toda la producción estará entre el 1.5% y el 2.5%.
Control estadístico de procesos (Gráficos de Control):
o Ejemplo: En la producción de componentes electrónicos, se
utilizan gráficos de control para monitorear una característica
crítica (ej. resistencia eléctrica). Al trazar los datos de las
muestras a lo largo del tiempo, se pueden detectar si el proceso
está fuera de control estadístico (es decir, si hay causas
especiales de variación) y requiere una intervención para
corregirlo. Esto es inferencial porque se infiere que un punto
fuera de control representa una desviación significativa de lo que
el proceso es capaz de producir.
Análisis de regresión para predecir resultados:
o Ejemplo: Un ingeniero de calidad quiere entender cómo la
temperatura de un horno afecta la dureza de una pieza metálica.
Recopila datos de dureza a diferentes temperaturas y utiliza un
análisis de regresión para construir un modelo que le permita
predecir la dureza de la pieza a una temperatura determinada.
Muestreo de aceptación:
o Ejemplo: Una empresa recibe un lote grande de miles de
componentes. No puede inspeccionar cada uno. Mediante
muestreo de aceptación, toma una muestra aleatoria y,
basándose en el número de defectos encontrados en esa muestra,
decide si acepta o rechaza todo el lote, infiriendo la calidad del
lote completo a partir de la muestra.
2.3. Las Siete Herramientas Básicas para el Control de la Calidad
Estas herramientas, popularizadas por Kaoru Ishikawa, son fundamentales
para la resolución de problemas y la mejora continua en cualquier proceso.
1. Hoja de Recogida de Datos (Hoja de Verificación / Lista de
Chequeo)
o Descripción: Un formato pre-diseñado para recolectar datos de
manera sistemática y sencilla.
o Aplicación: Registrar la frecuencia de ocurrencia de defectos, la
razón de las quejas de clientes, los tipos de errores en un proceso,
etc. Permite organizar la información para un análisis posterior.
2. Histograma
o Descripción: Un gráfico de barras que muestra la distribución de
frecuencia de un conjunto de datos numéricos. Ayuda a visualizar
la dispersión y la tendencia central de los datos.
o Aplicación: Analizar la distribución de pesos de un producto,
tiempos de entrega, resultados de pruebas de resistencia, para ver
si los datos se agrupan alrededor del valor deseado o si hay
mucha variabilidad.
3. Diagrama de Pareto
o Descripción: Un gráfico de barras que organiza las causas de los
problemas (o los problemas mismos) de mayor a menor
frecuencia, con una línea acumulativa que muestra el porcentaje
total. Se basa en el principio de Pareto (80/20), donde unas pocas
causas generan la mayoría de los problemas.
o Aplicación: Identificar los defectos más frecuentes en un
producto, las principales causas de retrasos en la producción o las
quejas más comunes de los clientes, para priorizar dónde enfocar
los esfuerzos de mejora.
4. Diagrama de Causa y Efecto (Espina de Pescado / Ishikawa)
o Descripción: Una herramienta visual que ayuda a identificar,
explorar y clasificar todas las posibles causas de un problema
específico. Las causas se agrupan típicamente en categorías como
Materiales, Mano de Obra, Máquina, Método, Medio Ambiente y
Medición (las "6M").
o Aplicación: Analizar por qué un producto tiene un alto índice de
fallas, por qué un proceso es ineficiente o por qué las entregas se
retrasan, permitiendo una visión estructurada de las posibles
raíces del problema.
5. Gráfico de Control
o Descripción: Un gráfico que muestra datos de un proceso a lo
largo del tiempo, con límites de control superior e inferior.
Permite monitorear la variación del proceso, distinguiendo entre
causas comunes (inherentes al proceso) y causas especiales
(problemas específicos).
o Aplicación: Monitorear el peso de un producto, la temperatura de
un horno, el diámetro de una pieza, el número de defectos por
lote. Ayuda a determinar si el proceso está bajo control
estadístico y si se requiere alguna intervención.
6. Diagrama de Dispersión
o Descripción: Un gráfico que muestra la relación entre dos
variables numéricas. Cada punto en el gráfico representa un par
de valores de las dos variables.
o Aplicación: Determinar si existe una correlación entre el tiempo
de capacitación de un operador y el número de errores que
comete, o entre la temperatura de curado y la resistencia de un
material.
7. Estratificación
o Descripción: La técnica de separar los datos en grupos o
categorías lógicas para encontrar patrones que de otra manera no
serían evidentes.
o Aplicación: Analizar datos de defectos por turno de trabajo, por
máquina, por proveedor, por tipo de material o por lote de
producción. Esto puede revelar que el problema principal ocurre
solo en un turno específico o con un proveedor en particular.
2.4. Manejo de Software Especializado en Calidad
El uso de software especializado ha revolucionado la aplicación de las
herramientas de control de calidad, permitiendo un análisis de datos más
rápido, preciso y complejo.
Ejemplos de software y sus aplicaciones:
Minitab:
o Descripción: Uno de los softwares estadísticos más populares
para el control de calidad y mejora de procesos. Ofrece una
amplia gama de herramientas estadísticas.
o Aplicación: Análisis de capacidad de proceso, diseño de
experimentos (DOE), creación de todo tipo de gráficos de
control, análisis de regresión, ANOVA, pruebas de hipótesis y
representación gráfica de los datos. Es ampliamente usado en
metodologías como Six Sigma.
JMP (de SAS):
o Descripción: Software de descubrimiento de estadísticas que se
enfoca en la visualización interactiva de datos y la exploración.
o Aplicación: Ideal para análisis exploratorio de datos, diagramas
de dispersión interactivos, modelado predictivo, control de
calidad y DOE. Su interfaz gráfica es muy intuitiva.
R y Python (con librerías especializadas):
o Descripción: Lenguajes de programación de código abierto con
vastas comunidades y una gran cantidad de librerías para análisis
estadístico y científico.
o Aplicación: Permiten una flexibilidad y personalización
enormes. Con librerías como ggplot2 y dplyr en R, o
pandas, numpy, matplotlib, seaborn y scipy en
Python, se pueden realizar todos los análisis de estadística
descriptiva e inferencial, construir gráficos de control
personalizados, ejecutar complejos modelos predictivos y
automatizar reportes de calidad. Son ideales para usuarios con
conocimientos de programación.
SPC XL / QI Macros (add-ins para Excel):
o Descripción: Complementos (add-ins) para Microsoft Excel que
añaden funcionalidades de control estadístico de procesos y
herramientas de calidad directamente en la hoja de cálculo.
o Aplicación: Permiten crear gráficos de control, histogramas,
diagramas de Pareto y realizar análisis de capacidad de proceso
de manera sencilla para usuarios familiarizados con Excel, sin
necesidad de aprender un software completamente nuevo.
Tableau / Power BI (Business Intelligence):
o Descripción: Aunque no son puramente softwares estadísticos,
son herramientas de inteligencia de negocios que permiten la
visualización interactiva de grandes volúmenes de datos.
o Aplicación: Crear paneles de control (dashboards) dinámicos
para monitorear indicadores clave de calidad (KPIs), identificar
tendencias en los defectos, visualizar el rendimiento de
proveedores o el cumplimiento de especificaciones, haciendo la
información de calidad accesible y comprensible para todos los
niveles de la organización.
El dominio de estas herramientas, tanto conceptuales como de software, es
crucial para cualquier profesional dedicado al control de calidad.
¿Hay alguna de estas herramientas o conceptos en particular que te gustaría
explorar con mayor profundidad?
