Treinamento Six Sigma LG Electronics

238
Treinamento 6σ

description

Treinamento Six Sigma LG Electronics

Transcript of Treinamento Six Sigma LG Electronics

Page 1: Treinamento Six Sigma LG Electronics

Treinamento 6σ

Page 2: Treinamento Six Sigma LG Electronics

2

Inovação Real

Inovar

Verificar

Executar

1º. Rápido

2º. Forte

3º. Inteligente

Discurso do CEO

Vamos mostrar ao mundo do que somos capazes. Juntos reconquistaremos a glória da LG Electronics.

- Continuo Desenvolvimento de Produtos

- Assegurar a Melhor Qualidade

-Estratégia de Negócios Focada na Perspectiva do Cliente

- Nutrir os Excelentes Talentos

- Cultura Organizacional Baseada em Criatividade e Autonomia

Outubro/2010(Vice Chairman Bon Joon Koo)

Page 3: Treinamento Six Sigma LG Electronics

Índice

3LG Electronics Green Belt [Mfg]

Introdução 05

Estatística Básica 19

SIPOC 21

Coleta de Dados (amostragem) 22

Tipos de Dados (discretos e contínuos) 23

- Dados Contínuos

Média 25

Mediana 27

Moda 28

Desvio Padrão 29

Variância 30

Amplitude 31

- Dados Discretos

Proporção e Moda 32

Variação Natural 33

Distribuição Normal 34

Z-Table 36

Normality Test 38

Deslocamento da Média 40

Definição 41

Resumo

Seleção do Projeto 43

Extração do Y 44

Registro do Projeto 45

Ferramentas 46

Brainstorming 47

Mapeamento do Processo 49

FMEA 54

Gráfico de Pareto 57

QFD 61

Meta & Cronograma 64

Estimativa de Ganho e Registro 65

Medição 66

Resumo

Verificar as propriedades do Y do Projeto 68

Verificar nível atual (Z-value) 69

Entendendo o Z-value 70

Coleta de Dados (Rational Subgrouping) 71

Tipos de Gage 72

Gage R&R 73

Repetibilidade / Reprodutibilidade 74

Bias / Estbilidade 75

Linearidade 76

Regra de Thumb 78

Exemplo 79

Gráficos 83

Gage Attribute 84

Exemplo MInitab 85

Page 4: Treinamento Six Sigma LG Electronics

Índice

4 LG Electronics Green Belt [Mfg]

Cálculos 87

Exemplo feito manualmente 88

Calculando o Z-value 90

Dados Contínuos

Capability Analysis 91

Fórmulas CP/PP/Cpk/Ppk 92

Calculo ZST/ZLT/ZShift no Minitab 93

Diagrama de 4 Blocos 97

Calculo Cp/Cpk/Pp/Ppk no Minitab 99

Dados Discretos

DPU/DPO/DPMO 102

Exemplo 103

Análise 107

Resumo

Selecionar o fator Vital 109

Examinar a causa raiz 110

Vital Few 111

Introdução 112

Introdução ao Minitab 113

Extrair Possíveis X’s 125

Espinha de Peixe (Fish Bone) 126

Logic Tree (MECE) 127

Análise dos Possíveis X’s 129

Análise Gráfica 130

- Dados Discretos

Bar Chart 131

- Dados Contínuos

Dot Plot 133

Histograma 136

Bar Chart 138

Box Plot 139

Descriptive Statistics 141

Graphical Summary 143

Scatter Plot 144

Correlation 145

Matrix Plot 146

Probability Plot 148

Testes de Hipótese 150

Definição 151

Erros (α e β) 152

Tipos de Teste 153

- Dados Discretos

1 Proportion 154

2 Proportion 155

Chi-Square Test 156

Page 5: Treinamento Six Sigma LG Electronics

Índice

5 LG Electronics Green Belt [Mfg]

Dados Contínuos

Normality Test 157

1 Sample T 159

Test for Equal Variances 161

2 Sample T 162

ANOVA 164

Correlação e Analise de Regressão 167

Correlação 167

Exemplo 168

Equação de Regressão 169

Gráfico 171

Melhoria 172

Resumo

Estabelecer o plano otimizado 174

Executar e inspecionar 175

Escolha do Plano de Melhoria 176

DOE (Design of Experiment) 179

3 Princípios de um Experimento 181

Exemplo 182

Identificando o Main Effect 187

Identificando as Interações 190

Identificando o melhor Ponto (Cube Plot) 191

DOE com 3 Fatores 192

DOE Fracionado 199

Execução e inspeção das Melhorias 201

Controle 203

Resumo

Padronizar 204

Monitorar 204

Compartilhar o Resultado 204

Padronizar 205

Sistema a prova de falhas Poka Yoke 206

Sistema de Monitoramento 207

Cartas de Controle 209

Regras da Carta 210

Tipos de cartas 211

- Dados Contínuos

XBar-R 212

- Dados Discretos

NP 215

P 218

C 221

U 224

Revisão Geral 227

Page 6: Treinamento Six Sigma LG Electronics

INTRODUÇÃO

6

1

- Entender o conceito de inovação e a importância da atividade da Inovação. - Entender o propósito do gerenciamento 6σ na LGE. - Entender a filosofia e princípio do 6σ bem como o método de apresentação.

Objetivos

LG Electronics Green Belt [Mfg]

Page 7: Treinamento Six Sigma LG Electronics

7

Introdução

6σ é a linguagem comum para nossa companhia.

Se você conversa em CTQ e Z-value, as conversações

tornam-se simples e claras.

Inspecionar e tomar decisão no campo imediatamente.

Comunicação baseado nos dados (fatos).

6σ contém ferramentas para identificar os problemas e as

soluções, e ferramentas de validação.

Testes através de 6σ podem adicionar segurança para

resultados.

“ ..6σ é uma ferramenta inovadora..…”

Page 8: Treinamento Six Sigma LG Electronics

1987 Galvin CEO

Mikel J Harry, Ph.D

1997

1995

3M2001

SSA

1994

AT&T

Jack Welch

1996

História do História do 66σσ

8LG Electronics Green Belt [Mfg]

Page 9: Treinamento Six Sigma LG Electronics

9

’96(GE Benchmarking)

‘99 ’04

MFG

R&D

TQ

‘98 …..‘97

Cre

scim

ento

CAGR (25%)*

Crescimento

FMI

Sobrevivência Global PlayerNo.1LG

Six SigmaSix Sigma

*CAGR : Compound Annual Growth Rate

66σσ na LG Electronics na LG Electronics

Page 10: Treinamento Six Sigma LG Electronics

10

Inovação e Six Sigma InovaçãoMudar completamente e renovar.

Por que a atividade de inovação

falha?

(Pesquisa em 100 empresas)

- Atitude de negação do funcionário para

a mudança: 45%

- Capacidade/habilidade, Plano de

execução : 23%

- Falta de liderança da Gerência : 17%

Desenvolvimento de empresas Chinesas

Entrada na Globalização Mercado de produtos baratos

Entrada na OMC.Convite Olímpico

Novo desenvolvimento do Japão

Técnica acumulada de concorrência.

Investimento em P&D

Força das empresas Americanas/Européias

Desenvolvimento na área de serviços

Obtenção de tecnologia exclusiva

Condição atual das empresas Coreanas

1. Perda de vantagem competitiva para produção2. Falta de obtenção de tecnologia avançada

Pré-requisitos para o desenvolvimento das empresas

Coreanas-Assegurar competitividade Global -Inovação aplicando métodos avançados-Maximizar a vantagem através de controle de campo-Força Six Sigma

6σ é o motor do gerenciamento de inovação.

Inovação e Six SigmaInovação e Six Sigma

Page 11: Treinamento Six Sigma LG Electronics

11

Filosofia de Gerenciamento Six Sigma

Six Sigma é o método de execução que traz resultados para gerência e funcionários.

6σ não significa apenas fazer, mas fazer eficientemente.

100PPM é cortar o caule de uma erva daninha, 6σ é extrair a raiz de uma erva daninha.

6σ Gerenciamento de campo pela alta administração

6σ é a linguagem comum da organização.

Filosofia de Gerenciamento

Filosofia de GerenciamentoFilosofia de Gerenciamento

Page 12: Treinamento Six Sigma LG Electronics

12

Métrica Six Sigma

- Nível Sigma é o índice de avaliação para a capabilidade do processo

Colher frutas verdesDefinição correta/processo otimizado

Colher frutas baixasAvaliar com gráfico simples

Colher as frutas caídasProcesso de decisão através de experiência e bom senso

Colher frutas docesDesenvolver o processo considerando resultado

• Nível de σ(Sigma)- é a medida estatística que reflete a capabilidade do processo. • O Sigma medido é determinado pelo DPU (Defeito por unidade), PPM (parte por milhão), falha e taxa de erro.

Nível

6

5

4

3

2

PPM

3.4

233

6,210

66,807

308,537

Processo Defeito Cap. Mudança ( Hipótese de longo período com deslocamento de 1,5σ, processo estável.)

6

5

4

3

2

Melhora defeitos 5 vezes

Melhora defeitos 11 vezes

Melhora defeitos 25 vezes

Melhora defeitos 68 vezes

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

MétricaMétrica

Page 13: Treinamento Six Sigma LG Electronics

13

Qualidade Tradicional Qualidade Six Sigma

• Organização Centralizada.

• Ausência de estrutura formal para utilização de ferramentas.

• Falta de Suporte no uso de ferramentas.

• Dados misturados com “achismo” tomada de decisão.

• Abordagem “Band-aid” (quebra galhos).

• Falta de treinamento estruturado.

• Inspeções (foco em “Y”, no resultado).

• Participantes respondem diretamente dentro de suas funções

• Uso estruturado de ferramentas estatística para ajudar na solução de problemas.

• Estrutura de suporte para usuários das ferramentas

• Decisões baseadas em dados

• Abordagem baseada em causa raiz

• Treinamento estruturado em todas as ferramentas aplicáveis

• Entradas de controle de processo (foco em “X´s”, nas causas

ComparativoComparativo

Comparando Qualidade Tradicional com Six Sigma

- Qualidade Tradicional vs Qualidade Six Sigma

Page 14: Treinamento Six Sigma LG Electronics

14

Próximo da perfeiçãoPróximo da perfeição

Nível de Sigma

Área Palavras Tempo Distancia

1 Área ocupada pelo Astrodome (Houston-USA)

170 palavras erradas por página num livro

31,75 anos em 1 século

Daqui até a Lua

2 Área ocupada por um grande supermercado

25 palavras erradas por página num livro

4,50 anos em 1 século

1 volta e ½ ao redor da Terra

3 Área ocupada por uma pequena loja de Hardware

1,5 palavras erradas por página num livro

3,50 meses em 1 século

Viagem de costa-a-costa.

4 Área ocupada por uma sala de estar comum

1 palavra errada em 30 páginas de um livro

2,5 dias em 1 século

Dirigir 45 minutos numa estrada

5 Área da parte inferior do seu telefone

1 palavra errada em uma enciclopédia inteira.

30 minutos em 1 século

1 ida até o posto de gasolina

6 Área de um diamante comum

1 palavra errada em todos os livros de uma pequena livraria

6 segundos em 1 século

4 passos em qualquer direção

7 Área de um furo de agulha de costura.

1 palavra errada em todos os livros de várias livrarias

1 piscada de olho em 1 século

1 polegada

Quanto maior o nível de Sigma, maior nossa precisão e exatidão (Texas Instruments)

Precisão e exatidão

Page 15: Treinamento Six Sigma LG Electronics

15

Six Sigma: DMAIC

- Entendendo detalhadamente cada fase do processo básico de um projeto Six Sigma.

Fase Passos detalhados

S3. Entrada do Projeto S3. Entrada do Projeto S2. Extrair Y do Projeto S2. Extrair Y do Projeto S1. Seleção do Projeto S1. Seleção do Projeto

1.1 Verificar negócio 1.2 Extrair Big Y1.3 Selecionar Projeto

2.1 Analisar processo 2.2 Definir CTQ 2.3 Extrair Y do Projeto

3.1 Organizar time3.2 Determinar metas3.2 Registro do Projeto

S5. Verificar nível atual S5. Verificar nível atualS4. Verificar adequação do Y do PjtS4. Verificar adequação do Y do Pjt

4.1 Resumo dos dados 4.2 Plano de medição 4.2 Verificação do sistema de medição

5.1 Coletar dados do Y do projeto 5.2 Verificar nível atual5.3 Definir direção de melhoria

10.1 Padronização 11.1 Plano de gerenciamento 12.1 Relatório de finalização de projeto 12.2 Compartilhar resultado

7.1 Examinar a causa

S7. Examinar a causa S7. Examinar a causa S6. Selecionar fator Vital S6. Selecionar fator Vital

8.1 Extrair o plano de melhoria8.2 Avaliar o plano de melhoria8.3 Selecionar o plano ótimo

9.1 Preparar o plano de execução 9.2 Executar e inspecionar

S9. Executar e Inspecionar S9. Executar e Inspecionar S8. Selecionar o plano ótimo S8. Selecionar o plano ótimo

S12. Compartilhar resultadoS12. Compartilhar resultado S11. Monitoramento S11. Monitoramento S10. Padronização S10. Padronização

6.1 Selecionar o fator Vital6.2 Coletar/examinar dados adicionais6.3 Selecionar item principal e verificar possibilidade de alcançar a meta

Definição

Medição

Analise

Melhoria

Controle

DMAICDMAIC

Page 16: Treinamento Six Sigma LG Electronics

16

Estrutura Departamento de Inovação (Six Sigma) Estrutura Departamento de Inovação (Six Sigma)

S. Y. HanS. Y. Han

Diretor Diretor

GerenteGerente

RogérioRogério

Six SigmaSix Sigma

César PintorCésar Pintor

Pedro GamaPedro Gama

Departamento de Gerenciamento de Inovação [DGI – Six Sigma]

Estrutura do Departamento de Gerenciamento de Inovação (Six Sigma) segue abaixo:

[email protected]

[email protected]

[email protected]

[email protected]

* Atualizado em jan/2011

Page 17: Treinamento Six Sigma LG Electronics

17

Por que buscar o Six Sigma?Por que buscar o Six Sigma?

• Aumentar o Faturamento Clientes Satisfeitos Voltam Sempre• Aumentar o Lucro Final Custa Menos Fazer Certo da Primeira Vez

Six Sigma significará para nós...Six Sigma significará para nós...

• Mais Tempo com o Cliente em vez de resolver problemas isoladamente no escritório.• Trabalho Proativo em vez de “Apagar o Incêndio” através de reação.• Confiança em que os Pedidos são feitos, cumpridos, entregues “Sem Erros”.• Confiança que o trabalho antes e depois é livre de defeitos.• Aumento dos Negócios com nossos Clientes.

Base do Six SigmaBase do Six Sigma

Dados constituem toda a base do Six Sigma

Toda e qualquer decisão é baseada em DADOS e não em suposições.

Por isso a coleta de dados é muito importante e deve ser feita com critério, atenção e sem tendências para que as analises, decisões, melhorias e controles sejam sustentáveis ao longo do tempo.

ObjetivoObjetivo

Page 18: Treinamento Six Sigma LG Electronics

18

Porque o 6Porque o 6σ funcionaσ funciona

Foco do Six Sigma

O Six Sigma funciona porque tem o FOCO no CLIENTE.

A filosofia de excelência do 6 Sigma é:

METRICS

easureverythinghatesultsnustomersatisfaction

Medir tudo aquilo que possa impactar na satisfação

dos Clientes.

A meta do 6 Sigma é identificar, isolar e eliminar VARIAÇÂO.

Prevenir os defeitos ao invés de detectá-los.

Solução de problemas de modo pró-ativo ao invés de “apagar incêndio”.

Melhoria continua dos processos, produtos e serviços.

Page 19: Treinamento Six Sigma LG Electronics

ESTATÍSTICA BÁSICA

19

2

- Entender sobre Estatística Básica.- Conhecer os termos utilizadosObjetivos

LG Electronics Green Belt [Mfg]

Page 20: Treinamento Six Sigma LG Electronics

20

PENSAMENTO ESTATÍSTICO

• É quando pensamos em transformar dados comuns em uma maneira na qual possamos analisá-los.

MÉDIAMEDIANA

DESVIO PADRÃOOUTROS

Estatística é uma ciência que visa obter conclusões sobre fenômenos (eventos) em um universo (população), a partir de alguns dados (amostras), extraídos desse mesmo universo.

Estatística

- Entendendo o que é estatística.

EstatísticaEstatística

Page 21: Treinamento Six Sigma LG Electronics

21

Fornecedor ClienteProcesso

Entrada Saída

S I P O CS

I

P

O

C

SUPPLYER

INPUT

PROCESS

OUTPUT

CUSTOMER

FORNECEDOR

ENTRADA

PROCESSO

SAÍDA

CLIENTE

5M

1E

Man (Homem)

Machine (Máquina)

Material (Material)

Method (Método)

Measurement (Medida)

Environment (Meio Ambiente)

Todo processo produtivo, gera variações entre as etapas (SIP)

Causas das variações do processo

Que somente são detectadas nas etapas (OC)

SIPOC

Divisões de um processo. Todo e qualquer processo apresenta essas 5 partes.

SIPOCSIPOC

Page 22: Treinamento Six Sigma LG Electronics

22

POPULAÇÃO: Conjunto de elementos que apresentam característica em comum.PARÂMETRO: Característica da população.

AMOSTRA: Subconjunto da População.

ESTATÍSTICA: Característica da amostra.

POPULAÇÃO: Conjunto de elementos que apresentam característica em comum.PARÂMETRO: Característica da população.

AMOSTRA: Subconjunto da População.

ESTATÍSTICA: Característica da amostra.

POPULAÇÃO: __________________________

PARÂMETRO: _________________________

AMOSTRA: ____________________________

ESTATÍSTICA: _________________________

POPULAÇÃO: __________________________

PARÂMETRO: _________________________

AMOSTRA: ____________________________

ESTATÍSTICA: _________________________

POPULAÇÃO

AMOSTRA

EXERCÍCIO Misture bem.

Pegue uma colher.

Tome uma decisão.

Ação.

Misture bem.

Pegue uma colher.

Tome uma decisão.

Ação.

ALEATÓRIO: Determina uma amostra saída da população, de forma que cada membro tenha chance igual de ser extraído.

ALEATÓRIO: Determina uma amostra saída da população, de forma que cada membro tenha chance igual de ser extraído.

Coleta da amostra: Deve expressar as características do grupo a ser medido e ser coletada aleatoriamente.

Coleta da amostra: Deve expressar as características do grupo a ser medido e ser coletada aleatoriamente.

Coleta de DadosColeta de Dados

Letras Gregas:

Quando estamos trabalhando com a população utilizamos as letras gregas para representar alguma característica da mesma.

Ex.:

Média = µ

Desvio Padrão = σ

Letras Romanas:

Quando estamos trabalhando com a amostra utilizamos as letras romanas para representar alguma característica da mesma.

Ex.:

Média = x

Desvio Padrão = s

Page 23: Treinamento Six Sigma LG Electronics

23

DADOS DISCRETOS ou ATRIBUTOS:

Definem situações onde os dados do processo, somente podem assumir valores inteiros, como: Cara ou Coroa, 1, 2, 3, 4.

DADOS DISCRETOS ou ATRIBUTOS:

Definem situações onde os dados do processo, somente podem assumir valores inteiros, como: Cara ou Coroa, 1, 2, 3, 4.

DADOS CONTÍNUOS:Definem situações onde os dados do processo, podem assumir

qualquer valor (podendo ser infinito) entre dois números, ou seja, os valores depois da vírgula são significativos. Ex.: comprimento ou largura de uma peça, diâmetro de um tubo, pH de banhos, temperatura ambiente, etc.

DADOS CONTÍNUOS:Definem situações onde os dados do processo, podem assumir

qualquer valor (podendo ser infinito) entre dois números, ou seja, os valores depois da vírgula são significativos. Ex.: comprimento ou largura de uma peça, diâmetro de um tubo, pH de banhos, temperatura ambiente, etc.

É muito importante para o GB/BB identificar com qual tipo de dados está lidando no processo, pois são eles quem definem quais as ferramentas que serão utilizadas durante o projeto.

TIPOS

DE

DADOS

Tipo de DadosTipo de Dados

Page 24: Treinamento Six Sigma LG Electronics

24

Tipo de DadosTipo de Dados

TIPOS

DE

DADOS

DiscretosDiscretosDiscretosDiscretos

ContínuosContínuosContínuosContínuos

Tendência Central

Tendência de Dispersão

MÉDIA

MEDIANA

MODA

VARIÂNCIA

DESVIO PADRÃO

AMPLITUDE

MODA

PROPORÇÃO

Para cada tipo de dados temos ferramentas específicas, abaixo temos as ferramentas mais utilizadas em Six Sigma.

Page 25: Treinamento Six Sigma LG Electronics

25

CUIDADOS AO USAR A MÉDIA

Observamos na figura ao lado, onde o mergulhador obteve a informação de que o rio tem uma profundidade média de 5m, mas esta informação (média), ocultou as variações de profundidade, pois o rio possui em sua extensão profundidades acima e abaixo de 5m, ou seja, variações.

Quando tratamos de dados estatísticos, podemos observar que a média oculta a variação dos dados.

Nós podemos cometer um grande erro só porque nós tomamos uma decisão baseada apenas na média. Assim, nós precisamos de informações adicionais, por exemplo:

Variância (σ2) Desvio Padrão (σ).

Dados Contínuos - MédiaDados Contínuos - Média

Page 26: Treinamento Six Sigma LG Electronics

26

Dados Contínuos - MédiaDados Contínuos - Média

A média é uma medida que indica o centro da distribuição. Simplesmente é a soma de todas as observações dividida pelo número de observações. Para os dados abaixo, a média é:

- Usa todos os dados

- Fortemente influenciado por valores extremos (outliers)

- Também representadas pela letra grega (lê-se : mi)

DadosdeQTY

DadosostodosdeSomaX__

=

3,63611

3 2 1 3 3 4 4 5 10 3 2__

X =++++++++++

=

µ

Page 27: Treinamento Six Sigma LG Electronics

27

Dados Contínuos - MedianaDados Contínuos - Mediana

Mediana é o meio dos dados, ou seja, é o ponto de 50%, (ou o “número do meio”)

Calculo da Mediana:

Para amostra com número impar de dados:

1º) Arranje os dados na ordem de menor a maior (ordem crescente)2º) A posição da mediana será encontrada pela formula:

2

1)(nMedianadaPosição

+=

Ex.: 1; 2; 7; 14; 85

n = 5

3=+=2

1)(5Mediana da Posição

1 2 7 14 85

posição = 1 2 3 4 5

mediana

Para amostra com número par de dados:

1º) Arranje os dados na ordem de menor a maior (ordem crescente)2º) A posição da mediana será encontrada pela média das duas formulas abaixo:

2

n

Ex.: 67; 86; 43; 89; 54; 73

n = 6

3=2

643

posição = 1 2 3 4 5

1+2

ne

54 67 73 86 89

6

41 =+2

6

A mediana estará entre a posição 3 e a 4

702

73)(67mediana =+=

Page 28: Treinamento Six Sigma LG Electronics

28

Dados Contínuos - ModaDados Contínuos - Moda

Moda é o valor que mais aparece em uma amostra, ou seja, aquele que tiver maior freqüência. Não existe formula para calculo da Moda, basta verificar quais números se repetem mais.

A moda pode ser utilizada tanto para dados discretos como para dados contínuos. Pode acontecer de uma amostra não 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, não é comumente utilizada.

Page 29: Treinamento Six Sigma LG Electronics

29

Dados Contínuos – Desvio PadrãoDados Contínuos – Desvio Padrão

Desvio Padrão é a distancia média entre a média do processo e seus dados, ou seja, é a variação de um processo em torno da média.

Quanto maior o desvio padrão, maior é a variação no processo, pior será esse processo. Todo processo que sofre muita variação gera muito defeito. O desvio padrão é inversamente proporcional ao Nível de Sigma. O desvio padrão é representado pela letra “S” ou pela letra grega “σ” (lê-se: sigma) Sua formula é:

( )1n

XXσ

2__

i

=∑

( )N

XXσ

2__

i∑

=

(para amostra) (para população)

Data

Frequen

cy

242118151296

200

150

100

50

0

VariableAB

Histogram of A; B

Pouca variação

Muita variação

Page 30: Treinamento Six Sigma LG Electronics

30

Dados Contínuos – VariânciaDados Contínuos – Variância

Variância idem ao desvio padrão, mas menos utilizada, pois seu valor se distância muito dos valores da amostra.

Quanto maior a variância, maior é a variação no processo, pior será esse processo. Todo processo que sofre muita variação gera muito defeito. A variância é representada pela letra “SS” ou pela letra grega “ σ² ” Sua formula é:

( )1n

XXσ

2__

i2

=∑

( )N

XXσ

2__

i2

=

(para amostra) (para população)

Ex:Amostra

9,46

11,06

11,11

13,67

5,18

6,52

8,49

8,19

7,49

10,58

14121086

Median

Mean

1110987

A nderson-Darling Normality Test

V ariance 6,3177Skewness 0,168710Kurtosis -0,220324N 10

Minimum 5,1831

A -Squared

1st Q uartile 7,2471Median 8,97433rd Q uartile 11,0719Maximum 13,6740

95% C onfidence Interv al for Mean

7,3772

0,15

10,9733

95% C onfidence Interv al for Median

7,1572 11,0768

95% C onfidence Interv al for StDev

1,7289 4,5887

P-V alue 0,945

Mean 9,1753StDev 2,5135

9 5 % C onf idence I nte r v a ls

Summary for Amostra

σ = 2,5135

σ² = 6,3177

Fica confuso dizer que a média é 9,1753 e que a variação é de 6,3177, parece que esse processo esta com uma variação enorme, por isso é mais comum utilizar o “Desvio Padrão”

Page 31: Treinamento Six Sigma LG Electronics

31

Dados Contínuos – AmplitudeDados Contínuos – Amplitude

Amplitude é a diferença entre o maior e o menor valor de uma amostra.

Quanto maior a amplitude, maior é a variação no processo, pior será esse processo. Todo processo que sofre muita variação gera muito defeito. A amplitude é representada pela letra “R” (range). Sua formula é:

mínimomáximoR −=

11,010,510,09,59,08,58,0

Median

Mean

10,5010,2510,009,759,509,259,00

A nderson-Darling Normality Test

V ariance 0,8000Skewness -0,954642Kurtosis -0,003324N 10

Minimum 8,1800

A -Squared

1st Q uartile 9,2000Median 10,11003rd Q uartile 10,5525Maximum 10,9600

95% C onfidence Interv al for Mean

9,2492

0,46

10,5288

95% C onfidence Interv al for Median

9,1335 10,5534

95% C onfidence Interv al for StDev

0,6152 1,6329

P-V alue 0,202

Mean 9,8890StDev 0,8944

9 5 % C onf idence I nte r v a ls

Summary for Dados

Dados

9,95

10,27

8,66

9,92

8,18

10,46

10,55

10,96

10,56

9,38

Ex:

2,78R

8,180010,9600R

=−=

Page 32: Treinamento Six Sigma LG Electronics

32

Dados Discretos – Proporção & Moda Dados Discretos – Proporção & Moda

Proporção é uma medida que indica a relação entre dois dados. Simplesmente é a quantidade de um evento dividido pelo total da amostra vezes 100, pois seu valor é expresso em %.

A proporção é representada pela letra: P

Para os dados abaixo, a proporção é:

Amostra = 1000 peçasDefeitos = 7 peçasAmostra = 1000 peçasDefeitos = 7 peças

%7,0100*100* ===1000

7

AmostraTotal

EventoQty P

Moda é o valor que mais aparece em uma amostra, ou seja, aquele que tiver maior freqüência. Não existe formula para calculo da Moda, basta verificar quais números se repetem mais.

A moda pode ser utilizada tanto para dados discretos como para dados contínuos. Pode acontecer de uma amostra não 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

Page 33: Treinamento Six Sigma LG Electronics

33

Variação NaturalVariação Natural

Variação Natural é a variação que ocorre em todos os processos. Todo e qualquer processo sofre variação devido a influências externas (5M1E) e essa variação recebe o nome de Variação Natural, é através dela que temos a Distribuição Normal representada pela Curva de Gauss.

Abaixo podemos provar essa variação natural para isso será necessário 2 dados de 6 faces cada um. Na somatória dos 2 dados no mínimo teremos o valor 2 e no máximo 12. Jogue os dados e anote quantas vezes cada valor aparecerá, ao final de, aproximadamente 90 vezes, teremos um gráfico semelhante ao que esta abaixo, que se aproxima da curva de Gauss. Isso acontece devido a variação natural do processo.

0

2

4

6

8

10

12

14

Repetições 2 7 9 10 11 13 12 9 8 4 2

2 3 4 5 6 7 8 9 10 11 12

Page 34: Treinamento Six Sigma LG Electronics

34

Distribuição Normal (Distribuição Gaussiana)Distribuição Normal (Distribuição Gaussiana)

Distribuição Normal é a quando os dados de um processo qualquer se distribui em torno da média, onde essa divide esses dados exatamente no meio, ou seja, o processo fica simétrico em torno da média. A distribuição normal tem um formato semelhante a de um “Sino” e também pode ser chamada de Distribuição Gaussiana, por causa da Curva de Gauss.

A maioria dos fenômenos naturais e processos criados pelo homem são distribuídos normalmente, ou podem ser representados como normalmente distribuídos.

A área total da Curva Normal é igual a 1, ou seja, 100%.

Quando temos uma curva normal centrada e padronizada significa que sua média é igual a 0 e o desvio padrão é 1.

µ = 0σ = 1

0

50%50%

Page 35: Treinamento Six Sigma LG Electronics

35

68,2%

95,4%

99,7%99,994%

99,9994%99,99999975%

X -6σ X -5σ X -4σ X -3σ X -2σ X -1σ X +1σ X+2σ X +3σ X +4σ X +5σ X +6σX

-6σ -5σ -4σ -3σ -2σ -1σ +1σ +2σ +3σ +4σ +5σ +6σZ-Value σ :

Distribuição Normal (Distribuição Gaussiana)Distribuição Normal (Distribuição Gaussiana)

Quando padronizamos a distribuição normal com os valores de Z, temos a seguinte relação entre cada nível (Z-value) e a Área da Curva Normal:

Ou seja: para ± 1σ temos 68,2% da área total, o restante 31,8% estaria fora da curva então podemos classificá-los como defeito.

Page 36: Treinamento Six Sigma LG Electronics

36

※ Atenção : esta carta calcula apenas um lado da Distribuição Normal

Z 0 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 4.60E-01 4.56E-01 4.52E-01 4.48E-01 4.44E-01 4.40E-01

0.2 4.21E-01 4.17E-01 4.13E-01 4.09E-01 4.05E-01 4.01E-01

0.3 3.82E-01 3.78E-01 3.74E-01 3.71E-01 3.67E-01 3.63E-01

0.4 3.45E-01 3.41E-01 3.37E-01 3.34E-01 3.30E-01 3.26E-01

0.5 3.09E-01 3.05E-01 3.02E-01 2.98E-01 2.95E-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 2.42E-01 2.39E-01 2.36E-01 2.33E-01 2.30E-01 2.27E-01

0.8 2.12E-01 2.09E-01 2.06E-01 2.03E-01 2.00E-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 1.56E-01 1.54E-01 1.52E-01 1.49E-01 1.47E-01

1.1 1.36E-01 1.33E-01 1.31E-01 1.29E-01 1.27E-01 1.25E-01

1.2 1.15E-01 1.13E-01 1.11E-01 1.09E-01 1.07E-01 1.06E-01

1.3 9.68E-02 9.51E-02 9.34E-02 9.18E-02 9.01E-02 8.85E-02

1.4 8.08E-02 7.93E-02 7.78E-02 7.64E-02 7.49E-02 7.35E-02

Z TableZ Table

A Tabela Z mostra qual área da curva normal cada nível de sigma representa, por exemplo:

O valor Z = 1,41 equivale à 7,93E-02, ou seja, temos 7,93 % de defeito nesse processo.

Page 37: Treinamento Six Sigma LG Electronics

37

Z TableZ Table

Exercício:

Dada a figura abaixo calcule: ZUSL, ZLSL e ZBench

93

LSL

μ = 7,5

USL

σ=0,8

ZUSL = USL - µ = 9 – 7,5 = 1,88 ⇒ P(X>USL) = 3,01x10-2= 31.000 ppm σ 0,8

ZLSL = µ - LSL = 7,5 – 3 = 5,63 ⇒ P(X<LSL) = 1,03x10-8= 1,03x10-2 ppm σ 0,8

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

Page 38: Treinamento Six Sigma LG Electronics

38

Average: 5,9305StDev: 0,664074N: 20

Anderson-Darling Normality TestA-Squared: 0,257P-Value: 0,685

5 6 7

,001

,01

,05

,20

,50

,80

,95

,99

,999

Pro

bab

ility

Fornecedor A

Normal Probability Plot

Average: 71,0997StDev: 9,23496N: 1318

Anderson-Darling Normality TestA-Squared: 155,693P-Value: 0,000

62 72 82 92 102 112 122 132

,001

,01,05

,20

,50

,80

,95,99

,999

Pro

babi

lity

C15

Normal Probability Plot

Average: 64,0987StDev: 17,4209N: 526

Anderson-Darling Normality TestA-Squared: 51,090P-Value: 0,000

0 10 20 30 40 50 60 70 80

,001

,01

,05

,20

,50

,80

,95

,99

,999

Pro

babi

lity

C17

Normal Probability Plot

60 70 80 90 100 110 120 130

0

100

200

300

400

C15

Fre

que

ncy

60 70 80 90 100 110 120 130

0

100

200

300

400

C15

Fre

que

ncy

Normality TestNormality Test

Quando um gráfico apresenta uma forma de um “Sino” provavelmente temos uma distribuição normal, mas para termos certeza é necessário utilizar uma ferramenta chamada: Normaluity Test.

Quando utilizamos essa ferramenta temos uma regra para saber se os dados analisados são normais ou não, basta olharmos o P-value.

P-value > 0,05 Dados Normais P-value < 0,05 Dados não normais

Page 39: Treinamento Six Sigma LG Electronics

39

Normality TestNormality Test

Exercício:

Verifique se os dados abaixo seguem uma distribuição normal.

a) Verifique a normalidade graficamente

(Histograma):

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

Lot1

Freq

ue

ncy

5251504948

9

8

7

6

5

4

3

2

1

0

Mean 50,04StDev 0,9111N 30

Histogram of Lot1Normal

Lot1

Perc

ent

535251504948

99

95

90

80

70

60504030

20

10

5

1

Mean

0,466

50,04StDev 0,9111N 30AD 0,343P-Value

Probabi l i ty P lot of Lot1Normal

b) Verifique a normalidade utilizando o Normality Test

Page 40: Treinamento Six Sigma LG Electronics

40

Deslocamento da médiaDeslocamento da média

Como já foi falado anteriormente todos os processos variam de maneira natural devido a influencias externas (5M1E), essa variação é considerada normal até o valor limite de 1,5σ , caso o processo varie mais do que isso, este não será mais classificado como Normal.

Quando falamos que um processo esta centrado, significa que não ocorreu deslocamento de sua média, se esse processo estiver com um nível de Sigma igual a 6 teremos um probabilidade de defeito de 0,0025 ppm. Mas como todos os processos variam é impossível, na pratica, termos esse valor.

Considerando um deslocamento de média de 1,5σ teremos, para um nível de 6 sigma, um valor de defeito de 3,4 ppm. Então quando falamos que para 6 Sigma os defeitos serão de 3,4 ppm, significa que esse processo esta deslocado de 1,5σ

0 1,5

1,5σ

Page 41: Treinamento Six Sigma LG Electronics

DEFINIÇÃO

41

3

Passo 1. Seleção de projeto

Passo 2. Extrair o Y do Projeto

Passo 3. Registro do projeto

- Entender os itens que influenciam o ponto de vista do cliente e negócio e selecionar o tema do

projeto.

- Extrair a possibilidade de melhoria através do processo do projeto selecionado.

- Definir o item a melhorar.

Meta

Ferramenta

Passos

- SIPOC, Mapeamento do processo

- Logic Tree, Diagrama de espinha de peixe

- QFD, FMEA, Análise de Pareto

LG Electronics Green Belt [Mfg]

Page 42: Treinamento Six Sigma LG Electronics

42

Propósito

Passos da atividade

3. Registro do projeto 3. Registro do projeto 2: Extrair Y do Projeto 2: Extrair Y do Projeto1: Selecionar Projeto1: Selecionar Projeto

1.1 Verificar companhia

1.2 Definir o Big Y

1.3 Selecionar o projeto

2.1 Analisar o processo

2.2 Definir o CTQ

2.3 Extrair o Y do projeto

3.1 Organizar o time3.2 Determinar metas3.2 Registro do projeto

Saída

Extrair o projeto que é o mais importante do ponto de vista do cliente e ter maior relevância para metas gerenciais. Defina o projeto a fim de promover as metas.

Passo 1- Definir a VOC/VOB (Voz do cliente / Voz do negócio)

- Analisar maiores impactos

- Extrair o Little Y através do Big Y

Passo 2

Passo 3

- Analisar processo detalhado

- Definir o CTQ e o Projeto Y

- Plano de ação rápida

- Registro do projeto e plano de atividade

Definição

Passos da DefiniçãoPassos da Definição

Page 43: Treinamento Six Sigma LG Electronics

43

Selecionar o correto Big Y através de problemas do negócio e extrair o projeto que

possa maximizar o resultado através de análise do processo ou

desenvolvimento detalhados.

Atividade Ferramenta

•Selecionar o Big Y para resolver

o problema no processo e selecionar

o KPI adequado.

•Selecionar o ótimo Big Y focando

no negócio e verificar escopo da

melhoria no processo através de

processos superiores ou processos

subordinados ao Big Y

• Definir a prioridade do projeto (projeto detalhado) e selecionar o objetivo a melhorar.

- Verificar o Negócio

- Definir KPI

- Desenvolver o Little Y- Analisar processos

Superiores.

- Seleção do Projeto

- Mapeamento do

Processo

- SIPOC

VerificarNegócio

VerificarNegócio

Extrair Big Y

Extrair Big Y

Selecionar Projeto

Selecionar Projeto

Passo 1 Seleção do Projeto

- Brainstorming

- Votação

Propósito

Seleção do ProjetoSeleção do Projeto

Page 44: Treinamento Six Sigma LG Electronics

44

Análise do

Processo

Definiçãode CTQ

• Definir CTQ refletindo VOC/VOB no escopo da melhoria

- Definir/analisar o

processo

- Planejamento de ação

rápida

-Mapeamento do

processo de baixo

nível

• Análise detalhada dos processos

ligados ao projeto selecionado e

selecionar escopo de ações

rápidas.

- Desenvolver processo- Estudar a VOC e

relacionamento com

funcionamento do

processo

- QFD

- FMEA

- Análise de Pareto

Propósito Atividade Ferramenta

Passo 2 Extração 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.

Extração do Project Y

• Extrair o projeto Y onde o efeito da melhoria é preciso e possível medir entre os CTQ definidos.

- Verificar validade

- Decidir prioridades

- Brainstorming

- Votação

Extração do YExtração do Y

Page 45: Treinamento Six Sigma LG Electronics

45

• Organizar o time que pode

desenvolver o projeto com sucesso.

Definir membros do time ligados

ao projeto.

• Definir metas do projeto. • Examinar o resultado e verificar a necessidade de projetos relacionados.

-Analisar os membros

examinando sua função no

processo

- Organizar o time

- Definir metas

- Examinar resultado

- Verificar projetos relacionados

-

-

Organizar o time

DefinirMetas

• Examinar o projeto e executar o kick off (aprovação do registro).

- Desenhar o registro do projeto

- Examinar o projeto

- Registrar o projeto

- Kick-Off

-Registro do

projeto

Atividade Ferramenta

Passo 3 Registro do Projeto

Propósito

Organizar o time misto para promover o projeto adequadamente e registrar

o projeto definindo um plano viável.

Registro do ProjetoRegistro do Projeto

Page 46: Treinamento Six Sigma LG Electronics

46

FerramentasFerramentas

Na fase de DEFINIÇÂO podemos utilizar algumas ferramentas para ajudar a encontrar e justificar o “Y” do projeto. Veremos a seguir:

Y 2 Y5 Y

8

Y9

Y7Y4Y1

Y3 Y6

Y2 Y7

Y9

BrainstormingBrainstorming

Mapeamento de ProcessoMapeamento de Processo

FMEA FMEA

Gráfico de Pareto Gráfico de Pareto

QFDQFD

BrainstormingBrainstorming

Mapeamento de ProcessoMapeamento de Processo

FMEA FMEA

Gráfico de Pareto Gráfico de Pareto

QFDQFD

Page 47: Treinamento Six Sigma LG Electronics

47

Ferramentas – BrainstormingFerramentas – Brainstorming

É uma técnica de grupo simples e eficaz que tem por objetivo gerar idéias novas e de preferência, úteis. Normalmente é utilizada na melhoria de Qualidade para identificar as possíveis causas de um problema e sugerir uma série de soluções depois que a causa for conhecida. No entanto o “brainstorming” pode ser usado de muitas outras maneiras, até mesmo na identificação das áreas problemáticas e para listagem das possíveis oportunidades para aperfeiçoamento.

• Roda Livre – Fluxo de idéias espontâneas de todos os participantes do Time.• Mesa Redonda – Participantes do Time se alteram em sugestões de idéias.• Método dos Cartões – Participantes do Time escrevem idéias em cartões sem haver comentários.

• Nenhuma idéia é criticada• Todas idéias são registradas• Não se interpreta idéias• Construção a partir de outra idéias• Não se discute idéias• Idéias “malucas” são encorajadas• Todos participam• Enfoque em assunto específico

O que é:

Tipos:

Diretrizes:

Observação:

Quando nós não conseguimos medir um determinado defeito nós devemos utilizar o Brainstorming para definir o defeito.

Page 48: Treinamento Six Sigma LG Electronics

48

Ferramentas – BrainstormingFerramentas – Brainstorming

Liste todas as possíveis causas

SABOR (Y):

• Tipo de ingrediente limão (1)• Quantidade de açúcar adicionado• Tipo de água utilizada

(a) INGREDIENTES LIMÃO:• Limões espremidos na hora (2)• Líquido concentrado• Concentrado congelado• Pó com sabor limão

(b) LIMÕES EXPREMIDO NA HORA:• Onde os limões foram colhidos• Como os limões foram transportados• Idade quando foram espremidos• Como foram espremidos os limões

Agrupe os problemas similares

Priorize problemas (critérios)

Barraca de Limonada

(c) LIMÕES EXPREMIDO NA HORA:•Onde os limões foram colhidos•Como os limões foram transportados•Idade quando foram espremidos•Como foram espremidos os limões

Exemplo:

Page 49: Treinamento Six Sigma LG Electronics

49

Ferramentas – Mapeamento de ProcessoFerramentas – Mapeamento de Processo

É uma análise detalhada do processo. É preciso definir qual é o Inicio e o Fim desse processo de maneira bem precisa, e analisar cada parte bem detalhadamente, assim será possível extrair o maior problema.Os resultados esperados do Mapeamento do Processo são: Maior conhecimento sobre o processo; Identificação de oportunidades para eliminar etapas; Identificar gargalos;

O que é:

Símbolos:

Indica a fronteira do processo em análise.

Quando for mostrar alguma atividade.

Pontos de Decisão.

Indica a direção do fluxo do processo.

Entrada ou saída principal.

Conecta um processo a próxima página.

Início e Fim

Atividade

Decisão

Seta

Entrada/Saída

Processo Conjuntivo

Símbolo Significado Quando usar

Page 50: Treinamento Six Sigma LG Electronics

50

ProcessoProcesso

Entradas

Saídas

Ferramenta chave para identificação

de oportunidades de melhoria

Ferramenta chave para identificação

de oportunidades de melhoria

Ferramentas – Mapeamento de ProcessoFerramentas – Mapeamento de Processo

Método para criar um Mapa de Processo

• Definir os limites do seu processo (área ou processo específico onde acontecerá o projeto).

• Descrever e ordenar os passos do processo com o time que trabalha na área com o processo. O processo deverá ser o existente, sem alterações.

• Codificar atividades usando símbolos (fluxograma) para fácil análise

• Acompanhar o processo para validar o mapa

Importante! O processo deverá ser o existente, sem alterações!

Page 51: Treinamento Six Sigma LG Electronics

51

Ferramentas – Mapeamento de ProcessoFerramentas – Mapeamento de Processo

• Esforço da Equipe Operadores, Técnicos, Gerentes, Clientes, Fornecedores,...(devem participar todos aqueles que tenham conhecimento sobre o processo estudado)

• Entradas para o Mapa de Processo

- Brainstorming

- Manuais de Operação

- Especificações de Engenharia

- Experiência do operador

- Mostrar complexidades inesperadas, áreas problemas, redundâncias, desvios desnecessários e onde pode ser possível. 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 às várias 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.

Preparativos:

Possibilidades:

Page 52: Treinamento Six Sigma LG Electronics

52

Ferramentas – Mapeamento de ProcessoFerramentas – Mapeamento de Processo

Exemplo:

LGESPLGESP Zona SecundáriaZona Secundária Zona Prim ariaZona Prim aria LG KoreaLG KoreaLG KoreaLG Korea

CO

NFE

NC

IA F

Í SIC

AC

ON

FER

ÊN

CIA

FÍ S

ICA

LGESPREC EBIM ENTO

LGESPREC EBIM ENTO

TRANSPORT ADO R ATRANS PORT ADO R A

LG ESP

P.O . (DSG )

VERDEVERDE

AM AR ELOAM ARELO

CIN ZACINZA

VERM ELHOVERM ELHO

RECEBIM ENTORECEBIM ENTO

PRESENÇA DE C ARG A

PRESENÇA DE C ARG A

PA

RA

ME

TRIZ

ÃO

PA

RA

ME

TRIZ

ÃO

CÓPIA DOS DO CsCÓPIA DOS DO Cs

SO LIC IT AÇÃO DE DT A N A ALFAN DEG A

SOLICIT AÇÃO DE DT A N A ALFAN DEG A

TERM O DE RESPONS AB ILID ADE

TERM O DE RESPONS AB ILID ADE

DT ADT A

LG KO RE ALG KO RE A

FAT UR AM ENTOFAT UR AM ENTO

EM BARQ UEEM BARQ UE

ET A S ANTOS, VCP

ET A S ANTOS, VCP

REG ISTRO DE D. I.DO C. O RIGINAL

REG ISTRO DE D. I.DO C. ORIGINAL

Utilização do Ato concessório no registro da D .I. isentando do pagam ento do Im posto de Im portação e M arinha Mercante

**

**

Page 53: Treinamento Six Sigma LG Electronics

53

Ferramentas – Mapeamento de ProcessoFerramentas – Mapeamento de Processo

Exemplo:

Origem Santos / VCP Import LGESP Export System Doc s DECEX / BB

Embarque

SCP SAM IMP COM CRE IMP

Trans/Despsolicita DTA

IN499

ETA

DTA

EADI

Pr. Carga

D.I.

Normal

D/B Susp

D/B Isen

Param

etrização

Green

Yellow

Red

Gray

Conf. Fisica

NFE

Ent.

PO

Load

PPLPO Load

App Res

Stuf

NFS

R.E.

B/L

Embar

InvoiceM-System

SD Detail

GNT EagleCóp Doc

Embarque

Doc OriginEmbarque

D/B System Control

NCM/QTE/ Valor

DOC s

BOM/Laudo

Análise

Exigen

Concessão

Ato Concessório

360 dias

L.I.

Prorro

Baixa do Ato

RED.I.{

Import

Export

D/B

Key Point

IMS

Rep

Start

**

**

**

**

**

**

**

**

**

****

Page 54: Treinamento Six Sigma LG Electronics

54

Ferramentas – FMEA Ferramentas – FMEA ((FFailure ailure MMode & ode & EEffect ffect AAnalysis)nalysis)

- 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 raízes dos defeitos.

Método Estruturado para:

- Identificar como um Processo pode fracassar em atender os requisitos críticos (CTQ´s) dos clientes.

- Estimar o risco de causas específicas em relação as falhas potenciais

- Avaliar o Plano de Controle atual quanto à prevenção destas falhas

- Dar prioridade às ações que deveriam ser tomadas para melhorar o processo

Conceito: Identificar como o Produto, Processo ou Serviço podem fracassar em proporcionar a função intencionada.

- Identificar Possíveis Causas e eliminá-las

- Localizar Impactos de falhas e reduzir Efeitos

Finalidade:

Definição:

Page 55: Treinamento Six Sigma LG Electronics

55

Ferramentas – FMEA Ferramentas – FMEA ((FFailure ailure MMode & ode & EEffect ffect AAnalysis)nalysis)

Medidas que asseguram a Qualidade geral do produto e serviços devem, cada vez mais, ser operacionalizadas nas fases de Desenvolvimento e Planejamento, antes de sua aplicação.

O objetivo é 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 concepção do produto/serviço até sua aplicação significa incluir a Qualidade Exigida pelo Cliente.

- na fase de Desenvolvimento (Projeto), atendendo as especificações e as particularidades da produção e aplicação.

- na fase de preparativos de produção através de especificações de critérios, planejando processos capazes de produzir a qualidade exigida.

- na fase de fabricação do produto ou aplicação do serviço através de processos seguros e dominados.

- na complementação de cumprimento às leis e normas vigentes

Necessidade:

Reúna a equipe Six Sigma juntamente com toda a documentação existente sobre o processo (Mapa de processo, Espinha de peixe). Para cada um dos potenciais fontes de variação já conhecidas, pergunte:

- De que modo esta fonte de variação pode contribuir para que o processo não cumpra com a sua função?

- 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?

Como Fazer:

Page 56: Treinamento Six Sigma LG Electronics

Ferramentas – FMEA Ferramentas – FMEA ((FFailure ailure MMode & ode & EEffect ffect AAnalysis)nalysis)

Item Modo de falha potencial Efeito(s) Potencial(is)

da Falha

Causa(s) e Mecanismos(s) Potencial(is) da Falha

Controles Atuais do Projeto

Ações

Recomendadas

Função

Oco

rrên

cia

Dete

cção

Severid

ad

e

N P

R

Todo NPR que ultrapassar u m valor de 300(30%) deve ser tomada u ma ação 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 pré vio); 10(Perigo sem aviso prévio)Ocorrência(O): 1(Remota); 2 ~ 3(Baixa); 4 ~ 6(Moderada); 7 ~ 8(Alta); 9 ~10 (M uito alta)Detecção(D): 1(Quase certamente); 2(Muito alta); 3(Alta); 4(Moderadamente al ta): 5 (Moderada); 6 (Baixa); 7 (Muito baixa); 8 (Remota); 9(Mui to remota); 10(Absoluta incerteza) NPR=(S) * (O) * (D)NPR > 100 é CTQ

Aplicação manual de cera na parte interna da porta

•Cobrir parte interna da porta, superfície inferior com camada mínima de cera para retardar corrosão

Painel Interior/inferior da porta corroído.

Vida útil da porta diminuída devido a:•Aparência insatisfatória devido a ferrugem;•Funcionamento irregular do mecanismo interno da porta.

Bico de jateamento posicionado manualmente não está posicionado suficiente longe. 8

Checagem visual a cada 1 hora por turno.Medir profundidade da camada.

5 280

Instalar um fim de curso no jateador .

5

Teste do jateador no começo do trabalho e após longos períodos sem uso, e programa de manutenção para limpar bicos.

2 70

Usar projetos de experimentos(DOE) na viscosidade X temperatura X pressão

Tempo de jateamentoinsuficiente.

8Instruções do operador e amostragem do lote(10 portas/turno) para checar aplicação de cera nas áreas críticas.

7 392 Instalar um “timer” no jateador

7

Bico jateador entupido:•Viscosidade muito alta;•Temperatura muito baixa;•Pressão muito baixa.

CTQ

CTQ

FMEA: LGESP

Nome do modelo: Data: Área:

Revisão nº: Data da rev.: Responsável:

Projeto Six Sigma

7

56

Page 57: Treinamento Six Sigma LG Electronics

57

Count

Perc

ent

DefeitosCount

17,8 12,0 8,7 3,9 2,0Cum % 55,6 73,4 85,4 94,1

274

98,0 100,0

88 59 43 19 10Percent 55,6

OtherEDBFA

500

400

300

200

100

0

100

80

60

40

20

0

Pareto Chart of Defei tos

Ferramentas – Gráfico de ParetoFerramentas – Gráfico de Pareto

O Gráfico de Pareto ajuda nosso esforço naqueles problemas, que oferecem a maior oportunidade para melhorar, por apresentar como se relacionam num gráfico de barras.

Seu nome provém do economista e banqueiro italiano Vilfredo Pareto (1848-1923) que observou que 80% da riqueza italiana era controlada por 20% da população. Ele prosseguiu estudando muitos outros assuntos e começou a descobrir que muitas coisas dentro do nosso ambiente aparentava seguir esta Regra “80-20”. Sua teoria é atualmente aplicada por grupos da Qualidade em aplicações semelhantes.

Exemplo: 80% dos defeitos relacionam-se à 20% das causas potenciais.

Finalidade:

Devemos selecionar os

itens até chegar em 80%

Page 58: Treinamento Six Sigma LG Electronics

58

- Coletar dados por categoria.

- Coletar a freqüência por categoria.

- Inserir, no gráfico, a freqüência (eixo y) e o tipos de categorias (eixo y) num gráfico de barras, em freqüência decrescentes.

- Analise os dados para fatores de maior destaque no gráfico.

- Analise fatores econômicos relativos aos fatores de maior destaque: custos de execução custo para diminuição ou eliminação

- Pensamento 20 : 80

• 20% das causas contribuem para 80% dos problemas.• O diagrama de Pareto é uma ferramenta usada para avaliar dados discretos. É um modo de mostrar os fatores que contribuem para um problema em ordem decrescente de importância.

a) Coleta de dados referentes a possíveis problemas.

b) Usando Minitab, faça o gráfico de Pareto. - Stat > Quality Tools > Pareto Chart

Processo:

Ferramentas – Gráfico de ParetoFerramentas – Gráfico de Pareto

Minitab:

Conceito:

Page 59: Treinamento Six Sigma LG Electronics

59

Ferramentas – Gráfico de ParetoFerramentas – Gráfico de Pareto

Exemplo:

Defeitos QTY

A 274

B 59

C 10

D 43

E 19

F 88

- Digite os dados abaixo no Minitab. Depois siga o caminho abaixo:

Aparecerá o menu do Pareto, selecione a opção “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 até qual % o Minitab irá colocar no gráfico (comumente utiliza-se 95%) o máximo aceito é 99,99999.

Page 60: Treinamento Six Sigma LG Electronics

60

Ferramentas – Gráfico de ParetoFerramentas – Gráfico de Pareto

Exemplo:

Count

Perc

ent

DefeitosCount

17,8 12,0 8,7 3,9 2,0Cum % 55,6 73,4 85,4 94,1

274

98,0 100,0

88 59 43 19 10Percent 55,6

CEDBFA

500

400

300

200

100

0

100

80

60

40

20

0

Pareto Chart of Defei tos

- Irá aparecer o gráfico abaixo:

Devemos atuar nos defeitos “A”, “F” e “B”, pois na somatória das suas % chegamos em 80%, lembre-se do pensamento 20:80.

Page 61: Treinamento Six Sigma LG Electronics

61

- Escutar os clientes- Aprender o que eles querem- Determinar qual é a melhor maneira de atender- Determinar quais os caminhos para atender- Melhor alocar recursos com melhores resultados

- Quais são as “qualidades” que os clientes querem?- Quais funções precisam, um produto ou serviço, atender?- Quais funções precisamos usar para fornecer o produto ou serviço?- Como podemos chegar ao melhor fornecimento daquilo que o cliente exige?

O QFD antecipa a visão do controle do processo necessário à qualidade do produto para garantir o controle da qualidade Global do produto, desde a sua concepção à realização.Salta do controle de processos para projetar a qualidade nos produtos.

• QFD é utilizado para ligar os Requisitos chaves do cliente com as Especificação técnica e Sub-CTQ´s. • QFD é elaborado por um time de processo experiente.

Ferramentas – QFD Ferramentas – QFD ((QQuality uality FFunction unction DDeployment)eployment)

QFD: Desdobramento da Função da Qualidade

Objetivo:

Perguntas:

Pensamento:

Page 62: Treinamento Six Sigma LG Electronics

62

a) Esclareça as necessidades dos clientes, confiabilidade dos requisitos, qualidade presente VOC (Voice of Customer).

b) Priorize todas as informações, liste as possíveis soluções técnicas.

c) Priorize as soluções técnicas, selecione as maiores como CTQs.

d) Liste os possíveis causa referentes aos CTQs.

e) Priorize os CTQs e selecione os Sub-CTQs.

QFD traduz exigências do cliente em exigências técnicas adequadas

O QFD não permite a ausência de questionamento. Razões para fazer perguntas:

- Aprender - Mostra interesse - Despertar interesse - Esclarecer - Ter retorno - Conseguir concordância/consenso - Discordar para novas idéias - Manter pensamento ativo

“ A coisa mais importante é nunca parar de perguntar” Albert Einstein

Ferramentas – QFD Ferramentas – QFD ((QQuality uality FFunction unction DDeployment)eployment)

Etapas:

Page 63: Treinamento Six Sigma LG Electronics

63

Aplicando um QFD num Salão de Beleza:

O salão “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 salão de beleza no mês passado (VOC).

- Preço mais satisfatório

- Sistema de reserva mais conveniente

- Relação pessoal mais agradável entre o cliente e funcionários

- Serviço adicional (Manicure, Pedicure etc....)

Exemplo:

Ferramentas – QFD Ferramentas – QFD ((QQuality uality FFunction unction DDeployment)eployment)

Processo principal

Corte de cabelo e outros serviços

Programação da hora

Aceita de reserva

Recrutar

Manter os funcionários

Planejar os serviços adicionais

Comprar acessórios

1 2 3 4 VOC

Weight 1 3 3 2Total

3 9 0 0

1 27 9 0

0 27 9 0

1 9 27 6

1 0 9 0

0 0 0 6

3 0 0 2

Bom (9 pontos); Normal (3 pontos); Ruim (1 ponto); Sem valor: não tem ponto

Total

Processo principal

Corte de cabelo e outros serviços

Programação da hora

Aceita de reserva

Recrutar

Manter os funcionários

Planejar os serviços adicionais

Comprar acessórios

1 2 3 4 VOC

Weight 1 3 3 2Total

3 9 0 0

1 27 9 0

0 27 9 0

1 9 27 6

1 0 9 0

0 0 0 6

3 0 0 2

Bom (9 pontos); Normal (3 pontos); Ruim (1 ponto); Sem valor: não tem ponto

Total

Page 64: Treinamento Six Sigma LG Electronics

64

Meta & CronogramaMeta & Cronograma

Estabelecimento da Meta e do Cronograma.

As metas podem ser:

Provenientes da Matriz (HQ Korea);

Provenientes da Alta Administração (FSE);

Estabelecidas de forma desafiadora (30% é possível, mas 5% pode não ser).

Cronograma:

Liste as direções detalhadas do conteúdo do projeto e estabeleça o cronograma.

※ O Plano deve considerar todas as situações que podem ocorrer no andamento do projeto,

possíveis contratempos.

Ex.:

O formulário acima não foi padronizado e pode ser modificado de acordo com a situação.

Controlar (C)Melhorar (I)Analisar (A)Medir (M)Definir (D)

6/1 6/17 7/25 8/12 10/14 10/30

1.1 Checar Biz. Issue.

1.2 Definição Big Y.

1.3 Selecione o PJT.

2.1 Analise do processo.

2.2 Definição CTQ.

2.3 Extração do Y.

3.1 Organização do time.

3.2 Meta e Cronograma.

3.3 Calculo do lucro

3.4 Registro Projeto.

4.1 Estabeleça um

plano de coleta de

dados.

4.2 Inspecione o

sistema de medição.

5.1 Colete dados

5.2 Meça o nível Z

atual

5.3 Estabeleça a

direção de melhoria

6.1 Extração de pos-

síveis X’s.

6.2 Coleta e exame de

dados adicionais.

6.3 Seleção do Vital

Few e checagem da

possibilidade de alcan

çar a meta.

7.1 Examinar a causa

do Vital Few.

8.1 Extração do plano

de melhoria.

8.2 Avaliar o plano de

melhoria.

8.3 Selecionar o plano

de melhoria.

9.1 Execute/ inspeci-

one

9.2 Calculo do lucro

real.

10.1 Padronização das me

lhorias.

11.1 Estabeleça plano de

gerenciamento

12.1 Finalize o relatório do

projeto.

12.2 Compartilhe o resultado

Processo

Conteúdo

Page 65: Treinamento Six Sigma LG Electronics

65

3.3 Cálculo estimado do ganho do projeto.

Após a definição da meta a ser alcançada com o projeto é possível estimar o ganho financeiro caso essa meta seja atingida. Para isso aconselha-se uma reunião do líder do projeto com o Black Belt que estará 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 reunião com um membro do Depto de Inovação que estará analisando a definição. Após a assinatura do Depto de Inovação deve ser agendado o Sponsor Review para que o Sponsor analise a Definição do projeto e autorize a apresentação para o Champion.

Somente após a coleta de todas as assinaturas pode-se dar continuidade ao projeto.

Folha padrão de Registro do Projeto:

Estimativa de Ganho & RegistroEstimativa de Ganho & Registro

Nome do Projeto:

Itens daMelhoria

Ponto critico

Y(K P I)

Como fazer a melhoria?Por que selecionar este projeto?

Ob

jeti

vo

Planejado

Classificação do PJT

Composição do time

Resultado Quantitativo :

Data do Registro:

Registro Coréia

Realizado

Suporte(Belt) :

Little Y

Big Y

Reg. Nº.:

Resultado Qualitativo

Registro de Projeto

Situação Atual Objetivo

Data do Registro:

AA II CCMMDD

ChampionSponsorInnovationLeader ChampionSponsorInnovationLeader

Great Company Great People Faça Perfeito !

ParticipaçãoBeltPapelDeptoNome ParticipaçãoBeltPapelDeptoNome

1P1P

Page 66: Treinamento Six Sigma LG Electronics

66

4

Medição- Entender a importância da medição.

- Entender o método correto para coletar os dados.

- Verificar a condição atual do processo.

- Decidir a direção e a extensão da melhoria.

Metas

Ferramentas

PassosPASSO 4 : Verificar as características do Y do Projeto

PASSO 5 : Verificar a condição atual

- Análise do sistema de medição : Gage R&R

- Análise da capacidade do processo : Nível de sigma, DPU, DPO, DPMO

- Diagrama de 4 Blocos

LG Electronics Green Belt [Mfg]

Page 67: Treinamento Six Sigma LG Electronics

67

Propósito

Passos da atividade

Saída

Passo 4- Preparar folha de resumo de dados

- Relatório de medições

- Resultado do Gage R&R e ações

Passo 5- Resultado da análise do processo

- Diagrama de 4 blocos

- Meta de melhoria e direção

Examinar as propriedades do Y do Projeto selecionado e definir a base através da medição do nível atual. Definir a meta de melhoria e a direção a ser tomada.

Passo 5. Medir o nível atualPasso 4. Verificar as propriedadesdo Y do Projeto

4.1 Preparar resumo dos dados4.2 Definir plano de medição4.2 Aprovar sistema de medição

5.1 Coletar dados do Y do Projeto5.2 Medir nível atual5.3 Decidir direção de melhoria

Medição

Page 68: Treinamento Six Sigma LG Electronics

68

• Definir a possível causa de

variação e possível item a medir.

• Preparar o correto plano de medição sobre o item do Projeto Y e resumo dos dados.

- Lista

5M1E, Potenciais X’s

Possíveis eventos

especiais

- Prepara o plano de medição

sobre o item a ser medido

-Diagrama de fatores-Logic Tree-Matriz X-Y

Preparar o resumo

dos dados

Preparar Plano deMedições

• Verificar a adequação do

sistema de medição.

- Verificar as propriedades dos

métodos/processos e padrões

de medição e propriedades

dos equipamentos de medição

- Gage R&RVerificar oSistema de

medição

Atividade Ferramenta

Passo 4 Verificar as propriedades do Y do Projeto

Definir/examinar as causas das variações no processo e seus atributos e

verificar a validade da medição para selecionar o Y do projeto.

Propósito

Page 69: Treinamento Six Sigma LG Electronics

69

Medir o

nível atual

Decidir a direção da melhoria

• Verificar a capabilidade do

Projeto Y.

- Cálculo do Nível

de Sigma (Z-value)

- Capabilidade do

processo - Análise - (Curto/longo prazo)

• Definir a direção de melhoria

baseada na atual capabilidade.

-Definir a direção da

melhoria

Coletar dados do

Y do Projeto

• Coletar dados para medir a

capabilidade do processo de curto

e longo prazo do projeto Y.

No caso de não poder dividir

em curto e longo prazo, isso

deve ser mencionado.

- Coletar dados- Registrar dados - Resumir item

- Rational

Sub-grouping

Atividade Ferramenta

Passo 5 Verificar o nível atual

Definir o nível atual (capabilidade do processo) do Projeto Y e com base nisso,

Definir a meta e direção do projeto.

Propósito

Page 70: Treinamento Six Sigma LG Electronics

70

Entendendo o Z-ValueEntendendo o Z-Value

Propósito

A escala σ (Z-value) é uma métrica para medir o nível de qualidade de um produto/processo/serviço. Da mesma maneira que utilizamos metros [m] para distância e graus Celsius [ºC] para temperatura, utilizamos o Z-Value como uma linguagem comum. Desta forma, diferentes departamentos podem verificar o nível da qualidade um do outro.

Exemplo:

A velocidade média de um carro de fórmula 1 é de aproximadamente 300km/h, com um desvio padrão de 10km/h.

300

+1σ

310 320 330280 290270

µ µ+1σ µ+2σ µ+3σµ-2σ µ-1σµ-3σ

300 310 320 330280 290270EIXO de X

1 2 3-2 -1-3 0EIXO de Z

µ = 300σ = 10µ = 300σ = 10

Page 71: Treinamento Six Sigma LG Electronics

71

Coleta de Dados (Rational Subgrouping)Coleta de Dados (Rational Subgrouping)

Propósito

Nesta fase do projeto é NECESSÁRIO fazer um plano de coleta de dados. Os dados precisam ser coletados pois precisamos saber o Nível de Sigma atual do processo (Y). Para se coletar os dados é necessário criar um plano chamado de Rational Subgrouping (Subgrupo Racional), que nada mais é que a coleta de amostras de maneira aleatória, garantindo assim, que todas as variações possíveis aconteçam (Black Noise e White Noise).Para montar o plano é preciso definir: Tipo de Dados do Y, discreto ou continuo; Quem irá coletar as amostras (ex.: José); Freqüência da coleta (ex.: semanal, diário, por turnos); Ferramenta utilizada para medir a amostra ( ex.: régua, paquímetro, software) Fazendo o Rational Subgrouping conseguimos um valor mais próximo da população (diminuição do erro amostral).

Tempo

Res

post

a P

roce

sso

WHITE NOISE

BLACK NOISERATIONAL

SUBGROUPS

White Noise:

É a variação que acontece dentro de cada subgrupo. Também conhecido como Causa Comum, pois acontece em todos os processos e é impossível eliminá-la.

Black Noise:

É a variação que acontece entre os subgrupos. Também conhecido como Causa Especial, pois é algo estranho ao processo, ou seja, não deveria haver variação entre os subgrupos.

Nos projetos 6 Sigma, atuamos principalmente no “Black “Black Noise”Noise” pois o impacto da melhoria será maior.

IMPORTANTE

Page 72: Treinamento Six Sigma LG Electronics

72

Gage R&R (Crossed)Não destroi a peça

Gage R&R (Crossed)Não destroi a peça

Gage R&R (Nested)danifica a peça

Gage R&R (Nested)danifica a peça

ContínuosContínuos DiscretoDiscreto

DadosDados

Tipos de GageTipos de Gage

Gage AttributeGage Attribute

Para cada Tipo de dados existe um Gage apropriado.

Gage R&R Crossed

É utilizado quando podemos repetir as medições feitas em cada peça, ou seja, cada peça pode ser medida mais de uma vez.

Gage R&R Nested

É utilizado em ensaios destrutivos, ou seja, cada vez que medimos uma peça ela é destruída não sendo possível repetir a medição.

IMPORTANTE

ANOVAANOVA X-Bar RX-Bar R ANOVAANOVA

Page 73: Treinamento Six Sigma LG Electronics

73

Gage R&RGage R&R

Propósito

Para coletar os dados você precisou utilizar um equipamento, por exemplo, um paquímetro. Como você pode garantir que os dados são confiáveis?Para validar seu sistema de medição, garantindo que os dados medidos sejam confiáveis, você deve utilizar o GAGE R&R. O Gage R&R só pode ser utilizado para dados contínuos.

MSACom o Gage R&R iremos analisar o sistema de medição (Measurement System Analysis) a fim de validá-lo.A variação de um processo é composta por 2 partes: Variação Real do Processo (σProcesso) e

Variação Sistema de Medição (σR&R)

R&RProcessoTotal σσσ +=

Variação real do processoVariação real do processo

Bias

Estabilidade

Linearidade

Variação Total Observada

Variação Sistema Medição

White Noise Black Noise Exatidão Precisão

σProcesso

σT

σR&R

Repetibilidade

Reprodutibilidade

Page 74: Treinamento Six Sigma LG Electronics

74

Gage R&RGage R&R

Valor observado

Repetibilidade é a variação nas medidas

obtidas com um equipamento de medida

(gage), quando usado várias vezes pelo

mesmo operador medindo a mesma

característica da peça.

Reprodutibilidade é a variação nas médias

das medidas feitas por diferentes operadores

usando o mesmo equipamento de medida

(gage) quando medindo a mesma

característica da peça.

Operador A Operador B

Operador C

Repetibilidade (equipamento)

Reprodutibilidade (operador)

Operador A

Page 75: Treinamento Six Sigma LG Electronics

75

Valor real Bias

Média observada

☞ Diferença entre valor real e a média do valor observado

• Programação do valor real é medido pelo Sistema de medida exato

☞ É a variação total nas medições obtidas com um sistema de medição sobre o mesmo padrão ou valor de referência num determinado período de tempo.

• Sistema de medidas afeta o resultado quando tempo se vai por fatores ambientais, abrasividade, temperatura, umidade, etc.

Estabilidade

Tempo 1

Tempo 2

Bias

Estabilidade

Gage R&RGage R&R

Page 76: Treinamento Six Sigma LG Electronics

76

Gage R&RGage R&R

Desvio de exatidão:grande

Desvio de exatidão:pequeno

LSL USL

Valor Atual

Valores Referência (medido)

ValorReal

Valor deReferência (medido)

Linearidade

☞ É a diferença nos valores através da faixa de operação.

• Avaliar comparando exatidão dentro do alcance da função de espaço.

• Exatidão por alcance geral da função de espaço.

Page 77: Treinamento Six Sigma LG Electronics

77

Gage R&RGage R&R

▶ Dispersão é a variação nas medidas obtidas com um equipamento de medida quando usado várias vezes. ▷ A dispersão é dividida em duas categorias: Repetibilidade e Reprodutibilidade.

- ANOVA método que pode definir as causas da variação em um equipamento de medida melhor que o método

Xbar R.

- Menor efeito dos pontos fora dos padrões.

- Para uma mesma quantidade de dados, ANOVA fornece mais informações detalhadas sobre um o

equipamento de medida que o método Xbar – R.

- Pode separar a interação entre operadores e peças.

a ) Quando a Repetibilidade é maior que a Reprodutibilidade Problema de equipamento de medida

- Manutenção preventiva no equipamento de medida

- Equipamento de medida inadequado

- Localização (lugar da medida ou ponto da peça medida)

b) Quando a Reprodutibilidade é maior que a Repetibilidade Problema com Operador

- Não está acostumado com o equipamento de medida. Precisa de treinamento.

c) Causas da variação

- Equipamento de medida : Diferença entre equipamentos de medida, diferenças entre escalas

- Métodos : Leitura da escala, Medidas habituais.

- Peças : Variação entre as peças

- Condições : Diferentes ambientes tais como umidade, temperatura etc.

- Operadores : Diferenças entre operadores, turnos, laboratórios, etc

Propósito:

ANOVA

Como Ajustar:

Page 78: Treinamento Six Sigma LG Electronics

78

Gage R&RGage R&R

- Geralmente 2~3 operadores, 10 peças medidas de 2~3 vezes.

- Antes do estudo, verifique a calibração do equipamento.

- Cada operador mede todas as partes aleatoriamente.

- Atenção : Operador não deve identificar as peças quando está medindo.- Analise dos resultados : Repetibilidade, Reprodutibilidade, %R&R. - A coleta de dados para um Gage não deve ser aleatória mas sim intencional, devem ser

coletadas peças por todo o range do processo.

% Tol ou % Study Var < 20% : Aceita

% Tol ou % Study Var 20%~29% : Aceita condicionalmente

%Tol ou % Study Var > 30% : Rejeita. Precisa ser melhorado

% Tol.

% Study30

30

20

0 20

OK

AceitoCondicionalmente

Troca do Sistema de medida

Processo:

Regra de Thumb

Page 79: Treinamento Six Sigma LG Electronics

79

Gage R&RGage R&R

Exemplo:

Afim de avaliar o sistema de medição foi realizado um Gage R&R com 3 operadores sendo que cada um

mediu 10 peças 3 vezes cada. Spec. : 2.5 ± 1.5

Abrir o arquivo: Gageaiag.mtw, esse arquivo vem no banco de dados do próprio Minitab.Stat>Quality tools>Gage Study>Gage R&R Study (Crossed)

Coluna com os números das peças

Coluna com os nomes dos operadores

Coluna com as medições feitas

Método ANOVA mais precisão no resultado.

Page 80: Treinamento Six Sigma LG Electronics

80

Gage R&RGage R&R

Após ter adicionado as três colunas (peça, operador e medições) clicar no botão “Options”. Nesse menu

é possível colocar a tolerância do processo em análise, nessa caso a tolerância é: ± 1,5, assim

devemos colocar o valor 3 no campo indicado abaixo.

Tolerância do processo. (± 1,5)

Page 81: Treinamento Six Sigma LG Electronics

81

Gage R&RGage R&R

Gage R&R

%ContributionSource VarComp (of VarComp)Total Gage R&R 0,09143 7,76 Repeatability 0,03997 3,39 Reproducibility 0,05146 4,37 Operator 0,05146 4,37Part-To-Part 1,08645 92,24Total Variation 1,17788 100,00

Study Var %Study Var %ToleranceSource StdDev (SD) (6 * SD) (%SV) (SV/Toler)Total Gage R&R 0,30237 1,81423 27,86 60,47 Repeatability 0,19993 1,19960 18,42 39,99 Reproducibility 0,22684 1,36103 20,90 45,37 Operator 0,22684 1,36103 20,90 45,37Part-To-Part 1,04233 6,25396 96,04 208,47Total Variation 1,08530 6,51180 100,00 217,06

Number of Distinct Categories = 4

Gage R&R

%ContributionSource VarComp (of VarComp)Total Gage R&R 0,09143 7,76 Repeatability 0,03997 3,39 Reproducibility 0,05146 4,37 Operator 0,05146 4,37Part-To-Part 1,08645 92,24Total Variation 1,17788 100,00

Study Var %Study Var %ToleranceSource StdDev (SD) (6 * SD) (%SV) (SV/Toler)Total Gage R&R 0,30237 1,81423 27,86 60,47 Repeatability 0,19993 1,19960 18,42 39,99 Reproducibility 0,22684 1,36103 20,90 45,37 Operator 0,22684 1,36103 20,90 45,37Part-To-Part 1,04233 6,25396 96,04 208,47Total Variation 1,08530 6,51180 100,00 217,06

Number of Distinct Categories = 4

O resultado abaixo aparecerá no Minitab. É preciso avaliar alguns pontos importantes para garantir que

o Sistema de Medição está confiável. São eles:

% Study Var % Tolerance Nº Categorias Distintas

Exercício:

Avalie o Gage R&R ao lado, decida se esta aceito ou rejeitado.

Justifique sua resposta.

Page 82: Treinamento Six Sigma LG Electronics

82

Nº categoriasdistintas

Significado

1 Se a variação do Sistema de Medição for semelhante a variação real do processo não é possível avaliar este processo, com isso o número de categorias cai.

Sistema inapropriado.

2~4 Não é possível detectar a variação do processo mesmo utilizando uma carta de controle, pois a sensibilidade do equipamento ainda não consegue distinguir as várias categorias.

Sistema inapropriado.

≥ 5 Nessa faixa já é possível verificar e gerenciar as variações existentes no processo, com isso o Sistema de Medição se torna confiável.

Sistema apropriado

% Study Var Avalia se o Sistema de Medição é capaz de detectar a variação do processo ou não. Isto significa que esse sistema é apropriado.

% Tolerance Mostra a exatidão do Sistema de Medição de acordo com a tolerância do processo, avalia se é possível detectar se a peça esta boa ou ruim.

Nº CategoriasDistintas

Avalia se o Sistema de Medição consegue distinguir as variações do processo. Descreve quantos grupos diferentes o sistema consegue distinguir, quanto maior melhor será o resultado.

Significado:

Gage R&RGage R&R Tolerância do Equipamento.

Quando for necessário utilizar um equipamento para realizar um Gage R&R sua resolução deve ser de 1/10 da tolerância do processo.

Ex.: Se a Spec for 2±0,5 [cm] significa que a tolerância é de ±0,5 [cm], nesse caso o equipamento tem que ter a capacidade de medir 1/10 desse valor, ou seja:

O equipamento tem que conseguir medir nessa escala.

[cm]0,0050,05*10

1Equip.Tol. ==

Page 83: Treinamento Six Sigma LG Electronics

83

Gráficos:

Gage R&RGage R&R

Per

cent

Part-to-PartReprodRepeatGage R&R

200

100

0

% Contribution

% Study Var

% Tolerance

Sam

ple

Ran

ge

1,0

0,5

0,0

_R=0,342

UCL=0,880

LCL=0

A B C

Sam

ple

Mea

n

2

0

-2

__X=0,001UCL=0,351LCL=-0,348

A B C

P art10987654321

2

0

-2

OperatorCBA

2

0

-2

P art

Ave

rage

10 9 8 7 6 5 4 3 2 1

2

0

-2

Operator

A

BC

Gage name:Date of study :

Reported by :Tolerance:Misc:

Com ponents of Variation

R Chart by Operator

Xbar Chart by Operator

Measurem ent by Part

Measurem ent by Operator

Operator * Part Interaction

Gage R& R (A NOVA ) for Measurement

O Gage R&R gera o gráfico abaixo, onde podemos verificar se este está ou não aprovado.

1

2

3

4

5

6

Nesse gráfico é possível ver a variação de cada parte:

Part-to-Part variação do processo;

Gage R&R Variação sistema de medição.

A variação Part-to-Part tem que ser muito maior que a Gage R&R.

Mostra a estabilidade dos operadores, os pontos devem estar dentro dos limites UCL e LCL

Mostra o número de categorias distintas, ou seja, a sensibilidade do equipamento, os pontos devem estar fora dos limites UCL e LCL.

Mostra a diferença entre as medidas feitas pelos operadores para cada uma das peças, a linha central indica a média das medidas, é desejável que essa média varie entre as peças.

Mostra a diferença entre os operadores, o ideal é que a linha esteja praticamente horizontal.

Mostra a interação entre os operadores, quanto mais próximo as linhas melhor será.

1

2

3

4

5

6

Page 84: Treinamento Six Sigma LG Electronics

84

Gage AttributeGage Attribute

Propósito

O que são dados atributos?São os dados do tipo: OK / NG ou Verde / Amarelo. Normalmente são utilizados quando estamos avaliando um operador, se este sabe ou não inspecionar algum ponto do processo/produto/serviço.Neste caso devemos trabalhar da seguinte forma:

Nº Operadores Mínimo peças avaliadas Mínimo repetições

1 24 5

2 18 4

3 12 3

Estatística Apropriado Aceito condicional Inapropriado

Eficiência [PE]

90~100 % 80~90 % Abaixo 80 %

Alarme Falso [PFA] 0~5 % 5~10 % Acima 10 %

Perda [Pmiss]

0~2 % 2~5 % Acima 5 %

Regra:

Importante: cuidado com as medidas de fronteira (ex.: PFA = 5%, pode ser simultaneamente

classificado como “Apropriado” e “Aceito Condicionalmente”)

Page 85: Treinamento Six Sigma LG Electronics

85

Pedro César Mauricio1 NG OK NG NG2 OK NG OK OK3 OK NG OK OK4 OK NG NG OK5 OK OK OK NG6 OK OK OK OK7 NG NG NG NG8 NG NG NG NG9 NG NG OK OK10 NG NG OK NG11 NG NG NG NG12 OK NG OK OK1 NG OK NG2 OK OK NG3 OK NG OK4 OK OK NG5 OK OK OK6 OK OK OK7 OK OK OK8 OK OK NG9 OK NG OK10 NG NG OK11 NG NG NG12 OK NG OK1 OK OK NG2 OK OK NG3 OK NG OK4 OK OK NG5 OK NG OK6 OK OK OK7 OK OK NG8 OK OK NG9 NG NG OK10 NG OK OK11 NG NG NG12 OK NG OK

Peça AtributoOperadores

Exemplo:

Foi realizado um Gage Atributos com 3 operadores para verificar se os mesmos sabem inspecionar peças do processo XXX. Abaixo esta o resultado das medições feitas.

Utilizando o Minitab, faça a análise.Stat>Quality Tools>Attribute Agreement Analysis

1

2

3

4

1

2

3

4

Attribute column: preencher este campo com a coluna das medidas dos operadores.

Samples: preencher este campo com a coluna dos números de cada peça.

Appraisers: preencher este campo com a coluna dos nomes dos operadores

Known standard/attribute: preencher esse campo com a coluna do atributo padrão (referência), caso este exista.

Gage AttributeGage Attribute

Page 86: Treinamento Six Sigma LG Electronics

86

Gage AttributeGage Attribute

Within Appraisers

Assessment Agreement

Appraiser # Inspected # Matched Percent 95 % CICésar 12 6 50,00 (21,09; 78,91)Mauricio 12 10 83,33 (51,59; 97,91)Pedro 12 8 66,67 (34,89; 90,08)

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

Appra iser

Pe

rce

nt

PedroMauricioCésar

100

80

60

40

20

0

95,0% C IPercent

Appra iser

Pe

rce

nt

PedroMauricioCésar

100

80

60

40

20

0

95,0% C IPercent

Date of study: Reported by:Name of product:Misc:

Assessment Agreement

Within Appraisers Appraiser vs Standard

Abaixo esta o valor do PE de cada operador, de acordo com a regra avalie cada operador

dizendo se estão aceitos ou não. Justifique sua reposta.

PE

Page 87: Treinamento Six Sigma LG Electronics

87

Gage AttributeGage Attribute

Cálculos:

As probabilidades (PE, PFA e Pmiss) podem ser calculadas sem o Minitab através das seguintes

fórmulas:

[%]100*ções)Peças(mediTotal

AcertosQtdePE =

PE é a taxa de acerto de cada operador. O

calculo é realizado através da divisão do total de medições corretas pelo total de peças inspecionadas.

[%]100*medidas repeticoes Total*padrão boas peças

FalsoAlarmeQtdePFA =

PFA é a taxa de alarme falso. Alarme falso é o

erro que o operador comete quando julga uma peça “BOA” como “RUIM”. Esse tipo de erro não é tão grave quanto o PMiss, mas diminui a

eficiência da linha de produção.

[%]100*repetições Total*padrão ruins Peças

ErroQtdeP Perda

Miss =

PMiss é o erro que o operador comete quando

julga uma peça “RUIM” como “BOA”. Esse tipo de erro é bem grave, pois o operador deixa entrar no processo peças com defeito. Sendo esse tipo de erro muito alto, o defeito chegará no cliente.

Page 88: Treinamento Six Sigma LG Electronics

88

Gage AttributeGage Attribute

Exemplo:Foi realizado um Gage Atributos na companhia LGE000, para verificar se os operadores sabiam fazer a inspeção de Cosmetic na linha de LCD. Calcule PE, PFA e PMiss e analise os

operadores.Parts Actual

ValueBenedito Joly Bárbara

1 2 3 1 2 3 1 2 3

1 G G G G G G G G G G

2 G G G G G G G G G G

3 NG NG NG NG NG NG NG NG NG NG

4 G G G G G G G G G G

5 NG NG NG NG NG G NG G G G

6 G G G G G NG NG G G G

7 NG NG NG NG NG NG NG NG NG NG

8 NG NG NG NG NG NG NG NG G NG

9 G G G G G G G G G G

10 G G G G G G G G G G

11 NG NG NG NG NG NG NG NG NG NG

12 G G NG G NG NG NG G G NG

13 NG NG NG NG NG NG NG NG NG NG

14 G G G G G G G G G G

15 NG NG NG NG NG NG NG NG NG NG

Page 89: Treinamento Six Sigma LG Electronics

89

Gage AttributeGage Attribute

97,78%100*45

44PE ==

4,17%100*3*8

1PFA ==

0%100*3*7

0PMiss ==

Benedito Joly Barbará

86,67%100*45

39PE ==

20,83%100*3*8

5PFA ==

4,76%100*3*7

1PMiss ==

88,89%100*45

40PE ==

4,17%100*3*8

1PFA ==

19,05%100*3*7

4PMiss ==

Conclusão: Conclusão: Conclusão:

Page 90: Treinamento Six Sigma LG Electronics

90

Measurement

Basic Metrics

Common

Z(Bench )-Value

(ST, LT), Zshift

Cp, Cpk

Pp, Ppk

Dados Discretos

Sigma- level, RTY

Baseado na qty/proporção

DPU

DPO,DPMO

Taxa de defeito

PPM

Tipo Dados Dados Contínuos

Métricas Básica

Métricacomum

ZBench Zshift

Cp, Cpk

Pp, Ppk

Nível de sigma

Baseado na variação/média

DPU

DPO,DPMOPPM

Calculando o Z-valueCalculando o Z-value

Z-value:

Após já ter sido coletado as amostras dos dados atuais do Y do Projeto é preciso calcular o Z-value. Para cada tipo de dados existe uma ferramenta adequada. Abaixo esta a relação de ferramentas:

Capability Anlysis

Page 91: Treinamento Six Sigma LG Electronics

91

Capability AnalysisCapability Analysis

PCI

Quando estamos trabalhando com o Y do projeto sendo dados contínuos, para calcular o Z-value utiliza-se o PCI (Process Capability Analysis). Com essa ferramenta podemos calcular o ZST, o ZLT e o Zshift, além dos indicadores de capabilidade Cp, Cpk, Pp e Ppk. Esta também é a

única ferramenta que nos indica o sentido de melhoria que deve ser tomado no processo, através do Diagrama de 4 Blocos.

ZST Nível de sigma em curto período (short term) também pode ser escrito ZSTBench

ZLT Nível de sigma em longo período (long term) também pode ser escrito ZLTBench

Zshift deslocamento entre o ZST e o ZLT, se esse valor for maior do que 1,5 terá problema no

processo, sinal de muito deslocamento, ou seja, o processo está deslocado do centro da Spec.

Cp Capabilidade do processo em curto período avaliando a variação(within).

Cpk Capabilidade do processo em curto período avaliando o deslocamento da média (within).

Pp Capabilidade do processo em longo período avaliando a variação(overall).

Ppk Capabilidade do processo em longo período avaliando o deslocamento da média (overall).

Page 92: Treinamento Six Sigma LG Electronics

92

LSL USL

Cp = 2.0

Cp = 1.33

Cp = 0.6

Capability AnalysisCapability Analysis

Cp, Cpk, Pp, Ppk

Analisando graficamente temos:

Podemos verificar que quanto maior a variação menor será o Cp/Pp.

Podemos verificar que quanto maior a variação menor será o Cp/Pp.

LSL USLCpk = 1,5

Cpk = 1,00

Cpk = 0,45

Podemos verificar que quanto maior o deslocamento menor será o Cpk/Ppk.

Podemos verificar que quanto maior o deslocamento menor será o Cpk/Ppk.

Fórmulas:periodo) towithin(cur6.σ

LSLUSLCp

−=periodo) ngooverall(lo6.σ

LSLUSLPp

−=

T

T

k

k

k

k)Pp.(1Ppk

k)Cp.(1Cpk

−=−=

Fórmulas:

Cp/Pp

Cpk/Ppk

2LSL-USL

TX k

−=

within3.σ

XUSLCPU

−=

ou

within3.σ

LSLXCPL

−=CPL]min[CPU;Cpk =

overall3.σ

XUSLPPU

−=

overall3.σ

LSLXPPL

−=

PPL]min[PPU;Ppk =

Page 93: Treinamento Six Sigma LG Electronics

93

Capability AnalysisCapability Analysis

ZST / ZLT / ZShift

Para calcularmos o Níveis de Sigma iremos utilizar o Minitab. O primeiro passo a realizar é verificar se os dados coletados seguem uma distribuição normal. Abaixo esta os dados coletados de um processo XXX, sendo que sua Spec é: 9±1,5

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

1º Passo: Normality Test.

Adicionar coluna dos dados

Sempre utilizar esse método

Dados

Perc

ent

13121110987

99

95

90

80

70

605040

30

20

10

5

1

Mean

0,335

9,89StDev 1,045N 30AD 0,404P-Value

Probabi l i ty P lot of DadosNormal

Regra Normality Test:

P-value > 0,05 dados normais.

P-value < 0,05 dados não normais.

P-value=0,335Dados normais

P-value=0,335Dados normais

Page 94: Treinamento Six Sigma LG Electronics

94

2º Passo: Calcular o ZLT

Stat>Quality Tools>Capability Analysis>Normal

Capability AnalysisCapability Analysis

Coluna com os dados

Tamanho amostra

Spec do processo

Depois de adicionar a coluna com os dados e colocar a Spec do processo, clique em “Options”.

Selecione a opção “Benchmark Z’s (sigma level)”

Page 95: Treinamento Six Sigma LG Electronics

95

Irá aparecer o gráfico abaixo, neste gráfico temos o valor de ZLT.

Capability AnalysisCapability Analysis

12111098

LSL USLProcess Data

Sample N 30StDev (Within) 1,09725StDev (O v erall) 1,05414

LSL 7,5Target *USL 10,5Sample Mean 9,89

Potential (Within) C apability

C C pk 0,46

O v erall C apability

Z.Bench 0,54Z.LSL 2,27Z.USL 0,58Ppk

Z.Bench

0,19C pm *

0,51Z.LSL 2,18Z.USL 0,56C pk 0,19

O bserv ed PerformancePPM < LSL 0,00PPM > USL 266666,67PPM Total 266666,67

Exp. Within PerformancePPM < LSL 14696,59PPM > USL 289127,55PPM Total 303824,15

Exp. O v erall PerformancePPM < LSL 11687,24PPM > USL 281405,09PPM Total 293092,34

WithinOverall

Process Capabi l i ty of Dados

ZLTZLT

Para calcularmos o ZST é preciso utilizar o valor do Desvio Padrão curto período (StDev (within) e

também precisamos do Target do processo.

StDev (Within) = 1,09725 Target = 9,0

Page 96: Treinamento Six Sigma LG Electronics

96

3º Passo: Calcular o ZST

Stat>Quality Tools>Capability Analysis>Normal

Capability AnalysisCapability Analysis

121110987

LSL USLProcess Data

Sample N 30StDev (Within) 1,09725StDev (O v erall) 1,05414

LSL 7,5Target *USL 10,5Sample Mean 9

Potential (Within) C apability

C C pk 0,46

O v erall C apability

Z.Bench 1,02Z.LSL 1,42Z.USL 1,42Ppk

Z.Bench

0,47C pm *

0,95Z.LSL 1,37Z.USL 1,37C pk 0,46

O bserv ed PerformancePPM < LSL 0,00PPM > USL 266666,67PPM Total 266666,67

Exp. Within PerformancePPM < LSL 85804,19PPM > USL 85804,19PPM Total 171608,38

Exp. O v erall PerformancePPM < LSL 77373,13PPM > USL 77373,13PPM Total 154746,27

WithinOverall

Process Capabi l i ty of Dados

ZSTZST

Target

StDev (Within)

Page 97: Treinamento Six Sigma LG Electronics

97

Capability AnalysisCapability Analysis

4º Passo: Calcular o ZShift

Para calcular o ZShift utilizamos a seguinte fórmula:

Neste exemplo temos:ZST=0,95 ZLT=0,54 ZShift=0,95-0,54 = 0,41

Com o valor do ZST e do ZShift é possível montar o Diagrama de 4 Blocos, essa ferramenta nos mostra o sentido de melhoria que devemos tomar.

LTSTShift ZZZ −=

ZST

ZShift

1,5

4,5

1

2

3

4

O eixo ZST também é chamado de TecnologiaTecnologia, e esta relacionado com a Variação do processo quanto

mais variação pior será. Essa variação esta relacionada com problemas de White Noise.O eixo ZShift também é chamado de ControleControle, e esta relacionado com o Deslocamento da Média do

processo, quanto mais deslocada pior será. Esse deslocamento esta relacionado com problemas de Black Noise.

NG OK

NG

OK

1

2

3

4

Pior quadrante, nessa região temos problema tanto de Controle como de Tecnologia.

Nesse quadrante temos problema somente com a tecnologia, será preciso diminuir a variação no processo investindo em equipamentos.

Nesse quadrante temos problema somente de controle, será preciso diminuir o deslocamento da média, diminuindo as influências de Black Noise.

Esse é o melhor quadrante, todos os pontos estão bons.

Page 98: Treinamento Six Sigma LG Electronics

98

Capability AnalysisCapability Analysis

4º Passo: Calcular o ZShift

Já sabemos que o ZST=0,95 e ZShift=0,95-0,54 = 0,41 então plotando esses valores no diagrama

teremos:

ZST

ZShift

1,5

4,5NG OK

NG

OK

0,95

0,41

Nesse quadrante temos problema de Tecnologia, será preciso diminuir a variação do Processo, reduzindo problemas de White Noise.

Page 99: Treinamento Six Sigma LG Electronics

99

Capability AnalysisCapability Analysis

Calculando Cp, Cpk, Pp e Ppk através do Minitab. Vamos utilizar o mesmo exemplo anterior.

Apagar esses valores

Clicar em “Options”

Escolher essa opção.

Page 100: Treinamento Six Sigma LG Electronics

100

Capability AnalysisCapability Analysis

Irá aparecer o gráfico abaixo, nele temos todos os índices relacionados a Capabilidade do processo.

12111098

LSL USLProcess Data

Sample N 30StDev (Within) 1,09725StDev (O v erall) 1,05414

LSL 7,5Target *USL 10,5Sample Mean 9,89

Potential (Within) C apability

C C pk 0,46

O v erall C apability

Pp 0,47PPL 0,76PPU 0,19Ppk

C p

0,19C pm *

0,46C PL 0,73C PU 0,19C pk 0,19

O bserv ed PerformancePPM < LSL 0,00PPM > USL 266666,67PPM Total 266666,67

Exp. Within PerformancePPM < LSL 14696,59PPM > USL 289127,55PPM Total 303824,15

Exp. O v erall PerformancePPM < LSL 11687,24PPM > USL 281405,09PPM Total 293092,34

WithinOverall

Process Capabi l i ty of Dados

Capabilidade Curto Período (within)

Capabilidade Curto Período (within)

Capabilidade Longo Período (overall)

Capabilidade Longo Período (overall)

Desvio Padrão Longo Período

(overall)

Desvio Padrão Longo Período

(overall)

Desvio Padrão Curto Período

(within)

Desvio Padrão Curto Período

(within)

PPM Real da amostra

PPM Real da amostra

PPM estimado em Curto período

PPM estimado em Curto período

PPM estimado em Longo período

PPM estimado em Longo período

Page 101: Treinamento Six Sigma LG Electronics

101

Capability AnalysisCapability Analysis

Os dados abaixo foram coletados de um processo YYY, verificar se os dados são 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 = 21±2,5

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

Exercício.

Page 102: Treinamento Six Sigma LG Electronics

102

DPU / DPO / DPMODPU / DPO / DPMO

• Uma medida de volume de saída da área• É observável e contável• Deve ter um ponto de início e término definidos• Onde o trabalho é normalmente analisado criticamente (exemplo: inspeção, teste)• A “coisa” sobre a qual estamos contando os defeitosExemplos:- Pedido de um produto pelo cliente - Chamada telefônica de um cliente- Ordem de compra - Pedido de importação- Um produto ou uma peça - Uma instalação de equipamento- Um serviço solicitado pelo cliente

• Indica a complexidade do processo• Necessário ser Independente• MensurávelOportunidades: é o número de chances de um processo se desviar do esperadoExemplo:- Um processo de importação pode falhar de três formas diferentes (3 oportunidades): - chegar o produto fora do prazo; - a documentação estar incorreta; - não chegar o produto correto

Unidade - UUnidade - U

Oportunidades - OpOportunidades - Op

Propósito

Para calcularmos os Níveis de Sigma para dados DISCRETOS iremos utilizar os cálculos de DPU, DPO e DPMO. Abaixo esta o significado de cada um.

Page 103: Treinamento Six Sigma LG Electronics

103

DPU / DPO / DPMODPU / DPO / DPMO

Qualquer coisa que gera insatisfação do cliente

• Qualquer coisa que gera não-conformidades em uma oportunidade ou numa unidade• Qualquer variação de uma característica requerida de um produto ou serviço ou suas peças que impede o produto ou serviço de preencher os requisitos funcionais ou físicos do cliente• Qualquer coisa que leva alguém ou um produto a sair do processo normal

É o número total de defeitos dividido pelo número total de unidades coletadas por um período razoável de tempo (de modo a formar uma imagem do processo que acredita-se representar a variação típica a qual o processo está normalmente sujeito).

É o DPU dividido pelas oportunidades de erros que existirem no processo em análise.

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 = 500Defeitos = 50Oportunidades = 2

Defeito - DDefeito - D

DPU- Defeito por UnidadeDPU- Defeito por Unidade

DPO- Defeito por OportunidadeDPO- Defeito por Oportunidade

Fórmulas:

Exemplo

desOportunida Total

DPUDPO

Unidades Total

DefeitoDPU

=

=

0,1500

50DPU == 0,05

2

0,1DPO ==

Page 104: Treinamento Six Sigma LG Electronics

104

DPU / DPO / DPMODPU / DPO / DPMO

É o DPU dividido pelo número total de oportunidades vezes um 1.000.000. O DPMO é medido em PPM, ou seja, quantos defeitos temos por milhão de peças/produtos. Quando temos o valor do DPMO basta procurá-lo na Tabela Z que teremos o Nível de Sigma.

Definir o numero de unidade, oportunidade, e defeito. Calcular DPU, DPO e DPMO

Numero de Unidade: DPU:Numero de oportunidade: DPO:Numero de defeito: DPMO:

DPMO- Defeito por Milhão de OportunidadesDPMO- Defeito por Milhão de Oportunidades

Exercício:

Z-value =

1 unidade1 oportunidade

1 unidade5 oportunidades

Page 105: Treinamento Six Sigma LG Electronics

105

Avaliação de capacidade de fabricação

Mr. Kim, dono de um fabrica de brocas, sempre repreende o Líder da linha de produção B por ter um

taxa de defeito mais alta que o da linha de produção A. Compare com a capacidade de fabricação de

cada linha e avalie se as ordens de Mr.Kim são justamente baseadas na próxima página.

DPU / DPO / DPMODPU / DPO / DPMO

Page 106: Treinamento Six Sigma LG Electronics

106

Linha de produção A Linha de produção B

Taxa de defeito

Número de unidade

Número total de oportunidade

Número total de defeito

DPU

DPO

DPMO

ZST

Faça os cálculos e verifique se a reclamação do Mr. Kim esta de fato correto. Verifique se realmente a

linha A é melhor do que a B.

DPU / DPO / DPMODPU / DPO / DPMO

Page 107: Treinamento Six Sigma LG Electronics

107

5

Análise- Selecionar o fator principal examinando o X possível.

- Examinar rigorosamente a causa do fator principal ou do defeito.

- Análise Gráfica

- Interferência estatística : Intervalo de Estimativa & Test de Hipótese

- Análise de Regressão

Objetivos

Ferramentas

PassosPasso 6 : Selecionar o fator principal (Vital Few)

Passo 7 : Examinar a principal causa

LG Electronics Green Belt [Mfg]

Page 108: Treinamento Six Sigma LG Electronics

108

Propósito

Passos da atividade

Saída

Passo 6- Lista dos possíveis X

- Lista do Vital Few

- Verificar a possibilidade de alcançar a meta

Passo 7

6.1 Extrair os possíveis X’s

6.2 Coletar e examinar dados adicionais

6.3 Selecionar o fator vital e checar a

possibilidade de atingir a meta

7.1 Examinar a causa

Passo 7. Examinar a causa Passo 6. Seleciona o fator vital

Análise

- Extrair o Possível X para melhorar o Y do Projeto selecionando os Vital Few.- Examinar a causa fundamental através do estudo do Vital Few e tomar a ação para isso, se

necessário.

-Explicar e avaliar a causa fundamental extraída através

do Vital Few.

Page 109: Treinamento Six Sigma LG Electronics

109

• Extrair os vários X´s possíveis através do exame da direção da melhoria e metas.• Inicialmente examinar o Resumo dos dados. Examinar os fatores variáveis do processo adicionais e relacionar com variação e atributos se necessário.

-Examinar o processo-Extrair/definir o fator potencial/Possível X

- Logic Tree- Fish Bone- Matriz X-YExtrair

possíveis

X´s

Atividade Ferramenta

Passo 6 Selecionar o fator vital

Extrair vários fatores vitais baseado na meta de melhoria e direção.

Selecionar os fatores vitais que podem alcançar a meta através do exame e

análise.

Propósito

• Selecionar os dados adicionais

focando no possível X e examinar

sua relação e influência no Projeto Y

-Coletar dados-Métodos quantitativos/qualitativos.

Coletar e

examinar

dados

adicionais

• Decidir os fatores vitais que tem

maior influência no Projeto Y.• Verificar/examinar a possibilidade

de atingir as metas com os fatores

vitais.

-Verificar causa e

efeito

-Seleção do fator Vital

Seleção do

Fator

Vital

- Análise Gráfica-Estimar intervalo/Teste de hipótese- Análise de regressão linear- Avaliar experimentos-Análise de comparação qualitativa

Page 110: Treinamento Six Sigma LG Electronics

110

• Examinar a causa fundamental e seu efeito sobre Y do projeto através do Vital Few extraído.

- Definir o Vital Few- Examinar a causa

fundamental

- 5 Porquês

- Logic TreeExaminar

a causa

fundamental

Atividade Ferramenta

Passo 7 Examinar a causa

Examinar a relação entre o Projeto Y e a extração do Fator Vital.

Examinar a causa fundamental e seu efeito em cada fator vital.

Propósito

Page 111: Treinamento Six Sigma LG Electronics

111

Vital Few

- Poucos fatores Controláveis que influenciam a saída.

- Deve existir o fator principal.

Fatores potenciaisFatores possíveis

Vital Few

VF

Potential

PossibleVF

Potential

Possible

VF

Potential

PossibleVF

Potential

PossibleVF

Potential

Possible

Process/System Entrada Saída (Y)

X’s : Vital Few

X’s : Muitas causasY é a variável dependente.

X é a variável independente.

Y depende de X.

Se controlar o X, pode-se melhorar o Y.

TriviallyMany

VitalFew

Efeitos de Y N° de Causas

Vital FewVital Few

( )XfY =

Page 112: Treinamento Six Sigma LG Electronics

112

IntroduçãoIntrodução

• Depois de ser calculado o valor Z do CTQ(Y ) no estagio de MEDIÇÃO.

• No estagio de ANÁLISE, nós estamos focando nas CAUSAS (X´s) que afetam Y.

• Primeiro, liste todas as possíveis causas, e então encontre as significativas (Vital Few) usando

ferramentas estatísticas.

- Passo 1 -Liste as possíveis causas

Brainstorming para listar as Possíveis causas

Brainstorming para listar as Possíveis causas

Desenhe o Diagrama de Causa e Efeito (Fish Bone)Desenhe o Diagrama de

Causa e Efeito (Fish Bone)

Histograma

Scatter Plot / Matrix Plot

Bar Chart

Box Plot

- Passo 2 -Coletar Dados

1) Coletar dados de cada um dos possíveis X’s levantados no Fish Bone / Logic Tree.2) No caso de dificuldade na coleta, pode-se utilizar o DOE.

1) Coletar dados de cada um dos possíveis X’s levantados no Fish Bone / Logic Tree.2) No caso de dificuldade na coleta, pode-se utilizar o DOE.

- Passo 3 -Identificar o

Vital Few

1 Proportion2 Proportion

Chi-square Test

1 Sample T2 Sample T

ANOVA

Correlação

Equação Regressão

Test for equal Variance

Análise Gráfica Testes Hipótese Correlação

Seqüência:

Dot Plot

Page 113: Treinamento Six Sigma LG Electronics

113

Introdução ao MinitabIntrodução ao Minitab

Ao abrir o Minitab 16 irá aparecer a tela abaixo, essa tela é dividida em 2 partes: Sessão (Session) e a

planilha (Worksheet).

Os resultados dos testes e ferramentas irão aparecer nessa área.Os resultados dos testes e ferramentas irão aparecer nessa área.

Os dados para a análise devem ser introduzidos na worksheet. Lembrar que o Minitab trabalha com colunas e não com células como o Excel.

Os dados para a análise devem ser introduzidos na worksheet. Lembrar que o Minitab trabalha com colunas e não com células como o Excel.

Page 114: Treinamento Six Sigma LG Electronics

114

Introdução ao MinitabIntrodução ao Minitab

Na worksheet podemos adicionar dados de 2 maneiras: “Agrupado” ou “Desagrupado”. Quando temos

dados Agrupados (Stack) significa que estes estão todos em uma só coluna, já os Desagrupados

(Unstack) estão em várias colunas, veja o exemplo abaixo:

AgrupadosAgrupados

DesagrupadosDesagrupados

Page 115: Treinamento Six Sigma LG Electronics

115

Introdução ao MinitabIntrodução ao Minitab

Dados Agrupados

Para utilizar algumas ferramentas do Minitab, é necessário que os dados estejam digitados em uma só

coluna, ou seja, Dados Agrupados. Exemplo, se temos os dados já digitados no Excel e queremos

utilizá-los no Minitab e precisamos agrupá-los, devemos seguir os passos abaixo:

Dados Desagrupados

Dados Desagrupados

Data>Stack>Columns

Adicionar as colunas que se deseja agrupar.

Escolher a coluna que ficarão os dados

agrupados

Escolher a coluna que ficarão os nomes dos

dados agrupados

Page 116: Treinamento Six Sigma LG Electronics

116

Dados Desagrupados

Dados Desagrupados

Dados Agrupados

Dados Agrupados

Depois disso os dados estarão agrupados.

Introdução ao MinitabIntrodução ao Minitab

Page 117: Treinamento Six Sigma LG Electronics

117

Dados Desagrupados

Para utilizar algumas ferramentas do Minitab, é necessário que os dados estejam digitados em várias

colunas, ou seja, Dados Desagrupados. Veja o exemplo abaixo:

Introdução ao MinitabIntrodução ao Minitab

Dados Agrupados

Dados Agrupados

Data>Unstack Columns

Adicionar a coluna com os dados que se deseja

desagrupar.

Selecionar essa opção

Adicionar a coluna com os nomes dos dados

que se deseja desagrupar.

Page 118: Treinamento Six Sigma LG Electronics

118

Depois disso os dados estarão desagrupados.

Introdução ao MinitabIntrodução ao Minitab

Dados Desagrupados

Dados Desagrupados

Dados Agrupados

Dados Agrupados

Page 119: Treinamento Six Sigma LG Electronics

119

Introdução ao MinitabIntrodução ao Minitab

Exercício:

Agrupe os dados abaixo utilizando o Minitab. Desagrupe os dados abaixo utilizando o Minitab.

Turma Nota

A 18,4

A 19,9

A 20,4

A 19,5

B 21,5

B 20,2

B 21,1

B 19,4

C 19,2

C 20,6

C 17,8

C 19,2

D 20,5

D 21,7

D 20,4

D 20,3

E 20,2

E 20,4

E 20,6

E 20,9

A B C D E

18,4 21,5 19,2 20,5 20,2

19,9 20,2 20,6 21,7 20,4

20,4 21,1 17,8 20,4 20,6

19,5 19,4 19,2 20,3 20,9

Page 120: Treinamento Six Sigma LG Electronics

120

Criando Seqüências:

O Minitab cria seqüências de números e de textos, assim fica fácil montar tabelas com dados que se

repetem. Veja exemplo abaixo.

Criar a seqüência de números de 1~10, com 4 repetições de cada seqüência.

Introdução ao MinitabIntrodução ao Minitab

Calc>Make Patterned Data>Simple Set of Numbers

Escolher a coluna que deseja colocar a

seqüência.

Escolher o 1º número da seqüência.

Escolher o último número da seqüência.

Escolher os incrementos.

Escolher quantas vezes irá aparecer cada

número.

Escolher quantas vezes irá repetir a sequência

inteira.

Page 121: Treinamento Six Sigma LG Electronics

121

Criando Seqüências:

Criar a seqüência de palavras João, Carlos e Pedro, repetindo cada valor 5 vezes.

Introdução ao MinitabIntrodução ao Minitab

Calc>Make Patterned Data>Text values

Escolher a coluna que deseja colocar a

seqüência.

Digitar as palavras

Escolher quantas vezes vai repetir cada palavra.

Escolher quantas vezes vai repetir a seqüência

inteira.

Page 122: Treinamento Six Sigma LG Electronics

122

Salvando arquivos:

No Minitab podemos salvar dois tipos de arquivos, pode ser salvo somente a Worksheet que contém os

dados, quando fazemos isso todos os gráficos e cálculos que estiverem na Sessão não serão salvos,

ou também podemos salvar o Projeto, assim todas as informações serão salvas.

Introdução ao MinitabIntrodução ao Minitab

File>Save Project As File>Save Current Worksheet As

Page 123: Treinamento Six Sigma LG Electronics

123

Abrindo arquivos:

Podemos abrir tanto uma Worksheet ou um Projeto, para isso precisamos escolher a opção adequada,

se tentar abrir uma worksheet clicando no menu Open Project ira aparecer uma mensagem de erro.

Introdução ao MinitabIntrodução ao Minitab

File>Open Project File>Open Worksheet

Page 124: Treinamento Six Sigma LG Electronics

124

Atalhos:

Para ficarmos alternando entre a Seção, Gráficos e Worksheet pode utilizar os seguintes botões.

Introdução ao MinitabIntrodução ao Minitab

Vai para os Gráficos;

Vai para a Worksheet;

Vai para a Seção.

Para voltar na última ferramenta utilizada clique no botão:

Page 125: Treinamento Six Sigma LG Electronics

125

Extrair Possíveis X’sExtrair Possíveis X’s

Possíveis X’s

Na fase de ANALISE devemos extrair os possíveis X’s que estão afetando o Y do projeto. Para isso

podemos utilizar algumas ferramentas. Veja o diagrama abaixo.

Processo / Sistema

Possíveis X’s

Vital Few Vários X’s

X’s Potenciais

Sugestão de Idéias

Analisar / Discutir

Decidir Vital Few

Identificar relação com o Y

Escala e méto do de medição

Resumo dos Dados

Input Output (Y)

Brainstorming

Espinha de PeixeLogic Tree

Sabedoria da Organização

Page 126: Treinamento Six Sigma LG Electronics

126

Espinha de Peixe (Fish Bone)Espinha de Peixe (Fish Bone)

Propósito

Ferramenta para listar todas as potencias causas que possam estar influenciando no Y do projeto. Após

a montagem da Espinha de Peixe é preciso, através de um brainstorming, listar quais das causas vão

ser os Possíveis X’s, lembrando que todos os X’s selecionados como possíveis deverão ser medidos e

analisados.

Importante: na espinha de peixe devem ser colocado as CAUSAS que geram o Y e não as soluções

para essas causas, por exemplo:

Y = Curto Solda X1 = Diminuir velocidade do Finger

Esse X indicado é a solução para o problema, o correto seria: X1 = Velocidade do Finger

Para fazer a espinha de peixe podemos separar as causas pelo 5M1E, 4P ou Seqüência do Processo.

5M1E

Man – Homem

Machine – Máquina

Method – Método

Material – Material

Measure – Medida

4P

Place – Local

Product – Produto

Price – Preço

Promotion - Promoção

YY

Man Machine Method

Material Environment

Treinamento

Inspeção

Habilidade

Manuseio

5S

Visual Pulseira

DDC

JigsAPC

Processo

Manual

Antigas

AjusteSeqüência Linha

Monitoramento

Autom

ático

Manual

Revezamento

Linha ALinha BLinha C

Temperatura

Am

biente

Solda

Pre-heater

Elet. EstáticaEsteira

Carrinho

Umidade

Oxidação

Turnos

Pinos

Cabos

1º 2º 3º

ObsoletoEmpenado

Manchado

Riscado

X1

X2

X3

X4

X5

Page 127: Treinamento Six Sigma LG Electronics

127

Logic TreeLogic Tree

Propósito

Ferramenta para listar todas as potencias causas que possam estar influenciando no Y do projeto. Após

a montagem do Logic Tree, através de um brainstorming, listar quais das causas vão ser os Possíveis

X’s, lembrando que todos os X’s selecionados como possíveis deverão ser medidos e analisados.

Importante: o Logic Tree deve ser feito com o método MECEMECE (Mutually Exclusive Collectively

Exhaustive), ou seja, Mutuamente Exclusivo e Coletivamente Exaustivo. Veja a figura abaixo.

No caso de MECE No caso de não MECE

A B

A B

A B

B

AC

AB é ME, não CE.Exemplo: animais A: mamíferos B: peixes

ABC é CE, não ME.Exemplo: MulherA: solteiras B casadasC: Trabalhando

AB não é nem ME nem CE.Exemplo: Classe de AlunosA: Bons em matemáticaB: Bons em literatura

A1

MECE

A2

B1

MECE

B2

C1

C2

C3

A

B

C

MECE

MECE

C

Page 128: Treinamento Six Sigma LG Electronics

128

Logic TreeLogic Tree

Exemplo:

Usar o método MECE significa que todos os potencias X’s serão analisados (Collectively Exhaustive

(CE)) e que nenhum deles influenciará o outro (Mutually Exclusive (ME))

A1

A2

B1

B3

C1

C2

C3

A

B

C

Y

MECEMECE

B2

A1

B1

C1

A

B

C

Y

MEME

A1

B1

B1

B2

C1

A1

C2

A

B

C

Y

CECE

C1

OK Não foram analisadas todas as possibilidades em cada item. Não é CE

Existem causas duplicadas em alguns itens. Não é ME

Page 129: Treinamento Six Sigma LG Electronics

129

Dados Discretos:

Bar Chart; Pareto Chart.

Dados Contínuos:

Box Plot; Dot Plot; Histograma; Bar Chart; Scatterplot; Matrix Plot; Probability Plot.

Dados Discretos:

Bar Chart; Pareto Chart.

Dados Contínuos:

Box Plot; Dot Plot; Histograma; Bar Chart; Scatterplot; Matrix Plot; Probability Plot.

Dados Discretos:

1 Proportion; 2 Proportion; Chi Square Test (χ²)

Dados Contínuos:

Normality Test; 1 Sample T; 2 Sample T; ANOVA; Test for Equal Variance;

Dados Discretos:

1 Proportion; 2 Proportion; Chi Square Test (χ²)

Dados Contínuos:

Normality Test; 1 Sample T; 2 Sample T; ANOVA; Test for Equal Variance;

Dados Discretos:

Chi Square Test (χ²)

Dados Contínuos:

Correlation; Equação de Regressão.

Dados Discretos:

Chi Square Test (χ²)

Dados Contínuos:

Correlation; Equação de Regressão.

Análise dos Possíveis X’sAnálise dos Possíveis X’s

Propósito

É preciso analisar todos os Possíveis X’s 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 Possíveis X’s serão os Vital Few.

Tipos de Análise

Para buscar os Vital Few podemos fazer alguns tipos de Análise: Gráfica, Teste de Hipótese ou

Correlação.

GráficaGráfica Teste HipóteseTeste Hipótese CorrelaçãoCorrelação

Page 130: Treinamento Six Sigma LG Electronics

130

Análise GráficaAnálise Gráfica

Propósito

Identificar os Vital Few através da Análise Gráfica. Para cada tipo de dados e dependendo de qual

informação queremos mostrar existe um gráfico adequado. Veja a tabela abaixo:

Dados Discretos

Contínuos

* Pareto Chart

Bar Chart

Tipo de DadosTipo de Dados GráficoGráfico PropósitoPropósito

“Rankear” os valores de cada X’s, mostrando o mais impactante.

Quantificar os valores de cada X’s, mostrando o mais impactante.

Dot Plot

Histograma

Bar Chart

Box Plot

Scatterplot

Matrix Plot

Probability Plot

Verificar a variação do item em análise. Também é possível identificar Outliers.

Verificar a variação do item em análise. Também é possível identificar Outliers e possibilidade de ser uma distribuição Normal.

Fazer comparação entre os fatores/variáveis em análise.

Fazer comparação entre os fatores/variáveis em análise.Possível verificar outliers.

Verificar se existe correlação entre o Y e os X’sPossível verificar outliers.

Verificar se os dados seguem uma Distribuição Normal.

* Já foi visto anteriormente

Page 131: Treinamento Six Sigma LG Electronics

131

Dados Discretos – Bar ChartDados 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 é o pior problema.

Abrir o exemplo “bar-chart.mtw”.Graph> Bar Chart

Selecionar essa opção

DefeitoC

oun

tCBA

77

77

77

77

77

77

77

7

77

77

77

Chart of Defeito

Page 132: Treinamento Six Sigma LG Electronics

132

Dados Discretos – Bar ChartDados Discretos – Bar Chart

Podemos detalhar mais as informações no gráfico. Como pode ser visto no gráfico anterior o pior

defeito é o “B”, verifique se esse defeito é o mais crítico em cada uma das 3 linhas.

Defeito

Coun

t

CBA

70

60

50

40

30

20

10

0

25

65

25

Char t of Defeito

Selecionar essa opção

Cou

nt

LinhaDefeito

LCLBLACBACBACBA

77

77

77

77

7

7

77

7

77

77

7

7

77

7

Chart of L inha; Defei to

Page 133: Treinamento Six Sigma LG Electronics

133

Dados Contínuos – Dot Plot Dados Contínuos – Dot Plot

Dot Plot

A companhia LGE000 produz telefones celulares, atualmente 3 fornecedores fabricam baterias para sua

produção. Verifique as variações entre estes fornecedores, sabendo que a característica medida foi a

tensão elétrica fornecida pela bateria, sua faixa pode variar de 3,0 ~ 4,2 [V].

Abrir o exemplo: “Dot-plot.mtw”Graph> Dot Plot

Tensão [V]3,923,783,643,503,363,223,08

Dotplot of Tensão [V]

Page 134: Treinamento Six Sigma LG Electronics

134

Dados Contínuos – Dot Plot Dados Contínuos – Dot Plot

Separando os dados por fornecedores.

Tensão [V]

Forn

ece

dor

7,777,777,777,777,777,777,77

Fornecedor A

Fornecedor B

Fornecedor C

Dotplot of Tensão [V] vs Fornecedor

Page 135: Treinamento Six Sigma LG Electronics

135

Dados Contínuos – Dot Plot Dados Contínuos – Dot Plot

Outliers são pontos distantes do resto da amostra, normalmente são problemas que aconteceram durante

a coleta de dados. Toda vez que for encontrado outliers é essencial que este seja removido, mas para

isso é preciso saber porque ele esta na amostra.

A presença de outliers pode fazer com que uma amostra seja transformada em dados não normais, dessa

forma é impossível realizar a análise.

Identificando outliers no Minitab:

Outliers

Clicar botão direto do mouse sobre o gráfico

Outliers

Outliers:3,44185 [V]3,44973 [V]

Page 136: Treinamento Six Sigma LG Electronics

136

Dados Contínuos – HistogramaDados Contínuos – Histograma

Histograma

Vamos utilizar o mesmo exemplo do gráfico anterior.

Abrir o exemplo: “Dot-plot.mtw”Graph> Histogram

Tensão [V]

Frequency

3,903,753,603,453,303,153,00

50

40

30

20

10

0

Histogram of Tensão [V]

Page 137: Treinamento Six Sigma LG Electronics

137

Dados Contínuos – HistogramaDados Contínuos – Histograma

Separando por fornecedores.

Os dados devem estar

desagrupados.

Selecionar

Frequency

3,903,753,603,453,303,153,00

40

30

20

10

0

3,903,753,603,453,303,153,00

40

30

20

10

0

Fornecedor A Fornecedor B

Fornecedor C

Histogram of Fornecedor A; Fornecedor B; Fornecedor C

Page 138: Treinamento Six Sigma LG Electronics

138

Dados Contínuos – Bar ChartDados Contínuos – Bar Chart

Bar Chart

Foram coletados dados do processo XXX durante 60 dias, esses dados estão 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 média de tempo de produção entre os três turnos.

Abrir o exemplo: “Bar-chart 2.mtw”Graph> Bar Chart

Selecionar

Selecionar

Escolher o que deseja-se comparar.

Turno

Mean o

f Te

mpo

Turno CTurno BTurno A

77

7

7

7

7

7,77777

7,77777

7,77777

Chart of Mean( Tempo ) vs Turno

Page 139: Treinamento Six Sigma LG Electronics

139

Dados Contínuos – Box PlotDados Contínuos – Box Plot

Box Plot

Vamos utilizar o mesmo exemplo do gráfico anterior.

Abrir o exemplo: “Bar-chart 2.mtw”Graph> Box Plot

Selecionar

Selecionar

Page 140: Treinamento Six Sigma LG Electronics

140

Dados Contínuos – Box PlotDados Contínuos – Box Plot

Tem

po

11

10

9

8

7

6

5

4

3

8,221

Boxplot of Tempo

Máximo

Separando por Turnos:

Turno

Tem

poTurno CTurno BTurno A

11

10

9

8

7

6

5

4

3

8,99688

7,16093

8,50519

Boxplot of Tempo vs Turno

3º Quartil – 75% dos dados

Mediana – 50% dos dados

Média

1º Quartil – 25% dos dados

Mínimo

Outliers

Graph> Box Plot

Page 141: Treinamento Six Sigma LG Electronics

141

Dados Contínuos – Descriptive StatisticsDados Contínuos – Descriptive Statistics

Descriptive Statistics

Se desejamos calcular todos os pontos do Box Plot (quartis, mediana, média, etc) devemos utilizar a

ferramenta de Estatística Descritiva. Não somente os pontos do Box Plot, mas toda a estatística descritiva

pode ser calculada com essa ferramenta.Stat>Basic Statistics>Display Descriptive Statistics

Adicionar variável

Adicionar subgrupos

Page 142: Treinamento Six Sigma LG Electronics

142

Dados Contínuos – Descriptive StatisticsDados Contínuos – Descriptive Statistics

Turno

Tem

po

Turno CTurno BTurno A

77

77

7

7

7

7

7

7

7

Boxplot of Tempo by Turno

Turno

Tem

po

Turno CTurno BTurno A

77

77

7

7

7

7

7

7

7

Indiv idual Value P lot of Tempo vs Turno

Tempo

Fre

que

ncy

77777777

77

77

77

77

7

77777777

77

77

77

77

7

Turno A Turno B

Turno C

Turno A

7,777StDev 7,777N 777

Turno CMean 7,777StDev 7,7777

Mean

N 777

7,777StDev 7,7777N 777

Turno BMean

Histogram (w ith Normal Curve) of Tempo by Turno

Panel variable: Turno

TempoFr

eq

ue

ncy

77777777

77

77

77

77

7

77777777

77

77

77

77

7

Turno A Turno B

Turno C

Histogram of Tempo by Turno

Panel variable: Turno

Page 143: Treinamento Six Sigma LG Electronics

143

Dados Contínuos – Graphical SummaryDados Contínuos – Graphical Summary

Graphical Summary

Tem a mesma função da ferramenta anterior, mas

aparece em um único painel os gráficos e os valores da

estatística descritiva.Stat>Basic Statistics>Graphical Summary

77,77,77,77,77,7

Median

Mean

7,7777,7777,7777,7777,7777,7777,777

Anderson-Darling Normality Test

V ariance 7,7777Skew ness -7,777777Kurtosis -7,777777N 777

Minimum 7,7777

A-Squared

7st Q uartile 7,7777Median 7,77777rd Q uartile 7,7777Maximum 7,7777

77% Confidence Interv al for Mean

7,7777

7,77

7,7777

77% C onfidence Interv al for Median

7,7777 7,7777

77% C onfidence Interv al for StDev

7,7777 7,7777

P-V alue 7,777

Mean 7,7777StDev 7,7777

77% C onf idence I n te r v a ls

Summary for TempoTurno = Turno C

77,77,77,77,77,7

Median

Mean

7,77,77,77,7

Anderson-Darling Normality Test

V ariance 7,7777Skew ness -7,777777Kurtosis -7,777777N 777

Minimum 7,7777

A-Squared

7st Q uartile 7,7777Median 7,77777rd Q uartile 7,7777Maximum 77,7777

77% Confidence Interv al for Mean

7,7777

7,77

7,7777

77% C onfidence Interv al for Median

7,7777 7,7777

77% C onfidence Interv al for StDev

7,7777 7,7777

P-V alue 7,777

Mean 7,7777StDev 7,7777

77% C onf idence I n te r v a ls

Summary for TempoTurno = Turno B

77,77,77,77,77,7

Median

Mean

7,777,777,777,777,777,777,77

Anderson-Darling Normality Test

V ariance 7,7777Skew ness -7,7777777Kurtosis -7,7777777N 777

Minimum 7,7777

A -Squared

7st Q uartile 7,7777Median 7,77777rd Q uartile 7,7777Maximum 7,7777

77% Confidence Interv al for Mean

7,7777

7,77

7,7777

77% C onfidence Interv al for Median

7,7777 7,7777

77% C onfidence Interv al for StDev

7,7777 7,7777

P-V alue 7,777

Mean 7,7777StDev 7,7777

77% C onf idence I n te r v a ls

Summary for TempoTurno = Turno A

Page 144: Treinamento Six Sigma LG Electronics

144

Dados Contínuos – ScatterplotDados Contínuos – Scatterplot

Scatterplot

Sabe-se que conforme aumentamos a temperatura no forno [°C] o comprimento do produto varia, verifique

se existe uma correlação entre o aumento da temperatura e o comprimento da peça [cm].

Abrir o exemplo: “Scatterplot.mtw”Graph> Scatterplot

NÃO inverter X com Y

Temp [°C]

Com

p. [c

m]

120115110105100

22

21

20

19

18

17

16

15

14

13

Scatterplot of Comp. [cm] vs Temp [°C] Existe correlação?

Page 145: Treinamento Six Sigma LG Electronics

145

Dados Contínuos – CorrelationDados Contínuos – Correlation

Correlation

Apenas graficamente fica difícil afirmar que existe ou não correlação entre o Y e o X, com isso

utilizaremos a ferramenta “Correlation”. Utilizando o exemplo anterior, calcular o coeficiente de correlação

(r). Stat> Basic Statistics> Correlation

Adicionar as variáveis X e Y

Regra da Correlação

-1 -0,8 -0,3 10,80,3

Forte Negativa

Forte Positiva

Fraca Positiva

Fraca Negativa

Sem

Existe correlação?

Conforme a regra de correlação,existe correlação forte e positiva.

Page 146: Treinamento Six Sigma LG Electronics

146

Dados Contínuos – Matrix PlotDados Contínuos – Matrix Plot

Matrix Plot

Utilizamos o matrix plot quando temos mais do que um X para verificar a correlação com o Y.

No exemplo anterior tínhamos o Y sendo a comprimento da peça e o X sendo a temperatura, agora, além

da temperatura, descobrimos que o tempo em que a peça fica no forno também esta influenciando a

produção.

Abrir o exemplo: “Matrix Plot.mtw”Graph> Matrix Plot

Temp [°C]

Com

p. [c

m]

120115110105100

22

21

20

19

18

17

16

15

14

13

Tempo [s]

161514

Matr ix P lot of Comp. [cm] vs Temp [°C]; Tempo [s]

Page 147: Treinamento Six Sigma LG Electronics

147

Dados Contínuos – CorrelationDados Contínuos – Correlation

Utilizando o exemplo anterior, calcular o coeficiente de correlação (r), verificando se existe ou não a

correlação. Stat> Basic Statistics> Correlation

Existe correlação?

Page 148: Treinamento Six Sigma LG Electronics

148

Dados Contínuos – Probability PlotDados Contínuos – Probability Plot

Probability Plot

Quando trabalhamos com dados de produção temos que garantir que estes sejam distribuídos

normalmente (Distribuição Normal), podemos verificar isso através do Probability Plot.

Abrir o exemplo: “Probability Plot.mtw”Graph> Probability Plot

Adicionar as variáveis

Page 149: Treinamento Six Sigma LG Electronics

149

Data

Perc

ent

22201816141210

99,9

99

9590

80706050403020

10

5

1

0,1

Mean0,783

13,77 0,9939 100 0,402 0,35217,89 1,012 100 0,606

StDev

0,112

N AD P15,10 1,004 100 0,236

Variable

Fornecedor C

Fornecedor AFornecedor B

Probabi l i ty P lot of Fornecedor A; Fornecedor B; Fornecedor CNormal - 95% CI

Dados Contínuos – Probability PlotDados Contínuos – Probability Plot

Foco

Regra da Normalidade

P-value > 0,05 Dados Normais

P-value < 0,05 Dados não Normais

Os dados são normais?

Page 150: Treinamento Six Sigma LG Electronics

150

Teste de HipóteseTeste de Hipótese

Propósito

Quando temos duas possibilidade de decisão, mas não sabemos qual das duas vai ser aceita, utilizamos

os Testes de Hipótese. Nós chamamos dois fatos não confirmados de Hipóteses separando-os em

Hipótese Nula (H0) e Hipótese de Oposição ou Alternativa (H1).

Ex.:

O IQC examina diariamente peças do Fornecedor A com relação a qualidade da mesma, eles comparam

as peças com um padrão pré-definido. Quais são as duas hipóteses que podemos ter?

H0 Peças iguais ao padrão (boas)

H1 Peças diferentes do padrão (ruins)

Como podemos esboçar uma decisão razoável?

Diferença entre amostra e padrão

A possibilidade de aceitar H0 é alta Pequena

GrandeA possibilidade de aceitar H0 é baixa

Page 151: Treinamento Six Sigma LG Electronics

151

Teste de HipóteseTeste de Hipótese

• Em outras palavras Teste de Hipótese, é o calculo da probabilidade de aceitar ou rejeitar H0. Se a

probabilidade é alta aceita-se H0, e se for baixa rejeita-se H0 conseqüentemente aceitando H1.

» Mas como definir entre as hipóteses H0 e H1?

• A possibilidade de se aceitar ou rejeitar H0 é definida através de um valor de probabilidade

chamado “P-value”.

• Para se decidir se o valor de P-value é alto ou não, ou seja, se eu aceito ou rejeito H0, após

calculado este valor, um padrão será necessário. Este padrão é chamado de Nível Significativo

(Significant Level) normalmente escolhido entre 1%, 5% e 10%. (Padronizado 5%)

• O padrão de seleção do Nível Significativo depende do nível de confiança. Se o nível de

confiança é alto, a possibilidade para aceitar H0 deveria ser alta. Neste caso, o Nível Significativo

deveria ser baixo.

• De outro modo, se a possibilidade para aceitar H0 deveria ser baixa, o Nível Significativo deveria

ser alto.

• Ex.: Supondo que duas turmas estivessem fazendo a prova de Green Belt e gostaríamos de verificar

se a médias entre elas é igual ou não. Qual seriam as hipóteses neste caso?

• H0 = μ1 = μ2 (médias iguais)

• H1 = μ1 ≠ μ2 (médias diferentes) H0 = P-value >0,05

H1 = P-valeu < 0,05

Page 152: Treinamento Six Sigma LG Electronics

Teste de HipóteseTeste de Hipótese

α = erro tipo I H0 é verdadeiro, seleciono H1

β = erro tipo IIH1 é verdadeiro, seleciono H0

Erro α é quando rejeitamos a hipótese verdadeira. (risco do fornecedor) Erro β é quando aceitamos a hipótese falsa. (risco do cliente)

O “P-value” é a probabilidade de se obter uma estatística para o teste onde poderemos aceitar ou rejeitar a hipótese nula (H0). Ele é o menor nível no qual H0 pode ser rejeitado.

Aceitar H0Aceitar H0

α = 0,05α*100 = 5% Nível de Significânciaα = 0,05α*100 = 5% Nível de Significância

C.L. = 1- α C.L. = 0,95C.L.*100 = 95% Nível de Confiança

C.L. = 1- α C.L. = 0,95C.L.*100 = 95% Nível de Confiança

Regra de P-value:P-value > α Aceita H0P-value < α Rejeita H0

Regra de P-value:P-value > α Aceita H0P-value < α Rejeita H0

2,5%2,5%95%95%

2,5%2,5%

O valor de “α” no gráfico ao lado é de 5%, então se P-value for menor que ele, nós rejeitaremos a Hipótese nula (H0), por conseqüência iremos aceitar a hipótese alternativa (H1). Será dessa forma que iremos utilizar os testes de hipótese, sempre analisando o “P-value” e comparando-o com o nível significante (α).

*Obs.: o valor de α é o quanto estaremos aceitando o erro de rejeitarmos o H0, quando na verdade deveríamos aceita-lo. O C.L. nos mostra a confiabilidade do teste, sendo que quanto maior o “α” pior será essa confiabilidade.

α/2 α/2C.L.

LG Electronics Green Belt [Mfg]152

Erro α e β

P-value:

Page 153: Treinamento Six Sigma LG Electronics

153

Propósito

Identificar os Vital Few através de Testes de Hipótese. Para cada tipo de dados e dependendo de qual

informação queremos mostrar existe um Teste adequado. Veja a tabela abaixo:

Dados Discretos

Contínuos

1 Proportion

2 Proportion

Tipo de DadosTipo de Dados Teste HipóteseTeste Hipótese PropósitoPropósito

Comparar 1 proporção com um padrão.

Comparar 2 proporções entre si.

Chi Square Test

* Normality Test

1 Sample T

2 Sample T

Test for Equal Variance

ANOVA

Comparar a relação entre 2 ou mais proporções

Verificar se os dados seguem uma distribuição normal.

Comparar a média de 1 amostra com um padrão.

Comparar a média entre 2 amostras

Comparar a variação entre 2 ou mais amostras.

* Não é um Teste de Hipótese

Teste de HipóteseTeste de Hipótese

Comprar a variação da média entre 2 ou mais amostras

Page 154: Treinamento Six Sigma LG Electronics

154

Dados Discretos – 1 Proportion Dados Discretos – 1 Proportion

1 Proportion

O nível de defeito do Fornecedor A era de 7%. Eles realizaram um projeto 6 Sigma visando a

diminuição desse índice, uma das idéias de melhorias foi mudar a seqüência do processo estampagem,

foi feito um teste com a nova seqüência, e coletado uma amostra de 1250 peças onde ocorreram 6

defeitos. Verifique estatisticamente se a seqüência do processo era um vital few. (α=0,05)

1º Definir o Teste a ser utilizado:

1 Proportion

2º Definir as Hipóteses:

H0 PAtual = 7%

H1 PAtual < 7%

3° Fazer o teste no Minitab: (Stat>Basic Statistics>1 Proportion)

Entrar com os dados

C.L. = (1-α)*100

Entre com o Padrão

Escolha o H1

H1, pois o valor de P-value < 0,05

Conclusão: a seqüência do processo era Vital Few?

Sim, pois P-value =0,000 < 0,05,é Vital Few.

Page 155: Treinamento Six Sigma LG Electronics

155

Dados Discretos – 2 Proportion Dados Discretos – 2 Proportion

2 Proportion

Foi coletado uma amostra de 3500 monitores na linha de produção de LCD, e encontrado 10 defeitos,

esses defeitos eram todos relacionados a problemas de Curto de Solda. Foi alterado a velocidade da

Máquina de Solda, e depois disso coletou-se uma nova amostra onde de 3500 peças 7 estavam com

problema de Curto de Solda. Verifique estatisticamente se o tempo de soldagem do processo era um

vital few. (α=0,05)

1º Definir o Teste a ser utilizado:

2 Proportion

2º Definir as Hipóteses:

H0 PAntes = Patual

H1 PAntes > Patual

3° Fazer o teste no Minitab: (Stat>Basic Statistics>2 Proportion)Conclusão: o tempo de soldagem do processo era Vital Few?

H0 – O processo não é Vital Few.

P-value: 0,233

Não há relação entre o tempo de soldagem e a quantidade de defeitos.

Entrar com os dados

C.L. = (1-α)*100

Sempre será 0,0

Escolha o H1

H0, pois o valor de P-value > 0,05

Page 156: Treinamento Six Sigma LG Electronics

156

Dados Discretos – Chi-Square Test [Dados Discretos – Chi-Square Test [χχ²] ²]

Chi-Square Test

Suponha que seja realizada uma pesquisa para determinar se existe relação entre o local de residência

e a preferência por monitores. Uma amostra aleatória de 200 proprietários de monitores da cidade

grande, 150 do subúrbio e 150 na zona rural foi selecionada. Verifique estatisticamente se o local de

residência era um vital few. (α=0,05)

Abrir o exemplo: “Chi-square Test.mtw”

1º Definir o Teste a ser utilizado:

Chi-Square Test

2º Definir as Hipóteses:

H0 Não existe relação entre Vendas e o Local de Residência

H1 Existe relação entre Vendas e o Local de Residência

3° Fazer o teste no Minitab: (Stat>Tables>Chi-Square Test)

Entrar com os dados

H1, pois o valor de P-value < 0,05

Conclusão: o local de residência era Vital Few?

Page 157: Treinamento Six Sigma LG Electronics

157

Dados Contínuos – Normality TestDados Contínuos – Normality Test

Normality Test

Esta ferramenta não é um Teste de Hipótese, é simplesmente uma ferramenta de ajuda para

garantirmos que os dados que estão sendo analisados seguem uma distribuição Normal.

Abrir o exemplo: “Normality Test.mtw”Stat>Basic Statistics>Normality Test

* Importante: só calculamos a normalidade para dados CONTÍNUOS.

Regra da Normalidade

P-value > 0,05 Dados Normais

P-value < 0,05 Dados não Normais

Caso A

Perc

ent

13121110987

99,9

99

9590

80706050403020

10

5

1

0,1

Mean

0,649

9,992StDev 0,9986N 100AD 0,277P-Value

Probabi l i ty P lot of Caso ANormal

Entrar com os dados

Sempre utilizar esse método

Conclusão: os dados são normais ?

Caso A

Frequen

cy

1312111098

20

15

10

5

0

Histogram of Caso A

Page 158: Treinamento Six Sigma LG Electronics

158

Caso B

Perc

ent

2015105

99,9

99

95

90

80706050403020

10

5

1

0,1

Mean

<0,005

12,26StDev 2,347N 100AD 1,271P-Value

Probabi l i ty P lot of Caso BNormal

Caso C

Perc

ent

16,516,015,515,014,514,013,5

99,9

99

9590

80706050403020

10

5

1

0,1

Mean

0,537

15,06StDev 0,4649N 100AD 0,316P-Value

Probabi l i ty P lot of Caso CNormal

Conclusão: os dados são normais ?

Dados Contínuos – Normality TestDados Contínuos – Normality Test

Caso B

Fre

qu

ency

181512963

25

20

15

10

5

0

Histogram of Caso B

Caso C

Freq

ue

ncy

16,015,515,014,514,0

25

20

15

10

5

0

Histogram of Caso C

Outliers

Data

Per

cen

t

2015105

99,9

99

9590

80706050403020

10

5

1

0,1

Mean0,649

12,26 2,347 100 1,271 <0,00515,06 0,4649 100 0,316

StDev

0,537

N AD P9,992 0,9986 100 0,277

Variable

Caso C

Caso ACaso B

Probabi l i ty P lot of Caso A; Caso B; Caso CNormal - 95% CI

Graph>Probability Plot

Page 159: Treinamento Six Sigma LG Electronics

159

Dados Contínuos – 1 Sample TDados Contínuos – 1 Sample T

1 Sample T

Sabe-se que a peça XXX esteja aprovada ela precisa ser menor do que 10cm. Durante um projeto 6

Sigma foi levantado que um dos Possíveis X era a densidade de uma parte do processo. Foi coletado

uma amostra desse fator, verifique estatisticamente se a densidade era um vital few (α=0,05).

Abrir o exemplo: “1 Sample T.mtw”

1º Normalidade dos Dados:

P-value = 0,897 dados normais

2º Definir o Teste a ser utilizado:

1 Sample T

3º Definir as Hipóteses:

H0 Xatual = 10cm

H1 Xatual < 10cm

4° Fazer o teste no Minitab: (Stat>Basic Statistics>1 Sample T)

Padrão

Selecionar H1

Page 160: Treinamento Six Sigma LG Electronics

160

Dados Contínuos – 1 Sample TDados Contínuos – 1 Sample T

De acordo com o P-value

aceitamos H1, pois o valor é menor

do que 0,05.

Gráficos:

A most ra 7777777777

X_

Ho

Boxplot of Amostra 7(with Ho and 77% t-confidence interval for the mean)

A most ra 7777777777

X_

Ho

Individual Value P lot of Amostra 7(with Ho and 77% t-confidence interval for the mean)

A most ra 7

Fre

qu

en

cy

7777777

77

77

77

77

77

7

7X_

Ho

Histogram of Amostra 7(with Ho and 77% t-confidence interval for the mean)

Conclusão: a densidade era um

Vital Few?

Page 161: Treinamento Six Sigma LG Electronics

161

Dados Contínuos – Test for Equal VariancesDados Contínuos – Test for Equal Variances

Test for Equal Variances

Foi realizado um projeto 6 Sigma para diminuir o tempo de produção de uma linha de Celular, o

processo de “Call Test” foi considerado como um Possível X. Foi coletado uma amostra do tempo desse

processo, depois de algumas mudanças foi coletado uma nova amostra. Compare a variação dessas 2

amostras e decida se são iguais ou não. (α=0,05).

Abrir o exemplo: “Exemplo A.mtw”

1º Normalidade dos Dados:

P-value Amostra 1 = 0,817 dados normais

P-value Amostra 2 = 0,390 dados normais

2º Definir o Teste a ser utilizado:

Test for Equal Variances

3º Definir as Hipóteses:

H0 Variações iguais

H1 Variações Diferentes

4° Fazer o teste no Minitab: (Stat>ANOVA>Test for Equal Variances)

Am

ostr

as

77% Bonfer r oni Confidence Inter vals for StDevs

Amostra 7

Amostra 7

7,77,77,77,77,7

Am

ostr

as

D ados

Amostra 7

Amostra 7

7777777777

F-Test

7,777

Test Statistic 7,77P-Value 7,777

Levene's Test

Test Statistic 7,77P-Value

Test for Equal Var iances for DadosSempre usar esse método

Levene’s só é utilizado

para dados não normais

Conclusão: as variações são

iguais ?

Page 162: Treinamento Six Sigma LG Electronics

162

Dados Contínuos – 2 Sample TDados Contínuos – 2 Sample T

2 Sample T

Utilizando o exemplo anterior compare essas 2 amostras e decida se houve melhoria na média do

tempo de produção de celulares. (α=0,05).

Abrir o exemplo: “Exemplo A.mtw”

1º Normalidade dos Dados:

P-value Amostra 1 = 0,817 dados normais

P-value Amostra 2 = 0,390 dados normais

2º Homogeneidade das amostras (Test For Equal Variances):

P-value = 0,728 as variações são homogenias.

3º Definir as Hipóteses:

H0 Xantes = Xatual

H1 Xantes > Xatual

4° Fazer o teste no Minitab: (Stat>Basic Statistics>2 Sample T)

Só selecionar se as variações

forem iguais.

Sempre será 0

Escolher H1

Page 163: Treinamento Six Sigma LG Electronics

163

Dados Contínuos – 2 Sample TDados Contínuos – 2 Sample TD

ata

Amostra 7Amostra 7

77

77

77

77

77

Boxplot of Amostra 7; Amostra 7

Gráficos:

Da

ta

Amostra 7Amostra 7

77

77

77

77

77

Indiv idual Value P lot of Amostra 7; Amostra 7

De acordo com o P-value

aceitamos H1, pois o valor é menor

do que 0,05.

Page 164: Treinamento Six Sigma LG Electronics

Dados Contínuos – ANOVADados Contínuos – ANOVA

Propósito

Média Geral

A

B

C

• Analysis of Variance, esse teste de hipótese é indicado quando deseja-se verificar a variação da média entre as amostras coletadas.• Utilizamos a ANOVA quando temos 3 ou mais amostras

• Pré-requisitos da ANOVA: - Aleatoriedade dos dados; - Normalidade dos dados; - Homogeneidade das variações.

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

Se há 3 grupos, nós podemos calcular 4 médias diferentes.

● Média Total : 36.1

● Média do Grupo 1 : 26.2

● Média do Grupo 2 : 36.6

● Média do Grupo 3 : 45.6

Se a taxa de variação entre os subgrupos e a variação dentro dos

subgrupo é grande, nós podemos dizer que há uma grande

diferença entre os subgrupos

F < 1, variação pequena entre os grupos

Entendendo ANOVAEntendendo ANOVA

1SubgruposdentroVariação

SubgruposentreVariaçãoF >=

164 LG Electronics Green Belt [Mfg]

Page 165: Treinamento Six Sigma LG Electronics

165

Dados Contínuos – ANOVADados Contínuos – ANOVA

Para testar a força de uma novo adesivo, o Depto de Desenvolvimento selecionou 3 amostras de fabricantes diferentes. Verificar se existe diferença entre as médias, tendo como base a força da cola (adhesive strength) de cada amostra (α=0,05).

Abrir o exemplo: “ANOVA.mtw”

1º Normalidade dos Dados:

P-value Adesivo 1 = 0,734 dados normais

P-value Adesivo 2 = 0,372 dados normais

P-value Adesivo 3 = 0,506 dados normais

2º Homogeneidade das amostras (Test For Equal Variances):

P-value = 0,452 as variações são homogenias.

3º Definir as Hipóteses:

H0 Médias Iguais

H1 Médias Diferentes

4° Fazer o teste no Minitab: (Stat>ANOVA>One Way)

Page 166: Treinamento Six Sigma LG Electronics

166

Dados Contínuos – ANOVADados Contínuos – ANOVA

De acordo com o P-value

aceitamos H1, pois o valor é menor

do que 0,05.

Type

Str

ength

Adhesive 7Adhesive 7Adhesive 7

77

77

77

77

77

77

77

77

Individual Value P lot of Strength vs Type

Type

Str

ength

Adhesive 7Adhesive 7Adhesive 7

77

77

77

77

77

77

77

77

Boxplot of Strength by Type

Gráficos:

Page 167: Treinamento Six Sigma LG Electronics

167

Dados Contínuos – CorrelaçãoDados Contínuos – Correlação

Propósito

• Verificar se existe uma relação linear entre as variáveis X’s e Y

• É a relação entre duas ou mais variáveis, é representada pela letra “r” - r mede a força da relação linear entre duas variáveis. - r sempre está entre –1 e 1. - Se r é igual a –1 ou 1, isto implica em uma perfeita correlação positiva ou negativa. - r é afetado por pontos fora do padrão (outliers).

• Se existir correlação entre duas variáveis podemos montar uma equação do tipo:

Y= α + β*X

Onde:α= constante ; β=coeficiente de inclinação da reta.

Exemplos de Correlação

X

Yr = 1

Correlação Positiva

X

r = -1

Correlação Negativa

X

Y r ≈ 0

Sem Correlação

Page 168: Treinamento Six Sigma LG Electronics

168

Se existir correlação podemos montar a Equação de Regressão, veja o exemplo abaixo se existir correlação montar a equação de regressão.

A PM recolheu dados sobre o tempo de uso de um determinado equipamento utilizado na linha de produção e relacionou esse tempo com o custo de manutenção do mesmo. Verificar a Correlação e montar a equação de regressão, verificar sua confiabilidade e estimar um custo de manutenção para utilizar o equipamento por 4,5 anos (C.L. 95%)

Abrir o exemplo: “regressão.mtw”

Dados Contínuos – CorrelaçãoDados Contínuos – Correlação

Exemplo

Correlação Forte Positiva

Tempo de Uso (anos)

Cust

o M

anute

nçã

o

7777777777

777

777

777

777

777

77

77

77

77

Scatterplot of Custo Manutenção vs Tempo de Uso (anos)

Page 169: Treinamento Six Sigma LG Electronics

169

Dados Contínuos – CorrelaçãoDados Contínuos – Correlação

Como existe a correlação entre o X e o Y pode-se montar a Equação de Regressão.

Sempre colocar o Y

Sempre colocar os X’s

Equação de Regressão

Esses 2 valores mostram o quanto a Equação é confiável.

Regra da Equação de Regressão:

R-sq > 64%

P-value < 0,05

Essa equação é confiável ?

Page 170: Treinamento Six Sigma LG Electronics

170

Dados Contínuos – CorrelaçãoDados Contínuos – Correlação

Podemos fazer previsões utilizando a Equação encontrada anteriormente, assim pode-se ver como o processo irá se comportar e consegue-se estipular valores ideais para o processo.

Colocar o valor que deseja-se prever. Valor previsto

Intervalo de confiança estimado

Page 171: Treinamento Six Sigma LG Electronics

171

Dados Contínuos – CorrelaçãoDados Contínuos – Correlação

Podemos verificar o comportamento do processo graficamente.

Clicar nessas opções

Tempo de Uso (anos)

Cust

o M

anute

nçã

o

7777777777

777

777

777

777

77

7

S 77,7777R-Sq 77,7%R-Sq(adj) 77,7%

Regression77% CI77% PI

Fitted L ine P lotCusto Manutenção = 77,77 + 77,77 Tempo de Uso (anos)

Escolher o melhor modelo

Page 172: Treinamento Six Sigma LG Electronics

Melhoria- Encontrar e selecionar o método de melhoria para resolver a causa raiz do fator vital- Verificar o efeito da melhoria aplicando-a nos negócios

Metas

Ferramentas

EtapasFase 8. Selecionar o melhor projetoFase 9. Executar e Verificar o mesmo

- Compreender os vários métodos de projeto e seus métodos de análise. - Compreender o efeito e aplicá-los na prática. - Compreender os vários padrões qualitativos que se transformam em um padrão de pensamento sistemático

- Brainstorming, Logic Tree, Matriz de Priorização, QFD (revisão)- Regressão (revisão) e Design de Experimento (DOE)

172LG Electronics Green Belt [Mfg]

6

Page 173: Treinamento Six Sigma LG Electronics

173

Meta

Fase de Ação

Saída

Fase 8- Projetar a lista de melhorias / análise de resultados dos experimentos- Selecionar um plano otimizado

- O processo deverá ser Mapeado e re-definido

Fase 9

- Planilha de execução do plano

- Verificação dos resultado sobre o piloto

- Análise de resultado : demonstrado financeiramente

Extrair o plano de melhoria do processo baseado no princípio da causa e fatores vitais,

selecionados na fase de análise e configuração de desempenho do projeto

8.1 Extrair um plano de melhoria

8.2 Avaliar o plano de melhoria

8.3 Selecionar o plano de melhoria

9.1 Preparar o desempenho do projeto

9.2 Executar e verificar

Fase 9. Execute e verifiqueFase 8. Escolha de um plano otimizado

Melhoria

Page 174: Treinamento Six Sigma LG Electronics

174

Passo 8 Estabelecer o plano otimizado

Avaliar /Comparar os vários planos de melhorias de diferentes ponto de vista e

selecionar o melhor plano prático

•Extrair vários planos de melhoria que podem eliminar a causa fundamental

- Extrair o plano de

melhoria

- Selecionar o nível

adequado do fator vital

-Preparar e analisar o Brainstorming -Melhoria qualitativa

Extrair

plano de

melhoria

•Avaliar o plano de melhoria de diferentes pontos de vista.

- Decidir prioridadeAvaliar o

plano de

melhoria

Atividade Ferramenta

•Selecionar o plano ótimo que for mais fácil de aplicar e ter maiorpossibilidade de atingir a metabaseado na avaliação doresultado.

- Decidir prioridade

- Selecionar o plano ótimo

Selecionar

o plano

ótimo

Propósito

-Análise de

experimento

-Método qualitativo

-Votação

Page 175: Treinamento Six Sigma LG Electronics

175

• Elaborar o plano de performance apropriado para a ótima performance

• Inspecionar se atinge a

através de uma execução

piloto ou pela performance

do plano otimizado.

- Elaborar o plano de

performance

- Executar o plano ótimo- Inspecionar o plano

ótimo

Elaborar o plano de

performance

Executar/Inspecionar

- A prova de erros- Análise da

capabilidade do

processo

Atividade Ferramenta

Passo 9 Executar e inspecionar

-Elaborar o plano de performance do plano ótimo selecionado. -Se necessário, refazer o plano ótimo e análises adicionais.

Propósito

Page 176: Treinamento Six Sigma LG Electronics

176

Escolha do Plano de MelhoriaEscolha do Plano de Melhoria

Em caso de vários projetos de melhoria, teste-os objetivamente – Focar naqueles de maior impacto

financeiro ou processo.

Após extrair todas as Melhorias do plano para eliminar a causa raiz, escolha o plano final otimizado que é o mais apropriado e que pode ser executado.

Observação

• Considere o máximo de variedade de

planos possíveis.• Selecione o plano que atenda o seu

objetivo• Reflita sobre o novo plano de

melhoriaExtrair o plano de

melhoria

Avaliar o plano de melhoria

Selecionar o máximo de planos de melhorias possíveis para eliminar as causas raiz.

Métodos Qualitativos Métodos Quantitavos

(Check Points)

-O projeto de melhoria final poderá atingir o objetivo ?

- Existe algum impacto sobre outra escala/função do processo?

- Pode o plano de melhoria eliminar toda a causa raiz?

- A performance padrão é concreta?

Checar

Padrão para selecionar um plano de melhoria inovador

• Quebre os paradigmasQuebre os paradigmas

• Mude seu ponto de vista Mude seu ponto de vista

• Mantenha o focoMantenha o foco

• Anote as informaçõesAnote as informações

• Não coloque obstáculos para a Não coloque obstáculos para a soluçãosolução

• Elabore as características do planoElabore as características do plano

• Benchmarking avançado Benchmarking avançado

• Aprenda com os mais experientesAprenda com os mais experientes

É importante manter a consistência do problema/causa raiz/e plano de melhoria

Selecione e verifique a melhoria final do projeto baseada nos check-points.

Selecione o plano

otimizado

Page 177: Treinamento Six Sigma LG Electronics

177

Selecionar

Extrair

Diagnóstico

Meta Atual

GAPObter planos de

melhoria inovadores

AvaliarManter a consistência

A sabedoria de uma organização

com a mente inovadora é

importante para o projeto de

melhoria contínua.

Causa raiz

Sugestão deprojeto de melhoria

Projeto de

melhoria

Nível deSigma Execução Investir/

efeitoTotal

Problema

Causa em que ocorre o GAP

Introspecção

+

Resultado da análise

Escolha do Plano de MelhoriaEscolha do Plano de Melhoria

Page 178: Treinamento Six Sigma LG Electronics

178

Extrair o plano de melhoria:

-Brainstorming

Avaliar plano de melhoria:

-Logic Tree

-Avaliação da Influência das

variáveis (DOE)

-Regressão

Selecionar o plano de melhoria:

-Matriz de priorização

-QFD

-Otimização

Vital(is) Few

DadosMensuráveis

Brainstorming

Logic Tree

Matriz de Priorização

Tratamento Estatístico

Regressão DOE GLM

QFD

SN

Execução e Inspeção

Passo 8

Estabelecer o plano otimizado

Passo 9

Executar e inspecionar

Otimização

1

2

3

4 5

Brainstorming: ver pág. 47

Logic Tree: ver pág. 127

QFD: ver pág. 60

Regressão: ver pág. 167

DOE: será visto na Melhoria

1

2

3

4

5

Escolha do Plano de MelhoriaEscolha do Plano de Melhoria

Page 179: Treinamento Six Sigma LG Electronics

179

Avaliação da Influência das Variáveis (DOE)Avaliação da Influência das Variáveis (DOE)

É criado para economizar tempo e custo, e também para projetar um experimento.

Existem várias maneiras de se fazer um experimento, mas normalmente segue-se os 3 passos abaixo:

☞ Passo 1 : Triagem de Variáveis: Planejamento fracionário( X’s causas raiz)

☞ Passo 2 : Avaliação da influência das Variáveis: Planejamento fatorial completo

☞ Passo 3 : Otimização: Método dos Mínimos Quadrados e Metodologia de Superfície de Resposta(RSM) (Não visto neste curso)

Termos básicos para o experimento Qual é a variável resposta? Também chamada de variável dependente, a variável resposta é o YQuais são as variáveis controláveis ? São A, B, C..... Chamadas variáveis independentes ou fatores (X)Qual é a condição dos fatores no experimento? A condição é o nível: (+) para o nível alto e (-) para o nível baixo

Visão geral

2 fatorialk

k = Expressa o número de fatores

O número máximo de fatores é 2k

2 = O número de níveis

Page 180: Treinamento Six Sigma LG Electronics

180

◎ Processo de solução pelo experimento

◎ Condição para o design do experimento eficiente

- Aplicar o conhecimento de campo : Entendimento do ambiente do experimento

Aplicação e administração do resultado

- Conhecimento de experimento e análise : Método de análise e design do experimento,

Método de interpretação do resultado.

Desenho de experimento Know-How

Conhecimento de campo(Know-How tecnológico)

Desenho e prática(Decidir fator e nível )

Coletar os dados

Coletar os dados

Análise de dado Análise de dispersão

- Pós análise

Análise de dado Análise de dispersão

- Pós análise

◎ Processo e plano de experimento

프로세스 SaídaEntrada

Fatores controláveis (X’s)

Fatores incontroláveis (N’s) = noise, erro

Processo

A,B,C....

Y1, Y2...

DOEDOE

Page 181: Treinamento Six Sigma LG Electronics

181

DOEDOE

3 princípios para projetar um experimento

- Entender o princípio básico do experimento.

Experimento

Design Análise estatística

Aleatoriedade

Replicação

Blocking

Objetividade/Reprodutibilidade

da análise de resultado

Análise de resultado

Análise de resultado

Designar a ordem na qual as tentativas experimentais serão realizadas usando aleatoriedade. Por quê?

Para tirar a influência de qualquer variável oculta sobre os fatores do experimento.Para ajudar a validar as conclusões estatísticas feitas a partir do experimento.

É a repetição de uma observação ou medição a fim de aumentar a precisão de análise de um experimento.Não é a mesma coisa que medições múltiplas em uma única peça ou lote.Por quê?

Para que possamos decidir se a diferença entre as resposta é devida á mudança nos níveis de fatores( uma causa especial) ou é devida a uma causa comum. Para ver claramente se um fator é importante ou não.

É a analise de variação externa no seu experimentoPor quê?

Para que possamos analisar se a variação externa está influenciando no seu experimento como por exemplo : Fazendo experimento com ar condicionado ligado ou não, linhas diferentes com umidades diferentes etc.

O Design determina o método de análise e resultado.

Replicação e Repetição

•Replicação

:Repetir todas as condições do experimento

•Repetição

: Repetir algumas condições do experimento

Block e Blocking

• Block

: Grupo de experimentos em condições idênticas (unidade).

• Blocking

: Classificação de todas as condições da experiência em um só bloco

Aleatoriedade

: Não decidir subjetivamente

(1) Permitir a aleatoriedade de cada item no experimento

(2) Fazer o experimento aleatoriamente

Page 182: Treinamento Six Sigma LG Electronics

182

DOE – Exemplo DPCDOE – Exemplo DPC

Exemplo : DPC

Com a finalidade de testar a influência de dois diferentes treinamentos em duas seções do DPC, executaremos um Design Of Experiment (DOE).

Problema:

Objetivo do Experimento : Quantificar a influência do local e do tipo de treinamento que o DGI ministra ao DPC em relação ao grau de motivação dos funcionários (pesquisa LGE Way)

1. Nome deProcesso 2. Data

3.Testador

OutputInput

Fatores controlável

Fatores incontrolável

Processo :

Humor dosfuncionários

Horas de TreinamentoLocal de Treinamento

Y

Tipo de Y

G, P, A

X

Nível deX

Método deexperimento

Causa deNoise

Pesquisa LGE Way

XXX

MotivaçãoTipo de Treinamento

Motivação do Funcionário

Tipo de TreinamentoLocal do Treinamento

Full Fatorial Nível 2

Obs:

Repetição 2 vezes

Humor(B) Local

- (5s)

+ (C.A.)

- (LG) + (Hotel)

6052

Média : 56

7283

Média : 77,5

5445

Média : 49,5

6880

Média : 74

(A) Tipo de Trein.

(Resultado)

G=Grande, P=Pequeno e A=Alvo

Tipo: 5s e C.A.Local: LG e Hotel

Page 183: Treinamento Six Sigma LG Electronics

183

Rep

licaç

ão

da M

ediç

ão

Item Treinamento Local Satisfação (nota)

1 5s LG 60

2 C.A. LG 72

3 5s Hotel 54

4 C.A. Hotel 68

5 5s LG 52

6 C.A. LG 83

7 5s Hotel 45

8 C.A. Hotel 80

Med

ição

(Resultado)

Fator A = Tipo de Treinamento (-1) Baixo = 5s

( 1 ) Alto = C.A.

Fator B = Local de Treinamento (-1) Baixo = LG

( 1 ) Alto = Hotel

(B) Local

- (5s)

+ (C.A.)

- (LG) + (Hotel)

6052

Média : 56

7283

Média : 77,5

5445

Média : 49,5

6880

Média : 74

(A) Tipo de Trein.

DOE – Exemplo DPCDOE – Exemplo DPC

Page 184: Treinamento Six Sigma LG Electronics

184

2 Repetições

1

2

DOE – Exemplo DPCDOE – Exemplo DPC

Page 185: Treinamento Six Sigma LG Electronics

185

Numero de Fatores1

Para garantir a aleatoriedade.Quando formos fazer um experimento real essa função deve estar ativada

2

Coloque o nome dos fatores e os níveis alto e baixo *caso esses não sejam colocadosa tabela será formada por 1 e -1

3

DOE – Exemplo DPCDOE – Exemplo DPC

Page 186: Treinamento Six Sigma LG Electronics

186

Coloque as respostas na coluna C7

DOE – Exemplo DPCDOE – Exemplo DPC

Page 187: Treinamento Six Sigma LG Electronics

187

DOE – Exemplo DPCDOE – Exemplo DPC

Entre com a coluna que contem o resultado

1

2

3

LG Electronics Green Belt [Mfg]187

Page 188: Treinamento Six Sigma LG Electronics

188

Factorial Fit: Nota versus Tipo; Local

Estimated Effects and Coefficients for Nota (coded units)

Term Effect Coef SE Coef T PConstant 64,250 2,531 25,38 0,000Tipo 23,000 11,500 2,531 4,54 0,010Local -5,000 -2,500 2,531 -0,99 0,379Tipo*Local 1,500 0,750 2,531 0,30 0,782

S = 7,15891 R-Sq = 84,44% R-Sq(adj) = 72,77%

Analysis of Variance for Nota (coded units)

Source DF Seq SS Adj SS Adj MS F PMain Effects 2 1108,00 1108,00 554,000 10,81 0,0242-Way Interactions 1 4,50 4,50 4,500 0,09 0,782Residual Error 4 205,00 205,00 51,250 Pure Error 4 205,00 205,00 51,250Total 7 1317,50

Fator A (Tipo de treinamento) tem significância

Graficamente: O gráfico que ultrapassa o valor de T é o significante

Numericamente: Quando p-value < α este fator é significante

Valor de T para α = 0,1

DOE – Exemplo DPCDOE – Exemplo DPC

188

Page 189: Treinamento Six Sigma LG Electronics

189

DOE – Exemplo DPCDOE – Exemplo DPC

Selecione as três opções1

Resposta Y2

Seleção dos Fatores

Escolha IndividualEscolha Total

3

Page 190: Treinamento Six Sigma LG Electronics

190

DOE – Exemplo DPCDOE – Exemplo DPC

A Análise Gráfica serve pra identificarmos visualmente os fatores principais e suas interações, mas a decisão final deve ser tomada com relação ao valor de p-value.

Local

Mean

HotelLG

80

75

70

65

60

55

50

Tipo5sC.A.

Interaction P lot (data means) for Nota

Mean o

f Nota

C.A.5s

75

70

65

60

55

50HotelLG

Tipo Local

Main Effects P lot (data means) for Nota

O tipo de treinamento tem uma maior

influência na resposta Y (grau de

motivação) do que o local do treinamento.

O tipo de treinamento tem uma maior

influência na resposta Y (grau de

motivação) do que o local do treinamento.

Não há interação

O treinamento na LG, para ambos os

treinamentos, é mais motivador que no Hotel

Aqueles que fizeram o treinamento de C.A.

estão mais motivados do que aqueles que

fizeram o treinamento de 5s.

Não há interação

O treinamento na LG, para ambos os

treinamentos, é mais motivador que no Hotel

Aqueles que fizeram o treinamento de C.A.

estão mais motivados do que aqueles que

fizeram o treinamento de 5s.

Page 191: Treinamento Six Sigma LG Electronics

191

DOE – Exemplo DPCDOE – Exemplo DPC

Hotel

LG

C.A.5s

Local

Tipo

74,0

77,556,0

49,5

Cube P lot (data means) for Nota

Melhor condição de motivação para os

funcionários

Podemos observar no gráfico que com o treinamento de C.A. tivemos uma melhoria expressiva no grau de motivação dos funcionários. Quanto à localidade

do treinamento não tivemos uma grande diferença.

Logo, quando analisamos os efeitos causados em Y, podemos verificar que o tipo de treinamento influencia muito mais do que o local do treinamento.

Podemos observar no gráfico que com o treinamento de C.A. tivemos uma melhoria expressiva no grau de motivação dos funcionários. Quanto à localidade

do treinamento não tivemos uma grande diferença.

Logo, quando analisamos os efeitos causados em Y, podemos verificar que o tipo de treinamento influencia muito mais do que o local do treinamento.

Conclusão

Page 192: Treinamento Six Sigma LG Electronics

192

DOE – Exemplo 2DOE – Exemplo 2³³

-Quando o número de fatores é 3

Para aumentar o rendimento, fazer um experimento selecionando 3 fatores.Definir Y através da taxa de defeito, teste 3 vezes as mesmas condições. - A : Temperatura (400 F, 450 F) - B : Densidade (10%, 20%) - C : Tempo de Pré Aquecimento(45 Seg, 90 Seg)

Processo Data

NomeEquipamento de Medida

Y

CharY

L, T, S

X

Nível

Projeto

Fator de Ruído

Outros

Rendimento 00/00/00

Sistema de medida

Defeito

Temp., Densidade e Temp. Pré Aquec.Densidade : 20%,10%Tempo Pré: 45s,90sTemperatura: 400F,450F

2 Level (Full)

SaídaEntrada

Fatores Controláveis

Fatores Incontroláveis

Processo :

Page 193: Treinamento Six Sigma LG Electronics

193

DOE – Exemplo 2DOE – Exemplo 2³³

● Resultado do experimento

A : Temperatura

- (400 F) + (450 F)

C : Tempo Pré Aquecimento

- (45Sec) + (90Sec) - (45Sec) + (90Sec)

BD

ensi

dad

e

- (10%)

+ (20%)

- - -

- + -

- - +

- + +

+ - -

+ + -

+ - +

+ + +

66.6362.0157.85

50.2559.9556.05

60.3160.8763.93

56.4658.0354.72

77.2570.3367.73

66.9170.1674.67

69.9867.2867.54

74.8873.1273.80

Média : 62.16

Média : 55.42

Média : 61.70

Média : 56.40

Média : 71.77

Média : 70.58

Média : 68.27

Média : 73.93

C : Tempo Pré Aquecimento

Page 194: Treinamento Six Sigma LG Electronics

194

DOE – Exemplo 2DOE – Exemplo 2³³

StdOrder RunOrder CenterPt Blocks Temperatura Densidade Tempo Y Rendimento1 1 1 1 400 10 45 66,632 2 1 1 450 10 45 77,253 3 1 1 400 20 45 50,254 4 1 1 450 20 45 66,915 5 1 1 400 10 90 60,316 6 1 1 450 10 90 69,987 7 1 1 400 20 90 56,468 8 1 1 450 20 90 74,88

9 9 1 1 400 10 45 62,0110 10 1 1 450 10 45 70,3311 11 1 1 400 20 45 59,9512 12 1 1 450 20 45 70,1613 13 1 1 400 10 90 60,8714 14 1 1 450 10 90 67,2815 15 1 1 400 20 90 58,0316 16 1 1 450 20 90 73,12

17 17 1 1 400 10 45 57,8518 18 1 1 450 10 45 67,7319 19 1 1 400 20 45 56,0520 20 1 1 450 20 45 74,6721 21 1 1 400 10 90 63,9322 22 1 1 450 10 90 67,5423 23 1 1 400 20 90 54,7224 24 1 1 450 20 90 73,8

Med

ição

2M

ediç

ão 1

Med

ição

3

3 R

eplic

açõe

s

Fator A

Níveis(-1)(Baixo)

(+1)(Alto)

Fator B Fator C Resposta Y

K= 3

Fatores

Fatorial 23

Page 195: Treinamento Six Sigma LG Electronics

195

DOE – Exemplo 2DOE – Exemplo 2³³

Fractional Factorial Fit: y versus Temp, Density, Pre

Estimated Effects and Coefficients for y (coded units)

Term Effect Coef SE Coef T PConstant 65.0296 0.6924 93.91 0.000Temp 12.2158 6.1079 0.6924 8.82 0.000Density -1.8925 -0.9462 0.6924 -1.37 0.191Pre 0.0942 0.0471 0.6924 0.07 0.947Temp*Density 4.1308 2.0654 0.6924 2.98 0.009Temp*Pre -0.1692 -0.0846 0.6924 -0.12 0.904Density*Pre 2.0758 1.0379 0.6924 1.50 0.153Temp*Density*Pre 1.3525 0.6762 0.6924 0.98 0.343

Analysis of Variance for y (coded units)

Source DF Seq SS Adj SS Adj MS F PMain Effects 3 916.90 916.90 305.63 26.56 0.0002-Way Interactions 3 128.41 128.41 42.80 3.72 0.0333-Way Interactions 1 10.98 10.98 10.98 0.95 0.343Residual Error 16 184.11 184.11 11.51 Pure Error 16 184.11 184.11 11.51Total 23 1240.40

Fractional Factorial Fit: y versus Temp, Density, Pre

Estimated Effects and Coefficients for y (coded units)

Term Effect Coef SE Coef T PConstant 65.0296 0.6924 93.91 0.000Temp 12.2158 6.1079 0.6924 8.82 0.000Density -1.8925 -0.9462 0.6924 -1.37 0.191Pre 0.0942 0.0471 0.6924 0.07 0.947Temp*Density 4.1308 2.0654 0.6924 2.98 0.009Temp*Pre -0.1692 -0.0846 0.6924 -0.12 0.904Density*Pre 2.0758 1.0379 0.6924 1.50 0.153Temp*Density*Pre 1.3525 0.6762 0.6924 0.98 0.343

Analysis of Variance for y (coded units)

Source DF Seq SS Adj SS Adj MS F PMain Effects 3 916.90 916.90 305.63 26.56 0.0002-Way Interactions 3 128.41 128.41 42.80 3.72 0.0333-Way Interactions 1 10.98 10.98 10.98 0.95 0.343Residual Error 16 184.11 184.11 11.51 Pure Error 16 184.11 184.11 11.51Total 23 1240.40

Numericamente: Podemos confirmar o que o gráfico nos apresenta: que a temperatura e a Interação Temperatura/densidade são significativos em sua influencia na resposta Y (Rendimento), pois p-value < α. (Para o caso α=0,1)

- Para determinarmos os efeitos principais ou quais tem significância podemos utilizar tanto a análise gráfica como a numérica

0 1 2 3 4 5 6 7 8 9

C

AC

ABC

B

BC

AB

A

Pareto Chart of the Standardized Effects(response is Y Rendim, Alpha = ,10)

A: TemperatB: DensidadC: Tempo

Fator A (Temperatura) tem significância

Interação Temperatura x Densidade tem significância

Pareto dos efeitos e interações Análise Numérica

LG Electronics Green Belt [Mfg]195

Page 196: Treinamento Six Sigma LG Electronics

196

Análise Gráfica

Fator A (Temperatura) é o que mais temsignificância pois é o que apresenta maior

variação entre os níveis alto(450) e baixo(400)

Interação Temperatura x Densidade tem maior significância pois é a interação que tem maior

influencia no Y

DOE – Exemplo 2DOE – Exemplo 2³³

O importante é o quanto a reta está inclinada.

Page 197: Treinamento Six Sigma LG Electronics

⊙ Onde é o melhor ponto?

-1,-1,-1

1,-1,-1

-1,-1,1

-1,1,1

-1,1,-1

1,1,1

1,1,-1

1,-1,1

(1)(-1)

(-1)

(1)

(-1)

(1)

A

B

C

Considerando que quanto maior o rendimento melhor.

Nossa melhor situação é:

MELHOR PONTO: Temperatura (450)Densidade (20)Tempo (90)

MELHOR PONTO: A (1)B (1)C (1)

Rendimento = 73,933

OU

197

DOE – Exemplo 2DOE – Exemplo 2³³

Page 198: Treinamento Six Sigma LG Electronics

Interpretação dos gráficos de Interação

Efeito Principal

Devido a B

Fator B- +

Res

post

a

Fator A-

+

Fator B- +

Res

post

a

Fator A-

+

Fator B- +

Res

post

a

Fator A

-

+

Fator B- +

Res

post

a

Fator A-

+

Fator B- +

Res

post

a

Fator A

Fator B- +

Res

post

a

Fator A

-

+

-

+

Sem Efeito Principal

Devido a B

SEM INTERAÇÃO

INTERAÇÃOSUAVE

INTERAÇÃOELEVADA

198

DOE – Exemplo 2DOE – Exemplo 2³³

Page 199: Treinamento Six Sigma LG Electronics

199

A meia fração de um fatorial completo pode, freqüentemente, fornecer as mesmas informações

que o fatorial completo, com apenas metade do número de lotes. O mesmo deve ser utilizado

somente quando o número de fatores é muito elevado ou o experimento demanda um alto custo.

Vantagens:

Utiliza menos lotes , poupa tempo e dinheiro e podemos excluir fatores de menor significância

Vamos refazer o exercício anterior através de um planejamento fatorial fracionado

StdOrder RunOrder CenterPt Blocks Temperatura Densidade Tempo Y1 1 1 1 400 10 90 60,312 2 1 1 450 10 45 77,253 3 1 1 400 20 45 50,254 4 1 1 450 20 90 74,88

5 5 1 1 400 10 90 60,876 6 1 1 450 10 45 70,337 7 1 1 400 20 45 59,598 8 1 1 450 20 90 73,12

9 9 1 1 400 10 90 63,9310 10 1 1 450 10 45 67,7311 11 1 1 400 20 45 56,0512 12 1 1 450 20 90 73,8

Med

ição

2M

ediç

ão 1

Med

ição

3

3 R

eplic

açõe

s

Fator A

Níveis(-1)(Baixo)

(+1)(Alto)

Fator B Fator C Resp YFatorial Fracionado 23

DOE – Exemplo 2DOE – Exemplo 2³ - Fracionado³ - Fracionado

Page 200: Treinamento Six Sigma LG Electronics

200

Fractional Factorial Fit: Y versus Temperatura; Densidade; TempoEstimated Effects and Coefficients for Y (coded units)Term Effect Coef SE Coef T PConstant 65,676 1,031 63,69 0,000Temperat 14,352 7,176 1,031 6,96 0,000Densidad -2,122 -1,061 1,031 -1,03 0,334Tempo 4,285 2,142 1,031 2,08 0,071Analysis of Variance for Y (coded units)Source DF Seq SS Adj SS Adj MS F PMain Effects 3 686,5 686,5 228,83 17,94 0,001Residual Error 8 102,1 102,1 12,76 Pure Error 8 102,1 102,1 12,76Total 11 788,6

◎ O Fatorial Fracionado é quase similar ao Fatorial total, a única diferença no Minitab é que devemos

selecionar ½ Fraction

1- Criando o experimento – Caminho no Minatab: Stat\DOE\Fractional\Create Factorial Design

2- Analisando o experimento

P-value<α

StdOrder RunOrder CenterPt Blocks Temperatura Densidade Tempo Y1 1 1 1 400 10 90 60,312 2 1 1 450 10 45 77,253 3 1 1 400 20 45 50,254 4 1 1 450 20 90 74,88

5 5 1 1 400 10 90 60,876 6 1 1 450 10 45 70,337 7 1 1 400 20 45 59,598 8 1 1 450 20 90 73,12

9 9 1 1 400 10 90 63,9310 10 1 1 450 10 45 67,7311 11 1 1 400 20 45 56,0512 12 1 1 450 20 90 73,8

200

DOE – Exemplo 2DOE – Exemplo 2³ - Fracionado³ - Fracionado

Page 201: Treinamento Six Sigma LG Electronics

201

Execução e InspeçãoExecução e Inspeção

① Resumo para verificação do resultado

: De acordo com o Plano de Ação, por meio da execução e verificação dos resultados

do plano de melhoria, a utilidade da poderá ser determinada.

● Por meio da aplicação do plano de melhoria, a eficiência da melhoria pode ser

determinada e comparada com os dados da medição do processo.

● De acordo com a medição do Y selecionado, pode-se checar a validade da

melhoria quando comparada com o valor de Z (σ padrão)

●Quando não se encontra o nível esperado de melhoria, avance para o próximo

step ordenadamente.

② Pontos de Verificação● São os mesmos como do Y selecionado no processo de medição?

● São os mesmos tipos dos dados selecionados na medição do processo?

● O Plano de Ação inclui coleta de dados?

1) Implementação e Verificação : Verificação dos resultados

Page 202: Treinamento Six Sigma LG Electronics

202

Execução e InspeçãoExecução e Inspeção

Exemplo de Verificação dos Resultados

Cliente

ASC

Fábrica- Overseas- Domestic

②③

⑤ ⑥

LGEAP

In-stock(Ordem

Normal)

0 Dias0 Dias

0 dias0 dias

0 Dias0 Dias

0 Dias0 Dias

antes depois

52% Melhoria

56%Melhoria

→ → → ① ② ③ ④

performance performance Parts Supply process

Parts Supply process

Ordem de retorno

(2001.Março)

→ → → ① ② ⑤ ⑥→ → ③ ④

Atual

0 %0 %

0%0%30%Melhoria

antes depois

antes depois

Um conjunto de tarefas especiais foi organizada e executada para ajustar o tempo de entrega.

US$ 720KUS$ 720K

Page 203: Treinamento Six Sigma LG Electronics

203

Controle- Padronizar o processo melhorado.

- Estabelecer o Sistema de Monitoramento regular para melhoria contínua.

- Compartilhar o resultado e o conhecimento extraído do Projeto.

Metas

Ferramentas

Passos- Passo 10 : Padronizar- Passo 11 : Monitorar - Passo 12 : Compartilhar e disseminar o resultado A fase de controle é aquela que

mantém a melhoria alcançada na melhor condição. É importante para estabelecer o Sistema de Monitoramento correto.

- À Prova de Erro (Mistake Proofing)

- Cartas de Controle (Control Charts) : Xbar-R, P, NP, C, U

7

Page 204: Treinamento Six Sigma LG Electronics

204

Propósito

Passo da Atividade

Saída

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/disseminação para

que o resultado e método inspecionado possa ser estabelecido em outras áreas.

Passo 10 - Padrão de trabalho

Passo 11

Passo 12

- Plano Futuro/ Plano de gerenciamento

- Relatório de Conclusão do Projeto

10.1 Padronizar 11.1 Estabelecer o plano de gerenciamento

12.1 Relatório de Conclusão

do Projeto

12.2 Compartilhar/Disseminar

Passo 12. Disseminar/ Compartilhar Resultado

Passo 11. Monitorar Passo 10. Padronizar

Page 205: Treinamento Six Sigma LG Electronics

205

Padronizar

- Estabelecer o plano padrão de operação do processo para entender o sistema de qualidade prático e para manter continuamente o resultado da melhoria.

Padronizar /documentar

Processo Incontrolável

- Aumenta a distribuição do processo- Impossível manter o resultado da melhoria-A forma de trabalho não mudou pois o padrão e processo de melhoria não se refletem. - Aumenta o tempo de controle- Aumenta a insatisfação do cliente

Não

Manter oresultado da melhoria

Sim

ProcessoEntra

daSaída

YVital Few X’s

Melhoria do Processo

TNão havendo padronização do

processo para extrair o resultado do projeto, não há expectativa do resultado

da melhoria em campo

Note:

- Adequação, praticidade dos conteúdos

necessários para o trabalho de

gerência, gerência da atividade da

produção, de su-porte na vista da gerência

e da tecnologia

- conteúdo detalhado e de fácil entendi-

mento para todos os funcionários.

-desenho baseado no processo de traba-

lho ou processo detalhado com clareza e

precisão para não haver má comunicação

- sem contraposição à lei, aos padrões

nacionais, ou à política da empresa.

Refletir nosistema de qualidade

Regulamentação doPadrão de Trabalho

Manualda Qualidade

Padrão de Trabalho

Instrução de Trabalho

Estrutura do Sistema de Qualidade

Page 206: Treinamento Six Sigma LG Electronics

206

A prova de Erros - (Poka Yoke)

-Reflete no “trabalhar adiantado” para minimizar o efeito causado pelo erro.

-Estabelecer o padrão para que o erro não ocorra.

Método Principal

- pare : erros/defeitos ocorridos ou esperados : Carros automáticos não ligam com a marcha no nível D. : Secadores de cabelo param se superaquecidos, através de um sensor. - controle: para parar de ter produtos com defeito mova-se para o próximo nível : disco de 3.5 pol. não pode ser inserido na direção errada - alerte : falha ocorrida ou esperada : o alarme liga se não apertar o cinto de segurança. : medir a aplicação e o seu resultado

Checar o problema

Estabelecer a prioridade

Examinar a causa raiz

Selecionar o planode melhoria

Processo Básico do MP

EspíritoBásico

Qualquer um que faça uma bobagem,nada de errado ocorrerá

Mesmo que alguém cometa um erro, seu efeito não será grande.

Poka YokePoka Yoke

Page 207: Treinamento Six Sigma LG Electronics

207

Sistema de Monitoramento

Para decidir conteúdos detalhados (tempo, meta de medição, departamento, etc.) do sistema regular de monitoramento.

Note que para o Sistema de Monitoramento

- O que medir?

- Com que freqüência?

- Como deve ser controlado? (Sob qual padrão?)

- Quem irá monitorar?

- Se não controlado, como encontrar a causa? (Sob qual padrão?)

Responsabilidade do Controle do CTQ

Sistema de Auditoria e Responsabilidade

Exemplo

- Para melhorar o CTQ, o líder da equipe de projeto assume a responsabilidade de confirmar a transição e o controle com o depto funcional depois da transferência ao depto funcional.

- Depois de um certo período, o depto funcional assume o controle total do CTQ

Auditoria de CTQ MBB

Checar o status de finalização

do F/U do tema finalizado

. Relatar o status atual do

controle ao Champion e

corrigir

Auditoria dos integrantes da inovação

. Checar status do Follow Up

do tema finalizado

Relatar o status atual do

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

Page 208: Treinamento Six Sigma LG Electronics

208

Método de Monitoramento Quantitativo

- Diagnosticar o status do CTQ que afeta a estabilidade do processo e melhora se necessário.

Também controlar a distribuição e movimento central do processo usando a carta de controle

estatística.

- Isso ajuda que o status otimizado continue.

Estabelecer o objetoEstabelecer plano deextração de amostra

ex : Número de grupo da amostra com o número de grupo

Desenhar a cartade controle

Diagnosticare Avaliar

Causa anormal Causa contingente

Controle Melhoria

Manter

Page 209: Treinamento Six Sigma LG Electronics

209

Aplicação e Modo de Checagem

-Situação estável de processo : Os pontos estão dentro dos limite de controle. E não há um

regulamento próprio nos pontos marcados.

-Situação instável : Os pontos estão fora dos limites e tem característica especifica nos pontos

marcados.

Isso , significa que existe uma causa que precisa de providência.

-Providência imediata sobre a causa anormal:

- Os pontos que saíram dos limites de controle.

- Mostra uma características especifica, como: inclinação,tendência, freqüência, etc.Os gráficos de controle usados mais frequentemente são:

Dados de Atributo

– Gráfico P: localiza proporção de unidades defeituosas observado em uma amostra (Nº de amostra diferentes).

– Gráfico U: gráfico de controle por unidade (Nº de amostra diferente).

Dados de Variável

– Gráfico I-MR (X-RM):Um gráfico de controle que localiza variação no processo e indica causas especiais, podendo detectar mudanças em variação a longo prazo.

– Gráfico Xbar-R (onde “R” é o Range):Gráfico de controle para média e Range de subgrupos de dados.

Carta de Controle

- Método que busca deixar o processo em condição estável

- Processo estatístico que pode detectar mudança da qualidade num processo contínuo

Propósito

Manter e melhorar a qualidade através de busca de especialidade no processo, corrigindo e mantendo o processo estável.

Enfatiza o controle do X’s além do resultado do processo (Y).

Cartas de ControleCartas de Controle

Page 210: Treinamento Six Sigma LG Electronics

210

3

Diagnóstico da Carta de Controle

1. No caso de certo valor de controle exceder a linha de limite do controle. (±3σ)

2. Aparecer 9 ea do valor de controle continuamente acima ou abaixo da linha central.

3. 6 ea do valor de controle aumentam ou diminuem continuamente.

4. 14 ea do valor de controle aparecem acima e abaixo da linha central regularmente.

5. 2 ea do valor de controle aparecem na região A em um lado da linha central (acima ou abaixo) entre 3 ea do valor de controle.

6. 4 ea do valor de controle aparecem na região A ou B em um lado da linha central (acima ou abaixo) entre 5 ea do valor de controle.

7. 15 ea do valor de controle aparecem na região C em um lado do centro em ordem.

8. 8 ea do valor de controle aparecem em ordem na região A ou B em um lado da linha central.

A : -3S~-2S ou 2S~3SB : -2S~-1S ou 1S~2SC : -1S~Centro ou Centro~1S

Continuous

Attribute

1

2

3

4

5

6

7

8

1 1

2

+ 1 S

+ 2S

+ 3S

- 3 S

- 2 S

- 1 S

ABC

CBA

+ 1 S

+ 2S

+ 3S

- 3 S

- 2 S

- 1 S

ABC

CBA

+ 1 S

+ 2S

+ 3S

- 3 S

- 2 S

- 1 S

ABC

C

BA

+ 1 S

+ 2S

+ 3S

- 3 S

- 2 S

- 1 S

ABC

CBA

+ 1 S

+ 2S

+ 3S

- 3 S

- 2 S

- 1 S

ABC

C

BA

4

5

5

+ 1 S

+ 2S

+ 3S

- 3 S

- 2 S

- 1 S

ABC

CBA

+ 1 S

+ 2S

+ 3S

- 3 S

- 2 S

- 1 S

A

BC

CBA

+ 1 S

+ 2S

+ 3S

- 3 S

- 2 S

- 1 S

ABC

C

BA

6

6

7

8

Vários padrões de anormalidade podem aparecer numa carta de controle simultaneamente.

- No caso da ocorrência de padrão de anormalidade, checar a sua causa

Diagnóstico Padrão

Cartas de ControleCartas de Controle

Page 211: Treinamento Six Sigma LG Electronics

211

Tipos de Carta de Controle

Contínuo

Tamanhoda Amostra

I-MR Xbar-R Xbar-S

n = 1

n = 2~5

n > 6

Tipo de Dado

Atributo

Nº de defeito/proporção Número de Falhas

Tamanhoda Amostra

Tamanhoda Amostra

NP P

C U

Regular Irregular

Regular Irregular

Cartas de Controle para Dados Contínuos

Use o valor medido da máquina e em geral, faça a carta de controle individual de características de qualidade peculiares.

Use a Carta Xbar-R quando o tamanho da peça/parte for menor do que 10 ea.

Cartas de Controle para Dados Atributos

Desenhe para checar a estabilidade do processo com a coleta de dados atributos e uma carta de controle prove a informação da distribuição.

Cartas de ControleCartas de Controle

Page 212: Treinamento Six Sigma LG Electronics

212

- A carta de controle Xbar-R serve para checar a característica das medições da média e da distribuição ao mesmo tempo. - Geralmente os dados são coletados na forma de subgrupos : Estabeleça o nº de grupos para detectar a variação 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 contém dados coletados durante 7 dias, n=5, duas vezes ao dia, num processo contínuo para controlar a média e a distribuição do ruído de saída.

Mas, para um diagnóstico fácil no caso de ocorrer causa anormal, registra-se o Resumo dos Dados baseado no 4M

-A ruído de saída real deve ser menor do que 95.

-Abrir o exemplo: “XBar-R.mtw”

Xbar-R

Grupo e Dados

Resumo dos dados

Cartas de Controle – Xbar-RCartas de Controle – Xbar-R

Page 213: Treinamento Six Sigma LG Electronics

213

Stat > Control Charts > Variable Charts for Subgroups

Estabeleça a variável

Estabeleça o grupo variável

Escolha todos os testes possíveis

Cartas de Controle – Xbar-RCartas de Controle – Xbar-R

Page 214: Treinamento Six Sigma LG Electronics

214

Date

Sam

ple

Mean

7.A7.M6.A6.M5.A5.M4.A4.M3.A3.M2.A2.M1.A1.M

95

90

85

__X=90.30

UCL=96.66

LCL=83.94

Date

Sam

ple

Range

7.A7.M6.A6.M5.A5.M4.A4.M3.A3.M2.A2.M1.A1.M

20

15

10

5

0

_R=11.03

UCL=23.31

LCL=0

1

Xbar- R Chart of Noise

No 6.M, aparece o fenômeno anormal que excede os limites de controle.

No outro grupo não aparece o fenômeno anormal em 8 testes.

Cartas de Controle – Xbar-RCartas de Controle – Xbar-R

Page 215: Treinamento Six Sigma LG Electronics

215

Exemplo Carta de Controle NP

O Serviço ao Cliente da OO Electronics quer ter entrevistas de follow-up 2 vezes por semana (Terça e Sexta) selecionando aleatoriamente vários clientes que foram atendidos. Nesse momento, eles perguntam sobre 5 itens e consideram como defeito a pontuação média menor do que 3.5.

Eles prevêem a taxa de defeito por volta de 8%. Então eles escolhem 50 pessoas considerando a possibilidade de análise, tempo e man-power entre 13~63 pessoas. No caso de muitos não responderem, consideram a Amostra Adicional.

-Considere o número do grupo (g=24) com unidade de 3 meses que é capaz de aplicar ação real.

- Registre por classificação a média/min/max já que a quantidade de vendas pode afetar.

-Eles enviam a instrução do pesquisador já que a atitude ou o tempo da pergunta podem afetar no resultado. Também limitam o tempo em 12 horas após o atendimento.

-Abrir o exemplo: “NP.mtw”

-Controla o número de defeitos no caso do número da amostra entre-grupos serem idênticos. -Decide o número de amostra entre-grupos 1/taxa de defeito ~5/taxa de defeito no caso em que for possível esperar a taxa de defeito do processo.

NP

Grupo e Dados

Resumo dos Dados

Cartas de Controle – NPCartas de Controle – NP

Page 216: Treinamento Six Sigma LG Electronics

216

Stat > Control Charts > Attribute Charts > NP …

Estabeleça a variável

Estabeleça o número entre-grupo

Escolha todos os testes possíveis

Cartas de Controle – NPCartas de Controle – NP

Page 217: Treinamento Six Sigma LG Electronics

217

Houve insatisfação do cliente nas 2ª e 9ª semanas da pesquisa semanal. E os dois casos são a respeito da grande quantidade de vendas naquelas semanas.

Date

Sam

ple

Count

12.T

ue

11.T

ue

10.T

ue

9.T

ue

8.T

ue

7.T

ue

6.T

ue

5.T

ue

4.T

ue

3.T

ue

2.T

ue

1.T

ue

14

12

10

8

6

4

2

0

__NP=5.04

UCL=11.43

LCL=0

1

1

NP Chart of NC

ID

NC

2520151050

14

12

10

8

6

4

2

0

4

7GT.A

GT.A

AVG

AVGAVGAVG

GT.A

LT.A

AVG

GT.AGT.A

AVGAVG

LT.A

LT.A

AVG

LT.AGT.ALT.ALT.A

GT.A

LT.A

AVG

LT.A

NC vs ID (W.R.T Sales.Q)

Cartas de Controle – NPCartas de Controle – NP

Page 218: Treinamento Six Sigma LG Electronics

218

Exemplo Cartas de Controle 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.

P

Enquanto processava a entrevista de follow-up citada acima, o número real de clientes não era idêntico. Assim, o Serviço 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

Cartas de Controle – PCartas de Controle – P

Page 219: Treinamento Six Sigma LG Electronics

219

Stat > Control Charts > Attribute Charts > P …

Estabeleça a variável

Estabeleça a variável que registrou o número entre-grupos

Escolha todos os testes possíveis

Cartas de Controle – PCartas de Controle – P

Page 220: Treinamento Six Sigma LG Electronics

220

Date

Pro

port

ion

12.Tue

11.Tue

10.Tue

9.Tue

8.T

ue

7.T

ue

6.T

ue

5.T

ue

4.T

ue

3.T

ue

2.T

ue

1.T

ue

0.20

0.15

0.10

0.05

0.00

_P=0.0697

UCL=0.1709

LCL=0

P Chart of NC

Tests performed with unequal sample sizes

Processo Estável

Cartas de Controle – PCartas de Controle – P

Page 221: Treinamento Six Sigma LG Electronics

221

Exemplo Carta de Controle C

Esta carta é para controlar o número de dots que aparecem no painel do OO PVC.

Desde quando o primeiro dot apareceu no lado superior direito, eles melhoraram a causa

através de um projeto anterior. E agora, os dots ocorrem no produto aleatoriamente.

Deste modo, os dados são coletados da seguinte maneira.

- Registra-se o número de dots de um certo tamanho que aparece na mesma área.

- Número do grupo é de 3 vezes por dia (M, A, E) em duas semanas (g=42)

- Os inspetores são 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”

-Controlar o número de defeito que ocorre em certa unidade (comprimento, área etc.)-Unidade a ser pesquisada tem que ser sempre regular. Em caso de não classificar o tipo de defeito, pode-se considerar mais que uma unidade simultaneamente.

C

Resumo dos Dados

Grupo e Dados

Cartas de Controle – CCartas de Controle – C

Page 222: Treinamento Six Sigma LG Electronics

222

Stat > Control Charts > Attribute Charts > C …

Estabeleça a variável

Escolha todos os testes possíveis

Cartas de Controle – CCartas de Controle – C

Page 223: Treinamento Six Sigma LG Electronics

223

Sample

Sa

mp

le C

ou

nt

4137332925211713951

25

20

15

10

5

0

_C=11.40

UCL=21.54

LCL=1.27

1

C Chart of NC

Muitos dots podem ter sido causados pelo Heat.C e precisam ser inspecionados junto ao teste padrão da inspetoria.

Cartas de Controle – CCartas de Controle – C

Page 224: Treinamento Six Sigma LG Electronics

224

Exemplo Carta de Controle U

-Feita para controlar o número de defeitos que aparecem em certa unidade (comprimento, área)-No caso da unidade ser irregular, o controle deve estar baseado na suposição de que cada defeito aparece individualmente.

U

Se uma placa é produzida num processo,e se faz um produto cortando-a em certo tamanho. Colete os dados para controlar o número de defeitos de uma placa apropriada e para controlar o número de defeito pesquisado no painel de diferente tamanho.

Registre o cálculo da área e número de dots com a área da unidade.

-Número do grupo é 3 vezes por dia (M, A, E) com 2 semanas (g=42)

-Abrir o exemplo: “U.mtw”

Grupo e dados

Data Resume

Cartas de Controle – UCartas de Controle – U

Page 225: Treinamento Six Sigma LG Electronics

225

Stat > Control Charts > Attribute Charts > U …

Estabelecer a variável

Escolher todos os teste possíveis

Cartas de Controle – UCartas de Controle – U

Page 226: Treinamento Six Sigma LG Electronics

226

Date

Sa

mple

Coun

t P

er

Un

it

14.A13.M11.E10.A 9.M 7.E 6.A 5.M 3.E 2.A 1.M

0.7

0.6

0.5

0.4

0.3

_U=0.5304

UCL=0.6970

LCL=0.3638

1

U Chart of NC

Tests performed with unequal sample sizes

Qual é o caso que excede o limite de controle?

Cartas de Controle – UCartas de Controle – U

Page 227: Treinamento Six Sigma LG Electronics

227

Resultado do Estágio de Definição

Saída por passos (steps)

• 1º Passo - Definição do VOC/VOB - Analise superficial do processo - Extrair Little Y através do desenvolvimento do Big Y

• 2º Passo - Analise detalhada do processo - CTQ e o Y do projeto - Folha com plano de Ação Rápida.

Imagem da Saída Principal

Compartilhe e Espalhe o resultado

- Isto é para tornar fácil o compartilhamento uns com os outros, através da organização/relatório do resultado com um método padronizado.

사업구조 혁신

제조원가 혁신Digital생산방식 구축을

통한 원가 혁신

Premium모델 매출증대

제품 생산지 이전

현재수준 년도별 목표설정

00% 00% 00%

05년 06년 07년 08년

사업부 전략과제

제품력 강화

신제품 개발로 제품 차별화

현지공장 R&D역량 강화

00% 00% 00%

Premium모델의매출액 비율

신제품 개발

제조원가율

현지개발모델 수

00%

Big Y = KPI

사업구조 혁신

제조원가 혁신Digital생산방식 구축을

통한 원가 혁신

Premium모델 매출증대

제품 생산지 이전

현재수준 년도별 목표설정

00% 00% 00%

05년 06년 07년 08년

사업부 전략과제

제품력 강화

신제품 개발로 제품 차별화

현지공장 R&D역량 강화

00% 00% 00%

Premium모델의매출액 비율

신제품 개발

제조원가율

현지개발모델 수

00%

Big Y = KPI

해외영업

P/O 입력

생산

공장 공장물류 해외물류 선사 인증기관 수출금융

주문입력

생산

수출신고

출하

수출신고

출하

선적

S/R 확정 Draft B/L송부

B/L 정정B/L 이상유무

매출확정

네고서류저장

은행네고

B/L 원본 송부

Yes

No

매출

네고서류작성

은행네고

S/R 입력

선적0.5일 ~ 3일

0.5일 ~ 3일

0.5일 ~ 2일

개선대상 업무영역

Original B/L접수시간 소

B/L Check 時

시간소요

S/R 誤 입력

해외영업

P/O 입력

생산

공장 공장물류 해외물류 선사 인증기관 수출금융

주문입력

생산

수출신고

출하

수출신고

출하

선적

S/R 확정 Draft B/L송부

B/L 정정B/L 이상유무

매출확정

네고서류저장

은행네고

B/L 원본 송부

Yes

No

매출

네고서류작성

은행네고

S/R 입력

선적0.5일 ~ 3일

0.5일 ~ 3일

0.5일 ~ 2일

개선대상 업무영역

Original B/L접수시간 소

B/L Check 時

시간소요

S/R 誤 입력

Revisão GeralRevisão Geral

Page 228: Treinamento Six Sigma LG Electronics

228

Saída por Passos

• 3º Passo - Folha de registro do projeto e plano de ação

Resultado da fase de Medição

• 4º Passo - Criar folha com resumo dos dados - Folha com o plano de Coleta de dados - Resultado e contramedida do Gage R&R

• 5º Passo - Analisar o resultado da Capabilidade do Processo - Diagrama de 4-Blocos - Direção da melhoria e meta

4 Block Diagram

1.5

Z shift

ZST4.5

C

A B

D

관리 부족기술 부족

관리 적절

기술 부족

관리 부족기술 적절

관리 적절기술 적절

Poor

Good

GoodPoor

Co

ntr

ol

Technology

4 Block Diagram

1.5

Z shift

ZST4.5

C

A B

D

관리 부족기술 부족

관리 적절

기술 부족

관리 부족기술 적절

관리 적절기술 적절

Poor

Good

GoodPoor

Co

ntr

ol

Technology

Saída por Passos

Imagem da Saída Principal

Imagem da Saída Principal

Revisão GeralRevisão Geral

Page 229: Treinamento Six Sigma LG Electronics

229

Resultado da Fase de Analise

• 6º Passo - Listar Possíveis X - Selecione o fator vital de uma lista - Checar se a meta é atingível

• 7º Passo - Avaliação sobre a causa raiz dos fatores vitais.

인력운영

System제 도

난수리

차등 이관

난이도 담당지역

처리건 우대

사전 정보

감동사 기술력

등급시험

경력

설치팀

장비

교육

전담팀 운영

친절교육

필요인력변동

비수기

성수기

복장/용모

인력부족

수익문제 인원관리

센터직원

설치팀

이관문제

미등록

임시활동 인원

교육

수익문제

건수 집중 문제

지역별

요일별

CIC접수

설치불량건

사전점검

품질평가

차별포상

공정성

제품별건수별

고객성향

대행료

이관 시간

책임소재불분명

설명처리

신속성

독촉건

신규건

기존 설치건

시스템 에어컨 기동대

접수처

일반건전문점 접수

평가

설치불량건관리

전문점 처리건 미평가이관

접수 정보미흡

설명처리후 이관

기술력

통신문제

통신비

음영지역

소요시간불분명

자재

미지참

품절

기술등급

기술 & Mind

기술력고객만족도

기술력고객만족도

Possible X’s인력운영

System제 도

난수리

차등 이관

난이도 담당지역

처리건 우대

사전 정보

감동사 기술력

등급시험

경력

설치팀

장비

교육

전담팀 운영

친절교육

필요인력변동

비수기

성수기

복장/용모

인력부족

수익문제 인원관리

센터직원

설치팀

이관문제

미등록

임시활동 인원

교육

수익문제

건수 집중 문제

지역별

요일별

CIC접수

설치불량건

사전점검

품질평가

차별포상

공정성

제품별건수별

고객성향

대행료

이관 시간

책임소재불분명

설명처리

신속성

독촉건

신규건

기존 설치건

시스템 에어컨 기동대

접수처

일반건전문점 접수

평가

설치불량건관리

전문점 처리건 미평가이관

접수 정보미흡

설명처리후 이관

기술력

통신문제

통신비

음영지역

소요시간불분명

자재

미지참

품절

기술등급

기술 & Mind

기술력고객만족도

기술력고객만족도

Possible X’sPossible X’s

A.S

ale

sTraining

RegionYesNo

WestEastWestEast

45000

40000

35000

30000

25000

20000

Boxplot of A.Sales vs Training, Region

A.S

ale

sTraining

RegionYesNo

WestEastWestEast

45000

40000

35000

30000

25000

20000

Boxplot of A.Sales vs Training, Region

P.Sales

A.S

ale

s

1400012000100008000

45000

40000

35000

30000

25000

20000

A .Profit

604020

SSMABCD

Matr ix P lot of A.Sales vs P .Sales, A.Profi t

Saída por Passos Imagem da Saída Principal

Revisão GeralRevisão Geral

Page 230: Treinamento Six Sigma LG Electronics

230

Resultado da Fase de Melhoria

• 8º Passo - Resultado do teste desenvolvido e lista de analise/plano melhoria. - Selecione o plano ótimo - Deve ser mapeado/processo redefinido

• 9º Passo - Folha com o plano de performance - Verificação / Resultado piloto - Resultado da Analise: Expressar financeiramente

개선 전 개선 후

근본원인제기된개선안 개선안

Sigma수준 실행가능성 투자/효과 종합

최종안선택문

근본원인제기된개선안 개선안

Sigma수준 실행가능성 투자/효과 종합

최종안선택문

Te

rm

Standardized Effect

A

C

CD

D

B

876543210

2.228Factor

D

NameA AB BC CD

Pareto Chart of the Standardized Effects(response is Response, Alpha = .05)

Saída por Passos Imagem da Saída Principal

Revisão GeralRevisão Geral

Page 231: Treinamento Six Sigma LG Electronics

231

Resultado da Fase de Controle

• 10º Passo - Padrões de trabalho

• 11º Passo - Folha com o Plano futuro de Controle

• 12º Passo - Relatório de finalização do projeto

일자 :

프로세스 : 고객 : CTQ Y

Process Map Monitoring 비고

Step부서 Y, X인자 Spec.

항목 주기 책임자

상황계획

NO # 일자 변경 내용 책임자승인

프로세스 관리 Sheet

Manual

Qualidade

주요 Output Image Step별 Output

1) Define 단계에서의 결과물

• Step 1 - Big Y 및 KPI

• Step 2 - Big Y 별 세부 과제 Tree - 선정 된 테마의 CTQ 및 Spec.

• Step 3 - 테마 등록서 및 활동 계획서

- Process Mapping 자료

KPI

경비

제조원가율

투하자산

품질목표

Y₁

재고자산 절감

Y12

Y13

시스템 장비재고 절감경비

‘01년사업계획

‘01년사업계획

CTQ :매출액 대비 재고 비용Spec. : 10% 이내

주 요 개선 대 상

한계 돌파 해 야 할 점

한계 돌파를 위한 I D EAK P I Wo rl d b e st Ta rg e t실 적

얻 을 수 있는 경영 상의 성과 는 ? ( 정량 적 / 정 성적 )

테 마 명

Ne c

kP

o i

n t

• 외 부 환경

• 내 부 환경

왜 하게 되었 는 가? 어떻 게 하 는가?

추진 일정 :

팀구 성

이름 소 속 역 할

• 정 량적 성과 • 정 성적 성 과

표준화ControlStep 12. 성과공유/전파

가. 완료 보고서 작성

주요 Output Image Step별 Output

1) Define 단계에서의 결과물

• Step 1 - Big Y 및 KPI

• Step 2 - Big Y 별 세부 과제 Tree - 선정 된 테마의 CTQ 및 Spec.

• Step 3 - 테마 등록서 및 활동 계획서 - Process Mapping 자료

KPI

경비

제조원가율

투하자산

품질목표

Y₁

재고자산 절감

Y12

Y13

시스템 장비재고 절감경비

‘01년사업계획

‘01년사업계획

CTQ :매출액 대비 재고 비용Spec. : 10% 이내

주요 개 선 대 상

한계 돌파 해야 할 점

한계 돌파 를 위 한 I D EAK P I Wo rl d b e st Ta rg et실 적

얻을 수 있는 경영 상의 성과는 ? ( 정량적 / 정 성적 )

테마 명

Ne c

kP

o i

n t

• 외 부 환경

• 내 부 환경

왜 하게 되었 는가? 어떻 게 하 는가?

추진 일 정 :

팀구 성

이름 소 속 역 할

• 정 량적 성과 • 정 성적 성과

표준화ControlStep 12. 성과공유/전파

가. 완료 보고서 작성

주요 Output Image Step별 Output

2) Measurement 단계에서의 결과물

표준화ControlStep 12. 성과공유/전파

• Step 4 - 가인자 List - Data 수집 계획서 - Gage R&R

• Step 5 - 공정능력 분석 결과 - 관리도 : X_Bar R Chart or I Chart - Quick Action 계획서 / 실행 결과

DataSourceY 지표 기준 Data

유형

Source %Contribution %Study Var %Tolerance Total Gage R&R 10.67 32.66 11.44 Repeatability 3.10 17.62 6.17 Reproducibility 7.56 27.50 9.63

9. 0 9. 5 10. 0 10. 5 11. 0

LSL USL

Process Capa bility Analys is for Y

US L

Target

LS L

Me an

S ample N

St De v (Wi thin)StDev (Overal l)

C p

CPUCP L

Cpk

Cpm

P p

PPU

PP L

Ppk

PP M < LS L

P PM > US L

PP M To tal

PP M < LS L

PPM > US L

PP M Total

PP M < LS L

PPM > USL

PP M To tal

10 .5000

*

9 .5000

10 .1838

60

0.1899 860.3084 07

0.88

0.551.20

0.55

*

0.54

0.34

0.74

0.34

166 66. 67

2000 00. 00

2166 66. 67

1 59. 49

480 40.83

482 00.32

133 00. 99

1526 43. 63

1659 44. 62

Proces s D at a

Pot ent ia l (W ithi n) Ca pabil it y

Overall Ca pabi l it y Obse rv ed Perfo rmance E xp. "Wi th in" Per fo rman ce Exp . "Overall" Per fo rman ce

W ithi n

Ove rall

105Subgr oup 0

10.610.510.410.310.210.110.09.99.89.79.6

Sam

ple

Mea

n

1

11

1 1

Mean= 10.18

U CL= 10.44

LCL= 9.925

1.0

0.5

0.0

Sa

mpl

e R

ange

R= 0.4483

U CL= 0.9480

LC L=0

Xbar/R Chart for Y

Saída por Passos Imagem da Saída Principal

Trabalho

Padrões/Regulamentos

Padrões de trabalho

Instrução de trabalho

Revisão GeralRevisão Geral

Page 232: Treinamento Six Sigma LG Electronics

232LG Electronics Green Belt [Mfg]

General Administration

Innovation

Human Resource

Suporte Black BeltSuporte Black Belt

Page 233: Treinamento Six Sigma LG Electronics

233LG Electronics Green Belt [Mfg]

Suporte Black BeltSuporte Black Belt

Notebook

Washing Machine

Page 234: Treinamento Six Sigma LG Electronics

234LG Electronics Green Belt [Mfg]

Suporte Black BeltSuporte Black Belt

Purchase / Material (MNT)

Production Cellular

GERENTE

Page 235: Treinamento Six Sigma LG Electronics

235LG Electronics Green Belt [Mfg]

Suporte Black BeltSuporte Black Belt

Engineering (MNT/ CELL/ WM)

Page 236: Treinamento Six Sigma LG Electronics

236LG Electronics Green Belt [Mfg]

Suporte Black BeltSuporte Black Belt

Production MNT

Page 237: Treinamento Six Sigma LG Electronics

237LG Electronics Green Belt [Mfg]

Suporte Black BeltSuporte Black Belt

Quality (MNT/ CELL)

Total = 31 Black Belt

Page 238: Treinamento Six Sigma LG Electronics

238

LIVRO DE 6 SIGMA PARA GREEN BELTS - MFG

• Data emissão: 27/01/2011 [rev. 01]

• Departamento de Inovação [DGI]

• Desenvolvido por: César Pintor [BB] Diego Gutierres [BB] Mauricio Fulgêncio [BB]

LG Electronics Green Belt [Mfg]