Análisis de la importancia estadística de los datos porcentualesBuscando información sobre cómo analizar la propiedad del conjunto de datos adjunto a esta publicación.La empresa ha estado rastreando la cantidad de desechos en piezas cada semana y el número total de piezas producidas para obtener un porcentaje de desechos para cada semana.Las primeras 26 semanas son los datos de referencia, antes de que se tomaran medidas de mejora.Las semanas 27 a 31 representan las semanas posteriores a que se tomaron algunas acciones de mejora.
Sería un error usar el promedio general de los valores de % de desperdicio en el grupo Antes y Después porque los denominadores en cada fila de los porcentajes calculados son diferentes, por lo que usé Resumen para calcular el % de desperdicio general del grupo Antes y el grupo Después como se muestra aquí:
Los valores de porcentaje de desechos para ambos grupos son cercanos, por lo que no nos parece prometedor detectar una diferencia significativa entre los dos grupos.Mi pregunta específica es ¿cuál es la mejor manera de calcular esa (falta de) importancia?
También me pregunto si debería tratar la Cantidad producida como una columna de frecuencia, ya que cada semana que produjo cientos de piezas debería contribuir más al conjunto de datos que las semanas en las que solo se produjeron 2 piezas.Sin incorporar frecuencia cuando procesamos 2 piezas y tenemos 0 desechos que se trata igual que una semana donde procesamos 142 piezas y tenemos 0 desechos.Si uso la plataforma de ajuste Y por X y coloco la cantidad producida en Freq, obtengo un resultado significativo: el grupo Antes muestra más instancias de desechos en promedio que el grupo Después.
Análisis y modelado de datos básicosRe: Análisis de la importancia estadística de los datos porcentualesEstá viendo uno de los muchos problemas con este tipo de datos.La chatarra es un conjunto de potencialmente muchos mecanismos de falla. Por lo general, no es útil (no es muy eficiente) para evaluar las mejoras realizadas, ya que carece de discriminación. Podría resolver completamente un problema que reduce el desperdicio y surge otro problema que aumenta el desperdicio (neto 0 o peor).Mis sugerencias son:
1. Encuentre una medición mejor y más continua.Respuesta: ¿Para qué se desecha?Quizás una dimensión, peso, algún otro atributo físico que pueda medirse.
2. Hacer el trabajo necesario para comprender la estructura causal.Desarrollar hipótesis y utilizar muestreo dirigido o diseñar experimentos para comprender mejor el proceso.
Re: Análisis de la importancia estadística de los datos porcentualesSi tiene acceso a los datos semanales, le sugiero un enfoque de gráfico de control, ya que conoce el momento en el que cambió el proceso. Y para ser absolutamente claro... si la "significancia estadística" es de suma importancia para usted... un gráfico de control no es un método de inferencia estadística. Pero si tienes los datos semanales... ahí es donde empezaría. Mire fijamente el gráfico durante no más de 3 segundos. Si no ve un cambio en la línea... no está allí. De lo contrario, comenzará a convencerse a sí mismo de apoyar cualquiera que sea su punto de vista prevaleciente/esperado.
Re: Análisis de la importancia estadística de los datos porcentualesAgradezco la respuesta. El motivo del defecto son los cristales rotos.
Re: Análisis de la importancia estadística de los datos porcentualesRealmente no hay suficiente información para continuar.Desafortunadamente, esto es un problema con los foros abiertos.Comida para el pensamiento:
¿Cuál es el producto?¿Está fabricando vidrio o el vidrio es uno de los componentes del producto?¿Cuáles son los modos de fallo (por ejemplo, fatiga, sobrecarga, impacto...)?¿El vidrio roto se debe a la manipulación?¿Existen "gradaciones" de la cantidad rota?¿Sería útil realizar un seguimiento de la ubicación de la rotura? ¿Puedes medir la fuerza necesaria para romper el vidrio? Probablemente tengas hipótesis sobre la causa de la rotura del cristal.¿Has probado esas hipótesis con experimentación?
Re: Análisis de la importancia estadística de los datos porcentualesLas acciones de mejora que tomamos se basan en preguntas similares a las que usted hace.Tenemos mapas de procesos, espinas de pescado, SIPOC, etc., etc. Dado que no hay gradiente en la respuesta (el vidrio está roto o no), no creo que haya una manera de rastrearlo como un valor continuo.Podríamos medir el tiempo transcurrido entre los casos de vidrios rotos, pero eso sería una molestia en este momento.
Analizar las cantidades de desechos y tratar la cantidad de producción como una columna de frecuencia, como compartí anteriormente, podría ser una ruta aceptable, pero no estoy seguro.si un fila tiene una frecuencia f = 100 unidades de producción, entonces los resultados calculados son idénticos a los de una tabla de datos que contiene f copias de esa fila, cada una con una frecuencia de uno.Entonces, si la fila 1 muestra que se produjeron 100 unidades y se desechó 1 unidad, tratar las unidades producidas como la frecuencia sería lo mismo que registrar 1 pieza desechada 100 veces.Si la cantidad de producción fuera de 10 piezas y se desechara 1, el resultado se calcularía como si 1 pieza se desechara 10 veces.Parece una forma lógica de analizar la tasa de desperdicio teniendo en cuenta el tamaño de cada ejecución de producción.
Re: Análisis de la importancia estadística de los datos porcentualesTodavía no tengo idea de lo que estás haciendo, pero la respuesta es un desafío.La respuesta es un defecto (no un defecto). Es necesario normalizar los datos como porcentaje (#defectuoso/#producido x 100), pero siempre estará en el modo reactivo.Los gráficos P/NP pueden ser útiles, pero aún estás reaccionando.Hay que ser creativo para entender por qué se rompe y qué factores influyen en la rotura.No creo que la respuesta esté en ninguna técnica o análisis estadístico en particular.Por cierto, ¿no veo ningún conjunto de datos adjunto a tu primera publicación?
Re: Análisis de la importancia estadística de los datos porcentualesHacemos ventanas.Creemos que ya estamos mejorando el proceso al prevenir el problema. Mi pregunta es específicamente sobre cómo demuestro esa mejora con datos.Adjunto el conjunto de datos aquí.
Re: Análisis de la importancia estadística de los datos porcentualesHola @josh1 ,
Como @P_Bartell mencionado, probablemente sea mejor comenzar con un gráfico U para ver un cambio en el porcentaje de desechos con el tiempo. Semana como X, % Desecho como Y y Antes y Después como Fase en el generador de gráficos de control. SI cree que ha recopilado suficientes datos de semanas para después y ve un cambio hacia abajo, entonces probablemente haya un cambio positivo en el proceso.
Una prueba estadística ingenua que puede utilizar es un análisis de contingencia para ver si existe una asociación entre el antes y el después del cambio, como ha comenzado a intentar. ADVERTENCIA: Esta no es la mejor prueba para sus datos ya que existe una dependencia del tiempo en las primeras semanas del cambio (adaptación al nuevo proceso), por lo que tendría cuidado al interpretar los resultados. Podría haber una diferencia estática, pero las primeras semanas probablemente la desvirtúen. Después de recopilar algunas semanas más de datos, puede volver a esta prueba con la advertencia de eliminar las primeras dos o tres semanas de datos.
Está en el camino correcto para utilizar el ajuste Y por X para el análisis de contingencia. Los datos introducidos no son del todo correctos. Necesitas una mesa apilada. X sería Antes/Después e Y sería Desecho/No Desecho y la frecuencia se contaría.
Para hacer esto, primero restaría la cantidad de desechos de la cantidad producida para obtener el recuento de No desechos. Esto se puede hacer seleccionando ambas columnas, haciendo clic derecho y eligiendo Nueva fórmula de columna>Combinar>Diferencia (orden invertido)
Cambié el nombre de las columnas a Antes/Después, Desecho y No desecho.
Lo siguiente es resumir Scrap y Not Scarp usando Suma dentro de Resumen debajo de las tablas y usando Antes/Después como Grupo (esto es similar a lo que hizo antes). Luego, apile Suma (desecho) y Suma (no desecho) para que ahora tenga 3 columnas (usando Apilar en el menú Tablas)
Ahora puedes usar la nueva tabla para Ajustar Y por X como lo hacías antes.
Si luego utiliza la prueba de proporciones de dos muestras y también observa el análisis de medias de proporciones, parecerá que no hay diferencia, pero los límites de las decisiones posteriores son bastante amplios debido al tamaño de la muestra y a que las dos primeras semanas son más altas que el las próximas tres semanas (una tendencia en los datos).
No confiaría en este resultado debido a la tendencia en los datos como se ve en el gráfico U anterior (como @P_Bartell mencionado es el primer paso). Pero creo que el gráfico U dice que algo está empezando a suceder con el cambio en el proceso y vale la pena mostrarlo si se necesita alguna evidencia para la validación preliminar de que el cambio en el proceso está teniendo un efecto.
Espero que esto ayude al menos a cómo abordarlo en JMP. Creo que se necesitan más semanas de datos o utilizar otro tipo de prueba estadística que pueda adaptarse a las tendencias de los datos. No puedo aconsejar qué pruebas, pero estoy seguro de que otros aquí sí pueden hacerlo.
Mejor,
Re: Análisis de la importancia estadística de los datos porcentualesSólo una aclaración, los gráficos que debería utilizar son los gráficos P y NP.Estos son cuadros de Defectuosos (sólo puede haber uno por unidad).Las tablas C y U son para defectos (puede haber más de un defecto por unidad).
Mire siempre los datos gráficamente antes de calcular estadísticas.
He vuelto a adjuntar su conjunto de datos con 2 plataformas simples programadas (simplemente haga clic en las flechas verdes).
Parece que estás haciendo lo correcto.Es probable que deba tener paciencia para percibir el "cambio" en la calidad.
Re: Análisis de la importancia estadística de los datos porcentualesGracias por captar eso @statman
Re: Análisis de la importancia estadística de los datos porcentualesHe editado mi respuesta inicial para reflejar @statman Consejos de p/np. Leí mal la publicación original. Gracias por la corrección @statman .
