1

Gráficos de Control por Atributos

1. Introducción
 1. Introducción
2
En general, un atributo es una característica de calidad que no
puede ser medida, sino clasificada a partir de la percepción.

Por ejemplo: se podrá observar la apariencia de una fruta, la costura

de una camisa, etc.),

Dependiendo de que tenga o no dicha característica, se puede

clasificar un producto en:

• defectuoso o no defectuoso “bueno”

• conforme o no conforme “malo”

 1. Introducción
3
El producto resultante de un proceso puede clasificarse también
como:

 No tener ningún tipo de defecto

 Puede tener uno o más tipos de defectos

Ya se indicó en la unidad temática anterior, que la presencia de

algún tipo de defecto no implica que el producto sea defectuoso,
ejemplos de esto ya fueron vistos en clase
 1. Introducción
4

La imagen presenta la vista

frontal de un horno
microondas:
¿ Qué tipo de defectos se
puede identificar en este
producto?
(identificar por lo menos tres
defectos)
 1. Introducción
5
Los tipos de defectos
pueden ser:
• Jalador mal ajustado
• Panel display con
rayaduras
• Rayaduras en la superficie
• Tapa base inferior
derecho y/o izquierdo Como ven, en un producto pueden
desequilibrado presentarse una gran variedad de
tipos de defectos en los que
• Botón de programación pueden ser:
desajustado • Críticos
• Mayores
• No cierra herméticamente • Menores
• Etc. Tal como se dijo en la unidad
temática previa
 1. Introducción
6
Entonces, puede ser de interés como base el control de las siguientes
características de un producto defectuoso:

• La cantidad de defectos que tiene un producto

• La cantidad de unidades (piezas) defectuosos de un proceso

En ambos casos, el estudio se hará mediante la toma de muestras

aleatorias, que podrán ser de tamaño constante o variable, lo cual
genera cuatro (4) tipos de gráficos por atributos

Todos ellos se basan en definir los límites de control a una distancia

de ±3σ de su valor central.
 1. Introducción
7
Los gráficos de control, por atributos pueden ser:

En la práctica, la cantidad de producto resultante de un proceso puede

variar de un lote de producción a otro. Esto por diferentes causas cuyo
análisis no es parte de la asignatura.

Así, en una jornada se pueden producir 147 camisas y en otra jornada 160
camisas, es decir, hay muchos casos en los que la producción no es
constante, por ende, la aplicación de los gráficos adquieren relevancia.

Sin embargo, en la teoría se puede construir un “Gráfico p” cuyo tamaño de

muestra (n) sea constante y no necesariamente variable, por ejemplo.
Gráficos de Control por Atributos
8

2. Gráfico p
(Gráfico de proporción de unidades defectuosas)
 2. Gráfico p 9
• Se utiliza para controlar la proporción (porcentaje o fracción) de unidades
defectuosas resultantes de un proceso, utilizando muestras que pueden ser
de tamaño constante o variable.
• La proporción de unidades defectuosas (p) se calcula dividiendo el
número de unidades defectuosos que existan en la muestra entre el tamaño
de la misma, n
• Notar que no se ha hecho mención a la cantidad de tipos de defectos en un
producto (esto se verá más adelante), sólo se menciona la CANTIDAD DE
UNIDADES (piezas, artículos, etc.) DEFECTUOSAS EN UNA MUESTRA.
 2. Gráfico p
10
Proceso productivo

En el instante t i se inspecciona ni unidades

 2. Gráfico p Tamaño de
muestra ni

En el momento ti se analiza una muestra ni unidades

Sea di la variable aleatoria (v.a.) referida a la

“cantidad de unidades defectuosas en la muestra i”
seleccionada en el momento ti
pi : proporción de unidades defectuosas en el
subgrupo de muestra i

Se construye el gráfico de la evolución de pi

para un conjunto de m subgrupos de
muestra.
Puede demostrar que di es una v.a. de la
suma de ni experimentos Bernoulli (0=no muestras
defectuoso, 1= defectuoso) 11
 2. Gráfico p 12
La proporción (fracción) defectuosa de una muestra resulta de :

Siguiendo la notación del curso, los límites de control del gráfico p,

tendrán la siguiente estructura: 𝑳𝑪𝒑 ∶ 𝝁
ෞ𝒑 ± 3ෞ
𝝈𝒑
• Estimador de la media de la proporción de unidades

defectuosas Ξ ෞ𝒑 = 𝒑
𝝁 ഥ, ó

• Estimador de la desviación típica de la proporción de unidades

ෞ𝒑
defectuosas Ξ 𝝈 =
 2. Gráfico p 13

Así, los límites de control del Gráfico p son

dados por las expresiones siguientes:

Si el cálculo del LCI p empleando esta

expresión es negativo, entonces: LCI p = 0

El cálculo de los límites de control para que el proceso se encuentre bajo control
estadístico se obtiene de manera similar al caso de los gráficos de control por
variables.
Es decir, si en los m subgrupos de muestra inicial existe uno o más puntos que
exceden los límites de control, deberá ser analizado y si se identifican las causas
asignables que han ocasionado este hecho, se eliminan y recalculan los LC, hasta

que todos los puntos remanentes se encuentren dentro de los límites.

 2. Gráfico p 14
Un gráfico de control p puede
resultar de la siguiente manera.
Algunas observaciones del mismo:
• La proporción de unidades
defectuosas se encuentra fuera
de control estadístico.
• Porque el subgrupo de muestra 9
tiene una proporción que
excede el límite de control
superior (p9 > LCS p)

• Habrá que analizar e identificar las causas asignables, y si éstas causas se

corrigen con acciones, se eliminará del cálculo el subgrupo de muestra 9, se
recalcularán los límites de control del Gráfico p.
 2. Gráfico p 15
Supongamos que el gráfico de
control p fuera el siguiente:
• La proporción de unidades
defectuosas se encuentra fuera
de control estadístico.
• Porque el subgrupo de muestra 9
tiene una proporción que
excede el límite de control
superior (p19 > LCS p).

• Además, el subgrupo de muestra 16 tiene una proporción ligeramente menor al

límite de control inferior (p16 > LCS p)
• ¿ Se debería eliminar del proceso el subgrupo de muestra 16?
 2. Gráfico p 16
• La respuesta es SI: se debe eliminar los subgrupos de muestra 9 y 16 para
recalcular los límites de control hasta que el proceso este bajo control
estadístico.
• Lo que buscamos como Ing. Industriales, es que la proporción de unidades
defectuosas resultante de un proceso sea lo menor posible.
• Así, se debe analizar con mucha exhaustividad qué es lo que sucedió en el
proceso de producción de la que se extrajo el subgrupo de muestra 16.
• El resultado de este análisis será una base sólida para llevar adelante acciones
de mejora en los resultados del proceso.
 2. Gráfico p 17
• Volviendo a las fórmulas de los LC, para analizar y aclarar sobre el ni (tamaño
muestral i-ésimo subgrupo de muestra) de los m subgrupos de muestra.
• El tamaño de muestra de los m subgrupos de muestra es variable (más usual
en la práctica). Esto es, los ni pueden ser diferente para los i = 1, 2,..,m
subgrupos de muestra.
• Aunque no necesariamente los m tamaños muestrales deben ser diferentes,
por ejemplo, n1 =el tamaño de muestra del subgrupo de muestra 1 es 100.
• Así se puede tener para los m subgrupos lo siguiente:

n1 n2 … n15 n16 … n22 … nm

100 120 100 110 100 …
 2. Gráfico p 18

• Otro escenario es el teórico (poco usual que se presente en la práctica), los ni

son constantes para los i = 1, 2,..,m .
De esta manera: n1 = n2 = … = nm

n1 n2 … n15 n16 … n22 … nm

100 100 .. 100 100 … 100 … 100

• No hay un criterio teórico establecido, pero si los tamaños de muestra son

variables y si no difieren entre ellos entre un 10 a 20% (según algunos
autores), se puede considerar el promedio del tamaño de muestra:
 2. Gráfico p 19
• Las fórmulas anteriores deben ser analizadas para aclarar sobre el ni
(tamaño muestral) de los m subgrupos de muestra.

• El tamaño de muestra de los m subgrupos de muestra es variable (más usual

en la práctica). Esto es, los ni pueden ser diferente para los i = 1, 2,..,m
subgrupos de muestra. Aunque no necesariamente los m tamaños muestrales
deben ser diferentes, por ejemplo, n1 =el tamaño de muestra del subgrupo de
muestra 1 es 100. Así se puede tener:

n1 n2 … n15 n16 … n22 …

100 120 100 110 100
 2. Gráfico p 20

• Otro escenario es el teórico, los ni son constantes para todos los

subgrupos de muestra i ( para i = 1, 2,..,m)

n1 esta manera:
De n2 …n1 = nn = … =nn16m
2 15 … n22 …
100 100 100 100 100

• No hay un criterio estricto establecido, pero si los tamaños de muestra

no difieren entre ellos entre un 10 a 20% (según algunos autores), se
puede considerar el promedio del tamaño de muestra