{"id":1029,"date":"2019-06-12T19:25:12","date_gmt":"2019-06-12T18:25:12","guid":{"rendered":"http:\/\/lssq-consulting.com\/?p=1029"},"modified":"2020-04-24T11:57:39","modified_gmt":"2020-04-24T10:57:39","slug":"graficos-de-control-para-todo-y-para-todos","status":"publish","type":"post","link":"https:\/\/lssq-consulting.com\/en\/graficos-de-control-para-todo-y-para-todos\/","title":{"rendered":"Gr\u00e1ficos de Control (para todo y para todos)"},"content":{"rendered":"

Poca gente conoce que el origen de la producci\u00f3n en masa se remonta a la antigua China. En Europa no somos partidarios de replicar y copiar: premiamos de manera continua la originalidad e independencia de una obra. Las palabras “\u00fanico” y “exclusivo” forman parte de la imaginer\u00eda social. En China, donde el aprendizaje y las artes provienen de una naturaleza creativa distinta, se produjo la producci\u00f3n a trav\u00e9s de modelos intercambiables y combinables entre s\u00ed.\u00a0 Este sistema modular se encuentra en los c\u00e9lebres Guerreros de Terracota de Xian (a quienes deseen saber m\u00e1s les recomiendo el excelente libro “Ten Thousand Things: Module and Mass Production in Chinese Art” – “Las diez mil cosas: el m\u00f3dulo y la producci\u00f3n en masa en el arte chino<\/em>“).<\/p>\n

Dec\u00edamos que la producci\u00f3n en masa se remonta a la China de hace cuatro milenios. En Europa la descubrimos durante la Revoluci\u00f3n Industrial de principios del siglo XIX y trajo consigo la necesidad de partes id\u00e9nticas e intercambiables, junto con el control de los procesos. Ejemplos de ello se encuentran en la fabricaci\u00f3n de los rifles Springfield en Estados Unidos o los Enfield en Gran Breta\u00f1a, o en la fabricaci\u00f3n de relojes y m\u00e1quinas de coser, por poner un ejemplo menos b\u00e9lico.\u00a0 La cuesti\u00f3n es que esa necesidad de intercambiabilidad de piezas fue lo que provoc\u00f3 que la buena calidad fuese esencial.<\/p>\n

El concepto de defecto surge en 1870 con el desarrollo del indicador “pasa \/ no pasa”. Fue un avance muy importante, pero insuficiente con respecto a la mejora de procesos. Un art\u00edculo era bueno o no era bueno. Sin puntos intermedios. La calidad se med\u00eda contando defectos.<\/p>\n

El descubridor<\/h4>\n

En 1924, fecha decisiva, el Dr. Walter Shewhart introdujo el gr\u00e1fico de control.\u00a0Los gr\u00e1ficos de control son una de las siete herramientas clave para la calidad (Ishikawa dixit<\/em>) y pueden considerarse como claves para mantener y predecir la calidad en el futuro. Sin embargo, la mayor\u00eda de las veces se usan de forma incorrecta.<\/p>\n

Hay que puntualizar que se trata de un gr\u00e1fico econ\u00f3mico, no de probabilidad, por mucho que desconcierte saberlo: Shewhart defini\u00f3 los l\u00edmites de control como “l\u00edmites econ\u00f3micos”. Su gr\u00e1fico hac\u00eda uso, adem\u00e1s, del elemento del tiempo. Para la estad\u00edstica cl\u00e1sica, o acad\u00e9mica, esta comienza con la suposici\u00f3n de que existe un universo estad\u00edstico. Para el control estad\u00edstico de procesos, no hay tal universo estad\u00edstico. O dicho de otra manera, los gr\u00e1ficos de control no necesitan conocer la naturaleza de las distribuciones de datos.<\/p>\n

Los culpables<\/h4>\n

Fue este un cambio radical. Algunos estad\u00edsticos eminentes, como el Dr. Juran, no lo acabaron de entender y posiblemente nunca lo entendieron. Juran siempre se refiri\u00f3 a los Gr\u00e1ficos de Control como “una prueba de significaci\u00f3n estad\u00edstica<\/em>“.<\/p>\n

Por desgracia, y lo digo con hondo pesar dado que soy un entusiasta de la mejora continua y de los proyectos Six Sigma (bien entendidos), el enfoque Six Sigma es responsable de un uso indebido masivo de los gr\u00e1ficos de control. Su creador, el Dr. Mike Harry, psic\u00f3logo,\u00a0tampoco entendi\u00f3 que los gr\u00e1ficos de control no son gr\u00e1ficos de probabilidad y por ello escribi\u00f3 frases como “si limitamos los l\u00edmites de control, el riesgo alfa aumenta<\/em>“.<\/p>\n

La literatura Six Sigma est\u00e1 plagada de evidencias sobre esta confusi\u00f3n: “con nivel de calidad seis sigma, la media del proceso puede variar hasta 1,5 desviaciones est\u00e1ndar fuera del objetivo y producir aproximadamente 3,4 ppm de defectos<\/em>“. Si un autom\u00f3vil contiene unas 30.000 piezas y cada una de las partes se construy\u00f3 de acuerdo con la declaraci\u00f3n de excelencia Six Sigma (3,4 dpmo), la probabilidad de tener un defecto es de un 9.7%. Este resultado es obviamente muy tonto, pero es lo que pasa cuando se confunden las cosas.<\/p>\n

Adem\u00e1s, el famoso “shift” a largo plazo de 1,5 desviaciones est\u00e1ndar fuera del objetivo, implica que una predicci\u00f3n de 3.4 ppm deja de ser confiable al permitirse que la media var\u00ede por encima de las 1,5 desviaciones est\u00e1ndar permitidas. Aviso a navegantes: si la media est\u00e1 cambiando 1,5 sigma veces, hay causas asignables: el proceso est\u00e1 fuera de control y puede producir cualquier cantidad de defectos sin importar d\u00f3nde se establezcan los l\u00edmites de especificaci\u00f3n.<\/p>\n

Entender bien las matem\u00e1ticas de Six Sigma es fundamental, y comprender que no hay por qu\u00e9 enturbiar con ello el concepto de calidad, a\u00fan m\u00e1s fundamental. No hacerlo implica que muchas personas perciban la calidad como “demasiado dif\u00edcil<\/em>“. No es demasiado dif\u00edcil. Simplemente hay que desechar lo que no aporta nada y volver a los fundamentos de la calidad.<\/p>\n

Los h\u00e9roes<\/h4>\n

No todos entendieron mal a Shewhart. Un tal profesor William Deming, rival directo de Juran, elabor\u00f3 \u200b\u200blos m\u00e9todos del Dr. Shewhart y los defini\u00f3 como “anal\u00edticos” en comparaci\u00f3n con las estad\u00edsticas tradicionales “enumerativas”. Deming escribi\u00f3 en 1942: “la \u00fanica funci\u00f3n \u00fatil de un estad\u00edstico es hacer predicciones y, por lo tanto, proporcionar una base para la acci\u00f3n<\/em>“. Pues s\u00ed, se\u00f1ores: ese y no otro es el prop\u00f3sito del Gr\u00e1fico de Control. Pero Deming no fue el \u00fanico, felizmente.<\/p>\n

El Dr. Taguchi tambi\u00e9n entendi\u00f3 a Shewhart y, durante las d\u00e9cadas de los 50 y los 60, trabaj\u00f3 con Deming y Shewhart desarrollando econ\u00f3micamente su famosa “Funci\u00f3n de p\u00e9rdida<\/em>“, que forma la base de la definici\u00f3n de calidad en la actualidad: en el objetivo con una variaci\u00f3n m\u00ednima<\/strong>.<\/p>\n

Finalmente, un protegido de Deming, Donald J. Wheeler, valid\u00f3 las suposiciones de Shewhart probando 1.143 distribuciones diferentes, demostrando de manera concluyente que no se requiere normalidad para que un cuadro de control fuese efectivo. Tampoco hace falta un software estad\u00edstico costos\u00edsimo para probar la hip\u00f3tesis de normalidad.<\/p>\n

La importancia de llamarse Gr\u00e1fico de Control<\/h4>\n

Dibujar, usar y comprender los gr\u00e1ficos de control es sencillo y puede hacerlo cualquier empleado. Ha sido la falta de comprensi\u00f3n por parte de ciertos autores la causa de que se haya menoscabado su simplicidad. Si los cuadros de control se utilizan correctamente, no se necesita un software especial para dibujarlos. Se pueden crear f\u00e1cilmente de la manera en que lo hizo Shewhart y de la manera por \u00e9l pretendida.<\/p>\n

Los gr\u00e1ficos de control (m\u00e9todos anal\u00edticos) son la \u00fanica herramienta adecuada para estudiar los procesos. Las pruebas de hip\u00f3tesis (m\u00e9todos enumerativos) est\u00e1n bien para estudiar una colecci\u00f3n est\u00e1tica de ratas de laboratorio, pero no es apropiada para mejorar un proceso. Las pruebas de hip\u00f3tesis no consideran el elemento tiempo.<\/p>\n

\"\"<\/p>\n

Contemple el gr\u00e1fico superior izquierda de la imagen.\u00a0Los resultados muestran que el proceso est\u00e1 bajo control.\u00a0Ahora supongamos que intercambiamos los valores y dibujamos el gr\u00e1fico de control superior derecha. Estamos utilizando exactamente los mismos datos, pero en una secuencia diferente. Puede parecer que es un mejor proceso, pero su gr\u00e1fico muestra un punto fuera de control. Es impredecible.<\/p>\n

Ninguna prueba enumerativa hubiese podido distinguir uno de otro. Como enfatiz\u00f3 Deming, las pruebas de hip\u00f3tesis son inapropiadas porque entierran la secuencia de los datos. De hecho, por este motivo es importante mirar el histograma. En el ejemplo mencionado, los histogramas son id\u00e9nticos y los datos son claramente no sim\u00e9tricos.<\/p>\n

\"\"<\/p>\n

Los m\u00e9todos enumerativos (pruebas de hip\u00f3tesis) se basan com\u00fanmente en la suposici\u00f3n de que los datos siguen una distribuci\u00f3n normal, pero no es as\u00ed como suelen venir los datos reales: los datos que no siguen la normalidad s\u00ed pueden interpretarse en un gr\u00e1fico de control.<\/p>\n

Esta necesidad de disponer de distribuciones normales es un fastidio y una evidencia de que no se comprenden bien las cosas. Las distribuciones normales son irrelevantes. No es necesario que ning\u00fan empleado entienda qu\u00e9 es una distribuci\u00f3n normal o de ning\u00fan otro tipo. En un proceso no conocemos el universo estad\u00edstico. Por fortuna, la normalidad (o la no normalidad) no desempe\u00f1a ning\u00fan papel en los gr\u00e1ficos de control. Los cuadros de control funcionan para cualquier distribuci\u00f3n de datos.<\/p>\n

Ahora es cuando muchos sedicentes\u00a0expertos BB sugerir\u00e1n (acertadamente) que necesitamos el teorema del l\u00edmite central. Es cierto que la distribuci\u00f3n de los promedios es de tipo normal. Sin embargo, de nuevo es irrelevante para los gr\u00e1ficos de control. Con el teorema del l\u00edmite central, los gr\u00e1ficos de rango no funcionan. La distribuci\u00f3n de rangos nunca es normal. Los cuadros de control no se basan en el teorema del l\u00edmite central y no necesitan normalidad.<\/p>\n

Es cierto que hay una base estad\u00edstica compleja para demostrar por qu\u00e9 los gr\u00e1ficos de control son tan simples, pero los empleados no necesitan saberlo. Quienes deseen entenderlo bien, y con ello me refiero a los miles de black belts<\/em> que continuamente malinterpretan estas cosas, deber\u00edan acudir a Aquellos que deseen entender las distribuciones normales y las estad\u00edsticas elegantes detr\u00e1s de la simplicidad, deben leer el libro “Normality and the Process Behavior Chart” de Donald Wheeler.<\/p>\n

\u00bfControl o probabilidad?<\/h4>\n

A\u00fan peor que la fijaci\u00f3n con las distribuciones normales es la creencia de que el gr\u00e1fico de control es un gr\u00e1fico de probabilidad. Hay miles de referencias a afirmaciones tales como que el 99,73% de los datos se encuentran dentro de los l\u00edmites de control. es algo que no tiene ning\u00fan sentido. Los cuadros de control no indican la probabilidad de ning\u00fan evento. Por eso suena tan rid\u00edculo hablar de un “proceso 3 sigma\u201d frente a “procesos 4, 5 o 6 sigma\u201d.<\/p>\n

Los gr\u00e1ficos de control muestran la variaci\u00f3n de un proceso a lo largo del tiempo. La diferencia es que el gr\u00e1fico de control tiene un filtro para las causas comunes. Es un poco como saber cu\u00e1ndo, ante un problema fastidioso, lo mejor es ignorarlo y tomarse una cerveza\u00a0con los pies en alto mientras se mira la tele, y cu\u00e1ndo es necesario sacar la caja de herramientas. Por ejemplo:<\/p>\n

    \n
  1. hay goteras,<\/li>\n
  2. se necesita limpieza,<\/li>\n
  3. la cisterna tiene fugas,<\/li>\n
  4. hay un ruido molesto por la noche,<\/li>\n
  5. el nivel sigue subiendo y parece que el suelo va a inundarse.<\/li>\n<\/ol>\n

    En los sucesos 1 a 4 podemos tomarnos esa cerveza. Pero el n\u00famero 5 es una excepci\u00f3n, una causa asignable:\u00a0ah\u00ed s\u00ed que se necesita acci\u00f3n.<\/p>\n

    Este otro ejemplo se lo dejo a usted, lector:<\/p>\n

      \n
    1. evite los peajes,<\/li>\n
    2. mire dos veces en todos los espejos antes de retroceder,<\/li>\n
    3. ponga el intermitente en las rotondas,<\/li>\n
    4. meta el coche al t\u00fanel de lavado,<\/li>\n
    5. el indicador dice que el dep\u00f3sito est\u00e1 vac\u00edo.<\/li>\n<\/ol>\n

      La clave es saber cu\u00e1ndo actuar. Shewhart dijo que podemos decidirlo observando la variaci\u00f3n en cada punto. Es decir, midiendo el rango. \u00bfHay algo m\u00e1s simple? Se hace con un l\u00e1piz y un papel milimetrado. Las empresas que venden software han encontrado muchas maneras de hacerlo todo m\u00e1s complejo. En lugar de un rango simple, afirman que necesitamos conocer la desviaci\u00f3n est\u00e1ndar de los grupos de puntos. Venden muchas licencias porque las personas tendemos a creer que las cosas han de ser forzosamente complicadas y que se necesitan cursos de tres meses para entender ese software complejo que hace cosas complicadas para un mundo sencillo.<\/p>\n

      Wheeler al rescate. Demostr\u00f3 que todo lo que se necesita son l\u00edmites de control. Solo eso. Y pensar. Si algo parece extra\u00f1o, nada hay mejor que investigar.<\/p>\n

      Un mundo de gr\u00e1ficos<\/h4>\n

      Hay gr\u00e1ficos para todo tipo de datos: gr\u00e1ficos p, np, c, u… Todos ellos asumen una distribuci\u00f3n particular.\u00a0Hay cuatro tipos de gr\u00e1ficos, dos distribuciones binomiales y dos distribuciones de Poisson. \u00bfAlguien puede recordar cu\u00e1l es cu\u00e1l? Wheeler sugiri\u00f3 realizar un doctorado en estad\u00edstica para asegurar que una suposici\u00f3n era correcta. Sin embargo, Wheeler mostr\u00f3 una salida f\u00e1cil e infalible: \u00a1el mismo gr\u00e1fico XmR que usamos para datos variables! XmR para todo. \u00bfQu\u00e9 empleado no entiende algo tan simple?<\/p>\n

      Como se puede ver, cuando las cosas se ense\u00f1an correctamente, los gr\u00e1ficos de control son lo suficientemente simples para que los verdaderos expertos de una empresa, que son los operadores, los entiendan, dibujen y utilicen. El gran desaf\u00edo es enviar a gerencia el mensaje de que la calidad es f\u00e1cil si se hace correctamente.<\/p>\n","protected":false},"excerpt":{"rendered":"

      Poca gente conoce que el origen de la producci\u00f3n en masa se remonta a la antigua China. En Europa no somos partidarios de replicar y copiar: premiamos de manera continua la originalidad e independencia de una obra. Las palabras “\u00fanico” y “exclusivo” forman parte de la imaginer\u00eda social. En China, donde el aprendizaje y las…<\/p>\n

      Read More<\/a><\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[66,67],"tags":[101,80,14,108],"class_list":["post-1029","post","type-post","status-publish","format-standard","hentry","category-lean-six-sigma","category-six-sigma","tag-graficos-de-control","tag-lean-six-sigma","tag-six-sigma","tag-spc"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/lssq-consulting.com\/en\/wp-json\/wp\/v2\/posts\/1029","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/lssq-consulting.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/lssq-consulting.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/lssq-consulting.com\/en\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/lssq-consulting.com\/en\/wp-json\/wp\/v2\/comments?post=1029"}],"version-history":[{"count":0,"href":"https:\/\/lssq-consulting.com\/en\/wp-json\/wp\/v2\/posts\/1029\/revisions"}],"wp:attachment":[{"href":"https:\/\/lssq-consulting.com\/en\/wp-json\/wp\/v2\/media?parent=1029"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/lssq-consulting.com\/en\/wp-json\/wp\/v2\/categories?post=1029"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/lssq-consulting.com\/en\/wp-json\/wp\/v2\/tags?post=1029"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}