ÍNDICES DE CAPACIDAD

Considere las propuestas de Chen &Pean (1997) y

Wu et (1999). Compare las propuestas junto con
C p (u ,v ) usando una chicuadrado con tres grados de
libertad (ver sección cuatro de Chen & Pean (1997)
y una distribución Weibull considere la aplicación de
Chen & Pean (1997) y calcule los índices bajo las
dos metodología.

Sea los siguientes valores de un proceso productivo en donde se

toma la información del tiempo de desgaste una pieza en particular.
Se establece las especificaciones les = 280 , lei = 250 y µ B = 265 = T de
tres maquinas. Inicialmente asumimos un tamaño de muestras para
cada una de las maquinas con la información suministrada por el
proceso a través de los años.

PROCESO µ M σ χ 02.135 χ 992 .865

A 250.5 250 5.60 62.05 114.61
B 267.3 265 5.60 26.45 59.99
C 290.5 280 5.60 9.438 31.684

Se realiza la estimación de los valores de los índices de capacidad,

inicialmente asumiendo valores de ji-cuadrado para diferentes
tamaños de muestra: 100 para la maquina A, 50 para la maquina B y
25 para la maquina C.

PROCESO Cp C pk C pm C pmk C Np C Npk C Npm C Npmk

A 0.892 0.000 0.282 0.000 0.570 0.000 0.1082 0.000
B 0.892 0.892 0.892 0.892
C 0.892 0.000 0.209 0.000
Donde las formulaciones aplicadas se presentan a continuación:

les − lei
Cp =
6σ
 les − µ µ − lei 
C pk = min  , 
 3σ 3σ 
les − lei
C pm =
2
6 σ 2 + (µ − T )
 les − µ µ − lei 
C pmk =  , 
2 2
 6 σ 2 + (µ − T ) 6 σ 2 + (µ − T ) 

Generamos variables aleatorias con comportamiento Weibull para

cada una de las maquinas con parámetros de forma de 55 y de escala
de 265; estimamos los índices de capacidad C Np (u, v ) se calculan los
percentiles muestrales.
les − lei
C Np =
W99.865 − W0.135
 
 les − M M − lei 
C Npk =  , 
 W99.865 − W0.135 W99.865 − W0.135 
 2 2 
les − lei
C Npm =
2
W99.865 − W0.135  2
6   + (M − T )
 6 
 
 
 les − M M − lei 
C Npm = , 
2 2
 W99.865 − W0.135  2 W99.865 − W0.135  2 
3
   + ( M − T ) 3   + (M − T ) 
  6   6  
 Datos generados aleatoriamente con distribución Weibull

243,974 267,018 263,843 266,065

248,380 271,561 256,997 265,607
264,991 261,062 263,354 266,841
261,282 266,129 260,484 247,756
261,759 259,282 266,126 271,224
262,983 226,461 262,728 260,349
259,631 246,685 265,614 262,423
260,236 254,88 254,426 264,508
246,969 254,321 267,506 263,022
256,656 261,865 264,87 257,771
268,328 256,482 264,097 269,077
269,21 268,454 265,858 252,684
249,769 260,637 272,154 258,411
266,276 257,558 261,71 251,228
258,064 258,465 259,519 253,625
260,573 260,194 259,726 258,832
269,801 269,326 264,326 251,071
255,389 260,948 261,994 262,971
255,74 262,874 261,479 258,257
264,895 266,351 263,569 263,36
259,021 256,375 267,131 268,148
256,154 256,106 273,05 265,913
258,095 263,171 257,883 265,299
264,202 252,903 269,72 271,813
263,974 263,767 267,508 271,890

 99,865n + 0,135   99,865 × 100 + 0,135 

R1 =  =  = [99,866] = 99
 100   100 

 0,135n + 99,865   0,135 × 100 + 99,865 

R2 =  =  = [1,134] = 1
 100   100 

 n + 1 100 + 1
R3 =  =  = [50,5] = 50
 2   2 
Se calcula los valores de Weibull para el percentil superior de
0.99865 de la siguiente forma:

 99,865n + 0,135 
W99.865 = X ( R1 ) +  ( )
− R1  X ( R1 +1) − X ( R1 ) =
 100 

= X 100 + (99,866 − 99 )(X (100 ) − X (99 ) ) = 271.89 + 0,865(271.89 − 271.813) = 271.95

 0,135n + 99,865 
W0.135 = X ( R2 ) +  (
− R2  X ( R2 +1) − X ( R2 ) =)
 100 

= X (1) + (1,134 − 1)(X (2 ) − X (1) ) = 243.974 + 0,134(248.38 − 243.974) = 244.564

 n +1 
M = Mediana = X ( R3 ) +  (
− R3  X ( R3 +1) − X ( R3 ) =)
 2 

= X (50 ) + (50,5 − 50 )(X (51) − X (50 ) ) = 263.767 + 0,5(263.843 − 263.767) = 263.805

PROCESO µ M σ W0.135 W0.99865

A 250.5 263.8 5.60 244.56 271.95
B 267.3 265.2 5.60 262.78 274.14
C 290.5 280.3 5.60 246.92 275.195

Se calculan a continuación los índices de capacidad C Np (u, v ) , de la

siguiente manera:

les − lei 280 − 250

C Np = = = 1.098
W99,865 − W0,135 271.879 − 244.56
  les − M M − lei   280 − 263.80 263.80 − 250 
C Npk = min  F − F , F − F  = min  271.879− 244.56 , 271.879− 244.56 
 99 , 8652 0 ,135 99 , 8652 0 ,135   2 2 

= 1.01

les − lei 280 − 250

C Npm = = = 2.1063
6 ( F99 , 865 − F0 ,135
6
)
2
+ (M − T )
2
6 ( 271.879− 244.56 2
6
) + (263.80 − 265) 2

 
 les − M M − lei 
C Npmk = min  , =
3
 ( 6
)
F99 , 865 − F0 ,135 2
+ (M − T )
2
3 ( 6
)
F99 , 865 − F0 ,135 2
+ (M − T )
2



 
 280 − 263.80 263.8 − 250 
= min  ,  = 0,9139
 3 ( 271.8796−244.56 )2 + (263.80 − 265)2 3 ( 271.8796−244.56 )2 2
+ (263.80 − 265) 

PROCESO Cp C pk C pm C pmk C Np C Npk C Npm C Npmk

A 0.892 0.000 0.282 0.000 1.098 1.01 2.1063 0.9139
B 0.892 0.892 0.892 0.892 2.640
C 0.892 0.000 0.209 0.000 1.061

En esta simulación de Weibull de las capacidades del proceso,

observamos que en términos generales el proceso es capaz de
cumplir con las especificaciones.
 ÍNDICE DE CAPACIDAD DEL PROCESO PONDERADA POR LA
VARIANZA

Datos generados aleatoriamente con distribución Weibull

243,974 267,018 263,843 266,065
248,380 271,561 256,997 265,607
264,991 261,062 263,354 266,841
261,282 266,129 260,484 247,756
261,759 259,282 266,126 271,224
262,983 226,461 262,728 260,349
259,631 246,685 265,614 262,423
260,236 254,88 254,426 264,508
246,969 254,321 267,506 263,022
256,656 261,865 264,87 257,771
268,328 256,482 264,097 269,077
269,21 268,454 265,858 252,684
249,769 260,637 272,154 258,411
266,276 257,558 261,71 251,228
258,064 258,465 259,519 253,625
260,573 260,194 259,726 258,832
269,801 269,326 264,326 251,071
255,389 260,948 261,994 262,971
255,74 262,874 261,479 258,257
264,895 266,351 263,569 263,36
259,021 256,375 267,131 268,148
256,154 256,106 273,05 265,913
258,095 263,171 257,883 265,299
264,202 252,903 269,72 271,813
263,974 263,767 267,508 271,890

WU y SWAIN (1999) propusieron, calcular índices de capacidad de

varianza ponderada para procesos en donde le supuesto de
normalidad no se cumple. Este método consiste en dividir una
distribución asimétrica en dos distribuciones normales con la misma
media que la distribución inicial, pero con varianzas distintas. Para
una población con media µ y varianza σ existen, de la total n de
observaciones, n1 y n2 cantidades de observaciones por encima y por
debajo de µ. De esta manera se obtienen dos poblaciones con la
misma media µ y distintas desviaciones estándar σ1 y σ2 .

Los estimadores propuestos por WU y SWAIN se presentan de la

En este trabajo observamos que los índices de capacidad ponderada
por la varianza son menores que los propuestos por CHEN y PEARN.

F99,865 = 271.879 F0,135 = 244.56 M = 263.8

Los estimadores necesarios para el cálculo de los índices de WU y

SWAIN son:

X = 261.13 s1 = 7.30 s 2 = 6.40

sT 1 = 8.23 sT 2 = 7.437

Con ambas metodologías se concluyo que el proceso cumple con las

especificaciones, la de índices de varianza ponderada aunque
subestima el valor de Cpk , arroja un valor más parecido que el
calculado por la metodología de CHEN y PEARN.