Escolar Documentos
Profissional Documentos
Cultura Documentos
Optness Institute
2
QUEM SOMOS MISSÃO
Advisory Board
Fundador da Embraer
Ozires Silva
Ex-Ministro da Infra-Estrutura
4
Experiência Acumulada
Com o apoio de Executivos de diversas áreas a Optness customizou a metodologia Lean Six
Sigma para diferentes setores: Planejamento Estratégico, Processos/Operações,
Marketing/Vendas, Gestão de Pessoas, etc...
Através dos seus associados a Optness tem uma experiência acumulada na aplicação de
nossas metodologias customizadas em mais de 1.150 projetos em diversos países do
Mundo.
6
Satisfação e Experiência Internacional Comprovadas
Exerc. ( 2 min.)
• Nome e Nacionalidade :
____________________________________________________
• Formação Acadêmica:
____________________________________________________
____________________________________________________
Atingir Metas
Resolver Problemas
Prior SS “We should only take ISO certification if it is necessary to make business”.
Post SS “We have set for ourselves the goal of becoming, by the year 2000, a Six Sigma
quality company, which means a company that produces virtually defect-free
products, services and transactions”.
3000
3000
INVESTMENT
2500
2500 GROSS PROFIT 2400
1500 1200
1000 750
700
600
380 450 500
200 320
500
170 -30
Expansão na administração pública: Saúde, Exército dos EUA, Marinha dos EUA
...
Motorola Toyota
GE Nissan
Quality Defects per Standard 99% (3,8 sigma) Standard 99,99966% (6 sigma)
Standard Million (ppm)
20.000 postal documents lost per hour 7 postal documents lost per hour
2 sigma 308,538
15 minutes/day of non-conforming potable 1 minute every 7 months of non-
water delivery conforming potable water delivery
3 sigma 66,807 5.000 "not correct" surgical operations per 1,7 "not correct" surgical operations per
week week
4 sigma 6,210 2 non-standard airplane landings every 1 non-standard airplane landing every 5
day years
5 sigma 233 200.000 wrong medical prescriptions per
68 wrong medical prescriptions per year
year
6 sigma 3,4 7 hours without electricity per month 1 hour without electricity every 34 years
Exemplos de Projetos
Projetos em Logística & Supply
Projetos na Área Produtiva
Chain
Redução de custos diretos com matérias-primas Redução de gastos com frete e transporte
Redução de gastos com insumos indiretos (ex.: Redução de inventário – WIP
energia elétrica) Redução dos produtos finais em estoque
Redução do tempo de set-up de equipamentos Redução do prazo de entrega / Lead Time
Aumento de produtividade Redução de gastos com armazém
Melhoria da eficiência operacional dos equipamentos
(OEE)
Projetos no Financeiro,
Projetos em Marketing e Vendas
Recursos Humanos e TI
Career
Gestão de Processos
Funcionamento e Foco
X1
X2 Y
. Process
Inputs . Result
.
(Company)
Xn
Independent Dependent
Entrance Exit
Cause Effect
Control Monitor
ESTRUTURA
MBB
(Master 100% of Tools
Black Belts)
BB
95% of Tools
(Black Belts)
GB
60% of Tools
(Green Belts)
WB
20% of Tools
(White Belts)
6s = 6$
Black Belt: Antonio De Nes 27 Copyright: Optness Institute, 2014
Contribution Margin
- Interest
- Taxes
Net Profit
LABOR
OPERATING MARGIN
PRODUCTION COSTS
(EBTIDA) RAW MATERIALS
(COGS)
FIXED COSTS
OPERATING
MARGIN
RESEARCH & DEVELOPMENT LABOUR
AFTER
TAXES
SELLING EXPENSES
SALES, GENERAL &
ADMINISTRATIVE EXPENSES
GENERAL &
ADMINISTRATIVE
EQUIPMENT
TOTAL ASSETS
OTHER ASSETS
INVESTMENT CAPITAL
INVESTOR CASH
CAPITAL ACCOUNTS PAYABLE
Exemplos de Projetos
Problema (2003):
49 infecções em 37 pacientes com 19 óbitos
Before After
35
ESCOPO DO PROJETO
s PPM
6 3.4 } LIMIT E DO PROCESSO
O CONCEITO PDCA
Nível de
Desempenho
Projeto de Melhoria
“Gerenciament
"Padronizar" o da Rotina
Diária"
“Gerenciamento
Projeto de da Rotina Diária"
Melhoria
Processo
Atual
Time
Black Belt: Antonio De Nes 45 Copyright: Optness Institute, 2012
Em Resumo…
Correlation Index:
SYSTEM AVAILABILITY
GOAL = 0% COMPLAIN
SUPPLY CHAIN COSTS:
CLIENT COMPLAINTS:
DEPARTMENT METRICS
INVOICE ACCURACY
LESS THAN 10 DAYS
PRODUCT QUALITY:
INVENTORY TURN:
MAXIMUN 7 DAYS
H – HIGH (9)
TIME TO SOLVE
RAW MATERIAL
M – MEDIUM (3)
IMPORT TIME :
GOAL: 100%
L – LOW (1)
GOAL: 100%
GOAL = 8
BUSINESS IMPORTANCE
-10%
STRATEGIC & CORPORATE
PRIORITY 85 59 53 61 99 59 30
-Projetos menores guiado por Green Belts e supervisionado por um Black Belt
- Projetos relacionados com a área funcional do GBs
- Tempo médio para conclusão do projeto: 3-4 meses
- Redução de pelo menos 50% do número de defeitos
- Impacto no lucro da a empresa
(preferencialmente financeiro);
Solução e/ou implementação de difícil execução e/ou não óbvios para a Organização;
Potenciais ações a serem implementadas dentro das possibilidades e alinhada com a Visão
Estratégica da Organização;
Pense num projeto que você poderia desenvolver. Prepare-se para explicar à
pessoa sentada ao seu lado em no máximo 1 minuto
• Que suporte que você precisa para garantir o sucesso deste projeto?
EQUIPE DE TRABALHO
META
PAPÉIS / FUNÇÕES
PROCEDIMENTO
RELAÇÕES INTERPESSOAIS
M – Metas
A missão e as metas da equipe são claras e aceitas por todos os membros? Estão alinhadas
com o ambiente da equipe?
P – Papéis e Responsabilidades
Os papéis e responsabilidades foram claramente descritos e compreendidos? Os papéis assim
definidos apóiam as metas da equipe plenamente? Os membros da equipe possuem a
competência e os recursos necessários para preencher suas responsabilidades?
P – Processo e Procedimentos
Os processos e procedimentos operando no grupo (como métodos de solução de problemas,
procedimentos e de comunicação, processos de tomada de decisões, alocação de recursos)
são compreendidos e aceitos? Será que esses os procedimentos prestam apoio às metas e
funções da equipe?
I – Relações Interpessoais
As relações entre os membros da equipe são saudáveis e apoiam um bom trabalho de equipe?
Existe um nível saudável de confiança, abertura e aceitação dentro do grupo?
0% 50% 100%
M
Propósito &Resultados
Compreendemos e estamos de acordo com a missão do nosso projeto e o resultado desejado
(visão)
Cliente e Necessidades
Sabemos quem são as partes interessadas no projeto, o que necessitam e porque este projeto
realmente é necessário.
Metas & Produtos
Identificamos metas & produtos específicas, mensuráveis & priorizadas ligadas às metas de
nosso negócio
Dimensionamento do projeto
Compreendemos e estamos de acordo sobre qual a dimensão e tarefas do nosso projeto. O
dimensionamento do projeto está “ajustado”.
P
Papéis e Responsabilidades
Já definimos e estamos de acordo em relação aos nossos papeis, responsabilidade, habilidades
& recursos necessários para a equipe do projeto.
Autoridade & Autonomia
Nossa equipe entende claramente o grau de autoridade / poder que temos para alcançar a
missão do nosso projeto
P
Fatores Críticos para o Sucesso
Conhecemos e estamos voltados aos fatores principais necessários para atingir as metas e a
missão do projeto.
Planos e Atividades
Possuímos um plano de ação efetivo que inclui as tarefas certas; claramente
definidas/atribuídas.
Monitoramento e Medições
Possuímos um processo de monitoramento efetivo & padrões de medição específicos ligados ao
progresso & metas.
Cronograma/Marcos
Definimos nosso cronograma de projeto e sabemos quais são as principais fases e marcos.
I
“Acordo Operacional” da Equipe
Compartilhamos expectativas, concordamos com e seguimos as diretrizes para o trabalho
conjunto de nossa equipe.
Interpessoais/Equipe
Possuímos as relações, confiança, abertura, participação e comportamentos necessários para
uma equipe saudável e produtiva
Fortemente Fortemente
Nome Função Contra Neutro Favor
Contra à Favor
Dir. Logistica Aprovador X
Dir. Financeiro Aprovador X
Dir. Comercial Aprovador X
Ger. Atendimento ao Cliente Membro X
Atendimento ao Cliente 01 Recurso X
Atendimento ao Cliente 02 Recurso X
Vendedor 01 Recurso X
Vendedor 02 Recurso X
Vendedor 03 Recurso X
Analista IT 01 Recurso X
Analista IT 02 Recurso X
Black Belt Membro X
Master Black Belt Aprovador X
Uma forma de se entender melhor o time que trabalhará no projeto é entender quais são os
recursos disponíveis e suas funções, bem como sobre o posicionamento de cada um sobre o projeto. A idéia é
equalizar o entendimento e o comprometimento de todo o time com o projeto e os resultados finais do mesmo
(Matriz de Campos de Forças).
Fortemente Fortemente
Nome Função Contra Neutro Favor
Contra à Favor
Plano de ação :
CONTRATO DO PROJETO
Componentes do Projeto:
Inclui:
Dimensão do Projeto:
Não Inclui:
Contrato do Projeto
Recursos/Investimentos:
Ganhos
Financeiros:
Estratégicos:
Hipóteses:
Riscos:
A - Aprovação das decisões da equipe fora das suas autoridades charter, i.e., patrocinador, líder empresarial.
R - Recurso para a equipe, cuja experiência, talentos ou “peso” pode ser requisitado ao leu.
M - Membro da equipe, com as autoridades e limites do charter.
I - Parte interessada, pessoa que deve ser mantida informada quanto à direção, descobertas, e se haverá apoio futuro
Cronograma:
Semana 1 – Treinamento: _______________________________
Definição – Data Prevista de Término: _______________________________
Medição – Data Prevista de Término: ______________________________
Semana 2 – Treinamento: _______________________________
Análise – Data Prevista de Término: _______________________________
Melhoria – Data Prevista de Término: _______________________________
Controle – Data Prevista de Término: _______________________________
Testes
MEDIÇÃO
X2 Y
INPUTS .
.
PROCESSO RESULTADO
.
Xn (EMPRESA)
Independência Dependência
Entrada Saída
Causa Efeito
Problema Sintonia
Controle Monitorar
8 - 10
(FMEA)
4-8
Análise Gráfica de Dados
3-6
Análise Estatística dos Dados
X Crítico
66 Copyright: Optness Institute, 2013
MAPA DO PROCESSO
y = f (x1, x2 ,..., xk )
Verificação, Inspeção
Candidatos para
eliminação
Armazenamento
Decisão
Movimento, Transporte
O que você acha que é… O que realmente é…. Como você gostaria que
fosse…
- Recusa
- Revisão
- Retrabalho
- Reparação
- Refazer
Trabalho da Equipe:
Analistas, técnicos, gestores, fornecedores, clientes, funcionários da
fábrica... Todas as partes interessadas devem participar
- 4Ps:
Produto, Preço, Praça, Promoção
MANUTENÇÃO DE
INPUTS EQUIPAMENTOS OUTPUTS
CTQs:
•Disponibilidade
de Uso
• Qualidade dos
Equipamentos
1 2 3 4 5 6 7 8 9
1 2 3 4 5 6 7 8 9
A A,B A,B A A A A,B B A,B
Passos:
CTQs:
1. Faça o pedido de manutenção
2. Descreva Materiais necessários A – Disponibilidade de Uso
3. Descreva os serviços necessários
4. Faça a cotação de materiais e serviços, com pelo B – Qualidade dos
menos três fornecedores diferentes Equipamentos
5. Assine o contrato com fornecedores selecionados
6. Planeje a parada dos Equipamentos e do Pessoal
7. Execute a manutenção planejada
8. Avalie o Serviço de Manutenção
9. Feche o pedido de manutenção
1 2 3 4 5 6 7 8 9
A A,B A,B A A A A,B B A,B
Passos:
CTQs:
1. Faça o pedido de manutenção
2. Descreva Materiais necessários A – Disponibilidade de
3. Descreva os serviços necessários Uso
4. Faça a cotação de materiais e serviços, com pelo menos três
fornecedores diferentes B – Qualidade dos
5. Assine o contrato com fornecedores selecionados
Equipamentos
6. Planeje a parada dos Equipamentos e do Pessoal
7. Execute a manutenção planejada
8. Avalie o Serviço de Manutenção
9. Feche o pedido de manutenção
77 Copyright: Optness Institute, 2013
1. Dividir em grupos
Identifica oportunidades
Próximos passos…
MAPA DO PROCESSO DIAGRAMA
FISHBONE
Poor Reactor
Performance
Corrosion of
Moisture in
Equipment
Heavies in
Downtime
From Unit
Excessive
Acidity in
Lights in
Material
Product
Product
Product
Product
Losses
CAUSAS EFEITO
Causas
Dimensões
Declaração do
Problema
Diagrama Fishbone
1. Desenhe o diagrama em um quadro branco.
2. Anote a definição do problema baseada no não cumprimento dos CTQs do cliente
DELCARAÇÃO
DO PROBLEMA
CAUSA
POR QUÊ?
DECLARAÇÃO
DO PROBLEMA
Fishbone
Processo: Redução do consumo de coque combustível na operação de fundição
medição de
variação de escala composição química das ervas temperatura do forno
umidade do coque
REDUÇÃO DO
CONSUMO DE
tempo de ciclo COQUE
entrada de ar
umidade do ar
COMBUSTÍVEL
potência do forno
phases of coke addition atraso de manutenção
temporada de inverno
Recuperação NI
Falta de sistema de equilíbrio qualidade da análise
fornecedor
forno de circulação
Low Capacity
Poor Reactor
Performance
Corrosion of
Moisture in
Equipment
Heavies in
Downtime
From Unit
Excessive
Acidity in
Lights in
Material
Product
Product
Product
Product
Losses
Process Step Process Inputs Total
MANUTENÇÃO DE
INPUTS EQUIPAMENTOS OUTPUTS
CTQs:
•Disponibilidade de Uso
• Qualidade dos Equipamentos
1 2 3 4 5 6 7 8 9
A A,B A,B A A A A,B B A,B
87 Copyright: Optness Institute, 2013
Requirement 10
Requirement 4
Requirement 5
Requirement 6
Requirement 7
Requirement 8
Requirement 9
X1
X2
X3
X4
X5
X6
X7
X8
X9
Quality of Equipments
Availability of Use
Requirement 10
Requirement 4
Requirement 5
Requirement 6
Requirement 7
Requirement 8
Requirement 9
Process Outputs (Y's)
Absolute Weight
Process Inputs (X's)
X1
X2
X3
X4
X5
X6
X7
X8
X9
O nível de importância deve vir diretamente dos clientes e não pode ser repetido
(priorização forçado). Se possível, inclua o cliente final.
Requirement 10
Requirement 4
Requirement 5
Requirement 6
Requirement 7
Requirement 8
Requirement 9
X2 Problem Description
X3 Equipment Type
X5 # of Parts
X8 Selection of Providers
X9 Assessment Checklist
Quality of Equipments
Availability of Use
Requirement 10
Requirement 4
Requirement 5
Requirement 6
Requirement 7
Requirement 8
Requirement 9
Process Outputs (Y's)
Absolute Weight
Process Inputs (X's)
Requirement 10
Requirement 4
Requirement 5
Requirement 6
Requirement 7
Requirement 8
Requirement 9
Neste ponto, começamos a ver quais variáveis têm maior impacto na variação do
processo
Quality of Equipments
Availability of Use
Requirement 10
Requirement 4
Requirement 5
Requirement 6
Requirement 7
Requirement 8
Requirement 9
Process Outputs (Y's)
Absolute Weight
Process Inputs (X's)
Neste momento começamos a sentir o que as variáveis são mais importantes para a
variação do processo
Observações finais
Os níveis de
importância 1 2 3 4 5 6 7 8 9 10
deverá ser
Quality of Equipments
Availability of Use
classificados de 1
Requirement 10
Requirement 4
Requirement 5
Requirement 6
Requirement 7
Requirement 8
Requirement 9
Indique o impacto de
cada X em cada Y.
Low Capacity
Poor Reactor
Performance
Corrosion of
Moisture in
Equipment
Heavies in
Downtime
From Unit
Excessive
Acidity in
Lights in
Material
Product
Product
Product
Product
Losses
Process Step Process Inputs Total
Quality of Equipments
Availability of Use
Availability of Use
Requirement 10
Requirement 10
Requirement 4
Requirement 5
Requirement 6
Requirement 7
Requirement 8
Requirement 9
s Outputs (Y's)
Requirement 3
Requirement 4
Requirement 5
Requirement 6
Requirement 7
Requirement 8
Requirement 9
Absolute Weight
ESFORÇO:
(custo, tempo, risco)
s) Process Inputs (X's)
ALTO
(para agir em X)
ESFORÇO
BAIXO
BAIXO ALTO
IMPACTO
(impactos de X’s em exigências de cliente - Y’s)
Testes
a) definir quais processos devem ser melhorados para atender às exigências dos clientes
b) examinar o estado atual do processo e identificar possíveis fontes de variação
c) analisar e definir as principais fontes de variação do processo
d) melhorar o processo com base na identificação de fontes de variação
e) controlar as fontes de variação identificados para manter a capacidade do processo
a) o Mapa do Processo, o Fishbone e a Matriz C&E são ferramentas obrigatórias na fase de MEDIÇÃO
b) as ferramentas listadas acima não são obrigatórios, mas usá-los na ordem listada acima é uma boa
maneira de começar a fase de MEDIÇÃO de um projeto Six Sigma
c) cada uma das fases de um projeto Six Sigma só é considerada completa após o uso correto de todas as
ferramentas
d) o Mapa do Processo é a única ferramenta obrigatório durante a fase de MEDIÇÃO, mas ele também
pode ser usado em outras fases (no entanto, a sua utilização não é obrigatória)
a) Mapa do Processo
b) Fishbone
c) Matriz Causa & Efeito
a) existe uma convenção internacional que exige que todos os usuários devem seguir os símbolos citados
neste capítulo como um procedimento padrão
b) cada passo do processo deve sempre conter os requisitos do cliente afetado e seus potenciais X’s.
c) deve-se empregar o Mapa de Processo na maneira como se considera melhor, no entanto o padrão
apresentado neste capítulo é bastante abrangente, contendo uma série de informações que irão ajudar nas
análises futuras
d) Todas as afirmações acima estão corretas
I. Requisitos do cliente(Ys) (a) Coleção de inputs para produzir um resultado que você quer melhorar;
II. Processo (Y) (b) Fontes de variação do processo (foco de qualquer projeto Six Sigma);
III. Variáveis (Xs) (c) Voz do cliente - elementos importantes para alcançar a satisfação do cliente.
ESTATÍSTICA BÁSICA
25
20
15
Frequency
10
0
10 12 14 16 18
Sugestões :
• Número de Categorias = número total de dados
Graph>Histogram
Construção de Histogramas
Deve-se
selecionar a
variàvel cujo
conjunto de
dados formara
o histograma
Estatística Básica
Um punhado de areia
Todos os grãos de areia na praia
X = Média de Amostra
m = População Média
s= s
^ = Desvio Padrão da Amostra
s = Desvio Padrão da População
Moda: O valor que ocorre com mais freqüência. A moda pode não existir; e
caso exista, pode não ser única.
25
Valor de ocorrência mais elevada: 14
20 (essa é a moda do conjunto de dados)
15
Frequency
10
0
10 12 14 16 18
1. Abra Minitab
3. Realize o seguinte:
Stat>
Basic Statistics>
Graphical Summary
Exercício
4. Selecione as variaveis a serem
analisadas (todas de uma única
vez ou cada uma individualmente)
5. Clique em “OK”
Histograma com
Summary for Normal
a curva normal A nderson-Darling Normality Test
associada a A -Squared 0,42
distribuição P -V alue 0,328
Mean 70,000 Media
StDev 10,000
V ariance 100,000
Skew ness -0,050008
Kurtosis 0,423256
N 500
Minimum 29,824
1st Q uartile 63,412
Median 69,977 Mediana
3rd Q uartile 76,653
30 40 50 60 70 80 90 100 Maximum 103,301
95% C onfidence Interv al for Mean
69,121 70,879
95% C onfidence Interv al for Median
69,021 70,737
95% C onfidence Interv al for StDev
9 5 % Confidence Inter vals
9,416 10,662
Mean
Median
Exercício
Agora, pode-se optar por obter as informações sobre as 3 distribuições tabuladas simultaneamente:
120
200
100
150
Frequency
Frequency
80
60
100
40
50
20
0 0
0 12 24 36 48 60 72 70 80 90 100 110 120 130
Negativa Positiva
Histogram of Normal
70
60
50
Frequency
40
30
20
10
0
30 40 50 60 70 80 90 100
Normal
Distribuição Simétrica
120
200
100
150
Frequency
Frequency
80
60
100
40
50
20
0 0
0 12 24 36 48 60 72 70 80 90 100 110 120 130
Negativa Positiva
Média = Mediana
Histogram of Normal
70
60
50
Frequency
40
30
20
10
0
30 40 50 60 70 80 90 100
Normal
Histograma com
Summary for Normal
a curva normal A nderson-Darling Normality Test
associada a A -Squared 0,42
distribuição P -V alue 0,328
Mean 70,000
StDev 10,000
Desvio
V ariance 100,000 Padrão
Skew ness -0,050008
Kurtosis 0,423256
N 500
Minimum 29,824
1st Q uartile 63,412
Inter
Median 69,977
3rd Q uartile 76,653 quartis
30 40 50 60 70 80 90 100 Maximum 103,301
95% C onfidence Interv al for Mean
69,121 70,879
95% C onfidence Interv al for Median
69,021 70,737
95% C onfidence Interv al for StDev
9 5 % Confidence Inter vals
9,416 10,662
Mean
Median
Considerações Finais
Tipos de Dados
DADOS ATRIBUTOS
• Os dados são discretos (contados)
• Entre dois pontos há opções limitadas.
• por exemplo: Controle de Qualidade em produtos acabados "ok / not ok";
decisões gerenciais "promover / não promover"
DADOS VARIÁVEIS
• Os dados são contínuos (medidos).
• Entre dois pontos há possibilidades infinitas.
• por exemplo: preço de um produto (€), o tempo para entregar um pedido
(minutos), peso de caminhão (kg), resistência à tração de um cabo de aço
(kgf), diâmetro do tubo (mm);
(#3) CONTINUOS
Subdivisões Decimais são Significativos.
Ex: Tempo p/atender telefone (# exato de seg. por chamada)
Tipo - I
Há erros?
(aceitar / rejeitar)
Tipo - II
Poisson
Número de erros
em um pedido?
3 2 0 4
"Estou medindo?"
VARIÁVEIS
Distribuição
DADOS
Tempo para
Normal
entregar o
pedido?
Distribuição
“Estou contando algo?”
DADOS ATRIBUTOS
Binomial
TIPO-I
Tem Bolhas?
(aceitar / rejeitar
o item todo)
Distribuição
TIPO-II
Poisson
Número de
Bolhas?
3 2 0 4
DADOS VARIÁVEIS
”Estou medindo?”
Distribuição Normal
Peso do
ou Outra
Vidro
Distribuições de Probabilidade
para Dados Discretos
• Quando analisamos a distribuição binomial (contando o número de itens
em uma determinada classe, por exemplo, número de produtos
rejeitados), a principal estatísticas que medimos é a porcentagem de itens
defeituosos / insatisfatório (geralmente representado por p: p-bar).
Exemplos:
• Porcentagem de notas fiscais devolvidas pelos clientes
• Sempre que for possível, devemos nos esforçar para ter dados
contínuos. Podemos obter muito mais informação e análise mais
rica a partir de dados contínuos, mesmo que seja um pouco mais
complexo para coletá-los.
Distribuição Normal
Limite de Especificação
p(x > a) = 1 e-(1/2)[(x - m)/s]2 dx
a
s 2
- infinito + infinito
a
A Distribuição Normal
Propriedade 1:
Uma distribuição normal pode ser completamente descrita sabendo
apenas o seguinte:
Média
Desvio Padrão
Distribuição Um
Distribuição Dois
Distribuição Três
Eixo X
65 70 75 80 85 90 95 (peso em kg)
30% 95%
20%
99,73%
10%
0%
-4 -3 -2 -1 0 1 2 3 4
m + 1s =
68%dos
indivíduos
Eixo X
65 70 75 80 85 90 95 (peso em kg)
m + 2s = 95% dos
indivíduos
Eixo X
65 70 75 80 85 90 95 (peso em kg)
m + 1s =
68%dos
indivíduos
Eixo X
65 70 75 80 85 90 95 (peso em kg)
Teste de Normalidade
Selecione a coluna de
dados p/ analise da
normalidade dos
mesmos (obs.: somente
uma coluna por vez)
80
40 70
Percent
60
50
30 40
30
20
20 10
5
10
Se o Teste de
1
0 0,1
30 40 50 60 70 80 90 100 30 40 50 60 70 80 90 100 110
Normalidade
Normal Normal
250
Histogram of Negativa Probability Plot of Negativa
Normal
mostrar “P-value"
200
99,9
99
Mean
StDev
N
70,00
10,00
500
Menor que 0,05 -
então os dados
AD 44,491
95 P-Value <0,005
90
150
Frequency
80
Percent
60
50
40
100 30
representados por
20
10
5
50
uma distribuição
1
0 0,1
0 12 24 36 48 60 72 0 20 40 60 80 100
normal
Negativa Negativa
80
80 70
Percent
60
50
60 40
30
20
40 10
5
20
1
0 0,1
70 80 90 100 110 120 130 40 50 60 70 80 90 100 110 120 130
Positiva Positiva
Para cada uma das seguintes aplicações, identifique o tipo de dado que estará investigando:
(Atributo Binomial, Atributo-Poisson ou Variáveis)
Testes
2) Abra o arquivo ‘Capítulo 4 – Teste #01.mpj’ e faça o teste de normalidade . Sua conclusão é :
a) a distribuição é normal;
b) a distribuição não é normal, portanto devemos tomar uma ação sobre o processo para normalizá-lo;
c) a distribuição não é normal e, portanto, devemos prosseguir com a análise tomando-se cuidado com as
suposições de normalidade que estão sendo feitas e procurando observar se a não normalidade é a característica
do processo ou se é causada por alguma fonte de variação
d) caso a não normalidade seja característica do processo, uma transformação matemática pode auxiliar a
análise
e) c) e d) estão corretas
Média :_________________
Desvio padrão :__________
Variância :______________
p-value :_______________
Mediana :______________
Número total de indivíduos :__________
Gráficos
GRÁFICOS Básicos
BÁSICOS
Diagrama de Dispersão
Open ‘Vendors Evaluation.mpj’
Relaciona-se com os testes de controle de qualidade entre fornecedores
e clientes
Caminho:
Graph>Scatterplot
Diagrama de Dispersão
Scatterplot of Resultados_Cliente vs Resultados_Fornecedor
420
400
Resultados_Cliente
380
360
340
320
350 375 400 425 450 475
Resultados_Fornecedor
Suponha que estamos comparando as medições feitas por um fornecedor e as medições feitas pelo cliente nas
mesmas peças. Que conclusões podemos tirar olhando o gráfico?
Gráfico de Tendência
Box Plot
Outlier (fora da distância do 75a percentil + 1,5 vezes 75a
* percentil menos 25a percentil)
Observação Máxima (Para uma distância de
1,5 vezes 75a percentil menos 25a percentil)
Box Plot
Análise de Y, SEM estratificação
105
105
DBP
DBP
100
100
95
95
1 2 3 4 5 6
Dia
Gráficos de Pareto
Atenção: repare que para utilizar o comando deve haver pelo menos duas colunas - a
primeira com a característica que desejamos fazer o gráfico de Pareto e uma segunda
com a freqüência de ocorrência daquela característica.
Gráficos de Pareto
Descrição das
Causas
Frequência de
Ocorrências
Princípio Pareto: 20% das causas são responsáveis Por 80% dos defeitos. Use-o para
organizar os dados, estabeleça prioridades e apresente a informação
objetivamente para os outros
Gráficos de Pareto
Gráficos de Pareto
(Segundo Nível)
Stat>Quality Tools>Pareto Chart
Testes:
1) Ferramenta muito útil na fase de Medição , mas que também pode ser empregada durante a fase de
Definição quando se quer identificar qual problema ocorre com maior freqüência e que, portanto, tem
preferência para ser atacado primeiro em um projeto Seis Sigma :
a) Diagrama de Pareto
b) Histograma
c) Gráfico de Tendência
d) Diagrama de dispersão
e) Box Plot
2) Ferramenta útil para avaliar a variação de um determinado “Y” variável quando ocorrem variações numa
variável “X” variável :
a) Diagrama de Pareto
b) Histograma
c) Gráfico de Tendência
d) Diagrama de dispersão
e) Box Plot
3) Ferramenta útil para observação do comportamento de uma variável ao longo do tempo servindo para
observar “outliers” e ocorrência de comportamentos “especiais” :
a) Diagrama de Pareto
b) Histograma
c) Gráfico de Tendência
d) Diagrama de dispersão
e) todas acima
a) os gráficos mostram quais são as principais fontes de variação que devem ser atacadas primeiro
b) todos os gráficos deste capítulo são obrigatórios de aparecer em um projeto Seis Sigma
c) os gráficos dão uma indicação de onde procurar por fontes de variação e como eliminá-las
d) os gráficos dão uma indicação de onde procurar por fontes de variação
COLETA DE DADOS
Dados de Atributos
Para dados de atributos, deve-se criar uma planilha onde há uma (ou
várias) coluna para o(s) Y(‘s), onde para cada elemento observado do(s)
Y(s) coloca-se o resultado OK ou Não OK.
As colunas C8 e C9 contêm o resultado para os dois Y’s ( “Dentro do Prazo” e “Correto” ) em cada caso que
foi analisado.
Dados Variáveis
Testes:
1) Se os dados do processo ( “Y” variável ) que se está estudando não se encontram distribuídos normalmente qual a
melhor coisa a ser feita ?
a) abandonar o projeto, pois ele só pode ser executado se os dados estiverem normalmente distribuídos
b) executar o projeto normalmente. O fato dos dados serem normais ou não tem pouca influência na análise estatística
dos dados
c) transformar matematicamente ( com o auxílio do MBB ) os dados até que a distribuição seja normal , tomando-se o
cuidado de fazer a mesma transformação para a(s) especificação (ões)
d) encontrar as causas da não normalidade da distribuição e tomar ação corretiva até normalizá-la
e) n.d.a
2) Quando o processo que se está estudando tem dados de atributo ( “Y” tipo Ok/Não Ok ) qual o tipo de informação
que se pode tirar :
a) porcentagem de peças Ok e Não Ok ocorridas durante um período
b) gráfico de Pareto dos tipos de defeitos
c) relação entre o as porcentagens de defeitos relacionadas a diferentes categorias de um determinado X
d) todas acima são informações que devem ser tiradas, sempre que possível, de dados de atributo
3) Associe as 2 colunas:
2 0,5 308.537
3 1,5 66.807
4 2,5 6.210
5 3,5 233
6 4,5 3,4
Capabilidade
}
Um defeito é uma output do processo que não atender aos seguintes requisitos:
• Objetivos de negócio ou metas estratégicas
• Requisitos do cliente ou resultados esperados
• As especificações do produto ou padrões de qualidade
• Condições legais ou regulamentares
Z transformado
Z Transformado
Suponha que a distribuição do peso dos jogadores de um time de futebol segue uma distribuição
Normal com m= 80 kg e s= 5 kg.
Eixo X
65 70 75 80 85 90 95 (peso em kg)
m + 1s =
68%dos
indivíduos
Eixo X
65 70 75 80 85 90 95 (peso em kg)
Z Transformado
Suponha que a distribuição do peso dos jogadores de um time de futebol segue uma distribuição Normal
com m= 80 kg e s= 5 kg.
m + 2s = 95% dos
indivíduos
Eixo X
65 70 75 80 85 90 95 (peso em kg)
m + 1s =
68%dos
indivíduos
Eixo X
65 70 75 80 85 90 95 (peso em kg)
Z Transformado
MÉDIA POPULACIONAL
CALCULADA
VALOR DE ‘Z’
x-m
Z=
s
DESVIO PADRÃO
POPULACIONAL
CALCULADA
65 70 75 80 85 90 95 Eixo X
-2 Zeixo
(Desv’s Padr. da Média)
68%
Probabilidade do valor da amostra
40%
30% 95%
20%
99,73%
10%
0%
Eixo Z
-4 -3 -2 -1 0 1 2 3 4
( µ ± Nσ )
Exercício:
A distribuição de dados do tempo de espera para uma cirurgia específica no sistema público de
saúde na Itália é uma distribuição normal com uma média de 266 dias, com um desvio padrão
de 16 dias. Com base nesses dados, um indivíduo tem uma probabilidade de ter a cirurgia em
menos de 234 dias, ou mais de 282 dias?
s = 16
m = 266
Curva de Probabilidade
Qual a probabilidade de uma pessoa realizar a cirurgia em menos de 234 dias ou de mais de
282 dias?
s =16
m = 266
A Estatística Z
Sabemos, então, que o termo usado para calcular a probabilidade em distribuições normais é
estatística “Z”, que é uma relação de dois valores absolutos e, portanto, sem dimensão.
Porém como faremos quando o valor da estatística “Z” for diferente de 0; +1; +2; +3 ?
(x - m)
z=
s
z
0.9 1.84E-01 1.81E-01 1.79E-01 1.76E-01 1.74E-01 1.71E-01 1.69E-01 1.66E-01 1.64E-01 1.61E-01
1.0 1.59E-01 1.56E-01 1.5 39E01 1.52E-01 1.49E-01 1.47E-01 1.45E-01 1.42E-01 1.40E-01 1.38E-01
1.1 1.36E-01 1.34E-01 1.31E-01 1.29E-01 1.27E-01 1.25E-01 1.23E-01 1.21E-01 1.19E-01 1.17E-01
1.2 1.15E-01 1.13E-01 1.11E-01 1.09E-01 1.08E-01 1.06E-01 1.04E-01 1.02E-01 1.00E-01 9.85E-02
1.3 9.68E-02 9.51E-02 9.34E-02 9.18E-02 9.01E-02 8.85E-02 8.69E-02 8.53E-02 8.38E-02 8.23E-02
1.4 8.08E-02 7.93E-02 7.78E-02 7.64E-02 7.49E-02 7.35E-02 7.21E-02 7.08E-02 6.94E-02 6.81E-02
1.5 6.68E-02 6.55E-02 6.43E-02 6.30E-02 6.18E-02 6.06E-02 5.94E-02 5.82E-02 5.71E-02 5.59E-02
Exemplo :
1.6 5.48E-02 5.37E-02 5.26E-02 5.16E-02 5.05E-02 4.95E-02 4.85E-02 4.75E-02 4.65E-02 4.55E-02
1.7 4.46E-02 4.36E-02 4.27E-02 4.18E-02 4.09E-02 4.01E-02 3.92E-02 3.84E-02 3.75E-02 3.67E-02
1.8 3.59E-02 3.52E-02 3.44E-02 3.36E-02 3.29E-02 3.22E-02 3.14E-02 3.07E-02 3.01E-02 2.94E-02
1.9 2.87E-02 2.81E-02 2.74E-02 2.68E-02 2.62E-02 2.56E-02 2.50E-02 2.44E-02 2.39E-02 2.33E-02
Probabilidade de z>1,25
2.0 2.28E-02 2.22E-02 2.17E-02 2.12E-02 2.07E-02 2.02E-02 1.97E-02 1.92E-02 1.88E-02 1.83E-02
2.1 1.79E-02 1.74E-02 1.70E-02 1.66E-02 1.62E-02 1.58E-02 1.54E-02 1.50E-02 1.46E-02 1.43E-02
2.2 1.39E-02 1.36E-02 1.32E-02 1.29E-02 1.26E-02 1.22E-02 1.19E-02 1.16E-02 1.13E-02 1.10E-02
2.3 1.07E-02 1.04E-02 1.02E-02 9.90E-03 9.64E-03 9.39E-03 9.14E-03 8.89E-03 8.66E-03 8.42E-03
2.4 8.20E-03 7.98E-03 7.76E-03 7.55E-03 7.34E-03 7.14E-03 6.95E-03 6.76E-03 6.57E-03 6.39E-03
1,25 = 1,2 + 0,05 2.5
2.6
6.21E-03
4.66E-03
6.04E-03
4.53E-03
5.87E-03
4.40E-03
5.70E-03
4.27E-03
5.54E-03
4.15E-03
5.39E-03
4.02E-03
5.23E-03
3.91E-03
5.09E-03
3.79E-03
4.94E-03
3.68E-03
4.80E-03
3.57E-03
2.7 3.47E-03 3.36E-03 3.26E-03 3.17E-03 3.07E-03 2.98E-03 2.89E-03 2.80E-03 2.72E-03 2.64E-03
2.8 2.56E-03 2.48E-03 2.40E-03 2.33E-03 2.26E-03 2.19E-03 2.12E-03 2.05E-03 1.99E-03 1.93E-03
COLUNA LINHA 2.9 1.87E-03 1.81E-03 1.75E-03 1.70E-03 1.64E-03 1.59E-03 1.54E-03 1.49E-03 1.44E-03 1.40E-03
=10,6 % 3.0
3.1
1.35E-03
9.68E-04
1.31E-03
9.35E-04
1.26E-03
9.04E-04
1.22E-03
8.74E-04
1.18E-03
8.45E-04
1.14E-03
8.16E-04
1.11E-03
7.89E-04
1.07E-03
7.62E-04
1.04E-03
7.36E-04
1.00E-03
7.11E-04
3.2 6.87E-04 6.64E-04 6.41E-04 6.19E-04 5.98E-04 5.77E-04 5.57E-04 5.38E-04 5.19E-04 5.01E-04
3.3 4.84E-04 4.67E-04 4.50E-04 4.34E-04 4.19E-04 4.04E-04 3.90E-04 3.76E-04 3.63E-04 3.50E-04
3.4 3.37E-04 3.25E-04 3.13E-04 3.02E-04 2.91E-04 2.80E-04 2.70E-04 2.60E-04 2.51E-04 2.42E-04
3.5 2.33E-04 2.24E-04 2.16E-04 2.08E-04 2.00E-04 1.93E-04 1.86E-04 1.79E-04 1.72E-04 1.66E-04
3.6 1.59E-04 1.53E-04 1.47E-04 1.42E-04 1.36E-04 1.31E-04 1.26E-04 1.21E-04 1.17E-04 1.12E-04
3.7 1.08E-04 1.04E-04 9.97E-05 9.59E-05 9.21E-05 8.86E-05 8.51E-05 8.18E-05 7.85E-05 7.55E-05
3.8 7.25E-05 6.96E-05 6.69E-05 6.42E-05 6.17E-05 5.92E-05 5.68E-05 5.46E-05 5.24E-05 5.03E-05
3.9 4.82E-05 4.63E-05 4.44E-05 4.26E-05 4.09E-05 3.92E-05 3.76E-05 3.61E-05 3.46E-05 3.32E-05
4.0 3.18E-05 3.05E-05 2.92E-05 2.80E-05 2.68E-05 2.57E-05 2.47E-05 2.36E-05 2.26E-05 2.17E-05
4.1 2.08E-05 1.99E-05 1.91E-05 1.82E-05 1.75E-05 1.67E-05 1.60E-05 1.53E-05 1.47E-05 1.40E-05
4.2 1.34E-05 1.29E-05 1.23E-05 1.18E-05 1.13E-05 1.08E-05 1.03E-05 9.86E-06 9.43E-06 9.01E-06
4.3 8.62E-06 8.24E-06 7.88E-06 7.53E-06 7.20E-06 6.88E-06 6.57E-06 6.28E-06 6.00E-06 5.73E-06
4.4 5.48E-06 5.23E-06 5.00E-06 4.77E-06 4.56E-06 4.35E-06 4.16E-06 3.97E-06 3.79E-06 3.62E-06
4.5 3.45E-06 3.29E-06 3.14E-06 3.00E-06 2.86E-06 2.73E-06 2.60E-06 2.48E-06 2.37E-06 2.26E-06
4.6 2.15E-06 2.05E-06 1.96E-06 1.87E-06 1.78E-06 1.70E-06 1.62E-06 1.54E-06 1.47E-06 1.40E-06
4.7 1.33E-06 1.27E-06 1.21E-06 1.15E-06 1.10E-06 1.05E-06 9.96E-07 9.48E-07 9.03E-07 8.59E-07
4.8 8.18E-07 7.79E-07 7.41E-07 7.05E-07 6.71E-07 6.39E-07 6.08E-07 5.78E-07 5.50E-07 5.23E-07
4.9 4.98E-07 4.73E-07 4.50E-07 4.28E-07 4.07E-07 3.87E-07 3.68E-07 3.50E-07 3.32E-07 3.16E-07
z 6.0 1.25E-09 1.18E-09 1.11E-09 1.05E-09 9.88E-10 9.31E-10 8.78E-10 8.28E-10 7.81E-10 7.36E-10
6.1 6.94E-10 6.54E-10 6.17E-10 5.81E-10 5.48E-10 5.16E-10 4.87E-10 4.59E-10 4.32E-10 4.07E-10
6.2 3.84E-10 3.61E-10 3.40E-10 3.21E-10 3.02E-10 2.84E-10 2.68E-10 2.52E-10 2.38E-10 2.24E-10
6.3 2.11E-10 1.98E-10 1.87E-10 1.76E-10 1.66E-10 1.56E-10 1.47E-10 1.38E-10 1.30E-10 1.22E-10
6.4 1.15E-10 1.08E-10 1.02E-10 9.59E-11 9.02E-11 8.49E-11 7.98E-11 7.51E-11 7.06E-11 6.65E-11
6.5 6.25E-11 5.88E-11 5.53E-11 5.20E-11 4.89E-11 4.60E-11 4.32E-11 4.07E-11 3.82E-11 3.59E-11
6.6 3.38E-11 3.18E-11 2.98E-11 2.81E-11 2.64E-11 2.48E-11 2.33E-11 2.19E-11 2.06E-11 1.93E-11
6.7 1.82E-11 1.71E-11 1.60E-11 1.51E-11 1.42E-11 1.33E-11 1.25E-11 1.17E-11 1.10E-11 1.04E-11
6.8 9.72E-12 9.13E-12 8.57E-12 8.05E-12 7.56E-12 7.10E-12 6.66E-12 6.26E-12 5.87E-12 5.52E-12
6.9 5.18E-12 4.86E-12 4.56E-12 4.28E-12 4.02E-12 3.77E-12 3.54E-12 3.32E-12 3.12E-12 2.93E-12
7.0 2.75E-12 2.58E-12 2.42E-12 2.27E-12 2.13E-12 2.00E-12 1.87E-12 1.76E-12 1.65E-12 1.55E-12
7.1 1.45E-12 1.36E-12 1.28E-12 1.20E-12 1.12E-12 1.05E-12 9.88E-13 9.26E-13 8.69E-13 8.15E-13
7.2 7.64E-13 7.16E-13 6.72E-13 6.30E-13 5.90E-13 5.54E-13 5.19E-13 4.86E-13 4.56E-13 4.28E-13
7.3 4.01E-13 3.76E-13 3.52E-13 3.30E-13 3.09E-13 2.90E-13 2.72E-13 2.55E-13 2.39E-13 2.24E-13
7.4 2.10E-13 1.96E-13 1.84E-13 1.72E-13 1.62E-13 1.51E-13 1.42E-13 1.33E-13 1.24E-13 1.17E-13
7.5 1.09E-13 1.02E-13 9.58E-14 8.98E-14 8.41E-14 7.87E-14 7.38E-14 6.91E-14 6.47E-14 6.06E-14
7.6 5.68E-14 5.32E-14 4.98E-14 4.66E-14 4.37E-14 4.09E-14 3.83E-14 3.58E-14 3.36E-14 3.14E-14
7.7 2.94E-14 2.76E-14 2.58E-14 2.42E-14 2.26E-14 2.12E-14 1.98E-14 1.86E-14 1.74E-14 1.63E-14
7.8 1.52E-14 1.42E-14 1.33E-14 1.25E-14 1.17E-14 1.09E-14 1.02E-14 9.58E-15 8.97E-15 8.39E-15
7.9 7.85E-15 7.35E-15 6.88E-15 6.44E-15 6.02E-15 5.64E-15 5.28E-15 4.94E-15 4.62E-15 4.32E-15
8.0 4.05E-15 3.79E-15 3.54E-15 3.31E-15 3.10E-15 2.90E-15 2.72E-15 2.54E-15 2.38E-15 2.22E-15
8.1 2.08E-15 1.95E-15 1.82E-15 1.70E-15 1.59E-15 1.49E-15 1.40E-15 1.31E-15 1.22E-15 1.14E-15
8.2 1.07E-15 9.99E-16 9.35E-16 8.74E-16 8.18E-16 7.65E-16 7.16E-16 6.69E-16 6.26E-16 5.86E-16
8 30 5.48E-16 5.12E-16 4.79E-16 4.48E-16 4.19E-16 3.92E-16 3.67E-16 3.43E-16 3.21E-16 3.00E-16
8.4 2.81E-16 2.62E-16 2.45E-16 2.30E-16 2.15E-16 2.01E-16 1.88E-16 1.76E-16 1.64E-16 1.54E-16
8.5 1.44E-16 1.34E-16 1.26E-16 1.17E-16 1.10E-16 1.03E-16 9.60E-17 8.98E-17 8.40E-17 7.85E-17
8.6 7.34E-17 6.87E-17 6.42E-17 6.00E-17 5.61E-17 5.25E-17 4.91E-17 4.59E-17 4.29E-17 4.01E-17
8.7 3.75E-17 3.51E-17 3.28E-17 3.07E-17 2.87E-17 2.68E-17 2.51E-17 2.35E-17 2.19E-17 2.05E-17
8.8 1.92E-17 1.79E-17 1.68E-17 1.57E-17 1.47E-17 1.37E-17 1.28E-17 1.20E-17 1.12E-17 1.05E-17
8.9 9.79E-18 9.16E-18 8.56E-18 8.00E-18 7.48E-18 7.00E-18 6.54E-18 6.12E-18 5.72E-18 5.35E-18
9.0 5.00E-18 4.68E-18 4.37E-18 4.09E-18 3.82E-18 3.57E-18 3.34E-18 3.13E-18 2.92E-18 2.73E-18
9.1 2.56E-18 2.39E-18 2.23E-18 2.09E-18 1.95E-18 1.83E-18 1.71E-18 1.60E-18 1.49E-18 1.40E-18
9.2 1.31E-18 1.22E-18 1.14E-18 1.07E-18 9.98E-19 9.33E-19 8.73E-19 8.16E-19 7.63E-19 7.14E-19
9.3 6.67E-19 6.24E-19 5.83E-19 5.46E-19 5.10E-19 4.77E-19 4.46E-19 4.17E-19 3.90E-19 3.65E-19
9.4 3.41E-19 3.19E-19 2.98E-19 2.79E-19 2.61E-19 2.44E-19 2.28E-19 2.14E-19 2.00E-19 1.87E-19
9.5 1.75E-19 1.63E-19 1.53E-19 1.43E-19 1.34E-19 1.25E-19 1.17E-19 1.09E-19 1.02E-19 9.56E-20
9.6 8.94E-20 8.37E-20 7.82E-20 7.32E-20 6.85E-20 6.40E-20 5.99E-20 5.60E-20 5.24E-20 4.90E-20
9.7 4.58E-20 4.29E-20 4.01E-20 3.75E-20 3.51E-20 3.28E-20 3.07E-20 2.87E-20 2.69E-20 2.52E-20
9.8 2.35E-20 2.20E-20 2.06E-20 1.93E-20 1.80E-20 1.69E-20 1.58E-20 1.48E-20 1.38E-20 1.29E-20
9.9 1.21E-20 1.13E-20 1.06E-20 9.90E-21 9.26E-21 8.67E-21 8.11E-21 7.59E-21 7.10E-21 6.64E-21
10.0 6.22E-21 5.82E-21 5.44E-21 5.09E-21 4.77E-21 4.46E-21 4.17E-21 3.91E-21 3.66E-21 3.42E-21
Qual a probabilidade de uma pessoa ir ao cinema sexta à noite e ter a idade maior que 28
anos ou menor que 20 anos ?
LIE = 20 LSE = 28
s=2
P ( x > 27.9 )
P ( x < 20 )
m = 25
A Estatística Z
Qual a probabilidade de uma pessoa ir ao cinema sexta à noite e ter a idade maior
que 28 anos ou menor que 20 anos ?
LIE LSE
s s s ss ss s s ss s
P ( Z<6) P ( Z>6)
CURTO
PRAZO
ZLT=4,5s ZSHIFT=1,5s
2 0,5 308.537
3 1,5 66.807
4 2,5 6.210
5 3,5 233
6 4,5 3,4
Capabilidade
}
Foi designado um Green Belt para desenvolver esse projeto. Ele coletou, durante
um mês, o tempo desde a chegada do caminhão do cliente no fornecedor até a
sua saída pelo portão completamente carregado.
Arquivo: ‘CAPABILITY_1.MPJ’.
Recordando: STAT > BASICS STATISTICS > NORMALITY TEST (p>0,05 = processo normal)
60
50
40
o processo deve ser estàvel.
30
20
10 Stat, Control Charts, Variable
5 Charts for Sub-Groups, Xbar-R
1
Todos os pontos devem estar
0,1
50 60 70 80 90 100 dentro dos limites de
Tempo especificaçao.
Em seu projeto, caso uma das condiçoes acima não seja obedecida,
procure seu Black Belt
USL
P rocess Data Within
LSL * Overall
Target *
U SL 78 P otential (Within) C apability
Sample M ean 72,8067 Cp *
Sample N 150 C PL * I . Valor de Z
StDev (Within) 6,2508 C PU 0,28
StDev (O v erall) 7,27588 C pk 0,28
C C pk 0,28
O v erall C apability
Pp *
= 3 * Ppk + ZSHIFT
PPL *
PPU 0,24
P pk
C pm
0,24
*
= 3 * 0,24 + 1,50
= 0,72 + 1,50
= 2,22
60,0 67,5 75,0 82,5 90,0 97,5
O bserv ed P erformance Exp. Within P erformance Exp. O v erall P erformance
P P M < LSL * PPM < LSL * P P M < LSL *
P P M > U SL 186666,67 PPM > U SL 203035,57 P P M > U SL 237683,38 II . Valor de DPMO
P P M Total 186666,67 PPM Total 203035,57 P P M Total 237683,38
237.683
= ~ 23,7%
ZLT = Distância do limite de especificação mais próximo até a média em número de sLT .
Utilizando a ferramenta do Minitab, esse valor pode ser facilmente obtido através da relação:
ZLT = 3*Ppk = 3* (0,25) = 0,75 (a eventual diferença se dá por aproximações nos 2 cálculos,
não prejudicando a análise).
2-) Este é o valor do ppm do projeto . É calculado a partir da tabela da estatística “z” das
páginas 22 e 23 . Para z = 0,75 a probabilidade de defeitos ( valores acima de 78 ) é de 0,227,
ou seja, 227.078 ppm.
Para que um Negócio seja competitivo no mercado em que atua é essencial que, uma vez
o cliente tenha feito um pedido, ele seja atendido em no máximo 7 dias.
Além disso, o tempo mínimo para entrega do pedido é de 1 dia, que é o tempo para que
o cliente possa se preparar-se para receber os produtos em suas instalações .
Foi designado um Green Belt para desenvolver esse projeto . Os dados foram coletados em
subgrupos de tamanho 5 toda semana durante 30 semanas.
Resolução:
Sabendo que são dados contínuos, deve-se inicialmente apurar se seguem uma
distribuição normal (‘Normality Test’) e se o processo està estàvel.
Em seguindo, fazer o cálculo da capabilidade, onde os dados de entrada serão:
Em seu projeto, caso uma das condiçoes acima não seja obedecida,
procure seu Black Belt
I . Valor de Z
= 3 * Ppk + ZSHIFT
= 3 * 0,30 + 1,50
= 0,90 + 1,50
= 2,40
II . Valor de DPMO
181.321
OBSERVE QUE OS DEFEITOS SOMENTE OCORREM EM RELACAO AO
LIMITE SUPERIOR DE ESPECIFICACAO (E NAO P/ O INFERIOR) = ~ 18,1%
ZLT = Distância do limite de especificação mais próximo até a média em número de sLT.
Utilizando a ferramenta do Minitab, esse valor pode ser facilmente obtido através da relação:
ZLT = 3*Ppk = 3* (0,30) = 0,90 (qualquer possível diferença se dá por aproximações nos 2
cálculos, não prejudicando a análise).
2-) Este é o PPM do projeto. I É calculado a partir da tabela da estatística “z” da página 23.
Para z = 0,90 a probabilidade de defeitos (calores cima de168 horas) é 0,181 ou 181.321 ppm.
No entanto,o valor de capabilidade σ adding Zshift of 1,5σ . Hence, this process has 2,40 σ .
- Unidade
- Oportunidade
- Defeito
EXEMPLOS:
- Ordem de um produto
- As chamadas telefônicas
- Faturas
- Pedido de Importação
- Um produto
- Um serviço
- Uma instalação
‘OPORTUNIDADE’
Ex.:
1) Um processo de importação pode falhar de três formas diferentes (3 oportunidades):
• chegar o produto fora do prazo
• Documentação incorreta
• produto incorreto
Oportunidade pode ser também cada uma das partes menores de uma unidade
onde se vai contar os defeitos.
Exemplos :
- Para que possa ser feita a importação de um determinado equipamento devo entregar na
aduana 3 documentos básicos (3 oportunidades)
‘DEFEITO’
• insatisfação do cliente
Ex: durante 3 meses um Green Belt coletou 500 pedidos de clientes e verificou
que 50 deles foram entregues fora do prazo (uma oportunidade por unidade:
prazo).
LIE LSE
ZLT=4,5s ZSHIFT=1,5s
Um Green Belt foi designado para desenvolver um projeto para eliminar esses
problemas. Ele recolheu dados para 6 meses, o qual é considerado o tempo
suficiente para compreender a variação típica do presente processo
Em cada pedido era verificado se o produto havia sido entregue dentro do prazo e
se o produto entregue ao cliente estava correto . Os resultados obtidos foram:
U = 1.000 O=2 D= 13
Este é o valor do ZLT . Para obtermos o valor do ZST deve-se adicionar 1,5s ao ZLT
obtendo-se, então, um valor de ZST de 3,98 , que é a capabilidade s do processo.
•Defeitos = 13
•Unidades = 1.000
•Oportunidades = 2
ENTRADA DE DADOS: U, O, D
2 1
Observação: para obter o valor de ZLT basta diminuir 1,5σ do ZST . Neste caso o
ZLT é 2,48 .
Um Green Belt foi designado para desenvolver um projeto para diminuir o número de erros
nas ordens de compras.
Ele recolheu dados de pedidos de compras por três meses . Esses dados foram computados no
arquivo ‘compras.xls’ do Excel.
Oportunidades: Como para cada ordem de compras varia o número de itens pedidos pelo
cliente, então é variável também o número de oportunidades por unidade (cada linha no
arquivo corresponderá a uma unidade e seu correspondente número de oportunidades)
1 2
No final dessa fase todo projeto deve ter a sua capabilidade s e seu
correspondente número de defeitos por milhão calculados.
Fazendo isto conseguiremos uma capabilidade maior até atingirmos o objetivo que é
um ZST de 6s com um ppm de 3,4.
Objective Objective
REDUÇÃO DA
CENTRALIZAÇÃO DO Objective
DISPERSÃO
PROCESSO
LSL USL
Testes:
1-) Qual dos seguintes itens servirá para reportar a capabilidade s do processo?
a-) ZLT
b-) Zshift
c-) ZST
d-) dependendo da situação posso utilizar qualquer um deles
3-) Na função Stat>Quality Tools>Capability Analysis (Normal) do Minitab utilizada para cálculo da
capabilidade s do processo para dados contínuos onde devo olhar para identificar o valor da capabilidade?
a-) Cp
b-) Ppk
c-) as duas anteriores
d-) nenhum dos anteriores
4-) No arquivo para cálculo de capabilidade s em Excel (atributos), onde devo olhar para identificar o valor da
capabilidade?
a-) Z bench ST
b-) Z bench LT
c-) a) e b) estão corretas, porém a resposta b) é melhor porque permite comparação com a capabilidade
calculada para dados de atributos .
6-) Abra o arquivo ‘teste_capabilidade.mtw’. Suponha que os clientes estão ficando mais exigentes e querem
que de agora em diante um produto seja entregue em no mínimo em um dia (24 horas) e no máximo 3 dias
(72 horas) . Se os dados do arquivo correspondem à coleta de dados para esse projeto (subgrupos de
tamanho 5 com os dados em horas ) qual é a capabilidade desse projeto (utilizando o Z shift teórico) ?
a-) 0,10
b-) 0,30
c-) 1,80
d-) 1,50
e-) 1,20
7-) De 4.000 pedidos de importação 400 produtos foram entregues fora do prazo para os clientes no último
semestre . Qual a capabilidade deste processo ?
a-) 4,282
b-) 2,782
c-) 1,282
d-) 1,500
Análise
8 - 10
FMEA
4-8
Análise gráfica dos dados
3-6
Análise estatística dos dados
X’s Vitais
235 Copyright: Optness Institute, 2013
São as primeiras para as quais se deve planejar uma possível tomada de ação.
Análise com gráficos básicos ajudam muito a identificar alguns destes “X’s”
óbvios.
Dados de Atributos
O arquivo ‘Service Level.mpj’ contém dados sobre o desempenho de um processo de entrega de produtos.
Nas colunas C2 a C7 há informações sobre X’s potenciais que serão analisados e que podem ter influência
sobre os Y’s .
Dados de Atributos
Abra o arquivo: ‘Service Level.mpj’
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
Dados de Atributos
Use os gráficos de Pareto para ter uma primeira idéia da influência dos X’s sobre o Y. .
Dados Variáveis
Exercício com a catapulta
Análise da Distribuição
Dados Variáveis
____________________________________________________
____________________________________________________
____________________________________________________
____________________________________________________
____________________________________________________
____________________________________________________
____________________________________________________
Faça uma primeira análise da influência dos X’s sobre o Y (distância) utilizando os
gráficos básicos aprendidos nos capítulos anteriores.
Por exemplo :
2-) Use Box Plot para analisar a influência dos elásticos, operadores, e balas sobre
a distância.
Dados Variáveis
________________________________________________
________________________________________________
________________________________________________
________________________________________________
________________________________________________
________________________________________________
________________________________________________
________________________________________________
________________________________________________
________________________________________________
Antes de iniciar antes análise estatística mais profunda recomenda-se uma nova
revisão do processo (qualitativa/subjetiva) para identificar outras potenciais fontes
de variação eventualmente esquecidas. Uma outra técnica recomendada para esta
revisão é o FMEA.
Testes:
1-) Qual o principal objetivo da fase de análise?
I-) Sponsor ( ) (a) deve ser o líder do projeto e trabalhar para que seja
terminado num período de 4 a 6 meses preferencialmente
II-) Lider do Projeto ( ) (b) quem pode responder a perguntas sobre o uso
correto das ferramentas estatísticas e de qualidade
III-) Membros da equipe ( ) (c) quem fornece apoio e recursos para a equipe
IV-) MBB ou Black Belt ( ) (d) que ajudam a coletar dados e apoia a análise do
projeto
Objetivo
X
(Fonte de Variação)
DISCRETO (ATRIBUTO)
(Variável Dependente)
CONTÍNUO
CONTÍNUO
Box Plot
Diagrama de Dispersão
Teste de Hipótese
Regressão Simples
ANOVA
DOE
DOE
Y
(ATRIBUTO)
DISCRETO
Pareto
Regressão Logística Tabela Análise de Contingência
Chi Quadrado: Independência
Pressuposições Básicas:
# de erros em um pedido
(#3) CONTINUOS
Subdivisões Decimais são Significativos.
Ex: Tempo p/atender telefone (# exato de seg. por chamada)
Mean
Mean
Y= 30 Y= 30
Mean
Yield 20
20 Yield
(km/L) 10
10 (km/L)
0 0,5 1 1,5 2 A B C
X = Weight of Car (ton.) X= Brand of Car
X (Variation Source):
Box Plot
Scatter Diagram
Hypothesis Test
Regression Analysis
ANOVA
DOE
DOE
(ATTRIBUTE)
DISCRETE
Pareto
Logistic Regression Contingency Table Analysis
Chi Square: Independence
Total 75 60 65
Y= 160 115 175
100%
No Y= High
Total Lost 75%
Damage? Severity of 100 65 135
50% Middle
(Yes/No)
Yes Damage?
25% 15 10 25
Low
0 0,5 1 1,5 2
A B C
X= Weight of Car (ton.)
X= Brand of Car
O que é o Y?
(a medida de desempenho da Y=
resposta)
Portanto, o tipo
Y é discreto ou contínuo? apropriado de análise
(quadrante) seria...
O que é o X? X=
(o fator que explica a variável)
X é tratado como
discreto ou contínuo?
O que é o Y?
(a medida de desempenho da Y=
resposta)
Portanto, o tipo
Y é discreto ou contínuo? apropriado de análise
(quadrante) seria...
O que é o X? X=
(o fator que explica a variável)
X é tratado como
discreto ou contínuo?
Bob não foi promovido pela empresa ABC. Ele tinha todas as qualificações e todos dizem
que trabalha muito bem.
a) Foi por causa da sua idade?
b) Esta empresa tem um histórico de “Discriminação de Idade” na sua política de promoção?
c) A idade influência para obter uma promoção?
O que é o Y?
(a medida de desempenho da Y=
resposta)
Portanto, o tipo
Y é discreto ou contínuo? apropriado de análise
(quadrante) seria...
O que é o X? X=
(o fator que explica a variável)
X é tratado como
discreto ou contínuo?
Uma determinada empresa utiliza três operadores logísticos e agora precisa escolher
apenas um. Um determinado fornecedor parece ter um serviço rápido e uma menor
variabilidade nos seus tempos de entrega. Isso é estatisticamente relevante?
O que é o Y?
(a medida de desempenho da Y=
resposta)
Portanto, o tipo
Y é discreto ou contínuo? apropriado de análise
(quadrante) seria...
O que é o X? X=
(o fator que explica a variável)
X é tratado como
discreto ou contínuo?
CASO #5
Bob, Chris e Paul são auditores. A cada um foi entregue secretamente a mesma
pilha de formulários, para identificar rejeições. Você deve tentar detectar se existem
diferenças significativas entre seus desempenhos.
O que é o Y?
(a medida de desempenho da Y=
resposta)
Portanto, o tipo
Y é discreto ou contínuo? apropriado de análise
(quadrante) seria...
O que é o X? X=
(o fator que explica a variável)
X é tratado como
discreto ou contínuo?
TESTE #1
Um Green Belt deseja saber se o peso dos produtos têm influência no tempo que um
operador leva para carregar o caminhão do cliente. Você pode encontrar os dados do
teste no próximo slide.
O que é o Y?
(a medida de desempenho da Y=
resposta)
Portanto, o tipo
Y é discreto ou contínuo? apropriado de análise
(quadrante) seria...
O que é o X? X=
(o fator que explica a variável)
X é tratado como
discreto ou contínuo?
12 60
6 45
7.5 51
15 80
7 52
10 62
18 90 Abara o arquivo
3 40
20 100 “Map_Test_1.mpj”
7 51
17 88
11 60
18 92
8 50
9 56
4 44
22 105
13 70
12 71
6 47
10 59
O que é o Y?
(a medida de desempenho da Y=
resposta)
Portanto, o tipo
Y é discreto ou contínuo? apropriado de análise
(quadrante) seria...
O que é o X? X=
(o fator que explica a variável)
X é tratado como
discreto ou contínuo?
Os dados do exercício 2 encontram-se abaixo . Faça uma análise gráfica e discuta: o “X”
estudado tem uma influência óbvia sobre o “Y” ? Por quê ?
Sul 234
Leste 123
Oeste 156
Abra o arquivo
Norte 202
“Map_Test_2.mpj”
Nordeste 78
Noroeste 102
Sudeste 189
Sudoeste 234
Um Green Belt deseja saber se os três engenheiros disponíveis para fazer instalação
dos equipamentos dos clientes possuem diferenças nos respectivos tempos para
executar a instalação. Você pode encontrar os dados do teste no próximo slide.
O que é o Y?
(a medida de desempenho da Y=
resposta)
Portanto, o tipo
Y é discreto ou contínuo? apropriado de análise
(quadrante) seria...
O que é o X? X=
(o fator que explica a variável)
X é tratado como
discreto ou contínuo?
A 65,1 B 58,0
C 60,9 B 55,0
B 54,8 C 53,0
A 57,7 A 59,8
B 65,3 B 56,7
A 62,6 C 53,4
B 68,4 B 77,1
C 54,3 A 59,8
A 61,0 A 60,4 Abra o arquivo:
B 65,3 C 57,4 ‘Map_Test_3.mpj’
B 58,8 C 56,9
A 58,0 B 59,7
B 55,3 B 56,8
C 58,5 A 55,5
C 54,1 A 56,7
A 65,4 C 67,5
B 60,0 A 66,9
A 57,8 A 64,3
B 59,8 A 63,2
C 61,3 C 60,8
B 55,4 B 62,3
Teste de Hipótese
X (Fonte de Variação):
CONTÍNUO
Box Plot
Diagrama de Dispersão
Teste de Hipótese
Regressão Simples
ANOVA
DOE
DOE
(ATRIBUTO)
DISCRETO
Pareto
Regressão Logística Tabela Análise de Contingência
Chi Quadrado: Independência
Se esta mulher disser que ficou 268 dias grávida, você acharia possível? Por quê?
Se ela disser que ficou 297 dias grávida, você acharia possível? Por quê?
Com base na análise subjetiva, indique na escala abaixo o ponto em que você começar a
duvidar dela.
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
Tempo de Gravidez
160
170
180
190
200
210
220
230
240
250
260
270
280
290
300
310
320
330
340
350
360
(dias)
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
µ = 266
σ = 16
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
Tempo de
160
170
180
190
200
210
220
230
240
250
260
270
280
290
300
310
320
330
340
350
360
Gravidez
-4 -3 -2 -1 0 1 2 3 4 Eixo-Z
Você suspeitaria se uma mulher dissesse sua gravidez durou 268 dias? Por quê ?
_________________________________________________________________________
_________________________________________________________________________
_________________________________________________________________________
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
Tempo de
160
170
180
190
200
210
220
230
240
250
260
270
280
290
300
310
320
330
340
350
360
Gravidez
-4 -3 -2 -1 0 1 2 3 4 Eixo-Z
Você suspeitaria se uma mulher dissesse sua gravidez durou 305 dias? Por quê ?
_________________________________________________________________________
_________________________________________________________________________
_________________________________________________________________________
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
Tempo de
160
170
180
190
200
210
220
230
240
250
260
270
280
290
300
310
320
330
340
350
360
Gravidez
-4 -3 -2 -1 0 1 2 3 4 Eixo-Z
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
Tempo de
160
170
180
190
200
210
220
230
240
250
260
270
280
290
300
310
320
330
340
350
360
Gravidez
-4 -3 -2 -1 0 1 2 3 4 Eixo-Z
Área sombreada da cauda grande (Valor-P Área sombreada da cauda muito pequena (Valor-P
Elevado) Baixo)
= “Longe da cauda, próximo ao centro” = “próximo da cauda, longe do centro”
= “ainda dentro do âmbito do possível” = “fora do âmbito do possível”
= “não incomum” = “pouco comum”
= “não conteste a informação relatada” = “sim, conteste a informação relatada”
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
__
Tempo de
160
170
180
190
200
210
220
230
240
250
260
270
280
290
300
310
320
330
340
350
360
Gravidez
Eixo-Z
-4 -3 -2 -1 0 1 2 3 4
HIPÓTESES
DAS MÉDIAS PROBLEMA COM
MÉDIAS
H o: mo = m1
H 1: mo > m1
H 2: mo < m1
Ho: so = s1
H 1: so > s1
H 2: so < s1
HIPÓTESES DOS PROBLEMA COM
DESVIOS-PADRÃO DESVIOS PADRÃO
Ho : m1 = m 2 Ho: m1 = m 2= . . . = m n Ho : s 1 = s 2= ... = sn
• Se p > 0.05 aceito Ho e rejeito Ha, as diferenças são devido a variação natural do processo.
• Se p < 0.05 aceito Ha e rejeito Ho, posso afirmar com um risco de p% que a diferença é
estatisticamente significativa, e não ocorreu apenas por uma variação natural do processo.
SIGNIFICA 95% DE
CONFIANÇA
Valor-P=0.01
“Área-P” = 1%
REJEITA-SE Ho
Hipóteses das
Médias Ho: mo = 12,4
Ha: mo < 12,4
Hipóteses dos
Desvios
Ho: sA = sB
Padrão Ha: sA > sB
Hipóteses dos
Desvios
Ho: sA = sB
Colete evidências (uma amostra da
Padrão Ha: sA > sB
realidade)
DECIDA:
O que as evidências sugerem?
Rejeitar Ho? ou Não Rejeitar Ho?
Teste de Hipótese
UTILIZANDO O MINITAB NAS ANÁLISES
1. Verificar a Normalidade e se todos os dados estão empilhados (uma coluna no Minitab para cada Y e X)
2. Realizar a análise GRÁFICA dos dados, através do BOX PLOT para a identificação de X’s óbvios.
3. Já para avaliação de X’s não óbvios, analise se há diferença estatística significativa na DISPERSÃO dos
dados -> TESTE DE LEVENE (Anova: Test for Equal Variances)
3. Já para avaliação de X’s não óbvios, analise se há diferença estatística significativa na TENDÊNCIA
CENTRAL dos dados -> ANOVA, One Way (para 2 ou mais amostras) ou 2-SAMPLE-T (para 1 amostra
versus um valor de referência)
Y X
No Minitab, o comando para empilhar os dados
é: DATA> STACK > COLUMNS
Teste de Hipótese
EXERCÍCIO: AVALIAÇÃO DE PRODUTOS
DADOS EMPILHADOS
Com os dados empilhados, devemos fazer a análise gráfica dos mesmos. Lembrando que
a melhor ferramenta neste caso é o BOX PLOT (GRAPH> BOX PLOT).
Teste de Hipótese
MELHOR PRÁTICA:
Sempre confie no Teste de Levene!
No final das contas, o Teste de Levene
funciona para dados Normais ou Não
Normais.
O Teste de Bartlett pode enganar muito,
mesmo com desvios mínimos da
normalidade.
Obs: Na existência de apenas dois grupos, o
Teste de Bartlett é equivalente a uma
ferramenta popular denominada Teste-F.
Teste de Hipótese
Por fim, avalia-se se há diferença estatística significativa entre as médias dos
3 produtos – ou seja, se apresentam ou não a mesma média.
Teste de Hipótese
Executar teste para apenas dois grupos de produtos ("A" e "C"), e verificar se
existe diferença entre as duas médias. Suponha que os desvios não são os
mesmas.
EXERCÍCIO DA CATAPULTA:
EXERCÍCIO DA CATAPULTA: COMPARAÇÃO ENTRE PROJÉTEIS “A” e “B”
xxxx
xxx
x
xxxxx
xxx
Target
xxx x
x x
xxx xxxx x
x x xx x
x
x x
Você decide comprar vinte dos seus projeteis para realizar testes para
verificar suas alegações.
EXERCÍCIO DA CATAPULTA:
EXERCÍCIO DA CATAPULTA: COMPARAÇÃO ENTRE PROJÉTEIS “A” e “B”
O QUE FAZER:
1) Selecionar uma pessoa para registrar as distâncias. Registre as distâncias (em cm).
Assegure-se de usar o setup padrão da catapulta .
2) Selecione duas bolas de Ping Pong (A&B) para atirar 20 vezes, usando o mesmo ângulo
de 165 graus.
3) Após 40 tiros, favor retornar aos assentos imediatamente--Discutiremos como analisar
estes dados. Digite os dados no Minitab em duas colunas independentes (Marca A &
Marca B).
4) Mais tarde irão se reagrupar. Digite os dados no Minitab e compare os dois projéteis
através da realização do “Test-T com Duas Amostras” e “o Teste para Variâncias Iguais”,
etc.
PERGUNTAS:
1) O vendedor prometeu melhor precisão com a Marca B do que com a Marca A. Os dados
sustentam isto?
2) Os projetis de Marca A e Marca B estão realmente centrados em um mesmo ponto?
Número de elásticos: 1
Ponto de fixação do elástico: 3
Ponto de tensão do elástico : 3
Fim de curso da alavanca: 3
Localização do copo: 4
Ângulo de armação: 165o
Tipo de bola: Bolas A/B de Ping Pong
Testes
1-) Abra o arquivo ‘Map_Test_3.mpj’ e verifique :
Ho :
Ha :
p=
Conclusão :
___________________________________________________________________________
___________________________________________________________________________
Ho :
Ha :
p=
Conclusão :
___________________________________________________________________________
___________________________________________________________________________
__________________________________________________________________________
__________________________________________________________________________
__________________________________________________________________________
__________________________________________________________________________
__________________________________________________________________________
Análise de Regressão
X (Fonte de Variação):
CONTÍNUO
Box Plot
Diagrama de Dispersão
Teste de Hipótese
Regressão Simples
ANOVA
DOE
DOE
(ATRIBUTO)
DISCRETO
Pareto
Regressão Logística Tabela Análise de Contingência
Chi Quadrado: Independência
Análise de Regressão
Exemplo: Y=Vendas $
(Milhões)
X=Despesa com Propaganda 30
versus 20
Y=Vendas Realizadas
10
0 0,5 1 1,5 2
X=Propaganda $(Milhões)
X
Variável Independente - Uma variável que “causa” ou
está associada a uma variação de alguma característica
dependente (a variável de entrada).
Y
variável de resposta ou variável de desempenho. Seu
valor depende dos valores da Variável Independente (X)
(a variável de saída).
Análise de Regressão
0 0,5 1 1,5 2 1 6 14 22 30
X=Volume de Vendas Anuais (tons) X=Idade do Carro
Y = Vendas Y = Custos
30
20
10
Diagrama de Dispersão
CORRELAÇÃO
Y = Tempo para análise do crédito
80
POSITIVA!!
75
Inclinação > 0
(Linha horizontal não se
70
ajusta bem!)
50 CORRELAÇÃO
NEGATIVA!!
40
Y - Custos Fixos
Gradiente < 0
30
(Linha horizontal não
se ajusta bem!)
20
10 A medida que X
aumenta, Y diminui.
0
Diagrama de Dispersão
NENHUMA
CORRELAÇÃO!!
Y – Nota Média na Universidade
1550
1450 Gradiente = 0
1350 (Linha horizontal se ajusta
1250 bem!)
1150
1050 A medida que X aumenta,
950 Y aparentemente não
850 muda. Não há relação
750 entre X e Y.
650
A altura dos pais não
60 65 70 75 80
influencia o GPA de seus
X – Altura do Pai (polegadas) filhos.
PASSO #2: coletados dados que realmente representam o processo estudado, ou seja, que
não estejam contaminados de ruídos, tendências ou variáveis externas
Parte-se então para a análise gráfica dos dados coletados com o GRÁFICO DE DISPERSÃO.
VARIÁVEL DEPENDENTE
VARIÁVEL INDEPENDENTE
*
LINHA DE REGRESSÃO
*
Variável de Resposta
*
* *
(Y)
*
*
* * PONTOS DO DIAGRAMA DA DISPERSÃO
* (valores dos dados em sì)
Y = b + m (X )
^Y é a estimativa do Y que
nossa linha de Regressão nos Inclinação
Intercepção
apresenta para um dado valor (gradiente) da linha
Y
de X
Y = bo + b1 (X )
Mas em Regressões, escrevemos a equação para uma linha usando b0 e b1
“D Y”
b1 =
“D X”
Variável de Resposta (Y)
b1
DY
DX
Variável de Resposta
OBSERVAÇÃO:
Às vezes a intercepção Y-
(Y)
}
fazer a matemática
b0 funcionar corretamente.
VARIÁVEL DEPENDENTE
VARIÁVEL INDEPENDENTE
DY
DX
bo = 48,04 b1 = 6,296
Sobre r e R2
0 0,5 1
R2
r = 0,01 r=+0,10
R2 = 0,0001 R2 = 0,01
r= +0,42 r= +0,96
R2 = 0,17 R2 = 0,92
r= -0,42
r= -0,96
R2 = 0,17
R2 = 0,92
R2 =0,17
“17%= da variação de Y pode ser
atribuída à variação de X”
Sobre r e R2
Volte para o exemplo de notas vs. horas de estudos (file: ‘Grades.mpj’).
R2 = 0,925 = 92,5%
A quantidade 92,5%
representa a porcentagem
da variação da variável de
resposta Y, devido a uma
relação linear com X.
Perguntas:
(1) Pode uma correlação ser detectada acima do “ruído” nos dados?
Sobre R2
Uma vez demonstrado que uma correlação pode ser detectada acima do
“ruído” nos dados, podemos afirmar que a correlação é forte?
Por exemplo, se você acha que encontrou uma correlação que poderia
explicar a causa do câncer, o R2 pode ser analisado muito mais a fundo
pela comunidade de pesquisas médicas.
“NÃO HÁ “ALGUMA
CORRELAÇÃO” CORRELAÇÃO EXISTE”
Análise de Regressão
S = 3,59784 R-Sq = 92,5% R-Sq(adj) = 91,6% Se este P-value for menor que 0,05
(ou próximo), então podemos concluir
que todo o modelo aplicado ao Minitab
Analysis of Variance foi um modelo significativo.
Source DF SS MS F P-value
Regression 1 1284,44 1284,44 99,23 0,000
Error 8 103,56 12,94
Total 9 1388,00
Neste caso, considerando que
entramos com apenas um X, isto
significa que este X teve uma
correlação significativa com o nosso Y.
Análise de Regressão
Cautela na Interpretação....
Um valor R2 bastante elevado não implica necessariamente em causa e efeito.
Tópicos Adicionais...
Importante: esta ferramenta não avalia a interação entre os X’s, muito comum em
vários processos e situações do dia-a-dia.
Arquivo: ‘Grades.mpj’
APENAS 1 “Y”
VÁRIOS “Xs”
Análise de Regressão
Regressão Múltipla
Regression Analysis: Nota versus Horas de Estudo; Altura do Pai
The regression equation is
Nota = 66,8 + 6,21 Horas de Estudo - 0,104 Altura do Pai
Analysis of Variance
Source DF SS MS F P
Regression 2 1289,89 644,95 46,02 0,000
Residual Error 7 98,11 14,02
Total 9 1388,00
Source DF Seq SS
Horas de Estudo 1 1284,44
Altura do Pai 1 5,45
Análise de Regressão
1) Selecione 1 Operador de Catapulta, 1 verificador de ângulo, 2 Registradores de
Distância (buscar o melhor sistema de medição possível tanto para X=ângulo, quanto
para Y=Distância!) e 1 registrador no computador . Estabeleça um preparo padrão
para a Catapulta e mantê-lo.
Análise de Regressão
EXERCÍCIO DA CATAPULTA
E) Imagine que já esteja na fase de Melhoria . O que você sugeriria para aumentar a
capabilidade s do processo ?
a-) O peso das caixas têm influência sobre o tempo para carregar o caminhão ?
b-) Qual a equação da reta que explica a correlação entre os dois fatores ?
Ho :
Ha :
Conclusão :
Teste Chi-Quadrado
CONTÍNUO
Box Plot
Diagrama de Dispersão
Tratado como:
Teste de Hipótese
Regressão Simples
ANOVA
DOE
DOE
(ATRIBUTO)
DISCRETO
Pareto
Regressão Logística Tabela Análise de Contingência
Chi Quadrado: Independência
Teste Chi-Quadrado
( para independencia )
Ho: as duas variáveis são independentes, isto é , a variável “x” estudada não tem
influência sobre a variável “Y”. Não existe nenhuma associação entre eles.
Ha: as variáveis são dependentes, isto é , a variável “x” estudada tem influência sobre
a variável “Y”. As variáveis estão associadas.
Conclusão :
CONTRATADOS NÃO-CONTRATADOS
M 30 70 100
SEXO
F 15 35 50
45 105 150
Teste Chi-Quadrado
Abra o arquivo ‘Recruitment.mpj’
Desenhe o teste Chi-Quadrado para esta empresa. Lembre-se que não é necessário adicionar
os totais de números escritos nas colunas e linhas. O Minitab irá fazê-lo automaticamente.
2 15 35 50
15,00 35,00
0,000 0,000 P>0,05 ; ACEITA-SE Ho. PORTANTO: NÃO HÁ RELAÇÃO
ENTRE PESSOAS CONTRATADAS E O SEXO DAS MESMAS
Total 45 105 150
Teste Chi-Quadrado
Por outro lado quanto mais desproporcionais forem, ficando maiores são as chances de que
as variáveis sejam dependentes .
Em outras palavras :
Ho: as duas variáveis são independentes, isto é , a variável “x” estudada não tem influência
sobre a variável “Y” ( as colunas e as linhas são aproximadamente proporcionais )
Ha: as variáveis são dependentes, isto é , a variável “x” estudada tem influência sobre a
variável “Y” ( as colunas e as linhas não são aproximadamente proporcionais)
Quando o valor de “p” for menor do que 0,05 dizemos que as variáveis são muito
desproporcionais e, portanto, há dependência entre elas.
Inspetor
Mário José Carlos Mauro Total
Avaliação
Conclusão:
Testes
2. Abra o arquivo 'Service Level.mpj. Avaliar a influência de cada um X em cada variável
resposta: “Dentro do Prazo” e “Correto”.
HÁ INFLUÊNCIA SIGNIFICATIVA?
Use os Gráfico de Pareto para ter uma primeria idéia da influencia dos X’s sobre o Y.
Stat / Quality tools / Pareto chart / Chart defects data in:
COLOQUE O ‘Y’
COLOQUE O ‘X’
FMEA
Failure Mode & Effects Analysis
(Análise do Modo e Efeitos da Falha)
8 - 10
FMEA
4-8
Análise gráfica dos dados
3-6
Análise estatística dos dados
X’s Vitais
345 Copyright: Optness Institute, 2013
Definição - FMEA
Usado pela primeira vez nos anos 60, na Indústria Aeroespacial durante
as missões Apollo
No final do anos 70, o FMEA foi adotado pela indústria automotiva para
gerenciar e controlar seus processos.
Tipos de FMEA
FMEA de Produto
FMEA de Serviço
Modelo de FMEA
MODO DE
CAUSA FALHA EFEITO
(DEFEITOS)
Exemplo:
Definição de Termos
Exemplo:
Exemplo:
Definição de Termos
Exemplo:
Falha potenciais,
Efeitos dessas falhas,
Capabilidade do processo para detectar as falhas antes de
chegarem ao cliente
1 2 3 4 5 6 7 8 9
A A,B A,B A A A A,B B A,B
Legenda: CTQ’s:
Requirement 10
Requirement 4
Requirement 5
Requirement 6
Requirement 7
Requirement 8
Requirement 9
Planilha
FMEA
Sistema “Fora
1) Fazer o Sistema de do Ar”
pedido de Gerenciamento
manutenção de Requisições Erro de
Aplicativo
Descrição do Erro de
Problema Digitação
Preenchendo o “FMEA”
2. Para cada Modo de Falha associado às entradas, determine os
Efeitos associados
Planilha
FMEA
Na maioria dos projetos, haverá mais de uma Causa para cada Modo de Falha.
Neste exercício, vamos utilizar apenas uma Causa para cada Modo de Falha.
Planilha
FMEA
Imprecisão no Falta de
Descrição do Erro de Critérios para
Problema Digitação Diagnóstico Descrição
Preenchendo o “FMEA”
4. Relacione os Controles Atuais para cada Causa
S O D R
Entrada
Principal Modo de Falha Efeitos Potenciais E Causas Potenciais C Controles Atuais E P
do Processo Potencial da V C T N
Falha
Quão Severo é o
Principal do Principal pode dar Principais (Necessidades
errado? (inspeção e testes) que
de Falha ?
de Falha?
Modalidade de Falha?
Preenchendo o “FMEA”
6. Calcule o RPN
S O D R
Entrada
Principal Modo de Falha Efeitos Potenciais E Causas Potenciais C Controles Atuais E P
do Processo Potencial da V C T N
Falha
efeito para o Cliente ?
de Falha?
Modalidade de Falha?
S O D R
Entrada
Principal Modo de Falha Efeitos Potenciais E Causas Potenciais C Controles Atuais E P
do Processo Potencial da V C T N
Falha
Quão Severo é o
Principal do pode dar errado? Principais (Necessidades
errado? (inspeção e testes) que
de Falha ?
de Falha?
Modalidade de Falha?
Preenchendo o “FMEA”
8. Executar as ações recomendadas
9. Recalcule os RPN’s
D R S O D R
Ações
Controles Atuais E P Resp. Ações Tomadas E C E P
Recomendadas
T N V C T N
Quais são os controles e Quais são as ações para Quais são as ações
detectar a causa ou Modo
Fáceis?
número SOP. recalcular o RPN
Registramos quando a ação foi tomada e o impacto no RPN. Observe que esta é uma boa maneira
de rastrear atividades passadas. O FMEA deve ser atualizado à medida que novas ações
recomendadas sejam identificadas, preenchidas e regustradas.
Teste
1-) Qual das afirmativas abaixo não é correta ?
a-) O FMEA é uma ferramenta essencialmente preventiva e contém certo grau de subjetividade na elaboração
b-) O RPN dá à equipe uma indicação de quais potenciais causas devem ter uma ação preventiva tomada, já
que quanto maior o seu valor significa que essa potencial causa oferece maior risco ao cliente
c-) É obrigatória a elaboração de um FMEA para um projeto Seis Sigma já que ajuda a equipe a “prever” os
potenciais problemas que podem ocorrer com um determinado processo
d-) Na realidade, um FMEA contém elementos da fase de Análise (quando procura identificar causas dos modos
de falha ), da fase de Melhoria ( quando recomenda ações a serem tomadas ) e da fase de Controle (quando
verifica os controles atuais existentes para evitar a ocorrência das causas dos modos de falha )
Fase de Melhoria
As Mudanças em um Processo
Durante a fase de Melhoria, a Equipe Seis Sigma deverá apresentar a nova versão
do Mapa do Processo procurando:
Nesta etapa, a equipe do projeto deve estar atenta a todas as ideias feitas pelos
especialistas no processo. Estes “inputs” são de suma importância.
Exerc. (5 min.)
Standard Work
• Desenhe um porquinho em uma folha A4
• Faça o desenho em, no máximo, 40 segundos
• Após o término, mostre o desenho ao grupo
• 1º S – SEIRI – Utilização
• 2º S – SEITON – Ordenação
• 3º S – SEISO – Limpeza
• 4º S – SEIKETSU – Saúde
• 5ºS – SHITSUKE – Autodisciplina
Exemplo: 5S’s
Before: After:
CPC-PPC plant Organized and color coded space
Also acts as a kanban
Conforme ele mesmo contou, ele bebeu whisky com água e ficou muito embriagado. No
dia seguinte, ele repetiu o experimento mantendo todas as condições constantes
exceto uma... Ele decidiu substituir o whisky com água por vodka com água. Como
você pode imaginar, o resultado foi a embriaguez.
No terceiro dia, ele repetiu o experimento. Desta vez ele usou Bourbon com água, no
lugar do Whisky ou da Vodka. Desta vez ele levou 2 dias apenas para se recuperar e
começar a analisar os resultados do seu experimento.
Após se recuperar, na sua análise ele percebeu que o único elemento comum era a
água e portanto concluiu que a água é a causa da intoxicação. Por que? Porque era esta
a variável comum em todos os experimentos!
É comum em muitos projetos associar um defeito com uma variável que está sempre
presente quando ele ocorre (é o caso do operador que é culpado, pois sempre que ele
executa a operação ocorre um defeito).
O Green Belt estuda durante a fase de análise uma faixa estreita do comportamento de
um determinado X, tira conclusões falsas e toma ações erradas na fase de melhoria.
E pior, muitas vezes extrapola as conclusões para fora desta faixa e para outros
projetos em situações semelhantes.
Y=
Y=Preço
Rendimento 30 de Venda 35
(km/L) 20 25
10 5
0 0,5 1 1,5 2 1 6 14 22 30
X= Peso do Carro (tons) X=Idade do Carro
Y= Preço
Y= de Venda
30 35
Rendimento
(km/L) 20 25
10 5
0 0,5 1 1,5 2 1 6 14 22 30
X= Peso do Carro (tons) X= Idade do Carro
Exemplo:
A medida que o tamanho dos hospitais aumenta de dimensão ( “x”: àrea em metros
quadrados), a taxa de mortalidade dos pacientes aumenta drasticamente. Portanto se
deve evitar hospitais grandes.
Fator omitido “x”: gravidade das condições do paciente quando é admitido ao hospital.
Os casos mais sérios são levados aos hospitais maiores e com mais estrutura.
Controle
A resposta é simples : qualquer sistema no universo que não estiver sob controle
tende a ficar mais “bagunçado” no futuro (lembre-se :a variação de entropia do
universo é sempre positiva) e, portanto, a capabilidade tende a voltar para os níveis
do início do projeto Seis Sigma .
Portanto esta é a hora do “Green Belt” definir como serão feitos estes controles e
passar esta informação para os “donos do processo”, isto é aqueles que trabalham
no processo normalmente no dia a dia .
100%
Black Belts
Envolvimento
Donos do Processo
Simples:
• procedimentos
• check-lists
Sofisticados:
• dispositivos à prova de erros
• controle estatístico do processo
Seria ideal que o “Green Belt”, uma vez tendo conseguido identificar os
poucos “X’s” vitais de um projeto, desenvolva Dispositivos à Prova de Erros
para todos eles. Desta forma estaria garantida a manutenção da capabilidade
do processo.
NENHUM
Processo RESULTADOS
Seis Sigma SIX SIGMA
ERRO
FAÇA UM BRAINSTORM PARA GERAR UMA LISTA DE DEFEITOS DENTRO DE SUA ÁREA
Eliminação de Erros
Usar sabedoria e simplicidade para criar dispositivos que permitam que você faça seu
trabalho 100% livre de defeitos 100% do tempo.
• EM CASA • NO ESCRITÓRIO
• NA FÁBRICA
• NO VAREJO
• Máquinas de acionamento manual
• Embalagem a prova de Falsificação duplo e Outras Proteções em Máquinas
• Código de Barras na Venda • Código de Barras
• Simples
• Baratos
Uma lista de dispositivos à prova de erros que pode ser usada para
responder à alertas e evitar defeitos/erros:
• Gabaritos
• Sensores
• Contadores
• Restrição de Seqüência
• Indicador de Condição Crítica
• Eliminar a Condição
• Reprojeto
Porém, nem sempre isto é possível, ocasionando que outras formas de Controle
devam ser definidas, exigindo vigilância e atenção constante dos operadores.
Gerenciamento da Rotina
CEP
Controle Estatístico de Processo
X2 Y
INPUTS .
. PROCESSO RESULTAD
.
(EMPRESA)
Xn O
Independente Dependente
Entrada Saída
Causa Efeito
Problema Sintonia
Controle Monitorar
O Que É CEP?
Individuals
fora de controle 30 M U=29.85
25 LCL=25.49
Moving Range
5 UCL=5.356
4
3
2 R=1.639
1
Se o processo não estiver fora de 0 LCL=0.000
2 67 73 68 74 75 62 74
3 72 82 80 80 74 72 71
4 75 78 72 79 73 66 68
Soma 286 307 295
Média 72 77 74
R 8 9 12
Obs.:
85
80
• LSC=77,3
75
•
MÉDIA
70
• MÉDIA GERAL= 70,9
65 LIC= 64,5
60
30
AMPLITUDE
20 LSC= 19,9
10
• • • AMPLITUDE MÉDIA= 8,7
0 LIC= 0
EIXO-Y
(RESPOSTA)
LSC
Algo que Estamos Medindo
LINHA CENTRAL
TEMPO
Regra nº2: Dois de três pontos consecutivos fora do limite 2-sigma – corresponde à Regra
#5 do Minitab
Regra nº3: Quatro de cinco pontos consecutivos fora do limite um-sigma – corresponde à
Regra #6 do Minitab
Regra nº4: Oito pontos consecutivos em um lado da linha de centro– corresponde à Regra
#8 do Minitab
Aplicando as Regras
EIXO-Y
(RESPOSTA)
LSC
3 Sigma
2 Sigma
Algo que Estamos
1 Sigma
Medindo
1 Sigma
2 Sigma
3 Sigma
LIC
TEMPO
NÚMEROS DE REGRA
DESVIO PADRÃO ESTATÍSTICA
+/- 2s 90-98%
+/- 3s 99-99,9%
LSC
3 Sigma
2 Sigma
Algo que Estamos
1 Sigma
Medindo
LIC
TEMPO
2 Sigma
Medindo
1 Sigma
1 Sigma
2 Sigma
3 Sigma
LIC
ONDE CAIRÃO OS DADOS CASO A REGRA #1 SEJA VIOLADA? QUAL A PROBABILIDADE DE OCORRÊNCIA?
LSC
X X 3 Sigma
X
Algo que Estamos
2 Sigma
X
Medindo
1 Sigma
1 Sigma
2 Sigma
3 Sigma
LIC
ONDE CAIRÃO OS DADOS CASO A REGRA #2 SEJA VIOLADA? QUAL A PROBABILIDADE DE OCORRÊNCIA?
LSC
X X 3 Sigma
X X
Algo que Estamos
2 Sigma
X
Medindo
1 Sigma
1 Sigma
2 Sigma
3 Sigma
LIC
ONDE CAIRÃO OS DADOS CASO A REGRA #3 SEJA VIOLADA? QUAL A PROBABILIDADE DE OCORRÊNCIA?
LSC
X 3 Sigma
X X
Algo que Estamos
2 Sigma
X X X
X X
Medindo
1 Sigma
1 Sigma
2 Sigma
3 Sigma
LIC
ONDE CAIRÃO OS DADOS CASO A REGRA #4 SEJA VIOLADA? QUAL A PROBABILIDADE DE OCORRÊNCIA?
Regra nº2: Dois de três pontos consecutivos fora do limite 2-sigma – corresponde à Regra #5 do Minitab
Regra nº3: Quatro de cinco pontos consecutivos fora do limite um-sigma – corresponde à Regra #6 do
Minitab
Regra nº4: Oito pontos consecutivos em um lado da linha de centro– corresponde à Regra #8 do Minitab
Reconhecimento de Padrão
LSC
LIC
0 10 20
Número de Observação
A média do processo se desloca para um novo nível. Estes deslocamentos podem resultar
devido a novos operadores, métodos, matérias primas, etc. Também podem ser resultado
de mudanças no processo de inspeção, nos padrões ou de uma melhoria no processo.
LSC
LIC
0 5 10 15
Número de Observação
TENDÊNCIA:
RULE1.MPJ
RULE2.MPJ
RULE3.MPJ
RULE4.MPJ
Baseado no que sabemos até agora, qual é o % de pontos de dados que devem cair
entre o LSC e o LIC?
EIXO-Y
(RESPOSTA)
LSC
3 Sigma
Algo que Estamos
2 Sigma
Medindo (Y)
1 Sigma
1 Sigma
2 Sigma
3 Sigma
LIC
TEMPO
LSC
3 Sigma
2 Sigma
1 Sigma
1 Sigma
2 Sigma
3 Sigma
LIC
TEMPO
EIXO-Y
(RESPOSTA) O PROCESSO AO LADO ESTÁ
GERANDO DEFEITOS?
Algo que Estamos Medindo
LSC
LSE
LIE
LIC
TEMPO
EIXO-Y
(RESPOSTA) O PROCESSO AO LADO ESTÁ
GERANDO DEFEITOS?
LSE
Algo que Estamos Medindo
LSC
LIC
LIE
TEMPO
DADOS DE ATRIBUTOS
• Os dados são discretos (contáveis).
• Entre dois pontos há opções limitadas.
• Ex.: Inspeção de Qualidade em produtos acabados "ok / não ok"; Decisões
Gerenciais "promover / não promover".
DADOS DE VARIÁVEIS
• Os dados são contínuos (medidos).
• Entre dois pontos existem infinitas possibilidades.
• Exemplo: Preço de um Produto (R$), o Tempo para entregar uma ordem
(minutos), Peso de caminhão (kg), Resistência à tração de um cabo de aço
(kgf), Diâmetro do tubo (mm);
ATRIBUTO VARIÁVEL
TIPOS DE
DADOS?
SUBGRUPOS
INDIVIDUAIS
DEFEITOS OU SUBGRUPOS OU RACIONAIS
DEFEITUOSOS? INDIVIDUAIS?
DEFEITOS DEFEITUOSOS
(POISSON) (BINOMIAL)
GRÁFICO IM-R
Sensibilidade aumentada
Monitorar a devido ao maior tamanho
Desvio variabilidade de Usado com os gráficos
n>6
da amostra. Usar quando
uma X quando o tamanho da um controle rígido for
Padrão (S) característica / amostra for >6 necessário e/ou quando o
tempo custo da amostra não
for um fator.
Áreas de produção
Monitorar a
X Individual & variabilidade
requerem
longos períodos de
Amplitude Móvel de uma característica tempo para n=1
individual ao decorrer obter uma única
(I & MR) do tempo amostra que é
significativa.
Tamanhos variáveis de
Monitorar a fração Normalmente usado em pontos sub- grupos devem ser Os limites normais não são efetivos quando o índice
Fração de defeituosos em de controle de qualidade onde
1 ou mais atributos do produto
grandes o suficiente
para resultarem em
de defeitos e/ou quando o tamanho do subgrupo for
pequeno demais. Não é apropriado no caso em que
um sub grupo
Defeituosa (p) Unidades Rejeitadas
são inspecionados e resultam uma alta probabilidade
de que pelo menos 1
um único defeito faz com que o gráfico fique fora de
controle. Se (Tamanho de amostra)x(Média%) <5,
em uma condição então use os limites exatos da distribuição Binomial
Unidades Inspec. passou/falhou para a unidade. defeito está presente
(ao invés da teoria normal de aproximação).
no subgrupo
Área de
Número de oportunidade Os limites normais não são efetivos quando o índice
Monitorar o nº de Monitorar o nº de defeitos é de tamanho de defeitos é pequeno. Se (Média) <1.5, então use
Defeitos por defeitos por (imperfeições) por unid. constante os limites exatos da distribuição Poisson (ao invés da
de inspec. teoria normal de aproximação).
unid. de inspec.
subgrupo (c) (tamanho = 1 Unid.
de Inspc.)
Tamanho da “área de
oportunidade” pode
Nº Médio de Monitorar o nº de Monitorar o nº de defeitos
variar -- sendo Os limites normais não são efetivos quando o índice
descrito como um de defeitos é pequeno. Os limites de controle devem
Defeitos por defeitos por (imperfeições) por unid. de
inspec.
número de unidades ser calculados individualmente para cada sub grupo
unid. de inspec. (sendo que a definição caso tenha variação. Se (Média) <1.5, então use os
Unidades (u) de Unidades de
limites exatos da distribuição Poisson (ao invés da
teoria normal de aproximação).
Inspeção permanece
igual)
?
Se existem causas especiais de variação,
a saída do processo não é estável e não
previsível ao decorrer do tempo.
Não temos como saber o que acontecerá:
- Amanhã
- Entre amostras
DADOS INDIVIDUAIS
GRÁFICO I-MR
GRÁFICO P
GRÁFICO NP
GRÁFICO C
GRÁFICO U
Testes
1-) Quando encontramos um padrão não aleatório de variação (causa especial) devemos: