Capacidade binomial
A análise de capacidade binomial mede o desempenho de um processo quando cada item inspecionado resulta em exatamente um de dois resultados, geralmente classificados como conforme ou não conforme, aprovado ou reprovado, defeituoso ou não defeituoso. Ela avalia a proporção de itens defeituosos que o processo produz e determina se essa proporção é baixa o bastante para atingir uma meta ou especificação de qualidade definida.
Última revisão
Conclusão principal
A análise de capacidade binomial mede o desempenho de um processo quando cada item inspecionado tem exatamente um de dois resultados, como conforme ou não conforme, e se a taxa de defeitos atende a uma meta.
Nesta página
O que é capacidade binomial?
A análise de capacidade binomial mede o desempenho de um processo quando cada item inspecionado resulta em exatamente um de dois resultados, geralmente classificados como conforme ou não conforme, aprovado ou reprovado, defeituoso ou não defeituoso. Ela avalia a proporção de itens defeituosos que o processo produz e determina se essa proporção é baixa o bastante para atingir uma meta ou especificação de qualidade definida.
Esse tipo de análise de capacidade baseia-se na distribuição binomial, que modela matematicamente a probabilidade de um número fixo de sucessos (ou falhas) em uma série de tentativas independentes. As principais métricas informadas são a proporção de defeituosos, as partes por milhão (PPM) de defeituosos e o nível sigma equivalente , que dão uma medida clara e padronizada da distância entre o processo e o zero defeito.
Definição simples: uma análise de capacidade para dados do tipo aprovado/reprovado. Ela mede que proporção da sua produção é defeituosa e informa se essa taxa atende ao seu padrão de qualidade, expressa em PPM e em nível sigma.
Quando usar a capacidade binomial?
- Use quando cada item inspecionado é classificado em exatamente duas categorias — como aprovado/reprovado, bom/ruim, conforme/não conforme ou presente/ausente.
- Use quando você monitora a proporção ou o percentual de itens defeituosos produzidos por um processo ao longo do tempo.
- Use quando um número fixo de itens é inspecionado em cada subgrupo, ou quando o tamanho do subgrupo varia e é registrado separadamente.
- Use quando o resultado de cada item é independente dos demais itens — o resultado de uma inspeção não deve influenciar o da seguinte.
- Use quando você tem uma proporção máxima admissível de defeituosos definida para comparar o desempenho.
Diretrizes para o uso correto da capacidade binomial
- Confirme que cada item é realmente classificado de forma independente como defeituoso ou não defeituoso — itens do mesmo lote ou do mesmo operador que sejam correlacionados violam a premissa binomial e inflam ou reduzem as estimativas de capacidade.
- Garanta que o processo seja estável e esteja sob controle estatístico antes de interpretar a capacidade — use primeiro uma carta P ou uma carta P' de Laney para verificar a estabilidade.
- Colete dados de pelo menos 25 subgrupos para obter uma estimativa confiável e estável da proporção de defeituosos do processo.
- O tamanho do subgrupo deve ser grande o bastante para que cada subgrupo provavelmente contenha pelo menos alguns itens defeituosos — subgrupos extremamente pequenos com taxa de defeitos muito baixa produzem estimativas instáveis.
- As principais saídas incluem a proporção de defeituosos, o PPM de defeituosos e o nível sigma do processo — compare-as com a sua meta de qualidade ou com o requisito do cliente, e não com os parâmetros tradicionais de Cp/Cpk.
- Se for detectada superdispersão (mais variação do que o modelo binomial prevê), considere usar a carta P' de Laney para monitorar a estabilidade e reconheça que o modelo binomial pode não descrever perfeitamente o processo.
Alternativas: quando não usar a capacidade binomial
Situação
Use em vez disso
Um único item pode ter vários defeitos (e não apenas aprovado/reprovado)
Análise de capacidade de Poisson
Os dados são valores medidos contínuos
Análise de capacidade normal, não normal ou não paramétrica
A resposta tem mais de duas categorias
Análise logística nominal ou ordinal
Os tamanhos de subgrupo são muito pequenos, com taxa de defeitos próxima de zero
Colete subgrupos maiores antes de executar a análise de capacidade
É preciso separar as fontes de variação dentro e entre subgrupos
Capability Six Pack (entre/dentro)
Exemplo de capacidade binomial
O supervisor de um call center quer determinar se o processo de atendimento de chamadas está sob controle. Ele registra o número total de chamadas recebidas e o número de chamadas não atendidas durante 21 dias. Os passos a seguir:
- Reuniu os dados necessários.

- Agora, analise os dados no Zometric Statistical Software em https://statsai.zometric.com/.
- Para encontrar a Capacidade binomial, escolha Statistical module> Process Capability>Binomial Capability.
- Na ferramenta, insira os dados e as demais entradas da seguinte forma:

- Depois de usar a ferramenta acima, obtém-se a seguinte saída:


Como fazer a capacidade binomial
O guia é o seguinte:
- Faça login no Zometric Statistical Software em https://statsai.zometric.com/
- Na página inicial, escolha Statistical Tool> Process Capability >Binomial Capability .
- Em seguida, atualize os dados manualmente ou copie todos os dados (Ctrl+C) de uma planilha do Excel e cole-os (Ctrl+V) aqui.
- Preencha as opções necessárias.
- Por fim, clique em calculate na parte inferior da página para obter os resultados desejados.
No painel (dashboard) da capacidade binomial, a janela é dividida em duas partes.

Na parte esquerda fica o painel de dados (Data Pane). No Data Pane, cada linha forma um subgrupo. Os dados podem ser inseridos manualmente, ou você pode copiar todos os dados (Ctrl+C) de uma planilha do Excel e colá-los (Ctrl+V) aqui.
Load example: Os dados de exemplo serão carregados.
Load File: É usado para carregar diretamente os dados do Excel.
Na parte direita, há várias opções, descritas a seguir:
- Defectives Selecione a coluna que contém a contagem de itens defeituosos encontrados em cada subgrupo ou período de inspeção — por exemplo, o número de chamadas não atendidas, de peças rejeitadas ou de unidades reprovadas registrado por período. Cada valor nessa coluna representa o total de itens classificados como defeituosos entre o total inspecionado. Essa é a principal entrada que a análise usa para estimar a proporção de defeituosos que o processo está produzindo.
- Sample Size Selecione a coluna que contém o número total de itens inspecionados em cada subgrupo ou período — por exemplo, o total de chamadas recebidas, de peças produzidas ou de unidades examinadas por período. A proporção de defeituosos é calculada dividindo-se a contagem de defeituosos pelo tamanho amostral de cada subgrupo. Se o tamanho amostral for idêntico em todos os subgrupos, é possível inserir um valor constante diretamente, em vez de selecionar uma coluna.
- Historical p Opcional. A letra p representa a proporção de defeituosos conhecida ou historicamente estabelecida para o processo — por exemplo, 0.05, que significa que 5% dos itens costumam ser defeituosos. Se uma proporção de referência confiável foi determinada em um estudo anterior de longo prazo ou em um registro de processo validado, insira-a aqui. Quando informado, esse valor é usado diretamente para calcular as estatísticas de capacidade e os limites de controle, em vez de ser estimado apenas a partir dos dados atuais, o que produz resultados mais estáveis e consistentes, que refletem o desempenho real do processo no longo prazo. Deixe em branco para que a análise estime p a partir do conjunto de dados atual.
- Target A proporção de defeituosos desejada ou ideal que o processo deve atingir — por exemplo, inserir 0.02 define uma meta de no máximo 2% de itens defeituosos. Quando informado, esse valor é usado como referência de desempenho na saída e exibido como linha de referência no gráfico de capacidade, o que facilita ver a distância entre o desempenho atual do processo e a meta de qualidade desejada.
- Check Rule 1: 1 point > K Stdev from center line: O Teste 1 é essencial para identificar subgrupos que se desviam significativamente dos demais, o que o torna uma ferramenta universalmente reconhecida para detectar situações fora de controle. Para aumentar a sensibilidade e detectar deslocamentos menores no processo, o Teste 2 pode ser usado em conjunto com o Teste 1, aumentando a eficácia das cartas de controle.
- Check Rule 2: K points in a row on same side of center line: O Teste 2 detecta mudanças no centramento ou na variação do processo. Ao monitorar pequenos deslocamentos no processo, o Teste 2 pode ser usado em conjunto com o Teste 1 para aumentar a sensibilidade das cartas de controle.
- Check Rule 3: K points in a row, all increasing or all decreasing: O Teste 3 foi concebido para identificar tendências em um processo. Esse teste procura especificamente uma longa sequência de pontos consecutivos que aumentam ou diminuem de forma consistente, sinalizando uma possível tendência subjacente no comportamento do processo.
- Check Rule 4: K points in a row, alternating up and down: O Teste 4 foi concebido para identificar variações sistemáticas em um processo. Idealmente, o padrão de variação de um processo deve ser aleatório. No entanto, se um ponto falhar no Teste 4, isso pode indicar que a variação não é aleatória e segue um padrão previsível.
- Check Rule 5: K out of K + 1 points > 2 standard deviation from center line (same side): O Teste 5 detecta pequenos deslocamentos no processo.
- Check Rule 6: K out of K + 1 points > 1 standard deviation from center line (same side):O Teste 6 detecta pequenos deslocamentos no processo.
- Check Rule 7: K points in a row within 1 standard deviation of center line (either side):O Teste 7 identifica padrões de variação que podem ser interpretados incorretamente como evidência de bom controle. Esse teste detecta limites de controle excessivamente largos, que muitas vezes resultam de dados estratificados. Os dados estratificados ocorrem quando há uma fonte sistemática de variação dentro de cada subgrupo, fazendo com que os limites de controle pareçam mais largos do que deveriam.
- Check Rule 8: K points in a row > 1 standard deviation from center line (either side):O Teste 8 detecta um padrão de mistura. Em um padrão de mistura, os pontos tendem a se afastar da linha central e a se situar perto dos limites de controle.
Perguntas frequentes
O que é a análise de capacidade binomial?
A análise de capacidade binomial mede o desempenho de um processo quando cada item inspecionado tem exatamente dois resultados, como aprovado/reprovado ou defeituoso/não defeituoso. Com base na distribuição binomial, ela estima a proporção de defeituosos e a informa como proporção de defeituosos, partes por milhão (PPM) de defeituosos e nível sigma equivalente, para comparação com uma meta de qualidade.
Quando usar a capacidade binomial em vez da capacidade de Poisson?
Use a capacidade binomial quando cada item é classificado simplesmente como defeituoso ou não. Se um único item pode ter vários defeitos, use a análise de capacidade de Poisson. Para valores medidos contínuos, use a análise de capacidade normal, não normal ou não paramétrica e, para respostas com mais de duas categorias, use a análise logística nominal ou ordinal.
Quais são as premissas da análise de capacidade binomial?
O resultado de cada item deve ser independente dos demais; por isso, itens correlacionados do mesmo lote ou do mesmo operador violam a premissa. O processo deve ser estável e estar sob controle estatístico, o que se verifica primeiro com uma carta P ou uma carta P' de Laney. Colete pelo menos 25 subgrupos, grandes o bastante para que cada um provavelmente contenha alguns defeituosos.
Como executar a capacidade binomial no Zometric Statistical Software?
Escolha Statistical Tool > Process Capability > Binomial Capability e insira ou cole os dados. Selecione a coluna Defectives e a coluna Sample Size, ou insira um tamanho amostral constante; se quiser, informe um Historical p e uma proporção de defeituosos Target, escolha os testes da carta de controle a verificar e clique em Calculate.
