Introdução a Six Sigma

Objetivos esperados...

Ao final desse módulo o participante saberá sobre:

▪ Início do Six Sigma.
▪ Estrutura orgânica do Six Sigma nas empresas.
▪ Natureza dos projetos.
▪ Metodologias de análise e solução de problemas.
▪ Complexidade dos projetos.
▪ Metodologia DMAIC.
▪ Referência bibliográfica.
O início...

O Six Sigma nasceu na Motorola em meados da década de 1980 para

melhorar projetos e para reduzir tempo e custo de fabricação de produtos
de sua divisão de eletrônica.
Segundo a Motorola, a companhia obteve saving na ordem de US$ 16
bilhões como resultado de iniciativas de melhoria de processos dentro de
12 anos.
Foi desenvolvido por Mikey Harry (ex-Motorola) e Richard Schröeder
(ex-ABB) que, em seu momento, fundaram a Six Sigma Academy, sediada
nos EUA.
Iniciou como uma metodologia a ser aplicada em manufatura e depois
teve seu alcance ampliado a diversas áreas de negócios, sobretudo após
sua implantação na Allied Signal (1993) e na General Electric (1995).
A estrutura orgânica das empresas

Diretores Diretores
• Estabelece a visão e as estratégias do
programa.
• Define as diretrizes e propõe as equipes de
trabalho.
• Provê os recursos necessários.
• Apoia publicamente a iniciativa.
A estrutura orgânica das empresas

Diretores Gerentes de Áreas

• Buscam áreas de oportunidades.
• Participam na priorização dos projetos.
Gerente Gerente • Aprendem a metodologia.
• Fomentam a implantação da cultura de
melhoria na empresa.
A estrutura orgânica das empresas

Diretores Deployment Champion

• Coordena o programa e presta contas dos
resultados.
Deployment • Colabora na definição das estratégias do
Gerente Gerente
Champion programa.
• Seleciona os projetos com os gerentes das
áreas.
• Coordena as atividades das equipes dos
projetos.
• Negocia os recursos para os projetos.
• Valida os ganhos do projeto junto à
Controladoria.
A estrutura orgânica das empresas

Diretores Master Black Belt

• Treina as equipes da empresa e os integrantes
das equipes (Black Belts e Yellow Belts).
Deployment • Colabora na definição das estratégias do
Gerente Gerente
Champion programa.
• Fomenta a implantação da cultura de melhoria
Master na empresa.
Black Belt
A estrutura orgânica das empresas

Diretores Black Belt

• Dedicam 100% de seu tempo ao programa.
• Executam projetos de alta complexidade.
Deployment
Gerente Gerente • Buscam novas áreas de oportunidades.
Champion
• Apoiam o treinamento das equipes.
• Apoiam a implantação da cultura de melhoria
Master
na empresa.
Black Belt

Black Belts
A estrutura orgânica das empresas

Diretores Green Belts

• Dedicam parcialmente seu tempo ao programa
como integrantes de equipes.
Deployment • Executam projetos de moderada
Gerente Gerente
Champion complexidade.
• Apoiam o treinamento das equipes.
Master • Apoiam a implantação da cultura de melhoria
Green Belts Green Belts
Black Belt na empresa.

Black Belts
A estrutura orgânica das empresas

Diretores Yellow Belts

• Dedicam parcialmente seu tempo ao programa
como integrantes de equipes.
Deployment • Executam projetos de baixa complexidade.
Gerente Gerente
Champion
• Apoiam a implantação da cultura de melhoria
na empresa.
Master
Green Belts Green Belts
Black Belt
White Belts
• Apoiam a implantação da cultura de melhoria
Yellow Belts Yellow Belts Black Belts na empresa.

White Belts White Belts

Natureza dos projetos

Perspectiva do Cliente (CTS – Critical to Satisfaction)

▪ Custo (CTC – Critical to Cost)
✓ Faturamento, rentabilidade, gastos de transformação¹, gastos comerciais,
gastos logísticos e gastos administrativos.
▪ Nota 1: MOD, matérias primas e insumos, utilidades, qualidade e manutenção.
▪ Qualidade (CTQ – Critical to Quality)
✓ Produtos não conformes, reclamações do SAC, devoluções, defeitos, outros.
▪ Entrega (CTD – Critical to Delivery)
✓ Eficiência operacional, ruptura de estoque, ocupação da frota, SLA (service
level agreement), paradas não programadas, tempo de setup, outros.
A importância da metodologia

Identificação
do Problema
D

Observação M
P
Análise A

Plano de Ação
I
D Execução

C Verificação

Padronização C
A
Conclusão
Metodologias de Análise e Solução de Problemas

Up Grade
Tecnológico

DMAIC
Black Belt
A P
DMAIC
Green Belt

DMAIC
Yellow Belt

PDCA
C
Completo D
PDCA
Rápido

SDCA
Manter

Complexidade dos Problemas

 Complexidade dos projetos
Processo Média Deslocada e Baixa Elevada Média Deslocada e Média e
Padronizado Dispersão Dispersão Elevada Dispersão Dispersão

Produto não
Conforme

LSE: 110
Conforme
Produto

Target: 100

LIE: 90
Produto não
Conforme

Processo Baixa Complexidade Moderada Complexidade Alta

Capaz Projetos de MASP (PDCA) Projetos de Six Sigma (DMAIC)
Quantos defeitos produzimos?

Intuição Nível Sigma do Defeitos Produzidos

Prova e erro
Análise de Pareto Processo (DPMO)
Diagrama de Ishikawa
CEP 0,0 1.000.000
Contingências
1,0 690.000
MSA
FMEA 2,0 308.000
FTA
Análise dos Por Quês 3,0 66.800
Provas de Hipóteses
5W2H
ANOVA
4,0 6.200
DOE
Regressão Múltipla 5,0 233
Poka Yoke
6,0 3,4
ANOVA
Fonte: Six Sigma Academy
QFD
DOE
RMS Quanto maior o Nível Sigma de um processo,
Análise de Tolerâncias menor será a quantidade de defeitos
produzidos.
Quantos defeitos produzimos?

Nível Sigma do Defeitos Produzidos

Processo (DPMO)
0,0 1.000.000
Baixa
Competitividade
1,0 690.000
2,0 308.000
3,0 66.800
Média Industrial
4,0 6.200
5,0 233
World Class
6,0 3,4
Fonte: Six Sigma Academy
A metodologia

Six Sigma consiste em uma metodologia que contempla cinco etapas,

mundialmente conhecida como DMAIC.

Define

Control Measure

Improve Analyse
Informações Preliminares

Empresa Cenário: Chocolates Alpinos.

Objetivo Geral: Reduzir a proporção de lotes produzidos com sobrepeso.
Saving Estimado: R$ 360.000,00 por ano.
Metodologia: DMAIC.
Equipe
▪ Arnaldo Fernandes.
▪ Erik Casal.
▪ Hélder Diniz.
Os objetivos de cada fase

Objetivos
Define • Caracterizar o problema
• Definir a meta do projeto

Conceitos e Ferramentas
Control Measure • SIPOC
• Matrizes de Priorização
• Gráfico Sequencial Histórico
• Declaração do Problema
• Benefícios do Projeto
• Meta de Melhoria
Improve Analyse
• Mapeamento de Processo
Gráfico Sequencial Histórico

PROPORÇÃO DE PRODUTOS NÃO CONFORMES - %

Quanto
25,0%
menor
Média MELHOR
Histórica
20,0%

15,0%
Problema

10,0%

5,0%
Valor Ideal

0,0%
mai/20 jun/20 jul/20 ago/20 set/20 out/20 Média Vl Ideal
Média Histórica 20,0%
Valor Ideal 5,0%
Realizado 20,0% 16,7% 20,0% 23,3% 23,3% 16,7%

Problema: ELEVADA PROPORÇÃO DE PRODUTOS NÃO

CONFORMES
Meta do Projeto

Meta
• Média Histórica = 20%.
• Benchmark = 10%.
• Meta = (20% + 10%) / 2 = 15%
• Objetivo Gerencial: Reduzir a proporção de produtos não conformes.
• Valor: de 20% para 15%.
• Prazo: até jan/2021.

“META: Reduzir a proporção de produtos não conformes de 20% para 15% até
jan/2021”.
Os objetivos de cada fase

Objetivos
Define • Validar o sistema de medição
• Definir a capacidade inicial do processo

Conceitos e Ferramentas
Control Measure • MSA (Measure System Analysis)
• Matriz de Causa e Efeito
• Gráfico de Pareto
• Teste de Normalidade
• Resumo Gráfico
• Análise de Capacidade
Improve Analyse
• Ver e Agir
• FMEA (Failure Mode and Effects Analysis)
Análise do Sistema de Medição – Final
Número de Inspetores >> 4 (2 a 4)
N° de Peças Inspecionadas >> 10 (2 a 20)
Tolerância do Processo >> 90,0
Desvio Padrão do Processo >> 106,10
Número de Inspetores
Nº da Amostra Range
Inspetor 1 Inspetor 2 Inspetor 3 Inspetor 4
Amostra 1 1.001,39 1.000,89 1.001,89 1.002,39 1,50
Amostra 2 1.055,67 1.055,17 1.056,17 1.056,67 1,50
Amostra 3 1.151,20 1.150,70 1.151,70 1.152,20 1,50
Amostra 4 1.084,93 1.084,43 1.085,43 1.085,93 1,50
Amostra 5 1.056,25 1.055,75 1.056,75 1.057,25 1,50
Amostra 6 1.050,60 1.050,10 1.051,10 1.051,60 1,50
Amostra 7 1.137,24 1.136,74 1.137,74 1.138,24 1,50
Amostra 8 1.089,97 1.089,47 1.090,47 1.090,97 1,50
Amostra 9 1.132,47 1.131,97 1.132,97 1.133,47 1,50
Amostra 10 1.089,74 1.089,24 1.090,24 1.090,74 1,50
Desvio Padrão das Medições >> 44,5 Range Médio >> 1,50
Análise do Sistema de Medição
Critérios de Avaliação
Menor ou igual a 20% >> Sistema de medição satisfatório
Entre 20% e 30% >> Sistema de medição requer moderação melhoria
Maior ou igual a 30% >> Sistema de medição requer forte melhoria
Resultados da Análise
Variabilidade da Medição >> 3,71
R&R em relação à Tolerância >> 4,1% Sistema de medição satisfatório
R&R em relação ao Processo >> 0,7% Sistema de medição satisfatório
Resultado do Estudo
 Capacidade Inicial (Cpk) – Peso da Barra de Chocolate

Dados do Processo
Capacidade

Desempenho

Defeitos PPM
Os objetivos de cada fase

Objetivos
Define • Realizar a análise do processo
• Identificar as causas raízes

Conceitos e Ferramentas
Control Measure • Análise Gráfica de Dados
• Controle Estatístico de Processo
• Teorema do Limite Central
• Intervalos de Confiança
• Testes de Hipóteses
• ANOVA (Analysis of Variance)
Improve Analyse
• Tamanho da Amostra e Poder da Prova
• Tempestade de Ideias
• Diagrama de Ishikawa
• Estudo dos Por Quês
Boxplot – Peso do Açúcar por Turno por Tipo de Açúcar
Há diferenças
significativas entre
Boxplot of Peso_Açúcar
os turnos de
240 produção
230

220

Peso_Açúcar 210

200

190

180

170

160

150

Tipo_Açúcar Cristal Demerara Cristal Demerara Cristal Demerara

Turno Turno_1 Turno_2 Turno_3
Boxplot – Peso do Leite em Pó por Turno por Linha
Há diferenças
significativas entre
Boxplot of Peso_Leite em Pó_1
os turnos de
450 produção

400
Peso_Leite em Pó_1

350

300

250
Linha Linha_1 Linha_2 Linha_1 Linha_2 Linha_1 Linha_2
Turno Turno_1 Turno_2 Turno_3
Tempestade de Ideias e Estudo dos Por Quês

Problemas Focados
• Dosagem excessiva de açúcar no 2º turno.
• Dosagem excessiva de leite em pó no 1º turno.

Causas Primárias
➢ Pesagem de ingredientes acima do padrão.

Causas Fundamentais / Causas Raízes

➢ Falta de procedimento de pesagem.
➢ Falta de procedimento de calibração da balança.
➢ Falta plano de manutenção preventiva da balança.
➢ Falta de procedimentos de manutenção da balança.
Os objetivos de cada fase

Objetivos
Define • Definir os condições ideais de processo
• Implantar ações de bloqueio das causas raízes

Conceitos e Ferramentas
Control Measure • Correlação e Regressão
• Interação entre Fatores
• Experimento Fatorial
• DOE (Design of Experiments)
• Plano de Ação
• Cronograma do Plano de Ação
Improve Analyse
• Gráfico Sequencial da Meta
• Gráfico Sequencial do Saving
Plano de Ação

Principais Ações de Bloqueio

• Elaborar procedimentos de pesagem de ingredientes, de calibração da balança e de
manutenção da balança.
• Inserir procedimentos na matriz de treinamentos obrigatórios.
• Implementar programa de treinamento com base na matriz.
• Incluir a verificação do cumprimento dos procedimentos no DTO (diagnóstico do trabalho
operacional).
• Elaborar plano de manutenção preventiva da balança.
• Implementar plano de manutenção preventiva da balança.
Gráfico Sequencial do Projeto

PROPORÇÃO DE PRODUTOS NÃO CONFORMES - %

Quanto
25,0%
menor
MELHOR
Média Histórica
20,0%

Meta do Projeto
15,0%

Valor Atingido
10,0%

Valor Ideal
5,0%

0,0%
Média nov/20 dez/20 jan/21 fev/21 mar/21 abr/21
Média Histórica 20,0%
Meta do Projeto 20,0% 20,0% 15,0% 15,0% 15,0% 15,0%
Realizado 16,7% 16,7% 13,3% 6,7% 10,0% 6,7%
Os objetivos de cada fase

Objetivos
Define • Definir a capacidade final do processo
• Assegurar a implantação das ferramentas de
padronização

Control Measure Conceitos e Ferramentas

• Análise de Capacidade
• Efetividade da Padronização
✓ Procedimentos
✓ Sinalização
✓ Proteção Passiva
Improve Analyse ✓ Proteção Ativa
✓ Projeto
• Encerramento do Projeto
 Capacidade Final (Cpk) – Peso da Barra de Chocolate

Dados do Processo
Capacidade

Desempenho

Defeitos PPM
Padronização e Conclusão

Reflexões sobre a Efetividade do Plano de Ação

• As ações do plano foram focadas em implantação de rotinas.
• Para garantir a efetividade no longo prazo, seria necessário automatizar algumas rotinas.
• Os funcionários da unidade gerencial compreenderam bem a importância das medidas de
bloqueio e aderiram à implantação das melhorias propostas.
• Houve pequenos atrasos na implantação das ações, mas todos foram superados pela
equipe do projeto.
Lições Aprendidas
• Aplicação de metodologia robusta aumenta consideravelmente as chances de êxito dos
projetos de melhoria.
• O trabalho em equipe é fundamental no desenvolvimento dos projetos.
• O esforço da maioria compensou as eventuais faltas de integrantes nas reuniões.
• Atingir as metas é desafiador e gratificante ao mesmo tempo.
O Formador
Arnaldo Fernandes de Souza
• E-mail: [Link]@[Link] | Fone: 81 98887-7043
• LinkedIn: [Link]@[Link]
• Instagram: @Arnaldo7676 e @grupoarby
• Site: [Link]
Resumo Profissional
• Graduado em Engenharia Mecânica e pós-graduado em Engenharia de Produção pela
UFPE, Master Black Belt pela Praxair Inc., Black Belt certificado pelo Council for Six
Sigma Certifications (USA), especialista em gestão pelo INDG, Professor do MBA Gestão
Empresarial do CEDEPE Business School (Laureate International Universities) e do MBA
Gestão da Produção e Qualidade da Universidade Salgado de Oliveira, e consolidada
atuação como executivo da área industrial no Brasil e no exterior, nos segmentos
automotivo, químico e alimentício.
• Experiência profissional construída ao longo de 30 anos na Ford S.A., Rhodia Nordeste
S.A., White Martins Gases Industriais S.A., Vitarella Indústria de Alimentos Bomgosto
Ltda. e Flor Arte Ltda..
Referência Bibliográfica

• SIX SIGMA ACADEMY – Material Didático do Curso.

• WERKEMA, M. C. C. – Criando a Cultura Seis Sigma – Vol. 1. (Ed. Werkema).
• WERKEMA, M. C. C. – Lean Six Sigma – Introdução às Ferramentas de Lean
Manufacturing (Ed. Werkema).
• WERKEMA, M. C. C. – Ferramentas Estatísticas Básicas para o Gerenciamento do
Processo (Ed. Werkema).
• AGUIAR, S. – Integração das Ferramentas da Qualidade ao PDCA e ao Programa Seis
Sigma (Ed. INDG).
• MENDENHALL, W. e SINCICH, T. – Probabilidad y Estadística para Ingeniería y Ciencias
(Ed. Prentice Hall).
• BARBARÁ, S. – Gestão por Processos – Fundamentos, Técnicas e Modelos de
Implementação (Ed. Quality Mark).
• CAMPOS, V. F. – Gerenciamento da Rotina do Trabalho do Dia a Dia (Ed. Falconi).
• MONTGOMERY, D. C. – Introdução ao Controle Estatístico da Qualidade (Ed. LTC).
Raízes fortes garantem
melhores frutos.
Descrição de Negócio
Objetivos esperados...

Ao final desse módulo o participante será capaz de:

▪ Compreender o conceito e os objetivos da Descrição de Negócio.
▪ Compreender o conceito e os objetivos da Missão de um Negócio.
▪ Construir uma Descrição de Negócio.
Conceito e Objetivos

É a ferramenta central utilizada para estruturação de uma Unidade Gerencial,

visando a implantação do Gerenciamento da Rotina.
A descrição de negócio é também conhecida como SIPOC (Suppliers, Inputs,
Process, Outputs, Customers).

Objetivos
Identificar a cadeia completa de geração de valor e de atenção ao cliente:
✓ Quem são os fornecedores (internos e externos) dessas entradas;
✓ Quais são as entradas (produtos e serviços) necessárias para atender o negócio;
✓ Qual é o negócio (unidade gerencial) gerador desses produtos e/ou serviços;
✓ Quais são os saídas (produtos e serviços) entregues aos clientes;
✓ Quem são os clientes (internos e externos) atendidos.
Proposição de Valor

Unidade Gerencial
Fornecedores Entradas Negócio Saídas Clientes

Processos

Fornecedor A Insumo A Denominação Produto A Cliente A

Fornecedor B Insumo B Produto B Cliente B
Missão
Fornecedor C Insumo C Produto C Cliente C
Equipe

Estrutura Física
Descrição de Negócio – Cafeteria

Unidade Gerencial
Fornecedores Entradas Negócio Saídas Clientes
Distribuidores Matérias Primas Cafeteria Café Expresso Adultos
Magazines Utensílios Cappuccino Adolescentes
Oferecer
Concessionárias Energia Elétrica derivados de Chocolate Crianças
café a clientes de
fino paladar na
região
metropolitana
por meio de
processos
exclusivos

Supervisor
Atendentes

Quiosque
Estrutura da Descrição de Negócio

FORNECEDORES ENTRADAS SAÍDAS CLIENTES

NEGÓCIO
Internos e Externos Produtos e Serviços Produtos e Serviços Internos e Externos
UNIDADE GERENCIAL
0 0
0

MISSÃO
0 0

EQUIPE
0 0

ESTRUTURA FÍSICA
0 0
A elaboração
1. Caracterize a unidade
gerencial

FORNECEDORES ENTRADAS SAÍDAS CLIENTES

NEGÓCIO
Internos e Externos Produtos e Serviços Produtos e Serviços Internos e Externos
UNIDADE GERENCIAL
0 0
0

MISSÃO
0 0

EQUIPE
0 0

ESTRUTURA FÍSICA
0 0
A elaboração
2. Identifique cada saída e
seus respectivos clientes

FORNECEDORES ENTRADAS SAÍDAS CLIENTES

NEGÓCIO
Internos e Externos Produtos e Serviços Produtos e Serviços Internos e Externos
UNIDADE GERENCIAL
0 0
0

MISSÃO
0 0

EQUIPE
0 0

ESTRUTURA FÍSICA
0 0
A elaboração
2. Identifique cada saída e
seus respectivos clientes

FORNECEDORES ENTRADAS SAÍDAS CLIENTES

NEGÓCIO
Internos e Externos Produtos e Serviços Produtos e Serviços Internos e Externos
UNIDADE GERENCIAL
0 0
0

MISSÃO
0 0

EQUIPE
0 0

ESTRUTURA FÍSICA
0 0
A elaboração
2. Identifique cada saída e
seus respectivos clientes

FORNECEDORES ENTRADAS SAÍDAS CLIENTES

NEGÓCIO
Internos e Externos Produtos e Serviços Produtos e Serviços Internos e Externos
UNIDADE GERENCIAL
0 0
0

MISSÃO
0 0

EQUIPE
0 0

ESTRUTURA FÍSICA
0 0
A elaboração
2. Identifique cada saída e
seus respectivos clientes

FORNECEDORES ENTRADAS SAÍDAS CLIENTES

NEGÓCIO
Internos e Externos Produtos e Serviços Produtos e Serviços Internos e Externos
UNIDADE GERENCIAL
0 0
0

MISSÃO
0 0

EQUIPE
0 0

ESTRUTURA FÍSICA
0 0
A elaboração
3. Identifique as entradas e
os fornecedores para cada
saída
FORNECEDORES ENTRADAS SAÍDAS CLIENTES
NEGÓCIO
Internos e Externos Produtos e Serviços Produtos e Serviços Internos e Externos
UNIDADE GERENCIAL
0 0
0

MISSÃO
0 0

EQUIPE
0 0

ESTRUTURA FÍSICA
0 0
A elaboração
3. Identifique as entradas e
os fornecedores para cada
saída
FORNECEDORES ENTRADAS SAÍDAS CLIENTES
NEGÓCIO
Internos e Externos Produtos e Serviços Produtos e Serviços Internos e Externos
UNIDADE GERENCIAL
0 0
0

MISSÃO
0 0

EQUIPE
0 0

ESTRUTURA FÍSICA
0 0
A elaboração
3. Identifique as entradas e
os fornecedores para cada
saída
FORNECEDORES ENTRADAS SAÍDAS CLIENTES
NEGÓCIO
Internos e Externos Produtos e Serviços Produtos e Serviços Internos e Externos
UNIDADE GERENCIAL
0 0
0

MISSÃO
0 0

EQUIPE
0 0

ESTRUTURA FÍSICA
0 0
A elaboração
3. Identifique as entradas e
os fornecedores para cada
saída
FORNECEDORES ENTRADAS SAÍDAS CLIENTES
NEGÓCIO
Internos e Externos Produtos e Serviços Produtos e Serviços Internos e Externos
UNIDADE GERENCIAL
0 0
0

MISSÃO
0 0

EQUIPE
0 0

ESTRUTURA FÍSICA
0 0
Raízes fortes garantem
melhores frutos.
Matrizes de Priorização
Objetivos esperados...

Ao final desse módulo o participante saberá sobre:

▪ Aplicação da Matriz GUT.
▪ Aplicação da Matriz BIOS.
Matriz GUT

▪ Ferramenta utilizada para priorização de inconveniências.

▪ A pontuação varia de 1 (menor valor) a 10 (maior valor).
▪ O produto dos pontos é o GUT do item em questão.
G U T
A Tendência do problema ao
A Gravidade do problema A Urgência de solução
longo do tempo
Baixa Baixa Redução
(1 ponto) (1 ponto) (1 ponto)
Moderada Baixa Moderada Baixa Moderada Redução
(4 pontos) (4 pontos) (4 pontos)
Moderada Alta Moderada Alta Moderado Aumento
(7 pontos) (7 pontos) (7 pontos)
Alta Alta Aumento
(10 pontos) (10 pontos) (10 pontos)
Matriz BIOS

▪ Ferramenta utilizada para priorização de melhorias.

▪ A pontuação varia de 1 (menor valor) a 10 (maior valor).
▪ O produto dos pontos é o BIOS do item em questão.
B I O S
O Benefício para a O Investimento A Operacionalização da A Satisfação do cliente
empresa necessário solução com a solução
Baixo Elevado Complexa Redução
(1 ponto) (1 ponto) (1 ponto) (1 ponto)
Moderado Baixa Moderado Elevado Moderada Complexidade Moderada Redução
(4 pontos) (4 pontos) (4 pontos) (4 pontos)
Moderado Alto Moderado Baixo Moderada Simplicidade Moderado Aumento
(7 pontos) (7 pontos) (7 pontos) (7 pontos)
Alto Baixo Simples Aumento
(10 pontos) (10 pontos) (10 pontos) (10 pontos)
Raízes fortes garantem
melhores frutos.
Mapeamento de Processo
Objetivos esperados...

Ao final desse módulo o participante saberá sobre:

▪ Compreender o conceito e os objetivos do Mapa de Processo.
▪ Entender as regras de elaboração e construir um Mapa de Processo.
▪ Identificar o que Agrega Valor e o que Não Agrega Valor.
Conceito e Objetivos

Conceito
Mapa de processo é a principal ferramenta de gestão utilizada para identificar a
cadeia geradora de valor de uma organização. Revela como é a dinâmica de
funcionamento interno, bem como a empresa se conecta com o mundo exterior.
Processo deriva da palavra latina procedere, que significa a ação de avançar, ir
para frente.
A sua vez, mapa de processo é uma ferramenta utilizada para representar o
conjunto sequencial e peculiar de tarefas com o objetivo de se atingir uma meta.
Os mapas de processos podem ser dispostos verticalmente (Padrão ANSI) ou,
horizontalmente (Padrão Swimlane).
Conceito e Objetivos

Objetivos
• Avaliar a eficácia do processo e oportunizar a simplificação para aumentar sua
eficiência.
• Demonstrar as tarefas que agregam e as que não agregam valor, visando a
padronização e a redução de perdas.
• Revelar os gargalos e origem dos retrabalhos.
• Estruturar as informações em base de dados para implantação de rotinas em
sistema integrados – ERP (Enterprise Resources Planning).
Principais Símbolos

Símbolo Usado para representar

Início ou fim dos diagramas

Tarefa ou atividade

Decisão, escolha ou filtragem

Conexão de blocos na mesma página

(usam-se números)
Conexão de blocos em páginas
diferentes (usam-se letras)
Conexão de blocos na mesma página e
indicar o sentido do fluxo
Principais Símbolos

Símbolo Usado para representar

Arquivamento ou armazenamento de
material, registro ou documento
Registro ou documento gerado ou usado
na ação ou no processo
Idem para um lote

Processo predefinido

Armazenamento on-line

Armazenamento de dados
Versões conhecidas

O que pensamos que é:

O que realmente é:

O que gostaríamos que fosse:

Regras para elaboração

✓ Defina o alcance completo do processo.

✓ Liste todas as tarefas necessárias para executá-lo e as ordene de acordo com a
sequência natural.
✓ Elabore o mapa de processo de acordo com a simbologia indicada, registrando
o tempo e o custo de cada etapa.
✓ Identifique as tarefas que agregam e as que não agregam valor.
✓ Identifique a interface da base de dados com a arquitetura do ERP e as rotinas
de integração.
✓ Observe todos os detalhes importantes do processo para não deixar escapar
nenhuma operação de destaque.
Preparação de um café

Ordene as Tarefas
1. Realizar setup da cafeteira.
2. Preparar o café.
3. Preparar o serviço.
4. Inspeção final.
5. Servir o café.

N
Realizar
Preparar Preparar Café Servir o
Início set up da Fim
o café o serviço ok? café
cafeteira S
Proposição de Valor

Unidade Gerencial
Fornecedores Entradas Negócio Saídas Clientes
Distribuidores Matérias Primas Cafeteria Café Expresso Adultos
Magazines Utensílios Cappuccino Adolescentes
Oferecer
Concessionárias Energia Elétrica derivados de Chocolate Crianças
café a clientes de
Entradas fino paladar na Expectativas
Pó de café região Sabor
Açúcar metropolitana Aroma
Água por meio de Temperatura
Cafeteira processos Cor
Xícara exclusivos Apresentação
Guardanapo Preço
Filtro Supervisor Rapidez
Colher Atendentes Consistência
Bandeja
Quiosque
Proposição de Valor

N
Realizar
Preparar Preparar Café Servir o
Início setup da Fim
o café o serviço ok? café
cafeteira S

Pó de café Sabor Xícara Sabor

Açúcar Aroma Guardanapo Aroma
Água Temperatura Colher Temperatura
Cafeteira Cor Bandeja Cor
Filtro Rapidez Apresentação Apresentação
Consistência Preço
Rapidez
Consistência
Entradas Expectativas
Pó de café Sabor
Açúcar Aroma
Água Temperatura
Cafeteira Cor
Filtro Apresentação
Xícara Preço
Guardanapo Rapidez
Colher Consistência
Bandeja
Proposição de Valor

N
Realizar
Preparar Preparar Café Servir o
Início setup da Fim
o café o serviço ok? café
cafeteira S

Pó de café Sabor Xícara Sabor

Açúcar Aroma Guardanapo Aroma
Água Temperatura Colher Temperatura
Cafeteira Cor Bandeja Cor
Filtro Rapidez Apresentação Apresentação
Consistência Preço
Rapidez
Consistência
Agrega Valor Entradas Expectativas
Pó de café Sabor
Não Agrega Valor Açúcar Aroma
Água Temperatura
Cafeteira Cor
Filtro Apresentação
Xícara Preço
Guardanapo Rapidez
Colher Consistência
Bandeja
Importância do Modelo de Gestão

ORGANIZAÇÃO
Sistema 1 (Negócio 1) Sistema 2 (Negócio 2)

Processo 1 Processo 3

Tarefa 1 Tarefa 2 Tarefa 5 Tarefa 6

Atividade 1 Atividade 1 Atividade 1 Atividade 1

Atividade 2 Atividade 2 Atividade 2 Atividade 2

Atividade 3 Atividade 3 Atividade 3 Atividade 3

Processo 2 Processo 4

Tarefa 3 Tarefa 4 Tarefa 7 Tarefa 8

Atividade 1 Atividade 1 Atividade 1 Atividade 1

Atividade 2 Atividade 2 Atividade 2 Atividade 2

Atividade 3 Atividade 3 Atividade 3 Atividade 3

Proposição de Valor

Ampliando um pouco o conceito, • Modificam a forma do produto ou

podemos considerar que uma etapa, serviço;
tarefa, operação ou rotina agregam • Modificam a função do produto ou
valor quando: serviço;
• Contribuem para atender a uma
necessidade e/ou expectativa do
cliente;
• São realizadas para atender uma
exigência legal.

“Operações como inspeções e

retrabalhos não agregam valor”.
Raízes fortes garantem
melhores frutos.
Métricos
Objetivos esperados...

Ao final desse módulo o participante será capaz de:

▪ Entender a importância da medição.
▪ Compreender os macroprocessos organizacionais.
▪ Selecionar KPI´s com base nas estratégias do negócio.
▪ O conceito de perda.
▪ Definir unidade, não conformidade, referências de aceitação e rejeição,
defeito e defeituoso.
▪ Calcular proporção defeituosa, defeitos por unidade (DPU), defeitos por
oportunidade (DPO) e defeitos por milhão de oportunidades (DPMO).
A importância da medição

Por quê precisamos medir?

✓ Para monitorar a saúde da empresa.
✓ Para medir o progresso do trabalho.
✓ Para avaliar a efetividade dos padrões ao longo do tempo.
✓ Para identificar onde estão os problemas.
✓ Para priorizar e atacar as oportunidades.
✓ Para realizar ajustes no tempo oportuno e se manter no caminho certo.
Macroprocessos

Processos Primários
PCP

Suprimentos Manufatura Logística Vendas

Compras Estoque Produção Armazém Faturamento

Processos de Apoio

Recursos Departamento
Direção Controladoria TI
Humanos Pessoal
Alinhamento Estratégico

Lucro

Estratégias de Estratégias de
Crescimento Produtividade
Indicadores de Desempenho – KPI’s

Lucro

Estratégias de Estratégias de
Crescimento Produtividade
Vender Mais

Processos Primários

Suprimentos Manufatura Logística Vendas

▪ Acuracidade do Estoque ▪ Atendimento ao PVP ▪ Acuracidade do Estoque ▪ Volume Vendido
▪ Cobertura de Estoque ▪ Volume Produzido ▪ Cobertura de Estoque ▪ Faturamento
▪ Ruptura de Estoque ▪ Eficiência Global – OEE ▪ Ruptura de Estoque ▪ Preço Médio
▪ Takt Time ▪ Market Share
▪ Lead Time de Produção ▪ Crescimento das Vendas
▪ Time to Market ▪ Positivação de Clientes
▪ Net Promoter Score – NPS ▪ Conversão de Clientes
Indicadores de Desempenho – KPI’s

Lucro

Estratégias de Estratégias de
Crescimento Produtividade
Gastar Menos

Processos Primários

Suprimentos Manufatura Logística Vendas

▪ Nível de Serviços de Compras ▪ Custo de Produção ▪ Avarias por Movimentação ▪ Acordos Comerciais
▪ Prazo Médio de Pagamento ▪ Perdas (Lean Manufacturing) ▪ Eficiência na Expedição ▪ Gastos Comerciais
▪ Saving de Compras ▪ Tempo Médio de Setups ▪ Custo de Reentrega ▪ Inadimplência
▪ Indisponibilidade de Linhas ▪ Avarias no Transporte ▪ Avarias no PDV
▪ Consumos Específicos ▪ Custo de Transporte ▪ Rupturas no PDV
▪ Eficiência Energética ▪ Lead Time de Carregamento ▪ Volumes Devolvidos
▪ Não Conformidades ▪ Lead Time de Entrega
▪ Reclamações do SAC ▪ Nível de Serviço OTIF
Indicadores de Desempenho – KPI’s

Lucro

Estratégias de Estratégias de
Crescimento Produtividade
Vender Mais Gastar Menos

Processos de Apoio

Industrial Controladoria Recursos Humanos

▪ Prazos dos Projetos ▪ Não Conformidades Fiscais ▪ Gastos com Horas Extras
▪ Return on Investiment (ROI) ▪ Ganhos Tributários ▪ Absenteísmo
▪ Acidentes de Trabalho ▪ Juros de Aplicações ▪ Rotatividade
Financeiras
▪ Conformidade de Produto ▪ Engajamento nos Programas
▪ Juros de Empréstimos Participativos
Contratados ▪ Índice de Favorabilidade
▪ Liquidez Corrente ▪ Passivos Trabalhistas
▪ SLA de Chamados de TI ▪ Saturação da Mão de Obra
▪ Disponibilidade de Sistema
Conceito de Perda

Perda é qualquer desvio do resultado alcançado em relação à condição ideal.

Perda Perda

Qualquer recurso utilizado além do necessário também configura uma perda.

Conceito de Unidade

Unidade
São os produtos e/ou serviços que estão sendo processados, ou que foram
entregues aos clientes.
Exemplos:
➢ Um bem, uma peça, um objeto, um equipamento, um componente, um lote, um
pálete, outros.
➢ Um evento, uma transação, uma operação, uma entrega, uma negociação, uma
venda, outros.
Conceito de Não Conformidade

Não Conformidade
É o não atendimento total ou parcial de algum requerimento formal, de
caráter interno ou externo à organização.
Como exemplos podemos citar: normas, leis, requisitos, regulamentos, contratos
ou outras exigências escritas.

Observação
• O conceito de não conformidade está intrinsecamente relacionado aos de
referências de aceitação e de rejeição.
Conceito de Referências de Aceitação e de Rejeição

Referências de Aceitação e de Rejeição

São critérios quantitativos e/ou qualitativos utilizados para distinguir
produtos e/ou serviços conformes dos não conformes, levando em consideração os
requerimentos formais.

Critério Quantitativo
▪ São parâmetros numéricos (variáveis) utilizados para avaliar a conformidade
(ex.: limites de especificação, tolerâncias, metas de resultados, índices de
capabilidade).
Critério Qualitativo
▪ São parâmetros apreciativos (atributos) utilizados para avaliar a conformidade
(ex.: bom x ruim, passa x não passa, atende x não atende, certo x errado).
Conceito de Defeito e de Defeituoso

Defeito
É qualquer desvio da característica de um produto ou serviço quanto à sua
funcionalidade, em seus aspectos quantitativos e/ou qualitativos.

Defeituoso
É qualquer produto ou serviço que apresente um ou mais defeitos.
Uma unidade pode ter um ou mais defeitos, dependendo da quantidade de
oportunidades que se considere.
Inspecionando 20 veículos...
Amostra Defeitos Defeituosos

01 07 04

02 09 03

03 06 03

04 00 00

05 02 01
Resumo das inspeções dos 20 veículos...

Itens Inspecionados por Veículo Resumo das Inspeções

▪ Quantidade de vidros: 04 ▪ Qtd de amostras: 05
✓ 01 dianteiro + 01 traseiro + 02 laterais ▪ Tamanho da amostra: 04 unidades
▪ Quantidade de rodas: 05 ▪ Qtd total inspecionada: 20 unidades
✓ 02 dianteiras + 02 traseiras + 01 estepe ▪ Qtd de itens inspecionados: 13 por
▪ Quantidade de faróis: 04 veículo
✓ 02 dianteiros + 02 traseiros ▪ Qtd total de itens inspecionados: 260
(20 * 13)
▪ Quantidade de itens inspecionados por
veículo: 13 (04 + 05 + 04) ▪ Qtd de veículos defeituosos: 11 unidades
▪ Qtd total de defeitos: 24
Proporção de Defeituosos

É a relação entre a quantidade de unidades defeituosas encontradas e a

quantidade total de unidades inspecionadas.
Exemplo:
Foram inspecionados 20 veículos, dentre os quais 11 eram defeituosos.

Portanto:
▪ % Defeituosos = 11 / 20 * 100%
=> % Defeituosos = 55%
Defeitos por Unidade – DPU

É a relação entre a quantidade de defeitos encontrados e a quantidade

total de unidades inspecionadas.
Exemplo:
Foram inspecionados 20 veículos, dentre os quais foram encontrados um
total de 24 defeitos (09 vidros + 08 rodas + 07 faróis).

Portanto:
▪ DPU = (09 + 08 + 07) / 20 = 24 defeitos / 20 unidades
=> DPU = 1,20 DPU
Defeitos por Oportunidade – DPO

É a relação entre a quantidade de defeitos encontrados e a quantidade

total de itens inspecionados (oportunidades de defeitos).
Exemplo:
Foram inspecionados 20 veículos, dentre os quais foram encontrados um
total de 24 defeitos (09 vidros + 08 rodas + 07 faróis).
✓ Oportunidades por Unidade = 13 (04 vidros + 05 rodas + 04 faróis)
✓ Total de Oportunidades = 20 carros * 13 = 260 oportunidades

Portanto:
▪ DPO = (09 + 08 + 07) / 260 = 24 defeitos / 260 oportunidades
=> DPO = 0,092308
Defeitos por Milhão de Oportunidades – DPMO

Em muitos casos é conveniente estabelecer uma nova ordem de grandeza

para a medição dos defeitos. Para estes casos foi criado o DPMO que é o
produto do DPO por um milhão.
Exemplo:
Foram inspecionados 20 veículos, dentre os quais foram encontrados um
total de 24 defeitos (09 vidros + 08 rodas + 07 faróis).
✓ DPO = 0,092308 Defeitos por Oportunidade

Portanto:
▪ DPMO = 0,092308 * 1.000.000
=> DPMO = 92.308
Quantos defeitos produzimos?

Nível Sigma do Defeitos Produzidos

Processo (DPMO)
0,0 1.000.000
1,0 690.000
2,0 308.000
3,0 66.800
4,0 6.200
5,0 233
6,0 3,4
Fonte: Six Sigma Academy

Quanto maior o Nível Sigma de um processo,

menor será a quantidade de defeitos
produzidos.
Raízes fortes garantem
melhores frutos.
Define
Objetivos esperados...

Ao final desse módulo o participante saberá sobre:

▪ As cinco etapas do Método DMAIC.
▪ A aplicação das ferramentas da etapa Define no desenvolvimento de um
projeto.
Define

Objetivos
Define • Caracterizar o problema
• Definir a meta do projeto

Conceitos e Ferramentas
Control Measure • SIPOC
• Matrizes de Priorização
• Gráfico Sequencial Histórico
• Declaração do Problema
• Benefícios do Projeto
• Meta de Melhoria
Improve Analyse
• Mapeamento de Processo
Gráfico Sequencial Histórico

PROPORÇÃO DE PRODUTOS NÃO CONFORMES - %

Quanto
25,0%
menor
Média MELHOR
Histórica
20,0%

15,0%
Problema

10,0%

5,0%
Valor Ideal

0,0%
mai/20 jun/20 jul/20 ago/20 set/20 out/20 Média Vl Ideal
Média Histórica 20,0%
Valor Ideal 5,0%
Realizado 20,0% 16,7% 20,0% 23,3% 23,3% 16,7%

Problema: ELEVADA PROPORÇÃO DE PRODUTOS NÃO

CONFORMES
Análise das Informações Históricas

Características importantes
✓ Deve-se avaliar o comportamento histórico do indicador em relação ao valor ideal
estabelecido pela empresa.
✓ Deve-se expressar a dimensão física do problema.
✓ Deve-se revelar a dimensão financeira correspondente.

Declaração do Problema
Nos últimos seis meses a proporção de produtos não conformes foi de 20%, entretanto o
valor ideal para esse indicador é no máximo 5%.
Tal proporção representa 36 lotes rejeitados com peso acima do nominal no período,
correspondendo a uma perda estimada em R$ 720 mil por ano.
Benefícios do Projeto

Benefícios Financeiros
✓ Quais são os benefícios financeiros caso a meta de melhoria seja atingida?
• Custo evitado (cost avoid) em 12 meses.
• Redução de custos (cost reduction) em 12 meses.

$$$

Cost Avoid
Saving
Custo Padrão
Cost Reduction
Benefícios do Projeto

Benefícios não Financeiros

✓ Quais são os benefícios não financeiros caso a meta de melhoria seja atingida?

Benefícios para os Clientes

✓ Quais são os benefícios para os clientes caso a meta de melhoria seja atingida?
Meta de Melhoria

Meta Geral
Uma meta é composta por um objetivo Portanto, a meta para o primeiro giro seria:
gerencial, um valor e um prazo para ser
atingida. Meta = (20% + 10%) / 2 = 15%
Regra prática
Em nosso exemplo, a média histórica foi de Descrição da Meta Geral
20% e, suponhamos que o benchmark¹ seja Reduzir a proporção de produtos não
10%. conformes de 20% para 15% até
jan/2021.
Nota 1: O Benchmark pode ser interno ou externo.
Mapeamento de Processo

N
Cortar e
Pesar os Misturar os Resfriar o
Início Ok? embalar o Fim
ingredientes ingredientes produto S produto

INPUTS INPUTS OUTPUTS OUTPUTS

Açúcar Açúcar Sabor do Peso da barra
produto
Manteiga de Manteiga de Sabor do
cacau cacau Textura do produto
produto
Leite em pó Leite em pó Textura do
produto
Leite Leite
condensado condensado Cor do produto
Cacau em pó Cacau em pó
Micro Micro
ingredientes ingredientes

OUTPUTS OUTPUTS
Sabor do Sabor do
produto produto
Textura do Textura do
produto produto
Cor do produto Cor do produto
Pesagem certa Mistura
homogênea
Raízes fortes garantem
melhores frutos.
Introdução ao Minitab
Objetivos esperados
Ao final desse módulo o participante será capaz de:
▪ Distinguir as principais funções do Minitab.
▪ Abrir um projeto no Minitab e trabalhar com suas ferramentas básicas.
Tela inicial
Salvando arquivos...
MINITAB salva três tipos de arquivos:
Projeto
Guarda todo o trabalho realizado numa sessão (Worksheet, Sessão e
Gráficos) e, sua extensão é .MPJ.
Worksheet
Guarda apenas as planilhas de cálculo realizadas numa sessão
(Worksheet) e, sua extensão é .MTW.
Gráfico
Guarda apenas os gráficos realizados numa sessão (Gráficos) e, sua
extensão é .MGF.
File...
Tipos de dados
MINITAB diferencia as colunas de dados em três categorias:
• Numéricos – MINITAB não distingue esta coluna.
• Alfanuméricos – MINITAB distingue a coluna agregando a letra T ao
indicador da mesma.
• Data / Hora – MINITAB distingue a coluna agregando a letra D ao
indicador da mesma.
Série de números aleatórios
MINITAB pode criar séries de números aleatórios que seguem diferentes
distribuições de probabilidade.
Para isso necessita de um gerador, ou seja, as premissas para a criação
dos números aleatórios. Por default MINITAB considera a data, hora,
minuto, segundo e décimos de segundo em que se executa o comando.
Criando séries...
Vamos criar três séries que obedecem as seguintes características:
Série Inteiros
➢ 20 números aleatórios inteiros, valor mínimo 10 e máximo 30.
Abrindo Criando Sé[Link]
Série de números inteiros...
Preenchendo o quadro de diálogo...
Criando séries...
Vamos criar três séries que obedecem as seguintes características:
Série Inteiros
➢ 20 números aleatórios inteiros, valor mínimo 10 e máximo 30.
Série Conhecidos
➢ Duas sequências começando por 5 e terminando por 10, incrementado
de 1 em 1, cada valor repetido 3 vezes.
Criando série de números conhecidos...
Preenchendo o quadro de diálogo...
Criando séries...
Vamos criar três séries que obedecem as seguintes características:
Série Inteiros
➢ 20 números aleatórios inteiros, valor mínimo 10 e máximo 30.
Série Conhecidos
➢ Duas sequências começando por 5 e terminando por 10, incrementado
de 1 em 1, cada valor repetido 3 vezes.
Série Nomes
➢ Cinco sequências de 3 nomes, repetidos 4 vezes.
Criando série de nomes...
Preenchendo o quadro de diálogo...
O Resultado...
Criando gráficos
Vamos construir um Histograma e um Boxplot a partir de duas séries que
devem ser criadas segundo as características abaixo:
Série Operador
▪ 30 vezes José, 30 vezes Lucas e 30 vezes Pedro.
Séries de Resultados
▪ Coluna José: criar 100 números aleatórios que obedecem a uma distribuição
Normal, de média 70 e desvio padrão 5.
▪ Coluna Lucas: criar 100 números aleatórios que obedecem a uma distribuição
Normal, de média 60 e desvio padrão 5.
▪ Coluna Pedro: criar 100 números aleatórios que obedecem a uma distribuição
Normal, de média 85 e desvio padrão 5.
▪ Empilhar os resultados dos operadores na coluna Resultado.
Abrindo Grá[Link]
Criando série de nomes...
Preenchendo o quadro de diálogo...
Criando série Normal...
Preenchendo o quadro de diálogo para José...
Preenchendo o quadro de diálogo para Lucas...
Preenchendo o quadro de diálogo para Pedro...
Empilhando os dados na coluna Resultado...
Preenchendo o quadro de diálogo...
O resultado...
Construindo os Histogramas...
Selecionando o tipo de gráfico...
Preenchendo o quadro de diálogo...
O resultado...

Histogram of José
Normal
20 Mean 71,08
StDev 5,553
N 100

15
Frequency

10

0
55 60 65 70 75 80
José
O resultado...

Histogram of Lucas
Normal
Mean 59,03
20
StDev 5,029
N 100

Frequency 15

10

0
50 55 60 65 70 75
Lucas
O resultado...

Histogram of Pedro
Normal
18 Mean 85,14
StDev 4,957
16 N 100

14

12
Frequency

10

0
76 80 84 88 92 96
Pedro
Construindo o BoxPlot...
Selecionando o tipo de gráfico...
Preenchendo o quadro de diálogo...
O resultado...

Boxplot of Resultado
100

90

80
Resultado

70

60

50

José Lucas Pedro

Operador
Raízes fortes garantem
melhores frutos.
Tipos de Dados
Objetivos esperados...

Ao final desse módulo o participante será capaz de:

▪ Diferenciar os vários tipos de dados.
▪ Classificar os tipos de dados.
Classificação dos dados

▪ Nominais
Informações > Contados
ATRIBUTOS
Qualitativas ▪ Ordinais
> Contados

▪ Discretos
Informações > Contados
VARIÁVEIS
Quantitativas ▪ Contínuos
> Medidos ou Calculados
Atributos – Escala Nominal

Essa escala agrupa os dados em categorias que apresentam as seguintes

características:
✓ Não existe distância entre as categorias.
✓ Não seguem uma ordem especial.
Exemplos:
➢ Nacionalidade: Brasileiro / Belga / Inglês / Croata / Francês.
➢ Religião: Católico / Protestante / Judeu / Budista / Muçulmano.
➢ Formação: Engenharia / Medicina / Administração / Direito.
➢ Cor: Amarela / Vermelha / Azul / Verde.
➢ Filial: Recife / São Paulo / Manaus / Porto Alegre.
Atributos – Escala Ordinal

Essa escala agrupa os dados em categorias que apresentam as seguintes

características:
✓ Não existe distância entre as categorias.
✓ Seguem uma ordem especial.
Exemplos:
➢ Avaliação de Pesquisa: Ruim / Regular / Bom / Ótimo.
➢ Pareto: Maior / Intermediário / Menor.
➢ Clima: Frio / Ameno / Quente.
➢ Porte de Empresa: Pequeno / Médio / Grande.
➢ Nível hierárquico: Assistente / Analista / Supervisor / Gerente.
Variáveis – Escala Discreta

Essa escala agrupa os dados que se contam em uma escala ordenada,

com valores limitados e que não podem assumir valores intermediários.
Exemplos:
➢ Quantidade de funcionários admitidos.
➢ Quantidade de veículos carregados.
➢ Quantidade de páletes produzidos.
➢ Quantidade de ocorrências registradas.
➢ Quantidade de clientes cadastrados.
➢ Quantidade de ordens de serviço abertas.
➢ Quantidade de acidentes registrados.
Variáveis – Escala Contínua

Essa escala agrupa os dados que provêm de cálculos ou de medições,

podendo ter um número infinito de valores intermediários.
Exemplos:
➢ Volume de produtos fabricados.
➢ Índice de satisfação dos clientes.
➢ Peso dos veículos carregados.
➢ Índice de produtos conformes.
➢ Nível de serviço do atendimento.
➢ Índice de devoluções.
➢ Produtividade operacional.
Como se classificam os dados abaixo?

Nacionalidade ➢ Atributo Nominal

Região do País ➢ Atributo Nominal

Porte de Empresa ➢ Atributo Ordinal

Nível Hierárquico ➢ Atributo Ordinal

Idade ➢ Variável Discreta

Qtd de Chamados ➢ Variável Discreta

Peso ➢ Variável Contínua

Luminosidade ➢ Variável Contínua

Raízes fortes garantem
melhores frutos.
Introdução a Estatística
Objetivos esperados...

Ao final desse módulo o participante será capaz de:

▪ Entender a importância dos estatísticos de centrado.
▪ Entender a importância dos estatísticos de dispersão.
▪ Definir o conceito de população e de amostra.
Introdução a Estatística

A estatística tem como principal função a interpretação de um conjunto de

números mediante três características básicas:
➢ Centrado.
➢ Dispersão.
➢ Forma Gráfica.
Introdução a Estatística

• Organização
Descritiva
• Descrição
Estatística
• Análise
Inferencial
• Interpretação

Conceito Populações Amostras

Campo Descritiva Inferencial
Índices Parâmetros Estatísticos
Média m X
Desvio Padrão s s
Variância s² s²
Proporção P p
Estatísticos de Centrado

Encontramos abaixo os estatísticos de centrado regularmente utilizados

para análise de dados:
➢ Média Aritmética.
➢ Mediana.
➢ Moda.

Que diferenças existem

entre esses conceitos?
Média Aritmética

➢ Essa é a medida de localização central mais comum e provavelmente

seja a mais importante de todas.
➢ É comumente utilizada em trabalhos de pesquisa quando a variável em
estudo é contínua ou discreta.
➢ Eventualmente seu uso não é recomendado pelo fato de sofrer forte
influência de valores atípicos.
➢ É obtida somando todos os valores dos dados e dividindo o resultado
pela quantidade de dados.
Calculando a Média Aritmética...

Para uma série discreta de dados, a média é obtida através da seguinte

equação:

n
m = S xi / n
i=1

Exemplo 1:
Calculemos a média dos números 4, 6, 7, 3, 8, 3, 9, 5 e 2:
• m = (4 + 6 + 7 + 3 + 8 + 3 + 9 + 5 + 2) / 9 = 5,2
• A média portanto é 5,2.
Mediana

➢ Trata-se de outra medida de localização central e pode ser aplicada

tanto para dados ordinais, quanto para dados variáveis (contínuos ou
discretos).
➢ Para obtê-la é necessário que os dados devem estejam ordenados em
escala ascendente e, em alguns caso seu uso é recomendado por não
sofrer a influência de valores atípicos.
➢ Se há uma quantidade ímpar de elementos, a mediana é o valor do
elemento central.
➢ Se há uma quantidade par de elementos, a mediana é o valor médio dos
dois elementos centrais.
Determinando a Mediana...

Exemplo 1:
Calculemos a mediana dos números 4, 6, 7, 3, 8, 3, 9, 5 e 2:
• Ordenemos os números: 2, 3, 3, 4, 5, 6, 7, 8, 9
• A mediana portanto é 5,0.
Exemplo 2:
Calculemos a mediada dos números 4, 6, 7, 3, 8, 3, 9, 5, 2, 4, 5 e 1:
• Ordenemos os números: 1, 2, 3, 3, 4, 4, 5, 5, 6, 7, 8, 9
• Calculando a mediana: (4 + 5) / 2 = 4,5
• A mediana portanto é 4,5.
Moda

➢ É o valor que aparece com mais frequência em uma série de dados.

➢ Sua principal vantagem é que pode ser aplicado para quaisquer tipos de
dados, Variáveis ou Atributos (incluindo os de escalas nominais).
➢ Para obtê-la basta apenas identificar o elemento que mais se repete na
série.
Identificando a Moda...

Exemplo 1:
Identifiquemos a moda dos números 4, 6, 7, 3, 8, 3, 9, 5 e 2:
• A moda portanto é 3,0.
Exemplo 2:
Identifiquemos a moda da série Excelente, Regular, Bom, Regular,
Muito Bom e Ruim.
• A moda portanto é Regular.
Estatísticos de Dispersão

Observemos os seguintes conjuntos de dados:

Conjunto A: 1, 2, 3, 4, 4, 4, 5, 6, 7
Conjunto B: 1, 3, 4, 4, 4, 4, 4, 5, 7
Conjunto C: 1, 4, 4, 4, 4, 4, 4, 4, 7
A média, a mediana e a moda desses três conjuntos vale 4, portanto
ambos têm os mesmos estatísticos de centrado.

Podemos afirmar que esses

conjuntos são iguais?
Estatísticos de Dispersão

Abaixo podemos encontrar os estatísticos de dispersão regularmente

utilizados para análise de dados:
➢ Amplitude (Range).
➢ Variância.
➢ Desvio Padrão.
➢ Coeficiente de Variação.

Que diferenças existem

entre esses conceitos?
Amplitude (Range)

➢ Essa é a medida de dispersão mais simples de ser determinada, porque

é o resultado da diferença entre o valor máximo e o valor mínimo de uma
série de dados.
➢ Oferece como vantagem a facilidade para ser calculada.
➢ Sua grande desvantagem é a instabilidade a valores extremos.
Calculando a Amplitude (Range)...

Calculemos portanto a amplitude para os conjuntos A, B e C para ver se

encontramos algo que os diferencie.
Conjunto A: 1, 2, 3, 4, 4, 4, 5, 6, 7
Conjunto B: 1, 3, 4, 4, 4, 4, 4, 5, 7
Conjunto C: 1, 4, 4, 4, 4, 4, 4, 4, 7
• Calculando a amplitude: 7 – 1 = 6
• A Amplitude (Range) portanto é 6 para ambos casos.

Os conjuntos são iguais?

Variância

➢ A variância é uma medida de dispersão que emprega todos os tipos de

dados variáveis e, tem importante participação nos trabalhos de pesquisa.
➢ Como desvantagem, seu cálculo é um pouco mais complicado que os
casos anteriores e, para obtê-la, devemos calcular a média do quadrado
dos desvios de cada série de dados.
Calculando o Desvio...

Calculemos portanto os desvios para os conjuntos A, B e C, para ver se

encontramos algo que os diferencie.
Conjunto A: 1, 2, 3, 4, 4, 4, 5, 6, 7
• Desvios de A: -3, -2, -1, 0, 0, 0, +1, +2, +3
Conjunto B: 1, 3, 4, 4, 4, 4, 4, 5, 7
• Desvios de B: -3, -1, 0, 0, 0, 0, 0, +1, +3
Conjunto C: 1, 4, 4, 4, 4, 4, 4, 4, 7
• Desvios de C: -3, 0, 0, 0, 0, 0, 0, 0, +3
Calculando a Variância...

Calculemos a variância para o conjunto A:

Conjunto A: 1, 2, 3, 4, 4, 4, 5, 6, 7
Desvios de A: -3, -2, -1, 0, 0, 0, +1, +2, +3
Quadrado dos Desvios de A: 9, 4, 1, 0, 0, 0, 1, 4, 9
• Variância de A = (9 + 4 + 1 + 0 + 0 + 0 + 1 + 4 + 9) / 9
• A Variância portanto é 3,11 para o conjunto A.
Calculando a Variância...

Calculemos agora a variância para o conjunto B:

Conjunto B: 1, 3, 4, 4, 4, 4, 4, 5, 7
Desvios de B: -3, -1, 0, 0, 0, 0, 0, +1, +3
Quadrado dos Desvios de B: 9, 1, 0, 0, 0, 0, 0, 1, 9
• Variância de B = (9 + 1 + 0 + 0 + 0 + 0 + 0 + 1 + 9) / 9
• A Variância portanto é 2,22 para o conjunto B.
Calculando a Variância...

Por último calculemos a variância para o conjunto C:

Conjunto C: 1, 4, 4, 4, 4, 4, 4, 4, 7
Desvios de C: -3, 0, 0, 0, 0, 0, 0, 0, +3
Quadrado dos Desvios de C: 9, 0, 0, 0, 0, 0, 0, 0, 9
• Variância de C = (9 + 0 + 0 + 0 + 0 + 0 + 0 + 0 + 9) / 9
• A Variância portanto é 2,00 para o conjunto C.
Comparando as Variâncias

Fazendo uma comparação entre as Variâncias dos três conjuntos:

• Variância de A = 3,11
• Variância de B = 2,22
• Variância de C = 2,00

Há diferença entre os conjuntos?

Qual deles é o menos disperso?
Desvio Padrão

➢ O desvio padrão é uma medida de dispersão que também emprega

todos os tipos de dados variáveis e, tem importante participação nos
trabalhos de pesquisa.
➢ Apresenta relação direta com muitas ferramentas estatísticas utilizadas.
➢ Como desvantagem seu cálculo é um pouco mais complicado que os
casos anteriores e, para obtê-lo, devemos extrair a raiz quadrada da
variância.
Calculando o Desvio Padrão...

Como agora as variâncias são conhecidas, basta apenas calcular a raiz

quadrada de cada uma para determinar o desvio padrão de cada conjunto.

Variância de A = 3,11
• Desvio Padrão de A = (3,11)1/2 = 1,76 Comparando os 3 Conjuntos
Variância de B = 2,22 A exemplo da Variância, o Desvio
Padrão revela o mesmo princípio que,
• Desvio Padrão de B = (2,22)1/2 = 1,49 quanto menor seu valor, mais próximos
os indivíduos estarão distribuídos em
Variância de C = 2,00 relação ao centro.
• Desvio Padrão de C = (2,00)1/2 = 1,41
Coeficiente de Variação

➢ O coeficiente de variação é uma medida de dispersão que também

emprega todos os tipos de dados variáveis.
➢ Ele revela quanto o desvio padrão representa em relação à média dos
dados.
➢ Para calculá-lo, basta dividir o desvio padrão pela média dos dados
disponíveis.

CV = s / m * 100%
Calculando o Coeficiente de Variação...

Considerando que a média dos três conjuntos seja a mesma (4,0), e os

desvios padrões de 1,76, 1,49 e 1,41 para os conjuntos A, B e C,
respectivamente, teremos:

Comparando os 3 Conjuntos
CVA = 1,76 / 4,0 *100% = 44,0%
Pelo mesmo princípio anterior, quanto
CVB = 1,49 / 4,0 *100% = 37,3% menor o Coeficiente de Variação, mais
próximos os indivíduos estarão
CVC = 1,41 / 4,0 *100% = 35,3% distribuídos em relação ao centro.
População versus Amostra

População é o conjunto de todos os elementos de interesse de um

estudo.
Amostra é um subconjunto dessa população.
Como regularmente não temos acesso a todos os elementos de uma
população, utilizamos a Inferência Estatística para obter características
sobre a mesma, partindo das informações contidas numa amostra.
Vejamos isso graficamente...

Amostra População
Tomando amostras...

Desejamos saber a escolaridade média dos recifenses, mas não temos

recursos para realizar um senso e por isso decidimos tomar uma amostra.
Os participantes desse treinamento foram os únicos considerados para
concluir essa pesquisa.

Existe alguma restrição a essa

decisão?
Que informações adicionais
necessitamos saber?
Características de uma amostra

Para que as observações de uma amostra realmente sirvam como fonte de

informação para a análise de uma população é necessário que cumpram
dois requisitos:
➢ Devem ser Suficientes (aspecto quantitativo).
✓ 30 indivíduos para dados variáveis.
✓ 100 indivíduos para dados atributos.
➢ Devem ser Representativas (aspecto qualitativo).
✓ Deve-se tomar amostras de todos os estratos que compõem a
população.
✓ Alguns fatores também são considerados por razões práticas, por
exemplo o custo e o tempo para que se realize a amostragem, a
facilidade de acesso aos dados, a precisão esperada, outros.
Tamanho da amostra para dados variáveis

Tamanho da amostra para variáveis

N = (Z * s / eA)²

Definições
N = tamanho da amostra
Z = 1,96 para uma nível de confiança de 95%
s = desvio padrão da população
eA = erro absoluto aceitável
Tamanho da amostra para dados variáveis

Exemplo
✓ Suponha que você é responsável por um armazém que contém 20 mil páletes de
produtos iguais e, necessita saber o peso aproximado de cada pálete.
✓ Admita também que você deseja ter 95% de certeza (nível de confiança) no cálculo do
peso médio dos páletes.

Regra Básica
1. Tomar uma amostra inicial aleatória da população (30 indivíduos).
2. Calcular o desvio padrão da amostra inicial (s).
3. Definir o erro absoluto aceitável (eA) – usualmente se calcula o valor com base na média
esperada (1,0 a 5,0%).
Tamanho da amostra para dados variáveis

Exemplo
• Supondo que a média esperada seja 50,0 Kg e que o desvio padrão da amostra inicial foi
4,0 Kg, podemos admitir um eA de 1,0 kg (2,0% da média esperada) para calcular o
tamanho ideal da amostra.
• Para o nível de confiança de 95%, o valor de Z é 1,96.
• Portanto, o tamanho da amostra será: N = (1,96 * 4,0 / 1,0)² = 61 indivíduos.

Agora, devemos coletar uma nova amostra com 61 indivíduos, calcular a média e o desvio
padrão correspondentes.
Supondo que o peso médio dos 61 indivíduos foi de 51,0 kg, podemos afirmar com 95%
de confiança que o peso médio da população se encontra entre 50,0 e 52,0 Kg (51,0 +/-
1,0 Kg).

Mais diversão: Calcule o tamanho da amostra considerando um desvio padrão da amostra

inicial de 6,0 kg e um eA de 0,5 kg (1,0% da média esperada).
Tamanho da amostra para proporções

Tamanho da amostra para proporções

N = Z² * p * (1 – p) / eR²

Definições
N = tamanho da amostra
Z = 1,96 para uma nível de confiança de 95%
p = proporção esperada
eR = erro relativo aceitável
Tamanho da amostra para proporções

Exemplo
✓ Suponha que você é responsável por uma pesquisa e deseja saber a preferência da
população de uma dada localidade dentre 4 produtos distintos (A, B, C e D).
✓ Suponha também que você deseja ter 95% de certeza (nível de confiança) quanto ao
resultado da pesquisa.

Regra Básica
1. Levantar quantas opções farão parte do alvo da pesquisa (no nosso caso são 4).
2. Calcular a proporção esperada.
3. Definir o erro relativo admissível (eR) – usualmente se utilizam valores entre 1,0 e
5,0%.
Tamanho da amostra para proporções

Exemplo
• Como temos 4 produtos distintos (A, B, C e D), a proporção esperada para cada um é
de 25% (logo, p = 0,25 e 1 – p = 0,75).
• Podemos admitir um eR de 3,0% (0,03) para calcular o tamanho ideal da amostra.
• Para o nível de confiança de 95%, o valor de Z é 1,96.
• Portanto, o tamanho da amostra será: N = 1,96² * 0,25 * 0,75 / (0,03)² = 800
indivíduos.

Agora, devemos realizar a pesquisa com 800 indivíduos e, analisar suas preferências.
Supondo que 60% dos 800 indivíduos amostrados optaram pelo produto C, podemos
afirmar com 95% de confiança que a preferência da população para esse produto ficará
entre 57 e 63% (60% +/- 3%).

Mais diversão: Calcule o tamanho da amostra considerando apenas 2 produtos distintos

eR de 1,0% (0,01).
Raízes fortes garantem
melhores frutos.
Análise do Sistema de Medição
Objetivos esperados...

Ao final desse módulo o participante será capaz de:

▪ Entender a importância da Medição.
▪ Diferenciar os componentes do erro do Sistema de Medição.
▪ Entender os critérios de aceitação para a Análise do Sistema de Medição.
▪ Realizar a Análise do Sistema de Medição.
Importância da medição

Essa é provavelmente a fase mais crítica dentro da metodologia DMAIC,

porque aqui são validadas todas as informações que utilizamos.
Baseados no que conhecemos é que julgamos as coisas e tomamos
decisões, portanto nosso índice de acerto é função de como obtemos as
informações que nos interessam.
Para isso ampliaremos nossa visão sobre o que significa medir e, veremos
quais os principais elementos que compõem a medição.
Objetivos dos estudos de R&R

✓ Identificar a variação introduzida às observações do processo devidas ao

sistema de medição.
✓ Conhecer as fontes geradoras de erro de medição e estimar seu impacto
na variação total observada.
✓ Estabelecer critérios para aceitar ou rejeitar o sistema de medição
utilizado.
✓ Inspecionar e comparar os instrumentos de medição.
✓ Resolver problemas apresentados pelo sistema de medição para dar
clareza à variação efetiva do processo com o menor erro possível.
Análise do Sistema de Medição

Variação Real do Processo

Variação Total Observada

Análise do Sistema de Medição
Análise do Sistema de Medição

Variação do Sistema de
Medição
A
Análise do Sistema de Medição

Variação do Real do
Processo
B
Análise do Sistema de Medição

Variação Total Observada

Processo (B)

Medição (A)
Variação do Sistema de Medição

VARIAÇÃO TOTAL OBSERVADA

Variação Real do Variação Real da

Processo (B) Medição (A)

Variação do Variação do Variação da Variação Variação

Processo a Processo a Amostra devida ao devida aos
Curto Prazo Longo Prazo Instrumento Operadores

Exatidão Estabilidade Linearidade Repetibilidade Reprodutibilidade

Afeta a Média Afetam a Média e a Dispersão Afetam a Dispersão

Exatidão do Instrumento

É a diferença entre o valor médio de uma medição e o valor real.

Na prática, diferentes instrumentos medem diferentes médias de uma
mesma medida.

Operador 1 Operador 1
Operador 2 Operador 2
Operador 3 Operador 3

Instrumento Instrumento
com muita com pouca
exatidão exatidão
Estabilidade do Instrumento

É a variação apresentada ao longo do tempo em medições, quando são

mantidas as condições em que se realizam as mesmas.

Instrumento
com muita
estabilidade

Instrumento
com pouca
estabilidade

Há 2 meses Há 1 mês Atualmente

Linearidade do Instrumento

É o grau de exatidão apresentado por um instrumento de medição, ao

longo de seu range de leitura.

Instrumento
com muita
linearidade

Início da Escala Fim da Escala

Instrumento
com pouca
linearidade
Repetibilidade do Instrumento

É a variação devida ao instrumento, observada quando um mesmo

operador realiza medições da mesma peça várias vezes.

Instrumento Instrumento
com alta com baixa
repetibilidade repetibilidade
Reprodutibilidade dos Operadores

É a variação apresentada em medições consecutivas da mesma amostra

(parte), com o mesmo instrumento, quando os operadores são alterados e
comparados entre si.

Operador 1 Operador 4
Operador 2 Operador 5
Operador 3 Operador 6

Operadores com Operadores com

alta baixa
Reprodutibilidade Reprodutibilidade
Interação Operador – Parte

É a variação apresentada em medições de amostras distintas, por

operadores também distintos. A interação se chama Operador – Parte,
porque essa inconsistência entre os operadores varia em função da
amostra que está sendo medida.

Operador 1 Operador 1

Operador 2 Operador 2

Operador 3 Operador 3

Alta Interação Baixa Interação

Operador-Parte Operador-Parte
Índice de Discriminação

É também conhecimento como Resolução da Prova, em outras palavras,

representa a capacidade do sistema de medição perceber alterações
importantes nas avaliações realizadas em amostras distintas.

Padrões de Aceitação e Peças a Inspecionar

Rejeição

RUIM
BOM
Estudo de R&R

Os estudos de Repetibilidade e Reprodutibilidade (R&R) são aplicados

de acordo com a classificação dos dados do processo.
Atributos
➢ R&R Atributos.
Variáveis
➢ R&R Método Curto (ensaios destrutivos).
➢ R&R ANOVA (ensaios não destrutivos).
Regras para realizar os estudos de R&R

1. Selecionar 2 a 4 operadores.
2. Coletar de 10 a 20 amostras.
3. Submeter cada amostra para ser medida até 5 vezes (provas) por cada
operador.
4. Solicitar que o primeiro operador realize as medições de todas as
amostras em ordem aleatória.
5. Solicitar que os demais operadores selecionados realizem as medições,
seguindo o procedimento anterior.
6. Repetir os passos 4 e 5 até completar as provas.
7. Concluído o item anterior, realizar a MSA e analisar os resultados do
estudo.
Parâmetros dos estudos de R&R

Dados Atributos
✓ % de Efetividade

Dados Variáveis
✓ % Tolerância (P/T)
✓ % Variação do Processo (P/TV)
✓ % de Contribuição
✓ Índice de Discriminação
MSA – % Efetividade

Avalia a convergência das decisões dos operadores nas provas realizadas,

em relação à quantidade de amostras avaliadas:

Qtd de Decisões Iguais

% Efetividade =
Qtd Total de Amostras

Critérios de Avaliação R&R

SM insatisfatório: % Efetividade < 100%

MSA – % Variação do Processo

Avalia a relação entre a variação do sistema de medição e a variação do

processo:

A 5,15 * sSistema de Medição

% P/TV = =
B 5,15 * sVariação do Processo

Critérios de Avaliação R&R

SM satisfatório: % P/TV ≤ 20%
SM requer moderada melhoria: 20% < % P/TV < 30%
SM requer forte melhoria: % P/TV ≥ 30%
MSA – % Tolerância

Avalia a relação entre a variação do sistema de medição e a tolerância do

processo:

A 5,15 * sSistema de Medição

% P/T = =
T Tolerância do Processo

Critérios de Avaliação R&R

SM satisfatório: % P/T ≤ 20%
SM requer moderada melhoria: 20% < % P/T < 30%
SM requer forte melhoria: % P/T ≥ 30%
MSA – % Contribuição

Avalia a relação entre a variância do sistema de medição e a variância do

processo:

s2Sistema de Medição
% Contribuição =
s2Processo

Critérios de Avaliação R&R

SM satisfatório: % Contribuição ≤ 4%
SM requer moderada melhoria: 4% < % Contribuição < 9%
SM requer forte melhoria: % Contribuição ≥ 9%
MSA – Índice de Discriminação

Avalia a relação entre a variação do processo e a variação do sistema de

medição:

B
Discriminação =
A

Critérios de Avaliação R&R

SM satisfatório: Discriminação > 5
SM requer moderada melhoria: Discriminação = 5
SM requer forte melhoria: Discriminação < 5
Compilando os critérios

Índice
% Efetividade - - < 100%
% Variação do Processo (P/TV) ≤ 20% Entre 20% e 30% ≥ 30%
% Tolerância (P/T) ≤ 20% Entre 20% e 30% ≥ 30%
% Contribuição ≤ 4% Entre 4% e 9% ≥ 9%
Índice de Discriminação >5 =5 <5
Abrindo R&R [Link]
Buscando o diretório...
Preenchendo o quadro de diálogo...
 Analisando o resultado gráfico...
Date of study:
Assessment Agreement
Reported by:
Name of product: Maior concordância
Misc: dos operadores em
Pouca variabilidade
relação ao padrão
dos operadores 1 e 2
Within Appraisers Appraiser vs Standard
100 95,0% C I 100 95,0% C I
P ercent P ercent

90 90
Percent

Percent
80 80

70 70
Muita variabilidade
do operador 3
Menor concordância
60 60
dos operadores em
1 2 3 1 2 3
relação ao padrão
Appraiser Appraiser
Analisando os resultados analíticos...

Within Appraisers
Assessment Agreement
Appraiser # Inspected # Matched Percent 95% CI
1 30 30 100,00 (90,50; 100,00)
2 30 30 100,00 (90,50; 100,00)
3 30 25 83,33 (65,28; 94,36)

# Matched: Appraiser agrees with him/herself across trials.

Esses índices revelam a concordância das medições realizadas por cada operador em
relação a si mesmo.
Analisando os resultados analíticos...

Each Appraiser vs Standard

Assessment Agreement
Appraiser # Inspected # Matched Percent 95% CI
1 30 28 93,33 (77,93; 99,18)
2 30 29 96,67 (82,78; 99,92)
3 30 24 80,00 (61,43; 92,29)

# Matched: Appraiser's assessment across trials agrees with the known standard.

Esses índices revelam a concordância das medições realizadas por cada operador em
relação ao padrão.
Analisando os resultados analíticos...

Each Appraiser vs Standard

Assessment Disagreement
# Não
# Passa / Passa /
Appraiser Não Passa Percent Passa Percent # Mixed Percent
1 1 14,29 1 4,35 0 0,00
2 1 14,29 0 0,00 0 0,00
3 1 14,29 0 0,00 5 16,67

# Passa / Não Passa: Assessments across trials = Passa / standard = Não Passa.
# Não Passa / Passa: Assessments across trials = Não Passa / standard = Passa.
# Mixed: Assessments across trials are not identical.

Esses índices revelam a discordância das medições realizadas por cada operador em
relação ao padrão (Repetibilidade) e em relação a si próprio (Mixed).
Analisando os resultados analíticos...

Between Appraisers
Assessment Agreement
# Inspected # Matched Percent 95% CI
30 24 80,00 (61,43; 92,29)

# Matched: All appraisers' assessments agree with each other.

Esse índice revela a concordância das medições realizadas pelos operadores entre si
(Reprodutibilidade).
Analisando os resultados analíticos...

All Appraisers vs Standard

Assessment Agreement
# Inspected # Matched Percent 95% CI
30 23 76,67 (57,72; 90,07)

# Matched: All appraisers' assessments agree with the known standard.

Esse índice revela a concordância das medições realizadas pelos operadores em

relação ao padrão (Efetividade).
O sistema de medição será válido apenas de o % Efetividade for igual a 100%.
Abrindo R&R [Link]
Buscando o diretório...
Preenchendo o quadro de diálogo...
Checando as opções...
 Analisando o resultado gráfico...
R&R ANOVA
Variação devida ao Reported by :
G age name: Processo Tolerance: O ideal é que linhas e
Date of study : M isc: pontos se
Variação devida ao sobreponham
Sistema de Medição Components of Variation Resultado by Amostra
160 % Contribution 60
% Study Var
% Tolerance

Percent
55
80
50

0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Amostra
Discriminação do R Chart by Operador
Resultado by Operador
Sistema de Medição João Oscar Pedro
O ideal é que a linha
Sample Range

2 UCL=2,189 60

_ 55
seja horizontal
1
R=0,670
0 LCL=0 50
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

Amostra João Oscar Pedro

Operador
A maioria dos pontos Xbar Chart by Operador
João Oscar Pedro Amostra * Operador Interaction
deve se encontrar O ideal é que linhas e
Sample Mean

fora dos limites

Operador
55 _
UCL=53,40 55
João
pontos se

Average
X=52,14 Oscar
LCL=50,88
50
50
Pedro
sobreponham
45
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
45
Amostra 1 2 3 4 5 6 7 8 9 10
Amostra
Analisando os resultados analíticos...

Two-Way ANOVA Table With Interaction

Source DF SS MS F P
Amostra 9 551,349 61,2610 167,241 0,000
Operador 2 0,725 0,3626 0,990 0,391
Amostra * Operador 18 6,593 0,3663 0,989 0,496
Repeatability 30 11,114 0,3705
Total 59 569,782

Alpha to remove interaction term = 0,25

Two-Way ANOVA Table Without Interaction

Source DF SS MS F P
Amostra 9 551,349 61,2610 166,063 0,000
Operador 2 0,725 0,3626 0,983 0,382
Repeatability 48 17,707 0,3689
Total 59 569,782

Nesse caso, a variação observada é predominantemente devida à variação das

amostras / processo, onde o P Value é menor que 0,05.
O sistema de medição (Gage R&R) exerce pouca influência sobre a variação total
observada, visto que o P Value é maior que 0,05.
Analisando os resultados analíticos...

Two-Way ANOVA Table With Interaction

Gage R&R
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0,3689 3,51
Repeatability 0,3689 3,51
Reproducibility 0,0000 0,00
Operador 0,0000 0,00
Part-To-Part 10,1487 96,49
Total Variation 10,5176 100,00

O sistema de medição (Gage R&R) exerce pouca influência sobre a variação total
observada, visto que o % de contribuição é inferior a 4%.
Nesse caso, a variação observada é predominantemente devida à variação das
amostras / processo (Part-To-Part).
Analisando os resultados analíticos...

Two-Way ANOVA Table Without Interaction

Source DF SS MS F P
Amostra 9 551,349 61,2610 166,063 0,000
Operador 2 0,725 0,3626 0,983 0,382
Repeatability 48 17,707 0,3689
Total 59 569,782

Nesse caso, a variação observada é predominantemente devida à variação das

amostras / processo, onde o P Value é menor que 0,05.
O sistema de medição (Gage R&R) exerce pouca influência sobre a variação total
observada, visto que o P Value é maior que 0,05.
Analisando os resultados analíticos...

Two-Way ANOVA Table Without Interaction

Gage R&R
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0,3689 3,51
Repeatability 0,3689 3,51
Reproducibility 0,0000 0,00
Operador 0,0000 0,00
Part-To-Part 10,1487 96,49
Total Variation 10,5176 100,00

Process tolerance = 10

O sistema de medição (Gage R&R) exerce pouca influência sobre a variação total
observada, visto que o % de contribuição é inferior a 4%.
Nesse caso, a variação observada é predominantemente devida à variação das
amostras / processo (Part-To-Part).
Analisando os resultados analíticos...

Two-Way ANOVA Table Without Interaction

Gage R&R

Study Var %Study Var %Tolerance

Source StdDev (SD) (5,15 * SD) (%SV) (SV/Toler)
Total Gage R&R 0,60737 3,1280 18,73 31,28
Repeatability 0,60737 3,1280 18,73 31,28
Reproducibility 0,00000 0,0000 0,00 0,00
Operador 0,00000 0,0000 0,00 0,00
Part-To-Part 3,18570 16,4064 98,23 164,06
Total Variation 3,24308 16,7019 100,00 167,02

Number of Distinct Categories = 7

O sistema de medição (Gage R&R) exerce relativa influência sobre a variação total
observada, visto que o % P/TV é superior a 30%, embora o % P/T se encontre
num patamar inferior a 20%.
Nesse caso, a variação observada é predominantemente devida à variação das
amostras (Part-To-Part).
O índice de discriminação é adequado por ser superior a 5.
Raízes fortes garantem
melhores frutos.
Matriz de Causa & Efeito
Objetivos esperados...

Ao final desse módulo o participante será capaz de:

▪ Entender a importância da Matriz Causa & Efeito.
▪ Elaborar uma Matriz Causa & Efeito.
▪ Elaborar um Gráfico de Pareto.
▪ Selecionar as variáveis que apresentam maior importância com as
expectativas dos clientes.
Objetivo da Matriz C&E

Objetivo
Estabelecer uma relação numérica entre as Variáveis de Entrada e as
Variáveis de Resposta de um processo, identificando a importância de
cada uma delas sob o ponto de vista do cliente.
Lembramos apenas que as Entradas são as variáveis que afetam o
processo e, as Respostas são os atributos críticos para a satisfação do
cliente.
Lembram de como prepara um café?

N
Realizar
Preparar Preparar Café Servir o
Início setup da Fim
o café o serviço ok? café
cafeteira S

Pó de café Sabor Xícara Sabor

Açúcar Aroma Guardanapo Aroma
Água Temperatura Colher Temperatura
Cafeteira Cor Bandeja Cor
Filtro Rapidez Apresentação Apresentação
Consistência Preço
Rapidez
Consistência
Agrega Valor Entradas Expectativas
Pó de café Sabor
Não Agrega Valor Açúcar Aroma
Água Temperatura
Cafeteira Cor
Filtro Apresentação
Xícara Preço
Guardanapo Rapidez
Colher Consistência
Bandeja
Regras para elaboração

1. Inserir as variáveis de resposta (Y’s) e as variáveis de entrada

(X’s) do processo no arquivo do projeto.
2. Ponderar as variáveis de resposta de acordo com a importância dada
pelo cliente (escala: 1 a 5).
3. Ponderar o impacto das variáveis de entrada em cada variável de
resposta (escala: 1 / 4 / 7 / 10).
4. Elaborar um Gráfico de Pareto para identificar os itens de maior
importância.
Estrutura da Matriz C&E
Variáveis de Resposta (Y's)
01 02 03 04 05
Importância para o Cliente:
1 - Baixa Importância
2 - Média Baixa Importância
3 - Média Importância
4 - Média Alta Importância
5 - Alta Importância

-
Importância para o Cliente >>
Impacto >> 1 - Baixo / 4 - Médio Baixo / 7 - Médio Alto / 10 - Alto
Variáveis de Entrada (X's) Total Impacto
01 - 0
02 - 0
03 - 0
04 - 0
05 - 0
06 - 0
07 - 0
08 - 0
09 - 0
10 - 0
Variáveis de resposta e variáveis de entrada
Variáveis de Resposta (Y's)
01 02 03 04 05
Importância para o Cliente:
1 - Baixa Importância
2 - Média Baixa Importância
3 - Média Importância

Temperatura

Consistência
4 - Média Alta Importância
5 - Alta Importância

Aroma
Sabor

Cor
Importância para o Cliente >>
Impacto >> 1 - Baixo / 4 - Médio Baixo / 7 - Médio Alto / 10 - Alto
Variáveis de Entrada (X's) Total Impacto
01 Pó de café 0
02 Açúcar 0
03 Água 0
04 Cafeteira 0
05 Filtro 0
06 Xícara 0
07 Guardanapo 0
08 Colher 0
09 Bandeja 0
10 - 0
Importância das variáveis de resposta para o cliente
Variáveis de Resposta (Y's)
01 02 03 04 05
Importância para o Cliente:
1 - Baixa Importância
2 - Média Baixa Importância
3 - Média Importância

Temperatura

Consistência
4 - Média Alta Importância
5 - Alta Importância

Aroma
Sabor

Cor
Importância para o Cliente >> 5 5 4 3 5
Impacto >> 1 - Baixo / 4 - Médio Baixo / 7 - Médio Alto / 10 - Alto
Variáveis de Entrada (X's) Total Impacto
01 Pó de café 0
02 Açúcar 0
03 Água 0
04 Cafeteira 0
05 Filtro 0
06 Xícara 0
07 Guardanapo 0
08 Colher 0
09 Bandeja 0
10 - 0
Avaliando o impacto de cada variável de entrada...
Variáveis de Resposta (Y's)
01 02 03 04 05
Importância para o Cliente:
1 - Baixa Importância
2 - Média Baixa Importância
3 - Média Importância

Temperatura

Consistência
4 - Média Alta Importância
5 - Alta Importância

Aroma
Sabor

Cor
10*5 + 10*5 + 4*4 + 7*3 +
10*5 = 187 Importância para o Cliente >> 5 5 4 3 5
Impacto >> 1 - Baixo / 4 - Médio Baixo / 7 - Médio Alto / 10 - Alto
Variáveis de Entrada (X's) Total Impacto
01 Pó de café 187 10 10 4 7 10
02 Açúcar 94 7 4 4 1 4
03 Água 100 10 1 1 7 4
04 Cafeteira 163 7 7 10 1 10
05 Filtro 118 7 4 4 4 7
06 Xícara 64 4 4 4 1 1
07 Guardanapo 22 1 1 1 1 1
08 Colher 22 1 1 1 1 1
09 Bandeja 22 1 1 1 1 1
10 - 0
Gráfico de Pareto

O Gráfico de Pareto é uma ferramenta utilizada para qualificar a categoria que revela maior
oportunidade de ganho (problema focado) para o alcance da meta do projeto.
Dicas importantes
✓ A disposição das barra é sempre em ordem decrescente.
✓ Estratifique de 3 até 7 categorias para localizar adequadamente o problema;
✓ Os resultados devem ser expressos em valores absolutos e a escala deve ser ajustada
para o valor total;
✓ Estratifique seu problema de maneira a concentrar 80% dele em 20% das categorias
(regra de Pareto);
✓ Caso não consiga atender o item anterior, certifique-se que a primeira coluna (problema
focado) é suficientemente grande para que a meta do projeto seja atingida;
✓ Pode haver uma categoria “Outros” que consolide diversas categorias de pouca
representatividade, cuja barra deve ser disposta no final do gráfico, não devendo
exceder 10% do total.
Abrindo Gráfico de [Link]
Buscando o diretório...
Preenchendo o quadro de diálogo...
Gráfico de Pareto

Pareto Chart of Variáveis de Entrada

800 100
700
80
600
500

Percent
60
Total

400
300 40

200
20
100
0 0
Variáveis de Entrada fé ar er er
ca e ir a ilt
ro gua c a ra e ja
lh h
et F Á
Aç
ú
Xí
c nd o Ot
de a f Ba C
Pó C
Total 187 163 118 100 94 64 22 22 22
Percent 23,6 20,6 14,9 12,6 11,9 8,1 2,8 2,8 2,8
Cum % 23,6 44,2 59,1 71,7 83,6 91,7 94,4 97,2 100,0

Foco do Projeto
Raízes fortes garantem
melhores frutos.
Introdução a Probabilidade
Objetivos esperados...

Ao final desse módulo o participante será capaz de:

▪ Definir os princípios básicos de Probabilidade.
▪ Classificar as diferentes Distribuições de Probabilidade.
▪ Identificar uma Distribuição Normal de Probabilidade.
▪ Descrever a importância da Distribuição Normal Estândar de
Probabilidade.
▪ Calcular probabilidades usando MINITAB.
Probabilidade

É uma medida numérica que representa a possibilidade de que um

determinado evento ocorra.
Exemplo:
Lançamos dez vezes uma moeda e, obtivemos os seguintes resultados:
Cara, Cara, Coroa, Cara, Coroa, Coroa, Cara, Cara, Coroa e Cara.
Qual a probabilidade de que o próximo lançamento seja Cara, ou que seja
Coroa?
Calculando a Probabilidade

Para o caso em estudo tivemos 6 Caras e 4 Coroas, assim podemos

calcular as probabilidades segundo o seguinte:
➢ Probabilidade (Cara) = 6 / 10 = 0,6
Logo, a probabilidade do resultado ser Cara é 0,6.
➢ Probabilidade (Coroa) = 4 / 10 = 0,4
Logo, a probabilidade do resultado ser Coroa é 0,4.
Dando um outro exemplo...

Em um laboratório foram inspecionadas 400 peças, dentre as quais 380

foram aprovadas e, as demais reprovadas.
Qual a probabilidade de que uma nova peça produzida seja aprovada, ou
reprovada?
➢ Probabilidade (Aprovada) = 380 / 400 = 0,95
Logo, a probabilidade da peça ser Aprovada é 0,95.
➢ Probabilidade (Reprovada) = 20 / 400 = 0,05
Logo, a probabilidade da peça ser Reprovada é 0,05.
Concluindo o assunto...

Portanto, pode-se determinar os valores prováveis que pode assumir uma

variável de duas simples maneiras:
✓ Empiricamente, antes de se executar uma operação.
✓ Tomando uma amostra do processo e, assumindo que a partir desse
momento, ele se comportará do mesmo modo.
Distribuição de Probabilidade

Conceito Características
É a atribuição de probabilidade a Abaixo podemos encontrar as três
todos os valores possíveis que pode características básicas afetas às
assumir uma variável sob análise. distribuições de probabilidade:
Distribuição Discreta de ➢ A probabilidade associada a um
Probabilidade evento sempre é maior ou igual a 0
e menor ou igual a 1.
✓ É aplicada quando a variável sob
análise é discreta, por natureza. ➢ A soma da probabilidade de todos
os eventos possíveis em uma
Distribuição Contínua de
distribuição de probabilidades é
Probabilidade
sempre igual a 1.
✓ É aplicada quando a variável sob
análise é contínua, por natureza.
Conceito de Distribuição Contínua de Probabilidade

Para uma variável contínua x, a distribuição de probabilidade se descreve

através de uma função de densidade de probabilidade.
Imaginem agora que vamos medir o peso, em gramas, de peças
conceitualmente idênticas que são fabricadas em uma linha de produção.
Tomaremos para esse exemplo três amostras diferentes, sendo a primeira
delas de 500, a segunda de 5.000 e a última de 50.000 peças.
Distribuição Contínua de Probabilidade – 500 peças

Amostra 1 - 500 Peças

60

50

40
Frequência

30

20

10

0
97 98 99 100 101 102 103
Distribuição Contínua de Probabilidade – 5.000 peças

Amostra 2 - 5.000 Peças

400

300
Frequência

200

100

0
97 98 99 100 101 102 103 104
Distribuição Contínua de Probabilidade – 50.000 peças

Amostra 3 - 50.000 Peças

2000

Frequência 1500

1000

500

0
96,0 97,2 98,4 99,6 100,8 102,0 103,2 104,4
Distribuição Contínua de Probabilidade – infinitas peças

Amostra 3 - 50.000 Peças

A distribuição de
probabilidade de uma
2000
variável contínua é
representada por uma curva
de probabilidades.
Frequência 1500

1000

500

0
96,0 97,2 98,4 99,6 100,8 102,0 103,2 104,4
Distribuições de Probabilidade

Normal
Uniforme
Exponencial
Dados
t de Student
Contínuos
Lognormal
Distribuições de Chi Quadrada
Probabilidade F

Bernoulli
Dados Binomial
Discretos Hipergeométrica
Poisson
Distribuições de Probabilidade

Normal
Uniforme
Exponencial
Dados
t de Student
Contínuos
Lognormal
Distribuições de Chi Quadrada
Probabilidade F

Bernoulli
Dados Binomial
Discretos Hipergeométrica
Poisson
Introdução a Distribuição Normal de Probabilidade

É considerada a mais importante distribuição de probabilidades, por

descrever o comportamento de um amplo universo de variáveis aleatórias.
Exemplos: parâmetros de processos nas empresas, medições científicas,
a maioria dos processos e fenômenos naturais, outros.
✓ Para se usar esta distribuição de probabilidade é necessário que a
variável aleatória seja contínua.
✓ A Distribuição Normal é simétrica em relação ao eixo dos y e, os valores
extremos são menos prováveis de ocorrer que os valores em torno da
média.
Função Densidade de Probabilidade

A forma da Distribuição Normal de Probabilidade se assemelha ao perfil de

um sino e, a função que a define é dada pela equação de Gauss.

- (x – m)2 / 2s2
f(x) = 1 e
2p s

Onde:
m = média s = desvio padrão
p = 3,14159 e = 2,17828
Visualização gráfica da Distribuição Normal de Probabilidade

Eixo y
A extensão...

A assíntota...
f (x)
A simetria...

-∞ +∞
Eixo x
Probabilidade de dois eventos

P(A) + P(B) = 1

P(A) P(B)

-∞ +∞
Probabilidade de dois eventos

P(A) + P(B) = 1

P(C) + P(D) = 1

P(C) P(D)

-∞ +∞
Probabilidade de dois eventos

P(A) + P(B) = 1

P(C) + P(D) = 1

P(E) + P(F) = 1

P(E) P(F)

-∞ +∞
Probabilidade usando m e s

P(m ± 1s) = 0,6826

68,26%

1s 1s

-∞ +∞
m ± 1s
Probabilidade usando m e s

P(m ± 1s) = 0,6826

P(m ± 2s) = 0,9544 95,44%

1s 1s 1s 1s

-∞ +∞
m ± 2s
Probabilidade usando m e s

P(m ± 1s) = 0,6826

P(m ± 2s) = 0,9544 99,73%

P(m ± 3s) = 0,9973

1s 1s 1s 1s 1s 1s

-∞ +∞
m ± 3s
Exercício prático...

Numa fábrica de chocolates existem 4 linhas semelhantes que produzem

barras, cujas médias do peso e os desvios padrões estão exibidos na
tabela abaixo.
Calcule os limites inferior e superior de controle, sabendo que:
Limite Inferior de Controle: LIC = Média – 3*s
Limite Superior de Controle: LSC = Média + 3*s
Peso Desvio
Linha 3*s (g) LIC (g) LSC (g)
Médio (g) Padrão (g)
Linha 1 1.000 10
Linha 2 900 10
Linha 3 1.000 50
Linha 4 1.100 30
Exercício prático...

Peso Desvio
Linha 3*s (g) LIC (g) LSC (g)
Médio (g) Padrão (g)
Linha 1 1.000 10 30 970 1.030
Linha 2 900 10 30 870 930
Linha 3 1.000 50 150 850 1.150
Linha 4 1.100 30 90 1.010 1.190

Supondo que o peso nominal das barras de chocolate seja 1.000 g e que
os limites inferior e superior de especificação sejam, respectivamente, LIE
= 955 g e LSE = 1.045 g.
Que medidas devemos tomar em relação às 4 linhas de produção
mencionadas anteriormente?
Exercício prático...

Dispensa medidas
Linha 1 (Processo Padronizado)

Centralizar o processo
Linha 2 (Projeto de MASP)

Reduzir a dispersão
Linha 3 (Projeto de 6 Sigma)

Centralizar o processo e
Linha 4 reduzir a dispersão
(Projeto de 6 Sigma)

955 1.000 1.045

Comparando as populações de três países...

Suponha que estamos comparando a média de altura da população de três

países A, B e C e que encontramos como resultado os seguintes
parâmetros:

País m s
A 165 4
B 175 6
C 185 2

Qual seria a representação

gráfica dessas populações?
Comparando as populações de três países...

País C

País A

País B

-∞ +∞
165 175 185
Distribuição Normal Estândar

A Distribuição Normal Estândar de Probabilidade foi criada com o objetivo

de parametrizar todas as demais distribuições normais e, apresenta como
principais características:
✓ O eixo dos x é substituído pelo eixo dos z.
✓ Possui média igual a zero (m = 0).
✓ Possui desvio padrão igual a um (s = 1).
Representando Graficamente

O eixo dos z

A média 0

O desvio padrão 1

-∞ +∞
-3 -2 -1 0 +1 +2 +3
Eixo z
Representando Graficamente

165 - 1*4 = 161

165 - 2*4 = 157

165 - 3*4 = 153

165 + 1*4 = 169

165 + 2*4 = 173

165 + 3*4 = 177 -∞ +∞

165
169
153
157
161

173
177
z
-3 -2 -1 0 +1 +2 +3
Convertendo valores de x...

A parametrização estabelecida tem como objetivo principal a simplificação

do cálculo da probabilidade para quaisquer valores que possam assumir a
variável aleatória contínua.
A conversão de valores é realizada por meio da seguinte equação:

z = (x – m) / s
O significado de z...

O z representa a distância em que um ponto x qualquer se encontra em

relação à média m, medido em unidades de desvio padrões s.
Exemplos:
• z = +2,5 significa que o ponto x está a 2,5 desvios padrões à direita
da média.
• z = 0,0 significa que o ponto x coincide com a média.
• z = -1,5 significa que o ponto x está a - 1,5 desvios padrões à
esquerda da média.
Calculando a probabilidade...

Para calcular a probabilidade de um evento ocorrer, basta seguir o

procedimento abaixo:
• Converter a variável contínua aleatória x no valor correspondente de z.
• Usar MINITAB para realizar o cálculo.
• Ajustar o valor quando necessário.
Calculando a probabilidade...

Exercício 1:
Qual é a porcentagem da população do país A que mede 161 cm ou
menos?
Como a altura média vale 165 cm, teremos:
z = (161 – 165) / 4 = -1
• Para x = 161, o valor de z é portanto -1.
Identificando graficamente...

A porcentagem em questão é função da probabilidade dada pela área

alaranjada do gráfico abaixo:

P(z ≤ -1,00)

-∞ -3 -2 -1 0 +1 +2 +3 +∞
Buscando o diretório no MINITAB...
Preenchendo o quadro de diálogo...
O resultado...

P(z ≤ -1) = 0,1587

Portanto a porcentagem
correspondente é 15,87%.
Calculando a probabilidade...

Qual é a porcentagem da população do país A que mede 166 cm ou mais?

Como a altura média vale 165 cm, teremos:
z = (166 – 165) / 4 = +0,25
• Para x = 166, o valor de z é portanto +0,25.
Identificando graficamente...

A porcentagem em questão é função da probabilidade dada pela área

alaranjada do gráfico abaixo:

P (z ≥ 0,25)

-∞ -3 -2 -1 0 +1 +2 +3 +∞
Ajustando os valores...

Neste caso devemos calcular primeiro o valor da probabilidade dada pela

área azulada do gráfico:

MINITAB nos dá
P (z ≤ 0,25)

-∞ -3 -2 -1 0 +1 +2 +3 +∞
Preenchendo o quadro de diálogo...
O resultado...

P(z ≤ 0,25) = 0,5987

P(z ≥ 0,25) = 1 - 0,5987

= 0,4013

Portanto a porcentagem
correspondente é 40,13%.
Calculando a probabilidade...

Qual é a porcentagem da população do país A que mede mais de 159 e

menos de 168?
Como a altura média vale 165 cm, teremos:
z = (159 – 165) / 4 = -1,50
• Para x = 159, o valor de z é portanto -1,50.
z = (168 – 165) / 4 = +0,75
• Para x = 168, o valor de z é portanto +0,75.
Identificando graficamente...

A porcentagem em questão é função da probabilidade dada pela área

alaranjada do gráfico abaixo:

P (0,75 ≤ x ≤ -1,50)

-∞ -3 -2 -1 0 +1 +2 +3 +∞
Ajustando os valores...

Neste caso devemos calcular primeiro o valor da probabilidade dada pela

área azulada do gráfico:

P (z ≤ -1,50)

-∞ -3 -2 -1 0 +1 +2 +3 +∞
Ajustando os valores...

Agora devemos calcular o valor da probabilidade dada por essa outra área
azulada do gráfico:

MINITAB nos dá
P (z ≤ 0,75)

-∞ -3 -2 -1 0 +1 +2 +3 +∞
Preenchendo o quadro de diálogo...
Preenchendo o quadro de diálogo...
O resultado...

P(z ≤ -1,50) = 0,0668

P(z ≤ 0,75) = 0,7734

P(-1,50 ≤ z ≤ 0,75) =
0,7734 – 0,0668 = 0,7066

Portanto a porcentagem
correspondente é 70,66%.
Calculando a probabilidade...

Agora desejamos saber o valor de z e a altura máxima da população do

país A que correspondente a 85% do total de habitantes.

85%

-∞ -3 -2 -1 0 +1 +2 +3 +∞
Preenchendo o quadro de diálogo...
O resultado...

z = 1,0364

Portanto a altura máxima será:

x = 165 + 1,0364*4 = 169 cm.
Mais diversão...

• Calcule a porcentagem da população do país A que mede menos de 161

cm.
• Calcule a porcentagem da população do país A que mede mais de 169
cm.
• Calcule a porcentagem da população do país A que mede mais de 157
cm e menos de 169 cm.
• Calcule a porcentagem da população do país A que mede mais de 161
cm e menos de 177 cm.
Raízes fortes garantem
melhores frutos.
Teste de Normalidade
Objetivos esperados...

Ao final desse módulo o participante será capaz de:

▪ Reconhecer uma distribuição normal de probabilidades por métodos
gráficos.
▪ Realizar um teste analítico de normalidade.
Importância do teste de normalidade

O teste permite identificar a que distribuição de probabilidade pertencem

os dados de uma população.
Supõe-se sempre que esses dados pertençam a uma distribuição normal, a
exemplo da maioria dos processos naturais.
Para isso deve ser realizado um teste utilizando ferramentas gráficas e
ferramentas estatísticas.
Abrindo Teste de [Link]
Buscando o diretório...
Selecionando o tipo de gráfico...
Preenchendo o quadro de diálogo...
Construindo os Histogramas...

Histogram of Normal
Normal
20 Mean 69,85
StDev 1,130
N 100

15
Esse histograma
lembra o formato
Frequency

de um sino?
10

0
68 69 70 71 72
Normal
Construindo os Histogramas...

Histogram of Uniforme
Normal
Mean 70,45
12
StDev 9,061
N 100

10

Esse histograma
8 lembra o formato
Frequency

de um sino?
6

0
52,5 60,0 67,5 75,0 82,5 90,0
Uniforme
Construindo os Histogramas...

Histogram of Qui_Quadrado
Normal
25 Mean 5,137
StDev 3,017
N 100

20

Esse histograma
lembra o formato
15
Frequency

de um sino?

10

0
-2 0 2 4 6 8 10 12
Qui_Quadrado
Construindo os Histogramas...

Histogram of Misterio
Normal
35 Mean 35,82
StDev 40,10
30 N 100

25 Esse histograma
lembra o formato
Frequency

20 de um sino?

15

10

0
-40 0 40 80 120 160 200
Misterio
Teste de Normalidade
Essa ferramenta analítica é utilizada para determinar se os dados
analisados provêm ou não de uma distribuição normal de probabilidades.
Para isso são verificados os seguintes fatores:
➢ Alinhamento dos pontos vermelhos em relação à linha azul.
➢ O P Value obtido pelo teste de hipótese realizado.
✓ Na prática, devemos comparar o P Value calculado com o nível de
significância do teste (Risco a), que usualmente é de 5,0%
(0,05).
✓ Adotando o Risco a de 5,0%, teremos 95,0% de certeza sobre o
resultado apresentado pelo teste (Nível de Confiabilidade).
✓ Isso significa dizer que, se o P Value resultante do teste for igual
ou superior a 0,05, podemos afirmar que os dados são normais.
Observações finais
✓ Os testes de hipótese Anderson-Darling e Kolmogorov-Smirnov são
recomendados para aplicações onde se requeira maior rigor (análises
laboratoriais, P&D, ambientes controlados).
✓ O teste de hipótese Ryan-Joiner (similar ao Shapiro-Wilk) é
recomendado para aplicações de menor rigor (“chão de fábrica”).
✓ Os testes analíticos perdem a precisão quando dispomos de uma
quantidade muito grande de dados e, eventualmente o P Value pode
resultar inferior a 0,05, mesmo se os dados forem normais.
✓ Para esses testes, a análise do histograma prevalecerá para concluir a
questão da normalidade caso o P Value resulte inferior a 0,05.
Buscando o diretório...
Preenchendo o quadro de diálogo...
O resultado...

Teste de Normalidade - Normal

Normal
99,9
Mean 69,85
StDev 1,130
99 N 100
RJ 0,995
95 P-Value >0,100
90
80
70
Percent

60
50 P Value é
40
30 maior que
20 Os pontos 0,05
10 coincidem com
5 a linha azul

0,1
66 67 68 69 70 71 72 73 74
Normal
O resultado...

Teste de Normalidade - Uniforme

Normal
99,9
Mean 70,45
StDev 9,061
99 N 100
RJ 0,973
95 P-Value <0,010
90
80
70
Percent

60
50 P Value é
40
30 menor que
20 Os pontos não 0,05
10 coincidem com
5 a linha azul

0,1
40 50 60 70 80 90 100
Uniforme
O resultado...

Teste de Normalidade - Qui-Quadrado

Normal
99,9
Mean 5,137
StDev 3,017
99 N 100
RJ 0,963
95 P-Value <0,010
90
80
70
Percent

60
50 P Value é
40
30 menor que
20 Os pontos não 0,05
10 coincidem com
5 a linha azul

0,1
-5 0 5 10 15
Qui_Quadrado
O resultado...

Teste de Normalidade - Mistério

Normal
99,9
Mean 35,82
StDev 40,10
99 N 100
RJ 0,868
95 P-Value <0,010
90
80
70
Percent

60
50 P Value é
40
30 menor que
20 Os pontos não 0,05
10 coincidem com
5 a linha azul

0,1
-100 -50 0 50 100 150 200
Mistério
Abrindo Exercício Teste de [Link]

Mais diversão...
1. Abra o arquivo e realize o teste de normalidade para os conjuntos A, B, C e D.
2. Analise os resultados.
3. Salve arquivo como projeto.
Raízes fortes garantem
melhores frutos.
Resumo Gráfico
Objetivos esperados

Ao final desse módulo o participante será capaz de:

▪ Elaborar e interpretar o Graphical Summary.
A importância dos gráficos

As ferramentas gráficas nos indicam se um ou mais variáveis de entrada

(X) do processo estão influindo na variável de resposta (Y) e,
possibilitam uma visualização rápida da sua importância.
Como não se tratam de ferramentas estatísticas, não devem ser usadas
para obter conclusões para tomada de decisão, até que tudo seja
comprovado cientificamente.
Abrindo Resumo Grá[Link]
Graphical Summary – buscando o diretório...
Preenchendo o quadro de diálogo...
Graphical Summary da Máquina 1
Summary for Maquina_1
A nderson-Darling N ormality Test
A -S quared 0,19
P -V alue 0,895
M ean 84,757
S tDev 1,537
V ariance 2,363
S kew ness 0,105234
Kurtosis -0,457152
N 30
M inimum 81,715
1st Q uartile 83,636
M edian 84,751
3rd Q uartile 85,745
82 83 84 85 86 87 88
M aximum 87,591
95% C onfidence Interv al for M ean
84,182 85,331
95% C onfidence Interv al for M edian
84,003 85,430
95% C onfidence Interv al for S tDev
9 5 % C onfidence Inter vals
1,224 2,067
Mean

Median

84,00 84,25 84,50 84,75 85,00 85,25 85,50

Graphical Summary da Máquina 2
Summary for Maquina_2
A nderson-Darling N ormality Test
A -S quared 0,57
P -V alue 0,129
M ean 89,753
S tDev 1,377
V ariance 1,897
S kew ness -0,84448
Kurtosis 1,59431
N 30
M inimum 86,159
1st Q uartile 89,151
M edian 89,848
3rd Q uartile 90,503
86 87 88 89 90 91 92
M aximum 92,120
95% C onfidence Interv al for M ean
89,239 90,267
95% C onfidence Interv al for M edian
89,256 90,330
95% C onfidence Interv al for S tDev
9 5 % C onfidence Inter vals
1,097 1,851
Mean

Median

89,2 89,4 89,6 89,8 90,0 90,2 90,4

Graphical Summary da Máquina 3
Summary for Maquina_3
A nderson-Darling N ormality Test
A -S quared 0,41
P -V alue 0,332
M ean 95,495
S tDev 1,632
V ariance 2,665
S kew ness -0,33685
Kurtosis 1,62693
N 30
M inimum 90,716
1st Q uartile 94,530
M edian 95,501
3rd Q uartile 96,207
92 94 96 98
M aximum 98,644
95% C onfidence Interv al for M ean
94,886 96,105
95% C onfidence Interv al for M edian
94,943 96,051
95% C onfidence Interv al for S tDev
9 5 % C onfidence Inter vals
1,300 2,194
Mean

Median

95,0 95,2 95,4 95,6 95,8 96,0 96,2

Graphical Summary da Fábrica
Summary for Fabrica
A nderson-Darling N ormality Test
A -S quared 1,33
P -V alue < 0,005
M ean 90,002
S tDev 4,661
V ariance 21,723
S kew ness 0,08052
Kurtosis -1,16922
N 90
M inimum 81,715
1st Q uartile 85,651
M edian 89,848
3rd Q uartile 94,607
84 87 90 93 96 99
M aximum 98,644
95% C onfidence Interv al for M ean
89,025 90,978
95% C onfidence Interv al for M edian
88,883 90,685
95% C onfidence Interv al for S tDev
9 5 % C onfidence Inter vals
4,065 5,462
Mean

Median

89,0 89,5 90,0 90,5 91,0

Abrindo Exercício Resumo Grá[Link]

Mais diversão...
1. Abra o arquivo e elabore o resumo gráfico para os conjuntos A, B, C e D.
2. Analise os resultados.
3. Salve arquivo como projeto.
Raízes fortes garantem
melhores frutos.
Análise de Capacidade
Objetivos esperados...

Ao final desse módulo o participante será capaz de:

▪ Reconhecer a importância dos testes de capacidade.
▪ Definir o desempenho do processo desde a perspectiva do cliente.
▪ Compreender a diferença entre limites de especificação e limites de
controle.
▪ Determinar qual é o melhor desempenho do processo.
▪ Calcular a capacidade de um processo por variáveis.
Importância do teste de capacidade

Esse teste é uma ferramenta utilizada para avaliar a capacidade que um

processo tem de satisfazer às expectativas do cliente, e também nos
informa sobre o desempenho e sobre a quantidade de defeitos gerados.
Os estudos de capacidade que descrevem a Capacidade e também o
Desempenho dos processos levam em consideração os requerimentos do
cliente, as características próprias do processo e o comportamento de
ambos com o decorrer do tempo.
Recomenda-se realizar a análise de capacidade de amostras com pelo
menos 100 indivíduos.
Podemos dizer que um processo é capaz quando atende plenamente as
necessidades e expectativas do cliente, seja ele interno ou externo.
Qual desses processo é o melhor?

LSL USL LSL USL LSL USL

Processo A Processo B Processo C

É fundamental conhecermos as expectativas dos

clientes para determinar a capacidade do processo.
Limites de Especificação x Limites de Controle

Limites de Especificação
São os valores estabelecidos com base nas necessidades ou expectativas dos clientes
(mercado, legislação, engenharia, fabricante).
• LIE Limite Inferior de Especificação (LSL: Lower Specification Limit).
• LSE Limite Superior de Especificação (USL: Upper Specification Limit).

Limites de Controle
São calculados em função da variação natural do processo, e toma como base sua média
aritmética e seu desvio padrão.
• LIC Limite Inferior de Controle (LCL: Lower Control Limit) = Média – 3s.
• LSC Limite Superior de Controle (UCL: Upper Control Limit) = Média + 3s.
Tipos de Dados

Atributos – a capacidade é Variáveis – a capacidade é

definida por uma proporção. definida pela área abaixo da
Neste caso se calcula a curva fora dos limites de
proporção defeituosa. especificação.

Bom

Ruim

Defeitos Defeitos

PASSA NÃO PASSA LSL USL

Estratificação por Subgrupo

É o conjunto de componentes de um processo que possui características

próprias (média e desvio padrão).
O objetivo principal da identificação dos estratos é detectar o subgrupo de
melhor desempenho dentro do processo.
Exemplos:
Turnos de operação, grupos de máquinas, lotes de matérias primas, linhas
de produção, tipo de produto.
Representação Gráfica

Subgrupo 1 Curto Prazo

(Within)
Subgrupo 2

Subgrupo 3

Subgrupo 4

Subgrupo 5

Longo Prazo
(Overall)

LSL Objetivo USL

Curto Prazo versus Longo Prazo

Curto Prazo (ST – Short Term)

Nos diz sobre a capacidade do processo, indicando o melhor que o
processo é capaz de dar em termos de Centrado e de Desvio Padrão no
curto prazo.
➢ StDev(Within), representado nas equações por sst.

Longo Prazo (LT – Long Term)

Nos diz sobre o desempenho do processo, indicando o que o processo
realmente está dando em termos de Centrado e de Desvio Padrão no longo
prazo.
➢ StDev(Overall), representado nas equações por slt.
Capacidade de Processo – Dados Variáveis

Esse método é utilizado para se obter a capacidade de processo para

dados variáveis contínuos e, por meio dele obtemos as seguintes
informações:
▪ Parâmetros do processo.
▪ DPMO de curto e de longo prazos.
▪ Gráfico com os resultados.
▪ Causas comuns e causas especiais.
▪ Índices de capacidade (Cp, Cpk e Cpm).
▪ Índices de desempenho (Pp e Ppk).
▪ Nível Sigma do processo (Z Bench).
Exemplo

Desejamos saber qual é a eficiência do processo de fabricação de uma

empresa que se dedica à produção de barras de chocolate.
Sabe-se que cada barra devem pesar 100 ± 5 gramas e, que são
produzidas por três linhas distintas, em três turnos, segundo informações
do arquivo Capacidade de Processo.

Como as barras devem pesar 100 ± 5 gramas, teremos:

• Target = 100 gramas.
• LSL = 95 gramas (Lower Specification Limit).
• USL = 105 gramas (Upper Specification Limit).
Abrindo Capacidade de [Link]
Prova de normalidade da Linha_1...

Teste de Normalidade Linha_1

Normal
99,9
Mean 99,98
StDev 0,9967
99 N 300
AD 0,241
95 P-Value 0,772
90
80
70
Percent

60
50
40
30
20
10
5

0,1
97 98 99 100 101 102 103
Linha_1
Prova de normalidade da Linha_2...

Teste de Normalidade Linha_2

Normal
99,9
Mean 94,82
StDev 2,014
99 N 300
AD 0,470
95 P-Value 0,245
90
80
70
Percent

60
50
40
30
20
10
5

0,1
90,0 92,5 95,0 97,5 100,0 102,5
Linha_2
Prova de normalidade da Maq_3...

Teste de Normalidade Linha_3

Normal
99,9
Mean 104,7
StDev 2,927
99 N 300
AD 0,446
95 P-Value 0,280
90
80
70
Percent

60
50
40
30
20
10
5

0,1
95 100 105 110 115
Linha_3
Prova de normalidade da Fábrica...

Teste de Normalidade Fábrica

Normal
99,99
Mean 99,83
StDev 4,554
N 900
99 AD 4,446
P-Value <0,005
95

80
Percent

50

20

5
1

0,01
80 90 100 110 120
Fábrica
Refletindo sobre os subgrupos...

a. Existem subgrupos? Quais são eles? a. Sim. 3 Linhas e 3 turnos.

b. Todos obedecem à uma distribuição b. Sim, visto que o P Value foi maior que
normal? 0,05 em ambos casos.
c. Qual está mais centrado em relação à c. Linha 1, nos 3 turnos.
média esperada?
d. Linha 1.
d. Qual é menos disperso?
e. Linha 2, porque a média foi de 94,82g.
e. Qual prejudica o cliente?
f. Linha 3, porque a média foi de 104,70g.
f. Qual prejudica o dono da fábrica?
g. Centralizar o peso das Linhas 2 e 3 para o
g. Que podemos fazer para melhorar esta peso nominal.
fábrica?
Buscando o diretório...
Preenchendo o quadro de diálogo para 3 subgrupos...
Checando as opções...
Capacidade da Linha_1...

Capacidade Inicial Linha_1

Dados do
processo Dados de
LSL Target USL capacidade
P rocess Data Within
LS L 95 Longo Prazo Overall
Target 100 Curto Prazo
USL 105 P otential (Within) C apability
S ample M ean 99,9845 Cp 1,70
S ample N 300 C P L 1,69
S tDev (Within) 0,98224 C P U 1,70
S tDev (O v erall) 0,996725 C pk 1,69
O v erall C apability
Amostra Pp 1,67
PPL 1,67
PPU 1,68
P pk 1,67
C pm 1,67

Resultado da Processo no
amostra curto prazo
Dados de
96,0 97,5 99,0 100,5 102,0 103,5 105,0 desempenho
Processo no
O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance longo prazo
P P M < LS L 0,00 P P M < LS L 0,19 P P M < LS L 0,29
P P M > U S L 0,00 P P M > U S L 0,16 P P M > U S L 0,24
P P M Total 0,00 P P M Total 0,36 P P M Total 0,53
Capacidade da Linha_1...

Capacidade Inicial Linha_1

LSL Target USL

P rocess Data Within
LS L 95 Overall
Target 100
USL – LSL
USL 105 P otential (Within) C apability Cp =
S ample M ean 99,9845 Cp 1,70 6 * sst
S ample N 300 C P L 1,69
C P U 1,70
S tDev (Within) 0,98224
C pk 1,69
X – LSL
S tDev (O v erall) 0,996725 Cpl =
O v erall C apability 3 * sst
Pp 1,67
PPL 1,67
PPU 1,68 USL – X
P pk 1,67
Cpu =
C pm 1,67 3 * sst

Cpk = Mínimo (Cpl:Cpu)

96,0 97,5 99,0 100,5 102,0 103,5 105,0
O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0,00 P P M < LS L 0,19 P P M < LS L 0,29
P P M > U S L 0,00 P P M > U S L 0,16 P P M > U S L 0,24
P P M Total 0,00 P P M Total 0,36 P P M Total 0,53
Avaliando o Cp...

Cp > 1,33

Cp = 1,00

Cp < 1,00

LSL Target USL

Avaliando o Cp e o Cpk...

Cp = (20 – 8) / 6*2 = 1,00 Especificação

Média = 14
Cpk = (6 – 8) / 3*2 = -0,33 LSL = 8
USL = 20
Cp = 1,00
Cpk = -0,33
X=6
s=2

2 4 6 8 10 12 14 16 18 20 22 24 26
Avaliando o Cp e o Cpk...

Cp = (20 – 8) / 6*2 = 1,00 Especificação

Média = 14
Cpk = (8 – 8) / 3*2 = 0,00 LSL = 8
USL = 20
Cp = 1,00
Cpk = 0,00
X=8
s=2

2 4 6 8 10 12 14 16 18 20 22 24 26
Avaliando o Cp e o Cpk...

Cp = (20 – 8) / 6*2 = 1,00 Especificação

Média = 14
Cpk = (10 – 8) / 3*2 = 0,33 LSL = 8
USL = 20
Cp = 1,00
Cpk = 0,33
X = 10
s=2

2 4 6 8 10 12 14 16 18 20 22 24 26
Avaliando o Cp e o Cpk...

Cp = (20 – 8) / 6*2 = 1,00 Especificação

Média = 14
Cpk = (12 – 8) / 3*2 = 0,67 LSL = 8
USL = 20
Cp = 1,00
Cpk = 0,67
X = 12
s=2

2 4 6 8 10 12 14 16 18 20 22 24 26
Avaliando o Cp e o Cpk...

Cp = (20 – 8) / 6*2 = 1,00 Especificação

Média = 14
Cpk = (14 – 8) / 3*2 = 1,00 LSL = 8
USL = 20
Cp = 1,00
Cpk = 1,00
X = 14
s=2

2 4 6 8 10 12 14 16 18 20 22 24 26
Avaliando o Cp e o Cpk...

Cp = (20 – 8) / 6*2 = 1,00 Especificação

Média = 14
Cpk = (20 – 16) / 3*2 = 0,67 LSL = 8
USL = 20
Cp = 1,00
Cpk = 0,67
X = 16
s=2

2 4 6 8 10 12 14 16 18 20 22 24 26
Avaliando o Cp e o Cpk...

Cp = (20 – 8) / 6*2 = 1,00 Especificação

Média = 14
Cpk = (20 – 18) / 3*2 = 0,33 LSL = 8
USL = 20
Cp = 1,00
Cpk = 0,33
X = 18
s=2

2 4 6 8 10 12 14 16 18 20 22 24 26
Avaliando o Cp e o Cpk...

Cp = (20 – 8) / 6*2 = 1,00 Especificação

Média = 14
Cpk = (20 – 20) / 3*2 = 0,00 LSL = 8
USL = 20
Cp = 1,00
Cpk = 0,00
X = 20
s=2

2 4 6 8 10 12 14 16 18 20 22 24 26
Avaliando o Cp e o Cpk...

Cp = (20 – 8) / 6*2 = 1,00 Especificação

Média = 14
Cpk = (20 – 22) / 3*2 = 0,67 LSL = 8
USL = 20
Cp = 1,00
Cpk = 0,67
X = 22
s=2

2 4 6 8 10 12 14 16 18 20 22 24 26
Índices de Capacidade

Cp
O Cp é utilizado para avaliar a variabilidade do processo em relação aos limites de
especificação (LSL e USL), e portanto revelar se o processo atende ou não às
especificações.
a. Para o cálculo do Cp é utilizado o desvio padrão de curto prazo (sst).
b. Como o cálculo do Cp não leva em consideração do valor do Target, ele nos diz qual
seria a capacidade do processo como se estivesse centrado.
c. Na prática, os valores de referência para o Cp são:
▪ Cp ≥ 1,33 indica que o processo é capaz no curto prazo.
▪ Cp entre 1,00 e 1,33 indica que o processo é capaz no curto prazo, mas requer
acompanhamento mais rigoroso.
▪ Cp ≤ 1,00 indica que o processo não é capaz no curto prazo.
Índices de Capacidade

Cpk
O Cpk é utilizado para avaliar a distância entre a média do processo e os limites de
especificação (LSL e USL), e portanto revelar se de fato o processo está centrado ou não.
a. O valor do Cpk será o menor valor dentre o Cpl (Lower) e o Cpu (Upper), que para seu
cálculo utilizam o desvio padrão de curto prazo (sst).
b. O valor do Cpk será igual ao Cpl, se a média do processo estiver mais próxima ao
limite inferior de especificação (LSL) ou, será igual ao Cpu, se a média do processo
estiver mais próxima ao limite inferior de especificação (USL).
c. Na prática, os valores de referência para o Cpk são:
▪ Cpk = Cp indica que o processo está centrado.
▪ Cpk ≥ 1,33 indica que o processo é capaz no curto prazo.
▪ Cpk entre 1,00 e 1,33 indica que o processo é capaz no curto prazo, mas requer
acompanhamento mais rigoroso.
▪ Cpk ≤ 1,00 indica que o processo não é capaz no curto prazo.
Índices de Capacidade

Cpm
O Cpm é utilizado para avaliar a variabilidade do processo em relação aos limites de
especificação (LSL e USL), bem como a distância entre a média do processo em relação ao
Target.
a. Em efeitos práticos o Cpm é melhor que o Cpk porque além de avaliar os dados do
processo em relação aos limites de controle (LSL e USL), avalia também a distância da
média real em relação ao Target.
b. Na prática, os valores de referência para o Cpk são:
▪ Cpm ≥ 2 não existe dados fora dos limites de especificação e não é necessário
validar a medição, pois a capabilidade é muito alta.
▪ Cpm ≥ 1 estatisticamente não há dados fora dos limites de especificação, mas o
sistema de medição (R&R) precisa ser validado.
Desempenho da Linha_1...

Capacidade Inicial Linha_1

LSL Target USL

P rocess Data Within
LS L 95 Overall
Target 100
USL – LSL
USL 105 P otential (Within) C apability Pp =
S ample M ean 99,9845 Cp 1,70 6 * slt
S ample N 300 C P L 1,69
C P U 1,70
S tDev (Within) 0,98224
C pk 1,69
X – LSL
S tDev (O v erall) 0,996725 Ppl =
O v erall C apability 3 * slt
Pp 1,67
PPL 1,67
PPU 1,68 USL – X
P pk 1,67
Ppu =
C pm 1,67 3 * slt

Ppk = Mínimo (Ppl:Ppu)

96,0 97,5 99,0 100,5 102,0 103,5 105,0
O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0,00 P P M < LS L 0,19 P P M < LS L 0,29
P P M > U S L 0,00 P P M > U S L 0,16 P P M > U S L 0,24
P P M Total 0,00 P P M Total 0,36 P P M Total 0,53
Índices de Desempenho

Pp
O Pp é utilizado para avaliar a variabilidade do processo em relação aos limites de
especificação (LSL e USL) e ressalta os problema de dispersão porque contempla os
efeitos do longo prazo.
a. Para o cálculo do Pp é utilizado o desvio padrão de longo prazo (slt).
b. Como o cálculo do Pp não leva em consideração do valor do Target, ele nos diz qual
seria o desempenho do processo como se estivesse centrado.
c. Na prática, os valores de referência para o Pp são:
▪ Pp ≥ 1,33 indica que o processo tem ótimo desempenho no longo prazo.
▪ Pp entre 1,00 e 1,33 indica que o processo tem bom desempenho no longo prazo,
mas requer acompanhamento mais rigoroso.
▪ Pp ≤ 1,00 indica que o processo não tem bom desempenho no longo prazo.
Índices de Desempenho

Ppk
O Ppk é utilizado para avaliar a distância entre a média do processo e os limites de
especificação (LSL e USL), e portanto revelar se de fato o processo está centrado ou não.
a. O valor do Ppk será o menor valor dentre o Ppl (Lower) e o Ppu (Upper), que para seu
cálculo utilizam o desvio padrão de curto prazo (slt).
b. O valor do Ppk será igual ao Ppl, se a média do processo estiver mais próxima ao
limite inferior de especificação (LSL) ou, será igual ao Ppu, se a média do processo
estiver mais próxima ao limite inferior de especificação (USL).
c. Na prática, os valores de referência para o Ppk são:
▪ Ppk = Pp indica que o processo está centrado.
▪ Ppk ≥ 1,33 indica que o processo tem ótimo desempenho no longo prazo.
▪ Ppk entre 1,00 e 1,33 indica que o processo tem bom desempenho no longo
prazo, mas requer acompanhamento mais rigoroso.
▪ Ppk ≤ 1,00 indica que o processo não tem bom desempenho no longo prazo.
Compilando os valores de referência...

Índice ≥ 1,33 Entre 1,00 e 1,33 ≤ 1,00

• Processo é capaz no curto • Processo é capaz no curto • Processo não é capaz no
prazo. prazo mas requer rigoroso curto prazo.
• Cabe com folga dentro controle. • Não cabe dentro dos
dos limites de • Cabe sem folga dentro limites de especificação.
Cp especificação. dos limites de • É necessário reduzir a
• A variabilidade do especificação. variabilidade do
processo é muito • A variabilidade do processo.
satisfatória. processo é satisfatória.
• Processo é capaz no • Processo é capaz no • Processo não é capaz no
longo prazo. longo prazo mas requer longo prazo.
• Cabe com folga dentro rigoroso controle. • Não cabe dentro dos
dos limites de • Cabe sem folga dentro limites de especificação.
Pp especificação. dos limites de • É necessário reduzir a
• A variabilidade do especificação. variabilidade do
processo é muito • A variabilidade do processo.
satisfatória. processo é satisfatória.
Comparando os índices...

Índice Situação 1 Situação 2

• Menor que o Cp, o processo está
Cpk • Igual ao Cp, o processo está centrado. descentrado.
• É necessário centralizar o processo.
• Menor que o Pp, o processo está
Ppk • Igual ao Pp, o processo está centrado. descentrado.
• É necessário centralizar o processo.

Índice Situação 1 Situação 2

• Menor que o Cp, o processo apresenta
causas especiais.
• Igual ao Cp, o processo não apresenta
Pp causas especiais.
• É necessário identificar e tratar as
causas especiais para reduzir ao máximo
a diferença entre esses índices.
Capacidade da Linha_2...

Capacidade Inicial Linha_2

LSL Target USL

P rocess Data Within
LS L 95 Overall
Target 100
USL 105 P otential (Within) C apability
S ample M ean 94,819 Cp 0,87
S ample N 300 C PL -0,03
S tDev (Within) 1,92524 C PU 1,76
S tDev (O v erall) 2,01373 C pk -0,03
O v erall C apability
Pp 0,83
PPL -0,03
PPU 1,69
P pk -0,03
C pm 0,30

90,0 92,5 95,0 97,5 100,0 102,5 105,0

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 526666,67 PPM < LS L 537457,82 P P M < LS L 535816,41
PPM > USL 0,00 PPM > USL 0,06 PPM > USL 0,21
P P M Total 526666,67 PPM Total 537457,88 P P M Total 535816,62
Capacidade da Linha_3...

Capacidade Inicial Linha_3

LSL Target USL

P rocess Data Within
LS L 95 Overall
Target 100
USL 105 P otential (Within) C apability
S ample M ean 104,672 Cp 0,55
S ample N 300 C P L 1,06
S tDev (Within) 3,03531 C P U 0,04
S tDev (O v erall) 2,9269 C pk 0,04
O v erall C apability
Pp 0,57
PPL 1,10
PPU 0,04
P pk 0,04
C pm 0,30

96 99 102 105 108 111

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0,00 PPM < LS L 720,24 P P M < LS L 475,84
P P M > U S L 486666,67 PPM > U S L 456943,25 P P M > U S L 455355,04
P P M Total 486666,67 PPM Total 457663,49 P P M Total 455830,88
Buscando o diretório para a Fábrica...
Preenchendo o quadro de diálogo para 9 subgrupos...
Checando as opções...
Capacidade da Fábrica...
Onde encontramos
o nível sigma desse
Capacidade Inicial Fábrica processo?

LSL Target USL

P rocess Data Within
LS L 95 Overall
Target 100
USL 105 P otential (Within) C apability
S ample M ean 99,8251 Cp 0,76
S ample N 900 C P L 0,74
S tDev (Within) 2,18382 C P U 0,79
S tDev (O v erall) 4,55397 C pk 0,74
O v erall C apability
Pp 0,37
PPL 0,35
PPU 0,38
P pk 0,35
C pm 0,37

88 92 96 100 104 108 112

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 175555,56 P P M < LS L 13571,23 P P M < LS L 144679,56
P P M > U S L 162222,22 PPM > USL 8901,91 P P M > U S L 127903,80
P P M Total 337777,78 P P M Total 22473,14 P P M Total 272583,37
Checando as opções...
Capacidade da Fábrica...

Capacidade Inicial Fábrica

LSL Target USL

P rocess Data Within
LS L 95 Overall
Target 100
USL 105 P otential (Within) C apability
S ample M ean 99,8251 [Link] 2,01
S ample N 900 [Link] L 2,21
S tDev (Within) 2,18382 Z.U S L 2,37
S tDev (O v erall) 4,55397 C pk 0,74
O v erall C apability
[Link] 0,61 Nível Sigma
[Link] L 1,06
Z.U S L 1,14
P pk 0,35
C pm 0,37

88 92 96 100 104 108 112

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 175555,56 P P M < LS L 13571,23 P P M < LS L 144679,56
P P M > U S L 162222,22 PPM > USL 8901,91 P P M > U S L 127903,80
P P M Total 337777,78 P P M Total 22473,14 P P M Total 272583,37
O que é um processo Seis Sigma?

Um processo é considerado Seis Sigma quando a média dos resultados

que gera somado a ± seis desvios padrões se encontra dentro dos limites
de especificações exigidos pelo cliente (m ± 6slt satisfazem às
expectativas do cliente).
Quando essa condição é atingida, o processo gera apenas 3,4 DPMO e o
Ppk é igual a 2.
Visualizando graficamente...

s s s s s s s s s s s s

-∞ m +∞
LSL USL
Abrindo Exercício Capacidade de [Link]

Mais diversão...
1. Abra o arquivo e gere 3 séries de 300 dados cada uma, com as seguintes
bases e empilhe os resultados na coluna Fábrica:
Linha 1: Média 200 e Desvio Padrão 10
Linha 2: Média 180 e Desvio Padrão 20
Linha 2: Média 220 e Desvio Padrão 30
2. Realize a capacidade de processo, considerando o Target de 210, LSL 180 e
USL 240.
3. Analise os resultados.
4. Salve arquivo como projeto.
Raízes fortes garantem
melhores frutos.
Measure
Objetivos esperados...

Ao final desse módulo o participante saberá sobre:

▪ A aplicação das ferramentas da etapa Measure no desenvolvimento de
um projeto.
Measure

Objetivos
Define • Validar o sistema de medição
• Definir a capacidade inicial do processo

Conceitos e Ferramentas
Control Measure • MSA (Measure System Analysis)
• Matriz de Causa e Efeito
• Gráfico de Pareto
• Teste de Normalidade
• Resumo Gráfico
• Análise de Capacidade
Improve Analyse
• Ver e Agir
• FMEA (Failure Mode and Effects Analysis)
Análise do Sistema de Medição
Número de Inspetores >> 4 (2 a 4)
N° de Peças Inspecionadas >> 10 (2 a 20)
Tolerância do Processo >> 90,0
Desvio Padrão do Processo >> 106,10
Número de Inspetores
Nº da Amostra Range
Inspetor 1 Inspetor 2 Inspetor 3 Inspetor 4
Amostra 1 1.104,70 1.098,00 1.127,80 1.138,90 40,90
Amostra 2 1.130,20 1.168,50 1.093,00 1.083,00 85,50
Amostra 3 1.083,30 1.129,70 1.115,80 1.101,90 46,40
Amostra 4 1.103,40 1.123,60 1.009,70 1.110,00 113,90
Amostra 5 1.104,00 1.133,70 1.109,70 1.031,10 102,60
Amostra 6 1.142,60 1.103,50 1.115,20 1.194,90 91,40
Amostra 7 1.070,90 1.155,40 1.092,80 1.079,00 84,50
Amostra 8 1.066,10 1.090,60 1.087,80 1.121,60 55,50
Amostra 9 1.079,90 1.059,70 1.089,20 1.072,70 29,50
Amostra 10 1.155,40 1.076,00 1.094,20 1.125,20 79,40
Desvio Padrão das Medições >> 35,2 Range Médio >> 72,96
Análise do Sistema de Medição
Critérios de Avaliação
Menor ou igual a 20% >> Sistema de medição satisfatório
Entre 20% e 30% >> Sistema de medição requer moderação melhoria
Maior ou igual a 30% >> Sistema de medição requer forte melhoria
Resultados da Análise
Variabilidade da Medição >> 180,65
R&R % P/T >> 200,7% Sistema de medição requer forte melhoria
R&R % P/TV >> 33,1% Sistema de medição requer forte melhoria
Resultado do Estudo
Variáveis de Entrada (X’s) e Variáveis de Resposta (Y’s)

N
Cortar e
Pesar os Misturar os Resfriar o
Início Ok? embalar o Fim
ingredientes ingredientes produto S produto

Peso do açúcar Tempo de Temperatura Peso da barra

batimento do túnel de
Peso da Sabor do
resfriamento
manteiga de Temperatura produto
cacau de batimento Tempo de
Textura do
residência do
Peso do leite produto
produto no
em pó
túnel de Cor do produto
Peso do leite resfriamento
condensado
Variáveis de
Peso do cacau Resposta – Y’s
em pó
Peso dos
micro
ingredientes

Variáveis de Entrada – X’s

Matriz de Causa e Efeito
Variáveis de Resposta (Y's)
01 02 03 04
Importância para o Cliente:
1 - Baixa Importância

Textura do produto
2 - Média Baixa Importância

Sabor do produto
3 - Média Importância

Cor do produto
Peso da barra
4 - Média Alta Importância
5 - Alta Importância

Importância para o Cliente >> 4 5 3 2

Impacto >> 1 - Baixo / 4 - Médio Baixo / 7 - Médio Alto / 10 - Alto
Variáveis de Entrada (X's) Total Impacto
01 Peso do açúcar 119 10 10 7 4
02 Peso da manteiga de cacau 128 10 10 10 4
03 Peso do leite em pó 125 10 10 7 7
04 Peso do leite condensado 125 10 10 7 7
05 Peso do cacau em pó 122 7 10 10 7
06 Peso dos micro ingredientes 89 4 7 10 4
07 Tempo de batimento 56 1 4 10 1
08 Temperatura de batimento 56 1 4 10 1
09 Temperatura do túnel de resfriamento 41 1 1 10 1
10 Tempo de resfriamento 41 1 1 10 1
TOTAL 902 220 335 273 74
Gráfico de Pareto

Pareto Chart of Variável (X)

900 100
800
700 80
600

Percent
60
Total 500
400
40
300
200 20
100
0 0
Variável (X) r r fr r
c
oau
nd _Pó _Pó ca Ing nt
o
tim es the
aC te u ú e a
_C ite_ ei ca _Ac r o_ tim p_B T_R O
M L a P ic Ba
P_ Le P_ P_C M _ m
P_ P_ T Te
Total 128 125 125 122 119 89 56 56 41 41
Percent 14,2 13,9 13,9 13,5 13,2 9,9 6,2 6,2 4,5 4,5
Cum % 14,2 28,0 41,9 55,4 68,6 78,5 84,7 90,9 95,5 100,0

Foco do Projeto
Teste de Normalidade – Peso da Barra de Chocolate

Teste de Normalidade - Peso da Barra de Chocolate

Normal
99,9
Mean 1106
StDev 14,68
99 N 150
RJ 0,997
95 P-Value >0,100
90
80
70
Percent

60
50
40
Valor P é
30 maior que
20 Os pontos 0,05
10 coincidem com
5 a linha azul
1

0,1
1050 1075 1100 1125 1150
Peso Barra
Resumo Gráfico – Peso da Barra de Chocolate

Summary for Peso Barra

A nderson-Darling N ormality Test
A -S quared 0,25
P -V alue 0,733 P-Value
M ean 1105,7
S tDev 14,7
V ariance 215,5
Histograma S kew ness 0,189807
Estatísticos
Kurtosis -0,016178
N 150
M inimum 1070,6
1st Q uartile 1096,5
M edian 1105,0
3rd Q uartile 1115,9
1080 1095 1110 1125 1140 M aximum 1145,8
95% C onfidence Interv al for M ean
Boxplot 1103,4 1108,1
95% C onfidence Interv al for M edian
1102,3 1107,6
95% C onfidence Interv al for S tDev
9 5 % C onfidence Inter vals
13,2 16,6
Mean

Intervalos de Confiança
Median

1102 1103 1104 1105 1106 1107 1108

 Capacidade Inicial de Processo – Peso da Barra de Chocolate

Capacidade Inicial de Processo - Peso da Barra de Chocolate (g)

LSL Target USL

P rocess Data Within
LS L 955 Overall
Target 1000
USL 1045 P otential (Within) C apability
Dados do Processo S ample M ean 1105,74 Cp 1,00
S ample N 150
C PL 3,37 Capacidade
S tDev (Within) 14,9294 C P U -1,36
C pk -1,36
S tDev (O v erall) 14,6803
O v erall C apability
Pp 1,02
PPL 3,42
PPU -1,38
Desempenho
P pk -1,38
C pm 0,14

975 1000 1025 1050 1075 1100 1125

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0,00
P P M > U S L 1000000,00
PPM
PPM
< LS L 0,00
> U S L 999976,34
P P M < LS L
P P M > U S L 999982,44
0,00
Defeitos PPM
P P M Total 1000000,00 PPM Total 999976,34 P P M Total 999982,44
 Capacidade Inicial de Processo – Peso da Barra de Chocolate

Capacidade Inicial de Processo - Peso da Barra de Chocolate (g)

LSL Target USL

P rocess Data Within
LS L 955 Overall
Target 1000
USL 1045 P otential (Within) C apability
Dados do Processo S ample M ean 1105,74 [Link] -4,07
S ample N 150 [Link] L 10,10 Capacidade
S tDev (Within) 14,9294 Z.U S L -4,07
S tDev (O v erall) 14,6803 C pk -1,36
O v erall C apability
[Link] -4,14
[Link] L 10,27
Desempenho
Z.U S L -4,14
P pk -1,38
C pm 0,14

975 1000 1025 1050 1075 1100 1125

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0,00 PPM < LS L 0,00 P P M < LS L 0,00
Defeitos PPM
P P M > U S L 1000000,00 PPM > U S L 999976,34 P P M > U S L 999982,44
P P M Total 1000000,00 PPM Total 999976,34 P P M Total 999982,44
Observação do Problema no Local

• É importante que o grupo realize uma observação minuciosa no local onde o problema
ocorre e, se possível deve-se filmar e fotografar as evidências encontradas.
• Três questões importantes devem ser verificadas, para que a etapa de observação seja
efetivamente concluída.

Ferramentas de Padronização (Mão de Obra e Método)

✓ As ferramentas de padronização estão sendo usadas
corretamente?
Rotinas (Mão de Obra e Método)
✓ Existe alguma rotina que não está padronizada?
Anomalias (Máquina, Meio Ambiente, Matéria Prima, Medição)
✓ Existem anomalias que podem gerar alguma falha?
Ver e Agir

O Ver e Agir é uma ferramenta utilizada para planejar ações imediatas e eliminar os erros
fáceis.
• Busca a eliminação de erros fáceis e a correção de pequenas anomalias.
• É utilizado basicamente para a remoção de sintomas, mas não garante o bloqueio das
causas fundamentais.
Efetividade das Ações
Raízes fortes garantem
melhores frutos.
FMEA
Objetivos esperados...

Ao final desse módulo o participante será capaz de:

▪ Descrever o uso e a importância do FMEA.
▪ Identificar os componentes do FMEA.
▪ Desenvolver um FMEA.
▪ Identificar as ações requeridas para melhorar o processo.
FMEA – Modo de Falha e Análise do Efeito

Trata-se de uma importante ferramenta que serve para identificar de que

modo uma falha pode ocorrer e, para analisar os efeitos que a mesma
pode produzir.

F Failure Falha
M Mode Modo
E Effect Efeito
A Analysis Análise
Objetivo

O objetivo principal é proteger o cliente de falhas potenciais que possam

incidir sobre um processo, produto, serviço ou sistema e que venham
ocasionar algum tipo de dano.
O FMEA foi inicialmente desenvolvido na NASA, logo foi difundido na
Aeronáutica e na Marinha dos EUA, chegando finalmente à indústria
automobilística na década de 80.
Atualmente é amplamente utilizado em diversos campos da engenharia
industrial, especialmente nas áreas de produção, controle da qualidade,
manutenção e segurança de processo.
Regras para elaborar um FMEA

1. Listar os passos do processo que serão analisados.

2. Listar os modos potenciais de falha.
3. Identificar quais seriam os efeitos prováveis se os modos de falha ocorressem.
4. Identificar as razões que poderiam ter causado os modos de falha.
5. Descrever quais são os controles existentes no processo para evitar que os erros
cheguem ao cliente.
6. Avaliar a Severidade da falha (SEV).
7. Avaliar a Frequência da falha (FRE).
8. Avaliar a capacidade de Detecção da falha (DET).
9. Calcular o Número de Prioridade de Risco da falha (NPR).
10. Identificar os itens mais críticos e estabelecer as ações preventivas.

Deve-se desenvolver um plano de ação para os itens

de alta Severidade e/ou alto NPR.
Escalas de avaliação

Pontos Severidade Frequência Detecção

10 Perigo sem advertência Muito alta – quase Não se pode detectar

9 Perigo com advertência inevitável

Possibilidade remota de
8 Perda de função primária detecção

Perda parcial de função Alta – falhas repetidas

7
primária Baixa possibilidade de
Perda total de função detecção
6
secundária
Perda parcial de função Moderada – falhas Moderada possibilidade de
5
secundária ocasionais detecção
Defeito notado por muitos
4
clientes
Defeito notado por poucos Alta possibilidade de
3
clientes detecção
Baixa – poucas falhas
Defeito notado por
2
clientes exigentes
1 Sem defeitos Falha improvável Detecção segura
Preparando um café

N
Realizar
Preparar Preparar Café Servir o
Início setup da Fim
o café o serviço ok? café
cafeteira S

Pó de café Sabor Xícara Sabor

Açúcar Aroma Guardanapo Aroma
Água Temperatura Colher Temperatura
Cafeteira Cor Bandeja Cor
Filtro Rapidez Apresentação Apresentação
Consistência Preço
Rapidez
Consistência
Agrega Valor Entradas Expectativas
Pó de café Sabor
Não Agrega Valor Açúcar Aroma
Água Temperatura
Cafeteira Cor
Filtro Apresentação
Xícara Preço
Guardanapo Rapidez
Colher Consistência
Bandeja
Construindo um FMEA...

Processo ➢ Preparação de um cafezinho.

Tarefa ➢ Realizar set up da cafeteira.

Entrada Crítica ➢ Dosagem de café.

Modo potencial de falha

De que modo se pode falhar quanto à variável Pó de

Café?

MODO POTENCIAL DE EFEITOS POTENCIAIS

TAREFA ENTRADA CRÍTICA SEV CAUSAS POTENCIAIS FRE CONTROLES DET NPR
FALHA DE FALHA

Café sem sabor 8 6 7 336

Pouco pó de café Café sem aroma 5 Medida inadequada 6 Inspeção visual 7 210

Café sem cor 5 6 7 210

Café com sabor muito
Muito pó de café 6 Medida inadequada 6 Inspeção visual 7 252
Realizar set up da forte
Dosagem de café
cafeteira
8 Erro do fornecedor 5 5 200
Café com mal sabor Lista de verificação
Armazenagem
8 5 5 200
prolongada
Café vencido
5 Erro do fornecedor 2 4 40
Café com mal aroma Lista de verificação
Armazenagem
5 2 4 40
prolongada
Efeito potencial de falha

Que efeitos o cafezinho sofrerá para cada modo

potencial de falha apresentado?

MODO POTENCIAL DE EFEITOS POTENCIAIS

TAREFA ENTRADA CRÍTICA SEV CAUSAS POTENCIAIS FRE CONTROLES DET NPR
FALHA DE FALHA

Café sem sabor 8 6 7 336

Pouco pó de café Café sem aroma 5 Medida inadequada 6 Inspeção visual 7 210

Café sem cor 5 6 7 210

Café com sabor muito
Muito pó de café 6 Medida inadequada 6 Inspeção visual 7 252
Realizar set up da forte
Dosagem de café
cafeteira
8 Erro do fornecedor 5 5 200
Café com mal sabor Lista de verificação
Armazenagem
8 5 5 200
prolongada
Café vencido
5 Erro do fornecedor 2 4 40
Café com mal aroma Lista de verificação
Armazenagem
5 2 4 40
prolongada
Causas potenciais de falha

Quais causas poderiam provocar cada modo

potencial de falha apresentado?

MODO POTENCIAL DE EFEITOS POTENCIAIS

TAREFA ENTRADA CRÍTICA SEV CAUSAS POTENCIAIS FRE CONTROLES DET NPR
FALHA DE FALHA

Café sem sabor 8 6 7 336

Pouco pó de café Café sem aroma 5 Medida inadequada 6 Inspeção visual 7 210

Café sem cor 5 6 7 210

Café com sabor muito
Muito pó de café 6 Medida inadequada 6 Inspeção visual 7 252
Realizar set up da forte
Dosagem de café
cafeteira
8 Erro do fornecedor 5 5 200
Café com mal sabor Lista de verificação
Armazenagem
8 5 5 200
prolongada
Café vencido
5 Erro do fornecedor 2 4 40
Café com mal aroma Lista de verificação
Armazenagem
5 2 4 40
prolongada
Sistemas de controle

Que controles utilizamos para detecção de cada

modo potencial de falha apresentado?

MODO POTENCIAL DE EFEITOS POTENCIAIS

TAREFA ENTRADA CRÍTICA SEV CAUSAS POTENCIAIS FRE CONTROLES DET NPR
FALHA DE FALHA

Café sem sabor 8 6 7 336

Pouco pó de café Café sem aroma 5 Medida inadequada 6 Inspeção visual 7 210

Café sem cor 5 6 7 210

Café com sabor muito
Muito pó de café 6 Medida inadequada 6 Inspeção visual 7 252
Realizar set up da forte
Dosagem de café
cafeteira
8 Erro do fornecedor 5 5 200
Café com mal sabor Lista de verificação
Armazenagem
8 5 5 200
prolongada
Café vencido
5 Erro do fornecedor 2 4 40
Café com mal aroma Lista de verificação
Armazenagem
5 2 4 40
prolongada
Calculando o RPN

Qual o processo mais crítico em termos de risco?

MODO POTENCIAL DE EFEITOS POTENCIAIS

TAREFA ENTRADA CRÍTICA SEV CAUSAS POTENCIAIS FRE CONTROLES DET NPR
FALHA DE FALHA

Café sem sabor 8 6 7 336

Pouco pó de café Café sem aroma 5 Medida inadequada 6 Inspeção visual 7 210

Café sem cor 5 6 7 210

Café com sabor muito
Muito pó de café 6 Medida inadequada 6 Inspeção visual 7 252
Realizar set up da forte
Dosagem de café
cafeteira
8 Erro do fornecedor 5 5 200
Café com mal sabor Lista de verificação
Armazenagem
8 5 5 200
prolongada
Café vencido
5 Erro do fornecedor 2 4 40
Café com mal aroma Lista de verificação
Armazenagem
5 2 4 40
prolongada
Ações recomendadas

As ações recomendadas no FMEA devem ser estruturadas em um plano de

ação, visando mitigar as causas do modos potenciais de falha com maior
NPR.

Dicas importantes:
➢ Divulgue o plano de ação com os envolvidos, justificando as medidas
propostas para garantir o entendimento e o comprometimento de todos.
➢ Estabeleça a periodicidade da revisão e atualize o cronograma e
verifique a execução das medidas propostas.
➢ Depois da implementação das ações recomendadas recalcule o NPR.
Mais diversão...

1. Abra o arquivo e o resumo gráfico para os conjuntos A, B, C e D.

2. Analise os resultados.
3. Salve arquivo como projeto.
Raízes fortes garantem
melhores frutos.
Introdução à FMEA
Introdução à FMEA

FMEA é a sigla para: 1. TODOS os modos de falha potencial

de um sistema, processo ou
Failure Mode and Effect Analisys produto.
2. TODOS os efeitos que estas falhas
Conforme definição da literatura do Lewis tenham no sistema, processo ou
Research Center, NASA: produto.
3. Como corrigir e/ou mitigar TODAS
É uma metodologia para analisar e as falhas ou TODOS os seus efeitos
descobrir: no sistema, processo ou produto.
Introdução à FMEA

• FMEA é uma das mais importantes ferramentas de análise de confiabilidade.

Se conduzida antecipadamente na fase de projeto, pode ter impacto
significativo na remoção de causas de falhas e/ou no desenvolvimento de
sistemas que possam mitigar os efeitos destas falhas.
• Fornece uma visão detalhada dentro dos sistemas analisados.
• É usada conceitualmente na análise das fases iniciais do desenvolvimento de
produtos, processos ou serviços.
Origem da FMEA

• Algumas referências literárias indicam que a FMEA tenha surgido em 1949

como um padrão de operações militares: Procedures for Performing a Failure
Mode, Effects and Criticality Analysis (Military Procedure MIL-P-1629).
• Foi orginalmente concebida para avaliar a confiabilidade de equipamentos
bélicos.
• As falhas levantadas eram classificadas de acordo com os impactos nos
sucessos ou insucessos das missões.
Objetivos da FMEA – no curto prazo

• Reduzir tempo e custo do desenvolvimento.

• Documentar e acompanhar ações tomadas para reduzir riscos.
• Identificar condições críticas e/ou inseguras.
• Identificar a necessidade de controle por falta de detecção.
• Identificar os efeitos das falhas.
Objetivos da FMEA – no longo prazo

• Aprimorar a Qualidade, confiabilidade e segurança de produtos, processos e

serviços.
• Aumentar a satisfação do cliente.
• Auxiliar as sistemáticas de análise de confiabilidade.
• Auxiliar na criação de manual de produtos.
• Auxiliar na criação de padrões de manutenção.
• Criar um registro formal das análises de segurança e confiabilidade
Quando usar...

1. Novos projetos, novas tecnologias ou novos processos.

2. Modificações em projeto ou processo existente:
a) No caso de modificação da análise, supõe-se que já exista uma FMEA
para o projeto ou processo existente.
b) Caso seja um processo existente sem FMEA, é possível conduzir a
PFMEA.
c) O escopo tem foco na modificação e suas possíveis interações.
3. Uso de projeto ou processo existente em um novo ambiente, local ou
aplicação.
Equipe da FMEA - Abordagem

• Conduzir a FMEA é um processo interdisciplinar, envolvendo, dessa forma,

uma equipe interfuncional.
• POR QUÊ?

• Um dos principais benefícios da FMEA é o incremento de conhecimento a partir

das discussões da equipe.
Equipe da FMEA – Habilidades e Ferramentas

É importante que os membros da equipe, além de suas especialidades que

formam o caráter multidisciplinar, disponham de habilidades e funções
importantes, tais como:
• Compreensão das ferramentas utilizadas no processo de gestão.
• Facilitador com habilidade de gestão de recursos e pessoas.
• Familiaridade com conceito Poka Yoke.
• Compreensão das relações produtos X processos.
• Coordenador do controle de documentos para criar, controlar e manter as
saídas.
Equipe da FMEA – Composição da Equipe

A equipe principal geralmente é composta pelas áreas diretamente

interessadas:
• Engenheiro de processo ou fabricação.
• Engenheiro de projeto.
• Qualidade.
• Produção.
• Manutenção.
Equipe da FMEA – Composição da Equipe

A equipe ampliada abrangeria áreas como:

• Suprimentos/Materiais/Compras.
• Fornecedores.
• Cliente(s).
• Logística.
Tipos de FMEA
DFMEA – Design Failure Mode and Effect Analisys

1. FMEA de Projeto. Utilizado para análise dos modos de falha em um novo

projeto.
a. Produto
b. Sistema
c. Serviço
2. Há 3 modos de criar novos projetos.
i. Começar do zero.
ii. Copiar um projeto existente e modificá-lo.
iii. Herdar documentação de projetos similares.
DFMEA – Design Failure Mode and Effect Analisys

PROJETO Revisar o projeto

Executar FMEA e
Obter uma visão Identificar os Estabelecer os Determinar
geral do sistema modos de falha efeitos da falha Criticidade
possíveis
DFMEA – Design Failure Mode and Effect Analisys

PROJETO Revisar o projeto

Executar FMEA e
Obter uma visão Identificar os Estabelecer os Determinar
geral do sistema modos de falha efeitos da falha Criticidade
possíveis
DFMEA – Design Failure Mode and Effect Analisys

1. Obter uma visão geral do sistema

a. Determinar a função de todos os componentes.
b. Criar os diagramas de função e de confiabilidade.
c. Documentar todos os ambientes e objetivos do Sistema.
DFMEA – Design Failure Mode and Effect Analisys

PROJETO Revisar o projeto

Executar FMEA e
Obter uma visão Identificar os Estabelecer os Determinar
geral do sistema modos de falha efeitos da falha Criticidade
possíveis
DFMEA – Design Failure Mode and Effect Analisys

1. Executar FMEA e Identificar os modos de falha possíveis

a. Identificar TODOS os possíveis modos de falha de cada componente.
b. Analisar fatores que impactem na cadeia do produto, serviço ou Sistema.
i. Armazenagem
ii. Transporte
iii. Embalagem
iv. Execução e aplicação no cliente final (se aplicável)
DFMEA – Design Failure Mode and Effect Analisys

PROJETO Revisar o projeto

Executar FMEA e
Obter uma visão Identificar os Estabelecer os Determinar
geral do sistema modos de falha efeitos da falha Criticidade
possíveis
DFMEA – Design Failure Mode and Effect Analisys

1. Estabelecer os efeitos da falha em cada componente ou em componentes

correlatos do sistema:
a. Determinar os métodos de detecção.
b. Definir se existem modos de falha comuns entre componentes.
DFMEA – Design Failure Mode and Effect Analisys

PROJETO Revisar o projeto

Executar FMEA e
Obter uma visão Identificar os Estabelecer os Determinar
geral do sistema modos de falha efeitos da falha Criticidade
possíveis
DFMEA – Design Failure Mode and Effect Analisys

1. Determinar criticidade das falhas, priorizar e elaborar a LCI (Lista Crítica de

Itens):
a. Desenvolver a LCI.
b. Definir as ações corretivas e/ou as razões de retenção.
DFMEA – Design Failure Mode and Effect Analisys

PROJETO Revisar o projeto

Executar FMEA e
Obter uma visão Identificar os Estabelecer os Determinar
geral do sistema modos de falha efeitos da falha Criticidade
possíveis
DFMEA – Design Failure Mode and Effect Analisys

1. Revisar o projeto:
a. Realizar followup adequado e/ou ações corretivas do projeto.
PFMEA – Process Failure Mode and Effect Analisys

1. A PFMEA prover o desenvolvimento dos processos de Fabricação, na

redução de riscos a partir das falhas:
a. Processo aprimorado Processo robusto
b. Controle de processo aprimorado.
c. Identificar e minimizar riscos:
i. Garantir que os possíveis modos de falha e causas associadas sejam
considerados e tratados.
ii. Padronizar métodos de identificação, avaliação e priorização de
riscos de causas do processo.
iii. Evitar que o cliente experencie modos de falha.
iv. Atender os requisitos do produto
v. Formalizar a disciplina mental no processo de fabricação.
Mapa de Processo
O que é um MAPA de processo

• É uma representação gráfica que representa:

a. A sequência de um trabalho de forma clara e detalhada.
b. As atividades envolvidas e suas inter-relações.
• É uma forma gráfica de detalhar e estratificar o mapeamento do processo
• Para o PFMEA, é a ferramenta que precede a análise dos modos de falha.
• O mapa indicará não apenas a sequência, mas também o detalhamento de
cada etapa.
Aplicação do mapeamento e do mapa para a PFMEA

• A forma sugerida para aplicação do mapa do processo passa por duas etapas:
a) Realizar o mapeamento do processo (o fluxograma horizontal é a forma
mais comum utilizada) para visualizar a sequência das etapas de
processo.
b) Realizar o mapa de processo para detalhar cada etapa do processo.
i. A ferramenta sugerida para esta etapa é o fluxograma vertical de
processo.
Fluxograma Vertical

• Como o nome sugere é formado por “colunas verticais”.

• Mais utilizado para DESCRIÇÃO de rotinas.
• Também conhecido como: folha de análise, folha de simplificação do trabalho
ou diagrama de processo.
• Este tipo é geralmente destinado à representação de rotinas operacionais em
uma unidade específica da empresa.
Sistemática prévia à PFMEA

1. Realizar o mapeamento do processo. O fluxograma horizontal:

Sistemática prévia à PFMEA

2. Realizar o mapa de processo para cada etapa do processo:

Sistemática prévia à PFMEA
4. Quantificar 1. Selecionar
as 4 se a rotina é
intervenções 1 atual ou
por tipo. proposta
4
1

2. Descrever:
qual o
setor/processo,
quem está
3. Descrever elaborando e a
sequencial- data.
mente os
passos da
atividade.
Caso haja
dispositivos
de controle,
check-lists ou
quaisquer
observações
importantes,
descrever no
campo de
descrição
PFMEA
Process Failure Mode and Effect
Analysis
Análise do Processo

Informações do histórico: histórico de

defeitos, retrabalho, devoluções de DFMEA
cliente, RNC’s internas e externas.

Padronização
Fluxo do Plano de
PFMEA (processos da
processo Controles operação)
A condução da PFMEA

1 IDENTIFICAR E LISTAR 2 PARA CADA REQUISITO

TODOS OS REQUISITOS - Identificar possíveis modos de
- Desenvolver o fluxograma de falha
processo.
- Definir o escopo da FMEA

3 PARA CADA MODO DE 4 PARA CADA CAUSA

FALHA - Identificar quais controles
- Avaliar possíveis modos de falha. estarão em vigor para evitar ou
- Identificar as causas. detectar a causa ou o modo de
falha.
- Identificar e implementar ações
de aprimoramento.
Definindo os Requisitos da PFMEA

• O que o processo DEVERIA fazer ou estar fazendo.

• Quais são os OUTPUTS de cada etapa.
• O que se espera ver se a etapa do processo estiver funcionando
corretamente, a partir dos seguintes fatores:
• Características de produto.
• Características do processo.
• Eficiência.
• Eficácia.
• Entre outros.
Definindo os Requisitos da PFMEA

• É necessário identificar
• Como a etapa do processo poderia ser afetada por
• Outras etapas (no mesmo nível).
• Os processos de fornecimento.
• Os processos de uso do cliente.
• Como os defeitos e seus efeitos foram causados ou evitados no
passado:
• Lições aprendidas.
• O que fazer.
• O que não fazer.
O Escopo

• Limite ou alcance da análise

• Definir o que está incluído ou não na análise
• Riscos da falta de definição:
• A FMEA perder o foco da análise.
• Membros incorretos da equipe.
• Análise ingereciável.
• O escopo deve ser definido pelos limites do fluxograma.
Estrutura da PFMEA
ITEM/ Modo de Ações
Requisito Efeitos Causa Controles
Função Falha Recomendadas

Controles Ações
Recomendadas

Causa Controles Ações

Recomendadas

Controles

Modo de Ações
Efeitos Causa Controles
Falha Recomendadas

Controles Ações
Recomendadas

Causa Controles

Controles

Modo de Ações
Requisito Efeitos Causa Controles
Falha Recomendadas
Formulário FMEA

LOGO DA
EMPRESA
Etapa do processo / Função, Requisitos

• Etapa do processo / Função:

• Etapa do processo correlato do fluxograma.
• Requisitos:
• Quais são as especificações, parâmetros, ciclo, vazão, ou quaisquer
condições para execução da etapa do processo. Listar todos os
requisitos.
• Utilizar como referência os fluxogramas verticais e/ou documentos como:
• Matriz de características.
• Fichas técnicas de processo.
 Formulário FMEA
PFMEA

LOGO DA Processo: Preparação de café Número da FMEA: C31

Responsável: Barista Data da FMEA (Original): 15/mai Revisão: 0
EMPRESA Equipe Principal: Huguinho, Zezinho e Luizinho

Processo Atual
Possível ou
Etapa do Possíveis Efeitos Possíveis Causas da Ações Responsável e Data Ações Realizadas e

OCORRÊNCIA (1 - 10)
SEVERIDADE (1 - 10)

SEVERIDADE (1 - 10)
Requisito Potencial Modo Controles de Controles de

DETECÇÃO (1 - 10)

DETECÇÃO (1 - 10)
OCORRÊNCIA (1 - 10)
Processo/Função da Falha Falha Recomendadas para Conclusão Data de Conclusão
de Falha Prevenção Detecção

NPR

NPR
Quais são as
especificações,
Qual é o impacto no Quais são as possíveis Quais as ações Quem é o responsável
Qual é a etapa do parâmetros, ciclo, De quais maneiras Quais os controles Quais os controles Quantas ações foram
cliente se esta falha causas do modo de falha? recomendadas para para assegurar que as
processo que está vazão, ou quaisquer esta etapa do existentes para prevenir a existentes para detectar a completadas (progresso) e
não for prevenida ou (Como elas poderiam reduzir a ocorrência, ou ações sejam concluidas e
sendo analisada? condições para processo pode falhar? falha? falha? quando foram?
corrigida? ocorrer?) melhorar a detecção? suas respectivas datas?
execução da etapa do
processo?

Encher a jarra Para 1 xícara,

com água deve ter a
quantidade 0 0
mínima de 100 ml

0 0

A água deve
estar com a
0 0
temperatura a
90ºC

0 0

A jarra deve
estar livre de 0 0
sujeiras
Potencial Modo de Falha e seus efeitos

De quais maneiras esta etapa do processo pode falhar.

Qual é o impacto no cliente se esta falha não for prevenida ou corrigida.
Para cada requisito:
• Identificar possíveis modos de falha relacionados ao processo.
• Descrição do que seria observado ao não atender o requisito.
• Como o item envolvido no processo não estaria em conformidade com a
especificação.
• O que o cliente consideraria INACEITÁVEL.
• Como o item falha em atender a conformidade regulatória (se aplicável).

IMPORTANTE: Se mais de 4 ou 5 modos de falha forem identificados por

requisito, provavelmente a definição do requisito não esteja bem delimitada.
Formulário FMEA
PFMEA

LOGO DA Processo: Preparação de café Número da FMEA: C31

Responsável: Barista Data da FMEA (Original): 15/mai Revisão: 0
EMPRESA Equipe Principal: Huguinho, Zezinho e Luizinho

Processo Atual
Possível ou
Etapa do Possíveis Efeitos Possíveis Causas da Ações Responsável e Data Ações Realizadas e

OCORRÊNCIA (1 - 10)
SEVERIDADE (1 - 10)

SEVERIDADE (1 - 10)
Requisito Potencial Modo Controles de Controles de

DETECÇÃO (1 - 10)

DETECÇÃO (1 - 10)
OCORRÊNCIA (1 - 10)
Processo/Função da Falha Falha Recomendadas para Conclusão Data de Conclusão
de Falha Prevenção Detecção

NPR

NPR
Quais são as
especificações,
Qual é o impacto no Quais são as possíveis Quais as ações Quem é o responsável
Qual é a etapa do parâmetros, ciclo, De quais maneiras Quais os controles Quais os controles Quantas ações foram
cliente se esta falha causas do modo de falha? recomendadas para para assegurar que as
processo que está vazão, ou quaisquer esta etapa do existentes para prevenir a existentes para detectar a completadas (progresso) e
não for prevenida ou (Como elas poderiam reduzir a ocorrência, ou ações sejam concluidas e
sendo analisada? condições para processo pode falhar? falha? falha? quando foram?
corrigida? ocorrer?) melhorar a detecção? suas respectivas datas?
execução da etapa do
processo?

Encher a jarra Para 1 xícara, Quantidade Café muito forte

com água deve ter a errada de água ou muito fraco
quantidade 8 0 0
mínima de 100 ml

8
0 0

A água deve Água muito Café muito forte 8

estar com a quente
0 0
temperatura a
90ºC
8
0 0

A jarra deve Jarra suja ou Objetos 10

estar livre de contaminada estranhos ou
0 0
sujeiras contaminantes
no café
Café com gosto 10
estranho. 0 0
Severidade

• É o primeiro fator que compõe o NPR (Número Preliminar de Risco).

• Faz a correlação entre o efeito da falha e a causa do modo de falha e define o
quanto esta correlação impacta no produto para o cliente.
Potenciais Causas de Falha

• Quais são as possíveis causas do modo de falha? (Como elas poderiam ocorrer?)
• A possível causa da falha é definida pela forma como o modo de falha pode
ocorrer, descrita em termos de algo que possa ser corrigido ou controlado.
• Cada causa atribuível a um modo de falha deve ser listada e considerada
separadamente.
• Devem ser determinadas pela equipe usando o conhecimento e experiência sobre
o assunto.
• As possíveis causas podem ser determinadas diretamente ou pelo entendimento
dos mecanismos de falha.

• IMPORTANTE: Não só é possível, como recomendável, utilizar ferramentas de

análise de causa como Diagrama de Causa e Efeito, 5 Porquês, entre outras.
Formulário FMEA
PFMEA

LOGO DA Processo: Preparação de café Número da FMEA: C31

Responsável: Barista Data da FMEA (Original): 15/mai Revisão: 0
EMPRESA Equipe Principal: Huguinho, Zezinho e Luizinho

Processo Atual
Possível ou
Etapa do Possíveis Efeitos Possíveis Causas da Ações Responsável e Data Ações Realizadas e

OCORRÊNCIA (1 - 10)
SEVERIDADE (1 - 10)

SEVERIDADE (1 - 10)
Requisito Potencial Modo Controles de Controles de

DETECÇÃO (1 - 10)

DETECÇÃO (1 - 10)
OCORRÊNCIA (1 - 10)
Processo/Função da Falha Falha Recomendadas para Conclusão Data de Conclusão
de Falha Prevenção Detecção

NPR

NPR
Quais são as
especificações,
Qual é o impacto no Quais são as possíveis Quais as ações Quem é o responsável
Qual é a etapa do parâmetros, ciclo, De quais maneiras Quais os controles Quais os controles Quantas ações foram
cliente se esta falha causas do modo de falha? recomendadas para para assegurar que as
processo que está vazão, ou quaisquer esta etapa do existentes para prevenir a existentes para detectar a completadas (progresso) e
não for prevenida ou (Como elas poderiam reduzir a ocorrência, ou ações sejam concluidas e
sendo analisada? condições para processo pode falhar? falha? falha? quando foram?
corrigida? ocorrer?) melhorar a detecção? suas respectivas datas?
execução da etapa do
processo?

Encher a jarra Para 1 xícara, Quantidade Café muito forte Marcas de nível da
com água deve ter a errada de água ou muito fraco jarra apagadas
quantidade 8 0 0
mínima de 100 ml

8 Vazamento de
água da jarra. 0 0

A água deve Água muito Café muito forte 8 A torneira não

estar com a quente está habilitada
0 0
temperatura a para água fria.
90ºC
8 Operador não foi
orientado sobre a
0 0
necessidade da
água fria.
A jarra deve Jarra suja ou Objetos 10 Jarra não foi
estar livre de contaminada estranhos ou lavada
0 0
sujeiras contaminantes
no café
Café com gosto 10 Jarra guardada de
estranho. forma inapropriada 0 0
Controle de Prevenção

• Quais os controles existentes para prevenir a falha.

• Verificar se existem dispositivos/sistemas de controle de prevenção e qual o
nível de robustez desses dispositivos/sistema.
• Dispositivos de prevenção Poka Yoke (à prova de erro) são mais eficazes,
tendendo a se atribuir um índice mais elevado no fator Ocorrência.
Ocorrência

• A ocorrência é um índice ligado à probabilidade de que uma causa específica

ocorrerá.
• A ocorrência é diretamente relacionada a causas especiais identificadas agindo
no processo.
• Para atribuição do índice as premissas são baseadas em:
• Consenso
• Dados históricos
• Estudo de capabilidade de processo (CPK, DOE, entre outros)
Ocorrência
Formulário FMEA
PFMEA

LOGO DA Processo: Preparação de café Número da FMEA: C31

Responsável: Barista Data da FMEA (Original): 15/mai Revisão: 0
EMPRESA Equipe Principal: Huguinho, Zezinho e Luizinho

Processo Atual
Possível ou
Etapa do Possíveis Efeitos Possíveis Causas da Ações Responsável e Data Ações Realizadas e

OCORRÊNCIA (1 - 10)
SEVERIDADE (1 - 10)

SEVERIDADE (1 - 10)
Requisito Potencial Modo Controles de Controles de

DETECÇÃO (1 - 10)

DETECÇÃO (1 - 10)
OCORRÊNCIA (1 - 10)
Processo/Função da Falha Falha Recomendadas para Conclusão Data de Conclusão
de Falha Prevenção Detecção

NPR

NPR
Quais são as
especificações,
Qual é o impacto no Quais são as possíveis Quais as ações Quem é o responsável
Qual é a etapa do parâmetros, ciclo, De quais maneiras Quais os controles Quais os controles Quantas ações foram
cliente se esta falha causas do modo de falha? recomendadas para para assegurar que as
processo que está vazão, ou quaisquer esta etapa do existentes para prevenir a existentes para detectar a completadas (progresso) e
não for prevenida ou (Como elas poderiam reduzir a ocorrência, ou ações sejam concluidas e
sendo analisada? condições para processo pode falhar? falha? falha? quando foram?
corrigida? ocorrer?) melhorar a detecção? suas respectivas datas?
execução da etapa do
processo?

Encher a jarra Para 1 xícara, Quantidade Café muito forte Marcas de nível da Nenhuma
com água deve ter a errada de água ou muito fraco jarra apagadas
quantidade 8 4 0 0
mínima de 100 ml

Vazamento de Nenhuma
8 água da jarra. 5 0 0

A água deve Água muito Café muito forte A torneira não Sensitivo
estar com a quente está habilitada
8 8 0 0
temperatura a para água fria.
90ºC
Operador não foi Nenhuma
orientado sobre a
8 7 0 0
necessidade da
água fria.
A jarra deve Jarra suja ou Objetos Jarra não foi Nenhuma
estar livre de contaminada estranhos ou lavada
10 4 0 0
sujeiras contaminantes
no café
Café com gosto Jarra guardada de Procedimeto de
estranho. 10 forma inapropriada armazenagem 7 0 0
Controle de Detecção

• Quais os controles existentes para detectar a falha.

• Controles de detecção de falha no processo são sistemas, dispositivos ou
atividades que estão (ou estarão) em vigor para:
• Detectar a causa do modo de falha
• Detectar o modo de falha.
• Métodos de controle devem:
• Atender a TODOS os requisitos do cliente.
• Controlar processos.
• Inspeção na etapa de processo ao invés de fim de linha.
• Gerenciamento do sistema de controle.
Detecção
NPR (Número de Prioridade de Risco)

• É o produto dos Fatores:

• Severidade, Ocorrência e Detecção
• NPR = S.O.D
• O NPR vai direcionar a prioridade das ações que controlarão ou eliminarão as
causas dos modos de falha.
• IMPORTANTE: A priorização é sugerida, não obrigatória. Podem haver outros
fatores (qualitativos, ou não) que podem ser considerados para priorizar. É
possível utilizar, a título de sugestão, matrizes acessórias para processo
decisório de ações, como a Matriz ICE:
 1. Desenvolver soluções potenciais
potenciais, utilizand

NPR (Nú[Link] Prioridade

Desenvolver de Risco)
soluções ótimas
Utilizar a MATRIZ DE
facilidade de Execuçã

Critérios Solução 1 Solução 2 Solução 3 O QUE É...

IMPACTO - Quanto da perd

5 1 3
Impacto CUSTO - Qual o custo tota
Melhor Pior Mais ou construção, instalação, ma

5 1 3 EXECUÇÃO - Qual a dificu

Custo máquina parada, estoques
Mais barato Mais caro Mais ou fornecedores externos, nov
5 1 3
Execução
Mais fácil Mais difícil Mais ou
ESCOLHA DA SOLUÇÃO

ICE 125 1 27 Para classificação das solu

uma escala de 1 a 5.

O resultado final será a mul

A solução 1 é a MELHOR!
A solução que apresentar o
Formulário FMEA
PFMEA

LOGO DA Processo: Preparação de café

Responsável: Barista
Número da FMEA: C31
Data da FMEA (Original): 15/mai Revisão: 0
EMPRESA Equipe Principal: Huguinho, Zezinho e Luizinho

Processo Atual
Possível ou
Etapa do Possíveis Efeitos Possíveis Causas da Ações Responsável e Data Ações Realizadas e

OCORRÊNCIA (1 - 10)
SEVERIDADE (1 - 10)

SEVERIDADE (1 - 10)
Requisito Potencial Modo Controles de Controles de

DETECÇÃO (1 - 10)

DETECÇÃO (1 - 10)
OCORRÊNCIA (1 - 10)
Processo/Função da Falha Falha Recomendadas para Conclusão Data de Conclusão
de Falha Prevenção Detecção

NPR

NPR
Quais são as
especificações,
Qual é o impacto no Quais são as possíveis Quais as ações Quem é o responsável
Qual é a etapa do parâmetros, ciclo, De quais maneiras Quais os controles Quais os controles Quantas ações foram
cliente se esta falha causas do modo de falha? recomendadas para para assegurar que as
processo que está vazão, ou quaisquer esta etapa do existentes para prevenir a existentes para detectar a completadas (progresso) e
não for prevenida ou (Como elas poderiam reduzir a ocorrência, ou ações sejam concluidas e
sendo analisada? condições para processo pode falhar? falha? falha? quando foram?
corrigida? ocorrer?) melhorar a detecção? suas respectivas datas?
execução da etapa do
processo?

Encher a jarra Para 1 xícara, Quantidade Café muito forte Marcas de nível da Nenhuma Inspeção Visual
com água deve ter a errada de água ou muito fraco jarra apagadas
quantidade 8 4 4 128 0
mínima de 100 ml

Vazamento de Nenhuma Nenhuma

8 água da jarra. 5 9 360 0

A água deve Água muito Café muito forte A torneira não Sensitivo Nenhuma
estar com a quente está habilitada
8 8 4 256 0
temperatura a para água fria.
90ºC
Operador não foi Nenhuma Nenhuma
orientado sobre a
8 7 7 392 0
necessidade da
água fria.
A jarra deve Jarra suja ou Objetos Jarra não foi Nenhuma Inspeção Visual
estar livre de contaminada estranhos ou lavada
10 4 4 160 0
sujeiras contaminantes
no café
Café com gosto Jarra guardada de Procedimeto de Nenhuma
estranho. 10 forma inapropriada armazenagem 7 5 350 0
Ações Recomendadas, Responsável e Ações Relizadas

• Quais as ações recomendadas para reduzir a ocorrência, ou melhorar a

detecção.
• Quem é o responsável para assegurar que as ações sejam concluidas e suas
respectivas datas.
• Quantas ações foram completadas (progresso) e quando foram.
• As ações devem determinar as ações para atacar, prioritariamente, a causa.
• Definir um único responsável para cada ação, não designar área.
• Realizar o follow-up sistemático das ações e seus respectivos progressos.

• IMPORTANTE: a abordagem sugerida indica que as ações NÃO ALTERAM

índice de SEVERIDADE.
Formulário FMEA
PFMEA

LOGO DA Processo: Preparação de café Número da FMEA: C31

Responsável: Barista Data da FMEA (Original): 15/mai Revisão: 0
EMPRESA Equipe Principal: Huguinho, Zezinho e Luizinho

Processo Atual
Possível ou
Etapa do Possíveis Efeitos Possíveis Causas da Ações Responsável e Data Ações Realizadas e

OCORRÊNCIA (1 - 10)
SEVERIDADE (1 - 10)

SEVERIDADE (1 - 10)
Requisito Potencial Modo Controles de Controles de

DETECÇÃO (1 - 10)

DETECÇÃO (1 - 10)
OCORRÊNCIA (1 - 10)
Processo/Função da Falha Falha Recomendadas para Conclusão Data de Conclusão
de Falha Prevenção Detecção

NPR

NPR
Quais são as
especificações,
Qual é o impacto no Quais são as possíveis Quais as ações Quem é o responsável
Qual é a etapa do parâmetros, ciclo, De quais maneiras Quais os controles Quais os controles Quantas ações foram
cliente se esta falha causas do modo de falha? recomendadas para para assegurar que as
processo que está vazão, ou quaisquer esta etapa do existentes para prevenir a existentes para detectar a completadas (progresso) e
não for prevenida ou (Como elas poderiam reduzir a ocorrência, ou ações sejam concluidas e
sendo analisada? condições para processo pode falhar? falha? falha? quando foram?
corrigida? ocorrer?) melhorar a detecção? suas respectivas datas?
execução da etapa do
processo?

Encher a jarra Para 1 xícara, Quantidade Café muito forte Marcas de nível da Nenhuma Inspeção Visual Substituir as jarras Huguinho. Jarras substituídas
com água deve ter a errada de água ou muito fraco jarra apagadas antigas 05/06/2021. 9/15. 01/06/2021
quantidade 8 4 4 128 8 1 3 24
mínima de 100 ml

Vazamento de Nenhuma Nenhuma Criar o método de Zezinho. Criado em

8 água da jarra. 5 9 360 inspeção para 01/06/2021 30/05/2021 8 2 7 112
vazamento

A água deve Água muito Café muito forte A torneira não Sensitivo Nenhuma Instalação de Luizinho. Instalado em
estar com a quente está habilitada torneira e sistema 01/06/2021 05/06/2021
8 8 4 256 8 2 6 96
temperatura a para água fria. de água fria.
90ºC
Operador não foi Nenhuma Nenhuma Criar o método de Zezinho. Criado em
orientado sobre a utilização de água 01/06/2021 30/05/2021
8 7 7 392 8 1 8 64
necessidade da fria.
água fria.
A jarra deve Jarra suja ou Objetos Jarra não foi Nenhuma Inspeção Visual Implementar Zezinho. Criado em
estar livre de contaminada estranhos ou lavada inspeção antes da 01/06/2021 30/05/2021
10 4 4 160 10 1 4 40
sujeiras contaminantes armazenagem
no café
Café com gosto Jarra guardada de Procedimeto de Nenhuma Reformar Luizinho. Instalado em
estranho. forma inapropriada armazenagem instalações de 01/06/2021 10/06/2021
10 7 5 350 10 2 3 60
armazenamento
das jarras
Etapas posteriores

• Realizar reuniões conforme cronograma para:

• Garantir o prazo de conclusão
• Acompanhar as implementações de ações e redefinição de NPR.
• Montar um Plano de Controle a partir da FMEA
• Definir uma frequência de revisão.
• Validar as eficácias das ações por um período após a implementação.
OBRIGADO
Raízes fortes garantem
melhores frutos.
Análise Gráfica de Dados
Objetivos esperados

Ao final desse módulo o participante será capaz de:

▪ Elaborar e interpretar o Boxplot.
▪ Elaborar e interpretar o Main Effects Plot.
▪ Elaborar e interpretar o Multivari Chart.
▪ Elaborar e interpretar o Individuals Chart.
A importância dos gráficos

As ferramentas gráficas nos indicam se uma ou mais variáveis de

entrada (X’s) do processo estão influindo nas variáveis de resposta
(Y’s) e, possibilitam uma visualização rápida da sua importância.
Como não se tratam de ferramentas estatísticas, não devem ser usadas
para obter conclusões para tomada de decisão, até que tudo seja
comprovado cientificamente.
Abrindo Análise Grá[Link]
Boxplot – buscando o diretório...
Selecionando o tipo de gráfico...
Preenchendo o quadro de diálogo...
O resultado dos operadores...

Limite Superior
3Q + 1,5 (3Q – 1Q)

3º Quartil

Mediana

1º Quartil

Limite Inferior
3Q – 1,5 (3Q – 1Q)
Preenchendo o quadro de diálogo...
O resultado das máquinas...
O resultado agrupado...
O resultado agrupado...
Main Effects Plot – buscando o diretório...
Preenchendo o quadro de diálogo...
O resultado...
Multivari Chart – buscando o diretório...
Preenchendo o quadro de diálogo...
O resultado...
Individuals Chart – buscando o diretório...
Preenchendo o quadro de diálogo...
Individual Chart – Máquina 1

I Chart of Maquina_1
90
UCL=89,76

88
Individual Value

86
_
X=84,76
84

82

80 LCL=79,75

1 4 7 10 13 16 19 22 25 28
Observation
Individual Chart – Máquina 2

I Chart of Maquina_2
94
UCL=93,355
93

Individual Value 92

91

90 _
X=89,753
89

88

87

86 LCL=86,151

1 4 7 10 13 16 19 22 25 28
Observation
Individual Chart – Máquina 3

I Chart of Maquina_3
100 UCL=99,86

98
Individual Value

96 _
X=95,50

94

92
LCL=91,13
1
90
1 4 7 10 13 16 19 22 25 28
Observation
Raízes fortes garantem
melhores frutos.
Controle Estatístico de Processo
Objetivos esperados

Ao final desse módulo o participante saberá sobre:

▪ Importância do Controle Estatístico de Processo.
▪ Diferença entre monitoramento e controle.
▪ Desenvolvimento e interpretação de gráficos de controle.
▪ Cartas de controle e suas principais aplicações.
▪ Causas comuns e causas especiais.
▪ O conceito e os tipos de gráficos de controle.
Importância do Controle Estatístico de Processo

O Controle Estatístico de Processo é importante porque:

✓ Mantém o processo centrado e estatisticamente sob controle.
✓ Permite calcular os limites naturais de variação do processo.
✓ Possibilita a identificação das causas especiais de variação.
✓ Facilita o controle efetivo das variáveis de entrada e de saída.
✓ Auxilia na redução da variabilidade.
✓ Possibilita determinar a capacidade do processo.
✓ Oferece um sistema de comunicação visual com alarmes preventivos.
✓ Enfoca os esforços de melhoria.
Conceito e Aplicação do CEP

O CEP é uma técnica de gráficos de controle que permite controlar as

variáveis chave de um processo.
▪ O controle difere do monitoramento:

Controlar = Monitorar + Agir

▪ Como o controle atua sobre as variáveis de entrada do processo (X’s) e

não de resposta (Y’s), torna-se uma importante ferramenta para a
garantia da capacidade do processo.
Processo sob controle estatístico...

Um processo está sob controle estatístico quando:

✓ Os dados do processo são normais e variam aleatoriamente em
relação à media (m ± 3s).
✓ Os estatísticos de centrado e de dispersão estão sob controle.
✓ Os resultados não demonstram tendências ou padrões.
✓ Não há presença de causas especiais atribuídas às observações.
Requisitos do CEP:
a. Garanta que os dados sejam confiáveis.
b. Calcule os limites naturais de variação do processo.
c. Fique de olho em possíveis tendências dos dados.
Causas comuns e causas especiais

As causas comuns de variabilidade possuem as seguintes características:

✓ São inerentes ao processo.
✓ São aleatórias, ou seja, não seguem quaisquer tendências ou padrões.
✓ A detecção é mais difícil (solucionadas apenas com o DMAIC).

As causas especiais de variabilidade possuem as seguintes características:

✓ Não são inerentes ao processo.
✓ São intermitentes, ou seja, seguem tendências.
✓ A detecção é mais simples (a princípio, podem ser solucionadas com o
PDCA Completo).
Processo sob controle...

Média sob controle

Dispersão sob
controle

Objetivo

LSL USL
Processo fora de controle – caso 1...

Média fora de
controle

Dispersão sob
controle

Objetivo

LSL USL
Processo fora de controle – caso 2...

Média sob controle

Dispersão fora de
controle

Objetivo

LSL USL
Processo fora de controle – caso 3...

Média fora de
controle

Dispersão fora de
controle

Objetivo

LSL USL
Em resumo...

PROCESSO SOB CONTROLE

Média sob controle Dispersão sob controle

PROCESSO FORA DE CONTROLE

Média fora de controle Dispersão sob controle

Média sob controle Dispersão fora de controle

Média fora de controle Dispersão fora de controle

Visualização Gráfica

99,73%

1s 1s 1s 1s 1s 1s

-∞ +∞
m ± 3s
Visualização Gráfica

1s 1s 1s 1s 1s 1s

m
Visualização Gráfica
Visualização Gráfica
Visualização Gráfica

1s 1s 1s 1s 1s 1s

m
Visualização Gráfica

1s 1s 1s 1s 1s 1s

m
Visualização Gráfica

1s 1s 1s 1s 1s 1s

m
Visualização Gráfica

1s 1s 1s 1s 1s 1s

m
Visualização Gráfica – Área de Variação Natural

LSC – Limite Superior de Controle

1s 1s 1s 1s 1s 1s

Área de variação
Média
natural do

m
processo (99,73%)

LIC – Limite Inferior de Controle

Visualização Gráfica – Variação Aleatória

LSC – Limite Superior de Controle

1s 1s 1s 1s 1s 1s

LIC – Limite Inferior de Controle

CEP – Análise das Causas Especiais

Prova 1: Um ou mais pontos fora dos limites de

controle

LSC – Limite Superior de Controle

1s 1s 1s 1s 1s 1s

LIC – Limite Inferior de Controle

CEP – Análise das Causas Especiais

Prova 2: Nove pontos consecutivos no mesmo

lado da linha central

LSC – Limite Superior de Controle

1s 1s 1s 1s 1s 1s

LIC – Limite Inferior de Controle

CEP – Análise das Causas Especiais

Prova 3: Seis pontos consecutivos aumentando

ou diminuindo

LSC – Limite Superior de Controle

1s 1s 1s 1s 1s 1s

LIC – Limite Inferior de Controle

CEP – Análise das Causas Especiais

Prova 4: Quatorze pontos consecutivos se

alternando em relação à média

LSC – Limite Superior de Controle

1s 1s 1s 1s 1s 1s

LIC – Limite Inferior de Controle

CEP – Análise das Causas Especiais

Prova 5: Dois de três pontos consecutivos a

mais de dois sigma no mesmo lado

LSC – Limite Superior de Controle

1s 1s 1s 1s 1s 1s

LIC – Limite Inferior de Controle

CEP – Análise das Causas Especiais

Prova 6: Quatro de cinco pontos consecutivos a

mais de um sigma no mesmo lado

LSC – Limite Superior de Controle

1s 1s 1s 1s 1s 1s

LIC – Limite Inferior de Controle

CEP – Análise das Causas Especiais

Prova 7: Quinze pontos consecutivos a menos

de um sigma

LSC – Limite Superior de Controle

1s 1s 1s 1s 1s 1s

LIC – Limite Inferior de Controle

CEP – Análise das Causas Especiais

Prova 8: Oito pontos consecutivos a mais de um

sigma de qualquer lado

LSC – Limite Superior de Controle

1s 1s 1s 1s 1s 1s

LIC – Limite Inferior de Controle

As 8 Causas Especiais...

Prova 1: Um ou mais pontos fora dos limites de

controle
Prova 2: Nove pontos consecutivos no mesmo
lado da linha central
Prova 3: Seis pontos consecutivos aumentando
ou diminuindo
Prova 4: Quatorze pontos consecutivos se
alternando
Prova 5: Dois de três pontos consecutivos a
mais de dois sigma no mesmo lado
Prova 6: Quatro de cinco pontos consecutivos a
mais de um sigma no mesmo lado
Prova 7: Quinze pontos consecutivos a menos
de um sigma
Prova 8: Oito pontos consecutivos a mais de um
sigma de qualquer lado
Raízes fortes garantem
melhores frutos.
Cartas de Controle para Variáveis
Objetivos esperados

Ao final desse módulo o participante saberá sobre:

▪ Elaboração e interpretação de cartas de controle para variáveis.
As 8 Causas Especiais...

Prova 1: Um ou mais pontos fora dos limites de

controle
Prova 2: Nove pontos consecutivos no mesmo
lado da linha central
Prova 3: Seis pontos consecutivos aumentando
ou diminuindo
Prova 4: Quatorze pontos consecutivos se
alternando
Prova 5: Dois de três pontos consecutivos a
mais de dois sigma no mesmo lado
Prova 6: Quatro de cinco pontos consecutivos a
mais de um sigma no mesmo lado
Prova 7: Quinze pontos consecutivos a menos
de um sigma
Prova 8: Oito pontos consecutivos a mais de um
sigma de qualquer lado
Tipos de cartas de controle
Não n=1
I-MR Chart

Dados de
Variáveis Subgrupos? Xbar-R Chart
2≤n≤8
n?
Sim
n≥5
Xbar-S Chart
Tipos de Dados

P Chart
% Defeituosos
Não
O quê?
DPU
U Chart
Atributos Tamanho
Constante?
NP Chart
% Defeituosos
O quê?
Sim
Qtd Defeitos
C Chart
I-MR Chart – Dados Variáveis | n = 1

Aplicação
• Esta carta é utilizada quando o tamanho amostral usado para o controle
de processo é n = 1.
• Na carta I são plotados os valores individuais da amostra e, na carta
MR o módulo do range móvel do resultado de cada amostra em
relação ao resultado da amostra anterior.

Exemplo
• No arquivo CEP I-MR Chart podemos encontrar o valor da temperatura de
uma mistura de mosto num tanque de fermentação.
• Durante 30 horas, foram coletadas amostras da temperatura da mistura (1
unidade por hora) para que fosse elaborada a I-MR Chart.
Abrindo CEP I-MR [Link]
Buscando o diretório...
Preenchendo o quadro de diálogo...
Selecionando as opções de teste da carta...
O gráfico I-MR Chart

I-MR Chart of Temperatura

120 1

U C L=111,64

Individual Value
110

_
100 X=99,49

90
LC L=87,34

80 1
1 4 7 10 13 16 19 22 25 28
O bser vation

1
20 1 1
1
M oving Range

15 U C L=14,92

10

__
5 M R=4,57
2
0 2 LC L=0
2 2

1 4 7 10 13 16 19 22 25 28
O bser vation
I-MR Chart

Limites de Controle
Para os Valores Individuais (I) Onde:
UCLX = X + E2 * R UCLX = Limite Superior de Controle da Média
LCLX = X – E2 * R LCLX = Limite Inferior de Controle da Média
Para as Amplitudes Móveis (MR) X = Média dos Resultados
UCLMR = D4 * R E2 = Constante (2,66)
LCLMR = D3 * R UCLMR = Limite Superior de Controle do Range
LCLMR = Limite Inferior de Controle do Range
R = Range Médio
D3 = Constante (0,00)
D4 = Constante (3,27)
Xbar-R Chart – Dados Variáveis | 2 ≤ n ≤ 8

Aplicação
• Esta carta é utilizada quando o tamanho amostral usado para o controle
de processo é 2 ≤ n ≤ 8.
• Na carta Xbar são plotadas as médias das amostras (subgrupos) e na
carta R o range de cada amostra coletada.

Exemplo
• No arquivo CEP Xbar-R Chart podemos encontrar o valor do peso de um
produto alimentício.
• Durante 30 horas, foram coletadas amostras do produto (5 unidades por hora)
para que fosse elaborada a Xbar-R Chart.
Abrindo CEP Xbar-R [Link]
Buscando o diretório...
Preenchendo o quadro de diálogo...
Selecionando as opções de teste da carta...
O gráfico Xbar-R Chart

Xbar-R Chart of Peso_1; ...; Peso_5

1
60
U C L=57,20

Sample M ean
2
2 _
_
50 2
X=48,61

40 LC L=40,02

1
1 4 7 10 13 16 19 22 25 28
Sample

1
40

U C L=31,50
30
Sample Range

20
_
R=14,90
10

0 LC L=0
1 4 7 10 13 16 19 22 25 28
Sample
Xbar-R Chart

Limites de Controle
Limites de Controle da Média Onde:
UCLX = X + A2 * R UCLX = Limite Superior de Controle da Média
LCLX = X – A2 * R LCLX = Limite Inferior de Controle da Média
Limites de Controle do Range X = Média das Médias dos Resultados
UCLR = D4 * R A2 = Constante (vide Tabela)
LCLR = D3 * R R = Range Médio
UCLR = Limite Superior de Controle do Range
n A2 D3 D4 d2
2 1,88 0,00 3,27 1,13
LCLR = Limite Inferior de Controle do Range
3 1,02 0,00 2,57 1,69 D3 = Constante (vide Tabela)
4 0,73 0,00 2,28 2,06 D4 = Constante (vide Tabela)
5 0,58 0,00 2,11 2,33
6 0,48 0,00 2,00 2,53
Xbar-S Chart – Dados Variáveis | n ≥ 5

Aplicação
• Esta carta é utilizada quando o tamanho amostral usado para o controle
de processo é n ≥ 5.
• Na carta Xbar são plotadas as médias das amostras (subgrupos) e na
carta S o desvio padrão de cada amostra coletada.
• Como trabalha com desvio padrão, Xbar-S é mais precisa que a Xbar-R.

Exemplo
• No arquivo CEP Xbar-S Chart podemos encontrar o valor do peso de um
produto alimentício.
• Durante 30 horas, foram coletadas amostras do produto (10 unidades por hora)
para que fosse elaborada a Xbar-S Chart.
Abrindo CEP Xbar-S [Link]
Buscando o diretório...
Preenchendo o quadro de diálogo...
Selecionando as opções de teste da carta...
O gráfico Xbar-S Chart

Xbar-S Chart of Peso_1; ...; Peso_10

57 1
U C L=55,99
54

Sample M ean
51 _
_
X=49,72
48

45
LC L=43,44
1
1 4 7 10 13 16 19 22 25 28
Sample

1
12
U C L=11,04
Sample StDev

_
S =6,43
6

3
LC L=1,83
1 4 7 10 13 16 19 22 25 28
Sample
Xbar-S Chart

Limites de Controle
Limites de Controle da Média Onde:
UCLX = X + A3 * S UCLX = Limite Superior de Controle da Média
LCLX = X – A3 * S LCLX = Limite Inferior de Controle da Média
Limites de Controle do Range X = Média das Médias dos Resultados
UCLS = B4 * S A3 = Constante (vide Tabela)
LCLS = B3 * S S = Desvio Padrão Médio
UCLR = Limite Superior de Controle do Range
n A3 B3 B4
7 1,18 0,12 1,88
LCLR = Limite Inferior de Controle do Range
8 1,10 0,18 1,82 B3 = Constante (vide Tabela)
9 1,03 0,24 1,76 B4 = Constante (vide Tabela)
10 0,98 0,28 1,72
25 0,61 0,56 1,44
Raízes fortes garantem
melhores frutos.
Cartas de Controle para Atributos
Objetivos esperados

Ao final desse módulo o participante saberá sobre:

▪ Elaboração e interpretação de cartas de controle para atributos.
As 8 Causas Especiais...

Prova 1: Um ou mais pontos fora dos limites de

controle
Prova 2: Nove pontos consecutivos no mesmo
lado da linha central
Prova 3: Seis pontos consecutivos aumentando
ou diminuindo
Prova 4: Quatorze pontos consecutivos se
alternando
Prova 5: Dois de três pontos consecutivos a
mais de dois sigma no mesmo lado
Prova 6: Quatro de cinco pontos consecutivos a
mais de um sigma no mesmo lado
Prova 7: Quinze pontos consecutivos a menos
de um sigma
Prova 8: Oito pontos consecutivos a mais de um
sigma de qualquer lado
Tipos de cartas de controle
Não n=1
I-MR Chart

Dados de
Variáveis Subgrupos? Xbar-R Chart
2≤n≤8
n?
Sim
n≥5
Xbar-S Chart
Tipos de Dados

P Chart
% Defeituosos
Não
O quê?
DPU
U Chart
Atributos Tamanho
Constante?
NP Chart
% Defeituosos
O quê?
Sim
Qtd Defeitos
C Chart
P Chart – Dados Atributos | n Não Constante | % Defeituosos

Aplicação
• Esta carta é utilizada quando se deseja controlar a proporção de erros
e/ou defeitos encontrados em amostras de tamanhos diferentes.
• Na carta P são plotadas as proporções existentes entre a quantidade
de amostras defeituosas e o total de peças inspecionadas.

Exemplo
• No arquivo CEP P Chart podemos encontrar a quantidade de veículos
inspecionados e a de veículos defeituosos correspondentes a cada amostra.
• Durante 20 horas, foram coletadas amostras de tamanhos diferentes para que
fosse elaborada a P Chart.
Abrindo CEP P [Link]
Buscando o diretório...
Preenchendo o quadro de diálogo...
Selecionando as opções de teste da carta...
O gráfico P Chart

P Chart of Defeituosos
0,035
UCL=0,03283
0,030

0,025
Proportion

0,020 _
P=0,01907

0,015

0,010

0,005 LCL=0,00531

1 3 5 7 9 11 13 15 17 19
Sample
Tests performed with unequal sample sizes
P Chart

Limites de Controle
Limites de Controle da Média Onde:
UCLp = p + 3 * [(p * (1 – p) / n)]¹/² UCLp = Limite Superior de Controle da Média
LCLp = p - 3 * [(p * (1 – p) / n)]¹/² LCLp = Limite Inferior de Controle da Média

p= S n * p / Sn p = Média dos Percentuais de Defeitos

n = Média do Tamanho Amostral
n= Sn/k
k = Quantidade de Lotes Inspecionados
U Chart – Dados Atributos | n Não Constante | DPU

Aplicação
• Esta carta é utilizada quando se deseja controlar a quantidade de
defeitos por unidade encontrados em amostras de tamanhos
diferentes.
• Na carta U são plotadas os defeitos existentes em cada amostra
coletada (DPU) dividido pela quantidade de unidades inspecionadas.

Exemplo
• No arquivo CEP U Chart podemos encontrar a quantidade de veículos
inspecionados e o total de defeitos observados em cada amostra.
• Durante 20 horas, foram coletadas amostras de tamanhos diferentes para que
fosse elaborada a U Chart.
Abrindo CEP U [Link]
Buscando o diretório...
Preenchendo o quadro de diálogo...
Selecionando as opções de teste da carta...
O gráfico U Chart

U Chart of Defeitos por Unidade

0,20 UCL=0,1995

Sample Count Per Unit 0,15

_
0,10 U=0,1041

0,05

LCL=0,0087
0,00
1 3 5 7 9 11 13 15 17 19
Sample
Tests performed with unequal sample sizes
U Chart

Limites de Controle
Limites de Controle da Média Onde:
UCLu = u + 3 * (u / N)¹/² UCLu = Limite Superior de Controle da Média
LCLu = u - 3 * (u / N)¹/² LCLu = Limite Inferior de Controle da Média
u = Média Global de Defeitos por Unidade
N = Média do Tamanho Amostral
NP Chart – Dados Atributos | n Constante | % Defeituosos

Aplicação
• Esta carta é utilizada quando se deseja controlar a proporção de erros
e/ou defeitos encontrados em amostras de tamanhos iguais.
• Na carta NP são plotadas as proporções existentes entre a quantidade
de amostras defeituosas e o total de peças inspecionadas.

Exemplo
• No arquivo CEP NP Chart podemos encontrar a quantidade de veículos
inspecionados e a de veículos defeituosos correspondentes a cada amostra.
• Durante 20 horas, foram coletadas amostras de tamanhos iguais para que fosse
elaborada a NP Chart.
Abrindo CEP NP [Link]
Buscando o diretório...
Preenchendo o quadro de diálogo...
Selecionando as opções de teste da carta...
O gráfico NP Chart

NP Chart of Defeituosos
50 1

UCL=46,81

40
Sample Count

__
30 NP=30,5

20

LCL=14,19

10
1 3 5 7 9 11 13 15 17 19
Sample
NP Chart

Limites de Controle
Limites de Controle para a Média Onde:
UCLnp = np + 3 * [(np * (1 – p)]¹/² UCL = Limite Superior de Controle da Média
LCLnp = np - 3 * [(np * (1 – p)]¹/² LCL = Limite Inferior de Controle da Média
n = Tamanho da Amostra
p = Proporção de Defeituosos
np = Número de Defeituosos
C Chart – Dados Atributos | n Constante | DPU

Aplicação
• Esta carta é utilizada quando se deseja controlar a quantidade de
defeitos por unidade encontrados em amostras de tamanhos iguais.
• Na carta C são plotadas os defeitos existentes em cada amostra
coletada.

Exemplo
• No arquivo CEP C Chart podemos encontrar a quantidade de veículos
inspecionados e o total de defeitos observados em cada amostra.
• Durante 20 horas, foram coletadas amostras de tamanhos iguais para que fosse
elaborada a C Chart.
Abrindo CEP C [Link]
Buscando o diretório...
Preenchendo o quadro de diálogo...
Selecionando as opções de teste da carta...
O gráfico C Chart

C Chart of Defeitos_C
18

16 UCL=16,26

14

12
Sample Count

10
_
8 C=7,85

0 LCL=0

1 3 5 7 9 11 13 15 17 19
Sample
C Chart

Limites de Controle
Limites de Controle da Média Onde:
UCLc = c + 3 * ( c )¹/² UCLc = Limite Superior de Controle da Média
LCLc = = c + 3 * ( c )¹/² LCLc = Limite Inferior de Controle da Média
Raízes fortes garantem
melhores frutos.
Diagrama de Ishikawa
Objetivos esperados
Ao final desse módulo o participante será capaz de:
▪ Elaborar um Diagrama de Ishikawa (Causa e Efeito).
Criando um Diagrama de Ishikawa
Vamos criar um Diagrama de Ishikawa (C&E) para identificar os fatores
que afetam uma linha de produção, tendo como referência os 6 M´s de
Ishikawa:
➢ Mão de Obra.
➢ Máquina.
➢ Matéria Prima.
➢ Método.
➢ Medição.
➢ Meio Ambiente.
Abrindo Diagrama de C&[Link]
Buscando função Cause-and-Effect...
Preenchendo o quadro de diálogo...
O Resultado...

Diagrama de Ishikawa
Measurements Material Personnel

Baixa linearidade
Lote v encido Insuficiência de M O

Baixa repetibilidade
Baixa resistência P ouca experiência
P ouca estabilidade

Q ualidade fora do C apacitação insuficiente

Discriminação padrão
inadequada
Baixa
Eficiência
P eças improv isadas

E xcesso de poeira M étodo obsoleto E xcesso de horas

C ondições adv ersas

Deficiência na P rocedimento C omponentes obsoletos

iluminação inadequado
M anutenção inadequada

Environment Methods Machines

Raízes fortes garantem
melhores frutos.
Analyse
Objetivos esperados...

Ao final desse módulo o participante saberá sobre:

▪ A aplicação das ferramentas da etapa Analyse no desenvolvimento de um
projeto.
Analyse

Objetivos
Define ▪ Realizar a análise do processo
▪ Identificar as causas raízes

Conceitos e Ferramentas
Control Measure • Análise Gráfica de Dados
• Controle Estatístico de Processo
• Teorema do Limite Central
• Intervalos de Confiança
• Testes de Hipóteses
• ANOVA (Analysis of Variance)
Improve Analyse
• Tamanho da Amostra e Poder da Prova
• Tempestade de Ideias
• Diagrama de Ishikawa
• Estudo dos Por Quês
Limites de Especificação x Limites de Controle

Limites de Especificação
São os valores estabelecidos com base nas necessidades ou expectativas dos clientes
(mercado, legislação, engenharia, fabricante).
• LIE Limite Inferior de Especificação (LSL: Lower Specification Limit).
• LSE Limite Superior de Especificação (USL: Upper Specification Limit).

Limites de Controle
São calculados em função da variação natural do processo, e toma como base sua média
aritmética e seu desvio padrão.
• LIC Limite Inferior de Controle (LCL: Lower Control Limit) = Média – 3s.
• LSC Limite Superior de Controle (UCL: Upper Control Limit) = Média + 3s.
Limites de Especificação

Variáveis de Resposta Und Média D Padrão LSL USL

Peso da barra de chocolate gramas 1.000,00 15,00 955,00 1.045,00

Variáveis de Entrada Und Média D Padrão LSL USL

Peso do açúcar gramas 160,00 3,00 151,00 169,00
Peso da manteiga de cacau gramas 100,00 2,00 94,00 106,00
Peso do leite em pó gramas 300,00 5,00 285,00 315,00
Peso do leite condensado gramas 100,00 2,00 94,00 106,00
Peso do cacau em pó gramas 300,00 5,00 285,00 315,00
Peso dos micro ingredientes gramas 40,00 1,00 37,00 43,00
Tempo de batimento min 10,00 0,50 8,50 11,50
Temperatura de batimento ºCelcius 80,00 2,00 74,00 86,00
Temperatura de resfriamento ºCelcius 5,00 0,05 4,85 5,15
Tempo de resfriamento min 2,00 0,04 1,88 2,12
 Limites de Controle

Variáveis de Resposta Und Média D Padrão LCL UCL

Peso da barra de chocolate gramas 1.105,70 14,70 1.061,60 1.149,80

Variáveis de Entrada Und Média D Padrão LCL UCL

Foco Peso do açúcar gramas 195,80 7,36 173,72 217,88
Peso da manteiga de cacau gramas 100,18 0,87 97,57 102,79
Foco Peso do leite em pó gramas 370,89 12,48 333,45 408,33
Peso do leite condensado gramas 99,65 2,17 93,13 106,17
Peso do cacau em pó gramas 300,38 2,80 291,98 308,78
Peso dos micro ingredientes gramas 39,99 0,52 38,45 41,54
Tempo de batimento min 10,00 0,01 9,97 10,03
Temperatura de batimento ºCelcius 80,09 1,04 76,97 83,21
Temperatura de resfriamento ºCelcius 5,01 0,05 4,85 5,16
Tempo de resfriamento min 2,00 0,01 1,97 2,03
Xbar-R Chart para o peso da barra de chocolate

Peso da Barra de Chocolate

U C L=1124,24
1120

Sample M ean
1110 _
_
X=1105,74
1100

1090
LC L=1087,23
1 4 7 10 13 16 19 22 25 28
Sample

U C L=67,83
60
Sample Range

45
_
30 R=32,08

15

0 LC L=0
1 4 7 10 13 16 19 22 25 28
Sample

O peso da barra de chocolate se encontra sob controle

estatístico
Metas Específicas

Problema Focado
Tomando como base os limites de especificação e os de controle, concluímos que o peso
do açúcar e do leite em pó são as variáveis de entrada que estão provocando o
sobrepeso nas barras de chocolate, devendo ser focadas a partir de agora, visto que não
atendem às especificações de projeto.
Próximos passos
1. Realizar análise gráfica.
2. Realizar a análise do sistema de medição.
3. Analisar a capacidade de processo.
4. Estabelecer as metas específicas.
5. Seguir para as próximas etapas da metodologia.
Teste de Normalidade – Peso do Açúcar

Teste de Normalidade - Peso do Açúcar (g)

Normal
99,9
Mean 195,9
StDev 6,411
99 N 150
RJ 0,997
95 P-Value >0,100
90
80
70
Percent

60
50
40 Valor P é
30 maior que
20 Os pontos 0,05
10 coincidem com
5 a linha azul
1

0,1
180 190 200 210 220
Peso Açúcar
 Capacidade Inicial de Processo – Peso do Açúcar

Capacidade Inicial de Processo - Peso do Açúcar (g)

LSL Target USL

P rocess Data Within
LS L 151 Overall
Target 160
USL 169 P otential (Within) C apability
Dados do Processo S ample M ean 195,874 Cp 0,47
S ample N 150 C PL 2,33 Capacidade
S tDev (Within) 6,42273 C P U -1,39
S tDev (O v erall) 6,41074 C pk -1,39
O v erall C apability
Pp 0,47
PPL 2,33
Desempenho
PPU -1,40
P pk -1,40
C pm 0,08

150 160 170 180 190 200 210

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0,00 PPM < LS L 0,00 P P M < LS L 0,00
Defeitos PPM
P P M > U S L 1000000,00 PPM > U S L 999985,69 P P M > U S L 999986,18
P P M Total 1000000,00 PPM Total 999985,69 P P M Total 999986,18
Teste de Normalidade – Peso do Leite em Pó

Teste de Normalidade - Peso do Leite em Pó (g)

Normal
99,9
Mean 369,8
StDev 13,64
99 N 150
RJ 0,997
95 P-Value >0,100
90
80
70
Percent

60
50
40 Valor P é
30 maior que
20 Os pontos 0,05
10 coincidem com
5 a linha azul
1

0,1
320 330 340 350 360 370 380 390 400 410
Peso Leite Pó
 Capacidade Inicial de Processo – Peso do Leite em Pó

Capacidade Inicial de Processo - Peso do Leite em Pó (g)

LSL Target USL

P rocess Data Within
LS L 285 Overall
Target 300
USL 315 P otential (Within) C apability
Dados do Processo S ample M ean 369,821 Cp 0,36
S ample N 150 C PL 2,01 Capacidade
S tDev (Within) 14,0678 C P U -1,30
S tDev (O v erall) 13,6444 C pk -1,30
O v erall C apability
Pp 0,37
PPL 2,07
Desempenho
PPU -1,34
P pk -1,34
C pm 0,07

300 320 340 360 380 400

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0,00 PPM < LS L 0,00 P P M < LS L 0,00
Defeitos PPM
P P M > U S L 1000000,00 PPM > U S L 999951,29 P P M > U S L 999970,64
P P M Total 1000000,00 PPM Total 999951,29 P P M Total 999970,64
Análise Gráfica de Dados – Boxplot
Há diferenças
significativas entre
Boxplot of Peso_Açúcar
os turnos de
240 produção
230

220

Peso_Açúcar 210

200

190

180

170

160

150

Turno_1 Turno_2 Turno_3

Turno
Análise Gráfica de Dados – Boxplot
Não há diferenças
significativas entre
Boxplot of Peso_Açúcar
as linhas de
240 produção
230

220

Peso_Açúcar 210

200

190

180

170

160

150

Linha_1 Linha_2
Linha
Análise Gráfica de Dados – Boxplot

Não há diferenças
Boxplot of Peso_Açúcar significativas entre
240
os tipos de açúcar
230

220

Peso_Açúcar 210

200

190

180

170

160

150

Cristal Demerara
Tipo_Açúcar
Análise Gráfica de Dados – Boxplot
Há diferenças
significativas entre
Boxplot of Peso_Açúcar
os turnos de
240 produção
230

220

Peso_Açúcar 210

200

190

180

170

160

150

Linha Linha_1 Linha_2 Linha_1 Linha_2 Linha_1 Linha_2

Turno Turno_1 Turno_2 Turno_3
Análise Gráfica de Dados – Boxplot
Há diferenças
significativas entre
Boxplot of Peso_Açúcar
os turnos de
240 produção
230

220

Peso_Açúcar 210

200

190

180

170

160

150

Tipo_Açúcar Cristal Demerara Cristal Demerara Cristal Demerara

Turno Turno_1 Turno_2 Turno_3
Análise Gráfica de Dados – Boxplot
Não há diferenças
significativas entre
Boxplot of Peso_Açúcar
as linhas de
240 produção
230

220

Peso_Açúcar 210

200

190

180

170

160

150

Tipo_Açúcar Cristal Demerara Cristal Demerara

Linha Linha_1 Linha_2
Análise Gráfica de Dados – Multivari Chart

Multi-Vari Chart for Peso_Açúcar_1 by Turno - Tipo_Açúcar

Linha_1 Linha_2
Cristal Demerara Turno
220 Turno_1
Turno_2
210 Turno_3

Peso_Açúcar_1
200

190

180

170

160 Há diferenças
significativas entre
150
Linha_1 Linha_2
os turnos de
Linha produção
Panel variable: Tipo_Açúcar
Análise Gráfica de Dados – Multivari Chart

Multi-Vari Chart for Peso_Açúcar by Tipo_Açúcar - Turno

Linha_1 Linha_2
Turno_1 Turno_2 Turno_3 Tipo_Açúcar
220 Cristal
Demerara
210

200
Peso_Açúcar

190

180

170

160 Há diferenças
significativas entre
150
Linha_1 Linha_2 Linha_1 Linha_2
os turnos de
Linha produção
Panel variable: Turno
Boxplot – Peso do Leite em Pó por Turno
Há diferenças
significativas entre
Boxplot of Peso_Leite em Pó_1
os turnos de
450 produção

400
Peso_Leite em Pó_1

350

300

250
Turno_1 Turno_2 Turno_3
Turno
Boxplot – Peso do Leite em Pó por Linha
Não há diferenças
significativas entre
Boxplot of Peso_Leite em Pó_1
as linhas de
450 produção

400
Peso_Leite em Pó_1

350

300

250
Linha_1 Linha_2
Linha
Boxplot – Peso do Leite em Pó por Turno por Linha
Há diferenças
significativas entre
Boxplot of Peso_Leite em Pó_1
os turnos de
450 produção

400
Peso_Leite em Pó_1

350

300

250
Linha Linha_1 Linha_2 Linha_1 Linha_2 Linha_1 Linha_2
Turno Turno_1 Turno_2 Turno_3
Multivari Chart – por Linha por Linha por Turno

Multi-Vari Chart for Peso_Leite em Pó_1 by Turno - Linha

Turno
420 Turno_1
Turno_2
Turno_3
400

Peso_Leite em Pó_1 380

360

340

320 Há diferenças
significativas entre
300
os turnos de
Linha_1 Linha_2 produção
Linha
Metas Específicas

Considerações Preliminares
✓ A análise gráfica realizada para a variável peso do açúcar deve ser realizada também
para a variável peso do leite em pó, visto que este fator também não atende aos
limites de especificação de projeto.
✓ Para ambos casos, deve-se definir metas específicas tanto para as médias, quanto para
os desvios padrões, pois nenhum desses parâmetros atende aos requisitos estabelecidos.
✓ As metas específicas devem ser estabelecidas com o propósito de garantir que a meta
geral seja efetivamente atingida.
Tempestade de Ideias

A Tempestade de Ideias (Brainstorming) é uma ferramenta utilizada para gerar ideias sobre
as causas prováveis que geram o problema.
• A elaboração da Tempestade de Ideias deve ser feita no local onde o problema ocorre e,
tem que contar com a participação de profissionais experientes no assunto.
• As ideias devem ser levantadas sem quaisquer tipos de censura.
• O time deve classificar as causas levantadas segundo o critério abaixo:
➢ É causa primária e pode ser tratada.
➢ É causa primária, mas não pode ser tratada.
➢ Não é uma causa primária.
➢ Não é causa.
• Em seguida o time deve priorizar as causas primárias que podem ser tratadas.
Causa Primária

É toda aquela que ocasiona o resultado de forma direta.

Exemplo
Resultado >> O bolo queimou!!!

Quais são as causas primárias prováveis?

✓ Temperatura do forno acima do padrão

✓ Tempo de cocção acima do padrão
✓ Umidade da massa abaixo do padrão
✓ Exposição inadequada da massa durante a cocção
Estudo dos Por Quês

O Estudo dos Por Quês é uma das ferramentas utilizadas para identificar as causas
fundamentais (raízes) que efetivamente originam o problema.
Por esse motivo deve ser elaborado com a máxima atenção de todos.
• As causas são classificadas como primárias, secundárias, terciárias, quaternárias e assim
por diante, de acordo com a proximidade que se encontra do problema focado.
• O time deve dedicar tempo suficiente na análise das causas para que o diagnóstico do
problema seja o mais preciso possível.
• É importante que o time qualifique adequadamente as causas, para que se tenha clareza
do que efetivamente cada uma representa.
Raízes fortes garantem
melhores frutos.
Teorema do Limite Central
Objetivos esperados...

Ao final desse módulo o participante será capaz de:

▪ Entender os princípios básicos do Teorema do Limite Central.
A importância

O Teorema do Limite Central é um dos mais importantes estudos da

Estatística Inferencial, porque com base nele podemos chegar a muitas
conclusões sobre uma população desconhecida, sabendo apenas que a
mesma obedece a uma distribuição normal.
Como veremos oportunamente, serve de base para o pleno entendimento
de importantes ferramentas, como Intervalos de Confiança e Provas de
Hipóteses.
O conceito

Se tivermos uma população de uma variável aleatória Y com distribuição

desconhecida, de Média m e Desvio Padrão s, dela tomarmos amostras de
tamanho n e, calcularmos a média X de cada amostra, concluiremos que a
população das médias X’s das amostras:
▪ Terá a mesma média da população original (mX = m).
▪ Tenderá a seguir uma distribuição normal se n for suficientemente
grande (n ≥ 30), mesmo que a população original não obedeça a uma
distribuição normal.
O conceito

Seu desvio padrão será dado pela equação:

s
sx =
n
▪ sX é também conhecido como Erro Padrão da Média (SE_Mean –
Standard Error of the Mean).
▪ s é o desvio padrão da população.
▪ n é o tamanho da amostra.
Exercício com dados

Formaremos 5 equipes e cada uma tomará um conjunto de dados para

realizar trinta lançamentos.
A média dos valores obtidos em cada lançamento deverá ser inserida no
arquivo Lançamento de [Link].

Equipes Qtd de Dados

Equipe 1 2 Dados
Equipe 2 3 Dados
Equipe 3 4 Dados
Equipe 4 5 Dados
Equipe 5 6 Dados
Abrindo Lançamento de [Link]

Calculem os estatísticos dos resultados obtidos

e, construam os histogramas correspondentes.
Consolidando os resultados...
Buscando o diretório...
Preenchendo o quadro de diálogo...
O resultado...

Descriptive Statistics: XBar_2Dados; XBar_3Dados; XBar_4Dados; XBar_5Dados; ...

Descriptive Statistics: XBar_2Dados; XBar_3Dados; XBar_4Dados; XBar_5Dados; ...

Variable N N* Mean SE Mean StDev Minimum Q1 Median Q3

XBar_2Dados 30 0 3,910 0,267 1,463 0,644 2,875 3,757 4,707
XBar_3Dados 30 0 3,253 0,109 0,599 2,095 2,857 3,326 3,661
XBar_4Dados 30 0 3,5133 0,0868 0,4756 2,5567 3,1059 3,4649 3,8103
XBar_5Dados 30 0 3,5287 0,0539 0,2953 2,6467 3,2821 3,5685 3,7616
XBar_6Dados 30 0 3,4266 0,0369 0,2022 2,8893 3,2565 3,4412 3,6015

Variable Maximum
XBar_2Dados 8,401
XBar_3Dados 4,712
XBar_4Dados 4,4064
XBar_5Dados 3,9825
XBar_6Dados 3,7773

O que ocorreu com a Média: permaneceu praticamente constante.

O que ocorreu com o Desvio Padrão: diminuiu à medida em que aumentamos a
quantidade de dados nos lançamentos.
Construindo os Histogramas...
Selecionando o tipo de gráfico...
Preenchendo o quadro de diálogo...
Selecionando a mesma escala...
Resultado para 2 dados...

Histogram of XBar_2Dados
Normal
Mean 3,910
9
StDev 1,463
N 30
8

6
Frequency

0
1 2 3 4 5 6 7 8
XBar_2Dados

Dispersão
Resultado para 3 dados...

Histogram of XBar_3Dados
Normal
Mean 3,253
20
StDev 0,5992
N 30

15
Frequency

10

0
1 2 3 4 5 6 7 8
XBar_3Dados

Dispersão
Resultado para 4 dados...

Histogram of XBar_4Dados
Normal
Mean 3,513
25 StDev 0,4756
N 30

Frequency 20

15

10

0
1 2 3 4 5 6 7 8
XBar_4Dados

Dispersão
Resultado para 5 dados...

Histogram of XBar_5Dados
Normal
Mean 3,529
40 StDev 0,2953
N 30

30
Frequency

20

10

0
1 2 3 4 5 6 7 8
XBar_5Dados

Dispersão
Resultado para 6 dados...

Histogram of XBar_6Dados
Normal

60 Mean 3,427
StDev 0,2022
N 30
50

40
Frequency

30

20

10

0
1 2 3 4 5 6 7 8
XBar_6Dados

Dispersão
Exercício usando o Minitab

Criar uma tabela com 100 colunas e 250 linhas, contendo números que
obedeçam a uma distribuição normal, de média 100 e desvio padrão 5.
Usar Set Base = 10.
Abrindo Teorema do Limite [Link]
Ajustando a base...
Preenchendo o quadro de diálogo...
Buscando o diretório...
Preenchendo o quadro de diálogo...
O resultado...
Calculando a média de cada linha...
Preenchendo o quadro de diálogo...
Resumo Gráfico da Coluna 1...

Summary for C1
A nderson-Darling N ormality Test
A -S quared 0,12
P -V alue 0,989
M ean 100,46
S tDev 4,88
V ariance 23,83
S kew ness 0,110757
Kurtosis -0,021689
N 250
M inimum 88,56
1st Q uartile 97,11
M edian 100,35
3rd Q uartile 103,57
90 96 102 108 114 M aximum 116,43
95% C onfidence Interv al for M ean
99,85 101,07
95% C onfidence Interv al for M edian
99,72 101,35
95% C onfidence Interv al for S tDev
9 5 % C onfidence Inter vals
4,49 5,35
Mean

Median

99,5 100,0 100,5 101,0 101,5

Resumo Gráfico da Coluna 101...

Summary for C101

A nderson-Darling N ormality Test
A -S quared 0,15
P -V alue 0,962
M ean 100,04
S tDev 0,50
V ariance 0,25
S kew ness -0,070729
Kurtosis -0,221404
N 250
M inimum 98,64
1st Q uartile 99,68
M edian 100,03
3rd Q uartile 100,39
99,0 99,6 100,2 100,8 101,4 M aximum 101,41
95% C onfidence Interv al for M ean
99,97 100,10
95% C onfidence Interv al for M edian
99,97 100,10
95% C onfidence Interv al for S tDev
9 5 % C onfidence Inter vals
0,46 0,55
Mean

Median

99,98 100,00 100,02 100,04 100,06 100,08 100,10

Pensando um pouco...

Qual é o valor esperado da média das médias?

➢ Aproximadamente o mesmo valor da média original, ou seja, 100,46 e
100,04.

Qual é o valor esperado do desvio padrão da população das médias (Erro

Padrão das Médias – SE_Mean)?
➢ SE_Mean = 4,88 / (100)½ = 0,48.

A população das médias obedece a que distribuição?

➢ Distribuição normal, dado que o Valor P = 0,962.
Raízes fortes garantem
melhores frutos.
Intervalos de Confiança
Objetivos esperados...

Ao final desse módulo o participante será capaz de:

▪ Reconhecer a importância dos intervalos de confiança.
▪ Entender o conceito dos intervalos de confiança.
▪ Explicar o significado prático dos intervalos de confiança.
▪ Calcular os intervalos de confiança para a Média, para o Desvio Padrão
e para Proporções.
A importância dos Intervalos de Confiança

Os estatísticos de uma amostra são utilizados para se conhecer os

parâmetros de uma população, entretanto os resultados da média, desvio
padrão e da proporção variam de uma amostra a outra.
Para que se possa identificar com maior precisão referidos parâmetros,
utiliza-se o conceito dos Intervalos de Confiança (IC).
Os IC nos permitem estimar o intervalo que inclui o real parâmetro da
população, dentro de um nível de confiança pré-estabelecido.
A importância dos Intervalos de Confiança

Regularmente calculamos os IC em função da natureza do processo, do

impacto gerado no cliente e também dos recursos disponíveis para realizar
o estudo.
Os valores dos IC são expressos em porcentagem (90, 95 e 99% como
regra geral) e, podem ser interpretados da seguinte forma:
Exemplo
Um IC de 95% nos diz que 95 de 100 amostras distintas contém o
valor real do parâmetro da população.
Visualização gráfica...

Parâmetro
Real
Amostra

Um IC de 95% nos diz

que 95 de 100 amostras
distintas contém o valor
real do parâmetro da
população.
Não incluiu o
parâmetro real
Teorema do Limite Central

População de
Individuais
m, s

População de Para amostras de

Médias tamanho n, o SE
m, s/n1/2 Mean é dado por:
s
sX =
n

m
IC de 95% para a média

População de
Individuais
m, s

População de Para amostras de

Médias tamanho n, o SE
m, s/n1/2 Mean é dado por:

95,0% s
sX =
n

Temos 95,0% de confiança que a média real

se encontra nesse intervalo
IC de 95% para a média

População de Como calcular o

Individuais IC?
m, s

População de Para amostras de

Médias tamanho n, o SE
m, s/n1/2 Mean é dado por:

95,0% s
sX =
n

m – 2 s/n1/2 ≤ m ≤ m + 2 s/n1/2
IC de 95% para a média

População de Há alguma
Individuais chance de
m, s equívoco?

População de Para amostras de

Médias tamanho n, o SE
m, s/n1/2 Mean é dado por:

95,0% s
sX =
n
2,5% 2,5%

Há um risco de 5,0% das amostras não

incluírem a média real
IC de 95% para a média

Pelo fato de estarmos 95% confiantes, qualquer

amostra com média fora do IC nos leva a crer que
a mesma não pertence à população.

95,0%

2,5% 2,5%

Esse equívoco é chamado Risco Alfa (a = 5%),

que corresponde ao Nível de Significância do
teste de hipóteses
Que risco a devemos considerar?

Cenário Risco a
Retrabalho menor De 5 a 10%
Retrabalho maior De 1 a 5%
Danos ou demandas De 0,1 a 1%
Morte De 0,01 a 0,1%
Morte massiva Inferior a 0,001
 ▪ Para médias com s conhecido
▪ Para médias com s desconhecido
Intervalos de Confiança ▪ Para desvios padrões
▪ Para proporções
IC para médias com s conhecido

Neste caso o Intervalo de Confiança é dado pela seguinte equação:

m – Z a/2 s/n1/2 ≤ m ≤ m + Z a/2 s/n1/2

Observações
▪ A distribuição estatística de referência é a Distribuição Normal.
▪ O Risco a se divide em dois, metade em cada lado da curva de
distribuição.
IC para médias com s conhecido

População de
Individuais
m, s

População de
Médias
m, s/n1/2

95,0%

2,5% 2,5%

Risco Alfa (a = 5%) dividido

Exemplo 1

Determine o IC da média de eficiência de uma fábrica de chocolates,

considerando 95,0% de confiança em sua análise e, sabendo que o
desvio padrão desse parâmetro é 1,50.
Abrindo Intervalos de Confianç[Link]
Buscando o diretório...
Preenchendo o quadro de diálogo...
Selecionando o tipo de gráfico...
Checando as opções...
Checando as opções...
IC para a média

Histogram of Eficiência
(with 95% Z-confidence interval for the Mean, and StDev = 1,5)
15,0
População de
12,5 Individuais m, s

10,0
Frequency

7,5

5,0

2,5

0,0 _
X

88,0 89,6 91,2 92,8 94,4

Eficiência
O IC para a
Média
IC para a média

Boxplot of Eficiência
(with 95% Z-confidence interval for the Mean, and StDev = 1,5)

_
X

87 88 89 90 91 92 93 94 95
Eficiência
O IC para a
Média
O resultado...

O supervisor do turno nos assegura que a média da eficiência de produção

de chocolates é de 90%.
Podemos confiar nessa informação???

Podemos afirmar com 95%

de confiança que o
One-Sample Z: Eficiência supervisor está correto

The assumed standard deviation = 1,5

Variable N Mean StDev SE Mean 95% CI

Eficiência 50 89,828 1,343 0,212 (89,412; 90,244)
Exemplo 2

Agora vamos determinar o intervalo de confiança do peso das barras de

chocolate. No último relatório de produção o supervisor reportou que as
máquinas estão fabricando barras com peso médio de 101 gramas.
Verifique essa afirmação considerando 95% de confiança em sua análise
e, sabendo que o desvio padrão desse processo é 1,0 grama.
Buscando o diretório...
Preenchendo o quadro de diálogo...
Selecionando o tipo de gráfico...
Checando as opções...
Checando as opções...
IC para a média

Histogram of Peso
(with 95% Z-confidence interval for the Mean, and StDev = 1)
15,0
População de
12,5 Individuais m, s

10,0
Frequency

7,5

5,0

2,5

0,0 _
X

98 99 100 101 102 103

Peso
O IC para a
Média
IC para a média

Boxplot of Peso
(with 95% Z-confidence interval for the Mean, and StDev = 1)

_
X

97 98 99 100 101 102 103

Peso
O IC para a
Média
O resultado...

O MINITAB nos diz com 95% de confiança que a média do peso das
barras de chocolate está entre 99,697 e 100,251 gramas, portanto a
informação contida no relatório de produção é passível de verificação.

A informação deve ser

verificada, porque não
One-Sample Z: Eficiência reflete a realidade

The assumed standard deviation = 1,0

Variable N Mean StDev SE Mean 95% CI

Peso 50 99,974 1,120 0,141 (99,697; 100,251)
 ▪ Para médias com s conhecido
▪ Para médias com s desconhecido
Intervalos de Confiança ▪ Para desvios padrões
▪ Para proporções
IC para médias com s desconhecido

Neste caso o Intervalo de Confiança é dado pela seguinte equação:

m – t a/2, n-1 s/n1/2 ≤ m ≤ m + t a/2, n-1 s/n1/2

Observação
▪ A distribuição estatística de referência é a Distribuição t Student.
Exemplo 1

Determine o IC da média de eficiência de uma fábrica de chocolates,

considerando 95,0% de confiança em sua análise e, sabendo que o
desvio padrão desse parâmetro não é conhecido.
Buscando o diretório...
Preenchendo o quadro de diálogo...
Selecionando o tipo de gráfico...
Checando as opções...
Checando as opções...
IC para a média

Histogram of Eficiência
(with 95% t-confidence interval for the mean)
15,0
População de
12,5 Individuais m, s

10,0
Frequency

7,5

5,0

2,5

0,0 _
X

88,0 89,6 91,2 92,8 94,4

Eficiência
O IC para a
Média
IC para a média

Boxplot of Eficiência
(with 95% t-confidence interval for the mean)

_
X

87 88 89 90 91 92 93 94 95
Eficiência
O IC para a
Média
O resultado...

O supervisor do turno nos assegura que a média da eficiência de produção

de chocolates é de 91%.
Podemos confiar nessa informação???

Podemos afirmar com 95%

de confiança que o
One-Sample T: Eficiência supervisor se equivocou

Variable N Mean StDev SE Mean 95% CI

Eficiência 50 89,828 1,343 0,190 (89,447; 90,210)
 ▪ Para médias com s conhecido
▪ Para médias com s desconhecido
Intervalos de Confiança ▪ Para desvios padrões
▪ Para proporções
IC para desvios padrões

Neste caso o Intervalo de Confiança é dado pela seguinte equação:

s ((n-1)/c2 n-1, 1-a/2)1/2 ≤ s ≤ s ((n-1)/c2 n-1, a/2)1/2

Observação
▪ A distribuição estatística de referência é a Distribuição Qui Quadrado.
Exemplo

No mesmo relatório de produção o supervisor reporta que o desvio padrão

da eficiência do processo é 1,30.
Usando os mesmos dados do arquivo Intervalo de Confiança, determine o
IC para o desvio padrão e avalie a informação reportada, considerando
95% de confiança em sua análise.
Buscando o diretório...
Preenchendo o quadro de diálogo...
O resultado...

Summary for Eficiência

A nderson-Darling N ormality Test
A -S quared 0,35
P -V alue 0,459
M ean 89,828
S tDev 1,343
V ariance 1,803
S kew ness 0,62696
Kurtosis 1,16317
N 50
M inimum 87,437
1st Q uartile 89,048
M edian 89,904
3rd Q uartile 90,616
88,0 89,6 91,2 92,8 94,4 M aximum 94,147
95% C onfidence Interv al for M ean
89,447 90,210
95% C onfidence Interv al for M edian
89,288 90,158
95% C onfidence Interv al for S tDev
9 5 % C onfidence Inter vals
1,122 1,673
Mean

Median
Podemos afirmar com 95%
de confiança que o
89,2 89,4 89,6 89,8 90,0 90,2
supervisor está certo
 ▪ Para médias com s conhecido
▪ Para médias com s desconhecido
Intervalos de Confiança ▪ Para desvios padrões
▪ Para proporções
IC para proporções

Neste caso o Intervalo de Confiança é dado pela seguinte equação:

p ± Z 1-a/2(p(1-p)/n)1/2 ≤ p ≤ p ± Z a/2(p(1-p)/n)1/2

Observações
▪ Esta é uma aproximação da equação que utiliza uma Distribuição F.
▪ A aproximação se usa quando se dão três condições:
a. A amostra é grande (n ≥ 30).
b. O valor de np e n(1-p) é maior que 5.
c. A população é muito maior que a amostra.
Exemplo 1

O último relatório de vendas indica que de 460 propostas realizadas foram

efetivados 280 negócios.
Determine o Intervalo de Confiança da proporção de vendas efetivadas
durante referido período, segundo arquivo IC Proporções, considerando
95% de confiança em sua análise.
Abrindo IC Proporçõ[Link]
Buscando o diretório...
Preenchendo o quadro de diálogo...
Checando as opções...
O resultado...

Podemos afirmar com 95% de confiança que a proporção de vendas

efetivadas se encontra no intervalo entre 56,24 e 65,36%.

Test and CI for One Proportion

Sample X N Sample p 95% CI
1 280 460 0,608696 (0,562427; 0,653557)
Exemplo 2

Uma companhia produtora de aparelhos celulares recebeu reclamações de

garantia de cerca de 7% das unidades produzidas.
Foi realizado um projeto de melhoria e se constatou que de 5.500 novos
aparelhos produzidos, 280 apresentaram algum tipo de problema.
Verifique se realmente houve uma melhora no desempenho do processo,
considerando 95% de confiança em sua análise.
Mesmo arquivo IC Proporçõ[Link]
Buscando o diretório...
Preenchendo o quadro de diálogo...
Checando as opções...
O resultado...

Podemos afirmar com 95% de confiança que a proporção de vendas

efetivadas se encontra no intervalo entre 4,52 e 5,71%.

Test and CI for One Proportion

Sample X N Sample p 95% CI
1 280 5500 0,050909 (0,045249; 0,057052)
Raízes fortes garantem
melhores frutos.
Introdução a Testes de
Hipóteses
Objetivos esperados...

Ao final desse módulo o participante será capaz de:

▪ Reconhecer a importância dos testes de hipóteses.
▪ Entender os tipos de testes – bilaterais e unilaterais.
▪ Formular testes de hipóteses.
▪ Identificar a aplicação dos testes de hipóteses.
Testes de Hipóteses

Os testes de hipóteses são ferramentas analíticas de grande

importância para comparar diferentes populações, utilizando para isso
amostras de cada uma delas.
São ainda utilizadas para comprovar se uma Variável X afeta, ou não,
uma Saída Y de um processo.
Também oferecem respostas objetivas a perguntas que regularmente se
respondem com subjetividade e, isso se realiza com um grau de certeza
conhecido e controlado.
Testes de Hipóteses

Os testes de hipóteses podem ser classificadas, de acordo com os

seguintes critérios:
Ativo
✓ As amostras do processo são obtidas através de alterações realizadas
especificamente para correr as provas.
Passivo
✓ As amostras do processo são obtidas através de dados históricos,
reduzindo significativamente os custos de análise do processo.
Relembrando os conceitos...

• Organização
Descritiva
• Descrição
Estatística
• Análise
Inferencial
• Interpretação

Conceito Populações Amostras

Campo Descritiva Inferencial
Índices Parâmetros Estatísticos
Média m X
Desvio Padrão s s
Variância s² s²
Proporção P p
Relembrando os conceitos...

As provas de hipóteses consideram amostras relativamente pequenas para

obter conclusões acerca das populações.
➢ Os parâmetros da população são fixos, por outro lado são geralmente
desconhecidos.
➢ As amostras nos provêm estatísticos, com os quais tratamos de
compreender como a população se comporta.
➢ As provas de hipóteses servem para se obter conclusões acerca dos
parâmetros da população, não das amostras.
A Hipótese Nula (H0)

A Hipótese Nula (H0) assume sempre que nada mudou, ou seja, que
não existe diferenças entre as distintas populações ou, por outro lado, que
a variável X não influi sobre a variável Y de um processo.

Parâmetro Condição

Médias H0: m1 = m2

Variâncias H0: s12 = s22

Proporções H 0 : P1 = P 2
A Hipótese Alterna (Ha)

A Hipótese Alterna (Ha) assume sempre que houve uma mudança,

ou seja, que existe diferenças entre as distintas populações ou, por outro
lado, que a variável X influi na variável de resposta Y de um processo.

Condição Média Variância Proporção

Desigualdade Ha: m1 ≠ m2 Ha: s12 ≠ s22 Ha: P1 ≠ P2

Atual < Antiga Ha: m1 < m2 Ha: s12 < s22 Ha: P1 < P2

Atual > Antiga Ha: m1 > m2 Ha: s12 > s22 Ha: P1 > P2
Provas bilaterais

Revisam se o parâmetro que está sendo provado é maior ou menor que

uma referência. Neste caso, o Risco a se divide nas duas extremidades da
curva de distribuição.

População de H0 : m 1 = K
Individuais
m, s Ha: m1 ≠ K
População de IC = 95,0%
Médias
m, s/n1/2
2,5% 2,5%

K IC K

O Risco a é dividido
Prova unilateral à direita

Revisam se o parâmetro que está sendo provado é maior ou menor que

uma referência. Neste caso, o Risco a é totalmente atribuído à
extremidade direita da curva de distribuição.

População de H0 : m 1 = K
Individuais
m, s Ha: m1 < K
População de IC = 95,0%
Médias
m, s/n1/2
5,0%

IC K

O Risco a está à direita

Provas bilaterais

Revisam se o parâmetro que está sendo provado é maior ou menor que

uma referência. Neste caso, o Risco a se divide nas duas extremidades da
curva de distribuição.

População de H0 : m 1 = K
Individuais
m, s Ha: m1 > K
População de IC = 95,0%
Médias
m, s/n1/2
5,0%

K IC

O Risco a está à esquerda

Exemplo 1

Durante a última reunião com a Diretoria de Marketing foi divulgado que a

campanha publicitária aumentou as vendas de chocolate.
Queremos saber como comprovar esta declaração, portanto necessitamos
pensar sobre duas coisas:
✓ Supostamente desejamos obter conclusões sobre a média das vendas.
✓ Queremos comprovar se a média das vendas aumentou após a
campanha publicitária.
Formulando a hipótese...

Supondo que coletamos amostras das vendas antes e depois da campanha

publicitária e que, as médias obtidas para as distintas populações foram m1
e m2, respectivamente.
Pergunta: qual das seguintes formulações é a adequada para analisar
este caso?

H0: m1 = m2 H0: m1 = m2 H0: m1 = m2

Ha: m1 ≠ m2 Ha: m1 < m2 Ha: m1 > m2

Exemplo 2

Durante a última reunião com a Diretoria de Produção foi informado que a

máquina nova está mais ajustada que a máquina antiga, e por isso produz
barras de chocolate com o peso mais estável.
Queremos saber como comprovar esta declaração, portanto necessitamos
pensar sobre duas coisas:
✓ Supostamente desejamos obter conclusões sobre a dispersão do peso
das barras produzidas.
✓ Queremos comprovar se a dispersão produzida pela máquina antiga
é maior que a da máquina nova.
Formulando a hipótese...

Supondo que coletamos amostras das barras produzidas por ambas

máquinas e que as dispersões obtidas para as distintas populações foram
s12 e s22, respectivamente.
Pergunta: qual das seguintes formulações é a adequada para analisar
este caso?

H0: s12 = s22 H0: s12 = s22 H0: s12 = s22

Ha: s12 ≠ s22 Ha: s12 < s22 Ha: s12 > s22
Exemplo 3

Durante a última reunião com a Diretoria de Vendas foi divulgado que a

proporção de vendas efetivadas de chocolate nas duas filiais da cidade
são iguais.
Queremos saber como comprovar esta declaração, portanto necessitamos
pensar sobre duas coisas:
✓ Supostamente desejamos obter conclusões sobre a proporção de vendas
efetivadas.
✓ Queremos comprovar se essa proporção é igual para ambas filiais.
Formulando a hipótese...

Supondo que coletamos amostras das vendas efetivadas de ambas filiais e

que, as proporções obtidas para as distintas populações foram P1 e P2,
respectivamente.
Pergunta: qual das seguintes formulações é a adequada para analisar
este caso?

H0: P1 = P2 H0: P1 = P2 H0: P1 = P2

Ha: P1 ≠ P2 Ha: P1 < P2 Ha: P1 > P2

Exemplo 4

O Diretor Geral foi informado que a máquina nova de produção de

chocolates opera com um rendimento maior que a máquina usada,
portanto a Diretoria de Produção recomendou a instalação de duas
máquinas novas, ao custo de US$ 50,000.00, cada uma.
Conhecedor das habilidades que você tem, o Diretor Geral pediu uma
avaliação sua para confirmar essa declaração e também, quer saber se
você recomenda esse investimento.
A Tabela 1 exibe o rendimento de duas máquinas (uma usada e uma nova)
durante as últimas dez semanas.
Rendimento das máquinas

▪ Segundo as informações da tabela Usada Nova

ao lado, você recomendaria a 83,59 90,25
compra de duas novas máquinas? 83,07 88,14

▪ Vale realmente a pena realizar 88,88 98,35

esse investimento? 87,56 88,90
91,77 85,37
▪ Que riscos estamos correndo?
92,71 92,66
95,84 91,21
92,27 91,02
95,35 91,01
90,41 95,32
Abrindo Teste de Hipó[Link]
Elaborando o Main Effects Plot...
Preenchendo o quadro de diálogo...
O resultado gráfico...

Main Effects Plot for Rendimento

Data Means
Os rendimentos são
91,2 realmente diferentes?

91,0

90,8
Mean

90,6

90,4

90,2

90,0
Nova Usada
Maquina
Elaborando o BoxPlot...
Selecionando o tipo de gráfico...
Preenchendo o quadro de diálogo...
O resultado gráfico...

Boxplot of Rendimento
100
Vale realmente a pena
realizar esse
investimento?
Rendimento 95

90

85

Nova Usada
Maquina
Visualizando graficamente...

Como saber se o rendimento da máquina nova é maior?

Máquina Usada Máquina Nova

mUsada, s mNova, s

Neste caso está claro

que as populações têm
médias distintas!

mNova - mUsada
Visualizando graficamente...

Vejamos o que acontece!

Máquina Usada Máquina Nova

mUsada, s mNova, s

mNova - mUsada
Visualizando graficamente...

Aparentemente a diferença está diminuindo...

Máquina Usada Máquina Nova

mUsada, s mNova, s

mNova - mUsada
Visualizando graficamente...

Cada vez diminui ainda mais...

Máquina Usada Máquina Nova

mUsada, s mNova, s

mNova - mUsada
Visualizando graficamente...

Cada vez diminui ainda mais...

Máquina Usada Máquina Nova

mUsada, s mNova, s

mNova - mUsada
Visualizando graficamente...

Cada vez diminui ainda mais...

Máquina Usada Máquina Nova

mUsada, s mNova, s

mNova - mUsada
Visualizando graficamente...

Agora parece não haver tanta diferença...

Máquina Usada Máquina Nova

mUsada, s mNova, s

Como podemos identificar o

ponto onde já não exista
diferença significativa entre as
médias das populações?

mNova - mUsada
Entendendo o P Value...

O valor provável da diferença entre as médias (DifMédias = m2 – m1) é dado

pela Distribuição t, mostrada na figura.

P Value IC = 95,0%

Risco a

K
IC

Como o P Value > a, a H0 é aceita.

Não há diferença entre as médias.
Entendendo o P Value...

O valor provável da diferença entre as médias (DifMédias = m2 – m1) é dado

pela Distribuição t, mostrada na figura.

P Value IC = 95,0%

Risco a

K
IC

Como o P Value < a, a H0 é rejeitada.

Existe diferença entre as médias.
Testando a hipótese para as médias...
Preenchendo o quadro de diálogos...
Checando as opções...
O resultado...

Two-Sample T-Test and CI: Rendimento; Maquina

H0: m1 = m2
Two-sample T for Rendimento
Ha: m1 < m2
Maquina N Mean StDev SE Mean
Nova
Usada
10
10
91,22
90,15
3,65
4,41
1,2
1,4
a = 0,05
P>a
Difference = mu (Nova) - mu (Usada) P Value
Estimate for difference: 1,08
95% lower bound for difference: -2,07
A Ho é aceita
T-Test of difference = 0 (vs >): T-Value = 0,60 P-Value = 0,280 DF = 17

Não existe diferença entre as

distintas amostras
Raízes fortes garantem
melhores frutos.
Testes de Hipóteses para
Médias
Objetivos esperados...

Ao final desse módulo o participante será capaz de:

▪ Reconhecer os testes de hipóteses para médias de diferentes
populações.
▪ Formular testes de hipóteses de diferentes situações.
▪ Analisar adequadamente os resultados de um teste de hipóteses e suas
implicações práticas.
Testes de Hipóteses para Médias

Testes de Hipóteses
✓ 1 Amostra vs 1 Objetivo
• s conhecido (1 Sample Z)
• s desconhecido (1 Sample t)
✓ 2 Amostras Independentes (2 Sample t)
 TESTES PARA MÉDIAS
▪ 1 Amostra x 1 Objetivo
Testes de Hipóteses ✓ s conhecido
✓ s desconhecido
▪ 2 Amostras independentes
Exemplo

Para não investir em máquinas novas, a Diretoria de Produção decidiu

realizar a manutenção da máquina usada e, após isso fabricou um lote
de barras pesando 100 gramas, cada uma.
Agora você deve comprovar com 95% de confiança, se essa máquina
realmente está produzindo dentro dos parâmetros de projeto. Para isso
considere um desvio padrão de 1,67 gramas.
Pergunta: qual das seguintes formulações é a adequada para analisar
este caso?

H0: m1 = m2 H0: m1 = m2 H0: m1 = m2

Ha: m1 ≠ m2 Ha: m1 < m2 Ha: m1 > m2

Abrindo Teste de Hipóteses 1 Sample [Link]
Buscando o diretório...
Preenchendo o quadro de diálogos...
Selecionando o tipo de gráfico...
Checando as opções...
Marcando a formulação do teste...
O Histograma...

Histogram of Peso
(with Ho and 95% Z-confidence interval for the Mean, and StDev = 1,67)
8
Se o objetivo
7 está fora do IC,
a H0 é rejeitada
6

5
Frequency

1
O objetivo 0 _
X

-1 Ho
100 101 102 103 104
Peso
O IC para a
Média
O Boxplot...

Boxplot of Peso
(with Ho and 95% Z-confidence interval for the Mean, and StDev = 1,67)

Nota-se que a
média do peso
real é maior que
a estabelecida
no projeto

O objetivo _
X
Ho

100 101 102 103 104

Peso
O IC para a
Média
O resultado...

One-Sample Z: Peso H0: m1 = m2

Test of mu = 100 vs not = 100 Ha: m1 ≠ m2
The assumed standard deviation = 1,67
P Value
a = 0,05
Variable N Mean StDev SE Mean 95% CI Z P
Peso 30 101,880 1,120 0,305 (101,282; 102,477) 6,17 0,000 P<a
A H0 é rejeitada

Existe diferença entre as

distintas amostras
 TESTES PARA MÉDIAS
▪ 1 Amostra x 1 Objetivo
Testes de Hipóteses ✓ s conhecido
✓ s desconhecido
▪ 2 Amostras independentes
Exemplo

De acordo com o fabricante da máquina nova, cada barra de chocolate

produzida não deve pesar menos que 100 gramas, em média.
Agora você deve comprovar com 95% de confiança, se essa máquina
realmente está produzindo dentro dos parâmetros de projeto.
Pergunta: qual das seguintes formulações é a adequada para analisar
este caso?

H0: m1 = 100 H0: m1 = 100 H0: m1 = 100

Ha: m1 ≠ 100 Ha: m1 < 100 Ha: m1 > 100

Abrindo Teste de Hipóteses 1 Sample [Link]
Buscando o diretório...
Preenchendo o quadro de diálogos...
Selecionando o tipo de gráfico...
Checando as opções...
Marcando a formulação do teste...
O Histograma...

Histogram of Peso
(with Ho and 95% t-confidence interval for the mean)
8
Se o objetivo
7 está fora do IC,
a H0 é rejeitada
6

5
Frequency

0 _
X

-1 Ho
97 98 99 100 101
Peso
O IC para a
Média O objetivo
O Boxplot...

Boxplot of Peso
(with Ho and 95% t-confidence interval for the mean)

Nota-se que a
média do peso
real é menor que
a estabelecida
no projeto

_
X
Ho

O objetivo
97 98 99 100 101
Peso
O IC para a
Média
O resultado...

One-Sample T: Peso H0: m1 = m2

Test of mu = 100 vs < 100
P Value Ha: m1 < m2
95% Upper
Variable N Mean StDev SE Mean Bound T P a = 0,05
Peso 30 98,787 1,104 0,202 99,130 -6,02 0,000
P<a
A H0 é rejeitada

A média do peso real é

menor que o estabelecido
em projeto
 TESTES PARA MÉDIAS
▪ 1 Amostra x 1 Objetivo
Testes de Hipóteses ✓ s conhecido
✓ s desconhecido
▪ 2 Amostras independentes
Passo a passo

Teste de Normalidade
✓ Deve-se realizar o teste de normalidade para os subgrupos racionais, objetos
das provas a serem realizadas.
Teste de Variâncias
✓ Deve-se realizar o teste para saber se as variâncias dos subgrupos racionais
são iguais ou não.
✓ Aprenderemos a realizar esse teste durante o estudo da ANOVA (Analysis of
Variance).
Teste de Hipóteses
✓ Deve-se realizar a prova de hipóteses para duas amostras independentes.
Exemplo 1

Segundo os relatórios de produção existe uma perda de matéria prima

associada à fabricação das barras de chocolate. Supostamente a máquina
nova gera menos perda por ser automática, enquanto que a máquina
usada ainda opera manualmente.
Agora você deve comprovar com um 95% de confiança, que a
porcentagem de perdas da máquina nova é realmente menor que a da
máquina usada.
Pergunta: qual das seguintes formulações é a adequada para analisar
este caso?

H0: mN = mU H0: mN = mU H0: mN = mU

Ha: mN ≠ mU Ha: mN < mU Ha: mN > mU

Abrindo Teste de Hipóteses 2 Sample t – [Link]
Teste de Normalidade da Máquina Usada...

Teste de Nomalidade - Perda da Máquina Usada

Normal
99
Mean 15,07
StDev 0,9746
95 N 30
RJ 0,978
90
P-Value >0,100
80
70
Percent

60
50 P Value é
40
maior que
30
0,05
20

10

1
13 14 15 16 17 18
Perda_Usada
Teste de Normalidade da Máquina Nova...

Teste de Nomalidade - Perda da Máquina Nova

Normal
99
Mean 12,51
StDev 0,9556
95 N 30
RJ 0,988
90
P-Value >0,100
80
70
Percent

60
50 P Value é
40
maior que
30
0,05
20

10

1
10 11 12 13 14 15
Perda_Nova
Buscando o diretório...
Preenchendo o quadro de diálogos...
Selecionando o tipo de gráfico...
Checando as opções...
Marcando a formulação do teste...
O Boxplot...

Boxplot of Perda_Nova; Perda_Usada

17
A perda da
16 máquina nova é
aparentemente
15 menor que a da
máquina usada
14
Data

13

12

11

10
Perda_Nova Perda_Usada
O resultado...

Two-Sample T-Test and CI: Perda_Nova; Perda_Usada H0: mN = mU

Two-sample T for Perda_Nova vs Perda_Usada
Ha: mN < mU
N Mean StDev SE Mean
Perda_Nova 30 12,514 0,956 0,17 a = 0,05
Perda_Usada 30 15,073 0,975 0,18

Difference = mu (Perda_Nova) - mu (Perda_Usada) P Value P<a

Estimate for difference: -2,559
95% upper bound for difference: -2,142
T-Test of difference = 0 (vs <): T-Value = -10,27 P-Value = 0,000 DF = 57

A H0 é rejeitada
A perda da máquina nova é
efetivamente menor que a
da máquina usada
Exemplo 2

Indeciso com todas as provas realizadas, o Diretor de Produção pediu que

fosse comparado o rendimento das duas máquinas, para saber se
realmente a nova é efetivamente melhor nesse aspecto.
Agora você deve comprovar com um 95% de confiança, se o rendimento
da máquina nova é maior que o da máquina usada.
Pergunta: qual das seguintes formulações é a adequada para analisar
este caso?

H0: mN = mU H0: mN = mU H0: mN = mU

Ha: mN ≠ mU Ha: mN < mU Ha: mN > mU

Abrindo Teste de Hipóteses 2 Sample t – [Link]
Teste de Normalidade da Máquina Usada...

Teste de Normalidade - Máquina Usada

Normal
99
Mean 88,11
StDev 4,516
95 N 30
RJ 0,988
90
P-Value >0,100
80
70
Percent

60
50 P Value é
40
maior que
30
0,05
20

10

1
80 85 90 95 100
Rend_Usada
Teste de Normalidade da Máquina Nova...

Teste de Normalidade - Máquina Nova

Normal
99
Mean 88,17
StDev 3,961
95 N 30
RJ 0,989
90
P-Value >0,100
80
70
Percent

60
50 P Value é
40
maior que
30
0,05
20

10

1
80 85 90 95 100
Rend_Nova
Buscando o diretório...
Preenchendo o quadro de diálogos...
Selecionando o tipo de gráfico...
Checando as opções...
Marcando a formulação do teste...
O Boxplot...

Boxplot of Rend_Nova; Rend_Usada

96

94 O rendimento da
máquina nova é
92 aparentemente
igual ao da
90 máquina usada

88
Data

86

84

82

80

Rend_Nova Rend_Usada
O resultado...

Two-Sample T-Test and CI: Rend_Nova; Rend_Usada H0: mN = mU

Two-sample T for Rend_Nova vs Rend_Usada
Ha: mN > mU
N Mean StDev SE Mean
Rend_Nova 30 88,17 3,96 0,72 a = 0,05
Rend_Usada 30 88,11 4,52 0,82

Difference = mu (Rend_Nova) - mu (Rend_Usada) P Value P>a

Estimate for difference: 0,06
95% lower bound for difference: -1,77
T-Test of difference = 0 (vs >): T-Value = 0,06 P-Value = 0,477 DF = 57

A H0 é aceita
O rendimento da máquina
nova é efetivamente igual ao
da máquina usada
Raízes fortes garantem
melhores frutos.
Testes de Hipóteses para
Variâncias
Objetivos esperados...

Ao final desse módulo o participante será capaz de:

▪ Reconhecer os testes de hipóteses para variâncias de diferentes
populações.
▪ Formular testes de hipóteses de diferentes situações.
▪ Analisar adequadamente os resultados de um teste de hipóteses e suas
implicações práticas.
Testes de Hipóteses para Variâncias

Testes de Hipóteses
✓ 1 Amostra vs 1 Objetivo
✓ 2 Amostras Independentes (2 Variances)
 TESTES PARA VARIÂNCIAS
Testes de Hipóteses ▪ 1 Amostra vs 1 Objetivo
▪ 2 Amostras Independentes
Exemplo

O trabalho realizado para ajustar a máquina usada supostamente surtiu

efeito e, os relatórios de produção indicam que a variância do peso das
barras de chocolate diminuiu a níveis inferiores a 4,0 gramas.
Agora você deve comprovar com um 95% de confiança, que houve de
fato uma redução da dispersão da máquina usada.
Pergunta: qual das seguintes formulações é a adequada para analisar
este caso?

H0: s2U = 4 H0: s2U = 4 H0: s2U = 4

Ha: s2U ≠ 4 Ha: s2U < 4 Ha: s2U > 4

Abrindo Teste de Hipóteses – Variâ[Link]
Buscando o diretório...
Preenchendo o quadro de diálogos...
O Histograma...

Summary for Peso_Usada

A nderson-Darling N ormality Test
Como a variância
A -S quared 0,44 vale o quadrado
P -V alue 0,273 do s, a H0 é
M ean 100,39 rejeitada
S tDev 2,86
V ariance 8,21
S kew ness 0,55237
Kurtosis 1,41690
N 30
M inimum 94,05
1st Q uartile 98,84
M edian 100,14
3rd Q uartile 101,46
96 100 104 108 M aximum 108,46
95% C onfidence Interv al for M ean
99,32 101,46
95% C onfidence Interv al for M edian
99,27 101,01
95% C onfidence Interv al for S tDev
9 5 % C onfidence Inter vals
2,28 3,85
Mean

Median

99,0 99,5 100,0 100,5 101,0 101,5

O IC para o
Desvio Padrão
O Histograma...

Summary for Peso_Nova

A nderson-Darling N ormality Test
Como a variância
A -S quared 0,34 vale o quadrado
P -V alue 0,481 do s, a H0 é
M ean 99,775 rejeitada
S tDev 2,660
V ariance 7,074
S kew ness 0,428711
Kurtosis -0,146004
N 30
M inimum 95,352
1st Q uartile 98,296
M edian 99,478
3rd Q uartile 101,435
96 98 100 102 104 M aximum 105,343
95% C onfidence Interv al for M ean
98,782 100,768
95% C onfidence Interv al for M edian
98,651 100,358
95% C onfidence Interv al for S tDev
9 5 % C onfidence Inter vals
2,118 3,575
Mean

Median

99,0 99,5 100,0 100,5 101,0

O IC para o
Desvio Padrão
 TESTES PARA VARIÂNCIAS
Testes de Hipóteses ▪ 1 Amostra vs 1 Objetivo
▪ 2 Amostras Independentes
Exemplo

Agora que a máquina usada está ajustada, o Diretor de Produção desejou

comparar a variância do peso das barras produzidas por ambas
máquinas, porque suspeita que a máquina nova esteja melhor que a
outra.
Agora você deve comprovar com um 95% de confiança, que houve de
fato uma redução da dispersão da máquina usada.
Pergunta: qual das seguintes formulações é a adequada para analisar
este caso?

H0: s2N = s2U H0: s2N = s2U H0: s2N = s2U

Ha: s2N ≠ s2U Ha: s2N < s2U Ha: s2N > s2U
Abrindo Teste de Hipóteses – Variâ[Link]
Buscando o diretório...
Preenchendo o quadro de diálogos...
Marcando a formulação do teste...
O resultado...

Test and CI for Two Variances: Peso_Nova; Peso_Usada H0: s2N = s2U
Method
Null hypothesis Sigma(Peso_Nova) / Sigma(Peso_Usada) = 1 Ha: s2N < s2U
Alternative hypothesis Sigma(Peso_Nova) / Sigma(Peso_Usada) < 1
Significance level Alpha = 0,05 a = 0,05
Statistics
Variable N StDev Variance
P>a
Peso_Nova 30 2,660 7,074
Peso_Usada 30 2,865 8,206

95% One-Sided Confidence Intervals

Tests P Value
Test
Method DF1 DF2 Statistic P-Value
F Test (normal) 29 29 0,86 0,346
A H0 é aceita

A variância da perda da
máquina nova é igual à da
máquina usada
Raízes fortes garantem
melhores frutos.
Testes de Hipóteses para Qui-
quadrado
Objetivos esperados...

Ao final desse módulo o participante será capaz de:

▪ Reconhecer os testes de hipóteses para Qui-Quadrado.
▪ Formular testes de hipóteses de diferentes situações.
▪ Analisar adequadamente os resultados de um teste para múltiplas
proporções.
Aplicação das testes para Qui-Quadrado

Os testes de hipóteses para Qui-Quadrado por associação quando

queremos provar o seguinte:
✓ H0: Y é independente de X
✓ Ha: Y não é independente de X (ou seja, é dependente)
Observações
a. Esses testes são utilizados quando X e Y são variáveis por atributos.
b. Se X é uma variável contínua, podemos fracionar os intervalos para
convertê-la em atributos.
Provas de hipóteses de múltiplas proporções

Os testes de hipóteses por associação podem ser formulados da seguinte

forma:
✓ H0: P1 = P2 = P3 = ... = Pk
✓ Ha: Nem todas as Pi são iguais
▪ Compara-se o resultado da prova com o Risco a.
▪ Compara-se “êxitos” contra “fracassos” das amostras que provêm de
uma distribuição binomial.
▪ Calcula o P Value usando o estatístico χ²
✓ Se P > a, não se rejeita a H0. A H0 é aceita.
✓ Se P < a, a H0 não é aceita. Se aceita a Ha.
Exercício

Estamos avaliando se a categoria dos clientes influi no planejamento das

entregas de produtos.
Considere 95% de confiança e para análise, utilize a seguinte
formulação:
✓ H0: PPV = PRM = PGR = PDT
✓ Ha: Nem todas as proporções são iguais

Categoria Qtd de Viagens Planejadas Não Planejadas

Pequeno Varejo (PV) 157 43 114
Redes Médias (RM) 120 29 91
Grandes Redes (GR) 184 96 88
Distribuidores (DT) 210 70 140
Abrindo Teste de Hipóteses [Link]
Buscando o diretório...
Preenchendo o quadro de diálogo...
O resultado...

Results for: Teste de Hipóteses [Link]

Chi-Square Test: Pequeno Varejo; Redes Médias; Grandes Redes; Distribuidores

Expected counts are printed below observed counts

Chi-Square contributions are printed below expected counts

Pequeno Redes Grandes H0: PPV = PRM = PGR = PDT

Varejo Médias Redes Distribuidores Total
1 114 91 88 140 433 Ha: Nem todas as proporções
101,31 77,44 118,74 135,51
1,589 2,376 7,956 0,148 são iguais
2 43 29 96 70 238
55,69 42,56 65,26 74,49 a = 0,05
2,890 4,322 P Value
14,475 0,270
Total 157 120 184 210 671
P<a
Chi-Sq = 34,027; DF = 3; P-Value = 0,000
A H0 é rejeitada
As categorias dos clientes
influem no planejamento das
entregas
Raízes fortes garantem
melhores frutos.
ANOVA
Objetivos esperados...

Ao final desse módulo o participante será capaz de:

▪ Entender as características da ANOVA.
▪ Realizar uma prova de igualdade de variâncias.
▪ Realizar uma prova de igualdade de médias.
▪ Interpretar o resultado da ANOVA.
▪ Realizar a análise dos Fits e dos Residuais.
ANOVA

Essa ferramenta estatística é utilizada para provar a igualdade de duas ou

mais variâncias e médias de populações distintas, assumindo as seguintes
premissas:
✓ Para cada população, a variável de resposta obedece a uma distribuição
normal.
✓ A variância s2 da variável de resposta é a mesma para todas as
populações.
✓ As amostras são independentes.
Conceitos

Podemos encontrar abaixo os dois conceitos utilizado para que se

compreenda o resultado da ANOVA:
Sinal – é a diferença existente entre as médias das diferentes amostras.
Ruído – é o erro padrão da média de cada amostra (SE_Mean).

Observações
a. A relação Sinal / Ruído é dada pelo Valor F da Distribuição F de
probabilidades.
b. A variação total é a soma da variação do sinal e do ruído.
Visualizando graficamente...

Amostra 1 – m1, s Amostra 2 – m2, s Amostra 2 – m2, s

Sinal

Ruído

m1 m2 m3

Se Sinal / Ruído é pequeno, o fator não é importante.

Visualizando graficamente...

Amostra 1 – m1, s Amostra 2 – m2, s Amostra 2 – m2, s

Sinal

Ruído

m1 m2 m3

Se Sinal / Ruído é grande, o fator é importante.

ANOVA – Exercício 1

O Diretor de Produção visitou uma outra fábrica de chocolates e coletou

dados do peso das barras de chocolate em função das máquinas.
Agora você deve comprovar com 95% de confiança, se efetivamente
existe diferença entre as máquinas em relação ao peso das barras
produzidas.
Formulação do Teste:

H0: mMáquina1 = mMáquina2 = mMáquina3

Ha: Ao menos uma máquina é diferente

ANOVA – Passos a seguir...

Teste de Variâncias
Deve-se inicialmente comprovar se os subgrupos obedecem à uma distribuição normal e,
identificar se suas variâncias são iguais.
✓ Dados Normais – considerar o resultado do Bartlett Test.
✓ Dados não Normais – considerar o resultado do Levene Test.

ANOVA
✓ Comprovada a condição de variâncias iguais, deve-se executar a ANOVA.

Fits e Residuais
Após executar a ANOVA, deve-se realizar a análise dos Fits e dos Residuais.
✓ Fits – média de cada subgrupo (valores observados).
✓ Residuais – diferença entre o valor observado e a média de cada subgrupo.
Abrindo Teste de Hipóteses ANOVA – [Link]
Elaborando o Resumo Gráfico...
Preenchendo o quadro de diálogo...
Teste de Normalidade da Máquina 1

Summary for Peso

Máquina = Maq_1
A nderson-Darling N ormality Test
A -S quared 0,54
P -V alue 0,157
M ean 96,561
S tDev 16,103
V ariance 259,292 Valor P é
S kew ness -0,413635
Kurtosis -0,305948
maior que
N 30 0,05
M inimum 61,453
1st Q uartile 82,490
M edian 100,845
60 80 100 120 3rd Q uartile 105,762
M aximum 126,465
95% C onfidence Interv al for M ean
90,548 102,574
95% C onfidence Interv al for M edian
90,263 104,076
9 5 % C onfidence Inter vals 95% C onfidence Interv al for S tDev
Mean 12,824 21,647

Median

90,0 92,5 95,0 97,5 100,0 102,5 105,0

Teste de Normalidade da Máquina 2

Summary for Peso

Máquina = Maq_2
A nderson-Darling N ormality Test
A -S quared 0,34
P -V alue 0,463
M ean 98,809
S tDev 13,352
V ariance 178,276 Valor P é
S kew ness -0,171252
Kurtosis -0,300934
maior que
N 30 0,05
M inimum 72,374
1st Q uartile 91,996
M edian 98,554
60 80 100 120 3rd Q uartile 110,474
M aximum 125,675
95% C onfidence Interv al for M ean
93,824 103,795
95% C onfidence Interv al for M edian
93,823 103,689
9 5 % C onfidence Inter vals 95% C onfidence Interv al for S tDev
Mean 10,634 17,949

Median

95,0 97,5 100,0 102,5 105,0

Teste de Normalidade da Máquina 3

Summary for Peso

Máquina = Maq_3
A nderson-Darling N ormality Test
A -S quared 0,23
P -V alue 0,779
M ean 103,27
S tDev 16,48
V ariance 271,61 Valor P é
S kew ness -0,015761
Kurtosis -0,762614
maior que
N 30 0,05
M inimum 74,90
1st Q uartile 90,82
M edian 104,15
60 80 100 120 3rd Q uartile 114,57
M aximum 134,04
95% C onfidence Interv al for M ean
97,11 109,42
95% C onfidence Interv al for M edian
93,67 112,86
9 5 % C onfidence Inter vals 95% C onfidence Interv al for S tDev
Mean 13,13 22,15

Median

95 100 105 110 115

Avaliando a igualdade das variâncias...
Preenchendo o quadro de diálogo...
O resultado... H0: s2Máquina1 = s2Máquina2 = s2Máquina3

Test for Equal Variances for Peso Ha: Ao menos uma variância é diferente
Bartlett's Test
Test Statistic 1,45 P Value
Maq_1 P-Value 0,484
Levene's Test a = 0,05
Test Statistic 0,88
P-Value 0,419
P>a
Máquina

Maq_2
A H0 é aceita
Não existe
diferença entre as
Maq_3 variâncias

10 12 14 16 18 20 22 24
95% Bonferroni Confidence Intervals for StDevs
Avaliando a igualdade das médias...
Preenchendo o quadro de diálogo...
Selecionando o tipo de gráfico...
O Boxplot...

Boxplot of Peso
140

130

120

110
Peso

100

90

80

70

60
Maq_1 Maq_2 Maq_3
Máquina
O resultado...

H0: mMáquina1 = mMáquina2 = mMáquina3

Results for: TESTE DE HIPÓTESES ANOVA - [Link]
One-way ANOVA: Peso versus Máquina Ha: Ao menos uma média é diferente
Source DF SS MS F P
Máquina 2 699 350 1,48 0,234 P Value a = 0,05
Error 87 20566 236
Total 89 21265
P>a
S = 15,38 R-Sq = 3,29% R-Sq(adj) = 1,06%
A H0 é aceita

Não existe diferença entre as médias

Características dos Residuais

Os residuais devem cumprir quatro requisitos básicos, conforme segue:

➢ Os residuais devem obedecer a uma distribuição normal.
➢ A soma de todos os residuais deve ter média igual a zero.
➢ Os residuais de cada subgrupo devem ter a mesma variância.
➢ Os residuais devem ser independentes.
Buscando o diretório...
Preenchendo o quadro de diálogo...
Selecionando o tipo de gráfico...
O resultado...

Residual Plots for RESI1

Distribuição Normal Probability Plot Versus Fits Variâncias
Normal 99,9 40 Iguais
99

90 20

Residual
Percent 50 0

10
-20
1
0,1 -40
-50 -25 0 25 50 -0,50 -0,25 0,00 0,25 0,50
Residual Fitted Value

Histograma de Histogram Versus Order Dados

Média = 016 40 Aleatórios
12 20
Frequency

Residual
8 0

4 -20

0 -40
-30 -20 -10 0 10 20 30 1 10 20 30 40 50 60 70 80 90
Residual Observation Order

As características são atendidas, portanto

os resultados da ANOVA são válidos.
ANOVA – Exercício 2

O Diretor de Produção visitou uma outra fábrica de chocolates e coletou

dados do peso das barras de chocolate em função das máquinas.
Agora você deve comprovar com 95% de confiança, se efetivamente
existe diferença entre os turnos em relação à quantidade de lotes
produzidos.
Formulação do Teste:

H0: mTurno1 = mTurno2 = mTurno3

Ha: Ao menos um turno é diferente

Abrindo Teste de Hipóteses ANOVA – [Link]
Elaborando o Resumo Gráfico...
Preenchendo o quadro de diálogo...
Teste de Normalidade do Turno 1...

Summary for Lotes

Turno = Turno_1
A nderson-Darling N ormality Test
A -S quared 0,36
P -V alue 0,431
M ean 143,67
S tDev 10,92
V ariance 119,27 Valor P é
S kew ness -0,513137
Kurtosis -0,072069
maior que
N 30 0,05
M inimum 116,51
1st Q uartile 138,47
M edian 144,36
120 130 140 150 160 170 180 3rd Q uartile 152,19
M aximum 162,42
95% C onfidence Interv al for M ean
139,60 147,75
95% C onfidence Interv al for M edian
140,00 150,48
9 5 % C onfidence Inter vals 95% C onfidence Interv al for S tDev
Mean 8,70 14,68

Median

140 142 144 146 148 150 152

Teste de Normalidade do Turno 2...

Summary for Lotes

Turno = Turno_2
A nderson-Darling N ormality Test
A -S quared 1,37
P -V alue < 0,005
M ean 146,76
S tDev 9,83
V ariance 96,54 Valor P é
S kew ness 1,29945
Kurtosis 3,10991
menor que
N 30 0,05
M inimum 128,20
1st Q uartile 142,57
M edian 145,19
120 130 140 150 160 170 180 3rd Q uartile 150,06
M aximum 176,43
95% C onfidence Interv al for M ean
143,09 150,43
95% C onfidence Interv al for M edian
142,87 148,09
9 5 % C onfidence Inter vals 95% C onfidence Interv al for S tDev
Mean 7,83 13,21

Median

142 144 146 148 150

Teste de Normalidade do Turno 3...

Summary for Lotes

Turno = Turno_3
A nderson-Darling N ormality Test
A -S quared 0,35
P -V alue 0,445
M ean 161,94
S tDev 9,39
V ariance 88,11 Valor P é
S kew ness -0,78408
Kurtosis 1,07173
maior que
N 30 0,05
M inimum 135,49
1st Q uartile 157,12
M edian 162,76
120 130 140 150 160 170 180 3rd Q uartile 169,39
M aximum 178,30
95% C onfidence Interv al for M ean
158,43 165,44
95% C onfidence Interv al for M edian
159,77 165,49
9 5 % C onfidence Inter vals 95% C onfidence Interv al for S tDev
Mean 7,48 12,62

Median

158 160 162 164 166

Avaliando a igualdade das variâncias...
Preenchendo o quadro de diálogo...
O resultado... H0: s2Turno1 = s2Turno2 = s2Turno3

Test for Equal Variances for Lotes Ha: Ao menos um turno é diferente
Bartlett's Test
Test Statistic 0,70
Turno_1 P-Value 0,705
Levene's Test
Test Statistic 0,93 P Value
P-Value 0,400

a = 0,05
Turno

Turno_2
P>a

A H0 é aceita
Turno_3 Não existe
diferença entre os
6 8 10 12 14 16
turnos
95% Bonferroni Confidence Intervals for StDevs
Avaliando a igualdade das médias...
Preenchendo o quadro de diálogo...
Selecionando o tipo de gráfico...
O Boxplot...

Boxplot of Lotes
180

170

160

150
Lotes

140

130

120

110
Turno_1 Turno_2 Turno_3
Turno
O resultado...

H0: mTurno1 = mTurno2 = mTurno3

Results for: TESTE DE HIPÓTESES ANOVA - [Link]
One-way ANOVA: Lotes versus Turno Ha: Ao menos um turno é diferente
Source DF SS MS F P
Turno 2 5734 2867 28,30 0,000 P Value a = 0,05
Error 87 8814 101
Total 89 14548
P<a
S = 10,07 R-Sq = 39,41% R-Sq(adj) = 38,02%
A H0 é rejeitada

Existe diferença entre as médias

Buscando o diretório...
Preenchendo o quadro de diálogo...
Selecionando o tipo de gráfico...
O resultado...

Residual Plots for RESI1

Distribuição Normal Probability Plot Versus Fits Variâncias
Normal 99,9 30 Iguais
99

90 15

Residual
Percent 50 0
10
-15
1
0,1 -30
-30 -15 0 15 30 -0,50 -0,25 0,00 0,25 0,50
Residual Fitted Value

Histograma de Histogram Versus Order Dados

Média = 024 30 Aleatórios
18 15
Frequency

Residual
12 0

6 -15

0 -30
-20 -10 0 10 20 30 1 10 20 30 40 50 60 70 80 90
Residual Observation Order

As características são atendidas, portanto

os resultados da ANOVA são válidos.
Raízes fortes garantem
melhores frutos.
Tamanho da Amostra e Poder
da Prova
Objetivos esperados...

Ao final desse módulo o participante será capaz de:

▪ Entender o significado do Risco Alfa (a).
▪ Entender o significado do Risco Beta (b).
▪ Entender o significado de Delta (d).
▪ Entender a relação existente entre a, b, d e n (tamanho da amostra).
▪ Estimar o tamanho adequado de uma amostra.
Conceitos

Risco Alfa (a)

• Conhecido como Erro Tipo I, é o risco de encontrar uma diferença quando ela
realmente não existe, rejeitando a H0 quando ela é verdadeira.
• Nível de Confiabilidade = 1 – a

Risco Beta (b)

• Conhecido como Erro Tipo II, é o risco de não encontrar uma diferença quando ela
realmente existe, não rejeitando a H0 quando ela é falsa.
• Poder do Teste = 1 – b

Delta (d)
• Representa a diferença mínima que buscamos para que o teste seja significativo.
• Sensibilidade do Teste = d/s
Visualizando graficamente...

Desejamos saber se a média da Amostra 1 é menor que a média da

Amostra 2, sabendo que ambas amostras têm o mesmo tamanho n.
✓ Qual é o risco que estaremos avaliando?

População 1

População 2

Risco a

m1 m2
Pergunta 1...

Que passaria caso tomássemos uma amostra típica da População 1, cuja

média estivesse localizada na área do Risco a?
✓ Pensaríamos que a amostra não faz parte da População 1 e,
rejeitaríamos a H0 quando ela é verdadeira (Erro Tipo I).
População 1

População 2

Risco a

m1 m2
Pergunta 2...

Que passaria caso tomássemos uma amostra típica da População 2, cuja

média estivesse localizada nesse outro ponto?
✓ Pensaríamos que a amostra faz parte da População 1 e, não
rejeitaríamos a H0 quando ela é falsa (Erro Tipo II).
População 1

População 2

Risco a

m1 m2
Pergunta 2...

Que passaria caso tomássemos uma amostra típica da População 2, cuja

média estivesse localizada nesse outro ponto?
✓ Pensaríamos que a amostra faz parte da População 1 e, não
rejeitaríamos a H0 quando ela é falsa (Erro Tipo II).
População 1

População 2

Risco b

m1 m2
Sensibilidade do teste

A sensibilidade do teste de hipóteses é estabelecida pela relação entre a

diferença entre as médias das amostras e seu desvio padrão.
✓ Quanto maior a diferença entre as médias e menor o desvio padrão,
maior será a sensibilidade do teste.
População 1

População 2

m1 m2
d/s
 ▪ 1 Sample Z
▪ 1 Sample t
▪ 2 Sample t
Tamanho da Amostra ▪ ANOVA
▪ 1 Proportion
▪ 2 Proportions
Exemplo 1 Sample Z

Foi realizado um projeto para reduzir as perdas na produção de barras de

chocolate e, de acordo com os dados levantados, o desvio padrão da perda
é 0,4 Kg/t e, sabe-se que inicialmente a perda era de 3,0 Kg/t por
tonelada produzida.
Sabe que uma melhora mínima tangível para essa perda é de 0,5 Kg/t e,
deseja-se comprovar que houve uma melhora do resultado mediante um
teste de hipóteses.
Pergunta: Quantas observações devem ser realizadas para executar o
teste de hipóteses, considerando as seguintes premissas?
✓ Risco a = 0,10 (10%)
✓ Risco b = 0,20 (20%)
✓ Nível de Confiabilidade = 0,90 (90%)
✓ Poder da Prova = 0,80 (80%)
Abrindo Tamanho da Amostra 1 Sample [Link]
Buscando o diretório
Preenchendo o quadro de diálogo...
Checando as opções...
O resultado...

Power and Sample Size

1-Sample Z Test

Testing mean = null (versus < null)

Calculating power for mean = null + difference
Alpha = 0,1 Assumed standard deviation = 0,4

Sample Target
Difference Size Power Actual Power
-0,5 3 0,8 0,811520

Deve-se coletar apenas 3

amostras para comprovar se
houve efetivamente redução
de perda
 ▪ 1 Sample Z
▪ 1 Sample t
▪ 2 Sample t
Tamanho da Amostra ▪ ANOVA
▪ 1 Proportion
▪ 2 Proportions
Exemplo 1 Sample t

Posteriormente foi comprovado que o desvio padrão da perda é 0,4 Kg/t

e, sabe-se que inicialmente a perda era de 3,0 Kg/t por tonelada
produzida.
Sabe que uma melhora mínima tangível para essa perda é de 0,5 Kg/t e,
deseja-se comprovar que houve uma melhora do resultado mediante um
teste de hipóteses.
Pergunta: Quantas observações devem ser realizadas para executar o
teste de hipóteses, considerando essas novas premissas?
✓ Risco a = 0,05 (5%)
✓ Risco b = 0,20 (20%)
✓ Nível de Confiabilidade = 0,95 (95%)
✓ Poder da Prova = 0,80 (80%)
Abrindo Tamanho da Amostra 1 Sample [Link]
Buscando o diretório
Preenchendo o quadro de diálogo...
Checando as opções...
O resultado...

Power and Sample Size

1-Sample t Test

Testing mean = null (versus < null)

Calculating power for mean = null + difference
Alpha = 0,05 Assumed standard deviation = 0,4

Sample Target
Difference Size Power Actual Power
-0,5 6 0,8 0,834777

Deve-se coletar apenas 6

amostras para comprovar se
houve efetivamente redução
de perda
 ▪ 1 Sample Z
▪ 1 Sample t
▪ 2 Sample t
Tamanho da Amostra ▪ ANOVA
▪ 1 Proportion
▪ 2 Proportions
Exemplo 2 Sample t

Depois do teste, a equipe do projeto decidiu continuar com outros testes

de hipóteses das variáveis X’s destacadas na Matriz de C&E, uma delas o
tipo de açúcar utilizado (cristal e demerara).
A equipe deseja saber se o tipo de açúcar influencia na perda de produto
acabado, considerando desvio padrão de 0,4 Kg/t e melhora mínima
tangível de 0,5 Kg/t.
Pergunta: Quantas observações devem ser realizadas para executar o
teste de hipóteses, considerando as seguintes premissas?
✓ Risco a = 0,05 (5%)
✓ Risco b = 0,20 (20%)
✓ Nível de Confiabilidade = 0,95 (95%)
✓ Poder da Prova = 0,80 (80%)
Abrindo Tamanho da Amostra 2 Sample t .MTW
Buscando o diretório
Preenchendo o quadro de diálogo...
Checando as opções...
O resultado...

Power and Sample Size

2-Sample t Test

Testing mean 1 = mean 2 (versus not =)

Calculating power for mean 1 = mean 2 + difference
Alpha = 0,05 Assumed standard deviation = 0,4

Sample Target
Difference Size Power Actual Power
0,5 12 0,8 0,832948

Deve-se coletar 12 amostras

para comprovar se há
efetivamente redução de
perda em função do tipo de
açúcar
 ▪ 1 Sample Z
▪ 1 Sample t
▪ 2 Sample t
Tamanho da Amostra ▪ ANOVA
▪ 1 Proportion
▪ 2 Proportions
Exemplo ANOVA

Outro fator importante revelado na análise do Boxplot foi o turno de

produção (3 no total), assim a equipe decidiu aplicar uma ANOVA para
comprovar se o turno influenciava na perda de produção.
Foi também considerado desvio padrão de 0,4 Kg/t e melhora mínima
tangível de 0,5 Kg/t.
Pergunta: Quantas observações devem ser realizadas para executar o
teste de hipóteses, agora para diferentes Riscos b?
✓ Risco a = 0,05 (5%)
✓ Risco b = 0,05, 0,10, 0,15 e 0,20 (5, 10, 15 e 20%)
✓ Nível de Confiabilidade = 0,95 (95%)
✓ Poder da Prova = 0,95, 0,90, 0,85 e 0,80 (95, 90, 85 e 80%)
Abrindo Tamanho da Amostra [Link]
Buscando o diretório
Preenchendo o quadro de diálogo...
Checando as opções...
O resultado...

Power and Sample Size

One-way ANOVA

Alpha = 0,05 Assumed standard deviation = 0,4

Factors: 1 Number of levels: 3

Maximum Sample Target

Difference Size Power Actual Power
0,5 14 0,80 0,820173
0,5 16 0,85 0,874158
0,5 18 0,90 0,913409
0,5 21 0,95 0,951923

Deve-se coletar as
quantidades de amostras
indicadas para comprovar se
houve efetivamente redução
de perda em função do turno
 ▪ 1 Sample Z
▪ 1 Sample t
▪ 2 Sample t
Tamanho da Amostra ▪ ANOVA
▪ 1 Proportion
▪ 2 Proportions
Exemplo 1 Proportion

Você era um funcionário muito feliz, até realizar o treinamento de Black

Belt e se deu conta que deveria realizar um projeto para melhorar os
processos de produção de barras de chocolate.
O diretor industrial deseja saber se efetivamente houve uma queda de
10% índice da eficiência da linha, que historicamente é 70% (queda foi:
70% – 10% = 60%).
Pergunta: Quantas observações devem ser realizadas para executar o
teste de hipóteses, considerando as seguintes premissas?
✓ Risco a = 0,05 (5%)
✓ Risco b = 0,15 (15%)
✓ Nível de Confiabilidade = 0,95 (95%)
✓ Poder da Prova = 0,85 (85%)
Abrindo Tamanho da Amostra 1 [Link]
Buscando o diretório
Preenchendo o quadro de diálogo...
Checando as opções...
O resultado...

Power and Sample Size

Test for One Proportion

Testing p = 0,7 (versus < 0,7)

Alpha = 0,05

Sample Target
Comparison p Size Power Actual Power
0,6 160 0,85 0,851611

Deve-se coletar 160

amostras para comprovar se
houve efetivamente redução
do índice de eficiência da
linha de produção da
empresa
 ▪ 1 Sample Z
▪ 1 Sample t
▪ 2 Sample t
Tamanho da Amostra ▪ ANOVA
▪ 1 Proportion
▪ 2 Proportions
Exemplo 2 Proportions

Agora, a equipe do projeto soube que os índices de eficiência das linhas de

produção da unidade onde trabalha e de outra unidade da empresa são
significativamente diferentes.
O índice de eficiência unidade onde a equipe se encontra é de 70%,
enquanto a outra unidade reporta um índice médio de 90%.
Pergunta: Quantas observações devem ser realizadas para executar o
teste de hipóteses, considerando as seguintes premissas?
✓ Risco a = 0,05 (5%)
✓ Risco b = 0,15 (15%)
✓ Nível de Confiabilidade = 0,95 (95%)
✓ Poder da Prova = 0,85 (85%)
Abrindo Tamanho da Amostra 2 [Link]
Buscando o diretório
Preenchendo o quadro de diálogo...
Checando as opções...
O resultado...

Power and Sample Size

Test for Two Proportions

Testing comparison p = baseline p (versus not =)

Calculating power for baseline p = 0,9
Alpha = 0,05

Sample Target
Comparison p Size Power Actual Power
0,7 71 0,85 0,853727

Deve-se coletar 71 amostras

para comprovar se há
efetivamente diferença entre
os índices de eficiência das
duas unidades de produção
da empresa
Raízes fortes garantem
melhores frutos.
Improve
Objetivos esperados...

Ao final desse módulo o participante saberá sobre:

▪ A aplicação das ferramentas da etapa Improve no desenvolvimento de
um projeto.
Improve

Objetivos
Define • Definir os condições ideais de processo
• Implantar ações de bloqueio das causas raízes

Conceitos e Ferramentas
Control Measure • Correlação e Regressão
• Interação entre Fatores
• Experimento Fatorial
• DOE (Design of Experiments)
• Plano de Ação
• Cronograma do Plano de Ação
Improve Analyse
• Gráfico Sequencial da Meta
• Gráfico Sequencial do Saving
Plano de Ação

O Plano de Ação é uma ferramenta utilizada para estruturar as ações de bloqueio,

visando a eliminação das causas raízes / causas fundamentais.
• Devem ser utilizadas as ferramentas de padronização que garantam a maior efetividade
possível.
• É a principal ferramenta para que o grupo de melhoria atinja a meta do projeto.

Ferramentas de Padronização

Categorias Efetividade das Ferramentas

Procedimentos Baixa
Sinalização Baixa > Moderada
Proteção Passiva Moderada
Proteção Ativa Moderada > Alta
Projeto Alta
Efetividade da Padronização

Alta

Baixa
Design For Six Sigma

Automação

Efetividade da Padronização
Poka Yoke Redesenho

Ação Humana
Rotinas Estruturadas

Alarmes
5S

Controle Estatístico de Processo

Documentação Estruturada

Manuais de Procedimentos

Instruções Escritas
Baixa

Alta
Instruções Verbais

Baixo Investimento Alto

Efetividade da Padronização

PROCEDIMENTOS

Características

▪ Tem como base a padronização dos

processos por meio da transferência do
conhecimento por escrito.

▪ Como depende essencialmente da ação

humana (treinamento e execução) é a
medida menos efetiva para bloquear
causas.

Ferramentas

Instruções Verbais, Instruções Escritas,

Manuais de Procedimentos e
Documentação Estruturada.
Efetividade da Padronização

SINALIZAÇÃO

Características

▪ Tem como base a padronização dos

processos por meio da sinalização.

▪ Usualmente é utilizado como medida

complementar ao procedimento.

▪ Sua efetividade ainda é limitada devido

à sua grande dependência da ação
humana.

Ferramentas

Controle Estatístico de Processo (CEP), 5S

e Alarmes.
Efetividade da Padronização

PROTEÇÃO PASSIVA

Características

▪ Tem como base a padronização dos

processos por meio de sistemas que
alertam sobre as necessidades de
intervenção.

▪ Apesar da grande utilidade, sua

efetividade ainda é restrita por
depender da ação humana, ou seja,
também não garantem plenamente o
bloqueio das causas.

Ferramentas

Alarmes e Gerenciamento da Rotina do

Dia-a-dia (GRD).
Efetividade da Padronização

PROTEÇÃO ATIVA

Características

▪ Tem como base a padronização dos

processos por meio de sistemas que
efetivamente minimizam e/ou evitam as
falhas.

▪ Eventualmente sua aplicação pode ser

limitada, por demandar algum nível de
investimento.

▪ Dispositivos à prova de bobeira (fool

proof) são recursos muito usados
porque possuem alta efetividade a baixo
custo.

Ferramentas

Poka Yoke, Automação e Redesenho.

Efetividade da Padronização

PROJETO

Características

▪ Tem como base a padronização dos

processos através projetos de sistemas
que geram produtos e/ou serviços “sem
defeitos”.

▪ Demandam grande investimento e sua

aplicação se limita a novos projetos.

Ferramentas

Design For Six Sigma (DFSS).

Cronograma do Plano de Ação

O Cronograma do Plano de Ação é a ferramenta utilizada para acompanhar a execução

das ações de bloqueio das causas fundamentais.
• O Líder do Grupo deve divulgar o cronograma do plano de ação com os envolvidos,
negociar os prazos com os responsáveis e justificar as medidas propostas para garantir
compreensão e o comprometimento de todos.
Efetividade das Ações
Gráfico Sequencial da Meta

PROPORÇÃO DE PRODUTOS NÃO CONFORMES - %

Quanto
25,0%
menor
MELHOR
Média Histórica
20,0%

Meta do Projeto
15,0%

Valor Atingido
10,0%

Valor Ideal
5,0%

0,0%
Média nov/20 dez/20 jan/21 fev/21 mar/21 abr/21
Média Histórica 20,0%
Meta do Projeto 20,0% 20,0% 15,0% 15,0% 15,0% 15,0%
Realizado 16,7% 16,7% 13,3% 6,7% 10,0% 6,7%
Gráfico Sequencial do Saving

SAVING DO PROJETO (R$/MÊS)

Quanto
R$45.000,00
maior
MELHOR
R$40.000,00

R$35.000,00

R$30.000,00

R$25.000,00

R$20.000,00

R$15.000,00

R$10.000,00

R$5.000,00

R$0,00
ago/20 set/20 out/20 nov/20 dez/20 jan/21
Saving R$10.000,00 R$10.000,00 R$20.000,00 R$40.000,00 R$30.000,00 R$40.000,00
Raízes fortes garantem
melhores frutos.
Correlação e Regressão
Simples
Objetivos esperados...

Ao final desse módulo o participante será capaz de:

▪ Entender o conceito e a finalidade do coeficiente de correlação.
▪ Analisar gráficos de dispersão.
▪ Compreender a aplicação de regressão simples e análise dos residuais.
Correlação

Conceito
É a força da medição de associação linear que existe entre duas variáveis
independentes contínuas.
O resultado da análise é o índice de correlação (r), também conhecido
como Coeficiente de Correlação de Pearson, que nos indica não
apenas a força, como também sua direção e seu sentido.
O valor de r varia entre -1 e 1, e contempla as seguintes situações:
✓ r = -1 indica correlação forte negativa
✓ r = 0 indica que não há correlação
✓ r = 1 indica correlação forte positiva
Abrindo Correlação e Regressã[Link]
Buscando o diretório...
Preenchendo o quadro de diálogo...
O resultado...

Correlations: X; Y H0: r = 0
Pearson correlation of X and Y = 0,983
P-Value = 0,000 Ha: r ≠ 0
a = 0,05
P Value < a: há correlação
P Value ≥ a: não há correlação
Exercício 1

Gere duas séries de 40 dados aleatórios normais e, comprove se há

correlação entre eles.
✓ Nomeie 2 colunas na planilha com Alea_1 e Alea_2
✓ Média: 20
✓ Desvio Padrão: 1

O Resultado...

Correlations: Alea_1 Alea_2

Pearson correlation of Alea_1 and Alea_2 = -0,157
P-Value = 0,333

P Value < a: há correlação

P Value ≥ a: não há correlação
Exercício 2

Agora comprove se há correlação entre as variáveis X e Y_alt.

O Resultado...
Correlations: X; Y_alt
Pearson correlation of X and Y_alt = 0,757
P-Value = 0,000

P Value < a: há correlação

P Value ≥ a: não há correlação
Regressão Linear Simples

A análise de regressão nos oferece muito mais informações que a

correlação.
Continuando com nosso exemplo, agora vamos aprofundar nosso
conhecimento, aplicando essa outra ferramenta com a mesma base de
dados.
Buscando o diretório...
Preenchendo o quadro de diálogo...
O resultado gráfico...

Fitted Line Plot

Y_alt = - 4677 + 1515 X Equação
S 1521,26
10000 R-Sq 57,3%
R-Sq(adj) 56,2%

7500 % de variação
explicado pelo
modelo
5000
Y_alt

2500

2 3 4 5 6 7 8
X
Modelando com uma função polinomial...
O resultado gráfico...

Fitted Line Plot

Y_alt = 6272 - 3358 X Equação
+ 510,9 X**2
S 1157,81
10000 R-Sq 75,9%
R-Sq(adj) 74,6%

8000 Essa modelagem

parece explicar
6000 melhor a
Y_alt

correlação entre
4000 as variáveis em
análise
2000

2 3 4 5 6 7 8
X
Buscando os Fits e os Residuais...
Selecionando os itens...
Buscando os gráficos complementares...
Selecionando os gráficos...
O resultado...

Residual Plots for Y_alt

Distribuição Normal Probability Plot Versus Fits Variâncias
Normal 99 Iguais
2000
90

Residual
Percent
0
50

-2000
10

1 -4000
-4000 -2000 0 2000 0 2500 5000 7500 10000
Residual Fitted Value

Histograma de Histogram Versus Order Dados

Média = 08 2000 Aleatórios
6
Frequency

Residual
0
4
-2000
2

0 -4000
-3000 -2000 -1000 0 1000 2000 1 5 10 15 20 25 30 35 40
Residual Observation Order

As suposições dos residuais foram preservadas,

portanto podemos confiar no modelo.
Raízes fortes garantem
melhores frutos.
Interação entre Fatores
Objetivos esperados...

Ao final desse módulo o participante será capaz de:

▪ Analisar o efeito da interação estatística entre fatores na variável de
resposta.
▪ Executar gráficos de efeitos principais e gráfico de interações.
▪ Identificar graficamente a influência de dois ou mais fatores na variável
de resposta.
Introdução

Dois ou mais fatores interagem numa variável de resposta quando o

efeito de um fator depende do nível de outro fator.
A interação estatística é uma ferramenta mais ampla que o estudo de
efeitos principais e, nos possibilita identificar com mais precisão as
melhores condições que um processo pode operar.
Exemplo 1

A Diretoria de Produção está estudando o efeito que a temperatura e que

a pressão exercem sobre as perdas na produção de barras de chocolate.
Algumas provas de hipóteses revelaram que ao elevar a temperatura de
60 para 80 ºC, as perdas reduzem 4 pontos.
Por outro lado ao elevar a pressão de 20 para 25 PSI, as perdas
reduzem 2 pontos.
Visualizando graficamente...

O que acontece com a perda

Perda
quando aumentamos a
temperatura de 60 para 80ºC?

Diminui 4 pontos.

20 PSI

60 80 ºC
Visualizando graficamente...

O que acontece com a perda

Perda
quando aumentamos a pressão de
20 para 25 PSI?

Diminui 2 pontos.

Não existe interação

entre a temperatura e a
pressão, porque o
efeito de um fator é
independente do outro.

20 PSI 25 PSI

60 80 ºC
Exemplo 2

Agora imaginemos uma situação diferente, onde o resultado das provas

revelou o seguinte resultado:
À pressão de 20 PSI o comportamento da perda é exatamente o mesmo
do exemplo anterior.
À temperatura de 60ºC a perda, a 25 PSI, é 6 pontos menor que a 20
PSI.
Por outro lado, à temperatura de 80ºC a perda, a 25 PSI, é 2 pontos
maior que a 20 PSI.
Visualizando graficamente...

O que acontece com a perda

Perda
quando aumentamos a pressão de
20 para 25 PSI?

A 60ºC é 6 pontos
menor e, a 80ºC é 2
pontos maior.

Existe interação entre a

temperatura e a
pressão, porque o
efeito de um fator
depende do outro.

20 PSI 25 PSI

60 80 ºC
Abrindo Interaçã[Link]
Elaborando o Interactions Plot...
Preenchendo o quadro de diálogo...
Resultado para a Perda_1A

Interaction Plot for Perda_1A

Data Means
Pres_1
8
20
25
7
Não há
interação
6
Mean

60 80
Temp_1
Resultado para a Perda_1A

Interaction Plot for Perda_1B

Data Means
Pres_1
8
20
25
7
Há interação
6
Mean

60 80
Temp_1

Chama-se interação dupla

porque existem dois fatores.
Elaborando o Main Effects Plot para Perda_2...
Preenchendo o quadro de diálogo...
O resultado para Perda_2

A pressão afeta
Main Effects Plot for Perda_2
moderadamente
Data Means
a perda.
Pres_2 Temp_2
30

25

20

15
Mean

20 25 60 80
Tempo_2 A temperatura
30
parece não
25 afetar a perda.

20

15

5 10
O tempo afeta
fortemente a
perda.
Elaborando o Interactions Plot para Perda_2...
Preenchendo o quadro de diálogo...
O resultado para Perda_2
Existe baixa
interação entre
Interaction Plot for Perda_2 pressão e
Existe baixa
Data Means tempo.
interação entre
pressão e 60 80 5 10
temperatura. 32
Pres_2
20
24 25
P r es_2

16

32
Temp_2
60
24 80
T emp_2

16

Existe baixa
interação entre
temperatura e T empo_2

tempo.
Elaborando o Main Effects Plot para Perda_3...
Preenchendo o quadro de diálogo...
O resultado para Perda_3

A pressão não
Main Effects Plot for Perda_3
afeta a perda.
Data Means
Pres_3 Temp_3
30,0

27,5

25,0

22,5

20,0
Mean

20 25 20,0 22,5 25,0

Tempo_3 A temperatura
30,0 afeta
27,5 fortemente a
perda.
25,0

22,5

20,0
5,0 7,5 10,0
O tempo afeta
moderadamente
a perda.
Elaborando o Interactions Plot para Perda_3...
Preenchendo o quadro de diálogo...
O resultado para Perda_3
Não há
interação entre
Interaction Plot for Perda_3 pressão e
Não há
Data Means tempo.
interação entre
pressão e 20,0 22,5 25,0 5,0 7,5 10,0
temperatura. Pres_3
32
20
25
P r es_3 24

16
32 Temp_3
20,0
22,5
T emp_3 24 25,0

16

Há interação
entre
T empo_3
temperatura e
tempo.
Raízes fortes garantem
melhores frutos.
Introdução a Desenho de
Experimentos
Objetivos esperados...

Ao final desse módulo o participante será capaz de:

▪ Entender o que é um DOE e reconhecer sua importância.
▪ Entender a metodologia de execução de um DOE.
▪ Elaborar um DOE para um projeto Seis Sigma.
Conceito

DOE é o conjunto sistemático de experimentos que revela o efeito de um

ou mais fatores em uma variável de resposta, sem preocupar-se por
fatores externos ou critérios subjetivos.
Por tratar-se de um método científico, elimina a ambiguidade para a
determinação de uma série de causas e efeitos correspondentes.
A Importância
Trata-se de uma importante ferramenta estatística utilizada para revelar a
interação existente entre os fatores no efeito final de uma resposta.
As ferramentas vistas até então nos permitem avaliar a importância de um
fator X em uma variável de resposta Y e, logicamente têm uma grande
utilidade, mas não consideram referida interação.
Visualizando graficamente...

Suponha que desejamos

Perda
minimizar as perdas em um
processo sensível a pressão e
temperatura, e que 25 PSI e 60
ºC seja sua condição ideal, mas
que não saibamos disso.

Condição ideal 25 PSI

60 80 ºC
Visualizando graficamente...

Condição Inicial Agora suponha que desejamos

Perda
minimizar as perdas desse
processo, cuja operação esteja
ajustada para 20 PSI e 60 ºC.

20 PSI

60 80 ºC
Visualizando graficamente...

Condição Inicial À mesma pressão de 20 PSI se

Perda
realiza uma prova de hipóteses
para a temperatura de 80ºC.

Suponha que há
uma redução de 4
pontos nas perdas.

20 PSI

60 80 ºC
Visualizando graficamente...

Condição Inicial Suponha que se realiza uma outra

Perda
prova de hipóteses à 25 PSI,
mantendo a temperatura de 80ºC.

À 20 PSI e 80 ºC se
obtém a menor
perda.

Conseguimos chegar
na condição ideal?

20 PSI 25 PSI

60 80 ºC
Visualizando graficamente...

Condição Inicial Conclusão: embora tenhamos

Perda
melhorado o processo, não
conseguimos chegar em sua
condição ideal.

Condição ideal 20 PSI 25 PSI

60 80 ºC
DOE – Regras de Elaboração

O problema Deve-se realizar uma breve descrição do problema

com os dados disponíveis no processo.
DOE – Regras de Elaboração

O problema Deve-se definir os objetivos do DOE, cabendo notar

que regularmente se busca:
O objetivo
▪ Identificar as variáveis de entrada (X’s) de maior
importância.
▪ Identificar o peso de cada uma delas.
▪ Encontrar o conjunto de condições de processo
onde se obtenha o melhor resultado.
▪ Definir a relação entre as variáveis de entrada
(X’s) e as variáveis de resposta (Y’s) do processo.
DOE – Regras de Elaboração

O problema Antes da execução do DOE deve-se identificar as

variáveis de resposta (Y’s) e os fatores relacionados
O objetivo com a mesma (X’s).
As variáveis Deve-se estabelecer os métodos e as unidades de
medição de cada uma delas (MSA).
DOE – Regras de Elaboração

O problema Deve-se selecionar o DOE que melhor se aplique ao

caso.
O objetivo
Objetivo Tipo de Experimento
As variáveis
2k fracionado
O desenho Filtrado de X’s
2k sem réplicas
2k com réplicas
Ponderação de X’s
2k completo
Experimento fatorial geral
Otimização
completo
Modelagem RSM
DOE – Regras de Elaboração

O problema Deve-se selecionar os níveis das X’s de acordo com

seguintes fatores:
O objetivo
✓ Reais.
As variáveis ✓ Agressivos.
O desenho ✓ Práticos.
✓ Com importância para o processo.
Os níveis
✓ Que possam ser medidos.
✓ Seguros.
✓ Independência.
DOE – Regras de Elaboração

O problema Deve-se determinar o tamanho da amostra e os

seguintes fatores:
O objetivo
✓ Risco a.
As variáveis ✓ Risco b.
O desenho ✓ Delta d.

Os níveis
A amostra
DOE – Regras de Elaboração

O problema Deve-se executar as provas seguindo com rigidez o

planejamento definido pelo DOE.
O objetivo
As variáveis Observações:
O desenho a. Antes de correr o experimento deve-se realizar
uma prova piloto para comprovar se a estratégia
Os níveis da amostragem foi captada por todos os
envolvidos.
A amostra
b. É recomendável tomar nota de todos os fatos
As Provas relevantes das provas.
DOE – Regras de Elaboração

O problema Deve-se analisar detalhadamente os resultados do

experimento estatístico.
O objetivo
As variáveis Observações:
O desenho a. Não se deve descartar um fator antes de analisar
seu impacto no processo e, as decisões tomadas
Os níveis são decisivas para a solução final do projeto.
A amostra b. Nem todas conclusões são obtidas com um único
experimento, portanto deve-se propor novos
As Provas objetivos para se obter uma visão mais ampla
sobre a importância dos fatores sobre a variável de
As conclusões resposta.
c. Uma vez que se tenha encontrado as condições
ótimas do processo, deve-se realizar provas de
verificação para comprovar a melhora.
Aspectos críticos para um DOE

• Nem sempre o problema e os objetivos estão claros.

• Falta de identificação dos fatores do experimento.
• Custo elevado para execução.
• Tempo muito amplo para execução.
• Análise errônea dos dados.
• Falta de apoio adequado por parte da empresa.
• Necessidade de resultados em curto prazo.
Exemplo

A Diretoria de Produção necessita saber quais são as melhores condições

de operação do processo de produção de barras de chocolate para que se
obtenha o menor índice de perdas.
Sabendo que as mesmas são afetadas pela temperatura, pela pressão e
pelo tempo de processamento.

Fator Níveis Nº de Níveis

Temperatura (ºC) 60, 70 e 80 3
Pressão (PSI) 20 e 25 2
Tempo (s) 4, 6 e 8 3

➢ Número de combinações = 3 * 2 * 3 = 18
Gerando a matriz do DOE...
Nº da Prova Temperatura Pressão Tempo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Inserindo o fator Temperatura...
Nº da Prova Temperatura Pressão Tempo
1 60
2 60
3 60
4 60
5 60
6 60
7 70
8 70
9 70
10 70
11 70
12 70
13 80
14 80
15 80
16 80
17 80
18 80
Inserindo o fator Pressão...
Nº da Prova Temperatura Pressão Tempo
1 60 20
2 60 20
3 60 20
4 60 25
5 60 25
6 60 25
7 70 20
8 70 20
9 70 20
10 70 25
11 70 25
12 70 25
13 80 20
14 80 20
15 80 20
16 80 25
17 80 25
18 80 25
Inserindo o fator Tempo...
Nº da Prova Temperatura Pressão Tempo
1 60 20 4
2 60 20 6
3 60 20 8
4 60 25 4
5 60 25 6
6 60 25 8
7 70 20 4
8 70 20 6
9 70 20 8
10 70 25 4
11 70 25 6
12 70 25 8
13 80 20 4
14 80 20 6
15 80 20 8
16 80 25 4
17 80 25 6
18 80 25 8
Raízes fortes garantem
melhores frutos.
Experimento Fatorial Geral
Completo
Objetivos esperados...

Ao final desse módulo o participante saberá sobre:

▪ Identificar quando aplicar um Experimento Fatorial Geral Completo.
▪ Estruturar uma Matriz de Desenho.
▪ Analisar um DOE Fatorial Geral Completo.
▪ Definir as melhores condições de operação, aplicando um DOE.
▪ Executar as provas de ajuste mediante a análise dos residuais.
Definição de DOE

É um conjunto sistemático de experimento que permite conhecer o efeito

de um ou mas fatores (X’s) em uma ou mais variáveis de resposta (Y’s),
sem preocupar-se por fatores externos ou critérios subjetivos.
O experimento permite a análise dos efeitos produzidos por 2 ou mais
fatores (X’s) e suas interações (X1*X2*X3*...*Xn) em uma ou mais
variáveis de resposta (Y’s).
Por se tratarem de experimentos de otimização, são as últimas
ferramentas a serem aplicadas para melhorar os processos de um projeto
de Six Sigma.
Notação do DOE

A notação para um DOE Geral Fatorial Completo está dada pelo produto
dos níveis de cada fator e, o número de combinações é igual ao produto
dos níveis de cada fator no experimento.
Suponha que será realizado um DOE com três parâmetros:
• Temperatura (3 níveis)
• Tempo (2 níveis)
• Pressão (3 níveis)
Nesse caso, o DOE teria 3 x 2 x 3 = 18 combinações.
Elaborando uma Matriz de DOE

Deseja-se realizar um experimento com 3 x 2 x 3 e, seus fatores (X’s) e

seus níveis são os seguintes:
1. Região: Norte, Centro e Sul (3 níveis)
2. Categoria de Cliente: Atacadista e Varejista (2 níveis)
3. Unidades Atendidas: 3, 4 e 5 (3 níveis)

Tarefa
• Elabore a Matriz do DOE para esse experimento.
Matriz do DOE
Nº da Prova Região Categoria Unidades
1 Norte
2 Norte
3 Norte
4 Norte
5 Norte
6 Norte
7 Centro
8 Centro
9 Centro
10 Centro
11 Centro
12 Centro
13 Sul
14 Sul
15 Sul
16 Sul
17 Sul
18 Sul
Matriz do DOE
Nº da Prova Região Categoria Unidades
1 Norte Atacadista
2 Norte Atacadista
3 Norte Atacadista
4 Norte Varejista
5 Norte Varejista
6 Norte Varejista
7 Centro Atacadista
8 Centro Atacadista
9 Centro Atacadista
10 Centro Varejista
11 Centro Varejista
12 Centro Varejista
13 Sul Atacadista
14 Sul Atacadista
15 Sul Atacadista
16 Sul Varejista
17 Sul Varejista
18 Sul Varejista
Matriz do DOE
Nº da Prova Região Categoria Unidades
1 Norte Atacadista 3
2 Norte Atacadista 4
3 Norte Atacadista 5
4 Norte Varejista 3
5 Norte Varejista 4
6 Norte Varejista 5
7 Centro Atacadista 3
8 Centro Atacadista 4
9 Centro Atacadista 5
10 Centro Varejista 3
11 Centro Varejista 4
12 Centro Varejista 5
13 Sul Atacadista 3
14 Sul Atacadista 4
15 Sul Atacadista 5
16 Sul Varejista 3
17 Sul Varejista 4
18 Sul Varejista 5
Abrindo Matriz [Link]
Buscando o diretório...
Preenchendo o quadro de diálogo...
Inserindo os fatores...
Checando os fatores...
Inserindo os fatores...
Checando as opções...
Desabilitando a opção Randomize runs...
A Matriz DOE
Conceitos

Fatores Fixos
• São caracterizados por uma pequena quantidade de níveis (ex.: se a empresa possui apenas 3
linhas de produção e, estas linhas entrarão no estudo, então este será um fator fixo).
Fatores Aleatórios
• São caracterizados por uma grande quantidade de níveis, mas são tomados apenas alguns deles
(amostra) para o experimento e, desejamos conhecer o efeito geral em todos os níveis (população)
(ex.: se a empresa possui 20 linhas de produção semelhantes e escolhemos apenas 3 delas para
realizar o estudo).
Estudo Balanceado
• É todo aquele que possui a mesma quantidade de observações por combinação.
A A
Dado Dado Dado Dado
Dado Dado Dado Dado
Dado Dado Dado
B B
Dado Dado Dado Dado
Dado Dado Dado Dado
Dado Dado Dado
Desenho Balanceado Desenho Desbalanceado
DOE Experimentos Fatoriais

Tipo de Fatores
Balanceados Não Balanceados Fatores Fixos
Experimento Aleatórios
DOE Balanceado Sim Não Sim Sim
DOE Linear Geral Sim Sim Sim Sim
DOE Fatorial Geral Sim Sim Sim Não
Especificação do Modelo

Suponhamos que se dispõe de dois fatores A (X1) e B (X2) e, se deseja

analisar que termos são estatisticamente significativos para o modelo
matemático.
Minitab permite especifica os modelos matemáticos de duas maneiras
distintas:
✓ A|B – Deve-se indicar no Minitab que a ANOVA deve incluir os fatores
da análise em separado, bem como todas as interações existentes
entre eles.
✓ A B A*B – deve-se indicar no Minitab quais termos devem ser incluídos
no modelo.
Passo a passo...

1. Executar a ANOVA de acordo com o tipo de experimento:

Dinâmica:
a. Revisar o P Value para cada termo, iniciando pelas maiores interações.
b. Eliminar os termos com P Value > a, sendo apenas 1 termo de cada vez.
c. Executar a ANOVA outra vez sem os termos eliminados.
d. Repetir essa dinâmica até chegar nos termos principais, que são aqueles que
apresentam P Value < a.
2. Uma vez que restem apenas os termos principais (P Value < a), chegaremos ao
Modelo Reduzido.
3. Executar a ANOVA outra vez, mas agora para gerar os Fits e os Residuais.
4. Realizar a análise dos Fits e Residuais, assegurando-se que nenhuma suposição foi
violada, assim teremos certeza que as conclusões obtidas pelo experimento serão
válidas.
Passo a passo...

5. Elaborar os gráficos de efeitos principais e de interações que forem necessários

para determinar quais são as melhores condições de operação:
a. Iniciar pelas maiores interações.
b. Para as interações triples, deve-se desdobrar os dados até podê-las tratar como
interações duplas.
c. Executar essa rotina de maneira decrescente.
 ▪ Interação Dupla Caso 1
✓ DOE Balanceado
✓ DOE Linear Geral
✓ DOE Fatorial Geral
Exercícios DOE ▪ Interação Dupla Caso 2
✓ DOE Balanceado
▪ Interação Tripla Caso 3
✓ DOE Fatorial Geral
DOE Interação Dupla Caso 1 – DOE Balanceado

Desejamos saber se a temperatura (X1) e a pressão (X2) são fatores

importantes para determinar a dureza de uma resina (Y).
A equipe do projeto precisa realizar um experimento modelo DOE
Balanceado, considerando esses fatores.
• Temperatura (ºC): 100, 110, 120 (3 níveis)
• Pressão (PSI): 13, 16 E 19 (3 níveis)

Objetivo: maximizar o valor da dureza da resina.

Abrindo DOE Interação Dupla – Exercício [Link]
Buscando o diretório...
Preenchendo o quadro de diálogo...
O resultado...

ANOVA: Dureza versus Temperatura; Pressão a = 0,05

Factor Type Levels Values
Temperatura fixed 3 100; 110; 120
Pressão fixed 3 13; 16; 19

Analysis of Variance for Dureza

Source DF SS MS F P
Temperatura 2 1,02333 0,51167 10,23 0,005
Pressão 2 2,77000 1,38500 27,70 0,000
Temperatura*Pressão 4 0,17667 0,04417 0,88 0,511
Error 9 0,45000 0,05000
Total 17 4,42000

S = 0,223607 R-Sq = 89,82% R-Sq(adj) = 80,77%

A interação Temperatura*Pressão não é significativa, visto que P>a.

Deve-se realizar a ANOVA outra vez, eliminando a interação
Temperatura*Pressão.
Gerando a ANOVA outra vez...
Preenchendo o quadro de diálogo...
O resultado...

ANOVA: Dureza versus Temperatura; Pressão a = 0,05

Factor Type Levels Values
Temperatura fixed 3 100; 110; 120
Pressão fixed 3 13; 16; 19

Analysis of Variance for Dureza

Source DF SS MS F P
Temperatura 2 1,02333 0,51167 10,61 0,002
Pressão 2 2,77000 1,38500 28,73 0,000
Error 13 0,62667 0,04821
Total 17 4,42000

S = 0,219557 R-Sq = 85,82% R-Sq(adj) = 81,46%

Como P<a para a Temperatura e para a Pressão, ambos fatores são

significativos.
Portanto, esse é o modelo reduzido.
Gerando a ANOVA outra vez...
Gerando os Fits e os Residuais...
Preenchendo o quadro de diálogo...
Analisando os residuais...
Preenchendo o quadro de diálogo...
Selecionando o tipo de gráfico...
O resultado...

Residual Plots for Dureza

Distribuição Normal Probability Plot Versus Fits Variâncias
Normal 99 Iguais
90 0,5

Residual
Percent 50
0,0

-0,5
10

1 -1,0
-1,0 -0,5 0,0 0,5 1,0 162,4 162,6 162,8 163,0
Residual Fitted Value

Histograma de Histogram Versus Order Dados

Média = 04 Aleatórios
0,5
3
Frequency

Residual
0,0
2

1 -0,5

0 -1,0
-0,8 -0,4 0,0 0,4 0,8 2 4 6 8 10 12 14 16 18
Residual Observation Order

As características são atendidas, portanto os

resultados da ANOVA são válidos.
Gerando o Gráfico de Efeitos Principais...
Preenchendo o quadro de diálogo...
O resultado...

Main Effects Plot for Dureza

Data Means
Temperatura Pressão

163,2

163,0
Mean

162,8

162,6

162,4

162,2
100 110 120 13 16 19

Essas condições de Temperatura e de

Pressão garantirão a maior Dureza.
 ▪ Interação Dupla Caso 1
✓ DOE Balanceado
✓ DOE Linear Geral
✓ DOE Fatorial Geral
Exercícios DOE ▪ Interação Dupla Caso 2
✓ DOE Balanceado
▪ Interação Tripla Caso 3
✓ DOE Fatorial Geral
DOE Interação Dupla Caso 1 – DOE Linear Geral

Desejamos saber se a temperatura (X1) e a pressão (X2) são fatores

importantes para determinar a dureza de uma resina (Y).
A equipe do projeto precisa realizar um experimento modelo DOE Linear
Geral, considerando esses fatores.
• Temperatura (ºC): 100, 110, 120 (3 níveis)
• Pressão (PSI): 13, 16 E 19 (3 níveis)

Objetivo: maximizar o valor da dureza da resina.

Abrindo DOE Interação Dupla – Exercício [Link]
Buscando o diretório...
Preenchendo o quadro de diálogo...
O resultado...

General Linear Model: Dureza versus Temperatura; Pressão a = 0,05

Factor Type Levels Values
Temperatura fixed 3 100; 110; 120
Pressão fixed 3 13; 16; 19

Analysis of Variance for Dureza, using Adjusted SS for Tests

Source DF Seq SS Adj SS Adj MS F P

Temperatura 2 1,52249 1,14652 0,57326 14,11 0,002
Pressão 2 2,17313 2,13091 1,06545 26,23 0,000
Temperatura*Pressão 4 0,09821 0,09821 0,02455 0,60 0,671
Error 8 0,32500 0,32500 0,04062
Total 16 4,11882

S = 0,201556 R-Sq = 92,11% R-Sq(adj) = 84,22%

A interação Temperatura*Pressão não é significativa, visto que P>a.

Deve-se realizar a ANOVA outra vez, eliminando a interação
Temperatura*Pressão.
Gerando a ANOVA outra vez...
Preenchendo o quadro de diálogo...
O resultado...

ANOVA: Dureza versus Temperatura; Pressão a = 0,05

Factor Type Levels Values
Temperatura fixed 3 100; 110; 120
Pressão fixed 3 13; 16; 19

Analysis of Variance for Dureza, using Adjusted SS for Tests

Source DF Seq SS Adj SS Adj MS F P

Temperatura 2 1,52249 1,21479 0,60740 17,22 0,000
Pressão 2 2,17313 2,17313 1,08656 30,81 0,000
Error 12 0,42321 0,42321 0,03527
Total 16 4,11882

S = 0,187795 R-Sq = 89,73% R-Sq(adj) = 86,30%

Como P<a para a Temperatura e para a Pressão, ambos fatores são

significativos.
Portanto, esse é o modelo reduzido.
Gerando a ANOVA outra vez...
Gerando os Fits e os Residuais...
Preenchendo o quadro de diálogo...
Analisando os residuais...
Preenchendo o quadro de diálogo...
Selecionando o tipo de gráfico...
O resultado...

Residual Plots for Dureza

Distribuição Normal Probability Plot Versus Fits Variâncias
Normal 99 Iguais
0,5
90

Residual
Percent 50
0,0

-0,5
10

1 -1,0
-1,0 -0,5 0,0 0,5 1,0 162,4 162,6 162,8 163,0
Residual Fitted Value

Histograma de Histogram Versus Order Dados

Média = 03 Aleatórios
0,5
Frequency

Residual
0,0

1 -0,5

0 -1,0
-0,8 -0,4 0,0 0,4 0,8 2 4 6 8 10 12 14 16
Residual Observation Order

As características são atendidas, portanto os

resultados da ANOVA são válidos.
Gerando o Gráfico de Efeitos Principais...
Preenchendo o quadro de diálogo...
O resultado...

Main Effects Plot for Dureza

Data Means
Temperatura Pressão

163,2

163,0
Mean

162,8

162,6

162,4

162,2
100 110 120 13 16 19

Essas condições de Temperatura e de

Pressão garantirão a maior Dureza.
 ▪ Interação Dupla Caso 1
✓ DOE Balanceado
✓ DOE Linear Geral
✓ DOE Fatorial Geral
Exercícios DOE ▪ Interação Dupla Caso 2
✓ DOE Balanceado
▪ Interação Tripla Caso 3
✓ DOE Fatorial Geral
DOE Interação Dupla Caso 1 – DOE Fatorial Geral

Desejamos saber se a temperatura (X1) e a pressão (X2) são fatores

importantes para determinar a dureza de uma resina (Y).
A equipe do projeto precisa realizar um experimento modelo DOE Fatorial
Geral, considerando esses fatores.
Para realizar esse método, a planilha deve dispor o formato que de DOE
que solicita o Minitab (colunas: StdOrder, RunOrder, Blocks).
• Temperatura (ºC): 100, 110, 120 (3 níveis)
• Pressão (PSI): 13, 16 E 19 (3 níveis)

Objetivo: maximizar o valor da dureza da resina.

Abrindo DOE Interação Dupla 3x3 – Exercício [Link]
Buscando o diretório...
Preenchendo o quadro de diálogo...
Checando o design da planilha...
Preenchendo o novo quadro de diálogo...
Checando os fatores e as interações...
O resultado...

General Linear Model: Dureza versus Temperatura; Pressão a = 0,05

Factor Type Levels Values
Temperatura fixed 3 100; 110; 120
Pressão fixed 3 13; 16; 19

Analysis of Variance for Dureza, using Adjusted SS for Tests

Source DF Seq SS Adj SS Adj MS F P

Temperatura 2 1,02333 1,02333 0,51167 10,23 0,005
Pressão 2 2,77000 2,77000 1,38500 27,70 0,000
Temperatura*Pressão 4 0,17667 0,17667 0,04417 0,88 0,511
Error 9 0,45000 0,45000 0,05000
Total 17 4,42000

S = 0,223607 R-Sq = 89,82% R-Sq(adj) = 80,77%

A interação Temperatura*Pressão não é significativa, visto que P>a.

Deve-se realizar a ANOVA outra vez, eliminando a interação
Temperatura*Pressão.
Selecionando os fatores...
Removendo a interação A*B...
O resultado...

General Linear Model: Dureza versus Temperatura; Pressão a = 0,05

Factor Type Levels Values
Temperatura fixed 3 100; 110; 120
Pressão fixed 3 13; 16; 19

Analysis of Variance for Dureza, using Adjusted SS for Tests

Source DF Seq SS Adj SS Adj MS F P

Temperatura 2 1,02333 1,02333 0,51167 10,61 0,002
Pressão 2 2,77000 2,77000 1,38500 28,73 0,000
Error 13 0,62667 0,62667 0,04821
Total 17 4,42000

S = 0,219557 R-Sq = 85,82% R-Sq(adj) = 81,46%

Como P<a para a Temperatura e para a Pressão, ambos fatores são

significativos.
Portanto, este é o modelo reduzido.
Gerando a ANOVA...
Gerando os Fits e os Residuais...
Preenchendo o quadro de diálogo...
Analisando os residuais...
Preenchendo o quadro de diálogo...
Selecionando o tipo de gráfico...
O resultado...

Residual Plots for Dureza

Distribuição Normal Probability Plot Versus Fits Variâncias
Normal 99 Iguais
90 0,5

Residual
Percent 50
0,0

-0,5
10

1 -1,0
-1,0 -0,5 0,0 0,5 1,0 162,4 162,6 162,8 163,0
Residual Fitted Value

Histograma de Histogram Versus Order Dados

Média = 04 Aleatórios
0,5
3
Frequency

Residual
0,0
2

1 -0,5

0 -1,0
-0,8 -0,4 0,0 0,4 0,8 2 4 6 8 10 12 14 16 18
Residual Observation Order

As características são atendidas, portanto os

resultados da ANOVA são válidos.
Gerando o Gráfico de Efeitos Principais...
Selecionando o Gráfico de Efeitos Principais...
Preenchendo o quadro de diálogo...
O resultado...

Main Effects Plot for Dureza

Data Means
Temperatura Pressão

163,2

163,0
Mean

162,8

162,6

162,4

162,2
100 110 120 13 16 19

Essas condições de Temperatura e de

Pressão garantirão a maior Dureza.
 ▪ Interação Dupla Caso 1
✓ DOE Balanceado
✓ DOE Linear Geral
✓ DOE Fatorial Geral
Exercícios DOE ▪ Interação Dupla Caso 2
✓ DOE Balanceado
▪ Interação Tripla Caso 3
✓ DOE Fatorial Geral
DOE Interação Dupla Caso 2 – DOE Balanceado

Desejamos saber se a temperatura (X1) e a pressão (X2) são fatores

importantes para determinar a resistência de uma resina (Y) ao ataque
de produtos químicos.
A equipe do projeto precisa realizar um experimento modelo DOE
Balanceado, considerando esses fatores.
Para realizar esse método, a planilha deve dispor o formato que de DOE
que solicita o Minitab (colunas: StdOrder, RunOrder, Blocks).
• Temperatura (ºC): 100, 110, 120 (3 níveis)
• Pressão (PSI): 13, 16 E 19 (3 níveis)

Objetivo: maximizar o valor da resistência da resina.

Abrindo DOE Interação Dupla – Exercício [Link]
Buscando o diretório...
Preenchendo o quadro de diálogo...
O resultado...

ANOVA: Resistência versus Temperatura; Pressão a = 0,05

Factor Type Levels Values
Temperatura fixed 3 100; 110; 120
Pressão fixed 3 13; 16; 19

Analysis of Variance for Resistência

Source DF SS MS F P
Temperatura 2 515,64 257,82 7,46 0,003
Pressão 2 1631,86 815,93 23,59 0,000
Temperatura*Pressão 4 456,65 114,16 3,30 0,025
Error 27 933,72 34,58
Total 35 3537,87

S = 5,88065 R-Sq = 73,61% R-Sq(adj) = 65,79%

Como não há termos com P>a, este é o modelo reduzido.

Gerando a ANOVA outra vez...
Gerando os Fits e os Residuais...
Preenchendo o quadro de diálogo...
Analisando os residuais...
Preenchendo o quadro de diálogo...
Selecionando o tipo de gráfico...
O resultado...

Residual Plots for Resistência

Distribuição Normal Probability Plot Versus Fits Variâncias
Normal 99 Iguais
10
90
5

Residual
Percent 50 0
-5
10
-10
1
-10 0 10 60 65 70 75 80
Residual Fitted Value

Histograma de Histogram Versus Order Dados

Média = 0 Aleatórios
8 10
Frequency

6 5

Residual
4 0

-5
2
-10
0
-12 -6 0 6 12 1 5 10 15 20 25 30 35
Residual Observation Order

As características são atendidas, portanto os

resultados da ANOVA são válidos.
Gerando o Gráfico de Efeitos Principais...
Preenchendo o quadro de diálogo...
O resultado...

Main Effects Plot for Resistência

Data Means

Temperatura Pressão
80

75
Mean

70

65

60
100 110 120 13 16 19

Essas condições de Temperatura e de

Pressão garantirão a maior Resistência.
 ▪ Interação Dupla Caso 1
✓ DOE Balanceado
✓ DOE Linear Geral
✓ DOE Fatorial Geral
Exercícios DOE ▪ Interação Dupla Caso 2
✓ DOE Balanceado
▪ Interação Tripla Caso 3
✓ DOE Fatorial Geral
DOE Interação Tripla Caso 3 – DOE Fatorial Geral

Desejamos saber se a temperatura (X1), a pressão (X2) e o tempo (X3)

são fatores importantes para determinar o índice de fluidez de uma
resina (Y).
A equipe do projeto precisa realizar um experimento modelo DOE Fatorial
Geral, considerando esses fatores.
Para realizar esse método, a planilha deve dispor o formato que de DOE
que solicita o Minitab (colunas: StdOrder, RunOrder, Blocks).
• Temperatura (ºC): 100, 110, 120 (3 níveis)
• Pressão (PSI): 13, 16 E 19 (3 níveis)
• Tempo (min): 30, 45 (2 níveis)

Objetivo: maximizar o valor do índice de fluidez da resina.

Abrindo DOE Interação Tripla – Exercício [Link]
Buscando o diretório...
Preenchendo o quadro de diálogo...
Checando o design da planilha...
Preenchendo o novo quadro de diálogo...
Checando os fatores e as interações...
O resultado...

General Linear Model: Fluidez versus Temperatura; Pressão; Tempo a = 0,05

Factor Type Levels Values
Temperatura fixed 3 100; 110; 120
Pressão fixed 3 13; 16; 19
Tempo fixed 2 30; 45

Analysis of Variance for Fluidez, using Adjusted SS for Tests

Source DF Seq SS Adj SS Adj MS F P

Temperatura 2 2776,66 2776,66 1388,33 41,20 0,000
Pressão 2 4474,47 4474,47 2237,24 66,40 0,000
Tempo 1 509,97 509,97 509,97 15,13 0,000
Temperatura*Pressão 4 3534,76 3534,76 883,69 26,23 0,000
Temperatura*Tempo 2 84,53 84,53 42,27 1,25 0,297
Pressão*Tempo 2 746,28 746,28 373,14 11,07 0,000
Temperatura*Pressão*Tempo 4 441,68 441,68 110,42 3,28 0,022
Error 36 1213,02 1213,02 33,69
Total 53 13781,38

S = 5,80473 R-Sq = 91,20% R-Sq(adj) = 87,04%

A interação tripla é importante, visto que P<a.

Gerando a ANOVA...
Gerando os Fits e os Residuais...
Preenchendo o quadro de diálogo...
Analisando os residuais...
Preenchendo o quadro de diálogo...
Selecionando o tipo de gráfico...
O resultado...

Residual Plots for Fluidez

Distribuição Normal Probability Plot Versus Fits Variâncias
Normal 99 20 Iguais
90 10

Residual
Percent 50 0

-10
10
-20
1
-20 -10 0 10 20 80 90 100 110 120
Residual Fitted Value

Histograma de Histogram Versus Order Dados

Média = 0 20 Aleatórios
8
10
Frequency

Residual
0
4
-10
2
-20
0
-20 -10 0 10 20 1 5 10 15 20 25 30 35 40 45 50
Residual Observation Order

As características são atendidas, portanto os

resultados da ANOVA são válidos.
Gerando o Gráfico de Efeitos Principais...
Selecionando o Gráfico de Efeitos Principais...
Preenchendo o quadro de diálogo...
O resultado...

Main Effects Plot for Fluidez

Data Means

Temperatura Pressão
115
110

105
100
95
Mean

100 110 120 13 16 19

Tempo
115
110
105
100
95

30 45

Essas condições de Temperatura, Pressão e

Tempo garantirão a maior Resistência.
Exercício com a catapulta...
Raízes fortes garantem
melhores frutos.
Experimento Fatorial 2k
Objetivos esperados...

Ao final desse módulo o participante será capaz de:

▪ Descrever os experimentos fatoriais 2k.
▪ Planejar experimentos fatoriais 2k .
▪ Desenvolver um modelo matemático simples.
▪ Analisar dados experimentais.
O conceito do DOE 2k

Esse experimento restringe a análise dos fatores incluídos a apenas 2

níveis distintos.
Suas vantagens são:
• Demandam poucas execuções para estudar um grande número de
fatores.
• São rápidos e econômicos.
• Servem de base para modelos mais complexos.
• Seu formato permite realizar vários experimentos em sequência.
• São os primeiros experimentos que se realizam em um projeto Seis
Sigma.
A notação do DOE 2k

Como cada fator pode ter apenas dois níveis, a notação para “k” fatores é
dada por 2k.
Exemplos:
Um experimento com 3 fatores terá 23 = 2 * 2 * 2 = 8 combinações.
Um experimento com 5 fatores terá 25 = 2 * 2 * 2 * 2 * 2 = 32
combinações.
A codificação do DOE 2k

Para facilitar a análise do experimento são utilizados os valores –1 e 1,

como códigos, em substituição aos fatores.
Exemplo:
Um experimento que avalia o efeito da temperatura (X1) e da pressão
(X2) sobre uma variável de resposta Y deve ser codificado de acordo
com o seguinte:

Fator Valor 1 Código 1 Valor 2 Código 2

Temperatura (ºC) 60 -1 80 1
Pressão (PSI) 20 -1 25 1
A ordem do DOE 2k

• Dois Fatores: 22 A B
1 -1 -1
• Três Fatores: 23 2 1 -1

• Quatro Fatores: 24 3 -1 1
4 1 1
A ordem do DOE 2k

• Dois Fatores: 22 A B C
1 -1 -1 -1
• Três Fatores: 23 2 1 -1 -1

• Quatro Fatores: 24 3 -1 1 -1
4 1 1 -1
5 -1 -1 1
6 1 -1 1
7 -1 1 1
8 1 1 1
A ordem do DOE 2k

• Dois Fatores: 22 A B C D
1 -1 -1 -1 -1
• Três Fatores: 23 2 1 -1 -1 -1

• Quatro Fatores: 24 3 -1 1 -1 --1

4 1 1 -1 -1
5 -1 -1 1 -1
6 1 -1 1 -1
7 -1 1 1 -1
8 1 1 1 -1
9 -1 -1 -1 1
10 1 -1 -1 1
11 -1 1 -1 1
12 1 1 -1 1
13 -1 -1 1 1
14 1 -1 1 1
15 -1 1 1 1
16 1 1 1 1
Exemplo

Com o auxílio do MINITAB crie um experimento fatorial 2k considerando

os seguintes fatores:

Fator Nível 1 Nível 2

Temperatura (ºC) 60 80
Pressão (PSI) 20 25
Tempo (s) 4 8
Vazão (l/s) 50 100
Abrindo Experimento 2k – Exercício [Link]
Buscando o diretório...
Preenchendo o quadro de diálogo...
Selecionando o desenho...
Checando os fatores...
Inserindo o nome dos fatores...
Checando as opções...
Desabilitando a opção Randomize runs...
O resultado...
Analisando o Exemplo 1

Suponha que realizamos um experimento fatorial com 3 fatores A, B e C,

cujo resultado está indicado na coluna RES da planilha a seguir.
Partiremos desse resultado para calcular o efeito de cada fator, o
coeficiente correspondente e, finalmente estabelecer o modelo matemático
para o caso em estudo.
Analisando o Exemplo 1

A B C RES
-1 -1 -1 70
1 -1 -1 130
-1 1 -1 250
1 1 -1 350
-1 -1 1 50
1 -1 1 150
-1 1 1 230
1 1 1 370
Média (+)
Média (-)
Efeito
Calculando o efeito de A...

A B C RES
-1 -1 -1 70
1 -1 -1 130
-1 1 -1 250
1 1 -1 350
-1 -1 1 50
1 -1 1 150
-1 1 1 230
1 1 1 370
Média (+) 250 Média (+) = (130 + 350 + 150 + 370) / 4

Média (-) 150 Média (-) = (70 + 250 + 50 + 230) / 4

Efeito 100 Efeito = Média (+) – Média (-)

A mudança do nível A afeta o resultado em média

100 pontos.
Calculando o efeito de B...

A B C RES
-1 -1 -1 70
1 -1 -1 130
-1 1 -1 250
1 1 -1 350
-1 -1 1 50
1 -1 1 150
-1 1 1 230
1 1 1 370
Média (+) 250 300 Média (+) = (250 + 350 + 230 + 370) / 4

Média (-) 150 100 Média (-) = (70 + 130 + 50 + 150) / 4

Efeito 100 200 Efeito = Média (+) – Média (-)

A mudança do nível B afeta o resultado em média

200 pontos.
Calculando o efeito de C...

A B C RES
-1 -1 -1 70
1 -1 -1 130
-1 1 -1 250
1 1 -1 350
-1 -1 1 50
1 -1 1 150
-1 1 1 230
1 1 1 370
Média (+) 250 300 200 Média (+) = (50 + 150 + 230 + 370) / 4

Média (-) 150 100 200 Média (-) = (70 + 130 + 250 + 350) / 4

Efeito 100 200 0 Efeito = Média (+) – Média (-)

A mudança do nível C não afeta o resultado.

Calculando o efeito da interação A*B...

A B C A*B A*C B*C A*B*C RES

-1 -1 -1 1 70
1 -1 -1 -1 130
-1 1 -1 -1 250
1 1 -1 1 350
-1 -1 1 1 50
1 -1 1 -1 150
-1 1 1 -1 230
1 1 1 1 370
Média (+) 250 300 200 210
Média (-) 150 100 200 190
Efeito 100 200 0 20

A mudança da interação de A*B afeta o resultado em

média 20 pontos.
Calculando o efeito da interação A*C...

A B C A*B A*C B*C A*B*C RES

-1 -1 -1 1 1 70
1 -1 -1 -1 -1 130
-1 1 -1 -1 1 250
1 1 -1 1 -1 350
-1 -1 1 1 -1 50
1 -1 1 -1 1 150
-1 1 1 -1 -1 230
1 1 1 1 1 370
Média (+) 250 300 200 210 210
Média (-) 150 100 200 190 190
Efeito 100 200 0 20 20

A mudança da interação de A*C afeta o resultado em

média 20 pontos.
Calculando o efeito da interação B*C...

A B C A*B A*C B*C A*B*C RES

-1 -1 -1 1 1 1 70
1 -1 -1 -1 -1 1 130
-1 1 -1 -1 1 -1 250
1 1 -1 1 -1 -1 350
-1 -1 1 1 -1 -1 50
1 -1 1 -1 1 -1 150
-1 1 1 -1 -1 1 230
1 1 1 1 1 1 370
Média (+) 250 300 200 210 210 200
Média (-) 150 100 200 190 190 200
Efeito 100 200 0 20 20 0

A mudança da interação de B*C não afeta o

resultado.
Calculando o efeito da interação A*B*C...

A B C A*B A*C B*C A*B*C RES

-1 -1 -1 1 1 1 1 70
1 -1 -1 -1 -1 1 1 130
-1 1 -1 -1 1 -1 -1 250
1 1 -1 1 -1 -1 -1 350
-1 -1 1 1 -1 -1 1 50
1 -1 1 -1 1 -1 -1 150
-1 1 1 -1 -1 1 -1 230
1 1 1 1 1 1 1 370
Média (+) 250 300 200 210 210 200 200
Média (-) 150 100 200 190 190 200 200
Efeito 100 200 0 20 20 0 0

A mudança da interação de A*B*C não afeta o

resultado.
Calculando os coeficientes...

A B C A*B A*C B*C A*B*C RES

-1 -1 -1 1 1 1 1 70
1 -1 -1 -1 -1 1 1 130
-1 1 -1 -1 1 -1 -1 250
1 1 -1 1 -1 -1 -1 350
-1 -1 1 1 -1 -1 1 50
1 -1 1 -1 1 -1 -1 150
-1 1 1 -1 -1 1 -1 230
1 1 1 1 1 1 1 370
Média (+) 250 300 200 210 210 200 200
Média (-) 150 100 200 190 190 200 200
Efeito 100 200 0 20 20 0 0
Coeficiente 50 100 0 10 10 0 0

Coeficiente = Efeito / 2
Calculando a constante...

A B C A*B A*C B*C A*B*C RES

-1 -1 -1 1 1 1 1 70
1 -1 -1 -1 -1 1 1 130
-1 1 -1 -1 1 -1 -1 250
1 1 -1 1 -1 -1 -1 350
-1 -1 1 1 -1 -1 1 50
1 -1 1 -1 1 -1 -1 150
-1 1 1 -1 -1 1 -1 230
1 1 1 1 1 1 1 370
Média (+) 250 300 200 210 210 200 200
Média (-) 150 100 200 190 190 200 200
Efeito 100 200 0 20 20 0 0
Coeficiente 50 100 0 10 10 0 0
CTE 200

CTE = Média das Médias

O modelo matemático...

A B C A*B A*C B*C A*B*C RES

-1 -1 -1 1 1 1 1 70
1 -1 -1 -1 -1 1 1 130
-1 1 -1 -1 1 -1 -1 250
1 1 -1 1 -1 -1 -1 350
-1 -1 1 1 -1 -1 1 50
1 -1 1 -1 1 -1 -1 150
-1 1 1 -1 -1 1 -1 230
1 1 1 1 1 1 1 370
Média (+) 250 300 200 210 210 200 200
Média (-) 150 100 200 190 190 200 200
Efeito 100 200 0 20 20 0 0
Coeficiente 50 100 0 10 10 0 0
CTE 200

RES = 200 + 50*A + 100*B + 0*C + 10*A*B +

10*A*C + 0*B*C + 0*A*B*C
O modelo matemático...

A B C A*B A*C B*C A*B*C RES

-1 -1 -1 1 1 1 1 70
1 -1 -1 -1 -1 1 1 130
-1 1 -1 -1 1 -1 -1 250
1 1 -1 1 -1 -1 -1 350
-1 -1 1 1 -1 -1 1 50
1 -1 1 -1 1 -1 -1 150
-1 1 1 -1 -1 1 -1 230
1 1 1 1 1 1 1 370
Média (+) 250 300 200 210 210 200 200
Média (-) 150 100 200 190 190 200 200
Efeito 100 200 0 20 20 0 0
Coeficiente 50 100 0 10 10 0 0
CTE 200

RES = 200 + 50*A + 100*B + 10*A*B + 10*A*C

Abrindo Experimento 2k – Exercício [Link]
Buscando o diretório...
Preenchendo o quadro de diálogo...
Checando os termos...
O resultado...

Factorial Fit: RES versus A; B; C

Estimated Effects and Coefficients for RES (coded units)

Term Effect Coef

Constant 200,000
A 100,000 50,000
B 200,000 100,000
C -0,000 -0,000
A*B 20,000 10,000
A*C 20,000 10,000
B*C 0,000 0,000
A*B*C -0,000 -0,000

Efeitos Coeficientes
Abrindo Experimento 2k – Exercício [Link]
Buscando o diretório...
Preenchendo o quadro de diálogo...
Checando os termos...
O resultado...

Factorial Fit: Resultado versus A; B; C; D

Estimated Effects and Coefficients for Resultado (coded units)

Term Effect Coef SE Coef T P

Constant 84,92 0,6405 132,59 0,000
A 46,03 23,02 0,6405 35,93 0,000
B -29,59 -14,80 0,6405 -23,10 0,000
C 11,91 5,95 0,6405 9,29 0,000
D 3,16 1,58 0,6405 2,46 0,017
A*B -29,53 -14,77 0,6405 -23,05 0,000
A*C 13,22 6,61 0,6405 10,32 0,000
A*D 1,84 0,92 0,6405 1,44 0,157
B*C 1,59 0,80 0,6405 1,24 0,219
B*D -1,16 -0,58 0,6405 -0,90 0,371
C*D 0,09 0,05 0,6405 0,07 0,942
A*B*C -0,47 -0,23 0,6405 -0,37 0,716
A*B*D 0,91 0,45 0,6405 0,71 0,483
A*C*D -0,09 -0,05 0,6405 -0,07 0,942
B*C*D 0,91 0,45 0,6405 0,71 0,483
A*B*C*D -0,16 -0,08 0,6405 -0,12 0,903
Eliminar
Eliminando a interação A*B*C*D...
Eliminando a interação A*B*C*D...
Eliminando a interação A*B*C*D...
O resultado...

Factorial Fit: Resultado versus A; B; C; D

Estimated Effects and Coefficients for Resultado (coded units)

Term Effect Coef SE Coef T P

Constant 84,92 0,6340 133,94 0,000
A 46,03 23,02 0,6340 36,30 0,000
B -29,59 -14,80 0,6340 -23,34 0,000
C 11,91 5,95 0,6340 9,39 0,000
D 3,16 1,58 0,6340 2,49 0,016
A*B -29,53 -14,77 0,6340 -23,29 0,000
A*C 13,22 6,61 0,6340 10,42 0,000
A*D 1,84 0,92 0,6340 1,45 0,152
B*C 1,59 0,80 0,6340 1,26 0,215
B*D -1,16 -0,58 0,6340 -0,91 0,366
C*D 0,09 0,05 0,6340 0,07 0,941
A*B*C -0,47 -0,23 0,6340 -0,37 0,713
A*B*D 0,91 0,45 0,6340 0,71 0,478
A*C*D -0,09 -0,05 0,6340 -0,07 0,941
B*C*D 0,91 0,45 0,6340 0,71 0,478 Eliminar
Eliminando a interação A*C*D...
Eliminando a interação A*C*D...
Eliminando a interação A*C*D...
O resultado...

Factorial Fit: Resultado versus A; B; C; D

Estimated Effects and Coefficients for Resultado (coded units)

Term Effect Coef SE Coef T P

Constant 84,92 0,6277 135,29 0,000
A 46,03 23,02 0,6277 36,67 0,000
B -29,59 -14,80 0,6277 -23,57 0,000
C 11,91 5,95 0,6277 9,48 0,000
D 3,16 1,58 0,6277 2,51 0,015
A*B -29,53 -14,77 0,6277 -23,52 0,000
A*C 13,22 6,61 0,6277 10,53 0,000
A*D 1,84 0,92 0,6277 1,47 0,148
B*C 1,59 0,80 0,6277 1,27 0,210
B*D -1,16 -0,58 0,6277 -0,92 0,361
C*D 0,09 0,05 0,6277 0,07 0,941
A*B*C -0,47 -0,23 0,6277 -0,37 0,710
A*B*D 0,91 0,45 0,6277 0,72 0,474 Eliminar
B*C*D 0,91 0,45 0,6277 0,72 0,474
Eliminando a interação A*B*C...
Eliminando a interação A*B*C...
Eliminando a interação A*B*C...
O resultado...

Factorial Fit: Resultado versus A; B; C; D

Estimated Effects and Coefficients for Resultado (coded units)

Term Effect Coef SE Coef T P

Constant 84,92 0,6224 136,45 0,000
A 46,03 23,02 0,6224 36,98 0,000
B -29,59 -14,80 0,6224 -23,78 0,000
C 11,91 5,95 0,6224 9,57 0,000
D 3,16 1,58 0,6224 2,54 0,014
A*B -29,53 -14,77 0,6224 -23,72 0,000
A*C 13,22 6,61 0,6224 10,62 0,000
A*D 1,84 0,92 0,6224 1,48 0,145
B*C 1,59 0,80 0,6224 1,28 0,206
B*D -1,16 -0,58 0,6224 -0,93 0,357
C*D 0,09 0,05 0,6224 0,08 0,940
A*B*D 0,91 0,45 0,6224 0,73 0,470
B*C*D 0,91 0,45 0,6224 0,73 0,470
Eliminar
Eliminando as interações A*B*D e B*C*D...
Eliminando as interações A*B*D e B*C*D...
Eliminando as interações A*B*D e B*C*D...
O resultado...

Factorial Fit: Resultado versus A; B; C; D

Estimated Effects and Coefficients for Resultado (coded units)

Term Effect Coef SE Coef T P

Constant 84,92 0,6168 137,68 0,000
A 46,03 23,02 0,6168 37,31 0,000
B -29,59 -14,80 0,6168 -23,99 0,000
C 11,91 5,95 0,6168 9,65 0,000
D 3,16 1,58 0,6168 2,56 0,013
A*B -29,53 -14,77 0,6168 -23,94 0,000
A*C 13,22 6,61 0,6168 10,72 0,000
A*D 1,84 0,92 0,6168 1,49 0,141
B*C 1,59 0,80 0,6168 1,29 0,202
B*D -1,16 -0,58 0,6168 -0,94 0,353
C*D 0,09 0,05 0,6168 0,08 0,940
Eliminar
O resultado final...

Factorial Fit: Resultado versus A; B; C; D

Estimated Effects and Coefficients for Resultado (coded units)

Term Effect Coef SE Coef T P

Constant 84,92 0,6211 136,73 0,000
A 46,03 23,02 0,6211 37,06 0,000
B -29,59 -14,80 0,6211 -23,82 0,000
C 11,91 5,95 0,6211 9,59 0,000
D 3,16 1,58 0,6211 2,54 0,014
A*B -29,53 -14,77 0,6211 -23,77 0,000
A*C 13,22 6,61 0,6211 10,64 0,000
O modelo reduzido...

Factorial Fit: Resultado versus A; B; C; D

Estimated Effects and Coefficients for Resultado (coded units)

Term Effect Coef SE Coef T P

Constant 84,92 0,6211 136,73 0,000
A 46,03 23,02 0,6211 37,06 0,000
B -29,59 -14,80 0,6211 -23,82 0,000
C 11,91 5,95 0,6211 9,59 0,000
D 3,16 1,58 0,6211 2,54 0,014
A*B -29,53 -14,77 0,6211 -23,77 0,000
A*C 13,22 6,61 0,6211 10,64 0,000

Todos os valores de P são menores que a.

O modelo matemático...

Factorial Fit: Resultado versus A; B; C; D

Estimated Effects and Coefficients for Resultado (coded units)

Term Effect Coef SE Coef T P

Constant 84,92 0,6211 136,73 0,000
A 46,03 23,02 0,6211 37,06 0,000
B -29,59 -14,80 0,6211 -23,82 0,000
C 11,91 5,95 0,6211 9,59 0,000
D 3,16 1,58 0,6211 2,54 0,014
A*B -29,53 -14,77 0,6211 -23,77 0,000
A*C 13,22 6,61 0,6211 10,64 0,000

RES = 84,92 + 23,02*A – 14,80*B + 5,95*C +

1,58*D – 14,77*A*B + 6,61*A*C
Gerando os Fits e os Residuais...
Checando Storage...
Marcando as opções...
O resultado...
Elaborando os gráficos...
Elaborando os gráficos...
Marcando a opção...
O resultado...

Residual Plots for Resultado

Distribuição Normal Probability Plot Versus Fits Variâncias
Normal 99,9 10 Iguais
99

90 5

Residual
Percent 50 0

10 -5
1
0,1
-10
-10 0 10 50 75 100 125 150
Residual Fitted Value

Histograma de Histogram Versus Order Dados

Média = 010,0 10 Aleatórios
7,5 5
Frequency

Residual
5,0 0

2,5 -5

-10
0,0
-8 -4 0 4 8 1 5 10 15 20 25 30 35 40 45 50 55 60
Residual Observation Order

As características são atendidas, portanto

Modelo Matemático é válido.
Realizando a análise gráfica...
Marcando as opções...
Checando o primeiro setup...
Checando o segundo setup...
Checando o terceiro setup...
O gráfico de efeitos principais...

Main Effects Plot for Resultado

Data Means
A B
108

96

84

72

60
Mean

-1 1 -1 1
C D
108

96

84

72

60
-1 1 -1 1
O gráfico de interações...

Interaction Plot for Resultado

Data Means
-1 1 -1 1 -1 1

A
120
-1
A 90
1

60
B
120
-1
B 1
90

60
C
120
-1
C 90
1

60

D
O gráfico do cubo...

Cube Plot (data means) for Resultado

62,00 88,75 62,50 94,25

1 62,50 63,25 60,50 67,25

Minimizar Maximizar
A=-1 B A=1
59,00 147,25 61,50 151,75
B=-1 1 B=-1
C=1 C C=1
D=-1 61,50 122,50 65,75 128,50
D=1
-1 -1
-1 1
A

-1 1
D
Exercício com a catapulta...

Usaremos nosso aprendizado para:

✓ Planejar um experimento fatorial 2k com uma réplica, considerando os
fatores da tabela abaixo.
✓ Desenvolver um modelo matemático simples para realização de disparos
com a catapulta.
Fatores
▪ Tipo de munição
▪ Tempo de disparo
▪ Posição do pino da base
▪ Posição do pino do braço fixo
▪ Posição do pino do braço móvel
Raízes fortes garantem
melhores frutos.
Experimento 2k Fracionado
Objetivos esperados...

Ao final desse módulo o participante saberá sobre:

▪ A importância dos experimentos fatoriais fracionados.
▪ Os padrões de confusão dos experimentos fatoriais fracionados.
▪ A notação correta para os experimentos fatoriais fracionados.
▪ Desenho de um experimentos fatoriais fracionados.
▪ Análise de um experimentos fatoriais fracionados.
Conceito

Experimentos 2k fracionados são aqueles que executam apenas uma

fração das corridas indicadas na matriz do desenho, pretendendo obter
conclusões estatísticas acerca do processo analisado.
Esse tipo de experimento requer uma quantidade consideravelmente
menor de corridas em comparação com os experimentos fatoriais 2k
completos, por isso são usados ao princípio dos processos em
investigação.
Experimentos 2k fracionados avaliam o efeito de uma um grande número
de fatores (X’s) em uma variável de resposta, com poucas execuções.
Regularmente os experimento contam com apenas uma réplica.
Importância

Como vimos, experimentos 2k são muito más rápidos e baratos que os

Experimentos Fatoriais Gerais, no entanto, à medida que aumentamos a
quantidade de fatores a analisar, a quantidade de combinações cresce
exponencialmente.
Combinações
• Experimento 23: 8 combinações
• Experimento 24: 16 combinações
• Experimento 25: 32 combinações
• Experimento 26: 64 combinações
• Experimento 27: 128 combinações
Alternativa

• A experiência nos diz que as interações de ordem superior quase nunca

são significativas.
• Se assumirmos que as interações de ordem superior não são
importantes, poderíamos realizar o mesmo experimento com apenas
uma fração das corridas que se necessita.
• Suponha que queremos analisar o efeito de 4 fatores usando um
experimento 2k, no entanto temos recursos para realizar apenas 8
combinações, assim devemos modelar outra forma de realizar o
experimento.
• Iniciemos desenvolvendo a matriz de desenho para um experimento
23 ao invés de 24.
Alternativa

Corrida A B C A*B A*C B*C A*B*C

1 -1 -1 -1 1 1 1 -1
2 1 -1 -1 -1 -1 1 1
3 -1 1 -1 -1 1 -1 1
4 1 1 -1 1 -1 -1 -1
5 -1 -1 1 1 -1 -1 1
6 1 -1 1 -1 1 -1 -1
7 -1 1 1 -1 -1 1 -1
8 1 1 1 1 1 1 1

Se assumirmos que a interação triple não será importante,

podemos usas essa coluna como um fator D. Obviamente, a
interação A*B*C já não poderia ser estimada.
Alternativa

Corrida A B C D • Com esta nova configuração,

-1
1 -1 -1 -1 estaremos analisando apenas a
1
2 1 -1 -1 metade das corridas necessárias.
3 -1 1 -1 1
4 1 1 -1 -1 • Esse tipo de desenho é chamado
5 -1 -1 1 1 de fracionado à metade e, a
6 1 -1 1 -1 interação A*B*C está
7 -1 1 1 -1 confundida com D.
1
8 1 1 1 • A perda decorrente dessa
Desse forma, a nova matriz do desenho decisão é chamada de
teria essa configuração. Resolução e, esta leva
implicitamente o experimento a
um padrão de Confusão.
Resolução

• Existem diferentes níveis de resolução nos experimentos fracionados.

• Quanto menor o nível de resolução, maior será a confusão gerada
pelo experimento.
• O nível de resolução é expresso em algarismos romanos:
✓ Resolução III: os efeitos principais se confundem com as interações duplas.
✓ Resolução IV: as interações duplas se confundem com as interações triplas.
✓ Resolução V: as interações triplas se confundem com as interações quádruplas.
✓ E assim por diante...
Abrindo Experimento 2k – Exercício [Link]
Buscando o diretório...
Checando as informações...
Checando as informações...

Um experimento com 6 fatores que

realize 32 interações terá nível de
resolução VI.
Exemplo

Deseja-se saber se o peso do açúcar (PA), o peso da manteiga de cacau

(PMC), o peso do leite em pó (PLP), o peso do leite condensado (PLC) e o
peso do cacau em pó (PCP) influem no peso da barra de chocolate (PBC).
A equipe do projeto deseja executar um experimento para validar essa
suposição, mas não tem recursos para executar todas as combinações
requeridas num experimento fatorial completo.
Como a equipe do projeto poderia executar o experimento com o menor
número de corridas?
Buscando o diretório...
Selecionando a quantidade de fatores...
Checando as informações...

Poderíamos realizar o experimento com

5 corridas, garantindo um nível de
resolução V.
Definindo o design...
Preenchendo o quadro de diálogo...
Checando os fatores...
Nomeando os fatores...
Checando as opções...
Desabilitando a opção Randomize runs...
O resultado...
Raízes fortes garantem
melhores frutos.
DOE Tamanho da Amostra
Objetivos esperados...

Ao final desse módulo o participante saberá sobre:

▪ O cálculo do tamanho da amostra em um experimento fatorial 2k.
▪ O cálculo do tamanho da amostra em um experimento fatorial geral
completo.
DOE Interação Dupla Caso 1 – DOE Balanceado

Desejamos reduzir a porcentagem de perdas no processo de produção

de barras de chocolate.
A equipe do projeto precisa realizar um experimento 2k para provar 6
fatores, mas necessita saber quantas réplicas deve fazer.
O efeito mínimo buscado é de 1,2% e, o desvio padrão da perda é 3,2%.
• 26 = 64 corridas
• Considere a = 0,05 e b = 0,10
Abrindo Tamanho da Amostra [Link]
Buscando o diretório...
Preenchendo o quadro de diálogo...
Checando as opções...
O resultado...

Power and Sample Size

2-Level Factorial Design

Alpha = 0,05 Assumed standard deviation = 3,2

Factors: 6 Base Design: 6; 64

Blocks: none

Center Total Target

Points Effect Reps Runs Power Actual Power
0 1,2 5 320 0,9 0,916442

Serão necessárias 5 réplicas para que se garanta um poder da

prova de 91,64%.
Raízes fortes garantem
melhores frutos.
Control
Objetivos esperados...

Ao final desse módulo o participante saberá sobre:

▪ A aplicação das ferramentas da etapa Control no desenvolvimento de um
projeto.
Control

Objetivos
Define • Definir a capacidade final do processo
• Assegurar a implantação das ferramentas de
padronização

Control Measure Conceitos e Ferramentas

• Análise de Capacidade
• Efetividade da Padronização
✓ Procedimentos
✓ Sinalização
✓ Proteção Passiva
Improve Analyse ✓ Proteção Ativa
✓ Projeto
• Encerramento do Projeto
Teste de Normalidade – Peso da Barra de Chocolate

Teste de Normalidade - Peso da Barra de Chocolate (g)

Normal
99,9
Mean 1001
StDev 9,399
99 N 150
AD 0,569
95 P-Value 0,138
90
80
70
Percent

60
50
40 Valor P é
30 maior que
20 Os pontos 0,05
10 coincidem com
5 a linha azul
1

0,1
970 980 990 1000 1010 1020 1030
Peso Barra
Xbar-R Chart para o peso da barra de chocolate

Xbar-R Chart of Barra_1; ...; Barra_5

1014 U C L=1013,85

1008

Sample M ean
_
_
1002 X=1001,39

996

990
LC L=988,92
1 4 7 10 13 16 19 22 25 28
Sample

U C L=45,69
40
Sample Range

30
_
20 R=21,61

10

0 LC L=0
1 4 7 10 13 16 19 22 25 28
Sample

O peso da barra de chocolate se encontra sob controle

estatístico
Resumo Gráfico – Peso da Barra de Chocolate

Summary for Peso Barra

A nderson-Darling N ormality Test
A -S quared 0,57
P -V alue 0,138 P-Value
M ean 1001,4
S tDev 9,4
V ariance 88,3
Histograma S kew ness 0,001182
Estatísticos
Kurtosis 0,404307
N 150
M inimum 977,5
1st Q uartile 995,2
M edian 1001,8
3rd Q uartile 1008,1
980 990 1000 1010 1020 1030 M aximum 1029,5
95% C onfidence Interv al for M ean
Boxplot 999,9 1002,9
95% C onfidence Interv al for M edian
999,9 1003,9
95% C onfidence Interv al for S tDev
9 5 % C onfidence Inter vals
8,4 10,6
Mean

Intervalos de Confiança
Median

1000 1001 1002 1003 1004

 Capacidade Final de Processo (Cpk) – Peso da Barra de Chocolate

Capacidade Final de Processo - Peso da Barra de Chocolate (g)

LSL Target USL

P rocess Data Within
LS L 955 Overall
Target 1000
USL 1045 P otential (Within) C apability
Dados do Processo S ample M ean 1001,39 Cp 1,60
S ample N 150 C P L 1,65 Capacidade
S tDev (Within) 9,37931 C P U 1,55
S tDev (O v erall) 9,3993 C pk 1,55
O v erall C apability
Pp 1,60
PPL 1,65
Desempenho
PPU 1,55
P pk 1,55
C pm 1,58

960 975 990 1005 1020 1035

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0,00 P P M < LS L 0,38 P P M < LS L 0,40
Defeitos PPM
P P M > U S L 0,00 P P M > U S L 1,66 P P M > U S L 1,74
P P M Total 0,00 P P M Total 2,04 P P M Total 2,14
 Capacidade Final de Processo (Z Bench) – Peso da Barra de Chocolate

Capacidade Final de Processo - Peso da Barra de Chocolate (g)

LSL Target USL

P rocess Data Within
LS L 955 Overall
Target 1000
USL 1045 P otential (Within) C apability
Dados do Processo S ample M ean 1001,39 [Link] 4,61
S ample N 150 [Link] L 4,95 Capacidade
S tDev (Within) 9,37931 Z.U S L 4,65
S tDev (O v erall) 9,3993 C pk 1,55
O v erall C apability
[Link] 4,60
[Link] L 4,94
Desempenho
Z.U S L 4,64
P pk 1,55
C pm 1,58

960 975 990 1005 1020 1035

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0,00 P P M < LS L 0,38 P P M < LS L 0,40
Defeitos PPM
P P M > U S L 0,00 P P M > U S L 1,66 P P M > U S L 1,74
P P M Total 0,00 P P M Total 2,04 P P M Total 2,14
Padronização

TAREFAS RECOMENDAÇÕES
Elaboração ou ▪ Estabeleça as novas ferramentas de padronização.
alteração do padrão ▪ Incorpore, sempre que possível, ferramentas à prova de bobeira
(fool proof = poka yoke).
Comunicação ▪ As ações definidas no plano devem ser amplamente divulgadas
na unidade gerencial (reuniões, comitês, gestão a vista).
Educação e ▪ Os mecanismos de treinamento devem ser aplicados com a
treinamento máxima atenção para garantir a plena compreensão das novas
ferramentas de padronização.
Acompanhamento da ▪ É importante que as novas ferramentas de padronização sejam
utilização do padrão monitoradas inicialmente com uma frequência maior para que
haja garantia que foram efetivamente incorporadas à rotina da
unidade gerencial.
Replicação das Ações ▪ Avalie todas as ações implantadas e verifique quais podem ser
replicadas para outras áreas.
Conclusão

TAREFAS RECOMENDAÇÕES
Relação dos ▪ Analise os resultados.
problemas ▪ Elabore demonstrações gráficas para comprovar que as
remanescentes ferramentas de bloqueio foram efetivas e que os resultados são
sustentáveis.
Planejamento e ▪ Utilize a metodologia para atacar os problemas remanescentes
ataque aos problemas que efetivamente forem prioritários.
remanescentes
Reflexão ▪ Reflita cuidadosamente sobre as próprias atividades da solução
gerada pela equipe ao longo do projeto (cumprimento do
cronograma, profundidade da análise das causas, participação
dos integrantes, produtividade das reuniões, distribuição de
tarefas, aplicação plena da metodologia e das ferramentas).
Raízes fortes garantem
melhores frutos.
Introdução ao Controle
Objetivos esperados...

Ao final desse módulo o participante será capaz de:

▪ Entender a importância da etapa de controle.
▪ Diferenciar as ferramentas de padronização e compreender sua
efetividade.
Ferramentas de Padronização

Categorias Efetividade das Ferramentas

Procedimentos Baixa
Sinalização Baixa > Moderada
Proteção Passiva Moderada
Proteção Ativa Moderada > Alta
Projeto Alta
Efetividade da Padronização

Alta

Baixa
Design For Six Sigma

Automação

Efetividade da Padronização
Poka Yoke Redesenho

Ação Humana
Rotinas Estruturadas

Alarmes
5S

Controle Estatístico de Processo

Documentação Estruturada

Manuais de Procedimentos

Instruções Escritas
Baixa

Alta
Instruções Verbais

Baixo Investimento Alto

 ▪ Procedimentos
▪ Sinalização
Ferramentas de Padronização ▪ Proteção Passiva
▪ Proteção Ativa
▪ Projeto
Procedimentos

PROCEDIMENTOS

Características

▪ Tem como base a padronização dos

processos por meio da transferência do
conhecimento por escrito.

▪ Como depende essencialmente da ação

humana (treinamento e execução) é a
medida menos efetiva para bloquear
causas.

Ferramentas

Instruções Verbais, Instruções Escritas,

Manuais de Procedimentos e
Documentação Estruturada.
Procedimentos

Documentos Externos • Leis, Portarias, Normas Regulamentadoras

Fundamental • Princípio Empresarial

Estratégicos • Políticas e Organogramas

Táticos • Padrões de Sistemas, Padrões Técnicos, Padrões

Administrativos, Manual da Qualidade, Regulamentos,
Mapas de Processos, Especificações, Listas Técnicas,
Tabelas de Preços, Padrão de Formulação, Tabelas de
Parâmetros (foco no produto), Parâmetros Técnicos
de Processo (foco nos equipamentos)

Operacionais • Procedimentos Operacionais Padrão, Métodos de

Análises, Instruções de Trabalho, Lições Ponto a
Ponto

Comprobatórios • Ordens de Serviços, Registros

 ▪ Procedimentos
▪ Sinalização
Ferramentas de Padronização ▪ Proteção Passiva
▪ Proteção Ativa
▪ Projeto
Sinalização

SINALIZAÇÃO

Características

▪ Tem como base a padronização dos

processos por meio da sinalização.

▪ Usualmente é utilizado como medida

complementar ao procedimento.

▪ Sua efetividade ainda é limitada devido

à sua grande dependência da ação
humana.

Ferramentas

Controle Estatístico de Processo (CEP), 5S

e Alarmes.
CEP – As 8 Causas Especiais...

Prova 1: Um ou mais pontos fora dos limites de

controle
Prova 2: Nove pontos consecutivos no mesmo
lado da linha central
Prova 3: Seis pontos consecutivos aumentando
ou diminuindo
Prova 4: Quatorze pontos consecutivos se
alternando
Prova 5: Dois de três pontos consecutivos a
mais de dois sigma no mesmo lado
Prova 6: Quatro de cinco pontos consecutivos a
mais de um sigma no mesmo lado
Prova 7: Quinze pontos consecutivos a menos
de um sigma
Prova 8: Oito pontos consecutivos a mais de um
sigma de qualquer lado
CEP – Cartas de Controle
Não n=1
I-MR Chart

Dados de
Variáveis Subgrupos? Xbar-R Chart
2≤n≤8
n?
Sim
n≥5
Xbar-S Chart
Tipos de Dados

P Chart
% Defeituosos
Não
O quê?
DPU
U Chart
Atributos Tamanho
Constante?
NP Chart
% Defeituosos
O quê?
Sim
Qtd Defeitos
C Chart
Onde surgiu o 5S?

O 5S teve origem no Japão logo após a 2ª

guerra mundial, com uma conduta
favorável à redução do desperdício, tendo
evoluído para uma concepção mais
abrangente de qualidade de vida no
trabalho.
Com o tempo, passou a ser ensinado pelos
pais ao filhos, reforçado nas escolas e
consolidado nas indústrias, contribuindo
ao lado de outras ferramentas da
qualidade para projetar o Japão como
grande potência mundial.
A importância e o significado dos 5S

A base de uma cultura enfocada na Os 5 Sensos

melhora dos processos e na • Seiri – Utilização.
satisfação do cliente começa em
um ambiente limpo e seguro, o • Seiton – Ordenação.
qual depende da cultura e do • Seiso – Limpeza.
compromisso das pessoas para • Seiketsu – Saúde.
mantê-lo e, tudo isso só pode ser
atingido por meio do 5S. • Shitsuke – Autodisciplina.

A essência do 5S é criar novos hábitos e influenciar o

comportamento das pessoas por meio da mudança do
ambiente.
Seiri – Senso de Utilização

Objetivo >> ▪ O Senso de Utilização consiste em analisar todos os

ambientes e classificar os recursos disponíveis, tais como
objetos, materiais, informações, utensílios e outros
recursos, segundo critérios de utilidade e frequência de
uso, para depois retirar do local tudo aquilo o que não
precisa estar ali.

Benefícios >> ✓ Melhoria na organização do ambiente, facilitando a busca

de objetos, materiais, informações, utensílios e outros
recursos.
✓ Aumento da produtividade decorrente da redução de
desperdícios e da melhor utilização dos recursos.
✓ Redução da necessidade de espaço nos ambientes físicos
e virtuais.
✓ Redução dos riscos de acidentes.
✓ Redução de custos.
Seiton – Senso de Ordenação

Objetivo >> ▪ O Senso de Ordenação consiste em arrumar objetos,

materiais, informações, utensílios e outros recursos, de
maneira funcional e possibilitando o acesso rápido e fácil
ao que deseja.
▪ O lema desse senso é ter um lugar para cada coisa e
cada coisa em seu lugar, de forma a facilitar a localização
por qualquer pessoa e a qualquer momento.

Benefícios >> ✓ Facilidade de encontrar objetos, materiais, informações,

utensílios e outros recursos necessários ao trabalho.
✓ Melhoria do aspecto visual e aumento do aproveitamento
dos ambientes físicos e virtuais.
✓ Aumento da produtividade decorrente da redução do
tempo de busca.
✓ Melhoria na comunicação interna e externa.
Seiso – Senso de Limpeza

Objetivo >> ▪ O Senso de Limpeza consiste na eliminação das fontes

de contaminação e sujidade e na implantação de rotinas
que garantam o ambiente sempre limpo. As práticas de
higiene e limpeza devem ser aplicadas aos objetos,
materiais, utensílios e outros recursos disponíveis.

Benefícios >> ✓ Garantia de um ambiente agradável, livre de sujidades,

higiênico e saudável para a realização das atividades
(aplicável também aos ambientes virtuais).
✓ Redução de condições de trabalho inseguras.
✓ Redução dos riscos de contaminação de matérias primas
e de produtos acabados.
✓ Redução da geração de resíduos e da agressão ao meio
ambiente.
✓ Melhoria da imagem interna e externa da Empresa.
Seiketsu – Senso de Saúde

Objetivo >> ▪ O Senso de Saúde é atingido por meio da implantação

de rotinas que garantam a um ambiente limpo, ordenado
e seguro, refletindo no comportamento e na saúde das
pessoas que o utilizam.

Benefícios >> ✓ Melhoria do bem estar social e mental das pessoas.

✓ Promoção das noções básicas de saúde.
✓ Adequação das condições físicas e ergonômicas.
✓ Eliminar as questões inadequadas ao trabalho.
Shitsuke – Senso de Autodisciplina

Objetivo >> ▪ O Senso de Autodisciplina consiste em implantação de

rotinas de manutenção, monitoramento do programa,
que garantam a aplicação contínua de todos os sensos.

Benefícios >> ✓ Aprimoramento das práticas do gerenciamento da rotina.

✓ Fortalecimento da equipe e da liderança.
✓ Fortalecimento dos programas de segurança do alimento
e da qualidade.
✓ Consolidação da cultura de melhoria contínua.

GRD + 5S = Gerenciamento da Rotina Exemplar

(Vicente Falconi)
Passo a passo...

Área de Descarte

Área de Trabalho
Seiri – Utilização

Área de Descarte

Área de Trabalho
Seiton – Ordenação

Área de Descarte

Área de Trabalho
Seiso – Limpeza

Área de Descarte

Área de Trabalho
Shitsuke – Autodisciplina

Rotinas Responsável Periodicidade

Visita às Áreas Gerentes Trimestral
Plano de Melhorias1 Coordenadores Trimestral
Reunião de Comitês Gerentes Trimestral
Eventos de Reconhecimento Gerentes Trimestral
Auditoria das Áreas Facilitador Mensal
Visitas Técnicas A definir Semestral
Nota 1: baseado nas diretrizes do programa.
Etapas da implantação

Implantação Área Piloto

Área Piloto

Sensibilização

1º Senso

2º Senso

3º Senso

Demais Áreas
Adequação
Replicação

Rotinas
4º e 5º Sensos
Alarmes

Esse tipo de sinalização pode ter caráter preditivo, preventivo ou

corretivo, dependendo de sua finalidade.
Os alarmes regularmente estão vinculados a sistemas de controle forçado,
quando interferem no processo sob supervisão.
Categorias:
▪ Sinalização: placas e avisos, layout, gestão visual, Kanban.
▪ Sensoriais: relacionados à visão, audição, tato, paladar e olfato.
▪ Condicionais: a continuidade de uma etapa só é permitida após a
conclusão da etapa anterior.
▪ Intertravamento: desarmes automáticos de sistemas interligados.
 ▪ Procedimentos
▪ Sinalização
Ferramentas de Padronização ▪ Proteção Passiva
▪ Proteção Ativa
▪ Projeto
Proteção Passiva

PROTEÇÃO PASSIVA

Características

▪ Tem como base a padronização dos

processos por meio de sistemas que
alertam sobre as necessidades de
intervenção.

▪ Apesar da grande utilidade, sua

efetividade ainda é restrita por
depender da ação humana, ou seja,
também não garantem plenamente o
bloqueio das causas.

Ferramentas

Alarmes e Gerenciamento da Rotina do

Dia-a-dia (GRD).
Conceito e objetivos do GRD

“É o conjunto de ações e verificações diárias designadas a cada colaborador de

uma unidade gerencial básica, que visa o pleno atendimento às necessidades dos
clientes.”
Vicente Falconi
Objetivos
• Definição da autoridade e da responsabilidade de cada indivíduo.
• Padronização dos produtos, processos e operações.
• Monitoramento e tratamento dos desvios dos resultados em relação às metas
estabelecidas.
• Fomento de um bom ambiente de trabalho e na utilização plena do potencial
mental das pessoas.
• Gestão efetiva dos resultados e busca incessante da perfeição.
Fase Preliminar

Descrições de
Estrutura Orgânica Mapas de Processos
Negócios
Ferramentas de
Padronização

A Hierarquia, os Atores e seus Papéis

Estratégico

Tático

Operacional

Estratégico
Tático
Operacional
Fase Preliminar

Descrições de
Estrutura Orgânica Mapas de Processos
Negócios
Ferramentas de
Padronização

FORNECEDORES ENTRADAS SAÍDAS CLIENTES

NEGÓCIO
Internos e Externos Produtos e Serviços Produtos e Serviços Internos e Externos
UNIDADE GERENCIAL
0 0
0

MISSÃO
0 0

EQUIPE
0 0

ESTRUTURA FÍSICA
0 0
Fase Preliminar

Descrições de
Estrutura Orgânica Mapas de Processos
Negócios
Ferramentas de
Padronização

Agrega Valor Agrega Valor

Fase Preliminar

Descrições de
Estrutura Orgânica Mapas de Processos
Negócios
Ferramentas de
Padronização
Fase de Implantação

S – Definição dos S – Definição das D – Implantação dos

Padrões Metas Padrões
C – Acompanhamento A – Tratamento de
dos Resultados Desvios / Anomalias
Fase de Implantação

S – Definição dos S – Definição das D – Implantação dos

Padrões Metas Padrões
C – Acompanhamento A – Tratamento de
dos Resultados Desvios / Anomalias

CONSOLIDADO EXERCÍCIO 2020

PAINEL DE INDICADORES COMITÊ N1 MELHOR
2020 YTD jan/20 fev/20 mar/20
0
P 0 0
0 0 R 0 0
% - - - - -
P 0 0
0 0 R 0 0
% - - - - -
P 0 0
0 0 R 0 0
% - - - - -
P 0 0
0 0 R 0 0
% - - - - -
Fase de Implantação

S – Definição dos S – Definição das D – Implantação dos

Padrões Metas Padrões
C – Acompanhamento A – Tratamento de
dos Resultados Desvios / Anomalias
Fase de Implantação

S – Definição dos S – Definição das D – Implantação dos

Padrões Metas Padrões
C – Acompanhamento A – Tratamento de
dos Resultados Desvios / Anomalias
Fase de Implantação

S – Definição dos S – Definição das D – Implantação dos

Padrões Metas Padrões
C – Acompanhamento A – Tratamento de
dos Resultados Desvios / Anomalias

Faturamento (Reais) Lotes Rejeitados (Qtd)

R$600.000,00 140
R$500.000,00 120
100
R$400.000,00
80
R$300.000,00
60
R$200.000,00
40
R$100.000,00 20
R$0,00 0
Previsto Real Previsto Real
Fase de Implantação

S – Definição dos S – Definição das D – Implantação dos

Padrões Metas Padrões
C – Acompanhamento A – Tratamento de
dos Resultados Desvios / Anomalias
Melhoria Contínua

S – Definição dos S – Definição das D – Implantação dos

Padrões Metas Padrões
C – Acompanhamento A – Tratamento de
Diagnóstico do GRD
dos Resultados Desvios / Anomalias

ETAPA ITENS VERIFICADOS GERÊNCIA ABC UGB 1 UGB 2

A descrição de negócios se encontra atualizada e disposta em local de fácil

acesso.
STANDARD
Os mapas de processo se encontram atualizados e dispostos em locais de fácil
acesso.
A matriz de treinamento se encontra atualizada e disposta em local de fácil
acesso.
DO
Os funcionários foram treinados nos documentos de padronização.

As informações dos quadros de gestão a vista são de fácil compreensão e se

encontram atualizadas.
CHECK
Os relatórios utilizados são de fácil compreensão, se encontram atualizados e
dispostos em locais de fácil acesso.
Os critérios para abertura dos FCA estão definidos e, publicados em local de
fácil acesso.
ACT
Os FCA são claros, a análise do fenômeno está bem descrita, as causas primárias
identificadas e as contramedidas são consistentes.
 ▪ Procedimentos
▪ Sinalização
Ferramentas de Padronização ▪ Proteção Passiva
▪ Proteção Ativa
▪ Projeto
Proteção Ativa

PROTEÇÃO ATIVA

Características

▪ Tem como base a padronização dos

processos por meio de sistemas que
efetivamente minimizam e/ou evitam as
falhas.

▪ Eventualmente sua aplicação pode ser

limitada, por demandar algum nível de
investimento.

▪ Dispositivos à prova de bobeira (fool

proof) são recursos muito usados
porque possuem alta efetividade a baixo
custo.

Ferramentas

Poka Yoke, Automação e Redesenho.

Poka Yoke

São dispositivos simples e engenhosos que evitam a ocorrência de erros

nos processos e impedem a chegada de defeitos aos clientes. São também
conhecidos como dispositivos à prova de bobeira (fool-proof).
Foram criados pelo Dr. Shingeo Shingo e se baseiam nos seguintes
princípios:
▪ Inspeção 100%.
▪ Inspeção efetiva e incansável.
▪ Ação imediata.
Poka Yoke

Famílias Exemplos
Geométricos • Gabaritos, seletores dimensionais (peso, tamanho, forma,
cor), conectores, tomadas, outros.
Mecânicos • Travas, acionadores, boias, molas para fechamento de
portas, molas para fechamento de torneiras, outros.
Eletroeletrônicos • Comandos elétricos, sensores de presença, coletores
biométricos, controladores lógicos programáveis (CLP),
interface homem máquina (IHM), malhas de controle de
processo e instrumentos, intertravamento, supervisórios,
checadoras de peso, nobreak, switches, seletores de
voltagem, outros.
Sistemas • Programas, senhas, firewall, campos obrigatórios, códigos
de barras, outros.
Automação e Redesenho

Automação
Consiste na introdução de recursos de tecnologia para o controle dos
processos em todas as atividades econômicas.
Esse conceito é aplicado em unidades operacionais relativamente novas,
visando a redução e/ou eliminação da necessidade de mão de obra.
Redesenho
Compreende a aplicação da automação em unidades operacionais mais
rodadas, na qual também são substituídos componentes importantes do
processo (retrofit / revamp).
 ▪ Procedimentos
▪ Sinalização
Ferramentas de Padronização ▪ Proteção Passiva
▪ Proteção Ativa
▪ Projeto
Projeto

PROJETO

Características

▪ Tem como base a padronização dos

processos através projetos de sistemas
que geram produtos e/ou serviços “sem
defeitos”.

▪ Demandam grande investimento e sua

aplicação se limita a novos projetos.

Ferramentas

Design For Six Sigma (DFSS).

Design for Six Sigma

Consiste numa metodologia para criar, desenhar ou redesenhar um

produto, processo, aplicação ou sistema que satisfaça aos padrões Six
Sigma.
DFSS enfoca em atender 100% a satisfação do cliente, incorporando os
CTS’s dinâmicos, expõe as restrições existentes e provê as informações
necessárias para tomada de decisões na fase inicial do objeto do
projeto.
Com isso, um projeto sustentado com o DFSS garante sempre a máxima
qualidade, o menor custo e o menor prazo de entrega.
Raízes fortes garantem
melhores frutos.
Projeto Six Sigma
Informações Preliminares

Empresa Cenário: Chocolates Alpinos.

Objetivo Geral: Reduzir a proporção de lotes produzidos com sobrepeso.
Saving Estimado: R$ 360.000,00 por ano.
Metodologia: DMAIC.
Equipe
▪ Arnaldo Fernandes.
▪ Erik Casal.
▪ Hélder Diniz.
 ▪ SIPOC
▪ Análise das Informações
Históricas
▪ Gráfico Sequencial
Histórico
Define ▪ Benefícios do Projeto
▪ Meta de Melhoria
▪ Mapa de Processo
▪ Variáveis de Entrada e
Variáveis de Saída
SIPOC

FORNECEDORES ENTRADAS SAÍDAS CLIENTES

NEGÓCIO
Internos e Externos Produtos e Serviços Produtos e Serviços Internos e Externos
Diretoria Diretrizes e Orçamento UNIDADE GERENCIAL
PCP Programação de Produção
Produção do Portfólio Diretoria / Logística
Armazém Matérias Primas e Insumos PRODUÇÃO
Controle da Qualidade Inspeções de Processo

Diretoria Diretrizes MISSÃO

Controle da Qualidade Controle do Produto Acabado
Produzir o portfólio de PA para atender Rastreabilidade de Matérias Primas e
Diretoria / Logística / Comercial
as demandas dos clientes, com o custo, Produtos Acabados
a qualidade e o prazo requeridos

Diretoria Diretrizes e Orçamento EQUIPE

Gerente de Produção / Supervisores de
Controles Industriais Diretoria / Controladoria
Produção / Operadores / Auxiliares de
Produção

Diretoria Diretrizes e Orçamento ESTRUTURA FÍSICA

RH Serviços de RH
Gestão do Desempenho Diretoria
Controladoria Orçamento Anual Linhas de Produção
Análise das Informações Históricas

Análise e Conclusões
Nos últimos seis meses a proporção de produtos não conformes foi de 20%, entretanto o
valor ideal para esse indicador é no máximo 5%.
Tal proporção representa 36 lotes rejeitados com peso acima do nominal no período,
correspondendo a uma perda estimada em R$ 720 mil por ano.
Gráfico Sequencial Histórico

PROPORÇÃO DE PRODUTOS NÃO CONFORMES - %

Quanto
25,0%
menor
Média MELHOR
Histórica
20,0%

15,0%
Problema

10,0%

5,0%
Valor Ideal

0,0%
mai/20 jun/20 jul/20 ago/20 set/20 out/20 Média Vl Ideal
Média Histórica 20,0%
Valor Ideal 5,0%
Realizado 20,0% 16,7% 20,0% 23,3% 23,3% 16,7%

Problema: ELEVADA PROPORÇÃO DE PRODUTOS NÃO

CONFORMES
Benefícios do Projeto

Benefícios Financeiros
• Custo evitado (cost avoid) = R$ 360.000,00 por ano.
• Redução de custos (cost reduction) = R$ 0,00.
Benefícios não Financeiros
• Aumento da produtividade das linhas de produção.
• Aumento do cumprimento do plano de produção.
• Redução das divergências de inventário de matérias primas.
• Ajuste da lista técnica do produto.
Benefícios para os Clientes
• Garantia de compra do produto de acordo com peso nominal estabelecido.
• Garantia de compra do produto de acordo com a qualidade esperada.
• Garantia da entrega dos produtos solicitados no prazo.
Meta do Projeto

Meta
• Média Histórica = 20%.
• Benchmark = 10%.
• Meta = (20% + 10%) / 2 = 15%
• Objetivo Gerencial: Reduzir a proporção de produtos não conformes.
• Valor: de 20% para 15%.
• Prazo: até jan/2021.

“META: Reduzir a proporção de produtos não conformes de 20% para 15% até
jan/2021”.
Mapa de Processo

N
Cortar e
Pesar os Misturar os Resfriar o
Início Ok? embalar o Fim
ingredientes ingredientes produto S produto

INPUTS INPUTS OUTPUTS OUTPUTS

Açúcar Açúcar Sabor do Peso da barra
produto
Manteiga de Manteiga de Sabor do
cacau cacau Textura do produto
produto
Leite em pó Leite em pó Textura do
produto
Leite Leite
condensado condensado Cor do produto
Cacau em pó Cacau em pó
Micro Micro
ingredientes ingredientes

OUTPUTS OUTPUTS
Sabor do Sabor do
produto produto
Textura do Textura do
produto produto
Cor do produto Cor do produto
Pesagem certa Mistura
homogênea
 ▪ Análise do Sistema de
Medição
▪ Variáveis de Entrada e de
Resposta
▪ Matriz de Causa e Efeito
Measure ▪ Teste de Normalidade
▪ Resumo Gráfico
▪ Capacidade Inicial de
Processo
▪ Observação no Local
▪ Ver e Agir
Análise do Sistema de Medição – Inicial
Número de Inspetores >> 4 (2 a 4)
N° de Peças Inspecionadas >> 10 (2 a 20)
Tolerância do Processo >> 90,0
Desvio Padrão do Processo >> 106,10
Número de Inspetores
Nº da Amostra Range
Inspetor 1 Inspetor 2 Inspetor 3 Inspetor 4
Amostra 1 1.104,70 1.098,00 1.127,80 1.138,90 40,90
Amostra 2 1.130,20 1.168,50 1.093,00 1.083,00 85,50
Amostra 3 1.083,30 1.129,70 1.115,80 1.101,90 46,40
Amostra 4 1.103,40 1.123,60 1.009,70 1.110,00 113,90
Amostra 5 1.104,00 1.133,70 1.109,70 1.031,10 102,60
Amostra 6 1.142,60 1.103,50 1.115,20 1.194,90 91,40
Amostra 7 1.070,90 1.155,40 1.092,80 1.079,00 84,50
Amostra 8 1.066,10 1.090,60 1.087,80 1.121,60 55,50
Amostra 9 1.079,90 1.059,70 1.089,20 1.072,70 29,50
Amostra 10 1.155,40 1.076,00 1.094,20 1.125,20 79,40
Desvio Padrão das Medições >> 35,2 Range Médio >> 72,96
Análise do Sistema de Medição
Critérios de Avaliação
Menor ou igual a 20% >> Sistema de medição satisfatório
Entre 20% e 30% >> Sistema de medição requer moderação melhoria
Maior ou igual a 30% >> Sistema de medição requer forte melhoria
Resultados da Análise
Variabilidade da Medição >> 180,65
R&R % P/T >> 200,7% Sistema de medição requer forte melhoria
R&R % P/TV >> 33,1% Sistema de medição requer forte melhoria
Resultado do Estudo
Análise do Sistema de Medição – Final
Número de Inspetores >> 4 (2 a 4)
N° de Peças Inspecionadas >> 10 (2 a 20)
Tolerância do Processo >> 90,0
Desvio Padrão do Processo >> 106,10
Número de Inspetores
Nº da Amostra Range
Inspetor 1 Inspetor 2 Inspetor 3 Inspetor 4
Amostra 1 1.001,39 1.000,89 1.001,89 1.002,39 1,50
Amostra 2 1.055,67 1.055,17 1.056,17 1.056,67 1,50
Amostra 3 1.151,20 1.150,70 1.151,70 1.152,20 1,50
Amostra 4 1.084,93 1.084,43 1.085,43 1.085,93 1,50
Amostra 5 1.056,25 1.055,75 1.056,75 1.057,25 1,50
Amostra 6 1.050,60 1.050,10 1.051,10 1.051,60 1,50
Amostra 7 1.137,24 1.136,74 1.137,74 1.138,24 1,50
Amostra 8 1.089,97 1.089,47 1.090,47 1.090,97 1,50
Amostra 9 1.132,47 1.131,97 1.132,97 1.133,47 1,50
Amostra 10 1.089,74 1.089,24 1.090,24 1.090,74 1,50
Desvio Padrão das Medições >> 44,5 Range Médio >> 1,50
Análise do Sistema de Medição
Critérios de Avaliação
Menor ou igual a 20% >> Sistema de medição satisfatório
Entre 20% e 30% >> Sistema de medição requer moderação melhoria
Maior ou igual a 30% >> Sistema de medição requer forte melhoria
Resultados da Análise
Variabilidade da Medição >> 3,71
R&R em relação à Tolerância >> 4,1% Sistema de medição satisfatório
R&R em relação ao Processo >> 0,7% Sistema de medição satisfatório
Resultado do Estudo
Variáveis de Entrada (X’s) e Variáveis de Resposta (Y’s)

N
Cortar e
Pesar os Misturar os Resfriar o
Início Ok? embalar o Fim
ingredientes ingredientes produto S produto

Peso do açúcar Tempo de Temperatura Peso da barra

batimento do túnel de
Peso da Sabor do
resfriamento
manteiga de Temperatura produto
cacau de batimento Tempo de
Textura do
residência do
Peso do leite produto
produto no
em pó
túnel de Cor do produto
Peso do leite resfriamento
condensado
Variáveis de
Peso do cacau Resposta – Y’s
em pó
Peso dos
micro
ingredientes

Variáveis de Entrada – X’s

Matriz de Causa e Efeito
Variáveis de Resposta (Y's)
01 02 03 04
Importância para o Cliente:
1 - Baixa Importância

Textura do produto
2 - Média Baixa Importância

Sabor do produto
3 - Média Importância

Cor do produto
Peso da barra
4 - Média Alta Importância
5 - Alta Importância

Importância para o Cliente >> 4 5 3 2

Impacto >> 1 - Baixo / 4 - Médio Baixo / 7 - Médio Alto / 10 - Alto
Variáveis de Entrada (X's) Total Impacto
01 Peso do açúcar 119 10 10 7 4
02 Peso da manteiga de cacau 128 10 10 10 4
03 Peso do leite em pó 125 10 10 7 7
04 Peso do leite condensado 125 10 10 7 7
05 Peso do cacau em pó 122 7 10 10 7
06 Peso dos micro ingredientes 89 4 7 10 4
07 Tempo de batimento 56 1 4 10 1
08 Temperatura de batimento 56 1 4 10 1
09 Temperatura do túnel de resfriamento 41 1 1 10 1
10 Tempo de resfriamento 41 1 1 10 1
TOTAL 902 220 335 273 74
Gráfico de Pareto

Pareto Chart of Variável (X)

900 100
800
700 80
600

Percent
60
Total 500
400
40
300
200 20
100
0 0
Variável (X) r r fr r
c
oau
nd _Pó _Pó ca Ing nt
o
tim es the
aC te u ú e a
_C ite_ ei ca _Ac r o_ tim p_B T_R O
M L a P ic Ba
P_ Le P_ P_C M _ m
P_ P_ T Te
Total 128 125 125 122 119 89 56 56 41 41
Percent 14,2 13,9 13,9 13,5 13,2 9,9 6,2 6,2 4,5 4,5
Cum % 14,2 28,0 41,9 55,4 68,6 78,5 84,7 90,9 95,5 100,0
Teste de Normalidade – Peso da Barra de Chocolate

Teste de Normalidade - Peso da Barra de Chocolate (g)

Normal
99,9
Mean 1101
StDev 15,31
99 N 100
RJ 0,996
95 P-Value >0,100
90
80
70
Percent

60
50
40 Valor P é
30 maior que
20 Os pontos 0,05
10 coincidem com
5 a linha azul
1

0,1
1050 1075 1100 1125 1150
P_Barra_Ini
Resumo Gráfico – Peso da Barra de Chocolate

Resumo Gráfico - Peso da Barra de Chocolate (g)

A nderson-Darling N ormality Test
A -S quared 0,22
P -V alue 0,826 P-Value
M ean 1101,2
S tDev 15,3
V ariance 234,5
Histograma S kew ness -0,261589
Estatísticos
Kurtosis 0,001048
N 100
M inimum 1057,2
1st Q uartile 1090,8
M edian 1102,8
3rd Q uartile 1112,1
1065 1080 1095 1110 1125 1140 M aximum 1137,8
95% C onfidence Interv al for M ean
Boxplot 1098,2 1104,3
95% C onfidence Interv al for M edian
1098,6 1105,9
95% C onfidence Interv al for S tDev
9 5 % C onfidence Inter vals
13,4 17,8
Mean

Intervalos de Confiança
Median

1098 1100 1102 1104 1106

 Capacidade Inicial (Cpk) – Peso da Barra de Chocolate

Capacidade de Processo - Peso da Barra de Chocolate (g)

LSL Target USL

P rocess Data Within
LS L 950 Overall
Target 1000
USL 1050 P otential (Within) C apability
Dados do Processo S ample M ean 1101,24 Cp 1,04
S ample N 100 C PL 3,14 Capacidade
S tDev (Within) 16,0595 C P U -1,06
S tDev (O v erall) 15,3149 C pk -1,06
O v erall C apability
Pp 1,09
PPL 3,29
Desempenho
PPU -1,12
P pk -1,12
C pm 0,16

950 975 1000 1025 1050 1075 1100 1125

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0,00 PPM < LS L 0,00 P P M < LS L 0,00
Defeitos PPM
P P M > U S L 1000000,00 PPM > U S L 999289,67 P P M > U S L 999589,39
P P M Total 1000000,00 PPM Total 999289,67 P P M Total 999589,39
 Capacidade Inicial (Z Bench) – Peso da Barra de Chocolate

Capacidade de Processo - Peso da Barra de Chocolate (g)

LSL Target USL

P rocess Data Within
LS L 950 Overall
Target 1000
USL 1050 P otential (Within) C apability
Dados do Processo S ample M ean 1101,24 [Link] -3,19
S ample N 100 [Link] L 9,42 Capacidade
S tDev (Within) 16,0595 Z.U S L -3,19
S tDev (O v erall) 15,3149 C pk -1,06
O v erall C apability
[Link] -3,35
[Link] L 9,88
Desempenho
Z.U S L -3,35
P pk -1,12
C pm 0,16

950 975 1000 1025 1050 1075 1100 1125

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0,00 PPM < LS L 0,00 P P M < LS L 0,00
Defeitos PPM
P P M > U S L 1000000,00 PPM > U S L 999289,67 P P M > U S L 999589,39
P P M Total 1000000,00 PPM Total 999289,67 P P M Total 999589,39
Observação do Problema no Local

Ferramentas de Padronização
• Os procedimentos de pesagem dos ingredientes estavam desatualizados.
• Havia dois novos operadores que não haviam sido treinados nos procedimentos
existentes.
Rotinas
• A rotina de calibração das balanças de ingredientes não estava padronizada.
• A ordem de dosagem dos ingredientes não estava padronizada.
Anomalias
• O temporizador que controla o tempo de batimento da mistura apresentava falhas
intermitentes.
• O termostato do túnel de resfriamento se encontrava descalibrado.
Ver e Agir

Ferramentas de Padronização
• Ação 1: Atualizar os procedimentos de pesagem dos ingredientes.
• Ação 2: Treinar todos os colaboradores nos procedimentos revisados.
Rotinas
• Ação 1: Checar confiabilidade do peso padrão, inserir a rotina de calibração no
procedimento e treinar equipe.
• Ação 2: Definir ordem de dosagem dos ingredientes, revisar o procedimento padrão e
treinar equipe.
Anomalias
• Ação 1: Trocar temporizador por um novo.
• Ação 2: Calibrar termostato do túnel de resfriamento.
 ▪ Limites de Especificação
▪ Limites de Controle
▪ Cartas Xbar-R
▪ Boxplot
Analyse ▪ Multivari Chart
▪ Tempestade de Ideias
▪ Diagrama de Ishikawa
▪ Estudo dos Por Quês
Limites de Especificação

Variáveis de Resposta Und Média D Padrão LSL USL

Peso da barra de chocolate gramas 1.000,00 15,00 955,00 1.045,00

Variáveis de Entrada Und Média D Padrão LSL USL

Peso do açúcar gramas 160,00 3,00 151,00 169,00
Peso da manteiga de cacau gramas 100,00 2,00 94,00 106,00
Peso do leite em pó gramas 300,00 5,00 285,00 315,00
Peso do leite condensado gramas 100,00 2,00 94,00 106,00
Peso do cacau em pó gramas 300,00 5,00 285,00 315,00
Peso dos micro ingredientes gramas 40,00 1,00 37,00 43,00
Tempo de batimento min 10,00 0,50 8,50 11,50
Temperatura de batimento ºCelcius 80,00 2,00 74,00 86,00
Temperatura de resfriamento ºCelcius 5,00 0,05 4,85 5,15
Tempo de resfriamento min 2,00 0,04 1,88 2,12
 Limites de Controle

Variáveis de Resposta Und Média D Padrão LCL UCL

Peso da barra de chocolate gramas 1.105,70 14,70 1.061,60 1.149,80

Variáveis de Entrada Und Média D Padrão LCL UCL

Foco Peso do açúcar gramas 195,80 7,36 173,72 217,88
Peso da manteiga de cacau gramas 100,18 0,87 97,57 102,79
Foco Peso do leite em pó gramas 370,89 12,48 333,45 408,33
Peso do leite condensado gramas 99,65 2,17 93,13 106,17
Peso do cacau em pó gramas 300,38 2,80 291,98 308,78
Peso dos micro ingredientes gramas 39,99 0,52 38,45 41,54
Tempo de batimento min 10,00 0,01 9,97 10,03
Temperatura de batimento ºCelcius 80,09 1,04 76,97 83,21
Temperatura de resfriamento ºCelcius 5,01 0,05 4,85 5,16
Tempo de resfriamento min 2,00 0,01 1,97 2,03
Xbar-R Chart para o peso da barra de chocolate

Peso da Barra de Chocolate

U C L=1124,24
1120

Sample M ean
1110 _
_
X=1105,74
1100

1090
LC L=1087,23
1 4 7 10 13 16 19 22 25 28
Sample

U C L=67,83
60
Sample Range

45
_
30 R=32,08

15

0 LC L=0
1 4 7 10 13 16 19 22 25 28
Sample

O peso da barra de chocolate se encontra sob controle

estatístico
Teste de Normalidade – Peso do Açúcar

Teste de Normalidade - Peso do Açúcar (g)

Normal
99,9
Mean 194,9
StDev 6,167
99 N 100
RJ 0,992
95 P-Value >0,100
90
80
70
Percent

60
50
40 Valor P é
30 maior que
20 Os pontos 0,05
10 coincidem com
5 a linha azul
1

0,1
175 180 185 190 195 200 205 210 215
P_Açúcar
 Capacidade Inicial (Cpk) – Peso do Açúcar

Capacidade Inicial - Peso do Açúcar (g)

LSL Target USL

P rocess Data Within
LS L 151 Overall
Target 160
USL 169 P otential (Within) C apability
Dados do Processo S ample M ean 194,87 Cp 0,54
S ample N 100 C PL 2,63 Capacidade
S tDev (Within) 5,5633 C P U -1,55
S tDev (O v erall) 6,16703 C pk -1,55
O v erall C apability
Pp 0,49
PPL 2,37
Desempenho
PPU -1,40
P pk -1,40
C pm 0,08

152 160 168 176 184 192 200 208

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0,00 PPM < LS L 0,00 P P M < LS L 0,00
Defeitos PPM
P P M > U S L 1000000,00 PPM > U S L 999998,34 P P M > U S L 999986,35
P P M Total 1000000,00 PPM Total 999998,34 P P M Total 999986,35
Teste de Normalidade – Peso do Leite em Pó

Teste de Normalidade - Peso do Leite em Pó (g)

Normal
99,9
Mean 370,9
StDev 12,48
99 N 100
RJ 0,991
95 P-Value >0,100
90
80
70
Percent

60
50
40 Valor P é
30 maior que
20 Os pontos 0,05
10 coincidem com
5 a linha azul
1

0,1
330 340 350 360 370 380 390 400 410
P_Leite em Pó
 Capacidade Inicial (Cpk) – Peso do Leite em Pó

Capacidade Inicial - Peso do Leite em Pó (g)

LSL Target USL

P rocess Data Within
LS L 285 Overall
Target 300
USL 315 P otential (Within) C apability
Dados do Processo S ample M ean 370,885 Cp 0,41
S ample N 100 C PL 2,32 Capacidade
S tDev (Within) 12,3317 C P U -1,51
S tDev (O v erall) 12,4837 C pk -1,51
O v erall C apability
Pp 0,40
PPL 2,29
Desempenho
PPU -1,49
P pk -1,49
C pm 0,07

300 320 340 360 380 400

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0,00 PPM < LS L 0,00 P P M < LS L 0,00
Defeitos PPM
P P M > U S L 1000000,00 PPM > U S L 999997,08 P P M > U S L 999996,21
P P M Total 1000000,00 PPM Total 999997,08 P P M Total 999996,21
Boxplot – Peso do Açúcar por Turno
Há diferenças
significativas entre
Boxplot of Peso_Açúcar
os turnos de
240 produção
230

220

Peso_Açúcar 210

200

190

180

170

160

150

Turno_1 Turno_2 Turno_3

Turno
Boxplot – Peso do Açúcar por Linha
Não há diferenças
significativas entre
Boxplot of Peso_Açúcar
as linhas de
240 produção
230

220

Peso_Açúcar 210

200

190

180

170

160

150

Linha_1 Linha_2
Linha
Boxplot – Peso do Açúcar por Tipo de Açúcar

Não há diferenças
Boxplot of Peso_Açúcar significativas entre
240
os tipos de açúcar
230

220

Peso_Açúcar 210

200

190

180

170

160

150

Cristal Demerara
Tipo_Açúcar
Boxplot – Peso do Açúcar por Turno por Linha
Há diferenças
significativas entre
Boxplot of Peso_Açúcar
os turnos de
240 produção
230

220

Peso_Açúcar 210

200

190

180

170

160

150

Linha Linha_1 Linha_2 Linha_1 Linha_2 Linha_1 Linha_2

Turno Turno_1 Turno_2 Turno_3
Boxplot – Peso do Açúcar por Turno por Tipo de Açúcar
Há diferenças
significativas entre
Boxplot of Peso_Açúcar
os turnos de
240 produção
230

220

Peso_Açúcar 210

200

190

180

170

160

150

Tipo_Açúcar Cristal Demerara Cristal Demerara Cristal Demerara

Turno Turno_1 Turno_2 Turno_3
Boxplot – Peso do Açúcar por Linha por Tipo de Açúcar
Não há diferenças
significativas entre
Boxplot of Peso_Açúcar
as linhas de
240 produção
230

220

Peso_Açúcar 210

200

190

180

170

160

150

Tipo_Açúcar Cristal Demerara Cristal Demerara

Linha Linha_1 Linha_2
Multivari Chart – por Linha por Turno por Tipo de Açúcar

Multi-Vari Chart for Peso_Açúcar_1 by Turno - Tipo_Açúcar

Linha_1 Linha_2
Cristal Demerara Turno
220 Turno_1
Turno_2
210 Turno_3

Peso_Açúcar_1
200

190

180

170

160 Há diferenças
significativas entre
150
Linha_1 Linha_2
os turnos de
Linha produção
Panel variable: Tipo_Açúcar
Multivari Chart – por Linha por Turno por Tipo de Açúcar

Multi-Vari Chart for Peso_Açúcar by Tipo_Açúcar - Turno

Linha_1 Linha_2
Turno_1 Turno_2 Turno_3 Tipo_Açúcar
220 Cristal
Demerara
210

200
Peso_Açúcar

190

180

170

160 Há diferenças
significativas entre
150
Linha_1 Linha_2 Linha_1 Linha_2
os turnos de
Linha produção
Panel variable: Turno
Boxplot – Peso do Leite em Pó por Turno
Há diferenças
significativas entre
Boxplot of Peso_Leite em Pó_1
os turnos de
450 produção

400
Peso_Leite em Pó_1

350

300

250
Turno_1 Turno_2 Turno_3
Turno
Boxplot – Peso do Leite em Pó por Linha
Não há diferenças
significativas entre
Boxplot of Peso_Leite em Pó_1
as linhas de
450 produção

400
Peso_Leite em Pó_1

350

300

250
Linha_1 Linha_2
Linha
Boxplot – Peso do Leite em Pó por Turno por Linha
Há diferenças
significativas entre
Boxplot of Peso_Leite em Pó_1
os turnos de
450 produção

400
Peso_Leite em Pó_1

350

300

250
Linha Linha_1 Linha_2 Linha_1 Linha_2 Linha_1 Linha_2
Turno Turno_1 Turno_2 Turno_3
Multivari Chart – por Linha por Linha por Turno

Multi-Vari Chart for Peso_Leite em Pó_1 by Turno - Linha

Turno
420 Turno_1
Turno_2
Turno_3
400

Peso_Leite em Pó_1 380

360

340

320 Há diferenças
significativas entre
300
os turnos de
Linha_1 Linha_2 produção
Linha
Tempestade de Ideias e Estudo dos Por Quês

Problemas Focados
• Dosagem excessiva de açúcar no 2º turno.
• Dosagem excessiva de leite em pó no 1º turno.

Causas Primárias
➢ Pesagem de ingredientes acima do padrão.

Causas Fundamentais / Causas Raízes

➢ Falta de procedimento de pesagem.
➢ Falta de procedimento de calibração da balança.
➢ Falta plano de manutenção preventiva da balança.
➢ Falta de procedimentos de manutenção da balança.
Diagrama de Ishikawa

Diagrama de Causa e Efeito

Measurements Material Personnel

Dosagem
excessiva de
açúcar no 2º
turno

P esagem de
ingredientes acima do
padrão

Environment Methods Machines

Diagrama de Ishikawa

Diagrama de Causa e Efeito

Measurements Material Personnel

Dosagem
excessiva de
leite em pó
no 1º turno

P esagem de
ingredientes acima do
padrão

Environment Methods Machines

 ▪ Plano de Ação
▪ Cronograma do Plano de
Ação
▪ Resultados do Projeto
Improve ▪ Gráfico Sequencial do
Projeto
▪ Gráfico Sequencial do
Saving do Projeto
Plano de Ação

Principais Ações de Bloqueio

• Elaborar procedimentos de pesagem de ingredientes, de calibração da balança e de
manutenção da balança.
• Inserir procedimentos na matriz de treinamentos obrigatórios.
• Implementar programa de treinamento com base na matriz.
• Incluir a verificação do cumprimento dos procedimentos no DTO (diagnóstico do trabalho
operacional).
• Elaborar plano de manutenção preventiva da balança.
• Implementar plano de manutenção preventiva da balança.
Cronograma do Plano de Ação

PRAZO
CAUSAS FUNDAMENTAIS / AÇÕES DE BLOQUEIO RESPONSÁVEL
Dt Início Dt Final P x R 24/10 31/10 07/11 14/11 21/11 28/11 05/12 12/12 19/12 26/12
1 Falta de procedimento de pesagem
4 6 4 2 2 2 2 2 2 2
Elaborar procedimento de pesagem de Arnaldo P p
1.1 17/out 24/out
ingredientes Fernandes R c
Inserir procedimento de pesagem na lista de Arnaldo P p p
1.2 24/out 31/out
treinamentos obrigatórios (matriz de treinamento) Fernandes R d c
Implementar programa de treinamento com base Arnaldo P p p p p p p p p p
1.3 31/out 26/dez
na matriz Fernandes R a d
Incluir a verificação do cumprimento do Arnaldo P p p p p p p p p p
1.4 31/out 26/dez
procedimento de pesagem no DTO (diagnóstico do Fernandes R a d
2 Falta de procedimento de calibração da balança
4 6 6 2 2 2 2 2 2 2
Arnaldo P p
2.1 Elaborar procedimento de calibração da balança 17/out 24/out
Fernandes R c
Inserir procedimento de calibração da balança na Arnaldo P p p p
2.2 24/out 31/out
lista de treinamentos obrigatórios (matriz de Fernandes R a r c
Implementar programa de treinamento com base Arnaldo P p p p p p p p p p
2.3 31/out 26/dez
na matriz Fernandes R a d
Incluir a verificação do cumprimento do Arnaldo P p p p p p p p p p
2.4 31/out 26/dez
procedimento de calibração da balança no DTO Fernandes R a d
Cronograma do Plano de Ação

PRAZO
CAUSAS FUNDAMENTAIS / AÇÕES DE BLOQUEIO RESPONSÁVEL
Dt Início Dt Final P x R 24/10 31/10 07/11 14/11 21/11 28/11 05/12 12/12 19/12 26/12
3 Falta plano de manutenção preventiva da balança
2 2 4 1 1 1 1 1 1 1
Elaborar plano de manutenção preventiva da Arnaldo P p p p
3.1 17/out 07/nov
balança Fernandes R d d c
Implementar plano de manutenção preventiva da Arnaldo P p p p p p p p p
3.2 07/nov 26/dez
balança Fernandes R a
4 Falta de procedimentos de manutenção da balança
4 6 4 2 2 2 2 2 2 2
Arnaldo P p
4.1 Elaborar procedimento de manutenção da balança 17/out 24/out
Fernandes R c
Inserir procedimento de manutenção da balança na Arnaldo P p p
4.2 24/out 31/out
lista de treinamentos obrigatórios (matriz de Fernandes R a c
Implementar programa de treinamento com base Arnaldo P p p p p p p p p p
4.3 31/out 26/dez
na matriz Fernandes R d d
Incluir a verificação do cumprimento do Arnaldo P p p p p p p p p p
4.4 31/out 26/dez
procedimento de manutenção da balança no DTO Fernandes R d d
Gráfico Sequencial do Projeto

PROPORÇÃO DE PRODUTOS NÃO CONFORMES - %

Quanto
25,0%
menor
MELHOR
Média Histórica
20,0%

Meta do Projeto
15,0%

Valor Atingido
10,0%

Valor Ideal
5,0%

0,0%
Média nov/20 dez/20 jan/21 fev/21 mar/21 abr/21
Média Histórica 20,0%
Meta do Projeto 20,0% 20,0% 15,0% 15,0% 15,0% 15,0%
Realizado 16,7% 16,7% 13,3% 6,7% 10,0% 6,7%
Gráfico Sequencial do Saving do Projeto

SAVING DO PROJETO (R$/MÊS)

Quanto
R$45.000,00
maior
MELHOR
R$40.000,00

R$35.000,00

R$30.000,00

R$25.000,00

R$20.000,00

R$15.000,00

R$10.000,00

R$5.000,00

R$0,00
ago/20 set/20 out/20 nov/20 dez/20 jan/21
Saving R$10.000,00 R$10.000,00 R$20.000,00 R$40.000,00 R$30.000,00 R$40.000,00
 ▪ Teste de Normalidade
▪ Resumo Gráfico
▪ Capacidade Final de
Control Processo
▪ Padronização
▪ Conclusão
Teste de Normalidade – Peso da Barra de Chocolate

Teste de Normalidade - Peso da Barra de Chocolate (g)

Normal
99,9
Mean 1001
StDev 9,399
99 N 150
AD 0,569
95 P-Value 0,138
90
80
70
Percent

60
50
40 Valor P é
30 maior que
20 Os pontos 0,05
10 coincidem com
5 a linha azul
1

0,1
970 980 990 1000 1010 1020 1030
Peso Barra
Xbar-R Chart para o peso da barra de chocolate

Xbar-R Chart of Barra_1; ...; Barra_5

1014 U C L=1013,85

1008

Sample M ean
_
_
1002 X=1001,39

996

990
LC L=988,92
1 4 7 10 13 16 19 22 25 28
Sample

U C L=45,69
40
Sample Range

30
_
20 R=21,61

10

0 LC L=0
1 4 7 10 13 16 19 22 25 28
Sample

O peso da barra de chocolate se encontra sob controle

estatístico
Resumo Gráfico – Peso da Barra de Chocolate

Summary for Peso Barra

A nderson-Darling N ormality Test
A -S quared 0,57
P -V alue 0,138 P-Value
M ean 1001,4
S tDev 9,4
V ariance 88,3
Histograma S kew ness 0,001182
Estatísticos
Kurtosis 0,404307
N 150
M inimum 977,5
1st Q uartile 995,2
M edian 1001,8
3rd Q uartile 1008,1
980 990 1000 1010 1020 1030 M aximum 1029,5
95% C onfidence Interv al for M ean
Boxplot 999,9 1002,9
95% C onfidence Interv al for M edian
999,9 1003,9
95% C onfidence Interv al for S tDev
9 5 % C onfidence Inter vals
8,4 10,6
Mean

Intervalos de Confiança
Median

1000 1001 1002 1003 1004

 Capacidade Final (Cpk) – Peso da Barra de Chocolate

Capacidade Final de Processo - Peso da Barra de Chocolate (g)

LSL Target USL

P rocess Data Within
LS L 955 Overall
Target 1000
USL 1045 P otential (Within) C apability
Dados do Processo S ample M ean 1001,39 Cp 1,60
S ample N 150 C P L 1,65 Capacidade
S tDev (Within) 9,37931 C P U 1,55
S tDev (O v erall) 9,3993 C pk 1,55
O v erall C apability
Pp 1,60
PPL 1,65
Desempenho
PPU 1,55
P pk 1,55
C pm 1,58

960 975 990 1005 1020 1035

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0,00 P P M < LS L 0,38 P P M < LS L 0,40
Defeitos PPM
P P M > U S L 0,00 P P M > U S L 1,66 P P M > U S L 1,74
P P M Total 0,00 P P M Total 2,04 P P M Total 2,14
 Capacidade Final (Z Bench) – Peso da Barra de Chocolate

Capacidade Final de Processo - Peso da Barra de Chocolate (g)

LSL Target USL

P rocess Data Within
LS L 955 Overall
Target 1000
USL 1045 P otential (Within) C apability
Dados do Processo S ample M ean 1001,39 [Link] 4,61
S ample N 150 [Link] L 4,95 Capacidade
S tDev (Within) 9,37931 Z.U S L 4,65
S tDev (O v erall) 9,3993 C pk 1,55
O v erall C apability
[Link] 4,60
[Link] L 4,94
Desempenho
Z.U S L 4,64
P pk 1,55
C pm 1,58

960 975 990 1005 1020 1035

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0,00 P P M < LS L 0,38 P P M < LS L 0,40
Defeitos PPM
P P M > U S L 0,00 P P M > U S L 1,66 P P M > U S L 1,74
P P M Total 0,00 P P M Total 2,04 P P M Total 2,14
Padronização e Conclusão

Reflexões sobre a Efetividade do Plano de Ação

• As ações do plano foram focadas em implantação de rotinas.
• Para garantir a efetividade no longo prazo, seria necessário automatizar algumas rotinas.
• Os funcionários da unidade gerencial compreenderam bem a importância das medidas de
bloqueio e aderiram à implantação das melhorias propostas.
• Houve pequenos atrasos na implantação das ações, mas todos foram superados pela
equipe do projeto.
Lições Aprendidas
• Aplicação de metodologia robusta aumenta consideravelmente as chances de êxito dos
projetos de melhoria.
• O trabalho em equipe é fundamental no desenvolvimento dos projetos.
• O esforço da maioria compensou as eventuais faltas de integrantes nas reuniões.
• Atingir as metas é desafiador e gratificante ao mesmo tempo.
Raízes fortes garantem
melhores frutos.