Metodología para la estimación de índices de capacidad en procesos para datos no normales

Abstract

La globalización 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 Índices de Capacidad de Proceso (ICP) juegan un rol trascendental en el análisis de capacidad de los procesos. Para el caso de datos no normales existen dos enfoques generales basados en transformaciones (Transformación de Box –Cox y de Johnson) y percentiles (Sistemas de distribuciones de Pearson y de Burr). Sin embargo, estudios anteriores sobre la comparación de tales métodos muestran distintas conclusiones y por ello nace la necesidad de aclarar las diferencias que existen entre estos métodos para poder implementar una correcta estimación de estos índices. En este trabajo, se realiza un estudio de simulación con el objetivo de comparar los métodos mencionados y proponer una metodología adecuada para la estimación del ICP en datos no normales. Además, se concluye que el mejor método a emplear depende del tipo de distribución, el nivel de asimetría de la misma y el valor del ICP.

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 non-normal data there are two general approaches based on transformations (Box-Cox and Johnson Transformation) and Percentiles (Pearson’s and Burr’s 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 that the best method used depends on the type of distribution, the asymmetry level of the distribution and the ICP value.