• Técnicas estadísticas: Se refiere a Gráficas de control llevadas

en Coclisa.
• SPC.: Control Estadístico del Proceso. Es el uso de técnicas
estadísticas como Gráficas de control para analizar un proceso y
tomar acciones apropiadas para alcanzar y mantener Control y
mejorar la capacidad de proceso.

• Localización del Proceso: Es la forma como se define si un

proceso esta centrado o descentrado, cargada hacia algún limite.

• CP: Índice de Capacidad del Proceso. No se afecta por la

localización del proceso. Solo es calculado para tolerancias
bilaterales. Se calcula en base a la variación de los subgrupos.

• CPK: Índice de Capacidad Real del Proceso. Toma en cuenta la

localización y la capacidad. Para Bilaterales CPK siempre será
igual o menor a CP.

• PP: Índice de Rendimiento (Performance). Compara el

rendimiento del Proceso con el máximo permitido dado por la
tolerancia. No es afectado por la localización del proceso. Se
calcula utilizando la Desviación Total del Proceso.

• PPK: Índice de Rendimiento (Performance). Toma en cuenta la

localización del proceso y el rendimiento, en base a la Desviación
Total del Proceso. Si el proceso es estable los índices CP y PP así
como CPK y PPK serán muy similares.

• Variación: Diferencia presentada entre los datos obtenidos

debido a causas comunes o sistémicas.
• Control: Mantener el proceso en un apropiado nivel de
capacidad, dentro de sus limites de control. El mejoramiento del
proceso debe ser monitoreado y esto se hace por medio de
colección y análisis de datos.

• Variable: Elemento de un proceso el cual afecta de alguna

manera a este, el cual es medido y usado su medición para
análisis. Por ejemplo, la característica a medir de un producto.

• Variable Continua: Todas aquellas variables que se pueden

medir, por ejemplo: longitud, ancho, torque, altura, etc.
• Variable de Atributo: Aquellas variables que no se pueden
medir, solo contar, por ejemplo: cantidad de defectos,
bueno/malo, pasa/no pasa, etc. Se requieren más muestras en
atributos que en variables para toma de decisiones.

• Causa Común: Es inherente al proceso, afecta a cada una de

las partes por igual. Si solo hay causas comunes, la salida de un
proceso forma una distribución que es estable y predecible con el
tiempo.

• Causa Especial: Es un suceso único, no afecta a todas las

partes por igual, es intermitente. Se puede eliminar con acciones
locales.
• Características EP.: Característica En Proceso, es aquella que
debe ser verificada y debe cumplir con su especificación pero no
representa riesgo alguno para la funcionalidad, forma, o
ensamblaje del producto (Fit-Form and Fucntion).

• Características Especiales: C.S./KPC/PQC: Característica

Significante, es un ‘parámetro’ del producto, definida en el dibujo o
en una Especificación de Ingeniería. Se debe tener especial
atención pues una condición fuera de especificación representa un
riesgo en la funcionalidad, forma o ensamblaje del producto con el
cliente.

• Características HIC: Característica de Alto Impacto. Son

parámetros del producto que afectan severamente la operación
del proceso o subsecuentes operaciones. Una HIC puede
elevarse a ser una SC, si la severidad mencionada en el PFMEA
así lo amerita. Una característica denominada como SC no puede
reducirse en HIC.

• PROCESO ESTABLE: Significa que solo ocurren eventos

Aleatorios. Los eventos aleatorios son predecibles por medio de
la probabilidad. La variación del proceso debe ser aleatoria.

• Normalidad: La distribución de medias de muestras

independientes de cualquier tipo de distribución con varianza y
media finitas, convergerán a una distribución en tanto el tamaño
de la muestra se incremente. Se sugiere calcular Normalidad
antes de calcular los Límites de Control o correr estudios de
Capacidad. Valor de p > de 0.05. Si los datos no son Normales, se
sugiere transformarse para ser normales, de lo contrario, cualquier
calculo de ppk/cpk, no es seguro. Esto se realiza con un software
(minitab).

• Process Performance: Es el rango de 6 sigma de la variación

total del proceso.
Sobre-ajuste: El sobreajuste es un error de modelado que ocurre
cuando una función se ajusta demasiado estrechamente a un
conjunto limitado de puntos de datos.