CONTEÚDO DA AULA 0

ESTRUTURA E MÉTRICAS SEIS SIGMA

Ao final desta aula o aluno deverá ser capaz de:

• Conhecer as vantagens da aplicação do seis sigma e do

lean;

• Relações entre o seis sigma e o lean

• Conhecer os conceitos gerais da metodologia seis sigma

• Dominar os conceitos de estatística básica;

• Entender o significado de seis sigma.

EMENTA DA AULA 01

Associação entre seis sigma e lean, histórico do seis sigma, conceitos

básicos de estatística e o significado de seis sigma.
O QUE GANHAMOS COM A APLICAÇÃO DO SEIS SIGMA E DO LEAN?

Seis sigma e lean são metodologias que podem ser aplicadas

individualmente, porém ao serem aplicadas em conjunto resultam em maior
produtividade com maior qualidade e, conseqüentemente, maior lucro para as
organizações.

Segundo o Lean Sigma Institute1 o lean associado ao seis sigma melhora a

velocidade, a qualidade e o custo simultaneamente. O lean objetiva melhorar o
fluxo reduzir desperdícios e agregar valor ao processo, em resumo, torna o
processo mais rápido através da redução do lead time. O seis sigma objetiva
reduzir a taxa de defeitos e diminuir a variabilidade do processo, portanto,
aumenta a capacidade do processo. A resultante desta associação para o
processo é a obtenção de maior produtividade e qualidade em menor tempo (ver
figura 01).

1
Fonte: www.sixsigmainstitute.com/leansigma
 Figura 01- resultado da correlação lean e o seis sigma (fonte: Lean Sigma Institute)

Em resumo o seis sigma e o lean são filosofias distintas e com focos

diferentes, mas que podem ser aplicadas simultaneamente e trazer grandes
ganhos para as organizações.

Seis Sigma Lean

Diminuir a variabilidade Reduzir desperdícios

Aumentar a qualidade Reduzir o lead time

Solução de problemas complexos através Solução rápida de problemas (kaizen)

de ferramentas estatísticas

Aumento do rendimento da cadeia de valor Aumentar o valor agregado das etapas do

processo

Métrica: nível sigma de qualidade Métrica: tempo

Seis sigma e lean são considerados uma ferramenta, um sistema ou uma
filosofia?

Esta é uma pergunta que aflige a maioria das pessoas e cujo entendimento
é crucial para o bom desenvolvimento e aplicação de qualquer metodologia da
qualidade e produtividade dentro das organizações.

Em primeiro lugar vamos definir o que é uma ferramenta. Ferramentas são

quaisquer técnicas utilizadas para melhorar a produtividade ou a qualidade
quando utilizadas isoladamente dentro da organização. A partir do momento que
passamos a relacionar estas ferramentas entre si, para obtermos resultados
melhores e mais rapidamente, estamos construindo um sistema. Quando
definimos claramente as interações entre as ferramentas e as pessoas
compreendem e aplicam estas ferramentas de modo intuitivo e interativo, então,
temos uma filosofia. A figura 02 demonstra graficamente esta situação.

Figura 2 – ferramenta x sistema x filosofia

A relação entre o seis sigma e o lean2

Elemento Seis Sigma Lean

Visão Melhoria dos processos Melhoria da cadeia de valor

Abordagem Redução de defeitos, conceito de Redução de desperdícios, conceito

Critical to Quality (CTQ) valor reconhecido pelo cliente

2
Fonte: Compreendendo o Lean Six Sigma. Revista Excelência Six Sigma n° 01 Março- Abril 2007.
 Objetivo Diminuir a variabilidade Diminuir o valor não agregado
Indicadores Foco forte na eficácia, indicadores Foco forte em eficiência, indicadores
mostrando atender as especificações mostrando atender a produtividade
do cliente

Estrutura da Equipe formada por belts compostos Atividades de pequenos grupos

equipe por vários níveis e departamentos (APGs), compostos principalmente
trabalhando no tema do projeto por equipes da área envolvendo o
chão de fábrica

Natureza dos Projetos definidos observando o Projetos definidos observando o

trabalhos impacto no cliente interno e externo fluxo da cadeia de valor

Metodologias DMAIC e DMADV Utilização dos 5 princípios

Estratégias de Implementar projetos estratégicos Implementar melhorias nos pontos

implementação ao negócio da empresa gargalos com disseminação do
conceito kanban

Áreas clássicas de Qualidade Produção

coordenação

Ferramentas Mapa do processo, estudos VSM, TOC, kanban, poka-yoke, JIT,

utilizadas estatísticos, matrizes de tomada de SMED, 5S, gerenciamento visual,
decisão, FMEA, planos de controle, etc.
etc.

Empresas de Empresas Norte Americanas Empresas Japonesas

sucesso com o
programa

Dada esta breve explicação sobre as vantagens da integração e do foco

individual vamos iniciar uma jornada por dentro de cada uma destas filosofias.

Introdução ao seis sigma

Nas últimas décadas o mundo tem experimentado uma série de modelos

dirigidos a melhoria da qualidade e da produtividade. Em geral estes modelos têm
um objetivo específico que não está diretamente ligado ao desempenho financeiro
da empresa. Isto faz com que estes modelos não sejam vistos como prioridade
pela direção, pois, os resultados obtidos com sua implantação não impactam
positivamente os indicadores financeiros e, como é sabido, no mundo capitalista
um projeto que não apresenta retorno palpável está fadado a fracassar devido à
falta de apoio e interesse da alta direção.

Um estudo publicado na revista “Quality Progress” constatou que empresas

ganhadoras de prêmios da qualidade apesar de terem a percepção em relação à
qualidade aumentada não obtiveram o mesmo reflexo em seus indicadores
financeiros, ao contrário, alguns indicadores como as vendas por funcionários, o
retorno sobre os ativos e o retorno sobre as vendas caíram.

O Seis Sigma inicialmente implantado na Motorola em 1985 é um modelo

que vêm com o objetivo explicito de quebrar este paradigma. Esta quebra de
paradigma se dá pelo fato de ser um modelo com métrica focada na redução da
variabilidade dos processos embasada em indicadores financeiros para a medição
dos resultados. Algumas das maiores corporações ao redor do mundo,
conseguiram obter resultados financeiros extraordinários com a aplicação do Seis
Sigma. Dentre elas podemos citar organizações como a GE, Motorola, Sony,
Nokia, Texas Instruments, Allied Signal, Canon, Hitachi, American Express,
Toshiba, Du Pont e Polaroid. O quadro a seguir demonstra relação entre o nível
sigma e o custo da não qualidade.
Conceito geral da metodologia seis sigma

O Seis Sigma é uma metodologia que permite às empresas maximizar seus

lucros através da melhoria da qualidade de processos eliminando defeitos, falhas,
erros e desperdícios de processos técnicos e não-técnicos.

Um processo de fabricação é visto como um processo técnico. Em um

processo técnico temos entradas de insumos, matérias-primas, operadores,
máquinas, equipamentos de medição que fisicamente fluem através do processo.
Mas também existem os fatores controláveis e os incontroláveis que afetam um
processo técnico, tais como: temperatura, umidade, tensão, corrente, pressão,
vibração, variação da composição química dos materiais, etc. A principal
característica de um processo técnico é o fluxo do produto visível e um produto
tangível como resultado deste processo.

Processos administrativos tais como a geração de um pedido de compra ou

de um plano de produção, processos transacionais como efetuar um empréstimo
no banco ou processos envolvendo serviços de vendas por meio eletrônico são
considerados processos não-técnicos. Em um processo tem como principal
característica trabalhar com fluxo de informações e ter, na maioria das vezes,
entradas e saídas intangíveis.

O seis sigma pode ser aplicado em processos técnicos e processos não-

técnicos de diferentes maneiras. Usualmente o seis sigma pode ser aplicado
como:

Filosofia: busca da perfeição envolvendo a aplicação do seis sigma em

processos existentes e no desenvolvimento de novos processos (Design for
Six Sigma - DFSS).

Visão: servir como orientador (driver) para a empresa se posicionar entre

as melhores do mercado.
 Estratégia: seis sigma voltado para obter alto nível de confiabilidade de
bens e serviços visando a satisfação e fidelização dos clientes e o aumento
do market share (fatia de mercado).

Benchmark: comparativo entre o nível de qualidade de produtos,

operações, serviços e processos internos e externos.

Meta: objetivo zero defeitos e custos da não qualidade abaixo de 1%.

Métrica (escala): utilizado para medir o nível de qualidade de um processo.

Estatística: utilizado na avaliação das características críticas para a

qualidade (CTQs).

Revisão sobre conceitos de estatística básica

Para entender o conceito e as métricas utilizadas na metodologia seis

sigma é necessário um conhecimento mínimo de estatística básica. Com o intuito
de fornecer este conhecimento ao leitor é que esta pequena introdução a
conceitos básicos como a origem e classificação dados, medidas de tendência
central, medidas de dispersão, medidas de forma e distribuição normal foram
introduzidos.

O que são dados?

Dados são coletâneas de quaisquer valores relacionados a medições ou, segundo

o dicionário Aurélio, dado é Informação factual usada como base para raciocínio,
discussão ou cálculo.

Origem dos dados

Os dados podem ter duas origens:

Dados populacionais, os quais são obtidos de um universo finito

contemplando todos os valores existentes;

Dados amostrais, os quais são obtidos através de uma amostragem retirada

da população, a qual pode ser finita ou infinita.
Classificação e categorização dos dados

Os dados são classificados e categorizados conforme demonstrado no quadro a

seguir:

Tipo Característica Exemplo Método

Quantitativo Representado por números reais, Massa, volume, tempo de Medição

Contínuo podendo assumir todos os valores percurso, temperatura, % de
dentro de um intervalo venda, espessura de uma peça...
especificado

Quantitativo Representado por números N° notas fiscais preenchidas Contagem

Discreto inteiros (1, 2, 3, 4,...) erradas, N° de habitantes, n° de
caixas em estoque...

Qualitativo Representado por números ou Colocação em uma corrida Classificação

ou Atributivo classificações que podem ser automobilística, ranking em uma
Ordinal arranjados em ordem de grandeza pesquisa, grau de satisfação.

Qualitativo Resulta de uma classificação, Sexo, tipo de não conformidade, Observação

ou Atributivo tomada a partir de critérios cor dos olhos,
Nominal específicos Aprovado/Reprovado
Organização dos dados

Dados são obtidos através de medições de uma determinada característica.

Vejamos o exemplo a seguir onde foram medidas 25 amostras e seus resultados
registrados em uma tabela contendo 5 linhas e 5 colunas:

1,25 1,24 1,20 1,27 1,23

1,28 1,25 1,17 1,25 1,25
1,18 1,21 1,19 1,22 1,26
1,24 1,23 1,22 1,26 1,27
1,21 1,23 1,24 1,26 1,26

De posse dos dados nossa tarefa é descrevê-los de uma maneira prática, de

modo que o usuário possa interpretá-los facilmente. Uma das técnicas é construir
uma figura (gráfico) que demonstre a forma de distribuição destes dados. Se os
dados acima forem arranjados em ordem crescente e de freqüência, obteremos o
seguinte resultado:

1,17
1,18
1,19
1,20
1,21 1,21
1,22 1,22
1,23 1,23 1,23
1,24 1,24 1,24
1,25 1,25 1,25 1,25
1,26 1,26 1,26
1,27 1,27 1,27
1,28

Percebe-se que com os dados arranjados a visualização da amplitude

(menor e maior valor), do valor de maior ocorrência e da forma de distribuição dos
dados fica facilmente perceptível.

Agora, se colocarmos os valores medidos em um eixo horizontal e no eixo

vertical a freqüência (n° de vezes que cada valor medido se repete) obteremos
uma representação gráfica denominada “Histograma de Freqüência”:
 Este tipo de representação gráfica é muito útil, pois facilita a visualização da
distribuição dos dados. Porém alguns cuidados devem ser tomados ao construir
um histograma. Vejamos o que acontece quando tentamos construir um
histograma para os dados a seguir:

Neste caso, como podemos observar o gráfico não nos dá a mínima idéia da
forma de distribuição dos dados e, portanto não nos será útil no modo em que se
apresenta.
Um dos métodos que podemos utilizar para que o histograma nos demonstre
a forma da distribuição no caso de valores muito espalhados é o demonstrado a
seguir:
1. Diminua o maior valor do menor valor do grupo de dados (1,251 – 1,289) =
0,038 ou arredondado 0,040;
2. Como regra geral um histograma deve ter no mínimo 7 e no máximo 15
intervalos de classe, então para construir um histograma com 10 intervalos de
classe fazemos: 0,040/10 = 0,004;
3. O incremento do intervalo de classe deve ser um número divisível por 2, 3, 5
ou 10, então o valor adequado para o incremento do intervalo de classe do
novo histograma é 0,005;
4. Agora basta construir os intervalos de classe e determinar a freqüência em
cada um deles.

Este tipo de histograma é chamado “Histograma de freqüências agrupadas” e nos

permite visualizar a forma de distribuição dos dados para valores muito “espalhados”.

Caracterização de um conjunto de dados

Um conjunto de dados contém muitos detalhes que podem ser explorados e

transformados em informação através das seguintes medidas que caracterizam
um conjunto de dados:
• Medidas de tendência central

• Medidas de dispersão;

• Medidas de forma.

Medidas de tendência central

Uma forma útil de descrever um grupo como um todo consiste em encontrar

um único valor que represente o que é típico ou médio dentro deste conjunto. As
três medidas de tendência central, mais conhecidas são:

• Moda;
• Mediana; e
• Média aritmética.

Moda (Mo): é a medida de maior ocorrência no conjunto de dados, ou seja, é

medida que mais se repete. A moda pode ser localizada com muito mais facilidade
por exame visual que por cálculo. As principais características da moda são:
 • Nível de mensuração: contínuo, ordinal e nominal;
• Aplicação: mais apropriada para distribuições bimodais;
• Grau de exatidão: é uma medida de tendência central grosseira obtida de
forma rápida e simples.

Mediana (Md): quando dados discretos são dispostos em ordem crescente torna-
se possível localizar a mediana, a qual corresponde ao ponto central da
distribuição. Portanto a mediana é considerada a medida de tendência central que
corta a distribuição em duas partes iguais. A mediana pode ser determinada pelo
exame dos dados ou através da seguinte fórmula:

N +1
Md =
2 onde: N = número de intervalos ou amostras
Exemplo: calcular a mediana para uma amostra de tamanho 10 representada
pelos valores a seguir:

10,0 10,1 10,3 10,4 10,4 10,5 10,6 10,7 10,8 10,9

N + 1 10 + 1
Md = = = 5,5
2 2

10,0 10,1 10,3 10,4 10,4 10,5 10,6 10,7 10,8 10,9

1 2 3 4 5 6 7 8 9 10

5,5

10,4 +10,5 20,9

Md = = = 10,45
2 2

As principais características da mediana são:

• Nível de mensuração: contínuo ou ordinal;

• Aplicação: mais adequada para as distribuições assimétricas;
• Grau de exatidão: é uma medida de tendência central confiável podendo,
com certas restrições, ser utilizada em operações estatísticas mais
avançadas.

Média aritmética ( X ): sem sombra de dúvida esta é a medida de tendência

central mais utilizada. Consiste na somatória dos valores obtidos através de
mensuração ou contagem dividida pelo número total de valores.
 x1 + x2 + x3 + ... + xn
X =
n
Utilizando o exemplo anterior a montagem da equação para obter a média
aritmética fica da seguinte forma:

10,0 + 10,1 + 10,3 + 10,4 + 10,4 + 10,5 + 10,6 + 10,7 + 10,8 + 10,9 104,7
X = = = 10,47
10 10

As principais características da média são:

• Nível de mensuração: contínuo;

• Aplicação: mais adequada para as distribuições unimodais simétricas
(distribuição normal);
• Grau de exatidão: é uma medida de tendência central exata utilizada em
operações estatísticas avançadas.

Posições relativas das medidas de tendência central

As figuras a seguir demonstram a posição relativa da moda, da mediana e

da média aritmética em distribuições normais e em distribuições assimétricas.
Medidas de dispersão

Chama-se de dispersão ou variação a dimensão que exprime a condição dos

dados de orbitarem em torno de seu valor médio. As medidas de dispersão mais
utilizadas são:

Amplitude (R)

Desvio padrão (σ ou s)

Variância (σ2 ou s2)

Amplitude (R): pode-se obter uma medida de variabilidade rápida, embora não
muito exata, através do cálculo da amplitude, que nada mais é que a diferença
entre o maior e o menor valor da amostra.

R = x máx − x min

Desvio padrão (S): é a distância de cada valor individual em relação à média. O

desvio padrão é dado pelas seguintes fórmulas:
 S=
∑ ( x − x) 2

para amostras n −1 e para populações.

S=
∑ (x − µ ) 2

Variância (s2): é o valor do desvio padrão elevado ao quadrado, portanto é a

distância quadrática de cada amostra em relação à média.

(x − µ)
(x − x) S2 = ∑
Para amostras: S = ∑
2
Para populações: n
n −1

Para tornar o anteriormente explicado mais claro vejamos o resultado do

cálculo da amplitude, do desvio padrão e da variância para o conjunto dados a
seguir:

Observe que quanto maior o valor da amplitude, do desvio padrão e da

variância, mais achatada fica a curva ou, de maneira simples, podemos dizer que
quanto maior for o valor da amplitude, do desvio padrão e da variância maior será
a abertura da “boca” da curva de distribuição.
Medidas de forma e testes de normalidade

Algumas distribuições são simétricas, ou seja, dobrando-se a curva ao meio

as duas metades coincidem. A estas curvas chamamos curva de distribuição
normal ou mesocúrtica. Porém, as curvas de distribuição podem sofrer variações
em termos de alongamento. Estas variações de alongamento são expressas
através dos valores de curtose. Curvas alongadas são denominadas leptocúrticas
e curvas achatadas são denominadas platicúrticas. Esta variação no formato das
curvas pode ser visualizada e melhor entendida através da figura a seguir.

Algumas distribuições não são simétricas, ou seja, os valores se acumulam

de um lado e do outro poucos valores são encontrados. A este tipo de distribuição
chamamos distribuição assimétrica. A posição da cauda mais longa indica o lado
da assimetria. Distribuições com alongamento da curva para a direita são
denominadas curvas assimétricas positivas e distribuições com alongamento da
curva para a esquerda são denominadas curvas assimétricas negativas.
 Portanto, os graus de assimetria e de curtose têm por objetivo determinar
se a amostra é proveniente de uma distribuição normal. Geralmente estes cálculos
são efetuados através de softwares específicos e existem diferentes métodos que
podem ser utilizados além do cálculo da assimetria (skewness) e da curtose
(kurtosis). O mais recomendado é o teste estatístico de Anderson-Darling3 (AD).
Este teste estatístico é uma generalização do teste de Teste de Kolmogorov-
Smirnov4 (KS), dando mais peso às caudas da curva de distribuição. A grande
vantagem do teste estatístico de Anderson-Darling é que ele pode ser utilizado
com tamanhos de amostra menores que 40 com grande eficiência e confiabilidade
dos resultados.

Distribuição normal

A distribuição normal (distribuição de Gauss) é um dos muitos modelos

matemáticos utilizados para descrever variáveis aleatórias contínuas. A duas
principais razões para a distribuição normal ocupar um lugar de destaque na
estatística são:

1. Possui algumas propriedades que a fazem aplicável a um grande número

de situações nas quais é necessário fazer inferências através de amostras;
2. A maioria dos fenômenos segue a distribuição normal.

A curva normal possui a forma de um sino e tem as seguintes características:

É unimodal e simétrica;

A probabilidade de dois valores eqüidistantes da média, mas em lados
opostos, é a mesma;

Pelo fato de ser simétrica, média, mediana e moda possuem o mesmo
valor;

As caudas da curva normal estendem-se até o infinito, portanto nunca
tocam o eixo horizontal – é uma curva assintótica.

3
Criado em 1952 por Thoedore Wilbur Anderson, Jr. e Donald A. Darling.
4
Criado pelos matemáticos russos Andrey Kolmogorov e Vladimir Ivanovich Smirnov.
 99,73%
95,45%
68,27%

σ -5σ
-6σ σ -4σ
σ -3σ
σ -2σ
σ -1σ
σ +1σ
σ +2σ
σ +3σ
σ +4σ
σ +5σ
σ +6σ
σ

99,993%

99,9999433%

99,9999998%

Percentual sob a
Limite Defeitos em ppm* Defeitos em PPB**
curva

± 1 sigma 68,27 317.300 317.300.000

± 2 sigma 95,45 45.500 45.500.000

± 3 sigma 99,73 2.700 2.700.000

± 4 sigma 99,9937 63 63.000

± 5 sigma 99,999943 0,57 570

± 6 sigma 99,9999998 0,002 2

*ppm = partes por milhão **ppb = partes por bilhão

Fonte: Fonte: Breyfogle III, 1999, pag.9.

A tabela de distribuição normal lista as probabilidades de uma variável

aleatória, normalmente distribuída, cair entre a média e um valor qualquer
baseado no escore-z padronizado. A fórmula para calcular o escore-z padronizado
de uma população é a seguinte:

z=
(x − µ )
σ
Onde:

Z = escore-z σ = desvio padrão da população

µ = média da população x = variável aleatória de interesse

Porém, quando trabalhamos com amostras, utilizamos a seguinte fórmula:

z=
(x − x)
s
Onde:

Z = escore-z s = desvio padrão da amostra

x = média da amostra x = variável aleatória de interesse

De posse do valor do escore-z utilizamos a tabela de distribuição normal

(ver tabela 01) para determinar a área sob a curva de distribuição.

Exemplo:

Considerando-se que em uma amostra aleatória obtemos média igual a 20

e desvio padrão igual a 2, calcular a probabilidade de X ser maior que 18 e menor
que 21.

18− 20
Z1 = = −1 (0,3413 na tabela de distribuição normal)
2

21− 20
Z2 = = 0,5 (0,1915 na tabela de distribuição normal)
2

P(18 ≤ X ≤ 21) = P (-1≤ X ≤ 0,5) = 0,1915 + 0,3413 = 0,5328 = 53,28%

TABELA 01 - DISTRIBUIÇÃO NORMAL PADRONIZADA

 Exemplo: determine qual é a área sob a curva
entre a média e um ponto a 1,7 desvios padrão a
direita da média. Procure pelo valor 1,7 na coluna
direita da tabela e o valor 0,00 na linha superior da
tabela o cruzamento entre coluna e linha (1,7 +
0,00) nos fornece o valor da área sob a curva para
um valor de Z= 1,70, no caso 0,4554.

Z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09

0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359

0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0636 .0675 .0714 .0753

0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .1064 .1103 .1141

0.3 .1179 .1217 .1255 .1293 .1331 .1368 .1406 .1443 .1480 .1517

0.4 .1554 .1591 .1628 .1664 .1700 .1736 .1772 .1808 .1844 .1879

0.5 .1915 .1950 .1985 .2019 .2054 .2088 .2123 .2157 .2190 .2224

0.6 .2257 .2291 .2324 .2357 .2389 .2422 .2454 .2486 .2518 .2549

0.7 .2580 .2612 .2642 .2673 .2704 .2734 .2764 .2794 .2823 .2852

0.8 .2881 .2910 .2939 .2967 .2995 .3023 .3051 .3078 .3106 .3133

0.9 .3159 .3186 .3212 .3238 .3264 .3289 .3315 .3340 .3365 .3389

1.0 .3413 .3438 .3461 .3485 .3508 .3531 .3554 .3577 .3599 .3621

1.1 .3643 .3665 .3686 .3708 .3729 .3749 .3770 .3791 .3810 .3830

1.2 .3849 .3869 .3888 .3907 .3925 .3944 .3962 .3980 .3997 .4014

1.3 .4032 .4049 .4066 .4082 .4099 .4115 .4131 .4147 .4162 .4177

1.4 .4192 .4207 .4222 .4236 .4251 .4265 .4279 .4292 .4306 .4319

1.5 .4332 .4345 .4357 .4370 .4382 .7394 .4406 .4418 .4429 .4441

1.6 .4452 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .4545

1.7 .4554 .4564 .4573 .4582 .4591 .4599 .4608 .4616 .4625 .4633

1.8 .4641 .4649 .4656 .4664 .4671 .4678 .4686 .4693 .4699 .4706

1.9 .4713 .4719 .4726 .4732 .4738 .4744 .4750 .4756 .4761 .4767

20. .4772 .4778 .4783 .4788 .4793 .4798 .4803 .4808 .4812 .4817

2.1 .4821 .4826 .4830 .4834 .4838 .4842 .4846 .4850 .4854 .4857

2.2 .4861 .4864 .4868 .4871 .4875 .4878 .4881 .4884 .4887 .4890

2.3 .4893 .4896 .4898 .4901 .4904 .4906 .4909 .4911 .4913 .4916
 2.4 .4918 .4920 .4922 .4925 .4927 .4929 .4931 .4932 .4934 .4936

2.5 .4938 .4940 .4941 .4943 .4945 .4946 .4948 .4949 .4951 .4952

2.6 .4953 .4955 .4956 .4957 .4959 .4960 .4961 .4962 .4963 .4964

2.7 .4965 .4966 .4967 .4968 .4969 .4970 .4971 .4972 .4973 .4974

2.8 .4974 .4975 .4976 .4977 .4977 .4978 .4979 .4979 .4980 .4981

2.9 .4981 .4982 .4983 .4983 .4984 .4984 .4985 .4985 .4986 .4986

3.0 .49865

4.0 .499965

5.0 .4999997

6.0 .499999999

Fonte: Fonte: Breyfogle III, 1999, pag.694 e 695.

O significado de seis sigma

Seis Sigma é uma técnica fortemente baseada em estatística quantitativa

voltada para a redução da variabilidade de processos técnicos e não técnicos a
qual tem o aumento da lucratividade das empresas como objetivo principal.

Sigma é a letra grega que em termos de estatística representa a variação

de uma amostra. O seis representa o número de vezes que o valor do desvio
padrão é multiplicado para estimar os valores máximo e mínimo de uma amostra
em relação a média (µ). Os valores máximos e mínimos estimados devem ser
comparados com uma especificação para determinar o índice de defeitos que o
processo tem probabilidade de produzir. Um processo com desempenho nível seis
sigma trabalha com um índice de 3,4 defeitos para cada milhão de unidades
produzidas.

Vejamos o que significa isto em termos práticos. Muitas pessoas assumem

que 99% de acerto é um excelente resultado mas será que isto é verdade?
 Processo com nível de qualidade Processo com nível de qualidade 6σ
3,8σ
99,9997% de acerto
99% de acerto

• 20.000 artigos de correio perdidos por
hora
• Água potável duvidosa quase 15
minutos a cada dia
• 5.000 operações cirúrgicas incorretas
por semana
• 7 artigos de correio perdidos por hora
• 1 minuto de água potável duvidosa a
cada sete meses
• 1,7 operações cirúrgicas incorretas por
semana

• 200.000 receitas médicas erradas a • 68 receitas médicas erradas a cada ano

cada ano
• Uma aterrissagem de emergência em
• Uma aterrissagem de emergência no todos os aeroportos do Brasil a cada
aeroporto de Guarulhos por dia cinco anos

Fonte: Werkema, 2004, p. 17

Vamos analisar um pouco mais detalhadamente o que representa seis

sigma em termos estatísticos. Imagine um determinado produto cuja especificação
é 10 ± 1,5 u.m. (unidades de medida). Considerando que o processo possui
distribuição normal com média (µ) igual a 10 u.m. e desvio padrão (σ) igual a 0,50
u.m. e trabalhando com nível de qualidade 3σ os limites naturais do processo são:

Limite Natural Inferior: LNI = µ - 3σ → LNI = 10 - (3 x 0,50) → LNI = 8,5 u.m.

Limite Natural Superior: LNS = µ + 3σ → LNS = 10 + (3 x 0,50) → LNS =11,5

u.m.
 Limites naturais do processo com ±3σ (99,73%) e média centrada, estes coincidem exatamente com
os limites de especificação do produto. Em termos simples podemos comparar as especificações
como sendo o espaço em uma vaga de estacionamento onde o automóvel entra sem folga.

Considerando o mesmo processo com distribuição normal com média (µ)

igual a 10 u.m. e desvio padrão (σ) igual a 0,50 u.m., mas agora
trabalhando com o nível de qualidade 6σ os limites naturais do processo
passam a ser:

Limite Natural Inferior: LNI = µ - 6σ → LNI = 10 - (6 x 0,50) → LNI = 7,0 u.m.

Limite Natural Superior: LNS = µ + 6σ → LNS = 10 + (6 x 0,50) → LNS =13,0

u.m.
Calculando os limites naturais do processo com ±6σ (99.9999998%) e média centrada, notamos que
os limites naturais do processo encontrados extrapolam os limites de especificação do produto.
Novamente comparando as especificações como sendo o espaço em uma vaga de estacionamento
temos uma situação onde o automóvel é maior que a vaga ofertada.

Para que o mesmo processo, utilizando o conceito 6σ, entre dentro dos
limites de especificação é necessário uma redução drástica na variação,
neste caso vamos aplicar uma redução de 50% para exemplificar (σ atual =
0,5 u.m. ;

σ reduzido 50% = 0,25 u.m.) então:

Limite Natural Inferior: LNI = µ - 6σ → LNI = 10 - (6 x 0,25) → LNI = 8,5 u.m.

Limite Natural Superior: LNS = µ + 6σ → LNS = 10 + (6 x 0,25) → LNS =11,5

u.m.

Vejam que com a redução de 50% na variabilidade do processo podemos inserir ±6σ dentro dos
limites especificados. Utilizando a analogia da vaga de estacionamento significa dizer que temos de
trocar o carro por um menor para poder utilizá-la.

Porém devemos levar em consideração que mesmo os processos sob

controle, isto é processos considerados estáveis, não são estáticos e
sofrem pequenos deslocamentos em sua média ao longo do tempo.
Segundo Harry, um dos criadores da metodologia seis sigma, um
deslocamento na média (µ) da magnitude de até ±1,5σ é considerado
normal e deve ser levado em consideração nos cálculos do escore-z
padronizado, o que conseqüentemente altera a taxa de defeitos em ppm.

Então, considerando o deslocamento de ±1,5σ na média percebe-se que uma redução maior que
50% no desvio padrão (σ) se faz necessária para que a variação natural do processo não exceda os
limites de especificação.

Novamente, para que o mesmo processo, utilizando o conceito 6σ agora

considerando o deslocamento de ±1,5σ na média, entre dentro dos limites
de especificação é necessário mais redução na variação (σ atual = 0,25 u.m.
; σ reduzido = 0,20 u.m.) então:

Limite Natural Inferior: LNI = µ - 6σ → LNI = 10 - (6 x 0,20) → LNI = 8,80 u.m.

Limite Natural Superior: LNS = µ + 6σ → LNS = 10 + (6 x 0,20) → LNS =11,20

u.m.
 Agora, mesmo considerando o deslocamento de ±1,5σ na média, a variação natural do processo
não excede as especificações.

Relações entre processo centrado e processo deslocado 1,5σ

Processo centrado (estático)

( x - 3σ ) - x ( x + 3σ ) - x
Z x −3σ = = −3 e Z x + 3σ = = +3
σ σ

Fonte: Fonte: Breyfogle III, 1999, pag.9.

Processo deslocado 1,5σ (dinâmico)

 ( x - 4,5σ ) - x ( x + 1,5σ ) - x
Z x − 4,5σ = = −4,5 e Z x +1,5σ = = +1,5
σ σ
Fonte: Fonte: Breyfogle III, 1999, pag.9.

Com base no exposto anteriormente podemos estimar o esforço necessário

para elevar um nível σ na qualidade de um processo ou característica da
qualidade de um produto. No gráfico a seguir, em escala logarítmica, este esforço
é demonstrado em número de vezes que a variação deve ser reduzida para se
atingir o nível sigma desejado.

Fonte: Breyfogle III, 1999, pag.10.

Analisando o gráfico anterior começamos a entender porque Jack Welch,

quando assumiu a direção em 1991, estabeleceu como meta que as doze
unidades da GE atingissem nível seis sigma em seus principais processos. A
GE iniciou o programa com média 3 sigma e em 1997 atingiu o nível 3,5 sigma
em seus principais processos. Este aumento de qualidade transformou a GE
 de uma empresa de 25 bilhões de Dólares em uma empresa de 90 Bilhões de
Dólares e com alta rentabilidade.

REFERÊNCIAS BIBLIOGRÁFICAS
WERKEMA, Maria Cristina Catarino. Criando a Cultura Seis Sigma. Nova Lima, MG:
Werkema Ed., 2004.

WERKEMA, Maria Cristina Catarino. Lean Seis Sigma. Nova Lima, MG: Werkema Ed., 2006.

ROTONDARO, Roberto G. Seis Sigma: Estratégia Gerencial para a Melhoria de Processos,

Produtos e Serviços. São Paulo: Atlas, 2002.

BREYFOGLE, Forrest W. Implementing Six Sigma. A Wiley-Interscience Publication, 1999.

LEVIN, Richard I. Statistics for Management. Prentice Hall Inc., 1987.

DeCARLO, Neil. Lean Six Sigma Complete Guide. New York: Alpha Books, 2007.

www.sixsigmainstitute.com acessado em abril de 2009.