Introdução a Estatística Básica

e a Variação de Processos
Objetivos de aprendizagem
 Compreender a importância das medições para entendimento de
um problema

 Compreender como os conceitos de Tendência Central e

Variabilidade são usados na descrição de um conjunto de dados

 Ganhar prática no uso de alguns gráficos comuns utilizados para

apresentar dados estatísticos

 Compreender as diferenças entre a População e Amostra

 Compreender a diferença entre Causa Comum e Causa Especial

de variação

slide 2
O que é uma Medida?

É uma avaliação quantificada de uma caraterística ou nível de

rendimento baseada em dados observados.

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 ?

 Definir a linha base e Determinar prioridades

 Ganhar entendimento das potenciais causas de problemas

 Prevenir problemas

 Estabelecer um patamar para futuras melhorias

 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.

 Medir a Variabilidade não é comum para a maioria das

pessoas, mas é uma parte importante da compreensão dos
processos

Medir a Tendência Central e a Variabilidade é necessário para

descrever totalmente 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

 Média, moda e mediana são cálculos comuns da tendência

central

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.

 Nesse caso, a Mediana seria = (15 + 17)/2 = 16

12, 13, 14 , 14, 15, 16 , 17, 17, 19, 21, 24

Outro Exemplo, Conjunto com Números Impares:

12, 13, 14, 14, 15 , 17, 19, 21, 24

slide 8
Média
A Média é um cálculo aritmético de um conjunto de dados.
• É o cálculo de tendência central, não um cálculo da variação.
• A média é necessária para realização de alguns cálculos estatísticos
de variação
Média da Amostra Média da População
N
  X
n
Xi
X  i 1
 i 1 i
n N
 x = Média da amostra  N = Tamanho da População
 xi = Ponto i dos dados   = Média da População
 n = Tamanho da amostra

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

 Qual o valor da média?

 X = (32 + 33 + 34 + 34 + 35 + 37 + 37 + 39 + 41 + 44)/10 = 36,6

Moda
 A Moda é o valor observado com maior freqüencia em um grupo

 No exemplo acima temos duas modas (34 e 37)

slide 10
 Variabilidade
 A Variabilidade reconhece que o processo não produz sempre
resultados idênticos

 A Variabilidade pode ser causada por forças identificáveis que atuam

no processo ou através de breves flutuações no processo

 Amplitude, desvio padrão e variação são cálculos comuns de

variabilidade

Contar

Medir

 Desvio Padrão e são medidas de dispersão e indicam a regularidade de

um conjunto de dados em função da média aritmética
slide 11
 Mínimo, Máximo e Amplitude

 Um cálculo de variabilidade facilmente definido é a

Amplitude.
 O Mínimo é o valor menor num conjunto de dados.
 O Máximo é o valor maior num conjunto de dados.

 A Amplitude é a diferença entre o Máximo e o Mínimo;

Amplitude = Máximo – Mínimo

 Vide o grupo de dados com 12, 13, 14, 14, 15, 17, 17, 19, 21,
24 . Por observação, o Mínimo = 12, o Máximo = 24

 Sendo, assim a Amplitude é calculada: 24 - 12 = 12

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.

 Quanto maior for a variância, mais distantes da média

estarão os valores, e quanto menor for a variância, mais
próximos os valores estarão da média.

 var (A) = 10 = 2,0

5

 var (B) = 26,8 = 5,36

5

 var (C) = 9,2 = 1,84

5

 var (D) = 30 = 6,0

5
slide 17
Conclusões sobre a Variância
 Em algumas situações, apenas o cálculo da variância pode
não ser suficiente, pois essa é uma medida de dispersão
muito influenciada por valores que estão muito distantes da
média

 Além disso, o fato de a variância ser calculada “ao

quadrado” causa uma certa camuflagem dos valores,
dificultando sua interpretação. Uma alternativa para
solucionar esse problema é o desvio padrão

slide 18
Desvio Padrão

 Pode ser definido como o resultado positivo da raiz quadrada da

variância.

 Na prática, o desvio padrão indica qual é o “erro” se quiséssemos

substituir um dos valores coletados pelo valor da média.

 O desvio-padrão é uma medida de dispersão. A função dele é mostrar

como ocorre a dispersão dos elementos da população ou da amostra
com relação à média dessa mesmas populações e amostras.

slide 19
Desvio Padrão
 Uma medida de variabilidade freqüentemente utilizada

 Quando avaliamos o desvio padrão podemos afirmar que quanto maior

for o desvio-padrão, maior será a dispersão em relação à média, quanto
menor o desvio-padrão, menor o desvio haverá em relação à média.

 O desvio-padrão tem a mesma unidade da média. Se a média estiver

em percentual, o desvio-padrão estará em percentual, se a média
estiver em metros, o desvio-padrão estará em metros, se a média
estiver em graus, o desvio-padrão estará em graus

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

 Dada a amostra de dados:

 (32 + 33 + 34 + 34 + 35 + 37 + 37 + 39 + 41 + 44)

 Onde a Média é Calculada por :

 X = (32 + 33 + 34 + 34 + 35 + 37 + 37 + 39 + 41 + 44)/10 = 36,6

 Qual o desvio padrão ?

s 
32  36.62  33  36.62  34  36.62  34  36.62    3.81
10  1
slide 22
Desvio Padrão: Exemplo
 Em relação ao exemplo da fábrica com cinco funcionários,
cujas variâncias foram:

 var (A) = 10 = 2,0

5

 var (B) = 26,8 = 5,36

5

 var (C) = 9,2 = 1,84

5

 var (D) = 30 = 6,0

5

 Qual o desvio Padrão:

slide 23
Desvio Padrão: Exemplo
 Desvio Padrão → Funcionário A:

 dp(A) = √var (A)

dp(A) = √2,0
dp(A) ≈ 1,41

 Desvio Padrão → Funcionário B:

 dp(B) = √var (B)

dp(B) = √5,36
dp(B) ≈ 2,32

 Desvio Padrão → Funcionário C:

 dp(C) = √var (C)

dp(C) = √1,84
dp(C) ≈ 1,36

 Desvio Padrão → Funcionário D:

 dp(D) = √var (D)

dp(D) = √6,0
dp(D) ≈ 2,45

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 :

 média aritmética (x) ± desvio padrão (dp)

 Sendo assim, em relação ao nosso exemplo da fábrica, podemos dizer

que:

 Funcionário A: 10,0 ± 1,41 peças por dia

 Funcionário B: 12,8 ± 2,32 peças por dia

 Funcionário C: 10,4 ± 1,36 peças por dia

 Funcionário D: 11,0 ± 2,45 peças por dia

slide 25
Estatística Descritiva e População
 A Estatística Descritiva é o campo da estatística que define ou
carateriza uma população tendo como base os dados retirados da
população, integralmente, ou parcialmente

 Uma População é composta por todos os valores que se enquadram

numa descrição particular retirada de um produto ou processo

 Os Parâmetros são termos utilizados para descrever as

caraterísticas chave de uma população

 Os parâmetros são normalmente denotados com uma letras grega

minúscula. Exemplo: , 

 A letra N é utilizada para descrever o número de valores numa

população (o tamanho da população)

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

Utilização de um Pequeno conjunto de dados para

Representar o Todo

 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

 Quando falamos em analises estatisticas de amostras,

estamos falando de Estatística Inferencial

 Ela representa o campo da estatística que tira conclusões

sobre a população baseando-se na análise de uma amostra
de dados.

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.

 Os Gráficos de séries temporais mostram valores de dados individuais

representados graficamente na ordem seqüencial pela qual foram
gerados.

 Os Gráficos Seqüenciais e Gráficos de Controle são tipos de gráficos de

séries temporais.

 Os Gráficos de Dados Agrupados mostram valores de dados gerados

durante um período de tempo sendo estes agrupados em função de
uma freqüência de ocorrência. Exemplo: Dados de um dia, Dados de
uma semana, mês, ano, etc...

 Histogramas, box plots e Gráficos de Pontos, podem ser utilizados na

forma de dados agrupados.

slide 31
Séries Temporais vs. Gráficos de Dados Agrupados

Gráfico de Séries de Valores

Cada ponto é a resposta medida
em determinado ponto do tempo.
(eixo vertical)
Resposta

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

 Os Gráficos Seqüenciais são fáceis de construir e compreender, tornando-os

úteis para detectar hábitos e mudanças significativas nos processos

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)

Podemos obter mais informações de

nosso processo através do Gráficos de
Comportamento do Processo. slide 35
Gráficos de Pontos

 Os Gráficos de Pontos apresentam um ponto para cada observação

ao longo de uma linha numerada.

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

 1. Colete n elementos referentes à variável cuja distribuição será

analisada. É aconselhável que n seja superior a 50 para que possa ser
obtido um padrão representativo da distribuição.

slide 38
Histogramas – Construindo

 2. Determine o maior e o menor valor do conjunto de dados

 Min=20,2 e Max=50

 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

 5. Definine-se o número de classes (K), que pode ser calculado usando

K= √𝑛, e deve estar compreendido entre 5 e 20;

 K = 60 = 7,74 = 8

 6. Sabendo o número de classes , definimos a amplitude de cada classe:

 a = (LS – LI) / K

slide 40
Histogramas – Construindo
 7) Calcule os limites do intervalo

 8) Construa a tabela de distribuição de frequência:

slide 41
Histogramas – Construindo

 9) Desenhe o Histograma

 10) Registre os dados importantes no Histograma

slide 42
BoxPlots - Introdução
 Boxplots, também chamados gráficos de caixa, são particularmente
úteis para mostrar as caraterísticas da distribuição dos dados.

 No Minitab, você pode criar um único boxplot, ou um gráfico que

contenha um boxplot para dados dentro de cada categoria de uma
variável agrupada.

Boxplots of Sales by Product Line

20

10
Sales

Product
1

Line

slide 43
BoxPlots - Introdução

• Construído com base no resumo de cinco números. São eles:

•Valor mínimo

•Primeiro quartil (Q1)

•Mediana (segundo quartil Q2)

•Terceiro quartil (Q3)

•Valor máximo

44
BoxPlots - Quartis

• Quartis (Q1, Q2 e Q3): São valores dados a partir do

conjunto de observações ordenado em ordem crescente, que
dividem a distribuição em quatro partes iguais.

• O primeiro quartil, Q1, é o número que deixa 25% das

observações abaixo e 75% acima, enquanto que o terceiro
quartil, Q3, deixa 75% das observações abaixo e 25% acima.

• Já Q2 é mediana, deixa 50% das observações abaixo e 50%

das observações acima.

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

• Calcule os Quartis a partir da Fórmula:

• Q1=(10+1)/4=2,75, portanto Q1 será o terceiro elemento, ou seja

Q1 = 2,1

• Q2= Mediana, portanto Q2 = 3,05

• Q3= 3*(10+1)/4 = 8,25, portanto Q2 será o oitavo elemento, ou

seja Q3 = 3,7

• Obs: Quando Qi = ½, exemplo 4.5, tira-se a média dos elementos

4 e 5.
46
BoxPlots

• O gráfico é formado por uma caixa construída paralelamente

ao eixo da escala dos dados (pode ser horizontal ou vertical).

• Essa caixa vai desde o primeiro quartil até o terceiro quartil e

nela traça-se uma linha na posição da mediana.

Exemplo:
• q1 = 5 q2=7 q3=8

47
 BoxPlots

• O conjunto destas medidas fornece evidência da dispersão

dos dados. A Posição central é dada pela mediana

• As posições dos Quartis, fornecem evidência evidência sobre

o nível de simetria da distribuição.

• No boxplot é ainda representado o LI e o LS. Pontos acima

deles são outliers. O Cálculo de LI e LS é dado por:
• LI = q1 – 1,5 * dq
• LS= q3 + 1,5 * dq
• onde dq = q3 – q1
LI LS

48
BoxPlots - Construindo

 1) Determinar as 5 medidas: Mínimo, Máximo, Mediana,

Primeiro Quartil, Terceiro Quartil

 2) Construa um eixo que tenha os valores máximo e mínimo

 3) Construa uma caixa retangular que se inicie em q1 e

termine em q3. Trace a mediana

 4) Faça uma reta paralela ao eixo, passando dentro da

caixa, com extremidades correspondentes aos valores LI e
LS

 5) Identifique pontos discrepantes

49
BoxPlots – Exemplo:

 Dadas as idades de 22 pessoas.

 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

 A maioria dos dados tendem a seguir a distribuição normal

ou curva com forma de sino. Uma das caraterísticas chave
da distribuição normal é a relação entre a forma da curva e
o desvio padrão ().

 99,73% da área da distribuição normal está contida entre -

3 sigma e +3 sigma a partir da média. Outra forma de o
expressar é que 0,27% dos dados caem fora dos 3 desvios
padrões, a partir da média.

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?

 A teoria diz que é mais fácil mudar a média (centro/exatidão) do que

mudar o desvio padrão (amplitude/precisão).

 Sugestão: Assim, primeiro reduzimos a variação através da diminuição do

desvio padrão, nos concentra na mudança da média.

 observação: Assim que reduzir o desvio padrão, vai mudar a média ao

mesmo tempo!

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.

 Quando um parâmetro está sob controle estatístico, implica uma variação

estável e previsível (variação de causa comum). Isso não significa uma
variação "boa" ou desejável. Mesmo em um processo sob controle estatístico
podem aparecer causas especiais.
 Podem existir processos onde tenhamos um parâmetro ou mais, fora de
controle implicando em uma variação instável e imprevisível.
 Na teoria podemos dizer que um processo pode estar sob controle estatístico
e não ser capaz de produzir consistentemente produtos ou serviços dentro
dos limites da especificação. Tudo dependerá da especificação solicitada pelo
cliente.

slide 58
Tipo de variação

 A Causa Especial de Variação deve-se a causas assinaláveis que

podemos identificar. Não é aleatória e varia ao longo do tempo.
Geralmente, é causada por uma força que age sobre o processo a
partir do exterior. Essa variação pode ser eliminada através da
eliminação da força exterior que age sobre o processo.

 A Causa Comum de Variação é aleatória, estável e consistente

ao longo do tempo. É uma parte inerente do processo e só pode
ser mudada através da mudança do próprio processo.

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

 São exemplos de variação de causa especial:

 Em relação a máquinas
 Falta de energia em momentos específicos
 Utilização de uma ferramenta errada X-Bar Chart for Process B

 Taxa de alimentação 80
UCL=77.27

 Setup errado do operador em um

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

 São exemplos de variação de causa comum:

 Em relação a máquinas
 Vibração das máquinas em níveis aceitaveis
 Tensão da rede, ou variação da corrente elétrica
 Mudança de setup durante o processo
 Outros exemplos
 Variação da Experiência dos trabalhadores
 Tempo de resposta do servidor da Internet
X-Bar Chart for Process A

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

 Permitem detecção de tendências e padrões nos dados

 Permitem a identificação de “outliers” – pontos de dados distantes do

resto do grupo que não parecem se enquadrar no grupo principal

 Se um processo está sob controle estatístico, seus pontos de dados

irão exibir um padrão e quantidade de variação aleatória, estável e
consistente em seus gráficos de séries temporais.

slide 63
Dados Agrupados por Pontos
Podem Ajudar !
 Ferramentas Comuns
 Histogramas
 Gráficos de Pontos
 Box Plots

 Utilizados para apresentar e calcular:

 Tendências Centrais (Média).
 Variação (Desvio Padrão).
 Forma da Curva de Distribuição

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.

 Média, moda e mediana são medidas comuns de Tendência Central;

amplitude, desvio padrão e variância são medidas comuns de
variabilidade.

 As amostras são subconjuntos retirados da População utilizadas para

tirar conclusões sobre a População.

 O controle estatístico significa que o processo está operando de acordo

com o esperado, ou seja, ele está estável, exibindo apenas causas
comuns de variação.

slide 65
 Direitos Autorais

• Material utilizado no treinamento Lean Six Sigma GB

• Todos os direitos reservados ao autor.

• É expressamente proibido reproduzir este material sem

autorização do autor.

• O Material deve ser utilizado exclusivamente para capacitação dos

alunos dos treinamentos ministrados pelo autor.