Consideraciones acerca de los datos para Análisis de capacidad Seis en uno no normal

Para asegurar que los resultados sean válidos, considere las siguientes pautas al recopilar datos, realizar el análisis e interpretar los resultados.

Los datos deben ser continuos

Los datos continuos son mediciones que potencialmente pueden tomar cualquier valor numérico dentro de un rango de valores a lo largo de una escala continua, incluyendo valores fraccionados o decimales. Ejemplos comunes incluyen mediciones tales como longitud, peso y temperatura.

Si usted tiene datos de atributos, tales como conteos de defectuosos o defectos, utilice Análisis binomial de capacidad o Análisis de capacidad de Poisson.

Recolecte suficientes datos para obtener estimados confiables de la capacidad del proceso

Intente recolectar por lo menos un total de 100 puntos de datos (tamaño de subgrupo*número de subgrupos), como 25 subgrupos de tamaño 4 o 35 subgrupos de tamaño 3. Si usted no recolecta una cantidad suficiente de datos durante un período de tiempo suficientemente largo, los datos podrían no representar con exactitud diferentes fuentes de variación del proceso y las estimaciones podrían no indicar la capacidad real de su proceso. Puesto que los datos del proceso no siguen una distribución normal, trate de recolectar tamaños de subgrupo de por lo menos 5 observaciones o más, si es posible, para que sea más probable que las estimaciones de los límites de control estén cerca de los valores reales.

El proceso debe ser estable y estar bajo control

Si el proceso actual no es estable, entonces los índices de capacidad no se pueden utilizar con confianza para evaluar la capacidad futura y actual del proceso. Utilice las gráficas de control en el análisis de capacidad Seis en uno para determinar si el proceso es estable y está bajo control.

Los datos deben seguir la distribución no normal seleccionada

Si la distribución seleccionada no se ajusta a los datos de manera adecuada, las estimaciones de capacidad no serán exactas. Para determinar cuál distribución no normal se ajusta mejor a sus datos, utilice Identificación de distribución individual.