Lo que los M&M's pueden enseñarnos sobre cómo confiar en los datos
Casi todo el mundo disfruta de los M&M's. ¿Análisis de datos? Esa es otra historia. Para muchas personas, puede parecer algo abstracto o intimidante.
Sin embargo, estas pequeñas golosinas resultan ser una forma sorprendentemente eficaz de hacer que los datos sean prácticos, visuales y fáciles de entender.
Para comenzar, utilizamos la prueba de hipótesis adecuada en Minitab Solution Center, que le guía paso a paso en función de su objetivo y tipo de datos. A partir de allí, fue simple: pesar algunas bolsas. Contar lo que contienen. Realizar un control de los colores. Buscar errores de impresión. En poco tiempo, estábamos respondiendo preguntas reales con números reales.
¿Los pesos de las bolsas son exactos?
Cada bolsa pequeña de M&M's indica en la etiqueta que pesa 49.3 gramos.
Para comprobar si esa afirmación se cumple, pesamos 30 bolsas y utilizamos una prueba t para una muestra en Minitab con el fin de comparar el peso medio con 49.3 gramos.
Nuestros resultados mostraron que el peso promedio era de 52.040 gramos y nuestro valor p era de 0.000. Debido a que el valor p está muy por debajo de 0.05, podemos concluir con confianza que el peso promedio de la bolsa no es de 49.3 gramos.
En este caso, esa es una buena noticia. En realidad, las bolsas tenían un peso promedio mayor, lo que significa que los consumidores reciben más de lo que indica la etiqueta.
¿Obtendrían dos personas las mismas mediciones?
Si dos personas pesan exactamente las mismas 30 bolsas utilizando la misma báscula, ¿coincidirán sus resultados?
Probamos esto utilizando una prueba t.
Debido a que el valor p (0.394) es mayor que 0.05, no hay una diferencia significativa entre los dos conjuntos de mediciones. En otras palabras, las mediciones son consistentes y repetibles.
¿Cuántos M&M’s tienen una “m” mal impresa?
Cada M&M está marcado con la conocida “m”. Teniendo en cuenta que la superficie de un M&M de cacahuate es irregular, no es de sorprenderse que algunos tengan imperfecciones en la impresión.
Supongamos que el requisito es que no más del 15% de las golosinas tengan una “m” mal impresa.
Dado que el valor p está muy por encima de 0.05, no tenemos evidencia de que la tasa de impresión errónea supere el 15%. El nivel de calidad parece cumplir con el requisito.
¿Todos los colores están representados de igual manera?
Contamos los colores de nuestra muestra de 622 golosinas y utilizamos el creador de gráficas para crear una gráfica circular:
Si todos los colores estuvieran distribuidos equitativamente, esperaríamos alrededor de 104 de cada color.
Una prueba de bondad de ajuste de chi-cuadrada produjo:
El valor p (0.000) demuestra que la distribución del color no es uniforme. Algunos colores aparecen con mucha más frecuencia que otros en nuestra muestra.
¿Más golosinas significan más peso?
Parece lógico que las bolsas con más M&M’s pesen más. Para probar esa idea, examinamos la relación entre conteo y peso.
La gráfica de dispersión muestra una clara tendencia ascendente: a medida que aumenta el número de golosinas, también lo hace el peso.
¿Es confiable el sistema de medición?
También realizamos un estudio de repetibilidad y reproducibilidad (R&R) del sistema de medición, midiendo 10 bolsas dos veces en orden aleatorio.
La variación de R&R total del sistema de medición fue de 1.14%. Dado que este valor se sitúa muy por debajo del umbral del 10%, la variación derivada del propio proceso de medición es mínima. El sistema de medición se considera aceptable.
¿Está preparado para aplicar este nivel de claridad al cuidado de la salud?
Este ejemplo sencillo muestra cómo las herramientas adecuadas pueden guiarlo rápidamente de una pregunta a una respuesta defendible.
Ahora imagine ese mismo enfoque estructurado aplicado a la calidad clínica, el rendimiento operativo o los resultados de los pacientes.
Comuníquese con un experto de Minitab para explorar cómo Minitab Solution Center puede apoyar decisiones de atención médica más inteligentes y basadas en datos.
