Apostila de GB - Completa-LG

Treinamento 6
Inovao Real
Discurso do CEO
Inovar Verificar Executar
Vamos mostrar ao mundo do que somos capazes. Juntos reconquistaremos a glria da LG Electronics. - Continuo Desenvolvimento de Produtos - Assegurar a Melhor Qualidade -Estratgia de Negcios Focada na Perspectiva do Cliente - Nutrir os Excelentes Talentos - Cultura Organizacional Baseada em Criatividade e Autonomia
1. Rpido 2. Forte 3. Inteligente

2
Outubro/2010
(Vice Chairman Bon Joon Koo)
ndice
Introduo Estatstica Bsica SIPOC 21 22 23 05 19 Ferramentas Brainstorming Mapeamento do Processo FMEA Grfico de Pareto QFD 25 27 28 29 30 31 Meta & Cronograma Estimativa de Ganho e Registro Medio Resumo Verificar as propriedades do Y do Projeto 68 Verificar nvel atual (Z-value) Entendendo o Z-value 32 33 34 36 38 40 41 Coleta de Dados (Rational Subgrouping) Tipos de Gage Gage R&R Repetibilidade / Reprodutibilidade Bias / Estbilidade Linearidade Regra de Thumb Exemplo 43 44 45 Grficos Gage Attribute Exemplo MInitab 69 70 71 72 73 74 75 76 78 79 83 84 85 61 64 65 66 46 47 49 54 57
Coleta de Dados (amostragem) Tipos de Dados (discretos e contnuos) - Dados Contnuos Mdia Mediana Moda Desvio Padro Varincia Amplitude - Dados Discretos Proporo e Moda Variao Natural Distribuio Normal Z-Table Normality Test Deslocamento da Mdia Definio Resumo Seleo do Projeto Extrao do Y Registro do Projeto
LG Electronics Green Belt [Mfg]
ndice
Clculos Exemplo feito manualmente Calculando o Z-value Dados Contnuos Capability Analysis Frmulas CP/PP/Cpk/Ppk Calculo ZST/ZLT/ZShift no Minitab 93 Diagrama de 4 Blocos Calculo Cp/Cpk/Pp/Ppk no Minitab Dados Discretos DPU/DPO/DPMO Exemplo Anlise Resumo Selecionar o fator Vital Examinar a causa raiz Vital Few Introduo Introduo ao Minitab Extrair Possveis Xs Espinha de Peixe (Fish Bone) Logic Tree (MECE) Anlise dos Possveis Xs 109 110 111 112 113 125 126 127 129 107 102 103 97 99 91 92 87 88 90 Anlise Grfica - Dados Discretos Bar Chart - Dados Contnuos Dot Plot Histograma Bar Chart Box Plot Descriptive Statistics Graphical Summary Scatter Plot Correlation Matrix Plot Probability Plot Testes de Hiptese Definio Erros ( e ) Tipos de Teste - Dados Discretos 1 Proportion 2 Proportion Chi-Square Test 154 155 156 143 144 145 146 148 150 151 152 153 133 136 138 139 141 131 130
ndice
Dados Contnuos Normality Test 1 Sample T Test for Equal Variances 2 Sample T ANOVA Correlao e Analise de Regresso Correlao Exemplo Equao de Regresso Grfico Melhoria Resumo Estabelecer o plano otimizado Executar e inspecionar Escolha do Plano de Melhoria DOE (Design of Experiment) 3 Princpios de um Experimento Exemplo Identificando o Main Effect Identificando as Interaes Identificando o melhor Ponto (Cube Plot) DOE com 3 Fatores DOE Fracionado 176 179 181 182 187 190 191 192 199 174 175 157 159 161 162 164 167 167 168 169 171 172 Execuo e inspeo das Melhorias Controle Resumo Padronizar Monitorar Compartilhar o Resultado Padronizar Sistema a prova de falhas Poka Yoke Sistema de Monitoramento Cartas de Controle Regras da Carta Tipos de cartas - Dados Contnuos XBar-R - Dados Discretos NP P C U Reviso Geral 215 218 221 224 227 212 204 204 204 205 206 207 209 210 211 201 203
INTRODUO
Objetivos - Entender o conceito de inovao e a importncia da atividade da Inovao. - Entender o propsito do gerenciamento 6 na LGE. - Entender a filosofia e princpio do 6 bem como o mtodo de apresentao.
Introduo
..6 uma ferramenta inovadora..
6 a linguagem comum para nossa companhia. Se voc conversa em CTQ e Z-value, as conversaes tornam-se simples e claras. Inspecionar e tomar deciso no campo imediatamente. Comunicao baseado nos dados (fatos). 6 contm ferramentas para identificar os problemas e as solues, e ferramentas de validao. Testes atravs de 6 podem adicionar segurana para resultados.
Histria do 6
1987 Galvin CEO 1994
SSA
1997
Mikel J Harry, Ph.D
1995
AT&T
2001 1996
3M
Jack Welch
6 na LG Electronics
Sobrevivncia
Crescimento
Global Player
No.1 LG
FMI
R AG C
)* 5% (2
MFG R&D TQ
Six Sigma
96 97 (GE Benchmarking)
*CAGR : Compound Annual Growth Rate
98
99
..
04
Crescimento 6
Inovao e Six Sigma

Inovao e Six Sigma
Inovao Mudar completamente e renovar.
Desenvolvimento de empresas Chinesas Entrada na Globalizao Mercado de produtos baratos Entrada na OMC. Convite Olmpico Condio atual das empresas Coreanas 1. Perda de vantagem competitiva para produo 2. Falta de obteno de tecnologia avanada Novo desenvolvimento do Japo Tcnica acumulada de concorrncia. Investimento em P&D
Pr-requisitos para o desenvolvimento das empresas Coreanas -Assegurar competitividade Global -Inovao aplicando mtodos avanados -Maximizar a vantagem atravs de controle de campo -Fora Six Sigma
Por que a atividade de inovao falha?

(Pesquisa em 100 empresas) - Atitude de negao do funcionrio para a mudana: 45% - Capacidade/habilidade, Plano de execuo : 23% - Falta de liderana da Gerncia : 17%
Fora das empresas Americanas/Europias Desenvolvimento na rea de servios Obteno de tecnologia exclusiva
6 o motor do gerenciamento de inovao.

10
Filosofia de Gerenciamento
Filosofia de Gerenciamento Six Sigma
Six Sigma o mtodo de execuo que traz resultados para gerncia e funcionrios.
6 no significa apenas fazer, mas fazer eficientemente.
100PPM cortar o caule de uma erva daninha, 6 extrair a raiz de uma erva daninha.
Filosofia de Gerenciamento
6
6 Gerenciamento de campo pela alta administrao 6 a linguagem comum da organizao.
11
Mtrica
Mtrica Six Sigma
- Nvel Sigma o ndice de avaliao para a capabilidade do processo
6
Nvel
6 5 4 3 2
PPM 3.4 233 6,210 66,807 308,537
Colher frutas doces Desenvolver o processo considerando resultado Colher frutas verdes Definio correta/processo otimizado Colher frutas baixas Avaliar com grfico simples
Melhora defeitos 68 vezes
5
4
Colher as frutas cadas Processo de deciso atravs de experincia e bom senso
3
Processo Defeito Cap. Mudana

com deslocamento de 1,5, processo estvel.)
Nvel de (Sigma)- a medida estatstica que reflete a capabilidade do processo. O Sigma medido determinado pelo DPU (Defeito por unidade), PPM (parte por milho), falha e taxa de erro.
( Hiptese de longo perodo
Quanto mais o nvel de Sigma diminui, mais o PPM aumenta.
12
Comparativo
Comparando Qualidade Tradicional com Six Sigma
- Qualidade Tradicional vs Qualidade Six Sigma
Qualidade Tradicional Organizao Centralizada. Ausncia de estrutura formal para utilizao de ferramentas. Falta de Suporte no uso de ferramentas. Dados misturados com achismo tomada de deciso.
Qualidade Six Sigma Participantes respondem diretamente dentro de suas funes Uso estruturado de ferramentas estatstica para ajudar na soluo de problemas. Estrutura de suporte para usurios das ferramentas Decises baseadas em dados Abordagem baseada em causa raiz
Abordagem Band-aid (quebra galhos). Falta de treinamento estruturado. Inspees (foco em Y, no resultado). Treinamento estruturado em todas as ferramentas aplicveis Entradas de controle de processo (foco em Xs, nas causas
13
Prximo da perfeio
Preciso e exatido
Quanto maior o nvel de Sigma, maior nossa preciso e exatido (Texas Instruments)
Nvel de Sigma 1 rea Palavras Tempo Distancia
rea ocupada pelo 170 palavras erradas por pgina Astrodome (Houston-USA) num livro rea ocupada por um grande supermercado 25 palavras erradas por pgina num livro
31,75 anos em 1 Daqui at a Lua sculo 4,50 anos em 1 sculo 1 volta e ao redor da Terra
2 3
rea ocupada por uma 1,5 palavras erradas por pgina pequena loja de Hardware num livro rea ocupada por uma sala 1 palavra errada em 30 pginas de estar comum de um livro rea da parte inferior do seu telefone rea de um diamante comum 1 palavra errada em uma enciclopdia inteira. 1 palavra errada em todos os livros de uma pequena livraria
3,50 meses em 1 Viagem de costasculo a-costa. 2,5 dias em 1 sculo Dirigir 45 minutos numa estrada
30 minutos em 1 1 ida at o posto sculo de gasolina 6 segundos em 1 4 passos em sculo qualquer direo 1 piscada de olho 1 polegada em 1 sculo
rea de um furo de agulha 1 palavra errada em todos os de costura. livros de vrias livrarias
14
DMAIC
Six Sigma: DMAIC
- Entendendo detalhadamente cada fase do processo bsico de um projeto Six Sigma.
Fase
Definio S1. Seleo do Projeto
1.1 Verificar negcio 1.2 Extrair Big Y 1.3 Selecionar Projeto
Passos detalhados S2. Extrair Y do Projeto

2.1 Analisar processo 2.2 Definir CTQ 2.3 Extrair Y do Projeto
S3. Entrada do Projeto

3.1 Organizar time 3.2 Determinar metas 3.2 Registro do Projeto
Medio
S4. Verificar adequao do Y do Pjt

4.1 Resumo dos dados 4.2 Plano de medio 4.2 Verificao do sistema de medio
S5. Verificar nvel atual

5.1 Coletar dados do Y do projeto 5.2 Verificar nvel atual 5.3 Definir direo de melhoria
Analise
S6. Selecionar fator Vital

6.1 Selecionar o fator Vital 6.2 Coletar/examinar dados adicionais 6.3 Selecionar item principal e verificar possibilidade de alcanar a meta
S7. Examinar a causa

7.1 Examinar a causa
S8. Selecionar o plano timo Melhoria

8.1 Extrair o plano de melhoria 8.2 Avaliar o plano de melhoria 8.3 Selecionar o plano timo
S9. Executar e Inspecionar

9.1 Preparar o plano de execuo 9.2 Executar e inspecionar S12. Compartilhar resultado
S10. Padronizao Controle

10.1 Padronizao
S11. Monitoramento
11.1 Plano de gerenciamento 12.1 Relatrio de finalizao de projeto 12.2 Compartilhar resultado
15
Estrutura Departamento de Inovao (Six Sigma)

Departamento de Gerenciamento de Inovao [DGI Six Sigma]
Estrutura do Departamento de Gerenciamento de Inovao (Six Sigma) segue abaixo:
Diretor S. Y. Han
jimmy.han@lge.com
Gerente Rogrio
rogerio.martins@lge.com 12-2125-5518
Six Sigma
Csar Pintor Csar Pintor Pedro Gama Pedro Gama cesar.alcantara@lge.com 12-2125-5570 pedro.gama@lge.com 12-2125-5684
* Atualizado em jan/2011
16
Objetivo
Por que buscar o Six Sigma? Por que buscar o Six Sigma?
Aumentar o Faturamento Aumentar o Lucro Final Clientes Satisfeitos Voltam Sempre Custa Menos Fazer Certo da Primeira Vez
Six Sigma significar para ns... Six Sigma significar para ns...
Mais Tempo com o Cliente em vez de resolver problemas isoladamente no escritrio. Trabalho Proativo em vez de Apagar o Incndio atravs de reao. Confiana em que os Pedidos so feitos, cumpridos, entregues Sem Erros. Confiana que o trabalho antes e depois livre de defeitos. Aumento dos Negcios com nossos Clientes.
Base do Six Sigma Base do Six Sigma

Dados constituem toda a base do Six Sigma Toda e qualquer deciso baseada em DADOS e no em suposies. Por isso a coleta de dados muito importante e deve ser feita com critrio, ateno e sem tendncias para que as analises, decises, melhorias e controles sejam sustentveis ao longo do tempo.
17
Porque o 6 funciona
Foco do Six Sigma O Six Sigma funciona porque tem o FOCO no CLIENTE.
A filosofia de excelncia do 6 Sigma :
Measure E verything T hat R esults In C ustomers S atisfaction
Medir tudo aquilo que possa impactar na satisfao dos Clientes.
A meta do 6 Sigma identificar, isolar e eliminar VARIAO. Prevenir os defeitos ao invs de detect-los. Soluo de problemas de modo pr-ativo ao invs de apagar incndio. Melhoria continua dos processos, produtos e servios.
18
ESTATSTICA BSICA
Objetivos - Entender sobre Estatstica Bsica. - Conhecer os termos utilizados
19
Estatstica
Estatstica
- Entendendo o que estatstica.
Estatstica uma cincia que visa obter concluses sobre fenmenos (eventos) em um universo (populao), a partir de alguns dados (amostras), extrados desse mesmo universo.
PENSAMENTO ESTATSTICO
quando pensamos em transformar dados comuns em uma maneira na qual possamos analis-los.
MDIA MEDIANA DESVIO PADRO OUTROS
20
SIPOC
SIPOC
Divises de um processo. Todo e qualquer processo apresenta essas 5 partes.
S I P O C
SUPPLYER INPUT PROCESS OUTPUT CUSTOMER
FORNECEDOR ENTRADA PROCESSO SADA CLIENTE
S
Fornecedor
I
Entrada
P
Processo
O
Sada
C
Cliente
Todo processo produtivo, gera variaes entre as etapas (SIP) Que somente so detectadas nas etapas (OC) Man (Homem)
Causas das variaes do processo
5M 1E
Machine (Mquina) Material (Material) Method (Mtodo) Measurement (Medida) Environment (Meio Ambiente) 21
Coleta de Dados
Letras Gregas: POPULAO POPULAO: Conjunto de elementos que apresentam caracterstica em comum. PARMETRO: Caracterstica da populao. AMOSTRA: Subconjunto da Populao. ESTATSTICA: Caracterstica da amostra. Quando estamos trabalhando com a populao utilizamos as letras gregas para representar alguma caracterstica da mesma. Ex.: Mdia = Desvio Padro = Coleta da amostra: Deve expressar as caractersticas do grupo a ser medido e ser coletada aleatoriamente. ALEATRIO: Determina uma amostra sada da populao, de forma que cada membro tenha chance igual de ser extrado. Letras Romanas: Quando estamos trabalhando com a amostra utilizamos as letras romanas para representar alguma caracterstica da mesma. Ex.: POPULAO: __________________________ PARMETRO: _________________________ AMOSTRA: ____________________________ ESTATSTICA: _________________________ Ao. Pegue uma colher. Mdia = x Desvio Padro = s Tome uma deciso.
AMOSTRA
EXERCCIO
Misture bem.
22
Tipo de Dados
muito importante para o GB/BB identificar com qual tipo de dados est lidando no processo, pois so eles quem definem quais as ferramentas que sero utilizadas durante o projeto.
T I P O S D E D A D O S
DADOS DISCRETOS ou ATRIBUTOS: Definem situaes onde os dados do processo, somente podem assumir valores inteiros, como: Cara ou Coroa, 1, 2, 3, 4.
DADOS CONTNUOS: Definem situaes onde os dados do processo, podem assumir qualquer valor (podendo ser infinito) entre dois nmeros, ou seja, os valores depois da vrgula so significativos. Ex.: comprimento ou largura de uma pea, dimetro de um tubo, pH de banhos, temperatura ambiente, etc.
23
Tipo de Dados
Para cada tipo de dados temos ferramentas especficas, abaixo temos as ferramentas mais utilizadas em Six Sigma.
T I P O S D E D A D O S
MODA
Discretos Discretos
PROPORO
MDIA Tendncia Central MEDIANA MODA
Contnuos Contnuos
VARINCIA Tendncia de Disperso DESVIO PADRO AMPLITUDE 24
Dados Contnuos - Mdia
CUIDADOS AO USAR A MDIA

Quando tratamos de dados estatsticos, podemos observar que a mdia oculta a variao dos dados.
Observamos na figura ao lado, onde o mergulhador obteve a informao de que o rio tem uma profundidade mdia de 5m, mas esta informao (mdia), ocultou as variaes de profundidade, pois o rio possui em sua extenso profundidades acima e abaixo de 5m, ou seja, variaes.
Ns podemos cometer um grande erro s porque ns tomamos uma deciso baseada apenas na mdia. Assim, ns precisamos de informaes adicionais, por exemplo: Varincia (2) Desvio Padro ().
25
Dados Contnuos - Mdia
A mdia uma medida que indica o centro da distribuio. Simplesmente a soma de observaes dividida pelo nmero de observaes. Para os dados abaixo, a mdia :
todas as
__
X=
Soma de todos os Dados QTY de Dados

2 + 3 + 10 + 5 + 4 + 4 + 3 + 3 + 1 + 2 + 3 11 = 3,636
__
X=
- Usa todos os dados - Fortemente influenciado por valores extremos (outliers) - Tambm representadas pela letra grega (l-se : mi)
26
Dados Contnuos - Mediana

Mediana o meio dos dados, ou seja, o ponto de 50%, (ou o nmero do meio) Calculo da Mediana: Para amostra com nmero impar de dados: 1) Arranje os dados na ordem de menor a maior (ordem crescente) 2) A posio da mediana ser encontrada pela formula:
Posio da Mediana =
Ex.: 1; 2; 7; n=5 14; 85
(n + 1) 2 (5 + 1) =3 2
1 posio = 1 2 2 7 3 14 4 85 5
Posio da Mediana =
mediana Para amostra com nmero par de dados: 1) Arranje os dados na ordem de menor a maior (ordem crescente) 2) A posio da mediana ser encontrada pela mdia das duas formulas abaixo:
n 2
Ex.: 67; 86; 43; 89; 54; 73 n=6
n +1 2 6 =3 2 6 +1 = 4 2
43 A mediana estar entre a posio 3 e a 4 posio = 1 54 2 67 3 73 4 86 5 89 6
mediana =
(67 + 73) = 70 2
27
Dados Contnuos - Moda

Moda o valor que mais aparece em uma amostra, ou seja, aquele que tiver maior freqncia. No existe formula para calculo da Moda, basta verificar quais nmeros se repetem mais. A moda pode ser utilizada tanto para dados discretos como para dados contnuos. Pode acontecer de uma amostra no apresentar moda. Em algumas amostras podemos ter 2 modas, quando isso acontece, chamamos de bimodal. Ex: 10; 15; 12; 11; 9; 10; 8; 14; 13; 17; 10 Moda
20; 21; 22; 22; 18; 19; 23; 19; 25; 24 Bimodal
A moda, no comumente utilizada. 28
Dados Contnuos Desvio Padro

Desvio Padro a distancia mdia entre a mdia do processo e seus dados, ou seja, a variao de um processo em torno da mdia. Quanto maior o desvio padro, maior a variao no processo, pior ser esse processo. Todo processo que sofre muita variao gera muito defeito. O desvio padro inversamente proporcional ao Nvel de Sigma. O desvio padro representado pela letra S ou pela letra grega (l-se: sigma) Sua formula :
__ Xi X = ( n 1) 2 __ Xi X = ( N) 2
(para amostra)
(para populao)
Hi stogr am of A; B
200
Variable A B
150 Frequency
100
Pouca variao
Muita variao
50
12
15 Dat a
18
21
24
29
Dados Contnuos Varincia

Varincia idem ao desvio padro, mas menos utilizada, pois seu valor se distncia muito dos valores da amostra. Quanto maior a varincia, maior a variao no processo, pior ser esse processo. Todo processo que sofre muita variao gera muito defeito. A varincia representada pela letra SS ou pela letra grega Sua formula :
__ Xi X 2 = ( n 1) 2 __ Xi X 2 = ( N) 2
(para amostra)
(para populao)
Ex:
Amostra 9,46 11,06 11,11 13,67 5,18 6,52 8,49 8,19
Mean 6 8
S ummary for Amostr a

A nderson-Darling N ormality Test A -S quared P -V alue M ean S tD ev V ariance S kew ness Kurtosis N M inimum 1st Q uartile M edian 3rd Q uartile M aximum 7,3772 7,1572 9 5 % C o n f i d e nc e I n t e r v a l s 1,7289 0,15 0,945 9,1753 2,5135 6,3177 0,168710 -0,220324 10 5,1831 7,2471 8,9743 11,0719 13,6740 10,9733 11,0768 4,5887
= 2,5135 = 6,3177 Fica confuso dizer que a mdia 9,1753 e que a variao de 6,3177, parece que esse processo esta com uma variao enorme, por isso mais comum utilizar o Desvio Padro
10
12
14
95% C onfidence Interv al for M ean 95% C onfidence Interv al for M edian 95% C onfidence Interv al for S tD ev
7,49 10,58
Median 7 8 9 10 11
30
Dados Contnuos Amplitude

Amplitude a diferena entre o maior e o menor valor de uma amostra. Quanto maior a amplitude, maior a variao no processo, pior ser esse processo. Todo processo que sofre muita variao gera muito defeito. A amplitude representada pela letra R (range). Sua formula :
R = mximo mnimo
Ex:
Dados 9,95 10,27 8,66 9,92 8,18 10,46 10,55 10,96 10,56 9,38
8,0 8,5 9,0
S ummar y for Dados

A nderson-D arling N ormality Test A -S quared P -V alue M ean S tD ev V ariance S kew ness Kurtosis N M inimum 1st Q uartile M edian 3rd Q uartile M aximum 9,2492 9,1335 9 5 % C o n f id e n c e I n t e r v a l s
Mean Median 9,00 9,25 9,50 9,75 10,00 10,25 10,50
0,46 0,202 9,8890 0,8944 0,8000 -0,954642 -0,003324 10 8,1800 9,2000 10,1100 10,5525 10,9600 10,5288 10,5534 1,6329
R = 10,9600 8,1800 R = 2,78
9,5
10,0
10,5
11,0
95% C onfidence Interv al for M ean 95% C onfidence Interv al for M edian 95% C onfidence Interv al for S tD ev 0,6152
31
Dados Discretos Proporo & Moda

Proporo uma medida que indica a relao entre dois dados. Simplesmente a quantidade de um evento dividido pelo total da amostra vezes 100, pois seu valor expresso em %. A proporo representada pela letra: P Para os dados abaixo, a proporo :
Amostra = 1000 peas Defeitos = 7 peas
P=
Qty Evento 7 *100 = *100 = 0,7% Total Amostra 1000
Moda o valor que mais aparece em uma amostra, ou seja, aquele que tiver maior freqncia. No existe formula para calculo da Moda, basta verificar quais nmeros se repetem mais. A moda pode ser utilizada tanto para dados discretos como para dados contnuos. Pode acontecer de uma amostra no apresentar moda. Em algumas amostras podemos ter 2 modas, quando isso acontece, chamamos de bimodal. Ex: 10; 15; 12; 11; 9; 10; 8; 14; 13; 17; 10 Moda
32
Variao Natural
Variao Natural a variao que ocorre em todos os processos. Todo e qualquer processo sofre variao devido a influncias externas (5M1E) e essa variao recebe o nome de Variao Natural, atravs dela que temos a Distribuio Normal representada pela Curva de Gauss. Abaixo podemos provar essa variao natural para isso ser necessrio 2 dados de 6 faces cada um. Na somatria dos 2 dados no mnimo teremos o valor 2 e no mximo 12. Jogue os dados e anote quantas vezes cada valor aparecer, ao final de, aproximadamente 90 vezes, teremos um grfico semelhante ao que esta abaixo, que se aproxima da curva de Gauss. Isso acontece devido a variao natural do processo.
14 12 10 8 6 4 2 0 2 3 7 4 9 5 10 6 11 7 13 8 12 9 9 10 8 11 4 12 2
Repeties 2
33
Distribuio Normal (Distribuio Gaussiana)

Distribuio Normal a quando os dados de um processo qualquer se distribui em torno da mdia, onde essa divide esses dados exatamente no meio, ou seja, o processo fica simtrico em torno da mdia. A distribuio normal tem um formato semelhante a de um Sino e tambm pode ser chamada de Distribuio Gaussiana, por causa da Curva de Gauss. A maioria dos fenmenos naturais e processos criados pelo homem so distribudos normalmente, ou podem ser representados como normalmente distribudos. A rea total da Curva Normal igual a 1, ou seja, 100%. Quando temos uma curva normal centrada e padronizada significa que sua mdia igual a 0 e o desvio padro 1.
= 0 = 1
50%
50%
34
Distribuio Normal (Distribuio Gaussiana)

Quando padronizamos a distribuio normal com os valores de Z, temos a seguinte relao entre cada nvel (Z-value) e a rea da Curva Normal:
X -6
X -5 -5
X -4 -4
X -3 -3
X -2 -2
X -1 -1
X +1 +1
X+2 +2
X +3 +3
X +4 +4
X +5 +5
X +6 +6
Z-Value
-6
68,2% 95,4% 99,7% 99,994% 99,9994% 99,99999975%
Ou seja: para 1 temos 68,2% da rea total, o restante 31,8% estaria fora da curva ento podemos classific-los como defeito.
35
Z Table
A Tabela Z mostra qual rea da curva normal cada nvel de sigma representa, por exemplo: O valor Z = 1,41 equivale 7,93E-02, ou seja, temos 7,93 % de defeito nesse processo.
Z 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4
0 5.00E-01 4.60E-01 4.21E-01 3.82E-01 3.45E-01 3.09E-01 2.74E-01 2.42E-01 2.12E-01 1.84E-01 1.59E-01 1.36E-01 1.15E-01 9.68E-02 8.08E-02
0.01 4.96E-01 4.56E-01 4.17E-01 3.78E-01 3.41E-01 3.05E-01 2.71E-01 2.39E-01 2.09E-01 1.81E-01 1.56E-01 1.33E-01 1.13E-01 9.51E-02 7.93E-02
Ateno : esta carta calcula apenas um lado da Distribuio Normal
36
Z Table
Exerccio: Dada a figura abaixo calcule: ZUSL, ZLSL e ZBench
LSL
USL
3
=0,8
= 7,5
ZUSL = USL - ZLSL = - LSL
9 7,5 = 1,88 P(X>USL) = 3,01x10-2= 31.000 ppm 0,8 7,5 3 = 5,63 P(X<LSL) = 1,03x10-8= 1,03x10-2 ppm 0,8
P(TOTAL)) = 31.000 ppm + 1,03x10-2 ppm = 31.000 ppm Zbench = 1,88
37
Normality Test
Quando um grfico apresenta uma forma de um Sino provavelmente temos uma distribuio normal, mas para termos certeza necessrio utilizar uma ferramenta chamada: Normaluity Test. Quando utilizamos essa ferramenta temos uma regra para saber se os dados analisados so normais ou no, basta olharmos o P-value. P-value > 0,05 Dados Normais P-value < 0,05 Dados no normais
Normal Probability Plot
,999 ,99 ,95
P bb ro a ility
,80 ,50 ,20 ,05 ,01 ,001 5 6 7

Anderson-Darling Normality Test A-Squared: 0,257 P-Value: 0,685
Fornecedor A
Average: 5,9305 StDev: 0,664074 N: 20
Normal Probability Plot

400
,999
Frequency
300
Probability
,99 ,95 ,80 ,50 ,20 ,05 ,01 ,001
200
100
0 60 70 80 90 100 110 120 130

Average: 71,0997 StDev: 9,23496 N: 1318
62
72
82
92
102
112
122
132
C15
C15
Anderson-Darling N ormality Test A-Squared: 155,693 P-Value: 0,000
N al P orm robability P lot
,999 ,99 ,95
Probability
,80 ,50 ,20 ,05 ,01 ,001 0 1 0 20 30 40 5 0 6 0 70 8 0
C 17
A verage: 64,0987 S ev: 17,4209 tD N 526 : A nderson-D arling N ality Test orm A quared: 51,090 -S P alue: 0,000 -V
38
Normality Test
Exerccio: Verifique se os dados abaixo seguem uma distribuio normal.
Lot1 50,9 50,1 51,1 49,2 48,4 49,8 Lot2 50,3 50,2 49,2 49,8 48,5 51,1 Lot3 50,3 50,6 49,0 50,5 50,9 49,0 Lot4 49,0 50,6 50,1 50,0 51,5 49,8 Lot5 50,2 50,1 52,4 50,4 49,1 49,2
a) Verifique a normalidade graficamente (Histograma):

Hi stogram of L ot1
Normal 9 8 7 Fr equency 6
Mean StDev N 50,04 0,9111 30
b) Verifique a normalidade utilizando o Normality Test

P r obabi l i ty P l ot of L ot1
Normal
99 Mean StDev N AD P-Value 50,04 0,9111 30 0,343 0,466
95 90 80 70
Per cent
5 4 3 2 1 0 48 49 50 Lot 1 51 52
60 50 40 30 20 10 5
48
49
50 Lot 1
51
52
53
39
Deslocamento da mdia
Como j foi falado anteriormente todos os processos variam de maneira natural devido a influencias externas (5M1E), essa variao considerada normal at o valor limite de 1,5 , caso o processo varie mais do que isso, este no ser mais classificado como Normal. Quando falamos que um processo esta centrado, significa que no ocorreu deslocamento de sua mdia, se esse processo estiver com um nvel de Sigma igual a 6 teremos um probabilidade de defeito de 0,0025 ppm. Mas como todos os processos variam impossvel, na pratica, termos esse valor. Considerando um deslocamento de mdia de 1,5 teremos, para um nvel de 6 sigma, um valor de defeito de 3,4 ppm. Ento quando falamos que para 6 Sigma os defeitos sero de 3,4 ppm, significa que esse processo esta deslocado de 1,5
1,5
1,5
40
Meta
- Entender os itens que influenciam o ponto de vista do cliente e negcio e selecionar o tema do projeto. - Extrair a possibilidade de melhoria atravs do processo do projeto selecionado. - Definir o item a melhorar.
DEFINIO
- SIPOC, Mapeamento do processo Ferramenta - Logic Tree, Diagrama de espinha de peixe - QFD, FMEA, Anlise de Pareto
Passos
Passo 1. Seleo de projeto Passo 2. Extrair o Y do Projeto Passo 3. Registro do projeto
41
Passos da Definio
Propsito
Extrair o projeto que o mais importante do ponto de vista do cliente e ter maior relevncia para metas gerenciais. Defina o projeto a fim de promover as metas.
Passos da atividade 1: Selecionar Projeto

1.1 Verificar companhia 1.2 Definir o Big Y 1.3 Selecionar o projeto
Definio
2: Extrair Y do Projeto
2.1 Analisar o processo 2.2 Definir o CTQ 2.3 Extrair o Y do projeto
3. Registro do projeto
3.1 Organizar o time 3.2 Determinar metas 3.2 Registro do projeto
Sada
Passo 1 - Definir a VOC/VOB (Voz do cliente / Voz do negcio) - Analisar maiores impactos - Extrair o Little Y atravs do Big Y - Analisar processo detalhado - Definir o CTQ e o Projeto Y - Plano de ao rpida - Registro do projeto e plano de atividade
Passo 2
Passo 3
42
Seleo do Projeto
Passo 1 Seleo do Projeto
Selecionar o correto Big Y atravs de problemas do negcio e extrair o projeto que possa maximizar o resultado atravs de anlise do processo ou desenvolvimento detalhados.
Propsito
Verificar Verificar Negcio Negcio
Atividade
Ferramenta
Selecionar o Big Y para resolver - Verificar o Negcio o problema no processo e selecionar - Definir KPI o KPI adequado. - Desenvolver o Little Y - Mapeamento do Processo - Analisar processos - SIPOC Superiores.
Extrair Extrair Big Y Big Y
Selecionar o timo Big Y focando no negcio e verificar escopo da melhoria no processo atravs de processos superiores ou processos subordinados ao Big Y
- Brainstorming
Selecionar Selecionar Projeto Projeto
Definir a prioridade do projeto (projeto detalhado) e selecionar o objetivo a melhorar.
- Seleo do Projeto
- Votao
43
Extrao do Y
Passo 2 Extrao do Y do Projeto
Analisar o processo detalhado sobre o projeto a melhorar, definir o escopo da melhoria e definir CTQ e Y do Projeto.
Propsito
Anlise do Processo
Anlise detalhada dos processos ligados ao projeto selecionado e selecionar escopo de aes rpidas. Definir CTQ refletindo VOC/VOB no escopo da melhoria
Atividade
- Definir/analisar o processo - Planejamento de ao rpida - Desenvolver processo - Estudar a VOC e relacionamento com funcionamento do processo - Verificar validade - Decidir prioridades
Ferramenta
-Mapeamento do processo de baixo nvel
Definio de CTQ
- QFD - FMEA - Anlise de Pareto
Extrao do Project Y
Extrair o projeto Y onde o efeito da melhoria preciso e possvel medir entre os CTQ definidos.
- Brainstorming - Votao
44
Registro do Projeto
Passo 3 Registro do Projeto Organizar o time misto para promover o projeto adequadamente e registrar o projeto definindo um plano vivel.
Propsito
Organizar o time que pode desenvolver o projeto com sucesso. Definir membros do time ligados ao projeto.
Atividade
-Analisar os membros examinando sua funo no processo - Organizar o time
Ferramenta
-
Organizar o time
Definir Metas
Definir metas do projeto. Examinar o resultado e verificar a necessidade de projetos relacionados.
- Definir metas - Examinar resultado - Verificar projetos relacionados
Registro do projeto
Examinar o projeto e executar o kick off (aprovao do registro).
- Desenhar o registro do projeto - Examinar o projeto - Registrar o projeto - Kick-Off
45
Ferramentas
Na fase de DEFINIO podemos utilizar algumas ferramentas para ajudar a encontrar e justificar o Y do projeto. Veremos a seguir:
Y1
Y4
Y3 Y5
Y7
Brainstorming Brainstorming
Y9
Y2
Mapeamento de Processo Mapeamento de Processo FMEA FMEA Grfico de Pareto Grfico de Pareto QFD QFD
Y6
Y8
Y2 Y 7 Y9
46
Ferramentas Brainstorming
O que : uma tcnica de grupo simples e eficaz que tem por objetivo gerar idias novas e de preferncia, teis. Normalmente utilizada na melhoria de Qualidade para identificar as possveis causas de um problema e sugerir uma srie de solues depois que a causa for conhecida. No entanto o brainstorming pode ser usado de muitas outras maneiras, at mesmo na identificao das reas problemticas e para listagem das possveis oportunidades para aperfeioamento.
Tipos: Roda Livre Fluxo de idias espontneas de todos os participantes do Time. Mesa Redonda Participantes do Time se alteram em sugestes de idias. Mtodo dos Cartes Participantes do Time escrevem idias em cartes sem haver comentrios.
Diretrizes: Nenhuma idia criticada Todas idias so registradas No se interpreta idias Construo a partir de outra idias No se discute idias Idias malucas so encorajadas Todos participam Enfoque em assunto especfico Observao: Quando ns no conseguimos medir um determinado defeito ns devemos utilizar o Brainstorming para definir o defeito. 47
Ferramentas Brainstorming
Exemplo:
Barraca de Limonada
Liste todas as possveis causas

SABOR (Y): Tipo de ingrediente limo (1) Quantidade de acar adicionado Tipo de gua utilizada (a) INGREDIENTES LIMO: Limes espremidos na hora (2) Lquido concentrado Concentrado congelado P com sabor limo (b) LIMES EXPREMIDO NA HORA: Onde os limes foram colhidos Como os limes foram transportados Idade quando foram espremidos Como foram espremidos os limes (c) LIMES EXPREMIDO NA HORA: Onde os limes foram colhidos Como os limes foram transportados Idade quando foram espremidos Como foram espremidos os limes
Agrupe os problemas similares Priorize problemas (critrios)
48
Ferramentas Mapeamento de Processo

O que : uma anlise detalhada do processo. preciso definir qual o Inicio e o Fim desse processo de maneira bem precisa, e analisar cada parte bem detalhadamente, assim ser possvel extrair o maior problema. Os resultados esperados do Mapeamento do Processo so: Maior conhecimento sobre o processo; Identificao de oportunidades para eliminar etapas; Identificar gargalos; Smbolos: Smbolo Significado Incio e Fim Atividade Deciso Quando usar Indica a fronteira do processo em anlise. Quando for mostrar alguma atividade. Pontos de Deciso.
Seta Indica a direo do fluxo do processo. Entrada/Sada Entrada ou sada principal.
Processo Conjuntivo
Conecta um processo a prxima pgina.
49
Entradas Sadas Ferramenta chave para identificao de oportunidades de melhoria
Processo
Mtodo para criar um Mapa de Processo Definir os limites do seu processo (rea ou processo especfico onde acontecer o projeto). Descrever e ordenar os passos do processo com o time que trabalha na rea com o processo. O processo dever ser o existente, sem alteraes. Codificar atividades usando smbolos (fluxograma) para fcil anlise Acompanhar o processo para validar o mapa
Importante! O processo dever ser o existente, sem alteraes!
50

Preparativos: Esforo da Equipe Operadores, Tcnicos, Gerentes, Clientes, Fornecedores,... (devem participar todos aqueles que tenham conhecimento sobre o processo estudado) Entradas para o Mapa de Processo - Brainstorming - Manuais de Operao - Especificaes de Engenharia - Experincia do operador Possibilidades: - Mostrar complexidades inesperadas, reas problemas, redundncias, desvios desnecessrios e onde pode ser possvel. Simplificar ou padronizar. - Comparar e contrastar o fluxo real de um processo com o fluxo ideal para identificar oportunidades de melhorias. - Permitir a uma Equipe chegar a um acordo quanto s vrias etapas de um processo e examinar quais atividades podem ter impacto no desempenho do processo. - Identificar locais onde dados adicionais podem ser coletados e investigados. - Servir como um recurso de Treinamento para se entender o processo como um todo. 51

Exemplo:
LG ESP
LG ESP P.O . (D SG )
Zona Secund ria
Zona Prim aria
LG Korea
LG KOREA LG KOREA
R E C E B IM EN T O R EC E B IM EN T O LG E SP LG ES P R EC EB IM EN T O R EC EB IM EN T O PR ES EN D E A P R ES EN D E A C AR G A C AR G A
CPIA D O S D O C s CPIA D O S D O C s
F AT U R AM EN T O FAT U R AM EN T O
SO L IC IT A O D E D T A SO LIC IT O D E D T A A N A AL F AN D EG A N A ALF AN D EG A
EM B AR Q U E EM B AR Q U E
*
T R AN S P O R T AD O R A T R AN S P O R T AD O R A VE R D E VE R D E
REG ISTR O D E D. I. REG ISTR O D E D. I. DO C. O R IG IN AL DO C. O R IG IN AL
T ER M O D E ETA T ER M O D E ETA R E SP O N S AB ILID AD E S AN T O S, V C P R ESP O N S AB ILID AD E S AN T O S, VC P
DTA DTA
CONFERNCIA F SICA CONFERNCIA F SICA
AM AR E LO AM AR ELO
VE R M ELH O VE R M ELH O
PARAMETRIZA O PARAMETRIZA O
* U tilizao do Ato co ncess no registro rio
C IN Z A C IN Z A
d a D .I. isentan do do pagam ento d o Im po sto de Im p orta e M arin ha M ercan te o
52

Exemplo:
Origem
Santos / VCP
Im port
LGESP
Start
PO Rep Load
Export
System
IMS M-System SD Detail
Docs
DECEX / BB
SCP SAM IMP COM CRE IMP Trans /Desp Embarque solicita DTA
*
Invoice
DOCs
RE {D.I.
IN499 PPL ETA DTA EADI
*
Cp Doc Em barque
BOM/Laudo
PO
Load App Res Stuf NFS GNT Eagle
Anlise
Doc Origin Embarque
Exigen Concesso
Pr. Carga Embar
R.E. D/B System Control NCM/QTE/ Valor
* Ato Concess rio *

L.I.
*
Im port Export D/B
D.I. Parametriza o Normal Green Conf . Fisica Yellow Red Gray NFE Ent.
*
B/L
360 dias Prorro Baixa do Ato
D/B Susp
Key Point
D/B Isen
*
53
Ferramentas FMEA (Failure Mode & Effect Analysis)

Finalidade: - Identifica preventivamente as potenciais (formas) modos (tipos) de falhas de um processo. - Identifica falhas (furos) nos Planos de Controle dos Processos. - Conduz equipe a fazer mais perguntas sobre o processo e estuda-lo mais profundamente podendo, assim, identificar as causas razes dos defeitos. Definio:
Mtodo Estruturado para: - Identificar como um Processo pode fracassar em atender os requisitos crticos (CTQs) dos clientes. - Estimar o risco de causas especficas em relao as falhas potenciais - Avaliar o Plano de Controle atual quanto preveno destas falhas - Dar prioridade s aes que deveriam ser tomadas para melhorar o processo Conceito: Identificar como o Produto, Processo ou Servio podem fracassar em proporcionar a funo intencionada. - Identificar Possveis Causas e elimin-las - Localizar Impactos de falhas e reduzir Efeitos
54

Necessidade:
Medidas que asseguram a Qualidade geral do produto e servios devem, cada vez mais, ser operacionalizadas nas fases de Desenvolvimento e Planejamento, antes de sua aplicao. O objetivo identificar sistematicamente as falhas potenciais em todos os processos e no produto diminuindo sensivelmente os riscos de problemas de funcionamento e de relacionamento com clientes e consumidores. Prevenir as falhas desde a concepo do produto/servio at sua aplicao significa incluir a Qualidade Exigida pelo Cliente. - na fase de Desenvolvimento (Projeto), atendendo as especificaes e as particularidades da produo e aplicao. - na fase de preparativos de produo atravs de especificaes de critrios, planejando processos capazes de produzir a qualidade exigida. - na fase de fabricao do produto ou aplicao do servio atravs de processos seguros e dominados. - na complementao de cumprimento s leis e normas vigentes
Como Fazer:
Rena a equipe Six Sigma juntamente com toda a documentao existente sobre o processo (Mapa de processo, Espinha de peixe). Para cada um dos potenciais fontes de variao j conhecidas, pergunte: - De que modo esta fonte de variao pode contribuir para que o processo no cumpra com a sua funo? - Qual o efeito deste modo de falha para o cliente? - Qual a causa deste modo de falha? - Qual o controle atual existente para evitar que a causa do modo de falha ocorra?
55

FMEA:
Projeto Six Sigma

Data: Data da rev.: rea: Responsvel:
LGESP
Nome do modelo: Reviso n:
Item
Modo de falha potencial Funo
Efeito(s) Potencial(is) da Falha
Causa(s) e Mecanismos(s) Potencial(is) da Falha
Controles Atuais do Projeto
Aes
Severidade
Ocorrncia
Deteco
N PR
Recomendadas
Aplicao manual de cera na parte interna da porta Cobrir parte interna da porta, superfcie inferior com camada mnima de cera para retardar corroso
Painel Interior/infe rior da porta corrodo.
Vida til da porta diminuda devido a: Aparncia insatisfatria devido a ferrugem; Funcionamento irregular do mecanismo interno da porta.
Bico de jateamento posicionado manualmente no est posicionado suficiente longe. 7 Bico jateador entupido: Viscosidade muito alta; Temperatura muito baixa; Presso muito baixa.
Checagem visual a cada 1 hora por turno. Medir profundidade da camada.
280
Instalar um fim de curso no jateador .
CTQ
Usar projetos de experimentos(DOE) na viscosidade X temperatura X presso
Teste do jateador no comeo do trabalho e aps longos perodos sem uso, e programa de manuteno para limpar bicos.
70
Tempo de jateamento insuficiente.
Instrues do operador e amostragem do lote(10 portas/turno) para checar aplicao de cera nas reas crticas.
392
Instalar um timer no jateador
CTQ
Todo NPR que ultrapassar u m valor de 300(30%) deve ser tomada u ma ao corretiva para que o mesmo reduza o valor do NPR. Severidade(S): 1(sem efeito); 2(Muito menor); 3(Menor); 4(Muito Baixo); 5(Baix o); 6 (Moderado); 7(Alto); 8(Muito alto); 9(Perigo com aviso pr prvio) Ocorrncia(O): 1(Remota); 2 ~ 3(Baixa); 4 ~ 6(Moderada); 7 ~ 8(Alta); 9 ~10 (M uito alta) Deteco(D): 1(Quase certamente); 2(Muito alta); 3(Alta); 4(Moderadamente al ta): 5 (Moderada); 6 (Baixa); 7 (Muito baixa); 8 (Remota); 9(Mui incerteza) NPR=(S) * (O) * (D) NPR > 100 CTQ
vio); 10(Perigo sem aviso to remota); 10(Absoluta
56
Ferramentas Grfico de Pareto

Finalidade: O Grfico de Pareto ajuda nosso esforo naqueles problemas, que oferecem a maior oportunidade para melhorar, por apresentar como se relacionam num grfico de barras. Seu nome provm do economista e banqueiro italiano Vilfredo Pareto (1848-1923) que observou que 80% da riqueza italiana era controlada por 20% da populao. Ele prosseguiu estudando muitos outros assuntos e comeou a descobrir que muitas coisas dentro do nosso ambiente aparentava seguir esta Regra 80-20. Sua teoria atualmente aplicada por grupos da Qualidade em aplicaes semelhantes. Exemplo: 80% dos defeitos relacionam-se 20% das causas potenciais.
P ar eto Char t of Defei tos
500 100 80 60 40 20 0
400 300
Per cent
Count
200 100
Devemos selecionar os itens at chegar em 80%
0 Defeitos Count Percent Cum %
A 274 55,6 55,6
F 88 17,8 73,4
B 59 12,0 85,4
D 43 8,7 94,1
E 19 3,9 98,0
Other 10 2,0 100,0
57

Processo: - Coletar dados por categoria. - Coletar a freqncia por categoria. - Inserir, no grfico, a freqncia (eixo y) e o tipos de categorias (eixo y) num grfico de barras, em freqncia decrescentes. - Analise os dados para fatores de maior destaque no grfico. - Analise fatores econmicos relativos aos fatores de maior destaque: custos de execuo custo para diminuio ou eliminao Minitab: a) Coleta de dados referentes a possveis problemas. b) Usando Minitab, faa o grfico de Pareto. - Stat > Quality Tools > Pareto Chart Conceito: - Pensamento 20 : 80 20% das causas contribuem para 80% dos problemas. O diagrama de Pareto uma ferramenta usada para avaliar dados discretos. um modo de os fatores que contribuem para um problema em ordem decrescente de importncia. mostrar
58

Exemplo: - Digite os dados abaixo no Minitab. Depois siga o caminho abaixo:
Defeitos A B C D E F QTY 274 59 10 43 19 88
Aparecer o menu do Pareto, selecione a opo Chart defect table, depois adicione a coluna que tem os nomes dos defeitos em Labels in e a quantidade em Frequencies in. Por fim escolha at qual % o Minitab ir colocar no grfico (comumente utiliza-se 95%) o mximo aceito 99,99999. 59

Exemplo: - Ir aparecer o grfico abaixo:
P ar eto Char t of Defei tos

500 100 80 60 40 20 0
400 300
200 100
0 Defeitos Count Percent Cum %
A 274 55,6 55,6
F 88 17,8 73,4
B 59 12,0 85,4
D 43 8,7 94,1
E 19 3,9 98,0
C 10 2,0 100,0
Devemos atuar nos defeitos A, F e B, pois na somatria das suas % chegamos em 80%, lembre-se do pensamento 20:80.
60
Per cent
Count
Ferramentas QFD (Quality Function Deployment)

QFD: Desdobramento da Funo da Qualidade QFD utilizado para ligar os Requisitos chaves do cliente com as Especificao tcnica e Sub-CTQ s. QFD elaborado por um time de processo experiente. Objetivo: - Escutar os clientes - Aprender o que eles querem - Determinar qual a melhor maneira de atender - Determinar quais os caminhos para atender - Melhor alocar recursos com melhores resultados Perguntas: - Quais so as qualidades que os clientes querem? - Quais funes precisam, um produto ou servio, atender? - Quais funes precisamos usar para fornecer o produto ou servio? - Como podemos chegar ao melhor fornecimento daquilo que o cliente exige? Pensamento: O QFD antecipa a viso do controle do processo necessrio qualidade do produto para garantir o controle da qualidade Global do produto, desde a sua concepo realizao. Salta do controle de processos para projetar a qualidade nos produtos.
61

Etapas: a) Esclarea as necessidades dos clientes, confiabilidade dos requisitos, qualidade presente VOC (Voice of Customer). b) Priorize todas as informaes, liste as possveis solues tcnicas. c) Priorize as solues tcnicas, selecione as maiores como CTQs. d) Liste os possveis causa referentes aos CTQs. e) Priorize os CTQs e selecione os Sub-CTQs. QFD traduz exigncias do cliente em exigncias tcnicas adequadas O QFD no permite a ausncia de questionamento. Razes para fazer perguntas: - Aprender - Mostra interesse - Despertar interesse - Esclarecer - Ter retorno - Conseguir concordncia/consenso - Discordar para novas idias - Manter pensamento ativo A coisa mais importante nunca parar de perguntar Albert Einstein
62

Exemplo: Aplicando um QFD num Salo de Beleza: O salo OOO Hair Design desenvolveu um plano de QFD para se selecionar os itens urgentes que precisa melhoria para satisfazer o cliente. Foram descobertos 4 itens pela pesquisa que foi realizado com os clientes que visitaram o salo de beleza no ms passado (VOC). - Preo mais satisfatrio - Sistema de reserva mais conveniente - Relao pessoal mais agradvel entre o cliente e funcionrios - Servio adicional (Manicure, Pedicure etc....)
Bom (9 pontos); Normal (3 pontos); Ruim (1 ponto); Sem valor: no tem ponto Bom (9 pontos); Normal (3 pontos); Ruim (1 ponto); Sem valor: no tem ponto Processo principal Processo principal Corte de cabelo e outros servios Corte de cabelo e outros servios Programao da hora Programao da hora Aceita de reserva Aceita de reserva Recrutar Recrutar Manter os funcionrios Manter os funcionrios Planejar os servios adicionais Planejar os servios adicionais Comprar acessrios Comprar acessrios Total Total VOC VOC Weight Weight 1 1 1 1 3 3 1 1 0 0 1 1 1 1 0 0 3 3 2 2 3 3 9 9 27 27 27 27 9 9 0 0 0 0 0 0 3 3 3 3 0 0 9 9 9 9 27 27 9 9 0 0 0 0 4 4 2 2 0 0 0 0 0 0 6 6 0 0 6 6 2 2 Total Total
63
Meta & Cronograma

Estabelecimento da Meta e do Cronograma. As metas podem ser: Provenientes da Matriz (HQ Korea); Provenientes da Alta Administrao (FSE); Estabelecidas de forma desafiadora (30% possvel, mas 5% pode no ser). Cronograma: Liste as direes detalhadas do contedo do projeto e estabelea o cronograma. O Plano deve considerar todas as situaes que podem ocorrer no andamento do projeto, possveis contratempos. Ex.: 6/1
Processo
6/17
7/25
8/12
10/14
10/30
Definir (D)
1.1 Checar Biz. Issue. 1.2 Definio Big Y. 1.3 Selecione o PJT.
Medir (M)
4.1 Estabelea um plano de coleta de dados. 4.2 Inspecione o sistema de medio. 5.1 Colete dados 5.2 Mea o nvel Z atual 5.3 Estabelea a direo de melhoria
Analisar (A)
6.1 Extrao de possveis Xs. 6.2 Coleta e exame de dados adicionais. 6.3 Seleo do Vital Few e checagem da possibilidade de alcan ar a meta. 7.1 Examinar a causa do Vital Few.
Melhorar (I)
8.1 Extrao do plano de melhoria. 8.2 Avaliar o plano de melhoria. 8.3 Selecionar o plano de melhoria. 9.1 Execute/ inspecione 9.2 Calculo do lucro real.
Controlar (C)
10.1 Padronizao das me lhorias. 11.1 Estabelea plano de gerenciamento 12.1 Finalize o relatrio do projeto. 12.2 Compartilhe o resultado
Conte do
2.1 Analise do processo. 2.2 Definio CTQ. 2.3 Extrao do Y. 3.1 Organizao do time. 3.2 Meta e Cronograma. 3.3 Calculo do lucro 3.4 Registro Projeto.
O formulrio acima no foi padronizado e pode ser modificado de acordo com a situao.
64
Estimativa de Ganho & Registro

3.3 Clculo estimado do ganho do projeto. Aps a definio da meta a ser alcanada com o projeto possvel estimar o ganho financeiro caso essa meta seja atingida. Para isso aconselha-se uma reunio do lder do projeto com o Black Belt que estar dando suporte e um membro do Depto Financeiro. 3.4 Registro do Projeto Por fim deve ser preenchida a folha de registro e agendado uma reunio com um membro do Depto de Inovao que estar analisando a definio. Aps a assinatura do Depto de Inovao deve ser agendado o Sponsor Review para que o Sponsor analise a Definio do projeto e autorize a apresentao para o Champion. Somente aps a coleta de todas as assinaturas pode-se dar continuidade ao projeto. Folha padro de Registro do Projeto:
Registro de Projeto
Reg. N.:
Leader Innovation Sponsor Champion
Nome do Projeto: Itens da Melhoria

Ponto critico Y(K P I) Situao Atual Objetivo
Data do Registro:
Planejado Realizado
Classificao do PJT
Suporte(Belt) :
Registro Coria Big Y Little Y 1P1P
Por que selecionar este projeto?
Como fazer a melhoria?

Nome
Composio do time
Depto Papel Belt Participao
D
Resultado Quantitativo :
Objetivo
C
Resultado Qualitativo
Great Company Great People
Faa Perfeito !
65
Medio
- Entender a importncia da medio. Metas - Entender o mtodo correto para coletar os dados. - Verificar a condio atual do processo. - Decidir a direo e a extenso da melhoria.
- Anlise do sistema de medio : Gage R&R

Ferramentas - Anlise da capacidade do processo : Nvel de sigma, DPU, DPO, DPMO
- Diagrama de 4 Blocos
Passos
PASSO 4 : Verificar as caractersticas do Y do Projeto PASSO 5 : Verificar a condio atual
66
Propsito
Examinar as propriedades do Y do Projeto selecionado e definir a base atravs da medio do nvel atual. Definir a meta de melhoria e a direo a ser tomada.
Passos da atividade
Medio
Passo 4. Verificar as propriedades do Y do Projeto

4.1 Preparar resumo dos dados 4.2 Definir plano de medio 4.2 Aprovar sistema de medio
Passo 5. Medir o nvel atual

5.1 Coletar dados do Y do Projeto 5.2 Medir nvel atual 5.3 Decidir direo de melhoria
Sada
Passo 4 - Preparar folha de resumo de dados - Relatrio de medies - Resultado do Gage R&R e aes
Passo 5
- Resultado da anlise do processo - Diagrama de 4 blocos - Meta de melhoria e direo
67
Passo 4
Verificar as propriedades do Y do Projeto Definir/examinar as causas das variaes no processo e seus atributos e verificar a validade da medio para selecionar o Y do projeto.
Propsito
Preparar o resumo dos dados Definir a possvel causa de variao e possvel item a medir.
Atividade
- Lista 5M1E, Potenciais Xs Possveis eventos especiais
Ferramenta
-Diagrama de fatores -Logic Tree -Matriz X-Y
Preparar Plano de Medies
Preparar o correto plano de medio sobre o item do Projeto Y e resumo dos dados.
- Prepara o plano de medio sobre o item a ser medido
Verificar o Sistema de medio
Verificar a adequao do sistema de medio.
- Verificar as propriedades dos mtodos/processos e padres de medio e propriedades dos equipamentos de medio
- Gage R&R
68
Passo 5
Verificar o nvel atual Definir o nvel atual (capabilidade do processo) do Projeto Y e com base nisso, Definir a meta e direo do projeto.
Propsito
Coletar dados do Y do Projeto
Coletar dados para medir a capabilidade do processo de curto e longo prazo do projeto Y. No caso de no poder dividir em curto e longo prazo, isso deve ser mencionado. Verificar a capabilidade do Projeto Y.
Atividade
- Coletar dados - Registrar dados - Resumir item
Ferramenta
- Rational Sub-grouping
Medir o nvel atual
- Clculo do Nvel de Sigma (Z-value)
- Capabilidade do processo - Anlise - (Curto/longo prazo)
Decidir a direo da melhoria
Definir a direo de melhoria baseada na atual capabilidade.
-Definir a direo da melhoria
69
Entendendo o Z-Value
Propsito
A escala (Z-value) uma mtrica para medir o nvel de qualidade de um produto/processo/servio. Da mesma maneira que utilizamos metros [m] para distncia e graus Celsius [C] para temperatura, utilizamos o Z-Value como uma linguagem comum. Desta forma, diferentes departamentos podem verificar o nvel da qualidade um do outro.
Exemplo:
A velocidade mdia de um carro de frmula 1 de aproximadamente 300km/h, com um desvio padro de 10km/h.
+1
= 300 = 10
270 -3 270 -3
280 -2 280
290 -1 290
300 300 0
310 +1 310
320 +2 320
330 +3 330
EIXO de X
-2
-1
2
70
EIXO de Z
Coleta de Dados (Rational Subgrouping)

Propsito
Nesta fase do projeto NECESSRIO fazer um plano de coleta de dados. Os dados precisam ser coletados pois precisamos saber o Nvel de Sigma atual do processo (Y). Para se coletar os dados necessrio criar um plano chamado de Rational Subgrouping (Subgrupo Racional), que nada mais que a coleta de amostras de maneira aleatria, garantindo assim, que todas as variaes possveis aconteam (Black Noise e White Noise). Para montar o plano preciso definir: Tipo de Dados do Y, discreto ou continuo; Quem ir coletar as amostras (ex.: Jos); Freqncia da coleta (ex.: semanal, dirio, por turnos); Ferramenta utilizada para medir a amostra ( ex.: rgua, paqumetro, software) Fazendo o Rational Subgrouping conseguimos um valor mais prximo da populao (diminuio do erro amostral).
BLACK NOISE White Noise: a variao que acontece dentro de cada subgrupo. Tambm conhecido como Causa Comum, pois acontece em todos os processos e impossvel elimin-la. Black Noise: a variao que acontece entre os subgrupos. Tambm conhecido como Causa Especial, pois algo estranho ao processo, ou seja, no deveria haver variao entre os subgrupos.
RATIONAL SUBGROUPS WHITE NOISE
Resposta Processo
Nos projetos 6 Sigma, atuamos principalmente no Black Noise pois o impacto da melhoria ser maior.
IMPORTANTE
Tempo 71
Tipos de Gage
Gage R&R Crossed
Para cada Tipo de dados existe um Gage apropriado.
utilizado quando podemos repetir as medies feitas em cada pea, ou seja, cada pea pode ser medida mais de uma vez. Gage R&R Nested utilizado em ensaios destrutivos, ou seja, cada vez que medimos uma pea ela destruda no sendo possvel repetir a medio.
Dados
Contnuos
Discreto
IMPORTANTE
Gage R&R (Crossed) No destroi a pea
Gage R&R (Nested) danifica a pea
Gage Attribute
ANOVA
X-Bar R
ANOVA
72
Gage R&R
Propsito
Para coletar os dados voc precisou utilizar um equipamento, por exemplo, um paqumetro. Como voc pode garantir que os dados so confiveis? Para validar seu sistema de medio, garantindo que os dados medidos sejam confiveis, voc deve utilizar o GAGE R&R. O Gage R&R s pode ser utilizado para dados contnuos.
MSA
Com o Gage R&R iremos analisar o sistema de medio (Measurement System Analysis) a fim de valid-lo. A variao de um processo composta por 2 partes: Variao Real do Processo (Processo) e Variao Sistema de Medio (R&R)
T
Total = Processo + R&R
Processo
Variao Total Observada
R&R
Variao real do processo

White Noise Black Noise
Variao Sistema Medio Exatido

Bias Estabilidade Linearidade
Preciso
Repetibilidade Reprodutibilidade
73
Gage R&R
Repetibilidade (equipamento)
Operador A Repetibilidade a variao nas medidas obtidas com um equipamento de medida (gage), quando usado vrias vezes pelo mesmo operador medindo a mesma caracterstica da pea.
Valor observado
Reprodutibilidade (operador)
Operador A Operador B Reprodutibilidade a variao nas mdias das medidas feitas por diferentes operadores usando o mesmo equipamento de medida Operador C (gage) quando medindo a mesma caracterstica da pea.
74
Gage R&R
Bias
Valor real Bias Diferena entre valor real e a mdia do valor observado Programao do valor real medido pelo Sistema de medida exato
Mdia observada
Estabilidade
Tempo 1
a variao total nas medies obtidas com um sistema de medio sobre o mesmo padro ou valor de referncia num determinado perodo de tempo. Sistema de medidas afeta o resultado quando tempo se vai por fatores ambientais, abrasividade, temperatura, umidade, etc. Tempo 2
Estabilidade
75
Gage R&R
Linearidade
LSL Valor Atual Valor Real USL a diferena nos valores atravs da faixa de operao. Avaliar comparando exatido dentro do alcance da funo de espao. Exatido por alcance geral da funo de espao.
Valor de Referncia (medido)
Valores Referncia (medido)
Desvio de exatido: grande
Desvio de exatido: pequeno
76
Gage R&R
Propsito:
Disperso a variao nas medidas obtidas com um equipamento de medida quando usado vrias vezes. A disperso dividida em duas categorias: Repetibilidade e Reprodutibilidade.
ANOVA
- ANOVA mtodo que pode definir as causas da variao em um equipamento de medida melhor que o mtodo Xbar R. - Menor efeito dos pontos fora dos padres. - Para uma mesma quantidade de dados, ANOVA fornece mais informaes detalhadas sobre um o equipamento de medida que o mtodo Xbar R. - Pode separar a interao entre operadores e peas.
Como Ajustar:
a ) Quando a Repetibilidade maior que a Reprodutibilidade Problema de equipamento de medida - Manuteno preventiva no equipamento de medida - Equipamento de medida inadequado - Localizao (lugar da medida ou ponto da pea medida) b) Quando a Reprodutibilidade maior que a Repetibilidade Problema com Operador - No est acostumado com o equipamento de medida. Precisa de treinamento. c) Causas da variao - Equipamento de medida : Diferena entre equipamentos de medida, diferenas entre escalas - Mtodos : Leitura da escala, Medidas habituais. - Peas : Variao entre as peas - Condies : Diferentes ambientes tais como umidade, temperatura etc. - Operadores : Diferenas entre operadores, turnos, laboratrios, etc
77
Gage R&R
Processo:
- Geralmente 2~3 operadores, 10 peas medidas de 2~3 vezes. - Antes do estudo, verifique a calibrao do equipamento. - Cada operador mede todas as partes aleatoriamente. - Ateno : Operador no deve identificar as peas quando est medindo. - Analise dos resultados : Repetibilidade, Reprodutibilidade, %R&R. - A coleta de dados para um Gage no deve ser aleatria mas sim intencional, devem ser coletadas peas por todo o range do processo.
Regra de Thumb
% Tol ou % Study Var < 20% % Tol ou % Study Var 20%~29% %Tol ou % Study Var > 30% % Tol. 30 Troca do Sistema de medida 20 Aceito Condicionalmente OK 0 20 78 30 % Study : Aceita : Aceita condicionalmente : Rejeita. Precisa ser melhorado
Gage R&R
Exemplo:
Afim de avaliar o sistema de medio foi realizado um Gage R&R com 3 operadores sendo que cada um mediu 10 peas 3 vezes cada. Spec. : 2.5 1.5 Abrir o arquivo: Gageaiag.mtw, esse arquivo vem no banco de dados do prprio Minitab.
Stat>Quality tools>Gage Study>Gage R&R Study (Crossed)
Coluna com os nmeros das peas Coluna com os nomes dos operadores Coluna com as medies feitas
Mtodo ANOVA mais preciso no resultado.
79
Gage R&R
Aps ter adicionado as trs colunas (pea, operador e medies) clicar no boto Options. Nesse menu possvel colocar a tolerncia do processo em anlise, nessa caso a tolerncia : 1,5, assim devemos colocar o valor 3 no campo indicado abaixo.
Tolerncia do processo. ( 1,5)
80
Gage R&R
O resultado abaixo aparecer no Minitab. preciso avaliar alguns pontos importantes para garantir que o Sistema de Medio est confivel. So eles: % Study Var % Tolerance N Categorias Distintas Gage R&R Source Total Gage R&R Repeatability Reproducibility Operator Part-To-Part Total Variation VarComp 0,09143 0,03997 0,05146 0,05146 1,08645 1,17788 %Contribution (of VarComp) 7,76 3,39 4,37 4,37 92,24 100,00 Study Var (6 * SD) 1,81423 1,19960 1,36103 1,36103 6,25396 6,51180 %Study Var (%SV) 27,86 18,42 20,90 20,90 96,04 100,00 %Tolerance (SV/Toler) 60,47 39,99 45,37 45,37 208,47 217,06 Exerccio: Avalie o Gage R&R ao lado, decida se esta aceito ou rejeitado. Justifique sua resposta.
Source Total Gage R&R Repeatability Reproducibility Operator Part-To-Part Total Variation
StdDev (SD) 0,30237 0,19993 0,22684 0,22684 1,04233 1,08530
Number of Distinct Categories = 4
81
Gage R&R
Significado:
% Study Var % Tolerance N Categorias Distintas Avalia se o Sistema de Medio capaz de detectar a variao do processo ou no. Isto significa que esse sistema apropriado. Mostra a exatido do Sistema de Medio de acordo com a tolerncia do processo, avalia se possvel detectar se a pea esta boa ou ruim. Avalia se o Sistema de Medio consegue distinguir as variaes do processo. Descreve quantos grupos diferentes o sistema consegue distinguir, quanto maior melhor ser o resultado.
Tolerncia do Equipamento.
Quando for necessrio utilizar um equipamento para realizar um Gage R&R sua resoluo deve ser de 1/10 da tolerncia do processo. Ex.: Se a Spec for 20,5 [cm] significa que a tolerncia de 0,5 [cm], nesse caso o equipamento tem que ter a capacidade de medir 1/10 desse valor, ou seja:
Tol. Equip. = 1 * 0,05 = 0,005 [cm] 10
N categorias distintas 1
Significado
Se a variao do Sistema de Medio for semelhante a variao real do processo no possvel avaliar este processo, com isso o nmero de categorias cai. Sistema inapropriado. No possvel detectar a variao do processo mesmo utilizando uma carta de controle, pois a sensibilidade do equipamento ainda no consegue distinguir as vrias categorias. Sistema inapropriado. Nessa faixa j possvel verificar e gerenciar as variaes existentes no processo, com isso o Sistema de Medio se torna confivel. Sistema apropriado
O equipamento tem que conseguir medir nessa escala.
2~4
82
Gage R&R
Grficos:
O Gage R&R gera o grfico abaixo, onde podemos verificar se este est ou no aprovado.
1 Nesse grfico possvel ver a variao de cada parte: Part-to-Part variao do processo; Gage R&R Variao sistema de medio. A variao Part-to-Part tem que ser muito maior que a Gage R&R.
Reported by : Tolerance: M isc:
Com pone nts of Va riation
% Contribution % Study Var % Tolerance
Gage R& R (A NOVA ) for Measur ement

G age name: D ate of study :
2 Mostra a estabilidade dos operadores, os pontos devem estar dentro dos limites UCL e LCL
M e a surem e nt by Part
200 P erc ent
2 0 -2
100
3 Mostra o nmero de categorias distintas, ou seja, a sensibilidade do equipamento, os pontos devem estar fora dos limites UCL e LCL.
1 2 3 4 5 P art 6 7 8 9 10
Gage R&R
Repeat
Reprod
Part-to-Part
R Cha rt by Ope ra tor

Sam ple Range 1,0
C UCL=0,880 _ R=0,342 LCL=0 2 0 -2
M ea sure m e nt by Ope ra tor
0,5
Mostra a diferena entre as 4 medidas feitas pelos operadores para cada uma das peas, a linha central indica a mdia das medidas, desejvel que essa mdia varie entre as peas. Mostra a diferena entre os 5 operadores, o ideal que a linha esteja praticamente horizontal.
0,0
Xba r Cha rt by Ope rator

2 Sam ple Mean
B Operator
62
A verage _ _ UCL=0,351 X=0,001 LCL=-0,348 0
Ope rator * Pa rt I nte ra ction

Operator A B C
Mostra a interao entre os 6 operadores, quanto mais prximo as linhas melhor ser.
-2
-2
5 6 P art
10
83
Gage Attribute
Propsito
O que so dados atributos? So os dados do tipo: OK / NG ou Verde / Amarelo. Normalmente so utilizados quando estamos avaliando um operador, se este sabe ou no inspecionar algum ponto do processo/produto/servio. Neste caso devemos trabalhar da seguinte forma:
N Operadores 1 2 3 Mnimo peas avaliadas 24 18 12 Mnimo repeties 5 4 3
Regra:
Estatstica Eficincia [PE] Alarme Falso [PFA] Perda [Pmiss] Apropriado 90~100 % 0~5 % 0~2 % Aceito condicional 80~90 % 5~10 % 2~5 % Inapropriado Abaixo 80 % Acima 10 % Acima 5 %
Importante: cuidado com as medidas de fronteira (ex.: PFA = 5%, pode ser simultaneamente
classificado como Apropriado e Aceito Condicionalmente)
84
Gage Attribute
Exemplo:
Foi realizado um Gage Atributos com 3 operadores para verificar se os mesmos sabem inspecionar peas do processo XXX. Abaixo esta o resultado das medies feitas.
Pea 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 Pedro NG OK OK OK OK OK NG NG NG NG NG OK NG OK OK OK OK OK OK OK OK NG NG OK OK OK OK OK OK OK OK OK NG NG NG OK Operadores Csar Mauricio OK NG NG OK NG OK NG NG OK OK OK OK NG NG NG NG NG OK NG OK NG NG NG OK OK NG OK NG NG OK OK NG OK OK OK OK OK OK OK NG NG OK NG OK NG NG NG OK OK NG OK NG NG OK OK NG NG OK OK OK OK NG OK NG NG OK OK OK NG NG NG OK Atributo NG OK OK OK NG OK NG NG OK NG NG OK
1 Attribute column: preencher este campo com a coluna das medidas dos operadores. 2 Samples: preencher este campo com a coluna dos nmeros de cada pea. 3 Appraisers: preencher este campo com a coluna dos nomes dos operadores 4 Known standard/attribute: preencher esse campo com a coluna do atributo padro (referncia), caso este exista.
Utilizando o Minitab, faa a anlise.

Stat>Quality Tools>Attribute Agreement Analysis
1 2 3
85
Gage Attribute
Abaixo esta o valor do PE de cada operador, de acordo com a regra avalie cada operador dizendo se esto aceitos ou no. Justifique sua reposta.
Within Appraisers Assessment Agreement Appraiser Csar Mauricio Pedro # Inspected 12 12 12 # Matched 6 10 8
PE
Percent 50,00 83,33 66,67 95 % CI (21,09; 78,91) (51,59; 97,91) (34,89; 90,08)
# Matched: Appraiser agrees with him/herself across trials.

Assessment Agr eement
Date of study : Reported by : Name of product: Misc:
W ithin A ppraisers
100
95,0% C I P ercent
A ppraiser vs Standard
100
95,0% C I P ercent
80
80
Pe rce nt
40
Pe rce nt Mauricio A ppr a is e r Pedro
60
60
40
20
20
0 Csar
0 Csar
Mauricio A ppra is e r
Pedro
86
Gage Attribute
Clculos:
As probabilidades (PE, PFA e Pmiss) podem ser calculadas sem o Minitab atravs das seguintes frmulas:
Qtde Acertos = * 100 [%] Total Peas(medi es)
PE a taxa de acerto de cada operador. O calculo realizado atravs da diviso do total de medies corretas pelo total de peas inspecionadas.
PFA a taxa de alarme falso. Alarme falso o Qtde Alarme Falso erro que o operador comete quando julga uma PFA = * 100 [%] peas boas padro* Total repeticoesmedidas pea BOA como RUIM. Esse tipo de erro no to grave quanto o PMiss, mas diminui a eficincia da linha de produo.
PMiss
PMiss o erro que o operador comete quando Qtde Erro Perda julga uma pea RUIM como BOA. Esse tipo = * 100 [%] Peas ruins padro * Total repeties de erro bem grave, pois o operador deixa entrar no processo peas com defeito. Sendo esse tipo de erro muito alto, o defeito chegar no cliente.
87
Gage Attribute
Exemplo:
Foi realizado um Gage Atributos na companhia LGE000, para verificar se os operadores sabiam fazer a inspeo de Cosmetic na linha de LCD. Calcule PE, PFA e PMiss e analise os operadores.
Parts Actual Value Benedito 1 G G NG G NG G NG NG G G NG G NG G NG 2 G G NG G NG G NG NG G G NG NG NG G NG 3 G G NG G NG G NG NG G G NG G NG G NG 1 G G NG G NG G NG NG G G NG NG NG G NG Joly 2 G G NG G G NG NG NG G G NG NG NG G NG 3 G G NG G NG NG NG NG G G NG NG NG G NG 88 1 G G NG G G G NG NG G G NG G NG G NG Brbara 2 G G NG G G G NG G G G NG G NG G NG 3 G G NG G G G NG NG G G NG NG NG G NG
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
G G NG G NG G NG NG G G NG G NG G NG
Gage Attribute
Benedito
PE = 44 * 100 = 97,78% 45 1 * 100 = 4,17% 8*3 0 * 100 = 0% 7*3 PE =
Joly
39 * 100 = 86,67% 45 5 * 100 = 20,83% 8*3 1 * 100 = 4,76% 7*3 PE =
Barbar
40 * 100 = 88,89% 45 1 * 100 = 4,17% 8*3 4 * 100 = 19,05% 7*3
PFA =
PFA =
PFA =
PMiss =
PMiss =
PMiss =
Concluso:
Concluso:
Concluso:
89
Calculando o Z-value
Z-value:
Aps j ter sido coletado as amostras dos dados atuais do Y do Projeto preciso calcular o Zvalue. Para cada tipo de dados existe uma ferramenta adequada. Abaixo esta a relao de ferramentas:
Baseado na variao/mdia Measurement Tipo Dados Dados Contnuos
Baseado na qty/proporo Dados Discretos
Mtricas Bsica Basic Metrics
Cp, Cpk Pp, Ppk
Capability Z(Bench )-Value Anlysis (ST, LT),Zshift Zshift ZBench
Taxa de defeito PPM
DPU DPO,DPMO
Mtrica Common comum
Nvel level, RTY Sigma -de sigma
90
Capability Analysis
PCI
Quando estamos trabalhando com o Y do projeto sendo dados contnuos, para calcular o Zvalue utiliza-se o PCI (Process Capability Analysis). Com essa ferramenta podemos calcular o ZST, o ZLT e o Zshift, alm dos indicadores de capabilidade Cp, Cpk, Pp e Ppk. Esta tambm a nica ferramenta que nos indica o sentido de melhoria que deve ser tomado no processo, atravs do Diagrama de 4 Blocos. ZST Nvel de sigma em curto perodo (short term) tambm pode ser escrito ZSTBench ZLT Nvel de sigma em longo perodo (long term) tambm pode ser escrito ZLTBench Zshift deslocamento entre o ZST e o ZLT, se esse valor for maior do que 1,5 ter problema no processo, sinal de muito deslocamento, ou seja, o processo est deslocado do centro da Spec. Cp Capabilidade do processo em curto perodo avaliando a variao(within). Cpk Capabilidade do processo em curto perodo avaliando o deslocamento da mdia (within). Pp Capabilidade do processo em longo perodo avaliando a variao(overall). Ppk Capabilidade do processo em longo perodo avaliando o deslocamento da mdia (overall).
91
Capability Analysis
Cp, Cpk, Pp, Ppk
Analisando graficamente temos:
T Cp = 2.0 Cp = 1.33 Cp = 0.6
Cp/Pp
LSL
USL
Podemos verificar que quanto maior a variao menor ser o Cp/Pp.
Frmulas:
Cp =
LSL
USL LSL USL LSL Pp = 6. overall(longo periodo) 6. within(curto periodo)

T k k k Cpk = 1,00 Cpk = 1,5 USL Podemos verificar que quanto maior o deslocamento menor ser o Cpk/Ppk.
Cpk/Ppk
PPU = PPL =
USL X 3. overall X LSL 3. overall
Cpk = 0,45
Frmulas:
Cpk = Cp.(1 k) Ppk = Pp.(1 k)
k=
XT USL - LSL 2
ou
USL X 3. within X LSL CPL = 3. within CPU =

92
Cpk = min[CPU; CPL]
Ppk = min[PPU; PPL]
Capability Analysis
ZST / ZLT / ZShift
Para calcularmos o Nveis de Sigma iremos utilizar o Minitab. O primeiro passo a realizar verificar se os dados coletados seguem uma distribuio normal. Abaixo esta os dados coletados de um processo XXX, sendo que sua Spec : 91,5
Abrir o exemplo: capability.mtw L1 8,73 10,09 10,21 11,83 8,52 11,71 L2 9,66 9,67 10,4 10,51 9,13 7,99 L3 8,85 10,86 9,26 10,22 8,76 10,41 L4 10,37 10,96 8,73 8,21 10,17 10,03 L5 9,05 11,45 8,84 10,25 10,68 11,15 Sempre utilizar esse mtodo Adicionar dos dados coluna
Regra Normality Test:

P-value > 0,05 dados normais. P-value < 0,05 dados no normais.
1 Passo: Normality Test.

P r obabi li ty P lot of Dados
Normal
99 Mean StDev N AD P-Value 9,89 1,045 30 0,404 0,335
95 90 80 70
Percent
60 50 40 30 20 10 5
P-value=0,335 P-value=0,335 Dados normais Dados
10 Dados
11
12
13
93
Capability Analysis
2 Passo: Calcular o ZLT
Stat>Quality Tools>Capability Analysis>Normal
Depois de adicionar a coluna com os dados e colocar a Spec do processo, clique em Options.
Coluna com os dados Tamanho amostra Spec do processo
Selecione a opo Benchmark Zs (sigma level)
94
Capability Analysis
Ir aparecer o grfico abaixo, neste grfico temos o valor de ZLT.
P r ocess Capabi l i ty of Dados
LSL
P rocess Data LS L 7,5 Target * USL 10,5 S ample M ean 9,89 S ample N 30 S tD ev (Within) 1,09725 S tD ev (O v erall) 1,05414
USL Within Ov erall

P otential (Within) C apability Z.Bench 0,51 Z.LS L 2,18 Z.U SL 0,56 C pk 0,19 C C pk 0,46 O v erall C apability Z.Bench Z.LS L Z.U SL P pk C pm 0,54 2,27 0,58 0,19 *
ZLT LT
8
O bserv ed P erformance P P M < LS L 0,00 P P M > U S L 266666,67 P P M Total 266666,67 Exp. PPM PPM PPM
10
11
12
Within P erformance < LS L 14696,59 > U S L 289127,55 Total 303824,15
E xp. O v erall P erformance P P M < LS L 11687,24 P P M > U SL 281405,09 P P M Total 293092,34
Para calcularmos o ZST preciso utilizar o valor do Desvio Padro curto perodo (StDev (within) e tambm precisamos do Target do processo. StDev (Within) = 1,09725 Target = 9,0
95
Capability Analysis
3 Passo: Calcular o ZST
Stat>Quality Tools>Capability Analysis>Normal
Target StDev (Within)

LSL
P rocess D ata LS L 7,5 Target * USL 10,5 S ample M ean 9 S ample N 30 S tD ev (Within) 1,09725 S tD ev (O v erall) 1,05414
USL Within Ov erall

P otential (Within) C apability Z.Bench 0,95 Z.LS L 1,37 Z.U SL 1,37 C pk 0,46 C C pk 0,46 O v erall C apability Z.Bench Z.LS L Z.U SL P pk C pm 1,02 1,42 1,42 0,47 *
ZST ST
7
O bserv ed P erformance P P M < LS L 0,00 P P M > U S L 266666,67 P P M Total 266666,67 Exp. PPM PPM PPM
10
11
12
Within P erformance < LS L 85804,19 > USL 85804,19 Total 171608,38
E xp. O v erall P erformance P P M < LS L 77373,13 P P M > U SL 77373,13 P P M Total 154746,27
96
Capability Analysis
4 Passo: Calcular o ZShift Para calcular o ZShift utilizamos a seguinte frmula:
1 Pior quadrante, nessa regio temos problema tanto de Controle como de Tecnologia. 2 Nesse quadrante temos problema somente com a tecnologia, ser preciso diminuir a variao no processo investindo em equipamentos. 3
Z Shift = Z ST ZLT
Neste exemplo temos: ZST=0,95 ZLT=0,54 ZShift=0,95-0,54 = 0,41
Com o valor do ZST e do ZShift possvel montar o Diagrama de 4 Blocos, essa ferramenta nos mostra o sentido de melhoria que devemos tomar. ZShift
NG 1,5 OK
Nesse problema somente preciso diminuir o mdia, diminuindo Black Noise. 4
quadrante temos de controle, ser deslocamento da as influncias de
Esse o melhor quadrante, todos os pontos esto bons.
NG
4,5
OK
ZST
O eixo ZST tambm chamado de Tecnologia, e esta relacionado com a Variao do processo quanto Tecnologia mais variao pior ser. Essa variao esta relacionada com problemas de White Noise. O eixo ZShift tambm chamado de Controle, e esta relacionado com o Deslocamento da Mdia do Controle processo, quanto mais deslocada pior ser. Esse deslocamento esta relacionado com problemas de Black Noise.
97
Capability Analysis
4 Passo: Calcular o ZShift J sabemos que o ZST=0,95 e ZShift=0,95-0,54 = 0,41 ento plotando esses valores no diagrama teremos: ZShift
NG 1,5 OK
0,41 0,95
NG
4,5
OK
ZST
Nesse quadrante temos problema de Tecnologia, ser preciso diminuir a variao do Processo, reduzindo problemas de White Noise.
98
Capability Analysis
Calculando Cp, Cpk, Pp e Ppk atravs do Minitab. Vamos utilizar o mesmo exemplo anterior.
Apagar esses valores
Clicar em Options
Escolher essa opo.
99
Capability Analysis
Ir aparecer o grfico abaixo, nele temos todos os ndices relacionados a Capabilidade do processo.

LSL
P rocess D ata LS L 7,5 Target * USL 10,5 S ample M ean 9,89 S ample N 30 S tD ev (Within) 1,09725 S tD ev (O v erall) 1,05414
USL Within Overall

P otential (Within) C apability Cp 0,46 C PL 0,73 C PU 0,19 C pk 0,19 C C pk 0,46 O v erall C apability Pp PPL PPU P pk C pm 0,47 0,76 0,19 0,19 *
Capabilidade Curto Capabilidade Curto Perodo (within) Perodo (within)
Desvio Padro Desvio Padro Longo Perodo Longo Perodo (overall) (overall) Desvio Padro Desvio Padro Curto Perodo Curto Perodo (within) (within)
O bserv ed P erformance P P M < LS L 0,00 P P M > U S L 266666,67 P P M Total 266666,67 E xp. PPM PPM PPM
Capabilidade Longo Capabilidade Longo Perodo (overall) Perodo
10
11
12
Within P erformance < LS L 14696,59 > U S L 289127,55 Total 303824,15
E xp. O v erall P erformance P P M < LS L 11687,24 P P M > U S L 281405,09 P P M Total 293092,34
PPM Real da PPM Real amostra amostra
PPM estimado PPM estimado em Curto perodo perodo
PPM estimado PPM em Longo em Longo perodo perodo
100
Capability Analysis
Exerccio.
Os dados abaixo foram coletados de um processo YYY, verificar se os dados so normais e depois calcular o ZST, ZLT e ZShift para que possa ser montado o Diagrama de 4 Blocos e indicado o sentido de melhoria. Spec = 212,5
L1 23,50 22,56 21,92 22,47 20,67 L2 21,48 22,34 21,75 21,25 21,86 L3 21,91 21,47 21,81 22,05 21,98 L4 22,20 24,37 22,46 21,81 21,75 L5 23,53 22,43 20,51 22,37 23,41 L6 21,71 21,87 22,53 22,96 20,11 L7 22,67 22,64 22,69 23,41 22,96 L8 22,92 21,44 24,20 22,50 22,00 L9 20,98 22,52 22,72 22,77 21,41 L10 24,95 21,88 22,13 22,01 22,30
101
DPU / DPO / DPMO

Propsito
Para calcularmos os Nveis de Sigma para dados DISCRETOS iremos utilizar os clculos de DPU, DPO e DPMO. Abaixo esta o significado de cada um.
Unidade - U
Uma medida de volume de sada da rea observvel e contvel Deve ter um ponto de incio e trmino definidos Onde o trabalho normalmente analisado criticamente (exemplo: inspeo, teste) A coisa sobre a qual estamos contando os defeitos Exemplos: - Pedido de um produto pelo cliente - Chamada telefnica de um cliente - Ordem de compra - Pedido de importao - Um produto ou uma pea - Uma instalao de equipamento - Um servio solicitado pelo cliente
Oportunidades - Op
Indica a complexidade do processo Necessrio ser Independente Mensurvel Oportunidades: o nmero de chances de um processo se desviar do esperado Exemplo: - Um processo de importao pode falhar de trs formas diferentes (3 oportunidades): - chegar o produto fora do prazo; - a documentao estar incorreta; - no chegar o produto correto 102
DPU / DPO / DPMO Defeito - D

Qualquer coisa que gera insatisfao do cliente Qualquer coisa que gera no-conformidades em uma oportunidade ou numa unidade Qualquer variao de uma caracterstica requerida de um produto ou servio ou suas peas que impede o produto ou servio de preencher os requisitos funcionais ou fsicos do cliente Qualquer coisa que leva algum ou um produto a sair do processo normal Frmulas:
DPU =
Defeito Total Unidades DPU Total Oportunida des
DPO =
DPU- Defeito por Unidade

o nmero total de defeitos dividido pelo nmero total de unidades coletadas por um perodo razovel de tempo (de modo a formar uma imagem do processo que acredita-se representar a variao tpica a qual o processo est normalmente sujeito).
DPO- Defeito por Oportunidade

o DPU dividido pelas oportunidades de erros que existirem no processo em anlise.
Exemplo
Durante 3 meses, um Green Belt coletou 500 pedidos de clientes verificou que 30 deles foram entregues fora do prazo e 20 foram entregues produtos diferentes. ( 2 oportunidades por unidade = fora do prazo ou produto diferente ) Total Unidades = 500 Defeitos = 50 Oportunidades = 2
DPU =
50 = 0,1 500
DPO =
0,1 = 0,05 2
103
DPU / DPO / DPMO DPMO- Defeito por Milho de Oportunidades

o DPU dividido pelo nmero total de oportunidades vezes um 1.000.000. O DPMO medido em PPM, ou seja, quantos defeitos temos por milho de peas/produtos. Quando temos o valor do DPMO basta procur-lo na Tabela Z que teremos o Nvel de Sigma.
1 unidade 1 oportunidade
1 unidade 5 oportunidades
Exerccio:
Definir o numero de unidade, oportunidade, e defeito. Calcular DPU, DPO e DPMO
Numero de Unidade: Numero de oportunidade: DPO: Numero de defeito:
DPU: DPMO:
Z-value =
104
DPU / DPO / DPMO

Avaliao de capacidade de fabricao Mr. Kim, dono de um fabrica de brocas, sempre repreende o Lder da linha de produo B por ter um taxa de defeito mais alta que o da linha de produo A. Compare com a capacidade de fabricao de cada linha e avalie se as ordens de Mr.Kim so justamente baseadas na prxima pgina.
105
DPU / DPO / DPMO

Faa os clculos e verifique se a reclamao do Mr. Kim esta de fato correto. Verifique se realmente a linha A melhor do que a B.
Linha de produo A Taxa de defeito Nmero de unidade Nmero total de oportunidade Nmero total de defeito DPU DPO DPMO ZST
Linha de produo B
106
Anlise
Objetivos - Selecionar o fator principal examinando o X possvel. - Examinar rigorosamente a causa do fator principal ou do defeito. - Anlise Grfica - Interferncia estatstica : Intervalo de Estimativa & Test de Hiptese Ferramentas - Anlise de Regresso
Passo 6 : Selecionar o fator principal (Vital Few) Passos Passo 7 : Examinar a principal causa
107
Propsito
- Extrair o Possvel X para melhorar o Y do Projeto selecionando os Vital Few. - Examinar a causa fundamental atravs do estudo do Vital Few e tomar a ao para isso, se necessrio.
Passos da atividade
Anlise
Passo 6. Seleciona o fator vital

6.1 Extrair os possveis Xs 6.2 Coletar e examinar dados adicionais 6.3 Selecionar o fator vital e checar a possibilidade de atingir a meta
Passo 7. Examinar a causa

7.1 Examinar a causa
Sada
Passo 6 - Lista dos possveis X - Lista do Vital Few - Verificar a possibilidade de alcanar a meta
Passo 7
-Explicar e avaliar a causa fundamental extrada atravs do Vital Few.
108
Passo 6
Selecionar o fator vital Extrair vrios fatores vitais baseado na meta de melhoria e direo. Selecionar os fatores vitais que podem alcanar a meta atravs do exame e anlise.
Propsito
Extrair os vrios Xs possveis atravs do exame da direo da melhoria e metas. Inicialmente examinar o Resumo dos dados. Examinar os fatores variveis do processo adicionais e relacionar com variao e atributos se necessrio. Selecionar os dados adicionais focando no possvel X e examinar sua relao e influncia no Projeto Y
Atividade
-Examinar o processo -Extrair/definir o fator potencial/Possvel X
Ferramenta
- Logic Tree - Fish Bone - Matriz X-Y
Extrair possveis Xs
Coletar e examinar dados adicionais
Seleo do Fator Vital
Decidir os fatores vitais que tem maior influncia no Projeto Y. Verificar/examinar a possibilidade de atingir as metas com os fatores vitais.
-Coletar dados -Mtodos quantitativos/ - Anlise Grfica qualitativos. -Estimar intervalo/Teste de hiptese - Anlise de regresso -Verificar causa e linear - Avaliar experimentos efeito -Seleo do fator Vital -Anlise de comparao qualitativa 109
Passo 7
Examinar a causa Examinar a relao entre o Projeto Y e a extrao do Fator Vital. Examinar a causa fundamental e seu efeito em cada fator vital.
Propsito
Examinar a causa fundamental
Examinar a causa fundamental e seu efeito sobre Y do projeto atravs do Vital Few extrado.
Atividade
- Definir o Vital Few - Examinar a causa fundamental
Ferramenta
- 5 Porqus - Logic Tree
110
Vital Few
Vital Few
- Poucos fatores Controlveis que influenciam a sada. - Deve existir o fator principal.
Xs : Muitas causas
Y a varivel dependente. X a varivel independente. Y depende de X. Fatores potenciais Fatores possveis Vital Few
Entrada
Process/System
Sada (Y)
Xs : Vital Few
VF
Potential Possible
Y = f(X)
Se controlar o X, pode-se melhorar o Y.
Trivially Many Vital Few

VF
Possible Potential
Efeitos de Y
N de Causas
111
Introduo
Depois de ser calculado o valor Z do CTQ(Y ) no estagio de MEDIO. No estagio de ANLISE, ns estamos focando nas CAUSAS (Xs) que afetam Y. Primeiro, liste todas as possveis causas, e ento encontre as significativas (Vital Few) ferramentas estatsticas. usando
Seqncia:
- Passo 1 Liste as possveis causas Brainstorming para listar as Possveis causas Desenhe o Diagrama de Causa e Efeito (Fish Bone)
- Passo 2 Coletar Dados
1) Coletar dados de cada um dos possveis Xs levantados no Fish Bone / Logic Tree. 2) No caso de dificuldade na coleta, pode-se utilizar o DOE. Anlise Grfica Histograma Testes Hiptese 1 Proportion 2 Proportion Chi-square Test 1 Sample T 2 Sample T ANOVA Test for equal Variance 112 Correlao Correlao Equao Regresso
- Passo 3 Identificar o Vital Few
Scatter Plot / Matrix Plot Bar Chart Box Plot Dot Plot
Introduo ao Minitab
Ao abrir o Minitab 16 ir aparecer a tela abaixo, essa tela dividida em 2 partes: Sesso (Session) e a planilha (Worksheet).
Os resultados dos testes e ferramentas iro aparecer nessa rea.
Os dados para a anlise devem ser introduzidos na worksheet. Lembrar que o Minitab trabalha com colunas e no com clulas como o Excel.
113
Introduo ao Minitab
Na worksheet podemos adicionar dados de 2 maneiras: Agrupado ou Desagrupado. Quando temos dados Agrupados (Stack) significa que estes esto todos em uma s coluna, j os Desagrupados (Unstack) esto em vrias colunas, veja o exemplo abaixo:
Desagrupados
Agrupados
114
Introduo ao Minitab
Dados Agrupados
Para utilizar algumas ferramentas do Minitab, necessrio que os dados estejam digitados em uma s coluna, ou seja, Dados Agrupados. Exemplo, se temos os dados j digitados no Excel e queremos utiliz-los no Minitab e precisamos agrup-los, devemos seguir os passos abaixo: Data>Stack>Columns
Dados Desagrupados
Adicionar as colunas que se deseja agrupar. Escolher a coluna que ficaro os dados agrupados
Escolher a coluna que ficaro os nomes dos dados agrupados
115
Introduo ao Minitab
Depois disso os dados estaro agrupados.
Dados Agrupados Dados Desagrupados
116
Introduo ao Minitab
Dados Desagrupados
Para utilizar algumas ferramentas do Minitab, necessrio que os dados estejam digitados em vrias colunas, ou seja, Dados Desagrupados. Veja o exemplo abaixo: Data>Unstack Columns
Adicionar a coluna com os dados que se deseja desagrupar.
Dados Agrupados
Selecionar essa opo
Adicionar a coluna com os nomes dos dados que se deseja desagrupar.
117
Introduo ao Minitab
Depois disso os dados estaro desagrupados.
Dados Desagrupados
Dados Agrupados
118
Introduo ao Minitab
Exerccio:
Agrupe os dados abaixo utilizando o Minitab. Desagrupe os dados abaixo utilizando o Minitab.
Turma Nota 18,4 19,9 20,4 19,5 21,5 20,2 21,1 19,4 19,2 20,6 17,8 19,2 20,5 21,7 20,4 20,3 20,2 20,4 20,6 20,9
A 18,4 19,9 20,4 19,5
B 21,5 20,2 21,1 19,4
C 19,2 20,6 17,8 19,2
D 20,5 21,7 20,4 20,3
E 20,2 20,4 20,6 20,9
A A A A B B B B C C C C D D D D E E E E
119
Introduo ao Minitab
Criando Seqncias:
O Minitab cria seqncias de nmeros e de textos, assim fica fcil montar tabelas com dados que se repetem. Veja exemplo abaixo. Criar a seqncia de nmeros de 1~10, com 4 repeties de cada seqncia.
Calc>Make Patterned Data>Simple Set of Numbers
Escolher a coluna que deseja colocar a seqncia. Escolher o 1 nmero da seqncia. Escolher o ltimo nmero da seqncia. Escolher os incrementos. Escolher quantas vezes ir aparecer cada nmero. Escolher quantas vezes ir repetir a sequncia inteira.
120
Introduo ao Minitab
Criando Seqncias:
Criar a seqncia de palavras Joo, Carlos e Pedro, repetindo cada valor 5 vezes.
Calc>Make Patterned Data>Text values
Escolher a coluna que deseja colocar a seqncia. Digitar as palavras
Escolher quantas vezes vai repetir cada palavra.
Escolher quantas vezes vai repetir a seqncia inteira.
121
Introduo ao Minitab
Salvando arquivos:
No Minitab podemos salvar dois tipos de arquivos, pode ser salvo somente a Worksheet que contm os dados, quando fazemos isso todos os grficos e clculos que estiverem na Sesso no sero salvos, ou tambm podemos salvar o Projeto, assim todas as informaes sero salvas.
File>Save Project As
File>Save Current Worksheet As
122
Introduo ao Minitab
Abrindo arquivos:
Podemos abrir tanto uma Worksheet ou um Projeto, para isso precisamos escolher a opo adequada, se tentar abrir uma worksheet clicando no menu Open Project ira aparecer uma mensagem de erro.
File>Open Project
File>Open Worksheet
123
Introduo ao Minitab
Atalhos:
Para ficarmos alternando entre a Seo, Grficos e Worksheet pode utilizar os seguintes botes.
Vai para os Grficos; Vai para a Worksheet; Vai para a Seo. Para voltar na ltima ferramenta utilizada clique no boto:
124
Extrair Possveis Xs
Possveis Xs
Na fase de ANALISE devemos extrair os possveis Xs que esto afetando o Y do projeto. Para isso podemos utilizar algumas ferramentas. Veja o diagrama abaixo.
Input
Processo / Sistema
Output (Y)
Vital Few
Vrios Xs
Possveis Xs
Xs Potenciais
Brainstorming Sugesto de Idias Identificar relao com o Y
Espinha de Peixe Logic Tree
Analisar / Discutir
Escala e mto do de medio
Sabedoria da Organizao
Decidir Vital Few
Resumo dos Dados
125
Espinha de Peixe (Fish Bone)

Propsito
Ferramenta para listar todas as potencias causas que possam estar influenciando no Y do projeto. Aps a montagem da Espinha de Peixe preciso, atravs de um brainstorming, listar quais das causas vo ser os Possveis Xs, lembrando que todos os Xs selecionados como possveis devero ser medidos e analisados. Importante: na espinha de peixe devem ser colocado as CAUSAS que geram o Y e no as solues para essas causas, por exemplo: Y = Curto Solda X1 = Diminuir velocidade do Finger Esse X indicado a soluo para o problema, o correto seria: X1 = Velocidade do Finger Para fazer a espinha de peixe podemos separar as causas pelo 5M1E, 4P ou Seqncia do Processo. Man
Treinamento Inspeo
Vis l ua 5S
5M1E
Man Homem Machine Mquina Method Mtodo Material Material Measure Medida
4P
Place Local Product Produto Price Preo Promotion - Promoo
Machine
DDC
so es oc al Pr anu M
Method
Seqncia Linha Ajuste
tom Au
Manuseio
lse Pu
Jigs
as tig An
X2 APC
al nu Ma
Revezamento
A ha Lin C ha Lin B ha Lin
co ti
Habilidade
X1
Monitoramento
Empenado Manchado Riscado
Material
ira
Obsoleto
X3 Oxidao
Ca bo s Pin os
Temperatura
P rehe ate r So lda Am Ca r r in ho bie nte
X4
Elet. Esttica
Es teir a
Turnos
1 2 3
Umidade X5
Environment 126
Logic Tree
Propsito
Ferramenta para listar todas as potencias causas que possam estar influenciando no Y do projeto. Aps a montagem do Logic Tree, atravs de um brainstorming, listar quais das causas vo ser os Possveis Xs, lembrando que todos os Xs selecionados como possveis devero ser medidos e analisados. Importante: o Logic Tree deve ser feito com o mtodo MECE (Mutually Exclusive Collectively Exhaustive), ou seja, Mutuamente Exclusivo e Coletivamente Exaustivo. Veja a figura abaixo.
A1 A MECE A2 B1 B MECE
No caso de MECE
No caso de no MECE
AB ME, no CE. Exemplo: animais A: mamferos B: peixes
B C A C B
B2 MECE C1 C MECE C2 C3
ABC CE, no ME. Exemplo: Mulher A: solteiras B casadas C: Trabalhando
AB no nem ME nem CE. Exemplo: Classe de Alunos A: Bons em matemtica B: Bons em literatura
127
Logic Tree
Exemplo:
Usar o mtodo MECE significa que todos os potencias Xs sero analisados (Collectively Exhaustive (CE)) e que nenhum deles influenciar o outro (Mutually Exclusive (ME))
MECE
ME
CE
A1 A A2 A A1 A
A1 B1
B1
B1
B2 B3 C1
B1
C1 B2 C1
C2 C3
C1
A1 C2
OK
No foram analisadas todas as possibilidades em cada item. No CE
Existem causas duplicadas em alguns itens. No ME
128
Anlise dos Possveis Xs

Propsito
preciso analisar todos os Possveis Xs que foram destacados pelo Brainstorming na Espinha de Peixe ou Logic Tree, e criar um plano de coleta de dados respeitando o Rational Subgrouping. Devemos utilizar as ferramentas do 6 Sigma para decidir quais destes Possveis Xs sero os Vital Few.
Tipos de Anlise
Para buscar os Vital Few podemos fazer alguns tipos de Anlise: Grfica, Teste de Hiptese ou Correlao. Grfica Dados Discretos: Bar Chart; Pareto Chart. Dados Contnuos: Box Plot; Dot Plot; Histograma; Bar Chart; Scatterplot; Matrix Plot; Probability Plot. Teste Hiptese Dados Discretos: 1 Proportion; 2 Proportion; Chi Square Test () Dados Contnuos: Normality Test; 1 Sample T; 2 Sample T; ANOVA; Test for Equal Variance; Dados Discretos: Chi Square Test () Dados Contnuos: Correlation; Equao de Regresso. Correlao
129
Anlise Grfica
Propsito
Identificar os Vital Few atravs da Anlise Grfica. Para cada tipo de dados e dependendo de qual informao queremos mostrar existe um grfico adequado. Veja a tabela abaixo: Tipo de Dados Grfico * Pareto Chart Dados Discretos Bar Chart
Quantificar os valores de cada Xs, mostrando o mais impactante. Verificar a variao do item em anlise. Tambm possvel identificar Outliers. Verificar a variao do item em anlise. Tambm possvel identificar Outliers e possibilidade de ser uma distribuio Normal. Fazer comparao entre os fatores/variveis em anlise. Fazer comparao entre os fatores/variveis em anlise. Possvel verificar outliers. Verificar se existe correlao entre o Y e os Xs Possvel verificar outliers.
Propsito
Rankear os valores de cada Xs, mostrando o mais impactante.
Dot Plot Histograma Bar Chart Contnuos Box Plot Scatterplot Matrix Plot Probability Plot
* J foi visto anteriormente
Verificar se os dados seguem uma Distribuio Normal.
130
Dados Discretos Bar Chart

Bar Chart
Foram coletados dados de uma companhia, esses dados mostram os tipos de defeitos e suas respectivas quantidades ao longo de 12 meses. Verificar qual o pior problema. Abrir o exemplo bar-chart.mtw.
Graph> Bar Chart
Selecionar essa opo

Char t of Defeito
7 7 7 7 7 7 7 7 7 7 7 7 7 7 7
7 7
Count
7 7
7 7
B De feit o
131
Dados Discretos Bar Chart

Podemos detalhar mais as informaes no grfico. Como pode ser visto no grfico anterior o pior defeito o B, verifique se esse defeito o mais crtico em cada uma das 3 linhas.
Count
Char t of Defeito
70 60 50 40 30 20 10 0
65
25
25
B Defe it o
Selecionar essa opo
Char t of Li nha; Defei to

7 7
7 7
7 7
Count
7 7
7 7
7 7 7 7
7 7
7 7 7
7 Defeito Linha
B LA
B LB
B LC
132
Dados Contnuos Dot Plot

Dot Plot
A companhia LGE000 produz telefones celulares, atualmente 3 fornecedores fabricam baterias para sua produo. Verifique as variaes entre estes fornecedores, sabendo que a caracterstica medida foi a tenso eltrica fornecida pela bateria, sua faixa pode variar de 3,0 ~ 4,2 [V]. Abrir o exemplo: Dot-plot.mtw
Graph> Dot Plot
Dotpl ot of Tenso [V]
3,08
3,22
3,36
3,50 Tens o [V]
3,64
3,78
3,92
133

Separando os dados por fornecedores.
Dotpl ot of Tenso [V] v s For necedor
Fornecedor A For necedor Fornecedor B Fornecedor C
77 ,7
77 ,7
77 ,7
77 ,7 77 ,7 Tenso [V]
77 ,7
77 ,7
134

Outliers
Outliers so pontos distantes do resto da amostra, normalmente so problemas que aconteceram durante a coleta de dados. Toda vez que for encontrado outliers essencial que este seja removido, mas para isso preciso saber porque ele esta na amostra. A presena de outliers pode fazer com que uma amostra seja transformada em dados no normais, dessa forma impossvel realizar a anlise. Identificando outliers no Minitab: Outliers: 3,44185 [V] 3,44973 [V]
Outliers
Clicar boto direto do mouse sobre o grfico 135
Dados Contnuos Histograma

Histograma
Vamos utilizar o mesmo exemplo do grfico anterior. Abrir o exemplo: Dot-plot.mtw
Graph> Histogram
50
Histogr am of Tenso [V]
40
Fr equency
30
20
10
0 3,00
3,15
3,30
3,45 3,60 Tenso [V ]
3,75
3,90
136
Dados Contnuos Histograma

Separando por fornecedores.
Hi stogr am of For necedor A; For necedor B; For necedor C

3,00 3,15 3,30 3,45 3,60 3,75 3,90 Fornecedor A Fornecedor B 40 30 20
Selecionar
Fr equency
10 Fornecedor C 0
40 30
Os dados devem estar desagrupados.
20 10 0 3,00 3,15 3,30 3,45 3,60 3,75 3,90
137
Dados Contnuos Bar Chart

Bar Chart
Foram coletados dados do processo XXX durante 60 dias, esses dados esto divididos pelos turnos que existem na empresa (turno A, B e C). Sabe-se que o que foi medido foi o tempo deste processo, compare a mdia de tempo de produo entre os trs turnos. Abrir o exemplo: Bar-chart 2.mtw
Graph> Bar Chart Escolher o que deseja-se comparar.
Chart of M ean( Tempo ) vs Tur no
Selecionar
7 7
7 Mean of Tempo
7 77 ,777 7 77 ,777
Selecionar
7 77 ,777
Turno A
Turno B Tur no
Turno C
138
Dados Contnuos Box Plot

Box Plot
Vamos utilizar o mesmo exemplo do grfico anterior. Abrir o exemplo: Bar-chart 2.mtw
Graph> Box Plot
Selecionar Selecionar
139
Dados Contnuos Box Plot

Boxpl ot of Tempo
11 10 9 8 Te mpo 7 6 5 4 3
8,221
Mximo 3 Quartil 75% dos dados Mediana 50% dos dados Mdia 1 Quartil 25% dos dados Mnimo Outliers
Separando por Turnos:

Box pl ot of Tempo v s Tur no
11 10 9
8,50519 8,99688
8 Tempo 7 6 5 4
7,16093
Graph> Box Plot
3 Turno A Turno B Turno Turno C
140
Dados Contnuos Descriptive Statistics

Descriptive Statistics
Se desejamos calcular todos os pontos do Box Plot (quartis, mediana, mdia, etc) devemos utilizar a ferramenta de Estatstica Descritiva. No somente os pontos do Box Plot, mas toda a estatstica descritiva pode ser calculada com essa ferramenta.
Stat>Basic Statistics>Display Descriptive Statistics
Adicionar varivel
Adicionar subgrupos
141
Dados Contnuos Descriptive Statistics
Indiv idual Value P lot of Tempo vs Turno

7 7 7 7 7 Frequency 7 Tempo 7 7 7 7 7 Turno A Turno B Tur no Turno C Panel variable: Turno
Hi stogr am of Tempo by Turno

7 Turno A 7 7 7 Turno B 7 7 7 7 7 7 7 7 Turno C 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7
Tempo
Box plot of Tempo by Tur no

7 7 7 7 7 Frequency 7 Tempo 7 7 7 7 7 Turno A Turno B Tur no Turno C
Histogr am (w ith N or mal Cur ve) of Tempo by Tur no

7 Turno A 7 7 7 Turno B 7 7 7 7
Turno A Mean 77 ,77 StDev 7 77 ,77 77 7 7 N 7 Turno B 7 7 Mean 7 7 ,77 ,77 7 7 StDev 7 7 N 77 7
7 7
Turno C 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7
Turno C Mean 77 ,77 StDev 7 77 ,77 N 77 7
Tempo Panel variable: Turno
142
Dados Contnuos Graphical Summary

Graphical Summary
Tem a mesma funo da ferramenta anterior, mas aparece em um nico painel os grficos e os valores da estatstica descritiva.
Stat>Basic Statistics>Graphical Summary
7 ,7 7 ,7 7 ,7 7 ,7 7,7 7
S ummar y for Tempo

Turno = Turno A
A nderson-D arling N ormality Test A -S quared P -V alue M ean S tDev V ariance S kew ness K urtosis N M inimum 7 Q uartile st M edian 7 Q uartile rd M aximum 7 77 ,7 7 7 77 ,7 7 7 % C o n f i d e n c e I n te r v a l s 7
Mean Median 77 ,7 77 ,7 77 ,7 77 ,7 77 ,7 77 ,7 77 ,7
7 7 ,7 7 7 ,7 7 7 77 ,7 7 7 77 ,7 7 7 77 ,7 7 -7 7 7 7 ,7 7 7 7 -7 7 7 7 ,7 7 7 7 77 7 7 77 ,7 7 7 77 ,7 7 7 77 ,7 7 7 77 ,7 7 7 77 ,7 7 7 77 ,7 7 7 77 ,7 7 7 77 ,7 7
7 % C onfidence Interv al for M ean 7 7 % C onfidence Interv al for M edian 7 7 % C onfidence Interv al for S tD ev 7 7 77 ,7 7
S ummar y for Tempo

Turno = Turno B
A nderson-D arling N ormality Test A -S quared P -V alue M ean S tDev V ariance S kew ness Kurtosis N M inimum 7 Q uartile st M edian 7 Q uartile rd M aximum 7 77 ,7 7 7 77 ,7 7 7 % C o n f i d e n c e I n te r v a l s 7
Mean Median 7 ,7 7 ,7 7 ,7 7 ,7
7 7 ,7 7 7 ,7 7 7 77 ,7 7 7 77 ,7 7 7 77 ,7 7 -7 7 7 7 ,7 7 7 -7 7 7 7 ,7 7 7 77 7 7 77 ,7 7 7 77 ,7 7 7 77 ,7 7 7 77 ,7 7 7 ,7 7 7 77 7 77 ,7 7 7 77 ,7 7 7 77 ,7 7
7 ,7
7 ,7
7 ,7
7 ,7
7,7 7
S ummar y for Tempo

Turno = Turno C
A nderson-D arling N ormality Test A -S quared P -V alue M ean S tDev V ariance S kew ness Kurtosis N M inimum 7 Q uartile st M edian 7 Q uartile rd M aximum 7 77 ,7 7 7 77 ,7 7 7 % C o n f i d e n c e I n te r v a l s 7
Mean Median 77 ,77 77 ,77 77 ,77 77 ,77 77 ,77 77 ,77 77 ,77
7 7 ,7 7 7 ,7 7 7 77 ,7 7 7 77 ,7 7 7 77 ,7 7 -7 7 7 7 ,7 7 7 -7 7 7 7 ,7 7 7 77 7 7 77 ,7 7 7 77 ,7 7 7 77 ,7 7 7 77 ,7 7 7 77 ,7 7 7 77 ,7 7 7 77 ,7 7 7 77 ,7 7
7 ,7
7 ,7
7 ,7
7 ,7
7,7 7
143
Dados Contnuos Scatterplot

Scatterplot
Sabe-se que conforme aumentamos a temperatura no forno [C] o comprimento do produto varia, verifique se existe uma correlao entre o aumento da temperatura e o comprimento da pea [cm]. Abrir o exemplo: Scatterplot.mtw
Graph> Scatterplot
NO inverter X com Y
S catter pl ot of Comp. [cm] vs Temp [C]

22 21 20 Comp. [cm] 19 18 17 16 15 14 13 100 105 110 Temp [C] 115 120
Existe correlao?
144
Dados Contnuos Correlation

Correlation
Apenas graficamente fica difcil afirmar que existe ou no correlao entre o Y e o X, com isso utilizaremos a ferramenta Correlation. Utilizando o exemplo anterior, calcular o coeficiente de correlao (r).
Stat> Basic Statistics> Correlation
Existe correlao?
Conforme a regra de correlao,existe correlao forte e positiva.
Regra da Correlao
Adicionar as variveis X e Y
-1
-0,8
-0,3
0,3
0,8
Forte Fraca Sem Negativa Negativa
Fraca Positiva
Forte Positiva
145
Dados Contnuos Matrix Plot

Matrix Plot
Utilizamos o matrix plot quando temos mais do que um X para verificar a correlao com o Y. No exemplo anterior tnhamos o Y sendo a comprimento da pea e o X sendo a temperatura, agora, alm da temperatura, descobrimos que o tempo em que a pea fica no forno tambm esta influenciando a produo. Abrir o exemplo: Matrix Plot.mtw
Graph> Matrix Plot
Matr i x P l ot of Comp. [cm] vs Temp [C]; Tempo [s]

14 22 21 20 Comp. [cm] 19 18 17 16 15 14 13 100 105 110 Temp [C] 115 120 Tempo [s] 15 16
146
Dados Contnuos Correlation

Utilizando o exemplo anterior, calcular o coeficiente de correlao (r), verificando se existe ou no a correlao.
Stat> Basic Statistics> Correlation
Existe correlao?
147
Dados Contnuos Probability Plot

Probability Plot
Quando trabalhamos com dados de produo temos que garantir que estes sejam distribudos normalmente (Distribuio Normal), podemos verificar isso atravs do Probability Plot. Abrir o exemplo: Probability Plot.mtw
Graph> Probability Plot
Adicionar as variveis
148
Dados Contnuos Probability Plot

Os dados so normais?
P r obabi l i ty P l ot of For necedor A; For necedor B; For necedor C
Normal - 95% CI
99,9 99 95 90 80 70 60 50 40 30 20 10 5 1 0,1 Variable Fornecedor A Fornecedor B Fornecedor C Mean StDev N AD P 15,10 1,004 100 0,236 0,783 13,77 0,9939 100 0,402 0,352 17,89 1,012 100 0,606 0,112
Per cent
Foco
10
12
14
16 Dat a
18
20
22
Regra da Normalidade
P-value > 0,05 Dados Normais P-value < 0,05 Dados no Normais
149
Teste de Hiptese
Propsito
Quando temos duas possibilidade de deciso, mas no sabemos qual das duas vai ser aceita, utilizamos os Testes de Hiptese. Ns chamamos dois fatos no confirmados de Hipteses separando-os em Hiptese Nula (H0) e Hiptese de Oposio ou Alternativa (H1). Ex.: O IQC examina diariamente peas do Fornecedor A com relao a qualidade da mesma, eles comparam as peas com um padro pr-definido. Quais so as duas hipteses que podemos ter? H0 Peas iguais ao padro (boas) H1 Peas diferentes do padro (ruins) Como podemos esboar uma deciso razovel?
Pequena Diferena entre amostra e padro Grande
A possibilidade de aceitar H0 alta
A possibilidade de aceitar H0 baixa
150
Teste de Hiptese
Em outras palavras Teste de Hiptese, o calculo da probabilidade de aceitar ou rejeitar H0. Se a probabilidade alta aceita-se H0, e se for baixa rejeita-se H0 conseqentemente aceitando H1.
Ex.: Supondo que duas turmas estivessem fazendo a prova de Green Belt e gostaramos de se a mdias entre elas igual ou no. Qual seriam as hipteses neste caso? H0 = 1 = 2 (mdias iguais) H1 = 1 2 (mdias diferentes) Mas como definir entre as hipteses H0 e H1?
verificar
H0 = P-value >0,05 H1 = P-valeu < 0,05
A possibilidade de se aceitar ou rejeitar H0 definida atravs de um valor de probabilidade chamado P-value. Para se decidir se o valor de P-value alto ou no, ou seja, se eu aceito ou rejeito H0, aps calculado este valor, um padro ser necessrio. Este padro chamado de Nvel Significativo (Significant Level) normalmente escolhido entre 1%, 5% e 10%. (Padronizado 5%) O padro de seleo do Nvel Significativo depende do nvel de confiana. Se o nvel de confiana alto, a possibilidade para aceitar H0 deveria ser alta. Neste caso, o Nvel Significativo deveria ser baixo. De outro modo, se a possibilidade para aceitar H0 deveria ser baixa, o Nvel Significativo ser alto. deveria
151
Teste de Hiptese
Erro e
= erro tipo I H0 verdadeiro, seleciono H1 = erro tipo II H1 verdadeiro, seleciono H0 Erro quando rejeitamos a hiptese verdadeira. (risco do fornecedor) Erro quando aceitamos a hiptese falsa. (risco do cliente)
P-value:
O P-value a probabilidade de se obter uma estatstica para o teste onde poderemos aceitar ou rejeitar a hiptese nula Ele o menor nvel no qual H0 pode ser rejeitado. Regra de P-value: P-value > Aceita H0 P-value < Rejeita H0 = 0,05 *100 = 5% Nvel de Significncia C.L. = 1- C.L. = 0,95 C.L.*100 = 95% Nvel de Confiana (H0).
Aceitar H0
O valor de no grfico ao lado de 5%, ento se P-value for menor ele, ns rejeitaremos a Hiptese nula (H0), por conseqncia iremos aceitar a hiptese alternativa (H1). Ser dessa forma que iremos utilizar os testes de hiptese, sempre analisando o P-value e comparando-o com o nvel significante ().
que
95% 2,5% /2 C.L. /2 2,5%
*Obs.: o valor de o quanto estaremos aceitando o erro de rejeitarmos o H0, quando na verdade deveramos aceita-lo. O C.L. nos mostra a confiabilidade do teste, sendo que quanto maior o pior ser essa confiabilidade. 152
Teste de Hiptese
Propsito
Identificar os Vital Few atravs de Testes de Hiptese. Para cada tipo de dados e dependendo de qual informao queremos mostrar existe um Teste adequado. Veja a tabela abaixo: Tipo de Dados Teste Hiptese 1 Proportion Dados Discretos 2 Proportion Propsito
Comparar 1 proporo com um padro.
Comparar 2 propores entre si.
Chi Square Test
Comparar a relao entre 2 ou mais propores
* Normality Test 1 Sample T Contnuos 2 Sample T Test for Equal Variance ANOVA
* No um Teste de Hiptese
Verificar se os dados seguem uma distribuio normal. Comparar a mdia de 1 amostra com um padro. Comparar a mdia entre 2 amostras
Comparar a variao entre 2 ou mais amostras.
Comprar a variao da mdia entre 2 ou mais amostras
153
Dados Discretos 1 Proportion

1 Proportion
O nvel de defeito do Fornecedor A era de 7%. Eles realizaram um projeto 6 Sigma visando a diminuio desse ndice, uma das idias de melhorias foi mudar a seqncia do processo estampagem, foi feito um teste com a nova seqncia, e coletado uma amostra de 1250 peas onde ocorreram 6 defeitos. Verifique estatisticamente se a seqncia do processo era um vital few. (=0,05) 1 Definir o Teste a ser utilizado: 1 Proportion 2 Definir as Hipteses: H0 PAtual = 7% H1 PAtual < 7% 3 Fazer o teste no Minitab: (Stat>Basic Statistics>1 Proportion)
Concluso: a seqncia do processo era Vital Few? Sim, pois P-value =0,000 < 0,05, Vital Few.
C.L. = (1-)*100 Entre com o Padro Escolha o H1
Entrar com os dados
H1, pois o valor de P-value < 0,05
154
Dados Discretos 2 Proportion

2 Proportion
Foi coletado uma amostra de 3500 monitores na linha de produo de LCD, e encontrado 10 defeitos, esses defeitos eram todos relacionados a problemas de Curto de Solda. Foi alterado a velocidade da Mquina de Solda, e depois disso coletou-se uma nova amostra onde de 3500 peas 7 estavam com problema de Curto de Solda. Verifique estatisticamente se o tempo de soldagem do processo era um vital few. (=0,05) 1 Definir o Teste a ser utilizado: 2 Proportion 2 Definir as Hipteses: H0 PAntes = Patual H1 PAntes > Patual 3 Fazer o teste no Minitab: (Stat>Basic Statistics>2 Proportion)
C.L. = (1-)*100 Sempre ser 0,0 Escolha o H1 Concluso: o tempo de soldagem do processo era Vital Few? H0 O processo no Vital Few. P-value: 0,233 No h relao entre o tempo de soldagem e a quantidade de defeitos.
Entrar com os dados
H0, pois o valor de P-value > 0,05
155
Dados Discretos Chi-Square Test []

Chi-Square Test
Suponha que seja realizada uma pesquisa para determinar se existe relao entre o local de residncia e a preferncia por monitores. Uma amostra aleatria de 200 proprietrios de monitores da cidade grande, 150 do subrbio e 150 na zona rural foi selecionada. Verifique estatisticamente se o local de residncia era um vital few. (=0,05) Abrir o exemplo: Chi-square Test.mtw 1 Definir o Teste a ser utilizado: Chi-Square Test 2 Definir as Hipteses: H0 No existe relao entre Vendas e o Local de Residncia H1 Existe relao entre Vendas e o Local de Residncia 3 Fazer o teste no Minitab: (Stat>Tables>Chi-Square Test)
Concluso: o local de residncia era Vital Few?
Entrar com os dados H1, pois o valor de P-value < 0,05
156
Dados Contnuos Normality Test

Normality Test
Esta ferramenta no um Teste de Hiptese, simplesmente uma ferramenta de ajuda para garantirmos que os dados que esto sendo analisados seguem uma distribuio Normal. Abrir o exemplo: Normality Test.mtw
Stat>Basic Statistics>Normality Test Concluso: os dados so normais ?
* Importante: s calculamos a normalidade para dados CONTNUOS.

20
Hi stogr am of Caso A
Normal
99,9 99 95 90 80 70 60 50 40 30 20 10 5 1 0,1 Mean StDev N AD P-Value 9,992 0,9986 100 0,277 0,649
Frequency
P robabi l ity P l ot of Caso A
15
10
10 Caso A
11
12
13
Entrar com os dados
Percent
10 Caso A
11
12
13
Sempre utilizar esse mtodo
Regra da Normalidade
P-value > 0,05 Dados Normais P-value < 0,05 Dados no Normais
157
Dados Contnuos Normality Test

P r obabi l i ty P l ot of Caso B
Normal
99,9 99 95 90 80 70 60 50 40 30 20 10 5 1 0,1
Hi stogr am of Caso B
Concluso: os dados so normais ?
Mean StDev N AD P-Value
12,26 2,347 100 1,271 <0,005

Frequency
25
20
15
Percent
10
12 Ca so B
15
18
Outliers
5 10 Cas o B 15 20
P r obabi l i ty P l ot of Caso C
Normal
99,9 99 95 90 80 70 60 50 40 30 20 10 5 1 0,1
25
Histogr am of Caso C
Frequency
Mean StDev N AD P-Value
15,06 0,4649 100 0,316 0,537
20
15
P r obability P lot of Caso A; Caso B; Caso C
Normal - 95% CI
99,9 Variable Caso A Caso B Caso C Mean StDev N AD P 9,992 0,9986 100 0,277 0,649 12,26 2,347 100 1,271 <0,005 15,06 0,4649 100 0,316 0,537
10
Percent
99 95 90
14,0
14,5
15,0 Caso C
15,5
16,0
Percent
80 70 60 50 40 30 20 10 5 1 0,1
10 Dat a
15
20
13,5
14,0
14,5
15,0 Caso C
15,5
16,0
16,5
Graph>Probability Plot
158
Dados Contnuos 1 Sample T

1 Sample T
Sabe-se que a pea XXX esteja aprovada ela precisa ser menor do que 10cm. Durante um projeto 6 Sigma foi levantado que um dos Possveis X era a densidade de uma parte do processo. Foi coletado uma amostra desse fator, verifique estatisticamente se a densidade era um vital few (=0,05). Abrir o exemplo: 1 Sample T.mtw 1 Normalidade dos Dados: P-value = 0,897 dados normais 2 Definir o Teste a ser utilizado: 1 Sample T 3 Definir as Hipteses: H0 Xatual = 10cm H1 Xatual < 10cm 4 Fazer o teste no Minitab: (Stat>Basic Statistics>1 Sample T)
Padro Selecionar H1
159
Concluso: a densidade era um Vital Few? De acordo com o P-value aceitamos H1, pois o valor menor do que 0,05. Grficos:
Box pl ot of Amostr a 7
(with Ho and 7 % t-confidence interval for the mean) 7 7 7 7 7 7 7 Frequency 7 7 7 7 7
Ho _ X Ho
Histogr am of Amostr a 7
(with Ho and 7 % t-confidence interval for the mean) 7
Indi vidual Val ue P lot of Amostr a 7

(with Ho and 7 % t-confidence interval for the mean) 7
_ X
7 7 7 7 7 A most ra 7 7 7 7 7 7 7 7 7
_ X Ho
7 A most ra 7
7 7
7 A most ra 7
7 7
7 7
160
Dados Contnuos Test for Equal Variances

Test for Equal Variances
Foi realizado um projeto 6 Sigma para diminuir o tempo de produo de uma linha de Celular, o processo de Call Test foi considerado como um Possvel X. Foi coletado uma amostra do tempo desse processo, depois de algumas mudanas foi coletado uma nova amostra. Compare a variao dessas 2 amostras e decida se so iguais ou no. (=0,05). Abrir o exemplo: Exemplo A.mtw 1 Normalidade dos Dados: P-value Amostra 1 = 0,817 dados normais P-value Amostra 2 = 0,390 dados normais 2 Definir o Teste a ser utilizado: Test for Equal Variances 3 Definir as Hipteses: H0 Variaes iguais H1 Variaes Diferentes 4 Fazer o teste no Minitab: (Stat>ANOVA>Test for Equal Variances)
Test for Equal Var i ances for Dados
F-Test Amostra 7 Test Statistic P-Value Test Statistic P-Value 77 ,7 77 ,77 77 ,7 77 ,77
Concluso: as variaes so iguais ?
A mostr as
Levene's Test
Sempre usar esse mtodo Levenes s utilizado para dados no normais
Amostra 7
7 ,7
7 ,7 7 ,7 7 ,7 7 % B onfer r oni Confidence I nter v als for StD ev s 7
7 ,7
A mostr as
Amostra 7
Amostra 7
7 7
7 7 D ados
7 7
7 7
7 7
161

2 Sample T
Utilizando o exemplo anterior compare essas 2 amostras e decida se houve melhoria na mdia do tempo de produo de celulares. (=0,05). Abrir o exemplo: Exemplo A.mtw 1 Normalidade dos Dados: P-value Amostra 1 = 0,817 dados normais P-value Amostra 2 = 0,390 dados normais 2 Homogeneidade das amostras (Test For Equal Variances): P-value = 0,728 as variaes so homogenias. 3 Definir as Hipteses: H0 Xantes = Xatual H1 Xantes > Xatual 4 Fazer o teste no Minitab: (Stat>Basic Statistics>2 Sample T)
S selecionar se as variaes forem iguais.
Sempre ser 0 Escolher H1
162
De
acordo
com
P-value
aceitamos H1, pois o valor menor do que 0,05.
Grficos:
Box plot of Amostr a 7 Amostr a 7 ;

7 7 7 7
Indiv i dual Value P lot of Amostr a 7 Amostr a 7 ;
7 7
7 7
Da t a
Da t a
7 7
7 7
7 7
7 7
7 7
7 7
Amostra 7
Amostra 7
Amostra 7
Amostra 7
163
Dados Contnuos ANOVA

Propsito
Analysis of Variance, esse teste de hiptese indicado quando deseja-se verificar a variao da mdia entre as amostras coletadas. Utilizamos a ANOVA quando temos 3 ou mais amostras Pr-requisitos da ANOVA: - Aleatoriedade dos dados; - Normalidade dos dados; - Homogeneidade das variaes. Grupo Dados 1 25 1 26 1 27 1 24 1 29 2 35 2 39 2 38 2 37 2 34 3 42 3 45 3 49 3 44 3 48
Entendendo ANOVA Entendendo ANOVA

Se h 3 grupos, ns podemos calcular 4 mdias diferentes. Mdia Total : 36.1 Mdia do Grupo 1 : 26.2 Mdia do Grupo 2 : 36.6 Mdia do Grupo 3 : 45.6
B A C
Se a taxa de variao entre os subgrupos e a variao dentro dos subgrupo grande, ns podemos dizer que h uma grande diferena entre os subgrupos
Mdia Geral
F=
Variao entre Subgrupos >1 Variao dentro Subgrupos
F < 1, variao pequena entre os grupos 164

Para testar a fora de uma novo adesivo, o Depto de Desenvolvimento selecionou 3 amostras de fabricantes diferentes. Verificar se existe diferena entre as mdias, tendo como base a fora da cola (adhesive strength) de cada amostra (=0,05). Abrir o exemplo: ANOVA.mtw 1 Normalidade dos Dados: P-value Adesivo 1 = 0,734 dados normais P-value Adesivo 2 = 0,372 dados normais P-value Adesivo 3 = 0,506 dados normais 2 Homogeneidade das amostras (Test For Equal Variances): P-value = 0,452 as variaes so homogenias. 3 Definir as Hipteses: H0 Mdias Iguais H1 Mdias Diferentes 4 Fazer o teste no Minitab: (Stat>ANOVA>One Way)
165
De
acordo
com
P-value
aceitamos H1, pois o valor menor do que 0,05.
Grficos:
Indi vi dual Val ue P l ot of S tr ength v s Ty pe
7 7 7 7 7 7 St r engt h St r engt h 7 7 7 7 7 7 7 7 7 7 Adhesive 7 Adhesive 7 Ty pe Adhesive 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 Adhesive 7 Adhesive 7 Ty pe Adhesive 7
Box pl ot of S tr ength by Type
166
Dados Contnuos Correlao

Propsito
Verificar se existe uma relao linear entre as variveis Xs e Y a relao entre duas ou mais variveis, representada pela letra r - r mede a fora da relao linear entre duas variveis. - r sempre est entre 1 e 1. - Se r igual a 1 ou 1, isto implica em uma perfeita correlao positiva ou negativa. - r afetado por pontos fora do padro (outliers). Se existir correlao entre duas variveis podemos montar uma equao do tipo: Y= + *X Onde: = constante ; =coeficiente de inclinao da reta. Exemplos de Correlao
r=1 r0
r = -1
X Correlao Positiva Correlao Negativa
X Sem Correlao
167

Exemplo
Se existir correlao podemos montar a Equao de Regresso, veja o exemplo abaixo se existir correlao montar a equao de regresso. A PM recolheu dados sobre o tempo de uso de um determinado equipamento utilizado na linha de produo e relacionou esse tempo com o custo de manuteno do mesmo. Verificar a Correlao e montar a equao de regresso, verificar sua confiabilidade e estimar um custo de manuteno para utilizar o equipamento por 4,5 anos (C.L. 95%) Abrir o exemplo: regresso.mtw
S catter pl ot of Custo Manuteno vs Tempo de Uso (anos)

77 7
Correlao Forte Positiva

Cust o Manut eno
77 7 77 7 77 7 77 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 Te mpo de Us o (anos ) 7 7 7
168

Como existe a correlao entre o X e o Y pode-se montar a Equao de Regresso.
Regra da Equao de Regresso: Sempre colocar o Y
R-sq > 64% P-value < 0,05
Sempre colocar os Xs
Essa equao confivel ? Equao de Regresso
Esses 2 valores mostram o quanto a Equao confivel.
169

Podemos fazer previses utilizando a Equao encontrada anteriormente, assim pode-se ver como o processo ir se comportar e consegue-se estipular valores ideais para o processo.
Intervalo de confiana estimado
Colocar o valor que deseja-se prever.
Valor previsto
170

Podemos verificar o comportamento do processo graficamente.
Escolher o melhor modelo
Fi tted L ine P l ot
Custo Manuteno = 7 ,7 + 7 ,7 Tempo de Uso (anos) 77 77 77 7
Regression 7% C I 7 7% PI 7 S R-Sq R-Sq(adj) 7,77 7 77 7,7 7% 7,7 7%
Clicar nessas opes

Cust o Manut eno
77 7 77 7 77 7 7 7 7 7 7 7 7 7 7 7 Tempo de Uso (anos) 7 7 7
171
Melhoria
Metas - Encontrar e selecionar o mtodo de melhoria para resolver a causa raiz do fator vital - Verificar o efeito da melhoria aplicando-a nos negcios - Compreender os vrios mtodos de projeto e seus mtodos de anlise. - Compreender o efeito e aplic-los na prtica. - Compreender os vrios padres qualitativos que se transformam em um padro de pensamento sistemtico
Ferramentas
- Brainstorming, Logic Tree, Matriz de Priorizao, QFD (reviso) - Regresso (reviso) e Design de Experimento (DOE)
Etapas
Fase 8. Selecionar o melhor projeto Fase 9. Executar e Verificar o mesmo
172
Meta
Extrair o plano de melhoria do processo baseado no princpio da causa e fatores vitais, selecionados na fase de anlise e configurao de desempenho do projeto
Fase de Ao
Fase 8. Escolha de um plano otimizado
8.1 Extrair um plano de melhoria 8.2 Avaliar o plano de melhoria 8.3 Selecionar o plano de melhoria
Melhoria
Fase 9. Execute e verifique

9.1 Preparar o desempenho do projeto 9.2 Executar e verificar
Sada
Fase 8 - Projetar a lista de melhorias / anlise de resultados dos experimentos - Selecionar um plano otimizado - O processo dever ser Mapeado e re-definido - Planilha de execuo do plano - Verificao dos resultado sobre o piloto - Anlise de resultado : demonstrado financeiramente
Fase 9
173
Passo 8
Estabelecer o plano otimizado Avaliar /Comparar os vrios planos de melhorias de diferentes ponto de vista e selecionar o melhor plano prtico
Propsito
Extrair plano de melhoria Avaliar o plano de melhoria Selecionar o plano timo
Extrair vrios planos de melhoria que podem eliminar a causa fundamental
Atividade
- Extrair o plano de melhoria - Selecionar o nvel adequado do fator vital - Decidir prioridade
Ferramenta
-Preparar e analisar o Brainstorming -Melhoria qualitativa
Avaliar o plano de melhoria de diferentes pontos de vista.
Selecionar o plano timo que - Decidir prioridade for mais fcil de aplicar e ter maior - Selecionar o plano timo possibilidade de atingir a meta baseado na avaliao do resultado.
-Anlise de experimento -Mtodo qualitativo -Votao
174
Passo 9
Executar e inspecionar -Elaborar o plano de performance do plano timo selecionado. -Se necessrio, refazer o plano timo e anlises adicionais.
Propsito
Elaborar o plano de performance
Elaborar o plano de performance apropriado para a tima performance
Atividade
- Elaborar o plano de performance
Ferramenta
Executar /Inspecionar
Inspecionar se atinge a atravs de uma execuo piloto ou pela performance do plano otimizado.
- Executar o plano timo - Inspecionar o plano timo
- A prova de erros - Anlise da capabilidade do processo
175
Escolha do Plano de Melhoria

Observao Aps extrair todas as Melhorias do plano para eliminar a causa raiz, escolha o plano final otimizado que o mais apropriado e que pode ser executado. Extrair o plano de melhoria Selecionar o mximo de planos de melhorias possveis para eliminar as causas raiz. Mtodos Qualitativos Mtodos Quantitavos
Considere o mximo de variedade de planos possveis. Selecione o plano que atenda o seu objetivo Reflita sobre o novo plano de melhoria
Avaliar o plano de melhoria
Em caso de vrios projetos de melhoria, teste-os objetivamente Focar naqueles de maior impacto financeiro ou processo. importante manter a consistncia do problema/causa raiz/e plano de melhoria Selecione e verifique a melhoria final do projeto baseada nos check-points.
Padro para selecionar um plano de melhoria inovador

Quebre os paradigmas Mude seu ponto de vista Mantenha o foco Anote as informaes No coloque obstculos para a soluo Elabore as caractersticas do plano Benchmarking avanado Aprenda com os mais experientes
Selecione o plano otimizado
(Check Points)
-O projeto de melhoria final poder atingir o objetivo ? Checar - Existe algum impacto sobre outra escala/funo do processo? - Pode o plano de melhoria eliminar toda a causa raiz? - A performance padro concreta? 176

Extrair Diagnstico GAP Resultado da anlise Causa em que ocorre o GAP
Introspeco
Obter planos de melhoria inovadores
Meta
Atual Manter a consistncia
Avaliar
Causa raiz
Sugesto de projeto de melhoria
Projeto de melhoria
Nvel de Sigma
Execuo
Investir/ efeito
Total
P r o b l e m a
Selecionar
A sabedoria de uma organizao com a mente inovadora importante para o projeto de melhoria contnua.
177

Passo 8 Estabelecer o plano otimizado Vital(is) Few
Extrair o plano de melhoria: -Brainstorming Avaliar plano de melhoria:
Dados Mensurveis
-Logic Tree -Avaliao da Influncia das variveis (DOE) -Regresso
Brainstorming
2 4 5
Tratamento Estatstico
Selecionar o plano de melhoria: -Matriz de priorizao -QFD -Otimizao
Logic Tree
Regresso
DOE
GLM
Matriz de Priorizao
QFD
Otimizao
1 2
Brainstorming: ver pg. 47 Logic Tree: ver pg. 127 QFD: ver pg. 60 Regresso: ver pg. 167 DOE: ser visto na Melhoria
Passo 9 Executar e inspecionar Execuo e Inspeo
3 4 5
178
Avaliao da Influncia das Variveis (DOE)

Viso geral
criado para economizar tempo e custo, e tambm para projetar um experimento. Existem vrias maneiras de se fazer um experimento, mas normalmente segue-se os 3 passos abaixo: Passo 1 : Triagem de Variveis: Planejamento fracionrio( Xs causas raiz) Passo 2 : Avaliao da influncia das Variveis: Planejamento fatorial completo Passo 3 : Otimizao: Mtodo dos Mnimos Quadrados e Metodologia de Superfcie de Resposta(RSM) (No visto neste curso) Termos bsicos para o experimento Qual a varivel resposta? Tambm chamada de varivel dependente, a varivel resposta o Y Quais so as variveis controlveis ? So A, B, C..... Chamadas variveis independentes ou fatores (X) Qual a condio dos fatores no experimento? A condio o nvel: (+) para o nvel alto e (-) para o nvel baixo
2k fatorial
2 = O nmero de nveis k = Expressa o nmero de fatores
O nmero mximo de fatores 2k

179
DOE
Processo de soluo pelo experimento
Conhecimento de campo (Know-How tecnolgico) Desenho e prtica (Decidir fator e nvel ) Desenho de experimento Know-How Coletar os Coletar os dados dados
Anlise de dado Anlise dado Anlise de disperso Anlise de disperso - Ps anlise - Ps anlise
Condio para o design do experimento eficiente - Aplicar o conhecimento de campo : Entendimento do ambiente do experimento Aplicao e administrao do resultado - Conhecimento de experimento e anlise : Mtodo de anlise e design do experimento, Mtodo de interpretao do resultado.
Processo e plano de experimento

Fatores incontrolveis (Ns) = noise, erro
Entrada
Processo
Sada
Y1, Y2...
A,B,C....
Fatores controlveis (Xs)

180
DOE
3 princpios para projetar um experimento
- Entender o princpio bsico do experimento. Experimento
Aleatoriedade
: No decidir subjetivamente (1) Permitir a aleatoriedade de cada item no experimento (2) Fazer o experimento aleatoriamente
Replicao e Repetio
Replicao
Design
O Design determina o mtodo de anlise e resultado.

Designar a ordem na qual as tentativas experimentais sero realizadas usando aleatoriedade. Por qu? Para tirar a influncia de qualquer varivel oculta sobre os fatores do experimento. Para ajudar a validar as concluses estatsticas feitas a partir do experimento.
Anlise estatstica
Objetividade/ Reprodutibilidade da anlise de resultado
:Repetir todas as condies do experimento Repetio : Repetir algumas condies do experimento
Aleatoriedade
Block e Blocking
Block
Replicao
a repetio de uma observao ou medio a fim de aumentar a preciso de anlise de um experimento. No a mesma coisa que medies mltiplas em uma nica pea ou lote. Por qu? Para que possamos decidir se a diferena entre as resposta devida mudana nos nveis de fatores( uma causa especial) ou devida a uma causa comum. Para ver claramente se um fator importante ou no.
Anlise de resultado
: Grupo de experimentos em condies idnticas (unidade). Blocking : Classificao de todas as condies da experincia em um s bloco
Blocking
a analise de variao externa no seu experimento Por qu? Para que possamos analisar se a variao externa est influenciando no seu experimento como por exemplo : Fazendo experimento com ar condicionado ligado ou no, linhas diferentes com umidades diferentes etc.
Anlise de resultado
181
DOE Exemplo DPC

Exemplo : DPC Problema: Com a finalidade de testar a influncia de dois diferentes treinamentos em duas sees do DPC, executaremos um Design Of Experiment (DOE). Objetivo do Experimento : Quantificar a influncia do local e do tipo de treinamento que o DGI ministra ao DPC em relao ao grau de motivao dos funcionrios (pesquisa LGE Way) 1. Nome de Processo 3.Testador
Pesquisa LGE Way XXX
2. Data
G=Grande, P=Pequeno e A=Alvo
(Resultado)
Y Motivao do Funcionrio G, P, A
Humor dos funcionrios

Fatores incontrolvel
Tipo de Y X Nvel de X
(A) Tipo de Trein. + (C.A.)
Tipo de Treinamento Local do Treinamento Tipo: 5s e C.A. Local: LG e Hotel 2 vezes Full Fatorial Nvel 2 Humor
72 68 83 80 Mdia : 77,5 Mdia : 74
Input
Processo :
Output
Tipo de Treinamento
Fatores controlvel
Motivao
Repetio Mtodo de experimento Causa de Noise Obs:
(5s)
60 54 52 45 Mdia : 56Mdia : 49,5 - (LG) + (Hotel) (B) Local
Horas de Treinamento Local de Treinamento
182
DOE Exemplo DPC

(A) Tipo de Trein. + (C.A.) 72 68 83 80 Mdia : 77,5 Mdia : 74 Fator A = Tipo de Treinamento (-1) Baixo = 5s ( 1 ) Alto = C.A. Fator B = Local de Treinamento (-1) Baixo = LG ( 1 ) Alto = Hotel
(Resultad o)
(5s)
60 54 52 45 Mdia : 56Mdia : 49,5 - (LG) + (Hotel) (B) Local
Item 1 Medio 2 3 4 5 da Medio Replicao 6 7 8
Treinamento 5s C.A. 5s C.A. 5s C.A. 5s C.A.
Local LG LG Hotel Hotel LG LG Hotel Hotel

183
Satisfao (nota) 60 72 54 68 52 83 45 80
DOE Exemplo DPC
2 Repeties
184
DOE Exemplo DPC
Numero de Fatores
3 2
Coloque o nome dos fatores e os nveis alto e baixo *caso esses no sejam colocados a tabela ser formada por 1 e -1
Para garantir a aleatoriedade. Quando formos fazer um experimento real essa funo deve estar ativada
185
DOE Exemplo DPC
Coloque as respostas na coluna C7
186
DOE Exemplo DPC
Entre com a coluna que contem o resultado
187
DOE Exemplo DPC

Fator A (Tipo de treinamento) tem significncia Graficamente: O grfico que ultrapassa o valor de T o significante Numericamente: Quando p-value < este fator significante
Valor de T para = 0,1
Factorial Fit: Nota versus Tipo; Local Estimated Effects and Coefficients for Nota (coded units) Term Constant Tipo Local Tipo*Local S = 7,15891 Effect 23,000 -5,000 1,500 Coef 64,250 11,500 -2,500 0,750 R-Sq = 84,44% SE Coef 2,531 2,531 2,531 2,531 T 25,38 4,54 -0,99 0,30 P 0,000 0,010 0,379 0,782
R-Sq(adj) = 72,77%
Analysis of Variance for Nota (coded units) Source Main Effects 2-Way Interactions Residual Error Pure Error Total DF 2 1 4 4 7 Seq SS 1108,00 4,50 205,00 205,00 1317,50 Adj SS 1108,00 4,50 205,00 205,00 Adj MS 554,000 4,500 51,250 51,250 F 10,81 0,09 P 0,024 0,782
188
DOE Exemplo DPC
Resposta Y
Escolha Individual Escolha Total
1 Selecione as trs opes 3 Seleo dos Fatores

189
DOE Exemplo DPC

A Anlise Grfica serve pra identificarmos visualmente os fatores principais e suas interaes, mas a deciso final deve ser tomada com relao ao valor de p-value.
Mai n Effects P lot (data means) for N ota
Tipo 75 Local 80 75 70 Mean 65 60 55 55 50 50 5s C.A. LG Hotel LG Local Hotel
Inter acti on P lot (data means) for N ota

Tipo 5s C.A.
70 Mean of Not a
65
60
O tipo de treinamento tem uma maior O tipo de treinamento tem uma maior influncia na resposta Y (grau de influncia na resposta Y (grau de motivao) do que oolocal do treinamento. motivao) do que local do treinamento.
No h interao No h interao O treinamento na LG, para ambos os O treinamento na LG, para ambos os treinamentos, mais motivador que no Hotel treinamentos, mais motivador que no Hotel Aqueles que fizeram ootreinamento de C.A. Aqueles que fizeram treinamento de C.A. esto mais motivados do que aqueles que esto mais motivados do que aqueles que fizeram ootreinamento de 5s. fizeram treinamento de 5s.
190
DOE Exemplo DPC

Cube P l ot (data means) for N ota
49,5 Hotel
74,0
Local
Melhor condio de motivao para os funcionrios

56,0 77,5 C.A.
LG 5s Tipo
Concluso
Podemos observar no grfico que com ootreinamento de C.A. tivemos uma Podemos observar no grfico que com treinamento de C.A. tivemos uma melhoria expressiva no grau de motivao dos funcionrios. Quanto localidade melhoria expressiva no grau de motivao dos funcionrios. Quanto localidade do treinamento no tivemos uma grande diferena. do treinamento no tivemos uma grande diferena. Logo, quando analisamos os efeitos causados em Y, podemos verificar que oo Logo, quando analisamos os efeitos causados em Y, podemos verificar que tipo de treinamento influencia muito mais do que oolocal do treinamento. tipo de treinamento influencia muito mais do que local do treinamento.
191
DOE Exemplo 2
-Quando o nmero de fatores 3 Para aumentar o rendimento, fazer um experimento selecionando 3 fatores. Definir Y atravs da taxa de defeito, teste 3 vezes as mesmas condies. - A : Temperatura (400 F, 450 F) - B : Densidade (10%, 20%) - C : Tempo de Pr Aquecimento(45 Seg, 90 Seg)
Processo Nome
Rendimento
Data Equipamento de Medida Y Char Y
00/00/00 Sistema de medida Defeito L, T, S Temp., Densidade e Temp. Pr Aquec.
Fatores Incontrolveis
X Nvel
Entrada
Processo :
Sada Projeto Fator de Rudo Outros
Densidade : 20%,10% Tempo Pr: 45s,90s Temperatura: 400F,450F
2 Level (Full)
Fatores Controlveis
192
DOE Exemplo 2
Resultado do experimento
A : Temperatura
- (400 F) + (450 F)
C : Tempo Pr Aquecimento
- (45Sec) + (90Sec)
C : Tempo Pr Aquecimento
- (45Sec) + (90Sec)
-+-
50.25 59.95 56.05
- + + 56.46
58.03 54.72
++-
66.91 70.16 74.67
+++
74.88 73.12 73.80
B Densidade
+ (20%) Mdia : 55.42 Mdia : 56.40 Mdia : 70.58 Mdia : 73.93
--- (10%)
66.63 62.01 57.85
--+
60.31 60.87 63.93
+--
77.25 70.33 67.73
+-+
69.98 67.28 67.54
Mdia : 62.16
Mdia : 61.70
Mdia : 71.77
Mdia : 68.27
193
DOE Exemplo 2
Fatores
Fatorial 23
Fator
K= 3 A
Fator
Fator
Resposta
StdO rder RunO rder CenterPt Blocks Tem peratura Densidade Tem po Y Rendim ento 10 45 66,63 1 1 1 Nveis 1 (-1)(Baixo)400 10 45 77,25 2 2 1 1 (+1)(Alto) 450 400 20 45 50,25 3 3 1 1 450 20 45 66,91 4 4 1 1 400 10 90 60,31 5 5 1 1 450 10 90 69,98 6 6 1 1 400 20 90 56,46 7 7 1 1 450 20 90 74,88 8 8 1 1 400 10 45 62,01 9 9 1 1 450 10 45 70,33 10 10 1 1 400 20 45 59,95 11 11 1 1 450 20 45 70,16 12 12 1 1 400 10 90 60,87 13 13 1 1 450 10 90 67,28 14 14 1 1 400 20 90 58,03 15 15 1 1 450 20 90 73,12 16 16 1 1 400 10 45 57,85 17 17 1 1 450 10 45 67,73 18 18 1 1 400 20 45 56,05 19 19 1 1 450 20 45 74,67 20 20 1 1 400 10 90 63,93 21 21 1 1 450 10 90 67,54 22 22 1 1 400 20 90 54,72 23 23 1 1 450 20 90 73,8 24 24 1 1 194
3 Replicaes
Medio 3
Medio 2
Medio 1
DOE Exemplo 2
- Para determinarmos os efeitos principais ou quais tem significncia podemos utilizar tanto a anlise grfica como a numrica Pareto dos efeitos e interaes
Pareto Chart of the Standardized Effects
(response is Y Rendim, Alpha = ,10) A: Temperat B: Densidad C: Tempo
Anlise Numrica
Fractional Factorial Fit: y versus Temp, Density, Pre Fractional Factorial Fit: y versus Temp, Density, Pre Estimated Effects and Coefficients for y (coded units) Estimated Effects and Coefficients for y (coded Term Term Constant Temp Temp Density Pre Temp*Density Temp*Density Temp*Pre Temp*Pre Density*Pre Temp*Density*Pre Temp*Density*Pre Effect Effect 12.2158 12.2158 -1.8925 0.0942 4.1308 4.1308 -0.1692 -0.1692 2.0758 2.0758 1.3525 1.3525 Coef SE Coef 65.0296 0.6924 65.0296 0.6924 6.1079 0.6924 6.1079 0.6924 -0.9462 0.6924 0.0471 0.6924 2.0654 0.6924 2.0654 0.6924 -0.0846 0.6924 -0.0846 0.6924 1.0379 0.6924 1.0379 0.6924 0.6762 0.6924 0.6762 0.6924 T P 93.91 0.000 93.91 0.000 8.82 0.000 8.82 0.000 -1.37 0.191 0.07 0.947 0.07 0.947 2.98 0.009 2.98 0.009 -0.12 0.904 -0.12 0.904 1.50 0.153 1.50 0.153 0.98 0.343 0.98 0.343
AB
BC
ABC
AC
Analysis of Variance for y (coded units) (coded units)

C
Fator A (Temperatura) tem significncia
Source DF Seq SS Seq SS Main Effects 3 916.90 Main Effects 3 916.90 2-Way Interactions 3 128.41 2-Way Interactions 3 128.41 3-Way Interactions 1 10.98 3-Way Interactions 1 10.98 Residual Error 16 184.11 Pure Error 16 184.11 Pure Error Total 23 1240.40 Total 23 1240.40
Adj SS Adj MS F P Adj SS Adj MS F P 916.90 305.63 26.56 0.000 128.41 42.80 3.72 0.033 128.41 42.80 3.72 0.033 10.98 10.98 0.95 0.343 10.98 10.98 0.95 0.343 184.11 11.51 184.11 11.51
Interao Temperatura x Densidade tem significncia

195
Numericamente: Podemos confirmar o que o grfico nos apresenta: que a temperatura e a Interao Temperatura/densidade so significativos em sua influencia na resposta Y (Rendimento), pois p-value < . (Para o caso =0,1) LG Electronics Green Belt [Mfg]
DOE Exemplo 2 Anlise Grfica
O importante o quanto a reta est inclinada.
Fator A (Temperatura) o que mais tem significncia pois o que apresenta maior variao entre os nveis alto(450) e baixo(400)
Interao Temperatura x Densidade tem maior significncia pois a interao que tem maior influencia no Y
196
DOE Exemplo 2
Onde o melhor ponto?
-1,1,1
1,1,1
Considerando que quanto maior o rendimento melhor. Nossa melhor situao :
(1)
-1,1,-1
1,1,-1
B
1,-1,1 (1)
MELHOR PONTO:
Temperatura (450) Densidade (20) Tempo (90)

OU
-1,-1,1 -1,-1,-1 (-1) (-1) 1,-1,-1
C
(-1) (1)
MELHOR PONTO:
A (1) B (1) C (1)
Rendimento = 73,933
197
DOE Exemplo 2
Interpretao dos grficos de Interao
Efeito Principal Devido a B Resposta + Resposta Sem Efeito Principal Devido a B
SEM INTERAO
Fator A
+ Fator B +
Fator A
Fator B
Resposta
INTERAO SUAVE
+ -
Fator A
Resposta
+ Fator B +
Fator A
Fator B
Resposta
Resposta
Fator A + + 198
INTERAO ELEVADA
Fator A + Fator B +
Fator B
DOE Exemplo 2 - Fracionado

A meia frao de um fatorial completo pode, freqentemente, fornecer as mesmas informaes que o fatorial completo, com apenas metade do nmero de lotes. O mesmo deve ser utilizado somente quando o nmero de fatores muito elevado ou o experimento demanda um alto custo. Vantagens: Utiliza menos lotes , poupa tempo e dinheiro e podemos excluir fatores de menor significncia
Vamos refazer o exerccio anterior atravs de um planejamento fatorial fracionado
Fatorial Fracionado 23
StdOrder RunOrder CenterPt 1 1 1 2 2 1 3 3 1 4 4 1 5 5 1 6 6 1 7 7 1 8 8 1 9 9 1 10 10 1 11 11 1 12 12 1 Blocks 1 Nveis 1 1 1 1 1 1 1 1 1 1 1
Medio 1
Fator A
Fator B
Fator C
Resp Y
Temperatura Densidade Tempo Y (-1)(Baixo) 400 10 90 60,31 (+1)(Alto) 450 10 45 77,25 400 20 45 50,25 450 20 90 74,88 400 10 90 60,87 450 10 45 70,33 400 20 45 59,59 450 20 90 73,12 400 10 90 63,93 450 10 45 67,73 400 20 45 56,05 450 20 90 73,8
199
3 Replicaes
Medio 3
Medio 2
DOE Exemplo 2 - Fracionado 1- Criando o experimento Caminho no Minatab:

Stat\DOE\Fractional\Create Factorial Design
O Fatorial Fracionado quase similar ao Fatorial total, a nica diferena no Minitab que devemos selecionar Fraction
StdOrder RunOrder CenterPt 1 1 1 2 2 1 3 3 1 4 4 1 5 5 1 6 6 1 7 7 1 8 8 1 9 9 1 10 10 1 11 11 1 12 12 1 Blocks 1 1 1 1 1 1 1 1 1 1 1 1 Temperatura Densidade Tempo Y 400 10 90 60,31 450 10 45 77,25 400 20 45 50,25 450 20 90 74,88 400 10 90 60,87 450 10 45 70,33 400 20 45 59,59 450 20 90 73,12 400 10 90 63,93 450 10 45 67,73 400 20 45 56,05 450 20 90 73,8
2- Analisando o experimento
Fractional Factorial Fit: Y versus Temperatura; Densidade; Tempo Estimated Effects and Coefficients for Y (coded units) Term Effect Coef SE Coef T P Constant 65,676 1,031 63,69 0,000 Temperat 14,352 7,176 1,031 6,96 0,000 P-value< Densidad -2,122 -1,061 1,031 -1,03 0,334 Tempo 4,285 2,142 1,031 2,08 0,071 Analysis of Variance for Y (coded units) Source DF Seq SS Adj SS Adj MS F P Main Effects 3 686,5 686,5 228,83 17,94 0,001 Residual Error 8 102,1 102,1 12,76 Pure Error 8 102,1 102,1 12,76 Total 11 788,6
200
Execuo e Inspeo 1) Implementao e Verificao : Verificao dos resultados

Resumo para verificao do resultado
: De acordo com o Plano de Ao, por meio da execuo e verificao dos resultados do plano de melhoria, a utilidade da poder ser determinada. q Por meio da aplicao do plano de melhoria, a eficincia da melhoria pode ser determinada e comparada com os dados da medio do processo. q De acordo com a medio do Y selecionado, pode-se checar a validade da melhoria quando comparada com o valor de Z ( padro) qQuando no se encontra o nvel esperado de melhoria, avance para o prximo step ordenadamente.
Pontos de Verificao
q So os mesmos como do Y selecionado no processo de medio? q So os mesmos tipos dos dados selecionados na medio do processo? q O Plano de Ao inclui coleta de dados?
201
Execuo e Inspeo Exemplo de Verificao dos Resultados

Um conjunto de tarefas especiais foi organizada e executada para ajustar o tempo de entrega.
Parts Supply process 0 Dias 52% Melhoria performance
(2001.Maro)
Atual
Cliente

In-stock (Ordem Normal)

antes
0 Dias
depois
ASC

30% Melhoria 0%
0%
antes 0 Dias 56% Melhoria
depois
LGEAP

- Overseas - Domestic
Fbrica
Ordem de retorno
antes
0 dias
depois
US$ 720K
202
Controle
Metas - Padronizar o processo melhorado. - Estabelecer o Sistema de Monitoramento regular para melhoria contnua. - Compartilhar o resultado e o conhecimento extrado do Projeto.
Ferra mentas
- Prova de Erro (Mistake Proofing) - Cartas de Controle (Control Charts) : Xbar-R, P, NP, C, U
Passos
- Passo 10 : Padronizar - Passo 11 : Monitorar - Passo 12 : Compartilhar e disseminar o resultado
A fase de controle aquela que mantm a melhoria alcanada na melhor condio. importante para estabelecer o Sistema de Monitoramento correto.
203
Propsito
Padronizar de forma a manter o resultado da melhoria otimizado checado na fase de Melhoria e estabelecer o plano de controle. Preparar a base de compartilhamento/disseminao para que o resultado e mtodo inspecionado possa ser estabelecido em outras reas.
Passo da Atividade Passo 10. Padronizar

10.1 Padronizar
Passo 11. Monitorar

11.1 Estabelecer o plano de gerenciamento
Passo 12. Disseminar/ Compartilhar Resultado

12.1 Relatrio de Concluso do Projeto 12.2 Compartilhar/Disseminar
Sada
Passo 10 - Padro de trabalho
Passo 11
- Plano Futuro/ Plano de gerenciamento
Passo 12
- Relatrio de Concluso do Projeto
204
Padronizar
- Estabelecer o plano padro de operao do processo para entender o sistema de qualidade prtico e para manter continuamente o resultado da melhoria.
Note: - Adequao, praticidade dos contedos necessrios para o trabalho de gerncia, gerncia da atividade da produo, de su-porte na vista da gerncia e da tecnologia - contedo detalhado e de fcil entendimento para todos os funcionrios. -desenho baseado no processo de trabalho ou processo detalhado com clareza e preciso para no haver m comunicao
Entra da
Processo
Sada
Vital Few Xs
Melhoria do Processo
- Aumenta a distribuio do processo - Impossvel manter o resultado da melhoria -A forma de trabalho no mudou pois o padro e processo de melhoria no se refletem. - Aumenta o tempo de controle - Aumenta a insatisfao do cliente
Padronizar / documentar Sim Refletir no sistema de qualidade
No
Processo Incontrolvel
Estrutura do Sistema de Qualidade
- sem contraposio lei, aos padres nacionais, ou poltica da empresa.
Manual da Qualidade Regulamentao do Padro de Trabalho
Manter o resultado da melhoria
Padro de Trabalho Instruo de Trabalho
No havendo padronizao do processo para extrair o resultado do projeto, no h expectativa do resultado da melhoria em campo
205
Poka Yoke
A prova de Erros - (Poka Yoke)
-Reflete no trabalhar adiantado para minimizar o efeito causado pelo erro. -Estabelecer o padro para que o erro no ocorra. Mtodo Principal
- pare : erros/defeitos ocorridos ou esperados : Carros automticos no ligam com a marcha no nvel D. : Secadores de cabelo param se superaquecidos, atravs de um sensor. - controle: para parar de ter produtos com defeito mova-se para o
Qualquer um que faa uma bobagem, nada de errado ocorrer
Esprito Bsico
Mesmo que algum cometa um erro, seu efeito no ser grande. Processo Bsico do MP Checar o problema Estabelecer a prioridade Examinar a causa raiz Selecionar o plano de melhoria 206
prximo nvel : disco de 3.5 pol. no pode ser inserido na direo errada - alerte : falha ocorrida ou esperada : o alarme liga se no apertar o cinto de segurana. : medir a aplicao e o seu resultado
Sistema de Monitoramento
Para decidir contedos detalhados (tempo, meta de medio, departamento, etc.) do sistema regular de monitoramento. Exemplo Responsabilidade do Controle do CTQ
Note que para o Sistema de Monitoramento
- O que medir? - Com que freqncia? - Como deve ser controlado? (Sob qual padro?) - Quem ir monitorar? - Se no controlado, como encontrar a causa? (Sob qual padro?)
- Para melhorar o CTQ, o lder da equipe de projeto assume a responsabilidade de confirmar a transio e o controle com o depto funcional depois da transferncia ao depto funcional. - Depois de um certo perodo, o depto funcional assume o controle total do CTQ
Sistema de Auditoria e Responsabilidade Auditoria de CTQ MBB Auditoria dos integrantes da inovao Auditoria de processo e grupo da qualidade assegurada . Checar o status do CTQ da
R&D, tema finalizado da Mfg e o Sistema de Dados do CTQ . Relatar o status atual da quali-dade assegurada do controle ao chefe, e Champion e corrigir
Checar o status de finalizao . Checar status do Follow Up do F/U do tema finalizado do tema finalizado . Relatar o status atual do controle ao Champion e Relatar o status atual do corrigir controle ao Chefe e corrigir
207
Mtodo de Monitoramento Quantitativo

- Diagnosticar o status do CTQ que afeta a estabilidade do processo e melhora se necessrio. Tambm controlar a distribuio e movimento central do processo usando a carta de controle estatstica. - Isso ajuda que o status otimizado continue. Estabelecer plano de ex : Nmero de grupo da amostra extrao de amostra com o nmero de grupo
Estabelecer o objeto
Desenhar a carta de controle
Diagnosticar e Avaliar
Causa anormal Controle Manter
Causa contingente Melhoria
208
Cartas de Controle
Carta de Controle
- Mtodo que busca deixar o processo em condio estvel - Processo estatstico que pode detectar mudana da qualidade num processo contnuo
Aplicao e Modo de Checagem -Situao estvel de processo : Os pontos esto dentro dos limite de controle. E no h um regulamento prprio nos pontos marcados. -Situao instvel : Os pontos esto fora dos limites e tem caracterstica especifica nos pontos marcados. Isso , significa que existe uma causa que precisa de providncia. -Providncia imediata sobre a causa anormal: - Os pontos que saram dos limites de controle. - Mostra uma caractersticas especifica, como: inclinao,tendncia, freqncia, etc. Os grficos de controle usados mais frequentemente so:
Propsito
Manter e melhorar a qualidade atravs de busca de especialidade no processo, corrigindo e mantendo o processo estvel.
Dados de Atributo Grfico P: localiza proporo de unidades defeituosas observado em uma amostra (N de amostra diferentes). Grfico U: grfico de controle por unidade (N de amostra diferente).
Dados de Varivel Grfico I-MR (X-RM):Um grfico de controle que localiza variao no processo e indica causas especiais, podendo detectar mudanas em variao a longo prazo. Grfico Xbar-R (onde R o Range):Grfico de controle para mdia e Range de subgrupos de dados.
Enfatiza o controle do Xs alm do resultado do processo (Y).
209
Cartas de Controle
Diagnstico da Carta de Controle
A : -3S~-2S ou 2S~3S B : -2S~-1S ou 1S~2S C : -1S~Centro ou Centro~1S
1 1
+ 3S + 2S +1S -1S -2S -3S + 3S + 2S +1S -1S -2S -3S
1 2 3 4 5 6 7 8
Diagnstico Padro Attribute

1. No caso de certo valor de controle exceder a linha de limite do controle. (3) 2. Aparecer 9 ea do valor de controle continuamente acima ou abaixo da linha central. 3. 6 ea do valor de controle aumentam ou diminuem continuamente. 4. 14 ea do valor de controle aparecem acima e abaixo da linha central regularmente.
Continuous
A B C C B A 2 A B C C B A
+ 3S + 2S +1S -1S -2S -3S + 3S
3 A B C C B A 4 A B C C B A 5 A B C C B A 5
+ 3S + 2S +1S -1S -2S -3S
6 A B C C B A
5. 2 ea do valor de controle aparecem na regio A em um lado da linha central (acima ou abaixo) entre 3 ea do valor de controle.
6
+ 3S + 2S +1S -1S -2S -3S
Vrios padres de anormalidade podem aparecer numa carta de controle simultaneamente. - No caso da ocorrncia de padro de anormalidade, checar a sua causa
+ 2S +1S -1S -2S -3S + 3S + 2S +1S -1S -2S -3S
A B C C B A
6. 4 ea do valor de controle aparecem na regio A ou B em um lado da linha central (acima ou abaixo) entre 5 ea do valor de controle. 7. 15 ea do valor de controle aparecem na regio C em um lado do centro em ordem. 8. 8 ea do valor de controle aparecem em ordem na regio A ou B em um lado da linha central.
+ 3S + 2S +1S -1S -2S -3S
8 A B C C B A
210
Cartas de Controle
Tipos de Carta de Controle
Tipo de Dado Cartas de Controle para Dados Contnuos
Use o valor medido da mquina e em geral, faa a carta de controle individual de caractersticas de qualidade peculiares.
Contnuo
Atributo
Use a Carta Xbar-R quando o tamanho da pea/parte for menor do que 10 ea.
n=1
Tamanho da Amostra
n>6
N de defeito/proporo
Nmero de Falhas
n = 2~5
Regular
Tamanho da Amostra
Cartas de Controle para Dados Atributos

Irregular Regular
Tamanho da Amostra
Irregular
I-MR
Xbar-R
Xbar-S
Desenhe para checar a estabilidade do processo com a coleta de dados atributos e uma carta de controle prove a informao da distribuio.
NP
211
Cartas de Controle Xbar-R

Xbar-R
- A carta de controle Xbar-R serve para checar a caracterstica das medies da mdia e da distribuio ao mesmo tempo. - Geralmente os dados so coletados na forma de subgrupos : Estabelea o n de grupos para detectar a variao anormal do processo considerando a causa potencial. : Use de 2 ~ 5 ea para cada grupo (within).
Exemplo
Carta de Controle Xbar-R A caixa abaixo contm dados coletados durante 7 dias, n=5, duas vezes ao dia, num processo contnuo para controlar a mdia e a distribuio do rudo de sada. Mas, para um diagnstico fcil no caso de ocorrer causa anormal, registra-se o Resumo dos Dados baseado no 4M -A rudo de sada real deve ser menor do que 95. -Abrir o exemplo: XBar-R.mtw Grupo e Dados
Resumo dos dados
212

Stat > Control Charts > Variable Charts for Subgroups
Estabelea a varivel
Estabelea o grupo varivel
Escolha todos os testes possveis
213
No 6.M, aparece o fenmeno anormal que excede os limites de controle. No outro grupo no aparece o fenmeno anormal em 8 testes.
Xbar- R Chart of Noise

1
UCL=96.66 Sample Mean 95 _ _ X=90.30
90
85 1.M 1.A 2.M 2.A 3.M 3.A 4.M 4.A Date 5.M 5.A 6.M 6.A 7.M 7.A
LCL=83.94
UCL=23.31 20 Sample Range 15 10 5 0 1.M 1.A 2.M 2.A 3.M 3.A 4.M 4.A Date 5.M 5.A 6.M 6.A 7.M 7.A LCL=0 _ R=11.03
214
Cartas de Controle NP
NP
-Controla o nmero de defeitos no caso do nmero da amostra entre-grupos serem idnticos. -Decide o nmero de amostra entre-grupos 1/taxa de defeito ~5/taxa de defeito no caso em que for possvel esperar a taxa de defeito do processo.
Exemplo
Carta de Controle NP O Servio ao Cliente da OO Electronics quer ter entrevistas de follow-up 2 vezes por semana (Tera e Sexta) selecionando aleatoriamente vrios clientes que foram atendidos. Nesse momento, eles perguntam sobre 5 itens e consideram como defeito a pontuao mdia menor do que 3.5. Eles prevem a taxa de defeito por volta de 8%. Ento eles escolhem 50 pessoas considerando a possibilidade de anlise, tempo e man-power entre 13~63 pessoas. No caso de muitos no responderem, consideram a Amostra Adicional. -Considere o nmero do grupo (g=24) com unidade de 3 meses que capaz de aplicar ao real. - Registre por classificao a mdia/min/max j que a quantidade de vendas pode afetar. -Eles enviam a instruo do pesquisador j que a atitude ou o tempo da pergunta podem afetar no resultado. Tambm limitam o tempo em 12 horas aps o atendimento. -Abrir o exemplo: NP.mtw Grupo e Dados
Resumo dos Dados
215
Stat > Control Charts > Attribute Charts > NP
Estabelea a varivel
Estabelea o nmero entre-grupo
216
NP Chart of NC
14 12 Sample Count 10 8 6 4 2 0 1.Tue 2.Tue 3.Tue 4.Tue 5.Tue 6.Tue 7.Tue 8.Tue 9.Tue 10.Tue 11.Tue 12.Tue LCL= 0
14 12 10
GT.A GT.A
1 1
UCL= 11.43
__ NP= 5.04
NC vs ID (W.R.T Sales.Q)
Date
GT.A GT.A GT.A
Houve insatisfao do cliente nas 2 e 9 semanas da pesquisa semanal. E os dois casos so a respeito da grande quantidade de vendas naquelas semanas.
8 NC 6 4 2 0 0 5 10 ID
AVG LT.A LT.A LT.A GT.A LT.A LT.A LT.A LT.A
GT.A AVGAVG AVGAVGAVG AVG LT.A AVG
AVG
15
20
25
217
Cartas de Controle P
P
- Para controlar a taxa de defeito no caso de grupos com tamanhos diferentes de acordo com o tempo da pesquisa. - No caso de baixa taxa de defeito, decida o tamanho que conter pelo menos mais de 1 defeito.
Exemplo
Cartas de Controle P Enquanto processava a entrevista de follow-up citada acima, o nmero real de clientes no era idntico. Assim, o Servio ao Cliente da OO Electronics revisa o plano de coleta da seguinte maneira: Marca o objeto da entrevista 5% dos clientes e registra somente os casos de sucesso. Abrir o exemplo: P.mtw
Grupo e dados
Resumo dos dados
218
Stat > Control Charts > Attribute Charts > P
Estabelea a varivel
Estabelea a varivel que registrou o nmero entre-grupos
219
P Chart of NC
0.20 UCL= 0.1709 0.15 Proportion
0.10 _ P= 0.0697 0.05
0.00
T 1. ue T 2. ue T 3. ue T 4. ue T 5. ue T 6. ue T 7. ue T 8. ue ue ue ue ue .T 0.T 1.T 2.T 9 1 1 1
LCL= 0
Date Tests performed with unequal sample sizes
Processo Estvel
220
Cartas de Controle C
C
-Controlar o nmero de defeito que ocorre em certa unidade (comprimento, rea etc.) -Unidade a ser pesquisada tem que ser sempre regular. Em caso de no classificar o tipo de defeito, pode-se considerar mais que uma unidade simultaneamente.
Exemplo
Carta de Controle C Esta carta para controlar o nmero de dots que aparecem no painel do OO PVC. Desde quando o primeiro dot apareceu no lado superior direito, eles melhoraram a causa atravs de um projeto anterior. E agora, os dots ocorrem no produto aleatoriamente. Deste modo, os dados so coletados da seguinte maneira. - Registra-se o nmero de dots de um certo tamanho que aparece na mesma rea. - Nmero do grupo de 3 vezes por dia (M, A, E) em duas semanas (g=42) - Os inspetores so 4 pessoas que trabalham 8 horas cada e definiram o Heat. C de acordo com o julgamento do gerente do processo. -Abrir o exemplo: C.mtw Grupo e Dados
Resumo dos Dados
221
Stat > Control Charts > Attribute Charts > C
Estabelea a varivel
222
C Chart of NC
25
1
UCL= 21.54 20 Sample Count
15 _ C= 11.40 10
5 LCL= 1.27 1 5 9 13 17 21 25 Sample 29 33 37 41
Muitos dots podem ter sido causados pelo Heat.C e precisam ser inspecionados junto ao teste padro da inspetoria. 223
Cartas de Controle U
U
-Feita para controlar o nmero de defeitos que aparecem em certa unidade (comprimento, rea) -No caso da unidade ser irregular, o controle deve estar baseado na suposio de que cada defeito aparece individualmente.
Exemplo
Carta de Controle U Se uma placa produzida num processo,e se faz um produto cortando-a em certo tamanho. Colete os dados para controlar o nmero de defeitos de uma placa apropriada e para controlar o nmero de defeito pesquisado no painel de diferente tamanho. Registre o clculo da rea e nmero de dots com a rea da unidade. -Nmero do grupo 3 vezes por dia (M, A, E) com 2 semanas (g=42) -Abrir o exemplo: U.mtw
Grupo e dados
Data Resume
224
Stat > Control Charts > Attribute Charts > U
Estabelecer a varivel
Escolher todos os teste possveis
225
U Chart of NC
0.7 Sample Count Per Unit UCL= 0.6970
0.6 _ U= 0.5304 0.5
0.4 LCL= 0.3638 0.3 1.M 2.A 3.E 5.M 6.A

1
7.E 9.M 10.A 11.E 13.M 14.A Date
Tes ts performed with unequal sample sizes
Qual o caso que excede o limite de controle?
226
Reviso Geral
Compartilhe e Espalhe o resultado
- Isto para tornar fcil o compartilhamento uns com os outros, atravs da organizao/relatrio do resultado com um mtodo padronizado. Resultado do Estgio de
Definio
Imagem da Sada Principal
Big Y = KPI
05 Premium Premium 00% 00% 00% 06 07 08
Sada por passos (steps) 1 Passo - Definio do VOC/VOB - Analise superficial do processo - Extrair Little Y atravs do desenvolvimento do Big Y
R&D Digital
00% 00% 00% 00%
2 Passo - Analise detalhada do processo - CTQ e o Y do projeto - Folha com plano de Ao Rpida.
S/R P/O

S/R Draft B/L
S/R
B/L Check
Yes B/L No
B/L B/L
0.5 ~ 3
0.5 ~ 3
Original B/L
0.5 ~ 2

227
Reviso Geral
Sada por Passos 3 Passo - Folha de registro do projeto e plano de ao Imagem da Sada Principal
Resultado da fase de
Medio
Sada por Passos 4 Passo - Criar folha com resumo dos dados - Folha com o plano de Coleta de dados - Resultado e contramedida do Gage R&R
5 Passo - Analisar o resultado da Capabilidade do Processo - Diagrama de 4-Blocos - Direo da melhoria e meta
4 Block Diagram
Poor
Z shift
Control
1.5
Good 4.5 Poor Technology
ZST
Good
228
Reviso Geral
Resultado da Fase de
Analise
& Mind
/ CIC
Sada por Passos 6 Passo - Listar Possveis X - Selecione o fator vital de uma lista - Checar se a meta atingvel
Possible Xs
System
Matr ix P l ot of A.S al es vs P .S ales, A.Pr ofi t

20 45000 40000 35000 A .Sale s 30000 25000 20000 A .Sale s 45000 40000 35000 30000 25000 8000 10000 1200020000 14000 P.Sale s Region Training East No 40 60
SSM B C D
Box pl ot of A.S al es v s Tr ai ni ng, R egi on A
A .Profit West East Yes West
7 Passo - Avaliao sobre a causa raiz dos fatores vitais.
229
Reviso Geral
Melhoria
Sigma /
Sada por Passos 8 Passo - Resultado do teste desenvolvido e lista de analise/plano melhoria. - Selecione o plano timo - Deve ser mapeado/processo redefinido
Pareto Chart of the Standardized Effects

(response is Response, Alpha =.05) 2.228 B D Term CD C A
Factor A B C D Name A B C D
3 4 5 Standardized Effect
9 Passo - Folha com o plano de performance - Verificao / Resultado piloto - Resultado da Analise: Expressar financeiramente
230
Reviso Geral
Controle
Sada por Passos 10 Passo - Padres de trabalho
Manual Qualidade Trabalho Padres/Regulamentos Padres de trabalho
11 Passo - Folha com o Plano futuro de Controle
Instruo de trabalho
Sheet : Process Map Step : CTQ Y : Monitoring Y, X Spec .
NO #
12 Passo - Relatrio de finalizao do projeto
Step 12. /
. 12. Step / 1) Define . 1) Define O utput Image
Con ol tr Con ol tr
Step 12. /
Ste p Output
Contr ol
Step 1 - Big Yp KPI O utput Image Ste Output 01 2) Measur emen t KPI Step 1 - Big Y KPI 01 O utput Image KPI
Y Y

Ste p Output - List
Y CT : Q Spec. : 10 %
Dat a
D a at Source
Step 4
Step 2
Y 12

Y13
Source Y 12
CTQ : Spec. : 10% %Contribution %Study Var %Tole rance 10.67 3.10 7.56
Process C apa bili y Anal ys is for Y t
- Data - Big Y Tree - CTQ Spec. R&R - Gage Step 2 - Big Y Tree - CTQ Spec.
KP I
Ta r e t g I D E A
Total Gage R&R Y13 Repeatability Reproducibility

: I D E A
Wo r d b e s l t
32.66 11.44 Step 3 6.17- 17.62 27.50 9.63- Process Mapping
Step 3
K P I
Wo r db e s l t
Ta r et g
P roces sD a a t

LS L
US L
W i hi n t Ove ral l
- - Process Mapping
U L S Targ et L L S

1 . 000 05 * 9 . 000 5 1 . 838 01 60
Step 5
M an e Sa mple N
? ( /
N ec k P oi
S D v (Wi t i ) 0.189 86 t e hn 9 St ev ( v e l 0.308 07 D O ral ) 4
nt
Pot e i l ( i h n) a pabil i y nt a W t i C t Cp
? ( / ) N ec k P oi nt
0.88 0.55 1.20 0.55 * 90 . 95 . 1 0 0. 1 5 0. 1 0 1. Ex . " ve all Pr f r a ce p O r " eo m n P M< L L P S 133 0 9 0. 9 PP > U M SL 1 526 43 63 . P MT t l P oa 1 1 1 659 44 62 . U C 1 44 L= 0. M ean= 1 18 0. LC 9. 25 L= 9 1 1 0 5 10
CP U C L P Cpk Cp m
- - : X_Bar R Chart or I Chart - Quick Act ion /
Ov e rall C pab l i y a i t Pp 0.54 PP U 0.34 P L P Ppk 0.74 0.34
O e r ed P o r anc e bs v erf m P M< L L P S 166 6 . 67 6 P P >U L M S 20 00 00 00 . P MT t l P oa 10. 6 10. 5 10. 4 10. 3 10. 2 10. 1 10. 0 9. 9 9. 8 9. 7 9. 6 21 66 67 66 . 1
E x " W t i " P r f r an ce p. ih n eo m P M< LS P 1 Xbar/R USLL t 480 40.83 C har for59. 49 Y PP > M P M Tot l P a 482 00.32
S ample Mean
Subg oup r
1. 0
Sampl e Range
U C 0 480 L= . 9
0. 5
R 0. 48 = 4 3
0. 0
LC L=0
231
Suporte Black Belt

Innovation
Human Resource
General Administration
232
Suporte Black Belt

Notebook
Washing Machine
233
Suporte Black Belt

Production Cellular
Purchase / Material (MNT)
GERENTE
234
Suporte Black Belt

Engineering (MNT/ CELL/ WM)
235
Suporte Black Belt

Production MNT
236
Suporte Black Belt

Quality (MNT/ CELL)
Total = 31 Black Belt
237
LIVRO DE 6 SIGMA PARA GREEN BELTS - MFG

Data emisso: 27/01/2011 [rev. 01] Departamento de Inovao [DGI] Desenvolvido por: Csar Pintor [BB] Diego Gutierres [BB] Mauricio Fulgncio [BB]
238

Apostila de GB - Completa-LG

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Apostila de GB - Completa-LG

Uploaded by

Copyright:

Available Formats

Treinamento 6

Inovar Verificar Executar

1. Rpido 2. Forte 3. Inteligente

(Vice Chairman Bon Joon Koo)

LG Electronics Green Belt [Mfg]

LG Electronics Green Belt [Mfg]

LG Electronics Green Belt [Mfg]

LG Electronics Green Belt [Mfg]

Mikel J Harry, Ph.D

LG Electronics Green Belt [Mfg]

Inovao e Six Sigma

Por que a atividade de inovao falha?

6 o motor do gerenciamento de inovao.

6 no significa apenas fazer, mas fazer eficientemente.

PPM 3.4 233 6,210 66,807 308,537

Melhora defeitos 68 vezes

Colher as frutas cadas Processo de deciso atravs de experincia e bom senso

Processo Defeito Cap. Mudana

( Hiptese de longo perodo

Quanto mais o nvel de Sigma diminui, mais o PPM aumenta.

Passos detalhados S2. Extrair Y do Projeto

S3. Entrada do Projeto

S4. Verificar adequao do Y do Pjt

S5. Verificar nvel atual

S6. Selecionar fator Vital

S7. Examinar a causa

S8. Selecionar o plano timo Melhoria

S9. Executar e Inspecionar

S10. Padronizao Controle

Estrutura Departamento de Inovao (Six Sigma)

Base do Six Sigma Base do Six Sigma

Measure E verything T hat R esults In C ustomers S atisfaction

Medir tudo aquilo que possa impactar na satisfao dos Clientes.

LG Electronics Green Belt [Mfg]

MDIA MEDIANA DESVIO PADRO OUTROS

SUPPLYER INPUT PROCESS OUTPUT CUSTOMER

FORNECEDOR ENTRADA PROCESSO SADA CLIENTE

Causas das variaes do processo

MDIA Tendncia Central MEDIANA MODA

Dados Contnuos - Mdia

CUIDADOS AO USAR A MDIA

Dados Contnuos - Mdia

Soma de todos os Dados QTY de Dados

Dados Contnuos - Mediana

Dados Contnuos - Moda

A moda, no comumente utilizada. 28

Dados Contnuos Desvio Padro

Dados Contnuos Varincia

S ummary for Amostr a

Dados Contnuos Amplitude

S ummar y for Dados

R = 10,9600 8,1800 R = 2,78

Dados Discretos Proporo & Moda

Amostra = 1000 peas Defeitos = 7 peas

Qty Evento 7 *100 = *100 = 0,7% Total Amostra 1000

Distribuio Normal (Distribuio Gaussiana)

Distribuio Normal (Distribuio Gaussiana)

68,2% 95,4% 99,7% 99,994% 99,9994% 99,99999975%

Ateno : esta carta calcula apenas um lado da Distribuio Normal

ZUSL = USL - ZLSL = - LSL

P(TOTAL)) = 31.000 ppm + 1,03x10-2 ppm = 31.000 ppm Zbench = 1,88

,80 ,50 ,20 ,05 ,01 ,001 5 6 7

Normal Probability Plot

,99 ,95 ,80 ,50 ,20 ,05 ,01 ,001

Qty Evento 7 100 = 100 = 0,7% Total Amostra 1000