Apostila Completa

LEAN SIX SIGMA – GREEN BELT
Optness Academy Program
- welcome to the journey -
1 Copyright: Optness Institute, 2014
Optness Institute
 Optness é um instituto desenvolvimento econômico e gerencial fundado

em Milão na Itália em 2008 (www.optness.com.br).
 Atualmente o Instituto Optness está em franca expansão em toda a União

Europeia e além de estar se instalando no Brasil.
2
QUEM SOMOS MISSÃO
Optness é um instituto educação e Acreditamos que o desenvolvimento de um país

desenvolvimento econômico fundado em Milão está diretamente ligado à educação de sua
na Itália em 2008 em franca expansão no Brasil população e ao desempenho de suas empresas.
e em toda a União Europeia.
Assim, a missão de Optness étransmitir o

Optness é formada por um grupo de conhecimento de metodologias gerenciais
executivos internacionais que dedicam parte do para melhorar o desempenho e a
seu tempo ao ensino de metodologias competitividade das organizações gerando três
avançadas em modo prático e que funcionam grandes benefícios à sociedade:
no dia-a-dia de empresas de qualquer
 Crescimento Empresarial Sustentável
dimensão.
 Progresso Social e Econômico
 Desenvolvimento Pessoal e Profissional
Black Belt: Antonio De Nes 3 Copyright: Optness Institute, 2014
Advisory Board
Com o objetivo de auxiliar no direcionamento estratégico do instituto Optness mantém um

conselho independente o qual apoia voluntariamente projetos especiais, sugere o
desenvolvimento de produtos, identifica tendências e discute opções estratégicas fazendo
recomendações sobre estes temas quando solicitado. Alguns membros do conselhos são:
 Fundador da Embraer
Ozires Silva
 Ex-Ministro da Infra-Estrutura
 Ex-diretor mundial de Negócios Corporativos da Fiat

Marco
 Ex-Presidente BMW Itália
Saltalamacchia
 Ex-VP Sênior BMW Europa
 Ex-diretor geral da VCPro (Votorantim)

Marcelo Chamma
 Atual VP de Negócios Corporativos da Votorantim Cimentos
4
Experiência Acumulada
 Com o apoio de Executivos de diversas áreas a Optness customizou a metodologia Lean Six
Sigma para diferentes setores: Planejamento Estratégico, Processos/Operações,
Marketing/Vendas, Gestão de Pessoas, etc...
 Através dos seus associados a Optness tem uma experiência acumulada na aplicação de
nossas metodologias customizadas em mais de 1.150 projetos em diversos países do
Mundo.
Strategy Excellence Sales Excellence 2 - Categoria Totale

• Scenario Analysis • Marketing Fundamentals Sales & Marketing 312
• Strategic Planning • Sales Force Effectiveness
R&D, Product Development, Innovation 199
• Objectives Definition • Deep Customer Insights
• Goals Deployment (BSC) • New Product Development Supply Chain 134
• Projects & Investment Plan • OFD & Innovation Management HR: Organization & People 122
• Customer –Based Projects
(ICFC) Manufacturing 103
Strategy 96
Lean Hospital 46
Process Excellence People Excellence Finance 46
• Six Sigma • Leadership
Lean Best Pratices 37
• Lean Production & Thinking • Change Management
• Ptroject Management • Reward Management IT 31
• Dashboard Routine Management • Organization Design Conmpliance 30
• Budgert Management • High Performance Teams
General Management 15
• Compliance & Standardization
System Total Complessivo 1171
Projetos Especiais & Start Ups
 Além dos projetos de consultoria e treinamento em grandes empresas a

Optness também dá apoio gerencial e auxilia no desenvolvimento de projetos
de inovação, start-ups e de pequenas/médias empresas.
6
Satisfação e Experiência Internacional Comprovadas
 A Optness já oferece este curso na Europa à 6 anos com Excelente Satisfação

(9,1 média em 6 anos).
 No Brasil a Optness fez 2 cursos também com Ótimos Resultados
Satisfação – Europa Satisfação – Brasil
Exerc. ( 2 min.)
Entreviste o colega ao seu lado e o apresente ao resto do grupo:
• Nome e Nacionalidade :
____________________________________________________
• Formação Acadêmica:
____________________________________________________
• Posição Empresa ou Experiência Profissional:

____________________________________________________
• Hobby / Atividades no Tempo Livre (dois verdadeiro e um falso):

____________________________________________________
____________________________________________________

INTRODUÇÃO
O que é Lean Six Sigma?
É uma metodologia científica e comprovada destinada à:
 Atingir Metas
 Resolver Problemas
75% das multinacionais Fortune 500

usam Lean Six Sigma!
Lean Six Sigma

................. 80’s 90’s 2000 .................
EVOLUTION
 1987: Criação da Six Sigma pelo engenheiro Bill Smith na Motorola

 SS foi criada como uma estratégia da Motorola para competir com as empresas japonesas que
tinham produtos com qualidade superior e preços mais baixos.
 Apoio Vital do CEO da empresa (Bob Galvin)
 Concentração redução de defeitos de fabricação (redução de custos, satisfação do cliente)
 Fortemente vinculado ao retorno financeiro
 EUA $ 2,2 BI em retorno líquido na década de 80, certificado por auditores financeiros
 1988: A primeira consórcio Six Sigma foi formada por:

 Motorola, Kodak, ABB, GDI, Raytheon
 1990: IBM e DEC começaram a aplicar SS

Lean Six Sigma
................. 80’s 90’s 2000 .................
EVOLUTION
 1993: Allied-Signal começou com black-belts
 1995: General Electric adota metodologia (Turning Point)

 Grande apoio guiado diretamente de seu CEO, Jack Welch
Prior SS “We should only take ISO certification if it is necessary to make business”.
Post SS “We have set for ourselves the goal of becoming, by the year 2000, a Six Sigma
quality company, which means a company that produces virtually defect-free
products, services and transactions”.
“We want to make our quality so special, so valuable to our customers, so

important to their success that our products become their only real value choice.”
Retorno da General Electric com Lean Six Sigma

3500
3000
3000
INVESTMENT
2500
2500 GROSS PROFIT 2400
NET PROFIT 2000

2000
US$ MILLION
1500 1200
1000 750
700
600
380 450 500
200 320
500
170 -30
1996 1997 1998 1999 2000

-500
Retorno de 4:1 nos 5 primeiros anos

Lean Six Sigma
................. 80’s 90’s 2000 .................
EVOLUTION
 Expansão no setor de serviços: telecomunicações, bancos, instituições

financeiras, saúde, seguros ...
 AT&T, Microsoft, Citigroup, JP Morgan, Bank of Boston, Bank of America
 Expansão na administração pública: Saúde, Exército dos EUA, Marinha dos EUA
...
 GE começa a se expandir SS em seus clientes e fornecedores para integrar toda

a cadeia de valor.
Six Sigma Lean Production

(USA) (JAPAN)
Motorola Toyota
GE Nissan
Lean Six Sigma:

Combinação da Metodologia Lean com o Six Sigma unindo os benefícios de
ambas as metodologias.

99% é bom o suficiente?
Quality Defects per Standard 99% (3,8 sigma) Standard 99,99966% (6 sigma)
Standard Million (ppm)
20.000 postal documents lost per hour 7 postal documents lost per hour
2 sigma 308,538
15 minutes/day of non-conforming potable 1 minute every 7 months of non-
water delivery conforming potable water delivery
3 sigma 66,807 5.000 "not correct" surgical operations per 1,7 "not correct" surgical operations per
week week
4 sigma 6,210 2 non-standard airplane landings every 1 non-standard airplane landing every 5
day years
5 sigma 233 200.000 wrong medical prescriptions per
68 wrong medical prescriptions per year
year
6 sigma 3,4 7 hours without electricity per month 1 hour without electricity every 34 years
Em média os processos de fabricação são entre 3 e 4 sigma
Em média os processos administrativos estão entre 2 e 3 sigma
Exemplos de Projetos
Projetos em Logística & Supply
Projetos na Área Produtiva
Chain
 Redução de custos diretos com matérias-primas  Redução de gastos com frete e transporte
 Redução de gastos com insumos indiretos (ex.:  Redução de inventário – WIP
energia elétrica)  Redução dos produtos finais em estoque
 Redução do tempo de set-up de equipamentos  Redução do prazo de entrega / Lead Time
 Aumento de produtividade  Redução de gastos com armazém
 Melhoria da eficiência operacional dos equipamentos
(OEE)
Projetos no Financeiro,
Projetos em Marketing e Vendas
Recursos Humanos e TI
 Aumento da prospecção comercial  Redução da Inadimplência

 Aumento da eficácia da força de vendas  Redução do tempo para análise de crédito
 Recuperação de clientes perdidos  Redução das despesas com empréstimos
 Crescimento em clientes de pequeno porte  Melhoria da eficácia dos treinamentos do RH
 Gerenciamento de Preços e da Margem  Redução das despesas com seguro de saúde
 Introdução de novos produtos  Redução do tempo de atendimento de
 Projetos de Atendimento ao Cliente / Call Centers solicitações
Lean Six Sigma pode ser aplicado em qualquer área

(industrial ou administrativa)

Benefícios à Carreira
 Profissionais com Lean Six Sigma recebem mais promoções que
a média (acelerador de carreiras)
 Desenvolvimento de futuros líderes e profissionais mais

eficientes
 Muitas empresas implementando Lean Six Sigma e contratando

profissionais com certificação
X1 Method & Procedure;
Career
Technical Knowledge X2 X3 Leadership & Attitude
Gestão de Processos

Gestão de Processos
 Empresas são formadas por processos.
 Esses processos são fundamentais para qualquer organização

pois eles: criam produtos / serviços, geram receitas, consumem
recursos e geram custos.
Processos são ativos estratégicos que precisam ser gerenciados

cientificamente e melhorados continuamente para entregar valor aos
acionistas e clientes!
Lean Six Sigma é o método científico para gerenciar

processos!
Funcionamento e Foco
X1
X2 Y
. Process
Inputs . Result
.
(Company)
Xn
 Se queremos um bom Y, devemos focar no Y ou no X?
Independent Dependent
Entrance Exit
Cause Effect
Problem Root Symptom
Control Monitor
Então por que tantos focam no Y?

DMAIC – Método científico para atingir metas
6 SIGMA/ DMAIC Tools
 Internal data analysis

 Goal breakdown
Define  Project charter
 Process flow: SIPOC
 Basic statistics; Histogram

 Analysis of measurement system
Measure  Calculation of the process capacity (Sigma level)
 Process flow / Fishbone / C&E matrix / Effort & Impact
 Histogram / Pareto
 Box Plot / Dot Plot / Scatter Diagram / Run Chart
 FMEA
Analyze  Hypothesis test / 2-Sample t / Anova
 Regression analysis / Chi-squared test
 Action plan (5W,2H)

 Project management
Improve  Optimal process flow
 New process capacity (Sigma level)
 SPC (Statistical Process Control)

 Pokayokes
Control  Procedures and work instructions
 Change management
ESTRUTURA

International Certification
MBB
(Master 100% of Tools
Black Belts)
BB
95% of Tools
(Black Belts)
GB
60% of Tools
(Green Belts)
WB
20% of Tools
(White Belts)
The certification in Six Sigma is divided in belts
RETORNO SOBRE O INVESTIMENTO

Lean Six Sigma:
6s = 6$
Lean Six Sigma age aonde se cria valor
Revenues (SALES) PROJECTS IN MARKETING & SALES
PROJECTS IN OPERTIONS (MANUFACTURING,

- Cost of goods sold (COGS) SUPPLY CHAIN)
Contribution Margin
- Sales, general and administrative expenses (SG&A) PROJECTS IN ADMINISTRATION/SUPPORT

FUNCTIONS (FINANCE, HUMAN RESOURCES, IT)
Operating Margin (EBIT)
- Interest
Earnings Before Taxes (EBT)
- Taxes
Net Profit
Valor financeiro e estratégico

EVA REVENUES
PRICE
(Economic Value Added)
VOLUME
LABOR
OPERATING MARGIN
PRODUCTION COSTS
(EBTIDA) RAW MATERIALS
(COGS)
FIXED COSTS
OPERATING
MARGIN
RESEARCH & DEVELOPMENT LABOUR
AFTER
TAXES
SELLING EXPENSES
SALES, GENERAL &
ADMINISTRATIVE EXPENSES
GENERAL &
ADMINISTRATIVE
EVA OPERATING MARGIN CASH FLOW

(ECONOMIC
TAXES (EBTIDA)
VALUE RECEIVABLES
ADDED)
TAXES INVENTORY
EQUIPMENT
TOTAL ASSETS
OTHER ASSETS
INVESTMENT CAPITAL
INVESTOR CASH
CAPITAL ACCOUNTS PAYABLE
CURRENT LIABILITIES NOTES PAYABLE

INVESTMENT CAPITAL COSTS
OTHER CURRENT
LIABILITIES
RETORNO SOBRE O INVESTIMENTO
Company Saving comes from the % of

the invoice
Allied Signal 3.3
General Electric 1.2
Honeywell 2.4
ITT Industries 2.9
Motorola 4.5
Ford 2.3
Em média, uma empresa pode transformar de 2% a 4% da sua

receita em lucro extra com uma correta aplicação do LSS

Lean Six Sigma…
At the end of the day …
It’s all about Business !!!
Exemplos de Projetos

Redução do atraso nas entregas (Mat. Prima)
Pratical Problem Statistical Problem
 Business Case: Frequent late  Study of Process Capacity: in the

deliveries of fruit to the factory last 3 years, there has been a
~500.000 boxes (in 3 yrs). deviation of 100% between real
Impact of US$1.5MM in figures and forecasts
increased variable costs (low
productivity of trucks per delivery
and “spot” purchases at high
prices to fulfill contracts)
 Historic: frequently late in the last
3 years
Statistical Solution Pratical Solution

 Critical Variables:  Impact:
– Avaibability of tools/equipment – Reduction from 100% to 25% in defect
– Performance of transport generationi
– Performance of harvest equipment – Better interaction between farm and
factories
 Principal Actions:
– U$ 1.5 MM impanct in EBITDA
– Preventive maintenance plan for
equipment – Project execution length = 4 months
– Modifications of contracts based on
productivity of forwarders
– Improved planning between factories -
farms
– Implementation of emergency reserve
Impact: US$ 1.5MM in Cost Reduction in 4 Months
Exemplo: Infecção por cateter
Problema (2003):
 49 infecções em 37 pacientes com 19 óbitos
 Meta: Eliminar infecção em 90 dias

– Entender situação – transformar estatística em numero de pacientes
– Entender procedimento atual – validação de variação do procedimento
– 5 porquês – para encontrar a causa raiz
– Resolver os problemas no lugar e hora de ocorrência
– Providenciar aprendizado continuo para os novos funcionários
 Resultado (2006): 3 infecções em 3 pacientes com 0 óbito
Proprietary & Confidential Informatiom Copyright Optness Institute, 2013 34

Standard Work & 5S
Before After
35
Método Tradicional x Hospital Excellence

em infecções de cateter
Grau de severidade Atlas Pacientes com

Ano Internações Infecções Óbitos
(# maior, pior a condição) Infecção
2003 1753 1.9 36 49 19
2006 1832 2.2 3 3 0
Proprietary & Confidential Informatiom Copyright Optness Institute, 2013 36

DEFINIÇÃO
ESCOPO DO PROJETO

 Por Que Selecionar o Projeto?
A Seleção Correta do Projeto Assegura Que ...
– Recursos limitados são alocados eficientemente aos

projetos
– Apenas projetos de alto impacto ou alta prioridade

sejam executados
– O alcance do projeto é gerenciável
– O projeto é sustentável através do apoio adequado

proporcionado pelas partes interessadas e pelos
recursos
A Correta Seleção do Projeto é Crítica para o Sucesso da

Execução do Projeto
Escolha Adequada do Projeto
• Definido pelo nível estratégico da Organização juntamente com

o MBB baseando-se no desdobramento das metas e
relacionamento com as principais métricas
• Definido pelo nível tático da Organização juntamente com o BB

para cumprimento das metas de cada departamento
• Definido no nível operacional onde o próprio GB define o projeto

que vai desenvolver sendo suportado pelo BB

Sistema Integrado de Gestão:
O SS deve ser complementar a outros sistemas de gestão
Escolha adequada das ferramentas para

aperfeiçoar os processos
“Fruta selecionada”
6 Sigma – DFSS
Conversão de tecnologias
s PPM
6 3.4 } LIMIT E DO PROCESSO
5 233 “Fruita Superior”

} 6 Sigma - DMAIC
4 6.210 Otimização do processo
}
3 66.807 _________________________________________
} ‘Fruita mais baixas’
2 308.537 ISO, 5S, PDCA
8D / Kaizen
___________________________________________
CAPACIDADE FALHAS POR MILHÃO DE “Fruita que já está no
DO PROCESSO OPORTUNIDADES chão”
Logica: Faça e colha os
benefícios
© 1994 Dr. Mikel J. Harry - V4.0

O CONCEITO PDCA
O PDCA conhecido também como Ciclo de Deming, é o método de

Gestão utilizado nos sub-sistemas do programa de Qualidade da
empresa para o alcance das Metas de Planejamento, Manutenção e
Melhoria.
O PDCA é um método que busca a melhoria da organização para atingir

os resultados necessários à sua sobrevivência.
A Metodologia Seis Sigma – DMAIC visa levar a abordagem do ciclo

PDCA a um nível mais profundo empregando várias técnicas estatísticas
e ferramentas que permitam aumentar significativamente a capabilidade
dos processos
O CONCEITO PDCA

Os 3 Pilares de Excelência
Padronização, Gerenciamento da Rotina Diária, Projetos de Melhoria
"Padronizar"
Nível de
Desempenho
Projeto de Melhoria
“Gerenciament
"Padronizar" o da Rotina
Diária"
“Gerenciamento
Projeto de da Rotina Diária"
Melhoria
Processo
Atual
Time
Em Resumo…
• A metodologia Seis Sigma – DMAIC complementa e

aprimora o Sistema de Gestão atual levando-o a um novo
patamar de melhoria obtida, utilizando-se fortemente de
ferramentas estatísticas e de Gestão da Qualidade e
preocupando-se fortemente com o resultado financeiro
resultante

ESCOPO DO PROJETO
Quality Function Deployment (QFD)
Correlation Index:
SYSTEM AVAILABILITY
GOAL = 0% COMPLAIN
SUPPLY CHAIN COSTS:
CLIENT COMPLAINTS:
DEPARTMENT METRICS
INVOICE ACCURACY
LESS THAN 10 DAYS
PRODUCT QUALITY:
INVENTORY TURN:
MAXIMUN 7 DAYS
H – HIGH (9)
TIME TO SOLVE
RAW MATERIAL
M – MEDIUM (3)
IMPORT TIME :
GOAL: 100%
L – LOW (1)
GOAL: 100%
GOAL = 8
BUSINESS IMPORTANCE
-10%
STRATEGIC & CORPORATE
OPERATING MARGIN: + 10% 4 H L M H

CASHFLOW: +15% 4 L M M H
SALES: + 10% 3 M H H H M
GOALS
SERVICE LEVEL: REDUCE BY 2 DAYS DELIVERY TIME 5 H H L L H M

VARIABLE COSTS: - 10% 5 L L L L M
PRIORITY 85 59 53 61 99 59 30
Projeto de Melhoria - DMAIC

Y = PRECISÃO DA FATURA (OBJETIVO: 100%)
y1 = PRODUTO CORRETO y2 = QUANTIDADE y3 = PREÇO CORRETO

CORRETA
D D
M D M
A M A
I A I
C I C
C
-Projetos menores guiado por Green Belts e supervisionado por um Black Belt
- Projetos relacionados com a área funcional do GBs
- Tempo médio para conclusão do projeto: 3-4 meses
- Redução de pelo menos 50% do número de defeitos
- Impacto no lucro da a empresa
A metodologia DMAIC é aplicado a cada projeto

Quais características definem um bom
candidato a projeto Seis Sigma ?
 Escopo do projeto permite que seja terminado no período de 04 a 06 meses;
 Execução do projeto tem um impacto significativo para a Organização
(preferencialmente financeiro);
 Solução e/ou implementação de difícil execução e/ou não óbvios para a Organização;
 Se possível relacionado às atividades do dia a dia (Gestão da Rotina) ou fazem parte
dos objetivos definidos para a função naquele ano ;
 Ter um defeito claramente definido com uma métrica associada a ele;
 Potenciais ações a serem implementadas dentro das possibilidades e alinhada com a Visão
Estratégica da Organização;
 Pessoas a serem envolvidas dispostas e convencidas a negociarem parte do seu tempo
para ajudar no projeto
Conversa de Elevador (15 min.)
Pense num projeto que você poderia desenvolver. Prepare-se para explicar à
pessoa sentada ao seu lado em no máximo 1 minuto
As perguntas que ajudarão a preparar a sua "conversa de elevador"
• Qual processo que você deseja melhorar?
• Como você pretende coletar os dados para este projeto?
• Quem será envolvido na equipe de projeto?
• Qual é a métrica? Como a organização irá se beneficiar com este projeto?
• Que suporte que você precisa para garantir o sucesso deste projeto?

“Dentro e Fora” do Escopo do Projeto
Fora Dentro Fora
EQUIPE DE TRABALHO

Formação de Equipes (M.P.P.I)
Construção de Equipe Resolução de Problema
META
PAPÉIS / FUNÇÕES
PROCEDIMENTO
RELAÇÕES INTERPESSOAIS
As 4 Dimensões Críticas do Processo de Aceleração de

Mudança - MPPI:
M – Metas
A missão e as metas da equipe são claras e aceitas por todos os membros? Estão alinhadas
com o ambiente da equipe?
P – Papéis e Responsabilidades
Os papéis e responsabilidades foram claramente descritos e compreendidos? Os papéis assim
definidos apóiam as metas da equipe plenamente? Os membros da equipe possuem a
competência e os recursos necessários para preencher suas responsabilidades?
P – Processo e Procedimentos
Os processos e procedimentos operando no grupo (como métodos de solução de problemas,
procedimentos e de comunicação, processos de tomada de decisões, alocação de recursos)
são compreendidos e aceitos? Será que esses os procedimentos prestam apoio às metas e
funções da equipe?
I – Relações Interpessoais
As relações entre os membros da equipe são saudáveis e apoiam um bom trabalho de equipe?
Existe um nível saudável de confiança, abertura e aceitação dentro do grupo?

Checklist MPPI
Versão Ampliada da Ferramenta: Útil quando uma visão mais detalhada dos elementos da equipe é necessária.
Como você classificaria o grau de CLAREZA, ACORDO e EFETIVIDADE atual da sua equipe em relação aos seguintes elementos M.P.P.I?:
0% 50% 100%
M
 Propósito &Resultados
Compreendemos e estamos de acordo com a missão do nosso projeto e o resultado desejado
(visão)
 Cliente e Necessidades
Sabemos quem são as partes interessadas no projeto, o que necessitam e porque este projeto
realmente é necessário.
 Metas & Produtos
Identificamos metas & produtos específicas, mensuráveis & priorizadas ligadas às metas de
nosso negócio
 Dimensionamento do projeto
Compreendemos e estamos de acordo sobre qual a dimensão e tarefas do nosso projeto. O
dimensionamento do projeto está “ajustado”.
P
 Papéis e Responsabilidades
Já definimos e estamos de acordo em relação aos nossos papeis, responsabilidade, habilidades
& recursos necessários para a equipe do projeto.
 Autoridade & Autonomia
Nossa equipe entende claramente o grau de autoridade / poder que temos para alcançar a
missão do nosso projeto
P
 Fatores Críticos para o Sucesso
Conhecemos e estamos voltados aos fatores principais necessários para atingir as metas e a
missão do projeto.
 Planos e Atividades
Possuímos um plano de ação efetivo que inclui as tarefas certas; claramente
definidas/atribuídas.
 Monitoramento e Medições
Possuímos um processo de monitoramento efetivo & padrões de medição específicos ligados ao
progresso & metas.
 Cronograma/Marcos
Definimos nosso cronograma de projeto e sabemos quais são as principais fases e marcos.
I
 “Acordo Operacional” da Equipe
Compartilhamos expectativas, concordamos com e seguimos as diretrizes para o trabalho
conjunto de nossa equipe.
 Interpessoais/Equipe
Possuímos as relações, confiança, abertura, participação e comportamentos necessários para
uma equipe saudável e produtiva
Análise das Partes Envolvidas no Projeto

<Como levar esses
posicionamentos para o lado
dos favoráveis ao projeto?>
Fortemente Fortemente
Nome Função Contra Neutro Favor
Contra à Favor
Dir. Logistica Aprovador X
Dir. Financeiro Aprovador X
Dir. Comercial Aprovador X
Ger. Atendimento ao Cliente Membro X
Atendimento ao Cliente 01 Recurso X
Atendimento ao Cliente 02 Recurso X
Vendedor 01 Recurso X
Analista IT 01 Recurso X
Analista IT 02 Recurso X
Black Belt Membro X
Master Black Belt Aprovador X
Uma forma de se entender melhor o time que trabalhará no projeto é entender quais são os
recursos disponíveis e suas funções, bem como sobre o posicionamento de cada um sobre o projeto. A idéia é
equalizar o entendimento e o comprometimento de todo o time com o projeto e os resultados finais do mesmo
(Matriz de Campos de Forças).

Análise das Partes Envolvidas no Projeto
Fortemente Fortemente
Nome Função Contra Neutro Favor
Contra à Favor
Plano de ação :
CONTRATO DO PROJETO

Contrato do Projeto
Título do Projeto: Líder do Projeto: ID do Projeto:
Descrição do Projeto / Contexto:
Declaração Mensurável e Indicador: (O que é medido e como)
Qual indicador financeiro (ou não financeiro) será impactado?
Componentes do Projeto:
Inclui:
Dimensão do Projeto:
Não Inclui:
Contrato do Projeto
Recursos/Investimentos:
Ganhos
Financeiros:
Estratégicos:
Hipóteses:
Riscos:

Contrato do Projeto
Equipe:
Funcionário Função Papel / Responsabilidade (A,R,M ou I)
A - Aprovação das decisões da equipe fora das suas autoridades charter, i.e., patrocinador, líder empresarial.
R - Recurso para a equipe, cuja experiência, talentos ou “peso” pode ser requisitado ao leu.
M - Membro da equipe, com as autoridades e limites do charter.
I - Parte interessada, pessoa que deve ser mantida informada quanto à direção, descobertas, e se haverá apoio futuro
Cronograma:
Semana 1 – Treinamento: _______________________________
Definição – Data Prevista de Término: _______________________________
Medição – Data Prevista de Término: ______________________________
Semana 2 – Treinamento: _______________________________
Análise – Data Prevista de Término: _______________________________
Melhoria – Data Prevista de Término: _______________________________
Controle – Data Prevista de Término: _______________________________
Testes
1. Por Que é importante selecionar projetos?
2. Quais os principais elementos para a construção/resolução de problemas

em uma equipe?
3. O que é Análise das Partes Envolvidas no Projeto

Exerc. (15 Min.)
Execute o project chart do seu projeto e apresente ele a turma.
MEDIÇÃO

X1
X2 Y
INPUTS .
.
PROCESSO RESULTADO
.
Xn (EMPRESA)
Se queremos um bom Y, devemos controlar Y ou X?
Independência Dependência
Entrada Saída
Causa Efeito
Problema Sintonia
Controle Monitorar
E por que a maioria das empresas atuam em Y?

Dinâmica de Metodologia - O Efeito Funil
Mapa do Processo +20 INPUTS
Matriz C&E & Fishbone 10 - 15
8 - 10
(FMEA)
4-8
Análise Gráfica de Dados
3-6
Análise Estatística dos Dados
X Crítico
MAPA DO PROCESSO
 O que é esta ferramenta?  Quando usá-lo??

 É a ilustração gráfica do  Quase sempre
processo
 O que ele faz?  Quais são os seus resultados?

 Ele identifica:  Identificação dos gargalos e
 Todos os inputs do passos desnecessários
processo (X’s)  Identificação de oportunidades
 Todos os requisitos do de melhoria
consumidor (Y’s)  O entendimento comum
 Todas as etapas que equipe do processo
não criam valor
y = f (x1, x2 ,..., xk )
SÍMBOLOS DO MAPA DO PROCESSO
Operação (criar valor)
Espera, Atraso, Fila
Verificação, Inspeção
Candidatos para
eliminação
Armazenamento
Decisão
Movimento, Transporte

AS TRÊS VISÕES DO PROCESSO
MEDIÇÃO Análise Melhoria e Controle
O que você acha que é… O que realmente é…. Como você gostaria que
fosse…
AS TRÊS VISÕES DE UM PROCESSO
A fim de simplificar o processo (portanto, tornando-o menos suscetível a

uma margem de erro), e para reduzir o tempo de ciclo, a equipe deve
procurar maneiras de eliminar atividades que não agregam valor para o
cliente.
Esforce-se para eliminar todas as verificações, inspeções e todos os Rs:
- Recusa
- Revisão
- Retrabalho
- Reparação
- Refazer
Processos complexos retém uma maior margem de erro. Certifique-se

de simplificar o processo de seu projeto, tanto quanto possível.

Mapeamento do Fluxo de Valor
& Tempo Total de Ciclo
Mapear todas as atividades, analisar aqueles que não

agregam valor e fazer um plano para eliminá-las.
Iniciando o Mapa do Porcesso
 Trabalho da Equipe:
 Analistas, técnicos, gestores, fornecedores, clientes, funcionários da
fábrica... Todas as partes interessadas devem participar
 Inputs para o Mapa

 Brainstorming
 Guias, Procedimentos, Especificações
 Experiência da equipe
 6Ms:
• Mão humana, Maquinários, Método, Medição, Materiais, Meio
Ambiente
- 4Ps:
 Produto, Preço, Praça, Promoção

Passo1: Listar dos principais outputs para o
consumidor
Recolher o VOC: Voz do Cliente
MANUTENÇÃO DE
INPUTS EQUIPAMENTOS OUTPUTS
CTQs:
•Disponibilidade
de Uso
• Qualidade dos
Equipamentos
Passo 2: Mapear o processo e identificar as

atividades que não agregam valor
O processo deve ser exaustivamente discutido no início antes de chegar a um acordo
sobre a sua execução.
1 2 3 4 5 6 7 8 9
1. Faça o pedido de manutenção

2. Descreva Materiais necessários
3. Descreva os serviços necessários
4. Faça a cotação de materiais e serviços, com pelo menos três fornecedores
diferentes
5. Assine o contrato com fornecedores selecionados
6. Planeje a parada dos Equipamentos e do Pessoal
7. Execute a manutenção planejada
8. Avalie o Serviço de Manutenção
9. Feche o pedido de manutenção
CTQs: Disponibilidade de uso; Qualidade dos equipamentos

Passo 3: Traçar os CTQ em cada fase do processo
1 2 3 4 5 6 7 8 9
A A,B A,B A A A A,B B A,B
Passos:
CTQs:
2. Descreva Materiais necessários A – Disponibilidade de Uso
3. Descreva os serviços necessários
4. Faça a cotação de materiais e serviços, com pelo B – Qualidade dos
menos três fornecedores diferentes Equipamentos
A PARTE MAIS IMPORTANTE:
Neste ponto, devemos observar cada fase do processo e responder a

seguinte pergunta:
Em cada atividade, quais poderiam ser as possíveis fontes /

elementos de variação (X´s)?
Esta é a primeira vez que começamos a falar sobre potenciais fontes de

variação do processo. Estes serão o foco do nosso projeto LSS.
O objetivo final de um projeto LSS é identificar as poucas

variáveis críticas (X 's) que têm grande impacto sobre os requisitos do
cliente (do Y).

Passo 4: Lista das principais variáveis de input (Xs)
•Sistema de
Gestão da
Manutenção •Solicitação de •Planejar a
•# Peças •Aprovação •Disponibilida •'Check List' •Sistema de
•Descrição do Cotação para Produção
•Descrição do contrato de materiais de Avaliação Gestão da
problema Provedores •Plano de férias
•Descrição dos serviços pelo Diretor e equipe de de Serviço de Manutenção
•Fazer o da equipe
das Peças de necessários Industrial manutenção Manutenção
pedido com •Seleção de •Plano de
Substituição
antecedência Provedor treinamentos a
serem feitos
1 2 3 4 5 6 7 8 9
Passos:
CTQs:
2. Descreva Materiais necessários A – Disponibilidade de
3. Descreva os serviços necessários Uso
4. Faça a cotação de materiais e serviços, com pelo menos três
fornecedores diferentes B – Qualidade dos
Equipamentos
Exercício (30 min.)

Criar o Mapa de Processo de seu projeto
1. Dividir em grupos
2. Decidir sobre um projeto para o seu grupo
3. Projetar um mapeamento macro do processo a ser utilizado, a fim

de resolver o problema de um cliente imaginário
4. Listar todas as variáveis (Xs) e os requisitos do cliente (Ys)
5. Preparar uma apresentação de cinco minutos para o seu grupo

RESULTADOS DO MAPA DE PROCESSOS:
 Mostra complexidades e áreas problemáticas
 Identifica oportunidades
 Contrasta o fluxo real contra o ideal
 Gera acordo e alinhamento
 Fornece uma visão comum e macro do processo
Próximos passos…
MAPA DO PROCESSO DIAGRAMA
FISHBONE
PAPELADA LIGAR VAPOR DO

TANQUE DICY CARREGAR CARREGAR CARREGAR
1
DMF DICY 2MI
NOTA DE MATERIAIS Exatidão DA ESCALA

CARREGAR Exatidão CARREGAR Exatidão
CARREGAR Exatidão
PROCEDIMENTOS ISO PRE AQUECIMENTO
LIMPEZA AMBIENTE
(umidade) AMBIENTE
RETRABALHO (humidade)
MATEIRA PRIMA MATEIRA PRIMA
MATEIRA PRIMA
VELOCIDADE DO
MISTURADOR VELOCIDADE DO
MISTURADOR
ANÁLISE DE ESFORÇO E IMPACTO MATRIZ CAUSA E EFEITO

1 2 3 4 5 6 7 8 9 10 11
Low Capacity
Poor Reactor
Performance
Corrosion of
Moisture in
Equipment
Heavies in
Downtime
From Unit
Excessive
Acidity in
Lights in
Material
Product
Product
Product
Product
Losses
Process Step Process Inputs Total
139 Day Tanks Analysis 10 10 9 9 335

9 Reactor Cat./HF Ratio 5 8 7 157
7 Reactor Rxr Temperature 6 5 4 7 149
73 Lights Removal Condenser Leak 4 8 2 4 1 148
74 Lights Removal Reboiler Leak 4 8 2 4 1 148
131 Purification Low Stages 8 8 144
144 Final Storage Containers 3 2 6 6 140
100 Neutralization pH Value 6 6 3 138
16 Catalyst Stripper Pluggage 3 6 5 3 137
111 Drying Decomposition 2 6 3 2 2 134
39 Drier Water Carryover 4 6 5 1 132
34 Drier Molecular Sieve 3 3 2 7 2 125

Diagrama Fishbone
Objetivo: fornecer uma visão de todas as causas possíveis de um problema específico, a fim de:
- Ampliar a compreensão para ajudar a equipe a considerar todas as possíveis causas

- Aproveitar a experiência da equipe
- Tentar identificar as causas do problema
CAUSAS EFEITO
Causas
Dimensões
Declaração do
Problema
Diagrama Fishbone
1. Desenhe o diagrama em um quadro branco.
2. Anote a definição do problema baseada no não cumprimento dos CTQs do cliente
MEDIÇÃO MATERIAL MÃO HUMANA
DELCARAÇÃO
DO PROBLEMA
MÉIO AMBIENTE MÉTODO MAQUINÁRIO
3. Defina as dimensões de acordo com as classes que se encaixam com o seu

problema.
As dimensões devem ser estabelecidos para permitir que a equipe identificar as
possíveis causas ou áreas críticas do problema

Driagrama Fishbone
4. Faça um brainstorm de possíveis causas e as liste nas dimensões apropriadas
5. Para cada possível causa pergunte: ¨Por que ela está acontecendo¨?
CAUSA
POR QUÊ?
DECLARAÇÃO
DO PROBLEMA
MEIO AMBIENTE METÓDO MAQUINÁRIO
6. Procure por causas recorrentes que surgem em diferentes dimensões

7. Determine, em conjunto com a equipe, as causas mais prováveis e recorrentes
Fishbone
Processo: Redução do consumo de coque combustível na operação de fundição
medição de
variação de escala composição química das ervas temperatura do forno
umidade do coque
calibragem temperatura de cinzas dimensão de grãos qualidade da análise
alimentação de ervas secas adição de cinzas
medição de composição química do coque

temperatura do forno
REDUÇÃO DO
CONSUMO DE
tempo de ciclo COQUE
entrada de ar
umidade do ar
COMBUSTÍVEL
potência do forno
phases of coke addition atraso de manutenção
temporada de inverno
Recuperação NI
Falta de sistema de equilíbrio qualidade da análise
fornecedor
forno de circulação
MEIO AMBIENTE MÉTODO MAQUINÁRIO

Next Steps…
FISHBONE

TANQUE DICY CARREGAR CARREGAR CARREGAR
1
DMF DICY 2MI

CARREGAR Exatidão
LIMPEZA AMBIENTE
(umidade) AMBIENTE
MATERIA PRIMA MATERIA PRIMA
MATERIA PRIMA
VELOCIDADE DO
MISTURADOR
ANÁLISE DE ESFORÇO E IMPACTO MATRIZ CAUSA E EFEITO

1 2 3 4 5 6 7 8 9 10 11
Low Capacity
Poor Reactor
Performance
Corrosion of
Moisture in
Equipment
Heavies in
Downtime
From Unit
Excessive
Acidity in
Lights in
Material
Product
Product
Product
Product
Losses

Matriz Causa e Efeito
• Priorizar as exigências do cliente(Y’s = CTQ's*)
• Estimar o grau de impacto sobre o cliente (Y’s)
• Correlacionar X’s e Y’s e de priorizar os X’s
• Priorizar fontes de variação (X 's) identificadas pelo Mapa

de Processos e Análise Fishbone
*CTQ = Critical to Quality (Críticos para a qualidade)

Retomando o processo de manutenção
MANUTENÇÃO DE
INPUTS EQUIPAMENTOS OUTPUTS
CTQs:
•Disponibilidade de Uso
• Qualidade dos Equipamentos
•Sistema de •Solicitação de •Planejar a

•# Peças •Aprovação •Disponibilida •'Check List' •Sistema de
Gestão da Cotação para Produção
•Descrição do contrato de materiais de Avaliação Gestão da
Manutenção Provedores •Plano de férias
•Descrição dos serviços pelo Diretor e equipe de de Serviço de Manutenção
•Descrição do da equipe
das Peças necessários Industrial manutenção Manutenção
problema •Seleção de •Plano de
para
•Fazer o Provedor treinamentos a
Substituição
pedido com serem feitos
antecedência
1 2 3 4 5 6 7 8 9
1. Listar dos Principais Outputs (Y’s)

1 2 3 4 5 6 7 8 9 10
Quality of Equipments
Availability of Use
Requirement 10
Relative Weight (%)

Requirement 3
Requirement 4
Requirement 5
Requirement 6
Requirement 7
Requirement 8
Requirement 9
Process Outputs (Y's)

Absolute Weight
Process Inputs (X's)
Importance for the Client
X1
X2
X3
X4
X5
X6
X7
X8
X9
Esta lista é proveniente da primeira etapa do processo de mapeamento

2. Classificar os outputs (Y 's) de acordo com o
que é mais importante para o cliente
1 2 3 4 5 6 7 8 9 10
Availability of Use
Requirement 10
Relative Weight (%)

Requirement 3
Requirement 4
Requirement 5
Requirement 6
Requirement 7
Requirement 8
Requirement 9
Absolute Weight
Importance for the Client 10 9
X1
X2
X3
X4
X5
X6
X7
X8
X9
O nível de importância deve vir diretamente dos clientes e não pode ser repetido
(priorização forçado). Se possível, inclua o cliente final.
3. Lista dos principais inputs (X’s)

1 2 3 4 5 6 7 8 9 10
Availability of Use
Requirement 10
Relative Weight (%)

Requirement 3
Requirement 4
Requirement 5
Requirement 6
Requirement 7
Requirement 8
Requirement 9

Absolute Weight
X1 Maintenance Management System
X2 Problem Description
X3 Equipment Type
X4 Make Request in Advance
X5 # of Parts
X6 Description of Parts to Substitute
X7 Contact with Providers
X8 Selection of Providers
X9 Assessment Checklist
O X veio diretamente do Mapeamento de Processos.

Observe que as entradas seguem o Mapa de Processo passo-a-passo.

4. Correlacionar Inputs com Outputs
1 2 3 4 5 6 7 8 9 10
Availability of Use
Requirement 10
Relative Weight (%)

Requirement 3
Requirement 4
Requirement 5
Requirement 6
Requirement 7
Requirement 8
Requirement 9
Absolute Weight
X1 Maintenance Management System 10 10 180 16,3
X2 Problem Description 10 10 180 16,3
X3 Equipment Type 10 10 180 16,3
X4 Make Request in Advance 6 0 60 5,4
X5 # of Parts 10 10 180 16,3
X6 Description of Parts to Substitute 4 0 40 3,6
X7 Contact with Providers 6 0 60 5,4
X8 Selection of Providers 6 0 60 5,4
X9 Assessment Checklist 10 8 164 14,9
Estimativa Subjetiva de Influência de X’s em Y’s
5. Calcular o impacto ponderado e Priorizar

1 2 3 4 5 6 7 8 9 10
Availability of Use
Requirement 10
Relative Weight (%)

Requirement 3
Requirement 4
Requirement 5
Requirement 6
Requirement 7
Requirement 8
Requirement 9

Absolute Weight
X5 # of Parts 10 10 180 16,3
Neste ponto, começamos a ver quais variáveis têm maior impacto na variação do
processo

Exemplo de Análise de
Pareto
1 2 3 4 5 6 7 8 9 10
Availability of Use
Requirement 10
Relative Weight (%)

Requirement 3
Requirement 4
Requirement 5
Requirement 6
Requirement 7
Requirement 8
Requirement 9
Absolute Weight
X5 # of Parts 10 10 180 16,3
Neste momento começamos a sentir o que as variáveis são mais importantes para a
variação do processo
Observações finais
Os níveis de
importância 1 2 3 4 5 6 7 8 9 10
deverá ser
Availability of Use
classificados de 1
Requirement 10
Relative Weight (%)

Requirement 3
Requirement 4
Requirement 5
Requirement 6
Requirement 7
Requirement 8
Requirement 9

Absolute Weight
a 10, e não devem

ser repetidos
Os inputs X2 Problem Description 10 10 180 16,3
devem seguir o X3 Equipment Type 10 10 180 16,3

mapa do X4 Make Request in Advance 6 0 60 5,4
processo. Quanto maior o
X5 # of Parts 10 10 180 16,3 valor de X,
maior o impacto
sobre Y.
Indique o impacto de
cada X em cada Y.

Próximos Passos...
FISHBONE

TANQUE DICY CARREGAR CARREGAR CARREGAR 1
DMF DICY 2MI

CARREGAR Exatidão
LIMPEZA AMBIENTE
(umidade) AMBIENTE
MATEIRA PRIMA MATEIRA PRIMA
MATEIRA PRIMA
VELOCIDADE DO
MISTURADOR
ANÁLISE DE ESFORÇO E DE IMPACTO MATRIZ DE CAUSA E EFEITO

1 2 3 4 5 6 7 8 9 10 11
Low Capacity
Poor Reactor
Performance
Corrosion of
Moisture in
Equipment
Heavies in
Downtime
From Unit
Excessive
Acidity in
Lights in
Material
Product
Product
Product
Product
Losses

ANÁLISE DE ESFORÇO X IMPACTO

IMPACTO
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Availability of Use
Availability of Use
Requirement 10
Relative Weight (%)
Requirement 10
Relative Weight (%)

Requirement 3
Requirement 4
Requirement 5
Requirement 6
Requirement 7
Requirement 8
Requirement 9
s Outputs (Y's)
Requirement 3
Requirement 4
Requirement 5
Requirement 6
Requirement 7
Requirement 8
Requirement 9

Absolute Weight
Absolute Weight
ESFORÇO:
(custo, tempo, risco)
s) Process Inputs (X's)
for the Client 10 8 Importance for the Client 10 8
anagement System 10 10 X1 Maintenance Management System 10 180 10 16,3 180 16,3
ption 10 10 X2 Problem Description 10 180 10 16,3 180 16,3
e 10 10 X3 Equipment Type 10 180 10 16,3 180 16,3
n Advance 6 0 X4 Make Request in Advance 6 60 0 5,4 60 5,4
10 10 X5 # of Parts 10 180 10 16,3 180 16,3
Parts to Substitute 4 0 X6 Description of Parts to Substitute 4 40 0 3,6 40 3,6
oviders 6 0 X7 Contact with Providers 6 60 0 5,4 60 5,4
oviders 6 0 X8 Selection of Providers 6 60 0 5,4 60 5,4
hecklist 10 8 X9 Assessment Checklist 10 164 8 14,9 164 14,9

ANÁLISE DE ESFORÇO X IMPACTO
ALTO
(para agir em X)
ESFORÇO
BAIXO
BAIXO ALTO
IMPACTO
(impactos de X’s em exigências de cliente - Y’s)
O eixo horizontal provém da causa e efeito de matriz.

Resultados da Matriz de Causa&Efeito e

EsforçoxImpacto:
 Lista de possíveis X’s que afetam o processo
 Análise da equipe do X’s com o maior impacto sobre o cliente
 Compreensão ampliada e alinhados sobre o processo por todos

os membros da equipe
 Até o final do Mapa do Processo, da Fishbone e da Matriz de

Causa&Efeito, a equipe será capaz de ter uma visão clara
(subjetiva) de todas as variáveis que afetam o processo

Exercício (25 min.):
Pegue o mapa do processo desenvolvido anteriormente e

desenhe a Fishbone, Matriz de Causa&Efeito e a Análise de
Esforço x Impacto para identificar as potenciais fontes de
variação (X’s) do seu processo.
No final deste exercício, reveja o Mapa de Processo e

complemente com as novas variáveis identificadas pelo gráfico
Fishbone que estavam faltando no Mapa do Processo original.
Testes
1) O principal objetivo da fase MEDIÇÃO é:
a) definir quais processos devem ser melhorados para atender às exigências dos clientes
b) examinar o estado atual do processo e identificar possíveis fontes de variação
c) analisar e definir as principais fontes de variação do processo
d) melhorar o processo com base na identificação de fontes de variação
e) controlar as fontes de variação identificados para manter a capacidade do processo
2) Qual das seguintes afirmações é correta:
a) o Mapa do Processo, o Fishbone e a Matriz C&E são ferramentas obrigatórias na fase de MEDIÇÃO
b) as ferramentas listadas acima não são obrigatórios, mas usá-los na ordem listada acima é uma boa
maneira de começar a fase de MEDIÇÃO de um projeto Six Sigma
c) cada uma das fases de um projeto Six Sigma só é considerada completa após o uso correto de todas as
ferramentas
d) o Mapa do Processo é a única ferramenta obrigatório durante a fase de MEDIÇÃO, mas ele também
pode ser usado em outras fases (no entanto, a sua utilização não é obrigatória)
3) A ferramenta que indica o "efeito" e lista todas as possíveis "causas" é:
a) Mapa do Processo
b) Fishbone
c) Matriz Causa & Efeito

Testes
4) Em relação ao Mapa do Processo:
a) existe uma convenção internacional que exige que todos os usuários devem seguir os símbolos citados
neste capítulo como um procedimento padrão
b) cada passo do processo deve sempre conter os requisitos do cliente afetado e seus potenciais X’s.
c) deve-se empregar o Mapa de Processo na maneira como se considera melhor, no entanto o padrão
apresentado neste capítulo é bastante abrangente, contendo uma série de informações que irão ajudar nas
análises futuras
d) Todas as afirmações acima estão corretas
5) O resultado final da Matriz de Causa&Efeito indica:
a) Xs potenciais (avaliado subjetivamente), em ordem de grandeza impacto nos CTQs

b) Xs que temos de enfrentar em primeiro lugar
c) requisitos mais importantes do cliente
d) Xs que podem ser descartados por falta de impacto (ou de baixo impacto) sobre os CTQs do cliente
e) todas estão corretas
6) Associar as duas colunas de acordo com a definição mais coerente :
I. Requisitos do cliente(Ys) (a) Coleção de inputs para produzir um resultado que você quer melhorar;
II. Processo (Y) (b) Fontes de variação do processo (foco de qualquer projeto Six Sigma);
III. Variáveis (Xs) (c) Voz do cliente - elementos importantes para alcançar a satisfação do cliente.
ESTATÍSTICA BÁSICA

Estatística Básica
 Tabela de Freqüências e Histograma
 Medição de Tendência Central dos Dados

 Média
 Mediana
 Moda
 Medição de Dispersão dos Dados

 Amplitude
 Variância, Desvio Padrão
 Percentis, Quartis e Decis
 Distribuições de Probabilidade para dados Atributo e para

dados Variáveis
Tabela de Freqüências ou Histograma
 Podemos descrever o comportamento de qualquer processo ou

sistema através da plotagem de pontos de dados múltiplos para
a mesma variável
 Ao decorrer do tempo
 Por produto, reigão ou negócio
 Por diferentes pessoas, máquinas, etc...
• A distribuição de dados descreve a forma como o processo

tem sido comportando.
• A distribuição de dados pode ser ilustrado com as Tabelas de

Freqüência ou histogramas.

Histograma
25
20
15
Frequency
10
0
10 12 14 16 18
Sugestões :
• Número de Categorias = número total de dados
• Amplitude das Categorias = aproximadamente a amplitude dividida pelo número de categorias
• Amplitude das Categorias deve ser múltiplo ou divisor de 1, 2 ou 5
Exercise (10 min.)
1. Monte um Histograma com a altura das pessoas deste grupo.

Construção de Histogramas
Abrindo o Minitab e usando os dados do arquivo ‘Atendimento a Clientes.mpj’ , vamos
criar um Histograma:
Graph>Histogram
Construção de Histogramas
X = “nº de chamadas atendidas” - KPI para a produtividade do Call Center

nos Centros de Assistência ao Cliente
Deve-se
selecionar a
variàvel cujo
conjunto de
dados formara
o histograma

Histogramas começam a dar as primeiras informações com relação ao conjunto de dados

 Média
 Mediana
 Moda

 Amplitude

dados Variáveis

Parâmetros Populacionais vs Estatísticas de
Amostra
Exemplos de uma Exemplos de AMOSTRA:

POPULAÇÃO:
Valor de todas as contas a pagar de um Valor de 1000 contas

ano de todo os EUA de cidadões dos EUA
Um punhado de areia
Todos os grãos de areia na praia
X = Média de Amostra
m = População Média
s= s
^ = Desvio Padrão da Amostra
s = Desvio Padrão da População
Onde está o Centro dos Dados?

( 2 maneiras de descrever )
Média = O valor médio Mediana = o ponto de 50%,

(o “Centro de Gravidade”) (ou o “número do meio”)
Para encontrar a Mediana de um

Soma dos pontos de dados
conjunto de dados:
X= Número de pontos de dados (1) arranje os dados na ordem de
menor a maior
(2) o número do meio é a mediana!
1, 2, 3, 14, 85
A média é 21 1, 2, 3, 14, 85
- Usa todos os pontos de
dados A mediana é 3
- Fortemente influenciado - Não é influenciado por valores
por valores extremos extremos
Como chefe do Dpto. de Comunicação da universidade, lhe foi pedido resumir a
média dos salários iniciais dos formandos.
$10, 20, 30, 40, 50 ($ mil)
Qual é a renda média Qual é a renda Mediana?

(ou “centro de gravidade”)?
No entanto, seguindo conselho do Dpto. de Relações Públicas você considera

incluir um de seus antigos estudantes:
Shaquille O’Neal (estrela do basquete)
$10, 20, 30, 40, 5000 ($ mil)
Qual é a renda média Qual é a renda Mediana?

(ou “centro de gravidade”)?
Onde está o Centro dos Dados?
Moda: O valor que ocorre com mais freqüência. A moda pode não existir; e
caso exista, pode não ser única.
Embora a moda é especialmente utilizada para dados discretos, a sua utilização é

independente do tipo de dados disponíveis. Assim, ela pode ser usado para dados
contínuos também.
25
Valor de ocorrência mais elevada: 14
20 (essa é a moda do conjunto de dados)
15
Frequency
10
0
10 12 14 16 18

Exercício
Minitab pode facilmente calcular a Média e a Mediana
1. Abra Minitab
2. Abra arquivo: ‘Distribuições.mpj’
3. Realize o seguinte:
Stat>
Basic Statistics>
Graphical Summary
Exercício
4. Selecione as variaveis a serem
analisadas (todas de uma única
vez ou cada uma individualmente)
5. Clique em “OK”

Exercício
Em formato gráfico:
Histograma com
Summary for Normal
a curva normal A nderson-Darling Normality Test
associada a A -Squared 0,42
distribuição P -V alue 0,328
Mean 70,000 Media
StDev 10,000
V ariance 100,000
Skew ness -0,050008
Kurtosis 0,423256
N 500
Minimum 29,824
1st Q uartile 63,412
Median 69,977 Mediana
3rd Q uartile 76,653
30 40 50 60 70 80 90 100 Maximum 103,301
95% C onfidence Interv al for Mean
69,121 70,879
95% C onfidence Interv al for Median
69,021 70,737
95% C onfidence Interv al for StDev
9 5 % Confidence Inter vals
9,416 10,662
Mean
Median
69,0 69,5 70,0 70,5 71,0
Exercício
Agora, pode-se optar por obter as informações sobre as 3 distribuições tabuladas simultaneamente:
Comando no Minitab: Seleciona-se as variaveis a serem analisadas

Clique em ‘Statistics’ para avaliar os
Stat> parâmetros a serem estudados
Basic Statistics> Na opção ‘Graphs’ pode-se encontrar diversos
Display Descriptive Statistics tipos de gráficos (ex.: Histograma) que
ajudam nas analises

Diferentes Tipos de Distribuições
Histogram of Negativa Histogram of Positiva
250 140
120
200
100
150
Frequency
Frequency
80
60
100
40
50
20
0 0
0 12 24 36 48 60 72 70 80 90 100 110 120 130
Negativa Positiva
Assimetria Negativa Assimetria Positiva
Histogram of Normal
70
60
50
Frequency
40
30
20
10
0
30 40 50 60 70 80 90 100
Normal
Distribuição Simétrica
Relacionamento da Média & Mediana

Média ≠ Mediana Mediana ≠ Média
Histogram of Negativa Histogram of Positiva

250 140
120
200
100
150
Frequency
Frequency
80
60
100
40
50
20
0 0
0 12 24 36 48 60 72 70 80 90 100 110 120 130
Negativa Positiva
Média = Mediana
Histogram of Normal
70
60
50
Frequency
40
30
20
10
0
30 40 50 60 70 80 90 100
Normal


 Média
 Mediana
 Moda

 Amplitude

dados Variáveis
4 maneiras para Descrever a Dispersão dos Dados:
- Amplitude (Range) = R , é a diferença entre a maior e a

menor observação
- Interquartil (percentis, quartis), a quantidade % do valor

individual em um determinado espaço
- Variância = s2 (simplesmente o quadrado do desvio padrão,

utilizada para auxílio nos calculos envolvendo
desvio padrão)
- Desvio Padrão = s, "Distância" de um valor individual a partir

da média

Exercício
Em formato gráfico:
Histograma com
Summary for Normal
a curva normal A nderson-Darling Normality Test
associada a A -Squared 0,42
distribuição P -V alue 0,328
Mean 70,000
StDev 10,000
Desvio
V ariance 100,000 Padrão
Skew ness -0,050008
Kurtosis 0,423256
N 500
Minimum 29,824
1st Q uartile 63,412
Inter
Median 69,977
3rd Q uartile 76,653 quartis
30 40 50 60 70 80 90 100 Maximum 103,301
95% C onfidence Interv al for Mean
69,121 70,879
95% C onfidence Interv al for Median
69,021 70,737
95% C onfidence Interv al for StDev
9 5 % Confidence Inter vals
9,416 10,662
Mean
Median
69,0 69,5 70,0 70,5 71,0
Considerações Finais
• Sempre que estiver trabalhando com uma distribuição simétrica e sem

valores extremos, a média e o desvio padrão são ótimos indicadores de
tendência central e dispersão, respectivamente.
• Quando as distribuições são assimétricas e possuem valores extremos, os

melhores indicadores de tendência central e dispersão são, respectivamente,
a mediana e os quartis


 Média
 Mediana
 Moda

 Amplitude

dados Variáveis
Tipos de Dados
DADOS ATRIBUTOS
• Os dados são discretos (contados)
• Entre dois pontos há opções limitadas.
• por exemplo: Controle de Qualidade em produtos acabados "ok / not ok";
decisões gerenciais "promover / não promover"
DADOS VARIÁVEIS
• Os dados são contínuos (medidos).
• Entre dois pontos há possibilidades infinitas.
• por exemplo: preço de um produto (€), o tempo para entregar um pedido
(minutos), peso de caminhão (kg), resistência à tração de um cabo de aço
(kgf), diâmetro do tubo (mm);

Tipos de Dados
(2 Tipos, 3 Familias)
 DADOS ATRIBUTOS (ou DISCRETOS)– EVENTOS CONTÁVEIS
 (#1) BINOMIAL - Número de Itens numa Categoria (Proporções Baseado

em Contagem)
 Entrega no prazo: Sim / Não - # de Sim, # de Não.

 Preço ao Cliente : Preço Total / Desconto - # de clientes com o preço total, # de clientes
com deconto.
 (#2) POISSON - Contagem de Ocorrências Discretas em um Evento Contínuo

 # De arranhões em um carro
 # De erros em um pedido
 # De chamadas perdidas antes de ser assistida
 DADOS VARIÁVEIS (ou CONTINUOS) – DADOS MENSURAVEIS
 (#3) CONTINUOS
 Subdivisões Decimais são Significativos.
 Ex: Tempo p/atender telefone (# exato de seg. por chamada)
Diferentes Tipos de Dados Requerem Diferentes Ferramentas de Análise
Processo Comercial: Número de Erros em um Pedido
Amostra #1 Amostra #2 Amostra #3 Amostra #4

Distribuição
Binomial
“Estou contando algo?”
DADOS ATRIBUTOS
Tipo - I
Há erros?
(aceitar / rejeitar)
Reject Reject Accept Reject

Distribuição
Tipo - II
Poisson
Número de erros
em um pedido?
3 2 0 4
"Estou medindo?"
VARIÁVEIS
Distribuição
DADOS
Tempo para
Normal
entregar o
pedido?
36,1 h 23,6 h 4h 29,2 h

Processo de Manufatura: Chapas de Vidro
Amostra #1 Amostra #2 Amostra #3 Amostra #4
Distribuição
“Estou contando algo?”
DADOS ATRIBUTOS
Binomial
TIPO-I
Tem Bolhas?
(aceitar / rejeitar
o item todo)
Rejeitar Rejeitar Aceitar Rejeitar
Distribuição
TIPO-II
Poisson
Número de
Bolhas?
3 2 0 4
DADOS VARIÁVEIS
”Estou medindo?”
Distribuição Normal
Peso do
ou Outra
Vidro
Peso = 12.2 Peso = 12.4 Peso = 11.9 Peso = 12.1
Distribuições de Probabilidade
para Dados Discretos
• Quando analisamos a distribuição binomial (contando o número de itens
em uma determinada classe, por exemplo, número de produtos
rejeitados), a principal estatísticas que medimos é a porcentagem de itens
defeituosos / insatisfatório (geralmente representado por p: p-bar).
• Quando se avalia uma distribuição de Poisson (contando o número de

eventos de uma determinada unidade, por exemplo, o número de erros
na ordem), o principal aspecto que medimos é o número de defeitos em
uma certa unidade (geralmente representado por c: c-bar).
Exemplos:
• Porcentagem de notas fiscais devolvidas pelos clientes
• Porcentagem de compras feitas pelo site da empresa
• Número de veículos que passam pelo pedágio por minuto
• Número de candidatos recrutados em menos de um mês
• Porcentagem de tempo que o sistema da empresa fica sem trabalho.

Distribuição de Probabilidade Para Dados Contínuos
• A maioria dos dados contínuos na natureza e no ambiente de

trabalho têm distribuições de probabilidade que se assemelham
a um sino. Esta distribuição chama-se distribuição normal.
• Em todos os projetos onde estivermos tratando com uma

distribuição de dados contínuos, a distribuição normal é a
primeira que iremos tentar encaixar o processo sendo estudado
aplicando os testes adequados.
• Sempre que for possível, devemos nos esforçar para ter dados
contínuos. Podemos obter muito mais informação e análise mais
rica a partir de dados contínuos, mesmo que seja um pouco mais
complexo para coletá-los.
Distribuição Normal
Cedula de 10 marcos alemães com Gauss:

Teoria da Probabilidade da Distribuição Normal

DISTRIBUIÇÃO NORMAL

Limite de Especificação
p(x > a) = 1 e-(1/2)[(x - m)/s]2 dx
a
s 2
Podemos calcular a área além do

limite de especificação e estimar
a probabilidade de que o Área de Atuação
processo vai gerar um defeito. Probabilidade
de Defeito
- infinito + infinito
a
 A Distribuição "Normal" tem propriedades estatísticas especiais

muito úteis para melhoria de projetos.
 A maioria dos processos do ambiente de trabalho são

considerados distribuições normais.
A Distribuição Normal
Propriedade 1:
 Uma distribuição normal pode ser completamente descrita sabendo
apenas o seguinte:
 Média
 Desvio Padrão
Distribuição Um
Distribuição Dois
Distribuição Três
Qual é a diferença entre estas três distribuições normais?

Exemplo: Suponha que a distribuição do peso dos
jogadores de um time de futebol segue uma distribuição
Normal com m= 80 kg e s= 5 kg.
m3s m2s m1s m m+1s m+2s m+3s
Eixo X
65 70 75 80 85 90 95 (peso em kg)
A Curva Normal e Áreas de Probabilidade

Associados com o Desvio Padrão
Propriedade 2:
 A área sob as seções da curva pode ser usada para estimar a
probabilidade de ocorrência de um certo “evento”
68% Probabilidade de obter

Probabilidade do valor da amostra
40% um valor entre os dois

valores
30% 95%
20%
99,73%
10%
0%
-4 -3 -2 -1 0 1 2 3 4
Número de Desvios Padrões da Média

68% dos Jogadores tem peso entre 75 e 85 kg
m + 1s =
68%dos
indivíduos
Eixo X
65 70 75 80 85 90 95 (peso em kg)

m + 2s = 95% dos
indivíduos
Eixo X
65 70 75 80 85 90 95 (peso em kg)

99,7% dos Jogadores tem peso entre 65 e 95 kg
m + 1s =
68%dos
indivíduos
m + 3s = 99,7% dos indivíduos
Eixo X
65 70 75 80 85 90 95 (peso em kg)
Como posso saber se meus dados

estão distribuídos normalmente ?

Teste de Normalidade
 Podemos testar se um
conjunto de dados pode ser
descrito como “normal”
através da Plotagem em Papel
Normal .Se uma distribuição
se aproxima da normal, a
plotagem no papel normal
será uma linha reta.
 Minitab torna a plotagem no
papel normal fácil:
 Abra o arquivo:
‘Distributions.MPJ’
Stat>
Basic Statistics>
Normality Test
Teste de Normalidade
Selecione a coluna de
dados p/ analise da
normalidade dos
mesmos (obs.: somente
uma coluna por vez)
Este e o método mais

utilizado para anàlise de
normalidade de
distribuições. Deixe-o
sempre assinalado.

Histogram of Normal Probability Plot of Normal
Normal
70
99,9
Mean 70,00
60 StDev 10,00
99 N 500
AD 0,418
50 95 P-Value 0,328
90
Frequency
80
40 70
Percent
60
50
30 40
30
20
20 10
5
10
Se o Teste de
1
0 0,1
30 40 50 60 70 80 90 100 30 40 50 60 70 80 90 100 110
Normalidade
Normal Normal
250
Histogram of Negativa Probability Plot of Negativa
Normal
mostrar “P-value"
200
99,9
99
Mean
StDev
N
70,00
10,00
500
Menor que 0,05 -
então os dados
AD 44,491
95 P-Value <0,005
90
150
Frequency
80
NÃO ESTÃO bem

70
Percent
60
50
40
100 30
representados por
20
10
5
50
uma distribuição
1
0 0,1
0 12 24 36 48 60 72 0 20 40 60 80 100
normal
Negativa Negativa
Histogram of Positiva Probability Plot of Positiva

Normal
140
99,9
Mean 70,00
120 StDev 10,00
99 N 500
AD 46,489
100 95 P-Value <0,005
90
Frequency
80
80 70
Percent
60
50
60 40
30
20
40 10
5
20
1
0 0,1
70 80 90 100 110 120 130 40 50 60 70 80 90 100 110 120 130
Positiva Positiva
Conclusão: P-value para Teste de Normalidade
P-value ≥ 0,05* – NORMAL
P-value < 0,05* – NÃO É NORMAL
*detalhamentos no capitulo de ‘ Testes de Hipoteses’

Testes
1) Qual distribuição representa melhor cada um dos exemplos abaixo?
Para cada uma das seguintes aplicações, identifique o tipo de dado que estará investigando:
(Atributo Binomial, Atributo-Poisson ou Variáveis)
(a) Porcentagem de peças defeituosas
(b) Porcentagem de creme contido em garrafas de leite
(c) Tempo que leva para atender um pedido
(d) Número de imperfeições por metro quadrado de tecido
(e) Teste da acidez d'água (pH)
(f) Número de passas numa caixa cereais
(g) Número de peças defeituosas em lotes de tamanho 100
(h) Comprimento de parafusos
Testes
2) Abra o arquivo ‘Capítulo 4 – Teste #01.mpj’ e faça o teste de normalidade . Sua conclusão é :
a) a distribuição é normal;
b) a distribuição não é normal, portanto devemos tomar uma ação sobre o processo para normalizá-lo;
c) a distribuição não é normal e, portanto, devemos prosseguir com a análise tomando-se cuidado com as
suposições de normalidade que estão sendo feitas e procurando observar se a não normalidade é a característica
do processo ou se é causada por alguma fonte de variação
d) caso a não normalidade seja característica do processo, uma transformação matemática pode auxiliar a
análise
e) c) e d) estão corretas
3) Abra o arquivo ‘Capitulo 4 – Teste #02.mpj’ e usando o Minitab complete abaixo :
Média :_________________
Desvio padrão :__________
Variância :______________
p-value :_______________
Mediana :______________
Número total de indivíduos :__________

Testes
4) Correlacione as 2 colunas com a melhor definição :
I. Amplitude ( ) Para dados de atributos é a principal

estatística obtida
II. Desvio-Padrão ( ) Acima dela ou abaixo dela há sempre o

mesmo número de elementos
III.Média ( ) medida de dispersão dado pelo maior valor

menos o menor valor
IV. Mediana ( ) É a medida de centralização mais utilizada

nos projetos Seis Sigma
V. Porcentagem média de defeituosos ( ) Medida de dispersão calculada pela raiz

quadrada da média do quadrado da distância
dos elementos de uma distribuição até a média
Gráficos
GRÁFICOS Básicos
BÁSICOS

Diagrama de Dispersão
Diagramas de dispersão são usados para estudar e identificar as possíveis

correlações entre mudanças observadas entre dois conjuntos de variáveis.
Nos ajuda a confirmar se dois conjuntos são relacionados ou não.
Proporciona um método visual de determinar causa e efeito .
 Open ‘Vendors Evaluation.mpj’
 Relaciona-se com os testes de controle de qualidade entre fornecedores
e clientes
 Caminho:
 Graph>Scatterplot
Pode-se escolher o gráfico que mais se ajusta a necessidade. Como o

objetivo é entender visualmente se há algum tipo de correlação entre as
variáveis, sugere-se utilizar a opção “Simple”
Seleciona-se agora as variáveis X e Y para se montar o gráfico.

Usualmente X é a váriavel independente e Y a variável dependente.
Scatterplot of Resultados_Cliente vs Resultados_Fornecedor
420
400
Resultados_Cliente
380
360
340
320
350 375 400 425 450 475
Resultados_Fornecedor
Suponha que estamos comparando as medições feitas por um fornecedor e as medições feitas pelo cliente nas
mesmas peças. Que conclusões podemos tirar olhando o gráfico?

Gráfico de Tendência
 Abra ‘Customer Assistance.mpj’
 A variável Y é 'Nº de Ligações Atendidas' em um call center
Objetivo: identificar se existe algum tipo de correlação entre

a variável Y e o seu comportamento durante um
determinado período de tempo.
Sugestão: use a opção “Simple“.
Selecione a variável Y para ser capaz de estudar o seu comportamento

durante um determinado período de tempo.

Objetivo: Procure variações/mudanças de comportamento na variável Y ao longo de um

determinado período de tempo.
Como: Estabelecer uma base de desempenho esperado de Y

Comparar o histórico de desempenho com o atual
Comparar com diferentes processos/grupos
Box Plot
Outlier (fora da distância do 75a percentil + 1,5 vezes 75a
* percentil menos 25a percentil)
Observação Máxima (Para uma distância de
1,5 vezes 75a percentil menos 25a percentil)
75ª Percentil (Terceiro Quartil = Q3)
Mediana (50ª Percentil)
25ª Percentil (Primeiro Quartil = Q1)
Observação Mínima (Para uma distância de

1,5 vezes 75a percentil menos 25a percentil )

Box Plot
Abra o arquivo ‘Atendimento ao cliente.mpj’
Comando básico: Graph> Boxplot
Utilizado quando há apenas um Y. No entanto, se já identificamos

alguns X’s, podemos usar a seção "com grupos" para determinar
o comportamento Y segmentado pelas diferentes X’s .
Box Plot
Análise de Y, SEM estratificação
Análise de Y, COM estratificação

Box Plot
Análise de Y, SEM estratificação Análise de Y, COM estratificação
Boxplot of DBP Boxplot of DBP vs Dia

110 110
105
105
DBP
DBP
100
100
95
95
1 2 3 4 5 6
Dia
Distribuição de Y sem estratificação por Distribuicao de Y com estratificação

qualquer X pelo X = dia
Boxplots nos Ajuda a Ver a Distribuição dos Dados
Gráficos de Pareto
Gráfico de Pareto é uma técnica estatística que nos ajuda a selecionar os

problemas que podem produzir uma melhora geral significativa (oferece as
maiores oportunidades com retorno desproporcional). É útil onde muitos
cursos de ação possíveis estão competindo por atenção.
Vilfredo Pareto (economista/banqueiro italiano, 1848-1923) observou que 80%
da riqueza italiana estava concentrada em 20% da população. Ao continuar
seu estudo sobre o assunto, ele descobriu que o mesmo ocorre em muitos
outros setores. Ele, portanto, gerou a regra "80-20".
Exemplo: 80% de defeitos estão relacionados a 20% das causas potenciais.
Centrando-se em 20% das causas, podemos obter um impacto significativo e

rápido sobre os efeitos.

Gráficos de Pareto
Abrir o arquivo: ‘Manufactoring Plastic Covers.mpj’
Objetivo: entender as razões principais por rejeição em um determinado processo
X’s Frequência de Dados
Atenção: repare que para utilizar o comando deve haver pelo menos duas colunas - a
primeira com a característica que desejamos fazer o gráfico de Pareto e uma segunda
com a freqüência de ocorrência daquela característica.
Gráficos de Pareto
Descrição das
Causas
Frequência de
Ocorrências

Gráficos de Pareto
Princípio Pareto: 20% das causas são responsáveis Por 80% dos defeitos. Use-o para
organizar os dados, estabeleça prioridades e apresente a informação
objetivamente para os outros
Gráficos de Pareto
Número de Ocorrência de Defeitos
Porcentagem de Defeitos Individuais(%)
Percentual Acumulado de Defeitos (%)

Gráficos de Pareto
(Segundo Nível)
Um gráfico de Pareto pode ser formado usando “By Variable” (X’s).

Abra o arquivo: ‘Inspection Supplier.mpj’
Y = Falhas
X = Período
Repare que neste caso há uma única

coluna que contém o nome das
características para as quais se está
fazendo o Pareto . A freqüência com que
cada uma delas ocorre é calculada
automaticamente pelo Minitab.
Gráficos de Pareto
(Segundo Nível)
Stat>Quality Tools>Pareto Chart

Gráficos de Pareto
(Segundo Nível)
Testes:
1) Ferramenta muito útil na fase de Medição , mas que também pode ser empregada durante a fase de
Definição quando se quer identificar qual problema ocorre com maior freqüência e que, portanto, tem
preferência para ser atacado primeiro em um projeto Seis Sigma :
a) Diagrama de Pareto
b) Histograma
c) Gráfico de Tendência
d) Diagrama de dispersão
e) Box Plot
2) Ferramenta útil para avaliar a variação de um determinado “Y” variável quando ocorrem variações numa
variável “X” variável :
b) Histograma
e) Box Plot

Testes:
3) Ferramenta útil para observação do comportamento de uma variável ao longo do tempo servindo para
observar “outliers” e ocorrência de comportamentos “especiais” :
b) Histograma
e) todas acima
4) Qual das seguintes afirmativas é a mais correta :
a) os gráficos mostram quais são as principais fontes de variação que devem ser atacadas primeiro
b) todos os gráficos deste capítulo são obrigatórios de aparecer em um projeto Seis Sigma
c) os gráficos dão uma indicação de onde procurar por fontes de variação e como eliminá-las
d) os gráficos dão uma indicação de onde procurar por fontes de variação
COLETA DE DADOS

Importante:
Nesta fase é muito importante coletar o máximo possível de

informações sobre os Y’s e os X’s , mesmo que não se tenha muita
certeza se vai utilizar todos os dados .
É melhor descartar alguns dados no futuro do que ter que reiniciar

uma coleta de dados porque faltam informações sobre os X´s e Y’s.
Coletar a informação em uma planilha em Excel e depois

transportá-la para o Minitab muitas vezes constitui-se numa boa
prática a ser adotada.
Dados de Atributos
Para dados de atributos, deve-se criar uma planilha onde há uma (ou
várias) coluna para o(s) Y(‘s), onde para cada elemento observado do(s)
Y(s) coloca-se o resultado OK ou Não OK.
Para cada elemento observado devem constar, também, colunas com

informações sobre os X’s que ajudarão posteriormente na análise gráfica
dos dados .

Dados de Atributos
Vejamos este exemplo extraído do arquivo ‘Service Level.mtw’ que contém dados sobre o desempenho de
um processo de entrega de produtos. Observemos que nas colunas C2 a C7 há informações sobre X’s
potenciais que serão analisados e que podem ter influência sobre os Y’s .
As colunas C8 e C9 contêm o resultado para os dois Y’s ( “Dentro do Prazo” e “Correto” ) em cada caso que
foi analisado.
Dados Variáveis
Para dados variáveis, assim como no caso de dados de atributo, deve-se

criar uma planilha onde, por exemplo, há uma (ou várias colunas) para
o(s) Y(‘s) com o valor das medições feitas .
Para cada elemento observado devem constar, também, colunas com

informações sobre os X’s que ajudarão posteriormente na análise gráfica
dos dados .

Dados Variáveis
Exercício com a catapulta
1-Abra um novo arquivo em Minitab
2- Um turno de catapulta constitui-se de 5 tiros (a cada

turno troca-se os elásticos)
3- O processo será executado

durante 6 dias (2 turnos por dia)
4- Deve-se variar o ângulo de lançamento (tiro 1 :1300,

tiro 2 : 1400, tiro 3 : 1500, tiro 4 : 1600, tiro 5 : 1700 )
5 - A cada turno troca-se de operador (após 3 dias voltam

os mesmos operadores em ordem inversa)
6 - As 4 balas são trocadas aleatoriamente

(ver página seguinte para geração de
números aleatórios em Minitab)
7 - Deve ser medida a distância do lançamento
8 – Salve o arquivo como ‘Ex_catapult.mtw’
Testes:
1) Se os dados do processo ( “Y” variável ) que se está estudando não se encontram distribuídos normalmente qual a
melhor coisa a ser feita ?
a) abandonar o projeto, pois ele só pode ser executado se os dados estiverem normalmente distribuídos
b) executar o projeto normalmente. O fato dos dados serem normais ou não tem pouca influência na análise estatística
dos dados
c) transformar matematicamente ( com o auxílio do MBB ) os dados até que a distribuição seja normal , tomando-se o
cuidado de fazer a mesma transformação para a(s) especificação (ões)
d) encontrar as causas da não normalidade da distribuição e tomar ação corretiva até normalizá-la
e) n.d.a
2) Quando o processo que se está estudando tem dados de atributo ( “Y” tipo Ok/Não Ok ) qual o tipo de informação
que se pode tirar :
a) porcentagem de peças Ok e Não Ok ocorridas durante um período
b) gráfico de Pareto dos tipos de defeitos
c) relação entre o as porcentagens de defeitos relacionadas a diferentes categorias de um determinado X
d) todas acima são informações que devem ser tiradas, sempre que possível, de dados de atributo
3) Associe as 2 colunas:
I. Pareto ( ) a)Ferramenta p/ estudar influência de diferentes categorias de “X” num Y variável

II. Diagrama de dispersão ( ) b)Medida de dispersão(espalhamento) dos dados para dados variáveis
III. Média, mediana, moda ( ) c)Ferramenta para estudar a influência de um “X” variável num “Y” variável
IV. Desvio padrão ( ) d)Medida de centralização dos dados para dados variáveis
V. Box Plot ( ) e)Ferramenta que pode ser utilizada para analisar a quantidade percentual de
obter unidades defeituosas para diferentes categorias de um “X”

Estudos de Capabilidade
Lembra-se deste quadro ?..... Chegou a hora de entendê-lo !
Seis Sigma - Objetivo

Curto Longo
s Prazo Prazo PPM
2 0,5 308.537
3 1,5 66.807
4 2,5 6.210
5 3,5 233
6 4,5 3,4
Capabilidade
}
Defeitos por Milhão

do Processo = ± 1,5s de Oportunidades
Sigma é uma unidade estatística de medida que reflete a capabilidade do processo

(a capacidade de um processo para gerar outputs das exigências da do cliente). A
escala sigma de medida é perfeitamente correlacionada a características como
defeitos-por-unidade, peças defeituosas por milhão, e à probabilidade de falha/erro.
Seis Sigma corresponde a peças por bilhão se o processo for centrado

Estudos de Capabilidade
Tem como principal função medir a probabilidade de um processo gerar defeitos.
Um defeito é uma output do processo que não atender aos seguintes requisitos:
• Objetivos de negócio ou metas estratégicas
• Requisitos do cliente ou resultados esperados
• As especificações do produto ou padrões de qualidade
• Condições legais ou regulamentares
Quanto maior for a capabilidade, menor a probabilidade de um processo gerar

defeitos.
Em outras palavras, quanto maior é o nível de sigma (representada pelo valor

Z), menor será o* DPMO.
*DPMO: Defects per Million Opportunities - índice percentual de defeitos (% de

defeitos).
Como Conduzir o Estudo de Capabilidade?
1. Determine com que tipo de dados está lidando: variável ou atributo?
2. Colete os dados durante um prazo razoável de tempo: isto é, de modo a

formar uma imagem do processo que você acredita representar a variação
típica a qual seu processo está normalmente sujeito.
3. Sendo variável contínua, avalie a estabilidade e a normalidade da

distribuição de seus dados.
4. Analise a probabilidade do processo de gerar defeitos utilizando os cálculos

de capabilidade do Minitab e Excel.

Antes de começar, vamos ter certeza de que
entendemos alguns conceitos estatísticos
importantes.
Começamos por entender o que significa:
Z transformado
Z Transformado
Suponha que a distribuição do peso dos jogadores de um time de futebol segue uma distribuição
Eixo X
65 70 75 80 85 90 95 (peso em kg)

Z Transformado
Suponha que a distribuição do peso dos jogadores de um time de futebol segue uma distribuição Normal
com m= 80 kg e s= 5 kg.
m + 1s =
68%dos
indivíduos
Eixo X
65 70 75 80 85 90 95 (peso em kg)
Z Transformado
m + 2s = 95% dos
indivíduos
Eixo X
65 70 75 80 85 90 95 (peso em kg)

Z Transformado
99,7% dos Jogadores tem peso entre 65 e 95 kg
m + 1s =
68%dos
indivíduos
m + 3s = 99,7% dos indivíduos
Eixo X
65 70 75 80 85 90 95 (peso em kg)
Z Transformado
O valor do parâmetro estatístico Z é a distância de um valor

“x” até a média em quantidade de desvios-padrão
VALOR FIXADO NO EIXO ‘X’
MÉDIA POPULACIONAL
CALCULADA
VALOR DE ‘Z’
x-m
Z=
s
DESVIO PADRÃO
POPULACIONAL
CALCULADA

Para a “Estatística Z" foi desenvolvido um eixo padronizado conhecido como “Eixo Z“.
Por exemplo. quando o processo é de 2 desvio padrão da média, o valor de Z '-2' refere-se ao
ponto que é de 2 desvios-padrão abaixo da média.
EXERCÍCIO: Qual a probabilidade de um jogador ter menos de 70kg?
65 70 75 80 85 90 95 Eixo X
-2 Zeixo
(Desv’s Padr. da Média)
Z Transformado - A Regra Empírica
68%
Probabilidade do valor da amostra
40%
30% 95%
20%
99,73%
10%
0%
Eixo Z
-4 -3 -2 -1 0 1 2 3 4
m4s m3s m2s m1s m m+1s m+2s m+3s m+4s Eixo X
( µ ± Nσ )
Z é a área abaixo da curva e é uma probabilidade

Curva de Probabilidade
Exercício:
A distribuição de dados do tempo de espera para uma cirurgia específica no sistema público de
saúde na Itália é uma distribuição normal com uma média de 266 dias, com um desvio padrão
de 16 dias. Com base nesses dados, um indivíduo tem uma probabilidade de ter a cirurgia em
menos de 234 dias, ou mais de 282 dias?
LIE = 234 LSE = 282
s = 16
P ( x < 234 ) P ( x > 282 )
m = 266
P ( x > LSE = 282 ) = P ( Z > ZLSE ) =
P ( x < LIE = 234 ) = P ( Z < ZLIE ) =
Qual a probabilidade de uma pessoa realizar a cirurgia em menos de 234 dias ou de mais de
282 dias?
P ( Z > ZLSE ) + P ( Z < ZLIE ) =

Z= X-µ LIE = 234 LSE = 282

σ
s =16
P ( x < 234 ) P ( x > 282 )
m = 266
-2σ = 95% → 100% - 95% = 5%

Z 234 = 234 – 266. = - 2 +1σ = 68% → 100% - 68% = 32%
16
5% / 2 = 2,5% → P ( Z < -2 ) = 2,5% 32% / 2 = 16% → P ( Z > +1 ) = 16%
Z 282 = 282 – 266. = + 1

16 P (234 days) = 2,5% P (282 days) = 16%
Ptotal = 2,5% + 16% = 18,5%

A Estatística Z
Sabemos, então, que o termo usado para calcular a probabilidade em distribuições normais é
estatística “Z”, que é uma relação de dois valores absolutos e, portanto, sem dimensão.
Porém como faremos quando o valor da estatística “Z” for diferente de 0; +1; +2; +3 ?
m +1s +2s +3s +4s
(x - m)
z=
s

Tabela da Estatística “Z” Z
0.0
0
5.00E-01
0.01
4.96E-01
0.02
4.92E-01
0.03
4.88E-01
0.04
4.84E-01
0.05
4.80E-01
0.06
4.76E-01
0.07
4.72E-01
0.08
4.68E-01
0.09
4.64E-01
0.1 4.60E-01 4.56E-01 4.52E-01 4.48E-01 4.44E-01 4.40E-01 4.36E-01 4.33E-01 4.29E-01 4.25E-01
0.2 4.21E-01 4.17E-01 4.13E-01 4.09E-01 4.05E-01 4.01E-01 3.97E-01 3.94E-01 3.90E-01 3.86E-01
0.3 3.82E-01 3.78E-01 3.75E-01 3.71E-01 3.67E-01 3.63E-01 3.59E-01 3.56E-01 3.52E-01 3.48E-01
0.4 3.45E-01 3.41E-01 3.37E-01 3.34E-01 3.30E-01 3.26E-01 3.23E-01 3.19E-01 3.16E-01 3.12E-01
0.5 3.09E-01 3.05E-01 3.02E-01 2.98E-01 2.95E-01 2.91E-01 2.88E-01 2.84E-01 2.81E-01 2.78E-01
0.6 2.74E-01 2.71E-01 2.68E-01 2.64E-01 2.61E-01 2.58E-01 2.55E-01 2.51E-01 2.48E-01 2.45E-01
0.7 2.42E-01 2.39E-01 2.36E-01 2.33E-01 2.30E-01 2.27E-01 2.24E-01 2.21E-01 2.18E-01 2.15E-01
0.8 2.12E-01 2.09E-01 2.06E-01 2.03E-01 2.01E-01 1.98E-01 1.95E-01 1.92E-01 1.89E-01 1.87E-01
z
0.9 1.84E-01 1.81E-01 1.79E-01 1.76E-01 1.74E-01 1.71E-01 1.69E-01 1.66E-01 1.64E-01 1.61E-01
1.0 1.59E-01 1.56E-01 1.5 39E01 1.52E-01 1.49E-01 1.47E-01 1.45E-01 1.42E-01 1.40E-01 1.38E-01
1.1 1.36E-01 1.34E-01 1.31E-01 1.29E-01 1.27E-01 1.25E-01 1.23E-01 1.21E-01 1.19E-01 1.17E-01
1.2 1.15E-01 1.13E-01 1.11E-01 1.09E-01 1.08E-01 1.06E-01 1.04E-01 1.02E-01 1.00E-01 9.85E-02
1.3 9.68E-02 9.51E-02 9.34E-02 9.18E-02 9.01E-02 8.85E-02 8.69E-02 8.53E-02 8.38E-02 8.23E-02
1.4 8.08E-02 7.93E-02 7.78E-02 7.64E-02 7.49E-02 7.35E-02 7.21E-02 7.08E-02 6.94E-02 6.81E-02
1.5 6.68E-02 6.55E-02 6.43E-02 6.30E-02 6.18E-02 6.06E-02 5.94E-02 5.82E-02 5.71E-02 5.59E-02
Exemplo :
1.6 5.48E-02 5.37E-02 5.26E-02 5.16E-02 5.05E-02 4.95E-02 4.85E-02 4.75E-02 4.65E-02 4.55E-02
1.7 4.46E-02 4.36E-02 4.27E-02 4.18E-02 4.09E-02 4.01E-02 3.92E-02 3.84E-02 3.75E-02 3.67E-02
1.8 3.59E-02 3.52E-02 3.44E-02 3.36E-02 3.29E-02 3.22E-02 3.14E-02 3.07E-02 3.01E-02 2.94E-02
1.9 2.87E-02 2.81E-02 2.74E-02 2.68E-02 2.62E-02 2.56E-02 2.50E-02 2.44E-02 2.39E-02 2.33E-02
Probabilidade de z>1,25
2.0 2.28E-02 2.22E-02 2.17E-02 2.12E-02 2.07E-02 2.02E-02 1.97E-02 1.92E-02 1.88E-02 1.83E-02
2.1 1.79E-02 1.74E-02 1.70E-02 1.66E-02 1.62E-02 1.58E-02 1.54E-02 1.50E-02 1.46E-02 1.43E-02
2.2 1.39E-02 1.36E-02 1.32E-02 1.29E-02 1.26E-02 1.22E-02 1.19E-02 1.16E-02 1.13E-02 1.10E-02
2.3 1.07E-02 1.04E-02 1.02E-02 9.90E-03 9.64E-03 9.39E-03 9.14E-03 8.89E-03 8.66E-03 8.42E-03
2.4 8.20E-03 7.98E-03 7.76E-03 7.55E-03 7.34E-03 7.14E-03 6.95E-03 6.76E-03 6.57E-03 6.39E-03
1,25 = 1,2 + 0,05 2.5
2.6
6.21E-03
4.66E-03
6.04E-03
4.53E-03
5.87E-03
4.40E-03
5.70E-03
4.27E-03
5.54E-03
4.15E-03
5.39E-03
4.02E-03
5.23E-03
3.91E-03
5.09E-03
3.79E-03
4.94E-03
3.68E-03
4.80E-03
3.57E-03
2.7 3.47E-03 3.36E-03 3.26E-03 3.17E-03 3.07E-03 2.98E-03 2.89E-03 2.80E-03 2.72E-03 2.64E-03
2.8 2.56E-03 2.48E-03 2.40E-03 2.33E-03 2.26E-03 2.19E-03 2.12E-03 2.05E-03 1.99E-03 1.93E-03
COLUNA LINHA 2.9 1.87E-03 1.81E-03 1.75E-03 1.70E-03 1.64E-03 1.59E-03 1.54E-03 1.49E-03 1.44E-03 1.40E-03
=10,6 % 3.0
3.1
1.35E-03
9.68E-04
1.31E-03
9.35E-04
1.26E-03
9.04E-04
1.22E-03
8.74E-04
1.18E-03
8.45E-04
1.14E-03
8.16E-04
1.11E-03
7.89E-04
1.07E-03
7.62E-04
1.04E-03
7.36E-04
1.00E-03
7.11E-04
3.2 6.87E-04 6.64E-04 6.41E-04 6.19E-04 5.98E-04 5.77E-04 5.57E-04 5.38E-04 5.19E-04 5.01E-04
3.3 4.84E-04 4.67E-04 4.50E-04 4.34E-04 4.19E-04 4.04E-04 3.90E-04 3.76E-04 3.63E-04 3.50E-04
3.4 3.37E-04 3.25E-04 3.13E-04 3.02E-04 2.91E-04 2.80E-04 2.70E-04 2.60E-04 2.51E-04 2.42E-04
3.5 2.33E-04 2.24E-04 2.16E-04 2.08E-04 2.00E-04 1.93E-04 1.86E-04 1.79E-04 1.72E-04 1.66E-04
3.6 1.59E-04 1.53E-04 1.47E-04 1.42E-04 1.36E-04 1.31E-04 1.26E-04 1.21E-04 1.17E-04 1.12E-04
3.7 1.08E-04 1.04E-04 9.97E-05 9.59E-05 9.21E-05 8.86E-05 8.51E-05 8.18E-05 7.85E-05 7.55E-05
3.8 7.25E-05 6.96E-05 6.69E-05 6.42E-05 6.17E-05 5.92E-05 5.68E-05 5.46E-05 5.24E-05 5.03E-05
3.9 4.82E-05 4.63E-05 4.44E-05 4.26E-05 4.09E-05 3.92E-05 3.76E-05 3.61E-05 3.46E-05 3.32E-05
4.0 3.18E-05 3.05E-05 2.92E-05 2.80E-05 2.68E-05 2.57E-05 2.47E-05 2.36E-05 2.26E-05 2.17E-05
4.1 2.08E-05 1.99E-05 1.91E-05 1.82E-05 1.75E-05 1.67E-05 1.60E-05 1.53E-05 1.47E-05 1.40E-05
4.2 1.34E-05 1.29E-05 1.23E-05 1.18E-05 1.13E-05 1.08E-05 1.03E-05 9.86E-06 9.43E-06 9.01E-06
4.3 8.62E-06 8.24E-06 7.88E-06 7.53E-06 7.20E-06 6.88E-06 6.57E-06 6.28E-06 6.00E-06 5.73E-06
4.4 5.48E-06 5.23E-06 5.00E-06 4.77E-06 4.56E-06 4.35E-06 4.16E-06 3.97E-06 3.79E-06 3.62E-06
4.5 3.45E-06 3.29E-06 3.14E-06 3.00E-06 2.86E-06 2.73E-06 2.60E-06 2.48E-06 2.37E-06 2.26E-06
4.6 2.15E-06 2.05E-06 1.96E-06 1.87E-06 1.78E-06 1.70E-06 1.62E-06 1.54E-06 1.47E-06 1.40E-06
4.7 1.33E-06 1.27E-06 1.21E-06 1.15E-06 1.10E-06 1.05E-06 9.96E-07 9.48E-07 9.03E-07 8.59E-07
4.8 8.18E-07 7.79E-07 7.41E-07 7.05E-07 6.71E-07 6.39E-07 6.08E-07 5.78E-07 5.50E-07 5.23E-07
4.9 4.98E-07 4.73E-07 4.50E-07 4.28E-07 4.07E-07 3.87E-07 3.68E-07 3.50E-07 3.32E-07 3.16E-07
Z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
Tabela da Estatística “Z” 5.0

5.1
3.00E-07
1.80E-07
2.85E-07
1.71E-07
2.71E-07
1.62E-07
2.58E-07
1.54E-07
2.45E-07
1.46E-07
2.32E-07
1.39E-07
2.21E-07
1.31E-07
2.10E-07
1.25E-07
1.99E-07
1.18E-07
1.89E-07
1.12E-07
5.2 1.07E-07 1.01E-07 9.59E-08 9.10E-08 8.63E-08 8.18E-08 7.76E-08 7.36E-08 6.98E-08 6.62E-08
5.3 6.27E-08 5.95E-08 5.64E-08 5.34E-08 5.06E-08 4.80E-08 4.55E-08 4.31E-08 4.08E-08 3.87E-08
5.4 3.66E-08 3.47E-08 3.29E-08 3.11E-08 2.95E-08 2.79E-08 2.64E-08 2.50E-08 2.37E-08 2.24E-08
5.5 2.12E-08 2.01E-08 1.90E-08 1.80E-08 1.70E-08 1.61E-08 1.53E-08 1.44E-08 1.37E-08 1.29E-08
5.6 1.22E-08 1.16E-08 1.09E-08 1.03E-08 9.78E-09 9.24E-09 8.74E-09 8.26E-09 7.81E-09 7.39E-09
5.7 6.98E-09 6.60E-09 6.24E-09 5.89E-09 5.57E-09 5.26E-09 4.97E-09 4.70E-09 4.44E-09 4.19E-09
5.8 3.96E-09 3.74E-09 3.53E-09 3.34E-09 3.15E-09 2.97E-09 2.81E-09 2.65E-09 2.50E-09 2.36E-09
5.9 2.23E-09 2.11E-09 1.99E-09 1.88E-09 1.77E-09 1.67E-09 1.58E-09 1.49E-09 1.40E-09 1.32E-09
z 6.0 1.25E-09 1.18E-09 1.11E-09 1.05E-09 9.88E-10 9.31E-10 8.78E-10 8.28E-10 7.81E-10 7.36E-10
6.1 6.94E-10 6.54E-10 6.17E-10 5.81E-10 5.48E-10 5.16E-10 4.87E-10 4.59E-10 4.32E-10 4.07E-10
6.2 3.84E-10 3.61E-10 3.40E-10 3.21E-10 3.02E-10 2.84E-10 2.68E-10 2.52E-10 2.38E-10 2.24E-10
6.3 2.11E-10 1.98E-10 1.87E-10 1.76E-10 1.66E-10 1.56E-10 1.47E-10 1.38E-10 1.30E-10 1.22E-10
6.4 1.15E-10 1.08E-10 1.02E-10 9.59E-11 9.02E-11 8.49E-11 7.98E-11 7.51E-11 7.06E-11 6.65E-11
6.5 6.25E-11 5.88E-11 5.53E-11 5.20E-11 4.89E-11 4.60E-11 4.32E-11 4.07E-11 3.82E-11 3.59E-11
6.6 3.38E-11 3.18E-11 2.98E-11 2.81E-11 2.64E-11 2.48E-11 2.33E-11 2.19E-11 2.06E-11 1.93E-11
6.7 1.82E-11 1.71E-11 1.60E-11 1.51E-11 1.42E-11 1.33E-11 1.25E-11 1.17E-11 1.10E-11 1.04E-11
6.8 9.72E-12 9.13E-12 8.57E-12 8.05E-12 7.56E-12 7.10E-12 6.66E-12 6.26E-12 5.87E-12 5.52E-12
6.9 5.18E-12 4.86E-12 4.56E-12 4.28E-12 4.02E-12 3.77E-12 3.54E-12 3.32E-12 3.12E-12 2.93E-12
7.0 2.75E-12 2.58E-12 2.42E-12 2.27E-12 2.13E-12 2.00E-12 1.87E-12 1.76E-12 1.65E-12 1.55E-12
7.1 1.45E-12 1.36E-12 1.28E-12 1.20E-12 1.12E-12 1.05E-12 9.88E-13 9.26E-13 8.69E-13 8.15E-13
7.2 7.64E-13 7.16E-13 6.72E-13 6.30E-13 5.90E-13 5.54E-13 5.19E-13 4.86E-13 4.56E-13 4.28E-13
7.3 4.01E-13 3.76E-13 3.52E-13 3.30E-13 3.09E-13 2.90E-13 2.72E-13 2.55E-13 2.39E-13 2.24E-13
7.4 2.10E-13 1.96E-13 1.84E-13 1.72E-13 1.62E-13 1.51E-13 1.42E-13 1.33E-13 1.24E-13 1.17E-13
7.5 1.09E-13 1.02E-13 9.58E-14 8.98E-14 8.41E-14 7.87E-14 7.38E-14 6.91E-14 6.47E-14 6.06E-14
7.6 5.68E-14 5.32E-14 4.98E-14 4.66E-14 4.37E-14 4.09E-14 3.83E-14 3.58E-14 3.36E-14 3.14E-14
7.7 2.94E-14 2.76E-14 2.58E-14 2.42E-14 2.26E-14 2.12E-14 1.98E-14 1.86E-14 1.74E-14 1.63E-14
7.8 1.52E-14 1.42E-14 1.33E-14 1.25E-14 1.17E-14 1.09E-14 1.02E-14 9.58E-15 8.97E-15 8.39E-15
7.9 7.85E-15 7.35E-15 6.88E-15 6.44E-15 6.02E-15 5.64E-15 5.28E-15 4.94E-15 4.62E-15 4.32E-15
8.0 4.05E-15 3.79E-15 3.54E-15 3.31E-15 3.10E-15 2.90E-15 2.72E-15 2.54E-15 2.38E-15 2.22E-15
8.1 2.08E-15 1.95E-15 1.82E-15 1.70E-15 1.59E-15 1.49E-15 1.40E-15 1.31E-15 1.22E-15 1.14E-15
8.2 1.07E-15 9.99E-16 9.35E-16 8.74E-16 8.18E-16 7.65E-16 7.16E-16 6.69E-16 6.26E-16 5.86E-16
8 30 5.48E-16 5.12E-16 4.79E-16 4.48E-16 4.19E-16 3.92E-16 3.67E-16 3.43E-16 3.21E-16 3.00E-16
8.4 2.81E-16 2.62E-16 2.45E-16 2.30E-16 2.15E-16 2.01E-16 1.88E-16 1.76E-16 1.64E-16 1.54E-16
8.5 1.44E-16 1.34E-16 1.26E-16 1.17E-16 1.10E-16 1.03E-16 9.60E-17 8.98E-17 8.40E-17 7.85E-17
8.6 7.34E-17 6.87E-17 6.42E-17 6.00E-17 5.61E-17 5.25E-17 4.91E-17 4.59E-17 4.29E-17 4.01E-17
8.7 3.75E-17 3.51E-17 3.28E-17 3.07E-17 2.87E-17 2.68E-17 2.51E-17 2.35E-17 2.19E-17 2.05E-17
8.8 1.92E-17 1.79E-17 1.68E-17 1.57E-17 1.47E-17 1.37E-17 1.28E-17 1.20E-17 1.12E-17 1.05E-17
8.9 9.79E-18 9.16E-18 8.56E-18 8.00E-18 7.48E-18 7.00E-18 6.54E-18 6.12E-18 5.72E-18 5.35E-18
9.0 5.00E-18 4.68E-18 4.37E-18 4.09E-18 3.82E-18 3.57E-18 3.34E-18 3.13E-18 2.92E-18 2.73E-18
9.1 2.56E-18 2.39E-18 2.23E-18 2.09E-18 1.95E-18 1.83E-18 1.71E-18 1.60E-18 1.49E-18 1.40E-18
9.2 1.31E-18 1.22E-18 1.14E-18 1.07E-18 9.98E-19 9.33E-19 8.73E-19 8.16E-19 7.63E-19 7.14E-19
9.3 6.67E-19 6.24E-19 5.83E-19 5.46E-19 5.10E-19 4.77E-19 4.46E-19 4.17E-19 3.90E-19 3.65E-19
9.4 3.41E-19 3.19E-19 2.98E-19 2.79E-19 2.61E-19 2.44E-19 2.28E-19 2.14E-19 2.00E-19 1.87E-19
9.5 1.75E-19 1.63E-19 1.53E-19 1.43E-19 1.34E-19 1.25E-19 1.17E-19 1.09E-19 1.02E-19 9.56E-20
9.6 8.94E-20 8.37E-20 7.82E-20 7.32E-20 6.85E-20 6.40E-20 5.99E-20 5.60E-20 5.24E-20 4.90E-20
9.7 4.58E-20 4.29E-20 4.01E-20 3.75E-20 3.51E-20 3.28E-20 3.07E-20 2.87E-20 2.69E-20 2.52E-20
9.8 2.35E-20 2.20E-20 2.06E-20 1.93E-20 1.80E-20 1.69E-20 1.58E-20 1.48E-20 1.38E-20 1.29E-20
9.9 1.21E-20 1.13E-20 1.06E-20 9.90E-21 9.26E-21 8.67E-21 8.11E-21 7.59E-21 7.10E-21 6.64E-21
10.0 6.22E-21 5.82E-21 5.44E-21 5.09E-21 4.77E-21 4.46E-21 4.17E-21 3.91E-21 3.66E-21 3.42E-21

A Estatística Z
Exercício: Estudou-se que a distribuição da idade das pessoas que frequentam os cinemas
às sextas à noite segue uma distribuição normal com uma média de 25 anos e com um
desvio padrão de 2 anos .
Qual a probabilidade de uma pessoa ir ao cinema sexta à noite e ter a idade maior que 28
anos ou menor que 20 anos ?
LIE = 20 LSE = 28
s=2
P ( x > 27.9 )
P ( x < 20 )
m = 25
A Estatística Z
P ( x > LSE = 28 ) = P ( Z > ZLSE ) =
P ( x < LIE = 20 ) = P ( Z < ZLIE ) =
Qual a probabilidade de uma pessoa ir ao cinema sexta à noite e ter a idade maior
que 28 anos ou menor que 20 anos ?
P ( Z > ZLSE ) + P ( Z < ZLIE ) =

Como conduzir um Estudo de Capabilidade?
1. Determine com que tipo de dados está lidando: Variável ou Atributo?
2. Colete dados durante um prazo razoável de tempo de modo a formar

uma imagem significativa do processo que possa representar a variação
típica a qual teu processo está normalmente sujeito.
3. Sendo variável continua, avalie a estabilidade e a normalidade da

distribuição de seus dados.
4. Analise a probabilidade do processo de gerar defeitos utilizando os

cálculos de capabilidade do Minitab e Excel.
Capabilidade para Dados Variáveis

Quando um processo é perfeitamente centrado, onde a distância entre a
média e o limite de especificação é de 6s … Qual a probabilidade de
termos um defeito ?
LIE LSE
s s s ss ss s s ss s
P ( Z<6) P ( Z>6)
ZLSE = 6 : P ( Z>6) = 1,25 / 1.000.000.000

ZLIE = 6 : P ( Z<6) = 1,25 / 1.000.000.000
P ( defeito ) = 2,50 / 1.000.000.000

Qual a maior distância (isto é, qual a pior situação) que o processo pode estar do valor alvo
se varia a longo prazo + 1,5s ?
LIE LSE
ZST = 6s
CURTO
PRAZO
P (Z < -4,5) = LONGO

3,4/1.000.000 PRAZO
ZLT=4,5s ZSHIFT=1,5s
Relacionamento Curto e Longo Prazos
Seis Sigma - Objetivo

Curto Longo
s Prazo Prazo PPM
2 0,5 308.537
3 1,5 66.807
4 2,5 6.210
5 3,5 233
6 4,5 3,4
Capabilidade
}
Defeitos por Milhão

do Processo = ± 1,5s de Oportunidades
Sigma é uma unidade estatística de medida que reflete a

capabilidade do processo. A escala sigma de medida é perfeitamente
correlacionada a características como defeitos-por-unidade, peças
defeituosas por milhão, e à probabilidade de falha/erro.
Seis Sigma corresponde a peças por bilhão se o processo for centrado

Portanto para calcularmos a capabilidade para dados variáveis iremos coletar

dados por um período razoável de tempo (de modo a formar uma imagem do
processo que acredita-se representar a variação típica a qual o processo está
normalmente sujeito).
Feito isso, calcularemos a distância da média até o limite de especificação mais

próximo em número de desvios padrões, o ZLT (essa é a capabilidade atual).
Adicionamos 1,5s e teremos o ZST (essa é a capabilidade potencial).
ZST = ZLT + 1,5 σ
Aplicação com o uso do MINITAB:
Exemplo: um dos clientes mais importante de uma empresa vem reclamando há

muito tempo que há uma demora excessiva no carregamento dos seus
caminhões com os produtos comprados por parte da área de expedição.
O ideal seria que esse carregamento fosse feito em menos de 78 minutos.
Foi designado um Green Belt para desenvolver esse projeto. Ele coletou, durante
um mês, o tempo desde a chegada do caminhão do cliente no fornecedor até a
sua saída pelo portão completamente carregado.
Todos os dias foram tomadas amostras de tamanho 5 (usando-se técnicas de

subgrupos racionais).
Calcule a capabilidade desse processo.
Arquivo: ‘CAPABILITY_1.MPJ’.

Inicialmente, deve-se avaliar a normalidade do processo:
Recordando: STAT > BASICS STATISTICS > NORMALITY TEST (p>0,05 = processo normal)
Probability Plot of Tempo

Normal
99,9
Mean 72,81
StDev 7,264 Como p>0,05, trata-se de
99 N 150 um processo normal.
AD 0,638
95 P-Value 0,095
90
80
70 Para se calcular a capabilidade
Percent
60
50
40
o processo deve ser estàvel.
30
20
10 Stat, Control Charts, Variable
5 Charts for Sub-Groups, Xbar-R
1
Todos os pontos devem estar
0,1
50 60 70 80 90 100 dentro dos limites de
Tempo especificaçao.
Em seu projeto, caso uma das condiçoes acima não seja obedecida,
procure seu Black Belt

Verificada a normalidade da distribuição, entre com os seguintes comandos e
dados no Minitab:
COLOCAR A VARIÁVEL ‘Y’ IDENTIFICAR O SUBGRUPO
COLOCAR O LIMITE INFERIOR E/OU

SUPERIOR DE ESPECIFICACAO (PELO
COMANDO: STAT > QUALITY TOOLS > CAPABILITY ANALYSIS > NORMAL MENOS UM DELES)

Process Capability of Tempo
USL
P rocess Data Within
LSL * Overall
Target *
U SL 78 P otential (Within) C apability
Sample M ean 72,8067 Cp *
Sample N 150 C PL * I . Valor de Z
StDev (Within) 6,2508 C PU 0,28
StDev (O v erall) 7,27588 C pk 0,28
C C pk 0,28
O v erall C apability
Pp *
= 3 * Ppk + ZSHIFT
PPL *
PPU 0,24
P pk
C pm
0,24
*
= 3 * 0,24 + 1,50
= 0,72 + 1,50
= 2,22
60,0 67,5 75,0 82,5 90,0 97,5
O bserv ed P erformance Exp. Within P erformance Exp. O v erall P erformance
P P M < LSL * PPM < LSL * P P M < LSL *
P P M > U SL 186666,67 PPM > U SL 203035,57 P P M > U SL 237683,38 II . Valor de DPMO
P P M Total 186666,67 PPM Total 203035,57 P P M Total 237683,38
237.683
= ~ 23,7%

Entendendo os Cálculos
1-) Para calcular valor de ZLT:
ZLT = Distância do limite de especificação mais próximo até a média em número de sLT .
ZLT = LEmais próximo - m = 78 – 72,72 = = 0,7489 ~ 0,75

sLT 7,05
Utilizando a ferramenta do Minitab, esse valor pode ser facilmente obtido através da relação:
ZLT = 3*Ppk = 3* (0,25) = 0,75 (a eventual diferença se dá por aproximações nos 2 cálculos,
não prejudicando a análise).
2-) Este é o valor do ppm do projeto . É calculado a partir da tabela da estatística “z” das
páginas 22 e 23 . Para z = 0,75 a probabilidade de defeitos ( valores acima de 78 ) é de 0,227,
ou seja, 227.078 ppm.
No entanto, o valor da capabilidade σ do projeto é sST, que é calculado adicionando-se o valor

de Zshift teórico de 1,5σ . Portanto este processo é um processo 2,25σ.
Conclusão : este processo tem capabilidade 2,25s e 227.078 ppm.

Exemplo
Para que um Negócio seja competitivo no mercado em que atua é essencial que, uma vez
o cliente tenha feito um pedido, ele seja atendido em no máximo 7 dias.
Além disso, o tempo mínimo para entrega do pedido é de 1 dia, que é o tempo para que
o cliente possa se preparar-se para receber os produtos em suas instalações .
Foi designado um Green Belt para desenvolver esse projeto . Os dados foram coletados em
subgrupos de tamanho 5 toda semana durante 30 semanas.
Os dados encontram-se no arquivo ‘CAPABILIDADE_2.mpv’ (em horas).
Calcule a capabilidade do processo.
Resolução:
Sabendo que são dados contínuos, deve-se inicialmente apurar se seguem uma
distribuição normal (‘Normality Test’) e se o processo està estàvel.
Em seguindo, fazer o cálculo da capabilidade, onde os dados de entrada serão:
- LIE = 24 horas (tempo mínimo)

- LSE = 168 horas (tempo máximo)

Inicialmente, deve-se avaliar a normalidade do processo:
Recordando - stat > basics statistics > normality test (p>0,05 = processo normal)
Como p>0,05, trata-se de

um processo normal.
Para se calcular a capabilidade

o processo deve ser estàvel.
Stat, Control Charts, Variable

Charts for Sub-Groups, Xbar-R
Todos os pontos devem estar

dentro dos limites de
especificaçao.
Em seu projeto, caso uma das condiçoes acima não seja obedecida,
procure seu Black Belt

I . Valor de Z
= 3 * Ppk + ZSHIFT
= 3 * 0,30 + 1,50
= 0,90 + 1,50
= 2,40
II . Valor de DPMO
181.321
OBSERVE QUE OS DEFEITOS SOMENTE OCORREM EM RELACAO AO
LIMITE SUPERIOR DE ESPECIFICACAO (E NAO P/ O INFERIOR) = ~ 18,1%
Capability for Continuous Data
1-) Para calcular o valor de ZLT :
ZLT = Distância do limite de especificação mais próximo até a média em número de sLT.
ZLT = SLnearest - m = 168 – 160,76 = 0,91

sLT 7,94
Utilizando a ferramenta do Minitab, esse valor pode ser facilmente obtido através da relação:
ZLT = 3*Ppk = 3* (0,30) = 0,90 (qualquer possível diferença se dá por aproximações nos 2
cálculos, não prejudicando a análise).
2-) Este é o PPM do projeto. I É calculado a partir da tabela da estatística “z” da página 23.
Para z = 0,90 a probabilidade de defeitos (calores cima de168 horas) é 0,181 ou 181.321 ppm.
No entanto,o valor de capabilidade σ adding Zshift of 1,5σ . Hence, this process has 2,40 σ .
Concluindo: esse processo tem uma capabilidade de 2,40s e 181.321 ppm.

Capabilidade para Dados Atributos
(dados contáveis, inteiros)
- Diminuir o número de erros em ordens de compras;
- Diminuir o número de erros de documentação em itens importados;
- Diminuir o número de peças defeituosas;
- Diminuir o número de pedidos de clientes entregues fora do prazo

combinado (‘on time delivery’);
- Diminuir o número de itens faltantes ou errados entregues ao cliente

(‘% fill rate’)
Algumas definições são bastante importantes quando estamos falando de

dados de atributos.
Precisamos entender o que é :
- Unidade
- Oportunidade
- Defeito
- DPU ( Defeito por Unidade )
- DPMO ( Defeito por milhão de oportunidade )

‘UNIDADE’
A Unidade é o "Item ou do artigo", em que os defeitos foram contados
- É geralmente onde o trabalho é analisado criticamente (ex.: testes, inspeções)
- É observável e contável
- Deve ter início definido e pontos finais
- A “coisa”sobre a qual está se contando os defeitos
EXEMPLOS:
- Ordem de um produto
- As chamadas telefônicas
- Faturas
- Pedido de Importação
- Um produto
- Um serviço
- Uma instalação
‘OPORTUNIDADE’
Oportunidade é o número de chances de um processo se desviar do esperado
Ex.:
1) Um processo de importação pode falhar de três formas diferentes (3 oportunidades):
• chegar o produto fora do prazo
• Documentação incorreta
• produto incorreto
2) Um processo de quotização pode falhar de duas formas diferentes (2 oportunidades):

• não conseguir cumprir o prazo previsto
• não apresentar a documentação necessária

‘OPORTUNIDADE’
Oportunidade pode ser também cada uma das partes menores de uma unidade
onde se vai contar os defeitos.
Exemplos :
- numa ordem de compra há 5 campos que se não forem preenchidos corretamente

haverá problemas ao cliente (5 oportunidades)
- Para que possa ser feita a importação de um determinado equipamento devo entregar na
aduana 3 documentos básicos (3 oportunidades)
- um determinado equipamento é constituído de 10 partes básicas que serão analisadas

para ver se não há defeito em alguma dessas partes (10 oportunidades)
- um determinado equipamento que deve ser instalado em um cliente é constituído de 15

partes básicas que devem ser verificadas após a montagem para ver se estão funcionando
adequadamente (15 oportunidades)
‘DEFEITO’
Qualquer coisa que gera:
• insatisfação do cliente
• não-conformidade em uma unidade
• variação que põe em risco as necessidades (CTQs) do cliente
• saída do produto sair do processo normal

‘DPU = DEFEITOS POR UNIDADE’
DPU - (Defeitos por Unidade): é o número total de defeitos dividido pelo

número total de unidades coletadas por um período razoável de tempo (de
modo a formar uma imagem do processo que acredita-se representar a variação
típica a qual o processo está normalmente sujeito).
Ex: durante 3 meses um Green Belt coletou 500 pedidos de clientes e verificou
que 50 deles foram entregues fora do prazo (uma oportunidade por unidade:
prazo).
DPU = N0 Total de Defeitos = 50 = 0,1 DPU = 10%

N0 Total de Unidades 500
‘DPMO = DEFEITOS POR MILHAO DE OPORTUNIDADE’
DPMO - (Defeitos por Milhão de Oportunidade) : é o número total de

defeitos dividido pelo número total de oportunidade vezes um milhão coletadas
por um período razoável de tempo (de modo a formar uma imagem do processo
que acredita-se representar a variação típica a qual o processo está
normalmente sujeito).
Ex : durante 3 meses um Green Belt coletou 500 pedidos de clientes e verificou

que 50 deles foram entregues fora do prazo e 100 deles foram entregues com o
produto errado (2 oportunidades por unidade: prazo e exatidão do produto )
DPMO = N0 Total de Defeitos x 1.000.000 =

N0 Total de Oportunidades
DPMO = (150 / ( 2x 500 )) x 1.000.000 = 150.000

Como descobrir a capabilidade s do processo a partir do valor do DPMO ?
LIE LSE
ZST = ZLT +1,5 = 6s
* Suponhamos que o CURTO

DPMO é a probailidade PRAZO
de Z < ZLT *
P (Z < ZLT < -4,5) = LONGO

3,4/1.000.000 PRAZO
DPMO
ZLT=4,5s ZSHIFT=1,5s
O valor do DPMO é a probabilidade de obtermos um valor abaixo do limite de

especificação mais próximo e o processo se encontra deslocado 1,5s do valor alvo.
Portanto para obtermos a capabilidade s do processo devemos verificar nas tabelas

das páginas 21 e 22 qual é o valor da estatística “z” que corresponde a uma área
igual ao valor do DPMO . Este é o valor de ZLT.
Porém o valor da capabilidade s do processo é o ZST que corresponde a um processo

centrado e que não varia ao longo do tempo . Para obtê-lo devemos adicionar 1,5s
ao ZLT .
Em linhas gerais: parte-se do DPMO (% de defeitos) para se chegar ao valor da

capabilidade Z, utilizando a tabela de correlação entre Z e PPM (paginas 22 e 23).

Exemplo: um determinado Negócio vem recebendo há muito tempo um grande

número de reclamações dos clientes dizendo que os produtos solicitados chegam
muitas vezes fora do prazo acordado e que muitas vezes chega o produto errado.
Um Green Belt foi designado para desenvolver um projeto para eliminar esses
problemas. Ele recolheu dados para 6 meses, o qual é considerado o tempo
suficiente para compreender a variação típica do presente processo
Em cada pedido era verificado se o produto havia sido entregue dentro do prazo e
se o produto entregue ao cliente estava correto . Os resultados obtidos foram:
-Unidades (no de pedidos verificados em 6 meses ): 1.000

-Oportunidades: 2 (em cada pedido era verificado se o pedido foi entregue
dentro do prazo e se o produto foi entregue corretamente)
-Defeito: em cada pedido era considerado como defeito se o pedido era entregue
fora do prazo ou se o produto entregue estava errado . Total em 6 meses : 13
defeitos.
U = 1.000 O=2 D= 13
DPU = 13 DPMO = 13 x 1.000.000 = 6.500

1.000 2 x 1.000
Se observarmos na página 22 qual é o valor da estatística “z” que corresponde a

uma probabilidade de defeitos de 6.500 DPMO encontramos o valor de “Z” = 2,48.
Este é o valor do ZLT . Para obtermos o valor do ZST deve-se adicionar 1,5s ao ZLT
obtendo-se, então, um valor de ZST de 3,98 , que é a capabilidade s do processo.
Portanto este processo é um processo 3,98s com um PPM de 6.500.

Pode-se utilizar o arquivo ‘Capabilidade_Atributo.xls’ para se ter automaticamente

o valor da capabilidade do processo
Os seguintes dados das respectivas colunas:
•Defeitos = 13
•Unidades = 1.000
•Oportunidades = 2

Planilha Capabilidade_Atributo.xls
ENTRADA DE DADOS: U, O, D
2 1

1) O Zbench é o valor do ZST do processo . Este já é o valor da capabilidade σ do

processo . Neste caso a capabilidade σ do processo é 3,98 .
2) Este é o valor do ppm correspondente a um processo com capabilidade 3,98σ.

Este processo tem 6.500 defeitos por milhão.
Observação: para obter o valor de ZLT basta diminuir 1,5σ do ZST . Neste caso o
ZLT é 2,48 .

Exemplo: uma empresa vem tendo há muito tempo um grande número de reclamações de
clientes que são geradas principalmente por erros no preenchimento das ordens de compra.
Um Green Belt foi designado para desenvolver um projeto para diminuir o número de erros
nas ordens de compras.
Ele recolheu dados de pedidos de compras por três meses . Esses dados foram computados no
arquivo ‘compras.xls’ do Excel.
Calcular a capabilidade s deste processo.
Período de coleta de dados : 3 meses
Unidades: 50 (foram coletadas 50 ordens de compras nesse período)
Oportunidades: Como para cada ordem de compras varia o número de itens pedidos pelo
cliente, então é variável também o número de oportunidades por unidade (cada linha no
arquivo corresponderá a uma unidade e seu correspondente número de oportunidades)
Defeito: um campo da ordem de compra preenchido incorretamente. Incluído para cada

unidade individualmente em cada linha .

Planilha ‘Compras.xls’

Planilha ‘Compras.xls’
1 2

Entendendo os Calculos
Veja que no final somou o número total de defeitos e o número total de

oportunidades e obteve um DPMO igual a 50.167.
DPMO (PPM) = 15 x 1.000.000 = 50.167 (1)

299
Se observarmos a tabela da página 21 veremos que o valor da estatística “z” que

dá uma probabilidade de defeitos de 50.167 por milhão é 1.64 . Este é o ZLT .
Para obtermos a capabilidade s do processo (ZST) basta adicionarmos um Zshift

teórico de 1,5s . E obtemos o valor de capabilidade igual a 3,14 . ( 2 )
Resumindo: este é um processo 3,14s com 50.167 ppm.
Consideração Final sobre a Capabilidade
Em todo projeto 6 Sigma devemos calcular a capabilidade s do projeto para

termos uma ideia de quão bom ou ruim este processo se encontra atualmente.
Este é o grande objetivo da fase de Medição.
No final dessa fase todo projeto deve ter a sua capabilidade s e seu
correspondente número de defeitos por milhão calculados.
Após a Fase de Medição…

Deveremos identificar quais as causas de variação (x’s) que têm impacto sobre a
média e sobre a dispersão.
Dessa forma poderemos atuar sobre o processo de forma a diminuir a sua

dispersão e posicionar o seu centro o mais longe possível dos limites de
especificação.
Fazendo isto conseguiremos uma capabilidade maior até atingirmos o objetivo que é
um ZST de 6s com um ppm de 3,4.

De Uma Perspectiva Estatística,
Existem Apenas Dois Problemas:
Objective Objective
LSL USL LSL USL
REDUÇÃO DA
CENTRALIZAÇÃO DO Objective
DISPERSÃO
PROCESSO
LSL USL
Testes:
1-) Qual dos seguintes itens servirá para reportar a capabilidade s do processo?
a-) ZLT
b-) Zshift
c-) ZST
d-) dependendo da situação posso utilizar qualquer um deles
2-) Qual o principal objetivo da fase de medição?

a-) identificar os poucos x’s vitais que têm influência no processo
b-) identificar a atual situação do processo (Y) com relação à sua probabilidade de gerar defeitos
c-) fazer modificações no processo e verificar se houve uma melhora da capabilidade
d-) controlar os poucos x´s vitais para manter a capabilidade melhorada do processo
e-) n.d.a
3-) Na função Stat>Quality Tools>Capability Analysis (Normal) do Minitab utilizada para cálculo da
capabilidade s do processo para dados contínuos onde devo olhar para identificar o valor da capabilidade?
a-) Cp
b-) Ppk
c-) as duas anteriores
d-) nenhum dos anteriores
4-) No arquivo para cálculo de capabilidade s em Excel (atributos), onde devo olhar para identificar o valor da
capabilidade?
a-) Z bench ST
b-) Z bench LT
c-) a) e b) estão corretas, porém a resposta b) é melhor porque permite comparação com a capabilidade
calculada para dados de atributos .

Testes:
5-) Qual das seguintes afirmações não é correta :
a-) trabalhar com dados de atributos é mais fácil para os cálculos da capabilidade
b-) trabalhar com dados de atributo nos permite enxergar melhor as melhorias de processo
c-) trabalhar com dados de variáveis é mais complexo, porém nos permite chegar às verdadeiras causas da
variação com uma freqüência bem maior do que quando trabalhamos com dados de atributos
d-) um exemplo típico de dado variável em projetos da área comercial é o tempo para executar uma tarefa que
tem impacto para o cliente
6-) Abra o arquivo ‘teste_capabilidade.mtw’. Suponha que os clientes estão ficando mais exigentes e querem
que de agora em diante um produto seja entregue em no mínimo em um dia (24 horas) e no máximo 3 dias
(72 horas) . Se os dados do arquivo correspondem à coleta de dados para esse projeto (subgrupos de
tamanho 5 com os dados em horas ) qual é a capabilidade desse projeto (utilizando o Z shift teórico) ?
a-) 0,10
b-) 0,30
c-) 1,80
d-) 1,50
e-) 1,20
7-) De 4.000 pedidos de importação 400 produtos foram entregues fora do prazo para os clientes no último
semestre . Qual a capabilidade deste processo ?
a-) 4,282
b-) 2,782
c-) 1,282
d-) 1,500
Análise

Dinâmica da Metodologia - O Efeito Funil
Mapa do Processo +20 Entradas
Matriz C&E e Espinha de Peixe 10 - 15
8 - 10
FMEA
4-8
Análise gráfica dos dados
3-6
Análise estatística dos dados
X’s Vitais
Métodos Qualitativos: Subjetivos, Visuais, Simples, Rápidos.
Usado para fazer a primeira a identificação de "Xs“:

• Experiência da equipe, do operador...
• Brainstorming
• FMEA
• Diagrama Causa/Efeito
• Mapa de Processo
• Pareto, Box Plot...
Métodos Quantitativos: Objetivos, Numéricos, Estatística de inferência.
Utilizam-se para priorizar adequadamente os x´s pelo impacto ou por sua

influência sobre “Y”:
• Teste Chi-Quadrado
• Análise de Regressão
• Testes de Hipótese
Análise Inicial dos Dados – Objetivo do Capítulo
É bastante comum que para algumas fontes de variação sejam óbvias.
São as primeiras para as quais se deve planejar uma possível tomada de ação.
Análise com gráficos básicos ajudam muito a identificar alguns destes “X’s”
óbvios.
Exercício : analise graficamente os dois exemplos adiante e procure identificar

a existência de “X’s” óbvios.
Dados de Atributos
O arquivo ‘Service Level.mpj’ contém dados sobre o desempenho de um processo de entrega de produtos.
Nas colunas C2 a C7 há informações sobre X’s potenciais que serão analisados e que podem ter influência
sobre os Y’s .
As colunas C8 e C9 contêm o resultado para os dois Y’s ( “Dentro do Prazo” e “Correto” ).

Dados de Atributos
Faça o Gráfico de Pareto.
Abra o arquivo: ‘Service Level.mpj’
Comando no Minitab: Stat > Quality Tools > Pareto Chart

Chart defects data in: ‘On Time’
Dados de Atributos
Abra o arquivo: ‘Service Level.mpj’
Comando no Minitab: Stat > Quality Tools > Pareto Chart

Chart defects data in: ‘Correct’

Dados de Atributos
Quais são as informações relevantes que podemos tirar sobre os

“On Time” e “Correct” ?
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
Dados de Atributos
Use os gráficos de Pareto para ter uma primeira idéia da influência dos X’s sobre o Y. .
Investigar a relação de clientes sobre a variável Y ‘On Time’.
Stat > Quality Tools > Pareto Chart

Chart defects data in : On Time
By variable in : Customer

Dados de Atributos
- Quais X’s parecem ter influência sobre o Y: ‘On Time’ ?

_____________________________________________________
_____________________________________________________
_____________________________________________________
_____________________________________________________
- Quais X’s parecem ter influência sobre o Y: ‘Correct’ ?

___________________________________________________
___________________________________________________
___________________________________________________
___________________________________________________
Dados Variáveis
Exercício com a catapulta
1-Abra um novo arquivo em Minitab
2- Um turno de catapulta constitui-se de 5 tiros (a cada

turno troca-se os elásticos)
3- O processo será executado

durante 6 dias (2 turnos por dia)
4- Deve-se variar o ângulo de lançamento (tiro 1 :1300,

tiro 2 : 1400, tiro 3 : 1500, tiro 4 : 1600, tiro 5 : 1700 )
5 - A cada turno troca-se de operador (após 3 dias voltam

os mesmos operadores em ordem inversa)
6 - As 4 balas são trocadas aleatoriamente (ver página

seguinte para geração de números aleatórios em Minitab)
7 - Deve ser medida a distância do lançamento
8 – Salve o arquivo como ‘Ex_catapult.mpj’

Dados Variáveis
Análise da Distribuição
Em primeiro lugar, devemos analisar o comportamento de Y ao longo do tempo

para verificar a presença de tendências ou pontos extremos.
A seguir deve-se calcular os valores estatísticos básicos da distribuição dos

valores da distância (Y).
Dados Variáveis
Quais são as informações relevantes que podemos tirar da Distancia (Y) ?
____________________________________________________
____________________________________________________
____________________________________________________
____________________________________________________
____________________________________________________
____________________________________________________
____________________________________________________

Dados Variáveis
Faça uma primeira análise da influência dos X’s sobre o Y (distância) utilizando os
gráficos básicos aprendidos nos capítulos anteriores.
Por exemplo :
1-) Utilize diagrama de dispersão para analisar a influência do ângulo sobre a

distância.
2-) Use Box Plot para analisar a influência dos elásticos, operadores, e balas sobre
a distância.
Dados Variáveis
- Quais X’s parecem ter influência sobre o Y ( distância ) ?
________________________________________________
________________________________________________
________________________________________________
________________________________________________
________________________________________________
________________________________________________
________________________________________________
________________________________________________
________________________________________________
________________________________________________

Estas são análise qualitativas/visuais. Outras fontes de variação são observáveis
apenas com uma análise estatística mais profunda (estatística de inferência)
utilizando técnicas como Teste de Hipótese, Análise de Regressão, Teste Chi-
Quadrado.
Antes de iniciar antes análise estatística mais profunda recomenda-se uma nova
revisão do processo (qualitativa/subjetiva) para identificar outras potenciais fontes
de variação eventualmente esquecidas. Uma outra técnica recomendada para esta
revisão é o FMEA.
Testes:
1-) Qual o principal objetivo da fase de análise?
a-) identificar os poucos x’s vitais que têm influência no processo

b-) identificar a atual situação do processo (Y) com relação à sua probabilidade de gerar defeitos
c-) fazer modificações no processo e verificar se houve uma melhora da capabilidade
d-) controlar os poucos x´s vitais para manter a capabilidade melhorada do processo
e-) n.d.a
2 -) Em relação ao time de um projeto green-belt, podemos dizer que:
I-) Sponsor ( ) (a) deve ser o líder do projeto e trabalhar para que seja
terminado num período de 4 a 6 meses preferencialmente
II-) Lider do Projeto ( ) (b) quem pode responder a perguntas sobre o uso
correto das ferramentas estatísticas e de qualidade
III-) Membros da equipe ( ) (c) quem fornece apoio e recursos para a equipe
IV-) MBB ou Black Belt ( ) (d) que ajudam a coletar dados e apoia a análise do
projeto

Mapa de Análise
Estatística
Objetivo
Para evitar confusão entre os diferentes tipos de dados e as

ferramentas estatísticas mais apropriadas
O mapa ajuda a selecionar a ferramenta certa para o seu problema

segundo o tipo de dado no X e no Y.

Mapa de Análise Estatística
X
(Fonte de Variação)
DISCRETO (ATRIBUTO)
(Variável Dependente)
CONTÍNUO
CONTÍNUO
Box Plot
Teste de Hipótese
Regressão Simples
ANOVA
DOE
DOE
Y
(ATRIBUTO)
DISCRETO
Pareto
Regressão Logística Tabela Análise de Contingência
Chi Quadrado: Independência
Pressuposições Básicas:
1. A distribuição de origem dos dados contínuos é

Normal
2. Um par X e Y é analisado de cada vez

Tipos Gerais de Dados
(2 tipos, 3 famílias)
 DADOS ATRIBUTOS (ou DISCRETOS)
(#1) BINOMIAL - Número de Itens numa Categoria (Proporções Baseado

em Contagem)
 Entrega dentro do prazo: Sim/Não - # de Sim, # de Não
 Preço do cliente: Preço total/Desconto - # de clientes com preço total, # de
clientes com desconto.
 (#2) POISSON - Contagem de Ocorrências Discretas em um Evento Contínuo

 # de arranhões em um carro
 # de erros em um pedido
 # de chamadas perdidas por cliente de ser assistido
 DADOS VARIÁVEIS (ou CONTINUOS) – DADOS MENSURAVEIS
 (#3) CONTINUOS
 Subdivisões Decimais são Significativos.
 Ex: Tempo p/atender telefone (# exato de seg. por chamada)
Diferentes Tipos de Dados Requerem Diferentes Ferramentas de Análise
Mean
Mean
Y= 30 Y= 30
Mean
Yield 20
20 Yield
(km/L) 10
10 (km/L)
0 0,5 1 1,5 2 A B C
X = Weight of Car (ton.) X= Brand of Car
X (Variation Source):
CONTINUOUS DISCRETE (ATTRIBUTE)

CONTINUO
Y (Dependent Variable):
Box Plot
Scatter Diagram
Hypothesis Test
Regression Analysis
ANOVA
DOE
DOE
(ATTRIBUTE)
DISCRETE
Pareto
Logistic Regression Contingency Table Analysis
Chi Square: Independence
Total 75 60 65
Y= 160 115 175
100%
No Y= High
Total Lost 75%
Damage? Severity of 100 65 135
50% Middle
(Yes/No)
Yes Damage?
25% 15 10 25
Low
0 0,5 1 1,5 2
A B C
X= Weight of Car (ton.)
X= Brand of Car

Exercício: Use o mapa para lhe ajudar a
escolher a ferramenta certa!
CASO #1 Robert, um Green Belt que está fazendo um projeto no processo de
pintura em uma montadora de automóveis, quer saber como a temperatura da tinta
afeta a espessura da camada de tinta
O que é o Y?
(a medida de desempenho da Y=
resposta)
Portanto, o tipo
Y é discreto ou contínuo? apropriado de análise
(quadrante) seria...
O que é o X? X=
(o fator que explica a variável)
X é tratado como
discreto ou contínuo?

CASO #2
Isabel não foi contratada pela empresa ABC. Ela tinha todas as qualificações e sentiu que as
entrevistas foram bem.
a) Foi por causa do seu sexo?
b) Esta empresa tem um histórico de “Discriminação Sexual” na sua política de contratação?
c) Os homens tem uma maior chance de contratação?
O que é o Y?
resposta)
Portanto, o tipo
O que é o X? X=
X é tratado como

CASO #3
Bob não foi promovido pela empresa ABC. Ele tinha todas as qualificações e todos dizem
que trabalha muito bem.
a) Foi por causa da sua idade?
b) Esta empresa tem um histórico de “Discriminação de Idade” na sua política de promoção?
c) A idade influência para obter uma promoção?
O que é o Y?
resposta)
Portanto, o tipo
O que é o X? X=
X é tratado como

CASO #4
Uma determinada empresa utiliza três operadores logísticos e agora precisa escolher
apenas um. Um determinado fornecedor parece ter um serviço rápido e uma menor
variabilidade nos seus tempos de entrega. Isso é estatisticamente relevante?
O que é o Y?
resposta)
Portanto, o tipo
O que é o X? X=
X é tratado como

CASO #5
Bob, Chris e Paul são auditores. A cada um foi entregue secretamente a mesma
pilha de formulários, para identificar rejeições. Você deve tentar detectar se existem
diferenças significativas entre seus desempenhos.
O que é o Y?
resposta)
Portanto, o tipo
O que é o X? X=
X é tratado como
Testes: Use o mapa para lhe ajudar a

TESTE #1
Um Green Belt deseja saber se o peso dos produtos têm influência no tempo que um
operador leva para carregar o caminhão do cliente. Você pode encontrar os dados do
teste no próximo slide.
O que é o Y?
resposta)
Portanto, o tipo
O que é o X? X=
X é tratado como

Os dados do exercício 1 encontram-se abaixo . Faça uma análise gráfica e discuta|: o “X” estudado tem uma
influência óbvia sobre o “Y”? Por quê?
Peso(Kg) Tempo ( Min)
12 60
6 45
7.5 51
15 80
7 52
10 62
18 90 Abara o arquivo
3 40
20 100 “Map_Test_1.mpj”
7 51
17 88
11 60
18 92
8 50
9 56
4 44
22 105
13 70
12 71
6 47
10 59

TESTE #2
Um Green Belt deseja saber se as regiões de um país têm influência na quantidade

de pedidos entregues a tempo por um determinado negócio da sua empresa. Você
pode encontrar os dados do teste no próximo slide.
O que é o Y?
resposta)
Portanto, o tipo
O que é o X? X=
X é tratado como

Os dados do exercício 2 encontram-se abaixo . Faça uma análise gráfica e discuta: o “X”
estudado tem uma influência óbvia sobre o “Y” ? Por quê ?
Região Quantidade de itens Nok em 1000 pedidos feitos
Sul 234
Leste 123
Oeste 156
Abra o arquivo
Norte 202
“Map_Test_2.mpj”
Nordeste 78
Noroeste 102
Sudeste 189
Sudoeste 234

TESTE #3
Um Green Belt deseja saber se os três engenheiros disponíveis para fazer instalação
dos equipamentos dos clientes possuem diferenças nos respectivos tempos para
executar a instalação. Você pode encontrar os dados do teste no próximo slide.
O que é o Y?
resposta)
Portanto, o tipo
O que é o X? X=
X é tratado como

Os dados do exercício 3 encontram-se abaixo . Faça uma análise gráfica e discuta se o “X” estudado tem uma
influência óbvia sobre o “Y” ? Por quê ?
Engenheiro Tempo (horas ) Engenheiro-Cont. Tempo (horas)-Cont.
A 65,1 B 58,0
C 60,9 B 55,0
B 54,8 C 53,0
A 57,7 A 59,8
B 65,3 B 56,7
A 62,6 C 53,4
B 68,4 B 77,1
C 54,3 A 59,8
A 61,0 A 60,4 Abra o arquivo:
B 65,3 C 57,4 ‘Map_Test_3.mpj’
B 58,8 C 56,9
A 58,0 B 59,7
B 55,3 B 56,8
C 58,5 A 55,5
C 54,1 A 56,7
A 65,4 C 67,5
B 60,0 A 66,9
A 57,8 A 64,3
B 59,8 A 63,2
C 61,3 C 60,8
B 55,4 B 62,3
Teste de Hipótese

Quando Utilizar o Teste de Hipótese?
X (Fonte de Variação):
CONTÍNUO DISCRETO (ATRIBUTO)

Y (Dependente Variável)
CONTÍNUO
Box Plot
Teste de Hipótese
Regressão Simples
ANOVA
DOE
DOE
(ATRIBUTO)
DISCRETO
Pareto
Entendendo Hipóteses e Dados Estatísticos
Exemplo: O tempo médio para uma gravidez é 266 dias.
 Se esta mulher disser que ficou 268 dias grávida, você acharia possível? Por quê?
 Se ela disser que ficou 297 dias grávida, você acharia possível? Por quê?
 A que altura você começaria a suspeitar que não é possível?
Com base na análise subjetiva, indique na escala abaixo o ponto em que você começar a
duvidar dela.
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
Tempo de Gravidez
160
170
180
190
200
210
220
230
240
250
260
270
280
290
300
310
320
330
340
350
360
(dias)
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__

De acordo com os dados clínicos:
- O tempo de gravidez segue uma distribuição normal
- Tempo médio = 266 dias
- Desvio padrão = 16 dias
µ = 266
σ = 16
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
Tempo de
160
170
180
190
200
210
220
230
240
250
260
270
280
290
300
310
320
330
340
350
360
Gravidez
-4 -3 -2 -1 0 1 2 3 4 Eixo-Z
Você suspeitaria se uma mulher dissesse sua gravidez durou 268 dias? Por quê ?
_________________________________________________________________________
_________________________________________________________________________
_________________________________________________________________________
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
Tempo de
160
170
180
190
200
210
220
230
240
250
260
270
280
290
300
310
320
330
340
350
360
Gravidez
-4 -3 -2 -1 0 1 2 3 4 Eixo-Z

Você suspeitaria se uma mulher dissesse sua gravidez durou 305 dias? Por quê ?
_________________________________________________________________________
_________________________________________________________________________
_________________________________________________________________________
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
Tempo de
160
170
180
190
200
210
220
230
240
250
260
270
280
290
300
310
320
330
340
350
360
Gravidez
-4 -3 -2 -1 0 1 2 3 4 Eixo-Z

Lembre-se que a gravidez dura em média 266 dias (s=16). Se uma mulher está grávida
de 268 dias, isso seria fora no normal? Não
Por quê? Considerando que 268 fica próximo do centro da curva (longe das caudas), está
bem próximo “do possível” ou “acreditável”. Ela tinha sido deslocado da média dada a
variação normal.
Importante: Observe que quanto mais longe da cauda estivermos, maior será a “área
sombreada da cauda”. Por outro lado, quanto mais próximo estivermos da cauda, menor
será a “área sombreada”.
Esta “área sombreada da cauda” é conhecida como “Valor-P”. (onde P significa
“probabilidade”)
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
Tempo de
160
170
180
190
200
210
220
230
240
250
260
270
280
290
300
310
320
330
340
350
360
Gravidez
-4 -3 -2 -1 0 1 2 3 4 Eixo-Z

Área sombreada da cauda grande (Valor-P Área sombreada da cauda muito pequena (Valor-P
Elevado) Baixo)
= “Longe da cauda, próximo ao centro” = “próximo da cauda, longe do centro”
= “ainda dentro do âmbito do possível” = “fora do âmbito do possível”
= “não incomum” = “pouco comum”
= “não conteste a informação relatada” = “sim, conteste a informação relatada”
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
Tempo de
160
170
180
190
200
210
220
230
240
250
260
270
280
290
300
310
320
330
340
350
360
Gravidez
Eixo-Z
-4 -3 -2 -1 0 1 2 3 4
O P-Value fornece uma probabilidade estatística que serve de suporte

para se tomar uma decisão gerencial com mais propriedade e segurança.

Entendendo Problemas como Hipóteses
A idéia é usar os dados da amostra para estimar os parâmetros

específicos da população com um nível aceitável de confiança (1-a)%
necessário para tomar decisões de gestão.
HIPÓTESES
DAS MÉDIAS PROBLEMA COM
MÉDIAS
H o: mo = m1
H 1: mo > m1
H 2: mo < m1
Ho: so = s1
H 1: so > s1
H 2: so < s1
HIPÓTESES DOS PROBLEMA COM
DESVIOS-PADRÃO DESVIOS PADRÃO
O Teste de Hipótese consiste em estabelecer uma hipótese básica que será

conhecida como hipótese nula (Ho, que é sempre uma igualdade de um
parâmetro da população), e estabelecer uma hipótese alternativa a ela (Ha)
Deve-se coletar dados que sirvam para comprovar se é possível rejeitar a

hipótese nula e ficar com a hipótese alternativa (ou ao contrário)
Os Testes de Hipóteses podem ser empregados para comparar:

• médias;
• desvios-padrões;
• proporções;
• distribuições de probabilidade.
No Green Belt nosso foco estará em avaliar as médias e desvios-padrão

Teste de médias Teste de médias Teste de desvio-padrao
Duas amostras (2 sample t) Duas ou mais amostras (anova) Duas ou mais amostras (anova)
Ho : m1 = m 2 Ho: m1 = m 2= . . . = m n Ho : s 1 = s 2= ... = sn
a  m1  m2 Ha: at least one not equal a  at least one not equal
Minitab: Minitab: Minitab:

Stat > Basic Statistics > Stat > ANOVA > Stat > ANOVA >
2-Sample-t One-way… Teste para variâncias iguais
(Análise de Duas Médias) (Análise de variância das Médias) (Homogeneidade da variância)
• Se p > 0.05 aceito Ho e rejeito Ha, as diferenças são devido a variação natural do processo.
• Se p < 0.05 aceito Ha e rejeito Ho, posso afirmar com um risco de p% que a diferença é
estatisticamente significativa, e não ocorreu apenas por uma variação natural do processo.
Teste de Hipótese: Como Funciona
 Após a coleta de dados, calculamos:

 um “Valor-P”
 O “Valor-P” é a probabilidade de tais resultados ocorrerem quando Ho é

Verdadeira.
 O “Valor- P” baseia-se em uma distribuição de referência (Normal,

Distribuição -T, Chi-Quadrado, Distribuição-F, etc.)
 “VALOR-P” BAIXO  “VALOR-P” ELEVADO

Ho É REJEITADO  Ho NÃO É REJEITADO

Teste de Hipótese
REJEITAR Ho ou NÃO REJEITAR Ho ... EIS A QUESTÃO!
Valor-a é uma Área

“Área-a” = 5%
SIGNIFICA 95% DE
CONFIANÇA
Valor-P=0.17 é uma Área

“Área-P” = 17%
ACEITA-SE Ho
Valor-P=0.01
“Área-P” = 1%
REJEITA-SE Ho
O que é “Teste de Hipótese”?
Hipóteses das
Médias Ho: mo = 12,4
Ha: mo < 12,4
Hipóteses dos
Desvios
Ho: sA = sB
Padrão Ha: sA > sB
Hipótese Nula: Hipótese Alternativa:
• Associado à distribuição de eventos ao acaso • Usada como alternativa às hipóteses

(ou variação natural) nulas
• A distribuição de eventos ao acaso é • Hipóteses que identificam uma
identificada de modo a oferecer um contraste distribuição de eventos que não
com eventos que não ocorrem ao acaso ocorrem ao acaso (existem causas
• Um experimento para ver se o resultado pode especiais atuando sobre elas)
anular a suposição que se trata de uma • Muitas vezes, utilizado para
distribuição de eventos ao acaso. identificar a alteração de uma
direção esperada / presumido.

O que é “Teste de Hipótese”?
Apresente uma “Hipótese Nula” (Ho)

Hipóteses das
Médias Ho: mo = 12,4
Ha: mo < 12,4
Hipóteses dos
Desvios
Ho: sA = sB
Colete evidências (uma amostra da
Padrão Ha: sA > sB
realidade)
DECIDA:
O que as evidências sugerem?
Rejeitar Ho? ou Não Rejeitar Ho?
Teste de Hipótese
UTILIZANDO O MINITAB NAS ANÁLISES
Para avaliação de Y= contínuo e X=discreto, recomenda-se seguir o

roteiro abaixo na utilização do Minitab:
1. Verificar a Normalidade e se todos os dados estão empilhados (uma coluna no Minitab para cada Y e X)
2. Realizar a análise GRÁFICA dos dados, através do BOX PLOT para a identificação de X’s óbvios.
3. Já para avaliação de X’s não óbvios, analise se há diferença estatística significativa na DISPERSÃO dos
dados -> TESTE DE LEVENE (Anova: Test for Equal Variances)
3. Já para avaliação de X’s não óbvios, analise se há diferença estatística significativa na TENDÊNCIA
CENTRAL dos dados -> ANOVA, One Way (para 2 ou mais amostras) ou 2-SAMPLE-T (para 1 amostra
versus um valor de referência)

Teste de Hipótese
EXERCÍCIO: AVALIAÇÃO DE PRODUTOS
Abra o “PRODUCTS_EVALUATION.MPJ” . Observe que os dados NÃO estão empilhados,

ou seja, não há uma coluna para o Y (=característica do produto) e para o X (=produto).
Y X
No Minitab, o comando para empilhar os dados
é: DATA> STACK > COLUMNS
Teste de Hipótese
EXERCÍCIO: AVALIAÇÃO DE PRODUTOS
DADOS EMPILHADOS
COLOQUE AS COLUNAS A SEREM EMPILHADAS
COLUNA EM QUE COLOCA-SE O “X” COLUNA EM QUE COLOCA-SE O “Y”

Teste de Hipótese
Com os dados empilhados, devemos fazer a análise gráfica dos mesmos. Lembrando que
a melhor ferramenta neste caso é o BOX PLOT (GRAPH> BOX PLOT).
Quais são as conclusões em relação

à tendência central e variação para
os 3 produtos?
Teste de Hipótese
O próximo passo é avaliar se há diferença estatística significativa entre as variações dos

3 produtos – ou seja, se apresentam ou não a mesma variância.
No Minitab: STAT> ANOVA> TEST FOR EQUAL VARIANCES
BASTA SELECIONAR O Y DO PRCCESSO
BASTA SELECIONAR O X DO PRCCESSO

Teste de Hipótese
Ho = não há diferença entre as variações – aceita-se quando p>0,05 (maior ou igual)

Ha = há diferença nas variações – aceita-se quando p<0,05 (menor)
MELHOR PRÁTICA:
Sempre confie no Teste de Levene!
No final das contas, o Teste de Levene
funciona para dados Normais ou Não
Normais.
O Teste de Bartlett pode enganar muito,
mesmo com desvios mínimos da
normalidade.
Obs: Na existência de apenas dois grupos, o
Teste de Bartlett é equivalente a uma
ferramenta popular denominada Teste-F.
P<0,05; ou seja, rejeita-se Ho, aceita-se Ha

Há diferença entre as 3 variações
Teste de Hipótese
Por fim, avalia-se se há diferença estatística significativa entre as médias dos
3 produtos – ou seja, se apresentam ou não a mesma média.
No Minitab: STAT> ANOVA> ONE-WAY

BASTA SELECIONAR O Y DO PRCCESSO
BASTA SELECIONAR O X DO PRCCESSO

Teste de Hipótese
Ho = não há diferença entre as médias – aceita-se quando p>0,05 (maior
ou igual
Ha = há diferença entre as médias – aceita-se quando p<0,05 (menor)
Results for: ANÁLISE DE PRODUTOS.MTW

One-way ANOVA: Y versus X
Source DF SS MS F P
P<0,05; ou seja, rejeita-se Ho, aceita-se
X 2 991,19 495,59 164,28 0,000
Ha: há diferença entre as médias dos 3
Error 57 171,96 3,02
produtos
Total 59 1163,15
S = 1,737 R-Sq = 85,22% R-Sq(adj) = 84,70%

OBSERVAÇÃO:
Quando trabalha-se com 2 amostras, o
Individual 95% CIs For Mean Based on método ANOVA presume que as variações são
Pooled StDev as mesmas (mesmas variâncias).
Level N Mean StDev ----+---------+---------+---------+----
-
Caso isto não ocorra, recomenda-se o uso da
função 2-Sample-T, em que tem-se a opção
Produto A 20 30,385 2,322 (-*--)
de não assinalar que as variâncias são iguais.
Produto B 20 20,495 1,728 (-*--)
O Comando para se chegar a esta função é:
Produto C 20 26,430 0,818 (-*--)
----+---------+---------+---------+-----
STAT> BASIC STATISTICS> 2-SAMPLE-T
21,0 24,0 27,0 30,0
Pooled StDev = 1,737
Teste de Hipótese
Executar teste para apenas dois grupos de produtos ("A" e "C"), e verificar se
existe diferença entre as duas médias. Suponha que os desvios não são os
mesmas.
Suponha que os desvios não são os mesmas

Teste de Hipótese
Ho = não há diferença entre as médias – aceita-se quando p>0,05 (maior ou igual)

Ha = há diferença entre as médias – aceita-se quando p<0,05 (menor)
Two-Sample T-Test and CI: Produto A; Produto B
Two-sample T for Produto A vs Produto B
P<0,05: rejeita-se Ho, aceita-se Há

N Mean StDev SE Mean Há diferença entre as médias dos
Produto A 20 30,38 2,32 0,52 produtos A e B
Produto B 20 20,49 1,73 0,39
Difference = mu (Produto A) - mu (Produto B)

Estimate for difference: 9,89000
95% CI for difference: (8,57585; 11,20415)
T-Test of difference = 0 (vs not =): T-Value = 15,28 P-Value = 0,000 DF = 35
EXERCÍCIO DA CATAPULTA:
EXERCÍCIO DA CATAPULTA: COMPARAÇÃO ENTRE PROJÉTEIS “A” e “B”
xxxx
xxx
x
xxxxx
xxx
Target
xxx x
x x
xxx xxxx x
x x xx x
x
x x

Percebendo sua frustração com o desempenho da sua catapulta novinha em

folha, um vendedor de armas lhe promete resultados melhores se você
substituir o projétil da marca que está usando atualmente “Marca A” para sua
marca de projétil “Marca B”! É mais caro por garantir que a dispersão é
marcadamente menor (mais precisão).
O vendedor também alega ter o tamanho exato para a mira (centralização) do

projétil de sua antiga marca “Marca A”. Isto proporciona a possibilidade de
mudar entre marcas sem ter que ajustar a mira.
Você decide comprar vinte dos seus projeteis para realizar testes para
verificar suas alegações.
O QUE FAZER:
1) Selecionar uma pessoa para registrar as distâncias. Registre as distâncias (em cm).
Assegure-se de usar o setup padrão da catapulta .
2) Selecione duas bolas de Ping Pong (A&B) para atirar 20 vezes, usando o mesmo ângulo
de 165 graus.
3) Após 40 tiros, favor retornar aos assentos imediatamente--Discutiremos como analisar
estes dados. Digite os dados no Minitab em duas colunas independentes (Marca A &
Marca B).
4) Mais tarde irão se reagrupar. Digite os dados no Minitab e compare os dois projéteis
através da realização do “Test-T com Duas Amostras” e “o Teste para Variâncias Iguais”,
etc.
PERGUNTAS:
1) O vendedor prometeu melhor precisão com a Marca B do que com a Marca A. Os dados
sustentam isto?
2) Os projetis de Marca A e Marca B estão realmente centrados em um mesmo ponto?

Teste de Hipótese
“SET UP” PADRÃO
Número de elásticos: 1
Ponto de fixação do elástico: 3
Ponto de tensão do elástico : 3
Fim de curso da alavanca: 3
Localização do copo: 4
Ângulo de armação: 165o
Tipo de bola: Bolas A/B de Ping Pong
Testes
1-) Abra o arquivo ‘Map_Test_3.mpj’ e verifique :
a-) Se há diferença significativa entre as dispersões do tempo de instalação dos três

engenheiros
Ho :
Ha :
p=
Conclusão :
___________________________________________________________________________
___________________________________________________________________________
b-) Se há diferença significativa entre as médias do tempo dos três engenheiros
Ho :
Ha :
p=
Conclusão :
___________________________________________________________________________
___________________________________________________________________________

Tests
1-) Abra o arquivo‘Ex_catapult.mpj’ e verifique:
Quais dos fatores estudados (X’s) têm influência sobre a distância ( Y ).

Análise a influência tanto na dispersão quanto na média.
__________________________________________________________________________
__________________________________________________________________________
__________________________________________________________________________
__________________________________________________________________________
__________________________________________________________________________
Análise de Regressão

Quando Utilizar a Análise de Regressão?
X (Fonte de Variação):

Y (Variável Resposta)
CONTÍNUO
Box Plot
Teste de Hipótese
Regressão Simples
ANOVA
DOE
DOE
(ATRIBUTO)
DISCRETO
Pareto
Análise de Regressão: é uma técnica estatística usada para analisar a

correlação entre variáveis.
Regressão Simples: analisa a correlação entre um Y contínuo e um X

contínuo.
Exemplo: Y=Vendas $
(Milhões)
X=Despesa com Propaganda 30
versus 20
Y=Vendas Realizadas
10
0 0,5 1 1,5 2
X=Propaganda $(Milhões)

X
Variável Independente - Uma variável que “causa” ou
está associada a uma variação de alguma característica
dependente (a variável de entrada).
Variável Dependente - Uma variável chamada de
Y
variável de resposta ou variável de desempenho. Seu
valor depende dos valores da Variável Independente (X)
(a variável de saída).
Y=Margem de Y=Preço venda

Contribuição 30 (Milhares) 35
20 25
10 5
0 0,5 1 1,5 2 1 6 14 22 30
X=Volume de Vendas Anuais (tons) X=Idade do Carro
Y = Vendas Y = Custos
30
20
10
1,5% 2,0% 3,5% 4,0% 0 0,5 1 1,5 2

X= Variação do PIB X=horas extras

• Pontos de dados plotados em um gráfico que proporcionam um quadro

dispersão.
• Tradicionalmente, a Variável Independente (X) é plotada no eixo horizontal
• Enquanto a Variável Dependente (Y) é plotada no eixo vertical.
VARIÁVEL DEPENDENTE (Y)
VARIÁVEL INDEPENDENTE (X)
CORRELAÇÃO
Y = Tempo para análise do crédito
80
POSITIVA!!
75
Inclinação > 0
(Linha horizontal não se
70
ajusta bem!)
65 A medida que X aumenta,

Y também aumenta.
60
Clientes importantes são
60 65 70 75 80 mais propensos a esperar
X = Tamanho do cliente (MM US$ Vendas) pela análise de crédito.

50 CORRELAÇÃO
NEGATIVA!!
40
Y - Custos Fixos
Gradiente < 0
30
(Linha horizontal não
se ajusta bem!)
20
10 A medida que X
aumenta, Y diminui.
0
85 90 95 100 105 110 115 Quanto maior o

número de projetos,
X - Número de projetos Seis Sigma menores são os custos
NENHUMA
CORRELAÇÃO!!
Y – Nota Média na Universidade
1550
1450 Gradiente = 0
1350 (Linha horizontal se ajusta
1250 bem!)
1150
1050 A medida que X aumenta,
950 Y aparentemente não
850 muda. Não há relação
750 entre X e Y.
650
A altura dos pais não
60 65 70 75 80
influencia o GPA de seus
X – Altura do Pai (polegadas) filhos.

Procedimento Geral para Conduzir uma
X Y
Exemplo: Abra o arquivo “Grades.mpj”.
Suponha que um professor queira comparar:
O nº de horas de estudo como sendo a

Variável Independente (X) versus notas nos
testes como sendo a Variável Dependente (Y)
O professor sabia (por sua experiência) a

correlação entre estas duas variáveis, mas
queria verificar:
1) A correlação estatística entre eles; e
2) Em caso de correlação, se existe uma maneira

de prever que as notas serão baseada nas
últimas horas do estudo.

PASSO #1: realizar um bom planejamento do estudo
PASSO #2: coletados dados que realmente representam o processo estudado, ou seja, que
não estejam contaminados de ruídos, tendências ou variáveis externas
Parte-se então para a análise gráfica dos dados coletados com o GRÁFICO DE DISPERSÃO.
Comando no Minitab: GRAPH>SCATTERPLOT
VARIÁVEL DEPENDENTE
VARIÁVEL INDEPENDENTE

Qual a tendência deste conjunto

de dados?
Existe uma correlação?
Devemos descobrir se existe

alguma linha que melhor se
ajusta aos pontos plotados – é
a LINHA DE TENDÊNCIA
Como Encontrar uma Linha que “Se Ajusta”

aos Dados?
Estamos procurando uma linha que irá minimizar as distâncias dos pontos
plotados até a linha...
DESVIOS (DISTÂNCIA)
“DE QUANTO A LINHA ESTÁ FORA”
*
LINHA DE REGRESSÃO
*
Variável de Resposta
*
* *
(Y)
*
*
* * PONTOS DO DIAGRAMA DA DISPERSÃO
* (valores dos dados em sì)
Variável de Entrada (X)

aos Dados?
Lembre-se que a equação geral de qualquer reta é a seguinte...
Y = b + m (X )
^Y é a estimativa do Y que
nossa linha de Regressão nos Inclinação
Intercepção
apresenta para um dado valor (gradiente) da linha
Y
de X
Y = bo + b1 (X )
Mas em Regressões, escrevemos a equação para uma linha usando b0 e b1

aos Dados?
A inclinação (o gradiente) é dado por....
“D Y”
b1 =
“D X”
Variável de Resposta (Y)
b1

aos Dados?
A intercepção em Y é a altura (valor Y ) quando X=0.
Em outras palavras, o ponto em que a linha ajustada cruza o eixo Y.
DY
DX
Variável de Resposta
OBSERVAÇÃO:
Às vezes a intercepção Y-
(Y)
possui uma interpretação

física importante. Outras
vezes serve apenas para
}
fazer a matemática
b0 funcionar corretamente.

X=0

aos Dados?
Agora, utilizando o Minitab, podemos
encontrar facilmente o melhor ajuste:
VARIÁVEL DEPENDENTE
VARIÁVEL INDEPENDENTE

aos Dados?
DY
DX
bo = 48,04 b1 = 6,296
É um “bom ajuste”? Quão bom é este modelo de previsão?

Podemos confortavelmente prever um Y para um dado X usando este modelo?
Sobre r e R2
Agora iremos introduzir um teste para determinar o nível de

confiança que temos sobre a capacidade de previsão de nosso
modelo.
Este “teste” é chamado COEFICIENTE DE DETERMINAÇÃO, mais

conhecida como “R ao quadrado” (R2).
R2 é uma medida da quantia de variação na saída (ou variável de

resposta) que é explicada pelo modelo de Regressão. Ela sempre
terá um valor entre 0 e 1 (0% a 100%). Quanto maior o valor,
maior a confiança depositada no modelo em si.
0 0,5 1
R2

Sobre r e R2
...nos diz “Qual porcentagem da variação de Y pode ser explicada pela variação de X”
r = 0,01 r=+0,10
R2 = 0,0001 R2 = 0,01
r= +0,42 r= +0,96
R2 = 0,17 R2 = 0,92
r= -0,42
r= -0,96
R2 = 0,17
R2 = 0,92
R2 =0,17
“17%= da variação de Y pode ser
atribuída à variação de X”
Sobre r e R2
Volte para o exemplo de notas vs. horas de estudos (file: ‘Grades.mpj’).
R2 = 0,925 = 92,5%
A quantidade 92,5%
representa a porcentagem
da variação da variável de
resposta Y, devido a uma
relação linear com X.
100% - 92,5% = 7,5%
Isto significa que 7,5% da

variação resulta de outra
causa.

Sobre R2
Se R2 = 1, existe uma correlação direta de um para um.
Ou seja, 100% da variação se deve à equação da Regressão. Neste caso temos

a maior correlação possível.
Se R2 = 0, significa que NADA da variação se deve à equação da Regressão.

Portanto, NÃO há correlação.
É de se esperar que R2 seja 1?
Perguntas:
(1) Pode uma correlação ser detectada acima do “ruído” nos dados?
(2) Quando podemos afirmar que a correlação é forte?
Sobre R2
Uma vez demonstrado que uma correlação pode ser detectada acima do
“ruído” nos dados, podemos afirmar que a correlação é forte?
Aquilo que constitui uma correlação “forte”, depende do contexto do estudo

e as conseqüências dos possíveis erros.
Por exemplo, se você acha que encontrou uma correlação que poderia
explicar a causa do câncer, o R2 pode ser analisado muito mais a fundo
pela comunidade de pesquisas médicas.
Quanto maior for o R2, maior é a correlação.
Diferentes livros sugerem diferentes critérios de decisão. O importante é

entender o contexto de sua assunção e as consequências de uma hipótese
falsa.
As estatísticas são sempre um suporte para decisões melhores. Um certo

nível de risco está sempre associado.

Podemos Detectar a Existência de Correlação
Acima do “Ruído”?
A fim de determinar a existência de uma correlação significativa o Teste de

Hipóteses é usado. A letra grega (ρ) é usado para representar a correlação
“verdadeira”. Enquanto o "r" da amostra de dados é utilizado a fim de chegar o
mais perto possível da "verdadeira ρ”.
Ho: r = 0 vs. H1: r  0
“NÃO HÁ “ALGUMA
CORRELAÇÃO” CORRELAÇÃO EXISTE”
Isto equivale a testar a hipótese

“ Ho: Inclinação da linha=0 ”
DEPENDENTE VARIÁVEL VARIÁVEL INDEPENDENTE

Este P-value é a probabilidade de que

usando um modelo sem nenhum X (ou
Regression Analysis: Nota versus Horas de Estudo seja, usando uma linha horizontal
como modelo) é tão bom quanto
The regression equation is
aquele que usamos...
Nota = 48,04 + 6,296 Horas de Estudo
S = 3,59784 R-Sq = 92,5% R-Sq(adj) = 91,6% Se este P-value for menor que 0,05
(ou próximo), então podemos concluir
que todo o modelo aplicado ao Minitab
Analysis of Variance foi um modelo significativo.
Source DF SS MS F P-value
Regression 1 1284,44 1284,44 99,23 0,000
Error 8 103,56 12,94
Total 9 1388,00
Neste caso, considerando que
entramos com apenas um X, isto
significa que este X teve uma
correlação significativa com o nosso Y.
Cautela na Interpretação....
Um valor R2 bastante elevado não implica necessariamente em causa e efeito.
Apenas significa que existe uma associação. Muitas vezes precisamos

investigar com precisão as diferentes fontes dos Xs independentes para obter
uma visão clara que nos levará a tomar medidas concretas de melhoria.
Tópicos Adicionais...
Muitos outros tipos de modelos de Regressão podem ser desenvolvidos.
O Minitab executará o trabalho exaustivo de “tratamento dos números” e

ajustará o melhor modelo possível.
Outra variável, X2, poderia ser acrescentada ao modelo de Regressão linear

simples. De fato, muitos outros X’s poderiam ser estudados simultaneamente, o
que leva à Regressão Múltipla.

Regressão Múltipla
Em muitas situações, o processo estará sujeito à influência de mais de um X. Para
estes casos, pode-se usar a REGRESSÃO MÚLTIPLA, que avaliará a influência
destes X’s na variável resposta Y.
Importante: esta ferramenta não avalia a interação entre os X’s, muito comum em
vários processos e situações do dia-a-dia.
Arquivo: ‘Grades.mpj’
APENAS 1 “Y”
VÁRIOS “Xs”
Regressão Múltipla
Regression Analysis: Nota versus Horas de Estudo; Altura do Pai
The regression equation is
Nota = 66,8 + 6,21 Horas de Estudo - 0,104 Altura do Pai
Predictor Coef SE Coef T P P<0,05; X QUE APRESENTA INFLUÊNCIA

Constant 66,76 30,20 2,21 0,063
Horas de Estudo 6,2101 0,6721 9,24 0,000
Altura do Pai -0,1042 0,1672 -0,62 0,553
P>0,05; X QUE NÃO APRESENTA INFLUÊNCIA
S = 3,74374 R-Sq = 92,9% R-Sq(adj) = 90,9%
Analysis of Variance
Source DF SS MS F P
Regression 2 1289,89 644,95 46,02 0,000
Residual Error 7 98,11 14,02
Total 9 1388,00
Source DF Seq SS
Horas de Estudo 1 1284,44
Altura do Pai 1 5,45

Regressao Linear Simples
(ESTUDO DE OBSERVACAO )
1) Selecione 1 Operador de Catapulta, 1 verificador de ângulo, 2 Registradores de
Distância (buscar o melhor sistema de medição possível tanto para X=ângulo, quanto
para Y=Distância!) e 1 registrador no computador . Estabeleça um preparo padrão
para a Catapulta e mantê-lo.
2) Coloque o ângulo e a distância em duas colunas em branco no arquivo

'Ex_Angle_Catapult.mpj'
3) Operador: Empurre para traz e segure a alavanca firmemente em um ponto qualquer

sem olhar para a medida do ângulo.
4) Registrador de Angulo : Registre o ângulo antes de permitir o disparo.
5) Registradores de Distância : Verifique a distância e informe juntamente com o ângulo

de disparo para o operador de entrada de dados.
6) Repetir esse procedimento 50 vezes procurando cobrir toda a faixa possível de

ângulos na catapulta.

1. Planeje o estudo para assegurar ausência de tendências ou casualidade e

para garantir a observação de uma “amplitude completa de variação”
tanto para X como para Y.
2. Colete dados bons. Colete, pelo menos, 50 pares de dados X, Y.
3. Faça o Diagrama de Dispersão(s) e suas equações de Regressão

usando Stat>Regression> Fitted Line Plot (admitindo 1X vs 1Y).
4. Avalie a significância do modelo de Regressão através do valor R-

Quadrado e do P-value para “Todo Modelo”
EXERCÍCIO DA CATAPULTA
A) Existe correlação ? É positiva ou negativa ?
B) Qual a equação da reta que melhor se ajusta aos pontos ?
C) Qual o valor de R2 ? E de “p-value”?
D) Suponhamos que as especificações do cliente sejam 175+10 . Qual a capabilidade s para o

exercício ?
E) Imagine que já esteja na fase de Melhoria . O que você sugeriria para aumentar a
capabilidade s do processo ?

Teste
1-) Abra o arquivo Map_Test_1.mpj.mtw e verifique :
a-) O peso das caixas têm influência sobre o tempo para carregar o caminhão ?
b-) Qual a equação da reta que explica a correlação entre os dois fatores ?
c-) Qual o valor do R2 ? O que significa esse valor ?
d-) Qual o valor de “p” ? O que isto significa ?
Ho :
Ha :
Conclusão :
Teste Chi-Quadrado

Quando Utilizar o Teste Chi-Quadrado?
X (Fonte de Variação) Tratado como:

Y (Variável Resposta)
CONTÍNUO
Box Plot
Tratado como:
Teste de Hipótese
Regressão Simples
ANOVA
DOE
DOE
(ATRIBUTO)
DISCRETO
Pareto
Teste Chi-Quadrado
( para independencia )
É um teste estatístico em que:
Ho: as duas variáveis são independentes, isto é , a variável “x” estudada não tem
influência sobre a variável “Y”. Não existe nenhuma associação entre eles.
Ha: as variáveis são dependentes, isto é , a variável “x” estudada tem influência sobre
a variável “Y”. As variáveis estão associadas.
Conclusão :
- Quando “p” ≥ 0,05 aceita-se Ho e rejeita-se Ha , isto é, as variáveis são

independentes
- Quando “p” < 0,05 aceita-se Ha e rejeita-se Ho , isto é, as variáveis são

dependentes

Teste Chi-Quadrado
Exemplo: Isabel não foi contratada pela empresa ABC. Ela tinha todas as qualificações
necessárias e sentiu que as entrevistas foram bem. Foi por ela ser mulher? Esta empresa
pratica “Discriminação de Gênero” na sua política de contratação?
1994-96 Histórico de Contratação (por gênero)
CONTRATADOS NÃO-CONTRATADOS
M 30 70 100
SEXO
F 15 35 50
45 105 150
Seria suspeito se 0 de 50 mulheres fossem contratadas? Por quê?
Seria suspeito se 14 de 50 mulheres fossem contratadas? Por quê?
Teste Chi-Quadrado
Abra o arquivo ‘Recruitment.mpj’
Desenhe o teste Chi-Quadrado para esta empresa. Lembre-se que não é necessário adicionar
os totais de números escritos nas colunas e linhas. O Minitab irá fazê-lo automaticamente.

Teste Chi-Quadrado
Chi-Square : Contratado; Não Contratado

Expected counts are printed below observed counts
Chi-Square contributions are printed below expected counts
Contratado Não Contratado Total
1 30 70 100
30,00 70,00
0,000 0,000
2 15 35 50
15,00 35,00
0,000 0,000 P>0,05 ; ACEITA-SE Ho. PORTANTO: NÃO HÁ RELAÇÃO
ENTRE PESSOAS CONTRATADAS E O SEXO DAS MESMAS
Total 45 105 150
Chi-Sq = 0,000; DF = 1; P-Value = 1,000
Teste Chi-Quadrado
Observe que quanto mais proporcionais forem as linhas e as colunas da tabela de

contingência maior é a probabilidade das variáveis serem independentes .
Por outro lado quanto mais desproporcionais forem, ficando maiores são as chances de que
as variáveis sejam dependentes .
Em outras palavras :
Ho: as duas variáveis são independentes, isto é , a variável “x” estudada não tem influência
sobre a variável “Y” ( as colunas e as linhas são aproximadamente proporcionais )
Ha: as variáveis são dependentes, isto é , a variável “x” estudada tem influência sobre a
variável “Y” ( as colunas e as linhas não são aproximadamente proporcionais)
Quando o valor de “p” for menor do que 0,05 dizemos que as variáveis são muito
desproporcionais e, portanto, há dependência entre elas.

Testes
1. Analisar a precisão de diferentes inspetores no departamento de controle de qualidade
de uma empresa de manufatura.
Abra o arquivo 'Quality_control.mpj'
Exemplo: Usando Chi-Quadrado em Sistema de Análise de Sistema de Medição para Atributos
Inspetor
Mário José Carlos Mauro Total
Avaliação
Ruim - Passou 10 60 16 89 175

Correto 80 388 208 812 1488
Bom - Rejeitado 10 52 26 99 187
Total 100 500 250 1000 1850
Conclusão:
Testes
2. Abra o arquivo 'Service Level.mpj. Avaliar a influência de cada um X em cada variável
resposta: “Dentro do Prazo” e “Correto”.
HÁ INFLUÊNCIA SIGNIFICATIVA?
‘DENTRO DO PRAZO’ ‘CORRETO’
NÃO SIM VALOR “P” NÃO SIM VALOR “P”

X1: Cliente
X2: Mês
X3: Região
X4: Produto
X5: Entrada do Pedido
X6: Vendedor
Use os Gráfico de Pareto para ter uma primeria idéia da influencia dos X’s sobre o Y.
Stat / Quality tools / Pareto chart / Chart defects data in:

Testes
COLOQUE O ‘Y’
COLOQUE O ‘X’
OBSERVE QUE AS COLUNAS NÃO REPRESENTAM A TABELA DE

CONTINGÊNCIA... O COMANDO É JUSTAMENTE PARA MONTAR
AUTOMATICAMENTE A TABELA E REALIZAR O TESTE CHI-QUADRADO
FMEA
Failure Mode & Effects Analysis
(Análise do Modo e Efeitos da Falha)

Dinâmica da Metodologia - O Efeito Funil
Mapa do Processo +20 Entradas
Matriz C&E e Espinha de Peixe 10 - 15
8 - 10
FMEA
4-8
Análise gráfica dos dados
3-6
Análise estatística dos dados
X’s Vitais
Definição - FMEA
 Um Método Estruturado Para:

 Identificar como um processo pode falhar
 Estimar os riscos específicos destas falhas
 Avaliar o plano de controle atual para prevenir estas falhas
 Dar prioridade às ações
 Conceito: Identificar em modo pró-ativo como o Produto ou Processo

podem falhar

Histórico
 Usado pela primeira vez nos anos 60, na Indústria Aeroespacial durante
as missões Apollo
 Em 1974 a Marinha desenvolveu o MIL-STD-1629 promovendo o uso do

FMEA
 No final do anos 70, o FMEA foi adotado pela indústria automotiva para
gerenciar e controlar seus processos.
 Na década de 80, a indústria automotiva definitivamente assumiu o

método FMEA para avaliar e validar seus processos de fabricação.
Tipos de FMEA
 FMEA de Produto
 FMEA de Processo Nossa área de foco neste

curso é esta.
 FMEA de Aplicaçao
 FMEA de Serviço

O Formulário do FMEA
Modelo de FMEA
Prevenção Detecção Detecção
MODO DE
CAUSA FALHA EFEITO
(DEFEITOS)
Qual a causa da De que modo o processo Qual o efeito da

falha ? pode falhar? falha para o cliente?
Qual controle existe para

CONTROLES
evitar que a causa ocorra?

Definição de Termos
 Modo de Falha - A forma como uma entrada de

processo crítica específica (Xs) pode falhar e gerar
um defeito
Exemplo:
 Efeito - impacto sobre os requisitos do cliente. Ele

poderia impactar um cliente externo ou um processo
interno.
Exemplo:

 Causa - Fontes de variação que levam o Modo de Falha

a ocorrer
Exemplo:
 Controles – Métodos para prevenir ou detectar Modos

de Falha ou Causas (antes de causarem os efeitos)
Exemplo:

Número de Prioridade de Risco (RPN)
 O resultado de uma FMEA é o “Número de Prioridade de Risco ”
 RPN é calculado em base à:
 Falha potenciais,
 Efeitos dessas falhas,
 Capabilidade do processo para detectar as falhas antes de
chegarem ao cliente
RPN = Severidade X Ocorrência X Detecção
Definição de Termos de RPN
 Severidade (do Efeito)- gravidade do impacto sobre o cliente

- 1=Não Severo, 10=Muito Severo
 Ocorrência (da Causa)- freqüência que uma Causa ocorre

- 1=Pouco Provável, 10=Muito Provável
 Detecção (Capabilidade dos Controles Atuais) - capabilidade do

esquema de controle atual para detectar:
 as causas antes de gerar um modo de falha
 as falha antes de causar o efeito
 1=Detecção Provável, 10=Detecção muito pouco Provável

Escalas Gerais de Classificação (Rating)
Classif. GRAU DE SEVERIDADE PROBABILIDADE DE OCORRÊNCIA CAPABILIDADE DE DETECTAR
1 O Cliente não perceberá o efeito adverso ou Probabilidade remota de ocorrência Certeza de encontrar ou prevenir a
o mesmo é insignificante falha potencial antes de atingir o
próximo cliente
2 O Cliente provavelmente ficará levemente Baixa taxa de falha com Quase certo de encontrar ou prevenir
aborrecido documentação de apoio a falha potencial antes de atingir o
próximo cliente
3 O Cliente ficará aborrecido devido à ligeira Pouca probabilidade da falha
Baixa taxa de falha sem
degradação do desempenho potencial atingir o próximo cliente
documentação de apoio sem ser detectada
4 Os controles poderão detectar ou
Insatisfação do Cliente devido a redução do Falhas Ocasionais prevenir que a falha potencial atinja
desempenho o próximo cliente
5 O Cliente fica desconfortável ou sua Taxa de falha relativamente Probabilidade moderada da falha
produtividade é reduzida devido a moderada sem documentação de potencial atingir o próximo cliente
degradação persistente do efeito apoio
6 Taxa de falha moderada sem Pouco provável que os controles
Reparo na garantia ou reclamação significativa documentação de apoio detectem ou previnam que a falha
referente à fabricação ou montagem potencial atinja o próximo cliente
7 Grau elevado de insatisfação do cliente Pouco provável que a falha potencial
devido a falha de componente sem perda Taxa de falha relativamente alta
total da função. Produtividade impactada com documentação de apoio seja detectada ou prevenida antes
devido a elevados níveis de desperdício ou que atinja o próximo cliente
retrabalho
8 Muito pouco provável que a falha
Grau muito elevado de insatisfação do cliente Taxa de falha alta sem potencial seja detectada ou
devido a perda de função sem impacto documentação de apoio prevenida antes que atinja o
negativo nas normas de segurança e próximo cliente
9 governamentais
Cliente em apuros devido a efeito adverso no Falha quase certa baseado nos Os controles atuais provavelmente
desempenho do sistema de segurança com dados da garantia não irão nem se quer detectar a falha
aviso antes da falha ou violação de normas potencial
governamentais
10 Cliente em apuros devido ao efeito adverso Os controles atuais com certeza não
Falha certa baseado nos dados da
no desempenho do sistema de segurança irão detectar a falha potencial
sem aviso antes da falha ou violação de garantia
normas governamentais
Etapas Gerais do FMEA
1. Selecione a equipe de FMEA do 8. Para cada Entrada do Processo,

Estas etapas foram vistas nos módulos de
Processo Relacione as maneiras pelas quais

podem variar (Modos de Falhas) e
Mapaeamento do Processo e C&E
2. Desenvolva um Mapa do Processo e

identifique as principais etapas do identifique os efeitos associados
processo 9. Relacione todas as Causas para
3. Relacione todos as Saídas Principais cada Modo de Falha
de Processo para satisfazer as 10. Relacione os Controles Atuais para
necessidades de clientes cada Causa
4. Para cada Etapa do Processo, 11. Atribua classificações de
relacione as Variáveis de Entrada de Severidade, Ocorrência e Detecção
Processo Impactantes para cada Causa
5. Defina a Matriz de C&E do Processo 12. Calcule o número de prioridade de
relacionando as Saídas de Impacto risco para cada cenário de Modo de
às Variáveis de Entrada de Falha
Processo Impactantes 13. Determine as ações
6. Classifique as Variáveis de Entrada recomendadas para reduzir RPNs
segundo sua importância e a Saída Elevados
do Processo 14. Execute as ações apropriadas
7. Inicie o FMEA do Processo 15. Re-calcule todos os RPNs

Visão Geral do Processo
•Sistema de Ger.
De Manutenção Programação de
Equipamento Produção
•Descrição do # Partes Contato com Contrato Programação de “Check List” de
Problema •Descrição das Descrição Fornecedores Aprovado pela Férias/ Recessos Disponibilidade Avaliação de
•Fazer o pedido Peças para Especialistas Homologação de Direção da Treinamentos de Materiais e Serviços Sistema de Ger.
com antecedência Substituição Necessários Fornecedores Empresa Programados Mão-de-Obra Prestados De Manutenção
1 2 3 4 5 6 7 8 9
Legenda: CTQ’s:
1. Fazer o pedido de manutenção

2. Descrever os Materiais necessários A. Disponibilidade de Uso de
3. Descrever os Serviços necessários Equipamentos
4. Cotação de Materiais e serviços, com pelo menos três diferentes B. Qualidade dos Equipamentos
fornecedores
5. Assinar o Contrato de Prestação de Serviços de Manutenção
6. Fazer a Programação de Parada de Equipamentos e Pessoal
7. Executar a manutenção planejada
8. Avaliar o Serviço de Manutenção
9. Fechar o pedido de manutenção
PROCESSO DE MANUTENÇÃO DE EQUIPAMENTOS
Matriz Causa Efeito

1 2 3 4 5 6 7 8 9 10
Availability of Use
Requirement 10
Relative Weight (%)

Requirement 3
Requirement 4
Requirement 5
Requirement 6
Requirement 7
Requirement 8
Requirement 9

Absolute Weight
X5 # of Parts 10 10 180 16,3
A partir deste ponto que começamos a FMEA do processo.

Preenchendo o “FMEA”
1. Para cada Entrada de Processo Crítica (valor alto), determine como
a entrada pode dar errado (estes são os Modos de Falha)
As primeiras duas Variáveis de Entrada de Processo Impactantes na Matriz de

C&E são: Sistema Gerencial de Requisiçao & Descriçao do Problema
Planilha
FMEA
Etapas Entrada Modo

do Principal do Efeitos Causas Controles
de Falhas
Processo Processo Atuais
Sistema “Fora
1) Fazer o Sistema de do Ar”
pedido de Gerenciamento
manutenção de Requisições Erro de
Aplicativo
Descrição do Erro de
Problema Digitação
2. Para cada Modo de Falha associado às entradas, determine os
Efeitos associados
Estes efeitos são os requisitos internos para o próximo processo.
Planilha
FMEA
Etapas Entrada Modo

de Falhas
Sistema “Fora Processamento

1) Fazer o Sistema de do Ar” Atrasado
manutenção de Requisições Erro de Processamento
Aplicativo Atrasado
Descrição do Erro de Imprecisão no

Problema Digitação Diagnóstico

3. Identifique as Causas potenciais de cada Modo de Falha
Na maioria dos projetos, haverá mais de uma Causa para cada Modo de Falha.
Neste exercício, vamos utilizar apenas uma Causa para cada Modo de Falha.
Planilha
FMEA
Etapas Entrada Modo

de Falhas
Sistema “Fora Processamento Queda de

1) Fazer o Sistema de do Ar” Atrasado Energia
manutenção de Requisições Erro de Processamento
Incompatibilidade
Aplicativo Atrasado
de Programas
Imprecisão no Falta de
Descrição do Erro de Critérios para
Problema Digitação Diagnóstico Descrição
4. Relacione os Controles Atuais para cada Causa
Para cada Causa vamos relacionar como estamos prevenindo-a ou detectando-a.

Gostaríamos de atribuir um número de procedimento sempre que houver um
SOP.
É assim que o FMEA identifica furos iniciais no Plano
Planilha de Controle. As Equipes podem desde já começar a
agir nestes pontos.
FMEA
Etapas Entrada Modo

de Falhas
Sistema “Fora Processamento Queda de Estabilizadores

1) Fazer o Sistema de do Ar” Atrasado Energia de Energia
manutenção de Requisições Erro de Processamento Alerta para a
Incompatibilidade
Aplicativo Atrasado Instalação do
de Programas
Programa
Imprecisão no Falta de
Descrição do Erro de Critérios para
Digitação Diagnóstico Nenhum
Problema Descrição

5. Atribua classificações de Severidade, Ocorrência e Detecção para cada
Efeito, Causa e Controle
S O D R
Entrada
Principal Modo de Falha Efeitos Potenciais E Causas Potenciais C Controles Atuais E P
do Processo Potencial da V C T N
Falha
efeito para o Cliente ?

Qual é a De que forma Qual o impacto nas
ocorre a causa ou Modo

O que causa o fato da Quais são os controles e
detectar a causa ou Modo

Entrada a Entrada Variáveis de Saída
Com que freqüência

Entrada Principal dar procedimentos existentes
Quão Severo é o
Principal do Principal pode dar Principais (Necessidades
errado? (inspeção e testes) que
Quão Bem pode-se

Processo ? errado? do Cliente) ou
previnem a causa ou
nos Requisitos Internos ?
Modalidade de Falha?
de Falha ?
de Falha?
Sistema de Sistema “Fora do Processamento Queda de Energia Estabilizadores de

Gerenciament 2 2 40
o Requisições
Ar” Atrasado 10 Energia
Incompatibilidade de Alerta para a Instalação

Erro de Aplicativo Processamento 9 Programas 3 3
do Programa 81
Atrasado
Descrição do Imprecisão no Falta de Critérios 9
Erro de Digitação 7 Nenhum 567
Problema Diagnóstico para Descrição 9
6. Calcule o RPN
S O D R
Entrada
Falha


Entrada a Entrada Principal Variáveis de Saída


Quão Severo é o
Principal do pode dar Principais (Necessidades

Quão Bem pode-se
Processo ? errado? do Cliente) ou

previnem a causa ou
nos requisitos internos ?
de Falha ?
de Falha?
Sistema de Sistema “Fora do Processamento Queda de Energia Estabilizadores de

Gerenciament 2 2 40
o Requisições

Erro de Aplicativo Processamento 9 Programas 3 3
do Programa 81
Atrasado
Descrição do Imprecisão no Falta de Critérios 9
Erro de Digitação 7 Nenhum 567
Problema Diagnóstico para Descrição 9

7. Determine as Ações Recomendadas para reduzir RPN’s Elevados
Organize todas as causas por RPN.
S O D R
Entrada
Falha



Entrada a Entrada Principal Variáveis de Saída

Quão Severo é o
Principal do pode dar errado? Principais (Necessidades
Quão Bem pode-se

Processo ? do Cliente) ou
previnem a causa ou
nos requisitos internos ?
de Falha ?
de Falha?
Sistema de Sistema “Fora do Processamento Queda de Energia Estabilizadores de 40

Gerenciament 2 2
o Requisições

Erro de Aplicativo Processamento 9 Programas 3 3 81
do Programa
Atrasado
Descrição do Imprecisão no Falta de Critérios 9 567
Erro de Digitação Nenhum
Problema Diagnóstico 7 para Descrição 9
8. Executar as ações recomendadas
9. Recalcule os RPN’s
D R S O D R
Ações
Controles Atuais E P Resp. Ações Tomadas E C E P
Recomendadas
T N V C T N
Quais são os controles e Quais são as ações para Quais são as ações
reduzir a ocorrência da Quem é

procedimentos existentes Causa, ou melhorar a Responsável concluídas com o RPN
(inspeção e testes) que detecção? Deveria-se pela ação recalculado?
Quão Bem pode-se
previnem a causa ou apresentar ações recomendada? Certifique-se de

Modo de Falha? somente para RPN’s incluir o mês/ano
Deveríamos incluir um altos ou acertos de conclusão e
de Falha?
Fáceis?
número SOP. recalcular o RPN
Utilizar um gerador J.P. Gerador Adquirido e

Estabilizadores de autônomo de Instalado
2 40 10 1 1 10
Energia energia
Desenvolver software D.M. Requisição
Alerta para a Instalação
3 81 só para plataformas Solicitada à Equipe 9 1 1 9
do Programa
autorizadas de TI
Criar tipos padronizados J.P Implementação de tipos
Nenhum 9 567 pré-estabelecidos de pré-estabelecidos de 7 1 2 14
defeitos defeitos e critérios
Registramos quando a ação foi tomada e o impacto no RPN. Observe que esta é uma boa maneira
de rastrear atividades passadas. O FMEA deve ser atualizado à medida que novas ações
recomendadas sejam identificadas, preenchidas e regustradas.

Exercício (30 minutos)
Execute um FMEA Referente às

Entradas Principais
Apresente os resultados para os

demais grupos, já priorizando os
X’s de acordo com o RPN
Teste
1-) Qual das afirmativas abaixo não é correta ?
a-) O FMEA é uma ferramenta essencialmente preventiva e contém certo grau de subjetividade na elaboração
b-) O RPN dá à equipe uma indicação de quais potenciais causas devem ter uma ação preventiva tomada, já
que quanto maior o seu valor significa que essa potencial causa oferece maior risco ao cliente
c-) É obrigatória a elaboração de um FMEA para um projeto Seis Sigma já que ajuda a equipe a “prever” os
potenciais problemas que podem ocorrer com um determinado processo
d-) Na realidade, um FMEA contém elementos da fase de Análise (quando procura identificar causas dos modos
de falha ), da fase de Melhoria ( quando recomenda ações a serem tomadas ) e da fase de Controle (quando
verifica os controles atuais existentes para evitar a ocorrência das causas dos modos de falha )
2-) Qual a ordem correta de elaboração de uma linha de um FMEA ?

a-) causa do modo de falha ( )
b-) efeito para o cliente ( )
c-) cálculo do novo RPN ( )
d-) controle atual existente ( )
e-) modo de falha ( )
f-) ação recomendada ( )
g-) ação tomada ( )
h-) cálculo do RPN ( )
3-) Com relação ao modo de falha :

a-) está relacionado à forma como um processo pode falhar em cumprir a sua função
b-) pode gerar mais de um efeito para o cliente e pode ter mais do que uma causa
c-) é mais fácil de ser identificado caso o grupo já tenha desenvolvido um Mapa do Processo e uma Matriz C&E
d-) todas as afirmativas acima estão corretas

Melhoria
Fase de Melhoria
Na fase de Melhoria o documento mais importante a ser elaborado é o

Plano de Ação.
Nele devem constar, no mínimo :
a-) ação a ser tomada (com base na fase de Análise)
b-) responsável por cada ação
c-) data de conclusão prevista de cada ação

Exemplo de Plano de Ação
Plano de Ação - n0 001 Data de Emissão : 01/05/02

Data de Revisão : 03/09/02
Projeto : Diminuir Erros na Emissão de Notas Fiscais

Green Belt : Robert Villazzi
Ação Responsável Data Data Status

Início término
20% 40% 60% 80% 100%

1-) Eliminar colocação manual de Dir. Comercial 01/05/02 01/08/02
preços no sistema de faturamento Dir. Logística
20% 40% 60% 80% 100%

2-) Atualizar o cadastro de impostos Analista Financeiro 01/06/02 15/07/02
de todos os clientes da empresa
20% 40% 60% 80% 100%
3-) Treinar funcionários para Analistas de 01/08/02 30/08/02

novo processo de faturamento Treinamento
20% 40% 60% 80% 100%
4-) Eliminar todas as notas de crédito Gerente Financeiro 01/07/02 30/08/02

Pendentes de períodos anteriores
20% 40% 60% 80% 100%
5-) Iniciar auditorias para confirmar Auditor - Líder 15/09/02 30/12/02
correto seguimento do processo
As Mudanças em um Processo
MEDIÇÃO ANÁLISE MELHORIA & CONTROLE

O QUE VOCÊ ACHA QUE É … O QUE REALMENTE É… COMO GOSTARIA QUE FOSSE…

As Mudanças em um Processo
Durante a fase de Melhoria, a Equipe Seis Sigma deverá apresentar a nova versão
do Mapa do Processo procurando:
• eliminar etapas que não agregam valor
É a oportunidade para tornar o processo mais simples.
Nesta etapa, a equipe do projeto deve estar atenta a todas as ideias feitas pelos
especialistas no processo. Estes “inputs” são de suma importância.
Exerc. (5 min.)
Standard Work
• Desenhe um porquinho em uma folha A4
• Faça o desenho em, no máximo, 40 segundos
• Após o término, mostre o desenho ao grupo

House keeping – 5S’s
Os 5 Sensos...
• 1º S – SEIRI – Utilização
• 2º S – SEITON – Ordenação
• 3º S – SEISO – Limpeza
• 4º S – SEIKETSU – Saúde
• 5ºS – SHITSUKE – Autodisciplina
Criado no Japão após a Segunda Guerra Mundial com objetivo

de reconstruir o país
Exemplo: 5S’s
Before: After:
CPC-PPC plant Organized and color coded space
Also acts as a kanban

Exerc. (5 min.)
Armadilhas nas Mudanças em Processo
Durante a fase de Melhoria, muitas vezes é necessária a realização de alguns

experimentos para confirmar qual o melhor nível de desempenho para cada
uma destas variáveis, mesmo quando identificamos as principais fontes de
variação do processo.
Estes experimentos devem ser conduzidos de forma a evitar determinadas

“armadilhas” que podem levar o “Green Belt” a tirar conclusões falsas sobre
os níveis de melhor desempenho de cada fator.

A “Armadilha” da Variável Comum
Para ilustrar a necessidade de experimentação, vejamos o caso de Ricky que decidiu

investigar as causas de sua “intoxicação”.
Conforme ele mesmo contou, ele bebeu whisky com água e ficou muito embriagado. No
dia seguinte, ele repetiu o experimento mantendo todas as condições constantes
exceto uma... Ele decidiu substituir o whisky com água por vodka com água. Como
você pode imaginar, o resultado foi a embriaguez.
No terceiro dia, ele repetiu o experimento. Desta vez ele usou Bourbon com água, no
lugar do Whisky ou da Vodka. Desta vez ele levou 2 dias apenas para se recuperar e
começar a analisar os resultados do seu experimento.
A “Armadilha” da Variável Comum
Após se recuperar, na sua análise ele percebeu que o único elemento comum era a
água e portanto concluiu que a água é a causa da intoxicação. Por que? Porque era esta
a variável comum em todos os experimentos!
A maneira como ele conduziu o experimento o levou a uma conclusão falsa.
É comum em muitos projetos associar um defeito com uma variável que está sempre
presente quando ele ocorre (é o caso do operador que é culpado, pois sempre que ele
executa a operação ocorre um defeito).

A “Armadilha” da Amplitude Estreita
Outra armadilha bastante comum é observar uma amplitude muito estreita do

comportamento do X.
O Green Belt estuda durante a fase de análise uma faixa estreita do comportamento de
um determinado X, tira conclusões falsas e toma ações erradas na fase de melhoria.
E pior, muitas vezes extrapola as conclusões para fora desta faixa e para outros
projetos em situações semelhantes.
A “Armadilha” da Amplitude Estreita
Y=
Y=Preço
Rendimento 30 de Venda 35
(km/L) 20 25
10 5
0 0,5 1 1,5 2 1 6 14 22 30
X= Peso do Carro (tons) X=Idade do Carro
Você observa Você observa
Y= Preço
Y= de Venda
30 35
Rendimento
(km/L) 20 25
10 5
0 0,5 1 1,5 2 1 6 14 22 30
X= Peso do Carro (tons) X= Idade do Carro

A “Armadilha” dos Fatores Omitidos
Exemplo:
A medida que o tamanho dos hospitais aumenta de dimensão ( “x”: àrea em metros
quadrados), a taxa de mortalidade dos pacientes aumenta drasticamente. Portanto se
deve evitar hospitais grandes.
Fator omitido “x”: gravidade das condições do paciente quando é admitido ao hospital.
Os casos mais sérios são levados aos hospitais maiores e com mais estrutura.
Etapa Fundamental na Fase de Melhoria
Durante esta fase é necessário, uma vez executadas as ações de Melhoria,

realizar o novo cálculo da capabilidade σ e do ppm do processo e observar se
houve uma melhoria significativa . Espera-se , no mínimo, 50% de redução do
ppm (6σ e 3,4 ppm é o objetivo de longo prazo)
Eventuais benefícios econômicos (“Savings”) também podem ser validados

neste momento do projeto para ver se estão de acordo com o que havia sido
estabelecido durante a fase de Definição do Projeto .

Testes
1) O principal objetivo da fase de Melhoria é :
a) definir qual processo deve ser melhorado para atender melhor o cliente
b) medir a situação atual do processo (s) e levantar potenciais fontes de variação
c) analisar e estabelecer as principais fontes de variação do processo
d) fazer melhoria no processo com base nas fontes de variação identificadas
e) controlar as fontes de variação identificadas p/ manter a capabilidade do processo
2) Com relação ao Plano de Ação :

a-) recomenda-se que todo projeto tenha um indicando as ações a serem tomadas na fase de Melhoria
b-) deveria conter informações como ação tomada, responsável, data de início e data de término
c-) deveria conter datas de revisão que auxiliam no acompanhamento das ações tomadas
d-) deve conter algum tipo de acompanhamento da evolução das ações que estão sendo tomadas
e-) todas acima estão corretas
3) O que caracteriza o final da fase de Melhoria ?

a-) um plano de ação com todas as ações tomadas e completas dentro do prazo planejado
b-) o cálculo do novo s demonstrando que houve uma melhoria significativa
c-) um novo mapa do processo demonstrando que foram eliminadas as etapas que não agregam valor
d-) a alternativa “b” é a melhor, mas recomenda-se muito que as alternativas “a” e “c” também tenham
sido executadas
Controle

A Fase de Controle
Durante o treinamento muitos perguntam porque ir além da fase de Melhoria, já

que o objetivo de melhora de capabilidade foi atingido.
A resposta é simples : qualquer sistema no universo que não estiver sob controle
tende a ficar mais “bagunçado” no futuro (lembre-se :a variação de entropia do
universo é sempre positiva) e, portanto, a capabilidade tende a voltar para os níveis
do início do projeto Seis Sigma .
Portanto esta é a hora do “Green Belt” definir como serão feitos estes controles e
passar esta informação para os “donos do processo”, isto é aqueles que trabalham
no processo normalmente no dia a dia .
Transição de um Projeto Bem Sucedido
100%
Black Belts
Envolvimento
Donos do Processo
Medição Análise Melhoria Controle

A Fase de Controle
Há várias formas de se manter controle sobre as variáveis mais importantes

do Processo.
Simples:
• procedimentos
• check-lists
Sofisticados:
• dispositivos à prova de erros
• controle estatístico do processo
Discutiremos nos próximos capítulos o Dispositivo à Prova de Erros e o

Controle Estatístico do Processo respectivamente.
Dispositivo à Prova de Erros - Pokayoke
A elaboração de Dispositivos à Prova de Erros é, antes de mais nada, um

exercício de criatividade, onde o que se espera é tornar o controle dos poucos
“X’s” vitais automático, fazendo com que a probabilidade de um operador
cometer um erro que vai gerar um defeito seja quase nula.
A Toyota foi a pioneira na elaboração destes tipos de dispositivos (PokaYoke),

criando os sistemas de pino e furo descentralizados nas suas linhas de
montagem final, o que impossibilitava que peças simétricas fossem montadas
na posição incorreta.

Dispositivo à Prova de Erros - Pokayoke
Seria ideal que o “Green Belt”, uma vez tendo conseguido identificar os
poucos “X’s” vitais de um projeto, desenvolva Dispositivos à Prova de Erros
para todos eles. Desta forma estaria garantida a manutenção da capabilidade
do processo.
Porém, nem sempre isto é possível, ocasionando que outras formas de

controle devam sejam definidas, exigindo vigilância e atenção constante dos
operadores.
Ao final do Projeto Seis Sigma deve ser elaborado um documento para os

“donos do processo” dizendo quais são os poucos “X’s” vitais que devem ser
controlados e como eles devem ser monitorados (inclusive com a
periodicidade deste controle estabelecida), este documento denomina-se
Plano de Controle.
Erros Causam Defeitos
NENHUM
Processo RESULTADOS
Seis Sigma SIX SIGMA
ERRO
Processo RESULTADOS MENORES

Seis Sigma QUE SIX SIGMA
ERROS
“Gargabe In, Garbage Out”

UM ERRO: “Quando qualquer condição necessária para processamento bem
sucedido está errada ou ausente”
OS DEZ ERROS MAIS COMUNS
1.) Omissões no Processamento 6.) Item/Peça Errada no Equipamento
2.) Erros de Processamento 7.) Erros de Operação
3.) Erro no Preparo do Equipamento 8.) Erros de Ajuste, Medição, ou Dimensionais
4.) Itens/Peças Faltando 9.) Erro na Manutenção do Equipamento
5.) Inclusão de Item/Peça Errada 10.) Erros de Manuseio

O QUÊ VOCÊ ACRESCENTARIA NESTA LISTA?
FAÇA UM BRAINSTORM PARA GERAR UMA LISTA DE DEFEITOS DENTRO DE SUA ÁREA

Erros Humanos
Grande parte dos erros é gerado pela próprio comportamento humano
O grande segredo é como criar dispositivos que impeçam que alguém cometa um erro
inadvertidamente
OS DEZ ERROS HUMANOS MAIS COMUNS
1.) Falta de atenção ou concentração (Esquecimento)
2.) Mau Entendimento (Conclusões Precipitadas)
3.) Erros de Identificação (Visualizar Incorretamente)
4.) Erros devido a um Mau Treinamento
5.) Negligencia das Regras e Procedimentos
6.) Erros Inadvertidos (Distração, Fadiga)
7.) Lerdeza na Decisão, Julgamento ou Ação
8.) Falta de Padronização (Escrito & Visual)
9.) Acidentes (Equipamento, Processo)
10.) Erros Intencionais (Sabotagem, Fraude, Corrupção)

Eliminação de Erros
Usar sabedoria e simplicidade para criar dispositivos que permitam que você faça seu
trabalho 100% livre de defeitos 100% do tempo.
EXEMPLOS DE METODOLOGIA À PROVA DE ERROS NO DIA A DIA
• EM CASA • NO ESCRITÓRIO
• Porta do forno de micro-ondas • Verificação ortográfica em Programas

• Disjuntores de Processamento de Textos
• Fogões que cortam o gás quando a • Aviso perguntando “Você deseja
chama se apaga deletar?” Após acionar a tecla “Delete”
• Tampas a Prova de Crianças em em seu computador
Medicamentos
• NA FÁBRICA
• NO VAREJO
• Máquinas de acionamento manual
• Embalagem a prova de Falsificação duplo e Outras Proteções em Máquinas
• Código de Barras na Venda • Código de Barras

Eliminação de Erros
Exercício: Especifique os Dispositivos de Eliminação de Erros Existentes em

Automóveis
Dispositivo de Eliminação de Erros

DICAS PARA ELABORAÇÃO:
• Simples
• Baratos
• Com Feedback Imediato
• Com Ação Imediata (Prevenção)

Tipos de Dispositivo de Eliminação de Erros
Uma lista de dispositivos à prova de erros que pode ser usada para
responder à alertas e evitar defeitos/erros:
• Gabaritos
• Sensores
• Contadores
• Restrição de Seqüência
• Indicador de Condição Crítica
Outras Técnicas Preventivas:
• Eliminar a Condição
• Reprojeto
Elimine os Erros do seu Dispositivo
Tipos de Dispositivo de Eliminação de Erros
Exercício: Quais São os Dispositivos de Eliminação de Erros Existentes sua

Área?

A Fase de Controle
Seria altamente recomendável que um “Green Belt”, uma vez tendo conseguido
identificar os poucos “X’s” vitais de um projeto, consiga desenvolver
Dispositivos à Prova de Erros para todos eles . Desta forma estaria garantida a
manutenção da capabilidade do processo.
Porém, nem sempre isto é possível, ocasionando que outras formas de Controle
devam ser definidas, exigindo vigilância e atenção constante dos operadores.
Ao final do Projeto Seis Sigma deve ser elaborado um documento para os

“donos do processo” dizendo quais são os poucos “X’s” vitais que devem ser
controlados e como eles devem ser controlados (inclusive com a periodicidade
deste controle estabelecida).
Este documento denomina-se Plano de Controle, em que deve-se colocar no

mínimo a AÇÃO DE CONTROLE, RESPONSÁVEL, PRAZO, ATUALIZAÇÃO
PREVISTA E REALIZADA e KPI DO PROCESSO.
Gerenciamento da Rotina
É neste momento que devemos garantir que o Plano de Controle é incorporado às

atividades normais do cotidiano.
Para uma empresa que tem um sistema formal de padronização e gerenciamento

da rotina diária (ISO, PRINS ...), o Plano de Controle deve ser incorporadas
aos padrões formais de seu sistema.
Eles também devem ser incluídos no processo de auditoria.

Testes
1) O principal objetivo da fase de Controle é:

a) definir qual processo deve ser melhorado para atender melhor o cliente
b) medir a situação atual do processo (s) e levantar potenciais fontes de variação
c) analisar e estabelecer as principais fontes de variação do processo
d) fazer melhoria no processo com base nas fontes de variação identificadas
e) controlar as fontes de variação identificadas p/ manter a capabilidade do processo
2) Com relação ao Plano de Controle:

a-) recomenda-se que todo projeto tenha um indicando os controles p/ cada um dos “X’s” vitais
b-) quanto mais Poka-Yoke melhor, pois o controle funciona independentemente do operador
c-) tem que ser analisado exaustivamente c/ os “donos do processo”, já que ao final do projeto
eles passarão a ser os responsáveis por boa parte dos controles
d-) deve ser analisado criticamente de tempos em tempos pelos “donos do processo” para
verificar se não deve ser complementado com novas variáveis identificadas e seus respectivos
controles
e-) todas acima estão corretas
3) O que caracteriza um bom Dispositivo à Prova de Erros (Poka-Yoke)?

a-) mesmo que o operador queira ele não consegue cometer um erro
b-) deve ser barato
c-) se possível passar despercebido pelos operadores
d-) todas as alternativas anteriores
CEP
Controle Estatístico de Processo

X1
X2 Y
INPUTS .
. PROCESSO RESULTAD
.
(EMPRESA)
Xn O
Para obter um bom Y, deveríamos controlar Y ou X?
Independente Dependente
Entrada Saída
Causa Efeito
Problema Sintonia
Controle Monitorar
Então, por que a maioria das empresas atuam em Y?

O Que É CEP?
 Representação gráfica da variação de um produto e/ou processo ao longo

do tempo.
 Transforma os dados em padrões que podem ser testados estatisticamente,

e como resultado.
 Usado para detectar causas especiais que possam afetar a variabilidade do

sistema

Tática de Uso de Gráficos de Controle
 Plotar os dados imediatamente I and MR Chart for: %PDP
Identificar e reagir às condições

35 UCL=34.21

Individuals
fora de controle 30 M U=29.85
25 LCL=25.49
Ações para a resolução de

Observ t ion 0 20 40 60 80 100 120 140
 7
problemas (Planos de Reação) 6
Moving Range
5 UCL=5.356
4
3
2 R=1.639
1
 Se o processo não estiver fora de 0 LCL=0.000
controle, não faça ajustes.
Mantendo um Gráfico X-Barra, Amplitude (R)

DADOS
# 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
1 72 74 75 73 74 70 75
MEDIDAS
2 67 73 68 74 75 62 74
3 72 82 80 80 74 72 71
4 75 78 72 79 73 66 68
Soma 286 307 295
Média 72 77 74
R 8 9 12
Obs.:
85
80
• LSC=77,3
75
•
MÉDIA
70
• MÉDIA GERAL= 70,9
65 LIC= 64,5
60
30
AMPLITUDE
20 LSC= 19,9
10
• • • AMPLITUDE MÉDIA= 8,7
0 LIC= 0

Componentes de um Gráfico de Controle
EIXO-Y
(RESPOSTA)
LSC
Algo que Estamos Medindo
LIMITE SUPERIOR DE CONTROLE
LINHA CENTRAL
LIMITE INFERIOR DE CONTROLE

LIC
TEMPO
Detectando a Falta de Controle

 Qualquer coisa que se encontra fora dos limites superiores e inferiores
sempre demonstra que um processo encontra-se fora-de-controle
 Caso contrário podemos buscar padrões e testar em relação as regras

estabelecidas para identificação "fora-de-controle"
Regras Western Electric:
 Regra nº1: Um ponto fora do limite 3-sigma – corresponde à Regra #1 do Minitab
 Regra nº2: Dois de três pontos consecutivos fora do limite 2-sigma – corresponde à Regra
#5 do Minitab
 Regra nº3: Quatro de cinco pontos consecutivos fora do limite um-sigma – corresponde à
Regra #6 do Minitab
 Regra nº4: Oito pontos consecutivos em um lado da linha de centro– corresponde à Regra
#8 do Minitab
 Regra do Padrão: O padrão se repete 8 vezes consecutivas

O QUÊ SIGNIFICA “FORA DE CONTROLE”?
O QUÊ FAZER QUANDO SE DETERMINA QUE ESTÁ FOR A DE CONTROLE?
Aplicando as Regras
EIXO-Y
(RESPOSTA)
LSC
3 Sigma
2 Sigma
Algo que Estamos
1 Sigma
Medindo
1 Sigma
2 Sigma
3 Sigma
LIC
TEMPO

Regra do Desvio Padrão
NÚMEROS DE REGRA
DESVIO PADRÃO ESTATÍSTICA
+/- 1s X% de dados que 60-75%

estão dentro desta σ
+/- 2s 90-98%
+/- 3s 99-99,9%

EIXO-Y
(RESPOSTA)
LSC
3 Sigma
2 Sigma
Algo que Estamos
1 Sigma
Medindo
60-75% 90-98% 99-99,9%

1 Sigma
2 Sigma
3 Sigma
LIC
TEMPO

REGRA #1: UM PONTO FORA DO LIMITE 3-SIGMA
Corresponde à Regra #1 do Minitab
EIXO-Y
(RESPOSTA)
X
LSC
3 Sigma
Algo que Estamos
2 Sigma
Medindo
1 Sigma
1 Sigma
2 Sigma
3 Sigma
LIC
ONDE CAIRÃO OS DADOS CASO A REGRA #1 SEJA VIOLADA? QUAL A PROBABILIDADE DE OCORRÊNCIA?

REGRA #2: 2 DE 3 PONTOS CONSECUTIVOS FORA DO
LIMITE DE 2-SIGMA DO MESMO LADO DA LINHA DE CENTRO
EIXO-Y Corresponde à Regra #5 do Minitab
(RESPOSTA)
LSC
X X 3 Sigma
X
Algo que Estamos
2 Sigma
X
Medindo
1 Sigma
1 Sigma
2 Sigma
3 Sigma
LIC

REGRA #3: 4 DE 5 PONTOS CONSECUTIVOS FORA DO
LIMITE DE 1-SIGMA DO MESMO LADO DA LINHA DE CENTRO
(RESPOSTA)
LSC
X X 3 Sigma
X X
Algo que Estamos
2 Sigma
X
Medindo
1 Sigma
1 Sigma
2 Sigma
3 Sigma
LIC

REGRA #4: 8 PONTOS CONSECUTIVOS DO MESMO LADO
DA LINHA DE CENTRO
(RESPOSTA)
LSC
X 3 Sigma
X X
Algo que Estamos
2 Sigma
X X X
X X
Medindo
1 Sigma
1 Sigma
2 Sigma
3 Sigma
LIC

MELHORES PRÁTICAS:
(1) Começar apenas com a Regra nº 1
(2) Após as equipes se tornarem mais experientes, acrescente a Regra nº 4 e
a Diretriz que Detecta o Padrão
(3) Apenas se uma maior sensibilidade for absolutamente necessária
acrescente as Regra nº 2 e nº 3
Regras Western Electric:
 Regra nº1: Um ponto fora do limite 3-sigma – corresponde à Regra #1 do Minitab
 Regra nº2: Dois de três pontos consecutivos fora do limite 2-sigma – corresponde à Regra #5 do Minitab
 Regra nº3: Quatro de cinco pontos consecutivos fora do limite um-sigma – corresponde à Regra #6 do
Minitab
 Regra nº4: Oito pontos consecutivos em um lado da linha de centro– corresponde à Regra #8 do Minitab
 Regra do Padrão: O padrão se repete 8 vezes consecutivas
Reconhecimento de Padrão
LSC
LIC
0 10 20
Número de Observação
MUDANÇA DE NÍVEL DO PROCESSO:
A média do processo se desloca para um novo nível. Estes deslocamentos podem resultar
devido a novos operadores, métodos, matérias primas, etc. Também podem ser resultado
de mudanças no processo de inspeção, nos padrões ou de uma melhoria no processo.

Reconhecimento de Padrão
LSC
LIC
0 5 10 15
Número de Observação
TENDÊNCIA:
Movimento contínuo em uma direção. Tendências normalmente resultam de um desgaste

gradual ou deterioração de uma ferramenta ou outro componente crítico do processo.
Tendências também podem ser o resultado de influências sazionais, tal como temperatura.
Exemplos: Observação das Regras de Western

Eletric
MINITAB: STAT > CONTROL CHARTS> VARIABLES CHARTS FOR SUBGROUPS > X-BAR-R
PROCESSO... REGRAS VIOLADAS
ARQUIVOS FORA DE DENTRO DE

#1 #2 #3 #4
CONTROLE CONTROLE
RULE1.MPJ
RULE2.MPJ
RULE3.MPJ
RULE4.MPJ

LSC Versus LIC
Limite Superior de Controle = LSC; Limite Inferior de Controle = LIC
Baseado no que sabemos até agora, qual é o % de pontos de dados que devem cair
entre o LSC e o LIC?
EIXO-Y
(RESPOSTA)
LSC
3 Sigma
Algo que Estamos
2 Sigma
Medindo (Y)
1 Sigma
1 Sigma
2 Sigma
3 Sigma
LIC
TEMPO
LSC & LIC Versus LSE & LIE

Limite Superior de Especificação = LSE; Limite Inferior de Especificação = LIE
Se um ponto cair além do LSC ou LIC, significa que estamos fabricando um

defeito para o cliente?
EIXO-Y
(RESPOSTA)
LSC
3 Sigma
2 Sigma
1 Sigma
1 Sigma
2 Sigma
3 Sigma
LIC
TEMPO

EIXO-Y
(RESPOSTA) O PROCESSO AO LADO ESTÁ
GERANDO DEFEITOS?
LSC
LSE
LIE
LIC
TEMPO

EIXO-Y
(RESPOSTA) O PROCESSO AO LADO ESTÁ
GERANDO DEFEITOS?
LSE
LSC
LIC
LIE
TEMPO

DOIS GRANDES ERROS DE GRÁFICOS DE CONTROLE
1: Colocando limites de especificação em um gráfico de controle
2: Tratando LSC e LIC como limite de especificação
É importante saber como nosso processo preenche as necessidades do

cliente.
Entretanto, este tipo de estudo é chamado de estudo de capabilidade do

processo que é um outro assunto.
Tipos de Gráficos de Controle

O USO DE GRÁFICO CONTROLE ADEQUADOS DEPENDE DO TIPO DE DADOS
A NOSSA DISPOSIÇÃO
DADOS DE ATRIBUTOS
• Os dados são discretos (contáveis).
• Entre dois pontos há opções limitadas.
• Ex.: Inspeção de Qualidade em produtos acabados "ok / não ok"; Decisões
Gerenciais "promover / não promover".
DADOS DE VARIÁVEIS
• Os dados são contínuos (medidos).
• Entre dois pontos existem infinitas possibilidades.
• Exemplo: Preço de um Produto (R$), o Tempo para entregar uma ordem
(minutos), Peso de caminhão (kg), Resistência à tração de um cabo de aço
(kgf), Diâmetro do tubo (mm);

Tipos de Dados
(2 Tipos, 3 Famílias)
 DADOS ATRIBUTOS (DISCRETOS)
 (#1) BINOMIAL – Número de Itens numa Categoria (Baseado em Contagem)

 Entrega no tempo: Sim / Não - # de Sim # de Não
 Preço cliente: Preço Total/Desconto - # de clientes com preço total, # de clientes
com desconto.
 (#2) POISSON – Número de Eventos em Um Minuto

 # De arranhões em um carro
 # De erros em uma ordem
 # De chamadas perdidas em uma semana
 DADOS VARIÁVEIS (CONTINUOS) – DADOS MENSURAVEIS
 (#3) CONTINUOUS (Baseado em Medição)

 Decimais são importantes
 Exemplo:. Tempo para atender uma chamada (# exata de segundos por chamada)
Diferentes tipos de dados requerem diferentes Gráficos de Controle
Escolhendo o Tipo de Gráfico de Controle Correto

DEPENDEM DOS TIPOS DE DADOS ANALISADOS
ATRIBUTO VARIÁVEL
TIPOS DE
DADOS?
SUBGRUPOS
INDIVIDUAIS
DEFEITOS OU SUBGRUPOS OU RACIONAIS
DEFEITUOSOS? INDIVIDUAIS?
DEFEITOS DEFEITUOSOS
(POISSON) (BINOMIAL)
GRÁFICO IM-R
ÁREA DE OPORTUNIDADE TAMANHO DA AMOSTRA SUBGRUPOS

É CONSTANTE? CONSTANTE? < 6?
NÃO SIM NÃO SIM SIM NÃO
GRÁFICO U GRÁFICO C GRÁFICO P GRÁFICO NP X-BARRA R X-BARRA S

Gráfico de Controle para Variáveis
RESUMO
TIPO DE PROPÓSITO APLICAÇÃO TAMANHO COMENTÁRIOS

GRÁFICO SUB GRUPO
Monitorar a média. Quando pode-se fazer a
n>1
Média (X) de uma amostragem de mais de
característica 3 unidades por espaço
ao decorrer do de tempo
tempo
Monitorar a Usado com os gráficos

variabilidade de uma X quando o tamanho da 2< n < 6
Amplitude (R) característica / tempo amostra for <6
Sensibilidade aumentada
Monitorar a devido ao maior tamanho
Desvio variabilidade de Usado com os gráficos
n>6
da amostra. Usar quando
uma X quando o tamanho da um controle rígido for
Padrão (S) característica / amostra for >6 necessário e/ou quando o
tempo custo da amostra não
for um fator.
Áreas de produção
Monitorar a
X Individual & variabilidade
requerem
longos períodos de
Amplitude Móvel de uma característica tempo para n=1
individual ao decorrer obter uma única
(I & MR) do tempo amostra que é
significativa.
Gráfico de Controle para Atributos

RESUMO
TIPO DE PROPÓSITO APLICAÇÃO TAMANHO COMENTÁRIOS

GRÁFICO SUB GRUPO
Monitorar o nº de Tamanho do subgrupo fixo, o
Os limites normais não são efetivos quando o nível
Número de defeituosos em que
elimina a necessidade de refazer
Tamanho do sub de defeitos é baixo. Deve-se considerar
um sub grupo grupo deve alternativas. Se (Tamanho de amostra)x(Média%)
Defeituosos (np) nº de Un. os limites de controle para ser fixo <5, então use os limites exatos da distribuição
cada sub grupo. Binomial (ao invés da teoria normal de
Rejeitadas Mais conveniente que o gráfico-p aproximação).
Tamanhos variáveis de
Monitorar a fração Normalmente usado em pontos subgrupos devem ser Os limites normais não são efetivos quando o índice
Fração de defeituosos em de controle de qualidade onde
1 ou mais atributos do produto
grandes o suficiente
para resultarem em
de defeitos e/ou quando o tamanho do subgrupo for
pequeno demais. Não é apropriado no caso em que
um sub grupo
Defeituosa (p) Unidades Rejeitadas
são inspecionados e resultam uma alta probabilidade
de que pelo menos 1
um único defeito faz com que o gráfico fique fora de
controle. Se (Tamanho de amostra)x(Média%) <5,
em uma condição então use os limites exatos da distribuição Binomial
Unidades Inspec. passou/falhou para a unidade. defeito está presente
(ao invés da teoria normal de aproximação).
no subgrupo
Área de
Número de oportunidade Os limites normais não são efetivos quando o índice
Monitorar o nº de Monitorar o nº de defeitos é de tamanho de defeitos é pequeno. Se (Média) <1.5, então use
Defeitos por defeitos por (imperfeições) por unid. constante os limites exatos da distribuição Poisson (ao invés da
de inspec. teoria normal de aproximação).
unid. de inspec.
subgrupo (c) (tamanho = 1 Unid.
de Inspc.)
Tamanho da “área de
oportunidade” pode
Nº Médio de Monitorar o nº de Monitorar o nº de defeitos
variar -- sendo Os limites normais não são efetivos quando o índice
descrito como um de defeitos é pequeno. Os limites de controle devem
Defeitos por defeitos por (imperfeições) por unid. de
inspec.
número de unidades ser calculados individualmente para cada sub grupo
unid. de inspec. (sendo que a definição caso tenha variação. Se (Média) <1.5, então use os
Unidades (u) de Unidades de
limites exatos da distribuição Poisson (ao invés da
teoria normal de aproximação).
Inspeção permanece
igual)

Por Que Controlar um Processo?
O QUE PODE SER DITO SOBRE UM PROCESSO INSTÁVEL? …. MUITO POUCO!!!
Se apenas as causas comuns de variação

estão presentes, a saída de um processo
forma uma distribuição que é estável e
previsível ao decorrer do tempo.
?
Se existem causas especiais de variação,
a saída do processo não é estável e não
previsível ao decorrer do tempo.
Não temos como saber o que acontecerá:
- Amanhã
- Entre amostras
Estudo Sobre os Gráficos de Controles

COMANDOS NO MINITAB – VARIÁVEIS CONTÍNUAS
DADOS COM SUBGRUPOS
GRÁFICO X-BARRA R (SUBGRUPO <5)
GRÁFICO X-BARRA S (SUBGRUPO >5)
DADOS INDIVIDUAIS
GRÁFICO I-MR

Estudo Sobre os Gráficos de Controles
COMANDOS NO MINITAB – VARIÁVEIS ATRIBUTOS
GRÁFICO P
GRÁFICO NP
GRÁFICO C
GRÁFICO U
Testes
1-) Quando encontramos um padrão não aleatório de variação (causa especial) devemos:
a-) parar o processo e tomar uma ação imediata para eliminá-la

b-) verificar se está sendo gerado um produto defeituoso, caso contrário nenhuma
ação é necessária
c-) investigar se realmente ocorreu alguma coisa que está gerando o padrão não
aleatório e tomar uma ação no processo caso seja identificada a causa deste padrão
d-) todas estão corretas e devem ser aplicadas dependendo da situação
2-) O Controle Estatístico do Processo é uma técnica de controle que:
a-) ao contrário do Dispositivo à Prova de Erros requer atenção e participação

contínua dos operadores
b-) pode ser utilizado tanto para controlar os “X’s” quanto para monitorar o “Y”
c-) permite que os “donos do processo” identifiquem novos “X’s” e tomem ação para
eliminá-los e manter a capabilidade do processo
d-) todas as afirmativas acima são verdadeiras

Apostila Completa

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila Completa

Enviado por

Direitos autorais:

Formatos disponíveis

LEAN SIX SIGMA – GREEN BELT

Optness Academy Program

- welcome to the journey -

1 Copyright: Optness Institute, 2014

 Optness é um instituto desenvolvimento econômico e gerencial fundado

 Atualmente o Instituto Optness está em franca expansão em toda a União

Optness é um instituto educação e Acreditamos que o desenvolvimento de um país

Assim, a missão de Optness étransmitir o

 Desenvolvimento Pessoal e Profissional

Black Belt: Antonio De Nes 3 Copyright: Optness Institute, 2014

Com o objetivo de auxiliar no direcionamento estratégico do instituto Optness mantém um

 Ex-diretor mundial de Negócios Corporativos da Fiat

 Ex-diretor geral da VCPro (Votorantim)

Strategy Excellence Sales Excellence 2 - Categoria Totale

Projetos Especiais & Start Ups

 Além dos projetos de consultoria e treinamento em grandes empresas a

 A Optness já oferece este curso na Europa à 6 anos com Excelente Satisfação

 No Brasil a Optness fez 2 cursos também com Ótimos Resultados

Satisfação – Europa Satisfação – Brasil

Entreviste o colega ao seu lado e o apresente ao resto do grupo:

• Posição Empresa ou Experiência Profissional:

• Hobby / Atividades no Tempo Livre (dois verdadeiro e um falso):

Black Belt: Antonio De Nes 8 Copyright: Optness Institute, 2014

Black Belt: Antonio De Nes 9 Copyright: Optness Institute, 2014

O que é Lean Six Sigma?

É uma metodologia científica e comprovada destinada à:

75% das multinacionais Fortune 500

Lean Six Sigma

 1987: Criação da Six Sigma pelo engenheiro Bill Smith na Motorola

 1988: A primeira consórcio Six Sigma foi formada por:

 1990: IBM e DEC começaram a aplicar SS

Black Belt: Antonio De Nes 12 Copyright: Optness Institute, 2014

 1993: Allied-Signal começou com black-belts

 1995: General Electric adota metodologia (Turning Point)

“We want to make our quality so special, so valuable to our customers, so

Black Belt: Antonio De Nes 13 Copyright: Optness Institute, 2014

Retorno da General Electric com Lean Six Sigma

NET PROFIT 2000

1996 1997 1998 1999 2000

Retorno de 4:1 nos 5 primeiros anos

 Expansão no setor de serviços: telecomunicações, bancos, instituições

 GE começa a se expandir SS em seus clientes e fornecedores para integrar toda

Black Belt: Antonio De Nes 15 Copyright: Optness Institute, 2014

Six Sigma Lean Production

Lean Six Sigma:

Black Belt: Antonio De Nes 16 Copyright: Optness Institute, 2014

Em média os processos de fabricação são entre 3 e 4 sigma

Em média os processos administrativos estão entre 2 e 3 sigma

Black Belt: Antonio De Nes 17 Copyright: Optness Institute, 2014

 Aumento da prospecção comercial  Redução da Inadimplência

Lean Six Sigma pode ser aplicado em qualquer área

Black Belt: Antonio De Nes 18 Copyright: Optness Institute, 2014

 Desenvolvimento de futuros líderes e profissionais mais

 Muitas empresas implementando Lean Six Sigma e contratando

X1 Method & Procedure;

Technical Knowledge X2 X3 Leadership & Attitude

Black Belt: Antonio De Nes 19 Copyright: Optness Institute, 2014

Black Belt: Antonio De Nes 20 Copyright: Optness Institute, 2014

 Empresas são formadas por processos.

 Esses processos são fundamentais para qualquer organização

Processos são ativos estratégicos que precisam ser gerenciados

Lean Six Sigma é o método científico para gerenciar

Black Belt: Antonio De Nes 21 Copyright: Optness Institute, 2014

 Se queremos um bom Y, devemos focar no Y ou no X?