Finite-Sample Decision Instability in Threshold-Based Process Capability Approval

Este estudio demuestra que las decisiones de aprobación basadas en umbrales fijos de capacidad de proceso (como $C_{pk} \geq 1.33$) presentan una inestabilidad inherente y un riesgo de error del 50% cuando el valor real se encuentra cerca del umbral, debido a la variabilidad estocástica de las estimaciones derivadas de tamaños de muestra moderados.

Lo esencial

Imagina que eres un juez en una competencia de salto de altura. La regla es simple: si saltas 1.33 metros o más, ganas y te clasificas. Si saltas menos, pierdes.

En el mundo de la fabricación, los ingenieros usan una regla muy similar llamada Índice de Capacidad del Proceso (Cpk). Si su máquina produce piezas con un "Cpk" mayor a 1.33, el producto se aprueba y sale al mercado. Si es menor, se rechaza.

El problema, según este estudio, es que nadie mide la altura exacta del salto. Solo tienen una regla de medir imperfecta y un puñado de intentos (una muestra pequeña) para estimar qué tan alto salta la máquina realmente.

Aquí está la explicación sencilla de lo que descubrieron los autores:

1. El Problema de la "Zona de Niebla"

Imagina que la altura real de tu salto es exactamente 1.33 metros.
Como tu regla de medir tiene un poco de error y solo hiciste 30 intentos (una muestra pequeña), a veces la regla dirá que saltaste 1.34 metros y otras veces 1.32 metros.

• La conclusión sorprendente: Si tu salto real es exactamente el límite (1.33), tienes un 50% de probabilidad de ser aprobado y un 50% de probabilidad de ser rechazado, simplemente por suerte o mala suerte en la medición.
• La analogía: Es como lanzar una moneda al aire para decidir si apruebas un producto. Aunque la moneda sea justa, el resultado es una lotería. El estudio dice que usar una regla fija sin tener en cuenta este "ruido" es como confiar en el azar.

2. La Montaña de la Incertidumbre

Los autores crearon un mapa (una superficie de riesgo) que muestra qué pasa cuando la calidad real está cerca del límite.

• Lejos del límite: Si tu máquina es excelente (salta 2 metros), no importa cuánto varíe la medición, siempre aprobarás. Si es terrible (salta 0.5 metros), siempre rechazarás.
• Cerca del límite: Si tu máquina está en la "zona de niebla" (entre 1.28 y 1.38 metros), la decisión se vuelve inestable. Pequeños cambios en la muestra pueden hacer que un producto pase de "Aprobado" a "Rechazado" en un instante.
• El hallazgo: En la industria real, muchas piezas (alrededor del 11% en su estudio) operan justo en esta zona de niebla. Esto significa que muchas decisiones de "aprobar" o "rechazar" son, en realidad, suerte.

3. ¿Por qué pasa esto? (El efecto del tamaño de la muestra)

Piensa en tomar una foto de un objeto borroso.

• Si tomas una foto con una cámara de baja resolución (poca muestra, ej. 20 piezas), la imagen es muy borrosa. Es difícil saber si el objeto está justo en la línea.
• Si tomas una foto con una cámara de ultra alta resolución (muestra gigante), la imagen se vuelve nítida y la línea se ve clara.
• El problema: En la industria, a menudo solo tenemos "cámaras de baja resolución" (muestras de 20 a 50 piezas) porque medir todo es muy caro o lento. Con estas "fotos borrosas", la decisión de aprobar o rechazar es muy volátil.

4. La Solución Propuesta: El "Colchón de Seguridad"

El estudio sugiere que no deberíamos usar el límite fijo de 1.33 como una pared de piedra. En su lugar, deberíamos usar un margen de seguridad.

• La analogía: Imagina que la meta no es tocar la línea de 1.33 metros, sino tocar una línea imaginaria más alta, digamos 1.62 metros.
• Si tu máquina salta 1.62 metros, incluso con el error de la medición, es casi seguro que tu salto real es superior a 1.33.
• Esto crea una "zona de amortiguación" (como un colchón) que evita que productos que están justo en el borde sean aprobados por pura suerte.

En Resumen

Este papel nos dice que la calidad no es un interruptor de luz (encendido/apagado) cuando tenemos poca información. Es más bien una zona gris.

Cuando los ingenieros dicen "Aprobado porque Cpk > 1.33", a veces están diciendo "Aprobado porque tuvimos suerte con la muestra". El estudio nos invita a ser más humildes con los datos: reconocer que cerca de los límites, la decisión es inherentemente inestable y que necesitamos reglas más inteligentes (como márgenes de seguridad) para evitar errores costosos.

La moraleja: No confíes ciegamente en una línea roja dibujada en un papel cuando tus herramientas de medición tienen un poco de "temblor". A veces, lo que parece un éxito es solo un error de medición.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Inestabilidad de la Decisión en Muestras Finitas en la Aprobación de Capacidad de Proceso Basada en Umbrales

1. Planteamiento del Problema

En el control de calidad manufacturero, los índices de capacidad de proceso (como $C_{pk}$) se utilizan universalmente para tomar decisiones binarias de aprobación o rechazo de proveedores y productos, basándose en umbrales fijos (ej. $C_{pk} \geq 1.33$).

• La Paradoja: Aunque estas reglas se interpretan como criterios deterministas, los índices se calculan a partir de muestras finitas (típicamente $n \approx 20-50$).
• El Riesgo Oculto: La naturaleza estocástica del estimador $\hat{C}_{pk}$ a menudo se ignora. Cuando la capacidad real del proceso ($C_{pk}^{true}$) se encuentra cerca del umbral de aprobación, la variabilidad de muestreo induce un riesgo significativo de clasificación errónea (aceptar un proceso malo o rechazar uno bueno).
• Brecha de Conocimiento: La literatura existente se ha centrado en la estimación de intervalos de confianza o pruebas de hipótesis, pero no ha caracterizado formalmente la fiabilidad estocástica de la regla de decisión determinista fija ($I(\hat{C}_{pk} \geq C_0)$) cuando el parámetro real está en el límite.

2. Metodología

Los autores reformulan la aprobación de capacidad como un problema de decisión estadística bajo incertidumbre de muestras finitas.

• Marco Teórico:
  • Se asume un proceso estable con distribución normal (aunque se extiende a no normal en el apéndice).
  • Se define la regla de decisión $D = I(\hat{C}_{pk} \geq C_0)$, donde $D=1$ es aceptación.
  • Se analizan las probabilidades de error de clasificación (Tipo I: falso positivo; Tipo II: falso negativo) como funciones de la capacidad real y el tamaño de muestra.
• Análisis Asintótico Local:
  • Bajo condiciones de regularidad (asumiendo que la restricción activa es única), se utiliza el método delta multivariado para derivar la distribución asintótica del estimador.
  • Se introduce una parametrización local donde la capacidad real se desvía del umbral a una tasa de $O(n^{-1/2})$: $C_{pk}^{true} = C_0 + h/\sqrt{n}$.
• Validación Numérica y Empírica:
  • Simulaciones de Monte Carlo: Se generan miles de muestras para mapear superficies de riesgo de clasificación errónea en función de la capacidad real y el tamaño de muestra.
  • Estudio Empírico: Se analizan 880 dimensiones de un conjunto de datos manufacturero real (cada una con $n=32$). Se utiliza remuestreo (Bootstrap) para estimar la inestabilidad de la decisión dada la muestra observada, calculando la "tasa de volteo" (probabilidad de que un nuevo muestreo invierta la decisión de aprobación).

3. Contribuciones Clave

1. Formalización Teórica de la Inestabilidad de Límite: Se demuestra matemáticamente que, si la capacidad real es exactamente igual al umbral ($C_{pk}^{true} = C_0$), la probabilidad de aceptación converge a 0.5 a medida que $n \to \infty$. Esto significa que, incluso con muestras grandes, una regla de umbral fijo no puede distinguir con certeza un proceso que está exactamente en el límite; el riesgo de decisión nunca desaparece, solo se concentra en una banda estrecha.
2. Caracterización de la Banda de Inestabilidad: Se define una región de sensibilidad de ancho proporcional a $1/\sqrt{n}$. Dentro de esta banda (aprox.$\pm 0.05$para$n=32$), la probabilidad de error de clasificación es alta (>30%).
3. Evidencia Empírica de Regímenes de Borde: Se demuestra que en la práctica industrial, una fracción significativa de dimensiones (aprox. 11% en el estudio de caso) operan dentro de esta zona de inestabilidad, lo que hace que las decisiones de liberación sean inherentemente volátiles.
4. Guía para el Diseño de Reglas de Decisión: Se propone el uso de márgenes de seguridad escalados ($\kappa/\sqrt{n}$) o reglas basadas en límites de confianza inferiores (LCB) para controlar el riesgo de decisión, en lugar de depender de umbrales fijos deterministas.

4. Resultados Principales

• Comportamiento en el Límite: Cuando $C_{pk}^{true} = C_0$, la probabilidad de aceptación es del 50%. Esto es una consecuencia directa de la simetría asintótica del estimador alrededor del umbral.
• Superficie de Riesgo: Las simulaciones muestran una "cresta" de alta probabilidad de error centrada en el umbral. A medida que aumenta el tamaño de muestra, la cresta se estrecha ($1/\sqrt{n}$), pero la probabilidad de error en el punto exacto del umbral permanece en 0.5.
• Validación de Escalado: Las curvas de probabilidad de aceptación para diferentes tamaños de muestra colapsan en una sola trayectoria cuando se grafican contra la distancia escalada $z = \sqrt{n}(C_{pk}^{true} - C_0)/\sigma_C$, confirmando la teoría asintótica local.
• Hallazgos Empíricos:
  • En el conjunto de datos de 880 dimensiones, el 7.84% mostró tasas de "volteo" de decisión superiores al 20% mediante bootstrap.
  • La inestabilidad no es uniforme; está altamente localizada cerca del umbral de 1.33.
• Implicación Práctica: Para un tamaño de muestra típico de auditoría ($n=32$), un proceso con una capacidad real de 1.33 tiene un 50% de probabilidad de ser aprobado o rechazado aleatoriamente. Incluso procesos con $C_{pk}^{true} = 1.38$ pueden tener un riesgo de rechazo significativo si la variabilidad de muestreo es alta.

5. Significado e Impacto

Este trabajo cambia el paradigma de interpretar los índices de capacidad como métricas deterministas a entenderlas como decisiones probabilísticas.

• Gestión de Riesgos: Revela que las reglas de aprobación actuales ("pasa si $\hat{C}_{pk} \geq 1.33$") incorporan un riesgo de decisión no controlado y endógeno, especialmente crítico en la gestión de proveedores y liberación de productos.
• Recomendaciones para la Industria:
  • Las organizaciones deben reconocer que operar cerca del umbral implica una alta volatilidad en las decisiones de liberación.
  • Se sugiere adoptar reglas de decisión ajustadas al riesgo, como el uso de límites de confianza inferiores (LCB) o cintas de seguridad (guard bands) que ajusten el umbral efectivo en función del tamaño de muestra y la dispersión del estimador (ej. requerir $\hat{C}_{pk} \geq 1.33 + 0.29$ para $n=32$ para mantener un riesgo del 5%).
• Fundamento Estadístico: Proporciona una base rigurosa para justificar el uso de criterios más conservadores o adaptativos en la ingeniería de calidad, alejándose de la aplicación ciegamente determinista de estándares ISO.

En resumen, el artículo demuestra que la "inestabilidad de borde" es una propiedad estructural inherente a la combinación de estimadores consistentes y reglas de umbral fijo, y que ignorar este fenómeno puede llevar a decisiones de liberación de productos erróneas y costosas en la práctica industrial.