Escolar Documentos
Profissional Documentos
Cultura Documentos
e a Variação de Processos
Objetivos de aprendizagem
Compreender a importância das medições para entendimento de
um problema
slide 2
O que é uma Medida?
Exemplos:
Medições de tempo (velocidade, idade)
Medições de Tamanho (comprimento, altura, peso)
Valor Monetário (custos, receita de vendas, lucros)
Contagens de defeitos (reclamações, número de erros)
Contagens de caraterísticas/atributos (tipos de clientes,
tamanho da propriedade, gênero)
slide 3
Medir ? Qual o Objetivo ?
Prevenir problemas
Gerar resultados
slide 4
Observe
Medições tem início com um Ponto !
Um ponto no tempo
Um ponto de um processo
Um ponto em um produto
Um ponto de um sistema
slide 5
Medições Estatísticas
Uma peça chave da mudança cultural na análise de processos
é a medição da Variabilidade e da Tendência Central !!!
O conceito de Tendência Central é comum para a maioria das
pessoas. É calculado como a "média" de uma base de dados.
slide 6
Tendência Central
A Tendência Central é a propriedade dos dados tenderem a um
agrupamendo em torno de um ponto "central".
O "centro" pode ser a média matemática, observação mais
freqüente ou ponto de dados no centro do grupo
Contar
Medir
Tendência Central
slide 7
Mediana
Conjunto com números pares: Supondo que perguntamos a um
grupo de 10 estudantes suas idades Os resultados foram os
seguintes:
12, 13, 14, 14, 15, 17, 17, 19, 21, 24
Se organizarmos os dados em ordem crescente ou decrescente, o ponto
dos dados que estaria no centro seria a Mediana.
Uma vez que já está em ordem crescente, não temos de realizar
esse passo.
slide 9
Média e Moda
Exemplo de Média
Vamos voltar a um grupo dos 10 estudantes:
32, 33, 34, 34, 35, 37, 37, 39, 41, 44
Moda
A Moda é o valor observado com maior freqüencia em um grupo
slide 10
Variabilidade
A Variabilidade reconhece que o processo não produz sempre
resultados idênticos
Contar
Medir
Vide o grupo de dados com 12, 13, 14, 14, 15, 17, 17, 19, 21,
24 . Por observação, o Mínimo = 12, o Máximo = 24
slide 12
Variância
A Variância é outra medida de variabilidade que pode ser
avaliada.
O cálculo da variância é obtido através da soma dos
quadrados da diferença entre cada valor do conjunto de
dados e a média aritmética, dividida pela quantidade de
elementos observados no conjunto.
N 2
( X i )
Variância da
População 2
N
i 1
n 2
(x i x )
Variância da
Amostra s 2
i 1 n 1
A variância é uma medida de dispersão que mostra quão
distantes os valores estão da média. slide 13
Variância : Exemplo
Imagine o seguinte cenário: o dono de uma microempresa
pretende saber, em média, quantos produtos são
produzidos por cada funcionário em um dia.
Ele sabe que nem todos conseguem fazer a mesma
quantidade de peças, mas pede que seus funcionários
façam um registro de sua produção em uma semana de
trabalho. Ao fim desse período, chegou-se à seguinte
tabela:
slide 14
Variância : Exemplo
Produção por Colaborador:
Médias
slide 15
Variância : Exemplo
Variância → Funcionário A:
var (A) = (10 – 10)² + (9 – 10)² + (11 – 10)² + (12 – 10)² + (8 – 10)² var (A) = 10 = 2,0
5 5
Variância → Funcionário B:
var (B) = (15 – 12,8)² + (12 – 12,8)² + (16 – 12,8)² + (10 – 12,8)² + (11 – 12,8)² var (B) = 26,8 = 5,36
5 5
Variância → Funcionário C:
var (C) = (11 – 10,4)² + (10 – 10,4)² + (8 – 10,4)² + (11 – 10,4)² + (12 – 10,4)²
5 var (C) = 9,2 = 1,84
5
Variância → Funcionário D:
var (D) = (8 – 11)² + (12 – 11)² + (15 – 11)² + (9 – 11)² + (11 – 11)² var (D) = 30 = 6,0
5 5
slide 16
Variância : Conclusões do Exemplo
A produção diária do funcionário C é mais uniforme do que
a dos demais funcionários, assim como a quantidade de
peças diárias de D é a mais desigual.
slide 18
Desvio Padrão
slide 19
Desvio Padrão
Uma medida de variabilidade freqüentemente utilizada
slide 20
Desvio Padrão
O Desvio Padrão é definido como:
N 2
Desvio Padrão ( X i )
População N
i 1
n 2
Desvio Padrão (x i x )
Amostra s
i 1 n 1
slide 21
Desvio Padrão: Exemplo
s
32 36.62 33 36.62 34 36.62 34 36.62 3.81
10 1
slide 22
Desvio Padrão: Exemplo
Em relação ao exemplo da fábrica com cinco funcionários,
cujas variâncias foram:
slide 23
Desvio Padrão: Exemplo
Desvio Padrão → Funcionário A:
slide 24
Conclusões sobre o Desvio Padrão
Podemos ver a utilização do desvio padrão na apresentação da média
aritmética, informando o quão “confiável” é esse valor.
Ou seja, podemos dizer que na amostra de um processo, dadas
condições normais, os valores encontrados serão :
slide 26
Amostra
A Amostra é um subconjunto de dados retirado de uma
população.
Estatística (ou estatística da amostra) são os termos utilizados
para descrever as caraterísticas chave de uma amostra.
As estatísticas são normalmente denotadas com as letras
comuns do nosso alfabeto, ou seja, s,x.
A letra minúscula n é utilizada para descrever o número de
valores de uma amostra (o tamanho da amostra).
Normalmente, medimos a Estatística da Amostra de modo a
aprender algo mais sobre os Parâmetros da População.
A Estatística Inferencial é o campo da estatística que tira
conclusões sobre a população baseando-se na análise de uma
amostra de dados.
slide 27
Amostragem
Vantagens
Poupa tempo e dinheiro
Simplifica a medição ao longo do tempo
Inconvenientes
Tem um grau de incerteza como preço por não ser feita a
medição de toda a população
slide 28
Estatística Inferencial
slide 29
Parâmetros da População vs. Estatística de Amostra
Amostras Aleatórias de
Tamanho 3
População
x1 , s1
x2 , s2
x3 , s3
, x4 , s4
Estatística Estatística de
da População Amostra
slide 30
Apresentando Dados Estatísticos
Um método comum de resumir e apresentar dados estatísticos é
através da utilização de apresentações gráficas.
slide 31
Séries Temporais vs. Gráficos de Dados Agrupados
Período de Tempo
Tempo (eixo horizontal)
Gráfico de Dados
Agrupados
Agrupa todos os pontos
por Períodos de Tempo,
numa única apresentação
slide 32
Gráficos Seqüências
Os Gráficos Seqüenciais (ou gráficos de séries temporais) apresentam
medições de dados no eixo y contra o tempo no eixo x num único gráfico. Os
pontos de dados estão ligados por uma linha para acentuar as mudanças que
ocorrem entre os pontos
slide 33
Gráfico de Controle
Os Gráficos de Controle são semelhantes aos Gráficos Seqüenciais uma vez que
apresentam medições de dados no eixo y contra o tempo do eixo x. Permitem-nos
determinar se o processo é estável e identificar ocorrências de uma variação anormal.
Os Gráficos de Controle de dados contínuos providenciam informação em medições
individuais no gráfico superior e variabilidade no gráfico inferior.
slide 34
Gráficos de Séries Temporais
Resultados Coletados
Número da Amostra
(Index)
slide 36
Histogramas
Os histogramas mostram barras para agrupamentos (faixas de dados),
representados no eixo X, sendo representado no eixo Y, a frequência, ou
número de ocorrências.
Por exemplo, todos os valores entre 0,5 e 1,5 podem ser agrupados num
intervalo rotulado como “1”, todos os valores entre 1,5 e 2,5 podem ser
agrupados num intervalo rotulado como “2”, etc. Os histogramas separam
os dados em intervalos apropriados (por vezes chamados caixas) no eixo x.
Para cada intervalo, o Minitab por exemplo desenha uma barra cuja altura,
por padrão, é o número de observações (chamada freqüência) que cai em
cada intervalo.
slide 37
Histogramas – Construindo
slide 38
Histogramas – Construindo
3. Defina o limite inferior da primeira classe (LI) , que deve ser igual ou
ligeiramente inferior ao menor valor das observações
LI = 20
4. Defina o limite superior da última classe (LS), que deve ser igual, ou
ligeiramente superior ao maior valor das observações
LS = 50
slide 39
Histogramas – Construindo
K = 60 = 7,74 = 8
slide 40
Histogramas – Construindo
7) Calcule os limites do intervalo
slide 41
Histogramas – Construindo
9) Desenhe o Histograma
slide 42
BoxPlots - Introdução
Boxplots, também chamados gráficos de caixa, são particularmente
úteis para mostrar as caraterísticas da distribuição dos dados.
10
Sales
Product
1
Line
slide 43
BoxPlots - Introdução
•Valor mínimo
•Valor máximo
44
BoxPlots - Quartis
45
BoxPlots – Quartis - Exemplo
• Dada a sequência ordenada:
1,9 2,0 2,1 2,5 3,0 3,1 3,3 3,7 6,1 7,7
Exemplo:
• q1 = 5 q2=7 q3=8
47
BoxPlots
48
BoxPlots - Construindo
49
BoxPlots – Exemplo:
1) Calcule os dados:
Md = 21,50
q1= 20
q3 = 25
Dq = q3-q1 = 5
50
BoxPlots – Exemplo:
2) Calcule os limites LI e LS
LI = q1 – 1,5 * dq
LI = 20 - 1,5 * 5
LI = 12,5
LS = q3 + 1,5 * dq
LS = 25 + 1,5* 5
LS = 32,5
51
BoxPlots – Exemplo:
Seguindo os demais passos:
52
A Distribuição Normal, ou curva de Gauss
O nome "distribuição normal", foi inventado por Charles S. Peirce, Francis Galton e Wilhelm Lexis, por volta de 1875.
slide 53
A Distribuição Normal
99,73% dos dados ficam a menos de 3 da média, 95,46% dos dados
ficam a menos de 2 da média e 68,26% dos dados ficam a menos de
1 da média. 99,73%
95,46%
68,26%
ƒ(x)
3 2 1 1 2 3
slide 54
Exatidão vs Precisão
Exatidão – A capacidade de
Desejado
ficar no alvo, de acordo com o
Corrente medido pela média.
Este processo é exato, mas não
preciso.
LSL USL
O problema é amplitude.
Precisão – Consistência de um
processo, de acordo com o
Corrente medido pelo desvio padrão.
Desejado
Este processo é preciso, não
exato.
O problema é centro.
LSL USL
slide 55
Exatidão vs Precisão Ilustrada
Desejado
Corrente
LSL USL
Corrente
Desejado
LSL USL
slide 56
Exatidão vs Precisão Comparada
Desejado
Corrente
LSL USL
Vamos dizer que surgiu essa situação. Como corrigir?
slide 57
Compreendendo a Variação
Todos os produtos, serviços e processos apresentam variação.
O Modelo Shewhart ou Deming decompõe a variação em:
Variação de causas especiais.
Variação de causas comuns.
slide 58
Tipo de variação
De acordo com Deming, entre 85% e 95% de toda a variação é Causa Comum;
5% a 15% de toda a variação é uma Causa Especial.
slide 59
Variação de Causa Especial
Taxa de alimentação 80
UCL=77.27
Sample Mean
X =70.98
70
Outros Exemplos
LCL=64.70
60
Trabalhadores de férias 50
0 5 10 15 20 25
Perda de um documento
Sample Number
Causas Especiais
slide 60
Variação de Causa Comum
UCL=77.20
75
Sample Mean
X =70.91
70
65
LCL=64.62
0 5 10 15 20 25
Sample Number
slide 61
Podemos Tolerar a Variação?
Existirá sempre alguma variação presente.
Podemos tolerar essa variação se:
O processo está no alvo.
O processo mostra apenas uma variação estável e previsível.
A variação é pequena quando comparada às especificações do
processo.
Precisamos reconhecer que a variação deve ser minimizada.
Se nosso processo mostra uma variação inaceitável, mude (não
mexa) o processo.
Podemos utilizar ferramentas gráficas e estatísticas para ajudar a
medir e assegurar que nosso processo fica no alvo e tem apenas
uma variação estável e previsível.
slide 62
Gráficos de Séries Temporais para Identificar
variações no Processo
Ferramentas Comuns
Gráficos Seqüências
Gráficos de Controle
slide 63
Dados Agrupados por Pontos
Podem Ajudar !
Ferramentas Comuns
Histogramas
Gráficos de Pontos
Box Plots
slide 64
Não se esqueça
As medições são importantes em nos ajudar a descrever e compreender
as caraterísticas de um problema, processo ou item de interesse.
slide 65
Direitos Autorais