Hispanopedia Wiki
Articulo de referencia

control estadístico de procesos

Ejemplo sencillo de un gráfico de control de procesos que registra la tasa de grabado (eliminación) de silicio en un grabador de plasma ICP en una fábrica de obleas de microelec...

Hispanopedia WikiContenido en espanolLectura gratuita
Gráfico que muestra la tasa de grabado del silicio en función de la fecha, a lo largo de los meses, con valores medios y de ±5%.
Ejemplo sencillo de un gráfico de control de procesos que registra la tasa de grabado (eliminación) de silicio en un grabador de plasma ICP en una fábrica de obleas de microelectrónica . [ 1 ] Los datos de series temporales muestran el valor medio y barras de ±5 %. Un gráfico SPC más sofisticado puede incluir líneas de % de "límite de control" y "límite de especificación" para indicar si se debe tomar alguna medida y cuál. 

El control estadístico de procesos ( CEP ) o control estadístico de calidad ( CEP ) consiste en la aplicación de métodos estadísticos para supervisar y controlar la calidad de un proceso de producción. Esto ayuda a garantizar que el proceso opere de manera eficiente, produciendo más productos que cumplan con las especificaciones y con menos desperdicio. El CEP se puede aplicar a cualquier proceso donde se pueda medir la producción de "producto conforme" (producto que cumple con las especificaciones). Las herramientas clave utilizadas en el CEP incluyen gráficos de ejecución , gráficos de control , un enfoque en la mejora continua y el diseño de experimentos . Un ejemplo de un proceso donde se aplica el CEP son las líneas de fabricación.

El Control Estadístico de Procesos (CEP) debe practicarse en dos fases: la primera, el establecimiento inicial del proceso, y la segunda, su uso regular en la producción. En la segunda fase, se debe determinar el período a examinar, en función de los cambios en las condiciones de las 5M&E (Mano de obra, Máquina, Material, Método, Movimiento y Entorno) y el desgaste de las piezas utilizadas en el proceso de fabricación (piezas de la máquina, plantillas y dispositivos de fijación).

Una ventaja del SPC sobre otros métodos de control de calidad, como la " inspección ", es que hace hincapié en la detección temprana y la prevención de problemas, en lugar de la corrección de problemas una vez que se han producido.

Además de reducir los residuos, el control estadístico de procesos (SPC) puede disminuir el tiempo necesario para producir el producto. El SPC reduce la probabilidad de que el producto final deba ser reprocesado o desechado.

Historia

El control estadístico de procesos fue impulsado por Walter A. Shewhart en los Laboratorios Bell a principios de la década de 1920. Shewhart desarrolló el gráfico de control en 1924 y el concepto de estado de control estadístico. El control estadístico es equivalente al concepto de intercambiabilidad [ 2 ] [ 3 ] desarrollado por el lógico William Ernest Johnson también en 1924 en su libro Lógica, Parte III: Los fundamentos lógicos de la ciencia . [ 4 ] Junto con un equipo en AT&T que incluía a Harold Dodge y Harry Romig, trabajó para establecer la inspección por muestreo sobre una base estadística racional. Shewhart consultó con el Coronel Leslie E. Simon sobre la aplicación de gráficos de control a la fabricación de municiones en el Arsenal Picatinny del Ejército en 1934. Esa aplicación exitosa ayudó a convencer al Departamento de Artillería del Ejército de contratar a George D. Edwards de AT&T para que lo asesorara sobre el uso del control estadístico de calidad entre sus divisiones y contratistas al estallar la Segunda Guerra Mundial.

W. Edwards Deming invitó a Shewhart a dar una conferencia en la Escuela de Posgrado del Departamento de Agricultura de los Estados Unidos y fue el editor del libro de Shewhart, * Método estadístico desde la perspectiva del control de calidad* (1939), que surgió de dicha conferencia. Deming fue un importante artífice de los cursos intensivos de control de calidad que capacitaron a la industria estadounidense en las nuevas técnicas durante la Segunda Guerra Mundial. Los graduados de estos cursos de guerra formaron una nueva sociedad profesional en 1945, la Sociedad Estadounidense para el Control de Calidad , que eligió a Edwards como su primer presidente. Deming viajó a Japón durante la ocupación aliada y se reunió con la Unión de Científicos e Ingenieros Japoneses (JUSE) con el fin de introducir los métodos de control estadístico de procesos (SPC) en la industria japonesa. [ 5 ] [ 6 ]

Fuentes de variación 'comunes' y 'especiales'

Shewhart leyó las nuevas teorías estadísticas provenientes de Gran Bretaña, especialmente el trabajo de William Sealy Gosset , Karl Pearson y Ronald Fisher . Sin embargo, comprendió que los datos de los procesos físicos rara vez producían una curva de distribución normal (es decir, una distribución gaussiana o « curva de campana »). Descubrió que los datos de las mediciones de variación en la fabricación no siempre se comportaban de la misma manera que los datos de las mediciones de fenómenos naturales (por ejemplo, el movimiento browniano de partículas). Shewhart concluyó que, si bien todo proceso presenta variación, algunos procesos presentan una variación inherente al proceso (fuentes de variación « comunes »); a estos procesos los describió como bajo control (estadístico) . Otros procesos, además, presentan una variación que no está presente en el sistema causal del proceso en todo momento ( fuentes de variación « especiales »), que Shewhart describió como fuera de control . [ 7 ]

Aplicación a procesos no manufactureros

El control estadístico de procesos es apropiado para respaldar cualquier proceso repetitivo y se ha implementado en muchos entornos donde, por ejemplo, se utilizan sistemas de gestión de calidad ISO 9000 , incluyendo auditoría y contabilidad financiera, operaciones de TI, procesos de atención médica y procesos administrativos como la gestión y administración de préstamos, facturación a clientes, etc. A pesar de las críticas a su uso en el diseño y desarrollo, es idóneo para gestionar la gobernanza de datos semiautomatizada de operaciones de procesamiento de datos de alto volumen, por ejemplo, en un almacén de datos empresarial o un sistema de gestión de calidad de datos empresarial. [ 8 ]

En el Modelo de Madurez de Capacidades (CMM) de 1988, el Instituto de Ingeniería de Software sugirió que el Control Estadístico de Procesos (CEP) podría aplicarse a los procesos de ingeniería de software. Las prácticas de Nivel 4 y Nivel 5 de la Integración del Modelo de Madurez de Capacidades ( CMMI ) utilizan este concepto.

El SPC se ha popularizado en contextos de gestión sanitaria. [ 9 ] [ 10 ] Actualmente se recomienda su uso en el Servicio Nacional de Salud del Reino Unido y se utiliza con regularidad. [ 11 ]

La aplicación del SPC a procesos no repetitivos e intensivos en conocimiento, como la investigación y el desarrollo o la ingeniería de sistemas, ha generado escepticismo y sigue siendo controvertida. [ 12 ] [ 13 ] [ 14 ] En No Silver Bullet , Fred Brooks señala que la complejidad, los requisitos de conformidad, la capacidad de cambio y la invisibilidad del software [ 15 ] [ 16 ] dan como resultado una variación inherente y esencial que no se puede eliminar. Esto implica que el SPC es menos efectivo en el desarrollo de software que, por ejemplo, en la fabricación.

Variación en la fabricación

En la fabricación, la calidad se define como la conformidad con las especificaciones. Sin embargo, no hay dos productos o características que sean exactamente iguales, porque cualquier proceso contiene muchas fuentes de variabilidad. En la fabricación en masa, tradicionalmente, la calidad de un artículo terminado se garantiza mediante la inspección posterior a la fabricación del producto. Cada artículo (o una muestra de artículos de un lote de producción) puede ser aceptado o rechazado según qué tan bien cumpla con sus especificaciones de diseño , el SPC utiliza herramientas estadísticas para observar el desempeño del proceso de producción con el fin de detectar variaciones significativas antes de que resulten en la producción de un artículo de calidad inferior. Cualquier fuente de variación en cualquier momento en un proceso caerá en una de dos clases.

(1) Causas comunes
Las causas comunes a veces se denominan fuentes de variación no asignables o normales. Se refieren a cualquier fuente de variación que actúa de forma consistente sobre un proceso, y suelen ser numerosas. Este tipo de causas, en conjunto, generan una distribución estadísticamente estable y repetible a lo largo del tiempo.
(2) Causas especiales
Las causas especiales a veces se denominan fuentes de variación asignables. El término se refiere a cualquier factor que cause variación y que afecte solo a una parte del resultado del proceso. Suelen ser intermitentes e impredecibles.

La mayoría de los procesos presentan múltiples fuentes de variación; la mayoría son menores y pueden ignorarse. Si se detectan las fuentes de variación asignables dominantes, es posible identificarlas y eliminarlas. Una vez eliminadas, se dice que el proceso es «estable». Cuando un proceso es estable, su variación debería mantenerse dentro de un conjunto conocido de límites, al menos hasta que aparezca otra fuente de variación asignable.

Por ejemplo, una línea de envasado de cereales para el desayuno puede diseñarse para llenar cada caja con 500  gramos de cereal. Algunas cajas contendrán un poco más de 500  gramos, y otras un poco menos. Al medir el peso de los paquetes, los datos mostrarán una distribución de los pesos netos.

Si el proceso de producción, sus insumos o su entorno (por ejemplo, la máquina en la línea) cambian, la distribución de los datos también cambiará. Por ejemplo, a medida que las levas y poleas de la maquinaria se desgastan, la máquina de llenado de cereales puede colocar más cereal del especificado en cada caja. Si bien esto podría beneficiar al cliente, desde el punto de vista del fabricante representa un desperdicio y aumenta el costo de producción. Si el fabricante detecta el cambio y su origen a tiempo, puede corregirlo (por ejemplo, reemplazando las levas y poleas).

Desde la perspectiva del Control Estadístico de Procesos (CEP), si el peso de cada caja de cereales varía aleatoriamente, con algunos valores superiores e inferiores, siempre dentro de un rango aceptable, el proceso se considera estable. Si las levas y poleas de la maquinaria comienzan a desgastarse, el peso de las cajas de cereales podría dejar de ser aleatorio. El deterioro de su funcionamiento puede generar un patrón lineal no aleatorio de aumento en el peso de las cajas. A esto lo denominamos variación por causa común. Sin embargo, si todas las cajas de cereales pesaran repentinamente mucho más que el promedio debido a una falla inesperada en las levas y poleas, esto se consideraría una variación por causa especial.

Industria 4.0 e Inteligencia Artificial

La llegada de la Industria 4.0 ha ampliado el alcance del control estadístico de procesos, desde los procesos de fabricación tradicionales hasta los sistemas ciberfísicos y basados ​​en datos modernos. El artículo de revisión de Colosimo et al. (2024) [ 17 ] señala que el SPC ahora desempeña un papel en el monitoreo de procesos complejos, de alta dimensionalidad y, a menudo, automatizados que caracterizan los entornos de la Industria 4.0, incluido el uso de modelos de aprendizaje automático e inteligencia artificial (IA) en entornos de producción.

Una línea de investigación emergente aplica técnicas de SPC a redes neuronales artificiales y otros modelos de aprendizaje automático. En lugar de monitorear directamente la calidad del producto, el enfoque está en la detección de comportamientos poco confiables de los sistemas de IA. Por ejemplo, se han propuesto gráficos de control multivariados no paramétricos para rastrear cambios en la distribución de incrustaciones de redes neuronales, lo que permite detectar la no estacionariedad y la deriva conceptual sin necesidad de datos etiquetados. Esto posibilita el monitoreo en tiempo real de sistemas de IA implementados en contextos industriales [ 18 ] .

Solicitud

La aplicación del SPC comprende tres fases principales de actividad:

  1. Comprender el proceso y los límites de las especificaciones.
  2. Eliminar las fuentes de variación asignables (especiales), de modo que el proceso sea estable.
  3. Supervisar el proceso de producción en curso, con la ayuda del uso de gráficos de control, para detectar cambios significativos en la media o la variación.

La correcta implementación del SPC se ha visto limitada, en parte debido a la falta de experiencia estadística en muchas organizaciones. [ 19 ]

Gráficos de control

Los datos de las mediciones de variaciones en los puntos del mapa de procesos se monitorean mediante gráficos de control . Estos gráficos buscan diferenciar las fuentes de variación "asignables" ("especiales") de las fuentes "comunes". Las fuentes "comunes", al ser parte esperada del proceso, preocupan mucho menos al fabricante que las fuentes "asignables". El uso de gráficos de control es una actividad continua que se desarrolla a lo largo del tiempo.

Proceso estable

Cuando el proceso no activa ninguna de las reglas de detección del gráfico de control, se dice que es estable. Se puede realizar un análisis de capacidad del proceso en un proceso estable para predecir su capacidad de producir un producto conforme en el futuro.

Un proceso estable se puede demostrar mediante una firma de proceso que no presente variaciones fuera del índice de capacidad. La firma de proceso se define como la comparación de los puntos graficados con el índice de capacidad.

Variaciones excesivas

Cuando el proceso activa alguna de las reglas de detección del diagrama de control (o, alternativamente, la capacidad del proceso es baja), se pueden realizar otras actividades para identificar la fuente de la variación excesiva. Las herramientas utilizadas en estas actividades adicionales incluyen: el diagrama de Ishikawa , los experimentos diseñados y los diagramas de Pareto . Los experimentos diseñados son un medio para cuantificar objetivamente la importancia relativa (intensidad) de las fuentes de variación. Una vez identificadas las fuentes de variación (causas especiales), se pueden minimizar o eliminar. Los pasos para eliminar una fuente de variación pueden incluir: el desarrollo de estándares, la capacitación del personal, la prevención de errores y cambios en el propio proceso o sus insumos.

Métricas de estabilidad del proceso

Al monitorear muchos procesos con gráficos de control, a veces es útil calcular medidas cuantitativas de la estabilidad de los procesos. Estas métricas pueden usarse para identificar/priorizar los procesos que más necesitan acciones correctivas. Estas métricas también pueden considerarse como un complemento a las métricas tradicionales de capacidad del proceso . Se han propuesto varias métricas, como se describe en Ramirez y Runger. [ 20 ] Estas son: (1) un índice de estabilidad que compara la variabilidad a largo plazo con la variabilidad a corto plazo, (2) una prueba ANOVA que compara la variación dentro de los subgrupos con la variación entre subgrupos, y (3) un índice de inestabilidad que compara el número de subgrupos que tienen una o más violaciones de las reglas de Western Electric con el número total de subgrupos.

Matemáticas de los gráficos de control

Los gráficos de control se basan en una secuencia de observaciones ordenadas cronológicamente.incógnita1,incógnita2,…,incógnitat{\displaystyle X_{1},X_{2},\dots ,X_{t}}de una característica del proceso. La característica monitoreada puede ser observaciones individuales, promedios de muestras o lotes, rangos, varianzas o residuos de un modelo ajustado, según la aplicación.

Un gráfico típico consta de:

  • una línea central (LC) que representa la media en control, a menudo estimada como

CL=incógnita¯=1norte∑i=1norteincógnitai,{\displaystyle {\text{CL}}={\bar {X}}={\tfrac {1}{n}}\sum _{i=1}^{n}X_{i},}

  • límites de control, generalmente definidos como

UCL=μ0+kσ,LCL=μ0−kσ,{\displaystyle {\text{UCL}}=\mu _{0}+k\sigma ,\quad {\text{LCL}}=\mu _{0}-k\sigma ,} dóndeμ0{\displaystyle \mu _{0}}yσ{\displaystyle \sigma }denotan la media y la desviación estándar en estado de control, yk{\displaystyle k}Se suele elegir como 3 (la "regla de las tres sigmas").

Una observaciónincógnitat{\displaystyle X_{t}}quedar fuera del intervalo[LCL,UCL]{\displaystyle [{\text{LCL}},{\text{UCL}}]}Señala una posible situación fuera de control. Se utilizan variantes como el gráfico de suma acumulativa ( CUSUM ) y los gráficos de media móvil ponderada exponencialmente ( EWMA ) para mejorar la sensibilidad a cambios pequeños o persistentes.

En muchas aplicaciones, sin embargo, se incumple el supuesto de observaciones independientes, por ejemplo, en series temporales autocorrelacionadas. En tales casos, los límites de control convencionales pueden producir un exceso de falsas alarmas. Una solución común es ajustar un modelo de series temporales (por ejemplo, ARIMA) y construir un gráfico de control de residuos, donde los residuos del modelo ε^t=incógnitat−incógnita^t{\displaystyle {\hat {\varepsilon }}_{t}=X_{t}-{\hat {X}}_{t}} En su lugar, se realiza un seguimiento o se ajustan los límites de control según corresponda. Dado que los residuos están diseñados para ser aproximadamente independientes e idénticamente distribuidos, se puede aplicar la teoría estándar de gráficos de control. Por lo tanto, se requieren límites de control ajustados o enfoques basados ​​en modelos cuando los procesos presentan dependencia.

Véase también

Referencias

  1. ^ Dutra, Noé; Juan, Demis. "Grupo de procesos - Datos de control de procesos - UCSB Nanofab Wiki" . Wiki UCSB NanoFab . Consultado el 8 de noviembre de 2024 .
  2. ↑ Barlow y la ironía 1992
  3. ↑ Bergman 2009
  4. ↑ Zabell 1992
  5. ↑ Deming, W. Edwards (1952). Lecciones sobre control estadístico de la calidad (2.ª ed. revisada). Nippon Kagaku Gijutsu Remmei. OCLC 2518026 .  
  6. ↑ Deming, W. Edwards y Dowd S. John (traductor) Conferencia para la gerencia japonesa, sitio web de la Red Electrónica de Deming, 1950 (a partir de una transcripción japonesa de una conferencia de Deming al "80% de la alta gerencia japonesa" impartida en el Hotel de Yama en Hakone en agosto de 1950)
  7. ↑ ¿ Por qué SPC? . SPC Press. 1992. ISBN 978-0-945320-17-3.
  8. ↑ English, Larry (1999). Mejora de la calidad de los almacenes de datos y la información empresarial: métodos para reducir costes y aumentar beneficios . Wiley. ISBN 978-0-471-25383-9.
  9. ↑ Benneyan, JC (1 de diciembre de 2003). "Control estadístico de procesos como herramienta para la investigación y la mejora de la atención sanitaria" . Calidad y seguridad en la atención sanitaria . 12 (6). BMJ: 458– 464. doi : 10.1136/qhc.12.6.458 . PMC 1758030 . 
  10. ↑ Thor, J., Lundberg, J., Ask, J., Olsson, J., Carli, C., Harenstam, KP, Brommels, M. (1 de octubre de 2007). "Aplicación del control estadístico de procesos en la mejora de la atención sanitaria: revisión sistemática" . Calidad y seguridad en la atención sanitaria . 16 (5). BMJ: 387–399 . doi : 10.1136/qshc.2006.022194 .
  11. ↑ Kroll, N., Potts, HWW (10 de febrero de 2026). "Uso del control estadístico de procesos mediante el enfoque Making Data Count para visualizar datos en los NHS Trusts: un estudio de métodos mixtos" . BMJ Leader . BMJ: leader-2025-001348. doi : 10.1136/leader-2025-001348 .
  12. ↑ Raczynski, Bob; Curtis, Bill (mayo-junio de 2008). "Punto/Contrapunto: Argumento de contrapunto: Los datos del software violan los supuestos subyacentes del SPC". IEEE Software . 25 (3): 49– 51. doi : 10.1109/MS.2008.68 .
  13. ↑ Binder, Robert V. (septiembre-octubre de 1997). "¿Puede funcionar un modelo de calidad de fabricación para el software?". IEEE Software . 14 (5): 101– 5. doi : 10.1109/52.605937 . S2CID 40550515 . 
  14. ↑ Raczynski, Bob (20 de febrero de 2009). "¿Es aplicable el control estadístico de procesos a los procesos de desarrollo de software?" . StickyMinds .
  15. ↑ Brooks, Jr., FP (1987). "No Silver Bullet—Essence and Accidents of Software Engineering" (PDF) . Computer . 20 (4): 10– 19. Bibcode : 1987Compr..20d..10B . CiteSeerX 10.1.1.117.315 . doi : 10.1109/MC.1987.1663532 . 
  16. ↑ Brooks, Fred P. (1986). «No existe una solución mágica : esencia y casualidad en la ingeniería de software». Procesamiento de la información 86: actas del 10.º Congreso Mundial de Informática de la IFIP . North-Holland. págs. 1069-1076 . ISBN   978-0-444-70077-3.
  17. ↑ Colosimo, Bianca M.; Jones-Farmer, L. Allison; Megahed, Fadel M.; Paynabar, Kamran; Ranjan, Chetan; Woodall, William H. (octubre de 2024). "Monitoreo estadístico de procesos de la Industria 2.0 a la Industria 4.0: Perspectivas sobre la investigación y la práctica" . Technometrics . 66 (4): 507– 530. doi : 10.1080/00401706.2024.2327341 . hdl : 11311/1268020 .
  18. ↑ Malinovskaya, Anna; Mozharovskyi, Pavlo; Otto, Philipp (enero de 2024). "Monitoreo estadístico de procesos de redes neuronales artificiales" . Technometrics . 66 (1): 104– 117. doi : 10.1080/00401706.2023.2239886 .
  19. ↑ Zwetsloot, Inez M.; Jones-Farmer, L. Allison; Woodall, William H. (2 de julio de 2024). "Monitoreo de procesos univariados usando gráficos de control: algunos problemas prácticos y consejos" . Quality Engineering . 36 (3): 487– 499. doi : 10.1080/08982112.2023.2238049 . Hay pocas áreas de aplicación estadística con una brecha más grande entre el desarrollo metodológico y la aplicación que la que se ve en el SPC (control estadístico de procesos). Muchas organizaciones que necesitan urgentemente el SPC no lo están usando en absoluto, mientras que la mayoría de las restantes están usando métodos esencialmente exactamente como Shewhart los propuso a principios de este siglo. Las razones para esto son variadas. Una que no se puede pasar por alto es la observación de Deming de que cualquier procedimiento que requiera la intervención regular de un estadístico experto para funcionar correctamente no se implementará.
  20. ↑ Ramirez, B.; Runger, G. (2006). "Técnicas cuantitativas para evaluar la estabilidad del proceso". Quality Engineering . 18 (1): 53– 68. doi : 10.1080/08982110500403581 . S2CID 109601393 . 

Bibliografía

  • Barlow, RE; Irony, TZ (1992). «Fundamentos del control estadístico de calidad» . En Ghosh, M.; Pathak, PK (eds.). Temas actuales en inferencia estadística: Ensayos en honor de D. Basu . Hayward, CA: Institute of Mathematical Statistics. pp. 99–112 . ISBN  978-0-940600-24-9.
  • Bergman, B. (2009). "Pragmatismo conceptual: ¿un marco para el análisis bayesiano?". IIE Transactions . 41 : 86–93 . doi : 10.1080/07408170802322713 . S2CID 119485220 . 
  • Deming, WE (1975). " Sobre la probabilidad como base para la acción". The American Statistician . 29 (4): 146– 152. doi : 10.1080/00031305.1975.10477402 . PMID 1078437. S2CID 21043630 .  
  • — (1982). Salir de la crisis: calidad, productividad y posición competitiva . ISBN 0-521-30553-5.
  • Grant, EL (1946). Control estadístico de calidad . McGraw-Hill. ISBN 0-07-100447-5.{{cite book}}: Incompatibilidad de ISBN/Fecha ( ayuda )
  • Oakland, J. (2002). Control estadístico de procesos . Routledge. ISBN 0-7506-5766-9.
  • Salacinski, T. (2015). SPC — Control estadístico de procesos . Editorial de la Universidad Tecnológica de Varsovia. ISBN 978-83-7814-319-2.
  • Shewhart, WA (1931). Control económico de la calidad del producto manufacturado . Sociedad Americana para el Control de la Calidad. ISBN 0-87389-076-0.{{cite book}}: Incompatibilidad de ISBN/Fecha ( ayuda )
  • — (1939). Método estadístico desde el punto de vista del control de calidad . Courier Corporation. ISBN 0-486-65232-7.{{cite book}}: Incompatibilidad de ISBN/Fecha ( ayuda )
  • Manual de referencia sobre control estadístico de procesos (CEP) (2.ª ed.). Automotive Industry Action Group (AIAG). 2005.
  • Wheeler, DJ (2000). Normalidad y el diagrama de comportamiento del proceso . SPC Press. ISBN 0-945320-56-6.
  • Wheeler, DJ; Chambers, DS (1992). Comprensión del control estadístico de procesos . SPC Press. ISBN 0-945320-13-2.
  • Wheeler, Donald J. (1999). Comprender la variación: la clave para gestionar el caos (2.ª  ed.). SPC Press. ISBN 0-945320-53-1.
  • Wise, Stephen A.; Fair, Douglas C. (1998). Gráficos de control innovadores: Soluciones prácticas de SPC para el entorno de fabricación actual . ASQ Quality Press. ISBN 0-87389-385-9.
  • Zabell, SL (1992). "Predecir lo impredecible". Synthese . 90 (2): 205. doi : 10.1007/bf00485351 . S2CID 9416747 . 
  • Curso del MIT - Control de procesos de fabricación
  • Guthrie, William F. (2012). "NIST/SEMATECH e-Handbook of Statistical Methods" . Instituto Nacional de Estándares y Tecnología. doi : 10.18434/M32189 .
Lecturas relacionadas
6 articulos
Grabado con plasmaGrabado con plasmaEl grabado por plasma es una forma de procesamiento por plasma utilizada para fabricar circuitos integrados . Consiste en proyectar (en pulsos) un ...Plasma acoplado inductivamentePlasma acoplado inductivamenteUn plasma acoplado inductivamente ( ICP ) o plasma acoplado por transformador ( TCP ) [1] es un tipo de fuente de plasma en el que la energía es su...Fabricación de obleasFabricación de obleasLa fabricación de obleas es un procedimiento que consta de numerosos procesos secuenciales repetidos para producir circuitos eléctricos o fotónicos...MicroelectrónicaMicroelectrónicaUn circuito integrado (CI) como ejemplo de aplicación en el campo de la microelectrónica. La carcasa del chip está abierta para permitir la visión ...EstadísticaEstadísticaLa distribución normal , una densidad de probabilidad muy común , se utiliza ampliamente en estadística inferencial . Los diagramas de dispersión y...Gráfico de ejecuciónGráfico de ejecuciónUn gráfico de ejecución , también conocido como diagrama de secuencia de ejecución , es un gráfico que muestra datos observados en una secuencia te...