Manejo de defectos puntuales y valores atípicos en V&V, fabricación y calidad

Un avión que de repente apunta hacia abajo, una parte de un coche que sale volando por la autopista, una cuchilla que se rompe en un electrodoméstico de cocina: ¿mala suerte, desgaste normal, defecto, estadísticas raras o un evento más complejo de I+D, calidad o fabricación?

The rigorous identification and analysis of one-off defect events and outliers are critical across Research and Development (R&D), Verification and Validation (V&V), and manufacturing, as they directly impact product quality and end-user safety. One-off defect events—rare, isolated failures or deviations—and outliers—data points that fall significantly outside expected process distributions—may serve as early indicators of latent process weaknesses, measurement inaccuracies, or emerging risks. In R&D, systematic detection of these anomalies informs design robustness and Evaluación de riesgos, guiding iterative improvements before transfer to production. During V&V, their correct evaluation is essential for validating product performance, confirming compliance with specifications, and ensuring that rare failure modes are not overlooked. In manufacturing, prompt recognition and investigation of such events enable targeted root cause analysis and corrective actions, preventing recurrence and systemic propagation.

La gestión eficaz de defectos puntuales y valores atípicos es fundamental para mantener control de procesos, la conformidad del producto y el cumplimiento normativo. Respalda las iniciativas de mejora continua y protege tanto la organización reputación y la seguridad del usuario. En industrias con estrictos requisitos de calidad y trazabilidad, la gestión rigurosa de estas anomalías es un elemento fundamental de un sistema de gestión de calidad maduro, que garantiza que las posibles amenazas a la integridad del producto se aborden sistemáticamente antes de que afecten al usuario final.

Conclusiones Clave

• Los valores atípicos y los eventos de defecto únicos son distintos: los valores atípicos son puntos de datos estadísticamente anómalos, mientras que los eventos de defecto únicos son fallas raras y no recurrentes del proceso o del producto; ambos requieren diferentes estrategias de detección y respuesta.
• Rigor estadístico: utilizar métodos estadísticos apropiados, garantizando que los métodos coincidan con las características de los datos y los requisitos de la industria.
• Los gráficos de control son fundamentales: implemente gráficos de control X-bar, R, S o individuales para monitorear la estabilidad del proceso y detectar valores atípicos y eventos defectuosos puntuales en tiempo real.
• Root cause analysis is mandatory: every confirmed outlier or one-off defect event debe trigger structured root cause analysis to prevent recurrence and eliminate underlying process weaknesses.
• El perfil de riesgo de la industria determina la respuesta: los sectores de alto riesgo requieren investigación inmediata, cuarentena de lotes y notificación regulatoria ante cualquier defecto único o valor atípico crítico, independientemente de la frecuencia estadística.
• Capacidad de proceso Integridad del análisis: Excluir valores atípicos con causa asignable de los cálculos de Cp/Cpk solo cuando esté justificado y documentado; de lo contrario, incluirlos para reflejar la verdadera rendimiento del proceso.
• Monitoreo y escalamiento de tendencias: utilice gráficos de ejecución y registros de eventos para rastrear defectos únicos y frecuencias atípicas a lo largo del tiempo; escale para revisión de proceso si surgen patrones o tendencias crecientes.

Definiciones

En calidad y fabricación, estos dos términos se encuentran entre los que se utilizan para describir defectos, errores o problemas que afectan la calidad del producto:

Entre otros: defecto de ocurrencia única, defecto aislado, defecto único, defecto raro, defecto esporádico, defecto aleatorio, defecto excepcional, anomalía, aberración, desviación, irregularidad, defecto singular, defecto no recurrente, caso excepcional, valor atípico, variación por causa especial, error único, evento único, causa casual, defecto ad hoc…

1. Valores atípicos: detección y manejo

1.1. Métodos de detección estadística

La detección de valores atípicos es un aspecto crítico del control de calidad y la monitorización de procesos. Los valores atípicos pueden indicar errores de medición, cambios en el proceso o fallos del proceso poco frecuentes pero significativos. Una identificación adecuada garantiza que las acciones correctivas sean específicas y que las métricas de capacidad del proceso sigan siendo relevantes. La elección de la detección método Depende del tamaño de la muestra, la distribución de los datos y el perfil de riesgo del sector.

Método de puntuación Z El método de puntuación Z es un enfoque estándar para identificar valores atípicos en datos con distribución normal. Al estandarizar cada punto de datos con respecto a la media y la desviación estándar, cuantifica la desviación de cada observación respecto del promedio del proceso. Este método es especialmente eficaz en la fabricación a gran escala, donde los grandes conjuntos de datos permiten realizar estimaciones estadísticas robustas. Calcular la media: [látex\mu = \frac{1}{n} \sum_{i=1}^{n} x_i [/latex] Calcular la desviación estándar: [latex] \sigma = \sqrt{\frac{1}{n-1} \sum_{i=1}^{n} (x_i – \mu)^2} [/latex] Para cada punto de datos [latex] x_i [/latex] , calcule la puntuación z: [latex] z_i = \frac{x_i – \mu}{\sigma} [/latex] Si [latex]|z_i| > 3[/latex] , entonces [latex]x_i[/latex] se considera un posible valor atípico. Este método supone normalidad. También es sensible a la presencia de múltiples valores atípicos, que pueden distorsionar la media y la desviación estándar. Ejemplo (alto volumen, bajo riesgo): sSupongamos que se mide el diámetro de 1000 tapones de plástico. La media es de 20,00 mm y la desviación estándar es de 0,05 mm. Un tapón mide 20,20 mm. [latex] z = \frac{20,20 – 20,00}{0,05} = 4 [/latex] Dado que [latex] |z| = 4 > 3 [/latex] , se trata de un valor atípico.

Método del rango intercuartil (RIC) El método IQR es un enfoque robusto y no paramétrico para la detección de valores atípicos, adecuado para datos que podrían no tener una distribución normal o cuando el conjunto de datos contiene valores extremos. Al centrarse en la dispersión del 50 % medio de los datos, minimiza la influencia de los valores atípicos en el cálculo. Calcule el primer cuartil ([latex] Q_1 [/latex]) y el tercer cuartil ([latex] Q_3 [latex]). Calcular el IQR: [latex] IQR = Q_3 – Q_1 [/latex] Valor atípico si: [latex] x Q_3 + 1,5 \times IQR [/latex] Este método se utiliza ampliamente en visualizaciones de diagramas de caja y es especialmente útil en industrias de bajo volumen y alto riesgo, donde cada punto de datos es crucial. Es menos sensible a la forma general de la distribución de datos y suele preferirse cuando los datos contienen múltiples valores atípicos o están sesgados. Ejemplo (bajo volumen, alto riesgo): batch of 10 aerospace fijaciones: ( [latex]Q_1 = 9.98 [/latex] ) mm, ( [latex]Q_3 = 10.02 [/latex] ) mm, so ( IQR = 0.04 ) mm. A fastener measures 10.10 mm. [latex] Q_3 + 1,5 \times IQR = 10,02 + 1,5 \times 0,04 = 10,08 [/latex] 10,10 mm > 10,08 mm → valor atípico.

Prueba de Grubbs (para muestras pequeñas) La prueba de Grubbs es una prueba formal prueba estadística Para detectar un solo valor atípico en una muestra pequeña. Es especialmente útil en entornos de fabricación a pequeña escala o de laboratorio, donde el tamaño de la muestra es limitado y cada dato es significativo. La prueba compara la mayor desviación absoluta de la media con la desviación estándar de la muestra. Hipótesis nula: No hay valores atípicos. Estadística de prueba: [latex] G = \frac{\max|x_i – \mu|}{\sigma} [/latex] Compare ( G ) con el valor crítico de la tabla de Grubbs para el nivel de significación ( [latex]\alpha[/latex] ) y el tamaño de la muestra ( n ). La prueba de Grubbs es sensible a la presencia de un solo valor atípico. Si se sospecha la presencia de varios valores atípicos, se deben utilizar pruebas iterativas o métodos alternativos. En las industrias reguladas, un resultado estadísticamente significativo exige una investigación documentada y, si es necesario, una mejora del proceso. Ejemplo: Muestra: {10,0; 10,1; 10,2, 10,3, 11,0} ( [latex]\mu = 10,32 [/latex] ), ( [latex]\sigma = 0,38[/latex] ), desviación máxima = ( |11,0 – 10,32| = 0,68 ) [latex] G = \frac{0,68}{0,38} = 1,79 [/latex] Si el valor crítico para ( n=5, [latex]\alpha=0,05 [/latex] ) es 1,715, entonces 1,79 > 1,715 → valor atípico.

1.2. Manejo de valores atípicos en SPC

Gráficos de control

Los gráficos de control son la herramienta principal para monitorear la estabilidad del proceso y detectar valores atípicos en tiempo real. Al comparar los datos del proceso con los límites de control determinados estadísticamente, permiten la identificación inmediata de variaciones anormales. Los límites de control se establecen típicamente en tres desviaciones estándar de la media del proceso, capturando el 99,73 % de la variación esperada si el proceso está bajo control.

• Para individuos o subgrupos, represente los datos en gráficos de barras X, R o S.

• Control limits: [latex] UCL = \mu + 3\sigma [/latex] [latex] LCL = \mu – 3\sigma [/latex]

• Los valores atípicos fuera de los límites de control indican variación por causa especial.

Ejemplo (automotriz, alto volumen, alto riesgo): Espesor de la pastilla de freno: ( [latex]\mu = 10,00 [/latex] ) mm, ( [latex]\sigma = 0,05 [/latex] ) mm [latex] UCL = 10,00 + 3 \times 0,05 = 10,15 \ LCL = 10,00 – 3 \times 0,05 = 9,85 [/latex]

Una almohadilla de 10,20 mm es un valor atípico y deberá desencadenar una investigación.

Análisis de causa raíz

Una vez detectado un valor atípico, se inicia un análisis de causa raíz para determinar si la anomalía se debe a un error de medición, una perturbación del proceso o un factor externo. El análisis suele implicar la revisión de los registros del proceso, los registros de calibración del equipo y las acciones del operador en el momento del evento.

• Si el valor atípico se debe a un error de medición, excluir del análisis de capacidad del proceso.
• Si se debe al proceso, implemente una acción correctiva (por ejemplo, ajuste de la máquina, capacitación del operador) y vuelva a realizar la prueba.

Herramientas de análisis de causa raíz como la 5 porqués, diagramas de Ishikawa y análisis de modos de falla y efectos (FMEA) son de uso común. En industrias de alto riesgo, los hallazgos deben documentarse y pueden requerir notificación a los organismos reguladores o a los clientes, especialmente si el valor atípico pudiera afectar la seguridad o el cumplimiento normativo del producto.

Consulte varios artículos sobre este tema:

 Impacto por industria

• Bajo riesgo, alto volumen: El valor atípico puede volver a medirse y posiblemente excluirse si se encuentra una causa asignable.
• Alto riesgo (aeroespacial, médico): Un valor atípico desencadena una investigación completa, posible cuarentena del lote y presentación de informes reglamentarios.

Consulte los ejemplos a continuación, por industria y riesgos asociados.

2. Eventos de defectos puntuales: manejo estadístico y de procesos

2.1. Modelado estadístico

Los eventos de defectos únicos son ocurrencias raras y aisladas de fallas del proceso o del producto. Estadísticamente, se modelan como eventos poco frecuentes y son significativos tanto en la fabricación a gran escala como en la de bajo volumen. Su ocurrencia puede no siempre detectarse como un valor atípico estadístico, pero su impacto, especialmente en industrias de alto riesgo, puede ser considerable.

Distribución de Poisson (Eventos Raros)

La distribución de Poisson se utiliza para modelar la probabilidad de que ocurra un número determinado de eventos inusuales en un intervalo fijo de tiempo o espacio. En la industria manufacturera, es especialmente útil para predecir la frecuencia esperada de defectos puntuales en procesos de gran volumen.

• Probabilidad de ( k ) eventos en un intervalo, dada la tasa ( \lambda ): [latex] P(k; \lambda) = \frac{\lambda^k e^{-\lambda}}{k!} [/latex]

• Para un defecto único (k=1), si el proceso tiene históricamente 0,1 defectos por cada 1000 unidades: [latex] P(1; 0,1) = \frac{0,1^1 e^{-0,1}}{1!} = 0,0905 [/latex]

Este cálculo permite a los ingenieros de calidad evaluar si la frecuencia observada de defectos puntuales concuerda con los datos históricos o indica un cambio en el proceso. Si la tasa de defectos puntuales observada supera la tasa de Poisson esperada, podría indicar un problema de proceso nuevo o que se está agravando y que requiere intervención.

En industrias de alto riesgo, incluso un solo defecto aislado puede ser inaceptable, independientemente de la expectativa estadística. En tales casos, el modelo de Poisson se utiliza más para la monitorización de procesos que para justificar la aceptabilidad de fallos poco frecuentes.

Gráficos de ejecución y gráficos de control

Los gráficos de ejecución y de control se utilizan para visualizar la ocurrencia de defectos puntuales a lo largo del tiempo. Un gráfico de ejecución traza la secuencia de eventos, lo que permite detectar tendencias, grupos o patrones que podrían indicar un cambio en el proceso.

• Un defecto puntual puede aparecer como un único punto fuera de los límites de control.
• Si el defecto único está dentro de los límites, pero es un defecto crítico, aún así requiere investigación.

En industrias de alto volumen y bajo riesgo, un defecto puntual que se encuentre dentro de los límites de control puede registrarse y monitorearse para detectar su recurrencia. Por el contrario, en industrias de alto riesgo, cualquier defecto puntual, independientemente de su posición estadística, desencadena una investigación exhaustiva y puede detener la producción hasta que se identifique y mitigue la causa raíz.

El uso de gráficos de control para eventos de defectos únicos es especialmente importante en entornos regulados, donde se requiere documentación y trazabilidad de todas las no conformidades para el cumplimiento y la garantía del cliente.

2.2. Manejo de eventos de defectos puntuales

Ejemplos de la industria, según volumen/riesgos:

Automotriz (alto volumen, alto riesgo) Scenario: Un airbag no pasa la prueba de despliegue en una producción de 100.000 unidades. Acción: El airbag defectuoso se pone inmediatamente en cuarentena y todo el lote se suspende. Un equipo interdisciplinario realiza un análisis de causa raíz, revisando los registros de ensamblaje, las certificaciones de materiales de los proveedores y los registros de mantenimiento de los equipos. El incidente se informa a las autoridades reguladoras y a los clientes, según lo exige la ley. Si la causa raíz se relaciona con un paso específico del proceso o un lote del proveedor, se implementan medidas correctivas y los productos afectados pueden ser retirados del mercado o reelaborados. El AMEF se actualiza para reflejar el nuevo modo de fallo y se implementan controles adicionales para evitar su recurrencia.

Aeroespacial (bajo volumen, alto riesgo) Scenario: Un álabe de turbina no cumple los criterios en una prueba no destructiva (NDT) en un lote de 20. Acción: Todo el lote se pone en cuarentena y se inicia una investigación detallada, que incluye análisis metalúrgicos y una revisión de la trazabilidad del proceso. Se notifica al proveedor y se revisan todos los lotes de producción relacionados para detectar defectos similares. El incidente se documenta en el sistema de gestión de calidad, y las medidas correctivas pueden incluir el rediseño del proceso, protocolos de inspección mejorados y la recalificación del proveedor. Se notifica a las autoridades reguladoras y a los clientes, y el incidente puede dar lugar a una auditoría más amplia del proceso de fabricación. Nota: El “bajo volumen” de esta industria se puede argumentar con las prácticas actuales

Electrónica de consumo (alto volumen, bajo riesgo) Scenario: Se encuentra un defecto en la unión de soldadura en 100.000 placas de circuitos ensambladas. Acción: La placa defectuosa se retira de la línea de producción y se analiza para determinar su causa raíz, como un error del operador o un mal funcionamiento del equipo. Si el defecto se aísla y no se observa ninguna tendencia, se registra el evento y la producción continúa. Si se detectan defectos similares en lotes posteriores, se inicia una revisión del proceso y se implementan medidas correctivas, como la capacitación de los operadores o el mantenimiento del equipo.

3. Metodologías de mejora de la calidad

Consulte nuestra exclusiva y muy extensa Metodologías Biblioteca para todos los detalles: > Biblioteca de más de 480 metodologías <

4. Normas regulatorias (ejemplos)

Los siguientes son solo ejemplos. Consulte nuestras exclusivas revisiones del marco regulatorio: Marcos regulatorios y estándares <

Las normas regulatorias rigen la respuesta ante eventos atípicos y defectos puntuales en todas las industrias manufactureras, con requisitos específicos de documentación, investigación y medidas correctivas. Estas normas garantizan la seguridad, la fiabilidad y el cumplimiento normativo de los productos, y que los clientes y las autoridades estén informados de los eventos de calidad significativos.

• Automotriz (IATF 16949): Requiere investigación documentada y acciones correctivas para todas las no conformidades, incluyendo valores atípicos y defectos puntuales. La trazabilidad y la presentación de informes a clientes y autoridades son obligatorias para los problemas relacionados con la seguridad.
• Aeroespacial (AS9100): Exige el análisis de la causa raíz, la adopción de medidas correctivas y la documentación de todas las anomalías. Se requiere la cuarentena de lotes y la notificación reglamentaria para defectos críticos.
• Dispositivos médicos (ISO 13485, FDA QSR): Cualquier defecto aislado o valor atípico que afecte la seguridad del paciente debe notificarse a los organismos reguladores, con medidas correctivas inmediatas y evaluación de riesgos.
• Productos farmacéuticos (BPF, I Pregunta 10): Los valores atípicos y los defectos puntuales en las pruebas de liberación de lotes requieren investigación de desviaciones, decisiones de disposición de lotes e informes regulatorios.
• Alimentos y bebidas (ISO 22000, APPCC): Los valores atípicos y los defectos puntuales en los puntos críticos de control desencadenan acciones correctivas, retenciones de productos y posibles retiradas del mercado.
• Ferrocarril y transporte público (IRIS, EN 15085): Las no conformidades, incluidos los defectos puntuales y los valores atípicos, requieren análisis de causa raíz, documentación y notificación a las autoridades en el caso de los componentes críticos para la seguridad.
• Energía (ISO 19443 para nuclear, IEC 61508 para seguridad funcional): Todas las anomalías, incluidos los defectos puntuales y los valores atípicos, deben investigarse, documentarse y notificarse como parte de la gestión de casos de seguridad.

En todas estas industrias, el marco regulatorio dicta no sólo la respuesta técnica sino también la comunicación, trazabilidad y procedimientos de escalamiento de eventos de calidad.

4.1 Tabla de volumen/riesgo

Estos son sólo ejemplos y pueden estar dictados por normas internas de la empresa, prácticas de la industria, regulaciones u organismos notificados.

Otro

La gestión eficaz de defectos puntuales y valores atípicos es esencial para mantener la integridad del proceso, la fiabilidad del producto y el cumplimiento normativo en la fabricación y la verificación y verificación. La detección rigurosa, el análisis exhaustivo de la causa raíz y la aplicación de medidas correctivas rápidas evitan que anomalías aisladas se conviertan en fallos sistémicos. La integración de métodos estadísticos, documentación sólida y una toma de decisiones basada en el riesgo garantiza que las desviaciones, tanto poco frecuentes como recurrentes, se aborden con el nivel de escrutinio adecuado, independientemente del sector o el volumen de producción.

When deciding whether to investigate a one-off defect, teams weigh the relación riesgo/beneficio of extra testing against the potential harm to users. A defect with high severity and a poor risk to benefit ratio should keep the product from shipping until the cause is understood.

Responsibility for Quality does not rest solely with manufacturing; it extends to design, engineering, suppliers, and all stakeholders involved in the ciclo de vida del producto.

Cada actor debe contribuir a una cultura de vigilancia, transparencia y mejora continua, garantizando que las lecciones aprendidas de defectos puntuales y eventos atípicos impulsen mejoras en el control de procesos, la gestión de proveedores y la satisfacción del cliente. Este enfoque holístico protege a los usuarios finales y refuerza el compromiso del fabricante con la excelencia y la responsabilidad.

Preguntas frecuentes

Related Readings

• Análisis del sistema de medición (MSA): evaluar la precisión y exactitud de las herramientas de medición para garantizar la confiabilidad de los datos.
• Control estadístico de procesos (Resumen estadístico): utilizando métodos estadísticos para monitorear y controlar los procesos de fabricación.
• Índices de capacidad del proceso (Cp, Cpk): cuantificar qué tan bien un proceso puede producir resultados dentro de los límites de especificación.
• Diseño de experimentos (DOE): planificar sistemáticamente pruebas para comprender las variables del proceso y optimizar el rendimiento.
• Repetibilidad y reproducibilidad del calibre (Gage R&R): Evaluación de la variación de las mediciones de los equipos y los operadores.
• Acción correctiva y preventiva (CAPA): enfoque sistemático para eliminar las causas de las no conformidades y prevenir su recurrencia.
• Gestión de no conformidades: procedimientos para identificar, documentar y resolver desviaciones de los requisitos.
• Herramientas de análisis de causa raíz: Técnicas como los 5 por qué y los diagramas de espina de pescado para identificar las causas subyacentes de los defectos.
• A prueba de errores (Poka-Yoke): Implementar mecanismos para prevenir errores en los procesos de fabricación.
• Liberación y disposición de lotes: proceso de toma de decisiones para aceptar, reprocesar o rechazar lotes de producción.
• Planes de muestreo estadístico: Diseño de estrategias de muestreo para inspección y control de calidad.
• Gestión del control de cambios: Gestionar cambios de procesos o productos para mantener la calidad y el cumplimiento.

Glosario de términos utilizados

Corrective Action and Preventative Action (CAPA): un enfoque sistemático para identificar, investigar y abordar no conformidades y problemas potenciales para prevenir su recurrencia y garantizar el cumplimiento de las normas regulatorias en los sistemas de gestión de calidad.

Corrective and Preventive Action (CAPA): Un enfoque sistemático para identificar, investigar y abordar las no conformidades con el fin de prevenir su recurrencia y eliminar posibles problemas, garantizando el cumplimiento de las normas reglamentarias y la mejora continua de los procesos y productos.

Critical Control Points (CCP): Etapas específicas de un proceso donde se puede aplicar control para prevenir, eliminar o reducir los riesgos para la inocuidad alimentaria a niveles aceptables. Identificar estos puntos es esencial para un análisis de riesgos eficaz y la gestión de controles críticos en los sistemas de producción de alimentos.

Define Measure Analyze Improve Control (DMAIC): una estrategia de calidad basada en datos utilizada en Six Sigma para la mejora de procesos, que consta de cinco fases: identificar el problema, medir el rendimiento actual, analizar los datos para identificar las causas, mejorar los procesos en función de los hallazgos y controlar el rendimiento futuro para sostener las mejoras.

Design of Experiments (DOE): Método sistemático para planificar, realizar, analizar e interpretar ensayos controlados que permitan evaluar los efectos de múltiples variables sobre una variable de respuesta, posibilitando la optimización y la comprensión de procesos o productos.

Design of Experiment (DOE): un método sistemático para planificar, realizar y analizar pruebas controladas para evaluar los efectos de múltiples variables sobre una variable de respuesta, facilitando la identificación de condiciones óptimas e interacciones entre factores.

Failure Mode and Effects Analysis (FMEA): un método sistemático para evaluar modos de falla potenciales dentro de un sistema, proceso o producto, evaluar sus efectos sobre el desempeño y priorizar los riesgos para mejorar la confiabilidad y la seguridad a través de acciones correctivas.

Food and Drug Administration (FDA): una agencia federal del Departamento de Salud y Servicios Humanos de los Estados Unidos responsable de regular la seguridad alimentaria, los productos farmacéuticos, los dispositivos médicos, los cosméticos y los productos de tabaco para garantizar la salud y la seguridad públicas a través de la evaluación científica y la aplicación de las normas de cumplimiento.

Good Manufacturing Practice (GMP): Un sistema que garantiza la producción y el control constantes de los productos según los estándares de calidad, minimizando así los riesgos inherentes a la producción farmacéutica y las industrias afines. Abarca directrices para los procesos de fabricación, las condiciones de las instalaciones, la cualificación del personal y las prácticas de documentación para garantizar la seguridad y la eficacia de los productos.

Hazard Analysis and Critical Control Points (HACCP): un enfoque sistemático de la seguridad alimentaria que identifica, evalúa y controla los peligros en puntos críticos del proceso de producción para prevenir enfermedades transmitidas por los alimentos y garantizar la seguridad del producto.

Installation Qualification (IQ): un proceso documentado para verificar que los equipos o sistemas estén instalados de acuerdo con las especificaciones, incluyendo la evaluación de los servicios públicos, las condiciones ambientales y el cumplimiento de los requisitos de diseño, garantizando la preparación para la calificación operativa.

International Electrotechnical Commission (IEC): una organización global que desarrolla y publica estándares internacionales para tecnologías eléctricas, electrónicas y relacionadas, facilitando el comercio internacional y garantizando la seguridad, la eficiencia y la interoperabilidad de los dispositivos y sistemas eléctricos.

International Organization for Standardization (ISO): Organismo internacional no gubernamental que desarrolla y publica normas para garantizar la calidad, la seguridad, la eficiencia y la interoperabilidad en diversas industrias y sectores, facilitando el comercio y la cooperación a nivel mundial. Fundado en 1947, está compuesto por organizaciones nacionales de normalización de los países miembros.

Interquartile Range (IQR): una medida estadística que representa la diferencia entre el tercer cuartil (Q3) y el primer cuartil (Q1) en un conjunto de datos, indicando el rango dentro del cual se encuentra el 50% central de los valores, lo que proporciona información sobre la dispersión de los datos.

Measurement System Analysis (MSA): un método estadístico utilizado para evaluar la exactitud, precisión y confiabilidad de los procesos e instrumentos de medición, garantizando que los datos recopilados sean válidos y consistentes para la toma de decisiones en el control de calidad y la mejora de procesos.

Non-Destructive Testing (NDT): un método utilizado para evaluar las propiedades, la integridad o la estructura del material sin causar daños, empleando técnicas como pruebas ultrasónicas, radiográficas, de partículas magnéticas y de líquidos penetrantes para detectar fallas o discontinuidades.

One Time Off (OTO): Estrategia de marketing que ofrece un producto o servicio único y por tiempo limitado a los clientes, generalmente con descuento, con el objetivo de aumentar las ventas y la participación del cliente durante un período promocional específico. En producción, también puede referirse a un lote de fabricación único. Raramente: incidente aislado de calidad o fabricación, a veces utilizado en lugar de "defecto puntual".

Process Capability Index (Cpk): una medida estadística que cuantifica qué tan bien un proceso puede producir resultados dentro de límites específicos, indicando la relación entre la media del proceso y el límite de especificación más cercano, ajustado a la variabilidad del proceso.

Quality Management System (QMS): un sistema estructurado de procesos, procedimientos y responsabilidades destinado a garantizar una calidad constante en los productos y servicios, facilitar la mejora continua y cumplir con los requisitos reglamentarios y de los clientes.

Radiology Information System (RIS): un sistema de software para gestionar datos de imágenes médicas, facilitar la programación, el seguimiento y la generación de informes de procedimientos radiológicos y la integración con otros sistemas de atención médica para mejorar el flujo de trabajo y la atención al paciente.

Repeatability and Reproducibility (R&R): Capacidad de un sistema de medición para producir resultados consistentes bajo las mismas condiciones (repetibilidad) y en diferentes condiciones u operadores (reproducibilidad), a menudo evaluada mediante métodos estadísticos para evaluar la variabilidad y la confiabilidad en los procesos de recopilación de datos.

Root Cause Analysis (RCA): Un proceso sistemático para identificar los factores fundamentales que conducen a un problema o fracaso, con el objetivo de abordar y eliminar los problemas subyacentes en lugar de limitarse a tratar los síntomas.

Statistical Process Control (SPC): un método de control de calidad que emplea técnicas estadísticas para supervisar y controlar un proceso, garantizando que funcione a su máximo potencial identificando variaciones y manteniendo una producción constante dentro de límites específicos.

Verification and Validation (V&V): un proceso para garantizar que un sistema cumple con las especificaciones y cumple su propósito previsto, que implica dos actividades distintas: la verificación verifica si el producto cumple con las especificaciones de diseño, mientras que la validación evalúa si satisface las necesidades y los requisitos del usuario.