Captulo 5

Control de procesos por atributos

1. Introduccin
2. Grfico P
3. Grfico NP
4. Grfico C
5. Grfico U
Apndice: Curva Caracterstica de Operaciones

1 Apuntes realzados por el Profesor Ismael Snchez para la asignatura: Mtodos Estadsticos para la Mejora de
la Calidad, de la titulacin de Ingeniera de Telecomunicaciones. Universidad Carlos III de Madrid

Control de procesos por atributos

5.1.

Introduccin

En el captulo anterior se estudi la construccin de grficos de control para analizar la evolucin

de una variable cuantitativa continua que fuese el resultado de una medicin: longitud, peso, tiempo,
etc. relacionada con la calidad. Sin embargo, a veces no se desea controlar el valor de una magnitud
medible sino simplemente si el producto es adecuado o no lo es; o, en general, si se posee o no
cierto atributo. Ejemplos de este tipo de variables son abundantes en telecomunicaciones. Algunos
ejemplos son:
Nmero de llamadas en un intervalo de tiempo.
Proporcin de fallos en cada milln de llamadas.
Nmero de averas en un cable de fibra ptica al mes.
Este tipo de medicin, a travs de presencia o ausencia de atributos, tiene ciertas ventajas sobre
el control por variables del tema anterior:
Suele ser ms sencillo y rpido. Por tanto, es ms econmico. Por ejemplo, es ms rpido
comprobar si una pieza pasa por cierto calibre que medir su longitud exacta
Permite resumir las caractersticas de varias variables. Un artculo o servicio puede ser defectuoso o no dependiendo de un conjunto de variables y no de una sola. No se controla una
caracterstica medible sino la ausencia o presencia de un atributo (rechazo/no rechazo).
La informacin de si el artculo es o no defectuoso contiene, implcitamente, la informacin de
la capacidad del proceso (variabilidad del proceso productivo bajo control) y las tolerancias
La monitorizacin de un proceso a travs de este tipo de mediciones de denomina control
por atributos. Existen varios grficos que permiten monitorizar la evolucin de este tipo de informacin. En unos se observa la evolucin de la proporcin de artculos defectuosos en sucesivas
muestras de tamao n (cada elemento observado es/no es defectuoso, o tiene/no tiene cierto atributo; por ejemplo, una llamada es o no es fallida), mientras que en otros se observa la evolucin del
nmero de defectos que aparecen en cada unidad de medida (cada unidad de medida puede tener
ms de un defecto o ms de un atributo, por ejemplo, en cada minuto se puede recibir ms de una
llamada).

5.2.

Grfico P

En este grfico se muestra la evolucin de la proporcin de individuos que tienen cierto

atributo. Por ejemplo, la proporcin de artculos defectuosos, la proporcin de llamadas telefnicas
que quedaron bloqueadas, la proporcin de clientes que presentan una reclamacin, etc. Llamaremos p a esta proporcin.
Veamos primeramente el contexto estadstico en el que nos encontramos. Supongamos un proceso que opera de manera estable (bajo control) y cuyo resultado es un artculo o un servicio.
Supongamos que en ese estado la probabilidad de que un artculo sea defectuoso sea p. Supongamos
que en un instante ti analizamos un tamao muestral ni (nmero de piezas producidas o nmero
de clientes a los que se ha prestado el servicio), el nmero de artculos (o servicios) defectuosos ser

5.2 Grfico P

di , que ser una variable aleatoria al depender de los elementos ni concretos que hayan cado en
nuestras manos en ese instante. Por tanto, la proporcin de artculos defectuosos de cada muestra,
que denotaremos por pi = di /ni ser una variable aleatoria. Por tanto, aunque el proceso est bajo
control, tendremos en general que pi 6= p. El valor p es un valor poblacional, mientras que pi es slo
una estimacin de p obteniada con ni observaciones. El objetivo del grfico P ser comprobar si
la evolucin de los valores pi observados son compatibles con un mismo valor poblacional p, y por
tanto la diferencia entre el valor observado pi y el poblacoinal p se debe slo al azar de la muestra
(variabilidad muestral).
Supongamos, adems, que en esta situacin de estabilidad el proceso evoluciona de manera
independiente; es decir, la probabilidad de que se produzca un artculo o servicio defectuoso es
independiente de si el anterior artculo o servicio fue o no defectuoso. Esta suposicin tambin puede
interpretarse como ausencia de memoria. El proceso no recuerda si el ltimo artculo producido fue
o no fue defectuoso. Bajo estos supuestos de estabilidad e independencia, la probabilidad de
que cada artculo sea defectuoso es siempre la misma e igual a p. Cada artculo producido puede
entonces asociarse a una variable aleatoria de Bernoulli que tome valor xi = 1 si el artculo es
defectuoso (P (xi = 1) = p)) o xi = 0 si es aceptable (P (xi = 0) = 1 p). Por tanto, el nmero de
unidades defectuosas di de un total de ni unidades es una variable aleatoria Binomial con funcin
de probabilidad

ni r
P (di = r) =
p (1 p)ni r ; r = 0, 1, 2, ..., ni .
r
La media y varianza sern (ver Apndice del Captulo 5):
E(di ) = pni ,
Var(di ) = ni p(1 p).
Como puede verse, ambos parmetros, media y varianza, dependen slo de p, por lo que para
analizar la evolucin del nmero de artculos defectuosos no es necesario construir un grfico
de control para la media y otro diferente para la variabilidad, como ocurra en el control por
variables, sino que con un grfico de control del parmetro p es suficiente. El grfico se
realiza tomando muestras de tamao ni (no tienen por qu ser todas de igual tamao) y contando
el nmero de artculos defectuosos di . Nuestro inters est en la evolucin de la proporcin de
artculos defectuoso, es decir,
di
nmero de defectuosos en la muestra i-sima
pi =
=
.
ni
tamao muestral de la muestra i-sima
El nmero de artculos defectuosos di puede escribirse como la suma de las variables
Bernoulli xi de cada artculo, que tendrn valor 1 0. Entonces, la proporcin de artculos
defectuosos en un total de ni unidades puede escribirse como
di
1 + 0 + 1 + 0 + 0 +
=
ni
ni
x1 + x2 + + xni
=
= x

ni
y es, por tanto, una media muestral de variables de Bernoulli independientes entre si. Es fcil,
entonces, deducir las siguientes propiedades:
pi =

E(
pi ) = p,
Var(
pi ) =

p(1 p)
;
ni

Control de procesos por atributos

y, si ni es suficientemente grande, podremos aplicar el Teorema Central del Lmite y utilizar que,
aproximadamente,

p(1 p)
pi N p,
.
ni
El grfico de control P sirve para ver la evolucin de este estadstico pi a medida que se van
recogiendo muestras consecutivas de tamao ni . Supondremos que el tamao muestral ni es suficientemnete grande como para utilizar la aproximacin a la normal. Como en grficos anteriores,
el grfico P tiene los siguientes elementos
p
Lmite de Control Superior = E(
pi ) + 3 Var(
pi )
Lnea Central = E(
pi )
p
Lmite de Control Inferior = E(
pi ) 3 Var(
pi )

tomndose como lmite inferior el cero si resultase un valor negativo. Si la proporcin de unidades
defectuosas p es conocida, el grfico de control ser
s
p(1 p)
Lmite de Control Superior = p + 3
ni
Lnea Central = p

Lmite de Control Inferior = p 3

(5.1)
p(1 p)
ni

Puede verse que los lmites de control no son, en general, dos lneas rectas, sino que variarn con
el tamao muestral ni . Esta variacin es necesaria para asegurar que en cada momento existe
una probabilidad del 99.7 % de estar entre los lmites si el proceso est bajo control. En el caso de
p conocido, los pasos a seguir para la construccin del grfico son:
1. Tomar muestras de tamao muestral ni . El tamao muestral se decide segn las caractersticas de cada caso. El tamao muestral debe ser elevado, tanto para que la aproximacin a la
normal sea buena, como para dar oportunidad a que aparezcan piezas defectuosas. De esta
forma, el 99,7 % de los valores estarn dentro de los lmites de control cuando el proceso est
en estado de control. Las muestras suelen tomarse a intervalos regulares de tiempo, aunque
el tamao muestral no necesita ser el mismo.
2. Dibujar el grfico con las especificaciones mostradas en (5.1).
3. Calcular la proporcin de artculos defectuosos en cada muestra:
pi =

nmero de defectuosos
.
ni

4. Colocar los valores pi ordenados en el tiempo en el grfico e interpretarlo.

Ejemplo 1:

5.2 Grfico P

M uestra :
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
T otal :

N o de diodos insp eccionados

Diodos defectuosos

126
118
122
129
124
136
119
127
114
127
119
115
110
103
108
116
119
118
107
113
2370

8
10
10
9
10
10
9
9
20
11
12
5
11
6
10
4
7
8
10
13
192

pi
0,063
0,085
0,082
0,070
0,081
0,074
0,076
0,071
0,175
0,087
0,101
0,043
0,100
0,058
0,093
0,034
0,059
0,068
0,093
0,115

Cuadro 5.1: Datos ejemplo 1

Los diodos para un circuito impreso son producidos de forma continua en cierto proceso industrial. Un operario va tomando aleatoriamente diodos de la cadena de produccin y va comprobando
si son defectuosos o aceptables. Como la cadena no tiene un ritmo de produccin constante (sigue
un ritmo de produccin denominado just in time, donde el ritmo de la cadena se va determinando segn el nivel de stock final e intermedio), el ritmo de inspeccin no es tampoco constante.
El operario, por tanto, no toma siempre la misma cantidad de diodos para realizar la inspeccin.
La Tabla 5.1 muestra el tamao de las muestras recogidas y el nmero de diodos que resultaron
defectuosos.

Se sabe por la informacin histrica del proceso, que si slo actan causas no asignables (azar),
se espera que el 8 % de los diodos sean defectuosos. Se quiere construir un grfico de control para
la proporcin de diodos defectuosos. El grfico se muestra en la figura 5.1. En dicho grfico puede
verse cmo los lmites de control, aunque estn usando el mismo valor p = 0,08 tienen distinto
ancho, debido a que las muestras son de distinto tamao. Existe un punto fuera de control que
habr que investigar. Algunas aplicaciones informticas permiten realizar un grfico con lmites de
control que son lneas rectas. Para ello utilizan como tamao muestral en las frmulas (5.1) el
promedio de los tamaos muestrales; es decir, usan, en lugar de ni
Pk
ni
n
= i=1 .
k
Cuando no hay un valor de p conocido es necesario estimarlo con unas muestras iniciales. Estas
muestras deben estar recogidas cuando el proceso se encuentra en estado de control. Los pasos a
seguir para la construccin del grfico en este caso son:
1. Tomar k muestras (al menos 20) de tamao muestral ni (i = 1, ..., k).

Control de procesos por atributos

Prop. de diodos defectuosos

0,18
0,15

L. Central=0.08

0,12
0,09
0,06
0,03
0
0

10 12

14

16

18

20

Muestra
Figura 5.1: Grfico P para la proporcin de diodos defectuosos con p conocido: p = 0,08.

2. Calcular la proporcin de artculos defectuosos en cada muestra

pi =

nmero de defectuosos
.
ni

3. Calcular una estimacin del valor poblacional p a travs de la proporcin total de defectuosos:
Pk
di
p = Pki=1 .
i=1 ni

Este valor de p constituir la lnea central del grfico de control. Si durante este periodo
de recogida de informacin el proceso ha estado bajo control, este estimador ser un buen
estimador de p. Este estimador es mejor que el promedio de los diferentes valores de pi , es
decir,
Pk
pi
p = i=1 ,
k
pues en este promedio no estamos teniendo en cuenta que cada muestra tiene tamao muestral
distinto y, por tanto, precisin distinta.
4. Calcular los lmites de control de manera que si el proceso est bajo control, y basndonos
en la normalidad, slo 3 de cada mil muestras estn fuera de los lmites. Esto es equivalente,
utilizando las propiedades de la distribucin normal, a poner los lmites en tres desviaciones

5.2 Grfico P

tpicas. Por tanto, el grfico de control tiene las caractersticas siguientes:

s
p(1 p)
Lmite de Control Superior = p + 3
ni
Lnea Central = p

Lmite de Control Inferior = p 3

(5.2)
p(1 p)
ni

5. Dibujar el grfico con la lnea central y los lmites de control y colocar los valores pi ordenados en el tiempo. Si algn valor estuviese fuera de los lmites habra que rechazar dicha
muestra y repetir el proceso con las restantes. Se ha de recalcular entonjces p con las muestras
restantes. Una vez que se tiene un grfico con todos los valores dentro de los lmites pueden
considerarse stos vlidos y puede utilizarse el valor estimado p para posteriores muestras.

Ejemplo 1 (continuacin):
Con los datos del ejemplo 1 y sin utilizar el valor de p = 0,08, se obtendra un valor estimado
de

192
= 0,081
(5.3)
2370
p

Los lmites sern p 3 p(1 p)/ni = 0,081 0,819/ ni (se usa el lmite inferior 0 si resulta
un nmero negativo). La figura 5.2 muestra el nuevo grfico de control
p =

En este grfico se vuelve a apreciar que hay un punto fuera de control. Por tanto la estimacin
de p hecha en 5.3 no es adecuada. Si eliminamos la muestra 9 del anlisis y rehacemos el grfico
se tiene la nueva estimacin:
192 20
p =
= 0,076,
2370 114
p

y los nuevos lmites sern p 3 p(1 p)/ni = 0,076 0,795/ ni . La figura 5.3 muestra el
nuevo grfico. En esta ocasin todos los puntos se encuentran dentro de los lmites, por lo que la
estimacin de p puede utilizarse para controlar el proceso en posteriores muestras.

Al no ser los lmites constantes se ha de tener cuidado para interpretar tendencias y rachas en
estos grficos. Un procedimiento para simplificar la interpretacin de las grficos P es el uso de
valores estandarizados. En este caso los valores representados en el grfico son
zi = r

pi p
,
p(1 p)
ni

donde p es utilizado en lugar de p si este valor no es conocido. Con estos datos se tiene que
E(zi ) = 0
Var(zi ) = 1

Control de procesos por atributos

Prop. de diodos defectuosos

0,18
0,15

L. Central=0.08

0,12
0,09
0,06
0,03
0
0

12

16

20

Muestra
Figura 5.2: Grfico P para el porcentaje de diodos defectuosos. El valor de p est estimado con los
datos.

Prop. de diodos defectuosos

0,18
0,15

L. Central=0.07

0,12
0,09
0,06
0,03
0
0

12

16

20

Muestra
Figura 5.3: Grfico P para el porcentaje de diodos defectuosos. La muestra 9 ha sido eliminada
(aparece con el smbolo X).

5.3 Grfico NP

Prop. de diodos defect (estandarizado)

5

3
1
-1
-3
0

12

16

20

Muestra
Figura 5.4: Grfico P estandarizado para el porcentaje de diodos defectuosos. La muestra 9 ha
sido eliminada (aparece con el smbolo X).
y por tanto el grfico estandarizado tendr las siguientes caractersticas
Lmite de Control Superior = 3
Lnea Central = 0
Lmite de Control Inferior = 3

(5.4)

La figura 5.4 muestra el grfico estandarizado correspondiente al ejemplo 1 con p estimado.

Como puede observarse, la construccin del grfico se resume a la obtencin de una buena
estimacin de p. A partir de entonces, y una vez fijada la estrategia de muestreo (tamaos muestrales, frecuencia, criterios para determinar que una pieza es defectuosa), lo que hay que hacer para
controlar estadsticamente el proceso es:
1. Tomar una muestra de tamao ni
2. Calcular los LCS y LCI con ese valor ni y colocarlos en el grfico
3. Contar el nmero de piezas defectuosas di y calcular la proporcin sobre el total de la muestra
pi .
4. Colocar este valor pi en el grfico y verificar si el proceso est bajo control

5.3.

Grfico NP

Se aplica al mismo tipo de procesos que en el caso anterior. La diferencia est en que, en lugar
de monitorizar la proporcin de artculos defectuosos en una muestra, se monitoriza el nmero

10

Control de procesos por atributos

de artculos defectuosos. En general, es til si:

(a) el nmero es ms relevante que la proporcin,
(b) el tamao muestral es constante.
Aunque matemticamente sera posible construir un grfico N P con tamao muestral variable,
su interpretacin sera complicada, por lo que supondremos que se utilizan muestras de tamao
constante ni = n, i = 1, 2, ... Llamemos di al nmero de artculos defectuosos en una muestra de
tamao n. El grfico de control ser:
p
Lmite de Control Superior = E(di ) + 3 Var(di )
Lnea Central = E(di )
p
Lmite de Control Inferior = E(di ) 3 Var(di )

Sea p la proporcin total de defectuosos que produce el proceso. Entonces di sigue una distribucin binomial de media np y varianza np(1 p). Si n es grande ( y np(1 p) > 5), dicha
distribucin puede aproximarse a la normal (ver apndice del Captulo 5). Por tanto, para n elevado, aproximadamente,
di = n
pi N (np, np(1 p)) .
Por tanto el grfico de control N P ser:
p
Lmite de Control Superior = np + 3 np(1 p)
Lnea Central = np
p
Lmite de Control Inferior = np 3 np(1 p)

y si la aproximacin a al normal es buena, contendr al 99.7 % de los datos si el proceso est bajo
control. De nuevo, si el lmite de control resultase negativo se usara al valor cero. Para construir
el grfico de control es necesario estimar p, salvo que se conozca ya su valor. Al igual que en el
caso anterior, tanto el nivel medio como la variabilidad dependen slo del parmetro p, por lo
que un solo grafico ser suficiente para controlar el proceso. Para construir el grfico se siguen los
siguientes pasos:
1. Se toman k muestras de tamao n. El nmero de muestras k debe ser elevado (ms de 20).
tambin el tamao muestral n debe ser grande (mayor de 50) y han de tomarse consecutivamente y a intervalos iguales
2. Contar el nmero de artculos defectuosos en cada muestra di
3. Contar el nmero total de defectuosos d1 +d2 + +dk y hallar el nmero medio de defectuosos
por muestra:
Pk
Pk
di
di
d
p = i=1 = i=1 = d = n
p.
nk
k
n
Este valor d ser un buen estimador de np, media del proceso, si el proceso ha estado bajo
control durante esta etapa de recogida de informacin. Este valor medio d = n
p ser la lnea
central del grfico de control.

5.4 Grfico C

11

4. Se calculan los lmites de control a tres desviaciones tpica, obtenindose:

p
Lmite de Control Superior = n
p + 3 n
p(1 p)
Lnea Central = n
p
p
Lmite de Control Inferior = n
p 3 n
p(1 p)

5. Se dibuja el grfico trazando la lnea central en n

p y los lmites de control. Los lmites de
control sern ahora constantes, al ser constante el tamao muestral n.
6. Colocar los valores di de forma secuencial. Si alguno se encuentra fuera de los lmites de
control habr que eliminarlo y volver a reconstruir el grfico con las muestras restantes.
La capacidad se sigue definiendo de la misma manera que en los grficos P, es decir (1-p). Por
tanto la estimacin de la capacidad es
Estimacin de la capacidad=(1 p),

Ejemplo 2:
Se desea construir un grfico de control N P para controlar un proceso que fabrica un chip que
se insertar en una tarjeta de telefona. Se tienen 25 muestras, cada una formada por 50 chips. El
nmero de chips defectuosos en cada una de las muestras se muestra en la Tabla 5.2.
El grfico de control que resulta se encuentra en la figura 5.5. En l puede apreciarse que hay una
observacin fuera de control por lo que habr que eliminarla antes de considerar que la estimacin
de p es definitiva y pueda ser utilizada para analizar posteriores muestras. En este grfico el LCI
es cero, pues el valor que se obtiene aplicando la frmula correspondiente es negativo: LCI=-1.87.

5.4.

Grfico C

A veces, el inters no reside en el nmero de artculos defectuosos sino en el nmero de

defectos en un artculo o unidad de medida o, en general, el nmero de sucesos o atributos
observados por unidad de medida. Por ejemplo, en una pelcula fotogrfica interesa controlar
el nmero de defectos por centmetro cuadrado. En un cable de fibra ptica interesa el nmero de
defectos por metro o kilmetro, o el nmero de averas detectadas por kilmetro una vez enterrado.
En una centralita interesar controlar el nmero de llamadas por hora o minuto. En un puesto de
atencin a clientes, interesa el nmero de clientes que llegan por unidad de tiempo. La diferencia
respecto al caso de control del nmero de artculos con cierto atributo es el soporte en el que se
observan los sucesos. Mientras que antes el soporte es discreto: muestra de n elementos, ahora
el soporte es contnuo: tiempo, longitud, superficie. Este tipo de control tiene inters cuando:

12

Control de procesos por atributos

M uestra :

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
T otal :

Tamao de la muestra

Nmero de articulos defectuosos

50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
1250

3
5
5
1
10
4
2
5
6
4
1
0
4
6
2
2
3
4
2
5
4
5
2
4
2

pi
0.06
0.10
0.10
0.02
0.20
0.08
0.04
0.10
0.12
0.08
0.02
0.00
0.08
0.12
0.04
0.04
0.06
0.08
0.04
0.10
0.08
0.10
0.04
0.08
0.04

91

Cuadro 5.2: Datos ejemplo 2

Nmero de chips defectuosos

10

LCS=9.15
L. Central=3.64

np

LCI=0.00

6
4
2
0
0

10

15

20

25

Muestra
Figura 5.5: Grfico NP para el nmero de chips defectuosos en 25 lotes de 50 chips cada uno.

5.4 Grfico C

13

Las disconformidades aparecen de forma contnua (burbujas en vidrio, defectos en una placa,
araazos en plsticos, cortes en cables, llegada de clientes a un puesto de servicio...)
Los defectos pueden encontrarse por simple inspeccin a pesar de ser debidas a causas muy
diversas
Este tipo de control es muy frecuente cuando el proceso es un servicio. Por ejemplo, interesa controlar el nmero de clientes atendido por unidad de tiempo, nmero de quejas por da, nmero de
llamadas recibidas en cierto servicio telefnico, nmero de llamadas bloqueadas en un da, nmero
de llamadas atendidas por una centralita en una unidad de tiempo, nmero de fallos diarios en un
equipo de intercomunicacin, nmero de altas diarias en un servicio, etc.
Esta variable que se quiere controlar puede definirse como: nmero de sucesos en un
intervalo de longitud fija. Si el proceso es estable y los sucesos ocurren de forma independiente (la llegada de un cliente a un servicio no depende de cuntos clientes han solicitado ese
servicio en esa unidad de tiempo, la rotura de un cable en un punto dado es independiente de si el
cable se ha roto en otro punto) entonces el nmero de sucesos en un intervalo de longitud
fija seguir una distribucin de Poisson (ver apndice del Captulo 5). La hiptesis de independencia puede tambin interpretarse como ausencia de memoria: el proceso no recuerda cuntos sucesos
se registraron en la unidad de tiempo anterior.
Si x es una variable con distribucin de Poisson de parmetro , el valor medio de dicha
distribucin es tambin . Por ejemplo, ser el nmero medio de defectos por cm2 en una
placa metlica, o nmero medio de clientes por da. La varianza de esta distribucin es tambin
. Una propiedad interesante de la distribucin de Poisson es la de aditividad; es decir, si el
nmero de sucesos en un intervalo es una distribucin de Poisson de parmetro , el nmero de
sucesos en n intervalos es una Poisson de parmetro n. Si es elevado ( > 5), la distribucin
de Poisson se aproxima bastante a la normal. Por tanto, utilizando la mencionada propiedad
de aditividad tenemos que si tomamos una unidad de medida suficientemente grande, podremos
utilizar la distribucin normal como referencia. Entonces, el nmero de defectos D por unidad de
medida (o no-conformidades) ser, si la unidad de medida es suficientemente grande,
D N (, ).

(5.5)

De nuevo, conociendo un parmetro, , se tiene control sobre la media y la variabilidad del proceso.
Bastar, entonces, con un solo grfico de control. Sea Di el nmero de sucesos observado en un
intervalo de longitud fija. Un grfico de control para controlar la evolucin de esta variable ser:
p
Lmite de Control Superior = E(Di ) + 3 Var(Di )
Lnea Central = E(Di )
p
Lmite de Control Inferior = E(Di ) 3 Var(Di )
y, aplicando (5.5) se tiene que

Lmite de Control Superior = + 3

Lnea Central =

Lmite de Control Inferior = 3

14

Control de procesos por atributos

Hectmetro
Nmero de defectos

1
5

2
2

3
7

4
12

5
10

6
3

7
6

8
4

9
3

10
7

11
2

12
10

Cuadro 5.3: Datos ejemplo 3

Si el LCI resultase negativo se usara el valor cero. Si no fuese conocido habra que estimarlo con
un conjunto de datos preliminares, procedentes del proceso en estado de control. En este caso, el
grfico se construira de la siguiente forma:
1. Seleccionar la unidad de medida, de manera que en tal unidad se detecten por trmino medio
al menos cinco ocurrencias (averas, defectos, clientes,...), para que la aproximacin a la
normal sea buena. De esta forma los lmites de control tendran al 99.7 % de las observaciones
en estado de control.
2. Tomar k muestras (al menos 20) a intervalos regulares de tiempo y contar el nmero de
ocurrencias en cada muestra Di
3. Estimar con el nmero medio de ocurrencias observadas
Pk
Di

= i=1 .
k
ser un buen estimador de
Si el proceso ha estado bajo control durante esta etapa, el valor
=nmero medio de ocurrencias. Este valor se usar entonces como lnea central del grfico
4. Calcular los lmites de control a tres desviaciones tpicas. El grfico resultante ser:
p
+3

Lmite de Control Superior =

Lnea Central =
p
3

Lmite de Control Inferior =

(5.6)

Si el lmite inferior es negativo se sustituye por el valor cero.

5. Dibujar el grfico y colocar los valores Di de forma secuencial. Si alguno est fuera de control
se elimina y se recalcula el grfico.
por
La capacidad del proceso se define por : nmero medio de defectos y se estima con .
tanto

Estimacin de la capacidad=
Ejemplo 3:
Un fabricante de cable de fibra ptica desea controlar la calidad del cable mediante un grfico
de control C. Para ello toma como unidad de medida los 100 metros e inspecciona el nmero de
defectos que encuentra: microfisuras, araazos externos, poros, etc. La inspeccin est altamente
automatizada, inspeccionndose el 100 % del cable. La tabla 5.3 muestra el resultado de 12 unidades
(1200 metros).

5.5 Grfico U

15

Nmero de defectos en un hectmetro

15

LCS=13.21
L. Central=5.92

12

LCI=0.00

9
6
3
0
0

10

12

Hectmetro
Figura 5.6: Grfico C para el nmero de defectos de un hectmetro de cable.
El nmero medio de defectos es
= 71 = 5,92

12
que ser la lnea central del grfico. Como esta media es superior a 5 tendremos que la aproximacin
a la normal ser buena, y el grfico basado en (5.6) es correcto. El lmite de control superior es
p
= 13,21
+3
LCS=
y el inferior

por tanto se usar

p
3
= 1,38
LCS=
LCI = 0.

La figura 5.6 muestra el grfico de control donde estn representadas las observaciones de la
Tabla.5.3.

5.5.

Grfico U

El grfico U se utiliza cuando no es posible tener siempre la misma unidad de medida para contar
el nmero de defectos (o no-conformidades, o clientes, etc...). Entonces, se controla el nmero medio
de defectos por unidad de medida. Por ejemplo:
Los elementos a analizar pueden contener un nmero variable de unidades: por ejemplo dos
rollos de pelcula fotogrfica no tendrn exctamente la misma longitud, diferentes lminas
de vidrio tendrn distinta superficie.

16

Control de procesos por atributos

Es difcil tomar mediciones a intervalos iguales de tiempo: el inspector puede estar dedicado
a varias tareas, por lo que es necesario un esquema de muestreo ms flexible.
Llamaremos ci al nmero de defectos (u ocurrencias de cierto suceso) en la muestra i-sima y
ni al nmero de unidades de medida analizadas (nmero de metros del cable, nmero de unidades
de tiempo, nmero de cm2 de superficie analizada...). El nmero de defectos por unidad de medida
ser
ci
nmero de defectos en ni unidades
=
ui =
(5.7)
ni
nmero de unidades de la muestra
La variable ci es una variable Poisson de parmetro
i = ni ,
donde es el nmero medio de sucesos por unidad. Por tanto:
E(ci ) = i = ni ,
Var(ci ) = i = ni .
Esta variable ui es, entonces, un promedio de variables tipo Poisson, donde los sucesos se observan
en intervalos de longitud distinta. Si el valor de ni es suficientemente grande, la variable aleatoria
ui ser, por el Teorema Central del Lmite, aproximadamente normal. El grfico de control de la
variable ui ser:
p
Lmite de Control Superior = E(ui ) + 3 Var(ui )
Lnea Central = E(ui )
p
Lmite de Control Inferior = E(ui ) 3 Var(ui )

y si la aproximacin a al normal es buena, contendr al 99.7 % de las observaciones. De (5.7) se

obtiene que
E(ci )
ni
=
= .
ni
ni
Var(ci )
ni

Var(ui ) =
= 2 = .
2
ni
ni
ni
E(ui ) =

El grfico de control ser, entonces,

r

ni

ni

Lmite de Control Superior = + 3

Lnea Central =

Lmite de Control Inferior = 3

Si la media es desconocida se puede estimar con valores preliminares de ui . La media de la

distribucin del nmero medio de defectos se estimar con
Pk
ci
nmero total de defectos
u
=
= Pki=1 .
nmero total de unidades
n
i=1 i

5.5 Grfico U

17

Entonces

Y el grfico de control U ser:

d i) = u
Var(u
.
ni

r
u

Lmite de Control Superior = u

+3
ni
Lnea Central = u

r
u

Lmite de Control Inferior = u

3
ni
El LCI ser cero si la frmula anterior diese un valor negativo. En resumen, el grfico se construir
de la siguiente manera:
1. Se toman k muestras de tamaos ni , i=1,...,k y se cuenta el nmero de defectos ci de cada
muestra y el nmero medio por unidad de medida de cada muestra ui = ci /ni .
2. Se calcula la media del nmero medio de defectos por unidad de medida u
. Si el proceso ha
estado bajo control, este estimador u
ser un buen estimador de y ser la lnea central del
grfico.
3. Se calculan los lmites de control a tres desviaciones tpicas de la lnea central
r
u

LCS = u
+3
,
ni
r
u

.
LCI = u
3
ni

Estos lmites varan con el tamao muestral. Al igual que ocurra con los grfico P, dado que
los lmites de control no son constantes, la interpretacin de rachas y tendencias se ha de hacer
con cautela. Una posible opcin sera representar el grfico normalizado; es decir, representar los
valores

ui u
,
zi = r
u

ni
en un grfico donde la lnea central es cero y los lmites LCS=3 y LCI=-3. La capacidad del proceso
se define como u
, por tanto
Estimacin de la capacidad=
u.
Ejemplo 4:
Un operario inspecciona la calidad de unos circuitos impresos (araazos, bandas incorrectas,
grosor no uniforme, etc.). Los circuitos que inspecciona son muy diversos. Segn el tipo de circuito
se apunta su superficie y el nmero de defectos. Tras inspeccionar 12 placas obtiene los datos de
la Tabla 5.4.

18

Control de procesos por atributos

2
Sup erficie (cm )
nmero de defectos

50
4

50
3

34
4

38
4

54
4

22
3

22
5

25
3

50
4

34
2

34
2

38
4

Cuadro 5.4: Datos ejemplo 4

Nmero medio de defectos por unidad de sup.

0,3
0,25
0,2

0,15
0,1
0,05
0
0

10

12

Placa
Figura 5.7: Grfico U para el nmero medio (por cm2 ) de defectos en placas de circuitos impresos.

El nmero total de defectos es 42 y la superficie total 451. Por tanto

u
=

42
= 0,093
451

Los lmites de control dependen de cada placa, al tener superficies distintas. La figura 5.7 muestra
el grfico de control donde se representan los valores de ui ( u1 = 4/50, ..., u12 = 4/38) del nmero
de defectos por cm 2 . La figura 5.8 muestra el grfico de control estandarizado. En ambos grficos
se observa que el proceso est en estado de control.

Apndice: Curva Caracterstica de Operaciones

La curva caracterstica de operaciones o curva OC (del ingls Operating-Characteristic curve)
es una funcin que proporciona, para un grfico de control dado, la probabilidad de aceptar incorrectamente la hiptesis de estado de control. Es decir:
Curva OC=Probabilidad de NO detectar un estado fuera de control.

5.5 Grfico U

19

Nmero medio de defectos por unidad de sup.

3
2

1
0
-1
-2
-3
0

10

12

Placa
Figura 5.8: Grfico U para el nmero medio (por cm2 ) de defectos en placas de circuitos impresos.
Grfico estandarizado.
Esta curva aparece en muchas aplicaciones informticas, por lo que es importante entender su significacdo. La curva OC es, entonces, una medida de la sensibilidad del grfico de control. Supongamos que el grfico de control representa la evolucin del estadstico yi , por ejemplo, una media
muestral , varianza muestral, proporcin muestral, etc. Los lmites de control sern, en general,
p
Lmite de Control Superior = E(yi ) + 3 Var(yi )
p
Lmite de Control Inferior = E(yi ) 3 Var(yi )

Si llamamos c a la media de yi cuando el proceso est bajo control, la curva OC ser

OC() = P (LCI yi LCS|E(yi ) = 6= c ).
Vemos a continuacin cmo es esta curva segn el tipo de grfico.

Grfico P
Cuando el estadstico de inters es la proporcin de artculos defectuosos pi se tiene que

p(1 p)
pi N p,
,
ni
donde, si p es desconocido se estima con los datos. Con los datos del ejemplo 1, y construyendo los
lmites con un tamao muestral promedio, se obtiene, usando el Statgraphics, el siguiente grfico
de control y la respectiva curva OC:

20

Control de procesos por atributos

p Chart for Diodef/Numdiodos

0,18

LCS=0.149

0,15

L. central=0.07

0,12

LCI=0.0032

0,09
0,06
0,03
0
0

12

16

20

Subgroup
Grfico de control para los datos del ejemplo 1.

OC Curve for p

Pr(accept)

1
0,8
0,6
0,4
0,2
0
0

0,04

0,08

0,12

0,16

0,2

0,24

Process proportion
Curva OC para el grfico de control correspondiente a los datos del ejemplo 1.
Si p = 0,076 es la estimacin de p (lnea central del grfico) cuando el proceso est bajo control,
la curva OC ser:
OC(p) = P (0 pi 0,15|E(
pi ) = p 6= 0,076).

Como

pi =

nmero de defectos
di
=
tamao (medio) de la muestra
n

se puede escribir que

OC(p) = P (nLCI di nLCS|p)
= P (di nLCS|p) p(di < nLCI|p)
y se puede usar la distribucin binomial acumulada para calcular esas probabilidades con mayor
precisin que usando la distribucin normal. Por ejmplo, si la proporcin disminuye a p = 0,04 la
proporcin muestral ser, aproximadamente,

0,04 0,96
pi N 0,02,
,
n

mientras que el nmero de artculos defectuosos ser

di B(
n, 0,04)

5.5 Grfico U

21

donde n
es el promedio de los tamaos muestrales ni igual a n
= 118,7. La probabilidad de no
detectar este cambio ser:
OC(0,02) = P (118,7 0,00318 di 118,7 0,1493) = P (0,378 di 17,72).
El resultado final variar segn se haga la aproximacin a valores enteros para utilizar la binomial.
Por eso, pueden encontrarse a veces diferencias segn el software empleado. Por ejemplo, si aproximamos a los enteros que produzcan un intervalo ms estrecho se obtiene (clculos realizados con
el Statgraphics):
P (di 17) P (di 1) = 1 0,05 = 0,95,
mientras que si aproximamos para obtener un intervalo ms amplio:
P (di 18) P (di = 0) = 1 0,008 = 0,99.
Otra posibilidad es utilizar el promedio de estos valores. Si promediamos ambos resultados se
obtiene
OC(0,02) 0,97

Grfico NP
Los grficos siguientes muestran el grfico de control y OC del ejemplo 2, sobre el nmero de
chips defectuosos en lotes de 50.

np Chart for Defchip

10

LCS=8.70
L. central=3.38

np

LCI=0.00

6
4
2
0
0

10

15

20

25

12

15

Subgroup
OC Curve for np

Pr(accept)

1
0,8
0,6
0,4
0,2
0
0

Process mean count

22

Control de procesos por atributos

La curva OC(p) es la probabilidad de que una muestra tenga un valor n

pi que est dentro de
los lmites de control pero que p 6= p = 3,38. Sea di = n
pi el nmero de arrculos defectuosos en
un lote. Entonces, la curva OC(p) es

OC(p) = P (LCI di LCS|p)

= P (0,00 di 8,79),
donde
di B(n, p)
Por ejemplo, si el dmero de artculos defectusos aumenta a np = 6 (n = 50, p = 0,12) la probabilidad de no detectarlo es
P (0,00 di 8,79|di B(50, 0,12)).
Al igual que con el grfico P, la solucin final depender de cmo tratemos los nmeros no enteros
de los lmites de control. Una posible opcin es promediar las dos siguientes probabilidades:

P (0,00 di 8|di B(50, 0,12)) = 0,86

P (0,00 di 9|di B(50, 0,12)) = 0,93
Por tanto

OC(p = 0,12) =

0,86 + 0,93
= 0,895,
2

que es, aproximadamente, el valor que puede verse en la curva OC del Statgraphics.

Grfico C
Los grficos siguientes muestran el grfico de control y curva OC del ejemplo 3: defectos por
hectmetro de cable:

5.5 Grfico U

23

c Chart for Defcable

15

UCL = 13,21

12

Centerline = 5,9
LCL = 0,00

9
6
3
0
0

10

12

20

24

Observation
OC Curve for c

Pr(accept)

1
0,8
0,6
0,4
0,2
0
0

12

16

Process mean count

Ahora la distribucin exacta del nmero de defectos es la Poisson. Si llamamos ci al nmero de
al parmetro de la Poisson en estado de cobntrol, la curva OC ser
defectos por hectmetro, y

OC() = P (LCI ci LCS|ci P( 6= )).

Por ejemplo, si el nmero medio aumenta hasta =12 defectos/hectmetro, el valor de la curva
OC ser:
OC(12) = P (0,0 ci 13,21|ci P(12)).
Usando la distribucin de Poisson acumulada (operaciones que se pueden hacer fcilmente con el
Statgraphics) se obtienen los siguientes resultados
OC(12) = P (0,0 ci 13|ci P(12)) = 0,68,
OC(12) = P (0,0 ci 14|ci P(12)) = 0,77,
y el promedio es
OC(12) =

0,68 + 0,77
= 0,725.
2

Grfico U
Los grficos para el ejemplo 4 sobre defectos en placas de circuitos impresos son:

24

Control de procesos por atributos

u Chart for Defplaca/Suplaca

0,25

UCL = 0,24

0,2

Centerline = 0,0
LCL = 0,00

0,15
0,1
0,05
0
0

10

12

Subgroup
OC Curve for u

Pr(accept)

1
0,8
0,6
0,4
0,2
0
0

0,1

0,2

0,3

0,4

Process frequency
donde se ha usado como tamao muestral (nmero de unidades en cada muestra) un promedio
(
n = 37,58). La curva OC es
OC() = P (LCI ui LCS)
Si el nmero medio de defectos aumtenta hasta = 0,2, se tiene que, aproximadamente,

0,2
ui N 0,2,
N 0,2, 0,0732 .
37,58

El valor de la curva OC usando esta aproximacin a la normal ser:

0,0 0,2
0,24 0,2
OC(0,2) = P
z
0,073
0,073
= P (2,74 z 0,548|z N (0, 1)) = 0,71.

Otra forma de resolverlo es utilizando la distribucin de Poisson. Si = 0,2 y n

= 37,58, se tiene
que el nmero de defectos por muestra promedio sera
ci P(
n) = P(7,52).
Por tanto, como ui = ci /
n, se tiene que
OC(0,2) = P (0,0
n ci 0,24
n|ci P(7,52))
= P (0 ci 9,019|ci P(7,52)) 0,77
que est ms prximo al valor que proporciona el grfico del Statgraphics