Medição

Uma vez validados os sistemas de medição envolvidos, é hora de

colocá-los em uso, ou seja, proceder a coleta de dados para a
fase de Medição.

Foco da Foco da
coleta: coleta:
Análise Medição

X1
X2
y
Processo
...
Xn
Dados históricos podem ser empregados quando estiverem
disponíveis, porém sempre deve-se avaliar sua qualidade,
questionando-se:
Qual a origem dos dados?
• Quem forneceu os dados?
• Que interesse há no estudo?

Que pessoas coletaram os dados?

• Qual a qualificação das pessoas?
• Que conhecimento têm sobre o assunto?
Como os dados foram colhidos?
• Que técnica de amostragem foi empregada?
• Qual a representatividade da amostra?
Qual a natureza das medições?
• Qual a qualidade dos instrumentos de medição?
• Existem definições operacionais ?
O conjunto do qual as medições foram tomadas?
• De onde foram tomadas as medições?
• Quando foram tomadas as medições?
Existem diferenças entre grupos?
• Qual a magnitude das diferenças?
• São diferenças significativas ou casuais?
Caso não haja dados históricos, ou haja dúvida quanto à sua
qualidade, deve ser elaborado um plano de coleta. Algumas
perguntas devem ser respondidas:
– Quais dados serão exatamente medidos?
• Medidas de performance ?
• Causas dos defeitos do processo ?
– Analisaremos todos os dados ou apenas uma amostra ?
• Qual o tamanho correto da amostra ?
• Qual a frequência adequada de coleta de dados ?
• Qual o método mais adequado para seleção de dados ?
• Quais são as ferramentas necessárias ?
– Quais relatórios serão utilizados ?
• Quais bases de dados serão tomadas ?
• Será necessário um computador ?
– Quais são os recursos a serem utilizados?
• Quem será o responsável pela coleta dos dados ?
• Outras áreas ou pessoas deverão participar do processo ?
• Onde as informações estão disponíveis ?
• Quando os dados serão coletados ?
• Por quanto tempo os dados serão coletados ?
– O que deseja-se fazer com os dados coletados ?
• Usar diariamente, semanalmente para análises e relatórios ?
• Identificar tendências no processo ?
• Identificar deficiências nos processo ?
• Demonstrar a performance atual do processo ?
• Identificar variações no processo ?
• Estabelecer relações causa-e-efeito ?
Quantos Dados Coletar?
Em primeiro lugar, é preciso entender para que se está coletando dados. Na
etapa de medição, o objetivo é entender o quão bom (ou ruim) é o

desempenho do processo.

Em processos onde há uma grande quantidade de dados coletados com

grande frequência, alguns poucos dias podem ser suficientes.

Porém, no caso de processos onde a geração de dados é pouco frequente

(mensal, por exemplo), podem ser necessários vários meses ou,

eventualmente, até anos.

Avaliar sempre os dados no tempo, buscando identificar tendências, ciclos,

ou outros padrões estranhos.

O que é uma amostragem probabilística?
É uma amostra selecionada de tal forma que cada item ou pessoa na
população estudada têm uma probabilidade (não nula) conhecida de ser

incluída na amostra.

Métodos de Amostragem Probabilística

Amostragem Aleatória Simples (AAS)
Uma amostra escolhida de tal forma que cada item ou pessoa na população

tem a mesma probabilidade de ser incluída.

Se a população tem um tamanho N, cada pessoa desta população tem a

mesma probabilidade igual a 1/N de entrar na amostra. Utilizamos uma

tabela de números aleatórios para sortear (com mesma probabilidade) os

elementos da amostra.
Métodos de Amostragem Probabilística
Amostragem Aleatória Sistemática
Os itens ou indivíduos da população são ordenados de alguma forma –

alfabeticamente ou através de algum outro método. Um ponto de partida

aleatório é sorteado, e então cada k-ésimo membro da população é

selecionado para a amostra.

Amostragem Aleatória Estratificada

A população é inicialmente dividida em subgrupos (estratos) e uma sub-

amostra é selecionada a partir de cada estrato da população.

Há 3 fatores que determinam o tamanho de uma amostra, nenhum dos quais tendo uma relação
direta com o tamanho da população. Eles são:

1. O grau de confiança adotado (1-a);

2. O máximo erro permissível (E);
3. A variabilidade da população (Desvio Padrão).

Uma fórmula de cálculo conveniente para determinar o tamanho amostral

Onde:
“E” é o erro permissível;
“Z” é o valor da variável Normal padrão associado ao grau de confiança adotado (1-a);
“s” é o desvio padrão da amostra piloto.
 É a probabilidade de que a estimativa intervalar contenha o
parâmetro populacional em questão.

1 – Intervalo de Confiança

retirado diretamente da Tabela Z para distribuições normais

Exercício: Um clube deseja estimar a proporção de crianças que
têm um cachorro. Se o clube deseja que a estimativa esteja no
máximo afastada 3 % da proporção populacional, quantas
crianças deve conter a amostra? Assuma um intervalo de
confiança de 95% e que o clube estimou, com base em
experiência anterior, que aproximadamente 30 % das crianças
têm um cachorro.
Há um método utilizado quando se . É dado pela relação:

N = Tamanho da população;
E0 = erro amostral tolerável;
n0 = primeira aproximação do tamanho da amostra;

n = tamanho da amostra.
 :

N= famílias;
E0 = erro amostral tolerável = 4% (E0 = 0,04);

n0 = 1/(0,04)2 = 625 famílias

n (tamanho da amostra corrigido) =

n=( x625)/( +625) = 125000/825 = 152 famílias

E se a população fosse de famílias?

n=( )x625/( +625) = 623 famílias

Pode-se observar que se N é muito grande, não é necessário considerar o tamanho exato N da
população. Nesse caso, o cálculo da primeira aproximação já é suficiente para o cálculo.

Para N = 200 famílias e E0 = 4%:

n = 152 famílias => da população.

Para N = 200.000 famílias e E0 = 4%:

n = 623 famílias => da população.

Logo, é errôneo pensar que o tamanho da amostra deve

ser tomado como um percentual do tamanho da
população para ser representativa
Retomando a simulação dos kits cirúrgicos, considere o comprimento dos fios

como um Y do projeto. Admita que se queira determinar o comprimento médio

dos fios usados nos kits, com um erro máximo admissível de 0,2cm, com 95%

de confiança na estimativa. Adote o desvio padrão total observado no R&R para

estimar o tamanho da amostra necessária.

Admita agora que se queira avaliar a proporção de kits conformes gerada pelo

processo. Se o erro máximo admissível é de 2 ponto percentual a 95% de

confiança, e admitindo-se uma referência histórica anterior de 85% de kits

conformes, qual seria o tamanho da amostra necessária para essa estimativa?

É comum que seja necessária, tanto na fase de Medição quanto
na de Análise, a coleta de dados não rotineiros. No planejamento
da coleta desses dados é comum surgir a necessidade de
desenvolver formulários específicos para coleta manual. Eles
costumam estar em uma das seguintes categorias:
– tabela de frequências;
– tabela de classificação;
– tabela de simples listagem;
– tabela de localização de defeitos;
– tabela de verificação.
Peso ao nascer dos recém-nascidos
que receberam surfactante exógeno
nas unidades neonatais da SMS-RJ

Tabela de
frequências

Indicação diagnóstica para utilização

do surfactante exógeno dos recém- Tabela de
nascidos nas unidades neonatais da
SMS-RJ localização

Tabela de
classificação
= ferimento
Medição
Um processo é dito capaz quando mostra grande probabilidade de gerar

resultados dentro da especificação (ou meta, ou SLA), ou seja, há pouca chance

de geração de resultados não-conformes.

LIE LSE

LIE LSE

LIE LSE
Em projetos Lean Six Sigma, a capacidade de um processo é
medida em quantidade de sigmas, a distância da média à
especificação mais próxima (LIE ou LSE).

Fala-se, também, em capacidade sigma de curto e longo prazo.

 As áreas à direita de X e de Z
são iguais!

s 1

m X 0 Z

Normal Reduzida (z)

• z é a distância de x à média, em termos de quantidade de

desvios-padrão;
• z > 0 indica um x acima da média μ;
• z < 0 indica um x abaixo da média μ.
Exemplo: o tempo de incubação da Caxumba segue uma
distribuição normal, com média de 18,5 dias, e desvio padrão de
2,17 dias. Se um determinado indivíduo levou 22 dias para
apresentar os sintomas, qual é o valor do Z? O que esse valor
significa?

2,17 1

18,5 22 0 Z = ??
Considere um processo centralizado na especificação e cuja
média esteja à distância de 6s tanto do LIE como do LSE. Este e
um processo chamado 6s.
LIE LSE

-6s -5s -4s -3s -2s -1s m +1s +2s +3s +4s +5s +6s
A chance desse processo gerar uma falha é muito baixa!

Total = 2
LIE - m (m - 6s) - m ppb
zi    -6
s s
LSE - m (m + 6s) - m
zs   6
s s
P(x  LIE)  P(x  m - 6s)  P(z  -6)  0,000000001
P(x  LSE)  P(x  m + 6s)  P(z  6)  0,000000001
No mundo real, no entanto, é impossível manter um processo
sempre centralizado, já que, a longo prazo, vários fatores fazem
com que ele se desloque tanto para cima como para baixo.
1,5s 1,5s
LIE LSE

-6s -5s -4s -3s -2s -1s m +1s +2s +3s +4s +5s +6s
Estudos conduzidos por especialistas e certas considerações
estatísticas indicam que, via de regra, este deslocamento não
costuma ser superior a 1,5s do centro da especificação.

na melhor condição (centralizado), a distância da média m à

especificação mais próxima é de 6s  esta é a chamada
capacidade sigma de curto-prazo.

na pior condição (descentralizado), a distância da média m à

especificação mais próxima é de 4,5s  esta é a chamada
capacidade sigma de longo prazo.
Para se obter a capacidade sigma, emprega-se o conceito de
zBENCH, da seguinte forma:
– Calcular a porcentagem de itens abaixo de LIE e acima de
LSE;
– Somar estas duas quantidades, obtendo a porcentagem
total de itens fora de especificação;
– Lançar esta porcentagem numa curva normal reduzida
(com m=0 e s=1) e obter zBENCH.
Daí, conclui-se que:
– zBENCH representa a distância da média a um limite de
especificação hipotético, em quantidades de desvios-
padrões, tal que acima deste ficassem as áreas abaixo do
LIE e acima do LSE;
– como existe ainda o fator de deslocamento de 1,5s na
média, então a capacidade Sigma é definida como:

Capacidade s = zBENCH + 1,5

Retomemos os dados de tempo de entrega de exames de cultura
de urina, do arquivo Excel “Tempos de entrega de exames.xls”.
Vamos admitir uma vez mais que o tempo máximo admissível
para entrega seja de 80 horas.
Qual seria, então, a Capacidade Sigma desse processo,
considerando os tempos do laboratório A?

Para acompanhar esse exemplo, abra a planilha Excel

“Capacidade Sigma Variáveis – GB.xls”
 Informe o tempo
máximo admissível

Observe aqui o nível

de defeitos (aprox.
9,5%)

Observe aqui a
Capacidade Sigma
do processo
Cole aqui os dados
do processo
9,5% dos exames
realizados demoram
Escolha a aba mais que o
“Somente Máximo”
– por que?
admissível para
serem entregues!
Retomando a ideia do comprimento dos fios dos kits cirúrgicos,
use a amostra gerada na simulação e:
– Avalie a normalidade dos dados;
– Calcule o ppm e o nível Sigma do processo de corte do fio.
• : falta de conformidade com qualquer dos
requisitos especificados.
• : elemento a ser avaliado quanto a presença de
defeitos.
• :
No de defeitos
DPU  o
N de unidades
• : chance de cometer erros dentro das
unidades (forma de falha).
•

DPU
DPMO * 1.000.000
Número de oportunidades
Foram coletadas 1.785 prescrições medicamentosas de pacientes maiores de 12

anos, de ambos os sexos, internados em enfermaria de 1º de janeiro a 30 de

abril de 2004. A amostragem foi feita coletando-se todas as prescrições emitidas

em um dia de cada semana durante o período de estudo, observando-se o

intervalo de seis dias entre cada coleta. Foram avaliados dados relativos à
identificação do paciente, do medicamento e do prescritor. Em 230 prescrições

não havia a idade do paciente. Em 224 prescrições não constava à assinatura do

prescritor. Em 95 prescrições foi detectada a falta de pelo menos uma

informação relativa à posologia (dose, forma farmacêutica, via e/ou intervalo

entre doses).
Adaptado do artigo: Avaliação de prescrições medicamentosas de um hospital universitário brasileiro
Joice Mara Cruciol-Souza; João Carlos Thomson; Douglas Godoy Catisti
Universidade Estadual de Londrina, Paraná, Brasil
Rev. bras. educ. med. vol.32 no.2 Rio de Janeiro Apr./June 2008
Cálculo do DPMO

DPU
DPMO  *1.000.000
Númerode oportunidades
(230 + 224 + 95)
DPMO  1785 *1.000.000
3
DPMO  102.521
Cada prescrição pode falhar com relação ao
prescritor, ao medicamento, e à descrição do
paciente

Agora, podemos usar o DPMO para desenvolver o cálculo da

Capacidade Sigma do processo de prescrição médica.
Os 102.521 DPMO representam o nível de falhas do processo.
Portanto, podem ser associados à área defeituosa de uma curva
Normal Padrão, donde pode ser estabelecido o valor de Z
equivalente...

102.521 DPMO
ou 10,2521%
1

Vamos encontrar Zbench usando

0 Z = ?? o Action...
Digite a proporção defeituosa 0,102521 na célula A1.
Posicione o cursos na célula B1.

ACTION STAT > ESTATÍSTICA BÁSICA > DISTRIBUIÇÕES

 0,102521 1,267317
Esse é o Zbench!

Como ainda temos que considerar o fator de

deslocamento de 1,5, a Capacidade Sigma desse
processo será dada por:

Capacidade s = Zbench + 1,5

Capacidade s = 1,27 + 1,5 = 2,77
Portanto, temos um processo 2,77 Sigma, que gera 102.521
DPMO!
Como esse é um procedimento um pouco trabalhoso, pode-se
usar uma planilha que automatiza a tarefa:
– Abra o arquivo Excel “Capacidade Sigma Atributos –
GB.xls”
– Proceda conforme o slide seguinte
 Insira o total de
CAPACIDADE SIGMA - ATRIBUTOS defeitos
observados
Número de Defeitos = 549
Insira o número
Número de unidades = 1.785 de unidades
avaliadas
Oportunidades por unidade = 3
Insira a
DPO = 0,103 quantidade de
oportunidades
DPMO = 102.521 por unidade

Z de longo prazo = 1,27

Observe aqui o
DPMO do
Capacidade Sigma = 2,77
processo

Observe aqui a
Capacidade Sigma
do processo
Considerando a quantidade de erros nos kits cirúrgicos, use a
amostra gerada na simulação e:
– Considere como oportunidades os itens necessários em
cada kit, e a quantidade de medicamentos em cada
prescrição médica anexada;
– Considerando a quantidade de erros registrada em cada
formulário, calcule o DPMO e o nível Sigma do processo de
preparação de kits.
Além do baseline, que pode ser definido pela capacidade Sigma
do processo (ou por outro meio), existem métricas importantes
que dizem respeito à agilidade e ao uso de recursos do
processo, e são características do lean:
– Lead Time (LT)
– Tempo de Ciclo (TC)
– Work in Process (WIP)
– Tempo Takt (TT)
Lead Time é o tempo total de processamento, desde que um
item entra no processo, até estar pronto. Também chamado de
Tempo de Atravessamento.

Etapa Etapa Etapa Etapa Etapa

1 2 3 4 5

Lead Time
Tempo de Ciclo é o tempo em que uma atividade em particular
se completa, ou a periodicidade com que um resultado é
entregue no final do processo.

Etapa Etapa Etapa Etapa Etapa

1 2 3 4 5

Tempo
de Ciclo
Work in Process (WIP) diz respeito a todo e qualquer item
(material ou informação) que entrou no processo, mas ainda não
foi finalizado.

Etapa Etapa Etapa Etapa Etapa

1 2 3 4 5

I I I I

Work in Process
A Lei de Little relaciona WIP, LT e TC da seguinte forma:
LT = WIP x TC

Qual é a consequência do WIP para o LT?

O “Tempo Takt” corresponde ao ritmo de processamento
necessário para atender a demanda em um determinado período
(a palavra alemã takt corresponde ao ritmo musical), ou seja, o
tempo disponível pelo número de unidades a serem processadas
em função da demanda.

Exclui pausas, reuniões, treinamentos

etc.

Considera eventuais taxas de defeito

Tempo Takt e Tempo de Ciclo devem ser comparados:

Se TT < TC → Processo não atende a demanda

Se TT > TC → Superprodução

Como o TT é uma média num período, costuma-se

recomendar que TC ≈ 0,9 x TT
Leia abaixo trechos de notícia publicada no Diário de SP, no dia
16/07/2013:
– A Secretaria Municipal de Saúde afirmou que 16,2 mil
procedimentos (Ressonância Magnética) aguardam agenda hoje
no município de São Paulo.
– Os agendamentos são feitos via Siga/ Saúde, com
disponibilização de 1,6 mil vagas por mês, e também no sistema
Cross, que é da rede estadual, com 500 vagas mensais.
– A Secretaria Municipal de Saúde diz que espera é de 6,8 meses.

Qual é o WIP desse processo, considerando-se que o indivíduo que

entra na fila já está em processamento?
Qual seria o Tempo de Ciclo em dias?
A espera informada pela Secretaria (Lead Time) é consistente com a Lei
de Little? Qual seria a espera correta por esse critério?
Leia abaixo trechos de notícia publicada no Diário de SP, no dia
16/07/2013: WIP
– A Secretaria Municipal de Saúde afirmou que 16,2 mil
procedimentos (Ressonância Magnética) aguardam agenda hoje
no município de São Paulo.
– Os agendamentos são feitos via Siga/ Saúde, com
disponibilização de 1,6 mil vagas por mês, e também no sistema
Cross, que é da rede estadual, com 500 vagas mensais.
– A Secretaria Municipal de Saúde diz que espera é de 6,8 meses.
LT?
TC(dias) = 30/(1.600+500)
TC(dias) = 0,0143 dias

Pela Lei de Little, temos:

LT = TC x WIP
LT = 0,0143 x 16.200
LT = 231,66 dias ou 7,7 meses
Para a simulação dos kits cirúrgicos, identifique:
– Lead time médio:

– Tempo de ciclo médio:

– Takt time:
O que deve ser entregue ao final dessa fase:

– Validação do Sistema de Medição;

– Baseline do processo, que pode ser baseado em:
• Capacidade Sigma;
• Gráfico de Série Temporal (será estudado na fase de
Análise);
• Carta de Controle Estatístico do Processo – CEP (será
estudado na fase de Controle).