Aula 2 Modelando A Qualidade Do Processo

Professor: Leandro Zvirtes
UDESC/CCT
- Ajuste
- Operação Problemas
Processos (Variabilidade)
- Estabilidade
- Manutenção
Coleta e análise Ações de

sistemática de dados Melhoria
UDESC/CCT – ENGENHARIA DE PRODUÇÃO E SISTEMAS - Disciplina – Engenharia da Qualidade – Prof. Leandro Zvirtes
Os dados são a base para a tomada de decisões
confiáveis durante a análise de um problema;
Os dados são úteis quando eles geram algum tipo de ação

de melhoria;
Os dados podem ser:
Quantitativos: quando são representados através de um

número; são dados medidos (contínuos) ou contados
(discretos).
Qualitativos: quando são representados por símbolos,
palavras ou textos.
a Medidas de locação e variabilidade – Média, Mediana,
Desvio Padrão, Amplitude, Variância, Coef. Variação, etc.
b Distribuições de Freqüência – Histograma, Box Plot,

Dot Plot.
C
Distribuições de Probabilidade – Distribuição Normal,
Binomial, Poisson.
Para melhor interpretar os resultados obtidos com uma
amostra, são definidas algumas medidas:
Medidas de locação do valor central (posição)
Medidas de variabilidade (dispersão).
Mostram a tendência dos pontos se concentrarem em
torno de um determinado valor.
Há várias medidas de locação do valor central, cada

uma com suas vantagens e desvantagens.
Ex.: média aritmética, mediana, a

média ponderada, etc.
Invariavelmente as observações individuais irão apresentar
alguma dispersão em torno do valor central. Isso é chamado de
variabilidade ou dispersão dos dados.
Há várias medidas de variabilidade, cada uma com suas
vantagens e desvantagens.
Ex.: Amplitude, Desvio

padrão, Quartis, etc.
A distribuição de freqüência compreende a organização dos
dados de acordo com as ocorrências dos diferentes resultados
observados.
Histograma e polígonos de freqüência são representações

gráficas da distribuição de freqüência.
Ex. Histograma e Polígono de Freqüência
Polígono de Freqüência 25
25 20
20
Freqüências
Freqüência
15
15
10 10
5
5
0
1 2 3 4 5 6 7 8 9 0
1 2 3 4 5 6 7 8 9
Característica Analisada Característica Analisada
O histograma é um gráfico de barras no qual o eixo
horizontal, subdividido em vários pequenos intervalos,
apresenta os valores assumidos por uma variável de
interesse.
Um histograma é um resumo gráfico de variação de um

conjunto de dados. A natureza gráfica do histograma
permite visualizar padrões difíceis de ver em uma tabela
numérica.
Colete n dados referentes à variável cuja distribuição será analisada.
Determine o maior e menor valor do conjunto de dados;
Defina o limite inferior da primeira classe (LI), que deve ser igual ou
ligeiramente inferior ao menor valor das observações;
Defina o limite superior da última classe (LS), que deve ser igual ou
ligeiramente superior ao maior valor das observações;
Define-se o número de classes (K), que pode ser calculado usando
K = ne deve estar compreendido entre 5 e 20;
Conhecido o número de classes, define-se a amplitude de cada classe: a
= (LS - LI) / K;
Calcule os limites de cada intervalo
Construa uma tabela de distribuição de freqüência
Desenhe o histograma
Registre as informações importantes que devem constar no gráfico
Ex.: característica dimensional (mm)
20,2 21 24 24,6 25,5 26 27 28,3 29 29,2 29,9 30,8
30,9 31 31 31,2 31,4 31,6 31,6 31,8 32,1 32,2 32,2 32,2
32,4 32,6 34 34,5 34,7 34,8 35,3 35,6 35,7 35,8 36 36
36,1 38 38,1 38,4 38,5 38,7 38,7 39,1 39,4 39,7 41,3 41,9
42 42 42,1 42,3 43 43,7 44 44,6 45,8 46 49 50
Etapa 2 - Min = 20,2 e Max = 50

Etapa 3 - LI = 20
Etapa 4 - LS = 50
Etapa 5 = K = 60 ≅ 8
( LS − LI ) (50 − 20)
Etapa 6 = a = = = 3,75
K 8
Limite inferior da Limite superior da
classe classe
Intervalo de Classe Freqüência Absoluta Ex. Histograma

1- 20,00 a 23,75 2 14
15 13
2- 23,76 a 27,50 5
F req ü ên cia
3- 27,51 a 31,25 9 10 9 9
4- 31,26 a 35,00 14 5
6
5- 35,01 a 38,75 13 5
2 2
6- 38,76 a 42,50 9
0
7- 42,51 a 46,25 6 1 2 3 4 5 6 7 8
8- 46,26 a 50,00 2 Classes da Característica medida
Nº de observações em cada classse
Pico Duplo Platô Pico
Sino
isolado
Truncado Pico na Inclinado Pente

borda
Processo A Processo B
LIE LSE LIE LSE
Processo C
LIE LSE
Histograma vol. DQ
Normal
70 M ean 1004
S tDev 1,730
N 299
60
50
Frequencia
40
30
20 Temp. média – 25
Vol. ideal p/ conv. a
10 20 C
DQ = 1003
0
1002 1004 1006 1008
Volume
H is t o g r a m a G r a d u a ç ã o Alc o ó lic a ( °G L )
20
15
Freqüênciia
10
M ean 4 0 ,0 3
0 S tD e v 0 ,1 1 9 3
3 9 ,8 3 9 ,9 4 0 ,0 4 0 ,1 4 0 ,2 4 0 ,3 4 0 ,4 4 0 ,5 N 105
Mês MÉDIA DESVIO PADRÃO CP CPK
Abril 40,04 0,09798 1,01 0,80
Maio 40,03 0,1193 0,75 0,66
O box plot ( gráfico de caixa) é uma ferramenta exploratória de
análise de dados. O propósito deste gráfico é dar ao analista um
método eficiente de examinar um conjunto de dados, para se ter
uma primeira idéia da distribuição desses dados.
O box plot é especialmente útil quando trabalhamos com

conjuntos limitados de dados para os quais outras ferramentas
(tais como histogramas, que requerem 50 – 200 pontos) podem
ser inválidas ou insuficientes.
Através da disposição dos valores em ordem crescente tem-se uma
idéia clara sobre a localização e a dispersão dos dados. Para o gráfico
box plot precisamos calcular: limite da haste inferior, limite da haste
superior, primeiro quartil, terceiro quartil e a mediana.
Limite haste superior

25%
Terceiro Quartil
Escala
25%
Mediana
25%
Primeiro Quartil
25%
Limite haste infrerior
1. Colete n dados referentes à variável de interesse
2. Disponha os dados em ordem crescente. Calcule a
mediana, Q1 e Q3.
3. Identifique o valor (MIN) e o valor (MAX) da amostra.
4. Trace um eixo horizontal e marque este eixo com uma
escala adequada e de fácil leitura.
5. Sobre o eixo horizontal, desenhe um retângulo da seguinte
forma:
* posicione a extremidade esquerda do retângulo em
Q1
* posicione a extremidade direita do retângulo em Q3
* no interior do retângulo trace um linha vertical na
posição da mediana
6. Desenhe uma linha a partir da extremidade esquerda do
retângulo até a menor observação encontrada na faixa à
distância de 0 a 1,5 (Q3-Q1) da extremidade esquerda do
retângulo.
7. Desenhe uma linha a partir da extremidade direita do
retângulo até a maior observação encontrada na faixa à
distância de 0 a 1,5 (Q3-Q1) da extremidade direita do
retângulo.
8. Desenhe asteriscos para marcar as observações localizadas a
uma distância de 1,5 (Q3-Q1) a 3 (Q3-Q1) de cada
extremidade do retângulo.
* Possíveis “outliers”
9. Desenhe círculos para marcar as observações localizadas a
uma distância superior a 3 (Q3-Q1) de cada extremidade do
retângulo.
* Prováveis “outliers”
10. Registre as informações importantes que devam constar no
gráfico
* título
* período coleta de dados
* tamanho da amostra
* identificação dos eixos
* etc.
Qdo a distribuição dos dados é simétrica, a linha que
representa a mediana estará localizada mais ou menos no
centro do retângulo e as duas linhas que partem das
extremidades do retângulo terão aproximadamente os
mesmos comprimentos.
Qdo a distribuição dos dados é assimétrica à direita, a linha

que representa a mediana estará mais próxima de Q1 do que
de Q3.
Qdo a distribuição dos dados é assimétrica à esquerda, a linha

que representa a mediana estará mais próxima de Q3 do que
de Q1.
Tr a ns por ta dor a s A , B , C
17.5
15.0
Dias de Atraso
12.5
10.0
7.5
5.0
A B C
O box plot também pode ser desenhado na posição vertical
e horizontal. Pode ser utilizado na comparação de dois ou
mais conjuntos de dados e na comparação com outras
ferramentas.
C o m p a r a ç ã o H is to g r a m a e B o x P lo t
A n d e r s o n - D a r lin g N o r m a lit y T e st
A -S q u a re d 0 .6 1
P - V a lu e 0 .1 0 7
M e a n 7 2 .2 5 2
S tD e v 0 .0 1 0
V a r ia n c e 0 .0 0 0
S k e w n e ss 0 .5 5 8 8 5
K u r t o s is 1 .7 4 7 5 6
N 1 0 0
M in im u m 7 2 .2 2 4
1 s t Q u a r t ile 7 2 .2 4 4
M e d ia n 7 2 .2 5 1
3 r d Q u a r t ile 7 2 .2 5 8
7 2 .2 3 7 2 .2 4 7 2 .2 5 7 2 .2 6 7 2 .2 7 7 2 .2 8 7 2 .2 9 M a x im u m 7 2 .2 8 8
9 5 % C o n f id e n c e I n te rv a l fo r M e a n
7 2 .2 5 0 7 2 .2 5 4
9 5 % C o n f id e n c e I n t e r v a l f o r M e d ia n
7 2 .2 4 9 7 2 .2 5 3
9 5 % C o n f id e n c e I n te rv a l fo r S tD e v
9 5 % C o n fid e n c e I n t e r v a ls 0 .0 0 9 0 .0 1 1
M ean
M e d ia n
7 2 .2 4 9 7 2 .2 5 0 7 2 .2 5 1 7 2 .2 5 2 7 2 .2 5 3 7 2 .2 5 4
Limite haste sup. = 3 Quartil + 1,5 * (3 Quartil – 1 Quartil)
3 Quartil (75%)
Mediana (50%)
1 Quartil (25%)
Limite haste inf. = 1 Quartil - 1,5 * (3 Quartil – 1 Quartil)

Se um conjunto de dados é organizado em ordem
crescente, o valor central é a mediana.
Valores que dividem o conjunto em quatro partes

iguais são representados por Q1, Q2, Q3 e denominam-
se primeiro, segundo e terceiro quartis, respectivamente.
O segundo quartil (Q2) é a mediana.

O primeiro e o terceiro quartis são calculados usando-
se o seguinte procedimento:
partindo de uma amostra de tamanho n, colocar os
valores em ordem crescente e identificar a ordem i (1,
2, 3, …, n) e o percentil p(i) = (i-0,5)/n associado a
cada valor.
identificar os valores associados aos percentis
imediatamente acima e abaixo de 0,25; esses valores
são chamados respectivamente de x (inf), associado
ao percentil p (inf), e x (sup), associado ao percentil p
(sup).
e então calcular o primeiro quartil usando:
[ p (sup) − 0,25] × x(inf) + [0,25 − p (inf)] × x(sup)
Q1 =
p (sup) − p (inf)
Similarmente, para o terceiro quartil, identifica-se os
valores associados aos percentis imediatamente
acima e abaixo de 0,75; esses valores são chamados
respectivamente de x(inf), associado ao percentil
p(inf), e x(sup), associado ao percentil p(sup).
E então calcula-se o terceiro quartil usando:
[ p(sup) − 0,75] × x(inf) + [0,75 − p(inf)] × x(sup)

Q3 =
p(sup) − p (inf)
x( i ) i p( i ) = ( i - 0,5 ) / n
10,3
10,8
1
2
0,033
0,100
Exemplo: Para a amostra a
11,0 3 0,167 seguir calcular o primeiro e
11,5 4 0,233 terceiro quartis.
11,8 5 0,300
12,1 6 0,367
12,7 7 0,433
13,0 8 0,500 Amostra: 10,3 ; 10,8 ; 11,0 ;
13,2 9 0,567 11,5 ; 11,8 ; 12,1 ; 12,7 ; 13,0 ;
13,6 10 0,633 13,2 ; 13,6 ; 13,9 ; 14,7 ; 14,8 ;
13,9 11 0,700
14,7 12 0,767
15,3 ; 15,9.
14,8 13 0,833
15,3 14 0,900
15,9 15 0,967
valores imediatamente acima e abaixo de 0,25: x(inf)
= 11,5 e x(sup) = 11,8 associados com p(inf) = 0,233
e p(sup) = 0,300
Q1 =
[0,300 − 0,25]× (11,5) + [0,25 − 0,233]× 11,8
= 11,57
0,300 − 0,233
valores imediatamente acima e abaixo de 0,75: x(inf)
= 13,9 e x(sup) = 14,7 associados com p(inf) = 0,700
e p(sup) = 0,767
Q3 =
[0,767 − 0,75]× (13,9) + [0,75 − 0,700]× 14,7 = 14,49
0,767 − 0,700
Os valores que estiverem acima do limite superior (haste
superior) ou abaixo do limite inferior (haste inferior) do box plot
serão considerados outliers.
Estes valores são considerados discrepantes, ou seja, não
fazem parte do comportamento esperado do grupo em estudo.
OBS:
nem sempre o valor máximo será aquele correspondente à
haste no gráfico, mas pode ser o valor outlier, como
representamos na figura a seguir.
B ox plot of A ; B
600
500
Data
400
300
200
A B
O gráfico de pontos (Dot Plot) empilha cada
observação obtido sobre uma escala horizontal,
permitindo visualizar a distribuição dos dados ao longo
desta.
É permitido para analisar distribuições. No eixo

horizontal (eixo x), divide-se a escala dos valores em
pequenos intervalos, sendo marcado um ponto por
obsevação.
Dotplot of Tempo de Espera
A análise dos
tempos de espera
para a realização de
um determinado
exame, utilizando o
gráfico de pontos,
com dados
coletados durante 3
meses. 10 15 20 25 30 35 40
Tempo de espera (min)
Each symbol represents up to 2 observations.
D o tp lo t o f T e m p o d e E s p e r a
10 15 20 25 30 35 40
T e m p o d e e s p e r a ( m in )
E a c h s y m b o l r e p r e s e n ts u p to 2 o b s e r v a tio n s .
Percebe-se que os pacientes esperam de 10 a 40 minutos pelo

atendimento, sendo estes tempos distribuidos de forma assimétrica, ou
seja, há uma maior concentração de pacientes esperando até 25 minutos e
a maioria dos pacientes esperam entre 14 e 19 minutos.
D o tp lo t o f M a n h ã ; T a r d e
M anhã
T a rde
10 15 20 25 30 35 40
T e m p o d e e s p e r a ( m in )
E a c h s y m b o l r e p r e s e n t s u p t o 2 o b s e r v a t io n s .
Para verificar se existe diferença entre os tempos de espera da

manhã e da tarde
Com a análise comparativa dos dados estratificados em
manhã e tarde, verifica-se que em ambos os turnos a
distribuição dos tempos de espera assemelha-se com a
distribuição geral.
Porém, no período da manhã os tempos concentram-se
entre 11 e 16 minutos, enquanto que a tarde estão
concentrados entre 17 e 20 minutos.
Logo, o turno da tarde exige ações corretivas mais urgentes
Usado para representar Distribuições de Freqüências
Utilizado para conjunto pequeno de dados
Possibilita a visualização completa das observações.
Na sua construção, cada observação é dividida em

duas partes:
Ramo
Folha
Exemplo extraído do site www.leg.ufpr.br
Distribuição dos valores de idade de ursos fêmeas.
Os 20 valores de idade (em meses) disponíveis, já ordenados são:
8 9 11 17 17 19 20 44 45 53 57 57 57 58 70 81 82 83 100 104
Podemos organizar os dados, separando-os pela dezenas, uma em cada
linha:
8 9
11 17 17 19
20
44 45
53 57 57 57 58
70
81 82 83
100 104
Como muitos valores em cada linha tem as dezenas em comum,
podemos colocar as dezenas em evidência, separando-as das
unidades por um traço. Ao dispor os dados dessa maneira, estamos
construindo um diagrama de ramo-e-folhas. O lado com as dezenas
é chamado de ramo, no qual estão dependuradas as unidades,
chamadas folhas.
Os ramos e as folhas podem representar quaisquer unidades de
grandeza (dezenas e unidades, centenas e dezenas, milhares e
centenas, etc). Para sabermos o que está sendo representado, um
ramo-e-folhas deve ter sempre uma legenda, indicando o que
significam os ramos e as folhas.
Se a idade estivesse medida em dias, por exemplo, usando esse
mesmo ramo-efolhas, poderíamos estabelecer que o ramo
representaria as centenas e as folhas, as dezenas. Assim, 0|8 seria
igual a 80 dias e 10|4 seria igual a 1040 dias.
Analisando o ramo-e-folhas para a idade dos ursos fêmeas,
percebemos a existência de três grupos: fêmeas mais jovens (até 20
meses), fêmeas mais crescidas (de 44 a 58 meses) e um grupo mais
velho (mais de 70 meses), com destaque para duas fêmeas bem mais
velhas.
O ramo-e-folhas também pode ser usado para comparar duas distribuições
de valores. Aproveitando o mesmo ramo do diagrama das fêmeas,
podemos fazer o diagrama dos machos, utilizando o lado esquerdo.
Observe que as folhas dos ursos machos são dependuradas de modo
espelhado, assim como explica a legenda, que agora deve ser dupla.
Observando a figura, notamos que os

ursos machos são, em geral, mais
jovens do que os ursos fêmeas, embora
possuam dois ursos bem idosos em
comparação com os demais.

Aula 2 Modelando A Qualidade Do Processo

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Aula 2 Modelando A Qualidade Do Processo

Transféré par

Droits d'auteur :

Formats disponibles

Professor: Leandro Zvirtes

Coleta e análise Ações de

Os dados são úteis quando eles geram algum tipo de ação

Os dados podem ser:

Quantitativos: quando são representados através de um

b Distribuições de Freqüência – Histograma, Box Plot,

Medidas de locação do valor central (posição)

Medidas de variabilidade (dispersão).

Há várias medidas de locação do valor central, cada

Ex.: média aritmética, mediana, a

Ex.: Amplitude, Desvio

Histograma e polígonos de freqüência são representações

Um histograma é um resumo gráfico de variação de um

Etapa 2 - Min = 20,2 e Max = 50

Intervalo de Classe Freqüência Absoluta Ex. Histograma

Nº de observações em cada classse

Truncado Pico na Inclinado Pente

LIE LSE LIE LSE

Mês MÉDIA DESVIO PADRÃO CP CPK

Abril 40,04 0,09798 1,01 0,80

Maio 40,03 0,1193 0,75 0,66

O box plot é especialmente útil quando trabalhamos com

Limite haste superior

Qdo a distribuição dos dados é assimétrica à direita, a linha

Qdo a distribuição dos dados é assimétrica à esquerda, a linha

Limite haste inf. = 1 Quartil - 1,5 * (3 Quartil – 1 Quartil)

Valores que dividem o conjunto em quatro partes

O segundo quartil (Q2) é a mediana.

[ p(sup) − 0,75] × x(inf) + [0,75 − p(inf)] × x(sup)

É permitido para analisar distribuições. No eixo

Each symbol represents up to 2 observations.

Percebe-se que os pacientes esperam de 10 a 40 minutos pelo

Para verificar se existe diferença entre os tempos de espera da

Utilizado para conjunto pequeno de dados

Possibilita a visualização completa das observações.

Na sua construção, cada observação é dividida em

Observando a figura, notamos que os

Vous aimerez peut-être aussi