El árbol de problemas

¿Qué es el árbol de problemas?

Es una herramienta que nos permite diagramar un problema. siendo su estructura
la siguiente:

• En las raíces se encuentran las causas del problema

• El tronco representa el problema principal
• En las hojas y ramas están los efectos o consecuencias

Es una forma de representar el problema logrando entender qué es lo que está

ocurriendo (problema principal), por qué está ocurriendo (causas) y que es lo que
esto está ocasionando (los efectos o consecuencias), lo que nos permite hacer
diversas cosas en la planificación del proyecto, como verás a continuación en las
ventajas.

¿Para qué sirve hacer un árbol de problemas?

 Nos permite desglosar el problema, las causas y sus efectos, mejorando su

análisis.
 Hay una mejor comprensión del problema al desagregarlo en causas y
consecuencias.
 Se vincula con otras herramientas de investigación y análisis como matriz
de vester o árbol de soluciones
 Facilita la realización de otros componentes importantes de una
investigación o proyecto en su fase de planificación, por ejemplo el análisis de
interesados, análisis de riesgos y objetivos.
Se suele afirmar (y con razón) que un problema identificado, acotado y descrito ya
constituye el 90% de la solución, es por eso la importancia que le otorga la
metodología de marco lógico al análisis de problemas.

Es importante utilizar el árbol de problemas en conjunto con otras herramientas,

donde lo que se busca es:

• Obtener datos significativos para caracterizar el problema

• Determinar cuáles son las causas y efectos
• Elaborar objetivos del proyecto
Elaborar objetivos del proyecto

Cómo hacemos un árbol de problemas.

Seguimos estos puntos: Analizar la situación, identifica los principales problemas
de la situación, determina los efectos y causas del problema principal, dibuja el
árbol y sigue profundizando.

Analiza la situación.
Si, sabes que hay una situación problemática, pero analízala. Qué está ocurriendo,
por qué está ocurriendo y que esta desencadenando. Recopila datos que te permitan
entender la situación.

Identifica los principales problemas de la situación que has analizado

Cualquier técnica para generar ideas te será útil. Una lluvia de ideas en equipo
definiendo por consenso cuál es el principal problema, suele ser una buena
alternativa.

Sin embargo, si el problema es mucho más técnico y requiere de muchos expertos

y de discusiones, ya que es complejo diferenciar causas de efectos, prueba la matriz
de Vester. Esta por sí sola te permitirá priorizar el problema principal, y te
adelantará algunos pasos al darte causas y efectos del problema principal.

Determina los efectos y las causas del problema principal

Ya tienes el tronco del árbol, ahora identifica las causas (raíces) y los efectos o
consecuencias (hojas o ramas). De nuevo mejor si se hace en equipo buscando
llegar a un consenso. Si en el paso anterior (identifica los principales problemas)
se elaboró la matriz de Vester ganas en claridad.

Dibuja el árbol
Sencillo. Gráficamente obtendrás un tronco (problema central), las ramas (las
causas) y las raíces (los efectos)

Profundiza en las causas y efectos

Resolver el problema central será mucho más fácil en la medida en que determines
las causas y efectos raíz. Es decir, si ya determinaste una causa, ¿es posible que
esta causa sea ocasionada por algo más a su vez? Traza una línea y profundiza
tanto como te sea posible.

Con esto hecho, solo queda pasar del árbol de problemas al árbol de objetivos,
llevando las causas a medios y las consecuencias a fines. El árbol de objetivos lo
trataremos en otro artículo.

¿Qué problema o situación tenéis para que le podáis aplicar esta técnica?

Un encuentro, una solución

Las cartas de control

El objetivo básico de una carta de control es

observar y analizar el comportamiento de un proceso a través del tiempo. Así, es posible distinguir entre
variaciones por causas comunes y especiales (atribuibles), lo que ayudará a caracterizar el funcionamiento
del proceso y decidir las mejores acciones de control y de mejora. Cuando se habla de analizar el proceso
nos referimos principalmente a las variables de salida (características de calidad), pero las cartas de control
también pueden aplicarse para analizar la variabilidad de variables de entrada o de control del proceso
mismo.

En la figura 7.1 se muestra una típica carta de control en la cual se aprecia que el objetivo es analizar de
dónde a dónde varía (ver campana) y cómo varía el estadístico W a través del tiempo y este estadístico
puede ser una media muestral, un rango, un porcentaje, etc. Los valores que va tomando W se representan
por un punto y éstos se unen con una línea recta.

La línea central representa el promedio de W. Los límites de control, inferior y superior, definen el inicio
y final del rango de variación de W, de forma que cuando el proceso está en control estadístico existe una
alta probabilidad de que prácticamente todos los valores de W caigan dentro de los límites. Por ello, si se
observa un punto fuera de los límites de control, es señal de que ocurrió algo fuera de lo usual en el proceso.
Por el contrario, si todos los puntos están dentro de los límites y no tienen algunos patrones no aleatorios
de comportamiento, que veremos más adelante, entonces será señal de que en el proceso no ha ocurrido
ningún cambio fuera de lo común, y funciona de manera estable (que está en control estadístico). Así, la
carta se convierte en una herramienta para detectar cambios en los procesos.
Límites de control
Lo primero que debe quedar claro con respecto a los límites de una carta de control es que éstos no son las
especificaciones, tolerancias o deseos para el proceso. Por el contrario, se calculan a partir de la variación
del estadístico (datos) que se representa en la carta. De esta forma, la clave está en establecer los límites
para cubrir cierto porcentaje de la variación natural del proceso, pero se debe tener cuidado de que tal
porcentaje sea el adecuado, ya que si es demasiado alto (99.999999%) los límites serán muy amplios y será
más difícil detectar los cambios en el proceso; mientras que si el porcentaje es pequeño, los límites serán
demasiado estrechos y con ello se incrementará el error tipo 1 (decir que se presentó un cambio cuando

en realidad no lo hubo).

Para calcular los límites de control se debe actuar de forma que, bajo condiciones de control estadístico, los
datos que se grafican en la carta tengan una alta probabilidad de caer dentro de tales límites. Por lo tanto,
una forma de proceder es encontrar la distribución de probabilidades de la variable, estimar sus parámetros

y ubicar los límites de manera que un alto porcentaje

(99.73%) de la distribución esté dentro de ellos (véase Duncan, 1989). Esta forma de proceder se conoce
como límites de probabilidad.

Una forma más sencilla y usual se obtiene a partir de la relación entre la media y la desviación estándar de
W, que para el caso que W se distribuye normal con media μw y desviación estándar σw, y bajo condiciones
de control estadístico se tiene que entre μw − 3σw y μw + 3σw se encuentra 99.73% de los posibles valores
de W (véase capítulo 3). En el caso de que no se tenga una distribución normal, pero se cuente con una
distribución unimodal con forma no muy distinta a la normal, entonces se aplica la regla empírica o la
extensión del teorema de Chebyshev (véase capítulo 2). Bajo estas condiciones, un modelo general para
una carta de control es el siguiente: sea W el estadístico que se va a graficar en la carta, supongamos que
su media es μw y su des viación estándar σw, entonces el límite de control inferior (LCI), la línea central y
el límite de control superior (LCS) están dados por:

LCI = μw − 3σw

Línea central = μw

LCS = μw + 3σw

Con estos límites y bajo condiciones de control estadístico se tendrá una alta probabilidad de que los valores
de W estén dentro de ellos. En particular, si W tiene distribución normal, tal probabilidad será de 0.9973,
con lo que se espera que bajo condiciones de control sólo 27 puntos de 10 000 caigan fuera de los límites.
Este tipo de cartas de control fueron propuestas originalmente por el doctor Walter A. Shewhart, y por eso
se les conoce como cartas de control Shewhart. La forma de estimar la media y la desviación estándar de
W a partir de las observaciones del proceso dependerá del tipo de estadístico que sea W, ya sea un promedio,
un rango o un porcentaje. Esto se verá en las próximas secciones.
Tipos de cartas de control
Existen dos tipos generales de cartas de control: para variables y para atributos. Las cartas de control para
variables se aplican a características de calidad de tipo continuo, que intuitivamente son aquellas que
requieren un instrumento de medición (peso, volumen, voltaje, longitud, resistencia, temperatura, humedad,

etc.). Las cartas para variables tipo Shewhart más usuales son:

• X (de medias).

• R (de rangos).

• S (de desviaciones estándar).

• X (de medidas individuales).

Las distintas formas de llamarle a una carta de control se deben al correspondiente estadístico que se
representa en la carta, y por medio de la cual se busca analizar una característica importante de un producto
o proceso.

Existen características de calidad de un producto que no son medidas con un instrumento de medición en
una escala continua o al menos en una numérica. En estos casos, el producto se juzga como conforme o no
conforme, dependiendo de si posee ciertos atributos; también, al producto se le podrá contar el número de

defectos o no conformidades que tiene. Este tipo de características de calidad son monitoreadas a través de
las cartas de control para atributos:

• p (proporción o fracción de artículos defectuosos).

• np (número de unidades defectuosas).

• c (número de defectos).
• u (número de defectos por unidad).

Pueden obtener información mas completa de estas cartas para atributos dando click aqui!!
DIAGRAMA DE CORRELACION

Al igual que los histogramas, los diagramas de correlación son una representación
gráfica que muestra la relación de una variable con respecto a otra, aunque esta no tiene
porque ser una relación causa-efecto.

Se relaciona el desempeño de una característica de interés con factores de causa

potenciales, el objetivo es ayudar a entender las causas potenciales de variación como
respuesta y explicar cómo cada factor contribuye a esa variación. Esto se consigue
mediante relación estadística de la variación en la variable dependiente con una variación
de la variable causa o independiente y obtener el mejor ajuste al minimizar la desviación
entre lo predictivo y la respuesta real.

Este diagrama de dispersión de usa para estudiar la posible relación entre dos variables,
y probar las posibles relaciones entre causa y efecto. No permite probar que una variable
es causa de la otra, pero si consigue aclarar si se establecen relaciones y la intensidad que
se establece entre ambas.

Los beneficios que aporta la representación de un diagrama de correlación es que puede

proveer la relación entre varios factores y la respuesta de interés, por lo que nos va a
ayudar a tomar decisiones con el proceso bajo estudio y finalmente una mejora del
proceso.

Tiene habilidad para describir comportamientos en respuesta a datos consistentes,

comparar diferentes grupos relacionados, y analizar posibles causa-efecto entre variables.
Este tipo de análisis también puede contribuir a estimar la magnitud de relación entre
variables y descubrir fuentes de influencia que no habían sido bien medidos u omitidos
anteriormente, por lo que esta información ayuda a mejorar el sistema de medición o el
proceso.

Aunque este tipo de estudios presenta limitaciones, pues para realizar dicho estudio se
requieren conocimientos especiales para especificar el análisis de regresión adecuado.
Algunas veces un problema encontrado al desarrollar los modelos de regresión es la
presencia de datos los cuales su validez es cuestionable. Siempre y cuando sea posible la
validez de tales datos debe ser investigada ya que pueden influir en los parámetros del
método, y por tanto en los resultados finales del proceso. Es importante simplificar las
variables explicativas o independientes, pues omitir una variable importante puede limitar
seriamente el modelo y utilidad de los resultados.