Control de calidad pdf

Control estadístico de la
calidad de un servicio
mediante Gráficas X y R
Alberto Isaac Pierdant Rodríguez*
Jesús Rodríguez Franco**
Resumen
Las empresas y organismos públicos que proporcionan servicios en México no utilizan
frecuentemente técnicas cuantitativas para el control de calidad de dicho servicio, por lo
que este trabajo representa una propuesta de control de calidad mediante herramientas
simples de control estadístico de calidad. Existen diversas técnicas cualitativas y pocas
técnicas cuantitativas como las gráficas, que nos permiten determinar si la prestación de
un servicio se encuentra bajo control; es decir, verificar si la calidad está dentro de los
estándares establecidos por la empresa o institución, o fuera de ellos. Este documento
tiene como objetivo mostrar la mecánica del control de calidad de un servicio mediante
dos tipos de gráficas de control para variables: la gráfica de control para medias de un
proceso y la gráfica de control para variabilidad de procesos. Su aplicación permitiría
identificar áreas de oportunidad e implementar mejoras en la calidad del servicio.
El material ha sido elaborado empleando la hoja electrónica de cálculo Excel con la
finalidad de proporcionar una herramienta práctica en esta materia.
Palabras clave: calidad, control estadístico, gráfica para media, gráfica para variabilidad,
calidad en un servicio.
Abstract
Statistical quality control is not been used widely in Mexican companies that afford
or sale services, that is why this paper pretend to show a simple technique of quality
control in a service area using simple tools as charts. There are several qualitative
techniques and few quantitative techniques as charts that could show us if a service is
* Profesores-investigadores en el Departamento de Política y Cultura, Universidad
Autónoma Metropolitana Xochimilco. Correos electrónicos: pierdant@correo.xoc.uam.mx y
jrfranco@correo.xoc.uam.mx.

152
Política y Cultura, otoño 2009, núm. 32, pp. 151-169
Alberto Isaac Pierdant y Jesús Rodríguez
Antes de la llamada revolución industrial, la pro-
ducción de bienes que consumía la sociedad
era elaborada por artesanos especializados, quienes en muchas ocasiones
firmaban cada pieza que elaboraban. Pero la demanda de nuevos productos, la
producción en línea y la aparición de nuevos sistemas de fabricación rompieron
con el antiguo esquema de producción. En este nuevo sistema, el artesano
pasó a ser un trabajador de fábrica perdiéndose con ello la identificación de
éste con cada producto elaborado, disminuyendo así su calidad, ya que los
requerimientos de producción en masa descuidaban las características que
satisfacían las necesidades de los consumidores.
Esta nueva forma de producir bienes disminuyó considerablemente la
calidad de los productos, y no fue sino hasta mediados de la década de 1920,
que Walter Shewhart,1
investigador de Bell Laboratories, hizo un descubrimiento
significativo en el área de mejoramiento de la producción. “Identificó que
aunque la variación en la fabricación de productos era inevitable, este hecho
podría vigilarse y controlarse utilizando ciertos procesos estadísticos. Shewhart
desarrolló la denominada carta de control, una gráfica simple que permitía
determinar cuándo la variación en un proceso de fabricación excedía los
límites aceptables”.
Más adelante, en la década de 1950, un alumno de Shewhart, W. Edwards
Deming,2
desarrolló toda una filosofía de gerencia de calidad con base en “14
puntos”, los cuales establecen, entre otras cosas, que con un clima organizacional
introducción
under control, this means, verify if we are doing the service job with previous quality
control standards or not. Our objective is to show a simple quantitative technique of
quality control using two types of charts: control chart for process mean and control
chart for process variability. This paper could guide the analyst to discover opportunity
areas in the company where he could apply this technique to completely satisfy the
needs of the client. Finally, this material has been made using Excel because we want
to offer the quality control analyst a practical tool in this field.
Key words: quality, statistical control, graphical for average, graph for variability, quality
in a service.
Artículo recibido el 06-02-09
Artículo aceptado el 20-07-09
1
Levin, Rubin, Balderas, Del Valle y Gomez, Estadística para administración y economía,
México, Pearson Prentice Hall, 2004, pp. 406-407.
2
W.E. Deming, Quality, Productivity, and Competitive Position, USA, MIT, 1982.

153
Control estadístico de la calidad de un servicio mediante Gráficas X y R
apropiado, los métodos estadísticos de mejoramiento de procesos pueden
reducir la variación a que se refería Shewhart, reduciendo al mismo tiempo
los costos de producción, mejorando la imagen de la organización así como
su situación financiera. Estas ideas fueron tomadas en las décadas de 1950 y
1960 por los fabricantes japoneses, lo que provocó una invasión mundial de sus
productos con buena calidad. No fue sino hasta la década de 1970 cuando los
fabricantes estadounidenses retomaron las ideas que Deming había enseñado
a los fabricantes japoneses para elaborar productos de buena calidad.
Joseph Juran, otro pensador de los problemas de la calidad de los
productos, también fue reconocido por las empresas japonesas y junto con
Deming establecieron los principios de lo que hoy conocemos como el control
estadístico de calidad.
Pero ¿qué es la calidad? No existe una definición exacta de calidad, pero
sí una infinidad de ideas que explican a su manera el concepto. Algunas de
ellas son:3
• Joseph M. Juran: “Calidad implica ser adecuado para usarse”.
• Crosby: “Concordancia con los requisitos y especificaciones”.
• Deming: “Un grado previsible de uniformidad y confiabilidad a bajo
costo y adecuado para el mercado”.
• Levine, Rubin, Balderas, Del Valle y Gómez: “Las cosas de buena calidad
son aquellas que funcionan de una manera en que se espera”.
Aunque originalmente estas técnicas fueron aplicadas en la elaboración
de productos, hoy son también aplicadas a los servicios; esto significa que
la calidad representa que un producto o servicio debe cumplir con todos los
requerimientos que satisfagan las necesidades de un consumidor.
Para obtener productos o servicios de calidad, éstos no deben tener
defectos. Los defectos en un producto se deben a “la variación en materiales,
a la variación en las condiciones de la maquinaria de fabricación, a la variación
en los métodos de trabajo y a la variación en las inspecciones”,4
mientras que
la calidad en servicios se mide en forma más subjetiva, mediante la atención
al cliente, calidez del servicio, presentación del servicio, o bien, en forma
cuantitativa mediante un tiempo de espera, tiempo de atención, etcétera.
3
Levin, Rubin, Balderas, Del Valle y Gómez, Estadística para Administración y Economía...,
op. cit., pp. 405.
4
Kume Hitoshi, Herramientas estadísticas básicas para el mejoramiento de la calidad,
Colombia, Norma, 2002, pp. 2-3.

154
Entonces, un producto o servicio se considera de calidad si las características
satisfacen ciertos requisitos en los que las variaciones están bajo control.
En las líneas de producción actuales, las partes defectuosas que no se
detectan provocan que todo el trabajo subsiguiente se desperdicie cuando el
producto finalmente es rechazado por los inspectores de control de calidad;
mientras que el consumidor de un servicio exige su mejora, de manera inmediata,
al solicitarla al encargado del servicio o gerente. Esto último ha llevado a las
empresas al objetivo de evitar los defectos en cada etapa del proceso de
fabricación o de prestación de un servicio. Para lograrlo, las personas que están
encargadas de cada etapa tienen la responsabilidad de verificar su trabajo antes
de entregarlo, de tal forma que el producto o servicio final llegue al cliente sin
defectos (cero defectos), satisfaciendo así todos sus requerimientos.
Aunque las causas de la variación en la calidad son innumerables, no todas
la afectan en el mismo grado. Algunas la afectan enormemente, mientras que
otras tienen poco efecto cuando se controlan adecuadamente. Kume nos indica
que “lo que necesitamos hacer es encontrar las causas vitales de los productos
defectuosos y eliminar estas causas después de que se hayan identificado
claramente”.5
El proceso de encontrar las causas de los productos defectuosos se llama
diagnóstico del proceso. Hay muchos métodos de diagnóstico del proceso;
algunos emplean la intuición, otros dependen de la experiencia, otros recurren
al análisis estadístico de los datos y hasta se puede utilizar la investigación
experimental. Los dos primeros son poco efectivos ya que vivimos en una
época de progreso rápido, donde la intuición y la experiencia no son fáciles de
obtener. Por otro lado, la investigación experimental es costosa y lenta para un
mercado ávido de productos y servicios, así que los métodos estadísticos son
hasta ahora el mejor medio para lograr un diagnóstico adecuado del proceso
y con ello establecer un buen sistema de control de la calidad.
control estadístico de procesos en servicios
La calidad de un producto o la calidad en la prestación de un servicio se puede
lograr si, como administradores, tenemos la creencia de que la variabilidad
excesiva se puede evitar. Cuando la prestación de un servicio no es confiable
porque no cumple con los requerimientos establecidos, debemos examinar el
proceso para encontrar los mecanismos que nos permitan controlarlo.
5
Ibid., pp. 5-6.

155
Como resultado de todo proceso de prestación de un servicio podemos
encontrar dos tipos de variación:6
• La variación aleatoria (variación común o inherente)
• La variación sistemática (variación asignable o de causa especial)
Cada una de ellas requiere de una solución diferente. La reducción de
la variación aleatoria o inherente, en general, no puede lograrse sin cambiar
el proceso. Y no debe cambiarse el proceso hasta estar seguros de que toda
la variación sistémica o asignable ha sido identificada y está bajo control. Es
decir, si un proceso está fuera de control debido a que todavía está presente
alguna variación de causa especial, primero deberá identificarse y corregirse
la causa de dicha variación. Esto es, debemos poner el proceso bajo control
para posteriormente lograr una mejora en la calidad mediante un rediseño del
proceso que reduzca la variabilidad inherente.
Por ejemplo, considere el proceso de fabricación de lámparas incandescentes
(focos) de 60 vatios (60 w), las variaciones en la producción pueden deberse a
las variaciones de los materiales empleados (vidrio, lámina de hierro, tungsteno,
etcétera), a fluctuaciones en la energía eléctrica que afecta las máquinas de
fabricación, a fluctuaciones en la calibración de la maquinaria, a las mediciones
de la prueba de funcionamiento de la lámpara y a otra gran variedad de
factores. Si uno o varios de estos factores se pueden controlar –por ejemplo,
colocar reguladores que eviten las fluctuaciones de la energía eléctrica en las
máquinas de producción–, entonces la variabilidad sistémica podrá controlarse
y reducirse obteniéndose con ello una mejora de calidad.
En un servicio –por ejemplo, bancario– también existen variaciones que
afectan su calidad –el estado de ánimo de sus empleados, el ambiente de trabajo,
el estado de ánimo del cliente, el servicio de energía eléctrica, el sistema de
información que controla las operaciones bancarias, la seguridad y otros–, por lo
que un buen gerente puede controlar algunos de estos factores de variabilidad
sistémica y proporcionar con ello un mejor servicio.
En las siguientes secciones se analizarán con detalle la aplicación de
conceptos de estadística descriptiva, así como las gráficas inventadas por
Shewhart, a un caso de calidad en un servicios, lo que nos permitiría cuantificar
para un determinado factor de variabilidad si éste se sale de control, y en su
caso, proponer una solución que nuevamente lo ubique dentro de los estándares
de calidad establecidos.
6
Levine R. y Rubin D., Statistics for Management, USA, Prentice Hall, 1998, pp. 514-515.

156
gráficas de control
Las gráficas, diagramas o cartas de control permiten detectar la variación
sistémica generada en un proceso de producción o en la prestación de un
servicio con el objetivo de poder ser identificada y corregida antes de que ésta
produzca una gran cantidad de partes, productos o servicios defectuosos.
Existen gráficas de control para las variables y para los atributos. Una
gráfica para variables analiza las medidas reales de una parte o producto o
medición de un servicio y las representa en forma gráfica –por ejemplo, el
peso de una lata de conservas, la cantidad de mililitros que contiene una
botella de refresco o bien el tiempo de atención a un cliente. Mientras que
en una gráfica de atributos sólo medimos la característica del producto como
bueno (no defectuoso o aceptable) o defectuoso (inaceptable) –por ejemplo,
una lámpara incandescente (foco) que sale de una línea de producción es
bueno (enciende) o defectuoso (no enciende), o el servicio en un restaurante,
el cual se puede evaluar únicamente como, bueno o malo.
Como gráficas de control para variables tenemos: la gráfica de control para
medias de un proceso y la gráfica de control para variabilidad de procesos.
Mientras que para el control de los atributos tenemos: la gráfica de control
para atributos.
Estos diagramas le indican a un operario en la línea de producción, a un
supervisor, a un ingeniero de calidad o a un gerente, cuándo la producción
de una o varias partes de un producto o bien la prestación de un servicio,
está bajo control o fuera de éste. Si la situación en la línea o en el servicio
que se presta está fuera de control, la gráfica de control no puede corregir la
situación, ya que es sólo un documento con números y puntos; sin embargo,
la persona responsable de esta parte del proceso, podrá realizar los ajustes
necesarios para regresar la línea de producción o la prestación del servicio a
un estado de control, lo que permite de manera inmediata mejorar la calidad
de un bien o de un servicio.
gráfica de control para medias de procesos: gráfica x
Este tipo de gráfica de control estadístico de calidad emplea los conceptos
teóricos de la estadística descriptiva y del muestreo.

157
Consideraciones teóricas
Para efectos de este análisis consideraremos una unidad física que tiene por
objeto atender a clientes o ciudadanos –por ejemplo, una caja rápida en un
supermercado, en un banco o bien en una oficina de la Tesorería. Bajo este
antecedente, se selecciona una muestra pequeña de clientes en la caja –por
ejemplo, cinco clientes– y se calcula la media aritmética7
del tiempo requerido
de atención de ellos en ésta (muestra X1
).
S
X1 =
5
i=1
cliente 1 + cliente 2 + cliente 3 + cliente 4 + cliente 5
5
Se selecciona posteriormente varias muestras más del mismo tamaño y
también se calcula su respectivo promedio o media aritmética, es decir, se
cuenta con las medias de las diversas muestras (X1
, X2
, X3
... Xk
). Finalmente
se calcula la media de las medias muestrales ( X ) que se denota como equis
doble barra (ecuación 1).
7
Véase media aritmética en J. Rodríguez, A. Pierdant y C. Rodríguez, Estadística para
administración, México, Grupo Editorial Patria, 2008, pp. 102-113.
8
Ibid., pp. 318.
(1)
S
X =
i=1
k
k
X1
=
X1
+ X2
+ X3
+ ... + Xk
k
El error estándar8
de la distribución de esas medias muestrales (2) se
denomina como sX (sigma de equis barra), y se calcula mediante:
(2)
sX =
s
n

158
Por lo tanto, la media aritmética (promedio) de una población (lote de
servicios) es igual a la media de todas las medias de las muestras aleatorias
que fueron seleccionadas de esa población. Al mismo tiempo se observa que,
la dispersión total en la población (s) es mayor que la de la distribución de
las medias muestrales, en el factor n (ecuación 2). También puede observarse
que aun si la población es normal sólo en forma aproximada, las inferencias
con respecto a la distribución de las medias muestrales pueden obtenerse con
base en una distribución normal como se muestra en el Cuadro 1.
Cuadro 1
Porcentaje de los promedios
de las muestras (%)
68.26
95.44
99.74
Número de errores estándar
dentro de la media de la población
1 error (+ 1 s)
2 errores (+ 2 s)
3 errores (+ 3 s)
Estas relaciones permiten establecer límites alrededor de los promedios de
las muestras para mostrar qué tanta variación puede esperarse. Estos límites
esperados, en calidad, reciben el nombre de Límite Superior de Control (LSC)
y Límite Inferior de Control (LIC).
La gráfica de control para medias de procesos tiene como objetivo mostrar
las fluctuaciones de las medias muestrales que se presentan dentro de estos
límites. Si las medias muestrales caen dentro de los límites establecidos para
un proceso (rango de aceptación), se dice que la variación que presenta el
proceso sólo es aleatoria. Pero si las medias muestrales exceden el límite
superior de control (LSC) o bien, caen por debajo del límite inferior de control
(LIC), entonces el proceso de producción o un servicio está fuera de control,
y deberá corregirse.
En el control estadístico de la calidad de un producto o servicio deben
establecerse ambos límites de control9
(LSC y LIC) alrededor de la media de las
muestras X. Para ello se emplea una regla empírica que establece que, el 99.74%
de todas las observaciones en una distribución normal estarán dentro de este
rango. Con base en ella, nuestros límites de control estarán definidos como:
9
D. Anderson, D. Sweeney y T. Williams, Estadística para administración y economía,
México, Thomson, 2004, pp. 825-830. También puede consultarse en R. Mason y D. Lind,
Estadística para administración y economía, México, Alfaomega, 1998, pp. 911-915.

159
• Límite superior de control (LSC) para las medias de procesos:
LSC X = X + 3 s X
• Límite inferior de control (LIC) para las medias de procesos:
LIC X = X – 3 s X
(3)
(4)
Sin embargo, en la práctica el error estándar de las medias muestrales
(3 sX) se desconoce, entonces su valor se estima a través de A2
R, en donde, R
es el rango promedio de los rangos muestrales, A2
, es una constante determinada
con base al tamaño de la muestra y cuyos valores se obtienen al consultar la tabla
denominada: “Factores críticos de las gráficas de control”.10
Con base en estas
estimaciones, nuestros límites de control del proceso se determinan con:
• Límite superior de control (LSC) para las medias de procesos:
(5)
LSC X = X + A2
R
• Límite inferior de control (LIC) para las medias de procesos:
10
Una copia de esta tabla se anexa al final de este documento. Todos los libros especiali-
zados de control estadístico de calidad anexan una tabla de estos factores críticos. Como ejemplo
de ello tenemos A.J. Duncan, Quality Control and Industrial Statistics, USA, IRWIN, 1986; J.R.
Evans y W.M. Lindsay, The Management and Control of Quality, USA, South-Western, 1998; K.
Ishikawa, Introduction to Quality Control, USA, Kluwer Academic, 1991; y D.C. Montgomery,
Introduction to Statistical Quality Control, USA, Wiley, 1996.
LIC X = X – A2
R (6)
Con base en estos límites, (5) y (6), el analista puede elaborar un gráfico
de control para las medias de procesos que le permita determinar si su proceso
de producción o la prestación de un servicio se encuentran dentro de los
estándares de calidad establecidos para ello. En aquellos casos donde esto

160
no sea así, entonces el analista de calidad deberá encontrar las causas de esta
variabilidad para corregir la situación y regresar el proceso de producción o la
prestación de un servicio a los estándares de calidad especificados.
Otra herramienta gráfica que nos permite analizar la calidad de un servicio
y que complementa al gráfico anterior es la gráfica de control de variabilidad
de procesos o gráfica R.
gráfica de control para variabilidad de procesos: gráfica r
Como ya indicamos, la calidad de un producto o servicio implica consistencia,
confiabilidad y cumplimiento de los requerimientos para lo cual fue diseñado,
de ahí que la variabilidad en esos requerimientos representa una disminución
de calidad. Las gráficas de control para variabilidad (o amplitud) de un servicio
tienen como objetivo determinar si las variaciones (totales) de las muestras de
éste se encuentran bajo control o fuera de él. Si los puntos que representan
dichas amplitudes se encuentran dentro de los límites superior e inferior, nos
permiten concluir que el servicio está bajo control. Por el contrario, si una
variación queda arriba o debajo de los límites, se concluye que alguna causa
asignable lo afecta de modo que algunos servicios presentan una variabilidad
notoria (mayor o menor tiempo de atención a un cliente, distorsiones en el
tiempo de atención a un cliente, apreciación del nivel de servicio por parte de
un cliente (malo, regular, bueno, muy bueno, excelente), o bien, una variación
en la característica que se esté analizando.
Es importante considerar que mientras que en una gráfica de control para
la media X se establecen límites para la media de muestras, en las gráficas
de control de variabilidad la medición que se establece va dirigida a las
observaciones individuales y no a las muestras. Esto último se debe a que la
variabilidad en las medias de las muestras es mayor que la observada en una
observación individual.
Las gráficas de control para medir la variabilidad de un proceso de
producción o servicio reciben el nombre de gráficas R. En ellas se grafican los
valores de los rangos11
de cada una de las muestras. En estas gráficas la línea
central está ubicada en el valor promedio de los rangos ( R ); y los límites de
control se establecen con base en la distribución muestral de los rangos (R).
La distribución muestral de los rangos (R) se calcula a partir de su desviación
estándar mediante la relación siguiente:
11
Rango5 = dato de mayor valor – dato de menor valor, en la muestra.

161
donde,
s = desviación estándar de la población
d3
= factor de dispersión calculado con base al número de datos de cada
muestra “n”.
Los valores correspondientes a d3
se obtienen de la tabla de “Factores
críticos de las gráficas de control” que se anexa.
Por otro lado, la desviación estándar de la población puede sustituirse
por:
s R = d3
s
R
/d2
También los valores de d2
se obtienen de la tabla (Factores críticos de las
gráficas de control) que se anexa.
Entonces, la desviación estándar de los rangos es:
(7)
s R = d3
R
/d2
por lo que los límites de control para la variación13
(superior LSCR
, e inferior
LICR
) de los procesos se pueden establecer como:
13
D. Anderson, D. Sweeney y T. Williams, Estadística para administración y economía,
Thomson, México, 2004, pp. 830-831. También puede consultarse en R. Mason y D. Lind,
Estadística para administración y economía, México, Alfaomega, 1998, pp. 915-919.
LSCR = R + 3sR = R + 3d3
R
/d2
= R ( 1 + 3
d3
/d2
)
LICR = R – 3sR = R – 3d3
R
/d2
= R ( 1 – 3
d3
/d2
)

162
donde,
D4
= ( 1 + 3
d3
/d2
) D3
= ( 1 – 3
d3
/d2
)
y
Por lo que al sustituir estos valores (D4
y D3
) en las ecuaciones de los límites
de control para la variación obtenemos:
(8)
(9)
LSCR = RD4
LICR = RD3
Para facilitar los cálculos en los laboratorios de calidad o en la línea de
producción o en las áreas de servicios, los valores de D4
y D3
también se
obtienen de la tabla de “Factores críticos de las gráficas de control” que hemos
anexado.
En las gráficas de control para variabilidad de procesos, el cálculo de los
límites de control deberá considerar lo siguiente (ecuaciones 8 y 9). El rango
de una muestra siempre es un número positivo, sin embargo, cuando n < 6,
el LICR, calculado con la ecuación 9, será negativo. En estos casos, el valor de
ese límite será igual a cero. Por ello los valores de D3
en la tabla de “Factores
críticos de las gráficas de control” toman valor cero.
calidad en servicios
Para mostrar la sencillez de las herramientas gráficas de medición de la calidad de
un servicio, presentaremos aquí los resultados de una breve investigación sobre
tiempos de atención a clientes en una caja rápida (exprés) de un supermercado
al sur de la ciudad de México.
El objetivo del estudio consistió en determinar si el tiempo de atención
al cliente (en segundos) se encontraba dentro de los estándares de atención
establecidos por la tienda para su caja rápida.
La herramienta estadística propuesta para probar esta hipótesis es la
elaboración de gráficas de control para variables (gráfica de control para medias
de un proceso y la gráfica de control para variabilidad de procesos).

163
Procedimiento
Se realizaron 210 mediciones del tiempo requerido de atención (en segundos)
en una caja rápida. En este tipo de caja, sólo está permitido un máximo de 8
artículos por cliente.14
La muestra se obtuvo realizando la medición del tiempo
de atención durante tres semanas de operación (Cuadro 2). Las mediciones del
servicio se realizaron en los dos turnos de operación de la caja.
El muestreo consistió en tomar el tiempo de cada cliente desde que llega
a la caja y se retira de ella mediante un cronómetro digital. Se tomaron los
tiempos de atención de diez clientes por día de manera aleatoria dentro del
turno de trabajo del cajero que atiende esta caja.
14
En realidad este es un promedio de artículos por cliente, ya que en varios casos durante
la medición los clientes llegaron a presentar compras con más de 8 artículos.
Cuadro 2
Tiempo de atención a cliente en caja rápida
Muestra
Lunes
Martes
Miércoles
Jueves
Viernes
Sábado
Domingo
Lunes
Martes
Miércoles
Jueves
Viernes
Sábado
Domingo
Lunes
Martes
Miércoles
Jueves
Viernes
Sábado
Domingo
33
36
40
33
32
41
37
31
35
40
38
32
41
42
33
39
38
30
36
45
36
39
33
32
31
32
44
45
40
39
36
36
40
41
44
34
40
34
38
40
39
44
39
37
31
40
33
44
41
38
34
34
38
37
35
45
39
32
38
34
35
43
35
31
33
34
36
32
36
41
36
32
38
35
38
45
45
35
36
36
33
39
39
39
35
39
40
36
34
36
43
38
35
38
38
40
43
45
33
36
36
32
33
40
36
31
37
30
40
35
35
38
36
31
34
32
40
40
41
39
32
32
36
39
39
40
39
35
31
39
34
38
45
36
38
39
35
38
39
43
35
32
40
40
30
37
44
37
35
34
38
40
41
44
30
34
40
31
30
45
39
32
33
38
37
31
44
41
37
30
40
38
38
37
39
40
36
30
34
36
40
45
32
36
34
33
34
36
36
34
35
35
31
35
37
39
40
33
30
33
36
44
41
35
40
38
38
31
45
37
Tiempo requerido por cliente (segundos)

164
Con ayuda de una hoja electrónica, calculamos la media aritmética del
tiempo de atención y el rango para cada una de las muestras, como se observa
en el Cuadro 3.
Cuadro 3
Cáculo de medias y rangos para tiempo
de atención a cliente en cajero rápido
Muestra
Lunes
Martes
Miércoles
Jueves
Viernes
Sábado
Domingo
Lunes
Martes
Miércoles
Jueves
Viernes
Sábado
Domingo
Lunes
Martes
Miércoles
Jueves
Viernes
Sábado
Domingo
33
36
40
33
32
41
37
31
35
40
38
32
41
42
33
39
38
30
36
45
36
39
33
32
31
32
44
45
40
39
36
36
40
41
44
34
40
34
38
40
39
44
39
37
31
40
33
44
41
38
34
34
38
37
35
45
39
32
38
34
35
43
35
31
33
34
36
32
36
41
36
32
38
35
38
45
45
35
36
36
33
39
39
39
35
39
40
36
34
36
43
38
35
38
38
40
43
45
33
36
36
32
33
40
36
31
37
30
40
35
35
38
36
31
34
32
40
40
41
39
32
32
36
39
39
40
39
35
31
39
34
38
45
36
38
39
35
38
39
43
35
32
40
40
30
37
44
37
35
34
38
40
41
44
30
34
40
31
30
45
39
32
33
38
37
31
44
41
37
30
40
38
38
37
39
40
36
30
34
36
40
45
32
36
34
33
34
36
36
34
35
35
31
35
37
39
40
33
30
33
36
44
41
35
40
38
38
31
45
37
Tiempo requerido por cliente (segundos)
36
35
35
36
35
39
41
37
35
36
35
37
41
43
35
36
36
35
35
41
39
8
9
10
9
8
9
8
10
8
10
7
10
10
6
7
8
8
10
10
9
9
X R
Excel permite calcular la media aritmética con la función promedio.15
Esta
función está definida como = promedio (rango de datos).
Posteriormente calculamos la media de las medias de atención (36.91
segundos) y el promedio de los rangos (8.71 segundos).
En la tabla de “Factores críticos de la gráficas de control”, se muestra el valor
de A2
para cada tamaño de muestra (para n = 10, A2
= 0.308 ). Con este valor
calculamos los límites de control del tiempo de atención en la caja rápida.
15
Véase funciones estadísticas y elaboración de gráficas en hojas electrónicas de Excel en
Microsoft, Excel User’s Guide, USA, Microsoft Corporation, 2007.

165
Límite superior de control (LSC) para las medias de procesos (ecuación 5):
LSCX = X + A2
R
LSCX = 36.91 + (0.308) (8.71)
LSCX = 39.593
Límite inferior de control (LIC) para las medias de procesos (ecuación 6):
LICX = X – A2
R
LICX = 36.91 – (0.308) (8.71)
LICX = 34.227
Con ayuda de Excel construimos la gráfica de control (Grágica 1) para la
media de tiempos de servicio en la caja rápida.
Promedios
por
muestra
46
44
42
40
38
36
34
32
1 3 5 7 9 11 13 15 17 19 21
LSC
LIC
Medias de los promedios
Medias
día
Gráfica 1
Gráfica de control para la media de tiempos
de servicio en caja rápida

166
Por otro lado, ya que contamos con la información del cálculo de los rangos
(Cuadro 3), podemos construir también un gráfico de control para variabilidad
de procesos (gráfica R).
También Excel permite calcular el rango de una muestra mediante la
diferencia entre la función max ( ) y MIN ( ). El cálculo del rango de una muestra
se obtiene mediante:
=MAX(rango de datos) – MIN(rango de datos)
Retomando los datos del estudio, obtendríamos los límites de control por
rango para la gráfica R mediante los pasos siguientes:
1. Obtenemos los valores d2
y d3
de la tabla que se anexa.
Para n = 10, d2
= 3.078 y d3
= 0.797.
2. Calculamos los límites de control por rangos del proceso.
LSCR = (8.71) (1 + 3 (0.797)
/3.078)
LSCR = R ( 1 + 3
d3
/d2
)
LSCR = 15.475
LICR = (8.71) (1 – 3 (0.797)
/3.078)
LICR = R ( 1 – 3
d3
/d2
)
LICR = 1.944
3. O bien, si nos encontráramos en la línea de producción o de servicios (en
el punto de observación de la operación de la caja rápida), los límites de
control por rangos, los obtendríamos con las ecuaciones 8 y 9 y los valores
D4
y D3
de la tabla que se anexa, para n = 10 (D4
= 1.777, D3
= 0.223).
LSCR = (8.71) (1.777) = 15.477
LSCR = RD4
LICR = RD3
LICR = (8.71) (0.223) = 1.942

167
Con esta información podemos construir la Gráfica 2 de control para
variabilidad del proceso del tiempo de atención en el cajero rápido del
supermercado.
Gráfica 2
Control de rangos para caja rápida
Rango
por
muestra
18
16
14
12
10
8
6
4
2
0
1 3 5 7 9 11 13 15 17 19 21
LSC
LIC
Medias de rangos
Rangos
día
Un análisis de la Gráfica 1 nos muestra que los tiempos del servicio de la
caja rápida están fuera de control debido a una variación de causa asignable.
Se observa que el empleado encargado de la caja trabaja muy rápidamente
de lunes a viernes (menos de 37 segundos en promedio por cliente), pero los
fines de semana, sábado y domingo su eficiencia cae (más de 39 segundos)
como puede observarse en el primer domingo (41 seg.), el segundo sábado
(41 seg.) y domingo (43 seg.) y el último sábado (41 seg.) estudiado.
Es muy probable que esta variación en la velocidad promedio de la atención
al cliente se deba a la fatiga acumulada de los primeros días de la semana o
bien, a que el número de artículos a comprar por el cliente en la caja rápida
crece demasiado los fines de semana.
Con estos resultados se puede proponer la rotación del empleado que
atiende la caja rápida los fines de semana o bien, abrir otra caja de este tipo
esos días lo que permitiría atender a los clientes dentro de los estándares
predefinidos (37 segundos en promedio).
Por otro lado, en la Gráfica 2 podemos observar que el proceso en la
variabilidad de la atención a clientes está bajo control; es decir, el tiempo
requerido de atención de un cliente está dentro de los estándares establecidos
al observar que los rango de tiempo de las tres semanas se encuentra dentro

168
de los límites, no así el tiempo promedio requerido de atención a cada cliente
como se observó en la Gráfica 1.
conclusión
En las áreas de gestión de la calidad de servicios es frecuente encontrarse con
técnicas cualitativas de evaluación que permiten en cierta medida establecer
parámetros y evaluar la calidad de un servicio; sin embargo, consideramos
que técnicas cuantitativas simples como las que se han mostrado aquí
pueden aplicarse a una gran variedad de servicios públicos y privados.
Desafortunadamente, la gerencia general de una empresa o una organización
que presta un servicio se ve agobiada por una infinidad de problemas operativos
que le impide aplicar estas técnicas.
Consideramos que las gráficas básicas para control de variables que hemos
mostrado, son un buen punto de partida para comprender los mecanismos que
se requieren en el control de la calidad de un servicio.
La sencillez en su elaboración permite al analista considerarlos como una
herramienta más de análisis de la calidad. Los conocimientos de estadística
requeridos previamente por el analista o administrador se limitan únicamente a
cálculos de medias aritméticas y rangos, por lo que su aplicación e implementación
en áreas de servicio parece ser simple y de manera inmediata.
El uso de esta herramienta estadística presenta su mayor complejidad cuando
el analista tiene que definir la variable cuantitativa que mide el servicio y el
procedimiento de muestreo a emplear que le permita obtener una medición.
Este material de análisis de calidad de un servicio, que combina el uso
de elementos estadísticos básicos y una herramienta informática, pretende
proporcionar al encargado o gerente de un servicio un instrumento simple
que le permita establecer, en una primera instancia, los criterios de calidad
adecuados para, posteriormente, cuantificar la calidad de su servicio y satisfacer,
mediante criterios de calidad, las necesidades de sus clientes.

169
Anexo
AnexoFactores críticos de las gráficas de control
n
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
A2
1.880
1.023
0.729
0.577
0.483
0.419
0.373
0.337
0.308
0.285
0.266
0.249
0.235
0.223
0.212
0.203
0.194
0.187
0.180
0.173
0.167
0.162
0.157
0.153
Gráfica para promedios
d2
1.128
1.693
2.059
2.326
2.534
2.704
2.847
2.970
3.078
3.173
3.258
3.336
3.407
3.472
3.532
3.588
3.640
3.689
3.735
3.778
3.819
3.858
3.895
3.931
D3
0
0
0
0
0
0.076
0.136
0.184
0.223
0.256
0.284
0.308
0.329
0.348
0.364
0.379
0.392
0.404
0.414
0.425
0.434
0.443
0.452
0.459
D4
3.267
2.575
2.282
2.115
2.004
1.924
1.864
1.816
1.777
1.744
1.716
1.692
1.671
1.652
1.636
1.621
1.608
1.596
1.586
1.575
1.566
1.557
1.548
1.541
d3
0.8525
0.8884
0.8798
0.8641
0.8480
0.833
0.820
0.808
0.797
0.787
0.778
0.770
0.762
0.755
0.749
0.743
0.738
0.733
0.729
0.724
0.720
0.716
0.712
0.709
Gráfica para rangos
Factor para el límite
de control
Factor para
la recta central
Factores de los límites
de control
Fuente: los valores de d2
y d3
provienen de E.S. Pearson, “The Percentage Limites for the
Distribution of Range in Samples from a Normal Population”, Biometrika, 24, 1932, p. 416.
Utilizado con la autorización de los fideicomisarios de Biometrika.
A2
= 3/(d2
n), D3
= 1 – 3 (d3
/d2
), D4
= 1 + 3 (d3
/d2
).
Fuente: Allen L. Webster, Estadística aplicada a los negocios y la economía, Colombia, Irwin
McGraw-Hill, 2000, p. 626.

Control de calidad pdf

Más contenido relacionado

La actualidad más candente (20)

Similar a Control de calidad pdf (20)

Último (20)

Control de calidad pdf