seleÇÃo de projeto seis sigma: caso prÁtico … · 2016-08-11 · desenvolvimento sustentável e...
TRANSCRIPT
SELEÇÃO DE PROJETO SEIS SIGMA:
CASO PRÁTICO RELACIONADO A DOIS
PROCESSOS DE PRODUÇÃO COM
CARACTERÍSTICAS DE OPERAÇÃO
SEMELHANTES
Cristiano Roos (UFSC)
A seleção de projetos Seis Sigma ainda não é um tema consolidado na
literatura qualificada. O objetivo deste trabalho é selecionar um
projeto Seis Sigma dentre dois propostos pela gerência de produção de
uma siderúrgica. Estes projetos estaavam respectivamente
relacionados a dois processos de laminação a frio cujas características
de operação eram muito semelhantes. De tal modo, os dois projetos
Seis Sigma também eram muito semelhantes, dificultando o processo
de seleção. O procedimento metodológico utilizado foi a pesquisa-
ação. Como resultado tem-se a apresentação de um processo não
estruturado de seleção de projetos Seis Sigma, isto é, uma série de
práticas utilizadas para evidenciar qual dos processos de laminação
apresentava mais oportunidades de melhoria. Como resultados
práticos tem-se a seleção e a implementação de um projeto Seis Sigma
que atingiu os objetivos propostos. Assim, como consideração final
cabe destacar que este trabalho pode ser útil para aquelas pessoas que
se envolvem em seleção de projetos Seis Sigma, podendo ser utilizado
como um processo de seleção alternativo indicado para análises de
processos de produção com características de operação semelhantes.
Palavras-chaves: Seis Sigma, seleção de projeto, processo de seleção
XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.
XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.
2
1. Introdução
O processo de seleção de projetos Seis Sigma é tema de pesquisas científicas há quase uma
década. Alguns autores defendem a utilização de modelos matemáticos, outros defendem as
avaliações subjetivas e baseadas em métodos pouco complexos. Um ponto de convergência
parece estar sendo a análise relativa, isto é, cada caso precisa ser considerado isoladamente
antes de se definir o processo de seleção a ser utilizado, sendo esta análise relativa à
disponibilidade de dados qualitativos e quantitativos nos projetos considerados.
O objetivo deste trabalho é selecionar um projeto Seis Sigma dentre dois propostos pela
gerência de produção de uma siderúrgica. No entanto, a contribuição teórica é evidenciar um
processo não estruturado de seleção de projetos Seis Sigma relacionados à processos de
produção com características de operação muito semelhantes.
A importância deste trabalho está na apresentação das práticas utilizadas para a seleção de um
projeto Seis Sigma, cabendo destacar que na literatura consultada para esta pesquisa não
foram encontrados trabalhos semelhantes com os quais se pudessem comparar as práticas
utilizadas. Assim sendo, o processo de seleção apresentado aqui pode ser útil para os
profissionais que envolvem-se com a seleção de projetos Seis Sigma, podendo ser
considerado como um caso de sucesso.
2. Revisão teórica
Seis Sigma é uma estratégia de negócio bem conhecida utilizada para a melhoria da qualidade
através de um conjunto de métodos estruturados e medidas estatísticas para avaliar e melhorar
os processos das organizações (ANTONY et al., 2012). Seis Sigma tem sido utilizado por
mais de uma década (KUMAR et al., 2008) por organizações de classe mundial como General
Electric, Motorola, Honeywell, Bombardier, ABB e Sony, para citar apenas alguns de uma
longa lista (ANTONY, 2006), resultando em milhões de dólares de lucro (HILTON e
SOHAL, 2012). Na maioria dos casos, uma organização utiliza a estratégia Seis Sigma para
alcançar benefícios na lucratividade ou na satisfação do cliente (RAY, DAS,
BHATTACHARYA, 2011).
A estratégia Seis Sigma se tornou conhecida em muitos países devido à sua capacidade em
melhorar o desempenho de um processo, reduzir defeitos em produtos e serviços,
minimizando a variabilidade em processos, bem como os custos operacionais (KUMAR,
ANTONY e CHO, 2009). Esta estratégia resulta em maior satisfação dos clientes e afeta
diretamente a lucratividade e a sobrevivência das organizações (SNEE, 2004; ANTONY,
KUMAR e MADU, 2005; ANTONY, 2007).
A literatura qualificada sugere que o fator chave para o sucesso da estratégia Seis Sigma é a
seleção de projetos (MANVILLE et al., 2012; SHARMA e CHETIYA, 2010; LAUREANI,
ANTONY e DOUGLAS, 2010; TKÁC e LYÓCSA, 2009; KUMAR et al., 2007;
BANUELAS et al., 2006). Seleção de projetos é o processo de avaliação de projetos
individuais ou grupos, escolhendo-se pela implementação de um ou um conjunto de projetos,
para que os objetivos da organização sejam alcançados (PADHY e SAHU, 2011).
Em uma citação recente (PADHY e SAHU, 2011), os autores argumentam que a seleção e a
priorização de projetos Seis Sigma em muitas organizações ainda são baseadas em puro
XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.
3
julgamento subjetivo. Em outra citação (KUMAR et al., 2008), os autores argumentam que há
uma escassez de literatura sobre seleção de projetos Seis Sigma, um tema que passa
despercebido na maioria das organizações. Em uma terceira citação nesta linha (ANTONY,
2006), o autor manifesta-se argumentando que a priorização de projetos Seis Sigma em
muitas empresas orientadas a serviços ainda é baseada em julgamento subjetivo.
De fato, a seleção do projeto mais adequado para a estratégia Seis Sigma é uma preocupação
para o sucesso em curto e em longo prazo dentro de qualquer organização (RAY e DAS,
2010). Neste sentido, a literatura apresenta alguns modelos e métodos para a seleção de
projetos Seis Sigma. Por exemplo, em Banuelas et al. (2006), são listados: 1. Pareto priority
index (PPI), analytic hierarchy process (AHP), quality function deployment (QFD), theory of
constraints (TOC) (PYZDEK, 2000; PYZDEK, 2003); 2. project assessment matrix
(BREYFOGLE, CUPELLO e MEADWS, 2001); 3. QFD (PANDE, NEUMAN e
CAVANAGH, 2000); 4. project selection matrix (KELLY, 2002); 5. project ranking matrix
(ADAMS, GUPTA e WILSON, 2003); 6. reviewing data on potential projects against
specific criteria (DE FEO e BARNARD, 2004); 7. AHP (DINESH KUMAR et al., 2006).
No entanto, sabe-se que, tradicionalmente (ver referência tradicional: Pande, Neuman e
Cavanagh (2000)), a seleção de projetos Seis Sigma precisa ser tratada como um processo
relativo à natureza dos dados disponíveis. Não se pode definir um modelo matemático, ou um
método estruturado, aplicável a todas as seleções de projeto Seis Sigma. Por exemplo, para a
seleção de projetos relacionados à processos de produção com poucos dados quantitativos,
modelos matemáticos complexos podem se tornar inviáveis.
Neste contexto, considerando as diferentes possibilidades de se selecionar um projeto Seis
Sigma, este trabalho busca contribuir com a apresentação de um processo de seleção baseando
em análises estatísticas de estabilidade dos processos. Este processo de seleção foi definido
em função da natureza dos dados dos dois processos de produção considerados.
3. Procedimentos metodológicos
Os procedimentos metodológicos deste trabalho foram estruturados em função do objetivo
proposto, assim, esta pesquisa é classificada: (1) quanto à natureza: aplicada, porque busca-se
gerar conhecimentos para aplicação prática e, dirigidos à solução de um problema específico;
(2) quanto aos objetivos: pesquisa exploratória, pois se trata de um tema contemporâneo e não
consolidado na literatura em um contexto real; (3) quanto aos procedimentos técnicos:
pesquisa-ação; (4) quanto à abordagem de pesquisa: qualitativa, pois a pesquisa não pode ser
traduzida matematicamente; (5) quanto ao método de pesquisa: indutivo, porque se partiu de
questões particulares e buscou-se concluir questões gerais.
Para o planejamento e a condução da pesquisa-ação foram utilizadas as orientações de
Coghlan e Brannick (2010). Algumas recomendações extras foram adotadas segundo
orientações de Mcniff e Whitehead (2011); French (2009); Herr e Anderson (2005). Os
detalhes da pesquisa-ação serão resumidamente apresentados nos parágrafos seguintes.
Inicialmente procedeu-se com um breve mapeamento da literatura para estabelecer as
questões de pesquisa. Foi estabelecida a seguinte questão: qual processo de seleção de projeto
Seis Sigma utilizar quando os processos de produção possuem características de operação
muito semelhantes? Esta questão foi motivada pela necessidade prática ascendente deste
trabalho, pois os dois projetos Seis Sigma propostos pela gerência de produção da siderúrgica
XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.
4
estavam relacionados respectivamente a dois processos de produção com características de
operação muito semelhantes. Na sequência, a unidade de análise foi definida e a seleção do
caso foi propositalmente direcionada aos dois projetos Seis Sigma propostos pela gerência de
produção.
O estudo de apenas um caso é a principal limitação deste trabalho, isto porque o número ideal
de unidades de análise (casos) segue a mesma lógica da pesquisa do tipo estudo de caso.
French (2009) reapresenta alguns conceitos e destaca que a pesquisa-ação pertence à família
das pesquisas do tipo estudo de caso e, de mesmo modo, está sujeita a algumas das críticas
direcionadas às pesquisas de abordagem qualitativa e, especialmente, direcionadas às
pesquisas do tipo estudo de caso. De fato, quanto menor o número de casos abordados, menor
a possível extensão das conclusões (EISENHARDT e GRAEBNER, 2007). Por outro lado,
como exposto por Voss, Tsikriktsis e Frohlich (2002), quanto menor o número de casos,
maior a oportunidade de detalhamento do estudo. Esta questão também foi estudada e
discutida em um artigo recente e bastante interessante de Barratt, Choi e Li (2011), que
expõem que o número de casos depende dos objetivos e dos temas em estudo.
Com isto, a pesquisa-ação foi formalizada na organização, tendo sido definidos os elementos:
(1) o agente: um doutorando de um grupo de pesquisa brasileiro e dois engenheiros de uma
siderúrgica onde o trabalho foi desenvolvido; (2) o objeto: a ação foi conduzida em dois
processos de produção de uma siderúrgica; (3) o evento: foram conduzidos dois ciclos de
coleta e análise de dados; (4) o objetivo da pesquisa-ação: selecionar um entre dois projetos
Seis Sigma; (5) o campo: em uma unidade siderúrgica de uma organização privada entre os
dez maiores grupos siderúrgicos do mundo.
No decorrer a implementação do projeto Seis Sigma foi iniciada e os ciclos de coleta e análise
dos dados foram conduzidos. Um processo Seis Sigma foi selecionado e os resultados da
implementação deste projeto foram comparados com os resultados inicialmente esperados
para o projeto. Foram utilizadas três fontes de evidencias: as análises documentais, as
observações e as entrevistas.
Por final, os resultados foram registrados em um relatório de pesquisa, respondendo a questão
inicialmente proposta para a pesquisa-ação. O recorte temporal deste trabalho é de oito meses,
iniciado em fevereiro de 2010. A pesquisa-ação, com as respectivas fontes de evidencia, será
apresentada na próxima seção deste texto.
4. Seleção de um projeto Seis Sigma: caso prático
A necessidade da seleção de um projeto Seis Sigma se deu em função de uma demanda
empenhada pela direção de uma siderúrgica que mantém pesquisas em conjunto com a
universidade na qual este trabalho está radicado. Dois projetos foram apresentados pela
gerência de produção do setor de transformação mecânica de aços. A direção da unidade
siderúrgica solicitou a seleção de apenas um destes projetos.
4.1. Contextualização: apresentação dos projetos Seis Sigma
Para a unidade siderúrgica em questão, a seleção de projeto Seis Sigma apresentada neste
trabalho tratou-se de um caso fora dos padrões, detalhe que motivou o desenvolvimento deste
texto. O primeiro fato é que apenas dois projetos Seis Sigma foram propostos pela gerência de
produção. O segundo fato é que os dois projetos eram muito semelhantes e relacionados a
dois processos de produção também muito semelhantes. Estes fatos, pelo contrário do que se
XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.
5
imaginou, influenciaram no sentido de dificultar a seleção do projeto, afinal eram apenas dois
projetos e com variáveis muito semelhantes. O resumo de algumas variáveis de cada projeto
Seis Sigma está apresentado na Tabela 1.
Variáveis Projeto Seis Sigma 1 Projeto Seis Sigma 2
Número de Black Belts 1 1
Número de Green Belts 1 1
Duração do projeto 6 meses 6 meses
Localização do problema
prático
em um processo de produção
(laminação de aço)
em um processo de produção
(laminação de aço)
Natureza do problema
prático
não conformidades nos produtos
finais do processo
não conformidades nos produtos
finais do processo
Efeitos do problema prático
para a organização
perdas monetárias com indenizações
aos clientes; perdas monetárias com
refugos, retrabalhos e reposições de
produtos
perdas monetárias com rescisão de
contratos de fornecimento; perdas
monetárias com refugos, retrabalhos
e reposições de produtos
Efeitos do problema prático
para o cliente
insatisfação dos clientes em função
das não conformidades
interrupção nos processos de
produção dos clientes
Retorno financeiro previsto 7.228 unidades monetárias 6.986 unidades monetárias
Investimento financeiro
previsto 1.743 unidades monetárias 1.592 unidades monetárias
Principal métrica do
projeto
% de não conformidades no
processo de produção
% de não conformidades no
processo de produção
Impacto do projeto na
satisfação do cliente diretamente diretamente
Impacto do projeto no
planejamento estratégico
da organização
diretamente diretamente
Impacto no nível sigma
projeção de diminuição de pelo
menos 131 defeitos por milhão de
oportunidades
projeção de diminuição de pelo
menos 186 defeitos por milhão de
oportunidades
Impacto na produtividade variável incerta / não definida
quantitativamente
variável incerta / não definida
quantitativamente
Tabela 1 – Os projetos Seis Sigma e algumas respectivas variáveis
4.2. Definição do processo de seleção de projetos Seis Sigma a ser utilizado
O grupo responsável pela seleção de um dos projetos Seis Sigma procedeu com uma análise
relativa à disponibilidade de dados qualitativos e quantitativos nos projetos para buscar definir
o processo de seleção a ser utilizado. Verificou-se que para cada projeto havia dados
quantitativos suficientes para utilizar-se um processo de seleção baseado em algum modelo
matemático. Os dados quantitativos referiam-se principalmente aos indicadores de
desempenho utilizados para controlar os processos de produção cujos projetos
respectivamente se referiam.
Em função das características dos projetos Seis Sigma o grupo decidiu por não utilizar
nenhum dos modelos matemáticos disponíveis na literatura consultada para este trabalho, nem
mesmo modelos de decisão de multi critérios (MCDM). As justificativas desta decisão não
foram apresentadas neste texto por razões de espaço físico.
XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.
6
O grupo decidiu então, utilizar um processo não estruturado, isto é, uma sequência de análises
estatísticas que pudessem evidenciar as mais relevantes oportunidades de melhoria em um ou
outro processo de produção. Aqui se apresenta uma prática interessante, que pode ser utilizada
em casos semelhantes, ou seja, ao invés de considerarem-se apenas as variáveis relacionadas
aos projetos Seis Sigma, pode-se alternativamente considerar os dados relacionados aos
processos de produção, desde que os projetos Seis Sigma objetivem a implementação de
melhorias nestes respectivos processos de produção.
4.3. Apresentação dos processos de produção
Os dois processos de produção relacionados respectivamente com os dois projetos Seis Sigma
são denominados P1 e P2. Foram desenvolvidos projetos Seis Sigma para estes processos de
produção porque produtos com problemas de qualidade estavam sendo produzidos, em
especifico, tarugos de aço com não conformidades em suas dimensões geométricas de perfil
quadrado. Não conformidades nestes processos de produção precisam ser eliminadas ou
reduzidas, pois os produtos finais de P1 e P2 são enviados para os clientes e não para outros
processos internos da organização. Igualmente, uma das estratégias de médio prazo da
organização é reduzir não conformidades nos produtos finais enviados aos clientes.
Os processos P1 e P2 são compostos por nove subprocessos. Para P1, tem-se: SP101, SP102,
SP103, SP104, SP105, SP106, SP107, SP108 e SP109, e para P2, tem-se: SP201, SP202, SP203, SP204,
SP205, SP206, SP207, SP208 e SP209. Todos os subprocessos em questão são laminadores a frio,
sendo que em cada subprocesso existem em média oito variáveis aleatórias para as quais são
desempenhados os controles de processo.
4.4. Apresentação das variáveis aleatórias de interesse
Para este texto foram extraídas do relatório de pesquisa apenas duas variáveis aleatórias de
interesse aqui, em outras palavras, variáveis aleatórias que mostraram excessiva variabilidade
nas análises estatísticas realizadas. Este também é um esforço no sentido de facilitar o
entendimento deste trabalho, visto que um processo de laminação (seja a quente ou a frio) não
é um processo simples de ser projetado, ou controlado, ou colocado em campanha de
produção, porque pelo menos duas dezenas de variáveis aleatórias relacionam-se e
influenciam as características do produto em transformação mecânica nos rolos laminadores.
As variáveis aleatórias de interesse são:
a) Variável aleatória C112 onde:
C112 = largura geométrica do tarugo de aço processado em SP109 (1)
A especificação nominal de C112 é 120 milímetros e as especificações de C112 são dadas por:
}125≤≤115{ 112112 cc112S (2)
b) Variável aleatória C212 onde:
C212 = largura geométrica do tarugo de aço processado em SP209 (3)
A especificação nominal de C212 é 90 milímetros e as especificações de C212 são dadas por:
}91≤≤89{ 212212 cc212S (4)
XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.
7
4.5. Processo de seleção do projeto Seis Sigma
Para identificar o processo de produção com mais oportunidades de melhoria, o que
implicaria na seleção de um projeto Seis Sigma, procedeu-se com uma série de práticas
simples e de modo não estruturado. Inicialmente o grupo considerou para a análise todas as
variáveis aleatórias relacionadas à P1 e P2, isto é, 238 variáveis aleatórias. Cada variável
aleatória foi analisada considerando os períodos característicos, buscando verificar a
estabilidade de P1 e P2 entre as paradas (interrupções) do processo. Aqui se utilizou a
estatística descritiva, sendo que para a condução das análises utilizou-se o software
Mathematica (versão 5.2).
Com as análises foi possível identificar instabilidade nos subprocessos SP109 e SP209,
especificamente, em duas variáveis aleatórias C112 e C212. Em C112 e C212 eram visíveis
sistemáticas flutuações de variabilidade, o que justificava a elevada taxa de não
conformidades para estas variáveis aleatórias.
Num segundo momento passou-se a analisar as relações entre C112 e C212 com as demais
variáveis aleatórias utilizando o teste do Chi-quadrado (teste de independência). O resultado
mostrou relações significativas entre C112 e a maioria das variáveis aleatórias testadas de
SP107, SP108, SP109, bem como, mostrou relações significativas entre C212 e a maioria das
variáveis aleatórias testadas de SP207, SP208, SP209. Aqui mais uma vez o grupo pôde verificar
que os dois processos de produção são muito semelhantes. Neste ponto, novamente não foi
possível identificar um processo de produção com mais oportunidades de melhoria, pois as
diferenças nos resultados não eram estatisticamente significantes.
Para refinar o entendimento de P1 e P2, foi realizada uma análise mais detalhada. Para C112 e
C212 foram coletados mais dados no banco de dados, respectivamente 995.000 e 1.150.000
dados que correspondem a 21 intervalos para cada variável aleatória. A ideia foi coletar dados
suficientes para abranger os últimos quatro meses de produção. Cabe destacar que apenas C112
e C212 foram consideradas porque estatisticamente mostraram relações significativas com
outras variáveis, então se C112 ou C212 mostrassem alguma anormalidade significativa,
caberiam análises mais detalhadas das causas-raiz desta anormalidade significativa.
Procedeu-se então com o cálculo dos intervalos de confiança do primeiro momento e do
segundo momento para cada um dos 21 intervalos de dados de C112 e C212. Nos Anexos A e B
são apresentados os intervalos de dados analisados, isto é, 5000 dados antes e 5000 dados
depois de cada parada (interrupção) do processo de produção. Novamente utilizou-se o
software Mathematica, sendo que tanto para o primeiro momento, como para o segundo
momento, utilizou-se como nível de confiança o valor de 0,95.
Nos Anexos A e B é possível identificar nos intervalos de confiança do primeiro momento e
do segundo momento algumas anormalidades sistemáticas nos processos, possíveis problemas
de estabilidade em P1 e P2. Os intervalos de dados identificados e que se mostraram fora dos
padrões normais são para SP109: 7, 8, 15, 19 e 20; para SP209: 2, 3, 8 e 14.
Em razão disto, o grupo procedeu com o aprofundamento da análise, sendo que para cada
intervalo de dados identificado, novos subintervalos foram estabelecidos. Nos Anexos C e D
são apresentados os intervalos de confiança do primeiro momento e do segundo momento
para cada um dos novos subintervalos de dados de C112 e C212 (a abreviação ‘‘Sub’’ utilizada
nas tabelas significa subintervalo).
Com estas novas análises foi possível estabelecer um questionamento: por que em C212 no
XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.
8
decorrer dos intervalos de dados 3 e 14 aconteceram alterações sistemáticas nos intervalos de
confiança? Estes resultados indicam que possíveis causas especiais estão gerando problemas
de estabilidade em P2, o que podem ser as causas-raiz dos problemas de não conformidade
nos produtos finais. Com isso o grupo selecionou P2 como sendo o processo com mais
oportunidades de melhorias, isto é, o grupo selecionou o projeto Seis Sigma de número 2 para
ser implementado na unidade siderúrgica.
5. Resultados
Com este trabalho, os principais resultados práticos para a organização foram a seleção e a
implementação do projeto Seis Sigma relacionado ao processo de produção P2. Após a
conclusão da implementação do projeto selecionado, buscou-se verificar se os objetivos do
projeto Seis Sigma foram atingidos, ou seja, após a implementação do projeto resumidamente
os resultados foram: Tabela 2.
Variáveis Resultados do projeto Seis Sigma implementado
Número de Black Belts participou 1
Número de Green Belts participou 1
Duração do projeto 6 meses e 17 dias
Problema prático – considerando um período
de 4 meses após o término da implementação
foi parcialmente solucionado, pois alguns produtos não
conformes ainda foram produzidos
Efeitos da eliminação do problema prático
para a organização – considerando um
período de 4 meses após o término da
implementação
as perdas monetárias com rescisão de contratos de
fornecimento foram eliminadas; as perdas monetárias
com refugos, retrabalhos e reposições de produtos
foram reduzidas
Efeitos da eliminação do problema prático
para o cliente – considerando um período de
4 meses após o término da implementação
interrupção nos processos de produção dos clientes não
ocorreram no período considerado
Retorno financeiro – igualmente considerando um período de 4 meses
2.374 unidades monetárias – superando o esperado para
o primeiro quadrimestre
Investimento financeiro 1.573 unidades monetárias – ou seja, abaixo do
orçamento inicialmente realizado
Impacto do projeto na satisfação do cliente não foi medido
Impacto do projeto no planejamento
estratégico da organização
o projeto foi implementado e os resultados impactam
diretamente no planejamento estratégico da organização
Impacto no nível sigma – igualmente considerando um período de 4 meses
diminuição média de 227 defeitos por milhão de
oportunidades
Impacto na produtividade – igualmente considerando um período de 4 meses
não foi medido
Tabela 2 – Resultados do projeto Seis Sigma implementado
De tal modo, pode-se afirmar que o projeto Seis Sigma selecionado foi o correto, pois os
resultados práticos após a implementação do projeto mostram que os objetivos foram
plenamente atingidos e até mesmo superados em alguns pontos. Um ponto negativo nos
resultados é a impossibilidade de se compará-los com outros resultados teóricos, pois a
literatura consultada para este trabalho não apresenta pesquisas semelhantes.
XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.
9
6. Considerações finais
Neste trabalho, com os procedimentos metodológicos adotados (leia-se pesquisa-ação)
buscou-se refinar a teoria, mesmo que muito limitadamente, sobre seleção de projetos Seis
Sigma. Isto porque a amostra da pesquisa-ação apresentada aqui é restrita e não
representativa. No entanto, a partir dos resultados de pesquisa aqui expostos, buscou-se
contribuir apresentando um processo alternativo e não estruturado para a seleção de projetos
Seis Sigma. Este processo é um exemplo que mostra que as pessoas responsáveis pela seleção
de projetos Seis Sigma precisam analisar cada caso isoladamente antes de adotar um
determinado processo de seleção.
Como contribuições práticas desta pesquisa é importante citar que o grupo de profissionais
responsável pela seleção do projeto Seis Sigma pôde compreender na prática que muitas vezes
simples análises estatísticas podem contribuir mais com o processo de seleção do que modelos
matemáticos mais complexos. Para a unidade siderúrgica este trabalho também contribuiu
substancialmente, pois o projeto Seis Sigma selecionado foi considerado o adequando,
atingido os seus propósitos.
Assim, é possível concluir que este trabalho cumpriu seus objetivos propostos, pois um
projeto Seis Sigma foi selecionado adequadamente, do qual aprendizados teóricos e práticos
puderam ser obtidos a partir de diferentes práticas utilizadas e dependentes da habilidade das
pessoas envolvidas. Adicionalmente, concluiu-se que os procedimentos metodológicos
adotados foram ideais para os objetivos propostos e que as limitações da pesquisa não
influenciaram os resultados, cabendo destacar que a pesquisa-ação foi planejada e conduzida
rigorosamente de acordo com a consecução dos objetivos.
Referências
ADAMS, C.; GUPTA, P.; WILSON, C. Six Sigma Deployment. Oxford: Butterworth-
Heinemann, 2003.
ANTONY, J. et al. Application of Six Sigma DMAIC methodology in a transactional
environment. International Journal of Quality & Reliability Management, v.29, n.1, p.31-53,
2012.
ANTONY, J. Is six sigma a management fad or fact? Assembly Automation, v.27, n.1, p.17-
19, 2007.
ANTONY, J. Six sigma for service processes. Business Process Management Journal, v.12,
n.2, p.234-248, 2006.
ANTONY, J.; KUMAR, M.; MADU, C. N. Six sigma in small- and medium-sized UK
manufacturing enterprises: some empirical observations. International Journal of Quality &
Reliability Management, v.22, n.8, p.860-874, 2005.
BANUELAS, R. et al. Selection of six sigma projects in the UK. The TQM Magazine, v.18,
n.5, p.514-527, 2006.
BARRATT, M.; CHOI, T. Y.; LI, M. Qualitative case studies in operations management:
Trends, research outcomes, and future research implications. Journal of Operations
Management, v.29, p.329-342, 2011.
XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.
10
BREYFOGLE, F.; CUPELLO, J.; MEADWS, B. Managing Six Sigma. New York: Wiley
Inter-science, 2001.
COGHLAN, D.; BRANNICK, T. Doing action research in your own organization. 3.ed.
London: Sage Publications, 2010.
DE FEO, J.; BARNARD, W. Juran institute’s six sigma breakthrough and beyond: Quality
Performance Methods. New York: McGraw-Hill, 2004.
DINESH KUMAR, U. et al. Reliability and Six Sigma. Berlin: Springer, 2006.
EISENHARDT, K. M.; GRAEBNER, M. E. Theory building from cases: opportunities and
challenges. Academy of Management Journal, v.50, n.1, p.25-32, 2007.
FRENCH, S. Action research for practicing managers. Journal of Management Development,
v.28, n.3, p.187-204, 2009.
HERR, K.; ANDERSON, G. L. The action research dissertation: a guide for students and
faculty. Thousand Oaks: Sage Publications, 2005.
HILTON, R. J.; SOHAL, A. A conceptual model for the successful deployment of Lean Six
Sigma. International Journal of Quality & Reliability Management, v.29, n.1, p.54-70, 2012.
KELLY, M. Three steps to project selection. ASQ Six Sigma Forum Magazine, v.2, n.1, p.29-
33, 2002.
KUMAR, M. et al. Common myths of six sigma demystified. International Journal of
Quality & Reliability Management, v.25, n.8, p.878-895, 2008.
KUMAR, M.; ANTONY, J.; CHO, B. R. Project selection and its impact on the successful
deployment of Six Sigma. Business Process Management Journal, v.15, n.5, p.669-686, 2009.
KUMAR, U. D. et al. Six sigma project selection using data envelopment analysis. The TQM
Magazine, v.19, n.5, p.419-441, 2007.
LAUREANI, A.; ANTONY, J.; DOUGLAS, A. Lean six sigma in a call centre: a case
study. International Journal of Productivity and Performance Management, v.59, n.8, p.757-
768, 2010.
MANVILLE, G. et al. Critical success factors for Lean Six Sigma programmes: a view from
middle management. International Journal of Quality & Reliability Management, v.29, n.1,
p.7-20, 2012.
MCNIFF, J.; WHITEHEAD, J. All you need to know about action research. 2.ed. London:
Sage Publications, 2011.
PADHY, R. K.; SAHU, S. A Real Option based Six Sigma project evaluation and selection
model. International Journal of Project Management, v.29, n.8, p.1091-1102, 2011.
PANDE, P. S.; NEUMAN, R. P.; CAVANAGH, R. R. The Six Sigma way: how GE,
Motorola, and other top companies are honing their performance. New York: McGraw-Hill,
2000. 422 p.
PYZDEK, T. Selecting six sigma projects. Quality Digest, available at:
www.qualitydigest.com/sept00/html/sixsigma.html (accessed 16 March 2005), 2000.
PYZDEK, T. The Six Sigma Project Planner. New York: McGraw-Hill, 2003.
XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.
11
RAY, S.; DAS, P. Six Sigma project selection methodology. International Journal of Lean
Six Sigma, v.1, n.4, p.293-309, 2010.
RAY, S.; DAS, P.; BHATTACHARYA, B. K. Prevention of industrial accidents using Six
Sigma approach. International Journal of Lean Six Sigma, v.2, n.3, p.196-214, 2011.
SHARMA, S.; CHETIYA, A. R. Six Sigma project selection: an analysis of responsible
factors. International Journal of Lean Six Sigma, v.1, n.4, p.280-292, 2010.
SNEE, R. D. Six Sigma: the evolution of 100 years of business improvement methodology.
International Journal of Six Sigma and Competitive Advantage, v.1, n.1, p.4-20, 2004.
TKÁC, M.; LYÓCSA, S. On the Evaluation of Six Sigma Projects. Quality and Reliability
Engineering International, v.26, p.115-124, 2009.
VOSS, C.; TSIKRIKTSIS, N.; FROHLICH, M. Case research in operations management.
International Journal of Operations & Production Management, v.22, n.2, p.195-219, 2002.
ANEXO A – Intervalos de confiança do primeiro e segundo momento para 21 intervalos de dados de C112
Intervalo de dados: Média Variância Intervalo de confiança
para o 1o momento
Intervalo de confiança
para o 2o momento
1 - dados: 990.001 – 995.000 120.025 1.4978 {119.991, 120.059} {1.44077, 1.55830}
1 - dados: 955.001 – 960.000 120.024 1.5242 {119.990, 120.058} {1.46617, 1.58576}
2 - dados: 950.001 – 955.000 120.005 1.6246 {119.970, 120.040} {1.56275, 1.69022}
2 - dados: 915.001 – 920.000 120.015 1.5575 {119.980, 120.050} {1.49820, 1.62041}
3 - dados: 910.001 – 915.000 120.011 1.5382 {119.977, 120.045} {1.47963, 1.60033}
3 - dados: 850.001 – 855.000 119.991 1.5287 {119.957, 120.025} {1.47050, 1.59045}
4 - dados: 845.001 – 850.000 119.997 1.5281 {119.963, 120.031} {1.46992, 1.58982}
4 - dados: 791.001 – 796.000 120.034 1.5063 {120.000, 120.068} {1.44895, 1.56714}
5 - dados: 786.001 – 791.000 120.003 1.5199 {119.969, 120.037} {1.46203, 1.58129}
5 - dados: 741.001 – 746.000 119.984 1.5294 {119.950, 120.018} {1.47117, 1.59117}
6 - dados: 736.001 – 741.000 119.995 1.5519 {119.960, 120.030} {1.49281, 1.61458}
6 - dados: 699.001 – 704.000 119.989 1.5118 {119.955, 120.023} {1.45424, 1.57286}
7 - dados: 694.001 – 699.000 120.010 1.4881 {119.976, 120.044} {1.43144, 1.54821}
7 - dados: 639.001 – 644.000 120.010 1.5524 {119.975, 120.045} {1.49329, 1.61510}
8 - dados: 634.001 – 639.000 119.970 1.6081 {119.935, 120.005} {1.54687, 1.67305}
8 - dados: 594.001 – 599.000 120.046 1.5827 {120.011, 120.081} {1.52244, 1.64663}
9 - dados: 589.001 – 594.000 120.025 1.5308 {119.991, 120.059} {1.47252, 1.59263}
9 - dados: 544.001 – 549.000 120.026 1.5110 {119.992, 120.060} {1.45347, 1.57203}
10 - dados: 539.001 – 544.000 120.031 1.4906 {119.997, 120.065} {1.43385, 1.55081}
10 - dados: 484.001 – 489.000 120.026 1.5866 {119.991, 120.061} {1.52619, 1.65068}
11 - dados: 479.001 – 484.000 120.028 1.5578 {119.993, 120.063} {1.49849, 1.62072}
11 - dados: 434.001 – 439.000 120.026 1.5074 {119.992, 120.060} {1.45001, 1.56829}
12 - dados: 429.001 – 434.000 120.001 1.5259 {119.967, 120.035} {1.46780, 1.58753}
12 - dados: 374.001 – 379.000 120.025 1.4873 {119.991, 120.059} {1.43067, 1.54737}
13 - dados: 369.001 – 374.000 120.047 1.5270 {120.013, 120.081} {1.46886, 1.58868}
13 - dados: 324.001 – 329.000 120.016 1.5460 {119.982, 120.050} {1.48714, 1.60844}
14 - dados: 319.001 – 324.000 120.008 1.5229 {119.974, 120.042} {1.46492, 1.58441}
14 - dados: 274.001 – 279.000 119.988 1.5582 {119.953, 120.023} {1.49887, 1.62114}
15 - dados: 269.001 – 274.000 120.005 1.5897 {119.970, 120.040} {1.52917, 1.65391}
15 - dados: 224.001 – 229.000 120.007 1.5254 {119.973, 120.041} {1.46732, 1.58701}
16 - dados: 219.001 – 224.000 120.016 1.5401 {119.982, 120.050} {1.48146, 1.60231}
16 - dados: 179.001 – 184.000 120.034 1.5600 {119.999, 120.069} {1.50060, 1.62301}
17 - dados: 174.001 – 179.000 120.007 1.5721 {119.972, 120.042} {1.51224, 1.63560}
17 - dados: 149.001 – 154.000 120.008 1.5176 {119.974, 120.042} {1.45982, 1.57890}
18 - dados: 144.001 – 149.000 120.031 1.5822 {119.996, 120.066} {1.52196, 1.64611}
18 - dados: 117.001 – 122.000 119.999 1.5603 {119.964, 120.034} {1.50089, 1.62332}
19 - dados: 112.001 – 117.000 119.986 1.5449 {119.952, 120.020} {1.48608, 1.60730}
19 - dados: 85.001 – 90.000 119.975 1.6065 {119.940, 120.010} {1.54533, 1.67139}
20 - dados: 80.001 – 85.000 120.027 1.4890 {119.993, 120.061} {1.43231, 1.54914}
20 - dados: 45.001 – 50.000 120.002 1.5375 {119.968, 120.036} {1.47896, 1.59960}
21 - dados: 40.001 – 45.000 120.009 1.5594 {119.974, 120.044} {1.50003, 1.62239}
21 - dados: 1 – 5.000 119.983 1.4913 {119.949, 120.017} {1.43452, 1.55154}
ANEXO B – Intervalos de confiança do primeiro e segundo momento para 21 intervalos de dados de C212
Intervalo de dados: Média Variância Intervalo de confiança
para o 1o momento
Intervalo de confiança
para o 2o momento
1 - dados: 1.145.001 – 1.150.000 89.999 0.0369 {89.9937, 90.0043} {0.0354951, 0.0383904}
1 - dados: 1.120.001 – 1.125.000 90.000 0.0366 {89.9947, 90.0053} {0.0352065, 0.0380783}
2 - dados: 1.115.001 – 1.120.000 89.997 0.0375 {89.9916, 90.0024} {0.0360722, 0.0390147}
2 - dados: 1.080.001 – 1.085.000 90.001 0.0399 {89.9955, 90.0065} {0.0383809, 0.0415116}
3 - dados: 1.075.001 – 1.080.000 90.003 0.0378 {89.9976, 90.0084} {0.0363608, 0.0393268}
3 - dados: 1.030.001 – 1.035.000 90.099 0.0721 {90.0916, 90.1064} {0.0693549, 0.0750122}
4 - dados: 1.025.001 – 1.030.000 90.102 0.0738 {90.0945, 90.1095} {0.0709902, 0.0767809}
4 - dados: 960.001 – 965.000 90.100 0.0715 {90.0926, 90.1074} {0.0687777, 0.0743880}
5 - dados: 955.001 – 960.000 90.099 0.0731 {90.0915, 90.1065} {0.0703168, 0.0760526}
5 - dados: 890.001 – 895.000 90.096 0.0695 {90.0887, 90.1033} {0.0668539, 0.0723072}
6 - dados: 885.001 – 890.000 90.099 0.0727 {90.0915, 90.1065} {0.0699320, 0.0756364}
6 - dados: 820.001 – 825.000 90.096 0.0737 {90.0885, 90.1035} {0.0708940, 0.0766768}
7 - dados: 815.001 – 820.000 90.100 0.0739 {90.0925, 90.1075} {0.0710863, 0.0768849}
7 - dados: 750.001 – 755.000 90.095 0.0736 {90.0875, 90.1025} {0.0707978, 0.0765728}
8 - dados: 745.001 – 750.000 90.109 0.0731 {90.1015, 90.1165} {0.0703168, 0.0760526}
8 - dados: 690.001 – 695.000 90.078 0.0755 {90.0704, 90.0856} {0.0726254, 0.0785495}
9 - dados: 685.001 – 690.000 90.077 0.0742 {90.0694, 90.0846} {0.0713749, 0.0771970}
9 - dados: 620.001 – 625.000 90.078 0.0734 {90.0705, 90.0855} {0.0706054, 0.0763647}
10 - dados: 615.001 – 620.000 90.077 0.0744 {90.0694, 90.0846} {0.0715673, 0.0774051}
10 - dados: 560.001 – 565.000 90.083 0.0758 {90.0754, 90.0906} {0.0729140, 0.0788616}
11 - dados: 555.001 – 560.000 90.073 0.0707 {90.0656, 90.0804} {0.0680082, 0.0735556}
11 - dados: 500.001 – 505.000 90.081 0.0767 {90.0733, 90.0887} {0.0737797, 0.0797980}
12 - dados: 495.001 – 500.000 90.080 0.0734 {90.0725, 90.0875} {0.0706054, 0.0763647}
12 - dados: 440.001 – 445.000 90.086 0.0725 {90.0785, 90.0935} {0.0697397, 0.0754283}
13 - dados: 435.001 – 440.000 90.074 0.0743 {90.0664, 90.0816} {0.0714711, 0.0773011}
13 - dados: 370.001 – 375.000 90.077 0.0710 {90.0696, 90.0844} {0.0682968, 0.0738678}
14 - dados: 365.001 – 370.000 90.084 0.0721 {90.0766, 90.0914} {0.0693549, 0.0750122}
14 - dados: 310.001 – 315.000 90.029 0.0838 {90.0210, 90.0370} {0.0806094, 0.0871848}
15 - dados: 305.001 – 310.000 90.045 0.0843 {90.0370, 90.0530} {0.0810904, 0.0877050}
15 - dados: 255.001 – 260.000 90.032 0.0842 {90.0240, 90.0400} {0.0809942, 0.0876009}
16 - dados: 250.001 –255.000 90.046 0.0846 {90.0379, 90.0541} {0.0813790, 0.0880171}
16 - dados: 200.001 – 205.000 90.035 0.0831 {90.0270, 90.0430} {0.0799361, 0.0864565}
17 - dados: 195.001 – 200.000 90.040 0.0848 {90.0319, 90.0481} {0.0815713, 0.0882252}
17 - dados: 154.001 – 159.000 90.037 0.0802 {90.0291, 90.0449} {0.0771465, 0.0834394}
18 - dados: 149.001 – 154.000 90.044 0.0848 {90.0359, 90.0521} {0.0815713, 0.0882252}
18 - dados: 114.001 – 119.000 90.041 0.0866 {90.0328, 90.0492} {0.0833028, 0.0900979}
19 - dados: 109.001 – 114.000 90.042 0.0820 {90.0341, 90.0499} {0.0788780, 0.0853121}
19 - dados: 84.001 – 89.000 90.037 0.0859 {90.0289, 90.0451} {0.0826295, 0.0893696}
20 - dados: 79.001 – 84.000 90.035 0.0823 {90.0270, 90.0430} {0.0791665, 0.0856242}
20 - dados: 49.001 – 54.000 90.036 0.0861 {90.0279, 90.0441} {0.0828218, 0.0895777}
21 - dados: 44.001 – 49.000 90.042 0.0850 {90.0339, 90.0501} {0.0817637, 0.0884332}
21 - dados: 1 – 5.000 90.045 0.0839 {90.0370, 90.0530} {0.0807056, 0.0872888}
ANEXO C – Intervalos de confiança do primeiro e segundo momento para os novos subintervalos de C112
Intervalo de dados 7
dados: 639.001 – 699.000 Média Variância
Intervalo de confiança
para o 1o momento
Intervalo de confiança
para o 2o momento
Sub 1 - dados: 694.001 – 699.000 120.010 1.4881 {119.976, 120.044} {1.43144, 1.54821}
Sub 2 - dados: 689.001 – 694.000 120.023 1.5118 {119.989, 120.057} {1.45424, 1.57286}
Sub 3 - dados: 684.001 – 689.000 119.997 1.5467 {119.963, 120.031} {1.48781, 1.60917}
Sub 4 - dados: 679.001 – 684.000 120.012 1.5658 {119.977, 120.047} {1.50618, 1.62904}
Sub 5 - dados: 674.001 – 679.000 120.013 1.5488 {119.978, 120.048} {1.48983, 1.61136}
Sub 6 - dados: 669.001 – 674.000 120.019 1.5293 {119.985, 120.053} {1.47107, 1.59107}
Sub 7 - dados: 664.001 – 669.000 119.987 1.5252 {119.953, 120.021} {1.46713, 1.58680}
Sub 8 - dados: 659.001 – 664.000 120.009 1.5953 {119.974, 120.044} {1.53456, 1.65974}
Sub 9 - dados: 654.001 – 659.000 119.996 1.5323 {119.962, 120.030} {1.47396, 1.59419}
Sub 10 - dados: 649.001 – 654.000 120.004 1.5214 {119.970, 120.038} {1.46347, 1.58285}
Sub 11 - dados: 644.001 – 649.000 120.022 1.4867 {119.988, 120.056} {1.43010, 1.54675}
Sub 12 - dados: 639.001 – 644.000 120.010 1.5524 {119.975, 120.045} {1.49329, 1.61510}
Intervalo de dados 8
dados: 594.001 – 639.000 Média Variância
Intervalo de confiança
para o 1o momento
Intervalo de confiança
para o 2o momento
Sub 1 - dados: 634.001 – 639.000 119.970 1.6081 {119.935, 120.005} {1.54687, 1.67305}
Sub 2 - dados: 629.001 – 634.000 120.008 1.5977 {119.973, 120.043} {1.53687, 1.66223}
Sub 3 - dados: 624.001 – 629.000 120.024 1.5916 {119.989, 120.059} {1.53100, 1.65589}
Sub 4 - dados: 619.001 – 624.000 120.018 1.5286 {119.984, 120.052} {1.47040, 1.59034}
Sub 5 - dados: 614.001 – 619.000 119.983 1.5569 {119.948, 120.018} {1.49762, 1.61978}
Sub 6 - dados: 609.001 – 614.000 120.005 1.5390 {119.971, 120.039} {1.48040, 1.60116}
Sub 7 - dados: 604.001 – 609.000 120.006 1.5614 {119.971, 120.041} {1.50195, 1.62447}
Sub 8 - dados: 599.001 – 604.000 119.968 1.5751 {119.933, 120.003} {1.51513, 1.63872}
Sub 9 - dados: 594.001 – 599.000 120.046 1.5827 {120.011, 120.081} {1.52244, 1.64663}
Intervalo de dados 15
dados: 224.001 – 274.000 Média Variância
Intervalo de confiança
para o 1o momento
Intervalo de confiança
para o 2o momento
Sub 1 - dados: 269.001 – 274.000 120.005 1.5897 {119.970, 120.040} {1.52917, 1.65391}
Sub 2 - dados: 264.001 – 269.000 120.037 1.5322 {120.003, 120.071} {1.47386, 1.59409}
Sub 3 - dados: 259.001 – 264.000 120.020 1.5131 {119.986, 120.054} {1.45549, 1.57422}
Sub 4 - dados: 254.001 – 259.000 119.978 1.5351 {119.944, 120.012} {1.47665, 1.59710}
Sub 5 - dados: 249.001 – 254.000 119.985 1.5088 {119.951, 120.019} {1.45135, 1.56974}
Sub 6 - dados: 244.001 – 249.000 120.008 1.5077 {119.974, 120.042} {1.45030, 1.56860}
Sub 7 - dados: 239.001 – 244.000 120.014 2.1767 {119.973, 120.055} {2.09382, 2.26462}
Sub 8 - dados: 234.001 – 239.000 120.006 1.5661 {119.971, 120.041} {1.50647, 1.62936}
Sub 9 - dados: 229.001 – 234.000 120.001 1.5805 {119.966, 120.036} {1.52032, 1.64434}
Sub 10 - dados: 224.001 – 229.000 120.007 1.5254 {119.973, 120.041} {1.46732, 1.58701}
Intervalo de dados 19
dados: 85.001 – 117.000 Média Variância
Intervalo de confiança
para o 1o momento
Intervalo de confiança
para o 2o momento
Sub 1 - dados: 112.001 – 117.000 119.986 1.5449 {119.952, 120.020} {1.48608, 1.60730}
Sub 2 - dados: 105.001 – 110.000 120.033 1.5750 {119.998, 120.068} {1.51503, 1.63862}
Sub 3 - dados: 100.001 – 105.000 119.994 1.5678 {119.959, 120.029} {1.50811, 1.63112}
Sub 4 - dados: 95.001 – 100.000 120.017 1.5749 {119.982, 120.052} {1.51494, 1.63851}
Sub 5 - dados: 90.001 – 95.000 120.003 2.0421 {119.963, 120.043} {1.96435, 2.12458}
Sub 6 - dados: 85.001 – 90.000 119.975 1.6065 {119.940, 120.010} {1.54533, 1.67139}
Intervalo de dados 20
dados: 45.001 – 85.000 Média Variância
Intervalo de confiança
para o 1o momento
Intervalo de confiança
para o 2o momento
Sub 1 - dados: 80.001 – 85.000 120.027 1.4890 {119.993, 120.061} {1.43231, 1.54914}
Sub 2 - dados: 75.001 – 80.000 120.012 1.6186 {119.977, 120.047} {1.55697, 1.68398}
Sub 3 - dados: 70.001 – 75.000 120.017 1.5249 {119.983, 120.051} {1.46684, 1.58649}
Sub 4 - dados: 65.001 – 70.000 120.012 2.6520 {119.967, 120.057} {2.55103, 2.75912}
Sub 5 - dados: 60.001 – 65.000 119.985 3.2854 {119.935, 120.035} {3.16031, 3.41810}
Sub 6 - dados: 55.001 – 60.000 119.992 1.5529 {119.957, 120.027} {1.49378, 1.61562}
Sub 7 - dados: 50.001 – 55.000 120.025 2.0872 {119.985, 120.065} {2.00773, 2.17150}
Sub 8 - dados: 45.001 – 50.000 120.002 1.5375 {119.968, 120.036} {1.47896, 1.59960}
ANEXO D – Intervalos de confiança do primeiro e segundo momento para os novos subintervalos de C212
Intervalo de dados 2
dados: 1.080.001 – 1.120.000 Média Variância
Intervalo de confiança
para o 1o momento
Intervalo de confiança
para o 2o momento
Sub 1 - dados: 1.115.001 – 1.120.000 89.997 0.0375 {89.9916, 90.0024} {0.0360722, 0.0390147}
Sub 2 - dados: 1.110.001 – 1.115.000 90.003 0.0395 {89.9975, 90.0085} {0.0379961, 0.0410954}
Sub 3 - dados: 1.105.001 – 1.110.000 90.070 0.0311 {90.0651, 90.0749} {0.0299159, 0.0323562}
Sub 4 - dados: 1.100.001 – 1.105.000 90.000 0.0378 {89.9946, 90.0054} {0.0363608, 0.0393268}
Sub 5 - dados: 1.095.001 – 1.100.000 89.997 0.0394 {89.9915, 90.0025} {0.0378999, 0.0409914}
Sub 6 - dados: 1.090.001 – 1.095.000 89.999 0.0372 {89.9937, 90.0043} {0.0357837, 0.0387025}
Sub 7 - dados: 1.085.001 – 1.090.000 89.996 0.0377 {89.9906, 90.0014} {0.0362646, 0.0392227}
Sub 8 - dados: 1.080.001 – 1.085.000 90.001 0.0399 {89.9955, 90.0065} {0.0383809, 0.0415116}
Intervalo de dados 3
dados: 1.030.001 – 1.080.000 Média Variância
Intervalo de confiança
para o 1o momento
Intervalo de confiança
para o 2o momento
Sub 1 - dados: 1.075.001 – 1.080.000 90.003 0.0378 {89.9976, 90.0084} {0.0363608, 0.0393268}
Sub 2 - dados: 1.070.001 – 1.075.000 89.998 0.0393 {89.9925, 90.0035} {0.0378037, 0.0408874}
Sub 3 - dados: 1.065.001 – 1.070.000 89.995 0.0378 {89.9896, 90.0004} {0.0363608, 0.0393268}
Sub 4 - dados: 1.060.001 – 1.065.000 90.002 0.0376 {89.9966, 90.0074} {0.0361684, 0.0391187}
Sub 5 - dados: 1.055.001 – 1.060.000 89.997 0.0396 {89.9915, 90.0025} {0.0380923, 0.0411995}
Sub 6 - dados: 1.050.001 – 1.055.000 90.000 0.0374 {89.9946, 90.0054} {0.0359760, 0.0389106}
Sub 7 - dados: 1.045.001 – 1.050.000 90.108 0.0738 {90.1005, 90.1155} {0.0709902, 0.0767809}
Sub 8 - dados: 1.040.001 – 1.045.000 90.092 0.0735 {90.0845, 90.0995} {0.0707016, 0.0764687}
Sub 9 - dados: 1.035.001 – 1.040.000 90.102 0.0732 {90.0945, 90.1095} {0.0704130, 0.0761566}
Sub 10 - dados: 1.030.001 – 1.035.000 90.099 0.0721 {90.0916, 90.1064} {0.0693549, 0.0750122}
Intervalo de dados 8
dados: 690.001 – 750.000 Média Variância
Intervalo de confiança
para o 1o momento
Intervalo de confiança
para o 2o momento
Sub 1 - dados: 745.001 – 750.000 90.109 0.0731 {90.1015, 90.1165} {0.0703168, 0.0760526}
Sub 2 - dados: 740.001 – 745.000 90.102 0.0715 {90.0946, 90.1094} {0.0687777, 0.0743880}
Sub 3 - dados: 735.001 – 740.000 90.101 0.0737 {90.0935, 90.1085} {0.0708940, 0.0766768}
Sub 4 - dados: 730.001 – 735.000 90.105 0.0751 {90.0974, 90.1126} {0.0722407, 0.0781334}
Sub 5 - dados: 725.001 – 730.000 90.105 0.0738 {90.0975, 90.1125} {0.0709902, 0.0767809}
Sub 6 - dados: 720.001 – 725.000 90.098 0.0733 {90.0905, 90.1055} {0.0705092, 0.0762607}
Sub 7 - dados: 715.001 – 720.000 90.101 0.0737 {90.0935, 90.1085} {0.0708940, 0.0766768}
Sub 8 - dados: 710.001 – 715.000 90.077 0.0741 {90.0695, 90.0845} {0.0712787, 0.0770930}
Sub 9 - dados: 705.001 – 710.000 90.084 0.0741 {90.0765, 90.0915} {0.0712787, 0.0770930}
Sub 10 - dados: 700.001 – 705.000 90.083 0.0749 {90.0754, 90.0906} {0.0720483, 0.0779253}
Sub 11 - dados: 695.001 – 700.000 90.087 0.0701 {90.0797, 90.0943} {0.0674310, 0.0729314}
Sub 12 - dados: 690.001 – 695.000 90.078 0.0755 {90.0704, 90.0856} {0.0726254, 0.0785495}
Intervalo de dados 14
dados: 310.001 – 370.000 Média Variância
Intervalo de confiança
para o 1o momento
Intervalo de confiança
para o 2o momento
Sub 1 - dados: 365.001 – 370.000 90.084 0.0721 {90.0766, 90.0914} {0.0693549, 0.0750122}
Sub 2 - dados: 360.001 – 365.000 90.081 0.0710 {90.0736, 90.0884} {0.0682968, 0.0738678}
Sub 3 - dados: 355.001 – 360.000 90.073 0.0728 {90.0655, 90.0805} {0.0700282, 0.0757405}
Sub 4 - dados: 350.001 – 355.000 90.080 0.0735 {90.0725, 90.0875} {0.0707016, 0.0764687}
Sub 5 - dados: 345.001 – 350.000 90.077 0.0715 {90.0696, 90.0844} {0.0687777, 0.0743880}
Sub 6 - dados: 340.001 – 345.000 90.045 0.0839 {90.0370, 90.0530} {0.0807056, 0.0872888}
Sub 7 - dados: 335.001 – 340.000 90.040 0.0874 {90.0318, 90.0482} {0.0840724, 0.0909302}
Sub 8 - dados: 330.001 – 335.000 90.048 0.0854 {90.0399, 90.0561} {0.0821485, 0.0888494}
Sub 9 - dados: 325.001 – 330.000 90.037 0.0809 {90.0291, 90.0449} {0.0778198, 0.0841676}
Sub 10 - dados: 320.001 – 325.000 90.039 0.0860 {90.0309, 90.0471} {0.0827257, 0.0894736}
Sub 11 - dados: 315.001 – 320.000 90.033 0.0830 {90.0250, 90.0410} {0.0798399, 0.0863525}
Sub 12 - dados: 310.001 – 315.000 90.029 0.0838 {90.0210, 90.0370} {0.0806094, 0.0871848}