TECNOLÓGICO NACIONAL DE MÉXICO

INSTITUTO TECNOLÓGICO DE LA PAZ

INVESTIGACIÓN DOCUMENTAL
“Gráficas de control para atributos”

ASIGNATURA
Control Estadístico de la Calidad

DOCENTE
Carlos Ernesto Rull Martínez

ALUMNOS

Aguilar Naranjo Oswaldo Erubey - 19310007

Domínguez Arce María Fernanda - 18310447

Fregoso Martínez Daniela Itzel - 17310317

Lucero Castillo Pedro Benito - 18310413

Montaño Macklis Marian - 18310384

Murillo Villavicencio Diego Armando - 18310385

GRUPO
“5° F”

CARRERA
Ingeniería Industrial

La Paz, Baja California Sur, México a martes 10 de noviembre de 2020

Índice
Índice de ilustraciones.................................................................................................................. 2
Índice de tablas ............................................................................................................................ 2
Introducción ................................................................................................................................. 3
Antecedentes ................................................................................................................................ 4
Justificación ................................................................................................................................. 8
Objetivos ...................................................................................................................................... 9
3.1 Conceptos Generales de Atributos....................................................................................... 10
3.1.1 Conceptos generales ...................................................................................................... 10
3.1.2 Gráficas para atributos ................................................................................................. 11
3.1.2.1 Tipos de gráficas para atributos ............................................................................. 12
3.1.2.2 Distribución binomial ............................................................................................. 13
3.1.2.3 Distribución de Poisson........................................................................................... 14
3.1.2.4 Elementos para la selección de una gráfica de control de atributos ...................... 15
3.1.2.5 Elección entre gráficas de control para atributos y para variables ....................... 17
3.1.3 Clasificación de no conformidades ................................................................................ 20
3.2 Elaboración e interpretación de gráficas para Atributos.................................................... 23
3.2.1 Gráficas de control para unidades no conformes ......................................................... 23
3.2.1.1 Objetivos ................................................................................................................. 23
3.2.1.2 Elaboración de la gráfica 𝒑 para tamaño constante de subgrupo ......................... 24
3.2.1.3 Elaboración de la gráfica 𝐩 para tamaño variable de subgrupo ........................... 34
3.2.1.4 Elaboración de la gráfica 𝒏𝒑 .................................................................................. 44
3.2.2 Gráficas de control para cuenta de no conformidades ................................................. 49
3.2.2.1 Objetivos ................................................................................................................. 49
3.2.2.2 Elaboración de la gráfica 𝒄 ..................................................................................... 49
3.2.2.3 Elaboración de la gráfica 𝒖 .................................................................................... 55
Conclusión .................................................................................................................................. 59
Bibliografía................................................................................................................................. 60

1
Índice de ilustraciones
Ilustración 1:Por que las gráficas X y R pueden advertir de problemas inminentes ........................ 18
Ilustración 2:Gráfica p para ilustrar línea central y los límites de control tentativos con los datos de
la tabla 4 ...................................................................................................................................... 30
Ilustración 3: Gráfica p para ilustrar línea central y los límites de control revisados de los datos de la
tabla 4 .......................................................................................................................................... 33
Ilustración 4:Datos preliminares, limite central y límites de control tentativos .............................. 37
Ilustración 5: Limites de control y fracción de no conformes para los tres primeros días laborales de
mayo............................................................................................................................................ 39
Ilustración 6: Gráfica para los datos de mayo, que ilustra el uso de un tamaño promedio de subgrupo
.................................................................................................................................................... 42
Ilustración 7: Gráfica p que muestra la línea central y los límites de control para distintos tamaños
de subgrupos ................................................................................................................................ 44
Ilustración 8: Gráfico de los valores de np del ejemplo PCC Inc. .................................................. 46
Ilustración 9:Gráfica np con línea central y límites de control ....................................................... 48
Ilustración 10: Gráfica para la cantidad de no conformes por unidad (u) ....................................... 58

Índice de tablas
Tabla 1: Elementos para la seleccion de una gráfica de control de atributos pt. 1 .......................... 15
Tabla 2: Elementos para la selección de una gráfica de control de atributos pt. 2 .......................... 16
Tabla 3:Coficiente de distribución normal .................................................................................... 25
Tabla 4:Resultado de la inspección de motores de soplador en secadores de cabello, departamento
de motores, mayo ......................................................................................................................... 29
Tabla 5: Datos preliminares de la prueba final de módems de computadoras y límites de control
para cada subgrupo ...................................................................................................................... 35
Tabla 6: Resultados de inspección para los días 3, 4 y 5 de mayo ................................................. 39
Tabla 7: Hoja de datos del ejemplo de PCC Inc. ........................................................................... 46
Tabla 8: Hoja de datos: Conectores para manguera ....................................................................... 56

2
Introducción
En el área de control de calidad se presentan las cartas de control, o bien, gráficas de control,
las cuales se dice que es un instrumento indispensable para monitorear y controlar
adecuadamente los procesos. Estas se introducen para las características de la calidad que se
expresan como no variables, lo cual nos dice que estando aun gozando de una aplicación muy
difundida, su aplicación no es universal, ya que no todas las características de la calidad
pueden expresarse con datos no variables, sino que en alguna ocasión se deben utilizar otras
gráficas que si tengan la capacidad de expresarse con datos variables.

En la presente investigación bibliográfica se pretende dar a conocer el tema gráfico

por atributos, en el cual se presentarán todos aquellos conceptos generales y específicos, así
como también su clasificación dentro de la calidad, algunas ventajas que puede tener, y por
supuesto, las desventajas que pueden llevar dichas gráficas.

De igual manera, en esta investigación bibliográfica, se hace referencia a las gráficas

anteriores que son con datos variables, y se explica la diferencia entre cada una de estas
gráficas y de qué manera se pueden utilizar dependiendo los procesos que se llevan a cabo.

Por otro lado, se explica que en general, estas gráficas para atributos no son tan
informativas como las gráficas para variables, ya que de manera típica una medición
numérica contiene más información que la clasificación de una unidad como tal, ya sea
conforme o disconforme y de igual manera se explica su aplicación y donde se utilizan
mayormente, ya sea en industrias de servicios como en otros campos laborales.

3
Antecedentes
El concepto de calidad puede variar significativamente de un autor a otro de acuerdo con el
enfoque que se le aplique; sin embargo, de manera general se puede definir calidad como:

“Conjunto de características que posee un producto o servicio, así como su

capacidad de satisfacción de los requerimientos del usuario” (Cuatrecasas,
2010).

Como tal, este término ha ido evolucionando con el tiempo de manera importante,
partiendo de ser un control o inspección, hasta llegar a ser lo que es hoy en día, uno de los
pilares estratégicos fundamentales de las empresas para competir dentro del mercado
mundial.

De acuerdo con Cantú, D. en su obra titulada Desarrollo de una cultura de calidad

(cuarta edición), menciona que el concepto ha transitado por diversas etapas a lo largo del
tiempo, partiendo en el siglo XIX con la etapa de inspección, la cual se caracterizó por
detectar y dar solución a los problemas generados por la variabilidad del producto, y como
tal, la falta de uniformidad. Es aquí cuando la figura de inspector toma un lugar importante
dentro del ámbito de la calidad. (Cantú, 2011)

La siguiente etapa se trató del control estadístico del proceso, la cual se dio durante
los años treinta del siglo pasado, cuando Walter Shewhart, uno de los principales personajes
de esta época, entendía la calidad como un problema de variación que se podía controlar y
prevenir mediante la eliminación a tiempo de las causas que lo provocaban, de tal forma que
la producción pudiese cumplir con la tolerancia de especificación de su diseño, sin tener que
esperar a que el producto estuviera terminado para corregir las fallas. Para lograr este
objetivo, Shewhart ideó las gráficas de control. (Cantú, 2011)

La tercera etapa se presentó en los años cincuenta, la cual se trató del aseguramiento
de la calidad, en el cual se dio la necesidad de involucrar a todos los departamentos de la
organización en el diseño, planeación y ejecución de las políticas de calidad. Fue el consultor
de gestión, Joseph M. Juran, que a principios de la década de 1950 impulsó el concepto de
aseguramiento de la calidad, el cual se fundamenta en que el proceso de manufactura requiere

4
servicios de soporte de calidad; por ello, se debían coordinar esfuerzos entre las áreas de
producción y diseño del producto, ingeniería de proceso, abastecimiento y laboratorio, entre
otras. (Cantú, 2011)

Finalmente, la etapa cuatro que se dio lugar a finales del siglo XX, en el año de 1990,
consistió en la administración estratégica por calidad total, en la cual surge énfasis en el
mercado y en las necesidades del consumidor, al reconocer el efecto estratégico de la calidad
en el proceso de competitividad (Cantú, 2011).

Durante el siglo XX surgió un conjunto importante de conocimientos para lograr la

calidad superior. Muchos individuos contribuyeron a este conocimiento, y cinco apellidos
merecen mención particular: Juran, Deming, Feigenbaum, Crosby e Ishikawa. (Defeo, 2007)

Feigenbaum enfatiza el concepto de control de calidad total en todas las funciones de

una organización. Tal concepto en realidad significa planeación y control. Insta a crear un
sistema de calidad para proporcionar procedimientos técnicos y gerenciales que aseguren la
satisfacción del cliente y un costo económico de calidad. (Defeo, 2007)

Para llevar a cabo un control de la calidad en base a la producción de determinados

artículos es necesario implementar diversas herramientas administrativas que facilitan llevar
tal control, las cuales a su vez permiten identificar de manera más fácil los posibles escenarios
donde se presenta un problema, para los cuales debe realizarse un ajuste para corregirlo
mediante la correspondiente información recabada.

Las gráficas de control es una herramienta con el objetivo de observar y analizar el

comportamiento de un proceso a través del tiempo. (Cantú, 2011) De esta manera resulta
factible distinguir las variaciones presentadas por causas comunes o especiales, las cuales
ayudan interpretar el proceso y con ello se toman las mejores decisiones posibles para un
mejor control y mejora. (Pulido & De la Vara, 2013)

5
 Existe una clasificación de gráficas de control, primeramente, están las gráficas de
control para variables que se aplican a características de calidad de naturaleza continua. Por
otro lado, están las gráficas de control por atributos, estas resultan ser sencillas y manejan
información relacionada a los atributos globales de importancia para la empresa, la cual
puede indicar dónde se debe de realizar un análisis más profundo.

Una de las primeras gráficas de control que existió fue la gráfica p, propuesta por
Shewhart, una carta de control para atributos (para defectuosos), la dio a conocer mediante
un memorándum en 1924, fecha que marcó la historia de la calidad, dando inicio al control
estadístico de procesos (SPC, por sus siglas en inglés).

Por otro lado, en esa misma década, Walter S. identificó las causas asignables y causas
aleatorias, las cuales involucran variaciones en el proceso. Debido a esto, fue que desarrolló
la gráfica de control que permitiera poder distinguir una causa de la otra dentro de un mismo
proceso productivo considerando las mediciones y atributos involucrados. La gran influencia
que tuvo esta aportación fue que pudo comprobar que poner el proceso bajo control
estadístico de las causas aleatorias le permitiría reducir notoriamente la calidad de los
artículos fabricados y, por ende, limitar la producción.

Posteriormente, años más tarde, grandes personajes de la historia de la calidad,

Edwards Deming y Joseph Juran desarrollaron una mejora a estas gráficas para aplicarla
dentro de la empresa Hawthorne. A estas dos personas se les consideró precursores del
control estadístico de procesos.

Además de la contribución de las gráficas de control que se desarrollaron, Shewhart,

Deming y Juran contribuyeron una vez más desarrollando las pautas de actuación durante un
proceso productivo para predecir posibles fallos y eliminarlos.

Finalmente, una contribución atribuible al control de procesos, el sistema de Seis

Sigma, que busca mejorar el desempeño de los procesos de una organización y reducir su
variación. (Gutiérrez, 2010)

Las contribuciones a lo largo de la historia de la calidad se ven notoriamente

implementadas en la producción y en sus correspondientes procesos, sin duda alguna la

6
calidad es un tema primordial, el cual debe ser prioritario en cuanto a objetivos, debido a que,
si hay una buena calidad y un buen control del proceso, por ende, los costos de producción
se verán reducidos.

7
Justificación
La calidad ha llegado a ser un importante pilar dentro de la producción en las organizaciones
o empresas. La competitividad dentro del mercado global está estrictamente ligada a las
recientes innovaciones y avances tecnológicos, debido a que las necesidades humanas han
ido cambiando y adaptándose a estos cambios en la forma de vida actual.

La presente investigación abarca los conceptos fundamentales sobre las gráficas de

control para atributos, así como su elaboración, y por ende su interpretación, e inclusive
abarca la capacidad de proceso.

La utilidad de tal investigación realizada por fines educativos y de consulta, radica en

los conocimientos teóricos que tal documento aporta, mediante las definiciones y conceptos
de distintos autores para contrastar desde el punto de vista de cada uno y realizar el respectivo
análisis de tal información. Es importante reconocer la importancia del tema, así como
también los alcances que este tiene y la implementación que se le puede dar cuando se aplica
lo teórico en una situación real en una empresa u organización.

Por último, como ingenieros industriales, la calidad es un tema importante en el

desarrollo como profesionista en esta rama de la ingeniería, principalmente en este caso, el
control del proceso, la identificación de manera clara de las causas que se presentan en él y,
por lo tanto, la disminución de la variabilidad dentro de la producción, con la finalidad de
buscar siempre la mejora y la calidad del producto para ser introducido al mercado.

8
Objetivos
Al término de esta investigación documental el alumno será capaz de:

✓ Diferenciar los diferentes tipos de no conformidades.

✓ Conocer los objetivos de las gráficas de control para atributos.
✓ Calcular la línea central, así como, los límites de control de las gráficas de control de
atributos.
✓ Elaborar las gráficas de control por atributos.
✓ Interpretar las gráficas de control para atributos.
✓ Conocer las diferencias que existen entre las gráficas de control para atributos.

9
3.1 Conceptos Generales de Atributos
3.1.1 Conceptos generales

No conformidad

Es una desviación de una característica de la calidad respecto a un valor o estado pretendido,

que se presenta con una severidad suficiente como para hacer que el producto o servicio
respectivo no cumpla con un requisito de una especificación. (Besterfield, 2009)

Defecto

Es similar a no conformidad, pero concierne a la satisfacción de requisitos pretendidos de

uso normal, o razonablemente previsibles. El uso del término defecto es adecuado cuando la
evaluación es en términos de uso, y no conformidad es adecuado respecto a la conformidad
con las especificaciones. (Besterfield, 2009)

Unidad no conforme

Se usa para describir una unidad de producto o servicio que contiene al menos una no
conformidad. (Besterfield, 2009)

Defectuosa/o

Es análogo a defecto, y su uso es adecuado cuando una unidad de producto o servicio se

evalúa en términos de uso, y no de conformidad con las especificaciones. (Besterfield, 2009)

Artículo defectuoso

Es un producto que no reúne ciertos atributos, por lo que no se permite que pase a la siguiente
etapa del proceso; puede ser reprocesado o de plano desechado. (Pulido & De la Vara, 2013)

Atributos

Son las características que posee un producto o servicio. Estas características pueden o no
existir, y es posible contarlas. (Summers, 2006)

10
Bajo control

Es cuando se han eliminado del proceso las causas asignables, hasta el grado en que los
puntos de la gráfica de control permanecen dentro de los límites de control, el proceso está
en un estado de control. (Besterfield, 2009)

Fuera de control

Cuando un punto (valor de subgrupo) sale de sus límites de control, el proceso está fuera de
control. Quiere decir que existe una causa asignable de variación. (Besterfield, 2009)

3.1.2 Gráficas para atributos

Muchas características de la calidad no pueden representarse convenientemente con valores
ricos. En tales casos, cada artículo inspeccionado por lo general se clasifica como conforme
o disconforme respecto de las especificaciones para esas características de la calidad. Es
común usar la terminología “defectuoso” o “no defectuoso” para identificar estas dos
clasificaciones del producto. En fechas más recientes se ha popularizado la terminología
“conforme” y “disconforme”. A las características de la calidad de este tipo se les llama
atributos. (Montgomery, 2004)

Montgomery, en su obra Control estadístico de la calidad, nos dice de manera general

que:

“Las gráficas para atributos no son informativas como las gráficas para
variable, ya que de manera típica una medición numérica contiene más
información que la mera clasificación de una unidad como conforme o
disconforme. Sin embargo, las gráficas para atributos tienen aplicaciones
importantes. Son particularmente útiles en las industrias de servicio y en los
esfuerzos de mejoramiento un gran número de las características de la calidad
que se encuentran en los escenarios.” (Montgomery, 2004)

11
 El término atributo, tal como se usa en control de calidad, quiere decir que las
características de la calidad son conformes con las especificaciones, o que no son conformes
con las especificaciones. (Besterfield, 2009)

Besterfield, D, en su obra Control de calidad, nos menciona que se usan los atributos
cuando:

1. Cuando no es posible hacer mediciones, por ejemplo, de elementos que se

inspeccionan visualmente como color, partes faltantes, rayaduras y daños.
2. Cuando se pueden hacer mediciones, pero no se hacen debido al tiempo, costo o
necesidad. En otras palabras, aunque el diámetro de un agujero se puede medir con
un micrómetro de interiores, podrá preferirse usar un calibrador pasa - no pasa, y
determinar si el agujero está fabricado de manera conforme o no con las
especificaciones. (Besterfield, 2009)

3.1.2.1 Tipos de gráficas para atributos

Hay dos grupos diferentes de gráficas de control para atributos. Uno es para unidades no
conformes. Se basa en la distribución binomial. Una gráfica de proporción o gráfica
𝑝 muestra la proporción de no conformes en una muestra o subgrupo. La proporción se
expresa como fracción o como porcentaje. De igual modo, se podrían tener gráficas de
proporción de conformes, y también se podrían expresar como fracción o porcentaje. Otra
gráfica en el grupo es para el número o cantidad de no conformes, una gráfica 𝑛𝑝, y también
se podría expresar como número de conformes. (Besterfield, 2009)

El otro grupo de gráficas es para no conformidades. Se basa en la distribución de

Poisson. Una gráfica 𝑐 muestra la cuenta de no conformidades en una unidad inspeccionada,
como un automóvil, un perno, una tela o un rollo de papel. Otra gráfica estrechamente
relacionada es la gráfica 𝑢, que es para la cuenta de no conformidades por unidad.
(Besterfield, 2009)

12
3.1.2.2 Distribución binomial
Es frecuente que en control de calidad se den variables del tipo pasa no pasa. Por ejemplo,
un artículo cumple con especificaciones o no, un artículo resiste cierta fuerza o no, una
lámpara está buena o no. Si se tiene este tipo de variables que sólo tienen dos resultados
(“éxito” o “fracaso”), si además hay independencia entre el resultado de una observación y
otra, y la probabilidad p de obtener “éxito” se mantiene constante, entonces la probabilidad
de obtener k éxitos en n ensayos la da la distribución binomial. (Gutiérrez, 2010)
𝑛
𝑃(𝑥 = 𝑘) = 𝑘 𝑃𝐾 (1 − 𝑃)𝑛−𝑘 con k =0,1, 2, 3, …, n

𝑛 𝑛!
=
𝑘 𝑘! (𝑛 − 𝑘)!

Son las combinaciones de n elementos tomados de k en k.

Por ejemplo, en un proceso de fabricación que produce una gran cantidad de artículos,
se sabe que en promedio el 2% de ellos son defectuosos (p 5 0.02). Los artículos son
empacados en cajas de 10, y se quiere saber cuál es la probabilidad de que no haya ningún
artículo defectuoso en cada caja. Si X es el número de artículos defectuosos por caja, entonces
se quiere obtener P (X 5 0), lo cual es dado por la distribución binomial.

10!
𝑃(𝑋 = 0) = 0!(10−0)! (0.02)0 (1 − 0.02)10−0 = (0.98)10 =0.82

Por lo tanto, el 82% de las cajas no tendrá ningún artículo defectuoso. Y el restante
18% tendrá al menos un defectuoso. Si se quisiera saber cuál es la probabilidad de que tengan
exactamente un artículo defectuoso (P (X 5 1)), entonces se puede usar la fórmula anterior o
bien la siguiente función de Excel:

Distri.binom(k, n, p, 0), por lo tanto, en el ejemplo

𝑃(𝑋 = 1) = Distri. binom(1, 10, 0.02, 0) = 0.167

Por lo que el 16.7% de las cajas tendrá un artículo defectuoso. (Gutiérrez, 2010)

Gutiérrez H., en su obra Calidad total y productividad, nos menciona cuales gráficas
se basan en la Distribución Binomial:

13
 ✓ Gráfico n
✓ Gráfico p (Gutiérrez, 2010)

3.1.2.3 Distribución de Poisson

Una situación frecuente en control de calidad es evaluar variables como las siguientes:
número de defectos por artículo, número de defectos por metros de cable, número de defectos
por metro cuadrado de tela, número de impurezas en un líquido, número de fallas mensuales
de una máquina, etc. Todos los casos anteriores se resumen así: número de eventos que
ocurren por unidad (que puede ser unidad lineal, de área, de volumen, de tiempo o de número
de artículos). Es frecuente que este tipo de variables tenga una distribución de Poisson, cuya
función de distribución de probabilidades está dada por:

𝑒 −𝜆 𝜆𝑥
𝑓 (𝑥; 𝜆) = , 𝑥 = 0,1,2, …
𝑥!

Donde:

𝑒= 2.718 y ! es el símbolo de factorial. Además, la media y la varianza para esta distribución

son iguales: 𝜇 = 𝜆 𝑦 𝜎 2 = 𝜆

A manera de ejemplo, en una empresa se reciben en promedio 5 quejas diarias por

mal servicio, por lo que un modelo que puede describir adecuadamente el número de quejas
por día es la distribución de Poisson con λ = 5, ¿Cuál es la probabilidad de no recibir quejas
en un día? Evaluando x = 0 en la función anterior se obtiene:

𝑒 −5 (5)0
𝑓(0; 5) = = 0.007
0!

Por lo tanto, la probabilidad de cero quejas en un día es muy baja, o por

complemento, la probabilidad de al menos una queja por día es muy alta (1 − 0.007 =
0.993). (Gutiérrez, 2010)
Pulido, H. & De la Vara, R., en su obra Control estadístico de la calidad y seis sigmas,
nos menciona cuales gráficas se basan en la distribución de Poisson:

✓ Gráfico c
✓ Gráfico u (Pulido & De la Vara, 2013)

14
 3.1.2.4 Elementos para la selección de una gráfica de control de atributos
Pulido, H. & De la Vara, R., en su obra Control estadístico de la calidad y seis sigmas, nos menciona algunos elementos para la selección
de una gráfica de control de atributos, las cuales son las siguientes:

Gráfica Propósito Uso Tamaño de subgrupo, n Consideraciones adicionales

Analizar la proporción de artículos
defectuosos por subgrupo (unidades
rechazadas/unidades inspeccionadas).
Proporción de
defectuosos (p) Se supone una distribución binomial,
que se puede aproximar bien por una
normal.
Monitorea el número de unidades
defectuosas por subgrupo (número de
artículos rechazados por cada muestra
inspeccionada). Se supone una
Número de distribución binomial, que se puede
defectuosos
(np) aproximar bien por una normal.
Por lo general es utilizada para El valor de n puede ser constante o
reportar resultados en puntos de variable, pero suficientemente grande
inspección, donde una o más para tener una alta probabilidad de que
características de calidad son en cada subgrupo se detecte por lo
evaluadas, y en función de esto el menos una pieza defectuosa. Esto se
artículo es aceptado o rechazado. logra tomando a n tal que.
1 − 𝑝̅
𝑛 > 9[ ]
𝑝̅
Se aplica en la misma situación que El valor de n debe ser constante y en
la gráfica p, pero con el tamaño de cuanto a su tamaño se aplican los
subgrupo constante. Es más fácil mismos criterios que en la gráfica p.
graficar los puntos en la gráfica al
estar trabajando con números
enteros.
No es adecuada si n es mucho más pequeño que
el valor recomendado. Para n muy grande, de
uno o varios miles, los límites de control
estarán muy estrechos; por lo tanto, es mejor
graficar la proporción en una gráfica de
individuales. Si n es muy variable de un
subgrupo a otro (más de 25%), se debe utilizar
una gráfica estandarizada o una con límites
variables.
Aplican las dos primeras observaciones para la
gráfica p. Cuando n crece, la sensibilidad o
potencial de la gráfica para detectar cambios
es mayor

Tabla 1: Elementos para la seleccion de una gráfica de control de atributos pt. 1

 Gráfica Propósito Uso Tamaño de subgrupo, n Consideraciones adicionales
Analiza el número de Uno de sus usos es en El tamaño de subgrupo o unidad es Si en cada subgrupo se
defectos por subgrupo o unidad, ésta puntos de inspección, constante. esperan cero o muy pocos defectos, mucho
puede ser un artículo o un lote, una donde se busca localizar uno o más De ser posible se elige de tal forma menos que nueve, usualmente la gráfica no es
medida de longitud o de tiempo, una tipos de defectos relativamente que el número promedio de defectos efectiva. En esos casos, se debe buscar un
medida de área o volumen. Se supone menores, de tal forma por subgrupo (línea central) sea incremento en el tamaño de subgrupo u otras
Número de una distribución de Poisson, que, aunque se encuentren mayor que nueve. alternativas.
defectos por razonablemente simétrica. defectos, el artículo no se rechaza.
subgrupo
También se usa para variables
(c)
como número de quejas, de
errores, de
paros, de clientes.
Monitorea el número Igual que la gráfica c, pero aquí se El tamaño de subgrupo puede ser Si n es mucho menor que el número
promedio de defectos prefiere analizar el número constante o variable, pero siempre recomendado, la gráfica u suele no ser útil. En
por artículo o unidad promedio de defectos por artículo está conformado por varias unidades esos casos, buscar incrementar n, o utilizar otra
Número
promedio de inspeccionada. Se supone una o unidad, en lugar del número de de referencia o artículos. Buscar que gráfica de control.
defectos por distribución de Poisson. defectos por subgrupo. n cumpla que
unidad
(u) 9
𝑛>
𝑢

Tabla 2: Elementos para la selección de una gráfica de control de atributos pt. 2

16
3.1.2.5 Elección entre gráficas de control para atributos y para variables
En muchas aplicaciones, el analista tendrá que escoger entre utilizar una gráfica de control
para variables, como las gráficas 𝑋̅ 𝑦 𝑅 y una gráfica de control para atributos, como la
gráfica p. En algunos casos, la elección será clara. Por ejemplo, si la característica de la
calidad es el color de un artículo, como podría ser el caso en la fabricación de alfombras o
telas, entonces la inspección de atributos con frecuencia se preferiría sobre el intento de
cuantificar las características de la calidad “color”. En otros casos, la elección no será tan
obvia, y el analista deberá tomar en consideración varios factores para elegir entre gráficas
de control para atributos y para variables. (Montgomery, 2004) (Montgomery, 2004)

Las gráficas de control para atributos tienen la ventaja de que pueden considerarse
varias características de la calidad a la vez y la unidad se clasifica como disconforme si deja
de cumplir con la especificación en cualquiera de las características. Por otra parte, si las
diferentes características de la calidad se tratan como variables, entonces será necesario medir
cada una de ellas y deberá mantenerse una gráfica X y R para cada una de ellas o bien deberá
emplearse al mismo tiempo alguna técnica de control para variables múltiples que considere
todas las características. Hay un factor de simplificación evidente asociado con la gráfica
para atributos en este caso. Además, mediante la inspección de atributos es posible evitar las
mediciones que tienen un alto costo y consumen mucho tiempo. (Montgomery, 2004)

Las gráficas de control por variables, en contraste, ofrecen información mucho más
útil acerca del desempeño del proceso que la gráfica de control para atributos. Se obtiene
información directa acerca de la media y la variabilidad del proceso. Además, cuando hay
puntos que se localizan fuera de control en gráficas de control por variables, generalmente se
obtiene mucha más información respecto de la causa potencial de esta señal de fuera de
control. Para estudiar la capacidad del proceso, las gráficas de control para variables casi
siempre son preferibles a las gráficas de control para atributos. Es por eso por lo que una de
la desventaja de las gráficas de atributos es que no dan ninguna pista del porqué ocurrió una
no conformidad. (Montgomery, 2004)
 La excepción de esto es que son los estudios relativos a las disconformidades
producidas por máquinas u operadores en los que hay un número muy limitado de orígenes
de las disconformidades, o los estudios relacionados directamente con los rendimientos o la
porción caída de los procesos. (Montgomery, 2004)

Quizá la ventaja más importante de las gráficas de control 𝑋̅ 𝑦 𝑅 sea que con
frecuencia proporcionan un indicio de problemas inminentes y permiten al personal de
operación emprender una acción correctiva antes de que se produzca realmente cualquier
unidad defectuosa. Por tanto, las gráficas 𝑋̅ 𝑦 𝑅 son indicadores fundamentales de problemas,
mientras que las gráficas p (o las gráficas c y u) no reaccionarán a menos de que el proceso
ya haya cambiado, por lo que seguirán produciéndose más unidades disconformes.
(Montgomery, 2004)

Para ilustrar, considérese el proceso de producción descrito en la ilustración 1.

Cuando la media del proceso está en 𝜇1 , se producen pocas unidades disconformes. Suponer
que la media del proceso empieza a tener un corrimiento ascendente. Para el momento en
que ha llegado a 𝜇2 , las gráficas 𝑋̅ 𝑦 𝑅 habrán reaccionado al cambio en la media generando
un claro patrón no aleatorio y posiblemente varios puntos fuera de control. Sin embargo, una
gráfica p no reaccionaría sino hasta que la media haya hecho el corrimiento completo hasta
𝜇3 , o hasta que el número real de unidades disconformes producidas se hubiera incrementado.
Por tanto, las gráficas 𝑋̅ 𝑦 𝑅 son herramientas de control más poderosas que la gráfica p.
(Montgomery, 2004)

Ilustración 1:Por que las gráficas X y R pueden advertir de problemas inminentes

18
 Para un nivel especificado de protección contra los corrimientos en el proceso, las
gráficas de control para variables por lo general requieren un tamaño de la muestra mucho
más pequeño que la gráfica de control para atributos correspondiente. Por tanto, aun cuando
la inspección del tipo de variables por lo general es más costosa y consume más tiempo sobre
una base por unidad que la inspección de atributos, el número de unidades que deberán
examinarse es mucho menor. Ésta es una consideración importante, particularmente en los
casos en que la inspección es destructiva (como abrir una lata para medir el volumen del
producto que contiene o para probar las propiedades químicas del producto). (Montgomery,
2004)

Gutiérrez H., en su obra Calidad total y productividad, nos menciona que debemos
considerar como alternativa las gráficas 𝑝, 𝑛𝑝, 𝑐 o 𝑢 en algunas de las siguientes situaciones:

✓ La variable candidata es de atributos y no se tiene información acerca de su

estabilidad y capacidad.
✓ El proceso consiste en operaciones complejas de ensamble y la calidad del producto
se mide en términos de la ocurrencia de defectos, o con criterios del tipo pasa o no
pasa.
✓ Es necesario que el proceso sea estable y capaz pero no se pueden obtener mediciones
de tipo continuo.
✓ Se requiere tener información sobre la evolución del desempeño global del proceso.
(Gutiérrez, 2010)

19
3.1.3 Clasificación de no conformidades
Montgomery, en su obra Control estadístico de la calidad, nos menciona un posible esquema
de demérito que se define como sigue.

1. Defectos Clase A – Muy graves. La unidad es por completo inadecuada para el

servicio o bien presentará fallas durante el servicio de tal manera que no puedan
corregirse fácilmente en el campo, o causará lesiones personales o daños a la
propiedad.
2. Defectos Clase B – Graves. La unidad posiblemente sufrirá una falla de operación
Clase A, o con toda seguridad causará problemas de operación no tan graves, o con
toda seguridad tendrá una vida útil reducida o costos de mantenimiento
incrementados.
3. Defectos Clase C – Moderadamente graves. La unidad posiblemente fallará en
servicio o causará un problema que es menos grave que una falla de operación o
posiblemente tendrá una vida útil reducida o costos de mantenimiento incrementados,
o tendrá un defecto importante de terminado, apariencia o calidad de trabajo.
4. Defectos Clase D – Menores. La unidad no fallará en servicio, pero tiene defectos
menores de terminado, apariencia o calidad de trabajo. (Montgomery, 2004)

Sea que 𝐶𝑖𝐴 𝐶𝑖𝐵 , 𝐶𝑖𝐶, 𝐶𝑖𝐷 representen el número de defectuosos Clase A, Clase B, Clase
C y Clase D, respectivamente, en la i-ésima unidad de inspección. Se supone que cada clase
de defecto es independiente y que la distribución de Poisson es modelo adecuado para la
ocurrencia de los defectos de cada clase. Entonces el número de deméritos en la unidad de
inspección se define como:

ⅆ𝑖 = 100𝐶𝑖𝐴 + 50 𝐶𝑖𝐵 + 10𝐶𝑖𝐶 + 𝐶𝑖𝐷

El uso de las ponderaciones de emérito Clase A-100, Clase B-50, Clase C-10 y Clase
D-1 es muy común en la práctica. Sin embargo, también puede usarse cualquier conjunto de
ponderaciones apropiadas para un problema específico. (Montgomery, 2004)

Existen muchas variantes de este concepto. Por ejemplo, las disconformidades pueden
clasificarse como defectos funcionales o defectos de apariencia, si se prefiere un sistema con

20
dos clases. También es muy común en la práctica mantener gráficas de control separadas para
cada clase de defecto en vez de combinarlas en una sola gráfica. (Montgomery, 2004)

Las no conformidades, y a propósito, las unidades no conformes, se clasifican de

acuerdo con su gravedad.

Por otro lado, Besterfield, D, en su obra Control de calidad, nos menciona que en un
sistema de calificación se agrupan las no conformidades en tres clases:

1. No conformidades críticas. Una no conformidad crítica es aquella que, por la

experiencia y a juicio, probablemente cause condiciones peligrosas o inseguras a los
individuos que la usen o mantengan, o, dependiendo del producto o servicio, una no
conformidad que, por la experiencia y a juicio, es probable que evite el
funcionamiento del producto o servicio.
2. No conformidades mayores. Una no conformidad mayor es aquella que, no siendo
crítica, es probable que cause la falla, o que reduzca materialmente el uso del producto
o servicio en su finalidad pretendida.
3. No conformidades menores. Una no conformidad menor es aquella que
probablemente no reduzca materialmente los usos del producto o servicio en su
finalidad pretendida. Las no conformidades menores suelen relacionarse con la
apariencia. (Besterfield, 2009)

Besterfield, D, en su obra Control de calidad, nos dice entonces que:

“Una no conformidad crítica sí afecta al uso, una no conformidad mayor

podría afectar los usos, y una no conformidad menor no afecta los usos del
producto. En otros sistemas de clasificación se usan cuatro clases, o dos clases,
dependiendo de la complejidad del producto. A veces se usa la clase
catastrófica.” (Summers, 2006)

Una vez determinadas las clasificaciones, se pueden establecer los pesos o factores
de ponderación que se asignan a cada clase. Aunque se pueden asignar cualesquiera pesos a
las clasificaciones, lo normal es asignar 9 puntos para una no conformidad crítica, 3 puntos

21
para una mayor y 1 punto para una menor, ya que una no conformidad mayor tiene tres veces
la importancia que una menor, y una crítica es tres veces más importante que una mayor.
(Besterfield, 2009)

22
3.2 Elaboración e interpretación de gráficas para Atributos
3.2.1 Gráficas de control para unidades no conformes
3.2.1.1 Objetivos
Las gráficas de no conformes cuentan son los siguientes objetivos:

1. Determinar el nivel promedio de la calidad. Es esencial el conocimiento del nivel

de la calidad como referencia. Esta información indica la capacidad del proceso en
términos de atributos.
2. Llamar la atención de la administración cuando hay cambios en el
procedimiento. Una vez conocida la calidad promedio (proporción de no
conformes), los cambios se vuelven importantes, sean crecientes o decrecientes.
3. Mejorar la calidad del producto. A este respecto, una gráfica 𝑝 puede motivar al
personal de operación y de administración a proponer ideas para mejorar la calidad.
la gráfica indicara si la idea es adecuada o inadecuada. Debe hacerse un esfuerzo
continuo e ininterrumpido para mejorar la calidad.
4. Evaluar el desempeño del personal y de la administración respecto a la calidad.
Los supervisores de actividades, y especialmente el director general, deben ser
evaluados con una gráfica de unidades no conformes. Otras áreas funcionales, como
Ingeniería, Ventas, Finanzas, etc., pueden encontrar que una gráfica de no
conformidades es más aplicable para fines de evaluación.
̅ y 𝑹. Aún cuando el costo de calcular y
5. Sugerir lugares para usar gráficas de 𝑿
trazar las graficas 𝑋̅ y 𝑅 es mayor que el de la gráfica de unidades no conformes, las
gráficas de 𝑋̅ y 𝑅 son mucho más sensibles a las variaciones, y más útiles para
diagnosticar las causas.
6. Determinar los criterios de aceptación de un producto antes de enviarlo al
cliente. El conocimiento de la proporción de no conformes da información a la
gerencia para indicar si un pedido se libera. (Besterfield, 2009)

Estos objetivos indican el alcance y el valor de una gráfica de no conformes

3.2.1.2 Elaboración de la gráfica 𝒑 para tamaño constante de subgrupo
Los procedimientos generales que se aplican a las gráficas de control para variables, también
se aplican a la gráfica 𝑝.

Seleccionar la o las características de calidad

El primer paso en el procedimiento es determinar el uso de la gráfica de control. Se puede

establecer una gráfica 𝑝 para controlar la proporción de no conformes de:

✓ Una sola característica de la calidad.

✓ Un grupo de características de calidad
✓ Una parte
✓ Un producto completo
✓ Varios productos (Besterfield, 2009)

Esto establece una jerarquía de utilización, de modo que cualquier inspección aplicable a
una sola característica de la calidad también suministra datos para otras graficas 𝑝, que
representan grupos mayores de características, partes o productos. (Besterfield, 2009)

También se puede establecer una gráfica 𝑝 para controlar el desempeño de un

operador, centro de trabajo, departamento, turno, planta o corporación. Al usar la gráfica de
esta manera se pueden hacer comparaciones entre unidades semejantes. También es posible
evaluar el desempeño de una unidad, respecto a la calidad. Existe una jerarquía de utilización
tal que los datos reunidos para una gráfica también se pueden usar en una gráfica más
incluyente. (Besterfield, 2009)

El uso de la o las gráficas se basa en asegurar la máxima ventaja para un mínimo de costo.
Una gráfica debe medir el desempeño del director general en calidad.

24
Determinar el tamaño del subgrupo y el método

El tamaño del subgrupo es una función de la proporción de no conformes. Para seleccionar

el tamaño de subgrupo se requieren algunas observaciones preliminares para formarse una
idea aproximada de la proporción de no conformes y un juicio del número promedio de
unidades no conformes con las que se obtendría una gráfica adecuada. Se sugiere un número
mínimo de 50 como punto de partida. La inspección puede ser por auditoría o en línea. En
general, las auditorías se hacen en un laboratorio, bajo condiciones óptimas. Una inspección
en línea proporciona retroalimentación inmediata para emprender acciones correctivas.
(Besterfield, 2009)

Un método preciso para determinar el tamaño de muestra consiste en aplicar la

fórmula.

𝑍𝛼
2 2
𝑛 = 𝑝(1 − 𝑝)( )
𝐸

Donde:

𝑛 = tamaño de muestra

𝑝 = estimación de la proporción de no conformes en la población. Si no se dispone de alguna

estimación, suponer el “caso peor” de 𝑝 = 0.50. Por seguridad se debe estimar por exceso.

𝑍𝛼 = coeficiente de distribución normal (Valor Z) para el área entre las dos colas. Esta área
2

representa el equivalente decimal del límite de confianza.

𝒁𝜶 Límite de confianza
𝟐

1.036 70%
1.280 80%
1.645 90%
1.96 95%
2.575 99%
3.00 99.73%
Tabla 3:Coficiente de distribución normal

25
𝐸 = error máximo admisible en la estimación de p, que también se llama precisión deseada.

La fórmula vista anteriormente se ilustrará con el siguiente ejemplo.

Un gerente de seguros desea determinar la producción de reclamaciones en seguros

de automóvil que están incorrectamente llenadas (no conformes). Con base en algunos datos
preliminares, estima que el porcentaje de no conformes es de 20% (𝑝 = 0.20). Se desea que
la precisión sea 10%, y que nivel de confianza sea 95%. Determinar el tamaño de la muestra.
(Besterfield, 2009)

𝐸 = 10% de p = 0.10(0.20) = 0.02

𝑍𝛼 = 1.96 de acuerdo con la tabla

2

𝑍𝛼
2 2
𝑛 = 𝑝(1 − 𝑝)( )
𝐸

1.96 2
𝑛 = 0.20(1 − 0.20)( )
0.02

𝑛 = 1537

Si se después de tomar una muestra de 1537 el valor de 𝑝 = 0.17, entonces el valor

real estará entre 0.15 y 0.19 (𝑝 ± 𝐸) 95% de las veces.

Se sugiere repetir periódicamente el cálculo de 𝑛 durante el estudio para obtener una

mejor estimación de 𝑝. La distribución normal es una buena aproximación a la distribución
binomial, siempre que 𝑛𝑝 ≥ 5 y 𝑛 aumente a 50 o más. (Besterfield, 2009)

26
Reunir los datos

El técnico de control de calidad necesitará reunir los datos suficientes para cuando menos 25
subgrupos, u obtener los datos en registros históricos. Un ejemplo para recolección de datos
es la tabla 4 donde muestra al departamento de motores los resultados de inspección para el
motor del soplador de una secadora eléctrica de cabello. Para cada subgrupo, la proporción
de no conformes se calcula con la siguiente fórmula:

𝑛𝑝
𝑝=
𝑛

Donde

𝑝 = proporción o fracción de no conformes en la muestra o subgrupo

𝑛 = número en la muestra o subgrupo

𝑛𝑝 = número de no conformes en la muestra o subgrupo (Besterfield, 2009)

Calcular la línea central y los límites de control tentativos

La fórmula para los límites de control tentativos es:

∑ 𝑛𝑝
𝑝̅ =
∑𝑛

𝑝̅ (1 − 𝑝̅ )
𝑈𝐶𝐿 = 𝑝̅ + 3√
𝑛

𝑝̅ (1 − 𝑝̅ )
𝐿𝐶𝐿 = 𝑝̅ − 3√
𝑛

Donde

𝑝̅ = proporción promedio de no conformes para muchos subgrupos

𝑛 = número inspeccionado en un subgrupo

27
𝑈𝐶𝐿 = límite superior de control (de upper control limit)

𝐿𝐶𝐿 = límite inferior de control (de lower control limit) (Besterfield, 2009)

Los cálculos para determinar los límites de control 3σ tentativos usando los datos de
la secadora eléctrica para cabello (tabla 4) son los siguientes:

∑ 𝑛𝑝 138
𝑝̅ = = = 0.018
∑𝑛 7500

𝑝̅ (1 − 𝑝̅ ) 0.018(1 − 0.018)
𝑈𝐶𝐿 = 𝑝̅ + 3√ = 0.018 + 3√ = 0.041
𝑛 300

𝑝̅ (1 − 𝑝̅ ) 0.018(1 − 0.018)
𝐿𝐶𝐿 = 𝑝̅ − 3√ = 0.018 − 3√ = −0.005 𝑜 0.0
𝑛 300

28
 Número de Cantidad Número de no Proporción de no
subgrupo inspeccionada conformidades conformidades
n np P
1 300 12 0.040
2 300 3 0.010
3 300 9 0.030
4 300 4 0.013
5 300 0 0.0
6 300 6 0.020
7 300 6 0.020
8 300 1 0.003
9 300 8 0.027
10 300 11 0.037
11 300 2 0.007
12 300 10 0.033
13 300 9 0.030
14 300 3 0.010
15 300 0 0.0
16 300 5 0.017
17 300 7 0.023
18 300 8 0.027
19 300 16 0.053
20 300 2 0.007
21 300 5 0.017
22 300 6 0.020
23 300 0 0.0
24 300 3 0.010
25 300 2 0.007
Total 7500 130
Tabla 4:Resultado de la inspección de motores de soplador en secadores de cabello, departamento de motores, mayo

29
 Los cálculos del límite inferior de control dieron como resultado un valor negativo,
que es teórico. En la práctica sería imposible una proporción negativa de no conformes. Por
ello, el valor de -0.005 para el límite inferior de control se cambia a 0. (Besterfield, 2009)

Cuando el límite inferior de control es positivo, en algunos casos se puede cambiar a

0. Si el personal de operación va a tener acceso a la gráfica 𝑝, sería difícil de explicarles por
qué una proporción de no conformes que es menor que el límite inferior de control esta fuera
de control. En otras palabras, un desempeño de calidad excepcionalmente buena se
clasificaría como fuera de control. Para evitar tener que explicar este caso al personal de
operación, el límite inferior de control se cambia de un valor positivo, a 0. Cuando el personal
de control de calidad y la administración son los que van a usar la gráfica 𝑝, se deja invariable
un límite inferior de control positivo. De esta manera, un desempeño excepcional bueno
(abajo del límite inferior de control) se considerará como un caso de fuera de control, y se
investigará para ver si tiene una causa asignable. Se espera que la causa asignable indique
como se puede repetir la situación. (Besterfield, 2009)

En la ilustración 2 se muestra la gráfica con los límites de control y el límite central, de la

tabla 4.

0.06

0.05

0.04

0.03

0.02

0.01

0
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

No Conformidades Límite Central UCL LCL

Ilustración 2:Gráfica p para ilustrar línea central y los límites de control tentativos con los datos de la tabla 4

30
Establecer la línea y los límites centrales revisados
Como se puede observar en la ilustración 2 se puede observar que el subgrupo 19, está arriba
del límite superior de control, por lo que se puede decir que esta fuera de control. Como el
subgrupo 19 tiene una causa asignable, se puede desechar dicho dato, para calcular una nueva
𝑝̅ con todos los subgrupos excepto el 19. (Besterfield, 2009)

Para poder calcular el límite central revisado se utiliza la siguiente formula:

∑ 𝑛𝑝 − 𝑛𝑝𝑑
𝑝̅𝑛𝑢𝑒𝑣𝑎 =
∑ 𝑛 − 𝑛𝑑

Donde:

𝑛𝑝𝑑 = Numero de no conformes en los subgrupos desechados

𝑛𝑑 = numero inspeccionado en los subgrupos desechados

Al desechar los datos se debe recordar que solo se desechan los grupos que tengan
causas asignables. Los que no las tengan se quedan en los datos. De este modo, los puntos
fuera de control que están abajo del límite inferior de control no se necesitan desechar por
que representan una calidad excepcionalmente buena. Sin embargo, si el punto está fuera de
control en el lado bajo se debe a un error inspección, si se debe desechar. (Besterfield, 2009)

Al contar ya con un valor patrón o de referencia 𝑝0 adoptado para la proporción de

no conformes, los limites de control revisados son:

𝑝0 = 𝑝̅𝑛𝑢𝑒𝑣𝑎

𝑝0 (1 − 𝑝0 )
𝑈𝐶𝐿 = 𝑝̅ + 3√
𝑛

𝑝0 (1 − 𝑝0 )
𝐿𝐶𝐿 = 𝑝̅ − 3√
𝑛

31
 Donde 𝑝0 , la línea central, representa el valor patrón o de referencia, de la fracción
de no conformes. Esas formulas son para los limites de control con tres desviaciones estándar
desde la línea central 𝑝0 . (Besterfield, 2009)

Así, para los datos preliminares de la tabla 4, se obtiene un nuevo 𝑝̅ desechando el

subgrupo 19.

∑ 𝑛𝑝 − 𝑛𝑝𝑑
𝑝̅𝑛𝑢𝑒𝑣𝑎 =
∑ 𝑛 − 𝑛𝑑

138 − 15
𝑝̅𝑛𝑢𝑒𝑣𝑎 =
7500 − 300

𝑝̅𝑛𝑢𝑒𝑣𝑎 = 0.017

Como 𝑝̅𝑛𝑢𝑒𝑣𝑎 es la mejor estimación del valor estándar o de referencia, entonces 𝑝0 =

0.017. Los limites de control revisados, para la grafica p, se obtienen de la siguiente manera:

𝑝0 (1 − 𝑝0 )
𝑈𝐶𝐿 = 𝑝̅ + 3√
𝑛

0.017(1 − 0.017)
𝑈𝐶𝐿 = 0.017 + 3√
300

𝑈𝐶𝐿 = 0.039

𝑝0 (1 − 𝑝0 )
𝐿𝐶𝐿 = 𝑝̅ + 3√
𝑛

0.017(1 − 0.017)
𝐿𝐶𝐿 = 0.017 − 3√
300

𝐿𝐶𝐿 = −0.005 𝑜 0.0

32
Los límites de control y la línea central 𝑝0 revisados se pueden obsevar en la ilustración 3.

0.045

0.04

0.035

0.03

0.025

0.02

0.015

0.01

0.005

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

No Conformidades Límite Central UCL LCL

Ilustración 3: Gráfica p para ilustrar línea central y los límites de control revisados de los datos de la tabla 4

33
3.2.1.3 Elaboración de la gráfica 𝐩 para tamaño variable de subgrupo
Siempre que sea posible, deben desarrollarse y usarse las gráficas 𝑝 con un tamaño de
subgrupo constante. Este caso no es posible cuando la gráfica 𝑝 se traza para 100% de
inspección de una producción que varía de un día al siguiente. También, los datos para usar
la gráfica 𝑝 con inspección de muestreo pueden variar por diversas razones. Como los límites
de control son función del tamaño 𝑛 de subgrupo, los limites de control van a variar con el
tamaño del subgrupo. Por consiguiente, se deben calcular para cada subgrupo. (Besterfield,
2009)

Aunque no es deseable que el tamaño de subgrupo sea variable, se presenta y se debe

manejar. Los procedimientos para recolección de datos, establecer la línea central y los
límites tentativos, y la línea central y los límites de control revisados son los mismos que
para la gráfica 𝑝 con tamaño de subgrupo constante. A continuación, se presentarán un
ejemplo de los pasos a seguir para poder construir una gráfica 𝑝 para tamaño variable de
subgrupo. (Besterfield, 2009)

Reunir los datos

Un fabricante de módems de computadora ha reunido datos de la prueba del producto finales

de marzo y todo abril. El tamaño de subgrupo fue “resultado de inspección para 1 día”. Los
resultados de inspección para 25 subgrupos se pueden apreciar en las primeras 3 columnas
de la tabla 5: de designación de subgrupos, cantidad de inspecciones y numero de no
conformes. Una cuarta columna, para la fracción de no conformes, se calcula con la formula
𝑛𝑝
𝑝= . Las dos ultimas columnas son para calcular los limites de control superior e inferior.
𝑛

(Besterfield, 2009)

34
 Subgrupo Número Número de no Fracción de Límites
inspeccionado conformes no conformes UCL LCL
n np p
Marzo 29 2385 55 0.023 0.029 0.011
30 1451 18 0.012 0.031 0.009
31 1935 50 0.026 0.030 0.010
Abril 1 2450 42 0.017 0.028 0.012
2 1997 39 0.020 0.029 0.011
5 2168 52 0.024 0.029 0.011
6 1941 47 0.024 0.030 0.010
7 1962 34 0.017 0.030 0.010
8 2244 29 0.013 0.029 0.011
9 1238 53 0.043 0.032 0.008
12 2289 45 0.020 0.029 0.011
13 1464 26 0.018 0.031 0.009
14 2061 47 0.023 0.029 0.011
15 1667 34 0.020 0.030 0.010
16 2350 31 0.013 0.029 0.011
19 2354 38 0.016 0.029 0.011
20 1509 28 0.018 0.031 0.009
21 2190 30 0.014 0.029 0.011
22 2678 113 0.042 0.028 0.012
23 2252 58 0.026 0.029 0.011
26 1641 34 0.021 0.030 0.010
27 1782 19 0.011 0.030 0.010
28 1993 30 0.015 0.030 0.010
29 2382 17 0.007 0.029 0.011
30 2132 46 0.022 0.029 0.011
Total 50515 1015
Tabla 5: Datos preliminares de la prueba final de módems de computadoras y límites de control para cada subgrupo

35
 La variación en la cantidad inspeccionada cada día puede deberse a varias razones.
Las maquinas pueden tener descomposturas, o pueden no estar programadas. Los modelos
de producto pueden tener distintas necesidades de producción, lo cual causará variaciones de
un día al siguientes. (Besterfield, 2009)

De acuerdo con los datos de la tabla 5 hubo un mínimo de 1230 inspecciones el 9 de

abril, porque el segundo turno no trabajo y un máximo de 2678 inspecciones el 22 de abril,
porque un centro de trabajo laboró tiempo extra. (Besterfield, 2009)

Determinar la línea central y los límites de control tentativos

Los límites de control se calculan con los mismos procedimientos y fórmulas que para
subgrupos de tamaño constante.

Sin embargo, como el tamaño de subgrupo cambia cada día, deben calcularse límites
para cada día. Primero se debe determinar la fracción promedio de no conformes que es la
línea central; la cual se calcula de la siguiente manera:

∑ 𝑛𝑝 1015
𝑝̅ = = = 0.020
∑𝑛 50515

Se obtienen entonces los límites de control para cada día, usando 𝑝̅. Por ejemplo, para
el día 29 de marzo, los límites serían los siguientes:

𝑝̅ (1 − 𝑝̅ ) 0.020(1 − 0.020)
𝑈𝐶𝐿29 = 𝑝̅ + 3√ = 0.020 + 3√ = 0.029
𝑛29 2385

𝑝̅ (1 − 𝑝̅ ) 0.020(1 − 0.020)
𝐿𝐶𝐿9 = 𝑝̅ − 3√ = 0.020 − 3√ = 0.011
𝑛29 2385

36
 Los cálculos de límites de control se repiten para los 23 grupos restantes. Como 𝑛 es
la única variable que cambia, es posible simplificar los cálculos de la manera siguiente:

3√𝑝̅ (1 − 𝑝̅ )
𝐶𝐿′ 𝑠 = 𝑝̅ ±
√𝑛

3√0.020(1 − 0.020) 0.42

𝐶𝐿′ 𝑠 = 0.020 ± = 0.020 ±
√𝑛 √𝑛

De esta forma, los cálculos son mucho más rápidos. Los límites de control para los
25 subgrupos se ven en la columna 5 y 6 de la tabla 5 y en la ilustración 4 se muestra graficado
los límites de control y línea central tentativos, y valores de subgrupos. (Besterfield, 2009)

Se puede observar que a medida que aumenta el tamaño de subgrupo, los límites de
control se acercan entre sí; cuando el tamaño de subgrupo es menor, los límites de control se
separan. Esto se ve en la fórmula y también al comparar el tamaño de subgrupo 𝑛 con su
UCL y LCL. (Besterfield, 2009)

0.05
0.045
0.04
0.035
0.03
0.025
0.02
0.015
0.01
0.005
0
abr-01

16
19
30
31

2
5
6
7
8
9
12
13
14
15

20
21
22
23
26
27
28
29
30
mar-29

No conformidades Limite central UCL LCL

Ilustración 4:Datos preliminares, limite central y límites de control tentativos

37
Establecer la línea central y límites de control revisados

Al examinar la ilustración 4 se pude observar que en los días 9 de abril, 22 de abril y 29 de

abril se presentaron situaciones fuera de control. Como todos estos puntos de control están
fuera de control tienen causas asignables, se desechan. Se obtiene un nuevo 𝑝̅ utilizando la
siguiente formula:

∑ 𝑛𝑝 − 𝑛𝑝𝑑
𝑝̅𝑛𝑢𝑒𝑣𝑎 =
∑ 𝑛 − 𝑛𝑑

1015 − 53 − 113 − 17
𝑝̅𝑛𝑢𝑒𝑣𝑎 = = 0.019
50515 − 1280 − 2678 − 2382

Ya que este valor representa la estimación del valor estándar o de referencia de la

fracción de no conformes, 𝑝0 = 0.019. (Besterfield, 2009)

La fracción de no conformes, 𝑝0 , se usa para calcular los límites de control superior

e inferior para el siguiente periodo, que es el mes de mayo. Sin embargo, no se pueden
calcular los límites, sino hasta el final de cada día, cuando se conoce el tamaño 𝑛 del
subgrupo. Eso quiere decir que nuca se conocen los límites de control con anticipación. La
tabla 6 muestra los resultados de la inspección para los tres primeros días hábiles de mayo.
Los límites de control y la fracción de no conformes para el 3 de mayo son los siguientes:

𝑛𝑝 31
𝑝3 𝑑𝑒 𝑚𝑎𝑦𝑜 = = = 0.020
𝑛 1535

𝑝0 (1 − 𝑝0 ) 0.019(1 − 0.019)
𝑈𝐶𝐿3 𝑑𝑒 𝑚𝑎𝑦𝑜 = 𝑝0 + 3√ = 0.019 + 3√ = 0.029
𝑛3 𝑑𝑒 𝑚𝑎𝑦𝑜 1535

𝑝0 (1 − 𝑝0 ) 0.019(1 − 0.019)
𝐿𝐶𝐿3 𝑑𝑒 𝑚𝑎𝑦𝑜 = 𝑝0 − 3√ = 0.019 − 3√ = 0.009
𝑛3 𝑑𝑒 𝑚𝑎𝑦𝑜 1535

38
 Tabla 6: Resultados de inspección para los días 3, 4 y 5 de mayo
Subgrupo Número inspeccionado Número de no conformes
Mayo 3 1535 31
4 2262 28
5 1872 45

0.035

0.030

0.025

0.020

0.015

0.010

0.005

0.000
4

10

13

19

25

jun-01
5
6
7

11

12

14
17
18

20
21
24

26
27
28

2
3
4
7
may-03

No conformidades Líneal Central ULC LCL

Ilustración 5: Limites de control y fracción de no conformes para los tres primeros días laborales de mayo

Interpretar la gráfica
39
La interpretación de una gráfica 𝑝 es muy similar a la de una gráfica de control de variables.
Al igual que en el caso de esta última, en la interpretación de una gráfica de atributos se pone
especial atención en determinar si el proceso está operando dentro de sus límites de control
y si presenta variación aleatoria. Al igual también que con una gráfica de control de variables,
los puntos de datos de una gráfica p deben fluir libremente de un lado a otro de la línea
central. El número de puntos en cada lado de la línea central debe ser equilibrado, y la mayor
parte de los puntos deben estar cerca de la línea central. No debe haber patrones en los datos,
como tendencias, series, ciclos o desplazamientos repentinos de nivel. Todos los puntos
deben estar entre los límites de control superior e inferior. Los puntos que salgan de los
límites de control se notan de inmediato y son señales de una inestabilidad en el proceso. Una
diferencia entre la interpretación de una gráfica de control de variables y una gráfica p es que
en esta última es conveniente que haya puntos cerca de los límites de control inferiores. Esto
se debe a que los esfuerzos de mejora de la calidad reflejados en una gráfica para la fracción
de unidades no conformes deben mostrar que la fracción de unidades no conformes se está
reduciendo, lo que a fin de cuentas es el propósito de la mejora de un proceso. Esta reducción
debe investigarse para determinar qué se está haciendo bien y si existen cambios o mejoras
que se deban incorporar a un proceso de manera permanente. Asimismo, se debe investigar
cualquier tendencia a cero unidades no conformes o un desplazamiento de nivel que reduzca
la fracción de unidades no conformes. (Summers, 2006)

Minimización del efecto del tamaño variable de subgrupo

40
Como los límites de control varían de un subgrupo a otro, se obtiene una gráfica poco
atractiva, difícil de explicar al personal de operación. También es difícil explicar que los
límites de control se calculan al final de cada día o cada periodo, y no de manera anticipada.
Hay dos técnicas que minimizan el efecto del tamaño variable de subgrupo. (Besterfield,
2009)

1. Límites de control para un tamaño promedio de subgrupo. Al usar un tamaño

variable de subgrupo, se puede calcular un límite y anotarlo en la gráfica de control. El
tamaño promedio de subgrupo se puede basar en la producción prevista para el mes, o en las
inspecciones del mes anterior. Por ejemplo, la cantidad inspeccionada para los datos
preliminares de la tabla 5 sería:

∑ 𝑛 50515
𝑛𝑎𝑣 = = = 2020.6, 𝑠𝑒𝑎𝑛, 2000
𝑔 25

Si se usa u valor de 2000 como 𝑛, el tamaño de subgrupo, y si 𝑝0 = 0.019, los limites

superior e inferior de control son:

𝑝0 (1 − 𝑝0 ) 0.019(1 − 0.019)
𝑈𝐶𝐿 = 𝑝0 + 3√ = 0.019 + 3√ = 0.028
𝑛𝑎𝑣 2385

𝑝0 (1 − 𝑝0 ) 0.019(1 − 0.019)
𝐿𝐶𝐿 = 𝑝0 − 3√ = 0.019 − 3√ = 0.010
𝑛𝑎𝑣 2385

Estos límites de control son los que se ven en la gráfica p de la ilustración 6, junto
con 𝑝, la fracción de no conformes, para cada día de mayo.

Cuando se usa un tamaño promedio de subgrupo, hay cuatro casos que se pueden
presentar entre los límites de control y la fracción individual de valores no conformes.
(Besterfield, 2009)

41
 Caso I. Este caso presenta cuando un punto (fracción de no conformes en el subgrupo)
cae dentro de los límites, y su tamaño de subgrupo es menor que el tamaño promedio de
subgrupo. Los datos 𝑝 = 0.011 y 𝑛 = 1828, del 6 de mayo, representan este caso. Como el
tamaño del subgrupo en el 6 de mayo (1828) es menor que le promedio de 2000, los límites
para ese día estarán más alejados que los límites de control para el tamaño promedio de
subgrupo. En consecuencia, no se necesitan límites de control individuales en este caso. Si 𝑝
está bajo control cuando 𝑛 = 2000, también estará najo control cuando 𝑛 = 1828.
(Besterfield, 2009)

Ilustración 6: Gráfica para los datos de mayo, que ilustra el uso de un tamaño promedio de subgrupo

Caso II. Es el caso que se presenta cuando un punto (fracción de no conformes en un

subgrupo) cae dentro de los límites promedio, y su tamaño de subgrupo es mayor que el
tamaño promedio de subgrupo. Los datos 𝑝 = 0.027 y 𝑛 = 2900, para el 11 de mayo,
ilustran este caso. Como el tamaño del subgrupo del 11 de mayo es mayor que el tamaño
promedio de subgrupo, los límites de control para ese día estarán más cercanos entre sí que
los límites de control para el tamaño promedio de subgrupo, se calculan los límites de control
superior e inferior son 0.026 y 0.012, respectivamente. Esos límites de control individuales

42
se ven en la ilustración 6. se aprecia que el punto sale del límite de control individual, por lo
que se trata de un caso de fuera de control. (Besterfield, 2009)

Caso III. Este caso ocurre cuando un punto cae fuera de los límites, y su tamaño de
subgrupo es mayor que el tamaño promedio de subgrupo es mayor que el tamaño promedio
de subgrupo. Los datos para el 14 de mayo son 𝑝 = 0.030 y 𝑛 = 2365, e ilustran este caso.
Como el tamaño de subgrupo del 14 de mayo (2365) es mayor que el promedio de 2000, los
límites de control para ese día serán más angostos que los del tamaño promedio de subgrupo.
En consecuencia, este caso no se necesitan límites de control individuales. Si 𝑝 esta fuera de
control cuando 𝑛 = 2000, también debe estar fuera de control cuando 𝑛 = 2365.
(Besterfield, 2009)

Caso IV. Este caso se presenta cuando un punto sale de los límites, y su tamaño de
subgrupo es menor que el tamaño promedio de subgrupo. Los datos 𝑝 = 0.029 y 𝑛 = 1590,
para el 24 de mayo, ilustran este caso. Como el tamaño de subgrupo (1590) para ese día es
menor que el promedio de 2000, los límites de control para el 24 de mayo estarán más
alejados entre sí que los del tamaño promedio de subgrupo. Por consiguiente, cuando hay
una diferencia apreciable en el tamaño del subgrupo, se calculan los límites individuales de
control. Para el 24 de mayo, los valores de los límites de control superior e inferior son 0.029
y 0.009, respectivamente. (Besterfield, 2009)

2. Límite de control para distintos tamaños de subgrupo. Otra técnica que se ha

comprobado que es efectiva es establecer límites de control para diferentes tamaños de
subgrupos. La ilustración 7 muestra esa gráfica. Al usar los distintos límites de control y los
cuatro casos que se describieron antes, sería rara la necesidad de calcular límites de control
individuales. Por ejemplo, el subgrupo del 16 de julio, con 1150 inspecciones, está bajo
control, y el subgrupo del 22 de julio, con 3500 inspecciones, está fuera de control.
(Besterfield, 2009)

Un análisis de la ilustración 7 muestra que la relación de los límites de control con el

tamaño 𝑛 de subgrupo, es exponencial y no lineal. En otras palabras, las líneas de los límites
de control no están a distancias iguales para subdivisiones iguales del tamaño 𝑛 de subgrupo.

43
Este tipo de grafica puede ser eficaz cuando hay variaciones extremas en los tamaños de
subgrupos. (Besterfield, 2009)

Ilustración 7: Gráfica p que muestra la línea central y los límites de control para distintos tamaños de subgrupos

3.2.1.4 Elaboración de la gráfica 𝒏𝒑

La gráfica de numero de no conformes, o gráfica 𝑛𝑝, es casi igual que la gráfica 𝑝; sin
embargo, no se utilizan para el mismo objetivo. La gráfica 𝑛𝑝 es más fácil de comprender
para el personal de operación, que la gráfica 𝑝.

Los pasos para elaborar una gráfica 𝑛𝑝 son los siguiente:

44
Recopilación de datos

Se aplican las siguientes técnicas de recopilación de datos:

✓ Designar las características o atributos específicos que se estudiaran.

✓ Definir claramente lo que es un producto no conforme.
✓ Elegir el tamaño de muestra 𝑛.
✓ Determinar la frecuencia del muestreo.
✓ Tomar muestras aleatorias representativas. (Summers, 2006)

Esto se ilustrará utilizando el siguiente ejemplo: PCC Inc. recibe embarques de tarjetas
de circuitos que le envían sus proveedores a través de camiones. Sus empleados registran la
cantidad de tarjetas de circuitos dañadas, incompletas o inoperantes que encuentran al
descargar los camiones. Esta información les sirve para decidir qué proveedores utilizar en
el futuro. (Summers, 2006)

En este caso los inspectores están conscientes de las características que tiene una tarjeta
de circuito no conforme y las comparan con los estándares. Separan las unidades no
conformes para contarlas. Para el propósito de este ejemplo, su supone que cada embarque
contiene la misma cantidad de tarjetas de circuitos. (Summers, 2006)

En cada camión se toman muestras de tarjetas de circuitos al azar, con un tamaño de

muestra de 𝑛 = 50.

Trazar la cantidad de unidades no conformes en la gráfica de control

Una vez contados, se trazan en la gráfica los valores de 𝑛𝑝 para cada subgrupo. La escala de
la gráfica 𝑛𝑝 debe reflejar la magnitud de los datos.

45
 Si siendo con el ejemplo antes planteado en la tabla 7 se muestra los resultados de los
20 camiones más recientes. Los valores de 𝑛𝑝 de cada subgrupo se trazan en la ilustración
8.

Número de 𝒏 𝒏𝒑 Número de 𝒏 𝒏𝒑
subgrupo subgrupo
1 50 4 11 50 1
2 50 6 12 50 4
3 50 5 13 50 3
4 50 2 14 50 5
5 50 3 15 50 2
6 50 5 16 50 5
7 50 4 17 50 6
8 50 7 18 50 3
9 50 2 19 50 1
10 50 3 20 50 2

Tabla 7: Hoja de datos del ejemplo de PCC Inc.

8
7
6
5
4
3
2
1
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

np

Ilustración 8: Gráfico de los valores de np del ejemplo PCC Inc.

Calcular la línea central y los límites de control

46
La línea central de la gráfica de control constituye el promedio de la cantidad total de
unidades no conformes. Las cantidades de unidades no conformes (𝑛𝑝) se suman y a
continuación se dividen entre el número total de subgrupos:

∑ 𝑛𝑝
𝐿𝑖𝑛𝑒𝑎 𝑐𝑒𝑛𝑡𝑟𝑎𝑙 𝑛𝑝̅ =
𝑚

Los límites de control para una gráfica 𝑛𝑝 se calculan mediante las siguientes
fórmulas:

𝑈𝐶𝐿 = 𝑛𝑝̅ + 3√𝑛𝑝̅ (1 − 𝑝̅ )

𝐿𝐶𝐿 = 𝑛𝑝̅ − 3√𝑛𝑝̅ (1 − 𝑝̅ )

El límite central y los límites de control del ejemplo quedarían de la siguiente manera:

∑ 𝑛𝑝 73
𝐿𝑖𝑛𝑒𝑎 𝑐𝑒𝑛𝑡𝑟𝑎𝑙 𝑛𝑝̅ = = = 3.65
𝑚 20

∑ 𝑛𝑝 73
𝑝̅ = = = 0.073
∑𝑛 1000

𝑈𝐶𝐿 = 𝑛𝑝̅ + 3√𝑛𝑝̅ (1 − 𝑝̅ ) = 3.65 + 3√3.65(1 − 0.073) = 9.17

𝐿𝐶𝐿 = 𝑛𝑝̅ − 3√𝑛𝑝̅ (1 − 𝑝̅ )3.65 − 3√3.65(1 − 0.073) = −1.87 = 0

En ocasiones, el límite de control inferior de una gráfica 𝑛𝑝 podría tener un valor

negativo. Cuando esto ocurre, el resultado del cálculo del LCL debe redondearse a cero.
Como es el caso de este ejemplo. (Summers, 2006)

Dibujar la línea central y los límites de control en la gráfica.

47
Después de realizar todos los cálculos necesarios se procede a trazar la línea central y los
límites de control en la gráfica junto a los valores de 𝑛𝑝. La gráfica del ejemplo que sea
desarrollado quedaría de la siguiente manera:

10

0 np Línea central UCL LCL

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Ilustración 9:Gráfica np con línea central y límites de control

Interpretar la grafica

Las gráficas para la cantidad de unidades no conformes (𝑛𝑝)se interpretan de la misma

manera que las graficas 𝑝. Los puntos de una gráfica 𝑛𝑝 deben fluir libremente de un lado a
otro de la línea central con un patrón de variación aleatorio. El número de puntos a cada lado
de la línea central debe estar equilibrado, y la mayor parte debe encontrarse cerca de la línea
central. No debe a ver patrones en los datos, como tendencias, series, ciclos, puntos arriba
del límite de control superior o desplazamientos repentinos de nivel. Es conveniente que haya
puntos que se acerquen a los límites de control inferiores o incluso que los rebasen. Son
indicadores de una mejora de la calidad y deben estudiarse para determinar su origen y
asegurar que se repitan en el futuro. La capacidad del proceso es 𝑛𝑝̅ , la línea central de la
gráfica de control. (Summers, 2006)

48
3.2.2 Gráficas de control para cuenta de no conformidades
3.2.2.1 Objetivos
Las gráficas de cuenta de no conformidades no son tan incluyentes como las gráficas 𝑋̅ y 𝑅,
o las gráficas 𝑝, pero todavía tienen varias aplicaciones.

Los objetivos de las gráficas de cuenta de no conformidades son:

1. Determinar el grado promedio de calidad, como punto de partida. Esta

información determinar la capacidad inicial del proceso.
2. Llamar la atención de la administración sobre cualquier cambio en el promedio.
Una vez conocida la calidad promedio, cualquier cambio se vuelve importante.
3. Mejorar la calidad del producto o servicio. A este respecto, una gráfica de cuenta
de no conformidades puede motivar al personal de operación y de la administración
para proponer ideas sobre el mejoramiento de la calidad. La gráfica indicará si la idea
es adecuada o inadecuada. Debe hacerse un esfuerzo continuo e incansable para
mejorar la calidad.
4. Evaluar la calidad del desempeño del personal de operación y administrativo.
Mientras la gráfica muestre que hay control, el personal de operación se desempeña
satisfactoriamente. Como las gráficas de cuenta de no conformidades se suelen
aplicar a los errores, son muy efectivas para evaluar la calidad de las áreas funcionales
de Finanzas, Ventas, Servicio al cliente, etcétera.
̅ y 𝑹. Algunas aplicaciones de las gráficas
5. Sugerir lugares para usar las gráficas 𝑿
para contar no conformidades se presentan para hacer análisis más detallados
mediante gráficas 𝑋̅ y 𝑅.
6. Proporcionar información sobre la aceptación del producto, antes de enviarlo.
(Besterfield, 2009)

Estos objetivos son casi idénticos a los de las gráficas de no conformes.

3.2.2.2 Elaboración de la gráfica 𝒄

La grafica 𝑐 estudia cómo se comporta un proceso considerando el número de defectos
encontrados al inspeccionar una unidad de producto o servicio.

49
 Una gráfica para la cantidad de no conformidades, o gráfica 𝑐, se utiliza para registrar
la cantidad de no conformidades observadas en una sola unidad de producto o en una sola
experiencia de servicio, 𝑛 = 1. Para graficarse, las no conformidades deben expresarse en
términos de lo que se está inspeccionando, como cuatro burbujas en una lámina de vidrio de
un metro cuadrado o tres manchas de suciedad en una hoja de papel tamaño carta. Las
gráficas para la cuenta de no conformidades pueden combinar los conteos de diversas no
conformidades, como el número de maletas maltratadas, rotas, extraviadas o desconocidas
que llegan al carrusel de un aeropuerto. (Summers, 2006)

Los pasos para elaborar una gráfica 𝑐 son los siguientes:

Recopilar los datos.

Para aplicar correctamente una gráfica de conteo de no conformidades, es importante

comprender con claridad las no conformidades que se van a buscar.

✓ La recopilación de datos requiere que el área de oportunidad de ocurrencia sea igual

para cada muestra que se tome, 𝑛 = 1.
✓ La tasa de ocurrencias de no conformidades dentro de una muestra o área de
oportunidad (área de exposición) se traza en la gráfica 𝑐. Por esta razón, el tamaño de
la pieza de papel o de tela, la longitud del acero o el número de unidades debe ser
igual para cada muestra que se tome.
✓ El número de no conformidades será determinado comparando el producto o servicio
inspeccionado contra un estándar y contando las desviaciones del estándar.
✓ En una gráfica 𝑐, todas las no conformidades tienen la misma importancia,
independientemente de su tipo.
✓ El área de oportunidad para estas no conformidades debe ser larga, con una leve
oportunidad de que una no conformidad en particular se presente en cualquier lugar.
(Summers, 2006)

Con el siguiente ejemplo se comprenderá mejor la elaboración de la gráfica 𝑐:

Pure and White, un fabricante de papel para copiadoras, supervisa su producción

mediante una gráfica 𝑐. El papel se produce en grandes rollos de 3.6 metros de longitud y 1.8

50
metros de diámetro. Se toma una muestra de cada rollo terminado, 𝑛 = 1, y se revisa en el
laboratorio de no conformidades. Las no conformidades se han identificado como
decoloraciones, grosor inconsistente del papel, manchas de suciedad en el papel, contenido
de humedad y capacidad para retener la tinta. Todas estas no conformidades tienen la misma
importancia en la gráfica 𝑐. La muestra se puede tomar de cualquier parte del rollo, por lo
que el área de oportunidad para estas no conformidades es amplia, aunque la calidad general
del papel propicia sólo una pequeña oportunidad para que una no conformidad en particular
ocurra en cualquier lugar. (Summers, 2006)

51
Contar y trazar c, la cuenta de la cantidad de no conformidades, en la gráfica de control.

A medida que es inspeccionado, cada unidad o subgrupo arrojará una cuenta de no

conformidades (𝑐). Este valor es el que se traza en la gráfica de control. La escala para la
gráfica 𝑐 debe reflejar el número de no conformidades descubierto.

Continuando con el ejemplo de Pure and White, la siguiente tabla muestra la

información de numero de subgrupos y el número de no conformidades:

Número de 𝒄 Número de 𝒄
muestra muestra
1 10 12 7
2 11 13 10
3 12 14 11
4 10 15 10
5 9 16 12
6 22 17 9
7 8 18 10
8 10 19 8
9 11 20 9
10 9 210
11 12

Tabla 6: Hoja de datos del ejemplo de Pure and White.

25

20

15

10

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Ilustración 9: Gráfico para la cantidad de no conformidades de c del ejemplo Pure and White.

52
Calcular la línea central y los límites de control.

La línea central de la gráfica de control constituye el promedio de las no conformidades de

los subgrupos. Las cantidades de no conformidades se suman y luego se dividen entre el
número total de subgrupos.

∑𝑛𝑖=1 𝑐
𝐿𝑖𝑛𝑒𝑎 𝑐𝑒𝑛𝑡𝑟𝑎𝑙 𝐶̅ =
𝑚

Los límites de control para una gráfica 𝑐 se calculan mediante las siguientes fórmulas:

𝑈𝐶𝐿𝐶 = 𝐶̅ + 3√𝐶̅

𝐿𝐶𝐿𝐶 = 𝐶̅ − 3√𝐶̅

Los límites de control para la gráfica 𝑐 del ejemplo de la empresa fabricadora de papel
para impresoras serían los siguientes:

∑𝑛𝑖=1 𝑐 210
𝐿𝑖𝑛𝑒𝑎 𝑐𝑒𝑛𝑡𝑟𝑎𝑙 𝐶̅ = = = 10.5 𝑟𝑒ⅆ𝑜𝑛ⅆ𝑒𝑎ⅆ𝑜 𝑎 11
𝑚 20

𝑈𝐶𝐿𝐶 = 𝐶̅ + 3√𝐶̅

= 11 + 3√11 = 21.

𝐿𝐶𝐿𝐶 = 𝐶̅ − 3√𝐶̅

= 11 − 3√11 = 1.

En ocasiones, el límite de control inferior de una gráfica 𝑐 podría tener un valor

negativo. Cuando ocurre esto, el resultado del cálculo de 𝐿𝐶𝐿𝑐 debe redondearse a cero.
(Summers, 2006)

53
Dibujar la línea central y los límites de control en la gráfica.

Se trazan en la gráfica la línea central y los límites de control previamente calculados. En el

caso del ejemplo Pure and White la gráfica quedaría de la siguiente manera:

25

20

15

10

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

c Línea central UCL LCL

Ilustración 9: Gráfico para la cantidad de no conformidades de c del ejemplo Pure and White.

Interpretar la grafica
En las gráficas se buscan cambios en los patrones aleatorios de variación. No debe haber
patrones en los datos, como tendencias series, ciclos o desplazamientos repentinos de nivel.
Todos los puntos deben caer entre los límites de control superior e inferior. Los puntos de
datos en una gráfica 𝑐 deben fluir libremente de un lado a otro de la línea central y deben
estar equilibrados a cada lado de la línea central. La mayor parte de los puntos debe
encontrarse cerca de la línea central. Una vez más, es conveniente que haya puntos que se
acerquen a los límites de control inferiores o a cero, pues son indicadores de una reducción
en la cuenta de no conformidades. (Summers, 2006)

En el caso del ejemplo, se puede observar que el punto 6 se encuentra fuera de control
y se debe investigar para determinar la causa de tantas no conformidades. No existen otros
patrones en la gráfica. A excepción del punto 6, la gráfia muestra un desempeño bastante
estable. (Summers, 2006)

54
3.2.2.3 Elaboración de la gráfica 𝒖
Una gráfica para la cantidad de no conformidades por unidad, o gráfica u, es aquella que
estudia el número de no conformidades de una unidad (𝑛 > 1). La gráfica u es muy similar
a la gráfica c; sin embargo, a diferencia de esta última, una gráfica u también se puede utilizar
con tamaños de muestra variables. (Summers, 2006)

Los pasos que se deben de seguir para poder construir una grafica 𝑢 son los siguientes:

Recopilar los datos

Este paso es similar al de las gráficas 𝑐, por lo que se procederá directamente con el ejemplo:

En Special Plastics, Inc., se crean pequeñas partes de plástico para conectar

mangueras en una línea de producción independiente de aquella que elabora las tarjetas de
crédito. Special Plastics, Inc. utilizó gráficas u para recopilar datos relativos a las no
conformidades por unidad del proceso. (Summers, 2006)

Durante la inspección se toma una muestra aleatoria de tamaño 400 una vez por hora.
Al inspeccionar visualmente los conectores para manguera se buscan diversas no
conformidades, como variaciones en el diámetro interno, mal acabado exterior, roscas
incompletas, variaciones en los extremos de los conectores, compuesto incorrecto del
plástico y decoloraciones. (Summers, 2006)

Calcular 𝒖, el número de no conformidades por unidad

A medida que se inspecciona, cada muestra de tamaño 𝑛 arrojará una cuenta de no

conformidades (𝑐). El número de no conformidades por unidad (𝑢), que se utiliza en la gráfica
𝑢, se calcula con 𝑛, el numero de unidades inspeccionadas, y 𝑐, la cuenta de no
conformidades encontradas:

𝑐
𝑢=
𝑛

En la tabla 8 se muestra la cantidad de no conformes (𝑐) que arrojó cada subgrupo de

tamaño de muestra 𝑛 = 400. La cantidad de no conformidades por unidades (𝑢) que trazará

55
en la gráfica se calcula dividiendo 𝑐, la cantidad de no conformidades encontradas, entre 𝑛,
la cantidad de unidades inspeccionadas. Redondeando el ejemplo a tres decimales, el primer
subgrupo quedaría de la siguiente manera:

𝑐 12
𝑢1 = = = 0.030
𝑛 400

Número de 𝑐 𝑛 𝑢
subgrupo
1 400 12 0.030
2 400 70 0.018
3 400 10 0.025
4 400 11 0.028
5 400 10 0.025
6 400 12 0.030
7 400 90 0.023
8 400 10 0.025
9 400 80 0.020
10 400 90 0.023
11 400 10 0.025
12 400 11 0.028
13 400 12 0.030
14 400 10 0.025
15 400 90 0.023
16 400 22 0.055
17 400 80 0.020
18 400 10 0.025
19 400 11 0.028
20 400 90 0.023
Tabla 8: Hoja de datos: Conectores para manguera

56
Calcular la línea central y los límites de control

La línea central de la gráfica 𝑢 constituye el promedio de las no conformidades por unidad

de los subgrupos. Las cantidades de no conformidades se suman y luego se dividen entre el
número total de muestras:

∑𝑛𝑖=1 𝑐
𝐿𝑖𝑛𝑒𝑎 𝑐𝑒𝑛𝑡𝑟𝑎𝑙 ū =
∑𝑛𝑖=1 𝑛

Los límites de control para una gráfica u se calculan mediante las siguientes fórmulas:

√ū
𝑈𝐶𝐿𝑢 = ū + 3
√𝑛

√ū
𝐿𝐶𝐿𝑢 = ū − 3
√𝑛

En ocasiones, el límite de control inferior de una gráfica u podría tener un valor

negativo. Cuando ocurre esto, el resultado del cálculo de 𝐿𝐶𝐿𝑢 debe redondearse a cero.
(Summers, 2006)

Siguiendo con el ejemplo, la línea central de la gráfica 𝑢 constituye el promedio de

las no conformidades por unidad de los subgrupos. Las cantidades de no conformidades se
suman y luego se dividen entre el número total de subgrupos:

∑𝑛𝑖=1 𝑐 210
𝐿𝑖𝑛𝑒𝑎 𝑐𝑒𝑛𝑡𝑟𝑎𝑙 ū = 𝑛 = = 0.026
∑𝑖=1 𝑛 20(400)

Los límites de control quedarían de la siguiente manera:

√ū √0.026
𝑈𝐶𝐿𝑢 = ū + 3 = 0.026 + 3 = 0.05
√𝑛 √400

√ū √0.026
𝐿𝐶𝐿𝑢 = ū − 3 = 0.026 − 3 = 0.001
√𝑛 √400

57
Dibujar la línea central y los límites de control en la gráfica
En este paso se traza en la gráfica la línea central y los límites de control. La gráfica 𝑢 del
ejemplo de Special Platics, Inc. Se muestra en la ilustración 10. (Summers, 2006)

0.06

0.05

0.04

0.03

0.02

0.01

0
1 2 2 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

u Línea central UCL LCL

Ilustración 10: Gráfica para la cantidad de no conformes por unidad (u)

Interpretar la grafica

Una gráfica 𝑢 se interpreta de la misma manera que las gráficas 𝑝, 𝑛𝑝 o 𝑐. En la gráfica se

buscan condiciones no aleatorias como series, tendencias, ciclos o puntos fuera de control.
Los puntos de datos en una gráfica u deben fluir libremente de un lado a otro de la línea
central. La cantidad de puntos a cada lado de la línea central debe estar equilibrada y la mayor
parte de los puntos debe encontrarse cerca de la línea central. Los esfuerzos de mejora de la
calidad se reflejan en una gráfica u cuando se reduce la cuenta de no conformidades por
unidad, como lo muestra una tendencia hacia el límite de control inferior y, por lo tanto, hacia
cero no conformidades. (Summers, 2006)

Se puede observar que la gráfica 𝑢, que se muestra en la ilustración 10, aparenta estar
bajo control estadístico, sin embargo, cuenta con un punto fuera de control (punto 16), el cual
debe de investigarse para determinar la causa de esa gran cantidad de no conformidades por
unidad. (Summers, 2006)

58
Conclusión

Finalmente sabemos la importancia que tienen estas gráficas de control para atributos, ya que
como se pudo observar en la investigación presentada, es un instrumento muy útil para llevar
un monitoreo y un gran control de los procesos que se lleguen a presentar en distintos
procesos, desde lo numérico hasta lo teórico.

Es aquí donde sabemos que, así como se pueden aplicar en diferentes procesos, esta
herramienta no es totalmente universal, es decir, no siempre se puede aplicar en cualquier
proceso, ya que en ocasiones no se cumplen todas las características que debe tener un
proceso de producción, y es ahí donde los datos no coinciden para poder expresarse con las
gráficas para atributos.

Ahora bien, se habló de la clasificación de estas gráficas de control, las cuales

explicaron la manera en que podemos interpretar cada uno de los procesos, y la forma
correcta de aplicar cada una de estas gráficas, ya sea la clasificación del grupo uno o la del
grupo dos, las cuales se presentaron de manera concreta.

De igual manera se presentó la manera en que se deben sacar cada uno de los cálculos
de los límites, ya sea del límite de control superior, del límite de control inferior y del límite
central, así como también la forma de interpretar o analizar cada uno de los gráficos
presentados, para darnos una idea de cómo podremos representarlo en nuestros procesos y
de qué manera elegir una corrección o identificación de algún problema posible.

59
Bibliografía
Besterfield, D. (2009). Control de Calidad. México: PEARSON EDUCACIÓN .
Cantú, H. (2011). Desarrollo de una cultura de calidad (cuarta edición). México: McGraw-Hill.
Cuatrecasas, L. (2010). Gestión integral de la calidad. Implantación, control y certificación.
España: Profit Editorial.
Defeo, J. (2007). Método Juran. Análisis y planeación de la calidad (quinta edición). México:
McGraw-Hill.
Gutiérrez, H. (2010). Calidad Total y Productividad. México: McGraw Hill Interamericana
Editores S.A de C.V.
Montgomery. (2004). Control estadístico de la calidad. LIMUSA WILEY.
Pulido, H., & De la Vara, R. (2013). Control estadístico de la calidad y Seis Sigma. México:
McGraw-Hill Interamericana Editores, S.A de C.V.
Summers, D. (2006). Administración de la Calidad. México: PEARSON EDUCAIÓN .

60