LG Sixsigma 130917050849 Phpapp01

Treinamento 6
Inovao Real
Discurso do CEO
Inovar
Verificar
Vamos mostrar ao mundo do que

somos capazes. Juntos
reconquistaremos a glria da LG
Electronics.
- Continuo Desenvolvimento de
Produtos
- Assegurar a Melhor Qualidade
Executar
-Estratgia de Negcios Focada na

Perspectiva do Cliente
- Nutrir os Excelentes Talentos
- Cultura Organizacional Baseada em
Criatividade e Autonomia
Outubro/2010
1. Rpido
(Vice Chairman Bon Joon Koo)
2. Forte
3. Inteligente
2
ndice
Introduo
05
Estatstica Bsica
19
SIPOC
Ferramentas
21
46
Brainstorming
47
Mapeamento do Processo
49
Coleta de Dados (amostragem)
22
FMEA
54
Tipos de Dados (discretos e contnuos)
23
Grfico de Pareto
57
- Dados Contnuos
QFD
61
Mdia
25
Meta & Cronograma
64
Mediana
27
Estimativa de Ganho e Registro
65
Moda
28
Desvio Padro
29
Varincia
30
Verificar as propriedades do Y do Projeto 68
Amplitude
31
Verificar nvel atual (Z-value)
Medio
66
Resumo
- Dados Discretos
69
Entendendo o Z-value
70
32
Coleta de Dados (Rational Subgrouping)
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
LG Electronics Green Belt [Mfg]
ndice
Clculos
87
Exemplo feito manualmente
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
Calculo ZST/ZLT/ZShift no Minitab 93

Diagrama de 4 Blocos
97
Box Plot
139
Calculo Cp/Cpk/Pp/Ppk no Minitab
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
Examinar a causa raiz
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
Espinha de Peixe (Fish Bone)
126
2 Proportion
155
Logic Tree (MECE)
127
Chi-Square Test
156
Anlise dos Possveis Xs
129
ndice
Dados Contnuos
Execuo e inspeo das Melhorias
Normality Test
157
1 Sample T
159
Test for Equal Variances
161
Padronizar
204
2 Sample T
162
Monitorar
204
ANOVA
164
Compartilhar o Resultado
204
Correlao e Analise de Regresso
Controle
201
203
Resumo
167
Padronizar
205
Correlao
167
Sistema a prova de falhas Poka Yoke
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
Estabelecer o plano otimizado
174
XBar-R
Executar e inspecionar
175
- Dados Discretos
Escolha do Plano de Melhoria
NP
215
179
218
3 Princpios de um Experimento
181
221
Exemplo
182
224
Identificando o Main Effect
187
Reviso Geral
227
Identificando as Interaes
190
Identificando o melhor Ponto (Cube Plot)
191
DOE com 3 Fatores
192
DOE Fracionado
199
DOE (Design of Experiment)
176
212
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
1994
1987 Galvin CEO
SSA
1997
Mikel J Harry, Ph.D
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
*CAGR : Compound Annual Growth Rate
No.1
LG
Inovao e Six Sigma

Inovao
Mudar completamente e renovar.
Inovao e Six Sigma
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
Fora das empresas

Americanas/Europias
Tcnica acumulada
de concorrncia.
Investimento em P&D
Desenvolvimento na rea
de servios
Obteno de tecnologia
exclusiva
6 o motor do gerenciamento de inovao.

10
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%
Filosofia de Gerenciamento
Filosofia de Gerenciamento Six Sigma
Six Sigma o mtodo de execuo que traz resultados para gerncia e funcionrios.
100PPM cortar o caule de uma erva

daninha,
6 extrair a raiz de uma erva
daninha.
6 no significa apenas fazer, mas

fazer eficientemente.
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
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
3
2
66,807
308,537
Processo Defeito
Cap. Mudana
( Hiptese de longo perodo
com deslocamento de 1,5,

processo estvel.)
Colher as frutas cadas

Processo de deciso atravs
de experincia e bom senso
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.
12
3
Quanto mais o nvel de Sigma

diminui, mais o PPM aumenta.
Comparativo
Comparando Qualidade Tradicional com Six Sigma
- Qualidade Tradicional vs Qualidade Six Sigma
Qualidade Tradicional
Qualidade Six Sigma
Organizao Centralizada.
Participantes respondem diretamente dentro

de suas funes
Ausncia de estrutura formal para utilizao de

ferramentas.
Uso estruturado de ferramentas estatstica

para ajudar na soluo de problemas.
Falta de Suporte no uso de ferramentas.
Estrutura de suporte para usurios das

ferramentas
Decises baseadas em dados
Dados misturados com achismo tomada de

deciso.
Abordagem baseada em causa raiz
Abordagem Band-aid (quebra galhos).
Falta de treinamento estruturado.
Treinamento estruturado em todas as

ferramentas aplicveis
Inspees (foco em Y, no resultado).
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
rea
Palavras
Tempo
Distancia
rea ocupada pelo

170 palavras erradas por pgina
Astrodome (Houston-USA) num livro
31,75 anos em 1 Daqui at a Lua

sculo
rea ocupada por um

grande supermercado
4,50 anos em 1
sculo
rea ocupada por uma

1,5 palavras erradas por pgina
pequena loja de Hardware num livro
3,50 meses em 1 Viagem de costasculo

a-costa.
rea ocupada por uma sala 1 palavra errada em 30 pginas

de estar comum
de um livro
2,5 dias em 1
sculo
rea da parte inferior do

seu telefone
1 palavra errada em uma

enciclopdia inteira.
30 minutos em 1 1 ida at o posto

sculo
de gasolina
rea de um diamante
comum
1 palavra errada em todos os

livros de uma pequena livraria
6 segundos em 1 4 passos em
sculo
qualquer direo
rea de um furo de agulha 1 palavra errada em todos os

de costura.
livros de vrias livrarias
25 palavras erradas por pgina

num livro
1 volta e ao
redor da Terra
Dirigir 45 minutos
numa estrada
1 piscada de olho 1 polegada

em 1 sculo
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
S2. Extrair Y do Projeto
1.1 Verificar negcio

1.2 Extrair Big Y
1.3 Selecionar Projeto
2.1 Analisar processo

2.2 Definir CTQ
2.3 Extrair Y do Projeto
S4. Verificar adequao do Y do Pjt

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

5.1 Coletar dados do Y do projeto
5.2 Verificar nvel atual
5.3 Definir direo de melhoria
7.1 Examinar a causa
S9. Executar e Inspecionar
8.1 Extrair o plano de melhoria

8.2 Avaliar o plano de melhoria
8.3 Selecionar o plano timo
S10. Padronizao
3.1 Organizar time

3.2 Determinar metas
3.2 Registro do Projeto
S7. Examinar a causa
S8. Selecionar o plano timo

Melhoria
S3. Entrada do Projeto
9.1 Preparar o plano de execuo

9.2 Executar e inspecionar
S11. Monitoramento
S12. Compartilhar resultado
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
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
Clientes Satisfeitos Voltam Sempre

Custa Menos Fazer Certo da Primeira Vez
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
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.
SUPPLYER
FORNECEDOR
INPUT
ENTRADA
PROCESS
PROCESSO
OUTPUT
SADA
CUSTOMER
CLIENTE
Entrada
O
Sada
Fornecedor
Processo
Todo processo produtivo, gera variaes entre as etapas (SIP)

Que somente so detectadas nas etapas (OC)
Man (Homem)
Causas das variaes do

processo
5M
Machine (Mquina)
Material (Material)
Method (Mtodo)
Measurement (Medida)
1E
Environment (Meio Ambiente)

21
Cliente
Coleta de Dados
Letras Gregas:
POPULAO
AMOSTRA
POPULAO: Conjunto de elementos que apresentam

caracterstica em comum.
PARMETRO: Caracterstica da populao.
AMOSTRA: Subconjunto da Populao.
Quando estamos trabalhando

com a populao utilizamos as
letras gregas para representar
alguma
caracterstica
da
mesma.
Ex.:
ESTATSTICA: Caracterstica da amostra.
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.
Misture bem.
EXERCCIO
Letras Romanas:
Quando estamos trabalhando
com a amostra utilizamos as
letras romanas para representar
alguma
caracterstica
da
mesma.
Ex.:
Pegue uma colher.
POPULAO: __________________________
Mdia = x
Desvio Padro = s
PARMETRO: _________________________
Tome uma deciso.
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
DADOS DISCRETOS ou ATRIBUTOS:

Definem situaes onde os dados do processo, somente podem
assumir valores inteiros, como: Cara ou Coroa, 1, 2, 3, 4.
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
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 :
__
X=
__
X=
Soma de todos os Dados

QTY de Dados
2 + 3 + 10 + 5 + 4 + 4 + 3 + 3 + 1 + 2 + 3
11
= 3,636
- Usa todos os dados

- Fortemente influenciado por valores extremos (outliers)
- Tambm representadas pela letra grega
(l-se : mi)
26
todas as
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;
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
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 :
__
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
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 :
__
i X
2 =
( n 1)
__
i X
2 =
( N)
(para amostra)
(para populao)
Ex:
S ummary for Amostr a
Amostra
A nderson-Darling N ormality Test
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
95% C onfidence Interv al for M ean
6,52
7,3772
10,9733
95% C onfidence Interv al for M edian
8,49
7,1572
11,0768
95% C onfidence Interv al for S tD ev

9 5 % C o n f i d e nc e I n t e r v a l s
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
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
S ummar y for Dados
Ex:
A nderson-D arling N ormality Test
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

9,1335
10,55
10,56
0,46
0,202
10,46
10,96
A -S quared
P -V alue
10,5534

9 5 % C o n f id e n c e I n t e r v a l s
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
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
10
11
12
Repeties 2
10
11
13
12
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:
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
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
9
=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
Probability
,95
,80
,50
,20
,05
,01
,001
5
Fornecedor A
Average: 5,9305
StDev: 0,664074
N: 20
Anderson-Darling Normality Test

A-Squared: 0,257
P-Value: 0,685

400
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

A-Squared: 155,693
P-Value: 0,000
,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

A-Squared: 51,090
P-Value: 0,000
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
b) Verifique a normalidade utilizando o

Normality Test
a) Verifique a normalidade graficamente

(Histograma):
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.
- 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.
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
2.1 Analisar o processo

2.2 Definir o CTQ
2.3 Extrair o Y do projeto
Sada
Passo 1
Passo 2
Passo 3
- 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
42
Definio
Passos da atividade
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
Extrair
Extrair
Big
Big Y
Y
Atividade
Ferramenta
Selecionar o Big Y para resolver

- Verificar o Negcio
o problema no processo e selecionar - Definir KPI
o KPI adequado.
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
- Desenvolver o Little Y - Mapeamento do

Processo
- Analisar processos
- SIPOC
Superiores.
- Brainstorming
Selecionar
Selecionar
Projeto
Projeto
Definir a prioridade do projeto

(projeto detalhado) e selecionar
o objetivo a melhorar.
- Seleo do Projeto
43
- Votao
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
Definio
de CTQ
Extrao do
Project Y
Anlise detalhada dos processos

ligados ao projeto selecionado e
selecionar escopo de aes
rpidas.
Definir CTQ refletindo VOC/VOB
no escopo da melhoria
Extrair o projeto Y onde o efeito

da melhoria preciso e possvel
medir entre os CTQ definidos.
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
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
-
Definir metas do projeto.

Examinar o resultado e verificar
a necessidade de projetos
relacionados.
- Definir metas
- Examinar resultado
- Verificar projetos relacionados
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
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
Liste todas as possveis causas

SABOR (Y):
Tipo de ingrediente limo (1)
Quantidade de acar adicionado
Tipo de gua utilizada
(c) LIMES EXPREMIDO NA HORA:

Onde os limes foram colhidos
Como os limes foram transportados
Idade quando foram espremidos
Como foram espremidos os limes
(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
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
Processo Conjuntivo
Entrada ou sada principal.
Conecta um processo a prxima pgina.
49
Entradas
Processo
Ferramenta chave
para identificao
de oportunidades de
melhoria
Sadas
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
Zona Secund
ria
Zona Prim aria
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
* U tilizao do Ato co ncess

rio no registro
d a D .I. isentan do do pagam ento d o

Im po sto de Im p orta
o e M arin ha M ercan te
52

Exemplo:
Origem
Santos / VCP
Im port
LGESP
Export
System
SCP SAM IMP COM CRE IMP
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
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

Projeto Six Sigma
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.
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.
Tempo de jateamento
insuficiente.
Controles Atuais do
Projeto
Checagem visual a cada

1 hora por turno.
Medir profundidade da
camada.
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
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
56
vio); 10(Perigo sem aviso

to remota); 10(Absoluta
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.
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
P ar eto Char t of Defei tos
Devemos
selecionar os
itens at chegar
em 80%

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.
58
mostrar

Exemplo:
- Digite os dados abaixo no Minitab. Depois siga o caminho abaixo:
Defeitos
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:
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
P ar eto Char t of Defei tos
Devemos atuar nos defeitos A, F e B, pois na somatria das suas % chegamos em 80%, lembre-se
do pensamento 20:80.
60
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
Bom (9
(9 pontos);
pontos); Normal
Normal (3
(3 pontos);
pontos); Ruim
Ruim (1
(1 ponto);
ponto); Sem
Sem valor:
valor: no
no tem
tem ponto
ponto
VOC
VOC
Weight
Weight
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
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
8/12
Definir (D)
Medir (M)
Analisar (A)
1.1 Checar Biz. Issue.
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
1.2 Definio Big Y.

1.3 Selecione o PJT.
Conte
do
7/25
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
10/30
10/14
Melhorar (I)
Controlar (C)
6.1 Extrao de pos-
8.1 Extrao do plano
10.1 Padronizao das me
sveis Xs.
de melhoria.
lhorias.
6.2 Coleta e exame de
8.2 Avaliar o plano de
11.1 Estabelea plano de
dados adicionais.
melhoria.
gerenciamento
6.3 Seleo do Vital
8.3 Selecionar o plano
12.1 Finalize o relatrio do
Few e checagem da
de melhoria.
projeto.
possibilidade de alcan
9.1 Execute/ inspeci-
12.2 Compartilhe o resultado
ar a meta.
one
9.2 Calculo do lucro
do Vital Few.
real.
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:
Leader
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) :
Como fazer a melhoria?
Por que selecionar

este projeto?
Composio do time
Nome
Depto
Papel
Belt
Participao
C
Resultado Qualitativo
Objetivo
Resultado Quantitativo :
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
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
Passo 5
- Preparar folha de resumo de dados

- Relatrio de medies
- Resultado do Gage R&R e aes
- Resultado da anlise do processo

- Diagrama de 4 blocos
- Meta de melhoria e direo
67
Medio
Passo 4. Verificar as propriedades

do Y do Projeto
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
Atividade
Ferramenta
-Diagrama de fatores
-Logic Tree
-Matriz X-Y
Preparar o
resumo
dos dados
Definir a possvel causa de

variao e possvel item a medir.
- Lista
5M1E, Potenciais Xs
Possveis eventos
especiais
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 a adequao do
sistema de medio.
- Verificar as propriedades dos

mtodos/processos e padres
de medio e propriedades
dos equipamentos de medio
Verificar o
Sistema de
medio
68
- Gage R&R
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
Medir o
nvel atual
Decidir a
direo da
melhoria
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.
Definir a direo de melhoria

baseada na atual capabilidade.
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
Coleta de Dados (Rational Subgrouping)

Propsito
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
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.
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
Dados
utilizado
em
ensaios
destrutivos, ou seja, cada vez
que medimos uma pea ela
destruda no sendo possvel
repetir a medio.
Contnuos
Discreto
IMPORTANTE
Gage R&R (Crossed)

No destroi a pea
ANOVA
X-Bar R
Gage R&R (Nested)

danifica a pea
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)
Total = Processo + R&R
Variao Total
Observada
Processo
Variao real do processo

White Noise
Black Noise
R&R
Variao Sistema Medio

Exatido
Preciso
Bias
Estabilidade
Linearidade
73
Repetibilidade
Reprodutibilidade
Gage R&R
Repetibilidade (equipamento)
Repetibilidade a variao nas medidas
Operador A
obtidas com um equipamento de medida

(gage), quando usado vrias vezes pelo
mesmo
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
a variao total nas medies obtidas

com um sistema de medio sobre o mesmo
padro ou valor de referncia num
determinado perodo de tempo.
Tempo 1
Sistema de medidas afeta o resultado

quando tempo se vai por fatores ambientais,
abrasividade, temperatura, umidade, etc.
Estabilidade
Tempo 2
75
Gage R&R
Linearidade
LSL
USL
a diferena nos valores
atravs da faixa de operao.
Valor
Atual
Valor
Real
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%
: Aceita
% Tol ou % Study Var 20%~29%
: Aceita condicionalmente
%Tol ou % Study Var > 30%
: Rejeita. Precisa ser melhorado
% 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)
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
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
Number of Distinct Categories = 4
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
Avalia se o Sistema de Medio capaz de detectar a variao do processo ou

no. Isto significa que esse sistema apropriado.
% Tolerance
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.
N Categorias
Distintas
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.
N categorias
distintas
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.
2~4
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
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. =
82
1
* 0,05 = 0,005 [cm]
10
O equipamento tem que

conseguir medir nessa escala.
Gage R&R
1 Nesse grfico possvel ver a
variao de cada parte:
Grficos:
Part-to-Part variao do processo;
O Gage R&R gera o grfico abaixo, onde podemos verificar se este est ou no aprovado.
Gage R&R Variao sistema de

medio.
A variao Part-to-Part tem que ser
muito maior que a Gage R&R.
Gage R& R (A NOVA ) for Measur ement

Reported by :
Tolerance:
M isc:
G age name:
D ate of study :
200
Com pone nts of Va riation
% 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
3 Mostra o nmero de categorias

distintas, ou seja, a sensibilidade do
equipamento, os pontos devem estar
fora dos limites UCL e LCL.
% Tolerance
100
-2
Gage R&R
Repeat
Reprod
Part-to-Part
Sam ple Range
C
UCL=0,880
0,5
_
R=0,342
0,0
LCL=0
-2
10
B
Operator
Mostra a diferena entre os

5
operadores,
o ideal que a linha
esteja praticamente horizontal.
Ope rator * Pa rt I nte ra ction
62
_
_
UCL=0,351
X=0,001
LCL=-0,348
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.
-2
A verage
Sam ple Mean
M ea sure m e nt by Ope ra tor
Xba r Cha rt by Ope rator

2
5
P art
R Cha rt by Ope ra tor

1,0
Operator
A
B
C
-2
83
5
6
P art
10
Mostra a interao entre os

6
operadores, quanto mais prximo as
linhas melhor ser.
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 peas avaliadas
Mnimo repeties
24
18
12
Regra:
Estatstica
Apropriado
Aceito condicional
Inapropriado
Eficincia
[PE]
90~100 %
80~90 %
Abaixo 80 %
Alarme Falso [PFA]
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
Utilizando o Minitab, faa a anlise.
2
Samples: preencher este
campo com a coluna dos nmeros de
cada pea.
Stat>Quality Tools>Attribute Agreement Analysis

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.
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)
# Matched: Appraiser agrees with him/herself across trials.

Date of study :
Reported by :
Name of product:
Misc:
Assessment Agr eement
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)
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
=
* 100 [%]julga uma pea RUIM como BOA. Esse tipo
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
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
Podemos verificar que

quanto maior a variao
menor ser o Cp/Pp.
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 = 1,5 USL

k
k
Cpk = 1,00
Podemos verificar que

quanto
maior
o
deslocamento menor ser
o Cpk/Ppk.
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
Cpk = min[CPU; CPL]
Ppk = min[PPU; PPL]
Capability Analysis
ZST / ZLT / ZShift
Regra Normality Test:
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
1 Passo: Normality Test.

P r obabi li ty P lot of Dados
Normal
99
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
P-value > 0,05 dados normais.

P-value < 0,05 dados no normais.
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
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
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
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
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
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

Z.Bench 0,95
Z.LS L
1,37
Z.U SL
1,37
C pk
0,46
C C pk
0,46
ZST
ST
Z.Bench
Z.LS L
Z.U SL
P pk
C pm
7
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

P P M < LS L
77373,13
P P M > U SL
77373,13
P P M Total
154746,27
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:
1 Pior quadrante, nessa regio

temos problema tanto de Controle
como de Tecnologia.
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
Esse o melhor quadrante,

todos os pontos esto bons.
1,5
OK
quadrante temos
de controle, ser
deslocamento da
as influncias de
NG
4,5
ZST
OK
O eixo ZST tambm chamado de Tecnologia,

Tecnologia e esta relacionado com a Variao do processo quanto
mais variao pior ser. Essa variao esta relacionada com problemas de White Noise.
O eixo ZShift tambm chamado de Controle,
Controle e esta relacionado com o Deslocamento da Mdia do
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
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

Cp
0,46
C PL
0,73
C PU
0,19
C pk
0,19
C C pk 0,46
Capabilidade
Capabilidade Curto
Curto
Perodo
Perodo (within)
(within)
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)
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

P P M < LS L
11687,24
P P M > U S L 281405,09
P P M Total
293092,34
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
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

Frmulas:
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
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 =
103
0,1
= 0,05
2
DPU =
Defeito
Total Unidades
DPO =
DPU
Total Oportunida des
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:
Z-value =
DPMO:
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
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
- 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
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

Sada
Passo 6
Passo 7
- Lista dos possveis X

- Lista do Vital Few
- Verificar a possibilidade de alcanar a meta
-Explicar e avaliar a causa fundamental extrada atravs

do Vital Few.
108
Anlise
Passo 6. Seleciona o fator vital
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
possveis
Xs
Coletar e
examinar
dados
Fator
Vital
Ferramenta
- Logic Tree
- Fish Bone
- Matriz X-Y
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.
-Examinar o processo
-Extrair/definir o fator
potencial/Possvel X
Selecionar os dados adicionais

focando no possvel X e examinar
sua relao e influncia no Projeto Y
-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
Decidir os fatores vitais que tem

maior influncia no Projeto Y.
Verificar/examinar a possibilidade
de atingir as metas com os fatores
vitais.
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
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
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
Se controlar o X, pode-se melhorar o Y.

Efeitos de Y
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 2 Coletar Dados
Brainstorming para listar as

Possveis causas
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
- Passo 3 Identificar o
Vital Few
Desenhe o Diagrama de
Causa e Efeito (Fish Bone)
Testes Hiptese
Correlao
Histograma
1 Proportion
2 Proportion
Correlao
Scatter Plot / Matrix Plot
Chi-square Test
Equao
Regresso
Bar Chart
1 Sample T
2 Sample T
Box Plot
ANOVA
Dot Plot
Test for equal Variance

112
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

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.
Adicionar a coluna com

os nomes dos dados
que se deseja
desagrupar.
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.
Desagrupe os dados abaixo utilizando o Minitab.

Turma
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

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.
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

deseja colocar a
seqncia.
Digitar as palavras

vai repetir cada palavra.

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
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
Espinha de Peixe (Fish Bone)

5M1E
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
X1 = Diminuir velocidade do Finger
Place Local
Esse X indicado a soluo para o problema, o correto seria: X1 = Velocidade do Finger
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
ABC CE, no ME.

Exemplo: Mulher
A: solteiras B casadas
C: Trabalhando
MECE
C1
C
MECE
C2
C3
127
AB no nem ME nem CE.

Exemplo: Classe de Alunos
A: Bons em matemtica
B: Bons em literatura
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
No foram analisadas todas

as possibilidades em cada
item. No CE
128
Existem causas duplicadas

em alguns itens. No ME
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.
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
Rankear os valores de cada Xs, mostrando o

mais impactante.
Bar Chart
Quantificar os valores de cada Xs, mostrando o

mais impactante.
Discretos
Dot Plot
Verificar a variao do item em anlise.

Tambm possvel identificar Outliers.
Histograma
Verificar a variao do item em anlise.

Tambm possvel identificar Outliers e
possibilidade de ser uma distribuio Normal.
Bar Chart
Fazer comparao entre os fatores/variveis

em anlise.
Box Plot
Fazer comparao entre os fatores/variveis

em anlise.
Possvel verificar outliers.
Contnuos
Scatterplot
Matrix Plot
Probability Plot
Verificar se existe correlao entre o Y e os Xs

Possvel verificar outliers.
Verificar se os dados seguem uma Distribuio

Normal.
* J foi visto anteriormente
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
77
77
77
Count
77
77
77
77
77
77
77
7
131
B
De feit o
Dados Discretos Bar Chart

Char t of Defeito
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
Char t of Li nha; Defei to

77
77
Count
77
77
7
7
7
7
7
7
77
7
7
7
7
7
Defeito
Linha
B
LA
132
B
LB
B
LC
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
133
3,36
3,50
Tens o [V]
3,64
3,78
3,92

Separando os dados por fornecedores.
Dotpl ot of Tenso [V] v s For necedor
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 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
Clicar boto direto do

mouse sobre o grfico
135
Outliers:
3,44185 [V]
3,44973 [V]
Dados Contnuos Histograma

Histograma
Vamos utilizar o mesmo exemplo do grfico anterior.
Abrir o exemplo: Dot-plot.mtw
Graph> Histogram
Histogr am of Tenso [V]

50
Fr equency
40
30
20
10
0
3,00
3,15
3,30
136
3,45
3,60
Tenso [V ]
3,75
3,90
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
Selecionar
Fr equency
20
10
40
Fornecedor C
30
Os dados devem estar
20
10
desagrupados.
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

77
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
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
Mximo
10
3 Quartil 75% dos dados
Te mpo
8,221
Mediana 50% dos dados
Mdia
1 Quartil 25% dos dados
Mnimo
4
3
Outliers
Separando por Turnos:

Box pl ot of Tempo v s Tur no
11
10
9
8,99688
8,50519
Tempo
8
7,16093
7
6
5
4
Graph> Box Plot
3
Turno A
140
Turno B
Turno
Turno C
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
Hi stogr am of Tempo by Turno
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
Box plot of Tempo by Tur no
Histogr am (w ith N or mal Cur ve) of Tempo by Tur no
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
Dados Contnuos Graphical Summary

Graphical Summary
S ummar y for Tempo
Tem a mesma funo da ferramenta anterior, mas
Turno = Turno A
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
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

7,7777
77% C o n f i d e n c e I n te r v a l s
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
S ummar y for Tempo

Turno = Turno B
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

7,7777
7,7777

7,7777
Mean
7,7777
Median
7,7
7,7
7,7
7,7
S ummar y for Tempo

Turno = Turno C
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

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
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
Existe correlao?
S catter pl ot of Comp. [cm] vs Temp [C]

22
21
Comp. [cm]
20
19
18
17
16
15
14
13
100
105
110
Temp [C]
144
115
120
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
Forte
Fraca
Sem
Negativa Negativa
145
0,3
0,8
Fraca
Positiva
Forte
Positiva
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
15
22
21
Comp. [cm]
20
19
18
17
16
15
14
13
100
105
110
Temp [C]
146
115
120
Tempo [s]
16
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
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 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
A possibilidade de aceitar H0 alta
Diferena entre amostra e padro

Grande
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)
verificar
H0 = P-value >0,05
H1 = 1 2 (mdias diferentes)
H1 = P-valeu < 0,05

Mas como definir entre as hipteses H0 e H1?
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.
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
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 ().
Aceitar H0
/2
(H0).
que
*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
Dados
Discretos
Contnuos
Teste Hiptese
Propsito
1 Proportion
Comparar 1 proporo com um padro.
2 Proportion
Comparar 2 propores entre si.
Chi Square Test
Comparar a relao entre 2 ou mais

propores
* Normality Test
Verificar se os dados seguem uma distribuio

normal.
1 Sample T
Comparar a mdia de 1 amostra com um

padro.
2 Sample T
Comparar a mdia entre 2 amostras
Test for Equal

Variance
Comparar a variao entre 2 ou mais amostras.
ANOVA
Comprar a variao da mdia entre 2 ou mais

amostras
* No um Teste de Hiptese
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)
C.L. = (1-)*100
Concluso: a seqncia do processo era

Vital Few?
Entre com o Padro

Escolha o H1
Entrar com os
dados
H1, pois o valor de

P-value < 0,05
154
Sim, pois P-value =0,000 < 0,05, Vital

Few.
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)
2 Proportion
H0 PAntes = Patual
H1 PAntes > Patual
3 Fazer o teste no Minitab: (Stat>Basic Statistics>2 Proportion)
C.L. = (1-)*100
Concluso: o tempo de soldagem do

processo era Vital Few?
Sempre ser 0,0
H0 O processo no Vital Few.
Escolha o H1
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
Chi-Square Test
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
Concluso: os dados so normais ?
garantirmos que os dados que esto sendo analisados seguem uma distribuio Normal.
Abrir o exemplo: Normality Test.mtw
Stat>Basic Statistics>Normality Test
* Importante: s calculamos a normalidade para dados CONTNUOS.
Hi stogr am of Caso A
20
P robabi l ity P l ot of Caso A
Frequency
15
Normal
99,9
Mean
StDev
N
AD
P-Value
99
Percent
95
90
80
70
60
50
40
30
20
10
Entrar com os dados
5
1
0,1
10
Caso A
11
12
Sempre utilizar esse

mtodo
Regra da Normalidade
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
Dados Contnuos Normality Test

P r obabi l i ty P l ot of Caso B
Normal
Mean
StDev
N
AD
P-Value
99
95
12,26
2,347
100
1,271
<0,005
25
20
Frequency
90
Percent
Concluso: os dados so normais ?
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
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
1 Sample T
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
P-value
aceitamos H1, pois o valor menor

do que 0,05.
Grficos:
Box pl ot of Amostr a 7
Histogr am of Amostr a 7
Indi vidual Val ue P lot of Amostr a 7
(with Ho and 77% t-confidence interval for the mean)
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
Dados Contnuos 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
Concluso: as variaes so
processo, depois de algumas mudanas foi coletado uma nova amostra. Compare a variao dessas 2
iguais ?
amostras e decida se so iguais ou no. (=0,05).

Abrir o exemplo: Exemplo A.mtw
P-value Amostra 1 = 0,817 dados normais
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
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

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
2 Homogeneidade das amostras (Test For Equal Variances):
P-value = 0,728 as variaes so homogenias.
H0 Xantes = Xatual
H1 Xantes > Xatual
4 Fazer o teste no Minitab: (Stat>Basic Statistics>2 Sample T)
Sempre ser 0
S selecionar
se as variaes
forem iguais.
Escolher H1
162
De
acordo
com
P-value

do que 0,05.
Grficos:
Indiv i dual Value P lot of Amostr a 7; Amostr a 7
77
77
77
77
77
77
Da t a
Da t a
Box plot of Amostr a 7; Amostr a 7
77
77
77
77
Amostra 7
Amostra 7
Amostra 7
163
Amostra 7
Dados Contnuos ANOVA

Entendendo
Entendendo ANOVA
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.
Se h 3 grupos, ns podemos calcular 4 mdias diferentes.

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
Mdia Total
: 36.1
Mdia do Grupo 1 : 26.2
B
A
Se a taxa de variao entre os subgrupos e a variao dentro dos
Mdia Geral
subgrupo grande, ns podemos dizer que h uma grande

diferena entre os subgrupos
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
P-value Adesivo 1 = 0,734 dados normais
2 Homogeneidade das amostras (Test For Equal Variances):
P-value = 0,452 as variaes so homogenias.
H0 Mdias Iguais
H1 Mdias Diferentes
4 Fazer o teste no Minitab: (Stat>ANOVA>One Way)
165
De
acordo
com
P-value

do que 0,05.
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
Indi vi dual Val ue P l ot of S tr ength v s Ty pe

77
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
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
r = -1
r0
X
Correlao Positiva
Correlao Negativa
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)

777
777
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 )

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
Valor previsto
Colocar o valor que deseja-se prever.
170

Podemos verificar o comportamento do processo graficamente.
Escolher o melhor
modelo
Fi tted L ine P l ot
Custo Manuteno = 77,77+ 77,77Tempo de Uso (anos)
777
Clicar nessas opes
Regression
7
7
% CI
7
7
% PI
Cust o Manut eno
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
- Brainstorming, Logic Tree, Matriz de Priorizao, QFD (reviso)

- Regresso (reviso) e Design de Experimento (DOE)
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 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
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
Fase 9
- Planilha de execuo do plano

- Verificao dos resultado sobre o piloto
- Anlise de resultado : demonstrado financeiramente
173
Melhoria
Fase de Ao
Passo 8

Avaliar /Comparar os vrios planos de melhorias de diferentes ponto de vista e
selecionar o melhor plano prtico
Propsito
Atividade
Ferramenta
Extrair
plano de
melhoria
Extrair vrios planos de

melhoria que podem eliminar a
causa fundamental
Avaliar o
plano de
melhoria
Avaliar o plano de melhoria

de diferentes pontos de vista.
Selecionar
o plano
timo
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.
- 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
-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
- Executar o plano timo

- Inspecionar o plano
timo
175
- A prova de erros
- Anlise da
capabilidade do
processo

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
Avaliar o plano de
melhoria
Selecione o plano
otimizado
Mtodos Quantitavos
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
(Check Points)
-O projeto de melhoria final poder atingir o objetivo ?
Checar
Considere o mximo de variedade de

planos possveis.
Selecione o plano que atenda o seu
objetivo
Reflita sobre o novo plano de
melhoria
- Existe algum impacto sobre outra escala/funo do

processo?
- Pode o plano de melhoria eliminar toda a causa raiz?
- A performance padro concreta?
176
Elabore as caractersticas do plano

Benchmarking avanado
Aprenda com os mais experientes

Extrair
Diagnstico
GAP
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
A sabedoria de uma organizao

com a mente inovadora
importante para o projeto de
melhoria contnua.
177

Extrair o plano de melhoria:
Passo 8
-Brainstorming
Vital(is) Few
Avaliar plano de melhoria:

-Logic Tree
Dados
Mensurveis
-Avaliao da Influncia das

variveis (DOE)
-Regresso
Tratamento
Estatstico
Brainstorming
4
Matriz de
Priorizao
-Matriz de priorizao
-QFD
Regresso
Logic Tree
Selecionar o plano de melhoria:
DOE
-Otimizao
GLM
Otimizao
QFD
Passo 9
Execuo e
Inspeo
178
Brainstorming: ver pg. 47
Logic Tree: ver pg. 127
QFD: ver pg. 60
Regresso: ver pg. 167
DOE: ser visto na Melhoria
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 )
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
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
Sada
Processo
Y1, Y2...
A,B,C....
Fatores controlveis (Xs)

180
DOE
3 princpios para projetar um experimento
Aleatoriedade
: No decidir subjetivamente
- Entender o princpio bsico do experimento.
(1) Permitir a aleatoriedade de cada item

no experimento
(2) Fazer o experimento aleatoriamente
Experimento
Replicao e Repetio
Replicao
Design
Aleatoriedade
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.
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?
Anlise estatstica
Repetio
Objetividade/
Reprodutibilidade
da anlise de resultado
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.
181
: Repetir algumas condies do

experimento
Block e Blocking
Block
Anlise de resultado
: Grupo de experimentos em condies

idnticas (unidade).
Blocking
: Classificao de todas as condies
da experincia em um s bloco
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.
Blocking
:Repetir todas as condies do

experimento
Anlise de resultado
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
2. Data
G=Grande, P=Pequeno e A=Alvo
(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
Full Fatorial Nvel 2

Humor
+
(C.A.)
(5s)
72
68
83
80
Mdia : 77,5 Mdia : 74
60
54
52
45
Mdia : 56Mdia : 49,5
- (LG)
+ (Hotel)
(B) Local
DOE Exemplo DPC

(A)
Tipo de Trein.
+
(C.A.)
(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)
Fator A = Tipo de Treinamento

(-1) Baixo = 5s
( 1 ) Alto = C.A.
Fator B = Local de Treinamento
(-1) Baixo = LG
( 1 ) Alto = Hotel
+ (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
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
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%
Analysis of Variance for Nota (coded units)

Source
Main Effects
2-Way Interactions
Residual Error
Pure Error
Total
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
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
Inter acti on P lot (data means) for N ota

80
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
DOE Exemplo DPC

Cube P l ot (data means) for N ota
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
- C : Tempo de Pr Aquecimento(45 Seg, 90 Seg)
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
Pareto Chart of the Standardized Effects
Fractional
Fractional Factorial
Factorial Fit:
Fit: yy versus
versus Temp,
Temp, Density,
Density, Pre
Pre
(response is Y Rendim, Alpha = ,10)

A: Temperat
B: Densidad
C: Tempo
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
Analysis of Variance for y (coded

(coded units)
units)
C
Fator A (Temperatura) tem

significncia
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
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)
Interao Temperatura x Densidade

tem significncia
195
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,-1
Considerando que quanto maior o

rendimento melhor.
Nossa melhor situao :
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
Sem Efeito Principal
Resposta
SEM
INTERAO
Efeito Principal
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
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
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
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.
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
- 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
203
A fase de controle aquela que

mantm a melhoria alcanada na
melhor condio. importante
para estabelecer o Sistema de
Monitoramento correto.
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
Passo 12. Disseminar/

Compartilhar Resultado
12.1 Relatrio de Concluso
do Projeto
12.2 Compartilhar/Disseminar
11.1 Estabelecer o plano

de gerenciamento
Sada
Passo 10
- Padro de trabalho
Passo 11
- Plano Futuro/ Plano de gerenciamento
Passo 12
- Relatrio de Concluso do Projeto
204
Note:
Padronizar
- Adequao, praticidade dos contedos
- Estabelecer o plano padro de operao do processo para entender o sistema de

qualidade prtico e para manter continuamente o resultado da melhoria.
necessrios para o trabalho de

gerncia, gerncia da atividade da
produo, de su-porte na vista da gerncia
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
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
Estrutura do Sistema de Qualidade
- sem contraposio lei, aos padres

nacionais, ou poltica da empresa.
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
-Reflete no trabalhar adiantado para minimizar o efeito causado pelo erro.

-Estabelecer o padro para que o erro no ocorra.
Qualquer um que faa uma bobagem,

nada de errado ocorrer
superaquecidos, atravs de um
sensor.
- controle: para parar de ter produtos
com defeito mova-se para o
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
- pare : erros/defeitos ocorridos ou

esperados
: Carros automticos no ligam
com a marcha no nvel D.
: Secadores de cabelo param se
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
Note que para o Sistema de

Monitoramento
Para decidir contedos detalhados (tempo, meta de medio, departamento, etc.) do

sistema regular de monitoramento.
- O que medir?
- Com que freqncia?
Exemplo
- Como deve ser controlado?

(Sob qual padro?)
Responsabilidade do Controle do CTQ
- Quem ir monitorar?
- 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
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
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?)
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 o objeto
Estabelecer plano de ex : Nmero de grupo da amostra

extrao de amostra com o nmero de grupo
Desenhar a carta
de controle
Diagnosticar
e Avaliar
Causa anormal
Causa contingente
Controle
Melhoria
Manter
208
Cartas de Controle
Carta de Controle
Propsito
- Mtodo que busca deixar o processo em condio estvel

- Processo estatstico que pode detectar mudana da qualidade num processo contnuo
Manter e melhorar a qualidade atravs

de busca de especialidade no
processo, corrigindo e mantendo o
processo estvel.
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:
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.
209
Enfatiza o controle do Xs alm

do resultado do processo (Y).
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
2. Aparecer 9 ea do valor de controle

continuamente acima ou abaixo da
linha central.
4. 14 ea do valor de controle aparecem

acima e abaixo da linha central
regularmente.
+ 3S
+ 2S
+1S
-1S
-2S
-3S
+ 3S
Vrios padres de
anormalidade podem
aparecer numa carta de
controle simultaneamente.
1. No caso de certo valor de controle

exceder a linha de limite do controle.
(3)
3. 6 ea do valor de controle aumentam

ou diminuem continuamente.
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

na regio A em um lado da linha
central (acima ou abaixo) entre 3 ea do
valor de controle.
A
B
C
C
B
A
A
B
C
C
B
A
8
A
B
C
C
B
A

na regio A ou B em um lado da linha
central (acima ou abaixo) entre 5 ea do
valor de controle.
na regio C em um lado do centro em
ordem.
em ordem na regio A ou B em um
lado da linha central.
Cartas de Controle
Cartas de Controle para Dados
Contnuos
Tipos de Carta de Controle
Use o valor medido da mquina e em

geral, faa a carta de controle individual
de
caractersticas
de
qualidade
peculiares.
Tipo de Dado
Contnuo
n=1
Tamanho
da Amostra
Use a Carta Xbar-R quando o

tamanho da pea/parte for menor
do que 10 ea.
Atributo
n>6
Nmero de Falhas
N de defeito/proporo
Cartas de Controle para Dados

Atributos
n = 2~5
Regular
I-MR
Xbar-R
Tamanho
da Amostra
Irregular
Regular
Xbar-S
NP
Tamanho
da Amostra
Irregular
211
Desenhe para checar a estabilidade do

processo com a coleta de dados atributos
e uma carta de controle prove a
informao da distribuio.
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
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
Resumo dos Dados
215
Stat > Control Charts > Attribute Charts > NP
Estabelea a varivel
Estabelea o nmero
entre-grupo
216
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
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.
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
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
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
Resumo dos Dados
221
Stat > Control Charts > Attribute Charts > C
Estabelea a varivel
222
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
Stat > Control Charts > Attribute Charts > U
Estabelecer a varivel
Escolher todos os teste possveis
225
U Chart of NC
Sample Count Per Unit
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
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
Sada por passos (steps)

1 Passo
- Definio do VOC/VOB
- Analise superficial do processo
- Extrair Little Y atravs do
desenvolvimento do Big Y
Imagem da Sada Principal

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
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
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
Sada por Passos

Possible Xs
& Mind
6 Passo
- Listar Possveis X
- Selecione o fator vital de uma lista
- Checar se a meta atingvel
CIC
System
Matr ix P l ot of A.S al es vs P .S ales, A.Pr ofi t

20
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
Box pl ot of A.S al es v s Tr ai ni ng,

R egi on
A
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
Melhoria
Sada por Passos

8 Passo
- Resultado do teste desenvolvido e lista
de analise/plano melhoria.
- Selecione o plano timo
- Deve ser mapeado/processo
redefinido
Sigma
Pareto Chart of the Standardized Effects

(response is Response, Alpha =.05)
2.228
Factor
A
B
C
D
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
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
:
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
Pot ent ia l (W ithi n)Ca pabil it y
? (
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
Obse rv ed Perfo rmanc e

PP M< LS L
166 66. 67
P PM > US L
2000 00. 00
PP M To ta l
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
Process Capa bility Anal ys is for Y
CTQ :
Spec. : 10%
%Contribution %Study Var %Tolerance
Total Gage R&R

Y13Repeatability
Reproducibility
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
E xp. " Wi th in" Per fo rman ce
Exp . "Over all" Per fo rm an ce

PP M< LS L
133 00. 99
PPM > USL
1526 43. 63
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 /
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

LG Sixsigma 130917050849 Phpapp01

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

LG Sixsigma 130917050849 Phpapp01

Загружено:

Авторское право:

Доступные форматы

Treinamento 6

Vamos mostrar ao mundo do que

-Estratgia de Negcios Focada na

(Vice Chairman Bon Joon Koo)

Coleta de Dados (amostragem)

Tipos de Dados (discretos e contnuos)

Meta & Cronograma

Estimativa de Ganho e Registro

Verificar as propriedades do Y do Projeto 68

Verificar nvel atual (Z-value)

Coleta de Dados (Rational Subgrouping)

LG Electronics Green Belt [Mfg]

Exemplo feito manualmente

Calculo ZST/ZLT/ZShift no Minitab 93

Calculo Cp/Cpk/Pp/Ppk no Minitab

Examinar a causa raiz

Espinha de Peixe (Fish Bone)

Logic Tree (MECE)

Anlise dos Possveis Xs

LG Electronics Green Belt [Mfg]

Execuo e inspeo das Melhorias

Test for Equal Variances

Correlao e Analise de Regresso

Sistema a prova de falhas Poka Yoke

Estabelecer o plano otimizado

Escolha do Plano de Melhoria

Identificando o Main Effect

Identificando o melhor Ponto (Cube Plot)

DOE com 3 Fatores

DOE (Design of Experiment)

LG Electronics Green Belt [Mfg]

- Entender o conceito de inovao e a importncia da atividade da Inovao.

LG Electronics Green Belt [Mfg]

6 a linguagem comum para nossa companhia.

1987 Galvin CEO

Mikel J Harry, Ph.D

LG Electronics Green Belt [Mfg]

*CAGR : Compound Annual Growth Rate

Inovao e Six Sigma

Inovao e Six Sigma

Fora das empresas

6 o motor do gerenciamento de inovao.

Por que a atividade de inovao

100PPM cortar o caule de uma erva

6 no significa apenas fazer, mas

Colher frutas doces

Melhora defeitos 68 vezes

com deslocamento de 1,5,

Colher as frutas cadas

Nvel de (Sigma)- a medida estatstica que reflete a capabilidade do

Quanto mais o nvel de Sigma

Qualidade Six Sigma

Participantes respondem diretamente dentro

Ausncia de estrutura formal para utilizao de

Uso estruturado de ferramentas estatstica

Falta de Suporte no uso de ferramentas.

Estrutura de suporte para usurios das

Dados misturados com achismo tomada de

Treinamento estruturado em todas as

Inspees (foco em Y, no resultado).

Entradas de controle de processo (foco em

rea ocupada pelo

31,75 anos em 1 Daqui at a Lua