Quando si analizzano i dati di un processo di produzione, la scelta dell\u2019indicatore di tendenza centrale \u2014 media o mediana \u2014 pu\u00f2 sembrare irrilevante. In realt\u00e0, essa determina l\u2019affidabilit\u00e0 delle vostre conclusioni, la pertinenza dei vostri grafici di controllo e l\u2019accuratezza dei vostri indici di capacit\u00e0. Capire quando utilizzare l\u2019uno piuttosto che l\u2019altro \u00e8 una competenza fondamentale per ogni professionista del Lean Six Sigma.<\/p>\n
La media<\/strong> (o media aritmetica) \u00e8 la somma di tutti i valori divisa per il loro numero. Essa tiene conto delle informazioni relative a ciascun punto di misurazione, il che la rende uno stimatore molto efficace quando i dati seguono una distribuzione normale \u2014 ovvero simmetrica, priva di valori anomali.<\/p>\n La mediana<\/strong> \u00e8 il valore che si trova al centro di un insieme di dati ordinato in ordine crescente. Si dice che sia robusto<\/em> : un valore estremo, anche se molto distante dal resto delle osservazioni, lo sposta solo leggermente. D\u2019altra parte, utilizza meno informazioni rispetto alla media e pu\u00f2 risultare meno preciso su campioni di piccole dimensioni.<\/p>\n In pratica, le due curve coincidono perfettamente in una distribuzione perfettamente simmetrica. \u00c8 quando divergono che l\u2019informazione diventa utile: la loro differenza indica un\u2019asimmetria o la presenza di valori atipici nel processo.<\/p>\n La media \u00e8 l'indicatore di riferimento quando i dati soddisfano due condizioni: normalit\u00e0<\/strong> (o una distribuzione sufficientemente simmetrica) e assenza di valori anomali non giustificati<\/strong>. Ecco perch\u00e9 \u00e8 al centro degli strumenti statistici pi\u00f9 diffusi nel controllo statistico dei processi (CSP):<\/p>\n Se il vostro processo \u00e8 sotto controllo e produce dati con distribuzione normale, la media sfrutta tutte le informazioni disponibili e fornisce gli stimatori pi\u00f9 precisi in senso statistico.<\/p>\n La mediana diventa preferibile \u2014 o indispensabile \u2014 in tre situazioni comuni in ambito industriale.<\/p>\n Alcuni processi generano naturalmente distribuzioni asimmetriche: tempi di ciclo, livelli di contaminazione, tempi di consegna. Una singola operazione eccezionalmente lunga pu\u00f2 far salire la media e fornire un\u2019immagine distorta del comportamento abituale del processo. La mediana riflette quindi meglio ci\u00f2 che l\u2019operatore o il cliente sperimenta realmente.<\/p>\n Quando un sensore presenta una deviazione occasionale o un evento eccezionale (arresto della macchina, materia prima non conforme) introduce valori estremi nella serie di dati, la mediana ne attenua l\u2019effetto. Ci\u00f2 non esime dal dover indagare e correggere la causa alla radice, ma evita di gestire il processo sulla base di una statistica artificialmente distorta.<\/p>\n Per gli attributi valutati su una scala ordinale (punteggi di soddisfazione, livelli di gravit\u00e0 di un difetto), la media \u00e8 matematicamente calcolabile ma semanticamente discutibile. La mediana conserva invece un significato concreto: indica il livello effettivamente centrale del campione.<\/p>\n Esistono anche carte di controllo basate sulla mediana (carte X\u0303 \/ R), meno sensibili delle carte X-bar ma pi\u00f9 robuste in presenza di dati non normali o di operatori poco esperti nel calcolo delle medie.<\/p>\n La buona pratica consiste nel non scegliere alla cieca, ma nell\u2019analizzare la distribuzione prima di decidere.<\/p>\n Queste operazioni richiedono pochi minuti in qualsiasi software di analisi statistica e consentono di evitare decisioni gestionali basate su indicatori inadeguati.<\/p>\n La questione non \u00e8 se la media sia \u00abmigliore\u00bb della mediana: ciascuna risponde a un contesto specifico. Per un processo stabile e normalmente distribuito, la media rimane lo stimatore pi\u00f9 potente. Non appena entrano in gioco asimmetrie o valori atipici, la mediana offre una lettura pi\u00f9 fedele della realt\u00e0 sul campo. Prima diagnosticare, poi scegliere: questo \u00e8 l\u2019approccio rigoroso che distingue il professionista Six Sigma da chi applica formule senza metterne in discussione le ipotesi.<\/p>","protected":false},"excerpt":{"rendered":" Moyenne vs m\u00e9diane : laquelle choisir pour piloter votre proc\u00e9d\u00e9 ? Lorsque vous analysez les donn\u00e9es d’un proc\u00e9d\u00e9 de fabrication, le choix de l’indicateur de tendance centrale \u2014 moyenne ou m\u00e9diane \u2014 peut sembler anodin. En r\u00e9alit\u00e9, il conditionne la fiabilit\u00e9 de vos conclusions, la pertinence de vos cartes de contr\u00f4le et la justesse de […]<\/p>\n","protected":false},"author":4,"featured_media":0,"comment_status":"","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[7],"tags":[],"class_list":["post-4465","post","type-post","status-publish","format-standard","hentry","category-data-analysis"],"acf":[],"yoast_head":"\nQuando la via di mezzo \u00e8 la scelta giusta<\/h2>\n
\n
Quando la mediana prevale<\/h2>\n
Dati asimmetrici o con coda lunga<\/h3>\n
Presenza di valori anomali individuati<\/h3>\n
Piccoli campioni su dati ordinali<\/h3>\n
Come verificare quale utilizzare sui propri dati<\/h2>\n
\n
\n