A equipe de engenharia concluiu que a temperatura do forno era a causa da variação no peso do produto. Rodaram a regressão, o p-valor deu significativo, e o relatório foi para a gestão com a conclusão. O problema voltou três semanas depois.
O que ninguém tinha feito antes de rodar o modelo: olhar o gráfico de dispersão. Se tivessem visto os pontos, teriam notado que a relação existia apenas em uma faixa específica de temperatura — fora dela, os dados formavam um padrão diferente. A regressão linear havia modelado uma relação que não era linear em toda a faixa de operação.
O gráfico de dispersão não é a etapa antes da análise “de verdade”. É a análise. O que o Minitab calcula depois precisa fazer sentido no que o gráfico mostra primeiro — e este artigo cobre como gerar, configurar e ler esse gráfico no software, incluindo o Matrix Plot quando as variáveis são mais de duas.
| Tipo de gráfico | Quando usar | Caminho no Minitab |
|---|---|---|
| Scatterplot simples | 1 variável Y vs. 1 variável X | Gráfico >> Dispersão >> Simples |
| Scatterplot com grupos | Y vs. X estratificado por categoria (turno, fornecedor, linha) | Gráfico >> Dispersão >> Com Grupos |
| Matrix Plot | Múltiplas variáveis simultaneamente — visão de conjunto | Gráfico >> Matrix Plot >> Simples |
Scatterplot simples — caminho e configuração
No Minitab, acesse Gráfico >> Dispersão >> Simples. A janela abre com dois campos obrigatórios:
Variáveis Y (resposta): a variável de saída que você quer entender — tempo de ciclo, peso, resistência, taxa de defeitos. Coluna numérica.
Variáveis X (preditoras): a variável que você acredita estar relacionada com Y — temperatura, pressão, quantidade de matéria-prima, experiência do operador. Coluna numérica.
Clique em OK. O Minitab plota os pontos com Y no eixo vertical e X no horizontal — o padrão esperado para leitura de relação de causa e efeito.
O que observar no output:
Leia o gráfico em três dimensões antes de qualquer cálculo. Primeiro, a direção: os pontos sobem da esquerda para a direita (relação positiva — quando X aumenta, Y tende a aumentar) ou descem (relação negativa)? Segundo, a forma: os pontos se aproximam de uma reta ou seguem uma curva? Regressão linear só faz sentido quando a forma é linear. Terceiro, a força: os pontos estão concentrados próximos a uma linha imaginária ou dispersos por todo o gráfico?
Num projeto de redução de retrabalho em linha de montagem automotiva com 340 registros de turno, o scatterplot de “pressão de torque × percentual de peças fora de especificação” mostrou relação positiva, linear e moderada — pontos concentrados o suficiente para justificar regressão, mas com dispersão visível que indicava outras variáveis contribuindo. Essa leitura foi registrada antes do modelo. Quando o R² da regressão saiu em 0,47, o número fez sentido: o gráfico já havia antecipado que pressão explica parte, não tudo.
Scatterplot com grupos — estratificação visual
Acesse Gráfico >> Dispersão >> Com Grupos. Além dos campos Y e X, o Minitab pede uma variável categórica para os grupos — turno, operador, fornecedor, linha de produção.
Este é o gráfico que revela o que o scatterplot simples esconde. A apostila Green Belt da EDTI usa um caso clássico: sem estratificar por fornecedor, a dispersão entre rigidez e força de ruptura de um componente mostrava correlação fraca. Estratificando, cada fornecedor tinha correlação forte — mas em direções diferentes. Um fornecedor entregava maior rigidez com maior força; o outro, o contrário. O gráfico agregado havia mascarado dois padrões opostos.
A regra prática: sempre que houver uma variável categórica plausível no processo (turno, máquina, lote, operador), rodar o scatterplot com grupos antes de concluir qualquer coisa sobre a relação entre Y e X.
Matrix Plot — quando as variáveis são mais de duas
Acesse Gráfico >> Matrix Plot >> Simples. Selecione todas as colunas numéricas que deseja analisar simultaneamente. O Minitab gera uma grade de gráficos de dispersão — cada célula mostra a relação entre um par de variáveis.
O Matrix Plot é o ponto de partida quando você tem hipóteses sobre múltiplas variáveis de entrada e ainda não sabe quais investigar primeiro. Num projeto de redução de lead time logístico com 6 variáveis de processo candidatas, o Matrix Plot de 10 minutos apontou visualmente que 2 das 6 tinham padrão de relação com o lead time — as outras 4 não mostravam nenhum padrão. A análise de regressão seguinte focou nas 2, economizando ciclos de investigação nas demais.
Como ler a grade: percorra a linha da variável Y que você considera mais importante e veja os gráficos nas colunas das variáveis X candidatas. Padrão visível (pontos agrupados em torno de uma tendência) → relação a investigar. Nuvem sem forma → pouca ou nenhuma relação linear.
Onde o gráfico de dispersão termina e a regressão começa
O gráfico de dispersão confirma visualmente que existe um padrão. A regressão linear no Minitab quantifica esse padrão — ela calcula o coeficiente da reta, o R² e o p-valor que dizem o quanto de Y é explicado por X e se essa relação é estatisticamente significativa.
O erro mais comum é pular para a regressão sem ver o gráfico. O p-valor pode sair significativo mesmo quando a relação é não-linear, quando há outliers influentes ou quando a relação existe apenas em uma faixa dos dados. Nenhum desses problemas aparece no output da regressão com a mesma clareza que no gráfico.
A sequência correta no Minitab para investigar relação entre variáveis contínuas: (1) gráfico de dispersão simples; (2) gráfico com grupos se houver variável categórica relevante; (3) Matrix Plot se houver múltiplas candidatas; (4) regressão nas variáveis que o gráfico identificou como candidatas.
Para entender o conceito de correlação — o que mede, como interpretar o coeficiente r e a distinção entre correlação e causalidade —, o artigo como entender a correlação entre variáveis cobre esse território. O satélite Minitab foca no passo a passo do software; o conceito vive no artigo conceitual.
Gráfico de dispersão no DMAIC: fase Analyze
No DMAIC, o gráfico de dispersão entra na fase Analyze como primeira ferramenta de investigação de relação entre variáveis. Antes de testar hipóteses formais, antes de rodar regressão, antes de construir qualquer modelo — o gráfico diz se há algo a investigar e em que direção.
O Lean Six Sigma trata o gráfico de dispersão como ferramenta de geração de hipótese, não de confirmação. A confirmação vem do teste estatístico. Usar o gráfico como se ele provasse a relação é o mesmo erro de usar a correlação como causalidade — o padrão visual sugere, o método decide.
Profissionais com formação Green Belt aprendem a sequência completa: gráfico de dispersão para hipótese, regressão para quantificação, interpretação do output no contexto do processo. A diferença entre quem usa a ferramenta e quem entende o que ela está respondendo começa exatamente nessa ordem.
Conteúdo revisado pelo Master Black Belt Marcelo Petenate, estatístico, formado pela Unicamp, mestre pela USP e especialista em Lean Six Sigma e melhoria contínua. Nesta revisão, o foco foi a leitura do padrão visual antes de qualquer modelagem — a etapa que mais frequentemente é pulada em projetos reais.
Se você quer aprender a sequência completa de análise de dados em projetos de melhoria — do gráfico de dispersão à regressão, passando pela interpretação do output no contexto do processo —, o Green Belt da EDTI integra cada ferramenta ao raciocínio estatístico desde o início.
Perguntas frequentes sobre gráfico de dispersão no Minitab
Qual o caminho para gerar o gráfico de dispersão no Minitab?
Acesse Gráfico >> Dispersão >> Simples para um par de variáveis Y e X. Para estratificar por categoria (turno, fornecedor, linha), use Gráfico >> Dispersão >> Com Grupos e adicione a variável categórica no campo Variáveis Categóricas para Grupos. Para múltiplas variáveis simultâneas, use Gráfico >> Matrix Plot >> Simples.
Qual a diferença entre Scatterplot e Matrix Plot no Minitab?
O Scatterplot analisa um par de variáveis por vez — Y contra X. O Matrix Plot gera uma grade com todos os pares possíveis de uma lista de variáveis, permitindo visualizar de uma vez quais pares têm padrão de relação. Use Scatterplot quando já tem hipótese sobre quais variáveis investigar; use Matrix Plot quando ainda está mapeando quais candidatas merecem atenção.
O que estudar depois do gráfico de dispersão no Minitab?
O próximo passo natural é a regressão linear no Minitab — que quantifica a relação que o gráfico de dispersão identificou visualmente. Se houver múltiplos fatores candidatos, o caminho pode ir para o DOE no Minitab, que testa o efeito de várias variáveis de entrada simultaneamente com experimentos planejados.
Quando o gráfico de dispersão mostra relação, isso confirma causa e efeito?
Não. O gráfico mostra associação — dois padrões que variam juntos. Causalidade exige experimento planejado, não apenas observação. O clássico da apostila Green Belt da EDTI é o estudo de Gustav Fisher: número de cegonhas e população de Oldenburg tinham correlação forte e positiva entre 1930 e 1936 — nenhuma relação causal, apenas uma terceira variável (crescimento urbano) influenciando as duas ao mesmo tempo. A correlação sugeriu; o raciocínio sobre o sistema explicou.
O gráfico de dispersão funciona com dados não numéricos?
O Scatterplot e o Matrix Plot exigem colunas numéricas em ambos os eixos. Para analisar relação entre uma variável numérica e uma categórica (turno, tipo de produto, operador), o Scatterplot com Grupos é a alternativa — a variável categórica vai no campo de grupos, não no eixo X. Para comparação formal entre grupos, o caminho é ANOVA, não dispersão.
É necessário ver o gráfico de dispersão antes de rodar a regressão?
Sim — sempre. A regressão linear pressupõe relação linear entre as variáveis. Se o gráfico mostrar curva, patamar, quebra de padrão em parte da faixa ou outliers influentes, o modelo de regressão linear produzirá estimativas enganosas mesmo com p-valor significativo. O gráfico não confirma o resultado da regressão — ele valida se a regressão é a ferramenta adequada para aquele dado.