Analisis de La Exposicion Al Riesgo Por Levantamientos Manual de Cargas

7/27/2019 Analisis de La Exposicion Al Riesgo Por Levantamientos Manual de Cargas

1/308


2/308


3/308


4/308


5/308


6/308


7/308


8/308


9/308


10/308


11/308


12/308


13/308


14/308


15/308


16/308


17/308


18/308


19/308


20/308


21/308


22/308


23/308


24/308


25/308


26/308


27/308


28/308


29/308


30/308


31/308


32/308


33/308


34/308


35/308


36/308


37/308


38/308


39/308


40/308


41/308


42/308


43/308


44/308


45/308


46/308


47/308


48/308


49/308


50/308


51/308


52/308


53/308


54/308


55/308


56/308


57/308


58/308


59/308


60/308


61/308


62/308


63/308


64/308


65/308


66/308


67/308


68/308


69/308


70/308


71/308


72/308


73/308


74/308


75/308


76/308


77/308


78/308


79/308


80/308


81/308


82/308


83/308


84/308


85/308


86/308


87/308


88/308


89/308


90/308


91/308


92/308


93/308


94/308


95/308


96/308


97/308


98/308


99/308


100/308


101/308


102/308


103/308


104/308


105/308


106/308


107/308


108/308


109/308


110/308


111/308


112/308


113/308


114/308


115/308


116/308


117/308


118/308


119/308


120/308


121/308


122/308


123/308


124/308


125/308


126/308


127/308


128/308


129/308


130/308


131/308


132/308


133/308


134/308


135/308


136/308


137/308


138/308


139/308


140/308


141/308


142/308


143/308


144/308


145/308


146/308


147/308


148/308


149/308


150/308


151/308


152/308


153/308


154/308


155/308


156/308


157/308


158/308


159/308


160/308


161/308


162/308


163/308


164/308


165/308


166/308


167/308


168/308


169/308


170/308


171/308


172/308


173/308


174/308


175/308


176/308


177/308


178/308


179/308


180/308


181/308


182/308


183/308


184/308


185/308


186/308


187/308


188/308


189/308


190/308


191/308


192/308


193/308


194/308


195/308


196/308


197/308


198/308


199/308


200/308


201/308


202/308


203/308


204/308


205/308


206/308


207/308


208/308


209/308


210/308


211/308


212/308


213/308


214/308


215/308


216/308


217/308


218/308


219/308


220/308


221/308


222/308


223/308


224/308


225/308


226/308


227/308


228/308


229/308

197

Aproximacin al problema

El problema planteado est caracterizado por N T = 324 >> 10, por lo que losmodelos actuales (LI y CLI) no son aplicables para determinar FLI, tal y como se

ha demostrado en el captulo 6.

Para desarrollar una aproximacin a este problema, en primer lugar se utilizar el

modelo VLI propuesto; en segundo lugar, se aplicar de nuevo el modelo VLI

propuesto al resultado de reducir la dimensin de cada uno de los atributos; y por

ltimo, se realizar una aplicacin integral de los criterios de reduccin desde dos

enfoques, la reduccin mltiple de los atributos y la observacin reducida de los

atributos.

Aplicacin del modelo VLI

La aplicacin del modelo VLI propuesto permite obtener el valor FLI T = VLI T que

cuantifica el nivel de riesgo por exposicin de la persona trabajadora debido a

una tarea de levantamiento manual de cargas donde N T >> 10.

Dado que este caso est caracterizado por una nica tarea de levantamientos T,

con la intencin de facilitar la lectura, de aqu en adelante se simplificar la nota-cin utilizada, omitiendo el subndice T de todos los parmetros referidos a la

tarea T de levantamientos.

Para la aplicacin del modelo VLI, el primer paso es realizar un anlisis individua-

lizado de cada una de las subtareas de levantamiento, determinando los valores

de los multiplicadores asociados a los atributos medidos, para posteriormente,

obtener el valor FILI y LI de la subtarea.

Los factores multiplicadores asociados a los atributos medidos de cada subtarea

se han calculado a partir del procedimiento expuesto en el captulo 3.

Dado que la valoracin de la calidad del agarre de las cargas levantadas se ha

identificado como una constante para todos los levantamientos, el valor del factor

multiplicador CM permanece constante, igual a 0,9 para todas las subtareas, y por

tanto, su contribucin al valor LI ser del 10%.


230/308

198

Para el multiplicador de la distancia vertical, VM, se han obtenido 26 valores dife-

rentes, con un valor promedio de 0,881 y = 0,076; su valor mximo es 1, el

ptimo, en cuyos casos, no contribuir al nivel de exigencia de la subtarea; y su

valor mnimo es 0,715, con una contribucin para estos casos del 28,5%. El am-

plio rango de valores del atributo V, prcticamente cubriendo todo su dominio, ha

quedado reflejado en un amplio rango de valores de VM.

El multiplicador de la distancia horizontal, HM, presenta 35 valores diferentes, con

un valor promedio de 0,741 y = 0,181; su valor mnimo es 0,42, con una con-

tribucin mxima del 57,6%. Cabe considerar adicionalmente que, casi la mitad de

las subtareas tienen asociado un valor de HM inferior a 0,7, siendo el multiplica-

dor de mayor contribucin, tal y como se puede ver en la figura 7.11 .

Los ngulos de asimetra presentes en los levantamientos generan 50 valoresdiferentes del multiplicador de asimetra AM, con un valor promedio de 0,872 y

= 0,056. Su valor extremo mnimo 0,798 proporciona una contribucin del 20,2%

sobre el ndice de esas subtareas.

El multiplicador dislocacin vertical, DM, presenta 91 valores, con una media

0,921 y = 0,057. Su mxima contribucin es de 15,1%, en la subtarea con valor

mnimo de DM, 0,849, Este factor multiplicador es el que proporciona una contri-

bucin mxima menor.

Figura 7.11. Distribucin de los valores de los multiplicadores VM, HM, AM y DM.

0,4

0,5

0,6

0,7

0,8

0,9

1,0

VM HM AM DM


231/308

199

A partir de los valores de los cinco multiplicadores ( figura 7.11 ) y del peso de la

carga levantada, es posible calcular los valores FILI de cada subtarea. Como la

frecuencia F i asociada a cada subtarea es 0,003 < 0,1, el factor multiplicador de

la frecuencia FM ser igual a 1 para todas las subtareas. De ah se deriva que

LIi = FILI i, para toda subtarea.

Los valores resultantes definen el conjunto LI: (LI 1,, LI324}, los ndices de levan-

tamiento de cada subtarea, caracterizados por un valor promedio de 0,766 y =

0,369. Como se ha argumentado, este conjunto es idntico al conjunto FILI: (FI-

LI1,, FILI324}, de los ndices de levantamiento independientes de la frecuencia de

cada subtarea.

Los valores FILI de este caso estn comprendidos entre 1,996 y 0,168, con un

valor medio de 0,776 y = 0,369. Por tanto, es posible afirmar que VLI sermayor de 1,996, ndice que caracteriza el levantamiento ms exigente.

Figura 7.12. Distribucin de los valores FILI de los 324 levantamientos realizados.

Ahora, es posible definir el sistema de clasificacin STC sobre las subtareas, por

similitud de los valores del atributo FILI.

El sistema de clasificacin STC se define a partir de su dimensin TC y el criterio

de discernibilidad utilizado para la pertenencia a las clases. En este caso, tal y

0,00

0,20

0,40

0,60

0,80

1,001,20

1,40

1,60

1,80

2,00


232/308

200

como se ha argumentado en el captulo 6, se utilizar TC = 6 y el criterio de

discernibilidad de sextiles sobre el conjunto ordenado FILI = {FILI , }.

As, las clases de STC quedan definidas por sus valores lmite ( tabla 7.10 ), ga-

rantizando el mismo nmero de casos por categora al utilizar un criterio de posi-cionamiento como los sextiles.

mnimo 1er sextil 2 sextil 3er sextil 4 sextil 5 sextil mximo

FILI' 0,1676 0,3787 0,5861 0,7301 0,8859 1,1502 1,9957

Tabla 7.10. Valores lmite que definen los rangos de pertenencia por valores FILI en el sistema de clasifica-cin STC.

Siguiendo el procedimiento del modelo VLI, a cada clase STCi se le asigna un

valor de ndice de levantamiento independiente de la frecuencia, , y de

frecuencia, , tal y como se muestra en la tabla 7.11 .

STC' 1 STC' 2 STC' 3 STC' 4 STC' 5 STC' 6

1,9957 1,0003 0,8023 0,6627 0,4823 0,2780

0,1600 0,3200 0,4700 0,6300 0,7900 0,9500

Tabla 7.11. Sistema de clasificacin STC con los valores representativos de FILI y F.

Con estos valores, ya es posible calcular los valores LI i asociados a cada STC i y

aplicar el clculo de VLI. Los resultados del modelo VLI sobre los datos originales

medidos se proporcionan en la tabla 7.12 .

El valor de VLI obtenido con los datos originales medidos es 2,44. Este valor

proporciona la informacin que la persona trabajadora est expuesta a un riesgo

significativo por levantamiento manual de cargas.


233/308

201

N subtareas: 324

Parmetros L VM HM AM DM CM

Media () 8,21(2,8)0,881(0,076)

0,741(0,181)

0,872(0,056)

0,921(0,057)

0,9(0)

Valores diferentes 17 26 35 50 91 1

FILI LImax 2,348

Min 0,168 Sum1 Sum2 Sum3 Sum4 Sum5

Max 1,996 0,023 0,024 0,020 0,015 0,009Media

() 0,766

(0,369) VLI = 2,44

Tabla 7.12. Resumen de los resultados de aplicacin del modelo VLI a los datos originales medidos de las 324subtareas.

Como se puede comprobar, la aplicacin del modelo VLI obtiene una caracteriza-

cin de la exposicin al riesgo, asegurando la consideracin de todos los levan-

tamientos realizados. Es evidente, que dado que en este caso, todos los levanta-

mientos son equi-frecuenciales, la contribucin de la categora de valores FILI

menores, STC' 6, ser mnima (es menor a 0,01) sobre el ndice final.

Debido a que la variabilidad sobre los atributos posturales est presente de forma

similar en cada peso levantado ( figura 7.13 ), el atributo peso tiene una contribu-

cin significativa sobre los valores FILI, explicando su correlacin lineal el 57% dela varianza de los valores FILI.

La varianza restante de los valores FILI (43%) se explica por la variacin en los

atributos posturales V, H, A y D; el atributo C, por ser constante en todos los

levantamientos realizados no contribuye a su explicacin.

Como se puede ver, en este caso, los valores mximos de FILI se producen para

el valor mximo de peso, por lo que es de esperar que el ndice resultante sea

altamente sensible a modificaciones asociadas a atributos de las subtareas de

mayor peso.


234/308

202

Figura 7.13. Distribucin de los valores de FILI segn el peso de la carga levantada.

Reduccin del atributo L

Partimos de un caso donde la dimensin del atributo L es (L) = 17. El objetivo

de reducir el atributo L es disminuir esta dimensin.

L:{3;3,5;4,2;4,3;4,8;4,9;5,6;6,7;6,8;7,3;8,7;9,7;10;10,9;11;12;12,5}Para reducir la dimensin del atributo L, se han propuesto anteriormente dos nive-

les de reduccin: reduccin externa y reduccin interna.

El resultado de aplicar la reduccin externa a este caso es (Lext) = 10 < 17, y

por tanto tiene una buena capacidad reductora.

Si se comparan las distribuciones de los valores de peso originales L con los

resultantes de la reduccin Lext ( figura 7.14 ), la alteracin en la representatividad

de los datos es mnima.

R = 0,5699

0

0,2

0,4

0,6

0,8

1

1,2

1,4

1,6

1,8

2

3 4 5 6 7 8 9 10 11 12 13

FILI

kg


235/308

203

Figura 7.14. Distribucin de los valores de Lext comparados a la distribucin de valores de L.

Por tanto, es esperable un resultado similar de la aplicacin del modelo VLI. De

hecho, se obtiene un valor VLI = 2,44 ( tabla 7.13 ), idntico hasta los dos decima-

les al obtenido con los datos originales, sin reducir.

N subtareas virtuales: 324Parmetros L VM HM AM DM CM

Media () 8,27

(2,88)0,881

(0,076)0,741

(0,181)0,872

(0,056)0,921

(0,057) 0,9 (0)Valores diferentes 10 26 35 50 91 1

FILI LImax 2,348Min 0,188 Sum1 Sum2 Sum3 Sum4 Sum5Max 1,996 0,023 0,024 0,020 0,015 0,009

Media()

0,772(0,377) VLI = 2,44

Tabla 7.13. Resumen de los resultados de aplicacin del modelo VLI al resultado de aplicar la reduccin Lint

A pesar que la dimensin del atributo L ha quedado reducida substancialmente, la

dimensin del universo de anlisis no se ha reducido, estando compuesto de 324

subtareas virtuales.

El hecho que el valor VLI obtenido tras la reduccin sea idntico al original se

puede explicar por dos argumentos.

3

4

5

6

7

8

9

10

11

12

13

Lext L


236/308

204

En primer lugar, la reduccin no ha desplazado los valores de peso mayor. Re-

cordemos que la reduccin externa asigna un valor representativo a cada clase

Lext i que componen el sistema de clasificacin Lext. Este valor puede representar

una diferencia mxima de 0,5kg con el valor original. En este caso, el valor de

peso mximo (12,5kg) sufre una diferencia nula tras la reduccin. Como se ha

comentado en el apartado anterior, los valores de FILI mayores de este caso se

originan para el valor de peso mximo. Si ste sufriera alteraciones, se esperara

una diferencia en el ndice resultante.

En segundo lugar, tal y como se muestra en la siguiente figura 7.15 , la distribu-

cin de valores FILI se altera nicamente en los valores extremos mnimos, que

quedan ligeramente incrementados. Es esperable que el ndice resultante sea lige-

ramente superior, pero como se ha constatado, la diferencia ser menor a una

milsima del ndice.

Figura 7.15. Distribucin de los valores FILI calculados sobre el espacio reducido Lext en comparacin con losvalores FILI de los datos originales.

Adicionalmente, se ha propuesto una reduccin ms fuerte, llamada reduccin

interna. Aplicando el sistema de reduccin interna Lint, con P=5, se obtiene:

(Lint) = 5 < (Lext) < 17;

0,00

0,20

0,40

0,60

0,80

1,00

1,20

1,40

1,60

1,80

2,00

FILI(Lext) FILI(originales)


237/308

205

demostrando su fuerte capacidad reductora.

Debido a que los valores del atributo L estn bastante uniformemente distribuidos,

no existe ningn Lint i, tal que Lint i = .

Sin embargo, observando en la figura 7.16 , la distribucin de los valores asigna-

dos a cada clase de Lint, su alteracin es evidente, especialmente en los valores

de peso alto; considerando la sensibilidad del peso mximo sobre el ndice en

este caso, es esperable una subvaloracin del riesgo significativa.

Figura 7.16. Distribucin de valores del peso tras la aplicacin de la reduccin Lint comparados con los valo-res originales de L.

Como resultado de aplicar la reduccin Lint sobre el espacio reducido anterior-

mente por Lext, es VLI = 2,11, con una subvaloracin significativa respecto al

obtenido con los datos sin reducir ( tabla 7.14 ).

La clase de valores mayores, Lint 5, ha quedado definida por el rango [9,5; 12,5],

con una valor representativo de 10,77, y reduciendo en 1,8kg el peso mximolevantado.

3,0

4,0

5,0

6,0

7,0

8,0

9,0

10,0

11,0

12,0

13,0

Lint L


238/308

206


Media () 8,27(2,78)0,881

(0,076)0,741

(0,181)0,872

(0,056)0,921

(0,057) 0,9 (0)



Media()

0,771(0,365) VLI = 2,11

Tabla 7.14. Resumen de resultados de la aplicacin de la reduccin Lint sobre la reduccin Lext.

Los valores que representan a las clases resultantes de la reduccin son:

Lint:{4,07; 5,50; 7,06; 8,50; 10,77}

Tal y como se percibe en el diagrama de cajas de los valores FILI ( figura 7.17 ),

la diferencia asignada a los pesos mayores, impacta directamente en una dismi-

nucin de los valores extremos mximos de FILI.

Figura 7.17. Distribucin de valores FILI resultantes de la reduccin Lint respecto a la distribucin de los valo-res FILI de los datos sin reducir.

Debido a la alta bondad demostrada por la reduccin Lext, la reduccin de los

0,00

0,20

0,40

0,60

0,80

1,00

1,20

1,40

1,60

1,80

2,00

FILI(Lint) FILI(originales)


239/308

207

otros atributos se analizar sobre el espacio reducido Lext.

Reduccin del atributo V

Para el atributo V se han propuesto dos posibles reducciones, una reduccin ex-

terna Vext, consistente en disminuir la precisin de los valores del atributo, y una

reduccin interna, llamada Vr.

Aplicando la reduccin externa, se obtiene (Vext) = 17 < (V) = 33, y por tanto,

reduce el 49% la dimensin de V.

Los valores resultantes de Vext tienen una media de 81,6cm y = 46,2, respecto

a 85,6cm y = 45,9 de los datos sin reducir. Considerando que una diferencia

de 5cm produce una variacin de 0,015 en VM, la diferencia esperada en losvalores de VMext respecto a VM son mnimas.

Al comparar las distribuciones de valores de VM con la reduccin externa y sin

ella, se puede comprobar que las variaciones se producen principalmente en los

valores ms altos (ms favorables), tal y como se confirma en la figura 7.18 .

Figura 7.18. Distribucin de los valores del multiplicador VMext en comparacin con VM de los datos origina-les sin reducir.

0,60

0,65

0,70

0,75

0,80

0,85

0,90

0,95

1,00

VMext VM


240/308

208

La reduccin Vext produce una disminucin de la dimensionalidad en los valores

de VM, siendo (VMext) = 10 < (VM) = 26, sin perder calidad de la informacin.

De hecho, se obtiene un resultado idntico de VLI = 2,44.


Media () 8,27(2,88)0,881

(0,074)0,741

(0,181)0,872

(0,056)0,921

(0,057) 0,9 (0)



Media()

0,772(0,377) VLI = 2,44

Tabla 7.15. Resumen de resultados de la aplicacin del modelo VLI a la reduccin Vext.

Adicionalmente, se ha propuesto una reduccin mayor del atributo V, Vr, que se

procesa en dos pasos (reduccin de nivel 1 y de nivel 2). El resultado de aplicar

los dos niveles de reduccin es ( ) = 2, siendo Vr:{0; 75}, y (VMr) = 2,

siendo VMr:{0,775; 1}.

Como se observa en la comparativa de distribuciones de valores de VMr y VM

(figura 7.19 ), se espera obtener una ligera sobrestimacin del ndice resultante.

Figura 7.19. Distribucin de los valores VMr y VM.

0,60

0,65

0,700,75

0,80

0,85

0,90

0,95

1,00

VMr VM


241/308

209

De todas formas, para la potencia de su capacidad reductora, pasando de (VM)

= 26 a (VMr) = 2, el valor resultante VLI = 2,53 representa una buena aproxi-

macin ( tabla 7.16 ).


Media () 8,27(2,88)0,899

(0,112)0,741

(0,181)0,872

(0,056)0,921

(0,057) 0,9 (0)



Media( )

0,768(0,391) VLI = 2,53

Tabla 7.16. Resumen de resultado de la aplicacin del modelo VLI al espacio reducido por Vext y Vr.

Comparando las distribuciones de los valores FILI de las dos reducciones pro-

puestas para el atributo V y la distribucin original de los valores medidos, se

aprecia en la figura 7.20 , que la reduccin Vext reproduce fielmente los datos

originales, todo y utilizar 10 valores de VM, en vez de 26. En cambio, la reduc-

cin Vr provoca un ligero incremento de los valores FILI mayores, originando el

incremento en el valor VLI final.

Figura 7.20. Distribuciones de valores FILI resultantes de las dos reducciones del atributo V comparadas conlos valores FILI originales.

0,00

0,25

0,50

0,75

1,00

1,25

1,50

1,75

2,00

2,25

FILI(Vext) FILI(Vr) FILI(originales)


242/308

210

Reduccin del atributo H

La reduccin propuesta para el atributo H, Hr, tiene como objetivo reducir la di-

mensin de H de forma que 1 (Hr) 3.

Teniendo en cuenta que el caso analizado tiene una dimensin (H) = 40, se

puede considerar una reduccin bastante fuerte.

Como resultado de su aplicacin al caso, la dimensin queda reducida a (Hr) =

3, (HMr) = 3. Todo y la fuerte reduccin del atributo H, su efecto en la dimen-

sionalidad del problema es despreciable, reduciendo el nmero de subtareas vir-

tuales de 324 a 322.

El resultado de aplicar el modelo VLI sobre la reduccin Hr es VLI = 2,79, signifi-

cativamente mayor al obtenido con los datos sin reducir.


Media () 8,27(2,88)0,881

(0,076)0,65

(0,101)0,872

(0,056)0,921

(0,057) 0,9 (0)



Media()

0,849(0,393) VLI = 2,79

Tabla 7.17. Resumen de resultados de la aplicacin del modelo VLI sobre la reduccin Hr.

Esta reduccin tiene una tendencia a sobrevalorar los casos en los que los levan-

tamientos se realizan en unas condiciones del atributo H ptimas. En este caso,

aproximadamente el 50% de los levantamientos se realiza con valores del atributo

H < 35cm. Recordemos que la clase de valores menores de H de la reduccin

Hr, , definida por el rango [25; 40], se le asigna como valor reducido

.

En los casos de aplicacin en los que, mediante observacin o muestreo de me-

dicin, sea posible identificar el valor mximo y mnimo del dominio del atributo H,

se propone utilizar un criterio variable, que se llamar Hr.


243/308

211

Se define la reduccin variable de H, Hr, como:

, un sistema de clasificacin aplicado sobre ; ; cuya

relacin de pertenencia a es de similitud de los valores del atributo H; en

concreto, la relacin de pertenencia propuesta es la siguiente:

Sea el conjunto , y sea H T = {H T , }, el conjunto or-

denado de valores de H, y por tanto, H 1,T el valor mnimo del conjunto H T , y

HN,T el valor mximo; entonces, el rango de pertenencia se define como:

= H 1,T y ;

= H N,T y ;

Dado que la nueva reduccin propuesta Hr define las clases en rangos uniformes cubriendo todo el dominio de la variable, puede ser una mejor aproximacin para

este caso. Si comparamos las distribuciones de valores del multiplicador HM, re-

sultantes de las reducciones Hr y Hr, se percibe que ambas reducciones consid e-

radas fuertes alteran significativamente la distribucin de valores HM; aun as, la

nueva reduccin propuesta tiene una mejor distribucin como se observa en la

figura 7.21 .

Figura 7.21. Distribuciones de valores del multiplicador HM con la aplicacin de las reducciones HMr y HMr,comparados con la distribucin de valores de HM originales.

0,30

0,40

0,50

0,60

0,70

0,80

0,90

1,00

HMr HMr' HM


244/308

212

El resultado de aplicar el modelo VLI sobre la nueva reduccin Hr (tabla 7.18 ) se

obtiene un valor VLI = 2,57, siendo una aproximacin de bastante calidad, consi-

derando que la dimensin de H se ha reducido de (H) = 40 a (Hr) = 3.


Media () 8,27(2,88)0,881

(0,076)0,74

(0,178)0,872

(0,056)0,921

(0,057) 0,9 (0)



Media()

0,771(0,385) VLI = 2,57

Tabla 7.18. Resumen de los resultados de aplicacin del modelo VLI sobre la reduccin Hr.

Analizando las distribuciones de los valores FILI para cada reduccin, se percibe

cmo los valores FILI extremos se alteran significativamente ms con la reduccin

Hr, que con la reduccin Hr (figura 7.22 ).

Es evidente que parte de los subtareas de valores FILI mayores, se realizan en

condiciones ptimas del atributo H, es decir, su valor FILI alto viene originado por

los otros atributos posturales.

En esos casos, tal y como se ha argumentado, la reduccin Hr genera una so-

brestimacin, en comparacin con la nueva reduccin Hr.


245/308

213

Figura 7.22. Distribuciones de los valores FILI para las reducciones Hr y Hr en comparacin con los valoresFILI sin reducir.

Reduccin del atributo D

Debido a la acotada contribucin del atributo D en la valoracin del riesgo, la

reduccin propuesta para este atributo lo convierte en constante.

En este caso se tiene que (D) = 122; la aplicacin de la reduccin D al atributo

D disminuye su dimensionalidad a (D) = 1.

El resultado sobre el multiplicador es una constante, DM = 1 (figura 7.23 ). Lgi-

camente, se espera un efecto de subvaloracin de aplicar este sistema reductor.

El valor VLI resultante sobre el espacio reducido D es 2,35. Efectivamente, se

obtiene un valor inferior al obtenido sin la reduccin, pero la subvaloracin reali-

zada es pequea respecto a su capacidad reductora de la dimensin de D, trans-

formndola de 122 a 1.

0,00

0,25

0,50

0,75

1,00

1,25

1,50

1,75

2,00

2,25

2,50

FILI(Hr) FILI(Hr') FILI(originales)


246/308

214

Figura 7.23. Distribucin de los valores del multiplicador DM aplicando la reduccin D, comparado a su distr i-bucin sin reducirlo.


Media () 8,27(2,88)0,881

(0,076)0,741

(0,181)0,872

(0,056) 1 (0) 0,9 (0)



Media () 0,709 (0,35) VLI = 2,35

Tabla 7.19. Resumen de resultados de aplicacin del modelo VLI sobre la reduccin D.

La explicacin de la ligera subvaloracin obtenida se deriva del anlisis de los

valores FILI. Como se aprecia en la figura 7.24 , la subvaloracin viene determi-

nada por una ligera disminucin de los valores FILI extremos superiores, perma-

neciendo el resto de la distribucin prcticamente inalterada. Como se argument

en la exposicin terica de este sistema de reduccin, en los casos de alta varia-

bilidad, la probabilidad de subvalorar subtareas aplicando D es menor al 60%.

0,60

0,65

0,70

0,75

0,80

0,85

0,90

0,95

1,00

DM' DM


247/308

215

Figura 7.24. Distribucin de valores FILI obtenidos tras la aplicacin de la reduccin D comparado a la distr i-bucin de los valores sin la reduccin.

Reduccin del atributo A

La reduccin del atributo A, tal y como se ha propuesto, es un sistema de clasifi-

cacin de A de dos clases, por lo que (Ar) 2.

En este caso, el resultado de la reduccin genera (Ar) = 2 < (A) = 50, redu-ciendo enormemente la dimensin del atributo A.

Las dos clases resultantes Ar 0 y Ar 1 clasifican al 34,9% y 65,1% de las subtareas

respectivamente. Recordemos que el valor que limita ambas clases es 45. De

estos datos se puede derivar que en el 65,1% de los levantamientos, se realiza

un ngulo de asimetra significativo ( 45).

El valor representativo que se asigna a cada clase es 0 y 60, generando dos

valores del multiplicador AM, 1 y 0,808, respectivamente.

En este caso, el 33,6% de los levantamientos, que pertenecen a Ar 0, se subvalo-

ran al ser A>0; el 63% de los levantamientos, que pertenecen a Ar 1, se sobreva-

loran, siendo 45 A


248/308

216

De todas formas, slo el 2,2% de los levantamientos supera los 60, por lo que

los extremos de la distribucin de los valores del atributo A no se ven alterados

al aplicar la reduccin Ar.

Figura 7.25. Distribuciones de los valores del multiplicador AM al resultado de la reduccin Ar en comparacincon los valores sin reducir el atributo A.

El resultado que se obtiene de aplicar el modelo VLI es 2,42. Dicho valor, bastan-te ajustado al obtenido con los datos originales sin reducciones, no plasma la

sobrevaloracin que sufre el atributo Ar, respecto a A.


Media () 8,27(2,88)0,881

(0,076)0,741

(0,181)0,875

(0,092)0,921

(0,057) 0,9 (0)



Media () 0,761 (0,362) VLI = 2,42

Tabla 7.20. Resultados de la aplicacin del modelo VLI al resultado de aplicar la reduccin Ar.

0,40

0,50

0,60

0,70

0,80

0,90

1,00

AMr AM


249/308

217

Para explicar el resultado obtenido, es necesario analizar cmo afecta la reduc-

cin Ar a la distribucin de valores FILI.

En este caso, la alteracin de la distribucin de valores FILI tras la aplicacin de

la reduccin Ar, en comparacin con los valores FILI originales, sin aplicar reduc-ciones, es mnima. Se produce una muy ligera disminucin de los valores FILI

mayores, que origina que el valor final de VLI obtenido, sea ligeramente inferior.

Figura 7.26. Distribuciones de los valores FILI resultantes de la reduccin Ar y originales sin reducir.

Como se muestra en la figura 7.27 , siete de los diez valores mayores de FILI

tienen asociados valores de A < 45, es decir, su nivel de exigencia est provo-

cado por otros atributos; la mayor densidad de casos con valores A > 45 se

produce para valores de FILI medio-bajos.

0,00

0,25

0,50

0,75

1,00

1,251,50

1,75

2,00

2,25

FILI(Ar) FILI(originales)


250/308

218

Figura 7.27. Dispersin de los valores del atributo A segn los valores de FILI.

Esta persona trabajadora, ante requerimientos exigentes, ya sea por la altura de

agarre de la carga, la distancia horizontal al cuerpo o el peso levantado, minimiza

la asimetra realizada. Este hecho, convierte a Ar en un reductor de alta calidad,

con una gran capacidad reductora, reduciendo la dimensin del atributo de 50 a

2, y una alta calidad del resultado final obtenido, con una diferencia de relativa de

1% en el VLI.

Reduccin mltiple de los atributos

A partir de los resultados obtenidos en el apartado anterior, es posible afirmar

que, en general, los reductores propuestos para cada atributo se comportan de

forma adecuada; el resultado de su aplicacin es una reduccin significativa de la

dimensin del atributo, con una mnima prdida de informacin para la caracteri-

zacin de la exposicin al riesgo.

Tal y como se muestra en la figura 7.28 , el nico reductor que altera ms de un10% la caracterizacin de la exposicin es la reduccin del atributo Hr. Esta des-

viacin ha quedado disminuid a con la nueva propuesta de reduccin Hr.

0

10

20

30

40

50

60

70

0,00 0,25 0,50 0,75 1,00 1,25 1,50 1,75 2,00 2,25

A

FILI


251/308

219

Figura 7.28. Distribuciones de los valores FILI de la aplicacin de los reductores a los atributos posturales deforma individual.

Como resultado, se obtienen unas reducciones superiores al 90% en la dimensin

de cada atributo, con un error relativo no superior al 5% sobre el valor de VLI.

Debido a la alta variabilidad del problema, donde la dimensin de cada atributo es

alta, la reduccin de un atributo tiene un efecto despreciable sobre la reduccin

de la dimensionalidad del problema, es decir, sobre el nmero de subtareas aanalizar.

Los valores de la capacidad reductora total sobre la dimensionalidad del problema,

aplicados de forma individual ( tabla 7.21 ), estn comprendidos entre el 0% y el

2%.

Por este motivo, parece necesario analizar la aplicabilidad de varios reductores

simultneamente sobre la caracterizacin del problema.

Este anlisis se realizar mediante la aplicacin incremental de los reductores decada uno de los atributos. Recordemos que todos los escenarios se construyen

sobre el resultado de la aplicacin del reductor Lext.

0,00

0,25

0,50

0,75

1,00

1,251,50

1,75

2,00

2,25

2,50


252/308

220

Dimensinatributooriginal

Dimensinatributo

reducido

Capacidadreductora

parcialVLI Diferenciarelativa

N subtare-as virtuales

Capacidadreductora

total

Vext 33 17 48,5% 2,44 0% 324 0%

Vr 33 2 93,9% 2,53 4% 324 0%

D' 122 1 99,2% 2,35 -4% 322 1%

Hr' 40 3 92,5% 2,57 5% 323 0%

Ar 50 2 96,0% 2,42 -1% 318 2%

Originales 2,44 324

Tabla 7.21. Indicadores de calidad de los reductores de cada atributo.

El resu ltado de aplicar los reductores Vr y D sobre los atributos V y D, respect i-

vamente, es VLI = 2,40. Debido a que la reduccin Vr sobrevalora ligeramente el

atributo V, y la reduccin D subvalora ligeramente el atributo D, el resultado de

aplicar ambas reducciones est bastante ajustado.


Media () 8,27(2,88)0,899

(0,112)0,741

(0,181)0,872

(0,056) 1 (0) 0,9 (0)



Media () 0,703 (0,359) VLI = 2,40

Tabla 7.22. Resumen de resultados de la aplicacin del modelo VLI al espacio reducido por Vr y D.

De todas formas, la reduccin total del problema sigue siendo de nivel bajo, pa-

sando de 324 subtareas a 317 subtareas virtuales.

Sobre este nuevo escenario de anlisis, si se aplica la reduccin Hr, se obtienen

259 subtareas, con un ndice de levantamiento VLI = 2,44.


253/308

221


Media () 8,27(2,88)0,899

(0,112)0,74

(0,178)0,872

(0,056) 1 (0) 0,9 (0)



Media () 0,71 (0,372) VLI = 2,44

Tabla 7.23. Resumen de resultados de la aplicacin del modelo VLI al espacio reducido por Vr, D y Hr.

Con un ajuste perfecto, la capacidad reductora total de estos tres reductores an

no es significativa.

A continuacin, se aplica la reduccin Ar del atributo A. El resultado obtenido,ligeramente sobrevalorado, es VLI = 2,50, consiguiendo una reduccin total de la

dimensionalidad del problema significativa, caracterizado por 57 subtareas virtuales.


Media () 8,27(2,88)0,899

(0,112)0,74

(0,178)0,875

(0,092) 1 (0) 0,9 (0)



Media () 0,726 (0,388) VLI = 2,50

Tabla 7.24. Resumen de resultados de la aplicacin del modelo VLI al espacio reducido por Vr, D, Hr y Ar.

Por ltimo, a este resultado se le aplica el doble reductor Lint sobre el atributo L.

Recordemos que esta reduccin reduca el peso levantado en las subtareas aso-

ciadas a valores FILI mayores, por lo que la subvaloracin era significativa (VLI =

2,11).

El resultado de aplicar el reductor Lint al espacio reducido por los cuatro reducto-

res anteriores es VLI = 2,17, comportando una subvaloracin del 11,1%, pero a

cambio, se consigue una reduccin total del problema a 31 subtareas virtuales.


254/308

222


Media () 8,27(2,78)0,899

(0,112)0,74

(0,178)0,875

(0,092) 1 (0) 0,9 (0)



Media () 0,664 (0,364) VLI = 2,17

Tabla 7.25. Resumen de resultados de la aplicacin del modelo VLI al espacio reducido por Vr, D, Hr, Ar yLint.

En la figura 7.29 , se visualiza la alteracin en las distribuciones de los valores

FILI para las diferentes combinaciones de reductores aplicados simultneamente al

problema planteado.

Figura 7.29. Distribuciones de los valores FILI para reducciones combinadas en diferentes atributos.

0,00

0,25

0,50

0,75

1,00

1,25

1,50

1,75

2,00

2,25

F I L I ( o r i g

i n a

l e s

)

F I L I ( V r ,

D )

F I L I ( V r ,

D ' , H r )

F I L I ( V r ,

D ' , H r ,

A r )

F I L I ( V r ,

D ' , H r ,

A r ,

L i n t )


255/308

223

En todas las combinaciones de reductores se produce una ligera disminucin del

75% de los valores FILI menores. En cambio, los valores mayores extremos FILI,

en la s combinaciones {Vr, D} y {Vr, D, Hr, Ar, Lint} se disminuyen, y para las

combinaciones {Vr, D, Hr}, {Vr, D, Hr, Ar} se incrementan.

A partir de los resultados, parece que la aplicacin combinada de los reductores

Vr, D, Hr y Ar es la mejor aproximacin al problema, con una capacidad reducto-

ra total del 82%, simplificando el problema en 57 subtareas virtuales y valorando

el ndice de levantamiento con un error relativo de slo el 3%.

VLI Diferenciarelativa N subtareasCapacidad

reductora totalVext, Vr, D' 2,40 -1,7% 317 2%

Vext, Vr, D', Hr' 2,44 -0,1% 259 20%Vext, Vr, D', Hr', Ar 2,50 2,6% 57 82%

Vext, Vr, D', Hr', Ar, Lint 2,17 -10,9% 31 90%

Originales 2,44 324

Tabla 7.26. Indicadores de calidad de la aplicacin combinada de diferentes reductores.

Anlisis mediante observacin reducida de losatributos

Como procedimiento alternativo para la aplicacin del modelo VLI, en el captulo

6 se ha definido y desarrollado el procedimiento de observacin reducida.

El objetivo de este procedimiento es determinar, mediante la observacin y la

medicin, las subtareas virtuales directamente, sin necesidad de extraerlas de las

subtareas reales. Al aplicar este procedimiento al caso, el registro de los atributos

que caracterizan la actividad de levantamientos manuales de cargas se realiza

sobre los atributos ya reducidos.

El atributo L es el nico que se le aplica una segunda reduccin despus delregistro. Este atributo se registra sobre el espacio reducido por Lext, para poste-

riormente aplicar la reduccin Lint, con un parmetro P=5. Como resultado, se

han construido 5 categoras de peso sobre las que se contina con el registro de

los otros atributos.


256/308

224

Categora de pesos N objetos Peso medio ponde-rado (Kg) % objetos levantados

desde hasta

Lint1 3,5 5,3 70 4,1 21,6%

Lint2 5,3 7,1 44 6 13,6%Lint3 7,1 8,9 45 7,8 13,9%

Lint4 8,9 10,7 120 10,3 37,0%

Lint5 10,7 12,5 45 12,2 13,9%

Tabla 7.27. Resultados de la aplicacin de la reduccin Lint al caso.

El atributo H ya reducido como Hr, dirige el registro a identificar en qu casos se

realiza un levantamiento con un valor de Hr en los tres rangos de valores fijos yadefinidos anteriormente. Los valores que representan tales rangos son 35, 45 y 60

cm, tal y como se muestra en la figura 7.30 .

Figura 7.30. Distribucin de los valores de los atributos V y H en una observacin reducida del caso.

Sobre el atributo V ( figuras 7.31 y 7.32 ), ya reducido como Vr, dirige el registro a

identificar en qu casos de cada categora de peso se realiza un levantamiento a

un valor de Vr en dos rangos de valores fijos, el que representa una altura co-

rrecta y el que representa una altura incorrecta, ya sea por una altura excesiva-

0

10

20

30

40

50

60

70

80

Vr Hr

cm


257/308

225

mente alta o una altura excesivamente baja. Los valores que representan estos

rangos son 0 y 75 cm.

Figura 7.31. Registro de observacin reducida de los atributos Vext y Hr del origen de los levantamientos delcaso.

El atributo A ( figura 7.33 ) se registra mediante un muestreo de levantamientos

para cada categora de peso, que permi ta aplicar valorar la reduccin Ar, segnla presencia predominante de valores A 0 o A 1, y asignar finalmente un valor cons-

tante a este atributo. En este caso, la predominancia para todas las categoras depeso son los valores pertenecientes a A 1, por lo que todas las categoras de peso

tienen asociado un valor constante del atributo Ar = 60 .


258/308

226

Figura 7.32. Registro de observacin reducida de los atributos Vext y Hr del destino de los levantamientos delcaso.

Figura 7.33. Registro de observacin reducida del atributo Ar de los levantamientos del caso.


259/308

227

El resultado esperable de aplicar la observacin reducida es 30. En este

caso, se identifican 25 subtareas virtuales, 5 subtareas asociadas a cada categora

de peso. En la siguiente tabla se indican los parmetros que definen cada sub-

tarea virtual resultante.

Lint L representa-tivoN objetostotal por categorade peso

Vext Hr % deobjetospara cadageometra

Ar Frec.

(kg) (kg) (cm) (cm) (lev/min)

desde3,5

hasta5,3

4,1 70 0-50 o 126-175(0) 25-40 (35) 21,9%

x

0,045n alturas 41-50 (45) 21,9% 0,045

Frecuencia 0,204 17 51-63 (63) 11,0% 0,02251-125(75) 25-40 (35) 22,6% 0,046n alturas 41-50 (45) 22,6% 0,046

14 51-63 (63)

desde5,3

hasta7,1

6,0 44 0-50 o 126-175(0) 25-40 (35) 21,9%

x

0,028n alturas 41-50 (45) 21,9% 0,028


14 51-63 (63)

desde7,1

hasta

8,9

7,8 45 0-50 o 126-175(0) 25-40 (35) 22,4%

x

0,029n alturas 41-50 (45) 22,4% 0,029

Frecuencia 0,131 5 51-63 (63) 11,2% 0,01551-125(75) 25-40 (35) 22,0% 0,029

n alturas 41-50 (45) 22,0% 0,0294 51-63 (63)

desde8,9

hasta10,7

10,3 120 0-50 o 126-175(0) 25-40 (35) 22,4%

x

0,078n alturas 41-50 (45) 22,4% 0,078


11 51-63 (63)

desde

10,7hasta12,5

12,2 45 0-50 o 126-175(0) 25-40 (35) 22,4%

x

0,029n alturas 41-50 (45) 22,4% 0,029


11 51-63 (63)

Tabla 7.28. Subtareas virtuales resultantes de la observacin reducida del caso.


260/308

228

Este procedimiento ha mostrado una capacidad reductora total del problema anali-

zado del 92%. La aplicacin del modelo VLI a las 25 subtareas virtuales resultan-

tes es VLI = 2,63, con un error relativo de -8%.


Media () 8,08(2,96)0,87

(0,113)0,59

(0,121)0,81(0) 1 (0) 0,9 (0)



Media ( ) 0,931 (0,45) VLI = 2,63

Tabla 7.29. Resumen de resultados de la aplicacin del modelo VLI mediante la observacin reducida.

El error relativo obtenido parece aceptable, considerando la reduccin obtenida del

problema. Comparando las distribuciones de los valores de los diferentes multipli-

cadores de la observacin reducida y de los datos originales sin reducir, medidos

de forma precisa, se puede percibir cmo el resultado tan ajustado obtenido es el

resultado de una compensacin entre las sobrevaloraciones y las subvaloraciones

realizadas ( figura 7.34 ).

Figura 7.34. Distribuciones de los valores de los multiplicadores de la observacin reducida comparados consus valores medidos de forma precisa.

0,350,400,450,500,550,600,650,700,750,800,850,900,951,00

VMr VM HMr HM AMr AM DM' DM


261/308

229

Los valores del multiplicador HMr estn sobrevalorados respecto a los valores de

HM; mientras que el valor asignado al multiplicador DM subvalora este atributo

respecto a los valores del multiplicador DM sin reducir.

Es evidente que el parmetro HMr es el que ha sufrido mayor alteracin en sudistribucin de valores debido a la reduccin Hr. Anteriormente, se ha propuesto

la reduccin Hr que mejora la calidad de los resultados. La aplicacin de la r e-

duccin Hr en el procedimiento de observacin reducida supone, mediante un

muestreo, identificar los valores extremos, mnimo y mximo, del atributo H.

Supongamos que, en este caso, se identifican los valores extremos del atributo H,

22 y 62 cm. Efectivamente, el reductor Hr propuesto para representar de forma

ms eficiente la distribucin de valores del atributo H obtiene un valor mucho ms

preciso de VLI = 2,42 ( tabla 7.30 ).

Las subtareas virtuales resultantes de la aplicacin del procedimiento de observa-

cin reducida es el indicado en la tabla 7.31 .


Media () 8,08(2,96)0,87

(0,113)0,77

(0,217) 0,81 (0) 1 (0) 0,9 (0)



Media () 0,749 (0,43) VLI = 2,42

Tabla 7.30. Resumen de resultados de la aplicacin del modelo VLI mediante la observacin reducida, utili-zando el reductor Hr.

Esta modificacin del procedimiento de observacin reducida conserva la capaci-

dad reductora total del problema del 92% y disminuye el error relativo sobre el

valor de VLI resultante de -8% a -0,8%.


262/308

230

Lint L representa-tivoN obje-tos total

por categorade peso

Vext Hr % deobjetos

para cadageometra

Ar

Frecuencia

(kg) (kg) (cm) (cm) (lev/min)

desde3,5

hasta5,3

4,1 70 0-50 o 126-175(0) 15-27,5 (20,2) 21,9%

x

0,045n alturas 27,5-46 (35) 21,9% 0,045

Frecuencia 0,204 17 47-63 (58) 11,0% 0,022

51-125(75) 15-27,5 (20,2) 22,6% 0,046

n alturas 27,5-46 (35) 22,6% 0,046

14 47-63 (58)

desde5,3

hasta7,1

6,0 44 0-50 o 126-175(0) 15-27,5 (20,2) 21,9%

x

0,028

n alturas 27,5-46 (35) 21,9% 0,028

Frecuencia 0,128 17 47-63 (58) 11,0% 0,014

51-125(75) 15-27,5 (20,2) 22,6% 0,029n alturas 27,5-46 (35) 22,6% 0,029

14 47-63 (58)

desde7,1

hasta8,9

7,8 45 0-50 o 126-175(0) 15-27,5 (20,2) 22,4%

x

0,029

n alturas 27,5-46 (35) 22,4% 0,029

Frecuencia 0,131 5 47-63 (58) 11,2% 0,015

51-125(75) 15-27,5 (20,2) 22,0% 0,029

n alturas 27,5-46 (35) 22,0% 0,029

4 47-63 (58)

desde8,9

hasta10,7

10,3 120 0-50 o 126-175(0) 15-27,5 (20,2) 22,4%

x

0,078

n alturas 27,5-46 (35) 22,4% 0,078

Frecuencia 0,350 14 47-63 (58) 11,2% 0,039

51-125(75) 15-27,5 (20,2) 22,0% 0,077

n alturas 27,5-46 (35) 22,0% 0,077

11 47-63 (58)

desde10,7hasta12,5

12,2 45 0-50 o 126-175(0) 15-27,5 (20,2) 22,4%

x

0,029

n alturas 27,5-46 (35) 22,4% 0,029

Frecuencia 0,131 14 47-63 (58) 11,2% 0,01551-125(75) 15-27,5 (20,2) 22,0% 0,029

n alturas 27,5-46 (35) 22,0% 0,029

11 47-63 (58)

Tabla 7.31. Subtareas virtuales resultantes de la observacin reducida del caso utilizando la reduccin Hr.


263/308

231

Discusin y conclusiones

En este apartado se han utilizado las diferentes reducciones propuestas, analizan-do sus bondades y limitaciones. De forma general, es posible afirmar que las

reducciones propuestas han demostrado ser unos instrumentos tiles para simplifi-

car el anlisis de casos de levantamientos manuales de cargas de alta variabili-

dad.

La mayora de las reducciones propuestas han generado un resultado en la carac-

terizacin del nivel de exposicin al riesgo bastante aceptable, con un error relati-

vo sobre el valor de VLI menor al 10%.

Figura 7.35. Error relativo de cada tipo de reduccin sobre el valor VLI.

0,0% 0,0%

3,7%

-3,8%

14,5%

5,3%

-0,9%

-13,3%

2,8%

-1,7%-0,1%

2,6%

-10,9%

8,0%

-0,6%

-15,0%

-10,0%

-5,0%

0,0%

5,0%

10,0%

15,0%

L e x

t

V e x

t

V e x

t y

V r

D '

H '

H ' v a r i a

b l e

A i n t

L i n t y

L e x

t

L i n t , L e x

t , A i n t y

A e x

t

V e x

t , V r y

D '

V e x

t , V r ,

D ' y H r '

V e x

t , V r ,

D ' , H r '

y A r

V e x

t , V

r , D ' , H r ' ,

A r y

L i n t

O B S E R V A C I N R E D U C I D A

O B S E R V A C I N R E D U C I D A c o n

H r '


264/308

232

Aunque la precisin en el resultado de aplicar reducciones se considere aceptable,

su funcin principal y, por tanto, su utilidad, radica en su capacidad reductora

total, simplificando el problema en un nmero reducido de subtareas virtuales que

contengan la informacin suficiente para caracterizar el nivel de exposicin al ries-

go.

En la figura 7.36 se ha representado el valor VLI obtenido en cada escenario,

respecto al nmero de subtareas virtuales a las que se ha reducido el problema.

Siendo el punto cuadrado la representacin de la aplicacin del modelo VLI sobre

los datos originales, sin reducir, se han sealado los puntos de los tres escena-

rios que han obtenido una reduccin substancial del problema con un menor error

en el resultado.

Estos tres escenarios son los resultados obtenidos con la reduccin combinada(Vext, Vr, D', Hr', Ar), sealado con un crculo discontinuo; los resultados obteni-

dos con la observacin reducida, sealado con un crculo continuo; y los resulta-

dos obtenidos con la observacin reducida utilizando el reductor Hr, sealado con

un recuadro.

Figura 7.36. Dispersin de las reducciones segn el valor VLI obtenido y nmero de subtareas virtuales a lasque han reducido el problema.

2,0

2,1

2,2

2,3

2,4

2,5

2,6

2,7

2,8

2,9

0 50 100 150 200 250 300 350

VLI

N subtareas virtuales


265/308

233

La reduccin combinada (Vext, Vr, D', Hr', Ar) es el mejor modelo de anlisis de

un conjunto de datos medidos de forma precisa, en base a los indicadores de

calidad. Recordemos que todas las reducciones combinadas, incluido sta, incor-

poran la reduccin Lext.

Si observamos la figura 7.37 , donde se grafican los valores FILI respecto al peso,

tanto para esta reduccin como para los datos originales, se percibe cmo los 57

puntos (subtareas virtuales) representan bastante bien la distribucin de las 324

subtareas reales para casi todos los pesos levantados.

Figura 7.37. Dispersin de los valores FILI respecto al peso levantado para la reduccin (Lext, Vext, Vr, D', Hr', Ar) y para los datos originales.

Debido al desplazamiento de 0,5kg que sufren algunos de los pesos levantados

por el efecto de la reduccin Lext, en la figura 7.38 , se ilustra el mismo tipo de

grfica sin aplicar la reduccin Lext en la reduccin combinada.

En ambos escenarios de anlisis se conserva la influencia lineal del peso sobre la

distribucin de valores FILI con una diferencia mnima en la pendiente y en la

varianza explicada.

R = 0,5699

R = 0,5402

0,00

0,20

0,40

0,60

0,80

1,00

1,20

1,40

1,601,80

2,00

2,20

3,0 4,0 5,0 6,0 7,0 8,0 9,0 10,0 11,0 12,0 13,0

FILI

kg

FILI(originales)

FILI (Lext, Vext,Vr, D', Hr' y Ar)


266/308

234

Figura 7.38. Dispersin de valores FILI respecto al peso levantado para la reduccin (Vext, Vr, D', Hr', Ar), sinreduccin de L, y para los datos originales.

Pero por otro lado, se ha planteado y aplicado un procedimiento de anlisis ba-

sado en la observacin reducida del problema. Recordemos que este procedimien-

to comporta una ventaja prctica substancial respecto a los menores recursos

necesarios para caracterizar el problema de la tarea de levantamientos, previo a

su anlisis.

La observacin reducida ha presentado la mayor capacidad reductora total, 92%,

aunque con poca diferencia respecto a la capacidad reductora total de la reduc-cin combinada (Vext, Vr, D', Hr', Ar), 82%. En cambio, esta reduccin combinada

genera un error relativo mucho menor, 2,6%, respecto a la observacin reducida, -

8%.

Adems, los casos donde sea factible identificar los valores extremos mnimo y

mximo del atributo H, parece recomendable por su mayor calidad y eficiencia,

utilizar el procedimiento de observacin reducida con el reductor Hr. Con este

procedimiento, se ha conservado la capacidad reductora de la observacin reduci-

da de un 92%, pero se ha disminuido el error relativo del resultado a -0,8%, ob-teniendo un mejor resultado incluso que el de la reduccin combinada (Vext, Vr,

D', Hr', Ar).

R = 0,5699

R = 0,5308

0,00

0,20

0,40

0,60

0,80

1,00

1,201,40

1,60

1,80

2,00

2,20

3,0 4,0 5,0 6,0 7,0 8,0 9,0 10,0 11,0 12,0 13,0

FILI

kg

FILI(originales)

FILI (Vext, Vr,D', Hr' y Ar)


267/308

235

Parte IV

CONCLUSIONES


268/308

236


269/308

237

Conclusiones

Para presentar las conclusiones y discusin de este estudio, se har referencia alas hiptesis de investigacin planteadas, y en qu medida el desarrollo de losobjetivos especficos de la investigacin han podido contrastarlas.

H1. El mtodo ms utilizado por los expertos y profesionales competentes para laevaluacin del riesgo por levantamiento manual de cargas es la ecuacin

NIOSH revisada.Tanto la valoracin realizada por los expertos y profesionales competentes, comola valoracin de los delegados de prevencin, confirman esta hiptesis. Este m-todo es el ms sealado por los profesionales como la metodologa que utilizanpara evaluar este tipo de riesgo. El uso extendido es independiente del sector deactividad donde se analiza el riesgo, la formacin de grado del experto y susaos de experiencia; s que depende del tipo de organizacin donde trabajan,pero en la mayora de ellos, se usa este mtodo con una probabilidad superior al

0,5. Si adems se consideran otros documentos tcnicos, tcnicos como las nor-mas tcnicas EN e ISO, que referencian la ecuacin NIOSH revisada como elcriterio de evaluacin, el uso se extiende al 86% de los profesionales y al 90,4%segn los delegados de prevencin.

Considerando que, en Espaa, se puede afirmar que ms del 60% de las empre-

8Conclusiones y propuestas


270/308

238

sas no han realizado las evaluaciones del riesgo por levantamiento manual decargas, es posible que la demanda y aplicacin de un mtodo de evaluacincrezca en los prximos aos en Espaa,

Adems, la actual aceptacin de esta metodologa de evaluacin es posible quesiga creciendo en los prximos aos, considerando que el grupo de trabajo 4 delsubcomit tcnico 3 del comit tcnico 159 de ISO actualmente est trabajandoen un nuevo documento [ISO, 2012b], cuyo marco de referencia para la evalua-cin del riesgo por levantamiento manual de cargas es la ecuacin NIOSH revisa-da.

H2. El mtodo de la ecuacin NIOSH revisada tiene actualmente la suficiente vali-dez cientfica para ser considerado el modelo de referencia para el anlisis de

la exposicin al riesgo por levantamientos manuales de cargas.Es posible concluir que, la revisin exhaustiva de la literatura cientfica realizadaconfirma esta hiptesis. Los principales estudios epidemiolgicos realizados en losltimos confirman el mayor nivel de validacin de esta metodologa, demostrandouna relacin directa entre el ndice de riesgo obtenido y la prevalencia del daoen la poblacin laboral expuesta. Por otro lado, tambin se confirma su validezrespecto a los criterios utilizados para valorar cada una de los atributos que defi-nen un levantamiento.

Es cierto que, la variabilidad en la exposicin an no se ha estudiado de formaprecisa, y actualmente se est estudiando la influencia de otros factores, como latcnica de levantamiento utilizada o la experiencia, an sin conclusiones claras.Los resultados de la presente investigacin pueden contribuir al desarrollo de es-tudios epidemiolgicos y causales que ayuden a generar ms conocimiento alrespecto en los prximos aos.

Al fin y al cabo, el objetivo de las investigaciones debe ser entender la causalidady no se deben aceptar las lgicas de la ergonoma que no se dirijan a compren-der esta causalidad [MARRAS, 2005].

H3. La exposicin al levantamiento manual de cargas en condiciones variables esun requerimiento de trabajo frecuente en la mayora de las empresas de todoslos sectores productivos.


271/308

239

Esta hiptesis ha sido confirmada con la presente investigacin, y es posible con-cluir que en la mayora de los puestos de trabajo que requieren levantar cargasmanualmente, la exposicin es altamente variable. Ms del 89% de los profesiona-les que realizan anlisis de este requerimiento de trabajo afirman que frecuente-mente o siempre, al menos uno de los atributos que definen los levantamientostiene una alta variabilidad, independientemente del tipo de carga levantada. Porotro lado, ms del 63% de los delegados de prevencin confirman que los atribu-tos peso y altura de agarre son altamente variables frecuentemente o siempre;cierto que con diferente grado de variabilidad, especialmente la altura, segn elsector de actividad.

Tambin se identifica la presencia de variabilidad en la exposicin en diversosestudios mencionados, pero se reconoce en todos ellos que el enfoque de anlisisutilizado no ha sido totalmente adecuado.

H4. Las estrategias de anlisis de la exposicin al riesgo por levantamientos ma-nuales de cargas utilizadas por los expertos y profesionales competentes encasos de alta variabilidad tienden a subvalorar o sobrevalorar el riesgo.

Se puede afirmar que en esta investigacin se ha confirmado dicha hiptesis, enbase a varios argumentos.

En primer lugar, se ha demostrado que la prctica ms comn para determinar lafrecuencia de levantamientos es la observacin de la actividad durante un periodode tiempo determinado.

Pocos estudios se han realizado sobre el tiempo de muestreo necesario de ob-servacin de la actividad; algunos autores referencian 30 minutos [DALE et al.,2009], NIOSH en su publicacin original recomendaba 15 minutos [WATER et al.,1994]. En la literatura se reconoce que esta prctica tiende a subvalorar o sobre-valorar el nivel de riesgo, ms cuanto ms variable sea la exposicin; as, sellega a afirmar incluso que en sectores de actividad como la construccin, la ob-servacin de la actividad durante 1 da completo es insuficiente [PAQUET et al.,2005].

Tcnicas de mayor precisin, especialmente cuando se utilizan de forma comple-mentaria, contrastando la informacin de las diversas fuentes, como datos de pro-duccin y ventas o preguntando la estimacin a la persona trabajadora, se ha


272/308

240

demostrado que son de una prctica poco extensa.

Por otro lado, respecto al anlisis de los otros atributos que caracterizan los le-vantamientos, se ha demostrado que actualmente, la prctica ms extendida es

valorar una situacin como la ms penosa y realizar la evaluacin sobre ella. Esevidente que el periodo de observacin sesgar la identificacin de la situacinms penosa. Adems, esta evaluacin sobrevalora el riesgo si se considera queesa exposicin es constante en el tiempo, y subvalora el riesgo si se consideraque nicamente se est expuesto a esa situacin, como ya se demostr en

Documents

Analisis de La Exposicion Al Riesgo Por Levantamientos Manual de Cargas