IV.

Gráficos de Control por Atributos

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS

INTRODUCCIÓN____________________________________________________

Los diagramas de control por atributos constituyen la herramienta esencial utilizada para controlar
características de calidad cualitativas, esto es, características no cuantificables numéricamente. Ejemplos de
tales características no medibles son la fracción o porcentaje de unidades defectuosas en la producción (P), el
número de unidades defectuosas en la producción (NP), el número de defectos por unidad producida (U), y el
número de defectos de todas las unidades producidas (C).

Al igual que en los gráficos de control por variables, el diagrama de atributos representa un estadístico T
del proceso (como puede ser el número de defectos) frente al número de la muestra o al tiempo. Una línea
central representa el valor medio o esperado del estadístico, mientras que los límites de control suelen definir
una zona de control que abarca 3σT por encima y por debajo de la línea central. Estos límites son escogidos
de manera que si el proceso está bajo control, casi la totalidad de los puntos muestrales se halle entre ellos.
Así, un punto que se encuentra fuera de los límites de control se interpreta como una evidencia de que el
proceso está fuera de control. Además, incluso si todos los puntos se hallan comprendidos entre los límites de
control, pero se comportan de manera sistemática o no aleatoria, también tendríamos un proceso fuera de
control (veremos cómo estudiar la existencia de tales patrones no aleatorios mediante los llamados tests para
causas especiales).

Límite superior (LSC)

3 * σT
Variable T

Línea central

Límite inferior (LIC)

Número de muestra o tiempo

Este tipo de gráficos se suele aplicar en situaciones en las que el proceso es una operación de montaje
complicada, y la calidad del producto se mide en términos de la ocurrencia de disconformidades, del
funcionamiento exitoso o fallido del producto, etc.

Los diagramas de control por atributos tienen la ventaja de que hacen posible considerar varias
características de calidad al mismo tiempo y clasificar los productos como disconformes si no satisfacen las
especificaciones de cualquiera de las características.

Tenemos dos opciones a la hora de realizar un gráfico de control por atributos:

1. Podemos comparar un producto con un estándar y clasificarlo como defectuoso o no (gráficos P y

NP)

2. En el caso de productos complejos, la existencia de un defecto no necesariamente conlleva a que el

producto sea defectuoso. En tales casos, puede resultar conveniente clasificar un producto según el
número de defectos que presenta (gráficos C y U).

Es importante notar que los gráficos P, NP, y U permiten trabajar con muestras de tamaños diferentes,
mientras que los gráficos C están diseñados para muestras de igual tamaño.

IV - 1
 Control Estadístico de la Calidad con MINITAB

TESTS PARA CAUSAS ESPECIALES__________________________________

En cualquiera de los gráficos de control por atributos descritos, es posible realizar cuatro tests para
determinar la posible existencia de causas especiales que influyan sobre la variabilidad de las observaciones
(comportamiento no aleatorio de los datos):

Cada uno de los tests detecta un determinado comportamiento no aleatorio en los datos. Cuando alguno
de los tests resulta positivo entonces hay indicios de que la variabilidad de las observaciones se debe a causas
especiales, las cuales deberán investigarse.

Es importante notar que para realizar estos tests todas las muestras han de ser del mismo tamaño.

Test 1: un punto situado más allá de los límites de control

3
Zona A
2
Zona B
1
Zona C
sigma

0
Zona C
1
Zona B
2
Zona A
3

0 1 2 3 4 5 6 7 8 9 10
número de muestra

IV - 2
 IV. Gráficos de Control por Atributos

Test 2: nueve puntos consecutivos en el mismo lado

3
Zona A
2
Zona B
1
Zona C

sigma
0
Zona C
1
Zona B
2
Zona A
3

0 5 10 15
número de muestra

Test 3: seis puntos consecutivos ascendentes o

descendentes

3
Zona A
2
Zona B
1
Zona C
sigma

0
Zona C
1
Zona B
2
Zona A
3

0 1 2 3 4 5 6 7 8 9 10
número de muestra

Test 4: catorce puntos consecutivos alternando

arriba y abajo

3
Zona A
2
Zona B
1
Zona C
sigma

0
Zona C
1
Zona B
2
Zona A
3

0 5 10 15

número de muestra

IV - 3
 Control Estadístico de la Calidad con MINITAB

GRÁFICO P________________________________________________________

Un gráfico P es un gráfico de control del porcentaje o fracción de unidades defectuosas (cociente entre
el número de artículos defectuosos en una población y el número total de artículos de dicha población).

Los principios estadísticos que sirven de base al diagrama de control P se basan en la distribución
Binomial: supóngase que el proceso de producción funciona de manera estable, de tal forma que la
probabilidad de que cualquier artículo no esté conforme con las especificaciones es p, y que los artículos
producidos sucesivamente son independientes; entonces, si seleccionamos k muestras aleatorias de n
artículos del producto cada una, y representando por Xi al número de artículos defectuosos en la muestra i-
ésima, tendremos que Xi ≈ B(n,p).

• Sabemos que: µ xi = np y σ Xi = np(1 − p )

Xi
• ˆi =
Para cada muestra, definimos la v.a. fracción disconforme muestral como: p . Observar que
n
p̂ i seguirá una distribución Binomial con media y desviación típica:

E[X i ] Var [X i ] p (1 − p )
E [ pˆ i ] = =p y Var [ pˆ i ] = 2
=
n n n

 p(1 − p ) 
• Por tanto, pˆ i → N  p,
n→∞


 n 

• Según el modelo de Shewart tendremos que:

p (1 − p )
LSC = p + 3
n
Línea central = p
p(1 − p )
LIC = p − 3
n

• Si p es desconocida, la podemos estimar (observar que tal estimación se realizará a partir de las k
muestras obtenidas, k > 25, tomadas cuando se considera que el proceso está bajo control):

1 k
p= ∑ pˆ i
k i =1

• En caso de que el tamaño muestral (ni ) sea diferente para cada subgrupo, a la hora de calcular los límites
según el modelo de Shewart, podemos optar por:

1. Obtener los límites usando el ni asociado a cada muestra, con lo que las líneas de control no
serán rectas (darán “saltos” arriba y abajo según ni disminuya o aumente),

1 k
2. Si los ni no difieren mucho unos de otros, podríamos tomar n = ∑ ni .
k i =1

IV - 4
 IV. Gráficos de Control por Atributos

3. También se puede optar por tomar un n común e igual al mayor de los ni , con lo que
obtendríamos unos límites de control bastante “sensibles”, ya que la amplitud de la franja que
indica proceso en estado de control es inversamente proporcional al tamaño de la muestra.

En esta situación de tamaños muestrales diferentes, el estimador para p sería:

∑ n pˆ
i =1
i i
p= k

∑n
i =1
i

Normalmente se usan límites de control de tres sigmas en el diagrama de control P. Como ya

comentamos en el capítulo anterior, el uso de límites de control más estrechos hacen que el diagrama de
control sea más sensible a pequeños cambios en p, pero ello también hace aumentar la probabilidad de que se
produzcan falsas alarmas de proceso fuera de control (error de tipo II).

Debe advertirse que este diagrama de control se basa en el modelo probabilístico binomial, en el cual se
supone que la probabilidad de ocurrencia de un artículo con disconformidad es constante, y que unidades
sucesivas en la producción son independientes. Por otra parte, hay que tener cuidado con la interpretación de
los puntos del diagrama de control que se hallan por debajo del límite inferior de control. Tales puntos no
representan a menudo una mejora real en la calidad del proceso. Frecuentemente son el resultado de errores en
el método de inspección o recogida de datos.

Ejemplo gráfico P: Supongamos que trabajamos en una planta que produce tubos de imagen para
televisores. De cada lote producido se extraen algunos tubos y se procede a inspeccionarlos,
clasificándolos en defectuosos y no defectuosos. Si alguno de los lotes presenta demasiados tubos
defectuosos, se realiza una inspección del 100% de las unidades que lo componen. Un gráfico P nos
permitirá, entre otras cosas, saber cuándo hemos de realizar una inspección completa. Usaremos los
datos guardados en el archivo tubos.mtw :

Seleccionar Stat > Control Charts > P...

Rellenar los campos como se indica:

IV - 5
 Control Estadístico de la Calidad con MINITAB

P Chart for Defectuo

3,0SL=0,3324
0,3
Proportion

0,2
P=0,1685

0,1

0,0 -3,0SL=0,004728

0 10 20
Sample Number

Dado que la muestra 6 cae fuera de la zona de control, sería conveniente realizar una inspección del
100% de los componentes del lote.

IV - 6
 IV. Gráficos de Control por Atributos

GRÁFICO NP______________________________________________________

El diagrama NP está basado en el número de unidades defectuosas. Este tipo de gráficos permite tanto
analizar el número de artículos defectuosos como la posible existencia de causas especiales en el proceso
productivo. Los principios estadísticos que sirven de base al diagrama de control NP se basan en la
distribución Binomial:

Supóngase que el proceso de producción funciona de manera estable, de tal forma que la probabilidad de
que cualquier artículo no esté conforme con las especificaciones es p, y que los artículos producidos
sucesivamente son independientes; entonces, si seleccionamos k muestras aleatorias de n artículos del
producto cada una, y representando por Xi al número de artículos defectuosos en la muestra i-ésima,
tendremos que Xi ≈ B(n,p).

• Sabemos que: µ xi = np y σ Xi = np(1 − p )

Xi
• ˆi =
Para cada muestra, definimos la v.a. fracción disconforme muestral como: p . Observar que
n
p̂ i seguirá una distribución Binomial con media y desviación típica:

E[X i ] Var [X i ] p (1 − p )
E [ pˆ i ] = =p y Var [ pˆ i ] = =
n n2 n

• ˆ i 
Por tanto, np (
→ N np, np(1 − p)
n→∞
)

• Según el modelo de Shewart tendremos que:

LSC = np + 3 np (1 − p)
Línea central = np
LIC = np − 3 np (1 − p)

• Si p es desconocida, la podemos estimar (observar que tal estimación se realizará a partir de las k
muestras obtenidas, k > 25, tomadas cuando se considera que el proceso está bajo control):

1 k
p= ∑ pˆ i
k i =1

• En caso de que el tamaño muestral (ni ) sea diferente para cada subgrupo, a la hora de calcular los límites
según el modelo de Shewart, podemos optar por:

IV - 7
 Control Estadístico de la Calidad con MINITAB

1. Obtener los límites usando el ni asociado a cada muestra, con lo que las líneas de control no
serán rectas (darán “saltos” arriba y abajo según ni disminuya o aumente),

1 k
2. Si los ni no difieren mucho unos de otros, podríamos tomar n = ∑ ni .
k i =1

3. También se puede optar por tomar un n común e igual al mayor de los ni , con lo que
obtendríamos unos límites de control bastante “sensibles”, ya que la amplitud de la franja que
indica proceso en estado de control es inversamente proporcional al tamaño de la muestra.

En esta situación de tamaños muestrales diferentes, el estimador para p sería:

∑ n pˆ
i =1
i i
p= k

∑n
i =1
i

IV - 8
 IV. Gráficos de Control por Atributos

GRÁFICO C________________________________________________________

El diagrama C está basado en el número total de defectos (o no conformidades) en la producción. Los

principios estadísticos que sirven de base al diagrama de control C se basan en la distribución de Poisson:

Para construir el diagrama de control C empezamos por tomar k muestras X1, X2, ...,XK , de ni unidades
cada una, i.e.: Xi = (Xi1, ..., Xi ni ). Sea u el número esperado de unidades defectuosas en cada una de las
muestras.

• Para cada muestra se calcula el número uij de defectos de la unidad Xij , j = 1,...,ni .
ni
• Si denotamos por ci al número de defectos totales en la muestra i-ésima, es claro que c i = ∑u
j =1
ij .

• Por otro lado, si denotamos por ui al valor esperado de defectos en la muestra i-ésima, tendremos que
ni
1 1
ui =
ni
∑u
j =1
ij . Observar pues que u i =
ni
c i , i.e.: c i = u i ⋅ ni .

• [ ] [ ]
Notar además que E c i = E u i ⋅ ni = ni ⋅ E u i ≡ ni ⋅ u . [ ]
• Es frecuente suponer que el número de defectos (sucesos no habituales) en una población grande sigue
una distribución de Poisson. En este caso, supondremos que ci ≈ Po(niu).

• Se cumplirá que c i  (
→ N ni ⋅ u , ni ⋅ u
n→∞
)
• Según el modelo de Shewart tendremos que:

LSC = ni ⋅ u + 3 ni ⋅ u
Línea central = ni ⋅ u
LIC = ni ⋅ u − 3 ni ⋅ u

• Si u = E[ ui ] es desconocida, la podemos estimar (observar que tal estimación se realizará a partir de las
k muestras obtenidas, k > 25, tomadas cuando se considera que el proceso está bajo control):

1 k
uˆ = ∑ ui
k i =1

• Como el tamaño muestral (ni ) es diferente para cada subgrupo, a la hora de calcular los límites según el
modelo de Shewart, podemos optar por:

1. Obtener los límites usando el ni asociado a cada muestra, con lo que las líneas de control no
serán rectas (darán “saltos” arriba y abajo según ni disminuya o aumente),
1 k
2. Si los ni no difieren mucho unos de otros, podríamos tomar n = ∑ ni .
k i =1

3. También se puede optar por tomar un n común e igual al mayor de los ni , con lo que
obtendríamos unos límites de control bastante “sensibles”, ya que la amplitud de la franja que
indica proceso en estado de control es inversamente proporcional al tamaño de la muestra.

IV - 9
 Control Estadístico de la Calidad con MINITAB

Ejemplo gráfico C: Supongamos que trabajamos en una planta que produce sábanas blancas. Cada
una de las piezas de tela producidas, a partir de las cuales se obtendrán las sábanas, será considerada
como válida siempre que no tenga más de un número determinado de pequeñas manchas. Pretendemos
generar un gráfico C que nos permita visualizar el número de manchas de cada pieza. Usaremos los
datos guardados en el archivo sabanas.mtw :

Seleccionar Stat > Control Charts > C...

Rellenar los campos como se indica:

C Chart for Manchas

8
3,0SL=7,677
7
6
Sample Count

4
3
C=2,725
2

1
0 -3,0SL=0,00E+00

0 10 20 30 40
Sample Number

Dado que los puntos parecen seguir un patrón aleatorio y ninguno de ellos cae fuera de los límites de
control de 3 sigma, podemos concluir que el proceso está bajo control.

IV - 10
 IV. Gráficos de Control por Atributos

GRÁFICO U________________________________________________________

El diagrama U está basado en el número de defectos por unidad de inspección producida. Los principios
estadísticos que sirven de base al diagrama de control U se basan en la distribución de Poisson:

Para construir el diagrama de control U empezamos por tomar k muestras X1, X2, ...,XK , de ni unidades
cada una, i.e.: Xi = (Xi1, ..., Xi ni ). Sea u el número esperado de unidades defectuosas en cada una de las
muestras.

• Para cada muestra se calcula el número uij de defectos de la unidad Xij , j = 1,...,ni .
ni
• Si denotamos por ci al número de defectos totales en la muestra i-ésima, es claro que c i = ∑u
j =1
ij .

• Por otro lado, si denotamos por ui al valor esperado de defectos en la muestra i-ésima, tendremos que
ni
1 1
ui =
ni
∑u
j =1
ij . Observar pues que u i =
ni
c i , i.e.: c i = u i ⋅ ni .

• [ ] [ ]
Notar además que E c i = E u i ⋅ ni = ni ⋅ E u i ≡ ni ⋅ u . [ ]
• Es frecuente suponer que el número de defectos (sucesos no habituales) en una población grande sigue
una distribución de Poisson. En este caso, supondremos que ci ≈ Po(ni u).

 u 
• Se cumplirá que c i 
n→∞
(
→ N ni ⋅ u , ni ⋅ u ) y, por tanto, u i  → N  u ,
n →∞
n .
 i 

• Según el modelo de Shewart tendremos que:

LSC = u + 3 u
ni
Línea central = u
LIC = u − 3 u
ni

• Si u = E[ ui ] es desconocida, la podemos estimar (observar que tal estimación se realizará a partir de las
k muestras obtenidas, k > 25, tomadas cuando se considera que el proceso está bajo control):

1 k
uˆ = ∑ ui
k i =1

• Como el tamaño muestral (ni ) es diferente para cada subgrupo, a la hora de calcular los límites según el
modelo de Shewart, podemos optar por:

1. Obtener los límites usando el ni asociado a cada muestra, con lo que las líneas de control no
serán rectas (darán “saltos” arriba y abajo según ni disminuya o aumente),
1 k
2. Si los ni no difieren mucho unos de otros, podríamos tomar n = ∑ ni .
k i =1

3. También se puede optar por tomar un n común e igual al mayor de los ni , con lo que
obtendríamos unos límites de control bastante “sensibles”, ya que la amplitud de la franja que
indica proceso en estado de control es inversamente proporcional al tamaño de la muestra.
IV - 11
 Control Estadístico de la Calidad con MINITAB

EJEMPLOS DE APLICACIÓN_________________________________________

Ejemplo 1: Una compañía electrónica manufactura circuitos en lotes de 500 y quiere controlar la
proporción de circuitos con fallos.

Con este fin examina 20 lotes, obteniendo en cada lote el número de circuitos defectuosos que se indican en el
archivo circuitos.mtw .

Pretendemos analizar si el proceso está bajo control estadístico a partir de un gráfico P:

P Chart for defectuo

1
0,04 3,0SL=0,03878

0,03
Proportion

0,02 P=0,02000

0,01

0,00 -3,0SL=0,001217

0 10 20
Sample Number

TEST 1. One point more than 3,00 sigmas from center line.
Test Failed at points: 2

Se observa que ha fallado el contraste 1 para causas especiales, lo cual indica que el proceso está fuera
de control estadístico.

IV - 12
 IV. Gráficos de Control por Atributos

Ejemplo 2: Una compañía textil utiliza un gráfico del número de defectos por unidad para controlar el
número de defectos por metro cuadrado de tejido. El tejido se presenta en rollos de un metro de anchura y
longitud variable, definiéndose la unidad de inspección como un metro cuadrado de tejido. Tras la inspección
de 25 rollos se obtuvieron los datos de superficie (en metros cuadrados) y número de defectos por rollo
almacenados en el archivo textil.mtw .

Se pretende analizar si el proceso está o no bajo control usando un gráfico U.

U C hart for defectos

0 ,7

0 ,6
3 ,0 S L =0 ,5 7 4 0
0 ,5
Sample Count

0 ,4

0 ,3 U =0 ,2 8 8 0
0 ,2

0 ,1

0 ,0 -3 ,0 S L = 0 ,0 0 2 0 7 6

0 5 10 15 20 25
S am ple Num ber

A partir del gráfico anterior se concluye que el proceso parece estar bajo control estadístico, ya que no se
observan problemas de puntos fuera de control, tendencias, ciclos, etc.

Ejemplo 3: Se utiliza un gráfico del número de defectos C para controlar el número de automóviles con
pintura defectuosa en nuevas series fabricadas recientemente. 20 series del mismo modelo son inspeccionadas
y el número de automóviles con pintura defectuosa se ha registrado en el archivo autos.mtw . Estudiar si el
proceso está o no bajo control.

C C h a rt fo r d e fe c tu o
1
15
3 ,0 S L = 1 3 ,6 7
Sample Count

10

C = 6 ,2 0 0
5

0 -3 ,0 S L = 0 ,0 0 E + 0 0

0 10 20
S a m p le N u m b e r

A partir del gráfico anterior, se observa que el proceso no parece estar bajo control estadístico.

IV - 13