Un histograma que se inclina hacia un lado, una tarjeta de control que se sale de sus límites, un proveedor que anuncia una tasa de defectos que no puedes verificar: son situaciones con las que cualquier responsable de calidad o de producción se encuentra habitualmente. Las estadísticas descriptivas son la herramienta que permite transformar estas observaciones en decisiones fundamentadas, en lugar de meras impresiones. No sirven para hacer cálculos matemáticos por el simple placer de hacerlo: sirven para saber si un proceso está bajo control, si una pieza es realmente defectuosa o si hay que clasificar un stock de 10 000 piezas tras un control de 60 muestras.
Esta guía recoge los usos prácticos de las estadísticas descriptivas aplicadas a la producción industrial, a partir de la metodología desarrollada por Maurice Pillet, cofundador de Ellistat, catedrático emérito y referente francés en materia de calidad y Six Sigma.
Estadísticas descriptivas, inferenciales y multivariantes: ¿en qué ámbito se enmarca tu análisis diario?
Cuando se recopilan datos de producción, normalmente se obtiene una tabla con entradas (las X, los parámetros del proceso) y salidas (las Y, las características del producto). Existen tres tipos de análisis estadísticos que permiten aprovechar estos datos, y es útil saber cuál de ellos utilizas en tu día a día.
- Las estadísticas descriptivas se centran en una sola variable a la vez, X o Y, ya sea cuantitativa (una medida) o cualitativa (un defecto, una categoría). Es el nivel de análisis más habitual y más inmediato.
- Estadística inferencial buscan una relación no aleatoria entre las variaciones de una variable Y y una o varias variables X, normalmente para explicar o modelar el comportamiento de la variable Y.
- Estadísticas multivariantes procesan el conjunto de datos en su totalidad, sin distinguir entre entradas y salidas, para clasificar individuos o identificar relaciones entre variables.
Las estadísticas descriptivas son, por tanto, el punto de partida imprescindible: antes de buscar una causa (inferencial) o una estructura global (multivariante), hay que saber interpretar correctamente una sola columna de datos. Es ahí donde se toman la mayoría de las decisiones relacionadas con la calidad en el día a día.
Antes de analizar, examina detenidamente tus datos
La identificación visual mediante el formato condicional
El primer paso, que a menudo se pasa por alto, consiste simplemente en observar la tabla de datos con formato condicional. El principio es sencillo: los valores se colorean según su posición en la distribución, pasando del azul al rojo, pasando por el verde.
Un ojo experto detecta inmediatamente un problema: una columna en la que predomina el azul, con poco verde, indica una distribución que probablemente se desvía de una ley normal. En cambio, una columna en la que predomina el verde, con una densidad importante en el centro y los extremos en azul y rojo, se asemeja a una distribución normal bien centrada. Este simple vistazo, antes de realizar ningún cálculo, ya orienta el análisis posterior.
Detección automática de valores atípicos
Un punto situado fuera de las «barbas» de un gráfico de barras no es necesariamente un valor atípico en sentido estadístico. La distinción es importante: un verdadero valor atípico debe identificarse mediante una prueba estadística específica, no solo mediante una lectura gráfica aproximada. Es esta prueba, y no la impresión visual, la que debe dar lugar a una investigación o a la exclusión del dato de tus cálculos de capacidad.
El análisis gráfico: histogramas, diagramas de barras y tarjetas de control
Histograma y diagrama de caja y barbas para evaluar la forma de la distribución
El histograma sigue siendo el punto de partida para evaluar si una distribución se asemeja a una ley normal, sobre todo cuando se le superpone una curva de densidad. La caja de bigotes complementa esta interpretación, sobre todo a modo de comparación: permite situar una al lado de otra varias características (varios diámetros, varios lotes, varias máquinas) e identificar de un solo vistazo aquella que se comporta de forma diferente a las demás.
Las tarjetas de control: seguimiento continuo de la estabilidad del proceso
Los gráficos de control ofrecen una visión a lo largo del tiempo, mientras que el histograma ofrece una visión estática. Deben poder adaptarse a la realidad sobre el terreno, y no al revés:
- seguimiento basado en la media, la mediana o una media móvil ponderada (EWMA), a elegir o en combinación; ;
- posibilidad de centrar los datos respecto al objetivo o respecto a la media de los datos; ;
- Compatibilidad con tamaños de muestra variables: si el número de repeticiones pasa de 3 unidades a 2 y luego a 1 según los muestreos, la tarjeta debe ajustar sus límites automáticamente, sin necesidad de realizar un nuevo cálculo manual.
Es precisamente esa flexibilidad la que marca la diferencia entre una tarjeta de control que refleja fielmente tu proceso y una tarjeta teórica que ya no se ajusta a la realidad del taller.
Comprueba la normalidad antes de calcular tus índices de capacidad
Los índices de capacidad (Cp, Cpk, Pp, Ppk) y la mayoría de los cálculos de la proporción de productos no conformes se basan en una hipótesis de distribución, que suele ser la ley normal. Por lo tanto, antes de calcularlos, hay que comprobar que esta hipótesis se cumple; de lo contrario, los índices obtenidos carecen de valor.
Hay tres pruebas de normalidad que abarcan prácticamente todas las situaciones que se dan en la producción:
- la prueba de chi², adecuado cuando los datos están estratificados y no se dispone de los valores individuales
- la prueba de Shapiro-Wilk, válido para muestras pequeñas, de hasta una treintena de piezas
- la prueba de Anderson-Darling, más sólido a partir de ese tamaño de muestra
Una buena herramienta de análisis no se limita a calcular los tres: identifica y destaca el que es realmente relevante en función del tamaño y la estructura de tus datos, para evitar una interpretación errónea. Y si se rechaza la hipótesis de normalidad, no hay que quedarse ahí: algunas características, especialmente aquellas que tienen un límite en cero (planitud, circularidad, excentricidad), siguen de forma natural otra ley, como la ley de Rayleigh, que modela mucho mejor su comportamiento real.
El MAD: un indicador fiable que pocas herramientas de calidad ofrecen
La desviación típica es muy sensible a los valores atípicos: una sola pieza mal medida o realmente defectuosa puede hacer que aumente artificialmente, hasta multiplicarla por un factor considerable en una muestra que, por lo demás, es perfectamente estable. El MAD (la desviación absoluta mediana, o mediana de las desviaciones respecto a la mediana) no presenta este defecto: permanece prácticamente inalterada ante la presencia de un valor atípico, precisamente porque se calcula a partir de medianas en lugar de medias.
En la práctica, el MAD es el equivalente no paramétrico de la desviación típica. Resulta especialmente útil para las pruebas de comparación de la variabilidad entre lotes, máquinas o proveedores, cuando los datos contienen —o pueden contener— valores atípicos que falsearían una comparación basada en la desviación típica clásica.
Tarjetas de atributos: gestionar la calidad cuando se cuentan defectos, no medidas
No todos los datos de calidad son mediciones continuas. Número, índice de defectos, no conformidades por lote: estos datos de atributos se gestionan mediante una familia de tarjetas específicas (P, NP, C, U), y la elección de la tarjeta adecuada tiene un impacto directo en la fiabilidad del seguimiento.
La tarjeta P, por ejemplo, parte de la hipótesis de que la única fuente de variabilidad es el muestreo. Sin embargo, en cuanto los tamaños de lote varían de un periodo a otro, esta hipótesis deja de ser válida, y el gráfico P genera alertas de fuera de control que no reflejan la realidad del proceso. La carta U, que relaciona el número de defectos con una unidad de oportunidad, resulta entonces mucho más adecuada para la mayoría de los contextos industriales reales; de hecho, es la carta más utilizada en la práctica cuando los tamaños de lote no son estrictamente constantes.
Utilizar las leyes de distribución discreta para garantizar la corrección de una decisión de clasificación o recepción
Hay dos preguntas que surgen muy a menudo en la práctica, y las leyes de distribución discreta las responden directamente, sin necesidad de consultar una tabla estadística.
Primer caso: decidir si hay que clasificar las existencias. Tienes 10 000 piezas en stock, empiezas un control y seleccionas 60 piezas, de las cuales 2 no cumplen los requisitos. ¿Hay que clasificarlas todas? La ley hipergeométrica (adaptada cuando se razona en términos de número de piezas en un lote terminado) permite obtener una respuesta con un intervalo de confianza: en este ejemplo, se puede estimar que, con un nivel de confianza del 95 %, el stock no contendría más de unas 1 010 piezas no conformes de las 10 000. Se trata de un dato mucho más útil a la hora de tomar decisiones que una simple regla de tres basada en la tasa observada.
Segundo caso: evaluar el riesgo que supone aceptar un lote de un proveedor. Un proveedor anuncia una tasa de defectos del 3 %. Seleccionas 50 unidades para su inspección. La ley binomial permite calcular que la probabilidad de no encontrar ninguna pieza defectuosa en esta muestra, incluso si la tasa real de 3 % es exacta, ronda el 21 %. En otras palabras: el hecho de no encontrar nada en el control no garantiza en absoluto que el lote sea conforme. Es precisamente este tipo de cálculo el que permite dimensionar correctamente un plan de muestreo, en lugar de fijarlo al azar.
Prever un fenómeno periódico mediante la descomposición de Fourier
Algunos problemas de calidad presentan un patrón periódico que un simple gráfico no permite explicar, aunque se vea claramente. Es el caso, por ejemplo, de un mecanismo de relojería cuya amplitud se mide cada seis segundos: el gráfico muestra oscilaciones regulares, sin que la causa sea evidente.
La descomposición de Fourier permite reconstruir la señal a partir de sus frecuencias dominantes e identificar cuál de ellas contribuye en mayor medida a las desviaciones observadas. En este ejemplo, el análisis pone de manifiesto una periodicidad que corresponde a una rotación de aproximadamente un minuto y medio, lo que apunta directamente a la pieza mecánica en cuestión: una rueda que gira a esa frecuencia y genera las perturbaciones medidas. Se trata de una herramienta muy valiosa cuando se sospecha que detrás de una deriva aparentemente aleatoria se esconde una causa mecánica cíclica.
Establecer bien los límites de control: entre los límites clásicos y los límites ampliados
Se trata de un aspecto que a menudo no se domina bien, cuando en realidad condiciona directamente la eficacia de una tarjeta de control. Los límites de control clásicos, calculados a más o menos 3 desviaciones estándar sobre la distribución de medias, nunca deben ajustarse más: hacerlo supone correr el riesgo de desajustar un proceso que, sin embargo, funciona correctamente, al reaccionar ante el ruido estadístico normal.
Por el contrario, se puede aceptar un cierto margen de variación en el proceso fijándose un objetivo mínimo de capacidad (un Cpk límite, por ejemplo) y un riesgo beta aceptable —el porcentaje de casos en los que se tolera no detectar inmediatamente un rebasamiento de dicho objetivo—. Esto permite definir límites ampliados, más amplios que los límites tradicionales.
La buena práctica consiste en situar los límites de control entre estos dos extremos: nunca más estrechos que los límites clásicos, nunca más amplios que los límites ampliados. Este tipo de cálculo también permite determinar el tamaño de la muestra realmente necesario para garantizar un objetivo de capacidad determinado, y no es raro descubrir que basta con una muestra de una sola pieza, cuando la desviación típica a corto plazo del proceso es lo suficientemente baja, lo que evita tomas de muestras innecesarias.
Más información: intervalos de dispersión y de predicción
He aquí un error frecuente: a partir de una muestra de preproducción (15 unidades, por ejemplo), se calculan la media y la desviación típica, y luego se estima la dispersión del lote real aplicando simplemente estos valores a una distribución normal, como si la media y la desviación típica de la muestra fueran exactamente las de toda la población.
Esta hipótesis es demasiado fuerte: la media y la desviación típica calculadas a partir de 15 piezas pueden variar a su vez de una muestra a otra. El método definido por la norma ISO 16269 tiene esto en cuenta, y el’intervalo de dispersión El resultado así obtenido es sistemáticamente mayor que el que se obtendría mediante un cálculo simplista de más o menos X desviaciones estándar. Ignorar este matiz lleva a subestimar la dispersión real esperada en la producción, con el riesgo de descubrir el problema una vez iniciada la serie, en lugar de hacerlo con antelación.
Se distinguen dos conceptos relacionados: el intervalo de dispersión indica el rango que contiene una proporción determinada de individuos, mientras que el’intervalo de predicción limita la variación esperada en una población futura de tamaño definido (por ejemplo, un lote de 500 unidades futuras). También existe un cálculo no paramétrico para los casos en los que no se cumple la hipótesis de normalidad.
¿Por qué centralizar estos análisis en una herramienta de calidad en lugar de en hojas de Excel?
Se puede acceder a cada uno de estos análisis de forma individual; muchos responsables de calidad ya los llevan a cabo, a menudo con fórmulas de Excel recreadas a mano o con tablas estadísticas en papel. La dificultad no radica en el método en sí mismo, sino en poder disponer de él de forma rápida, fiable y reproducible en el día a día, a partir de datos que cambian continuamente.
Esa es la función del módulo Análisis de datos de la suite Ellistat: centraliza todas estas estadísticas descriptivas: análisis gráfico, gráficos de control, pruebas de normalidad, MAD, gráficos de atributos, leyes de distribución, descomposición de Fourier, calculadoras de planes de muestreo conformes a las normas ISO 2859 e ISO 3951, límites de control e intervalos de dispersión… todo ello en una única interfaz diseñada para que resulte fácil de usar, sin superar nunca los dos niveles de menús. El objetivo no es añadir complejidad estadística, sino, por el contrario, eliminarla, haciendo que estos métodos sean directamente utilizables por los equipos de calidad y producción, sin necesidad de conocimientos previos de estadística.
Conclusión
Las estadísticas descriptivas no son un ejercicio académico reservado a los expertos en calidad: responden a preguntas muy concretas que se plantean a diario los responsables de producción y calidad: ¿es este valor realmente anómalo?, ¿es estable este proceso?, ¿es fiable este lote del proveedor?, ¿hay que clasificar este stock? Si se utilizan correctamente, las estadísticas descriptivas industriales transforman los datos brutos en decisiones rápidas y fundamentadas, en lugar de en intuiciones imposibles de verificar. La dificultad nunca radica en la teoría estadística en sí misma, sino en su aplicación sencilla y fiable, día tras día, a los datos reales de su taller.
