Apostila - Volume 1

Prof. Dr. Ademir J.
Petenate
Volume 1
VOLUME 1
Publicado por Escola EDTI
Campinas São Paulo
2019
Sumário
Introdução 1
Lean Six-Sigma 1
Organização vista como um sistema 17
Modelo de Melhoria: 3 Questões Fundamentais 23
Modelo de melhoria: PDSA 43
Estruturação do trabalho em equipe 59
Técnicas para estruturar o trabalho em equipe 59
Estatística 89
Probabilidade 93
Distribuições de probabilidade 95
Modelos probabilísticos para v.a. discretas 103
Modelo probabilísticos para v.a contínuas 113
Estudo de uma população 123
Teste de hipóteses 135
Define 151
Introdução 152
Contrato de Melhoria 153
SIPOC 161
Measure 167
Fluxograma 169
Tipos de variáveis 177
Análise do Sistema de Medição (MSA) 181
Análise da variação 213
Gráfico de tendência e causas de variação 217
Análise de indicadores 233
Gráficos de frequência:histograma e dot-plot 239
Estatísticas descritivas 243
Gráfico de barras e tabelas 253
Gráfico de Pareto 257
Estratificação 267
Gráfico de controle 271
Capabilidade 303
Transformação de variáveis 335
INTRODUÇÃO
Melhorar é uma
necessidade
A metodologia Lean Seis Sigma surgiu da união de duas outras Aqui, as ferramentas do Lean são
metodologias, antes conhecidas como concorrentes: o Lean, direcionadas para o mapeamento de
que nasceu na Toyota, baseado no TPS (Toyota Production processos e desenvolvimento de cultura
System), e o Seis Sigma, nascido na Motorola. de melhoria dentro de empresas. As
Ambas as metodologias vão (quando isoladas) além do que ferramentas do Seis Sigma têm foco em
é ensinado e pedido de um Black Belt. Para atender essa análise de dados e técnicas de estatística
necessidade, foi desenvolvida a metodologia Lean Seis Sigma, para auxílio em tomadas de decisões.
que incorpora as ferramentas mais úteis e focadas
em melhoria de processos.
Com a competitividade cada vez maior entre as O discurso de “sempre fiz assim e deu
empresas, projetos de melhoria ajudam a reduzir custos, certo” não garante mais a sobrevivência
problemas de qualidade e também a ajudam a encontrar das empresas e, por esse motivo,
soluções inovadoras. Necessidades que se fazem é necessário dominar um método
presentes nas organizações do cenário atual. eficiente de realizar melhorias.
2
Introdução
As Eras
da Qualidade
AC - 1750: Era dos artesãos
O artesão controla o sistema de produção. Atende a

definição de qualidade do cliente. Alta qualidade obtida
com alto custo. Mercadorias únicas.
1750 1875 1930 1950 1980 1990 2000
1750 -1950: era da produção
Transição dos métodos de produção artesanais para a produção

por máquinas. Nesse momento, acontece um impacto fantástico na
redução de custo de produção. A qualidade se torna secundária, e
controlada através de inspeções. Criação de uma estrutura gerencial
robusta, com departamentos e barreiras os separando para garantir
que esses sistemas (produção e inspeção) fossem controlados.
3
As Eras
da Qualidade
1875: Taylorismo
1875: Frederick Taylor desenvolve a primeira abordagem para

trabalhar com produtos e processos mais complexos: dividir
os trabalho em pequenas unidades de processamento. Essa
metodologia é chamada de “Administração Científica”.
1750 1875 1930 1950 1980 1990 2000
1900-1930: Fordismo
Henry Ford desenvolve o conceito de linha

de montagem e desenvolve alguns métodos
para melhorar a qualidade e produtividade,
como sistemas à prova de erros e inspeção.
Em contrapartida, o método faz aumentar os
problemas com qualidade.
4
Introdução
As Eras
da Qualidade
1930: Shewhart (cep)
Walter Shewhart (que na época trabalhava na Bell Telephones)

começa a entender que os problemas de qualidade estão
envolvidos com as variações que ocorrem nos processos.
Reconhece a existência de variabilidade em todos os indicadores
de processo e divide as causas de variação em duas categorias:
comuns e especiais. Também desenvolve um método para
identificação das causas de variação: o gráfico de controle. Outra
importante contribuição é o ciclo de Shewhart, no qual propõe
a utilização do método científico para solucionar problemas de
qualidade. Nessa época outra figura importante é o Fisher, através
do desenvolvimento de experimentos na área da agricultura. Ele
começa a desenvolver várias técnicas de análises de dados para
otimizar e planejar experimentos.
1750 1875 1930 1950 1980 1990 2000

1950 - dias de hoje: Era do
gerenciamento da qualidade:
O norte americano Deming, discípulo de Shewhart,

foi enviado ao Japão para ajudar o país a planejar
o senso de 1950. Deming começa então a interagir
com o governo e companhias, e a gestão começa a
expandir. Com isso suas ideias começam a ser usadas
para reconstruir o Japão, e o país se torna competitivo
novamente. Juran e Ishikawa também participam deste
processo. Karou Ishikawa introduz o diagrama de causa
e efeito. Com isso, em 1970, os japoneses começam a
aparecer no ocidente com produtos de boa qualidade e
com preços altamente competitivos, principalmente na
indústria automotiva.
5
As Eras
da Qualidade
1980-90: ISO, Lean, Seis Sigma ISO: Publica o primeiro manual da
É o momento histórico em que ocorrem as maiores qualidade.
transformações no ambiente da melhoria da
Lean: Em um projeto paralelo,
qualidade: Os Estados Unidos começam a perder
o MIT (com patrocínio de várias
mercado para os japoneses e iniciam missões para o
empresas automobilísticas) monta
Japão para entender como funcionava o processo de
um grupo de pesquisa para estudar
fabricação dos veículos no país.
o sistema de produção americano,
Algumas empresas se organizam para atuar junto a japonês e europeu. Deste estudo
universidades, no intuito de mudar o currículo dos começam a entender o sucesso da
engenheiros adicionando termos de qualidade. produção, baseado no sistema Toyota
A Motorola propõe um desafio de aumentar o nível de produção. O livro A máquina que
de qualidade de maneira exponencial. Com isso, um mudou o mundo é publicado e introduz
conjunto de ideias e conhecimentos adquiridos são o conceito de produção enxuta (Lean
agrupados, dando origem ao Seis Sigma. Manufacturing).
1750 1875 1930 1950 1980 1990

1990: Modelo de Melhoria, Lean Seis Sigma
Neste período, pesquisadores começam a notar que as metodologias
Lean e Seis Sigma possuem o mesmo objetivo (realizar melhorias
dentro de uma organização). Nasce então o Lean Seis Sigma.
O livro Modelo de melhoria é lançado e integra os diversos métodos

e ferramentas de melhoria em uma abordagem robusta e eficaz,
facilitando a integração e aumentando a eficiência dos programas de
melhoria.
6
Introdução
O que é
Lean Seis Sigma?
Lean LSS Six-Sigma
O que é Lean Seis Sigma?
7
O que é
Lean Seis Sigma?
Com o objetivo de trazer soluções para problemas da empresa está acima do nível 6 sigma.
existentes nas empresas, o Seis Sigma tem uma meta A cada 1 milhão de rodas produzidas,
de redução de defeitos. Em tese, para atingir o nível Seis apenas 3,4 apresentam defeitos. A
Sigma, a empresa deveria possuir 3,4 defeitos a cada 1 produção trabalha em nível 6 sigma.
milhão de oportunidades.
Esse valor foi definido a partir de um
Alguns exemplos seriam: estudo envolvendo algumas empresas
Um banco abre um milhão de contas por ano e (após referência na área de qualidade, e foi
levantamento) constatou-se que 100.000 dessas contas possível constatar que elas possuíam
tiveram algum problema com o preenchimento de dados em torno de 3,4 defeitos para cada
que demandou retrabalho, por parte da empresa ou dos milhão produzido.
clientes. Com isso, o processo de abertura de contas se O nível sigma também pode ser definido
enquadra entre os níveis 2 e 3 sigma. para outros valores, como mostra a
Uma linha de produção de notebooks observa após tabela da figura. Também é importante
alguns meses que seu rendimento de produção está em relativizar esses valores em função das
98% (ou seja, 2% dos notebooks produzidos têm algum características de cada indústria – é
defeito). O nível sigma atual da produção está entre 3 e 4 muito mais difícil ser uma empresa 6
sigma. sigma se a empresa atua na área de
Uma empresa de aviação tem, em todo seu histórico, serviços, quando comparado com uma
rendimento de 99,9999% de voos que não apresentaram empresa que atua com produção.
nenhum tipo de problema. Portanto o processo de voos
Ser uma empresa Seis Sigma demanda

que tanto a empresa quanto as pessoas
que trabalham nela estejam preparadas e
dispostas a mudar.
O desenvolvimento da cultura de melhoria contínua visa

o longo prazo e não ocorre de uma hora para a outra
dentro da empresa. Portanto, ter um método para se fazer
melhorias é o melhor caminho para desenvolver essa
cultura nas pessoas, para depois buscar a disseminação da
cultura em toda a empresa.
8
Introdução
Roteiro DMAIC
»» Contrato
»» VOC
»» Implementar mudanças »» SIPOC
»» Documentar
»» Monitorar
»» Treinar »» Mapear o processo atual
»» Quantificar o desempenho do processo
»» Avaliar o SM
»» Desenvolver e testar mudanças

»» Criticar o processo
»» Analisar os riscos
»» Identificar e analisar as causas
»» Selecionar mudanças
9
Roteiro DMAIC
Sabemos que existem diversos métodos que auxiliam o andamento de projetos.

Para ajudar os times de melhoria a organizar um projeto Seis Sigma, foi definido como padrão o
roteiro DMAIC.
O objetivo do DMAIC é organizar (em 5 etapas) o progresso do projeto de melhoria, deixando claro
para todos que participam o que foi feito e o que está sendo feito, guiando o projeto para que tenha
início, meio e fim. Com o roteiro, a equipe tem um método de trabalho seguro e eficiente para
organizar as atividades. Como quando usamos GPS em uma cidade que não conhecemos muito
bem, é importante utilizarmos o roteiro DMAIC para estruturarmos nosso projeto Seis Sigma. Afinal,
seguindo um método temos uma maior chance de sucesso.
Nesse caso, o objetivo é facilitar e organizar a forma como serão utilizadas as técnicas ao
longo do projeto, servindo como um guia para o time.
Com o roteiro DMAIC, a equipe tem um método de trabalho seguro e eficiente para organizar
as atividades.
10
Introdução
Roteiro DMAIC
1 Define and Contain 5

the Problem of Improvement
2 Measure the 6 Standardize

Problem and Control
3 Perform Root 7 Realize and

Cause Analysis Reflect
4 Plan and Implement

Improvement
8.Close 1.Define
Control Define
7. Standardise 2. Measure
Measure
6. Control 3. Analyse
Improve
5.Check 4. Improve Analyse
Além do DMAIC, existem outros roteiros
para se realizar melhorias.
Todos com o mesmo objetivo: estruturar os
Define Map Define passos de projeto. Para o Seis Sigma, o roteiro
Process Process Process
et ss
DMAIC ficou estabelecido como padrão.

An Pr
Meas.
rg ce
al oce
Ta Pro
s
ys s
Alguns roteiros de projeto famosos geralmente

e s
t
Se
th
e
encontrados em empresas são:

• Roteiro de projetos PDCA (Plan, Do, Check,
es the
M Pr
an oc
oc e
Act), não confundir com PDSA!

ag es
Pr rov
s
e s
p
th
Im
• Roteiro Kaizen de acompanhamento e processos,8

e
passos da Toyota para resolver problemas.

• Roteiro EDTI.
11
Papéis e funções dentro
do Lean Seis Sigma
Conselho de
gestão LSS
Patrocinador
(Champion)
Líder: BB ou GB
Coaching:
MBB ou BB
GB, YB ou WB
Considerando o método Seis Sigma White Belt: entende os conceitos básicos de melhoria
é geralmente usado em projetos e auxilia times na execução desses projetos. Conhece o
de melhoria (com começo, meio e Lean Seis Sigma, as etapas do roteiro DMAIC e o Modelo
fim), há a necessidade de um grupo de Melhoria.
de colaboradores qualificado para Yellow Belt: pode ser integrante em projetos Seis Sigma e
concretizar a iniciativa. lidera esforços de baixa complexidade. Conhece também
Os profissionais envolvidos nesses algumas ferramentas de mapeamento de processos e
projetos precisam ter algum nível de procura por possíveis problemas ao longo do projeto.
conhecimento, conforme o grau de Green Belt: lidera projetos de média complexidade.
dificuldade das tarefas assumidas. Geralmente recebe orientação de um Black Belt. É o
Os níveis de certificação Seis Sigma são principal responsável pela coleta de dados do projeto
divididos em faixas (belts), com cores de melhoria, entendendo a necessidade dos dados e a
diferentes, assim como no judô. maneira como devem ser coletados.
As certificações existentes são as Black Belt: orienta e treina times de melhoria.Pode
seguintes: White Belt, Yellow Belt, Green liderar projetos de alta complexidade.
Belt, Black Belt e Master Black Belt. Master Black Belt: treina e orienta BB e GB. Geralmente
Os conhecimentos exigidos para cada ajuda no desenvolvimento das estratégias dos projetos e
uma delas são: funciona como um consultor (sensei) dos projetos.
Ao longo do projeto também é necessária a presença de um patrocinador. Sua função consiste em

trazer a visão, missão e metas da companhia. Também ajuda a alinhar, identificar projetos,
recursos e a superar as dificuldades organizacionais.
12
Introdução
Estruturação para
a melhoria
Estratégia
Estrutura
Método
Está claro que algumas vezes os programas de Por isso, o apoio da alta liderança é
melhoria não trazem os resultados esperados. um fator primordial para o sucesso de
Muito desse fracasso pode ser explicado pela qualquer iniciativa de melhoria.
falta de organização das iniciativas.
Isso pode ser evitado se levarmos em Outro fator importante a ser considerado
consideração três pontos: estratégia, é a necessidade de existir uma estrutura
estrutura e método. adequada para gerenciar os projetos de
O primeiro aspecto a ser considerado é se as melhoria. Essa estrutura existe como meio
iniciativas de melhoria fazem parte da de alinhar objetivos, apoiar as iniciativas
estratégia do negócio. e gerenciar os esforços. Além disso, é vital
Em um programa de Lean Seis Sigma, as pessoas dominar as ferramentas de um método
devem dedicar tempo e esforço para atingir os reconhecidamente capaz de entregar os
resultados, e isso só acontecerá se esse programa resultados almejados com os
for considerado um tema estratégico. projetos de melhoria.
13
Eventos que ocorrem
em uma organização
Sistema Entendimento
de variação
Visão estática Visão dinâmica

Teoria do Psicologia
conhecimento
Deming, na década de 1990, sintetizou os fundamentos da ciência da melhoria em quatro pilares que
ele chamou de Sistema de Conhecimento Profundo, e no qual denota a capacidade de desenvolver
boas mudanças, as quais obtemos com a utilização desse sistema.
14
Introdução
Sistema de Conhecimento
Profundo
Os 4 pilares da ciência da melhoria:
Visão sistêmica
Teoria do Psicologia
conhecimento
W. E. Deming
Entendimento de variação
Visão sistêmica: empresas são sistemas Teoria do conhecimento (PDSA): boas

formados por processos e pessoas mudanças vêm da aplicação de conhecimento
interdependentes. Desta forma para melhorar os no processo. Para garantir o aprendizado é
resultados em um nível global são necessárias necessário uma estrutura, o que torna tudo mais
a compreensão e também a gestão dessas eficiente.
interações. Entendimento de variação: dados precisam
Psicologia: (trabalho em equipe): normalmente, ser sempre coletados. Isso é importante porque
pessoas estão envolvidas na realização das auxilia na compreensão do projeto, além de ser
atividades dentro das organizações. Cada uma ação necessária para o monitoramento das
indivíduo reage de maneiras diferentes à variações ocorridas ao longo dele, e também
implantação de mudanças propostas. Dito isso, é para ajudar no gerenciamento de todos os
necessário aplicar técnicas para trabalhar com as processos. (Além de indicar quais mudanças
pessoas e aumentar a chance de sucesso de uma devem ser realizadas para atingir uma melhora
implementação. nos processos.)
15
Conhecimento
para a Melhoria
Para melhorar processos é necessário dominar
dois tipos de conhecimento:
Melhoria
Conhecimento da
Conhecimento específico
ciência da melhoria
Conhecimento específico: Para que um projeto de melhoria tenha sucesso é preciso

Conhecimento básico das coisas que sua equipe seja formada por pessoas que possuam
que fazemos na vida, conhecimento pelo menos um dos dois tipos de conhecimento.
profissional e conhecimento técnico Pessoas com conhecimento específico contribuem com
relacionado ao processo no qual o conhecimento do processo e com ideias mais assertivas
projeto de melhoria atuará. sobre quais mudanças podem trazer melhoria.
Ciência da melhoria: Pessoas com conhecimento de melhoria auxiliam com
A interação das teorias de sistemas, métodos e na análise de dados, o que ajuda com o foco
variação, conhecimento e psicologia – do projeto e com a comprovação dos resultados obtidos.
conhecimentos esperados de um Belt
em Lean Seis Sigma.
16
ORGANIZAÇÃO
COMO UM SISTEMA
Organização como
um organograma
Grande parte das empresas tem

estrutura organizacional funcional,
ou seja, estão organizadas de acordo
com as funções exercidas pelos
colaboradores. Esta é a forma mais
comum e antiga de organizar as
empresas. Nesse tipo de modelo, a
Apesar dessa estrutura comum, as empresas trabalham
empresa é setorizada e as equipes
por processos que acabam permeando diversos setores
respondem diretamente ao gerente
da organização. Por mais que pessoas se enquadrem em
funcional. Na representação dessa estrutura,
departamentos, processos geralmente atuam por toda
é comum a utilização dos organogramas,
a empresa e estão interligados, não havendo uma única
que tiveram sua origem nas instituições
pessoa ou setor responsável.
militares para que fosse possível encontrar,
de forma mais rápida, o responsável por
determinada operação.
18
Organização como Sistema
Organização
como sistema
O mapa de processos é uma ferramenta que ajuda no desenvolvimento de uma visão da organização
como um sistema de processos interconectados (descrever “como o trabalho é feito”). Toda empresa
tem como objetivo atender uma necessidade para um cliente, e o cliente é a principal fonte de
direcionamento para o produto/serviço oferecido pela empresa. Portanto, o foco dos projetos de
melhoria é adequar processos para que o produto final atenda às especificações do cliente.
DESIGN AND
REDESIGN CONSUMER
RESEARCH
SUPPLIERS OF
MATERIAL, IFORMATION CONSUMERS
AND EQUIPMENT
DISTRIBUTION
RECEIPT AND
TEST OF MATERIALS
PRODUCTION, ASSEMBLY, INSPECTION
TESTS OF PROCESS,
MACHINES,
METHODS, COSTS
O mapa dos processos atende a quatro propósitos Benefícios:

principais: • Mostra como a organização realiza sua
• Fornece um método para ajudar os gerentes a enxergar a missão.
organização como um sistema e permitir que apliquem os • É uma ferramenta educacional
conceitos do pensamento sistêmico para focar os esforços de para os líderes desenvolverem um
gerenciamento no sistema. entendimento comum do sistema que
• Ajuda as pessoas que trabalham no sistema a perceber sua eles gerenciam e para comunicarem aos
interdependência com outros, estimulando o reconhecimento empregados, clientes e fornecedores
das interdependências na organização. como o sistema funciona.
• Direciona o foco da resolução de problemas e da melhoria • Fornece um método para focar nos
da qualidade para os processos da organização, e não apenas processos em vez das pessoas, quando
para departamentos ou pessoas. lidando com problemas.
• Fornece uma estrutura da organização que pode ser • Enfatiza as relações internas
usada para implementar vários programas e medições (por cliente-fornecedor.
exemplo, contabilidade baseada em atividades).
19
Processo
Um processo é um conjunto de causas e condições que se unem repetida-

mente em uma série de passos para transformar entradas em resultados.
Transformações
Fornecedores Entradas Resultados Clientes
S I P O C
A qualidade do trabalho realizado em uma
organização é resultado não somente do
funcionamento dos processos individuais,
mas também de quão bem esses processos se
conectam como um sistema.
20
Organização como Sistema
Processo
Ajustar plano Negociar e fechar Desenvolver

operacional novos negócios novos negócios
Desenvolver material Conduzir orientação

Desenvolver e integrar didático
Desenvolver para líderes de grupos
Preparar as de melhoria
teorias, métodos e planejamento Comunicar-se
atividades
ferramentas da ciência das atividades com clientes
Desenvolver novos nos clientes Fornecer educação e
de melhoria produtos nos clientes
treinamento
Agendamento de atividades Faturar clientes
Gerenciar controle financeiro

Planejar logística Manter sede e
de atividades equipamentos
Fazer distribuição do resultado
Para construir um mapa de processo, devemos seguir algumas diretrizes:

• Utilize verbos para descrever os processos.
• Ao construir o mapa dos processos, não perca muito tempo para distinguir se um processo é de
sustentação, direcionamento ou de suporte.
• O mapa deve descrever o que existe atualmente ou representar uma visão do sistema futuro.
• Uma estrutura 80% correta é um bom começo. O mapa dos processos deve ser melhorado conforme
sua utilização (deve ser um documento vivo).
21
MODELO DE
MELHORIA:
3 Questões fundamentais
Mudança e
melhoria
Conceito fundamental:
NEM SEMPRE
RESULTA EM:
MUDANÇA MELHORIA
REQUER
O primeiro passo para Com isso em mente, levantamos a seguir três considerações:
realizar melhorias é • Para propor qualquer mudança, precisamos ter um objetivo para o
reconhecer que nem projeto claramente definido (precisamos saber o que
toda mudança resulta queremos melhorar e por quê).
em melhoria. Apesar
disso, para melhorar, • Como nem toda mudança pode gerar uma melhoria, precisamos de
é necessário alterar o indicadores para comprovarmos quando nossa ação foi efetiva, é preciso
processo ou o sistema. estabelecer critérios (metas) para saber quando uma mudança é uma
melhoria para o propósito especificado.
• Como toda melhoria requer mudança, precisamos buscar por mudanças
durante a execução da iniciativa de melhoria, desenvolvê-las,
testá-las e implementá-las.
24
O Modelo de Melhoria: 3 Questões Fundamentais
Modelo de
melhoria
Q1 Q2
Como saberemos
O que estamos
se uma mudança
tentando realizar?
é uma melhoria?
Que mudanças podemos

fazer que resultarão
em melhoria?
Q3
Sabemos que cada Q2. Como saberemos se uma mudança é uma melhoria?
consideração leva à formulação (INDICADORES)
de uma questão que deve ser Nem toda mudança resulta em melhoria. É preciso estabelecer
respondida pelo projeto critérios para saber quando atingimos o objetivo.
de melhoria.
Para saber se uma mudança é uma melhoria quase sempre
Q1. O que estamos tentando necessitamos de dados, sejam eles observados ou formalmente
realizar? (OBJETIVO) coletados em pesquisa. O impacto das mudanças será medido
Todo esforço de melhoria deve baseado no indicador escolhido para o projeto.
ter um propósito bem definido. Q3. Que mudanças podemos fazer que resultarão em
As pessoas se motivam e se melhoria? (MUDANÇAS)
comprometem com uma
iniciativa de melhoria se elas Toda melhoria requer mudança. Se estamos interessados em
têm um foco claro. Além disso, obter melhoria precisamos alterar o processo/sistema.
as pessoas devem entender Esta questão chama a atenção para a necessidade de se
a importância do trabalho desenvolver, testar e implementar mudanças para obter melhoria.
desenvolvido. A resposta à Devemos sempre usar as três questões fundamentais.
primeira questão estabelece
objetivos para uma iniciativa Em um projeto formal de melhoria, é apropriado responder às
de melhoria. Os objetivos duas primeiras questões no início do projeto. A terceira questão é
devem ser declarados de forma respondida durante a realização do projeto, com novas propostas
breve e concisa, para orientar a de mudanças para serem testadas.
iniciativa e para manter o foco.
25
Exemplos de utilização –
iniciativas de melhoria
Exemplo 1: Melhoria em um processo de compras
Uma empresa tem um departamento

responsável por realizar compras (material
permanente, material de consumo etc.).
O departamento está recebendo uma grande
quantidade de reclamações dos usuários, a
maior parte delas relacionada com atrasos nas
compras realizadas por ela.
A diretoria da empresa decidiu realizar uma
iniciativa para melhorar o desempenho do
processo de compras.
Q1. O que estamos tentando realizar ?

Reduzir o tempo para realizar compras.
Q2. Como saberemos se uma mudança é uma melhoria?

Quando o tempo para realizar compras for significativamente reduzido.
Q3. Que mudanças podemos fazer que resultarão em melhoria?

Hoje, o tratamento das filas de pedidos segue a sequência por ordem de entrada. Poderíamos
classificar os pedidos de compra na origem conforme a complexidade e faixa de investimento, e
simplificar o processo para compras de baixa complexidade e de baixo preço, otimizando a fila de
entrada (exemplo).
26
Atividade
Responda as duas primeiras questões do modelo

para o contexto descrito abaixo:
Em um banco há uma divisão chamada Os clientes estão reclamando da quantidade de
“Divisão Comercial para Empresas”. Essa interações com o banco e com o tempo para completar a
divisão está enfrentando dificuldades implementação dos produtos. Muitos clientes cancelam
para aumentar a lucratividade e o o processo de implementação devido a essa insatisfação,
número de clientes. procurando satisfazer essa necessidade na concorrência.
Dentro da divisão há uma área A diretoria dessa divisão resolveu realizar uma iniciativa
responsável pela implementação de para melhorar o desempenho do processo de
produtos para os clientes (empresas). implementação de produtos em empresas clientes.
Q1. O que estamos tentando realizar?
Q2. Como saberemos que uma mudança é uma melhoria?
27
Como estruturar as
questões: Q1
Q1. O que estamos tentando realizar?
Indicador do projeto Meta
Verbo no infinitivo + O que + Onde + Quanto + Quando
Aumentar/ Reduzir Local/ Área do projeto Período do projeto
Ao lidar com a primeira questão (o que queremos reali-

zar?), devemos ter em mente qual o objetivo da iniciativa
de melhoria.
Uma boa maneira de descrever o objetivo é utilizar o
modelo:
Verbo no infinitivo + O que + Onde + Quanto + Quando
Exemplo: Reduzir o custo de entregas atrasadas no setor de eletrônicos em 70% (de $1.5M para
$45K) até janeiro de 2008.
(Verbo no infinitivo + O que + Onde + Quanto + Quando)
28
Resultados esperados
e indicadores
Cuidado: Ao estabelecer objetivos é comum as pessoas confundirem:
Objetivo do projeto com atividade Objetivo do projeto com ideia de

do projeto mudança (solução)
O momento de definição do objetivo deve receber atenção e cuidado especial, pois pode haver con-
fusões e mal direcionamento dos trabalhos dos envolvidos.
Os principais cuidados são os seguintes: Não confundir objetivo do projeto com ideia de
Não confundir objetivo do projeto com atividade mudança
do projeto. Exemplos: eliminar passos do processo, reduzir
Exemplos: coletar dados, criar uma base de classificações de itens, implementar checklist,
dados, mapear processos, fazer um diagrama de implementar dispositivo à prova de erro, reduzir
causa e efeito, etc., são atividades a serem realiza- número de etapas do processo, implementar novo
das ao longo do projeto, mas não são o objetivo. sistema de gestão (Ex: TOTVS, SAP), etc. são todas
ideias para mudanças que podem ser realizadas
durante o projeto (e podem trazer melhorias em
nosso indicador), mas não são o objetivo primário
do projeto.
29
Como estruturar as
três questões: Q2
Q2. Como saberemos se uma mudança é uma
melhoria?
Sistemas simples Sistemas complexos
Sistemas simples Sistemas complexos

No caso de sistemas simples, Em processos e sistemas mais complexos, necessitamos
podemos discernir se uma mudança mostrar se uma mudança é melhoria com evidências,
é uma melhoria apenas observando em geral utilizando dados coletados formalmente nos
informalmente o que acontecia antes processos.
e o que aconteceu depois da mudança. Ao lidar com a segunda questão (Como saberemos
Nem todo projeto de melhoria precisa que uma mudança é uma melhoria?), devemos ter em
ser complexo ou uma mudança mente a construção de um critério claro e objetivo para
grandiosa para ser um sucesso. o projeto, que será nosso indicador de projeto. Esses
indicadores formarão um sistema de feedback indicando
como as mudanças influenciam nosso processo e servirão
para comprovar os resultados obtidos com as mudanças.
30
Como estruturar as
três questões: Q2
Baseado no exemplo do livro Modelo de melhoria décima primeira semana, foi realizada uma nova
(2011), no qual uma mudança foi projetada para medida, e o resultado obtido foi 3 minutos. A
reduzir o tempo de ciclo de uma operação. redução do tempo de ciclo de 8 para 3 minutos foi
No planejamento do teste, estabeleceu-se que considerada muito significante para o processo
a mudança seria realizada entre a sétima e a de interesse. Os dados obtidos estão no gráfico
oitava semana a partir do início do projeto. Uma da figura. Qual é o grau de convicção de que a
medida do tempo de ciclo foi realizada na quarta mudança é uma melhoria?
semana, o resultado obtido foi 8 minutos. Na
31
Como estruturar as
três questões: Q2
Com os dados do exemplo anterior, poderíamos gerar seis cenários, conforme mostrado
anteriormente. Em todos eles, o tempo de ciclo na semana 4 é de 8 minutos e de 3 minutos na
semana 11. Será que a convicção de melhoria é a mesma para o seis cenários?
32
Como saber se uma

mudança é uma melhoria?
Quando analisamos um indicador, normalmente é necessário coletar
uma quantidade de pontos (antes e depois) para decidirmos quando uma
mudança foi uma melhoria.
• No cenário 1, a mudança é uma melhoria. Em projetos de melhoria,

• No cenário 2, a mudança não é uma melhoria. um fator importante é o
aprendizado de quanto
• No cenário 3, o indicador já vinha caindo. Não foi a nossa
atingimos nosso objetivo. Se
mudança que causou melhoria. Algo já estava acontecendo.
descobrirmos como melhorar
• No cenário 4, a mudança causou um impacto positivo e algum processo, podemos
significativo, mas não duradouro, e a melhoria não foi obtida replicar o conhecimento para
• No cenário 5, a melhoria aconteceu antes da nossa mudança. outras atividades da empresa.
• No cenário 6, agimos sobre uma causa especial, desperdiçando

recursos. Nesses casos, a ação deve ser pontual.
33
Definição operacional
de melhoria
Existem características que definem se uma mudança é uma melhoria ou não.
Uma mudança é uma melhoria quando:

• É proposital e feita de forma intencional.
• Tem impacto positivo no indicador do projeto.
• O impacto obtido é significativo.
• O resultado é duradouro.
Em esforços de melhoria precisamos, ao final do projeto, apresentar um gráfico que mostre o indica-
dor ao longo do tempo para comparar os resultados gerados pelo projeto.
Da discussão anterior, podemos criar uma definição operacional de melhoria. “Melhoria” é o impac-
to positivo, relevante e duradouro produzido por mudanças realizadas de forma intencional em indi-
cadores de projeto. Em esforços de melhoria precisamos, ao final do projeto, apresentar um gráfico
que apresente o indicador ao longo do tempo para comparar os resultados gerados pelo projeto.
34
Como saber se uma

Antes Depois
Foram feitas mudanças?

As mudanças resultaram em melhoria?
Com as duas figuras, quão convicto você esta de que a

mudança foi uma melhoria?
35
Como saber se uma
Antes Uma semana Duas semanas
depois depois
Nesse caso, a organização da sala não se mantém, portanto não podemos considerar uma
melhoria, pois a mudança não teve resultado duradouro.
36
Como saber se uma

Antes Uma semana depois Duas semanas depois
Três semanas depois Quatro semanas depois Cinco semanas depois
Nesse caso, temos maior convicção de que seja uma melhoria. Nunca temos certeza de que as
coisas não irão voltar para o estado anterior, mas, quanto mais dados, maior a convicção de que
manteremos o mesmo patamar do indicador.
Assim, para mostrarmos que atingimos nosso objetivo, devemos coletar dados sobre o indicador do
projeto e seguir algumas diretrizes durante esse processo.
Os dados devem geralmente cobrir um período anterior ao início das mudanças e um período
durante e após as mudanças.
Conforme mudanças forem sendo feitas no processo, o comportamento dos indicadores deve
fornecer informação para julgar se as mudanças são melhorias.
37
Como saber se uma
Melhoria não se trata apenas de medição!
“Você não pode engordar uma vaca pesando-a.”
- Provérbio palestino
Sem medição, você terá dificuldade em saber se a mudança realmente

resulta em melhoria. Porém não é só medindo que obtemos uma
melhoria. Precisamos fazer mudanças!
38
Tipos de
indicadores
Medidas de resultado: Medidas de processo: Medidas de equilíbrio:
As mudanças estão Estamos fazendo as Contra-indicadores
levando à melhoria? coisas certas para atingir
nosso objetivo?
Indicadores de resultado: volume em estoque; contudo, aumentar o volume

Indicam se estamos atingindo nosso objetivo. de estoque também gera um grande aumento de
gastos com o estoque.
Indicadores de resultado são, em essência,
indicadores de processo; a diferença aqui é que Como exemplo, destes indicadores temos
o indicador de resultado foi o selecionado para um projeto de melhoria em um hospital em
estudar e medir os resultados do projeto. que queremos reduzir o número de infecções
hospitalares. Uma das mudanças propostas é que
diariamente uma enfermeira passe nos quartos
Indicadores de processo: realizando um checklist de assepsia dos pacientes.
Indicam se as mudanças propostas estão Neste caso, o indicador de resultado é o número de
sendo executadas. infecções hospitalares, e uma medida de processo
São todos os outros indicadores possíveis de é o percentual de quartos em que o checklist foi
serem medidos do processo selecionado e que realizado. O que estamos querendo descobrir é
podem auxiliar nas análises do projeto. que muitas vezes não estamos impactando nosso
indicador, a nossa medida de resultado, por que as
pessoas não estão realizando as mudanças.
Indicadores de equilíbrio: Então a medida de processo serve para
Indicam se estamos “piorando” outra parte do aprendermos se a nossa mudança não está
sistema para atingir nosso objetivo. funcionando ou não está sendo testada. Uma
medida de equilíbrio neste caso pode ser, por
São indicadores que não podem ser impactados
exemplo, o aumento de horas extras ou tempo de
(negativamente) pelas mudanças realizadas ao
trabalho do enfermeiro que faz esta atividade. Ou
longo do projeto. Geralmente definem as restrições
seja, não podemos com a redução do número de
do projeto.
infecções aumentar os gastos com recursos.
Ex: Pode ser bastante fácil aumentar o nível de
serviço de um distribuidor apenas aumentado o
39
Como estruturar
as três questões: Q3
Q3. Que mudanças podemos fazer que resultarão
em melhoria?
Cinco meios de gerar ideias de mudanças
Análise crítica sobre processo/ Benchmark

produto atual
Pensamento criativo
Uso de novas Uso de conceitos de

tecnologias mudança
Ao lidar com a terceira questão (Quais mudanças podemos fazer que resultarão em melhoria?),
devemos ter em mente que são necessárias mudanças no processo se desejamos melhorá-lo. Um
bom processo é aquele em que as pessoas têm facilidade de fazer as coisas certas e dificuldade
de cometer erros. Isso também vale para produtos. As ideias para obtermos boas mudanças nos
produtos e processos podem vir de cinco meios:
40
Como estruturar
as três questões: Q3
• Análise crítica sobre processo/produto atual - desafia as barreiras
do processo/produto, análise do desempenho atual.
Mapeamento do processo.
Coleta de dados.
Entendimento de relação entre variáveis.
Balanceamento.
Retirada de atividades que não agregam valor.
• Benchmark – análise de práticas e desempenho de empresas que atuam
no mesmo ramo para comparação e para trazer ideias de mudanças.
• Uso de novas tecnologias.
Testar em pequena escala.
Utilizar para resolver causas comuns e não especiais.
• Pensamento criativo.
Sair do estágio de pensamento atual e gerar ideias através de técnicas.
• Uso de conceitos de mudança.
Utilizar uma ideia que fez algum processo funcionar bem e usar o conceito da ideia em
nossos processos.
41
MODELO DE MELHORIA:
PDSA
Modelo de
melhoria: PDSA
Conhecimento Mudança Melhoria
Lembre-se da relação entre mudança e melhoria: fazer uma melhoria é a busca de boas
mudanças.
Boas mudanças resultam da aplicação de conhecimento sobre o processo, e o conhecimento é
fruto de aprendizado.
O aprendizado das pessoas sobre os processos é realizado de forma mais eficiente e eficaz pelo uso
do método científico.
O ciclo PDSA é o componente do modelo de melhoria que guia o aprendizado.
44
Modelo de Melhoria: PDSA
Método
científico
Fases do método científico
Observar um evento
Problema
Criar uma teoria

Hipóteses e
Testar Predições
Experiência
Analisar os resultados
Experimentação
Concluir
Publicar
Em projetos de melhoria, é importante
aprendermos de maneira rápida, e uma boa
maneira de fazer isso acontecer é utilizar
o método científico. Mas como funciona o
método científico?
1. Tudo começa (e termina!) com questões.
2. O cientista sempre tem uma hipótese a
respeito de qualserá a resposta (predição).
3. Então o cientista faz um estudo
4. Analisa os resultados e....
5. Publica.
45
Método
científico
Fases do método científico
Observar um evento
Problema
Criar uma teoria

Hipóteses e
Testar Predições
Experiência
Analisar os resultados
Experimentação
Concluir
Aplicar
Nas organizações, podemos 2. Também somos capazes de fazer “predições” – baseados no

usar o mesmo método: que sabemos hoje, o que acontecerá?
1. Tudo TAMBÉM começa (e 3. Fazemos então uma coleta de dados, um teste ou
termina!) com questões. implementação.
- Quais são as causas deste 4. Analisamos os resultados e....
problema? 5. AGIMOS sobre o processo!
- Será que a minha ideia
vai funcionar?
Podemos resumir esse processo como:
- Conseguiremos atingir os
resultados esperados? A. Observar dados.
B. Criar uma teoria.
C. Testar a teoria.
46
Modelo de Melhoria: PDSA em melhoria?
Modelo de
melhoria: PDSA
Executar ações em função dos Objetivo
resultados Questões e predições
Outro ciclo? Plano para coletar dados
(O que, Onde, Quando)
ACT PLAN
Completar a análise Executar o plano

dos dados
STUDY DO Observar e anotar eventos não
Comparar resultados com planejados
as predições Iniciar a análise dos dados
Resumir o aprendizado
Adaptado do livro The Improvement Guide
Para ajudar as pessoas a organizar essas No STUDY é a hora de analisar os dados e tirar
etapas nos estudos de melhoria dentro das conclusões do ciclo de acordo com as questões
organizações, é importante utilizar ciclos PDSAs. estruturadas no PLAN.
Em cada fase do ciclo, temos tarefas que nos No ACT é o momento de executar as ações
levam na direção do aprendizado. Essas tarefas aprendidas e planejar a partir destes resultados
estão descritas no ciclo PDSA acima. quais seriam os próximos ciclos de estudo.
No PLAN é o momento de definirmos o objetivo As formas mais comuns de se usar um ciclo
deste ciclo de estudo, quais questões queremos PDSA como parte de um esforço de melhoria são:
responder e para cada questão colocar uma • Coletar dados para construir conhecimento
predição. Essa predição é muito importante para para ajudar a responder qualquer uma das
aprender com as suposições que haviam antes três questões fundamentais. (Atenção: neste
do estudo. Neste momento também é a hora de caso garanta que a etapa A do ciclo seja feita. É
definir como será o plano de coleta de dados, preciso que alguma ação concreta ocorra após o
caso faça parte do plano. ganho de conhecimento.)
No DO é a hora de entrar em ação! Executar um • Testar uma mudança.
plano, a coleta de dados e observar eventos que
não eram planejados. • Implementar uma mudança.
47
Rascunho de Deming
do ciclo de Shewhart - 1985
O ciclo PDSA é baseado no ciclo Shewhart e no ciclo de Deming. A figura

mostra um rascunho do ciclo de Shewhart elaborado por
Deming em 1985.
48
Usando PDSA
em sequência
Em uma iniciativa de melhoria, ciclos Conforme os PDSAs são realizados, o conhecimento
PDSA são utilizados para entender a aumenta em direção às mudanças que resultam em
situação atual de um processo, além melhoria. A figura a seguir ilustra esse conceito.
de desenvolver, testar e implementar
mudanças (um ciclo “puxa” o outro).
Esse conceito é chamado de rampa de Ferramentas básicas para melhoria:
PDSAs. • Formulário de coleta de dados.
• Definição operacional.
• Histograma.
• Gráfico de Pareto.
• Gráfico de tendência.
• Gráfico de controle.
• Mapeamento de processos.
• Diagrama de causa e efeito.
• Planejamento de experimentos.
Ferramentas básicas para melhoria

Mudanças que
resultam em
melhoria
ACT PLAN
Aprendizado
STUDY DO
ACT PLAN
STUDY DO
ACT PLAN
STUDY DO
ACT PLAN
STUDY DO
Suposições
Teorias
Intuições
Tempo
49
PDSA:
Exemplo
Considere um projeto de melhoria com o objetivo de reduzir o tempo para
realizar compras.
Plan
Objetivo: Conhecer como se comporta a demanda para o setor de compras
Questões Predições
Como é a distribuição dos valores das A maior parte das compras está entre R$ 2.000 e
compras? R$ 3.000
Quais tipos de compras são mais frequentes? O tipo de compra mais frequente é o
“Menor preço”. Poucas compras são do tipo
“Reservado”.
Plano de coleta de dados

»» De uma amostra de 200 compras realizadas nos últimos seis meses, anotar o valor e o tipo de compras.
»»O Alberto é responsável por coletar os dados. Instruí-lo sobre como amostrar, anotar os valores e digitar em
uma planilha.
»» A Madalena deve preparar um gráfico de frequência dos valores das compras e um gráfico de barras com
as porcentagens por tipo de compra.
Do
Coletar os dados
Observar e anotar anomalias durante o processo de coleta dos dados.
Existiam dois tipos principais de compras: Com relação aos valores, produtos com valor
• Reservado: o solicitante já havia reservado abaixo de R$ 2.000,00 não precisavam de 3
o produto e bastava executar a compra, o que orçamentos, o que sugeria um processo mais
sugeria uma compra rápida. rápido para eles.
• Menor preço: a compra seria realizada por meio de O PDSA da figura mostra um estudo da equipe
3 orçamentos, em que o de menor preço ganharia. de melhoria para entender a distribuição dos
pedidos de compras.
50
PDSA:
Exemplo
51
PDSA:
Exemplo
Foi possível perceber que a
maioria dos pedidos tinha
preço baixo e era do tipo
reservado, o que sugeria que
eles deveriam ser executados
com rapidez, e isso não vinha
acontecendo.
No ciclo PDSA seguinte,
os compradores foram
entrevistados. Eles disseram
que, mesmo para compras
do tipo reservado, cotavam
com outros fornecedores,
o que atrasava a compra.
Essa descoberta fez com que
a gerente suspendesse as
cotações para compras do
tipo reservado, reduzindo
significativamente o tempo
para realização das compras.
52
PDSA:
Exemplo
Study Act
Mais de 80% dos valores estão 1. Entrevistar os compradores para
abaixo de R$2K, sugerindo que um entender as causas de demora em
processo mais simples pode ser aquisições abaixo de R$2K.
desenvolvido para essas compras.

2. Iniciar um novo ciclo PDSA para
50% das compras é do tipo avaliar se existe diferenças no tempo
“Reservado” , contradizendo a médio de aquisição entre “Reservado” e
predição inicial. “Menor preço”.
53
Formulário para documentação
de PDSA em projeto
Pode ser útil em um projeto de melhoria documentar os PDSAs que foram realizados de maneira
resumida, para rápida construção da “memória” das atividades.
A figura mostra um exemplo de planilha para documentação de PDSAs.
DADOS QUE PRECISO

PERGUNTA(S) RESPONSÁVEL
COLETAR PARA
PDSA A SER(EM) (QUEM) E QUANDO APRENDIZADOS
RESPONDER À(S)
RESPONDIDA(S) PERGUNTA(S) TEREI OS DADOS
54
PDSA vs. PDCA
FASE EDTI DMAIC PDCA
Define
1 Entender
Measure
Plan
2 Desenvolver Analyze
3 Testar Improve Do
Check
4 Implementar Control
Act
Devido à grande popularização do ciclo As etapas do PDCA são as seguintes:

PDCA, existem dúvidas em relação ao Plan: defina um problema e levante possíveis hipóteses
ciclo PDSA. para as causas e as soluções.
O PDSA é um roteiro de aprendizado. Do: implemente a solução.
Vários PDSAs são realizados durante
um projeto. Utilizado para organizar Check: avalie os resultados
as atividades (coleta de dados, teste e Act: volte à etapa de planejamento se os resultados
implementação de mudanças). forem insatisfatórios ou padronize a solução se os
O PDCA é um roteiro de projeto, resultados forem satisfatórios.
alternativo ao DMAIC e útil em projetos Muitas pessoas atribuem o desenvolvimento do PDCA
de baixa complexidade (solução de ao Deming, mas ele fazia questão de diferenciá-lo do
problemas). PDSA. Em uma carta a Ronal Moen, Deming disse “não
Geralmente o ciclo PDCA é utilizado em se esqueça de chamá-lo PDSA, não o corrompido PDCA”
um tipo de projeto chamado solução de (Moen & Norman, 2010).
problemas (problemas focados, impacto
de curto prazo), enquanto o DMAIC
é utilizado em projetos de melhoria
(mudanças sistêmicas, médio/ longo
prazo).
55
Modelo de
melhoria

O que estamos
tentando realizar?
em melhoria?
ACT PLAN
Como saberemos STUDY DO

se uma mudança
é uma melhoria?
O modelo de melhoria é um método eficiente e eficaz de realizar melhorias nas organizações.

Ele é composto pelas três questões fundamentais e pelo ciclo PDSA.
Flexibilidade do modelo de melhoria:
• É adaptável para diferentes níveis de formalidade.
• É útil tanto para melhoria de produtos e serviços quanto para melhoria de processo.
• É aplicável em qualquer tipo de organização.
• É aplicável em quaisquer processos ou sistemas de uma organização.
56
As três categorias de
melhoria
Reduzir ou eliminar Reduzir Aumentar as expectativas

problemas, sem significativamente dos clientes.
aumentar custos. os custos, ao mesmo
tempo que a qualidade é
mantida ou melhorada.
Um dos objetivos centrais de programas As três categorias de melhoria:

de melhoria é aumentar o valor dos • Reduzir ou eliminar problemas que surgem devido ao
produtos e serviços oferecidos não atendimento das expectativas dos clientes.
pela organização.
• Reduzir significativamente os custos, ao mesmo tempo
em que a qualidade é mantida ou melhorada.
Valor = qualidade / custo total. • Aumentar as expectativas dos clientes, fornecendo
produtos e serviços que os clientes percebem
Qualidade é a medida de como um que têm alto valor.
produto ou serviço corresponde a uma
necessidade, já custo total é a soma O modelo de melhoria que vimos anteriormente e as
do custo de etiqueta mais o custo de ferramentas que aprenderemos ao longo do curso podem
uso. Para desenvolver uma abordagem ser aplicados em cada uma dessas categorias.
efetiva de melhoria e aumentar o
valor dos produtos ou dos serviços, os
líderes devem equilibrar os esforços de
melhoria em três categorias:
57
Estruturação do trabalho em equipe
ESTRUTURAÇÃO
DE TRABALHO
EM EQUIPE
59
Trabalho
em equipe
Um pequeno grupo de pessoas com habilidades complementares que

aprenderam a trabalhar em conjunto para alcançar um objetivo
comum, mantendo-se mutuamente responsáveis pelo mesmo.
60
Início do
trabalho
Formação da equipe
»» Identificar os componentes da equipe »» Atribuir papéis e responsabilidades
Compreender as equipes e trabalho em equipe
»» Ciclo de desenvolvimento de equipes »» Estruturação do trabalho em equipe
61
Iniciando um novo
esforço de melhoria
Coisas para ter em mente quando se inicia um novo esforço de melhoria
Quando iniciamos um novo esforço de melhoria, devemos ter em mente alguns passos. São eles:
Comunicação Apoio disponível
»» Comunicar às pessoas da organização »» Orientar as pessoas sobre o apoio

por que o projeto foi selecionado e as disponível dentro e fora da organização.
estratégias organizacionais que estão
alinhadas com os objetivos do projeto.
Disponibilidade de recursos Treinamento
»» Fazer os acertos necessários para »» Fornecer treinamento e outros recursos

assegurar que seja disponibilizado tempo necessários para os esforços de melhoria.
para que as pessoas atuem no projeto.
62
Quatro condições para que

a equipe tenha sucesso
Baseado no trabalho de Lewin, Weisbord (1987):
As quatro condições para que a equipe tenha sucesso são:
Interdependência Liderança Decisão conjunta

A equipe deve estar A liderança responsável tem o Todos os membros da equipe
trabalhando em um projeto desejo de melhorar e está no querem participar.
que seja importante para seus modo de aprendizagem. Com
membros. A equipe tomará esse desejo, também aparecem Igual influência
consciência das habilidades, os riscos: a equipe pode falhar.
conhecimentos e informações Todas as pessoas associadas à
complementares dos equipe têm a oportunidade de
integrantes e as reforçará. influenciar a agenda.
63
Etapas no desenvolvimento
de equipes
Desenv. da equipe integrantes se mantêm »» A equipe começa a
cautelosos e vigilantes resolver os conflitos de
e compartilham apenas maneira construtiva.
Perform Form »» As decisões começam a
4
informações básicas.
1
girar em torno das questoes

2. Storming e não das pessoas.
»» Questões de autoridade e
Preocupação: Controle. estrutura são resolvidas.
»» Que papel devo »» Existe a troca de
Norm Storm desempenhar? sentimentos e ideias.
»» As pessoas começam a
3
»» Por que ele é o responsável?

encarar os DADOS.
Tuckman,1955 Relacionamento: Conflito,
emocional argumentativo. 4. Performing
Todas as equipes passam Atividades: Confrontos,
conflitos de controle, tentativa Preocupação: Sucesso.
por quatro estágios de
de estabelecer regras. »» Estamos aprendendo?
desenvolvimento até se
»» A maior característica do »» Como podemos ser o mais
tornarem efetivas. O líder de
time é o conflito. efetivo possível?
uma equipe precisa entender
»» As ideias são atacadas »» Quais as ações a serem
os diferentes estágios e
e defendidas por seus tomadas?
adaptar seu comportamento
para maximizar a efetividade integrantes. Relacionamento: Aberto,
da equipe. Os estágios são: »» As discussões são comunicativo, apoio, consenso.
argumentativas.
»» A estrutura do grupo resiste. Atividades: Aprendizado,
1. Forming tomada de decisões, apoio dos
»» Podem haver rupturas.
demais, empreender ações.
Preocupação: Inclusão. »» Comunicação aberta é a
»» Por que estou aqui?
3. Norming
norma.
»» Quero participar? »» Membros da equipe se
»» Seremos bem-sucedidos? Preocupação: Abertura. tornam mais flexíveis em
»» O que você pensa? seus papéis.
Relacionamento: Reservado, »» Como posso ajudá-lo? »» Comportamento da equipe
informações básicas, baixa »» Como posso descobrir é próximo e de colaboração.
confiança. mais? »» Os integrantes
Atividades: Introduções, Relacionamento: Confiança, desenvolvem ligação com
orientações, agendas ocultas. ideias e sentimentos, apoio, a equipe (pertencimento)
»» Ambiguidade e confusão compreensão. e as decisões são baseadas
podem dominar a equipe, em consenso.
isso acontece quando Atividades: Adotar regras, »» A utilização de dados,
a equipe não consegue comunicar, coletar dados, informações e métodos de
se manter focada em enfrentar problemas, dar aprendizagem apropriados
seu propósito e seus feedback. tornam-se naturais.
64
Fases do
desenvolvimento
Form Storm Norm Perform
»» Sabemos que cada estágio é importante »» A compreensão desses estágios de

para o desenvolvimento da equipe. crescimento previne reações exageradas
Liderança e habilidades de facilitação do em relação a problemas normais e o
trabalho em equipe ajudam a equipe a surgimento de expectativas irreais que
atravessar cada estágio. somente aumentam a frustração.
»» A duração e a intensidade desses quatro »» Os métodos para a construção e
estágios variam de equipe para equipe. manutenção de uma equipe ajudam-
Às vezes o último estágio, “desempenho”, na através desses quatro estágios. Com
é atingido em uma ou duas reuniões; paciência e esforço, o conjunto de pessoas
outras vezes, ele somente é atingido após independentes cresce para se tornar uma
vários meses. Utilize as descrições aqui equipe.
apresentadas para comparar o histórico
de sua equipe com o padrão normal de
maturação dos grupos.
65
Estruturação do trabalho
em equipe -Modelo GRPI
Objetivos (Goals)
Esclareça a esfera de atuação do projeto, ordens e autorizações, missão

e objetivos, e assegure-se de que todos os membros da equipe os
compreendam e apoiem. Questione se essa é a equipe adequada para o
projeto ou se são necessárias pessoas adicionais para a equipe.
Papéis (Roles)
Esclareça os papéis e as responsabilidades de todos os envolvidos na

iniciativa, incluindo os patrocinadores (veja o RACI a seguir), e certifique-
se de que todos os membros os entendam e tenham as competências
necessárias. Certifique-se, também, de que há recursos suficientes e de
que, se necessário, as pessoas terão treinamento.
Processos (Processes)
Estabeleça normas para o grupo sobre como a equipe trabalhará em

conjunto e defina os métodos de resolução de problemas. Garanta que os
processos sejam claros, compreendidos, aceitáveis, fáceis de seguir e que
eles serão seguidos.
Relações interpessoais (Interpersonal relationships)
Defina comportamentos de apoio da equipe (inclusive aqueles definidos

pelos valores corporativos) e planeje atividades iniciais para desenvolver
um alto nível de confiança e de aceitação de diferenças.
66
Papéis de pessoas na
equipe de melhoria
Patrocinador
»» Entendemos por patrocinador aquele que ajuda a legitimar o

trabalho da equipe; fornece tempo para trabalhar no projeto e
recursos, quando necessário, e exerce o papel de revisor objetivo do
progresso da equipe.
Líder
»» Já por líder, entendemos que é aquele que conduz as iniciativas de

melhoria e dedica metade de seu tempo para o projeto. Ele sempre
é um gestor de projetos, especialista em processos, sabe sobre
melhoria.
Proprietário do processo
»» O proprietário do processo é aquele que atua diretamente no

processo; sabe como as coisas realmente funcionam no processo;
tem ideias de mudança; testa as mudanças.
Especialistas
»» O especialistas domina o conhecimento específico; ajuda a

desenvolver protocolos e mudanças baseadas em evidências; lidera
mudança na cultura.
Facilitador
»» E o facilitador é o que possui o conhecimento de ciência da melhoria,

incluindo a medição. Presta consulta para a equipe. Seu papel no
projeto se reduz à medida que a equipe progride com o projeto.
67
Planilha
RACI
RACI
Nº Tarefa Responsável Acountable Consultado Informado
A pessoa que é, em A pessoa que é

A pessoa que é con- informada
A pessoa que reali- última instância, sultada antes da que a decisãodepois
za a ação. responsável. ação ser realizada. final é
tomada.
68
Métodos para a
tomada de decisão
Vimos que as decisões podem ser tomadas por diversos métodos:
»» A decisão é tomada por uma pessoa, sem discussão com outros.

É o método mais rápido para a tomada de decisão, mas tem como
desvantagem o apoio limitado da equipe e não ocorre nenhum
aprendizado. Esse método deve ser utilizado quando o prazo for
criticamente curto, para decisões de rotina ou quando uma pessoa
detém todo conhecimento necessário para isso.
»» A decisão pode ser tomada por uma pessoa, porém após

a discussão com outros. É um método rápido e permite o
compartilhamento de algum conhecimento, porém o aprendizado
ainda é pouco, e o apoio também pode ser limitado. Deve-se utilizar
esse método em prazos curtos e decisões de rotina.
»» Votação ou decisão pela maioria. Esse método permite a

participação de todos e não toma muito tempo para sua realização.
Devemos ficar atentos, pois geralmente a decisão contraria parte da
equipe. Quando há muitas pessoas envolvidas, devemos pensar na
utilização desse método.
»» Consenso. Esse método permite o máximo de aprendizado para

a equipe. No consenso há argumentação e todos expõem seus
pontos de vista, tendo por objetivo o apoio integral dos membros da
equipe. Esse tipo de decisão toma muito tempo e requer maturidade
profissional. Devemos utilizá-lo quando a decisão afeta muitas
pessoas, quando o aprendizado for um aspecto importante da
atividade e quando trabalhamos em melhorias a longo prazo.
Além disso podemos utilizar combinações dos métodos. Podemos estabelecer que teremos uma
hora para chegar ao consenso e discutir os argumentos. Esgotado esse tempo, sem nenhuma
resolução, a decisão será tomada por votação. Aqui mais uma vez vale ressaltar a necessidade de
uma alta maturidade profissional da equipe para não criar os “grupos” vencidos dentro de uma
votação, todos devem ter a mentalidade da decisão comum.
69
Pulsação:
manter o projeto
Assuntos diversos Reuniões de equipe Revisão com

patrocinador
»» 5 min. Reuniões com a equipe uma ou
duas vezes por semana para Reunião com o patrocinador de
»» stand-up
tratar dos assuntos com mais uma a três vezes por mês para
»» status diário de PDSA detalhes. avaliar o projeto.
»» próximos passos.
Observamos que para manter
o projeto é necessário termos
reuniões diárias curtas para o
status do projeto, dificuldades
e próximos passos. Devemos
ter o cuidado de não estender
demais as reuniões, apenas o
realmente necessário.
70
Seis
chapéus
Temos muitas técnicas desenvolvidas para argumentação e análise, mas temos poucas para lidar com o
nosso pensamento no dia a dia, em conversas e em reuniões. Em discussões familiares, nas discussões
de negócios, nos tribunais, assembleias e no governo, usamos o sistema de pensamento dos gregos,
com base na argumentação e pensamento crítico. Há espaço para o argumento, e o argumento é uma
ferramenta útil de pensar. Mas o argumento é inadequado como a principal ferramenta de pensamento.
Precisamos de outra forma de pensar que é o “pensamento paralelo”, em que cada pensador
apresenta os seus pensamentos em paralelo com os pensamentos dos outros, não os atacando.
»» Os seis chapéus é um método que permite pensar em paralelo. A e B usam um chapéu de
cada conjunto sempre ao mesmo tempo, explorando todos os lados de uma questão. O
confronto do contraditório é substituído por uma exploração cooperativa do assunto.
»» Procedimento: existem seis diferentes chapéus imaginários que você pode pôr e tirar
conforme o momento. Cada chapéu tem uma cor diferente e representa um modo diferente
de pensar. Todos usam chapéus de mesma cor (modo de pensamento) no mesmo momento.
Quando trocamos de chapéu, mudamos o modo de pensar.
Chapéu Chapéu Chapéu

branco: preto: verde:
Dados Aspectos Alternativas

negativos
Quais as informações Quais são as outras maneiras
disponíveis? Quais informações Quais seriam os problemas de fazer isso? O que mais
gostaríamos de ter? Quais possíveis? Quais seriam as poderíamos fazer aqui?
informações de que dificuldades? Quais são os Quais são as possibilidades?
precisamos? Como obteremos pontos a ter cuidado? Quais são Não precisa ser lógico.
as informações faltantes? Fatos os riscos? Julgamento crítico Pensamento criativo.
e dados, nunca opiniões com o negativo. Razões lógicas têm Aproveite para mover-se para
chapéu branco. de ser expostas. outras ideias.
Chapéu Chapéu Chapéu

vermelho: amarelo: azul:
Sentimento Aspectos Coordenação

positivos
Quais são meus sentimentos Qual é a nossa proposta de
agora? O que minha intuição Quais são os benefícios? Quais agenda? Quais os próximos
diz? Tem permissão para se são os pontos positivos? Há passos? Qual chapéu usaremos
expor sem justificar; precisa ser algum ponto nessa ideia que agora? Como podemos sintetizar
rápido, senão a razão atrapalha; é atrativo? Podemos fazer um a discussão? Qual é a nossa
pode ser usado antes e/ou esforço para funcionar? Pensa- decisão? O azul é o chapéu do
despois de uma decisão. mento positivo e construtivo. controle. Procura foco, processo,
Permite visões e sonhos. síntese e conclusões.
71
Cultura e
melhoria
Existem três níveis de cultura. São eles:
Artefatos.
Artefatos
»» Estruturas e processos visíveis/
perceptíveis.
»» Comportamento observado (difíceis de
decifrar).
Valores
Valores e crenças abraçadas.
Pressupostos
»» Ideais, metas, valores, aspirações.
»» Ideologias.
»» Racionalizações (podem ou não ser
congruentes com comportamentos e
outros artefatos).
Pressuposições
subjacentes básicas.
A cultura é direcionada por “pressuposições…
que dizem aos membros da equipe como
perceber, pensar e sentir sobre as coisas”. »» Crenças e valores não conscientes
dados como certos (determinam
Edgar H. Schein, Organizational comportamentos, percepções,
Culture and Leadership, 2010. pensamentos e sentimentos).
72
Cultura e
melhoria
Quantas culturas existem em sua organização?
»» Muitas microculturas que não estão »» Uma “cultura” dentro de microculturas

integradas. integradas.
Subculturas genéricas
Subcultura “Operador”:
»» “Nós operamos a empresa.”
»» Interação humana: comunicação,
confiança, trabalho em equipe
Subcultura “Engenheiro”:
»» O trabalho que importa é resolver
problemas.
»» Produtos e resultados.
Subcultura “Executivo”:
»» Foco no financeiro.
»» Controle.
73
Componentes organizacionais
que influenciam em como
a cultura é criada
Que tipo de cultura de melhoria da qualidade você quer criar?
Questões
Medição e
de recursos
informação
humanos
Cultura
(Normas e
comportamentos)
Projeto
Incentivos
organizacional
Questões de Incentivos Medição e Projeto

recursos humanos informação organizacional
»» Desempenho
»» Recrutamento »» D
ados para »» Comunicação
»» Avaliações
avaliação
»» Treinamento »» Educação
»» Recompensas
»» Dados para ação
»» Desenvolvimento »» Informação
»» Celebrações
»» M
étodos e
»» Atitudes »» E
struturas de
»» Compensações ferramentas
apoio
»» Valores comuns
»» Liderança
Fonte: R. Lloyd. Quality Health Care: A Guide to Developing and

Using Indicators. Jones and Bartlett Publishers, 2004.
74
Q× A = E
Qualidade Aceitação da Eficácia da
× =
da solução solução solução
Para podermos chegar a uma solução eficaz, Mesmo que cheguemos a uma solução que
não é suficiente focar apenas em resolver os seja excelente, mas que crie tarefas complexas
problemas Não podemos nunca esquecer e de difícil execução, talvez tenhamos uma
das pessoas envolvidas no processo, pois adesão que ocorra parcialmente, não trazendo
só conseguiremos um ótimo resultado se as realmente benefícios ao processo. Nesse caso,
mudanças propostas forem aceitas. devemos pensar não somente no problema, mas
também nas pessoas envolvidas.
75
“Discussão”
e “Dialogo”
Senge (1990) contrastou as ideias de discussão e diálogo:
“No aprendizado da equipe, a discussão é a contrapartida necessária ao diálogo. Numa discussão,

diferentes pontos de vista são defendidos e isso pode fornecer uma análise útil da situação como
um todo. No diálogo, diferentes pontos de vista são apresentados como meio de descobrir uma
nova visão. Numa discussão são tomadas decisões. Num diálogo, problemas complexos são
explorados. Quando uma equipe precisa chegar a um acordo e tomar decisões, será necessária
uma discussão.”
Diálogo Discussão
76
Características
do diálogo
Em um diálogo, notamos várias Oposição Participação
características, entre elas: minimizada aumentada
»» A oposição é minimizada.
»» A participação neste “pool de sentido
comum” é aumentada.
»» O constante desenvolvimento e as
mudanças guiam as palavras.
»» Não há propósito preestabelecido e um Constante Novo propósito
novo propósito pode surgir. desenvolvimento pode surgir
»» Nenhum membro é excluído e nenhum
conteúdo específico é excluído.
»» Surge a consciência da natureza das
relações.
»» Ocorre a transformação das relações.
»» Há o início de um diálogo que não tem fim.
Nenhum membro é Transformação das

excluído relações
77
Regras para o
feedback
Quem fala Quem ouve
»» Comece com aspectos positivos. »» Ouça sem retrucar.

»» Ouça seus próprios sentimentos. »» Não justifique.
»» Fale aberta e honestamente. »» Questões de compreensão são permitidas.
»» Dirija-se à pessoa diretamente. »» Use o feedback para seu desenvolvimento
pessoal.
»» Seja conciso.
»» Não especule.
78
Três das principais ameaças para

a construção de um diálogo
Conversas difíceis The Ladder of Inference (A

escada da inferência)
Pensamento de grupo
79
Conversas
difíceis
“A conversa difícil é aquela
que você não quer ter!”
Cada conversa difícil são realmente

três conversas separadas:
»» A conversa “O que aconteceu?” (os fatos
objetivos).
»» A conversa “Sentimentos” (meus
sentimentos, bem como os dos outros).
»» A conversa “Identidade” (uma conversa
com nós mesmos sobre o que esta situação
significa para nós).
80
A escada da
inferência
A escada da inferência foi inicialmente desenvolvida pelo Dr. Chris Argyris, e subsequentemente
apresentada por Peter Senge’s no livro A quinta disciplina – Caderno de campo.
»» Eu realizo ações com base em minhas

crenças.
»» Eu adoto crenças sobre o mundo.
»» Eu tiro conclusões. O loop reflexivo
(nossas crenças
»» Eu faço suposições com base nos afetam o
processo que
significados que eu acrescentei. usamos para
»» Eu adiciono significados (culturais e
selecionar dados
em uma etapa
pessoais) seguinte)
»» Eu seleciono “DADOS” a partir do que
observo.
»» DADOS observados e experiências.
“Vivemos em um mundo de crenças autogeradas que permanecem em

geral não testadas.
Adotamos essas crenças porque elas são baseadas em conclusões
que são inferidas a partir do que observamos, além de nossa
experiência passada.Nossa capacidade de atingir os resultados que
verdadeiramente desejamos é corroída pela certeza de que:
»» Nossas crenças são as verdadeiras!
»» A verdade é óbvia!
»» Nossas crenças são baseadas em dados reais!
»» Os dados que selecionamos são os dados reais!”
81
A escada da
inferência
Fugindo da escada da inferência
»» Questione suas suposições
»» Procure por dados que contrariam suas

suposições e conclusões
82
Exemplos da escada
da inferência
O diretor não
gostaria de
ter mulheres
na equipe
Ele implica
com Sara
porque ela
O diretor é mulher
pensa que
o trabalho
de Sara é
inaceitável
O diretor
iniciou o
processo de
fritura de Sara
Sara, sua
performance
não chega perto
do desejável,
fala o diretor
Angela é
descompromissada
e sem interesse
Fiquei sabendo
que Angela já
faltou a outras
reuniões
Elas são marcadas
com antecedência
suficiente e ela
não pode alegar
que não sabia
Às duas últimas
reuniões marcadas,
Angela não
compareceu
83
Pensamento
de Grupo
Pensamento de grupo
“Um modo de pensar no qual as pessoas se

empenham quando estão profundamente
envolvidas num círculo coeso, quando
os esforços dos membros em prol da
unanimidade sobrepujam suas motivações
para avaliar realisticamente cursos de ação
alternativos.”
Dr. Irving Janis
84
Os oito sintomas do
“pensamento de grupo”
Sintoma 1 Sintoma 2 Sintoma 3 Sintoma 4
»» Ilusão de »» A crença na »» Racionalização »» Visão distorcida

invulnerabilidade moralidade dos inimigos
inerente do grupo
Sintoma 5 Sintoma 6 Sintoma 7 Sintoma 8
»» Autocensura »» Pressão direta »» Proteção da »» Ilusão de

sobre os mente (contra unanimidade
membros informações
negativas)
85
Quatro maneiras de evitar

o pensamento de grupo
1. »» Criar um clima aberto
para discussão e 3. »» Atribuir a membros
da equipe o papel de
debate (estilo aberto de avaliador crítico (cada
liderança, pensamento membro do grupo deve
divergente e não ser um avaliador crítico;
julgamento de atitudes). desafiar as “vacas
sagradas”).
2. »» Evitar o isolamento do
grupo (traga perspectivas 4. »» Evitar ser demasiado
diretivo (líderes precisam
externas). ser menos diretivos e
recorrer ao grupo para
tomar decisões).
Em contraste com as forças destrutivas do pensamento de grupo, os pesquisadores descobriram

uma série de estratégias positivas e técnicas que podem ser empregadas em grupos para reduzir
as chances de cair em pensamento de massa e para ajudar a garantir uma pesquisa racional e
equilibrada de todas as alternativas disponíveis.
Como seria de se esperar, as estratégias relacionam-se principalmente com o comportamento do
líder ou gestor, que pode fazer perguntas ou dar início à discussão em grupo de forma que possam
alterar significativamente o curso futuro da tomada de decisão.
86
Exercício: questões para

estabelecer um diálogo sobre
pensamento de grupo
Questões para estabelecer um diálogo
sobre pensamento de grupo
1. Quem tem a responsabilidade primária em uma discussão em

grupo? O líder ou os membros da equipe?
2. Que tipo de decisões se prestam a uma decisão de consenso? Que

tipo de decisões se prestam a uma decisão de comando por um
gerente, supervisor ou qualquer outro líder?
3. Você já fez parte de uma decisão de grupo que deu errado? Você
era a favor da decisão final ou foi um dos críticos?
4. Quem define o clima ou o tom em reuniões de grupo na maioria

das organizações? E na sua? O clima de uma reunião pode afetar
a forma como as decisões são tomadas? Você pode oferecer um
exemplo de como isso ocorreu?
5. Quando um indivíduo fala contra um consenso do grupo em

sua organização, qual é o resultado provável? O indivíduo será
recompensado ou censurado?
87
As lentes do conhecimento
profundo:uma ferramenta
para o diálogo
Visão
sistêmica es
e valor
tivo
Obje
O lado
Teoria do humano da
conhecimento mudança
MC
Entendimento
de variação
O sistema de conhecimento profundo

proporciona uma lente. Ele fornece uma nova
teoria para compreender e otimizar nossas
organizações. Ele fornece uma oportunidade
para o diálogo!
88
ESTATÍSTICA
Estatística
Introdução
Temos muito claro que a estatística e O que torna essa disciplina extremamente útil e
seus conceitos são indispensáveis para única é que sua aplicação ocorre em situações
compreender o mundo em que vivemos ou processos em que a incerteza e variabilidade
diariamente. estão presentes:
É a ciência que nos ajuda a organizar, »» Será que meu produto terá uma boa
tratar e descrever os dados, com o auxílio aceitação?
de tabelas, gráficos e medidas resumo de
»» Será que meu processo tem chance de
forma simples.
produzir itens defeituosos?
Esses dados a que chegamos são úteis para
»» Será que este cliente irá pagar o produto
entender diversos fenômenos e nos auxiliam
comprado?
na tomada de decisões inteligentes. Hoje
com o imenso volume de dados disponíveis, »» Será que este inseticida é mais eficiente
utilizando a estatística, é possível transformar que o anterior?
qualquer dado observado em informação para
»» Será que, realizando esta mudança, terei
se obter conhecimento de um processo.
uma melhoria em meu processo?
90
Estatística
Terminologias
Encontramos aqui alguns dos termos estatísticos mais utilizados

e sua descrição. São eles:
»» População: todos os itens ou unidades que estão sendo
estudadas.
»» Amostra: subconjuntos de itens ou medidas selecionadas
de uma população.
»» Parâmetro: característica de uma população. É
uma quantidade que descreve uma característica de
determinada população, como média (µ), desvio padrão
(σ), coeficiente de correlação (ρ). Usualmente este valor
não é conhecido e deve ser estimado.
»» Estatística: uma característica da amostra utilizada como
estimador para o parâmetro populacional. Quando uma
amostra representativa é retirada de uma população,
podemos calcular uma estatística resumo como a
média amostral (x̄), o desvio padrão amostral (s), ou o
coeficiente de correlação (r).
91
PROBABILIDADE
Estatística
Decisões que
tomamos diariamente
Sabemos que a estatística é uma ciência que trabalha com a incerteza. Quando falamos de
incerteza, logo pensamos em probabilidade. A origem da palavra “probabilidade” vem do latim
probare, que significa provar ou testar.
Em nossa vida tomamos decisões diariamente.
»» Será que vai chover? »» Em qual investimento »» Quanto tempo demora

devo realizar uma para chegar em casa?
aplicação?
Toda vez que avaliamos o risco, estamos avaliando a probabilidade de um evento ocorrer. Ou seja,
a probabilidade é uma medida de incerteza, que indica a chance da ocorrência de um evento. Essa
medida é um número que varia entre 0 e 1 (0 é a probabilidade de um evento impossível, e 1 é a
probabilidade de um evento certo).
»» Na maioria das vezes, utilizamos a nossa intuição para tomar decisões na base de incertezas!
Mas, quando usamos somente nossa intuição, podemos cometer muitos erros.
»» Por isso, tomar decisões baseadas somente na intuição, não é o melhor caminho.
A forma mais antiga de medir incertezas por meio de probabilidade é através do que chamamos de
probabilidade clássica. Essa medida foi desenvolvida basicamente pelos jogos de azar. O conceito
clássico de probabilidade aplica-se somente quando todos os possíveis resultados são igualmente
prováveis.
94
DISTRIBUIÇÕES DE
PROBABILIDADE
Estatística
Introdução
Suponhamos que uma empresa recebe um lote de matéria-prima de um fornecedor e deve decidir se
esse lote satisfaz níveis de qualidade estabelecidos, como exemplo o comprimento da matéria-prima.
»» Em geral, uma amostra é retirada do lote e índices de

qualidade, como a porcentagem de defeituosos, são
calculados na amostra.
»» Para calcular esse índice, precisamos entender como
nosso indicador está distribuído de acordo com todos os
valores possíveis que ele pode obter. O entendimento dessa
distribuição pode ser feito através de uma distribuição de
probabilidade.
»» Utilizando-se o índice calculado, deve-se decidir se o lote é
aprovado ou reprovado. Esse processo, de tirar conclusões
sobre a população (lote) a partir de uma amostra, é baseado
em conceitos de probabilidade.
96
Estatística
Distribuição de
Probabilidade
A ideia de distribuição de probabilidade funciona da seguinte maneira:
»» Temos uma população original e, a partir desta população, coletamos uma amostra. Medimos
algumas características de interesse (indicadores) e entendemos como esse indicador está
distribuído. A distribuição pode ser visualizada utilizando um histograma de frequências,
quando temos um indicador contínuo.
»» Podemos utilizar uma função para modelar as chances de ocorrência em cada intervalo
de valores. Uma vez estabelecido o modelo, se a situação real se encaixa no modelo, o
problema que nos resta é só determinar as probabilidades específicas para aquele caso e tirar
conclusões sobre a população.
»» Chamamos esse modelo que relaciona o valor da variável com a probabilidade de ocorrência
em cada possível valor de distribuição de probabilidade.
população original
20 amostra de tamanho n
20
20 15
20 20 20 15
15 15 15 15
10 10
10 10 10 10
5 5
5 5
5 5
0 03.2 0 0
2.4 4.0
2.4 4.8
3.2 5.64.0 6.44.8 7.25.6 6.4 7.2 2.4 3.2 4.0 2.4 4.8 3.2 5.6 4.0 6.4 4.8 7.2 5.6 6.4 7.2
0 Comprimento
Comprimento Comprimento
Comprimento 0
2.4 3.2 4.0 4.8 5.6 6.4 7.2
Comprimento
97
Estatística
Variáveis
aleatórias
Vemos, em muitas situações, que os resultados possíveis de um experimento são números. Por
exemplo, o diâmetro de uma peça sendo fabricado, o valor do rendimento da poupança em um
determinado dia, o volume negociado diariamente na bolsa de valores de São Paulo, o tempo de
vida de um equipamento etc.
Quando o resultado não é numérico, podemos fazer uma associação dos resultados possíveis com
um número. Podemos atribuir o número 1 ao sexo masculino e o número 2 ao sexo feminino.
Portanto, é sempre possível associar um número ao resultado de um experimento. Dessa forma,
simbolizamos os possíveis resultados de um experimento aleatório por uma letra (em geral X, Y, Z),
e chamamos essa letra de variável aleatória.
As distribuições de probabilidade dependem do tipo de variável, ou seja, elas podem ser:
»» Distribuições discretas: Utilizadas quando o parâmetro

que está sendo medido pode obter somente valores
inteiros 0, 1, 2... Exemplos: número de defeitos ou não
conformidades, número de vendas, número de infecções
hospitalares.
»» Distribuições contínuas: Utilizadas quando o parâmetro

que está sendo medido pode ser expresso em uma escala
contínua. Exemplos: diâmetro de uma peça, tensão da força,
tempo de atendimento, voltagem etc.
98
Estatística
Distribuição de
probabilidade discreta
Exemplo: em um censo é coletado o número de filhos do casal
Suponhamos que em uma cidade foi feito um censo, e se anotou para cada família o número de
filhos do casal, encontrando-se os resultados apresentados na tabela seguinte.
Nº de Filhos %
0 10%
1 30%
2 35%
3 20%
4 05%
Para uma família escolhida ao acaso, qual é a probabilidade que ela tenha 2 filhos?
»» Pelos resultados censitários citados anteriormente, esse valor é 35%.
»» Se chamarmos de X o número de filhos de um casal escolhido ao acaso, vemos que X pode
assumir os valores {0,1,2,3,4} com probabilidades {0.10, 0.30, 0.35, 0.20, 0.05} respectivamente.
Então, X é uma variável aleatória discreta.
99
Estatística
Distribuição de
probabilidade discreta
Distribuição de probabilidade da variável aleatória X
»» Chamamos a tabela que associa os valores possíveis de X às respectivas probabilidades de

ocorrências de cada valor de distribuição de probabilidades da variável aleatória X. Essa
distribuição é então:
X 0 1 2 3 4 Soma
P(X = xi) 0.10 0.30 0.35 0.20 0.05 1
Distribuição: Número de filhos
»» Observe que a soma das probabilidades

tem de ser igual a 1. Podemos representar
0.40
graficamente a distribuição de 0.35
probabilidade da seguinte forma: 0.30
0.25
P(X)
0.20
0.15
0.10
0.05
0.00
0 1 2 3 4
X
100
Estatística
Distribuição de
probabilidade contínua
As variáveis aleatórias contínuas surgem quando lidamos com quantidades que são medidas em
uma escala contínua, como o tempo de vida de um equipamento, o volume de um produto, o nível
de umidade de um composto, a taxa de colesterol etc.
Quando a variável aleatória é discreta, representamos a distribuição pelo par de valores {xi, P(xi)}, e
isso é tudo que precisamos saber para caracterizar a distribuição de probabilidades.
»» Se dispusermos de uma amostra de característica de qualidade, o peso de barras de chocolate
produzidas, por exemplo, e construirmos um histograma da frequência relativa, poderemos
estimar a proporção de barras de chocolate produzidas que tem peso inferior a certo valor
especificado x, basta calcularmos a área do histograma à esquerda do ponto x, como
exemplificado na figura a seguir.
Exemplo HISTOGRAMA: PESO
0.25
»» é obtida uma amostra
do peso de barras de
0.20
Relativa
chocolate produzidas:
0.15
Percentual
Frequência
0.10
0.5
Peso
Qual proporção de barras de chocolate produzidas tem peso inferior a x?
101
Estatística
Distribuição de
probabilidade contínua
Distribuição de probabilidade da variável aleatória X
Notamos que à medida que o tamanho da amostra aumenta, podemos construir intervalos de classe
com amplitude cada vez menor. O histograma torna-se mais suavizado, de tal forma que podemos
representar o histograma por uma curva contínua. Com o aumento do tamanho da amostra, também
nos aproximamos da população. Então, usamos uma curva contínua para representar a distribuição
de uma característica contínua de uma população, como é mostrado na figura a seguir.
HISTOGRAMA »» Da mesma forma que

a área do histograma
0.1 sob um intervalo mede
0.09 a frequência relativa ou
0.08 proporção de valores
0.07 da amostra que caem
Percentual
0.06 naquele intervalo, a área

0.05 da curva sob um intervalo
0.04 mede a probabilidade
0.03 de que um indivíduo
0.02 sorteado ao acaso tenha
0.01 como medida um valor
0 dentro do intervalo
considerado.
PESO
A curva contínua que representa a distribuição O símbolo de integral substitui, no caso de

é chamada de função densidade de variáveis contínuas, o símbolo de somatório
probabilidade (fdp) e é representada por f(x). usado no caso de variáveis discretas.
A probabilidade de que um valor esteja dentro A função densidade de probabilidades f(x)
do intervalo (a, b) é representada por P(a < X < é uma curva que descreve a distribuição de
b) e é calculado como probabilidades de uma variável aleatória
contínua e possui as seguintes propriedades:
»» f(x) ≥ 0 ∀ x.
»» A área sob a curva definida por f(x) é igual
b
P(a < X < b) = ∫a f(x)dx a 1.
»» P(a ≤ x ≤ b) = a área sob a curva entre os
pontos a e b.
102
MODELOS
PROBABILÍSTICOS
PARA V.A. DISCRETAS
Estatística
Introdução
Os modelos devem simplificar a realidade ao mesmo tempo em que representam suas principais
características.
Um modelo, para ser útil, deve possuir algumas propriedades, que são:
»» 1. Adequabilidade: O modelo deve refletir os mecanismos aleatórios que governam o

processo.
»» 2. Simplicidade: O modelo deve ser o mais simples possível. Isso faz com que geralmente o
modelo seja tratável e interpretável.
Por simplicidade queremos também dizer economia no número de parâmetros que caracterizam o
modelo. Se dois modelos descrevem adequadamente um mesmo fenômeno, o mais simples e com
menos parâmetros deve ser preferido.
“Todos os modelos estão

incorretos, mas alguns são
úteis.”
George Box
104
Estatística
Classificação
Quando estudamos fenômenos que apresentam como resultados variáveis aleatórias discretas,
podemos observar que muitos deles têm características comuns. Por exemplo: quando anotamos o
sexo de um recém-nascido, os resultados possíveis são dois: masculino ou feminino; uma peça pode
ser classificada como defeituosa ou não defeituosa com respeito à sua condição de uso; um cheque
tem ou não fundos etc.
Sexo Peça defeituosa Entrega no prazo ou atrasada
Em todos esses exemplos, só temos dois resultados possíveis, e é possível estabelecer um modelo
probabilístico que seja aplicável em todos os casos e que se diferencie apenas pelo valor das
probabilidades atribuídas a cada resultado possível. Sob certas condições, essas variáveis seguem
uma distribuição binomial.
Distribuiçã
Exemplo
.
Um gerente de conta especial faz vinte ligações por dia para
.
clientes para oferecer um novo produto. De experiência
passada ele estima que a chance de vender o produto para um
Probabilidade
cliente é 0,10.
.
»» Se sua meta diária é realizar quatro vendas, qual é a
probabilidade que ele atinja a meta do dia?
.
»» Qual é o número médio de vendas que ele realiza por dia?
.
»» Qual é o desvio padrão do número de vendas?
»» Qual é o valor mais provável de venda?
.
Para conseguirmos responder essas questões, é preciso entender
qual variável aleatória está sendo medida e qual modelo pode ser
utilizado para representá-la.
. 0 1 2 1053 4
X
Estatística
Distribuição
binomial
Consideramos repetições Assim, definimos uma variável aleatória que pode assumir os
sucessivas de um valores 0 e 1 com a seguinte distribuição de probabilidades:
experimento ou observação.
Cada repetição é chamada
de um ensaio. Além disso, X P(X)
consideramos que existem
apenas dois possíveis 0 1 − p
resultados para cada ensaio
1 p
individual.
É convencional designar
esses dois resultados Quando um número fixo de ensaios de Bernoulli é realizado de
possíveis de Sucesso (S) e forma independente com probabilidade p de Sucesso em cada
Fracasso (F), e esses termos ensaio, estamos interessados em contar quantas vezes ocorre o
não devem ser entendidos resultado(S). Denotemos por x a quantidade de vezes que ocorre
de forma literal. É costume o resultado(S). Essa variável pode assumir os valores 0, 1, 2... n,
designar o resultado de maior com diferentes probabilidades.
interesse do pesquisador
de Sucesso e o outro de Vamos denotar por P(X=m) a probabilidade que em n repetições do
Fracasso. Por exemplo, ensaio de Bernoulli ocorram exatamente m Sucessos, m pode assumir
se estamos estudando o os valores 0, 1, 2... n. (denota-se essa frase por m = 0, 1, 2... n). A variável
sexo de recém-nascidos, aleatória recebe o nome de Distribuição Binomial, e:
podemos designar por S o
sexo feminino e por F o sexo
masculino, ou vice-versa.
Situações que envolvem
essas condições são muito
n
m ( )
P (X = m) = pm (1 - p)n-m
frequentes e são chamadas

( )
de ensaios de Bernoulli. Elas n n!
= para m = 0, 1, 2…
podem ser modeladas em m m!(n-m)!
termo de probabilidades,
sendo p a probabilidade de
Sucesso e 1-p a probabilidade
Observe que o cálculo das probabilidades da distribuição
de fracasso.
binomial dependem apenas de n, o tamanho da amostra e de p, a
É comum associarmos o probabilidade de ocorrer S.
número 1 ao evento “S” e
Sabendo que uma variável segue uma distribuição binomial,
o número 0 ao evento “F” .
pode-se facilmente calcular sua média e variância:
»» E(X) = µ = np
»» Var(X) = σ2 = np(1 − p)
106
Estatística
Distribuição
binomial
Se voltamos ao exercício anterior, em cada Então, a chance do gerente atingir a meta diária
ligação é possível ter Sucesso (vender o produto) é de apenas 13%.
e Fracasso (não vender o produto).
»» b) Qual é o número médio de vendas que
»» O gerente realiza 20 ligações por dia (n=20), ele realiza por dia?
e a probabilidade de sucesso é igual a (0,10).
O número esperado de sucessos em n ensaios
»» Se Y for o número de vendas diárias, de Bernoulli é igual a np, ou seja, espera-
então Y terá uma distribuição binomial se que o gerente tenha em média por dia
com parâmetro (20,p), sendo que uma 20 × 0,10 = 2 vendas.
estimativa para p é igual a 0,10.
»» c) Qual é o desvio padrão do número de
A partir dessas informações, é possível vendas?
responder as questões:
O desvio padrão do número de sucessos é
»» a) Se sua meta diária é realizar 4 vendas, √np(1 − p), ou seja, √20 × 0,10 × 0,90 = 1,34.
qual é a probabilidade que ele atinja a
»» d) Qual é o valor mais provável de venda?
meta em um determinado dia?
Para responder essa questão, podemos utilizar
Atingir a meta significa vender pelo menos 4, ou
um gráfico e verificar a probabilidade em
seja, a probabilidade de vender 4, ou 5, ou 6, ou 20.
cada uma das possibilidades. Nesse gráfico,
Isso pode ser escrito em probabilidade como: podemos observar que o valor mais provável é
igual a 2.
P(X = 4) + P(X = 5) + P(X = 6) +
P(X = 7) + P(X = 8) + P(X = 9) +
P(X = 10) + … + P(X = 20) = P(X ≥ 4) Distribuição
A maioria dos softwares estatísticos permite .
calcular diretamente probabilidades associadas .
Probabilidade
à distribuição binomial. Softwares geralmente .

calculam probabilidades acumuladas, por
.
isso precisamos reescrever a P(X ≥ 4) como
.
o seu complementar, utilizando o valor 1
que corresponde à soma total de todas as .
probabilidades, ou seja: . 0 1 2 3 4 5 6 7 8
P(X ≥ 4) = 1 − P(X < 4) = X
1 − P(X ≤ 3) = 1 – 0,87 = 0,13 ou 13%
107
Estatística
Contagem
Quando observações ocorrem em um intervalo de tempo ou espaço não temos mais um número
finito de ensaios ou ocorrências.
Por exemplo:
»» Quantos clientes chegam »» Quantas não »» Quantas vendas realizo

ao hospital durante 1 conformidades ocorrem por mês?
hora? em 1 peça?
Sob algumas condições necessárias, essas variáveis seguem uma distribuição de Poisson.
Exemplo
A experiência passada indica que um número médio de 6 clientes

por hora chegam ao caixa do banco para serem atendidos.
»» Qual é a probabilidade de 3 clientes chegarem em qualquer
hora?
»» Qual é a probabilidade de 3 clientes ou menos chegarem em
qualquer hora?
»» Qual é a média e o desvio padrão para esta distribuição?
»» Qual é o valor mais provável?
Para conseguir responder essas questões, é preciso entender
qual variável aleatória está sendo medida e qual modelo pode ser
utilizado para representá-la.
108
Estatística
Distribuição
de Poisson
Pode-se pensar que o número de clientes que chega ao banco por hora segue uma distribuição de
Poisson. Porém existem algumas condições necessárias para que isso seja verdade:
»» 1. O número de vezes que o evento ocorre em qualquer intervalo de tempo é independente
do número de ocorrências em qualquer outro intervalo de tempo disjunto.
»» 2. A chance de duas ou mais ocorrências simultâneas pode ser assumida como zero.
»» 3. O número médio de ocorrências por unidade de tempo é uma constante, e ela não muda
com o tempo.
Seja X o número de ocorrências em um intervalo de tempo unitário. Se os três postulados anteriores
são válidos, então a distribuição de X é denominada Distribuição de Poisson e é definida por:
(e-λ λ x)
P(X = x) = , x = 0,1,2…
x!
onde (e) simboliza o número neperiano ou número exponencial, sendo igual a 2,718281828459045235360287
O parâmetro λ na distribuição de Poisson é o número médio de ocorrências de um intervalo de
tempo unitário.
Sabendo que uma variável segue uma distribuição de poisson, pode-se facilmente calcular sua
média e variância:
»» E(X) = λ
»» Var(X) = λ
109
Estatística
Distribuição
de Poisson
Voltando ao exercício anterior sabendo que 6 »» b) Qual é a probabilidade de 3 clientes ou
clientes chegam por hora para serem atendidos, menos chegarem em qualquer hora?
ou seja, λ = 6.
Para podermos utilizar o modelo de Poisson, P(X ≤ 3)=
precisamos considerar as condições (1-3)
P(X=0)+P(X=1)+P(X=2)+P(X=3)
apresentadas anteriormente. Isto é, para este
exemplo, deve-se assumir que o número de = 0,15
pessoas que chegam ao caixa, por exemplo, das
13 às 14 horas é independente do número de
pessoas que chegam das 14 às 15 horas. Além »» c) Qual é a média e o desvio padrão para
disso a taxa de chegada é sempre a mesma, esta distribuição?
ou seja, devemos ter cuidado com os horários
A média é E(X) = λ = 6 e o desvio é a raiz da
de pico. Outro condição é que não existe a
variância portanto DP(X) = √λ = √6 = 2,45
possibilidade de duas pessoas chegarem
exatamente no mesmo segundo ao caixa para »» d) Qual é o valor mais provável?
serem atendidas.
Para responder essa questão, podemos utilizar
Se Y for o número de pessoas que chegam ao um gráfico e verificar a probabilidade em cada
caixa por hora, então: uma das possibilidades.
»» a) Qual é a probabilidade de 3 clientes »» Neste gráfico, podemos observar que os
chegarem em qualquer hora? valores mais prováveis são 5 e 6.
Distribuição
POISSON; MEAN=6
(e-6 63) 0.18
P(X = 3) = = 0,09 0.16
3! 0.14
Probabilidade
0.12
0.10
0.08
0.06
0.04
0.02
0.00
0 2 4 6 8 10 12 14 16
X
110
Estatística
Resumo das distribuições

discretas apresentadas
Distribuição P(X=x) Média Variância
Binomial ( mn ) p (1 − p)

m n−m
np np(1 − p)
e –λ λ x
Poisson λ λ
x! .
Entender o tipo da variável é essencial para encontrar a melhor distribuição e utilizar suas
características para resumir os dados:
»» Use a binomial quando se tem uma soma de ensaios de Bernoulli com duas possíveis
respostas e um valor máximo de ocorrências;
»» Use a binomial quando amostras são retiradas com reposição ou em grandes populações,
geralmente a amostra não representando nem 5% da população.
»» Em populações pequenas e amostragem sem reposição a distribuição hipergeométrica é mais
recomendada do que a distribuição binomial.
»» Use a Poisson quando não existe um valor máximo em um intervalo de tempo ou espaço.
Outras distribuições
Distribuição hipergeométrica Distribuição multinomial

A distribuição hipergeométrica é utilizada A distribuição multinomial é uma extensão da
quando itens são amostrados sem reposição de distribuição binomial quando o número de
uma população de interesse. Especificamente, respostas possíveis é maior que 2. Por essa
o item não é devolvido à população antes do razão, o modelo é chamado de multinomial.
próximo item amostrado. Geralmente é utilizado Um exemplo é na análise sensorial, em que os
para amostras de populações pequenas. avaliadores classificam um produto em mais do
que duas categorias.
Por exemplo, se, em um lote de peças, temos
peças defeituosas e não defeituosas. Se uma
amostra deste lote é retirada sem reposição,
então a probabilidade de que uma peça retirada
seja defeituosa se altera a cada retirada, pois
depende de que tipo de peça foi
retirada anteriormente.
111
MODELOS
PROBABILÍSTICOS PARA
V.A. CONTÍNUAS
Estatística
Variável aleatória
contínua
Estamos estudando que variáveis aleatórias contínuas surgem
quando lidamos com quantidades que são medidas em uma
escala contínua, como o tempo de vida de um equipamento, o
volume de um produto, o nível de umidade de um composto, a
taxa de colesterol etc.
Então tomemos o seguinte exemplo:
»» Em um call center, o tempo de atendimento de um cliente é

monitorado.
»» Os valores possíveis são, em princípio, infinitos dentro de
um intervalo (a,b), a<b.
Nesse caso, não faz sentido perguntar qual é a probabilidade de
que o tempo de atendimento seja igual a um valor. Na realidade,
essa probabilidade é igual a zero.
»» O que se pode perguntar é qual é a probabilidade de que o
tempo de atendimento esteja dentro de um intervalo (x,y),
ou seja, P(x<t<y).
114
Estatística
Variável aleatória
contínua
Qual a chance de atender um cliente em até 9 minutos?
HISTOGRAMA HISTOGRAMA A figura ao lado mostra o

30 20 histograma de amostras de
tamanho 20, 100, 1000 e 10000.
Percentual
Percentual 15
20
10 A medida que o tamanho da
10 5
amostra aumenta, podemos
0 0 construir intervalos de classe
8 9 10 11 12 8 9 10 11 12
com amplitude cada vez
x20 x100
menor. O histograma torna-se
HISTOGRAMA HISTOGRAMA mais suavizado, de tal forma
8 8
que podemos representar o
histograma por uma curva
Percentual
Percentual
6 6
4 4 contínua. Com o aumento
2 2 do tamanho da amostra,
0 0 também nos aproximamos
8 9 10 11 12 8 9 10 11 12 da população. Então, usamos
x1000 x10000 uma curva contínua para
representar a distribuição de
uma característica contínua de
uma população.
Com isso podemos responder a questão:
»» Qual é a chance de atender um cliente em até 9 minutos?

»» A porcentagem de valores abaixo de 9 é aproximada pela
área sob a curva à esquerda de 9. Quanto maior o tamanho
da amostra, melhor a aproximação.
9
%(t < 9) ≅ ∫-∞ f(x)dx
Da mesma forma que a área do histograma sob um intervalo

mede a frequência relativa ou proporção de valores da amostra
que caem naquele intervalo, a área da curva sob um intervalo
mede a probabilidade de que um indivíduo sorteado ao acaso
tenha como medida um valor dentro do intervalo considerado.
115
Estatística
A distribuição
normal (Gaussiana)
Podemos observar que, dentre as muitas distribuições contínuas usadas em estatística, a mais
importante é a Distribuição Normal ou Gaussiana. Ela tem a forma de um sino e está associada
com os nomes de Pierre Laplace e Carl Gauss. Seu estudo remonta ao século XVIII. Gauss derivou
a curva normal como a distribuição que ocorre quando a variável analisada provém de erros de
medida e chamou-a de “Lei normal dos erros”.
Posteriormente, cientistas e analistas de dados nas mais diversas áreas de atuação, ao fazer
gráficos dos dados que estavam analisando na forma de um histograma, encontravam uma
forma que se aproximava da forma da distribuição normal. Nos primórdios de seu uso, muitos
acreditavam que todas as observações de processos reais deveriam seguir a lei gaussiana; daí a
origem do nome normal. Quando isso não acontecia, suspeitava-se dos dados. Posteriormente,
observou-se que, em muitas situações, a distribuição não seguia a forma da normal.
Muitas características de qualidade contínuas têm distribuição razoavelmente simétrica e podem
ser aproximadas por uma curva em forma de sino conhecida como Curva Normal, que corresponde
à distribuição normal ou gaussiana.
GRÁFICO DE DISTRIBUIÇÃO
Normal; Média=0; DP=1
0.4
0.3
Densidade
0.2
0.1
0
-3 -2 -1 0 1 2 3
116
Estatística
Definição de uma
curva normal
Toda curva normal é definida por dois números
»» Média: medida do centro.

»» Desvio padrão: medida de dispersão.
Por meio dessas curvas, é possível comparar processos e tomar decisões sobre eles.
GRÁFICO DE DISTRIBUIÇÃO
Normal
0.20
0.15
Média DP
5 5
Densidade
0.10 12 2
12 5
0.05
0.00
-10 0 10 20 30
x
117
Estatística
Distribuição
normal
A função de densidade de probabilidade de X é dada por
Uma vez que a média µ e Uma distribuição normal tem função densidade dada por:
o desvio padrão σ de uma
distribuição normal são dados,
a distribuição inteira estará
caracterizada. A notação dada 1 – 1 (x-µ)
f(x) = e 2σ
2
por N(µ,σ2) é frequentemente 2
usada para indicar uma √2πσ2

distribuição normal tendo
média µ e desvio padrão σ.
»» Utilizamos a notação - ∞ ≤ x ≤ ∞, - ∞ ≤ µ ≤ ∞, σ2 > 0
X~N(µ,σ2)
Propriedades da distribuição normal
Para qualquer distribuição Se X tem distribuição N(µ,σ2), então:

normal temos
»» P(µ − σ < X < µ + σ) = 0,683
Algumas probabilidades básicas, e que são
»» P(µ − 2σ < X < µ + 2σ) = 0,954
úteis para se fazer análises rápidas com dados
com distribuição normal, são apresentadas em »» P(µ − 3σ < X < µ + 3σ) = 0,997
termos de intervalos em torno da média, com
amplitudes que dependem de σ.
99.7%
95.4%
68.3%
X
μ-3σ μ-2σ μ-1σ μ μ+1σ μ+2σ μ+3σ
118
Estatística
Distribuição
t de Student e normal
A distribuição t de Student é utilizada para modelar variáveis
contínuas. Essa distribuição tem a mesma forma de sino da
distribuição normal, porém com curvas mais alargadas, o que se
espera em amostras pequenas.
»» Quanto maior o grau de liberdade (n − 1), ou seja, maior o
número de amostras, mais a distribuição se aproxima da
distribuição normal.
A distribuição t de Student tem importantes aplicações no estudo
de testes de hipótese e intervalos de confiança para médias
populacionais. Esses temas serão tratados posteriormente.
Student’s t, df = 25
119
Estatística
Distribuição
exponencial
A distribuição exponencial é muito utilizada quando
trabalhamos com tempo para ocorrência de um evento, por
exemplo, tempo para atendimento de uma chamada. Em
particular, a distribuição exponencial modela o tempo ou
distância de eventos sucessivos, quando o evento segue uma
distribuição normal.
f(x) = αe-αx
onde x ≥ 0
1
»» E(X) =
α
1
»» Var(X) =
α2
120
Estatística
Distribuição
exponencial
Exemplo
»» Clientes chegam a um banco com uma taxa de 5 por hora. Qual é a probabilidade de 1 cliente
chegar em menos de 30 minutos.
Para resolver este problema é necessário garantir que todos os tempos estejam na mesma unidade.
»» 30 minutos equivale a 0,5 de hora. Então temos:
P(X < 0,5) = 1 - e-(5)(0,5)
= 1 - e-2,5 = 0,91
Podemos verificar esta probabilidade também no gráfico.

GRÁFICO DE DISTRIBUIÇÃO EXPONENCIAL
Escala = 0,2
4
Densidade
2
0,9179
0
0 0.5
X
Alguns softwares pedem o parâmetro de escala para calcular a probabilidade.

»» Neste caso, dizemos que o parâmetro de escala da distribuição é o inverso do parâmetro da
taxa, ou seja, 1/5=0,2
121
ESTUDO DE UMA
POPULAÇÃO
Estatística
Inferência
Quando coletamos dados para estudar um determinado problema,

temos como objetivo o conhecimento de uma certa realidade.
Se uma empresa de pesquisa de opinião pública sai a campo para fazer uma pesquisa eleitoral,
o objetivo é saber como os eleitores se comportam com respeito aos candidatos, partidos, etc.
Quando anotamos a quantidade de litros consumidos e o total de quilômetros rodados por um
carro, queremos saber sobre o desempenho do carro com respeito ao consumo. Quando variamos a
temperatura e a pressão de um reator químico e medimos o rendimento em cada set-up, queremos
saber como o rendimento depende da temperatura e da pressão.
»» Considere uma população ou um processo e uma variável de interesse medida em uma amostra.
Os dados da amostra podem ser usados para realizar inferências sobre a população ou o processo.
População Inferência Amostra

estatística
Parâmetros Estatísticas
Ao coletarmos dados para estudar um determinado problema, temos como objetivo o

conhecimento de uma certa realidade.
»» Se uma empresa de pesquisa de opinião pública sai a campo para fazer uma pesquisa
eleitoral, o objetivo é saber como os eleitores se comportam com respeito aos candidatos,
partidos etc.
»» Quando anotamos a quantidade de litros consumidos e o total de quilômetros rodados por um
carro, queremos saber sobre o desempenho do carro com respeito ao consumo.
»» Quando variamos a temperatura e a pressão de um reator químico e medimos o rendimento
em cada set-up, queremos saber como o rendimento depende da temperatura e da pressão.
Considere uma população ou um processo e uma variável de interesse medida em uma amostra. Os
dados da amostra podem ser usados para realizar inferências sobre a população ou o processo.
124
Estatística
Inferência
As características 1.6
(parâmetros) de
interesse são em geral 1.4
1.2
»» A forma da distribuição da 1.0
variável
0.8
»» A média
»» O desvio padrão
0.6
0.4
0.2
0.0
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.2
y
125
Estatística
Inferência
sobre a forma
Verificamos que, na inferência CARTA I: TEMPO DE ATENDIMENTO
sobre a forma, o objetivo
é identificar se existe uma 10 LSC=9.65
distribuição conhecida 8
que pode ser usada para
aproximar a distribuição dos 6
Tempo
valores, como por exemplo X=4.20

a distribuição normal, ou log
4
normal, ou Weibull. 2
Isso pode ser feito ajustando- 0
se o gráfico probabilístico de LIC=1.25
uma determinada distribuição
aos dados. Caso o gráfico seja
1 4 7 10 13 16 19 22 25 28
aproximadamente uma reta,
a distribuição correspondente Observação
pode ser usada.
»» Não há evidência de que o processo não esteja sob controle.
GRÁFICO DE PROBABILIDADE:
TEMPO DE ATENDIMENTO
NORMAL - 95% IC
LSC=9.65 99
90 Média 4.198
Percentual
70 DP 1.588
X=4.20 50 N 30
30 AD 0.222
10 P-Valor 0.813
LIC=1.25 1
0 2 4 6 8 10
Tempo de atendimento
»» O gráfico probabilístico normal indica que a distribuição

normal é adequada.
126
Estatística
Inferência sobre a
média e o desvio padrão
A inferência sobre a
média e o desvio padrão Inferência
da população pode ser
feita de três formas sobre a média
e o desvio
»» Estimação pontual padrão
»» Intervalo de confiança
»» Teste de hipóteses Teste de
hipóteses
Estimação
pontual
Intervalo de
confiança
Obs.: Essas inferências só fazem sentido se os dados se ajustam

a uma distribuição e se o processo está estável. É importante
fazer inicialmente o gráfico de controle e em seguida o gráfico
probabilístico.
127
Estatística
Estimação
pontual
Verificamos que é possível representar os valores de uma amostra de tamanho n por x1, x2, ... , xn.
A estimação pontual da média e do desvio padrão da população são dados pela média amostral e
pelo desvio padrão respectivamente.
Média Desvio padrão
√
n n
∑ xi ∑(xi - x̄)2
x̄ = i=1
s = i=1
n n - 1
. .
Estimativas como essas são chamadas de estimativas pontuais, já que se constituem apenas de um
número. Embora essa seja a maneira mais comum de se apresentar estimativas, ela deixa algumas
questões em aberto, pois não contém nenhuma informação sobre o tamanho do erro amostral da
estimativa, e esse erro existe. Uma outra forma de apresentar estimativas é através de intervalos de
confiança. A estimativa é apresentada na forma de um intervalo, que julgamos cobrir o verdadeiro
valor do parâmetro com um nível de confiança especificado.
128
Estatística
Intervalo de confiança
para a média
Margem de erro Intervalo de confiança para a média
Embora o mais comum seja apresentar Uma forma de se apresentar estimativas é

estimativas por meio de estimativas pontuais, através de intervalos de confiança. A estimativa
essa forma não contém informações sobre é apresentada na forma de um intervalo
o tamanho do erro amostral da estimativa de valores, o qual cobre o verdadeiro valor
(precisão), e essa informação é essencial para do parâmetro com um nível de confiança
a interpretação da estimativa e consequente especificado.
tomada de decisão. A precisão de uma
estimativa pode ser medida através da margem
de erro.
»» A margem de erro da estimativa pontual da σ σ
(x̄ - 2 ; x̄ + 2 )
..
média é dada por: √n √n
s O interesse aqui é, a partir de x̄, estabelecer um

M.E. ≅ 2*
.
√n intervalo que sirva de estimativa para µ.

Chamamos esse intervalo de intervalo de
estimação para µ com 95% de confiança, ou
simplesmente intervalo de confiança de 95%
Das propriedades da distribuição normal, para µ.
sabemos que aproximadamente 95% das
Nota: O valor 2 vem da aproximação da
amostras retiradas sob as mesmas condições
distribuição normal que assume o valor de
terão média amostral entre µ ± 2 (σ/√n). Esse
1,96 para um nível de confiança de 95%. Além
tipo de resultado é interessante quando
do intervalo de intervalo de confiança para a
queremos verificar se a média amostral
média, outros intervalos para o desvio padrão,
fornece evidência de que um processo não
mediana e proporções‑ podem ser obtidos.
está calibrado de acordo com um valor médio
Para mais detalhes, ver apostila Estatística,
especificado µ0.
probabilidade e inferência.
129
Estatística
Exemplo
Frequentemente, sabemos que o desejável é que o intervalo tenha a menor amplitude possível.
A amplitude decresce com o aumento do tamanho da amostra. Se diminuirmos a constante
que multiplica σ/√n (até agora usamos essa constante igual a 2), também podemos diminuir a
amplitude. Por exemplo, se usarmos a constante igual a 1, a amplitude se torna 2 × σ/√n, mas o
nível de confiança cai para 67% (lembre-se que na distribuição normal o intervalo de ± um desvio
padrão em torno da média tem probabilidade de 67%).
130
Estatística
Exemplo
Uma máquina empacotadeira de macarrão deve colocar 1000 gramas em cada pacote.
Suponhamos que o desvio padrão da máquina seja conhecido e igual a 5 gramas, e que a máquina
está calibrada em 1000 g. Uma amostra de 10 pacotes é retirada e pesada em uma balança com alta
precisão. Calcula-se a média dos pesos dos 10 pacotes e encontra-se 998.38 gramas.
»» Qual é o intervalo de confiança?
O intervalo de confiança é dado por:
5 5
(998,38 - 2 × ; 998,38 + 2 × ) = (995,2 ; 1001,5)
..
√10 √10
Afirmamos, então, que o intervalo acima contém µ, e nesse caso a afirmativa está correta (lembre-
se que a máquina está calibrada em 1000g).
Suponhamos que retiramos outra amostra nas mesmas condições, resultando em uma média
amostral igual a 997,6. O intervalo correspondente é então (994,4 , 1000,7), e novamente o intervalo
contém o valor 1000. Uma terceira amostra é retirada nas mesmas condições, resultando em
x̄ = 1004,13. O intervalo de confiança é então (1001,0 , 1007,3). Nesse caso, dizemos que a média µ
está entre 1001,0 e 1007,3 e cometemos um erro. Para algumas amostras o intervalo contém o valor
1000. Para outras não.
Quando calculamos um intervalo de confiança e dizemos que esse intervalo contém µ, essa
afirmação está sujeita a erros. Quando afirmamos que a confiança é de 95%, queremos dizer que,
se retirarmos 100 amostras nas mesmas condições, em média vamos acertar 95 vezes (95%) e errar
5 vezes. Essa é a interpretação que se dá ao intervalo de confiança.
131
Estatística
Exemplo
Na situação descrita anteriormente, foi suposto que o desvio padrão populacional era conhecido.
Se não conhecemos o desvio padrão populacional, então temos de substituir σ pelo desvio padrão
amostral s. O intervalo de confiança é então dado por
s s
(x̄ - t(n-1);α /2 ; x̄ + t(n-1);α /2 )
..
√n √n
Temos, como exemplo, que o tempo de atendimento para uma chamada em um call center foi
medido. Deseja-se estimar o tempo médio de atendimento e o desvio deste indicador.
No resumo a seguir, podemos verificar que o tempo médio de atendimento é de 4,1983, porém com
um intervalo de confiança de (3,61 ; 4,79).
O desvio padrão estimado é de 1,5876, porém com intervalo de confiança de (1,26 ; 2,13).
Também podemos observar outras estimativas como mediana e quartis, além de um teste de
hipótese de normalidade para os dados.
RESUMO DE TEMPO DE ATENDIMENTO
1 2 3 4 5 6 7
INTERVALOS DE CONFIANÇA
Média
Mediana
3.50 3.75 4.00 4.25 4.50 4.75 5.00
132
Estatística
Intervalo de confiança
para Variâncias
Em muitas situações, o que se deseja é estimar a precisão de um conjunto de medidas. Por exemplo,
um técnico de laboratório quer avaliar a precisão de um novo método de análise antes de implementá-
lo na rotina do laboratório. Além de estimar pontualmente a precisão do novo método, o que é feito
através do cálculo do desvio padrão, é desejável construir um intervalo de confiança para a estimativa. O
procedimento para construir intervalos de confiança para o desvio padrão é descrito a seguir.
A construção de intervalos de confiança para o desvio padrão envolve o uso da distribuição Qui-
quadrado. A distribuição Qui-quadrado depende de um parâmetro que é o número de graus de
liberdade. Os graus de liberdade estão relacionados com o tamanho da amostra utilizada no cálculo
do desvio padrão amostral, ou seja, se o tamanho da amostra é n, o número de graus de liberdade da
distribuição Qui-quadrado é n− 1. Essa distribuição é muito utilizada em procedimentos estatísticos.
O cálculo de probabilidades envolvendo a distribuição Qui-quadrado pode ser feito através de tabelas
encontradas em livros de estatística ou através de softwares estatísticos.
Considere uma amostra x1,x2, ..., xn e uma distribuição Normal(μ, σ2)
Para construir um intervalo de confiança de (1 − α ) × 100% para σ2, procedemos da seguinte forma:
n
1. Calculamos S2 = =∑ (xi − x- )2 , que é a estimativa de σ2.
i=1
n−1
2. Obtemos os valores A1 = χ21− α_ , n − 1 e A2=χα2 _ , n − 1 a partir da distribuição χn2 − 1 , sendo A1 o valor da

2 2
ordenada na distribuição χ2n − 1 que deixa área igual a 1 − α/2 à sua direita e A2 o valor da ordenada na
distribuição χn2 − 1 que deixa área igual a α/2 à sua direita.
3. O intervalo de confiança de 1 − α × 100% para σ2 é dado por
Densidade de probabilidade
(n − 1)S2 (n − 1)S2
,
A1 A2
(n − 1)S2 (n − 1)S2
,
A1 A2
133
TESTE DE
HIPÓTESES
Estatística
Introdução
Sabemos que dados são usados tanto para tentar refutar teorias existentes como para revisar
velhas teorias e formular novas. Teorias e hipóteses deveriam ser sempre contrastadas com dados
coletados; se possível, de experimentos planejados. Se os dados contradizem a teoria, deveria se
procurar outro modelo teórico que explicasse os dados experimentais e que estivesse de acordo
com o conhecimento anterior.
Teste estatístico de hipóteses
O teste estatístico de hipóteses é uma técnica que lida com procedimentos para medir a evidência
que os dados experimentais fornecem contra uma hipótese formulada. Sua utilização é ampla em
todas as áreas da estatística, como análise de regressão, planejamento de experimentos, análise de
séries temporais, análise de sobrevivência, confiabilidade etc.
136
Estatística
Exemplo 1:
trajeto
NOVO TRAJETO SUGERIDO
Você vai para o trabalho todos os dias e percebe que, dependendo das condições de trânsito, o
tempo gasto no trajeto varia (vamos considerar que o trajeto é sempre o mesmo).
“Suponha que você é uma pessoa organizada” e tem registrado o tempo gasto diariamente para
realizar o percurso durante os últimos dois anos. Baseado nesses dados, você sabe que o tempo
médio gasto é de 30 minutos com desvio padrão igual a 1.
Construindo um histograma com os dados, você observa que eles seguem uma distribuição
aproximadamente normal. Com isso, percebe que em 95% dos dias você completa o trajeto entre 28
e 32 minutos.
20
15
Porcentagem
10
0
27 28 29 30 31 32
Tempo
Um colega lhe propõe um novo trajeto e lhe afirma que é possível

percorrê-lo em um tempo menor. Você resolve testar para
verificar se o novo trajeto é realmente melhor.
137
Estatística
Passos para a
construção de um teste
A montagem e a realização dos testes, nas mais diferentes situações, serão apresentadas ao longo
do curso e analisadas com o recurso do computador. O mais importante é saber como traduzir um
problema prático na forma de um teste. Saber qual teste aplicar e interpretar o resultado que o
computador fornecer.
Os quatro passos importantes

na construção de um teste são:
»» 1. Formalização do teste, ou tradução do

problema a ser resolvido na forma de
um teste de hipóteses.
»» 2. Construção de um critério para realizar
o teste.
»» 3. Derivação de uma distribuição de
referência para comparar o critério.
»» 4. Cálculo do nível de significância do
teste.
O primeiro passo é construir

a hipótese H0 e HA.
138
Estatística
Exemplo 1:
trajeto
Passo 1: Formalização do teste
O primeiro passo é construir a hipótese H0 e HA .

Vamos chamar de µ o tempo médio gasto com o novo trajeto. Observe que não sabemos qual é esse
valor. As hipóteses para esse problema ficam da seguinte forma:
H0: µ = 30 min
vs.
HA: µ < 30 min
No dia seguinte, você percorre o trajeto e gasta 29 minutos.

Essa informação é suficiente para rejeitarmos a hipótese
nula e concluirmos que o novo trajeto é melhor que o antigo?
Obviamente, não. Devido à presença de variabilidade (condições
de trânsito), hoje gastou-se 29 minutos, amanhã você poderá
gastar 32 minutos. É necessário percorrer o trajeto por um
certo número de dias, cronometrar o tempo gasto e analisar os
resultados.
»» Qual é a sua decisão?
Devemos coletar mais dados!
139
Estatística
Exemplo 1:
trajeto
Você decide conduzir um experimento da seguinte forma:
durante 9 dias o trajeto é percorrido, e o tempo, anotado. O
próximo passo é calcular o tempo médio gasto, X̄.
Suponha que o tempo médio gasto é 29 minutos. Agora a
evidência de que o novo caminho é melhor (H 0 é falsa) é igual
ou maior do que quando realizamos apenas uma observação
(note que a diferença para o valor da hipótese H 0 é a mesma:
1 minuto)?
x̄ = 29
Existe um sentimento intuitivo de que agora a evidência é maior.

Como podemos quantificar esse sentimento?
E agora? Já posso tirar alguma conclusão?
PRECISÃO
A precisão de uma observação, Precisão é o inverso do desvio padrão. Portanto, quanto maior for
medida em termos de desvio o tamanho da amostra, menor é a dispersão em torno da média e
padrão, é σ. A precisão de uma maior é a precisão.
média de n observações é,
como visto anteriormente.
√ (
1
∑ )
σ
n
σ(X̄) = √Var(X̄) = Var xi =
..
σ .
n √n
i=1
√n
Quanto maior a amostra, maior a precisão!

140
Estatística
Construção
de um critério
O primeiro passo na A diferença de menos 1 minuto “fala”
construção de um critério da mesma forma contra H0?
é comparar X̄ com a média
A resposta é não. Pois, quanto maior for a variabilidade do tempo
estipulada em H0. Um critério
de percurso, maiores diferenças podem ocorrer. Para corrigir
natural é dado pela diferença
o critério C*, para o efeito da dispersão, dividimos a diferença
entre X̄, (a média observada) e
acima pelo desvio padrão de X̄:
µ (o valor postulado em H0), ou
seja:
x̄ - µ
C =
σ / √n
.
C* = x̄ - µ
Essa medida agora é adimensional e não depende da escala

de medida. O segundo passo está completo; o critério está
que, nesse caso, é igual a:
construído.
29 − 30 = −1.
Assumindo que o desvio padrão do tempo de percurso do novo
Considere a mesma diferença
trajeto é igual ao do tempo antigo (nem sempre essa suposição é
absoluta e duas situações:
válida), ou seja, que σ = 1, e que a média é 29, temos:
»» a) A variabilidade do
tempo de percurso do
novo trajeto é baixa
(desvio padrão baixo). 29 - 30
C = = -3
»» b) A variabilidade do 1 / √9
tempo de percurso
do novo trajeto é alta
(desvio padrão alto).
Com C = −3 nós rejeitamos H0.
Se H0 é verdadeiro, esperamos encontrar C = 0. Quanto mais C
se afasta de 0, maior é a evidência contra H0. Para sabermos
se −3 é suficientemente afastado para decidamos rejeitar
H0, é necessário comparar C com uma referência. Para isso é
necessário saber como C se distribui.
141
Estatística
Derivação de uma
distribuição de referência
Derivação de uma distribuição de referência
Temos que C é um valor que depende da média amostral; portanto depende dos dados da amostra.
Para cada amostra de 9 observações, C terá um valor, provavelmente, diferente.
»» Nesse exemplo, o tempo de percurso tem distribuição aproximadamente gaussiana. Se a
hipótese H0 é correta (tecnicamente dizemos “sob H0”), X̄ tem distribuição gaussiana com
média 30 e desvio padrão = 1/3, ou seja:
X̄ ~ N(30,1/3)
»» e C tem distribuição N(0,1), pois estamos padronizando X̄ subtraindo sua média e dividindo por
seu desvio padrão.
X̄ ~ N(30 ,1/3) ⇒ C ~ N(0,1)
»» Esse afastamento é medido com uma nova régua que introduziremos agora. Calculamos na
distribuição de referência a área à esquerda do valor C = −3.
Distribuição de C
Essa área é denominada de N(0,1)
p-valor do teste. Quanto menor 0.4
for essa área, ou, de outra
forma, quanto menor for o 0.3
p-valor, maior é a evidência
contra H0.
»» Quanto menor for P(C <
0.2
−3), maior a evidência de
HA e, portanto, rejeitamos 0.1
H0 .
0.0
-3 0
X
p - valor = P(C < -3) = 0,001
142
Estatística
4 passos:
Teste Critério
H0: µ = 30 min
x̄ - µ
vs. C =
σ / √n
.
HA: µ < 30 min
Distribuição de referência P-valor
C ~ N(0,1) P(C < -3) = 0,001
143
Estatística
Análise do
p-valor
Usualmente, comparamos o p-valor
com um nível de significância
proposto previamente.
»» Se o p-valor for menor que 1%, rejeita-se a

hipótese nula.
»» Se o p-valor for maior que 10%, não se rejeita a

hipótese nula.
»» Se o p-valor estiver entre 1% e 10%, deve-se

considerar outros fatores para se tomar uma
decisão, como o risco, custo etc.
Obs.: As recomendações acima são as usuais

e são adequadas para a maior parte dos
casos. Porém, a decisão de rejeitar ou não
uma hipótese deve ser feita levando em
consideração os riscos e custos associados
com a decisão. Significância estatística
não é a mesma coisa que importância!
144
Estatística
Exemplo 1:
trajeto
»» No exemplo citado, consideramos que o desvio padrão do novo percurso era conhecido.
Essa não é a situação usual. O comum é que o desvio padrão não seja conhecido. Caso isso
aconteça, temos de estimar σ a partir da amostra. Nesse caso, a estimativa de σ é o desvio
padrão amostral s.
√
n
∑(xi - x̄)
S = i=1
n - 1
.
»» No critério, substituímos σ por s e agora o critério fica:
x̄ - µ
C = ~ tn-1
s / √n
»» E recebe o nome de t e tem como referência uma outra distribuição t de Student com n − 1
graus de liberdade. O p-valor é calculado da mesma forma; é a área à esquerda do valor do
critério.
Obs.: tn−1 = t de Student com n − 1 graus de liberdade.
145
Estatística
Exemplo 1:
trajeto
Suponha que na realização dos 9 trajetos os tempos tenham sido:
»» 30,1; 29,7; 27,3; 29,1; 28,3; 28,4; 31,0; 28,1; 29,0
X̄ = 29
x̄ - µ
t = = -2,65
s / √n
S = 1,132
P ( t8 < -2,65) = 0,015
146
Estatística
Exemplo 1:
trajeto
Uma diferença que é estatisticamente
significante pode não ser significante
do ponto de vista prático!
Gostaríamos de chamar a sua atenção para uma questão que

geralmente provoca mal entendido. Uma diferença que é
estatisticamente significante pode não ser significante do ponto
de vista prático. No exemplo citado, ganhamos em média 1
minuto com o novo percurso, e essa diferença é estatisticamente
significante. Mas pode ser praticamente irrelevante para que você
decida mudar de trajeto.
147
Estatística
Exemplo
Teste de hipótese
Voltando ao exemplo anterior,

uma empresa monitorou o H0: µ 0 = 3.50
tempo gasto para atender uma
chamada de um cliente em um vs.
call center.
»» Trinta atendimentos
H1: µ 0 ≠ 3.50
foram medidos.
Critério do teste
ȳ - µ 0
t0 =
s / √n
.
ȳ - µ 0 4,1983 - 3,50
t0 = = = 2,41
s / √n 1,5876 / √30
p-valor = 0,023
Obs.: O gráfico de controle deve ser feito antes do cálculo do p-valor. Caso haja causas especiais
atuando no processo, não se deve calcular o p-valor.
148
Estatística
Passos para se
testar hipóteses
»» Formalização do teste, ou tradução do
problema a ser resolvido na forma de um teste
de hipóteses: formule as hipóteses nula e
alternativa (P).
»» Construção de um critério para realizar o

teste (P).
»» Planeje a coleta de dados (P).
»» Realize a coleta de dados (D).
»» Calcule a estatística (critério) (S).
»» Compare o critério com uma distribuição

de referência e calcule a evidência contra a
hipótese nula (p-valor ) (S).
»» Decida o que fazer (A).
149
DEFINE
151
Introdução
Objetivo
Definir e comunicar o foco e os indicadores do projeto ao grupo
de melhoria.
Atividades
Fazer o SIPOC do processo. Fazer o CONTRATO do projeto.
Na fase define, o objetivo é definir o escopo do projeto, ATENÇÃO: muitas vezes, pela pressa de
clareando para todos os envolvidos o que é esperado solucionar os problemas, as equipes
como resultado. É uma fase muito importante, pois, caso discutem superficialmente sobre
ela seja bem-feita, garante o direcionamento dos esforços os objetivos e começam os testes, e
e a energia da equipe. essa atitude muitas vezes resulta em
projetos desfocados e sem sucesso no
final.
152
CONTRATO DE
PROJETO DE
MELHORIA
Contrato
de Projeto
O que é?
Contrato é um acordo Deve conter uma Tem o objetivo de Todo projeto Lean
entre o patrocinador e o descrição clara do alinhar o escopo Seis Sigma deve
time de melhoria sobre incômodo que se do projeto. ter um contrato.
o que é esperado do pretende aliviar.

projeto.
O contrato é um acordo entre o patrocinador e O contrato evolui. Lembre-se, poucos projetos

o time de melhoria sobre o que é esperado do se encerram sem alterações no contrato.
projeto. Ele deve conter uma descrição clara do »» O escopo muda;
incômodo que se pretende aliviar.
»» Os recursos mudam;
O contrato ajuda nos seguintes aspectos:
»» Relação custo/benefício se torna aparente e
»» Esclarecer o que se espera de você, da equipe, ajuda a focar os esforços;
e, em última instância, do Gestor do Processo;
»» Eventos externos “acontecem”.
»» Manter a equipe focada;
O contrato é importante para detalhar o
»» Abordar questões que são críticas para o projeto estabelecendo claramente:
sucesso do projeto;
»» Qual é o incômodo ou a oportunidade que o
»» Levantar possíveis problemas ou dificuldades; projeto deve atacar;
»» Iniciar o diálogo sobre questões e »»Em quais indicadores se pretende causar
responsabilidades compartilhadas; impacto e as respectivas metas;
»»Transferir o projeto do patrocinador »» As restrições;
para a equipe.
»» O time de melhoria;
»»Evita retrabalho, surpresas e frustrações no
meio do projeto.
154
Define
Contrato do Projeto
de Melhoria
Patrocinador: 1 por projeto. Traz a visão Problema: qual é o incômodo?
de negócios e ajuda na superação dos Q1. O que estamos tentando realizar?
obstáculos políticos organizacionais,
O objetivo deve ser declarado da seguinte forma:
além de disponibilizar recursos para a
equipe. Geralmente é uma pessoa Verbo no infinitivo + complemento
da alta gerência. Exemplo: reduzir tempo de ciclo da operação X em 50%
Líder da equipe: 1 por projeto. Alguém em 3 meses a partir do início do projeto.
formado nas ferramentas de melhoria Q2. Como sabemos que a mudança é uma melhoria?
(normalmente um Green Belt ou Black Belt). Nessa etapa, colocamos nosso indicador, o seu
Integrantes da equipe: entre 2 a 3 desempenho atual e a meta que queremos realizar.
pessoas. Considere incluir pessoas com Business case: deve ser realizado o cálculo do ganho
conhecimento sobre o problema. esperado com este projeto. É o momento de vender o
Contexto: descreva o incômodo (ou projeto para a alta liderança.
oportunidade) que existe na organização Atividades iniciais: liste as atividades que darão início ao
e que motivou a escolha desse projeto. projeto. Por exemplo: coletar dados do indicador, mapear
Não deve conter causa ou o processo, entrevistar um cliente etc.
solução do problema.
Restrições para as atividades: quais as fronteiras a
que o projeto deve se limitar. Fronteira de pessoas,
investimento, áreas, etc.
Apresentamos, a seguir, um formulário de contrato do projeto:
Patrocinador: Business case:
Líder da Equipe:
Atividades iniciais do projeto:
Demais integrantes:
Contexto / Descrição: Restrições para as atividades:
Problema:
Q1. O que estamos Q2. Como sabemos que a

tentando realizar? mudança é uma melhoria?
Objetivos Indicadores Desempenho Meta

(O que, onde, quanto, quando) atual
155
Contrato do Projeto
de Melhoria
Aqui apresentamos como estruturar o Business case, além
de um exemplo de um projeto real:
Descrição do Problema Meta Business Case

(O que está errado?) (Quanto deve ser o impacto?) (Qual é o benefício do
impacto do negócio?)
Exemplo: A redução de entregas atrasadas de 15% para 3% irá aumentar a satisfação dos clientes
e reduzirá custos de multas contratuais em R$350.000,00 em um ano.
156
Define
Contrato do Projeto
de Melhoria
Apresentaremos, a seguir, um formulário de contrato do projeto
Patrocinador: Roberto Meireles
Líder da Equipe: Paulo Eduardo Souza
Demais integrantes: Gabriel da Silva, Junior Rodrigues
Contexto / Descrição: Nossa empresa possui 42 máquinas injetoras que precisam realizar setup para
trocar o molde de injeção.
Problema: O tempo de máquina parada é considerado excessivamente alto.
Q1. O que estamos Q2. Como sabemos que a mudança

tentando realizar? é uma melhoria?
Objetivos Indicadores Desempenho Meta

(O que, onde, quanto, quando) atual
Reduzir o tempo de máquina Tempo (em horas por 500 horas 250 horas
parada para setup, na linha de semana) de máquina semanais (média). semanais.
injeção plástica, em 50% até parada para setup.
janeiro de 2015.
Business case:
Atividades iniciais do projeto
Com um custo de R$ 140,00
• Preparar um SIPOC do processo de troca de molde.
por hora de máquina parada,
• Coletar dados de tempo de parada estratificados.
a redução desse tempo de 500
(Aguardando liberação, aguardando equipe de setup,
horas semanais para 250 horas
aguardando OS etc.)
semanais irá reduzir os custos a
aproximadamente R$ 35.000,00 Restrições para as atividades
por semana ou R$ 140.000,000 Não será possível nenhum investimento (máquinas novas,
por mês. contratações etc.).
157
Contrato do Projeto
de Melhoria
Cuidados com Metas
Estreitamento do foco
Aumento de assunção de
Tenha cuidado ao aplicar metas riscos
na sua organização!
Comportamento antiético Diminuição da cooperação

Diminuição da motivação intrínseca.
Algumas possíveis Para estabelecer metas devemos considerar se elas são

consequências do uso inade- DESAFIADORAS, mas POSSÍVEIS!
quado de metas numéricas
É importante ter em mente que, para realizar um projeto de
são:
melhoria com sucesso, a equipe deve ter domínio de um método
»» Falsificar dados ou distorcer e a organização deve fornecer uma estrutura adequada (recursos).
o sistema de medição. Segundo Deming, “Atribuir uma meta para alguém sem fornecer
»» Atingir a meta em um método é uma crueldade!”.
detrimento do sistema.
158
Define
Cuidados
com metas
Uma questão também importante diz respeito A definição de objetivos arrojados e
a como erros ou falhas são tratados. A Toyota, aparentemente impossíveis funciona pari passu
por exemplo, baseia-se nos resultados da com a cultura da experimentação, em que a
experimentação para aprender o que funciona recompensa real não é o êxito ou o fracasso,
e o que não funciona, mas esse processo não mas sim o conhecimento acumulado a partir de
terá êxito se os funcionários sentirem que têm diversas experiências de aprendizagem
de ocultar notícias desfavoráveis ou fabricar de alta qualidade.
resultados positivos.
Algumas frases interessantes sobre metas do Ex-CEO da Toyota:
“Os funcionários podem melhorar facilmente de 5% a

10%. Por isso eu não gosto de objetivos que podem ser
medidos como 100%, tendo eles sido completos ou não.
Prefiro definir metas desafiadoras, em que as pessoas
atingem menos, e avaliar a estratégia utilizada, ainda que
eles não tenham conseguido realizá-las a tempo.”
“Desenvolver um carro dos sonhos, que limpa o ar, evita acidentes,

torna mais saudáveis e mais felizes todos os que o dirigem e
atravessa o globo com um tanque de combustível.”
Katsuaki Watanabe, Ex-CEO da Toyota
159
Define
Cuidados
com metas
Algumas formas de estabelecer metas:
Benchmark Ideias dos participantes
Observar outras organizações Os próprios participantes do projeto podem extrair perguntas, tais
que tenham realizado como: “O que seria necessário para obter uma redução de 50% no
objetivos similares é uma tempo de enviar uma encomenda?”
forma de estabelecer metas. Isso auxilia na definição das metas.
160
SIPOC
SIPOC
Objetivo Quando utilizar?

Identificar e documentar em um diagrama os Sempre que existir falta de compreensão
aspectos relevantes do processo. sobre o processo por algum integrante da
equipe ou stakeholder do projeto.
O que é?
O SIPOC é uma ferramenta usada pela O SIPOC é uma ferramenta extremamente importante,
equipe de melhoria para identificar os pois ajuda as pessoas a enxergarem suas atividades como
elementos relevantes de um processo processos, aumentando sua capacidade de encontrar
no início do projeto de melhoria. Ele oportunidades de melhoria.
aplica-se a todo tipo de trabalho, seja ele
repetitivo ou pouco frequente, e ajuda
a criar uma visão macro do processo, Segundo Deming:
definindo seus limites (pontos de início
e fim) e permitindo localizar pontos de "Se você não pode descrever o que está fazendo como
coleta de dados. um processo, você não sabe o que está fazendo."
162
Define
SIPOC
O que é SIPOC?
Transformações
Fornecedores Entradas Resultados Clientes
S I P O C
Fornecedor Entradas (Input): Processo Saídas|Resultados Cliente
(Supplier): Informação ou (Process): (Output): (Customer):
Pessoas ou organi- material fornecido Série de etapas O produto ou Pessoas, empresas
zações que fornecem pelo fornecedor. que transforma serviço produzido ou outros processos
as informações ou as entradas em a ser utilizado pelo que recebem os
materiais a serem resultados. cliente. resultados do
processados. processo.
Etapas para Elaboração do SIPOC
»» Providencie um formulário do SIPOC (mostrado na página a seguir) em uma folha em branco;

»» Identifique as saídas do processo;
»» Descreva o processo em no máximo 5 ou 6 passos (sem detalhar);
»» Identifique as entradas requeridas para que o processo produza as saídas;
»» Identifique os fornecedores das entradas listadas;
»» Identifique os clientes que receberão as saídas do processo;
»» Opcional: identifique as especificações das saídas e das entradas;
»» Discuta o resultado com o patrocinador e outros interessados no projeto para validação.
163
Formulário do
SIPOC
Formulário
Fornecedores Entrada Processo Saída Cliente
Passos do Processo
164
Define
Formulário do
SIPOC
Formulário
Fornecedores Entrada Processo Saída Cliente
Médico Paciente Resultado Médico
Requisição
Realizar
Laboratório Seringas Exame de
Agulhas Sangue
Álcool
Outros Materiais
Passos do Processo
Recebe paciente Preenche o

Prepara paciente Retira sangue Analisa sangue
e requisição relatório
165
Measure
MEASURE
167
Measure
Introdução
Objetivo
Conhecer o processo em detalhes e coletar dados.
Atividades
F azer o fluxograma I dentificar variáveis esenvolver planos para

D
do processo. a serem medidas. coletar e analisar dados.
erificar a estabilidade
V alcular a capabilidade
C
do indicador que do processo.
estamos analisando.
168
FLUXOGRAMA
Measure
Fluxograma
O que é?
O fluxograma é uma ferramenta que tem diferentes utilidades, dependendo da fase do projeto:
»» Conhecimento sobre o processo (MEASURE)
»» Identificação de pontos de medição (MEASURE)
»» Identificação de complexidades (ANALYSE)
»» Desafio de atividades (ANALYSE)
»» Projeto ou modificação do processo (IMPROVE)
»» Padronização de procedimentos (CONTROL)
Quando utilizar?
Se o projeto tem o objetivo de melhorar um processo (fluxo), essa ferramenta provavelmente será útil.
170
Measure
Fluxograma
S I P O C
Doador é As veias do
Avaliação Doador vai Biomédico
Doador entrevistado e Doador são
é relizada para a sala de verifica as
chega preenche verificadas na
pelo médico doação veias
formulário sala de espera
Sim
Não Não
Doador Veias Saúde Doador Veias
Rejeitado OK? OK? Rejeitado OK?
Sim
Não
Sim
Doador
Rejeitado Plasma é
extraído
Na fase DEFINE, a equipe No SIPOC, o processo Na fase MEASURE,

de melhoria lista os é descrito em poucas o(s) processo(s) é (são)
processos relacionados etapas (visão macro). detalhado(s) através de
ao contrato e constrói o um fluxograma.
SIPOC desses processos.
171
Measure
Fluxograma
Para facilitar o entendimento e a comunicação, existe um padrão para a representação das

informações em um fluxograma, como é detalhado.
Simbologia utilizada:
EMITIR CHEQUE Indica que uma atividade

P/ PGTO está sendo desenvolvida.
NÃO VALOR Indica um ponto de decisão

CORRETO? no processo.
SIM
ENTREGAR Indica que um documento deu

AO CAIXA entrada ou saída do processo.
FIM Indica fim e início do processo.
Indica uma conexão com Indica o fluxo do processo.

ramificações do processo.
172
Measure
Fluxograma:
nível de detalhes
Mini
Início Início Início
Esboçar Esboçar
o texto o texto
Esboçar o texto Midi
não não
não
Foi aprovado?
Foi aprovado?
Obter aprovação
Obter aprovação Início Início
Foi aprovado? Obter aprovação Início Macro
sim sim
sim
Ligar o Ligar o Esboçar Esboçar
o texto o texto
Ligar o Esboçar o texto Início Início Início
Computador
Computador
Computador não não
não
Iniciar o Iniciar
Word o Word
Iniciar o Word Foi aprovado?
Foi aprovado? Obter aprovação
Obter aprovação
Foi aprovado? Obter aprovação Esboçar Esboçar
o texto o texto
Esboçar o te
sim sim
Digitar oDigitar
texto o texto sim
Digitar o texto
Digitar oDigitar
texto o texto
Digitar oDigitar
texto o texto Digitar o te
Digitar o texto
Revisar oRevisar
texto o texto
Revisar o texto Distribuir
Distribuir
o texto o texto
ImprimirImprimir
o texto o texto Distribuir o t
Imprimir o texto
Precisa de
Precisa de
Fazer correções
Precisa deFazer correções Distribuir
Distribuir
o texto o texto
correções?
correções?
correções?
Fazer correções Distribuir o texto Fim Fim Fim
ImprimirImprimir Fim Fim

Imprimir Fim
o texto o texto
o texto
Distribuir
Distribuir
Distribuir
o texto o texto
o texto
Fim Fim Fim
O fluxograma pode ser construído com alto ou baixo nível de detalhes, dependendo da sua
aplicação. Em projetos em que o objetivo principal é a redução do tempo, pode ser indicada a
construção de um fluxo com nível mínimo de detalhes.
Existem diversos tipos de fluxogramas. Cada um deles é elaborado para contextos diferentes.
173
Measure
Fluxograma:
Horizontal
Processo de avaliação de solicitação de empréstimo
Venda recebe Funcionário verifica Analista avalia

Início solicitação documentação solicitação
Empréstimo Sim Gera documentção

Aprovado? e libera empréstimo Fim
Sim
Não
Superintendente Excessão Analista comunica

avalia recomendação Aprovada? Não cliente
O fluxograma horizontal é o mais utilizado em atividades de melhoria. Ele mostra as relações

entre as atividades, pontos de decisão, inspeção, loops de retrabalho, complexidade, etc. Deve-se
começar pelo nível mais elevado e depois se adicionar os detalhes conforme forem necessária para
a identificação de oportunidades.
174
Measure
Fluxograma:
multifuncional
Multifuncional (desdobrado)
O fluxograma multifuncional foca nas Também pode ser útil representar quantos
unidades organizacionais, permitindo à dias o processo fica em cada etapa, facilitando
equipe compreender o fluxo do processo a identificação de gargalos.
entre os departamentos. Ele também mostra a Muitas vezes, a simples instituição de prazos
interdependência das atividades. para as atividades geram um grande impacto
É útil para processos que não se completam no tempo de processamento.
em uma única área, indicando os responsáveis
por cada etapa. Geralmente é na passagem
entre departamentos que existem grandes
oportunidades de melhoria.
175
Measure
Fluxograma:
versões de um processo
O que o gerente
pensa que é O que é realmente O que deveria ser O que poderia ser
Foque aqui durante

a fase Improve
Foque aqui durante

a fase Measure e
Analyze
Para melhorar o processo, precisamos Algumas dicas para a elaboração de um

saber exatamente o que está ocorrendo. bom fluxograma:
Por essa razão, não pergunte aos gerentes, »» N
ão utilize um mapeamento feito
não leia instruções operacionais ou examine no passado;
documentação. Vá a campo e veja o que
está acontecendo. »» N
ão mapeie o processo ideal, mas
descreva o processo como ele é hoje;
»» I nicie com uma visão macro e depois
aumente o nível de detalhes;
»» “ Caminhe” pelo processo identificando as
etapas do processo e a sequência em que
elas ocorrem;
»» C
onstrua o fluxograma usando a
simbologia apropriada.
176
TIPOS DE
VARIÁVEIS
Measure
Tipos de
variáveis
Variáveis
Qualitativas Quantitativas
Nominais Ordinais Contagem Contínuas
Para cada tipo de variável, será necessário Variáveis Numéricas

a utilização de uma ferramenta estatística (Quantitativa)
diferente. As variáveis podem ser:
São as variáveis que podem ser medidas em
uma escala quantitativa, ou seja, apresentam
Variáveis Categóricas valores numéricos que fazem sentido. Podem
(Qualitativa) ser contínuas ou discretas.
São as variáveis que não possuem As variáveis numéricas podem ser dividas em
valores quantitativos, mas, ao contrário, dois grupos:
são definidas por várias categorias, ou
seja, representam uma classificação dos »» Contagem: são representadas por
indivíduos. Podem ser nominais ou ordinais. números inteiros. Por exemplo, número de
defeitos em peças contínuas, número de
acidentes por dia.
»» Contínuas: podem receber qualquer
número dentro de uma escala, inclusive
números “quebrados”. Por exemplo,
diâmetro de uma peça, tempo de entrega
de produtos.
Na terminologia de qualidade, as variáveis
de classificação ou contagem são também
chamadas de atributos.
178
Measure
Classificação de
dados (simplificada)
Tipo de variáveis Característica Dado registrado
de qualidade
Desempenho da entrega Entrega no prazo/atrasado
Categóricas Classificação
(Qualitativo) Retrabalho Sem/Com
Arranhões Sem/Com
Mudanças Número de mudanças/projeto
Contagem Acidentes Número de acidentes/por mês
Numéricas Arranhões Número de arranhões/superfície

(Quantitativo) Tempo Minutos atrasados
Contínuas Peso Gramas
Arranhões Tamanho em cm do arranhão
Classifique cada uma das seguintes variáveis

como classificatória, contagem ou contínua
»» Número de estrelas de hotéis »» Número de telefones por domicílio

»» Q
uantidade de calorias de um »» N
úmero de chamadas de longa distância
produto alimentício realizadas por mês
»» Número de bolhas em uma garrafa de vidro »» Duração de cada chamada de
longa distância
»» T
empo médio de espera para ser atendido
em um call center »» Cor do telefone utilizado com
mais frequência
»» Número de atendentes em um call center
»» S
e existe uma linha conectada ao modem
»» Número de ligações perdidas em um
na residência
call center
»» Quantia gasta com livros
»» Motivos para ligações perdidas em um
call center »» Tempo gasto na livraria por mês
»» Fontes de consumo de água em »» Se é filiado a algum partido político
uma residência »» Caso seja, a que partido político é filiado
»» Consumo de água em uma residência »» Satisfação com um determinado produto
179
Measure
Custo, tempo
e informação
Não há uma única forma de medir. A decisão depende de vários fatores.
A forma de medir usual, que pode ser adequada para operações de rotina, pode não ser adequada
em projetos de melhoria.
a
Tamanho da
Tipo de variável Tempo Custo Informação por amostra para a
para medir para medir unidade medida mesma quantidade
de informação
Classificação -
Contagem
Contínua +
180
ANÁLISE DO
SISTEMA
DE MEDIÇÃO
MSA
Variáveis contínuas
ANÁLISE DO SISTEMA
DE MEDIÇÃO - MSA
Measure
Processo
de medição
Mundo Físico

Mundo
Comportamental Observações
Observar
e Medições Dados
e/ou Medir
Documentadas
Mundo
Sensorial
Sabemos que os dados são utilizados A atividade de medição pode ser pensada como
tanto em atividades de manufatura quanto um processo cujo output é a medida.
atividades administrativas e serviços.
Dados são observações documentadas ou
resultados de uma atividade de medição.
“...O que se registra ao final de uma determinada operação de

medição é o último produto de uma longa série de operações, desde
a matéria-prima até a operação de medição propriamente dita. A
medição é, portanto, parte vital desse processo. Assim, do mesmo
modo como é vital controlar estatisticamente as outras partes do
processo, é vital controlar-se estatisticamente o processo de medição;
caso contrário, não há medida que tenha significado comunicável.”
DEMING
184
Measure
Sistema
de Medição
Conjunto de operadores, procedimentos,
dispositivos de medição, equipamentos,
softwares, definições operacionais e
pessoas usadas para atribuir um valor a uma
característica que está sendo medida.
A preocupação com a ‘‘qualidade” do sistema de

medição deve ser permanente. E a qualidade do
sistema de medição é caracterizada pelos erros
que afetam a medição.
Consequências de um Sistema de Medição (sm) não satisfatório
Erro
Tipo 1 Tipo 2
Produto Rejeitar peça boa Aceitar peça ruim
Tratar causa comum Tratar causa especial

Processo
como especial como comum
Alguns erros podem ser cometidos, tanto na área de produtos ou de processos, quando é utilizado
um sistema de medição não satisfatório.
»» Itens conformes podem ser rejeitados;

»» Itens não conformes podem ser aprovados;
»» Erro na estimativa da capabilidade do processo;
»» Causas comuns podem ser identificadas como causas especiais;
»» Causas especiais podem ser identificadas como causas comuns;
»» G
astos desnecessários tentando identificar o que parece ser um
problema com o processo produtivo.
185
Measure
Viés e precisão
O viés e o desvio padrão são as estatísticas »» O desvio padrão mede a quantidade

mais comumente utilizadas para julgar a de variação do sistema de medição. Com
qualidade de um sistema de medição: essa medição, podemos medir a precisão
do sistema de medição. A precisão de um
sistema de medição é uma expressão da
»» O viés ou acurácia refere-se à proximidade das medições. A precisão
proximidade dos valores médios medidos é avaliada executando repetidamente
para o valor real. Na prática, o verdadeiro medições das mesmas peças sob condições
valor é impossível de conhecer, então controladas. Quanto mais preciso um sistema
usamos um valor de referência aceito menor, sua variação.
para representar o valor real. Durante um
procedimento de calibração, o dispositivo
de medição é testado usando um padrão A figura a seguir apresenta a diferença entre
de referência. Por sua vez, o padrão de essas características em quatro sistemas
referência foi testado usando um padrão de medição.
de maior precisão.
Viesado Não viesado

Preciso
Impreciso
186
Measure
Viés e Precisão
»» A precisão de um sistema de medição é

composta pela discriminação, repetibilidade
Características do e reprodutibilidade.
sitema de medição
»» Discriminação: é a menor diferença
de valores que podem ser detectada pelo
sistema de medição.
»» Repetibilidade (“repê”) é a variação
Precisão observada quando o mesmo operador
mede a mesma peça repetidamente com o
mesmo dispositivo.
»» Reprodutibilidade (“reprô”) é a variação
observada quando diferentes operadores
Discriminação medem a mesma peça usando o
mesmo dispositivo.
»» O viés ou acurácia é a proximidade das
medições médias para valores de referência.
Repetibilidade
»» Linearidade é uma medida de
como a dimensão das peças afetam o
sistema de medição, está relacionada
Reprodutibilidade ao comportamento do viés na faixa de
operação.
»» Estabilidade é o comportamento do viés
e da precisão ao longo do tempo. O SM é
estável se está sob controle estatístico.
Viés
Linearidade
Estabilidade
187
Measure
Fontes de variação
A análise do Sistema de Medição envolve o entendimento e a quantificação da variação presente

no sistema. A variação total observada nas medidas é devida à:
»» Variação de processo de produção;
»» Variação do Sistema de Medição.
Essa relação pode ser expressa na fórmula:
Variação Total = Variação de Processo + Variação do SM
A partir dessa equação, temos os componentes de variação do sistema:
Métodos Máquinas Mão de Obra
Variação Variação observada

devida ao nas medições de
processo uma característica
Meio ambiente Materiais
Método de preparação, método

de calibração, modo de colocar a
peça no dispositivo, operador,
ambiente, etc
188
Measure
Componentes
da variação
Variabilidade
Total das observações
Variabilidade Variabilidade
Inerente do processo do sistema de medição
Repetibilidade Reprodutibilidade
2 = 2 + 2
T P R&R
= 2 + 2 + 2
P Repe Repro
2 = Variância Total
T »» Observação: O desvio padrão é a raiz
quadrada da variância.
2 = Variância do Processo
P Observe que a equação é em termos da
variância. As variâncias se somam, não os
2 desvios padrões.
R&R
= Variância do Sistema de Medição
As estimativas para os componentes da variação
2 são obtidos por meio de um estudo R&R.
Repe
= Variância da Repetibilidade
2
Repro = Variância da Reprodutibilidade
189
Measure
Indicadores para
avaliar o SM
Alguns indicadores auxiliam na avaliação de O % R&R indica a precisão do sistema de
um sistema de medição. O AIAG (Automative medição com porcentagem da variação total,
Industry Action Group), organização definida como:
global que fornece fórum um aberto para
empresas de todo o mundo desenvolverem e
210
compartilharem informações para a indústria
automotiva, sugere em seus manuais algumas
%R&R = ______
R&R x 100
orientações para analisar a qualidade de T

sistema do medição.
10%, 20%, 30%, 50%
0.80 a 0.90
O MINITAB informa isso como uma porcentagem da “study variation” que é o mesmo que a
variação total.
Segundo o Manual de Referência de Análise de Sistemas de Medição da AIAG publicado em 2010,
utiliza-se como referência para este indicador:
»» Desejável: % R&R < 10 %
»» Aceitável em alguns casos: % R&R < 30 %
190
Measure
Indicadores para
avaliar o SM
Razão da precisão pela tolerância
p/t = 5,15* R&R

_________
lse - lie
Outro indicador de aceitação do sistema de A AIAG faz algumas recomendações para a

medição é a razão da precisão pela tolerância. interpretação deste indicador:
A largura de tolerância é uma referência
comumente usada para determinar a
aceitabilidade do medidor. Definida por: »» P/T < 10 % o sistema de medição é aceitável.
T = Tolerância = LSE - LIE »» 10% < P/T < 30% o sistema de medição pode
ser aceitável, dependendo da importância da
Em que: aplicação, do custo do sistema de medição,
»» LIE = Limite Inferior de Especificação da praticidade de melhorará o sistema de
»» LSE = Limite Superior de Especificação medição e de outros fatores.
»» P/T > 30% o sistema de medição não é
aceitável.
Esta métrica representa a proporção da largura
da tolerância coberta por 99% da variação de
medição, supondo que esta seja normalmente Porém, quando utiliza-se 6 no lugar de 5,15 a
distribuída. O fator 5,15 é tal que 5,15*σ referência de 10% aumenta para 11,7%; 20 % para
corresponde na distribuição normal a 99% da 23,3% e 30% para 35%.
área em torno da média.
Esse valor de 5,15 tem sido utilizado

historicamente por convenção. Porém, pode-
se utilizar o multiplicador de 6 ao invés de 5,15
que corresponde a 99,73% de cobertura da
variação de medição.
191
Measure
Indicadores
213 para
avaliar o SM
É possível também obter o número
de categorias distintas (ndc) dentro
do processo que o sistema de
medição é capaz de distinguir:
ndc = _____
P x 1,41
R&R
Por exemplo:
»» Se o número de
categorias distintas = 2
os itens sendo medidos
podem ser divididos em
dois grupos: alto e baixo
ou grande e pequeno;
»» Se o número de
categorias distintas = 3
os dados podem ser
divididos em três grupos:
pequeno, médio e grande.
O Automotive Industry Action Group (AIAG) afirma: Problemas de um SM com

“If the number of data categories is less than discriminação inadequada:
two, the measurement system is of no value »» A
identificação da variação do
for controlling the process. It is all noise and processo é questionável;
one part cannot be said to be different from
»» A
identificação dos itens é
another. If the number of categories is two, it
questionável;
would mean that the data can be divided into
high and low groups, however, this is only »» P
rocure por um dispositivo de
equivalent to attribute data. The number of medição mais adequado, ou calibre
categories must be five, preferably more, for o sistema atual (se for o caso);
the measurement system to be acceptable for »» I dentifique se os operadores
the analysis of the process.” necessitam de treinamento no
O AIAG recomenda que o número de categorias sistema de medição.
distintas seja maior que 4. Entretanto somente este
indicador é insuficiente para medir a aceitabilidade
do sistema de medição.
192
Measure
Planejamento
do estudo R&R
O planejamento do estudo R&R é essencial para que
Definir o sistema de medição todos os ruídos presentes no experimento sejam
minimizados. Na parte do planejamento, deve-se também
ter muito clara a definição operacional para que todos os
envolvidos realizem a medição da mesma maneira.
Selecionar n itens
para medição
»» C
omo primeiro passo, selecione o número de
operadores, número de itens e número de repetições:
Pelo menos 2 operadores (para conseguir avaliar
Selecionar k operadores a reprô);
Pelo menos 10 itens (recomendado);
Pelo menos duas repetições para cada item (para
conseguir avaliar a repê).
Selecionar r repetições
»» S
elecione itens que cubram o range de operação para
representar todo o processo.
»» A
leatorizar a sequência de medições para reduzir o
Aleatorizar ordem
erro experimental:
de medição
Meça os itens em sequência aleatória;
Faça as repetições em sequência aleatória.
Realizar nkr medições »» Os operadores não devem saber qual item está
medindo para não causar nenhum vício na medição e
devem usar o mesmo dispositivo de medição. Faça um
estudo “cego”.
Analisar os dados
Calcule as métricas
Obtenha as conclusões
193
Measure
Análise do SM
Estudos R&R: Componentes de variação:
Cruzados Hierárquicos ANOVA

X-barra/R
(Análise de Variação)
Existem dois tipos de estudo R&R Existem dois métodos para estimar os
mais utilizados: componentes de variação:
»» Cruzados: cada item é medido mais de »» X-barra/R: Utilizará amplitudes para
uma vez por cada operador. estimar o desvio padrão.
»» Hierárquicos: cada item é medido apenas »» ANOVA (Análise de Variação):
uma vez e por um único operador (exemplo: Usa um plano experimental fatorial
testes destrutivos). com dois fatores: operadores e itens;
Planos experimentais balanceados Pode ser realizado com apenas um
operador;
Estudos de R&R requerem planos É o mais recomendado se há
experimentais balanceados (número igual de disponibilidade de um software.
observações por operador, por item e
por replicação).
Exemplo
a
Operador 1 Operador 2
Peça Medida 1 Medida 2 Medida 1 Medida 2

1 8,00 8,01 8,03 8,02
2 8,10 8,08 8,12 8,12
3 8,05 8,04 8,07 8,07
4 8,01 7,99 8,04 8,03
5 8,02 8,01 8,04 8,04
6 7,98 7,98 8,01 8,01
7 8,00 8,00 8,01 8,02
8 8,01 8,01 8,05 8,04
9 8,05 8,04 8,07 8,07 Dados de um estudo R&R
com dois operadores, dez
10 8,06 8,07 8,10 8,10 peças e duas repetições.
194
21
Measure
Estudo R&R
Exemplo
A análise pelo método ANOVA produz alguns gráficos que fornecem um excelente diagnóstico do
sistema de medição.
80
Percentual
40
0
R&R de medição Repe Repro Peça a peça
Este gráfico apresenta a variação de cada fonte As barras claras mostram o % de contribuição
de erros de medição: de cada fonte de erro de medição(sigma2). É
esperado que muito pouco da variabilidade seja
»» R&R Medição: a soma dos componentes
devido à repetibilidade e reprodutibilidade. As
de variância de repetibilidade e
diferenças entre as peças (peça a peça) deve
reprodutibilidade.
responder pela maior parte da variabilidade.
»» R
epetibilidade: a variabilidade nas Nesse caso, a contribuição para a variação peça
medições quando o mesmo operador mede a peça é próximo a 75% e, quanto mais altas
a mesma peça várias vezes. as barras de Gage R&R, Repê e Reprô, pior é o
»» R
eprodutibilidade: a variabilidade nas sistema de medição.
medições quando diferentes operadores
medem a mesma peça. As barras escuras indicam a variação do estudo
percentual (%Study Var) e servem para
»» P
eça a peça: a variabilidade nas medições comparar a variação do sistema de medição
devidas às diferentes peças. com a variação total. Como vimos, é esperada
uma variação total da medição R&R menor do
que 10%.
O Minitab também pode exibir mais uma

barra para %Tolerance quando se insere um
valor de tolerância.
195
Measure
Estudo R&R:
exemplo
Os valores que foram utilizados para gerar o gráfico anterior, podem ser visualizados nesta saída
do Minitab.
Variação
Total
Variação Variação do sistema

peça a peça de medição
Repetibilidade Reprodutibilidade
Interação
Operador operador peça
Fonte CompVar % Contribuição

( de CompVar)
Total de R&R da Medição 0,0004195 25,44
Repetibilidade 0,0004195 2,64
Reprodutibilidade 0,0000435 22,80
Operador 0,0003759 22,80
Peça a Peça 0,0012295 74,56
Variação Total 0,0016489 100,00
Fonte DesvPad (DP) Var do Estudo % Var do

(6 x DP) Estudo (%VE)
Total de R&R da Medição 0,0204813 0,122888 50,44
Repetibilidade 0,0065981 0,039588 16,25
Reprodutibilidade 0,0193894 0,116336 47,75
Operador 0,0193894 0,116336 47,75
Peça a Peça 0,0350637 0,210382 86,35
Variação Total 0,0406072 0,243643 100,00
»» P
odemos observar uma porcentagem da variação total consumida por Repê e Reprô (%R&R) igual
a 50,44%, quando o desejável é menor que 10%. Além de um número de categorias = 2, quando o
desejável é pelo menos 4.
»» O SM não é aceitável (>30%) e precisa de melhorias.
»» O
número de categorias distintas é 2, indicando que o sistema só consegue separar peças em
pequenas e grandes.
196
Measure
Análise do SM
Mês
gráficos:
23
Amplitude amostral
0.02
0.01
0.00
Gráfico R por operador

»» E
ste gráfico plota as amplitudes das medidas do mesmo operador na mesma peça, por
operador, e fornece informação de repê para cada operador, permitindo comparar operadores
com respeito a repê, observando qual dos operadores possui uma menor variação em suas
medições.
8.10
Média amostral
8.05
8.00
Gráfico X-barra por operador

»» Este gráfico plota as médias das medidas realizadas por peça para cada operador.
»» Os limites de controle são calculados com a variação de repê. Quanto mais pontos fora de controle,
maior é variação relativa das peças comparada com repê, o que indica que o SM é adequado.
»» Se a maior parte dos pontos está “sob controle”, o SM é inadequado.
197
Measure
Estudo R&R:
exemplo
Média amostral
25 8.10
8.05
8.00
1 2 3 4 5 6 7 8 9 10
Peça
Medida por peça
»» Plota todas as medidas de todas as peças e a média de cada peça, por peça.
»» Permite visualizar repê e reprô.
»» D
ispersão em torno da média relativamente grande (comparada com a dispersão entre as
médias), indica que o sistema de medição não é adequado e vice-versa.
8.10
Média amostral
Operador
8.05
8.00
1 2 3 4 5 6 7 8 9 10
Peça
Interação operador * peça

»» Plota o perfil das médias das peças por operador.
»» P
ermite visualizar se existe interação entre operador e o item que está sendo medido. Caso os
perfis sejam razoavelmente paralelos, não há indicação de interação, ou seja, as diferenças
entre operadores não dependem das peças. Neste caso, o operador 2 sempre obtém as médias
maiores, independentemente da peça.
198
Estabilidade, Viés
e Linearidade
ANÁLISE DO SISTEMA
DE MEDIÇÃO - MSA
Measure
Estabilidade
Sabemos que o sistema de medição deve estar sob a ação somente de causas comuns de
variação., e os gráficos de controle são adequados para avaliar a estabilidade do SM.
60
50
lsc
Comprimento
40
média
30
20
lic
10
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Procedimento: Amostra
»» Obter uma peça de referência;

»» Medir a peça de referência periodicamente um certo número de vezes;
»» Usar o gráfico X-barra/R para avaliar a estabilidade do SM.
Viés ou tendência
Tendência
Valor de referência Variabilidade
O viés é a diferença entre o valor de referência da peça e as medições do operador da peça.
Procedimento
»» Medir n vezes uma peça mestra (valor real=μ).
»» Verificar se as medições estão sob controle.
»» Verificar a diferença entre cada peça medida e o valor real.
»» Calcular a diferença média.
»» Construir um IC de 95% para a diferença.
»» Rejeitar que o viés é zero se o IC não contiver o valor zero.
»» Alternativamente, testar a hipótese H0 : viés é igual a 0.
200
Measure
Linearidade
A linearidade mede a variação da tendência para diferentes valores de referência na faixa de

interesse. A linearidade é avaliada pela inclinação da reta formada pelos diferentes valores de
referência em relação à respectiva tendência. Quanto menos inclinada a reta, melhor será a
qualidade do sistema de medição.
30 40 50
Valor de referência
Procedimento
»» S
elecionar 5 ou mais peças de tal forma que suas dimensões cubram a faixa de operação
do instrumento.
»» Medir cada peça por inspeção de layout para determinar o valor de referência.
»» Medir cada peça 10 ou mais vezes por um operador que normalmente utiliza o instrumento.
»» Calcular o viés de cada medição e o viés médio de cada peça.
»» F azer um gráfico de dispersão do viés de cada medição e do viés médio de cada peça versus o
valor de referência.
»» Ajustar uma reta de regressão do viés versus o valor de referência.
»» Testar a hipótese de que o coeficiente angular da reta é zero.
»» Testar a hipótese de que o coeficiente linear da reta é zero.
»» C
ritério: A tendência e a linearidade são consideradas não significativas quando não
rejeitamos as hipóteses H0 nos dois testes realizados anteriormente.
201
Measure
Estudo de
linearidade: exemplo
»» C
inco peças com dimensões 2, 4, 6, 8 e 10 foram medidas 12 vezes.
Os resultados estão na tabela.
Master
Re-
a
2 4 6 8 10
petição
1 2.7 5.1 5.8 7.6 9.1
2 2.5 3.9 5.7 7.7 9.3
3 2.4 4.25. 5.9 7.8 9.5
4 2.55 5.0 5.9 7.7 9.3
5 2.7 3.8 6.0 7.8 9.4
6 2.3 3.9 6.1 7.8 9.5
7 2.5 3.9 6.0 7.8 9.5
8 2.5 3.9 6.1 7.7 9.5
9 2.4 3.9 6.4 7.8 9.6
10 2.4 4.0 6.3 7.5 9.2
11 2.6 4.1 6.0 7.6 9.3
12 2.4 3.8 6.1 7.7 9.4
202
Measure
Estudo de linearidade:
238 MINITAB
»» Como análise de viés e linearidade são gerados os gráficos a seguir:
Linearidade de medição
Preditor Coef EP de Coef P
1.0 Constante 0.73667 0.07252 0.000
Inclinação -0.13167 0.01093 0.000
S = 0.239540 R 2 =71.4%
0.5
Vício
Vício de medição
0.0
Referência Vício P
Média -0.053333 0.040
-0.5
2 0.491667 0.000
4 0.125000 0.293
-1.0 6 0.025000 0.688
2 4 6 8 10 8 -0.291667 0.000
10 -0.616667 0.000
Conclusões
»» N
esse gráfico, é apresentado o viés médio em cada valor de referência. O gráfico dos desvios
em relação ao mestre mostra um forte efeito linear: itens menores são medidos com viés
positivo; itens maiores são medidos com viés negativo.
»» N
a tabela Linearidade de medição pode-se observar que o p-valor para a constante e o
intercepto são muito baixos. Com isso, conclui-se que o viés e a linearidade influenciam
significativamente o sistema de medição.
»» N
a Tabela Vício de medição, observa-se que o viés não é significante, ou seja, é igual a 0 e não
possui viés, para os itens com valores 4 e 6.
»» O sistema de medição necessita de melhorias .
203
Measure
Possíveis causas de
falta de linearidade
»» Dispositivo de medição não calibrado adequadamente nos extremos da faixa de operação.
»» Erro no padrão no mínimo e no máximo.
»» Dispositivo de medição gasto.
»» Problema com o projeto do dispositivo.
Avaliar exatidão com o MINITAB
242
»» O
procedimento do MINITAB pode ser adaptado caso se queira avaliar a exatidão do SM para o
único item mestre.
Considerando, no exemplo anterior, que o único mestre de interesse tem valor 2, mede-se 12 vezes
a peça, e o gráfico do MINITAB é gerado da seguinte forma:
0.7
0.6
Vício de medição
0.5
0.4 Referência Vício P
Vício
Média 0.491667 0.000

0.3
2 0.491667 0.000
0.2
0.1
0.0
1.50 1.75 2.00 2.25 2.50
»» A estimativa do viés é 0,491667 e é significativamente diferente de zero (p-valor<0,001).

»» O sistema de medição precisa ser calibrado ou possui viés.
»» Nota: Esse procedimento não avalia a variabilidade do SM, apenas o viés ou tendência.
204
Variáveis
de atributo
ANÁLISE DO SISTEMA
DE MEDIÇÃO - MSA
Measure
MSA - Atributos
Quando a resposta de um processo de medição é uma variável classificatória, a análise do sistema

de medição é conhecida como avaliação por atributo. Atributos frequentemente são obtidos por
classificações ou “ratings” subjetivos.
Como, por exemplo:

»» C
lassificações boas ou ruins de algum
produto;
»» C
lassificação da performance de um
funcionário atribuindo notas de 1 a 5.
Este tipo de análise pode ser utilizada em
diversos setores:
»» N
a indústria, a medição por atributo
geralmente é feita por pessoas que separam
peças que se supõe estarem defeituosas de
peças que se supõe estarem perfeitas, ou
pode ser feita também por um dispositivo
de medição do tipo passa/não passa.
»» N
a área de análise sensorial, os avaliadores
depois de treinados atribuem classificações
sensoriais para diversos produtos.
»» E
m um call center, a área de qualidade
realiza inspeções de seus operadores.
Eles ligam e fazem questões similares
que os clientes podem perguntar. Após
isso, características como qualidade
no atendimento são avaliadas pelos
responsáveis pela inspeção.
O que deseja-se avaliar com o estudo do sistema de medição é a consistência da capacidade de
atribuição dos operadores para cada uma das possíveis classificações e se todos os operadores
têm uma boa concordância com sua resposta e com o esperado.
Um sistema de medição ruim pode indicar definições operacionais ruins e/ou falta de treinamento
dos operadores responsáveis pelas avaliações.
206
Measure
Tipos de
classificações
Quando trata-se de sistema de medição que avalia produtos e/ou serviços, dois tipos de
classificações são possíveis de se obter:
corretas incorretas
Classificar um item não conforme como não Classificar um item não conforme como
conforme ou item conforme como conforme. conforme (falha) ou um item conforme como
Ou seja, o operador classifica corretamente o não conforme (falso alarme). Ou seja, um erro de
produto/serviço que avalia. medição é cometido.
207
Measure
Como realizar o
experimento
Selecione itens que Use pelo menos Cada avaliador deve

cubram toda a faixa dois avaliadores. inspecionar cada item
de variação. pelo menos duas vezes.
A avaliação desse sistema de medição »» S

ão selecionados ao menos dois
é feita estudando-se a capacidade do avaliadores, e cada um deles deverá
operador/avaliador em classificar os itens avaliar o mesmo item pelo menos
corretamente e se eles tomam a mesma decisão duas vezes. O estudo deve ser feito de
independentemente da unidade que estão maneira que os avaliadores não possam
avaliando ou inspecionando. reconhecer que estão medindo um mesmo
Para isso, é feito um estudo em que itens item que já foi medido anteriormente
conformes e não conformes são julgados (estudo às cegas).
pelos operadores. »» V
ale ressaltar que um aspecto importante
»» O
organizador do estudo deve selecionar desse processo de medição é estabelecer
os itens a serem avaliados pelos definições operacionais claras do que é
operadores, e a classificação correta um item defeituoso.
para cada item deve ser conhecida pelo »» S
e há uma boa concordância entre os
organizador. avaliadores existe uma possibilidade (não
»» C
ada possível classificação deve ser uma garantia) de que a classificação é
incluída no estudo e deve seguir uma precisa. Se não há uma boa concordância
proporção semelhante (o número de itens entre os avaliadores, o sistema de
para cada categoria deve ser próximo). medição deve ser modificado.
208
Measure
O desempenho do
sistema de medição
Um sistema de medição por atributo pode ser verificado quanto a acurácia e a precisão, utilizando
uma análise de concordância de atributos.
Três indicadores podem ser utilizados para medir o desempenho do sistema de medição quando se
tem o padrão:
Total de acertos
EF = _______________________________
Nº total de oportunidades de decisão
Nº de classificações de itens ruins como bons (falhas)

TF = ____________________________________________
Nº total de itens defeituosos
Nº de classificacção de itens bons como ruins (alarmes falsos)

EF = ___________________________________________________
Nº total de itens bons
»» Eficácia (EF): capacidade de classificação correta dos itens pelo operador.
»» Taxa de falha (TF): taxa correspondente a itens defeituosos que não são rejeitados.
»» Taxa de alarmes falsos (AF): taxa correspondente a itens bons que são rejeitados.
209
Measure
MSA - Atributos:
Exemplo
Exemplo
Dois médicos avaliam três vezes a radiografia de um paciente e classificam o paciente como doente
(D) ou são(S). No total, foram avaliadas 20 radiografias.
Médico 1 Médico 2
Chapa Paciente Exame 1 Exame 2 Exame 3 Exame 1 Exame 2 Exame 3
1 Doente D D D D D D
2 São S S S S S S
3 São S S S S S S
6 São D S D D D D
7 Doente D D D S S S
8 São D D D S S S
10 São S S S S S S
11 Doente D D D S D D
12 São S S S S S S
14 São S S S S S S
15 Doente D D D D S D
16 São S S S S S S
17 Doente D D D S D D
19 São S S S S S S
a3/
Neste exemplo, a análise de concordância
CÁLCULOS
de atributo envolve k=2 avaliadores
(médicos). Cada médico avalia 20 chapas, 3 Médico Acertos Falhas Alarme falso
vezes aleatoriamente, sendo 11 chapas de
pacientes doentes e 9 de pacientes sãos. 1 18 0 1
»» E
sta é uma prática padrão em ensaios 2 13 3 1
clínicos e em outras situações onde Total 31 3 2
interações sutis entre pessoas podem,
inusitadamente, fornecer pistas sobre a Médico EF TF AF
resposta correta.
1 18/20=0.90 0/11=0.0 1/9=0.11
Nesse exemplo, podemos comparar as
2 13/20=0.65 3/11=0.27 1/9=0.11
respostas de cada avaliador com a resposta
padrão (Each Appraiser vs. Standard).
210
Measure
MSA – Atributos:
Exemplo
Não existe nenhum critério padrão para Sistema de Medição por atributo, e a organização
deve decidir o que é aceitável em cada situação. Porém, como uma regra geral podemos utilizar a
tabela a seguir:
Critérios para avaliação dos resultados
a3/
Classificação
Índice Aceitável Sofrível Inaceitável

EF >0.90 0.80 a 0.90 <0.80
TF <0.02 0.02 a 0.05 >0.05
AF <0.05 0.05 a 0.10 >0.10
Como conclusão, temos:

»» O médico 1 tem EF e TF aceitável, mas AF é inaceitável. Ele diagnostica paciente S como D
em demasia.
»» O
médico 2 tem EF, TF e AF inaceitáveis, isto é, ele está diagnosticando muitos pacientes D
como S e muitos S com D.
211
Measure
MSA – Atributos:
Exemplo
100 100
90 90
80 80
Percentual
Percentual
70 70
60 60
50 50
40 40
1 2 1 2
Avaliador Avaliador
No estudo do Sistema de medição para A reprô será o número de concordâncias entre

atributo, o interesse também é em determinar os operadores, nesse caso 12/20=0,6 ou 60%,
a proporção de vezes que o avaliador concorda denominado de Grau efetivo do sistema
com ele mesmo (Within Appraiser) e com os (System % Effective Score).
outros avaliadores (Between Appraisers). A porcentagem de escore versus padrão mede
Ou seja, pode-se calcular índices que a concordância dos avaliadores entre si e com
representam a repê e a reprô. o padrão (All Appraisers vs Standard). Nesse
A repê para cada médico será o número de exemplo esse valor é 12/20=0,60 ou 60%.
itens que ele julgou consistentemente (o
mesmo julgamento nas três tentativas) pelo
número de itens a julgar.
»» Repê (médico 1) = 19/20 = 95%
»» Repê (médico 2) = 17/20 = 85%
»» Repê global = 36/40 = 90%
212
ANÁLISE DA
VARIAÇÃO
Measure
Variabilidade
e estatística
Sabemos que um produto ou serviço pode ser avaliado a partir de características de qualidade. Dois
itens produzidos nas mesmas condições não são, em geral, idênticos com respeito às características
de qualidade consideradas. Assim, a variabilidade é inerente aos processos.
A variação é inerente a
todos os processos
29
A análise da variabilidade deve ser usada como base para as ações no processo. Ações baseadas
em um correto entendimento de variação ajudam a melhorar a performance do processo.
A variação pode ser percebida através dos dados.
GRÁFICO DE TENDÊNCIA: ENTREGAS FORA DO PRAZO

40
35
% entregas fora do prazo
30
25
20
15
10
5
2 4 6 8 10 12 14 16 18
Mês
Tomamos decisões diariamente baseados em nossa interpretação da variação:
»» O desempenho do meu filho na escola foi melhor este mês?

»» A criminalidade aumentou em minha comunidade?
»» Devo vender ou comprar ações?
214
Measure
Percepção
da variação
Uma das funções de um gestor é tomar decisões
baseadas na interpretação da variação
nos indicadores.
»» H
á 3 meses, as vendas estão abaixo do previsto.
Esses dados indicam uma tendência? É
necessário agir?
»» H
á diferenças de desempenho das pessoas
na organização? Há alguém que realmente
necessita de uma assistência especial? Há
alguém que merece um reconhecimento
especial?
»» O
número de acidentes foi maior que no ano
passado. É preciso fazer mudanças no ambiente
de trabalho? Fazer uma campnha sobre
segurança no trabalho?
O gestor precisa ter habilidade para determinar se a

variação observada indica que:
»» O
correu algo especial que requer uma ação
pontual;
»» A variação está dentro do “esperado”.
Algumas vezes a ação é inadequada ou

contraproducente em virtude da falta de
compreensão do conceito de causas comuns e
especiais de variação.
215
GRÁFICO DE
TENDÊNCIA
E CAUSAS DE
VARIAÇÃO
Measure
Característica e
Medida
S I P O C
Variáveis de Variáveis de Variáveis de
Input Processo Output
X1, X2 , ... , Xk Y
Y = f(X1, X2 , ... , Xk)
O SIPOC permite identificar as entradas, os

resultados e as macro etapas do processo.
Variáveis de estratificação:
Cada um desses elementos tem características Além das variáveis de entrada, processo e saída,
(aspecto, preferencialmente mensurável, de é importante considerar outras variáveis que
uma entrada, saída ou do próprio processo). podem ajudar a entender os problemas que
ocorrem, bem como ajustar o foco projeto.
Após identificar as entradas, as etapas do
processo e os resultados, a equipe deverá Suponha que uma empresa tem atuação em
listar as características críticas e apontar todo o território nacional e queira reduzir o nível
quais variáveis serão utilizadas para medi- de reclamações de clientes junto ao PROCON.
las. Características críticas geralmente tem Perguntas como “o nível de reclamação é
requisitos explícitos ou implícitos. o mesmo em cada estado?” ou “o nível de
reclamação depende do nível educacional do
Variáveis Y e X cliente?” ajudam no entendimento do problema
Existe uma definição na área de qualidade que e no ajuste do foco do projeto.
as variáveis medidas no resultado (output) são Uma consideração importante: muitas vezes
denotas por Y (CTQ’s - Critical to Quality). Já as não é possível estratificar uma CTQ a menos que
variáveis medidas no processo e nas entradas os dados de estratificação sejam coletados no
são denotas por X. mesmo momento em que a CTQ esteja sendo
coletada. Considere a coleta de variáveis de
Especificação: estratificação no plano de coleta de dados.
Após a identificação das variáveis, é preciso
identificar as especificações para as mesmas,
caso elas existam.
218
Measure
Gráfico de
tendência
Considere o seguinte exemplo:
O departamento de customer success de uma empresa coletou os dados de número de
reclamações semanais durante 6 meses.
O que é? Quando utilizar?
33
Uma ferramenta importante quando estudamos variação é o gráfico de tendência. Esse gráfico é
simplesmente um registro de uma medida ou característica ao longo do tempo. Ele pode revelar
ciclos, tendências ou mudanças de desempenho ao longo do tempo. Algum tipo de gráfico de
tendência deve sempre fazer parte do estudo da variação em um processo ou sistema, pois é um
gráfico simples e fácil de construir.
NÚMERO DE RECLAMAÇÕES
20
Número de reclamações
15
10
0
8-abr-18
6-mai-18
3-jun-18
1-jul-18
29-jul-18
26-ago-18
Data
»» N
o eixo horizontal fica a variável que representa “tempo” , e no eixo vertical a variável
sendo monitorada.
1. Para construir um gráfico de tendência, identifique a atividade que você deseja mensurar ao
longo do tempo. Exemplo: número de unidades vendidas por dia por uma empresa.
2. Defina o intervalo de tempo entre cada coleta (frequência). Exemplo: diário.
3. Faça a coleta dos dados. Registre os dados e coloque no gráfico à medida que forem
sendo coletados.
219
Measure
Análise da variação –
34
causas de variação
Considere a história de dois jovens recém-casados:
GRÁFICO DE CONTROLE: HORA DE CHEGADA

O marido mudou-se 20
para a nova casa do
15
casal três semanas
antes do casamento. Na 10
volta do trabalho para
5
casa, ele saía às 17h30
Minutos
e chegava por volta das 0

18 horas. Anotamos
durante 15 dias quantos -5
minutos antes ou depois -10
das 18 horas o marido
chegou em casa. -15
-20
2 4 6 8 10 12 14 16 18 20 22 24
Dia
»» No primeiro dia após o casamento, a esposa Qual conselho você daria para essa esposa?
ainda em férias, o marido promete chegar Talvez internar-se? E para o marido? Também
às 18 horas, mas ele chega 10 minutos internar-se, pois ele está dando resposta para
adiantado, e a esposa fica brava com a falta perguntas malucas! Achamos absurdo a relação
de pontualidade e pergunta as razões. “O desse casal, mas muitas vezes os indicadores da
trânsito estava bom hoje” ele diz. nossa empresa são analisados da
»» No segundo dia, ele chega 10 minutos mesma maneira.
atrasado. Brava, ela novamente pergunta
a razão. “Peguei muitos sinais fechados”, Como já vimos, existe variação em todos os
diz ele. indicadores. Olhando o tempo de chegado do
»» No terceiro dia ele chega 1 minuto atrasado marido, percebemos que ele sempre chega
e novamente ele pergunta a razão. “Foi entre 15 minutos antes ou depois das 18 horas
um pedestre que atravessou a rua e e não faz sentido perguntar as razões nas vezes
precisei esperar” em que ele chega entre esses horários.
»» No quarto dia, novamente ele chega “fora”

do horário, com atraso de 5 minutos... e a
história continua...
220
Measure
Causas de variação
(Shewhart 1931)
Um conceito fundamental para o estudo Estabilidade de um processo

e melhoria dos processos, de acordo com
Quando só causas comuns atuam:
Walter Shewhart (1931), é o de que a
variação em uma medida de qualidade »» O processo é dito estável (sob controle
é provocada por um desses dois tipos estatístico);
de causas: »» A quantidade de variação inerente ao
processo pode ser quantificada e o processo é
previsível.
»» Causas comuns: aquelas causas que são
inerentes ao processo todo o tempo, afetam Quando existem causas especiais atuando:
todos que atuam no processo e afetam todos »» O processo está instável (fora de controle
os resultados do processo. estatístico).
»» Causas especiais: aquelas causas que não
atuam no processo todo o tempo ou não Exemplo de fontes de variação: dirigir de
afetam todo mundo, mas que surgem devido casa até o trabalho.
a circunstâncias especiais.
Exemplos de variação de causa comum:
Esse conceito tem um altíssimo valor para
»» Semáforos estarem vermelho ou verde;
todos os processos, pois é aplicado em
qualquer processo, tem alto impacto e é de »» Volume de tráfego;
fácil aplicação. Foi um dos responsáveis pela »» Pedestres atravessando a rua;
mudança do ambiente industrial relacionado à
»» Aguardar para fazer conversões.
qualidade dos produtos, por volta dos anos 50.
Exemplos de variação de causa especial:
»» Um acidente;
»» Um desvio só um dia;
»» Um pneu furado;
»» Tráfego tranquilo por muitos não
trabalharem naquele dia.
221
Measure
Como descrever a
variação (VOP)?
Considere os dados de inventário mensal de uma empresa durante 2 anos.
»» Como você analisaria esses dados?
»» Qual gráfico é o mais adequado?
a
Inventário Inventário
Mês - 2017 (em mil R$) Mês - 2018 (em mil R$)
jan. 19 jan. 20
fev. 27 fev. 22
mar. 20 mar. 19
abr. 16 abr. 16
mai. 18 mai. 22
jun. 25 jun. 19
jul. 22 jul. 25
ago. 24 ago. 22
set. 17 set. 18
out. 25 out. 20
nov. 15 nov. 16
dez. 17 dez. 17
222
Measure
Como descrever
a variação (VOP)?
38
HISTOGRAMA DE INVENTÁRIO (EM MIL R$)
Visão Estática 25
20
Estatísticas Descritivas
Frequência
Média, mediana, quartis, mínimo, máximo, 15
amplitude, desvio padrão, histograma Minutos
10
Uma maneira seria calcular estatísticas 5

descritivas e apresentar o histograma dos
dados. Isso seria como apresentar uma foto 0
14 16 18 20 22 24 26 28
do que aconteceu. Essa foto é estática, ou
seja, não é possível identificar tendências ao Inventário
Dia
longo do tempo. Assim, essa não seria uma N 24 STDEV 3.40 Q1 17 Q3 22

MEAN 20.04 MÍNIMO 15 MEDIANA 19.5 MÁXIMO 27
boa representação desses dados.
39
CARTA I DE INVENTÁRIO (EM MIL R$)
Visão Dinâmica 35
LSC=31.61
30
25
Valores
Gráfico de tendência, gráfico de controle

20 X=20.04
(Gráfico ao longo do tempo)
15
Uma maneira melhor de apresentar esses 10

LIC=8.48
dados seria apresentar um gráfico de
8-abr-18
22-abr-18
6-mai-18
20-mai-18
3-jun-18
17-jun-18
1-jul-18
15-jul-18
1-jul-18
12-ago-18
26-ago-18
9-set-18
tendência ou de controle ao longo do

tempo. Isso permite entender a variação do
Data
processo ao longo do tempo.
223
Measure
Causas de
variação
Diferentes estratégias são necessárias para melhorar um processo estável (somente causas comuns
atuam) ou um processo instável (causas especiais também atuam).
»» Processos estáveis: analise todos os dados, procure entender os problemas sistêmicos.
»» Processos instáveis: procure entender o que existe de especial no momento da instabilidade.
CARTA I DE INVENTÁRIO (EM MIL R$)

35
LSC=31.61
30
25
Valores
20 X=20.04
15
10
LIC=8.48
8-abr-18
22-abr-18
6-mai-18
20-mai-18
3-jun-18
17-jun-18
1-jul-18
15-jul-18
1-jul-18
12-ago-18
26-ago-18
9-set-18
Data
O gráfico de tendência (e também o gráfico de controle) é a ferramenta indicada para identificar

as causas de variação.
224
Measure
Regras para distinção

de causas de variação
41
Gráficos de tendência: Minutos adiantados ou atrasados em relação ao especificado
Um ponto muito
20
afastado dos demais
10
Minutos
0 Sequência de oito ou
20 mais pontos abaixo
-10
ou acima da média
-20 10
Minutos
seg sex qui qua ter
0
Data
-10
-20
20 seg sex qui qua ter
10 Data
Minutos
0 Sequência de seis
-10
ou mais pontos
crescente ou
-20 decrescente
seg sex qui qua ter
Data
O gráfico de tendência pode ser usado para »» Essas regras são consistentes no sentido
avaliar as causas de variação que estão de que a chance de ocorrências das mesmas
atuando em um processo. Um processo é muito baixa se o processo estiver estável.
é considerado estável quando existe uma É necessário reunir dados suficientes para exibir
“distribuição aleatória” dos pontos plotados, o comportamento do processo. Um total de 25
sem nenhum padrão claramente identificável. a 30 pontos de dados costuma ser suficiente
Se a distribuição (ou padrão) não é aleatória, o para que se formem padrões que sirvam como
processo é considerado instável ou está sob a referência para o desempenho do processo.
ação de causas especiais. Se essa quantidade de pontos não estiver
Existe um consenso entre usuários de gráficos disponível, procure tomar a melhor decisão
de tendência de que um único ponto muito com o que estiver à mão.
afastado dos demais é uma indicação de uma Observação: nem toda causa especial é
causa especial de variação. Isso se deve ao ruim. Muitas vezes ela indica uma melhora no
fato de que a ocorrência de um ponto afastado processo. Nesse caso devemos ver se é possível
dos demais tem baixa probabilidade de ocorrer incorporá-la ao processo. Além disso, o gráfico
por acaso. Outras regras foram criadas de tendência é uma ferramenta adequada para
para identificar outros tipos de causas avaliar se mudanças em um processo resultam
especiais (padrões não aleatórios nos gráficos em melhoria.
de tendência).
225
Measure
Gráfico de controle
42
42
GASTO
GASTOMENSAL
MENSALCOM
COMTREINAMENTO
TREINAMENTO GASTO
GASTO MENSAL COM TREINAMENTO
110
110 110
110
Inventário
Inventário Mês - 2018 Inventário
Inventário LSC=107.38
LSC=107.38
106
106 (em
(emmil US$) Mês - 2018 (em
milUS$) (emmil
milUS$)
US$) 106
106
Gastos (x1000)
Gastos (x1000)
Gastos (x1000)
(x1000)
102
102 102
102
9898 Gastos 98
98 X=97.67
X=97.67
9494 94
94
9090 90
90
LIC=87.95
LIC=87.95
8686 jun. abr
86
86
jan abr
jan abr jul out jun.
jul out abr jul
jul out
out jan abr
jan abr jul
jul out jan abr
out jul out
Mês
Mês Mês
Um gráfico de controle nada mais é um gráfico de tendência com 3 linhas de referência:

»» A linha central indica a média;
»» A linha superior indica o limite superior de controle;
»» A linha inferior indica o limite inferior de controle.
Um dado fora desses limites é tratado como muito afastado dos demais, portanto, uma
causa especial.
»» É
importante ressaltar que esses limites de controle são calculados com base nos dados e
existe um método para isso. Assim, eles não são estabelecidos com base em uma meta ou
especificação, mas sim com base na variação histórica dos dados.
226
Measure
Regras para distinção de

causas de variação com
gráfico de controle
43
43 GRÁFICO DE CONTROLE:
MINUTOS ADIANTADOS OU
GRÁFICO DE CONTROLE:
ATRASADOS EM RELAÇÃO A 19H15’ ATRASADOS EM RELAÇÃO A 19H15’
30 GRÁFICO DE CONTROLE: 30 GRÁFICO DE CONTROLE:
20 MINUTOS ADIANTADOS OU LSC=22.26 20 MINUTOS ADIANTADOS OU LSC=22.26
MinutosMinutos
MinutosMinutos
30
10 30
10
20
0 LSC=22.26
X=0.00 20
0 LSC=22.26
X=0.00
10
-10 10
-10
-200 X=0.00
LIC=-22.26 -200 X=0.00
LIC=-22.26
-10
-30 -10
-30
seg sex qui qua ter seg sex qui qua ter
-20 LIC=-22.26 -20 LIC=-22.26
Dia Dia
-30 -30
GRÁFICO DE CONTROLE: GRÁFICO DE CONTROLE:
Dia
MINUTOS ADIANTADOS OU Dia
30 GRÁFICO DE CONTROLE: 30 GRÁFICO DE CONTROLE:
20 MINUTOS ADIANTADOS OU LSC=22.26 20 MINUTOS ADIANTADOS OU LSC=22.26
MinutosMinutos
MinutosMinutos
30
10 30
10
20
0 LSC=22.26
X=0.00 20
0 LSC=22.26
X=0.00
10
-10 10
-10
-200 X=0.00
LIC=-22.26 -200 X=0.00
LIC=-22.26
-10
-30 -10
-30
-20 LIC=-22.26 -20 LIC=-22.26
Dia Dia
-30 -30
Dia Dia
227
Measure
Exercício 1
A diretora de recursos humanos estava examinando suas despesas com treinamento dos últimos
dois anos. Baseada nos últimos 12 meses, ela havia colocado no orçamento um custo médio de $
44
98.000,00 por mês; mas as despesas do último mês foram de $ 105.000,00. Ela queria saber o que
havia de diferente com o último mês e pediu à sua equipe para descobrir o que aconteceu, para que
pudessem evitar o problema no futuro.
CONTROLE MENSAL COM TREINAMENTO
110
LSC=107.38
105
Gastos (x1000)
100
X=97.67
95
90
LIC=87.95
86
jan mai set jan mai set
Mês
»» Os dados do último mês são o resultado de causas comuns ou especiais? Por quê?
»» A diretora de recursos humanos tomou a providência adequada?
»» O que ela deveria esperar que fossem seus custos mensais de treinamento?
228
Measure
Exercício 2
Uma linha de embalagem teve, em média, 4 horas de interrupções por semana, de 8 de março a
23 de agosto. Já que muitos dos problemas estavam relacionados a quedas na energia elétrica, os
45
técnicos suspeitaram de que o equipamento de proteção da rede elétrica estivesse funcionando mal.
Eles o substituíram no final de janeiro e então continuaram a coletar dados por mais oito semanas.
TEMPO (HORAS)
6 LSC=107.38
5
Tempo (horas)
4 X=97.67
MUDANÇA
3
2 LIC=87.95
0
21-mar-18
19-abr-18
13-jun-18
12-jul-18
5-set-18
04-out-18
28-nov-18
27-dez-18
20-fev-19
20-mar-19
18-abr-19
Dia
»» O novo equipamento de proteção da rede ajudou?
»» Em caso afirmativo, em que semana eles tiveram seu primeiro sinal?
Há outros sinais de uma mudança no processo?
229
Measure
Exercício 3
Um fornecedor de bens de consumo acompanha os pedidos que chegam via EDI. Ele quer usar
46
esses dados para ajudar a planejar o orçamento para o novo ano. Se o processo for estável, os
gerentes poderão estimar em média quantos pedidos serão recebidos a cada dia. Mas primeiro eles
precisam saber se há quaisquer indicações de causas especiais no processo.
NÚMERO DE PEDIDOS VIA EDI
350 LSC=351.2
300
Nº de pedidos
250 LIC
200 X=203.4
150
100
50 LIC=55.6
30-jan-18
1-fev-18
3-fev-18
5-fev-18
7-fev-18
9-fev-18
11-fev-18
13-fev-18
15-fev-18
17-fev-18
19-fev-18
21-fev-18
Data
»» O
s dados indicam a presença de causa especial ou a variação é um resultado de causas comuns?
Por quê?
»» Qual o número médio de pedidos que deveriam esperar por dia?
»» Qual o número máximo de pedidos que deveriam esperar por dia?
230
Measure
Exercício 4
Uma fábrica que produz cartões de plástico (cartões de crédito, cartões de identificação de seguro
médico, etiquetas de embalagem etc.) usa água de um rio próximo para refrigerar o equipamento
usado no processo de aquecimento. Eles podem reciclar a água e devolvê-la ao rio, contanto que
47
esta não contenha mais de 50 mg de impurezas. Um técnico monitora o volume de impurezas em
uma amostra que é tirada todos os dias.
IMPUREZA
40 LSC=39.83
Impurezas (miligramas)
30
20 X=19.19
10
0 LIC=-1.45
1 4 7 10 13 16 19 22 25
Amostra
»» O
s dados indicam a presença de uma causa especial ou a variação é, toda ela, resultado de
causas comuns?
»» Se há uma causa especial, qual amostra assinala isso primeiro?
231
Measure
Exercício 5
48
O gráfico abaixo apresenta o número de bagagens perdidas em um voo entre os dias 1 de março e
3 de abril.
NÚMERO DE BAGAGENS PERDIDAS
10 NOVO NEVASCA
FUNCIONÁRIO
LSC=8.72
Nº de bagagens perdidas
4
X=3.29
2
0 LIC=0
01-mar-18
04-mar-18
07-mar-18
10-mar -18
13-mar -18
16-mar -18
19-mar -18
22-mar -18
25-mar -18
28-mar -18
31-mar -18
03-abr -18
Data
»» Qual a amplitude de dados que deve ser esperada para perda de bagagem em um único dia?
»» Existem quaisquer indicações de causas especiais?
»» A
companhia aérea deveria usar ações de causa comum ou causa especial para responder ao
número de bagagens perdidas no dia 31 de Março?
232
ANÁLISE DE
INDICADORES
Measure
Abordagens comuns
em análise de dados
GRÁFICO DE CONTROLE: TEMPO GRÁFICO DE CONT
LSC=42.26
40 40
30 30 1
Tempo
Tempo
20 X=20 20
10 10
0 LIC=0 0
seg sex qui qua ter seg sex qui
Dia Dia
OLE: TEMPO GRÁFICO DE CONTROLE: TEMPO
LSC=42.26
40
30 1
Tempo
LSC=24.45
X=20 20 X=20
LIC=15.55
10
LIC=0 0
qua ter seg sex qui qua ter
Dia
É comum também comparar a porcentagem da diferença em relação à média. A interpretação da

porcentagem de variação em relação à média depende:
»» Do valor da média (10% de 50 é diferente de 10% de 500);
»» D
a quantidade de variação presente nos dados: 2% de variação da média pode ser causa
especial e 20% pode ser causa comum.
234
Measure
Um relatório
gerencial típico
Indicadores Depto. Valor Média %Dif.
atual mensal
Qualidade
Entregas no prazo (%) 20 91.0 91.3 -0.3
Os relatórios mensais
Aprovação na primeira vez (%) 12 54 70 -23.0
gerenciais geralmente
Sucata (por 1000kg produzidos) 19 124 129 -3.9 contêm diversas páginas
Produção com tabelas de números
e comparações do valor
Volume produzido (1000kg) 13 34.5 33 +4.5 mensal com médias,
Custo total de produção/100kg 13 280.83 278.82 +0.7 especificações, projeções,
Inventário em processo (100kg) 17 28 19.7 +42.0 etc.
Operações
% Faturam. no prazo 067 74.3 95 -21.8
Cada linha do relatório acima contém: Explicações são solicitadas pela direção para
»» U
m indicador (qualidade, produção e cada comparação cujo resultado não está “como
operação) e departamento responsável devia estar” ou que apresenta “resultados
pelo mesmo; insatisfatórios”.
»» O valor corrente e a média mensal;

Problemas com essa abordagem:
»» C
omparação percentual do valor corrente
»» O percentual depende:
com a média mensal;
• Do valor da base de cálculo;
»» C
omparação percentual com o valor do
ano anterior; • Da quantidade de variação (causa
comum ou especial?).
»» O valor acumulado real e o planejado;
»» C
omparação entre linhas assume que os
»» C
omparação percentual do valor
indicadores de cada linha têm mesma
acumulado atual com o do ano anterior.
quantidade de variação;
Frente a um relatório desse tipo, a maioria dos
»» G
rande diferença pode ser devido a uma
gestores procura por diferenças percentuais
causa especial no valor de referência e não
grandes (comparações com especificações,
no valor presente.
metas, valor planejado, médias, valor do mesmo
mês no ano anterior, etc.). Há uma intenção de Há uma forma melhor?
responder a seguinte questão: “Como estamos
nos saindo esse mês?”.
235
Measure
52 Uma forma melhor:

analise a série
GRÁFICO DE TENDÊNCIA: INVENTÁRIO
35
30
J ulho-18 é uma causa
25 especial?
Inventário
20
15
10
Adaptado de Donald Wheeler,
5 Understanding Variation: The Key to
0 Managing Chaos. SPC Press: 1993.
mar -16
jun -16
set -16
dez -16
mar -17
jun -17
set -17
dez -17
mar-18
jun -18
Mês
A melhor maneira de estudar os indicadores é por meio de um gráfico de tendência

(ou de controle).
Consequências de tratar Jul./2018 como causa especial

Um relatório explicando o resultado e um plano de ação é solicitado pela direção. Um relatório
explicando o resultado é elaborado e um plano de
ação é proposto pelo responsável pelo Departamento 17 (muitas vezes com muita criatividade!).
Os relatórios se tornam obras de ficção cujo único objetivo é dar à direção a sensação de que algo
está sendo feito para resolver o problema. O plano de ação é executado consumindo recursos
preciosos da organização.
236
Measure
Princípios da
teoria da variação
Princípios da teoria da variação
»» Devemos esperar que as coisas variem. Elas sempre variam;
»» Entendimento da variação nos diz o que esperar em termos de resultados;
»» Trabalhe sempre nas causas de variação, as quais são sempre encontradas no sistema;
52 »» Entendimento de variação nos diz quando algo especial aconteceu.
Devemos esperar Algo especial aconteceu? O que esperar?

que as coisas variem?
GRÁFICO DE TENDÊNCIA: INVENTÁRIO
35
30
25
Inventário
20
15
10
5
0
mar -16
jun -16
set -16
dez -16
mar -17
jun -17
set -17
dez -17
mar-18
jun -18
Mês
237
Measure
Deu no portal Exame...

54
54
IPC-Fipe recua para 0,08% ÍNDICE GERAL DA FIPE
0,25 0,24
O Índice de Preços ao Consumidor (IPC) da
ÍNDICE GERAL DA FIPE
Fundação Instituto de Pesquisas Econômicas
0,20
(FIPE), da USP, fechou o mês de outubro com 0,25 0,24
variação de 0,08% na cidade de São Paulo.

0,15
0,20
% (%)%
O índice apresentou significativo recuo ante 0,15
0,10
Índice
0,08
a taxa setembro (0,24%) e ficou abaixo das
0,10
expectativas dos analistas consultados pela 0,05
0,08
Agência Estado, que iam de 0,11% a 0,16%. 0,05

Na terceira quadrissemana de outubro, o IPC foi 0,00
de 0,15%. 0,00 set-17
set-17 out-17
out-17
Mês Mês
»» A inflação está caindo?

»» As variações são grandes ou pequenas? Em relação a quê?
»» O que esperar para o mês seguinte?
5
Esse exemplo mostra uma análise típica, mas equivocada dos dados!
Quatro meses depois...
GRÁFICO DE TENDÊNCIA: FIPE
100
0.75
0.50
Quando se observa o gráfico de

Índice (%)
0.25
tendência é possível perceber que a
0.00 única maneira de decidir sobre
a existência de alguma causa
-0.25
especial é avaliando os dados ao
-0.50 longo do tempo.
dez -16
mar -16
jun -16
set -16
dez -16
mar -17
jun -17
set -17
dez -17
Mês
238
GRÁFICOS DE
FREQUÊNCIA:
HISTOGRAMA
E DOTPLOT
Measure
Gráfico de frequência:
Dotplot
O Dotplot representa graficamente a distribuição dos dados. Características a serem observadas:
»» Simetria;
»» Pontos extremos;
»» Centro;
»» Quantidade de variação;
58
»» Mínimo;
»» Máximo.
a
Mês - 2016 Gasto Mês - 2017 Gasto
jan. 97 jan. 96
fev. 104 fev. 100
DOTPLOT: GASTOS
mar. 99 mar. 99
abr. 94 abr. 96
mai. 100 mai. 103
jun. 99 jun. 97
jul. 96 jul. 96
ago. 96 ago. 91
set. 94 set. 98 92 94 96 98 100 102 104
out. 96 out. 96
Gasto
nov. 98 nov. 95
dez. 99 dez. 105
240
Measure
histograma
Considere os dados de gasto mensal com cartão O primeiro passo é dividir a faixa de variação
de crédito de 200 clientes de uma operadora. dos dados em intervalos de comprimento
»» Você consegue identificar rapidamente igual e contar o número de observações em
qual o centro (média) dessa distribuição? cada intervalo. A quantidade de intervalos e os
Ou se ela é simétrica? limites de cada intervalo são arbitrários. A
sua escolha deve ser feita de forma
Essas informações são mais facilmente a evidenciar a forma como os dados se
identificadas por meio de um gráfico de “distribuem”. Softwares estatísticos possuem
frequência. Nesse caso construiremos algoritmos que fazem essa escolha.
um histograma.
3074.32 1184.04 631.14 970.81 1126.45 86.00 694.34 757.04

778.88 107.78 809.86 711.36 1409.13 1172.68 197.84 92.50
602.36 489.40 1033.09 732.89 760.71 1275.38 338.41 6.99
253.61 191.21 1249.77 793.21 516.11 27.19 474.35 666.90
43.15 608.39 707.19 2897.39 945.81 15.40 574.56 2106.47
1243.20 933.57 651.78 79.80 1076.80 320.45 3065.79 890.95
928.44 306.15 807.55 2566.06 1063.25 193.04 779.07 1252.07
154.55 629.59 357.53 1132.04 209.84 1239.65 429.08 383.45
1121.12 1142.27 295.61 1689.13 891.68 349.22 3005.68 1572.08
959.55 906.96 453.15 587.72 436.04 623.76 521.65 2589.97
2705.86 458.13 401.17 60.45 2415.94 1503.63 280.522 20.37
1052.25 1348.63 538.09 858.60 437.09 1469.26 890.90 33.00
234.90 1047.04 693.39 513.15 159.12 364.84 3239.65 3637.38
1633.70 176.02 494.01 857.72 1261.66 409.74 27.11 1685.12
1688.66 1065.77 175.59 1449.60 413.37 409.72 1851.64 3711.79
23.84 326.36 592.99 26.40 3689.57 1258.30 834.65 730.77
602.71 386.14 358.21 413.78 208.51 283.67 380.95 2541.23
122.40 414.68 51.22 2.00.00 601.91 1669.42 987.59 692.49
924.84 245.54 150.13 3850.09 431.53 190.56 537.33 611.32
713.29 2202.89 123.86 45.58 167.57 1768.33 732.33 1218.76
1088.30 2.06 861.27 1014.46 2020.19 1263.97 3042.79 406.31
1561.42 1562.89 400.46 727.46 728.29 775.67 2166.44 368.39
89.54 2076.58 1532.15 571.24 778.951 154.25 702.29 30.00
185.85 141.17 853.03 2100.70 134.10 648.24 1622.95 424.75
185.93 1609.05 4187.47 1478.63 209.56 238.76 451.58 289.78
241
Measure
0
histograma
70 O passo seguinte é desenhar barras
com altura respectiva a frequência de
60
cada intervalo. As características
50 a serem observadas são as mesmas
do Dotplot:
Frequência
40
»» Simetria;
30
»» Pontos extremos;
20
»» Centro;
10
»» Quantidade de variação;
0 »» Mínimo e máximo.
0.00 1000.00 2000.00 3000.00 40000.00
Gasto mensal
242
ESTATÍSTICAS
DESCRITIVAS
Measure
Medidas de
localização
As estatísticas descritivas são medidas que resumem o conjunto de dados representando algumas
de suas características e que nos ajudam a compreender melhor o comportamento da população
em estudo, facilitando nossas conclusões.
»»Mínimo: Xmin = Mínimo (x1, x2, ... , xn)

»»Máximo:_ Xmáx = Máximo (x1, x2, ... , xn)
»»Média: X = x_________
1
n
, x2, ... , xn = Σ
i=1__
xi
n n
»»Mediana: valor central

X __
(n+1
2
), se n é ímpar
Mediana =
X + X (1+n/2)
__________
(n/2)
, se n é par
2
As medidas de localização nos ajudam a posicionar o conjunto de dados.
Mínimo e Máximo
O mínimo e o máximo estabelecem o menor e o maior valor.
Média Aritmética
A média aritmética de um conjunto de n valores, como o próprio nome indica, é obtida somando-
se todas as medidas e dividindo-se a soma por n.
Mediana
A mediana é uma medida alternativa à média aritmética para representar o centro da distribuição.
A mediana de um conjunto de medidas x ,x …,x é
1 2 n um valor M tal que pelo menos 50% das
medidas são menores ou iguais a M e pelo menos 50% das medidas são maiores ou iguais a M. Em
outras palavras, 50% das medidas ficam abaixo da mediana e 50% acima.
244
Measure
Mediana
Exemplo (para n ímpar): Exemplo (para n par):

Considere os seguintes valores: Considere os seguintes valores:
71, 70, 70, 72 e 70
500 550 550 550 600 700 750 2000
Os valores ordenados são:
70 70 70 71 72 Os dados acima são tempos de vida (em dias) de 8
lâmpadas.
A mediana é 70. »» N
ote que temos dois valores que satisfazem
a condição de ser mediana, o quarto (550) e o
quinto (600) valor na lista ordenada. Nesse caso,
definimos a mediana como a média dos dois
valores centrais:
Mediana =(550+600)/2=575
A média aritmética desses valores é 575.Observe que, se

a lâmpada que sobreviveu 2000 dias tivesse sobrevivido
3950 dias, o valor da mediana não se alteraria, mas
a média aritmética aumentaria. Não ser afetada por
valores extremos é uma vantagem da mediana em
relação à média.
»» Q
uando a distribuição dos dados é simétrica,
os valores da média e da mediana praticamente
coincidem.
»» Q
uando a distribuição é assimétrica, a média é
“puxada” na direção da assimetria.
245
Measure
Média,
65 mediana e
forma da distribuição
DISTRIBUIÇÃO SIMÉTRICA DISTRIBUIÇÃO ASSIMÉTRICA
35 35
MEDIANA = 15.035 MEDIANA = 11.64
30 30
MÉDIA = 15.036 MÉDIA = 15.20
25 25
Percentual
Percentual
20 20
15 15
10 10
5 5
0 0
14.99 15.01 15.03 15.05 15.07 15.09 3 8 13 18 23 28 33 38 43 48 53 58 63 68
Peso Peso
Quase sempre olha-se uma média fazendo A mediana não é influenciada por esses valores
algum julgamento de valor. extremos e nesse caso refletirá melhor a condição
Ao ler um jornal para encontrar qual é a renda econômica da comunidade. Em qualquer estudo,
média de uma determinada comunidade somos é interessante reportar as duas medidas de
tentados a avaliar como é a situação econômica centralidade, principalmente na presença de
dessa comunidade. valores extremos.
O valor médio pode ser alto e mesmo assim

a situação social ser muito ruim, ou seja, esta
medida não representa a renda da população.
Porém como poucos ganham muito e muitos
ganham pouco, essa média foi deslocada.
246
Measure
Gráfico Boxplot
O Gráfico Boxplot é utilizado para comparar a tendência central e variabilidade de amostras.

»» A vantagem é a facilidade de comparação entre as amostras, já que pode ser feito de
forma visual.
Esse gráfico funciona melhor para tamanho amostral de pelo menos 20 amostras. Um Boxplot
demonstra a mediana, amplitude interquartil e outliers para cada grupo.
4.81
0.85
-0.9
-2.67
-6.2
Os quartis também apresentam a localização de uma certa quantidade de dados e têm método de
cálculo similar ao da mediana.
Quartis: quartil 1 (Q1) e quartil 3 (Q3):
»» O quartil 1 (ou primeiro quartil) é definido como a mediana dos 50% menores valores;
»» O quartil 3 (ou terceiro quartil) é definido como a mediana dos 50% maiores valores.
O quartil 1 divide o conjunto de dados ordenado em dois subconjuntos: 25% dos valores estão
abaixo da quartil 1 e 75% dos valores estão acima do quartil 1.
O quartil 3 divide o conjunto de dados ordenado em dois subconjuntos: 25% dos valores estão
acima da quartil 3 e 75% dos valores estão abaixo do quartil 3.
Os limites são calculados da seguinte forma:

»» Limite inferior: max{min(dados); Q1 − 1,5 (Q3 − Q1)}
»» Limite superior: min{max(dados); Q3 + 1,5 (Q3− Q1)}
Os pontos fora destes limites são considerados valores discrepantes (outliers) e são denotados
por asterisco (*).
247
Measure
Medidas
67
de variação
falta
Suponha duas linhas de produção, onde medimos o comprimento.
Os valores aceitáveis são entre 8 e 12. As linhas são equivalentes?
2
Linhas
1
5 10 15
Comprimento
X
Como vimos anteriormente, variabilidade Existem diversas formas de quantificar a

está presente em praticamente todos os dispersão de um conjunto de medidas.
fenômenos estudados. Dois indivíduos
submetidos às mesmas condições respondem Amplitude
de forma diferente. É importante entender
A mais simples é a amplitude, que nada mais é
essa variabilidade, e principalmente saber
que a diferença entre o maior e o menor valor
quantificá-la.
do conjunto. No exemplo acima, a amplitude do
Somente o cálculo da média, ou outra conjunto A é 4-2=2 e do conjunto B é 5-1=4.
medida de posição, não é suficiente
para caracterizar o conjunto de dados.
Dois conjuntos de medidas podem ter a »» O
uso da amplitude apresenta algumas
mesma média, mas diferir com respeito desvantagens, a mais importante é que
à distribuição das medidas em torno da o seu cálculo envolve apenas os valores
média. extremos do conjunto.
Considere os dois conjuntos de dados seguintes:
»» A: (2, 3, 4) Outra forma de medir variabilidade, e que é
»» B: (1, 3, 5) amplamente utilizada, é o desvio padrão.
Ambos têm média igual a 3, mas o conjunto B é Como a média é uma medida de centralidade, e
mais disperso em torno da média. estamos interessados em quantificar a dispersão
dos dados em torno da média, utiliza-se os
desvios de cada valor em torno da média, ou
seja, a diferença entre cada ponto e a média.
248
Measure
Medidas de variação:
Desvio padrão
Considere os seguintes dados:
70 71 73 74 77
A média é 73.
Os desvios em relação à média são:
-3 -2 0 1 4
A soma dos desvio é zero (de fato, a soma dos desvios em relação à média é zero para qualquer
conjunto de dados).
O uso da amplitude apresenta algumas desvantagens, a mais importante é que o seu cálculo
envolve apenas os valores extremos do conjunto. Outra forma de medir variabilidade, e que é
amplamente utilizada, é o desvio padrão.
Como a média é uma medida de centralidade, e estamos interessados em quantificar a dispersão

dos dados em torno da média, utiliza-se os desvios de cada valor em torno da média, ou seja, a
diferença entre cada ponto e a média.
Para calcular o desvio padrão, inicialmente eleva-se os desvios ao quadrado (contribuição de

cada desvio):
9 4 0 1 16
O próximo passo é somar a contribuição de cada desvio e dividir pelo total de valores menos 1:
(9 + 4 + 0 + 1 + 16) / 4 = 7, 5
O último passo é calcular a raiz quadrada da variância amostral, que é o desvio padrão:
D.P. = √ 7,5 = 2,74
249
Measure
Resumo: caracterização
de uma variável numérica
O estudo descritivo de um indicador
quantitativo deve conter as estatísticas
70 a
Estatísticas descritivas: Nº de Vendas
básicas, um gráfico de frequência e um
gráfico de tendência. N 60 Amplitude 73.00
»» É
útil utilizar as três abordagens para Média 201.47 Mediana 201.00
16
aumentar a chance de identificar Desvio padrão 16.73 Quartil 1 191.00
problemas ou oportunidades. Máximo 170.00 Quartil 3 210.75 12
Frequência
Se os dados são coletados ao longo do Amp. interq
Mínimo 73.00 19.75 8
tempo, o gráfico de tendência é o mais útil (IQR)
e o primeiro a ser analisado. 4
0
170 18
HISTOGRAMA: Nº VENDAS
NÚMERO DE ITENS VENDIDOS POR DIA
250
16
12 225
Frequência
Nº vendas
8 200
4 157
0 150
170 180 190 200 210 220 230 240 5 10 15 20 25 30 35 40 45 50 55 60
Nº vendas Dia
POR DIA
45 50 55 60
250
Measure
O que a média e o desvio

padrão não mostram
2
N Conj. 1 Conj. 2 Conj. 3 Conj. 4
1 40.50 41.64 35.00 44.50

2 41.50 58.36 37.00 45.00
3 42.50 42.29 42.00 45.50
4 43.50 57.71 53.90 46.00
5 44.50 42.93 53.00 46.50
6 45.50 57.07 50.60 47.00
7 46.50 43.57 50.50 47.50
8 47.50 56.43 53.80 48.00 Observe os quatro conjuntos de números.
9 48.50 44.21 52.50 48.50 Todos têm mesma média e mesmo
10 49.50 55.79 53.60 49.00 desvio padrão.
11 50.50 44.86 50.40 49.50
12 51.50 55.14 52.20 50.00
13 52.50 45.50 52.70 50.50 Os conjuntos são iguais?
14 53.50 54.50 52.40 51.00
15 54.50 46.14 52.70 51.50
16 55.50 53.86 51.40 52.00
17 56.50 46.79 53.80 52.50
18 57.50 53.21 52.90 53.00
19 58.50 47.43 56.81 72.71
72 20 59.50 52.57 42.79 49.79
Média 50.00 50.00 50.00 50.00
Des. Pad. 5.92 5.92 5.92 5.92
GRÁFICO DE TENDÊNCIA: CONJ. 1 GRÁFICO DE TENDÊNCIA: CONJ. 2
70 70
60 60
Conj. 1
Conj. 2
50 50
40 40
4 8 12 16 20 4 8 12 16 20
Index Index
GRÁFICO DE TENDÊNCIA: CONJ. 3 GRÁFICO DE TENDÊNCIA: CONJ. 4
70 70 Pelos gráficos de
60 60
tendência dos
Conj. 3
Conj. 4
quatro conjuntos
50 50 percebemos que eles
40 40
são completamente
diferentes entre si.
4 8 12 16 20 4 8 12 16 20
Index Index
251
Measure
Cenário
A porcentagem de pacientes da emergência com dor no peito atendidos por um cardiologista em até
10 minutos foi medida durante 24 semanas. Uma mudanças foi feita após a semana 12. O resumo
comparando as 12 primeiras semanas com as doze últimas está na tabela.
GRÁFICO DE TENDÊNCIA: PORCENTAGEM

100
Percentual de pacientes
90
80
%
70
60
10-out-17
24-out-17
08-nov-17
22-nov-17
06-dez-17
20-dez-17
10-jan-18
24-jan-18
07-fev-18
21-fev-18
06-mar-18
20-mar-18
Data
a
Semana 1-12 Semana 13-24
Média 80% Média 84%
Máx. 94% Máx. 95%
Min. 67% Min. 79%
A mudança foi melhoria? Pequena ou alta?
É importante notar que no gráfico de tendência temos uma convicção muito maior de que uma
melhoria expressiva foi obtida, quando comparado com a análise feita pela tabela.
252
GRÁFICOS
DE BARRAS E
TABELAS
Measure
Gráficos de
barras e tabelas
O que é?
São ferramentas para estudar a distribuição de dados classificatórios.
Quando utilizar?
Sempre que os dados coletados forem classificatórios (qualitativos).
Qual a diferença de um histograma?

O histograma é utilizado quando temos dados contínuos, seu eixo x é uma régua. O gráfico de
barras é utilizado para variáveis de classificação. Seu eixo x é representado por categorias
de resposta.
Categorias
254
Measure
Dados classificatórios:
50
40
Percentual
tabelas e gráficos
30
20
10
0
»» Clientes de uma instituição de crédito são classificados como “BOM”, “MAU” e “OUTROS”.
Status
50
40
Percentual
30
20
10
0
Status
Status Frequência Porcentagem
Bom 5139 51.7%

Mau 379 3.8%
Outros 4428 44.5%
Total 9946 100.0%
Quando a variável é classificatória, os No exemplo citado, clientes de uma instituição de

resultados possíveis são “categorias”. Por crédito ao consumidor são classificados como
exemplo, a variável “DEFEITO NA PEÇA” tem “BOM”, “MAU” e “OUTROS”. Uma amostra de 9946
duas categorias como resultados: Sim e Não. clientes foi retirada e os clientes foram classificados
em cada categoria. Com essa análise descritiva, é
As estatísticas usuais para resumir informações possível perceber a frequência de ocorrência de
de variáveis classificatórias são frequências cada classificação.
e porcentagens. Gráficos usuais para resumir
informações de variáveis classificatórias são
gráficos de barras e gráficos de setores (pizza).
255
78
Measure
Dados classificatórios:
gráfico de tendência
20
15
% fora do prazo
10
0
2 4 6 8 10 12 14 16 18 20
Semana
Semana % fora
do prazo
É comum coletar dados classificatórios ao
1 8.33 longo do tempo. Por exemplo,
2 3.33 a cada semana são registrados o número de
3 3.33 entregas realizadas e
4 10.00 o número de entregas que foram
5 11.67 feitas fora do prazo.
6 8.33
7 13.33
8 6.67 Nesses casos, é útil construir o gráfico de
9 3.33 tendência da porcentagem de entregas fora do
10 8.33 prazo para:
11 6.67
12 1.67 »» A
valiar se o processo de entregas
13 5.00 está estável e orientar ações de
14 15.00
mudanças no processo;
15 13.33
16 6.67
17 8.33 »» A
valiar o impacto no indicador de
18 3.33 mudanças feitas no processo.
19 10.00
20 13.33
256
GRÁFICO
DE PARETO
Measure
Gráfico de Pareto
O que é?
Um gráfico de barras ordenadas. Serve para dar
foco em esforços de melhoria. Conhecida como
regra 80/ 20 ou Vitais vs. Triviais
Quando utilizar?
Se o objetivo é reduzir defeitos, então faça um
Categorias gráfico de Pareto dos defeitos para encontrar
os vitais.
Um dos objetivos centrais de um programa de qualidade é reduzir perdas provocadas por itens
defeituosos que não atendem às especificações.
Existem muitos tipos de defeitos que fazem com que um produto não atenda às especificações.
Concentrar esforços no sentido de eliminar todos os tipos de defeitos não é uma política eficaz.
Geralmente, alguns poucos tipos de defeitos são responsáveis pela maioria das rejeições, e é mais
eficaz atacar as causas desses poucos defeitos mais importantes.
Essa abordagem já foi proposta por J. M. Juran, um dos pioneiros da Qualidade. Ele estabeleceu
uma regra hoje conhecida como “a regra dos poucos vitais e dos muitos triviais”. Para
identificar os poucos vitais, ele propôs a utilização de um diagrama conhecido como diagrama
de Pareto. O diagrama é basicamente um gráfico de barras da distribuição dos defeitos pelos
tipos, ordenado em ordem decrescente de frequência de ocorrência.
O princípio de Pareto, também conhecido como regra de 80/20, diz que, dos muitos defeitos
presentes, 80% são vitais e 20% são triviais.
258
Measure
Exemplo:
defeitos em manufatura
Nesse exemplo, estamos avaliando os defeitos de produção de uma embalagem. Como temos vários
tipos de defeitos, vamos utilizar o Pareto para ver se é possível dar foco ao nosso trabalho.
Número Porc.
Tipo de defeito de peças Porc. Acum.
A: Não selagem do topo 55 0.4 0.4

B: Não selagem do fundo 38 0.28 0.68
C: Não selagem da lateral 22 0.16 0.84
D: Impressão borrada 8 0.06 0.9
E: Caixa amassada 7 0.05 0.95
F: Cor da impressão 4 0.03 0.98
G: Caixa rasurada 2 0.02 1
DIAGRAMA DE PARETO VARIÁVEL:

NÚMERO DE DEFEITOS
140 5 100
4 6 7
120 3 90
80
100 2
Porcentagem
70
Valores
80 60
1 50
60 40
40 2 30
3 20
20 4 5 6 7 10
0 0
1 2 3 4 5 6 7
Tipos de defeitos
VALOR VALORES ACUMULADOS
259
Measure
O Princípio de Pareto
82
Nem sempre conseguimos aplicar o Princípio de Pareto. Como essa ferramenta tem o objetivo de
trazer foco para o projeto, devemos atacar os defeitos mais relevantes, que chamamos de vitais.
Porém nem sempre é possível aplicar o Princípio de Pareto.
40 100 40
O Princípio de Pareto se aplica: 100
Porcentagem
Porcentagem
30 80 30de Pareto se aplica 80
O Princípio
60 60
Freq
Freq
20 quando uma20 ou algumas categorias são
40 responsáveis pela maioria dos defeitos. 40
10 20 Concentre10os esforços de melhoria no topo 20
0 0 de uma ou 0duas barras. 0
Tipo A B C D Other Tipo A B C D E
Freq. 25 6 4 3 2 Freq. 12 10 8 6 4
Percent 62.5 15.0 10.0 3 5.0 Percent 30.0 25.0 20.0 15.0 1.0
% Acum. 62.5 77.5 87.5 95.0 100.0 % Acum. 30.0 55.0 75.0 90.0 100.0
40 100 O Princípio de Pareto

Porcentagem
30 80 não se aplica:
60
Freq
20 O Princípio de Pareto não se aplica

40 quando as barras são todas de
10 20 alturas semelhantes. Procure por outras
0 0 maneiras de categorizar os dados, ou
Tipo A B C D E procure por um tipo diferente de dado
Freq. 12 10 8 6 4 para este problema.
Percent 30.0 25.0 20.0 15.0 1.0
% Acum. 30.0 55.0 75.0 90.0 100.0
260
Measure
Cuidados ao
83 fazer o gráfico
»» O eixo vertical deve ter altura igual à soma de todas as frequências.
40
12 30
Porcentagem
30
8 20
Freq
Freq
20
4 10 10
0 0 0
Tipo A B C D E Tipo A B
Freq. 12 10 8 6 4 Freq. 12 10
Percent 30.0 25.0 20.0 15.0 1.0 Percent 30.0 25.
% Acum. 30.0 55.0 75.0 90.0 100.0 % Acum. 30.0 55.
40 100
30
Porcentagem
Porcentagem
30 80
20 60
Freq
20
40
10 10 20
0 0 0
D E Tipo A B C D E
6 4 Freq. 12 10 8 6 4
0 15.0 1.0 Percent 30.0 25.0 20.0 15.0 1.0
0 90.0 100.0 % Acum. 30.0 55.0 75.0 90.0 100.0
Um cuidado importante que deve ser tomado na construção do gráfico de Pareto é a altura do eixo
vertical, que deve totalizar a soma total de amostras analisadas no lado esquerdo e percentual
100% do lado direito.
261
Measure
Estreitando o foco
(Macro para Micro)
Depois de realizado o Pareto, visto que o princípio se aplica, podemos, se possível, estreitar nosso
foco. Por exemplo, na realização do Pareto inicial descobrimos que o problema está concentrado
no estágio 1. Então podemos realizar um Pareto dos problemas encontrados no estágio 1, assim
descobrimos que o de maior relevância é a densidade.
100
80
60
Número
de lotes
40
20
0
Estágio 1 Estágio 5 Estágio 4 Estágio 2 Estágio 3
Estágios onde ocorreram lotes abaixo do padrão
140
120
Número
de lotes
80
40
Estágio 1 0
Densidade Cor Fusão Pureza Outros
Classificação dos lotes abaixo do padrão
50
40
Número
de lotes
30
20
10
Densidade 0
412 513 271 613 612 504 313 614
Códigos abaixo do padrão
Quando realizamos esse estreitamento de foco, temos que ter cuidado para a quantidade de vezes
que realizamos isso, pois poderemos estreitar o foco demasiadamente e acabar por resolver uma
pequena parcela do problema.
Recomenda-se a análise do Pareto em no máximo 2 níveis.
262
Measure
Estratificação
Erros em relatório de despesas
Nesse exemplo, estamos analisando os erros encontrados nos relatórios de despesas estratificando
pelos departamentos responsáveis.
Tipo de erro Vendas RH Manuf. Eng. Finan. Trein. Total
Funcionário 2 3 3 2 10
Falta de assinatura Gerente 25 1 40 1 2 1 70
VP 2 2 2 6
Táxi 3 1 3 1 8
Refeição 3 3 6
Falta de recibo
Estacion. 33 26 1 60
Comb. 2 2 1 5
Total de erros 68 3 76 9 6 3 165
263
Measure
Pareto por local

e estratificação
85
160 100 100
160
80 No primeiro gráfico, realizamos um
80
Porcentagem
120 gráfico de Pareto para estudarmos os
Porcentagem
120
60 departamentos,60 e podemos concluir que
Freq
80
Freq
80 40 manufaturas e vendas são os principais

40
40 40 20 focos de problema.
20
0 0 0 0
Manuf. Vendas Eng. Finan. Outros
Manuf. Vendas Eng. Finan. Outros
Departamento Departamento
20 100 100
160 100 Realizamos
20 então outro Pareto,
100 80
Porcentagem
Porcentagem
15 dentro de manufatura e vendas, 80
Porcentagem
Porcentagem
120 80 80 15
para descobrirmos os principais
60 60
Freq
60 10
Freq
Freq
80 100 60 problemas,
10 e40
chegamos à conclusão de
40 40 40
5 que os erros mais relevantes são falta
40 20 80 5 20
Porcentagem
20 de assinatura gerente e falta recibo 20

0 0 60 0 0 0 0
de estacionamento. 0
Falta assin.
gerentei.
Falta assin.
Falta recibo
estacion.
Falta recibo
Falta recibo
assin.
Falta assin.
Falta recibo
Falta recibo
refeição
Outros
Outros
comb.
funci.
comb.
V.P.
V.P.
taxi
40
Falta assin.
gerentei.
Falta assin.
Falta assin.
Falta recibo
estacion.
Falta recibo
Falta recibo
Falta assin.
Falta assin.
Falta recibo
Falta recibo
gerente
refeição
Outros
Outros
comb.
funci.
comb.
V.P.
V.P.
taxi
20
Falta
0
uf. Vendas
Tipo Eng. Finan. Outros Tipo Tipo
Tipo
Departamento
20 100
100 80 Após a realização dessas análises,
Porcentagem
Porcentagem
80 15
60 devemos dar foco para os problemas
Freq
60 10 de falta de assinatura do gerente e

40 40
falta recibo de estacionamento nos
5 20
20 departamentos de manufatura e vendas.
0 0 0
gerentei.
Falta assin.
Falta assin.
Falta assin.
Falta recibo
Falta recibo
Outros
funci.
comb.
V.P.
taxi
Tipo
264
Measure
Modificações no
gráfico de Pareto
Existem muitas opções para o eixo vertical nos gráficos de Pareto. A escala mais comum é a
frequência de ocorrências.
Três alternativas importantes são:
Valor monetário Tempo Contribuição percentual de

cada classificação para o total
(tempo, ocorrências, dinheiro etc.)
Ao se decidir sobre onde focar os esforços de melhoria usando análise de Pareto, deve-se
considerar cuidadosamente uma escala apropriada.
265
Measure
Estabilidade na
Análise de Pareto
Análise de Pareto para um processo com causas especiais
Outra utilização do gráfico de Pareto é na identificação de instabilidade nos processos. Pode-se

realizar a análise no período em que o processo está estável e comparar com o gráfico realizado
no período de instabilidade.
Nesse exemplo, no período estável observamos que o fator H é uma trivial, tornando-se vital no
momento de instabilidade.
Percentual com defeito
25
20
15
10
10 10
% total defeitos
% total defeitos
8 8
6 6
4 4
2 2
0 0
Classificação de defeito Classificação de defeito
266
ESTRATIFICAÇÃO
Measure
Estratificação
O que é?
Separação e classificação dos dados, de acordo com
fatores ou variáveis selecionadas. O objetivo é encontrar
padrões que auxiliem na compreensão dos mecanismos
causais de um processo.
Quando utilizar?
Sempre que houver interesse de se estudar se o
“comportamento” é o mesmo em todos os grupos
definidos pelos fatores ou variáveis.
Exemplo
Na análise do tempo de setup global, observamos um tempo médio de 22 minutos, com mínimo
de 18 e máximo de 28. A partir disso poderíamos tomar a decisão de tratar a variação do processo e
reduzir a média de tempo de setup.
Turno
B
18 20 22 24 26 28 18 20 22 24 26 28
Tempo de set-up Tempo de set-up
(O tempo de setup de uma máquina foi medido em dois turnos.)
30
Tempo de set-up
25
20
268 15
1 6 12 18 24 30
Measure
Exemplo
Quando olhamos os tempos de setup por turno, identificamos outro comportamento.
Turno
A
O turno A tem média de tempo de setup menor que o turno B, indicando falta de padronização
entre os setups. Isso nos leva a um tratamento diferente do processo, focando em melhorias no
turno B. B
18 20 22 24 26 28 18 20 22 24 26 28
Tempo de set-up Tempo de set-up
Tempo de setup
30 Turno A Turno B
Tempo de set-up
20 24
19 23
25 21 28
21 22
22 24
18 24
20 20 23
20 21
19 25
19 23
15 23 26
1 6 12 18 24 30 21 27
19 22
Dias 20 22
22 25
18 26
269
GRÁFICO DE
CONTROLE
Measure
Introdução
Walter Shewhart trabalhou no Bell Labs durante as décadas de 1920 e 1930 e reconheceu a
existência de variabilidade em todos os processos produtivos. Ele desenvolveu o conceito de
“controle econômico da qualidade”, pelo qual os processos deveriam ser gerenciados por meio
da identificação de suas causas de variação (comum ou especial). Problema do Shewhart: decidir
quando parar uma máquina para ajustá-la (risco: perda de produtividade) ou quando ela deve
continuar em funcionamento (risco: peças refugadas caso sejam produzidas fora de especificação).
Essa tecnologia balanceou essas duas decisões de tal maneira a maximizar a produtividade e
foi um marco para a administração da qualidade na década de 1950.
O que é?
Um gráfico de controle é um gráfico de tendência com limites de controle calculados com base
estatística. Esses limites de controle são referências calculadas com base estatística que ajudam
a identificar se um resultado do processo está afastado o suficiente dos demais para ser tratado
como uma causa especial.
Quando utilizar?
Devemos montar um gráfico de controle para todos os indicadores.
Gráfico de Controle de Shewhart
O gráfico de Shewhart foi

desenvolvido inicialmente para
ser usado na linha de produção,
mas tem aplicação em todas
as situações em que dados são
gerados ao longo do tempo e
proporciona uma linguagem
comum para discutir
desempenho de processo.
Também permite verificar se

as alterações intencionais em
um processo alcançaram o
resultado desejado.
1 2 3 4 5 6 7 8 9 10 11 12 13 . . m
272
Measure
Estrutura de um
Definições:
»» S
ubgrupo: Amostra do processo utilizada »» Linha média : linha central do gráfico
para gerar um ponto no gráfico. »» LSC: limite superior de controle
• Exemplo: 5 peças retiradas do
processo em um determinado »» LIC: limite inferior de controle
tempo, 50 propostas de venda.
Estatística
1 3 5 7 9 11 13 15 17 19 21 23 25
Estatística: x x x
média, amplitude, x x x
desvio, padrão,
contagem, DPU, x x x
porcentagem
n1 n2 n25
Na construção do gráfico de controle, cada peças o subgrupo.

ponto é o resumo estatístico dos dados A partir do resumo estatístico de cada
coletados, e podemos trabalhar com média, subgrupo são plotados os pontos no gráfico de
amplitude desvio padrão, contagem, DPU e controle. A partir desses pontos são calculados
porcentagem. a média, representada pela linha verde, e o
desvio padrão.
Os dados são coletados por subgrupos que são
um grupo de unidades criadas sob as mesmas
condições. As coletas devem ser realizadas As linhas vermelhas são os limites de
próximas em tempo, mas independentes. Por controle. O limite superior de controle (LSC) é
exemplo, de uma máquina que produz 100 dado pela média da amostra somado com três
peças por hora podemos coletar 5 peças a cada desvios padrão, enquanto o limite inferior de
hora por 24 horas, sendo cada amostra de 5 controle (LIC) é dado pela média, de onde serão
subtraidos três desvios padrão.
273
Measure
Tipos de variáveis
A primeira etapa para a construção do gráfico de controle é definir com qual tipo de variável
estamos trabalhando, lembrando que essas podem ser do tipo contínuas, contagem
ou classificação.
Dados contínuos
Dados de atributo
Defeito
Defeituoso? Defeitos?
(Classificação) (Contagem)
Sim! Sim?
Quantos? 2
Item produzido
274
Measure
Seleção do
Diferentes tipos de gráficos

de controle são usados
para diferentes tipos
de dados. Todos eles
distinguem a variação
de causa especial da
variação de causa comum,
utilizando limites de
controle para indicar se um
determinado valor de dado
deve ser tratado como uma
causa especial.
Se estivermos trabalhando com contagem, Para subgrupos maiores que um e de tamanho

iremos construir um gráfico U. fixo, ou seja, todas as vezes coletamos o mesmo
»» E
xemplo: Utilizaremos esse gráfico número de peças, iremos construir o gráfico
para analisar a quantidade de teclas X-barra/R.
defeituosas na produção de teclados. »» E
xemplo: No estudo do comprimento de
Já, quando a variável for de classificação, peças realizamos 25 coletas, de hora em
vamos utilizar o gráfico P. hora, e a cada coleta sempre retiramos a
mesma quantidade de peças, 5. Também
»» E
xemplo: Se quisermos avaliar os teclados podemos utilizar o gráfico X-barra/S para
referentes à presença ou ausência de subgrupos fixos.
teclas defeituosas.
Quando não é possível coletar a mesma
Quando nosso projeto envolver dados quantidade de dados por subgrupo, é
contínuos, devemos observar o tamanho do necessário construir gráfico X-barra/S.
subgrupo com que estamos trabalhando.
Quando o subgrupo for 1, usamos o gráfico »» E
xemplo: Na análise do peso de turbinas
I-MR. de avião, coletamos na primeira semana
o peso de 4 turbinas, na segunda de 3
»» E
xemplo: No estudo de faturamento de turbinas, na seguinte 5, de modo que não
uma empresa, conseguimos coletar os possuímos o mesmo tamanho
dados de forma mensal, de modo que o de subgrupos.
subgrupo é de tamanho 1.
275
Measure
Gráficos P
GRÁFICO DE
CONTROLE
277
Measure
Gráfico P
Quando utilizar?
»» Sempre que contamos o número de unidades defeituosas ou não conformes.

»» Quando indicador é uma proporção.
Obs.: Nem todo dado de porcentagem é dado de classificação (razões entre dados contínuos,
por exemplo).
Geralmente usamos cartas-p para plotar a proporção de defeituosas, sejam os tamanhos de

amostras iguais ou não.
Nem todo dado de porcentagem é dado classificatório:

»» M
uitas vezes as porcentagens se originam de dados de variáveis tais como tempo, peso,
comprimento e custo. Por exemplo, o lucro percentual pode ser uma razão de lucros
sobre vendas.
»» D
ados desse tipo devem ser tratados como dados contínuos ao se desenvolver gráficos
de controle.
278
Measure
Exemplo de
gráfico P
Em uma empresa de 90 funcionários Total de Ausências
queremos realizar um estudo sobre Dia ausências P Não Justificadas P
o absenteísmo. Durante 20 dias 01 10 0.11 2 0.02
acompanhamos os funcionários e 02 08 0.09 3 0.03
03 14 0.16 1 0.01
classificamos em ausentes ou presentes, 04 06 0.07 1 0.01
obtendo um percentual de ausência 05 08 0.09 1 0.01
06 07 0.08 2 0.02
por dia. Assim estamos falando de 07 16 0.18 0 0.00
dados classificatórios. Próximo passo é 08 12 0.13 3 0.03
09 10 0.11 1 0.01
entender o tamanho do subgrupo. No 10 09 0.10 8 0.09
caso, diariamente, estamos realizando 11 12 0.13 1 0.01
12 10 0.11 2 0.02
essa classificação de uma amostra de 90 13 14 0.16 0 0.00
pessoas, logo o subgrupo é de tamanho 90. 14 04 0.04 4 0.04
15 08 0.09 3 0.03
16 12 0.13 1 0.01
17 09 0.10 0 0.00
»» A
nalisando o gráfico P para total 18 05 0.06 2 0.02
19 14 0.16 1 0.01
de ausências verificamos que o 20 10 0.11 0 0.00
processo está estável, somente
causas comuns, e que 11% (0,11) é a
CARTA P: TOTAL DE AUSÊNCIAS
101
média de ausências, sendo esperado
um máximo de 20,89% (0,2089)
0.25
de acordo com o limite superior LSC=0.2089

0.20
de controle e no mínimo 1,11%
Proporção
0.15
(0,0111), limite inferior de controle.
P=0.11
0.10
»» N
o gráfico P de ausências 0.05
justificadas, identificamos a LIC=0.0111
presença de causa especial. 0.00
1 3 5 7 9 11 13 15 17 19
Amostra
CARTA P: AUSÊNCIAS NÃO JUSTIFICADAS

0.10
1
0.08
Proporção
LSC=0.06427
0.06
0.04
0.02 P=0.02
0.00 LIC=0
1 3 5 7 9 11 13 15 17 19
Amostra
279
Measure
Gráficos U
GRÁFICO DE
CONTROLE
281
Measure
Gráfico U
Quando utilizar?
»» Sempre que contamos o número de defeitos.

»» Quando o indicador é uma taxa.
Indicado quando são feitas contagens

de ocorrências (erros, defeitos, não
conformidades, número de acidentes, número
de viagens, chamadas telefônicas.
Um subgrupo é definido por:

»» Número de unidades avaliadas;
»» Área de oportunidade.
»» Á
rea de oportunidade pode ser um espaço, um
período de tempo, um volume etc.
»» E
spaço: 200 metros de tecido, um metro
quadrado de papel envernizado, um quarto de
amostra de um produto.
»» Tempo: Uma hora, três meses, um turno.
282
Measure
Exemplo
Avaliando o número de acidentes em uma empresa, coletamos os dados mensalmente e contamos

o número de acidentes que ocorrem na empresa por mês. Não estamos falando se teve ou não
acidente no mês, nesse caso é relevante a quantidade em cada mês. Como estamos avaliando os
acidentes em uma empresa por um mês, temos um subgrupo de tamanho um.
»» A
nalisando o gráfico U, temos 3 evidências de causas especiais. Duas fora do limite superior e a
terceira com 8 pontos consecutivos abaixo da média.
25
20
15
Acidentes
10
0
mar -16
jul -16
mar -17
jan -16
mai -16
set -16
nov -16
mai -17
jul-17
set -17
nov -17
jan -17
Mês
Mês/ ano Número de Mês/ ano Número de

(oportunidade) acidentes (C) (oportunidade) acidentes (C)
Janeiro 2016 6 Janeiro 2017 10
Fevereiro 2 Fevereiro 5
Março 4 Março 9
Abril 8 Abril 4
Maio 5 Maio 3
Junho 4 Junho 2
Julho 23 Julho 2
Agosto 7 Agosto 1
Setembro 3 Setembro 3
Outubro 15 Outubro 4
Novembro 12 Novembro 3
Dezembro 7 Dezembro 1
283
Measure
Gráfico de Individuais
GRÁFICO DE
CONTROLE
285
Measure
Gráfico I
Quando utilizar?
»» Quando trabalhamos com dados contínuos;
»» Quando o tamanho do subgrupo é 1.

»» Quando a distribuição dos dados é normal.
O gráfico de controle para individuais é utilizado quando o dado coletado é contínuo e cada ponto no
gráfico representa uma amostra de tamanho 1, por isso é o mais versátil e mais utilizado.
É o mais comum para dados de áreas transacionais:
»» Dados financeiros;
»» Tempo para executar uma atividade;
»» Dados de faturamento;
»» Dados de vendas.
Para o cálculo dos limites, ele utiliza a estimativa da variação do processo dada por dados
consecutivos (amplitude móvel).
Os limites de controle em um gráfico de individuais são calculados sob a suposição de que os dados
podem ser modelados pela distribuição normal (gaussiana).
»» S
e a distribuição dos dados é assimétrica (no caso de medições de tempo de ciclo, por
exemplo), o gráfico de individuais apontará muitos pontos fora dos limites de controle, e esses
pontos não necessariamente mostram possíveis causas especiais
»» S
e a distribuição é assimétrica, é útil transformar os dados (transformação logarítmica ou
quadrática, por exemplo) e fazer o gráfico dos dados transformados.
286
Measure
Gráfico de
individuais: exemplo
Apresentamos como exemplo um gráfico de controle de individuais para os dados de inventário em
109
processo. Os dados foram extraídos de Wheeler (1993).
2018
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
2016 19 27 20 16 18 25 22 24 17 25 15 17
2017 20 22 19 16 22 19 25 22 18 20 16 20
2018 20 15 27 25 17 19 28
35
30
25
Valor
20
15
10
abr -16
jul -16
out -16
abr -17
jul -17
out -17
abr -18
jul -18
jan -16
jan -17
jan -18
Mês
287
Measure
Gráfico de individuais
e distribuição normal
Observe os histogramas e respectivos gráficos de controle de individuais.
»» A
distribuição da variável “tempo” é assimétrica, e o gráfico de controle aponta 3 pontos
acima do limite superior de controle.
»» U
tilizando a transformação logarítmica, obtemos dados simétricos e o gráfico de controle
respectivo não aponta possíveis causas especiais.
HISTOGRAMA: TEMPO HISTOGRAMA: LOG TEMPO

25
111.2 20
20 HISTOGRAMA: TEMPO HISTOGRAMA: LOG TEMPO

25
15
111.2 15
FrequênciaFrequência
20
FrequênciaFrequência
10
20
10
15
155 5
10
100 0
5 10 15 20 25 30 35 40 0.4 0.6 0.8 1.0 1.2 1.4 1.8
5
5 Tempo Tempo
CARTA I: LOG TEMPO
CARTA I: TEMPO
0 0
5 110 15
1 20 125 30 35 40 2.0 0.4 0.6 0.8 1.0 1.2 1.4 LSC=1.895
1.8
40
LSC=38.34
Carta i Carta
CARTA i TEMPO
I: LOG
CARTA I: TEMPO 1.5
20 1 1 1 2.0
40
Valor
tempo Valor
LSC=38.34 1.0 LSC=1.895

X=12.21 X=0.992
1.5
0.5
200
Tempo
Valor
Valor
X=12.21 1.0 X=0.992

LIC=-12.42 LIC=0.055
0.0
Log
1 11 21 31 41 51 61 71 81 91 1 11 21 31 41 51 61 71 81 91
0 0.5
Observação Observação
LIC=-12.42 LIC=0.055
0.0
1 11 21 31 41 51 61 71 81 91 1 11 21 31 41 51 61 71 81 91
Observação Observação
288
Measure
Gráficos X-barra/r
ou X-barra/s
GRÁFICO DE
CONTROLE
289
Measure
Gráficos X-barra/R
O gráfico X-barra/R é utilizado quando dados contínuos são coletados em subgrupos (amostras) de
tamanho constante e maior do que 1. Nesse caso, constrói-se dois gráficos:
»» U
m gráfico para avaliar o comportamento da média da variável ao longo do tempo. Gráfico
X-barra: Médias de dados dos subgrupos.
»» U
m gráfico para avaliar o comportamento da variação da variável ao longo do tempo. Gráfico
R: amplitude dos dados dentro de cada subgrupo.
Embora seja utilizado tanto em aplicações administrativas quanto em industriais, é a

ferramenta preferida em muitas aplicações industriais.
Vantagens do Gráfico X-barra/R:
»» Os subgrupos permitem uma estimativa mais precisa de variabilidade “local” ou de

curto prazo;
»» A
s causas de variação que afetam a média podem ser distinguidas das que afetam a
variabilidade.
As vantagens de uma carta X-barra/R desaparecem se ocorrerem causas especiais sistemáticas,

isto é, uma causa especial que apareça em cada subgrupo. Por exemplo, suponha que você esteja
contando erros para ordens recebidas por telefone e tenha quatro operadores preenchendo
pedidos. Seria natural você querer criar subgrupos de 4, pegando um formulário de pedido de cada
operador. Mas, se um operador estiver consistentemente melhor ou pior do que os outros, você
estaria misturando variações de causa comum e causa especial nos dados. A carta ficará inutilizada,
obscurecendo diferenças entre operadores e tornando difícil detectar causas especiais no processo.
Estude cuidadosamente antes de formar subgrupos de:
»» Valores de diferentes operadores, máquinas, turnos, posições, etc.
»» Dados determinados por calendário de semanas, meses, ou trimestres.
290
Measure
Gráficos X-barra/R
O tempo de ciclo de uma operação foi medido três vezes por semana durante 20 semanas.
Semana Amostra
Pode-se observar uma causa especial na média na
01 45 48 48 semana 13, porém não observa-se uma causa especial
02 46 46 44 nesta semana no gráfico R. Esse comportamento indica
03 41 47 47
04 41 44 45 que o tempo nas três medidas subiram e não somente
05 43 50 41 em 1 delas.
06 41 45 47
07 48 46 46
08 48 44 45 Na semana 15, observa-se um comportamento
09 49 45 46 diferente. Uma causa especial no gráfico R, ou seja,
10 46 50 44 apenas uma das três medidas teve um tempo maior,
11 42 46 48 aumentando a amplitude, porém não contribuiu para o
12 42 49 47
13 54 56 49 aumento significativo da média.
14 43 44 45
15 42 45 59
16 44 47 44
17 46 51 45
18 44 42 40
19 45 45 46
20 42 47 43
GRÁFICO XBARRA-R: TEMPO DE CICLO

Média amostral
52 LSC=51.12
48
X=45.8 Cada ponto no primeiro gráfico
44
é a média de um subgrupo.
40 LIC=40.48
1 5 10 15 20
Semana
Amplitude amostral
16 LSC=13.39
8 Cada ponto no segundo gráfico
R=5.2 é a amplitude dentro do
0 LIC=0 mesmo subgrupo.
1 5 10 15 20
Semana
291
Measure
Gráficos X-barra/S
O gráfico X-barra/S é similar ao gráfico X-barra/R. É usado quando dados contínuos são coletados
em subgrupos (amostras) de tamanho constante ou variável. Nesse caso constrói-se dois gráficos:
»» U
m gráfico para avaliar o comportamento da média da variável ao longo do tempo.
Gráfico X-barra: médias de dados dos subgrupos.
»» U
m gráfico para avaliar o comportamento da variação da variável ao longo do tempo.
Gráfico S: desvio padrão dos dados dentro de cada subgrupo.
No gráfico X-barra/S, substituímos o gráfico da amplitude (R – range) pelo gráfico do desvio

padrão (S –standard deviation). A interpretação é a mesma, mas pode ser utilizado quando os
subgrupos são de tamanho constante ou variável.
S
Semana Amostra
Média amostral
52 01 45 48 48
48 S 02 46 46 44
03 41 47 47
Desvio padrão Média amostral
44
52 04 41 44 45
40
48 05 43 50 41
1 5 10 15 20 06 41 45 47
44 07 48 46 46
40 Semana 08 48 44 45
1 5 10 15 20 09 49 45 46
Cada ponto no primeiro gráfico representa a média de 10 46 50 44
8
um subgrupo. Semana 11 42 46 48
amostral
12 42 49 47
4 13 54 56 49
Desvio padrão
8 14 43 44 45
amostral
0 15 42 45 59
4 1 5 10 15 20 16 44 47 44
17 46 51 45
0 Semana 18 44 42 40
1 5 10 15 20 19 45 45 46
20 42 47 43
Semana
Cada ponto no segundo gráfico é o desvio padrão dentro do
mesmo subgrupo.
Note que neste gráfico tiramos as mesmas conclusões que no gráfico X-barra/R.
292
Measure
Comparação
X-barra/R ou X-barra/S
»» O uso do gráfico X-barra/R tem razões históricas.
»» N
o passado, sem a disponibilidade de recursos computacionais, era mais fácil calcular a
amplitude (R) do subgrupo do que o desvio padrão (S).
»» Essa razão não existe mais se o gráfico é feito com o auxílio de um software.
293
Measure
Regras para
causas especiais,
alteração dos limites
e erros de decisão
GRÁFICO DE
CONTROLE
295
Measure
Regras para
causas especiais
120
Há inúmeras regras para apontar possíveis 120
causas especiais. O princípio básico por
trás de todas elas é apontar padrões com 30
baixa probabilidade de ocorrer se somente 20
30
causas comuns estiverem atuando 10
20
Minutos
(processo estável). As mais comuns serão
apresentadas. Nenhuma das regras deve 100
Minutos
ser usada como regra de decisão. É preciso -10
0
analisar o contexto para decidir se uma -20
-10
determinada situação será tratada como -30
-20
especial. seg sex qui qua ter
-30
seg sex quida semana
Dia qua ter
Observação: os livros e manuais podem Dia da semana
120 divergir com respeito ao número de pontos
que formam uma sequência dependendo
30 30
da área de estudo:
20
30 20
30
30 10 10
20 20
Minutos
Minutos
20 »» S
ete ou oito pontos acima ou abaixo
100 100
Minutos
Minutos
10 da média;
-10
0 -10
0
0 »» C
inco ou seis pontos em sequência
-20
-10 -20
-10
-10
crescente ou decrescente;
-30
-20 -30
-20
-20 »» Etc. seg sex qui qua ter s
-30 -30
-30 seg sex quida semana
Dia qua ter se
seg sex qui qua ter
Os softwares de análise de dados têm, em Dia da semana
Dia regras
geral, essas da semana
automatizadas.
30 30
20 20
10 10
Minutos
Minutos
0 0
-10 -10
-20 -20
-30 -30
Dia da semana Dia da semana
296
Measure
Alteração dos
121 limites de controle
Os limites de controle refletem o comportamento do processo e só devem ser alterados se há
evidência de que houve alteração significante no comportamento do processo.
O exemplo seguinte mostra uma situação típica onde ocorre uma alteração nos limites de controle.
»» A
pós uma sequência de oito ou mais pontos abaixo da média, os limites de controle
são recalculados.
30 30
20 20
10 10
Minutos
Minutos
0 0
-10 -10
-20 -20
-30 -30
seg sex qui qua ter seg sex
Dia da semana Di
30
20
10
Minutos
0
-10
-20
-30
i qua ter seg sex qui qua ter
a semana Dia da semana
297
Measure
Consequências de
ações com base no G.C.
Tipo de ação
Causa especial Causa comum

Agir com base nas diferenças Agir com base no processo
entre pontos individuais
Causa comum
Tipo de variação
Aumento da variação Redução da variação

Causa especial
Perda de tempo para

Redução da variação resolver o problema
Erros de decisão são intrínsecos ao GC. A proposta de Shewhart (limites de controle) procura um
equilíbrio entre os dois tipos de erros.
ERRO 1: reagir a um resultado como se viesse de uma causa especial, quando na verdade vem de
causas comuns de variação.
ERRO 2: tratar um resultado como se viesse de causas comuns de variação, quando na verdade
vem de uma causa especial.
»» D
evemos tratar causas comuns como causas comuns e causas especiais como causas
especiais. Quando tratamos causas comuns como causas especiais, estamos colocando mais
fatores no processo e aumentando sua variação. Já quando tratamos causas especiais como
causa comuns, estamos gastando recursos para adequar uma situação esporádica como
parte integrante do processo.
298
Measure
Limite de Controle
e Limite de
Especificação
GRÁFICO DE
CONTROLE
299
Measure
Limites de especificação
vs. limites de controle
Limites de especificação:
Vêm de exigências da engenharia ou dos clientes, representam o que alguém quer que o processo
faça e podem ser alterados por exigência do cliente. Está relacionado com o VOC (Voz do cliente).
Limites de controle:
São calculados com os dados do processo, representam o que um processo é realmente capaz
de fazer e só podem ser alterados quando mudanças no processo alteram o comportamento dos
indicadores (produzem impacto). Está relacionado com o VOP (Voz do processo).
Limites de especificações não devem ser utilizados em um gráfico de controle.
300
Measure
vs. limites de controle
Como se pode atender às especificações do cliente?
»» T
rabalhe com clientes para expandir as especificações de “entre 30 e 40” para “entre 20 e 50”
(geralmente impossível!).
»» I nspecione cada item e rejeite ou descarte uma quantidade previsível (qualidade com
alto custo).
127»» Melhore o processo reduzindo a variação de causa comum.
60
50
Especif. Superior
Comprimento
40 do Cliente = 40
30 Especif. Inferior
do Cliente = 30
20
10
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Semana
301
Measure
e limites de controle
Dentro das especificações Fora das especificações
Estável
(controlado)
Instável
(sem controle)
A melhor situação é o processo estável (VOP) e dentro das especificações (VOC), pois não temos
problema com as especificações do cliente e o processo está “controlado”.
O pior cenário é o processo instável e fora das especificações. Nesse devemos primeiro tentar
estabilizar (remover causas especiais) o processo e depois reduzir sua variação de causa comum
para atender às especificações.
Quando o processo está estável, mas fora das especificações, devemos trabalhar para reduzir a
variação e atender às especificações do cliente.
Mesmo quando o processo está dentro das especificações, mas é instável, devemos trabalhar
para estabilizá-lo, pois assim temos mais controle de que os resultados futuros se manterão
dentro das especificações.
302
CAPABILIDADE
Measure
Capabilidade
O que é?
São medidas que indicam a capacidade de um processo atender às especificações de clientes.
Quando utilizar?
Sempre que existir especificações é possível calcular a
capabilidade do processo.
Um processo produz um resultado que pode ser um

produto ou um serviço e que tem características que
são críticas para os clientes. Essas características têm
especificações que podem ser explícitas ou implícitas.
Uma falha com respeito a uma especificação é

considerada um defeito, e produtos ou serviços
que apresentam um ou mais defeitos são
considerados defeituosos.
As medidas de capabilidade de processo medem

o desempenho de um processo com respeito às
especificações dos clientes. São indicadores de qualidade
de um processo e permitem comparar diferentes
processos entre si e o mesmo processo ao longo do
tempo, além de possibilitar avaliar se os esforços de
melhoria estão produzindo os resultados desejados e
priorizar projetos de melhoria.
Duas perspectivas devem ser consideradas quando examinarmos um processo quanto à sua
capabilidade:
»» Passado: o que foi produzido atende às especificações?

»» Futuro: podemos prever que o processo irá atender às especificações?
304
Measure
Tipos de variáveis
Como nos gráficos de controle, as medidas de capabilidade também dependem de como a

característica é medida.
A primeira etapa para a construção do gráfico de controle é definir qual o tipo de variável que
estamos trabalhando, lembrando que essas podem ser do tipo contínuas, contagem
ou classificação.
Dados contínuos
Dados de atributo
Defeituoso? Defeitos?
(Classificação) (Contagem)
Sim?
Sim! Quantos? 2
Defeito
Item produzido
305
Measure
Capabilidade
para Atributos
CAPABILIDADE
307
Measure
Capabilidade para
atributos: definições
Quando falamos de capabilidade para atributos, podemos falar de algumas definições:
Unidade
Um item que está sendo processado ou um bem ou serviço (produto) final entregue ao consumidor.
Defeito
Qualquer parte de um produto ou serviço que não atende a uma especificação ou requerimento ou
causa insatisfação ao cliente ou não atende aos requisitos funcionais.
Oportunidade para defeitos

Cada especificação necessária à satisfação do consumidor de um produto ou serviço representa
uma oportunidade para ocorrência de um defeito ou, dito de forma resumida, representa uma
oportunidade para defeito.
Defeituoso
Uma unidade do produto ou serviço que apresenta um ou mais defeitos.
Exemplo das definições aplicadas em um call center com o objetivo de monitorar chamadas com
mais de 60 segundos para atendimento:
Área: Call Center
Reclamação: “tenho que esperar muito tempo para ser atendido”.
Crítico para a Qualidade (KPI): tempo de espera em segundos.
Defeito: chamadas cujo tempo de espera é maior que 60 segundos.
Unidade: uma chamada.
Oportunidade: uma por chamada.
Defeituoso: chamada cujo tempo de espera é maior ou igual a 60 segundos.
308
Measure
Indicadores baseados
em defeituosos
Os indicadores baseados em defeituoso não levam em consideração o número de defeitos,
somente a existência ou não de defeito (defeituoso).
Equivalentes
(Todos defeituosos)
»» Os indicadores utilizados são:
Métricas Fórmula
Percentual Número de defeituosos

P = de defeituosos P= x 100
Número de unidades avaliadas
PPM PPM = P x10000
Rendimento final Y = 100 - percentual de defeituosos

Final
Exercício
106 impressoras (de um total de P= PPM =

850 avaliadas) são defeituosas
37 placas de circuito impresso

(de um total de 1250 avaliadas) P= PPM =
são defeituosas
81 solicitações de pagamento
de seguro-saúde (de um total de P=
450 avaliadas) são defeituosas PPM =
73 extratos de cartão de crédito

(de um total de 200 avaliados) P= PPM =
são defeituosas
309
Measure
em defeitos
Definições
»» O = número de oportunidades de defeitos por unidade
»» U = número de unidades processadas
»» D = Número total de defeitos encontrados
Não equivalentes
(Diferentes quantidades
de defeitos por unidade)
Os indicadores baseados em defeitos levam em consideração o número de defeitos. Isto é, um

defeituoso que possui um defeito não é equivalente a um defeituoso que apresenta cem defeitos.
Observações:
É importante que o número de oportunidades para defeitos permaneça constante ao longo de sua
análise, pois o número de oportunidades é um ingrediente do cálculo de alguns
índices de capabilidade.
O cálculo dos índices de capabilidade é influenciado pela definição de oportunidade. Se o número

de oportunidades mudar, os índices de capabilidade não serão comparáveis, portanto é importante
que as definições de defeitos e de oportunidades permaneçam constantes por toda realização
do projeto de melhoria.
310
Measure
em defeitos
»» DPU: Defeitos por Unidades
# de Defeitos D
DPU = =
# de Unidade Avalidadas U
»» DPO: Defeitos por Oportunidade
# de Defeitos D
DPO = =
# de Unid. Aval. x # Oport. U*O
»» DPMO: Defeitos por Milhão de Oportunidades
DPMO = DPO x 10 6
Exercício
110 defeitos e 850 impressoras PPM =

avaliadas. 10 oportunidades de DPU =
defeitos por impressora. DPO =
37 defeituosas DPMO =
198 defeitos em 1250 placas de PPM =

circuito impresso avaliadas. DPU =
120 oportunidades de defeitos DPO =
por placa. 37 defeituosos DPMO =
463 defeitos em 450 solicitações

de pagamento de seguro-saúde PPM =
avaliadas. 13 oportunidades DPU =
de defeitos por solicitação. DPO =
81 defeituosos DPMO =
311
Measure
Indicador absoluto
ou relativo?
Dependendo de como mostramos o indicador, podemos ter

uma tendência para a tomada de decisão, apresentando
caminhos diferentes. Dessa forma devemos ter cuidado como os
indicadores são apresentados.
Se o seu médico lhe

disser que estudos Suponha que ele acrescenta E o que você faria se ele
ALTAMENTE CONFIÁVEIS que o RISCO é de 2% para lhe disser que apenas
têm demonstrado pessoas que não tomam UM EM CADA 100
que tomar um certo o remédio e de 1% para os pacientes que tomam
remédio reduz o risco que tomam. Será que a droga vai realmente
de contrair uma doença você ainda tomaria? beneficiar-se dela?
grave em 50%, você tomaria?
Empresa
Número de Exemplo:
Acidentes
A 21 Dados de acidentes durante o ano de

B 5 2010 foram coletados de 14 empresas
de transporte. Os caminhões são
C 22 de porte semelhante, carregam
D 24 cargas semelhantes e trafegam
E 17 essencialmente nas mesmas estradas.
F 22
G 8
H 15 Podemos comparar o desempenho das empresas com
base nessa medida?
I 5
J 16 Não podemos simplesmente comparar os números de acidentes
entre empresas, pois nem todas foram expostas ao mesmo risco,
K 6
sendo então necessário relativizar o número de acidentes ao risco.
L 11
M 20
N 8
312
Measure
Indicador absoluto
ou relativo?
Uma informação importante é o número de quilômetros
rodados pelos caminhões de cada empresa.
km rodados Número de Taxa de acidentes

Empresa (milhões) acidentes (média)
A 9.3 21 2.26
B 4.1 5 1.22
C 9.6 22 2.29
D 7.8 24 3.08
E 8 17 2.13
F 11.1 22 1.98
G 8.6 8 0.93
H 8.4 15 1.79
I 4.2 5 1.19
J 5 16 3.20
K 5.3 6 1.13
L 4.7 11 2.34
M 9.2 20 2.17
N 6.9 8 1.16
313
Measure
Taxa ou porcentagem?
Absoluto ou relativo?
Discursos de dois políticos adversários disputando uma eleição:
Candidato A (oposição):
60% das escolas de segundo grau do estado tiveram um desempenho pior esse ano comparado ao
do ano passado.
Candidato B (situação):
80% dos estudantes do segundo grau do estado tiveram desempenho melhor esse ano comparado
ao ano passado.
Quem está falando a verdade? Quem está mentindo?
»» O
utro ponto importante em que devemos manter nossa atenção é sobre a base amostral.
Não é incomum entrarmos em discussão falando de coisas diferentes. Nesse exemplo, o
candidato A está falando sobre as escolas do estado, enquanto os dados levantados pelo
candidato B são sobre os estudantes do estado.
314
Measure
Capabilidade para
Variáveis (contínuas)
CAPABILIDADE
315
146 146
Measure
Variável
aleatória contínua
Como identificar a distribuição estatística?
Histograma com aproximação da curva contínua
35 35 40 40
30 30
25 25 30 30
Percentual
Percentual
Percentual
20 20
20 20
15 15
10 10 10 10
5 5
0 0 0 0
5 10 155 2010 2515 3020 3525 4030 35 40 0 10 0
20 10
30 20
40 30
50 40 50
Tempo Tempo Tempo Tempo
Já vimos que o histograma é uma forma de representar graficamente a distribuição dos

dados de uma amostra e que histogramas de dados contínuos podem ser aproximados por uma
curva contínua.
Variável aleatória contínua

Em um call center o tempo de atendimento de
um cliente é monitorado. Os valores possíveis
são, em princípio, infinitos dentro de um
intervalo de tempo (a, b), a < b
Nesse caso, não faz sentido perguntar qual é a

probabilidade de que o tempo de atendimento
seja igual a um valor to. Na realidade, essa
probabilidade é igual a zero.
O que se pode perguntar é qual é a probabilidade

de que o tempo de atendimento esteja dentro de
um intervalo (x, y), ou seja, P(x < t < y).
316
Measure
148 148
Variável
148 148 aleatória contínua
20 amostras 100 amostras
30 30 20 20
Percentual
Percentual
15
Percentual
Percentual
20 15
20
10 10
30 30 20 20
10 10 5
155
Percentual
Percentual
Percentual
Percentual
20 15
0 200 100 0
8 9 10 11 12 10 8 912 10 11 12
10 8 9 10 11
10
12
5
8 9 10 11
x20 x20 5
x100 x100
0 0 0 0
8 9 10 8 11 9 12 10 11 12 8 9 10 11
8 12
9 10
11 12
x20
1000 amostras x20 x100 10000x100
amostras
8 8 8 8
Percentual
Percentual
Percentual
Percentual
6 6 6 6
4 4 4 4
8 8 8
2 2 2 28
Percentual
Percentual
Percentual
Percentual
6 6 6
0 0 0 06
4 4
8 9 10 11 12 8 9 10 11 12 4 8 9 410 118 129 10 11 12
2 x1000
2 x1000 2 x10000
2 x10000
0 0 0 0
8 9 10 118 12 9 10 11 12 8 9 10 118 12 9 10 11 12
x1000 x1000 x10000 x10000
Na construção do histograma, quanto maior Já no segundo histograma, a probabilidade

a quantidade de dados coletados melhor a é igual à soma das barras abaixo de 9 e assim
aproximação da curva esperada. sucessivamente. Outro modo de calcular a
A análise de histograma traz a probabilidade de probabilidade é através da área abaixo da curva,
ocorrência. Analisando o primeiro histograma, por meio do cálculo da integral.
temos que a probabilidade de ocorrência À medida que coletamos mais dados, fica
de valores abaixo de 9 é a dada pela barra mais parecida a probabilidade resultante do
preenchida de azul, que está em 10%. histograma com a dada pela área da curva.
317
Measure
Variável
aleatória contínua
0.10
0.08
Densidade
0.06
0.04
0.02
52 56 60 64 68 72 76 80
Y
Valores % de valores Probabilidade

(histograma) (distribuição)
(Y < 60) P(Y < 60) = 0.185 P(Y < 60) = 0.167
(Y > 70) P(Y > 70) = 0.140 P(Y > 70) = 0.146
60 < y < 70 P(60 < y < 70) = 0.675 P(60 < y < 70) = 0.687
A distribuição normal (gaussiana)
150
Muitas características de qualidade que são contínuas têm distribuição razoavelmente simétrica
e podem ser aproximadas por uma curva em forma de sino conhecida como curva normal, que
corresponde à distribuição normal.
»» A mais importante é a distribuição normal ou gaussiana.

»» Ela tem a forma de um sino.

0.4
0.3
Densidade
0.2
0.1
0
-3 -2 -1 0 1 2 3
x
318
Measure
Definição de uma
151 curva normal
Toda curva normal é definida por dois parâmetros: média e desvio padrão. A média é uma medida
de localização e o desvio padrão traz a dispersão da amostra.
Nesse exemplo podemos, apenas pelo gráfico, sem nos preocuparmos com valores, ver que a curva
normal verde e a azul possuem a mesma média, mas desvio padrão diferente. Já a curva azul e
vermelha têm desvios padrão iguais e médias diferentes.
Normal
0.20
0.15
Média DP
Densidade
0.10
0.05
0.00
-10 0 10 20 30
x
Utilizamos a notação
2
X ~N (µ, Ơ )
319
152
Measure
Propriedades da
distribuição normal
99.7%
95.4%
68.3%
X
Para qualquer distribuição normal, não importa qual seja a média e o desvio padrão, temos que:
» Entre a média e uma variação de um desvio padrão temos 68,3% da população.
» Entre a média e uma variação de dois desvios padrão temos 95,4% da população.
» Entre a média de e uma variação de três desvios padrão temos 99,73% da população.
320
Measure
153
Distribuição
normal
Como saber se a Curva Normal é uma boa aproximação?
Uma forma de entender a distribuição dos dados é construindo um histograma e a curva ajustada
para distribuição normal. Assim podemos analisar se os dados observados, vistos pelas barras do
histograma, se ajustam à curva normal.
35 30
30 25
25
Frequência
Frequência
Média 20.94 20
20
DP 6.389 15
15
N 200 10
10
5 5
0 0
5 10 15 20 25 30 35 40 -3 0 3
Tempo T
30
25
Frequência
Média 20.94 20 Média 1.672

DP 6.389 15 DP 2.030
N 200 10 N 1000
5
0
25 30 35 40 -3 0 3 6 9 12 15
mpo Tempo
321
Measure
Tipos de
especificações
Para calcularmos a capabilidade é necessário compararmos a voz do processo
com a voz do cliente, ou seja, precisamos saber o que o processo entrega e o que o cliente espera.
Para isso precisamos das especificações do cliente, que podem ser de três tipos:
LIE LSE Nominal é melhor (NM): quando temos uma

faixa de operação do processo, o cliente fornece
limite superior de especificação e limite inferior
de especificação. Ex.: Diâmetro de parafusos.
LIE
Quanto maior melhor (QMM): quando temos
um requisito mínimo para o produto ou serviço.
O cliente fornece o limite inferior de controle.
Ex.: Força de rompimento de estrutura
de concreto.
QMM
LSE
Quanto menor melhor (Qmm): quando o
cliente fornece o limite superior de controle.
Ex.: Tempo de espera filas de banco.
Qmm
322
Measure
Capabilidade para
variáveis contínuas
Existem duas formas de medir a capabilidade de uma variável contínua:
»» % ou PPM
»» Índice de Capabilidade
O primeiro índice de capabilidade para variáveis contínuas que estudaremos é a performance, onde
calculamos o PPM (partes por milhão) de peças defeituosas. Existem dois tipos de performance:
erformance observada: contamos o número de peças abaixo e acima das especificações, dividimos
P
pelo número de peças avaliadas e multiplicamos por um milhão:
6
performance observada = [(#abaixo + #acima) / (#avaliadas)] x (10)
erformance esperada: calculamos a média (μ) e o desvio padrão (σ) da amostra de peças e,
P
utilizando a distribuição normal, calculamos qual seria o PPM esperado de acordo com o modelo
normal e multiplicamos por um milhão:
6
performance esperada = [P (X ≤ LIE) + P (X ≥ LSE)] x (10)
157
Como muitas vezes retiramos uma pequena amostra para calcular a performance (30 peças, por
exemplo), uma única peça fora da especificação pode fazer com que a performance observada seja
bastante alterada. Nesse sentido, a performance esperada é mais robusta e indica o que esperamos
que aconteça ao longo da produção de milhões de peças.
LIE LSE
Tempo de entrega
% de Defeituosos = % Abaixo + % Acima
PPM = % de Defeituosos x 10.000
Performance observada: PPM de itens fora da especificação na amostra

Performance esperada: PPM calculado com a curva normal aproximada
323
158 Measure
Capabilidade para
Índice de capabilidade (nominal é melhor)
»» Tolerância (Tol) = LSE-LIE

»» Variação natural do processo = 6xD.P.
LIE LSE
Tolerância
Variação natural
Tol LSE - LIE LSE - Média Média - LIE

Cp = = Cpk = min ,
6 x D.P. 6 x D.P. 3 x D.P. 3 x D.P.
»» O
C é
p o índice de capabilidade.
»» O
C leva
pk em consideração a
Note que, quanto menor a variação localização do processo em relação à
natural (6×D.P), maior o Cp. Dessa voz do cliente, incorporando a média
forma procuramos por índices altos do processo no cálculo.
de capabilidade. Algumas referências
colocam índices acima de 1,33 como
bons e acima de 1,66 como ótimos,
mas isso depende de cada caso
(comparação com concorrentes, outras
plantas etc.).
324
Measure
Exemplo –
situação 1
Uma empresa produz pacotes de biscoito cujo peso líquido declarado é 200 g. As especificações
são: LIE =197 g e LSE = 203 g (Voz do Cliente). Situação 1:
»» De uma amostra de pacotes produzidos obteve-se:

»» Média = 200 g e
»» desvio padrão = 1 g (Voz do Processo)
LIE LSE
197 198 199 200 201 202 203

Gramas
PPM =
Cp =
Cpk =
325
Measure
Exemplo –
situação 2
Uma empresa produz pacotes de biscoito cujo peso líquido declarado é 200 g. As especificações
são: LIE =197 g e LSE = 203 g (Voz do Cliente). Situação 2:
De uma amostra de pacotes produzidos obteve-se

»» Média = 197 g e
»» d
esvio padrão = 1 g
(Voz do Processo)
LIE LSE
194 195 196 197 198 199 200 201 202 203
Gramas
PPM =
Cp =
Cpk =
326
Measure
Capabilidade para
Este quadro resume as ações a serem tomadas em cada caso do C e
p C :
pk
Cp
Baixo Alto
162 Diminuir a variação

Ajustar a média
Baixo
no valor nominal
Cpk
Impossível O.K.
Alto
Índice de capabilidade para especificação unilateral
Média - LIE C pk = LSE - Média

C pk =
3 x D.P. 3 x D.P.
Quando temos especificações do tipo quanto menor melhor e quanto maior melhor, não é possível
calcular o Cp, pois é impossível calcular a tolerância. Nesse caso só podemos calcular o Cpk.
327
Measure
Capabilidade
e estabilidade
VOP
Situação
Processo estável Processo instável
Estabilizar
Capabilidade O.K.
alta o processo
NM - Ajustar a média
e diminuir a variação
VOC
Situação QMM - Aumentar a média/ Necessita
Capabilidade
baixa reduzir a variação muitas melhorias
Qmm - Reduzir a média/
reduzir a variação
Calcule a capabilidade do processo somente se o processo estiver estável. Caso contrário, cuidado
especial deve ser tomado na interpretação e utilização do resultado. Se o processo não está sob
controle estatístico, é preciso primeiro estabilizá-lo antes de se calcular os índices de capabilidade.
»» Q
uando precisamos aumentar a capabilidade, geralmente precisaremos ajustar a média do
processo ao valor nominal (objetivo) e reduzir a variação.
Usualmente, é mais simples ajustar ao valor nominal do que reduzir variabilidade.
328
Measure
Tabela de conversão de PPM

(ou DPMO) em Sigma
PPM Yield % Sigma PPM Yield % Sigma PPM Yield % Sigma
3.4 99.9997 6.00 6210 99.3790 4.00 308000 69.2000 2.00

5 99.9995 5.92 8190 99.1810 3.90 344000 65.6000 1.90
8 99.9992 5.81 10700 98.9300 3.80 382000 61.8000 1.80
10 99.9990 5.76 13900 98.6100 3.70 420000 58.0000 1.70
20 99.9980 5.61 17800 98.2200 3.60 460000 54.0000 1.60
30 99.9970 5.51 22700 97.7300 3.50 500000 50.0000 1.50
40 99.9960 5.44 28700 97.1300 3.40 540000 46.0000 1.40
70 99.9930 5.31 35900 96.4100 3.30 570000 43.0000 1.32
100 99.9900 5.22 44600 95.5400 3.20 610000 39.0000 1.22
150 99.9850 5.12 54800 94.5200 3.10 650000 35.0000 1.11
230 99.9770 5.00 66800 93.3200 3.00 690000 31.0000 1.00
330 99.9670 4.91 80800 91.9200 2.90 720000 28.0000 0.92
480 99.9520 4.80 96800 90.3200 2.80 750000 25.0000 0.83
680 99.9320 4.70 115000 88.5000 2.70 780000 22.0000 0.73
960 99.9040 4.60 135000 86.5000 2.60 810000 19.0000 0.62
1350 99.8140 4.50 158000 84.2000 2.50 840000 16.0000 0.51
1860 99.7450 4.40 184000 81.6000 2.40 860000 14.0000 0.42
2550 99.6540 4.30 212000 78.8000 2.30 880000 12.0000 0.33
3460 99.6540 4.20 242000 75.8000 2.20 900000 10.0000 0.22
4660 99.5340 4.10 274000 72.6000 2.10 920000 8.0000 0.09
Uma estatística bastante utilizada para Porém, quando o conceito Seis Sigma foi
comparar a qualidade entre processos é o inicialmente desenvolvido, fez-se uma
nível sigma. Um processo 6� é definido como suposição de que quando o processo alcançasse
aquele em que o limite inferior de especificação o nível de qualidade Seis Sigma, a média do
está localizado a uma distância de −6 desvio- processo estaria ainda sujeita a perturbações
padrão da média e que o limite superior de que poderiam fazer com que ela mudasse em
especificação está localizado a uma distância de até 1,5 desvio-padrão para longe do alvo. Neste
+6 desvio-padrão da média. cenário, o processo Seis Sigma produziria cerca
de 3,4 ppm.
Ocasionando em 0,002 ppm quando a
distribuição normal está centrado no alvo ou
valor nominal. Ou seja, sob a qualidade Seis
Sigma, a probabilidade de produzir um produto
dentro das especificações é de 0,999999998.
329
Measure
Estar dentro das

especificações
é o suficiente?
CAPABILIDADE
331
Measure
O caso FORD
Em 1983, as transmissões da Ford eram obtidas de duas fontes: da planta de Batavia nos Estados
Unidos e da Mazda no Japão, todas produzidas com o mesmo projeto.
A percepção dos clientes era clara: as transmissões produzidas pela Mazda eram melhores (os
clientes estavam mais satisfeitos com seus veículos, e a proporção de reclamações de garantia da
transmissão eram menores).
Reclamações de garantia
Mazda Batavia
Local
Local
332
Measure
O caso FORD
A Ford realizou um estudo detalhado com dez transmissões produzidas em Batavia e dez
produzidas pela Mazda. Cada transmissão foi avaliada em uma bancada de testes antes de ser
desmontada. Cada característica de performance estava dentro das especificações para as vinte
transmissões.
As medidas obtidas das transmissões produzidas pela Ford apresentavam geralmente uma
dispersão maior cobrindo quase totalmente a faixa de tolerância (em torno de 70%).
Para as transmissões produzidas pela Mazda, a dispersão era menor, cobrindo em torno de 25% da
faixa de tolerância, e para algumas dimensões críticas não era possível detectar variação.
LIE LSE LIE LSE
Performance Performance
333
Measure
O caso FORD
“Enquanto estamos argumentando sobre como peças boas

deveriam ser, eles estavam trabalhando duro para fazê-las
todas iguais. Nós estávamos preocupados com especificações,
eles com uniformidade. Enquanto estávamos satisfeitos e
orgulhosos se as peças estavam dentro das especificações e
preocupados em mantê-las dentro das especificações eles
começaram com as especificações e trabalhavam em melhoria
contínua para uniformizar as peças.”
John Betti
Vice President of Power Train and Chassis Operation, Ford Batavia
Pode-se concluir que atender às especificações não é suficiente. É uma contradição com a
abordagem de melhoria contínua.
A abordagem com base no atendimento da especificação:
»» Não é errada, apenas não é suficiente.
»» Não encoraja a melhoria contínua.
334
TRANSFORMAÇÃO
DE VARIÁVEIS
Measure
174
A distribuição
normal (gaussiana)
Dentre as muitas distribuições contínuas usadas em estatística, a mais importante é a distribuição
normal ou gaussiana. Ela tem a forma de um sino e está associada aos nomes de Pierre Laplace e
Carl Gauss. Seu estudo remonta ao século XVIII.
Muitas características de qualidade que são variáveis contínuas têm distribuição
razoavelmente simétrica e podem ser aproximadas pela distribuição normal.
0.4
0.3
Densidade
175 0.2
0.1
0.0
-3 -2 -1 0 1 2 3
X
Definição de uma curva normal
Normal; Média=0; DP=1 Lembrando que toda

distribuição normal é
0.20
construída através da média
e desvio padrão da amostra.
0.15
Mean StDev 1) Média (µ)
Densidade
0.10 2) Desvio padrão (Ơ)
0.05
Utilizamos a notação
0.00 2
X ~N (µ, Ơ )
-10 0 10 20 30
336
Measure
Propriedades da
distribuição normal
»» Para qualquer distribuição normal, temos:
99.7% IMPORTÂNCIA DA
95.4% DISTRIBUIÇÃO NORMAL
68.3% Muitas técnicas de análise de dados
dependem de que a variável que está
sendo analisada possa ser aproximada
por uma distribuição normal.
»» Gráfico de controle (individuais)
»» Índices de Capabilidade (Cp, Cpk)
153 »» Regressão Linear
X »» Etc
Como saber se a curva normal é uma boa aproximação?
Nem toda distribuição pode ser modelada pela curva normal. Uma característica importante da
curva normal é ser simétrica. Portanto, ao construirmos um histograma não simétrico chegamos à
conclusão de que uma distribuição não é normal.
35
35 30
30
30
30 25
25
25
25
Frequência
Frequência
Média
Média 20.94
20.94 20
20 Média
Média 1.672
1.672
20
20
DP
DP 6.389
6.389 15
15 DP
DP 2.030
2.030
15
15
NN 200
200 10
10 NN 1000
1000
10
10
55 55
00 00
55 10
10 15
15 20
20 25
25 30
30 35
35 40
40 -3
-3 00 33 66 99 12
12 15
15
Tempo
Tempo Tempo
Tempo
337
Measure
Nove histogramas de
amostras de tamanho 25
Qual delas pode ser aproximada por uma distribuição Normal?
6 8 6
Frequência
Frequência
Frequência
6
4 4
4
2 2 2
0 0 0
35 45 55 65 75 35 45 55 65 35 45 55 65 75
C1 C2 C3
6 8 6
Frequência
Frequência
Frequência
4 6
4
4
2 2 2
0 0 0
25 35 45 55 65 35 45 55 65 75 35 45 55 65
C4 C5 C6
8
Frequência
6 6
Frequência
Frequência
6
4 4 4
2 2 2
0 0 0
35 45 55 65 35 45 55 65 75 25 35 45 55 65
C7 C8 C9
Analisando 9 amostras, cada uma delas com 25 Porém, quando temos poucas amostras, pode
observações, podemos construir os histogramas ser difícil identificar se o ajuste da curva
para verificar se as populações podem ser normal é adequado.
ajustadas a uma distribuição normal.
338
Measure
Nove histogramas de
amostras de tamanho 100
Qual delas pode ser aproximada por uma distribuição normal?
20 20 20
Frequência
Frequência
Frequência
10 10 10
0 0 0
20 40 60 80 20 40 60 80 25 45 65
C21 C22 C23
30 20
Frequência
20
Frequência
Frequência
20
10 10
10
0 0 0
30 40 50 60 70 80 30 50 70 90 20 40 60 80
C24 C25 C26
Frequência
20
Frequência
Frequência
20 20
10 10 10
0 0 0
25 45 65 25 35 45 55 65 75 20 40 60 80
C27 C28 C29
Quando aumentamos o tamanho das amostras Nesse exemplo todas as amostras foram
para 100 observações, temos mais facilidade criadas de populações normais.
para identificar se a população se ajusta à curva
normal, mas ainda assim podemos ter dúvidas
no momento de realizar o ajuste.
339
Measure
Histogramas de amostras
182
de outras distribuições
Exponencial poisson uniforme
9 8 4
Frequência
Frequência
Frequência
25 6 6
4 2
3 2
0 0 0
0 2 4 6 0 1 2 3 4 5 0.0 0.3 0.6 0.9
C31 C32 C33
Tamanho da amostra
15
Frequência
Frequência
Frequência
10 6
10
4
50 5 5 2
0 0 0
0.0 1.5 3.0 4.5 0 2 4 6 0.0 0.3 0.6 0.9
C34 C35 C36
30 15
Frequência
Frequência
15 Frequência
10 20 10
100 5 10 5
0 0 0
0 1 2 3 4 0 1 2 3 4 5 6 0.0 0.3 0.6 0.9
C37 C38 C39
Nesse exemplo foram gerados dados de outras Para indicadores com distribuições
distribuições conhecidas (exponencial, Poisson diferentes, mesmo aumentando-se o
e uniforme). tamanho da amostra, a simetria não é
alcançada, ou seja, o ajuste de uma curva
normal não é recomendado.
340
Measure
Gráfico
probabilístico normal
Pelo que vimos até aqui, podemos ter dificuldades em identificar uma distribuição normal através do
histograma. O gráfico probabilístico normal é uma ferramenta mais poderosa para essa finalidade.
Como saber se a curva normal

é uma boa aproximação?
Use o gráfico
184 probabilístico normal.
Use o gráfico probabilístico normal para determinar se a distribuição dos dados da amostra pode
ser aproximada por uma distribuição normal.
99
95
90
80
70
Percentual
60
50
40
30
20
10
5
1
-4 -3 -2 -1 0 1 2 3
y x
»» S
e a distribuição normal se ajusta aos dados, os pontos no gráfico seguirão aproximadamente
uma linha reta.
»» O eixo Y do gráfico é transformado de acordo com a escala da distribuição normal.
»» Pontos alinhados com a reta central indicam distribuição normal.
341
Measure
Gráfico
probabilístico normal
Qual pode ser aproximada pela distribuição normal?
5
X Y
7 7
-1.6245 0.1970 6 6
0.4001 1.4920 5 5
Frequência
Frequência
-1.6631 0.1895 4 4
-0.0024 0.9976
-1.9902 0.1367 3 3
0.4476 1.5646 2 2
-1.0564 0.3477 1 1
1.6507 5.2104 0 0
-0.6148 0.5408 -2 -1 0 1 2 -3 0 3 -1 9
-0.3855 0.6801 x x
0.6744 1.9629
-0.6713 0.5110
1.2229 3.3969
-0.4550 0.6344
-0.4050 0.6670
-1.0347 0.3553 99 99
0.0776 1.0806
95 95
-0.1372 0.8718 90 90
-1.6101 0.1999 80 80
Percentil
Percentil
-0.1330 0.8754
0.0685 1.0709 60 60
-1.0885 0.3367 40 40
0.5012 1.6507 20 20
0.2120 1.2362 10 10
5 5
2.3542 10.5300
0.9572 2.6044 1 1
-0.4615 0.6303 -4 -2 0 2 4 -5 0 5 10
1.8076 6.0957 x x
0.7742 2.1689
-0.6469 0.5237
Somente na distribuição X a curva normal é adequada.
342
Measure
Gráficos probabilísticos para as

nove amostras de tamanho 25
186
99 99 99
90 90 90
50 50 50 M
S
10 10 10
1 1 1
24 44 64 84 25 45 65 25 45 65
99 99 99
90 90 90
50 50 50 M
S
10 10 10
1 1 1
20 40 60 80 25 45 65 25 45 65
99 99 99
90 90 90
50 50 50 M
S
10 10 10
1 1 1
25 45 65 20 40 60 80 20 40 60 80
»» U
tilizando o gráfico probabilístico normal nas nove amostras de tamanho 25 expostas
anteriormente, percebemos que a curva normal se ajusta a todas.
343
Measure
Distribuição
normal
Quais as possíveis razões para que a distribuição de uma amostra de
dados não possa ser aproximada por uma distribuição normal?
»» Presença de observações discrepantes (causas especiais).
»» O
s dados da amostra provêm de dois ou mais processos diferentes (turno, máquina, operador
etc.).
»» Os dados seguem outra distribuição que não a normal.
O que fazer?
»» Se há causas especiais, analise-as e verifique se os dados devem permanecer na análise.
»» S
e os dados provêm de dois ou mais processo ( técnicas gráficas como o histograma ou o
Dotplot ajudam a apontar se esse é o caso - o histograma apresenta duas ou mais modas),
procure por variáveis de estratificação que permitam separar os dados.
»» S
e a distribuição é intrinsecamente não normal, utilize técnicas de transformação
de variáveis.
344
Measure
Transformação de
variáveis – Box-Cox
Ponto do vapor 100ºC 212F 373ºK
8ºC 8F K
Ponto do gelo 0ºC 32F 273ºK
»» Uma transformação é uma reexpressão dos dados em outra escala.
189Nacurvaanálise do histograma da amostra Y, verificamos que a amostra não pode ser aproximada a uma
normal, sendo necessária a transformação dos dados para adequar a distribuição normal.
Nesse exemplo, utilizamos raiz quadrada para essa transformação. Construindo o histograma da
variável transformada, Y ,
t vemos agora que é possível se adequar à distribuição normal.
20
15
Frequência
Frequência
10
10
0 0
2 6 10 14 18 22 1 2 3 4 5
Y Raiz quadrada
Yt = √Y
Yt denota a
variável transformada
345
Measure
90
Transformação de
variáveis – Box-Cox
A transformação logaritmo é usualmente apropriada para dados de tempo. Uma unidade na escala
logarítmica é igual a um fator de 10 na escala original:
Escala Escala
1000 1000 original Log
00 3000 800 800 1000 3
Frequência
Frequência
Frequência
00 2000 600 600 100 2
400 400 10 1
00 1000 1 0
200 200
0.1 -1
0 0 0 0
0.01 -2
0.001 -3
Como escolher
qual transformação
é adequada?
Tentar uma
transformação dentre
um conjunto
de possibilidades
Usar a técnica
de transformação
Box- Cox
A transformação de Box-Cox é o tipo Yt = Yλ Método de Box-Cox:

»» U
ma transformação potência eleva os
λ Yλ Nome valores de Y a uma potência lambda (λ):
-2 1/Y2 Inversa ao quadrado YT = Yλ;
-1 1/Y Inversa »» λ é tipicamente um valor entre –2 e 2;
-0.5 1/√Y Inversa raiz quadrada »» O
Método de Box-Cox sugere um valor
0 Log(Y) Logarítimica de λ que mais aproxima os dados
0.5 √Y Raiz quadrada transformados de uma distribuição
Sem normal.
1 transformação »» A
transformação potência inclui algumas
2 Y2 Quadrado que foram vistas anteriormente;
»» É
trabalhoso fazer aplicar o método sem o
apoio de um software.
346

Apostila - Volume 1

Enviado por

Dados do documento

Descrição original:

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

Apostila - Volume 1

Enviado por

Direitos autorais:

Formatos disponíveis

Prof. Dr. Ademir J.

AC - 1750: Era dos artesãos

O artesão controla o sistema de produção. Atende a

1750 1875 1930 1950 1980 1990 2000

1750 -1950: era da produção

Transição dos métodos de produção artesanais para a produção

1875: Frederick Taylor desenvolve a primeira abordagem para

1750 1875 1930 1950 1980 1990 2000

Henry Ford desenvolve o conceito de linha

Walter Shewhart (que na época trabalhava na Bell Telephones)

1750 1875 1930 1950 1980 1990 2000

O norte americano Deming, discípulo de Shewhart,

1750 1875 1930 1950 1980 1990

O livro Modelo de melhoria é lançado e integra os diversos métodos

Lean LSS Six-Sigma

O que é Lean Seis Sigma?

Ser uma empresa Seis Sigma demanda

O desenvolvimento da cultura de melhoria contínua visa

»» Treinar »» Mapear o processo atual

»» Quantificar o desempenho do processo

»» Desenvolver e testar mudanças

Sabemos que existem diversos métodos que auxiliam o andamento de projetos.

1 Define and Contain 5

2 Measure the 6 Standardize

3 Perform Root 7 Realize and

4 Plan and Implement

DMAIC ficou estabelecido como padrão.

Alguns roteiros de projeto famosos geralmente

encontrados em empresas são:

Act), não confundir com PDSA!

• Roteiro Kaizen de acompanhamento e processos,8

passos da Toyota para resolver problemas.

Ao longo do projeto também é necessária a presença de um patrocinador. Sua função consiste em

Visão estática Visão dinâmica

Visão sistêmica: empresas são sistemas Teoria do conhecimento (PDSA): boas

Conhecimento específico: Para que um projeto de melhoria tenha sucesso é preciso

Grande parte das empresas tem

O mapa dos processos atende a quatro propósitos Benefícios:

Um processo é um conjunto de causas e condições que se unem repetida-

Fornecedores Entradas Resultados Clientes

Ajustar plano Negociar e fechar Desenvolver

Desenvolver material Conduzir orientação

Agendamento de atividades Faturar clientes

Gerenciar controle financeiro

Para construir um mapa de processo, devemos seguir algumas diretrizes:

Que mudanças podemos

Uma empresa tem um departamento

Q1. O que estamos tentando realizar ?

Q2. Como saberemos se uma mudança é uma melhoria?

Q3. Que mudanças podemos fazer que resultarão em melhoria?

Responda as duas primeiras questões do modelo

Q1. O que estamos tentando realizar?

Q2. Como saberemos que uma mudança é uma melhoria?

Indicador do projeto Meta

Verbo no infinitivo + O que + Onde + Quanto + Quando

Aumentar/ Reduzir Local/ Área do projeto Período do projeto

Ao lidar com a primeira questão (o que queremos reali-

(Verbo no infinitivo + O que + Onde + Quanto + Quando)

Objetivo do projeto com atividade Objetivo do projeto com ideia de

Sistemas simples Sistemas complexos

Sistemas simples Sistemas complexos

Como saber se uma

• No cenário 1, a mudança é uma melhoria. Em projetos de melhoria,