Herramientas para la Calidad

La Hoja de Verificación (Check List): Una hoja de verificación es un documento o formulario diseñado para ayudar en la organización y seguimiento de tareas, procesos o actividades. Se utiliza comúnmente en entornos profesionales, educativos y personales para asegurarse de que se completen todas las tareas necesarias y se cumplan ciertos criterios o estándares.

Diagrama de Ishikawa (Espina de pescado o diagrama de causa y efecto): Este diagrama se utiliza para identificar todas las posibles causas de un problema o un efecto no deseado. Ayuda a visualizar las relaciones entre diferentes factores y a identificar las causas raíz.

Diagrama de Pareto: Este diagrama se utiliza para identificar y priorizar los problemas o defectos más importantes. Se basa en el principio de que un pequeño número de causas (el 20%) suele ser responsable de la mayoría de los problemas (el 80%).

Histograma: Es una representación gráfica de la distribución de frecuencia de un conjunto de datos. Ayuda a visualizar la variabilidad en un proceso y a identificar patrones que puedan indicar problemas de calidad.

Diagrama de dispersión: Este diagrama se utiliza para visualizar la relación entre dos variables. Permite identificar si existe alguna relación entre las variables y si hay algún patrón o tendencia en los datos.

Control estadístico de procesos (SPC): Incluye técnicas como el control de calidad estadístico, que se utiliza para monitorear y controlar la calidad de un proceso a lo largo del tiempo. Se basa en el análisis de datos estadísticos para identificar desviaciones y tomar medidas correctivas.

Diagrama de flujo: Es una representación visual de los pasos de un proceso. Ayuda a identificar posibles áreas de mejora, cuellos de botella y redundancias en el proceso.

Análisis FMEA (Análisis de Modo y Efecto de Falla): Es una técnica utilizada para identificar y prevenir posibles fallos en un proceso, producto o sistema antes de que ocurran. Se basa en la identificación de los modos de fallo potenciales, sus efectos y las causas subyacentes.

La Estratificación.

Es una herramienta analítica utilizada para dividir un conjunto de datos en subgrupos o estratos con el fin de identificar patrones, tendencias o diferencias significativas. Esta técnica es fundamental para comprender mejor la variabilidad dentro de un proceso y para tomar decisiones informadas sobre cómo mejorar la calidad y la eficiencia.

Objetivo y Método

El objetivo principal de la estratificación es descomponer un conjunto de datos en grupos homogéneos que compartan características similares. Esto permite detectar diferencias o anomalías que no serían evidentes al analizar el conjunto de datos en su totalidad. La estratificación se lleva a cabo mediante la clasificación de los datos en función de variables relevantes que puedan influir en el resultado del proceso.

Proceso de estratificación:

Identificación de Variables Relevantes 

Seleccionar las variables que se consideran importantes para el proceso en cuestión. Estas variables pueden incluir factores como el tiempo, la ubicación, el turno de trabajo, el tipo de equipo utilizado, entre otros.

Clasificación de Datos 

Dividir los datos en subgrupos o estratos en función de las variables identificadas. Por ejemplo, si estamos analizando la producción de una fábrica, podríamos estratificar los datos por turno de trabajo para ver si hay diferencias en el rendimiento entre los diferentes turnos.

Análisis de Estratos 

Analizar cada estrato por separado para identificar patrones, tendencias o diferencias significativas. Esto puede implicar la comparación de medidas de rendimiento, como la tasa de defectos o la eficiencia del proceso, entre los diferentes estratos.

Identificación de Causas Raíz 

Utilizar la información obtenida del análisis de estratos para identificar las causas subyacentes de cualquier variación o problema identificado. Esto puede ayudar a dirigir los esfuerzos de mejora hacia las áreas donde se necesitan más atención.

El Diagrama de Pareto de primer nivel y niveles superiores involucrando costos.

El Diagrama de Pareto de primer nivel se utiliza para identificar y priorizar los elementos individuales que contribuyen en mayor medida a los costos totales de una organización.

Identificación de los Costos Relevantes 

Seleccionar los costos que se consideran más significativos en el contexto específico. Estos pueden incluir costos de materiales, mano de obra, gastos generales, etc.

Recopilación de Datos 

Obtener datos detallados sobre los costos seleccionados y su contribución total al costo general de la organización.

Clasificación de Costos 

Clasificar los costos en orden descendente, desde el más alto hasta el más bajo.

Creación del Diagrama de Pareto 

Representar gráficamente los costos en un gráfico de barras, donde cada barra representa un costo específico y la altura de la barra corresponde al porcentaje de contribución al costo total. Los costos se presentan en orden descendente, y se traza una línea acumulativa para mostrar el porcentaje acumulado de los costos.

Análisis de Pareto 

Analizar el Diagrama de Pareto para identificar los costos más significativos. En general, se busca determinar cuáles son los "pocos vitales" (los costos que representan la mayor parte del gasto total) frente a los "muchos triviales" (los costos que contribuyen en menor medida).

Niveles superiores

Además del Diagrama de Pareto de primer nivel, también se puede aplicar el principio de Pareto a niveles superiores de agregación de costos, como categorías de costos o departamentos.

Agrupación de Costos 

Agrupar los costos individuales en categorías o departamentos más amplios, según su naturaleza y función. Por ejemplo, se pueden agrupar los costos de materiales directos, mano de obra directa, gastos generales de fabricación, etc.

Recopilación de Datos 

Obtener datos sobre los costos totales de cada categoría o departamento.

Clasificación y Creación del Diagrama de Pareto 

Aplicar el mismo proceso de clasificación y creación de un Diagrama de Pareto, pero a nivel de categorías o departamentos en lugar de costos individuales.

Análisis de Pareto en Niveles Superiores 

Analizar el Diagrama de Pareto en niveles superiores para identificar las categorías o departamentos que contribuyen en mayor medida a los costos totales de la organización. Esto puede proporcionar una visión más amplia y estratégica de los costos y ayudar a priorizar áreas de enfoque para reducir costos y mejorar la eficiencia.

El Diagrama de Ishikawa (Causa-Efecto, Columna de Pescado o de las 6M).

También conocido como Diagrama de Espina de Pescado o Diagrama de Causa y Efecto, es una herramienta utilizada en la gestión de calidad para identificar y visualizar las posibles causas de un problema o efecto no deseado. En el contexto de la gestión de costos, el Diagrama de Ishikawa se puede emplear para analizar las diferentes causas que contribuyen a los costos en una organización y así identificar áreas de mejora.

El Diagrama de Ishikawa ofrece varios beneficios en la gestión de costos:

Permite un enfoque estructurado y sistemático para analizar los costos y sus posibles causas.

Facilita la identificación de múltiples factores que pueden estar contribuyendo a un problema de costos.

Ayuda a priorizar las áreas de mejora y a enfocar los recursos en las causas raíz más significativas.

Fomenta la colaboración y el trabajo en equipo al involucrar a personas de diferentes áreas en el proceso de análisis y solución de problemas.

El Histograma y su interpretación.

El histograma es una herramienta gráfica utilizada en la gestión de costos para representar la distribución de un conjunto de datos relacionados con los costos en una organización. Este informe explora el uso del histograma en la gestión de costos y proporciona pautas para su interpretación.

El histograma se utiliza en la gestión de costos para visualizar la distribución de los costos y entender mejor cómo se distribuyen los recursos financieros en una organización.

Recopilación de Datos: El primer paso es recopilar datos relevantes sobre los costos en la organización. Esto puede incluir costos de materiales, mano de obra, gastos generales, etc.

Agrupación de Datos: Una vez recopilados los datos, se agrupan en intervalos o categorías para crear un histograma. La cantidad de intervalos y el tamaño de cada intervalo pueden variar dependiendo de la cantidad de datos y la precisión deseada.

Creación del Histograma: Se representa gráficamente la distribución de los datos en un gráfico de barras, donde cada barra representa un intervalo y la altura de la barra indica la frecuencia o cantidad de datos en ese intervalo. Las barras se colocan contiguas unas a otras, sin espacios entre ellas.

Interpretación del Histograma: Una vez creado el histograma, se interpreta para entender la distribución de los costos en la organización. Esto incluye analizar la forma de la distribución (por ejemplo, si es simétrica o sesgada), identificar valores atípicos o extremos, y determinar la concentración de costos en diferentes rangos.

Pruebas de Normalidad y ajuste de los datos.

Transformación Box Cox

El procedimiento para las Transformaciones de Box-Cox es diseñado para determinar una transformación optima para Y mientras se estima un modelo de regresión lineal. Es muy útil cuando la variabilidad de Y cambia como una función de X. A menudo, una apropiada transformación de Y estabiliza la variabilidad y produce que las desviaciones alrededor del modelo sean más normalmente distribuidas. 

La clase de transformaciones consideradas son transformaciones de potencia definidas por:

En la cual los datos son calculados en una potencia de λ1 después de cambiarlo a una cierta cantidad λ2. Posteriormente, el parámetro de cambio λ2 se fija igual a 0. Esta clase incluyen raíces cuadradas, logaritmos, recíprocos, y otras transformaciones comunes, que dependen sobre una potencia. Los ejemplos incluyen: 

Prueba de Anderson-Darling

El estadístico Anderson-Darling mide qué tan bien siguen los datos una distribución específica. Para un conjunto de datos y distribución en particular, mientras mejor se ajuste la distribución a los datos, menor será este estadístico. Por ejemplo, usted puede utilizar el estadístico de Anderson-Darling para determinar si los datos cumplen el supuesto de normalidad para una prueba t.

Las hipótesis para la prueba de Anderson-Darling son:

H0: Los datos siguen una distribución especificada

H1: Los datos no siguen una distribución especificada

Utilice el valor p correspondiente (si está disponible) para probar si los datos provienen de la distribución elegida. Si el valor p es menor que un nivel de significancia elegido (por lo general 0.05 o 0.10), entonces rechace la hipótesis nula de que los datos provienen de esa distribución. Minitab no siempre muestra un valor p para la prueba de Anderson-Darling, porque este no existe matemáticamente para ciertos casos.

También puede utilizar el estadístico de Anderson-Darling para comparar el ajuste de varias distribuciones con el fin de determinar cuál es la mejor. Sin embargo, para concluir que una distribución es la mejor, el estadístico de Anderson-Darling debe ser sustancialmente menor que los demás. Cuando los estadísticos están cercanos entre sí, se deben usar criterios adicionales, como las gráficas de probabilidad, para elegir entre ellos.

Prueba de Johnson.

La transformación de Johnson selecciona de forma óptima una función entre tres familias de distribuciones de una variable, las cuales se transforman fácilmente en una distribución normal estándar. Estas distribuciones se etiquetan como SB, SL y SU, donde B, L y U se refieren a la variable con límites, log normal y sin límites. Minitab identifica los parámetros de las distribuciones como primera forma, segunda forma, ubicación y escala. Para obtener más información, vaya a Métodos y fórmulas para las transformaciones en Identificación de distribución individual y haga clic en "Métodos y fórmulas para la transformación de Johnson".

Cuando ambos límites de especificación están en el rango de la función de transformación, Minitab calcula los índices de capacidad general con base en la distribución normal de los datos transformados. Para obtener más información, vaya a Métodos y fórmulas para las medidas de capacidad general en Análisis de capacidad normal.

Cuando la familia seleccionada es el tipo SB o SL y el límite de especificación inferior y/o superior está fuera del rango de la distribución, Minitab realiza cálculos adicionales para generar los índices de capacidad general.