CAPÍTULO 5

CONTROL DE ATRIBUTOS

5.1. CONDICIONES PARA EL CONTROL DE ATRIBUTOS

El control de variables exige que se establezcan dos gráficos (uno de media y otro de
dispersión) para cada característica de calidad mensurable que se desea controlar. Muchas
veces no será posible, o económico, realizar mediciones de las características de calidad,
estableciendo para cada uno el par de gráficos necesarios.

Se recurre, entonces, al control de atributos, en el cual la presencia de un defecto lleva a

clasificar una pieza como defectuosa, sin considerar la intensidad o grado del propio defecto.

El control de atributos es recomendable, especialmente, cuando se verifica una (o más de

una) de las siguientes condiciones:

a) el número de características a controlar en una pieza es elevado;

b) en lugar de mediciones conviene emplear calibres, pasa-no pasa;
c) la medición de la característica es antieconómica en cuanto al costo de cada pieza;
d) la verificación de calidad es hecha por simple inspección visual.

El control de atributos es el único posible cuando la característica de calidad no es

mensurable, como por ejemplo, la falta de partes, el color o el estado de acabado de la pieza.

El criterio para clasificar una pieza en perfecta o defectuosa debe expresarse previamente por
una lista de defectos.

defectuosa p, el gráfico del número de defectuosos np, el gráfico de defectos por unidad
, el
Para el control de atributos existen cuatro tipos de gráficos: el gráfico de la fracción

gráfico del número de defectos c en la muestra. Esos gráficos serán explicados a

continuación, de acuerdo con el sistema Norteamericano, considerándose el intervalo 3-sigma.

5.2. GRÁFICO DE LA FRACCIÓN DEFECTUOSA

Las piezas, de acuerdo con el criterio establecido, son clasificadas en perfectas o

defectuosas, esto es, por un criterio dicotómico. Si se admite que el proceso de fabricación
está bajo control, la probabilidad de producir una pieza defectuosa es constante; en
consecuencia, la distribución muestral es una binomial.

En la muestra, una fracción defectuosa p es el cociente del número de piezas defectuosas d

por el número total n de piezas en la muestra, es decir, p = d/n.

esquema general. La variable muestral p, que es binomial, con media  =  y varianza

El gráfico de la fracción defectuosa, o el gráfico de p, es construido de acuerdo con el

 =
(
)

, admite una aproximación por la normal con la misma media y varianza.

Consecuentemente, el intervalo de 3-sigma define los límites de control de p como:

(1 − )
 =  + 3


98
  =  − 3
(
)

(2.1)

Obsérvese que la probabilidad de la fracción defectuosa de la muestra p =d/n que ocurra

dentro de esos límites depende del valor de P, fracción defectuosa del proceso, cuando éste
estuviese bajo control. La regla práctica es establecer el valor de n próximo a 10/P y tomar
muestras de igual tamaño.

Estimación de P. Cuando la fracción defectuosa del proceso P fuera desconocida, su

estimación será hecha calculándose la fracción defectuosa media.

∑
̅ = ∑

(2.2)

para ese valor ̅ y los límites de control serán:

para un conjunto de por lo menos k = 20 muestras de tamaño n. La línea media será marcada

̅(1 − ̅ )
 = ̅ + 3


 = ̅ − 3
̅ (
̅ )

(2.3)

̅ fuera pequeño, esto es, menor que 0.10 se puede, como aproximación, sustituir 1 − ̅ por la
Cuando el valor calculado para el LIC fuera negativo, debe adoptarse el valor LIC = 0. Cuando

unidad.

Determinados los límites, para cada muestra será calculada la fracción defectuosa p = d/n que
será marcada en el gráfico. La interpretación del gráfico es la misma que la indicada
anteriormente.

Ejemplo1: Con el propósito de establecer el control de atributos, fueron extraídas 25 muestras

de n = 50 piezas de una en una. De acuerdo con el criterio prefijado, las piezas fueron
clasificadas en perfectas o defectuosas, resumiéndose los resultados en la Tabla 5.2.1.

Tabla 5.2.1. Fracción defectuosa (resultados de 25 muestras de 50 piezas)

Muestra d Fracción Muestra d Fracción

defectuosa defectuosa
1 1 0.02 14 5 0.10
2 2 0.04 15 4 0.08
3 3 0.06 16 4 0.08
4 3 0.06 17 5 0.10
5 5 0.10 18 1 0.02
6 4 0.08 19 5 0.10
7 4 0.08 20 2 0.04
8 4 0.08 21 0 0.00
9 2 0.04 22 5 0.10
10 2 0.04 23 3 0.06
11 4 0.08 24 3 0.06
12 4 0.08 25 1 0.02
13 4 0.08 Total 80

99
La fracción defectuosa media es ̅ = = 0.064 y los límites de control son:



0.064(0.936)
 = 0.064 + 3 = 0.064 + 0.105 = 0.169
50

0.064(0.936)
 = 0.064 − 3 = 0.064 − 0.105 = (&'()*+,) = 0
50

0,18
LSC
0,16
0,14
0,12
Proporción

0,1
0,08
0,06 LC

0,04
0,02
0
0 5 10 15 20 25 30

Figura 5.2.1. Gráfico de la fracción defectuosa p.

El gráfico de p está representado en la figura 5.2.1. Se verifica que todos los puntos están
dentro de los límites, por tanto, el proceso está bajo control.

Comentario sobre la gráfica p.

Puesto que la gráfica p se basa en la distribución binomial, la posibilidad de llegar a escoger

un producto no conforme debe ser constante. En algunas operaciones de producción, si se
produce una unidad no conforme, todo el producto restante también será no conforme hasta
que se corrija la condición que dio lugar a ello. En tales casos, no existe la posibilidad
constante de obtener una unidad no conforme, y por lo tanto, no es conveniente usar la gráfica
p.

5.3. GRÁFICO DEL NÚMERO TOTAL DE DEFECTUOSOS

Como una alternativa del gráfico de p, puede ser utilizado, para muestras de igual tamaño n,
el gráfico del número total de (ítems) defectuosos np. De hecho, el gráfico de np es
equivalente al gráfico de p puesto que es apenas un cambio en la escala de la ordenada.

La línea media es ̅ y los límites de control son: ̅ ± 3.̅(1 − ̅). Una interpretación del
gráfico np es semejante a la del gráfico de p, siendo ̅ el número medio de defectuosos
encontrados en el conjunto de k muestras.

Capacidad del proceso

Para un atributo, el procedimiento para determinar la capacidad del proceso es muy sencillo;
de hecho, está determinada por la línea central de la gráfica de control.
100
5.4. GRÁFICO DE DEFECTOS POR UNIDAD

En los dos parágrafos anteriores, la atención estuvo dirigida para los ítems defectuosos, es
decir, para las piezas fabricadas en desacuerdo con las especificaciones; ahora, nuestra
atención estará orientada para los defectos en las piezas. Un defecto representa falta de
conformidad de la unidad del producto como la especificación de una característica de
calidad.

Una unidad de un producto puede presentar más de un defecto, y por esto, puede ser exigido
el control del número de defectos por unidad, en lugar del control de la fracción defectuosa. La
conveniencia se torna evidente cuando se comprende que la unidad del producto puede ser
una unidad de longitud o de área, o de la misma pieza; entonces, habrá el interés en conocer
el número de defectos por metro (o por mil metros), o por metro cuadrado, o por chapa.
Evidentemente, sería inadecuado considerar, solamente, en esos casos que la unidad sea
perfecta (esto es, sin defectos) o defectuosa (es decir, con defectos), sino también, convendrá
evaluar la frecuencia con que ocurren defectos en cada unidad.

El número medio de defectos por unidad,
/ para la j-ésima muestra de tamaño n, es igual al
número total de defectos en todas las unidades de la muestra dividido por el número n de
unidades de la muestra:
0/

/ =
/

El gráfico de
es recomendado cuando el producto está compuesto de varias partes,

existiendo muchos característicos de calidad inspeccionados por calibres, ensayos de
funcionamiento o inspección visual. El conteo de defectos se hará solamente para defectos
independientes.

Generalmente, en cada unidad de muestra, el número de defectos es relativamente pequeño

cuando se compara con las oportunidades de su ocurrencia; por ejemplo, en una chapa de

área total. Por lo tanto, una distribución muestral de
es una de Poisson, cuya media y
clase X pueden ser admitidas irregularidades de superficie en un área no superior al 10% del

varianza son iguales a m.

Admitida una aproximación normal para el número
, defectos por unidad, el intervalo de 3-
sigma determina los límites de control.

4
12 ± 3
3

(4.1)

siendo:

 ),)(6 7& 7&8&0),9 & ),7(9 6(9 :1&9);(9 ∑ 0/

12 = =
 ),)(6 7& 1*7(7&9 & ),7(9 6(9 :1&9);(9 ∑ /

que es una estimación de m, basada en el conjunto de k muestras (j = 1,2,...,k)

Ejemplo: Todos los días un empleado revisa los conocimientos de embarque de una pequeña
compañía de flete aéreo nocturno, para detectar errores. Debido a que el número de
conocimientos de embarque varía de un día a otro, la técnica adecuada es la de la gráfica u.
Los datos recopilados se muestran en la tabla 5.4.1. Se consignan en la tabla, la fecha,
número de inspecciones y cantidad de no conformidades. Se calcula el número de no
conformidades por unidad, u. Dado que el tamaño del subgrupo es variable, se calculan límites
101
de control para cada subgrupo. Se recopilan datos de 5 semanas, cada semana con 5 días,
para un total de 25 subgrupos.

La línea central es:

3016
12 = = 1.18
2549

Para el 30 de enero, los límites son:

1.18
 = 1.18 + 3 = 1.49
110

1.18
 = 1.18 − 3 = 0.87
110

La gráfica de control se puede observar en la figura 5.4.1.

002

002

001

001

001

001

001

001

001
01-mar
03-mar
01-feb
03-feb
05-feb
07-feb
09-feb
11-feb
13-feb
15-feb
17-feb
19-feb
21-feb
23-feb
25-feb
27-feb
30-ene

Figura 5.4.1. Gráfica u para errores por unidad de embarque

En la gráfica se observa que no existen valores fuera de control, por lo tanto se trata de un
proceso estable y bajo control estadístico.

La gráfica u es idéntica a la gráfica c, menos en dos aspectos. Uno es la escala, que en el

caso de la gráfica u es continua, en tanto que para la c, es discreta. Lo anterior dota de mayor
flexibilidad a la gráfica u, dado que el tamaño del subgrupo puede variar. El otro aspecto es el
tamaño del subgrupo, que en el caso de la gráfica c es uno. Sin embargo, la gráfica u es
limitada debido a que no podemos saber dónde están las no conformidades.

102
5.5. GRÁFICO DEL NÚMERO DE DEFECTOS EN LA MUESTRA

Cuando las muestras son de igual tamaño, esto es, siendo n constante, es conveniente

equivalente al gráfico de
con un cambio de escala en las ordenadas.

adoptar el gráfico del número de defectos c, en la muestra. En este caso, el gráfico es

El gráfico del número de defectos c es adecuado cuando no se considera una unidad natural
del producto presentada en forma de rollo o sábana, sino, cuando el problema consiste en
evaluar la uniformidad de calidad en determinadas longitudes o largos iguales o en áreas

número de
no debe ser precisamente un número entero; si la unidad convencional fuera por
iguales de un producto. Este es el caso de los hilos o los tejidos. Debe hacerse notar que el

ejemplo, 10 metros cuadrados, las muestras de 25 o de 30 metros cuadrados, constituyen

respectivamente, 2.5 o 3.0 unidades.

La línea central del gráfico está dada por:

ú:&;, ),)(6 7& 7&8&0),9 & ),7(9 6(9 :1&9);(9 ∑ 0

0̅ = =
ú:&;, 7& :1&9);(9 @

y los límites de control son:

0̅ ± 3√0̅ (5.1)

Si las muestras fueran de tamaño diferente, primero se calcula la media 12 de los defectos por
unidad, luego, se calcula la línea media 12 y los límites de control 12 ± 3√12 de manera
separada para cada tamaño n de muestra.

Ejemplo 1. Para controlar las fallas de continuidad de películas de esmalte con hilos de cobre,
fueron extraídas 20 muestras de 30 metros cada una. Los resultados de los ensayos
realizados (de acuerdo con EB-60) están en la tabla 5.5.1.

Tabla 5.5.1 Número de fallas en cada 30 m. de hilo aislado con esmalte

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

La línea media 0̅ está dada por: 0̅ = = 7.20

BB

Los límites de control son:

 = 7.20 + 3√7.20 = 7.20 + 8.04 = 15.24

 = 7.20 − 3√7.20 = 7.20 − 8.04 = (&'()*+,) = 0

103
El gráfico del número de defectos, c, se presenta en la figura 5.5.1. Se verifica que el proceso
está bajo control, porque todos los puntos están dentro de los límites de control. Se observa
que en este caso no existe una unidad natural de fabricación. La elección de muestras de una
unidad de 30 metros, podría haber sido de muestras de 3 unidades de 10 metros cada una. El
gráfico del número de defectos no se modifica. En cuanto al gráfico de defectos por unidad,
sería alterado por cambio en la escala de ordenadas. Para una unidad de 10 metros el número
de defectos por unidad sería muy pequeño, lo cual, dificultaría el análisis y es recomendable
la ampliación de la unidad, por ejemplo, para 30 metros con la fusión de cada grupo de 3
unidades de 10 metros.

18
16
14
12
10
8
6
4
2
0
0 5 10 15 20

Figura 5.5.1. Gráfico de número de defectos c.

5.6. DISTRIBUCIONES BINOMIAL, HIPERGEOMÉTRICA Y DE POISSON

Tres distribuciones de probabilidades presentan interés en la inspección de atributos o del

control de atributos; ellas son la binomial, hipergeométrica y la de poisson cuyas principales
propiedades son las siguientes.

5.6.1. Distribución binomial

Esta distribución describe experimentos independientes, repetidos en condiciones estables;

apenas dos resultados son posibles en cada repetición, tal como, por ejemplo la ocurrencia de
una pieza defectuosa o de una pieza perfecta.

En una prueba con repetición, la probabilidad de que ocurra una pieza defectuosa es P y la de

que ocurra una perfecta es Q. En virtud de la independencia de las pruebas, la probabilidad de
que ocurra x piezas defectuosas en n pruebas efectuadas es 8(C) = D E  F G
F . La media de x
C
es nP y la desviación estándar es .G. La probabilidad de ocurrencia, a lo más de “a” piezas

defectuosas en n pruebas es: H(() = ∑IFJ D E  F G
F o sea es la suma de f(x) desde x igual a
C

cero hasta que x sea igual a a . El coeficiente D E =
!
C F!(
F)!
es el número de combinaciones
simples de n objetos tomados de x en x.

La distribución binomial es simétrica para P = 0.5, tiende a una distribución normal cuando n
crece, o permite ser considerada una normal como su aproximación para un valor de n
suficientemente grande (para P entre 0.3 y 0.7 y basta que n sea igual a 50). El cálculo de
valores de la binomial se torna laborioso para n mayor que 10 y los resultados se presentan,
en los manuales de Estadística, en tablas para los casos más comunes (Ver tabla 4, del
apéndice C).
104
Una binomial describe el muestreo con reposición; constituye también una aproximación para
el muestreo sin repetición, en grandes partidas, esto es, cuando f = n/N es máximo de 0.10.

En los casos usuales de control de calidad, en que la fracción defectuosa P es como máximo
igual al 10 % se puede emplear una distribución de poisson (de cálculo más fácil) como
aproximación a la binomial.

5.6.2. Distribución Hipergeométrica

Esta distribución describe un muestreo sin reposición, en partidas, cuya fracción inicial de
defectos sea P = D/N. Extraída una muestra de tamaño n, la probabilidad de que ella contenga
L M
L
D ED E
x piezas defectuosas será: 8(C) = F 
F
M
D E
. La media de x es nP y la desviación estándar es

aproximadamente .(1 − 8)G y donde f = n/N siendo Q = 1 – P

El cálculo de los valores de la hipergeométrica es muy laborioso y se empleará la distribución

cuando las muestras sean pequeñas (f mayor que 0.10) con ensayos destructivos
(dependientes).

5.6.3. Distribución de Poisson

Esta distribución, también conocida como “ley de los eventos raros”, describe la ocurrencia de
un pequeño número de veces sin periodicidad en un gran número de repeticiones. Ese es el
caso del muestreo (con o sin repetición) en que f = n/N es menor que 0.10 de partidas con
baja fracción de defectuosos, es decir, con una P menor que el 10 %.

NO P QR
La probabilidad de que ocurran x defectuosos en una muestra de tamaño n es 8(C) =
F!
donde m = nP, es la media (es también el cuadrado de la desviación estándar).

El cálculo de los valores o términos de esta distribución es más simple que en el caso de las
distribuciones anteriores. Su aplicación frecuentemente está interesada en conocer la
probabilidad de que una muestra pueda contener por lo menos x defectuosos (donde x es
igual al número de rechazos), sus valores acumulados están tabulados en forma conveniente,
tal como se muestra en la Tabla 5, del apéndice C.

La distribución de poisson se emplea como aproximación de la binomial cuando la fracción de

muestra es menor que el 0.10 y la fracción de defectuosos es baja, como usualmente ocurre,
esto es, menor que el 10%.

5.7. UN SISTEMA PARA LA CALIFICACIÓN DE LA CALIDAD

5.7.1. Introducción

En el caso de la gráfica por atributos, tanto las no conformidades como las unidades no
conformes tenían el mismo peso, independientemente de su importancia. Por ejemplo, al
evaluar sillas de escritorio, en una de ellas existen 5 no conformidades relacionadas con el
acabado de la superficie; otra de las sillas tiene una no conformidad que es una pata rota. La
silla utilizable con 5 defectos triviales influye 5 veces más en la gráfica de atributos que la silla
cuyo defecto es de consideración. En una situación como la anterior, obviamente se obtendría
una evaluación errónea de la calidad del producto. Para corregir esta deficiencia se necesita
de un sistema para calificar la calidad.

105
5.7.2. Clasificación

Según la norma MIL-STD-105D, las no conformidades se clasifican en tres grupos:

1. No conformidades graves. Son aquellas que el juicio y la experiencia indican que dará lugar
a condiciones peligrosas o riesgosas a las que estarán sujetos aquellas personas que usan
o dan mantenimiento al producto dependen de éste; y que impidan el adecuado desempeño
del producto.

2. No conformidades importantes. Son aquellas que aunque no son determinantes, sí es

probable que ocasionen fallas, o que reduzcan el valor del uso del producto.

3. No conformidades secundarias. Son aquellas que son poco probable que reduzcan el valor
del uso del producto, y tiene que ver con el aspecto del producto.

Una vez que se define el sistema de clasificación, se definen luego los pesos que se
asignarán a cada clase. Una ponderación adecuada es: 9 puntos para no conformidades
graves, 3 puntos para las importantes, y 1 punto para las secundarias.

5.7.3. Gráfica de control

Se definen las gráficas de control y se procede a la representación de puntos, para saber el

número de deméritos por unidad. El demérito por unidad se calcula de la siguiente manera:

S = TU 1U + TNI 1NI + TNV 1NV (7.1)

Donde:

D = Deméritos por unidad

w c , w ma y w mi = Pesos correspondientes a las tres clases: grave, importante, secundario.

u c , u ma y u mi = Número de no conformidades por unidad en cada clase.

Si se adopta la ponderación 9,3,1, la fórmula es:

S = 91U + 31NI + 1NV (7.2)

Los valores de D calculados con la fórmula 7.2 se grafican en la gráfica para cada subgrupo.

La línea central y los límites de control se obtienen de las fórmulas:

W3 = 
XY 3Z[ \]Y 3ZR^ \ Y 3ZR_
S = 91U + 31NI + 1NV


 = S

 = S + 3W3

 = S − 3W3 (7.3)

Donde u 0c , u 0ma , u 0mi , representan las no conformidades estándar por unidad, correspondientes
a las clasificaciones grave, importante y secundaria, respectivamente. Las no conformidades
por unidad correspondientes a las tres clasificaciones se obtienen dividiendo las no
conformidades en tres clasificaciones y manejándolas como una gráfica u independiente.

106
Ejemplo: Suponiendo que se utiliza un sistema de ponderación 9:3:1, calcule la línea central y
los límites de control cuando u 0c =0.08, u 0ma =0.5, u 0mi =3.0 y n=40. Calcule también los
deméritos por unidad del 25 de mayo, cuando las no conformidades graves son 2, las
importantes son 26 y las secundarias son 160, correspondientes a las 40 unidades
inspeccionadas ese día. ¿El subgrupo del 25 de mayo está bajo control?

Realizando cálculos:

S = 9(0.08) + 3(0.5) + (3.0) = 5.2

9 (0.08) + 3 (0.5) + 1 (3.0)

W3 =  = 0.59
40

 = 5.2

 = 7.0

 = 3.4

Los deméritos para el 25 de mayo son:

2 26 160
S = 9 ` a + 3` a + ` a = 6.4
40 40 40

El día 25 de mayo está dentro de control.

107
 5.8. PROBLEMAS

1. De la producción de tornillos, en una máquina automática, se ha tomado una muestra de

50 piezas. Cada ítem fue examinado por el criterio “pasa-no pasa” y el número de piezas
defectuosas encontradas en 25 muestras sucesivas fueron (de izquierda a derecha en
cada línea):

1 2 5 6 3 5 2 1 1 0 0 1 0 1 0 2 1 0 0 1 1 0 0 1 0

a) El proceso puede ser considerado bajo control?

b) Si el consumidor acepta partidas de piezas con un máximo de 2.5% de defectuosos, el

proceso actual permite atender a esa exigencia?

2. Los datos que siguen se refieren al número de transmisores defectuosos, en la producción

diaria de 2800 piezas:

Día 1 2 3 4 5 6 7 8
Defectuosos 110 117 112 105 130 120 119 113

Construya el gráfico apropiado para este tipo de información.

3. Suponga que un proceso está bajo control, con  = 0.04 y  = 100.

a) Calcule los límites 3-sigma para un gráfico de defectuosos.

b) ¿Cuál es la probabilidad de un punto que cae fuera del límite superior de control?

c) Si el proceso está bajo control ( = 0.04), cuántas observaciones, n, son necesarias de

modo que 2 este dentro del intervalo  ± 0.05 con probabilidad mayor del 0.95?

para recubrimiento de frío, tiene para
̅ un valor 6.2.

4. Un gráfico de control, para un número de fallas en 10.000 medidas sucesivas de goma

a) Suponga que el proceso está bajo control para ese valor y calcule los límites.

b) Cuál es la probabilidad de un punto caer encima de LSC?

5. Veinte de cinco piezas de tela, de 100 metros cada una, fueron inspeccionadas y el
número medio de defectos encontrados por unidad fueron 3.2. Determine los límites de
control 3-sigma. Calcule los límites de modo que la probabilidad de localizar un punto
encima de LSC sea igual a 0.002.

6. De la producción diaria de una fábrica de tornillos fueron retiradas 25 muestras de 25

ítems cada una. En la inspección fue adoptado el criterio perfecto-defectuoso (con relación
a varios defectos de una lista). Los resultados obtenidos están presentados en la Tabla
5.7.1. Construya un gráfico de control de la fracción de defectuosos.

108
 Tabla 5.7.1. Número de tornillos defectuosos en 25 muestras (de n = 25 ítems)

Muestra d p=d/n Muestra d p=d/n

1 2 0,08 14 0 0,00
2 3 0,12 15 1 0,04
3 2 0,08 16 0 0,00
4 5 0,20 17 0 0,00
5 7 0,28 18 0 0,00
6 2 0,08 19 1 0,04
7 0 0,00 20 0 0,00
8 1 0,04 21 1 0,04
9 0 0,00 22 1 0,04
10 1 0,04 23 0 0,00
11 0 0,00 24 0 0,00
12 0 0,00 25 1 0,04
13 2 0,08

7. Suponga que los siguientes datos (Tabla 5.7.2) de no conformidades se recopilaron

durante 10 días.

Tabla 5.7.2. Número de no conformidades en 10 muestras

Día Tamaño de No Día Tamaño de No

la muestra conformidades la muestra conformidades
1 111 12 6 88 14
2 93 14 7 117 15
3 105 10 8 87 13
4 92 18 9 119 14
5 117 22 10 107 16

a) ¿En qué día es mayor la proporción de no conformidades? ¿En qué día es menor?

b) Realice un diagrama de control.

c) ¿Existen causas especiales de variación?

8. Una embotelladora de refresco de cola sin azúcar mantiene registros diarios de la

ocurrencia de latas no conformes que salen de la máquina de llenado y sellado. Se
registran las no conformidades como cantidad incorrecta de líquido, latas mal enlatadas y
latas mal selladas. Los siguientes son los datos de la producción de 1 mes (con 5 días
hábiles a la semana) (Ver tabla 5.7.3).

a) Establezca una gráfica para la proporción de latas no aceptables durante ese mes. ¿Proporciona
el proceso alguna señal de estar fuera de control?

b) Si la administración desea desarrollar un proceso para reducir la proporción de latas no

aceptables, ¿cómo debe proceder?

109
 Tabla 5.7.3. Número de latas no conformes en 22 días

Día Latas Latas no Día Latas Latas no

llenadas conformes llenadas conformes
1 5043 47 12 5314 70
2 4852 51 13 5097 64
3 4908 43 14 4932 59
4 4756 37 15 5023 75
5 4901 78 16 5117 71
6 4892 66 17 5099 68
7 5354 51 18 5345 78
8 5321 66 19 5456 88
9 5045 61 20 5554 83
10 5113 72 21 5421 82
11 5247 63 22 5555 87

9. Calcule la línea central y los límites de control de una gráfica p, basándose en los datos de la tabla
5.7.4, tomados de las solicitudes de pago del seguro de gastos médicos dentales. Diga si el proceso
es estable. Si hubiera algunos puntos fuera de control, suponga que se deben a una causa atribuible
y calcule la línea central y los límites de control corregidos.

Tabla 5.7.4. Número de no conformidades de solicitudes de pago de seguro de gastos

médicos dentales

N° de N° de N° de no N° de N° de N° de no
subgrupo inspecciones conformidades subgrupo inspecciones conformidades
1 300 3 14 300 6
2 300 6 15 300 7
3 300 4 16 300 4
4 300 6 17 300 5
5 300 20 18 300 7
6 300 2 19 300 5
7 300 6 20 300 0
8 300 7 21 300 2
9 300 3 22 300 3
10 300 0 23 300 6
11 300 6 24 300 1
12 300 9 25 300 8
13 300 5

10. En base a la información del problema 7, calcule la línea central y los límites de control
corregidos de una gráfica np.

11. En base a la información del problema 8, calcule la línea central y los límites de control
corregidos de una gráfica np. ¿Qué gráfica tiene mayor significado para el personal
operativo?

12. En la tabla 5.7.5 se consignan los resultados obtenidos de la inspección de los envíos
del video del mes a los clientes, durante 25 días consecutivos. ¿Cuál es el valor de la
línea central y de los límites de control que se deberán definir y consignar si se supone
que todos los puntos fuera de control tienen causas atribuibles? La cantidad de
inspecciones diarias es constante y es de 1750.

110
 Tabla 5.7.5. Número de no conformidades de los envíos del video del mes

Fecha N° de no Fecha N° de no
conformidades conformidades
06/7 47 23/7 37
07/7 42 26/7 39
08/7 48 27/7 51
09/7 58 28/7 44
12/7 32 29/7 61
13/7 38 30/7 48
14/7 53 02/8 56
15/7 68 03/8 48
16/7 45 04/8 40
19/7 37 05/8 47
20/7 57 06/8 25
21/7 38 09/8 35
22/7 53

13. La cantidad de no conformidades que se encontraron en la superficie de 1000 metros

cuadrados de papel kraft de 20 kg. aparece en la tabla 5.7.6. Calcule la línea central y
los límites de control corregidos, suponiendo que los puntos que están fuera de control
tienen causas atribuibles.

Tabla 5.7.6. Número de no conformidades en la superficie de papel kraft de 20 kg.

N° de N° de no N° de N° de no
lote conformidades lote conformidades
20 10 36 2
21 8 37 12
22 6 38 0
23 6 39 6
24 2 40 14
25 10 41 10
26 8 42 8
27 10 43 6
28 0 44 2
29 2 45 14
30 8 46 16
31 2 47 10
32 20 48 2
33 10 49 6
34 6 50 3
35 30

14. Calcule los límites de control y los límites de control corregidos de una gráfica µ
empleando los datos de la tabla 5.7.7 correspondiente al acabado de la superficie de
rollos de papel blanco.

111
 Tabla 5.7.7. Número de no conformidades en la superficie de rollos de papel blanco

N° de Tamaño de Cantidad total de N° de Tamaño Cantidad total de no

lote muestra no conformidades lote de conformidades
muestra
1 10 45 15 10 48
2 10 51 16 11 35
3 10 36 17 10 39
4 9 48 18 10 29
5 10 42 19 10 37
6 10 5 20 10 33
7 10 33 21 10 15
8 8 27 22 10 33
9 8 31 23 11 27
10 8 22 24 10 23
11 12 25 25 10 25
12 12 35 26 10 41
13 12 32 27 9 37
14 10 43 28 10 28

15. En uno de los departamentos de una compañía de seguros, se hizo un muestreo diario
de formularios completados para comparar con la calidad de desempeño de dicho
departamento. Con el fin de establecer una norma tentativa para el departamento, se
recogió una muestra de 100 unidades diarias durante 15 días, con los siguientes
resultados:

Día Tamaño Formularios Día Tamaño Formularios

de con errores de con errores
muestra muestra
1 100 4 9 100 4
2 100 3 10 100 2
3 100 5 11 100 7
4 100 0 12 100 2
5 100 2 13 100 1
6 100 8 14 100 3
7 100 1 15 100 1
8 100 3

a) Establezca una gráfica para la proporción de formularios no aceptables. ¿Proporciona el

proceso alguna señal de estar fuera de control?

b) Si está fuera de control, elimine los puntos fuera de control, y establezca una norma.

16. Suponiendo que se utiliza un sistema de ponderación de deméritos de 10:5:1, calcule la

línea central y los límites de control cuando: u c =0.11, u ma =0.70, u mi =4.00 y n=50. Si los
resultados de no conformidades obtenidos durante la inspección de un subgrupo en un día
determinado es de 1 grave, 35 importantes y 110 secundarias, diga si los resultados
obtenidos están bajo control o fuera.

112