Escolar Documentos
Profissional Documentos
Cultura Documentos
Sumário
1 Classificação de variáveis................................................................................................................................... 3
Toda tomada de decisão será feita com base nas medições obtidas para as métricas, sendo imprescindível
garantir a confiabilidade das mesmas.
É importante criar um plano de coleta de dados detalhado para coletas das informações.
Unidade
Frequência
Métrica Fórmula de Responsável
de Medição
Medida
Índice Não (Total de não conformidades /Total de
% Mensal Walmir
Conformidade produtos)*100
Após a coleta de dados para gerenciamento do processo, é importante a sumarização adequada dos mesmos.
As variáveis quantitativas discretas são variáveis cujos possíveis valores formam um conjunto finito de núme-
ros, frequentemente resultantes de contagem. A seguir são apresentados alguns exemplos:
As variáveis quantitativas contínuas são variáveis cujos possíveis valores pertencem a um intervalo de núme-
ros reais e que resultam de mensuração.
As variáveis qualitativas são aquelas provenientes de classificação e cujos valores assumidos representam
um atributo e/ou uma qualidade.
São variáveis cujas categorias podem ser ordenadas. Confira a seguir alguns exemplos:
A utilização do método DMAIC aliado a utilização de ferramentas do Seis Sigma propiciarão o alcance das
metas propostas para melhoria do processo.
Para isso é necessário o levantamento e análise dos dados históricos do indicador a ser otimizado e a defini-
ção da meta geral do projeto.
A seguir serão apresentadas ferramentas com potencial de serem utilizadas na etapa Define.
O gráfico sequencial apresenta o comportamento do indicador em função do tempo (horas, dias, meses, etc).
Possibilita a detecção de mudanças de patamar, sazonalidade, tendências, melhores e piores resultados ob-
tidos.
2.1.1 Exemplo 1
A Temditudo.com, uma empresa de e-commerce atuante no Sul e Sudeste do país, vem suspeitando que o
número de reclamações de clientes está elevado.
Dessa forma, foi feito levantamento de dados referente ao período de fevereiro/15 a abril/17 considerando o
indicador de índice de reclamações recebidas (%).
Para avaliação do comportamento do indicador foi construído gráfico sequencial:
A partir da análise do gráfico sequencial é possível perceber que houve uma mudança de patamar no indica-
dor ao longo do tempo.
O período que representa a realidade atual do processo (Baseline) é de setembro/2015 a abril/2017.
Através da sumarização de dados quantitativos é possível conhecer as propriedades da distribuição dos da-
dos, sendo elas:
As medidas de posição (ou locação) mostram o valor em torno do qual os dados tendem-se a agrupar. Sinte-
tizam em um único número, o conjunto de dados.
x i
x= i =1
n
Conclusão: A altura média dos alunos é de 1,71m. Note que a média é influenciada pela altura do
aluno bem alto. Quando há valores muito atípicos no conjunto de dados, a média pode ser uma me-
dida de centralidade destorcida.
• Mediana: é o valor que divide o conjunto de dados ao meio. Ocupa a posição central dos dados
ordenados.
Dessa forma, é necessária a ordenação dos dados para obtenção dessa medida.
A mediana é uma medida de centralidade mais robusta que a média, pois não é influenciada
por valores discrepantes do conjunto de dados.
~
x = x0,5(n +1)
Mediana = é a observação na amostra ordenada que ocupa a posição x0,5(n+1) = x6,5 = 1,68
Conclusão: 50% dos alunos tem altura igual ou inferior a 1,68m e 50% dos alunos tem altura igual ou
maior a 1,68m.
• Quartis: Os quartis dividem o conjunto de dados em quatro partes iguais e são obtidos a partir da
ordenação (crescente) dos dados. São comumente utilizados para dados não simétricos.
- 1º quartil (Q1): deixa abaixo de si, 25% dos elementos. Posição no conjunto de dados:
Q1 = x0,25(n+1)
Conclusão: 25% dos alunos tem altura igual ou inferior a 1,63m e 75% dos alunos tem altura igual ou
maior a 1,63m.
- 2º quartil = mediana: deixa abaixo de si, 50% dos elementos. Posição no conjunto de dados:
Q2 = ~
x = x0,5(n+1)
- 3º quartil: deixa abaixo de si, 75% dos elementos. Posição no conjunto de dados:
Q3 = x0,75(n+1)
Conclusão: 75% dos alunos tem altura igual ou inferior a 1,74m e 25% dos alunos tem altura igual ou
maior a 1,74m
As medidas de variabilidade (ou dispersão) mostram o grau de afastamento dos valores observados em rela-
ção ao centro.
• Amplitude: Medida mais simples. É definida como a diferença entre o maior e menor valor do conjunto
de dados
R = Máximo – Mínimo
É denotada pela letra R do inglês “Range”.
(x − x)
i
2
s= i =1
n −1
Os Outliers (representados por asteriscos) são valores superiores a Q3+1,5(Q3-Q1) ou valores inferiores a
Q1-1,5(Q3-Q1).
Retornando ao exemplo do índice de reclamação, foi construído Boxplot e calculadas as medidas descritivas.
Variável N Média Desvio Padrão Mínimo 1o. Quartil Mediana 3o.Quartil Máximo Amplitude
Índice de Reclamação (%) 20 41,66 2,60 36,10 39,50 41,70 43,60 45,90 9,80
Observa-se que o índice de reclamação varia de 36,1% a 45,9%, com média de 41,66%. Além disso, não há
nenhuma ocorrência de valores atípicos (outliers) para o indicador.
2.4 Histograma
A partir da análise do Histograma é possível perceber o centro da distribuição, a variação em torno do valor
central e a forma da distribuição (simétrica ou assimétrica).
A distribuição dos dados referentes ao índice de reclamação de clientes não é perfeitamente simétrica.
O intervalo de classe que tem a maior é frequência é compreendido entre 38,55 a 41%, com 7 ocorrências.
Isso quer dizer que, durante sete meses o índice de reclamação variou entre 38,55 a 41%.
Após o levantamento e análise dos dados históricos do indicador, é importante estabelecer uma meta para o
mesmo.
O valor da meta pode ser estabelecido por meio do método da lacuna ou quartil.
• Lacuna: é a diferença entre o patamar atual no qual o indicador se encontra e o valor considerado
como Benchmark (valor considerado como referência)
Para estabelecimento do valor da meta utilizando esse método, é proposto um percentual sobre a lacuna
encontrada. Usualmente, o valor de 50%.
• Meta = Média – Lacuna/2. Sendo que o valor da lacuna = média – valor de referência
• Meta = Média + Lacuna/2. Sendo que o valor da lacuna = valor de referência – média
Retornando o exemplo 1 que trata do índice de relação de uma empresa de e-commerce atuante no Sul e
Sudeste do país, temos como meta:
No caso de valores discrepantes nos dados históricos, recomenda-se utilizar o método dos quartis para defi-
nição da meta do projeto.
Acompanhe os exemplos abaixo para definição de metas utilizando o método dos quartis.
2.5.2.1 Exemplo 2
Uma empresa está conduzindo um projeto de melhoria com a proposta de reduzir o consumo específico de
água de um de seus processos.
Para avaliação do histórico do indicador foi construído gráfico sequencial e proposta inicialmente uma meta
por meio do método da lacuna.
Ao observar o gráfico sequencial com a linha meta, verificou-se que a mesma estava bastante desafiadora.
Isso ocorreu em função do valor mínimo ser bem discrepantes dos demais valores da amostra.
Como taxa de consumo específico de água é um indicador do tipo “quanto menor melhor” utilizou-se como
meta o 1º. Quartil.
2.5.2.2 Exemplo 3
Uma empresa está conduzindo um projeto de melhoria com a proposta de aumentar a produtividade de uma
de suas linhas de produção.
Para avaliação do histórico do indicador foi construído gráfico sequencial e proposta inicialmente uma meta
por meio do método da lacuna.
Ao observar o gráfico sequencial com a linha meta, verificou-se que a mesma estava bastante desafiadora.
Isso ocorreu em função do valor máximo ser bem discrepantes dos demais valores da amostra.
Como a produtividade é um indicador do tipo “quanto maior melhor” utilizou-se como meta o 3º. Quartil.
Os responsáveis pelo projeto consideraram essa meta factível, pois já haviam alcançado a mesma em 25%
das vezes e ao mesmo tempo era bastante desafiadora, uma vez que em 75% das vezes não haviam alcan-
çado o valor da meta.
A sugestão é utilizar o método dos quartis para estabelecimento da meta quando houver dados muito
discrepantes no histórico dos dados, conforme exemplos 2 e 3.