Control Estadístico de Procesos (CEP/SPC) – Definición e Interés

El Control Estadístico de Procesos (CEP/SPC) es un método que utiliza técnicas estadísticas para monitorear y controlar un proceso de fabricación.

Solía asumir que si configuraba una máquina perfectamente, debería producir piezas perfectas indefinidamente. Si una dimensión se desviaba, inmediatamente ajustaba la configuración para arreglarlo. Pero resulta que eso no ayuda absolutamente a nadie.

Al ajustar constantemente una máquina basándose en cada medición individual, a menudo solo estás amplificando el problema.

Me di cuenta de que cada proceso, por muy preciso que sea, tiene un latido (un ritmo natural de variación). Para gestionar esto sin volverse loco, necesitamos Control Estadístico de Procesos (SPC).

Su objetivo es decirle cuándo está realmente fuera de curso frente a cuándo solo está encontrando un pequeño obstáculo en el camino.

El objetivo es sencillo: Eficiencia.

Al utilizar SPC, puede asegurar que su proceso opere a su máximo potencial, produciendo más productos conformes a las especificaciones y creando significativamente menos desperdicio.

Deja de confiar en la costosa inspección al final de la línea y empieza a prevenir errores antes de que sucedan.

Es posible que escuche este término usado indistintamente con Control Estadístico de la Calidad (SQC), o verlo referenciado en guías más amplias sobre Control de Calidad.

Aunque comparten ADN, el SPC se centra fuertemente en las entradas y el proceso activo en lugar de solo en el resultado final.

En esta publicación, me gustaría ayudarle a construir un modelo mental sólido para el SPC. Vamos a cubrir:

• La historia de cómo estas herramientas pasaron de las fábricas de municiones a los laboratorios modernos.
• La diferencia crítica entre la variación por “Causa Común” y por “Causa Especial”.
• Cómo usar Gráficos de Control (sin necesitar un doctorado en matemáticas).
• Cómo implementar estas estrategias en su propio flujo de trabajo.

Lo prometo, es más fácil de lo que parece.

¿Qué es el Control Estadístico de Procesos?

La mayoría de la gente piensa en el aseguramiento de calidad como un examen final. Fabricas el producto, luego lo inspeccionas al final de la línea.

Si falla, lo desechas.

Pero francamente, esa es una manera increíblemente costosa de hacer negocios. Para cuando encuentra el defecto, el tiempo y los materiales ya se han desperdiciado.

El Control Estadístico de Procesos (SPC) le da la vuelta a este modelo.

En lugar de esperar al producto terminado, utilizamos métodos estadísticos para monitorear el proceso de producción en tiempo real. El objetivo es pasar de la detección (encontrar piezas malas) a la prevención (evitar que se fabriquen en primer lugar).

Se parece mucho a hornear galletas.

La inspección tradicional es probar una galleta después de que sale del horno para ver si está quemada. El SPC es vigilar la temperatura del horno y el temporizador mientras se hornean. Si la temperatura sube, lo arreglas antes de que el lote se arruine.

Existe una distinción complicada entre el SPC y el Control Estadístico de la Calidad (SQC). Mientras que el SQC monitorea los resultados del proceso (variables dependientes) e incluye el muestreo de aceptación, el SPC se centra en controlar las entradas del proceso (variables independientes). El SPC no utiliza el muestreo de aceptación directamente.

Para hacer que esto funcione, confiamos en datos de calidad rigurosos.

Recopilamos esto de mediciones directas del producto y lecturas de instrumentación. Al analizar estos datos estadísticamente, aseguramos que el proceso se comporte de manera consistente, ahorrándonos el dolor de cabeza de la corrección post-producción.

Historia del SPC

Ayuda saber de dónde viene realmente esto para entender el “por qué” detrás de ello.

La historia comienza a principios de la década de 1920 con un físico llamado Walter A. Shewhart en los Laboratorios Bell.

Estaba tratando de resolver un problema complicado: distinguir entre el ruido aleatorio y los problemas reales en la fabricación de equipos telefónicos.

En 1924, Shewhart escribió un memorándum que incluía el primer boceto de un gráfico de control. Este fue el nacimiento del concepto de control estadístico.

Se dio cuenta de que no puedes reaccionar simplemente ante cada pequeña variación.

Necesitas una manera de ver la señal a través del ruido.

Durante la Segunda Guerra Mundial, las apuestas subieron mucho más. El ejército de EE. UU. necesitaba asegurar la calidad de las municiones y las armas sin revisar cada bala.

Adoptaron masivamente los gráficos de control de Shewhart para mantener la producción segura y confiable.

Después de la guerra, los profesionales formaron la Sociedad Americana para el Control de Calidad en 1945 para mantener el impulso. Pero curiosamente, la industria estadounidense se alejó en gran medida de estos métodos.

Ahí es donde entra W. Edwards Deming.

Llevó estos conceptos a Japón, donde fueron adoptados con entusiasmo. Para la década de 1970, los productos japoneses dominaban los mercados globales con una calidad superior.

Esta presión competitiva obligó a los fabricantes estadounidenses a redescubrir el SPC, devolviéndolo como un estándar para el aseguramiento de calidad moderno.

¿Qué es una Variación por Causa Común?

La parte complicada de analizar datos de procesos es: la consistencia perfecta es un mito.

Podrías esperar que tu línea de producción alcance exactamente el mismo número cada vez, pero en realidad, cada proceso tiene un fondo natural de fluctuación.

Llamamos a esto Variación por Causa Común.

Piénselo como la ligera vibración del motor de un coche mientras está al ralentí. Es intrínseco al sistema y crea un patrón predecible de ruido.

A menudo nos referimos a estas como fuentes de variación no asignables o normales porque no puede señalar un único error externo que las cause.

Son simplemente parte de cómo funciona el proceso actual.

Cuando sus datos muestran solo causas comunes, decimos que el proceso está bajo control estadístico.

Produce una distribución estable y repetible a lo largo del tiempo. Crea un latido confiable que puedes predecir, incluso si no es perfectamente plano.

Ejemplos de Causas Comunes

Ayuda visualizar cómo se ven estas vibraciones normales. Estas representan las condiciones operativas estándar de su instalación:

• Propiedades del material: Ligeras variaciones en la resistencia a la tracción dentro de la especificación del proveedor.
• Entorno: El cambio predecible en la humedad o temperatura de la planta desde la mañana hasta la tarde.
• Desgaste de herramienta: La degradación lenta y normal de una broca o herramienta de corte a lo largo de su vida útil.
• Variación del operador: Pequeñas diferencias en cómo los operadores ajustan manualmente la configuración.
• Sistema de medición: La incertidumbre inherente o “ruido” en sus calibradores o sondas CMM.

Es solo un conjunto de muchos otros ejemplos potenciales.

¿Qué es una Variación por Causa Especial?

Si la variación por causa común es el suave “zumbido” de fondo de su máquina, la variación por causa especial es un fuerte “ruido metálico”.

Representa la variación de fuentes externas que no son parte del ciclo estándar del proceso. En el mundo de la estadística, a menudo llamamos a estas fuentes asignables porque, a diferencia del ruido general, generalmente puedes señalar con el dedo exactamente qué salió mal.

El problema es,

Mientras que las causas comunes afectan a cada elemento individual que se produce, las causas especiales son furtivas. Usualmente afectan solo a parte de la salida del proceso y tienden a ser intermitentes e impredecibles.

Es posible que vea una racha de piezas perfectas, y luego, de repente, todo se vuelve loco.

Cuando detecta este patrón en sus gráficos de control (típicamente cuando un punto de datos salta fuera del límite de control superior o límite de control inferior), indica que el proceso está fuera de control estadístico.

¿La buena noticia?

Las causas especiales son en realidad más fáciles de arreglar que las causas comunes. Una vez que identifique y elimine ese error específico, su proceso vuelve a un estado “estable”.

Solo necesita identificarlo rápido, porque cuando sucede, generalmente genera muchos problemas.

Ejemplos

Estos ruidos metálicos son eventos distintos y asignables que interrumpen el flujo. Algunos ejemplos clásicos:

• Un controlador de máquina específico fallando inesperadamente.
• Un operador haciendo ajustes inadecuados al equipo continuamente.
• Un cambio repentino en el sistema de medición (como usar un calibre que se cayó).
• Un lote defectuoso de materia prima que tiene propiedades fuera de las especificaciones de diseño.
• Una rotura física, como una broca partida o un punzón astillado.
• Un operador nuevo e inexperto asumiendo un turno sin la formación adecuada.

Como ve, tiene un rango muy (muy) amplio de causas.

¿Qué son los Gráficos de Control?

Si quieres visualizar tu proceso de fabricación, necesitas un gráfico de control.

Siguiendo la historia del SPC, esta herramienta sigue siendo la base absoluta de la metodología. Nos permite monitorear la variación del proceso a lo largo del tiempo y, nos ayuda a distinguir entre el ruido de fondo aleatorio (variación por causa común) y los problemas reales y corregibles (variación por causa especial).

Piense en un gráfico de control como el asistente de mantenimiento de carril en un coche moderno. Conoce la diferencia entre que usted se desvíe suavemente dentro de su carril y que realmente se salga de la carretera.

Cada gráfico de control se construye sobre tres componentes principales:

• Línea Central (CL): Esto representa el promedio, o la media bajo control de sus datos de proceso.
• Límite de Control Superior (UCL): El valor máximo esperado del proceso.
• Límite de Control Inferior (LCL): El valor mínimo esperado del proceso.

Usualmente definimos estos límites usando la Regla de Tres Sigma.

Tomamos la media (μ) y sumamos o restamos tres desviaciones estándar (σ).

Aquí están las matemáticas:

Debido a que el 99.73% de los puntos de datos en una distribución normal caen dentro de este rango, cualquier observación que caiga fuera de estos límites de control es una bandera roja masiva. Señala una condición potencial fuera de control que requiere investigación inmediata.

Nota describiendo la diferencia entre los límites de control y los límites de especificación. Los límites de control se calculan a partir de los datos reales de su proceso. Los límites de especificación son los que su cliente (o el ingeniero) define como aceptables en el plano. ¡No son la misma cosa!

Si desea ver más ejemplos de cómo se trazan estos, puede consultar el recurso de Gráficos de Control de ASQ.

Las 7 Herramientas de Control de Calidad

Cuando está inmerso en conjuntos de datos de producción masivos, es fácil perder la señal.

Necesitamos una manera de estructurar ese caos.

En 1974, el Dr. Kaoru Ishikawa formalizó una solución en su texto clásico, Guía para el Control de Calidad. Desarrolló un conjunto específico de técnicas visuales diseñadas para ayudar a cualquiera (no solo a estadísticos) a resolver problemas de calidad.

Aquí está el kit de herramientas estándar:

• Diagrama de causa y efecto (Espina de pescado): Una forma de mapear las entradas potenciales (Mano de obra, Maquinaria, Material) para encontrar la causa raíz de un defecto.
• Hoja de verificación: Un formulario simple y estructurado utilizado para recopilar datos consistentemente en tiempo real.
• Gráfico de control: Probablemente el más importante. Este rastrea cómo cambia un proceso con el tiempo para detectar la variación por causa especial.
• Histograma: Un gráfico de barras que muestra la distribución (forma) de sus valores de datos.
• Diagrama de Pareto: Le ayuda a priorizar las correcciones separando los pocos vitales de los muchos triviales (la regla 80/20).
• Diagrama de dispersión: Visualiza la relación entre dos variables para ver si están correlacionadas.
• Estratificación: Separa datos de diferentes fuentes (como diferentes turnos o máquinas) para revelar patrones ocultos.

Estas herramientas actúan como la base de cualquier análisis SPC robusto. Antes de intentar aplicar algoritmos complejos, utiliza estas siete ayudas para visualizar la variación y estabilizar el proceso.

Las 7 Herramientas Suplementarias

Las 7 herramientas clásicas de QC son fantásticas, pero son generalistas.

A veces se golpea contra un muro específico donde los datos son desordenados o la causa raíz se esconde en la propia lógica del proceso. Ahí es donde las 7 Herramientas Suplementarias (7-SUPP) ayudan.

Es una especie de “kit de detective” especializado que saca cuando las herramientas básicas le muestran que hay un problema, pero necesita una lente más nítida para entender el contexto.

• Estratificación de datos: Dividir los datos en cubos significativos (como Turno de Día vs Turno de Noche) para exponer patrones ocultos.
• Mapas de defectos: Visualizar la ubicación física de los fallos directamente en un dibujo de la pieza.
• Registros de eventos: Registrar el contexto puramente basado en el tiempo para anomalías del proceso.
• Diagramas de flujo del proceso: Mapear la lógica y secuencia de los pasos del flujo de trabajo.
• Centros de progreso: Monitorear puntos de decisión específicos o hitos en un proyecto.
• Aleatorización: Técnicas para asegurar que su muestreo no esté sesgado accidentalmente por el tiempo o patrones del operador.
• Determinación del tamaño de la muestra: Calcular exactamente cuántos datos necesita para la significancia estadística.

Debería recurrir a estas para complementar las herramientas básicas 7-QC siempre que necesite profundizar en el cómo y el dónde de un fallo del proceso.

Cómo implementar el SPC

Implementar el SPC no es una tarea fácil.

Un error común es tratar de medir todo a la vez. Pero aquí está el secreto: el buen SPC se trata de enfoque.

No debería medir cada variable individual. En su lugar, comienza identificando las Características Clave (KCs) o características críticas.

Generalmente encontramos estas durante un Análisis de Modos de Fallo y Efectos de Diseño (DFMEA) o una revisión de diseño.

Una vez que sabe qué medir, la implementación generalmente sigue un modelo mental de tres fases:

1. Fase 1: Comprensión. Mapea el proceso y define los límites de especificación. Necesita saber cómo se ve lo bueno antes de poder rastrearlo.
2. Fase 2: Estabilización. Esta es la parte engañosamente compleja. Debe identificar y eliminar fuentes asignables de variación (causas especiales). Si su máquina tiene un perno suelto causando oscilaciones salvajes, ningún gráfico lo arreglará. Tiene que estabilizar el proceso primero para que solo quede la variación por causa común.
3. Fase 3: Monitoreo. Ahora que el proceso es estable, utiliza gráficos de control para vigilar la producción en curso. Aquí es donde calcula su límite de control superior y límite de control inferior para detectar cuándo las cosas comienzan a desviarse.

Es útil pensar en el SPC en dos etapas distintas: Establecimiento del Proceso (Fases 1 y 2) donde está arreglando el sistema, y Producción Regular (Fase 3) donde simplemente lo mantiene en marcha.

¿Qué es el Índice de Capacidad del Proceso?

Así que tiene un gráfico de control, y parece estable. Eso significa que su proceso es consistente. Pero un proceso puede ser perfectamente estable y aún producir piezas que están mal. Simplemente significa que está haciendo piezas malas consistentemente.

Aquí es donde entra el índice de capacidad del proceso.

Predice si su proceso estable produce un producto conforme que realmente cumple con los requisitos de diseño.

Me gusta pensar en esto usando un modelo mental de “Coche en un Garaje” para entender la diferencia entre Cp y Cpk:

• Cp (Capacidad del Proceso): Esto pregunta, “¿Es el coche lo suficientemente pequeño para caber en el garaje?” Compara la dispersión natural de su proceso con el ancho de los límites de especificación.
• Cpk (Índice de Capacidad del Proceso): Esto pregunta, “¿Aparcaste el coche en el medio, o estás raspando los espejos laterales?” Tiene en cuenta el centrado. Si su Cpk es bajo, su proceso podría ser lo suficientemente ajustado, pero está desplazado fuera del objetivo.

Hay una gran “trampa” aquí: Solo puede realizar un análisis de capacidad de proceso en un proceso estable. Si su gráfico de control muestra que el proceso está fuera de control, las matemáticas de capacidad se convierten en ruido sin sentido.

Cuando traza sus puntos de datos contra estos índices, crea una firma del proceso. Esto visualiza exactamente cómo el comportamiento de sus datos se ajusta al índice de capacidad.

Recuerde siempre la regla de oro de los límites: Los Límites de control provienen de los datos (la voz del proceso), mientras que los límites de especificación provienen del ingeniero o cliente (la voz del cliente).

Para tener un proceso capaz, sus límites de control deberían caer siempre cómodamente dentro de esos límites de especificación.

Analizar datos de SPC

Una vez que tiene su gráfico de control trazado, comienza el trabajo real. Resulta que interpretar estos datos se trata menos de matemáticas complejas y más de reconocimiento de patrones.

Piense en el gráfico como un monitor de latidos para su línea de fabricación.

Si solo está presente la variación por causa común, sus puntos de datos rebotarán aleatoriamente entre los límites de control superior e inferior. Este es el estado saludable donde debería dejar el proceso en paz.

Sin embargo,

Cuando se cuelan causas especiales, los datos dejan un rastro a menudo antes de que haga una sola pieza mala.

Usamos reglas de detección específicas para detectar estas condiciones fuera de control. Mantenga un ojo en estos patrones:

• Rachas: 7 o más puntos de datos atascados en un lado de la línea central.
• Tendencias: 7 o más puntos subiendo o bajando consistentemente.
• Cambios de dispersión: Puntos agrupándose repentinamente apretados o dispersándose ampliamente.
• Desplazamientos: La dispersión de datos se mueve por encima o por debajo de la media normal.

Si detecta estos patrones, tiene que jugar al detective.

Herramientas como diagramas de Ishikawa, gráficos de Pareto o experimentos diseñados pueden ayudarle a aislar la causa raíz.

También, verifique que su método de medición sea sólido. Si confía en ensayo no destructivo o NDT para los datos, asegúrese de que el equipo en sí no esté introduciendo la variación.

Beneficios del Control Estadístico de Procesos (SPC)

La mayoría de los equipos de calidad operan como un portero. Se paran al final de la línea de producción, tratando desesperadamente de bloquear las piezas malas para que no lleguen al cliente.

Este es un control de calidad basado en la detección.

El problema es que incluso si detecta el defecto, el tiempo y el dinero utilizados para crearlo ya se han ido.

No significa que no deba hacerlo, pero significa que no debería confiar solo en eso.

El SPC cambia su rol de portero a entrenador. En lugar de solo juzgar el resultado final, está ajustando constantemente el proceso en sí.

Este cambio de la detección a la prevención es el verdadero superpoder aquí. Al detectar una deriva hacia un límite de control superior antes de que se convierta en un defecto, detiene el problema antes de que exista.

Esto es lo que este enfoque desbloquea para su fábrica:

• Reducción de Desperdicio: Detecta problemas temprano, recortando significativamente las pilas de chatarra.
• Ahorro de Tiempo: Minimiza la necesidad de ciclos de reprocesamiento que consumen mucho tiempo.
• Optimización: Puede ejecutar su proceso de manera segura a su máximo potencial porque entiende su comportamiento.
• Ahorro de Costos: Resulta que el SPC completamente implementado es una de las formas más efectivas de proteger su rentabilidad.

Cuando deja de apagar incendios, finalmente tiene el tiempo (y el presupuesto) para construir un mejor proceso.

Más allá de la fabricación

Podría asumir que el Control Estadístico de Procesos es estrictamente para pisos de fábrica y líneas de montaje. Pero aquí está la cosa fascinante: a las matemáticas no les importa si está midiendo el diámetro de un perno de acero o el tiempo de procesamiento de una solicitud de préstamo.

Resulta que el SPC es un superpoder para cualquier proceso repetitivo.

Por eso funciona maravillosamente dentro de los sistemas de gestión de calidad ISO 9000. Lo vemos usado comúnmente en auditoría financiera, operaciones de TI y procesos de atención médica. Incluso tareas administrativas como la facturación al cliente y la administración de préstamos pueden ser rastreadas en un gráfico de control.

La industria del software en realidad se dio cuenta de esto hace décadas. En 1988, el Modelo de Madurez de Capacidad (CMM) sugirió aplicar SPC a la ingeniería de software. Hoy en día, las organizaciones que operan en el Nivel 4 y Nivel 5 de CMMI utilizan estas herramientas estadísticas para predecir el rendimiento del proyecto.

Hay una trampa aquí. El SPC depende de la repetición para establecer una línea base. A menudo es ineficaz para el trabajo no repetitivo e intensivo en conocimiento como I+D o diseño creativo, donde el “proceso” se ve diferente cada día.

Industria 4.0 e Inteligencia Artificial

Tradicionalmente pensamos en el SPC como una herramienta para medir cosas físicas, como el diámetro de un tornillo o el peso de una caja de cereales.

Pero con la llegada de la Industria 4.0, el juego ha cambiado completamente.

Ya no solo estamos mirando widgets físicos, estamos tratando con sistemas ciberfísicos y flujos masivos de datos de alta dimensión.

Resulta que puede aplicar estos mismos superpoderes estadísticos para monitorear la salud de los modelos de Inteligencia Artificial. Al igual que una broca física se desgasta, los modelos de IA pueden sufrir de deriva conceptual donde sus predicciones se vuelven lentamente menos precisas con el tiempo.

Aquí es donde se pone realmente genial.

Los ingenieros ahora están utilizando gráficos de control multivariantes no paramétricos para rastrear cambios en incrustaciones de redes neuronales. La magia es que ni siquiera necesita datos etiquetados para hacer esto.

Permite el monitoreo de estabilidad en tiempo real para sistemas de IA complejos.

Conclusión

El Control Estadístico de Procesos es realmente solo una forma de escuchar el latido de su línea de fabricación. Resulta que las matemáticas son en realidad el mejor oyente que tenemos. Al usar gráficos de control, deja de adivinar por qué falló una pieza y comienza a entender la personalidad de su proceso.

La mejor parte viene cuando finalmente distingue entre el ruido de fondo (variación por causa común) y los problemas reales (variación por causa especial).

Es muy importante ser consciente de esa distinción.

Le evita ajustar una máquina que en realidad estaba bien, y le obliga a actuar cuando algo se está desviando genuinamente del curso.

Es salvaje pensar que esto comenzó con municiones en la Segunda Guerra Mundial y ahora impulsa fábricas inteligentes dirigidas por IA, pero la lógica central no ha cambiado.

Ya sea que esté utilizando un lápiz o una red neuronal, el objetivo es la mejora continua. Obtiene menos desperdicio, ahorros de costos significativos y un piso de producción mucho más tranquilo.

Si está listo para implementar esto, recomiendo encarecidamente adquirir el manual de referencia SPC de AIAG. Es el estándar de la industria por una razón. No tenga miedo de llamar a un profesional de calidad para ayudar a configurar esos primeros gráficos.

Implementar esto puede parecer engañosamente complejo al principio, pero no deje que las matemáticas le asusten. Comience con una característica crítica, minimice esa variación y vea qué sucede.

¡Vaya a medir algo genial y mantenga ese proceso estable!

Preguntas Frecuentes

¿Cuál es el propósito principal del Control Estadístico de Procesos?
Utiliza el SPC para monitorear y controlar un proceso localmente. Al rastrear datos a lo largo del tiempo, puede detectar problemas temprano y prevenir defectos antes de que sucedan. Esto mueve el control de calidad de la detección a la prevención, ahorrando costos de inspección y reduciendo el desperdicio.

¿En qué se diferencia la variación por causa común de la variación por causa especial?
La variación por causa común es el ruido natural inherente al proceso, como una ligera vibración. Siempre está presente. La variación por causa especial proviene de factores externos específicos, como una herramienta rota o un lote de material defectuoso. Debe identificar y eliminar las causas especiales para estabilizar el proceso.

¿Por qué es mejor el SPC que inspeccionar productos terminados?
Inspeccionar productos terminados solo encuentra errores después de haberlos cometido. El SPC monitorea el proceso en tiempo real para detectar cambios antes de que creen piezas malas. Esto reduce el desperdicio y el reprocesamiento porque detiene la línea inmediatamente cuando algo sale mal.

¿Qué herramientas necesita estrictamente para comenzar a usar SPC?
El gráfico de control es la herramienta principal para el SPC. Lo utiliza para trazar datos contra límites de tiempo. Aunque podría usar histogramas o diagramas de Pareto para el análisis, el gráfico de control le dice específicamente si su proceso permanece estable o requiere ajuste inmediato.

¿Se pueden aplicar métodos de SPC fuera de entornos de fabricación?
Sí, puede usar SPC en cualquier proceso con salidas medibles. Las industrias de servicios lo utilizan para rastrear tasas de error en facturación, y los equipos de software lo usan para monitorear el rendimiento del sistema. Si el proceso genera datos a lo largo del tiempo, puede aplicar estos controles estadísticos.

¿Qué significa cuando un proceso está bajo control estadístico?
Un proceso está bajo control cuando solo existe variación por causa común. El resultado permanece predecible y cae dentro de los límites estadísticos. Esto no significa necesariamente que las piezas cumplan con las tolerancias de ingeniería, pero significa que el proceso es consistente, estable y repetible.

¿En qué se diferencian los límites de control de los límites de especificación?
Los límites de especificación provienen del cliente o del diseño de ingeniería. Los límites de control provienen de datos reales del proceso. Calcula los límites de control basándose en el rendimiento pasado para definir la estabilidad del proceso, mientras que debe cumplir con los límites de especificación para vender el producto a su cliente.

¿Cuál es la diferencia entre los índices de capacidad Cp y Cpk?
El Cp mide la capacidad potencial de su proceso si estuviera perfectamente centrado. Solo mira la dispersión de los datos. El Cpk mide la capacidad real considerando qué tan centrados están los datos en relación con los límites. Necesita Cpk para entender el rendimiento en el mundo real.

¿Cuándo debe usar un gráfico X-barra y R?
Utiliza gráficos X-barra y R cuando recopila datos variables en subgrupos pequeños, generalmente entre dos y ocho muestras. La X-barra rastrea el valor promedio para ver cambios en la tendencia central, mientras que el gráfico R monitorea el rango o la variación dentro de ese subgrupo específico.

¿Por qué es importante el tamaño del subgrupo en el diseño del gráfico de control?
El tamaño del subgrupo afecta la rapidez con la que detecta cambios en el proceso. Los subgrupos más pequeños son más fáciles de gestionar en el piso. Los subgrupos más grandes ofrecen más poder estadístico para detectar cambios diminutos en la media del proceso, pero aumentan el tiempo requerido para la inspección y la entrada de datos.