Академический Документы
Профессиональный Документы
Культура Документы
Inovao Real
Discurso do CEO
Inovar
Verificar
Executar
Outubro/2010
1. Rpido
2. Forte
3. Inteligente
2
ndice
Introduo
05
Estatstica Bsica
19
SIPOC
Ferramentas
21
46
Brainstorming
47
Mapeamento do Processo
49
22
FMEA
54
23
Grfico de Pareto
57
- Dados Contnuos
QFD
61
Mdia
25
64
Mediana
27
65
Moda
28
Desvio Padro
29
Varincia
30
Amplitude
31
Medio
66
Resumo
- Dados Discretos
69
Entendendo o Z-value
70
32
71
Variao Natural
33
Tipos de Gage
72
Distribuio Normal
34
Z-Table
36
Repetibilidade / Reprodutibilidade
74
Normality Test
38
Bias / Estbilidade
75
Deslocamento da Mdia
40
Linearidade
76
41
Regra de Thumb
78
Exemplo
79
Grficos
83
Proporo e Moda
Definio
Gage R&R
Resumo
Seleo do Projeto
43
Extrao do Y
44
Registro do Projeto
45
Gage Attribute
Exemplo MInitab
73
84
85
ndice
Clculos
87
88
Calculando o Z-value
Anlise Grfica
130
- Dados Discretos
90
Bar Chart
Dados Contnuos
131
- Dados Contnuos
Capability Analysis
Frmulas CP/PP/Cpk/Ppk
91
Dot Plot
133
92
Histograma
136
Bar Chart
138
97
Box Plot
139
99
Descriptive Statistics
141
Graphical Summary
Dados Discretos
143
DPU/DPO/DPMO
102
Scatter Plot
144
Exemplo
103
Correlation
145
Matrix Plot
146
Probability Plot
148
Anlise
107
Resumo
Selecionar o fator Vital
109
Testes de Hiptese
150
110
Definio
151
Vital Few
111
Erros ( e )
152
Introduo
112
Tipos de Teste
153
Introduo ao Minitab
113
- Dados Discretos
Extrair Possveis Xs
125
1 Proportion
154
126
2 Proportion
155
127
Chi-Square Test
156
129
ndice
Dados Contnuos
Normality Test
157
1 Sample T
159
161
Padronizar
204
2 Sample T
162
Monitorar
204
ANOVA
164
Compartilhar o Resultado
204
Controle
201
203
Resumo
167
Padronizar
205
Correlao
167
206
Exemplo
168
Sistema de Monitoramento
207
Equao de Regresso
169
Cartas de Controle
209
Grfico
171
Regras da Carta
210
172
Tipos de cartas
211
Melhoria
Resumo
- Dados Contnuos
174
XBar-R
Executar e inspecionar
175
- Dados Discretos
NP
215
179
218
3 Princpios de um Experimento
181
221
Exemplo
182
224
187
Reviso Geral
227
Identificando as Interaes
190
191
192
DOE Fracionado
199
176
212
INTRODUO
Objetivos
Introduo
..6 uma ferramenta inovadora..
Histria do 6
1994
SSA
1997
1995
2001
AT&T
1996
3M
Jack Welch
6 na LG Electronics
Sobrevivncia
Global Player
Crescimento
FMI
Crescimento 6
GR
A
C
*
%)
5
(2
MFG
R&D
TQ
Six Sigma
96
97
(GE Benchmarking)
98
99
..
04
No.1
LG
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
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
Desenvolvimento na rea
de servios
Obteno de tecnologia
exclusiva
Filosofia de Gerenciamento
Filosofia de Gerenciamento Six Sigma
Six Sigma o mtodo de execuo que traz resultados para gerncia e funcionrios.
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
PPM
3.4
233
6,210
5
Melhora defeitos 25 vezes
4
Melhora defeitos 11 vezes
3
2
66,807
308,537
Processo Defeito
Cap. Mudana
( Hiptese de longo perodo
12
3
Melhora defeitos 5 vezes
Comparativo
Comparando Qualidade Tradicional com Six Sigma
- Qualidade Tradicional vs Qualidade Six Sigma
Qualidade Tradicional
Organizao Centralizada.
13
Prximo da perfeio
Preciso e exatido
Quanto maior o nvel de Sigma, maior nossa preciso e exatido (Texas Instruments)
Nvel de
Sigma
rea
Palavras
Tempo
Distancia
4,50 anos em 1
sculo
2,5 dias em 1
sculo
rea de um diamante
comum
6 segundos em 1 4 passos em
sculo
qualquer direo
1 volta e ao
redor da Terra
Dirigir 45 minutos
numa estrada
14
DMAIC
Six Sigma: DMAIC
- Entendendo detalhadamente cada fase do processo bsico de um projeto Six Sigma.
Fase
Definio
Medio
Analise
Passos detalhados
S1. Seleo do Projeto
Controle
10.1 Padronizao
S10. Padronizao
S11. Monitoramento
15
Diretor
S. Y. Han
jimmy.han@lge.com
Gerente
Rogrio
rogerio.martins@lge.com
12-2125-5518
Six Sigma
Csar
Csar Pintor
Pintor
cesar.alcantara@lge.com
12-2125-5570
Pedro
Pedro Gama
Gama
pedro.gama@lge.com
12-2125-5684
* Atualizado em jan/2011
16
Objetivo
Por
Porque
quebuscar
buscarooSix
Six Sigma?
Sigma?
Aumentar o Faturamento
Aumentar o Lucro Final
Six
SixSigma
Sigmasignificar
significarpara
parans...
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
Basedo
doSix
Six Sigma
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
18
ESTATSTICA BSICA
Objetivos
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.
SUPPLYER
FORNECEDOR
INPUT
ENTRADA
PROCESS
PROCESSO
OUTPUT
SADA
CUSTOMER
CLIENTE
Entrada
O
Sada
Fornecedor
Processo
5M
Machine (Mquina)
Material (Material)
Method (Mtodo)
Measurement (Medida)
1E
Cliente
Coleta de Dados
Letras Gregas:
POPULAO
AMOSTRA
Mdia =
Desvio Padro =
Misture bem.
EXERCCIO
Letras Romanas:
Quando estamos trabalhando
com a amostra utilizamos as
letras romanas para representar
alguma
caracterstica
da
mesma.
Ex.:
POPULAO: __________________________
Mdia = x
Desvio Padro = s
PARMETRO: _________________________
AMOSTRA: ____________________________
ESTATSTICA: _________________________
Ao.
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 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
MODA
Discretos
Discretos
PROPORO
D
E
D
A
D
O
S
MDIA
Tendncia
Central
MEDIANA
MODA
Contnuos
Contnuos
VARINCIA
Tendncia de
Disperso
DESVIO PADRO
AMPLITUDE
24
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
__
X=
__
X=
= 3,636
(l-se : mi)
26
todas as
Posio da Mediana =
Ex.:
1; 2; 7;
14;
85
(n + 1)
2
Posio da Mediana =
n=5
(5 + 1)
=3
2
14
85
posio = 1
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
A mediana
estar entre a
posio 3 e a 4
43
54
67
73
86
89
posio = 1
mediana =
27
(67 + 73)
= 70
2
i X
=
( n 1)
__
i X
=
( N)
(para amostra)
(para populao)
Hi stogr am of A; B
Variable
A
B
200
Pouca
variao
Frequency
150
100
Muita
variao
50
12
15
Dat a
18
21
24
29
i X
2 =
( n 1)
__
i X
2 =
( N)
(para amostra)
(para populao)
Ex:
Amostra
9,46
11,06
11,11
10
12
0,15
0,945
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
9,1753
2,5135
6,3177
0,168710
-0,220324
10
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
13,67
5,18
A -S quared
P -V alue
14
5,1831
7,2471
8,9743
11,0719
13,6740
6,52
7,3772
10,9733
8,49
7,1572
11,0768
8,19
1,7289
4,5887
Mean
7,49
10,58
Median
7
10
11
30
= 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
R = mximo mnimo
Ex:
Dados
9,95
10,27
8,66
9,92
8,0
8,18
8,5
9,0
9,5
10,0
10,5
11,0
9,38
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
9,8890
0,8944
0,8000
-0,954642
-0,003324
10
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
8,1800
9,2000
10,1100
10,5525
10,9600
9,2492
10,5288
10,55
10,56
0,46
0,202
10,46
10,96
A -S quared
P -V alue
10,5534
0,6152
1,6329
Mean
Median
9,00
9,25
9,50
9,75
10,00
10,25
10,50
31
R = 10,9600 8,1800
R = 2,78
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
10
11
12
Repeties 2
10
11
13
12
33
= 0
= 1
50%
50%
34
Z-Value
X -6
X -5
-6
-5
X -4
-4
X -3
-3
X -2
X -1
-2
-1
X +1
+1
X+2
+2
X +3
+3
X +4
+4
X +5
+5
X +6
+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.
0.01
0.02
0.03
0.04
0.05
0.0
5.00E-01
4.96E-01
4.92E-01
4.88E-01
4.84E-01
4.80E-01
0.1
0.2
0.3
4.60E-01
4.21E-01
3.82E-01
4.56E-01
4.17E-01
3.78E-01
4.52E-01
4.13E-01
3.74E-01
4.48E-01
4.09E-01
3.71E-01
4.44E-01
4.05E-01
3.67E-01
4.40E-01
4.01E-01
3.63E-01
0.4
0.5
3.45E-01
3.09E-01
3.41E-01
3.05E-01
3.37E-01
3.02E-01
3.34E-01
2.98E-01
3.30E-01
2.95E-01
3.26E-01
2.91E-01
0.6
2.74E-01
2.71E-01
2.68E-01
2.64E-01
2.61E-01
2.58E-01
0.7
0.8
2.42E-01
2.12E-01
2.39E-01
2.09E-01
2.36E-01
2.06E-01
2.33E-01
2.03E-01
2.30E-01
2.00E-01
2.27E-01
1.98E-01
0.9
1.84E-01
1.81E-01
1.79E-01
1.76E-01
1.74E-01
1.71E-01
1.0
1.59E-01
1.36E-01
1.15E-01
9.68E-02
8.08E-02
1.56E-01
1.54E-01
1.52E-01
1.49E-01
1.47E-01
1.33E-01
1.13E-01
9.51E-02
7.93E-02
1.31E-01
1.11E-01
9.34E-02
7.78E-02
1.29E-01
1.09E-01
9.18E-02
7.64E-02
1.27E-01
1.07E-01
9.01E-02
7.49E-02
1.25E-01
1.06E-01
8.85E-02
7.35E-02
1.1
1.2
1.3
1.4
36
Z Table
Exerccio:
Dada a figura abaixo calcule: ZUSL, ZLSL e ZBench
LSL
USL
9
=0,8
= 7,5
ZUSL = USL -
ZLSL = - LSL
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
Probability
,95
,80
,50
,20
,05
,01
,001
5
Fornecedor A
Average: 5,9305
StDev: 0,664074
N: 20
Probability
200
,99
,95
,80
,50
,20
,05
,01
100
,001
62
72
82
92
102
112
122
132
C15
60
70
80
90
100
C15
110
120
130
Average: 71,0997
StDev: 9,23496
N: 1318
,999
,99
,95
Probability
Frequency
,999
300
,80
,50
,20
,05
,01
,001
0
10
20
30
40
50
60
70
80
C17
Average: 64,0987
StDev: 17,4209
N: 526
38
Normality Test
Exerccio:
Verifique se os dados abaixo seguem uma distribuio normal.
Lot1
Lot2
Lot3
Lot4
Lot5
50,9
50,3
50,3
49,0
50,2
50,1
50,2
50,6
50,6
50,1
51,1
49,2
49,0
50,1
52,4
49,2
49,8
50,5
50,0
50,4
48,4
48,5
50,9
51,5
49,1
49,8
51,1
49,0
49,8
49,2
P r obabi l i ty P l ot of L ot1
Hi stogram of L ot1
Normal
Normal
Mean
StDev
N
9
8
99
50,04
0,9111
30
90
80
70
Per cent
Fr equency
5
4
60
50
40
30
20
10
5
1
0
Mean
StDev
N
AD
P-Value
95
48
49
50
51
52
48
49
50
51
Lot 1
Lot 1
39
52
53
50,04
0,9111
30
0,343
0,466
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
DEFINIO
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.
Passos
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.
1: Selecionar Projeto
1.1 Verificar companhia
1.2 Definir o Big Y
1.3 Selecionar o projeto
2: Extrair Y do Projeto
3. Registro do projeto
3.1 Organizar o time
3.2 Determinar metas
3.2 Registro do projeto
Sada
Passo 1
Passo 2
Passo 3
42
Definio
Passos da atividade
Seleo do Projeto
Passo 1
Seleo do Projeto
Propsito
Verificar
Verificar
Negcio
Negcio
Extrair
Extrair
Big
Big Y
Y
Atividade
Ferramenta
- Brainstorming
Selecionar
Selecionar
Projeto
Projeto
- Seleo do Projeto
43
- Votao
Extrao do Y
Passo 2
Extrao do Y do Projeto
Propsito
Anlise do
Processo
Definio
de CTQ
Extrao do
Project Y
Atividade
Ferramenta
- Definir/analisar o
processo
- Planejamento de ao
rpida
- Desenvolver processo
- Estudar a VOC e
relacionamento com
funcionamento do
processo
- Verificar validade
- Decidir prioridades
44
-Mapeamento do
processo de baixo
nvel
- QFD
- FMEA
- Anlise de Pareto
- Brainstorming
- Votao
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
Definir
Metas
Registro do
projeto
Atividade
-Analisar os membros
examinando sua funo no
processo
- Organizar o time
Ferramenta
-
- Definir metas
- Examinar resultado
- Verificar projetos relacionados
45
Ferramentas
Na fase de DEFINIO podemos utilizar algumas ferramentas para ajudar a encontrar e justificar o Y
do projeto. Veremos a seguir:
Y1
Y2
Y4
Y3
Y7
Y5
Y6
Y8
Brainstorming
Brainstorming
Y9
Mapeamento
Mapeamento de
de Processo
Processo
FMEA
FMEA
Grfico
Grfico de
de Pareto
Pareto
QFD
QFD
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
48
Significado
Incio e Fim
Atividade
Deciso
Quando usar
Indica a fronteira do processo em anlise.
Quando for mostrar alguma atividade.
Pontos de Deciso.
Processo Conjuntivo
49
Entradas
Processo
Ferramenta chave
para identificao
de oportunidades de
melhoria
Sadas
50
LG ESP
Zona Secund
ria
LG ESP
LG Korea
LLGG KKOORREEAA
P.O . (D SG )
RREEC
C EEBBIM
IMEN
ENTTOO
CPIA
CPIA DDOOSS DDOOCCss
FFAT
AT UURRAM
AMEN
ENTTO
O
SO
IC IT
A
SOLLIC
ITA
O
O DDEE DDTTAA
NNAA AL
F AN
ALF
ANDDEG
EGAA
EM
EMBBAR
ARQQUUEE
LG
SPP
LGEES
RREC
ECEB
EBIM
IMEN
ENTTOO
PR
A
P RES
ESEN
EN
A DDEE
CCAR
ARGGAA
*
VE
VERRDDEE
AM
LO
AMAR
AREELO
VE
VERRM
MELH
ELHOO
CCIN
INZZAA
TTER
EETTAA
ERM
MOO DDEE
RREESP
SP OONNSSAB
C PP
ABILID
ILIDAD
ADEE SSAN
ANTTOOS,
S, VVC
DDTTAA
PARAMETRIZA O
O
PARAMETRIZA
CONFERNCIAFF SICA
SICA
CONFERNCIA
TTRRAN
ANSSPPOORRTTAD
ADOORRAA
REG
REGISTR
ISTRO
O DDEE D.
D. I.I.
DO
DOC.
C. O
ORRIG
IGIN
INAL
AL
52
Origem
Santos / VCP
Im port
LGESP
Export
System
Start
Trans/Desp
Embarque
solicita DTA
PO
Rep Load
PPL
PO
Load
Pr. Carga
Embar
D.I.
D/B
Key Point
D/B Susp
D/B Isen
Green
Yellow
Red
Gray
NFE
Conf . Fisica
Im port
Parametriza o
Normal
RE
{D.I.
BOM/Laudo
Cp Doc
Em barque
Anlise
Exigen
Doc Origin
Embarque
Concesso
* Ato Concessrio
R.E.
DOCs
Invoice
NFS
EADI
Export
GNT Eagle
Stuf
DTA
SD Detail
App Res
ETA
DECEX / BB
IMS
M-System
IN499
Docs
D/B System
Control
NCM/QTE/
Valor
L.I.
360
dias
B/L
Ent.
Prorro
*
53
Baixa do Ato
54
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:
LGESP
Nome do modelo:
Data:
rea:
Reviso n:
Data da rev.:
Responsvel:
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.
7
Bico jateador entupido:
Viscosidade muito alta;
Temperatura muito baixa;
Presso muito baixa.
Tempo de jateamento
insuficiente.
Controles Atuais do
Projeto
Teste do jateador no
comeo do trabalho e
aps longos perodos
sem uso, e programa de
manuteno para limpar
bicos.
Instrues do operador e
amostragem do lote(10
portas/turno) para checar
aplicao de cera nas
reas crticas.
Aes
N PR
Funo
Causa(s) e
Mecanismos(s)
Potencial(is) da Falha
Deteco
Efeito(s) Potencial(is)
da Falha
Ocorrncia
Modo de falha
potencial
Severidade
Item
Recomendadas
280
Instalar um fim de
curso no jateador .
CTQ
70
Usar projetos de
experimentos(DOE)
na viscosidade X
temperatura X
presso
392
Instalar um timer no
jateador
CTQ
56
500
100
400
80
300
60
200
40
100
20
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
Per cent
Count
Devemos
selecionar os
itens at chegar
em 80%
58
mostrar
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
500
100
400
80
300
60
200
40
100
20
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
Per cent
Count
Devemos atuar nos defeitos A, F e B, pois na somatria das suas % chegamos em 80%, lembre-se
do pensamento 20:80.
60
61
62
11
11
22
33
33
33
44
22
Corte
Corte de
de cabelo
cabelo ee outros
outros servios
servios
33
99
00
00
Programao
Programao da
da hora
hora
11
27
27
99
00
Aceita
Aceita de
de reserva
reserva
00
27
27
99
00
Recrutar
Recrutar
11
99
27
27
66
Manter
Manter os
os funcionrios
funcionrios
11
00
99
00
Planejar
Planejar os
os servios
servios adicionais
adicionais
00
00
00
66
Comprar
Comprar acessrios
acessrios
33
00
00
22
Processo
Processo principal
principal
Total
Total
63
Total
Total
6/17
8/12
Definir (D)
Medir (M)
Analisar (A)
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
Conte
do
7/25
10/30
10/14
Melhorar (I)
Controlar (C)
sveis Xs.
de melhoria.
lhorias.
dados adicionais.
melhoria.
gerenciamento
Few e checagem da
de melhoria.
projeto.
possibilidade de alcan
ar a meta.
one
do Vital Few.
real.
O formulrio acima no foi padronizado e pode ser modificado de acordo com a situao.
64
Registro de Projeto
Innovation
Sponsor
Champion
Reg. N.:
Data do Registro:
Nome do Projeto:
Itens da
Melhoria
Ponto critico
Y(K P I)
Situao Atual
Objetivo
Planejado
Realizado
Classificao
do PJT
Registro Coria
Big Y
Little Y
1P1P
Suporte(Belt) :
Composio do time
Nome
Depto
Papel
Belt
Participao
C
Resultado Qualitativo
Objetivo
Resultado Quantitativo :
Faa Perfeito !
65
Medio
- Entender a importncia da medio.
Metas
- Diagrama de 4 Blocos
Passos
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
Sada
Passo 4
Passo 5
67
Medio
Passo 4
Propsito
Atividade
Ferramenta
-Diagrama de fatores
-Logic Tree
-Matriz X-Y
Preparar o
resumo
dos dados
- Lista
5M1E, Potenciais Xs
Possveis eventos
especiais
Preparar
Plano de
Medies
Verificar a adequao do
sistema de medio.
Verificar o
Sistema de
medio
68
- Gage R&R
Passo 5
Propsito
Coletar
dados do
Y do
Projeto
Medir o
nvel atual
Decidir a
direo da
melhoria
Atividade
- Coletar dados
- Registrar dados
- Resumir item
- Clculo do Nvel
de Sigma (Z-value)
-Definir a direo da
melhoria
69
Ferramenta
- Rational
Sub-grouping
- Capabilidade do
processo
- Anlise
- (Curto/longo prazo)
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
280
290
300
310
320
330
-3
-2
-1
+1
+2
+3
300
310
320
330
270
280
290
-3
-2
-1
70
EIXO de X
EIXO de Z
White Noise:
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).
Resposta Processo
BLACK NOISE
RATIONAL
SUBGROUPS
WHITE NOISE
IMPORTANTE
Tempo
71
Tipos de Gage
Gage R&R Crossed
Dados
utilizado
em
ensaios
destrutivos, ou seja, cada vez
que medimos uma pea ela
destruda no sendo possvel
repetir a medio.
Contnuos
Discreto
IMPORTANTE
ANOVA
X-Bar R
Gage Attribute
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)
Variao Total
Observada
Processo
Black Noise
R&R
Preciso
Bias
Estabilidade
Linearidade
73
Repetibilidade
Reprodutibilidade
Gage R&R
Repetibilidade (equipamento)
Repetibilidade a variao nas medidas
Operador A
operador
medindo
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
caracterstica da pea.
74
mesma
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
Estabilidade
Tempo 2
75
Gage R&R
Linearidade
LSL
USL
a diferena nos valores
atravs da faixa de operao.
Valor
Atual
Valor
Real
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%
: Aceita
: Aceita condicionalmente
% Tol.
30
Troca do Sistema
de medida
Aceito
Condicionalmente
20
OK
0
20
30
78
% Study
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)
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.
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
Exerccio:
Avalie o Gage R&R ao lado,
decida se esta aceito ou
rejeitado.
Justifique sua resposta.
Gage R&R
%Contribution
(of VarComp)
7,76
3,39
4,37
4,37
92,24
100,00
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
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
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
81
%Tolerance
(SV/Toler)
60,47
39,99
45,37
45,37
208,47
217,06
Gage R&R
Tolerncia do Equipamento.
Significado:
% Study Var
% Tolerance
N Categorias
Distintas
N categorias
distintas
Significado
2~4
82
1
* 0,05 = 0,005 [cm]
10
Gage R&R
1 Nesse grfico possvel ver a
variao de cada parte:
Grficos:
O Gage R&R gera o grfico abaixo, onde podemos verificar se este est ou no aprovado.
G age name:
D ate of study :
200
% Contribution
P erc ent
% Study Var
2
Mostra a estabilidade dos
operadores, os pontos devem estar
dentro dos limites UCL e LCL
M e a surem e nt by Part
% Tolerance
100
-2
Gage R&R
Repeat
Reprod
Part-to-Part
C
UCL=0,880
0,5
_
R=0,342
0,0
LCL=0
-2
10
B
Operator
62
_
_
UCL=0,351
X=0,001
LCL=-0,348
-2
A verage
5
P art
Operator
A
B
C
-2
83
5
6
P art
10
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
Mnimo repeties
24
18
12
Regra:
Estatstica
Apropriado
Aceito condicional
Inapropriado
Eficincia
[PE]
90~100 %
80~90 %
Abaixo 80 %
0~5 %
5~10 %
Acima 10 %
Perda
[Pmiss]
0~2 %
2~5 %
Acima 5 %
Importante: cuidado com as medidas de fronteira (ex.: PFA = 5%, pode ser simultaneamente
classificado como Apropriado e Aceito Condicionalmente)
84
Gage Attribute
1
Attribute column: preencher
este campo com a coluna das
medidas dos operadores.
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
2
Samples: preencher este
campo com a coluna dos nmeros de
cada pea.
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
PE
Assessment Agreement
Appraiser
Csar
Mauricio
Pedro
# Inspected
12
12
12
# Matched
6
10
8
Percent
50,00
83,33
66,67
95 % CI
(21,09; 78,91)
(51,59; 97,91)
(34,89; 90,08)
W ithin A ppraisers
A ppraiser vs Standard
100
95,0% C I
P ercent
80
80
60
60
Pe rce nt
Pe rce nt
100
40
20
0
Csar
95,0% C I
P ercent
40
20
Mauricio
A ppr a is e r
Pedro
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)
PMiss
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
Joly
Brbara
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
10
11
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
12
NG
NG
NG
NG
NG
13
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
14
15
NG
NG
NG
NG
NG
NG
NG
NG
NG
NG
88
Gage Attribute
Benedito
PE =
44
* 100 = 97,78%
45
PFA =
Joly
PE =
39
* 100 = 86,67%
45
1
* 100 = 4,17%
8*3
PFA =
0
* 100 = 0%
7*3
PMiss =
PMiss =
Concluso:
Barbar
PE =
40
* 100 = 88,89%
45
5
* 100 = 20,83%
8*3
PFA =
1
* 100 = 4,76%
7*3
PMiss =
Concluso:
1
* 100 = 4,17%
8*3
4
* 100 = 19,05%
7*3
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
Mtricas
Basic Metrics
Bsica
Dados Contnuos
Cp, Cpk
Pp, Ppk
Mtrica
Common
comum
Baseado na qty/proporo
Dados Discretos
Capability
Z(Bench )-Value
Anlysis
(ST,
LT),Zshift
Zshift
ZBench
Taxa de defeito
DPU
PPM
DPO,DPMO
Nvel-de
sigma
Sigma
level,
RTY
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:
Cp/Pp
LSL
USL
Cp = 2.0
Cp = 1.33
Cp = 0.6
Frmulas:
Cpk/Ppk
Cp =
USL LSL
USL LSL
Pp =
6. overall(longo periodo)
6. within(curto periodo)
T k
LSL
Cpk = 1,00
PPU =
USL X
3. overall
PPL =
X LSL
3. overall
Cpk = 0,45
Frmulas:
Cpk = Cp.(1 k)
Ppk = Pp.(1 k)
k=
XT
USL - LSL
2
USL X
3. within
X LSL
CPL =
3. within
CPU =
ou
92
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
L2
L3
L4
L5
8,73
9,66
8,85
10,37
9,05
10,09
9,67
10,86
10,96
11,45
10,21
10,4
9,26
8,73
8,84
11,83
10,51
10,22
8,21
10,25
8,52
9,13
8,76
10,17
10,68
11,71
7,99
10,41
10,03
11,15
Adicionar
dos dados
coluna
Sempre utilizar
esse mtodo
Mean
StDev
N
AD
P-Value
95
90
9,89
1,045
30
0,404
0,335
80
Percent
70
60
50
40
P-value=0,335
P-value=0,335
Dados
Dados normais
30
20
10
5
10
Dados
93
11
12
13
Capability Analysis
2 Passo: Calcular o ZLT
Stat>Quality Tools>Capability Analysis>Normal
Coluna com os
dados
Tamanho
amostra
Spec do
processo
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
USL
Within
Ov erall
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
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
Within P erformance
< LS L
14696,59
> U S L 289127,55
Total
303824,15
10
11
0,54
2,27
0,58
0,19
*
ZLT
LT
12
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)
USL
Within
Ov erall
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
ZST
ST
O v erall C apability
Z.Bench
Z.LS L
Z.U SL
P pk
C pm
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
Within P erformance
< LS L
85804,19
> USL
85804,19
Total
171608,38
10
11
96
12
1,02
1,42
1,42
0,47
*
Capability Analysis
4 Passo: Calcular o ZShift
Para calcular o ZShift utilizamos a seguinte frmula:
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.
2
Nesse quadrante temos
problema somente com a tecnologia,
ser preciso diminuir a variao no
processo
investindo
em
equipamentos.
3
Nesse
problema somente
preciso diminuir o
mdia, diminuindo
Black Noise.
ZShift
NG
1,5
OK
quadrante temos
de controle, ser
deslocamento da
as influncias de
NG
4,5
ZST
OK
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.
USL
Within
Overall
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
Capabilidade
Capabilidade Curto
Curto
Perodo
Perodo (within)
(within)
O v erall C apability
Pp
PPL
PPU
P pk
C pm
Desvio
Desvio Padro
Padro
Longo
Perodo
Longo Perodo
(overall)
(overall)
Desvio
Desvio Padro
Padro
Curto
Curto Perodo
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
PPM
PPM Real
Real da
amostra
amostra
E xp.
PPM
PPM
PPM
Within P erformance
< LS L
14696,59
> U S L 289127,55
Total
303824,15
PPM
PPM estimado
estimado
em Curto perodo
perodo
10
11
12
PPM
PPM estimado
em
em Longo
Longo
perodo
perodo
100
0,47
0,76
0,19
0,19
*
Capabilidade
Capabilidade Longo
Longo
Perodo
Perodo (overall)
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
L2
L3
L4
L5
L6
L7
L8
L9
L10
23,50
21,48
21,91
22,20
23,53
21,71
22,67
22,92
20,98
24,95
22,56
22,34
21,47
24,37
22,43
21,87
22,64
21,44
22,52
21,88
21,92
21,75
21,81
22,46
20,51
22,53
22,69
24,20
22,72
22,13
22,47
21,25
22,05
21,81
22,37
22,96
23,41
22,50
22,77
22,01
20,67
21,86
21,98
21,75
23,41
20,11
22,96
22,00
21,41
22,30
101
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
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
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 =
103
0,1
= 0,05
2
DPU =
Defeito
Total Unidades
DPO =
DPU
Total Oportunida des
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:
Z-value =
DPMO:
104
105
Linha de produo A
Linha de produo B
Taxa de defeito
Nmero de unidade
Nmero total de oportunidade
Nmero total de defeito
DPU
DPO
DPMO
ZST
106
Anlise
Objetivos
- Anlise Grfica
- Interferncia estatstica : Intervalo de Estimativa & Test de Hiptese
Ferramentas
- Anlise de Regresso
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
Sada
Passo 6
Passo 7
108
Anlise
Passo 6
Propsito
Extrair
possveis
Xs
Coletar e
examinar
dados
Fator
Vital
Ferramenta
- Logic Tree
- Fish Bone
- Matriz X-Y
-Examinar o processo
-Extrair/definir o fator
potencial/Possvel X
-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
adicionais
Seleo do
Atividade
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
Atividade
- Definir o Vital Few
- Examinar a causa
fundamental
fundamental
110
Ferramenta
- 5 Porqus
- Logic Tree
Vital Few
Vital Few
- Poucos fatores Controlveis que influenciam a sada.
- Deve existir o fator principal.
Y a varivel dependente.
Xs : Muitas causas
X a varivel independente.
Fatores potenciais
Fatores possveis
Y depende de X.
Entrada
Process/System
Vital Few
Sada (Y)
Xs : Vital Few
Potential
VF
Possible
Y = f(X)
Trivially
Many
Vital
Few
VF
111
N de Causas
Possible
Potential
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)
usando
ferramentas estatsticas.
Seqncia:
- Passo 1 Liste as possveis causas
- Passo 3 Identificar o
Vital Few
Desenhe o Diagrama de
Causa e Efeito (Fish Bone)
Testes Hiptese
Correlao
Histograma
1 Proportion
2 Proportion
Correlao
Chi-square Test
Equao
Regresso
Bar Chart
1 Sample T
2 Sample T
Box Plot
ANOVA
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).
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
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
Dados
Agrupados
Selecionar essa opo
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.
Nota
18,4
19,9
20,4
18,4
21,5
19,2
20,5
20,2
19,9
20,2
20,6
21,7
20,4
19,5
20,4
21,1
17,8
20,4
20,6
21,5
19,5
19,4
19,2
20,3
20,9
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
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
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
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
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.
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
Vital Few
Output (Y)
Vrios Xs
Possveis Xs
Xs Potenciais
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
Brainstorming
125
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
Man Homem
Machine Mquina
Method Mtodo
Material Material
Measure Medida
4P
Place Local
Product Produto
Para fazer a espinha de peixe podemos separar as causas pelo 5M1E, 4P ou Seqncia do Processo.
Price Preo
Promotion - Promoo
Man
Machine
DDC
P
r
e
-he
ate
r
So
lda
Am
Ca
r r in
ho
Material
X4
Elet. Esttica
Es
teir
a
Turnos
Ca
bo
s
Pin
os
Manchado
bie
nte
Oxidao
Umidade X5
Environment
126
C
ha
Lin
Temperatura
B
ha
Lin
X3
Empenado
Riscado
Monitoramento
A
ha
Lin
APC
Revezamento
co
ti
Obsoleto
X2
tom
Au
ira
X1
as
tig
An
lse
Pu
l
ua
Jigs
Ajuste
al
nu
Ma
5S
Vis
Manuseio
Habilidade
Seqncia Linha
so
es
oc al
Pr anu
M
Treinamento
Inspeo
Method
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
No caso de MECE
MECE
A2
B1
B
No caso de no MECE
MECE
C
B2
AB ME, no CE.
Exemplo: animais
A: mamferos B: peixes
MECE
C1
C
MECE
C2
C3
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
CE
ME
A1
A1
A
A2
A1
B1
B1
B2
B1
C1
B3
B2
C1
C1
C2
C1
A1
C2
C3
OK
B1
128
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.
Correlao
Teste Hiptese
Dados Discretos:
1 Proportion;
2 Proportion;
Chi Square Test ()
Dados Discretos:
Chi Square Test ()
Dados Contnuos:
Dados Contnuos:
Normality Test;
1 Sample T;
2 Sample T;
ANOVA;
Test for Equal Variance;
Correlation;
Equao de Regresso.
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
Dados
Grfico
Propsito
* Pareto Chart
Bar Chart
Discretos
Dot Plot
Histograma
Bar Chart
Box Plot
Contnuos
Scatterplot
Matrix Plot
Probability Plot
130
Selecionar essa
opo
Char t of Defeito
77
77
77
Count
77
77
77
77
77
77
77
7
131
B
De feit o
Podemos detalhar mais as informaes no grfico. Como pode ser visto no grfico anterior o pior
70
65
60
defeito o B, verifique se esse defeito o mais crtico em cada uma das 3 linhas.
Count
50
40
30
25
25
20
10
0
B
Defe it o
Selecionar essa
opo
Count
77
77
7
7
7
7
7
7
77
7
7
7
7
7
Defeito
Linha
B
LA
132
B
LB
B
LC
3,08
3,22
133
3,36
3,50
Tens o [V]
3,64
3,78
3,92
For necedor
Fornecedor A
Fornecedor B
Fornecedor C
7,77
7,77
134
7,77
7,77
7,77
Tenso [V]
7,77
7,77
Outliers
Outliers:
3,44185 [V]
3,44973 [V]
Fr equency
40
30
20
10
0
3,00
3,15
3,30
136
3,45
3,60
Tenso [V ]
3,75
3,90
Fornecedor B
40
30
Selecionar
Fr equency
20
10
40
Fornecedor C
30
20
10
desagrupados.
0
3,00 3,15 3,30 3,45 3,60 3,75 3,90
137
Selecionar
7
,7
77
7
7
7
Mean of Tempo
Selecionar
7
,7
7
7
77
7,7
7
77
7
138
Turno A
Turno B
Tur no
Turno C
Selecionar
Selecionar
139
Mximo
10
Te mpo
8,221
Mdia
Mnimo
4
3
Outliers
8,99688
8,50519
Tempo
8
7,16093
7
6
5
4
3
Turno A
140
Turno B
Turno
Turno C
Adicionar
varivel
Adicionar
subgrupos
141
77
Turno A
77
77
77
77
Frequency
7
Tempo
77
Turno B
7
7
77
7
Turno C
77
77
77
77
7
Turno A
Turno B
Tur no
Turno C
77
Tempo
Panel variable: Turno
77
7
Turno A
77
7
Turno B
7 77
Turno A
Mean
7,7
77
StDev 7
,77
77
7
77
77 N
Turno B
77 Mean 7,777
77 StDev 7,777
N
7
77
77
7
Frequency
7
Tempo
7
7
Turno C
77
77
77
77
7
7
Turno A
Turno B
Tur no
Turno C
7 77
Tempo
Panel variable: Turno
142
Turno C
Mean
7,7
77
StDev 7
,77
77
N
7
77
Turno = Turno A
A nderson-D arling N ormality Test
7,7
7,7
7
,7
77,7
A -S quared
P -V alue
7,77
7,777
M ean
S tDev
V ariance
S kew ness
K urtosis
N
7,7777
7,7777
7,7777
-7,7777777
-7,7777777
777
M inimum
7st Q uartile
M edian
7rd Q uartile
M aximum
7,7777
7,7777
7,7777
7,7777
7,7777
7,7777
7,7777
Mean
7,7777
Median
7,77
7
,7
7
7,77
7,7
7
7,77
7,77
7
,7
7
7,7
7,7
7,7
7
,7
77,7
A -S quared
P -V alue
7,77
7,777
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
7,7777
7,7777
7,7777
-7,777777
-7,777777
777
M inimum
7st Q uartile
M edian
7rd Q uartile
M aximum
7,7777
7,7777
7,7777
7,7777
77,7777
7,7777
7,7777
Mean
7,7777
Median
7,7
7,7
7,7
7,7
7,7
7,7
7,7
7
,7
77,7
A -S quared
P -V alue
7,77
7,777
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
7,7777
7,7777
7,7777
-7,777777
-7,777777
777
M inimum
7st Q uartile
M edian
7rd Q uartile
M aximum
7,7777
7,7777
7,7777
7,7777
7,7777
7,7777
7,7777
Median
7,7
77
7,7
77
143
7,777
7,777
7,7
77
7,7777
Mean
7,7
77
7,77
7
7,7777
NO inverter
X com Y
Existe correlao?
Comp. [cm]
20
19
18
17
16
15
14
13
100
105
110
Temp [C]
144
115
120
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
Forte
Fraca
Sem
Negativa Negativa
145
0,3
0,8
Fraca
Positiva
Forte
Positiva
15
22
21
Comp. [cm]
20
19
18
17
16
15
14
13
100
105
110
Temp [C]
146
115
120
Tempo [s]
16
Existe correlao?
147
Adicionar as
variveis
148
Variable
Fornecedor A
Fornecedor B
Fornecedor C
99
95
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
90
80
70
60
50
40
30
20
Foco
10
5
1
0,1
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
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)
verificar
H0 = P-value >0,05
H1 = 1 2 (mdias diferentes)
151
deveria
Teste de Hiptese
Erro e
Erro quando rejeitamos a hiptese
verdadeira. (risco do fornecedor)
Erro quando aceitamos a hiptese
falsa. (risco do cliente)
= erro tipo I
H0 verdadeiro, seleciono H1
= erro tipo II
H1 verdadeiro, seleciono H0
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
95%
2,5%
/2
2,5%
C.L.
C.L. = 1-
C.L. = 0,95
C.L.*100 = 95% Nvel de Confiana
Aceitar H0
/2
(H0).
que
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
Dados
Discretos
Contnuos
Teste Hiptese
Propsito
1 Proportion
2 Proportion
* Normality Test
1 Sample T
2 Sample T
ANOVA
* No um Teste de Hiptese
153
C.L. = (1-)*100
Entrar com os
dados
154
Escolha o H1
P-value: 0,233
No h relao entre o tempo de
soldagem e a quantidade de defeitos.
Entrar com os
dados
155
Entrar com os
dados
H1, pois o valor de
P-value < 0,05
156
garantirmos que os dados que esto sendo analisados seguem uma distribuio Normal.
Abrir o exemplo: Normality Test.mtw
Stat>Basic Statistics>Normality Test
Hi stogr am of Caso A
20
Frequency
15
Normal
99,9
Mean
StDev
N
AD
P-Value
99
Percent
95
90
80
70
60
50
40
30
20
10
5
1
0,1
10
Caso A
11
12
Regra da Normalidade
P-value > 0,05 Dados Normais
P-value < 0,05 Dados no Normais
157
13
9,992
0,9986
100
0,277
0,649
10
10
Caso A
11
12
13
99
95
12,26
2,347
100
1,271
<0,005
25
20
Frequency
90
Percent
Hi stogr am of Caso B
99,9
80
70
60
50
40
30
20
15
10
10
12
Ca so B
15
18
Outliers
0,1
10
15
20
Cas o B
P r obabi l i ty P l ot of Caso C
Normal
Histogr am of Caso C
25
Mean
StDev
N
AD
P-Value
99
80
70
60
50
40
30
20
20
15
P r obability P lot of Caso A; Caso B; Caso C
10
Normal - 95% CI
99,9
Variable
Caso A
Caso B
Caso C
99
95
90
10
5
14,0
14,5
15,0
Caso C
15,5
16,0
Percent
Percent
95
90
15,06
0,4649
100
0,316
0,537
Frequency
99,9
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
80
70
60
50
40
30
20
10
5
1
0,1
1
0,1
13,5
14,0
14,5
15,0
Caso C
15,5
16,0
10
15
Dat a
16,5
Graph>Probability Plot
158
20
Padro
Selecionar
H1
159
acordo
com
P-value
Histogr am of Amostr a 7
77
77
Frequency
77
_
X
77
77
_
X
7
Ho
Ho
_
X
Ho
7
A most ra 7
77
77
7
A most ra 7
160
77
7
A most ra 7
77
77
Concluso: as variaes so
processo, depois de algumas mudanas foi coletado uma nova amostra. Compare a variao dessas 2
iguais ?
A mostr as
F-Test
Test Statistic
P-Value
Amostra 7
Levene's Test
Test Statistic
P-Value
Amostra 7
A mostr as
7,7
7,7
7,7
7
,7
77% B onfer r oni Confidence I nter v als for StD ev s
7,7
Amostra 7
Amostra 7
77
77
77
D ados
161
7,7
7
7
,77
7
7
7
77
7,7
7
7
,77
7
Sempre
usar esse
mtodo
Levenes s
utilizado
para dados
no normais
Sempre ser 0
S selecionar
se as variaes
forem iguais.
Escolher H1
162
De
acordo
com
P-value
Grficos:
77
77
77
77
77
77
Da t a
Da t a
77
77
77
77
Amostra 7
Amostra 7
Amostra 7
163
Amostra 7
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.
Mdia Total
: 36.1
Mdia do Grupo 1 : 26.2
Mdia do Grupo 2 : 36.6
Mdia do Grupo 3 : 45.6
B
A
Mdia Geral
F=
165
De
acordo
com
P-value
Grficos:
Box pl ot of S tr ength by Type
77
77
77
77
77
77
77
St r engt h
St r engt h
77
77
77
77
77
77
77
77
Adhesive 7
Adhesive 7
Ty pe
Adhesive 7
Adhesive 7
166
Adhesive 7
Ty pe
Adhesive 7
r=1
r = -1
r0
X
Correlao Positiva
Correlao Negativa
Sem Correlao
167
Correlao Forte
Positiva
Cust o Manut eno
777
777
777
77
77
77
77
7
168
7
7
7
Te mpo de Us o (anos )
Sempre colocar os
Xs
169
Intervalo de confiana
estimado
Valor previsto
170
Escolher o melhor
modelo
Fi tted L ine P l ot
Custo Manuteno = 77,77+ 77,77Tempo de Uso (anos)
777
Regression
7
7
% CI
7
7
% PI
777
S
R-Sq
R-Sq(adj)
777
777
77
7
7
171
7
7
7
7
Tempo de Uso (anos)
7
7
,77
7
7
7
7
,7
%
7
7
,7
%
Melhoria
Metas
Ferramentas
Etapas
- 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
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
Sada
Fase 8
Fase 9
173
Melhoria
Fase de Ao
Passo 8
Propsito
Atividade
Ferramenta
Extrair
plano de
melhoria
Avaliar o
plano de
melhoria
Selecionar
o plano
timo
- Extrair o plano de
melhoria
- Selecionar o nvel
adequado do fator vital
-Preparar e analisar o
Brainstorming
-Melhoria qualitativa
- Decidir prioridade
174
-Anlise de
experimento
-Mtodo qualitativo
-Votao
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
Executar
/Inspecionar
Elaborar o plano de
performance apropriado
para a tima performance
Inspecionar se atinge a
atravs de uma execuo
piloto ou pela performance
do plano otimizado.
Atividade
Ferramenta
- Elaborar o plano de
performance
175
- A prova de erros
- Anlise da
capabilidade do
processo
Avaliar o plano de
melhoria
Selecione o plano
otimizado
Mtodos Quantitavos
(Check Points)
-O projeto de melhoria final poder atingir o objetivo ?
Checar
Meta
Resultado
da anlise
Causa em que
ocorre o GAP
Introspeco
Obter planos de
melhoria inovadores
Atual
Manter a consistncia
Avaliar
Causa raiz
Sugesto de
projeto de
melhoria
Projeto
de
melhoria
Nvel de
Sigma
Execuo
P
r
o
b
l
e
m
a
Investir/
efeito
Total
Selecionar
177
Passo 8
Estabelecer o plano otimizado
-Brainstorming
Vital(is) Few
Dados
Mensurveis
Tratamento
Estatstico
Brainstorming
4
Matriz de
Priorizao
-Matriz de priorizao
-QFD
Regresso
Logic Tree
DOE
-Otimizao
GLM
Otimizao
QFD
Passo 9
Executar e inspecionar
Execuo e
Inspeo
178
2k fatorial
2 = O nmero de nveis
DOE
Processo de soluo pelo experimento
Conhecimento de campo
(Know-How tecnolgico)
Desenho e prtica
(Decidir fator e nvel )
Coletar
Coletar os
os
dados
dados
Desenho de experimento
Know-How
Anlise
Anlise de dado
dado
Anlise
Anlise de
de disperso
disperso
-- Ps
Ps anlise
anlise
Entrada
Sada
Processo
Y1, Y2...
A,B,C....
DOE
3 princpios para projetar um experimento
Aleatoriedade
: No decidir subjetivamente
Experimento
Replicao e Repetio
Replicao
Design
Aleatoriedade
Replicao
Anlise estatstica
Repetio
Objetividade/
Reprodutibilidade
da anlise de resultado
181
Block e Blocking
Block
Anlise de resultado
Blocking
Anlise de resultado
2. Data
(Resultado)
XXX
Motivao do
Funcionrio
Input
Humor dos
funcionrios
Tipo de
Y
Fatores incontrolvel
Processo :
Fatores controlvel
Horas de Treinamento
Local de Treinamento
P,
Tipo de Treinamento
Local do Treinamento
Nvel de
X
Tipo: 5s e C.A.
Local: LG e Hotel
Repetio
2 vezes
Output
Motivao
Tipo de
Treinamento
G,
(A)
Tipo de Trein.
Mtodo de
experimento
Causa de
Noise
Obs:
182
+
(C.A.)
(5s)
72
68
83
80
Mdia : 77,5 Mdia : 74
60
54
52
45
Mdia : 56Mdia : 49,5
- (LG)
+ (Hotel)
(B) Local
(Resultad
o)
(5s)
72
68
83
80
Mdia : 77,5 Mdia : 74
60
54
52
45
Mdia : 56Mdia : 49,5
da Medio
Replicao
Medio
- (LG)
+ (Hotel)
(B) Local
Item
Treinamento
Local
Satisfao (nota)
5s
LG
60
C.A.
LG
72
5s
Hotel
54
C.A.
Hotel
68
5s
LG
52
C.A.
LG
83
5s
Hotel
45
C.A.
Hotel
80
183
2 Repeties
184
Numero de Fatores
3
2
185
Coloque as respostas na
coluna C7
186
187
Effect
23,000
-5,000
1,500
S = 7,15891
Coef
64,250
11,500
-2,500
0,750
SE Coef
2,531
2,531
2,531
2,531
R-Sq = 84,44%
T
25,38
4,54
-0,99
0,30
P
0,000
0,010
0,379
0,782
R-Sq(adj) = 72,77%
188
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
Resposta Y
Escolha Individual
Escolha Total
Local
75
75
70
70
Mean
Mean of Not a
Tipo
5s
C.A.
65
65
60
60
55
55
50
50
LG
5s
C.A.
LG
OOtipo
tipode
detreinamento
treinamentotem
temuma
umamaior
maior
influncia
influnciana
naresposta
respostaYY(grau
(graude
de
motivao)
motivao)do
doque
queoolocal
localdo
dotreinamento.
treinamento.
Hotel
Local
Hotel
No
Noh
hinterao
interao
OOtreinamento
treinamentona
naLG,
LG,para
paraambos
ambosos
os
treinamentos,
treinamentos,mais
maismotivador
motivadorque
queno
noHotel
Hotel
Aqueles
Aquelesque
quefizeram
fizeramootreinamento
treinamentode
deC.A.
C.A.
esto
estomais
maismotivados
motivadosdo
doque
queaqueles
aquelesque
que
fizeram
fizeramootreinamento
treinamentode
de5s.
5s.
190
49,5
74,0
Hotel
Melhor condio de
motivao para os
funcionrios
Local
56,0
77,5
LG
5s
Tipo
C.A.
Concluso
Podemos
Podemosobservar
observarno
nogrfico
grficoque
quecom
comootreinamento
treinamentode
deC.A.
C.A.tivemos
tivemosuma
uma
melhoria
melhoriaexpressiva
expressivano
nograu
graude
demotivao
motivaodos
dosfuncionrios.
funcionrios.Quanto
Quantolocalidade
localidade
do
dotreinamento
treinamentono
notivemos
tivemosuma
umagrande
grandediferena.
diferena.
Logo,
Logo,quando
quandoanalisamos
analisamosos
osefeitos
efeitoscausados
causadosem
emY,
Y,podemos
podemosverificar
verificarque
queoo
tipo
tipode
detreinamento
treinamentoinfluencia
influenciamuito
muitomais
maisdo
doque
queoolocal
localdo
dotreinamento.
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%)
Processo
Rendimento
Data
00/00/00
Equipamento
de Medida
Nome
Sistema de medida
Y
Char
Y
Fatores Incontrolveis
X
Nvel
Entrada
Processo :
Fatores Controlveis
Sada
Projeto
Fator de
Rudo
Outros
192
Defeito
L, T, S
Temp., Densidade
e Temp. Pr Aquec.
Densidade : 20%,10%
Tempo Pr: 45s,90s
Temperatura: 400F,450F
2 Level (Full)
DOE Exemplo 2
Resultado do experimento
A : Temperatura
- (400 F)
+ (450 F)
C : Tempo Pr Aquecimento
- (45Sec)
B
Densidade
-+-
50.25
59.95
56.05
C : Tempo Pr Aquecimento
+ (90Sec)
- + + 56.46
58.03
54.72
- (45Sec)
++-
66.91
70.16
74.67
+ (90Sec)
+++
74.88
73.12
73.80
+ (20%)
Mdia : 55.42
---
66.63
62.01
57.85
Mdia : 56.40
--+
60.31
60.87
63.93
Mdia : 70.58
+--
77.25
70.33
67.73
Mdia : 73.93
+-+
69.98
67.28
67.54
- (10%)
Mdia : 62.16
Mdia : 61.70
Mdia : 71.77
193
Mdia : 68.27
DOE Exemplo 2
Fatores
K= 3
Fatorial 23
Medio 2
Medio 3
3 Replicaes
Medio 1
Fator
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
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
Anlise Numrica
Fractional
Fractional Factorial
Factorial Fit:
Fit: yy versus
versus Temp,
Temp, Density,
Density, Pre
Pre
AB
BC
ABC
Estimated
Estimated Effects
Effects and
and Coefficients
Coefficients for
for yy (coded
(coded units)
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
93.91 0.000
0.000
8.82
8.82 0.000
0.000
-1.37 0.191
0.07
0.07 0.947
0.947
2.98
2.98 0.009
0.009
-0.12
-0.12 0.904
0.904
1.50
1.50 0.153
0.153
0.98
0.98 0.343
0.343
AC
Source
DF
Seq
Seq SS
SS
Main
33
916.90
Main Effects
Effects
916.90
2-Way
128.41
2-Way Interactions
Interactions 33
128.41
3-Way
10.98
3-Way Interactions
Interactions 11
10.98
Residual Error
16
184.11
Pure
16
184.11
Pure Error
Error
Total
23
Total
23 1240.40
1240.40
Adj
F
P
Adj SS
SS Adj
Adj MS
MS
F
P
916.90 305.63
26.56 0.000
128.41
42.80
3.72
128.41
42.80
3.72 0.033
0.033
10.98
10.98
0.95
10.98
10.98
0.95 0.343
0.343
184.11
11.51
184.11
11.51
DOE Exemplo 2
Anlise Grfica
O importante o quanto a
reta est inclinada.
DOE Exemplo 2
Onde o melhor ponto?
-1,1,1
(1)
-1,1,-1
1,1,1
1,1,-1
MELHOR PONTO:
B
(1)
1,-1,1
-1,-1,1
C
-1,-1,-1
(-1)
1,-1,-1
(-1)
(-1)
OU
MELHOR PONTO:
(1)
Temperatura (450)
Densidade (20)
Tempo (90)
A (1)
B (1)
C (1)
Rendimento = 73,933
197
DOE Exemplo 2
Interpretao dos grficos de Interao
Fator A
Resposta
Fator A
+
Fator B
198
Fator A
Fator A
+
-
Fator B
Fator A
Fator B
Resposta
Resposta
+
-
Fator B
Resposta
Fator B
Fator A
Resposta
Devido a B
INTERAO
ELEVADA
Devido a B
-
INTERAO
SUAVE
Resposta
SEM
INTERAO
Efeito Principal
Fator B
Medio 1
Medio 2
Medio 3
3 Replicaes
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
Fator A
Fator B
Fator C
Resp Y
Blocks
1
1
1
1
1
1
1
1
1
1
1
1
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.
Por meio da aplicao do plano de melhoria, a eficincia da melhoria pode ser
determinada e comparada com os dados da medio do processo.
De acordo com a medio do Y selecionado, pode-se checar a validade da
melhoria quando comparada com o valor de Z ( padro)
Quando no se encontra o nvel esperado de melhoria, avance para o prximo
step ordenadamente.
Pontos de Verificao
So os mesmos como do Y selecionado no processo de medio?
So os mesmos tipos dos dados selecionados na medio do processo?
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.
performance
Parts Supply
Atual
(2001.Maro)
process
Cliente
ASC
0 Dias
In-stock
(Ordem
Normal)
52%
Melhoria
30%
Melhoria
0%
0 Dias
antes
depois
antes
LGEAP
Fbrica
- Overseas
- Domestic
0 Dias
Ordem de
retorno
depois
56%
Melhoria
0 dias
antes
0%
US$ 720K
depois
202
Controle
Metas
Ferra
mentas
Passos
- Passo 10 : Padronizar
- Passo 11 : Monitorar
- Passo 12 : Compartilhar e disseminar o resultado
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
Sada
Passo 10
- Padro de trabalho
Passo 11
Passo 12
204
Note:
Padronizar
Entra
da
Processo
Sada
Vital Few Xs
Melhoria do Processo
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
Padronizar /
documentar
No
Processo
Incontrolvel
Sim
Refletir no
sistema de qualidade
Manual
da Qualidade
Regulamentao do
Padro de Trabalho
Padro de Trabalho
Manter o
resultado da melhoria
Instruo de Trabalho
205
No havendo padronizao do
processo para extrair o resultado do
projeto, no h expectativa do resultado
da melhoria em campo
Poka Yoke
A prova de Erros - (Poka Yoke)
Mtodo Principal
superaquecidos, atravs de um
sensor.
- controle: para parar de ter produtos
com defeito mova-se para o
Esprito
Bsico
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
- O que medir?
- Com que freqncia?
Exemplo
- Quem ir monitorar?
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
207
- Se no controlado, como
encontrar a causa? (Sob qual
padro?)
Estabelecer o objeto
Desenhar a carta
de controle
Diagnosticar
e Avaliar
Causa anormal
Causa contingente
Controle
Melhoria
Manter
208
Cartas de Controle
Carta de Controle
Propsito
Dados de Atributo
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.
209
Cartas de Controle
Diagnstico da Carta de Controle
Diagnstico Padro
A : -3S~-2S ou 2S~3S
B : -2S~-1S ou 1S~2S
C : -1S~Centro ou Centro~1S
3
4
5
1 1
+ 3S
+ 2S
+1S
-1S
-2S
-3S
+ 3S
+ 2S
+1S
-1S
-2S
-3S
A
B
C
C
B
A
2
C
B
A
- No caso da ocorrncia de
padro de anormalidade,
checar a sua causa
Vrios padres de
anormalidade podem
aparecer numa carta de
controle simultaneamente.
A
B
C
Continuous
Attribute
+ 2S
+1S
-1S
-2S
-3S
+ 3S
+ 2S
+1S
-1S
-2S
-3S
+ 3S
A
B
C
+ 2S
+1S
C
B
A
-1S
-2S
-3S
+ 3S
A
B
C
+ 2S
+1S
C
B
A
-1S
-2S
-3S
+ 3S
A
B
C
+ 2S
+1S
C
B
A
-1S
-2S
-3S
210
A
B
C
C
B
A
A
B
C
C
B
A
8
A
B
C
C
B
A
Cartas de Controle
Cartas de Controle para Dados
Contnuos
Tipo de Dado
Contnuo
n=1
Tamanho
da Amostra
Atributo
n>6
Nmero de Falhas
N de defeito/proporo
n = 2~5
Regular
I-MR
Xbar-R
Tamanho
da Amostra
Irregular
Regular
Xbar-S
NP
Tamanho
da Amostra
Irregular
211
Exemplo
212
Estabelea a varivel
213
Sample Mean
UCL=96.66
95
_
_
X=90.30
90
85
LCL=83.94
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
UCL=23.31
Sample Range
20
15
_
R=11.03
10
5
0
LCL=0
1.M
1.A
2.M
2.A
3.M
3.A
4.M
4.A
Date
5.M
214
5.A
6.M
6.A
7.M
7.A
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
215
Cartas de Controle NP
Stat > Control Charts > Attribute Charts > NP
Estabelea a varivel
Estabelea o nmero
entre-grupo
216
Cartas de Controle NP
NP Chart of NC
14
1
1
Sample Count
12
UCL=11.43
10
8
6
__
NP=5.04
4
2
NC vs ID (W.R.T Sales.Q)
12.Tue
11.Tue
10.Tue
9.Tue
8.Tue
7.Tue
6.Tue
5.Tue
4.Tue
3.Tue
2.Tue
LCL=0
1.Tue
14
GT.A
GT.A
12
Date
10
8
NC
GT.A
GT.A
GT.A
LT.A
GT.A
AVGAVG
AVG
LT.A
AVG
AVGAVGAVG
AVG
LT.A
AVG
LT.A
LT.ALT.AGT.ALT.A
LT.A
0
0
10
15
ID
217
20
25
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
218
Cartas de Controle P
Stat > Control Charts > Attribute Charts > P
Estabelea a varivel
219
Cartas de Controle P
P Chart of NC
0.20
UCL=0.1709
Proportion
0.15
0.10
_
P=0.0697
0.05
0.00
T
1.
LCL=0
ue
T
2.
ue
T
3.
ue
T
4.
ue
T
5.
ue
T
6.
ue
T
7.
ue
T
8.
ue
e
e
e
e
Tu .Tu .Tu .Tu
.
9
10
11
12
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
221
Cartas de Controle C
Stat > Control Charts > Attribute Charts > C
Estabelea a varivel
222
Cartas de Controle C
C Chart of NC
25
1
UCL=21.54
Sample Count
20
15
_
C=11.40
10
5
LCL=1.27
0
1
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
Cartas de Controle U
Stat > Control Charts > Attribute Charts > U
Estabelecer a varivel
225
Cartas de Controle U
U Chart of NC
0.7
UCL=0.6970
0.6
_
U=0.5304
0.5
0.4
LCL=0.3638
1
0.3
1.M
2.A
3.E
5.M
6.A
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
05
06 07 08
00%
00%
00%
00%
00%
00% 00%
Premium
Premium
R&D
2 Passo
- Analise detalhada do processo
- CTQ e o Y do projeto
- Folha com plano de Ao Rpida.
Big Y = KPI
Digital
P/O
S/R
S/R
B/L Check
S/R
Draft B/L
Yes
B/L
B/L
0.5 ~ 3
No
B/L
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
Resultado da fase de
Medio
4 Passo
- Criar folha com resumo dos dados
- Folha com o plano de Coleta de dados
- Resultado e contramedida do Gage R&R
4 Block Diagram
5 Passo
- Analisar o resultado da Capabilidade do
Processo
- Diagrama de 4-Blocos
- Direo da melhoria e meta
Z shift
Poor
Control
1.5
Good
4.5
Poor
228
Technology
ZST
Good
Reviso Geral
Resultado da Fase de
Analise
& Mind
6 Passo
- Listar Possveis X
- Selecione o fator vital de uma lista
- Checar se a meta atingvel
CIC
System
60
SSM
40000
45000
35000
40000
30000
35000
25000
20000
B
C
D
30000
25000
8000
7 Passo
- Avaliao sobre a causa raiz dos
fatores vitais.
40
A .Sale s
A .Sale s
45000
10000
1200020000
14000
P.Sale s
Region
Training
229
A .Profit
East
West
No
East
West
Yes
Reviso Geral
Resultado da Fase de
Melhoria
Imagem da Sada Principal
Sigma
Name
A
B
C
D
Term
D
CD
C
A
3
4
5
Standardized Effect
9 Passo
- Folha com o plano de performance
- Verificao / Resultado piloto
- Resultado da Analise: Expressar
financeiramente
230
Reviso Geral
Resultado da Fase de
Controle
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
:
Step
Control
Step 12. /
Control
.
12.
/
Step
1) Define
.
Step 12. /
O utput
Image
1) Define
CTQ :
Spec. : 10%
Y13
Y 12
KP I
Y 12Source
Ta rg e t
I D E
A
K P I
Wo rl db e s
t
Ta rg et
I D E
A
US L
Target
? ( /
k
P
LS L
9 .5000
M
e an
S ampleN
10 .1838
60
Step 3
W ithi n
Ove rall
oi
nt
? (
Cp
0.88
N
ec
CPU
CP L
0.55
1.20
k
P
Cpk
0.55
oi
nt
Cpm
Step 4
Ste p Output
- List
32.66
11.44
Step 3 6.17-
17.62
27.50
9.63- Process Mapping
USL
St De v (Wi th in ) 0.1899 86
StD ev (Ov eral l) 0.3084 07
N
ec
9. 0
Ov erall Ca pabi l it y
Pp
0.54
PPU
0.34
PP L
0.74
Ppk
0.34
9. 5
10. 0
S ample Mean
10.67
3.10
7.56
LSL
10 .5000
*
10.6
10.5
10.4
10.3
10.2
10.1
10.0
9.9
9.8
9.7
9.6
Subgr oup
1.0
Sampl e Range
Dat a
Source
- Data
- Big Y Tree
- CTQ - Spec.
Gage R&R
Step 2
- Big Y Tree
- CTQ Spec.
Proces sD at a
Dat a
Step 2
CTQ :
Spec. : 10%
%Contribution %Study Var %Tolerance
Wo rl d b e s
t
Control
Ste p Output
Step 1
- Big
KPI
Image
O utput
SteYp
Output
01
2) Measurement
KPI
Step 1
- Big Y KPI
01
O utput Image
KPI
0.5
0.0
2166 66. 67
10. 5
11. 0
PP M< LS L
1 59. 49
Xbar/R
Char t 480
for
Y
PPM > US L
40.83
PP M Tota l
482 00.32
PP M To ta l
1
1659 44. 62
U CL= 10.44
Mean= 10.18
LCL= 9.925
1
1
0
10
U CL= 0.9480
R= 0.4483
LC L=0
231
-
- Process Mapping
Step 5
Monitoring
Y, X Spec
.
NO #
12 Passo
- Relatrio de finalizao do projeto
CTQ
Process Map
-
- : X_Bar R Chart or I Chart
- Quick Action /
Human Resource
General Administration
232
Washing Machine
233
GERENTE
234
235
236
237
238