{"id":1035,"date":"2019-06-13T12:18:46","date_gmt":"2019-06-13T11:18:46","guid":{"rendered":"http:\/\/lssq-consulting.com\/?p=1035"},"modified":"2020-04-24T11:57:02","modified_gmt":"2020-04-24T10:57:02","slug":"datos-y-procesos","status":"publish","type":"post","link":"https:\/\/lssq-consulting.com\/en\/datos-y-procesos\/","title":{"rendered":"Los datos y el comportamiento de los procesos"},"content":{"rendered":"

Si recopilamos datos de un proceso es para pasar a la acci\u00f3n: tomar medidas. Cuando estas medidas se refieren a la situaci\u00f3n actual o presente de un proceso, entonces el an\u00e1lisis de los datos se limita a medir bien. Esto es lo que W. Deming denomin\u00f3 un “estudio enumerativo<\/em>“.<\/p>\n

En un estudio enumerativo del 100% de los elementos no hay inferencia estad\u00edstica alguna. La \u00fanica incertidumbre es la posibilidad de que hayamos cometido alg\u00fan error en la medici\u00f3n. Si esta\u00a0incertidumbre es insignificante, decimos que las mediciones son exactas. Cuando la incertidumbre es sustancial, tendremos que evaluar el procedimiento de medici\u00f3n.<\/p>\n

Descripciones basadas en muestras<\/h4>\n

Una inspecci\u00f3n al 100% puede ser muy costosa y no funciona cuando las mediciones son destructivas. Por eso lo habitual es trabajar con una muestra del total. Cuando solo se mide parte del material en cuesti\u00f3n, la descripci\u00f3n de la situaci\u00f3n actual de un proceso depende de cu\u00e1n buena es la suposici\u00f3n de que los elementos medidos en la muestra son esencialmente los mismos que los elementos que no medidos. Y es esta suposici\u00f3n, justamente, la clave de tomamos despu\u00e9s la acci\u00f3n correcta.<\/p>\n

La l\u00f3gica dicta que, para tener una muestra representativa, necesitamos usar un m\u00e9todo de muestreo que asegure que cada elemento tiene la misma posibilidad de ser incluido en la muestra. Por esto mismo el muestreo aleatorio es el enfoque preferido para los estudios enumerativos.\u00a0Cuando disponemos de una muestra aleatoria, la incertidumbre se calcula por inferencia estad\u00edstica. Las estad\u00edsticas descriptivas se toman como estimaciones puntuales del lote en su conjunto. Los intervalos de confianza se utilizan para definir rangos de valores descriptivos consistentes con los datos observados. Y se pueden usar pruebas para determinar si el lote cumple con alg\u00fan valor de especificaci\u00f3n.<\/p>\n

\"\"<\/p>\n

Por tanto, en un estudio enumerativo, si la muestra se ha obtenido de una manera que pueda hacerla representativa del lote, se puede usar inferencia estad\u00edstica para cuantificar la incertidumbre al extrapolar la muestra al lote. Y la acci\u00f3n final tomada (sobre el lote) depender\u00e1 de dos cosas: la representatividad de la muestra y el resultado de la inferencia estad\u00edstica.<\/p>\n

Por supuesto, si la muestra no representa correctamente el lote, tanto las inferencias como las acciones tomadas pueden ser incorrectas. Son las consecuencias de una acci\u00f3n incorrecta las que determinan el esfuerzo que se debe aplicar para obtener una muestra razonablemente representativa. Los planes de muestreo aleatorio son los preferiso, pero en la pr\u00e1ctica pueden ser complejos. Lo que es razonable para el papel puede no ser tan factible para la producci\u00f3n. La soluci\u00f3n pasa por usar muestras sistem\u00e1ticas en lugar de un muestreo aleatorio.<\/p>\n

Lo que es cierto es una cosa: con independencia de c\u00f3mo se obtenga la muestra, antes de tomar decisiones hay que valorar bien la representatividad para la muestra.<\/p>\n

El t-test de dos muestras<\/h4>\n

El problema enumerativo lo resolvi\u00f3 Gossett (un estad\u00edstico que trabajaba para Guinness, en Dubl\u00edn, seleccionando las mejores variedades de cebada) con la denominada “prueba t de Student<\/em>” para dos muestras, posteriormente generalizada por el grand\u00edsimo Ronald Fisher (autor de la “prueba F<\/em>“).<\/p>\n

\"\"<\/p>\n

Fisher analizaba resultados de experimentos agr\u00edcolas. Quer\u00eda predecir el comportamiento de dos variedades de trigo en el futuro. No solo pretend\u00eda saber si la variedad A ten\u00eda un rendimiento m\u00e1s alto que la variedad B, sino si la diferencia persistir\u00eda en las siguientes temporadas de crecimiento. Ya no era suficiente una descripci\u00f3n de lo que estaba sucediendo: hab\u00eda que extrapolar los datos del presente (y del pasado) al futuro.<\/p>\n

En general, en agricultura este tipo de predicci\u00f3n se ha resuelto empleando un gran n\u00famero de parcelas experimentales que representan, cada una, diferentes condiciones ambientales. Las parcelas se asignan de una manera estructurada, pero aleatoria, a cada una de las variedades que se someten a prueba. Si se puede encontrar una diferencia detectable entre las dos variedades para alguna de todas estas condiciones, entonces es razonable esperar que esta diferencia persista de una temporada a otra. En este contexto, el an\u00e1lisis estad\u00edstico consiste en filtrar el ruido para encontrar se\u00f1ales que correspondan a los tratamientos que se est\u00e1n estudiando. Dicho de otro modo, el nivel alfa establece c\u00f3mo se han separado las se\u00f1ales del ruido. Cuando se encuentra una se\u00f1al potencial (es decir, cuando se observa un valor de p m\u00e1s peque\u00f1o que el nivel alfa), quienes disponen del conocimiento apropiado han de valorar la utilidad del resultado y bajo qu\u00e9 condiciones dicho resultado puede ser predictivo.<\/p>\n

Pero, \u00bfqu\u00e9 sucede cuando no podemos muchas unidades experimentales diferentes? En la industria no es com\u00fan el lujo de contar con m\u00faltiples unidades experimentales y tampoco se puede esperar un a\u00f1o entero para recopilar datos \u00fatiles. Los datos se deben recopilar, analizar y medir en un calendario estricto y con un presupuesto exiguo.<\/p>\n

Predicciones a futuro<\/h4>\n

Cuando se da paso a la acci\u00f3n, no nos preocupan las condiciones presentes sino las futuras. Debemos extrapolar de los elementos medidos a los elementos que a\u00fan no se han producido. En consecuencia, todo el inter\u00e9s se centra en el proceso. Este uso de los datos para hacer predicciones de forma que podamos actuar en el proceso es lo que Deming denomin\u00f3 un “estudio anal\u00edtico<\/em>“. Todos somos conscientes de lo importante que es para los negocios predecir el futuro…<\/p>\n

Como no podemos medir lo que a\u00fan no se ha producido, las observaciones empleadas en un estudio anal\u00edtico a menudo son las mismas que las empleadas en un estudio enumerativo. Sin embargo, predecir es diferente a describir: el an\u00e1lisis tambi\u00e9n ser\u00e1, por tanto, diferente.<\/p>\n

La primera diferencia se encuentra en la interpretaci\u00f3n de los datos. No importa si representan el 100% del producto fabricado o tan solo una fracci\u00f3n. Y dado que es imposible tomar una muestra aleatoria del futuro, las observaciones se convierten de inmediato en muestras de an\u00e1lisis con independencia de c\u00f3mo se obtuvieran. La difusi\u00f3n temporal de los datos se convierte en la principal consideraci\u00f3n. Esto otorga gran importancia a los m\u00e9todos sistem\u00e1ticos de selecci\u00f3n de elementos (a diferencia de los m\u00e9todos de muestreo aleatorio utilizados en estudios enumerativos). Por supuesto, los datos tienen que ser organizados racionalmente. es decir, debemos respetar la estructura y el contexto de los mismos al realizar la predicci\u00f3n. Esta es la raz\u00f3n por la cual los estudios anal\u00edticos ponen \u00e9nfasis en el muestreo racional y en la sub-agrupaci\u00f3n racional en oposici\u00f3n a los muchos procedimientos de muestreo aleatorio desarrollados para los estudios enumerativos.<\/p>\n

\"\"<\/p>\n

Una segunda diferencia entre los estudios enumerativos y los estudios anal\u00edticos es el tipo de estad\u00edstica utilizada. Los primeros tienden a basarse en medidas sim\u00e9tricas de dispersi\u00f3n (medidas globales), mientras que los estudios anal\u00edticos utilizan medidas de dispersi\u00f3n que dependen de la secuencia de datos en el orden del tiempo o la estructura del experimento (medidas dentro del subgrupo). Dado que la predicci\u00f3n implica una caracterizaci\u00f3n del comportamiento del proceso a lo largo plazo, esta distinci\u00f3n es crucial.<\/p>\n

An\u00e1lisis de datos para estudios anal\u00edticos<\/h4>\n

El prop\u00f3sito de un estudio anal\u00edtico es tomar acci\u00f3n en el proceso. Las acciones involucran las entradas del proceso, por lo que resulta \u00fatil distinguir dichas entradas en dos grupos: los “factores de control<\/em>“, usados para controlar el proceso, y los “factores no controlados<\/em>“, que son\u00a0todas las dem\u00e1s, sean o no conocidas.<\/p>\n

Si mantenemos constantes los factores de control, evitamos la variaci\u00f3n del flujo de productos. Por tanto, los factores de control proporcionan una manera de ajustar el promedio del proceso, pero tienen poco o ning\u00fan impacto en la variaci\u00f3n del mismo.<\/p>\n

Pr\u00e1cticamente todas las variaciones del proceso provendr\u00e1n del grupo de factores no controlados. Para reducir la variaci\u00f3n en el flujo de productos y, por tanto, para reducir los costes excesivos de producci\u00f3n, tendremos que mover algunas entradas del conjunto de factores no controlados al conjunto de factores de control.\u00a0Esto significa que si queremos ajustar el promedio del proceso, deberemos estudiar los niveles para el grupo de factores de control, pero si queremos reducir la variaci\u00f3n del proceso, tendremos que estudiar las entradas en el grupo de factores no controlados.<\/p>\n

\"\"<\/p>\n

Aqu\u00ed es la econom\u00eda se vuelve tirana No podemos permitirnos que cada posible entrada sea un factor de control, incluso si tuvi\u00e9ramos suficiente conocimiento para hacerlo. Adem\u00e1s, el gran n\u00famero de entradas en el grupo de factores no controlados hace que sea extremadamente dif\u00edcil identificar qu\u00e9 entradas debemos estudiar. En lugar de estudiar los efectos de los insumos seleccionados, necesitamos un enfoque que no solo nos permita conocer la gran cantidad de insumos existentes en el grupo de factores no controlados, sino que nos permita hacerlo sin tener que identificar entradas espec\u00edficas de antemano. \u00bfSuena prolijo? No se preocupe: es justo lo que nos permite hacer el gr\u00e1fico de comportamiento del proceso.<\/p>\n

Un gr\u00e1fico de comportamiento (o control) del proceso no hace suposiciones sobre el mismo o los datos que lo caracterizan. Simplemente permite que los datos definan tanto el potencial del proceso gen\u00e9rico como su rendimiento real. Luego combina ambos en un solo gr\u00e1fico para permitir al usuario caracterizar el proceso como predecible o impredecible.<\/p>\n

\"\"<\/p>\n

Dado que el grupo de factores no controlados es la fuente de variaci\u00f3n en el flujo, esta caracterizaci\u00f3n del comportamiento del proceso nos dice algo sobre dicho grupo de factores no controlados.<\/p>\n

Proceso predecible<\/h4>\n

Si el proceso se ha comportado de manera predecible en el pasado, supondremos que el grupo de factores no controlados consiste en un gran n\u00famero de relaciones de causa-efecto donde ninguna causa tiene un efecto dominante. Se dice que la variaci\u00f3n rutinaria de un proceso predecible es el resultado de causas comunes<\/strong>.<\/p>\n

Aqu\u00ed ser\u00eda un error seleccionar una entrada no controlada y agregarla al conjunto de factores de control. La gran cantidad de entradas, m\u00e1s la ausencia de una entrada \u00fanica con car\u00e1cter dominante, es lo que ocasiona que hacer cambios en el proceso no sea econ\u00f3mico. Cuando se opera de manera predecible, un proceso se lleva hasta su m\u00e1ximo potencial. Tendr\u00e1 varianza m\u00ednima, consistente con la operaci\u00f3n econ\u00f3mica. Por eso tratar de controlar una causa com\u00fan es una p\u00e9sima estrategia (baj\u00edsima rentabilidad).<\/p>\n

Cuando el proceso ha sido predecible en el pasado, es l\u00f3gico esperar que contin\u00fae predecible en el futuro. El comportamiento del pasado es la base de nuestras predicciones de futuro.<\/p>\n

Proceso impredecible<\/h4>\n

Si el proceso muestra evidencia de ser impredecible, hemos de pensar que el grupo de factores no controlados contiene una o m\u00e1s relaciones causa-efecto dominantes que aparecen por encima de la variaci\u00f3n rutinaria. Las causas con estos efectos dominantes se denominan causas asignables<\/strong> de variaci\u00f3n excepcional.<\/p>\n

En este caso, el proceso ofrece pruebas s\u00f3lidas de que hay entradas no controladas con efectos dominantes. Cuando un proceso opera de manera impredecible, est\u00e1 operando por debajo de su potencial completo. No tendr\u00e1 una variaci\u00f3n m\u00ednima y no ser\u00e1 econ\u00f3mico. Cuando hay causas asignables casi siempre resulta econ\u00f3mico identificar dichas entradas de proceso y hacerlas parte del conjunto de factores de control.<\/p>\n

Esta es una estrategia de alta rentabilidad por dos razones. Cuando hacemos que una causa asignable forme parte del grupo de factores de control, no solo obtenemos un elemento adicional para ajustar el promedio del proceso, tambi\u00e9n eliminamos una gran parte de la variaci\u00f3n del producto. De esta manera, aunque el proceso haya sido impredecible en el pasado, aprendemos c\u00f3mo mejorarlo y nos acercamos a operarlo de manera predecible en el futuro.<\/p>\n

No es l\u00f3gico suponer que un proceso que ha sido operado de manera impredecible en el pasado vaya a volverse espont\u00e1neamente predecible en el futuro. A menos que intervengamos, las causas asignables, con sus efectos dominantes, continuar\u00e1n llevando nuestro proceso de manera err\u00e1tica. Por tanto, aunque nuestros l\u00edmites de proceso natural puedan aproximarse al potencial de proceso hipot\u00e9tico, ning\u00fan c\u00e1lculo puede proporcionar una predicci\u00f3n confiable de lo que realmente producir\u00e1 un proceso impredecible.<\/p>\n

\"\"<\/p>\n

En resumen<\/h4>\n

Los estudios enumerativos buscan describir el presente. Enumeran o estiman lo existente para adoptar medidas al respecto. Las inferencias estad\u00edsticas pueden cubrir la incertidumbre involucrada en la extrapolaci\u00f3n de una muestra representativa al lote, pero no pueden cuando la muestra no es representativa. Se debe utilizar alg\u00fan criterio para decidir si la muestra es representativa antes de justificar la acci\u00f3n.<\/p>\n

Imponer las t\u00e9cnicas y requisitos de los estudios enumerativos a los estudios anal\u00edticos es signo de confusi\u00f3n.\u00a0Los estudios anal\u00edticos buscan hacer predicciones para que se puedan tomar acciones apropiadas en el proceso de producci\u00f3n. Aqu\u00ed la extrapolaci\u00f3n es a lo largo plazo en el tiempo y todas las muestras se convierten en muestras de juicio o an\u00e1lisis. La distribuci\u00f3n temporal de los datos y la selecci\u00f3n sistem\u00e1tica de los elementos a medir son importantes.<\/p>\n

En un estudio anal\u00edtico, experimentar con los niveles de los factores de control puede permitir modificar el promedio del proceso, pero rara vez conducir\u00e1 a una reducci\u00f3n en la variaci\u00f3n del proceso. La variaci\u00f3n del proceso proviene del grupo de factores no controlados y el gr\u00e1fico de control del proceso permite considerar todos los factores no controlados de una sola vez.<\/p>\n

Un proceso predecible existir\u00e1 como una entidad bien definida. Tendr\u00e1 un promedio de proceso constante y funcionar\u00e1 con una variaci\u00f3n m\u00ednima. Podemos usar nuestros datos para hacer predicciones y no ser\u00e1 preciso realizar ninguna acci\u00f3n.<\/p>\n

Un proceso impredecible no funciona con variaci\u00f3n m\u00ednima. Las estimaciones de las caracter\u00edsticas del proceso ser\u00e1n prematuras. Se requiere acci\u00f3n. Hasta que no se encuentren las causas asignables y formen parte del conjunto de factores de control, toda predicci\u00f3n es in\u00fatil. Trabajar para hacer que las causas asignables formen parte del conjunto de factores de control es una estrategia de alta rentabilidad.<\/p>\n

Buscar causas asignables de variaci\u00f3n excepcional cuando el proceso se realiza de manera predecible es una p\u00e9rdida de tiempo y esfuerzo. Tratar de controlar las causas comunes de la variaci\u00f3n de rutina es una estrategia de baja rentabilidad.<\/p>\n

Asumir que el pasado predecir\u00e1 el futuro cuando las causas asignables est\u00e9n presentes es simplemente una ilusi\u00f3n. Si no se controlan las causas asignables de variaci\u00f3n excepcional, aumentar\u00e1 la variaci\u00f3n del proceso y dar\u00e1 como resultado costos adicionales.<\/p>\n

Finalmente, la \u00fanica raz\u00f3n para recopilar datos es la de poder tomar medidas. Las probabilidades asociadas con el an\u00e1lisis de datos no pueden justificar ninguna acci\u00f3n. Ya sea un an\u00e1lisis enumerativo o anal\u00edtico, los resultados deber\u00e1n evaluarse a la luz del conocimiento de la materia antes de poder tomar medidas. Aunque las estad\u00edsticas matem\u00e1ticas y las probabilidades resultantes hagan parecer que el problema de decisi\u00f3n es riguroso y exacto, al final las acciones siempre han de involucrar alg\u00fan elemento de juicio.<\/p>\n

 <\/p>\n","protected":false},"excerpt":{"rendered":"

Si recopilamos datos de un proceso es para pasar a la acci\u00f3n: tomar medidas. Cuando estas medidas se refieren a la situaci\u00f3n actual o presente de un proceso, entonces el an\u00e1lisis de los datos se limita a medir bien. Esto es lo que W. Deming denomin\u00f3 un “estudio enumerativo“. En un estudio enumerativo del 100%…<\/p>\n

Read More<\/a><\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[66,67],"tags":[107,106,14],"class_list":["post-1035","post","type-post","status-publish","format-standard","hentry","category-lean-six-sigma","category-six-sigma","tag-control","tag-datos","tag-six-sigma"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/lssq-consulting.com\/en\/wp-json\/wp\/v2\/posts\/1035","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/lssq-consulting.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/lssq-consulting.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/lssq-consulting.com\/en\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/lssq-consulting.com\/en\/wp-json\/wp\/v2\/comments?post=1035"}],"version-history":[{"count":0,"href":"https:\/\/lssq-consulting.com\/en\/wp-json\/wp\/v2\/posts\/1035\/revisions"}],"wp:attachment":[{"href":"https:\/\/lssq-consulting.com\/en\/wp-json\/wp\/v2\/media?parent=1035"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/lssq-consulting.com\/en\/wp-json\/wp\/v2\/categories?post=1035"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/lssq-consulting.com\/en\/wp-json\/wp\/v2\/tags?post=1035"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}