Concordancia por atributos: ¿coinciden los inspectores al aceptar o rechazar?

Adapta el estudio al tipo de decisión

Una decisión por atributos asigna una categoría, como conforme/no conforme o un grado de gravedad. Minitab distingue la concordancia dentro de cada evaluador, entre evaluadores y con un patrón conocido. Un Gage R&R continuo estudia mediciones numéricas y responde a otra pregunta.

Define el defecto y las condiciones de inspección. Para una decisión visual sobre superficies, conserva imágenes o muestras de referencia, iluminación, distancia y ayudas permitidas. Si nadie puede justificar cómo se estableció la referencia, el desacuerdo solo cambia de columna.

Inspecciona dos veces sin mostrar el primer resultado

El registro ficticio tiene 10 piezas, dos inspectores A y B y dos rondas: 40 evaluaciones. Las piezas 1 a 5 tienen referencia conforme y las 6 a 10, no conforme. La muestra es deliberadamente pequeña y equilibrada para el cálculo, no una recomendación para validar una inspección.

A coincide con la referencia salvo en la pieza 10 de la ronda 2. B clasifica la pieza 5 como no conforme en ambas rondas y la 6 como conforme solo en la primera. El resto coincide. Aleatoriza la presentación, oculta los resultados anteriores y asegura que cada ronda sea una nueva evaluación, no una prueba de memoria.

Calcula las tres comparaciones por separado

A repite 9 de 10 decisiones: la concordancia interna es del 90 %. B también repite 9 de 10. Entre inspectores coinciden 8 de 10 evaluaciones en cada ronda: 16 de 20 pares, o el 80 %. No dividas ese recuento de pares entre las 40 evaluaciones.

Frente a la referencia, A acierta 19 de 20 veces, el 95 %. B acierta 17 de 20, el 85 %. El total de 36 aciertos entre 40 evaluaciones da un 90 %, pero oculta el falso rechazo repetido de B en la pieza 5 y el defecto no detectado por A en la 10.

Examina el sentido del error y los casos cercanos al límite

Una falsa aceptación da por conforme una pieza no conforme según la referencia; un falso rechazo hace lo contrario. Sus consecuencias pueden ser muy distintas. Conserva el sentido del error y las evidencias de la pieza, no solo el porcentaje total.

Estadísticos corregidos por azar, como kappa, pueden aportar contexto, pero la prevalencia de las categorías, el diseño y la incertidumbre afectan a su interpretación. El artículo no fija un porcentaje universal aceptable ni valida una inspección con 10 piezas. Usa un estudio adecuado para la decisión y sus consecuencias.

1. Define categorías y referencia

   Acuerda criterios operativos y cómo se establecieron las decisiones de referencia.

2. Elige piezas representativas

   Incluye variación relevante y casos difíciles, no un conjunto artificialmente sencillo.

3. Realiza repeticiones a ciegas

   Aleatoriza las piezas y conserva evaluador, ronda y decisión.

4. Investiga las discrepancias

   Revisa pieza, método, ayudas y formación antes de repetir un estudio modificado.

Mejora el método antes de culpar al inspector

Un límite de defecto impreciso, una iluminación inestable o una superficie inaccesible pueden causar discrepancias que otra diapositiva de formación no resolverá. Examina juntos método y referencia. Conserva los resultados anteriores al cambiar el método para que el siguiente estudio tenga una revisión claramente identificada.

Usa Gage R&R cuando la pregunta trate de mediciones numéricas. El muestreo de aceptación sirve para decidir sobre un lote. Si el método de inspección no detecta el defecto, el plan de muestreo no lo arregla.

Conserva evidencias de inspección útiles para otras decisiones

Un campo conforme/no conforme puede alimentar informes de rendimiento o el entrenamiento de una IA. Si la definición cambia entre turnos, el porcentaje o las etiquetas pueden reflejar una regla de medición cambiante, no un cambio del proceso.

La descarga conserva las 40 evaluaciones ficticias y deja espacio para tus registros. Antes de usar esas etiquetas como referencia de un modelo de calidad predictiva, comprueba que el criterio de inspección sea estable.