Átlag vagy medián: melyiket válasszuk a folyamat irányításához?
Amikor egy gyártási folyamat adatait elemzi, a központi tendencia mutatójának – átlag vagy medián – kiválasztása jelentéktelennek tűnhet. Valójában ez határozza meg a következtetései megbízhatóságát, az ellenőrző diagramok relevanciáját és a képességi indexek pontosságát. Annak megértése, hogy mikor melyiket érdemes használni, alapvető készség minden Lean Six Sigma-gyakorló számára.
Mit mérnek valójában ezek a két mutatók?
La átlag (vagy aritmetikai átlag) az összes érték összege osztva azok számával. Ez figyelembe veszi az egyes mérési pontok adatait, ami rendkívül hatékony becslővé teszi, ha az adatok normális eloszlást követnek — vagyis szimmetrikusak és nincsenek kiugró értékek.
La medián az a érték, amely egy növekvő sorrendbe rendezett adathalmaz közepén helyezkedik el. Ezt nevezik ellenálló : egy szélsőséges érték – még ha nagyon eltér is a többi megfigyeléstől – csak kismértékben befolyásolja azt. Ugyanakkor kevesebb információt hasznosít, mint az átlag, és kis minták esetén kevésbé lehet pontos.
A gyakorlatban a két érték tökéletesen egybeesik egy tökéletesen szimmetrikus eloszlás esetén. Az információ akkor válik hasznossá, amikor eltérnek egymástól: az eltérésük aszimmetriára vagy a folyamatban előforduló atipikus értékekre utal.
Amikor az átlag a legjobb választás
Az átlag a referenciaérték, amennyiben az adatok két feltételt is teljesítenek: normál állapot (vagy kellően szimmetrikus eloszlás) és indokolatlan kiugró értékek hiánya. Éppen ezért ez áll a folyamatstatisztikai irányítás (MSP) legelterjedtebb statisztikai eszközeinek középpontjában:
- A X-bar / R ellenőrző diagramok és X-rúd / S az alcsoportok átlagán alapulnak az eltérések felismerése érdekében.
- A Cp és Cpk alkalmassági mutatók az átlagot használják a folyamat állapotának becslésére.
- A t-tesztek és a ANOVA (varianciaanalízis) az átlagértékekre támaszkodik a populációk összehasonlításához.
Ha a folyamatot megfelelően ellenőrzik, és az adatok normális eloszlást mutatnak, akkor az átlag a rendelkezésre álló információk egészét figyelembe veszi, és statisztikai értelemben a legpontosabb becsléseket adja.
Amikor a medián a meghatározó
A medián három gyakori helyzetben válik előnyösebbé – vagy elengedhetetlenül szükségesé – az ipari környezetben.
Aszimmetrikus vagy hosszú farokú adatok
Bizonyos folyamatok természetüknél fogva aszimmetrikus eloszlásokat eredményeznek: ciklusidő, szennyezettségi szintek, szállítási határidők. Egyetlen, kivételesen hosszú művelet is felfelé húzhatja az átlagot, és torz képet adhat a folyamat szokásos viselkedéséről. A medián ilyenkor jobban tükrözi azt, amit a kezelő vagy az ügyfél valójában tapasztal.
Azonosított kiugró értékek jelenléte
Ha egy érzékelő esetenként eltér a normától, vagy egy rendkívüli esemény (gép leállás, nem megfelelő nyersanyag) szélsőséges értékeket eredményez az adatsorban, a medián tompítja ezek hatását. Ez nem menti fel a felhasználót a kiváltó ok kivizsgálásától és kijavításától, de megakadályozza, hogy a folyamatot mesterségesen torzított statisztikai adatok alapján vezéreljék.
Kis minták ordinális adatokon
Az ordinális skálán értékelt jellemzők esetében (elégedettségi pontszámok, hibák súlyossági szintjei) az átlag matematikailag kiszámítható, de jelentésbeli szempontból megkérdőjelezhető. A medián viszont konkrét jelentéssel bír: a minta tényleges középpontját jelöli.
Vannak továbbá mediánalapú ellenőrző diagramok (X̃ / R-diagramok) is, amelyek kevésbé érzékenyek, mint az X-bar-diagramok, viszont megbízhatóbbak nem normális eloszlású adatok esetén, illetve olyan operátorok számára, akik nem jártasak az átlagok kiszámításában.
Hogyan lehet kipróbálni, melyiket érdemes használni az adataidhoz?
A bevált gyakorlat az, hogy ne vakon válasszunk, hanem a döntés meghozatala előtt vizsgáljuk meg az eloszlást.
- Rajzoljon egy hisztogramot vagy egy dobozdiagram (dobozdiagram) : a látható aszimmetria, a hosszú farok vagy az elszigetelt pontok figyelmeztető jelek.
- Hasonlítsa össze az átlagot és a mediánt : ha az eltérés meghaladja az adatállomány 10–15 %-ját, akkor érdemes odafigyelni rá.
- Végezzen el egy normálossági próbát (Shapiro–Wilk-teszt kis minták esetén, Anderson–Darling-teszt nagy minták esetén): ha a normális eloszlás hipotézise elutasításra kerül, általában a medián reprezentatívabb.
- Ellenőrizze, hogy vannak-e kiugró értékek Grubbs-teszt vagy egyedi ellenőrzőtábla segítségével: ha ezek egy konkrét okhoz köthetők, válassza ki őket, mielőtt kiszámítaná a mutatóját.
Ezek a lépések bármely statisztikai elemző szoftverben csupán néhány percet vesznek igénybe, és megakadályozzák, hogy a vezetés nem megfelelő mutatók alapján hozzon döntéseket.
A kérdés nem az, hogy az átlag «jobb-e» a mediánnál: mindkettő egy adott kontextusban érvényes. Egy stabil, normális eloszlású folyamat esetében az átlag továbbra is a leghatékonyabb becslő. Amint aszimmetriák vagy atipikus értékek lépnek színre, a medián hitelesebb képet ad a valós helyzetről. Először diagnosztizálni, aztán dönteni: ez az a szigorú megközelítés, amely megkülönbözteti a Six Sigma-szakértőt attól, aki képleteket alkalmaz anélkül, hogy azok feltételezéseit megkérdőjelezné.