Você está na página 1de 430

FM2S.COM.

BR
EAD.FM2S.COM.BR

Apostila
BLACK BELT
Transição Black Belt

Bem vindos!

O que é o curso
de Black Belt?

Os arquivos relativos ao exercí cios podem ser encontrados em nosso site:

FM2S.COM.BR
Relembrando o que
é Lean Seis Sigma

O que é o Lean Seis Sigma?

A Metodologia:
Uma abordagem baseada em dados para reduzir variação e melhorar processos.
O que é o Lean Seis Sigma?
Área de Melhorias
Análise de causa e efeito
Análise de processos
Lições aprendidas
Testes de mudanças
Gestão da Mudança
Característica
de interesse
(indicador:
defeitos, tempo Desempenho anterior Desempenho Melhorado
de ciclo, etc.)

Tempo

O velho e clássico exemplo

O que se tornou Lean Seis Sigma?

Hoje nó
nós temos várias coisas interessantes:

Uma
ma série de ferramentas para Uma série de ferramentas para Uma série de roteiros para se
lidar com dados lidar com processos colocar em prática
• Análises estatí sticas (modelos, • LOP; • Quase todas as iniciativas de
probabilidades, ANOVA, • SIPOC; melhoria usando Lean Seis Sigma
regressão, etc.) • Mapeamento de processos & são estruturados em projetos de
• Planejamento de experimentos análise de desconexões; melhoria;
• Análise do Sistema de Mediação • Etc. • Há uma série de templates que nos
• Etc. ajudam a melhorar estes projetos
Mas de onde tudo isso veio?

W. Edwards Deming Walter Shewhart Joseph Juran


(1900 - 1993) (1891 – 1967) (1904 - 2008)

Como surgiu o Seis Sigma?


ƒ O conceito de Seis Sigma surgiu quando um dos
executivos da Motorola se queixou da má
qualidade da Motorola.

ƒ A principal conclusão do relatório é que minimizar


os defeitos em cada estágio de produção resulta
em melhor desempenho no mercado. O então
CEO da Motorola, Bob Galvin tornou-se um dos
principais proponentes dos filtros de quatro
estágios: Medir, Analisar, Melhorar e Controlar.

ƒ Em 1986, Bill Smith e os engenheiros criaram o


termo Six Sigma para o processo de
gerenciamento de qualidade na Motorola.

ƒ O Comitê de Polí tica Corporativa da Motorola


começou então a envolver-se na fixação de
metas para esse processo.

ƒ O Six Sigma permitiria à Motorola melhorar dez


vezes a qualidade.
Como surgiu o Seis Sigma?

• Unisys Corp em 1988

• Asea Brown Boveri (ABB) em 1993: ABB é


conhecida por dar ao Seis Sigma seu toque final,
enfatizando a satisfação do cliente e a voz de o
cliente;

• A iniciativa de qualidade da GE teria gerado


bilhões de dólares em benefí cios, quando o Seis
Sigma foi implantado;

• Depois da GE, a lista foi se alongando: Bank of


America, Advanced Micro Devices. Amazon,
McKesson Corporation, Northrup Grumman,
PepsiCo, etc.

Projetos
de Melhoria
Projetos de Melhoria
• Um projeto de melhoria é uma
sequência de atividades realizadas de
maneira a entregar uma melhoria em
um processo.

• As soluções para gerar essas


melhorias são desconhecidas.
Descobri-las faz parte do escopo do
projeto.

• Ele normalmente é organizado a partir


de um roteiro (como o roteiro DMAIC).

• Pode ser feito em várias organizações.

• Pode ser simples ou complexo,


dependendo do número de pessoas
A entrega de um projeto é um pré-requisito para a
envolvidas. certificação em Black Belt pela FM2S

Projetos de Melhoria

Um bom
om projeto:
projeto Sempre pergunte:
ƒ Começa com um problema ou ƒ Esse é o projeto certo?
oportunidade; ƒ Com as pessoas certas (na equipe e no
ƒ É percebido por muitos, inclusive pela suporte)?
direção; ƒ Pode ser cumprido dentro do tempo? (até 9
ƒ É recorrente; meses)
ƒ Não tem uma solução clara.
Como estruturar o projeto?
Sugestão: use o roteiro DMAIC.
Vamos aprender várias ferramentas e técnicas no curso, nem todas precisam
ser usadas para o seu projeto. O esperado é que possamos ver que:

1 2 3 4 5

Você definiu bem o Você entendeu bem o Você desenvolveu Você testou essas Você implementou e
problema a ser que estava acontecendo, mudanças com base nas mudanças de maneira estabilizou o seu
abordado (Define) através da análise dos análises causais dos estruturada (Improve) processo (Control)
dados e dos processos dados coletados
(Measure) (Analyze)

A apresentação do seu projeto deve deixar claro para nós tudo o que você fez nestas fases.

O DMAIC e suas ferramentas

1 2 3 4 5

Define Measure Analyze Improve tControl


•Definir o problema, os •Fazer o mapa detalhado do tCriticar o processo atual tDesenvolver mudanças tDesenvolver um plano de
objetivos e os benefí cios Processo (Fluxograma) tDeterminar relações tTestar as mudanças em implementação
•Determinar os requisitos •Determinar os X’s e os Y’s causais baseado em dados pequena escala tDeterminar necessidades
dos clientes e as CTQ’s crí ticos tIdentificar os maus tAvaliar os riscos e de comunicação e
•Identificar o proprietário do •Validar o Sistema de conceitos presentes benefí cios das mudanças treinamento
projeto, champion e o time Medição processo tImplementar as mudanças tEstabelecer um plano de
•Fazer o SIPOC do processo •Desenvolver plano para tBuscar explicações para o que resultem em melhoria controle do novo processo
•Definir os recursos, coletar dados desempenho atual tFechar o projeto e
fronteiras e restrições •Avaliar o desempenho tIdentificar mudanças comunicar os resultados
•Fazer o contrato com a atual: estabilidade e tCelebrar os resultados
equipe capabilidade alcançados com todos
•Ajustar o foco do projeto
Um exemplo
de Projeto
Vamos recapitular o que vocês já sabem?

Vamos ver um exemplo de projeto de Melhoria?


(Usando o template FM2S)
O passo
a passo
O que foi feito no exemplo anterior?

Define
ƒ No Define, conversamos com as partes
interessadas para modelar o processo.

ƒ Sabemos que a fase Define chegou ao fim, quando


identificamos os indicadores que queremos
impactar.

ƒ Com base nesses indicadores, definimos um


objetivo para o projeto.

ƒ Para identificar quais os indicadores, usamos as


ferramentas da árvore CTC e o SIPOC macro do
processo.

ƒ Formalizamos os objetivos em um contrato de


melhoria.

ƒ Devemos também analisar se o objetivo do projeto


está alinhado com os objetivos da organização
(checklist de inicialização).
Inicie o Defina o Entenda Defina as
os Formalize
projeto processo variáveis
requerimentos

Conversas com Desdobrar os


o patrocinador Entender as problemas em
e equipe; fronteiras, indicadores Definir os Registrar as
Atividades Entender a envolvidos e mensuráveis e objetivos e definições do
necessidade entregáveis do identificar as metas. Define.
para a processo. necessidades
organização dos clientes.
Contrato de
Diagrama de SIPOC Macro; Brainstorming; Árvore CTC,
melhoria,
Ferramentas afinidades; Matriz de VOC, árvore definição de
Checklist do
Steakholders CTC, objetivos.
contrato.
Indicadores; Resposta:
Resposta para: SIPOC
Expectativas “Como
O que preenchido; Contrato
Saídas claras de saberemos que
queremos Identificação preenchido.
qualidade do as mudanças
realizar? dos envolvidos
cliente são melhorias?

Mapa do Define

Measure
ƒ No Measure, você irá entender a situação atual.

ƒ Esse entendimento passa por duas portas: a porta


de processos e a porta de dados.

ƒ Na porta de processos, você vai mapear os fluxos


(de informações, materiais, etc.) e entender os
procedimentos.

ƒ Na porta de dados, serão coletados e analisados


os dados.

ƒ Os dados podem ser analisados estaticamente


(quanto à frequência), dinamicamente (com
gráficos de controle) e comparados com os
requisitos dos clientes (capabilidade).

ƒ Ao final do Measure, deve ser exposta a situação


atual para todos os envolvidos.
Mapeie Analise os Colete Veja a
Estabilidade Capabilidade Divulgue
o processo procedimentos dados distribuição

Analisar os dados
Coletar dados Analisar se o
estaticamente e
Observar como sobre o Analisar a processo está
Entender o fluxo dinamicamente.
são realizadas as desempenho do presença de entregando o Apresentar os
de materiais e As estratificações
Atividades atividades. Há processo. causas comuns necessário e resultados para
informações do fazem sentido?
padrão? É a (Qualidade das ou especiais no quantificar os os envolvidos.
processo. Há indicativo de
melhor maneira? saídas, tempos, processo. custos da
má qualidade na
etc.) qualidade
coleta?

Estatísticas
Formulário de descritivas, Análise de
Formulário de
SIPOC, VSM, coleta de dados, gráfico de Capabilidade (cp,
Trabalho Padrão; Gráficos de Relatório de
Ferramentas Fluxograma estratificação, tendência, cpk, ppm, etc.);
Tempos e Controle apresentação.
folha de gráficos de “Capability
métodos
verificação frequência; Sixpack”
Gráfico de Pareto

Mapa do Localização das Conhecimento do


Trabalho padrão,
processo e Detalhamento do instabilidades; desempenho em Nivelamento do
conhecimento da Banco de dados
Saídas identificação de comportamento detalhamento do relação às conhecimento da
execução das do projeto.
desconexões do processo. comportamento necessidades do equipe.
atividades.
(quick wins) do processo. cliente.

Mapa do Measure

Analyze
ƒ No Analyze iremos desenvolver as mudanças de
segunda ordem que vão gerar as melhorias.

ƒ 4 estratégias: Análise Crítica, Uso da Tecnologia, Uso da


Criatividade, Conteitos de Mudança

ƒ Como no Measure, podemos usar técnicas para propor as


mudanças baseados nos dados e nos processos.

ƒ As técnicas de processos, visam melhorar os


procedimentos e suas sequencias. Exemplo: Poka-Yokes,
Análise de Valor, eliminação de desperdí cios, etc.

ƒ As técnicas de dados visam estabelecer um pensamento


matemático de causalidade: Y = f(x). Exemplos: análise do
banco de dados (regressão, etc.) e planejamento de
experimentos.

ƒ Ao final do Analyze, vamos ter várias mudanças que


podem gerar melhorias.
Analise Analise os Analise seu Investigue os Formate suas
os processos procedimentos banco de dados experimentos mudanças

Buscar no banco de
dados correlações
Entender o que se Aprenda mais sobre as
Entender o que se entre variáveis para Priorizar as mudanças
pode mudar nas correlações de
pode mudar no fluxo entender o que se propostas para a
Atividades atividades para deixá- variáveis com
de maneira a gerar pode variar no realização de testes
las melhores e mais experimentos
melhorias processo de maneira a de mudança
rápidas. planejados
gerar um resultado
melhor.

Gráficos de dispersão, Planejamento de


Desconexões, análise Poka-Yokes, Diagrama
Análises de experimentos;
de valor, ECRS, de Ishikawa, Análise
Regressão, Testes de Experimentos Ciclo PDSA; Matriz de
Ferramentas Criatividade, Conceitos de Tempo, Tecnologia,
hipóteses, Tabelas de Fatoriais; Impacto Esforço.
de Mudança Benchmarking,
contingência, Gráficos Experimentos
Criatividade
de Barras Dicotômicos; etc.

Alterações nos Alterações nos


Plano de testes das
Mudanças para Mudanças para parâmetros de entrada parâmetros de entrada
Saídas mudanças
melhorar o fluxo melhorar as atividades que vão gerar que vão gerar
desenvolvidas.
melhoria melhoria

Mapa do Analyze

Improve
ƒ No Improve, escolhemos quais mudanças são
mais promissoras e realizamos os testes para saber
quais de fato vão gerar as melhorias.

ƒ Temos que priorizar as mudanças e estruturar


nossos testes.

ƒ A partir dos testes, usando o ciclo PDSA, podemos


entender melhor os detalhes e falhas em nossas
hipóteses e predições.

ƒ Aqui também devemos ir aumentando


gradualmente a escala e o escopo dos testes.

ƒ Ao final, teremos uma boa convicção de quais


mudanças vão de fato ser melhorias. As vezes já
até as implementamos durante a fase de testes
(um ciclo para implementar).
Testar, aprendendo
e aumentando Compilar o Preparar a
a escala e o escopo aprendido implementação

Realizar os testes para Uma vez que o grau de


confirmar suas hipóteses, confiança é suficiente, resumir
Planejar as etapas de
Atividades verificando se as suas os aprendizados da etapa de
implementação.
mudanças se transformaram testes e compartilhar com o
de fato em melhorias. grupo.

Ciclo PDSA, Planejamento de


Ciclos PDSA, Apresentação do
Ferramentas Experimentos, Treinamentos Plano de implementação
projeto de Melhoria
Iniciais, Matriz de Habilidades

Aumento do Grau de Nivelamento do conhecimento Plano de implementação


Saídas
Convicção das suas mudanças da etapa de testes. preenchido.

Mapa do Improve

Control
ƒ Na fase do Control, nós vamos implementar as
mudanças, finalizar o projeto e estabilizar os
processos.

ƒ É a hora onde mais se usa a Psicologia e se realiza


a Gestão da Mudança

ƒ Devemos preparar as mudanças para serem


lógicas e alinhadas com a cultura da empresa,
trabalhando o racional e o emocional das pessoas
envolvidas no processo.

ƒ Também estruturamos o plano de implementação


com base nas etapas: 1. Padronização, 2.
Documentação, 3. Treinamento e 4.
Implementação.

ƒ Por fim, compilamos os ganhos, apresentamos os


resultados e celebramos -
Padronização
Treinamento Implementação Controle Finalização
e documentação

Treinar a equipe com


a finalidade de
Definir exatamente desenvolver neles as
Resumir o
como serão os novos habilidades Monitorar o
Desdobrar o plano de aprendizado,
procedimentos e necessárias para desempenho do
ação para a mudança apresentar os
Atividades criar as instruções executar o processo. processo para avaliar
do jeito velho para o resultados, fazer as
que serão Por treinamento se tudo está saindo
novo. recomendações
desdobradas para a entendemos uma conforme planejado.
futuras e celebrar.
equipe do processo. série de atividades
supervisionadas, não
só aulas expositivas.

Formulários de
Plano de Ciclos PDSA, Gráficos
trabalho padrão; 5W2H, Gestão de
treinamento, de Controle, Apresentação de
Ferramentas Relatórios de Testes, Projetos, Ciclos
Andragogia, Matriz formulários de coleta encerramento.
Fluxogramas. PDSA.
de Habilidades de dados.

Desenho claro, lógico Novo processo


Pessoal treinado no Evidências de Finalização formal do
Saídas e justificado do novo funcionando de fato
novo processo. Melhoria projeto
processo. na organização.

Mapa do Analyze

Templates

ƒ Na organização do seu projeto, use nossos


templates em anexo. Certamente eles vão
te ajudar a “contar a história” da sua
melhoria.

ƒ Na avaliação, iremos analisar o método


usado, tanto na utilização do roteiro, como
na utilização das ferramentas.

ƒ Os resultados são consequência de um bom


método e sua utilização correta.

ƒ Negócios diferentes irão apresentar ganhos


financeiros diferentes (dificilmente teremos
economia de 1 milhão de reais em uma
padaria).
Por que é difí cil realizar
projetos nas empresas?
Faltam as organizações os pilares básicos
para a aplicação da melhoria.

Revendo o
modelo de
Melhoria
O saber
profundo
Deming postula que a melhoria deve
se basear em 4 pilares:

De onde veio o que vamos estudar?

VISÃO SISTÊMICA TEORIA DO ENTENDIMENTO DA PSICOLOGIA


CONHECIMENTO VARIAÇÃO
O saberpbof u nd DrDm i db hd t si DbD Df fi rmbD l i t i DD bDq
g d t Dm l i t s gi DD DqhDDi D Psi grDbd DDbbi s g d ai sbs Ps gi DD D vbsrbd , rel rgbl si D Cbl b nd m i d Di nD bji m rv D i
t s gi DD D i Dmf g ssi vbgr ebl Dq g ehi grd i em D bsi qni vbsrbd q4 ei gi DDásr i Dm nl bs i bd broõi Dqhem i el ê-v D u vrmbv
4 t si grD i e: i sabs i DDb i Dmbd D fbpi el i Dbbi s g d bt si el i s g d i DDb vbsrbof q t bsb Dngi DD l b saberpbof q
g ssi vbof q l rDDi d reá-v t bsb ml b b i d t si Db
1

A visão
sistêmica
Enxergando nossa organização como um sistema

Como você enxerga uma organização?


Sua empresa é assim?

A visão sistêmica

Um sistema é um grupo
interdependente de
itens, pessoas e/ ou
processos trabalhando
em direção a um
propósito comum.

Toda organização é um
sistema.

A visão sistêmica
Para melhorar…
… precisamos enxergar os processos e
suas inter-relações!

Como enxergar processos?

Podemos seguir alguns passos:

Entenda o propósito Entenda a cultura Localize as pessoas Faça o SIPOC de Una as informações
da organização da organização e as unidades de cada unidade de em um mapa de
trabalho dentro da trabalho processos
organização
O SIPOC

O Mapa de Processos (LoP)


nos ajuda:
ƒ Colocar todos os processos em perspectiva

ƒ Classificar os nossos processos

ƒ Descrever todos os processos da empresa

ƒ Direcionar nossa atenção crí tica para cada um


dos processos, buscando melhorias

ƒ Entender as relações entre nossos processos


O Mapa de Processos

Temos 3 classificações de processos

Mainstay: Drivers Support


os processos que adicionam valor processos que direcionam o processos que são necessários
ao cliente negócio para apoiar o negócio

Processos
“Drivers”

Processos
“Mainstay”

Processos
“Support”

O Mapa de Processos
Comece pela Missão

Missão da EMPRESA

“A EMPRESA desenvolve e integra teorias,


métodos e ferramentas da Ciência de
Melhoria; fornece educação, treinamento e
orientação para lí deres e grupos com o
objetivo de ajudar as organizações na
redução de problemas de qualidade,
redução de custos dos processos, aumento
das expectativas dos clientes e no
desenvolvimento do seu sistema de
melhoria contí nua”

Desenvolver
Conduzir orientação
e Integrar
para líderes e grupos
teorias,
de melhoria
métodos e
ferramentas
da ciência
de melhoria Fornecer educação
e treinamento

Mainstay da FM2S
Negociar e Desenvolver
fechar novos novos negócios
negócios

Desenvolver
Conduzir orientação
e Integrar Desenvolver para líderes e grupos
Obter teorias, material Desenvolver
Preparar as
conhecimento planejamento de melhoria Comunicar-se
de fora do métodos e didático
das atividades
atividades nos
com clientes
clientes
sistema ferramentas nos clientes
da ciência
Desenvolver
de melhoria novos Fornecer educação
produtos e treinamento

Agendamento de Faturar clientes


atividades

Gerenciar o controle financeiro


Manter séde e
equipamentos
Planejar logística de
atividades

Fazer distribuição
do resultado

2 Planejar
investimentos 1

Desenvolver planejamento estratégico

Contratar e
Desenvolver integrar novos
os integrantes consultores e Ajustar plano
operacional Negociar e Desenvolver
colaboradores
fechar novos novos negócios
negócios

Criar e manter
portfólio de Medir feedback e o desempenho da
produtos organização

Desenvolver
Conduzir orientação
e Integrar Desenvolver para líderes e grupos
Obter teorias, material Desenvolver
Preparar as
conhecimento planejamento de melhoria Comunicar-se
de fora do métodos e didático
das atividades
atividades nos
com clientes
clientes
sistema ferramentas nos clientes
da ciência
Desenvolver
de melhoria novos Fornecer educação
produtos e treinamento

Agendamento de Faturar clientes


1 2
atividades
Organizar arquivos
de trabalho diário

Manter Fazer e
catalogar Gerenciar o controle financeiro
biblioteca Criar e Manter site
de proposta
manter Manter séde e atualizado
materiais e s
histórico equipamentos
Planejar logística de
arquivos dos atividades
técnicos clientes
Criar e enviar
comunicações aos
Fazer distribuição atendidos
do resultado
Relacionamento com
fornecedores diversos
2 Planejar Planejar o Desenvolver
Conduzir planejamento
investimentos reuniões de 1 crescimento da
Desenvolver organização estratégico
negócio
Planejar auto- novos negócios
desenvolvi-
Desenhar e
Processos mento dos
integrantes
Contratar e
integrar novos
Ajustar
prioridades
Planejar
precificação
Conduzir redesenhar o
sistema
reuniões p/
das
“Drivers” consultores e
colaboradores atividades do
negócio
entender
necessidades
dos clientes
Desenvolver os
integrantes Negociar e
Definir
fechar novos Customizar
Criar e manter distribuição Medir o Obter e analisar
negócios produtos para
portfólio de de trabalhos desempenho da feedback de
produtos aos neessidades dos
organização clientes
integrantes clientes

Conduzir
Obter Conduzir encontros de
conhecimento Preparar Coaching troca de
reuniões de
de fora do de grupos de Conduzir experiências dos
troca de Conduzir Planejar e
sistema melhoria coaching clientes
experiências coaching participar
Processos Desenvolver
Desenvolver
material Desenvolver
planejamento Preparar as
de grupos
de
de
líderança
de
checkpoint Responder
Pesquisar na didático melhoria
“Mainstay” literatura métodos /
ferramentas
das atividades
nos clientes
atividades nos
clientes
duvidas técnicas
dos clientes

Participar de Integrar teorias, Desenvolver Desenvolver


seminários métodos e novos materiais e roteiros Conduzir Conduzir Comunicar-se
externos ferramentas produtos de aula/workshop treinamento Workshops com clientes

Agendamento de Faturar clientes Cobrar clientes Ler e responder e-


1 2
atividades mails, recados etc.
Fazer e
Manter Criar e
catalogar Organizar arquivos
biblioteca manter Gerenciar o Gerenciar
propostas Preparar Planejar Manter de trabalho diário
de histórico controle atividades
materiais logística de equipamentos
arquivos dos financeiro bancárias
impressos atividades
Processos técnicos clientes

Manter
Manter a séde Manter site
atualizado
Trabalhar com Pagar contas e da empresa
“Support” Gerenciar
Organizar
e
lista de
contatos Enviar
Planejar
viagens de
contador fornecedores

propriedade de materiais Comprar Criar e enviar


arquivar trabalho comunicações aos
dos empresas equipamentos
Casos de Completar e suprimentos atendidos
arquivos e prospects
sucesso relatórios de
materiais Trabalhar
dos despesas Atualizar lista de
Trabalhar com
clientes contatos nos
com gráficas empresas de Fazer distribuição Relacionamento com
transportes do resultado clientes atendidos
fornecedores diversos

Use o LoP para avaliar a maturidade

Pontuação Definição Operacional da Pontuação

1 Processo não está definido. É um novo processo que ainda precisa ser projetado e
documentado.
Há uma compreensão geral do processo pelas pessoas que atuam nele. Não há
2 documentação, procedimentos ou especificações. Nenhum trabalho formal de
melhoria do processo foi realizado recentemente.
O processo foi definido por todos os seus públicos interessados (gerentes,
funcionários, fornecedores e clientes). O objetivo do processo é compreendido.
3 Existe documentação do processo: fluxogramas, procedimentos, polí ticas, normas,
descrições de atribuições e atividades, manuais de treinamento, ou outros
documentos de suporte.
O processo está bem definido e mensurações do desempenho e qualidade dos
4 resultados/ saí das do processo são utilizadas para monitorá-lo. Métodos gráficos,
como gráficos de controle, são utilizados para avaliar e aprender com as medições.

Processo foi formalmente melhorado ao longo do último ano. Mensurações

5 contí nuas são realizadas no processo, incluindo as entradas dos fornecedores e


feedback dos clientes. Normas e documentação do processo são atualizadas
conforme as melhorias implementadas no processo.

Mensurações chave do processo e dos seus resultados são previsí veis. Os


6 produtos e serviços gerados pelo processo atendem as especificações
consistentemente.
Use o LoP para mapear melhorias

Ação para atingir Prioridade para Última alteração


Grupo Subprocesso Status Objetivo Responsável IC
maturidade /melhoria ação no processo

Processo informal - Contratar profissional,


Produzir ví deos
Marketing sem agendamento agendar entregas na 24/ 04/ 2016 Gerar leads Murilo
marketing
ou metodologia agenda

Distribuição dos temas


para cada um dos
Entregas integrantes, revisão da
Produzir e-books e
agendadas - agenda. Padronização da 24/ 04/ 2016 Gerar leads Murilo Materiais/ mês
planilhas
Necessita pessoal linguagem, com
instrução para geração
de conteúdo.

Entregas
agendadas -
Realizar medição do
Produzir posts Entrega feita pelo 24/ 04/ 2016 Melhorar SEO Virgilio vst organica/ mês
processo e seu resultado
Virgilio - Falta
instrução

2
Teoria do
Conhecimento
Aprendendo a aprender
A construção da melhoria

Os componentes do conhecimento
O ciclo PDSA

O ciclo PDSA
3

Psicologia
A parte humana da mudança

A psicologia

Entender a “psicologia” do sistema é


entender como as pessoas da organização
interagem entre si e com o sistema.

O campo da psicologia é amplo e dinâmico.


Nosso foco será em ideias, métodos,
ferramentas e teorias que nos ajudem a
entender essas interações
Diferenças entre pessoas

Cada pessoa possui


um modelo mental, ou
seja, uma forma de
pensar.

Essa forma de pensar é


dependente da cultura
de cada um e de suas
experiências de vida.

O comportamento é direcionado pela motivação

As pessoas se comportam conforme suas próprias


motivações intrí nsecas.

Cada um tem um fator de motivação e desmotivação,


que depende de seus modelos mentais
Alinhamento da cultura organizacional

Os agentes de melhoria devem saber como alinhar as


motivações de cada um, com o propósito da empresa.
Isso geralmente acontece com um entendimento e
engenharia de cada um dos modelos mentais.
PROPÓSITO DA ORGANIZAÇÃO

Como fazer isso?

O tema
ma será abordado em maiores detalhes
talhes posteriormente, mas
m
podemos indicar
ndicar alguns mecanismos que
meca ismos básicos qu e valem a pena ser conhecidos:
co

A mente se molda A mentet recebe


b Cada estí mulo pode
poode Cada resposta tem Ca resposta tem
Cada
através de estí mulos do meio e ser positivo ou um efeito individual um efeito de curto
recompensas. produz respostas. rdo
negativo (de acordo e coletivo. pr
prazo e de longo
com o ego ou prazo.
contrário a ele).
Como fazer isso?

Como montar a mente a partir do ambiente externo?


no?
Como trabalhar o comportamento?

Escolas psicológicas:
ƒ Comportamental (Behaviorism): Skinner;
ƒ Psicanalí tica: Freud, Adler, Jung;
ƒ De sistemas: Lewis, Barker, Maturana
low
ƒ Humanística/Gestalt: Goldstein, Rogers, Maslow
ƒ ...

Como fazer isso?


Segundo a psicologia de Maslow todos temos
necessidades, das mais básicas às mais
complexas. Satisfazer essas necessidades gera
felicidade.

Aplicada a organização, devemos fornecer


meios para que estas necessidades sejam
satisfeitas.

Quais são essas necessidades?


A “pirâmide de Maslow”

A “pirâmide de Maslow

Maslow nunca apresentou essa hierarquia entre


necessidades como uma pirâmide.

Além dessas necessidades, ele postulou duas outras:

Curiosidade científica Beleza estética

Uma pessoa, percorre o caminho de baixo para cima,


tentando se autoconhecer. Essa filosofia está diretamente
ligada com as ideias de Carl Rogers.
A Melhoria e a
Psicologia Humanística
Quando as pessoas se vêem como parte de um
sistema, trabalhando de forma cooperativa para
alcançar um objetivo compartilhado, elas sentem
que seus esforços significam algo. Elas se vêem
desafiadas, interessadas e se divertindo no
trabalho.

W. EDWARDS DEMING, A NOVA ECONOMIA,


PÁG. 128

Entendimento da
Variação
Onde entra a estastí stica!
Conceitos básicos

Causas de variação
Todos os dados, indicadores e métricas sofrem variação.
Devemos aprender com elas.

Temos dois tipos principais de causas

Causas comuns são aquelas que são inerentes Causas especiais são aquelas que não são
ao processo (ou sistema) ao longo do tempo, parte do processo (ou sistema) todo o tempo, ou
afetam todos os que trabalham no processo e não afetam todo, mas surgem devido a
todos os resultados deste processo. circunstâncias especí ficas.

Como identificar estas causas?

Causas comuns acontecem no tempo, por isso


precisamos de ferramentas dinâmicas:

Gráficos de tendência Gráficos de controle


Como identificar estas causas?

Para a correta aplicação das ferramentas,


devemos entender que existem 3 tipos de
variáveis:

• Variáveis de contagem;

• Variáveis de classificação;

• Variáveis contínuas;

Cada variável é representada por uma distribuição


estatí stica especí fica.

Como identificar estas causas?

Os gráficos de controle nos ajudam a identificar as causas, mas para isso, eles se valem de
modelos estatí sticos especí ficos, dependentes dos tipos de variáveis.
Como identificar estas causas?

O gráfico de individuais, por exemplo, utiliza a distribuição normal para


identificar pontos fora do comportamento natural.

Como identificar estas causas?

CO gr áf i gcáf godOodei náni f gnágnef vder ueasO, gf i gpOd á gdi xdáf goádágeni cvepemáasOgni gmOclucvOf tg
Como identificar estas causas?

Dependendo do tipo
po de
omar
causa, devemos tomar
um tipo de ação:

Sofisticação estatística

A utilização de modelos estatí sticos


de maneira mais aprofundada nos
ajuda a entender como ações
(variáveis de entrada) impactam no
comportamento do desempenho
(variáveis de saí da).
Sofisticação estatística

No curso de Black Belt iremos


aprofundar a teoria sobre estes
modelos estatí sticos.

Recapitulando...

VISÃO SISTÊMICA TEORIA DO ENTENDIMENTO DA PSICOLOGIA


CONHECIMENTO VARIAÇÃO
A organização é um sistema Empresas são feitas de pessoas.
composto de processos. Esses Precisamos saber como gerar Processos variam, indicadores Cada um tem seus objetivos e
processos estão correlacionados. conhecimento sobre o que variam. É necessário estudar e ambições. Entendê-los é vital
É preciso enxergar essa estamos fazendo e saber como aprender com essa variação. para o sucesso da organização.
correlação. disseminá-lo para toda a empresa
As Habilidades
Do Black Belt

Quais habilidades vamos trabalhar?

Usar a Enxergar
estatí stica para processos
entender dados complexos

Dominar a visão
estratégica dos
Liderar equipes
projetos de
melhoria

Integrar as
ferramentas e
Testar e conseguir a
Desenvolver
implementar melhoria mudanças
mudanças
Na próxima aula...
Vamos começar a explorar
explora a
estatí stica para lidar com os
o dados!

Abordaremos os tópicos:
ƒ Probabilidade
ƒ Modelos estatí sticos
ƒ Teste de hipótese
ƒ Análise de variância
ƒ Avaliação do sistema dde
medição
ƒ Análises de Regressão

Probabilide
e Inferência
Essas técnicas…

A teoria atual da probabilidade veio se desenvolvendo


de
desde o século XVI (com Galileu e Cardamo), teve grandes
con
contribuições no século XVII e XVIII (com Pascal, Fermat,
Moiv oje a ser desenvolvido.
Moivre e Bernoulli) e continua até hoje

envo
Seu desenvolvimento teórico é muitas vezess
associado a jogos de azar (desde que os livros de e
estatí stica contam a história de Chevalier de Mère,
que supostamente pediu ajuda a Pascal para
ganhar nos jogos de azar).

Afinal, o que significa probabilidade?

0 1

ed
É uma medida de incerteza.
in A probabilidade de um evento É medida por um número que
é a chance numérica de varia entre 0 e 1 (0 é a
ocorrência do evento. probabilidade de um evento
impossí vel e 1 é a
probabilidade de um evento
certo).
Em qualidade e processos

Na prática, usamos a probabilidade para prever


o comportamento de nossos processos.
Geralmente fazemos isso através de modelos
de distribuição de probabilidade (como é o caso
da distribuição normal).

A probabilidade nos ajuda a tomar decisões.

Ela é a chave de várias ferramentas que usamos


tanto no Measure quanto no Analyze.

Além disso, sua utilização pura pode ser usada


em ambas as fases.

Exemplo
Nosso processo produz cilindros
metálicos com especificação de
comprimento de 10 0, 03 mm.
Sabendo que a média do
comprimento dos cilindros
produzidos é de 10 mm e o desvio
padrão é de 0, 01 mm, quantos
cilindros defeituosos nosso
processo produz? Assuma que a
distribuição do comprimento dos
cilindros está dentro da
distribuição normal.
Exemplo

Dados:
ƒMédia = 10 mm
ƒDesvio padrão = 0, 01
ƒDistribuição normal

Incógnitas
% < 9, 97
0,3%
% > 10, 03

Essa análise é parte da


análise de capabilidade

Tipos de probabilidade

Clássica Frequentista Subjetiva Bayesiana


Probabilidade
Clássica
Calculando fenômenos
analiticamente modeláveis

Probabilidade clássica

Para eventos igualmente prováveis


S = { S1 , S2 , ..., Sn} é o espaço amostral

onde P simboliza a probabilidade e Si é o resultado de um


experimento aleatório com n resultados possí veis, i = 1, .., n

Seja um evento E formado por m eventos igualmente


prováveis:
Exemplo

Para um dados de 6 faces equilibrado S= { 1, 2, 3, 4, 5, 6}


é o espaço amostral

A probabilidade de sair um resultado entre 1 e 3:

Probabilidade clássica

Para eventos não necessariamente igualmente


prováveis S={
S S1 , S2 , ..., Sn} conjunto de eventos
possí veis
A probabilidade não é igual
para todos. P (Si) = pi

Onde pi é a probabilidade de ocorrência de Si, i=1, ..., n


e calculável a partir de suposições

Exemplo:
Uma moeda com duas faces (Cara e Coroa) não equilibrada.

S = { Cara, Coroa}
P(Cara)=P 1 , P(Coroa)=P 2 ; P 1 P2
Probabilidade clássica: cálculo

O cálculo de probabilidade pode ser simples:


Supomos um dado com seis faces. Qual a
probabilidade de cada uma dessas faces?
{ 1, 2, 3, 4, 5, 6}

Para i = 1, ..., 6

Evento E = (resultados pares)

Probabilidade clássica: cálculo

Ou pode ser complexa:


Supomos o jogo de poker com um baralho de 52 cartas.

Sequencia real: 5 cartas seguidas do Sequência de cor: 5 cartas seguidas do


mesmo naipe do 10 ao Ás. mesmo naipe.
P (Sequencia real) = ? P (Sequencia de cor) = ?
Cuidado!

Qual é a chance do primeiro


bebê que vai nascer mês que
vem na cidade de Manaus
seja do sexo masculino?

Nem sempre
Ter apenas dois resultados
possí veis garante que as
probabilidades sejam iguais!
Probabilidade
Frequentista
Modelando fenômenos com
dados passados

Probabilidadee Frequentista

A probabilidade frequentista se
baseia no resultado anterior de
determinado fenômeno para tentar
prever o seu futuro.

Com base nesse comportamento,


estimamos a probabilidade de
determinado fenômeno se repetir.
Probabilidade Frequentista

Seja { R1 , ..., Rk} o conjunto de resultados possí veis de um


experimento realizado n vezes e que cada resultado
ocorre ni vezes. Então:
Número de vezes que o
Probabilidade de resultado Ri aconteceu
obtermos o resultado Ri
Número de vezes que
rodamos o experimento

A somatória de diversos
experimentos calculada
para a probabilidade do
evento i acontecer

Probabilidade Frequentista

Sobre a probabilidade frequentista:

ƒ É a mais usada em qualidade, pois muitas


vezes nossos processos não são
facilmente modeláveis.
ƒ Pode ser aprimorada com o uso de
modelos estatí sticos (como a distribuição
normal).
ƒ É necessário ter muito cuidado em
garantir que o experimento seja
reprodutí vel.
ƒ É necessário cuidado com a qualidade
dos dados para se basear os seus
modelos.
Probabilidade
Subjetiva
Calculando as coisas no chute

Probabilidade Subjetiva

A probabilidade subjetiva é a chance


da ocorrência de um evento
segundo um indiví duo. Ela se baseia
na experiência, no domí nio do
assunto, no grau de convicção ou
simplesmente na expressão de um
desejo do indiví duo.

Exemplo:
Qual é a chance de você ser
promovido?
Probabilidade
Bayesiana
Aprendendo com novos dados

Bayesiana

O foco do teorema é a probabilidade


condicionada. Ou seja, fala da probabilidade
de uma teoria ou hipótese ser verdadeira se
tiver havido determinado acontecimento.
Vamos ao exemplo da história da cueca
encontrada no armário ao chegar de viagem.

P(B|A)*P(A)
P(A|B)
P(B)
Exercício!

A lei de Benford (descoberta por Simon Newcomb


observando tabelas de livros de logaritmo) sugere que a
porcentagem de ocorrência de números 1 a 9 na
primeira casa decimal dos resultados segue a seguinte
probabilidade:

Primeiro dígito 1 2 3 4 5 6 7 8 9

Frequência
0.301 0.176 0.125 0.097 0.079 0.067 0.058 0.051 0.046
Relativa

Que tipo de probabilidade é esta?

Como isso poderia ser usado em negócios?

Distribuições de
Probabilidade
Aprofundando o cálculo das probabilidades
Variável Aleatória

Uma variável aleatória (v.a.) é uma função que atribui um número


da resultado
real a cada res do espaço amostral de umm experimento
aleatório
io

Variável aleatória
leatória discreta
disc riável aleatória contí
Variável contínua
Assume valores em um con conjunto finito ou Assume valores em um intervalo finito ou
um
infinito enumerável infinito de números reais

Notação: em geral a v.a. é denotada por uma letra maiúscula do


final do alfabeto (X, Y, Z, …);

Exemplo

Um garoto conta estrelas e as classifica conforme o seu brilho.


As classificações podem ser colocadas como “muito brilhante”,
“com brilho médio” e “pouco brilhantes”.
Classificação Porcentagem
Muito brilhante 10%

Brilho médio 70%

Pouco brilhantes 20%

X é a variável aleatória que que define o problema acima. (-1


para pouco brilho, 0 para brilho médio e 1 para muito brilhantes.
A distribuição de X fica como:
X Probabilidade
-1 0.2

0 0.7

1 0.1
Distribuição de probabilidade discreta

Exemplo: em um censo é coletado o número


de filhos do casal:
Número de Filhos Porcentagem
0 10%

1 30%

2 35%

3 20%

4 5%

Para uma famí lia escolhida ao acaso, qual a


probabilidade que ela tenha 2 filhos ou mais?
35% + 20% + 5% = 60%
um exemplo de probabilidade frequentista

Distribuição de probabilidade discreta

Para uma variável discreta X com valores X1 ,


X2 , ..., Xn a distribuição é dada por:

f(xi) = P(X = xi)

A distruição de probabilidade satisfaz

Ȉ f(x ) = 1
i

Uma variável aleatória discreta assume apenas alguns


valores especí ficos, por exemplo, ela pode ser 0 ou 1, mas
não 0,5 ou qualquer valor entre 0 e 1.
Distribuição de probabilidade discreta

Seja X o número de filhos do


casal...

ƒX = { 0, 1, 2, 3, 4}
ƒP (X=xi) = { 0, 1, 0, 3, 0, 35, 0, 20, 0, 05} ,
para xi = { 0, 1, 2, 3, 4}
ƒX é uma v.a. discreta
ƒȈ P(x=1) = 1

Média e variância
populacional
Média ou valor esperado (esperança)

Seja X v.a. discreta com distribuição {xi, P(xi); i = 1,2,..,n}, onde

A esperança é a
“média ponderada”
dos valores que X
pode tomar,
Então:
multiplicado pela
probabilidade.

Seria o “valor
médio” esperado,
Ou...
dentro de várias
possibilidades.

Exercício
Uma empresa de seguros vende uma apólice para
1500 proprietários de um modelo de bicicleta
mountain bike que protege contra roubo por dois
anos. O custo de reposição dessa bicicleta é
R$500, 00. Suponha que a probabilidade de um
indiví duo ser roubado durante o perí odo de
proteção é 0.15. Assuma que a probabilidade de
mais de um roubo por indiví duo é zero e que os
eventos são independentes.

a. Qual é o preço de venda da apólice para que


haja um equilí brio para a empresa(ganho zero,
perda zero)?

b. Se a probabilidade de roubo for 0.10, qual é o


ganho esperado por apólice dado o valor de
venda determinado em (a)?
Exercício
Uma empresa de seguros vende uma apólice para
1500 proprietários de um modelo de bicicleta
mountain bike que protege contra roubo por dois
anos. O custo de reposição dessa bicicleta é
R$500, 00. Suponha que a probabilidade de um
indiví duo ser roubado durante o perí odo de
proteção é 0.15. Assuma que a probabilidade de
mais de um roubo por indiví duo é zero e que os
eventos são independentes.

a. Qual é o preço de venda da apólice para que


haja um equilí brio para a empresa(ganho zero,
perda zero)?

E (a) = 0,15 x 500 + 0,85 x 0 = 75 reais

b. Se a probabilidade de roubo for 0.10, qual é o


ganho esperado por apólice dado o valor de
venda determinado em (a)?
Ganho = E (b) – E (a) = 75 – (0,10 x 500) = 25 reais

Aplicação em processos decisórios

Uma eprsda gu movusn guvu gudsgsr nu ruaósl a i ma amcósa1 50 ga dacadsgagu st náaóaga ab0ra 0i nu abi arga masn i m at 0q

Uma at eósnu ud0t . msda gsl Oi u nu uóa uçcat gu ab0ra u an d0t gs1 ã un ud0t . msdan curmat udurum p0anéuóa ruaósl are i m
ói dr0 gu R$, Shqí í í éí í t 0 croçsm0 at 0Adan0 z aQ
a i ma rudunn50éuóa áure i m cruQ
i jl 0 gu R$hí qí í í éí í q

( u uóa agsa a uçcat n50 cara 0 croçsm0 at 0éuóa áure i m ói dr0 gu R$) ? í qí í í éí í nu an d0t gs1 ã un curmat udurum p0an u
áure i m ói dr0 gu R$) ? qí í í éí í nu z 0i vur rudunn50q

Se as chances de que ocorra uma recessão são de 2/3, qual é a decisão que maximiza seu lucro?
Aplicação em processos decisórios

Uma fábrica de móveis deve decidir se realiza uma ampliação da capacidade instalada agora ou se aguarda mais um ano.

Uma análise econômica diz que se ela expande agora e as condições econômicas permanecerem boas, ela realizará um
lucro de R$328.000, 00 no próximo ano; caso haja uma recessão, ela terá um prejuí zo de R$80.000, 00.

Se ela adia a expansão para o próximo ano, ela terá um lucro de R$160.000, 00 se as condições permanecerem boas e
terá um lucro de R$16.000, 00 se houver recessão.

Se as chances de que ocorra uma recessão são de 2/3, qual é a decisão que maximiza seu lucro?

E (expandir) = (o,33 x 328.000) + (0,67 x -80.000) = 108.240 – 53.600 = 54.640


E (adiar) = (0,33 x 160.000) + (0,67 x 16.000) = 52.800 + 10.720 = 63.520
A fábrica deve adiar a expansão.

Propriedades da média

Seja a e b duas constantes e X e Y


duas variáveis aleatórias. Então:

ƒE(a) = a
ƒE(bX) = bE(X)
ƒE(a + X) = a + E(X)
ƒE(aX + bY) = aE(X) + bE(Y)
Variância

Fornece uma medida de dispersão (variação)


dos valores em torno da média É dada pela
somatória do
quadrado doss
A variância é o desvios.
quadrado do
desvio padrão.

Pode-se mostrar que:

Propriedades da variância

Seja a e b duas constantes e X e Y


duas variáveis aleatórias. Então:

ƒVar(XŧƐdzƐǑ
ƒš±ŹƐŦ±ŧƐ÷ƐǑ
ƒVar(a + X) = Var(X)
ƒVar(bX) = b²Var(X)
ƒVar(a + bY) = b²Var(X)
ƒVar (X ± Y) = Var X + Var (Y), se X e Y
são estatisticamente independentes
Propriedades da variância

Um sistema de envasamento consiste em encher um


vidro com lí quido. Os vidros utilizados tem peso médio de
20g e desvio padrão 0.5g.

A quantidade de lí quido em peso que é colocada no litro


pode ser regulada, sendo o valor nominal igual a 185g.

O desvio padrão do sistema de envasamento é 2g.

Qual é o peso médio e o desvio padrão do vidro cheio?

Propriedades da variância

Um sistema de envasamento consiste em encher um


vidro com lí quido. Os vidros utilizados tem peso médio de
20g e desvio padrão 0.5g.

A quantidade de lí quido em peso que é colocada no litro


pode ser regulada, sendo o valor nominal igual a 185g.

O desvio padrão do sistema de envasamento é 2g.

Qual é o peso médio e o desvio padrão do vidro cheio?

E (líquido + vidro) = E(líquido) + E(vidro) = 185 + 20 = 205 g

Var (líquido + vidro) = Var (líquido + vidro) = raiz(2² + 0,5²) = 2,062 g


Modelos
Probabilí sticos

Modelos Probabilísticos

Modelos são usados em todas as


áreas da ciência para representar “Todos os modelos estão errados,
o mundo natural, simplificando-os, porém alguns são úteis”
mas mantendo suas principais - George Box
propriedades.
Modelos Probabilísticos

Temos várias vantagens ao se usar


um modelo:

ƒ Podemos escrever uma Função de


Densidade de Probabilidade
facilmente. (Pense na distribuição
Normal)

ƒ Uma vez com essa função escrita,


podemos calcular a média e a
esperança para se prever nosso
processo.

Modelos Probabilísticos

Os modelos mais utilizados são:

Distribuição Binomial, para variáveis Distribuição de Poisson para demais Distribuições Normal e Exponencial
classificatórias (defeituoso ou não variáveis discretas (contagem de para variáveis contí nuas.
defeituoso, passa ou não passa, etc.) defeitos em uma peça, contagens de
acidentes em um mês, etc.)

Vamos ver cada modelo em mais detalhes, bem como usá-los para fazer predições.
A Distribuição
Binomial
Para respostas variáveis classificatórias

Ensaios de Bernoulli

Considere n repetições sucessivas de um ensaio (ou


teste) com apenas dois resultados possí veis que
respeite as seguintes regras:

ƒEm cada ensaio podem ocorrer somente dois


resultados possí veis: Sucesso (S) e Fracasso (F)

S ƒPara cada ensaio, a probabilidade de que ocorra um


Sucesso, denotada por P(S) é a mesma, e é denotada F
por p, ou seja, P(S)=p. A probabilidade de um Fracasso,
P (F), é dada por 1 -p, ou seja, P(F) = 1 – p. A quantidade
1 – p é denotada por q. Temos então p + q = 1.

ƒCada ensaio é independente


Ensaios de Bernoulli

Se associarmos ao evento S o valor de 1 e ao evento


F o valor 0, a distribuição de probabilidade de X é:
X P(X)

0 1-p
1 1 p

Além disso... 0

Experimento Binomial

Um experimento Binomial obedece as seguintes propriedades:

O experimento Dois resultados são p = P(S) não muda de Os ensaios são


consiste de um possí veis em cada ensaio para ensaio; independentes.
sequencia de n ensaio: Sucesso e
ensaios idênticos; Fracasso (Ensaio de
Bernoulli);
Distribuição Binomial

Considere um experimento Binomial:


ƒSeja X o número de Sucessos nos n ensaios
ƒA variável X pode assumir os valores 0, 1, 2, .., n

Então,

Denotamos X~Bin(n,p)

Linha

0 1
1 1 1
2 1 2 1
3 1 3 3 1
4 1 4 6 4 1
5 1 5 10 10 5 1
6 1 6 15 20 15 6 1
7 1 7 21 35 35 21 7 1
8 1 8 28 56 70 56 28 8 1
9 1 9 36 84 126 126 84 36 9 1
10 1 10 45 120 210 252 210 120 45 10 1

O triângulo de Pascal
O triângulo de Pascal

Propriedades da B(n,p)

Se definirmos então:
Exemplo
Um processo está produzindo garrafas de
vidro em uma linha de produção continua.
A história passada mostra que 1% das
garrafas tem uma ou mais falhas. Se retirar
uma amostra de 10 unidades do processo,
qual é a probabilidade de que haverá 0
garrafas não conformes?

n = 10
§n·
p = 0,01
p ( x) ¨¨ ¸¸. p m 1  p
nm
m=0
©m¹
§10 ·
p ( x) ¨¨ ¸¸.0,010 1  0,01
10
90,4%
©0¹

Exercício
Um gerente de conta especial faz vinte
ligações por dia para clientes para oferecer
um novo produto. De experiência passada
ele estima que a chance de vender o
produto para um cliente é 0.10.

a) Se sua meta diária é realizar 4 vendas,


qual é a probabilidade que ele atinja a
meta em um determinado dia?

b) Qual é o número médio de vendas que


ele realiza por dia?

c) Qual é o desvio padrão do número de


vendas?

d) Qual é o valor mais provável de venda?


A Distribuição
De Poisson
Para respostas variáveis de contagem

Distribuição de Poisson

Um evento S ocorre no tempo (ou espaço) obedecendo os seguintes postulados:

Independência Falta de agrupamento Razão


O número de vezes que S ocorre A chance de duas ou mais O número médio de ocorrências
em qualquer intervalo de tempo é ocorrências de S simultâneas pode de S por unidade de tempo é uma
independente do número de ser assumida como sendo zero. constante, denotada por l, e ela
ocorrências de S em qualquer não muda com o tempo.
outro intervalo de tempo disjunto.
Distribuição de Poisson

Seja X o número de ocorrências de S por unidade de


tempo. Se os postulados anteriores são válidos, então
X~P(Ȝ) e

onde Ȝ é o parâmetro que indica o número média de


ocorrências de X em um intervalo de tempo unitário Então temos que:

ƒE(X)= Ȝ

ƒVar(X)= Ȝ

Exemplo
Uma linha de produção está fabricando mí sseis
guiados. Quando cada mí ssil é concluí do, uma
auditoria é conduzida por um representante da
Força Aérea e todas as não-conformidades são
anotadas. Mesmo que apenas não
conformidades maiores sejam motivo de
rejeição, o contratante principal quer controlar
não-conformidades menores também. Então,
problemas menores como letras borradas,
pequenas rebarbas, etc., são registrados durante
a auditoria. Os dados históricos mostram que, em
média, cada mí ssil tem 3 não-conformidades
menores. Qual é a probabilidade de que o
próximo mí ssil terá 0 não conformidades?

x=0 e 3 ˜ (3) 0
Ȝ=3 p (o ) 5%
0!
Exercício!
Ao enlatar leite em pó, é necessário
acrescentar um dosador. A não inclusão do
dosador é considerada uma falha. O número
de falhas que ocorrem em um lote
produzido tem distribuição de Poisson com
número médio de falhas igual a 5.

1. Qual é a probabilidade que em um lote:

a) Uma lata esteja sem o dosador?


b) Duas ou mais latas estejam sem o
dosador?

2. Qual é o número mais provável de


falhas que ocorrem em um lote?

Variáveis
Contí nuas
Variável aleatória contínua

Em um Call Center o tempo de atendimento de


um cliente é monitorado. Os valores possí veis são
em princí pio, infinitos dentro de um intervalo (a, b),
a<b.

Nesse caso, não faz sentido perguntar qual é a


probabilidade de que o tempo de atendimento
seja igual a um valor t o . Na realidade, essa
probabilidade é igual a zero.

O que se pode perguntar é qual é a probabilidade


que o tempo de atendimento esteja dentro de
um intervalo (x, y), ou seja, P(x<t<y)

Variável aleatória contínua

% de valores Probabilidade
Valores
(histograma) (distribuição)

^
Y < 60 P( Y < 60) = 0.185 P( Y < 60) = 0.167

^
Y >70 P( Y > 70) = 0.140 P (Y > 70) = 0.146

^
Ƿ]Ƿ 5 Ƿ]Ƿ" 5 Ƿ]Ƿ) = 0.687
Função densidade de probabilidade

Propriedades da f.d.p.

Onde:
ȝ = média ou mediana da população
ı = é o desvio padrão da população

Função distribuição acumulada

Se X é uma v.a. contí nua, a função de


distribição acumulada (fda) é F(x) = P (X <= x).

Propriedades:

ƒF(x) é uma função não


decrescente de x

ƒF(- ŧ÷Ǒ

ƒF( )=1
Média e variância de v.a. contínuas

Uma variável aleatória contí nua X, em


geral, também tem uma média e uma
variância com o mesmo significado e as
mesmas interpretações discutidas
anteriormente para o caso discreto, mas
o seu cálculo envolve integrais e não
serão objeto de nosso trabalho aqui.

Para as distribuições que estudaremos


aqui, a média e variância serão
fornecidas em cada caso.

A distribuição normal (Gaussiana)

Dentre as muitas distribuições


contí nuas usadas em
estatí stica, a mais importante é
a Distribuição Normal ou
Gaussiana.

Ela tem a forma de um sino e


está associada com os nomes
de Pierre Laplace e Carl Gauss.

Seu estudo remonta ao século


XVIII
A distribuição normal
(Gaussiana)

ƒ O “teorema central do limite”.

ƒ A robustez ou insensibilidade dos


procedimentos estatí sticos mais
comumente usados a desvios da
suposição de distribuição normal.

Imagine o lançamento de dados.


Qual é a probabilidade para a média do valor dos dados?

O teorema central do limite


Suposição de normalidade

Muitas técnicas estatí sticas são derivadas da


suposição de normalidade das observações
originais.

Em muitos casos, aproximação, em vez de


normalidade exata, é tudo que se requer para
que estes métodos sejam aplicáveis.

Considerando isto, eles são ditos robustos à


não-normalidade.

Desta forma, a menos que seja especificamente


alertado, não se deve ter excessiva
preocupação acerca de normalidade exata.

A distribuição normal

Muitas caracterí sticas de qualidade


contí nuas tem distribuição
razoavelmente simétrica e podem
ser aproximadas por uma curva em
forma de sino conhecida como Curva
Normal, que corresponde à
distribuição Normal ou Gaussiana.
Toda Curva Normal é
definida por dois números:

Média
T odad dC uor vNC

Desvio padrão
T odad do daml oNméC

Definição da Curva Normal

e N fi nf i oNui Np r CNT nsvoT Cmú

Propriedades da Curva Normal


Propriedades da Curva Normal

Quando X~N(0, 1) chamamos distribuição normal padrão


e as probabilidades encontram-se tabeladas

Cada casa na tabela dá a proporção sob


a curva inteira entre z =0 e um valor
positivo de z. As áreas para os valores de
z negativos são obtidas por simetria
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1628 0,1664 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879

Softwares como o Excel também possuem fórumulas que realizam esse cálculo

Propriedades da curva normal com a N(ȝ,ı²)

Seja X~N ( , ı )

Considere
Pode-se mostrar que Z tem distribuição normal e...

Portanto Z~N (0, 1)


Propriedades da curva normal com a N(ȝ,ı²)

Se quiseremos calcular P(X < b) fazemos:

onde

Procuramos na tabela N(0, 1) o valor z0

Exemplo

O diâmetro de uma peça pode ser


aproximado pela distribuição Normal
com média 0.2508 e desvio padrão
0.0005. A especificação para do
diâmetro da peça é 0.2500±0.0015.
Qual é a proporção de peças que são
duzidas dentro
produzidas de da especificação?

§ 0.2485-0.2508 d Z d 0.2515-0.2508 ·
P( 0.2485 d X d 0.2515 ) P¨ ¸
© 0.0005 0.0005 ¹
P(  4.6 d Z d 1.4 ) P(Z d 1.4 )  P(Z d 4.6 )
0.91024  0.00000 0.91924 # 92%
Exemplo Prático

Suponha verificamos a resistência à ruptura de um


processo de colagem fio de ouro usado na produção de
um microcircuito e descobrimos que a força média do
processo é 9 e o desvio padrão é de 4. O processo de
distribuição é normal. Se a especificação de engenharia é
de no mí nimo 3, qual a percentagem do processo estará
abaixo da especificação inferior?

Como nossos dados partiram de um amostra, utilizamos:

Da tabela Sigma, para Z=-1, 5, temos a probabilidade de


que 6, 68% da área seja menor que o valor de Z.

Exercício!
O peso bruto de um produto é a soma do
peso lí quido mais o peso da embalagem.
Suponha que a máquina que embala o
produto é tal que o peso lí quido colocado
na embalagem tem distribuição Normal
com média igual a 300 g e desvio padrão
igual a 2 gramas. O peso da embalagem
tem distribuição Normal com média igual a
5 g e desvio padrão igual a 0.5 g.

a) Qual é a distribuição do peso bruto do


produto?

b) Qual dos dois processos é mais


preciso?
Distribuição exponencial

A distribuição exponencial é
muito utilizada quando
trabalhamos com tempo para
ocorrência de um evento, por
exemplo, tempo para
atendimento de uma chamada.

Onde x Ǹ

Distribuição exponencial

A função distribuição acumulada é dada por:


Propriedades da distribuição exponencial

Se X~Exp(Į), então:

Relação entre Poisson e Exponencial

Quando usamos a distribuição de


Poisson para modelar, por exemplo, o
número de ligações em um intervalo
de tempo é possí vel mostrar que o
tempo entre duas ligações sucessivas
terá distribuição exponencial, ou seja,
sob certas condições:

X : o número de chamadas
Y: tempo entre estas chamadas
Exemplo
A companhia de água da cidade A,
registra uma média de 500
vazamentos no sistema por ano. Qual
é a probabilidade de que a equipe
que trabalho aos finais de semana,
das 18: 00 da sexta-feira até as 6: 00 Comecemos por converter 500 vazamentos por ano para
horas. Deste modo, podemos esperar que a cada (8670
da segunda-feira, não tenha horas)/ 500 vazamentos = 17,52 horas a cada vazamento,
nenhuma chamada? Se a equipe irá trabalhar por 60 horas, temos:

p ( x d 60) 1  e 60 17 ,52 96,7%


A equipe poderá ficar tranquila em 3,3% dos
finais de semana

Exercício

Suponha que o tempo entre duas


ligações seja modelada por uma
distribuição exponencial de
parâmetro 1 minuto.

Qual a chance de não acontecerem


mais do que 3 ligações em um
minuto?
Inferência
sobre a forma

Inferência

O termo inferência é definido como:


1. ato ou processo de derivar conclusões lógicas das
premissas conhecidas ou assumidas como verdade,
ou
2. ato de raciocí nio lógico a partir de conhecimento
ou baseado em evidências factuais. A inferência
estatí stica proporciona informações que são usadas
no processo inferir ou predizer sobre algo.

Na maioria das aplicações práticas da estatí stica


enumerativa, como o Seis Sigma, nós fazemos
inferências sobre populações com base nos dados de
uma amostra.
Inferência

Considere uma população ou um processo e uma variável de interesse


medida em uma amostra.
Os dados da amostra podem ser usados para realizar inferências sobre a
população ou o processo.
As caracterí sticas (parâmetros) de interesse são em geral:

A forma d
da di
distribuição
t ib i ã da A média O desvio padrão
variável
Vamos analisar como fazer esses testes!

Inferência sobre a forma

O objetivo é identificar se existe uma


distribuição conhecida que pode ser
usada para aproximar a distribuição dos
valores, como por exemplo a Distribuição
Normal, ou Exponencial, ou Weibull.

Isso pode ser feito ajustando-se o gráfico


probabilí stico de uma determinada
distribuição aos dados. Caso o gráfico
seja aproximadamente uma reta, a
distribuição correspondente pode ser
usada.
Inferência sobre a forma

Uma empresa monitorou o tempo gasto para atender


uma chamada de um cliente em um call center. Trinta
atendimentos foram medidos. Os dados obtidos
encontram-se na tabela abaixo.

Chamada 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

Tempo 2,53 5,52 3,53 3,26 6,31 4,04 4,09 1,22 3,42 5,01 5,57 4,60 3,84 5,37 3,42 4,51 1,84 6,89 3,53 6,75 4,81 4,82 7,19 2,39 5,52 5,01 1,94 4,60 2,35 2,07

Isso é uma AMOSTRA!

Queremos saber sobre as caracterí sticas da POPULAÇÃO!

Gráfico probabilístico

O gráfico Probabilí stico Normal indica que a distribuição Normal é adequada para descrever a
distribuição do tempo de atendimento.

O p-valor alto
afirma que a
distribuição pode
ser aproximada por
uma curva normal.
Estabilidade e normalidade

Não há evidência de que o processo não


esteja sob controle

O gráfico sugere que a distribuição Normal é


adequada para descrever a distribuição do
tempo de atendimento

Inferência sobre a média e o desvio padrão

A inferência sobre a média e o desvio padrão da população pode ser feita de três formas:

Estimação pontual Intervalo de confiança Teste de hipóteses

Obs.:
ƒ Essas inferências só fazem sentido se os dados se ajustam a uma distribuição e se o processo está estável.
ƒ É importante fazer inicialmente o gráfico de controle e em seguida o gráfico probabilístico.
Estimação pontual

Representa-se os valores de uma amostra de tamanho n


por x1, x2, ... , xn.

A estimação pontual da média e do desvio padrão da


população são dados pela média amostral e pelo desvio
padrão respectivamente:

Média x
¦x i

Desvio Padrão s
¦ (x  x)i
2

n 1

Margem de erro

A estimação pontual não fornece informação


sobre a precisão da estimativa.

A precisão de uma estimativa pode ser medida


através da margem de erro.

A margem de erro da estimativa pontual da


média é dada por:

s
M.E. # 2*
n
Intervalo de confiança para média

Um intervalo de confiança de 95% para a média populacional é dado por:


s s
(x  t0 .025 ,(n 1 )* , x  t0 .025 ,(n 1 )* )
n n

A amplitude do intervalo de confiança é dada por:

s
2*t0 .025 ,(n 1 )*
n

t0.025,(n-1) é o percentil 2.5% da distribuição


t-Student com (n-1) graus de liberdade.

Intervalo de confiança para desvio padrão

Um intervalo de confiança de 95% para o desvio padrão populacional é dado por:

§ (n-1 )
¨ s 2 , s (n- 1 ) ·¸
¨ Ȥ Ȥ 2 ¸
© 0 .025 0 .975 ¹

X20.025,(n-1) e X20.025,(n-1) são os


percentis
per 2.5% e 97.5% respectivamente da
distribuição
di Qui-quadrado com (n-1) graus
de liberdade
Exemplo no Minitab

Summary for tempo de atendimento


A nderson-Darling N ormality Test
A -S quared 0.22
P -V alue 0.813
M ean 4.1983
S tDev 1.5876
V ariance 2.5205
S kew ness 0.026119
Kurtosis -0.694410
N 30
M inimum 1.2200
1st Q uartile 3.0775
M edian 4.3000
3rd Q uartile 5.4075
1 2 3 4 5 6 7 M aximum 7.1900
95% C onfidence Interv al for M ean
3.6055 4.7912
95% C onfidence Interv al for M edian
3.4452 4.9665
95% C onfidence Interv al for S tDev
9 5 % C onfidence Inter vals
1.2644 2.1342
Mean

Median

3.50 3.75 4.00 4.25 4.50 4.75 5.00

Teste de
Hipóteses
Para análise de populações
Testes de Hipótese

Geralmente, no Analyze
buscamos enxergar Y = f(x).
Usamos as seguintes
ferramentas avançadas, para
cada caso:

Teste de Hipóteses

A inferência estatí stica geralmente envolve 4 passos:

Formulação de hipóteses Coletar uma amostra de Cálculo das estatí sticas Aceitar ou refutar a hipótese
sobre a população ou o observações da população; baseados na amostra; com base num critério de
estado da natureza; aceitação pré-determinado.

Por isto, testar hipótese é tão importante


Exemplo: trajeto

ƒ Você utiliza um
determinado trajeto
para o trabalho todos
os dias.

ƒ Você coleta os
tempos de
deslocamento dos
últimos 2 anos.

Exemplo: trajeto

Um colega lhe propõe um trajeto


novo (supostamente mais rápido)

Passo 1: Formalização do teste


Exemplo: trajeto

No dia seguinte você utiliza o


trajeto sugerido e gasta 29
minutos...

Qual a sua decisão?

Devemos coletar mais dados!

Exemplo: trajeto

9 observações são coletadas ;ࡃ=29

A precisão de ;ࡃpode ser calculada como:

Quanto maior a amostra, maior a precisão!


Exemplo: trajeto

Critério: C* = - Ʒ

Precisamos corrigir o critério pela precisão

Supondo ı = 1

Qual a sua decisão?


C está suficientemente afastado?

Exemplo: trajeto

Como visto anteriormente, ~ N (0, 1/ 3) ֜ C ~ N (0, 1)


Calculamos P (C < -3) utilizando a tabela da N(0, 1)

men for P (C < -3) maior a evidência de HA e, portanto,


Quanto menor anto,
rejeitamos HǑ
Exemplo: trajeto

Dessa forma, completamos os 4 passos:

Exemplo: trajeto

Caso ı tenha que ser estimado por

O critério fica:

Obs:
tn-1=t de student com n – 1 graus de liberdade
Exemplo: trajeto

Suponha que na realização dos 9 trajetos os tempos tenham sido:

Nesse caso:

Observação:

Uma diferença que é estatisticamente


significante pode não ser significante do
ponto de vista prático!

Exemplo: trajeto
Testes de hipótese no Minitab

Ajuda na decisão de
qual teste utilizar

Testes de hipótese no Minitab

O Minitab vai definir o


melhor critério e
distribuição,
dependendo no tipo de
variável, na comparação
e na dependência entre
as variáveis.
Testes de hipótese no Minitab

Também é possível utilizar a


abordagem tradicional para
os testes de hipótese.

Exemplo: Call Center

Voltando ao exemplo anterior, uma empresa monitorou o tempo gasto para


atender uma chamada de um cliente em um call center. Trinta atendimentos
forma medidos. Os dados obtidos encontram-se na tabela abaixo

Chamada 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

Tempo 2,53 5,52 3,53 3,26 6,31 4,04 4,09 1,22 3,42 5,01 5,57 4,60 3,84 5,37 3,42 4,51 1,84 6,89 3,53 6,75 4,81 4,82 7,19 2,39 5,52 5,01 1,94 4,60 2,35 2,07
Exemplo: Call Center

No exemplo, suponha que o objetivo era que


o tempo médio de atendimento fosse igual a
3, 50 minutos. O objetivo estava sendo
alcançado?

Teste de Hipótese
Ho: P0 = 3.50 H 1: P0 z 3.50

y  ȝ0
Critério do teste : t0
s
n
Este teste é chamado de teste-t.

Exemplo: Call Center

Calculando o critério:

y  ȝ0 4.165  3.50
t0 2.23
s 1.634
n 30

p-valor = 0.034

Há evidência para rejeitar H0.

OBS. O gráfico de controle deve ser feito antes do


cálculo do p-valor. Caso haja causas especiais
atuando no processo, não se deve calcular o p-valor
Exemplo: Call Center no Minitab

Em “Option”
podemos ver a
hipótese alternativa

Exemplo: Call Center no Minitab

Refutamos a
hipótese nula
Exemplo: Call Center no Minitab (assistente)

Exemplo: Call Center no Minitab (assistente)

1-Sample t Test for the Mean of Tempos


Report Card
Check Status Description
Unusual There are no unusual data points. Unusual data can have a strong influence on the results.
Data
Normality Because your sample size is at least 20, normality is not an issue. The test is accurate with nonnormal data when the sample
size is large enough.

Sample The sample is sufficient to detect a difference between the mean and the target.
Size
Exemplo: Call Center no Minitab (assistente)

1-Sample t Test for the Mean of Tempos


Diagnostic Report

Data in Worksheet Order


Investigate any outliers (marked in red).

7,5

Avaliação de
5,0
Estabilidade:
há padrão? 2,5

0,0

What is the chance of detecting a difference? What difference can you detect with a sample size
Power of 30?
< 40% 60% 90% 100%
Difference Power
0,68288 60%
0,76660 70%
0,86459 80%
0,68288 1,0005 1,0005 90%
Difference
For į = 0,05 and sample size = 30:
If the true mean differed from the target by 0,68288 in either direction, you
would have a 60% chance of detecting the difference. If it differed by 1,0005,
you would have a 90% chance.

Power is a function of the sample size and the standard deviation. To detect smaller differences, consider increasing the sample size.

Exemplo: Call Center no Minitab (assistente)

1-Sample t Test for the Mean of Tempos


Summary Report

Does the mean differ from 3,5?


Statistics
0 0,05 0,1 > 0,5
Sample size 30

P-valor Yes No
Mean
95% CI
4,165
(3,5550; 4,7750) Estatísticas
P = 0,034 Standard deviation 1,6337
Target 3,5
The mean of Tempos is significantly different from the target (p <
0,05).

Distribution of Data
Where are the data relative to the target?
3,5 Comments

‡ Test: You can conclude that the mean differs from 3,5 at the

Distribuição: IC 0,05 level of significance.


‡ CI: Quantifies the uncertainty associated with estimating the
mean from sample data. You can be 95% confident that the
e Histograma true mean is between 3,5550 and 4,7750.
‡ Distribution of Data: Compare the location of the data to the
target. Look for unusual data before interpreting the test
results.
Comentários

1 2 3 4 5 6 7
Análise de p-valor

Se o p-valor for menor que 1%, rejeita- Se o p-valor for maior que 10%, não Se o p-valor estiver entre 1% e 10%,
se a hipótese nula; rejeita-se a hipótese nula; deve-se considerar outros fatores para
se tomar uma decisão, como o risco,
custo, etc.;

Obs. As recomendações acima são as usuais e são adequadas para a maior


parte dos casos. Porém, a decisão de rejeitar ou não uma hipótese deve
ser feita levando em consideração os riscos e custos associados com a
decisão. Significância estatí stica não é a mesma coisa que importância!

Testes de hipótese

O que temos que saber para realizar corretamente um teste de hipótese?

O tipo de variável (atributo ou O que estamos testando Tipo de variável (dependente ou


contí nua); (médias, variâncias, mí nimos independente.
quadrados, etc.);

O Minitab 17 nos ajuda a escolher o teste correto para cada situação.


ANOVA e
testes de hipóteses
no contexto do DMAIC

ANOVA

A ANOVA é uma ferramenta que nos ajuda muito na fase do Analyze e do


Improve. O objetivo da anova é entender diferenças entre populações.
Ela ajuda a:

Identificar correlações entre variáveis Identificar o efeito de fatores em


(banco de dados) experimentação (análise de população)

Vamos ver um pouco mais da ferramenta no contexto da


análise de banco de dados.
ANOVA

Geralmente, no Analyze
buscamos enxergar Y = f(x).
Usamos as seguintes
ferramentas avançadas, para
cada caso:

ANOVA e testes no Minitab

Onde eu encontro a anova no Minitab? – Abordagem tradicional.


ANOVA e testes no Minitab

Onde eu encontro a anova


no Minitab?
Abordagem do assistente.

ANOVA - Utilização

rmos a ANOVA, precisamos:


Para usarmos prec
A ANOVA é um teste de hipóteses. A
hipótese nula padrão é:

H 0 => a = b = c e H 1 => a b c

E como avaliar isto?


Normalidade
de (embora
o haja robustez
robu para
Comparando-se a variabilidade dentro do amostras maiores)
grupo com a variabilidade entre os grupos.

Quanto maior for a variabilidade entre os


grupos, maior a evidência de que há
diferença entre as médias e, que a hipótese
H0 não é verdadeira.
Variâncias iguais nas populações (Para dados
normais ou não normais)
ANOVA – Passo a passo

Como contextualizar a
análise?

ANOVA – Passo a passo


1 – Analise a estabilidade (se aplicável)

Para avaliar a estabilidade


temos que fazer os gráficos de
controle!

ƒ O processo está estável?

ƒ O processo está estável


dentro dos ní veis?
ANOVA – Passo a passo
2 - Estude a forma de distribuição

Para a avaliação da forma,


precisamos fazer o Gráfico
de Probabilidade
(Probability Plot)

ƒ Há normalidade no
processo?

ƒ Há normalidade dentro
de cada um dos ní veis?

ANOVA – Passo a passo


3 – Estude a dispersão

Para o estudo da dispersão, queremos dizer


entender se há isovariância.

Temos vários testes:

• Barlett ou F (2 subgrupos, dados normais)


• Levene (não normais)
• Comparações múltiplas (grande amostragem,
dados assimétricos)

A hipótese nula é que as variâncias são iguais. Um


p-valor pequeno (<0, 05) refuta a hipótese nula
(então as variâncias são diferentes e eu não posso
usar a ANOVA).
ANOVA – Passo a passo
3 – Estude a dispersão

Test for Equal Variances: A; B; C


Multiple comparison intervals for the standard deviation, į = 0,05

Multiple Comparisons
P-Value 0,487
A Levene’s Test
P-Value 0,712

0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6

If intervals do not overlap, the corresponding stdevs are significantly different.

ANOVA – Passo a passo


4 – Estude a centralidade (aqui entra a ANOVA)

Após isso, fazemos a ANOVA.


One-Way ANOVA for A; B; C
Summary Report

Do the means differ? Which means differ?


0 0,05 0,1 > 0,5 Sample Differs from Um p-valor
A B C
Yes No B A C pequeno refuta a
P < 0,001 C A B
Differences among the means are significant (p < 0,05). hipótese nula,
indicando que há
Means Comparison Chart diferença entre as
Red intervals that do not overlap differ. Comments
médias.
‡ Test: You can conclude that there are differences among the
means at the 0,05 level of significance.
‡ Comparison Chart: Look for red comparison intervals that do
A
not overlap to identify means that differ from each other.
Consider the size of the differences to determine if they have
practical implications.

0,0 2,5 5,0 7,5 10,0


ANOVA – Passo a passo
4 – Estude a centralidade (aqui entra a ANOVA)

Do jeito tradicional:
Rejeitamos a hipótese nula!
O R² é o Fator de Significância
da ANOVA.

ƒ Ele é calculado igual na


Regressão (SS dos
fatores/ SS total) – Vamos
explorar mais este conceito
na aula de Regressão.

ƒ Neste caso, 94% da diferença


é explicada pelo fator A, B, C.

ANOVA – Passo a passo


4 – Estude a centralidade (aqui entra a ANOVA)

Residual Plots for A; B; C


Normal Probability Plot Versus Fits
99,9
99
2
90
Residual
Percent

50 0

10 -2
1
0,1 -4
-4 -2 0 2 4 0,0 2,5 5,0 7,5 10,0
Residual Fitted Value

Histogram
20
Resíduos devem ser:
15
Frequency

10

5
ƒ Aleatórios
0
-3 -2 -1 0 1 2 3
ƒ Normais
Residual ƒ Sem padrão
ƒ Estáveis
Análise de
regressão

Regressão Linear

Geralmente, no Analyze
buscamos enxergar Y = f(x).
Usamos as seguintes
ferramentas avançadas, para
cada caso:
Regressão Linear

Regressão Linear

Vamos começar a fazer um gráfico de dispersão:


Regressão Linear

Parece haver alguma relação entre a idade


do propelente (X) e dureza para cisalhar (Y)?

Como você deseja descrever essa relação?

Regressão Linear

PPaPrec eParc ePeh ehvPl cgecrPracuPmçã rcgeacr


Y
ã rornPact heã ai rcrã rdrnpc ( ã ePi Xr) Pl ã rPr
uhgz Prt crPs) ecrt PracYac çã ?r X
r
Regressão Linear

A partir da linha ajustada,


podemos ver que à medida
que a idade do propelente
aumenta, a força de
cisalhamento diminui.
Este é um exemplo de uma
relação inversa. Também
vemos uma equação linear e
um valor R (R-Sq). Quem são
esses? Vamos explorar!

O Minitab encontra uma linha que minimizará as distâncias dos pontos plotados para a linha ....

De onde vem a linha de ajuste?


A equação de qualquer reta é...

Coeficiente
Intercepto do Y
Angular

Na regressão, nós
escrevemos a equação
usando b0 e b1

Coeficiente linear: intercepto em Y

Quando X=0, Y é igual a b 0. Em outras palavras, o local onde a linha


ajustada cruza o eixo Y.
Coeficiente angular

Coeficiente angular é a inclinação da linha de ajuste.


Matematicamente:

Qual a saída da Regressão Linear no Minitab?

Y = 2628 – 37,15x

A equação dá a você uma


estimativa do comportamento
do processo

Note que R² = 90,2%

Falaremos sobre isso mais tarde


Qual a saída da Regressão Linear no Minitab?

Dado:

Y = 2628 – 37,15x

Exercício: Se a idade do propelente (x) é 10,


qual valor aproximado nós devemos esperar
para tensão de cisalhamento?

Exercício: Se a idade do propelente (x) é 50,


qual valor aproximado nós devemos esperar
para tensão de cisalhamento?

Qual a saída da Regressão Linear no Minitab?

H0: Coefic. Angular = 0


(sem correlação)

H1: Coefic&RKYPEVǶ
(há correlação)

R-Sq = SSRegressão / SSTotal S = Quadrados (MS Erro do Resíduo)


Qual a saída da Regressão Linear no Minitab?

DF: os graus de liberdade (DF) indicam a


quantidade de informações em seus dados.
A análise usa essas informações para estimar
os valores dos parâmetros desconhecidos
da população. Os DF totais são determinados
pelo número de observações em sua
amostra. Aumentar o tamanho amostral
fornece mais informações sobre a
população, o que aumenta os DF totais.
Aumentar o número de termos em seu
modelo usará mais informações, o que
diminui os DF disponí veis para estimar a
variabilidade das estimativas dos
parâmetros.

Qual a saída da Regressão Linear no Minitab?

DF para curvatura: Se um experimento tiver pontos centrais, um DF é para o teste de


curvatura. Se o termo para os pontos centrais estiver no modelo, a linha de curvatura é parte
do modelo. Se o termo para pontos centrais não estiver no modelo, a linha de curvatura é
parte do erro que é usado para testar os termos que estão no modelo.

DF para erro: Se estiverem reunidas duas condições, então o Minitab particiona o DF para
erros que não são relacionados a curvatura. A primeira condição é que deve haver termos
que possam ser ajustados com os dados que não estão no modelo atual. A segunda
condição é de que os dados contenham replicações.

Se estiverem reunidas as duas condições, então as duas partes do DF para erro são teste de ajuste (lack-of-fit) e erro
puro. O DF para o teste de ajuste (lack-of-fit) permite saber se o modelo é adequado. O teste de ajuste (lack-of-fit)
utiliza os graus de liberdade para detecção de ajuste (lack-of-fit). Quanto mais DF para erro puro, maior o poder do
teste de ajuste (lack-of-fit).
Qual a saída da Regressão Linear no Minitab?

SS: A soma dos quadrados ajustada é uma medida


da variação para os diferentes componentes do
modelo. A ordem dos preditores do modelo não
afeta o cálculo da soma dos quadrados ajustada.
Na tabela de análise de variância, o Minitab separa
as somas dos quadrados em diferentes
componentes que descrevem a variação devido a
várias fontes.

O Minitab usa a soma dos quadrados ajustada para


calcular o p-valor na tabela ANOVA. O Minitab
também usa a soma dos quadrados para calcular a
estatí stica R . Normalmente, você interpreta p-
valor e a estatí stica R em vez da soma dos
quadrados.

Qual a saída da Regressão Linear no Minitab?

MS: Os quadrados médios ajustados medem o quanto


da variação por ser explicado por um termo ou por um
modelo, assumindo que todos os outros termos
estejam no modelo, independentemente de sua ordem
no modelo. Diferentemente das somas dos quadrados
ajustados, os quadrados médios ajustados
consideraram os graus de liberdade. O quadrado médio
do erro ajustado (também chamado MSE ou s ) é a
variância em torno dos valores ajustados.

O Minitab usa os quadrados médios ajustados para


calcular o p-valor na tabela ANOVA. O Minitab também
usa os quadrados médios ajustados para calcular a
estatí stica R ajustada. Normalmente, você interpreta os
valores-p e a estatí stica R2 ajustada em vez dos
quadrados médios ajustados.
Qual a saída da Regressão Linear no Minitab?

Valor F: O valor-f é a estatí stica de teste usado para


determinar se algum termo no modelo está associado com
a resposta, incluindo covariáveis, blocos, termos de fator e
curvatura.

O Minitab usa o valor-f para calcular o p-valor, que pode


ser usado para a tomada de uma decisão sobre a
significância estatí stica do teste. O p-valor é uma
probabilidade que mede a evidência contra a hipótese
nula. As probabilidades inferiores fornecem evidências
mais fortes contra a hipótese nula. Um valor-f
suficientemente grande indica significância estatí stica.

Se você quiser usar o valor de F para determinar se deve


rejeitar a hipótese nula, compare o valor de F com o seu
valor crí tico. É possí vel calcular o valor crí tico no Minitab ou
encontrar o valor crí tico de uma tabela distribuição F na
maioria dos livros de estatí sticas.

Fontes de Variação
O que é o R²?

SSRegressão
R² =
SSTotal

Exemplo:
1527843
R² = = 90,2%
1693738

O que é o R²?

O nome correto do R é Coeficiente de


determinação.

No dia a dia é comum chamarmos de


Significância Prática.

R é a medida da quantidade de variação na


saí da que é explicada pelo modelo de
regressão. O valor do R sempre ficará entre
0 e 1 (0% e 100%). Quanto maior o valor, maior
será a confiança que nós temos do modelo.

Muito útil e prático.


O que é o R²?

R² = 90,2%

Isso significa que 90,2%


da variação pode ser
explicada pela equação.

Ou seja, 9,8% são


devido a outros fatores.

Exemplos de R²

R²² = 87,6% R² = 11,6%


Quão grande R² deve ser?

Essa resposta depende do que você


está estudando, por exemplo, para
sistemas de segurança seria
necessário um valor de R mais alto,
já clipes de papel, essa valor pode
ser menor....

Diferentes autores sugerem


diferentes critérios de decisão
(geralmente + 80%). O importante é
perceber que quanto maior o R ,
mais forte é a relação entre X e Y.

Resíduos

Resíduo = Valor atual – Valor ajustado


Resíduo = Ȗ
i – Ȗ i
Análise de Resíduo

Se você tem um bom modelo, então os resí duos...

Estarão distribuí dos aleatoriamente;

‫ݱ‬ Terão variância constante;

Seguirão uma distribuição normal;

- = + Terão uma soma próxima a 0.

A avaliação do resí duo é um controle sobre a


qualidade do seu modelo

Análise de Resíduo

Veremos agora como verificar a


normalidade, a estabilidade e os
padrões de variância dos resí duos
do modelo utilizando o Minitab
Análise de Resíduo

1. Estão aleatoriamente distribuí dos?

2. A variância é constante?

3
3. Seguem uma distribuição normal?

Análise de resíduos

Os resí d
duos estão contidos em uma faixa
reta, sem padrão óbvio no gráfico.

O modelo está OK

Os resí d
duos exibem um padrão de funil;
A variaç
variação dos erros não é constante -
aumenta à medida que Y aumenta

O modelo não está OK


Análise de resíduos

Os resí duos apresentam um padrão


parabólico ou quadrático; talvez seja
necessário um modelo de ordem superior

O modelo não está OK

Os resí d
duos apresentam um padrão de arco
duplo; A variação dos erros não é constante
- pode devido à proporção de dados, ou a
necess
necessidade de fazer uma transformação

O modelo não está OK

Use e abuse da análise de Regressão!

ƒ Os modelos de regressão são equações de


interpolação e não equações de extrapolação.

ƒ Observe com atenção a influência de algumas


das variáveis “x” na saí da do seu modelo.

ƒ Observe os “outliers” e as causas especiais,


mas não seja muito ávido em remover esses
valores da sua análise.

ƒ Cuidado com relações "sem sentido" e


conclusões erradas

Correlação não implica


em causalidade!
Influência de “x”

Se o “outlier” for um valor ruim pois Qual é o efeito


deste ponto nos
foi mal coletado, as estimativas do parâmetros?
modelo são erradas e o erro está
inflado.
No entanto, se o valor “outlier” for
um valor real do processo, ele não
deve ser removido. É um dado útil.
Consulte seus livros de registro e
notas de estudo de regressão para
entender esse ponto.
Avalie o modelo com e sem o ponto
para determinar seu efeito.

Influência de “x”

Como ficam os
coeficientes
sem este ponto?
Avalie os dados com e sem o
ponto extremo esquerdo

Se o valor de R muda muito com


esta análise, esse valor estava
contribuindo com muita
influência no modelo.
Correlação vs. Causalidade

Os dados de uma cidade mostraram que, à medida que a densidade


populacional de cegonhas aumentava, a população da cidade também
aumentava. As cegonhas influenciam a população?

Correlação x Causalidade

Rádios causam
loucura?
R² = 98,42%
Procurando um modelo melhor

Procure um modelo melhor


usando um modelo de
regressão quadrática. Você
também pode tentar um
modelo cúbico.

Avalie a adequação do modelo,


observando p-valor, R e
resí duos.

Não faça seu modelo mais


complexo do que o necessário

Modelo quadrático

Termo
quadrático
insignificante
Modelo cúbico

Termo
cúbico
insignificante

Assistente do Minitab

ou

Clique em “more...” se você quiser recapitular


Assistente do Minitab

O que o assistente diz sobre a seleção do modelo para regressão simples

Assistente do Minitab

O que o assistente diz sobre a seleção do modelo para regressão simples


Assistente do Minitab: Menu

Seja cauteloso,
p
permitindo que Minitab
sselecione seu modelo.
Analise seus dados
graficamente e
consulte as leis da
fí sica antes de ajustar
um modelo usando o
assistente do Minitab

Alfa = 0,05

Assistente do Minitab: Relatório da Análise

Amount of data – tamanho de amostra pequeno. Seja um


pouco cuidadoso ao avaliar a força do relacionamento

Unusual data – 2 pontos não estão adequados ao modelo

Normality – desde sua amostra esteja acima de 15


observações, a normalidade não será um problema

Model fit – Avalie a amplitude para valores de x, possí vel


curvatura e possí veis áreas de interesse especial
Assistente do Minitab: Relatório de Previsão

O Relatório de Previsão exibe o


intervalo e o gráfico de predição
para cada resposta prevista,
fornecendo um intervalo que
contenha um determinado ponto
medido.

O intervalo de predição é sempre


maior do que o intervalo de
confiança por causa da incerteza
adicional envolvida na previsão de
uma resposta individual.

Assistente do Minitab: Relatório de Diagnóstico

Os valores de Residuals vs Fitted


devem formar uma faixa reta.

Os resí duos devem exibir apenas


variações aleatórias no gráfico de
série temporal.

Há algum problema presente com


este modelo?
Assistente do Minitab: Relatório de Diagnóstico

O assistente escolheu
um modelo linear

2 pontos de dados têm


um ajuste fraco para o
modelo escolhido
(= grandes resí duos)

Abaixo do gráfico você


encontra uma tabela de
resumo contendo
estatí sticas-chave tanto
para o modelo escolhido o
como para o modelo
alternativo
(= não escolhido)

Existe uma relação


significativa entre Y e Aqui está o
X, pois p está bem gráfico de ajuste
abaixo de 0, 05 adequado,
incluindo a
equação de
regressão
escolhida
O modelo explica 90%
da variação em Y

Comentários e
O coeficiente de conclusões
correlação é de -0, 95,
indicando uma forte
correlação negativa

Assistente do Minitab: Sumário


Diretrizes para construção de Modelos de Regressão

Siga as leis da fí sica, se for


conhecida, ao construir seu
modelo de regressão Y = f(X)

Mantenha o modelo simples.


sim E
lembre-se que a correlação não
implica causalidade.

Exercício
Objetivo: Praticar o uso da técnica de regressão
para estabelecer um modelo para a função de
transferência entre um fator de projeto (X) e sua
saí da (Y)

Saída: Tempo de vôo

Exercício:
- Faça entre 12 e 15 vôos em diferentes
configurações para o seu fator de design.
- Existe correlação entre o fator de design
escolhido e o tempo de vôo?
- Como é o relacionamento?
- Quanto aquele fator de design afeta a saí da?
- Atualize seu modelo de carta patente do
helicóptero.
Sumário

Construí mos e analisamos linhas de ajustes em


gráficos de dispersão Y

Estudamos os conceitos X
básicos de regressão
Estudamos os conceitos de
análise de resí duos
Desenvolvemos modelos preditivos
matemáticos usando regressão
Discutimos Correlação vs. Causalidade

Regressão
Múltipla
Regressão linear múltipla

Boa notícia: Você não precisa esquecer todas essass


essão
coisas boas que aprendeu sobre o modelo de regressão
linear simples!

ƒ Os modelos possuem suposições similares. A única diferença


uol çd
é que na regressão linear simples pensamos na distribuição
eçõm
õm
de erros em um valor fixo do preditor único, na regressão
mO
linear múltipla, temos que pensar na distribuição de erros oA
em
um conjunto fixo de valores para todos os preditores .
ƒ OO s mO oOdOel poui uopdçõmOaoO r .Oi ouA dl oúoO dOA o A dnOc mO
ol pdl pmfO
úmA O uoéuo õmO qel oduO A gqpei qdfO
pdA ã t A O
i maoA m O
s duO sA ObdqmuO r .O
vdxs pdamvfO , soO tOgpeqOi dudOjel OaoOúml pusçõmO
aoO A maoqm nO O
ƒ CmA O sA dO A ol muO éol oudqezdçõmO am O éuds OaoO qeã ouadaofO
s dA m O el poubdqm O aoOi uoaeçõmO i dudOi uobouOsA dO d
uo i m pdO
el aebeasdqO oOel poubdqm OaoO úml jedl çdOi dudOo peA duO dO d
uo i m pdO
A t aednOO

Regressão linear múltipla

OO pdA dl hmOamOút uoã umO


oO
mO pdA dl hmO amOúmui mOaoO
sA dO i o mdOõmO
i uoaepebm O aoOsdO
el poqeéêl úed?O
Regressão linear múltipla

Interessado em responder à pergunta imã, alguns pesquisadores (Willerman, et al, 1991) coletaram os
dados em uma amostra de n = 38 estudantes universitários:

Resposta (y):
Pontuação do desempenho do QI (PIQ) da Escala de Inteligência de Adulto
Wechsler revisada. Esta variável serviu como a medida do investigador da
inteligência do indiví duo.

Preditor potencial (x1):


tamanho do cérebro com base na contagem obtida a partir de exames de MRI
(dados como contagem / 10.000).

Potencial preditor (x2):


Altura em polegadas.

Potencial preditor (x3):


peso em libras.

Regressão linear múltipla

A primeira coisa que devemos fazer quando


apresentado com um conjunto de dados é
plotá-lo. Há um gráfico de dispersão para cada
par de variáveis. Não só temos que considerar a
relação entre a resposta e cada um dos
preditores, também temos que considerar como
os preditores estão relacionados entre si. Uma
maneira comum de investigar as relações entre
todas as variáveis é através de uma "matriz de
diagrama de dispersão".

Tente identificar correlações em cada um dos seis


gráficos de dispersão que aparecem na matriz.

ƒ O que a matriz fala para nós?


ƒ Existe algum indício de dado coletado errado?

Os gráficos de dispersão também ilustram as


"relações marginais" entre cada par de variáveis,
independentemente das outras variáveis
Parece que o tamanho
do cérebro é o melhor
preditor único do PIQ,
mas nenhum dos
relacionamentos é
particularmente forte.
Na regressão linear
múltipla, o desafio é ver
como a resposta y se
relaciona com os três
preditores
simultaneamente

Regressão linear múltipla

Regressão linear múltipla

Na regressão linear múltipla, sempre começamos um modelo para os dados:

yi é a inteligência (PIQ) do aluno i

xi1 é o tamanho do cérebro (MRI) do aluno i


yi=(ȕ0+ ȕ1xi1+
ȕ1 ȕ2xi2+ ȕ3xi3)+ ࣅi
xi2 é a altura (Altura) do aluno i

xi3 é o peso (peso) do aluno i


Regressão linear múltipla

Alguns tópicos importantes sobre o modelo:

ƒ As variáveis x (por exemplo, x1 , x2 e x3) estão


agora subscritas com 1, 2 e 3 como forma de
acompanhar as três variáveis quantitativas
diferentes. Também subscrevemos os
parâmetros de inclinação com os números
correspondentes (por exemplo, ȕ1 ȕ2 e ȕ3).

ƒ As condições “lineares" ainda devem ser


válidas para o modelo de regressão linear
múltipla. A parte linear vem da função de
regressão formulada - é, o que dizemos,
"linear nos parâmetros". Isto significa
simplesmente que cada coeficiente beta
multiplica uma variável preditora ou uma
transformação de uma ou mais variáveis
preditoras.

Regressão linear múltipla

Você saberia dizer algumas questões para as quais os


pesquisadores gostariam de respostas? Que tal o
conjunto de questões abaixo? Que procedimento você
iria utilizar para responder a essas questões?

ƒ Quais, se houver, são as variáveis preditoras -


tamanho do cérebro, altura ou peso – que explicam
algumas das variações nos escores da inteligência?

ƒ Qual é o efeito do tamanho do cérebro no PIQ,


depois de levar em consideração a altura e o peso?

ƒ Qual é o PIQ de um indiví duo com um determinado


tamanho, altura e peso do cérebro?
Regressão linear múltipla

Regressão linear múltipla

Residual Plots for PIQ


Normal Probability Plot Versus Fits
99

40
90
Residual

20
Percent

50
0

10 -20

1 -40
-50 -25 0 25 50 100 120 140
Residual Fitted Value

Histogram Versus Order


10,0
40
7,5
Frequency

Residual

20
5,0
0

2,5 -20

0,0 -40
-20 0 20 40 1 5 10 15 20 25 30 35
Residual Observation Order
Regressão linear múltipla

O que aprendemos ƒ O R é de 29, 49%. Isso nos diz que 29, 49% da variação na
com o modelo? inteligência, quantificada pela PIQ, está correlacionada a
variação do tamanho do cérebro, altura e peso.

ƒ O valor R ajustado - denotado "R-sq (adj)" - é 23, 27%. Ao


considerar diferentes modelos de regressão linear múltipla para
PIQ, poderí amos usar esse valor para ajudar a comparar os
modelos.

ƒ O p-valor para os testes t que aparecem na tabela de


estimativas sugerem que a correlação para Tamanho do
Cérebro (P = 0, 001) e Altura (P = 0, 033) são significativamente
diferentes de 0, enquanto que para Peso (P = 0.998 ) não é.

ƒ O p-valor para análise de variância F-test (P = 0, 007) sugere que


o modelo que contém Cérebro, Altura e Peso é útil na predição
de inteligência é mais útil do que nada. (Note que isso não nos
diz que o modelo com os três preditores é o melhor modelo! )

Regressão linear múltipla

Alguns mamí feros se enterram no chão para viver. Os cientistas


descobriram que a qualidade do ar nessas tocas não é tão boa quanto o
ar acima do solo. Na verdade, alguns mamí feros mudam a forma como
eles respiram para acomodar a vida nas condições precárias de
qualidade do ar subterrâneo. Alguns pesquisadores (Colby, et al, 1987)
queriam descobrir se as andorinhas, que vivem em tocas subterrâneas,
também alteram a forma como elas respiram.

Os pesquisadores realizaram um experimento aleatorizado 120 bancos


de ninho. Eles variaram o % de O2 em quatro ní veis diferentes (13%, 15%,
17% e 19%) e o % de CO2 em cinco ní veis diferentes (0%, 3%, 4, 5%, 6 % e
9%). Sob cada uma das 5 × 4 = 20 condições experimentais resultantes,
os pesquisadores observaram o volume total de ar respirado por minuto
para cada uma das 6 andorinhas do banco.

ƒ Resposta (y): aumento percentual na "ventilação minuto" (Vent), ou


seja, volume total de ar respirado por minuto.
ƒ Preditor potencial(x1): % de O2 no ar que as aves bebem respiram.
ƒ Preditor potencial (x2): % de (CO2 ) no ar que as aves bebê respiram.
Regressão linear múltipla

Agora é sua vez. Faça a


análise de regressão
múltipla e interprete os
dados

Regressão linear múltipla

Matrix Plot of Vent; O2; CO2


ƒ Não parece haver uma relação substancial entre
14 16 18 0 5 10
800 ventilação minuto (Vento) e % de O2 .
400
Vent ƒ A relação entre ventilação minuto (Vento) e % de CO2
0 parece ser curvada e com variação de erro crescente.
18
ƒ A parcela entre % de (O2 ) e % de (CO2 ) é a aparência
O2
16 clássica de um gráfico de dispersão para as condições
14 experimentais. A trama sugere que não há correlação
entre as duas variáveis. Você deve observar a partir do
gráfico os 4 ní veis de O2 e os 5 ní veis de CO2 que
CO2 compõem as con condições experimentais 5 × 4 = 20.
Regressão linear múltipla

ƒ Apenas 26, 82% da variação na ventilação minuto é


reduzida tendo em conta as percentagens de
oxigênio e dióxido de carbono.

ƒ O p-valor para os testes t que aparecem na tabela


de estimativas sugerem que o coeficiente angular
para o ní vel de CO2 (P <0, 001) é significativamente
diferente de 0, enquanto que para O2 (P = 0, 408) não
é. Esta conclusão parece ser consistente com a
matriz do diagrama de dispersão.

ƒ O p-valor para a análise do teste de variância F (P


<0, 001) sugere que o modelo contendo ní veis de 0 2
e CO2 é mais útil na predição de ventilação mí nima
do que não levar em consideração os dois
preditores.

Regressão linear múltipla

Quem gasta mais energia na casa?


A secadora ou o ar-condicionado?

ƒ Resposta (y): khw consumido

ƒ Preditor potencial(x1): horas de utilização do


ar-condicionado

ƒ Preditor potencial (x2): horas de utilização da


secadora
Regressão linear múltipla

Agora é sua vez.


Faça a análise de
regressão múltipla e
interprete os dados

Regressão linear múltipla


Ar-
OBS KWH Secadora
Condicionado
1 35 1,5 1
2 63 4,5 2
3 66 5,0 2
Matrix Plot of Kwh; AC; Secadora 4 17 2,0 0

0 5 10 0,0 1,5 3,0


5 94 8,5 3
90 6 79 6,0 3
7 93 13,5 1
60
Kwh 8 66 8,0 1

30 9 94 12,5 1
10 82 7,5 2
11 78 6,5 3
10
12 65 8,0 1
AC
5 13 77 7,5 2
14 75 8,0 2
0
15 62 7,5 1
16 85 12,0 1

Secadora 17 43 6,0 0
18 57 2,5 3
19 33 5,0 0
20 65 7,5 1
21 33 6,0 0
Regressão linear múltipla

Surface Plot of Kwh vs AC; Secadora 3D Scatterplot of Kwh vs AC vs Secadora

80

80
Kwh 60

Kwh 60
40
40 15
20
10 15
20
0 10
AC 1 AC
5 5
0 2
1 S ecadora 3 0
2 0
S ecadora 3

Usando o PROC REG para Regressão Múltipla

Regression Analysis: KWH versus AC, SECADORA


Modelo: The regression equation is
KWH = b0 + b1AC + b2SECADORA KWH = 8.11 + 5.47 AC + 13.2 SECADORA
SE Coef
Predictor Coef T P

Constant 8,105 2,481 3,27 0,004


Ar-Condicionado 5,4659 0,2808 19,47 0,000
Main Effects Plot for Kwh Secadora 13,2166 0,8562 15,44 0,000
Fitted Means
AC Secadora
100
S=3,93538 R-Sq=97,1% R-Sq(adj)=96,8%

90
SS
Source DF MS F P

80 Regression 2 9299,8 4649,9 300,24 0,000


Mean of Kwh

70 Residual Error 18 278,8 15,5

60
Total 20 9878,6

50

R-Sq R-Sq
40 Vars R-Sq Mallows CP S AC Secadora
(adj) (pred)

30 1 58,6 56,4 50,6 239,3 14,453 X


0 5 10 15 0 1 2 3
1 35,8 32,4 21,6 380,0 17,989 X
2 97,1 96,8 95,9 3,0 3,9354 X X
Modelo ajustado

Modelo:
Interpretação
KWH = 8,11 + 5,47AC + 13,2SECADORA b 0 = 8.11 ainda é chamado de intercepto, e
ele estima o número de quilowatt-hora
consumidos em dias em que nem o ar
condicionado nem a secadora de roupas
foram utilizados. (Ponha AC=0 e
SECADORA=0 na equação e você obterá
KWH=8.11.)

b 1 = 5.47 é a estimativa de quilowatt-hora


consumidos para cada hora em que o ar
condicionado ficar ligado.

b 2 = 13.22 é a estimativa do consumo em


qquilowatt-hora para cada vez que a
ssecadora for usada.

Análise de resíduos
Regressão
Logí stica

Testes de Hipótese

Geralmente, no Analyze
buscamos enxergar Y = f(x).
Usamos as seguintes
ferramentas avançadas, para
cada caso:
Regressão Logística

0 Em muitas aplicações de regressão, a variável


resposta tem somente dois valores possí veis que

1
padronizaremos como 0 e 1 - ou o evento ocorre
(1) ou não ocorre (0)
Seja P(1) = p. Então P(0) = 1 – p = q
Esse tipo de variável é geralmente referenciado
como variável de Bernoulli.
A regressão com esse tipo de resposta pode ser
interpretada como um modelo que estima o
efeito das variáveis independentes na
probabilidade de ocorrência do evento.

Quais os tipos de Regressão Logística?

Regressão Logística Binária: usado quando a resposta é binária (ou


seja, tem dois resultados possí veis). O exemplo passar ou falhar em
um teste, responder sim ou não em uma pesquisa e ou ter pressão
arterial alta ou baixa.
Regressão Logística Nominal: usado quando há três ou mais
categorias sem ordem natural para os ní veis. Exemplos de respostas
nominais podem incluir departamentos em uma empresa (por
exemplo, marketing, vendas, RH), site de busca usado (Google,
Yahoo ! , Bing) e cor (preto, vermelho, azul, laranja).
Regressão Logística Ordinal: usado quando há três ou mais
categorias com um ordenamento natural para os ní veis, mas a
classificação dos ní veis não significa necessariamente que os
intervalos entre eles sejam iguais. Exemplos de respostas ordinais
podem ser a avaliação dos alunos sobre a eficácia de um curso
universitário em uma escala de 1-5 e a condição médica de um
paciente (por exemplo, bom, estável, sério, crí tico).
Regressão logística

Os dados têm uma variável resposta que mostra se


a remissão de leucemia ocorreu (REMISS), que é
dada por um 1.

As variáveis preditoras são:


ƒ A celularidade da seção de coágulos da medula
(CELL),
ƒ O % diferencial de explosões nas manchas
(SMEAR),
ƒ % de infiltração de células de leucemia da
medula (INFIL),
ƒ Í ndice de rotulagem % das células de leucemia
da medula óssea (LI),
ƒ Número absoluto de manchas no sangue
periférico (BLAST), e
ƒ Temperatura mais alta antes do iní cio do
tratamento (TEMP).

Como elaborar sua Regressão Logística no Minitab?

1. Selecione Stat > Regression > Binary


Logistic Regression > Fit Binary Logistic
Model.
o
2. Selecione "REMISS" para resposta (o evento
ocorre quando a variável é 1).
3. Selecione todas as variáveis como
preditoras.
4. Clique em Option e escolha Deviance ou
Pearson para o diagnósticos dos resí duos.
5. Clique Graphs e selecione “Resí duos versuss
ordem."
6. Clique Storage e selecione "Coefficients."
Como interpretar a Regressão Logística?

As estimativas dos coeficientes de


UHJUHVVmRȕVmRGDGDVQDWDEHOD
de coeficientes de saída do Minitab
na coluna "Coef". Esta tabela também fornece
os p-valores com base em
testes Wald

O índice das células de leucemia da


medula óssea (LI) tem o menor valor de
p e, portanto, parece estar mais próximo
de um preditor significativo de remissão
que ocorre.

Regressão Logística

O í ndice das células de leucemia da medula


óssea (LI) tem o menor p-valor e, portanto,
parece estar mais próximo de um preditor
significativo de remissão que ocorre. Assim,
podemos traçar a linha binária ajustada.
Qual é o modelo de Regressão Logística?

O modelo da regressão logí stica é:

Por meio de uma transformação adequada obtemos:


s:

Dessa forma, logaritmo da razão [p/(1-p)] é função linear


inear
de X, a variável preditora.

Note que embora o modelo é linear do lado direito, o


lado esquerdo é uma função não linear de p. Essa
função não linear é chamada de função logit.

O que faz a Transformação Logit?


Qual é o impacto da taxa de probabilidade na Regressão Logística?

A Taxa de Probabilidade para LI é de 18.1245. O intervalo


de confiança de 95% é calculado como exp (2.89726 ±
z0.975 * 1.19), onde z0.975 = 1.960 é o percentil 97.5 da
distribuição normal padrão.

Aumentando 1 unidade em LI, as probabilidades


estimadas de remissão de leucemia são
multiplicadas por 18.1245.

Regressão Logística: cartão de crédito

Para ilustrar, considere o seguinte conjunto de dados

CARTÃO:
Possui cartão de crédito (S)
Não possui cartão de crédito (N)

Renda: Renda familiar

O objetivo é avaliar se ter ou não cartão de crédito


pode ser explicado pela renda familiar
Regressão Logística: cartão de crédito

Regressão Logística: cartão de crédito

1 3

2 4
Regressão Logística: cartão de crédito

Probabilidade estimada

Gráfico da probabilidade estimada pelo modelo versus a renda

Binary Fitted Line Plot


P(1) = exp(-5,79 + 0,00573 RENDA)/(1 + exp(-5,79 + 0,00573 RENDA))

1,0

0,8
Cartão Codificado

0,6

0,4

0,2

0,0

500 750 1000 1250 1500 1750


RENDA
Sua vez de fazer uma
Regressão Logística

Analise os dados sobre logística


na lista 5.

Análise do
Sistema de Medição
Processo de Medição

Processo que estabelece relação entre uma propriedade e um valor


em uma escala

“...o que se registra ao final de uma determinada


operação de medição é o último produto de uma
longa série de operações, desde a matéria prima
até a opereação de medição propriamente dita.
A medição é, portanto, parte vital desse
processo. Assim, do mesmo modo como é vital
controlar estatisticamente partes do processo, é
vital controlar-se estatisticamente o processo de
medição; caso contrário, não há medida que
tenha significado comunicável”

W. EDWARDS DEMING
Processo de Medição
Proce

ƒ Dados são utilizados tanto em atividades


de manufatura bem como em atividades
administrativas e serviços.
ƒ São observações documentadas ou
resultados de uma atividade de medição
ƒ A atividade de medição pode ser pensada
como um processo cujo output é a
medida
ƒ A preocupação com a “qualidade” do
sistema de medição deve ser permanente
ƒ A qualidade do sistema de medição é
caracterizada em termos dos erros que
afetam a medição

Sistema de Medição

Sistema de Medição
ƒ Conjunto de operadores, procedimentos,
dispositivos de medição, equipamentos,
softwares, definições operacionais e
pessoal usado para atribuir um valor a
uma caracterí stica sendo medida

O viés e o desvio padrão são as


estatí sticas mais comumente utilizadas
para julgar a qualidade de um sistema
de medição
ƒ O viés refere-se à localização dos dados em
relação a um valor de referência
ƒ O desvio padrão mede a quantidade de
variação do sistema de medição
Terminologia

Viés Precisão Linearidade


ƒ Diferença entre a média ƒ Quantificação da ƒ Uma medida de como a
observada das medidas e o quantidade de variação de dimensão das peças afetam
valor de referência (padrão) um sistema de medição, o sistema de medição;
usualmente medida pelo ƒ Relativo ao comportamento
desvio padrão do viés na faixa de operação

Terminologia

Componentes da Variação Estabilidade


ƒ Repetibilidade (“repê”) ƒ Comportamento do viés e da precisão ao
ƒ É a variação observada quando o mesmo operador mede
longo do tempo. O SM é estável se está sob
a mesma peça repetidamente com o mesmo dispositivo
ƒ Reprodutibilidade (“reprô”) controle estatí stico
ƒ É a variação observada quando diferentes operadores
medem a mesma peça usando o mesmo dispositivo (ou
similar)
Exemplo

A figura apresenta dados de quatro


sistemas de medição

Sistema de Medição Preciso? Viesado?


Sistema de Medição Preciso? Viesado?
NÃO SIM Não Sim
NÃO NÃO
SIM SIM
Não Não

SIM NÃO Sim Sim

Sim Não

Sistema de Medição

Um Sistema de Medição pode ser avaliado


por suas propriedades estatí sticas:

ƒ O Sistema tem que estar sob controle


estatí stico;

ƒ O Sistema não deve apresentar viés de medição;

ƒ A variabilidade do sistema de medição deve ser


pequena comparado com a variabilidade do
processo de fabricação;

ƒ A variabilidade do sistema de medição deve ser


pequena comparado com a tolerância do
produto.
Consequências de um SM não Satisfatório

Consequências de um SM não Satisfatório

ƒ Itens conformes podem ser rejeitados;


ƒ Itens não conformes podem ser aprovados;
ƒ Erro na estimativa da capabilidade do
processo;
ƒ Causas comuns podem ser identificadas
como causas especiais;
ƒ Causas especiais podem ser identificadas
como causas comuns;
ƒ Gastos desnecessários tentando identificar o
que parece ser um problema com o
processo produtivo.
Avaliação do Sistema de Medição

A análise do Sistema de Medição envolve o


entendimento e a quantificação da variação
presente no sistema

A variação total observada nas medidas é


devida a
ƒ Variação de Processo de Produção
ƒ Variação do Sistema de Medição

Essa relação pode ser expressa na fórmula:


Variação Total = Variação de Processo + Variação do SM

Fontes de Variação

A variação observada em uma variável medida em uma


caracterí stica é devida a vários fatores
Fontes de Variação e Sistema de Medição

Diversos fatores atuam na variação devida ao sistema de medição

Componentes da Variação

Decomposição da Variação
Componentes da Variação

O Desvio Padrão é a Raiz Quadrada da Variância

Componentes da Variação

ı T2 ı 2P  ı 2R &R
ı 2P  ı 2Repe  ı 2Repro
Observe que a equação é em termos da
variância. A variâncias se somam, não os
desvios padrões
o
As estimativas dos componentes da variação
são obtidos através de um estudo R&R
Indicadores para Avaliar o SM

Porcentagem da variação total


consumida por Repe e Repro (%R&R)

ı R &R
%R &R u100
ıT

Aceitável: % R&R < 30 %

Desejável: % R&R < 10%

%R&R relativa à variação total


Indicadores para Avaliar o SM

Razão da Precisão pela Tolerância

P 5.15 * ı R &R
T LSE  LIE
LIE = Limite Inferior de Especificação
LSE = Limite Superior de Especificação
T = Tolerância = LSE – LIE

O fator 5.15 é tal que 5.15* V corresponde na


distribuição Normal a 99% da área em torno da
média

Desejável: P / T <10 %

Indicadores para Avaliar o SM

Número de categorias distintas

ı R &R
Número de categorias x1.41
ıP

Mede o numero de categorias distintas dentro do processo


que o sistema de medição é capaz de distinguir

Desejável: número HIGEXIKSVMEWHMWXMRXEWǸ


Representação do número de categorias

Número de categorias

O Automotive Industry Action Group (AIAG) afirma que:

“Se o número de categorias de dados é menor do que 2, o


Sistema de medição não é aplicável para controlar o processo.
Isto é tudo ruído e uma peça não pode ser dita diferente de
outra. Se o número de categorias é dois, isto significará que os
dados podem ser classificados em altos e baixos, entretanto,
suas medições serão consideradas dados classificatórios. O
número de categorias devem ser 5, de preferência mais, para um
Sistema de Medição ser adequado para a análise do processo”

Automotive Industry Action Group (AIAG) (2002). Measurement


Systems Analysis Reference Manual. Chrysler, Ford, General
Motors Supplier Quality Requirements Task Force.
Indicadores para Avaliar o SM

Se o número de Se o número de Se o número de


categorias distintas < 2 categorias distintas = 2 categorias distintas = 3
o Sistema de Medição os itens sendo medidos os dados podem ser
não tem validade podem ser divididos em divididos em três
dois grupos: alto e baixo grupos: pequeno, médio
(grande e pequeno) e grande

Indicadores para Avaliar o SM

O MINITAB calcula os seguintes


indicadores

ı 2 Component
%Contribution
ı 2 Total
ı Component
%Study Variation
ı Total
6 * ı Component
%Tolerance
Tolerance

Os resultados são apresentados em


forma gráfica para a variação devido ao
SM (Gage R&R) e devido ao processo
(Part-to-Part)
SM com Discriminação Inadequada

ƒ A identificação da variação do
processo é questionável
ƒ A identificação dos itens é
questionável
ƒ Procure por um dispositivo de
medição mais adequado, ou calibre
o sistema atual (se for o caso)
ƒ Identifique se os operadores
necessitam de treinamento no
Sistema de Medição.

Preparação para um Estudo R&R

Planejamento do estudo
Pl
ƒ Selecione o número de operadores, número
de itens e número de repetições
ƒ Pelo menos 2 operadores (para avaliar Repro)
ƒ Pelo menos 10 itens (recomendado)
ƒ Pelo menos duas repetições para cada item
(para avaliar Repe)
ƒ Selecione itens que cubram o range de
operação
ƒ Aleatorize a sequência de medições
ƒ Meça os itens em sequência aleatória
ƒ Faça as repetições em sequência aleatória
ƒ Os operadores não devem saber qual item
estão medindo e devem usar o mesmo
dispositivo de medição
Tipos de Estudo R&R

Estudos R&R pode ser :

Cruzados Hierárquicos
Hierárquic
Quando cada item é medido mais de uma vez por Quando cada item é medido apenas uma vez e por
cada operador um único operador (exemplo: testes destrutivos)

Estudos de R&R requerem planos experimentais balanceados (número


igual de observações por operador, por item e por replicação)

Exemplo

Dados de um estudo R&R com dois


operadores, dez peças e duas repetições
Operador 1 Operador 2
Peça Medida 1 Medida 2 Medida 1 Medida 2
1 8,00 8,01 8,03 8,02

2 8,10 8,08 8,12 8,12

3 8,05 8,04 8,07 8,03

4 8,01 7,99 8,04 8,03

5 8,02 8,01 8,04 8,04

6 7,98 7,98 8,01 8,01

7 8,00 8,00 8,01 8,02

8 8,01 8,01 8,05 8,04

9 8,05 8,04 8,07 8,07

10 8,06 8,07 8,10 8,10


Análise do S.M. “Gage Run Chart”

Um “gage run chart” é


um gráfico de todas as
observações por
operador e por item

É um gráfico que
permite visualizar
diferenças dentro do
mesmo operador, entre
operadores e entre
peças

Análise do S.M: Estimativa dos Componentes de Variação

Existem dois métodos para estimar os componentes


de variação

1. X-barra/R: utiliza amplitudes para estimar o desvio padrão;

2.
2 ANOVA (Analysis of Variance)
ƒ Usa um plano experimental fatorial com dois fatores: Operadores e itens
ƒ Pode ser realizado com apenas um operador
ƒ É o mais recomendado se há disponibilidade de um software
Análise do S.M.: Gráficos

A análise pelo método ANOVA


produz alguns gráficos que
fornecem um excelente
diagnóstico do sistema de
medição:

R Chart by operator
ƒ Plota as amplitudes da
medidas do mesmo operador
na mesma peça, por operador
ƒ Fornece informação de Repe
para cada operador e permite
comparar operadores com
respeito a Repe

Análise do S.M.: Gráficos

A análise pelo método ANOVA


produz alguns gráficos que
fornecem um excelente
diagnóstico do sistema de
medição:

Xbar Chart by operator


ƒ Plota as médias por peça para cada
operador
ƒ Os limites de controle são calculados
com a variação de Repe. Quanto mais
pontos estiverem fora de controle,
maior é variação relativa das peças
comparada com Repe, o que indica
que o SM é adequado. Se a maior
parte dos pontos está “sob controle” o
SM é inadequado
Análise do S.M.: Gráficos

A análise pelo método ANOVA


produz alguns gráficos que
fornecem um excelente
diagnóstico do sistema de
medição:

Measure by Part
ƒ Plota todas as medidas de todas
as peças e a média de cada peça,
por peça
ƒ Permite visualizar Repe e Repro.
Dispersão em torno da média
relativamente grande
(comparado com a dispersão
entre as médias) indica que o
sistema de medição não é
adequado e vice versa.

Análise do S.M.: Gráficos

A análise pelo método ANOVA


produz alguns gráficos que
fornecem um excelente
diagnóstico do sistema de
medição:

Operator by Part Interaction


ƒ Plota o perfil das médias das
peças por operador
ƒ Permite visualizar se existe
interação entre operador e o
item sendo medido. Caso os
perfis sejam razoavelmente
paralelos não há indicação de
interação, ou seja as diferenças
entre operadores não
dependem das peça.
Análise do S.M.: Gráficos

A análise pelo método ANOVA


produz alguns gráficos que
fornecem um excelente
diagnóstico do sistema de
medição:

Components of Variation
(Indicadores da qualidade do SM)
ƒ A anál l ál i s epáopmnél t d a
o N e mpmnpa dp Ol áVl r s uzg
dVaoénVd l mnpáV áN pmnpf
ƒ c él mn N l Va l tnl a l a ql áál a dp
x l óp ç ã ç : ç pepl n p ç peá : eV á M
vVanpN l dp N pdVr s

Estudo de R&R: exemplo

Exemplo – Fabricação de Molas

( N l VN e ánl mnp ol ál onpájanVol dp N tl a Ml


o) l N l dl o manl mnp dl N tl Qép dpnpáN Vml
aél bémr s p éa GRl ál ap N pdVá l o manl mnp
as éal d a l el ápt) a o) l N l d a
ptl an&N pná aG( N p, epáVN pmn méN l opánl
N tl b Vápl tVil d el ál OpáVbVol á N mnl mnp
dp Ol áVl r s dpOVd l éa d l el ápt) e á
d Va epál d ápaGR ánl mn : dpi N tl a b ál N
pao t) Vdl a el ál p, epáVN pmn : p ptl a b ál N
N pdVdl a dél a Opi pa e á ol dl epál d á dp
N l mpVál l tpl nSáVl p VmdpepmdpmnpG
Estudo R&R: exemplo

Plano de estudo

ƒ Dois operadores

ƒ Dez peças

ƒ Duas replicações

O experimento foi conduzido de forma cega (para


os operadores) e aleatorizada

Os dados estão no slide seguinte

Estudo R&R: exemplo

Dados do Estudo (R&R_mola.mtw)

Peça Medida 1 Medida 2 Medida 1 Medida 2 Estrutura dos dados


1 8,00 8,01 8,03 8,02 no MINITAB

2 8,10 8,08 8,12 8,12

3 8,05 8,04 8,07 8,03

4 8,01 7,99 8,04 8,03

5 8,02 8,01 8,04 8,04

6 7,98 7,98 8,01 8,01

7 8,00 8,00 8,01 8,02

8 8,01 8,01 8,05 8,04

9 8,05 8,04 8,07 8,07

10 8,06 8,07 8,10 8,10


Estudo R&R: exemplo

Gage name: Elasticômetro


Date of study: 03/04/2000
Runchart of 1o estudo by peça, operador Reported by: RCC

operador Existem diferenças dentro do


1
8,10 2
operador (Repe) e entre
operadores (repro).
1o estudo

8,05

O operador 2 apresenta
8,00
sistematicamente valores maiores
peça 1 2 3 4 5 que o operador 1.
Apesar disso é possí vel perceber
8,10
diferenças entre as peças.
1o estudo

8,05

8,00

peça 6 7 8 9 10

Estudo R&R: exemplo

Gage name: elasticômetro

Gage R&R (ANOVA) for 1o estudo


Date of study:
Reported by:
03/04/2000
RCC
A maior parte dos pontos está fora
Tolerance:
Misc:
1,0
de controle (gráfico Xbar),
8,13
Xbar Chart by operador
1 2
indicando que o SM é razoável,
mas que precisa de melhoria
Sample Mean

8,08

UCL=8,051
Mean=8,039
8,03 LCL=8,027

7,98

R Chart by operador
1 2
UCL=0,02124
0,02
Sample Range

0,01
R=0,0065

0,00 LCL=0

0
Estudo R&R: exemplo

Gage name: elasticômetro


Date of study: 03/04/2000
Gage R&R (ANOVA) for 1o estudo Reported by:
Tolerance:
RCC
1,0 Os perfis são razoavelmente
Misc:
paralelos.
operador*peça Interaction Não há evidência de interação
operador
entre operador e peça
8,10
1
2
Average

8,05

8,00

peça 1 2 3 4 5 6 7 8 9 10

Estudo R&R: exemplo

Gage R&R

%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.0004195 25.44
Repeatability 0.0000435 2.64
Reproducibility 0.0003759 22.80
operador 0.0003759 22.80
Part-To-Part 0.0012295 74.56
Total Variation 0.0016489 100.00

Study Var %Study Var


Source StdDev (SD) (6 * SD) (%SV)
Total Gage R&R 0.0204813 0.122888 50.44 (1)
Repeatability 0.0065981 0.039588 16.25
Reproducibility 0.0193894 0.116336 47.75
operador 0.0193894 0.116336 47.75
Part-To-Part 0.0350637 0.210382 86.35
Total Variation 0.0406072 0.243643 100.00

Number of Distinct Categories = 2 (2)


Estudo R&R: exemplo

Interação não significante nesse exemplo


Gage R&R

%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.0004195 25.44
Repeatability 0.0000435 2.64
Reproducibility 0.0003759 22.80
operador 0.0003759 22.80
Part-To-Part 0.0012295 74.56
Total Variation 0.0016489 100.00

Study Var %Study Var


Source StdDev (SD) (6 * SD) (%SV)
Total Gage R&R 0.0204813 0.122888 50.44 (1)
Repeatability 0.0065981 0.039588 16.25
Reproducibility 0.0193894 0.116336 47.75
operador 0.0193894 0.116336 47.75
Part-To-Part 0.0350637 0.210382 86.35
Total Variation 0.0406072 0.243643 100.00

Number of Distinct Categories = 2 (2)

Estudo R&R: eexemplo

A % de Contribuição de R&R é 50.44%.


O SM não é aceitável (>30%) e precisa
de melhorias

O número de categorias distintas é 2,


indicando que o sistema só
ind
consegue separar peças em
co
pequenas e grandes
pe
Estudo R&R: exemplo

ı 2 Component
%Contribution
ı 2 Total
ı Component
%Study Variation
ı Total

A coluna roxa alta (50.44) indica que


boa parte da variação observada é
devido ao SM. A contribuição de Repro
(reproduction) é maior que a de Repe
(repeat) para R&R

Observações

Usar “6” em vez de


“5.15” aumenta 10%
GR&R para 11.7%;
20% para 23.3% e
30% para 35.0%.
Exercício!

Atividade MSA

Uma empresa realiza um processo que


fabrica peças. Um dos componentes de
interesse é o tamanho dessas peças.

Um estudo (disponí vel no arquivo


“Atividade MSA.mpj”) foi realizado para
avaliar o sistema de medição.

O sistema de medição é adequado?

Exercício!

Atividade MSA 2

Frente aos resultados, a empresa decide


melhorar o seu processo de medição.

Realiza então, outro estudo (disponí vel no


arquivo “Atividade MS - 2A.mpj”) para
avaliar o novo sistema.

O novo sistema de medição é adequado?


MSA - Atributos
Analisando sistemas de
contagem e classificação

MSA - Atributos

Podemos ter vários processos


onde o sistema de medição (ou
sistema de avaliação) classifica
itens dentro de grupos
especí ficos.

Precisamos de procedimentos
capazes de realizar essas
classificações de maneira
precisa e eficiente.
MSA - Atributos

Quando a resposta de um processo de


medição é uma variável classificatória, a
análise do Sistema de Medição é
conhecida como avaliação por atributo

A medição por atributo geralmente é feita


por pessoas que separam peças que se
supõem estarem defeituosas de peças
que se supõem estarem perfeitas

Pode ser feito também por um dispositivo


de medição do tipo passa/ não passa

MSA - Atributos

Essas classificações de itens podem ser consideradas como

Corretas: classificar um item não Incorretas: classificar um item não


conforme como não conforme ou item conforme como conforme (falha) ou um
conforme como conforme item conforme como não conforme
(falso alarme).
MSA - Atributos

A avaliação desse sistema de medição


é feita estudando-se a capacidade do
operador em classificar os itens
corretamente.
Para isso, é feito um experimento em
que itens conformes e não conformes
são julgados pelos operadores.
ƒ Selecione itens que cobrem toda a
faixa de variação;
ƒ Use pelo menos dois avaliadores;
ƒ Cada avaliador deve inspecionar
cada item pelo menos duas vezes.

MSA - Atributos

Vale ressaltar que um aspecto


importante desse processo de
medição é estabelecer definições
operacionais claras do que é um item
defeituoso.
Se há uma boa concordância entre
os avaliadores existe uma
possibilidade (não uma garantia) de
que a classificação é acurada.
Se não há uma boa concordância
entre os avaliadores, o sistema de
medição deve ser modificado.
MSA - Atributos

O desempenho do sistema de medição é feito através dos seguintes í ndices:

Eficácia (EF): capacidade de classificação correta dos


itens pelo operador
total de acertos
EF
número total de oportunidades de decisao

Taxa de falha (TF): taxa que itens defeituosos não


são rejeitados
número de classificações de itens ruins como bons (falha)
TF
número total de itens defeituosos

Taxa de alarmes falsos (AF): taxa que itens bons são rejeitados
número de classificação de itens bons como ruins (alarmes falsos)
AF
número total de itens bons

MSA – Atributos: Exemplo

Médico 1 Médico 2
Chapa Paciente Exame 1 Exame 2 Exame 3 Exame 1 Exame 2 Exame 3

1 Doente D D D D D D
2 São S S S S S S
3 São S S S S S S
4 Doente D D D D D D
5 Doente D D D D D D
6 São D S D D D D
7 Doente D D D S S S
8 São D D D S S S
9 Doente D D D D D D
Dois Médicos avaliam três vezes uma
m radiografia
10 São S S S S S S
de um paciente e classificam o paciente como 11 Doente D D D S D D
doente (D) ou são (S). 12 São S S S S S S
13 Doente D D D S S S
No total foram avaliadas 20 radiografias. 14 São S S S S S S
15 Doente D D D D S D
Os resultados estão ao lado 16 São S S S S S S
17 Doente D D D S D D
18 Doente D D D D D D
Os dados estão em ATRIBUTO R&R_medico.mtw
19 São S S S S S S
20 Doente D D D S S S
MSA – Atributos: Exemplo

Cálculos
Número de Número de Número de Número de Número de
avaliações repetições itens D S

2 3 20 11 9

Total de Número de
Médico Alarmes Falsos
acertos falhas

1 18 0 1
2 13 3 1
Total 31 3 2

Médico EF TF AF
F

1 18/20 = 0,90 0 / 11 = 0,0 1/11 = 0,11


2 13 /20 = 0,65 3 / 11 = 0,27 1/11 = 0,11

MSA – Atributos: Exemplo

Critérios para avaliação dos resultados

Índice
Índice Aceitável Sofrível Inaceitável

EF >0,90 0,80 a 0,90 <0,80


TF <0,02 0,02 a 0,05 >0,05
AF <0,05 0,05 a 0,10 >0,10
MSA – Atributos: Exemplo

Além disso, podemos calcular


í ndices que representam a repê e a
reprô.

A repê para cada médico será o


número de itens que ele julgou
consistentemente (o mesmo
julgamento nas três tentativas) pelo
número de itens a julgar.

ƒ Repê (médico 1) = 19/ 20 = 95%


ƒ Repê (médico 2) = 17/ 20 = 85%
ƒ Repê global = 36/ 40 = 90%

MSA – Atributos: Exemplo

S A reprô será o número de

D
concordâncias entre os operadores,
nesse caso 12/ 20=0.6 ou 60%,
denominado de Grau efetivo do
sistema (System % Effective Score).
sis

A porcentagem de score versus


padrão mede a concordância dos
pa
avaliadores entre si e com o padrão.
av
Nesse exemplo esse valor é
N
12/ 20=0.60 ou 60%.
12
MSA – Atributos: Exemplo

Conclusões
ƒ O médico 1 tem EF e TF aceitável, mas AF
tes S
é inaceitável. Ele diagnostica pacientes
como D em demasia.
ƒ O médico 2 tem EF , TF e AF inaceitáveis,
áveis,
os
isto é, ele está diagnosticando muitos
pacientes D como S e muitos S com m D.

Análise com o MINITAB

A opção Stat->Quality Tools-> Attribute


Agreement Analysis do MINITAB 14
permite obter os í ndices acima

Abaixo é apresentado parte do output do


MINITAB que contém os í ndices. Results for: ATRIBUTO_R&RMedico.MTW

Attribute Agreement Analysis for resultado

Within Appraisers (Repetibilidade)


Assessment Agreement
Appraiser #Inspected #Matched Percent 95% CI

1 20 19 95,00 (75,13, 99,87)

2 20 17 85,00 (62,11, 96,79)

# Matched: Appraiser agrees with him/ herself across trials.


Análise com o MINITAB

Each Appraiser vs Standard


Assessment Agreement (EF)
Appraiser #Inspected #Matched Percent 95% CI

1 20 18 90,00 (68,30, 98,77)

2 20 13 65,00 (40,78, 84,61)


# Matched: Appraiser's assessment across trials agrees with
the known standard.

Assessment Disagreement
Percent Percent
Appraiser #S/D #D/S Mixed Percent
(TF) (AF)
1 0 0,00 1 11,11 1 5,00
2 3 27,27 1 11,11 3 15,00

# S / D: Assessments across trials = S / standard = D.


# D / S: Assessments across trials = D / standard = S.
# Mixed: Assessments across trials are not identical

Análise com o MINITAB

Between Appraisers (Repro)


A # M#atcAhe##M#atc
c#Inspected #Matched Percent 95% CI
c
c 20 12 60,00 (36,05, 80,88)

d c: Atpr #i scA' ' cAmmeAn #e ocA # M#at cAhe##c


l ntr c#Apr cgtr #ew c

All Appraisers vs Standard


A # M#atcAhe##M#atc
c#Inspected #Matched Percent 95% CI
c
20 12 60,00 (36,05, 80,88)
c
d c: Atpr #i scA' ' cAmmeAn #e ocA # M#at cAhe##c
l ntr ctr #ckagl ac tAai Aei w c
Análise com o MINITAB

Date of study :
Assessment Agreement
Reported by : Within Appraiser: Os operadores fornecem a
Name of product:
Misc: mesma resposta todas as vezes que fazem a
Within Appraisers Appraiser vs Standard
avaliação?
100 95.0% C I 100 95.0% C I

90
P ercent

90
P ercent
Each Appraiser vs. Standard: Quantas decisões
corretas em todas as tentativas? Se os operadores
80 80
respondem incorretamente, que tipo de erros foram
Percent

Percent

70 70 cometidos?
60 60

50 50
Between Appraisers: Há concordância entre os
operadores?
40 40
1 2 1 2
Appraiser Appraiser
All Appraisers vs Standard: Do número total de
avaliações, quantas foram respondidas
corretamente por todos os operadores?

A análise gráfica contém dois gráficos: Within


Appraiser e Each Appraiser vs. Standard (ao lado)

MSA –
Viés e Linearidade
Estabilidade

Sistema de medição está sob a ação


somente de causas comuns de
variação
Gráficos de controle são adequados
para avaliar a estabilidade do SM
Procedimento
ƒ Obter uma peça de referência
ƒ Medir a peça de referência
periodicamente um certo número de
vezes
ƒ Usar o gráfico X-barra/ R para avaliar a
estabilidade do SM

Viés ou Tendência

Diferença entre a média dos valores


medidos e o valor de referência
Procedimento
ƒ Medir n vezes uma peça mestre (valor
real=P0)
ƒ Verificar se as medições estão sob controle
ƒ Construir um IC de 95% para a média das
medições realizadas
ƒ Rejeitar que o viés é zero se o IC não
contiver o valor zero
ƒ Alternativamente, testar a hipótese H0: P= P0
Linearidade

Linearidade é a diferença em valores


de desvios através da amplitude
esperada de variação de um
instrumento
Procedimento
ƒ Selecionar 5 ou mais peças de tal forma
que suas dimensões cubram a faixa de
operação do instrumento
ƒ Medir cada peça por inspeção de lay-out
para determinar o valor de referência

Linearidade

ƒ Escolher peças ao longo da faixa de


operação do dispositivo
ƒ Medir cada peça 10 ou mais vezes por
um operador que normalmente utiliza o
instrumento
ƒ Calcular o viés de cada medição e o
viés médio de cada peça
ƒ Fazer um gráfico de dispersão do viés
de cada medição e do viés médio de
cada peça versus o valor de referência
ƒ Ajustar uma reta de regressão do viés
versus o valor de referência
Linearidade

ƒ Avaliar os resí duos do


ajuste quanto a
estabilidade ou outras
tendências
ƒ Avaliar o gráfico de
dispersão tendo como
referência a linha
horizontal y=0
ƒ Testar a hipótese de que o
a
coeficiente angular da reta
é zero
ƒ Testar a hipótese que o
coeficiente linear da reta é
zero

Estudo de Linearidade: Exemplo

Master
Cinco peças com dimensões 2, 4, 6, 8 e 10
foram medidas 12 vezes. Os resultados estão na 2 4 6 8 10

tabela ao lado 1 2,7 5,1 5,8 7,6 9,1

(MSA_estudo_linearidade.mtw) 2 2,5 3,9 5,7 7,7 9,3


3 2,4 4,2 5,9 7,8 9,5
4 2,5 5,0 5,9 7,7 9,3
5 2,7 3,8 6,0 7,8 9,4
Repetição

6 2,3 3,9 6,1 7,8 9,5


7 2,5 3,9 6,0 7,8 9,5
2 4 6 8 10 8 2,5 3,9 6,1 7,7 9,5
9 2,4 3,9 6,4 7,8 9,6
10 2,4 4,0 6,3 7,5 9,2
11 2,6 4,1 6,0 7,6 9,3
12 2,4 3,8 6,1 7,7 9,4
Estudo de Linearidade: MINITAB

Gage Linearity and Bias Study for Response


Reported by :
G age name: Tolerance:
Date of study : M isc:

G age Linearity
P redictor C oef S E C oef P
Regression
C onstant 0.73667 0.07252 0.000
95% CI
1.0 S lope -0.13167 0.01093 0.000
Data
Avg Bias
S 0.239540 R-S q 71.4%

0.5 G age Bias


Reference Bias P
A v erage -0.053333 0.040
2 0.491667 0.000
Bias

0.0 0 4 0.125000 0.293


6 0.025000 0.688
8 -0.291667 0.000
10 -0.616667 0.000

-0.5

-1.0
2 4 6 8 10
Refer ence V alue

Componentes adicionais

Componentes Cálculo

Linearidade Coef_ang * Variação do processo


% Linearidade 100 * abs (Coef_ang)
Viés Médio Média dos desvios em relação ao valor de referência
% Acurácia 100 * (Viés Médio / Variação do processo)
Razão t Testa H0: Coef_ang=0
p-valor Nível de significância para testar H0
R-squared % variação explicada pela reta
Estudo de Linearidade: MINITAB

Conclusões
ƒ O gráfico dos desvios em relação ao mestre
mostram um forte efeito linear: itens menores
são medidos com viés positivo; itens maiores
são medidos com viés negativo
ƒ A tendência linear (-0.1367) é significante (p-
valor<0.001)
ƒ O viés só não é significante para os itens
mestres com valores 4 e 6
ƒ O Sistema de Medição necessita de melhorias

Possíveis causa de falta de linearidade

ƒ Dispositivo de medição não


calibrado adequadamente
nos extremos da faixa de
operação
ƒ Erro no padrão no mí nimo e
no máximo
ƒ Dispositivo de medição gasto
ƒ Problema com o projeto do
dispositivo
Avaliar Exatidão com o MINITAB

Gage Linearity and Bias Study for r


O procedimento do MINITAB pode Reported by :
ser adaptado caso se queira G age name:
Date of study :
Tolerance:
M isc:

avaliar a exatidão do SM para


único item mestre 0.7
Data Gage Bias
Avg Bias Reference Bias P
A v erage 0.491667 0.000
Considere, no exemplo anterior, 0.6 2 0.491667 0.000

que o único mestre de interesse 0.5

tem valor 2 0.4

Bias
O mestre foi medido 12 vezes 0.3

A estimativa do viés é 0.491667 e é


0.2
O gráfico do MINITAB está ao lado significativamente diferente de zero
0.1 (p-valor<0.001)
0.0 0 O Sistema de medição precisa ser
1.50 1.75 2.00 2.25 2.50 calibrado.
Refer ence V alue
Esse procedimento não avalia a
variabilidade do SM

Experimentação
Experimentação
mentação

Como já falamos inúmeras vezes na


formação Seis-Sigma, a
experimentação é uma parte
fundamental do conhecimento
profundo.
Precisamos saber como coletar dados
e estuda-los de maneira a aprender
sobre o que estamos fazendo.
Para se ter uma aprendizado maior
com nossos esforços, precisamos
construir hipóteses e testá-las,
seguindo os passos do método
cientí fico.

Todos os nossos esforços devem se basear na


construção de um modelo.
Só a partir deste modelo, extrapolando-o que seremos
capazes de adquirir maior conhecimento.

Experimentação
O que é o método científico?

Porque se construir uma teoria?


Como se constrói uma teoria?

Experimentação

A experimentação deve ser


uma parte do método
cientí fico, existindo para
observar-se um fato ou
testar uma teoria

Experimentação sem foco,


métrica ou relação com uma
teoria é uma perda de tempo
Planejamento de experimentos

O que é?
Procedimentos que possibilitam planejar
experimentos e analisar os resultados.

Objetivo:
ƒ Determinar as principais causas de variação;
ƒ Encontrar condições que maximizem ou
minimizem a resposta;
ƒ Comparar as respostas para diferentes
configurações das variáveis de entrada;
ƒ Obter um modelo para predizer resultados
futuros;
ƒ Fornecer uma base para ações no processo.

Planejamento de experimentos

Utilizações
ƒ Projetar e desenvolver um produto
ƒ Melhorar um processo existente
ƒ Desenvolver produtos e processos robustos
perante fontes externas de variabilidade
ƒ Reduzir o tempo de desenvolvimento de um
produto;
ƒ Reduzir custos
Passos típicos em experimentação

1 Desenvolver uma descrição clara e concisa do problema;

Identificar, pelo menos tentativamente, os fatores que potencialmente afetam o problema ou


2 que desempenham papel importante na solução;

3 Propor um modelo, usando conhecimentos cientí ficos sobre o problema em estudo.


Estabelecer suposições e limitações sobre o modelo;

4 Conduzir experimentos e coletar dados para testar o modelo proposto;

5 Refinar o modelo com base nos dados observados;

6 Conduzir experimentos para validar a solução proposta;

7 Consolidar o aprendizado e fazer recomendações baseado nos resultados do experimento.

Experimentação

Nos próximos slides, iremos instruir


algumas das técnicas utilizadas para
se obter maiores resultados de
experimentos. Dentre elas:
Análise de população;
Experimentos fatoriais;
Experimentos dicotômicos.
Mas lembrem-se:
Essas técnicas, sem hipóteses ou
coleta confiável de dados, não
adiantam nada.
Análise de
populações

Análise de populações

Em linhas gerais, análise de


populações significa avaliar diferença
entre os dados de grupos diferentes
de variável resposta.
Quais técnicas podemos usar para
fazer essas comparações?
ƒ Análise gráfica;
ƒ Intervalo de confiança;
ƒ Teste de hipótese;
ƒ Anova;
...
Análise de populações

Com essas técnicas, podemos


comparar:

ƒ s;
A forma da população de dados;
ƒ A média dos dados;
ƒ A variação;
ƒ Etc

Análise de populações

O ideal é sabermos o que queremos


comparar e com qual técnica.

Vejamos alguns exemplos...


Exemplo 1

Provedores de
Internet

Provedores

Uma empresa usava o provedor B para acesso à Internet .


Um outro provedor A contatou a empresa e afirmou que seu
serviço era mais rápido. A velocidade nominal prometida
pelos dois era a mesma. A empresa resolveu realizar um
teste comparativo entre os fornecedores.

O teste foi realizado durante um dia normal de operações.


Foram feitos 15 downloads, 7 com o provedor A e 8 com o
provedor B.

Os dados estão no arquivo downloads.mtw

ƒO que queremos descobrir?

ƒQual técnica é a mais adequada?


Provedores: análise gráfica

Passo 0: estabilidade!
I Chart of tempo by provedor
A B
17,75 UCL=17,732

17,50
Individual Value

17,25 _
X=17,2

17,00

16,75
LCL=16,668

16,50
1 4 6 7 10 13 14 2 3 5 8 9 11 12 15
ordem

Gráfico de controle

Provedores: análise gráfica

Histogram of tempo
provedor
3, 0
A
B

No Minitab, podemos fazer: 2, 5

2, 0
Probability Plot of tempo
Frequenc y

Normal - 95% CI
1, 5
99
provedor
A
1, 0
95 B

90 Mean StDev N AD P
17,1 0,1826 7 0,520 0,117 0, 5
80 17,2 0,1773 8 0,245 0,655
70
Percent

60 0, 0
50
16, 8 16, 9 17, 0 17, 1 17, 2 17, 3 17, 4 17, 5
40 tempo
30
20

10
Boxplot of tempo
5
17,5

1 17,4
16,50 16,75 17,00 17,25 17,50 17,75 18,00
tempo 17,3

17,2
tempo

Análise da distribuição 17,1

17,0

16,9

16,8

A B
provedor

Análise da distribuição
Provedores: Estimação pontual e Intervalo de Confiança

Provedor A Provedor B
No Minitab, podemos fazer:
17,2 17,1
Interval Plot of tempo
Prov. A Prov. B
95% CI for the Mean 16,9
17.2 17,2
17.1
17,4

16,8
16.9 17,3
17.2
17,3

16.8
17,2 17.3
17,5
17,2
17.2 17.5
tempo

17,3 17,2
17,1
17.3 17.2
17,1 17,1
17,0 17.1 17.1
17,2 16,9
16,9 17.2 16.9
A B
provedor 17,3
17.3
Individual standard deviations were used to calculate the intervals.
nA = 7 nB = 8
Gráfico de IC para média
¦y A 119.7 ¦y B 137.6
yA 17.1 yB 17.2

Provedores: Teste de hipótese

Qual teste usar?

Médias (teste t) Variâncias (teste ʖ²)

H 0: PA = PB H0: V2 A = V2 B
(hipótese nula) (hipótese nula)

H A: PA PB H1: V2 A V2 B
(hipótese alternativa) (hipótese alternativa)
Provedores: Teste de hipótese

Teste de hipótese: Variância


2-Sample Standard Deviation Test for tempo by provedor
Summary Report

Do the standard deviations differ? Statistics A B


0 0,05 0,1 > 0,5 Sample size 7 8
Mean 17,1 17,2
Yes No Standard deviation 0,18257 0,17728
Individual 95% CI (0,0756; 0,6127) (0,0999; 0,4167)
P = 0,949

The standard deviation of A is not significantly different from B (p


> 0,05).

Standard Deviations Comparison Chart


Blue indicates there is no significant difference.

A Comments

‡ Test: There is not enough evidence to conclude that the


B
standard deviations differ at the 0,05 level of significance.
0,15 0,20 0,25 0,30 0,35 ‡ Comparison Chart: Blue intervals indicate that the standard
deviations do not differ significantly.
‡ Distribution of Data: Compare the spread of the samples. Look
for unusual data before interpreting the results of the test.
Distribution of Data
Compare the spread of the samples.
A

16,8 17,0 17,2 17,4 17,6

Provedores: Teste de hipótese

Teste de hipótese: Médias


2-Sample t Test for tempo by provedor
Summary Report

Do the means differ? Individual Samples


0 0,05 0,1 > 0,5 Statistics A B
Sample size 7 8
Yes No Mean 17,1 17,2
P = 0,305 95% CI (16,93; 17,27) (17,052; 17,348)
Standard deviation 0,18257 0,17728
The mean of A is not significantly different from the mean of B (p
> 0,05).
Difference Between Samples
Statistics *Difference

95% CI for the Difference Difference -0,1


Is the entire interval above or below zero? 95% CI (-0,30311; 0,10311)
*Difference = A - B

Comments

‡ Test: There is not enough evidence to conclude that the means


-0,3 -0,2 -0,1 0,0 0,1
differ at the 0,05 level of significance.
‡ CI: Quantifies the uncertainty associated with estimating the
difference in means from sample data. You can be 95% confident
that the true difference is between -0,30311 and 0,10311.
Distribution of Data
‡ Distribution of Data: Compare the location and means of samples.
Compare the data and means of the samples.
Look for unusual data before interpreting the results of the test.
A

16,8 17,0 17,2 17,4 17,6


Provedores: ANOVA

Já vimos que temos variâncias iguais e


distribuição normal...
Podemos fazer:

Qual teste usar?


Qual teste usar?

Qual teste usar?


Exemplo 2

Cores

Cores

Uma empresa estava desenvolvendo um novo produto e


queria testar o efeito da cor na preferência dos
consumidores.
Quatro cores estavam sob consideração: branca, laranja,
rosa e verde limão.
Vinte pontos de venda similares em termos de potencial de
venda foram selecionados.
Cada cor foi alocada de forma aleatória a cinco pontos de
venda. Outras caracterí sticas do produto foram mantidas
constantes, bem como o preço e a estratégia de venda.
A resposta medida foi o número de itens vendidos por 1000
pessoas durante o perí odo de teste. Os dados obtidos estão
na tabela do slide seguinte.
Cores

T1 T2 T3 T4
Branca Laranja Rosa Verde

26,5 31,2 27,9 30,8

28,7 28,3 25,1 29,6


Dados em cores.mtw
25,1 30,8 28,5 32,4

29,1 27,9 24,2 31,7

29,1 27,9 24,2 31,7

Cores: Análise gráfica

Qual a forma das distribuições?


Probability Plot of preferencia Probability Plot of preferencia
Normal - 95% CI Normal - 95% CI
99 99
Mean 28,70 cor
StDev 2,470 branca
95 N 20 95 laranja
AD 0,170 rosa
90 90
P-Value 0,920 verde

80 80 Mean StDev N AD P
70 70 27,32 1,635 5 0,206 0,725
Percent

29,56 1,464 5 0,269 0,509


Percent

60 60
50 50 26,44 1,816 5 0,209 0,715
40 40 31,46 1,288 5 0,206 0,727
30 30
20 20

10 10

5 5

1 1
20 22 24 26 28 30 32 34 36 38 20,0 22,5 25,0 27,5 30,0 32,5 35,0 37,5
preferencia preferencia
Cores: Análise gráfica

Há estabilidade?
I Chart of preferencia by cor
branca laranja rosa verde

36
UCL=35,32

32 _
X=31,46
Individual Value

28 LCL=27,60

24

20

1 3 5 7 9 11 13 15 17 19
Observation

Cores: Análise gráfica

Há diferença entre os tratamentos?


Boxplot of preferencia
33

32

31

30
preferencia

29

28

27

26

25

24
branca laranja rosa verde
e
cor
Cores: Intervalo de Confiança

Há diferença entre os tratamentos?


Interval Plot of preferencia
95% CI for the Mean

33

32

31

30
preferencia

29

28

27

26

25

24
branca laranja rosa verde
cor
Individual standard deviations were used to calculate the intervals.
In

Cores: Teste de hipótese

Qual teste e hipótese podemos fazer?


One-Way ANOVA for preferencia by cor
Summary Report Para este caso, o Minitab
initab
Do the means differ?
tre
realiza ANOVAs entre
Which means differ?
0 0,05 0,1 > 0,5 # Sample Differs from stras.
cada uma das amostras.
1 rosa 4
Yes No 2 branca 4
P = 0,004 3 laranja
Differences among the means are significant (p < 0,05). 4 verde 1 2

Means Comparison Chart


Red intervals that do not overlap differ. Comments

‡ Test: You can conclude that there are differences among the
means at the 0,05 level of significance.
rosa ‡ Comparison Chart: Look for red comparison intervals that do
not overlap to identify means that differ from each other.
Consider the size of the differences to determine if they have
practical implications.

branca

laranja

verde

24 26 28 30 32
Exemplo 3

Comparação entre
tratamentos

Experimento aleatorizado em blocos

Em muitas situações de planejamento de experimentos,


existem fatores que sabemos que influenciam na
variável resposta e que necessitam ser controlados.

Nesses casos, a estratégia de formar blocos de unidades


experimentais homogêneas deve ser utilizada.

Experimentos com essa caracterí stica são chamados de


experimentos em blocos.

Em experimentos em blocos temos dois tipos de fatores:

ƒ Fatores que são de interesse do pesquisador


ƒ Fatores cujo efeito deseja-se controlar para remover seu
efeito do erro experimental
Experimento aleatorizado em blocos

Um exemplo clássico:

Box (1978) apresenta um experimento


interessante.
O objetivo do experimento era comparar dois
tipos de material utilizados na fabricação de sola
de tênis com respeito ao desgaste médio. O
experimento era para ser realizado com meninos,
que receberiam tênis com solados feitos com os
materiais A ou B. Eles usariam livremente os tênis
por um perí odo de tempo, após o qual os tênis
seriam recolhidos para medir o desgaste.
Como realizar o experimento?

Experimento aleatorizado em blocos

Uma grande fonte de variabilidade é o ní vel de


atividade dos garotos.
Para controlar essa fonte , e consequentemente
remove-la do erro experimental, o experimento foi
planejado da seguinte forma.
Cada garoto recebeu um pé do tênis com solado
feito com o material A e o outro pé com solado
feito com o material B.
feit
Foi decidido por sorteio se o pé esquerdo ou o
F
direito do menino recebeu o material A.
Experimento aleatorizado em blocos

B-A
Dados do experimento Menino Material A Material B
Diferença D

A análise dos resultados da tabela 1 13,2 (E) 14,0 (D) 0,8


evidência a eficiência do plano 2 8,2 (E) 8,8 (D) 0,6
experimental no controle da
3 10,9 (D) 11,2 (E) 0,3
variabilidade devido ao ní vel de
atividade. 4 14,3 (E) 14,2 (D) -0,1

Quando o desgaste é grande 5 10,7 (D) 11,8 (E) 1,1


(pequena) no pé esquerdo, ele é 6 6,6 (E) 6,4 (D) -0,2
grande (pequena) também no pé
7 9,5 (E) 9,8 (D) 0,3
direito, sendo que a diferença de
desgaste medida em cada garoto não 8 10,8 (E) 11,3 (D) 0,5
é influenciada pelo ní vel de atividade 9 8,8 (D) 9,3 (E) 0,5

10 13,3 (E) 13,6 (D) 0,3

Diferença Média 0,41

(E) indica que o material foi usado no pé esquerdo e (D) no pé direito

Experimento aleatorizado em blocos: análise

Gráficos para visualizar os dados

Dos dez pares de pontos, em apenas dois o material A apresenta valor maior do que o material B.
Existe evidência para afirmar que o Material B apresenta maior desgaste.
Teste de Hipóteses para igualdade de médias

Hipóteses
H 0: PA = PB

H A: PA PB

Estrutura dos dados

Garoto Material Desgaste


1 A 13.2
1 B 14.0
2 A 8.2
2 B 8.8
3 A 10.9
3 B 11.2
4 A 14.3
4 B 14.2
5 A 10.7
5 B 11.8
6 A 6.6
6 B 6.4
7 A 9.5
7 B 9.8
8 A 10.8
8 B 11.3
9 A 8.8
9 B 9.3
10 A 13.3
10 B
Arquivo 03_doe_garotos_sola 13.6
de sapato.MTW
ANOVA – General Linear Model

ANOVA – Resíduos

Residual Plots for desgaste


Normal Probability Plot Versus Fits
99 0,4

90 0,2
Residual
Percent

50 0,0

10 -0,2

1 -0,4
-0,50 -0,25 0,00 0,25 0,50 6 8 10 12 14
Residual Fitted Value

Histogram Versus Order


0,4
4

3 0,2
Frequency

Residual

2 0,0

1 -0,2

0 -0,4
-0,3 -0,2 -0,1 0,0 0,1 0,2 0,3 2 4 6 8 10 12 14 16 18 20
Residual Observation Order
Experimento aleatorizado em blocos

ƒ O experimento dos garotos é um exemplo de


um experimento em blocos

ƒ Nesse experimento temos um fator com dois


ní veis (dois tratamentos) e um fator de bloco

ƒ Os blocos são formados por duas unidades


experimentais, agrupadas de acordo com uma
variável de bloco

ƒ Cada unidade experimental dentro de cada


bloco recebe um dos dois tratamentos

ƒ A alocação dos tratamentos às unidades dentro


de cada bloco deve ser feita de forma aleatória

ƒ Esse plano experimental é denominada


Experimento Aleatorizado em Blocos

Experimento aleatorizado em blocos

Considere o seguinte exemplo


descrito no livro do BH&H

ƒ Um processo de produção de penicilina


estava sendo investigado e o rendimento
do processo era a variável resposta
ƒ Quatro métodos de produção foram
comparados
ƒ UO ex peO ri m n pet m
nO pexoet m
odsppoexse
tm oxgaéoe t m spsur l eO gnr el mn aéoexse
borset meborse
ƒ c x eborsesmepgNndnsurset met m oxgf nm
e
í g rmoev rsb x pe
ƒ ( omO egrnbnf xopednudoeborspexseO ri mne
tm nO euoes) t sm
nO suroe
Experimento aleatorizado em blocos

ƒ Variável resposta: Rendimento


ƒ Tratamentos: k = 4 variantes do
processo básico, denotadas por
A, B, C e D.
ƒ Bloco: Lote de matéria prima (5
lotes)
ƒ Cada lote (bloco) é separado em
4 porções, cada porção dentro de
cada lote recebe um tratamento.
ƒ Aleatoriza-se a os tratamentos às
porções dentro de cada bloco

Resultados

Tabela: Resultados do plano aleatorizado em


blocos na produção de penicilina
Tratamento
Bloco (mistura) A B C D Média dos Blocos
cos
Mistura 1 89 (1) 88 (3) 97 (2) 94 (4) 92
Mistura 2 84 (4) 77 (2) 92 (3) 79 (1) 83
Mistura 3 81 (2) 87 (1) 87 (4) 85 (3) 85
Mistura 4 87 (1) 92 (3) 89 (2) 84 (4) 88
Mistura 5 79 (3) 81 (4) 80 (1) 88 (2) 82
Média do Tratamento 84 85 89 86 Média geral = 86
* Os parênteses estão associados com a ordem aleatória na qual o experimento foi rodado
o
dentro de cada mistura
Estrutura dos dados

Bloco Tratamento Rendimento


1 1 89
1 2 88
1 3 97
1 4 94
Os dados estão em:
2 1 84
2 2 77
2 3 92
2 4 79
3 1 81
3 2 87
3 3 87
3 4 85
4 1 87
4 2 92
4 3 89
4 4 84
5 1 79
5 2 81
5 3 80
5 4 88

Respostas

Residual Plots for rendimento


Normal Probability Plot Versus Fits
99
5,0
90
2,5
Residual
Percent

50 0,0

10 -2,5

-5,0
1
-10 -5 0 5 10 80 84 88 92 96
Residual Fitted Value

Histogram Versus Order


4,8
5,0

3,6
Frequency

2,5
Residual

2,4 0,0

1,2 -2,5

-5,0
0,0
-4 -2 0 2 4 6 2 4 6 8 10 12 14 16 18 20
Residual Observation Order
Respostas

Scatterplot of rendimento vs tratamento


100 bloco
1
2
3
95 4
5
rendimento

90

85

80

1,0 1,5 2,0 2,5 3,0 3,5 4,0


tratamento

Experimentos
Dicotômicos
Experimentos dicotômicos

Experimentos dicotômicos são experimentos de


resposta binária:

ƒ Um tratamento para certa doença é eficaz?


R={ Sim, Não}

ƒ O operador influencia no desempenho do


processo? R={ Sim, Não}

ƒ A cor do meu site influencia na conversão?

Experimentos dicotômicos

Esses experimentos possuem uma


maneira particular de serem analisados.

Entretanto, lembrem-se:
Esse tipo de pergunta não é a única
maneira de se investigar um assunto e os
experimentos para responder a essa
pergunta não necessariamente irão
fornecer apenas uma resposta binária.
Mal de Crohn

Mal de Crohn é uma inflamação crônica


nos intestinos

Um experimento foi realizado com 71


portadores que eram intolerantes ou
resistentes à terapia tradicional

Tratamentos:
1. Ciclosporina
2. Placebo

Mal de Crohn

Resultado:
Tabela: Resultados do estudo do Mal de Crohn
Resultado Clínico
Tratamento Melhorou Não Melhorou Total
Ciclosporina 22 15 37
Placebo 11 23 34
Total 33 38 71

Tabela: Proporções (linha) para o estudo do Mal de Crohn


Resultado Clínico
Tamanho
Tratamento Melhorou Não Melhorou Total
da Amostra
Ciclosporina 0,59 0,41 1,00 37
Placebo 0,32 0,68 1,00 34
Mal de Crohn

Outros fatores que poderiam influenciar nos resultados dos estudo:

Sexo Terapias anteriores Local da doença Complicações

Planejamento Experimental

1 Seleção dos sujeitos (unidades experimentais a serem incluí dos no estudo)

2 Escolha dos Tratamentos

3 Determinação da Resposta

4 Protocolo: método para alocar os sujeitos aos tratamentos

5 Sujeitos são alocados aos tratamentos através de um protocolo

6 Mede-se no sujeito a resposta ao tratamento recebido


Planejamento Experimental

1.
1. Nesse exemplo temos dois tratamentos: Ciclosporina e Placebo

2.
2. Sujeitos
Su são 71 portadores do “Mal de Crohn” que eram
intolerantes
in ou resistentes à terapia tradicional

3.
3 Temos duas respostas possí veis: Sucesso e Fracasso (resposta
dicotômica)

4.
4. Protocolo: os sujeitos foram alocados aos tratamentos por sorteio
(aleatorização)

Planejamento Experimental

Objetivo do experimento:
Investigar se o tipo de tratamento afeta o resultado

Investigar se a chance de sucesso com a ciclosporina é


diferente do placebo

É possí vel que um sujeito receba os dois


tratamentos? Qual a consequência para
o estudo?
Aleatorização

Aleatorização: Alocar os sujeitos aos tratamentos de uma forma


aleatória

Por que usar aleatorização?

ƒ Dois sujeitos que recebem o mesmo tratamento não respondem


necessariamente da mesma forma

ƒ Fatores que podem influenciar a resposta


ƒ Tratamentos (objetivo do estudo)
ƒ Idade, sexo, (fáceis de medir, podem ser controlados)
ƒ Personalidade, inteligência, satisfação com a vida (difí ceis de medir, ou
desconhecidos)

Aleatorização

ƒ Cuida que a influência dos fatores não controlados seja distribuí da


de forma aleatória

ƒ Gera uma distribuição de referência válida para realizar inferência

Estudos observacionais

Até agora os sujeitos do


o
experimento foram:

ƒ Pessoas

ƒ Indiví duos distintos

Outra possibilidade:

ƒ Sujeitos são seqüências de


tentativas (ensaios)
Exemplo: cesta de 3 pontos

Os sujeitos são os 100 lançamentos


numerado 1, 2, 3 , ..., 100

Os tratamentos são:

ƒ Trat 1: lançamento de frente da cesta


1 ƒ Trat 2: lançamento do lado da cesta

Resultado:
ƒ S: cesta
ƒ F: fora
2

Exemplo: cesta de 3 pontos

Aleatorização
ƒ Os lançamentos a serem feitos são numerados de 1
a 100;

ƒ Em uma urna coloca-se 100 cartões numerados de


1 a 100;

ƒ Retira-se ao acaso 50 cartões;

ƒ Os números sorteados correspondem, na


seqüência, aos lançamentos de frente da cesta. Os
não sorteados aos lançamentos do lado da cesta.

Por que aleatorizar?


Exemplo: cesta de 3 pontos

Resultado:
Tabela: Resultados do estudo do Mal de Crohn
Resultado do estudo da cesta de três pontos
Local Cesta Fora Total
Em Frente 21 29 50
Ao lado 20 30 50
Total 41 59 100

Tabela: Proporções (linha) para o estudo do Mal de Crohn


Resultado do estudo da cesta de três pontos
Tamanho
Local Cesta Fora Total
da Amostra
Em Frente 0,42 0,58 1,00 50
Ao lado 0,40 0,60 1,00 50

Exemplo: cesta de 3 pontos

Várias técnicas de análise podem


ser utilizadas para analisar os
dados de um experimento ou
estudo observacional:

ƒ Análise gráfica

ƒ Estimação pontual

ƒ Intervalo de confiança

ƒ Teste de hipóteses – para a comparação


de duas populações
4 tipos de estudos

Existem basicamente quatro

4
tipos de estudos com respostas
dicotômicas.

Embora a teoria e os cálculos


sejam os mesmos para todos os
estudos, a interpretação dos
resultados depende do tipo de
estudo

4 tipos de estudos
Estudo 1: Estudo observacional em população finita

População 1: alunos de graduação do sexo masculino da


Universidade X

População 2: alunos de graduação do sexo masculino na


Universidade Y

Cada aluno participante do estudo responde à seguinte


questão:
“Se uma mulher está interessada em namorá-lo, você geralmente
prefere que ela convide-o para sair, ou que ela espere que você
tenha a iniciativa?”

A resposta “convide” é rotulada como sucesso. A outra é


rotulada como fracasso.

O objetivo é comparar a proporção de sucessos nas duas


populações.
4 tipos de estudos
Estudo 2: Experimento controlado em uma população finita:

Considere a coleção de todas as pessoas que possuem o mal


de Crohn e são resistentes ou intolerantes à terapia padrão.

n indiví duos portadores do mal de Crohn são selecionados


aleatoriamente e divididos ao acaso em dois grupos com n1 e
n2 indiví duos, n = n1 + n2.

O primeiro grupo recebe ciclosporina; o segundo grupo recebe


placebo.
ƒ População 1: Grupo que recebe ciclosporina
ƒ População 2: Grupo que recebe placebo

A resposta é Sucesso se houve melhora e Fracasso se não


houve melhora.

O objetivo é comparar a proporção de sucessos nas duas


populações.

4 tipos de estudos

Os exemplos anteriores ilustram os


seguintes fatos:

Num estudo observacional o conjunto de


indiví duos que formam a primeira população é
diferente do conjunto de indiví duos que
formam a segunda população. O pesquisador
não tem controle sobre a população à qual
qualquer indiví duo pertence. O pesquisador
simplesmente observa o status do indiví duo.
No exemplo dos alunos de graduação não há
controle sobre se um estudante em particular
era aluno de graduação em Wisconsin ou
Texas A&M
4 tipos de estudos

ƒ Um estudo controlado consiste de uma superpopulação de


indiví duos com uma determinada caracterí stica.

ƒ No exemplo do estudo do mal de Crohn a superpopulação


é formada por todos os indiví duos que são resistentes ou
intolerantes à terapia padrão.

ƒ A superpopulação gera duas populações que


correspondem aos dois tratamentos de interesse. No
exemplo acima, essas populações correspondem à
ciclosporina e placebo.

ƒ Note que as duas populações consistem dos indiví duos na


superpopulação. O pesquisador não controla os indiví duos
na superpopulação, mas uma vez que uma amostra é
retirada para estudo, o pesquisador controla qual
tratamento é recebido por cada indiví duo da amostra.

ƒ Uma boa forma de realizar esse controle é através da


aleatorização.

4 tipos de estudos

ƒ É algumas vezes útil imaginar como um estudo


observacional poderia ser transformado em um
estudo controlado.

ƒ Considere o estudo dos alunos de graduação. De


uma população de vestibulandos, 200 são
selecionados e 100 são enviados a uma
universidade e os outros 100 à outra. A divisão é
feita aleatoriamente.

ƒ Assim terí amos um estudo controlado, mas com


certeza questões éticas e legais teriam que ser
contornadas.
4 tipos de estudos
Estudo 3 : Experimento controlado, população infinita - O estudo da cesta de três pontos.

O objetivo do estudo é comparar a habilidade de fazer cesta de


três pontos arremessando de dois locais diferentes.

Assuma que a série de arremessos de frente e de lado satisfazem o


modelo de Bernoulli. Note entretanto que não estamos assumindo
que a chance de acertar é a mesma para cada local.

Esse é um estudo controlado porque o pesquisador tem o poder


de atribuir cada arremesso à primeira população – arremesso de
frente – ou à segunda população – arremesso de lado.

Esse poder é exercido através da aleatorização.

Os sujeitos são os 100 lançamentos numerado 1, 2, 3 , ..., 100

ƒ População 1: lançamento de frente da cesta


ƒ População 2: lançamento do lado da cesta
ƒ Resultado: S: cesta, F: fora

O objetivo é comparar a proporção de sucessos nas duas


populações

4 tipos de estudos
Estudo 4: Estudo observacional com população infinita

Dados foram obtidos na previsão da temperatura máxima diária em


uma cidade para um perí odo de seis meses na primavera e verão.

População 1: Dias da primavera em que foram feitas as previsões.


População 2: Dias do verão em que foram feitas as previsões.

Acerto na previsão é considerada Sucesso.

O objetivo é comparar a proporção de sucessos nas duas


populações.

Supõe-se que a probabilidade de Sucesso permanece a mesma


durante os seis meses. Não estamos assumindo que a
probabilidade de Sucesso é a mesma para cada estação e o
objetivo do estudo é comparar essas duas proporções.

Esse é um estudo observacional porque o pesquisador não pode


atribuir uma predição à estação. Por exemplo, a predição feita para
um determinado dia está automaticamente associada à estação do
dia pertence. Não há aleatorização.
Apresentação dos dados

No estudo do mal de Crohn. 71 sujeitos


foram selecionados de uma população de
portadores do mal de Crohn; 37 receberam
ciclosporina e 34 placebo. A alocação dos
sujeitos aos tratamentos foi feita de forma
aleatória. O resultado da pesquisa é
apresentado na tabela abaixo:

Frequências Observadas Proporções / Linhas


Resultado Clínico Resultado Clínico
População Melhorou Não Melhorou Total Melhorou Não Melhorou Total
Ciclosporina 22 15 37 0,595 0,405 1,000
Placebo 11 23 34 0,324 0,676 1,000
Total 33 38 71

Apresentação dos dados

NNo est uNouNodma Nl NoNoC er t hemuNl o


e n . hNdNt ot a moma Nesl mou o71 j ohduhi fut Neo
umoCNCt nmcpNou omnt dNeou oç l mut mcpNoumo
ã dhi l ehumu o; o ot a moma Nesl mou o71 1 o
hduhi fut NeoumoCNCt nmcpNou omnt dNeou o
ç l mut mcpNoumoã dhi l ehumu o3 bo4 ol et nsmuNo
umoC er t hemoAomCl e dsmuNodmosmO nmomOmhqNéo

Frequências Observadas Proporções / Linhas


Preferência Preferência
População Convide Aguarde Total Convide Aguarde Total
Univ. X 60 47 107 0,561 0,439 1,000
Univ. Y 31 69 100 0,310 0,690 1,000
Total 91 116 207
Apresentação dos dados

Os dados do estudo da cesta de três pontos


é apresentado abaixo. Foram realizados 100
arremessos, 50 de frente e 50 de lado. A
ordem dos arremessos foi aleatorizada.

Frequências Observadas Proporções / Linhas


Resultado Resultado
População Cesta Fora Total Cesta Fora Total
Em Frente 21 29 50 0,420 0,580 1,000
De Lado 20 30 50 0,400 0,600 1,000
Total 41 59 100

Apresentação dos dados

Todas as tabelas apresentadas antes tem o mesmo formato

p1 é a proporção de sucessos na população 1 e p2 na


população 2;

p1- chapéu é a estimativa de p1 e p2 - chapéu é de p2;

O formato geral da tabela é apresentado abaixo:

Frequências Observadas Proporções / Linhas


Resultado Resultado
População S N Total S N Total
1 a b n1 ^1
p ^1
q 1
^ ^
2 c d n2 p2 q2 1
Total m1 m2 n
Tabelas 2x2 - Padronização

Tratamento S F Total Componente Símbolo Significado

1 a b n1 Resposta S Sucesso – uma das possíveis respostas

F Fracasso – outra possível resposta


2 c d n2
Tratamento 1 Primeiro Tratamento
Total m1 m2 n
2 Segundo Tratamento

Total n Número de sujeitos do estudo

Marginal (linhas) n1 Número de sujeitos do tratamento 1

n2 Número de sujeitos do tratamento 2

Marginal
m1 Número de sujeitos que responderam S
(colunas)

m2 Número de sujeitos que responderam F

Frequências Número de sujeitos do tratamento 1 que


a
Observadas responderam S

Número de sujeitos do tratamento 1 que


b
responderam F

Número de sujeitos do tratamento 2 que


c
responderam S

Número de sujeitos do tratamento 2 que


d
responderam F

Tabelas 2x2 – Notações adicionais

Resposta
Os sí mbolos p e q sempre representam
proporções. Tamanho da
Tratamento S N Total
Amostra
1 ^1
p q^ 1 1 n1
O í ndice representa o tratamento
considerado. 2 ^2
p q^2 1 n2

O “chapéu” serve para lembrar que os


valores foram calculados dos dados do
experimento.

Se os í ndices forem os mesmos ou


estiverem ausentes, p e q somam 1:

pˆ 1  qˆ1 1 e pˆ 2  qˆ 2 1
Inferência

p
As estimativas pontuais de p1 e p2 são dadas por,
^ ^
respectivamente, p 1 e p 2.
1
A comparação de populações é feita através da

p
comparação de p 1 e p 2 .

A estimativa pontual de p 1 -p 2 é dada por: 2

pˆ 1  pˆ 2
As estimativas pontuais podem ser lidas
diretamente da tabela 2x2

Exercício: Estime p1-p2

Estudo da Frequências Observadas Proporções / Linhas

cesta de 3 Resultado Resultado

pontos
on População Cesta Fora Total Cesta Fora Total
Em Frente 21 29 50 0,420 0,580 1,000
De Lado 20 30 50 0,400 0,600 1,000
Total 41 59 100

Estudo da Frequências Observadas Proporções / Linhas

previsão do Resultado Resultado

tempo População S N Total S N Total


Primavera 46 43 89 0,517 0,583 1,000
Verão 50 39 89 0,562 0,483 1,000
Total 96 82 178
Exercício: Estime p1-p2

Frequências Observadas Proporções / Linhas


Estudo do
Preferência Preferência
namoro
População Convide Aguarde Total Convide Aguarde Total
Univ. X 60 47 107 0,561 0,439 1,000
Univ. Y 31 69 100 0,310 0,690 1,000
Total 91 116 207

Estudo do Frequências Observadas Proporções / Linhas

Mal de Crohn Resultado Clínico Resultado Clínico


População Melhorou Não Melhorou Total Melhorou Não Melhorou Total
Ciclosporina 22 15 37 0,595 0,405 1,000
Placebo 11 23 34 0,324 0,676 1,000
Total 33 38 71

Teste de hipótese
Teste de hipótese

Teste de hipótese: Mal de Crohn


Teste de hipótese: Mal de Crohn

2-Sample % Defective Test for Group 1 vs Group 2


Summary Report

Individual Samples
Statistics Group 1 Group 2
% Defective Test
Is Group 1 greater than Group 2? Total number tested 37 34
Number of defectives 22 11
0 0,05 > 0,5
% Defective 59,46 32,35
90% CI (44,63; 73,09) (19,32; 47,82)
Yes No
P = 0,020

The % defective of Group 1 is significantly greater than the % Difference Between Samples
defective of Group 2 (p < 0,05).
Statistics *Difference
Difference 27,11
90% CI (8,39; 45,83)

*Difference = Group 1 - Group 2

90% CI for the Difference Comments


Is the entire interval above zero?
‡ Test: You can conclude that the % defective of Group 1 is greater
0
than Group 2 at the 0,05 level of significance.
‡ CI: Quantifies the uncertainty associated with estimating the
difference from sample data. You can be 90% confident that the true
difference is between 8,39% and 45,83%, and 95% confident that it
is greater than 8,39%.

-40 0 40

Exercícios

Analisem no MINITAB os demaiss


experimentos e estudos
observacionais dicotômicos:

ƒ Cesta de 3 pontos

ƒ Estudo do namoro

ƒ Previsão da temperatura
Experimentos
Fatoriais

Experimentos
Fatoriais

Um pouco de história...
Definições importantes

Experimento
Teste ou série de testes nos quais mudanças intencionais são feitas em variáveis de
entrada de um processo (fatores) de tal forma a observar e identificar os efeitos nas
variáveis respostas

Planejamento de Experimentos
Procedimentos que possibilitam planejar experimentos e analisar os resultados
Objetivo
Determinar as principais causas de variação, encontrar condições que maximizem ou
minimizem a resposta, comparar as respostas para diferentes configurações das
variáveis de entrada, obter um modelo para predizer resultados futuros e fornecer uma
base para ações no processo
Utilizações
ƒ Projetar e desenvolver um produto
ƒ Melhorar um processo existente
ƒ Melhorar um processo novo após partida
ƒ Desenvolver produtos e processos robustos perante fontes externas de variabilidade
ƒ Redução do tempo de desenvolvimento de um produto
ƒ Redução de custos globais

Como fazer?

1 Desenvolver uma descrição clara e concisa do problema;

Identificar, pelo menos tentativamente, os fatores que potencialmente afetam o problema ou


2 que desempenham papel importante na solução;

3 Propor um modelo, usando conhecimentos cientí ficos sobre o problema em estudo.


Estabelecer suposições e limitações sobre o modelo;

4 Conduzir experimentos e coletar dados para testar o modelo proposto;

5 Refinar o modelo com base nos dados observados;

6 Conduzir experimentos para validar a solução proposta;

7 Consolidar o aprendizado e fazer recomendações baseado nos resultados do experimento.


Imagine o cenário...

Grandes provedores: velocidade

Como saber qual o


melhor provedor de
acesso à internet
de sua região?

Definições importantes sobre Variável resposta


experimentos Fator
Nível de um fator
Tratamento
Variáveis de bloco
Variáveis de ruído
Unidade experimental
Bloco
Efeito
Plano experimental
Corrida experimental
Experimento
Erro experimental
Replicação
Aleatorização
Blocagem
Repetição
Como tudo isto se combina?

Princípios básicos para a análise

A análise e interpretação dos resultados deve


estar conectada ao conhecimento atual dos
experts no assunto que está sendo tratado

As condições de aplicação dos resultados serão,


em geral, diferente das condições do estudo. A
participação dos experts no assunto é
fundamental para avaliar a magnitude e o
impacto dos efeitos observados

Métodos de análise devem ser fortemente


baseados em gráficos
Como fazer experimentos?

1 Defina o problema

2 Escolha os fatores e seus ní veis

3 Selecione a(s) variável(eis) resposta

4 Escolha o plano experimental

5 Execute o plano experimental

6 Analise os dados e interprete os resultados

7 Prepare um relatório

8 Execute as ações recomendadas

Experimento Fatorial
O experimento certo para estudar o impacto
de dois ou mais fatores numa variável resposta
O experimento do bolo

Helicóptero de Papel

Uma empresa, fabrica helicópteros


de papel. Seus clientes, desejam
que o helicóptero gire enquanto
caia e permaneça o maior tempo
possí vel em voo. Atualmente, os
clientes reclamam que o
concorrente fabrica um helicóptero
que voa o dobro do tempo. Seu
desafio é virar este jogo!
Helicóptero de Papel

Fatores (X) (-) (+)


Tipo de Papel (gramatura) 75g 120g
Comprimento da Asa 3cm 6cm
Largura do Corpo 5cm 8cm
Comprimento da perna 4cm 10cm
Largura da perna 2cm 3cm

Estratégia 1

Uma estratégia muito utilizada para


realizar experimentos é variar um fator
de cada vez. Com esta estratégia,
iremos realizar 10 experimentos, para
poder variar todos os fatores possí veis.
Estratégia 1

Plano de Ação da Estratégia 1

1. Fixe o Comp da Asa em 3 e 1. Fixe a Larg do Corpo em 5 e


varie a Larg do Corpo varie o Comp da Asa
2. O melhor valor para a larg do 2. O melhor valor para o Comp
corpo é 5 da Asa é 6

Comp Asa Larg do Corp Tempo Comp Asa Larg do Corp Tempo

5 1,7 3 1,7
3 5
8 1,5 6 2,0

Melhor combinação
(6,5)

Estratégia 1

Plano de Ação da Estratégia 1

1. Fixe a Larg do Corpo em 8 e 1. Fixe a Comp da Asa em 3 e


varie o Comp da Asa varie a Larg do Corpo
2. O melhor valor para a Comp 2. O melhor valor para Larg do
da Asa é 3 Corpo 5

Comp Asa Larg do Corp Tempo Comp Asa Larg do Corp Tempo

3 1,5 5 1,7
8 3
6 1,2 8 1,5

Melhor combinação
(3,5)
O perigo da variação de 1 fator por vez

Problemas com essa estratégia


ƒ Para que essa estratégia funcione
(encontrar a melhor combinação dos
ní veis dos fatores) é necessário que os
efeitos dos fatores sejam aditivos
ƒ Mesmo que os efeitos sejam aditivos,
essa estratégia é ineficiente
ƒ Caso haja interações entre os fatores,
essa estratégia não consegue
identificá-las e estimá-las

A melhor forma de conduzir


experimentos é por meio da técnica
de Experimentos Fatoriais

Introdução aos experimentos fatoriais

DPrPob lemoas mlcacPot éaécagmréoPcamacPoPb aPcr i mi écaPacP ca


aoPcqPurlf écaenf PlcaPamaf mol( f PhaoPcqécrma

ç b aPãqPolb Peréagmréolmhadauéb qhPréas mei éaréi mcamcauéb í lemv) Pcai éca


enf Plcai écagmréoPcaPcrt éaqoPcPerPcaeéaPãqPolb Peréa

á mb écaPcr i moacéb PerPaPãqPolb Perécagmréolmlcauéb aeagmréoPcaPaumi maa


gmréoauéb amqPemcai élcaenf Plca

2n j ccmauhmccPai PaPãqPolb Perécadai Peérmi maqéoaMeaPadau, mb mi mai PagmréolmlcaMea


Notação

X1; X2; X3; X4; ...Y


Identificar os fatores, X1 = a1 ; b 1
os níveis e a variável
resposta X2 = a2 ; b 2
...

Dois níveis
a=(+) Ex: Fatorial 2 2
b=(-)
Trat A B Resposta

1 -1 -1 y1

Número
de ní veis
2 n Número de
fatores
2
3
4
1
-1
1
-1
1
1
y2
y3
y4

Análise

Nos experimentos fatoriais, precisamos analisar :

Efeitos principais Efeitos da interações


Análise efeitos principais: Helicóptero

Calculo do efeito do fator A


ƒ YA(+ )= (1.6 + 1.8)/ 2 = 1.7
ƒ YA(-) = (1.2 + 1.2)/ 2 = 1.2
ƒ Efeito de A = [ 1.7 – 1.2] = 0.5
O efeito do fator A pode ser
mostrado graficamente

Trat Comp Asa (A) Larg do Corp (B) Tempo


1 - - 1.2
2 + - 1.6
3 - + 1.2
4 + + 1.8

Análise efeitos principais: Helicóptero

Calculo do efeito do fator B


ƒ YB(+ )= (1.2 + 1.8)/ 2 = 1.5
ƒ YB(-) = (1.6 + 1.2)/ 2 = 1.4
ƒ Efeito de A = [ 1.5 – 1.4] = 0.1
O efeito do fator B pode ser
mostrado graficamente

Trat Comp Asa (A) Larg do Corp (B) Tempo


1 - - 1.2
2 + - 1.6
3 - + 1.2
4 + + 1.8
Análise dos efeitos da interação: Helicóptero

Considere novamente o exemplo Trat Comp Asa (A) Larg do Corp (B) Tempo
ƒ Efeito de A para B=(+ )
1 - - 1.2
ƒ AB=(+ ) = 1.8 – 1.2 = 0.6
2 + - 1.6
ƒ Efeito de A para B=(-)
3 - + 1.2
ƒ AB=(-) = 1.6 – 1.2 = 0.4
ƒ Interação de A com B 4 + + 1.8
ƒ AB = (AB=(+ ) - AB=(-))/ 2 = (0.6 – 0.4)/ 2 = 0.1

Análise gráfica das interações


Fatorial 22 : Exercício

Veloc Avanço V_cod A_cod AB Acabamento

100 4 -1 -1 + 216
120 4 1 -1 _ 221
100 6 -1 1 _ 235
120 6 1 1 + 223

Calcular: Fazer:
F
ƒ Efeito de Veloc ƒ Gráfico dos Efeitos principais
ƒ Efeito de Avanço ƒ Gráfico da Interação
ƒ Interação Veloc* Avanço

Fatorial 22 : Exercício

Veloc Avanço V_cod A_cod AB Acabamento

100 4 -1 -1 + 216
120 4 1 -1 _ 221
100 6 -1 1 _ 235
120 6 1 1 + 223

Calcular:
Vel (100) = (216 + 235) / 2 = 225,5
Efeito Vel = -3,5
ƒ Efeito de Veloc Vel (120) = (221 + 223) / 2 = 222

Avanço (4) = (216 + 221) / 2 = 218,5


Efeito Avanço = +10,5
ƒ Efeito de Avanço Avanço (6) = (235 + 223) / 2 = 229

Efeito da Velocidade para avanço (4) = (223 + 216)/2 = 219,5 Interação Vel
ƒ Interação Veloc* Avanço Efeito da Velocidade para avanço (6) = (235 + 221)/2 = 228 com Avanço
(228-219,5)/2 = 8,5
Resumindo: Interações e
Efeitos Principais

2 2 Temos
ƒ 2 efeitos
ef principais: A e B
ƒ 1 interação
int de 2 fatores: AB

2 3 Temos
ƒ 3 efeitos principais:
p
ƒ 3 interaçõe
A, B e C
interações de 2 fatores: AB, AC, BC
ƒ 1 interação de 3 fatores: ABC

24
Temos
ƒ 6 interações
intterações de 2 fatores:
f AB, AC, AD, BC, BD, CD
ƒ 4 interações
iintt õ ded 3 fatores:
f ABC, ABD, ACD, BCD
ƒ 1 int
interação de 4 fatores: ABCD

Fatorial 2³: Exemplo

Um experimento foi realizado para


avaliar o efeito de Temperatura (T),
Pressão e Catalisador no rendimento
de uma reação quí mica. Foram
utilizados dois ní veis de cada fator:
Temperatura: 160 , 180
Concentração: 20%, 40%
Catalisador: A, B.
Foi realizado um experimento fatorial
completo, perfazendo um total de 8
rodadas experimentais
Fatorial 2³: Exemplo

Média T C K TC TK CK TCK Y
Rodada o
T: Temp ( C) C: Conc (%) K: Catal Y: Rend + - - - + + + - 60
(gramas) + + - - - - + + 72
a. Níveis dos Fatores + - + - - + - + 54
+ + + - + - - - 68
1 160 20 A 60
+ - - + + - - + 52
2 180 20 A 72
3 160 40 A 54 + + - + - + - - 83
4 180 40 A 68 + - + + - - + - 45
5 160 20 B 52 + + + + + + + + 80
6 180 20 B 83 Õ
7 160 40 B 45 8 4 4 4 4 4 4 4
divisor
8 180 40 B 80
b. Níveis Codificados
1 - - - 60 72 + 68 + 83 + 80 60 + 54 + 52 + 45
2 + - - 72
T= - = 23
3 - + - 54 4 4
4 + + - 68
5 - - + 52 54 + 68 + 45 + 80 60 + 72 + 52 + 45
6 + - + 83 C= - = -5
7 - + + 45 4 4
8 + + + 80
Temperatura (oC) Concentração (%) Catalisador
- + - + - + 52 + 83 + 45 + 80 60 + 72 + 54 + 68
160 180 20 40 A B
K= - = 1.5
4 4

Cálculo dos efeitos fatoriais

Média T C K TC TK CK TCK Y
60 + 68 + 52 + 80 72 + 54 + 83 + 45
TC = - = 1.5 + - - - + + + - 60
4 4
+ + - - - - + + 72
60 + 54 + 83 + 80 72 + 68 + 52  45 + - + - - + - + 54
TK = - = 10
4 4 + + + - + - - - 68
+ - - + + - - + 52
60 + 72 + 45 + 80 54 + 68 + 52 + 83 + + - + - + - - 83
CK = - =0
4 4 + - + + - - + - 45
72 + 54 + 52  80 60 + 68 + 83 + 45 + + + + + + + + 80
TCK = - = 0.5 Õ
4 4 8 4 4 4 4 4 4 4
divisor
Análise dos efeitos

Os efeitos significantes são aqueles que tem comprimento destacado em


relação aos demais (efeito de Pareto)

Exemplo Fatorial 24

Um experimento foi realizado para


estudar o efeito de quatro fatores no
rendimento de uma reação quí mica. Os
fatores estudados com respectivos
ní veis estão na tabela abaixo.
A variável resposta foi a porcentagem
de conversão

Fator - +
A: Carga Catalisador (lb) 10 15
B : Temperatura (ºC) 220 240
C: Pressão (psi) 50 80
D: Concentração (%) 10 12
Exemplo Fatorial 24

Carga Ord
Temp Pressão Conc % Conv
Catal Aleat
10 220 50 10 70 8
15 220 50 10 60 2
10 240 50 10 89 10
15 240 50 10 81 4
A B C D AB AC AD BC BD CD ABC ABD ACD BCD ABCD % Conv
10 220 80 10 69 15 - - - - + + + + + + - - - - + 70
15 220 80 10 62 9 + - - - - - - + + + + + + - - 60
- + - - - + + - - + + + - + - 89
10 240 80 10 88 1
+ + - - + - - - - + - - + + + 8+
15 240 80 10 81 13 - - + - + - + - + - + - + + - 69
10 220 50 12 60 16
+ - + - - + - - + - - + - + + 62
- + + - - - + + - - - + + - + 88
15 220 50 12 49 5 + + + - + + - + - - + - - - - 8+
10 240 50 12 88 11 - - - + + + - + - - - + + + - 60
+ - - + - - + + - - + - - + + 49
15 240 50 12 82 14 - + - + - + - - + - + - + - + 88
10 220 80 12 60 3 + + - + + - + - + - - + - - - 82
- - + + + - - - - + + + - - + 60
15 220 80 12 52 12 + - + + - + + - - + - - + - - 52
10 240 80 12 86 6 - + + + - - - + + + - - - + - 86
+ + + + + + + + + + + + + + + 79
15 240 80 12 79 7
8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 ĸDivisor

Exemplo Fatorial 24

Efeito fatorial Estimativa


Carga Catal -8.000
Temperatura 24.000
Pressao -0.250
Conc -5.500
Carga Catal*Temperatura 1.000
Carga Catal*Pressao 0.750
Carga Catal*Conc -0.000
Temperatura*Pressao -1.250
Temperatura*Conc 4.500
Pressao*Conc -0.250
Carga Catal*Temperatura*Pressao -0.750
Carga Catal*Temperatura*Conc 0.500
Carga Catal*Pressao*Conc -0.250
Temperatura*Pressao*Conc -0.750
Carga Catal*Temperatura*Pressao*Conc -0.250
Exemplo Fatorial 24

Exemplo Fatorial 24

Recomendação:
Usar a Carga de Catalisador em 10 lb e Temperatura
240 . A Pressão e a Concentração devem ser
escolhidas em função de custo e segurança
Vamos para os exercícios

Exercícios

Experimento realizado para estudar


o efeito de quatro fatores no
rendimento de uma reação quí mica.
A variável resposta foi a
porcentagem de conversão.

Fator Nível - Nível +


A: Carga Catalisador (lb) 10 15
B : Temperatura (ºC) 220 240
C: Pressão (psi) 50 80
D: Concentração (%) 10 12
Exercícios

Experimento realizado para testar uma


resina nova (mais barata) proposta pelo
fornecedor pode substituir a utilizada
na formulação e uma tinta automotiva.
A variável resposta foi a dureza da tinta.

Fator Nível - Nível +


A: Tipo de resina Atual alternativa
B : Temperatura (ºC) 130 160
C: Relação poli/resina Baixa Alta
D: Tipo de poliéster Tipo I Tipo II

Podemos substituir o fornecedor?

Exercícios

Objetivo: desenvolver uma tinta


automotiva com uma formulação que
comtemple duas variáveis respostas
aparentemente discordantes: dureza
(QMM) e flexibilidade (Qmm) (quando uma
fórmula tem boa dureza sua flexibilidade é
ruim e vice-versa).

Fator Nível - Nível +


A: Presença de Uréia Presente Ausente
B : Tipo I de melanina M11 M12
C: Tipo II de melanina M21 M22
D: Relação Poli/Mela Baixa Alta
E: Tipo de poliéster P1 P2
Experimento Fatorial
Fracionado
Fazendo mais com menos

Experimento fatorial 25

Um experimento 2 5 completo foi


realizado para avaliar o efeito de cinco
fatores na resistência de um ponto de
solda em uma placa de circuito.
Fator -1 +1
A: Alinhamento Paralelo Não Sim
B: Procedimento Padrão Novo
C: Máquina A B
D: Pré-Aquecimento Não Sim
E: Potência 3 5
Experimento fatorial 25
Níveis codificados
Trat Paralelo Proced Maquina PreAquec Pot Resist Trat Paralelo Proced Maquina PreAquec Pot Resist
1 Não Padrão A Não 3 37 1 -1 -1 -1 -1 -1 37
2 Sim Padrão A Não 3 49 2 1 -1 -1 -1 -1 49
3 Não Não A Não 3 37 3 -1 1 -1 -1 -1 37
4 Sim Não A Não 3 51 4 1 1 -1 -1 -1 51
5 Não Padrão B Não 3 44 5 -1 -1 1 -1 -1 44
6 Sim Padrão B Não 3 27 6 1 -1 1 -1 -1 27
7 Não Não B Não 3 43 7 -1 1 1 -1 -1 43
8 Sim Não B Não 3 31 8 1 1 1 -1 -1 31
9 Não Padrão A Sim 3 38 9 -1 -1 -1 1 -1 38
10 Sim Padrão A Sim 3 51 10 1 -1 -1 1 -1 51
11 Não Não A Sim 3 39 11 -1 1 -1 1 -1 39
12 Sim Não A Sim 3 51 12 1 1 -1 1 -1 51
13 Não Padrão B Sim 3 42 13 -1 -1 1 1 -1 42
14 Sim Padrão B Sim 3 30 14 1 -1 1 1 -1 30
15 Não Não B Sim 3 41 15 -1 1 1 1 -1 41
16 Sim Não B Sim 3 29 16 1 1 1 1 -1 29
17 Não Padrão A Nao 5 38 17 -1 -1 -1 -1 1 38
18 Sim Padrão A Nao 5 51 18 1 -1 -1 -1 1 51
19 Não Não A Nao 5 38 19 -1 1 -1 -1 1 38
20 Sim Não A Nao 5 52 20 1 1 -1 -1 1 52
21 Não Padrão B Nao 5 42 21 -1 -1 1 -1 1 42
22 Sim Padrão B Nao 5 29 22 1 -1 1 -1 1 29
23 Não Não B Nao 5 44 23 -1 1 1 -1 1 44
24 Sim Não B Nao 5 28 24 1 1 1 -1 1 28
25 Não Padrão A Sim 5 37 25 -1 -1 -1 1 1 37
26 Sim Padrão A Sim 5 52 26 1 -1 -1 1 1 52
27 Não Não A Sim 5 37 27 -1 1 -1 1 1 37
28 1 1 -1 1 1 51
28 Sim Não A Sim 5 51
29 -1 -1 1 1 1 43
29 Não Padrão B Sim 5 43
30 1 -1 1 1 1 29
30 Sim Padrão B Sim 5 29
31 -1 1 1 1 1 43
31 Não Não B Sim 5 43
32 1 1 1 1 1 30
32 Sim Não B Sim 5 30

Análise

Efeitos significantes: AC e C
Análise

Para maximizar a resistência da solda


deve-se usar a máquina A com
alinhamento paralelo
Caso a máquina B tenha que ser
utilizada, então ela deve ser usada
sem alinhamento paralelo.
Os ní veis dos outros fatores podem
ser escolhidos para minimizar custo
(ou satisfazer outro critério como
segurança, por exemplo)

Eficiência de um experimento fatorial 25 completo

Um experimento 2 5 completo requer 32


rodadas experimentais

Do experimento pode-se estimar:


ƒ 5 efeitos principais
ƒ 10 interações de 2 fatores
ƒ 10 interações de 3 fatores
ƒ 5 interações de 4 fatores
ƒ 1 interação de 5 fatores

Interações de 3 ou mais fatores são quase


sempre não significantes

Portanto, o interesse é obter informação sobre


os 5 efeitos principais e as 10 interações de 2
fatores (total de 5 efeitos fatoriais)
Eficiência de um experimento fatorial 25 completo

É possí vel realizar apenas uma


parte das 32 combinações do
fatorial 2 5?

Considere que no experimento


anterior somente 16 das 32
combinações possí veis foram
realizadas

As 16 combinações e os
resultados do experimento estão
na tabela seguinte

½ Fração de um fatorial 25

Trat Paralelo Proced Maquina PreAquec Pot Resist


Observe que 2 1 -1 -1 -1 -1 49
3 -1 1 -1 -1 -1 37
1. Cada coluna tem a mesma 5 -1 -1 1 -1 -1 44
quantidade de (-) e (+ ) 8 1 1 1 -1 -1 31
9 -1 -1 -1 1 -1 38
2. Para cada par de colunas a 12 1 1 -1 1 -1 51
proporção de (-, -), (-, + ), (+ , -) e (+ , + ) 14 1 -1 1 1 -1 30
15 -1 1 1 1 -1 41
é a mesma, e assim por diante 17 -1 -1 -1 -1 1 38
20 1 1 -1 -1 1 52
22 1 -1 1 -1 1 29
23 -1 1 1 -1 1 44
26 1 -1 -1 1 1 52
Os efeitos principais e as 27 -1 1 -1 1 1 37
in
interações são calculadas da 29 -1 -1 1 1 1 43
mesma forma que em um 32 1 1 1 1 1 30

fatorial 2k completo
Análise

Efeitos significantes: AC e C

Análise

Para maximizar a resistência da solda


deve-se usar a máquina A com
alinhamento paralelo
Caso a máquina B tenha que ser
utilizada, então ela deve ser usada
sem alinhamento paralelo.
Os ní veis dos outros fatores podem
ser escolhidos para minimizar custo
(ou satisfazer outro critério como
segurança, por exemplo)
Conclusões

Você obtém as mesmas conclusões


em ambas as situações, realizando o
fatorial completo ou metade do
fatorial ( 2 5 =2 5-1 )

O custo do experimento e o tempo


para realiza-lo são menores

Questões:
ƒ É uma coincidência?
ƒ Se não é; como escolher a fração metade?
ƒ O que se perde de informação ao se realizar a
fração metade?

Experimento fatorial fracionado

Observe que na fração metade o


produto dos sinais das colunas de A,
B, C, D e E é (+ ). Na verdade, essas
combinações foram escolhidas de
forma deliberada.

Dessa forma, na fração metade não


é possí vel estimar a interação
ABCDE (a coluna ABCDE só tem o
sinal (+ )), o que não é problema pois
sabemos que essa interação é não
significante.
Experimento fatorial fracionado

Definição da Relação de Identidade (RI):

I+ABCDE

A relação de identidade é estabelecida pela interação utilizada


para selecionar a fração metade do fatorial, no caso ABCDE.

Operação com a Relação de Identidade: definição.


ƒ Multiplica-se cada fator ou interação pela RI sendo I
um elemento neutro da multiplicação, ou seja,
qualquer efeito multiplicado por I é igual ao efeito
ƒ Letras elevadas a um expoente par são eliminadas

Exemplo
multiplicar a interação AB pela relação de identidade:
ABx(I+ABCDE) = ABI+ A2B2CDE = AB+CDE

Experimento fatorial fracionado

Significado da operação
AB+ CDE significa que no fatorial fracionado 2 5-1
definido pela Relação de Identidade I+ ABCDE não
é possí vel calcular o efeito das interações AB e
CDE. O que se pode calcular é AB+ CDE (a soma
dos efeitos das interações)

No exemplo da solda temos:


ƒ No fatorial completo: AB=0.25 e CDE=0.75
ƒ No fatorial fracionado: AB=1.00 (= AB+ CDE)

Nesse caso dizemos que a interação AB está


confundida com a interação CDE

Se a soma AB+ CDE for significante, então é AB


que deve ser significante pois CDE é quase
certamente não significante
Experimento fatorial fracionado

I + ABCDE
Realizando a mesma operação com todos os efeitos
fatoriais obtemos as seguintes relações de A + BCDE
confundimento B + ACDE
C + ABDE
Em um experimento fatorial fracionado 2 5-1: D + ABCE
ƒ A interação ABCDE não pode ser calculada E + ABCD
ƒ Pode-se calcular as 15 relações ao lado, mas não os efeitos
isolados AB + CDE
ƒ Cada efeito principal está confundido com uma interação de 4 AC + BDE
fatores
ƒ Cada interação de 2 fatores está confundida com uma interação AD + BCE
de 3 fatores AE + BCD
ƒ Se uma relação envolvendo um efeito principal for significante,
BC + ADE
então o efeito principal é significante
ƒ Se uma relação envolvendo uma interação de 2 fatores for BD + ACE
significante, então a interação de 2 fatores é significante
BE + ACD
Dessa forma, não perdemos informação sobre o que CD + ABE
potencialmente é significante (efeito principal ou CE + ABD
interação de 2 fatores) DE + ABC

Experimento fatorial 2k com k=5 (Completo e fração metade)

Para 5
Informação disponível
fatores
Fatorial Completo (32 rodadas)
Efeitos Principais 5
Interações de 2-fatores 10
32 testes permitem todos os efeitos principais
Interações de 3-fatores 10 e todas as interações
Interações de 4-fatores 5
Interação de 5-fatores 1
31

Meia Fração (16 rodadas)


Efeitos Principais 5 16 testes permitem obter informação sobre todos os
efeitos principais todas as interações de 2-fatores
Interações de 2-fatores 10
15
Experimento fatorial fracionado

A meia-fração de um fatorial completo geralmente pode fornecer as mesmas


informações que o fatorial completo, com apenas metade do número de testes.

Vantagens Desvantagens
ƒ Menos custo ƒ Dependendo do fracionamento, algumas
ƒ Menos tempo informações importantes podem ser
perdidas
ƒ Maior dificuldade para analisar

Fatorial Fracionado

Experimentos fatoriais 2 k podem ser realizados com um


fracionamento maior

O fracionamento deve ser sempre em frações de potencias de 2 (1/ 2,


1/ 4, 1/ 8, 1/ 16 e assim por diante

Experimentos fatoriais fracionados são denotados por 2 k-p onde k é o


número de fatores e p a potencia que indica o fracionamento
ƒ Por exemplo, um fatorial 2 5-2 corresponde a uma fração de um fatorial 2 5 (8 rodadas
experimentais

Um fatorial fracionado 2 n-p é construí do a partir de uma relação de


identidade

A relação de identidade utilizada gera as relações de confundimento

Em um fatorial fracionado 2 n-p , a relação de identidade tem 2 p -1


efeitos fatoriais, sendo que p são independentes. Os outros são
produtos dos independentes
Fatorial Fracionado

Exemplos:
ƒ 2 7-1 : n=7, p=1, 2 p -1 = 1
ƒ I = ABCDEFG
ƒ 2 7-2 : n=7, p=2, 2 p -1 = 3
ƒ I = CEFG + ABCDF + ABDEG
ƒ 2 7-3 : n=7, p=3, 2 p -1 = 7
ƒ I + ABCE + ABFG + ACDG + ADEF + BCDF +
BDEG + CEFG

Softwares estatí sticos geram os


planos experimentais fracionados
e informam qual foi a relação de
identidade utilizada e quais são as
relações de confundimento

Exemplo: Plano Fatorial 25-2

O seguinte plano foi gerado utilizando o MINITAB

A B C D E I + ABD + ACE + BCDE


1 1 -1 1 -1 A + BD + CE + ABCDE
-1 1 1 -1 -1 B + AD + CDE + ABCE
1 1 1 1 1
C + AE + BDE + ABCD
1 -1 1 -1 1
D + AB + BCE + ACDE
1 -1 -1 -1 -1
-1 -1 -1 1 1 E + AC + BCD + ABDE
-1 -1 1 1 -1 BC + DE + ABE + ACD
-1 1 -1 -1 1 BE + CD + ABC + ADE

Observe que os efeitos principais estão


confundidos com interações de 2 fatores
Resolução de um fatorial fracionado

A Resolução de um fatorial fracionado 2n-p é igual ao


número de letras da menor “palavra” na Relação de
Identidade.

Um plano de Resolução III não confunde efeito principal


com efeito principal, mas confunde alguns efeitos
principais com interações de dois fatores.

Um plano de Resolução IV não confunde efeito principal


com efeito principal nem com interações de dois
fatores, mas confunde algumas interações de dois
fatores com outras interações de dois fatores.

Um plano de Resolução V não confunde efeito principal


com efeito principal nem com interações de dois ou três
fatores, nem confunde interações de dois fatores com
outras interações de dois fatores

Estratégia de experimentação

A decisão sobre qual plano experimental realizar depende

Da quantidade de fatores que se quer avaliar

Da quantidade de recursos disponí veis

Do estágio do projeto (quantidade de conhecimento disponí vel sobre o


sistema de causas)

Do objetivo
Estratégia de experimentação

O MINITAB disponibiliza uma tabela sobre os planos


experimentais disponí veis em função da quantidade de
recursos a serem gastos (número de corridas
experimentais) e da quantidade de informação desejada
(número de fatores)

Tabela dos planos fatoriais


disponí veis em função do
número de fatores e do
número de rodadas
experimentais
Observe que o número de
rodadas experimentais é
sempre uma potencia de 2

Estudo 1: Processo de injeção de molde

Um processo de injeção produz


placas estruturais. O grau de
planicidade das placas é uma
caracterí stica de qualidade crí tica.
Quatro fatores foram escolhidos num
estudo visando melhorar tal
caracterí stica. A resposta é medida
em milésimos de milí metro.

Fator Nível - Nível +


A: Temperatura de Injeção 260ºC 290ºC
B : Temperatura do molde 25ºC 60ºC
C: Tempo de cura 150s 200s
D: Velocidade de Injeção 1.00s 2,25s
Estudo 1: Processo de injeção de molde

Plano Experimental
A B C D y
-1 -1 -1 -1 54
Analise o experimento
1 -1 -1 1 46
-1 1 -1 1 46 1. Qual é a relação de identidade?
ade?
1 1 -1 -1 30 2. Quais são as relações de confundimento?
onfundimento?
-1 -1 1 1 55 3. Quais efeitos fatoriais são significantes?
ignificantes?
1 -1 1 -1 45
4. Qual é a melhor receita?
-1 1 1 -1 50
1 1 1 1 24

Estudo 2: Melhoria da eficiência de uma desbastadora

A máquina em questão usa


escovas de aço para a remoção
de material

Objetivo: melhorar a taxa de


remoção de material

Resposta: taxa de remoção de


material em cm3 x 10 -7 por
revolução

Esquema da desbastadora
Estudo 2: Melhoria da eficiência de uma desbastadora

Resultados obtidos
Fator Nível - Nível + A B C D E y
A: Profundidade de
3mm 4mm
penetração -1 -1 -1 1 1 123
B : Largura da Escova 38mm 50mm
-1 -1 1 1 -1 163
C: Número de filamentos 20mil 25mil
D: Tamanho dos filamentos 25mm 50mm -1 1 -1 -1 1 115

E: Diâmetro dos filamentos 0,25mm 0,38mm -1 1 1 -1 -1 126

1 -1 -1 -1 -1 150
Analise o experimento
1 -1 1 -1 1 114
1. Qual é a relação de identidade?
1 1 -1 1 -1 105
2. Quais são as relações de confundimento?
3. Quais efeitos fatoriais são significantes? 1 1 1 1 1 76

4. Qual é a melhor receita?

Escolha do número de fatores

A escolha do número de fatores depende do objetivo e dos


recursos disponí veis

Nos estágios iniciais de um estudo temos tipicamente muitos


fatores para avaliar e pouco conhecimento sobre o problema

É razoável assumir que poucos fatores são significantes (mas


não sabemos quais)

Experimentos fatoriais fracionados de resolução III são


recomendados para fazer uma varredura nos fatores e
identificar os vitais

Se o objetivo é estudar com mais profundidade a relação entre


os fatores e a variável resposta, identificando as interações
significantes de dois fatores então o experimento deve ser
conduzido com poucos fatores (2 a 5) e de resolução V

Considere também a dificuldade de alterar os ní veis dos fatores


durante a realização do experimento. Isso pode limitar o
número de fatores
Escolha do número de fatores

Objetivo Número de fatores Plano Experimental


Fazer uma varredura para eliminar fatores não
5 ou mais Fatoriais fracionados de resolução III
significativos
Estudar poucos fatores em profundidade 2a4 Fatorial completo
5 Fatorial 25-2
Fatorial completo com uma variável
Ampliar a validade dos resultados 2a4
ambiental
Fatorial fracionado com uma variável
5
ambienta
ambiental

Escolha dos níveis de cada fator

A escolha é baseada no conhecimento disponí vel sobre


o processo ou produto e nas condições do estudo

É desejável que os ní veis estejam com afastamento


suficiente para que
ƒ Efeitos existentes possam ser identificados
ƒ Ní veis possam estar claramente definidos

Por outro lado, os ní veis não devem estar tão afastados


para evitar problemas como:
ƒ Condições que afetam a segurança dos testes
ƒ Condições que afetam os resultados (em experimentos em
condições normais de operação
ƒ Forte não linearidades
ƒ Alterações substancias no mecanismo de causa e efeito
Replicação

Replicação fornece informação sobre o erro


experimental (influência de fatores
desconhecidos ou não controlados)

Em experimentos fatoriais o mais comum é


não replicar o experimento

Experimentos fatoriais 2 n possuem uma


estrutura que permite a obtenção de
informação sobre o erro experimental na
ausência de replicação
ƒ Os fatores e interações não significantes
podem ser combinados para fornecer uma
medida do erro experimental. Uma forma
particular dessa combinação é feita no Gráfico
Normal dos Efeitos

Aleatorização

Sempre que for possí vel, a ordem de


realização das corridas experimentais
deve ser aleatorizada

Se o experimento for feito em blocos,


a aleatorização deve ser feita dentro
de cada bloco

Caso haja dificuldade em aleatorizar


o experimento, deve-se estar atento
para possí veis confundimentos entre
fatores do experimento e variáveis
ambientais
Experimentos Confirmatórios

Quando realizamos um
experimento fatorial é importante
verificar se as conclusões do
experimento estão corretas,
principalmente em experimentos
de resolução menor que V

Verificar envolve realizar corridas


adicionais nas condições indicadas
pelo experimento para confirmar
as conclusões tiradas do
experimento

Experimentos Confirmatórios

Razões para confirmar

Os resultados obtidos no experimento podem não ser obtidos no futuro:

Os confundimentos dos As conclusões podem ter Problemas de escala


efeitos não foram sido influenciadas por
entendidos de forma fatores desconhecidos
adequada presentes durante a
realização do experimento
6-Sigma e
Estratégia

Organização como um Sistema


Propósito
O Propósito de uma organização é a razão
de existir da organização. Deve estar
conectada com as necessidades dos
clientes que a organização atende.
O Propósito inclui a missão, visão e
valores

Organização como um Sistema

Missão
A missão inclui a descrição do negócio e a
necessidade que a organização atende.
Pode conter as competências
fundamentais que a organização possui
que permitem atingir mercados, encantar
clientes e que são difí ceis de serem
imitadas

Organização como um Sistema


Exemplos de Missão

“A FM2S desenvolve e integra teorias, métodos e ferramentas da


Ciência de Melhoria; fornece educação, treinamento e orientação para
lí deres e grupos com o objetivo de ajudar as organizações na redução
de problemas de qualidade, redução de custos dos processos,
aumento das expectativas dos clientes e no desenvolvimento do seu
sistema de melhoria contí nua”

“A missão do Google é oferecer a melhor opção de busca na Internet


tornando as informações mundiais acessí veis e úteis.”

Por meio da missão, conseguimos responder:

1. O que a empresa faz?


2. Que necessidades ela atende?
3. Quem são seus clientes?

Visão
Como será a Organização daqui a 10 anos?
O que queremos realizar no futuro com
respeito a produtos, clientes, mercado,
posição competitiva?
Quais são os cenários prováveis?

Organização como um Sistema


Valores
Como as pessoas se comportam na
organização para realizar a missão
Atitudes que são valorizadas
Atitudes que devem ser evitadas
O jeito de ser!

Organização como um Sistema

Organização como um Sistema


A Organização é um Sistema. Como é esse
sistema?
Quais são os processos existentes que
permitem realizar a missão da
Organização?
Como esses processos se conectam?
Quais são as interdependências entre os
processos

Organização como um Sistema

Organização como um Sistema


Como verificar se os processos estão
desempenhando de acordo com as
necessidades do sistema?
Que conjunto de indicadores permitem
avaliar o desempenho dos processo e do
sistema?

Organização como um Sistema

Organização como um Sistema


Que informações de fora do sistema
(clientes, mercados, governos, sociedade
etc.) são fundamentais para orientar nossa
estratégia?

Organização como um Sistema

Organização como um Sistema


Com base nos indicadores do Sistema e nas
informações de fora do Sistema, quais são
os objetivos estratégicos?
Em que processos mudanças devem ser
feitas para atingir os objetivos estratégicos?

Organização como um Sistema

Organização como um Sistema


Que método será utilizado para realizar as
mudanças?
Como as atividades de melhoria serão
gerenciadas?

Organização como um Sistema

Organização como um Sistema


SWOT

Hoshin
Kanri

Gestão
da
Rotina

Modelo
de
Melhoria

BSC

PEST

Organização como um Sistema

Hoshin Kanri
Hoshin Kanri
“Uma visão sem ação não passa de um sonho.
Uma ação sem visão só faz passar o tempo.
A visão com ação pode mudar o mundo”

JOEL A. BARKER

Hoshin Kanri

Abordagem para atender ao desafio universal de promover uma ação


coordenada, dirigida, em toda a organização

Hoshin: é a bússola ou Kanri: administração ou


indicador de rumo controle

Hoshin Kanri: processo de estabelecer


objetivos e metas e, o que é mais
importante, os planos concretos para seu
alcance
Hoshin Kanri

Refere-se ao alinhamento de
metas e objetivos inovadores que
levam a empresa a um novo ní vel
(kaikaku)
Hoshin Kanri

E os objetivos mais amplos dos Kaizen Kaizen Kaizen Kaizen

indicadores-chave de
desempenho (KPIs) alinhados a
essas metas fazem parte da
administração diária do kaizen.

Hoshin Kanri

Direção: “ser o campeão da qualidade”

Gerência: “uma melhoria anual de 5% durante


três anos para uma operação de solda inicial
sem defeitos”

Op
Operação: “implementar um Sistema
pr
preventivo de mudança de ferramentas para
tro
trocar 100% das ferramentas de acordo com
um rigoroso cronograma”
Hoshin Kanri

Cuidados

“Encorajados pelos resultados de alguns esforços iniciais, no segundo ano o


CEO da empresa se entusiasmou com a perspectiva de utilizar o hoshin kanri
para orientar objetivos mais agressivos. Em um local não especificado da
organização, ele trabalhou com os vice-presidentes das unidades de negócios
para estabelecer metas agressivas em qualidade e redução de custos; os vice-
presidentes foram encarregados e responsabilizados pela concretização desses
objetivos – custasse o que custasse. Como os vice-presidentes careciam de
habilidades maduras em melhoria de processos, essa agressiva fixação de
metas resultou principalmente em redução de pessoal e pressão sobre os
supervisores para que obtivessem uma melhor avaliação de qualidade por
parte dos clientes. Ironicamente, muito dos coaches LEAN que haviam sido
treinados em kaizen na fase inicial do projeto, constaram na relação de baixas
da redução de pessoal.

A maioria dos disciplinados processos LEAN desenvolvidos durante o


treinamento desintegrou-se em meio ao apagar de incêndios diário no período
de pico da demanda”.
Hoshin Kanri x Gestão por Objetivos

Diferenças:
Hoshin organizacional é desenvolvido mediante um processo intensivo de
coleta de dados e construção de consenso promovido pelos 20 a 30
principais líderes que integram a alta gerência, pessoas dotadas de
conhecimento í ntimo do estado da empresa em todos seus ní veis – o qual foi
consolidado ao longo do tempo em que passaram no gemba.

O Hoshin Kanri utiliza o catch-ball – jargão esportivo que, no presente


contexto, indica as indas e vindas das ideias e sugestões até se tornarem
“jogadas” viáveis – para descrever esse processo. Em essência, estabelecer
objetivos e metas em apoio ao hoshin organizacional é um processo baseado
no diálogo, não em uma determinação unilateral. (os altos executivas sabem
o que é preciso fazer para manter a empresa, mas os ní veis mais baixos
sabem o que podem fazer para melhorar seus processos

Deve-se investir no desenvolvimento das lideranças; posteriormente, essas


liderança desenvolvem outras pessoas mais jovens, para que todos, desde
os membros das equipes até os lí deres seniores, tenham as capacidades
para se engajar no processo de repasse em cascata de metas hoshin e
identificação dos meios que serão utilizados para concretizar essas metas.

O processo Hoshin Kanri segue o PDCA


Métricas alinhadas do topo à base

Relação entre Hoshin Kanri e gestão diária


Matriz de
desdobramento

O caminho para o
Planejamento
Nível 1 – Alta Gestão

1. Preencha as missões

2. Identifique suas estratégias ou metas


ƒ Preencha as relações

3. Determine os objetivos ou ações


ƒ Preencha as relações

4. Atribua as responsabilidades à equipe


ƒ Preencha as relações

O que não fazer

Ir à reunião de estratégia sem


evidências que sustentem suas
propostas

? Esperar que todos irão pegar


rapidamente os objetivos
Dar instruções e deixá-los sozinhos.
“Vá e vença”
Começar com um quadro em
branco
O que funciona

Muitos gráficos, slides e imagens


Exemplos simples de coisas que
deram certos
Coletar e trazer para a reunião
feedbacks dos colaboradores
sobre o porquê e como cada uma
das ações irão ajudar
Confiança

Nível 2 – Média Gestão

1. Copie as estratégias da alta gerência

2. Copie os objetivos aplicáveis e/ ou


crie novos objetivos
ƒ Conecte-os

3. Copie as metas aplicáveis e/ ou crie


novas metas
ƒ Conecte-os

4. Atribua as responsabilidades, por


meio das metas e indicadores (KPI)
O que não fazer

Lí deres das equipes


ƒ Envia-los a reunião sem ajuda
ƒ Permita que eles expliquem e
conduzam o processo
ƒ Deixar que preencham a matriz por
conta própria

O que funciona

Lí deres das equipes


ƒ Ter um facilitador na primeira
reunião com eles
ƒ Exemplos simples, fora de área de
negócios
ƒ Trazer toda a equipe consigo
ƒ Confiança
Nível 3 – Líderes e suas equipes

1. Copie os objetivos aplicáveis e/ ou


crie novos objetivos

2. Copie as metas aplicáveis e/ ou crie


novas metas
ƒ Conecte-os

3. Defina suas ações e tarefas


ƒ Conecte-os

4. Atribua as responsabilidades, por


meio das metas/ métricas e datas

O que não fazer

Lí deres e seus colaboradores


ƒ Participar da reunião com eles
ƒ Não amarrá-los às metas
ƒ Preencher as ações de qualquer jeito
O que funciona

Lí deres e seus colaboradores


ƒ Utilizar isto como uma
oportunidade para aprendizado
ƒ Exemplos simples, fora de área de
negócios
ƒ Exemplos de outras áreas da
empresa
ƒ Preencher os campos todos juntos

Objetivos SMART

Especí fico

Mensurável

Alcancável

Relevante

Calendarizado (Time)
Colaboradores e seu
seus planos de metas

D
Deve ser fácil amarrar seus objetivos
na missão e nos direcionadores da
n
organização
o

Devem saber como eles podem


D
impactar pessoalmente suas equipes
im
e seus resultados

Saber
S quando deverão cumprir suas
ações
a metas

Perspectiva do colaborador

Itens para notar


ƒ Facilitador precisa dominar a ferramenta
ƒ Mantenha o ní vel apropriado de detalhamento
ƒ Dê uma breve explicação à equipe antes de
começar

O que funciona
ƒ Alta colaboração entre os membros da equipe
ƒ Boa conexão do desdobramento do ní vel mais alto
até o mais baixo
ƒ Dashboard organizado para acompanhamento
Lições aprendidas

ƒ Mantenha a mente aberta


ƒ Dê chance a todos
ƒ Seja confiante
ƒ Forneça exemplos
ƒ Mantenha as ações no prazo, comece
agora!
ƒ Não faça isto apenas uma vez. Torne uma
rotina
ƒ Garanta que todos compartilhem as
matrizes com seus times
ƒ Revise-a pelo menos a cada trimestre,
para mantê-la viva

Análise
PEST
PEST

Fatores Fatores Fatores Fatores


es
políticos econômicos sociais T os
Tecnológicos

ƒ Estabilidade Polí tica ƒ Tipos dos sistemas econômicos ƒ Demografia ƒ Desenvolvimentos tecnológicos
ƒ Risco de invasão militar nos paí ses em operação ƒ Estrutura social recentes
ƒ Arcabouço legal para contratos ƒ Intervenções governamentais ƒ Educação ƒ Impacto tecnológico na oferta
ƒ Proteção à propriedade no mercado livre ƒ Cultura (papéis dos gêneros, de produtos
intelectual ƒ Eficiência dos mercados etc) ƒ Impacto na estrutura de custos
ƒ Legislação comercial e tarifária financeiros ƒ Espí rito empreendedor ƒ Impacto na estrutura da cadeia
ƒ Parceiros de negócio ƒ Qualidade da infraestrutura ƒ Atitudes de valor
favorecidos ƒ Ní vel de habilidade da força de ƒ Interesses de lazer ƒ Tecnologias competidoras
ƒ Legislação antitrust trabalho ƒ Tendências de estilo de vida ƒ Financiamento para pesquisas
ƒ Regulação de preços ƒ Taxa de crescimento dos custos ƒ Atitudes e opiniões do ƒ Tecnologias associadas e
ƒ Impostos e incentivos das força de trabalho consumidor dependentes
ƒ Semana de trabalho ƒ Receitas discricionárias (liquida) ƒ Mudanças legais que afetam a ƒ Tecnologias e soluções
ƒ Leis trabalhistas ƒ Taxa de desemprego sociedade substitutas
ƒ Benefí cios obrigatórios do ƒ Taxa de juros ƒ Marca ƒ Maturidade da tecnologia
trabalhador ƒ Taxa de inflação ƒ Padrões de compra ƒ Maturidade e capacidade da
ƒ Legislação da segurança ƒ Economia doméstica ƒ Moda e padrões das modelos manufatura
industrial ƒ Maiores eventos e influências ƒ Informação e comunicação
ƒ Acesso e tendências de compra

Geração Inicial

ƒ Faça a lista dos fatores PEST se


você já identificou
ƒ Use os checklists para
identificar os fatores
ƒ Comece a desenhar
Conexões entre causa-efeito

ƒ Para cada ponto listado,


coloque as causas e
efeitos
ƒ Procure identificar as causa
relevantes
ƒ Adicione ao diagrama

ƒ Procure pelas
tendências e histórias
para adicioná-las ao
diagrama
ƒ Conecte os elementos
para mostrar a lógica
dos seus argumentos

Impactos nos negócios

Para cada ponto, coloque uma caixa com o


impacto que esta dará aos negócios

Causa Efeito Impacto


Pesquisa

ƒ Não espere até ter todo o


conhecimento do assuntos
ƒ Use os fatores para guiar a sua
busca
ƒ Elabore hipóteses e procure por
evidências
ƒ Converse com as pessoas que
detém conhecimento em áreas
especí ficas
ƒ Faça questões diretas

Importância

Revise cada item


ƒ Importância para o negócio
ƒ Riscos
ƒ Oportunidade
ƒ Semelhança da ocorrência
Cenários Futuros

ƒ Considere os mais importantes


assuntos e ameaças
ƒ Quais são os cenários futuros
possí veis com estas ameaças?
ƒ Considere os cenários:
ƒ Qual poderá ter o maior impacto?
ƒ Qual cenários mais provável?
ƒ São razoavelmente diferentes?
ƒ Dê nome as ameaças, para
você pode falar a respeito
delas
ƒ Ex: reversão nas tendências de
globalização

Comunique-se

ƒ Use
U seu modelo PEST para
c
comunicar-se com os outros
ƒ Conduza
C as pessoas por meio de um
c
conversa estratégica
ƒ Procure
P por diversas visões
ƒ Desafie
D cada análise e cada cenários
ƒ Entenda
E como cada um dos projetos
encaixe-se
e na estratégia
SWOT

Forças e Fraquezas

+ -
Nossa proposição está O que o cliente deseja não é
alinhada com o que quer o 5 4 3 2 1 1 2 3 4 5 o que estamos oferecendo
cliente
Nossa porposição afeta Nossa proposição não afeta
5 4 3 2 1 1 2 3 4 5
nossa rede de contatos nossa rede de contatos
Há sinergias entre nossos Não há sinergias entre
5 4 3 2 1 1 2 3 4 5
produtos e nossos serviços nossos produtos e serviços
Nossos clientes estão Nossos clientes não estão
5 4 3 2 1 1 2 3 4 5
safisteitos satisfeitos
Forças e Fraquezas

+ -
Temos boas margens 5 4 3 2 1 1 2 3 4 5 Temos margens apertadas
Conseguimos prever Não podemos prever nossas
5 4 3 2 1 1 2 3 4 5
nossas receitas receitas
Temos pedidos de Nossos pedidos são
compras constantes e 5 4 3 2 1 1 2 3 4 5 exporádicos
recorrentes
Nossas receitas são Temos apenas uma forma
5 4 3 2 1 1 2 3 4 5
diversificadas de receita
Temos receitas Temos receitas frágeis
5 4 3 2 1 1 2 3 4 5
sustentáveis
Recebemos antes de ter O recebimento vem depois
5 4 3 2 1 1 2 3 4 5
que pagar de pagos os custos
Nós cobramos por algo O cliente não está disposto a
que o cliente está disposto 5 4 3 2 1 1 2 3 4 5 pagar pelo que cobramos
a pagar
Pegamos todo o dinheiro O cliente estaria disposto a
5 4 3 2 1 1 2 3 4 5
disponivel pagar mais

Forças e Fraquezas

+ -
Nossos custos são Nossos custos são
5 4 3 2 1 1 2 3 4 5
previsíveis imprevisíveis
A estrutura de custo está A estrutura de custos não está
alinhada com o resto do 5 4 3 2 1 1 2 3 4 5 alinhada com o resto do
modelo modelo
Os custos são enxutos 5 4 3 2 1 1 2 3 4 5 Os custos estão inchados
Temos economias de Não temos economias de
5 4 3 2 1 1 2 3 4 5
escala escala

+ -
A concorrência não pode A concorrência pode
replicar nossos recursos 5 4 3 2 1 1 2 3 4 5 facilmente replicar nossos
chave recursos chave
Os recursos necessários são Os recursos necessários são
5 4 3 2 1 1 2 3 4 5
previsíveis imprevisíveis
Forças e Fraquezas

+ -
Nós executamos nossas A execução das nossas
atividades chave de 5 4 3 2 1 1 2 3 4 5 atividades chave é bastante
maneira eficiente ineficiente
Nossas atividades chave Nossas atividades chave são
5 4 3 2 1 1 2 3 4 5
são dificeis de replicar fáceis de serem replicadas
A qualidade da execução é A qualidade da execução é
5 4 3 2 1 1 2 3 4 5
alta baixa
O balanço entre O balanço entre
interno/terceiros é ideal 5 4 3 2 1 1 2 3 4 5 interno/terceiros está longe
do ideal

Forças e Fraquezas

+ -
Temos focos e Não temos foco nas
Parceiros

trabalhamos com parceiros atividades e trabalhamos com


5 4 3 2 1 1 2 3 4 5
quando necessário parceiros de maneira
insuficiente
Nós temos boas relações Temos relações conflituosas
5 4 3 2 1 1 2 3 4 5
com os parceiros com os parceiros

+ -
Clientes

Baixa taxa de mortalidade 5 4 3 2 1 1 2 3 4 5 Alta taxa de mortalidade


Base bem segmentada 5 4 3 2 1 1 2 3 4 5 Base dispersa
Estamos sempre adquirindo Não conseguimos adquirir
5 4 3 2 1 1 2 3 4 5
novos clientes novos clientes
Forças e Fraquezas

+ -
Nossos canais sao Nossos canais não são
5 4 3 2 1 1 2 3 4 5
eficientes eficientes
Nossos canais são efetivos Nossos canais não são
5 4 3 2 1 1 2 3 4 5
efetivos
O canal atinge vários O canal não atinge vários
5 4 3 2 1 1 2 3 4 5
clientes clientes
Os clientes conhecem o Os clientes desconhecem o
5 4 3 2 1 1 2 3 4 5
canal canal
Os canais são integrados Os canais não são
5 4 3 2 1 1 2 3 4 5
integrados
Os canais criam economias Os canais não criam
5 4 3 2 1 1 2 3 4 5
de escopo economias de escopo
Os canais estão coerentes Os canais não estão
com os segmentos de 5 4 3 2 1 1 2 3 4 5 coerentes com os
clientes segmentos de clientes

Ameaças

Pode haver quebra?


Há perigo de nosso
relacionamento se
A qualidade pode
deteriorar?
diminuir?
Podemos perder algum O mercado pode saturar?
parceiro?
Existem substitutos? A concorrencia ameaça
Os parceiros podem nosso market share?
colaborar com os Os concorrentes
concorrentes? Podemos perder alguns oferecem melhor valor A concorrencia ameaça Os clientes desistem?
recursos? ou preço? nossos canais?
Quão dependente Quando vai aumentar a
somos dos parceiros? Há perigo de nossos Há perigo de nossos concorrencia?
canais tornarem-se canais tornarem-se
obsoletos? obsoletos?

Nossas margens são afetadas pela concorrencia? Por novas


Os custos podem tornar-se imprevisí veis? Quais? tecnologias?

Os custos podem disparar tornando-se maiores que as receitas Nós somos dependentes de 1 tipo de receita?
que eles sustentam?
Alguma receita pode desaparecer no futuro?
Oportunidades

Há possibilidade de
Pode haver
Podemos quebra?
padronizar?
melhorar?
Podemos terceirizar
algo? TI pode melhorar
A qualidade podea
Podemos transformar Podemos automatizar
eficiencia?
diminuir?
produtos em serviços? algum relacionamento?
Aumentar a colaboraão
Podemos perder algum
Podemos nos beneficiar
para focar no nosso
parceiro?
Integrar melhor nossos com o crescimento do
core?
produtos e serviços? setor?
Os parceiros podem
Usar cross-selling?
colaborar com os Podemos melhorar a
Podemos usar menos Qual outra Atuar em outros setores?
concorrentes? eficiencia do canal?
Podemos perder alguns
recursos? necessidade do cliente
Usar alguns canais dos recursos? podemos atender? Integrar os canais? Aumentar a
parceiros com os
Quão dependente Há recursos sub segmentação?
clientes?
somos dos parceiros? Há perigo de nossos
aproveitados? Qual outro trabalho Criar canais?
canais tornarem-se podemos fazer?
Usar os parceiros para obsoletos?
Temos PI não
complementar a PV? Personalizar para os
aproveitada?
segmentos?

Podemos trocar receitas periódicas por receitas recorrentes?

Qual outros elementos os clientes pagariam por?


Onde podemos reduzir custos?
Qual outra fonte de receita pode ser criada?

Podemos subir os preços?

SWOT Projetos

DPodePmsPodo tr Podr da snfpd


uv i ç ?dsI a Podgsfa od
PePnsl mfr r I ode n dnI hfp QcPdr I d
enPbI sPod
z PndI HI a ehP?doI dePr I a PodnI r l pfnd
Podál osPo?dI osI dPCbI sfAPdr I AI nãd
oI ndr I or PCn r PdePnda I fPdr I dl a d
enPbI sPdr I da I hqPnf d
BSC

Missão, Visão, Valores

Missão: “Desenvolver soluções em minerais industriais não-


metálicos, de maneira rápida, barata e confiável, para os
mais diversos mercados industriais”.

Visão: “Ser referência de assertividade nacional no


desenvolvimento de aplicações técnicas para minerais não-
metálicos para os mais diversos setores industriais”.
ustriais”.
Mapa Estatégico

Desdobramento financeiro

Receita oriunda de novos clientes (conquistados nos últimos 12 meses)


Criar novas fontes de receitas
Receita oriunda de novos produtos e serviços (lançados nos últimos 12 meses)

Financeiro Receita oriunda de quartzo


Gerar receita com produtos existentes
Receita oriunda de serviços de moagem

Custos com juros

Reduzir custos Custo (R$) por venda

Custo com cobranças (judiciais e normais)

% de uso de capacidade instalada


Melhorar a utilização dos ativos
% de faturas pagas no vencimento
Desdobramento clientes

Número e % de queixas dos clientes


Qualidade perfeita
% de entregas no prazo

Clientes Portfólio excelente % de atendimento das solicitações dos clientes

% de negócios resultantes de indicações de clientes

Intensificar fidelidade dos clientes % de negócios resultantes de indicações de universidades

% de retenção de clientes

Número de novas aplicações dos produtos atuais


Estender oferta para novos segmentos
Receita de novos mercados e segmentos

Desdobramento processos internos

Prazo médio de contas a receber


Aumentar eficiência do capital de giro
Giro de caixa: prazo médio de (contas a receber + estoques-contas a pagar)

% de ppm defeitos no recebimento


Obter fornecimento de alta qualidade
% de fornecedores de dispensam inspeção

Processos % de crédito de liquidação duvidosa

% de recebíveis incobráveis
internos Reduzir risco financeiro: avaliação de crédito
Índice de endividamento

Meses de folha de pagamento coberta com o caixa

% capacidade utilizada
Melhorar utilização de ativo fixo
Confiabilidade de equipamentos (% de tempo disponível para produção)

% lucro por seguimento

Identificar e atrair clientes para a empresa % de clientes não lucrativos

Número de clientes estratégicos

% de conversão de leads
Converter clientes potenciais em efetivos
Custo por cliente conquistado

Educar clientes Número de horas gastas com clientes

Número de produto por cliente


Efetuar vendas cruzadas
Receitas por produtos diferentes dos de entrada
Desdobramento aprendizado e crescimento

Garantir entrosamento de metas e incentivos


Aprendizado com a estratégia em todos os níveis
Lacuna de entrosamento

e crescimento
esc Captar conhecimentos de ponta da comunidade
Número de novas ideias de aplicação de tecnologia externa

científica e tecnológica Revisão pelos pares das atuais capacidades científicas e tecnológicas

% de objetivos pessoais vinculados a resultados de relacionamento com


Desenvolver cultura de orientação para o cliente clientes

Desenvolver competências estratégicas % de empregados treinados em técnicas de gestão da qualidade

Atrair e reter talentos de alto nível Rotatividade de pessoal chave

Bases

Perspectiva financeira
ƒ Se formos bem sucedidos, como seremos percebidos pelos nossos acionistas?

Perspectiva do cliente
ƒ Para realizar a visão, como devemos cuidar de nossos clientes?

Perspectiva interna
ƒ Para satisfazer os clientes, em que processos devemos ser excelentes?

Perspectiva do aprendizado e crescimento


ƒ Para realizar a nossa visão, como a organização deve aprender e melhorar?
Como desenvolver
lí deres da melhoria e
disseminá-la por toda empresa

Modelo Lean de Desenvolvimento de Liderança

Valores do NORTE Verdadeiro


ƒ Desafio
ƒ Mente Kaizen
ƒ Vá e veja
ƒ Trabalho em equipe
ƒ Respeito

1 2 3 4
Compromisso com Aconselhar e Criar visão e alinhar o
Suportar o Kaizen diário
autodesenvolvimento desenvolver outros objetivos

Aprender a viver os
Enxergar e desafiar Criar a visão do
valores do verdadeiro Construir a capacidade
potencial verdadeiro nos verdadeiro norte e
norte por meio de local por meio da gestão
outros ensinando ciclos alinhar os objetivos
repetidos ciclos de da rotina e do Kaizen
de auto aprendizado horizontais e verticais
aprendizado
O que precisamos para que líderes auto-desenvolvam hábitos positivos

Pontos Chave:
ƒ Definir as habilidades
ƒ Elementos de prática
ƒ Feedback de desenvolvimento
ƒ Repetir, Repetir, Repetir!
ƒ Reforços da equipe e do Gestor Coaching
ƒ Institucionalizar seus novos hábitos

O Kata do Treinador

Conjunto de práticas e rotinas para gestores utilizarem quando forem ensinar o


Kata de padrões de melhoria, por meio de ciclos diários de coaching

Iterar para KATA de


Entender a Compreender a Estabelecer a
Aluno direção condição atual condição alvo
alcançar a
melhoria
condição alvo

Coaching Executar os KATA de


Planejar os Ciclos de Coaching iclos de
ciclos
(gestor) oaching
coaching
coac
coaching
Como aprendemos a melhorar com um Coaching

What (no que você está trabalhando): O processo foco fornece o conteúdo

How (como você está trabalhando): O Kata da melhoria fornece o método

O conteúdo e os obstáculos em que o


aluno está trabalhando, “o que”
depende de cada situação e irá variar
Território cinzento

Obstáculos
Condição Condição
Aluno alvo do
atual
processo

Condição
Coaching Ciclo do Coaching 5Q 5Q 5Q 5Q 5Q 5Q alvo da
(gestor) com as 5 questões 5Q 5Q 5Q 5Q 5Q habilidade

O padrão de pensamento e atuação, permanece o mesmo e repete-se

O Kata da melhoria está no hábito, no COMO o Coaching está ensinando

Kata de Treinamento: Ensinando por meio de 5 questões

As 5 Questões
Kata de Treinamento

1. Qual é a condição alvo? Reflita sobre o último passo dado


Por que você não sabe qual o resultado do próximo passo será
2. Qual é a condição atual?
1. Qual foi seu último passo?
Vire o Cartão 2. O que você esperava dele?
3. O que aconteceu realmente?
4. O que você aprendeu?
3. Quais são os obstáculos que acreditamos
que nos impedem de alcançarmos a Retorne
condição alvo?
4. Qual é o nosso próximo passo? (Próximo
PDSA / Experimento) O que esperamos dele?
5. Quando poderemos ver o que aprendemos
com este passo?
Coaching e aluno, encontram-se pelo menos uma vez ao dia
para falar sobre a condição alvo do aluno

PDSA utilizado pelo aluno Condição


alvo

As 5 Questões

Kata de Treinamento
1. Qual é a condição alvo?
2. Qual é a condição atual?
Vire o Cartão

3. Quais são os obstáculos que acreditamos


que nos impedem de alcançarmos a
condição alvo?
4. Qual é o nosso próximo passo? (Próximo
PDSA / Experimento) O que esperamos
dele?
5. Quando poderemos ver o que
Condição aprendemos com este passo?

atual
5 Questões utilizadas pelo Mestre

Como se parece um ciclo de coaching de melhoria

Muitos PDSA

Muitos Post-its

Muita troca e aprendizado

Coaching Oficial, Aluno e Coaching Master (consultor)


O segundo Coaching

Participa ocasionalmentee
e observa o trabalho doo Aluno
Alun
Coaching Gestor. Treina o
treinadorr 2º
2 Coaching

O Coaching Gestor é
responsável por ensinar o O aluno e a equipe conhecem as
Kata da melhoria e pelos condições alvo e trabalham para
resultados da equipe alcança-la

C
Coaching
Gestor O papel do segundo Coaching é garantir que o primeiro está
ensinando o Kata da melhoria corretamente, por meio da observação
dos Ciclos de Aprendizado e dando-lhe feedback apropriado

Papéis e Responsabilidades

Segundo Coaching (treina o treinador): observa periodicamente


o ciclo de aprendizado entre o treinador e o aluno. Treina a 2ºCoaching
habilidade de treinar do Coaching. Garante que a equipe entenda
o alcance das condições alvo como um grande desafio,
elaborando o VSM de estado futuro.

Coaching / Gestor (o Professor): conduz ciclos de aprendizado


utilizando as 5 questões. Garante que o aprendiz está trabalhando
em direção à condição alvo cientificamente de acordo com o Coaching Gestor
Co
padrão do Kata da Melhoria. O trabalho do gestor é desenvolver o
aprendizado do aluno por sua condução pelo procedimento do
Kata da melhoria, não é melhorar o processo.

Aluno e Equipe (os donos do processo): aplique o Kata de


melhoria para estabelecer e trabalha na direção da condição alvo.
O aprendiz conduz os experimentos com o PDSA, e desenvolve Aluno
as soluções para contornar os obstáculos. Ele faz isto
conversando diariamente com seu Coaching e com os
operadores do processo.
Formulário de Observação do Segundo Coaching

Processo:
Observações do ciclo de aprendizado Data:

Professor: Aprendiz: Início/ Fim

Questão Professor Aprendiz

Q1: Condição Alvo?

Q2: Condição Atual?

Reflita: Ciclos PDSAs finalizados

Q3: Obstáculos? Quais?

Q4: Próximo passo? PDSA preenchido

Q5: Quando veremos o que aprendemos?

Qual o limite do conhecimento? Impressões:

Pontos chave para este treinador praticar na próxima: Próximo ciclo de aprendizado:

Dando Feedback ao Treinador

Dê feedback para o Treinador depois do ciclo de aprendizado. Pergunte se ele


prefere receber o feedback na presença do Aprendiz ou sozinho.

1. Pergunte ao Treinador suas impressões do ciclo de aprendizado:


ƒ Como você acha que foi o ciclo?
ƒ O aprendiz está trabalhando no limite do seu conhecimento? Como você pode afirmar isto?
ƒ No que você quis prestar uma atenção particular neste ciclo de aprendizado?

2. Dê seu feedback sobre o ciclo de aprendizado, mas não faça juízo de valor ou julgamentos.
Foque nas observações concretas que você fez.
ƒ Eu observei que ....

3) No que o treinador irá se concentrar para o próximo ciclo?


ƒ No que você que prestar uma atenção particular no próximo ciclo de aprendizado com
este aprendiz? (somente um item, por favor)
ƒ Como você espera que isto influencie o aprendiz?

Agende a data e a hora para o próximo ciclo de aprendizado ser observado


Como isto funciona

Entender a Estabelecer a Iteração para a


Compreender a
direção (do próxima próxima
situação atual
nível acima) condição alvo condição alvo

Nível Experimentos
Organizacional de Ciclo
Longo

Nível Cadeia Estado Atual Estado Futuro


de Valor VSM Estado Atual VSM Estado Futuro

Nível Elo da
Cadeia de
Valor

Experimentos
Nível de De Ciclos
Processo Curto

Características de um bom treinador Lean

ƒ Altamente
Al hábil na filosofia e nos métodos para melhoria

ƒ Observador
Ob atento das pessoas: habilidades técnicas e
int
interpessoais

ƒ Ouve
Ou mais que fala

ƒ Extrai
Ex o melhor do aluno ao invés de empurrar
co
conhecimento goela abaixo

ƒ Dá feedback frequentes e especí ficos em intervalos curtos


do trabalho do aprendiz

ƒ Se importa realmente com o aprendizado do aluno

ƒ Respeita
Re as pessoas

ƒ Promove
Pr o desenvolvimento e a confiança mútuas
Como o Programa Desenvolve-se

Fase 1 Fase 2 Fase 3


Aumento no número de gerentes na
organização que são treinadores proficientes

Etapa 4
Grupo de Treinamento
Avançado Etapa 3
Trabalha-se numa série de 3
Condições Alvo (executa-se Etapa 2
25 ciclos PDSA no processo
real
Etapa 1
A organização
tem olheiros para Grupo avançado e instrutores Grupo Avançado conduz reflexões quinzenais
estudar o tema externos trabalham o KM

Papel do Instrutor Externo Papel do Instrutor Externo Papel do Instrutor Externo


Instrutor inicial e coach Atuar como o 2 instrutor Quando necessário

Na empresa a cada 2 semanas Na empresa a cada 2 a 4


semanas

Lean Manufacturing
O que pensamos quando falamos em Lean?

O famoso Sistema Toyota de Produção


Mas nem sempre foi assim…

Após a segunda guerra mundial, Eiji Toyoda e Taiichi


Ohno desenvolvem o conceito da produção enxuta.

Mas nem sempre foi assim…

1952 December Individual Annual Awards to honor excellent suggestions system launched
1955 June First special solicitation of a unified theme conducted (“About Ashtrays” selected)
July First exhibition on Best Practices conducted: Ideas of 1000 yen or more reviewed from December 1954 to Mat 1955 exhibited
1st Science and Technology Agency Director-General’s Award (awarded to three employees who made workplace creative idea
1960 April
suggestions)
October 1st Quality Month Special Solicitation Conducted
November 1st Quality Month Event conducted
Event marking 10 years since the establishment of the Creative Ideas Suggestion System (poster campaign to facilitate creative idea
1961 June
suggestions held)
June TQC introduced
1962 November QC Meetings (predecessor to the QC Circles) launched
1964 June Creative Idea Suggestion System handbook distibuted to all employees
September Function-based structures focusing on quality assurance and cost management established
1965 November The Deming Application Prize for Major Advances in Quality Improvement won
1966 January All-Toyota Quality Assurance adopted as group-wide slogan
February TQC introduced at and expanded among suppliers (QC Committee established by eight group companies)
November 1st All-Toyota Quality Management Competion held
1968 November Zero defect campaign launched
1969 September Toyota Quality Management Award created
1970 November 1st Japan Quality Medal won
1975 October Self-run QC circles activities encouraged
Mas nem sempre foi assim…

1977 December QC Circle advisor commendations


1980 November Executive Vice-President Shoichiro Toyoda (now Honorary Chairman) wind Deming Prize for Individuals
November QC Circle Toyota Awards established
1981 June Total number of suggestions surpasses 5 million. Commemorative events held in conjuction with 30th anniversary events
June TQC introduced and spread at dealers
All-year Drastic increases in operational efficiency implemented
1985 January Creative Idea screening standards reviewed
All-year Improvement circle activities conducted (standards reviewed and evaluation measures clarified)
1988 January SQC Renaissance Activities commenced
July First “Minna no QC Circle” (“Everyone’s QC Circle) issued
August First Edition of the “TQC News” issued
1994 March Toyota Group Executive TQM Training Course conducted for new executives
November Introduction of TQM announced in All-Toyota Total Quality Management Convention

Mas nem sempre foi assim…

Apesar de implementar o Lean em 1950, os resultados


explodem 25 anos depois
E a lucratividade?

Operating income Pretax return on Pretax return on Return on assets Return on equity Shareholders’
Fiscal Year
return on revenues revenues capital (R.O.A.) (R.O.E.) equity ratio
FY2015 10,1% 10,6% 6,1% 4,9% 13,9% 35,2%
FY2014 8,9% 9,5% 5,8% 4,7% 13,7% 34,9%
FY2013 6,0% 6,4% 4,0% 2,9% 8,5% 34,2%
FY2012 1,9% 2,3% 1,4% 0,9% 2,7% 34,4%
FY2011 2,5% 3,0% 1,9% 1,4% 3,9% 34,7%
FY2010 0,8% 1,5% 1,0% 0,7% 2,1% 34,1%
FY2009 2,2% 2,7% 1,8% 1,4% 4,0% 34,6%
FY2008 8,6% 9,3% 7,5% 5,3% 14,5% 36,6%
FY2007 9,3% 9,9% 7,8% 5,4% 14,7% 36,3%
FY2006 8,9% 9,9% 7,9% 5,2% 14,0% 36,8%
FY2005 9,0% 9,5% 7,6% 5,1% 13,6% 37,2%
FY2004 8,2% 7,9% 6,2% 3,8% 10,4% 35,3%
FY2002 7,7% 6,9% 5,4% 3,1% 7,8% 37,6%
FY2001 6,1% 8,5% 6,6% 4,0% 9,6% 41,6%

Detalhe dos últimos 15 anos (quando os dados estiverem disponíveis)

O Lean é uma jornada


Aplicar o Lean não é apenas
usar ferramentas, mas sim
entender sua essência
Como vemos o Lean hoje

Para a correta aplicação,


devemos:

ƒ Entender os princí pios e os


fundamentos;

ƒ Conhecer as ferramentas
(VSM, SMED, Heijunka,
utilização de kanbans, etc.).

Fundamento:
Os 7 desperdí cios

Taiichi Ohno
Os 7 desperdícios
Um dos maiores objetivos do Lean
é eliminar desperdí cios do
processo produtivo.

Mas, o que são


desperdícios?

Desperdício (↓㥏):

Toda a atividade que consome


energia e recursos sem agregar
valor ao cliente, ou seja, aquilo que
fazemos mas que o cliente não está
disposto a pagar.
Ouvir o cliente é um credo

Os 7 desperdícios

Parece simples...

Entretanto, encontrar estas


atividades pode ser difí cil.

Pensando nisso, vários autores


experientes na prática do Lean
listaram 7 desperdí cios visuais,
que podem ser facilmente
identificados e quantificados em
uma visita ao Gemba (chão de
fábrica)
Os 7 desperdícicos clássicos

1 Superprodução (excesso de quantidade)

2 Espera

3 Transporte (de material)

4 Movimentação (de pessoal)

5 Inventário (estoque)

6 Defeitos

7 Superprocessamento (excesso de funcionalidade)

Superprodução

Tipo de
Definição Exemplos Causas Mudanças
Desperdício

Programação puxada

Previsões incorretas Redução de tamanho


Produzir mais para de lote
Produzir m
mais itens do reduzir setups Setups demorados
Excesso de
que cliente
client necessita Nivelamento da carga
Produção Processamento em Erros no processo
neste momento
mo
lotes grandes Redução do tempo de
setup

TPM
Espera

Tipo de
Definição Exemplos Causas Mudanças
Desperdício

Sincronização do fluxo
Espera por peças Produção empurrada de trabalho
Tempo ocioso porque
materiais, pessoas, Espera pela inspeção Trabalho Implantação de células
equipamentos ou desbalanceado
Espera por máquinas Balanceamento nas
Espera informações não estão Inspeção centralizada etapas de
prontos Espera por informação
carga/ descarga
Falta de prioridade
Espera pelo reparo da
Produção no takt time
máquina Falta de comunicação
TPM

Transporte

Tipo de
Definição Exemplos Causas Mudanças
Desperdício

Movendo peças para Produção em lotes


dentro e fora do grandes Sistema puxado
Movimento de partes estoque
Transporte Produção empurrada Kanban
que não agrega valor Movendo material de
Estoque Optimização de layout
uma estação de
trabalho para outra Layout não funcional
Movimentação

Tipo de
Definição Exemplos Causas Mudanças
Desperdício

Área de trabalho
5S
desorganizada
Movimento de Procura por peças, Quadro de
Itens faltantes
pessoas que não ferramentas, ferramentas
Movimentação agregam valor desenhos, etc Design ruim da
One-piece flow
estação de trabalho
Escolher material
Layout da estação de
Área de trabalho sem
trabalho
segurança

Inventário

Tipo de
Definição Exemplos Causas Mudanças
Desperdício

Lead-times dos
Matéria-prima
fornecedores Kanban
Produto em
Mais materiais, peças Setups longos Desenvolvimento do
elaboração
ou produtos fornecedor
Inventário Lead-times longos
disponí veis do que o Produto acabado
(estoque) Fluxo contí nuo (one-
Cliente necessita neste Papéis e formulários
Suprimentos de piece flow)
momento em processo
consumí veis
Ordem no Redução de setup
Componentes
processamento
Defeitos

Tipo de
Definição Exemplos Causas Mudanças
Desperdício

Sucata Falha do processo


Trabalho que contém
Retrabalho Falta de carregamento Melhoria dos
erros, retrabalho,
da peça procedimentos
enganos ou falta de Correção
Defeitos alguma coisa Processo em grandes Melhoria de projeto
necessária Falha em campo lotes
Criação de poka-yokes
Necessidade de Instruções de trabalho
inspeção insuficientes

Superprocessamento

Tipo de
Definição Exemplos Causas Mudanças
Desperdício

Múltiplas limpezas
das peças Atrasos entre
os processos Linhas em fluxo
Preenchimento de
Esforço que não folhas Sistema empurrado Fluxo contí nuo
Excesso de
agrega valor do ponto
processamento Tolerâncias apertadas Voz do cliente não 4Ps
de vista do cliente
demais compreendida
Design enxuto
Ferramenta ou peça Layout ruim
de difí cil manuseio
Fundamento:
Os princí pios

O princípio n° 1
“Baseie suas decisões de gestão
em uma filosofia de longo prazo,
mesmo ao custo de metas
financeiras de curto prazo”
O princípio n° 1

O primeiro princí pio tem a ver


com constância de propósito.

Uma organização que conhece


o seu propósito e o persegue,
irá sempre melhorar no longo
prazo.

Metas e medidas imediatistas


podem ir contra o propósito da
organização.

O princípio n° 2
“Crie processos em fluxo para
que os problemas sejam
expostos”
O princípio n° 2

O segundo princí pio diz que


temos que encarar os
problemas diretamente.

O fluxo contí nuo é mais


sucesstí vel a disrrupções, mas é
uma coisa boa que elas
aconteçam.

É melhor resolver logo os


problemas, do que mascará-los.

O princípio n° 3
“Use sistemas de puxar para
evitar a superprodução”
O princípio n° 3

Produza apenas quando


necessário. Esse é o lema da
produção puxada.

Planejamentos de produção
empurrada são muito frágeis,
inchados e suscetí veis a
flutuações de demanda.

Esse princí pio dá origem a todo


o sistema de kanbans e ao uso
de supermercados.

O princípio n° 4
“Nivele a carga de trabalho –
Heijunka”
O princípio n° 4

Prefira pruduzir pequenos lotes ao invés de grandes lotes.

Nivelamento Semanal Nivelamento diário

1000

400 A B C
200
A C A C A C A C A C

seg ter qua qui sex seg ter qua qui sex
Dias da semana

O princípio n° 4

Por que nivelar?


ƒ O nivelamento nos força a reduzir
nosso tempo de setup;

ƒ O nivelamento diminui nossos


estoques;

ƒ O nivelamento diminui nossos


custos de transporte;

ƒ O nivelamento torna os
problemas visí veis.
O princípio n° 5
“Construa uma cultura para
parar de ter problemas e para
ter qualidade da primeira vez”

O princípio n° 5

Andon – Para o processo para expor


os problemas.

Criar dispositivos para que as


máquinas parem todas as vezes que
algo sair do previsto.

Treinar as pessoas para parar


quando observarem algo for a do
padrão.

Usar técnicas analí ticas no chão de


fábrica (5 por quês, etc.)
O princípio n° 6
“Tarefas padronizadas são a
fundação para a melhoria
contí nua e o fortalecimento do
indiví duo”

O princípio n° 6

Padrões são o coração do Lean.

Taiichi Ohno dizia: “Sem padrões, não há


melhoria”.

Os padrões devem ser claros, objetivos,


e disseminados para todas as pessoas
que necessitem deles.

Além disso, os operários devem estar


conscientes de que os padrões podem
e devem ser mudados. Essa mudança
deve ser feita de maneira estruturada e
testes devem indicar o seu caminho.
O princípio n° 6

Procedimento Padrão!

Como montar uma boa instrução de


trabalho

O princípio n° 7
“Use controles visuais para que
nada fique escondido”
O princípio n° 7

Quadros kanban são utilizados


para mostrar tudo o que está
acontecendo na produção.

Painéis eletrônicos de Andon


identificam problemas nas
máquinas.

Paineis de desempenho
mostram como as equipes
estão atuando para cumprirem
seus objetivos de melhoria.

O princípio n° 8
“Use tecnologia confiável,
realmente testada, que sirva ao
seu pessoal e processos”
O princípio n° 8

Tecnologia mal empregada


pode ser desastrosa.

Tenha certeza que a tecnologia


está sendo aplicada de forma a
melhorar o desempenho global
do processo.

Não automatize um processo


ruim.

O princípio n° 9
“Forme lí deres que
verdadeiramente entendam o
trabalho e que vivam e ensinem
a filosofia”
O princípio n° 9

A filosofia é de padronizar e
melhorar continuamente o
trabalho.

A liderança não é apenas gerencial.


Devemos ter lí deres
especialmente no Gemba.

Na Toyota, existem os senseis, que


disseminam técnicas de melhoria e
os princí pios no ní vel mais
operacional da organização.

O princípio n° 10
“Desenvolva pessoal
excepcional e times que sigam a
filosofia da empresa”
O princípio n° 10

Além de bons processos de rotina, a


empresa deve buscar desenvolver
equipes aptas a resolver problemas
excepcionais.

Essas equipes devem entender


como abordar problemas
interdisciplinares e complexos.

A abordagem aos problemas deve


ser metódica, estruturada e alinhada
com a filosofia da empresa.

O princípio n° 11
“Respeite a rede de parceiros e
fornecedores, desafiando-os e
ajudando-os a melhorar”
O princípio n° 11

Os fornecedores e parceiros
são uma extensão da empresa.

Desafiar seus parceiros a


crescer é uma demonstração
de respeito.

A comunicação entre a
empresa e seus parceiros deve
ser simples, rápida e cotidiana.

O princípio n° 12
“Vá você mesmo ao Gemba para
ver o que está acontecendo”
(Genchi genbutsu)
O princípio n° 12

Administradores devem possuir mais


do que uma compreensão superficial
dos processos e da operação.

Os problemas não acontecem no


mundo das ideias e, por isso, uma
complexão profunda só pode ser
conseguida analisando o caso
concreto, ou seja, o gemba.

O esmiuçamento dos detalhes é uma


das melhores formas de se atingir
inovação e eficiência admiráveis.

O princípio n° 13
“Tome decisões devagar,
verdadeiramente considerando
todas as opções, implemente as
decisões rapidamente”
(Nemawashi).
O princípio n° 13

Ser calmo não é ser lento.

A discussão do problema não


pode ser afobada. Devem ser
consultados a maioria das
pessoas envolvidas no processo
para saber o que fazer.

Uma vez decidido o que fazer,


execute as mudanças o mais
rápido possí vel.

O princípio n° 14
Ser cal ma on ã r éãcst ã. Ar doaa
ãi acua ãp ãbf muã scDãcmvbaq
azqaUAr , Hanseixa uã n aqçr sã
Dr cpácoã , kaizenxí
O princípio n° 14

Use ferramentas de melhoria contí nua


para determinar as causas da
ineficiência e aplicar soluções eficazes.

Reduza o estoque e o tamanho dos


lotes para expor problemas.

Use a reflexão (hansei) para que os


erros não voltem a ser cometidos.

Padronize as melhorias para não


reinventar a roda a cada novo projeto.

Os 4 P’s e
os princí pios
Os 4 P’s

As Ferramentas
do Lean
Algumas das ferramentas clássicas do Lean

ƒ VSM (para mapeamento do fluxo de


valor)

ƒ SMED (troca rápida de


ferramenta/ setup rápido)

ƒ Kanbans (para operacionalizar a


produção puxada)

ƒ Heijunka Box (para nivelar a produção)

ƒ Manutenção Autônoma

ƒ 5S

VSM
O VSM

ƒ O VSM (Value Stream Mapping), ou


mapeamento do fluxo de valor, é
uma técnica que nos ajuda a
visualizar o que está acontecendo
em nossa linha de produção.
ƒ Ele nos ajuda a localizar gargalos e
desperdí cios, bem como identificar
claramente os tempos envolvidos
no processo.
ƒ Cada família de produtos precisará
de um mapeamento distinto.
ƒ Aqui, vamos ensinar como se
elaborar e usar um VSM.

O que é o fluxo de valor?

“Fluxo de Valor é toda a ação, agregando valor ou não, necessária


para produzir um produto desde a extração da matéria prima até o
consumidor final.”
O passo a passo

De maneira geral, percorremos os seguintes passos na elaboração de um VSM:


1 Escolha do processo a ser mapeado (preferencialmente fabril);

2 Entendimento do produto final do processo a ser mapeado;

3 Identificação das famí lias de produtos do processo;

4 Mapeamento das etapas de produção;

5 Identificação das necessidades do cliente (para cálculo do takt time);

6 Mapeamento dos tempos envolvidos na produção;

7 Mapeamento dos estoques intermediários;

8 Cálculo do Lead time do processo;

9 Compilação visual das informações coletadas.

O passo a passo

Como definir uma famí lia de produto? Etapas de fabricação e manufatura


1 2 3 4 5 6 7 8

Uma famí lia de produtos é um grupo de A X X X X X


peças que passam por etapas semelhantes B X X X X X X
do processo como um todo;
Produtos

C X X X X X X

Escreva em forma clara caracterí sticas da D X X X X X


famí lia de produtos selecionada:
E X X X X X
ƒ quantas peças;
F X X X X X
ƒ qual a demanda;
G X X X X X
ƒ e qual a frequência de entrega.
Família de produtos
O passo a passo

Após definida a famí lia de produtos, mapeie as etapas envolvidas, sempre


coletando algumas informações importantes:

Tempo de Ciclo (T/C):


Frequência com que uma peça ou produto é realmente completada em um processo;

Tempo de Troca (T/R):


Tempo necessário para mudar a produção de um tipo de produto para outro;

Disponibilidade (Disp):
Percentual do tempo que o equipamento está disponí vel para a produção;

Tempo de Agregação de Valor (VA):


Tempo efetivo de transformação do produto de maneira que o cliente está disposto a pagar;

Lead Time (L/T):


Tempo que um produto leva para percorrer um processo ou fluxo de valor, do iní cio ao fim.

O passo a passo
Um exemplo prático:

Estamparia ABC

Porque não se aprende VSM


expondo a teoria...
VSM

Tempos de setup

Já vimos que um dos princí pios


do Lean é a implementação do
nivelamento de produção: lotes
menores, melhor distribuí dos.

Mas, isso não é um contrassenso,


já que teremos que fazer mais
setups?
Tempos de setup

Não!

A produção nivelada nos força a


rever nossos procedimentos de
setups e melhorá-los.

Essa melhoria vem junto com


qualquer esforço de lean.

Ela deu origem a técnica de SMED


– Single minute Exchange of Die

Um case de SMED

Shingeo Shingo e a Mazda

Prensas de 800 toneladas não


tra
trabalhavam na sua capacidade total.

A troca
t de matrizes de prensagem era a
ma
maior causa de indisponibilidade nas

máquinas.

Pe
Pergunta (do Shingeo Shingo):
Po
Por que isso acontecia?
Um case de SMED

Shingeo Shingo e a Mazda

Após análise, foi verificado que o


procedimento consistia em:

1. Parar a prensa;
2. Trazer a matriz para perto da
máquina;
3. Realizar os ajustes para colocar a
matriz na máquina;
4. Finalizar os ajustes;
5. Religar a prensa.

Um case de SMED

Shingeo Shingo e a Mazda

Problema:

Durante o passo 3, verificou-se que os


operários demoravam horas procurando
por parafusos para o ajuste.

Foi citado até o caso em que tiveram


q
que confeccionar um novo parafuso,
com a máquina parada.
Um case de SMED

Shingeo Shingo e a Mazda

Solução:

Shingo mudou o procedimento para


que, antes de parar as máquinas, todos
os operários tivessem todas as
ferramentas que necessitassem em
mãos.

Separou-se setup interno de setup


externo.

Um case de SMED

Shingeo Shingo e a Mazda

Resultado:

Houve um aumento de 50% na


disponibilidade das prensas no
processo.
SMED

Como Shingo, temos que separar:

Setup interno
Atividades que só podem ser realizadas com a máquina parada
(como fixar a matriz na prensa).

Setup externo
Atividades que podem ser realizadas em paralelo ao funcionamento
da máquina (como procurar parafusos, aproximar ferramentas, etc.).

SMED

Exemplos de setup externo

ƒ Calibrações de instrumentos;
ƒ Verificação de materiais e ferramentas
(lembre-se de criar um checklist! );
ƒ Ajuste e limpeza de peças;
ƒ Transporte de peças e ferramentas (quanto o
mais pesada e complexa a peça, mais crí tica é
esta etapa;
ƒ Posicionamento de ferramentas e pessoal em
lugares de fácil acesso à máquina;
ƒ Etc.
SMED

Exemplos de setup interno

ƒ Encaixe de peças e ferramenta na máquina


(quanto melhor for o planejamento do encaixe,
melhor o tempo de setup – lembrem-se das
peças pesadas! );
ƒ Ajustes e corridas de teste (quanto mais precisa
for a calibração prévia, menos tempo
perderemos aqui);
ƒ Ajuste dos novos parâmetros de operação
(bons padrões ajudam nesta etapa).

SMED

Além disso!

Temos que procurar realizar atividades internas em paralelo!!

Mesmo que isso signifique, em um momento, envolver mais


pessoas na atividade de setup.

Exemplos: Blitz de setup.

Outro exemplo:

https: / / www.youtube.com/ watch?v=RRy_73ivcms

https: / / www.youtube.com/ watch?v=cO_ju5UUpZ0


SMED

Isso basta?

Não! Além de separar os setups internos e externos e planejar as


atividades em paralelo, podemos melhorar nossas ferramentas.

Exemplo: usar uma chave de roda para tirar os parafusos do pneu


contra usar uma pistola hidráulica para desrosqueá-los.

Essa melhoria das ferramentas só vai acontecer quando o operador


tiver a oportunidade de pensar nesta melhoria.

Devemos lembrar: soluções simples e criativas são melhores que


soluções excessivamente tecnológicas.

Como fazer o SMED acontecer na fábrica?

Padrões e procedimentos! –
devem ser revisados e
melhorados.

Além disso, genchi gembutsu.

Filme o setup acontecendo e


analise criticamente o ví deo
com os operadores. Busquem
por possibilidades de melhorias
com eles.
Como fazer o SMED acontecer
na fábrica?
Devemos pensar apenas em
reduzir o tempo nessa revisão
do setup?

“Até uns dez anos atrás, na nossa fábrica, a


produção era realizada tanto quanto possí vel,
nas horas normais de trabalho. As trocas de
navalhas, brocas e outras eram realizadas nas
paradas para o almoço ou jantar. Tí nhamos uma
polí tica de substituir as navalhas a cada
cinquenta peças. Como a produção tem crescido
nesta última décadas, os operadores
aumentaram o tempo necessário para estas
mudanças. Em uma fresadora múltipla, em
particular, substituir as inúmeras lâminas e
brocas consumia meio dia... Estamos na busca
de meios de reduzir o setup para alguns
segundos. Obviamente é mais fácil falar do que
fazer. Mas, de alguma forma, tempos que reduzir
o tempo necessário para realizar setups.”

Taiichi Ohno
Como fazer o SMED acontecer na fábrica?

Resumindo!

1. Separe setup interno de setup externo;

2. Transforme setup interno em setup externo

3. Racionalize as atividades, melhorando


ferramentas, padrões e procedimentos.

Produção Puxada
O que significa puxar e empurrar?

Todo sistema de produção necessita de uma


coordenação de suas etapas.

A coordenação diz quando e quais materiais


comprar, quais produtos fazer, qual o tamanho
do lote, etc.

Existem duas alternativas para se realizar essa


coordenação: a produção empurrada e a
produção puxada.

O que significa puxar e empurrar?

Produção empurrada funciona da seguinte


maneira:

O coordenador da produção recebe uma série de


informações: a quantidade de estoque na fábrica, uma
previsão de pedidos do cliente, uma lista com os efetivoss
pedidos do cliente, etc. Com base nessas informações, ele
elabora o que precisa ser produzido e fornece estes
planos para os processos produtivos. Eles, por sua vez,
executam a ordem programada.

Caso hajam imprevistos (como mudanças nos pedidos,


atrasos de material, quebras de máquinas, etc.) o
coordenador muda a ordem de produção.
O que significa puxar e empurrar?

O que significa puxar e empurrar?

O sistema de produção puxada elimina a


necessidade de um programador de produção
central.

A decisão sobre o que produzir é passada


diretamente para o operador das etapas de
manufatura. A decisão é tomada analisando
pequenos estoques na saí da de cada processo,
chamados de supermercados.

O processo seguinte, quando precisa de materiais


para repor seu estoque de saí da (atendendo assim a
demanda de seu cliente) vai até o estoque do
processo anterior e retira as peças que ele
necessita.
O que significa puxar e empurrar?

Neste caso, apenas a ponta da manufatura


recebe o pedido do cliente. Ele então puxa os
demais.

A programação central é usada apenas para


compra de matérias-primas ou para o
dimensionamento do tamanho dos
supermercados.

Neste curso, vamos ver como


operacionalizar este sistema mais adiante,
bem como um método para dimensionar os
supermercados.

O que significa puxar e empurrar?


Como operacionalizar a
produção puxada?

Supermercados, kanbans
e heijunka!

Supermercado

É um estoque controlado, que fica


entre os processos. Quando o
processo n precisa de peças, ele
retira estas peças do processo n - 1. Fornecedor Cliente

O estoque deve ser calculado para


ser o menor possí vel e não deixar o
processo n desabastecido.
Veremos mais adiante como
dimensionar.
A composição do supermercado

Os supermercados à frente dos processos já são


uma proteção!
Processo 1 Processo 2 Processo 3 Processo 4 Cliente

2 dias 2 dias 2 dias 2 dias


8 dias
6 dias
4 dias
2 dias

Operacionalizando com kanbans

Kanban significa cartão em japonês.

O sistema kanban se baseia no uso de cartões para


puxar a produção e seu uso está frequentemente
associado aos supermercados de peças.

Não existe peça sem um kanban.

Existem basicamente dois tipos de kanbans: de


retirada e de produção.

Também temos o kanban triângulo, que nada mais é


do que um kanban de produção para um lote maior.
Tipos de kanbans

Kanban de produção: Dá autorização para Kanban de transporte


porte (ou retirada): Dá
um processo produzir o item em uma autorização para a compra de itens em
determinada quantidade: supermercados ou do almoxarifado em uma
Cartões: Cada cartão corresponde a uma determinada quantidade
embalagem do item
Triângulo (Kanban de Sinal): Cartão em formato
triangular que corresponde a um lote de
produção do processo fornecedor

Kanban de produção

Exemplo de um cartão kanban de produção:

Este kanban autoriza a produção de


uma embalagem com 32 peças do
modelo Alpha 2 pela Pintura
Kanban de retirada

Exemplo de um cartão kanban de retirada:

Este kanban autoriza a linha de


Montagem 1 (M1) a retirar uma
embalagem de 32 peças do modelo
Alpha 2 do supermercado da Pintura.

A dinâmica do sistema kanban

Temos dois tipos de sistemas de kanban:

Um cartão: Usado quando o supermercado fica próximo do


processo cliente;

Dois cartões: Usado quando o supermercado fica distante do


processo cliente, como por exemplo, no recebimento ou em
outro prédio.

Entenda como os sistemas funcionam!


O quadro kanban

A medida que o cliente retira peças


A do supermercado os cartões de
produção que acompanhavam as
B caixas são levados para o processo
C fornecedor e são colocados em
D quadros;

Estes quadros devem mostrar para


a linha qual o item que deve ser
produzido primeiro e qual o
tamanho do lote a ser produzido.

O quadro kanban

Faixa Verde
Quantidade de cartões: Lote de Produção
Significado: Não há necessidade de produzir o item

Faixa Amarela
Quantidade de cartões: Tempo de reposição do supermercado
Significado: É preciso produzir o item

Faixa Vermelha
Quantidade de cartões: Proteção necessária
Significado: A proteção está sendo consumida
O quadro kanban

A medida que os cartões chegam ao quadro eles


são inseridos primeiramente sobre a faixa verde,
depois amarela e por fim a vermelha:

Quando as peças vão sendo produzidas os cartões


são retirados primeiramente da faixa vermelha,
depois da amarela e por fim da verde:

O quadro kanban

Os cartões que não estão no quadro estão no


supermercado acompanhando caixas cheias de
peças
A

Quando o quadro está cheio de cartões o


supermercado está vazio e vice-versa.

A
O quadro kanban
peças
Lote de Produção

Lote de Produção
Faixa Verde: Não há
necessidade de se
produzir quando só
existem cartões sobre a
faixa verde.

tempo

O quadro kanban
peças

Faixa Amarela: É preciso


produzir o item. A linha
precisa terminar o que está
fazendo, fazer o setup,
produzir um lote de
transferência e o colocar no
supermercado.

Lead Time tempo


O quadro kanban

A faixa amarela precisa ser calibrada com a prática.


Se ela estiver grande demais, os cartões nunca
chegarão à faixa vermelha, o que significa que
temos estoque demais. Se ela estiver pequena
demais ocorrerá o contrário.

O quadro kanban
peças

Faixa Vermelha: Existe


para proteger os clientes
em forma de estoque de
segurança.

Proteção

tempo
O quadro kanban

9
8
7
Lote de

Lote de Produção
6
5 Produção
4
3 Tempo de
2 reposição
1 Proteção
0
Tempo de tempo
reposição

O quadro kanban

peças

segunda terça quarta quinta sexta

Dias da semana
O quadro kanban

peças

A
B

segunda terça quarta quinta sexta

Dias da semana

O quadro kanban
A

Como dimensionar o B

quadro e o número de
kanbans?
O Heijunka Box
Nivelamento e controle na linha de produção

O Heijunka box

O nivelamento da produção e o Kanban


se encontram nos quadros de
nivelamento.

Estes quadros são ferramentas que


permitem a programação horária da
produção no chão de fábrica.

Eles são mais completos do que os


quadros de kanban pois ditam o ritmo de
produção e trazem uma série de
informações que os outros não trazem.
O Heijunka box

Funcionamento: 09 00

5:00 6:00 7:00 8:00 9:00 10:00 11:00 12:00 13:00 ... E assim
por diante

Cartões do Heijunka

A largura dos cartões


deve ser proporcional ao
tempo de produzi-los. Peça: A Peça: B
10 peças/ caixa 10 peças/ caixa

10 minutos 20 minutos

Tempo de
Tempo de
Peças por produzir Largura do
Peça gargalo
embalagem uma caixa cartão (cm)
(min)
(min)

A 1 10 10 4

B 2 10 20 8
A régua do Heijunka

A régua deve acomodar os cartões conforme o volume e mix


Largura dos
Volume Embalagens Largura do
Peça média diário por dia cartão (cm)
cartões na
régua (cm)

A 100 10 4 40

B 50 5 8 40

Total 80

A A A A A A A A A A B B B B B

80 cm + outros

A régua do Heijunka

Outros tempos que vão na régua são o tempo


de almoço, café, setup, reuniões, etc...

Para calculá-los, basta fazer regras de três:


Se o cartão da peça A, que é produzido em 10
minutos tem 4 centí metros de largura, o cartão do
almoço que dura 30 minutos deve ter que largura?
(problema de matemática)

4 cm = 10 min X = (30 x 4) X = 12 cm
X cm 30 min 10
5S

O 5S

5S é uma técnica do lean que se


aplica para se deixar o ambiente
de trabalho mais limpo, de
mane
maneira a se evitar desperdí cios

Ele deve ser a “cereja no bolo” da


im
implementação do lean, nunca
seu ponto inicial.
O 5S

São cinco palavras em japonês:

Seiri Æ Senso de Utilização

Seiton Æ Senso de Ordenação

Seiso Æ Senso de Limpeza

Seiketsu Æ Senso de Higiene, segurança e bem estar

Shitsuke Æ Senso de Autodisciplina

Direto ao ponto!

Como implementar?

Seiri

Seiton

Seiso Æ exemplo de
planilha

Seiketsu

Shitsuke
Equipes

Equipes

Assuntos que envolvem equipes:

ƒ Por que o Black Belt deve saber liderar equipes?

ƒ O que é uma equipe?

ƒ As disciplinas dos times

ƒ A equipe no âmbito do conhecimento profundo

ƒ As fases de formação de um time

ƒ Como formar uma equipe?

ƒ Como realizar treinamentos para sua equipe?


O Black Belt e as Equipes

É fundamental ao Black Belt saber


liderar equipes.

Os projetos de melhoria onde eles


estarão envolvidos possuem um alto
grau de complexidade e não podem
ser realizados por uma pessoa só.

Saber manter a equipe coesa e


focada no objetivo, sem inibir as
sinergias do trabalho em grupo, é
fundamental para o sucesso de
qualquer projeto de melhoria.

O Black Belt e as Equipes

Arranjos para implantar o Six Sigma em sua empresa


Sponsor/Champion
mpion
Supervisionar e
Sponsor/Champion
guiar projetos
Master Black Belt
lt

Orientar e
Master Black Belt Black Belt apoiar o líder
do projeto

Lidera o
Black ou Green Belt Green Belt ou líder projeto para o
sucesso

Analisa e
Equipe de Melhoria Equipe de Melhoria implanta a
melhoria
Afinal, o que é uma equipe?

Equipe
1. Grupo de pessoas reunidas para uma
tarefa ou ação.

2. Grupo de pessoas que praticam a


mesma modalidade esportiva e entram
juntas numa competição.

Propósito

ƒ O propósito é, por definição, algo


central em uma equipe.

ƒ Não se pode ser uma equipe sem se


ter um propósito claro e consistente.

ƒ O propósito muda para cada equipe.

ƒ Propósitos diferentes possuem


necessidades diferentes, o que deve
ser contemplado.
Exemplo

Supomos uma situação:

“Nossa empresa possui 4 vendedores. Estes vendedores


devem cobrir cada qual uma região, de modo a
maximizar as vendas da empresa. O processo de
vendas é bem definido e a empresa possui um banco de
possíveis clientes. Há um coordenador de vendas para
resolver conflitos e coordenar as ações”.

QSupomoso as i t çãs: o
o
“ ot sQ uol st oét rsaóst oç? l çAçl Suçt o sl éo
péAuaousodSQ açQ é? ãsol so as i t çãs: o
o
“ ot ç? éaeçuoé? ãaéost oAé? l él saét omorS? l uQ é? ãup: o

Exemplo

f S sQ st oSQ uosSãauot çãSuónsvo


o
cNossa empresa precisa desenvolver um novo site de
vendas. No projeto, trabalha-se o coordenador de
vendas, que tem um bom conhecimento no processo,
um designer gráfico, um programador e um
coordenador de marketing. Eles precisam fazer com que
o site seja fácil de usar e impulsione as vendas da
empresa”.

QSupomoso as i t çãs: o
o
“ ot sQ uol st oét rsaóst oç? l çAçl Suçt o sl éo
péAuaousodSQ açQ é? ãsol so as i t çãs: o
o
“ ot ç? éaeçuoé? ãaéost oé? AspAçl st omorS? l uQ é? ãup: o
Diferenças

ƒ Na primeira situação, dizemos que a soma dos


esforços individuais podem cumprir o
propósito. Não há necessidade de sinergia
entre os vendedores.

ƒ Em situações assim, a liderança deve


coordenar as atividades individuais e cobrar
disciplina para o cumprimento do propósito.

ƒ Grupos que trabalham assim são chamados de


“grupos com um único lí der”.

Diferenças

ƒ Essa não é uma abordagem negativa, mas


sim uma abordagem válida.

ƒ Em muitas situações, não precisamos que


a equipe haja democraticamente.

ƒ Alguns casos:
Diferenças

ƒ Em outros casos, como no


desenvolvimento do site, precisamos
que todo o grupo “junte suas forças” para
cumprir a tarefa.

ƒ Nestes casos, a soma individual de cada


esforço não é capaz de cumprir o
propósito.

ƒ Esses grupos trabalham no modelo que


chamamos de “time”.

Diferenças

ƒ Alguns exemplos:
Necessidades básicas

ƒ Para o trabalho em equipe funcionar direito,


existem algumas necessidades básicas que a
estrutura de trabalho deve oferecer.

ƒ Essas estruturas básicas devem estar


presentes tanto em “times” quando em
“grupos com um único lí der”.

ƒ Quais seriam essas necessidades?

Necessidades básicas

Façamos uma reflexão...

Pensem em uma equipe fracassada de que já


participaram e tentem identificar:

ƒ O que fazia essa equipe fracassar?


ƒ Havia um propósito claro?
ƒ Como era a comunicação?
ƒ Haviam papéis claramente definidos?
ƒ O processo de trabalho era eficiente?
ƒ Cara um era responsabilizado pelos seus
papeis de maneira razoável?
Necessidades básicas

Da mesma forma...

Pensem em uma equipe bem sucedida de que já


pa
participaram e tentem identificar:

ƒ O que fazia essa equipe ser memorável?


ƒ Havia um propósito claro?
ƒ Como era a comunicação?
ƒ Haviam papéis claramente definidos?
ƒ O processo de trabalho era eficiente?
ƒ Cara um era responsabilizado pelos seus
papeis de maneira razoável?

Necessidades básicas

De maneira geral, equipes precisam de:

Um propósito bem definido e claro;

Bons meios de comunicação;

Papéis bem definidos;

Processos de trabalho eficientes;

Responsabilização racional dos membros.


O propósito

Identificar o propósito do time é fundamental,


ental, tão
fundamental quanto alinhá-lo de maneira a clara
com cada um dos envolvidos.

Para que a equipe foi montada?

Qual é o seu objetivo maior?

O que ela não deve fazer?

O propósito

Nunca é demais lembrar:

ƒ Uma equipe não existe para usar uma


tecnologia.

ƒ Uma equipe não existe para “ser uma equipe”.

ƒ Uma equipe não existe para deixar seus


membros felizes (embora isso seja
consequência de um bom trabalho em equipe).
A comunicação

Equipes de trabalho hoje possuem os mais


variados meios de se comunicar.

A boa comunicação é vital para o atingimento


do propósito.

Nem todos precisam se comunicar com


todos a toda hora.

O uso dos meios de comunicação devem ser


os melhores possí veis para cada tipo de
propósito.

A comunicação

Um exemplo:

Nossa equipe de melhoria quer melhorar a taxa de refugos em


uma máquina injetora. Dados preliminares apontam para uma
forte correlação entre mudanças abruptas na temperatura
ambiente e um aumento na taxa de refugos. Essa correlação
aparece apenas para uma das matérias-primas (que deve ser
preferencialmente escolhida por razões econômicas).

O objetivo da equipe é entender por que isso acontece e tomar


omar
providências para resolver o problema. A equipe tem a
disposição um representante do fornecedor, um especialista sta
interno de processo, um engenheiro de produto, um
especialista interno em plástico e o lí der do turno de produção.
ução.

Como deve ser feita essa comunicação?


Qual o meio de comunicação deve ser usado?
Qual o tipo de disciplina (de time ou de grupo com único lí der)
estamos lidando?
Papéis bem definidos

Para que uma equipe possa ser bem sucedida,


cada um deve saber o que está fazendo ali e
como sua contribuição faz a equipe caminhar em
direção ao seu propósito.

A definição de papeis pode ser previamente


definida, como acontece na maioria dos grupos
com único lí der, ou pode ser acontecer
naturalmente em times.

De qualquer maneira, é importante que eles


estejam claros e alinhados com todos. Os papeis
são importantes para pesar possí veis
responsabilizações no futuro.

Processos de trabalho

Alguém se lembra de passar horas em


uma reunião sem conseguir definir
absolutamente nada?
Processos de trabalho

Esse tipo de situação deve ser evitada para que


equipes de alta performance possam existir.

Os processos de trabalho devem ser eficientes em:

ƒ Definir metas e delegar atividades;


ƒ Comunicar-se;
ƒ Imputar e disseminar novas informações;
ƒ Documentar-se;
ƒ Etc.

Processos de trabalho

Algumas bibliografias (como é o Manual de


Melhoria) até comentam que as equipes
devam gastar uma fração de seu tempo
pensando em como realizar suas tarefas
internas com mais eficiência.

Mesmo que isso não seja atribuição da


equipe, definitivamente deve ser atribuição
do lí der.
Responsabilização racional dos membros

Os membros devem cumprir com seus papeis.


A equipe deve cumprir seu propósito.

O reconhecimento individual e coletivo deve


ser feito em cima destes princí pios. A
responsabilização deve ser feita da mesma
maneira.

Em inglês, há uma palavra para isso que é


“accountability”.

Responsabilização racional dos membros

A responsabilização racional acontece quando


temos especificidade no propósito da equipe e na
definição dos papeis de cada membro.

Uma vez que tudo está especificado, a cobrança


fica natural.

Notem que:

ƒ Papéis são diferentes de resultados.

ƒ O que está claro para um pode não estar claro


para outro.

ƒ Cuidado com as responsabilizações excessivas.


Necessidades básicas

De maneira geral, equipes precisam de:

Um propósito bem definido e claro;

Bons meios de comunicação;

Papéis bem definidos;

Processos de trabalho eficientes;

Responsabilização racional dos membros.

As disciplinas dos times

Agora que já vimos o básico, podemos especificar os grupos com


único lí der e os times.

Resumidamente temos:

Único-Líder Times

1. Metas individuais caminham para o 1. O propósito não pode ser alcançado pela
propósito da equipe. soma de esforços individuais

2. Os membros trabalham em tarefas 2. Os membros trabalham juntos, com


individuais dependendo das suas habilidades complementares.
habilidades pessoais.
3. Os produtos do trabalho são coletivos.
3. Os produtos do trabalho são individuais.
4. O ritmo e forma de trabalho são adaptáveis
4. O lí der dita o ritmo do trabalho. e cobrados pelo grupo.

5. Os membros são responsabilizados 5. Os membros são responsabilizados


individualmente. coletivamente e individualmente.
Único líder

ƒ O grupo espera que o lí der tome as decisões pelo grupo e as


comunique claramente aos demais.

ƒ O lí der define os papeis e responsabilidades. O lí der tem a


palavra final sobre o desempenho esperado.

ƒ O lí der dá o ritmo e a abordagem para o trabalho. Ele


também monitora o desempenho individual e coletivo.

ƒ O lí der define o benchmark e os padrões a serem alcançados.


É ele que dita as “boas práticas”.

ƒ O lí der esclarece e cobra resultados individuais,


responsabilizando (racionalmente) cada indiví duo do grupo.

Times

ƒ As decisões são tomadas pelos especialistas em cada


assunto (não necessariamente de maneira democrática).
O lí der faz com que essas decisões sejam acatadas.

ƒ O grupo discute abertamente as metas a serem atingidas.


O lí der apenas influencia no caminho a se seguir.

ƒ O ritmo e a abordagem é realizada pelo próprio grupo. Os


papéis e responsabilidades podem mudar de acordo com
a execução de tarefas intermediárias.

ƒ O time deve avaliar e repensar seus métodos (e seu


resultado). É o time que define seus padrões e boas
práticas.

ƒ A cobrança é feita de maneira coletiva.


A Liderança
e a Filosofia

Os 14 princípios de Deming

Em seu livro Saia da Crise, Deming compilou de


maneira geral 14 princí pios que serviram de base
para os ensinamentos aos altos executivos
japoneses nos anos de sua reconstrução.

Diversos deles tem a ver com a liderança e o


trabalho em equipe. Vamos aqui revisar alguns
deles.
Os 14 princípios de Deming

Princípio 1:
“Estabeleça constância de
propósitos para a melhoria do
produto e do serviço,
objetivando tornar-se
competitivo e manter-se em
atividade, bem como criar
emprego.”

Os 14 princípios de Deming

Princípio 6:
“Institua treinamento no local de
trabalho.”
Os 14 princípios de Deming

Princípio 7:
“Institua liderança. O objetivo da
chefia deve ser o de ajudar as
pessoas e as máquinas e
dispositivos a executarem um
trabalho melhor. A chefia
administrativa está necessitando
de uma revisão geral, tanto
quanto a chefia dos
trabalhadores de produção.”

Os 14 princípios de Deming

Princípio 8:

“Elimine o medo, de tal forma


que todos trabalhem de modo
eficaz para a empresa.”
Os 14 princípios de Deming
Princípio 10:
“Elimine lemas, exortações e
metas para a mão-de-obra que
exijam ní vel zero de falhas e
estabeleçam novos ní veis
produtividade. Tais exortações
apenas geram inimizades, visto
que o grosso das causas da
baixa qualidade e da baixa
produtividade encontram-se no
sistema, estando, portanto, fora
do alcance dos trabalhadores”

Os 14 princípios de Deming
Princípio 12:
“Remova as barreiras que privam o
operário horista de seu direito de
orgulhar-se de seu desempenho. A
responsabilidade dos chefes deve ser
mudada de números absolutos para a
qualidade; remova as barreiras que
privam as pessoas da administração e
da engenharia de seu direito de
orgulharem-se de seu desempenho.
Isto significa a abolição da avaliação
anual de desempenho ou de mérito,
bem como da administração por
objetivos”
Os 14 princípios de Deming

Princípio 13:
“Institua um forte programa de
educação e auto
aprimoramento”

Os 14 princípios de Deming

Princípio 14:
“Engaje todos da empresa no
processo de realizar a
transformação. A transformação
é da competência de todo
mundo”
A equipe de melhoria
e sua formação

A equipe de melhoria

O que é:

Um pequeno grupo de pessoas com


habilidades complementares, que
aprenderam a trabalhar em conjunto
com um objetivo em comum,
mantendo-se mutuamente
responsáveis pelo mesmo.
Iniciando um esforço de melhoria

Pontos para se ter em mente ao iniciar um esforço de


melhoria:
melho

ƒ Comunique
Com à organização porque o projeto foi selecionado e
e
as estratégias organizacionais que estão por trás dele;

ƒ Oriente
Orie as pessoas sobre o apoio disponí vel dentro e fora da
orga
organização;

ƒ Faça
Faç os acertos necessários para assegurar que seja
disp
disponibilizado tempo para que as pessoas atuem no
proj
projeto;

ƒ Forneça
Forn treinamento e outros recursos necessários para os
esforços
esfo de melhoria.

Condições para que uma equipe tenha sucesso

Adaptado de Lewin, Weisbord, 1987

Interdependência: O projeto deve ser importante para os membros da equipe.


Ela tomará consciência de suas habilidades, conhecimentos e informações
complementares dos integrantes e as reforçará.

Liderança: A liderança responsável tem o desejo de melhorar e está no modo


aprendizagem. Com este desejo também aparece o riso: a equipe pode falhar.

Decisão conjunta: Todos os membros querem participar.

Igual influência: Todas as pessoas tem a oportunidade de influenciar a agenda.


Fases no desenvolvimento da equipe

Todas equipes passam por


fases parecidas de sua
constituição até a sua
performance. O lí der de
melhoria deve conseguir
entende-las para conduzir o
trabalho de maneira mais
eficaz.

Fases no desenvolvimento da equipe

1 - Forming
Preocupação: Inclusão

• Por que estou aqui?


• Quero participar?
• Seremos bem-sucedidos?

Relacionamento: reservado, informações básicas, baixa


confiança.

Atividades: introdução, orientações, agendas ocultas.


Fases no desenvolvimento
des da equipe

1 - Forming

A am
ambiguidade e confusão podem dominar a equipe.

ƒ A equipe não consegue se manter focada em seu


p
propósito.
ƒ Seus
S integrantes se mantem cautelosos e vigilantes,
compartilham
c apenas informações básicas.

Fases no desenvolvimento da equipe

2 - Storming
Preocupação: Controle

ƒ Que papel devo desempenhar?


ƒ Por que ele é responsável?

Relacionamento: conflito, emocional argumentativo.

Atividades: confrontos, conflitos de controle, tentativa de


estabelecer regras.
Fases no desenvolvimento da equipe

2 - Storming

A maior característica do time é o conflito.

ƒ As ideias são defendidas e atacadas pelos seus


integrantes;
ƒ As discussões são argumentativas;
ƒ A estrutura do time resiste;
ƒ Pode haver rupturas.

Fases no desenvolvimento da equipe

3 - Norming
Preocupação: Abertura

ƒ O que você pensa?


ƒ Como posso ajuda-lo?
ƒ Com descobrir mais?

Relacionamento: confiança, ideias e sentimentos, apoio,


compreensão.

Atividades: adotar regras, comunicar, coletar dados,


enfrentar problemas, feedback.
Fases no desenvolvimento da equipe

3 - Norming

A equipe começa a resolver conflitos de maneira


construtiva.

• As discussões começam a girar em torno de


“questões”, não de “pessoas”;
• Questões de autoridade e estrutura são resolvidas;
• Existe troca de sentimentos e ideias;
• As pessoas começam a encarar os dados.

Fases no desenvolvimento da equipe

4 - Performing
Preocupação: Sucesso

ƒ Estamos aprendendo?
ƒ Como podemos ser o mais efetivos possí vel?
ƒ Quais as ações a serem tomadas?

Relacionamento: aberto, comunicativo, apoio, consenso

Atividades: aprendizado, tomada de decisão, apoio aos


demais, empreender ações
Fases no desenvolvimento da equipe

4 - Performing
Comunicação aberta é norma!
C

ƒ Membros da equipe se tornam mais flexí veis em seus


papeis;
ƒ Comportamento da equipe é próximo e de
colaboração;
ƒ Os integrantes desenvolvem ligação com a equipe
(pertencimento) e as decisões são baseadas em
consenso;
ƒ A utilização de dados, informações e métodos de
aprendizagem apropriados se tornam a norma.

Fases no desenvolvimento da equipe

1 - Form
Forming 3 - Norming

2 - Storming 4 - Performing

Cada estágio é importante para o desenvolvimento da equipe

Liderança e habilidades de facilitação do trabalho em equipe


ajudam a equipe a atravessar cada estágio
Fases no desenvolvimento da equipe

ƒ A duração e a intensidade deste quatro estágios


variam de equipe para equipe.

ƒ Às vezes o último estágio é atingido em uma ou


duas reuniões. Outras vezes, podemos demorar
anos para atingi-lo.

ƒ Utilize as descrições aqui apresentadas para


comparar o histórico de sua equipe com o padrão
normal de maturação de grupos.

Fases no desenvolvimento da equipe

ƒ A compreensão destes estágios de


crescimento previne reações
exageradas em relação a problemas
normais e o surgimento de
expectativas irreais que somente
aumentam a frustração.

ƒ Os métodos para a construção e


manutenção de uma equipe
ajudam-na através destes estágios.

ƒ Com paciência e esforço o conjunto


de pessoas independentes cresce
para se tornar uma equipe
Gerando estrutura

Desenvolvimento de um propósito

O contrato de melhoria ajuda.

ƒ Fornece um propósito para as atividades da equipe;

ƒ Ajuda a selecionar as pessoas para a equipe;

ƒ Previne a sobreposição de atividades (falta de foco);

ƒ Previne que a equipe se afaste do seu propósito;

ƒ Mantém o foco no cliente;

ƒ Oferece às pessoas uma base comum de


aprendizagem.
Estabelecimento
ento de normas

Devemos considerar:

ƒ Expectativa de tempo para as reuniões;

ƒ Expectativa de tempo além das reuniões;

ƒ Procedimentos para lidar com problemas do


trabalho em equipe;

ƒ Procedimentos para tomada de decisões;

ƒ Regras para interrupções, etc.

Definições dos papéis

Uma equipe de melhoria inclui (5 ou 6 indivíduos):

Membro da equipe;

Lí der da equipe (no dia a dia);

Facilitador;

Consultor técnico;

Patrocinador;

Redator;

Avaliador crí tico.


Modelo GRPI

Objetivos (Goals)
Esclareça a esfera de atuação do projeto, ordens e autorizações, missão e objetivos, e
assegure-se de que todos os membros da equipe os compreendam e apoiem. Questione se
essa é a equipe adequada para o projeto ou se são necessárias pessoas adicionais à equipe.

Papéis (Roles)
Esclareça os papéis e as responsabilidades de todos os envolvidos na iniciativa, incluindo os
patrocinadores (veja o RACI posteriormente), e certifique=se de que todos os membros os
entendam e tenham as competências necessária. Certifique-se de que há recursos
suficientes e de que, se necessário, as pessoas terão treinamento.

Processos (Processes)
Estabeleça normas para o grupo sobre como a equipe trabalhará em conjunto, e defina os
métodos de resolução de problemas. Garanta que os processos sejam claros,
compreendidos, aceitáveis, fáceis de seguir, e de que eles são seguidos.

Relações Interpessoais (Interpersonal Relationships)


Defina comportamentos de apoio da equipe (inclusive aqueles definidos pelos Valores
Corporativos), e planeje atividades iniciais para desenvolver um alto ní vel de confiança e de
aceitação de diferenças.

RACI

Número Tarefa Responsável Accountable Consultado Informado

Pessoa que é
A pessoa que é, Pessoa que é
informada
A pessoa que em última consultada antes
depois que a
realiza a ação instância, da ação ser
decisão é
responsável realizada
tomada
Métodos para tomada de decisão

Método Quando usar este método Vantagens Desvantagens

- Prazo criticamente curto


A decisão é tomada por - Não há aprendizado
- Decisões de rotina
uma pessoa sem discussão - Método mais rápido - O apoio geralmente é
com os outros - Uma pessoa possui todo o limitado
conhecimento necessário

A decisão é tomada por - Método rápido


- Prazo curto - Pouco aprendizado
uma pessoa após discussão - Algum compartilhamento
com outros - Decisões de rotina - O apoio pode ser limitado
de conhecimento

Votação ou decisão da - Número maior de pessoas - Permite input de todos - Normalmente contraria
maioria envolvido - Não toma muito tempo parte da equipe

-Decisão afeta muitas


pessoas - Aprendizado é - Decisão toma tempo
- Aprendizado é um aspecto maximizado - Necessária certa
Consenso
important da atividade - Equipe apoia a decisão maturidade profissional por
- Ênfase na melhoria a 100% parte da equipe
longo prazo

Preparação para reuniões

Pré-trabalho
Agenda

ƒ Descrição geral do assunto;


ƒ Resultados esperados;
ƒ Limites de discussão;
ƒ Resumo da discussão;
ƒ Itens de ação;
Adoção de um modelo comum para melhorias

1 O que queremos melhorar?

Como saberemos que a


2 mudança é uma melhoria?

3 Quais mudanças podemos


fazer?

Cultura
A cultura é direcionada por “pressuposições” que dizem aos membros da
equipe como perceber, pensar e sentir sobre as coisas.
Três níveis de cultura

Artefatos
ƒ Estruturas e processos visí veis/ perceptí veis;
ƒ Comportamento observado (difí ceis de decifrar);

Valores e crenças abraçadas


ƒ Ideais, metas, valores, aspirações;
ƒ Ideologias;
ƒ Racionalizações (podem ou não congruentes com comportamentos ou
outros artefatos);

Pressuposições subjacentes básicas


ƒ Crenças e valores não conscientes dados como certos (determinam
comportamentos, percepções, pensamentos e sentimentos)

Quantas culturas existe na organização?

1 6
5
6 5
4 1
8 4 8
2 2
3 7 3 7

Muitas microculturas que Uma “cultura” dentro de


não estão integradas microculturas integradas
Subculturas genéricas

Subcultura “Operador” Subcultura “Engenheiro” Subcultura “Executivo”


ƒ “Nós operamos a ƒ O trabalho que importa é ƒ Foco no financeiro
empresa” resolver problemas ƒ Controle
ƒ Interação humana: ƒ Produtos e resultados
comunicação, confiança,
trabalho em equipe

Comportamentos benéficos (Scholtes)

ƒ Iniciar discussões;
ƒProcurar informações e opiniões;
ƒSugerir procedimentos para alcançar um determinado objetivo;
ƒEsclarecer ou elaborar ideias;
ƒSintetizar;
ƒTestar para chegar a um consenso;
ƒDirecionar o andamento das conversas; evitar conversas paralelas;
ƒBloquear oradores dominantes;
ƒ Criar espaço para oradores mais reservados;
ƒEvitar que a discussão se afaste do tema principal;
ƒAssumir o compromisso de ser criativo na solução das diferenças;
ƒTentar aliviar a tensão no grupo ao trabalhar assuntos difí ceis;
ƒExpressar os sentimentos do grupo e verificar essa impressão com os
outros;
ƒFazer com que o grupo concorde com as normas (por exemplo, "limite
de tempo para as discussões?");
ƒReferir-se à documentação e aos dados;
ƒElogiar e corrigir os demais de maneira justa e igual;
ƒ Aceitar elogios e correções da mesma maneira.
Andragogia
e Treinamentos

O que é um treinamento?

O que queremos quando


montamos um treinamento?

Por quê um treinamento? Qual é o


seu impacto?
ƒ Para a empresa...
ƒ Para o “treinado”...
ƒ Para o “treinador”...
O que é um treinamento?

Geralmente, quando aplicamos


um treinamento, buscamos
passar algum conhecimento
técnico ou teórico para um
grupo de pessoas.

Com o treinamento, queremos


que alguém aprenda algo.

Por que treinar pessoas?

Quando realizamos um treinamento em


uma empresa, o conhecimento passado
aos colaboradores visa capacitá-los a
atingir os objetivos (sonho) da empresa.

O treinamento é específico, mas o


resultado é global

A empresa tem:
ƒ Um propósito
ƒ Um objetivo claro
ƒ Uma necessidade por melhoria
contí nua
Por que treinar pessoas?

Entretanto, a empresa não é


o único elemento em um
treinamento.

O elemento central

Nenhum treinamento é efetivo


sem que o aluno aprenda. O
aprendizado é o ponto central
O papel do instrutor/treinador

O instrutor, ou treinador é a
figura que vai guiar o aluno no
o
aprendizado.

Como isso é feito?

Normalmente, para fazer com m que


o aluno aprenda, o instrutor
apresenta uma série de
informações, de maneira maiss ou
menos estruturada, mostrando do os
pontos importantes para o aluno. Blá
Blá Blá
Da perspectiva do aluno

Qual é a nossa experiência quanto


à este modelo de treinamento
focado no ensino? Ensino gera
aprendizado?
Blá
Blá Blá

As origens deste modelo

O nosso sistema de educação


(modelar conhecimentos e
comportamentos) é baseado no
ensino de crianças. Quando
saí mos da escola, pouco
refletimos sobre as diferenças
entre crianças e adultos.
Carregamos o mesmo modelo,
porém em situações diferentes.
As diferenças entre crianças e adultos

Sobre a necessidade de se aprender algo...

Um adulto aprende algo


que não sabe pra que
serve? Há dedicação por
parte dele?
Pouco enfoque é dado à
necessidade de se
aprender. Aprendemos
para passar na prova.

Uma conversa sobre aprendizado

O “conceito” do aluno...

É uma boa estratégia


tornar um adulto
dependente de seu
instrutor?
A criança
ia é vista pelo
professor como um ser
dependente. Ela depende
dele para aprender.
Uma conversa sobre aprendizado

A experiência de vida...

Adultos são todos


iguais? Todos tem as
mesmas ambições,
comportamentos, visão
de mundo?
Crianças têm menos
experiência de vida, o que
torna suas diferenças
menos marcantes.

Uma conversa sobre aprendizado

A “hora certa” de aprender...

Um adulto está pronto


para aprender tudo o
que vamos ensiná-lo?
A criança aprende os
conteúdos segundo um
programa prévio. A
sucessão de aprendizado
é o que a faz progredir.
Uma conversa sobre aprendizado

A orientação do ensino...

O ensino por disciplinas é


capaz de satisfazer a
motivação para um
adulto aprender?
O ensino é estruturado a
partir de disciplinas. As
crianças aprende para
passar em cada disciplina.

Uma conversa sobre aprendizado

Sobre a motivação de ensino...

O que motiva um
adulto a aprender?
Salário é um motivador
universal?
Accriança é motivada a
apr
aprender por recompensas
(not
(notas, pressão dos pais,
etc
etc.)
As bases do aprendizado em adultos

1 Necessidade de aprendizado

2 Conceito de si (independência)

3 Alto papel da experiência de vida

4 A hora certa de aprender

5 Orientação do aprendizado

6 Motivação para aprender

Necessidade de aprender

Os adultos devem aprender o porquê de


algo antes de começarem a de fato
aprender.

Eles vão passar um tempo considerável


pesando os benefí cios do novo
aprendizado.

O instrutor deve expor as justificativas, a


depender do seu público. Se ponha no
lugar do outro.
O conceito de si (Independência/Autonomia)

O instrutor não pode tornar o aluno


dependente. O aluno deve procurar ser
pró-ativo na busca pelo conhecimento,
portanto independente.

Se o instrutor passar tudo para o aluno,


este não procurará aprender de maneira
autônoma. Ele se tornará dependente.

Entretanto, o instrutor sabe muito mais


sobre o assunto do que o aluno. Como
tornar o aluno independente quando ele
não sabe nada?

O conceito de si (Independência/Autonomia)

O plano de ensino deve ser realizado


em conjunto (instrutor e aluno)

Um método rápido:
ƒ Aluno e instrutor observam os
objetivos e motivações
ƒ Aluno e instrutor buscam “o que
falta para chegar lá”
ƒ Instrutor propõe a linha de
aprendizado (atividades)
ƒ Aluno concorda, corre atrás e
propõe melhorias
O conceito de si (Independência/Autonomia)

O conceito de si (Independência)

O modelo Toyota:
ƒ Operadores mais experientes
tornam-se sensei’s dos mais
novos
ƒ O aprendizado toma tempo
ƒ Aprender e melhorar é o
objetivo final

Alto papel da experiência de vida

Adultos são muito influenciados por suas


experiências de vida. Tudo que acontece
com eles (e a maneira como eles as
interpretam) afeta na maneira com que
aprendem.

Adultos criam modelos mentais. O novo


conhecimento deve fazer sentido na sua
visão.

Por isso, devemos tentar abordagens


diferentes, para ensinar poder ensinar com
eficiência.
Forte papel da experiência de vida

Forte papel da experiência de vida

Algumas abordagens para o aprendizado:

A
Aprendizado mão na massa

Explicação das causas e efeitos

Utilização de ferramentas de análise

Etc.
A hora certa
erta de aprender

Nem sempre estamos prontos para a


aprender algo. Por exemplo, uma
menina de 5 anos não precisa
aprender sobre amamentação.

ho
Entretanto, para atingir desempenho
superior, precisamos estar prontoss
para aprender o que precisamos
aprender!

oa
Como é possível tornar uma pessoa
“pronta” para o aprendizado?

A hora certa de aprender

ƒ O alu
aluno precisa saber a importância
do c
conhecimento por vir.
(Necessidade de aprendizado).
(Nec

ƒ O alu
aluno tem que ter consciência de
que aquilo é uma lacuna em sua
formação. (Plano de aprendizado).
form

ƒ O alu
aluno precisa ter claro que esta
lacun
lacuna está barrando o seu
desenvolvimento. (Orientação).
dese
Orientação do aprendizado

Os adultos aprendem melhor


quando recebem o
conhecimento direcionado à
um objetivo de sua vida.

O instrutor tem que oferecer o


conhecimento e mostrar a
relação dele com o objetivo do
aluno.

Motivação para aprender

Fatores externos (salários, promoções,


etc.) podem ser motivadores
importantes para adultos, mas
geralmente não são os principais.

Adultos tendem a ser melhor motivados


por fatores internos (qualidade de vida,
autoestima, sentimento de realização).

Para que haja motivação permanente,


como atrelar o aprendizado com estes
motivadores? Como deixar os alunos
motivados à aprender?
Motivação para aprender

Boa parte da resposta está no


ambiente.

O ambiente deve ser livre do “medo de


errar”

Ações que visam aprender mais ou


melhorar algo devem ser
recompensadas.

As recompensas devem ser feitas de


maneira pública, criando uma cultura
favorável ao aperfeiçoamento do
conhecimento.

Motivação para aprender

O instrutor deve conduzir as atividades de


maneira democrática o conhecimento,
fazendo perguntas, desenvolvendo o
caráter analí tico do aluno

er
O instrutor deve incentivar o aluno a fazer
experimentos, aprender na prática e
desafiar o conhecimento atual.
Recapitulando

1 Necessidade de aprendizado

2 Conceito de si (independência)

3 Alto papel da experiência de vida

4 A hora certa de aprender

5 Orientação do aprendizado

6 Motivação para aprender