Tre decisioni prese a occhio
Dietro la maggior parte delle decisioni sulla qualità c'è un calcolo, e tre di esse vengono prese quasi sempre senza. Non per trascuratezza — perché il calcolo è poco familiare e la stima sembra ragionevole. Ognuna ha una risposta giusta e ognuna sbaglia in silenzio quando si valuta a occhio.
1. Quanti pezzi controllo? La risposta abituale è una frazione: il dieci per cento del lotto, o venti pezzi perché venti è un numero tondo. Entrambe arbitrarie. Ciò che conta è la coppia di rischi che siete disposti a portare: a quale livello di qualità un lotto va accettato (lato produttore) e a quale va respinto (lato consumatore). Fissati questi due, numerosità campionaria e numero di accettazione seguono da soli — non resta nulla da indovinare.
La curva che mostra cosa fa davvero un piano è la curva operativa: in ascissa la frazione difettosa reale, in ordinata la probabilità di accettare il lotto. Ogni piano ne ha una, compreso quello che avete inventato. SenSight la disegna e vi segna sopra i vostri due punti di rischio. La sorpresa consueta è quanto sia dolce: un piano che sembra severo accetta un lotto cattivo molto più spesso di quanto ci si aspetti.
Un numero da conoscere è l'AOQL, la peggiore qualità media in uscita. Se i lotti respinti vengono controllati al 100 % e corretti, la qualità che arriva al cliente è limitata, e l'AOQL è quel limite. È l'unica sintesi onesta di uno schema di campionamento, e la maggior parte degli strumenti non la mostra mai.
2. In quale intervallo cadono i pezzi? Qui nasce l'errore che arriva al cliente. Avete trenta misure, calcolate un intervallo di confidenza al 95 % e lo scrivete nel rapporto come «il 99 % dei pezzi sta entro questi limiti». Sono due domande diverse. Un intervallo di confidenza riguarda la media e si stringe misurando di più. Un intervallo di tolleranza riguarda i singoli pezzi; più dati lo rendono più sicuro ma quasi per nulla più stretto — perché i pezzi variano davvero così.
La differenza non è sottile: su dati tipici l'intervallo di tolleranza è parecchie volte più ampio. Citare quello stretto significa promettere una dispersione che il processo non regge.
Due cautele. Il fattore usuale assume dati all'incirca normali; su misure asimmetriche colloca male i limiti, perciò SenSight testa prima la normalità e lo dice. Ed esiste un'alternativa senza ipotesi di distribuzione — ma non è gratis: coprire il 99 % con il 95 % di confidenza usando minimo e massimo richiede diverse centinaia di misure. Il pannello vi dice quante, così vedete cosa vi sta facendo risparmiare l'ipotesi.
3. Il nuovo è uguale al vecchio? Nuovo fornitore, nuova macchina, nuovo operatore. Fate un test t, il p esce 0,4, e la conclusione finisce nel rapporto come «nessuna differenza significativa — i due sono equivalenti». Quell'inferenza non è valida, ed è probabilmente l'errore statistico più costoso in produzione.
Un p grande significa che il test non ha potuto mostrare una differenza. Succede quando non c'è — e allo stesso modo quando avete misurato sei pezzi e il test non aveva alcuna potenza. L'assenza di prova viene letta come prova di assenza.
Dimostrare che due cose sono uguali richiede un test proprio, e richiede qualcosa che i dati non possono darvi: dichiarare quanta differenza è abbastanza piccola da ignorare. Quel margine è una decisione ingegneristica. Due MPa su una resistenza a trazione possono essere irrilevanti; su una quota critica per la sicurezza no. Una volta dichiarato, la procedura dei due test unilaterali (TOST) pone la domanda giusta: la differenza resta dentro il vostro margine?
Il modo più chiaro di leggere il risultato non è il p ma l'intervallo. Se l'intero intervallo della differenza sta dentro ±margine, i due sono equivalenti. Se sta tutto fuori, sono davvero diversi. E se scavalca il margine, la risposta onesta è che non si può dire nulla — il che di solito significa che servono più misure, non una conclusione diversa. SenSight riporta i tre esiti separatamente, perché il terzo è quello che si salta.
1. Quanti pezzi controllo? La risposta abituale è una frazione: il dieci per cento del lotto, o venti pezzi perché venti è un numero tondo. Entrambe arbitrarie. Ciò che conta è la coppia di rischi che siete disposti a portare: a quale livello di qualità un lotto va accettato (lato produttore) e a quale va respinto (lato consumatore). Fissati questi due, numerosità campionaria e numero di accettazione seguono da soli — non resta nulla da indovinare.
La curva che mostra cosa fa davvero un piano è la curva operativa: in ascissa la frazione difettosa reale, in ordinata la probabilità di accettare il lotto. Ogni piano ne ha una, compreso quello che avete inventato. SenSight la disegna e vi segna sopra i vostri due punti di rischio. La sorpresa consueta è quanto sia dolce: un piano che sembra severo accetta un lotto cattivo molto più spesso di quanto ci si aspetti.
Un numero da conoscere è l'AOQL, la peggiore qualità media in uscita. Se i lotti respinti vengono controllati al 100 % e corretti, la qualità che arriva al cliente è limitata, e l'AOQL è quel limite. È l'unica sintesi onesta di uno schema di campionamento, e la maggior parte degli strumenti non la mostra mai.
2. In quale intervallo cadono i pezzi? Qui nasce l'errore che arriva al cliente. Avete trenta misure, calcolate un intervallo di confidenza al 95 % e lo scrivete nel rapporto come «il 99 % dei pezzi sta entro questi limiti». Sono due domande diverse. Un intervallo di confidenza riguarda la media e si stringe misurando di più. Un intervallo di tolleranza riguarda i singoli pezzi; più dati lo rendono più sicuro ma quasi per nulla più stretto — perché i pezzi variano davvero così.
La differenza non è sottile: su dati tipici l'intervallo di tolleranza è parecchie volte più ampio. Citare quello stretto significa promettere una dispersione che il processo non regge.
Due cautele. Il fattore usuale assume dati all'incirca normali; su misure asimmetriche colloca male i limiti, perciò SenSight testa prima la normalità e lo dice. Ed esiste un'alternativa senza ipotesi di distribuzione — ma non è gratis: coprire il 99 % con il 95 % di confidenza usando minimo e massimo richiede diverse centinaia di misure. Il pannello vi dice quante, così vedete cosa vi sta facendo risparmiare l'ipotesi.
3. Il nuovo è uguale al vecchio? Nuovo fornitore, nuova macchina, nuovo operatore. Fate un test t, il p esce 0,4, e la conclusione finisce nel rapporto come «nessuna differenza significativa — i due sono equivalenti». Quell'inferenza non è valida, ed è probabilmente l'errore statistico più costoso in produzione.
Un p grande significa che il test non ha potuto mostrare una differenza. Succede quando non c'è — e allo stesso modo quando avete misurato sei pezzi e il test non aveva alcuna potenza. L'assenza di prova viene letta come prova di assenza.
Dimostrare che due cose sono uguali richiede un test proprio, e richiede qualcosa che i dati non possono darvi: dichiarare quanta differenza è abbastanza piccola da ignorare. Quel margine è una decisione ingegneristica. Due MPa su una resistenza a trazione possono essere irrilevanti; su una quota critica per la sicurezza no. Una volta dichiarato, la procedura dei due test unilaterali (TOST) pone la domanda giusta: la differenza resta dentro il vostro margine?
Il modo più chiaro di leggere il risultato non è il p ma l'intervallo. Se l'intero intervallo della differenza sta dentro ±margine, i due sono equivalenti. Se sta tutto fuori, sono davvero diversi. E se scavalca il margine, la risposta onesta è che non si può dire nulla — il che di solito significa che servono più misure, non una conclusione diversa. SenSight riporta i tre esiti separatamente, perché il terzo è quello che si salta.
Provalo nell'app
Da provare: scheda SPC, Strumenti decisionali in fondo. Parti dal piano di campionamento — inserisci la dimensione del lotto e leggi la curva operativa prima di fidarti di una regola di controllo ereditata.