Distribución Binomial

Un fabricante de conservas de manzana manifiesta que para un tamaño de muestra de 30

Frascos la probabilidad de producto no conforme (PNC) es de 6%; por ello encomendo a un
equipo elaborar una propuesta para reducir al 2% la probabilidad. Se solicita simular ambos
procesos para 30 días de producción. Considerar como objetivo un máximo de 6% de
productos defectuosos.

Objetivo Max: 6% defectos

n = Tamaño de muestra
P = Probabilidad
n = 30 n = 30
p = 0.06 p = 0.02
Días Antes Despues
1 2 0
2 1 0
3 1 0
4 4 1
5 4 1
6 0 0
7 2 1
8 2 0
9 2 2
10 5 0
11 3 2
12 2 0
13 2 0
14 3 0
15 1 1
16 3 0
17 2 0
18 2 0
19 1 0
20 1 1
21 3 2
22 2 2
23 2 1
24 0 0
25 1 1
26 2 1
27 2 0
28 3 0
29 3 0
30 6 1
 de 30
do a un
r ambos
e
 Distribución de Poisson

Un fabricante de zapatos deportivos manifiesta que actualmente, las oportunidades de

defectos es 1 por docena de zapatos deportivos. Por ello encomendó a un equipo técnico
realizar un proceso de mejora para reducir las oportunidades de defectos a 0.3 por docena de
zapatos deportivos. Se solicita simular ambos procesos para 30 días de producción.
Considerar como objetivo un máximo de 1 defecto por unidad.

Objetivo Max: 1 defectos por docena

l = Defectos/doc zapatos

l= l=
1 0.3
Días Antes Despues
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
26
27
28
29
30
de
cnico
ocena de
 Distribución Binomial
Un fabricante de conservas de manzana manifiesta que para un tamaño de muestra de 20
Frascos la probabilidad de producto no conforme (PNC) es de 25%; por ello encomendo a
un equipo elaborar una propuesta para reducir al 5% la probabilidad. Se solicita simular
ambos procesos para 10 días de producción y toma de muestras cada 3 horas (dia de 24
horas). Considerar como objetivo un máximo de 25% de productos defectuosos.

Objetivo Max 25% defectos

n = Tamaño de muestra
P = Probabilidad
n = 20 n = 20
p = 0.25 p = 0.10
Fecha Hora Antes Despues
1
2
3
estra de 20
omendo a
simular
dia de 24
.
 Distribución de Poisson
Un fabricante de zapatos deportivos manifiesta que actualmente, las oportunidades de
defectos es 6 por docena de zapatos deportivos. Por ello encomendó a un equipo técnico
realizar un proceso de mejora para reducir las oportunidades de defectos a 2 por docena
de zapatos deportivos. Se solicita simular ambos procesos para 10 días de producción y
toma de muestras cada 3 horas. Considerar como objetivo un máximo de 6 defectos por
unidad.

Objetivo Max 6 defectos por docena

l = Defectos/doc zapatos

l= l=
6 2
Fecha Hora Antes Despues
1 01/04/2020 0
2 01/04/2020 3
3 01/04/2020 6
01/04/2020 9
01/04/2020 12
01/04/2020 15
01/04/2020 18
01/04/2020 21
02/04/2020 0
02/04/2020 3
02/04/2020 6
02/04/2020 9
02/04/2020 12
02/04/2020 15
02/04/2020 18
02/04/2020 21
03/04/2020 0
03/04/2020 3
03/04/2020 6
03/04/2020 9
03/04/2020 12
03/04/2020 15
03/04/2020 18
03/04/2020 21
04/04/2020 0
04/04/2020 3
04/04/2020 6
04/04/2020 9
04/04/2020 12
04/04/2020 15
04/04/2020 18
04/04/2020 21
05/04/2020 0
05/04/2020 3
05/04/2020 6
05/04/2020 9
05/04/2020 12
05/04/2020 15
05/04/2020 18
05/04/2020 21
06/04/2020 0
06/04/2020 3
06/04/2020 6
06/04/2020 9
06/04/2020 12
06/04/2020 15
06/04/2020 18
06/04/2020 21
07/04/2020 0
07/04/2020 3
07/04/2020 6
07/04/2020 9
07/04/2020 12
07/04/2020 15
07/04/2020 18
07/04/2020 21
08/04/2020 0
08/04/2020 3
08/04/2020 6
08/04/2020 9
08/04/2020 12
08/04/2020 15
08/04/2020 18
08/04/2020 21
09/04/2020 0
09/04/2020 3
09/04/2020 6
09/04/2020 9
09/04/2020 12
09/04/2020 15
09/04/2020 18
09/04/2020 21
10/04/2020 0
10/04/2020 3
10/04/2020 6
10/04/2020 9
10/04/2020 12
10/04/2020 15
10/04/2020 18
10/04/2020 21
ades de
o técnico
r docena
cción y
ctos por
 Distribución Binomial
Un fabricante de conservas de manzana manifiesta que para un tamaño de muestra de 20
Frascos la probabilidad de producto no conforme (PNC) es de 25%; por ello encomendo a
un equipo elaborar una propuesta para reducir al 5% la probabilidad. Se solicita simular
ambos procesos para 30 días de producción. Considerar como objetivo un máximo de 2%
de productos defectuosos.

Objetivo Max: 10% defectos

n = Tamaño de muestra
P = Probabilidad
n = 20 n = 20
p = 0.25 p = 0.10
Días Antes Despues
1 9 1
2 7 3 Paso 1 Generar 30 datos en Minitab con Distribución Bino
3 6 1 Escribir debajo de C1:Antes, debajo C2: Despues; M
4 5 2 Menú Calc; Datos aleatorios, opción Binomial
5 7 2 En la ventana Distribución Binomial, ingresar en N
6 4 1 Luego marcar C1: Antes, pulsar seleccionar; en cel
7 5 2 Menú Calc; Datos aleatorios, opción Binomial
8 3 2 En la ventana Distribución Binomial, ingresar en N
9 7 4 Luego marcar C2: Despues, pulsar seleccionar; en
10 3 2
11 7 3
12 6 1
13 5 2
14 3 1
15 4 1
16 6 3
17 5 2
18 4 1
19 6 3
20 7 0
21 9 1
22 4 1
23 3 0
24 5 2
25 6 2
26 2 3
27 8 3
28 6 2 Paso 2 Menú Gráficas; opción Gráficas de barras
29 3 4 En ventana Gráfica de barras, Las barras represen
30 3 5 En ventana Gráfica de barras: Conteos de valores
En ventana Gráfica de barras, Las barras represen
En ventana Gráfica de barras: Conteos de valores
Paso 3 Análisis de capacidad Binomial en Minitab
En Minitab, menú Estadística, opción Herramienta
En ventana Analisis de capacidad (distribución Bin
En celda Tamaño de muestra; seleccionar Tamaño
En Minitab, menú Estadística, opción Herramienta
En ventana Analisis de capacidad (distribución Bin
En celda Tamaño de muestra; seleccionar Tamaño
Paso 4 Análisis de capacidad Binomial en Minitab
En Menú Asistente; Análisis de capacidad Antes/D
En ventana Comparación de la capacidad antes/de
En Datos del proceso de línea base; en celda de Co
En ¿Cómo se definen sus subgrupos?; Seleccionar
En Datos del proceso mejorado; en celda de Colum
En ¿Cómo se definen sus subgrupos?; Seleccionar
En Configuración de la prueba: ¿Cuál es el máximo
 stra de 20
omendo a
simular
mo de 2%

tab con Distribución Binomial

es, debajo C2: Despues; Menú Calc;
s, opción Binomial
n Binomial, ingresar en Numero de filas de datos que se generarán: 30, luego hace ckick en Almacenar en columna(s):
pulsar seleccionar; en celda Número de ensayos ingresar 20; en celda Probabilidad del evento ingresar 0.25, pulsar Aceptar
s, opción Binomial
n Binomial, ingresar en Numero de filas de datos que se generarán: 30, luego hace ckick en Almacenar en columna(s):
s, pulsar seleccionar; en celda Número de ensayos ingresar 20; en celda Probabilidad del evento ingresar 0.10, pulsar Acepta
 áficas de barras
rras, Las barras representan: seleccionar Conteos de valores únicos; opción Simple, pulsar Aceptar
rras: Conteos de valores únicos, Simple; marcar Variables categóricas y en C1: Antes; pulsar Seleccionar, luego Aceptar
rras, Las barras representan: seleccionar Conteos de valores únicos; opción Simple, pulsar Aceptar
rras: Conteos de valores únicos, Simple; marcar Variables categóricas y en C2: Despues; pulsar Seleccionar, luego Aceptar
omial en Minitab
tica, opción Herramientas de calidad, luego opción Análisis de capacidad y finalmente opción Binomial
pacidad (distribución Binomial), colocar cursor en celda Defectuosos: luego marcar C1: Antes; pulsar seleccionar
stra; seleccionar Tamaño de constante: ingresar 20; en celda Objetivo ingresar 0.1; pulsar Aceptar.
tica, opción Herramientas de calidad, luego opción Análisis de capacidad y finalmente opción Binomial
pacidad (distribución Binomial), colocar cursor en celda Defectuosos: luego marcar C2: Despues; pulsar seleccionar
stra; seleccionar Tamaño de constante: ingresar 20; en celda Objetivo ingresar 0.1; pulsar Aceptar.
omial en Minitab
sis de capacidad Antes/Despues; seleccionar Comparación Binomial
de la capacidad antes/despues para % de defectuosos (Binomial)
ínea base; en celda de Columna de número de elementos defectuosos: marcar y en C1: Antes pulsar Seleccionar
subgrupos?; Seleccionar Tamaño constante para todos los subgrupos: ingresar 20
orado; en celda de Columna de número de elementos defectuosos: marcar y en C2: Despues pulsar Seleccionar
subgrupos?; Seleccionar Tamaño constante para todos los subgrupos: ingresar 20
ueba: ¿Cuál es el máximo % de defectuosos que está dispuesto a aceptar?; en celda Máximo ingresar 10 y luego Aceptar
acenar en columna(s):
gresar 0.25, pulsar Aceptar

acenar en columna(s):
ingresar 0.10, pulsar Aceptar
ccionar, luego Aceptar

eleccionar, luego Aceptar

ulsar seleccionar

; pulsar seleccionar
ulsar Seleccionar

lsar Seleccionar

resar 10 y luego Aceptar

 Distribución de Poisson

Un fabricante de zapatos deportivos manifiesta que actualmente, las oportunidades de

defectos es 6 por docena de zapatos deportivos. Por ello encomendó a un equipo técnico
realizar un proceso de mejora para reducir las oportunidades de defectos a 2 por docena de
zapatos deportivos. Se solicita simular ambos procesos para 30 días de producción.
Considerar como objetivo un máximo de 2 defectos por unidad.

Objetivo Max: 2 defectos por docena

l = Defectos/doc zapatos

l= l=
6 2
Días Antes Despues
1 7 3
2 6 1
3 9 1
4 3 4
5 2 3
6 7 1
7 8 1
8 6 1 Paso 1 Generar 30 datos en Minitab con Distr
9 5 2 Escribir debajo de C1:Antes, debajo C2
10 3 3 Menú Calc; Datos aleatorios, opción Poiss
11 8 1 En la ventana Distribución Poisson, ing
12 6 0 Luego marcar C1: Antes, pulsar selecci
13 3 2 Menú Calc; Datos aleatorios, opción Poiss
14 3 2 En la ventana Distribución Poisson, ing
15 8 1 Luego marcar C2: Despues, pulsar sele
16 3 1
17 5 4
18 2 4
19 2 1
20 3 1
21 1 3
22 8 3
23 3 1
24 4 1
25 8 6
26 13 3
27 8 1
28 8 4
29 7 0
30 7 1

Paso 2 Menú Gráficas; opción Gráficas de barras

En ventana Gráfica de barras, Las barras represent
En ventana Gráfica de barras: Conteos de valores ú
En ventana Gráfica de barras, Las barras represent
En ventana Gráfica de barras: Conteos de valores ú
Paso 3 Análisis de capacidad Binomial en Minitab
En Minitab, menú Estadística, opción Herramienta
En ventana Analisis de capacidad (distribución Poi
En celda Tamaño de muestra; seleccionar Tamaño
En Minitab, menú Estadística, opción Herramienta
En ventana Analisis de capacidad (distribución Poi
En celda Tamaño de muestra; seleccionar Tamaño
Paso 4 Análisis de capacidad Poisson en Minitab
En Menú Asistente; Análisis de capacidad Antes/D
En ventana Comparación de la capacidad antes/de
En Datos del proceso de línea base; en celda de Co
En ¿Cómo se definen sus subgrupos?; Seleccionar
En Datos del proceso mejorado; en celda de Colum
En ¿Cómo se definen sus subgrupos?; Seleccionar
En Configuración de la prueba: ¿Cuál es el máximo
de
cnico
cena de

atos en Minitab con Distribución Poisson

o de C1:Antes, debajo C2: Despues; Menú Calc;
tos aleatorios, opción Poisson
Distribución Poisson, ingresar en Numero de filas de datos que se generarán: 30, luego hace ckick en Almacenar en columna
r C1: Antes, pulsar seleccionar; en celda Media: ingresar 6; pulsar Aceptar
tos aleatorios, opción Poisson
Distribución Poisson, ingresar en Numero de filas de datos que se generarán: 30, luego hace ckick en Almacenar en columna
r C2: Despues, pulsar seleccionar; en celda Media: ingresar 2; pulsar Aceptar
 áficas de barras
rras, Las barras representan: seleccionar Conteos de valores únicos; opción Simple, pulsar Aceptar
rras: Conteos de valores únicos, Simple; marcar Variables categóricas y en C1: Antes; pulsar Seleccionar, luego Aceptar
rras, Las barras representan: seleccionar Conteos de valores únicos; opción Simple, pulsar Aceptar
rras: Conteos de valores únicos, Simple; marcar Variables categóricas y en C2: Despues; pulsar Seleccionar, luego Aceptar
omial en Minitab
tica, opción Herramientas de calidad, luego opción Análisis de capacidad y finalmente opción Poisson
pacidad (distribución Poisson), colocar cursor en celda Defectuosos: luego marcar C1: Antes; pulsar seleccionar
stra; seleccionar Tamaño de constante: ingresar 1; en celda Objetivo ingresar 2; pulsar Aceptar.
tica, opción Herramientas de calidad, luego opción Análisis de capacidad y finalmente opción Binomial
pacidad (distribución Poisson), colocar cursor en celda Defectuosos: luego marcar C2: Despues; pulsar seleccionar
stra; seleccionar Tamaño de constante: ingresar 1; en celda Objetivo ingresar 2; pulsar Aceptar.
sson en Minitab
sis de capacidad Antes/Despues; seleccionar Comparación Poisson
de la capacidad antes/despues para % de defectuosos (Poisson)
ínea base; en celda de Columna de número de elementos defectuosos: marcar y en C1: Antes pulsar Seleccionar
subgrupos?; Seleccionar Tamaño constante para todos los subgrupos: ingresar 1
orado; en celda de Columna de número de elementos defectuosos: marcar y en C2: Despues pulsar Seleccionar
subgrupos?; Seleccionar Tamaño constante para todos los subgrupos: ingresar 1
ueba: ¿Cuál es el máximo de defectos por unidad que está dispuesto a aceptar?; en celda Máximo ingresar 2 y luego Aceptar
ck en Almacenar en columna(s):

ck en Almacenar en columna(s):
ccionar, luego Aceptar

eleccionar, luego Aceptar

sar seleccionar

pulsar seleccionar
ulsar Seleccionar

lsar Seleccionar

mo ingresar 2 y luego Aceptar

DISTRIBUCIÓN BINOMIAL
Problema 3 n= 3
p= 0.15
q= 0.85

X n-X 𝑓(0)=(■8(3@0)) 〖 0.15 〗 ^0 〖 0.85 〗 ^3

 𝑓(0)=(■8(3@0)) 〖 0.15 〗 ^0 〖 0.85 〗 ^3
a.- 0 3 P(X = 0) = 0.614125 61.4%
b.- 1 2 P(X = 1) = 0.325125 𝑓(1)=(■8(3@1)) 〖 0.15 〗 ^1 〖 0.85 〗 ^2
32.5%
c.- 2 1 P(X = 2) = 0.057375 5.7%
𝑓(0)=(■8(3@2)) 〖 0.15 〗 ^2 〖 0.85 〗 ^1
d.- Media = 0.45
Varianza = 0.3825

a n= 20
p= 0.1
q= 0.9

X n-X Binomial Acumulado

0 20 P(X = 0) = 0.12157665 12.16% 0.12157665
1 19 P(X = 1) = 0.27017034 27.02% 0.391747
2 18 P(X = 2) = 0.28517981 28.52% 0.67692681
3 17 P(X = 3) = 0.19011987 19.01% 0.86704668
4 16 P(X = 4) = 0.08977883 8.98% 0.9568255
5 15 P(X = 5) = 0.03192136 3.19% 0.98874687
6 14 P(X = 6) = 0.00886704 0.89% 0.99761391
Total 0.99761391 99.76%

1 2
X n-X
6 14 P(X <= 6) = 0.99761391 99.76%

1.2
b n= 20
p= 0.1 1
q= 0.9
0.8

0.6

0.4
 1

0.8
P(3<= X <= 6) = P(X <= 6) - P(X <= 3)
0.6
X n-X
0.4
0 20 P(X = 0) = 0.12157665 12.16%
1 19 P(X = 1) = 0.27017034 27.02%
0.2
2 18 P(X = 2) = 0.28517981 28.52%
Total 0.67692681 67.69% 0
0 1

X n-X
6 14 P(3<= X <= 6) = 0.32068711 32.07%

c P(X >= 6) = 1 - P(X <= 6)

P(X >= 6) = 0.00238608941 0.24%

d n= 20
p= 0.1
q= 0.9

X n-X
6 14 P(X = 0) = 0.00886704 0.89%

n= 20
p= 0.1
q= 0.9

X n-X Binomial Acumulado

0 20 P(X = 0) = 0.12157665 12.16% 0.12157665
1 19 P(X = 1) = 0.27017034 27.02% 0.391747
2 18 P(X = 2) = 0.28517981 28.52% 0.67692681
3 17 P(X = 3) = 0.19011987 19.01% 0.86704668
4 16 P(X = 4) = 0.08977883 8.98% 0.9568255
5 15 P(X = 5) = 0.03192136 3.19% 0.98874687
6 14 P(X = 6) = 0.00886704 0.89% 0.99761391
7 13 P(X = 7) = 0.00197045 0.20% 0.99958436
8 12 P(X = 8) = 0.00035578 0.04% 0.99994014
9 11 P(X = 9) = 5.27076E-05 0.01% 0.99999285
10 10 P(X = 10) = 6.44204E-06 0.00% 0.99999929
11 9 P(X = 11) = 6.50711E-07 0.00% 0.99999994
12 8 P(X = 12) = 5.4226E-08 0.00% 1
13 7 P(X = 13) = 3.70776E-09 0.00% 1
14 6 P(X = 14) = 2.05987E-10 0.00% 1
15 5 P(X = 15) = 9.15496E-12 0.00% 1
16 4 P(X = 16) = 3.1788E-13 0.00% 1
17 3 P(X = 17) = 8.3106E-15 0.00% 1
18 2 P(X = 18) = 1.539E-16 0.00% 1
19 1 P(X = 19) = 1.8E-18 0.00% 1
20 0 P(X = 20) = 1E-20 0.00% 1

Revisión general de Análisis binomial de capacidad

Utilice Análisis binomial de capacidad para determinar si el porcentaje de elementos defectuosos
satisface los requisitos del cliente. Utilícese cuando cada elemento se clasifique en una de dos cate
como por ejemplo pasa o no pasa. Utilizando este análisis, usted puede hacer lo siguiente:
Determine si el proceso está bajo control.
Estime el porcentaje de elementos defectuosos de cada muestra y en todas las muestras (%defectu
Evalúe si el porcentaje de defectuosos es estable.
Por ejemplo, el gerente de un centro de llamadas de clientes desea analizar qué tan capaces son lo
representantes al responder llamadas telefónicas antes de que las llamadas sean redirigidas al corr
voz. El gerente utiliza un análisis de capacidad binomial para determinar si la tasa de llamadas que
responden y luego se redirigen es estable y está por debajo del 20%.

Interpretar los resultados clave para Análisis binomial de capacida

Paso 1: Determinar si el proceso es estable
Antes de evaluar la capacidad del proceso, determine si es estable. Si el proceso no es estable, las
estimaciones de la capacidad del proceso podrían no ser fiables.
Utilice la gráfica P para monitorear visualmente el %defectuoso y determinar si el %defectuoso es
y está bajo control.
Los puntos rojos indican subgrupos que no pasan al menos una de las pruebas para detectar causa
especiales y no están bajo control. Los puntos fuera de control indican que el proceso pudiera no s
estable y que los resultados de un análisis de capacidad podrían no ser fiables. Usted debe identifi
causa de los puntos fuera de control y eliminar cualquier variación por causas especiales antes de
analice la capacidad del proceso.

En esta gráfica P, la mayoría de los puntos varía aleatoriamente y se encuentra dentro de los límite
control. No se observan tendencias ni patrones. Sin embargo, la proporción de unidades defectuos
el día 19 está fuera de control. Antes de evaluar la capacidad del proceso, investigue y elimine cua
causa especial que haya podido contribuir a la tasa extrañamente alta de defectuosos ese día.
Los puntos rojos indican subgrupos que no pasan al menos una de las pruebas para detectar causa
especiales y no están bajo control. Los puntos fuera de control indican que el proceso pudiera no s
estable y que los resultados de un análisis de capacidad podrían no ser fiables. Usted debe identifi
causa de los puntos fuera de control y eliminar cualquier variación por causas especiales antes de
analice la capacidad del proceso.
En esta gráfica P, la mayoría de los puntos varía aleatoriamente y se encuentra dentro de los límite
control. No se observan tendencias ni patrones. Sin embargo, la proporción de unidades defectuos
el día 19 está fuera de control. Antes de evaluar la capacidad del proceso, investigue y elimine cua
causa especial que haya podido contribuir a la tasa extrañamente alta de defectuosos ese día.

Paso 2: Determinar si los datos siguen una distribución binomial

Antes de evaluar la capacidad del proceso, determine si este sigue una distribución binomial. Si los
no siguen una distribución binomial, las estimaciones de la capacidad del proceso podrían no ser fi
La gráfica que Minitab muestra para evaluar la distribución de los datos depende de si los tamaños
subgrupos son iguales o diferentes.

Los tamaños de los subgrupos son iguales

Si todos los tamaños de los subgrupos son iguales, Minitab muestra una gráfica binomial.
Examine la gráfica para determinar si los puntos graficados siguen aproximadamente una línea rec
es así, entonces es posible que sea falso el supuesto de que los datos de la muestra provienen de u
distribución binomial.

Binomial
En esta gráfica, los puntos de los datos se encuentran cerca de la línea a lo largo de esta. Usted pu
presuponer que los datos siguen una distribución binomial.

No binomial
En esta gráfica, los puntos de los datos no se encuentran a lo largo de la línea cerca de la parte sup
derecha. Estos datos no siguen una distribución binomial y no se pueden evaluar de manera fiable
utilizando el análisis de capacidad binomial.

Los tamaños de los subgrupos no son iguales

Si el tamaño de los subgrupos varía, Minitab muestra una gráfica de tasa de defectos.
Examine la gráfica para evaluar si el %defectuoso se encuentra distribuido aleatoriamente entre lo
diferentes tamaños de muestra o si está presente un patrón. Si los datos se ubican aleatoriamente
alrededor de la línea central, usted concluye que los datos siguen una distribución binomial.

Binomial
En esta gráfica, los puntos están dispersos de manera aleatoria alrededor de la línea central. Usted
presuponer que los datos siguen una distribución binomial. Por lo tanto, los datos se pueden evalu
utilizando el análisis de capacidad binomial.

No binomial
En esta gráfica, el patrón no es aleatorio. Para los tamaños de muestra que son mayores que 1900
de %defectuoso aumenta a medida que aumenta el tamaño de la muestra. Este resultado indica u
correlación entre el tamaño de la muestra y el porcentaje de defectuosos. Por lo tanto, los datos n
siguen una distribución binomial y no se pueden evaluar de manera fiable utilizando el análisis de
capacidad binomial.

Paso 3: Evaluar el porcentaje de unidades defectuosas

Examinar la estimación de %defectuosos y el IC
Utilice la media de %defectuoso de los datos de la muestra para estimar la media de %defectuoso
proceso. Utilice el intervalo de confianza como un margen de error para la estimación.
El intervalo de confianza proporciona un rango de valores probables para el valor real del %defectu
el proceso (si usted pudiera recolectar y analizar todos los elementos que este produce). Con un n
confianza de 95%, usted puede estar 95% seguro de que el %defectuoso real del proceso se encue
dentro del intervalo de confianza. Es decir, si usted recolecta 100 muestras aleatorias del proceso,
esperar que aproximadamente 95 de las muestras produzcan intervalos que contengan el valor rea
%defectuoso.
El intervalo de confianza ayuda a evaluar la significancia práctica de la estimación de la muestra. Si
un valor de %defectuoso máximo permitido que se base en el conocimiento del proceso o las norm
la industria, compare el límite de confianza superior con este valor. Si el límite de confianza superio
menor que el valor de %defectuoso máximo permitido, entonces usted puede estar seguro de que
proceso cumple con las especificaciones, incluso considerando la variabilidad del muestreo aleator
afecta a la estimación.

Estadísticos de resumen  
(95.0% de confianza)  
%defectuoso: 0.39
IC inferior: 0.24
El intervalo de confianza ayuda a evaluar la significancia práctica de la estimación de la muestra. Si
un valor de %defectuoso máximo permitido que se base en el conocimiento del proceso o las norm
la industria, compare el límite de confianza superior con este valor. Si el límite de confianza superio
menor que el valor de %defectuoso máximo permitido, entonces usted puede estar seguro de que
proceso cumple con las especificaciones, incluso considerando la variabilidad del muestreo aleator
afecta a la estimación.

Estadísticos de resumen  
(95.0% de confianza)  
%defectuoso: 0.39
IC inferior: 0.24
IC superior: 0.60
Objetivo: 0.50
PPM Def: 3931
IC inferior: 2435
IC superior: 6003
Z del proceso: 2.6579
IC inferior: 2.5120
IC superior: 2.8155

Resultados clave: %defectuoso, IC

Los resultados del análisis de capacidad binomial incluyen una tabla Estadísticos de resumen, ubica
la porción inferior central de la salida. En esta tabla Estadísticos de resumen simulada, el objetivo (
indica el valor máximo permitido de %defectuoso para el proceso. La estimación de %defectuoso e
0.39%, que es menor que el valor máximo permitido de %defectuoso. Sin embargo, el IC superior d
%defectuoso es 0.60%, que excede el valor máximo permitido. Por lo tanto, usted no puede estar 9
seguro de que el proceso tiene capacidad. Tal vez tenga que utilizar un tamaño de muestra más gr
reducir la variabilidad del proceso para obtener un intervalo de confianza más estrecho para la esti
del %defectuoso.

Determinar si tiene suficientes datos para una estimación fiable

Utilice la gráfica %defectuoso acumulado para determinar si tiene suficientes muestras para una
estimación estable del %defectuoso.
Examine el %defectuoso de las muestras ordenadas cronológicamente para ver cómo cambia la
estimación a medida que recolecta más muestras. Lo ideal es que el %defectuoso se estabilice des
varias muestras, como lo indica el aplanamiento de los puntos graficados a lo largo de la línea de la
de %defectuoso.

Muestras suficientes
En esta gráfica, el %defectuoso se estabiliza a lo largo de la línea de la media de %defectuoso. Por
tanto, el estudio de capacidad incluye suficientes muestras para producir una estimación estable y
de la media de %defectuoso.

Muestras insuficientes
En esta gráfica, el %defectuoso no se estabiliza. Por lo tanto, el estudio de capacidad no incluye
suficientes muestras para estimar de manera fiable la media de %defectuoso.
〖 0.15 〗 ^0 〖 0.85 〗 ^3
〖 0.15 〗 ^0 〖 0.85 〗 ^3

〖 0.15 〗 ^1 〖 0.85 〗 ^2

〖 0.15 〗 ^2 〖 0.85 〗 ^1

Binomial

1 2 3 4 5 6 7

Acumulado
1.2

0.8

0.6

0.4
 1

0.8

0.6

0.4

0.2

0
0 1 2 3 4 5 6 7 8

Binomial

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

Acumulado
1.2

0.8

0.6

0.4

0.2

0
0 5 10 15 20 25

dad
de elementos defectuosos
clasifique en una de dos categorías,
e hacer lo siguiente:

todas las muestras (%defectuoso).

nalizar qué tan capaces son los

madas sean redirigidas al correo de
ar si la tasa de llamadas que no se

nomial de capacidad

el proceso no es estable, las

erminar si el %defectuoso es estable

pruebas para detectar causas

n que el proceso pudiera no ser
r fiables. Usted debe identificar la
r causas especiales antes de que

ncuentra dentro de los límites de

orción de unidades defectuosas para
eso, investigue y elimine cualquier
de defectuosos ese día.
 pruebas para detectar causas
n que el proceso pudiera no ser
r fiables. Usted debe identificar la
r causas especiales antes de que

ncuentra dentro de los límites de

orción de unidades defectuosas para
eso, investigue y elimine cualquier
de defectuosos ese día.

al
a distribución binomial. Si los datos
del proceso podrían no ser fiables.
os depende de si los tamaños de los

na gráfica binomial.
oximadamente una línea recta. Si no
de la muestra provienen de una

a lo largo de esta. Usted puede

la línea cerca de la parte superior

den evaluar de manera fiable

Binomial No Binomial
asa de defectos.
uido aleatoriamente entre los
os se ubican aleatoriamente
distribución binomial.

dor de la línea central. Usted puede

to, los datos se pueden evaluar

a que son mayores que 1900, la tasa

estra. Este resultado indica una
sos. Por lo tanto, los datos no
able utilizando el análisis de
Binomial No Binomial

ar la media de %defectuoso del

ra la estimación.
ara el valor real del %defectuoso en
que este produce). Con un nivel de
so real del proceso se encuentra
stras aleatorias del proceso, puede
os que contengan el valor real de

estimación de la muestra. Si tiene

miento del proceso o las normas de
el límite de confianza superior es
d puede estar seguro de que el
abilidad del muestreo aleatorio que
 estimación de la muestra. Si tiene
miento del proceso o las normas de
el límite de confianza superior es
d puede estar seguro de que el
abilidad del muestreo aleatorio que

stadísticos de resumen, ubicada en

umen simulada, el objetivo (0.50)
estimación de %defectuoso es
Sin embargo, el IC superior del
tanto, usted no puede estar 95%
n tamaño de muestra más grande o
nza más estrecho para la estimación

cientes muestras para una

e para ver cómo cambia la

%defectuoso se estabilice después de
dos a lo largo de la línea de la media

media de %defectuoso. Por lo

ucir una estimación estable y fiable

o de capacidad no incluye
ctuoso.

Suficientes
No Binomial
Insuficientes
DISTRIBUCIÓN DE POISSON
 Problema 1 l= 2
e= 2.71828

Cantidad l1 = X
a.- 30 60 5
b.- 30 60 6
c.- 60 120 10 P(X = 10) = 1.308418E-38 0.00%

a.- l1 = X
60 0 P(X = 0) = 8.756864E-27
60 1 P(X = 1) = 5.254119E-25
60 2 P(X = 2) = 1.576236E-23
60 3 P(X = 3) = 3.152471E-22
60 4 P(X = 4) = 4.728707E-21
60 5 P(X = 5) = 5.674448E-20
Total 6.180473E-20

Cantidad l1 = X
30 60 5 P(X<= 5) = 6.180473E-20 0.00%

b.- l1 = X
60 0 P(X = 0) = 8.756864E-27
60 1 P(X = 1) = 5.254119E-25
60 2 P(X = 2) = 1.576236E-23
60 3 P(X = 3) = 3.152471E-22
60 4 P(X = 4) = 4.728707E-21
60 5 P(X = 5) = 5.674448E-20
60 6 P(X = 6) = 5.674448E-19
Total 6.292495E-19

Cantidad l1 = X
30 60 6 P(X>=6) = 1 100.00%
a l= 0.3 defectos/minuto
T= 4 minutos
l1 = 1.2 defectos

l1 = X
1.2 3 P(X = 3) = 0.086744003 8.67%

b l= 0.3 defectos/minuto
T= 6 minutos
l1 = 1.8 defectos

l1 = X
1.8 0 P(X = 0) = 0.1652990884
1.8 1 P(X = 1) = 0.2975383591
1.8 2 P(X = 2) = 0.2677845231
1.8 3 P(X = 3) = 0.1606707139
1.8 4 P(X = 4) = 0.0723018212
Total 0.9635945057

l1 = X
1.8 4 P(X >= 4) = 0.0364054943 3.64%

c l= 0.3 defectos/minuto
T= 15 minutos
l1 = 4.5 defectos

l1 = X Poison Acumulado
4.5 0 P(X = 0) = 0.0111090302 0.0111090302
4.5 1 P(X = 1) = 0.0499906357 0.0610996659
4.5 2 P(X = 2) = 0.1124789304 0.1735785963
4.5 3 P(X = 3) = 0.1687183956 0.3422969919
4.5 4 P(X = 4) = 0.1898081951 0.532105187
4.5 5 P(X = 5) = 0.1708273756 0.7029325626
4.5 6 P(X = 6) = 0.1281205317 0.8310530943
Total 0.8310530943

l1 = X
4.5 6 P(X <= 6) = 0.8310530943 83.11% 1 2

0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
 0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 1 2

l= 0.3 defectos/minuto
T= 15 minutos
l1 = 4.5 defectos

l1 = X Poison Acumulado
4.5 0 P(X = 0) = 0.0111090302 0.0111090302
4.5 1 P(X = 1) = 0.0499906357 0.0610996659
4.5 2 P(X = 2) = 0.1124789304 0.1735785963
4.5 3 P(X = 3) = 0.1687183956 0.3422969919
4.5 4 P(X = 4) = 0.1898081951 0.532105187
4.5 5 P(X = 5) = 0.1708273756 0.7029325626
4.5 6 P(X = 6) = 0.1281205317 0.8310530943
4.5 7 P(X = 7) = 0.0823631989 0.9134162932
4.5 8 P(X = 8) = 0.0463292994 0.9597455926 1 2 3 4 5 6
4.5 9 P(X = 9) = 0.0231646497 0.9829102423
4.5 10 P(X = 10) = 0.0104240924 0.9933343347
4.5 11 P(X = 11) = 0.0042644014 0.9975987361
4.5 12 P(X = 12) = 0.0015991505 0.9991978866
4.5 13 P(X = 13) = 0.0005535521 0.9997514387 1.2

0.8

0.6

0.4

0.2

0
0 2 4 6

Revisión general de Análisis de capacidad de Poisson

Utilice Análisis de capacidad de Poisson para determinar si la tasa de defectos por unidad (DPU
requisitos del cliente. Utilice este análisis cuando cuenta los defectos en cada elemento y cada
puede tener más de un defecto. Utilizando este análisis, usted puede hacer lo siguiente:
Determine si el proceso está bajo control.
Estime la tasa de defectos por unidad de cada muestra y en todas las muestras (media de DPU)
Evalúe si el DPU es estable.
Por ejemplo, un fabricante textil desea analizar si la tasa de defectos de una tela cumple las
especificaciones. El fabricante utiliza un análisis de capacidad de Poisson para determinar el nú
defectos por 100 yardas de tela y evaluar si la tasa de defectos es estable.
Utilice Análisis de capacidad de Poisson para determinar si la tasa de defectos por unidad (DPU
requisitos del cliente. Utilice este análisis cuando cuenta los defectos en cada elemento y cada
puede tener más de un defecto. Utilizando este análisis, usted puede hacer lo siguiente:
Determine si el proceso está bajo control.
Estime la tasa de defectos por unidad de cada muestra y en todas las muestras (media de DPU)
Evalúe si el DPU es estable.
Por ejemplo, un fabricante textil desea analizar si la tasa de defectos de una tela cumple las
especificaciones. El fabricante utiliza un análisis de capacidad de Poisson para determinar el nú
defectos por 100 yardas de tela y evaluar si la tasa de defectos es estable.

Interpretar los resultados clave para Análisis de capacidad de Poisson

Paso 1: Determinar si el proceso es estable
El proceso debe ser estable para obtener estimaciones fiables de la capacidad del proceso.
Las gráficas de control ayudan a monitorear la estabilidad del proceso al identificar los puntos
control y los patrones y tendencias presentes en los datos.
Los puntos rojos indican subgrupos que no pasan al menos una de las pruebas para detectar ca
especiales y no están bajo control. Los puntos fuera de control indican que el proceso pudiera
y que los resultados de un análisis de capacidad podrían no ser fiables. Usted debe identificar l
puntos fuera de control y eliminar cualquier variación por causas especiales antes de que anali
capacidad del proceso.

En esta gráfica U, la mayoría de los puntos varía aleatoriamente y se encuentra dentro de los lí
control. No se observan tendencias ni patrones. Sin embargo, la tasa de defectos por unidad
correspondiente al día 17 está fuera de control. Antes de evaluar la capacidad del proceso, inve
elimine cualquier causa especial que haya podido contribuir al valor extrañamente alto de DPU

Paso 2: Determinar si los datos siguen una distribución de Poisson

Antes de evaluar la capacidad del proceso, determine si este sigue una distribución de Poisson
no siguen una distribución de Poisson, las estimaciones de la capacidad del proceso podrían no
La gráfica que Minitab muestra para evaluar la distribución de los datos depende de si los tama
subgrupos son iguales o diferentes.

Los tamaños de los subgrupos son iguales

Si todos los tamaños de los subgrupos son iguales, Minitab muestra una gráfica de Poisson.
Examine la gráfica para determinar si los puntos graficados siguen aproximadamente una línea
es así, entonces es posible que sea falso el supuesto de que los datos de la muestra provienen
distribución de Poisson.

Poisson
En esta gráfica, los puntos de los datos se encuentran cerca de la línea a lo largo de esta. Usted
presuponer que los datos siguen una distribución de Poisson.

No Poisson
En esta gráfica, los puntos de los datos no se encuentran a lo largo de la línea en la parte super
de la gráfica. Estos datos no siguen una distribución de Poisson y no se pueden evaluar de man
utilizando el análisis de capacidad de Poisson.

Los tamaños de los subgrupos no son iguales

Si el tamaño de los subgrupos varía, Minitab muestra una gráfica de tasa de defectos.
Examine la gráfica para evaluar si los defectos por unidad (DPU) se encuentran distribuidos ale
entre los diferentes tamaños de muestra o si está presente un patrón. Si los datos se ubican ale
alrededor de la línea central, usted concluye que los datos siguen una distribución de Poisson.

Poisson
En esta gráfica, los puntos están dispersos de manera aleatoria alrededor de la línea central. U
presuponer que los datos siguen una distribución de Poisson. Por lo tanto, los datos se pueden
utilizando el análisis de capacidad de Poisson.

No Poisson
En esta gráfica, el patrón no es aleatorio. Para tamaños de muestra mayores que 120, el DPU a
medida que aumenta el tamaño de la muestra. Este resultado sugiere una posible correlación e
tamaño de la muestra y el porcentaje de defectuosos. Por lo tanto, los datos no siguen una dis
Poisson y no se pueden evaluar de manera fiable utilizando el análisis de capacidad de Poisson

Paso 3: Evaluar la media de defectos por unidad (DPU)

Examinar la estimación de Media de DPU y el IC
Utilice la media de DPU de los datos de la muestra para estimar la media de DPU del proceso. U
No Poisson
En esta gráfica, el patrón no es aleatorio. Para tamaños de muestra mayores que 120, el DPU a
medida que aumenta el tamaño de la muestra. Este resultado sugiere una posible correlación e
tamaño de la muestra y el porcentaje de defectuosos. Por lo tanto, los datos no siguen una dis
Poisson y no se pueden evaluar de manera fiable utilizando el análisis de capacidad de Poisson

Paso 3: Evaluar la media de defectos por unidad (DPU)

Examinar la estimación de Media de DPU y el IC
Utilice la media de DPU de los datos de la muestra para estimar la media de DPU del proceso. U
intervalo de confianza como un margen de error para la estimación.
El intervalo de confianza proporciona un rango de valores probables para la media de DPU en e
usted pudiera recolectar y analizar todos los elementos que este produce). Con un nivel de con
95%, usted puede estar 95% seguro de que el valor real de la media de DPU del proceso se enc
dentro del intervalo de confianza. Es decir, si usted recolecta 100 muestras aleatorias del proce
esperar que aproximadamente 95 de las muestras produzcan intervalos que contengan el valor
media de DPU.
El intervalo de confianza ayuda a evaluar la significancia práctica de la estimación de la muestr
tiene un valor máximo permitido de la media de DPU que se basa en el conocimiento del proce
normas de la industria, compare el límite de confianza superior con este valor. Si el límite de co
superior es menor que el valor máximo permitido de la media de DPU, entonces usted puede e
de que el proceso cumple con las especificaciones, incluso considerando la variabilidad del mu
aleatorio que afecta a la estimación.

Resultados clave: Media de DPU, IC

Los resultados del análisis de capacidad de Poisson incluyen una tabla Estadísticos de resumen
la porción inferior central de la salida. En esta tabla Estadísticos de resumen, el DPU objetivo (0
el valor máximo permitido de DPU para el proceso. La estimación de la media de DPU es 0.022
menor que el valor máximo permitido. Sin embargo, el IC superior para la media de DPU es 0.0
excede el valor máximo permitido. Por lo tanto, usted no puede estar 95% seguro de que el pro
capaz. Tal vez tenga que utilizar un tamaño de muestra más grande o reducir la variabilidad de
obtener un intervalo de confianza más estrecho para la estimación de la media de DPU.

Estadísticos de resumen  
(95.0% de confianza)  
Media de DPU: 0.0225
IC inferior: 0.0190
IC superior: 0.0265
DPU mínimo: 0.00
DPU máximo: 0.0661
DPU objetivo: 0.0250

Determinar si tiene suficientes datos para una estimación fiable

Utilice la gráfica de DPU acumulado como ayuda para determinar si recolectó suficientes mues
tener una estimación estable del DPU.
Examine los defectos por unidad de las muestras ordenadas cronológicamente para ver cómo c
estimación a medida que recolecta más muestras. Lo ideal es que el DPU se estabilice después
muestras, como lo indica el aplanamiento de los puntos graficados a lo largo de la línea de la m

Muestras suficientes
En esta gráfica, el DPU se estabiliza a lo largo de la línea de la media de DPU. Por lo tanto, el es
capacidad incluye suficientes muestras para producir una estimación estable y fiable de la med
Muestras insuficientes
En esta gráfica, el DPU no se estabiliza. Por lo tanto, el estudio de capacidad no incluye suficien
para estimar de manera fiable la media de DPU.
𝑓(10)=(𝑒^(−120) 120^10)/10!
 Poison

1 2 3 4 5 6 7

Acumulado
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
 0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 1 2 3 4 5 6 7 8

Poison

1 2 3 4 5 6 7 8 9 10 11 12 13 14

Acumulado
1.2

0.8

0.6

0.4

0.2

0
0 2 4 6 8 10 12 14 16

Poisson
la tasa de defectos por unidad (DPU) satisface los
s defectos en cada elemento y cada elemento
ted puede hacer lo siguiente:

n todas las muestras (media de DPU).

e defectos de una tela cumple las

ad de Poisson para determinar el número de
ctos es estable.
 la tasa de defectos por unidad (DPU) satisface los
s defectos en cada elemento y cada elemento
ted puede hacer lo siguiente:

n todas las muestras (media de DPU).

e defectos de una tela cumple las
ad de Poisson para determinar el número de
ctos es estable.

de capacidad de Poisson

bles de la capacidad del proceso.

del proceso al identificar los puntos fuera de

una de las pruebas para detectar causas

trol indican que el proceso pudiera no ser estable
o ser fiables. Usted debe identificar la causa de los
causas especiales antes de que analice la

mente y se encuentra dentro de los límites de

go, la tasa de defectos por unidad
valuar la capacidad del proceso, investigue y
ir al valor extrañamente alto de DPU ese día.

ón de Poisson
te sigue una distribución de Poisson. Si los datos
la capacidad del proceso podrían no ser fiables.
de los datos depende de si los tamaños de los

muestra una gráfica de Poisson.

siguen aproximadamente una línea recta. Si no
e los datos de la muestra provienen de una

a de la línea a lo largo de esta. Usted puede

on.

lo largo de la línea en la parte superior derecha

sson y no se pueden evaluar de manera fiable
Poisson No Poisson

gráfica de tasa de defectos.

DPU) se encuentran distribuidos aleatoriamente
un patrón. Si los datos se ubican aleatoriamente
siguen una distribución de Poisson.

oria alrededor de la línea central. Usted puede

on. Por lo tanto, los datos se pueden evaluar

muestra mayores que 120, el DPU aumenta a

ado sugiere una posible correlación entre el
o tanto, los datos no siguen una distribución de
o el análisis de capacidad de Poisson.

U)

timar la media de DPU del proceso. Utilice el

 muestra mayores que 120, el DPU aumenta a
ado sugiere una posible correlación entre el
o tanto, los datos no siguen una distribución de
o el análisis de capacidad de Poisson.

U)
Poisson

timar la media de DPU del proceso. Utilice el

timación.
probables para la media de DPU en el proceso (si
e este produce). Con un nivel de confianza de
la media de DPU del proceso se encuentra
ta 100 muestras aleatorias del proceso, puede
an intervalos que contengan el valor real de la

áctica de la estimación de la muestra. Si usted

se basa en el conocimiento del proceso o las
erior con este valor. Si el límite de confianza
edia de DPU, entonces usted puede estar seguro
considerando la variabilidad del muestreo

n una tabla Estadísticos de resumen, ubicada en

ticos de resumen, el DPU objetivo (0.0250) indica
mación de la media de DPU es 0.0225, que es
uperior para la media de DPU es 0.0265, que
uede estar 95% seguro de que el proceso es
s grande o reducir la variabilidad del proceso para
timación de la media de DPU.

fiable
rminar si recolectó suficientes muestras para

s cronológicamente para ver cómo cambia la

es que el DPU se estabilice después de varias
aficados a lo largo de la línea de la media de DPU.

la media de DPU. Por lo tanto, el estudio de

estimación estable y fiable de la media de DPU.

dio de capacidad no incluye suficientes muestras

Suficientes
No Poisson
No Poisson
Insuficientes