Re: Aprendiendo de mis errores en experimentos y análisis de datos - Parte 1: El escenario¿Qué sabemos sobre la variación del sistema de medición? Quizás gran parte de la variación se deba al sistema de medición y NO a una diferencia en las propiedades de las dos poblaciones ... lo que hace que se distingan los valores de la población verdaderos pero desconocidos para cada problemática.
Re: Aprendiendo de mis errores en experimentos y análisis de datos - Parte 1: El escenarioExcelente @Peter_Bartell ! Este es uno de los errores más comunes. Hablaré más sobre esto en una publicación futura. ¡Que sigan las ideas!
Re: Aprendiendo de mis errores en experimentos y análisis de datos - Parte 1: El escenarioOK ... uno más ... A menudo fui el estadístico de un nuevo equipo de desarrollo de productos y fui el recurso de "ir también" para todas las cosas relacionadas con el trabajo del equipo por parte del DOE. Por lo general, diseñamos nuestros experimentos e incluimos una discusión de todas las cuestiones logísticas asociadas con el experimento en reuniones de equipo. Luego, a un subconjunto del equipo se le asignaría la tarea de ejecutar el experimento o, a veces, entregar el diseño (generalmente mi tabla de datos JMP en un papel) a un grupo de personas no involucradas (en la planificación) para que realicen el experimento.
En más de una ocasión, la gente que está ejecutando el experimento ignorará cosas como la aleatorización (Caramba ... es un dolor cambiar entre bajas y altas temperaturas durante las próximas 8 horas de la noche en que estoy ejecutando este experimento ... Simplemente ejecutaré todos los mínimos juntos, luego todos los máximos ... ¿Qué puede doler? Además, seré más productivo porque no tengo que esperar a que las temperaturas se equilibren de una carrera a otra.)
O tome la responsabilidad de NO usar los niveles para un factor específico porque, "Bueno, cada vez que realizo un experimento para estas personas, ellos usan estos niveles ... deben haber cometido un error en la hoja de cálculo".
O algo sale mal ... como que una bolsa de materias primas de un proveedor está decidida a no ser utilizable ... así que cambian a las cosas "idénticas" de un proveedor diferente que está en la sala de almacenamiento. "Lo que no saben no les hará daño".
Y así sucesivamente con todo tipo de 'mejoras'.
Apuesto a que puedes inventar algunas otras?
Así que aprendí bastante rápido que la mejor manera de asegurar que no se produjeran este tipo de modos de fallo de procedimiento era insistir en estar físicamente presente durante la realización del experimento para observar ... y tal vez incluso echar una mano. Por lo general, encontré a los técnicos muy acogedores con este tipo de interés y ayuda en su trabajo. Además, aprendí mucho sobre sus trabajos y nuestros procesos al "Ir a Gemba". Un concepto magro que, traducido libremente significa "ir a ver dónde se realiza el trabajo". Claro que significó para algunas noches tarde ... ejecutar experimentos en el turno del cementerio y todo ... pero al final del día estábamos convencidos de que esta era la mejor manera de ejecutar nuestros proyectos.
Aprendiendo de mis errores en experimentos y análisis de datos - Parte 1: El escenario
I hope to help you avoid some mistakes in data analysis.I hope to help you avoid some mistakes in data analysis.I hope to help you avoid some mistakes in data analysis. Espero ayudarte a evitar algunos errores en el análisis de datos. He sido un ingeniero practicante durante muchos años. En el camino, he visto muchas pruebas realizadas y muchas formas diferentes de analizar datos. Más a menudo que me gustaría admitir, he estado en equipos que han cometido uno o más errores en el trabajo. El resultado final fue un costo para la empresa en tiempo y dinero.
Pensé que a algunos lectores les gustaría aprender de mis errores, por lo que se me ocurrió un escenario ficticio que encarna los diversos problemas que he encontrado en mi trabajo.
Aunque mi escenario es un ejemplo de ingeniería mecánica, es lo suficientemente simple y genérico como para que le resulte fácil traducirlo a su disciplina particular. Exploraremos este escenario en esta y en las próximas publicaciones del blog.
El escenario
Estamos tratando de mejorar la fuerza de un producto. Hemos identificado un tratamiento "A" que creemos que mejorará la fuerza. Nuestra gerencia quiere que lo probemos antes de implementar el cambio en la producción.
Creamos tres muestras con el Tratamiento A y medimos la fuerza de cada una. También recolectamos tres muestras estándar (o Control) y medimos la fuerza de cada una. Aquí están los datos:
Usando la plataforma Fit Y by X en JMP (ver más abajo), encontramos que la resistencia promedio de la muestra del Tratamiento A es ligeramente superior a la del Control. Sin embargo, la prueba t dice que no podemos decir (con una confianza del 95%) que la media de la población del Tratamiento A será diferente a la media de la población del Control. Paramos la prueba y comenzamos a buscar otra forma de mejorar la fuerza del producto.
Esto parece una prueba simple con resultados simples de interpretar, pero sostengo que se están cometiendo errores en el escenario anterior y que podemos estar descartando una solución perfectamente buena.
¿Qué crees que podrían ser? Estad atentos para mi siguiente post en estas series , llegando en aproximadamente una semana!
Así que eres nuevo en estadísticas y análisis de datos. El jefe le pide que determine si un nuevo proceso ayudará a su producto. Sabes un poco de estadística y sabes que se debe usar una prueba t. ¡Pero no siempre es tan simple como simplemente recolectar los datos y ejecutar el análisis! En esta serie de blogs, puede aprender de algunos de los errores que he visto en mis casi 40 años en ingeniería.
Blog de JMP
