Seis Sigma Especialização 2016 2017 PDF

Seis Sigma Aplicado à Melhoria
da Qualidade e Produtividade
Especialização em Engenharia de
Produção
EESC - USP
<<Seis Sigma>> - Prof. <<Luiz Carpinetti>> - 1

Especialização em Engenharia de Produção – EESC - USP
Seis Sigma: o que e pra que?
- Satisfação
dos clientes
+
Erros,
Programa - Desperdícios e Resultado
de melhoria Ineficiências financeiro
+
Produtividade
-

Erros, desperdícios, ineficiências
 Tudo que gera insatisfação do cliente e

perda de produtividade
 Produto ou serviço fora do especificado!
 Produto ou serviço que não atende a expectativa!
 Perdas materiais e imateriais
 Exemplos:
 Indústria de manufatura?
 Banco? Aeroporto?
 Hospital?

Seis Sigma: treinamento, aplicação etc
<<Seis Sigma>>> - Prof. <<Luiz Carpinetti>> - 4

Seis Sigma: treinamento, aplicação etc

Seis Sigma para melhoria da qualidade
 Criado pela Motorola como um programa da

qualidade. Vencedor do Malcom Baldrige
Quality award (1987).
 Histórias de sucesso nos USA: GE,
AlliedSignal/Honeywell, 3M, Ford etc
 Histórias de sucesso no Brasil: Whirpool, 3M,
Itau Unibanco etc

Qual o fundamento da abordagem Seis

Sigma?
 Análise das causas raízes:
 Análise da situação atual para caracterização do
problema e identificação das possíveis causas.
 Ação para eliminação ou minimização das
causas raízes;
 Avaliação de resultados, revisão da ação ou
padronização

Método fundamental de análise da

causa raiz
 PDCA (ciclo de Shewhart ou ciclo de Deming):
 Método para eliminação ou minimização de um problema.
 Passos PDCA (Deming, 1990):
 P: Coleta de dados e análise para identificação de causas
raízes e proposição e plano de ação;
 D: Implementação da ação;
 C: Avaliação de resultados e
 A: Padronização ou revisão da ação.
A P
(Act) (Plan)
C D
(Check) (Do)

Abordagens similares: MASP - Método de Análise e

Solução de Problemas
FLUXO
PDCA Fase Objetivo
GRAMA
Definir claramente o problema e a
Identificação do
necessidade de melhoria
1 problema
(priorização)
Investigar as características
Observação
2 específicas do problema.
P
Descobrir as causas fundamentais
3 Análise
do problema (causas raízes)
Conceber um plano para bloquear

4 Plano de Ação
as causas fundamentais
D 5 Ação Bloquear as causas fundamentais
6 Verificação Verificar se o bloqueio foi efetivo
C
? (Bloqueio foi efetivo)
Prevenir contra o reaparecimento

7 Padronização
do problema
A
Documentar todo o processo para
8 Conclusão
recuperação futura

Método do Seis Sigma para melhoria
 DMAIC:
 Define;
 Mesure;
 Analyze; Define
 Improve; Measure
Control
A P
 Control (Act) (Plan) Analize
C D
(Check) (Do)
Improve

DMAIC do Seis Sigma

PDCA Fase Objetivo
Definir claramente o problema e a

Identificação do
necessidade de melhoria
problema
(priorização)
Define
Investigar as características Measure
Observação
específicas do problema.
P
Descobrir as causas fundamentais Analize
Análise
do problema (causas raízes)
Conceber um plano para bloquear

Plano de Ação
as causas fundamentais
D Ação Bloquear as causas fundamentais Improve
C Verificação Verificar se o bloqueio foi efetivo
Prevenir contra o reaparecimento

Padronização
do problema
A Control
Documentar todo o processo para
Conclusão
recuperação futura

Fundamento da abordagem Seis Sigma

– Além da análise das causas raízes
 Experimentação para melhoria: baseado no
aprendizado, solução emerge da experiência.
 Uso de técnicas estatísticas: quantificação,
análise e redução da chance de erro:
 Estatística descritiva;
 Análise de probabilidades;
 Inferência, testes de hipóteses;
 Planejamento e análise de experimentos

Seis Sigma Propõe
 Estrutura organizacional para liderança,

comprometimento e envolvimento:
 Champions, black belts, green belts etc.
 Método e técnicas;
 Treinamento intensivo.

Pré-requisitos para o Seis Sigma
 Programa de melhoria, depende:

 Liderança;
 Comprometimento e envolvimento;
 Capacitação.

Tipo de Problema e Objetivos de

Melhoria
 Objetivo pode ser:
 Quanto menor melhor:
 Reduzir tempo de set up, tempo de fila, tempo de
atraso, porcentagem de erro etc;
 Quanto maior melhor:
 Aumentar a vida útil do produto, desempenho, tempo
entre parada de máquina (manutenção), satisfação do
cliente etc
 Quanto menor a variação da meta melhor:
 Reduzir o desvio da medida nominal de um produto
(dimensão, peso etc) etc

Tipo de problema e técnicas de análise

e solução de problemas
Muito alto Reduzir/aumentar

Objetivo
Causa do Problema Muito baixo
Resultado médio
problema Reduzir/controlar
Muita dispersão Objetivo
dispersão
Análise das
causas

Tipo de problema e técnicas de análise

e solução de problemas
Muito alto Reduzir/aumentar

Objetivo
Causa do Problema Muito baixo
Resultado médio
problema Reduzir/controlar
Muita dispersão Objetivo
dispersão
Análise das Técnicas de

causas análise dependem
do tipo de
problema e
objetivo de
melhoria

Caso de estudo
 Apresentação do caso

Método e Técnicas
 DMAIC:
 Define;
 Measure;
 Analyse;
 Improve;
 Control.

Técnicas para “Measure”
 O objetivo é caracterizar o problema e o

contexto em que ele acontece.
 Técnicas:
 Indicadores: PPM, DPMO;
 Mapeamento de processo: ex. SIPOC;
 Amostragem, estratificação;
 Diagrama de Pareto;
 Gráfico de tendência/gráfico de controle;
 Histograma;
 Capabilidade Cpk;
Técnicas para “Analyse”
 O objetivo é entender o porque o problema

acontece.
 Técnicas:
 Brainstorming
 Espicha de peixe;
 Diagrama de relação;
 Diagrama de dispersão;
 Gráfico de tendência/controle;

Indicadores: PPM (peças defeituosas

por milhão de ocorrências)
 PPM: Uma peça defeituosa é uma “peça” ou
“resultado” inaceitável;
 Em serviços:
 O número de partidas com atraso de vôos em um
aeroporto;
 O número de chamadas perdidas em um
callcenter;
 O número de clientes considerados insatisfeitos
com o serviço em uma agência bancária;
 O número de bagagens extraviadas em um
aeroporto;
Indicadores: DPMO (Defeitos por

milhão de oportunidades)
 Em uma “peça” ou “resultado”, pode haver
mais de uma oportunidade de defeito;
 Exemplos:
 Oportunidades de defeitos na inspeção final da
montagem de uma geladeira;
 Oportunidade de defeitos na arrumação de um
quarto de hotel;
 Oportunidades de defeitos no acolhimento de um
paciente em um hospital;
 Oportunidades de defeitos no preenchimento de
um formulário.
PPM / DPMO – como calcular?
 Medimos 1 milhão de resultados? Não!

 Inferimos PPM/DPMO a partir das
estatísticas de amostras de resultados:

PPM– como calcular?
 PPM de atributos (atrasos de avião, malas

extraviadas)
 A partir de amostras de resultados,
calculamos a proporção de resultados
errados.
𝑛𝑜. 𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑒𝑟𝑟𝑎𝑑𝑜𝑠

𝑃𝑃𝑀 = x 1.000.000
𝑛𝑜. 𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑖𝑛𝑠𝑝𝑒𝑐𝑖𝑜𝑛𝑎𝑑𝑜𝑠

PPM– como calcular?
 PPM de medidas (ex: dimensão, peso etc.)

calculamos:
 Média 𝑥
 Desvio-padrão S;
 Calculo de probabilidade:
𝑃𝑃𝑀 = 𝑃 𝑥 ≤ 𝐿𝐼𝐸 + 𝑃 𝑥 ≥ 𝐿𝑆𝐸 ∗ 1.000.000

ou
𝑃𝑃𝑀 = 𝑃 𝑧 ≤ 𝐿𝐼𝐸 + 𝑃 𝑧 ≥ 𝐿𝑆𝐸 ∗ 1.000.000

PPM - Exemplo
LIE=11,88 LSE=12,23
  12,07
X  X
Z
Z LIE  2,04 Z  1,72 X
0 LSE

PPM - Exemplo
A tabela fornece
Z~N(0,1)
Pr[Zz] z=-2,04
(área sombreada)
A tabela fornece
Z~N(0,1)
Pr[Zz] z=-1,72
(área sombreada)
P(X ≤ 18,88) + P(x ≥ 12,23) = P(Z ≤ -2,04) + P(Z ≥ 1,72) = 0,02068 + 0,04272
PPM = (0,02068 + 0,04272) x 1.000.000 = 63400

DPMO – como calcular?
 DPMO – Defeitos por Milhão de Ocorrências:

de atributos
calculamos a proporção dos diferentes
possíveis erros frente a possibilidade de erros
na amostra.
𝑛𝑜. 𝐸𝑟𝑟𝑜𝑠
𝐷𝑃𝑀𝑂 = x 1.000.000
𝑛𝑜.𝑂𝑝𝑜𝑟𝑡𝑢𝑛𝑖𝑑𝑎𝑑𝑒 𝑑𝑒 𝑒𝑟𝑟𝑜𝑠 𝑥 𝑛𝑜. 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑖𝑛𝑠𝑝𝑒𝑐𝑖𝑜𝑛𝑎𝑑𝑜𝑠

Indicadores Lean – Six Sigma
 FTY – First Throughput Yield

 Rendimento do processo, descontando
resultados com defeitos.
 RTY – Rolled Throughput Yield
 Rendimento combinado do processo.
𝑛𝑜. 𝐸𝑟𝑟𝑜𝑠
𝐹𝑇𝑌 = 1 −
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑖𝑛𝑠𝑝𝑒𝑐𝑖𝑜𝑛𝑎𝑑𝑜𝑠
𝑅𝑇𝑌 = 𝐹𝑇𝑌1 ∗ 𝐹𝑇𝑌2 ∗ ⋯ 𝐹𝑇𝑌𝑛

SIPOC
Representação esquemática dos elementos de um processo individual
Ponto de Ponto de
partida chegada
Fontes Recebedores
Entradas Atividades Saídas
de Entradas de Saídas
PROCESSOS MATÉRIA, PROCESSOS

MATÉRIA,
ANTECEDENTES, ENERGIA, SUBSEQUENTES,
ENERGIA,
por exemplo, em INFORMAÇÃO, por exemplo, em
INFORMAÇÃO,
provedores (internos por exemplo, na clientes (internos ou
por exemplo, na
ou externos), em forma de material, externos), em outras
forma de produto,
clientes, em outras recursos, requisitos partes interessadas
serviço, decisão
partes interessadas pertinentes
pertinentes
Possíveis controles e
pontos para monitorar e
medir o desempenho

Diagrama de atividades



Estratificação
 consiste na divisão de um grupo em diversos
subgrupos com base em características
distintivas ou de estratificação.

Estratificação
Alguns exemplos de fatores de estratificação bastante utilizados
são:
 Tempo: os efeitos dos problemas (ou resultados indesejáveis)
são diferentes de manhã, à tarde, à noite?
 Turno de Produção: os efeitos são diferentes quando
consideramos diferentes turnos de produção ?
 Local: os efeitos são diferentes nas diferentes linhas de
produção da indústria ou nas diferentes regiões do País onde o
produto é comercializado?
 Matéria prima: são obtidos diferentes resultados dependendo do
fornecedor da matéria-prima utilizada?
 Operador: diferentes operadores estão associados a resultados
distintos?

Diagrama de Pareto
 Princípio de Pareto foi adaptado aos
problemas da qualidade por Juran;
 Princípio de Pareto estabelece que a maior
parte das perdas decorrentes dos problemas
relacionados à qualidade são advindas de
alguns poucos mas vitais problemas.

Diagrama de Pareto
 Gráfico de barras verticais que dispõe a
informação de forma a tornar evidente e
visual a ordem de importância de problemas,
causas e temas em geral.

Ocorrência de problemas
40 70
35 60
30
50
Frequência %
Frequência %
25
40
20
30
15
20
10
10 Value
5 Value
Cumul.
0 Value
0 Value
Componente
Trilha
Solda
Outros
Outros
Funcionário
Transporte
Instalação
Entrega

Pareto do custo da não qualidade
0.6
0.5
0.4
R$
0.3
0.2
0.1 Value
C um ul.
0 Value
Componente
Trilha
Solda
Outros

Pareto de defeituosos com dados estratificados

por turno
25 20
20
15
15
# Defeitos
# Defeitos
10
10
5
5
Value Value
Cumul. Cumul.
0 Value Value
0
Amassado
Risco
Mancha
Outros
Amassado
Risco
Mancha
Outros
Turno 1 Turno 2

Matriz de Priorização
 Relaciona fatores à critérios de prioridade.
GRUPO B
Critério 1 Critério 2 Critério 3 ...

GRUPO A peso 1 peso 2 peso 3 ... Prioridade
Fator 1
Fator 2
Fator 3
Fator 4
...

Histograma
 Dispõe as informações de modo que seja
possível:
 a visualização da forma da distribuição de um
conjunto de dados
 a percepção da localização do valor central e da
dispersão dos dados em torno deste valor
central.

Histograma
18
16
14
12
10
Frequência
0 Expected
9 9.2 9.4 9.6 9.8 10 10.2 10.4 10.6 10.8 Normal

Folha de Verificação
 Verificação para a distribuição de um item de
controle de processo;
 Verificação para classificação de defeitos.

Verificação de um item de controle
1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.0 3.1 3.2
Dimensões 40
35
L. L.
30 I. S.
25 E. E.
20
/
/ /
/ /
/ // // / // //
15 / /
/ // // / // //
/ // / / // / / /
/ / / / / / /
/ / / / / / / / /
10 / / / / / / / / / /
/ / / / / / / / / /
/ / / / / / / / / / /
/ / / / / / / / / / / /
5 / / / / / / / / / / / /
/ / / / / / / / / / / / / /
/ / / / / / / / / / / / / /
/ / / / / / / / / / / / / /
/ / / / / / / / / / / / / / / /
/ / / / / / / / / / / / / / / / / /
0
Freqüência 1 2 6 13 10 16 19 17 12 16 20 17 13 8 5 6 2 1
Total

Gráfico de tendência (run chart)

 Avalia variações da característica de interesse ao longo do
tempo;
 Ex: no. de defeituosos gerados em um processo de
fabricação.

Gráfico de tendência
 Mas os gráficos de tendência só mostram a

variação;
 Não consideram a estimativa de variação do
processo com base nas estatísticas do
histórico do processo;
 Os gráficos de controle fazem isso.

Gráficos de controle
 Contém uma linha central e duas linhas

horizontais definidas como limites superior e
inferior:
 A linha central corresponde ao valor médio do
parâmetro na condição de controle estatístico;
 Os limites correspondem a ±3σ da distribuição do
parâmetro controlado.
 Os gráficos podem ser usados para monitorar o
processo e analisar porque acontecem flutuação
da média, dispersão dos resultados ou ambos.

Gráfico do Número de Defeituosos - np
 Utiliza amostras grandes;

 O número de defeituosos é calculado por: np,
onde:
 n: tamanho da amostra
 p: fração de defeituosos na amostra
M
D i
p i 1
nM
Onde Di: número de defeituosos na amostra i.

Construção do Gráfico de np
 Baseado na distribuição Binomial;
n
Pr[ D  d ]    p d (1  p ) n  d d=0,1,2,…,n.
d 
 D  np
 D  np( 1  p ) ,

 Linha central e limites do gráfico:
LSC np  n p + 3 n p( 1  p )
LM np  n p
LIC np  n p  3 n p( 1  p )

Construção do Gráfico de np - Exemplo

Número de Clientes Insatisfeitos com a refeição
Dia Número de Dia NCI Dia NCI Dia NCI
da Clientes
Pesquisa Insatisfeitos
1 2 9 0 17 5 25 0
2 0 10 3 18 3 26 2
3 2 11 2 19 3 27 2
4 0 12 2 20 4 28 1
5 5 13 1 21 0 29 3
6 4 14 2 22 2 30 1
7 3 15 4 23 3 subtotal 9
8 0 16 1 24 0 total 60
subtotal 16 15 20 clientes pesquisados:
6000
Amostras n= 200
Número de clientes insatisfeitos por dia.
0
0 5 10 15 20 25 30
Dia da Pesquisa
Num. de clientes pesquisados= 200/dia
Numero de Clientes Insatisfeitos com a Comida

8
7
6 LSC= 6,2
5
4
3
2 LM= 2,0
1
0
1 5 10 15 20 25 30
Dias da Pesquisa
Figura 8.7: Gráfico de controle de np Construído com os Dados da Tabela 8.2

Técnicas para “Analyse”
 O objetivo é entender o porque o problema

acontece.
 Técnicas:
 Brainstorming
 Espicha de peixe;
 Diagrama de relação;
 Diagrama de dispersão;
 Gráfico de tendência/controle;

Diagrama causa e Efeito (espinha de

peixe)
Operador Máquina
treinamento manutenção
ações intervalo
instruções muito longo
preventivas
acumulo de funções ajuste

método
núm. operadores
de ajustamento
por máquina
Alta Disperção
sistema dos Resultados
composição posicionamento
instrumento
fornecedor sistema R&R
alimentação
estabilidade
Material Método Medição

Diagrama causa e Efeito (espinha de

peixe)
Operador Política
sobrecarga falta inform.

de trabalho fornecedores
falta de classificação
pessoal fornecedores autoridade e
qualificação
responsabilidade
falta de falta
treinamento definição
Atraso em
Pedido de Compra
alto tempo cotação micro ocupado
coleta dados falta
incompleta micro
fluxo inform. telef. ocupado
incoerente falta
falta linha
proced.
Método Máquina

Diagrama de Relações
 Mapa de relações de cause e efeito entre o efeito
indesejável em estudo e as suas causas
fundamentais;
 Normalmente usada para levantamento de
possíveis causas raízes de um problema, na fase
de análise de um processo de melhoria;
 Pode ser usado como uma alternativa ou um
complemento ao diagrama espinha de peixe, já que
ele mostra de forma mais clara as relações de
causa e efeito.

Dispersão de
resultados
Distorção
da peça Desgaste acelerado
da ferramenta
Propriedades da Aperto excessivo Distorção do

Matéria prima da peça dispositivo
Projeto do Problema com Falta de Projeto do Ajuste da

produto fornecedor treinamento dispositivo Máquina

Produtividade
baixa
Tempo de Índice de rejeição

set-up alto no final da linha alto
Baixa capabilidade Falta treinamento em

Não há troca Grande diversidade de processo Procedimentos
Rápida de De itens produzidos operacionais
ferramenta Na mesma célula
Equipamento
com baixa
repetibilidade

Diagrama de Dispersão
 Visualização do tipo de relacionamento
existente entre duas variáveis:
 Positiva;
 Negativa;
 Inexistente.

Diagrama de Dispersão
y y y
x x x
correlação correlação correlação
positiva negativa inexistente
a. b. c.

Redução da variabilidade
 Quando o objetivo de melhoria é a reduzir o

desvio em relação à meta, então reduzir a
variabilidade é importante:
 CEP: Controle Estatístico de Processo:
 Análise de capabilidade;
 Análise de sistema de medição;
 Gráficos de controle de média, amplitude etc

Redução da variabilidade
Muito alto
Causa do
problema Problema Muito baixo
Muita dispersão
Análise das
causas 1025
1015
X 1005
(ml) 995
985
Variação 975
0 5 10 15 20 25 30 35 40
aleatória Número das observações
Causas de 1025
1015
variabilidade
X 1005
(ml) 995
Variação 985
esporádica 975
0 5 10 15 20 25 30 35 40
Número das observações

Gráfico da Média (X Barra) e da

Amplitude (R)
X 1010
LSC
1005
LM
1000
995
LIC
990
0 2 4 6 8 10 12 14 16 18 20
Número da amostra
R 25 LSC
20
15
LM
10
5
LIC=0
0
0 2 4 6 8 10 12 14 16 18 20
Número da amostra

Gráfico da Média (X Barra)
Distribuição x
R Sx
LSCX  x + 3 Sx
d2 n
LM X  x
µ=x
S
LICX  x  3
R
Sx 
d2 n n
m
 Xi
X i 1 S  R / d2
m

Gráfico da Amplitude (R)
LSCR   R + 3 R  R  d 2
LM R   R
 R  d 3
LIC R   R  3 R
LSCR  d 2 + 3 d 3
LM R  d 2
d 3
σ  R / d2
LICR  d 2 - 3

Gráfico da Amplitude (R)
LSCR  R (1+ 3d3 /d2)

LM R  R
LICR  R (1- 3d3 /d2)
n 2 3 4 5 6 7
d2 1,128 1,693 2,059 2,326 2,534 2,704
d3 0,853 0,888 0,880 0,864 0,848 0,833

Quando o processo está em

descontrole? Interpretação dos gráficos
 Regra básica: pontos além dos limites:
+3s- Zone A
+2s- Zone B
+1s- Zone C
CL
-1s- Zone C
-2s- Zone B
-3s- Zone A

Capabilidade de Processo
 Capacidade de o processo gerar resultados

aceitáveis.
 Como medir:
 PPM ou DPMO;
 Resultados tipo medidas:
 Cp, Cpk, Ppk

Capabilidade de Processo
É a relação entre as medidas de Tendência &
Dispersão e as Especificações do Cliente
desvio
padrão
Isto é o que o
processo pode
Média do gerar!
Processo
Especificação do Isto é o que o
LSL
Cliente
LSL cliente quer!
A Capabilidade compara a Voz do Processo com a Voz do Cliente!

Como estimar a variação do processo?

Índice de Capabilidade:
É a relação entre as medidas de Tendência &
Dispersão e as Especificações do Cliente
desvio
padrão
Isto é o que o
processo pode
Média do gerar!
Processo
Especificação do Isto é o que o
LSL
Cliente
LSL cliente quer!
A Capabilidade compara a Voz do Processo com a Voz do Cliente!

Índices de Capabilidade - Cp
LSE  LIE
Cp 
6
X ~ N (  ; )
LIE d  LSE

Índices de Capabilidade - Cpk
 LSE     LIE 
Cpk  Min , 
 3 3 
X ~ N (  ; )
LIE d  LSE

Exemplo de cálculo de Cpk
LIE LSE
 LSE     LIE 
Cpk  Min  , 
11.88 12.23
 3 3 
tolerância
µ = 𝑥 = 12,07 mm
𝜎 = S = 0,093
𝐶𝑝𝑘 = 0,57

Níveis de capabilidade de processo

LSL USL
3σ process
1350 ppm 1350 ppm 𝐶𝑝𝑘 = 1,0
-3σ 3σ
LSL USL
4σ process
𝐶𝑝𝑘 = 1,33
35 ppm 35 ppm
-4σ 4σ
LSL USL
6σ process
𝐶𝑝𝑘 = 2,0
0,001 ppm 0,001 ppm
-6σ 6σ

Caso de estudo
 Apresentação do caso

Método Seis Sigma – Etapa de

Improve (I)

Implementação de melhorias –
Improve (I)
 A identificação de oportunidades de melhorias
começa pela apuração das verdadeiras causas
raízes dos problemas detectados;
 As causas raízes são hipóteses sobre algo;
 Em um primeiro momento não existe “certeza”
sobre essas causas raízes;
 A investigação para validação das causas raízes
pode requerer o uso de técnicas de
experimentação e análise estatística.

Implementação de Melhorias
 Por meio da experimentação, procura-se

certificar se as suposições ou hipóteses
feitas são corretas e com isso melhorar a
chance de sucesso das ações de melhoria
implementadas.

Exemplo
 Em um processo de envasamento de sabão em
pó, verificou-se que o peso das embalagens de
sabão vai diminuindo depois do set-up da
máquina;
 Suspeita-se que a causa raiz dessa redução
seja por descontrole da umidade;
 Será feito um teste com um dispositivo para
controlar a umidade;
 Nesse caso pode-se comparar os dados antes e
depois e verificar se a hipótese de que haverá
diferença de resultados (média) se aplica.
Teste de hipóteses
 A implementação de uma mudança normalmente requer

investimento (financeiro, RH etc):
 Trocar um dispositivo de controle de umidade de
todas as linhas de produção;

 Portanto, é importante avaliar se a mudança proposta
não é perda de tempo e dinheiro, se de fato vai levar a
uma melhoria dos resultados;
 A análise estatística de um teste de hipótese ajuda a
tomar a decisão com mais segurança.

Formulação de um teste de hipótese
 Em um teste de hipóteses, existem duas

hipóteses:
 A primeira hipótese é que a mudança não levou a
uma alteração significativa do resultado;
 Ou seja, aparentemente, o resultado médio
continua a mesma coisa;
 Essa é a hipótese nula, designada por H0.

 A segunda hipótese, ou hipótese alternativa,

é que:
 A mudança levou a uma alteração significativa
do resultado;
 Ou seja, aparentemente, o resultado médio ou
dispersão ou a proporção são diferentes (maior,
menor);
 Essa hipótese alternativa é designada por H1.

Teste de hipóteses sobre as estatísticas

do processo
Hipótese Nula, Ho Hipótese alternativa, H1

Depois Antes
Depois Shift
Antes
Sem mudanças na Média Mudança na Média

 Em linguagem matemática, temos:

H0: 1 = 2
H1: 1  2
 Nesse caso, a hipótese alternativa é que as médias
são diferentes.
 Se a hipótese fosse sobre a fração defeituosa ou
desvio padrão, teríamos:
H0: p1 = p2 H0: σ1 = σ2
H1: p1  p2 H1: σ1  σ2

 Poderíamos ter outras hipóteses, como:

H0: 1 = 2 H0: 1 = 2
H1: 1 > 2 H1: 1 < 20
 Em ambos os casos, a hipótese nula é o complementar
da alternativa, apesar de usarmos apenas o sinal da
igualdade;
 Como regra básica, a hipótese nula sempre será a da
igualdade.

Procedimento de um teste de hipótese
 O teste de hipótese estatístico ajuda a

concluir sobre uma das duas hipóteses:
 Aceitamos a hipótese nula: ou seja, concluímos
que a alteração do processo proposta não levou a
uma alteração do resultado;
 Ou rejeitamos a hipótese nula: nesse caso,
aceitamos a hipótese alternativa de que a
alteração do processo proposta de fato levou a
uma alteração do resultado.

Procedimento de um teste de hipótese
1. Cálculo da estatística t:
 x - x 
t=
 1 2 
n 1 S
-1 2
1
+ n 2 - 1 S 22
1 1 S p2 =
SP + n1 + n2 - 2
n1 n2
Onde n1, S1 e n2, S2 são tamanho de amostra e desvio-

padrão das amostras 1 e 2.

Teste de hipótese - Critério de decisão

H0: 1 = 2
H1: 1  2
1 2 1 + 
t  -t ou t t
Delta () a /2 a /2
Rejeitar Não rejeitar Rejeitar

Ho Ho Ho
12
a/2 a/2
-t a / 2 ta/2
-t t t t
a /2 a /2

Teste de hipótese - Critério de decisão

H0: 1 = 2
H1: 1 > 2
t t
a
t  -t Rejeitar
a /2 Ho
Não rejeitar
Ho a
t
a
1 2 1 + 
12
Delta ()

Erros de decisão em testes de hipótese
 Ao tomarmos uma decisão, ainda que

baseado na estatística t, corremos o risco de
errar nessa decisão:
 Podemos errar ao rejeitar a hipótese nula, por ser
verdadeira. Esse erro é chamado de erro tipo I;
 Podemos errar ao aceitar a hipótese nula sendo
ela falsa. Esse erro é chamado de Erro Tipo II.

Erros de teste de hipótese
Não rejeitar Ho Decisão Rejeitar Ho
ERRO TIPO I
Ho Real DECISÃO Risco a
CORRETA
Tipicamente 0.05
Verdade
ERRO TIPO II
Risco  DECISÃO
Ho Falso CORRETA
Tipicamente 0.10

Erros de testes de hipótese
 Normalmente, adotamos alfa em torno de 1 a 10%;

 (1-α) é o nível de confiança;
 Quando rejeitamos uma hipótese nula, sabemos que a
chance de errarmos nessa decisão é de α. Ou seja de 1 a
10%;
 Quando não conseguimos rejeitar a hipótese nula, sabemos
que podemos estar incorrendo em um erro, mas não
sabemos qual é a chance desse erro (β).
 Sabemos apenas que a chance de erro será muito alta se
a diferença entre os parâmetros não for muito significativa;
 Ao contrário, se a diferença for bastante significativa, a
chance de cometermos esse erro será muito pequena.

Uso do p-value de pacotes estatísticos em

testes de hipótese
Não rejeitar Ho Decisão Rejeitar Ho
ERRO TIPO I
Ho Real DECISÃO Risco a
CORRETA a é o limite
Verdade Tipicamente 0.05 para o “ P-
ERRO TIPO II Value ” !!!
Ho Falso Risco  DECISÃO
CORRETA
Tipicamente 0.10
P-value: se este valor é menor que a, dizemos que a diferença

estudada é estatísticamente significativa, em um nível a de
significância.
Recomendação para a construção de testes

de hipóteses
 Já que conhecemos qual é o risco de erro ao rejeitarmos
a hipótese nula (e normalmente baixo), devemos
sempre que possível construir o teste de hipótese de
forma que a hipótese alternativa seja aquilo que
queremos testar:
 Situação 1: queremos mudar o processo para melhorar o
resultado:
 H1: Se mudarmos o processo, o resultado melhora?
 Situação 2: queremos mudar o processo para reduzir custos,

mas sem piorar o resultado:
 H1: Se mudarmos o processo, o resultado piora?

Outros testes de hipóteses
 Além de se comparar a média de 2 amostras,

pode-se ter interesse em comparar:
 O desvio-padrão de 2 amostras;
 A fração de duas amostras

Exemplo – teste de hipótese de

desvio-padrão
 Suspeita-se que a causa raiz da variabilidade do
peso das embalagens de sabão esteja
associada à falta de repitibilidade do sensor que
abre e fecha a válvula do dispensador;
 Será feito um teste com um novo sensor, para
controlar a abertura;
 Nesse casso pode-se comparar os resultados
com o controlador atual e com o novo
dispositivo, sendo testado, e verificar se a
hipótese de que haverá diferença de resultados
(variância) se aplica.
Exemplo – teste de hipótese de

desvio-padrão
 Suspeita-se que a causa raiz da variabilidade da
posição de um furo usinado de um bloco de
motor esteja relacionada à variabilidade do
sistema de posicionamento do bloco no centro
de usinagem;
 Será feito um teste com um novo controle do
posicionamento;
 Nesse casso pode-se comparar os dados antes
e depois e verificar se a hipótese de que haverá
diferença de resultados (desvio-padrão) se
aplica.
Teste de hipóteses sobre as estatísticas

do processo
Hipótese Nula, Ho Hipótese alternativa, H1

Depois
Depois
Redução da
Antes Variação
Antes
Sem mudanças na Média ou Variação Mudança na Variação

Teste de hipótese de fração
H0: σ1 = σ 2
H1: σ 1 > σ 2  12
F 2
2
H1: σ 1 < σ 2  22
F 2
1
H1: σ 1 ≠ σ 2 Maior entre as 2:  12  22

F 2 F 2
2 1

Exemplo – teste de hipótese de fração
 Suspeita-se que a causa raiz da excessiva

proporção de itens defeituosos de uma linha de
montagem de conectores seja um dispositivo de
fixação usado;
 Será feito um teste com um novo dispositivo de
fixação;
 Nesse casso pode-se comparar os dados antes
e depois e verificar se a hipótese de que haverá
diferença de resultados (fração de defeituosos)
se aplica.

Exemplo – teste de hipótese de fração
 Suspeita-se que a excessiva fração de

chamadas não atendidas de um call-center
pode ser reduzida alterando-se o procedimento
de atendimento das solicitações;
 Para isso, será feito um teste para comparar os
dados antes e depois da mudança de
procedimento e verificar se a hipótese de que
haverá diferença de resultados (fração de
defeituosos) se aplica.

Teste de hipótese de fração
H0: p1 = p2
H1: p1 > p2
p̂1  p̂2
Z n1 . p̂1 + n 2 . p̂ 2
1 1 p̂ 
p̂1  p̂ . +  n1 + n 2
 n1 n2 

Exercícios

Testes de hipóteses com dados

pareados
 Na realização de um experimento, alteramos
propositalmente um fator (ex. dispositivo de
montagem, dispositivo de controle da
umidade, procedimento de atendimento das
chamadas, conservante no alimento etc);
 Os outros fatores devemos, na medida do
possível, manter constante;

Exemplo
 Um fabricante de alimentos vem enfrentando problema

relacionado à vida de prateleira de uma linha de
produtos (abaixo do especificado);
 Suspeita-se que a causa raiz esteja relacionada à
variação da qualidade de um dos fornecedores de um
conservante usado.
 Para isso, será feito um teste trocando-se o fornecedor
(por um supostamente melhor) e comparar a vida de
prateleira do produto com conservante do fornecedor A
e B e verificar se a hipótese de que haverá diferença de
resultados (tempo médio) se aplica.

Testes de hipóteses com dados

pareados - Exemplo
 Na realização do experimento, para verificar se
mudando o fornecedor do conservante,
melhoramos a vida de prateleira do produto,
vamos colocar amostras dos 2 produtos na
mesma condição (por exemplo no mesmo
refrigerador) e coletar dados sobre a vida de
prateleira das duas amostras.
 Para simular uma situação real vamos colocar
pares de amostras dos 2 produtos em
refrigeradores com temperaturas variadas

Dados de teste pareado
 Nesse caso, como o experimento foi realizado em pares,

a análise deve ser feita comparando os pares. Cada
refrigerador é um bloco de experimentação.
Refrigerador Fornecedor 1 Fornecedor 2 d = x1 - x2

1 x11 x21 d1
2 x12 x22 d2
. . . .
. . . .
. . . .
n x1n x2n dn
d - 0
A estatística t é dada por: t=
Sd
n
Teste de hipótese – dados pareados
 Considere a montagem de um sub-conjunto de um

equipamento, montagem essa que é manual com auxílio
de dispositivos. Deseja-se substituir essa
metodologia/dispositivo de montagem por um outro,
supostamente mais rápido. Para justificar a validade
desta mudança (em termos monetários), pretende-se
realizar um experimento. Para eliminar do resultado do
experimento possíveis variações devido às diferenças
de habilidade de trabalhador para trabalhador, o
experimento é organizado de modo que cada
trabalhador execute a montagem utilizando o método 1
e o método 2. Os trabalhadores devem ser previamente
e igualmente treinados nos dois métodos.
Dados – teste pareado

Trabalhador Método 1 (seg.) Método 2 (seg.) Diferença d
1 70 68 2
2 80 72 8
3 72 62 10
4 76 70 6
5 76 58 18
6 76 66 10
7 72 68 4
8 78 52 26
9 82 64 18
10 64 72 -8
11 74 74 0
12 92 60 32
13 74 74 0
14 68 72 -4
15 84 74 10
Calculando d e Sd a partir das equações em (2.21), temos:
d = 8,8 ; S d = 10,98

A estatística t é:
d 8,8
t= = = 3,1
Sd 10.98
n 15
Para um nível de significância a = 0,05 e v = 14 (graus de liberdade), temos:
ta,v = 1,761
Portanto, como t > ta,v, a hipótese nula (H0:  = 0) deve ser rejeitada.

Testes de hipótese – 2 amostras

Dados:
S variável
N
contínua?
Desvio-padrão σ O que Média: µ

Comparar? Teste de Hipótese
De duas frações
P1, P2
S Dados N
pareados?
Desvio-padrão de
2 amostras
σ1 , σ2
Teste de Hipótese Teste de Hipótese Teste de Hipótese

Dados pareados Dados independentes
de σ de 2 amostras
de 2 médias

Exercícios

Teste de hipótese da média – mais de

2 grupos - ANOVA
2 Amostras NÃO 3 ou mais

Ex. 2 Grupos, níveis (ou
Níveis) de Grupos) de
X? X?
sim sim
Teste de hipótese ANOVA

Outras técnicas em experimentação
 Planejamento de experimentos;
 Análise de relação entre variáveis
 Regressão;
 Análise multi-variada.

Planejamento de Experimentos
Fatorial
 Nos exemplos anteriores, testamos o efeito
de um fator na resposta:
 Fator fornecedor de conservante;
 Fator dispositivo de controle da máquina;
 No entanto, em muitas situações, desejamos
testar o efeito (na resposta) de mais de um
fator.

Experimento Fatorial
 Em um experimento fatorial, testamos como

a variável resposta de interesse varia em
função da variação de fatores de entrada, de
ajustagem do processo:
 Como a variável peso da embalagem de sabão
varia em função de:
 X1: Umidade do pó;
 X2: temperatura do pó;
 X3: granulação do pó;

Exemplo experimento fatorial em

processo de injeção
Peça
Depósito do
material
Molde
Fluxo
Material
Cilindro
Máquina
Molde Fechado
Peça com atributo inaceitável
Apróximação do bico
Fechamento
Injeção
Extração
Abertura Recalque
Início de resfriamento
Resfriamento
Início próximo ciclo
Separação do bico
Deformação Falha Rebarba


 O resultado do processo depende dos fatores abaixo.
Fatores Regulagem do processo (atual)
1. Tempo de injeção 3 segundos
2. Tempo de resfriamento 7 segundos
Água industrial (18º C) /

3. Temperatura do molde
Água normal (24º C)
Z1:BICO=190C Z3=175C
4. Temperatura da máquina
Z2=180C Z4=170C
5. Velocidade de injeção 50%
6. Pressão de injeção 20 BAR


 Em um experimento, podemos testar o que acontece
com o resultado ao mudarmos o nível de ajustagem de
um ou mais fatores: melhora a resposta? Piora?
 Um experimento fatorial 2k, é uma técnica de

experimentação em que cada fator é testado em dois
níveis.

Planejamento Fatorial 2k
 Exemplo: fatores do processo de injeção e seus

níveis
Tempo Tempo Tem Temperatura Vel Pressão

Níveis
Inj Resfriam Molde Máquina Injeção Injeção
Água Z1: 190C Z3: 165C

-1 2 (s) 6 (s) 40 % 18 BAR
industrial Z2: 170C Z4: 160C
Água Z1: 190C Z3: 230C

+1 10 (s) 15 (s) 100 % 30 BAR
normal Z2: 240C Z4: 220C

Planejamento Fatorial 2k
 Em um experimento fatorial 23 temos 3 fatores de

controle em 2 níveis (codificados por +1 e -1),
resultando em 23 = 8 combinações. Uma forma
sistemática de planejar o experimento é:
 Para o fator de controle 1 (x1), escreva uma coluna de (1) com
sinal alternando seguidamente. Ou seja: -1, +1, -1, +1, -1, +1, -1,
+1;
 Para o fator de controle 2 (x 2), escreva uma coluna (1) com o
sinal alternando em pares, ou seja: -1, -1, +1, +1, -1, -1, +1, +1;
 Para o fator de controle 3 (x3), escreva uma coluna de (1) com o
sinal alternando em grupos de 4, ou seja: -1, -1, -1, -1, +1, +1,
+1, +1.

Matriz de Planejamento para um

experimento fatorial 2k
Teste Fator de Controle

x1 x2 x3
1 -1 -1 -1
2 +1 -1 -1
3 -1 +1 -1
4 +1 +1 -1
5 -1 -1 +1
6 +1 -1 +1
7 -1 +1 +1
8 +1 +1 +1

Matriz de Planejamento – caso geral
 Para o caso geral, com k fatores, isto é, um experimento

2k, o procedimento é o seguinte:
1. Para x1, o sinal da coluna de (1) alterna em grupos de 20 = 1, ou
seja, seguidamente.
seja, em pares.
seja, em grupos de 4.
4. Para x4, o sinal alterna em grupos de = 8.
5. Para xk, o sinal alterna em grupos de , ou seja, vezes (-1),
seguido de vezes (+1).

Exercícios

Experimento fatorial 2 k - exemplo
 Na tentativa de melhorar o tempo de vida de prateleira

de um produto de laticínio, realizou-se um experimento
com os seguintes fatores:
 X1: concentração de conservante A:
 Nível -1: 0,5%
 Nível +1: 1,0%
 X2: concentração de um conservante B:
 Nível -1: 0,2%

 Nível +1: 0,5%
 X3: temperatura de resfriamento:
 Nível -1: 3 graus
 Nível +1: 6 graus
Análise de Efeitos dos fatores na

resposta – Efeito Principal
 A análise dos resultados de um experimento
procura identificar se:
 A variação de um fator causa um efeito
significativo na resposta.
 A variação da temperatura de resfriamento de 3 para 6
graus causa uma variação (um Efeito) significativo na
vida de prateleira do produto;
 A variação da umidade do pó de 15 para 18% não
causa uma variação significativa na resposta (peso);
 O efeito de um fator sobre a resposta é chamado
de efeito principal

Análise de Efeitos dos fatores na

resposta – Efeito de interação
 Além dos efeitos principais, a análise dos resultados de
um experimento procura identificar também se:
 O efeito de um fator sobre a resposta varia
dependendo do nível de outro fator:

 A variação da temperatura de resfriamento de 3 para 6 graus
causa uma variação (um Efeito) significativo na vida de
prateleira do produto se o fator conservante A estiver no nível
0,5%.
 Se o fator conservante A estiver no nível 1,0%, o efeito da
temperatura na vida de prateleira na varia significativamente
(o efeito é desprezível).
 Nesse caso, existe um efeito de interação entre os
dois fatores.
Efeitos principais e de interação de

experimento fatorial 23
 Em um experimento com 3 fatores, teremos:
 Fatores: x1, x2, x3;
 Efeitos principais: E1, E2, E3;
 Efeitos de interação:
 E12, E13, E23
 E123

Efeitos principais e de interação de

experimento fatorial 24
 Em um experimento com 3 fatores, teremos:
 Fatores: x1, x2, x3, x4;
 Efeitos principais: E1, E2, E3, E4;
 Efeitos de interação:
 E12, E13, E23 ,E14 , E24 , E34
 E123 , E124 ,E134 ,E234
 E1234

Cálculo dos Efeitos Principais para um

experimento 23 – Efeito E1
 O efeito principal de x1 corresponde à mudança da
resposta média do processo quando o nível de x1 é
alterado de (-1) para (+1), mantendo os outros fatores
constantes.
Fator de Resposta
Teste Controle
 
x1 x2 x3 (yi) 1
1 -1 -1 -1 Y1 E1 = y 2 - y1 + y 4 - y 3 + y6 - y 5 + y 8 - y7
2 +1 -1 -1 Y2
4
3 -1 +1 -1 Y3
4 +1 +1 -1 Y4
5 -1 -1 +1 Y5
6 +1 -1 +1 Y6
7 -1 +1 +1 Y7
8 +1 +1 +1 Y8


constantes.
Fator de Resposta
Teste Controle
x1 x2 x3 (yi)
1
2
-1
+1
-1
-1
-1
-1
Y1
Y2
E2 =
1
4

y 3 - y 1 + y 4 - y 2 + y7 - y 5 + y 8 - y 6 
3 -1 +1 -1 Y3
4 +1 +1 -1 Y4
5 -1 -1 +1 Y5
6 +1 -1 +1 Y6
7 -1 +1 +1 Y7
8 +1 +1 +1 Y8


constantes.
Fator de Resposta
Teste Controle
 
x1 x2 x3 (yi) 1
1 -1 -1 -1 Y1 E3 = y - y + y 6 - y 2 + y7 - y 3 + y 8 - y 4
2 +1 -1 -1 Y2 4 5 1
3 -1 +1 -1 Y3
4 +1 +1 -1 Y4
5 -1 -1 +1 Y5
6 +1 -1 +1 Y6
7 -1 +1 +1 Y7
8 +1 +1 +1 Y8

Cálculo dos Efeitos de Interação para

um experimento 23 – Efeito E12
 O efeito de interação entre x1 e x2 corresponde à:
[( Efeito de x1 para x 2 (+1)) - (( Efeito de x1 para x 2 (-1))]

E12 =
2
Fator de Resposta
Teste Controle
x1 x2 x3 (yi)  (y8 - y7 ) + (y4 - y3 )   (y6 - y5 ) + (y2 - y1 ) 
 2  -  2 
1 -1 -1 -1 Y1 E12 =
2 +1 -1 -1 Y2 2
3 -1 +1 -1 Y3
4 +1 +1 -1 Y4
5 -1 -1 +1 Y5
6 +1 -1 +1 Y6
7 -1 +1 +1 Y7
8 +1 +1 +1 Y8


[( Efeito de x1 para x 3 (+1)) - (( Efeito de x1 para x 3 (-1))]

E13 =
2
Fator de Resposta
Teste Controle
x1 x2 x3 (yi)  (y8 - y7 ) + (y6 - y5 )   (y4 - y3 ) + (y2 - y1 ) 
 2  -  2 
1 -1 -1 -1 Y1 E13 =
2 +1 -1 -1 Y2 2
3 -1 +1 -1 Y3
4 +1 +1 -1 Y4
5 -1 -1 +1 Y5
6 +1 -1 +1 Y6
7 -1 +1 +1 Y7
8 +1 +1 +1 Y8


[( Efeito de x 2 para x 3 (+1)) - (( Efeito de x 2 para x 3 (-1))]

E 23 =
2
Fator de Resposta
Teste Controle
x1 x2 x3 (yi)  (y7 - y5 ) + (y8 - y6 )   (y3 - y1 ) + (y4 - y2 ) 
 2  -  2 
1 -1 -1 -1 Y1 E13 =
2 +1 -1 -1 Y2 2
3 -1 +1 -1 Y3
4 +1 +1 -1 Y4
5 -1 -1 +1 Y5
6 +1 -1 +1 Y6
7 -1 +1 +1 Y7
8 +1 +1 +1 Y8

Exercícios

Análise gráfica dos efeitos
 Gráfico dos efeitos principais e de interação:

visualização da magnitude de variação da
reposta em função dos efeitos;
 Gráfico de probabilidade normal: indica quais
efeitos são significativos;
 Gráfico de Pareto: indicação dos efeitos de
maior magnitude.

Exemplo Experimento 2 4
 Realizou-se um experimento em um processo de injeção

plástica para avaliar o efeito dos seguintes fatores na
resistência mecânica da peça
Fator Nível baixo (-1) Nível alto (+1)
Material Formula 1 Formula 2
Pressão de injeção 75 BAR 150 BAR
Temperatura de injeção 85 C 100 C
Temperatura de resfriamento 25 C 45 C

Resultados do experimento 2 4
Material Pressão Inj Temp Inj. Temp Resfriam. Resistência

-1 -1 -1 -1 22,34
1 -1 -1 -1 32,85
-1 1 -1 -1 30,08
1 1 -1 -1 36,12
-1 -1 1 -1 25,95
1 -1 1 -1 34,80
-1 1 1 -1 32,39
1 1 1 -1 38,18
-1 -1 -1 1 19,218
1 -1 -1 1 24,96
-1 1 -1 1 23,96
1 1 -1 1 30,34
-1 -1 1 1 26,36
1 -1 1 1 29,33
-1 1 1 1 29,83
1 1 1 1 37,36

Gráfico dos efeitos principais

Pareto dos efeitos principais

Gráfico de Probabilidade Normal dos

efeitos

Exercícios

Planejamento de experimentos – outras

técnicas
 Fatorial fracionário: Muitos fatores e dificuldade
de realizar todas as combinações de teste de
um experimento fatorial completo;
 Fatorial 2k com ponto central: avaliar a não
linearidade da variação da resposta em função
dos fatores de controle;
 Superfície de resposta: construção de um
modelo matemático e otimização da resposta.

Planejamento de experimentos – outras

técnicas
 Taguchi: quando parte dos fatores a serem
testados são fatores de ruído;
 Fatores de ruído: são fatores que não são definidos
em projeto de produto ou processo mas que
interferem no desempenho do produto.

Experimentos – procedimento básico
 Definição de:
 Fatores de controle e resposta;
 Planejamento do experimento;
 Níveis dos fatores;
 Condições básicas de experimentação;
 Técnicas de análise dos dados.

Experimentação é um processo iterativo

de aprendizagem
 Definição de:
 Fatores de controle e resposta;
 Planejamento do experimento;
 Níveis dos fatores;
 Condições básicas de experimentação;
 Técnicas de análise dos dados.

Método Seis Sigma – Etapa de

Controle (C)
 Após a análise, proposição e implementação
de melhorias, deve-se criar procedimentos
que garantam que as melhorias não se
percam;
 Algumas técnicas de controle podem ser
mantidas para monitoramento de processo.

FIM,
OBRIGADO
carpinet@sc.usp.br

Seis Sigma Especialização 2016 2017 PDF

Enviado por

Dados do documento

Título original

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

Seis Sigma Especialização 2016 2017 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Seis Sigma Aplicado à Melhoria

<<Seis Sigma>> - Prof. <<Luiz Carpinetti>> - 1

Seis Sigma: o que e pra que?

<<Seis Sigma>> - Prof. <<Luiz Carpinetti>> - 2

Erros, desperdícios, ineficiências

 Tudo que gera insatisfação do cliente e

<<Seis Sigma>> - Prof. <<Luiz Carpinetti>> - 3

Seis Sigma: treinamento, aplicação etc

<<Seis Sigma>>> - Prof. <<Luiz Carpinetti>> - 4

Seis Sigma: treinamento, aplicação etc

<<Seis Sigma>>> - Prof. <<Luiz Carpinetti>> - 5

Seis Sigma para melhoria da qualidade

 Criado pela Motorola como um programa da

<<Seis Sigma>> - Prof. <<Luiz Carpinetti>> - 6

Qual o fundamento da abordagem Seis

<<Seis Sigma>>> - Prof. <<Luiz Carpinetti>> - 7

Método fundamental de análise da

<<Seis Sigma>>> - Prof. <<Luiz Carpinetti>> - 8

Abordagens similares: MASP - Método de Análise e

Conceber um plano para bloquear

D 5 Ação Bloquear as causas fundamentais

6 Verificação Verificar se o bloqueio foi efetivo

Prevenir contra o reaparecimento

<<Seis Sigma>> - Prof. <<Luiz Carpinetti>> - 10

Método do Seis Sigma para melhoria

<<Seis Sigma>>> - Prof. <<Luiz Carpinetti>> - 11

DMAIC do Seis Sigma

Definir claramente o problema e a

Conceber um plano para bloquear

D Ação Bloquear as causas fundamentais Improve

C Verificação Verificar se o bloqueio foi efetivo

Prevenir contra o reaparecimento

<<Seis Sigma>> - Prof. <<Luiz Carpinetti>> - 12

Fundamento da abordagem Seis Sigma

<<Seis Sigma>>> - Prof. <<Luiz Carpinetti>> - 13

Seis Sigma Propõe

 Estrutura organizacional para liderança,

<<Seis Sigma>>> - Prof. <<Luiz Carpinetti>> - 14

Pré-requisitos para o Seis Sigma

 Programa de melhoria, depende:

<<Seis Sigma>>> - Prof. <<Luiz Carpinetti>> - 15

Tipo de Problema e Objetivos de

<<Seis Sigma>>> - Prof. <<Luiz Carpinetti>> - 16

Tipo de problema e técnicas de análise

Muito alto Reduzir/aumentar

<<Seis Sigma>>> - Prof. <<Luiz Carpinetti>> - 17

Tipo de problema e técnicas de análise

Muito alto Reduzir/aumentar

Análise das Técnicas de

<<Seis Sigma>>> - Prof. <<Luiz Carpinetti>> - 18

<<Seis Sigma>>> - Prof. <<Luiz Carpinetti>> - 19

<<Seis Sigma>>> - Prof. <<Luiz Carpinetti>> - 20

Técnicas para “Measure”

 O objetivo é caracterizar o problema e o

Técnicas para “Analyse”

 O objetivo é entender o porque o problema

<<Seis Sigma>>> - Prof. <<Luiz Carpinetti>> - 22

Indicadores: PPM (peças defeituosas

Indicadores: DPMO (Defeitos por

PPM / DPMO – como calcular?

 Medimos 1 milhão de resultados? Não!

<<Seis Sigma>>> - Prof. <<Luiz Carpinetti>> - 25

PPM– como calcular?