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

Deze studie toont aan dat beslissingen over procescapaciteit op basis van vaste drempelwaarden (zoals $C_{pk} \geq 1,33$) inherent onstabiel zijn bij kleine steekproeven, waarbij de kans op een aanvaarding bij een waarheid op de drempel naar 50% convergeert en zelfs kleine afwijkingen leiden tot aanzienlijke risico's op inconsistente vrijgavebeslissingen.

De kern

Hier is een uitleg van het onderzoek in eenvoudig Nederlands, met behulp van alledaagse vergelijkingen.

Het Probleem: De "Grijze Zone" van Kwaliteit

Stel je voor dat je een fabriek hebt die duizenden schroeven maakt. Om te controleren of deze schroeven goed zijn, gebruiken ingenieurs een getal genaamd Cpk. Dit getal is een maatstaf voor hoe goed de schroeven binnen de gewenste maten vallen.

In de industrie geldt een vaste regel:

• Als het getal 1.33 of hoger is, is de partij "goed" en mag hij de fabriek uit.
• Als het getal lager is, is de partij "slecht" en moet hij worden weggegooid of opnieuw gemaakt.

Dit klinkt simpel en logisch, toch? Nee, zegt dit nieuwe onderzoek. Het probleem zit hem in het feit dat we dit getal nooit perfect kennen. We meten slechts een klein steekproefje (bijvoorbeeld 30 schroeven) en rekenen daar het gemiddelde van.

De Analogie: De Weegschaal en de Grens

Stel je voor dat je een weegschaal hebt die precies 100 kg aangeeft. Je wilt weten of een vrachtwagen zwaar genoeg is om een brug over te mogen (de grens is 100 kg).

1. De Realiteit: De vrachtwagen weegt precies 100 kg.
2. De Meetfout: Je weegschaal is niet perfect. Door trillingen, wind of kleine onnauwkeurigheden, springt het getal op de weegschaal een beetje heen en weer. Soms staat er 99,8 kg, soms 100,2 kg.
3. Het Dilemma: Als de vrachtwagen exact op de grens staat, zal de weegschaal in de helft van de gevallen "onder de 100" aangeven (en de vrachtwagen wordt geweigerd) en in de andere helft "boven de 100" (en de vrachtwagen mag door).

De kernboodschap van het papier:
Als een proces precies op de limiet zit (bijvoorbeeld een Cpk van 1.33), is de kans dat het wordt goedgekeurd exact 50%. Het is net als het gooien van een muntje. Of je nu 10 keer of 100 keer meet, als de waarheid precies op de lijn staat, blijft die onzekerheid bestaan.

Waarom is dit gevaarlijk?

In de echte wereld gebeurt dit vaak. Veel fabrieken proberen hun processen zo efficiënt mogelijk te maken, wat betekent dat ze vaak werken vlakbij die limiet van 1.33.

Het onderzoek toont aan dat:

• Onzekerheid is onvermijdelijk: Zelfs als je een perfect proces hebt dat precies op de limiet zit, zal een deel van je steekproeven "slecht" lijken en een deel "goed".
• Het is geen fout van de mens: Het is een wiskundig feit. Omdat we werken met een beperkt aantal metingen (bijvoorbeeld 20 tot 50 stuks), is er altijd een "grijze zone" rondom de limiet.
• Risico op verkeerde beslissingen: In de praktijk bleek dat bij ongeveer 11% van de gemeten onderdelen in een grote fabrieksdataset, het getal zo dicht bij de limiet lag dat de beslissing (ja/nee) puur door toeval kon worden omgekeerd.

De Oplossing: Een Veiligheidsmarge

Hoe lossen we dit op? Het papier stelt voor om de regels iets aan te passen, net zoals we dat doen bij snelheidslimieten of veiligheidszones.

In plaats van te zeggen: "Als het getal 1.33 is, mag het door," zouden we moeten zeggen:
"Als het getal 1.33 plus een veiligheidsmarge is, mag het door."

De Analogie van de Veiligheidszone:
Stel je voor dat je een brug hebt die maximaal 100 kg kan dragen. Je wilt niet dat de vrachtwagen precies op 100 kg weegt, want als de weegschaal net iets fout meet, breekt de brug.
Dus stel je een regel op: "Alleen vrachtwagens tot 90 kg mogen over de brug."
Nu, zelfs als de weegschaal een beetje trilt, ben je veilig.

In de fabriek betekent dit:

• Als je een steekproef van 30 stuks neemt, moet je een extra marge toevoegen (bijvoorbeeld 0,29).
• De nieuwe regel wordt dan: "Alleen als het getal 1.62 of hoger is, mag het door."
• Als het getal tussen 1.33 en 1.62 zit, is het proces misschien wel goed, maar is het risico te groot om het zeker te weten. Dan moet je meer meten of het proces verbeteren.

Samenvatting in één zin

Het onderzoek waarschuwt dat het simpelweg kijken naar een getal (zoals 1.33) om een product te keuren, een loterij is als je dicht bij die grens zit; om zekerheid te krijgen, moeten we een veiligheidsmarge inbouwen die rekening houdt met de onnauwkeurigheid van onze metingen.

Kortom: Vertrouw niet blind op de lijn op de grond. Als je er precies op staat, weet je niet of je over de lijn valt of niet. Maak een stapje terug (of een veiligheidszone) om zeker te zijn.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Finite-Sample Decision Instability in Threshold-Based Process Capability Approval" in het Nederlands.

Titel: Finite-Sample Beslissingsinstabiliteit bij Drempelgebaseerde Goedkeuring van Proceskwaliteit

1. Het Probleem

In de productie- en kwaliteitscontrole worden proceskwaliteitsindices (PCIs), zoals $C_{pk}$, routinematig gebruikt om beslissingen te nemen over leverancierskwalificatie en productvrijgave. Deze beslissingen worden vaak gebaseerd op vaste acceptatiedrempels (bijvoorbeeld $C_{pk} \geq 1,33$).

Het fundamentele probleem dat in dit artikel wordt aangekaart, is dat deze beslissingen worden genomen op basis van schatters die zijn berekend uit eindige steekproeven (vaak $n \approx 20-50$), terwijl de stochastische aard van deze schatters vaak wordt genegeerd bij het interpreteren van de naleving van de drempel.

• De misvatting: In de praktijk wordt $C_{pk}$ vaak behandeld als een deterministische maatstaf.
• De realiteit: Omdat de steekproefgemiddelde ($\bar{X}$) en de steekproefstandaardafwijking ($S$) willekeurige variabelen zijn, is de geschatte $C_{pk}$ ($\hat{C}_{pk}$) ook een willekeurige variabele.
• Het risico: Wanneer een proces echt dicht bij de acceptatiedrempel ligt, kan de steekproefvariatie leiden tot een aanzienlijk risico op misclassificatie (een goed proces afkeuren of een slecht proces goedkeuren). Bestaande literatuur focust vaak op betrouwbaarheidsintervallen voor de parameter zelf, maar analyseert niet expliciet de betrouwbaarheid van de beslissingsregel zelf.

2. Methodologie

De auteurs formuleren het probleem als een statistisch beslissingsprobleem en gebruiken een combinatie van asymptotische theorie, Monte Carlo-simulaties en empirische data-analyse.

• Statistisch Raamwerk:

  • De beslissingsregel wordt gedefinieerd als $D = I(\hat{C}_{pk} \geq C_0)$, waarbij $I$ de indicatorfunctie is.
  • Er wordt onderscheid gemaakt tussen Type I-fouten (vals goedkeuren) en Type II-fouten (vals afkeuren).
  • In tegenstelling tot klassieke hypothesetoetsing (waar het Type I-foutenrisico wordt vastgezet), zijn industriële drempels vast en niet-aangepast aan de steekproefgrootte.

• Asymptotische Analyse:

  • Onder standaard regulariteitsvoorwaarden (unieke actieve constraint en asymptotische normaliteit van de schatters) wordt de lokale asymptotische gedrag van de beslissingswaarschijnlijkheid afgeleid.
  • Er wordt gebruik gemaakt van de Delta-methode om de asymptotische verdeling van $\hat{C}_{pk}$ te bepalen.
  • Een lokale parameterisatie wordt gebruikt: $C_{pk}^{true} = C_0 + h/\sqrt{n}$, waarbij $h$ de geschaalde afstand tot de drempel is.

• Empirische Validatie:

  • Monte Carlo Simulaties: Er worden simulaties uitgevoerd om de misclassificatiekans te schatten voor verschillende waarden van $C_{pk}^{true}$ en $n$.
  • Empirische Dataset: Een dataset van 880 productiedimensies (met $n=32$ per dimensie) wordt geanalyseerd. Voor elke dimensie wordt een bootstrap-resampling (5000 herhalingen) uitgevoerd om de empirische "flip-rate" (de kans dat herhaalde steekproeven de beslissing omkeren) te kwantificeren.

3. Belangrijkste Bijdragen

1. Formele Formulering van Beslissingsonzekerheid:
   Het artikel formaliseert de drempelgebaseerde kwalificatie als een stochastisch classificatieprobleem en definieert de misclassificatiekans als de fundamentele maatstaf voor beslissingsbetrouwbaarheid.

2. Karakterisering van Grensinstabiliteit (Boundary Instability):
   De auteurs bewijzen een stelling (Theorem 1) die aantoont dat wanneer de ware proceskwaliteit exact gelijk is aan de drempel ($C_{pk}^{true} = C_0$), de acceptatiekans convergeert naar 0,5 (50%) naarmate de steekproefgrootte toeneemt.

   • Dit betekent dat er een inherente onzekerheid bestaat op de grens; het verhogen van de steekproefgrootte elimineert dit risico niet volledig tenzij de ware parameter zich sneller van de drempel verwijdert dan $1/\sqrt{n}$.
   • Het gedrag wordt gedicteerd door een signaal-ruisverhouding: $\sqrt{n}(C_{pk}^{true} - C_0) / \sigma_C$.

3. Kwantificering van het Instabiliteitsgebied:
   Er wordt aangetoond dat het gebied waarin beslissingen instabiel zijn (waar de misclassificatiekans significant is), een breedte heeft die schaalt met $O(n^{-1/2})$. Voor typische steekproefgroottes (bijv. $n=32$) is dit gebied breed genoeg om een groot deel van de industriële praktijk te raken.

4. Empirisch Bewijs:
   De analyse van de 880-dimensies toont aan dat ongeveer 11% van de productiedimensies binnen een kritiek gebied rond de drempel ($|C_{pk} - 1,33| \leq 0,29$) opereert. Voor deze dimensies is de kans op een omkering van de beslissing bij herhaalde steekproeven aanzienlijk (meer dan 20% voor ongeveer 7,8% van de dimensies).

4. Resultaten

• De "Ridge" in Risico: De misclassificatiekans vormt een duidelijke "kam" (ridge) rond de drempel $C_0$. Zelfs bij ideale normale verdelingen en redelijke steekproefgroottes ($n=32$ of $50$) kan de misclassificatiekans boven de 30$C_{pk}$binnen$\pm 0,05$ van de drempel ligt.
• Convergentie naar 0,5: Bij exacte gelijkheid met de drempel is de kans op goedkeuren 50%, ongeacht hoe groot de steekproef is (binnen de asymptotische limiet). Dit is een direct gevolg van het combineren van een $\sqrt{n}$-consistente schatter met een vaste drempel.
• Empirische Instabiliteit: De bootstrap-analyse bevestigt dat in de praktijk een niet-verwaarloosbaar deel van de processen zich in dit instabiele regime bevindt. De "flip-rate" (kans op omkering van de beslissing) is het hoogst voor dimensies die dicht bij de drempel liggen en neemt snel af naarmate de afstand toeneemt.
• Invloed van Steekproefgrootte: Hoewel het risico afneemt naarmate $n$ toeneemt, gebeurt dit met een snelheid van $1/\sqrt{n}$. Dit betekent dat voor moderate steekproefgroottes het risico substantieel blijft.

5. Betekenis en Implicaties

• Theoretisch: Het artikel verlegt de focus van de nauwkeurigheid van de parameterschatting naar de expliciete karakterisering van de beslissingsbetrouwbaarheid. Het toont aan dat deterministische drempels structureel kwetsbaar zijn voor steekproefvariatie.
• Praktisch/Industrieel:
  • Bestaande praktijken waarbij een vaste drempel (zoals 1,33) wordt gebruikt zonder rekening te houden met steekproefgrootte, leiden tot onbeheerst beslissingsrisico.
  • Voor processen die dicht bij de grens opereren, is een "goede" of "slechte" status vaak een kwestie van geluk (steekproeffout) en niet noodzakelijk een reflectie van de ware proceskwaliteit.
• Aanbevelingen:
  • De auteurs suggereren het gebruik van risicogecorrigeerde beslissingsregels. Dit kan worden bereikt door een veiligheidsmarge (guard band) in te bouwen die schaalt met $1/\sqrt{n}$.
  • Een alternatief is het gebruik van onderste betrouwbaarheidsgrenzen (LCB) of probabilistische acceptatieregels, waarbij de acceptatiecriteria worden aangepast aan de onzekerheid van de schatter.
  • De analyse biedt een kwantitatieve basis voor het interpreteren van vrijgavebeslissingen en helpt organisaties om de inherente risico's van hun huidige kwaliteitscontroleprocessen te begrijpen.

Conclusie:
Dit onderzoek onthult dat de conventionele interpretatie van proceskwaliteit als een deterministische "doet het wel/niet" test misleidend is wanneer deze gebaseerd is op eindige steekproeven. De beslissingen rond de drempel zijn inherent probabilistisch en instabiel. Om betrouwbare kwaliteitsbeslissingen te nemen, moeten industriële praktijken overstappen van vaste drempels naar risicogebaseerde benaderingen die de steekproefvariatie expliciet meenemen.