Capacitação de Times de Melhoria - Parte 2

CAPACITAÇÃO DE
TIMES DE MELHORIA
*** Parte II ***
AZEVEDO CONSULTORIA E PROJETOS LTDA 1

CONTEÚDO
• C
Conceitos
it de
d qualidade
lid d
• Ferramentas
e a e as da qua
qualidade
dade
• Metodologia de análise e solução
de problemas
• Trabalho em equipe
q p

Ferramentas da Qualidade
Descrição e aplicação

Objetivo desta Sessão
• A
Apresentar
t as ferramentas
f t básicas
bá i d
da
Qualidade, ilustrando a aplicação de
cada uma
• Fornecer informações que permitam

selecionar
l i as fferramentas
t adequadas
d d
a cada fase de um projeto de melhoria

Antes uma frase
Antes, frase...
Se sua única ferramenta é um martelo

martelo,,
todo p
problema vai lhe p
parecer um
prego.
Ab h
Abraham M
Maslow
l (1908
(1908-1970)
1970)

Conceito
• Sã
São té
técnicas
i usadas
d para solução
l ã
de problemas, ou para melhorar
continuamente os processos de
uma organização
• M
Muitos
it autores
t mencionam
i sete
t
ferramentas básicas, porém no
conjunto há um total de nove

As ferramentas
Coletar e Determinar Analisar e
analisar e analisar monitorar
dados causas processos
Estratificação Diagrama de
Causa e efeito Fl
Fluxograma
Folha de
verificação Gráfico de
di
dispersão
ã
Histograma
Cartas de
Gráfico
G áfi ded Gráfico de controle
execução Pareto

Estratificação
• A estratificação
t tifi ã (d
(do llatim
ti stratum
t t =
camada) é provavelmente a ferramenta
mais
i bá
básica
i e essencial i l na solução
l ã dde
qualquer problema
• Consiste simplesmente em classificar os

dados em categorias, de forma a permitir
que sejam detectados padrões e relações
entre estes dados.

Quando usar?
• Esta
E t ferramenta
f t deve
d ser usada
d
– no planejamento da coleta dos dados
– quandod os ddados
d são ã coletados
l t d d de ffontes
t
diferentes ou sob condições distintas
(operadores turnos
(operadores, turnos, dias da semana
semana,
fornecedores, etc.)
– quando a análise requer a separação dos

dados em categorias

Como fazer?
• E
Examine
i os d dados
d eddetermine
t i as
categorias lógicas para classificá-los, de
f
forma a permitir
iti uma análise
áli adequada
d d
• É conveniente fazer isto antes do início da

coleta, de modo que as categorias sejam
utilizadas já no processo de obtenção dos
dados

Exemplo
• Um fabricante ppossui milhões de aparelhos
p de TV
no período de garantia e recebe todos os meses
milhares de relatórios de reparo enviados pelas
autorizadas.
t i d
• P
Para analisar
li estes
t d dados,
d o ffabricante
bi t
provavelmente faria uma estratificação por
– modelo (14”
(14 , 20
20”, 29
29”))
– tipo de defeito (não liga, não tem som, etc)
– peça
p ç trocada ((fonte, pplaca de vídeo, etc))
– oficina autorizada
– etc., etc...

Folha de verificação
• A folha de verificação (“check sheet”) é

simplesmente
i l t um fformulário
lá i preparado
d
para facilitar a coleta e análise de dados

Quando usar?
• Esta
E t ferramenta
f t deve
d ser usada
d quando
d
– os dados são coletados repetidamente pela

mesma pessoa ou no mesmo local
– o objetivo da coleta dos dados é determinar a

freqüência de ocorrência de um evento
– os dados provém de um linha de produção

Como fazer?
• Defina o evento a ser observado e os dados
que serão coletados
• Crie
C i um formulário
f lá i onde
d constem
t ttodos
d os
valores possíveis dos dados
• Desenhe o formulário de modo que seja
possível registrar os dados apenas
marcando um x ou √ (ou marca similar)
• Reduza ao mínimo a necessidade de
escrever nos campos do fomulário

Exemplo
• Na inspeção cosmética de uma peça
plástica, os defeitos mais comuns são:
peça quebrada, riscada, empenada, com
rebarbas, manchada e cor diferente do
padrão.
g
• O slide seguinte mostra uma folha de
verificação que poderia ser utilizada na
inspeção
p ç durante uma semana.

Exemplo
Defeito Seg Ter Qua Qui Sex TOT
Quebrada || ||| | || | 9
Riscada ||||| || | || 10
Empenada ||| |||| ||| || |||| 16
Com rebarbas ||||| || ||||| | ||||| || ||||| || 27
Manchada || ||| || | ||| 11
Cor diferente | | || 4
Outros | 1
TOTAL 20 18 14 12 14 78
Lotes verificados 2 2 2 1 2 9

Histograma
• U
Um hi
histograma
t é um gráfico
áfi d de b
barras que mostra
t
as características principais de um conjunto de
dados numéricos,
numéricos sintetizando a informação
contida nestes dados.

Como fazer?
• C
Coloque
l os n dados
d d em ordem d crescente
t
• Calcule o intervalo de variação dos dados r (maior
valor – menor valor)
• Estime o número de classes k (cada classe
corresponde a uma barra); em geral
geral, calcula-se
calcula se
k'= n
• O valor de k deve ser o número inteiro
imediatamente superior a k’, entre 5 e 15
• Defina o intervalo de classe ∆ = r/k, fazendo o
arredondamento conveniente

Como fazer?
• D
Defina
fi os lilimites
it d de classe,
l d
de modo
d que ttodos
d os
valores se enquadrem em uma só classe
• Defina uma regra de inclusão: se houver um valor
exatamente no limite de duas classes, ele sempre
vai p
para a classe inferior ou sempre
p vai p
para a
classe superior
• Conte os valores em cada uma das classes e
construa o histograma

EXEMPLO
DADOS DADOS
ORIGINAIS ORDENADOS
7,74 10,23 12,17 4,19 9,87 11,37
n = 30
11,69 11,20 9,14 5,47 9,98 11,49 r = 14 , 21 − 4 ,19 = 10 ,02
kk´ = n = 30 = 5 ,3 ⇒ k = 6
11,49 14,21 11,66 7,73 10,15 11,66
r 10 ,02
9,04 12,95 9,87 7,74 10,23 11,69
8,74 4,19 10,15 8,36 10,42 11,75 ∆ = = = 1 ,67

k 6
11,12 12,44 9,98 8,50 10,47 12,05
7,73 11,75 10,47 8,74 10,88 12,17
8 36
8,36 5 47
5,47 11 15
11,15 9 04
9,04 11 12
11,12 12 44
12,44
11,37 10,88 12,05 9,14 11,15 12,95
10 42
10,42 8 50
8,50 9 40
9,40 9 40
9,40 11 20
11,20 14 21
14,21

Algumas definições
definições...
• Al
Algumas d
definições
fi i õ são
ã iimportantes
t t neste
t
momento
– frequência absoluta: número de ocorrências em cada
classe
– frequência relativa: número de ocorrências em cada
classe,
l di
dividido
idid pelo
l número
ú ttotal
t ldde ocorrências;
ê i
geralmente expressa em %
– frequência
q acumulada: número de ocorrências em uma
classe e em todas as classes abaixo dela
– frequência relativa acumulada: número de ocorrências em
uma classe e em todas as classes abaixo deladela, dividido
pelo número total de ocorrências; geralmente expressa
em %

Exemplo
∆=1 70; Valor inicial = 4
∆=1,70; 4,10
10 ∆=2 00; Valor inicial = 4
∆=2,00; 4,00
00

Exemplo
∆=1,70; 4,10
∆=2,00; 4,00
00

Exemplo
∆=1,70; 4,10
∆=2,00; 4,00
00

Exemplo
∆=1,70; 4,10
∆=2,00; 4,00
00

Gráfico de execução
• O gráfico
áfi d de execução
ã mostra
t
dados em uma seqüência temporal
• O fundamento teórico e a
aplicação desta ferramenta são
melhor
lh il t d
ilustrados através
t é d de um
exemplo

Exemplo
Descrição do processo
• Cada caixa contem 1000

esferas de aço utilizadas na
fabricação de rolamentos
• Cada
C d esfera
f pesa 10
10,00±0,10
00 0 10 g
• A cada 3 minutos uma esfera é
retirada de uma
ma cai
caixaa e pesada
• O peso é plotado em um gráfico
• Vamos
V ver os resultados...
lt d

Alguns gráficos
gráficos...
Gráfico de Execução ‐
ç Hora 1
10,150
10,100
10,050
10,000
Peso
9,950
9,900
9,850
0 2 4 6 8 10 12 14 16 18 20

Alguns gráficos
gráficos...
G á co de ecução Hora 5
o a5
10,150
10,100
10,050
10,000
Peso
9,950
9,900
9,850
0 2 4 6 8 10 12 14 16 18 20

Alguns gráficos
gráficos...
oa
10,150
10,100
10,050
10,000
Peso
9,950
9,900
9,850
0 2 4 6 8 10 12 14 16 18 20

Alguns gráficos
gráficos...
oa 9
10,150
10,100
10,050
10,000
Peso
9,950
9,900
9,850
0 2 4 6 8 10 12 14 16 18 20

Variabilidade
• Essencialmente
Essencialmente, o resultado de qualquer processo tem
uma certa variabilidade; é isto que o gráfico mostra
• Os gráficos indicam o que é de se esperar: o peso das

esferas varia de uma amostra ppara outra, sem um p
padrão
definido
• Ou seja, parece que a variação observada é devida

puramente ao acaso
Nota: Um termo mais técnico seria variação aleatória (do latim allea = dados de jogar)

Causas comuns
• Q
Quando
d um processo estátá se comportando
t d assim,
i
dizemos que há apenas causas comuns de variação,
no sentido de que estamos observando a variabilidade
inerente ao processo
• Isto significa que o processo está estável (o que não

significa
g q
que esteja
j satisfatório...))

Mais uma dúvida
dúvida...
Mas um processo
estável não é
satisfatório? • Um processo estável é
pré condição para iniciar
pré-condição
a melhoria
• Mas um processo pode

estabilizar-se num nível
i
inaceitável
itá l

Continuando a resposta...
resposta
Como assim? • Neste exemplo
exemplo, a spec pede
10,00±0,10 g e o resultado está OK
• E se a spec fosse 10,00±0,05 g?
• O processo continuaria estável mas

teria um nível muito alto de rejeitos
(~50%)
• M
Mas vamos continuar
ti com o processo e ver
mais alguns resultados...

Mais alguns gráficos
gráficos...
ç Hora 4
10,150
10,100
,
10,050
10,000
Peso
9,950
9,900
9,850
0 2 4 6 8 10 12 14 16 18 20

gráficos...
ç Hora 5
10,150
10,100
10,050
10,000
Peso
9,950
9,900
,
9,850
0 2 4 6 8 10 12 14 16 18 20

gráficos...
ç Hora 6
10,150
10,100
,
10,050
10,000
Peso
9,950
9,900
9,850
0 2 4 6 8 10 12 14 16 18 20

gráficos...
ç Hora 7
10,150
10,100
10,050
10,000
Peso
9,950
9,900
,
9,850
0 2 4 6 8 10 12 14 16 18 20

E agora?...
• Você acharia normal os casos
representados nos quatro
últimos gráficos???
• É claro que NÃO, pois nestes
gráficos vê
vê-se
se um padrão na
seqüência dos pontos
• Portanto,, a variação
ç observada
não se deve puramente ao
acaso;existe algo influenciando
o resultado

Causas especiais
• Q
Quando d o resultado
lt d d
das observações
b õ evidencia
id i uma
variação não aleatória, dizemos que há uma ou mais
causas especiais ou assinaláveis (não são inerentes)
influindo no processo
• Neste caso, é necessário descobrir qual a causa ou

causas especiais
p e corrigir
g op problema1 p
para q
que o
processo volte a ser estável..
Nota 1: Teoricamente, a causa especial pode estar melhorando o resultado e deve ser investigada para que se
reforce o efeito
efeito.

Mais um gráfico... e uma dúvida
Gráfico de Execução ‐ Hora 8
Variação aleatória? 10,150
Causas comuns ou
especiais?
10,100
10,050
10,000
Peso
9,950
9,900
9,850
0 2 4 6 8 10 12 14 16 18 20
Os casos mostrados eram extremos e não há dúvida quanto a

existência de um padrão nos dados. Mas como decidir no caso
geral?

Como fazer?
• A análise
áli dde um gráfico
áfi d de execução
ã
é feita tomando como referência a
mediana
• A mediana de um conjunto de n
números ordenados é o valor que
ocupa a posição
i ã
n +1
2
Exemplos de mediana
a)) C
Conjunto
j t {1,
{1 3,
3 4,
4 5,
5 6,
6 8,
8 19}
São n = 7 valores
posição da mediana = (n+1)/2 = 4
mediana = 5 (que é o número na quarta posição)
b) Conjunto {3, 8, 8, 11, 12, 15, 20, 22}

São n=8 valores
posição
i ã dad mediana
di = (n+1)/2
( +1)/2 = 4,5
45
mediana = 11,5 (média entre o quarto e o quinto
valores)

Determinando a mediana
• Pode-se determinar a mediana de um gráfico com
n pontos desta forma:
– coloque uma folha de papel sobre o gráfico, e mova-a de

cima para baixo,descobrindo os pontos
– se n for par, mova a folha até descobrir n/2 pontos;

anote o último valor que se tornou visível; mova a folha
até descobrir o próximo ponto; anote este valor; a
mediana é a média destes dois valores
– se n for ímpar, mova a folha até descobrir (n+1)/2

pontos; a médiana é o último valor descoberto

Determinando a mediana
ç Hora 8
10,150
10,100
10,050
10,000 Peso
Mediana
9,950
9,900
,
9,850
0 2 4 6 8 10 12 14 16 18 20

Um último conceito...
conceito
• C
Corrida
id (“run”)
(“ ”) é uma seqüência
üê i d de
pontos ordenados no tempo
• Comprimento da corrida (“run length”)
é o número de pontos que formam
uma seqüência
• Quantidade de corridas (“run count”) é
aqquantidade de seqüências
q de um
dado tipo que podem ser identificadas

... e,
e finalmente
Chegamos ao ponto onde

podemos
d entender
t d exatamente
t t
como funciona um...
GRÁFICO DE EXECUÇÃO!!!

Como fazer a análise
• A análise
áli ddo gráfico
áfi é ffeita
it com b
base
no comprimento e/ou quantidade de
corridas
• São geralmente analisadas corridas

acima
i e abaixo
b i d da mediana,
di corridas
id
crescentes e corridas decrescentes

Como fazer a análise
• Há ttabelas
b l que iindicam
di o que esperar
quando a variação observada é
devida ao acaso
• Se a análise concluir que a variação

observada
b d nãoã é aleatória,
l tó i há um
grande possibilidade (95% ou mais)
de que exista uma causa especial
atuando sobre o processo
p
Tabelas
Corridas acima/abaixo da mediana
Quantidade Comprimento
Pontos Min Max Pontos Min Max Pontos Max
10 3 8 32 11 22 10 5
12 3 10 34 12 23 15 6
14 4 11 36 13 24 20 7
16 5 12 38 14 25 30 8
18 6 13 40 15 26 40 9
20 6 15 42 16 27 50 10
22 7 16 44 17 28 Corridas ↑↓
24 8 17 46 17 30 Comprimento
26 9 18 48 18 3q Pontos Max
28 10 19 50 19 32 5-8 4
30 11 20 9-20 5
21-100 6
≥100 7

Corridas em relação à mediana
ç Hora 8
10,150
10,100
10,050
10,000 Peso
Mediana
9,950
9,900
,
9,850
0 2 4 6 8 10 12 14 16 18 20

Analisando o gráfico
• Com
C relação
l ã à mediana,
di observa-se:
b
– uma corrida acima da mediana, com
comprimento 10;
– uma corrida abaixo da mediana, também
com comprimento 10;
• Portanto, há apenas duas corridas em

relação
l ã à mediana
di

Tabelas
Corridas acima/abaixo da mediana
Quantidade Comprimento
Pontos Min Max Pontos Min Max Pontos Max
10 3 8 32 11 22 10 5
12 3 10 34 12 23 15 6
14 4 11 36 13 24 20 7
16 5 12 38 14 25 30 8
18 6 13 40 15 26 40 9
20 6 15 42 16 27 50 10
22 7 16 44 17 28 Corridas ↑↓
24 8 17 46 17 30 Comprimento
26 9 18 48 18 3q Pontos Max
28 10 19 50 19 32 5-8 4
30 11 20 9-20 5
21-100 6
≥100 7

Análise
• Para 20 pontos, as tabelas trazem que:

– a quantidade mínima esperada de corridas em
relação à mediana é 6
– comprimento máximo esperado é 7
• Neste gráfico,
gráfico com 20 pontos
– há apenas duas corridas em relação à mediana
– as duas corridas tem comprimento 10

Conclusão
• Assim
Assim, este gráfico indica que é muito
provável que exista uma causa especial
atuando sobre o processo
• B
Baseado
d no conhecimento
h i t ddo processo, o
pessoal envolvido vai determinar a causa
d problema
do bl

Nova análise
10,150
Corridas acima e abaixo da mediana

10,100
10,050
10,000 Peso
Mediana
9,950
9,900
9,850
0 2 4 6 8 10 12 14 16 18 20

Nova análise
10,150
Corridas crescentes e decrescentes

10,100
10,050
10,000 Peso
Mediana
9,950
9,900
9,850
0 2 4 6 8 10 12 14 16 18 20

Análise e conclusão
• Corridas em relação a mediana
– acima = 6; abaixo = 7; Total = 13;
tabela min = 6, max 15 ⇒ OK
max=15
– maior comprimento = 4;
tabela max = 7 ⇒ OK
• Corridas crescentes e decrescentes
– maior comprimento = 3;
tabela max = 5 ⇒ OK
• Conclusão: a variação observada pode
ser atribuída ao acaso

Dicas para análise
Sintoma Causas especiais relacionadas
em geral a
Corridas longas acima ou abaixo da Mudança abrupta no nível de
mediana desempenho do processo (novos
equipamentos materiais,
equipamentos, materiais
procedimentos, etc)
Corridas longas crescentes ou Mudanças graduais no nível de
decrescentes desempenho do processo (desgaste de
ferramentas, desajuste de
equipamentos, degradação de materiais
e insumos, etc)
Número muito pequeno de corridas Associado aos dois sintomas
anteriores; pode indicar também mistura
de ítens, que ocorre segundo um
padrão (troca de turnos, parada
periódica de equipamentos
equipamentos, etc)
Número muito grande de corridas Mistura de itens (produção vinda de
máquinas ou linhas significativamente
distintas, etc)

Diagrama de causa e efeito
• T
Também
bé conhecido
h id como didiagrama
de Ishikawa, ou espinha de peixe
• Serve para listar todas as causas

causas,
reais ou potenciais, que podem estar
i fl i d no resultado
influindo lt d dde um processo

Como fazer?
• O diagrama
di d Causa
de C e efeito
f it é,
é
geralmente, resultado de uma reunião
onde pessoas de diversas áreas
envolvidas em um processo tentam
levantar todas as possíveis causas de
um problema
• O primeiro passo é definir exatamente
qual é o problema

Como fazer?
• T
Trace uma linha
li h h
horizontal
i t l e escreva
na extremidade a descrição do
problema
• Trace os ramos principais
principais, utilizados
para agrupar as possíveis causas
• Em geral, os ramos são Materiais,
Mão de obra,, Máquinas,
q , Método e
Ambiente – mas isto não é mandatório

Como fazer?
• Material, refere
Material refere-se
se a partes
partes, peças
peças, matéria
matéria-prima
prima e
insumos
• Mão-de-obra. refere-se a capacitação, treinamento,
habilidades, carga de trabalho, etc., do pessoal que
executa o processo
• Método refere
Método, refere-se
se aos processos
processos, procedimentos
procedimentos,
rotinas e instruções de trabalho
• Máquinas, refere-se a equipamentos, ferramentas e
i t l õ usadas
instalações d
• Ambiente, refere-se às condições do local onde é
executado o p processo,, tais como,, iluminação,
ç ,
temperatura, humidade, nível de ruído, limpeza,
cuidados com ESD, etc;

Como fazer?
• A seguir,
i o grupo ffaz um “b
“brainstorm”,
i t ”
listando e colocando no gráfico todas
as causas potenciais do problema
• O gráfico vai se abrindo em ramos
e sub-ramos até ser considerado
completo
l t
• Naturalmente,, cada área deve
investigar as causas pertinentes

Exemplo

Gráfico de dispersão
• U
Um gráfico
áfi dde di
dispersão
ã (“
(“scatter
tt plot”)
l t”)
mostra como uma variável é afetada por
outra
t
• Uma das grandezas é denominada variável

independente e é geralmente mostrada no
eixo horizontal (x)
• A outra é denominada variável dependente e

éggeralmente mostrada no eixo vertical (y)
Gráfico de dispersão
• O formato
f t do
d gráfico
áfi é uma indicação
i di ã ddo
tipo de relacionamento que existe entre as
variáveis
iá i
• Isto serve como ponto de partida para

investigar uma possível relação de causa e
efeito entre as variáveis.

Interpretação dos gráficos
Relação linear
• Provavelmente,, a primeira
p
pergunta a ser respondida
é se parece haver uma
relação
l ã lilinear entre
t xey
• No gráfico ao lado
lado, vê
vê-se
se
claramente que existe uma
relação linear entre x e y

Relação não
não-linear
linear
• Neste gráfico percebe-se

de modo claro que a
relação entre as variáveis
é não
não-linear
linear

Reta de regressão
• Quando existe uma relação linear entre x e
y, é possível determinar a reta que melhor
se ajusta aos dados
• É a reta
eta de regressão,
eg essão, que pe
permite
e es
estimar
a
valores para y e fazer predições sobre o
comportamento
p do p
processo
• É muito trabalhoso determinar a reta de

regressão manualmente, porém o Excel
oferece esta facilidade em seus gráficos
Exemplo de reta de regressão

Correlação
• O coeficiente
fi i t ded correlação
l ã mede d
a força do relacionamento entre
duas variáveis
• É um número que varia de +1

(
(correlação
l ã positiva
iti perfeita)
f it ) a -1
1
(correlação negativa perfeita)

Forte correlação positiva
• Correlação positiva indica
que, se x aumenta, y
aumenta
• Valores próximos de +1
indicam que os pontos
estão concentrados sobre
uma reta com inclinação
positiva

Forte correlação negativa
• Correlação negativa indica
que, se x aumenta, y
diminui
• Valores próximos de -1
indicam que os pontos
estão concentrados sobre
uma reta com inclinação
negativa

Quanto menor a correlação (em valor absoluto), mais dispersos
estarão os pontos em relação a uma reta
reta, ou seja
seja, mais fraco o
relacionamento entre as variáveis x e y.
Correlação
ç p positiva moderada Correlação negativa moderada

Sem correlação
• Correlação próxima de
zero indica não haver
relacionamento entre x e y
• O cálculo do coeficiente de
correlação é bastante
trabalhoso, mas o EXCEL
tem a função CORREL
que retorna este valor

Correlação e causalidade
• A correlação
l ã iindica
di se d duas
variáveis x e y estão relacionadas
e quão forte é este relacionamento
• A correlação não indica se há

qualquer
l relação
l ã d de causa e efeito
f it
entre x e y

Esclarecendo isto
isto...
Não entendi!!!
Vc disse que há • A existência
i tê i dde uma
uma relação.
relação entre x e y não
quer dizer que x cause y
• Vamos ver um exemplo

no slide
lid seguinte
i t

Exemplo
Ano Produção Vendas de
de ovos publicações
(2003=100) (2003 = 100)
1998 85,25 49,78
1999 86,26 56,13
2000 90,87 61,70
2001 93,88 67,95
2002 96,32 73,76
2003 100 00
100,00 100 00
100,00
2004 105,06 82,85
2005 110 31
110,31 95 00
95,00
2006 115,44 101,70
Correlação = 0
0,914
914
Conclusão?!
• Consumir ovos estimula o hábito da leitura?!
• Ler causa a vontade de comer ovos?!
• Galinhas se sentem estimuladas a botar ovos

quando veêm pessoas lendo??!!

Explicação
• N
Nenhuma
h d
das conclusões
l õ é verdadeira,
d d i pois i não
ã
existe relação de causa e efeito entre as variáveis
• A explicação é que há outras variáveis, estas sim

atuando como causas,, que
q afetam tanto a
produção de ovos como o consumo de jornais
• Por exemplo: níveis de emprego e renda,

aumento da população, etc.

Conclusão final
• E
Em resumo, o gráfico
áfi dde di
dispersão
ã iindica
di o titipo
de relacionamento matemático entre x e y, mas
somente o conhecimento técnico sobre o assunto
estudado permite dizer se há, de fato, interação
entre as variáveis

Gráfico de Pareto
• É um gráfico de barras que mostra a
frequência (ou custo, ou tempo, etc) de
diversos eventos
eventos, com valores decrescentes
da esquerda para a direita, ou seja, do mais
significativo para o menos significativo
Usualmente, 20% das
causas respondem por
80% dos problemas
(poucos vitais x muitos
(p
triviais)

Quando usar?
• Esta ferramenta deve ser usada quando
– se deseja fazer uma análise de dados sobre a
frequência de diversos tipos de defeitos ou
fatores que atuam sobre um processo
– há diversos tipos
p de defeitos e se ppretende
concentrar os esforços nos mais importantes
– quando se deseja analisar uma situação
complexa focando seus componeentes mais
importantes

Como fazer?
• Defina a estratificação do fator em análise
análise,
agrupando os dados segundo as categorias
definidas
• Determine a frequência (ou custo, tempo,
etc) de cada categoria e ordene
ordene-asas
segundo este valor, do maior para o menor
• Construa
C t o di
diagrama d de b
barras ddas
categorias ordenadas; geralmente, mostrar
as frequências
f ê i relativas
l ti e relativa
l ti
acumulada é o mais indicado

Exemplo
• A tabela apresentada no próximo slide
mostra o resultado de uma pesquisa de
satisfação de clientes
clientes, onde estes
apontaram os problemas que mais os
incomodavam
• A primeira coluna contém a descrição do

problema, a segunda informa quantas vezes
foi mencionado e a terceira e quarta colunas
mostram as frequências relativa e relativa
acumulada
Motivos das reclamações
MOTIVO DA INSATISFAÇÃO fabs frel facum
Status dos pedidos desatualizado 85 36,32% 36,32%
Informação incorretas 60 25,64% 61,97%
Prazo de entregas 22 9 40%

9,40% 71 37%
71,37%
Qualidade 16 6,84% 78,21%
Erros de faturamento 13 5,56% 83,76%
Sem estoque de produtos 10 4,27% 88,03%
Falta pró-atividade 8 3,42% 91,45%
D
Desatenção
t ã ao cliente
li t 5 2 14%
2,14% 93 59%
93,59%
Má comunicação interna 4 1,71% 95,30%
Espera ao telefone 4 1,71% 97,01%
Indefinido 4 1,71% 98,72%
Desrespeito ao contrato 3 1,28% 100,00%
TOTAL 234 100% 100%



Conclusão
• Vê
Vê-se que cinco
i d
das d
doze causas
mencionadas respondem por mais de
80%d iinsatisfação
80%de ti f ã ddos clientes
li t
• Logo, é conveniente priorizar a solução

destes pproblemas,, pois
p isto trará maior
retorno em termos de satisfação dos
clientes

Fluxograma
• É um diagrama
di que mostra
t a
seqüência de atividades de um
processo
• O nível de detalhe de um fluxograma

d
depende
d ttotalmente
t l t da
d fifinalidade
lid d para
a qual ele se destina

Alguns símbolos
Processo pré-definido
Processo Decisão Dados
Terminação Entrada manual Processo manual

Conector

Quando usar?
• E
Esta
t ferramenta
f t deve
d ser usada
d
sempre quando:
– está sendo feito o planejamento da

implementação de um novo processo
– está sendo feita a análise de um

processo já implantado

Como fazer?
• A
Acompanhe h o processo atété o nível
í ld de
detalhe aplicável à situação
• Elabore um fluxograma preliminar;
rever com as pessoas que estão
executando o processo e corrigir
• Refine o fluxograma, acompanhando
novamente o p processo e checando
contra o documento

Exemplo
• C
Como exemplo,
l ffaremos o flfluxograma
do processo de solução de uma
equação de segundo grau, cf. abaixo
ax 2 + bx + c = 0 ( a ≠ 0)
∆ = b 2 − 4ac
−b− ∆
x1 =
2a
−b− ∆
x2 =
2a
∆ > 0 ⇒ raízes reais e distintas
∆ = 0 ⇒ raízes reais e iguais
∆ < 0 ⇒ não existem raízes reais
Fluxograma 1
• E
Este
t fluxograma
fl representa
t Início
o processo de solução da
equação como uma sub sub-
rotina que seria, digamos,
apenas um elemento na Resolver
solução de um problema ax2+bx+c=0
muito mais complexo
Fim

Fluxograma 2
Início
• Este fluxograma também Entrar com

representa o processo de a, b,
b c
solução da equação como uma

sub-rotina
sub rotina, mas mostra os
Resolver
passos de entrada e saída de ax2+bx+c=0
dados de forma separada para

digamos, enfatizar que a ≠ 0 e
como as raízes x1 e x2 dependem Mostrar
do valor de ∆.
∆ raízes
x1 e x2
Fim

Fluxograma 3 pg.1
Início
Entrar com
a, b e c
Mensagem de
erro
Entrada
No a, b, c são
números?
Yes
Yes No Calcular del

a=0
=b**2 - 4ac
2A 2B

Fluxograma 3 pg
pg.2
2
2A 2B
Yes
x1=-b/2a
x2=-b/2a
del=0? Cálculo
x1=-c/b No
x2 não existe
x1=(-b-sqrt(del))/2a- No Yes x1 não existe

del<0
x2=(-b+sqrt(del))/2a- x2 não existe
Mostrar
raízes
x1 e x2
Saída
Fim

Medidas de tendência central
• A média
édi é a mais
i comum d
das medidas
did d de
tendência central
• Dado um conjunto de n números {x1, x2,

x3,..., xn} a média é
n
∑x i
x1 + x2 + x3 + ... + xn
x= i =1
=
n n
lê-se x-barra
E agora?
Até aquii muito
it
Por quê?
fácil? E agora? • A
Agora vamos ver como
estimar a dispersão dos
valores em torno da
média
• E
Este
t número
ú vaii nos d
dar
uma idéia da variabilidade
do processo

Medidas de dispersão
• U
Uma d das medidas
did dde di
dispersão
ã éa
amplitude do intervalo, representada em
gerall pela
l lletra
t R (d
(do iinglês,
lê ““range”)
”)
• Dado um conjunto de n números {x1, x2,

x3,..., xn} a amplitude do intervalo é
R = máx{x1 , x2 , x3 ,..., xn } − mín{x1 , x2 , x3 ,..., xn }

• Outra medida de dispersão é a variância
variância,
representada em geral por σ2 (σ = letra
grega sigma)
• Dada uma amostra {x1, x2, x3,..., xn} de

tamanho n, a variância é
n
∑ i
( x − x ) 2
( x1 − x ) 2 + ( x2 − x ) 2 + ... + ( xn − x ) 2
σ2 = i =1
=
n −1 n −1
lê
lê-se sigma-quadrado
i d d
• Mas a medida de dispersão mais usada é
o desvio padrão, representado em geral
por σ
• Naturalmente
Naturalmente, o desvio padrão é a raiz
quadrada variância
n
∑ i
( x − x ) 2
( x1 − x ) 2 + ( x2 − x ) 2 + ... + ( xn − x ) 2
σ= i =1
=
n −1 n −1
lê
lê-se sigma
i
Observação importante
• Quando o conjunto de n números é toda
a população (não uma amostra), a
variância e o desvio padrão são
calculados usando n no denominador
• Na prática, sempre usamos n-1, pois

estaremos trabalhando com amostras de
um processo de produção

Cartas de controle
• A
As cartas
t ded controle
t l mostram
t
dados em uma seqüência temporal
(como os gráficos de execução)
• Porém as cartas de controle são

muito
it mais
i eficientes
fi i t para detectar
d t t
mudanças no processo.

Quando usar?
• A
As cartas
t ded controle
t l sãoã uma
ferramenta de grande aplicação e
podem ser usadas para controlar
os mais diversos tipos de processo
• N
No slide
lid seguinte
i t há um resumo
dos tipos de cartas mais utilizados
na prática

Cartas de controle usuais
Variáveis Atributos
p (fração não-conforme)
x barra / R
x-barra
np (número de não-
conformidades)
c (defeitos)
x-barra / S-barra
u (defeitos
(d f it por unidade)
id d )

Cartas de controle para variáveis
• São usadas ppara controlar p
processos
através do monitoramento de uma
grandeza contínua,, por
g p exemplo:
p
– peso
– comprimento
– volume
– temperatura
– densidade
– pressão, etc., etc.
pressão etc

Cartas de controle para atributos
• São usadas ppara controlar p
processos
através do monitoramento de atributos,
por exemplo:
p p
– índice de defeitos
– defeitos por unidade (m2, peça, hora)
– quantidade de defeitos

Como fazer?
• A construção
t ã de d cartas
t de
d controle
t l se
baseia em alguns conceitos de inferência
E t tí ti
Estatística, que fogem
f ao escopo do
d
treinamento
• Assim, vamos apresentar o fundamento

lógico das cartas de controle através de
um exemplo bastante intuitivo

Exemplo
Descrição do processo
• Cada caixa contem 10000
esferas maciças de aço, muito
b
bem misturadas
i t d
• 7500 esferas são brancas e
2500 são pretas
• A cada 3 minutos, 50 esferas
são retiradas de uma caixa e
examinadas
• A quantidade de esferas pretas
na amostra é plotada em um
gráfico

Usando a lógica...
• É de se esperar que, em média, 25% das esferas de
cada amostra sejam pretas (na carta, a média aparece
como LC= linha central) OK, de acordo
• Com uma amostra de tamanho n=50, isto quer dizer 12

ou 13 esferas pretas OK, de acordo
• Não
Nã esperamos que saiam i sempre 12 ou 13 esferas
f
pretas OK, de acordo
• Mas também seria muito estranho se saíssem

saíssem, por
exemplo, 50 esferas pretas (é muito!!!) ou 0 esferas
pretas (é muito pouco!!!) OK,
K, de acordo
c

Quanto é muito? ou pouco?
OK,50
OK 50 é
muito... Mas e • E
Esta
t é a questão
tã que a
40? e 35?
carta responde!
• Através de considerações
estatísticas podemos
calcular os limites entre o
que é normall ((esperado,
d
razoável, atribuível ao
acaso) e o que não é.

Simulando o processo
• Vamos ver os resultados...
• Já se percebe que raramente

são encontradas mais de 20 ou
menos de 5 esferas pretas na
amostra OK, de acordo
• Um cálculo exato, mostra que o

LSC ((limite superior
p de controle))
é 21,69 e o LIC (limite inferior
de controle) é 3,31

Carta de controle np
Carta de Controle np ‐ Hora 1
25
20
15
np
LC
LIC
10 LSC
0
0 2 4 6 8 10 12 14 16 18 20

Resumindo...
Resumindo
• Uma
U carta
t de
d controle
t l ttem
– uma linha central ((LC),
) qque representa
p o
valor médio daquilo que está sendo
monitorado ((variável contínua ou atributo))
– um limite superior de controle (LSC)
– um limite inferior de controle (LIC)

Resumindo...
Resumindo
• Periodicamente, é feita uma amostragem do
processo e o valor médio da variável /
atributo para a amostra é plotado na carta
de controle
• Enquanto os pontos estiverem dentro dos

limites de controle,
controle considera-se que o
processo está OK

Resumindo...
Resumindo
• Este processo é dito “emem controle
estatístico” e constitui um “sistema estável
de causas aleatórias
aleatórias”
• Se um ponto estiver fora dos limites

limites, tem-se
um alarme, indicando a possível influência
de uma causa assinalável que deve ser
investigada

Resumindo...
Resumindo
• N
Na esmagadora
d maioria
i i ddos casos, os lilimites
it
estão distantes 3σ (três sigma, ou três desvios
padrão) da média
• Estes limites asseguram

g q
que,, se o p
processo
estiver em controle estatístico, 99,73% das
médias amostrais estarão entre os limites
• Com o processo em controle, há 0,27% de

chances
h d
de ocorrer um alarme
l ffalso
l = 1 alarme
l
falso a cada 370 amostras

Simulando o processo
• Vamos imaginar que a máquina
que enche as caixas teve um
problema e passou a colocar
3000 esferas
f pretas
t para cadad
7000 brancas
• Agora, em média, espera-se 15

esferas p
pretas p
por amostra de
50 esferas OK, de acordo
• Vamos ver os resultados...

Sinal de alarme
Carta de Controle np ‐ Hora 2
25
20
15
np
LC
LIC
10 LSC
0
0 2 4 6 8 10 12 14 16 18 20

Definição dos padrões
• E
Em gerall não
ã se conhecem
h nem a média
édi nem o
desvio padrão do processo (padrões não
estabelecidos) e estes devem ser estimados
através de monitoramento do processo
• Neste caso, é usual fazer ao menos 25 amostras

e estimar a média e o desvio padrão do
processo como sendo a média das médias e dos
desvios padrão das amostras

Definição do LSC e do LIC
• P
Para definir
d fi i os lilimites
it d de controle,
t l aplicam-se
li as
fórmulas apropriadas, definidas nos slides
seguintes e faz-se
seguintes, faz se a plotagem dos pontos
• Se algum
g p
ponto estiver fora dos limites de
controle, a prática mais usual é eliminar aquele
ponto e recalcular a média e os limites de
controle.

Fórmulas para as cartas x − R
Coletar m amostras de tamanho n (m ≥ 25; 2 ≤ n ≤ 10)
x 1 + x 2 + ... + x m
x =
m
R 1 + R 2 + ... + R m
R =
m

Carta x
R
LSC = x + 3 = x + A2 R
d2 n
LC = x
R
LIC = x − 3 = x − A2 R
d2 n

C t
Carta R
R
LSC = R + 3d 3 = R D4
d2
LC = R
R
LIC = R − 3 d 3 = R D3
d2

Fórmulas para as cartas x − S
Coletar m amostras de tamanho n (m ≥ 25; n ≥ 2)
x 1 + x 2 + ... + x m
x =
m
n
∑ ( xi − x )2
S j = i =1
j = 1 , 2 ,..., m
n −1
m
∑
j =1
S j
S =
m
Carta x
S
LSC = x + 3 = x + A3 S
c4 n
LC = x
S
LIC = x − 3 = x − A3 S
c4 n

C
Carta S
S
= S + 3 1 − c4 = S B4
2
LSC
c4
LC = S
S
C = S −3 1 − c4 = S B3
2
LIC
c4

Tabela de parâmetros

Fórmulas para as cartas p
Coletar m amostras de tamanho n ((m ≥ 25;; n ≥ 2))
D i = número de defeitos na amostra
Di
pi = i = 1 , 2 ,..., m
n
m
p + p 2 + ... + p m ∑ Di
p = 1 = i =1
m nm
p (1 − p )
LSC = p + 3
n
LC = p
p (1 − p )
LIC = p − 3 ( se < 0 , usar 0 )
n
Fórmulas para as cartas np
Coletar m amostras de tamanho n ((m ≥ 25;; n ≥ 2))
D i = número de defeitos na amostra
Di
pi = i = 1 , 2 ,..., m
n
m
p + p 2 + ... + p m ∑ Di
p = 1 = i =1
m nm
LSC = np + 3 n p (1 − p )
LC = n p
LIC = n p − 3 n p (1 − p ) ( se < 0 , usar 0 )

Fórmulas para as cartas c
Coletar m amostras de tamanho igual
g a uma unidade
de inspeção (m ≥ 25)
D i = número de defeitos na unidade de inspeção

m
D 1 + D 2 + ... + D m ∑ Di
c = = i =1
m m
LSC = c + 3 c
LC = c
LIC = c − 3 c ( se < 0 , usar 0 )

Fórmulas para as cartas u
Coletar m amostras de tamanho igual
g a n unidades de
inspeção (m ≥ 25)
D i = número de defeitos nas n unidades de inspeção
Di
ui = i = 1 , 2 ,..., m
n
m
u + u 2 + ... + u m ∑ Di
u = 1 = i =1
m mn
u
LSC = u + 3
n
LC = u
u
LIC = u − 3 ( se < 0 , usar 0 )
n

Capacitação de Times de Melhoria - Parte 2

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Capacitação de Times de Melhoria - Parte 2

Enviado por

Direitos autorais:

Formatos disponíveis

CAPACITAÇÃO DE

*** Parte II ***

AZEVEDO CONSULTORIA E PROJETOS LTDA 1

AZEVEDO CONSULTORIA E PROJETOS LTDA 3

AZEVEDO CONSULTORIA E PROJETOS LTDA 4

• Fornecer informações que permitam

AZEVEDO CONSULTORIA E PROJETOS LTDA 5

Se sua única ferramenta é um martelo

AZEVEDO CONSULTORIA E PROJETOS LTDA 6

AZEVEDO CONSULTORIA E PROJETOS LTDA 7

AZEVEDO CONSULTORIA E PROJETOS LTDA 8

• Consiste simplesmente em classificar os

AZEVEDO CONSULTORIA E PROJETOS LTDA 9

– no planejamento da coleta dos dados

– quando a análise requer a separação dos

AZEVEDO CONSULTORIA E PROJETOS LTDA 10

• É conveniente fazer isto antes do início da

AZEVEDO CONSULTORIA E PROJETOS LTDA 11

AZEVEDO CONSULTORIA E PROJETOS LTDA 12

• A folha de verificação (“check sheet”) é

AZEVEDO CONSULTORIA E PROJETOS LTDA 13

– os dados são coletados repetidamente pela

– o objetivo da coleta dos dados é determinar a

– os dados provém de um linha de produção

AZEVEDO CONSULTORIA E PROJETOS LTDA 14

AZEVEDO CONSULTORIA E PROJETOS LTDA 15

AZEVEDO CONSULTORIA E PROJETOS LTDA 16

AZEVEDO CONSULTORIA E PROJETOS LTDA 17

AZEVEDO CONSULTORIA E PROJETOS LTDA 18

AZEVEDO CONSULTORIA E PROJETOS LTDA 19

AZEVEDO CONSULTORIA E PROJETOS LTDA 20

8,74 4,19 10,15 8,36 10,42 11,75 ∆ = = = 1 ,67

7,73 11,75 10,47 8,74 10,88 12,17

11,37 10,88 12,05 9,14 11,15 12,95

AZEVEDO CONSULTORIA E PROJETOS LTDA 21

AZEVEDO CONSULTORIA E PROJETOS LTDA 22

AZEVEDO CONSULTORIA E PROJETOS LTDA 23

AZEVEDO CONSULTORIA E PROJETOS LTDA 24

AZEVEDO CONSULTORIA E PROJETOS LTDA 25

AZEVEDO CONSULTORIA E PROJETOS LTDA 26

AZEVEDO CONSULTORIA E PROJETOS LTDA 27

• Cada caixa contem 1000

AZEVEDO CONSULTORIA E PROJETOS LTDA 28

AZEVEDO CONSULTORIA E PROJETOS LTDA 29

AZEVEDO CONSULTORIA E PROJETOS LTDA 30

AZEVEDO CONSULTORIA E PROJETOS LTDA 31

AZEVEDO CONSULTORIA E PROJETOS LTDA 32

• Os gráficos indicam o que é de se esperar: o peso das

• Ou seja, parece que a variação observada é devida

AZEVEDO CONSULTORIA E PROJETOS LTDA 33

• Isto significa que o processo está estável (o que não

AZEVEDO CONSULTORIA E PROJETOS LTDA 34

• Mas um processo pode

AZEVEDO CONSULTORIA E PROJETOS LTDA 35

• E se a spec fosse 10,00±0,05 g?

• O processo continuaria estável mas

AZEVEDO CONSULTORIA E PROJETOS LTDA 36

AZEVEDO CONSULTORIA E PROJETOS LTDA 37

AZEVEDO CONSULTORIA E PROJETOS LTDA 38

AZEVEDO CONSULTORIA E PROJETOS LTDA 39

AZEVEDO CONSULTORIA E PROJETOS LTDA 40

AZEVEDO CONSULTORIA E PROJETOS LTDA 41

• Neste caso, é necessário descobrir qual a causa ou

AZEVEDO CONSULTORIA E PROJETOS LTDA 42

* Parte II *