Professional Documents
Culture Documents
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
( ICP)
son
( LES)
inferior
Cp=
En donde
LESLEI
6
(LESLEI )
(1)
viene a ser la
C pk
como un
C pmk
C pm
del proceso
ICPs
ICPs
tradicionales;
entre
las
para
reemplazar
P
( 99.865P 0.135)
mediana en los
por
y la media por la
C p <1 )
No es capaz
DEFINICIN DE NDICES
ndices de Capacidad para datos Normales
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 )
Donde
es la
es el
C p , de la
C p >1.33 )
Es capaz
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
(7)
LESLEI
C Npm=
F 99.865 F 0.135 2
2
+ ( M T ) (9)
6
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
y (x+ a)
dy
=
dx b 0+ b1 x +b 2 x 2
Donde
a ,
b0 ,
b1
(10)
b2
son los
parmetros
a ,
b0 ,
b1
b2
son
Transformaciones
Mtodo de Burr
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
X 1
, para 0
X =
ln ( X ) , para =0
()
(13)
acotada por
acotada.
no
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.
C pu
y al definir
(17)
C pu .
Factores a considerar
Los factores que se consideran son los
siguientes:
-
Paso 2.
Paso 3.
Paso 5.
Paso 6.
Paso 7.
ECM=E (X )2 =
i=1
(x i)
n (18)
Paso 8.
Paso 9.
C pu
Proceso de simulacin
Paso 1.
y la
Criterio de decisin
C pu
C pu
C pu
mediante
Cpu=1
con distribuciones
Gamma(27,1) ,
Lognormal(1,0.75) .
Beta (5,3) ,
Weibull( 5,1.5)
Lognormal(1,0.75) , Cpu=1
Segn la Fig. 5 se puede observar que; primero,
para la distribucin
Cpu=1
Gamma(27,1) , el mtodo de
Cpu=1
el caso de la distribucin
Weibull( 5,1.5) ,
Cpu=1 ,
Lognormal(1,0. 75) ,
el
mtodo
de
Cpu=
0.5, 1, 1.5 y 2 y
CONCLUSIONES