Treinamento Six Sigma LG Electronics

Click here to load reader

  • date post

    06-Jun-2015
  • Category

    Business

  • view

    1.681
  • download

    14

Embed Size (px)

description

Treinamento Six Sigma LG Electronics

Transcript of Treinamento Six Sigma LG Electronics

  • 1. Treinamento 6

2. 2 Inovao Real Inovar Verificar Executar 1. Rpido 2. Forte 3. Inteligente Discurso do CEO Vamos mostrar ao mundo do que somos capazes. Juntos reconquistaremos a glria da LG Electronics. - Continuo Desenvolvimento de Produtos - Assegurar a Melhor Qualidade -Estratgia de Negcios Focada na Perspectiva do Cliente - Nutrir os Excelentes Talentos - Cultura Organizacional Baseada em Criatividade e Autonomia Outubro/2010 (Vice Chairman Bon Joon Koo) 3. ndice 3 LG Electronics Green Belt [Mfg] Introduo 05 Estatstica Bsica 19 SIPOC 21 Coleta de Dados (amostragem) 22 Tipos de Dados (discretos e contnuos) 23 - Dados Contnuos Mdia 25 Mediana 27 Moda 28 Desvio Padro 29 Varincia 30 Amplitude 31 - Dados Discretos Proporo e Moda 32 Variao Natural 33 Distribuio Normal 34 Z-Table 36 Normality Test 38 Deslocamento da Mdia 40 Definio 41 Resumo Seleo do Projeto 43 Extrao do Y 44 Registro do Projeto 45 Ferramentas 46 Brainstorming 47 Mapeamento do Processo 49 FMEA 54 Grfico de Pareto 57 QFD 61 Meta & Cronograma 64 Estimativa de Ganho e Registro 65 Medio 66 Resumo Verificar as propriedades do Y do Projeto 68 Verificar nvel 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 Grficos 83 Gage Attribute 84 Exemplo MInitab 85 4. ndice 4 LG Electronics Green Belt [Mfg] Clculos 87 Exemplo feito manualmente 88 Calculando o Z-value 90 Dados Contnuos Capability Analysis 91 Frmulas 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 Anlise 107 Resumo Selecionar o fator Vital 109 Examinar a causa raiz 110 Vital Few 111 Introduo 112 Introduo ao Minitab 113 Extrair Possveis Xs 125 Espinha de Peixe (Fish Bone) 126 Logic Tree (MECE) 127 Anlise dos Possveis Xs 129 Anlise Grfica 130 - Dados Discretos Bar Chart 131 - Dados Contnuos 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 Hiptese 150 Definio 151 Erros ( e ) 152 Tipos de Teste 153 - Dados Discretos 1 Proportion 154 2 Proportion 155 Chi-Square Test 156 5. ndice 5 LG Electronics Green Belt [Mfg] Dados Contnuos Normality Test 157 1 Sample T 159 Test for Equal Variances 161 2 Sample T 162 ANOVA 164 Correlao e Analise de Regresso 167 Correlao 167 Exemplo 168 Equao de Regresso 169 Grfico 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 Princpios de um Experimento 181 Exemplo 182 Identificando o Main Effect 187 Identificando as Interaes 190 Identificando o melhor Ponto (Cube Plot) 191 DOE com 3 Fatores 192 DOE Fracionado 199 Execuo e inspeo 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 Contnuos XBar-R 212 - Dados Discretos NP 215 P 218 C 221 U 224 Reviso Geral 227 6. INTRODUO 6 1 - Entender o conceito de inovao e a importncia da atividade da Inovao. - Entender o propsito do gerenciamento 6 na LGE. - Entender a filosofia e princpio do 6 bem como o mtodo de apresentao. Objetivos LG Electronics Green Belt [Mfg] 7. 7 Introduo 6 a linguagem comum para nossa companhia. Se voc conversa em CTQ e Z-value, as conversaes tornam-se simples e claras. Inspecionar e tomar deciso no campo imediatamente. Comunicao baseado nos dados (fatos). 6 contm ferramentas para identificar os problemas e as solues, e ferramentas de validao. Testes atravs de 6 podem adicionar segurana para resultados. ..6 uma ferramenta inovadora.. 8. 1987 Galvin CEO Mikel J Harry, Ph.D 1997 1995 3M 2001 SSA 1994 AT&T Jack Welch 1996 Histria doHistria do 66 8 LG Electronics Green Belt [Mfg] 9. 9 96 (GE Benchmarking) 99 04 MFG R&D TQ 98 ..97 Crescimento6 CAGR (25%)* Crescimento FMI Sobrevivncia Global Player No.1 LG Six SigmaSix Sigma *CAGR : Compound Annual Growth Rate 66 na LG Electronicsna LG Electronics 10. 10 Inovao e Six Sigma Inovao Mudar completamente e renovar. Por que a atividade de inovao falha? (Pesquisa em 100 empresas) - Atitude de negao do funcionrio para a mudana: 45% - Capacidade/habilidade, Plano de execuo : 23% - Falta de liderana da Gerncia : 17% Desenvolvimento de empresas Chinesas Entrada na Globalizao Mercado de produtos baratos Entrada na OMC. Convite Olmpico Novo desenvolvimento do Japo Tcnica acumulada de concorrncia. Investimento em P&D Fora das empresas Americanas/Europias Desenvolvimento na rea de servios Obteno de tecnologia exclusiva Condio atual das empresas Coreanas 1. Perda de vantagem competitiva para produo 2. Falta de obteno de tecnologia avanada Pr-requisitos para o desenvolvimento das empresas Coreanas -Assegurar competitividade Global -Inovao aplicando mtodos avanados -Maximizar a vantagem atravs de controle de campo -Fora Six Sigma 6 o motor do gerenciamento de inovao. Inovao e Six SigmaInovao e Six Sigma 11. 11 Filosofia de Gerenciamento Six Sigma Six Sigma o mtodo de execuo que traz resultados para gerncia e funcionrios. 6 no significa apenas fazer, mas fazer eficientemente. 100PPM cortar o caule de uma erva daninha, 6 extrair a raiz de uma erva daninha. 6 Gerenciamento de campo pela alta administrao 6 a linguagem comum da organizao. Filosofia de Gerenciamento 6 Filosofia de GerenciamentoFilosofia de Gerenciamento 12. 12 Mtrica Six Sigma - Nvel Sigma o ndice de avaliao para a capabilidade do processo Colher frutas verdes Definio correta/processo otimizado Colher frutas baixas Avaliar com grfico simples Colher as frutas cadas Processo de deciso atravs de experincia e bom senso Colher frutas doces Desenvolver o processo considerando resultado Nvel de (Sigma)- a medida estatstica que reflete a capabilidade do processo. O Sigma medido determinado pelo DPU (Defeito por unidade), PPM (parte por milho), falha e taxa de erro. Nvel 6 5 4 3 2 PPM 3.4 233 6,210 66,807 308,537 Processo Defeito Cap. Mudana ( Hiptese de longo perodo com deslocamento de 1,5, processo estvel.) 6 5 4 3 2 Melhora defeitos 5 vezes Melhora defeitos 11 vezes Melhora defeitos 25 vezes Melhora defeitos 68 vezes Quanto mais o nvel de Sigma diminui, mais o PPM aumenta. MtricaMtrica 13. 13 Qualidade Tradicional Qualidade Six Sigma Organizao Centralizada. Ausncia de estrutura formal para utilizao de ferramentas. Falta de Suporte no uso de ferramentas. Dados misturados com achismo tomada de deciso. Abordagem Band-aid (quebra galhos). Falta de treinamento estruturado. Inspees (foco em Y, no resultado). Participantes respondem diretamente dentro de suas funes Uso estruturado de ferramentas estatstica para ajudar na soluo de problemas. Estrutura de suporte para usurios das ferramentas Decises baseadas em dados Abordagem baseada em causa raiz Treinamento estruturado em todas as ferramentas aplicveis Entradas de controle de processo (foco em Xs, nas causas ComparativoComparativo Comparando Qualidade Tradicional com Six Sigma - Qualidade Tradicional vs Qualidade Six Sigma 14. 14 Prximo da perfeioPrximo da perfeio Nvel de Sigma rea Palavras Tempo Distancia 1 rea ocupada pelo Astrodome (Houston-USA) 170 palavras erradas por pgina num livro 31,75 anos em 1 sculo Daqui at a Lua 2 rea ocupada por um grande supermercado 25 palavras erradas por pgina num livro 4,50 anos em 1 sculo 1 volta e ao redor da Terra 3 rea ocupada por uma pequena loja de Hardware 1,5 palavras erradas por pgina num livro 3,50 meses em 1 sculo Viagem de costa- a-costa. 4 rea ocupada por uma sala de estar comum 1 palavra errada em 30 pginas de um livro 2,5 dias em 1 sculo Dirigir 45 minutos numa estrada 5 rea da parte inferior do seu telefone 1 palavra errada em uma enciclopdia inteira. 30 minutos em 1 sculo 1 ida at o posto de gasolina 6 rea de um diamante comum 1 palavra errada em todos os livros de uma pequena livraria 6 segundos em 1 sculo 4 passos em qualquer direo 7 rea de um furo de agulha de costura. 1 palavra errada em todos os livros de vrias livrarias 1 piscada de olho em 1 sculo 1 polegada Quanto maior o nvel de Sigma, maior nossa preciso e exatido (Texas Instruments) Preciso e exatido 15. 15 Six Sigma: DMAIC - Entendendo detalhadamente cada fase do processo bsico de um projeto Six Sigma. Fase Passos detalhados S3. Entrada do ProjetoS3. Entrada do ProjetoS2. Extrair Y do ProjetoS2. Extrair Y do ProjetoS1. Seleo do ProjetoS1. Seleo do Projeto 1.1 Verificar negcio 1.2 Extrair Big Y 1.3 Selecionar Projeto 2.1 Analisar processo 2.2 Definir CTQ 2.3 Extrair Y do Projeto 3.1 Organizar time 3.2 Determinar metas 3.2 Registro do Projeto S5. Verificar nvel atualS5. Verificar nvel atualS4. Verificar adequao do Y do PjtS4. Verificar adequao do Y do Pjt 4.1 Resumo dos dados 4.2 Plano de medio 4.2 Verificao do sistema de medio 5.1 Coletar dados do Y do projeto 5.2 Verificar nvel atual 5.3 Definir direo de melhoria 10.1 Padronizao 11.1 Plano de gerenciamento 12.1 Relatrio de finalizao de projeto 12.2 Compartilhar resultado 7.1 Examinar a causa S7. Examinar a causaS7. Examinar a causaS6. Selecionar fator VitalS6. Selecionar fator Vital 8.1 Extrair o plano de melhoria 8.2 Avaliar o plano de melhoria 8.3 Selecionar o plano timo 9.1 Preparar o plano de execuo 9.2 Executar e inspecionar S9. Executar e InspecionarS9. Executar e InspecionarS8. Selecionar o plano timoS8. Selecionar o plano timo S12. Compartilhar resultadoS12. Compartilhar resultadoS11. MonitoramentoS11. MonitoramentoS10. PadronizaoS10. Padronizao 6.1 Selecionar o fator Vital 6.2 Coletar/examinar dados adicionais 6.3 Selecionar item principal e verificar possibilidade de alcanar a meta Definio Medio Analise Melhoria Controle DMAICDMAIC 16. 16 Estrutura Departamento de Inovao (Six Sigma)Estrutura Departamento de Inovao (Six Sigma) S. Y. HanS. Y. Han DiretorDiretor GerenteGerente RogrioRogrio Six SigmaSix Sigma Csar PintorCsar Pintor Pedro GamaPedro Gama Departamento de Gerenciamento de Inovao [DGI Six Sigma] Estrutura do Departamento de Gerenciamento de Inovao (Six Sigma) segue abaixo: [email protected] [email protected] 12-2125-5518 [email protected] 12-2125-5570 [email protected] 12-2125-5684 * Atualizado em jan/2011 17. 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 significar para ns...Six Sigma significar para ns... Mais Tempo com o Cliente em vez de resolver problemas isoladamente no escritrio. Trabalho Proativo em vez de Apagar o Incndio atravs de reao. Confiana em que os Pedidos so feitos, cumpridos, entregues Sem Erros. Confiana que o trabalho antes e depois livre de defeitos. Aumento dos Negcios com nossos Clientes. Base do Six SigmaBase do Six Sigma Dados constituem toda a base do Six Sigma Toda e qualquer deciso baseada em DADOS e no em suposies. Por isso a coleta de dados muito importante e deve ser feita com critrio, ateno e sem tendncias para que as analises, decises, melhorias e controles sejam sustentveis ao longo do tempo. ObjetivoObjetivo 18. 18 Porque o 6Porque o 6 funciona funciona Foco do Six Sigma O Six Sigma funciona porque tem o FOCO no CLIENTE. A filosofia de excelncia do 6 Sigma : M E T R I C S easure verything hat esults n ustomers atisfaction Medir tudo aquilo que possa impactar na satisfao dos Clientes. A meta do 6 Sigma identificar, isolar e eliminar VARIAO. Prevenir os defeitos ao invs de detect-los. Soluo de problemas de modo pr-ativo ao invs de apagar incndio. Melhoria continua dos processos, produtos e servios. 19. ESTATSTICA BSICA 19 2 - Entender sobre Estatstica Bsica. - Conhecer os termos utilizadosObjetivos LG Electronics Green Belt [Mfg] 20. 20 PENSAMENTO ESTATSTICO quando pensamos em transformar dados comuns em uma maneira na qual possamos analis-los. MDIA MEDIANA DESVIO PADRO OUTROS Estatstica uma cincia que visa obter concluses sobre fenmenos (eventos) em um universo (populao), a partir de alguns dados (amostras), extrados desse mesmo universo. Estatstica - Entendendo o que estatstica. EstatsticaEstatstica 21. 21 Fornecedor ClienteProcesso Entrada Sada S I P O CS I P O C SUPPLYER INPUT PROCESS OUTPUT CUSTOMER FORNECEDOR ENTRADA PROCESSO SADA CLIENTE 5M 1E Man (Homem) Machine (Mquina) Material (Material) Method (Mtodo) Measurement (Medida) Environment (Meio Ambiente) Todo processo produtivo, gera variaes entre as etapas (SIP) Causas das variaes do processo Que somente so detectadas nas etapas (OC) SIPOC Divises de um processo. Todo e qualquer processo apresenta essas 5 partes. SIPOCSIPOC 22. 22 POPULAO: Conjunto de elementos que apresentam caracterstica em comum. PARMETRO: Caracterstica da populao. AMOSTRA: Subconjunto da Populao. ESTATSTICA: Caracterstica da amostra. POPULAO: Conjunto de elementos que apresentam caracterstica em comum. PARMETRO: Caracterstica da populao. AMOSTRA: Subconjunto da Populao. ESTATSTICA: Caracterstica da amostra. POPULAO: __________________________ PARMETRO: _________________________ AMOSTRA: ____________________________ ESTATSTICA: _________________________ POPULAO: __________________________ PARMETRO: _________________________ AMOSTRA: ____________________________ ESTATSTICA: _________________________ POPULAO AMOSTRA EXERCCIO Misture bem. Pegue uma colher. Tome uma deciso. Ao. Misture bem. Pegue uma colher. Tome uma deciso. Ao. ALEATRIO: Determina uma amostra sada da populao, de forma que cada membro tenha chance igual de ser extrado. ALEATRIO: Determina uma amostra sada da populao, de forma que cada membro tenha chance igual de ser extrado. Coleta da amostra: Deve expressar as caractersticas do grupo a ser medido e ser coletada aleatoriamente. Coleta da amostra: Deve expressar as caractersticas do grupo a ser medido e ser coletada aleatoriamente. Coleta de DadosColeta de Dados Letras Gregas: Quando estamos trabalhando com a populao utilizamos as letras gregas para representar alguma caracterstica da mesma. Ex.: Mdia = Desvio Padro = Letras Romanas: Quando estamos trabalhando com a amostra utilizamos as letras romanas para representar alguma caracterstica da mesma. Ex.: Mdia = x Desvio Padro = s 23. 23 DADOS DISCRETOS ou ATRIBUTOS: Definem situaes onde os dados do processo, somente podem assumir valores inteiros, como: Cara ou Coroa, 1, 2, 3, 4. DADOS DISCRETOS ou ATRIBUTOS: Definem situaes onde os dados do processo, somente podem assumir valores inteiros, como: Cara ou Coroa, 1, 2, 3, 4. DADOS CONTNUOS: Definem situaes onde os dados do processo, podem assumir qualquer valor (podendo ser infinito) entre dois nmeros, ou seja, os valores depois da vrgula so significativos. Ex.: comprimento ou largura de uma pea, dimetro de um tubo, pH de banhos, temperatura ambiente, etc. DADOS CONTNUOS: Definem situaes onde os dados do processo, podem assumir qualquer valor (podendo ser infinito) entre dois nmeros, ou seja, os valores depois da vrgula so significativos. Ex.: comprimento ou largura de uma pea, dimetro de um tubo, pH de banhos, temperatura ambiente, etc. muito importante para o GB/BB identificar com qual tipo de dados est lidando no processo, pois so eles quem definem quais as ferramentas que sero utilizadas durante o projeto. T I P O S D E D A D O S Tipo de DadosTipo de Dados 24. 24 Tipo de DadosTipo de Dados T I P O S D E D A D O S DiscretosDiscretosDiscretosDiscretos ContnuosContnuosContnuosContnuos Tendncia Central Tendncia de Disperso MDIA MEDIANA MODA VARINCIA DESVIO PADRO AMPLITUDE MODA PROPORO Para cada tipo de dados temos ferramentas especficas, abaixo temos as ferramentas mais utilizadas em Six Sigma. 25. 25 CUIDADOS AO USAR A MDIA Observamos na figura ao lado, onde o mergulhador obteve a informao de que o rio tem uma profundidade mdia de 5m, mas esta informao (mdia), ocultou as variaes de profundidade, pois o rio possui em sua extenso profundidades acima e abaixo de 5m, ou seja, variaes. Quando tratamos de dados estatsticos, podemos observar que a mdia oculta a variao dos dados. Ns podemos cometer um grande erro s porque ns tomamos uma deciso baseada apenas na mdia. Assim, ns precisamos de informaes adicionais, por exemplo: Varincia (2 ) Desvio Padro (). Dados Contnuos - MdiaDados Contnuos - Mdia 26. 26 Dados Contnuos - MdiaDados Contnuos - Mdia A mdia uma medida que indica o centro da distribuio. Simplesmente a soma de todas as observaes dividida pelo nmero de observaes. Para os dados abaixo, a mdia : - Usa todos os dados - Fortemente influenciado por valores extremos (outliers) - Tambm representadas pela letra grega (l-se : mi) DadosdeQTY DadosostodosdeSoma X __ = 3,636 11 321334451032__ X = ++++++++++ = 27. 27 Dados Contnuos - MedianaDados Contnuos - Mediana Mediana o meio dos dados, ou seja, o ponto de 50%, (ou o nmero do meio) Calculo da Mediana: Para amostra com nmero impar de dados: 1) Arranje os dados na ordem de menor a maior (ordem crescente) 2) A posio da mediana ser encontrada pela formula: 2 1)(n MedianadaPosio + = Ex.: 1; 2; 7; 14; 85 n = 5 3= + = 2 1)(5 MedianadaPosio 1 2 7 14 85 posio = 1 2 3 4 5 mediana Para amostra com nmero par de dados: 1) Arranje os dados na ordem de menor a maior (ordem crescente) 2) A posio da mediana ser encontrada pela mdia das duas formulas abaixo: 2 n Ex.: 67; 86; 43; 89; 54; 73 n = 6 3= 2 6 43 posio = 1 2 3 4 5 1+ 2 n e 54 67 73 86 89 6 41=+ 2 6 A mediana estar entre a posio 3 e a 4 70 2 73)(67 mediana = + = 28. 28 Dados Contnuos - ModaDados Contnuos - Moda Moda o valor que mais aparece em uma amostra, ou seja, aquele que tiver maior freqncia. No existe formula para calculo da Moda, basta verificar quais nmeros se repetem mais. A moda pode ser utilizada tanto para dados discretos como para dados contnuos. Pode acontecer de uma amostra no apresentar moda. Em algumas amostras podemos ter 2 modas, quando isso acontece, chamamos de bimodal. Ex: 10; 15; 12; 11; 9; 10; 8; 14; 13; 17; 10 Moda 20; 21; 22; 22; 18; 19; 23; 19; 25; 24 Bimodal A moda, no comumente utilizada. 29. 29 Dados Contnuos Desvio PadroDados Contnuos Desvio Padro Desvio Padro a distancia mdia entre a mdia do processo e seus dados, ou seja, a variao de um processo em torno da mdia. Quanto maior o desvio padro, maior a variao no processo, pior ser esse processo. Todo processo que sofre muita variao gera muito defeito. O desvio padro inversamente proporcional ao Nvel de Sigma. O desvio padro representado pela letra S ou pela letra grega (l-se: sigma) Sua formula : ( )1n XX 2__ i = ( )N XX 2__ i = (para amostra) (para populao) Data Frequency 242118151296 200 150 100 50 0 Variable A B Histogram of A; B Pouca variao Muita variao 30. 30 Dados Contnuos VarinciaDados Contnuos Varincia Varincia idem ao desvio padro, mas menos utilizada, pois seu valor se distncia muito dos valores da amostra. Quanto maior a varincia, maior a variao no processo, pior ser esse processo. Todo processo que sofre muita variao gera muito defeito. A varincia representada pela letra SS ou pela letra grega Sua formula : ( )1n XX 2__ i 2 = ( )N XX 2__ i 2 = (para amostra) (para populao) 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 6,3177 Skew ness 0,168710 Kurtosis -0,220324 N 10 Minimum 5,1831 A -Squared 1st Q uartile 7,2471 Median 8,9743 3rd Q uartile 11,0719 Maximum 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 9,1753 StDev 2,5135 9 5 % C onfidence I nter v als Summary for Amostra = 2,5135 = 6,3177 Fica confuso dizer que a mdia 9,1753 e que a variao de 6,3177, parece que esse processo esta com uma variao enorme, por isso mais comum utilizar o Desvio Padro 31. 31 Dados Contnuos AmplitudeDados Contnuos Amplitude Amplitude a diferena entre o maior e o menor valor de uma amostra. Quanto maior a amplitude, maior a variao no processo, pior ser esse processo. Todo processo que sofre muita variao gera muito defeito. A amplitude representada pela letra R (range). Sua formula : mnimomximoR = 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 0,8000 Skewness -0,954642 Kurtosis -0,003324 N 10 Minimum 8,1800 A -Squared 1st Q uartile 9,2000 Median 10,1100 3rd Q uartile 10,5525 Maximum 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 9,8890 StDev 0,8944 9 5 % C onfidence I nter v als 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 = = 32. 32 Dados Discretos Proporo & ModaDados Discretos Proporo & Moda Proporo uma medida que indica a relao entre dois dados. Simplesmente a quantidade de um evento dividido pelo total da amostra vezes 100, pois seu valor expresso em %. A proporo representada pela letra: P Para os dados abaixo, a proporo : Amostra = 1000 peas Defeitos = 7 peas Amostra = 1000 peas Defeitos = 7 peas %7,0100*100* === 1000 7 AmostraTotal EventoQty P Moda o valor que mais aparece em uma amostra, ou seja, aquele que tiver maior freqncia. No existe formula para calculo da Moda, basta verificar quais nmeros se repetem mais. A moda pode ser utilizada tanto para dados discretos como para dados contnuos. Pode acontecer de uma amostra no apresentar moda. Em algumas amostras podemos ter 2 modas, quando isso acontece, chamamos de bimodal. Ex: 10; 15; 12; 11; 9; 10; 8; 14; 13; 17; 10 Moda 33. 33 Variao NaturalVariao Natural Variao Natural a variao que ocorre em todos os processos. Todo e qualquer processo sofre variao devido a influncias externas (5M1E) e essa variao recebe o nome de Variao Natural, atravs dela que temos a Distribuio Normal representada pela Curva de Gauss. Abaixo podemos provar essa variao natural para isso ser necessrio 2 dados de 6 faces cada um. Na somatria dos 2 dados no mnimo teremos o valor 2 e no mximo 12. Jogue os dados e anote quantas vezes cada valor aparecer, ao final de, aproximadamente 90 vezes, teremos um grfico semelhante ao que esta abaixo, que se aproxima da curva de Gauss. Isso acontece devido a variao natural do processo. 0 2 4 6 8 10 12 14 Repeties 2 7 9 10 11 13 12 9 8 4 2 2 3 4 5 6 7 8 9 10 11 12 34. 34 Distribuio Normal (Distribuio Gaussiana)Distribuio Normal (Distribuio Gaussiana) Distribuio Normal a quando os dados de um processo qualquer se distribui em torno da mdia, onde essa divide esses dados exatamente no meio, ou seja, o processo fica simtrico em torno da mdia. A distribuio normal tem um formato semelhante a de um Sino e tambm pode ser chamada de Distribuio Gaussiana, por causa da Curva de Gauss. A maioria dos fenmenos naturais e processos criados pelo homem so distribudos normalmente, ou podem ser representados como normalmente distribudos. A rea total da Curva Normal igual a 1, ou seja, 100%. Quando temos uma curva normal centrada e padronizada significa que sua mdia igual a 0 e o desvio padro 1. = 0 = 1 0 50%50% 35. 35 68,2% 95,4% 99,7% 99,994% 99,9994% 99,99999975% X -6 X -5 X -4 X -3 X -2 X -1 X +1 X+2 X +3 X +4 X +5 X +6X -6 -5 -4 -3 -2 -1 +1 +2 +3 +4 +5 +6 Z-Value : Distribuio Normal (Distribuio Gaussiana)Distribuio Normal (Distribuio Gaussiana) Quando padronizamos a distribuio normal com os valores de Z, temos a seguinte relao entre cada nvel (Z-value) e a rea da Curva Normal: Ou seja: para 1 temos 68,2% da rea total, o restante 31,8% estaria fora da curva ento podemos classific-los como defeito. 36. 36 Ateno : esta carta calcula apenas um lado da Distribuio 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 rea da curva normal cada nvel de sigma representa, por exemplo: O valor Z = 1,41 equivale 7,93E-02, ou seja, temos 7,93 % de defeito nesse processo. 37. 37 Z TableZ Table Exerccio: Dada a figura abaixo calcule: ZUSL, ZLSL e ZBench 93 LSL = 7,5 USL =0,8 ZUSL = USL - = 9 7,5 = 1,88 P(X>USL) = 3,01x10-2 = 31.000 ppm 0,8 ZLSL = - LSL = 7,5 3 = 5,63 P(X 0,05 Dados Normais P-value < 0,05 Dados no normais 39. 39 Normality TestNormality Test Exerccio: Verifique se os dados abaixo seguem uma distribuio 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 Frequency 5251504948 9 8 7 6 5 4 3 2 1 0 Mean 50,04 StDev 0,9111 N 30 Histogram of Lot1 Normal Lot1 Percent 535251504948 99 95 90 80 70 60 50 40 30 20 10 5 1 Mean 0,466 50,04 StDev 0,9111 N 30 AD 0,343 P-Value Probability Plot of Lot1 Normal b) Verifique a normalidade utilizando o Normality Test 40. 40 Deslocamento da mdiaDeslocamento da mdia Como j foi falado anteriormente todos os processos variam de maneira natural devido a influencias externas (5M1E), essa variao considerada normal at o valor limite de 1,5 , caso o processo varie mais do que isso, este no ser mais classificado como Normal. Quando falamos que um processo esta centrado, significa que no ocorreu deslocamento de sua mdia, se esse processo estiver com um nvel de Sigma igual a 6 teremos um probabilidade de defeito de 0,0025 ppm. Mas como todos os processos variam impossvel, na pratica, termos esse valor. Considerando um deslocamento de mdia de 1,5 teremos, para um nvel de 6 sigma, um valor de defeito de 3,4 ppm. Ento quando falamos que para 6 Sigma os defeitos sero de 3,4 ppm, significa que esse processo esta deslocado de 1,5 0 1,5 1,5 41. DEFINIO 41 3 Passo 1. Seleo 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 negcio e selecionar o tema do projeto. - Extrair a possibilidade de melhoria atravs 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, Anlise de Pareto LG Electronics Green Belt [Mfg] 42. 42 Propsito Passos da atividade 3. Registro do projeto3. Registro do projeto2: Extrair Y do Projeto2: 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 time 3.2 Determinar metas 3.2 Registro do projeto Sada Extrair o projeto que o mais importante do ponto de vista do cliente e ter maior relevncia para metas gerenciais. Defina o projeto a fim de promover as metas. Passo 1 - Definir a VOC/VOB (Voz do cliente / Voz do negcio) - Analisar maiores impactos - Extrair o Little Y atravs do Big Y Passo 2 Passo 3 - Analisar processo detalhado - Definir o CTQ e o Projeto Y - Plano de ao rpida - Registro do projeto e plano de atividade Definio Passos da DefinioPassos da Definio 43. 43 Selecionar o correto Big Y atravs de problemas do negcio e extrair o projeto que possa maximizar o resultado atravs de anlise do processo ou desenvolvimento detalhados. Atividade Ferramenta Selecionar o Big Y para resolver o problema no processo e selecionar o KPI adequado. Selecionar o timo Big Y focando no negcio e verificar escopo da melhoria no processo atravs de processos superiores ou processos subordinados ao Big Y Definir a prioridade do projeto (projeto detalhado) e selecionar o objetivo a melhorar. - Verificar o Negcio - Definir KPI - Desenvolver o Little Y - Analisar processos Superiores. - Seleo do Projeto - Mapeamento do Processo - SIPOC Verificar Negcio Verificar Negcio Extrair Big Y Extrair Big Y Selecionar Projeto Selecionar Projeto Passo 1 Seleo do Projeto - Brainstorming - Votao Propsito Seleo do ProjetoSeleo do Projeto 44. 44 Anlise do Processo Definio de CTQ Definir CTQ refletindo VOC/VOB no escopo da melhoria - Definir/analisar o processo - Planejamento de ao rpida -Mapeamento do processo de baixo nvel Anlise detalhada dos processos ligados ao projeto selecionado e selecionar escopo de aes rpidas. - Desenvolver processo - Estudar a VOC e relacionamento com funcionamento do processo - QFD - FMEA - Anlise de Pareto Propsito Atividade Ferramenta Passo 2 Extrao do Y do Projeto Analisar o processo detalhado sobre o projeto a melhorar, definir o escopo da melhoria e definir CTQ e Y do Projeto. Extrao do Project Y Extrair o projeto Y onde o efeito da melhoria preciso e possvel medir entre os CTQ definidos. - Verificar validade - Decidir prioridades - Brainstorming - Votao Extrao do YExtrao do Y 45. 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 funo no processo - Organizar o time - Definir metas - Examinar resultado - Verificar projetos relacionados - - Organizar o time Definir Metas Examinar o projeto e executar o kick off (aprovao 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 Propsito Organizar o time misto para promover o projeto adequadamente e registrar o projeto definindo um plano vivel. Registro do ProjetoRegistro do Projeto 46. 46 FerramentasFerramentas Na fase de DEFINIO podemos utilizar algumas ferramentas para ajudar a encontrar e justificar o Y do projeto. Veremos a seguir: Y2 Y5 Y8 Y9 Y7Y4Y1 Y3 Y6 Y2 Y7 Y9 BrainstormingBrainstorming Mapeamento de ProcessoMapeamento de Processo FMEAFMEA Grfico de ParetoGrfico de Pareto QFDQFD BrainstormingBrainstorming Mapeamento de ProcessoMapeamento de Processo FMEAFMEA Grfico de ParetoGrfico de Pareto QFDQFD 47. 47 Ferramentas BrainstormingFerramentas Brainstorming uma tcnica de grupo simples e eficaz que tem por objetivo gerar idias novas e de preferncia, teis. Normalmente utilizada na melhoria de Qualidade para identificar as possveis causas de um problema e sugerir uma srie de solues depois que a causa for conhecida. No entanto o brainstorming pode ser usado de muitas outras maneiras, at mesmo na identificao das reas problemticas e para listagem das possveis oportunidades para aperfeioamento. Roda Livre Fluxo de idias espontneas de todos os participantes do Time. Mesa Redonda Participantes do Time se alteram em sugestes de idias. Mtodo dos Cartes Participantes do Time escrevem idias em cartes sem haver comentrios. Nenhuma idia criticada Todas idias so registradas No se interpreta idias Construo a partir de outra idias No se discute idias Idias malucas so encorajadas Todos participam Enfoque em assunto especfico O que : Tipos: Diretrizes: Observao: Quando ns no conseguimos medir um determinado defeito ns devemos utilizar o Brainstorming para definir o defeito. 48. 48 Ferramentas BrainstormingFerramentas Brainstorming Liste todas as possveis causas SABOR (Y): Tipo de ingrediente limo (1) Quantidade de acar adicionado Tipo de gua utilizada (a) INGREDIENTES LIMO: Limes espremidos na hora (2) Lquido concentrado Concentrado congelado P com sabor limo (b) LIMES EXPREMIDO NA HORA: Onde os limes foram colhidos Como os limes foram transportados Idade quando foram espremidos Como foram espremidos os limes Agrupe os problemas similares Priorize problemas (critrios) Barraca de Limonada (c) LIMES EXPREMIDO NA HORA: Onde os limes foram colhidos Como os limes foram transportados Idade quando foram espremidos Como foram espremidos os limes Exemplo: 49. 49 Ferramentas Mapeamento de ProcessoFerramentas Mapeamento de Processo uma anlise detalhada do processo. preciso definir qual o Inicio e o Fim desse processo de maneira bem precisa, e analisar cada parte bem detalhadamente, assim ser possvel extrair o maior problema. Os resultados esperados do Mapeamento do Processo so: Maior conhecimento sobre o processo; Identificao de oportunidades para eliminar etapas; Identificar gargalos; O que : Smbolos: Indica a fronteira do processo em anlise. Quando for mostrar alguma atividade. Pontos de Deciso. Indica a direo do fluxo do processo. Entrada ou sada principal. Conecta um processo a prxima pgina. Incio e Fim Atividade Deciso Seta Entrada/Sada Processo Conjuntivo Smbolo Significado Quando usar 50. 50 ProcessoProcesso Entradas Sadas Ferramenta chave para identificao de oportunidades de melhoria Ferramenta chave para identificao de oportunidades de melhoria Ferramentas Mapeamento de ProcessoFerramentas Mapeamento de Processo Mtodo para criar um Mapa de Processo Definir os limites do seu processo (rea ou processo especfico onde acontecer o projeto). Descrever e ordenar os passos do processo com o time que trabalha na rea com o processo. O processo dever ser o existente, sem alteraes. Codificar atividades usando smbolos (fluxograma) para fcil anlise Acompanhar o processo para validar o mapa Importante! O processo dever ser o existente, sem alteraes! 51. 51 Ferramentas Mapeamento de ProcessoFerramentas Mapeamento de Processo Esforo da Equipe Operadores, Tcnicos, Gerentes, Clientes, Fornecedores,... (devem participar todos aqueles que tenham conhecimento sobre o processo estudado) Entradas para o Mapa de Processo - Brainstorming - Manuais de Operao - Especificaes de Engenharia - Experincia do operador - Mostrar complexidades inesperadas, reas problemas, redundncias, desvios desnecessrios e onde pode ser possvel. Simplificar ou padronizar. - Comparar e contrastar o fluxo real de um processo com o fluxo ideal para identificar oportunidades de melhorias. - Permitir a uma Equipe chegar a um acordo quanto s vrias etapas de um processo e examinar quais atividades podem ter impacto no desempenho do processo. - Identificar locais onde dados adicionais podem ser coletados e investigados. - Servir como um recurso de Treinamento para se entender o processo como um todo. Preparativos: Possibilidades: 52. 52 Ferramentas Mapeamento de ProcessoFerramentas Mapeamento de Processo Exemplo: LGESPLGESP Zona SecundriaZona Secundria Zona PrimariaZona Primaria LG KoreaLG KoreaLG KoreaLG Korea CONFERNCIAFSICACONFERNCIAFSICA LGESP RECEBIM ENTO LGESP RECEBIM ENTO TRANSPORTADORATRANSPORTADORA LGESP P.O. (DSG) VERDEVERDE AM ARELOAM ARELO CINZACINZA VERM ELHOVERM ELHO RECEBIMENTORECEBIM ENTO PRESENA DE CARGA PRESENA DE CARGA PARAMETRIZAOPARAMETRIZAO CPIA DOS DOCsCPIA DOS DOCs SOLICITAO DE DTA NA ALFANDEG A SOLICITAO DE DTA NA ALFANDEG A TERM O DE RESPONSABILIDADE TERMO DE RESPONSABILIDADE DTADTA LG KOREALG KOREA FATURAM ENTOFATURAM ENTO EM BARQUEEM BARQUE ETA SANTOS, VCP ETA SANTOS, VCP REGISTRO DE D. I. DOC. ORIGINAL REGISTRO DE D. I. DOC. ORIGINAL Utilizao do Ato concessrio no registro da D.I. isentando do pagamento do Imposto de Importao e Marinha Mercante ** ** 53. 53 Ferramentas Mapeamento de ProcessoFerramentas Mapeamento de Processo Exemplo: Origem Santos / VCP Import LGESP Export System Docs DECEX / BB Embarque SCP SAM IMP COM CRE IMP Trans/Desp solicita DTA IN499 ETA DTA EADI Pr. Carga D.I. Normal D/BSusp D/BIsen Parametrizao Green Yellow Red Gray Conf.Fisica NFE Ent. PO Load PPL PO Load App Res Stuf NFS R.E. B/L Embar Invoice M-System SD Detail GNTEagle Cp Doc Embarque DocOrigin Embarque D/B System Control NCM/QTE/ Valor DOCs BOM/Laudo Anlise Exigen Concesso Ato Concessrio 360 dias L.I. Prorro Baixa do Ato RE D.I.{ Import Export D/B Key Point IMS Rep Start ** ** ** ** ** ** ** ** ** **** 54. 54 Ferramentas FMEAFerramentas FMEA ((FFailureailure MMode &ode & EEffectffect 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 razes dos defeitos. Mtodo Estruturado para: - Identificar como um Processo pode fracassar em atender os requisitos crticos (CTQs) dos clientes. - Estimar o risco de causas especficas em relao as falhas potenciais - Avaliar o Plano de Controle atual quanto preveno destas falhas - Dar prioridade s aes que deveriam ser tomadas para melhorar o processo Conceito: Identificar como o Produto, Processo ou Servio podem fracassar em proporcionar a funo intencionada. - Identificar Possveis Causas e elimin-las - Localizar Impactos de falhas e reduzir Efeitos Finalidade: Definio: 55. 55 Ferramentas FMEAFerramentas FMEA ((FFailureailure MMode &ode & EEffectffect AAnalysis)nalysis) Medidas que asseguram a Qualidade geral do produto e servios devem, cada vez mais, ser operacionalizadas nas fases de Desenvolvimento e Planejamento, antes de sua aplicao. O objetivo identificar sistematicamente as falhas potenciais em todos os processos e no produto diminuindo sensivelmente os riscos de problemas de funcionamento e de relacionamento com clientes e consumidores. Prevenir as falhas desde a concepo do produto/servio at sua aplicao significa incluir a Qualidade Exigida pelo Cliente. - na fase de Desenvolvimento (Projeto), atendendo as especificaes e as particularidades da produo e aplicao. - na fase de preparativos de produo atravs de especificaes de critrios, planejando processos capazes de produzir a qualidade exigida. - na fase de fabricao do produto ou aplicao do servio atravs de processos seguros e dominados. - na complementao de cumprimento s leis e normas vigentes Necessidade: Rena a equipe Six Sigma juntamente com toda a documentao existente sobre o processo (Mapa de processo, Espinha de peixe). Para cada um dos potenciais fontes de variao j conhecidas, pergunte: - De que modo esta fonte de variao pode contribuir para que o processo no cumpra com a sua funo? - Qual o efeito deste modo de falha para o cliente? - Qual a causa deste modo de falha? - Qual o controle atual existente para evitar que a causa do modo de falha ocorra? Como Fazer: 56. Ferramentas FMEAFerramentas FMEA ((FFailureailure MMode &ode & EEffectffect 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 Aes Recomendadas Funo Ocorrncia Deteco Severidade NPR Todo NPR que ultrapassar u m valor de 300(30%) deve ser tomada u ma ao corretiva para que o mesmo reduza o valor do NPR. Severidade(S): 1(sem efeito); 2(Muito menor); 3(Menor); 4(Muito Baixo); 5(Baix o); 6 (Moderado); 7(Alto); 8(Muito alto); 9(Perigo com aviso pr vio); 10(Perigo sem aviso prvio) Ocorrncia(O): 1(Remota); 2 ~ 3(Baixa); 4 ~ 6(Moderada); 7 ~ 8(Alta); 9 ~10 (M uito alta) Deteco(D): 1(Quase certamente); 2(Muito alta); 3(Alta); 4(Moderadamente al ta): 5 (Moderada); 6 (Baixa); 7 (Muito baixa); 8 (Remota); 9(Mui to remota); 10(Absoluta incerteza) NPR=(S) * (O) * (D) NPR > 100 CTQ Aplicao manual de cera na parte interna da porta Cobrir parte interna da porta, superfcie inferior comcamada mnima de cera para retardar corroso Painel Interior/infe rior da porta corrodo. Vida til da porta diminuda devidoa: Aparncia insatisfatria devidoa ferrugem; Funcionamentoirregular domecanismo internoda porta. Bico de jateamento posicionado manualmente no est posicionadosuficiente longe. 8 Checagemvisual a cada 1 hora por turno. Medir profundidade da camada. 5 280 Instalar um fim de curso no jateador . 5 Teste do jateador no comeodotrabalho e aps longos perodos semuso, e programa de manutenopara limpar bicos. 2 70 Usar projetos de experimentos(DOE) na viscosidade X temperatura X presso Tempode jateamento insuficiente. 8 Instrues do operador e amostragemdolote(10 portas/turno) para checar aplicaode cera nas reas crticas. 7 392 Instalar um timer no jateador 7 Bico jateador entupido: Viscosidade muitoalta; Temperatura muitobaixa; Pressomuito baixa. CTQ CTQ FMEA: LGESP Nome do modelo: Data: rea: Reviso n: Data da rev.: Responsvel: Projeto Six Sigma 7 56 57. 57 Count Percent Defeitos Count 17,8 12,0 8,7 3,9 2,0 Cum % 55,6 73,4 85,4 94,1 274 98,0 100,0 88 59 43 19 10 Percent 55,6 OtherEDBFA 500 400 300 200 100 0 100 80 60 40 20 0 Pareto Chart of Defeitos Ferramentas Grfico de ParetoFerramentas Grfico de Pareto O Grfico de Pareto ajuda nosso esforo naqueles problemas, que oferecem a maior oportunidade para melhorar, por apresentar como se relacionam num grfico de barras. Seu nome provm do economista e banqueiro italiano Vilfredo Pareto (1848-1923) que observou que 80% da riqueza italiana era controlada por 20% da populao. Ele prosseguiu estudando muitos outros assuntos e comeou a descobrir que muitas coisas dentro do nosso ambiente aparentava seguir esta Regra 80-20. Sua teoria atualmente aplicada por grupos da Qualidade em aplicaes semelhantes. Exemplo: 80% dos defeitos relacionam-se 20% das causas potenciais. Finalidade: Devemos selecionar os itens at chegar em 80% 58. 58 - Coletar dados por categoria. - Coletar a freqncia por categoria. - Inserir, no grfico, a freqncia (eixo y) e o tipos de categorias (eixo y) num grfico de barras, em freqncia decrescentes. - Analise os dados para fatores de maior destaque no grfico. - Analise fatores econmicos relativos aos fatores de maior destaque: custos de execuo custo para diminuio ou eliminao - Pensamento 20 : 80 20% das causas contribuem para 80% dos problemas. O diagrama de Pareto uma ferramenta usada para avaliar dados discretos. um modo de mostrar os fatores que contribuem para um problema em ordem decrescente de importncia. a) Coleta de dados referentes a possveis problemas. b) Usando Minitab, faa o grfico de Pareto. - Stat > Quality Tools > Pareto Chart Processo: Ferramentas Grfico de ParetoFerramentas Grfico de Pareto Minitab: Conceito: 59. 59 Ferramentas Grfico de ParetoFerramentas Grfico 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: Aparecer o menu do Pareto, selecione a opo Chart defect table, depois adicione a coluna que tem os nomes dos defeitos em Labels in e a quantidade em Frequencies in. Por fim escolha at qual % o Minitab ir colocar no grfico (comumente utiliza-se 95%) o mximo aceito 99,99999. 60. 60 Ferramentas Grfico de ParetoFerramentas Grfico de Pareto Exemplo: Count Percent Defeitos Count 17,8 12,0 8,7 3,9 2,0 Cum % 55,6 73,4 85,4 94,1 274 98,0 100,0 88 59 43 19 10 Percent 55,6 CEDBFA 500 400 300 200 100 0 100 80 60 40 20 0 Pareto Chart of Defeitos - Ir aparecer o grfico abaixo: Devemos atuar nos defeitos A, F e B, pois na somatria das suas % chegamos em 80%, lembre-se do pensamento 20:80. 61. 61 - Escutar os clientes - Aprender o que eles querem - Determinar qual a melhor maneira de atender - Determinar quais os caminhos para atender - Melhor alocar recursos com melhores resultados - Quais so as qualidades que os clientes querem? - Quais funes precisam, um produto ou servio, atender? - Quais funes precisamos usar para fornecer o produto ou servio? - Como podemos chegar ao melhor fornecimento daquilo que o cliente exige? O QFD antecipa a viso do controle do processo necessrio qualidade do produto para garantir o controle da qualidade Global do produto, desde a sua concepo realizao. Salta do controle de processos para projetar a qualidade nos produtos. QFD utilizado para ligar os Requisitos chaves do cliente com as Especificao tcnica e Sub-CTQ s. QFD elaborado por um time de processo experiente. Ferramentas QFDFerramentas QFD ((QQualityuality FFunctionunction DDeployment)eployment) QFD: Desdobramento da Funo da Qualidade Objetivo: Perguntas: Pensamento: 62. 62 a) Esclarea as necessidades dos clientes, confiabilidade dos requisitos, qualidade presente VOC (Voice of Customer). b) Priorize todas as informaes, liste as possveis solues tcnicas. c) Priorize as solues tcnicas, selecione as maiores como CTQs. d) Liste os possveis causa referentes aos CTQs. e) Priorize os CTQs e selecione os Sub-CTQs. QFD traduz exigncias do cliente em exigncias tcnicas adequadas O QFD no permite a ausncia de questionamento. Razes para fazer perguntas: - Aprender - Mostra interesse - Despertar interesse - Esclarecer - Ter retorno - Conseguir concordncia/consenso - Discordar para novas idias - Manter pensamento ativo A coisa mais importante nunca parar de perguntar Albert Einstein Ferramentas QFDFerramentas QFD ((QQualityuality FFunctionunction DDeployment)eployment) Etapas: 63. 63 Aplicando um QFD num Salo de Beleza: O salo OOO Hair Design desenvolveu um plano de QFD para se selecionar os itens urgentes que precisa melhoria para satisfazer o cliente. Foram descobertos 4 itens pela pesquisa que foi realizado com os clientes que visitaram o salo de beleza no ms passado (VOC). - Preo mais satisfatrio - Sistema de reserva mais conveniente - Relao pessoal mais agradvel entre o cliente e funcionrios - Servio adicional (Manicure, Pedicure etc....) Exemplo: Ferramentas QFDFerramentas QFD ((QQualityuality FFunctionunction DDeployment)eployment) Processo principal Corte de cabelo e outros servios Programao da hora Aceita de reserva Recrutar Manter os funcionrios Planejar os servios adicionais Comprar acessrios 1 2 3 4VOC Weight 1 3 3 2 Total 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: no tem ponto Total Processo principal Corte de cabelo e outros servios Programao da hora Aceita de reserva Recrutar Manter os funcionrios Planejar os servios adicionais Comprar acessrios 1 2 3 4VOC Weight 1 3 3 2 Total 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: no tem ponto Total 64. 64 Meta & CronogramaMeta & Cronograma Estabelecimento da Meta e do Cronograma. As metas podem ser: Provenientes da Matriz (HQ Korea); Provenientes da Alta Administrao (FSE); Estabelecidas de forma desafiadora (30% possvel, mas 5% pode no ser). Cronograma: Liste as direes detalhadas do contedo do projeto e estabelea o cronograma. O Plano deve considerar todas as situaes que podem ocorrer no andamento do projeto, possveis contratempos. Ex.: O formulrio acima no foi padronizado e pode ser modificado de acordo com a situao. 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 Definio Big Y. 1.3 Selecione o PJT. 2.1 Analise do processo. 2.2 Definio CTQ. 2.3 Extrao do Y. 3.1 Organizao do time. 3.2 Meta e Cronograma. 3.3 Calculo do lucro 3.4 Registro Projeto. 4.1 Estabelea um plano de coleta de dados. 4.2 Inspecione o sistema de medio. 5.1 Colete dados 5.2 Mea o nvel Z atual 5.3 Estabelea a direo de melhoria 6.1 Extrao de pos- sveis Xs. 6.2 Coleta e exame de dados adicionais. 6.3 Seleo do Vital Few e checagem da possibilidade de alcan ar a meta. 7.1 Examinar a causa do Vital Few. 8.1 Extrao 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 Padronizao das me lhorias. 11.1 Estabelea plano de gerenciamento 12.1 Finalize o relatrio do projeto. 12.2 Compartilhe o resultado Processo Conte do 65. 65 3.3 Clculo estimado do ganho do projeto. Aps a definio da meta a ser alcanada com o projeto possvel estimar o ganho financeiro caso essa meta seja atingida. Para isso aconselha-se uma reunio do lder do projeto com o Black Belt que estar dando suporte e um membro do Depto Financeiro. 3.4 Registro do Projeto Por fim deve ser preenchida a folha de registro e agendado uma reunio com um membro do Depto de Inovao que estar analisando a definio. Aps a assinatura do Depto de Inovao deve ser agendado o Sponsor Review para que o Sponsor analise a Definio do projeto e autorize a apresentao para o Champion. Somente aps a coleta de todas as assinaturas pode-se dar continuidade ao projeto. Folha padro de Registro do Projeto: Estimativa de Ganho & RegistroEstimativa de Ganho & Registro Nome do Projeto: Itens da Melhoria Ponto critico Y(K P I) Como fazer a melhoria?Por que selecionar este projeto? Objetivo Planejado Classificao do PJT Composio do time Resultado Quantitativo : Data do Registro: Registro Coria Realizado Suporte(Belt) : Little Y Big Y Reg. N.: Resultado Qualitativo Registro de Projeto Situao Atual Objetivo Data do Registro: AA II CCMMDD ChampionSponsorInnovationLeader ChampionSponsorInnovationLeader Great Company Great People Faa Perfeito ! ParticipaoBeltPapelDeptoNome ParticipaoBeltPapelDeptoNome 1P1P 66. 66 4 Medio - Entender a importncia da medio. - Entender o mtodo correto para coletar os dados. - Verificar a condio atual do processo. - Decidir a direo e a extenso da melhoria. Metas Ferramentas Passos PASSO 4 : Verificar as caractersticas do Y do Projeto PASSO 5 : Verificar a condio atual - Anlise do sistema de medio : Gage R&R - Anlise da capacidade do processo : Nvel de sigma, DPU, DPO, DPMO - Diagrama de 4 Blocos LG Electronics Green Belt [Mfg] 67. 67 Propsito Passos da atividade Sada Passo 4 - Preparar folha de resumo de dados - Relatrio de medies - Resultado do Gage R&R e aes Passo 5 - Resultado da anlise do processo - Diagrama de 4 blocos - Meta de melhoria e direo Examinar as propriedades do Y do Projeto selecionado e definir a base atravs da medio do nvel atual. Definir a meta de melhoria e a direo a ser tomada. Passo 5. Medir o nvel atual Passo 4. Verificar as propriedades do Y do Projeto 4.1 Preparar resumo dos dados 4.2 Definir plano de medio 4.2 Aprovar sistema de medio 5.1 Coletar dados do Y do Projeto 5.2 Medir nvel atual 5.3 Decidir direo de melhoria Medio 68. 68 Definir a possvel causa de variao e possvel item a medir. Preparar o correto plano de medio sobre o item do Projeto Y e resumo dos dados. - Lista 5M1E, Potenciais Xs Possveis eventos especiais - Prepara o plano de medio sobre o item a ser medido -Diagrama de fatores -Logic Tree -Matriz X-Y Preparar o resumo dos dados Preparar Plano de Medies Verificar a adequao do sistema de medio. - Verificar as propriedades dos mtodos/processos e padres de medio e propriedades dos equipamentos de medio - Gage R&R Verificar o Sistema de medio Atividade Ferramenta Passo 4 Verificar as propriedades do Y do Projeto Definir/examinar as causas das variaes no processo e seus atributos e verificar a validade da medio para selecionar o Y do projeto. Propsito 69. 69 Medir o nvel atual Decidir a direo da melhoria Verificar a capabilidade do Projeto Y. - Clculo do Nvel de Sigma (Z-value) - Capabilidade do processo - Anlise - (Curto/longo prazo) Definir a direo de melhoria baseada na atual capabilidade. -Definir a direo 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 no 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 nvel atual Definir o nvel atual (capabilidade do processo) do Projeto Y e com base nisso, Definir a meta e direo do projeto. Propsito 70. 70 Entendendo o Z-ValueEntendendo o Z-Value Propsito A escala (Z-value) uma mtrica para medir o nvel de qualidade de um produto/processo/servio. Da mesma maneira que utilizamos metros [m] para distncia e graus Celsius [C] para temperatura, utilizamos o Z-Value como uma linguagem comum. Desta forma, diferentes departamentos podem verificar o nvel da qualidade um do outro. Exemplo: A velocidade mdia de um carro de frmula 1 de aproximadamente 300km/h, com um desvio padro de 10km/h. 300 +1 310 320 330280 290270 +1 +2 +3-2 -1-3 300 310 320 330280 290270 EIXO de X 1 2 3-2 -1-3 0 EIXO de Z = 300 = 10 = 300 = 10 71. 71 Coleta de Dados (Rational Subgrouping)Coleta de Dados (Rational Subgrouping) Propsito Nesta fase do projeto NECESSRIO fazer um plano de coleta de dados. Os dados precisam ser coletados pois precisamos saber o Nvel de Sigma atual do processo (Y). Para se coletar os dados necessrio criar um plano chamado de Rational Subgrouping (Subgrupo Racional), que nada mais que a coleta de amostras de maneira aleatria, garantindo assim, que todas as variaes possveis aconteam (Black Noise e White Noise). Para montar o plano preciso definir: Tipo de Dados do Y, discreto ou continuo; Quem ir coletar as amostras (ex.: Jos); Freqncia da coleta (ex.: semanal, dirio, por turnos); Ferramenta utilizada para medir a amostra ( ex.: rgua, paqumetro, software) Fazendo o Rational Subgrouping conseguimos um valor mais prximo da populao (diminuio do erro amostral). Tempo RespostaProcesso WHITE NOISE BLACK NOISE RATIONAL SUBGROUPS White Noise: a variao que acontece dentro de cada subgrupo. Tambm conhecido como Causa Comum, pois acontece em todos os processos e impossvel elimin-la. Black Noise: a variao que acontece entre os subgrupos. Tambm conhecido como Causa Especial, pois algo estranho ao processo, ou seja, no deveria haver variao entre os subgrupos. Nos projetos 6 Sigma, atuamos principalmente no BlackBlack NoiseNoise pois o impacto da melhoria ser maior. IMPORTANTE 72. 72 Gage R&R (Crossed) No destroi a pea Gage R&R (Crossed) No destroi a pea Gage R&R (Nested) danifica a pea Gage R&R (Nested) danifica a pea ContnuosContnuos DiscretoDiscreto DadosDados Tipos de GageTipos de Gage Gage AttributeGage Attribute Para cada Tipo de dados existe um Gage apropriado. Gage R&R Crossed utilizado quando podemos repetir as medies feitas em cada pea, ou seja, cada pea pode ser medida mais de uma vez. Gage R&R Nested utilizado em ensaios destrutivos, ou seja, cada vez que medimos uma pea ela destruda no sendo possvel repetir a medio. IMPORTANTE ANOVAANOVA X-Bar RX-Bar R ANOVAANOVA 73. 73 Gage R&RGage R&R Propsito Para coletar os dados voc precisou utilizar um equipamento, por exemplo, um paqumetro. Como voc pode garantir que os dados so confiveis? Para validar seu sistema de medio, garantindo que os dados medidos sejam confiveis, voc deve utilizar o GAGE R&R. O Gage R&R s pode ser utilizado para dados contnuos. MSA Com o Gage R&R iremos analisar o sistema de medio (Measurement System Analysis) a fim de valid-lo. A variao de um processo composta por 2 partes: Variao Real do Processo (Processo) e Variao Sistema de Medio (R&R) R&RProcessoTotal += Variao real do processoVariao real do processo Bias Estabilidade Linearidade Variao Total Observada Variao Sistema Medio White Noise Black Noise Exatido Preciso Processo T R&R Repetibilidade Reprodutibilidade 74. 74 Gage R&RGage R&R Valor observado Repetibilidade a variao nas medidas obtidas com um equipamento de medida (gage), quando usado vrias vezes pelo mesmo operador medindo a mesma caracterstica da pea. Reprodutibilidade a variao nas mdias das medidas feitas por diferentes operadores usando o mesmo equipamento de medida (gage) quando medindo a mesma caracterstica da pea. Operador A Operador B Operador C Repetibilidade (equipamento) Reprodutibilidade (operador) Operador A 75. 75 Valor real Bias Mdia observada Diferena entre valor real e a mdia do valor observado Programao do valor real medido pelo Sistema de medida exato a variao total nas medies obtidas com um sistema de medio sobre o mesmo padro ou valor de referncia num determinado perodo de tempo. Sistema de medidas afeta o resultado quando tempo se vai por fatores ambientais, abrasividade, temperatura, umidade, etc. Estabilidade Tempo 1 Tempo 2 Bias Estabilidade Gage R&RGage R&R 76. 76 Gage R&RGage R&R Desvio de exatido: grande Desvio de exatido: pequeno LSL USL Valor Atual Valores Referncia (medido) Valor Real Valor de Referncia (medido) Linearidade a diferena nos valores atravs da faixa de operao. Avaliar comparando exatido dentro do alcance da funo de espao. Exatido por alcance geral da funo de espao. 77. 77 Gage R&RGage R&R Disperso a variao nas medidas obtidas com um equipamento de medida quando usado vrias vezes. A disperso dividida em duas categorias: Repetibilidade e Reprodutibilidade. - ANOVA mtodo que pode definir as causas da variao em um equipamento de medida melhor que o mtodo Xbar R. - Menor efeito dos pontos fora dos padres. - Para uma mesma quantidade de dados, ANOVA fornece mais informaes detalhadas sobre um o equipamento de medida que o mtodo Xbar R. - Pode separar a interao entre operadores e peas. a ) Quando a Repetibilidade maior que a Reprodutibilidade Problema de equipamento de medida - Manuteno preventiva no equipamento de medida - Equipamento de medida inadequado - Localizao (lugar da medida ou ponto da pea medida) b) Quando a Reprodutibilidade maior que a Repetibilidade Problema com Operador - No est acostumado com o equipamento de medida. Precisa de treinamento. c) Causas da variao - Equipamento de medida : Diferena entre equipamentos de medida, diferenas entre escalas - Mtodos : Leitura da escala, Medidas habituais. - Peas : Variao entre as peas - Condies : Diferentes ambientes tais como umidade, temperatura etc. - Operadores : Diferenas entre operadores, turnos, laboratrios, etc Propsito: ANOVA Como Ajustar: 78. 78 Gage R&RGage R&R - Geralmente 2~3 operadores, 10 peas medidas de 2~3 vezes. - Antes do estudo, verifique a calibrao do equipamento. - Cada operador mede todas as partes aleatoriamente. - Ateno : Operador no deve identificar as peas quando est medindo. - Analise dos resultados : Repetibilidade, Reprodutibilidade, %R&R. - A coleta de dados para um Gage no deve ser aleatria mas sim intencional, devem ser coletadas peas por todo o range do processo. % 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 Aceito Condicionalmente Troca do Sistema de medida Processo: Regra de Thumb 79. 79 Gage R&RGage R&R Exemplo: Afim de avaliar o sistema de medio foi realizado um Gage R&R com 3 operadores sendo que cada um mediu 10 peas 3 vezes cada. Spec. : 2.5 1.5 Abrir o arquivo: Gageaiag.mtw, esse arquivo vem no banco de dados do prprio Minitab. Stat>Quality tools>Gage Study>Gage R&R Study (Crossed) Coluna com os nmeros das peas Coluna com os nomes dos operadores Coluna com as medies feitas Mtodo ANOVA mais preciso no resultado. 80. 80 Gage R&RGage R&R Aps ter adicionado as trs colunas (pea, operador e medies) clicar no boto Options. Nesse menu possvel colocar a tolerncia do processo em anlise, nessa caso a tolerncia : 1,5, assim devemos colocar o valor 3 no campo indicado abaixo. Tolerncia do processo. ( 1,5) 81. 81 Gage R&RGage R&R Gage R&R %Contribution Source VarComp (of VarComp) Total Gage R&R 0,09143 7,76 Repeatability 0,03997 3,39 Reproducibility 0,05146 4,37 Operator 0,05146 4,37 Part-To-Part 1,08645 92,24 Total Variation 1,17788 100,00 Study Var %Study Var %Tolerance Source 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 45,37 Part-To-Part 1,04233 6,25396 96,04 208,47 Total Variation 1,08530 6,51180 100,00 217,06 Number of Distinct Categories = 4 Gage R&R %Contribution Source VarComp (of VarComp) Total Gage R&R 0,09143 7,76 Repeatability 0,03997 3,39 Reproducibility 0,05146 4,37 Operator 0,05146 4,37 Part-To-Part 1,08645 92,24 Total Variation 1,17788 100,00 Study Var %Study Var %Tolerance Source 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 45,37 Part-To-Part 1,04233 6,25396 96,04 208,47 Total Variation 1,08530 6,51180 100,00 217,06 Number of Distinct Categories = 4 O resultado abaixo aparecer no Minitab. preciso avaliar alguns pontos importantes para garantir que o Sistema de Medio est confivel. So eles: % Study Var % Tolerance N Categorias Distintas Exerccio: Avalie o Gage R&R ao lado, decida se esta aceito ou rejeitado. Justifique sua resposta. 82. 82 N categorias distintas Significado 1 Se a variao do Sistema de Medio for semelhante a variao real do processo no possvel avaliar este processo, com isso o nmero de categorias cai. Sistema inapropriado. 2~4 No possvel detectar a variao do processo mesmo utilizando uma carta de controle, pois a sensibilidade do equipamento ainda no consegue distinguir as vrias categorias. Sistema inapropriado. 5 Nessa faixa j possvel verificar e gerenciar as variaes existentes no processo, com isso o Sistema de Medio se torna confivel. Sistema apropriado % Study Var Avalia se o Sistema de Medio capaz de detectar a variao do processo ou no. Isto significa que esse sistema apropriado. % Tolerance Mostra a exatido do Sistema de Medio de acordo com a tolerncia do processo, avalia se possvel detectar se a pea esta boa ou ruim. N Categorias Distintas Avalia se o Sistema de Medio consegue distinguir as variaes do processo. Descreve quantos grupos diferentes o sistema consegue distinguir, quanto maior melhor ser o resultado. Significado: Gage R&RGage R&R Tolerncia do Equipamento. Quando for necessrio utilizar um equipamento para realizar um Gage R&R sua resoluo deve ser de 1/10 da tolerncia do processo. Ex.: Se a Spec for 20,5 [cm] significa que a tolerncia de 0,5 [cm], nesse caso o equipamento tem que ter a capacidade de medir 1/10 desse valor, ou seja: O equipamento tem que conseguir medir nessa escala. [cm]0,0050,05* 10 1 Equip.Tol. == 83. 83 Grficos: Gage R&RGage R&R Percent Part-to-PartReprodRepeatGage R&R 200 100 0 % Contribution % Study Var % Tolerance SampleRange 1,0 0,5 0,0 _ R=0,342 UCL=0,880 LCL=0 A B C SampleMean 2 0 -2 __ X=0,001 UCL=0,351 LCL=-0,348 A B C P art 10987654321 2 0 -2 Operator CBA 2 0 -2 P art Average 10987654321 2 0 -2 Operator A B C 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 grfico abaixo, onde podemos verificar se este est ou no aprovado. 1 2 3 4 5 6 Nesse grfico possvel ver a variao de cada parte: Part-to-Part variao do processo; Gage R&R Variao sistema de medio. A variao Part-to-Part tem que ser muito maior que a Gage R&R. Mostra a estabilidade dos operadores, os pontos devem estar dentro dos limites UCL e LCL Mostra o nmero de categorias distintas, ou seja, a sensibilidade do equipamento, os pontos devem estar fora dos limites UCL e LCL. Mostra a diferena entre as medidas feitas pelos operadores para cada uma das peas, a linha central indica a mdia das medidas, desejvel que essa mdia varie entre as peas. Mostra a diferena entre os operadores, o ideal que a linha esteja praticamente horizontal. Mostra a interao entre os operadores, quanto mais prximo as linhas melhor ser. 1 2 3 4 5 6 84. 84 Gage AttributeGage Attribute Propsito O que so dados atributos? So os dados do tipo: OK / NG ou Verde / Amarelo. Normalmente so utilizados quando estamos avaliando um operador, se este sabe ou no inspecionar algum ponto do processo/produto/servio. Neste caso devemos trabalhar da seguinte forma: N Operadores Mnimo peas avaliadas Mnimo repeties 1 24 5 2 18 4 3 12 3 Estatstica Apropriado Aceito condicional Inapropriado Eficincia [PE] 90~100 % 80~90 % Abaixo 80 % Alarme Falso [PFA] 0~5 % 5~10 % Acima 10 % Perda [Pmiss] 0~2 % 2~5 % Acima 5 % Regra: Importante: cuidado com as medidas de fronteira (ex.: PFA = 5%, pode ser simultaneamente classificado como Apropriado e Aceito Condicionalmente) 85. 85 Pedro Csar Mauricio 1 NG OK NG NG 2 OK NG OK OK 3 OK NG OK OK 4 OK NG NG OK 5 OK OK OK NG 6 OK OK OK OK 7 NG NG NG NG 8 NG NG NG NG 9 NG NG OK OK 10 NG NG OK NG 11 NG NG NG NG 12 OK NG OK OK 1 NG OK NG 2 OK OK NG 3 OK NG OK 4 OK OK NG 5 OK OK OK 6 OK OK OK 7 OK OK OK 8 OK OK NG 9 OK NG OK 10 NG NG OK 11 NG NG NG 12 OK NG OK 1 OK OK NG 2 OK OK NG 3 OK NG OK 4 OK OK NG 5 OK NG OK 6 OK OK OK 7 OK OK NG 8 OK OK NG 9 NG NG OK 10 NG OK OK 11 NG NG NG 12 OK NG OK Pea Atributo Operadores Exemplo: Foi realizado um Gage Atributos com 3 operadores para verificar se os mesmos sabem inspecionar peas do processo XXX. Abaixo esta o resultado das medies feitas. Utilizando o Minitab, faa a anlise. 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 nmeros de cada pea. Appraisers: preencher este campo com a coluna dos nomes dos operadores Known standard/attribute: preencher esse campo com a coluna do atributo padro (referncia), caso este exista. Gage AttributeGage Attribute 86. 86 Gage AttributeGage Attribute Within Appraisers Assessment Agreement Appraiser # Inspected # Matched Percent 95 % CI Csar 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. Appraiser Percent PedroMauricioCsar 100 80 60 40 20 0 95,0% C I Percent Appraiser Percent PedroMauricioCsar 100 80 60 40 20 0 95,0% C I Percent 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 esto aceitos ou no. Justifique sua reposta. PE 87. 87 Gage AttributeGage Attribute Clculos: As probabilidades (PE, PFA e Pmiss) podem ser calculadas sem o Minitab atravs das seguintes frmulas: [%]100* es)Peas(mediTotal AcertosQtde = PE a taxa de acerto de cada operador. O calculo realizado atravs da diviso do total de medies corretas pelo total de peas inspecionadas. [%]100* medidasrepeticoesTotal*padroboaspeas FalsoAlarmeQtde PFA = PFA a taxa de alarme falso. Alarme falso o erro que o operador comete quando julga uma pea BOA como RUIM. Esse tipo de erro no to grave quanto o PMiss, mas diminui a eficincia da linha de produo. [%]100* repetiesTotal*padroruinsPeas ErroQtde P Perda Miss = PMiss o erro que o operador comete quando julga uma pea RUIM como BOA. Esse tipo de erro bem grave, pois o operador deixa entrar no processo peas com defeito. Sendo esse tipo de erro muito alto, o defeito chegar no cliente. 88. 88 Gage AttributeGage Attribute Exemplo: Foi realizado um Gage Atributos na companhia LGE000, para verificar se os operadores sabiam fazer a inspeo de Cosmetic na linha de LCD. Calcule PE, PFA e PMiss e analise os operadores. Parts Actual Value Benedito Joly Brbara 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 89. 89 Gage AttributeGage Attribute 97,78%100* 45 44 PE == 4,17%100* 3*8 1 PFA == 0%100* 3*7 0 PMiss == Benedito Joly Barbar 86,67%100* 45 39 PE == 20,83%100* 3*8 5 PFA == 4,76%100* 3*7 1 PMiss == 88,89%100* 45 40 PE == 4,17%100* 3*8 1 PFA == 19,05%100* 3*7 4 PMiss == Concluso: Concluso: Concluso: 90. 90 Measurement Basic Metrics Common Z(Bench)-Value (ST, LT), Zshift Cp, Cpk Pp, Ppk Dados Discretos Sigma-level, RTY Baseado na qty/proporo DPU DPO,DPMO Taxa de defeito PPM Tipo Dados Dados Contnuos Mtricas Bsica Mtrica comum ZBench Zshift Cp, Cpk Pp, Ppk Nvel de sigma Baseado na variao/mdia DPU DPO,DPMOPPM Calculando o Z-valueCalculando o Z-value Z-value: Aps j ter sido coletado as amostras dos dados atuais do Y do Projeto preciso calcular o Z- value. Para cada tipo de dados existe uma ferramenta adequada. Abaixo esta a relao de ferramentas: Capability Anlysis 91. 91 Capability AnalysisCapability Analysis PCI Quando estamos trabalhando com o Y do projeto sendo dados contnuos, para calcular o Z- value utiliza-se o PCI (Process Capability Analysis). Com essa ferramenta podemos calcular o ZST, o ZLT e o Zshift, alm dos indicadores de capabilidade Cp, Cpk, Pp e Ppk. Esta tambm a nica ferramenta que nos indica o sentido de melhoria que deve ser tomado no processo, atravs do Diagrama de 4 Blocos. ZST Nvel de sigma em curto perodo (short term) tambm pode ser escrito ZSTBench ZLT Nvel de sigma em longo perodo (long term) tambm pode ser escrito ZLTBench Zshift deslocamento entre o ZST e o ZLT, se esse valor for maior do que 1,5 ter problema no processo, sinal de muito deslocamento, ou seja, o processo est deslocado do centro da Spec. Cp Capabilidade do processo em curto perodo avaliando a variao(within). Cpk Capabilidade do processo em curto perodo avaliando o deslocamento da mdia (within). Pp Capabilidade do processo em longo perodo avaliando a variao(overall). Ppk Capabilidade do processo em longo perodo avaliando o deslocamento da mdia (overall). 92. 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 variao menor ser o Cp/Pp. Podemos verificar que quanto maior a variao menor ser o Cp/Pp. LSL USLCpk = 1,5 Cpk = 1,00 Cpk = 0,45 Podemos verificar que quanto maior o deslocamento menor ser o Cpk/Ppk. Podemos verificar que quanto maior o deslocamento menor ser o Cpk/Ppk. Frmulas: periodo)towithin(cur6. LSLUSL Cp = periodo)ngooverall(lo6. LSLUSL Pp = T T k k k k)Pp.(1Ppk k)Cp.(1Cpk = = Frmulas: Cp/Pp Cpk/Ppk 2 LSL-USL TX k = within3. XUSL CPU = ou within3. LSLX CPL = CPL]min[CPU;Cpk = overall3. XUSL PPU = overall3. LSLX PPL = PPL]min[PPU;Ppk = 93. 93 Capability AnalysisCapability Analysis ZST / ZLT / ZShift Para calcularmos o Nveis de Sigma iremos utilizar o Minitab. O primeiro passo a realizar verificar se os dados coletados seguem uma distribuio normal. Abaixo esta os dados coletados de um processo XXX, sendo que sua Spec : 91,5 Abrir o exemplo: capability.mtw L1 L2 L3 L4 L5 8,73 9,66 8,85 10,37 9,05 10,09 9,67 10,86 10,96 11,45 10,21 10,4 9,26 8,73 8,84 11,83 10,51 10,22 8,21 10,25 8,52 9,13 8,76 10,17 10,68 11,71 7,99 10,41 10,03 11,15 1 Passo: Normality Test. Adicionar coluna dos dados Sempre utilizar esse mtodo Dados Percent 13121110987 99 95 90 80 70 60 50 40 30 20 10 5 1 Mean 0,335 9,89 StDev 1,045 N 30 AD 0,404 P-Value Probability Plot of Dados Normal Regra Normality Test: P-value > 0,05 dados normais. P-value < 0,05 dados no normais. P-value=0,335 Dados normais P-value=0,335 Dados normais 94. 94 2 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 opo Benchmark Zs (sigma level) 95. 95 Ir aparecer o grfico abaixo, neste grfico temos o valor de ZLT. Capability AnalysisCapability Analysis 12111098 LSL USL Process Data Sample N 30 StDev (Within) 1,09725 StDev (O v erall) 1,05414 LSL 7,5 Target * USL 10,5 Sample Mean 9,89 Potential (Within) C apability C C pk 0,46 O v erall C apability Z.Bench 0,54 Z.LSL 2,27 Z.USL 0,58 Ppk Z.Bench 0,19 C pm * 0,51 Z.LSL 2,18 Z.USL 0,56 C pk 0,19 O bserv ed Performance PPM < LSL 0,00 PPM > USL 266666,67 PPM Total 266666,67 Exp. Within Performance PPM < LSL 14696,59 PPM > USL 289127,55 PPM Total 303824,15 Exp. O v erall Performance PPM < LSL 11687,24 PPM > USL 281405,09 PPM Total 293092,34 Within Overall Process Capability of Dados ZLT ZLT Para calcularmos o ZST preciso utilizar o valor do Desvio Padro curto perodo (StDev (within) e tambm precisamos do Target do processo. StDev (Within) = 1,09725 Target = 9,0 96. 96 3 Passo: Calcular o ZST Stat>Quality Tools>Capability Analysis>Normal Capability AnalysisCapability Analysis 121110987 LSL USL Process Data Sample N 30 StDev (Within) 1,09725 StDev (O v erall) 1,05414 LSL 7,5 Target * USL 10,5 Sample Mean 9 Potential (Within) C apability C C pk 0,46 O v erall C apability Z.Bench 1,02 Z.LSL 1,42 Z.USL 1,42 Ppk Z.Bench 0,47 C pm * 0,95 Z.LSL 1,37 Z.USL 1,37 C pk 0,46 O bserv ed Performance PPM < LSL 0,00 PPM > USL 266666,67 PPM Total 266666,67 Exp. Within Performance PPM < LSL 85804,19 PPM > USL 85804,19 PPM Total 171608,38 Exp. O v erall Performance PPM < LSL 77373,13 PPM > USL 77373,13 PPM Total 154746,27 Within Overall Process Capability of Dados ZST ZST Target StDev (Within) 97. 97 Capability AnalysisCapability Analysis 4 Passo: Calcular o ZShift Para calcular o ZShift utilizamos a seguinte frmula: Neste exemplo temos: ZST=0,95 ZLT=0,54 ZShift=0,95-0,54 = 0,41 Com o valor do ZST e do ZShift possvel montar o Diagrama de 4 Blocos, essa ferramenta nos mostra o sentido de melhoria que devemos tomar. LTSTShift ZZZ = ZST ZShift 1,5 4,5 1 2 3 4 O eixo ZST tambm chamado de TecnologiaTecnologia, e esta relacionado com a Variao do processo quanto mais variao pior ser. Essa variao esta relacionada com problemas de White Noise. O eixo ZShift tambm chamado de ControleControle, e esta relacionado com o Deslocamento da Mdia do processo, quanto mais deslocada pior ser. Esse deslocamento esta relacionado com problemas de Black Noise. NG OK NG OK 1 2 3 4 Pior quadrante, nessa regio temos problema tanto de Controle como de Tecnologia. Nesse quadrante temos problema somente com a tecnologia, ser preciso diminuir a variao no processo investindo em equipamentos. Nesse quadrante temos problema somente de controle, ser preciso diminuir o deslocamento da mdia, diminuindo as influncias de Black Noise. Esse o melhor quadrante, todos os pontos esto bons. 98. 98 Capability AnalysisCapability Analysis 4 Passo: Calcular o ZShift J sabemos que o ZST=0,95 e ZShift=0,95-0,54 = 0,41 ento plotando esses valores no diagrama teremos: ZST ZShift 1,5 4,5NG OK NG OK 0,95 0,41 Nesse quadrante temos problema de Tecnologia, ser preciso diminuir a variao do Processo, reduzindo problemas de White Noise. 99. 99 Capability AnalysisCapability Analysis Calculando Cp, Cpk, Pp e Ppk atravs do Minitab. Vamos utilizar o mesmo exemplo anterior. Apagar esses valores Clicar em Options Escolher essa opo. 100. 100 Capability AnalysisCapability Analysis Ir aparecer o grfico abaixo, nele temos todos os ndices relacionados a Capabilidade do processo. 12111098 LSL USL Process Data Sample N 30 StDev (Within) 1,09725 StDev (O v erall) 1,05414 LSL 7,5 Target * USL 10,5 Sample Mean 9,89 Potential (Within) C apability C C pk 0,46 O v erall C apability Pp 0,47 PPL 0,76 PPU 0,19 Ppk C p 0,19 C pm * 0,46 C PL 0,73 C PU 0,19 C pk 0,19 O bserv ed Performance PPM < LSL 0,00 PPM > USL 266666,67 PPM Total 266666,67 Exp. Within Performance PPM < LSL 14696,59 PPM > USL 289127,55 PPM Total 303824,15 Exp. O v erall Performance PPM < LSL 11687,24 PPM > USL 281405,09 PPM Total 293092,34 Within Overall Process Capability of Dados Capabilidade Curto Perodo (within) Capabilidade Curto Perodo (within) Capabilidade Longo Perodo (overall) Capabilidade Longo Perodo (overall) Desvio Padro Longo Perodo (overall) Desvio Padro Longo Perodo (overall) Desvio Padro Curto Perodo (within) Desvio Padro Curto Perodo (within) PPM Real da amostra PPM Real da amostra PPM estimado em Curto perodo PPM estimado em Curto perodo PPM estimado em Longo perodo PPM estimado em Longo perodo 101. 101 Capability AnalysisCapability Analysis Os dados abaixo foram coletados de um processo YYY, verificar se os dados so normais e depois calcular o ZST, ZLT e ZShift para que possa ser montado o Diagrama de 4 Blocos e indicado o sentido de melhoria. Spec = 212,5 L1 L2 L3 L4 L5 L6 L7 L8 L9 L10 23,50 21,48 21,91 22,20 23,53 21,71 22,67 22,92 20,98 24,95 22,56 22,34 21,47 24,37 22,43 21,87 22,64 21,44 22,52 21,88 21,92 21,75 21,81 22,46 20,51 22,53 22,69 24,20 22,72 22,13 22,47 21,25 22,05 21,81 22,37 22,96 23,41 22,50 22,77 22,01 20,67 21,86 21,98 21,75 23,41 20,11 22,96 22,00 21,41 22,30 Exerccio. 102. 102 DPU / DPO / DPMODPU / DPO / DPMO Uma medida de volume de sada da rea observvel e contvel Deve ter um ponto de incio e trmino definidos Onde o trabalho normalmente analisado criticamente (exemplo: inspeo, teste) A coisa sobre a qual estamos contando os defeitos Exemplos: - Pedido de um produto pelo cliente - Chamada telefnica de um cliente - Ordem de compra - Pedido de importao - Um produto ou uma pea - Uma instalao de equipamento - Um servio solicitado pelo cliente Indica a complexidade do processo Necessrio ser Independente Mensurvel Oportunidades: o nmero de chances de um processo se desviar do esperado Exemplo: - Um processo de importao pode falhar de trs formas diferentes (3 oportunidades): - chegar o produto fora do prazo; - a documentao estar incorreta; - no chegar o produto correto Unidade - UUnidade - U Oportunidades - OpOportunidades - Op Propsito Para calcularmos os Nveis de Sigma para dados DISCRETOS iremos utilizar os clculos de DPU, DPO e DPMO. Abaixo esta o significado de cada um. 103. 103 DPU / DPO / DPMODPU / DPO / DPMO Qualquer coisa que gera insatisfao do cliente Qualquer coisa que gera no-conformidades em uma oportunidade ou numa unidade Qualquer variao de uma caracterstica requerida de um produto ou servio ou suas peas que impede o produto ou servio de preencher os requisitos funcionais ou fsicos do cliente Qualquer coisa que leva algum ou um produto a sair do processo normal o nmero total de defeitos dividido pelo nmero total de unidades coletadas por um perodo razovel de tempo (de modo a formar uma imagem do processo que acredita-se representar a variao tpica a qual o processo est normalmente sujeito). o DPU dividido pelas oportunidades de erros que existirem no processo em anlise. Durante 3 meses, um Green Belt coletou 500 pedidos de clientes verificou que 30 deles foram entregues fora do prazo e 20 foram entregues produtos diferentes. ( 2 oportunidades por unidade = fora do prazo ou produto diferente ) Total Unidades = 500 Defeitos = 50 Oportunidades = 2 Defeito - DDefeito - D DPU- Defeito por UnidadeDPU- Defeito por Unidade DPO- Defeito por OportunidadeDPO- Defeito por Oportunidade Frmulas: Exemplo desOportunidaTotal DPU DPO UnidadesTotal Defeito DPU = = 0,1 500 50 DPU == 0,05 2 0,1 DPO == 104. 104 DPU / DPO / DPMODPU / DPO / DPMO o DPU dividido pelo nmero total de oportunidades vezes um 1.000.000. O DPMO medido em PPM, ou seja, quantos defeitos temos por milho de peas/produtos. Quando temos o valor do DPMO basta procur-lo na Tabela Z que teremos o Nvel de Sigma. 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 Milho de OportunidadesDPMO- Defeito por Milho de Oportunidades Exerccio: Z-value = 1 unidade 1 oportunidade 1 unidade 5 oportunidades 105. 105 Avaliao de capacidade de fabricao Mr. Kim, dono de um fabrica de brocas, sempre repreende o Lder da linha de produo B por ter um taxa de defeito mais alta que o da linha de produo A. Compare com a capacidade de fabricao de cada linha e avalie se as ordens de Mr.Kim so justamente baseadas na prxima pgina. DPU / DPO / DPMODPU / DPO / DPMO 106. 106 Linha de produo A Linha de produo B Taxa de defeito Nmero de unidade Nmero total de oportunidade Nmero total de defeito DPU DPO DPMO ZST Faa os clculos e verifique se a reclamao do Mr. Kim esta de fato correto. Verifique se realmente a linha A melhor do que a B. DPU / DPO / DPMODPU / DPO / DPMO 107. 107 5 Anlise - Selecionar o fator principal examinando o X possvel. - Examinar rigorosamente a causa do fator principal ou do defeito. - Anlise Grfica - Interferncia estatstica : Intervalo de Estimativa & Test de Hiptese - Anlise de Regresso Objetivos Ferramentas Passos Passo 6 : Selecionar o fator principal (Vital Few) Passo 7 : Examinar a principal causa LG Electronics Green Belt [Mfg] 108. 108 Propsito Passos da atividade Sada Passo 6 - Lista dos possveis X - Lista do Vital Few - Verificar a possibilidade de alcanar a meta Passo 7 6.1 Extrair os possveis Xs 6.2 Coletar e examinar dados adicionais 6.3 Selecionar o fator vital e checar a possibilidade de atingir a meta 7.1 Examinar a causa Passo 7. Examinar a causaPasso 6. Seleciona o fator vital Anlise - Extrair o Possvel X para melhorar o Y do Projeto selecionando os Vital Few. - Examinar a causa fundamental atravs do estudo do Vital Few e tomar a ao para isso, se necessrio. -Explicar e avaliar a causa fundamental extrada atravs do Vital Few. 109. 109 Extrair os vrios Xs possveis atravs do exame da direo da melhoria e metas. Inicialmente examinar o Resumo dos dados. Examinar os fatores variveis do processo adicionais e relacionar com variao e atributos se necessrio. -Examinar o processo -Extrair/definir o fator potencial/Possvel X - Logic Tree - Fish Bone - Matriz X-YExtrair possveis Xs Atividade Ferramenta Passo 6 Selecionar o fator vital Extrair vrios fatores vitais baseado na meta de melhoria e direo. Selecionar os fatores vitais que podem alcanar a meta atravs do exame e anlise. Propsito Selecionar os dados adicionais focando no possvel X e examinar sua relao e influncia no Projeto Y -Coletar dados -Mtodos quantitativos/ qualitativos. Coletar e examinar dados adicionais Decidir os fatores vitais que tem maior influncia no Projeto Y. Verificar/examinar a possibilidade de atingir as metas com os fatores vitais. -Verificar causa e efeito -Seleo do fator Vital Seleo do Fator Vital - Anlise Grfica -Estimar intervalo/Teste de hiptese - Anlise de regresso linear - Avaliar experimentos -Anlise de comparao qualitativa 110. 110 Examinar a causa fundamental e seu efeito sobre Y do projeto atravs do Vital Few extrado. - Definir o Vital Few - Examinar a causa fundamental - 5 Porqus - Logic Tree Examinar a causa fundamental Atividade Ferramenta Passo 7 Examinar a causa Examinar a relao entre o Projeto Y e a extrao do Fator Vital. Examinar a causa fundamental e seu efeito em cada fator vital. Propsito 111. 111 Vital Few - Poucos fatores Controlveis que influenciam a sada. - Deve existir o fator principal. Fatores potenciais Fatores possveis Vital Few VF Potential Possible VF Potential Possible VF Potential PossibleVF Potential PossibleVF Potential Possible Process/SystemEntrada Sada (Y) Xs : Vital Few Xs : Muitas causas Y a varivel dependente. X a varivel independente. Y depende de X. Se controlar o X, pode-se melhorar o Y. Trivially Many Vital Few Efeitos de Y N de Causas Vital FewVital Few ( )XfY = 112. 112 IntroduoIntroduo Depois de ser calculado o valor Z do CTQ(Y ) no estagio de MEDIO. No estagio de ANLISE, ns estamos focando nas CAUSAS (Xs) que afetam Y. Primeiro, liste todas as possveis causas, e ento encontre as significativas (Vital Few) usando ferramentas estatsticas. - Passo 1 - Liste as possveis causas Brainstorming para listar as Possveis causas Brainstorming para listar as Possveis 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 possveis Xs 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 possveis Xs 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 Proportion 2 Proportion Chi-square Test 1 Sample T 2 Sample T ANOVA Correlao Equao Regresso Test for equal Variance Anlise Grfica Testes Hiptese Correlao Seqncia: Dot Plot 113. 113 Introduo ao MinitabIntroduo ao Minitab Ao abrir o Minitab 16 ir aparecer a tela abaixo, essa tela dividida em 2 partes: Sesso (Session) e a planilha (Worksheet). Os resultados dos testes e ferramentas iro aparecer nessa rea. Os resultados dos testes e ferramentas iro aparecer nessa rea. Os dados para a anlise devem ser introduzidos na worksheet. Lembrar que o Minitab trabalha com colunas e no com clulas como o Excel. Os dados para a anlise devem ser introduzidos na worksheet. Lembrar que o Minitab trabalha com colunas e no com clulas como o Excel. 114. 114 Introduo ao MinitabIntroduo ao Minitab Na worksheet podemos adicionar dados de 2 maneiras: Agrupado ou Desagrupado. Quando temos dados Agrupados (Stack) significa que estes esto todos em uma s coluna, j os Desagrupados (Unstack) esto em vrias colunas, veja o exemplo abaixo: AgrupadosAgrupados DesagrupadosDesagrupados 115. 115 Introduo ao MinitabIntroduo ao Minitab Dados Agrupados Para utilizar algumas ferramentas do Minitab, necessrio que os dados estejam digitados em uma s coluna, ou seja, Dados Agrupados. Exemplo, se temos os dados j digitados no Excel e queremos utiliz-los no Minitab e precisamos agrup-los, devemos seguir os passos abaixo: Dados Desagrupados Dados Desagrupados Data>Stack>Columns Adicionar as colunas que se deseja agrupar. Escolher a coluna que ficaro os dados agrupados Escolher a coluna que ficaro os nomes dos dados agrupados 116. 116 Dados Desagrupados Dados Desagrupados Dados Agrupados Dados Agrupados Depois disso os dados estaro agrupados. Introduo ao MinitabIntroduo ao Minitab 117. 117 Dados Desagrupados Para utilizar algumas ferramentas do Minitab, necessrio que os dados estejam digitados em vrias colunas, ou seja, Dados Desagrupados. Veja o exemplo abaixo: Introduo ao MinitabIntroduo ao Minitab Dados Agrupados Dados Agrupados Data>Unstack Columns Adicionar a coluna com os dados que se deseja desagrupar. Selecionar essa opo Adicionar a coluna com os nomes dos dados que se deseja desagrupar. 118. 118 Depois disso os dados estaro desagrupados. Introduo ao MinitabIntroduo ao Minitab Dados Desagrupados Dados Desagrupados Dados Agrupados Dados Agrupados 119. 119 Introduo ao MinitabIntroduo ao Minitab Exerccio: 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 20,9 120. 120 Criando Seqncias: O Minitab cria seqncias de nmeros e de textos, assim fica fcil montar tabelas com dados que se repetem. Veja exemplo abaixo. Criar a seqncia de nmeros de 1~10, com 4 repeties de cada seqncia. Introduo ao MinitabIntroduo ao Minitab Calc>Make Patterned Data>Simple Set of Numbers Escolher a coluna que deseja colocar a seqncia. Escolher o 1 nmero da seqncia. Escolher o ltimo nmero da seqncia. Escolher os incrementos. Escolher quantas vezes ir aparecer cada nmero. Escolher quantas vezes ir repetir a sequncia inteira. 121. 121 Criando Seqncias: Criar a seqncia de palavras Joo, Carlos e Pedro, repetindo cada valor 5 vezes. Introduo ao MinitabIntroduo ao Minitab Calc>Make Patterned Data>Text values Escolher a coluna que deseja colocar a seqncia. Digitar as palavras Escolher quantas vezes vai repetir cada palavra. Escolher quantas vezes vai repetir a seqncia inteira. 122. 122 Salvando arquivos: No Minitab podemos salvar dois tipos de arquivos, pode ser salvo somente a Worksheet que contm os dados, quando fazemos isso todos os grficos e clculos que estiverem na Sesso no sero salvos, ou tambm podemos salvar o Projeto, assim todas as informaes sero salvas. Introduo ao MinitabIntroduo ao Minitab File>Save Project As File>Save Current Worksheet As 123. 123 Abrindo arquivos: Podemos abrir tanto uma Worksheet ou um Projeto, para isso precisamos escolher a opo adequada, se tentar abrir uma worksheet clicando no menu Open Project ira aparecer uma mensagem de erro. Introduo ao MinitabIntroduo ao Minitab File>Open Project File>Open Worksheet 124. 124 Atalhos: Para ficarmos alternando entre a Seo, Grficos e Worksheet pode utilizar os seguintes botes. Introduo ao MinitabIntroduo ao Minitab Vai para os Grficos; Vai para a Worksheet; Vai para a Seo. Para voltar na ltima ferramenta utilizada clique no boto: 1