Capitulo

119

Captulo 9

Grficos de Control para Atributos

El trmino atributo, en control de calidad, es la propiedad que tiene una unidad de
produccin de ser defectuosa o no defectuosa. Por ejemplo, una ampolleta puede tener
el defecto de estar mal etiquetada, presentar una rotura o mostrar una etiqueta borrosa
pero legible. Atributos de este tipo se pueden observar tambin en comprimidos,
grageas, cpsulas o cualquier producto farmacutico.

La revisin de este tipo de caractersticas se relaciona generalmente con normas o

criterios de aceptacin y rechazo. Es decir, con productos defectuosos o no
defectuosos. Por lo que se deben definir los siguientes trminos.

Defecto: Una caracterstica de no conformidad que causa o provoca que un artculo,

producto o unidad de produccin no cumpla con las especificaciones de calidad
requeridas.

Cada falta de conformidad de un artculo constituye un defecto, por lo que un mismo

producto puede mostrar varios defectos.

Producto defectuoso: Artculo o unidad de produccin con uno o ms defectos.

Nmero de productos defectuosos: En una muestra de n objetos o entidades, d, es

un nmero que indica cuantos de ellos tienen o presentan defectos.

Nmero de defectos: En una muestra de tamao n, hay un nmero, c, que indica

cuantos defectos se detectan. Un producto defectuoso puede tener uno o ms
defectos, de manera que c es la suma de todos los defectos contabilizados en las n
unidades de inspeccin de la muestra.

120

Grficos de Control para Atributos.

Nmero de defectos por unidad de produccin: Hay un nmero, u, que indica

cuantos defectos se encuentran por objeto o artculo, muestreado, en un proceso de
produccin.

Fraccin defectuosa: Al cociente del nmero de productos defectuosos, entre el

nmero total de productos en una muestra de tamao n, se le conoce como fraccin
defectuosa y se denota por p=d/n.

En base a estas definiciones, los grficos de control para datos de atributos se

resumen en el cuadro 9.1 y 9.2.

Tipo de Grfico

Lnea central

Lmites de Control

Nmero de defectos, np

np

n p 3 n p(1 p)

Fraccin defectuosa, p

p
p 3

Defectos por unidad, u

p(1 p)
n

u
u 3

u
n

Nmero de Defectos, c
Muestras del mismo tamao

c 3 c

Muestras de tamao diferente

nu

n u 3 nu

Cuadro 9.1. Grficos de control para atributos, sin un valor de referencia dado. Los valores se
obtienen a partir de datos muestrales.

121

Captulo 9
Lnea central Lmites de Control
Nmero de defectos, np

np

Fraccin defectuosa, p

np 3 np '(1 p ')
p 3

p '(1 p ')
n

u 3

u'
n

Defectos por unidad, u

Nmero de Defectos, c
Muestras del mismo tamao, (dado c).

c 3 c'

Muestras de tamao diferente, (dado u).

nu

nu 3 nu'

Cuadro 9.2. Grficos de control para atributos, con un valor de referencia dado. Los valores de
referencia se definen de antemano.

9.1. GRFICOS DE FRACCIN O PORCENTAJE DE DEFECTUOSOS, p, Y DE

NMERO DE DEFECTUOSOS, np.

En estos grficos cada unidad tiene cierta probabilidad, p, de ser defectuosa o de no

cumplir con las especificaciones de calidad requerida.

Si de n unidades producidas d son defectuosas, la variable aleatoria d tiene una

n
distribucin binomial definida por la ecuacin: Pr(d) = pd(1-p)n-d. Cuyas propiedades,
d

enfocadas al control de calidad, se enuncian a continuacin.

1.- Cada unidad de produccin tiene slo dos posibles resultados: defectuosa o no
defectuosa y las probabilidades de estos resultados suman a 1.
2.- Al seleccionar la muestra se debe realizar un muestreo con reemplazo. Lo que
asegura que la fraccin defectuosa p sea constante de ensayo a ensayo.

122

Grficos de Control para Atributos.

3.- Debe existir independencia en ensayos sucesivos. Cuidando que los resultados de
un ensayo no alteren los resultados de ensayos posteriores.

9.1.1. Grficos de Control p.

Estos grficos tienen como objetivo calcular y controlar la fraccin o porcentaje de

defectuosos, p.

La fraccin defectuosa, p, de una muestra se estima como p =

d
, cuya distribucin es
n

aproximadamente normal cuando: 1) p es menor de 0.1 y 2) n es grande. En control de

calidad es comn utilizar la proporcin de defectos en 100 unidades, 100p, cuya
distribucin tambin se puede aproximar a una normal. De manera que:

Para p:
Media = p =p
Varianza = S2 = p (1 p ) = p2
n

S =

(1 p)
n

Para np:
Media = np = np=d
2
S2 = np(1-p) = np
=d

S =

np(1 p)

Es claro que con estos estimadores de la media y la desviacin estndar se pueden

construir grficos del tipo: Y 3S.

9.1.1.1. Pasos para elaborar Grficos de Control p.

123

Captulo 9

1. Tomar k muestras, no necesariamente del mismo tamao. De manera que ni es el

tamao de la i-sima muestra y pi la fraccin defectuosa observada de la misma
muestra.
k

di

2. Se utiliza el promedio p = i =k1 , como estimacin de p, la lnea central del grfico.

ni

i =1

- Cuando el tamao de muestra es el mismo para las k muestras se puede

utilizar la frmula p =

k p
i

i =1

3. Los lmites de control, para un tamao de muestra constante, se calculan como:

LCSuperior = p + 3

p(1 p)
n

LCInferior = p 3

p(1 p)
n

Los lmites, cuando n cambia de muestra a muestra, requieren de algunos ajustes para
asegurar que se realice una adecuada interpretacin de los grficos, de manera que:

3.i) Se pueden calcular lmites para cada subgrupo, cada uno de ellos con su
propia desviacin estndar. Esta aproximacin (la ms utilizada en la
paquetera computacional) requiere del clculos continuo de los lmites de
control y le da un aspecto poco comn a los grficos. Los lmites se obtiene a
travs de las frmulas:
LCSuperior = p + 3

p(1 p)
ni

LCInferior = p 3

p(1 p)
ni

con ni el tamao del subgrupo y.

3.ii) Cuando la variacin del tamao de muestra no es muy grande (variacin
menor al 20%), se puede estimar un tamao promedio, n , y calcular los lmites

124

Grficos de Control para Atributos.

de control para este valor. Si la variacin es mayor del 20% se pueden tener
interpretaciones incorrectas o errneas.
3.iii) Una tercera opcin consiste en expresar la fraccin defectuosa, p, en
unidades de desviacin estndar, es decir en unidades Z =

p p
, valores que
$p

se representan en un grfico de control con lnea central cero y lmites de control

a 3 unidades, ya que Z se distribuye Normalmente con media cero y varianza 1.
Si bien es cierto que $p se debe calcular para cada muestra, tambin es un
hecho que los recursos computacionales actuales permiten hacerlo de manera
relativamente fcil y rpida.
4. El ltimo paso consiste en representar de forma grfica los valores calculados, en
una carta de control p.

9.1.1.2. Interpretacin de los Grficos de Control p.

Estos grficos en su interpretacin consideran bsicamente 4 aspectos.

1. Que no se presenten puntos ms all de los lmites de control.

2. La aleatoriedad de los puntos dentro de los lmites (que los puntos se distribuyan en
todo el espacio que acotan los lmites de control, sin tener tendencias a aglutinarse
haca la lnea central o las lneas de los lmites.
3. La bsqueda de ciclos o tendencias recurrentes en los datos.
4. Aleatoriedad de los datos en relacin al tiempo, bsqueda de rachas por arriba o por
abajo de la lnea central.

NOTA: Los valores de p no siguen una distribucin normal, por lo que se recomienda
no aplicar las reglas que se basan en las 3 zonas especficas entre la lnea central y las
lneas de los lmites de control.
125

Captulo 9

9.1.2. Grficos de Control para nmero de defectuosos (np=d)

En ocasiones se requieren grficos de control para el nmero de productos

defectuosos, np, en lugar de grficos p. Estos se realizan muy fcilmente si el tamao
de la muestra, n, es constante y la fraccin defectuosa, p, es muy pequea.

Los grficos np proporcionan, en esencia, la misma informacin que los grficos p, ya

que su nica diferencia es que la escala vertical del grfico np est multiplicada por el
valor de n.

Como ya se dijo, la lnea central y los lmites de control de este tipo de grficos se
basan en una distribucin binomial. De manera que el nmero promedio de productos
defectuosos esperados en una muestra de tamao n es np y la desviacin estndar

d = np(1 p) , de aqu que los lmites de control estn dados por n p 3 n p(1 p) .
9.1.2.1. Interpretacin de los Grficos de Control np

Estos grficos se interpretan de manera totalmente anloga a los grficos p.

9.1.3. Objeciones para el uso de Grficos de Control np y p.

El uso de los grficos np se ha limitado bastante, por las siguientes razones:

1. Si el tamao de muestra no es constante, tanto el valor de la lnea central como el de

los lmites de control pueden variar de muestra a muestra, generando grficos difciles
de interpretar.

126

Grficos de Control para Atributos.

2. Aunque se requiere un clculo menos, ya que np es el nmero de productos

defectuosos (d), este valor es de difcil interpretacin por si mismo, por lo que es comn
asociarlo al tamao de muestra, lo que conduce a un grfico p.

Volviendo a los grficos p, estos tienen como objecin frecuente el tamao de muestra,
n, requerido para tener informacin realista de si un proceso est o no dentro de
control. Una regla prctica indica que el tamao de muestra debe ser tal que np=d > 4
(encontrar ms de 4 productos defectuosos).

Por ejemplo, si en un proceso de fabricacin se produce una fraccin defectuosa

p=0.05 y se desea darle seguimiento, entonces si p=d/n, n=d/p, para d = 4, entonces
n=4/0.05=80.

Conforme p se hace ms pequea n empieza a crecer de manera inesperada, por

ejemplo una p = 0.005 implica un tamao muestral de 800. Lo que puede hacer poco
prctico el uso de estos grficos, en cuyo caso se recomienda utilizar otros mtodos,
como el que se presenta en la siguiente seccin.

9.2. MTODO DE WHARTON

En este mtodo se extraen muestras de tamao fijo, n, a intervalos de tiempo iguales.

Cuyo tamao de n se define de acuerdo al cuadro 9.3.

Tamao de muestra
5
% de desechos
tolerados
0.5%
L.P
L.A

10

20

30

40

50

60

0
1

0
1

0
1

1
2

127

Captulo 9
1%
2%
3%
4%
5%

L.P
L.A
L.P
L.A
L.P
L.A
L.P
L.A
L.P
L.A

0
2
1
2
1
2

1
2
1
2
1
3
2
3

1
2
1
3
2
3
2
4
3
4

1
2
2
3
2
4
3
5
4
6

1
3
2
4
3
5
4
6
4
7

1
3
3
4
4
6
4
7
5
8

2
3
3
5
4
7
5
8
7
10

Cuadro 9.3. Tamaos de muestra para el mtodo de Wharton. Con L.P=lnea de prevencin y
L.A=lnea de atencin (Schassfsma y Willmze, en Becerrril, 1997, pg. 129).

9.2.1. Interpretacin de resultados del Mtodo de Wharton

Los resultados se presentan en un cuadro con nmero de muestra en las columnas y

nmero de defectuosos en los renglones. Este cuadro tambin muestra las lneas LP y
LA.

Cuando la muestra contiene LP o menos defectuosos se acepta el lote. Con ms de LA

defectuosos se rechaza el lote. Cuando el nmero de defectuosos se encuentra entre
LP y LA, se recomienda sacar una segunda muestra de tamao n, en esta nueva
muestras debe haber un mximo de LP defectuosos para aceptar el lote, en caso
contrario se rechaza y se procede a investigar las causas de este comportamiento.

9.2. GRFICOS PARA EL NMERO DE DEFECTOS POR MUESTRA, c Y u.

Un producto se considera defectuoso lo mismo si presenta 1, 2 o 10 defectos, por lo

que es importante tener registro de la ocurrencia de cada tipo de defecto en una unidad
de produccin o producto y realizar grficos de control de este nmero de defectos.

128

Grficos de Control para Atributos.

Con las opciones de cuantificar el nmero de defectos por muestra, c, o el nmero

promedio de defectos por cada unidad de produccin, u.

De aqu que el nmero promedio de defectos por muestra se calcula como:

c=

N mero_ de _ defectos_ en_ todas_ las_ muestras

N mero_ de _ muestras

cada muestra consta de varias unidades de produccin, como pueden ser cpsulas,
ampolletas o comprimidos.

El caso ms sencillo se presenta cuando el tamao de muestra, n, es constante para

cada una de k muestras.

Cuando el tamao cambia de una muestra a otra, se requiere un grfico que supere
este problema, en cuyo caso se aplican grficos para el nmero promedio de defectos
por cada unidad, artculo o producto elaborado, es decir:

u=

Defectos_ totales_ en_ k _ subgrupos

N mero_ total _ de _ unidades_ en_ k _ subgrupos
k

di

u = i =k1

ni

i =1

La posibilidad de encontrar un defecto puede ser grande, pero la posibilidad de

encontrar algn defecto en una unidad o producto revisado es muy, muy pequea, por
lo que la distribucin de probabilidades que mejor describe este comportamiento es una
Poisson.

9.2.1. Distribucin de Poisson

129

Captulo 9

Esta distribucin define la probabilidad de observar c defectos en una muestra, donde c

es la tasa media de ocurrencia de defectos por muestra. Sus propiedades ms
importantes son:
1) Tiene solamente un parmetro, , como puede verse en la expresin matemtica
que la define:

P (Y = c ) =

c e
c!

; c = 0,1,2,...

donde representa a la media de Y, de tal forma que basta conocer para encontrar la
probabilidad de cualquier valor de Y, desde cero hasta infinito.
2) La media de la distribucin es igual a la varianza esto es: media = = varianza.
3) La media de una variable Poisson es proporcional al tamao de la unidad de
muestreo. Por ejemplo, si se sabe que el nmero promedio de defectos por unidad de
produccin es 5, entonces hay en promedio 20 defectos en 4 unidades (ampolletas,
tabletas, etc.).

9.2.2. Aproximacin Binomial-Poisson

Si la probabilidad, p, del resultado de una variable aleatoria Y es muy pequea (o muy

grande), n es grande y es moderadamente grande, pero digamos que menor de 20,
entonces la funcin de probabilidad binomial se puede aproximar por una distribucin
Poisson, la cual tiene un slo parmetro = np

Las condiciones prcticas para usar la distribucin de Poisson como una aproximacin
a la Binomial son: n 2 y np 5. Pero si n 10, la aproximacin es excelente si np 10.

En base a la aproximacin Poisson-Binomial-Normal, un grfico de este tipo se puede

construir de la siguiente forma:
Para c:
130

Grficos de Control para Atributos.

Media = c
Varianza = c
y si el valor estimado de c viene dado por c entonces, lmites de control = c 3 c .

Para u:
Media = c
Varianza =

c
n
k

di

si el valor estimado de c est dado por u = i =k1

, entonces los lmites de control estn

ni

i =1

dados por u 3

u
.
ni

9.2.2. Pasos para elaborar grficos c y u

1. Inspeccionar un mnimo de 20 a 25 muestras de tamao ni, seleccionadas de la

manera ms aleatoria posible.
2. Hacer un cuadro con el nmero de defectos por muestra.
3. Calcular u o c segn corresponda.

4. Calcular, segn corresponda, los lmites de control

u3

u
ni

c 3 c.
5. Representar de manera grfica los lmites de control, mostrando los valores de las
muestras estudiadas.
131

Captulo 9

9.2.3. Interpretacin de los Grficos de Control c y u.

Estos grficos, al igual que los p y np, en su interpretacin consideran bsicamente 4

aspectos.

1. Que no se presenten puntos ms all de los lmites de control.

2. La aleatoriedad de los puntos dentro de los lmites (que los puntos se distribuyan en
todo el espacio que acotan los lmites de control, sin tener tendencias a aglutinarse
haca la lnea central o las lneas de los lmites.
3. La bsqueda de ciclos o tendencias recurrentes en los datos.
4. Aleatoriedad de los datos en relacin al tiempo, bsqueda de rachas por arriba o por
abajo de la lnea central.

9.3. EXCEL Y LOS GRFICOS DE CONTROL PARA ATRIBUTOS

A continuacin se muestra como realizar estos grficos en la hoja de clculo EXCEL.

9.3.1. Ejemplo 1. Grfico de control p, con tamao de muestra constante. El cuadro 9.4
muestra el nmero de productos que presentan al menos un defecto (defectuosos) en
25 muestras de tamao 100, datos tomados de Devor et al, ejercicio 13.11, pg. 465.

132

Grficos de Control para Atributos.

Muestra
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

Defectuosos

Proporcin
(p)
0.01
0.06
0.03
0.01
0.03
0.02
0
0.02
0.04
0.01
0.05
0.04
0.05
0.04
0.03
0.03
0.02
0.04
0.04
0.04
0.02
0.05
0.02
0.06
0.03

1
6
3
1
3
2
0
2
4
1
5
4
5
4
3
3
2
4
4
4
2
5
2
6
2
Total = 79

Total = 0.79

Cuadro 9.2. Datos para grfico p.

Cuando un lmite inferior de control es

negativo se considera cero. El siguiente
paso consiste en aplicar los criterios de

Para trabajar estos datos en Excel:

1. Calcular el porcentaje de defectuosos,
dividiendo los valores de la columna 2 entre
100. Se recomienda hacer la primera fila y
despus llenar hacia abajo las siguientes 24
filas.

2.

Calcular

p,

dividiendo

el

total

defectuoso, 79, entre el total de unidades

muestreadas, 2500, 79/2500=0.0316 = LC.

3. Calcular los lmites de control, con n

constante. LSC=0.08408 y LIC = -0.02088.
4. Elaborar el grfico de control. La forma
ms fcil de hacerlo es con el asistente de
grficos, cuyo resultado se muestra en la
figura 9.1.
Grfico p, con n constante
0.09
0.08
0.07
0.06
0.05
0.04
0.03
0.02
0.01
0
1

11 13 15 17 19 21 23 25

interpretacin, en busca de puntos fuera

de control o patrones.

de

Figura 9.1. Proporcin de defectuosos.

133

Captulo 9

9.3.3. Ejemplo 2. En el cuadro 9.3 se tienen los datos de 30 muestras de tamao

variable, sobre los cuales se procede a obtener su grfico de control, por 3 diferentes
opciones de clculo, datos tomados del Devor et. al., ejemplo seccin 13.3, pg. 443.
n
238
245
270
207
251
254
236
245
246
269
223
246
262
258
232
219
263
244
274
245
233
267
254
264
253
290
231
227
234
253

d
11
18
17
15
11
15
19
20
35
14
7
42
14
15
20
9
23
11
21
37
16
18
20
16
34
22
9
40
18
15

p
0.0462
0.0735
0.0630
0.0725
0.0438
0.0591
0.0805
0.0816
0.1423
0.0520
0.0314
0.1707
0.0534
0.0581
0.0862
0.0411
0.0875
0.0451
0.0766
0.1510
0.0687
0.0674
0.0787
0.0606
0.1344
0.0759
0.0390
0.1762
0.0769
0.0593

LC
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783
0.0783

LSC
0.1305
0.1298
0.1273
0.1343
0.1292
0.1289
0.1308
0.1298
0.1297
0.1274
0.1323
0.1297
0.1281
0.1285
0.1312
0.1328
0.1280
0.1299
0.1270
0.1298
0.1311
0.1276
0.1289
0.1279
0.1290
0.1256
0.1313
0.1318
0.1310
0.1290

LIC
0.0261
0.0268
0.0293
0.0223
0.0274
0.0277
0.0258
0.0268
0.0269
0.0292
0.0243
0.0269
0.0285
0.0281
0.0254
0.0238
0.0286
0.0267
0.0296
0.0268
0.0255
0.0290
0.0277
0.0287
0.0276
0.0310
0.0253
0.0248
0.0256
0.0276

OPCIN I
1. Lo primero que debe de hacer es calcular la
suma

de

entidades

objetos

30

muestreados, ni =7433,
i =1

la

suma

de

30

productos o entidades defectuosas,

di =582.

i =1

2. Con estos valores se calcula la proporcin

promedio, p =

582
= 0.0783, el valor de la
7433

lnea central del grfico.

3. Con este valor calcular los lmites de control

para cada muestra, ltimas dos columnas del
cuadro 9.3.

4. Con estos valores hacer el grfico de

control, cuyos resultados se muestran en la
figura 9.2.

Cuadro 9.3. Datos, lmites por muestra.

En la figura 9.2 se aprecian algunos puntos fuera de control, los cuales, en la prctica,
se deben revisar a detalle para encontrar las causas de este comportamiento y aplicar
las medidas correctivas adecuadas.

134

Grficos de Control para Atributos.

0.1800

Intervalos por muestra

0.1600
0.1400
0.1200
0.1000
0.0800
0.0600
0.0400
0.0200
0.0000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

Figura 9.2. Lmites

de control por muestra

OPCIN II. Implica el uso de un tamao de muestra promedio, para esto:

1. Obtener el promedio del tamao de muestra, dividiendo la suma de entidades
muestreadas, 7433, entre el nmero de muestras, 30, esto es: n =

7433
= 247.7667.
30

2. Calcular los lmites de control con este tamao de muestra promedio. De manera
que p =0.783 y los lmites son: LSC = 0.1295 y LIC = 0.0271.
3. Realizar el grfico de control, con ayuda del asistente para grficos, figura 9.3.

Para interpretar este grfico se deben hacer las siguientes anotaciones:

1. El uso del tamao de muestra promedio se considera prctico si el tamao de

muestra no varia ms de un 40 %, con respecto al promedio (247.76 aprox. 248), pero
resulta ms aceptable si este intervalo es menor del 20%. En este caso: 248 +
(0.20)248 = 297.6, y 248 - (0.20)248 = 198.4, donde el valor mnimo (207) y el mximo
de 290, no caen fuera de este intervalo, entonces, hay una variacin menor al 20%.

135

Captulo 9

2. Cuando un valor de n es menor que el

Tamao de muestra promedio

promedio n , en un grfico de promedios

0.1800
0.1600

puede haber puntos por arriba del lmite,

0.1400
0.1200

pero que en realidad no estn por arriba

0.1000
0.0800

de su lmite individual. Mientras que con

0.0600

un valor de n mayor al promedio, hay

0.0400
0.0200

puntos fuera de control que pueden no

0.0000
1

10

13

16

19

22

25

28

Figura 9.3. Grfico para atributo, n variable.

n
238
245
270
207
251
254
236
245
246
269
223
246
262
258
232
219
263
244
274
245
233
267
254
264
253
290
231
227
234
253

d
11
18
17
15
11
15
19
20
35
14
7
42
14
15
20
9
23
11
21
37
16
18
20
16
34
22
9
40
18
15

p
0.0462
0.0735
0.0630
0.0725
0.0438
0.0591
0.0805
0.0816
0.1423
0.0520
0.0314
0.1707
0.0534
0.0581
0.0862
0.0411
0.0875
0.0451
0.0766
0.1510
0.0687
0.0674
0.0787
0.0606
0.1344
0.0759
0.0390
0.1762
0.0769
0.0593

pi- p
-0.0321
-0.0048
-0.0153
-0.0058
-0.0345
-0.0192
0.0022
0.0033
0.0640
-0.0263
-0.0469
0.0924
-0.0249
-0.0202
0.0079
-0.0372
0.0092
-0.0332
-0.0017
0.0727
-0.0096
-0.0109
0.0004
-0.0177
0.0561
-0.0024
-0.0393
0.0979
-0.0014
-0.0190

desviacin
0.0174
0.0172
0.0163
0.0187
0.0170
0.0169
0.0175
0.0172
0.0171
0.0164
0.0180
0.0171
0.0166
0.0167
0.0176
0.0182
0.0166
0.0172
0.0162
0.0172
0.0176
0.0164
0.0169
0.0165
0.0169
0.0158
0.0177
0.0178
0.0176
0.0169

mostrarse como tales. Por esto es

importante considerar el 20% en la
Z
-1.8423
-0.2814
-0.9381
-0.3125
-2.0331
-1.1417
0.1263
0.1942
3.7352
-1.6029
-2.6076
5.3966
-1.4981
-1.2054
0.4483
-2.0494
0.5525
-1.9315
-0.1021
4.2371
-0.5472
-0.6620
0.0261
-1.0701
3.3209
-0.1545
-2.2256
5.4913
-0.0784
-1.1256

variacin

del

tamao

de

muestra.

OPCIN

III.

Esto

implica

estandarizar los porcentajes y

manejarlos en unidades Z. Si no
sabe

que

es

esto

no

se

preocupe, en el ejemplo se
aclara, cuadro 9.4.

1. Para empezar, los lmites de

control son: LIC = -3, LSC = 3
con LC = 0.

Cuadro 9.4. Datos estandarizados.

136

Grficos de Control para Atributos.

2. Obtener los puntos a graficar, que se calculan como: Zi =

pi p
, ltimas 3
p (1 p )
ni

columnas del cuadro 9.4, donde la raz cuadrada del cociente anterior calcula el valor
de la desviacin estndar de cada muestra.

3. Hacer el grfico de control, figura 9.4.

Unidades estandarizadas
6
5

Es notoria la semejanza entre este

grfico y los que se obtienen por las

4
3

otras dos opciones, figuras 9.2 y 9.3. El

inconveniente de esta opcin son los

1
0
-1 1

clculos numricos requeridos, actividad

3

9 11 13 15 17 19 21 23 25 27 29

-2
-3

que se facilita al contar con alguna hoja

electrnica de clculo.
Figura 9.4. Grfico en unidades Z.

Otra opcin, para manejar este tipo de grficos, implica calcular lmites de confianza
para el tamao de muestra mnimo, n mximo y n promedio.

Independientemente de la opcin de clculo, una vez que se tiene la grfica hay que
interpretar, buscando puntos fuera de control, tendencias, rachas o ciclos, con el fin de
detectar causas asignables de variacin.

9.3.4. Ejemplo 3. Mtodo de Wharton, se quiere realizar el control de ampolletas

inyectables defectuosas a la salida de una mquina automtica de dosificacin y
cerrado. Este estudio incluye los siguientes defectos: 1) Serigrafa extraa, 2) Serigrafa
ausente, 3) Astillas de vidrio, 4) Polvo de vidrio, 5) Roturas, 6) fibras, 7) Partculas
slidas extraas, 8) Partculas carbonizadas, 9) Fisuras, 10) Cierre defectuoso.
137

Captulo 9

La ficha de datos se presenta en la figura 9.5 (modificados del ejemplo 7.4 de Becerril
1997, pg 139). Para su interpretacin se debe considerar el cuadro 9.3, donde se
definen los valores de las lneas de prevencin y de atencin, en base a las cuales se
pueden resaltar los siguientes aspectos:

1) La muestra 3 presenta 2 unidades defectuosas y por lo tanto se encuentra por

encima de la lnea de alerta, esto indica que se debe tomar otra muestra para confirmar
si se est realizando la operacin con el nmero proporcin de ampolletas defectuosas
prevista.
2) La muestra 4 tiene 4 ampolletas defectuosas y por lo tanto se sita por arriba de la
lnea de atencin, esto indica la necesidad de interrumpir la operacin de dosificacin y
cierre por producirse un porcentaje superior a lo previsto en unidades defectuosas. La
misma ficha indica que el defecto consiste en la presencia de partculas o sustancia
carbonizada en el punto de cierre, de tal manera que este defecto se puede corregir al
regular la mquina de manera adecuada.

En la misma ficha se puede agregar informacin del nmero total de ampolletas

defectuosas y de los defectos encontrados, datos que pueden incorporarse a informes
peridicos, proporcionando informacin interesante de los defectos causantes de las
unidades defectuosas.

Se puede resaltar que la ficha de datos incluye defectos de la operacin de dosificacin

y cierre, as como de serigrafa o defectos procedentes del suministrador de
ampolletas, o de operaciones previas como astillas y polvo de vidrio en el lavado,
partculas slidas y fibras procedentes de filtrado o lavado imperfecto.

138

Defectos

Total

Serigrafa extraa
Serigrafa ausente
Vidrio, astillas
Vidrio, polvo
Fibras

Materias extraas

Partculas carbonizadas

Fisuras
Cierre defectuoso

Roturas

Muestra

Frecuencia

10

20

20 min

9
8

Nmero de

7
6

Ampollas defectuosas

5
4

3
2

1
0
No. de Muestreo

X
1

X
2

X
X

X
X

10

23 muestras de tamao 20, total =460, encontrando el 3.47% de defectuosos (16).

Figura 9.5. Mtodo de Wharton.

141

9.3.4. Ejemplo 4. Se tiene un proceso donde se identifican 4 posible defectos, tomando

20 muestra de tamao 10, cuyos datos se muestran en el cuadro 9.5 (tomado de
Charbonneau and Webster 1992, pg. 101.
Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Defecto 1
3
5
2
3
4
4
4
6
7
4
5
5
6
4
8
7
6
4
5
5

Defecto 2
7
7
7
9
9
10
5
8
6
7
17
6
7
7
6
7
7
7
4
6

Defecto 3
5
6
7
5
7
8
6
7
11
9
7
5
9
4
10
9
10
5
8
4

Defecto 4
6
5
2
5
6
3
2
3
6
7
3
5
6
6
6
6
5
4
6
6

Total
21
23
18
22
26
25
17
24
30
27
32
21
28
21
30
29
28
20
23
21

Para elaborar un
grfico de control
c, se requiere:

1. El promedio de
defectos

por

muestra, que se
obtiene al dividir el
total de defectos,
486,

entre

el

nmero

de

muestras, 20.

486/20=24.3

Cuadro 9.5. datos para grfico c y u.

2. Los lmites de control se obtienen al aplicar la frmula c 3 c , de manera que:

LSC = 24.3+3 24.3 = 39.09

LIC = 24.3 -3 24.3 = 9.51

Cuya grfica se muestra en la figura 9.6, donde se puede apreciar que no hay punto
fuera de control, ni tendencias o rachas. Por lo que este grfico representa a un
proceso dentro de control.

142

Grficos de Control para Atributos.

Grfico c
40
35
30
25

Figura 9.6. Grfico de Control c.

20
15
10
5
0
1

11

13

15

17

19

NOTA: El uso de c es especialmente adecuado cuando no hay unidades naturales de

medicin (producto, artculo o alguna unidad de medicin), como pueden ser defectos
sobre una superficie o longitud, y donde el problema es determinar uniformidades o
calidad en longitudes o reas iguales de producto.

9.3.5. Ejemplo 5. Grfico u, para hacer un grfico u se debe tomar en cuenta el

k

di

promedio de defectos por unidad, de manera que se deben calcular: u = i =k1

, y los

ni

i =1

lmites de control u 3

u =

u
.
ni

486
= 2.43, donde 486 es el total de defectos y 200 es el nmero total de
10(20)

entidades muestreadas (20 muestras de tamao 10).

2.43
= 0.49, donde 10 es el
10

tamao de la muestra y como es constante:

LSC=2.43+3(0.49)=3.91

LIC=2.43-3(0.49) = 0.95

143

Captulo 9

Cuya grfica se muestra en la figura 9.7, donde los valores de la ltima columna del
cuadro 9.5 se dividen entre 10 para tenerlos en trminos de u en esta grfica. La
interpretacin de este grfico es totalmente anloga a la de la figura 9.6.
Grfico u.
4
3.5
3
2.5

Figura 9.7. Grfico u, con n constante.

2
1.5
1
0.5
1

11

13

15

17

19

La estructura de los datos del cuadro 9.5, permite notar la aplicacin de los Diagramas
de Pareto para analizar la importancia relativa de los diferentes tipos de defectos, lo
que es muy comn en la prctica, ya que el combinar las herramientas bsicas del
Control de Calidad permite obtener mayor informacin al momento de analizar un
problema real.

BIBLIOGRAFIA

1. Becerril, Gabriela L.,

Control Estadstico de Calidad Para el Control de los

Procesos Farmacuticos, Tesis de Licenciatura, FES Cuautitln, UNAM, 1997, 262

pp.
Es un trabajo que muestra las herramientas estadsticas del control de calidad,
aplicadas a la investigacin Farmacutica. Da varios ejemplos y muestra un estudio de
caso donde se analizan problemas de la Industria Farmacutica. Los grficos de
atributos se presentan y analizan en el captulo 7, pginas 125-156.

144

Grficos de Control para Atributos.

2. Charbonneau, Harvey C. y Webster, Gordon L., Control de Calidad, Trad. Armando

E. Koch C., McGraw Hill, Mxico 1992.
Analiza de manera bastante sencilla y con ejemplo claros, los grficos de
caractersticas en su captulo 6, pginas 80-104.

3. Devor, Richard E., Chang, Tsong-how and Sutherland John W., Statistical Quality
Design And Control. Contemporary Concepts and Methods, MacMillan Publishing
Co., USA., 1992.
Dedica el captulo 5, pginas 138-152, a establecer las bases estadsticas de las carta
de control como una prueba de hiptesis. En el captulo 13, pgs. 426-480, explica a
detalle las cartas para atributos y mediante ejemplos muestra como se construyen e
interpretan.

4. Duncan, Acheson J., Control de Calidad y Estadstica Industrial, De. AlfaOmega,

Mxico.
Este es un libro de ms de 1000 pginas, que dedica la parte IV, Diagramas de
Control, pgs. 407-544, al anlisis de los diagramas. Para este tema dedica dos
secciones: Diagramas de Control para fraccin defectuosa (p), pginas 427-450 y
Diagramas de Control c y u, pgs. 451-461. Presenta un enfoque haca las curvas
caractersticas de operacin, con el fin de establecer la confiabilidad de los tamaos de
muestra que se trabajen.

5. Grant, Eugene L., and Richard S. Leavenworth, Control Estadstico de Calidad,

Compaa Editorial Continental (CECSA), 6a. reimp. en Ingles, 2a. Ed. en Espaol,
Mxico, 1996.
Da una serie de argumentos sobre la utilidad de los grficos de control, as como
algunos tpicos y recomendaciones de qu hacer en algunas situaciones tipo (pgs.
75-115).

145

Captulo 9

En su captulo 8, pginas 277-304, describe los Grficos de Control para no

Conformidades y los Grficos c y u. Hace una combinacin de estos con los diagramas
de Pareto y de Ishikawa, para mostrar el manejo integral de estas herramientas.
Adems de mostrar la forma de ponderar o darle peso a los defectos.

6. Jerome D. Braverman, Fundamentals of Statistical Quality Control, Reston

Publishing Co., a Prentice Hall Co., USA, 1981.
En su captulo de Cartas de Control por Atributos, pginas 147-175, describe este tipo
de cartas, su utilidad, como se construyen y como se interpretan, todo esto de manera
bastante concisa.

7. Miller Irwin and Miller Maryless, Statistical Method for Quality. With Applications
to Engineering and Management, Prentice Hall, U.S.A., 1995.
En el captulo 8, Statistical Process Control, analiza las cartas de control para variables,
para atributos, las cartas Cusum y las Capacidades de Proceso. Todo esto de la pgina
189 a la 224.

8. Montgomery, Douglas C., Control Estadstico de la Calidad, Grupo Editorial

Iberoamrica, trad. Ing. Dirk Valckx Verbeek, Mxico, 1991.
Mediante ejemplos, en su captulo 5, Diagramas de Control para Atributos (pgs 103149), muestra como construir e interpretar este tipo de grficos. Aunque hace un claro
nfasis en las curvas caractersticas de operacin, en relacin al tamao de muestra y
al riesgo de poder detectar cambios en el proceso.

146