Toda organização já viveu isso: um problema é resolvido, o indicador melhora por um mês, e depois tudo volta ao que era. A equipe culpa a falta de disciplina, o gestor culpa a equipe, e o ciclo recomeça. O que está faltando raramente é esforço. O que está faltando é a capacidade de distinguir o que é variação normal do processo do que é um problema real que exige ação. E essa capacidade tem nome: é estatística aplicada ao controle de processos.
O Lean Six Sigma não é uma metodologia de gestão no sentido convencional. É a aplicação do método científico às organizações — e o método científico precisa de dados, medição e análise para funcionar. A estatística não é um complemento opcional do Six Sigma. É a fundação sobre a qual toda decisão de melhoria é tomada.
O problema que a estatística resolve
Todo processo produz variação. O tempo de atendimento de um call center nunca é exatamente 4 minutos — é às vezes 3,5, às vezes 4,8, às vezes 6,2. Essa variação tem duas origens completamente diferentes, com respostas completamente diferentes.
Causas comuns de variação são inerentes ao sistema — são a variação natural e previsível que sempre existirá enquanto o processo for o que é. Reagir a causas comuns como se fossem problemas específicos é uma das formas mais eficazes de piorar um processo. Causas especiais são eventos atípicos — algo diferente aconteceu e gerou um resultado fora do padrão esperado. Essas merecem investigação imediata.
A pergunta que a estatística responde é: o que estou vendo agora é variação normal do sistema ou um sinal de que algo mudou? Sem ferramentas estatísticas, essa distinção é impossível de fazer com confiança. Com elas, torna-se objetiva — e é isso que separa a melhoria que sustenta da melhoria que dura um mês.
Como cada conceito entra no DMAIC
O DMAIC é a espinha dorsal de qualquer projeto Six Sigma. Cada fase usa ferramentas estatísticas específicas para responder perguntas específicas. A tabela abaixo mostra esse mapeamento:
| Fase DMAIC | Pergunta central | Ferramenta estatística |
|---|---|---|
| Measure | Quanto o processo varia? | Desvio padrão, distribuição normal |
| Measure | O sistema de medição é confiável? | MSA — Análise do Sistema de Medição |
| Analyze | O processo é capaz de atender às especificações? | Cp e Cpk — Capabilidade |
| Analyze | Qual é a taxa de defeitos em partes por milhão? | DPMO |
| Analyze | Existe diferença estatística entre grupos? | ANOVA, Teste de Hipótese |
| Analyze | Uma variável explica o comportamento de outra? | Regressão Linear |
| Control | O processo permanece sob controle ao longo do tempo? | Carta de Controle — CEP |
Cada conceito abaixo tem uma URL específica com o aprofundamento completo. O papel deste artigo é mostrar como eles se conectam como sistema — não substituir nenhum deles.
Desvio padrão — a medida da variação
O desvio padrão é a primeira medida que qualquer projeto Six Sigma calcula. Ele quantifica o quanto os dados se afastam da média — ou seja, o tamanho da variação do processo.
Um processo com média de 100 e desvio padrão de 2 é completamente diferente de um processo com média de 100 e desvio padrão de 15, mesmo que a média seja idêntica. O primeiro é previsível e controlável; o segundo é caótico. No Six Sigma, o nível sigma de um processo é calculado a partir do desvio padrão em relação aos limites de especificação. Um processo 6 sigma produz apenas 3,4 defeitos por milhão de oportunidades — o que significa que a distância entre a média e o limite de especificação é de 6 desvios padrão. Daí o nome da metodologia.
→ Aprofundamento: Desvio Padrão
Distribuição Normal — o comportamento esperado dos dados
A maioria dos processos industriais e de serviços, quando estáveis, produz dados que seguem uma distribuição normal — a curva em sino. Entender essa distribuição é fundamental porque toda a estatística paramétrica do Six Sigma parte desse comportamento como premissa.
A distribuição normal tem uma propriedade precisa: 68,27% dos dados ficam dentro de 1 desvio padrão da média, 95,45% dentro de 2, e 99,73% dentro de 3. Na prática, isso significa que se o tempo de ciclo de uma operação tem média de 10 minutos e desvio padrão de 1 minuto, quase todos os ciclos (99,73%) devem terminar entre 7 e 13 minutos — quando estável. Um ciclo que sai desse intervalo é um sinal, não ruído. Antes de aplicar qualquer ferramenta estatística paramétrica, é preciso verificar se os dados seguem distribuição normal — usar ferramentas que assumem normalidade em dados que não a seguem produz conclusões erradas.
→ Aprofundamento: Distribuição Normal
Cp e Cpk — a capacidade do processo de atender às especificações
Conhecer a variação de um processo não é suficiente. É preciso saber se essa variação cabe dentro dos limites que o cliente aceita. Para isso existem os índices de capabilidade.
O Cp mede a relação entre a largura das especificações e a variação do processo. Um Cp de 1,0 significa que o processo usa exatamente toda a janela disponível — qualquer variação adicional gera defeito. Um Cp de 1,33 ou superior é o padrão mínimo exigido pela maioria das indústrias. O Cpk adiciona a posição do processo em relação ao centro das especificações: um processo pode ter variação pequena (Cp alto) mas estar descentrado, gerando defeitos em apenas um dos lados. Em projetos Six Sigma, a fase Analyze começa calculando Cp e Cpk para quantificar onde o processo está e definir onde precisa chegar.
→ Aprofundamento: Cp e Cpk | Capabilidade do Processo
DPMO — traduzindo sigma em defeitos
O DPMO (Defeitos Por Milhão de Oportunidades) é a métrica que dá nome ao Six Sigma. Ele transforma o nível sigma em um número concreto e comparável entre processos completamente diferentes — uma linha de produção e um processo de faturamento podem ser comparados na mesma unidade.
| Nível Sigma | DPMO | Contexto |
|---|---|---|
| 3 sigma | 66.807 | Processos industriais básicos |
| 4 sigma | 6.210 | Padrão de muitas indústrias |
| 5 sigma | 233 | Processos de alto desempenho |
| 6 sigma | 3,4 | Meta Six Sigma — referência da aviação comercial |
→ Aprofundamento: DPMO
Teste de Hipótese — a decisão baseada em evidência
Uma das armadilhas mais comuns em projetos de melhoria é tomar decisões com base em diferenças que parecem grandes mas podem ser apenas variação aleatória. O teste de hipótese resolve esse problema.
A lógica é a seguinte: antes de qualquer decisão, o projeto formula duas hipóteses. A hipótese nula (H₀) sustenta que não existe diferença real entre as situações comparadas. A hipótese alternativa (H₁) sustenta que existe diferença. O teste calcula a probabilidade de a diferença observada ser apenas acaso — e esse resultado é o p-valor. Um call center comparou dois roteiros de atendimento: tempo médio de 4,20 minutos com o roteiro A e 3,95 minutos com o roteiro B. A diferença parecia relevante. O teste calculou p = 0,023 — inferior a 0,05. A diferença era real, não acaso, e a mudança foi implementada com base em evidência, não em impressão.
→ Aprofundamento: Teste de Hipótese
ANOVA — comparando mais de dois grupos
O teste de hipótese compara dois grupos. Quando há três ou mais grupos — três turnos, quatro fornecedores, cinco máquinas — a ferramenta correta é a ANOVA (Analysis of Variance). Ela testa se existe diferença estatisticamente significante entre as médias dos grupos; se existe, o teste de Tukey identifica exatamente quais grupos diferem entre si.
Um projeto de redução de variação em uma linha de embalagem investigou se o turno era um fator de variação. Com três turnos e amostras de 30 peças por turno, a ANOVA revelou que o turno da noite produzia variação significativamente maior que os demais (p = 0,003). A investigação subsequente revelou diferença no procedimento de set-up ao início do turno — algo invisível nos relatórios, visível nos dados estratificados por grupo.
→ Aprofundamento: ANOVA
Regressão Linear — entendendo relações entre variáveis
A regressão linear modela a relação entre uma variável de entrada (X) e uma variável de saída (Y). Em projetos Six Sigma, ela responde perguntas como: se aumentarmos a temperatura em 5°C, quanto muda a resistência do produto? O resultado é uma equação que permite predições com intervalo de confiança calculado.
A regressão também fornece o R² — coeficiente de determinação — que mede o quanto a variação em Y é explicada pela variação em X. Um R² de 0,85 significa que 85% da variação na saída é explicada pela variável de entrada analisada. Os 15% restantes vêm de outras fontes — e identificar quais é o próximo passo do projeto.
→ Aprofundamento: Regressão Linear
Carta de Controle — garantindo que a melhoria permanece
Depois que as melhorias são implementadas, a fase Control do DMAIC usa a carta de controle para garantir que o processo permanece estável ao longo do tempo. É a ferramenta central do Controle Estatístico de Processo.
A carta de controle monitora o processo continuamente e distingue automaticamente causas comuns de causas especiais. Uma indústria de autopeças que reduziu variação dimensional de 4,2% para 0,8% em um projeto Six Sigma usou a carta de controle nos 90 dias seguintes para confirmar que a melhoria se sustentava — sem os picos que apareciam no gráfico de linha antes do projeto. Quando um ponto caiu fora dos limites de controle no dia 47, a equipe identificou um lote de matéria-prima fora de especificação antes que chegasse ao cliente. A carta de controle não detectou o problema: ela sinalizou o desvio no momento em que ocorreu, não depois que virou reclamação.
Uma distinção fundamental: limites de controle são calculados a partir dos dados históricos do processo. Limites de especificação são definidos pelo cliente. Um processo pode estar sob controle estatístico mas fora das especificações — ou dentro das especificações mas instável. A carta de controle monitora os primeiros; o Cpk avalia os segundos. Confundir os dois é um dos erros mais comuns em programas de qualidade.
→ Aprofundamento: Carta de Controle
O que a estatística torna impossível de ignorar
Existe uma distinção que define toda a filosofia do Six Sigma: mudança não é o mesmo que melhoria. Qualquer organização pode mudar um processo. Poucas conseguem provar que a mudança gerou melhoria real — não apenas variação aleatória que pareceu melhora por alguns dias.
Sem desvio padrão, não há como quantificar a variação que precisa ser reduzida. Sem Cpk, não há como provar que o processo atende às especificações. Sem teste de hipótese, não há como confirmar que uma diferença observada é real. Sem carta de controle, não há como garantir que a melhoria se sustenta. A estatística não é um obstáculo para quem quer resultado rápido — é o que impede que o resultado desapareça tão rápido quanto chegou.
Profissionais com formação em Green Belt aprendem a usar esses conceitos em projetos reais — com dados de processos reais, interpretando resultados em contexto organizacional. A diferença entre quem cursou e quem pratica é exatamente essa: saber quando o indicador melhorou de verdade e quando apenas variou para o lado certo por um mês.
Conteúdo revisado pelo Master Black Belt Marcelo Petenate, estatístico, formado pela Unicamp, mestre pela USP e especialista em Lean Six Sigma e melhoria contínua.
Quem entende a distinção entre variação normal e sinal real para de resolver o mesmo problema pela terceira vez. O White Belt gratuito da EDTI é o ponto de partida para desenvolver esse raciocínio — em menos de 4 horas, sem custo.
Perguntas frequentes sobre estatística no Six Sigma
O que é estatística Six Sigma?
Estatística Six Sigma é o conjunto de ferramentas quantitativas que fundamentam as decisões em projetos Lean Six Sigma. Inclui desvio padrão, distribuição normal, capabilidade do processo (Cp e Cpk), DPMO, testes de hipótese, ANOVA, regressão linear e cartas de controle. Sem essas ferramentas, não é possível distinguir se uma melhoria observada é real ou apenas variação aleatória do processo.
Por que o Six Sigma precisa de estatística?
O Six Sigma é baseado no método científico aplicado às organizações. Toda decisão de melhoria deve ser tomada com base em dados, não em opinião ou experiência isolada. A estatística permite quantificar a variação, identificar causas reais de problemas, confirmar que uma mudança gerou melhoria genuína e garantir que o processo permanece estável ao longo do tempo. Sem ela, o gestor não sabe se está reagindo a um problema real ou à variação natural do processo.
Quais são as principais ferramentas estatísticas do Six Sigma?
Desvio padrão (medida da variação), distribuição normal (comportamento esperado dos dados), Cp e Cpk (capabilidade do processo), DPMO (taxa de defeitos por milhão de oportunidades), teste de hipótese (confirmação estatística de diferenças), ANOVA (comparação de três ou mais grupos), regressão linear (relação entre variáveis de entrada e saída) e carta de controle (monitoramento contínuo do processo ao longo do tempo).
Qual a diferença entre limites de controle e limites de especificação?
Limites de controle são calculados a partir dos dados históricos do processo e definem o comportamento normal esperado. Limites de especificação são definidos pelo cliente e representam o que é aceitável para ele. Um processo pode estar sob controle estatístico mas fora das especificações — ou vice-versa. A carta de controle monitora os limites de controle; o Cpk avalia os limites de especificação. Confundir os dois é um dos erros mais comuns em programas de qualidade.
O que é p-valor no Six Sigma?
O p-valor é o resultado de um teste de hipótese. Ele informa a probabilidade de a diferença observada entre dois grupos ser apenas variação aleatória. Se p menor que 0,05, existe menos de 5% de chance de a diferença ser acaso — e a equipe tem base estatística para agir. Se p maior que 0,05, a diferença pode ser ruído, e agir sobre ela seria reagir a causa comum, potencialmente piorando o processo.
Preciso saber estatística para fazer Green Belt?
Sim — e a formação Green Belt da EDTI cobre todos esses conceitos com profundidade adequada para aplicação em projetos reais. O objetivo não é formar estatísticos, mas profissionais capazes de usar ferramentas estatísticas para tomar decisões de melhoria com base em dados. A maioria dos conceitos é acessível com dedicação — o nível de aprofundamento aumenta no Black Belt, especialmente em ANOVA, regressão e planejamento de experimentos.
Qual a diferença entre Cp e Cpk?
Cp mede a relação entre a variação do processo e a janela de especificação — ou seja, se a variação do processo cabe dentro do que o cliente aceita. Cpk adiciona o efeito do descentramento: um processo pode ter variação pequena (Cp alto) mas estar deslocado para um dos lados da especificação, gerando defeitos mesmo com baixa variação. O padrão mínimo aceito na maioria das indústrias é Cpk maior ou igual a 1,33.