El Profiler ha encontrado las condiciones que predicen una alta respuesta media. Sin embargo, si los valores de configuración reales no son exactamente iguales en cada ejecución y la temperatura, la concentración y el tiempo fluctúan ligeramente, solo conocer la media del punto nominal óptimo no permite evaluar el riesgo de fracaso.
Esta sección tiene una única pregunta.
¿Dónde se encuentran las condiciones que cumplen los criterios a pesar de la fluctuación de las entradas?
Ampliamos la predicción de un punto único a una distribución de entrada
En U25, se introdujeron x e y en el Profiler como valores fijos. En la simulación de robustez, cada entrada se representa mediante una distribución.
- Media de la entrada: el punto de ajuste que se desea ejecutar
- Desviación estándar (SD) de la entrada: la fluctuación real del equipo, del proceso y de la preparación
- Forma de la distribución: normal, uniforme, distribución empírica, etc.
- Correlación de las entradas: el grado en que dos configuraciones cambian juntas
- Ruido de salida: la variación de medición o del proceso no explicada por el modelo
La simulación de Monte Carlo genera repetidamente combinaciones de entradas a partir de esta distribución y las somete al modelo ajustado para aproximar la distribución de salida. La simulación no crea nuevos datos reales, sino que propaga los resultados del modelo actual y de los supuestos de entrada.
Incluso con la misma media, si las colas difieren, cambia la tasa de aprobación
Aunque la media de salida esté en el centro de las especificaciones, una SD grande hace que las colas se extiendan más allá de los límites. Por el contrario, aunque la media predicha sea ligeramente inferior, si la sensibilidad de la entrada es baja y la distribución es estrecha, la tasa de aprobación puede ser alta.
| Resumen | Pregunta que responde | Lo que podría pasarse por alto |
|---|---|---|
| Predicción nominal | ¿Cuál es el valor del modelo en el punto de ajuste? | Fluctuación de entrada y salida |
| Media de la simulación | ¿Cuál es la media bajo las fluctuaciones asumidas? | Posición de la cola y asimetría |
| SD de salida | ¿Cuánto se dispersa la salida? | Distancia respecto a los límites de especificación |
| Tasa de aprobación | ¿Qué proporción de simulaciones cumple los criterios? | Errores en los supuestos del modelo y de la distribución |
| p05/p95 | ¿Cuáles son los cuantiles empíricos de las colas? | Precisión de las colas extremas |
Antes de convertir a una distribución normal basándose únicamente en la media y la SD, verifique el histograma, la asimetría y la multimodalidad en la tabla de simulación.
La distribución de entrada requiere fundamentos, no solo valores arbitrarios
Elegir una SD de temperatura de 0,2 °C frente a 1 °C cambia significativamente los resultados. Se deben obtener los fundamentos de los registros del equipo, el historial del proceso, el sistema de medición y la tolerancia de ingeniería. La regla de convertir siempre un sexto del rango en SD oculta el supuesto adicional de que la distribución es normal y el rango corresponde a ±3SD.
Si las entradas están correlacionadas, no se muestrean de forma independiente. Por ejemplo, si el volumen total es fijo, la concentración de dos componentes puede moverse en direcciones opuestas. La correlación incorrecta genera muchas combinaciones imposibles o omite combinaciones peligrosas.
La especificación es el límite externo definido por los requisitos del producto y del proceso, mientras que el intervalo de confianza es un rango estadístico que representa la incertidumbre de la estimación. Una alta tasa de aprobación en la simulación no demuestra la validez de las especificaciones ni la estabilidad a largo plazo del proceso.
También existe el error de simulación en las proporciones de Monte Carlo
Si definimos p̂ como la proporción de aprobaciones en N intentos, el error estándar aproximado simple para simulaciones independientes es el siguiente:
MC SE ≈ √[p̂(1−p̂)/N]
Para observar fallos raros, como una tasa de aprobación del 99,9 %, la precisión de la cola con 500 repeticiones es insuficiente. Fijar la semilla permite reproducir la misma ejecución, pero se debe verificar que las conclusiones sean estables también con otras semillas y más iteraciones. Fijar la semilla no elimina la incertidumbre real.
La capacidad requiere supuestos de estabilidad y distribución
Los índices de capacidad como Cp y Cpk resumen la posición y la dispersión del proceso en relación con las especificaciones. Sin embargo, no se debe confundir el SD de una simulación sintética a corto plazo con la sigma del proceso a largo plazo. Antes de interpretar la capacidad real, se deben verificar la estabilidad temporal, la independencia, la adecuación de la distribución y el sistema de medición.
Este módulo enseña la diferencia entre la distribución de salida y la tasa de aprobación. No se declaran espacios de diseño, rangos probadamente aceptables ni la capacidad del proceso a largo plazo desde una perspectiva regulatoria.
Laboratorio In-Silico: coloque las colas junto a la media
- Aumente el SD de entrada de 0,05 a 0,30 y observe el SD de salida y la tasa de aprobación.
- Cambie el LSL de 87 a 91 para verificar la dependencia de las especificaciones.
- Cambie la correlación a −0,7, 0 y +0,7 para observar los cambios en la distribución de salida.
- Aumente el número de simulaciones de 500 a 10.000 para confirmar si el SE de MC disminuye.
- Cambie la semilla para observar la estabilidad repetida de la estimación de la cola.
Change input fluctuation to output distribution and passing rate
Under the same nominal conditions, change the number of input SD, correlation, LSL, and simulations and view the mean, tail, and Monte Carlo error together.
If this is your first time: What should I press?
- 1. Read the question firstIn the Lab title, check the one thing you will compare this time.
- 2. Change just one conditionInitially, change only one of the inputs: n, effect, or spread.
- 3. new composite specimen pressureNew synthetic data is created. The same conditions may vary depending on the sample.
- 4. Pictures and calculation results CompareWrite in one sentence what moves and what stays the same before and after the change.
If it gets stuckresetGo back to see the default results and change just one condition. This Lab is not a correct answer tester but a pattern observation tool.
Synthetic observations of the same settings
calculation result
This passing rate is a conditional result of the specified input distribution and synthetic model. We do not expand on capabilities or long-term performance without basis for process stability and actual distribution.
educational synthetic modelbjs-robustness-sequence-v1. One row is one independent simulation or design run unless otherwise indicated. It cannot be used for actual research, quality, or regulatory decisions.
Una fila del laboratorio es un muestreo de Monte Carlo con una entrada sintética x·y y una única salida. La entrada sigue un modelo de enseñanza normal correlacionado y a la salida se añade un pequeño ruido independiente. No representa la distribución real del proceso.
En JMP, conserve juntos la configuración y la tabla de resultados
Connect the input mean, SD, distribution, correlation and output noise to the model.
Each simulation row is preserved to recheck distribution and failure conditions.
After checking the specifications and stability premises, read the tails and exponents.
Registre en el recibo la distribución de entrada, la media, la desviación estándar, la correlación, el ruido de respuesta y el número de corridas de Profiler Simulation. Simulate to Table muestra cada fila y permite rastrear las condiciones de fallo. Interprete las salidas Distribution y Capability solo después de comprobar la especificación y el supuesto de estabilidad.
Ejemplo de oración de resultados
Se realizaron 10.000 simulaciones con la semilla 26026, introduciendo en un modelo cuadrático ajustado previamente las medias y desviaciones estándar de x e y, con una correlación de 0,3. La tasa condicional de aprobación respecto al LSL 89 fue del 98,7 % y el error estándar Monte Carlo, de 0,11 puntos porcentuales. Es una estimación educativa condicionada a las distribuciones de entrada y al modelo especificados; no representa capacidad a largo plazo ni una región operativa regulatoria.
Conclusión del módulo
- El óptimo nominal y la región robusta responden a preguntas distintas.
- Monte Carlo propaga las distribuciones de entrada a una distribución de salida mediante el modelo.
- La desviación estándar, la distribución y la correlación de las entradas requieren evidencia empírica.
- Una tasa de aprobación depende tanto de la especificación como del error Monte Carlo.
- Sin estabilidad del proceso y supuestos de distribución, la capacidad no representa rendimiento a largo plazo.
En la siguiente unidad veremos cómo seleccionar puntos candidatos en una región restringida donde no puede ejecutarse directamente un CCD o un diseño factorial estándar.
Material de referencia
Este artículo y el laboratorio utilizan datos sintéticos con fines educativos y no constituyen evidencia para decisiones reales de investigación, proceso, calidad o regulación.