Tres decisiones que se toman a ojo
La mayoría de las decisiones de calidad llevan un cálculo detrás, y tres de ellas se toman casi siempre sin él. No por descuido — porque el cálculo resulta ajeno y la estimación parece razonable. Cada una tiene una respuesta correcta y cada una falla en silencio cuando se estima a ojo.
1. ¿Cuántas inspecciono? La respuesta habitual es una fracción: el diez por ciento del lote, o veinte piezas porque veinte es un número redondo. Ambas son arbitrarias. Lo que importa es el par de riesgos que está dispuesto a asumir: a qué nivel de calidad debe aceptarse un lote (lado del productor) y a qué nivel debe rechazarse (lado del consumidor). Fije esos dos y el tamaño de muestra y el número de aceptación salen solos — no queda nada que adivinar.
La curva que muestra lo que un plan hace de verdad es la curva característica: abajo la tasa real de defectuosos, al lado la probabilidad de aceptar el lote. Todo plan tiene una, incluido el que usted inventó. SenSight la dibuja y marca en ella sus dos puntos de riesgo. La sorpresa habitual es lo suave que resulta: un plan que parece estricto acepta un lote malo mucho más a menudo de lo esperado.
Un número que conviene conocer es el AOQL: la peor calidad media de salida. Si los lotes rechazados se inspeccionan al 100 % y se corrigen, la calidad que llega al cliente queda acotada, y el AOQL es esa cota. Es el único resumen honesto de un esquema de muestreo, y la mayoría de las herramientas no lo muestran nunca.
2. ¿En qué rango caen las piezas? Aquí está el error que llega al cliente. Tiene treinta mediciones, calcula un intervalo de confianza del 95 % y lo escribe en el informe como "el 99 % de las piezas está entre estos límites". Son dos preguntas distintas. Un intervalo de confianza habla de la media y se estrecha cuando mide más. Un intervalo de tolerancia habla de las piezas individuales; más datos lo hacen más seguro, pero apenas más estrecho — porque las piezas varían realmente así.
La diferencia no es sutil: en datos típicos el intervalo de tolerancia es varias veces más ancho. Citar el estrecho es prometer una dispersión que su proceso no puede sostener.
Dos advertencias. El factor habitual supone datos aproximadamente normales; con mediciones sesgadas coloca mal los límites, por eso SenSight prueba primero la normalidad y lo dice. Y existe una alternativa sin supuestos de distribución — pero no es gratis: cubrir el 99 % con un 95 % de confianza usando el mínimo y el máximo exige varios cientos de mediciones. El panel le dice cuántas, para que vea qué le está comprando el supuesto.
3. ¿El nuevo es igual que el viejo? Nuevo proveedor, nueva máquina, nuevo operario. Hace una prueba t, el valor p sale 0,4, y la conclusión pasa al informe como "sin diferencia significativa — ambos son equivalentes". Esa inferencia es inválida, y es probablemente el error estadístico más caro en fabricación.
Un valor p grande significa que la prueba no pudo demostrar una diferencia. Eso ocurre cuando no la hay — e igualmente cuando midió seis piezas y la prueba no tenía potencia para verla. La ausencia de evidencia se lee como evidencia de ausencia.
Demostrar que dos cosas son iguales requiere su propia prueba, y requiere algo que los datos no pueden darle: declarar cuánta diferencia es lo bastante pequeña para ignorarla. Ese margen es una decisión de ingeniería. Dos MPa en una resistencia a tracción pueden ser irrelevantes; en una cota crítica de seguridad, no. Una vez declarado, el procedimiento de dos pruebas unilaterales (TOST) hace la pregunta correcta: ¿la diferencia se mantiene dentro de su margen?
La lectura más clara no es el valor p sino el intervalo. Si todo el intervalo de la diferencia cae dentro de ±margen, ambos son equivalentes. Si queda entero fuera, son realmente distintos. Y si cruza el margen, la respuesta honesta es que no se puede afirmar nada — lo que suele significar que faltan mediciones, no que la conclusión sea otra. SenSight informa los tres casos por separado, porque el tercero es el que la gente se salta.
1. ¿Cuántas inspecciono? La respuesta habitual es una fracción: el diez por ciento del lote, o veinte piezas porque veinte es un número redondo. Ambas son arbitrarias. Lo que importa es el par de riesgos que está dispuesto a asumir: a qué nivel de calidad debe aceptarse un lote (lado del productor) y a qué nivel debe rechazarse (lado del consumidor). Fije esos dos y el tamaño de muestra y el número de aceptación salen solos — no queda nada que adivinar.
La curva que muestra lo que un plan hace de verdad es la curva característica: abajo la tasa real de defectuosos, al lado la probabilidad de aceptar el lote. Todo plan tiene una, incluido el que usted inventó. SenSight la dibuja y marca en ella sus dos puntos de riesgo. La sorpresa habitual es lo suave que resulta: un plan que parece estricto acepta un lote malo mucho más a menudo de lo esperado.
Un número que conviene conocer es el AOQL: la peor calidad media de salida. Si los lotes rechazados se inspeccionan al 100 % y se corrigen, la calidad que llega al cliente queda acotada, y el AOQL es esa cota. Es el único resumen honesto de un esquema de muestreo, y la mayoría de las herramientas no lo muestran nunca.
2. ¿En qué rango caen las piezas? Aquí está el error que llega al cliente. Tiene treinta mediciones, calcula un intervalo de confianza del 95 % y lo escribe en el informe como "el 99 % de las piezas está entre estos límites". Son dos preguntas distintas. Un intervalo de confianza habla de la media y se estrecha cuando mide más. Un intervalo de tolerancia habla de las piezas individuales; más datos lo hacen más seguro, pero apenas más estrecho — porque las piezas varían realmente así.
La diferencia no es sutil: en datos típicos el intervalo de tolerancia es varias veces más ancho. Citar el estrecho es prometer una dispersión que su proceso no puede sostener.
Dos advertencias. El factor habitual supone datos aproximadamente normales; con mediciones sesgadas coloca mal los límites, por eso SenSight prueba primero la normalidad y lo dice. Y existe una alternativa sin supuestos de distribución — pero no es gratis: cubrir el 99 % con un 95 % de confianza usando el mínimo y el máximo exige varios cientos de mediciones. El panel le dice cuántas, para que vea qué le está comprando el supuesto.
3. ¿El nuevo es igual que el viejo? Nuevo proveedor, nueva máquina, nuevo operario. Hace una prueba t, el valor p sale 0,4, y la conclusión pasa al informe como "sin diferencia significativa — ambos son equivalentes". Esa inferencia es inválida, y es probablemente el error estadístico más caro en fabricación.
Un valor p grande significa que la prueba no pudo demostrar una diferencia. Eso ocurre cuando no la hay — e igualmente cuando midió seis piezas y la prueba no tenía potencia para verla. La ausencia de evidencia se lee como evidencia de ausencia.
Demostrar que dos cosas son iguales requiere su propia prueba, y requiere algo que los datos no pueden darle: declarar cuánta diferencia es lo bastante pequeña para ignorarla. Ese margen es una decisión de ingeniería. Dos MPa en una resistencia a tracción pueden ser irrelevantes; en una cota crítica de seguridad, no. Una vez declarado, el procedimiento de dos pruebas unilaterales (TOST) hace la pregunta correcta: ¿la diferencia se mantiene dentro de su margen?
La lectura más clara no es el valor p sino el intervalo. Si todo el intervalo de la diferencia cae dentro de ±margen, ambos son equivalentes. Si queda entero fuera, son realmente distintos. Y si cruza el margen, la respuesta honesta es que no se puede afirmar nada — lo que suele significar que faltan mediciones, no que la conclusión sea otra. SenSight informa los tres casos por separado, porque el tercero es el que la gente se salta.
Pruébalo en la app
Pruebe: pestana SPC, Herramientas de decision al final. Empiece por el plan de muestreo — introduzca el tamano de lote y lea la curva CO antes de fiarse de una regla de inspeccion heredada.