Você está na página 1de 30

CONTEÚDO DA AULA 0

ESTRUTURA E MÉTRICAS SEIS SIGMA

Ao final desta aula o aluno deverá ser capaz de:

Conhecer as vantagens da aplicação do seis sigma e do lean;

Relações entre o seis sigma e o lean

Conhecer os conceitos gerais da metodologia seis sigma

Dominar os conceitos de estatística básica;

Entender o significado de seis sigma.

EMENTA DA AULA 01

Associação entre seis sigma e lean, histórico do seis sigma, conceitos básicos de estatística e o significado de seis sigma.

O QUE GANHAMOS COM A APLICAÇÃO DO SEIS SIGMA E DO LEAN?

Seis sigma e lean são metodologias que podem ser aplicadas individualmente, porém ao serem aplicadas em conjunto resultam em maior produtividade com maior qualidade e, conseqüentemente, maior lucro para as organizações.

Segundo o Lean Sigma Institute 1 o lean associado ao seis sigma melhora a velocidade, a qualidade e o custo simultaneamente. O lean objetiva melhorar o fluxo reduzir desperdícios e agregar valor ao processo, em resumo, torna o processo mais rápido através da redução do lead time. O seis sigma objetiva reduzir a taxa de defeitos e diminuir a variabilidade do processo, portanto, aumenta a capacidade do processo. A resultante desta associação para o processo é a obtenção de maior produtividade e qualidade em menor tempo (ver figura 01).

1 Fonte: www.sixsigmainstitute.com/leansigma

Figura 01- resultado da correlação lean e o seis sigma (fonte: Lean Sigma Institute) Em

Figura 01- resultado da correlação lean e o seis sigma (fonte: Lean Sigma Institute)

Em resumo o seis sigma e o lean são filosofias distintas e com focos diferentes, mas que podem ser aplicadas simultaneamente e trazer grandes ganhos para as organizações.

Seis Sigma

Lean

Diminuir a variabilidade

Reduzir desperdícios

Aumentar a qualidade

Reduzir o lead time

Solução de problemas complexos através de ferramentas estatísticas

Solução rápida de problemas (kaizen)

Aumento do rendimento da cadeia de valor

Aumentar o valor agregado das etapas do processo

Métrica: nível sigma de qualidade

Métrica: tempo

Seis sigma e lean são considerados uma ferramenta, um sistema ou uma

filosofia?

Esta é uma pergunta que aflige a maioria das pessoas e cujo entendimento é crucial para o bom desenvolvimento e aplicação de qualquer metodologia da qualidade e produtividade dentro das organizações.

Em primeiro lugar vamos definir o que é uma ferramenta. Ferramentas são quaisquer técnicas utilizadas para melhorar a produtividade ou a qualidade quando utilizadas isoladamente dentro da organização. A partir do momento que passamos a relacionar estas ferramentas entre si, para obtermos resultados melhores e mais rapidamente, estamos construindo um sistema. Quando definimos claramente as interações entre as ferramentas e as pessoas compreendem e aplicam estas ferramentas de modo intuitivo e interativo, então, temos uma filosofia. A figura 02 demonstra graficamente esta situação.

A figura 02 demonstra graficamente esta situação. Figura 2 – ferramenta x sistema x filosofia A

Figura 2 – ferramenta x sistema x filosofia

A relação entre o seis sigma e o lean 2

EElleemmeennttoo

SSeeiiss SSiiggmmaa

LLeeaann

VViissããoo

Melhoria dos processos

Melhoria da cadeia de valor

AAbboorrddaaggeemm

Redução de defeitos, conceito de Critical to Quality (CTQ)

Redução de desperdícios, conceito valor reconhecido pelo cliente

2 Fonte: Compreendendo o Lean Six Sigma. Revista Excelência Six Sigma n° 01 Março- Abril 2007.

OObbjjeettiivvoo

Diminuir a variabilidade

Diminuir o valor não agregado

IInnddiiccaaddoorreess

Foco forte na eficácia, indicadores mostrando atender as especificações do cliente

Foco forte em eficiência, indicadores mostrando atender a produtividade

EEssttrruuttuurraa ddaa

Equipe formada por belts compostos por vários níveis e departamentos trabalhando no tema do projeto

Atividades de pequenos grupos (APGs), compostos principalmente por equipes da área envolvendo o chão de fábrica

eeqquuiippee

NNaattuurreezzaa ddooss

Projetos definidos observando o impacto no cliente interno e externo

Projetos definidos observando o fluxo da cadeia de valor

ttrraabbaallhhooss

MMeettooddoollooggiiaass

DMAIC e DMADV

Utilização dos 5 princípios

EEssttrraattééggiiaass ddee

Implementar projetos estratégicos ao negócio da empresa

Implementar melhorias nos pontos gargalos com disseminação do conceito kanban

iimmpplleemmeennttaaççããoo

ÁÁrreeaass cclláássssiiccaass ddee ccoooorrddeennaaççããoo

Qualidade

Produção

FFeerrrraammeennttaass

Mapa do processo, estudos estatísticos, matrizes de tomada de decisão, FMEA, planos de controle, etc.

VSM, TOC, kanban, poka-yoke, JIT, SMED, 5S, gerenciamento visual, etc.

uuttiilliizzaaddaass

EEmmpprreessaass ddee ssuucceessssoo ccoomm oo pprrooggrraammaa

Empresas Norte Americanas

Empresas Japonesas

Dada esta breve explicação sobre as vantagens da integração e do foco individual vamos iniciar uma jornada por dentro de cada uma destas filosofias.

Introdução ao seis sigma

Nas últimas décadas o mundo tem experimentado uma série de modelos dirigidos a melhoria da qualidade e da produtividade. Em geral estes modelos têm um objetivo específico que não está diretamente ligado ao desempenho financeiro da empresa. Isto faz com que estes modelos não sejam vistos como prioridade pela direção, pois, os resultados obtidos com sua implantação não impactam

positivamente os indicadores financeiros e, como é sabido, no mundo capitalista um projeto que não apresenta retorno palpável está fadado a fracassar devido à falta de apoio e interesse da alta direção.

Um estudo publicado na revista “Quality Progress” constatou que empresas ganhadoras de prêmios da qualidade apesar de terem a percepção em relação à qualidade aumentada não obtiveram o mesmo reflexo em seus indicadores financeiros, ao contrário, alguns indicadores como as vendas por funcionários, o retorno sobre os ativos e o retorno sobre as vendas caíram.

O Seis Sigma inicialmente implantado na Motorola em 1985 é um modelo que vêm com o objetivo explicito de quebrar este paradigma. Esta quebra de paradigma se dá pelo fato de ser um modelo com métrica focada na redução da variabilidade dos processos embasada em indicadores financeiros para a medição dos resultados. Algumas das maiores corporações ao redor do mundo, conseguiram obter resultados financeiros extraordinários com a aplicação do Seis Sigma. Dentre elas podemos citar organizações como a GE, Motorola, Sony, Nokia, Texas Instruments, Allied Signal, Canon, Hitachi, American Express, Toshiba, Du Pont e Polaroid. O quadro a seguir demonstra relação entre o nível sigma e o custo da não qualidade.

Toshiba, Du Pont e Polaroid. O quadro a seguir demonstra relação entre o nível sigma e

Conceito geral da metodologia seis sigma

O Seis Sigma é uma metodologia que permite às empresas maximizar seus

lucros através da melhoria da qualidade de processos eliminando defeitos, falhas,

erros e desperdícios de processos técnicos e não-técnicos.

Um processo de fabricação é visto como um processo técnico. Em um processo técnico temos entradas de insumos, matérias-primas, operadores, máquinas, equipamentos de medição que fisicamente fluem através do processo. Mas também existem os fatores controláveis e os incontroláveis que afetam um processo técnico, tais como: temperatura, umidade, tensão, corrente, pressão, vibração, variação da composição química dos materiais, etc. A principal característica de um processo técnico é o fluxo do produto visível e um produto tangível como resultado deste processo.

Processos administrativos tais como a geração de um pedido de compra ou de um plano de produção, processos transacionais como efetuar um empréstimo no banco ou processos envolvendo serviços de vendas por meio eletrônico são considerados processos não-técnicos. Em um processo tem como principal característica trabalhar com fluxo de informações e ter, na maioria das vezes, entradas e saídas intangíveis.

O seis sigma pode ser aplicado em processos técnicos e processos não-

técnicos de diferentes maneiras. Usualmente o seis sigma pode ser aplicado como:

Filosofia: busca da perfeição envolvendo a aplicação do seis sigma em processos existentes e no desenvolvimento de novos processos (Design for Six Sigma - DFSS).

Visão: servir como orientador (driver) para a empresa se posicionar entre as melhores do mercado.

Estratégia: seis sigma voltado para obter alto nível de confiabilidade de

bens e serviços visando a satisfação e fidelização dos clientes e o aumento

do market share (fatia de mercado).

Benchmark: comparativo entre o nível de qualidade de produtos,

operações, serviços e processos internos e externos.

Meta: objetivo zero defeitos e custos da não qualidade abaixo de 1%.

Métrica (escala): utilizado para medir o nível de qualidade de um processo.

Estatística:

qualidade (CTQs).

utilizado

na

avaliação

das características

críticas

para

a

Revisão sobre conceitos de estatística básica

Para entender o conceito e as métricas utilizadas na metodologia seis sigma é necessário um conhecimento mínimo de estatística básica. Com o intuito de fornecer este conhecimento ao leitor é que esta pequena introdução a conceitos básicos como a origem e classificação dados, medidas de tendência central, medidas de dispersão, medidas de forma e distribuição normal foram introduzidos.

O que são dados?

Dados são coletâneas de quaisquer valores relacionados a medições ou, segundo o dicionário Aurélio, dado é Informação factual usada como base para raciocínio, discussão ou cálculo.

Origem dos dados

Os dados podem ter duas origens:

Dados populacionais, os quais são obtidos de um universo finito contemplando todos os valores existentes;

Dados amostrais, os quais são obtidos através de uma amostragem retirada da população, a qual pode ser finita ou infinita.

Classificação e categorização dos dados

Os dados são classificados e categorizados conforme demonstrado no quadro a seguir:

e categorizados conforme demonstrado no quadro a seguir: Tipo Característica Exemplo Método

Tipo

Característica

Exemplo

Método

Quantitativo

Representado por números reais, podendo assumir todos os valores dentro de um intervalo especificado

Massa, volume, tempo de percurso, temperatura, % de venda, espessura de uma peça

Medição

Contínuo

Quantitativo

Representado por números

N° notas fiscais preenchidas erradas, N° de habitantes, n° de caixas em estoque

Contagem

Discreto

inteiros (1, 2, 3, 4,

)

Qualitativo

Representado por números ou classificações que podem ser arranjados em ordem de grandeza

Colocação em uma corrida automobilística, ranking em uma pesquisa, grau de satisfação.

Classificação

ou Atributivo

Ordinal

Qualitativo

Resulta de uma classificação, tomada a partir de critérios específicos

Sexo, tipo de não conformidade, cor dos olhos, Aprovado/Reprovado

Observação

ou Atributivo

Nominal

Organização dos dados

Dados são obtidos através de medições de uma determinada característica. Vejamos o exemplo a seguir onde foram medidas 25 amostras e seus resultados registrados em uma tabela contendo 5 linhas e 5 colunas:

1,25

1,24

1,20

1,27

1,23

1,28

1,25

1,17

1,25

1,25

1,18

1,21

1,19

1,22

1,26

1,24

1,23

1,22

1,26

1,27

1,21

1,23

1,24

1,26

1,26

De posse dos dados nossa tarefa é descrevê-los de uma maneira prática, de modo que o usuário possa interpretá-los facilmente. Uma das técnicas é construir uma figura (gráfico) que demonstre a forma de distribuição destes dados. Se os dados acima forem arranjados em ordem crescente e de freqüência, obteremos o seguinte resultado:

1,17

1,18

1,19

1,20

1,21 1,21 1,22 1,22 1,23 1,23 1,23 1,24 1,24 1,24 1,25 1,25 1,25 1,25 1,26 1,26 1,26 1,27 1,27 1,27

1,28

Percebe-se que com os dados arranjados a visualização da amplitude (menor e maior valor), do valor de maior ocorrência e da forma de distribuição dos dados fica facilmente perceptível.

Agora, se colocarmos os valores medidos em um eixo horizontal e no eixo vertical a freqüência (n° de vezes que cada valor medido se repete) obteremos uma representação gráfica denominada “Histograma de Freqüência”:

Este tipo de representação gráfica é muito útil, pois facilita a visualização da distribuição dos

Este tipo de representação gráfica é muito útil, pois facilita a visualização da distribuição dos dados. Porém alguns cuidados devem ser tomados ao construir um histograma. Vejamos o que acontece quando tentamos construir um histograma para os dados a seguir:

tentamos construir um histograma para os dados a seguir: Neste caso, como podemos observar o gráfico

Neste caso, como podemos observar o gráfico não nos dá a mínima idéia da forma de distribuição dos dados e, portanto não nos será útil no modo em que se apresenta. Um dos métodos que podemos utilizar para que o histograma nos demonstre a forma da distribuição no caso de valores muito espalhados é o demonstrado a seguir:

1. Diminua o maior valor do menor valor do grupo de dados (1,251 – 1,289) = 0,038 ou arredondado 0,040;

2. Como regra geral um histograma deve ter no mínimo 7 e no máximo 15 intervalos de classe, então para construir um histograma com 10 intervalos de classe fazemos: 0,040/10 = 0,004;

4. Agora basta construir os intervalos de classe e determinar a freqüência em cada um deles.

de classe e determinar a freqüência em cada um deles. Este tipo de histograma é chamado

Este tipo de histograma é chamado “Histograma de freqüências agrupadas” e nos permite visualizar a forma de distribuição dos dados para valores muito “espalhados”.

Caracterização de um conjunto de dados

Um conjunto de dados contém muitos detalhes que podem ser explorados e transformados em informação através das seguintes medidas que caracterizam um conjunto de dados:

Medidas de tendência central

Medidas de dispersão;

Medidas de forma.

Medidas de tendência central

Uma forma útil de descrever um grupo como um todo consiste em encontrar um único valor que represente o que é típico ou médio dentro deste conjunto. As três medidas de tendência central, mais conhecidas são:

Moda;

Mediana; e

Média aritmética.

Moda (Mo): é a medida de maior ocorrência no conjunto de dados, ou seja, é medida que mais se repete. A moda pode ser localizada com muito mais facilidade por exame visual que por cálculo. As principais características da moda são:

Nível de mensuração: contínuo, ordinal e nominal;

Aplicação: mais apropriada para distribuições bimodais;

Grau de exatidão: é uma medida de tendência central grosseira obtida de forma rápida e simples.

central grosseira obtida de forma rápida e simples. Mediana (Md): quando dados discretos são dispostos em
central grosseira obtida de forma rápida e simples. Mediana (Md): quando dados discretos são dispostos em

Mediana (Md): quando dados discretos são dispostos em ordem crescente torna- se possível localizar a mediana, a qual corresponde ao ponto central da distribuição. Portanto a mediana é considerada a medida de tendência central que corta a distribuição em duas partes iguais. A mediana pode ser determinada pelo exame dos dados ou através da seguinte fórmula:

Md = N

+1

2 onde: N = número de intervalos ou amostras

Exemplo: calcular a mediana para uma amostra de tamanho 10 representada pelos valores a seguir:

10,0

10,1

10,3

10,4

10,4

10,5

10,6

Md

=

N

+

1

=

10

+

1

= 5,5

 

2

2

10,7

10,8

10,9

10,0 10,1 10,3 10,4 10,4 10,5 10,6 10,7 10,8 10,9 1 2 3 4 5
10,0
10,1
10,3
10,4
10,4
10,5
10,6
10,7
10,8
10,9
1
2
3
4
5
6
7
8
9
10
5,5

Md =

10,4

+

10,5 =

20,9

2

2

=

10,45

As principais características da mediana são:

Nível de mensuração: contínuo ou ordinal;

Aplicação: mais adequada para as distribuições assimétricas;

Grau de exatidão: é uma medida de tendência central confiável podendo, com certas restrições, ser utilizada em operações estatísticas mais avançadas.

Média aritmética ( X ): sem sombra de dúvida esta é a medida de tendência central mais utilizada. Consiste na somatória dos valores obtidos através de mensuração ou contagem dividida pelo número total de valores.

X =

x

1

+

x

2

+

x

3

+

+

x

n

n

Utilizando o exemplo anterior a montagem da equação para obter a média aritmética fica da seguinte forma:

X =

10,0

+

10,1

+

10,3

+

10,4

+

10,4

+

10,5

+

10,6

+

10,7

+

10,8

+

10,9 =

10

104,7

10

As principais características da média são:

=

10,47

Nível de mensuração: contínuo;

Aplicação: mais adequada para as distribuições unimodais simétricas (distribuição normal);

Grau de exatidão: é uma medida de tendência central exata utilizada em operações estatísticas avançadas.

Posições relativas das medidas de tendência central

As figuras a seguir demonstram a posição relativa da moda, da mediana e da média aritmética em distribuições normais e em distribuições assimétricas.

relativa da moda, da mediana e da média aritmética em distribuições normais e em distribuições assimétricas.
Medidas de dispersão Chama-se de dispersão ou variação a dimensão que exprime a condição dos
Medidas de dispersão Chama-se de dispersão ou variação a dimensão que exprime a condição dos

Medidas de dispersão

Chama-se de dispersão ou variação a dimensão que exprime a condição dos dados de orbitarem em torno de seu valor médio. As medidas de dispersão mais utilizadas são:

Amplitude (R)

Desvio padrão (σ ou s)

Variância (σ 2 ou s 2 )

Amplitude (R): pode-se obter uma medida de variabilidade rápida, embora não muito exata, através do cálculo da amplitude, que nada mais é que a diferença entre o maior e o menor valor da amostra.

R

=

x

máx

x

min

Desvio padrão (S): é a distância de cada valor individual em relação à média. O desvio padrão é dado pelas seguintes fórmulas:

S =

para amostras 2 − µ) ∑ ( x n
para amostras
2
− µ)
∑ ( x
n
( x − x ) 2 S = ∑ n − 1
( x
− x
) 2
S
= ∑
n − 1

e

para

populações.

Variância (s 2 ): é o valor do desvio padrão elevado ao quadrado, portanto é a distância quadrática de cada amostra em relação à média.

Para amostras:

2

S =

(

x x

)

n 1

Para populações:

2

S =

(

x

µ

)

n

Para tornar o anteriormente explicado mais claro vejamos o resultado do cálculo da amplitude, do desvio padrão e da variância para o conjunto dados a seguir:

padrão e da variância para o conjunto dados a seguir: Observe que quanto maior o valor

Observe que quanto maior o valor da amplitude, do desvio padrão e da variância, mais achatada fica a curva ou, de maneira simples, podemos dizer que quanto maior for o valor da amplitude, do desvio padrão e da variância maior será a abertura da “boca” da curva de distribuição.

Medidas de forma e testes de normalidade

Algumas distribuições são simétricas, ou seja, dobrando-se a curva ao meio as duas metades coincidem. A estas curvas chamamos curva de distribuição normal ou mesocúrtica. Porém, as curvas de distribuição podem sofrer variações em termos de alongamento. Estas variações de alongamento são expressas através dos valores de curtose. Curvas alongadas são denominadas leptocúrticas e curvas achatadas são denominadas platicúrticas. Esta variação no formato das curvas pode ser visualizada e melhor entendida através da figura a seguir.

visualizada e melhor entendida através da figura a seguir. Algumas distribuições não são simétricas, ou seja,

Algumas distribuições não são simétricas, ou seja, os valores se acumulam de um lado e do outro poucos valores são encontrados. A este tipo de distribuição chamamos distribuição assimétrica. A posição da cauda mais longa indica o lado da assimetria. Distribuições com alongamento da curva para a direita são denominadas curvas assimétricas positivas e distribuições com alongamento da curva para a esquerda são denominadas curvas assimétricas negativas.

positivas e distribuições com alongamento da curva para a esquerda são denominadas curvas assimétricas negativas.

Portanto, os graus de assimetria e de curtose têm por objetivo determinar se a amostra é proveniente de uma distribuição normal. Geralmente estes cálculos são efetuados através de softwares específicos e existem diferentes métodos que podem ser utilizados além do cálculo da assimetria (skewness) e da curtose (kurtosis). O mais recomendado é o teste estatístico de Anderson-Darling 3 (AD). Este teste estatístico é uma generalização do teste de Teste de Kolmogorov- Smirnov 4 (KS), dando mais peso às caudas da curva de distribuição. A grande vantagem do teste estatístico de Anderson-Darling é que ele pode ser utilizado com tamanhos de amostra menores que 40 com grande eficiência e confiabilidade dos resultados.

Distribuição normal

A distribuição normal (distribuição de Gauss) é um dos muitos modelos matemáticos utilizados para descrever variáveis aleatórias contínuas. A duas principais razões para a distribuição normal ocupar um lugar de destaque na estatística são:

1. Possui algumas propriedades que a fazem aplicável a um grande número de situações nas quais é necessário fazer inferências através de amostras;

2. A maioria dos fenômenos segue a distribuição normal.

A curva normal possui a forma de um sino e tem as seguintes características:

É unimodal e simétrica; A probabilidade de dois valores eqüidistantes da média, mas em lados opostos, é a mesma; Pelo fato de ser simétrica, média, mediana e moda possuem o mesmo valor; As caudas da curva normal estendem-se até o infinito, portanto nunca tocam o eixo horizontal – é uma curva assintótica.

3 Criado em 1952 por Thoedore Wilbur Anderson, Jr. e Donald A. Darling. 4 Criado pelos matemáticos russos Andrey Kolmogorov e Vladimir Ivanovich Smirnov.

99,73% 99,73% 95,45% 95,45% 68,27% 68,27% -6σσσσ -6σσσσ -6σσσσ -6σσσσ -6σσσσ -5σσσσ
99,73%
99,73%
95,45%
95,45%
68,27%
68,27%
-6σσσσ
-6σσσσ
-6σσσσ
-6σσσσ
-6σσσσ
-5σσσσ
-5σσσσ
-5σσσσ
-5σσσσ
-5σσσσ
-4σσσσ
-4σσσσ
-4σσσσ
-4σσσσ
-4σσσσ
-3σσσσ
-3σσσσ
-3σσσσ
-3σσσσ
-3σσσσ
-2σσσσ
-2σσσσ
-2σσσσ
-2σσσσ
-2σσσσ
-1σσσσ
-1σσσσ
-1σσσσ
-1σσσσ
-1σσσσ
+1σσσσ
+1σσσσ
+1σσσσ
+1σσσσ
+1σσσσ
+2σσσσ
+2σσσσ
+2σσσσ
+2σσσσ
+2σσσσ
+3σσσσ
+3σσσσ
+3σσσσ
+3σσσσ
+3σσσσ
+4σσσσ
+4σσσσ
+4σσσσ
+4σσσσ
+4σσσσ
+5σσσσ
+5σσσσ
+5σσσσ
+5σσσσ
+5σσσσ
+6σσσσ
+6σσσσ
+6σσσσ
+6σσσσ
+6σσσσ
99,993%
99,993%
99,9999433%
99,9999433%
99,9999998%
99,9999998%
Limite
Percentual sob a
curva
Defeitos em ppm*
Defeitos em PPB**
± 1 sigma
68,27
317.300
317.300.000
± 2 sigma
95,45
45.500
45.500.000
± 3 sigma
99,73
2.700
2.700.000
± 4 sigma
99,9937
63
63.000
± 5 sigma
99,999943
0,57
570
± 6 sigma
99,9999998
0,002
2

*ppm = partes por milhão

Fonte: Fonte: Breyfogle III, 1999, pag.9.

**ppb = partes por bilhão

A tabela de distribuição normal lista as probabilidades de uma variável aleatória, normalmente distribuída, cair entre a média e um valor qualquer baseado no escore-z padronizado. A fórmula para calcular o escore-z padronizado de uma população é a seguinte:

z =

(

x

µ

)

σ

Onde:

Z = escore-z

µ = média da população

σ = desvio padrão da população

x = variável aleatória de interesse

Porém, quando trabalhamos com amostras, utilizamos a seguinte fórmula:

Onde:

Z = escore-z

x = média da amostra

z =

(

)

x x

s

s = desvio padrão da amostra

x = variável aleatória de interesse

De posse do valor do escore-z utilizamos a tabela de distribuição normal (ver tabela 01) para determinar a área sob a curva de distribuição.

Exemplo:

Considerando-se que em uma amostra aleatória obtemos média igual a 20 e desvio padrão igual a 2, calcular a probabilidade de X ser maior que 18 e menor que 21.

Z

Z

1

2

18

20

= =− 1 (0,3413 na tabela de

2

distribuição normal

=

21

20

2

= 0,5

(0,1915 na tabela de distribuição normal

P(18 X 21) = P (-1X 0,5) = 0,1915 + 0,3413 = 0,5328 = 53,28%

TABELA 01 - DISTRIBUIÇÃO NORMAL PADRONIZADA

Exemplo: determine qual é a área sob a curva entre a média e um ponto

Exemplo: determine qual é a área sob a curva entre a média e um ponto a 1,7 desvios padrão a direita da média. Procure pelo valor 1,7 na coluna direita da tabela e o valor 0,00 na linha superior da tabela o cruzamento entre coluna e linha (1,7 + 0,00) nos fornece o valor da área sob a curva para um valor de Z= 1,70, no caso 0,4554.

Z

.00

.01

.02

.03

.04

.05

.06

.07

.08

.09

0.0

.0000

.0040

.0080

.0120

.0160

.0199

.0239

.0279

.0319

.0359

0.1

.0398

.0438

.0478

.0517

.0557

.0596

.0636

.0675

.0714

.0753

0.2

.0793

.0832

.0871

.0910

.0948

.0987

.1026

.1064

.1103

.1141

0.3

.1179

.1217

.1255

.1293

.1331

.1368

.1406

.1443

.1480

.1517

0.4

.1554

.1591

.1628

.1664

.1700

.1736

.1772

.1808

.1844

.1879

0.5

.1915

.1950

.1985

.2019

.2054

.2088

.2123

.2157

.2190

.2224

0.6

.2257

.2291

.2324

.2357

.2389

.2422

.2454

.2486

.2518

.2549

0.7

.2580

.2612

.2642

.2673

.2704

.2734

.2764

.2794

.2823

.2852

0.8

.2881

.2910

.2939

.2967

.2995

.3023

.3051

.3078

.3106

.3133

0.9

.3159

.3186

.3212

.3238

.3264

.3289

.3315

.3340

.3365

.3389

1.0

.3413

.3438

.3461

.3485

.3508

.3531

.3554

.3577

.3599

.3621

1.1

.3643

.3665

.3686

.3708

.3729

.3749

.3770

.3791

.3810

.3830

1.2

.3849

.3869

.3888

.3907

.3925

.3944

.3962

.3980

.3997

.4014

1.3

.4032

.4049

.4066

.4082

.4099

.4115

.4131

.4147

.4162

.4177

1.4

.4192

.4207

.4222

.4236

.4251

.4265

.4279

.4292

.4306

.4319

1.5

.4332

.4345

.4357

.4370

.4382

.7394

.4406

.4418

.4429

.4441

1.6

.4452

.4463

.4474

.4484

.4495

.4505

.4515

.4525

.4535

.4545

1.7

.4554

.4564

.4573

.4582

.4591

.4599

.4608

.4616

.4625

.4633

1.8

.4641

.4649

.4656

.4664

.4671

.4678

.4686

.4693

.4699

.4706

1.9

.4713

.4719

.4726

.4732

.4738

.4744

.4750

.4756

.4761

.4767

20.

.4772

.4778

.4783

.4788

.4793

.4798

.4803

.4808

.4812

.4817

2.1

.4821

.4826

.4830

.4834

.4838

.4842

.4846

.4850

.4854

.4857

2.2

.4861

.4864

.4868

.4871

.4875

.4878

.4881

.4884

.4887

.4890

2.3

.4893

.4896

.4898

.4901

.4904

.4906

.4909

.4911

.4913

.4916

2.4

.4918

.4920

.4922

.4925

.4927

.4929

.4931

.4932

.4934

.4936

2.5

.4938

.4940

.4941

.4943

.4945

.4946

.4948

.4949

.4951

.4952

2.6

.4953

.4955

.4956

.4957

.4959

.4960

.4961

.4962

.4963

.4964

2.7

.4965

.4966

.4967

.4968

.4969

.4970

.4971

.4972

.4973

.4974

2.8

.4974

.4975

.4976

.4977

.4977

.4978

.4979

.4979

.4980

.4981

2.9

.4981

.4982

.4983

.4983

.4984

.4984

.4985

.4985

.4986

.4986

3.0

.49865

4.0

.499965

5.0

.4999997

 

6.0

.499999999

 

Fonte: Fonte: Breyfogle III, 1999, pag.694 e 695.

O significado de seis sigma

Seis Sigma é uma técnica fortemente baseada em estatística quantitativa voltada para a redução da variabilidade de processos técnicos e não técnicos a qual tem o aumento da lucratividade das empresas como objetivo principal.

Sigma é a letra grega que em termos de estatística representa a variação de uma amostra. O seis representa o número de vezes que o valor do desvio padrão é multiplicado para estimar os valores máximo e mínimo de uma amostra em relação a média (µ). Os valores máximos e mínimos estimados devem ser comparados com uma especificação para determinar o índice de defeitos que o processo tem probabilidade de produzir. Um processo com desempenho nível seis sigma trabalha com um índice de 3,4 defeitos para cada milhão de unidades produzidas.

Vejamos o que significa isto em termos práticos. Muitas pessoas assumem que 99% de acerto é um excelente resultado mas será que isto é verdade?

Processo com nível de qualidade

3,8σ

99% de acerto

Processo com nível de qualidade 6σ

99,9997% de acerto

20.000 artigos de correio perdidos por hora

Água

potável

duvidosa

minutos a cada dia

quase

15

5.000 operações cirúrgicas incorretas por semana

receitas

200.000

cada ano

médicas

erradas

a

Uma aterrissagem de emergência no aeroporto de Guarulhos por dia

7 artigos de correio perdidos por hora

1 minuto de água potável duvidosa a cada sete meses

1,7 operações cirúrgicas incorretas por semana

68 receitas médicas erradas a cada ano

Uma aterrissagem de emergência em todos os aeroportos do Brasil a cada cinco anos

Fonte: Werkema, 2004, p. 17

Vamos analisar um pouco mais detalhadamente o que representa seis

sigma em termos estatísticos. Imagine um determinado produto cuja especificação

é 10 ± 1,5 u.m. (unidades de medida). Considerando que o processo possui

distribuição normal com média (µ) igual a 10 u.m. e desvio padrão (σ) igual a 0,50

u.m. e trabalhando com nível de qualidade 3σ os limites naturais do processo são:

Limite Natural Inferior: LNI = µ - 3σ LNI = 10 - (3 x 0,50) LNI = 8,5 u.m.

Limite Natural Superior: LNS = µ + 3σ LNS = 10 + (3 x 0,50) LNS =11,5

u.m.

Limites naturais do processo com ±3σ (99,73%) e média centrada, estes coincidem exatamente com os
Limites naturais do processo com ±3σ (99,73%) e média centrada, estes coincidem exatamente com
os limites de especificação do produto. Em termos simples podemos comparar as especificações
como sendo o espaço em uma vaga de estacionamento onde o automóvel entra sem folga.

Considerando o mesmo processo com distribuição normal com média (µ) igual a 10 u.m. e desvio padrão (σ) igual a 0,50 u.m., mas agora trabalhando com o nível de qualidade 6σ os limites naturais do processo passam a ser:

Limite Natural Inferior: LNI = µ - 6σ LNI = 10 - (6 x 0,50) LNI = 7,0 u.m.

Limite Natural Superior: LNS = µ + 6σ LNS = 10 + (6 x 0,50) LNS =13,0

u.m.

- (6 x 0,50) → LNI = 7,0 u.m. Limite Natural Superior: LNS = µ +

Calculando os limites naturais do processo com ±6σ (99.9999998%) e média centrada, notamos que os limites naturais do processo encontrados extrapolam os limites de especificação do produto. Novamente comparando as especificações como sendo o espaço em uma vaga de estacionamento temos uma situação onde o automóvel é maior que a vaga ofertada.

Para que o mesmo processo, utilizando o conceito 6σ, entre dentro dos limites de especificação é necessário uma redução drástica na variação, neste caso vamos aplicar uma redução de 50% para exemplificar (σ atual = 0,5 u.m. ;

σ reduzido 50% = 0,25 u.m.) então:

Limite Natural Inferior: LNI = µ - 6σ LNI = 10 - (6 x 0,25) LNI = 8,5 u.m.

Limite Natural Superior: LNS = µ + 6σ LNS = 10 + (6 x 0,25) LNS =11,5 u.m.

Vejam que com a redução de 50% na variabilidade do processo podemos inserir ±6σ dentro
Vejam que com a redução de 50% na variabilidade do processo podemos inserir ±6σ dentro dos
limites especificados. Utilizando a analogia da vaga de estacionamento significa dizer que temos de
trocar o carro por um menor para poder utilizá-la.

Porém devemos levar em consideração que mesmo os processos sob controle, isto é processos considerados estáveis, não são estáticos e sofrem pequenos deslocamentos em sua média ao longo do tempo.

Segundo Harry, um dos criadores da metodologia seis sigma, um deslocamento na média (µ) da magnitude de até ±1,5σ é considerado normal e deve ser levado em consideração nos cálculos do escore-z padronizado, o que conseqüentemente altera a taxa de defeitos em ppm.

Então, considerando o deslocamento de ±1,5σ na média percebe-se que uma redução maior que 50%
Então, considerando o deslocamento de ±1,5σ na média percebe-se que uma redução maior que
50% no desvio padrão (σ) se faz necessária para que a variação natural do processo não exceda os
limites de especificação.

Novamente, para que o mesmo processo, utilizando o conceito 6σ agora considerando o deslocamento de ±1,5σ na média, entre dentro dos limites de especificação é necessário mais redução na variação (σ atual = 0,25 u.m. ; σ reduzido = 0,20 u.m.) então:

Limite Natural Inferior: LNI = µ - 6σ LNI = 10 - (6 x 0,20) LNI = 8,80 u.m.

Limite Natural Superior: LNS = µ + 6σ LNS = 10 + (6 x 0,20) LNS =11,20 u.m.

Agora, mesmo considerando o deslocamento de ±1,5σ na média, a variação natural do processo não
Agora, mesmo considerando o deslocamento de ±1,5σ na média, a variação natural do processo
não excede as especificações.

Relações entre processo centrado e processo deslocado 1,5σ

Processo centrado (estático)

e processo deslocado 1,5 σ Processo centrado (estático) Z x − 3σ (x - 3σ )

Z x

(x - 3σ ) - x

=

σ

=−

3

e

(estático) Z x − 3σ (x - 3σ ) - x = σ =− 3 e

Z

x

+

=

(x

+

3σ ) - x

σ

=+ 3

Fonte: Fonte: Breyfogle III, 1999, pag.9.

Processo deslocado 1,5σ (dinâmico)

Z x − 4,5σ = (x - 4,5σ ) - x σ =− 4,5 e

Z x

4,5σ

=

(x - 4,5σ ) - x

σ

=−

4,5

e

Fonte: Fonte: Breyfogle III, 1999, pag.9.

- x σ =− 4,5 e Fonte: Fonte: Breyfogle III, 1999, pag.9. Z x + 1,5σ

Z

x

+

1,5σ

=

(x

+

1,5σ ) - x

σ

=+ 1,5

Com base no exposto anteriormente podemos estimar o esforço necessário para elevar um nível σ na qualidade de um processo ou característica da qualidade de um produto. No gráfico a seguir, em escala logarítmica, este esforço é demonstrado em número de vezes que a variação deve ser reduzida para se atingir o nível sigma desejado.

deve ser reduzida para se atingir o nível sigma desejado. Fonte: Breyfogle III, 1999, pag.10. Analisando

Fonte: Breyfogle III, 1999, pag.10.

Analisando o gráfico anterior começamos a entender porque Jack Welch, quando assumiu a direção em 1991, estabeleceu como meta que as doze unidades da GE atingissem nível seis sigma em seus principais processos. A GE iniciou o programa com média 3 sigma e em 1997 atingiu o nível 3,5 sigma em seus principais processos. Este aumento de qualidade transformou a GE

de uma empresa de 25 bilhões de Dólares em uma empresa de 90 Bilhões de

Dólares e com alta rentabilidade.

REFERÊNCIAS BIBLIOGRÁFICAS

WERKEMA, Maria Cristina Catarino. Criando a Cultura Seis Sigma. Nova Lima, MG:

Werkema Ed., 2004.

WERKEMA, Maria Cristina Catarino. Lean Seis Sigma. Nova Lima, MG: Werkema Ed., 2006.

ROTONDARO, Roberto G. Seis Sigma: Estratégia Gerencial para a Melhoria de Processos, Produtos e Serviços. São Paulo: Atlas, 2002.

BREYFOGLE, Forrest W. Implementing Six Sigma. A Wiley-Interscience Publication, 1999.

LEVIN, Richard I. Statistics for Management. Prentice Hall Inc., 1987.

DeCARLO, Neil. Lean Six Sigma Complete Guide. New York: Alpha Books, 2007.

www.sixsigmainstitute.com acessado em abril de 2009.