Tres decisiones que se toman a ojo
La mayoria de las decisiones de calidad llevan un calculo detras, y tres de ellas se toman casi siempre sin el. No por descuido — porque el calculo resulta ajeno y la estimacion parece razonable. Cada una tiene una respuesta correcta y cada una falla en silencio cuando se estima a ojo.
1. ¿Cuantas inspecciono? La respuesta habitual es una fraccion: el diez por ciento del lote, o veinte piezas porque veinte es un numero redondo. Ambas son arbitrarias. Lo que importa es el par de riesgos que esta dispuesto a asumir: a que nivel de calidad debe aceptarse un lote (lado del productor) y a que nivel debe rechazarse (lado del consumidor). Fije esos dos y el tamano de muestra y el numero de aceptacion salen solos — no queda nada que adivinar.
La curva que muestra lo que un plan hace de verdad es la curva caracteristica: abajo la tasa real de defectuosos, al lado la probabilidad de aceptar el lote. Todo plan tiene una, incluido el que usted invento. 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 mas a menudo de lo esperado.
Un numero 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 unico resumen honesto de un esquema de muestreo, y la mayoria de las herramientas no lo muestran nunca.
2. ¿En que rango caen las piezas? Aqui esta 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 esta entre estos limites". Son dos preguntas distintas. Un intervalo de confianza habla de la media y se estrecha cuando mide mas. Un intervalo de tolerancia habla de las piezas individuales; mas datos lo hacen mas seguro, pero apenas mas estrecho — porque las piezas varian realmente asi.
La diferencia no es sutil: en datos tipicos el intervalo de tolerancia es varias veces mas ancho. Citar el estrecho es prometer una dispersion que su proceso no puede sostener.
Dos advertencias. El factor habitual supone datos aproximadamente normales; con mediciones sesgadas coloca mal los limites, por eso SenSight prueba primero la normalidad y lo dice. Y existe una alternativa sin supuestos de distribucion — pero no es gratis: cubrir el 99 % con un 95 % de confianza usando el minimo y el maximo exige varios cientos de mediciones. El panel le dice cuantas, para que vea que le esta comprando el supuesto.
3. ¿El nuevo es igual que el viejo? Nuevo proveedor, nueva maquina, nuevo operario. Hace una prueba t, el valor p sale 0,4, y la conclusion pasa al informe como "sin diferencia significativa — ambos son equivalentes". Esa inferencia es invalida, y es probablemente el error estadistico mas caro en fabricacion.
Un valor p grande significa que la prueba no pudo demostrar una diferencia. Eso ocurre cuando no la hay — e igualmente cuando midio seis piezas y la prueba no tenia 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 cuanta diferencia es lo bastante pequena para ignorarla. Ese margen es una decision de ingenieria. Dos MPa en una resistencia a traccion pueden ser irrelevantes; en una cota critica 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 mas 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 conclusion sea otra. SenSight informa los tres casos por separado, porque el tercero es el que la gente se salta.
1. ¿Cuantas inspecciono? La respuesta habitual es una fraccion: el diez por ciento del lote, o veinte piezas porque veinte es un numero redondo. Ambas son arbitrarias. Lo que importa es el par de riesgos que esta dispuesto a asumir: a que nivel de calidad debe aceptarse un lote (lado del productor) y a que nivel debe rechazarse (lado del consumidor). Fije esos dos y el tamano de muestra y el numero de aceptacion salen solos — no queda nada que adivinar.
La curva que muestra lo que un plan hace de verdad es la curva caracteristica: abajo la tasa real de defectuosos, al lado la probabilidad de aceptar el lote. Todo plan tiene una, incluido el que usted invento. 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 mas a menudo de lo esperado.
Un numero 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 unico resumen honesto de un esquema de muestreo, y la mayoria de las herramientas no lo muestran nunca.
2. ¿En que rango caen las piezas? Aqui esta 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 esta entre estos limites". Son dos preguntas distintas. Un intervalo de confianza habla de la media y se estrecha cuando mide mas. Un intervalo de tolerancia habla de las piezas individuales; mas datos lo hacen mas seguro, pero apenas mas estrecho — porque las piezas varian realmente asi.
La diferencia no es sutil: en datos tipicos el intervalo de tolerancia es varias veces mas ancho. Citar el estrecho es prometer una dispersion que su proceso no puede sostener.
Dos advertencias. El factor habitual supone datos aproximadamente normales; con mediciones sesgadas coloca mal los limites, por eso SenSight prueba primero la normalidad y lo dice. Y existe una alternativa sin supuestos de distribucion — pero no es gratis: cubrir el 99 % con un 95 % de confianza usando el minimo y el maximo exige varios cientos de mediciones. El panel le dice cuantas, para que vea que le esta comprando el supuesto.
3. ¿El nuevo es igual que el viejo? Nuevo proveedor, nueva maquina, nuevo operario. Hace una prueba t, el valor p sale 0,4, y la conclusion pasa al informe como "sin diferencia significativa — ambos son equivalentes". Esa inferencia es invalida, y es probablemente el error estadistico mas caro en fabricacion.
Un valor p grande significa que la prueba no pudo demostrar una diferencia. Eso ocurre cuando no la hay — e igualmente cuando midio seis piezas y la prueba no tenia 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 cuanta diferencia es lo bastante pequena para ignorarla. Ese margen es una decision de ingenieria. Dos MPa en una resistencia a traccion pueden ser irrelevantes; en una cota critica 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 mas 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 conclusion 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.