METODOLOGA PARA LA ESTIMACIN DE NDICES DE

CAPACIDAD EN PROCESOS PARA DATOS NO NORMALES

METHODOLOGY FOR THE ESTIMATION OF CAPABILITY INDICES
IN PROCESSES WITH NON NORMAL DATA
Erick A. Chacn Montalvan1, Vilma S. Romero Romero2,
Luisa E. Quispe Ortiz3, Jos W. Camero Jimnez4

RESUMEN
La globalizacin ha ido intensificando la competencia en muchos mercados. Con el fin de mantener
su competitividad, las empresas buscan satisfacer las necesidades de los clientes mediante el
cumplimiento de los requerimientos del mercado. En este contexto, los ndices de Capacidad de
Proceso (ICP) juegan un rol trascendental en el anlisis de capacidad de los procesos. Para el caso
de datos no normales existen dos enfoques generales basados en transformaciones (Transformacin
de Box Cox y de Johnson) y percentiles (Sistemas de distribuciones de Pearson y de Burr). Sin
embargo, estudios anteriores sobre la comparacin de tales mtodos muestran distintas conclusiones
y por ello nace la necesidad de aclarar las diferencias que existen entre estos mtodos para poder
implementar una correcta estimacin de estos ndices. En este trabajo, se realiza un estudio de
simulacin con el objetivo de comparar los mtodos mencionados y proponer una metodologa
adecuada para la estimacin del ICP en datos no normales. Adems, se concluye que el mejor
mtodo a emplear depende del tipo de distribucin, el nivel de asimetra de la misma y el valor del
ICP.
Palabras clave: Ajuste de Distribuciones de Frecuencia, ndice de Capacidad del Proceso,
Normalidad, Transformacin de Datos, Simulacin.
ABSTRACT
Globalization has intensified competition in many markets. To remain competitive, the companies
look for satisfying the needs of customers by meeting market requirements. In this context, Process
Capability Indices (PCI) play a crucial role in assessing the quality of processes. In the case of nonnormal data there are two general approaches based on transformations (Box-Cox and Johnson
Transformation) and Percentiles (Pearsons and Burrs Distribution Systems). However, previous
studies on the comparison of these methods show different conclusions, and thus arises the need to
clarify the differences between these methods to implement a proper estimation of these indices. In
this paper, a simulation study is made in order to compare the above methods and to propose an
appropriate methodology for estimating the PCI in non-normal data. Furthermore, it is concluded

1 Egresado de Ingeniera Estadstica (FIECS-UNI), Tesista del IRD (Institut de Recherche pour
le Dveloppement)
2 Egresada de Ingeniera Estadstica (FIECS-UNI), Tesista del IRD (Institut de Recherche pour
le Dveloppement)
3 Egresada de Ingeniera Estadstica (FIECS-UNI), Analista Junior en BCP (Banco de Crdito
del Per)
4 Catedrtico de Ingeniera Estadstica (FIECS-UNI), Consultor en Control Estadstico de
Procesos

that the best method used depends on the type of distribution, the asymmetry level of the distribution
and the ICP value.
Keywords: Approximation to Frequency Distributions, Process Capability Indices, Normality, Data
Transformations, Simulation.
INTRODUCCIN

que la variable de calidad

La competitividad es un factor primordial que

prevalece en el mercado actual de cualquier tipo
de producto o servicio. Se ha ido intensificando
debido al mundo tan globalizado en el que
vivimos, donde la comunicacin y la
interdependencia de los pases conduce a la
inevitable unin de culturas y mercados. Por esta
razn las empresas hacen mayores esfuerzos por
mantener a los clientes en un nivel de
satisfaccin adecuado. Este nivel de satisfaccin
depender de la capacidad que tenga una
empresa para brindar productos que cumplan con
las especificaciones del mercado. Por ello, los

( ICP)

ndices de Capacidad del Proceso

son

de suma importancia ya que tienen como

objetivo cuantificar la calidad del proceso segn
las especificaciones del mercado. Estas
especificaciones estn determinadas segn un
lmite de especificacin superior

( LES)

(LEI ) . En primer lugar, Juran

inferior

propuso formalmente el ndice Cp en 1974 [1].

Cp=

En donde

LESLEI
6

(LESLEI )

(1)

viene a ser la

propagacin admitida de las especificaciones y

es la propagacin actual del proceso, que

abarca el 99.73% de las salidas cuando el

proceso est bajo control. Posteriormente en
1986, Kane discuti el ndice
ICP mejor al

C pk

C p [2] . Con la misma finalidad

otros ndices fueron definidos como el

[3] y el

como un

C pmk

C pm

[4]. Sin embargo, estos

ICP s , denominados tradicionales, suponen

del proceso

subyacente se distribuye normalmente. Supuesto

que es vulnerado en distintos procesos de la
realidad, por lo que surgi la necesidad de
desarrollar

ICPs

capaces de ser vlidos para

cualquier tipo de distribucin. Ante ello, se

puede encontrar dos enfoques generales para
afrontar este problema [5]. En primer lugar,
mediante la transformacin de variables se
intenta conseguir datos normales y emplear los

ICPs

tradicionales;

entre

las

transformaciones ms comunes se encuentran las

transformaciones de Box-Cox [6] y Johnson [7].
En segundo lugar, se ajustan los datos a una
distribucin de frecuencia con el fin de calcular
percentiles

para

reemplazar

P
( 99.865P 0.135)

mediana en los

por

y la media por la

ICPs tradicionales. En 1989,

Clements propuso utilizar la familia de

distribuciones de Pearson [8]. Por otro lado, en
el 2005, Liu y Chen propusieron emplear las
distribuciones del sistema de Burr XII [9].
Dentro de este contexto se hizo inevitable
discutir sobre la relevancia y eficacia de los
mtodos propuestos. Mediante estudios de
simulacin comparativos, Ahmad y Abdollahian
recomiendan el uso de las distribuciones de Burr
XII [10], mientras que Hosseinifard et al
proponen el mtodo de transformaciones de
potencia como el ms adecuado [11]. Por otro
lado Czarski, en el 2008, an recomienda y
establece el enfoque de Clements mediante las
distribuciones de Pearson como un mtodo
ptimo y sin mayores complicaciones para la
estimacin del ICP [12].
Esta divergencia se debe a que cada trabajo de
comparacin ha sido elaborado de manera
parcial, es decir en un contexto diferente de tal
manera que no se ha considerado distintos

factores como la distribucin bajo estudio, el

nivel de sesgo y el valor aproximado del ICP que
definen un escenario. Por lo tanto es necesario
brindar una metodologa para la estimacin del
ICP en datos no normales que aclare qu mtodo
es adecuado bajo cierto escenario segn los
factores mencionados. Por esta razn es
razonable realizar un estudio comparativo de
simulacin que brinde resultados ms generales.
Por lo tanto, en el presente trabajo se realiza un
estudio de comparacin entre los mtodos de
Clements, Box-Cox, Johnson y Burr con el fin
de proponer una metodologa que recomiende el
uso de cierto mtodo para cada escenario.

C p <1 )

No es capaz

Fig. 1 Proceso no capaz

DEFINICIN DE NDICES
ndices de Capacidad para datos Normales

Existen cuatro tipos bsicos de ICP [13], los

cuales se muestran en la Tabla 1.
Tabla 1. Tipos de ICP
ndice

Caractersticas

Considera slo la
variacin del proceso y
LESLEI
no puede detectar la
(
Cp=
desviacin
de la
6
2)
media del proceso
respecto al centro de
las especificaciones.
Considera la media y
mn {LES , LEI
} del proceso
varianza
(
C pk =
pero
no puede detectar
3 3) la desviacin
del valor
objetivo.
Detecta la desviacin
del valor objetivo pero
LESLEI
C pm =
(
no puede detectar la
6 2 +( 4))2 localizacin de la
media del proceso en
el intervalo (LEI-LES).
Considera
la
variabilidad
del
mn {LES , LEI
}
proceso, desviacin del
C pmk =
(
2
2
valor
objetivo y la
3 +(5)
)localizacin
de la
media del proceso en
el intervalo (LEI-LES).

1 C p 1.33 )

Es capaz pero requiere inspeccin

Fig. 2 Proceso capaz con Cp=1

Donde

es la media del proceso,

desviacin estndar del proceso,

es la
es el

valor objetivo y (LES-LEI) son los lmites de

especificacin
superior
e
inferior
respectivamente. Adems, Juran calific a los
procesos, segn el valor del
siguiente manera [1]:

C p , de la

C p >1.33 )
Es capaz

Fig. 3 Proceso capaz con Cp>>1

ndices de Capacidad para datos no Normales
Al tener procesos distribuidos de manera
diferente a la distribucin normal, se debe

considerar a la mediana (M) como medida de

tendencia central y la propagacin actual del
proceso ( 6 ) debe ser calculada a partir de

los percentiles 99.865 y 0.135 de la distribucin.

Es as, que las frmulas presentadas
anteriormente, quedan definidas de la siguiente
manera:

LESLEI
C Np =
(F99.865 F 0.135)

C Npk =

mn {LESM , M LEI }
(F 99.865 F 0.135 )
2

(6)

F 99.865 F 0.135 2
2
+ ( M T ) (8)
6

mn {LESM , M LEI }

C Npmk =
3

Adems, esta investigacin permitir aclarar

algunas discrepancias existentes en distintos
estudios comparativos, cada uno con sus
respectivas delimitaciones, que se han realizado
en los ltimos 5 aos.

(7)

LESLEI

C Npm=

La importancia del estudio radica en la

necesidad que tienen las empresas de evaluar de
forma adecuada y realista la capacidad de sus
procesos, con el objetivo de ofrecer productos
acordes a las especificaciones del mercado y
lograr que sus clientes tengan un buen nivel de
satisfaccin.

F 99.865 F 0.135 2
2
+ ( M T ) (9)
6

Adems, se debe mencionar que las

caractersticas descritas para los diferentes ICP
en datos normales son similares para los ICP
definidos para datos no normales. Es decir, cada
uno de ellos se diferencia de acuerdo a la
capacidad de considerar la variabilidad del
proceso, el desvo del valor objetivo y
localizacin de la medida de tendencia central
del proceso en el intervalo (LEI-LES).

MARCO TERICO
MTODOS DE ESTIMACIN DEL ICP EN
DATOS NO NORMALES
Mtodo de Percentiles
El mtodo de percentiles se basa en los ndices
definidos en la Tabla 1. Para estimar aquellos
ndices para datos no normales solo se requiere
estimar los percentiles

de modo que puedan ser reemplazados en las

ecuaciones de los ICPs para datos no normales
(6) (9). Este mtodo fue propuesto por
Clements [8] y es ampliamente usado desde
entonces, los mtodos ms conocidos son los de
Clements y Burr.
Mtodo de Clements
Pearson propuso un sistema para ajustar datos
muestrales a curvas de frecuencia en el ao 1895
[14]. La ecuacin diferencial general para el
ajuste a esta familia de distribuciones es de la
siguiente manera:

y (x+ a)
dy
=
dx b 0+ b1 x +b 2 x 2

FORMULACIN DEL PROBLEMA DE

INVESTIGACIN
Dado que los procesos de la realidad no poseen
distribuciones normales, se requiere una
adecuada metodologa para la estimacin de ICP
para datos no normales, que permita la
integracin de diversos factores involucrados
como el tamao de muestra, la distribucin que
posea el proceso, el nivel de asimetra de la
distribucin y el valor aproximado del ICP.
IMPORTANCIA Y JUSTIFICACIN

F99.865 , F 0.135 y F 0.5

Donde

a ,

b0 ,

b1

(10)

b2

son los

parmetros de la ecuacin. La solucin de la

ecuacin diferencial depende de la naturaleza de
las races de la funcin del denominador

b0 +b 1 x +b2 x 2 . Para mayor detalle respecto

a la solucin de (10) y las distribuciones
obtenidas vase [15]. Los valores de los

parmetros

a ,

b0 ,

b1

b2

son

mtodo de Clements, usar la distribucin Burr

XII para una mejor estimacin [9].

estimados a partir del coeficiente de asimetra y

de curtosis.

Transformaciones

Con apoyo de la familia de distribuciones de

Pearson, Clements fue el primero en proponer
las
modificaciones
en
las
frmulas
convencionales [8]. Plante usar esta familia de
distribuciones para estimar el valor de los
percentiles. Con los percentiles en mano, se
pueden remplazar estos valores en las frmulas
de los ICPs para procesos no normales definidos
en (6) (9).

El mtodo de transformaciones se basa en

aplicar alguna funcin g(X) a la variable de
calidad X de modo que la variable transformada
g(X) se distribuya normalmente. Para que los
lmites sean comparables con la variable
transformada se requiere transformar los lmites
LEI y LES de la forma g(LEI) y g(LES) que
vendran a ser los nuevos lmites para la variable
transformada.

Mtodo de Burr

Como ya se tiene la variable y los lmites de

especificacin transformados en las mismas
unidades, solo queda estimar la capacidad del
proceso mediante los ICPs convencionales.
Adems, no es necesario volver a la anterior
escala ya que los resultados de g(X)=Y son
vlidos para X, en el caso de los ICP. Las
tcnicas de transformacin ms conocidas y
empleadas son la de Box-Cox y la de Johnson,
las cuales se presentan a continuacin.

En 1942, Burr encontr un sistema de funcin de

distribucin F(x) que cumpla la generalizacin
de la ecuacin de Pearson [16], resultando la
siguiente:
( k +1)

f ( x|c ,k =ck x c1 ( 1+ x c )

F ( x| c , k =1( 1+ x c )

(11)
(12)

Transformacin de Box-Cox
Con

x 0 , c 1 , k 1 , siendo c y k

los

parmetros de la distribucin y a su vez los

coeficientes
de
asimetra
y
curtosis
respectivamente.
Burr not que esta familia de distribuciones tiene
una relacin especial con los valores de curtosis
y asimetra, por lo que sera lgico relacionarlo
con los momentos 3 y 4 [17]. Por ello, se
relaciona los valores de la desviacin estndar,
coeficientes de asimetra y curtosis con los
parmetros de la Burr XII en las tablas resumen.
Esta distribucin capt el inters de muchos
investigadores que lo estudiaron a mayor detalle
como Takahasi [18], quien seala que la
distribucin de Burr es una composicin de la
distribucin de Weibull y de Gamma, por lo que
se puede introducir una distribucin Burr
multivariada. Adems esta distribucin de Burr,
conocida en el mbito econmico como SinghMaddala de 2 parmetros [19], es una de las
distintas distribuciones llamadas distribuciones
generalizadas log.logisticas.
Con el empleo de este sistema de distribuciones,
Liu y Chen proponen, como una variacin del

La transformacin de Box-Cox fue propuesta por

George E.P. Box y David R. Cox. [6]
Esta transformacin es usada en variables de
respuesta estrictamente positivas, y est dada
como sigue:

X 1
, para 0
X =
ln ( X ) , para =0
()

(13)

La transformacin depende de un solo parmetro

, el cual puede estimarse mediante el

mtodo de mxima verosimilitud, como fue

mostrado por Box y Cox [6].
Luego, el clculo del Cp se realiza considerando
la media y desviacin estndar de los datos
transformados.
Sistema de Transformaciones de Johnson
Consiste en determinar la distribucin, dentro de
la familia de distribuciones de Johnson, a la que
pertenecen los datos, y realizar una

transformacin sobre ellos de modo tal que el

conjunto de datos se aproxime a una normal [7].
En 1949, Johnson define tres familias de
distribuciones para una variable aleatoria X
continua, como sigue:

SL, que se refiere a

acotada por

debajo o Log normal.

SU (No acotada), que se refiere a

acotada.

no

SB (Acotada), que se refiere a

acotada.

Se definen cada una de las respectivas

transformaciones para este Sistema de Familias
de Distribuciones de Johnson, tomadas de Chou
et al [7].

Familia SL de Johnson,

Y = +ln ( )

Familia SU de Johnson,

Y = + sinh 1

(14)

( )

(15)

Familia SB de Johnson,

Y = +ln

( +
)

(16)

En donde:
Y es la variable transformada, X es la variable a
ser transformada y se cumple las siguientes
restricciones.

, >0 , < < ,< <

METODOLOGA
METODOLOGA PARA LA ESTIMACIN
DEL ICP
Una metodologa adecuada para estimar el ICP
en un proceso, normal o no normal, debe
considerar distintos factores de acuerdo al
escenario en el que se encuentra. Es por ello que
la metodologa propuesta involucra el tipo de
distribucin, su nivel de asimetra y el valor

aproximado del ICP, con fin de evaluar el

escenario y decidir qu mtodo de estimacin
emplear con el objetivo de minimizar el error.
Los factores de entrada definidos son: El tipo de
distribucin, en nivel de asimetra y el valor del
ICP.
Adicionalmente como factor intermedio se
utiliz el mtodo de estimacin del ICP.
METODOLOGA DE COMPARACIN
Para la formulacin de una metodologa para
estimar el ICP, en primer lugar debe conocerse
bajo qu circunstancias se emplear cada
mtodo. Para ello se realiza una comparacin
entre los mtodos de manera experimental
mediante un estudio de simulacin para valores
del ICP iguales a 0.5, 1, 1.5 y 2 con el objetivo
de caracterizar distintos tipos de procesos
respecto a su capacidad, adems el tamao de
muestra considerado es 100 para todas las
simulaciones.
A diferencia de otros trabajos realizados como el
de Hosseinifard et al [11], en donde se hace
comparacin
entre
los
mtodos
de
transformaciones y los de ajuste de distribucin
de datos; el de Ahmad y Abdollahian [10], donde
se compara los mtodos de Clements, Burr y
Box-Cox, los autores del presente trabajo
presentan una comparacin ms completa.
Por lo tanto, la comparacin propuesta debe ser
capaz de involucrar distintos factores de modo
que no se obtengan conclusiones que solo sean
vlidas para ciertas situaciones, sino que, por lo
contrario, se abarque la mayora de escenarios
posibles modificando los niveles de los factores
que se tomen en consideracin.
Con fines de comparacin con otros estudios
realizados [10], [11] y [13], se toma como
criterio de comparacin el

C pu

y al definir

este valor se puede hallar el valor del lmite de

especificacin superior (LES).

LES=C pu ( X 0.99865 X 0.5 ) + X 0.5

(17)

De esta manera el nico valor que se tiene que

definir es el valor del

C pu .

que se obtenga de cada mtodo. En

[10] se considera los mismos valores
para el ICP.

Factores a considerar
Los factores que se consideran son los
siguientes:
-

El mtodo de estimacin; son considerados

los mtodos siguientes: Box-Cox, Johnson,
Mtodo de Clements y el de Burr.
El tipo de distribucin; se considera las
distribuciones con mayor importancia en las
industrias como es la distribucin Gamma,
Beta, Weibull y Lognormal. Adems, estas
distribuciones nos permitirn comparar los
resultados con los de [11]y [10].

Paso 2.

Se define la funcin de distribucin, el

nivel de sesgo y sus parmetros.

Paso 3.

Con el valor dado del

LES=C pu ( X 0.99865 X 0.5 ) + X 0.5 .

Paso 4.

Se genera una muestra aleatoria de

tamao n con la funcin de
distribucin definida.

Paso 5.

Se prueba si la muestra simulada es

aleatoria y se encuentra bajo control
estadstico mediante la prueba de
rachas y el grfico de control X-R. Si
no cumple con los dos requisitos
volver al paso 4.

Paso 6.

Se actualiza el nmero de muestras

m=m+1 simuladas que se encuentran
bajo control y son aleatorias

Paso 7.

Se realiza la estimacin del

Los mtodos aplicados son comparados segn el

error cuadrtico medio ECM.
n

ECM=E (X )2 =
i=1

(x i)
n (18)

Aquel mtodo que presente menor ECM ser

considerado
como
el
mejor
mtodo
estadsticamente. Los intervalos de confianza no
brindan un indicador para determinar cul de los
mtodos es mejor pero si son tiles como
herramientas visuales para evaluar el
comportamiento de los resultados segn cada
mtodo.

Paso 8.

Si m<100 volver al paso 4 hasta

obtener 100 muestras.

Paso 9.

Como la variable RESULTADO consta

de 4 columnas y 100 filas que vienen a
ser la estimacin del

Los pasos del proceso de simulacin son:

Se define un valor objetivo del

C pu

para la muestra mediante los mtodos

de Clements, Burr, Johnson y BoxCox. Cada uno fue definido en la
seccin II. Y se almacena las
estimaciones
en
una
variable
RESULTADO.

Proceso de simulacin

Paso 1.

y la

funcin de distribucin se calcula el

El nivel de asimetra. Se sabe que la

asimetra es el principal motivo de la no
normalidad, por eso es considerada. Los
niveles de asimetra considerados son:
negativo alto, negativo moderado, sin sesgo,
positivo moderado y positivo alto.

Criterio de decisin

C pu

C pu

= 0.5, 1, 1.5 2. El poder definir el

valor del parmetro para este tipo de Paso 10.
estudios, es de gran ayuda ya que se
puede contrastar con el valor estimado

C pu

mediante

los cuatro mtodos, se calcula el ECM

para cada mtodo e intervalos de
confianza.
Se evala el menor ECM y se decide
que el mtodo con aquel valor mnimo
del ECM es el mejor estadsticamente.

Fig. 4 Proceso del estudio de simulacin

RESULTADOS
En esta seccin se presenta el esquema de los
resultados obtenidos, segn el proceso de
simulacin, para los niveles elegidos del

Cpu , de la distribucin y de los niveles de

asimetra.
Inicialmente se muestra resultados parciales para
mostrar como fue el comportamiento de las
estimaciones segn el proceso de simulacin. En
la Fig. 5 se muestra el resultado para

Cpu=1

con distribuciones

Gamma(27,1) ,
Lognormal(1,0.75) .

Beta (5,3) ,

Weibull( 5,1.5)

Beta (5,3) , Gamma(27,1) , Weibull( 5,1.5) y

Fig. 5 Resultados para

Lognormal(1,0.75) , Cpu=1
Segn la Fig. 5 se puede observar que; primero,
para la distribucin

Beta (5,3) , el mtodo

de Percentiles con el ajuste de distribucin de

Pearson presenta mejores resultados ya que las
estimaciones estn ms cercanas a

Cpu=1

y presentan menor variabilidad. Segundo, para la

distribucin

Gamma(27,1) , el mtodo de

Percentiles con el ajuste de distribucin de Bur

XII obtiene valores ms cercanos a

Cpu=1

con menor variabilidad, sin embargo los dems

mtodos tambin presentan buenos resultados
pero con mayor variabilidad o sesgo. Tercero, en

el caso de la distribucin

Weibull( 5,1.5) ,

aunque los cuatro mtodos presentan resultados

satisfactorios para la estimacin de

Cpu=1 ,

el mtodo de transformacin de Box-Cox es el

mejor. Finalmente, para la distribucin

Lognormal(1,0. 75) ,

el

mtodo

de

transformacin de Johnson es el ms adecuado.

Como se mencion anteriormente, en la Fig. 5,
solo se muestra una parte de los resultados del
estudio de simulacin con fines de comprobar y
confirmar que cada uno de los mtodos
presentados es mejor en ciertas situaciones y por

lo tanto se niega el paradigma de que alguno de

los mtodos presentados sea el mejor y el ms
adecuado en cualquier situacin cuando se
trabaja con datos no normales. En la Fig. 6 y Fig.
7 se muestra el resultado general del estudio de
simulacin para

Cpu=

0.5, 1, 1.5 y 2 y

para las distribuciones mencionadas en la

metodologa de simulacin y comparacin segn

el ECM (Error Cuadrtico Medio) obtenido por

cada mtodo. En estas figuras los mejores
mtodos, aquellos con menor ECM estn
representados de color rojo. Adems, Los
resultados NA significan que el mtodo no
pudo realizar alguna estimacin en las 100
muestras simuladas. Los resultados de la Fig. 5
pueden corroborarse, segn el ECM obtenido,
en la Fig. 6 y Fig. 7.

Fig. 6 Resultados para

Cpu=0.5 y Cpu=1 segn ECM

Fig. 7 Resultados para

Cpu=1.5 y Cpu=2 segn ECM

CONCLUSIONES

Los resultados obtenidos dan muestra de que

ninguno de los mtodos es el mejor
estadsticamente en cualquier situacin de no
normalidad de los datos. Por ello el mtodo
ms adecuado depende del tipo de
distribucin, del nivel de asimetra y del
valor aproximado del ICP.
Adems, los resultados presentados son
tiles para identificar el escenario bajo el
cual se trabaja y determinar que mtodo
emplear con fines de asegurar que se
obtendr resultados ms confiables al resto
de los mtodos presentados.
En el proceso de simulacin existen
complicaciones para estimar los parmetros
de la distribucin de Burr XII, as que se
recomiendo emplear algoritmos eficientes
para este proceso.
Finalmente, se deja claro que an est
abierto el campo de investigacin de los ICP
con mtodos bayesianos, multivariados,
computacionales entre otros.
BIBLIOGRAFA
[1]J. M. Juran, Quality Control Handbook, 3rd
ed. New York: , 1974, p. 1600.
[2] V. E. Kane, Process Capability Indices,
Journal of Quality Technology, vol. 2097,
no. 7, pp. 4152, 1986.
[3] L. K. Chan, S. W. Cheng, and F. A. Spiring,
A new measure of process capability:
Cpm, Journal of Quality Technology, vol.
20, no. 3, pp. 162175, 1988.
[4] W. L. Pearn, S. Kotz, and N. L. Johnson,
Distributional and inferential properties
process capability indices, Journal of
Quality Technology, vol. 24, no. 4, pp. 216
233, 1992.
[5] S. Kotz and N. L. Johnson, Process
Capability Indices, 1st ed. Chapman and
Hall/CRC, 1993, p. 224.

[6] G. E. P. Box and D. R. Cox, An Analysis

of Transformations, Journal of Royal
Statistical Society, vol. B, no. 26, pp. 211
252, 1964.
[7] Y. M. Chou, A. M. Polansky, and R. L.
Mason, Transforming non-normal data to
normality in statistical process control,
Journal of Quality Technology, vol. 30,
1998.
[8] J. A. Clements, Process capability
calculations for non-normal distributions,
Quality Progress, no. 22, pp. 95100, 1989.
[9] P.-H. Liu and F.-L. Chen, Process
capability analysis of non-normal process
data using the Burr XII distribution, The
International
Journal
of
Advanced
Manufacturing Technology, vol. 27, no. 9
10, pp. 975984, Aug. 2005.
[10] S. Ahmad and M. Abdollahian, Process
capability estimation for non-normal quality
charactersitics using Clement, Burr and
Box--Cox methods, ANZIAM, vol. 49, pp.
642665, 2008.
[11] S. Z. Hosseinifard, B. Abbasi, S. Ahmad,
and M. Abdollahian, A transformation
technique to estimate the process capability
index for non-normal processes, The
International
Journal
of
Advanced
Manufacturing Technology, vol. 40, no. 5
6, pp. 512517, Feb. 2008.
[12] A. Czarski, Estimation of process
capability indices in case of distribution
unlike the normal one, Archives of
Materials Science, vol. 34, no. 1, pp. 3942,
2008.
[13] J. Chen and C. Ding, A new process
capability
index
for
non-normal
distributions, International Journal of
Quality, vol. 18, no. 7, pp. 762770, 2001.
[14] K. Pearson, Contributions to the
Mathematical Theory of Evolution. II. Skew
Variation in Homogeneous Material,
Philosophical Transactions of the Royal
Society A: Mathematical, Physical and
Engineering Sciences, vol. 186, pp. 343
414, Jan. 1895.

[15] W. Elderton, Systems of frequency

curves, Chemistry &amp;, 1969.
[16] I. Burr, Cumulative frequency functions,
Annals of Mathematical Statistics, vol. 13,
no. 2, pp. 215232, 1942.
[17] J. Fermn and M. Valdiviezo, Estimacin
de ndices de capacidad de procesos usando
la distribucin generalizada de pareto, pp.
93106, 2010.

[18] K. Takahasi, Note on the Multivariate

Burrs Distribution, Annals of the Institute
of Statistical Mathematics, vol. 17, no. 1,
pp. 257260, 1965.
[19] C. Kleiber, A Guide to the Dagum
Distributions, no. December, 2007.