Como você usa o SPC para detectar e corrigir assimetria e curtose em seus dados?

1 Por que a assimetria e a curtose importam

A assimetria e a curtose podem afetar a precisão e a confiabilidade dos indicadores de processo, como média, desvio padrão, limites de controle e índices de capacidade. Se seus dados estiverem distorcidos, isso significa que seu processo não está centrado em torno do valor de destino e pode ter mais variação em uma direção do que na outra. Isso pode levar a mais defeitos, desperdício ou insatisfação do cliente. Se seus dados são kurtotic, isso significa que seu processo tem valores mais ou menos extremos do que o esperado, o que pode indicar instabilidade, outliers ou não normalidade. Isso pode afetar a validade de seus testes estatísticos e suposições e reduzir sua capacidade de processo.

2 Como detectar assimetria e curtose

Uma das maneiras mais simples de detectar assimetria e curtose em seus dados é usar um histograma, que é uma representação gráfica da frequência de suas medições em diferentes intervalos. Um histograma pode mostrar a forma da distribuição de dados e ajudá-lo a compará-la com uma distribuição normal, que é simétrica e em forma de sino. Uma distribuição normal tem uma assimetria de zero e uma curtose de três. Se o histograma mostrar que seus dados estão inclinados para a direita ou para a esquerda, ou tem um pico maior ou menor do que uma distribuição normal, então você tem um problema com assimetria ou curtose. Você também pode usar medidas numéricas de assimetria e curtose, como a assimetria de amostra e os coeficientes de curtose, que são calculados a partir de seus valores de dados. Esses coeficientes podem ser comparados a limiares padrão ou intervalos de confiança para determinar se seus dados estão significativamente distorcidos ou kurtóticos.

4 Como usar transformações de dados

As transformações de dados são operações matemáticas que podem ser usadas para corrigir a assimetria e a curtose em seus dados, tornando os dados mais normais ou simétricos. Isso pode melhorar a precisão e a validade de cálculos estatísticos e testes, bem como aumentar a capacidade do processo. No entanto, as transformações de dados também podem alterar o significado e a interpretação dos dados, introduzir novas fontes de variação ou mascarar a verdadeira natureza do processo. Portanto, ele só deve ser usado como último recurso depois de tentar eliminar as causas raiz. Transformações comuns para corrigir assimetria ou curtose incluem raiz quadrada, logarítmica, recíproca e transformações Box-Cox. A transformação Box-Cox é mais geral e flexível, envolvendo a elevação de cada valor de dados para uma potência determinada por um parâmetro chamado lambda.

5 Como verificar a eficácia de suas correções

Depois de corrigir a assimetria e a curtose em seus dados, você precisa verificar a eficácia de suas correções usando as ferramentas SPC novamente. Você pode usar um histograma, medidas numéricas, gráficos de controle e análise de capacidade de processo para comparar seus dados originais e transformados e ver se eles melhoraram em termos de forma, simetria, estabilidade, normalidade e capacidade. Você também deve verificar se suas correções melhoraram a qualidade e a consistência do resultado do processo, como a redução de defeitos, desperdícios ou reclamações de clientes. Se suas correções não alcançaram os resultados desejados, talvez seja necessário revisitar sua análise de causa raiz, tentar uma transformação de dados diferente ou considerar outras alternativas.

6 Veja o que mais considerar

Este é um espaço para compartilhar exemplos, histórias ou insights que não se encaixam em nenhuma das seções anteriores. O que mais gostaria de acrescentar?