Section IV - Multivariate Capacity Index CMP

Multivariate control charts T squared and index of multivariate capability CMp.
New proposals Bothe, Wang, Herrera
CONTROL CHART T-CUADRADO RELATIONSHIP WITH INDEX CAPABILITY

MULTIVARIATE
PhD Roberto José Herrera Acosta
SECTION IV
MÓDULO CONTROL ESTADÍSTICO DE PROCESOS
MAESTRÍA EN GESTIÓN DE LA CALIDAD
Universidad del Atlántico
25 de septiembre de 2020
Multivariate control charts T squared and index of multivariate capability CMp. New proposals
PhD Herrera Acosta Roberto José
Multivariate control charts T squared and index of multivariate capability CMp. New proposals Bothe, Wang, Herrera
1 Index of multivariate capability CMp. New proposals Bothe, Wang, Herrera.

ïndice de capacidad de proporción de no conformes
ïndice de capacidad de razón de regiones
Análisis de Componentes Principales Wang(1998)
2 Análisis de Capacidad Espacio Tiempo Herrera (2019)

Distribución Weibull
Caso de Estudio Farmaceútico: Numerical problems
Índice de capacidad multivariado para la medición de Seis Sigma
1 Index of multivariate capability CMp. New proposals Bothe, Wang, Herrera.

ïndice de capacidad de proporción de no conformes
ïndice de capacidad de razón de regiones
2 Análisis de Capacidad Espacio Tiempo Herrera (2019)

Distribución Weibull
Index of multivariate capability CMp. New proposals Bothe, Wang.
Sección 1 Index of multivariate capability CMp. New proposals Bothe, Wang.
Es pertinente recordar, en el campo multivariante es presentado los siguientes criterios, conocidos los
parámetros del proceso
1 la matriz de datos X de orden n × p, donde p es el número de características de calidad
medidas en un producto y n es el número de productos monitoreados.
2 asumir que las n observaciones son linealmente independientes, representadas en una muestra
seleccionada aleatoriamente del proceso, asumiendo una distribución multivariada con
correlaciones entre las variables o características de calidad.
3 cada una de las p variables posee una especificaciones técnicas, en donde el vector µ0 contiene
los valores objetivos para cada una de las caracteristicas de calidad medidas en el proceso.
4
Pusar los datos de la matriz X , el vector de medias µ y la matriz de varianza
El objetivo es
covarianza , sujetas a las especificaciones de ingeniería para llegar a una definición aceptable
de capacidad.
Algunos eventos de interes, para comprender el análisis de capacidad multivariado

En el caso univariado, la localización y dispersión de la curva normal define un intervalo de
valores, como también lo definen los límites de tolerancia.
Los índices de capacidad univariados proporcionan una comparación entre estas longitudes,
mediante una razón entre estas.
En el caso multivariado la comparación es más compleja, si asumimos distribución normal
multivariada, el análogo a los intervalos son contornos elípticos o elipsoides.
En dos dimensiones, los rangos de tolerancia, tomados juntos,forman una región de tolerancia
rectangular, en tres o más dimensiones los rangos definen un hipercubo.
Para especificaciones más complejas, las regiones de tolerancia pueden tener formas complicadas.
La comparación de las diversas formas, localizaciones, tamaños y orientaciones que surgen de la dis-
tribución estadística, así como de las especificaciones del proceso, conduce a la definiciones bastante
diferentes de capacidad en el dominio multivariado.
En términos generales según Shinde R.L. y Khadse K.G. (2009), Herrera R. (2018) existen seis formas de
definir los índices de capacidad multivariado:
1 La razón de la región de tolerancia y una región de proceso, tal como el propuesto por Taam et al.
(1993).
2 Evaluando la proporción de productos no conformes, como los que presentan Taam et al. (1993),
Castagliola P et al. (2009), Bothe, D. (1991). y Wierda, S.J. (1994),
3 Aplicando el análisis de componentes principales, como lo sugieren Wang F.K. y Chen. J. (1998) y
Chan L.K. et al. (1998).
4 Aplicando datos funcionales FDA, Clements, J.A. (1989), Guevara R. (2011).
5 Adicionando otros criterios de calidad como la fiabilidad, dentro del indicador, Herrera R. (2018).
6 Diferentes propuestas, como la presentada por Shahriari, H. y Abdollahzadeh, M. (2009) y Cumea
G. (2013)
7 Medición de la capacidad Seis Sigma de las dimensiones de un servicio, Herrera R. (2018)
Índice de capacidad de la proporción de no conformes o disconformes
Castagliola, P. et al (2009), Bothe, D.(1991). y Wierda, S.J. (1994) consideran una manera simple de hacerlo
es tomando el porcentaje mínimo de conformes de cada una de las características P1 , P2 , ..., Pp . Por lo
que en todo el proceso el índice de capacidad multivariante es la medida de probabilidad
P = min{P1 , P2 , ..., Pp }.
1
CMp = φ−1 [P]
3
donde P es la medida mínima de probabilidad de cumplimiento entre las variables presentadas en el

estudio,
Z USL
1 1 x−µ 2
Pcumplimiento = √ e− 2 { σ } dx
LSL 2πσ

USL − µ LSL − µ
= P(LSL < X < USL) = P Z < −P Z <
σ σ
Sea un proceso de fabricación de preformas en donde es monitoreada dos variables: el diámetro interno
y la altura del recipiente plástico en milímetros, las especificaciones de estas características de calidad
son las siguientes:
Variable USL LSL µ σ
diametro interno 25 22 23 2.5
Altura 120 90 100 4
Determine el índice de capacidad multivariado propuesto por Castagliola-Bothe-Wierda.
Evaluando el índice de capacidad potencial para el caso univariado, tenemos los siguientes resultados
USL − LSL 25 − 22
Cp(diametro interno) = = = 0.2
6σ1 6(2.5)
USL − LSL 120 − 90
Cp(altura) = = = 1.25
6σ2 6(4)
la información preliminara, indican que la variable diámetro interno, inciden claramente en la en la

menor capacidad de este producto.Los índices de capacidad reales, para cada una de las variables son
los siguientes,

23 − 22 25 − 23
Cpk(diametro interno) = mı́n Cpl = = 0.133, Cpu = = 0.266
3(2.5) 3(2.5)
= 0.133

100 − 90 120 − 100
Cpk(altura) = mı́n Cpl = = 0.833, Cpu = = 1.666
3(4) 3(4)
= 0.8333
La medida de probabilidad de cumplimiento de las especificaciones, son definidas de la siguiente forma,

USL − µ1 LSL − µ1
Pdiametro interno = P(LSL < X < USL) = P Z < −P Z <
σ1 σ1

25 − 23 22 − 23
=P Z ≤ −P Z ≤ = P [Z ≤ 0.8] − P [Z ≤ −0.4]
2.5 2.5
= 0.788 − 0.344 = 0.444

USL − µ2 LSL − µ2
Paltura = P(LSL < X < USL) = P Z < −P Z <
σ2 σ2

120 − 100 90 − 100
=P Z ≤ −P Z ≤ = P [Z ≤ 5.0] − P [Z ≤ −2.5]
4.0 4.0
= 1 − 0.0062 = 0.9938
entonces, P es,
P = mı́n(0.44; 0.9938) = 0.44
por tanto
1 −1 1
φ [0.44] = [−0.144] = −0.048
CMP =
3 3
el resultado de −0.048, claramente, muestra un valor inadecuado para el desempeño de este producto.
K. S. Chen, W. L. Pearn y P. C. Lin (2003), presentan un Índice de Capacidad Multivariante (ICM de Chen,
Pearn y Lin) que evalúa n características de calidad de un producto, primero calcula los índices de
capacidad promedio para cada una de las variables mediante la siguiente fórmula,
" Qp #
1 j=1 [2φ(3Cpk ) − 1] + 1
T
Cpk = φ−1
3 2
donde Cpkj denota el valor de la j-ésima característica para j = 1, 2, ..., N, p es el número de caracterís-
ticas y φ es la distribución normal estándar. En el caso multivariante es calculada inicialmente los índices
de capacidad de localización o reales para cada una de las variables involucradas, siendo

µ − LSL USL − µ
Cpk = mı́n Cpl = , Cpu =
3σ 3σ
En el ejercicio presentado como caso de estudio, tenemos los índices reales evaluados,

23 − 22 25 − 23
Cpk(diametro interno) = mı́n Cpl = = 0.133, Cpu = = 0.266
3(2.5) 3(2.5)
= 0.133

100 − 90 120 − 100
Cpk(altura) = mı́n Cpl = = 0.833, Cpu = = 1.666
3(4) 3(4)
= 0.8333
ïndice de capacidad reales para el diámetro interno y altura de la preforma. Realizado los cálculos para
las variables diámetro interno y altura de la preforma, tenemos que:
[2φ(3Cpk(diametro interno) ) − 1)] = [2φ(3(0.1333)) − 1] = [2φ(0.3999) − 1] = [2(0.6550) − 1] = 0.31
[2φ(3Cpk(altura) ) − 1] = [2φ(3(0.833)) − 1] = [2φ(2.499) − 1] = [2(0.9937) − 1] = 0.9874
Por tanto el índice global del proceso es,

1 −1 (0.31 × 0.9874) + 1
T
φ Cpk =
3 2

1 −1 (0.3060) + 1 1
= φ = φ−1 (0.6530)
3 2 3
1
= [0.3934] = 0.1333
3
este valor de 0.133 muestra un proceso que no cumple con la capacidad establecida en las
especificaciones de diseño
Tabla 1. Diversos valores de CpkT para diferentes rendimiento del proceso. Fuente Chen,
K. S. Pearn W. L. y Lin P. C.(2003)
T
Cpk Rendimiento del pro-
ceso
1.00 0.997300204
1.24 0.999800777
1.33 0.999933927
1.50 0.999993205
1.67 0.999999456
2.00 0.999999998
T dado el número de variables. Fuente Herrera.(2019)

Tabla 2. Diversos valores de Cpk
T
p Probabilidad de cumplimiento para cada una de las i variables Cpk
2 0.9973 0.85
3 0.80
4 0.76
5 0.73
6 0.71
El valor mínimo de referencia para dos variables, es de aproximadamente 0.85, para tres variables de
0.80, cuatro 0.76. Es observado, en la tabla referenciada, al aumentar el número de variables, es menor
el valor de referencia.
T dado el número de variables, con el valor mínimo de probabilidad para

Tabla 3. Diversos valores de Cpk
cumplir con la capacidad. Fuente Herrera.(2019)
T
p Probabilidad de cumplimiento para cada una de las i variables Cpk
2 0.99865 1.0
3 1.0
4 1.0
5 1.0
6 1.0
Por otro lado, el valor máximo de referencia, para medidas de probabilidad de conformes cercanos a la
unidad, el valor de referencia máximo del índicador multivariantes es, por ejemplo, en el caso de dos
variables 2.61, para menos de 30 variables monitoreadas un valor aproximado de 2.49.
Ïndice de capacidad de razón de regiones
Shahriari, Hubele, and Lawrence (1995), proponen un indicador de capacidad multivariado conformado
por tres componentes:
Dos componentes usan el supuesto de que los datos del proceso provienen de una distribución
normal multivariada con contornos elípticos que definen regiones de probabilidad.
El tercer componente se fundamenta en el conocimiento geométrico de la región del proceso,
relativo a la región de especificación.
Esta propuesta es representada en la figura inferior
Región del proceso

Región de tolerancia
X
◦•
T
Región modificada del proceso
donde la región real del proceso es la elípsoide, la región de tolerancia, esta sujeta a las especiifcaciones
dadas.
1 El primer componente es análogo a la razón de longitudes en el caso univariado, la propuesta de

Shahriari, Hubele, and Lawrence (1995) presenta la siguiente razón
1
Volumen region de tolerancia p
CpM =
Volumen de la región modificada del proceso
El numerador es el área (en el caso bidimensional) o volumen (en tres o mas dimensiones)definido por la
región de tolerancia.
El denominador es el área o volumen de una región modificada del proceso.
2 El segundo componente es fundamentado en la suposición de que el centro de la región de
especificación es la media del proceso.

p(n − 1)
PV = P T 2 > F(p,n−p)
n−p
donde T 2 = n(X − µ0 )0 S −1 (X − µ0 ) es la distribución de Hotelling, F(p,n−p) es la

distribución F con p y n − p grados de libertad. el valor PV esta comprendido entre 0 < PV < 1,
un valor cercano a cero indica que el centro del proceso está lejos del valor objetivo.
3 El tercer componente índica si alguna parte de la región modificada del proceso queda fuera de
las especificaciones.
1, si RMP ⊂ RT
LI =
0, en otro caso.
este estadístico proporciona conocimiento acerca de la produción de productos no conformes.
La propuesta de Shahriari, Hubele, and Lawrence (2000), generalizada bajo el criterio anterior, para el
primer componente es,
Qp 1
[USLi − LSLj ] p
CpM = Qi=1 p
i=1 [LSPi − LIPj ]
donde los límites de la región modificada del proceso están denotadas de la siguiente forma,
v
u χα,p × |Σ−1
u 2
i. |
LSPi = µi + t −1
|Σij |
v
u χα,p × |Σ−1
u 2
i. |
LIPi = µi − t
|Σ−1
ij |
Caso de Estudio: Evaluación de la capacidad de la Levocetericina
Levocetirizine is an antihistamine used for treating the symptoms of allergic diseases such as Seasonal
Allergic Rhinitis (including ocular symptoms) and Chronic Idiopathic Rhinitis in patients from six months
old on. The development of analytic tests for determining pH levels, density, active principle validation
and sucrose content in product manufacturing, aim to determine the compliance level with the specifi-
cations set for each of these variables, according to preestablished standards.An evaluative research was
conducted each time different metrics and quality techniques were designed to evaluate and monitor the
quality dimensions of a product.
The table below presents a sample of the product quality characteristics.

pH Density Valuation Sucrose Content Expiration
2.51 0.9980 99.534 62.072 2.213
2.58 0.9941 99.523 63.939 2.194
2.63 1.0816 99.492 68.103 2.183
2.72 1.0339 99.462 65.045 2.183
2.74 1.0403 99.616 67.261 2.168
2.74 1.0615 99.492 68.022 2.268
2.82 1.2663 99.492 68.075 2.264
2.76 1.0555 99.571 67.965 2.168
2.75 1.0385 99.417 67.827 1.99+
2.75 1.0801 99.502 68.021 2.150
2.78 1.0152 99.406 68.212 2.146
2.78 0.9972 99.416 68.394 2.176
2.79 1.0913 99.465 68.883 .
2.79 1.0497 99.451 67.972 .
2.79 1.0668 99.426 68.049 .
Levocetirizine variable specifications

Variable Acceptance Criteria Unit of measurement
pH 2.50/3.50
Density 1.00/1.26 gr/ml
Valuation 90/110
Sucrose Content 65/70 %
Reliability 2 years
Aplicando la propuesta de Shariari, Hubele y Lawrence (1995) la matriz de varianza covarianza de estas
variables es definido como,
" 0.007626667 0.002578286 −0.001969524 0.142598333
#
0.002578286 0.004299573 0.000191093 0.051326271
Σ̂ = −0.001969524 0.000191093 0.003573095 −0.038197333
0.142598333 0.051326271 −0.038197333 3.720336524
su inversa es " #
5243.034644 −1222.432903 946.0114513 −206.564402
Σ̂−1 = −1222.432903
946.0114513
562.7516775
−295.0457842
−295.0457842
504.9021942
44.22950906
−32.80153255
−206.564402 44.22950906 −32.80153255 8.499761141
el determinante de la inversa de la matriz de varianza covarianza es 122996700.8. En cuanto a la región

de tolerancia, por ejemplo para la primera variable pH,
USLpH − LSLpH = 3.50 − 2.50 = 1.0
para la variable Densidad es
USLDensidad − LSLDensidad = 1.26 − 1.00 = 0.26
Eliminando la primera fila y columna concerniente a la matriz de varianza covarianza, es decir la variable
pH,
0.004299573 0.000398864 0.0418244
Σ̂ = 0.000398864 0.003621667 −0.040430238
0.0418244 −0.040430238 3.720336524
la inversa es
277.7369286 −74.47971829 −3.931744628
Σ̂−1 = −74.47971829 334.2114155 4.469304464
−3.931744628 4.469304464 0.361563502
el determinante de esta matriz inversa es 23459.06696. Los límites de proceso están denotados con las
siguientes formulaciones, para la primera característica, pH:
r
10.961 × 23459.06696
LSP1 =2.7287 + = 2.7743
122996700.8
r
10.961 × 23459.06696
LIP1 =2.7287 − = 2.6829
122996700.8
la diferencia
LSP − LIP = 2.7743 − 2.6829 = 0.09144
la matriz de varianza covarianza eliminando la variable Densidad es

0.007626667 −0.002153333 0.163619762
Σ̂ = −0.002153333 0.003621667 −0.040430238
0.163619762 −0.040430238 3.720336524
la inversa es
2587.614389 305.1005684 −110.487199
Σ̂−1 = 305.1005684 350.2122692 −9.612387669
−110.487199 −9.612387669 5.023539657
el valor del determinante de la inversa de esta matriz es 218563.0104. Los límites de proceso para la
segunda característica, Densidad, es
r
10.961 × 218563.0104
LSP2 =1.0580 + = 1.1975
122996700.8
r
10.961 × 218563.0104
LIP2 =1.0580 − = 0.9184
122996700.8
la diferencia
LSP2 − LIP2 = 1.1975 − 0.9184 = 0.279
este procedimiento es realizado para las restantes variables valoración y cantidad de sacarosa.
El índice de capacidad multivariado de la razón de regiones, es
1
(3.50 − 2.50) × (1.26 − 1.00) × (110 − 90) × (70 − 65) 4
CpM =
(2.7743 − 2.6829) × (1.1972 − 0.9184) × (99.6330 − 99.33383) × (68.3249 − 66.05371)
1
(1.00) × (0.26) × (20.00) × (5.00) 4
=
(0.0914) × (0.2791) × (0.2946) × (2.2712)
= 6.245
este resultado de un valor del índice de capacidad multivariado de 6.245, muestra un producto con
capacidad de cumplir con las especificaciones de diseño.
El segundo componente, muestra un descentramiento del proceso, un valor cercano a cero indica que
el centro del proceso está lejos del valor objetivo.

p(n − 1)
PV = P T 2 > F(p,n−p)
n−p

2 4(15 − 1)
=P T > F(4,15−4)
15 − 4
2
= P T > 5.09 × F(4,11)
= P T 2 > 5.09 × 4.1677 = P T 2 > 21.217 = 0.00003953

En cuanto al tercer componente obsérvese que la región modificada está incluida dentro de la región
de tolerancia LI=1, confirma la capacidad del proceso de un cumplimiento de las especificaciones del
proceso.
Cumea G. (2013) presenta una región de especificación, construida en intervalos de especificación para
cada una de las variables o característica de calidad evaluada.
v 
u
 u χ2βj 

MCpm = mı́n t 2 /j = 1, 2, .., p
 χ0.027,p
 

donde
(USLj − LSLj )2
χ2βj =
|Σ||Σ−1
j |
En forma similar se determina el índice de capacidad con valor objetivo MCpmk , su formulación se
define como, v v 
u u χ21βj u χ22βj
 u 

MCpm = mı́n t 2 ,t 2 /j = 1, 2, .., p
 χ0.027,p
 χ0.027,p 

siendo los valores percentiles de la chi cuadrado
(USLj − µcj )2 (LSLj − µcj )2

χ21βj = y χ22βj =
|Σ||Σ−1
j | |Σ||Σ−1
j |
La propuesta de Cumea G. (2013) presenta, en el caso de estudio, el índice de capacidad potencial

multivariado
v 
u
 u χ2βj 

MCpm = mı́n t
2
/j = 1, 2, .., p
 χ0.027,p
 

v v 
u χ2β
u u 2
u χβ 
1 2
= mı́n t 2 ,t 2 , ...
 χ0.027,4 χ0.027,4 
(r r )
5243.035 38.042
= mı́n , , ...
10.961 10.961
= mı́n {21.87, 1.8629, 67.868, 8.805}
= 1.862
Los valores de chi-cuadrado para cada característica de calidad, por ejemplo, para el pH, y la Densidad
son evaluadas de la siguiente forma,
(3.50 − 2.50)2
χ2βpH = = 5243.035
8.13 × 10−09 (23459.066)
(1.26 − 1.00)2
χ2βDensidad = = 38.042
8.13 × 10−09 (218563.0104)
el índice de capacidad con valor objetivo MCpmk es

(r r )
3119.37 274.15
MCpmk = mı́n = 16.869, = 5.001/j = 1, 2, .., p
10.961 10.961
= mı́n {16.869, 1.447, 3.490, 2.475, 5.001, 0.415, 64.377, 6.33, } = 0.4155
siendo los valores percentiles de la chi cuadrado, por ejemplo para el pH
(USLj − µcj )2 (3.50 − 2.7287)2
χ21βpH = = = 3119.37
|Σ||Σ−1
j |
8.13 × 10−09 (23459.066)
y
(LSLj − µcj )2 (2.50 − 2.7287)2
χ22βpH = = = 274.15
|Σ||Σ−1
j |
8.13 × 10−09 (23459.066)
Taam et al.(1993) presenta una propuesta novedosa de indicador de capacidad multivariado

1/2
|A|
NMCp =
|Σ|
al presentar la matriz de varianza covarianza, en el denomidor y la matriz A asociada a la correlaciones

de las característica de calidad
los elementos de la matriz A están definidos por,
! !
USLi − LSLi USLj − LSLj
ρij √ √
2 χp,0.9973 2 χp,0.9973
donde ρij representa el coeficiente de correlación en la i y j característica de calidad, p es el número de

características de calidad y Σ es la matriz de varianza covarianza del proceso o producto.
En cuanto al análisis de componentes principales (ACP) el objetivo es obtener una dimensión reducida
o contruir nuevas variables linealmente independientes tal como muestra Wang (1998). Si X es una
matriz de rango r, entonces su descomposición en valores singulares es:
t
X = U(r) D(r) V(r)
donde V(r) y U(r) son matrices cuyas columnas son los vectores ortonormalizados asociados con los
√ √ √
autovalores no nulos de X t X y XX t y D(r) es la matriz diagonal con diag ( λ1 λ2 ... λr ). Los
componentes principales estandarizados son obtenidos, aplicando la descomposición en valores singulares
a la matriz Z t Z donde zij es el correspondiente elemento estandarizado de X . Es definida las coordenadas
de n productos sobre el α ésimo eje principal como:
p
X
ψ α = Zv α = vjα Z j
j=1
donde vector v α es el α ésimo vector columna V(r) . Las coordenadas de la p variables sobre el α
ésimo eje principal esta dada por:
n
X
ϕα = Z t uα = uiα Zi
i=1
La variabilidad asociada a cada componente principal la define la razón de cada autovalor respecto de la
suma de autovalores como se muestra:
λα λα
p =
P p
λα
α=1
Para obtener el indice de capacidad multivariante se calcula un valor de Z mediante la transformación

de componentes principales estandarizados, este valor de Z se obtiene de la medida de probabilidad P
definida como:
p
Y
P= P0,1 [ai < zi < bi ]
i=1
yi −Uit µ0
donde zi = √ , ai y bi son respectivamente los límites de especificación inferior y superior del
λi
proceso.
Por otra parte, Wang (1998) evalúa el indice de capacidad multivariado mediante:
1 −1
MCpk = φ (θ)
3
donde θ es la probabilidad de que un proceso produzca un producto conforme.
Wang y Chen(1998) presenta una nueva propuesta de componentes principales aplicando la siguiente
formulación:
Y v 1
v
MCp = |Cp,PCi |
i=1
donde Cp,PCi es el índice de capacidad univariante para la j ésima componente y v es el número de

autovalores seleccionados.
Eigenvalues for the quality variable components

Component Number Eigenvalue Variance Percentage Cumulative percentage
1 2.37386 59.347 59.347
2 1.10178 27.545 86.891
3 0.51057 12.764 99.656
4 0.01377 0.344 100.00
component weight of the quality variables evaluated in the pharmaceutical company

Variable Component 1 Component 2 Component 3 Component 4
pH 0.639189 0.0147985 0.209187 0.739905
Density 0.333545 0.700623 -0.617753 -0.127503
Valuation -0.321686 0.713025 0.61655 0.0893253
CSucrose Content 0.613762 -0.022448 0.441008 -0.65445
Using the Principal Component Analysis (PCA) technique through the equations 1-4, the process capability
indice proposed by Wang and Chen(1998) obtained was: λ1 = 3.18003 λ2 = 1.15812 , λ3 = 0.358279 y
λ4 = 0.287532, λ5 = 0.0160379. Selecting a 71.52 % of total variability, explained by the first two
principal components, the corresponding normalized vectors are:
û1 = (0.639189; 0.333545; −0.321686; 0.613762)

û2 = (0.0147985; 0.700623; 0.713025; −0.022448)
Variable USL LSL

pH 3.50 2.50
Density 1.26 1.00
Valuation 110.0 90.0
Sucrose Content 70.0 65.0
Reliability 2.0 years
calculating the mean vector lineal combinations and the specifications vector with the coefficients of the
normalized vectors, the results obtained for the first component is: PCA lower specification limit
LY1 = (2.5 × 0.639189 + ... + 65 × 0.613762) = 12.874

and upper limit specification
UY1 = (3.5 × 0.639189 + ... + 70 × 0.613762) = 10.235
this procedure is performed for the remaining components

Through the principal component analysis, the global capability index is calculated as follows:

(10.235 − 12.874)
CpY1 = = −0.2854
(6 × 1.5407)
and
(77.795 − 63.450)
CpY2 = = 2.2777
6 × 1.0496
where 1
MCTp = [| − 0.2854| × |2.2777|] 2 = 0.8063
The global value 0.8063 for the process capability index demonstrates product compliance with the
specifications set for the manufacturing process of the medicine. Adding the third component
1
MCTp = [| − 0.2854| × |2.2777| × |3.4018|] 3 = 1.3029
Análisis de Capacidad Espacio Tiempo Herrera(2019)
Sección 2 Análisis de Capacidad Espacio Tiempo Herrera(2019)
Herrera (2019) evaluates the multivariate capacity indice by adding the criteria of process reliability,in
order to apply the indice in a multivariate setting, a modification of the index presented by Chan et al.
(2003) is proposed. The new indice includes reliability R(t) as an important factor in process evaluation
performance, given that reliability is an important criterion that is overlooked in current multivariate
capability indice proposals. The proposal is presented as follows:

1 A
MCpCRk = w1 ∅−1 + w2 ∅−1 [R (t)]
3 2
where A is a constant defined as:

 1/p
v
Y
A= 2∅ 3Cpkj −1  +1
j=1
This indicator involves reliability as part of the elements in the evaluation of the quality of the product or
process
La distribución Weibull y Rayleigh
Una gran mayoría de los productos no poseen una tasa de fallo constante, es más probable que fallen
con más frecuencia a medida que envejecen; en este caso la tasa de fallos es creciente. La función de
densidad de probabilidad de la Distribución Weibull que está dada por;
α
f (t) = λα(λα)α−1 e−λt
su función de fiabilidad para esta distribución es,

α
R(t) = e(−λt)
si los fallos aparecen en un tiempo finito γ, entonces,

α
R(t) = e(−λt−γ)
donde γ denota la vida mínima del componente.
On the other hand, wi is the assigned weighing for product compliance with the specifications, as well as
with product reliability, where 2i=1 wi = 1. In this case, i = 1 uses the quality criterion based on the
P
specifications and i = 2 adds the product reliability model criterion.
Gamma Gamma (3-Parámetros) Gamma Generalizada
shape = 1625.34 shape = 27909.9 localizacin = 1.77831
scale = 277.363 scale = 1156.16 scale = 0.0199602
umbralinferior = −18.2806 shape = 0.924458
The present case study is adjusted to a Rayleigh distribution, due to the existence of uncensored data in
the acceleration process. The information on the failure time with censored data is adjusted to a Rayleigh
distribution, this adequately describes a model of failure rate linearly increasing in time, the accelerated
risk rate, called stress, is expressed by h(t) = λz t, where
2r
λz = P r Pn−r
2
i=t ti + i=1 ti2+
r being the uncensored data in the acceleration process. The parameter obtained is
1
λ0 = λz
(Af )2
where AF the acceleration factor of the evaluated component
El proceso de aceleración del medicamento Levocetirizina, arrojo los siguientes resultados

Tiempo Tiempo censura Tiempo cuadrado Tiempo censura cuadrado
2.213 4.89559876
2.194 4.81407481
2.183 4.765489
2.183 4.765489
2.168 4.70109124
2.268 5.14427761
2.264 5.12750736
2.168 4.70109124
1.99 3.9601
2.150 4.62121009
2.146 4.605316
2.176 4.73323536
.
.
.
2.205 4.86290704
2.231 4.97780721
2.161 4.66905664
2.165 4.68506025
1.99 3.9601
sumas de cuadrado 61.172 7.9202
where
2r 2 × 46
λz = P r Pn−r = = 1.3315
2
i=t ti + i=1 ti2+ 61.1727 × 7.9202
El parámetro del modelo con una factor de aceleración AF = 20, es

1 1
λ0 = λz = 2 × 1.3315 = 0.003328
(Af )2 20
la función de densidad de la distribucion Rayleigh
λ0 t 2
f0 (t) = λ0 te− 2
la fiabilidad
λ0 t 2
R(t) = P(T > t) = e− 2
el caso de estudio, la evaluación de la fiabiliad de dos (2) años es la siguiente,
0.003328(2)2
R(2) = e− 2 = 0.9983
la fiabilidad de este producto para un período de dos años, es de 0.9983 considerando un valor con una
calidad óptima.
El resumen de los indicadores univariados para este caso de estudio

Caracteristica USL LSL s Cpl Cpu Cpk 2∅ 3Cpkj − 1
pH 3.5 2.5 0.15237118150 0.777068056 1.410572219 0.777068056 0.98025740
Densidad 1.26 1 0.08248911297 0.342806181 0.707837517 0.342806181 0.69624701
Valoración 110 90 0.09778671020 32.3043642 35.87122585 32.3043642 1.00000000
Contenido de sacarosa 70 65 1.57670256283 0.665858695 0.391199691 0.391199691 0.75944435
 1/4
Yv
2∅ 3Cpkj − 1  + 1 = [0.980 × 0.6962 × 1.00 × 0.7594]1/4 + 1

A= 
j=1
thus, the proposed multivariate capability index with values de A = 1.8484 and R(t) = 0.998 is equal
to:

1 1.8484
MCpCRk = 0.5 × φ−1 + 0.5 × φ−1 [0.9983]
3 2
1
0.5 × φ [0.9242] + 0.5 × φ−1 [0.9983]
−1

=
3
1
= {0.5 × [1.4339] + 0.5 × [2.9358]}
3
= 0.7282
this value of 0.7282 implies an inadequate performance of the process, it is important to evaluate the
specifications and the reliability of the process to improve the performance and efficiency of the process.
Conceptos en aplicación del indicador de capacidad Seis Sigma en un proceso

Signos Descripción
USL Límite de especificación superior
LSL Límite de especificación inferior
MCp Índice de capacidad multivariado a corto plazo.
MCpk Índice de capacidad variabilidad total o a largo plazo
U Número de servicios
O Oportunidad de error
N Dimensión de calidad no conformes
El indicador de capacidad multivariante presentado por K. S. Chen, et al. (2003) para evaluar v
características es modificado para evaluar las dimensiones de un servicio, basado en el desempeño de
niveles Seis Sigma, denominado MSp , el cual se obtiene como se muestra a continuación:
( Q 1 )
1 [ ki=1 Pi ] k + 1
MSpT = φ−1 + 0.000034
3 2
donde Pk es la medida de probabilidad de cada una de las categorías o modalidades de la dimensión k

Ni
evaluada, es decir Pi = (1 − U ×O ) con i = 1, 2, . . . , k.
i i
1
 Q 
k Ni
1 −1  [ i=1 (1 − Ui ×Oi )] k + 1 
MSpT = φ + 0.000034
3  2 
Caso de Estudio: Calidad de un servicio educativo
Un estudio desea evaluar la calidad del servicio percibida por los estudiantes de Entornos virtuales de
Aprendizaje EVA, en una Entidad de Educación Superior, mediante un constructo multidimensional, los
investigadores seleccionaron tres dimensiones, en su orden son: El servicio de docencia, Servicios
administrativos y el Servicios de apoyo, además se presenta la consolidación de la información
relacionados con el servicio en tres atributos, evaluando el rendimiento obtenido en la metodología Seis
Sigma.
Dimensiones de calidad del servicio Atributos DPMO Nivel Sigma (Z) Rendimiento del Atributo Rendimiento promedio
Servicio la docencia Competencias 1562.500000 5.1 0.998438 0.994854
Resolución de problemas 1333.333333 5.1 0.998667
Tutorías 12500.000000 4.9 0.987500
Servicio administrativos Problemas administrativos 27619.047619 4.8 0.972381 0.987856
Amabilidad del personal 1250.000000 5.1 0.998750
Cumplimiento de plazo 7250.000000 5.0 0.992750
Servicio de apoyo Servicios suplementarios 986.842105 5.2 0.999013 0.996891
Actividades sincrónicas 1600.000000 5.1 0.998400
Actividades presencial con el estudiante 6730.769231 5.0 0.993269
Entonces el indicador de capacidad para este sercicio educativo es,

( 1 1 )
1 [0.9984 × 0.9986 × 0.9875] 3 ... × [0.9990 × 0.9984 × 0.9932] 3 + 1
MSCp = φ−1 + 0.000034
3 2
( 1 )
1 −1 [0.9948 × 0.9878 × 0.9968] 3 + 1
= φ + 0.000034
3 2
1 −1 1
= φ {0.9966} = [2.7064] = 0.9021
3 3
el indicador es 0.9021, lo que implica que es importante mejorar el servicio, especificamente el servicio
administrativo
FIN DE LA CONFERENCIA
Muchas Gracias por su atención

Section IV - Multivariate Capacity Index CMP

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Section IV - Multivariate Capacity Index CMP

Cargado por

Copyright:

Formatos disponibles

Multivariate control charts T squared and index of multivariate capability CMp.

New proposals Bothe, Wang, Herrera

CONTROL CHART T-CUADRADO RELATIONSHIP WITH INDEX CAPABILITY

PhD Roberto José Herrera Acosta

1 Index of multivariate capability CMp. New proposals Bothe, Wang, Herrera.

2 Análisis de Capacidad Espacio Tiempo Herrera (2019)

1 Index of multivariate capability CMp. New proposals Bothe, Wang, Herrera.

2 Análisis de Capacidad Espacio Tiempo Herrera (2019)

Sección 1 Index of multivariate capability CMp. New proposals Bothe, Wang.

Algunos eventos de interes, para comprender el análisis de capacidad multivariado

donde P es la medida mínima de probabilidad de cumplimiento entre las variables presentadas en el

Determine el índice de capacidad multivariado propuesto por Castagliola-Bothe-Wierda.

la información preliminara, indican que la variable diámetro interno, inciden claramente en la en la

La medida de probabilidad de cumplimiento de las especificaciones, son definidas de la siguiente forma,

K. S. Pearn W. L. y Lin P. C.(2003)

T dado el número de variables. Fuente Herrera.(2019)

T dado el número de variables, con el valor mínimo de probabilidad para

Esta propuesta es representada en la figura inferior

Región del proceso

Región modificada del proceso

1 El primer componente es análogo a la razón de longitudes en el caso univariado, la propuesta de

donde T 2 = n(X − µ0 )0 S −1 (X − µ0 ) es la distribución de Hotelling, F(p,n−p) es la

The table below presents a sample of the product quality characteristics.

Levocetirizine variable specifications

el determinante de la inversa de la matriz de varianza covarianza es 122996700.8. En cuanto a la región

USLpH − LSLpH = 3.50 − 2.50 = 1.0

para la variable Densidad es

USLDensidad − LSLDensidad = 1.26 − 1.00 = 0.26

la matriz de varianza covarianza eliminando la variable Densidad es

El índice de capacidad multivariado de la razón de regiones, es

siendo los valores percentiles de la chi cuadrado

(USLj − µcj )2 (LSLj − µcj )2

La propuesta de Cumea G. (2013) presenta, en el caso de estudio, el índice de capacidad potencial

el índice de capacidad con valor objetivo MCpmk es

Taam et al.(1993) presenta una propuesta novedosa de indicador de capacidad multivariado

al presentar la matriz de varianza covarianza, en el denomidor y la matriz A asociada a la correlaciones

donde ρij representa el coeficiente de correlación en la i y j característica de calidad, p es el número de

Para obtener el indice de capacidad multivariante se calcula un valor de Z mediante la transformación

donde Cp,PCi es el índice de capacidad univariante para la j ésima componente y v es el número de

Eigenvalues for the quality variable components

component weight of the quality variables evaluated in the pharmaceutical company

û1 = (0.639189; 0.333545; −0.321686; 0.613762)

Variable USL LSL

LY1 = (2.5 × 0.639189 + ... + 65 × 0.613762) = 12.874

this procedure is performed for the remaining components

Sección 2 Análisis de Capacidad Espacio Tiempo Herrera(2019)

where A is a constant defined as:

su función de fiabilidad para esta distribución es,

si los fallos aparecen en un tiempo finito γ, entonces,

donde γ denota la vida mínima del componente.

where AF the acceleration factor of the evaluated component

El proceso de aceleración del medicamento Levocetirizina, arrojo los siguientes resultados

El parámetro del modelo con una factor de aceleración AF = 20, es

la función de densidad de la distribucion Rayleigh

el caso de estudio, la evaluación de la fiabiliad de dos (2) años es la siguiente,

El resumen de los indicadores univariados para este caso de estudio

Conceptos en aplicación del indicador de capacidad Seis Sigma en un proceso

donde Pk es la medida de probabilidad de cada una de las categorías o modalidades de la dimensión k

Entonces el indicador de capacidad para este sercicio educativo es,

Muchas Gracias por su atención

También podría gustarte