TESIS DE MAESTRIA EN ESTADISTICA APLICADA

INDICADORES MULTIDIMENSIONALES DE CAPACIDAD DE PROCESOS

REGIONES DE CONFIANZA MEDIANTE BOOTSTRAP 1
Noemí María Ferreri
Facultad de Ciencias Exactas, Ingeniería y Agrimensura, Universidad Nacional de Rosario
Contacto:nferreri@fceia.unr.edu.ar

Directora: Dra. Marta B. Quaglino

Co-director: MSc Gonzalo Marí

La evaluación de la capacidad de un proceso constituye el tema central de esta tesis. En

ella, la capacidad se presenta como un concepto “multidimensional”, por lo cual un único
número resulta insuficiente para reflejar todos los aspectos presentes. Se propone un vector de
tres componentes asociados a variabilidad, centrado y proporción de producción no conforme,
lo que constituye una instancia superadora de los tradicionales indicadores unidimensionales.
Los dos primeros componentes están implícitamente asociados a una única variable de calidad
cuantitativa continua, no así el tercero, que puede aplicarse para una o más variables
cualitativas o cuantitativas.
Los objetivos que se plantearon en esta tesis fueron llevar adelante un exhaustivo relevamiento
bibliográfico para encontrar, las expresiones más apropiadas para cada componente y elegir un
estimador a partir de la consideración de sus propiedades estudiadas por simulación.
Finalmente, dado que no puede asumirse un modelo para la distribución conjunta del estimador
del Indicador Multivariado, se propone construir una región de confianza mediante Bootstrap, la
cual se presenta a través de una herramienta gráfica denominada “cuadrantes de capacidad”
para facilitar la interpretación al usuario.

Para llegar a la expresión más apropiada para cada componente del vector y a la
definición de un estimador con propiedades estadísticas adecuadas, se efectuó un estudio
sistemático que consideró en primer lugar un conjunto de expresiones tomadas del
relevamiento bibliográfico, estudió su sensibilidad y especificidad para señalar la capacidad de

1
Defendida en Rosario el 9/5/2012
los procesos frente a diferentes especificaciones (bilaterales simétricas y asimétricas) y distintas
distribuciones de probabilidad de la variable de calidad (normal, normal contaminada en
diferentes proporciones, lognormal con diferentes coeficientes de asimetría). Luego planteó
estimadores, estudiando sus propiedades por simulación. La metodología empleada se aplicó
en forma independiente para cada componente del vector. Del análisis conjunto de las
conclusiones de estas dos etapas surgió, para cada componente, la expresión que resultaba
más apropiada para la variedad de situaciones considerada y para la cual, además, se podía
plantear un estimador con buenas propiedades.
Para los indicadores en la población, las dos propiedades requeridas se refieren a la posibilidad
de que ellos adviertan sobre la falta de capacidad de los procesos cuando esta se produce
(sensibilidad) y a la de no dar falsas alarmas, advirtiendo falta de capacidad, cuando el
proceso realmente es capaz (especificidad). El cumplimiento de ambas propiedades depende
tanto de la expresión matemática del indicador como de la propia definición adoptada para
identificar a un proceso como capaz o no capaz en cada dimensión considerada.
Para evaluar la bondad de los estimadores de cada expresión las propiedades analizadas son
el error cuadrático medio, el sesgo relativo y la cobertura.

Propuesta una expresión para cada componente del vector y su estimador

correspondiente se consideró la incertidumbre a la hora de estimar los parámetros de interés y
se propuso la construcción de una región de confianza para el vector de capacidad de proceso.
La obtención de una expresión analítica para dicha región es un problema complejo: por un
lado, la variable de calidad puede ser modelada por diferentes distribuciones de probabilidad y
por el otro, las componentes del vector propuesto son funciones de la media, la variancia y la
proporción de producción no conforme del proceso y no existe una manera simple de obtener
su distribución muestral conjunta, ni siquiera suponiendo normalidad. Para la construcción de la
región de confianza se consideró la propuesta de varios autores de aplicar el método
Bootstrap para obtener una nube de puntos y ajustar a estos una función de densidad bivariada
por el método Kernel. Para esta función de densidad se buscó un contorno que abarque un
cierto porcentaje de los puntos obtenidos, el cual constituye el borde de la región
multiparámetro.

Dado que los gráficos en dos dimensiones son más fáciles de interpretar que los
tridimensionales, se propuso un gráfico denominado “cuadrantes de capacidad” para los dos
primeros componentes del vector: el asociado a problemas en la variabilidad del proceso y el
asociado a problemas en el centrado. En dicho gráfico se considera un sistema cartesiano para
el cual la ecuación correspondiente al eje de las abscisas es “y = b”, siendo b el mínimo definido
para considerar a un proceso capaz en relación al centrado, y la correspondiente al eje de las
ordenadas es “x = a”, siendo a el mínimo definido para considerar a un proceso capaz en
relación a la variabilidad. Ambos ejes se cortan en el punto O, de coordenadas (a,b). La región
de confianza Bootstrap construida para los dos componentes mencionados se ubica en el
gráfico y según su localización en alguno de los cuadrantes se concluye sobre la capacidad del
proceso: si se ubica en el primer cuadrante se dice que el proceso resulta capaz tanto en
relación al centrado como a la variabilidad, si lo hace en el segundo cuadrante, el proceso
resulta capaz en relación al centrado pero no a la variabilidad y lo contrario ocurre en el tercer
cuadrante; si se ubica en el cuarto cuadrante, el proceso no resulta capaz ni en relación al
centrado ni a la variabilidad.
La información sobre el tercer componente, asociado a la proporción de producción no
conforme del proceso, se presenta al pie del gráfico a través de un intervalo de confianza
Bootstrap.
En la Figura 1 se muestra, a modo de ejemplo, un gráfico de “cuadrantes de capacidad” que
permite concluir que el proceso no es capaz en relación al centrado; pero sí en relación a la
variabilidad. Respecto de la proporción de proporción no conforme, los intervalos no son
informativos puesto que el valor de referencia (1, en este caso) pertenece a cada uno de los
intervalos obtenidos.

Niveles de confianza
….. 50 % ----- 95 %___ 99 %

Intervalos de confianza (Bootstrap Percentile) para la Componente 3

50% (0.9813, 1.0014) 95% (0.9713, 1.0014) 99% (0.9613, 1.0014)
Figura 1 Capacidad de un proceso a partir de una muestra de n = 100
Esta herramienta gráfica permite superar el mero uso de estimaciones puntuales para tomar
decisiones sobre la capacidad de un proceso y lo hace de una manera sencilla para el usuario:
este sólo debe observar la localización de las regiones de confianza en relación a los
cuadrantes y concluir. Además permite incorporar información propia del proceso y de los
objetivos de la empresa en relación a dicho proceso, ya que los valores “a” y “b”, que delimitan
a los cuadrantes, deben ser definidos por el usuario en función de dicha información.

Los resultados obtenidos permiten contar con un indicador de capacidad de proceso que
no sólo indica si el proceso es capaz o no, sino que informa en qué aspectos se detecta la falta
de capacidad. Las expresiones utilizadas amplían el campo de aplicación de estos indicadores
a una gran variedad de situaciones como procesos no normales y especificaciones unilaterales
o asimétricas. El uso de la región de confianza, permite considerar la incertidumbre propia de la
información muestral, lo cual no siempre es tenido en cuenta en la práctica en las industrias y,
además, la localización de la región en el “cuadrante de capacidad” facilita la interpretación para
el usuario no experto.
La forma de construcción de las regiones no es única. Se presentan otras alternativas, no
exploradas en esta tesis, como líneas futuras de investigación; sin embargo, se encuentra que
el mecanismo Bootstrap, tal y como está presentado en los programas que se aplican,
constituye una aproximación valiosa y adecuada que supera ampliamente a la práctica usual.

REFERENCIAS
Davison, A. and Hinkley, D. (1997) Bootstrap Methods and their Application, Estados Unidos:
Cambridge University Press.

Efron, B. and Tibshirani, R. (1993) An Introduction to the Bootstrap, New York: Chapman & Hall.

Forester, J. D. (2008, Marzo, 17), “Plotting contours,” [Mensaje de blog] Recuperado de

http://www.r-bloggers.com

Gunter, B. H. (1989), “The Use and Abuse of Cpk,” Parts 1-4, Quality Progress, 22, 72-73,
79-80, 86-87, 108-109.
Kane, V. E. (1986), “Process Capability Indices,” Journal of Quality Technology, 18, 41-52.

Kotz, S. and Johnson, N. L. (2002), “Process Capability Indices- A Review, 1992-2000,” (with
discussion), Journal of Quality Technology, 34, 2-19.

Pearn, W. L. and Kotz, S. (2006), Encyclopedia and Handbook of Process Capability Indices. A
Comprehensive Exposition of Quality Control Measures. (Series on Quality, Reliability and
Engineering Statistics. Vol 12), Singapur: World Scientific.

Perakis, M. and Xekalaki, E. (2001), “On an Improvement in Confidence Limits for the Proportion
of Conformance, ” Technical Report Nº 128, Athens University of Economics and Business,
Department of Statistics.

Shahriari, H. and Abdollahzadeh, M. (2009), “A new multivariate process capability vector,”

Quality Engineering, 21, 290-299.

Shore, H. (1998), “A new approach to analyzing non-normal quality data with applications to
process capability analysis,” International Journal of Production Research, 36, 1917-1933.

Wang, F. K., Hubele, N. F., Lawrence, F. P., Miskulin, J. D. and Shahriari, H. (2000),
“Comparison of Three Multivariate Process Capability Indices,” Journal of Quality Technology,
32, 263-275.