Baixe o app para aproveitar ainda mais
Prévia do material em texto
Escola EDTI Apresentação Modelo de Melhoria: PDSA Lean Six Sigma Melhoria vs. Conhecimento • Boas mudanças resultam da aplicação de conhecimento sobre o processo • Conhecimento é fruto de aprendizado • O aprendizado das pessoas sobre os processos é realizado de forma mais eficiente e eficaz pelo uso do Método Científico • O Ciclo PDSA é o componente do Modelo de Melhoria que guia o aprendizado Passos do Método Científico 1. Observar um evento 2. Formular uma teoria para a causa do evento; fazer predições com base na teoria 3. Testar a teoria através de um experimento 4. Analisar os resultados do experimento e concluir a respeito da teoria 5. Relatar os resultados à comunidade científica (publicar o trabalho) Método Científico nas Organizações (Ciclo PDSA) 1. Observar um evento 2. Formular uma teoria para a causa do evento; fazer predições com base na teoria 3. Testar a teoria através de um experimento 4. Analisar os resultados do experimento e concluir a respeito da teoria 5. Aplicar o conhecimento obtido para realizar mudanças que resultem em melhoria Ciclo PDSA Adaptado do livro “The Improvement Guide” Plan •Objetivo •Questões e Predições •Plano para coletar dados (O que, Onde, Quando) Do •Executar o Plano •Observar e anotar eventos não planejados •Iniciar a análise dos dados Study •Completar a análise dos dados •Comparar resultados com as predições •Resumir o aprendizado Act •Executar ações em função dos resultados •Outro ciclo? Rascunho de Deming do Ciclo de Shewhart - 1985 Walter Shewhart (1891 – 1967) Quando usar um PDSA? • Construir conhecimento para ajudar a responder qualquer uma das 3 questões fundamentais • Testar uma mudança • Implementar uma mudança O PDSA é útil para aprender sobre algum aspecto do processo ou de uma atividade de rotina. Por exemplo, uma coleta de dados de um processo, um teste de mudança, uma pesquisa com clientes, etc. Usando PDSA em sequência • Em um iniciativa de melhoria, ciclos PDSA são utilizados para entender a situação atual de um processo, e para desenvolver, testar e implementar mudanças – um ciclo “puxa” o outro. PDSA: Exemplo Questões 1. Como é a distribuição dos valores das compras? 2. Quais tipos de compras são mais freqüentes? Predições 1. A maior parte das compras está entre R$ 2.000 e R$ 3.000 2. O tipo de compra mais freqüente é o “Menor preço””. Poucas compras são do tipo “”Reservado” Objetivo: Conhecer como se comporta a demanda para o setor de compras Plano de coleta de dados De uma amostra de 200 compras realizadas nos últimos seis meses anotar o valor e o tipo de compras O Alberto é responsável por coletar os dados. Instruí-lo sobre como amostrar, anotar os valores e digitar em uma planilha A Madalena deve preparar um gráfico de frequência dos valores das compras e um gráfico de barras com as porcentagens por tipo de compra A equipe deve se reunir para analisar os gráficos DO Coletar os dados Observar e anotar anomalias durante o processo de coleta dos dados PLAN Planilha de dados (24 primeiras linhas) Amostra Número processo Status Protocolo Emissão OF Total (dias) Valor 1 05/06453 menor preco 8/26/05 9/6/05 7 R$ 333.90 2 05/06463 menor preco 8/24/05 8/31/05 5 R$ 384.79 3 05/06464 reservado 8/24/05 8/31/05 5 R$ 2,880.00 4 05/06465 menor preco 8/25/05 8/30/05 3 R$ 612.00 5 05/06479 menor preco 8/26/05 9/27/05 21 R$ 58.05 6 05/06483 reservado 8/26/05 9/8/05 8 R$ 629.10 7 05/06484 reservado 8/26/05 8/31/05 3 R$ 7,980.00 8 05/06485 reservado 8/29/05 9/12/05 9 R$ 8,343.31 9 05/06486 reservado 8/26/05 9/1/05 4 R$ 892.00 10 05/06487 reservado 8/26/05 9/9/05 9 R$ 4,990.50 11 05/06503 reservado 8/4/05 9/12/05 28 R$ 48.00 12 05/06529 reservado 8/29/05 9/12/05 9 R$ 1,046.00 13 05/06540 reservado 8/30/05 9/15/05 11 R$ 428.91 14 05/06542 reservado 8/29/05 9/9/05 8 R$ 122.50 15 05/06544 reservado 8/29/05 9/6/05 6 R$ 7,024.00 16 05/06545 reservado 8/31/05 9/1/05 1 R$ 20,563.75 17 05/06546 reservado 8/29/05 9/30/05 23 R$ 17,000.00 18 05/06548 reservado 8/30/05 11/7/05 48 R$ 800.00 19 05/06562 reservado 9/1/05 9/5/05 2 R$ 300.00 20 05/06565 reservado 8/31/05 9/22/05 15 R$ 2,048.80 21 05/06566 reservado 8/31/05 9/20/05 13 R$ 7,600.00 22 05/06583 reservado 8/30/05 9/8/05 6 R$ 2,300.00 23 05/06584 menor preco 8/30/05 9/14/05 10 R$ 1,600.00 24 05/06586 menor preco 8/30/05 9/13/05 9 R$ 1,667.00 PDSA: Exemplo STUDY Mais de 80% dos valores estão abaixo de R$2K, sugerindo que um processo mais simples pode ser desenvolvido para essas compras ACT 1. Entrevistar os compradores para entender as causas de demora em aquisições abaixo de R$2K 2. Iniciar um novo ciclo PDSA para avaliar se existe diferenças no tempo médio de aquisição entre “Reservado” e “Menor preço” 50% das compras é do tipo “Reservado” , contradizendo a predição inicial Formulário para documentação de PDSA em projeto PDSA Pergunta(s) a serem respondidas Dados que preciso coletar para responder à(s) perguntas(s) Responsável (quem) e quando terei os dados Aprendizados PDSA vs. PDCA Fase EDTI DMAIC PDCA 1 Entender Define PlanMeasure 2 Desenvolver Analyse 3 Testar Improve Do 4 Implementar Control Check Act • O PDCA é um roteiro de projeto, alternativo ao DMAIC e útil em projetos de baixa complexidade • O PDSA é roteiro de aprendizado. • Vários PDSA são realizados durante um projeto Modelo de Melhoria Adaptado do “The Improvement Guide” As Três Categorias de Melhoria Reduzir ou eliminar problemas, sem aumentar custos Reduzir significativamente os custos, ao mesmo tempo que a qualidade é mantida ou melhorada Aumentar as expectativas dos clientes Estruturação do trabalho em equipe Trabalho em Equipe Equipes de Melhoria Um pequeno grupo de pessoas com habilidades complementares, que aprenderam a trabalhar em conjunto para alcançar um objetivo comum, mantendo-se mutuamente responsáveis pelo mesmo. Início do trabalho • Formação da equipe • Identificar os componentes da equipe • Atribuir papéis e responsabilidades • Compreender as equipes e trabalho em equipe • Os ciclos de desenvolvimento de equipes • Estruturação do trabalho Iniciando um novo esforço de melhoria • Coisas para ter em mente quando se inicia um novo esforço de melhoria: • Comunique às pessoas da organização porque o projeto foi selecionado e as estratégias organizacionais que estão alinhadas com o os objetivos do projeto. • Oriente as pessoas sobre o apoio disponível dentro e fora da organização. • Faça os acertos necessários para assegurar que seja disponibilizado tempo para que as pessoas atuem no projeto. • Forneça treinamento e outros recursos necessários para os esforços de melhoria. Quatro Condições para que a equipe tenha Sucesso Baseado no trabalho de Lewin, Weisbord (1987): • Interdependência • Liderança • Decisão conjunta • Igual Influência Etapas no Desenvolvimento de Equipes Perform Form Norm Storm Desenv. da equipe Tuckman,1955 Fases do desenvolvimento • Cada estágio é importante para o desenvolvimento da equipe • Liderança e habilidades de facilitação do trabalho em equipe ajudam a equipe a atravessar cada estágio 16 Estruturação do trabalho em equipe - Modelo GRPI • Esclareça a esfera de atuação do projeto, ordens e autorizações, missão e objetivos, e assegure-se de que todos os membros da equipe os compreendam e apoiem. Questione se essa é a equipe adequada para o projeto ou se são necessárias pessoas adicionais para a equipe Objetivos (Goals) • Esclareça os papéis e as responsabilidades de todos os envolvidos na Iniciativa, incluindo os patrocinadores (veja o RACI abaixo), e certifique-se de que todos os membros os entendam e tenham as competências necessárias. Certifique-se de que há recursos suficientes e de que se necessário as pessoas terão treinamento. Papéis (Roles) • Estabeleça normas para o grupo sobre como a equipetrabalhará em conjunto, e defina os métodos de resolução de problemas. Garanta que os processos sejam claros, compreendidos, aceitáveis, fáceis de seguir, e de que eles são seguidos Processos (Processes) • Defina comportamentos de apoio da equipe (inclusive aqueles definidos pelos Valores Corporativos), e planeje atividades iniciais para desenvolver um alto nível de confiança e de aceitação de diferenças Relações interpessoais (Interpersonal Relationships) Papéis de pessoas na equipe de melhoria • Patrocinador: ajuda a legitimar o trabalho da equipe; fornece tempo para trabalhar no projeto e recursos, quando necessário; exerce o papel de revisor objetivo do progresso da equipe. • Líder: conduz as iniciativas de melhoria. Dedica metade de seu tempo para o projeto. Gestor de projetos, especialista em processos, sabe sobre melhoria. • Proprietário do processo: atua diretamente no processo; sabe como as coisas realmente funcionam no processo; tem ideias de mudança; testa as mudanças. • Especialistas domina o conhecimento específico; ajuda a desenvolver protocolos e mudanças baseadas em evidências; lidera mudança na cultura. • Facilitador: conhecimento de ciência melhoria, incluindo a medição. Presta consulta para a equipe. Seu papel no projeto se reduz à medida que a equipe progride com o projeto. Planilha RACI RACI N0 Tarefa Responsável Acountable Consultado Informado A pessoa que realiza a ação A pessoa que é, em última instancia, responsável Pessoa que é consultada antes da ação ser realizada Pessoa que é informada depois que a decisão final é tomada Métodos para a Tomada de Decisão Método Quando Usar Este Método Vantagens Desvantagens A decisão é tomada por uma pessoa, sem discussão com outros prazo criticamente curto decisões de rotina uma pessoa possui todo o conhecimento necessário método mais rápido não há aprendizado o apoio é normalmente limitado A decisão é tomada por uma pessoa após discussão com outros prazo curto decisões de rotina método rápido algum compartilhamento de conhecimento pouco aprendizado o apoio pode ser limitado Votação ou decisão por maioria número maior de pessoas envolvido permite entradas de todos não toma muito tempo normalmente contraria uma parte da equipe Consenso decisão afeta muitas pessoas aprendizado é um aspecto importante da atividade ênfase na melhoria a longo prazo aprendizado é maximizado equipe apóia a decisão 100% decisão toma tempo necessária uma certa maturidade profissional por parte da equipe Pulsação: manter o projeto • Assuntos diversos: 5 min, stand-up, status diário de PDSA e próximos passos. • Reuniões de equipe (1-2 semanas): revisar os resultados e cronograma, palnejar ciclos de mudança. • Revisão com Patrocinador (1-3 x por mês): rever o progresso e os planos no nível de resultado. Cultura e Melhoria Cultura é direcionada por “pressuposições… que dizem aos membros da equipe como perceber, pensar e sentir sobre as coisas” Edgar H.Schein, Organizational Culture and Leadership, 2010 C5 C1 C4 C6 C7C2 C8C3 C9 Muitas microculturas que não estão integradas Uma “cultura” dentro de microculturas integradas C5 C1 C4 C6 C7C2 C8 C3 C9 Cultura e Melhoria Quantas culturas existem em sua organização? Componentes Organizacionais Que Influenciam Como a Cultura é Criada Medição e Informação Incentivos Projeto Organizacional Cultura (Normas e Comportamentos) • Recrutamento • Treinamento • Desenvolvimento • Atitudes • Valores • Desempenho • Avaliações • Recompensas • Celebrações • Compensações • Dados para avaliação • Dados para ação • Métodos e ferramentas comuns • Comunicação • Educação • Informação •Estruturas de apoio • Liderança Que tipo de cultura de melhoria da qualidade você quer criar? Questões de Recursos Humanos Fonte: R. Lloyd. Quality Health Care: A Guide to Developing and Using Indicators. Jones and Bartlett Publishers, 2004. 34 Q X A = E Qualidade da Solução X Aceitação da Solução = Eficácia da Solução “Discussão” e “Dialogo” Senge (1990) contrastou as ideias de discussão e diálogo… “No aprendizado da equipe, a discussão é a contrapartida necessária ao diálogo. Numa discussão, diferentes pontos de vista são defendidos e ... isso pode fornecer uma análise útil da situação como um todo. No diálogo, diferentes pontos de vista são apresentados como meio de descobrir uma nova visão. Numa discussão são tomadas decisões. Num diálogo, problemas complexos são explorados. Quando uma equipe precisa chegar a um acordo e tomar decisões, será necessária uma discussão. Características do Diálogo • Oposição é minimizada • A participação neste "pool de sentido comum" é aumentada • Constante desenvolvimento e mudança guia as palavras • Nenhum propósito pré-estabelecido e um novo propósito pode surgir • Nenhum membro é excluído e nenhum conteúdo específico é excluído • Surge a consciência da natureza das relações • Ocorre a transformação das relações • Há um início de um diálogo que não tem fim Regras para o feedback Quem fala Quem ouve • Comece com aspectos positivos • Ouça seus próprios sentimentos • Fala aberta e honesta • Dirija-se à pessoa diretamente • Seja conciso • Não especule • Ouça sem retrucar • Não justifique • Questões de compreensão são permitidas • Use o feedback para seu desenvolvimento pessoal Três das principais ameaças para a construção de um diálogo • The Ladder of Inference (A escada da inferência) • Conversas Difíceis • Pensamento de grupo Conversas Difíceis “A conversa difícil é aquele que você não quer ter!" Cada conversa difícil são realmente três conversas separadas: 1. A conversa "O que aconteceu?" (os fatos objetivos) 2. A conversa “Sentimentos” (meus sentimentos, bem como as dos outros)? 3. A conversa “Identidade” (uma conversa com nós mesmos sobre o que esta situação significa para nós) A Escada da Inferência "Vivemos em um mundo de crenças autogeradas que permanecem em geral não testadas. Adotamos essas crenças porque eles são baseados em conclusões que são inferidas a partir do que observamos, além de nossa experiência passada Nossa capacidade de atingir os resultados que verdadeiramente desejamos é corroída pelos certeza de que: • Nossas crenças são as verdadeiras! • A verdade é óbvia! • Nossas crenças são baseadas em dados reais! • Os dados que selecionamos são os dados reais! “ Fonte: Senge, P. et. al. The Fifth Discipline Fieldbook. Doubleday, New York, 1994, page 242. A “Escada da Inferência" foi inicialmente desenvolvida pelo Dr. Chris Argyris, e subsequentemente apresentada por Peter Senge's no livro “A Quinta Disciplina – Caderno de Campo." A Escada da Inferência Como escapar do loop da Escada da Inferência e melhorar a qualidade de nossas decisões 1. Questione suas suposições e conclusões 2. Procure por dados que contrariam suas suposições e conclusões Exemplos da Escada da Inferência Sara, sua performance não chega perto do desejável, fala o diretor O diretor iniciou o processo de fritura de Sara O diretor pensa que o trabalho de Sara é inaceitável Ele implica com Sara por que ela é mulher O diretor não gostaria de ter mulheres na equipe Nas duas ultimas reuniões marcadas Angela não pareceu Elas são marcadas com antecedência suficiente e ela não pode alegar que não sabia Fiquei sabendo que Angela já faltou a outras reuniões Angela é descompromissada e sem interesse “Um modo de pensar no qual as pessoas se empenham quando estão profundamente envolvidas num círculo coeso, quando os esforços dos membros em prol da unanimidade sobrepujam suas motivações para avaliar realisticamente cursos de ação alternativos. " Dr. Irving Janis Groupthink! (Pensamentode Grupo) Os oito sintomas do “Pensamento de Grupo” • Sintoma 1: Ilusão de invulnerabilidade • Sintoma 2: A crença na moralidade inerente do grupo • Sintoma 3: Racionalização • Sintoma 4: Visão distorcida dos inimigos Sintoma 5: Autocensura • Sintoma 6: Pressão direta sobre os membros • Sintoma 7: Proteção da Mente (contra informações negativas) • Sintoma 8: Ilusão de Unanimidade Quatro Maneiras de evitar o Pensamento de Grupo 1. Criar um clima aberto para discussão e debate (Estilo aberto de liderança, pensamento divergente e não julgamento de atitudes) 2. Evite o isolamento do grupo (Traga perspectivas externas) 3. Atribuir a membros da equipe o papel da Avaliador Crítico (Cada membro do grupo deve ser um avaliador crítico; desafiar as "vacas sagradas") 4. Evitar ser demasiado diretivo (Os líderes precisam ser menos diretivo e recorrer ao grupo para tomar decisões) Exercício: questões para estabelecer um diálogo sobre Pensamento de Grupo 1. Quem tem a responsabilidade primária em uma discussão em grupo, o líder ou os membros da equipe? 2. Que tipo de decisões se prestam a uma decisão de consenso? Que tipo de decisões se prestam a uma decisão de comando por um gerente, supervisor ou qualquer outro líder? 3. Você já fez parte de uma decisão de grupo que deu errado? Você era a favor da decisão final ou um crítico? 4. Quem define o clima ou o tom em reuniões de grupo na maioria das organizações? Em sua? O clima de uma reunião pode afetar a forma como as decisões são tomadas? Você pode oferecer um exemplo de como isso ocorreu? 5. Quando um indivíduo fala contra um consenso do grupo em sua organização, qual é o resultado provável? O indivíduo será recompensado ou censurado? As lentes do Conhecimento Profundo: uma ferramenta para o diálogo O sistema de conhecimento profundo proporciona uma lente. Ele fornece uma nova teoria para compreender e otimizar nossas organizações. Ele fornece uma oportunidade para o diálogo! Visão Sistêmica Entendimento de Variação Teoria do Conhecimento O Lado Humano da MudançaMC Estatística Probabilidade Estatística Incerteza e intuição • A intuição humana é mal adaptada a situações que envolvem incerteza. • Pesquisas recentes mostram que em situações que envolvem o acaso nossos processos cerebrais costumam ser gravemente deficientes. • Os processos aleatórios são fundamentais na natureza, e onipresentes em nossa vida cotidiana; ainda assim, a maioria das pessoas não os compreende nem pensa muito a respeito. Um pouco de História • A teoria da probabilidade tal como a conhecemos hoje, foi em grande parte desenvolvida por cientistas como Girolamo Cardamo (1501-1576), Galileu Galilei (1564-1642), Blaise Pascal (1623-1662), Pierre de Fermat (1601-1665), Jackob Bernoulli (1654-1705), Abraham de Moivre (1667-1754), entre outros. • O desenvolvimento da teoria da probabilidade é muitas vezes associado com os jogos de azar em famosos cassinos europeus, como o que está em Monte Carlo. • Muitos livros sobre probabilidade e estatística contam a história de Chevalier de Mère, um jogador francês, que contou com a ajuda de Pascal em um esforço para obter as probabilidades de ganhar em certos jogos de azar, desenvolvendo assim esse campo do conhecimento. Um pouco de História • Os gregos da Antiguidade se destacam por terem inventado a maneira como a matemática é levada a cabo: por meio de axiomas, provas, teoremas etc. • Por que motivo eles não criaram uma teoria para demonstrar que se jogamos dois dados seria pouco sábio apostar uma grande quantia na possibilidade de que ambos caiam com o número 6? • O futuro se desvelava conforme a vontade dos Deuses • Insistência na verdade absoluta, provada pela lógica e sustentada pelos axiomas • Desconhecimento da aritmética; ausência de um sistema de representação numérica fácil de trabalhar. Imagine tentar subtrair de . A notação base 10 só começa a ser usada no século VII d.C. • Ausência do zero (só surgiu no século IX d.C.) • O sinal de igual só foi inventado no início do século XVI Conceitos básicos • O que significa Probabilidade? • É uma medida de incerteza. • A probabilidade de um evento é uma medida numérica da chance de ocorrência do evento • Probabilidade é medida por um número que varia entre 0 e 1 (0 é a probabilidade de um evento impossível e 1 a probabilidade de um evento certo) Experimento aleatório • Um experimento aleatório é um processo que tem como resultado um de um conjunto possível de resultados. O resultado é uma observação ou medição documentada. • Exemplos • Pagar a conta no prazo: {Sim, Não} • Tempo para completar uma ligação: {t: t>0} • Número de cartões de crédito que um cliente possui: {0, 1, 2...} Evento e espaço amostral • Cada resultado possível de um experimento aleatório é um evento simples • O espaço amostral é a coleção de todos os eventos simples • Um espaço amostral pode ser finito, finito enumerável ou infinito não enumerável • Um evento é um subconjunto do espaço amostral (um conjunto com um ou mais eventos simples) • O evento vazio é o conjunto com nenhum evento simples (conjunto vazio) • A probabilidade de um evento é a soma das probabilidades dos eventos simples que formam o evento • A probabilidade do evento vazio é zero União e intersecção de eventos • A união de dois eventos A e B é o evento formado por todos os resultados que estão em A ou B: Notação AB • A intersecção de dois eventos A e B é o evento formado por todos os resultados que estão em A e B: Notação AB • O evento complementar de um evento A é formado pelos resultados que não estão em A: Notação A´ ou AC • Dois eventos A e B tal que a intersecção deles é vazia são mutuamente excludentes ou disjuntos União e intersecção de eventos AB AB A´ A Axiomas de probabilidade 1. P (S) = 1, S o espaço amostral 2. Qualquer que seja o evento 𝐴 0 ≤ 𝑃 𝐴 ≤ 1 3. Se A 1 e A 2 são dois eventos que disjuntos 𝐴1 ∩ 𝐴2 = ∅ , então 𝑃(𝐴1 ∪ 𝐴2) = 𝑃(𝐴1) + 𝑃( 𝐴2) • Generalizando, se A1, A2, ... , Ak são eventos mutuamente disjuntos, então 𝑃(𝐴1 ∪ 𝐴2 ∪ … ∪ 𝐴𝑘 ) = 𝑃(𝐴1) + 𝑃(𝐴2) + … + 𝑃( 𝐴𝑘) 4. Se A1 e A2 são dois eventos quaisquer, então 𝑃(𝐴1 ∪ 𝐴2) = 𝑃(𝐴1) + 𝑃( 𝐴2) − 𝑃(𝐴1 ∩ 𝐴2) Notação • Denotaremos eventos por letras maiúsculas 𝐴, 𝐵,… • Seja 𝐴 um evento • Ex1: 𝐴: evento dos números pares no jogo de dados 𝐴 = 2,4, 6 • Ex2: 𝐴: evento onde o tempo para responder a uma solicitação de crédito é maior que 9 dias úteis 𝐴 = 𝑡: 𝑡 > 9 Distribuições de probabilidade Estatística Variáveis aleatórias • Uma variável aleatória (v.a.) é uma função que atribui um número real a cada resultado do espaço amostral de um experimento aleatório • Variável aleatória discreta • Assume valores em um conjunto finito ou infinito enumerável • Variável aleatória contínua • Assume valores em um intervalo finito ou infinito de números reais • Notação: em geral a v.a. é denotada por uma letra maiúscula do final do alfabeto (X, Y, Z, …); Exemplo • Um banco classifica seus clientes como “rentável”, “neutro”, “não rentável”. Na base de clientes, a proporção é a seguinte: • Seja X a v.a. definida como: 1 se cliente é R; 0 se cliente é N e -1 se cliente é NR. Distribuição de X: Classificação Porcentagem R 50% N 40% NR 10% X Prob -1 0.1 0 0.4 1 0.5 Distribuição de probabilidade discreta • Exemplo: em um censo é coletado o número de filhos do casal • Para uma família escolhida ao acaso, qual a probabilidade que ela tenha 2 filhos? Nº de Filhos %. 0 10% 1 30% 2 35% 3 20% 4 5% Distribuição de probabilidade discreta • Para uma variável aleatória discreta X com valores x1, x2, ..., xn a distribuição de probabilidade é dada por 𝑓(𝑥𝑖) = 𝑃(𝑋 = 𝑥𝑖) • A distribuição de probabilidade satisfaz 𝑓 𝑥𝑖 = 1 Distribuição de probabilidade discreta • Seja 𝑋 o número de filhos do casal; • 𝑋 = {0,1,2, 3, 4} • 𝑃(𝑋 = 𝑥𝑖) = {0.1,0.3, 0.35, 0.20,0.05}, para 𝑥𝑖 = {0, 1,2, 3, 4} • 𝑋 é uma v.a. discreta • 𝑃 𝑋 = 𝑖 = 1 Distribuição de probabilidade discreta • Distribuição de probabilidade da variável aleatória 𝑋 X 0 1 2 3 4 Soma P(X=xi) 0.10 0.30 0.35 0.20 0.05 1 0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 P (X ) 0 1 2 3 4 X Distribuição: Número de filhos Medidas de localização e de variação Estatística Média ou valor esperado • Seja 𝑋 v.a. discreta com distribuição {𝑥𝑖, 𝑃(𝑥𝑖); 𝑖 = 1,2, …𝑛}, onde 𝑃(𝑥𝑖) = 𝑃(𝑋 = 𝑥𝑖) então, E X = 𝑀é𝑑𝑖𝑎(𝑋) = (𝑣𝑎𝑙𝑜𝑟 × 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒), ou 𝐸 𝑋 = 𝜇 = 𝑖=1 𝑛 𝑥𝑖𝑃 𝑥𝑖 Exercício • Calcule o valor esperado da variável aleatória 𝑋 que representa o número de filhos do exemplo anterior X 0 1 2 3 4 Soma P(X) 0.10 0.30 0.35 0.20 0.05 1 Interpretação do valor esperado • Suponha que você invista no mercado de ações e 𝑋 seja a variável aleatória que representa o resultado desse investimento; 𝑋 = {−27, 120}; • Calcule 𝐸 𝑋 Ganho (g) 120,00 -27,00 Total P(g) 0.20 0.80 1.00 gP(g) 24,00 -21,60 2.40 Exercício • Uma empresa de seguros vende uma apólice para 1500 proprietários de um modelo de bicicleta mountain bike que protege contra roubo por dois anos. O custo de reposição dessa bicicleta é $300.00. Suponha que a probabilidade de um indivíduo ser roubado durante o período de proteção é 0.15. Assuma que a probabilidade de mais de um roubo por indivíduo é zero e que os eventos são independentes. a. Qual é o preço de venda da apólice para que haja um equilíbrio para a empresa(ganho zero, perda zero)? b.Se a probabilidade de roubo for 0.10, qual é o ganho esperado por apólice dado o valor de venda determinado em (a)? Aplicação do valor esperado em processos decisórios • Uma fábrica de móveis deve decidir se realiza uma ampliação da capacidade instalada agora ou se aguarda mais um ano. • Uma análise econômica diz que se ela expande agora e as condições econômicas permanecerem boas, ela realizará um lucro de R$328.000,00 no próximo ano; caso haja uma recessão, ela terá um prejuízo de R$80.000,00. • Se ela adia a expansão para o próximo ano, ela terá um lucro de R$160.000,00 se as condições permanecerem boas e terá um lucro de R$16.000,00 se houver recessão. • Se as chances de que ocorra uma recessão é de 2/3, qual é a decisão que maximiza seu lucro? Propriedades da média (valor esperado) • Seja 𝑎 e 𝑏 duas constantes e 𝑋 e 𝑌 duas variáveis aleatórias. Então: A. 𝐸(𝑎) = 𝑎 B. 𝐸(𝑏𝑋) = 𝑏𝐸(𝑋) C. 𝐸(𝑎 + 𝑋) = 𝑎 + 𝐸(𝑋) D. 𝐸(𝑎𝑋 + 𝑏𝑌) = 𝑎𝐸(𝑋) + 𝑏𝐸(𝑌) Variância • Fornece uma medida de dispersão (variação) dos valores em torno da média 𝑉𝑎𝑟 𝑋 = 𝜎2 = 𝑥𝑖 − 𝜇 2𝑃 𝑥𝑖 𝐷𝑒𝑠𝑣𝑖𝑜𝑃𝑎𝑑𝑟ã𝑜 𝑋 = 𝜎 = 𝑉𝑎𝑟 𝑋 • Pode-se mostrar que 𝑉𝑎𝑟 𝑋 = 𝐸 𝑋2 − 𝐸 𝑋 2 onde 𝐸 𝑋2 = 𝑥𝑖 2𝑃 𝑥𝑖 Propriedades da variância • Seja a e b duas constantes e 𝑋 e 𝑌 duas variáveis aleatórias. Então: A. 𝑉𝑎𝑟 𝑋 ≥ 0 B. 𝑉𝑎𝑟(𝑎) = 0 C. 𝑉𝑎𝑟(𝑎 + 𝑋) = 𝑉𝑎𝑟(𝑋) D. 𝑉𝑎𝑟(𝑏𝑋) = 𝑏2𝑉𝑎𝑟(𝑋) E. 𝑉𝑎𝑟 𝑎 + 𝑏𝑋 = 𝑏2𝑉𝑎𝑟 𝑋 F. 𝑉𝑎𝑟 𝑋 ± 𝑌 = 𝑉𝑎𝑟 𝑋 + 𝑉𝑎𝑟 𝑌 , 𝑠𝑒 𝑋 𝑒 𝑌 𝑠ã𝑜 𝑒𝑠𝑡𝑎𝑡í𝑠𝑡𝑖𝑐𝑎𝑚𝑒𝑛𝑡𝑒 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑒𝑛𝑡𝑒𝑠 Exercício Um sistema de envasamento consiste em encher um vidro com líquido. Os vidros utilizados tem peso médio de 20g e desvio padrão 0.5g. A quantidade de líquido em peso que é colocada no litro pode ser regulada, sendo o valor nominal igual a 185g. O desvio padrão do sistema de envasamento é 2g. 1. Qual é o peso médio e o desvio padrão do vidro cheio? Modelos probabilísticos para v.a. discretas Estatística Introdução •Modelos são utilizados em todos os campos da ciência. •Devem simplificar a realidade ao mesmo tempo que representam suas principais características. “Todos os modelos estão incorretos, mas alguns são úteis” (George Box) Distribuição Discreta Uniforme • O modelo mais simples de distribuição discreta é o uniforme f(x) = 1/n sendo n= número de valores que a variável aleatória pode assumir Ensaios de Bernoulli •Considere 𝑛 repetições sucessivas de um ensaio (ou teste) com apenas dois resultados possíveis que respeite as seguintes regras: a) Em cada ensaio podem ocorrer somente dois resultados possíveis (Sucesso (S) e Fracasso (F)). b) A probabilidade de sucesso (𝑝) e de fracasso (1 − 𝑝 = 𝑞) é mantida em todos os testes. c) Cada ensaio é independente. Experimento Binomial Propriedades: 1. O experimento consiste de um sequencia de n ensaios idênticos 2. Dois resultados são possíveis em cada ensaio: Sucesso e Fracasso (Ensaio de Bernoulli) 3. p=P(S) não muda de ensaio para ensaio 4. Os ensaios são independentes Distribuição Binomial • Considere um experimento Binomial • Seja X o número de Sucessos nos n ensaios • A variável 𝑋 pode assumir os valores 0,1,2, . . , 𝑛. • Então, 𝑃 𝑋 = 𝑚 = 𝑛 𝑚 𝑝𝑚 1 − 𝑝 𝑛 onde 𝑛 𝑚 = 𝑛! 𝑚! 𝑛−𝑚 ! , para 𝑚 = 0,1,2,… , 𝑛 • Denotamos 𝑋~𝐵𝑖𝑛 𝑛, 𝑝 Propriedades da B(n,p) 1. 𝐸 𝑋 = 𝜇 = 𝑛𝑝 2. 𝑉𝑎𝑟 𝑋 = 𝜎2 = 𝑛𝑝 1− 𝑝 Exercício • Um gerente de conta especial faz vinte ligações por dia para clientes para oferecer um novo produto. De experiência passada ele estima que a chance de vender o produto para um cliente é 0.10. a) Se sua meta diária é realizar 4 vendas, qual é a probabilidade que ele atinja a meta em um determinado dia? b) Qual é o número médio de vendas que ele realiza por dia? c) Qual é o desvio padrão do número de vendas? d) Qual é o valor mais provável de venda? Distribuição de Poisson • Um evento S ocorre no tempo (ou espaço) obedecendo os seguintes postulados: a) Independência: o número de vezes que S ocorre em qualquer intervalo de tempo é independente do número de ocorrências de S em qualquer outro intervalo de tempo disjunto. b) Falta de agrupamento: a chance de duas ou mais ocorrências de S simultâneas pode ser assumida como sendo zero. c) Razão: a número médio de ocorrências de S por unidade de tempo é uma constante, denotada por l, e ela não muda com o tempo. Distribuição de Poisson •Seja X o número de ocorrências de S por unidade de tempo. Se os postulados anteriores são válidos, então 𝑋~𝑃 𝜆 e 𝑃 𝑋 = 𝑥 = 𝑒−𝜆𝜆𝑥 𝑥! , 𝑥 = 0,1,2, . . . onde 𝜆 é o parâmetro que indica o número médio de ocorrências de X em um intervalo de tempo unitário Propriedades da Distribuição de Poisson 1. 𝐸 𝑋 = 𝜆 2. 𝑉𝑎𝑟 𝑋 = λ Exercício • Ao enlatar leite em pó, é necessário acrescentar um dosador. A não inclusão do dosador é considerada uma falha. O número de falhas que ocorrem em um lote produzido tem distribuição de Poisson com número médio de falhas igual a 5. 1. Qual é a probabilidade que em um lote: a) Uma lata esteja sem o dosador? b) Duas ou mais latas estejam sem o dosador? 2. Qual é o número mais provável de falhas que ocorrem em um lote? Exercício • A experiência passada indica que um número médio de 6 clientes por hora chegam ao caixa do banco para serem atendidos. A. Qual é a probabilidade de 3 clientes chegarem em qualquer hora? B. Qual é a probabilidade de 3 clientes ou menos chegarem em qualquer hora? C. Qual é a média e o desvio padrão para esta distribuição? Modelos probabilísticos para v.a. contínuas Estatística Variável aleatória contínua • Em um Call Center o tempo de atendimento de um cliente é monitorado. Os valores possíveis são em princípio, infinitos dentro de um intervalo (a,b), a<b. • Nesse caso, não faz sentido perguntar qual é a probabilidade de que o tempo de atendimento seja igual a um valor to . Na realidade, essa probabilidade é igual a zero • O que se pode perguntar é qual é a probabilidade que o tempo de atendimento esteja dentro de um intervalo (x,y), ou seja, P(x<t<y) Variável aleatória contínua • A figura abaixo mostra o histograma de amostrasde tamanho 20, 100, 1000 e 10000 da mesma distribuição com uma função contínua f(x) aproximando o histograma. Observe que quanto maior o tamanho da amostra, melhor a aproximação. A porcentagem de valores abaixo de 9 é aproximada pela área sob a curva à esquerda de 9. Quanto maior o tamanho da amostra, melhor a aproximação • %(t < 9) ≅ −∞ 9 𝑓 𝑥 𝑑𝑥 Exemplo Valores % de valores (histograma) Probabilidade (distribuição) (Y < 60) 𝑃 𝑌 < 60 = 0.185 P( Y < 60) = 0.167 (Y >70 𝑃 𝑌 > 70 = 0.140 P (Y > 70) = 0.146 60 ≤ y ≤70 𝑃 60 ≤ 𝑦 ≤ 70 = 0.675 P(60 ≤ y ≤70) = 0.687 Função densidade de probabilidade • Propriedades da fdp 1. 𝑓 𝑥 ≥ 0, ∀ 𝑥 2. A área sob a curva definida por f(x) é igual a 1, ou seja, −∞ ∞ 𝑓 𝑥 𝑑𝑥 = 1 3. 𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = á𝑟𝑒𝑎 𝑠𝑜𝑏 𝑎 𝑐𝑢𝑟𝑣𝑎 𝑒𝑛𝑡𝑟𝑒 𝑜𝑠 𝑝𝑜𝑛𝑡𝑜𝑠 𝑎 𝑒 𝑏, ou seja, 𝑎 𝑏 𝑓 𝑥 𝑑𝑥 Média e variância de v.a. contínuas • Uma variável aleatória contínua 𝑋, em geral, também tem uma média e uma variância com o mesmo significado e as mesmas interpretações discutidas anteriormente para o caso discreto, mas o seu cálculo envolve integrais e não serão objeto de nosso trabalho aqui. • Para as distribuições que estudaremos aqui, a média e a variância serão fornecidas em cada caso. A distribuição Normal (Gaussiana) • Dentre as muitas distribuições contínuas usadas em estatística, a mais importante é a Distribuição Normal ou Gaussiana. • Ela tem a forma de um sino e está associada com os nomes de Pierre Laplace e Carl Gauss. • Seu estudo remonta ao século XVIII A distribuição Normal (Gaussiana) • Importância • O “efeito central do limite”. • A robustez ou insensibilidade dos procedimentos estatísticos mais comumente usados a desvios da suposição de distribuição normal. O Efeito Central do Limite • Seja 𝜀 o erro “total” de medição • Sob certas condições, geralmente encontradas no mundo da experimentação, podemos escrever 𝜀 como a soma dos seus componentes 𝜀 = 𝑎1𝜀1 + ⋯+𝑎𝑛𝜀𝑛 • Exemplo: • 𝜀: 𝑒𝑟𝑟𝑜 𝑛𝑎 𝑚𝑒𝑑𝑖çã𝑜 𝑑𝑎 𝑎𝑙𝑡𝑢𝑟𝑎 𝑑𝑒 𝑢𝑚𝑎 𝑝𝑒𝑠𝑠𝑜𝑎 • 𝜀1: 𝑒𝑟𝑟𝑜 𝑑𝑒 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑔𝑒𝑚 • 𝜀2: 𝑒𝑟𝑟𝑜 𝑎𝑛𝑎𝑙í𝑡𝑖𝑐𝑜 • 𝜀3: 𝑒𝑟𝑟𝑜 𝑑𝑜 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑑𝑒 𝑚𝑒𝑑𝑖çã𝑜 • etc... O Efeito Central do Limite • Se a porcentagem individual de contribuição é pequena e o número de componente é grande, a distribuição dos erros tende a ser normal O Efeito Central do Limite - exemplo • A distribuição de médias de amostras pode ser aproximada pela Distribuição Normal Distribuição da média dos resultados de lançamento de n dados. Teorema Central do Limite •Resultado Importante: Seja X1, X2, ..., Xn uma amostra aleatória de uma variável aleatória X com média , variância 2 e distribuição F(x) e seja a média da amostra dada por 𝑋 = 𝑋𝑖 𝑛 Então a distribuição de 𝑋 converge para a distribuição Normal com média e variância 2/n, ou seja, 𝑋~𝑁 𝜇, 𝜎2 𝑛 Procedimentos robustos derivados da suposição de normalidade • Muitas técnicas estatísticas são derivadas da suposição de normalidade das observações originais. • Em muitos casos, aproximação, em vez de normalidade exata, é tudo que se requer para que estes métodos sejam aplicáveis. • Considerando isto, eles são ditos robustos à não-normalidade. • Desta forma, a menos que seja especificamente alertado, não se deve ter excessiva preocupação acerca de normalidade exata. Distribuição Normal Muitas características de qualidade contínuas tem distribuição razoavelmente simétrica e podem ser aproximadas por uma curva em forma de sino conhecida como Curva Normal, que corresponde à distribuição Normal ou Gaussiana; D e n s it y 207205204203202201200199198197196195 0.4 0.3 0.2 0.1 0.0 Normal Definição de uma Curva Normal Toda Curva Normal é definida por dois números: 1) Média: medida do centro. 2) Desvio padrão: medida de dispersão. Distribuição Normal Utilizamos a notação 𝑋~𝑁 𝜇, 𝜎2 A fdp de X é dada por 𝑓 𝑥 = 1 2𝜋𝜎2 𝑒 − 1 2𝜎2 𝑥−𝜇 2 −∞ ≤ 𝑥 ≤ ∞, −∞ ≤ 𝜇 ≤ ∞, 𝜎2 > 0 Propriedades da Distribuição Normal Para qualquer Distribuição Normal temos: Cálculo de probabilidades com a curva normal Quando X~𝑁(0,1), chamamos distribuição normal padrão e as probabilidades encontram-se tabeladas Softwares, como o Excel, também possuem fórmulas que realizam esse cálculo Cálculo de probabilidades com a 𝑁 𝜇, 𝜎2 • Seja 𝑋~𝑁 𝜇,𝜎2 • Considere 𝑍 = 𝑋−𝜇 𝜎 . Pode-se mostrar que 𝑍 tem distribuição normal e 𝐸 𝑍 = 0 𝑉𝑎𝑟 𝑍 = 1 Portanto, 𝑍~𝑁 0,1 Cálculo de probabilidades com a 𝑁 𝜇, 𝜎2 • Se quisermos calcular 𝑃(𝑋 < 𝑏) fazemos 𝑃 𝑋 < 𝑏 = 𝑃 𝑋 − 𝜇 𝜎 < 𝑏 − 𝜇 𝜎 = 𝑃 𝑍 < 𝑧0 onde 𝑧0 = 𝑏−𝜇 𝜎 • Procuramos na tabela 𝑁(0,1) o valor 𝑧0 Exemplo O diâmetro de uma peça pode ser aproximado pela distribuição Normal com média 0.2508 e desvio padrão 0.0005. A especificação para do diâmetro da peça é 0.2500±0.0015. Qual é a proporção de peças que são produzidas dentro da especificação? 92%0.919240.000000.91024 4.6)P(Z1.4)P(Z1.4)Z4.6P( 0.0005 0.2508-0.2515 Z 0.0005 0.2508-0.2485 P0.2515)XP(0.2485 Propriedade da distribuição Normal • O seguinte resultado é útil quando temos de trabalhar com a soma de duas ou mais variáveis aleatórias Normais. • Se Xi ~ N(μi,σi 2) , i=1,2,...,n são variáveis aleatórias independentes e a1, a2, ... an constantes. Então 𝑎𝑖𝑋𝑖 ~𝑁 𝑎𝑖 𝜇𝑖, 𝑎𝑖 2𝜎𝑖 2 ou seja, a combinação de variáveis com distribuição Normal também tem distribuição Normal. Exercício • O peso bruto de um produto é a soma do peso líquido mais o peso da embalagem. Suponha que a máquina que embala o produto é tal que o peso líquido colocado na embalagem tem distribuição Normal com média igual a 300 g e desvio padrão igual a 2 gramas. O peso da embalagem tem distribuição Normal com média igual a 5 g e desvio padrão igual a 0.5 g. a) Qual é a distribuição do peso bruto do produto? b) Qual dos dois processos é mais preciso? Distribuição exponencial • A distribuição exponencial é muito utilizada quando trabalhamos com tempo para ocorrência de um evento, por exemplo, tempo para atendimento de uma chamada) 𝑓 𝑥 = 𝛼𝑒−𝛼𝑥 onde x 0 1086420 2.0 1.5 1.0 0.5 0.0 X D e n s it y 0.5 1 2 Alfa Distribution Plot Exponential Distribuição exponencial - propriedades • Se 𝑋~𝐸𝑥𝑝 𝛼 , então: 𝐸 𝑋 = 1 𝛼 𝑉𝑎𝑟 𝑋 = 1 𝛼2 Relação entre a Poisson e a Exponencial • Quando usamos a distribuição de Poisson para modelar, por exemplo, o número de ligações em um intervalo de tempo é possível mostrar que o tempo entre duas ligações sucessivas terá distribuição exponencial, ou seja, sob certas condições: Seja 𝑋: o número de chamadas e 𝑌: tempo entre essas chamadas 𝑋~𝑃 𝜆 ⇔ 𝑌~𝐸𝑥𝑝 𝜆 Exercício • Suponha que o tempo entre duas ligações seja modelada por uma distribuição exponencial de parâmetro 1 minuto. • Qual a chance de não acontecerem mais do que 3 ligações em um minuto? Estudo de uma população Estatística Inferência • Considere uma população ou um processo e uma variável de interesse medida em uma amostra • Os dados da amostra podem ser usados para realizar inferências sobre a população ou o processo • As características (parâmetros) de interesse são em geral • A forma da distribuição da variável • A média • O desvio padrão Inferência sobre a média e o desvio padrão • A inferência sobre a média e o desvio padrão da população pode ser feita de três formas: • Estimação pontual • Intervalo de confiança • Teste de hipóteses • Obs.: • Essas inferências só fazem sentido se os dados se ajustam a uma distribuição e se o processo está estável • É importante fazer inicialmente o gráfico de controle e em seguida o gráfico probabilístico) Estimação pontual • Representa-se os valores de uma amostra de tamanho n por x1, x2, ..., xn. • A estimação pontual da média e do desvio padrão da população são dados pela média amostral e pelo desvio padrão respectivamente 1n )x(x s :Padrão Desvio n x x :Média 2 i i Intervalo de confiança para a média • A estimação pontual não fornece informação sobre a precisão da estimativa • A precisão de uma estimativa pode ser medida através da margem de erro • A margem de erro da estimativa pontual da média é dada por *2M.E. n s Intervalo de confiança para a média ) n s * tx , n s *tx( 1)(n0.025,1)(n0.025, n s *t*2 1)(n0.025, t0.025,(n-1) é o percentil 2.5% da distribuição t-Student com (n-1) graus de liberdade Um intervalo de confiança de 95% para a média populacional é dado por A amplitude do intervalo de confiança é dada por Intervalo de confiança para o desvio padrão 2 0.975 2 0.025 χ 1)-(n s , χ 1)-(n s X20.025,(n-1) e X 2 0.025,(n-1) são os percentis 2.5% e 97.5% respectivamente da distribuição Qui-quadrado com (n-1) graus de livberdade Um intervalo de confiança de 95% para o desvio padrão populacional é dado por Exemplo 7654321 Median Mean 5.004.754.504.254.003.753.50 1st Q uartile 3.0775 Median 4.3000 3rd Q uartile 5.4075 Maximum 7.1900 3.6055 4.7912 3.4452 4.9665 1.2644 2.1342 A -Squared 0.22 P-V alue 0.813 Mean 4.1983 StDev 1.5876 V ariance 2.5205 Skewness 0.026119 Kurtosis -0.694410 N 30 Minimum 1.2200 A nderson-Darling Normality Test 95% C onfidence Interv al for Mean 95% C onfidence Interv al for Median 95% C onfidence Interv al for StDev 95% Confidence Intervals Summary for tempo de atendimento Teste de hipóteses Estatística Exemplo 1: trajeto • Você utiliza um determinado trajeto para o trabalho todos os dias. • Você coleta os tempos de deslocamento dos últimos 2 anos Exemplo 1: trajeto • Um colega lhe propõe um novo trajeto (supostamente mais rápido) • Passo 1: formalização do teste 𝐻0: 𝜇 ≥ 30 𝑣𝑠. 𝐻𝐴: 𝜇 < 30 Exemplo 1: trajeto • No dia seguinte você utiliza o trajeto sugerido e gasta 29 minutos • Qual a sua decisão? Devemos coletar mais dados! Exemplo 1: trajeto • 9 observações são coletadas 𝑋 = 29 • 𝑝𝑟𝑒𝑐𝑖𝑠ã𝑜 ≈ 1 𝑞𝑢𝑎𝑛𝑡𝑖𝑑𝑎𝑑𝑒 𝑑𝑒 𝑣𝑎𝑟𝑖𝑎çã𝑜 = 1 𝜎 • A precisão de 𝑋 pode ser calculado como 𝜎 𝑋 = 𝑉𝑎𝑟 𝑋 = 𝑉𝑎𝑟 1 𝑛 𝑋𝑖 = 𝜎 𝑛 • Quanto maior a amostra, maior a precisão! Exemplo 1: trajeto • Critério: 𝐶∗ = 𝑋 − 𝜇 • Precisamos corrigir o critério pela precisão 𝐶 = 𝑋 − 𝜇 𝜎/ 𝑛 • Supondo 𝜎 = 1 𝐶 = 29 − 30 1/ 9 = −3 • Qual a sua decisão? 𝐶 esta suficientemente afastado? Exemplo 1: trajeto • Como visto anteriormente, 𝑋~𝑁 0,1/3 ⇒ 𝐶~𝑁 0,1 • Calculamos 𝑃(𝐶 < −3) utilizando a tabela da 𝑁 0,1 • Quanto menor for 𝑃(𝐶 < −3) maior a evidência de 𝐻𝐴 e, portanto, rejeitamos 𝐻0 -3 0 𝑝 − 𝑣𝑎𝑙𝑜𝑟 = 𝑃(𝐶 < −3) = 0.001 Exemplo 1: trajeto • Dessa forma completamos os 4 passos: 1. Teste:𝐻0: 𝜇 = 30 𝑣𝑠. 𝐻𝐴 : 𝜇 < 30 2. Critério: 𝐶 = 𝑋−𝜇 𝜎/ 𝑛 3. Distribuição de referência: 𝐶~𝑁 0,1 4. Nível de significância: 𝑃 𝐶 ≤ −3 = 0.001 Exemplo 1: trajeto • Caso 𝜎 tenha que ser estimado por 𝑆 = 𝑥𝑖 − 𝑋 𝑛 − 1 • O critério fica 𝐶 = 𝑋 − 𝜇 𝑆/ 𝑛 ~𝑡𝑛−1 obs: 𝑡𝑛−1= t de student com 𝑛 − 1 graus de liberdade Exemplo 1: trajeto • Suponha que na realização dos 9 trajetos os tempos tenham sido: 30.1, 29.7, 27.3, 29.1, 28.3, 28.4, 31.0, 28.1, 29.0 • Nesse caso: 𝑋 = 29 𝑆 = 1.132 𝑡 = 𝑋 − 𝜇 𝑆/ 𝑛 = −2.65 𝑃 𝑡8 < −2.65 = 0.015 Exemplo 1: trajeto • Observação: Uma diferença que é estatisticamente significante pode não ser significante do ponto de vista prático! Exemplo Chamada Tempo Chamada Tempo Chamada Tempo 1 2.53 11 5.57 21 4.81 2 5.52 12 4.60 22 4.82 3 3.53 13 3.84 23 7.19 4 3.26 14 5.37 24 2.39 5 6.31 15 3.42 25 5.52 6 4.04 16 4.51 26 5.01 7 4.09 17 1.84 27 1.94 8 1.22 18 6.89 28 4.60 9 3.42 19 3.53 29 2.35 10 5.01 20 6.75 30 2.07 Voltando ao exemplo anterior, uma empresa monitorou o tempo gasto para atender uma chamada de um cliente em um call center. Trinta atendimentos forma medidos. Os dados obtidos encontram- se na tabela abaixo. Teste de hipóteses • No exemplo, suponha que o objetivo era que o tempo médio de atendimento fosse igual a 3.50 minutos. O objetivo estava sendo alcançado? • Teste de Hipótese Ho: 0 = 3.50 vs. H1: 0 3.50 n s μy t: testedo Critério 00 Teste de hipóteses • Calculando o critério • p-valor = 0.023 Há evidência para rejeitar H0 • OBS.: o gráfico de controle deve ser feito antes do cálculo do p-valor. Caso haja causas especiais atuando no processo, não se deve calcular o p-valor 2.41 30 1.5876 .5034.1983 n s μy t 00 Passos para se testar hipóteses • Formalização do teste, ou tradução do problema a ser resolvido na forma de um teste de hipóteses: formule as hipótese nula e alternativa (P) • Construção de um critério para realizar o teste (P) • Planeje a coleta de dados (P) • Realize a coleta de dados (D) • Calcule a estatística (critério) (S) • Compare o critério com uma distribuição de referência e calcule a evidência contra a hipótese nula (p-valor – nível de significância) (S) • Decida o que fazer (A) Análise do p-valor • Se o p-valor for menor que 1%, rejeita-se a hipótese nula • Se o p-valor for maior que 10%, não rejeita-se a hipótese nula • Se o p-valor estiver entre 1% e 10%, deve-se considerar outros fatores para se tomar uma decisão, como o risco, custo, etc. Obs. As recomendações acima são as usuais e são adequadas para a maior parte dos casos. Porém, a decisão de rejeitar ou não uma hipótese deve ser feita levando em consideração os riscos e custos associados com a decisão. Significância estatística não é a mesma coisa que importância! Define Define • Objetivo • Definir e comunicar o foco e os indicadores do projeto ao grupo de melhoria • Atividades • Fazer o SIPOC do processo • Fazer o CONTRATO do projeto • Construir o DIAGRAMA DIRECIONADOR inicial do projeto Contrato do Projeto de Melhoria Define Contrato de Projeto • O que é? • Contrato é um acordo entre o patrocinador e o time de melhoria sobre o que é esperado do projeto • Deve conter uma descrição clara do incômodo que se pretende aliviar • Tem o objeto de alinhar o escopo do projeto • Quando utilizar? • Todo projeto Lean Six Sigma deve ter um contrato Contrato Business Case Descrição do problema (“o que está errado”) Meta (“Quanto deve ser o impacto”) + Resulta no Business Case (“qual o benefício do impacto no negócio”) Exemplo: A redução de entregas atrasadas em 15% para 3% irá aumentar a satisfação dos clientes e reduzirá custos de multas contratuais em R$350.000,00 em um ano Exemplo – Reduzir tempo de parada de máquina Exemplo – Reduzir tempo de parada de máquina Cuidados com metas Metas podem causar problemas sistêmicos nas organizações devido a • Estreitamento do foco • Comportamento antiético • Aumento de assunção de riscos • Diminuição da cooperação • Diminuição da motivação intrínseca. Tenha cuidado ao aplicar metas na sua organização Cuidados com metas • Possíveis consequências do uso inadequado de metas numéricas • Falsificar dados ou distorcer o sistema de medição • Atingir a meta em detrimento do sistema • Metas devem ser • 1. Desafiadoras • 2. Possíveis “Atribuir uma meta para alguém sem fornecer um método é uma crueldade!” (Deming) Cuidados com metas • A Toyota se baseia nos resultados da experimentação para aprender o que funciona e o que não funciona, mas esse processo não terá êxito se os funcionários sentirem que têm de ocultar notícias desfavoráveis ou fabricar resultados positivos. • A definição de objetivos que são arrojados e aparentemente impossíveis funciona pari passu com a cultura da experimentação, em que a recompensa real não é o êxito ou o fracasso,mas sim o conhecimento acumulado a partir de diversas experiências de aprendizagem de alta qualidade Cuidados com metas “Desenvolver um carro dos sonhos, que limpa o ar, evita acidentes, torna mais saudáveis e mais felizes todos os que o dirigem e atravessa o globo com um tanque de combustível.” “Permear ambições grandiosas através de toda a organização é a missão mais importante da administração” Katsuaki Watanabe, Ex-CEO da Toyota “Os funcionários podem melhorar facilmente de 5 a 10%. Por isso eu não gosto de objetivos que podem ser medidos como 100%, tendo eles sido completos ou não. Prefiro definir metas desafiadoras, em que as pessoas atingem menos, e avaliar a estratégia utilizada, ainda que eles não tenham conseguido realizá-las a tempo.” Cuidados com metas • Algumas formas de estabelecer metas: • Observar outras organizações que tenham realizado objetivos similares. • Dê alguns conceitos básicos ou ideias que poderiam resultar na realização do objetivo. • Extrair ideias dos próprios participantes, fazendo perguntas, tais como, "O que seria necessário para obter uma redução de 50 por cento no tempo de enviar uma encomenda? " SIPOC Define SIPOC • O que é? • Uma ferramentas para representar os aspectos relevantes do processo que será foco de melhoria • Objetivo • Identificar e documentar em um diagrama os aspectos relevantes do processo • Quando utilizar? • Sempre que existir falta de compreensão sobre o processo por algum integrante da equipe ou stakeholder do projeto SIPOC F O R N E C E D O R E S SaídasEntradas Processo C L IE N T E S S I P O C SIPOC: Formulário Fornecedores Entradas Processo Saídas Clientes Passos do Processo Exemplo de SIPOC Fornecedores Inputs Processo Outputs Clientes Paciente Agulhas Laboratório ResultadoMédico Realizar exame de sangue Médico Recebe paciente e requisição Prepara paciente Retira sangue Analisa sangue Preenche relatório Passos do Processo Seringas Álcool Outros materiais Requisição Diagrama direcionador Define Diagrama direcionador • O que é? • Organiza as ideias e teorias a respeito das possíveis mudanças que resultarão em melhoria. • O diagrama direcionador inicial irá refletir os conhecimentos da equipe sobre o sistema de causas que então poderão ser testados. • O diagrama deve ser atualizado conforme o conhecimento da equipe à respeito do problema também evolui. • Quando utilizar? • Depois de preencher o Contrato e o SIPOC é o momento da equipe colocar seu conhecimento atual, teorias e primeiras atividades no diagrama direcionador. Nível de detalhe Problema ou oportunidade Diagrama direcionador Exemplo – reduzir custo com descarte V1 (inicial) Exemplo – reduzir custo com descarte V2 (intermediária) Exemplo – reduzir custo com descarte V3 (final) Exemplo Measure Measure • Objetivo • Conhecer o processo em detalhes (Porta do Processo) • Avaliar o desempenho do processo através de dados (Porta de Dados) • Atividades • Fazer o Fluxograma do processo • Identificar variáveis a serem medidas • Desenvolver planos para coletar e analisar dados • Verificar a estabilidade do processo • Calcular a Capabilidade do processo Fluxograma Measure Fluxograma • O que é? • Ferramenta que tem diferentes utilidades, dependendo da fase do projeto: • Conhecimento sobre o Processo (MEASURE) • Identificação de pontos de medição (MEASURE) • Identificação de complexidades (ANALYSE) • Desafiar atividades (ANALYSE) • Projeto ou Modificação do Processo (IMPROVE) • Padronização de Procedimentos (CONTROL) • Quando utilizar • Se o projeto tem objetivo de melhorar um processo (fluxo) essa ferramenta provavelmente será útil Fluxograma S I C O P SIMBOLOGIA UTILIZADA: Indica que uma atividade está sendo desenvolvida. Indica um ponto de decisão no processo. Indica que um documento deu entrada ou saída do processo. Indica fim e início do processo. EMITIR CHEQUE P/ PGTO VALOR CORRETO? ENTREGAR AO CAIXA FIM SIM NÃO Indica uma conexão com ramificações do processo. Indica o fluxo do processo. Fluxograma Macro Midi Mini Fluxograma: nível de detalhes Fluxograma – vertical Processo de avaliação de solicitação de empréstimo Fluxograma – multifuncional Multifuncional (desdobrado) Fluxograma – versões de um processo O que o gerente pensa que é O que é realmente O que deveria ser O que poderia ser n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n Foque aqui durante a fase Analyse Foque aqui durante a fase Improve Sistema de medição Measure Característica e medida O Variáveis de Input Variáveis de Processo Variáveis de Output PI X1,, X2 , ... , Xk Y S C Y = f(X1,, X2 , ... , Xk) Processo de medição Mundo Físico Mundo Comportamental Mundo Sensorial Observar e/ou Medir Observações e Medições Documentadas Dados A medição é um processo que atribui um valor a uma característica Características Processo de Medição Resultado Processo de medição • Método que estabelece relação entre uma propriedade e um valor em uma escala Processo de Medição • Questionários • Instrumentos • etc. Método de mensuração Exemplos de características e medição Mundo Físico: Execução de uma tarefa Medir: Tempo gasto para realizar a tarefa Instrumento de medição: Cronômetro Medida: Minutos gasto na realização da tarefa Mundo Comportamental: Realização de uma reunião Medir: Atitude das pessoas na reunião Instrumento de medição: Observação Medida: Atitude positiva, atitude negativa, atitude neutra Mundo sensorial: Provar um alimento Medir: Aroma Instrumento de medição: Provadores Medida: Ruim, regular, bom, excelente Definição Operacional • Atividades comuns em qualidade • Verificar se um produto é defeituoso • Contar o número de defeitos em um produto ou serviço • Medir uma característica de qualidade • Questões: • O que é um defeito? • Como medir um defeito? • Como medir uma característica de qualidade? Uma Definição Operacional... Fornece um sentido comunicável a um conceito É clara e inequívoca Especifica métodos e equipamento s de medição Identifica critérios precisos de decisão A Definição Operacional é um componente essencial do Processo de Medição É uma descrição, em termos quantificáveis, do que medir e os passos a seguir para medi-lo de forma consistente Como você define esses conceitos? Falha no desenvolvimento de uma definição operacional clara leva, muitas vezes, à confusão e mal-entendido Um imposto justo Ser rico Ser pobre Estar desempregado Estar limpo Férias boas Chegar no prazo Área urbana Aquecimento global Estar contaminado Definição Operacional • Componentes • Objetivo • Característica de interesse • Instrumento de medição • Procedimento • Critério Definições operacionais de “chegada no prazo” • Objetivo • Verificar se uma aeronave chegou no horário no aeroporto • Característica de interesse • Horário de chegada da aeronave no aeroporto • Instrumento de medição • Relógio referenciado com o relógio da torre de controle • Procedimento: • O horário de chegada de um voo será o horário em que o trem de pouso da aeronave tocar a pista de pouso • Critério • A aeronave está no prazo se o horário de chegada for igual ao horário programado mais ou menos 15 minutos Tipos de variáveis Measure Tipos de Variáveis • Variáveis Numéricas (Quantitativa) • São as variáveis que podem ser medidas em uma escala quantitativa, ou seja, apresentam valores numéricos que fazem sentido. Podem ser contínuas ou discretas. • Variáveis Categóricas (Qualitativa) • São as variáveis que não possuem valores quantitativos,mas, ao contrário, são definidas por várias categorias, ou seja, representam uma classificação dos indivíduos. Podem ser nominais ou ordinais. Classificação de dados (simplificada) Tipo de Variáveis Característica de Qualidade Dado registrado Categóricas (Qualitativo) Classificação Desempenho da entrega Entrega no prazo/atrasado Retrabalho Sem/Com Arranhões Sem/Com Numérico (Quantitativo ) Contagem Mudanças Número de mudanças/projeto Acidentes Número de acidentes/por mês Arranhões Número de arranhões/ superfície Contínuos Tempo Minutos atrasados Peso Gramas Arranhões Tamanho em cm do arranhão Variáveis de Classificação ou Contagem são também chamados de Atributos Classifique cada uma das seguintes variáveis como classificatória, contagem ou contínua • Número de estrelas de hotéis • Quantidade de calorias de um produto alimentício • Número de bolhas em uma garrafa de vidro • Tempo médio de espera para se atendido em um Call Center • Número de atendentes em um Call Center • Número de ligações perdidas em um Call Center • Motivos para ligações perdidas em um Call Center • Fontes de consumo de água em uma residência • Consumo de água em uma residência • Número de telefones por domicílio • Número de chamadas de longa distância realizadas por mês • Duração de cada chamada de longa distância • Cor do telefone utilizado com mais frequência • Se existe uma linha conectada ao modem na residência • Quantia gasta com livros • Tempo gasto na livraria por mês • Se é filiado a algum Partido Político • Caso seja, a que Partido Político é filiado • Satisfação com um determinado produto Custo, tempo e informação Tipo de variável Tempo para medir Custo para medir Informação por unidade medida Tamanho da amostra para a mesma quantidade de informação Classificação - Contagem Contínua + Não há uma única forma de medir. A decisão depende de vários fatores A forma de medir usual, que pode ser adequada para operações de rotina, pode não ser adequada em projetos de melhoria Análise da variação Measure Variabilidade e Estatística A variação é inerente a todos os processos Percepção da Variação A variação pode ser percebida através dos dados Reação à variação • Uma das funções de um gestor é tomar decisões que são baseadas na interpretação da variação nos indicadores • Há 3 meses que as vendas estão abaixo do previsto. Esses dados indicam uma tendência? É necessário agir? • Há diferenças de desempenhos das pessoas na organização. Há alguém que realmente necessita de uma assistência especial? Há alguém que merece um reconhecimento especial? • O número de acidentes foi maior que no ano passado. É preciso fazer mudanças no ambiente de trabalho? Fazer uma campanha sobre segurança no trabalho? Gráfico de Tendência e Causas de Variação Measure Gráfico de tendência • O que é • Ferramentas para analisar um indicador coletado ao longo do tempo • Quando utilizar • Sempre que coletar dados ao longo do tempo Gráfico de Tendência • O gráfico de tendência é um gráfico simples e fácil de construir • Eixo horizontal: tempo • Eixo vertical: variável sendo monitorada Análise da variação – causas de variação 24222018161412108642 20 15 10 5 0 -5 -10 -15 -20 Dia M in u to s 0 Gráfico de Controle: Hora de Chegada 24222018161412108642 20 15 10 5 0 -5 -10 -15 -20 Dia M in u to s 0 Gráfico de Controle: Hora de Chegada 24222018161412108642 20 15 10 5 0 -5 -10 -15 -20 Dia M in u to s 0 Gráfico de Controle: Hora de Chegada 24222018161412108642 20 15 10 5 0 -5 -10 -15 -20 Dia M in u to s 0 Gráfico de Controle: Hora de Chegada 24222018161412108642 20 15 10 5 0 -5 -10 -15 -20 Dia M in u to s 0 Gráfico de Controle: Hora de Chegada Causas de variação (Shewhart 1931) - Atividade Causas de variação (Shewhart) • Causas comuns • Causas que são inerentes ao processo todo o tempo, afetam todos que atuam no processo, e afetam todos os resultados do processo • Causas especiais • Causas que não atuam no processo todo o tempo ou não afetam todo mundo, mas que surgem devido a circunstâncias especiais Como descrever a variação (VOP)? Mes Inventario (em mil US$) Mes Inventario (em mil US$) jan/2003 19 jan/2004 20 fev/2003 27 fev/2004 22 mar/2003 20 mar/2004 19 abr/2003 16 abr/2004 16 mai/2003 18 mai/2004 22 jun/2003 25 jun/2004 19 jul/2003 22 jul/2004 25 ago/2003 24 ago/2004 22 set/2003 17 set/2004 18 out/2003 25 out/2004 20 nov/2003 15 nov/2004 16 dez/2003 17 dez/2004 17 Como descrever a variação (VOP)? Visão Estática Estatísticas Descritivas Média, Mediana, Quartis, Mínimo, Máximo Amplitude, Desvio Padrão Histograma 28262422201 81 61 4 25 20 1 5 1 0 5 0 Inventario (em mil US$) P e rc e n t Histogram of Inventario (em mil US$) Inventário (em mil US$) N Mean StDev Mínimo Q1 Mediana Q3 Máximo 24 20.04 3.40 15 17 19.5 22 27 Como descrever a variação (VOP)? Visão Dinâmica Gráfico de Tendência Gráfico de Controle (Gráfico ao longo do tempo) R at e pe r 1 00 E D P at ie nt s Unplanned Returns to Ed w/in 72 Hours M 41.78 17 A 43.89 26 M 39.86 13 J 40.03 16 J 38.01 24 A 43.43 27 S 39.21 19 O 41.90 14 N 41.78 33 D 43.00 20 J 39.66 17 F 40.03 22 M 48.21 29 A 43.89 17 M 39.86 36 J 36.21 19 J 41.78 22 A 43.89 24 S 31.45 22 Month ED/100 Returns u chart 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 0.0 0.2 0.4 0.6 0.8 1.0 1.2 UCL = 0.88 Mean = 0.54 LCL = 0.19 no v/ 20 04 se t/ 20 04 ju l / 20 04 m ai /2 00 4 m ar /2 00 4 ja n/ 20 04 no v/ 20 03 se t/ 20 03 ju l/ 20 03 m ai /2 00 3 m ar /2 00 3 ja n/ 20 03 35 30 25 20 1 5 1 0 Mes In d iv id u a l V a lu e _ X=20.04 UCL=31.61 LCL=8.48 I Chart of Inventario (em mil US$) Causas de variação • Diferentes estratégias são necessárias para melhorar um processo estável (somente causas comuns atuam) ou um processo instável (causas especiais também atuam). • Método de identificação: Gráfico de Tendência (ou Gráfico de Controle.) Regras para distinção de causas de variação Gráfico de tendência: Minutos adiantados ou atrasados em relação ao especificado Um ponto muito afastado dos demais Sequencia de oito ou mais pontos abaixo ou acima da média Sequencia de seis ou mais pontos crescente ou decrescente Gráfico de Controle Regras para distinção de causas de variação com gráfico de controle Exercício 1 • Os dados do último mês são o resultado de causas comuns ou especiais? Por que? • A diretora de recursos humanos tomou a providência adequada? • O que ela deveria esperar que fossem seus custos mensais de treinamento? A diretora de recursos humanos estava examinando suas despesas com treinamento dos últimos dois anos. Baseada nos últimos 12 meses, ela havia colocado no orçamento um custo médio de $ 98.000 por mês; mas as despesas do último mês foram de $ 105.000. Ela queria saber o que havia de diferente com o último mês e pediu à sua equipe para descobrir o que aconteceu, para que pudessem evitar o problema no futuro Exercício 2 Uma linha de embalagem teve, em média, 4 horas de interrupções por semana, de 8 de março a 23 de agosto. Já que muitos dos problemas estavam relacionados a quedas na energia elétrica, os técnicos suspeitaram que o equipamento de proteção da rede elétrica estivesse funcionando mal. Eles o substituíram no final de janeiro e então continuaram a coletar dados por mais oito semanas. • Acaso o novo equipamento de proteção da rede ajudou? • Em caso afirmativo, em que semana eles tiveram seu primeiro sinal? Há outros sinais de uma mudança no processo? Exercício 3 Um fornecedor de bens de consumo acompanha os pedidos que chegam via EDI. Ele quer usar esses dados para ajudar a planejar o orçamento para o novo ano. Se o processo for estável, os gerentespoderão estimar em média quantos pedidos serão recebidos a cada dia. Mas primeiro eles precisam saber se há quaisquer indicações de causas especiais no processo. • Os dados indicam a presença de causa especial ou a variação é toda ela resultado de causas comuns? Por que? • Qual o número médio de pedidos que deveriam esperar por dia? • Qual o número máximo de pedidos que deveriam esperar receber por dia? Exercício 4 Uma fábrica que produz cartões de plástico (cartões de crédito, cartões de identificação de seguro médico, etiquetas de embalagem etc.) usa água de um rio próximo para refrigerar o equipamento usado no processo de aquecimento. Eles podem reciclar a água e devolvê-la ao rio, contanto que esta não contenha mais de 50 mg de impurezas. Um técnico monitora o volume de impurezas em uma amostra que é tirada todos os dias. • Os dados indicam a presença de uma causa especial ou a variação é, toda ela, resultado de causas comuns? • Se há uma causa especial, qual amostra assinala isso primeiro? Exercício 5 O gráfico abaixo apresenta o número de bagagens perdidas num vôo entre os dias 1 de março e 3 de abril. • Qual a amplitude de dados que deve ser esperada para perda de bagagem em um único dia? • Existem quaisquer indicações de causas especiais? • A companhia aérea deveria usar ações de causa comum ou causa especial para responder ao número de bagagens perdidas no dia 31 de Março? Análise de indicadores Measure Abordagens comuns em análise de dados • É comum comparar a porcentagem da diferença em relação à média • A interpretação da porcentagem de variação em relação à média depende • Do valor da média (10% de 50 é diferente de 10% de 500) • Da quantidade de variação presente nos dados: 2% de variação da média pode ser causa especial e 20% pode ser causa comum Um relatório gerencial típico Indicadores Depto Valor Atual Média Mensal % Dif. Qualidade Entregas no prazo (%) 20 91.0 91.3 –0.3 Aprovação na primeira vez (%) 12 54 70 –23.0 Sucata/por 1000 Kg produzidos) 19 124 129 –3.9 Produção Volume Produzido (1000 Kg) 13 34.5 33 +4.5 Custo Total de Produção/100 Kg 13 280.83 278.82 +0.7 Inventário em processo (100 Kg) 17 28 19.7 +42.0 Operações % Faturam. no prazo 06 74.3 95 –21.8 ju n/ 20 05 m ar /2 00 5 de z/ 20 04 se t/ 20 04 ju n/ 20 04 m ar /2 00 4 de z/ 20 03 se t/ 20 03 ju n/ 20 03 m ar /2 00 3 35 30 25 20 15 10 5 0 mes in v e n ta ri o Gráfico de Tendência: Inventario Uma forma melhor: analise a série Adaptado de Donald Wheeler, Understanding Variation: The Key to Managing Chaos. SPC Press: 1993. Julho/05 é uma causa especial? Princípios da teoria da variação 1. Devemos esperar que as coisas variem. Elas sempre variam 2. Entendimento da variação nos diz o que esperar em termos de resultados 3. Trabalhe sempre nas causas de variação, as quais são sempre encontradas no sistema 4. Entendimento de variação nos diz quando algo especial aconteceu IPC-Fipe recua para 0,08% em outubro (05.11.2007 ; 05h44), Agência Estado O Índice de Preços ao Consumidor (IPC) da Fundação Instituto de Pesquisas Econômicas (Fipe), da USP, fechou o mês de outubro com variação de 0,08% na cidade de São Paulo. O índice apresentou significativo recuo ante a taxa setembro (0,24%) e ficou abaixo das expectativas dos analistas consultados pela Agência Estado, que iam de 0,11% a 0,16%. Na terceira quadrissemana de outubro, o IPC foi de 0,15%. Deu no portal Exame... out/07set/07 0,25 0,20 0,15 0,10 0,05 0,00 Mês % 0,08 0,24 Índice Geral da Fipe A inflação está caindo? As variações são grandes ou pequenas? Em relação a quê? O que esperar para o mês seguinte? Quatro meses depois ... Mês Fipe jan/06 0.50 fev/06 -0.03 mar/06 0.14 abr/06 0.01 mai/06 -0.22 jun/06 -0.31 jul/06 0.21 ago/06 0.12 set/06 0.25 out/06 0.39 nov/06 0.42 dez/06 1.04 jan/07 0.66 fev/07 0.33 mar/07 0.11 abr/07 0.33 mai/07 0.36 jun/07 0.55 jul/07 0.27 ago/07 0.07 set/07 0.24 out/07 0.08 nov/07 0.47 dez/07 0.82 jan/08 0.52 fev/08 0.19 Gráficos de frequência: histograma e Dot-Plot Measure Gráfico de Freqüência: Dot Plot Mês Gasto Mês Gasto jan/2001 97 jan/2002 96 fev/2001 104 fev/2002 100 mar/2001 99 mar/2002 99 abr/2001 94 abr/2002 96 mai/2001 100 mai/2002 103 jun/2001 99 jun/2002 97 jul/2001 96 jul/2002 96 ago/2001 96 ago/2002 91 set/2001 94 set/2002 98 out/2001 96 out/2002 96 nov/2001 98 nov/2002 95 dez/2001 99 dez/2002 105 Gráfico de Freqüência: Histograma 3074.32 1184.04 631.14 970.81 1126.45 86.00 694.34 757.04 778.88 107.78 809.86 711.36 1403.13 1172.68 197.84 92.50 602.36 489.40 1033.09 732.89 760.71 1275.38 338.41 6.99 253.61 191.21 1249.77 793.21 516.11 27.19 474.35 666.90 43.15 608.39 707.19 2837.39 954.81 15.40 574.56 2106.47 1243.20 933.57 651.78 79.80 1076.80 320.45 3065.79 890.95 928.44 306.15 807.55 2566.06 1063.25 193.04 779.07 1252.07 154.55 629.59 357.53 1132.04 209.84 1239.65 429.08 383.45 1121.12 1142.27 295.61 1689.13 891.68 349.22 3005.68 1572.08 959.55 906.96 453.15 587.72 436.04 623.76 521.65 2589.97 2705.86 458.13 401.17 60.45 2415.94 1503.63 280.52 20.37 1052.25 1348.63 538.09 858.61 347.03 1469.26 891.91 33.00 234.90 1047.04 693.39 513.15 159.12 364.84 3239.65 3637.38 1633.70 176.02 494.01 857.72 1261.66 409.74 27.11 1685.12 1688.66 1065.77 175.59 1449.60 413.37 403.72 1851.64 3711.79 23.84 326.36 592.99 26.40 3689.57 1258.30 934.65 730.77 602.71 386.14 358.21 413.78 208.51 283.67 380.95 2541.23 122.40 414.68 51.22 2.00 601.91 1669.42 987.59 692.49 924.84 245.54 150.13 3850.09 431.53 190.56 537.33 611.32 713.29 2202.69 123.86 45.58 167.57 1768.33 732.66 1218.76 1088.30 2.06 861.27 1014.46 2020.19 1263.97 3042.79 406.31 1561.42 1562.89 400.46 727.84 728.29 775.67 2166.44 368.39 89.54 2076.58 1532.15 571.24 778.95 154.25 702.29 30.00 785.85 141.17 853.03 2100.70 134.10 648.24 1622.95 424.75 185.93 1609.05 4187.47 2478.63 203.56 238.76 451.58 283.78 Considere os dados de gasto mensal com cartão de crédito de 200 clientes de uma operadora Gráfico de Freqüência: Histograma Estatísticas descritivas Measure Medidas de localização • São medidas numéricas que estabelecem • Entre que valores os dados ocorreram • Mínimo e Máximo • Qual é centro dos dados • Média e Mediana • Qual é o valor abaixo do qual temos uma certa porcentagem dos dados • Quartis (Quartil 1 e Quartil 3) e Percentis Medidas de localização: Mínimo, Máximo e Média • Denote os valores do conjunto de dados por 𝑥1, 𝑥2,… , 𝑥𝑛 • Mínimo: 𝑋𝑚𝑖𝑛 = 𝑀í𝑛𝑖𝑚𝑜(𝑥1, 𝑥2, … , 𝑥𝑛) • Máximo: 𝑋𝑚𝑎𝑥 = 𝑀á𝑥𝑖𝑚𝑜(𝑥1, 𝑥2, … , 𝑥𝑛) • Média: 𝑋 = 𝑥1+𝑥2+⋯+𝑥𝑛 𝑛 = 𝑖=1 𝑛 𝑥𝑖 𝑛 • Mediana: valor central 𝑀𝑒𝑑𝑖𝑎𝑛𝑎 = 𝑋 𝑛+1 2 , 𝑠𝑒 𝑛 é 𝑖𝑚𝑝𝑎𝑟 𝑋 𝑛/2 + 𝑋 1+𝑛/2 2 , 𝑠𝑒 𝑛 é 𝑝𝑎𝑟 Medidas de localização: Mediana • Exemplo (para n impar): Considere os seguintes valores: 71, 70, 70, 72 e 70 • Os valores ordenados são: 70 70 70 71 72 • A mediana é 70 • Exemplo (para n par): Considere os seguintes valores: 500 550 550 550 600 700 750 2000 • Mediana = (550+600)/2=575 Média, Mediana e forma da Distribuição Média =15.20 Mediana = 11.64 Média =15.036 Mediana = 15.035 Distribuição simétrica Distribuição assimétrica Medidas de localização: Quartis • O quartil 1: 25% do valores estão abaixo da quartil 1 e 75% dos valores estão acima do quartil 1 • O quartil 3: 25% do valores estão acima da quartil 3 e 75% dos valores estão abaixo do quartil 3 Medidas de Variação • Suponha duas linhas de produção, onde medimos o comprimento. Os valores aceitáveis são entre 8 e 12. As linhas são equivalentes? Duas formas de se medir variação: Amplitude = Máximo-Mínimo Desvio padrão Medidas de Variação: Desvio Padrão • Considere os seguintes dados 70 71 73 74 77 -3 -2 0 1 4 • A média é 73. Os desvios em relação à média estão na tabela abaixo• A soma dos desvio é zero (de fato, a soma dos desvios em relação à média é zero para qualquer conjunto de dados) Medidas de Variação: Desvio Padrão • Para calcular o desvio padrão, inicialmente eleva-se os desvios ao quadrado (contribuição de cada desvio) 9 4 0 1 16 (9 + 4 + 0 + 1 + 16) / 4 = 7.5 • O próximo passo é somar a contribuição de cada desvio e dividir pelo total de valores menos 1 • O último passo é calcular a raiz quadrada da variância amostral que é o desvio padrão 𝐷. 𝑃. = 7.5 = 2.74 Resumo: caracterização de uma variável numérica Estatísticas Descritivas: N_Vendas N 60 Média 201.47 Mediana 201.00 Desvio Padrão 16.73 Quartil 1 191.00 Mínimo 170.00 Quartil 3 210.75 Máximo 243.00 Amp.Interq (IQR) 19.75 Amplitude 73.00 O que a média e o desvio padrão não mostram • Observe os quatro conjuntos de números ao lado • Todos tem mesma média e mesmo desvio padrão • Os conjuntos são iguais? N Conj 1 Conj 2 Conj 3 Conj 4 1 40.50 41.64 35.00 44.50 2 41.50 58.36 37.00 45.00 3 42.50 42.29 42.00 45.50 4 43.50 57.71 53.90 46.00 5 44.50 42.93 53.00 46.50 6 45.50 57.07 50.60 47.00 7 46.50 43.57 50.50 47.50 8 47.50 56.43 53.80 48.00 9 48.50 44.21 52.50 48.50 10 49.50 55.79 53.60 49.00 11 50.50 44.86 50.40 49.50 12 51.50 55.14 52.20 50.00 13 52.50 45.50 52.70 50.50 14 53.50 54.50 52.40 51.00 15 54.50 46.14 52.70 51.50 16 55.50 53.86 51.40 52.00 17 56.50 46.79 53.80 52.50 18 57.50 53.21 52.90 53.00 19 58.50 47.43 56.81 72.71 20 59.50 52.57 42.79 49.79 Média 50.00 50.00 50.00 50.00 Desv. Pad. 5.92 5.92 5.92 5.92 O que a média e o desvio padrão não mostram Index C o n j 1 20161284 70 60 50 40 Index C o n j 2 20161284 70 60 50 40 Index C o n j 3 20161284 70 60 50 40 Index C o n j 4 20161284 70 60 50 40 Time Series Plot of Conj 1 Time Series Plot of Conj 2 Time Series Plot of Conj 3 Time Series Plot of Conj 4 Cenário • A porcentagem de pacientes da emergência com dor no peito atendidos por um cardiologista em até 10 min foi medida durante 24 semanas. Uma mudanças foi feita após a semana 12. O resumo comparando as 12 primeiras semanas com as doze últimas está na tabela abaixo. A mudança foi melhoria? Pequena ou alta? Semana 1-12 Média 80% Max 94% Min 67% Semana 13-24 Média 84% Max 95% Min 79% 20 /m ar 06 /m ar 21 /f ev 07 /f ev 24 /ja n 10 /ja n 20 /d ez 06 /d ez 22 /n ov 08 /n ov 24 /o ut 10 /o ut 100.00% 90.00% 80.00% 70.00% 60.00% Data P o rc Gráfico de Tendência: Porcentagem Gráficos de barras e tabelas Measure Gráfico de barras e tabelas • O que é? • Ferramenta para estudar a distribuição de dados classificatórios • Quando utilizar? • Sempre que os dados coletados forem classificatórios (qualitativos) Dados classificatórios: Tabelas e Gráficos • Clientes de uma instituição de crédito são classificados como “BOM”, “MAU” e “OUTROS”. Status Freq Porc. BOM 5139 51.7% MAU 379 3.8% OUTROS 4428 44.5% Total 9946 100.0% 44.5% 3.8% 51.7% Category BOM MAU OUTROS Pie Chart of Freq vs Status Status P e rc e n t OUTROSMAUBOM 50 40 30 20 10 0 Chart of Status Percent within all data. Dados classificatórios: Gráfico de Tendência Uma empresa de logística amostrou sessenta entregas por semana durante vinte semanas e avaliou cada entrega se foi feita no prazo ou fora do prazo. Semana % fora do prazo 1 8.33 2 3.33 3 3.33 4 10.00 5 11.67 6 8.33 7 13.33 8 6.67 9 3.33 10 8.33 11 6.67 12 1.67 13 5.00 14 15.00 15 13.33 16 6.67 17 8.33 18 3.33 19 10.00 20 13.33 Gráfico de Pareto Measure Gráfico de Pareto • O que é? • Um gráfico de barras ordenada • Serve para dar foco em esforços de melhoria • Conhecida como regra 80/20 ou Vitais vs. Triviais • Quando utilizar? • Se o objetivo é reduzir defeitos, então faça um gráfico de Pareto dos defeitos para encontrar os vitais. Exemplo: Defeitos em Manufatura Valor Cumul. Value Diagrama de Pareto Variável: Número de defeitos Tipos de Defeitos V a lo re s P o rc e n ta g e m 1 2 3 4 5 6 7 1 2 3 4 5 6 7 -1.#QNAN-1.#QNAN-1.#QNAN-1.#QNAN-1.#QNAN-1.#QNAN-1.#QNAN-1.#QNAN 0 10 20 30 40 50 60 70 80 90 100 0 20 40 60 80 100 120 140 1 2 3 4 5 6 7 O Princípio de Pareto O Princípio de Pareto se aplica O Princípio de Pareto não se aplica Cuidados ao Fazer o Gráfico O eixo vertical deve ter altura igual à soma de todas as freqüências Estratificação Tipo de erro Vendas RH Manuf. Eng. Finan. Trein. Total Falta assinatura Funcionári o 2 3 3 2 10 Gerente 25 1 40 1 2 1 70 V.P. 2 2 2 6 Falta recibo Taxi 3 1 3 1 8 Refeição 3 3 6 Estacion. 33 26 1 60 Comb. 2 2 1 5 Total de erros 68 3 76 9 6 3 165 Erros em relatório de despesas Pareto por local e estratificação freq 76 68 9 6 6 Percent 46.1 41.2 5.5 3.6 3.6 Cum % 46.1 87.3 92.7 96.4 100.0 local OtherFinan.Eng.VendasManuf. 180 160 140 120 100 80 60 40 20 0 100 80 60 40 20 0 fr e q P e rc e n t Pareto Chart of local Venda e Manuf 65 59 6 4 4 6 Percent 45.1 41.0 4.2 2.8 2.8 4.2 Cum % 45.1 86.1 90.3 93.1 95.8 100.0 Tipo Ot he r Fa lta r ec ib o co m b. Fa lta a ss in .V .P . Fa lta r ec ib o re fe içã o Fa lta re ci bo e st ac io n. Fa lta a ss in .g er en te 160 140 120 100 80 60 40 20 0 100 80 60 40 20 0 V e n d a e M a n u f P e rc e n t Pareto Chart of Tipo: Vendas+Manuf. Modificações no Gráfico de Pareto • Três alternativas importantes para o eixo vertical são: • Valor monetário • Tempo • Contribuição percentual de cada classificação para o total (tempo, ocorrências, dinheiro etc.) Estreitando o Foco (Macro para Micro) Estabilidade na Análise de Pareto Se o processo for instável, deve ser feita a estratificação dos dados para separar os dados obtidos quando causas especiais estavam presentes dos dados Estratificação Measure Estratificação • O que é? • separação e classificação dos dados, de acordo com fatores ou variáveis selecionados. • O objetivo é encontrar padrões que auxiliem na compreensão dos mecanismos causais de um processo. • Quando utilizar? • Sempre que houver interesse de se estudar se o “comportamento” é o mesmo em todos os grupos definidos pelos fatores ou variáveis Exemplo 282624222018 tempo de set-up 282624222018 A B tempo de set-up T u r n o 3024181261 30 25 20 15 Index t e m p o d e s e t - u p A B Turno Dotplot of tempo de set-up Dotplot of tempo de set-up por turno Gráfico de tendência tempo de set-up por turno Tempo de setup Turno A Turno B 20 24 19 23 21 28 21 22 22 24 18 24 20 23 20 21 19 25 19 23 23 26 21 27 19 22 20 22 22 25 18 26 O tempo de setup de uma máquina foi medido em dois turnos. Os tempos estão na tabela ao lado. Gráfico de Controle Measure Gráfico de Controle • O que é? • Um Gráfico de Controle é um Gráfico de Tendência com limites de controle calculados com base estatística • Ajudam a identificar causas comuns e especiais de variação • Inicialmente utilizado na linha de produção, pode ser aplicado a qualquer indicador • Quando utilizar? • Devemos montar um gráfico de controle para todos os indicadores Gráfico de Controle de Shewhart Estrutura de um Gráfico de Controle Tipos de variáveis Dados Contínuos Dados de Atributo Defeitos? (contagem) Defeituoso? (classificação) Sim! Sim! Quantos? 2! Defeito Item produzido Seleção do Gráfico deControle Gráficos P Gráfico de Controle Gráfico P • Quando utilizar? • Sempre que contamos o número de unidades defeituosas • O indicador é uma proporção • Obs: nem todo dado de porcentagem é dado de classificação (razões entre dados contínuos, por exemplo) Exemplo de Gráfico P Dados sobre absenteísmo – 90 funcionários Dia Total de Ausências p Ausências Não Justificadas
Compartilhar