Escolar Documentos
Profissional Documentos
Cultura Documentos
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
3
As Eras
da Qualidade
1875: Taylorismo
1900-1930: Fordismo
4
Introdução
As Eras
da Qualidade
1930: Shewhart (cep)
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).
6
Introdução
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
8
Introdução
Roteiro DMAIC
»» Contrato
»» VOC
»» Implementar mudanças »» SIPOC
»» Documentar
»» Monitorar
»» Avaliar o SM
9
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
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
Meas.
rg ce
al oce
Ta Pro
s
ys s
th
e
oc e
Pr rov
s
e s
p
th
Im
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.
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
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
15
Conhecimento
para a Melhoria
Para melhorar processos é necessário dominar
dois tipos de conhecimento:
Melhoria
Conhecimento da
Conhecimento específico
ciência da melhoria
16
ORGANIZAÇÃO
COMO UM SISTEMA
Organização como
um organograma
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
19
Processo
Transformações
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
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?
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
26
O Modelo de Melhoria: 3 Questões Fundamentais
Atividade
27
Como estruturar as
questões: Q1
Q1. O que estamos tentando realizar?
Exemplo: Reduzir o custo de entregas atrasadas no setor de eletrônicos em 70% (de $1.5M para
$45K) até janeiro de 2008.
28
O Modelo de Melhoria: 3 Questões Fundamentais
Resultados esperados
e indicadores
Cuidado: Ao estabelecer objetivos é comum as pessoas confundirem:
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?
30
O Modelo de Melhoria: 3 Questões Fundamentais
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
O Modelo de Melhoria: 3 Questões Fundamentais
33
Definição operacional
de melhoria
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
O Modelo de Melhoria: 3 Questões Fundamentais
Antes Depois
35
Como saber se uma
mudança é uma melhoria?
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
O Modelo de Melhoria: 3 Questões Fundamentais
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
mudança é uma melhoria?
Melhoria não se trata apenas de medição!
- Provérbio palestino
38
O Modelo de Melhoria: 3 Questões Fundamentais
Tipos de
indicadores
nosso objetivo?
39
Como estruturar
as três questões: Q3
Q3. Que mudanças podemos fazer que resultarão
em melhoria?
Cinco meios de gerar ideias de mudanças
Pensamento criativo
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
O Modelo de Melhoria: 3 Questões Fundamentais
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
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
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
Concluir
Aplicar
46
Que mudanças podemos
fazer que resultarão
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
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
48
Modelo de Melhoria: PDSA
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.
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”.
»»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
Modelo de Melhoria: PDSA
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
Modelo de Melhoria: PDSA
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
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.
54
Modelo de Melhoria: PDSA
Define
1 Entender
Measure
Plan
2 Desenvolver Analyze
3 Testar Improve Do
Check
4 Implementar Control
Act
55
Modelo de
melhoria
ACT PLAN
56
Modelo de Melhoria: PDSA
As três categorias de
melhoria
57
Estruturação do trabalho em equipe
ESTRUTURAÇÃO
DE TRABALHO
EM EQUIPE
59
Estruturação do trabalho em equipe
Trabalho
em equipe
60
Estruturação do trabalho em equipe
Início do
trabalho
Formação da equipe
61
Estruturação do trabalho em equipe
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:
62
Estruturação do trabalho em equipe
63
Estruturação do trabalho em equipe
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
Fases do
desenvolvimento
65
Estruturação do trabalho em equipe
Estruturação do trabalho
em equipe -Modelo GRPI
Objetivos (Goals)
Papéis (Roles)
Processos (Processes)
66
Estruturação do trabalho em equipe
Papéis de pessoas na
equipe de melhoria
Patrocinador
Líder
Proprietário do processo
Especialistas
Facilitador
67
Estruturação do trabalho em equipe
Planilha
RACI
RACI
68
Estruturação do trabalho em equipe
Métodos para a
tomada de decisão
Vimos que as decisões podem ser tomadas por diversos métodos:
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
Estruturação do trabalho em equipe
Pulsação:
manter o projeto
70
Estruturação do trabalho em equipe
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.
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
Estruturação do trabalho em equipe
Cultura e
melhoria
Quantas culturas existem em sua organização?
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
Estruturação do trabalho em equipe
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
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
Estruturação do trabalho em equipe
“Discussão”
e “Dialogo”
Senge (1990) contrastou as ideias de discussão e diálogo:
Diálogo Discussão
76
Estruturação do trabalho em equipe
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.
77
Estruturação do trabalho em equipe
Regras para o
feedback
Quem fala Quem ouve
78
Estruturação do trabalho em equipe
Pensamento de grupo
79
Estruturação do trabalho em equipe
Conversas
difíceis
“A conversa difícil é aquela
que você não quer ter!”
80
Estruturação do trabalho em equipe
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.
81
Estruturação do trabalho em equipe
A escada da
inferência
Fugindo da escada da inferência
82
Estruturação do trabalho em equipe
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
Estruturação do trabalho em equipe
Pensamento
de Grupo
Pensamento de grupo
84
Estruturação do trabalho em equipe
Os oito sintomas do
“pensamento de grupo”
Sintoma 1 Sintoma 2 Sintoma 3 Sintoma 4
85
Estruturação do trabalho em equipe
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).
86
Estruturação do trabalho em equipe
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?
87
Estruturação do trabalho em equipe
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
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
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.
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.
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:
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
X 0 1 2 3 4 Soma
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.
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
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.
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:
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.
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
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
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:
Sob algumas condições necessárias, essas variáveis seguem uma distribuição de Poisson.
Exemplo
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
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
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.
114
Estatística
Variável aleatória
contínua
Qual a chance de atender um cliente em até 9 minutos?
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:
9
%(t < 9) ≅ ∫-∞ f(x)dx
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
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
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
Student’s t, df = 15
Student’s t, df = 5
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
4
Densidade
2
0,9179
0
0 0.5
X
Inferência
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.
Parâmetros Estatísticas
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
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
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
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.
√
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
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?
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
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.
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
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.
138
Estatística
Exemplo 1:
trajeto
Passo 1: Formalização do teste
H0: µ = 30 min
vs.
HA: µ < 30 min
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
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
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
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.
»» 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
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.
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
.
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:
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!
147
Estatística
Exemplo
Teste de hipótese
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).
149
DEFINE
151
Introdução
Objetivo
Definir e comunicar o foco e os indicadores do projeto ao grupo
de melhoria.
Atividades
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
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.
Líder da Equipe:
Atividades iniciais do projeto:
Demais integrantes:
Problema:
155
Contrato do Projeto
de Melhoria
Aqui apresentamos como estruturar o Business case, além
de um exemplo de um projeto real:
Exemplo: A redução de entregas atrasadas de 15% para 3% irá aumentar a satisfação dos clientes
e reduzirá custos de multas contratuais em R$350.000,00 em um ano.
156
Define
Contrato do Projeto
de Melhoria
Apresentaremos, a seguir, um formulário de contrato do projeto
Patrocinador: Roberto Meireles
Contexto / Descrição: Nossa empresa possui 42 máquinas injetoras que precisam realizar setup para
Reduzir o tempo de máquina Tempo (em horas por 500 horas 250 horas
parada para setup, na linha de semana) de máquina semanais (média). semanais.
injeção plástica, em 50% até parada para setup.
janeiro de 2015.
Business case:
Atividades iniciais do projeto
Com um custo de R$ 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!
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.
159
Define
Cuidados
com metas
Algumas formas de estabelecer metas:
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
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
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.
163
Formulário do
SIPOC
Formulário
Fornecedores Entrada Processo Saída Cliente
Passos do Processo
164
Define
Formulário do
SIPOC
Formulário
Fornecedores Entrada Processo Saída Cliente
Requisição
Realizar
Laboratório Seringas Exame de
Agulhas Sangue
Álcool
Outros Materiais
Passos do Processo
165
Measure
MEASURE
167
Measure
Introdução
Objetivo
Conhecer o processo em detalhes e coletar dados.
Atividades
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
171
Measure
Fluxograma
Simbologia utilizada:
SIM
172
Measure
Fluxograma:
nível de detalhes
Mini
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
Distribuir
Distribuir
Distribuir
o texto o texto
o texto
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
Sim
Não
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
176
TIPOS DE
VARIÁVEIS
Measure
Tipos de
variáveis
Variáveis
Qualitativas Quantitativas
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
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.
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.
Erro
Tipo 1 Tipo 2
Alguns erros podem ser cometidos, tanto na área de produtos ou de processos, quando é utilizado
um sistema de medição não satisfatório.
185
Measure
Viés e precisão
186
Measure
Viés e Precisão
Linearidade
Estabilidade
187
Measure
Fontes de variação
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
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
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.
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
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
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%.
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
Repetibilidade Reprodutibilidade
Interação
Operador operador peça
»» 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
8.10
Média amostral
8.05
8.00
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
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
Viés ou tendência
Tendência
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
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
Valor de referência
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.
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.
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
Valor de referência
204
Variáveis
de atributo
ANÁLISE DO SISTEMA
DE MEDIÇÃO - MSA
Measure
MSA - Atributos
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
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
»» 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
4 Doente D D D D D D
5 Doente D D D D D D
6 São D S D D D D
7 Doente D D D S S S
8 São D D D S S S
9 Doente D D D D D D
10 São S S S S S S
11 Doente D D D S D D
12 São S S S S S S
13 Doente D D D 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
18 Doente D D D D D D
19 São S S S S S S
20 Doente D D D 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:
a3/
Classificação
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
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.
35
% entregas fora do prazo
30
25
20
15
10
5
2 4 6 8 10 12 14 16 18
Mês
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?
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
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.
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:
-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.
220
Measure
Causas de variação
(Shewhart 1931)
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
39
Visão Dinâmica 35
LSC=31.61
30
25
Valores
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).
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
224
Measure
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 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
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
seg sex qui qua ter seg sex qui qua ter
GRÁFICO DE CONTROLE: GRÁFICO DE CONTROLE:
Dia
MINUTOS ADIANTADOS OU Dia
MINUTOS ADIANTADOS OU
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
ATRASADOS EM RELAÇÃO A 19H15’ ATRASADOS EM RELAÇÃO A 19H15’
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
seg sex qui qua ter seg sex qui qua ter
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.
GRÁFICO DE CONTROLE:
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?
»» 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.
GRÁFICO DE CONTROLE:
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
»» 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.
GRÁFICO DE CONTROLE:
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?
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.
GRÁFICO DE CONTROLE:
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?
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.
GRÁFICO DE CONTROLE:
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?
»» 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
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
»» 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”.
235
Measure
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
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
»» Trabalhe sempre nas causas de variação, as quais são sempre encontradas no sistema;
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
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
% (%)%
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
Mês Mês
100
0.75
0.50
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
Gráfico de frequência:
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.
241
Measure
0
Gráfico de frequência:
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.
n n
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
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.
246
Measure
Gráfico Boxplot
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.
»» 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 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
248
Measure
Medidas de variação:
Desvio padrão
Considere os seguintes dados:
70 71 73 74 77
A média é 73.
-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.
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:
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
70 70
60 60
Conj. 1
Conj. 2
50 50
40 40
4 8 12 16 20 4 8 12 16 20
Index Index
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.
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%
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).
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
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.
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
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
30 80 não se aplica:
60
Freq
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
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
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.
262
Measure
Estratificação
Nesse exemplo, estamos analisando os erros encontrados nos relatórios de despesas estratificando
pelos departamentos responsáveis.
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
Porcentagem
120 gráfico de Pareto para estudarmos os
Porcentagem
120
60 departamentos,60 e podemos concluir que
Freq
80
Freq
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
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
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.
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
25
20
15
10
10 10
% total defeitos
% total defeitos
8 8
6 6
4 4
2 2
0 0
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
30
Tempo de set-up
25
20
268 15
1 6 12 18 24 30
Measure
Exemplo
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 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?
272
Measure
Estrutura de um
gráfico de controle
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
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
gráfico de controle
275
Measure
Gráficos P
GRÁFICO DE
CONTROLE
277
Measure
Gráfico P
Quando utilizar?
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
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
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?
282
Measure
Exemplo
»» 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
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;
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.
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
Valor
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.
»» A
s causas de variação que afetam a média podem ser distinguidas das que afetam a
variabilidade.
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
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.
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
»» 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
seg sex qui qua ter seg sex qui qua ter
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
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).
300
Measure
Limites de especificação
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).
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
Limites de especificação
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.
Duas perspectivas devem ser consideradas quando examinarmos um processo quanto à sua
capabilidade:
304
Measure
Tipos de variáveis
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.
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)
Métricas Fórmula
Exercício
81 solicitações de pagamento
de seguro-saúde (de um total de P=
450 avaliadas) são defeituosas PPM =
309
Measure
Indicadores baseados
em defeitos
Definições
Não equivalentes
(Diferentes quantidades
de defeitos por unidade)
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.
310
Measure
Indicadores baseados
em defeitos
»» DPU: Defeitos por Unidades
# de Defeitos D
DPU = =
# de Unidade Avalidadas U
# de Defeitos D
DPO = =
# de Unid. Aval. x # Oport. U*O
DPMO = DPO x 10 6
Exercício
311
Measure
Indicador absoluto
ou relativo?
Empresa
Número de Exemplo:
Acidentes
312
Measure
Indicador absoluto
ou relativo?
Uma informação importante é o número de quilômetros
rodados pelos caminhões de cada empresa.
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.
»» 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
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
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
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.
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
μ-3σ μ-2σ μ-1σ μ μ+1σ μ+2σ μ+3σ
Para qualquer distribuição normal, não importa qual seja a média e o desvio padrão, temos que:
» 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
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
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
323
158 Measure
Capabilidade para
variáveis contínuas
Índice de capabilidade (nominal é melhor)
LIE LSE
Tolerância
Variação natural
»» 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:
LIE LSE
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:
LIE LSE
194 195 196 197 198 199 200 201 202 203
Gramas
PPM =
Cp =
Cpk =
326
Measure
Capabilidade para
variáveis contínuas
Este quadro resume as ações a serem tomadas em cada caso do C e
p C :
pk
Cp
Baixo Alto
no valor nominal
Cpk
Impossível O.K.
Alto
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
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.
328
Measure
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
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.
Performance Performance
333
Measure
O caso FORD
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.
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
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
μ-3σ μ-2σ μ-1σ μ μ+1σ μ+2σ μ+3σ
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.
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
342
Measure
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?
»» O
s dados da amostra provêm de dois ou mais processos diferentes (turno, máquina, operador
etc.).
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
8ºC 8F K
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
346