Seis Sigmas - Modulo1

FERRAMENTAS DO SEIS SIGMAS
UTILIZANDO MINITAB
Semana da Engenharia
Período: 15 e 16 de Maio/2017
Local: FEAMIG
Professora: Flávia Komatsuzaki
INTRODUÇÃO
O Seis sigma nasceu na Motorola , em janeiro de 1987, com o objetivo de tonar a empresa
capaz de enfrentar a concorrência estrangeira, que estavam fabricando produtos melhores a
um custo muito baixo.
O Seis sigma passou a ser reconhecido como o responsável pelo sucesso alcançado pela
Motorola de quando ela recebeu o prêmio nacional da qualidade Malcolm Baldrige, em 1988.
A empresa teve ganhos de 2,2 bilhões de dólares com o programa.
Ele foi celebrizado pela General Eletric (GE), a partir da divulgação, feita com destaque por
Jack Welch, dos expressivos resultados financeiros obtidos pela empresa através da
implantação da metodologia (por exemplo, ganhos de 1,5 bilhão de dólares em 1999 após
investimento de 500 milhões de dólares).
INTRODUÇÃO
Seis Sigma
No Brasil o interesse pelo seis sigma está crescendo a cada dia. Já alguns
anos, as empresas cujas unidades de negócio no exterior estavam adotando
esse programa o conhecem. A pioneira na implementação do Seis sigma com
tecnologia foi o grupo Brasmotor (Multibrás e Embraco) que, em 1999, obteve
mais de 20 milhões de reais de retorno a partir dos primeiros projetos seis
sigmas concluídos. Atualmente várias outras empresas no país estão
implementando a estratégia geralmente com o suporte de consultorias.
INTRODUÇÃO: O PROGRAMA
SEIS SIGMA
Uso de ferramentas e métodos mais complexos:
• Melhoria de produtos e processos existentes: DMAIC
• Criação de novos produtos e processos: DMADV
•Treinamento específicos para formação de especialistas (“Belts”) que conduzirão

projetos Seis sigma.
A equipe 6 Sigma é composta por: Executivo líder, Campeão, Master black belt, Black Belt,
Green Belt, Yellow Belt e White belt.
INTRODUÇÃO: O MÉTODO DMAIC
INTRODUÇÃO: FERRAMENTAS DO DMAIC
QUE PODEM SER ANALISADAS ATRAVÉS DO
MINITAB
INTRODUÇÃO: FERRAMENTAS DO DMAIC QUE
PODEM SER ANALISADAS ATRAVÉS DO MINITAB
INTRODUÇÃO: FERRAMENTAS DO DMAIC QUE
PODEM SER ANALISADAS ATRAVÉS DO MINITAB
TREINAMENTO DO MINITAB COM ÊNFASE NO
DMAIC DO SEIS SIGMA
MÓDULO1
Seleção de Amostra
Seja uma população de 50 pesos de peças. Vamos extrair

uma amostra aleatória simples de tamanho 15. Sabe-se que
os pesos devem estar entre (65 e 70)
70 70 66 65 70 67 69 70 66 67
65 69 65 66 69 66 70 66 68 65
68 67 67 69 70 65 68 64 67 66
69 66 68 68 68 67 66 66 66 68
67 69 69 67 67 68 67 66 69 69
Linhas: 15
Coluna: Peso
Armazenar: C5
Distribuição Normal
99,7 %
95,4 %
68,3 %
-3 -2 -1  1 2 3
-3 -2 -1 0 1 2 3 z
Seis Sigma
Até 1987 as Empresas no mundo trabalhavam com a sequinte

amplitude do processo:
99,73%
-3 -2 -1  +1 +2 +3

-3 Amplitude do +3
processo
Então, em 15 de Janeiro de 1987 a Motorola Inc. lançou um

programa de longo prazo chamado de ‘Programa de Qualidade
Seis Sigma’.
SEIS SIGMA
Sigmas % Dentro % Fora ppm defeitos 99,73%
95,45%
±1 68,27 31,73 317.300
68,27%
±2 95,45 4,55 45.500
-6 -5 -4 -3 -2 -1  +1 +2 +3 +4 +5 +6
±3 99,73 0,27 2.700
99,9937%
±4 99,9937 0,0063 63
99,999943%
±5 99,999943 0,000057 0,57
99,9999998%
±6 99,9999998 0,0000002 0,002
Intervalo de Confiança
s
I.C para média ( grandes amostras : n ≥30) x  z
2 n
Seja um lote de 1.000 peças. Foi extraída uma amostra de 31 peças. O
diâmetro de cada peça foi medido, sabe-se que o cliente pediu entre 17
e 18. Os dados estão a seguir:
18,2 17,2 17,8 17,5 17

18 17,1 17,8 17,4 17
17,9 18,1 17,9 17,3 18
17,6 18,1 17,7 17,2 18,1
17,5 18,2 17,6 17,1 18,2
17,2 18,3 17,5 17 18,3
18,4
s
I.C para média ( grandes amostras : n ≥30) x  z
2 n
I.C para média ( grandes amostras : n ≥30)
s
x  z
2 n
Estatísticas Descritivas: Diametro

Variável N N* Média DesvPad
Diametro 31 0 17,726 0,463
I.C para média ( grandes amostras : n ≥30)

s
x  z
2 n
Teste Z para 1 Amostra: Diametro

O desvio padrão assumido = 0,463
Variável N Média DesvPad EP Média IC de 95%

Diametro 31 17,7258 0,4626 0,0832 (17,5628; 17,8888)
Intervalos de Minitab17 Minitab16

confiança
Estat-> Estatística básica- Stat->BasicStatistics->1SampleZ

Para 1 média > Teste Z para 1 amostra
n>=30
Para 1 média Estat-> Estatística básica- Stat->BasicStatistics->1SampleT
n<30 > Teste T para 1 amostra
Para 1 Estat-> Estatística básica- Stat->BasicStatistics->1Variance

variância > Teste para 1 variância
Para 1 Estat-> Estatística básica- Stat->BasicStatistics->1Proportion

proporção > Teste para 1 proporção
Intervalos de Minitab Campos para serem

confiança preenchidos
Para 2 médias n<30 Estat-> Estatística Stat->Basic Statistics->2

básica-> Teste T para Sample T
2 amostras
Para 2 variâncias Estat-> Estatística Stat->Basic Statistics->2
básica-> Teste para 2 Variances
variâncias
Para 2 proporções Estat-> Estatística Stat->Basic Statistics->2
básica-> Teste para 2 Proportions
proporções
Calculo da amostra
2
  2
Cálculo do tamanho da amostra simples  z  s
 
n   2 2
E
Determinar o tamanho da amostra para estimar o tempo
médio de montagem de uma peça. Uma amostra inicial de 30
peças apresentou um desvio padrão de 4 minutos. O erro
máximo admissível é de 2 minutos e a confiança deve ser de
95%.
1,96 2  4 2
n 2
 15,36  16
2
Calculo da amostra
2
Cálculo do tamanho da amostra simples   2
 z  s
 
n   2 2
E
Cálculo do tamanho da amostra simples
2
  2
 z  s
 
n   2 2
Sample Size for Estimation
E
Method
Parameter Mean
Distribution Normal
Standard deviation 4 (population value)
Confidence level 95%
Confidence interval Two-sided
Results
Margin Sample
of Error Size
2 16
Teste de Hipóteses
T.H. para média (grandes amostras)

x  0
H0 :  = 0 vs H1 :   0
z0 
s/ n
Rejeitar H0 se |Z0 | > z / 2.
Seja um lote de 1.500 peças. Foi extraída uma amostra de 31

peças. O diâmetro de cada peça foi medido. Os dados estão
na tabela.
Teste de Hipóteses
x  0
T.H. para média (grandes amostras) z0 
s/ n
O diâmetro médio populacional é igual a 18 mm ? Teste com
alfa de 5% . S=0,463
H0 :  = 18 vs H1 :   18
Teste de Hipóteses
T.H. para média (grandes amostras)
One-Sample Z: Diametro
Test of mu = 18 vs not = 18
The assumed standard deviation = 0,463
Variable N Mean StDev SE Mean 95% CI Z P

Diametro 31 17,7258 0,4626 0,0832 (17,5628; 17,8888) -3,30 0,001
Conclusão: ao nível de 0,05, rejeita-se H0, isto é a média é diferente de 18.

Teste de Normalidade
Teste de normalidade dos dados.
H0 : Os dados seguem uma distribuição normal

H1 : Os dados não seguem uma distribuição normal
Teste de Hipóteses

Pontos próximos de uma reta

P-valor alto
Não rejeitar H0
Teste de Hipóteses

Pontos próximos de uma reta
P-valor alto>0,05 Não rejeitar H0
P-valor alto<=0,05 Rejeitar H0
Gráfico de Controle para Variáveis
2- Controle daControle
Gráfico de Qualidade
80
60
Minutos
40
20
0
11
13
15
17
1
9
Amostra
CEPde– Controle
Gráfico Controlepara
Estatístico
Variáveis
São utilizados para analisar a variabilidade

de um processo. Os gráficos mais utilizados
são classificados de acordo com a característica
de qualidade analisada.
- Variáveis => Valores contínuos geralmente

obtidos por medições
- Atributos => Valores discretos geralmente

obtidos por contagens
Gráfico
CEPde– Controle
Controle para Variáveis
Estatístico
Os gráficos mais utilizados são :
- Variáveis => (X e R) => amostra pequena (n<=10)

(X e S) => amostra grande (n>10)
( X e AM) => n=1
- Atributos => p => proporção de defeitos

c => número de defeitos
u => média de defeitos por unidade de inspeção
3.2
CEP
3.2 – Controle
-Construção
-Construçãodo
ConstruçãodoGráfico
doGráfico(X
Gráfico(Xeee
Estatístico
(X R)
R)
R)
x1  x 2  ...  x n
x i
x x  Média de cada amostra

n n
x1  x 2  ...  x m
x Média das médias
m
R  Xmáximo  Xmínimo Amplitude de cada amostra
R1  R2  ...  Rm
R Amplitude média
m
Construção do Gráfico (X e R)
Média Amplitude (R)

LSC  D4 R
LSC  x  A2 R
LM  R
LM  x
LIC  x  A2 R LIC  D3 R
D3 e D4 são valores tabelados
A2 é um valor tabelado de
de acordo com a amostra
acordo com a amostra
CEP – Controle
Construção Estatístico
do Gráfico (X e R)
A2, D3 e D4 são valores tabelados

de acordo com a amostra. O quadro
abaixo apresenta alguns valores
n A2 D3 D4
3 1,023 0 2,575
4 0,729 0 2,282
5 0,577 0 2,115
6 0,483 0 2,004
CEP – Controle
do Gráfico (X e R)
Exemplo: Anéis de pistão para motores de

automóveis por um processo de forja.
Queremos estabelecer um controle estatístico

para o diâmetro interno dos anéis produzidos
por esse processo.
Vinte e cinco amostras, cada uma de tamanho

cinco, foram extraídas deste processo.
Amostra Observações  x R
1 74,030 74,002 74,019 73,992 74,008 74,010 0,038
2 73,995 73,992 74,001 74,011 74,004 74,001 0,019
3 73,988 74,024 74,021 74,005 74,002 74,008 0,036
4 74,002 73,996 73,993 74,015 74,009 74,003 0,022
5 73,992 74,007 74,015 73,989 74,014 74,003 0,026
6 74,009 73,994 73,997 73,985 73,993 73,966 0,024
7 73,995 74,006 73,994 74,000 74,005 74,000 0,012
8 73,985 74,003 73,993 74,015 73,988 73,997 0,030
9 74,008 74,995 74,009 74,005 74,004 74,004 0,014
10 73,998 74,000 73,990 74,007 73,995 73,998 0,017
11 73,994 73,998 73,994 73,995 73,990 73,994 0,008
12 74,004 74,000 74,007 74,000 73,996 74,001 0,011
13 73,983 74,002 73,998 73,997 74,012 73,998 0,029
14 74,006 73,967 73,994 74,000 73,984 73,990 0,039
15 74,012 74,014 73,998 73,999 74,007 74,006 0,016
16 74,000 73,984 74,005 73,998 73,996 73,997 0,021
17 73,994 74,012 73,986 74,005 74,007 74,001 0,026
18 74,006 74,010 74,018 74,003 74,000 74,007 0,018
19 73,984 74,002 74,003 74,005 73,997 73,998 0,021
20 74,000 74,010 74,013 74,020 74,003 74,009 0,020
21 73,982 74,001 74,015 74,005 73,996 74,000 0,033
22 74,004 73,999 73,990 74,006 74,009 74,002 0,019
23 74,010 73,989 73,990 74,009 74,014 74,002 0,025
24 74,015 74,008 73,993 74,000 74,010 74,005 0,022
25 73,982 73,984 73,995 74,017 74,013 73,998 0,035
Total 1.850,028 0,581
Média 74,001 0,023
3.2
CEP
3.2 – Controle
-Construção
-Construçãodo
doGráfico(X
Gráfico(Xeee
Estatístico
(X R)
R)
R)
x1  x 2  ...  x m 74,010  74,001  ...  73,998

x   74,001
m 25
R1  R2  ...  Rm 0,038  0,019...  0,035
R   0,023
m 25
Média
LSC  x  A2 R  74,001  0,577(0,023)  74,014
LM  x  74,001
LIC  x  A2 R  74,001  0,577(0,023)  73,988

3.2
CEP
3.2 – Controle
-Construção
-Construçãodo
doGráfico(X
Gráfico(Xeee
Estatístico
(X R)
R)
R)
2- Controle da Qualidade
3.2
CEP
3.2 – Controle
-Construção
-Construçãodo
doGráfico(X
Gráfico(Xeee
Estatístico
(X R)
R)
R)
3.2
CEP
3.2 – Controle
-Construção
-Construçãodo
doGráfico(X
Gráfico(Xeee
Estatístico
(X R)
R)
R)
Xbar-R Chart of Diametro

2- Controle da Qualidade U C L=74.01460
Sample M ean 74.01
_
_
X=74.0012
74.00
73.99
LC L=73.98780
1 3 5 7 9 11 13 15 17 19 21 23 25
Sample
0.048 U C L=0.04914
Sample Range
0.036
_
0.024 R=0.02324
0.012
0.000 LC L=0
1 3 5 7 9 11 13 15 17 19 21 23 25
Sample
3.2
CEP
3.2 – Controle
-Construção
-Construçãodo
doGráfico(X
Gráfico(Xeee
Estatístico
(X R)
R)
R)
Critérios de falta de controle (Werkema pg 207 e

Mont pg 108):
1 - Pontos fora dos limites de controle

2 - Periodicidade
3 - Sequência
4 - Tendência
5 - Aproximação dos limites de controle
6 - Aproximação da linha média
3.2
CEP
3.2 – Controle
-Construção
-Construçãodo
doGráfico(X
Gráfico(Xeee
Estatístico
(X R)
R)
R)
x1  x 2  ...  x m 74,010  74,001  ...  73,998
x   74,001
m 25
R1  R2  ...  Rm 0,038  0,019...  0,035

R   0,023
m 25
Amplitude
LSC  D4 R  2,115(0,023)  0,049
LM  R  0,023
LIC  D3 R  0(0,023)  0
CEP – Controle
do Gráfico (X e R)
Xbar-R Chart of Diametro

U C L=74.01460
74.01
Sample M ean _
_
X=74.0012
74.00
73.99
LC L=73.98780
1 3 5 7 9 11 13 15 17 19 21 23 25
Sample
0.048 U C L=0.04914
Sample Range
0.036
_
0.024 R=0.02324
0.012
0.000 LC L=0
1 3 5 7 9 11 13 15 17 19 21 23 25
Sample
CEP – Controle
do Gráfico (X e R)
Devemos primeiramente analisar o gráfico R

pois ele representa a variabilidade do processo.
Como este gráfico não apresenta nenhum

ponto fora dos limites superior e inferior e
nenhuma configuração sistemática, podemos
analisar o gráfico da média.
CEP – Controle
do Gráfico (X e R)
A análise do gráfico da média só deve ser

realizada após a variabilidade do processo
está sob controle estatístico.
No gráfico da média, também, não

encontramos nenhum ponto fora dos limites
ou configuração especial.
Podemos concluir que o diâmetro médio está

sob controle estatístico
CEP – Controle
do Gráfico (X e S)
Média Desvio
LSC  B4 s
LSC  x  A3 s
LM  S
LM  x
LIC  x  A3 s LIC  B3 s
B3 e B4 são valores tabelados
A3 é um valor tabelado de
de acordo com a amostra
acordo com a amostra
Construção do Gráfico (X
CEP – Controle Estatístico e S)
x1  x 2  ...  x n
x i
x1  x 2  ...  x m
x x  x
n n m
   
2
  xi  
n

 ix  x 2 
   s1 s2  ...  sm
1    s
s i 1
n 1

n  1 
 i
x 2

n  m

 
 
Para verificar o tempo e produção de uma

peça, registramos o tempo durante 25
momentos amostra 11.
Xbar-S Chart of Tempo produção
90
2- Controle da Qualidade U C L=96.45
Sample M ean
80 _
_
X=74.6
70
60
LC L=52.75
50
1 2 3 4 5 6 7 8 9 10
Sample
U C L=31.98
30
Sample StDev
20
_
S =15.31
10
0 LC L=0
1 2 3 4 5 6 7 8 9 10
Sample
Controle de Qualidade
Capacidade do processo
-Somente processos estáveis devem ter sua capacidade avaliada.
-Um processo pode não ser capaz por apresentar: elevada variabilidade e
média deslocada em relação ao ponto médio dos limites de especificação
(valor nominal).
-Os índices de capacidades processam as informações de forma que

seja possível avaliar se um processo é capaz de gerar produtos que
atendam as especificações provenientes dos clientes internos e externos.
-Para utilizar os índices de capacidade é necessário que:

o processo esteja sob controle estatístico e a variável de interesse
tenha distribuição próxima da normal.
Capacidade do processo: Cp
CLASSIFICAÇÃO VALOR DE CP
LSE  LIE
Cp  DO PROCESSO
6 ADEQUADA CP≥1,33
 LSE  LIE ACEITÁVEL 1≤CP≤1,33
Cp  INCAPAZ CP<1
6ˆ
-Índice Cp assume implicitamente que o processo está

centrado no valor nominal da especificação. Se o processo
não estiver centrado, sua capacidade real será menor do
que a indicada por Cp.
-Cp é a capacidade potencial, isto é, a capacidade de um

processo centrado no valor nominal.
Capacidade do processo: Cpk
 LSE     LIE  CLASSIFICAÇÃO VALOR DE

Cpk  MIN  ; 
DO PROCESSO CP
 3 3   ADEQUADA CP≥1,33
ACEITÁVEL 1≤CP≤1,33
  LSE  x x  LIE 
Cpk  MIN  ;  INCAPAZ CP<1
 3ˆ 3ˆ 
-Índice Cpk nos permite avaliar se o processo está sendo
capaz de atingir o valor norminal da especificação, já que ele
leva em consideração o valor da média do processo.
-O índica de Cpk pode ser interpretado como uma medida

da capacidade real do processo.
Capacidade do processo:
Cpk baixo Cpk alto

Cp baixo Reduzir a IMPOSSÍVEL
variabilidade do
processo
Cp alto Deslocar a Situação ideal
média do
processo
Capacidade do processo: Abrir o arquivo Grafico_XbarraR.mtw

Capacidade do processo: LSE=2,6 e LIE=2,1

CEP – Controle
Capabilidade deEstatístico
Processos
Somente processos sob controle

devem ter sua capacidade avaliada.
Um processo pode não ser capaz por

apresentar :
- Elevada variabilidade
- Média deslocada em relação ao ponto médio dos
limites de especificação (valor nominal)
CEP – Controle
Processos
Índice Cp e Cpk
Para utilizar os índices de capacidade
é necessário que :
- O processo esteja sob controle estatístico
- A variável de interesse tenha distribuição
aproximadamente normal
CEP – Controle
Processos
Considere o exemplo dos anéis de

pistão.
Os limites de especificação são 74,05

e 73,95.
CEP – Controle
Processos
A média do processo é   x  74,001
R 0,0234
   0,00999
O desvio padrão é d2 2,326
CEP – Controle
Processos
LSE  LIE 74,05  73,95

Cp    1,67
6 6(0,00999)
Portanto o processo é capaz
 LSE     LIE   74,05  74,001 74,001  73,95 

C pk  min  ,   min  ,   min(1,63 , 1,71)  1,63
 3 3   3x0,00999 3x0,00999 
O processo não está centralizado no valor nominal.
Contudo, ele é capaz.

CEP – Controle
Processos
CEP – Controle
Processos
CEP – Controle
Processos
Process Capability of Diametro
LSL USL
P rocess Data Within
LS L 73.95 Ov erall
Target *
USL 74.05 P otential (Within) C apability
S ample M ean 74.0012 Cp 1.67
S ample N 125 C P L 1.71
S tDev (Within) 0.0099914 C P U 1.63
S tDev (O v erall) 0.0101989 C pk 1.63
O v erall C apability
Pp 1.63
PPL 1.67
PPU 1.60
P pk 1.60
C pm *
73.950 73.965 73.980 73.995 74.010 74.025 74.040
O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance

P P M < LS L 0.00 P P M < LS L 0.15 P P M < LS L 0.26
P P M > U S L 0.00 P P M > U S L 0.51 P P M > U S L 0.85
P P M Total 0.00 P P M Total 0.66 P P M Total 1.11
FIM DO MÓDULO1!!
Para você ser um bom usuário do Minitab você precisa

saber da teoria estatística.. Para ser um futuro Black Belt
você precisar saber MUITO ESTATÍSTICA e MINITAB!!!
Bom descanso amanhã tem mais!!

Seis Sigmas - Modulo1

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Seis Sigmas - Modulo1

Enviado por

Direitos autorais:

Formatos disponíveis

FERRAMENTAS DO SEIS SIGMAS

• Melhoria de produtos e processos existentes: DMAIC

• Criação de novos produtos e processos: DMADV

•Treinamento específicos para formação de especialistas (“Belts”) que conduzirão

Seja uma população de 50 pesos de peças. Vamos extrair

-3 -2 -1  1 2 3

Até 1987 as Empresas no mundo trabalhavam com a sequinte

-3 -2 -1  +1 +2 +3

Então, em 15 de Janeiro de 1987 a Motorola Inc. lançou um

Sigmas % Dentro % Fora ppm defeitos 99,73%

18,2 17,2 17,8 17,5 17

Estatísticas Descritivas: Diametro

I.C para média ( grandes amostras : n ≥30)

Teste Z para 1 Amostra: Diametro

Variável N Média DesvPad EP Média IC de 95%

Intervalos de Minitab17 Minitab16

Estat-> Estatística básica- Stat->BasicStatistics->1SampleZ

Para 1 Estat-> Estatística básica- Stat->BasicStatistics->1Variance

Para 1 Estat-> Estatística básica- Stat->BasicStatistics->1Proportion

Intervalos de Minitab Campos para serem

Para 2 médias n<30 Estat-> Estatística Stat->Basic Statistics->2

T.H. para média (grandes amostras)

Seja um lote de 1.500 peças. Foi extraída uma amostra de 31

T.H. para média (grandes amostras)

Variable N Mean StDev SE Mean 95% CI Z P

Conclusão: ao nível de 0,05, rejeita-se H0, isto é a média é diferente de 18.

Teste de normalidade dos dados.

H0 : Os dados seguem uma distribuição normal

Teste de normalidade dos dados.

Pontos próximos de uma reta

Teste de normalidade dos dados.

São utilizados para analisar a variabilidade

- Variáveis => Valores contínuos geralmente

- Atributos => Valores discretos geralmente

Os gráficos mais utilizados são :

- Variáveis => (X e R) => amostra pequena (n<=10)

- Atributos => p => proporção de defeitos

x x  Média de cada amostra

Média Amplitude (R)

A2, D3 e D4 são valores tabelados

Exemplo: Anéis de pistão para motores de

Queremos estabelecer um controle estatístico

Vinte e cinco amostras, cada uma de tamanho

x1  x 2  ...  x m 74,010  74,001  ...  73,998

LIC  x  A2 R  74,001  0,577(0,023)  73,988

Xbar-R Chart of Diametro

Sample M ean 74.01

Critérios de falta de controle (Werkema pg 207 e

1 - Pontos fora dos limites de controle

R1  R2  ...  Rm 0,038  0,019...  0,035

Xbar-R Chart of Diametro

Devemos primeiramente analisar o gráfico R

Como este gráfico não apresenta nenhum

A análise do gráfico da média só deve ser

No gráfico da média, também, não

Podemos concluir que o diâmetro médio está

Para verificar o tempo e produção de uma

Xbar-S Chart of Tempo produção

-Somente processos estáveis devem ter sua capacidade avaliada.

-Os índices de capacidades processam as informações de forma que

-Para utilizar os índices de capacidade é necessário que:

-Índice Cp assume implicitamente que o processo está