Cadernos de

Ciência e Tecnologia Alimentar

www.xxxx.pt

ESTUDO DE PROCESSOS
--------∘--------
CAPACIDADE DE PROCESSOS COM VARIÁVEIS NORMAIS
M. Rui Alvesa,b,#
a
Instituto Politécnico de Vina do Castelo, Escola Superior de Tecnologia e Gestão
b
REQUIMTE/LAQV – Laboratório Associado para a Química Verde - Tecnologias e Processos Limpos

# Autor correspondente: RESUMO

M. Rui Alves A análise de processos é um aspecto fundamental do
mruialves@estg.ipvc.pt controlo da qualidade moderno. No meio industrial existe uma
Instituto Politécnico Viana do Castelo
tendência para considerar que os processos de hoje, que
Escola Superior Tecnologia e Gestão recorrem, em geral, a máquinas modernas de grande capacidade
Avenida do Atlântico, s/n e com controlo electrónico, são capazes de desempenhar tarefas
4900-348 Viana do Castelo com elevadíssima precisão e que quase se controlam a si
Portugal próprias. Na verdade, devido ao facto do débito dos processos
ser elevadíssimo, é cada vez mais importante ser capaz de
Palavras chave:
caracterizar rápida e correctamente o trabalho desenvolvido, de
modo a prever os momentos ideais para efectuar higienizações,
Análise de processos
Nível sigma calibrações e regulações, garantindo um desempenho adequado
Capacidade de processos dos processos ao longo do tempo, isto é, garantindo o
Desempenho de processos cumprimento das especificações através da operação dos
Projectos 6-sigma processos sob controlo estatístico.
Neste caderno aborda-se o significado das
Âmbito/destinatários:
especificações e a caracterização dos processos, bem como o
cálculo das métricas mais importantes para o estudo dos
Mestrados MGQSA, MEIIA e MGO
Licenciaturas EA e CTA processos: capacidade, desempenho e nível sigma dos
Licenciaturas nas áreas electrotécnica processos. Na parte final apresenta-se um caso-estudo com o
e mecânica objectivo de permitir aplicar, de forma simples, os
Especialistas em controlo da qualidade desenvolvimentos teóricos.
Técnicos de gestão da qualidade Este caderno deve ser acompanhado pelos cadernos
“modelos estatísticos para variáveis contínuas” e “Seis-Sigma”.

Versão 2
(actualização em 02.01.2017)

Cadernos de Ciência e Tecnologia Alimentar, 2014, 2(1), 1-34 1

 Capacidade de Processos com variáveis normais

ÍNDICE

ÍNDICE........................................................................................................................ 2
1. INTRODUÇÃO .................................................................................................. 3
2. DEFINIÇÕES .................................................................................................... 3
2.1 Processos .......................................................................................................................................... 3
2.2 VOC e variáveis críticas para a qualidade ............................................................................ 4
2.3 VOE e indicadores chave do processo ................................................................................... 4
2.4 Comparação de CTQ com KPI.................................................................................................... 5
3. ESPECIFICAÇÃO ............................................................................................ 5
4. PROCESSOS QUE SEGUEM A LEI NORMAL ............................................... 6
5. ESPECIFICAÇÕES VS PROCESSOS ............................................................. 7
5.1 1ª métrica: capacidade do processo ....................................................................................... 9
5.2 2ª métrica: desempenho do processo expresso em PPM............................................ 10
5.3 3ª métrica: Nível sigma do processo ................................................................................... 10
6. EXEMPLO DE CÁLCULO DAS MÉTRICAS .................................................. 10
6.1 Exemplo .......................................................................................................................................... 11
6.2 Função SixSigma.......................................................................................................................... 11
6.3 Cálculos ........................................................................................................................................... 12
7. BIBLIOGRAFIA .............................................................................................. 15
7.1. Bibliografia Fundamental ........................................................................................................ 15
7.2. Bibliografia Recomendada ...................................................................................................... 15
7.3. Sítios na Internet Recomendados ........................................................................................ 15
8. ANEXO 1 - FUNÇÃO SIXSIGMA ................................................................... 16
9. ANEXO 2 – TABELA 6 SIGMA ...................................................................... 17

2 Cadernos de Ciência e Tecnologia Alimentar, 2014, 2(1), 1-18

 M. Rui Alves

1. INTRODUÇÃO

As indústrias desenvolvem processos que têm por objectivo produzir bens que
satisfaçam as necessidades dos consumidores. Tal significa que esses processos devem
desenvolver-se dentro de determinados limites, de modo a evitar a produção de unidades
defeituosas, isto é, unidades que excedam os limites especificados, evitando reclamações,
devoluções, retrabalho, etc.
O controlo da qualidade deve assim debruçar-se essencialmente sobre o estudo dos
processos e a garantia de que os produtos vão obedecendo, ao longo do tempo, ao especificado,
por oposição à visão clássica de inspeccionar os produtos finais, rejeitando aqueles que não
cumprem as especificações.
As bases do controlo estatístico da qualidade foram iniciadas por Walter Shewhart, em
1924, através de um pequeno memorandum, nos Bell Laboratories. Posteriormente, Shewhart
editou um livro com as bases do controlo da qualidade industrial (Shewhart, 1931), que é hoje
visto como o início do controlo moderno com bases estatísticas e, por isso, como uma
sequência, ou aplicação, das teorias estatísticas da amostragem. O controlo da qualidade
artesanal, foi substituído pelo controlo estatístico da qualidade, como uma necessidade de
responder à massificação e grande velocidade de produção industrial que se verificou no início
do Séc. XX. Esse foi o momento em que se tornou necessário controlar os processos para que
não se produzissem defeituosos, por oposição ao controlo da qualidade baseado na inspecção
do produto final. Shewhart foi o grande impulsionador de outros cientistas relevantes no âmbito
da qualidade, como Dodge , Romig, Deming e Juran. Uma das referências mais modernas e
reconhecidas no âmbito do controlo estatístico da qualidade é Montgomery (2000), sendo de
referir o livro de Lalanne (2005) com aplicações do R que acompanham o livro de Montgomery.
Neste caderno abordam-se os processos que seguem as leis de uma distribuição normal,
deixando outros tipos de processos para outro caderno. Na verdade, na indústria alimentar, os
processos baseados na distribuição normal são os mais relevantes, ao passo que processos
baseados em contagens que seguem as leis da distribuição de Poisson são muito típicos de
empresas de serviços, e processos baseados em atributos que seguem as leis da distribuição
binomial são muito comuns em vários tipos de negócios, mais relacionados com pesquisas de
consumidores, marketing, etc. Sendo aqui a preocupação essencialmente industrial, os
processos baseados em variáveis contínuas que seguem as leis de uma distribuição normal serão
a preocupação fundamental.
Este caderno versa a caracterização dos processos e integra-se com os cadernos: Seis-
Sigma (Alves, 2018); e modelos estatísticos para variáveis contínuas (Alves, 2015).

2. DEFINIÇÕES

2.1 PROCESSOS
Um processo é um conjunto de actividades relacionadas entre si, que permitem
transformar entradas em saídas.
A ferramenta da qualidade típica para descrever um processo é o SIPOC, que significa
supliers (fornecedores), inputs (entradas), processes (processos), outputs (saídas), clients
(clientes). O SIPOC mostra que para descrever correctamente um processo é necessário
entender todo o contexto: (1) é necessário descrever os fornecedores que levam para os
processos um determinado conjunto de entradas; (2) os processos são descritos,
preferencialmente, na forma de um fluxograma, i.e., como uma sequência de etapas que
transformam as entradas em saídas; (3) finalmente devem descrever-se as saídas de cada etapa
dos processos e os respectivos clientes, que são quem utiliza essas saídas.

Cadernos de Ciência e Tecnologia Alimentar, 2014, 2(1), 1-34 3

 Capacidade de Processos com variáveis normais

Quanto às definições de fornecedores e clientes é preciso entender que os fornecedores

são todos aqueles que proporcionam entradas para uma etapa do processo, ao passo que clientes
são todos aqueles que recebem, ou utilizam, as saídas das etapas do processo. Muitas vezes os
clientes de uma etapa são os fornecedores da etapa seguinte do processo, razão pela qual se
denominam, respectivamente, clientes internos e fornecedores internos. Os fornecedores
externos são exteriores à organização, correspondendo à definição clássica de fornecedores
(e.g., fornecedores de matéria prima), ao passo que os clientes externos são quem compra os
produtos (incluindo os consumidores propriamente ditos). Deve também ter-se presente que os
processos, para transformar as entradas em saídas, consomem os recursos das empresas.
Sugere-se uma pesquisa sobre a ferramenta da qualidade denominada SIPOC, bem
como o estudo da definição de processo nas ISO 9001 de 2008 e 2015.

Figura 1: Esquema geral de um processo

2.2 VOC E VARIÁVEIS CRÍTICAS PARA A QUALIDADE

Quando se estuda o que os clientes pretendem, diz-se que se determinam as variáveis
críticas para a qualidade. Praticamente todos os profissionais da área usam a abreviatura CTQ,
do inglês critical to quality. No âmbito da gestão da qualidade estas variáveis denominam-se
requisitos do consumidor. Noutras áreas podem receber outros nomes, como atributos,
constructos, etc.
O conjunto das variáveis críticas para a qualidade denomina-se VOC, que significa voz
do consumidor (em português) ou voice of the consumer (em inglês). Assim, a VOC é a
definição de um produto/serviço pelo consumidor, usando linguagem comum.

2.3 VOE E INDICADORES CHAVE DO PROCESSO

Tendo uma lista de variáveis críticas para a qualidade, que caracterizam os
produtos/serviços na óptica dos consumidores, a organização estuda o problema e define o
processo que tem de ser criado para conseguir fornecer os produtos/serviços que satisfaçam os
requisitos dos consumidores. Para tal é necessário converter as variáveis críticas para a
qualidade em indicadores chave do processo.
Os indicadores chave do processo são variáveis definidas pelos “engenheiros”, muito
objectivas em termos de linguagem industrial/comercial, facilmente mensuráveis e muito
importantes para caracterizar e controlar os processos. Os indicadores chave do processo
representam-se em praticamente todo o Mundo da gestão da qualidade pela abreviatura KPI, do
inglês key process indicators.
O conjunto dos indicadores chave do processo denomina-se VOE, a voz do engenheiro
(em português) ou voice of the engineer (em inglês).

4 Cadernos de Ciência e Tecnologia Alimentar, 2014, 2(1), 1-18

 M. Rui Alves

2.4 COMPARAÇÃO DE CTQ COM KPI

Para clarificar estas definições, atente-se no exemplo seguinte relativo a um produto
alimentar hipotético, notando que as variáveis críticas para a qualidade correspondem a
linguagem comum usada por qualquer consumidor, ao passo que os indicadores críticos do
processo correspondem a uma linguagem técnica (Figura 2):

Figura 2
Comparação de
variáveis críticas para a
qualidade e indicadores
chave do processo

3. ESPECIFICAÇÃO

Nenhum processo consegue ser absolutamente exacto, existindo sempre uma

determinada variabilidade. Por essa razão, uma vez definido um indicador chave do processo,
é necessário estudá-lo, determinando qual o valor pretendido e quais os limites de variação
admissíveis, daí resultando uma especificação.
Qualquer especificação é constituída por dois valores: o valor nominal, representado
por VN, e o erro admissível, representado por EA, podendo expressar-se do modo seguinte:

VN ± EA

O VN é o valor pretendido para o indicador chave do processo, e o EA é um erro, por

excesso ou por defeito, que tem sempre de se admitir, e que resulta da variabilidade típica
(comum) dos processos.
Chama-se limite inferior da especificação ao valor LIE = VN–EA e limite superior da
especificação ao valor LSE = VN+EA. Neste sentido, a tolerância, também chamada amplitude
da especificação, define-se como T = LSE–LIE.
As especificações tanto podem resultar do trabalho realizado internamente pela
organização para controlar os seus processos, como pode resultar directamente de um pedido
de um consumidor, ou de uma imposição legal ou regulamentar. Independentemente do caso,
uma especificação pode ser representada graficamente do modo seguinte:

Figura 3
Esquema de uma especificação constituída por um
valor nominal VN (também denominado objectivo,
meta, target,…) e um erro admissível EA, indicando
o significado de tolerância ou amplitude da
especificação.

Pode então verificar-se que uma especificação é a definição de um valor nominal e de

um erro admissível para um KPI, pelo que se pode dizer que uma especificação é a
operacionalização de um indicador chave do processo. Assim, a Figura 2, que comparava a
VOC com a VOE, pode agora ser completada com os valores da especificação, tal como se
mostra na Figura 4.

Cadernos de Ciência e Tecnologia Alimentar, 2014, 2(1), 1-34 5

 Capacidade de Processos com variáveis normais

Figura 4
Esquema de uma
especificação constituída por
um valor nominal VN
(também denominado
objectivo, meta, target) e um
erro admissível EA.

4. PROCESSOS QUE SEGUEM A LEI NORMAL

No âmbito deste texto abordar-se-á o caso de processos caracterizados apenas por um

KPI, logo por uma especificação única. Também no âmbito deste texto, entende-se por processo
normal aquele cujo KPI, i.e., cuja variável de interesse, segue as leis da distribuição normal.
Nestas condições, os processos caracterizam-se pela média (μ) e desvio padrão (σ) da
variável de interesse. A média é o valor mais representativo e indica o que o processo faz em
termos médios, ao passo que o desvio padrão informa sobre a maior ou menor dispersão (ou
precisão) do processo, i.e., informa sobre a dispersão comum do processo.
Um aspecto muito importante a considerar na distribuição normal é a transformação de
qualquer valor x de um KPI num valor z da distribuição normal padrão. Essa transformação
obtém-se com a equação z = (x−μ)/σ. O valor z representa o afastamento de qualquer valor x
em relação à média do processo, medido em unidades de desvio padrão.
Por exemplo, se um processo opera com média μ = 20 e desvio padrão σ = 1.5, o valor
x = 17, em unidades da distribuição normal padrão, é z = (17−20)/1.5 = −2. Isto significa que o
valor x está afastado da média, por defeito, duas unidades de desvio padrão. Este pequeno
exemplo mostra que em termos de distribuição normal, são menos importantes os valores
absolutos das variáveis, sendo mais importante avaliar o maior ou menor afastamento desses
valores em relação à média.
Conhecendo os valores μ e σ, então é possível desenhar um esquema que ilustre o que
o processo faz. Na Figura 5 relembra-se a curva normal e alguns aspectos relevantes.

Figura 5
Esquema da distribuição normal: os
processos são caracterizados por uma média
μ, de posição central, e um desvio padrão σ
que reflecte a dispersão comum ou intrínseca
ao processo. Valores inferiores a LIP = μ−3σ
ou superiores a LSP = μ+3σ são raros.
Na prática é relevante o cálculo das áreas sob
a curva em intervalos definidos. A figura
mostra um exemplo: entre os valores μ−2σ e
μ−1σ a área sob a curva (indicada em
sombreado) corresponde a 13.6% do valor
total da área. Este valor obtém-se através da
utilização de software ou de tabelas da
distribuição normal.

6 Cadernos de Ciência e Tecnologia Alimentar, 2014, 2(1), 1-18

 M. Rui Alves

De uma forma simplista, a distribuição normal significa que a maioria dos produtos têm
valores muito próximos de μ (onde a curva apresenta os valores mais elevados), e que é cada
vez menor o número de produtos com valores progressivamente mais afastados de μ (a curva
desce à medida que os valores se afastam de μ. Na Figura 5 verifica-se que valores inferiores a
μ–3σ ou superiores a μ+3σ são muito raros. Assim, por convenção, considera-se que numa
distribuição normal os valores entre μ±3σ são frequentes, e que os valores que excedam esses
limites, por defeito ou por excesso, são raros. Por essa razão, diz-se que o erro do processo (EP)
é igual a ±3σ, podendo definir-se o valor LIP = μ–3σ como o limite inferior do processo, e o
valor LSP = μ+3σ como o limite superior do processo. Estes valores ilustram-se também na
Figura 5. Pode aí verificar-se que, de facto, a curva que representa a distribuição normal é
praticamente nula para aquém de LIP = μ–3σ e para além de LSP = μ+3σ. Chama-se amplitude
do processo à diferença LSP–LIP e tem sempre o valor:

amplitude do processo = LSP–LIP = (μ+3σ) – (μ–3σ) = 6σ

Todas as definições efectuadas e respectivos comentários representam-se graficamente

na Figura 6, que permite colocar o valor central do processo e os seus limites de forma análoga
ao valor nominal e limites da especificação.

Figura 6
Esquema de uma especificação constituída por um
valor nominal VN (também denominado objectivo,
meta, target,…) e um erro admissível EA.

5. ESPECIFICAÇÕES VS PROCESSOS

Do que ficou dito nas secções anteriores, fácil será verificar que o problema da empresa
consiste em garantir que se consegue fornecer ao cliente um produto que cumpra as
especificações. Logo, o problema consiste em comparar as especificações do cliente (quer
interno quer externo) com as características dos processos e verificar se se consegue cumprir
com os requisitos do cliente.
Dito por outras palavras, os processos deverão operar de forma a garantir que não se
geram produtos "defeituosos" ou "não-conformes", i.e., que os produtos não excedem por
defeito o limite inferior da especificação (LIE), nem por excesso o limite superior da
especificação (LSE). Além disso, pretende-se sempre que a maior parte dos produtos tenha
características próximas do valor nominal.
Nas Figuras 7 e 8 ilustram-se comparações entre especificações e processos que podem
ocorrer na prática. A situação ideal apresenta-se na Figura 7, em que a média do processo está
centrada com o valor nominal da especificação, e a dispersão do processo é pequena,
produzindo-se poucos itens defeituosos. Esta situação permite que o processo se altere um
pouco (descentrando-se ou aumentando a dispersão) sem que tal conduza imediatamente à
produção de itens defeituosos. Na Figura 8 ilustra-se uma situação em que se produzem muitos
defeituosos (no exemplo, por defeito) porque o processo se encontra descentrado e também
porque apresenta uma dispersão muito grande, fazendo com que a amplitude do processo seja
superior à amplitude da especificação. Este segundo caso é um exemplo de uma situação onde
seria impossível cumprir com a especificação.

Cadernos de Ciência e Tecnologia Alimentar, 2014, 2(1), 1-34 7

 Capacidade de Processos com variáveis normais

Figura 7
Esquema de um processo centrado (com μ igual a VN) e com dispersão baixa (amplitude da especificação
relativamente superior à amplitude do processo), permitindo produzir poucos defeituosos). Na tabela da esquerda
apresentam-se métricas discutidas no texto. Produzido com a função SixSigma, apresentada em anexo, criada
especificamente para este texto.

Figura 8
Esquema de um processo descentrado (com μ menor do que VN) e com dispersão alta (amplitude da
especificação menor que a amplitude do processo), conduzindo à produção de itens defeituosos. Na tabela da
esquerda apresentam-se métricas discutidas no texto. Produzido com a função SixSigma, apresentada em anexo,
criada especificamente para este texto.

8 Cadernos de Ciência e Tecnologia Alimentar, 2014, 2(1), 1-18

 M. Rui Alves

Para comparar os processos com as especificações e perceber o que o processo faz,

existem várias métricas possíveis, de entre as quais se abordarão as seguintes:
1) capacidade do processo;
2) desempenho do processo;
3) nível sigma do processo.

5.1 1ª MÉTRICA: CAPACIDADE DO PROCESSO

A comparação entre a especificação e o processo é feita, em primeira mão, através da
determinação da capacidade potencial do processo, que se indica por Cp:

𝑉𝑜𝐶 𝑎𝑚𝑝𝑙𝑖𝑡𝑢𝑑𝑒 𝑑𝑎 𝑒𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑎çã𝑜 𝐿𝑆𝐸 − 𝐿𝐼𝐸

𝐶𝑝 = = =
𝑉𝑜𝑃 𝑎𝑚𝑝𝑙𝑖𝑡𝑢𝑑𝑒 𝑑𝑜 𝑝𝑟𝑜𝑐𝑒𝑠𝑠𝑜 6𝜎

Classicamente, considera-se que uma capacidade do processo mínima de 1.3 é

necessária para trabalhar respeitando as especificações (sem produzir muitas unidades
defeituosas). É exactamente essa situação que se retractou na Figura 7, na “tabela de capacidade
do processo”, apresentada no quadro da Figura 7 à esquerda.
Esta métrica tem um problema: é uma boa métrica se a média do processo estiver
centrada com o valor nominal da especificação, mas se tal não acontecer, pode induzir
conclusões erradas. Por essa razão, existe uma outra métrica importante, o Cpk, baseado em
duas outras métricas, o Cpi (que mede a proximidade de μ ao LIE) e Cps (que mede a
proximidade de μ ao LSE):

𝐿𝐼𝐸 − 𝜇 𝐿𝑆𝐸 − 𝜇 𝐶𝑝 𝑠𝑒 |𝐶𝑝𝑖 | < |𝐶𝑝𝑠 |

𝐶𝑝𝑖 = 𝐶𝑝𝑠 = 𝐶𝑝𝑘 = { 𝑖
3𝜎̂ 3𝜎̂ 𝐶𝑝𝑠 𝑠𝑒 |𝐶𝑝𝑖 | > |𝐶𝑝𝑠 |

Nestas métricas, excepto numa eventual situação muito anómala de um processo

exageradamente descentrado, o Cpi é sempre negativo e o Cps é sempre positivo. O Cpk é o
valor que realmente importa e corresponde ao valor do Cpi ou do Cps, àquele que for menor em
termos absolutos. Se |Cpi| = |Cps|, tal significa que a média do processo está centrada no valor
nominal da especificação e, nesse caso, verificar-se-á que o Cpk = Cp. Se |Cpi| < |Cps|, então a
média do processo é inferior ao valor nominal da especificação, podendo produzir mais
defeituosos por defeito. Se |Cpi| > |Cps|, então a média do processo é superior ao valor nominal,
podendo produzir mais defeituosos por excesso.
Note-se que na literatura sobre controlo de processos, em geral usa-se para o valor de
Cpk o valor absoluto do menor dos valores, i.e., Cpk = min(|Cpi|;|Cps|) daí resultando que o Cpk
é sempre positivo, conduzindo à perda da informação sobre o lado para o qual o processo está
deslocado em relação ao valor nominal da especificação. Por essa razão, neste caderno, opta-se
por recomendar para o valor de Cpk o valor ao Cpi ou Cps, àquele que corresponder ao menor
valor absoluto, mas sempre afectado do sinal respectivo, positivo ou negativo.
Assim, as métricas fundamentais são duas: o Cp indica sobre a capacidade do processo
respeitar a especificação, e o Cpk indica sobre eventuais desajustamentos entre a média do
processo (μ) e o valor nominal da especificação (VN) e consequente necessidade de ajustamento
do processo. Na literatura clássica sobre controlo de processos, num processo correctamente
calibrado, a funcionar em termos ideais, devem verificar-se as seguintes duas condições:

Cp ≥ 1.3 e |Cpk| = Cp.

Ver exemplo de cálculos na secção 6.

Cadernos de Ciência e Tecnologia Alimentar, 2014, 2(1), 1-34 9

 Capacidade de Processos com variáveis normais

5.2 2ª MÉTRICA: DESEMPENHO DO PROCESSO EXPRESSO EM PPM

O desempenho do processo avalia a quantidade de defeituosos que são produzidos,
expressos em PPM (partes por milhão). Trata-se de comparar o processo (tal como deduzido
através da aplicação das leis da distribuição normal) com os limites da especificação. É
importante relembrar que a área sob a curva da distribuição para a esquerda do LIE corresponde
à fracção defeituosa produzida por defeito, e que a área sob a curva normal para a direita do
LSE corresponde à fracção defeituosa produzida por excesso. Essas áreas, quando calculadas,
por serem referentes a probabilidades, variam entre 0 e 1. Assim, multiplicando essas fracções
defeituosas por 100, obtém-se a percentagem de itens defeituosos, e multiplicando por 1000000
obtém-se o número de PPM.
Calculando os PPMi (excedendo por defeito o LIE) e os PPMs (excedendo por excesso
o LSE), e somando os resultados, obtém-se os defeituosos totais expressos em partes por
milhão, ou PPMt. As equações apresentadas de seguida estão adaptadas à utilização directa das
tabelas da distribuição normal ou do Excel:

𝑃𝑃𝑀𝑖 = 𝑃(−∞ < 𝑥 < 𝐿𝐼𝐸) × 1.000.000

𝑃𝑃𝑀𝑠 = [1 − 𝑃(−∞ < 𝑥 < 𝐿𝑆𝐸)] × 1.000.000

𝑃𝑃𝑀𝑡 = 𝑃𝑃𝑀𝑖 + 𝑃𝑃𝑀𝑠

Um processo que produz demasiados PPMt corresponde a um processo cuja média está
muito descentrada em relação ao valor nominal da especificação (com um |Cpk| muito inferior
ao Cp), ou com uma amplitude do processo muito grande em comparação com a tolerância da
especificação (com um Cp muito abaixo de 1.3).
Ver exemplo na secção 6.

5.3 3ª MÉTRICA: NÍVEL SIGMA DO PROCESSO

O nível sigma, que será aqui indicado por zσ, é uma métrica utilizada nos projectos seis-
sigma e consiste em imaginar que todos os PPM produzidos, i.e., os PPMt, estão localizados na
parte direita da especificação (excedendo, por excesso, o LSE) e calculando o valor da variável
normal z correspondente a esses defeituosos.
Sabendo os PPMt de um processo, o valor zσ pode ser facilmente calculado através da
distribuição inversa normal, i.e., da distribuição que para um determinado teor de defeituosos,
considerados no lado direito da curva normal, indica o valor de z correspondente.
Note-se que usando tabelas da distribuição normal ou algum software, pode ser mais
fácil considerar os PPMt todos produzidos por defeito, calcular o valor de z correspondente (que
será sempre negativo) e usar o valor absoluto de z como nível sigma, i.e., zσ = |z|.
Ver exemplo na secção 6.

6. EXEMPLO DE CÁLCULO DAS MÉTRICAS

As métricas relativas ao estudo dos processos são fáceis de calcular, nomeadamente por
todos quantos tenham um conhecimento mediano da distribuição normal. Para facilitar os
cálculos, nesta secção será usada uma tabela da distribuição normal transformada em tabela 6-
sigma, e apresentar-se-ão soluções com recurso ao software R (mais apelativo e versátil) e Excel
(mais usual e disponível). Também se produziu uma função, denominada SixSigma, que calcula
todas as métricas e esquematiza os problemas.

10 Cadernos de Ciência e Tecnologia Alimentar, 2014, 2(1), 1-18

 M. Rui Alves

6.1 EXEMPLO
Para clarificar o cálculo das métricas referentes ao estudo dos processos, usar-se-á o
exemplo que se apresenta na Figura 9, com os dados seguintes:

 Especificação: VN = 250 EA = 12
 Processo: μ = 249 σ = 5.5

6.2 FUNÇÃO SIXSIGMA

A Figura 9 foi produzida com a função SixSigma, construída em linguagem R
especificamente para este caderno, e que se apresenta em anexo. Na Figura 9, como já acontecia
nas Figuras 7 e 8, pode observar-se a forma como os parâmetros são inseridos na função, i.e.,

> SixSigma(VN=250,EA=12,Media=249,DP=5.5,Plot=T)

Esta função tem como argumentos principais VN e EA (parâmetros da especificação) e

Media e DP (parâmetros do processo). A função desenha a especificação (em vermelho), a
curva normal correspondente ao processo (em azul), indica os limites inferiores e superiores,
quer da especificação, quer do processo, e mostra (em verde) as áreas sob a curva normal
correspondentes às fracções de defeituosos. A função apresenta, no quadro que acompanha a
figura, à esquerda, os dados sobre a especificação e o processo, seguidos dos valores das
métricas abordadas anteriormente.
O argumento Plot=T produz a figura completa, e Plot≠T desenha apenas a especificação.

Figura 9
Saída da Função SixSigma (ver função nos anexos). A função desenha a especificação e os seus parâmetros (em
vermelho), a curva normal correspondente ao processo e os parâmetros (em azul), e mostra (em verde) as áreas
sob a curva normal correspondentes às fracções de defeituosos. A função apresenta, no quadro que acompanha a
figura, à esquerda, os dados sobre a especificação e o processo, seguidos dos valores das métricas

Cadernos de Ciência e Tecnologia Alimentar, 2014, 2(1), 1-34 11

 Capacidade de Processos com variáveis normais

6.3 CÁLCULOS
6.3.1 Capacidade do processo

Os cálculos relativos à capacidade do processo são:

𝑎𝑚𝑝𝑙𝑖𝑡𝑢𝑑𝑒 𝑑𝑎 𝑒𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑎çã𝑜 2 × 𝐸𝐴 24
𝐶𝑝 = = = = 0.727
𝑎𝑚𝑝𝑙𝑖𝑡𝑢𝑑𝑒 𝑑𝑜 𝑝𝑟𝑜𝑐𝑒𝑠𝑠𝑜 6×𝜎 33

𝐿𝐼𝐸−𝜇 238−249 𝐿𝑆𝐸−𝜇 262−249

𝐶𝑝𝑖 = ̂
3𝜎
= 16.5
= −0.667 𝐶𝑝𝑠 = ̂
3𝜎
= 16.5
= 0.788

Como |Cpi| = 0.667 e |Cps| = 0.727, o menor valor absoluto é o Cpi, pelo que Cpk = Cpi:

𝐶𝑝𝑘 = −0.667

Comparando os Cpi e Cps, porque o Cpi tem o menor dos valores, em termos absolutos,
o Cpk é igual ao Cpi.
Com estas métricas verifica-se de imediato que o processo vai produzir muitos
defeituosos porque o Cp é muito inferior a 1.3. Verifica-se também de imediato que o processo
está deslocado para a esquerda porque o Cpk é negativo, pelo que irá produzir um excesso de
itens defeituosos por defeito (demasiados PPMi em comparação com os PPMs).

6.3.2 Desempenho do processo

O desempenho do processo diz respeito ao cálculo do número de itens defeituosos

produzidos por milhão de itens. Para calcular os PPMi, PPMs e PPMt é necessário recorrer a
tabelas da distribuição normal ou a software.

Nos anexos fornece-se uma tabela 6 sigma, construída especificamente para este
caderno, e que não é mais do que uma tabela da distribuição normal para valores de z variáveis
entre −6 e 0 (com os valores de z arredondados às centésimas) com todas as probabilidades
multiplicadas por 1000000. As tabelas usuais apresentam apenas valores de z entre −3 a 0. Note-
se que para valores de z positivos se usa a mesma tabela, devido ao facto de a distribuição
normal ser simétrica.
Os PPMi são a probabilidade (ou área da curva) entre −∞ e LIE, expressa em partes por
milhão. Para usar a tabela 6 sigma para calcular os defeituosos por defeito, procede-se do modo
seguinte: O LIE = 238, em variáveis z, é z = (LIE−μ)/σ = (238−249)/5.5 = −2.00. Na Tabela 6
sigma, na coluna à esquerda, procuramos o valor de z até às décimas, z = −2.0 e procuramos na
linha superior a casa das centésimas z = 0.00, obtendo, no miolo da tabela, o valor 22750.13.
Estes são os PPMi.
Os PPMs são a probabilidade (ou área da curva) entre LSE e +∞, expressa em partes por
milhão: O LSE = 262, em variáveis z, é z = (LSE−μ)/σ = (262−249)/5.5 = +2.36 (verifique-se
que sem arredondamento às centésimas z = 2.363636). Na Tabela 6 sigma trabalha-se com o
valor negativo, pelo que, no cruzamento da linha z = −2.3 com a coluna z = 0.06, obtém-se, no
miolo da tabela, o valor 9137.468. Estes são os PPMs.
Os PPMt são a soma dos PPM produzidos por defeito e por excesso, sendo neste caso
exemplo PPMi + PPMs = 22750.13 + 9137.468 = 31887.598.

12 Cadernos de Ciência e Tecnologia Alimentar, 2014, 2(1), 1-18

 M. Rui Alves

No R, a função para cálculo de uma área sob a curva normal entre −∞ e um valor
qualquer x, é pnorm(q,mean,sd):

> PPMi <- 1000000 * pnorm(q=238,mean=249,sd=5.5)

> PPMi
[1] 22750.13
> PPMs <- 1000000 * (1-pnorm(q=262,mean=249,sd=5.5))
> PPMs
[1] 9048.283
> PPMt <- PPMi+PPMs
> PPMt
[1] 31798.41

No Excel a função é =dist.normal(x;média;desvio;verdadeiro):

Nota: O software permite obter resultados mais exactos do que as tabelas, devido ao
facto das tabelas funcionarem com valores arredondados. No caso, a tabela 6 sigma funciona
com valores de z arredondados às centésimas, pelo que será de esperar algumas discrepâncias
entre os valores obtidos por software (mais correctos) e obtidos pelas tabelas da distribuição
normal (eventualmente menos correctos).

6.3.3 Nível sigma

Para obter o nível sigma consideram-se os PPMt, imaginando-se todos do mesmo lado
da distribuição. Por conveniência, tanto em relação ao software como em relação às tabelas,
imaginamos esses PPMt como sendo todos produzidos por defeito, logo à esquerda da
distribuição.
Agora a questão é inversa: para calcular os PPM calculava-se o valor de z e procuravam-
se os PPM no miolo da tabela 6 sigma. Agora, procuram-se os PPMt no miolo da tabela, e
deduz-se o nível sigma, i.e., o valor de z.
Como PPMt = 31887.598 (determinados na secção anterior com o uso da tabela 6
sigma), então tem de procurar-se na tabela esse valor, ou o valor mais próximo. O valor mais
próximo é 31442.76, correspondente a z = −1.86. Atendendo a que, por convenção, os PPMt se
consideram todos por excesso, para que o valor sigma seja seja positivo, então o nível sigma
procurado será zσ = 1.86.
Nota: o processo seguido para encontrar os PPM no miolo da tabela a partir de um valor
z arredondado a duas casas decimeis, e para encontar o valor de z a partir dos valores na tabela,
podem ser calculados de forma mais correcta por interpolação. No entanto, como se verifica
neste exemplo, a incorrecção que se obtém com o uso da tabela 6 sigma não é significativa.

No R e no Excel o processo de cálculo do valor de z a partir de uma probabilidade

obtém-se com a função normal inversa. A função normal inversa permite deduzir o valor z a
partir da fracção (área) sob uma secção da curva normal. O valor da área sob a curva
correspondente aos PPMt é p=PPMt/1000000. A função do R é qnorm(p,0,1), e no Excel a
função é =inv.normal(p;0;1). Como os PPMt obtidos tanto com o R como com o Excel eram
31798.41, o valor correspondente de z é:

Cadernos de Ciência e Tecnologia Alimentar, 2014, 2(1), 1-34 13

 Capacidade de Processos com variáveis normais

> z <- qnorm(31798.41/1000000,0,1)

> z
[1] -1.854996

Basta agora usar o valor positivo de z, obtendo zσ = 1.855. Arredondando para duas
casas decimais, zσ = 1.86, igual ao valor obtido com a tabela 6 sigma.

14 Cadernos de Ciência e Tecnologia Alimentar, 2014, 2(1), 1-18

 M. Rui Alves

7. BIBLIOGRAFIA

7.1. BIBLIOGRAFIA FUNDAMENTAL

Mayer, R. (1988). Administração da produção. São Paulo: Editora Atlas S.A.

Montgomery, D. (2000). Introduction to Statistical Quality Control, 4th ed., New York: Wiley.

QSB Consulting (sem data). Six Sigma and Minitab, a complete tool box guide for all six sigma
practitioners (updated for minitab 15). Published by QSB Consulting. Informações em
www.QSBC.co.uk.

Wadsworth, H., Stephens, K., & Godfrey, A. (1986). Modern methods for quality control and
improvement. New York: John Wiley & Sons.

7.2. BIBLIOGRAFIA RECOMENDADA

Alves, M. R. (2016). Modelos estatísticos para variáveis contínuas. Cadernos de Ciência e
Tecnologia Alimentar, 1(3), 1-X.

Lalanne, C. (2005). Companion to Montgomery’s Design and Analysis of Experiments.

http://www.aliquote.org/articles/tech/dae/dae.pdf. [Baixado em 5 de Dezembro de 2016].

Pysdek, T. (2003). The six-sigma handbook. New York:McGraw-Hill.

McCarty, T., Bremer, M., Daniels,L., & Gupta,P. (2004). The six sigma black belt handbook.
New York:McGraw-Hill.

Shewart, W. (1931). Economic control of quality of manufactured product. New York: D. Van
Nostrand Company, Inc.

Zhang, N., Stenback, G., & Wardrop, D. (1990). Interval Estimation of the process capability
index. Communications in Statistics: Theory and Methods, 19(21), 4455-4470.

7.3. SÍTIOS NA INTERNET RECOMENDADOS

Nist/Sematec (2013). What is Process Capability? In Engineering Statistcs Handbook.Edited
by NIST, an agency of the U.S. Department of Commerce. http://www.itl.nist.gov/div898/
handbook/pmc/section1/pmc16.htm

Cadernos de Ciência e Tecnologia Alimentar, 2014, 2(1), 1-34 15

 Capacidade de Processos com variáveis normais

8. ANEXO 1 - FUNÇÃO SIXSIGMA

# FUNÇÃO SixSigma
# SE PLOT = T, DESENHA O PROCESSO BASEADO NA MEDIA E DESVIO PADRÃO, E A
# ESPECIFICAÇÃO BASEADA EM VN E EA. SOMBREIA AS ÁREAS CORRESPONDENTES AOS
# DEFEITUOSOS. ESCREVE TABELAS COM A CAPACIDADE E DESEMPENHO DO PROCESSO
# SE PLOT != T DESENHA APENAS A ESPECIFICAÇÃO
# -----------------------------------------------------------------------

SixSigma <- function(VN=1000,EA=15,Media=998,DP=4.5,Plot=T){

LIE <- VN-EA; LSE <- VN+EA; LIP <- Media-3*DP; LSP <- Media+3*DP
Left <- LIE-EA/2; Right <- LSE+EA/2
Upper <- dnorm(Media,Media,DP)*1.2
Lower <- dnorm(Media,Media,DP)*(-0.3)
plot(function(x) dnorm(x,mean=Media,sd=DP),type="n",
xlim=c(Left,Right),ylim=c(Lower,Upper))
abline(h=0)
if (Plot==T){
plot(function(x) dnorm(x,mean=Media,sd=DP),xlim=c(Left,Right),
ylim=c(Lower,Upper),col=4,lwd=2,xlab="KPI (X variável)",
ylab="dist normal (densidade)",main="Especificação vs Processo")
# processo
text(x=Media,y=-Lower/3,labels=expression(mu),col=4,pos=3)
text(x=LIP,y=-Lower/3,labels=expression(paste(mu,"-3",sigma)),
col=4,pos=3)
text(x=LSP,y=-Lower/3,labels=expression(paste(mu,"+3",sigma)),
col=4,pos=3)
segments(x0=c(LIP,Media,LSP),y0=Lower/6,
x1=c(LIP,Media,LSP),y=-Lower/3,col=4,lwd=2)
# defeituosos
a <- seq(from=Left-2*EA,to=LIE,length=100)
b <- dnorm(a,mean=Media,sd=DP)
arco <- c(0,b,0)
eixo <- c(from=Left-2*EA,a,to=LIE)
polygon(x=eixo,y=arco,border=4,lwd=2,col=3)
a <- seq(from=LSE,to=Right+2*EA,length=100)
b <- dnorm(a,mean=Media,sd=DP)
arco <- c(0,b,0)
eixo <- c(from=LSE,a,to=Right+2*EA)
polygon(x=eixo,y=arco,border=4,lwd=2,col=3)
} # end if
# especificação
segments(x0=LIE,y0=0,x1=LSE,y1=0,col=2,lwd=2)
segments(x0=c(LIE,VN,LSE),y0=Lower/3,
x1=c(LIE,VN,LSE),y=-Lower/6,col=2,lwd=2)
text(x=c(LIE,VN,LSE),y=Lower/3,labels=c("LIE","VN","LSE"),
col=2,pos=1)
# Métricas
AmpEsp <- LSE-LIE; AmpProc <- LSP-LIP; Cp <- AmpEsp/AmpProc
Cpi <- (LIE-Media)/(3*DP); Cps <- (LSE-Media)/(3*DP)
if (abs(Cpi)<abs(Cps)) {Cpk <- Cpi} else {Cpk <- Cps}
PPMi <- round(pnorm(q=LIE,mean=Media,sd=DP)*1000000,1)
PPMs <- round((1-pnorm(q=LSE,mean=Media,sd=DP))*1000000,1)
PPMt <- PPMi+PPMs
nivelZ <- round(-qnorm(p=PPMt/1000000,mean=0,sd=1),3)
# tabelas de resultados
Especificação <- data.frame(LIE,VN,LSE,EA,2*EA)
names(Especificação) <- c("LIP","Média","LSP","EA","amplitude")
cat("\n especificação \n")
cat(" -------------\n")
print.table(Especificação)
Processo <- data.frame(LIP,Media,LSP,DP,6*DP)
names(Processo) <- c("LIP","Média","LSP","DP","amplitude")
cat("\n processo \n")
cat(" --------\n")
print.table(Processo)
Cp.table <- round(data.frame(AmpEsp,AmpProc,Cp,Cpi,Cps,Cpk),3)
nivelZ.table <- data.frame(PPMi,PPMs,PPMt,nivelZ)
cat("\n tabela de capacidade do processo \n")
cat(" --------------------------------\n")
print.table(Cp.table)
cat("\n tabela de desempenho e nível sigma do processo \n")
cat(" ----------------------------------------------\n")
print.table(nivelZ.table)
}
# -----------------------------------------------------------------------
SixSigma(VN=250,EA=12,Media=249,DP=5.5,Plot=T) # exemplo

16 Cadernos de Ciência e Tecnologia Alimentar, 2014, 2(1), 1-18

 M. Rui Alves

9. ANEXO 2 – TABELA 6 SIGMA

Valores da distribuição normal padrão expressos em PPM,

i.e., valores apresentados na forma P(−∞ ≤ zi ≤ Z) × 1.000.000

Cadernos de Ciência e Tecnologia Alimentar, 2014, 2(1), 1-34 17

Capacidade de Processos com variáveis normais

Anexo 2 – Tabela 6 Sigma (continuação)

Vvalores da distribuição normal padrão expressos em PPM,

i.e., valores apresentados na forma P(−∞ ≤ zi ≤ Z) × 1.000.000

18 Cadernos de Ciência e Tecnologia Alimentar, 2014, 2(1), 1-18