Prisma Treinamento Murilo

01 AGENDA
1. FASE ANÁLISE
2. CEP
3 DIA
3. ATIVIDADE PRÁTICA
ALMOÇO
4. CAPABILIDADE
1. FASE MELHORAR
2. DOE
4 DIA
ALMOÇO
4. FASE CONTROLAR
5. ATIVIDADE PRÁTICA(COMPETIÇÃO)
6. FECHAMENTO
06 FASE ANÁLISE
06
01 FASE ANÁLISE
O que É uma Matriz C&E?

• Uma matriz simples que enfatiza a
importância da compreensão das exigências
do cliente
• Prioriza o impacto das variáveis de entrada
do processo (x’s) baseadas nas exigências
do cliente (Ys)
• Usa o mapa de processo como a fonte de x’s
e Ys
• Também chamada Matriz de Seleção de
Características (CSM)
06
01 FASE ANÁLISE
Como Isso Ajuda?

• Ajuda a determinar as maiores oportunidades
para a melhoria do processo
• Ajuda a responder a pergunta: “quais entradas
do processo precisam ser focadas?”
• Usa números que fornecem uma comparação
quantitativa das entradas
06 FASE ANÁLISE
Relacionar Entradas para as

Exigências do Cliente
Relaciona as exigências do cliente (saídas) para
as variáveis de entrada do processo
0 = Nenhuma relação
1 = A entrada do processo só afeta remotamente a
exigência do cliente
3 = A entrada do processo tem um efeito moderado na
exigência do cliente
9 = A entrada do processo tem um efeito forte e direto
sobre a exigência do cliente
06 FASE ANÁLISE
Matriz de Causa-Efeito
• Etapas de Preenchimento:
1. Listar as principais saídas (KPIs).
Y's Processo
X's do Processo TOTAL
SAÍDA 1 SAÍDA 2 SAÍDA 3 SAÍDA X
06 FASE ANÁLISE
2. Classificar as saídas de acordo com a importância (valores de 1 a 10)
Y's Processo
X's do Processo 8 10 4 2 TOTAL
06 FASE ANÁLISE
3. Listar as principais entradas do processo (fontes: espinha de peixe, mapa de
processo, SIPOC).
Y's Processo
Entrada 1 (X01)
Entrada 2 (X02)
Entrada 3 (X03)
...
Entrada n (Xn)
06 FASE ANÁLISE
4. Correlacionar as entradas às saídas.
Y's Processo
Entrada 1 (X01) 3 2 10 0
Entrada 2 (X02)
Entrada 3 (X03)
...
Entrada n (Xn)
 0 – não há relação;
 1 a 3 – baixa relação;
 4 a 7 – média relação,
 8 a 10 – alta relação.
06 FASE ANÁLISE
5. Fazer a multiplicação cruzada: importância x impacto.
6. O resultado final é dado pela soma das linhas, onde cada entrada é multiplicada
pela importância de cada saída e somada no final.
Y's Processo
Entrada 1 (X01) 3 0 9 0 24+36
Entrada 2 (X02)
Entrada 3 (X03) Priorizar as entradas do
... processo de acordo com o
Entrada n (Xn) impacto encontrado.
 Régua para Impacto:

 0 – não há relação;
 1 – baixa relação;
 3 – média relação,
 9 – alta relação.
06 FASE ANÁLISE
Resultados Finais:
• Haverá um estudo por parte da equipe de quais são os X’s de
maior impacto;
• Todos os membros da equipe terão seu conhecimento do processo
aumentado;
• Ao final da elaboração do Mapa de Processo, Espinha de Peixe e
Matriz Causa e Efeito, a equipe já terá um completo levantamento
(subjetivo) das características do processo que está sendo
melhorado.
06 FASE ANÁLISE
Matriz de Esforço x Impacto
A Espinha de Peixe e Matriz de Causa e Efeito podem ser

complementadas pela Matriz de Esforço e Impacto, onde o grupo
avaliará para cada entrada, quais são aquelas em que vale à pena
começar a tomar ações para reduzir os defeitos no processo,
coletar os dados para as análises e empreender recursos (tempo,
dinheiro, pessoas) para estudar o fator.
06 FASE ANÁLISE

1. Classificar o Esforço para cada uma das entradas.
Y's Processo
Pontuação
X's do Processo 8 10 4 2 TOTAL ESFORÇO
Entrada 1 (X01) 3 0 9 0 24+36 BAIXO 3
Entrada 2 (X02) ALTO 6

Priorizar as entradas do
Entrada 3 (X03)
...
processo de acordo com o
Entrada n (Xn) esforço encontrado.
 Régua para Esforço:

 1 a 4 – Esforço Baixo;
 5 a 8 – Esforço Alto.
06 FASE ANÁLISE
ALTO
• Xn
• X02
Esforço
• X01
BAIXO
• X03 • X05
BAIXO ALTO
Impacto
06 FASE ANÁLISE
Esforço para:
- Implementação das
ALTO
• Xn
mudanças
- •Coleta de dados
X02
Esforço
- Tempo para análise

- Custo
• X01
BAIXO
• X05 Alimentado pela

• X03
Matriz de Causa e
Efeito
BAIXO ALTO
Impacto
06 FASE ANÁLISE

Propor as ações de acordo com cada quadrante da matriz (Fase de Implementação)
Pode requerer
Pode requerer
investimentos, maiores
ALTO
esforços e custos, investimentos,

• Xn
além de não maiores esforços e
• X02trazer
impactos significativos custos
Esforço
Eventuais
• X01 ações ver-
BAIXO
e-agir, que podem FOCO!

não trazer•impactos
X03 -Tomar ações ver-e-agir
significativos - Elaborar o plano de
coleta dos dados
- Elaborar plano de
análise do potencial
BAIXO ALTO problema
Impacto
06 FASE ANÁLISE
Exercício
06 FASE ANÁLISE
Exercício
ALTO
Esforço
BAIXO
BAIXO ALTO
Impacto
07 CEP – CONTROLE ESTATÍSTICO DO
PROCESSO
07 CONTROLE ESTATÍSTICO DO PROCESSO
Controle Estatístico de Processos Introdução
Os gráficos de controle possuem 3 objetivos básicos:
- verificar se o processo estudado é estatisticamente estável, ou seja, se não há presença

de causas especiais de variação;
- verificar se o processo estudado permanece estável, indicando quando é necessário atuar

sobre o mesmo;
- permitir o aprimoramento do processo, mediante a redução da variabilidade.

Elementos
Controle Estatístico de Processos
Um gráfico de controle é um conjunto de pontos (amostras) ordenados, no tempo, que são

interpretados em função de linhas horizontais, chamadas de LSC (limite superior de controle)
e LIC (limite inferior de controle). A figura abaixo apresenta um exemplo típico.
Xbar and R Chart for : C1
203.5
UCL=203.1
202.5
Means
201.5
200.5 M U=200.5
199.5
198.5
197.5 LCL=197.9
Subgroup 0 10 20 30 40 50
10 UCL=9.625
Ranges
5 R=4.552
0 LCL=0.000
Elementos
Controle Estatístico de Processos
Amplitude (Largura)
= diferença entre o
valor mais alto e o
valor mais baixo
Média = média entre

os pontos do subgrupo
Controle Estatístico de Processos Elementos
Média das Médias
Y = Peso (lbs)
Gráfico das Médias
Amplitude Média
R=1.0
R=0.5
Amplitude (largura)= R=1.5
Y = Peso (lbs)
R =1.0
A teoria estatística desenvolvida por Shewhart, para o cálculo dos limites de controle baseia-
se na ideia de que, sendo o processo estudado estável, então uma estatística qualquer
calculada a partir dos dados fornecidos pelas amostras terá uma probabilidade próxima a um
de estar no intervalo de mais ou menos três desvios-padrões, a partir da média populacional.
Quando um valor observado cair fora deste intervalo, assume-se que a hipótese de
estabilidade do processo não mais é válida, indicando a presença de uma causa especial de
variação.
Na prática, como não se conhece nem o valor da média nem o do desvio-padrão da

população, torna-se necessário substituí-los por estatísticas fornecidas pelas amostras.
No cálculo dos limites de controle e obtenção de amostras, as seguintes regras devem ser
obedecidas:
- o desvio padrão utilizado deve ser sempre estimado com base na variação dentro da
amostra;
- os gráficos sempre utilizam limites de controle localizados à distância de 3 desvios padrões da

linha média;
- os dados devem ser obtidos e organizados em amostras (ou subgrupos) segundo algum
critério racional, visando permitir a obtenção das respostas necessárias;
- o conhecimento obtido através dos gráficos de controle deve ser empregado para modificar
as ações, conforme adequado.
Responda para este quadro: o

processo representado está estável
ou não?
Média Disp. Média Disp. Média Disp. Média Disp.

Estável?
Sim / Não
Ao invés de olhar todas as saídas do processos, olhemos 3 pontos por hora, por exemplo:
= Medida Individual
= Média do Subgrupo
10.5 10 9.5 10.5 10 9.5

Y = Peso (lbs) Y = Peso (lbs)
Controle Estatístico de Processos Construção Gráficos

de Controle
Na construção de gráficos de controle, certos passos devem ser seguidos, de modo a permitir
a sua correta análise. Estas são as etapas:
- coletar dados durante um certo período de tempo, até que todos os tipos de variação que se
deseja observar sejam coletados;
- calcular as estatísticas que resumem a informação contida nos dados (médias, amplitudes,
desvios padrões, proporções, número de defeitos, etc);
- calcular os limites de controle com base nas estatísticas;
- marcar os pontos nos gráficos de controle e uni-los para facilitar a visualização ao longo do
processo;
- marcar os limites de controle;
- analisar os gráficos de controle quanto à presença de causas especiais (tendências, ciclos,
estratificação e etc);
- quando for detectada a presença de causas especiais, buscar identificar, eliminar e prevenir
a sua repetição.
Mantendo um Gráfico X-Barra, Amplitude (R)

DADOS
# 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
1 72 74 75 73 74 70 75
MEDIDAS
2 67 73 68 74 75 62 74
3 72 82 80 80 74 72 71
4 75 78 72 79 73 66 68
Soma 286 307 295
Média 72 77 74
R 8 9 12
Obs.:
Complete o quadro!
85
80
• LSC=
75
•
MÉDIA
70
• MÉDIA GERAL=
65 LIC=
60
30
AMPLITUDE
20 LSC=
10
• • • AMPLITUDE MÉDIA=
0 LIC=
Componentes de um Gráfico de Controle

Componentes de um Gráfico de Controle
EIXO-Y
(RESPOSTA)
LSC
Algo que Estamos Medindo
LIMITE SUPERIOR DE CONTROLE
LINHA CENTRAL
LIC LIMITE INFERIOR DE CONTROLE
TEMPO
Aplicando as Regras
EIXO-Y
(RESPOSTA)
LSC
3 Sigma
2 Sigma
Algo que Estamos
1 Sigma
Medindo
1 Sigma
2 Sigma
3 Sigma
LIC
TEMPO
Regra do Desvio Padrão
NÚMEROS DE DESVIO REGRA ESTATÍSTICA

PADRÃO
+/- 1s DENTRO ENCONTRAM- 60-75%

SE X% DOS DADOS
+/- 2s 90-98%
+/- 3s 99-99,9%

EIXO-Y
(RESPOSTA)
LSC
3 Sigma
2 Sigma
Algo que Estamos
1 Sigma
Medindo
60-75% 90-98% 99-99,9%

1 Sigma
2 Sigma
3 Sigma
LIC
TEMPO

REGRA #1: UM PONTO FOR A DO LIMITE 3-SIGMA
EIXO-Y
(RESPOSTA)
LSC
3 Sigma
Algo que Estamos
2 Sigma
Medindo
1 Sigma
1 Sigma
2 Sigma
3 Sigma
LIC
ONDE CAIRÃO OS DADOS CASO A REGRA #1 SEJA VIOLADA? QUAL A PROBABILIDADE DE OCORRÊNCIA?

REGRA #2: 2 DE 3 PONTOS CONSECUTIVOS FOR A DO LIMITE DE 2-SIGMA DO
MESMO LADO DA LINHA DE CENTRO
EIXO-Y
(RESPOSTA)
LSC
3 Sigma
Algo que Estamos
2 Sigma
Medindo
1 Sigma
1 Sigma
2 Sigma
3 Sigma
LIC

REGRA #3: 4 DE 5 PONTOS CONSECUTIVOS FOR A DO LIMITE DE 1-SIGMA DO
MESMO LADO DA LINHA DE CENTRO
EIXO-Y
(RESPOSTA)
LSC
3 Sigma
Algo que Estamos
2 Sigma
Medindo
1 Sigma
1 Sigma
2 Sigma
3 Sigma
LIC

REGRA #4: 9 PONTOS CONSECUTIVOS DO MESMO LADO DA LINHA DE CENTRO
EIXO-Y
(RESPOSTA)
LSC
3 Sigma
Algo que Estamos
2 Sigma
Medindo
1 Sigma
1 Sigma
2 Sigma
3 Sigma
LIC
Controle Estatístico de Processos Observando Processos

Fora de Controle
Após a observação do gráfico de controle, deve-se analisar se há algum comportamento ou
informação não esperada.Seguem alguns testes de não-aleatoriedade, tidos como causas
especiais:
Teste Critério
1. Ponto fora dos limites de controle - Um único ponto acima de LSC ou

abaixo de LIC
2. Presença de ciclos ou tendências - Seis pontos consecutivos aumentando ou
diminuindo
- Pontos oscilando para cima e para baixo,
formando ciclos
3. Estratificação ou falta de variabilidade - Quinze pontos consecutivos se alternando
para baixo e para cima
4. Seqüência de pontos próximos dos limites - Oito pontos consecutivos fora do limite de 3-
Sigma
- Dois em três pontos consecutivos fora do
limite de 2-Sigma
- Quatro de cinco pontos consecutivos fora do
limite de 1-Sigma
5. Seqüência de pontos do mesmo lado da média - Nove pontos consecutivos do mesmo lado da
linha de centro

Fora de Controle
1 2 3 4 5 6 7 8
+3s
Limite Superior de Controle (UCL)
+2s
+1s
-1s
- 2s
- 3s
Limite Inferior de Controle (LCL)
1 2 3 4 5 6 7 8

Fora de Controle
MÉDIA BAIXA PROBABILIDADE DE
OCORRER! SE OCORRER, SERÁ UM
. . . . . . . .. .
PROBLEMA
LSC
. . . ... .. . ..
OBSERVE A TENDÊNCIA CENTRAL
DO PROCESSO E O FORMATO FINAL
=
. .
DO DADOS – LEMBRE-SE QUE CADA X
PONTO É A MÉDIA DOS GRUPOS – A
DISTRIBUIÇÃO DAS MÉDIAS SEGUE
.
UMA DISTRIBUIÇÃO NORMAL
LIC
AMPLITUDE
. . .
LSC
... . . . . ...
. . . .
DISTRIBUIÇÃO DA VARIAÇÃO
. .
OBSERVADA DENTRO DOS
.
SUBGRUPOS – AQUI APLICA-SE _
TAMBÉM AS REGRAS DA PÁGINA R
ANTERIOR
LIC
Detectando Processos Fora de Controle Uso do Minitab
Na seqüência, mostraremos como detectar problemas com as regras de falta de controle

do processo através do Minitab. Através do arquivo: “Regra1.MTW”.
O comando básico é: (vamos usar o comando para gráfico X-R; posteriormente veremos
outros tipos de cartas de controle)
Coloque a
variável de
análise
Informe o
tamanho do
subgrupo
Clique por final

nesta opção
Basta agora
testarmos as
opções das
provas
estatísticas
Os pontos fora de controle também são

observados na SESSION do Minitab: o Gráfico de
ponto que está fora de controle é controle –
explicado sobre a regra que está violando observe os
pontos
assinalados em
vermelho: são
os pontos fora
de controle
Exercício: Faça a análise sobre controle de processos para os arquivos REGRA2.MTW,

REGRA3.MTW e REGRA4.MTW.
Controle Estatístico de Processos Limites de Controle ...

Ou Limite de Especificação?
LIE E LSE = ESPECIFICAÇÕES DO CLIENTE – INDEPENDEM DO PROCESSO – SÃO REQUERIMENTOS EXTERNOS E
PORTANTO DEVEM SER ATENDIDOS
LIC E LSC = LIMITES DO PROCESSO – DEPENDEM DO PROCESSO – SÃO CONDIÇÕES ASSOCIADAS AO FUNCIONAMENTO
DO PROCESSO
GERA DEFEITOS? SIM NÃO GERA DEFEITOS? SIM NÃO

Controle Estatístico de Processos Escolha do Gráfico de

Controle Mais Adequado
ATRIBUTO VARIÁVEL
TIPOS DE
DADOS?
SUBGRUPOS
INDIVIDUAIS
DEFEITOS OU SUBGRUPOS OU RACIONAIS
DEFEITUOSOS? INDIVIDUAIS?
DEFEITOS DEFEITUOSOS
(POISSON) (BINOMIAL)
GRÁFICO IM-R
ÁREA DE OPORTUNIDADE TAMANHO DA AMOSTRA SUBGRUPOS

É CONSTANTE? CONSTANTE? >6?
NÃO SIM NÃO SIM NÃO SIM
GRÁFICO U GRÁFICO C GRÁFICO P GRÁFICO NP X-BARRA R X-BARRA S


TIPO DE PROPÓSITO APLICAÇÃO TAMANHO COMENTÁRIOS

GRÁFICO SUB GRUPO
Monitorar a média. Quando pode-se fazer a
n>1
Média (X) de uma amostragem de mais de
característica 3 unidades por espaço
ao decorrer do de tempo
tempo
Monitorar a Usado com os gráficos

variabilidade de uma X quando o tamanho da 2< n < 6
Amplitude (R) característica / tempo amostra for <6
Monitorar a
Desvio variabilidade de Usado com os gráficos
n>6
uma X quando o tamanho da
Padrão (S) característica / amostra for >6
tempo
Áreas de produção
Monitorar a
X Individual & variabilidade
requerem
longos períodos de
Amplitude Móvel de uma característica tempo para n=1
individual ao decorrer obter uma única
(I & MR) do tempo amostra que é
significativa.

TIPO DE PROPÓSITO APLICAÇÃO TAMANHO COMENTÁRIOS

GRÁFICO SUB GRUPO
Monitorar o nº de Tamanho do subgrupo fixo, o que
Número de defeituosos em elimina a necessidade de refazer
os limites de controle para
Tamanho do sub
um sub grupo grupo deve
Defeituosos (np) nº de Un.
cada sub grupo. ser fixo
Mais conveniente que o gráfico-p
Rejeitadas
Tamanhos variáveis de
Monitorar a fração Normalmente usado em pontos subgrupos devem ser
Fração de defeituosos em de controle de qualidade onde 1
ou mais atributos do produto
grandes o suficiente
para resultarem em
um sub grupo
Defeituosa (p) Unidades Rejeitadas
são inspecionados e resultam uma alta probabilidade
de que pelo menos 1
em uma condição
Unidades Inspec. passou/falhou para a unidade. defeito está presente
no subgrupo
Área de
Número de oportunidade
Monitorar o nº de Monitorar o nº de defeitos é de tamanho
Defeitos por defeitos por (imperfeições) por unid. constante
de inspec.
subgrupo (c) unid. de inspec. (tamanho = 1 Unid.
de Inspc.)
Tamanho da “área de
oportunidade” pode
Nº Médio de Monitorar o nº de Monitorar o nº de defeitos
variar -- sendo
descrito como um
Defeitos por defeitos por (imperfeições) por unid. de
inspec.
número de unidades
unid. de inspec. (sendo que a definição
Unidades (u) de Unidades de
Inspeção permanece
igual)
Por Que Controlar um Processo?

O QUE PODE SER DITO SOBRE UM PROCESSO INSTÁVEL? …. MUITO POUCO!!!
Se apenas as causas comuns de variação

estão presentes, a saída de um processo
forma uma distribuição que é estável e
previsível ao decorrer do tempo.
?
Se existem causas especiais de variação,
a saída do processo não é estável e não
previsível ao decorrer do tempo.
Não temos como saber o que acontecerá:
- Amanhã
- Entre amostras
Estudo Sobre os Gráficos de Controles

COMANDOS NO MINITAB – VARIÁVEIS CONTÍNUAS
DADOS COM SUBGRUPOS
GRÁFICO X-BARRA R (SUBGRUPO <5)
GRÁFICO X-BARRA S (SUBGRUPO >5)
DADOS INDIVIDUAIS
GRÁFICO I-MR

COMANDOS NO MINITAB – VARIÁVEIS ATRIBUTOS
GRÁFICO P
GRÁFICO NP
GRÁFICO C
GRÁFICO U
 Defeituoso é um item em uma amostra que tem uma ou

mais não-conformidade (s) com os critérios especificados.
 Defeito é cada não-conformidade com os critérios de

aceitação especificados.
CEP - NP-Chart
• Monitorar itens defeituosos

• Tamanho da amostra constante necessária
• Plota o número de itens com defeito por amostra
Linha Central
np =  np / k
(np = # defeituosos ; k = # subgrupos)
Limites de Controle
UCLnp = np + 3 np(1-p)
LCLnp = np - 3 np(1-p)
CEP - P Control Chart
• Gráfico usado para itens defeituosos

• Pode ser usado com amostra variável
• Plota a fração/percetual defeituoso
Linha Central
p = np / nk
(np = # de defeituosos; nk = # total de amostras;n=tamanho da amostra )
Limites de Controle
UCLp = p + 3 p(1-p) / n
LCLp = p - 3 p(1-p)/n
CEP - C Control Chart
• Monitorar defeitos
• Tamanho da amostra constante necessária
• Plota número de defeitos em cada amostra
Linha Central
c = c / k
(c = # de defeitos; k = # de subgrupos)
Limites de controle
UCLc = c + 3 c LCL c = c - 3 c
CEP - U-Chart
• Monitorar defeitos
• Tamanho da amostra constante não necessária
Linha Central
u=c/n
(c = # de defeitos; n = # tamanho da amostra)
Limites de controle
UCLu = u + 3 u / n LCLu = u - 3 u / n
Controle Estatístico de Processos Exercícios
Exercício: Escolha a carta de controle apropriada e veja se o processo está sob controle
ou não para os seguintes casos (anote abaixo de cada caso seus comentários e
conclusões):
Caso 01: Em uma empresa, às vezes as ordens de compras (OC) são emitidas com erros,
comprometendo o tempo de aquisição de materiais.
Semanalmente, foram selecionadas de modo aleatório 250 OC’s, verificando em quantas
delas contém erros.
Avalie o controle deste processo (arquivo “ORDENCOMPRA.MTW”).
Caso 02: A área comercial de uma empresa está monitorando a quantidade de reclamações
feitas por clientes ao longo das últimas semanas. Os dados estão no arquivo “reclama.mtw”.
a) Que tipo de gráfico pode ser utilizado neste caso?
b) A quantidade de reclamações tem desempenho previsível?
c) Por onde você recomendaria o início do ataque dos problemas?

Caso 03: A área de planejamento de uma empresa está fazendo um acompanhamento do

desempenho de um fornecedor através da verificação de lotes entregues por mês versus lotes
reprovados. Os dados estão no arquivo “proveedor.mtw”:
a) Que tipo de gráfico pode ser utilizado neste caso?
b) A quantidade de reclamações tem desempenho previsível?
c) Para o próximo mês, qual deve ser o valor de lotes reprovados?

08 CAPABILIDADE
08 CAPABILIDADE
Por que o Seis Sigma?

08 CAPABILIDADE
Por que o Seis Sigma?
 Quanto produzimos por dia em nossa Planta?
 Quanto produzimos por ano?
 Qual nosso nível sigma de Off?
 Qual nosso nível sigma de Varredura?
 Se nossos processo fossem 3 Sigma para Off e Varredura....
$$$$$$$
08 CAPABILIDADE
O que é capabilidade?
• Capacidade do Processo???
• Controle do Processo???
• Competência do processo???
08 CAPABILIDADE
 Podemos ter um processo sob

controle e não capaz???
 E um processo capaz não

controlado???
08
01 CAPABILIDADE
O que é Capabilidade do Processo?
• Uma medida da habilidade do processo de não

produzir nenhum defeito no tempo
• A medida é chamada valor Cpk (ou Cp)
• Nível Sigma = 3*Cpk (ou 3*Cp)
• Lembra-se da introdução ao Seis Sigma & 3.4
DPM?
68
08
01 CAPABILIDADE
Como Isso Ajuda?

• Quantifica a melhoria do processo
• Combina o desempenho do processo com as
expectativas do cliente
• Ajuda a identificar como melhorar o
desempenho do processo
• Ajuda a recolher e analisar dados de uma saída
de um processo. E isso é chamado de Estudo
de Capabilidade do Processo
69
08 CAPABILIDADE
Conduzindo Estudos de Capabilidade
COLETA DE DADOS DISTRIB. NORMAL NORMAL
OU NÃO NORMAL?
CAPABILIDADE UTILIZANDO:
NÃO-NORMAL NORMAL
- DADOS COLETADOS
CONTÍNUO
Y CONTÍNUO OU - SUBGRUPO
- ZST = ZLT + 1,50
DISCRETO?
OPCIONAL <MINITAB: STAT> QUALITY TOOLS>
CAPABILITY ANALYSIS> NORMAL>
TRANSFORMAÇÃO BOX COX:

- RESPOSTA: NOVA CURVA
ENCONTRAR MELHOR
DISCRETO
AJUSTADA NÃO- CURVA AJUSTADA
NORMAL
<MINITAB: STAT> RELIABILITY
<MINITAB: STAT> CONTROL CHARTS>BOX SURVIVAL> DISTRIBUTION
COX TRANSFORMATION ANALYSIS> DISTRIBUTION ID PLOT>
CAPABILIDADE :
- UNIDADES NÃO- CAPABILIDADE UTILIZANDO:
- OPORTUNIDADES NORMAL
DISTRIB. NORMAL - DADOS COLETADOS
- SUBGRUPO
- DEFEITOS DISCRETIZAÇÃO OU NÃO NORMAL? - ZST = ZLT + 1,50
<CAPABILIDADE_ATRIBUTO.XLS> <MINITAB: STAT> QUALITY TOOLS>

CAPABILITY ANALYSIS> NO-
NORMAL>
08 CAPABILIDADE
Conduzindo Estudos de Capabilidade

Retomando os conceitos da curva Normal:
68%
40%
Probabilidade do valor da amostra
30% 95%
20%
99,73%
10%
0%
m-4s m-3s m-2s m-1s m m+1s m+2s m+3s m+4s Eixo X

Substituindo-se os valores de m, s e X (dado no eixo X), chega-se à
p(x > a) = 1 e-(1/2)[(x - m)/s]2 dx
s 2 probabilidade de ocorrência colocada acima.
a
08 CAPABILIDADE
Dados Contínuos
O Cálculo de Z Transformado Distribuição Normal
Com os conceitos vistos anteriormente, podemos agora associar à curva que representa o
processo estudado o valor de “Z”.
O valor da estatística Z é a distância de um valor “x” qualquer até a média em quantidade de
desvios-padrão
VALOR FIXADO NO EIXO ‘X’
MÉDIA POPULACIONAL
VALOR DE ‘Z’ CALCULADA
x-m
Z= s
DESVIO PADRÃO
POPULACIONAL CALCULADA
08 CAPABILIDADE
Dados Contínuos
O Cálculo de Z Transformado Distribuição Normal
68%
Probabilidade do valor da amostra
40%
30% 95%
20%
99,73%
10%
0%
Eixo Z
-4 -3 -2 -1 0 1 2 3 4
m-4s m-3s m-2s m-1s m m+1s m+2s m+3s m+4s Eixo X

08 CAPABILIDADE
Dados Contínuos
Distribuição da População Abaixo da Distribuição Normal
Curva de Probabilidade Normal Padrão
Z>0 Z<0
Para qualquer valor “z” específico, a área Da mesma forma, para -z, a área abaixo da
abaixo da curva à direita de z é igual a curva à esquerda de -z é igual a
probabilidade que um membro da população probabilidade que um membro da população
(x) selecionado ao acaso irá medir igual ou (x) selecionado ao léu irá medir igual ou
maior que z. menor que z.
P{x > z} P{x > z}
m z z m
08 CAPABILIDADE
Dados Contínuos
Sabemos, então, que o termo usado para normalizar a distribuição dos dados é a
estatística “Z”, que é uma relação de dois valores absolutos e, portanto, sem dimensão.
Como faremos quando o valor da estatística “Z” for diferente de 0; +1; +2; +3
z= (x - m)
s
z
m +1s +2s +3s +4s
X
08 CAPABILIDADE
LINHA
Tabela da Estatística “Z” Z

0.0
0
5.00E-01
0.01
4.96E-01
0.02
4.92E-01
0.03
4.88E-01
0.04
4.84E-01
0.05
4.80E-01
0.06
4.76E-01
0.07
4.72E-01
0.08
4.68E-01
0.09
4.64E-01
0.1 4.60E-01 4.56E-01 4.52E-01 4.48E-01 4.44E-01 4.40E-01 4.36E-01 4.33E-01 4.29E-01 4.25E-01
0.2 4.21E-01 4.17E-01 4.13E-01 4.09E-01 4.05E-01 4.01E-01 3.97E-01 3.94E-01 3.90E-01 3.86E-01
0.3 3.82E-01 3.78E-01 3.75E-01 3.71E-01 3.67E-01 3.63E-01 3.59E-01 3.56E-01 3.52E-01 3.48E-01
0.4 3.45E-01 3.41E-01 3.37E-01 3.34E-01 3.30E-01 3.26E-01 3.23E-01 3.19E-01 3.16E-01 3.12E-01
0.5 3.09E-01 3.05E-01 3.02E-01 2.98E-01 2.95E-01 2.91E-01 2.88E-01 2.84E-01 2.81E-01 2.78E-01
0.6 2.74E-01 2.71E-01 2.68E-01 2.64E-01 2.61E-01 2.58E-01 2.55E-01 2.51E-01 2.48E-01 2.45E-01
0.7 2.42E-01 2.39E-01 2.36E-01 2.33E-01 2.30E-01 2.27E-01 2.24E-01 2.21E-01 2.18E-01 2.15E-01
0.8 2.12E-01 2.09E-01 2.06E-01 2.03E-01 2.01E-01 1.98E-01 1.95E-01 1.92E-01 1.89E-01 1.87E-01
z
0.9 1.84E-01 1.81E-01 1.79E-01 1.76E-01 1.74E-01 1.71E-01 1.69E-01 1.66E-01 1.64E-01 1.61E-01
1.0 1.59E-01 1.56E-01 1.5 39E01 1.52E-01 1.49E-01 1.47E-01 1.45E-01 1.42E-01 1.40E-01 1.38E-01
1.1 1.36E-01 1.34E-01 1.31E-01 1.29E-01 1.27E-01 1.25E-01 1.23E-01 1.21E-01 1.19E-01 1.17E-01
1.2 1.15E-01 1.13E-01 1.11E-01 1.09E-01 1.08E-01 1.06E-01 1.04E-01 1.02E-01 1.00E-01 9.85E-02
1.3 9.68E-02 9.51E-02 9.34E-02 9.18E-02 9.01E-02 8.85E-02 8.69E-02 8.53E-02 8.38E-02 8.23E-02
1.4 8.08E-02 7.93E-02 7.78E-02 7.64E-02 7.49E-02 7.35E-02 7.21E-02 7.08E-02 6.94E-02 6.81E-02
COLUNA 1.5 6.68E-02 6.55E-02 6.43E-02 6.30E-02 6.18E-02 6.06E-02 5.94E-02 5.82E-02 5.71E-02 5.59E-02
1.6 5.48E-02 5.37E-02 5.26E-02 5.16E-02 5.05E-02 4.95E-02 4.85E-02 4.75E-02 4.65E-02 4.55E-02
Exemplo : 1.7 4.46E-02 4.36E-02 4.27E-02 4.18E-02 4.09E-02 4.01E-02 3.92E-02 3.84E-02 3.75E-02 3.67E-02
1.8 3.59E-02 3.52E-02 3.44E-02 3.36E-02 3.29E-02 3.22E-02 3.14E-02 3.07E-02 3.01E-02 2.94E-02
1.9 2.87E-02 2.81E-02 2.74E-02 2.68E-02 2.62E-02 2.56E-02 2.50E-02 2.44E-02 2.39E-02 2.33E-02
2.0 2.28E-02 2.22E-02 2.17E-02 2.12E-02 2.07E-02 2.02E-02 1.97E-02 1.92E-02 1.88E-02 1.83E-02
Probabilidade de z>1,25 2.1 1.79E-02 1.74E-02 1.70E-02 1.66E-02 1.62E-02 1.58E-02 1.54E-02 1.50E-02 1.46E-02 1.43E-02
2.2 1.39E-02 1.36E-02 1.32E-02 1.29E-02 1.26E-02 1.22E-02 1.19E-02 1.16E-02 1.13E-02 1.10E-02
2.3 1.07E-02 1.04E-02 1.02E-02 9.90E-03 9.64E-03 9.39E-03 9.14E-03 8.89E-03 8.66E-03 8.42E-03
2.4 8.20E-03 7.98E-03 7.76E-03 7.55E-03 7.34E-03 7.14E-03 6.95E-03 6.76E-03 6.57E-03 6.39E-03
2.5 6.21E-03 6.04E-03 5.87E-03 5.70E-03 5.54E-03 5.39E-03 5.23E-03 5.09E-03 4.94E-03 4.80E-03
1,25 = 1,2 + 0,05 2.6 4.66E-03 4.53E-03 4.40E-03 4.27E-03 4.15E-03 4.02E-03 3.91E-03 3.79E-03 3.68E-03 3.57E-03
2.7 3.47E-03 3.36E-03 3.26E-03 3.17E-03 3.07E-03 2.98E-03 2.89E-03 2.80E-03 2.72E-03 2.64E-03
2.8 2.56E-03 2.48E-03 2.40E-03 2.33E-03 2.26E-03 2.19E-03 2.12E-03 2.05E-03 1.99E-03 1.93E-03
2.9 1.87E-03 1.81E-03 1.75E-03 1.70E-03 1.64E-03 1.59E-03 1.54E-03 1.49E-03 1.44E-03 1.40E-03
COLUNA LINHA
3.0 1.35E-03 1.31E-03 1.26E-03 1.22E-03 1.18E-03 1.14E-03 1.11E-03 1.07E-03 1.04E-03 1.00E-03
3.1 9.68E-04 9.35E-04 9.04E-04 8.74E-04 8.45E-04 8.16E-04 7.89E-04 7.62E-04 7.36E-04 7.11E-04
= 1,06 E-01 3.2
3.3
6.87E-04
4.84E-04
6.64E-04
4.67E-04
6.41E-04
4.50E-04
6.19E-04
4.34E-04
5.98E-04
4.19E-04
5.77E-04
4.04E-04
5.57E-04
3.90E-04
5.38E-04
3.76E-04
5.19E-04
3.63E-04
5.01E-04
3.50E-04
3.4 3.37E-04 3.25E-04 3.13E-04 3.02E-04 2.91E-04 2.80E-04 2.70E-04 2.60E-04 2.51E-04 2.42E-04
3.5 2.33E-04 2.24E-04 2.16E-04 2.08E-04 2.00E-04 1.93E-04 1.86E-04 1.79E-04 1.72E-04 1.66E-04
3.6 1.59E-04 1.53E-04 1.47E-04 1.42E-04 1.36E-04 1.31E-04 1.26E-04 1.21E-04 1.17E-04 1.12E-04
= 0,106 (dica: “-01” é a quantidade 3.7
3.8
1.08E-04
7.25E-05
1.04E-04
6.96E-05
9.97E-05
6.69E-05
9.59E-05
6.42E-05
9.21E-05
6.17E-05
8.86E-05
5.92E-05
8.51E-05
5.68E-05
8.18E-05
5.46E-05
7.85E-05
5.24E-05
7.55E-05
5.03E-05
3.9 4.82E-05 4.63E-05 4.44E-05 4.26E-05 4.09E-05 3.92E-05 3.76E-05 3.61E-05 3.46E-05 3.32E-05
de “0” ao lado esquerdo do número)
4.0 3.18E-05 3.05E-05 2.92E-05 2.80E-05 2.68E-05 2.57E-05 2.47E-05 2.36E-05 2.26E-05 2.17E-05
4.1 2.08E-05 1.99E-05 1.91E-05 1.82E-05 1.75E-05 1.67E-05 1.60E-05 1.53E-05 1.47E-05 1.40E-05
4.2 1.34E-05 1.29E-05 1.23E-05 1.18E-05 1.13E-05 1.08E-05 1.03E-05 9.86E-06 9.43E-06 9.01E-06
4.3 8.62E-06 8.24E-06 7.88E-06 7.53E-06 7.20E-06 6.88E-06 6.57E-06 6.28E-06 6.00E-06 5.73E-06
=10,6 % 4.4 5.48E-06 5.23E-06 5.00E-06 4.77E-06 4.56E-06 4.35E-06 4.16E-06 3.97E-06 3.79E-06 3.62E-06
4.5 3.45E-06 3.29E-06 3.14E-06 3.00E-06 2.86E-06 2.73E-06 2.60E-06 2.48E-06 2.37E-06 2.26E-06
4.6 2.15E-06 2.05E-06 1.96E-06 1.87E-06 1.78E-06 1.70E-06 1.62E-06 1.54E-06 1.47E-06 1.40E-06
4.7 1.33E-06 1.27E-06 1.21E-06 1.15E-06 1.10E-06 1.05E-06 9.96E-07 9.48E-07 9.03E-07 8.59E-07
4.8 8.18E-07 7.79E-07 7.41E-07 7.05E-07 6.71E-07 6.39E-07 6.08E-07 5.78E-07 5.50E-07 5.23E-07
4.9 4.98E-07 4.73E-07 4.50E-07 4.28E-07 4.07E-07 3.87E-07 3.68E-07 3.50E-07 3.32E-07 3.16E-07
08 CAPABILIDADE
Z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
Tabela da Estatística “Z” 5.0

5.1
3.00E-07
1.80E-07
2.85E-07
1.71E-07
2.71E-07
1.62E-07
2.58E-07
1.54E-07
2.45E-07
1.46E-07
2.32E-07
1.39E-07
2.21E-07
1.31E-07
2.10E-07
1.25E-07
1.99E-07
1.18E-07
1.89E-07
1.12E-07
5.2 1.07E-07 1.01E-07 9.59E-08 9.10E-08 8.63E-08 8.18E-08 7.76E-08 7.36E-08 6.98E-08 6.62E-08
5.3 6.27E-08 5.95E-08 5.64E-08 5.34E-08 5.06E-08 4.80E-08 4.55E-08 4.31E-08 4.08E-08 3.87E-08
5.4 3.66E-08 3.47E-08 3.29E-08 3.11E-08 2.95E-08 2.79E-08 2.64E-08 2.50E-08 2.37E-08 2.24E-08
5.5 2.12E-08 2.01E-08 1.90E-08 1.80E-08 1.70E-08 1.61E-08 1.53E-08 1.44E-08 1.37E-08 1.29E-08
5.6 1.22E-08 1.16E-08 1.09E-08 1.03E-08 9.78E-09 9.24E-09 8.74E-09 8.26E-09 7.81E-09 7.39E-09
5.7 6.98E-09 6.60E-09 6.24E-09 5.89E-09 5.57E-09 5.26E-09 4.97E-09 4.70E-09 4.44E-09 4.19E-09
5.8 3.96E-09 3.74E-09 3.53E-09 3.34E-09 3.15E-09 2.97E-09 2.81E-09 2.65E-09 2.50E-09 2.36E-09
5.9 2.23E-09 2.11E-09 1.99E-09 1.88E-09 1.77E-09 1.67E-09 1.58E-09 1.49E-09 1.40E-09 1.32E-09
z 6.0 1.25E-09 1.18E-09 1.11E-09 1.05E-09 9.88E-10 9.31E-10 8.78E-10 8.28E-10 7.81E-10 7.36E-10
6.1 6.94E-10 6.54E-10 6.17E-10 5.81E-10 5.48E-10 5.16E-10 4.87E-10 4.59E-10 4.32E-10 4.07E-10
6.2 3.84E-10 3.61E-10 3.40E-10 3.21E-10 3.02E-10 2.84E-10 2.68E-10 2.52E-10 2.38E-10 2.24E-10
6.3 2.11E-10 1.98E-10 1.87E-10 1.76E-10 1.66E-10 1.56E-10 1.47E-10 1.38E-10 1.30E-10 1.22E-10
6.4 1.15E-10 1.08E-10 1.02E-10 9.59E-11 9.02E-11 8.49E-11 7.98E-11 7.51E-11 7.06E-11 6.65E-11
6.5 6.25E-11 5.88E-11 5.53E-11 5.20E-11 4.89E-11 4.60E-11 4.32E-11 4.07E-11 3.82E-11 3.59E-11
6.6 3.38E-11 3.18E-11 2.98E-11 2.81E-11 2.64E-11 2.48E-11 2.33E-11 2.19E-11 2.06E-11 1.93E-11
6.7 1.82E-11 1.71E-11 1.60E-11 1.51E-11 1.42E-11 1.33E-11 1.25E-11 1.17E-11 1.10E-11 1.04E-11
6.8 9.72E-12 9.13E-12 8.57E-12 8.05E-12 7.56E-12 7.10E-12 6.66E-12 6.26E-12 5.87E-12 5.52E-12
6.9 5.18E-12 4.86E-12 4.56E-12 4.28E-12 4.02E-12 3.77E-12 3.54E-12 3.32E-12 3.12E-12 2.93E-12
7.0 2.75E-12 2.58E-12 2.42E-12 2.27E-12 2.13E-12 2.00E-12 1.87E-12 1.76E-12 1.65E-12 1.55E-12
7.1 1.45E-12 1.36E-12 1.28E-12 1.20E-12 1.12E-12 1.05E-12 9.88E-13 9.26E-13 8.69E-13 8.15E-13
7.2 7.64E-13 7.16E-13 6.72E-13 6.30E-13 5.90E-13 5.54E-13 5.19E-13 4.86E-13 4.56E-13 4.28E-13
7.3 4.01E-13 3.76E-13 3.52E-13 3.30E-13 3.09E-13 2.90E-13 2.72E-13 2.55E-13 2.39E-13 2.24E-13
7.4 2.10E-13 1.96E-13 1.84E-13 1.72E-13 1.62E-13 1.51E-13 1.42E-13 1.33E-13 1.24E-13 1.17E-13
7.5 1.09E-13 1.02E-13 9.58E-14 8.98E-14 8.41E-14 7.87E-14 7.38E-14 6.91E-14 6.47E-14 6.06E-14
7.6 5.68E-14 5.32E-14 4.98E-14 4.66E-14 4.37E-14 4.09E-14 3.83E-14 3.58E-14 3.36E-14 3.14E-14
7.7 2.94E-14 2.76E-14 2.58E-14 2.42E-14 2.26E-14 2.12E-14 1.98E-14 1.86E-14 1.74E-14 1.63E-14
7.8 1.52E-14 1.42E-14 1.33E-14 1.25E-14 1.17E-14 1.09E-14 1.02E-14 9.58E-15 8.97E-15 8.39E-15
7.9 7.85E-15 7.35E-15 6.88E-15 6.44E-15 6.02E-15 5.64E-15 5.28E-15 4.94E-15 4.62E-15 4.32E-15
8.0 4.05E-15 3.79E-15 3.54E-15 3.31E-15 3.10E-15 2.90E-15 2.72E-15 2.54E-15 2.38E-15 2.22E-15
8.1 2.08E-15 1.95E-15 1.82E-15 1.70E-15 1.59E-15 1.49E-15 1.40E-15 1.31E-15 1.22E-15 1.14E-15
8.2 1.07E-15 9.99E-16 9.35E-16 8.74E-16 8.18E-16 7.65E-16 7.16E-16 6.69E-16 6.26E-16 5.86E-16
8 30 5.48E-16 5.12E-16 4.79E-16 4.48E-16 4.19E-16 3.92E-16 3.67E-16 3.43E-16 3.21E-16 3.00E-16
8.4 2.81E-16 2.62E-16 2.45E-16 2.30E-16 2.15E-16 2.01E-16 1.88E-16 1.76E-16 1.64E-16 1.54E-16
8.5 1.44E-16 1.34E-16 1.26E-16 1.17E-16 1.10E-16 1.03E-16 9.60E-17 8.98E-17 8.40E-17 7.85E-17
8.6 7.34E-17 6.87E-17 6.42E-17 6.00E-17 5.61E-17 5.25E-17 4.91E-17 4.59E-17 4.29E-17 4.01E-17
8.7 3.75E-17 3.51E-17 3.28E-17 3.07E-17 2.87E-17 2.68E-17 2.51E-17 2.35E-17 2.19E-17 2.05E-17
8.8 1.92E-17 1.79E-17 1.68E-17 1.57E-17 1.47E-17 1.37E-17 1.28E-17 1.20E-17 1.12E-17 1.05E-17
8.9 9.79E-18 9.16E-18 8.56E-18 8.00E-18 7.48E-18 7.00E-18 6.54E-18 6.12E-18 5.72E-18 5.35E-18
9.0 5.00E-18 4.68E-18 4.37E-18 4.09E-18 3.82E-18 3.57E-18 3.34E-18 3.13E-18 2.92E-18 2.73E-18
9.1 2.56E-18 2.39E-18 2.23E-18 2.09E-18 1.95E-18 1.83E-18 1.71E-18 1.60E-18 1.49E-18 1.40E-18
9.2 1.31E-18 1.22E-18 1.14E-18 1.07E-18 9.98E-19 9.33E-19 8.73E-19 8.16E-19 7.63E-19 7.14E-19
9.3 6.67E-19 6.24E-19 5.83E-19 5.46E-19 5.10E-19 4.77E-19 4.46E-19 4.17E-19 3.90E-19 3.65E-19
9.4 3.41E-19 3.19E-19 2.98E-19 2.79E-19 2.61E-19 2.44E-19 2.28E-19 2.14E-19 2.00E-19 1.87E-19
9.5 1.75E-19 1.63E-19 1.53E-19 1.43E-19 1.34E-19 1.25E-19 1.17E-19 1.09E-19 1.02E-19 9.56E-20
9.6 8.94E-20 8.37E-20 7.82E-20 7.32E-20 6.85E-20 6.40E-20 5.99E-20 5.60E-20 5.24E-20 4.90E-20
9.7 4.58E-20 4.29E-20 4.01E-20 3.75E-20 3.51E-20 3.28E-20 3.07E-20 2.87E-20 2.69E-20 2.52E-20
9.8 2.35E-20 2.20E-20 2.06E-20 1.93E-20 1.80E-20 1.69E-20 1.58E-20 1.48E-20 1.38E-20 1.29E-20
9.9 1.21E-20 1.13E-20 1.06E-20 9.90E-21 9.26E-21 8.67E-21 8.11E-21 7.59E-21 7.10E-21 6.64E-21
10.0 6.22E-21 5.82E-21 5.44E-21 5.09E-21 4.77E-21 4.46E-21 4.17E-21 3.91E-21 3.66E-21 3.42E-21
08 CAPABILIDADE
Dados Contínuos

Exercício: Estudou-se que a distribuição do consumo de soda no abatimento de cloro segue o modelo normal,
com média de 32 toneladas e desvio padrão de 18,9 ton.
Qual a probabilidade de haver um consumo entre 20 e 40 toneladas (faixa considerada regular para este tipo
de processo)? Desenhe na parte inferior da página a curva associada a este exemplo, representando como
serão feitos os cálculos.
Zinf = 20 – 32 = - 0,6349 Zsup = 40 – 32 = 0,4233

18,9 18,9
P(Z < Zinf ) = 2,64E-01 = 26,4% P(Z < Zsup ) = 3,37E-01 = 33,7%
39,9%
26,4% 33,7%
08 CAPABILIDADE
Dados Contínuos

Exercício: Certa vez, estudou-se que a distribuição dos dados do tempo de espera para reparo de uma torre
de resfriamento seguia uma distribuição normal com uma média de 266 horas e com um desvio padrão de 16
horas.
Baseado nestes dados, qual a probabilidade de um reparo ser realizado em menos de 234 horas ou de mais de
282 horas? Desenhe na parte inferior da página a curva associada a este exemplo, representando como serão
feitos os cálculos.
LIE = 234 LSE = 282
s = 16
P ( x < 234 ) P ( x > 282 )
m
= 266
08 CAPABILIDADE
Distribuição da População Abaixo da Curva de Probabilidade Normal Padrão
Resolução exercício pág 6-8:
Cálculo do ZLSE: Cálculo do ZLIE:
LSE = 282 LIE = 234

m = 266 m = 266
ZLSE = 282 – 266 ZLIE = 234 – 266
16 16
ZLSE = +1 ZLIE = -2
Consultando a tabela Z, Consultando a tabela Z,

temos que para Z = +1 temos que para Z = -2
a área abaixo da curva normal a área abaixo da curva normal
equivale a 1,59E-01 equivale a 2,28E-02
P(Z > ZLSE) = 15,9% P(Z < ZLIE) = 2,28%

08 CAPABILIDADE
Distribuição da População Abaixo da Curva de Probabilidade Normal Padrão
Resolução exercício pág 8:
P(Z < ZLIE) = 2,28% P(Z > ZLSE) = 15,9%
LIE = 234 LSE = 282

ZLIE = -2 ZLSE = +1
s = 16
m
= 266
P ( Z > ZLSE ) + P ( Z < ZLIE ) = 18,18%
08 CAPABILIDADE
REPORTANDO O NÍVEL SIGMA -

CONTÍNUO
08 CAPABILIDADE
Nível Sigma do Processo
Imagine um processo perfeitamente centrado, onde a distância entre a média e o limite de

especificação é de 6s . Qual a probabilidade de termos um defeito ?
LEMBRE-SE DE QUE ESTE

LSE
VALOR PODE SER OBTIDO
OBSERVANDO AS TABELAS
ESTATÍSTICAS: BASTA
s s s ss s
PROCURAR ONDE Z = 6,00
QUAL O VALOR DA
PROBABILIDADE P
ASSOCIADA
P ( Z>6)
ZLSE = 6 : P ( Z>6) = 1,25 / 1.000.000.000
P ( defeito ) = 1,25 / 1.000.000.000

08 CAPABILIDADE

Qual a maior distância (isto é, qual a pior situação) que o processo pode estar do valor alvo
se varia a longo prazo + 1,5s ?
ZST = 6s
LIE CURTO
LSE
PRAZO
P (Z < -4,5) = LONGO

3,4/1.000.000 PRAZO
ZLT=4,5s ZSHIFT=1,5s
08 CAPABILIDADE
Portanto, concluímos que um processo que tem capabilidade de longo prazo (ZLT) igual a 4,5s
tem uma probabilidade de defeitos de 3,4 por milhão .
Eliminando-se a variação desse processo ao longo do tempo (Zshift) e centralizando-o obtém-se

a capabilidade de curto prazo (ZST) que representa o melhor que o processo pode ser.
O ZST é que deve ser reportado como a capabilidade Sigma do processo.
Quando alguém fala que um processo é “X” Sigma é do ZST de que está falando .
08 CAPABILIDADE
Importante: Portanto para calcularmos a capabilidade para dados variáveis iremos coletar
dados por um período razoável de tempo (de modo a formar uma imagem do processo que
acredita-se representar a variação típica a qual o processo está normalmente sujeito).
Feito isso, calcularemos a distância da média até o limite de especificação mais próximo em
número de desvios padrões, o ZLT (essa é a capabilidade atual).
Adicionamos 1,5s e teremos o ZST (essa é a capabilidade potencial).
ZST = ZLT + 1,50

08 CAPABILIDADE
Uso do Minitab
Exemplo: Um dos principais clientes da Braskem Vinílicos investiu US$ 2MM na construção de
uma sala limpa em sua unidade para fornecimento de laminados rígidos de PVC para a
industria farmacêutica, cuja finalidade é produzir blister para embalagem de medicamentos.
Porém, o laminado passou a apresentar um problema técnico de deslizamento (denominado

“slip”) durante o processo de manufatura de seu Cliente farmacêutico, o que gerou perdas
de 25% em suas vendas nos últimos 2 anos; O objetivo do projeto foi realizar parceria
técnica para aumentar a característica de “slip” nos laminados produzidos, à partir do uso de
ferramentas 6 sigma, e retomar suas vendas para este segmento de mercado.
Realize o estudo de capabilidade deste projeto – os dados estão no arquivo “slip.MTW”.

Trabalhe com o limite superior da característica slip sendo 3.
08 CAPABILIDADE
Uso do Minitab
Inicialmente, deve-se avaliar a normalidade do processo:
Recordando: STAT > BASICS STATISTICS > NORMALITY TEST
Como p>0,05, trata-se de um

processo normal.
08 CAPABILIDADE
Uso do Minitab
Verificada a normalidade da distribuição, entre com os seguintes comandos e dados no Minitab:
COLOCAR A VARIÁVEL ‘Y’ IDENTIFICAR O SUBGRUPO
COLOCAR O LIMITE
INFERIOR E/OU SUPERIOR
DE ESPECIFICACAO (PELO
MENOS UM DELES)
08 CAPABILIDADE
Uso do Minitab
SELEÇÃO REFERENTE À
VARIAÇÃO NO LONGO
PRAZO (ZLT)
08 CAPABILIDADE
Uso do Minitab
ZLT
ZST = O,71 + 1,50

= 2,21
DICA: no Minitab, Overall está
relacionado ao conceito de LT (Longo
Prazo)
Probabilidade de estar acima do limite

superior de especificação = 238.002 PPM
Calculando o
CPk
08
01 CAPABILIDADE
Voz do Processo
Voz do Processo
93
08
01 CAPABILIDADE
Voz do Cliente
Limite
Superior da
Especificação
Limite
Inferior da
Especificação
Voz do Cliente
94
08
01 CAPABILIDADE
Fusão das Vozes
Voz do Processo
Voz do Cliente
95
08
01 CAPABILIDADE
Capabilidade do Processo
Fora de Espec Fora de Espec Fora de Espec Fora de Espec
Cpk mais baixo Cpk mais alto
Cp supõe que o processo esteja centrado entre LSL & USL

Cpk leva em conta a centralização
Cp = Cpk quando o processo está centrado
Qual processo produzirá/entregará menos itens fora de especificação? ___
Qual processo tem a melhor capabilidade? ___

96
08
01 CAPABILIDADE
Visualizando a Capabilidade do Processo

Tolerância do Cliente Tolerância do Cliente
LSL USL LSL USL
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0.0 0.0
-4 -3 -2 -1 0 1 2 3 4 -8 -6 -4 -2 0 2 4 6 8
Capabili-
Capabilidade do dade do
Processo Processo
Cp=1 Cp=2
Cpk=1 Cpk=2
97
08
01 CAPABILIDADE
Se o Processo Estiver
Fora do Alvo
LSL
Tolerância do Cliente
USL
0.4
0.3
Cp = 1.33
0.2
Cpk = 1.33 0.1
0.0
-5.33 -4.0 -2.67 -1.33 0 1.33 2.67 4.0 5.33
Tolerância do Cliente
LSL USL
0.4
0.3
Cp = 1.33
0.2
Cpk = 0.83 0.1
0.0
-5.33 -4.0 -2.67 -1.33 0 1.33 2.67 4.0 5.33
98
08 CAPABILIDADE
08 CAPABILIDADE
08
01 CAPABILIDADE
Análise da
Capabilidade do Processo
Saída do Minitab Processdo
Capabilidade Capability
Processoof
deData
Dados
da Amostra
LSL USL
P rocess
Dados Data
do Processo Within
Interno
LS
LSLL 168
168 Ov erall
Total
Target
Alvo * *
Potencialidade Potencial
P otential (Within) (Interna)
C apability
U SL
USL 192
192
S ample M ean 182,231
Média 182.231 CCpp 1,51
1.51
S
Nample N 5252
CC
C
C PPL
L
PPU
U
1,80
1.80
1,23
1.23
Cpk
S tDev (Within) 2,64219
DesPad(Inter) 2.64219
DesPad(Total)4,42581 C
C pkpk 1,23
1.23
S tDev (O v erall) 4.42581
O v erall C apability
Potencialidade Total
PPp p 0,900.90
PPPLP L 1,07
1.07
PPU 0,74
P P U 0.74
Ppk 0,74
P pk 0.74
Cpm *
C pm *
170 175 180 185 190

Desempenho Observado
O bserv ed P erformance Desempenho
E xp. Within PInterno Esp.
erformance E Desempenho
xp. O v erall P Total Esp.
erformance
P P M < LS L 0.00 P P M < LS L 0.04 P P M < LS L 651.30
P P M > U S L 0.00 P P M > U S L 108.91 P P M > U S L 13645.40
P P M Total 0.00 P P M Total 108.95 P P M Total 14296.70
101
08
01 CAPABILIDADE
102
08
01 CAPABILIDADE
103
08
01 CAPABILIDADE
104
08
01 CAPABILIDADE
105
08
01 CAPABILIDADE
Pontos Principais – Revisão

• Capabilidade do Processo combina
as especificações do cliente com a
saída do processo
• Faz a fusão da voz do processo com a
do cliente
• Nível Sigma = 3*Cpk
• Quanto mais alto o nível sigma (ou o valor Cpk),
menor a ocorrência de defeitos
106
08
01 CAPABILIDADE
Atividade Prática....
107
09 FASE IMPLEMENTAÇÃO DE MELHORIAS
09
Plano de Ação – 5W2H’s
 Ferramenta simples que auxilia a análise e o conhecimento sobre

determinado processo, problema ou ação.
 Pode ser usado em duas situações:

– Diagnóstico: investigando um problema ou processo, para aumentar o nível de
informações e buscar rapidamente onde está a falha.
– Plano de Ação: o que deve ser feito para eliminar o problema, baseando-se
também nas causas já identificadas.
 5W2H refere-se a uma sigla em inglês onde 5 questões iniciam-se com "w" e
2 iniciam-se com "h".
 O Que? (what)  Quando? (when)

– Qual operação? – Quando a operação é feita?
– Qual o assunto? – Qual é o prazo?
– O que deve ser medido?  Como? (how)
 Quem? (who) – Como conduzir esta operação /
– Quem conduz esta operação? ação?
– Qual é o departamento  Quanto? (how much)
responsável? – Quanto custa realizar a mudança?
 Onde? (where) – Quanto custa a operação atual?
– Onde a operação será conduzida? – Quanto de benefícios trará a
– Ela pode ser omitida? mudança implementada?
 Por quê? (why)
– Por que esta operação é
necessária?
– Ela pode ser omitida?

DOE
3 Caminhos para o aprendizado
• Empiricamente – Observando naturalmente a

ocorrência dos eventos…(Coletando dados, SPC,
etc)
• Experimentalmente – Tentativa e erro, One-factor-
at-a-time (OFAT)
• Desenhando Experimento – DOE : Fractionado,
Full factorial e Superfície de Resposta
O que é um DOE(Design of Experiment)?
É a manipulação de fatores controlados(Xs) em

diferentes níveis para verificar o efeito em uma
reposta(Y).
Delineamento de Experimentos Definição
Desenho, Delineamento ou Projeto de Experimentos (DOE – Design of Experiments)

são testes conduzidos de forma estruturada, em que fatores são modificados de modo a
avaliar seu impacto e influência em uma certa variável resposta.
Fatores são as variáveis independentes controladas no experimento.
Resposta é a variável dependente no experimento, que será utilizada para avaliação da

influência dos fatores.
Trata-se da avaliação da conhecida função y = f (x1, x2, x3, ..., xn),
Em que: y = resposta e x = fator

Visualize-se na seguinte situação: você acaba de comprar um televisão nova, com todos os
mais avançados recursos tecnológicos, incluindo um controle remoto repleto de botões e
opções.
Como todo bom usuário, você não leu o manual de instruções, e percebeu que o jogou fora
junto com as caixas da embalagem.
Agora, para colocar um componente de angústia ainda maior, você se depara com o seguinte
problema: como ajustar a imagem da televisão nova que servirá amanhã para você e todos os
seus amigos assistirem à final do campeonato de futebol, sem saber como usar todos aqueles
recursos mirabolantes?
Provavelmente o desespero tomaria conta da situação e a idéia mais lúcida seria tentar todos
os botões juntos até se chegar na imagem adequada.
Os botões da TV são chamados de fatores, já que podem ser alterados para avaliar o efeito
(ou influência) sobre a resposta (imagem).
Imagine que cada botão pode ter somente 2 posições (ligado ou desligado). Estes serão os
níveis, ou valores possíveis para cada um dos botões.
Pergunta-se:
- Quantas diferentes combinações você poderia fazer?
- Como você alteraria os botões?

X1
(BOTÕES DO
X2
CONTROLE PROCESSO Y (IMAGEM)
...
REMOTO)
X10
Neste caso, tem-se um total de combinações (ou tratamentos) igual a 210 = 1024.
Normalmente, acredita-se que o correto seja alterar um fator por vez, mas isso não é verdade,
como veremos mais adiante.
Delineamento de Experimentos Exercício
Desconfia-se que a quantidade de erros de digitação cometidos em um processo de

faturamento pode vir de 2 fatores: analista (Carlos ou Paulo) e o tipo de computador (PC ou
MAC).
1-) Quantos e quais são os fatores avaliados?
2-) Quantos níveis tem cada fator?

Delineamento de Experimentos Objetivos
Variáveis X1
...
Controladas Xn
PROCESSO Y (Resposta)
Variáveis Não- Z1
...
Controladas Zn
- Determinar quais variáveis têm maior influência sobre a resposta (Y)
- Determinar como ajustar as variáveis controladas (X) de modo que a resposta (Y) atinja um
valor desejado
- Determinar como ajustar as variáveis controladas (X) de modo que a resposta (Y) apresenta
mínima variação
- Determinar como ajustar as variáveis controladas (X) de modo que os efeitos das variáveis
não controladas (Z) sobre a resposta (Y) sejam mínimos
Fase de Melhoria Encontrando as Melhores

Condições de Processo
Planejamento e Análise de Experimentos (DOE)
e Otimização de Processos
- CRIAR UMA SEQÜÊNCIA /
PLANO PARA COLETAR OS
DADOS QUE DESEJA
AVALIAR
- REALIZAR A COLETA DOS

DADOS
- ANALISAR OS
RESULTADOS DOS
EXPERIMENTOS
- AVALIAR QUAIS SÃO OS

FATORES MAIS CRÍTICOS
- ENCONTRAR A MELHOR
COMBINAÇÃO DAS
VARIÁVEIS QUE OTIMIZAM A
RESPOSTA

PLANO PARA COLETAR OS - Uma vez com as variáveis vitais (conhecidas
DADOS QUE DESEJA
AVALIAR como FATORES) identificadas previamente,
deve-se definir quais serão os valores destes
fatores a serem utilizados como referências,
parâmetros. Estes valores são conhecidos como
- REALIZAR A COLETA DOS NÍVEIS (por exemplo, imagine que temperatura
DADOS seja um FATOR, teremos 2 níveis caso
trabalhemos com 2 temperaturas distintas
(300K e 600K, por exemplo).
- ANALISAR OS
- Com estas 2 informações em mãos, podemos
RESULTADOS DOS dimensionar o tamanho do plano da coleta dos
EXPERIMENTOS dados, através da relação:
# EXPERIMENTOS = NÍVEIS FATORES

FATORES MAIS CRÍTICOS - Se tivermos 4 fatores com 2 níveis, no final
serão 16 ensaios/ testes a serem realizados.
- Com estas informações em mãos, podemos
criar a planilha de dados combinando todas as
- ENCONTRAR A MELHOR possibilidades de relação entre os X’s, avaliando
COMBINAÇÃO DAS no final qual configuração apresenta melhor
RESPOSTA
resposta final Y.

PLANO PARA COLETAR OS - Durante esta avaliação, podemos introduzir o
DADOS QUE DESEJA
AVALIAR conceito de RÉPLICAS, que é o mesmo que
realizar uma vez mais a mesma condição
experimental a fim de se detectar algum erro/
problema na construção ou articulação do
- REALIZAR A COLETA DOS experimento/ produto.
DADOS - Existem outras técnicas mais sofisticadas para
redução do tamanho dos experimentos,
introduzindo-se o conceito de
- ANALISAR OS
CONFUNDIMENTO. Isto ocorre caso tenhamos
RESULTADOS DOS situações com grande número de fatores sendo
EXPERIMENTOS testados de uma só vez.

COMBINAÇÃO DAS
RESPOSTA

DADOS QUE DESEJA
AVALIAR
- Com a planilha de dados em mãos, podemos

efetivamente realizar a coleta das informações
- REALIZAR A COLETA DOS (resposta - Y) afim de posteriormente
DADOS realizarmos as análises.
- Atente para o fato de buscar isolar/ evitar a
presença de quaisquer variáveis ruído no
processo, focando qualquer tipo de variação na
- ANALISAR OS
RESULTADOS DOS
resposta final apenas nos X’s pré-estabelecidos
EXPERIMENTOS

COMBINAÇÃO DAS
RESPOSTA

DADOS QUE DESEJA
AVALIAR

DADOS
- Verificaremos os resultados experimentais
avaliando:
- Erro experimental (quanto da variação
- ANALISAR OS observada se deve aos erros cometidos ao
RESULTADOS DOS
longo do experimento)
EXPERIMENTOS
- Tendência temporal (se, ao longo do
tempo, foram ocorrendo mudanças que
impactaram na variável resposta)
COMBINAÇÃO DAS
RESPOSTA

DADOS QUE DESEJA
AVALIAR - A verificação matemática se as variáveis são
significativamente (95% de confiança) críticas
para a resposta Y deve ser feita utilizando os
conceitos de TESTES DE HIPÓTESE:
DADOS
Ho : as duas variáveis são independentes, isto
é , a variável “x” estudada não tem influência
sobre a variável “Y”
- ANALISAR OS
RESULTADOS DOS Ha : as variáveis são dependentes, isto é , a
EXPERIMENTOS variável “x” estudada tem influência sobre a
variável “Y”

FATORES MAIS CRÍTICOS Conclusão:
- Quando “p” >= 0,05 aceita-se Ho e rejeita-
se Ha , isto é, as variáveis são independentes
- ENCONTRAR A MELHOR - Quando “p” < 0,05 aceita-se Ha e rejeita-se
COMBINAÇÃO DAS
Ho , isto é, as variáveis são dependentes
RESPOSTA

DADOS QUE DESEJA
AVALIAR - Após identificadas quais variáveis são críticas
ao processo, pode-se observar em qual NÍVEL
(VALOR) a resposta é a melhor e qual é a pior
DADOS
- ANALISAR OS
RESULTADOS DOS
EXPERIMENTOS

COMBINAÇÃO DAS
RESPOSTA

DADOS QUE DESEJA
AVALIAR - Também pode-se observar qual é o impacto
da INTERAÇÃO das variáveis, ou seja, qual é o
impacto ao se mudar as variáveis X’s ao mesmo
tempo na variável resposta Y
DADOS
- ANALISAR OS
RESULTADOS DOS
EXPERIMENTOS

COMBINAÇÃO DAS
RESPOSTA

DADOS QUE DESEJA
AVALIAR - Com o claro entendimento de como é o
impacto das variáveis X’s na resposta final,
pode-se enviar utilizar simuladores/ análises de
superfícies de respostas para:
DADOS
- Dado um certo X, estimar qual será a
variável resposta
- Dado um certo Y, ou requerimento
- ANALISAR OS esperado pelos clientes, encontrar qual o
RESULTADOS DOS
EXPERIMENTOS
melhor nível de X

COMBINAÇÃO DAS
RESPOSTA
A decomposição do carbonato de amônio ((NH4)2CO3) e do carbonato de cálcio (CaCO3) é

representada pelas equações:
(NH4)2CO3(s) 2 NH3(g) + CO2(g) + H2O(l)

CaCO3(s) CaO(s) + CO2(g)
(Estados físicos a 25oC)
Para maximizar a quantidade de CaO produzida, suspeita-se que deva-se alterar: a

temperatura do processo, a pressão da linha, a presença de catalisador e a quantidade de
(NH4)2CO3(s).
Quais variáveis são as mais relevantes? Quais devem ser os valores a serem padronizados
destas 4 variáveis?

DADOS QUE DESEJA
São as possibilidades de valores a serem colocados para cada uma
AVALIAR das variáveis:
4 FATORES = 4 X’S
2 NÍVEIS = 2 VALORES POSSÍVEIS
FATOR NÍVEL (-) NÍVEL (+)
A – TEMPERATURA 20oC 40oC
B – PRESSÃO 1 atm 2 atm
C – CATALISADOR NÃO SIM
D – QUANTIDADE DE (NH4)2CO3 0,1 mol 0,3 mol

- CRIAR UMA SEQÜÊNCIA / Sabendo-se que são 4 fatores e 2 níveis, teremos:

DADOS QUE DESEJA
AVALIAR 2 4 = 16 experimentos distintos.
Contudo, para avaliar o erro experimental, coloca-se mais réplicas, ou seja, a

execução da mesma condição experimental mais de uma vez.
Assim: 16 experimentos x 3 réplicas = 48 experimentos no total
O próximo passo será criar no Minitab a planilha que auxilia na coleta dos dados.
- REALIZAR A COLETA DOS Utilizando Minitab no auxílio da coleta de dados <abrir um

DADOS
arquivo novo>:
ESCOLHER 2 NÍVEIS
ESCOLHER 4 FATORES

DADOS
arquivo novo>:
VERIFICAR TODAS AS
POSSIBILIDADES
3 RÉPLICAS

DADOS
arquivo novo>:
DIGITE O VALOR
DEFINA OS NOMES DAS DEFINA OS VALORES COLOCADO PELO
INSTRUTOR
VARIÁVEIS QUE ESTÁ POSSÍVEIS PARA OS NÍVEIS
(PADRONIZA A
ANALISANDO ANALISADOS BASE DE DADOS).
NO EXEMPLO, O
VALOR É 24

DADOS
ANOTE OS RESULTADOS
DURANTE A EXECUÇÃO
DOS EXPERIMENTOS
BASE DE DADOS COM A

REFERÊNCIA 24 NO “SET BASE”
AS RESPOSTAS ESTÃO NO
ARQUIVO
“DOE_RESPOSTAS.XLS”

DADOS RESULTADOS ANOTADOS
E PRONTO PARA SE FAZER
AS ANÁLISES DO
EXPERIMENTO E DOS
ITENS CRÍTICOS
- ANALISAR OS
RESULTADOS DOS
EXPERIMENTOS

COLOCAR A VARIÁVEL Y
SELECIONE
TODAS AS
OPÇÕES
- ANALISAR OS
RESULTADOS DOS
EXPERIMENTOS
P < 0,05: REJEITA Ho -
PORTANTO É UM ITEM
- AVALIAR QUAIS SÃO OS CRÍTICO QUE IMPACTA
FATORES MAIS CRÍTICOS NO Y
CONCLUSÃO PRÁTICA:
- ANALISAR OS
RESULTADOS DOS
EXPERIMENTOS

SELECIONE
TODAS AS
OPÇÕES
SELECIONE
TODAS AS
OPÇÕES
- ANALISAR OS
RESULTADOS DOS
EXPERIMENTOS

CONCLUSÃO GRÁFICA:
- ANALISAR OS
RESULTADOS DOS
EXPERIMENTOS

CONCLUSÃO GRÁFICA:
QUANDO HÁ QUANDO HÁ
CRUZAMENTO DAS PARALELISMO DAS
LINHAS = FORTE LINHAS = BAIXA/
INTERAÇÃO NENHUMA INTERAÇÃO

Exercício
São utilizados dois tipos de materiais: A e B. Para cada combinação entre temperatura e tipo de material,
quatro repetições foram realizadas. Além disso, cada combinação foi testada com 2 catalisadores diferentes.
Os resultados encontram-se na Tabela abaixo. Quais são as conclusões sobre a relevância dos fatores?
Catalisador A Catalisador B
Temperatura Temperatura
Tipo de Tipo de
Material 500 F 650 F Material 500 F 650 F
130V; 34V; 150V; 54V;

155V; 40V; 176V; 60V;
A A
74V; 80V; 99V; 90V;
180V 75V 210V 95V
150V; 136V; 159V; 156V;

188V; 122V; 190V; 142V;
B B
159V; 106V; 179V; 126V;
126V 115V 140V 136V
Regressão
Analisando o Processo
Quais as Reais Fontes de Variação?
NATUREZA DOS DADOS
X (Fonte de Variação) Tratado como:
CONTÍNUO DISCRETO (ATRIBUTO)
Box Plot
CONTÍNUO
(Variável Resposta)
Diagrama de Dispersão Teste de Hipótese

Regressão Simples ANOVA
Regressão Múltipla Mood’s Median Test
Tratado como:
(ATRIBUTO)
DISCRETO
Pareto
Regressão Logística
Chi Quadrado: Independência
Y
Pergunta Chave:
O X analisado tem impacto significativo na variável resposta Y do processo estudado?
Análise de Regressão
Aplicações Práticas
Conforme analisado previamente, utilizaremos agora ferramentas estatísticas que avaliam o

impacto de X contínuo em um Y contínuo. São inúmeros os exemplos da aplicação na
prática:
- comparação da temperatura impactando no índice de fluidez do produto;

- análise da pressão ajustada sobre a concentração de ferro no produto final;
- análise da vazão da corrente de alimentação no volume final de produção;
- verificação do impacto da velocidade de rotação do equipamento sobre o diâmetro final;
- análise do número de horas extras afetando os custos de uma área;
- análise do volume de um certo insumo afetando a produtividade de uma máquina ou
equipamento.
Escreva outros casos de aplicação na seqüência:

Correlação
A definição de correlação é quando dois (ou mais) variáveis apresentam tendência

conjunta.
Podemos observar esta tendência através de um diagrama de correlação, ferramenta já vista
na primeira semana de treinamento.
Quando analisamos o diagrama,

Y seria útil ter uma medida da
X
X força da correlação entre as
X X variáveis.
X
X
A esta “força”, chamamos de
X
X X coeficiente de correlação
X
X linear (r).
X
X X
X
X
X
X
Correlação
O coeficiente de correlação linear mede o quão próximos estão os pontos de uma reta.
Y X
Y
X X Y X NEGATIVA
X X X X X
X
X X X X X X
X X X
X X
X X X
X X X X
X POSITIVA
X X NULA
X X
X X
X
Para correlações positivas, o valor de Para correlações negativas, o valor de Para correlações nulas, o valor de “r” é
“r” é positivo também. Quanto mais “r” é negativo também. Quanto mais o mais próximo de “0”.
alinhados a uma reta os pontos alinhados a uma reta os pontos
estiverem, mais próximos de +1 será estiverem, mais próximos de -1 será o
o valor de “r”. valor de “r”.
Correlação
Utilizando o Minitab, podemos calcular o coeficiente de correlação linear. Abra o arquivo

“Crianças.MTW”.
Perceba que você pode verificar
a correlação para muitas
variáveis ao mesmo tempo
Correlação
Significa que as variáveis “altura” e “peso” das crianças estão correlacionadas:
- O fato de ser positivo (+) significa que quanto maior uma variável, maior a outra. No caso,
quanto mais alta a criança, maior seu peso.
- o fato de ser próximo de 1, significa que esta relação praticamente pode ser explicada por
uma reta.
Correlação
Normalmente, à esta altura, fica uma dúvida: qual é o valor de r que diz se a correlação entre
as variáveis é alta ou não.
Na verdade, não existe este valor ideal… a resposta é dada pela avaliação de p-value, sendo
que:
Ho : as duas variáveis são independentes, isto é , a variável “x” estudada não tem influência
sobre a variável “Y”. Isto ocorre quando p-value ≥ 0,05;
Ha : as variáveis são dependentes, isto é , a variável “x” estudada tem influência sobre a
variável “Y”. Isto ocorre quando p-value < 0,05.
Aceita-se Ha, ou seja, há relação linear

significativa entre as variáveis.
Regressão Simples
Já que existe correlação, qual seria o modelo matemático que poderia explicar a dependência
X e Y?
COEFICIENTE
ANGULAR
Y MODELO LINEAR: Y = bo + b1 X
X COEFICIENTE Baseando-se na realidade, e na

LINEAR
X variação dos pontos em torno da
X
X reta de ajuste, o modelo proposto
X
X é: Y = bo + b1.X. A equação
X
X proposta baseia-se no Método dos
X
X X Mínimos Quadrados, em que a
X X
X
reta ajustada é aquela que
X X
X
X minimiza o quadrado das distâncias
X X X
X
entre o valor real e o valor ideal
X
X encontrado pela reta.
SEGMENTO DE RETA QUE MELHOR SE AJUSTA X
AOS PONTOS COLETADOS NO PROCESSO
X
Regressão Simples
Conhecendo o modelo matemático proposta, surge o questionamento: quão eficiente é este

modelo para explicar a variação entre X e Y? A relação entre as variáveis é forte, fraca ou
moderada?
Retomamos o valor de r como referência, só que agora estamos interessados em saber:
Este é o coeficiente
de determinação. É
R2 = VARIAÇÃO EXPLICADA
obtido pelo quadrado
VARIAÇÃO TOTAL
do coeficiente de
correlação (r). DIZ QUANTOS % DE Y PODEM
SER EXPLICADOS PELO MODELO
ENVOLVENDO O X ANALISADO. O
Boa prática: RESTANTE DA VARIAÇÃO É
CAUSADA POR OUTROS X’S NÃO
0% 10% 50% ANALISADOS
100%
CORRELAÇÃO CORRELAÇÃO CORRELAÇÃO

FRACA MODERADA FORTE
Regressão Simples
Utilizando mesmo arquivo “Crianças.MTW” em Minitab, podemos fazer a análise de regressão

simples.
Nesta opção, somente

pode-se fazer a análise de
1 X com um 1 Y
Regressão Simples
Utilizando mesmo arquivo “Crianças.MTW” em Minitab, podemos fazer a análise de regressão

simples.
P<0,05, significa que

aceita-se Ha, ou seja,
a correlação linear
entre as variáveis é
significativa
Significa que podemos explicar 84,2% da

variável Y (peso) pela X (altura),
utilizando a equação sugerida.
Regressão Simples
Devemos tomar cuidado com o modelo proposto. Além dos comentários colocados, faz-se
necessário o estudo dos resíduos para que este modelo seja válido.
Lembrando: o resíduo é dado pela diferença entre o valor real e o valor esperado, utilizando-
se a equação obtida na análise.
O modelo será validado quando a distribuição dos resíduos seguir uma curva normal, bem
como a análise de dispersão ao longo do tempo não apresentar muitos pontos extremos.
Caso a análise de resíduos não atenda as condições acima, o modelo não é adequado.
Regressão Simples
Utilizando mesmo arquivo “Crianças.MTW” em Minitab, podemos fazer a análise de resíduos.

Regressão Simples
Dados seguem distribuição

normal, não há presença de pontos
extremos ou muita variação no
processo – portanto, podemos dizer
que o modelo proposto é válido.
Regressão Simples
Uma vez identificada a relação entre X e Y, podemos propor as modificações em X para se

otimizar as respostas em Y.
Imagine, por exemplo, que com 95% de confiança, desejemos saber o peso de uma
criança relacionado a uma altura de 1,40m.
Regressão Simples
PARA O VALOR DE 140 CM, O PESO

ESPERADO COM 95% DE CONFIANÇA
ESTÁ NA FAIXA DE 25,4KG E 33,58KG
95% DE CONFIANÇA DE QUE O VALOR DO

PESO MÉDIO ESTÁ ENTRE 28,2 KG E
30,76 KG.
Exercício
1) Uma certa fábrica produz óleo combustível, e uma das principais caraterísticas do produto
é a viscosidade (Cp). Para tanto, de acordo com a experiência dos operadores, a temperatura
de processo é um fator (X) importantíssimo para garantir que as especificações requeridas do
óleo sejam atingidas.
Você é o engenheiro recém contratado responsável pela fábrica e gostaria de saber o

“tamanho” do impacto da temperatura e se realmente ela é a grande responsável pela
variação na viscosidade do produto final.
Utilizando os dados disponíveis no arquivo “AR_Exemplo 1. MTW”, faça a análise e verifique o

problema proposto acima.
Imagine, por exemplo, que com 95% de confiança, desejemos saber a viscosidade a ser
obtida a partir de uma temperatura de 163ºC. Quais devem ser os valores de viscosidade
possíveis a partir dos dados do processo estudado?
Exercício
Exercício
2) A mesma fábrica de produção de óleo deseja analisar outras variáveis do processo. Os

dados estão no arquivo “AR_Exemplo2.MTW”. Trabalhando com 95% de confiança, quais suas
conclusões sobre este processo?
10 FASE CONTROLE
10 FASE CONTROLE
O que São Gráficos de Controle?

• Várias cartas usadas para monitorar, controlar e melhorar o
desempenho do processo sobre o tempo
• Para dados variáveis
 Gráficos X-barra e R monitoram a ‘média da amostra’ e o ‘intervalo
da amostra’ sobre o tempo
 Gráficos X e Rm monitoram os ‘valores individuais de X’ e ‘intervalo
entre os Xs’
 Outros (Média & Desvio Padrão; Mediana & Intervalo)
• Tipos diferentes para dados atributos
• Freqüentemente associado com SPC (Controle Estatístico de
Processo); Gráficos de Controle SPC
10 FASE CONTROLE
Como Eles Ajudam?

• Ajudam você a determinar quando reagir
• Distinguir entre ocorrências diárias/usuais (causas

comuns) ou ocorrências não-usuais (causas especiais)
• Ajudam você a determinar se as ações tomadas

tiveram um efeito
• Providenciar uma maneira de indicar dados contínuos

10 FASE CONTROLE
Como Interpretamos Dados?

Todo dia somos inundados por dados, dos quais tomamos
decisões:
• As saídas da planta sofrem queda de 4%
• O déficit do comércio americano cresce US$40 bilhões
• Os ganhos das Companhias Xs estão US$240 milhões abaixo

do trimestre anterior
• Todas as taxas estão 1% abaixo das taxas do último mês que

foi de 95%
Devem ser tomadas ações?

10 FASE CONTROLE
Historicamente…
Se os resultados caem neste intervalo
Dor & Deixe quieto, Dor &
Sofrimento não está quebrado Sofrimento
Menor Exigência Maior Exigência

do “Cliente” do “Cliente”
• Focos somente sobre as exigências conhecidas do cliente
• Não fornece entendimento do processo que produziu os
resultados
• Não fornece introspecção dentro do:
– que esperar depois
– que fazer depois (se houver algo)
10 FASE CONTROLE
Necessita da Melhor Maneira para

Interpretar Dados
• Entende e separa as causas da variação
• Fica apto a determinar:
– Quando reagir
– Como reagir
– Quem deve reagir
– Se as ações tomadas fizeram alguma
diferença
10 FASE CONTROLE
Gráficos X-Barra e R
A média e o intervalo de uma característica.
• Gráfico para o “Centro” ou Média (Gráfico X-Barra [X])

• Gráfico para “Espalhamento” ou Amplitude (Gráfico R)
Uma maneira de indicar dados contínuos!

10 FASE CONTROLE
Componentes dos Gráficos

X-Barra e R
Limites Superiores e Inferiores & Centro são calculados
das amostras de dados Limite de Controle Superior
[+3 desvios padrões]
Médias de
subgrupo
UCL
X or R
LCL
Linha de centro Limite de Controle Inferior

[Média dos Valores] [-3 desvios padrões]
Plotado no tempo
10 FASE CONTROLE
Por que +/- 3 Desvios Padrões?

UCL % de Pontos de Dados
Item que
estamos
medindo
TEMPO
10 FASE CONTROLE
Exemplos – Gráficos de Controle

Xbar/RX-barra
Gráficos Chart e R
0.05 1
da Amostra
UCL=0.04737
Mean
0.04
Sample
Mean=0.03372
0.03
Média
0.02 LCL=0.02008
Subgroup
Subgrupo 0 5 10 15 20 25
da Amostra
0.05 UCL=0.05002
Sample Range
0.04
0.03
R=0.02365
Amplitude
0.02
0.01
0.00 LCL=0
10 FASE CONTROLE
Exemplos – Gráficos de Controle

I and MRI eChart
Gráficos MR
0.06 UCL=0.06350
Individual Value
0.04
Mean=0.02857
0.02
0.00
LCL=-6.4E-03
Subgroup 0 10 20 30
0.05
UCL=0.04291
Moving Range
0.04
0.03
0.02
R=0.01313
0.01
0.00 LCL=0
10 FASE CONTROLE
O Processo Está sob Controle?

• Há várias regras para determinar se a
saída do processo indica que o processo
está “fora de controle”.
• Contate um belt Seis Sigma para
entender as regras para fazer esta
determinação.
10 FASE CONTROLE
Principais Pontos – Revisão

• Gráficos de Controle
– Ajuda a determinar quando agir
– Ajuda a determinar se as ações
tomadas têm impacto
– Não é uma ferramenta de inspeção
10
01 FASE CONTROLE
Acompanhamento e Análise de Eficácia
 Nessa etapa, a finalidade é verificar se as ações

implementadas realmente eliminaram a raiz do problema.
 Verifica-se, assim, se a medida da solução encontrada foi
atingida.
 O acompanhamento pode ser executado de três formas:
– Auditoria.
– Pesquisas.
– Acompanhamento dos indicadores relacionados ao problema.
desempenho processos
tempo
10
01 FASE CONTROLE
Análise Crítica
 Perguntas Típicas
– As melhorias do processo foram padronizadas e incorporadas a rotina?
– O problema voltou a ocorrer?
– Os controles existentes no processo auxiliam a prevenir a ocorrência de falha?
– Essas mudanças foram analisadas com foco em evitar novas ocorrências?
– Há condições potenciais para que o problema volte a ocorrer?
– Há o Registro da Nota GM (Gestão da Mudança)?
 Principais Mecanismos para Controle

– Lição de um Ponto – LPP
– Alterações de procedimento
– Acompanhamento de variáveis (X’s)
– Mudança de plano de analise
10
01 FASE CONTROLE
Mapa de Controle
Novo Mapa de Processo Identificação dos Métrica / Indicador Responsável e

Pontos de Freqüência
Controle
E1
E2
X1 X3 X2 X4
E3
S1
10
01 FASE CONTROLE
Plano de Controle
Acompanhar o(s) indicador(es) do projeto e as variáveis críticas
que devem ser medidas.
Produto: Equipe: Data Original: Revisão: 00
Dono do Processo:
Telefone / ramal: Data (Atual): Revisão: NN
Método
Etapa do Especificações Capabilidade / Técnica de Resultado Tamanho Frequência Plano de
Processo Saídas Entradas de Responsável
processo do processo Data medição MSA de amostra de amostra reação
Controle
10
01 FASE CONTROLE
Pokayoke
Dispositivos à prova de erros destinados a evitar a ocorrência de
defeitos em processos de fabricação e/ou na utilização de produtos.
Tipos de Erros Humanos
1. Esquecimento (Falta de Concentração)

2. Erros Devido ao Mau Entendimento (Conclusões Precipitadas)
3. Erros de Identificação (Visualizar Incorretamente / Muito Longe)
4. Erros Cometidos por Trabalhadores Mal Preparados
5. Erros Propositais (Ignorar Regras)
6. Erros Inadvertidos (Distração, Fadiga)
7. Erros Devido à Julgamento Demorado
8. Erros Devido à Falta de Padrões (Escrito & Visual)
9. Erros Surpresa (Máquina Incapaz, Mal funcionamento)
10. Erros Intencionais (Menos Comum)
10
01 FASE CONTROLE
Pokayoke – Eliminação de Erros

Usar sabedoria e simplicidade para criar dispositivos que permitam que você
faça seu trabalho 100% livre de defeitos 100% do tempo.
EXEMPLOS DE METODOLOGIA À PROVA DE ERROS NO DIA A DIA

• EM CASA • NO ESCRITÓRIO
• Porta do forno de microondas • Verificação ortográfica em Programas

• Disjuntores de Processamento de Textos
• Fogões que cortam o gás quando a • Aviso perguntando “Você deseja
chama se apaga deletar?” Após acionar a tecla
• Tampas a Prova de Crianças em “Delete” em seu computador
Medicamentos
• NA FÁBRICA
• NO VAREJO
• Máquinas de acionamento manual
• Embalagem a prova de Falsificação duplo e outras proteções em
• Código de Barras na Venda máquinas
• Código de Barras
01 RESUMO DMAIC
Resumo
Identificar e Medir o Analisar as Elaborar e Inserir
IMPLEMENTAR
CONTROLAR
MEDIR
ANALISAR
DEFINIR
Priorizar os Desempenho Causas Executar o Controles no

Problemas e Levantar Plano de Sistema para
Causas Ação a Garantir o
Potenciais Desempenho
do Processo
 A certificação é um atestado da capacidade do Belt em liderar os esforços de melhoria de

processos. É um exercício de previsão.
 Os critérios de certificação são:
– Conhecimento: treinamento.
– Experiência: o Seis Sigma não é um exercício teórico – conduzir um projeto significa
implementar melhorias reais no processo.
DEPOIMENTOS FINAIS
Murilo Fonseca
Linkedin: Murilo Fonseca Souza
Facebook: Souza Murilo
murilo.fonseca@Hotmail.com
Whatsapp: 019 99241 7966
Cel: 071 98781 1941
01
Fases Objetivo Principais Atividades Principais Ferramentas Perguntas - Chave
• Justificar perante a Organização o porquê de
Definição • Definir um projeto Seis Sigma fazer o projeto • VOC / VOB • Por que este projeto é
relacionado a uma métrica / KPI da • Montar o Contrato do Projeto • Histórico de variação da métrica / KPI ao longo do importante para a
Organização • Pegar a aprovação do Patrocinador e do tempo Organização?
1a2 • Ganhar a a provação da MBB/ BB • Quem são os membros da
• Contrato do Projeto
semanas • Estabelecer a equipe do Projeto equipe ?
Organização para a execução do • SIPOC
projeto • Revisar potenciais ganhos financeiros do • Existem possíveis
projeto • Mapa Macro do Processo restrições ou dificuldades ?
• Estabelecer ganhos,inclusive
• Quick Win Opportunities • Há ganho financeiro ?
financeiros, para a organização
• Identificar a(s) saída(s) do • Primeira reunião da equipe • Mapa do Processo - Análise da • Quais são as saídas do
Processo(Y’s) • Definir a(s) saída(s) do Processo (Y’s) processo (Y’s ) ? O Sistema
Medição • Espinha de Peixe cadeia de valor *
• Listar potenciais fontes de • Validar o Sistema de Medição de Medição foi validado?
1a2 • Matriz Causa & Efeito - Análise do • Os dados já existem ou
variação ( potenciais X’s ) • Criar uma lista de 20-30 Potenciais X’s (
• Validar o Sistema de Medição ( potenciais fontes de variação ) • Matriz Esforço x Impacto Takt Time * serão coletados ?
meses • Estatística Básica - Análise de Fluxo
MSA ) • Criar um banco de dados contendo • Quais os potenciais X’s?
• Identificar a Capabilidade ( s ) e informações sobre os X’s e Y’s • Histograma do Processo * • Qual o s e o DPMO iniciais ?
DPMO iniciais • Realizar as primeiras análises estatísticas • Pareto - MSA
sobre o Y • Gráfico de Tendência
EXECUTE
• Estabelecer os X’s óbvios – Quick Win

• Pareto - FMEA • Há alguma fonte de
Análise • Encontrar os poucos X’s vitais que Opportunities • Box Plot - Benchmarking variação ( X’s )
deverão ser atacados para reduzir • Validar quais X’s têm influência sobre os • Diagrama de Dispersão identificada sem
2a4 a probabilidade do processo gerar Y’s ( graficamente ) • Análise Multi – Vari necessidades de
semanas defeitos • Validar quais X’s têm influência sobre os • Teste Chi Quadrado validação – Quick Win?
• Encontrar os poucos X’s vitais que Y’s ( estatisticamente ) • Quais são as principais
• Análise de Regressão
afetam significativamente a • Validar quais X’s têm influência sobre os fontes de variação do
3.0 variação do processo • ANOVA
Y’s ( análise de risco ) Processo ?
Optimize • Teste de Hipótese
• Plano de Ação - Evento Kaizen* • Quais as ações tomadas

• Tomar as ações sobre o processo • Montar o Plano de Ação para melhorar o processo?
• Diagrama de Afinidade - 5S *
EXECUTE
Melhoria • Confirmar que o processo • Validar as ações com o Patrocinador

• DOE - TPM * • Qual o benefício previsto do
• Buscar recursos e ajuda para ações projeto? Foi validado com
1a2 melhorou
• Validar benefícios financeiros com a área • Benchmarking - Análise da
• Validar os benefícios para a Finanças?
meses Organização Financeira • FMEA cadeia de valor * • Qual o novo s e DPMO?
• Montar o novo Mapa de Processo sem • Análise de Regressão - Supermercado * • Qual o novo Mapa do
atividades que não agregam valor • Experimentação / Piloto - Kanban * Processo ?
• Recalcular s e DPMO - JIT*
• Estabelecer os Controles para • Montar o Business Process Management • O que está sendo feito
manter as melhorias feitas no • Estabelecer os controles • Normas e Procedimentos - TPM * para garantir que as
processo • Validar com a equipe se há necessidade • Auditoria - 5S* melhorias vão se
Controle de ações adicionais
• Passar para o dono do processo • Business Process Management - PokaYoke* manter ao longo do
2a4 a responsabilidade por • Realizar alterações nos procedimentos e
• Plano de Controle - Visual Aids * tempo ?
semanas monitorar o processo ao longo instruções de trabalho • Quais os próximos
• Formalizar o término do projeto • CEP - Procedimento projetos a serem
do tempo
Padrão de trabalho* desenvolvidos ?
195

Prisma Treinamento Murilo

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Prisma Treinamento Murilo

Enviado por

Direitos autorais:

Formatos disponíveis

01 AGENDA

O que É uma Matriz C&E?

Como Isso Ajuda?

Relacionar Entradas para as

 Régua para Impacto:

Matriz de Esforço x Impacto

A Espinha de Peixe e Matriz de Causa e Efeito podem ser

Matriz de Esforço x Impacto

Entrada 2 (X02) ALTO 6

 Régua para Esforço:

Matriz de Esforço x Impacto

Matriz de Esforço x Impacto

- Tempo para análise

• X05 Alimentado pela

Matriz de Esforço x Impacto

esforços e custos, investimentos,

e-agir, que podem FOCO!

Controle Estatístico de Processos Introdução

Os gráficos de controle possuem 3 objetivos básicos:

- verificar se o processo estudado é estatisticamente estável, ou seja, se não há presença

- verificar se o processo estudado permanece estável, indicando quando é necessário atuar

- permitir o aprimoramento do processo, mediante a redução da variabilidade.

Um gráfico de controle é um conjunto de pontos (amostras) ordenados, no tempo, que são

Xbar and R Chart for : C1

Média = média entre

Controle Estatístico de Processos Elementos

Média das Médias

Controle Estatístico de Processos Elementos

Amplitude (largura)= R=1.5

Controle Estatístico de Processos Elementos

Na prática, como não se conhece nem o valor da média nem o do desvio-padrão da

Controle Estatístico de Processos Elementos

- os gráficos sempre utilizam limites de controle localizados à distância de 3 desvios padrões da

Controle Estatístico de Processos Elementos

Responda para este quadro: o

Média Disp. Média Disp. Média Disp. Média Disp.

Controle Estatístico de Processos Elementos

10.5 10 9.5 10.5 10 9.5

Controle Estatístico de Processos Construção Gráficos

Mantendo um Gráfico X-Barra, Amplitude (R)

Componentes de um Gráfico de Controle

Componentes de um Gráfico de Controle

LIMITE SUPERIOR DE CONTROLE

LIC LIMITE INFERIOR DE CONTROLE

Regra do Desvio Padrão

NÚMEROS DE DESVIO REGRA ESTATÍSTICA

+/- 1s DENTRO ENCONTRAM- 60-75%

Regra do Desvio Padrão

60-75% 90-98% 99-99,9%

Regra do Desvio Padrão

Regra do Desvio Padrão

Regra do Desvio Padrão

Regra do Desvio Padrão

Controle Estatístico de Processos Observando Processos

1. Ponto fora dos limites de controle - Um único ponto acima de LSC ou

Controle Estatístico de Processos Observando Processos

Controle Estatístico de Processos Observando Processos

Detectando Processos Fora de Controle Uso do Minitab

Na seqüência, mostraremos como detectar problemas com as regras de falta de controle

Detectando Processos Fora de Controle Uso do Minitab

Clique por final

Detectando Processos Fora de Controle Uso do Minitab

Detectando Processos Fora de Controle Uso do Minitab

Os pontos fora de controle também são