Вы находитесь на странице: 1из 30

Propsito da Fase Measure

uma fase de transio, que serve para validar ou refinar a definio do


problema, antes de comear a busca pelas causas raiz (fase Analyze).
As medies respondem a duas perguntas chave:
Qual o foco e extenso do problema, com base nas medies do processo e/ou outputs? (Tambm
chamadas de Medidas de Baseline)
Quais dados chave podem ajudar a relacionar o problema a seus principais fatores, ou causas
principais Vitais?
O principal requisito, antes de se declarar pronto para iniciar a fase Analyse, ter pelo menos
uma medio slida e repetvel, confirmando - e frequentemente clarificando - o problema ou
oportunidade. Esta deveria ser a medio que voc vai repetir durante a implementao das
solues, e depois, para acompanhar os efeitos de suas melhorias.
Outro resultado comum da fase Measure um conjunto mais sofisticado de questes sobre o
seu problema. Estas questes so um bom sinal: elas mostram que voc est pensando sobre
como voc pode investigar o problema, ao invs de tirar as solues da cartola.

Faa
Equilibre as medidas de outputs e de inputs

Assegure que voc est rastreando o impacto no cliente e nos produtos/servios finais, mesmo que seu foco seja o
aumento de eficincia.

Use as medies para focalizar o problema

Tente encontrar os componentes ou contribuintes mais significativos do problema, para que os alvos de suas anlises e
solues sejam melhor definidos.

Antecipe o que voc precisar analisar depois.

Tente reduzir os ciclos de coleta de dados, buscando fatos que iro ajud-lo a encontrar a causa raiz.

Planeje a medio

Existem dados que ajudam a entender o problema? Se no, o time pode ter que desenvolver um plano para coleta de
dados.

Algumas vezes no possvel fazer as medidas que voc gostaria, ento importante a habilidade de encontrar
alternativas, ou de fazer o melhor uso dos dados que voc consegue obter.

Parte da arte do Six Sigma reside em basear as decises e solues em fatos suficientes para ser efetivo, e aprender a usar
melhor os dados ao longo do tempo.

Explique claramente porque voc est coletando os dados. Descreva o que voc planeja fazer com os dados - incluindo
seus planos para compartilhar as descobertas, manter confidencialidade sobre as pessoas, e assim por diante.

Seja cauteloso sobre quem voc convida para participar, evitando fazer da coleta de dados uma recompensa ou punio.

Faa o processo to simples quanto possvel.

I&CIM

Pg.2

Faa / No Faa
Faa
Acuracidade/Integridade dos Dados

Se uma caracterstica do tem varia ao longo do tempo, registre a medida ou classificao


imediatamente aps sua manufatura, ou aps o perodo de estabilizao

Para aplicar estatsticas que assumem uma populao normal, determine se a disperso esperada dos
dados pode ser representada por pelo menos 8 a 10 incrementos de resoluo. Se no, o tratamento
recomendado ser a contagem do nmero de observaes que atendem ou no aos critrios
especificados.
Avalie ou filtre os dados para detectar e remover dados errados, tais como troca de dgitos ou
posicionamento errado da vrgula. Evite remover dados por suposies. Use testes estatsticos
objetivos para identificar pontos extremos.
Cada classificao importante deveria ser registrada junto com os dados. Estas informaes podem
incluir: hora, mquina, auditor, operador, instrumento, laboratrio, material, objetivo, condies e
modificaes de processo, etc.

No Faa
Pular as etapas principais da medio.

Tome o tempo necessrio para criar boas definies operacionais, mtodos de


coleta, planos de amostragem, etc., e teste suas medies antes de lan-las. Isto
evita dados invlidos e a frustao de ter que repetir as medies.

Tentar fazer muita coisa.

Mesmo que voc precise ir logo para a fase Analyse, no tente medir todas as
coisas ao mesmo tempo. Foque naquelas medies que voc tem quase certeza
que vai usar, e que voc pode completar em um perodo razovel (de uma semana
a um ms, um bom prazo).

Acuracidade/Integridade dos Dados


Dados ruins no so apenas um desperdcio de recursos, mas tambm corrompem o
processo de tomada de decises. Algumas consideraes incluem:

Evite tendncias emocionais relativas a metas ou tolerncias durante a


contagem, medio ou registro dos dados.

Evite arredondamentos desnecessrios. Arredondamentos frequentemente


reduzem a sensibilidade das medies. Mdias poderiam ser calculadas para
adiconar pelo menos uma casa decimal s medies individuais.
I&CIM

Pg.3

Pareto
100

900
800

C o u nt

600

60

500
400

40

P er c ent

80

700

300
200

20

100
Defect
Count
Percent
Cum %

0
162
17,4
17,4

121
13,0
30,4

104
11,2
41,5

99
10,6
52,1

87
9,3
61,5

71
7,6
69,1

65
7,0
76,1

62
6,7
82,7

51
5,5
88,2

42
68
4,5
7,3
92,7 100,0

1) Registre o nmero de ocorrncias em cada categoria.


2) Arranje as categorias em ordem decrescente.
3) Some o nmero de ocorrncias em cada categoria, para obter o nmero total de
ocorrncias no conjunto de dados.
4) Divida a frequncia de cada categoria pelo total encontrado no passo anterior, para
obter a % ou frequncia de ocorrncia.
5) Na quarta coluna, calcule as frequncias acumulativas.
Continue este processo at que tenha capturado todas as categorias.
A frequncia da ltima categoria deveria ser 100% ou prxima disto
6) Agrupe os tens de menor frequncia (<3%) dentro da categoria OUTROS.
7) Verifique se a categoria OUTROS est fora do limite de 80%

I&CIM

Pg.4

Pareto - Exerccio

Categoria
gua nos conetores
Bitolas erradas
Cabos - cores erradas
Cabos curtos
Cabos faltantes
Cabos interrompidos
Cabos longos
Circuitos invertidos
Conectores errados
Crimpagem inadequada
Embalagem inadequada
Identificao errada
Selos errados
Terminais desligados
Terminais destravados

Ocorrncias

Categoria

Ocorrncias Frequncia

acumulado

43
3
1
74
186
11
13
216
12
19
6
157
89
75
101

I&CIM

Pg.5

Grficos de Barras
90
80
70
60
50
40
30
20

01

01

20

01

4Q

20

3Q

20

2Q

1Q

20

01

00

00
4Q

20

00

20

3Q

2Q

20

00

99
1Q

20

99

19

4Q

19

3Q

2Q

1Q

19

19

99

99

10
0

Essencialmente, um diagrama que apresenta os valores dos intervalos, onde as barras no


grfico no se tocam, nem tocam o eixo y.
Mais comumente, um grfico de barras ordenado por tempo, por exemplo: representao
trimestral de uma despesa.
Em geral, grficos de barras no so vistos como ferramentas analticas, mas sim como
ferramentas utilizadas para dispor ou verificar dados. Se o time estiver atacando despesas
trimestrais, ele pode mostrar o desempenho atual e suas melhorias validadas, usando um
grfico de barras.

Grfico de Tendncias, (Run Chart)


90
80
70
60
50
40
30
20

20

01
4Q

20

01
3Q

20

01
2Q

20

00
1Q

20

00
4Q

20

00
3Q

20

00
2Q

20

99
1Q

4Q

19

99

99

19

3Q

19

99

2Q

19
1Q

01

10
0

Representao similar ao grfico de barras, porm atravs do uso de linhas


SEMPRE, os pontos, ou ns, do grfico de linhas so ordenados pela sequncia no tempo, em
oposio ao grfico de barras, que pode ter outras representaes no eixo x.
Os mesmos dados usados no exemplo do grfico de barras so mostrados acima, em um
grfico de linhas.
I&CIM

Pg.6

Grfico de Pizza
Terminais Desligados
Circuitos Invertidos
Cabos Interrompidos
Crimpagem Inadequada
Circuito Faltante
Terminais Destravados
gua no Conector
Identificao Errada
Manuseio Inadequado
Conector Errado
Selo Errado
Cabos Curtos
Cabos Longos
Cabos - Cores Erradas

Usado para representar a frequncia ou ocorrncia de uma classe particular de eventos.


As fatias da pizza devem somar 100%, com relao frequncia ou ocorrncia de cada categoria, mas
dentro de cada fatia, a quantidade absoluta poder ser representada na escala do grfico.
Siga os mesmos procedimentos para construo de um diagrama de Pareto, para obter os dados
necessrios para construo do Grfico de Pizza. No ser necessrio, no entanto, calcular as
frequncias acumulativas.
Convencionou-se que a categoria mais frequente inicia na posio de 12:00 hs, e prossegue-se no
sentido horrio. Cada fatia continua em ordem decrescente, at completar o crculo.

Folha de Verificao
uma folha de coleta de dados usada para registrar as ocorrncias de um certo evento,
buscando padres nos dados, tanto para quantificar o problema quanto para ajudar a
entender o que est ocorrendo:
Coleta os dados em uma simples forma de tabela ou figura
Mostra tendncias com base em posies na figura (p.ex., os defeitos do lado direito da pea)
uma ferramenta para comunicao rpida e fcil
Leva descoberta da causa raiz e seleo de projetos
Os dados podem ser depois representados em um Pareto

I&CIM

Pg.7

Histograma
1
5

10

20.5

23.5

26.5

29.5 32.5

35.5

38.5

41.5

1.

Determine o nmero de dados em sua amostra

n = # de dados

2.

Determine a amplitude dos dados da amostra

R = Xmax - Xmin

3.

Determine o nmero de colunas do grfico


k = log2n + 1

ou:

k=

ou:

n
<50
50-100
101-250
>251

k .
05-07
06-10
07-12
10-20

4. Determine a largura das colunas

w = R/k

5. Determine o incio da primeira coluna

A1 = [Xmin(kwR)/2]

6. Determine as demais colunas

A2 = A1 + w

7. Some as ocorrncias em cada intervalo e plote o grfico

I&CIM

Pg.8

Histograma - Exerccio
Cycle Time
(in sec.)
96
101
102
101
107
94
95
99
98
101
105
103

Cycle Time
(in sec.)
101
103
103
102
106
105
105
104
101
104
102
104

Cycle Time
(in sec.)
100
98
97
98
96
102
101
100
100
93
94
95

Cycle Time
(in sec.)
99
99
96
97
98
98
97
100
101
100
101
100

I&CIM

Pg.9

Diagrama de Disperso
Varivel 1

Escolha os pares de pontos a plotar (um mnimo de 30 pares


uma boa regra prtica). Ajuste para sua situao particular.
Identifique o maior e o menor valor de cada varivel, para
estabelecer as escalas dos eixos.
Varivel 2

Plote os dados, marcando os pontos e identificando os eixos.

Correlao Positiva

Correlao Negativa

Sem Correlao

Exerccio
A
19
22
22
26
9
4
27
29
10
24

B
23
30
29
32
20
7
27
38
14
26

10
17
27
14
12
20
2
1
21
7

11
30
29
16
19
26
9
13
27
9
I&CIM

Pg.10

Medidas de Tendncia
Mdia (
, x)
um valor que representa a distribuio
uniforme de todos os valores da amostra
Influenciada pelos valores extremos
Chamada de X para simplificar

x =

i =1

xi

Mediana
Reflete a diviso do tamanho da amostra em duas metades
o valor central de um conjunto ordenado de nmeros
robusta quanto a valores extremos
M = X

n +1
2

se n impar ou M =

1
X
2

n
2

+X

n
+1
2

se n par

Moda
o valor com maior frequncia em uma amostra (podem ocorrer empates)
Tambm robusta a valores extremos

Medidas de Disperso
Amplitude:
Distncia numrica entre o maior e o menor valor em uma lista
= max min

Range

Varincia (
2 ; s2 ):
o desvio mdio ao quadrado de cada ponto individual com relao
mdia
n

s2 =

i =1

(X i X ) 2
n

usar n-1 para n<30 amostras

Desvio Padro (
; s):
A raiz quadrada da varincia
Medida mais comumente usada para quantificar a variao
n

s=

i =1

(X i X ) 2
n

usar n-1 para n<30 amostras


I&CIM

Pg.11

no Minitab

Descriptive Statistics: a
Variable
a

N
12

Mean
2,917

Variable
a

Minimum
1,000

Median
3,000

Maximum
4,000

TrMean
3,000

Q1
2,000

StDev
0,996

SE Mean
0,288

Q3
4,000

Exerccio
x = _____
M = ____
R = _____
10

20

30

40

50

60

70

s = _____
x = _____
M = ____
R = _____

10

20

30

40

50

60

70

s = _____
x = _____
M = ____
R = _____

10

20

30

40

50

60

70

s = _____
I&CIM

Pg.12

Distribuies
20
15
10
5
0
1 2 3 4 5 6 7 8 9 10 11 12 13

DISTRIBUIES DISCRETAS so compostas por dados discretos - ou por atributos.


O grfico destas distribuies de probabilidade (Diagrama de Barras) formado por
picos na locao particular dos valores discretos das probabilidades (nunca represente a
distribuio de probabilidades discreta com uma curva).
Cada um destes picos representa a probabilidade de ocorrncia de um valor particular
representado no eixo x.
A probabilidade de uma varivel X assumir um valor especfico xi representada por:

P{X = xi} = p(xi)


0.14
0.12
0.1
0.08
0.06
0.04
0.02
0

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

DISTRIBUIES CONTNUAS so compostas por dados contnuos ou variveis.


As probabilidades nestas distribuies so representadas por uma curva contnua.
Ao invs de estarmos interessados na probabilidade de ocorrncia de um valor particular,
que tende a zero, estamos interessados na probabilidade de ocorrncia de uma faixa ou
intervalo de valores. Desta forma, se estamos interessados na probabilidade de que um
valor particular x ocorra no intervalo de a at b, escrevemos:

P{a x b} =

b
a

f (x)dx
I&CIM

Pg.13

Distribuio Binomial
So distribuies que atendem as seguintes condies:

Todos os eventos possuem somente dois resultados possveis, que


chamamos de sucesso e fracasso.

Todos os eventos so idnticos, ou seja, so realizados sob as mesmas


condies.

Todos os eventos so independentes, ou seja, o resultado de um evento


no influencia nem influenciado pelo resultado de outro evento.

A probabilidade de sucesso a mesma em todos os eventos - chamada


probabilidade p.

n x nx
n!
P( X =x) =
pxqnx =
pq
x!(n x)!
x

=n p
2 =n pq

P = probabilidade de x sucessos em n eventos


x = nmero esperado de sucessos
n = nmero de eventos
p = probabilidade de sucesso em qualquer evento
q = 1 - p = probabilidade de fracasso em qualquer evento

Exerccio
Um supervisor suspeita que sua linha de montagem sofreu alguma modificao. Avaliando o
desempenho passado da linha, das ltimas 750 peas produzidas, 80% eram boas.
Ele definiu um sistema de inspeo onde a cada hora tomada uma amostra de 20 peas. Se
pelo menos 16 peas entre 20 estiverem boas, a linha continua produzindo. Quando esta
condio no atingida, a linha parada, e a causa raiz investigada.
Qual a probabilidade de parar a linha ao retirar uma amostra?

I&CIM

Pg.14

Distribuio Hipergeomtrica
N

A distribuio hipergeomtrica similar distribuio binomial, porm aqu avalia-se uma


amostra que grande (quando comparada com a populao), utilizando como referncia uma
mdia histrica de ocorrncia do evento.
Dada uma populao finita N, estamos interessados em uma classe ou categoria particular
D dos dados contidos em N. Comumente, D representa o nmero esperado de unidades
defeituosas na populao. Tomamos uma amostra desta populao, de tamanho n, sem
reposio. Esta amostra deve ser grande, se comparada ao tamanho da populao (em geral,
mais de 10% da populao). Estamos interessados na probabilidade P de encontrar x
elementos da categoria D nesta amostra.

P( X = x ) =

D
x

N D
nx
N
n

= np =

nD
N

2 =

(N n) npq
(N 1)

P = probabilidade de x elementos da amostra n


pertencerem subpopulao D
x = nmero esperado de elementos da subpopulao
D na amostra n
N = tamanho da populao
n = tamanho da amostra
D = tamanho da subpopulao

Exerccio
Estamos avaliando um novo fornecedor para um determinado material. O fornecedor atual
tem uma probabilidade de envio de 90% de peas boas em cada lote.
Uma amostra acaba de chegar do novo fornecedor, e ser avaliada usando o mesmo critrio
adotado para o fornecedor atual: para cada lote de 100 peas, amostramos 15.
Na inspeo, foram identificadas 2 peas defeituosas em cada amostra de 15 peas (por lote
de 100 peas).
Com base nesta amostra, devemos mudar de fornecedor?

I&CIM

Pg.15

Distribuio de Poisson
uma distribuio de probabilidades discreta aplicvel a eventos que tem uma
pequena taxa definida de ocorrncias por intervalo (uma unidade de tempo,
espao, etc.).
Esta taxa de ocorrncias chamada de parmetro , e define a forma da
distribuio de Poisson.
Conforme fica menor, mais a distribuio tem cauda longa para a direita;
conforme fica maior, mais simtrica a distribuio. sempre maior que
0.

ex
P(X = x) =
x!

P = probabilidade de x ocorrncias no intervalo definido


x = nmero esperado de ocorrncias no intervalo

= nmero mdio de ocorrncias por intervalo

2 =

O valor de pode ser aproximado por: = np quando o valor n de uma


distribuio binomial tende ao infinito, e p tende a 0.

Exerccio
A GE acabou de decidir comprar da Delphi todos os cabos para suas principais aplicaes
O cliente especificou que os cabos sejam enviados em bobinas de 500 metros, nas quais so
permitidos 2 defeitos no funcionais. Porm, para impressionar o cliente, decidimos enviar 25
bobinas perfeitas, sem nenhum defeito.
De acordo com dados histricos, a probabilidade de produzirmos uma bobina perfeita p =
0.00151. De nosso estoque de 10.000 bobinas, qual a possibilidade de encontrar 25 bobinas
perfeitas?

I&CIM

Pg.16

Distribuio Exponencial
uma distribuio de probabilidades contnua, que representa o tempo ou
espao entre ocorrncias de um evento.
Mais especificamente, a distribuio exponencial usada no estudo da
confiabilidade de peas/ sistemas, e representa o tempo decorrido at a falha.
A distribuio exponencial descrita pelo parmetro , que referencia a forma
da distribuio. Este parmetro o mesmo da Distribuio de Poisson.
Assim como na distribuio Normal, a rea total sob a curva da distribuio
Exponencial igual a 1.
A distribuio exponencial descrita pelo parmetro , conhecido como MTBF (Mean Time
Between Failures. Este se relaciona ao que vimos na distribuio de Poisson: =1
A probabilidade acumulativa at o valor x dada por:
x

F(x) = P(X x) =1e


=1/=

=1e

2 = 1 / 2 = 2

P = probabilidade de x ocorrncias no intervalo


x = nmero esperado de ocorrncias no intervalo
= nmero mdio de ocorrncias por intervalo

Exerccio
A planta RBE 13 possui uma ponte rolante que opera continuamente por 8 horas, diariamente,
com uma taxa de 12 paradas por dia.
Se cada movimentao da ponte dura 10 minutos, qual a probabilidade que o prximo material
seja transportado sem que fique retido por uma parada da ponte?

I&CIM

Pg.17

A Distribuio Normal
Ponto de inflexo
1

p(d)

A maioria dos processos tendem a seguir uma distribuio normal, ou de sino. Uma das
propriedades chave da distribuio normal que esta pode ser completamente caracterizada
por apenas dois parmetros:
a mdia, , ou posio dos dados
a disperso, , or largura dos dados

f ( x) =

1
2

1 x
2

< x < +

Outra caracterstica frequentemente usada da distribuio normal


a relao entre os percentuais da populao e o desvio padro:
68.2 % dos dados localizados dentro de 1 da mdia
95.4 % dos dados localizados dentro de 2 da mdia

99.7 % dos dados localizados dentro de 3 da mdia


99.99999975% dos dados localizados dentro de 6 da mdia

I&CIM

Pg.18

Distribuio Normal

Em uma distribuio normal, estamos interessados na probabilidade do resultado de um


evento pertencer a um dado intervalo. Por ser impraticvel calcular estes valores para cada
distribuio normal possvel, utilizamos uma tabela de valores para uma curva normal
especfica, e convertemos os valores da distribuio original para os valores desta tabela.
Para isso, utilizamos uma tabela de reas sob uma curva normal com = 0 e = 1.
Esta distribuio chamada Distribuio Normal Padronizada, ou Distribuio Z. A frmula de
converso que permite transitar entre a distribuio original X e a distribuio Z :

Z=

X = + Z

Onde Z o nmero de desvios padro que entre o ponto X e a mdia .

0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9

0.00
5.00E-01
4.60E-01
4.21E-01
3.82E-01
3.45E-01
3.09E-01
2.74E-01
2.42E-01
2.12E-01
1.84E-01

0.01
4.96E-01
4.56E-01
4.17E-01
3.78E-01
3.41E-01
3.05E-01
2.71E-01
2.39E-01
2.09E-01
1.81E-01

0.02
4.92E-01
4.52E-01
4.13E-01
3.74E-01
3.37E-01
3.02E-01
2.68E-01
2.36E-01
2.06E-01
1.79E-01

0.03
4.88E-01
4.48E-01
4.09E-01
3.71E-01
3.34E-01
2.98E-01
2.64E-01
2.33E-01
2.03E-01
1.76E-01

0.04
4.84E-01
4.44E-01
4.05E-01
3.67E-01
3.30E-01
2.95E-01
2.61E-01
2.30E-01
2.00E-01
1.74E-01

0.05
4.80E-01
4.40E-01
4.01E-01
3.63E-01
3.26E-01
2.91E-01
2.58E-01
2.27E-01
1.98E-01
1.71E-01

0.06
4.76E-01
4.36E-01
3.97E-01
3.59E-01
3.23E-01
2.88E-01
2.55E-01
2.24E-01
1.95E-01
1.69E-01

0.07
4.72E-01
4.33E-01
3.94E-01
3.56E-01
3.19E-01
2.84E-01
2.51E-01
2.21E-01
1.92E-01
1.66E-01

0.08
4.68E-01
4.29E-01
3.90E-01
3.52E-01
3.16E-01
2.81E-01
2.48E-01
2.18E-01
1.89E-01
1.64E-01

0.09
4.64E-01
4.25E-01
3.86E-01
3.48E-01
3.12E-01
2.78E-01
2.45E-01
2.15E-01
1.87E-01
1.61E-01

1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9

1.59E-01
1.36E-01
1.15E-01
9.68E-02
8.08E-02
6.68E-02
5.48E-02
4.46E-02
3.59E-02
2.87E-02

1.56E-01
1.33E-01
1.13E-01
9.51E-02
7.93E-02
6.55E-02
5.37E-02
4.36E-02
3.51E-02
2.81E-02

1.54E-01
1.31E-01
1.11E-01
9.34E-02
7.78E-02
6.43E-02
5.26E-02
4.27E-02
3.44E-02
2.74E-02

1.52E-01
1.29E-01
1.09E-01
9.18E-02
7.64E-02
6.30E-02
5.16E-02
4.18E-02
3.36E-02
2.68E-02

1.49E-01
1.27E-01
1.07E-01
9.01E-02
7.49E-02
6.18E-02
5.05E-02
4.09E-02
3.29E-02
2.62E-02

1.47E-01
1.25E-01
1.06E-01
8.85E-02
7.35E-02
6.06E-02
4.95E-02
4.01E-02
3.22E-02
2.56E-02

1.45E-01
1.23E-01
1.04E-01
8.69E-02
7.21E-02
5.94E-02
4.85E-02
3.92E-02
3.14E-02
2.50E-02

1.42E-01
1.21E-01
1.02E-01
8.53E-02
7.08E-02
5.82E-02
4.75E-02
3.84E-02
3.07E-02
2.44E-02

1.40E-01
1.19E-01
1.00E-01
8.38E-02
6.94E-02
5.71E-02
4.65E-02
3.75E-02
3.01E-02
2.39E-02

1.38E-01
1.17E-01
9.85E-02
8.23E-02
6.81E-02
5.59E-02
4.55E-02
3.67E-02
2.94E-02
2.33E-02

2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9

2.28E-02
1.79E-02
1.39E-02
1.07E-02
8.20E-03
6.21E-03
4.66E-03
3.47E-03
2.56E-03
1.87E-03

2.22E-02
1.74E-02
1.36E-02
1.04E-02
7.98E-03
6.04E-03
4.53E-03
3.36E-03
2.48E-03
1.81E-03

2.17E-02
1.70E-02
1.32E-02
1.02E-02
7.76E-03
5.87E-03
4.40E-03
3.26E-03
2.40E-03
1.75E-03

2.12E-02
1.66E-02
1.29E-02
9.90E-03
7.55E-03
5.70E-03
4.27E-03
3.17E-03
2.33E-03
1.69E-03

2.07E-02
1.62E-02
1.25E-02
9.64E-03
7.34E-03
5.54E-03
4.15E-03
3.07E-03
2.26E-03
1.64E-03

2.02E-02
1.58E-02
1.22E-02
9.39E-03
7.14E-03
5.39E-03
4.02E-03
2.98E-03
2.19E-03
1.59E-03

1.97E-02
1.54E-02
1.19E-02
9.14E-03
6.95E-03
5.23E-03
3.91E-03
2.89E-03
2.12E-03
1.54E-03

1.92E-02
1.50E-02
1.16E-02
8.89E-03
6.76E-03
5.08E-03
3.79E-03
2.80E-03
2.05E-03
1.49E-03

1.88E-02
1.46E-02
1.13E-02
8.66E-03
6.57E-03
4.94E-03
3.68E-03
2.72E-03
1.99E-03
1.44E-03

1.83E-02
1.43E-02
1.10E-02
8.42E-03
6.39E-03
4.80E-03
3.57E-03
2.64E-03
1.93E-03
1.39E-03

I&CIM

Pg.19

Distribuio Normal Exerccio

Em uma linha de manufatura, so conhecidas a mdia histrica e o desvio padro do


processo, que correspondem a:
= 35,00mm e = 3,5mm
Sabendo que o ndice de rejeio desta linha de 5% das peas abaixo do limite mnimo, e
de 3% das peas acima do limite mximo, encontre os valores dos limites de especificao.

I&CIM

Pg.20

Exerccio

Manoel uma pessoa fictcia, porm sua sobre-reao variao,


ou mtodos de ajuste so bem comuns. Classifique cada um dos
seguintes usando as quatro regras de ajuste:

Reagir a uma simples queixa do cliente, ou empregado, sem entender se esta devida a
causa comum ou causa especial.
Recalibrar a mquina para um ponto de referncia comum e ajustar a mquina com base nos
resultados da ltima pea.

Revisar a ficha de processo sempre que os parmetros do processo forem alterados pelo
operador.

Trabalhadores antigos treinando trabalhadores novos.

Ajustar as variveis crticas do processo para coincidir com os ajustes do ltimo lote de
peas.
Ajustar os nveis de inventrio com base nos dados do ltimo trimestre, quando a variao
foi devida a causas comuns.
Durante as atividades de desenvolvimento de produto, os projetistas referenciam formas,
dimenses ou especificaes de desenhos de produtos similares.
Reorganizar as mquinas e o fluxo de produo, com base em uma simples avaliao dos
tempos de setup/operao, e na observao do fluxo do processo.

1 - No ajustar o processo.
2 - Ajustar o processo na direo oposta ao ltimo ajuste.
3 - Zerar o processo, e ajustar na direo oposta ao ltimo ajuste.
4 - Ajustar o processo com o valor do ltimo resultado.

I&CIM

Pg.21

Testando a Normalidade no Minitab

I&CIM

Pg.22

Transformao Box-Cox

Box-Cox Plot for Gamma


95% Confidence Interval

0.9

Last Iteration Info


Lambda

0.8
0.7

StDev

0.6

StDev

Low -0.056

0.065

Est

0.000

0.062

Up

0.056

0.061

0.5
0.4
0.3
0.2
0.1
0.0
-0.25

0.00

0.25

0.50

0.75

1.00

Lambda
I&CIM

Pg.23

Teorema do Limite Central

A regra que nos permite lidar com amostras conhecida como Teorema do Limite Central:
A distribuio das mdias das amostras de uma populao tende a ser normal, mesmo que
a populao no seja normal, desde que a amostra seja suficientemente grande.
Como consequncia deste teorema, temos que:
A mdia das mdias das amostras igual mdia da populao.
O desvio padro das mdias das amostras igual ao desvio padro da populao dividido pela
raiz quadrada do tamanho da amostra. Este desvio chamado Erro Padro da Mdia
(Standard Error of the Mean).

sx =

=x

A exigncia de que a amostra seja suficientemente grande um pouco nebulosa, porque o tamanho
necessrio da amostra depende da forma da populao a ser amostrada.
Se a populao for normal, todas as distribuies das amostras sero exatamente normais,
independente do tamanho de cada amostra. Para outras distribuies, tais como a de Poisson, a
normalidade comea a ficar aparente quando n~5. J para amostras da distribuio exponencial,
somente com n~30 temos evidncias de normalidade.
Embora seja difcil dizer exatamente qual o tamanho mnimo necessrio para se garantir uma
aproximao da normalidade, em geral um valor de n = 30 mais que adequado. Amostras onde n>30
so consideradas suficientemente grandes, para qualquer distribuio em estudo.

s
X

= X

= X

= S 3

= S 30

I&CIM

Pg.24

Estimando a Mdia da Populao


Grandes Amostras

Estimativa pontual: a mdia da amostra a melhor estimativa para a mdia da populao:

=y

O desvio padro desta estimativa :

A margem de erro :

O intervalo de confiana :

E=

E = Z ( ).
2

(y E) < < (y + E)
P /(1 ) = 90% : Z (1
P /(1 ) = 95% : Z (1
P /(1 ) = 99% : Z (1

) = 1,645

) = 1,960

) = 2,580

I&CIM

Pg.25

Estimando a Mdia da Populao


Pequenas Amostras

Estimativa pontual: a mdia da amostra a melhor estimativa para a mdia da populao:

=y

O desvio padro desta estimativa :

A margem de erro :

O intervalo de confiana :

E=

s
n

E = t ( , ).
2

s
n

(y E) < < (y + E)

I&CIM

Pg.26

Estimando a Diferena entre Duas Mdias,


Amostras Grandes

Estimativa pontual: a diferena entre as mdias das duas amostras a melhor estimativa para
a diferena entre as mdias das duas populaes:

1 2 = ( y1 y 2 )
O desvio padro desta estimativa :

( y

1 y2

12 22
=
+
n1 n2

A margem de erro :

12 22

E = z / 2
O intervalo de confiana :

n1

n2

(y y ) E < ( ) < (y y )+ E
1

Nota: quando n1 e n2 so maiores que 30, as varincias das amostras, s12 e s22, podem ser
usadas para estimar 12 e 22
P /(1 ) = 90% : Z (1

) = 1,645

P /(1 ) = 95% : Z (1

) = 1,960

) = 2,580

P /(1 ) = 99% : Z (1

I&CIM

Pg.27

Estimando a Proporo de uma Populao

Estimativa pontual: a proporo da amostra a melhor estimativa para a proporo da


populao:

p = y
n

O desvio padro desta estimativa :


pq
n

s=
A margem de erro :

O intervalo de confiana :

onde q = 1 - p

E = Z

pq
n

2
^

p E < p < p+ E
P /(1 ) = 90% : Z (1

) = 1,645

P /(1 ) = 95% : Z (1

) = 1,960

P /(1 ) = 99% : Z (1

) = 2,580

I&CIM

Pg.28

Diferena Entre as Propores de Duas


Populaes

Estimativa pontual: a diferena entre as propores das duas amostras a melhor estimativa
para a diferena entre as propores das duas populaes:

(p1 - p 2 ) = ( p 1 p 2 )
O desvio padro desta estimativa :

p 1 q1 p 2 q 2
+
n1
n2

s=
A margem de erro :

O intervalo de confiana :

E = Z

p 1 q1 p 2 q 2
+
n1
n2

(p1 p2 ) E < (p1 p2 ) < (p1 p2 ) + E


P /(1 ) = 90% : Z (1

) = 1,645

P /(1 ) = 95% : Z (1

) = 1,960

P /(1 ) = 99% : Z (1

) = 2,580

I&CIM

Pg.29

Determinando o Tamanho da Amostra


O tamanho da amostra pode ser determinado a partir das equaes abaixo:
Para amostras grandes:

para amostras pequenas:

para propores:

n=

Z
h

n=

ts
h

n=

Z 2 pq
h2

Exerccio
Um teste em uma amostra de 9 cigarros apresentou um contedo mdio de nicotina de
15,6mg com um desvio padro de 2,1mg.
Construa um intervalo de 99% de confiana para o verdadeiro mas desconhecido contedo de
nicotina nesta marca de cigarros.
Qual o tamanho de amostra necessrio para se construir um intervalo de 99% de confiana,
porm com apenas 1,0mg,

I&CIM

Pg.30