Problema, hipótesis y variables en una tesina de Ingeniería Industrial (2026): ejemplos de mejora de procesos

En una tesina de Ingeniería Industrial centrada en mejora de procesos, el problema, la hipótesis y las variables tienen que quedar tan medibles como el proceso que vas a intervenir. No alcanza con plantear «el proceso de producción es ineficiente»: un jurado de Ingeniería espera un problema cuantificado, una hipótesis contrastable y variables operacionalizadas con una unidad de medida concreta, porque de eso depende que tu propuesta de mejora se pueda evaluar objetivamente al final del trabajo.

Esta guía te muestra cómo formular estos tres elementos con ejemplos aplicados a mejora de procesos, un recorte habitual en esta carrera, además de los errores frecuentes al plantearlos y un cronograma orientativo para la medición del antes y el después. Todas las cifras de los ejemplos son ilustrativas.

Cómo formular el problema con datos, no con impresiones

Un problema bien planteado en una tesina de mejora de procesos describe una brecha entre un estado actual medido y un estado deseado, con una cifra que la sostenga. Compará estas dos formulaciones:

  • Problema mal planteado: «La línea de envasado tiene muchos tiempos muertos y eso afecta la productividad.»
  • Problema bien planteado (cifras ilustrativas): «La línea de envasado de la planta X registra un tiempo de parada no programada del 18 % sobre el tiempo total disponible durante el último semestre, frente al 8 % que la empresa fija como objetivo interno, lo que representa una pérdida estimada de N unidades no producidas por mes.»

La segunda versión ya te da, casi de forma automática, la variable dependiente de tu estudio (el tiempo de parada no programada, o la productividad de la línea) y una magnitud de referencia contra la cual vas a medir la mejora al final del trabajo. Notá que la referencia es un objetivo interno de la propia empresa: si en lugar de eso querés comparar contra un «estándar de la industria», tenés que citar la fuente exacta de ese estándar, porque un número de referencia sin fuente es una de las primeras cosas que un jurado cuestiona.

Tipos de hipótesis según tu diseño

No todas las tesinas de mejora de procesos necesitan una hipótesis causal formal; depende del alcance de tu estudio:

  • Hipótesis descriptiva: se usa cuando tu tesina solo diagnostica el proceso, sin implementar el cambio (por ejemplo, «el tiempo de preparación de máquina representa más del 20 % del tiempo de ciclo total en la línea estudiada»). No hay variable independiente manipulada, solo una afirmación a verificar con datos.
  • Hipótesis correlacional: plantea una relación entre dos variables sin afirmar causalidad directa (por ejemplo, «existe una relación entre la rotación de personal en planta y la tasa de defectos de calidad»).
  • Hipótesis causal (de intervención): es la más exigente y la habitual cuando tu tesina propone e implementa una mejora («la implementación de la metodología SMED en la línea de envasado reduce el tiempo de cambio de formato en al menos un 30 % respecto de la línea base»). Esta hipótesis requiere medir el proceso antes y después de la intervención, con el mismo indicador y bajo condiciones comparables.

Elegir el tipo de hipótesis correcto para tu alcance real (¿vas a implementar la mejora o solo a proponerla?) evita un problema frecuente: plantear una hipótesis causal ambiciosa que después, por falta de tiempo o de autorización de la empresa, termina sin poder contrastarse con datos de un «después» real.

Variable independiente y variable dependiente en mejora de procesos

En un estudio de mejora de procesos, la variable independiente suele ser la intervención o el cambio que proponés (una metodología, una herramienta, un rediseño del layout), y la variable dependiente es el indicador de desempeño del proceso que esperás que cambie como consecuencia. Algunos ejemplos de pares independiente-dependiente:

  • Implementación de 5S (independiente) → tiempo de búsqueda de herramientas o materiales (dependiente, medida en minutos por turno).
  • Aplicación de SMED (independiente) → tiempo de cambio de formato o setup (dependiente, medida en minutos por cambio).
  • Rediseño del layout de planta (independiente) → distancia recorrida por los operarios (dependiente, medida en metros por ciclo) o tiempo de ciclo total (dependiente, en minutos por unidad).
  • Implementación de un sistema de mantenimiento preventivo (independiente) → tasa de paradas no programadas (dependiente, medida como porcentaje del tiempo disponible).
  • Capacitación del personal en un nuevo procedimiento (independiente) → tasa de defectos o reprocesos (dependiente, medida como porcentaje de unidades no conformes).
Puesto de trabajo industrial organizado con tablero de herramientas siguiendo la metodología 5S
Cada intervención, como la implementación de 5S, necesita un indicador dependiente medible antes y después.

Cómo operacionalizar cada variable

Operacionalizar una variable significa definir con precisión cómo la vas a medir, no solo nombrarla. Para cada variable de tu estudio, especificá: la unidad de medida exacta (minutos, porcentaje, unidades por hora), el instrumento o método de medición (cronómetro, planilla de registro, datos del sistema MES o ERP de la planta), la frecuencia de la medición (por turno, por lote, diaria), y el período de referencia de la línea base contra la que vas a comparar. Una variable como «eficiencia del proceso» sin esta especificación es demasiado ambigua para que el jurado pueda evaluar si tu hipótesis se confirmó o no.

Variables de control

En un estudio de intervención dentro de una planta real (no en un laboratorio controlado), es habitual que otras variables además de la que estás manipulando puedan influir en el resultado: el turno de trabajo, la experiencia del operario, el tipo de producto que se está fabricando en el momento de la medición, o cambios simultáneos en otras partes del proceso. Identificá estas variables de control desde el diseño metodológico y explicá cómo las vas a mantener constantes o cómo vas a registrar su efecto, porque un jurado de Ingeniería Industrial suele preguntar qué hiciste para aislar el efecto de tu intervención de otros factores que también pudieron cambiar en el mismo período. Una estrategia simple y efectiva es medir el «antes» y el «después» en condiciones lo más parecidas posible (mismo tipo de producto, mismo turno, operarios con experiencia comparable) y documentar explícitamente cualquier excepción que haya ocurrido durante la medición, en lugar de descartarla sin registro.

Ejemplo completo: problema, hipótesis y variables integrados

Un ejemplo ilustrativo de cómo se ven estos tres elementos trabajando juntos en una tesina de mejora de procesos:

  • Problema: la línea de ensamble de la planta X presenta un tiempo de cambio de formato promedio de 45 minutos, medido sobre los cambios del último trimestre, lo que reduce la capacidad disponible de la línea. Como referencia conceptual, el propio nombre SMED (Single-Minute Exchange of Die, la metodología desarrollada por Shigeo Shingo) expresa la meta de llevar los cambios a menos de diez minutos, es decir, a un solo dígito de minutos.
  • Hipótesis: la implementación de la metodología SMED en la línea de ensamble reduce el tiempo de cambio de formato en al menos un 40 % respecto de la línea base medida antes de la intervención; con una línea base de 45 minutos, eso significa llegar a 27 minutos o menos (45 × 0,60 = 27).
  • Variable independiente: implementación de SMED (presente/ausente, o etapas implementadas).
  • Variable dependiente: tiempo de cambio de formato, medido en minutos por cambio, registrado con cronómetro por un observador entrenado, en al menos diez cambios de formato antes y diez después de la intervención.
  • Variables de control: tipo de producto fabricado antes y después del cambio, turno de trabajo, operario a cargo del cambio de formato.

Para traducir el resultado a capacidad, hacé la cuenta explícita: si la línea realiza tres cambios de formato por día y cada uno baja de 45 a 27 minutos, se liberan 18 × 3 = 54 minutos diarios de tiempo disponible, que podés convertir en unidades usando el tiempo de ciclo de la línea. Esa conversión es la que conecta tu hipótesis técnica con el impacto que le importa a la empresa.

Gráfico de barras comparando un indicador de proceso antes y después de una intervención
La comparación antes-después con el mismo indicador es lo que permite contrastar una hipótesis causal.

Cómo contrastar la hipótesis con los datos

Con diez mediciones antes y diez después, no alcanza con comparar los dos promedios a ojo: definí de antemano la prueba estadística. Si las mediciones de cada grupo tienen una distribución aproximadamente normal, una prueba t para muestras independientes compara las medias; si no se cumple ese supuesto o hay valores extremos, la prueba U de Mann-Whitney es la alternativa no paramétrica. En ambos casos, además de la significación, reportá la diferencia en minutos y su porcentaje respecto de la línea base, porque tu hipótesis está formulada en términos de reducción porcentual («al menos un 40 %»), no solo de diferencia significativa. Si el promedio posterior fuera de 30 minutos, por ejemplo, la reducción sería del 33 % ((45 − 30) / 45 = 0,33): aunque la diferencia resulte estadísticamente significativa, la hipótesis del 40 % no se confirmaría, y eso también es un resultado válido que se discute en la tesina.

Cómo se conecta esto con el resto de la tesina

El problema, la hipótesis y las variables que definas acá determinan directamente qué vas a medir en tu capítulo de resultados y cómo vas a estructurar tu discusión: si tu hipótesis es causal, el capítulo de resultados necesita presentar la comparación antes-después con el indicador definido; si es descriptiva, el capítulo presenta el diagnóstico cuantificado del proceso actual. Para ver cómo se articula todo esto en un trabajo completo, revisá el ejemplo comentado de una tesina de Ingeniería Industrial, que muestra el mismo tipo de recorte de principio a fin.

Si tu diseño se apoya en un estudio de caso de una sola planta

Muchas tesinas de mejora de procesos estudian una sola línea o una sola planta, lo que las acerca al diseño de estudio de caso más que a un experimento controlado clásico. Si es tu situación, revisá también los criterios de validez y el protocolo que describe la guía sobre el estudio de caso como metodología según Yin, aplicable con los mismos criterios de rigor aunque tu objeto de estudio sea un proceso productivo y no una empresa completa.

Errores frecuentes al plantear estos elementos

  • Plantear un problema sin ninguna cifra que lo sostenga. «El proceso es lento» no es un problema investigable; «el proceso tarda X minutos, Y % más que el objetivo de la empresa» sí lo es.
  • Citar un «estándar de la industria» sin fuente. Si comparás contra un valor de referencia externo, citá de dónde sale; si no lo encontrás, usá la línea base propia o el objetivo interno de la empresa.
  • Formular una hipótesis causal sin poder medir el «antes» y el «después». Si no vas a poder recolectar datos de la línea base antes de tu intervención, replanteá la hipótesis como descriptiva o correlacional.
  • Nombrar variables sin operacionalizarlas. «Productividad» o «eficiencia» sin especificar unidad de medida y método de registro no alcanza para que el jurado evalúe tu diseño.
  • Ignorar las variables de control. No mencionar qué otros factores pudieron influir en el resultado debilita cualquier conclusión causal que quieras sostener.

Cronograma orientativo para medir el antes y el después

Si tu hipótesis es causal, el cronograma tiene que dejar tiempo suficiente para tres etapas bien diferenciadas: la medición de la línea base (dos a tres semanas, dependiendo de cuántos ciclos o cambios de formato necesités registrar para tener una muestra representativa), la implementación de la mejora (variable según la complejidad de la intervención, de dos a seis semanas), y la medición posterior bajo condiciones comparables a la línea base (otras dos a tres semanas). Un error frecuente es medir el «después» apenas terminada la implementación, cuando el proceso todavía no se estabilizó con el cambio; dejá al menos unos días de rodaje antes de empezar a registrar los datos posteriores a la intervención. Para visualizar estas etapas en un cronograma completo, revisá la plantilla de cronograma de tesis con diagrama de Gantt.

Preguntas frecuentes

¿Necesito una hipótesis si mi tesina solo hace un diagnóstico, sin implementar la mejora?

Sí, pero será una hipótesis descriptiva, no causal: una afirmación verificable sobre el estado actual del proceso, no sobre el efecto de una intervención que no vas a ejecutar.

¿Puedo tener más de una variable dependiente?

Sí, es habitual medir más de un indicador de desempeño (por ejemplo, tiempo de ciclo y tasa de defectos simultáneamente), siempre que cada uno esté operacionalizado por separado y que tu análisis distinga claramente el efecto sobre cada indicador.

¿Qué hago si la empresa no me deja implementar la mejora, solo diagnosticar?

Replanteá tu hipótesis como descriptiva y proponé la mejora como una recomendación fundamentada en el diagnóstico, dejando explícito en las limitaciones del trabajo que la implementación y su medición quedan fuera del alcance de esta tesina.

¿Cómo justifico el tamaño de la muestra de mediciones?

No hay un número universal: definilo en función de la variabilidad natural del proceso (a mayor variabilidad, más mediciones necesitás para que la comparación antes-después sea confiable) y consultá con tu director/a si tu facultad exige un criterio estadístico formal, como un cálculo de tamaño muestral basado en la desviación estándar de mediciones previas del mismo proceso.