[FM2S] Slides Módulo 04 - 05 - 06 - Green Belt

Prévia do material em texto

Green Belt
Analyze
▪ No Analyze iremos desenvolver as mudanças de 
segunda ordem que vão gerar as melhorias.
▪ 4 estratégias: Análise Crítica, Uso da Tecnologia, Uso da 
Criatividade, Conceitos de Mudança
▪ Como no Measure, podemos usar técnicas para propor 
as mudanças baseados nos dados e nos processos.
▪ As técnicas de processos visam melhorar os 
procedimentos e suas sequências. Exemplo: Poka-
Yokes, Análise de Valor, eliminação de desperdícios, etc.
▪ As técnicas de dados visam estabelecer um pensamento 
matemático de causalidade: Y = f(x). Exemplos: análise 
do banco de dados (regressão, etc.) e planejamento de 
experimentos.
▪ Ao final do Analyze, vamos ter várias mudanças que 
podem gerar melhorias. 
Analyze
Mapa do Analyze
Atividades
Entender o que se pode 
mudar no fluxo de maneira 
a gerar melhorias
Entender o que se pode 
mudar nas atividades para 
deixá-las melhores e mais 
rápidas.
Buscar no banco de dados 
correlações entre variáveis 
para entender o que se 
pode variar no processo de 
maneira a gerar um 
resultado melhor.
Aprenda mais sobre as 
correlações de variáveis 
com experimentos 
planejados
Priorizar as mudanças 
propostas para a 
realização de testes de 
mudança
Ferramentas
Desconexões, análise de 
valor, ECRS, Criatividade, 
Conceitos de Mudança
Poka-Yokes, Diagrama de 
Ishikawa, Análise de 
Tempo, Tecnologia, 
Benchmarking, 
Criatividade
Gráficos de dispersão, 
Análises de Regressão, 
Testes de hipóteses, 
Tabelas de contingência, 
Gráficos de Barras
Planejamento de 
experimentos; 
Experimentos Fatoriais; 
Experimentos Dicotômicos; 
etc.
Ciclo PDSA; Matriz de 
Impacto Esforço.
Saídas
Mudanças para melhorar o 
fluxo
Mudanças para melhorar 
as atividades
Alterações nos parâmetros 
de entrada que vão gerar 
melhoria
Alterações nos parâmetros 
de entrada que vão gerar 
melhoria
Plano de testes das 
mudanças desenvolvidas.
Formate suas
mudanças
Investigue os
experimentos
Analise seu
banco de dados
Analise os 
procedimentos
Analise
os processos
Vamos ver um case para 
entender o Analyze?
Analyze
As estratégias e
sub estratégias 
para a Mudança
As Macro Estratégias
Entender e analisar criticamente o processo atual
Usar Tecnologia
Usar Criatividade
Usar os Conceitos de Mudança
Entender e analisar criticamente o processo atual
Grupo Sub-Estratégia Ferramenta
Porta dos 
Processos
Entender a causa de um 
problema
Diagrama de Ishikawa
5 Porquês
Melhorar o fluxo para gerar 
mais valor
Desconexões
Análise de Valor
Os desperdícios do Lean
ECRS
Evitar erros e falhas Poka-Yoke
Porta de 
Dados
Buscar correlações
Gráfico de Dispersão
Análises de Regressão
Testes de Hipótese
ANOVA
Realizar experimentos
Planejamento de 
Experimentos
Lembre-se!
O objetivo de todas 
essas ferramentas é de 
gerar mudanças que 
vão se tornar melhoria.
Os Tipos de Mudança
Categorias
1ª Ordem 2ª Ordem
Sistema Não é alterado É alterado
Percepção do cliente Solução do problema Melhoria
Prazo Imediato, curto Médio, longo
Ferramentas para entender
a causa de problemas
É normal sempre identificarmos alguns problemas 
críticos em nosso mapeamento. Por exemplo:
▪ Reclamações de clientes;
▪ Riscos à saúde de pacientes;
▪ Problemas de Qualidade;
▪ Eventos inesperados;
▪ Etc.
Uma boa estratégia para buscar melhorias de 
segunda ordem é analisar estes pontos mais a 
fundo. Duas ferramentas clássicas nos ajudam a 
fazer isso:
▪ O Diagrama de Ishikawa (ou diagrama de Causa 
e Efeito);
▪ A ferramenta dos 5 Porquês.
Entendendo a Causa de um Problema
O diagrama
de Ishikawa
O que é o Diagrama de Ishikawa
É um diagrama que nos ajuda a 
identificar causas específicas
que expliquem determinado efeito.
A sua lógica está em partir de 
macro causas genéricas e 
caminhar para causas 
específicas, que são fáceis de 
serem transformadas em 
mudanças palpáveis.
Ele nos ajuda a analisar 
problemas, buscar mudanças, 
organizar conhecimento e 
disseminar informação.
Quando usar o Diagrama de Ishikawa
▪ Analisar defeitos e insatisfações do cliente, 
buscando suas causas;
▪ Fornecer uma metodologia inicial para 
análise de um fenômeno, defeito ou 
oportunidade de melhoria;
▪ Guiar o brainstorming para entendimento 
de um problema;
▪ Identificar possíveis ações para se resolver 
um problema ou eliminar um evento 
negativo;
▪ Analisar criticamente o processo na fase 
Analyze do roteiro DMAIC em Projetos de 
Melhoria.
Exemplo - Hotel
Diagrama de Ishikawa
Atividades
Entender o efeito, 
problema ou 
oportunidade de 
melhoria que será 
estudada e o seu 
contexto.
O facilitador define a 
metodologia de início de 
discussão e as causas.
A equipe sugere todas 
as possibilidades de 
subcausas prováveis.
Discutir quais ideias 
podem ser combinadas 
e aperfeiçoadas
Teste quais causas são 
reais e defina quais 
serão priorizadas
Ferramentas
▪ Fontes ativas 
(pesquisas, 
formulários, árvore 
CTC, etc);
▪ Fontes reativas 
(reclamações, 
defeitos, etc).
▪ 6M;
▪ 4P;
▪ Afinidades;
▪ Processos;
▪ Componentes.
▪ Brainstorming;
▪ RNC.
▪ 5 Porquês;
▪ RNC.
▪ Gráfico de Pareto;
▪ Testes e 
Experimentos;
▪ RNC.
Saídas
Efeito descrito na ponta 
do diagrama
Causas nas espinhas do 
diagrama
Subcausas nas espinhas 
do diagrama
Diagrama de Ishikawa Mudanças
5. Proponha 
Mudanças
4. Revise o 
Diagrama
3. Colete as 
subcausas
prováveis
2. Defina a 
metodologia de 
início da 
discussão
1. Defina o seu 
efeito
▪ Ajuda a enfocar o aperfeiçoamento do 
processo;
▪ Registra visualmente as causas 
potenciais que podem ser revistas e 
atualizadas;
▪ Provê uma estrutura para o 
brainstorming;
▪ Envolve todos;
▪ Reduz a tendência de encontrar uma 
única causa para um problema.
Vantagens de utilizar o Diagrama de Ishikawa
Pontos de atenção ao elaborar o Diagrama de Ishikawa
▪ Não deixe o brainstorming virar bate-
papo;
▪ Não se “apaixone” por uma causa;
▪ Cuidado com a escolha dos 
participantes da equipe;
▪ Cuidado com causas pouco 
prováveis;
▪ Confirme as causas antes de 
elaborar e executar os planos de 
ação.
▪ Não deixe de agir!
Os 5 porquês
Aprofundando-se nas causas
Os 5 porquês foi uma ferramenta criada na 
Toyota para fomentar o senso e crítico e a 
capacidade analítica no Gemba.
Seu objetivo é forçar o pessoal da base a 
investigar e propor boas mudanças. 
Se aplicado corretamente, ele aumenta a 
capacidade da operação na realização de 
Kaizens.
O que é a Ferramenta dos 5 Porquês?
Exemplo
Nível de entendimento de um problema Nível da mudança correspondente
Durante uma emergência era necessário fazer uma drenagem pulmonar 
mas não havia nenhum frasco coletor adulto disponível. Buscou-se nos 2 
arsenais da enfermagem e nenhum foi encontrado.
Use um frasco pediátrico mesmo.
Por quê não havia um frasco coletor adulto em nenhum lugar?
Porque não havia sido feita a compra de um frasco coletor. Compre frascos coletores para adultos.
Por quê compras não havia requisitado a compra?
Porque eles não haviam sido informados sobre a compra deste item.
Por quê eles não haviam sido informados?
Porque o pessoal da assistência não havia requisitado. Crie um formulário/sistema mais fácil para as requisições.
Por quê eles não haviam sido requisitados?
Porque eles não checaram o estoque. Crie um procedimento de checagem de estoque e insira na rotina.
Por que eles não checaram o estoque?
Com a correria do dia a dia, se esqueceram das atividades de rotina.
Implemente um quadro de checklist no Gemba com os pontos da rotina. 
Use a liderança para reforçar o seu preenchimento (diário de bordo).
Ao usar o “Por que?” atente para o fato de que a 
resposta em cada estágio corresponde a um 
determinado nível de entendimento do problema. 
E, para aumentar o entendimento, são 
necessários investigações e testes. 
Não é um exercícios de chutes numa sala 
fechada feito em 30 minutos!
Para cada nível deentendimento do problema 
há uma mudança correspondente.
Cuidados Extras
Cuidados! Você já viu RNC?
É muito comum encontrarmos os famosos 
Relatório de Não Conformidade (RNCs) em 
empresas auditadas pela ISO. 
E, neste relatório há um Ishikawa e uma análise 
dos 5 porquês para ser preenchida sobre a não 
conformidade encontrada. 
Problema: muitas vezes, por motivo de prazo ou 
desinformação, as pessoas preenchem este relatório com 
teorias não testadas sobre o que eles acham serem as 
causas. Isto é errado. Uma investigação de causas como 
vimos, envolve testes, definição de hipóteses e muita 
investigação antes de preenchermos o RNC. Preenchê-lo em 
“30 minutos” causará um aumento de custos e perda de 
validade na análise. 
Ferramentas para 
entendimento e 
melhoria do fluxo
No mapeamento, também podemos ter 
problemas de fluxo. Por exemplo:
▪ Processos redundantes;
▪ Etapas que não são necessárias;
▪ Etapas difíceis de serem feitas;
▪ Desconexões...
Algumas ferramentas nos ajudam a, a partir de 
um fluxograma, entender o que é necessário ou 
não e o que fazer com as atividades que não 
são necessárias. São elas:
▪ Análise de Desconexões;
▪ Análise de Valor;
▪ Os 7 desperdícios clássicos;
▪ Ferramenta do ECRS.
Melhorando o Fluxo
Desconexões
Como encontrar os fios desligados do seu processo?
O que é uma desconexão?
Uma desconexão é um 
desvio, erro ou disrupção em 
um fluxo de trabalho, que 
impede o alcance de uma 
situação desejada.
São os fios soltos em 
um processo.
Exemplos de Desconexões
Saídas
▪ Está produzindo alguma 
saída desnecessária?
▪ Está deixando de 
produzir saídas para os 
clientes adequados?
▪ Está deixando de atender 
expectativas de 
qualidade dos clientes? 
de prazo? 
▪ Está deixando de atender 
expectativas internas de 
produtividade? de 
custos?
Entradas
▪ Está deixando de receber 
alguma entrada 
necessária?
▪ Está recebendo alguma 
entrada desnecessária?
▪ Existem entradas 
chegando de 
fornecedores errados?
▪ Existem entradas 
deixando de atender 
expectativas de 
qualidade, prazo, custo 
ou produtividade?
Atividades
▪ Estão sendo realizadas 
na hora certa no 
processo?
▪ Estão sendo realizadas 
pelas áreas/pessoas 
certas?
▪ Estão criando gargalo?
▪ Agregam valor para o 
cliente?
▪ Apresentam 
redundância?
▪ É um ponto de inspeção 
ou de decisão?
▪ Apresentam ciclos de 
retrabalho?
▪ Estão sendo executados 
no tempo programado?
As desconexões são encontradas no 
mapeamento do processo. 
Algumas dicas:
▪ Use o SIPOC para avaliar as conexões entre 
as pessoas;
▪ Busque pelas desconexões citadas;
▪ Entenda o impacto de falta ou excesso de 
informações. 
▪ Desenvolva as suas mudanças.
Como encontrar uma desconexão?
Depois de encontrá-las, como tratá-las?
Plano de ataque às desconexões
Desconexão Sugestão
Análise de valor
A análise de valor é uma ferramenta que 
classifica tudo o que fazemos (como as 
etapas de um processo, os passos de 
uma atividade, etc.), para entender se 
aquilo está gerando valor para o cliente. 
Valor é aquilo que realmente é 
importante para o cliente, ou seja, aquilo 
que ele pagaria por. 
Fazemos muitas coisas que não 
agrega valor. Temos que entender o 
quais são e tentar mudar essa 
realidade.
O que é Análise de Valor
Toda análise de valor parte dos passos:
Saiba o que é valor para o seu cliente (interno e 
externo) – Isso vem do Measure e do Define.
Descubra, no detalhe, o que está acontecendo – este 
é o mapeamento de processos do Measure.
Critique as atividades sendo realizadas. Classifique-
as.
Tome ações para mudar o que está acontecendo.
Como fazer?
1
2
4
3
As classificações
Atividade
AV NAV
Necessária Desnecessária
ReduzaAcerte o fluxo Elimine
Coloque as atividade 
em uma sequência 
natural 
Reduza essas atividades e 
sua interferência no fluxo 
de valor 
Tipos
Ação
Detalhes
Classificar cada passo do processo como AV ou NAV. Propor um novo fluxo contendo
somente as atividades que agregam valor.
“A empresa tem um departamento de transportes que providencia o veículo”. Um
funcionário tem necessidade de viajar a trabalho e utiliza carro providenciado pela
empresa.
1. Funcionário liga p/ setor de transportes para verificar a disponibilidade de carro da 
empresa na data 
2. Se sim, funcionário pede para reservar carro da frota, informando a data de uso e 
prontuário. Se não, funcionário pede para alugar um carro, informando a data de uso e 
prontuário
3. Funcionário preenche solicitação em papel (tanto faz, para carro da frota ou alugado) 
4. Funcionário passa solicitação para superior carimbar e assinar 
5. Funcionário espera retorno da solicitação carimbada e assinada 
6. Funcionário envia solicitação para transportes 
7. Funcionário liga para transportes para informar que foi enviada a solicitação
8. Transportes espera chegada da solicitação 
9. Transportes providencia o carro (da empresa ou alugado) p/ a data de uso
10. Funcionário liga para Transportes na véspera para ver se “está tudo ok” 
11. Funcionário passa no transportes para pegar a chave e ticket combustível
12. Funcionário pega o carro.
Exercício
Os 7 desperdícios
Lean e desperdícios
Um dos maiores objetivos do Lean é 
eliminar desperdícios do processo 
produtivo.
Mas, o que são desperdícios?
Desperdício (無駄):
Toda a atividade que consome 
energia e recursos sem agregar valor 
ao cliente, ou seja, aquilo que 
fazemos mas que o cliente não está 
disposto a pagar. 
Tudo a ver com análise de valor!
https://en.wiktionary.org/wiki/%E7%84%A1%E9%A7%84
Identificando os desperdícios
Parece simples...
Entretanto, encontrar estas atividades 
pode ser difícil. 
Pensando nisso, vários autores 
experientes na prática do Lean listaram 
7 desperdícios visuais, que podem ser 
facilmente identificados e quantificados 
em uma visita ao Gemba (chão de 
fábrica)
Os 7 desperdícicos clássicos
Superprodução (excesso de quantidade)
Espera
Transporte (de material)
Movimentação (de pessoal)
Inventário (estoque)
Defeitos
Superprocessamento (excesso de funcionalidade)
1
2
7
6
5
4
3
Desperdícios são visuais!
A Ferramenta do ECRC
O ECRS é uma ferramenta, um modo de 
pensar, que nos ajuda a desenvolver 
mudanças em processos que não agregam 
valor. Foi criada pelos americanos na 
Segunda Guerra e serviu de base para boa 
parte das ferramentas modernas (como o 
SMED, para redução de tempo de setup). 
Como o próprio nome já diz, temos que 
olhar para o mapeamento e pensar:
▪ O que pode ser Eliminado?
▪ O que pode ser Combinado?
▪ O que pode ser Reduzido?
▪ O que pode ser Simplificado?
O que é o ECRS?
Exemplo para Eliminar:
▪ Coletar informações que não são usadas;
▪ Atividades que são desperdícios;
▪ Relatórios que não serão analisados;
▪ Inspeções, uma vez que o processo esteja 
redondo.
Exemplo para Combinar:
▪ Atividades redundantes (ligar e mandar e-
mail);
▪ Coleta de informações e sistemas;
▪ Coleta de informações e checklists
Exemplo
Exemplo para Reduzir:
▪ Coleta de informações (como realizar múltiplos 
exames);
▪ Verificações;
▪ Pontos de aprovação/inspeção;
Exemplo para Simplificar:
▪ Atividades que dependem de especialistas;
▪ Burocracias;
▪ Equipamentos de difícil manuseio;
▪ Avaliação de padrões;
▪ Classificações excessivas;
Ferramentas para 
evitar erros
Erros frequentemente são apontados 
em um mapeamento de processos. 
Exemplos são:
▪ Erros de operação;
▪ Erros de montagem/posicionamento;
▪ Esquecimentos;
▪ etc..
As ferramentas que mais nos ajudam a 
entender estes erros e evita-los são:
▪ Poka-Yokes;
Evitando Erros
Processos a prova de falhasExercícios
Poka yoke
Processo à prova de erros e falhas
Exemplos de processos complicados
Significado
À prova de erros ou de falhas
Objetivo
Eliminar ou prevenir não conformidades de processo utilizando 
dispositivos ou sensores e assegurar que os mesmos estejam 
funcionando adequadamente.
Motivação:Por mais treinado que alguém esteja,
um ser humano sempre vai errar.
Poka Yoke
A prova disso:
Vamos fazer um desafio no próximo slide.
Todos sabem contar?
Todos sabem identificar letras?
Estão treinados nessas atividades?
Vocês terão 1 minuto...
Poka Yoke
“The necessity of training farm hands for first class farms in the 
fatherly handling of farm livestock is foremost in the eyes of farm 
owners. Since the forefathers of the farm owners trained the farm 
hands for first class farms in the fatherly handling of farm live stock, 
the farm owners feel they should carry on with the family tradition of 
training farm hands of first class farmers in the fatherly handling of 
farm live stock because they believe it is the basis of good 
fundamental farm management.”
Conte quantas vezes a sexta letra 
do alfabeto aparece no texto!
Detectivo (Mistake Profing): 
Detecta a falha ou defeito, caso ocorra, e previne 
que a não-conformidade continue no processo.
Tipos de Poka Yoke
Preventivo (Error Profing): 
Elimina a possibilidade de ocorrência da 
falha ou defeito específico, através do 
projeto.
Poka Yoke Preventivo
▪ Microondas não funciona com porta 
aberta;
▪ Moto não liga se estiver engrenada e 
com o pezinho abaixado;
▪ Boia da caixa d’água evita que água 
vaze da caixa;
▪ Farol dos carros se apaga quando a 
chave é retirada do contato
Exemplos
Poka Yoke Detectivo
▪ Indicador no painel dos 
automóveis, que indica que o 
motorista não está usando o cinto 
de segurança;
▪ Carros que emitem som ao abrir a 
porta quando o farol está aceso e 
o veículo desligado. 
Exemplos
Métodos
Lembretes Diferenciações
Restrições Exibições
Lembretes
Diferenciações
Restrições
Exibições
Uso da Tecnologia
Aplicação prática da ciência, incluindo 
equipamentos, materiais, sistemas de informação 
e métodos).
Alguns aspectos:
▪ Se bem empregadas, dão à empresa a oportunidade de 
grandes melhorias, aplicando o que os outros já 
desenvolveram;
▪ Requerem $ e tempo;
▪ É necessário testar em pequena escala p/ minimizar o risco;
▪ Como toda mudanças, sofrerá resistência das pessoas;
▪ É necessário ter plano de transição do velho para o novo.
O que é usar a tecnologia
Tecnologia não compensa erros de processo
Cuidados nas mudanças que envolvem 
tecnologia:
▪ Não automatize um sistema ruim: 
erros ocorrerão mais rápido e custo 
serão mais altos
▪ Reserve soluções tecnológicas p/ 
melhorar sistemas estáveis em vez de 
solucionar causas especiais;
▪ Concentre as mudanças nos gargalos
▪ Uma tecnologia não confiável é pior 
que nenhuma tecnologia
O que é usar a tecnologia
Uso da Criatividade
▪ O uso da criatividade é a aplicação de 
técnicas para quebrarmos nossos modelos 
mentais. 
▪ Existem várias técnicas que nos ajuda a 
fazer isso. 
▪ Estão disponíveis em nosso curso de 
Criatividade
O que é criatividade?
Possíveis Mudanças
Resultado:
Novas ideias de 
mudança
Conhecimento atual
Benchmarking
Conceitos de Mudança
O Benchmarking é uma ótima estratégia 
para se realizar mudanças. 
Para ajudar equipes de melhoria, a API 
fez um estudo grande com vários projetos 
nos EUA e viu que:
▪ Eles tinham objetivos parecidos;
▪ Soluções parecidas.
Pensando nisso eles criaram um guia para 
trabalhar com estas mudanças.
Esse guia está disponível no material 
adicional.
O que são os conceitos de mudança?
Conceitos de 
mudança
Eliminar
desperdícios
Melhorar
fluxo de 
trabalho
Otimizar
inventário
Mudar o 
ambiente de 
trabalho
Incrementar a 
Relação 
Produtor / 
Consumidor
Gerenciar o 
Tempo
Genrenciar
variação
Planejar
sistemas e 
evitar erros
Focar no 
produto ou
serviço
Correlação: 
associação entre variáveis
Como correlacionar variáveis de entrada com as de saída
Sistema de causas
Fornecedore
s
(suppliers)
Entradas
(inputs)
Processo
(process)
Saídas
(outputs)
Clientes
(clients)
Variáveis de 
input
Variáveis de 
processo
Variáveis de 
output
X1, X2, X3, ..., Xk Y
Y = f(X1, X2, X3, ..., Xk)
Correlacionar variáveis é entender como 
uma variável de entrada em nosso banco 
de dados (X) influencia em nossa variável 
de interesse (Y). 
Exemplo: a quantidade de farinha (x1) e a 
temperatura de assar o bolo (x2) influenciam 
em seu sabor (y)?
Para descobrir essas correlações, temos uma 
série de ferramentas. Elas podem ser simples 
(para amostras) ou então mais avançadas 
(para correlacionar populações).
O que é correlação?
X Y
Y numérica Y categórica
X numérica
Simples: gráfico de 
dispersão
Avançada: Análise de 
Regressão
Simples: histograma 
estratificado
Avançada: Regressão 
Logística
X categórica
Simples: histograma 
estratificado
Avançada: testes de 
hipótese/ANOVA
Simples: Pareto, gráfico 
de barras;
Avançadas: testes de 
hipótese para proporção
E como fazer?
Em seguida: Identifique a técnica a ser utilizada na tabela abaixo:
Correlação entre 
variáveis numéricas
Gráfico de dispersão e análises de regressão
O que é o gráfico de dispersão?
São gráficos que plotam de 
maneira cartesiana um conjunto 
de variáveis, de maneira a buscar 
correlações entre 2 ou mais 
variáveis. 
São extremamente simples, mas 
extremamente importantes.
Eles foram o embrião de toda a 
estatística de correlação, como as 
famosas análises de regressão e 
outras análises multivariadas. 
Exemplos
Exemplos
Exemplos
Vamos fazer alguns exercícios 
sobre correlação com o gráfico 
de dispersão. 
Hora do 
exercício
Gráfico de DispersãoMinitab
Gráficos de Dispersão
Lista de 
Exercícios 3 
Correção
Lista de 
Exercícios 3 
Análise de regressão
Regressão Linear
O Gráfico de Dispersão nos ajuda a entender 
se há ou não há uma correlação entre as 
variáveis. 
Entretanto, essa análise é apenas visual, ou 
seja, não temos parâmetros claros para 
avaliar a força e a existência de fato da 
correlação.
Isso nos faz ser incapaz de resolver problemas 
práticos, como:
▪ Qual variável influencia mais?
▪ Estamos entendendo toda a variação?
▪ Qual é o valor exato de uma variável Y para 
um dado conjunto de variáveis X.
X
Y
Regressão Linear
As análises de regressão linear, através do 
ajuste estatístico dos dados, nos ajuda a ter 
parâmetros para entender estes problemas. 
Podemos quantificar coisas como:
▪ O quanto minhas variáveis de entrada 
influenciam na variável de saída (através do 
R²)
▪ Em um banco de dados com muitas 
variáveis, o que influencia e o que não 
influencia (através do p-valor);
▪ Qual é o valor de Y para dadas 
configurações de X (através da equação da 
regressão). 
Regressão Linear
Geralmente os cálculos para 
determinar esses parâmetros não 
são tão simples (mas nem tão 
complicados assim). 
A boa notícia é que o Minitab faz 
isso pra gente. 
Nesta parte do curso, vamos focar 
nas análises de regressão do ponto 
de vista da interpretação dos 
resultados do Minitab.
Regressão Linear
Colete os dados
Analise seus dados 
graficamente
Crie sua curva ajustada 
de regressão no 
Minitab
Avalie a significância 
do R² e P
Avalie os resíduos
Tome uma decisão
Os parâmetros da 
regressão
Regressão Linear 
Os parâmetros – A curva de regressão
A equação dá a você uma 
estimativa do comportamento 
do processo. Além disso, ela te 
ajuda a estimar os valores de Y 
para determinados X’s.
Note que R² = 90,2%
Falaremos sobre isso mais tarde
Y = 2628 – 37,15x
De onde vem a linha de ajuste?
O Minitab encontra uma linha que minimizará as distâncias dos pontos plotados para a linha ....
Regressão Linear – Os parâmetros – o R²
R² = 90,2%
Isso significa que 90,2%
da variação pode ser 
explicada pela equação.
Ou seja, 9,8% são 
devido a outros fatores.
Exemplos de R²
R² = 87,6% R² = 11,6%
De onde vem o R²?
De onde vem o R²?
SSRegressão
SSTotal
R² 
= 1527843
1693738
R² = = 90,2%
Exemplo:
Regressão Linear – Os parâmetros – o p-valor
R-Sq = SSRegressão/ 
SSTotal
H0: Coefic. Angular = 0
(sem correlação)
H1: Coefic. Angular ≠ 0
(há correlação)
Quanto menor o p-valor, 
mais certeza temos que a 
variável influencia.
O p-valor é muito útil na 
Regressão Múltipla!
Regressão Múltipla
Regressão linear múltipla
Na regressão linear múltipla, colocamos vários 
outros coeficientes, que podem ou não serem 
diferentes de zero (fazendo a variável ser 
significativa): 
yi é a inteligência (PIQ) do aluno i
xi1 é o tamanho do cérebro (MRI) do aluno i
xi2 é a altura (Altura) do aluno i
xi3 é o peso (peso) do aluno i
yi=(β0+β1xi1+β2xi2+β3xi3)+ϵi
Podemos tentar predizer, por exemplo, se a 
inteligência pode ser prevista por características das 
pessoas (esse experimento foi feito!)
Os dados escolhidos para anotar foram:
Regressão linear múltipla
Não se desespere!
Regressão 
linear múltipla
Clique em “more...” se você quiser recapitular
Assistente do Minitab
ou
Assistente do Minitab
O que o assistente diz sobre a seleção do modelo para regressão simples
O que o assistente diz sobre a seleção do modelo para regressão simples
Assistente do Minitab
Assistente do Minitab: Menu
Seja cauteloso, 
permitindo que Minitab 
selecione seu modelo. 
Analise seus dados 
graficamente e consulte 
as leis da física antes 
de ajustar um modelo 
usando o assistente do 
Minitab
Alfa = 0,05
Assistente do Minitab: Relatório da Análise
Amount of data – tamanho de amostra pequeno. 
Seja um pouco cuidadoso ao avaliar a força do 
relacionamento
Unusual data – 2 pontos não estão adequados ao 
modelo
Normality – desde sua amostra esteja acima de 
15 observações, a normalidade não será um 
problema
Model fit – Avalie a amplitude para valores de x, 
possível curvatura e possíveis áreas de interesse 
especial
Assistente do Minitab: Relatório de Previsão
O Relatório de Previsão exibe o 
intervalo e o gráfico de predição 
para cada resposta prevista, 
fornecendo um intervalo que 
contenha um determinado ponto 
medido.
O intervalo de predição é sempre 
maior do que o intervalo de 
confiança por causa da incerteza 
adicional envolvida na previsão de 
uma resposta individual.
Assistente do Minitab: Relatório de Diagnóstico
Os valores de Residuals vs Fitted 
devem formar uma faixa reta.
Os resíduos devem exibir apenas 
variações aleatórias no gráfico de 
série temporal.
Há algum problema presente com 
este modelo?
O assistente escolheu um 
modelo linear
2 pontos de dados têm 
um ajuste fraco para o 
modelo escolhido 
(= grandes resíduos)
Abaixo do gráfico você 
encontra uma tabela de 
resumo contendo 
estatísticas-chave tanto 
para o modelo escolhido 
como para o modelo 
alternativo 
(= não escolhido)
Assistente do Minitab: Relatório de Diagnóstico
Assistente do Minitab: Sumário
Existe uma relação 
significativa entre Y e 
X, pois p está bem 
abaixo de 0,05
O modelo explica 90% 
da variação em Y
O coeficiente de 
correlação é de -0,95, 
indicando uma forte 
correlação negativa
Aqui está o 
gráfico de ajuste 
adequado, 
incluindo a 
equação de 
regressão 
escolhida
Comentários e
conclusões
Vamos treinar regressão!
Hora do 
exercício
Regressão Linear e MúltiplaMinitab
Regressão Linear e Múltipla
Lista de 
Exercícios 4 
Correção
Lista de 
Exercícios 4 
Alguns cuidados quando 
usamos gráficos de 
dispersão e regressão linear
Correlação x Causalidade
Rádios causam
loucura?
Outras correlações estranhas
Continuaremos estudando correlação
Fornecedore
s
(suppliers)
Entradas
(inputs)
Processo
(process)
Saídas
(outputs)
Clientes
(clients)
Variáveis de 
input
Variáveis de 
processo
Variáveis de 
output
X1, X2, X3, ..., Xk Y
Y = f(X1, X2, X3, ..., Xk)
Y numérica Y categórica
X numérica
Simples: gráfico de 
dispersão
Avançada: Análise de 
Regressão
Simples: histograma 
estratificado
Avançada: Regressão 
Logística
X categórica
Simples: histograma 
estratificado
Avançada: testes de 
hipótese/ANOVA
Simples: Pareto, gráfico 
de barras;
Avançadas: testes de 
hipótese para proporção
Continuaremos vendo nossas ferramentas de correlação
Em seguida: Identifique a técnica a ser utilizada na tabela abaixo:
Correlação entre 
variáveis categóricas
Gráficos de Frequência e Testes de Hipótese
A correlação com variáveis categóricas 
geralmente passa ou por estudar a 
frequência (histograma, por exemplo) da 
variável de interesse (y) para vários valores 
de x, ou por comparar estatísticas de y para 
valores de x. 
Exemplos de estatísticas que avaliamos são:
▪ A média;
▪ O desvio padrão;
▪ Uma proporção;
▪ Uma taxa;
▪ Etc.
Como estudar a correlação com variáveis categóricas
X Y
1, 2, 
3...
Como estudar a correlação com variáveis categóricas
Vale lembrar que, quando avaliamos essas 
métricas, temos que lembrar de nossa 
discussão anterior sobre população e 
amostra. 
Na maioria dos casos temos a amostra e 
queremos saber da população. 
Por isso temos que usar técnicas que nos 
permitam avaliar essa incerteza. Um exemplo 
disso é o intervalo de confiança, que vimos 
anteriormente.
Em outras palavras, para correlações 
simples usamos:
▪ Histogramas e Dot Plots estratificados 
(y contínuo e x categórico ou vice 
versa);
▪ Análise temporal estratificada.
▪ Gráficos de Intervalos para a média (y 
contínuo e x categórico);
▪ Gráficos de Barras (para y categórico 
contra x categórico).
Ferramentas Simples
Exemplo
Será que o processo A é mais 
rápido que o processo B?
1
0,0
1,0
2,0
3,0
4,0
2 4 6 8 0
5
NdaPvseDaidMé
525539,0095,9
52902,1830,
D
e
d
a
dis
n
e
D
soda
T
leviáraV
)B( opmeT
)A( opme
H
 lamroN
)B( opmeT ;)A( opmeT ed amargotsi
Tempo (B)Tempo (A)
10
9
8
7
6
5
4
D
a
d
o
s
Gráfico de Intervalos de Tempo (A); Tempo (B)
IC de 95% para a Média
Os desvios padrão individuais foram usados para calcular os intervalos.
Tempo (A) Tempo (B)
4,7 9,8
5,9 9,4
3,2 11,3
6,2 9,3
6,0 8,5
5,8 9,2
6,1 10,8
5,2 9,5
4,6 8,4
3,5 10,6
2,3 10,4
5,4 9,9
3,2 10,5
5,1 7,9
5,7 8,6
3,4 8,8
6,9 8,7
5,6 10,4
5,6 8,9
4,0 9,0
6,8 10,8
4,8 10,3
6,4 8,3
4,8 10,0
4,8 10,4
Vamos fazer exercícios?
Ferramentas
Simples
As ferramentas avançadas para 
correlação, colocam as coisas do 
ponto de vista de probabilidades. 
Elas nos ajudam a entender qual é a 
probabilidade de uma população 
de interesse ter uma métrica 
diferente da outra. 
Elas compreendem;
▪ Os testes de Hipóteses (Z, t, chi-
quadrado, p, etc.);
▪ A Análise de Variância (ANOVA).
Ferramentas Avançadas?
Correlação de 
Variáveis 
Categóricas
Minitab
Correlação de Variáveis 
Categóricas
Lista de 
Exercícios 5 
Correção
Lista de 
Exercícios 5 
Teste de Hipóteses
Para análise de populações
Um teste de hipótese nada mais é do que uma 
validação estatística das nossas dúvidas (ou 
hipóteses). 
Por exemplo, podemos querer ver se o tempo de um 
processo (uma variável numérica) é diferente para dois 
turnos. 
Hipótese: Será que o tempo médio do turno A é diferente 
do tempo médio do turno B?
A resposta é dada analisando-se os dados e sai da 
forma: dados os dados, tenho 95% de certeza que são.
O que e um teste de hipótese?
Podemos ter testes de hipóteses para 
diferentes métricas:
▪ Para médias (será que a média dos tempos do 
processo antes da mudança é maior do que depois 
da mudança?);
▪ Para proporções (será que que a % de atrasados 
da cia A é maior que da cia B?)
▪ Taxas (será que a taxa de defeitos por unidade da 
fábrica A é diferente da B?).
Quando usar
Tipo de Variável 
é importante!
Para realizar um teste de hipóteses, seguimos os passos:
Contextualizamos o problema: o que queremos “comparar” 
entre populações;
Formalizamos nossas hipóteses;
Escolhemos o tipo de teste de hipótese correto para o que 
queremos ver;
Realizamos o teste (analisando na distribuição de 
referência);
Analisamos o p-valor e os resultados para ver se nossa 
hipóteseé verdadeira ou não.
Como funciona?
Os softwares ajudam 
a gente neste passo 
mais difícil.
1
2
4
3
5
Passo-a-Passo para Realizar 
o Teste de Hipóteses
Para análise de populações
O primeiro passo é enxergar nosso 
problema atual com a “lógica” do teste de 
hipóteses.
A ideia é entender:
▪ O que queremos comparar?
▪ Quais são as populações?
▪ Qual é a estatística que eu quero 
comparar?
▪ Quais são os dados que preciso 
ter/coletar para testar essa hipótese?
Passo 1 – Contextualize (modele) seu problema
Exemplo:
Sempre faço o mesmo caminho de casa para o 
trabalho. Um colega me propõe um caminho 
novo. Será que esse caminho é mais rápido?
O que queremos comprar?
Queremos ver se o tempo médio do caminho velho é 
estatisticamente igual ou não ao caminho novo.
Quais as populações?
Os tempos referentes ao caminho velho e os tempos 
referentes ao caminho novo
Qual a estatística?
O tempo médio para o caminho A e para o B.
Passo 1 – Contextualize (modele) seu problema
Como tem que ser meus dados?
Tempos caminho novo 
(min)
Tempos caminho velho 
(min)
100 78
95 82
110 94
111 75
... ...
O segundo passo consiste em formalizar a 
nossa hipótese de um jeito matemático. 
Essa formalização nada mais é do que 
escrever matematicamente o que queremos 
testar. 
Algo como:
H: 𝜇𝑎 = 𝜇𝑏 (será que as médias são iguais?) ou
H: 𝜇𝑎 < 𝜇𝑏 (será que a média de a é menor que a média de 
b?) ou então;
H: 𝜇𝑎 > 𝜇𝑏 (será que a média de a é maior que a média de 
b?)
Passo 2 – Formalize a hipótese
Podemos fazer isso não só para 
médias, mas para todos os outros 
tipos de estatísticas. 
Essa formalização nos ajudará a 
entender qual teste vamos usar. 
Além disso ela não precisa ser 
“explicita”, apenas existir “em nossas 
cabeças”.
Passo 2 – Formalize a hipótese
Exemplo:
No caso dos caminhos, queremos 
testar, para os tempos:
H: 𝝁𝒏𝒐𝒗𝒐 = 𝝁𝒗𝒆𝒍𝒉𝒐
(será que as médias são iguais?) 
ou
H: 𝝁𝒏𝒐𝒗𝒐 < 𝝁𝒗𝒆𝒍𝒉𝒐
(será que o novo é mais rápido?)
Passo 2 – Formalize a hipótese
Vale dizer que todo teste sempre terá 
duas hipóteses. Uma é o que 
chamamos de hipótese nula, ou 
principal, que é o que queremos 
avaliar. 
A outra é a hipótese alternativa, que é 
uma implicação lógica do que acontece, 
caso a hipótese nula não seja verdade. 
Por exemplo, se:
Ho: 𝝁𝒂 = 𝝁𝒃 é falsa, então
Ha: 𝝁𝒂 ≠ 𝝁𝒃 é verdadeira.
Passo 2 – Formalize a hipótese
O cerne do teste de hipótese irá avaliar 
se, com base nos dados de nossa 
amostra, podemos dizer alguma coisa 
sobre as suas populações.
Em outras palavras, o teste irá 
parametrizar duas populações com base 
nas amostras que temos (todos os 
tempos do caminho novo e velho, por 
exemplo) e ver a possibilidade delas 
“encavalarem ou não”.
A escolha do teste vai depender do tipo 
de variável, pois para cada tipo temos 
uma distribuição.
Passo 3 e 4 – Escolha e realize o teste
O teste irá, em linhas gerais, parametrizar 
populações a partir das amostras dadas e analisar a 
chance das hipótese nula ser verdadeira ou falsa. 
Objetivamente, ele avalia a chance de uma amostra 
não representar a sua população quanto ao 
parâmetro testado (média, por exemplo).
Ele levará em conta o tamanho da amostra, a 
variação e a diferença da estatística entre as 
populações.
É como a figura ao lado. A distribuição vermelha
possui média global menor que a azul. Entretanto, se 
a amostra for pequena, ela pode ser obtida de uma 
área da distribuição que tem média maior do que 
outra área da azul (note a área sólida de ambas).
Passo 3 e 4 – Escolha e realize o teste
Pode parecer complicado, mas 
o Minitab irá nos ajudar a 
realizar o teste correto e 
interpretar os resultados
Passo 3 e 4
Passo 3 e 4 – Escolha e realize o teste
Passo 3 e 4 – Escolha e realize o teste
Passo 3 e 4 – Escolha e realize o teste
Nota: muitos destes 
testes assumem a 
hipótese de 
normalidade!
Passo 3 e 4 – Escolha e realize o teste
Use e 
abuse!
Teste de HipótesesMinitab
Análise de Resultados:
Teste de Hipóteses
Para análise de populações
O resultado mais importante dos testes de 
hipótese é o famoso p-valor. É ele que valida ou 
não a hipótese nula.
O p-valor é um número de 0 a 1 que diz a 
probabilidade de termos o erro de amostragem 
citado anteriormente.
A sua definição formal é:
“A probabilidade de obtermos evidência de que a 
hipótese nula é falsa, dado que ela é verdadeira”
Em outras palavras, ele dá a chance dos erros de 
amostragem que comentamos anteriormente.
No caso a “evidência falsa”, seria uma amostra 
azul menor que uma amostra vermelha.
Passo 5 – Analise os resultados
Na prática, cada teste específico vai ter 
hipóteses nulas específicas. Lembre-se 
de analisar qual é na hora de 
interpretar os resultados. 
Lembrando que o p-valor é a 
probabilidade de você ter uma amostra 
como a que você tem, dado que a 
hipótese nula é verdadeira. Um p-valor 
baixo, portanto, rejeita a hipótese nula.
Passo 5 – Analise os resultados
Exemplo (de resultado do Minitab)
Passo 5 – Analise os resultados
C1 C2
0,57088 4,92652
-1,24569 4,60680
-0,65486 5,14566
-0,60757 6,02591
0,12676 5,42442
-1,02850 6,22536
1,04768 4,64596
0,63148 4,91375
-1,27095 6,18465
0,30670 5,12457
-0,63675 5,14067
-0,09585 5,13849
0,14326 5,42180
2,66192 5,01271
-0,07980 3,85974
0,84040 5,18778
0,69064 4,79286
-0,55813 5,26738
-0,08524 6,37494
0,52989 4,99944
-0,42817 5,41172
-0,04956 3,53886
-0,92062 4,69994
-2,18923 5,82346
0,50827 5,44303
Evidência
Chance de 
evidência errada
Conclusão: 
são diferentes!
Teste de Hipóteses 
e Análise de 
Resultados
Minitab
Considerações sobre 
o p-valor
Para análise de populações
▪ Os testes de hipótese não deixam de ser 
análises paramétricas, portanto a 
normalidade e outros ajustes são 
importantes;
▪ Em várias ferramentas, usaremos testes de 
hipótese específicos no meio deles. Já 
vimos dois exemplos: o gráfico probabilístico 
normal (Ho: a distribuição é normal) e a 
regressão linear, para os coeficientes (Ho: o 
coeficiente i de xi é diferente de 0);
▪ Normalmente, um p-valor considerado baixo 
é 0,05. Entretanto, não há um “número 
mágico” para o p-valor. Ele é uma 
probabilidade. Devemos ou não aceita-lo 
mediante o contexto, avaliando os riscos 
envolvidos na decisão.
Considerações sobre testes de hipóteses
ANOVA
Um caso bem específico de teste de hipótese
ANOVA - Utilização
A ANOVA (Análise de Variância) é um tipo bem específico de 
teste de hipóteses. 
Com ele, podemos testar médias para mais de duas 
populações. Em outras palavras:
H0 => μa = μb = μc e H1 => μa ≠ μb ≠ μc
Apesar da sua utilização ser a de um teste de hipótese, a sua 
matemática é idêntica à da regressão linear.
Isso implica que não analisamos somente o p-valor, mas 
também o R² e os resíduos obtidos. A interpretação destes 
parâmetros é idêntica à da regressão.
No fundo, ela vai comparar se a variância total é igual à 
variância dentro dos grupos.
ANOVA - Utilização
A ANOVA é usada apenas quando queremos 
correlacionar um y contínuo com um ou mais x’s
categóricos.
Os dados devem cumprir os pressupostos:
▪ Cada população deve ser normal;
▪ As variâncias de cada população devem ser iguais;
O Assistente do Minitab nos ajuda a rodar e interpretar 
uma ANOVA.
Assim como na regressão linear múltipla, podemos usar a 
ANOVA para ver quais X’s categóricos impactam ou não 
no resultado.
Exemplo
Será que a 
variável “Grupo” 
explica a 
variação do 
tempo?
Tempo Grupo
9,9861 A
8,4131 A
9,7846 A
9,3315 A
8,6155 A
9,0639 A
9,7336 A
10,8337 A
11,3541 A
10,1466 A
8,8694 B
7,6784 B
8,2785 B
9,2137 B
7,9261 B
9,0887 B
7,9491 B
6,5026 B
8,4942 B
7,0641 B
10,5827 C
13,1255 C
11,4975 C
11,7399 C
11,3465 C
13,6983 C
13,5944 C
13,0176 C
11,8705 C
12,4431 C
Exemplo
Será que a 
variável “Grupo” 
explica a 
variação do 
tempo?
Tempo Grupo
9,9861 A
8,4131 A
9,7846A
9,3315 A
8,6155 A
9,0639 A
9,7336 A
10,8337 A
11,3541 A
10,1466 A
8,8694 B
7,6784 B
8,2785 B
9,2137 B
7,9261 B
9,0887 B
7,9491 B
6,5026 B
8,4942 B
7,0641 B
10,5827 C
13,1255 C
11,4975 C
11,7399 C
11,3465 C
13,6983 C
13,5944 C
13,0176 C
11,8705 C
12,4431 C
Exemplo
Será que a 
variável “Grupo” 
explica a 
variação do 
tempo?
Tempo Grupo
9,9861 A
8,4131 A
9,7846 A
9,3315 A
8,6155 A
9,0639 A
9,7336 A
10,8337 A
11,3541 A
10,1466 A
8,8694 B
7,6784 B
8,2785 B
9,2137 B
7,9261 B
9,0887 B
7,9491 B
6,5026 B
8,4942 B
7,0641 B
10,5827 C
13,1255 C
11,4975 C
11,7399 C
11,3465 C
13,6983 C
13,5944 C
13,0176 C
11,8705 C
12,4431 C
Exemplo
i
!
Atípicos
Dados Não há pontos de dados atípicos. Os dados atípicos podem ter uma forte influência nos resultados.
da Amostra
Tamanho A amostra é suficiente para detectar diferenças entre as médias.
Normalidade
confiavelmente verificada com amostras pequenas, você deve ter cuidado ao interpretar os resultados do teste.
normalmente distribuídos, o valor-p pode ser inexato com amostras pequenas. Como a normalidade não pode ser
Como alguns tamanhos amostrais são menores do que 15, a normalidade pode ser um problema. Se os dados não forem
Igual
Variância
não são iguais.
A pesquisa mostra que o teste tem bom desempenho com variâncias desiguais, mesmo quando os tamanhos amostrais
O Assistente do Minitab usa o método de Welch, que não considera nem exige que as amostras tenham variâncias iguais.
Verificar Status Descrição
ANOVA com um Fator para Tempo por Grupo
Cartão de Relatório
Será que a 
variável “Grupo” 
explica a 
variação do 
tempo?
Tempo Grupo
9,9861 A
8,4131 A
9,7846 A
9,3315 A
8,6155 A
9,0639 A
9,7336 A
10,8337 A
11,3541 A
10,1466 A
8,8694 B
7,6784 B
8,2785 B
9,2137 B
7,9261 B
9,0887 B
7,9491 B
6,5026 B
8,4942 B
7,0641 B
10,5827 C
13,1255 C
11,4975 C
11,7399 C
11,3465 C
13,6983 C
13,5944 C
13,0176 C
11,8705 C
12,4431 C
Exemplo
Será que a 
variável “Grupo” 
explica a 
variação do 
tempo?
Tempo Grupo
9,9861 A
8,4131 A
9,7846 A
9,3315 A
8,6155 A
9,0639 A
9,7336 A
10,8337 A
11,3541 A
10,1466 A
8,8694 B
7,6784 B
8,2785 B
9,2137 B
7,9261 B
9,0887 B
7,9491 B
6,5026 B
8,4942 B
7,0641 B
10,5827 C
13,1255 C
11,4975 C
11,7399 C
11,3465 C
13,6983 C
13,5944 C
13,0176 C
11,8705 C
12,4431 C
Exemplo
Será que a 
variável “Grupo” 
explica a 
variação do 
tempo?
Tempo Grupo
9,9861 A
8,4131 A
9,7846 A
9,3315 A
8,6155 A
9,0639 A
9,7336 A
10,8337 A
11,3541 A
10,1466 A
8,8694 B
7,6784 B
8,2785 B
9,2137 B
7,9261 B
9,0887 B
7,9491 B
6,5026 B
8,4942 B
7,0641 B
10,5827 C
13,1255 C
11,4975 C
11,7399 C
11,3465 C
13,6983 C
13,5944 C
13,0176 C
11,8705 C
12,4431 C
Exemplo
Será que a 
variável “Grupo” 
explica a 
variação do 
tempo?
Tempo Grupo
9,9861 A
8,4131 A
9,7846 A
9,3315 A
8,6155 A
9,0639 A
9,7336 A
10,8337 A
11,3541 A
10,1466 A
8,8694 B
7,6784 B
8,2785 B
9,2137 B
7,9261 B
9,0887 B
7,9491 B
6,5026 B
8,4942 B
7,0641 B
10,5827 C
13,1255 C
11,4975 C
11,7399 C
11,3465 C
13,6983 C
13,5944 C
13,0176 C
11,8705 C
12,4431 C
Exemplo
E o R²?
Temos que fazer por 
outro caminho?
Será que a 
variável “Grupo” 
explica a 
variação do 
tempo?
Tempo Grupo
9,9861 A
8,4131 A
9,7846 A
9,3315 A
8,6155 A
9,0639 A
9,7336 A
10,8337 A
11,3541 A
10,1466 A
8,8694 B
7,6784 B
8,2785 B
9,2137 B
7,9261 B
9,0887 B
7,9491 B
6,5026 B
8,4942 B
7,0641 B
10,5827 C
13,1255 C
11,4975 C
11,7399 C
11,3465 C
13,6983 C
13,5944 C
13,0176 C
11,8705 C
12,4431 C
Exemplo
Será que a 
variável “Grupo” 
explica a 
variação do 
tempo?
Tempo Grupo
9,9861 A
8,4131 A
9,7846 A
9,3315 A
8,6155 A
9,0639 A
9,7336 A
10,8337 A
11,3541 A
10,1466 A
8,8694 B
7,6784 B
8,2785 B
9,2137 B
7,9261 B
9,0887 B
7,9491 B
6,5026 B
8,4942 B
7,0641 B
10,5827 C
13,1255 C
11,4975 C
11,7399 C
11,3465 C
13,6983 C
13,5944 C
13,0176 C
11,8705 C
12,4431 C
Exemplo
Será que a 
variável “Grupo” 
explica a 
variação do 
tempo?
Tempo Grupo
9,9861 A
8,4131 A
9,7846 A
9,3315 A
8,6155 A
9,0639 A
9,7336 A
10,8337 A
11,3541 A
10,1466 A
8,8694 B
7,6784 B
8,2785 B
9,2137 B
7,9261 B
9,0887 B
7,9491 B
6,5026 B
8,4942 B
7,0641 B
10,5827 C
13,1255 C
11,4975 C
11,7399 C
11,3465 C
13,6983 C
13,5944 C
13,0176 C
11,8705 C
12,4431 C
Exemplo
Será que a 
variável “Grupo” 
explica a 
variação do 
tempo?
Tempo Grupo
9,9861 A
8,4131 A
9,7846 A
9,3315 A
8,6155 A
9,0639 A
9,7336 A
10,8337 A
11,3541 A
10,1466 A
8,8694 B
7,6784 B
8,2785 B
9,2137 B
7,9261 B
9,0887 B
7,9491 B
6,5026 B
8,4942 B
7,0641 B
10,5827 C
13,1255 C
11,4975 C
11,7399 C
11,3465 C
13,6983 C
13,5944 C
13,0176 C
11,8705 C
12,4431 C
Exemplo
Será que a 
variável “Grupo” 
explica a 
variação do 
tempo?
Tempo Grupo
9,9861 A
8,4131 A
9,7846 A
9,3315 A
8,6155 A
9,0639 A
9,7336 A
10,8337 A
11,3541 A
10,1466 A
8,8694 B
7,6784 B
8,2785 B
9,2137 B
7,9261 B
9,0887 B
7,9491 B
6,5026 B
8,4942 B
7,0641 B
10,5827 C
13,1255 C
11,4975 C
11,7399 C
11,3465 C
13,6983 C
13,5944 C
13,0176 C
11,8705 C
12,4431 C
Exemplo
Será que a 
variável “Grupo” 
explica a 
variação do 
tempo?
Tempo Grupo
9,9861 A
8,4131 A
9,7846 A
9,3315 A
8,6155 A
9,0639 A
9,7336 A
10,8337 A
11,3541 A
10,1466 A
8,8694 B
7,6784 B
8,2785 B
9,2137 B
7,9261 B
9,0887 B
7,9491 B
6,5026 B
8,4942 B
7,0641 B
10,5827 C
13,1255 C
11,4975 C
11,7399 C
11,3465 C
13,6983 C
13,5944 C
13,0176 C
11,8705 C
12,4431 C
Exemplo
Será que a 
variável “Grupo” 
explica a 
variação do 
tempo?
Tempo Grupo
9,9861 A
8,4131 A
9,7846 A
9,3315 A
8,6155 A
9,0639 A
9,7336 A
10,8337 A
11,3541 A
10,1466 A
8,8694 B
7,6784 B
8,2785 B
9,2137 B
7,9261 B
9,0887 B
7,9491 B
6,5026 B
8,4942 B
7,0641 B
10,5827 C
13,1255 C
11,4975 C
11,7399 C
11,3465 C
13,6983 C
13,5944 C
13,0176 C
11,8705 C
12,4431 C
Bônus: No modelo Linear 
Generalizado da Regressão, 
podemos misturar vários tipos 
de variáveis 
(Categóricos e Contínuos, pois 
a matemática da ANOVA e da 
REGRESSÃO é equivalente).
Exemplo
Será que a 
variável “Grupo” 
explica a 
variação do 
tempo?
Tempo Grupo
9,9861 A
8,4131 A
9,7846 A
9,3315 A
8,6155 A
9,0639 A
9,7336 A
10,8337 A
11,3541 A
10,1466 A
8,8694 B
7,6784 B
8,2785 B
9,2137 B
7,9261 B
9,0887 B
7,9491 B
6,5026 B
8,4942 B
7,0641 B
10,5827 C
13,1255 C
11,4975 C
11,7399 C
11,3465 C
13,6983 C
13,5944 C
13,0176 C
11,8705 C
12,4431 C
ANOVAMinitab
ANOVA
Lista de 
Exercícios 6 
Correção
Lista de 
Exercícios 6 
Recapitulando 
Correlação
E como fazer?
Y numérica Y categórica
X numérica
Simples: gráfico de 
dispersão
Avançada: Análise de 
Regressão
Simples: histograma 
estratificado
Avançada: Regressão 
Logística
X categórica
Simples: histograma 
estratificado
Avançada: testes de 
hipótese/ANOVA
Simples: Pareto, gráfico 
de barras;
Avançadas: testes de 
hipótese para proporção
Experimentação
A Experimentação é uma prática 
alternativa à análise de um Banco de 
Dados existente. Ela é vital em 
diversos tipos de problemas onde:
▪ Não temos dados históricos;
▪ Os dados históricos não são 
confiáveis (frente a coleta);
▪ Os dados históricos não conseguem 
responder aos nossos 
questionamentos (frente à sua 
estruturação).
Experimentação
Experimentar consiste em realizar diversos 
ensaios (experimentos) para obter um banco de 
dados afim de analisá-lo. 
O ponto fundamental do Seis Sigma é o 
Planejamento de Experimentos, ou seja, 
estruturar as suas questões e predições para 
entender como coletar dados para responder às 
suas perguntas. 
Outro objetivo do planejamento de experimentos 
é reduzir o número de ensaios necessários para 
nossos questionamentos (reduzindo o custo do 
experimento).
Experimentação
As ferramentas de análise são asmesmas que vimos até agora:
▪ ANOVA;
▪ Regressão;
▪ Testes de Hipóteses;
▪ Métodos gráficos.
Experimentação
Além disso, temos algumas técnicas que são 
trabalhadas mais a fundo no Black Belt:
▪ Experimentos Fatoriais;
▪ Experimentos Fatoriais Fracionados;
▪ Experimentos Dicotômicos.
Mapa do Analyze
Atividades
Entender o que se pode 
mudar no fluxo de maneira 
a gerar melhorias
Entender o que se pode 
mudar nas atividades para 
deixá-las melhores e mais 
rápidas.
Buscar no banco de dados 
correlações entre variáveis 
para entender o que se 
pode variar no processo de 
maneira a gerar um 
resultado melhor.
Aprenda mais sobre as 
correlações de variáveis 
com experimentos 
planejados
Priorizar as mudanças 
propostas para a 
realização de testes de 
mudança
Ferramentas
Desconexões, análise de 
valor, ECRS, Criatividade, 
Conceitos de Mudança
Poka-Yokes, Diagrama de 
Ishikawa, Análise de 
Tempo, Tecnologia, 
Benchmarking, 
Criatividade
Gráficos de dispersão, 
Análises de Regressão, 
Testes de hipóteses, 
Tabelas de contingência, 
Gráficos de Barras
Planejamento de 
experimentos; 
Experimentos Fatoriais; 
Experimentos Dicotômicos; 
etc.
Ciclo PDSA; Matriz de 
Impacto Esforço.
Saídas
Mudanças para melhorar o 
fluxo
Mudanças para melhorar 
as atividades
Alterações nos parâmetros 
de entrada que vão gerar 
melhoria
Alterações nos parâmetros 
de entrada que vão gerar 
melhoria
Plano de testes das 
mudanças desenvolvidas.
Formate suas
mudanças
Investigue os
experimentos
Analise seu
banco de dados
Analise os 
procedimentos
Analise
os processos
Improve
▪ No Improve, escolhemos quais mudanças são mais 
promissoras e realizamos os testes para saber quais de 
fato vão gerar as melhorias. 
▪ Temos que priorizar as mudanças e estruturar nossos 
testes. 
▪ A partir dos testes, usando o ciclo PDSA, podemos 
entender melhor os detalhes e falhas em nossas 
hipóteses e predições. 
▪ Aqui também devemos ir aumentando gradualmente a 
escala e o escopo dos testes. 
▪ Ao final, teremos uma boa convicção de quais mudanças 
vão de fato ser melhorias. As vezes já até as 
implementamos durante a fase de testes (um ciclo para 
implementar).
Improve
Preparar a
implementação
Mapa do Improve
Atividades
Realizar os testes para confirmar suas 
hipóteses, verificando se as suas 
mudanças se transformaram de fato em 
melhorias. 
Uma vez que o grau de confiança é 
suficiente, resumir os aprendizados da 
etapa de testes e compartilhar com o 
grupo.
Planejar as etapas de implementação.
Ferramentas
Ciclo PDSA, Planejamento de 
Experimentos, Treinamentos Iniciais, 
Matriz de Habilidades
Ciclos PDSA, Apresentação do projeto de 
Melhoria
Plano de implementação
Saídas
Aumento do Grau de Convicção das suas 
mudanças
Nivelamento do conhecimento da etapa de 
testes.
Plano de implementação preenchido.
Compilar o
aprendido
Testar, aprendendo
e aumentando
a escala e o escopo
Testes da mudança
Os testes são o coração do 
Improve. 
Nele, temos que observar como 
as nossas mudanças vão se 
comportar na realidade. 
Para isso, usamos e abusamos 
do ciclo PDSA. 
Realização de testes
A ideia dos testes
Tempo
Conhecimento
A realidade dos testes
Testando uma mudança: 
ciclos 1, 2, ...
Implementando 
uma mudança
Desenvolvendo 
uma mudança
Uma mudança 
vitoriosa
Mudança 
necessita 
de mais 
testesMudança 
fracassada
Grau de 
convicção de 
que a 
mudança é 
uma melhoria
Alto
Baixo
Lembre-se de priorizar!
Prop 1
Prop 2
Prop 3
Prop 4
Prop 5
10 2 3 4 5
1
2
3
4
5
Im
p
a
c
to
Esforço
Temos basicamente dois estudos mais frequentes 
quando queremos testar mudanças: 
Tipos de Estudos
Comparação simultâneaTestes do tipo “antes e depois”
Base de comparação histórica;
Pontos vulneráveis:
▪ Ocorrência de causas especiais ao mesmo 
tempo em que mudanças são feitas
▪ Efeito Hawthorne
Antes e Depois
Comparação Simultânea
▪ Duas ou mais alternativas são 
comparadas ao mesmo tempo, 
mesmo espaço ou sob outras 
condições similares
▪ Usar aleatorização
▪ Comece pequeno;
▪ Dose o que pode dar errado;
▪ Envolva a todos para 
disseminar o conhecimento;
▪ Tente mitigar os riscos.
As boas práticas
Grau de convicção na mudança
Baixa Alta
Consequência
s de um teste 
falho
Pequena
Testes de média
escala
Um ciclo para 
implementar
Grande
Teste em escala 
muito pequena
Testes de média e 
pequena escala
Preparar a
implementação
Mapa do Improve
Atividades
Realizar os testes para confirmar suas 
hipóteses, verificando se as suas 
mudanças se transformaram de fato em 
melhorias. 
Uma vez que o grau de confiança é 
suficiente, resumir os aprendizados da 
etapa de testes e compartilhar com o 
grupo.
Planejar as etapas de implementação.
Ferramentas
Ciclo PDSA, Planejamento de 
Experimentos, Treinamentos Iniciais, 
Matriz de Habilidades
Ciclos PDSA, Apresentação do projeto de 
Melhoria
Plano de implementação
Saídas
Aumento do Grau de Convicção das suas 
mudanças
Nivelamento do conhecimento da etapa de 
testes.
Plano de implementação preenchido.
Compilar o
aprendido
Testar, aprendendo
e aumentando
a escala e o escopo
Control
▪ Na fase do Control, nós vamos implementar as 
mudanças, finalizar o projeto e estabilizar os processos. 
▪ É a hora onde mais se usa a Psicologia e se realiza a 
Gestão da Mudança
▪ Devemos preparar as mudanças para serem lógicas e 
alinhadas com a cultura da empresa, trabalhando o 
racional e o emocional das pessoas envolvidas no 
processo. 
▪ Também estruturamos o plano de implementação com 
base nas etapas: 1. Padronização, 2. Documentação, 3. 
Treinamento e 4. Implementação. 
▪ Por fim, compilamos os ganhos, apresentamos os 
resultados e celebramos!
Control
Mapa do Control
Atividades
Definir exatamente como 
serão os novos 
procedimentos e criar as 
instruções que serão 
desdobradas para a equipe 
do processo.
Treinar a equipe com a 
finalidade de desenvolver 
neles as habilidades 
necessárias para executar o 
processo. Por treinamento 
entendemos uma série de 
atividades supervisionadas, 
não só aulas expositivas.
Desdobrar o plano de ação 
para a mudança do jeito 
velho para o novo. 
Monitorar o desempenho do 
processo para avaliar se 
tudo está saindo conforme 
planejado. 
Resumir o aprendizado, 
apresentar os resultados, 
fazer as recomendações 
futuras e celebrar.
Ferramentas
Formulários de trabalho 
padrão; Relatórios de 
Testes, Fluxogramas.
Plano de treinamento, 
Andragogia, Matriz de 
Habilidades
5W2H, Gestão de Projetos, 
Ciclos PDSA. 
Ciclos PDSA, Gráficos de 
Controle, formulários de 
coleta de dados. 
Apresentação de 
encerramento.
Saídas
Desenho claro, lógico e 
justificado do novo processo.
Pessoal treinado no novo 
processo. 
Novo processo funcionando 
de fato na organização. 
Evidências de Melhoria Finalização formal do projeto
FinalizaçãoControleImplementaçãoTreinamento
Padronização
e documentação
Plano de Implementação
Implementar pode ser a parte mais difícil de um 
projeto de melhoria. É a parte mais humana do 
projeto. Nela, é necessário:
▪ Se comunicar bem;
▪ Ter claro o que é necessário fazer;
▪ Reforçar, ou seja, fiscalizar se tudo está 
indo bem;
▪ Pensar muito bem no “transiente”.
Mesmo os projetos mais simples devem ter um 
plano de implementação. Caso contrário, tudo 
pode ser colocado a perder.
Plano de Implementação
1
2
4
3
Etapas da implementação
Padronize
Documente
Treine
Meça
A maneira ideal para se conduzir e fiscalizar uma implementação vai depender 
da complexidade. 
Geralmente temos 3 estratégias:
Independente da estratégia, temos que garantir que as coisas irão acontecer 
conforme o planejado.
Estratégias de implementação
Simplesmente faça Implementação paralela Implementação sequencial
Como fiscalizar a implementação?
O que 
(What)
Quem 
(Who)
Quando 
(When)
Onde(Where)
Porque 
(Why)
Como 
(How)
Por quanto 
(How much)
Mapa do Control
Atividades
Definir exatamente como 
serão os novos 
procedimentos e criar as 
instruções que serão 
desdobradas para a equipe 
do processo.
Treinar a equipe com a 
finalidade de desenvolver 
neles as habilidades 
necessárias para executar o 
processo. Por treinamento 
entendemos uma série de 
atividades supervisionadas, 
não só aulas expositivas.
Desdobrar o plano de ação 
para a mudança do jeito 
velho para o novo. 
Monitorar o desempenho do 
processo para avaliar se 
tudo está saindo conforme 
planejado. 
Resumir o aprendizado, 
apresentar os resultados, 
fazer as recomendações 
futuras e celebrar.
Ferramentas
Formulários de trabalho 
padrão; Relatórios de 
Testes, Fluxogramas.
Plano de treinamento, 
Andragogia, Matriz de 
Habilidades
5W2H, Gestão de Projetos, 
Ciclos PDSA. 
Ciclos PDSA, Gráficos de 
Controle, formulários de 
coleta de dados. 
Apresentação de 
encerramento.
Saídas
Desenho claro, lógico e 
justificado do novo processo.
Pessoal treinado no novo 
processo. 
Novo processo funcionando 
de fato na organização. 
Evidências de Melhoria Finalização formal do projeto
FinalizaçãoControleImplementaçãoTreinamento
Padronização
e documentação