Capacidad binomial
El análisis de capacidad binomial mide el desempeño de un proceso cuando cada unidad inspeccionada da uno de exactamente dos resultados, normalmente clasificados como conforme o no conforme, aprobado o rechazado, defectuoso o no defectuoso. Evalúa la proporción de unidades defectuosas que produce el proceso y determina si esa proporción es lo bastante baja para cumplir un objetivo de calidad o una especificación definidos.
Última revisión:
Idea clave
El análisis de capacidad binomial mide el desempeño de un proceso cuando cada unidad inspeccionada tiene exactamente uno de dos resultados, como conforme o no conforme, y si la tasa de defectos cumple un objetivo.
En esta página
¿Qué es la capacidad binomial?
El análisis de capacidad binomial mide el desempeño de un proceso cuando cada unidad inspeccionada da uno de exactamente dos resultados, normalmente clasificados como conforme o no conforme, aprobado o rechazado, defectuoso o no defectuoso. Evalúa la proporción de unidades defectuosas que produce el proceso y determina si esa proporción es lo bastante baja para cumplir un objetivo de calidad o una especificación definidos.
Este tipo de análisis de capacidad se basa en la distribución binomial, que modela matemáticamente la probabilidad de un número fijo de éxitos (o fallos) en una serie de ensayos independientes. Las principales métricas de desempeño que se informan son la proporción de defectuosos, las partes por millón (PPM) defectuosas y el nivel sigma equivalente , que ofrecen una medida clara y estandarizada de qué tan lejos está el proceso de cero defectos.
Definición sencilla: un análisis de capacidad para datos de aprobado/rechazado: mide qué proporción de su producción es defectuosa e indica si esa tasa cumple su estándar de calidad, expresada en PPM y nivel sigma.
¿Cuándo usar la capacidad binomial?
- Úsela cuando cada unidad inspeccionada se clasifica en exactamente dos categorías , como aprobado/rechazado, bueno/malo, conforme/no conforme o presente/ausente.
- Úsela cuando monitorea la proporción o el porcentaje de unidades defectuosas que produce un proceso a lo largo del tiempo.
- Úsela cuando se inspecciona un número fijo de unidades en cada subgrupo, o cuando el tamaño del subgrupo varía y se registra por separado.
- Úsela cuando el resultado de cada unidad es independiente del de las demás : el resultado de una inspección no debe influir en la siguiente.
- Úsela cuando tiene una proporción máxima permitida de defectuosos definida con la que comparar el desempeño.
Pautas para el uso correcto de la capacidad binomial
- Confirme que cada unidad se clasifica de forma realmente independiente como defectuosa o no defectuosa: las unidades de un mismo lote u operador que estén correlacionadas incumplen el supuesto binomial e inflan o reducen las estimaciones de capacidad.
- Asegúrese de que el proceso sea estable y esté bajo control estadístico antes de interpretar la capacidad; use primero una gráfica P o una gráfica P' de Laney para verificar la estabilidad.
- Recopile datos de al menos 25 subgrupos para obtener una estimación fiable y estable de la proporción de defectuosos del proceso.
- El tamaño del subgrupo debe ser lo bastante grande para que cada subgrupo probablemente contenga al menos algunas unidades defectuosas: los subgrupos extremadamente pequeños con una tasa de defectos muy baja producen estimaciones inestables.
- Los resultados principales incluyen la proporción de defectuosos, los PPM defectuosos y el nivel sigma del proceso ; compárelos con su objetivo de calidad o con el requisito del cliente, en lugar de con los valores de referencia tradicionales de Cp/Cpk.
- Si se detecta sobredispersión (más variación de la que predice el modelo binomial), considere usar la gráfica P' de Laney para monitorear la estabilidad y reconozca que es posible que el modelo binomial no describa perfectamente el proceso.
Alternativas: cuándo no usar la capacidad binomial
Situación
Use en su lugar
Una sola unidad puede tener varios defectos (no solo aprobado/rechazado)
Análisis de capacidad de Poisson
Los datos son valores medidos continuos
Análisis de capacidad normal, no normal o no paramétrico
La respuesta tiene más de dos categorías
Análisis logístico nominal u ordinal
Los tamaños de subgrupo son muy pequeños con una tasa de defectos casi nula
Recopile subgrupos más grandes antes de ejecutar el análisis de capacidad
Es necesario separar las fuentes de variación dentro de los subgrupos y entre ellos
Capability Six Pack (entre/dentro de subgrupos)
Ejemplo de capacidad binomial
El supervisor de un centro de llamadas quiere determinar si el proceso de atención de llamadas está bajo control. El supervisor registra el número total de llamadas entrantes y el número de llamadas sin responder durante 21 días. Los pasos son los siguientes:
- Se reunieron los datos necesarios.

- Ahora analice los datos en Zometric Statistical Software en https://statsai.zometric.com/.
- Para encontrar Binomial Capability, elija Statistical module> Process Capability>Binomial Capability.
- Dentro de la herramienta, introduzca los datos junto con las demás entradas de la siguiente manera:

- Después de usar la herramienta mencionada, se obtiene la siguiente salida:


Cómo realizar un análisis de capacidad binomial
La guía es la siguiente:
- Inicie sesión en Zometric Statistical Software en https://statsai.zometric.com/
- En la página de inicio, elija Statistical Tool> Process Capability >Binomial Capability .
- A continuación, introduzca los datos manualmente o copie todos los datos (Ctrl+C) de una hoja de Excel y péguelos (Ctrl+V).
- Complete las opciones requeridas.
- Por último, haga clic en calculate en la parte inferior de la página para obtener los resultados deseados.
En el tablero de Binomial Capability, la ventana está dividida en dos partes.

En la parte izquierda se encuentra el panel de datos (Data Pane). En el Data Pane, cada fila forma un subgrupo. Los datos pueden introducirse manualmente o copiarse por completo (Ctrl+C) de una hoja de Excel y pegarse (Ctrl+V) aquí.
Load example: Se cargarán los datos de ejemplo.
Load File: Se usa para cargar directamente los datos de Excel.
En la parte derecha hay varias opciones, como las siguientes:
- Defectives Seleccione la columna que contiene el recuento de unidades defectuosas encontradas en cada subgrupo o período de inspección, por ejemplo, el número de llamadas sin responder, piezas rechazadas o unidades fallidas registradas por período. Cada valor de esta columna representa el total de unidades clasificadas como defectuosas del total inspeccionado. Esta es la entrada principal que el análisis utiliza para estimar la proporción de defectuosos que produce el proceso.
- Sample Size Seleccione la columna que contiene el número total de unidades inspeccionadas en cada subgrupo o período, por ejemplo, el total de llamadas recibidas, piezas producidas o unidades examinadas por período. La proporción de defectuosos se calcula dividiendo el recuento de defectuosos entre el tamaño de muestra de cada subgrupo. Si el tamaño de muestra es idéntico para todos los subgrupos, puede introducirse un valor constante directamente en lugar de seleccionar una columna.
- Historical p Opcional. La letra p representa la proporción de defectuosos conocida o establecida históricamente para el proceso, por ejemplo, 0.05 significa que normalmente el 5% de las unidades es defectuoso. Si se ha determinado una proporción de referencia fiable a partir de un estudio previo a largo plazo o de un registro validado del proceso, introdúzcala aquí. Cuando se proporciona, el análisis usa este valor directamente para calcular los estadísticos de capacidad y los límites de control, en lugar de estimarlo solo a partir de los datos actuales, lo que produce resultados más estables y consistentes que reflejan el verdadero desempeño del proceso a largo plazo. Déjelo en blanco para que el análisis estime p a partir del conjunto de datos actual.
- Target La proporción de defectuosos deseada o ideal que el proceso debe alcanzar; por ejemplo, introducir 0.02 establece un objetivo de como máximo un 2% de unidades defectuosas. Cuando se proporciona, este valor se usa como referencia de desempeño en la salida y se muestra como línea de referencia en la gráfica de capacidad, lo que permite ver fácilmente a qué distancia está el desempeño actual del proceso del objetivo de calidad deseado.
- Check Rule 1: 1 point > K Stdev from center line: La prueba 1 es esencial para identificar subgrupos que se desvían significativamente de los demás, por lo que es una herramienta de reconocimiento universal para detectar situaciones fuera de control. Para aumentar la sensibilidad y detectar desplazamientos más pequeños del proceso, la prueba 2 puede usarse junto con la prueba 1, lo que mejora la eficacia de las gráficas de control.
- Check Rule 2: K points in a row on same side of center line: La prueba 2 detecta cambios en el centrado o en la variación del proceso. Al monitorear desplazamientos pequeños del proceso, la prueba 2 puede usarse junto con la prueba 1 para aumentar la sensibilidad de las gráficas de control.
- Check Rule 3: K points in a row, all increasing or all decreasing: La prueba 3 está diseñada para identificar tendencias dentro de un proceso. Busca específicamente una secuencia prolongada de puntos de datos consecutivos que aumentan o disminuyen de forma constante, lo que señala una posible tendencia subyacente en el comportamiento del proceso.
- Check Rule 4: K points in a row, alternating up and down: La prueba 4 está diseñada para identificar variaciones sistemáticas dentro de un proceso. Idealmente, el patrón de variación de un proceso debería ser aleatorio. Sin embargo, si un punto no supera la prueba 4, puede indicar que la variación no es aleatoria, sino que sigue un patrón predecible.
- Check Rule 5: K out of K + 1 points > 2 standard deviation from center line (same side): La prueba 5 detecta desplazamientos pequeños del proceso.
- Check Rule 6: K out of K + 1 points > 1 standard deviation from center line (same side):La prueba 6 detecta desplazamientos pequeños del proceso.
- Check Rule 7: K points in a row within 1 standard deviation of center line (either side):La prueba 7 identifica patrones de variación que pueden interpretarse erróneamente como evidencia de buen control. Esta prueba detecta límites de control excesivamente amplios, que a menudo son resultado de datos estratificados. Los datos estratificados se producen cuando hay una fuente sistemática de variación dentro de cada subgrupo, lo que hace que los límites de control parezcan más amplios de lo que deberían ser.
- Check Rule 8: K points in a row > 1 standard deviation from center line (either side):La prueba 8 detecta un patrón de mezcla. En un patrón de mezcla, los puntos tienden a alejarse de la línea central y a caer cerca de los límites de control.
Preguntas frecuentes
¿Qué es el análisis de capacidad binomial?
El análisis de capacidad binomial mide el desempeño de un proceso cuando cada unidad inspeccionada tiene exactamente dos resultados, como aprobado/rechazado o defectuoso/no defectuoso. Basado en la distribución binomial, estima la proporción de defectuosos y la informa como proporción de defectuosos, partes por millón (PPM) defectuosas y un nivel sigma equivalente, para compararla con un objetivo de calidad.
¿Cuándo debe usar la capacidad binomial en lugar de la capacidad de Poisson?
Use la capacidad binomial cuando cada unidad se clasifica simplemente como defectuosa o no. Si una sola unidad puede tener varios defectos, use en su lugar el análisis de capacidad de Poisson. Para valores medidos continuos, use el análisis de capacidad normal, no normal o no paramétrico, y para respuestas con más de dos categorías, use el análisis logístico nominal u ordinal.
¿Cuáles son los supuestos del análisis de capacidad binomial?
El resultado de cada unidad debe ser independiente del de las demás, por lo que las unidades correlacionadas de un mismo lote u operador incumplen el supuesto. El proceso debe ser estable y estar bajo control estadístico, lo cual se verifica primero con una gráfica P o una gráfica P' de Laney. Recopile al menos 25 subgrupos, lo bastante grandes para que cada uno probablemente contenga algunas unidades defectuosas.
¿Cómo se ejecuta la capacidad binomial en Zometric Statistical Software?
Elija Statistical Tool > Process Capability > Binomial Capability e introduzca o pegue los datos. Seleccione la columna Defectives y la columna Sample Size, o introduzca un tamaño de muestra constante; opcionalmente introduzca un Historical p y una proporción de defectuosos Target, elija las pruebas de la gráfica de control que desea verificar y haga clic en Calculate.
