Documente Academic
Documente Profesional
Documente Cultură
Platón
Todos los histogramas tienen colas finitas debido a que los conjuntos de datos son
de tamaño y extensión finitos e invariablemente muestran algún grado de
discontinuidad en las mediciones.
SUS DATOS NO SON GENERADOS POR UN MODELO DE
PROBABILIDAD
La inferencia estadística nos exige brincar constantemente entre estos dos planos.
X, s
99.73%
ÍNDICES DE CAPACIDAD Y DE HABILIDAD
1 317400
2 45600
1 3 2700
4 64
La conversión de índices de habilidad a fracciones no
conformes es sencilla: escoja algún modelo de probabilidad,
5 .574 determine la relación entre el modelo y los límites de
especificación usando los índices de habilidad, y calcule el
2 6 .002 área bajo el modelo fuera de las especificaciones. El
resultado es su fracción no conforme.
Cuando los índices de habilidad llegan a ser sustancialmente mayores a 1.0, los
valores calculados dependerán de las áreas infinitesimales bajo las colas extremas
del modelo de probabilidad. Dado que la correspondencia entre nuestro modelo y
nuestros datos siempre fallará en las colas extremas, la conversión de índices de
habilidad grandes en partes por millón de no conformidades es cuestionable. El
utilizar las áreas infinitesimales bajo las colas extremas del modelo de probabilidad
que usted SUPUSO para caracterizar las salidas de su proceso es equivalente a elevar
una suposición a la tercera o cuarta potencia—el resultado simplemente no tiene
credibilidad.
PROBLEMAS CON LOS DEFECTOS POR MILLON: EL
DESPLAZAMIENTO 1.5 SIGMA
Dado que el proceso que genera nuestros datos puede cambiar, no podemos suponer
alegremente que nuestros datos se distribuyen de forma independiente e idéntica, ni
tampoco podemos definir un único modelo de probabilidad para nuestros datos. Aún si
escogemos el modelo de probabilidad a utilizar y estimamos la media o la variancia para
ese modelo, el hecho de que los procesos cambian, harán que tanto nuestro modelo
como los valores estimados de los parámetros sean inapropiados en algún momento.
PROBLEMAS CON LOS DEFECTOS POR MILLON: EL
DESPLAZAMIENTO 1.5 SIGMA
Esta gráfica X muestra un proceso que se está desplazando alrededor de ±3.0 sigma,
lo cual es el doble de desplazamiento asumido como el “peor caso” por los argumentos
de las partes por millón. Aunque algunos puntos caen fuera de los limites ninguno cae
muy lejos de esos límites. Cualquiera que haya dibujado algunas pocas gráficas de
comportamiento habrá encontrado puntos más alejados de los límites que los que se
aprecian en la figura.
PROBLEMAS CON LOS DEFECTOS POR MILLION: EL
DESPLAZAMIENTO 1.5 SIGMA
Ahora considere este otro gráfico X. Ahí vemos excursiones con puntos que están hasta 9
sigmas por arriba de la línea central y hasta 8 sigmas por abajo de la línea central.
Excursiones como éstas son bastante comunes en la práctica.
PROBLEMAS CON LOS DEFECTOS POR MILLION: EL
DESPLAZAMIENTO 1.5 SIGMA
O considere este tercer gráfico X, donde la ubicación del proceso se mueve en una
cantidad equivalente a 25 sigmas durante este período de dos semanas.
Las cuentas de fallas o defectos tienen un área de oportunidad definida como una porción
finita de algún espacio continuo subyacente. Esto significa que las tasas de defectos
inevitablemente tendrán unidades asociadas (p.ej. 2.5 defectos por cada 100 yardas de tela
en rollo).
La tasa de fallas de 2.5 defectos por cien yardas se convierte en un valor de Defectos Por
Millón de Oportunidades simplemente dividiendo entre el “número de oportunidades por
cada 100 yardas”. Si tuviéramos “una oportunidad por pie” entonces obtenemos:
Sin embargo, si pensamos que tenemos “una oportunidad por pulgada” obtendríamos:
Desde la perspectiva del análisis de datos existen varios conceptos sobre modelos y sus
parámetros que usted siempre debe tener en mente:
2.- Aunque los parámetros del modelo de probabilidad pueden usarse para caracterizar
la “ubicación del proceso" y la “dispersión del proceso" estos parámetros no son
inherentes al proceso, sino simplemente parte de la aproximación que hacemos al
comportamiento del proceso.
6.- Por esta razón, es equivocado pensar que los parámetros de un modelo de
probabilidad son los "valores verdaderos" de la ubicación o de la dispersión de un
proceso, o el creer que las colas extremas de un modelo de probabilidad en efecto
describirán lo que se verá en la práctica.