787837_es-ES

liliconcom

Cp/Cpk para atributos

¿Cómo calculo Cp/Cpk o Pp/Ppk para datos de atributos usando JMP?

Ingeniería de Calidad y ProcesosRe: Cp/Cpk para atributos

Bueno, ese es un asunto complicado, mi amigo JMPy.

Necesitarás tomar de alguna manera los datos de aprobado/reprobado y convertirlos en algo continuo, o mejor aún, obtener los datos continuos subyacentes para tomar la decisión de aprobado/reprobado.

A menudo utilizamos gráficos de control de atributos (U, P, C, P', U') para datos de atributos para rastrear las proporciones de aprobación/reprobación a lo largo del tiempo.

La parte complicada es que la capacidad del proceso depende de calcular un "sigma" (general/a largo plazo o dentro/a corto plazo) y comparar el número de "sigma" con la distancia entre la media y el límite de especificación más cercano... y de alguna manera supone que las cosas son generalmente "normales".

Los datos de atributos tienen una distribución binomial, por lo que aún podemos obtener límites de control para trazar datos en un gráfico de atributos, pero no tanto la capacidad del proceso.

En este ejemplo tengo cajas de 10 unidades (n ensayos = 10) y una variedad aleatoria de aprobados/reprobados para cada caja.

 

Re: Cp/Cpk para atributos

Hola,

¡Muchas gracias!
¿Podemos seguir discutiendo eso, por favor?

Hay un archivo de datos de muestra llamado "Braces" (en Samples\Data\Quality Control) y hay datos de # defectos con tamaños de muestra variables. Si tenemos algún límite de especificación, por ejemplo, digamos hasta 25 defectos, la unidad es "aprobado", entonces ¿por qué no podemos simplemente calcular los índices de capacidad utilizando la opción Capacidad del proceso en la plataforma de distribución, donde LSL=objetivo=0 y USL=25...?
y digamos que es una distribución no paramétrica....

¿Estoy mezclando muchas cosas aquí?

Re: Cp/Cpk para atributos

Corrección: encuentre una proporción (número de defectos/tamaño de la unidad) y luego los límites de especificación para la proporción

Re: Cp/Cpk para atributos

Reformulando un poco la pregunta:

Como no tengo tus datos...

Supongamos que tengo una tabla con 100 filas y esta fórmula en una columna:

Abs( Round( Random Normal( 10, 10 ), 1 ) )

Estos datos representan el porcentaje de productos defectuosos por lote, serie u oblea, y tienen un límite de especificación superior del 25 %.

Mis datos podrían verse así.

Podría ajustar una distribución Weibul o Gamma o Exponencial a los datos.

Luego, a partir de esa distribución ajustada, pude obtener un informe de capacidad del proceso.

Es importante tener en cuenta que ya no buscamos la capacidad de un atributo, sino una variable, que es el porcentaje de defectos.

Todavía podría ser una muy buena idea ejecutar un gráfico P, C o U junto con estos datos.

Re: Cp/Cpk para atributos

Perdone mi editorial y, si le molesta, ignórelo, pero la capacidad en relación con los defectos/defectuosos no tiene sentido. ¿Por qué pondría una especificación sobre la cantidad de defectuosos/defectos? ¿Está bien tener defectuosos y defectos? ¿Cuál es el propósito de una métrica de capacidad de este tipo? ¿Qué es una métrica de capacidad aceptable? ¿Cómo evalúa la coherencia antes de calcular la capacidad? ¿Quiere ser constantemente malo? ¿No quiere averiguar qué está causando los defectos en lugar de informar una métrica de capacidad?

Byron tiene toda la razón. Primero hay que darse cuenta de que hay una diferencia entre defectuosos y defectos. En el caso de los defectuosos, hay un límite en la cantidad de muestras. Se clasifican según si son aptos o no (distribución binomial). En el caso de los defectos, no hay límite en la cantidad de defectos por muestra. Se trata de datos de recuento (distribución de Poissonly). La primera idea de Byron es utilizar una medida continua en lugar de una métrica categórica/discreta. ¿Cuál es el defecto? ¿Se puede medir? Por ejemplo, un rasguño visual... ¿se puede medir la longitud, la profundidad y el área del rasguño? ¿O por qué falla (pasa/no pasa)? La dimensión no cumple con la especificación. A continuación, se mide la dimensión real.

Estimaciones de "sigma" para defectuosos (gráficos p):

Y para los defectos (gráficos c):

Supondríamos que esos valores (p y c) son constantes, lo cual definitivamente no es lo que queremos. Queremos que se vuelvan cada vez más pequeños.