HERRAMIENTAS ESTADSTICAS BSICAS EN EL CONTROL Y MEJORA DE LA CALIDAD.

UNA APLICACIN EN LA INDUSTRIA AGROALIMENTARIA AUTORES: La utilizacin correcta de lo que, en la terminologa del control de calidad, se conocen como las siete herramientas de ISHIKAWA, proporciona un camino adecuado para la implantacin y seguimiento eficaz de los proyectos de control y mejora de la calidad. En este sentido, cada una de estas herramientas estadsticas tiene un propsito especfico y responde a unas necesidades concretas, de modo que su utilizacin conjunta permite resolver la gran mayora de los problemas relacionados con la calidad. En la presente comunicacin, se recogen varios ejemplos de la utilizacin de este conjunto de tcnicas estadsticas en situaciones reales que surgen en las empresas agroalimentarias a la hora de abordar los problemas del control y mejora de la calidad.

1. Introduccin

En este trabajo pretendemos mostrar la utilidad de algunas herramientas estadsticas bsicas en el control de la calidad y en la gestin empresarial. Las empresas son cada da ms conscientes de que la calidad de sus productos y servicios es un factor de vital importancia para la supervivencia en el mercado. Hoy en da, la calidad es tan importante como el precio, puesto que la calidad es lo que atrae de nuevo a los clientes. Ante esta situacin, las empresas no pueden escatimar esfuerzos para ofrecer nuevas opciones a unos consumidores cada vez ms preocupados por la dualidad calidad/precio, y en consecuencia, el control y la mejora de la calidad se han convertido en un factor decisivo para aquellas empresas que desean competir y mantenerse en el mercado actual con garantas de futuro obtener algn tipo de certificado de calidad segn las normas ISO-9000. Pero conseguir una certificacin de estas caractersticas no es una tarea fcil, pues se exige, por un lado, un cambio de actitud de todo el personal de la empresa, y por otro, la implantacin de un sistema coherente de control y mejora de la calidad. Muchas de estas exigencias de calidad, pueden abordarse con sencillas tcnicas estadsticas, cuya utilizacin supone un salto cualtitativo en el anlisis de la informacin, teniendo en cuenta que la prctica habitual suele ser recoger y archivar datos sin extraer de ellos las conclusiones pertinentes.

4. Herramientas estadsticas bsicas en el control y mejora de la calidad

Las siete herramientas de ISHIKAWA, sin ser excesivamente complejas, proporcionan informacin de gran valor en la toma de decisiones relacionadas con la calidad. Por tanto, constituyen una base para la mejora de la calidad. Estas herramientas son las siguientes: * Plantillas para la recogida de datos. * Histogramas. * Diagramas de PARETO. * Diagramas causa efecto. * Diagramas bivariantes. * Estratificacin. * Grficos de control.

4.1. Plantillas para la recogida de datos Las plantillas se utilizan con el propsito de recoger datos de forma ordenada y sistemtica. La forma y estructura de una plantilla para recoger informacin presenta mltiples variedades en funcin de la finalidad para la que ha sido diseada. As por ejemplo, una plantilla para localizar defectos puede consistir en un dibujo del producto sobre el que se seala dnde se han detectado los defectos. Otras plantillas tienen sencillamente forma de tabla para enumerar defectos y sus frecuencias, o para anotar los valores que posteriormente servirn para la construccin de histogramas o grficos de control.

(mquina A), y dos automticas, (mquinas B y C). Foto Mal Mal clul mar a a cad sold o adur de a fech as M qui na A M qui na B M qui na C L M X J V L M X J V

4.2. Histogramas Los histogramas son una representacin grfica de un conjunto de datos que se utilizan habitualmente para visualizar los datos generados por las hojas o plantillas donde se ha recopilado la informacin. La forma del histograma suele poner de manifiesto caractersticas importantes de la poblacin de la cual se extrajeron los datos, sobre todo si, a la vez que se representa el histograma, se sealan los lmites de especificacin dentro de los cuales debe permanecer el producto o proceso. 7 Para construir un histograma se agrupan los datos en intervalos (entre 5 y 15) dependiendo del recorrido de los mismos, R, siendo R = valor mximo valor mnimo. La amplitud, a, de cada intervalo se deduce entonces de la relacin: n de intervalos R a=

En la representacin correspondiente, se marcan los extremos de los intervalos sobre el eje de abscisas y sobre cada uno de ellos se coloca un rectngulo de altura proporcional a la frecuencia correspondiente. Si se representan histogramas para distintas situaciones, como datos provenientes de diferentes mquinas o de distintos operarios suelen ponerse de manifiesto dnde se localizan los problemas para atajarlos convenientemente. durante 3 das tomando en cada uno de ellos una muestra de tamao 80. FIGURA 1. Histograma para el peso efectivo de las legumbres secas La observacin del histograma pone de manifiesto que la mquina considerada produce dentro de las especificaciones que, segn la normativa vigente, son 1000 15 g. No obstante, la 8 prctica totalidad de la produccin est por encima del valor nominal, estando el peso ms frecuente entre 1004 g. y 1005 g., lo que indica que podra ajustarse la mquina envasadora con mayor precisin. 4.3. Diagramas de PARETO El diagrama de PARETO se basa en el principio de PARETO que separa los pocos vitales de los muchos triviales, en un intento de reducir el centro de atencin, en la causa que origina la mayora de los problemas. La representacin correspondiente dispone los datos desde la mayor frecuencia a la menor y se completa dibujando una lnea que representa la frecuencia acumulada, para indicar la magnitud relativa de los defectos contados. Para construir un grfico de PARETO deben anotarse las causas en orden de importancia y proceder al recuento para cada una de ellas. Las causas se sitan en el eje horizontal y se dibujan dos ejes verticales: el de la izquierda que se grada desde cero hasta el valor mayor obtenido del recuento, y el eje de la derecha, que indica los porcentajes, y por lo tanto se grada desde 0% a 100%. Una tabla genrica para recoger la informacin previa a la construccin de un grfico de PARETO se presenta a continuacin: TABLA 2. Modelo de tabla para la construccin de un grfico de PARETO

Frecuencias Porcentajes Causas Ordinarias Acumuladas Ordinarios Acumulados 1 n1 N1 P1 = n1 / N 100% P1 2 n2 N2 P2 = n2 / N 100% P1 + P2 3 n3 N3 P3 = n3 / N 100% P1 + P2 + P3 MMMMM m nm Nm Pm = nm / N 100% 100% 4.4. Diagramas causa-efecto El objetivo de un diagrama causa-efecto es identificar y eliminar la causa o causas que originan los problemas, en lugar de acabar slo con los efectos o sntomas visibles del mismo. El diagrama consiste bsicamente en una lnea central y un conjunto de ramas que representan las relaciones entre los efectos observados y las causas que los producen, y que confluyen en dicha lnea 9 central. Este diagrama tambin se denomina diagrama de ISHIKAWA o diagrama de espina de pescado, dada su apariencia final. Para construir un diagrama causa-efecto, primero se debe identificar o definir el problema, que se situar en la parte derecha del diagrama. Posteriormente hay que concretar las posibles causas que dan lugar al problema, en cuya tarea resulta de utilidad realizar un brainstorming para aportar ideas. Las causas sealadas se colocan, agrupadas en cuatro o seis grupos, en las ramas principales. Estas ramas principales suelen englobar la mano de obra, la maquinaria, los materiales, los mtodos, el medio ambiente y el mantenimiento. Cada rama principal est integrada a su vez por varias ramas, que recogen las causas secundarias, y as sucesivamente hasta conseguir el grado de desagregacin deseado. Un diagrama genrico se presenta a continuacin. 10 FIGURA 2. Diagrama causa-efecto 4.5. Diagramas bivariantes Los diagramas bivariantes o diagrama de dispersin, tienen como finalidad estudiar la relacin

entre dos variables, ya sea una caracterstica de calidad y un factor que pueda influir en ella, dos caractersticas de calidad relacionadas, o dos factores ligados a la misma caracterstica de calidad. Es importante recoger los datos por pares, y aquellos que se crea que son la causa deben colocarse en el eje de abscisas, mientras que los datos correspondientes al efecto se representan en el eje de ordenadas, estableciendo la escala adecuada dependiendo del nmero de valores de cada variable y de sus valores mximo y mnimo. Partiendo de la observacin de un diagrama bivariante, se puede obtener informacin sobre las caractersticas de calidad que se estudian, poniendo de manifiesto si existe relacin y de qu tipo, si existe una elevada dispersin o si se detectan anomalas. Adems de determinar la existencia o no de relacin, se puede medir el grado de la misma mediante los coeficientes de correlacin, e incluso realizar un anlisis de regresin para extrapolar y predecir. No obstante, la interpretacin del diagrama debe hacerse con precaucin. Como sealan PRAT et al. (1997; p. 41) aunque los datos de que se disponga no indiquen relacin, no significa que sta no exista. Puede suceder que el rango de variacin de los datos de ambas variables sea demasiado pequeo e impida poner de manifiesto la verdadera relacin entre las variables. Efecto o Problema Causas principales Causas secundarias 11 Por ejemplo, la empresa envasadora a la que venimos haciendo referencia en todos los ejemplos anteriores, debe controlar con cuidado el grado de humedad (% de agua) de las legumbres que envasa puesto que la humedad tiene una gran influencia sobre el peso. 4.6. Estratificacin La estratificacin de los datos segn su origen, es fundamental para obtener conclusiones correctas. En realidad, la estratificacin no es una tcnica propiamente dicha, ms bien es una

metodologa de trabajo compatible con cualquiera de las herramientas antes mencionadas. Estratificar los datos consiste en dividirlos y clasificarlos segn su procedencia, desagregando la informacin y realizando estudios separados para situaciones como: diferentes materias primas, diferentes mquinas, diferentes turnos de trabajo, etc. Evidentemente para que esto sea posible se requiere una cuidadosa planificacin de la recogida de informacin. As, por ejemplo, un histograma elaborado con datos globales ocultara dnde se localizan los problemas, mientras que una representacin separada indicara el foco del problema, si es que existe. Siguiendo este principio, el histograma que aparece en la FIGURA 1 slo se refiere a los envases procedentes de la mquina manual de la citada empresa. Se podra realizar el mismo estudio para las otras dos mquinas y comparar los resultados. Este mismo principio de estratificacin resulta enormemente til en la construccin de los diagramas bivariantes. Si se representan conjuntamente dos variables, sin tener en cuenta su procedencia, es probable que no se manifieste ningn tipo de relacin y se obtengan conclusiones engaosas. En este sentido, no sera lgico representar en un mismo diagrama de dispersin las variables grado de humedad y peso para los tres tipos de legumbres (garbanzos, alubias y lentejas) que envasa la citada empresa, sino que habra que representar por separado la situacin de cada tipo de legumbre. 4.7. Grficos de control Los grficos de control son la herramienta ms poderosa del Control Estadstico de Procesos. Su finalidad es conseguir y mantener un proceso bajo control estadstico mediante la reduccin sistemtica de la variabilidad. Esta variabilidad de los procesos, puede ser debida a causas 12 aleatorias o a causas asignables. Las primeras son aquellas que forman parte de la variabilidad natural del proceso, como la variabilidad de la materia prima o la variabilidad de la maquinaria, mientras que las segundas se deben a variaciones irregulares que habr que eliminar

corrigiendo la causa. Un proceso que opera slo con causas aleatorias se dice que est bajo control estadstico. Mediante los grficos de control se consigue controlar estadsticamente un proceso puesto que permiten observar si el proceso permanece estable o cambia a lo largo del tiempo. Estos grficos reflejan las fluctuaciones de la produccin comparndolas con unos lmites previamente establecidos: los lmites de control y la lnea central. Se supone que el proceso est bajo control si todos los puntos representados se sitan entre los lmites de control, pero un punto fuera de los lmites es una indicacin de que el proceso puede estar funcionando mal. Desde el punto de vista estadstico, un grfico de control es una prueba de hiptesis donde la hiptesis nula es: H0 = el proceso est bajo control. El contraste se realiza mediante un muestreo repetitivo y la obtencin de algn estadstico (media, recorrido, varianza, desviacin tpica) para cada muestra. Dependiendo de la caracterstica de calidad estudiada y de los parmetros de la misma que se controlen, se pueden construir distintos grficos de control. En cualquier caso, el modelo general tiene la forma2: * Lmite superior de control: T T LSC = m + ks * Lnea central: T LC = m * Lmite inferior de control: T T LIC = m - ks Siendo T el estadstico muestral que mide la caracterstica de inters, mT la media de T y sT la desviacin tpica de T. Adems, k es la distancia de los lmites de control a la lnea central, expresada en unidades de la desviacin tpica. Tradicionalmente, y bajo la hiptesis de normalidad, k se toma igual a 3, para garantizar una probabilidad de error tipo I (probabilidad 2 Esta teora general de los grficos de control fue propuesta por primera vez por SHEWHART en 1924. La publicacin en 1931 del libro de SHEWHART , Economic control of quality of manufactured products, marc el inicio de Control Estadstico de Procesos. 13

de rechazar la hiptesis nula cuando es cierta) de a = 00027. De esta manera, la probabilidad de que los puntos representados caigan fuera de los lmites de control cuando el proceso opera bajo control es slo de 00027. Cuando se estudian caractersticas medibles, se construyen los grficos de control por variables y si la caracterstica no es medible numricamente, se utilizan los grficos de control por atributos. La FIGURA 3 recoge una clasificacin de los tipos de grficos ms frecuentes: FIGURA 3. Clasificacin de los grficos de control Grfico de medidas individuales: Grfico X Grfico de medias y desviaciones: Grfico X S Por variables Grfico de medias y recorridos: Grfico X R Grficos CUSUM y EWMA GRFICOS DE CONTROL Grfico para la proporcin de defectuosos: Grfico p Grfico para el nmero de defectuosos: Grfico np Por atributos Grfico para el nmero de defectos: Grfico c Grfico para el nmero de defectos por unidad: Grfico u No vamos a entrar aqu en un desarrollo exhaustivo de la teora de los grficos de control porque se necesitara, slo para ellos, bastante ms amplitud que la que permite esta comunicacin. Slo queremos sealar un ejemplo sencillo que puede servir de punto de partida para un anlisis ms profundo. En concreto, el grfico X - R se usa para controlar la media de una caracterstica de calidad junto con la dispersin de la misma. Primero, se construye un grfico R, y si se concluye que la variabilidad est bajo control, entonces tiene sentido construir el grfico X . Para construir ambos grficos se toman muestras de un tamao n que depender de las condiciones del proceso productivo (los valores ms frecuentes para n son 4 y 5) y se calculan las medias y recorridos de cada muestra. Despus, se calcula la media de todas las medias muestrales, X y la 14

media de todos los recorridos muestrales R . A partir de estos valores se determinan los lmites de control para cada grfico, segn las expresiones que se recogen en la tabla siguiente. TABLA 3. Lmites de control de los grficos X - R Grfico de medias Grfico de recorridos Lmite superior de control LSC X A R 2 = + LSC D R 4 = Lnea central LC= X LC = R Lmite inferior de control LIC X A R 2 = - LIC D R 3 = Las constantes A2, D3 y D4 estn tabuladas. Se presenta un extracto en la TABLA 4. TABLA 4. Constantes para determinar los lmites de control de los grficos X R n 2 3 4 5 6 7 8 9 10 A2 1880 1023 0729 0577 0483 0419 0373 0337 0308 D3 0 0 0 0 0 0076 0136 0184 0223 D4 3267 2574 2282 2114 2004 1924 1864 1816 1777 En la FIGURA 4 se muestra un grfico X - R para controlar la media y la variabilidad del peso de los envases de legumbres secas procedentes de la mquina A de nuestra empresa. Para construir este grfico se han considerado 30 muestras de tamao 8 tomadas a intervalos de 30 minutos. No obstante, hay que sealar que los lmites que aparecen en los grficos son slo tentativos puesto que si se descubren causas asignables deben eliminarse las muestras correspondientes y proceder a calcular nuevos lmites. Slo cuando los lmites permitan juzgar que el proceso se encuentra en control estadstico, se pueden considerar como lmites definitivos y utilizarlos para controlar la produccin futura. As, en el grfico R de la FIGURA 4, se observa un punto fuera del lmite de control superior, por lo que debera eliminarse la muestra correspondiente y recalcular los lmites. De forma anloga, se procedera con el grfico X , eliminando las muestras correspondientes a los puntos fuera de control, hasta conseguir un proceso estable. Para las muestras sucesivas se irn representando su media y recorrido en el grfico de control del proceso. No obstante, los lmites 15 de dicho grfico deben revisarse peridicamente y siempre que se realice algn cambio en el

proceso. 16 FIGURA 4. Grfico X - R para el peso de las legumbres secas 0 1 2 3 4 5 6 7 8 9 10 0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 N de muestra Recorrido 1001 1002 1003 1004 1005 1006 0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 N de muestra Media 5. Aplicacin Una de las preocupaciones del director de calidad de la empresa agroalimentaria que nos ha servido de referencia para este estudio, se centra en reducir, en lo posible, el nmero de devoluciones de sus productos. Como ya se ha indicado, la empresa envasa y comercializa varios tipos de legumbres secas: garbanzos, lentejas y alubias. El envasado se realiza principalmente en bolsas de plstico y, aunque tambin envasa legumbres tiernas en tarros y en menor medida arroz, el punto fuerte de la empresa es el envasado de la legumbre seca. La empresa dispone de un resumen mensual de las devoluciones habidas en el ao 1999 para las tres modalidades de envasado sealadas: legumbres secas, legumbres tiernas y arroz. Por LC = 1003'5 LIC = 1001'7

LSC = 1005'3 LC = 4'833 LIC = 0657 LSC = 9009 17 ello, y a la vista de los resultados se propone hacer un estudio ms detallado de los motivos de dichas devoluciones, centrando especialmente la atencin para las legumbres secas que representan su mayor volumen de negocio. En la FIGURA 5 se representa la situacin correspondiente al ao 1999. FIGURA 5. Distribucin mensual de las devoluciones Envases de legumbres secas - Ao 1999 0 2500 5000 7500 10000 12500 15000 17500 20000 Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre Nmero de envases devueltos Tomando esta informacin como punto de referencia, se procede a analizar lo que viene ocurriendo durante los tres primeros meses del ao 2000 para obtener alguna conclusin relevante. Puesto que se dispone de un registro donde se recogen las devoluciones que se han producido en esos meses y los motivos de las mismas, se realiza el correspondiente recuento.

Adems, los motivos de devolucin se ordenan por orden de importancia (de mayor a menor) con el fin de realizar un grfico de PARETO. Se crea una categora de otros, en la que se engloban los motivos que tienen poca influencia y que se sita en ltimo lugar. En la FIGURA 6 se representa mediante un grfico de PARETO la informacin relativa al periodo considerado. 18 FIGURA 6. Diagrama de PARETO para los motivos de devolucin 0 500 1000 1500 2000 2500 3000 3500 4000 4500 Caducado Roto Falta rotacin Problema de cocin Errores en distribucin Mal estado Mal etiquetado Otros 0% 20% 40% 60% 80% 100% n de envases devueltos % acumulado Al analizar el grfico de PARETO, se pone de manifiesto que la mayora de las devoluciones se producen por la rotura de los envases y porque stos estn caducados, por lo que dichos problemas deberan ser objeto de mayor atencin.

Con el fin de identificar las posibles causas de estos problemas, el director de calidad y las personas de la empresa que conocen el funcionamiento del proceso de envasado, han aportado distintas ideas y opiniones sobre ellos. Ahora bien, considerando que no todas las devoluciones se producen a causa del funcionamiento interno de la empresa, se decide analizar con ms detalle aquellas que tengan su origen en la propia empresa. Por tanto, hemos considerado que el problema o efecto a estudiar debera ser la rotura de los envases de legumbres secas. Todas las causas apuntadas se han agrupado en bloques siguiendo los principios para la realizacin de un grfico causa-efecto. La concrecin de este diagrama se muestra en la FIGURA 7. A la vista de los resultados, la empresa se ha propuesto contrastar si realmente las causas que parecen ponerse de manifiesto son realmente las que originan el problema. Es decir, las causas anotadas son, a priori, causas potenciales que hay que confirmar. Diagrama causa-efecto para el estudio de las posibles causas de rotura Por ltimo, hay que sealar que el estudio realizado puede extenderse a un periodo temporal ms amplio, o bien, se podra concretar por meses con el fin de comparar la situacin de un mes a otro. Incluso sera conveniente proceder a un estudio de las devoluciones de legumbres secas detallando el tipo de legumbre (garbanzos, lentejas o alubias) para concretar y restringir ms el problema.

6. Conclusiones

Bibliografa DEMING, W. E. (1989): Calidad, productividad y competitividad. Madrid. Daz de Santos. GRIMA CINTAS, P.; TORT-MARTORELL LABRS, X. (1995): Tcnicas para la gestin de la calidad. Madrid. Daz de Santos. ISHIKAWA, K. (1994): Introduccin al control de calidad. Madrid: Daz de Santos.

JURAN, J. M.; GRYNA, F. M. (1995): Anlisis y planeacin de la calidad. Mxico: McGraw-Hill MONTGOMERY, D. (1991): Control estadstico de calidad. Mxico: Grupo Editorial Iberoamrica. NAVARRETE LVAREZ, E. (1998): Control estadstico de la calidad: control estadstico de procesos. Granada: Adara. PRAT BARTS; A.; TORT-MARTORELL LABRS, X.; GRIMA CINTAS; P.; POZUETA FERNNDEZ, L. (1997): Mtodos estadsticos: control y mejora de la calidad. Barcelona: UPC. RIVERA VILAS; L. M. (1995): Gestin de la calidad agroalimentaria. Madrid: MundiPrensa. WADSWORTH, H. M.; STEPHENS, K. S.; GODFREY, A. B. (1986): Modern methods for quality control and improvement. New York: John Wiley & Sons. 21 JULI IGUAL, J. F.; SERVER IZQUIERDO, R. J. (1999): Control de gestin en las empresas agrarias. Estudios agrosociales y pesqueros, n 185. pp. 31-55. ZIEMER, T. L. (1993): Graphical methods for process control. Handbook of Statistic, Vol 9. pp. 999-1019.