Professional Documents
Culture Documents
LSC
LIC
APOSTILA DE
CONTROLE DA QUALIDADE
CONTROLE DA QUALIDADE
Segundo Souza (1998), o termo Qualidade pode ser definido como adequao ao uso. Isto significa que,
se espera comprar produtos e servios que satisfazem nossos requerimentos ou desejos. Assim, a qualidade
ou adequao ao uso determinada atravs da interao da qualidade do projeto e da qualidade de
conformidade. A qualidade do projeto relaciona-se com os nveis de desempenho, de confiabilidade, de
servio e de funo que so o resultado de decises deliberadas no departamento de engenharia e
executadas pela gerencia geral. A qualidade de conformidade a reduo sistemtica da variabilidade e a
eliminao de defeitos at que cada unidade produzida seja idntica e livre de defeitos. Atualmente
considera-se que a melhoria da qualidade significa a eliminao de desperdcios. Desperdio tudo
aquilo que feito de forma errada, uma ou mais de uma vez.
Uma definio moderna de qualidade : A qualidade inversamente proporcional variabilidade
(Montgomery, 2004). Note que essa definio implica que se a variabilidade das caractersticas importantes
de um produto diminuem, a qualidade do produto aumenta.
Um processo a transformao de um conjunto de entradas, as quais podem incluir materiais, aes,
mtodos e operaes, em um conjunto de sadas desejadas, na forma de produtos, servios, informaes ou
simplesmente resultados. Em cada rea ou funo de uma organizao existem muitos processos que so
levados a cabo. Cada processo pode ser analisado pela checagem das entradas e das sadas. Isso
determinar a ao ou aes necessrias a serem tomadas para melhorar o processo e/ou a qualidade.
As sadas de um processo so tudo aquilo que geralmente interessa ao cliente. Certamente, para
produzir uma sada que rena os requerimentos do cliente, necessrio definir, monitorar e controlar as
entradas do processo, as quais por sua vez so resultados de processos anteriores. Em cada interface clientefornecedor acontece um processo de transformao. Alm disso, cada tarefa pode ser vista na organizao
como um processo em si.
Para comear a analisar e monitorar qualquer processo, necessrio primeiro identificar todas as
entradas e todas as sadas que fazem parte do processo. Muitos processos podem ser facilmente
identificados e entendidos como perfurar uma chapa de ao, comprimir um gs, encher uma garrafa, etc.
Outros processos so mais difceis de identificar e entender, como atender um cliente, recitar uma poesia,
armazenar um produto, inicializar uma mquina, etc. Portanto, em algumas ocasies ser difcil definir,
identificar e entender um processo. Por exemplo, se o processo consiste de realizar vendas pelo telefone,
vital conhecer se o escopo do processo inclui obter acesso a um cliente potencial ou a um cliente. Assim,
vital definir o escopo do processo, portanto, tambm ser vital determinar os requerimentos das entradas e
os resultados das sadas.
Em geral, o Controle da Qualidade ou mais comumente chamado de Controle Estatstico da Qualidade
(CEQ), um conjunto de mtodos estatsticos e de engenharia, que so usados na medida, na monitorao, no controle
e na melhoria da qualidade. O CEQ comeou a se desenvolver a partir dos anos 20s, sendo um dos pioneiros o
Dr. Walter Shewart, dos Laboratrios da Companhia Telefnica Bell. Ele estabeleceu a utilizao de cartas
de controle (cartas de controle, diagramas de controle e grficos de controle significam o mesmo) na
produo dos produtos da Companhia Telefnica Bell, fato que se traduziu na melhora da qualidade dos
produtos e na reduo de desperdcios.
Devemos ter em considerao que a grande contribuio da Estatstica no se baseia tanto no fato de
juntar um grupo de estatsticos altamente qualificados da indstria, mas no fato de criar uma gerao de
fsicos, qumicos, engenheiros e outros profissionais com uma mentalidade estatstica, os quais iro, de
algum modo, dar uma ajuda no desenvolvimento e no direcionamento dos processos de produo no
futuro.
O Controle Estatstico de Processos (CEP) um instrumento do CEQ, que visa predizer se o processo
sob estudo se encontra estvel ou sob controle. O CEP utiliza principalmente as seguintes ferramentas para
atingir seu alvo:
Histogramas
Grfico de Pareto
Diagrama de Causa Efeito
Grficos de Controle
Diagramas de Disperso
Amostragem de aceitao
Denomina-se CEP em tempo real (on-line) quando se obtm dados do processo enquanto ele esta
sendo executado (principalmente os grficos de controle). Aos experimentos planejados (Anlise de
Regresso, Anlise de Regresso Mltipla, ANOVA, Comparaes Mltiplas, teste de medidas individuais,
etc) denominam-se CEP Off-line, j que eles so realizados fora do tempo de execuo do processo.
Assim, o CEP visa basicamente detectar:
Devido a que no existem dois produtos ou servios exatamente iguais, inclusive quando os processos
estiverem operando conforme o previsto, devido a que os processos usados para produzi-los contm muitas
fontes de variao. As fontes de variao basicamente so duas (Souza, 1998):
a) Fontes Usuais: As fontes usuais de variao representam quelas causas puramente aleatrias, as
quais se caracterizam por ser inevitveis e no-identificveis, isto , elas s podem ser reduzidas por
meio de modificaes no sistema. Exemplo: Em uma mquina que enche uma bolsa de batatas
fritas, pode-se observar que apesar de que o peso e a quantidade de batatinhas por bolsa deveriam
ser iguais, ns sabemos que tanto o peso quanto o nmero de batatinhas so diferentes.
b) Fontes Especiais ou Identificveis: As fontes especiais representam padres (grandes flutuaes) que
acontecem nos dados que no so inerentes a um processo, isto , so aquelas causas passveis de
correo sem modificar o sistema. Exemplo: Um trabalhador inexperiente comandando uma
mquina.
Rendimento
Semana
Rendimento
Semana
Rendimento
Semana
Rendimento
1
2
3
4
5
6
7
8
9
10
48
53
49
52
51
52
63
60
53
64
11
12
13
14
15
16
17
18
19
20
59
54
47
49
45
64
79
65
62
60
21
22
23
24
25
26
27
28
29
30
68
65
73
88
69
83
78
81
86
92
31
32
33
34
35
36
37
38
39
40
75
85
81
77
82
76
75
91
73
92
Segundo esses dados, o diagrama de ramo e folha ficaria da seguinte forma (observe que os
valores da varivel rendimento so de dois dgitos):
Ramo
4
5
6
7
8
9
Folha
89795
3212394
3044520859
93857653
8316512
212
Freqncia
5
7
10
8
7
3
O diagrama nos permite observar que a distribuio do rendimento tem uma forma
aproximadamente simtrica, com um pico s (no ramo 6).
Uma variante do diagrama o Diagrama de Ramo e Folha Ordenado, o qual apresenta as folhas
ordenadas pela sua magnitude, como mostrado abaixo:
Ramo
4
5
6
7
8
9
Folha
57899
1223349
0023445589
33556789
1123568
122
Freqncia
5
7
10
8
7
3
Frequncia Acumulada
5
12
22
30
37
40
A variante permite fazer o clculo dos percentis, dos quartis e da mediana, de forma simples.
Desde um ponto de vista prtico, sabe-se que: S(p) = [ (n) (0,p) + (k/2) ]
Onde:
S(p) indica a posio do termo da amostra ordenada que define o percentil procurado.
n o nmero de observaes da amostra
p o percentil procurado
k uma constante
S(p) um nmero int eiro, ento P(p) igual ao termo definido por S(p)
Se
caso contrrio , P(p) igual mdia dos termos int eiros definidos por S(p)
onde:
P(p) o percentil procurado.
Assim, utilizando a frmula indicada acima, o percentil 10 determinado pelo termo com a posio
(40) (0,10) + 0,5 = 4,5 (ponto mdio entre o quarto e o quinto termo), ou seja: (49 + 49) / 2 = 49
O primeiro quartil (Q1) ou quartil inferior o termo com a posio (0,25) (40) + 0,5 = 10,5 (ponto mdio
entre o dcima e o dcima primeiro termo), ou seja: (53 + 54) / 2 = 53,5.
O qinquagsimo percentil equivale a falar segundo quartil ou ainda chamar de mediana a observao
com a posio (0,50) (40) + 0,5 = 20,5 (ponto mdio entre a vigsima e a vigsima primeira observao),
ou seja: (65 + 68) / 2 = 66,5.
O terceiro quartil (Q3) ou quartil superior a observao com a posio (0,75) (40) + 0,5 = 30,5 (ponto
mdio entre a trigsima e a trigsima primeira observao), ou seja: (79 + 81) / 2 = 80.
A Faixa Interquartil (ou Intervalo Interquartil) = IQR = Q3 Q1 = 80 53,5 = 26,5
Problema: Se registraram nove medies da temperatura (em F) de um forno para o processo de fabricao
de uma pea metlica, obtendo-se os seguintes dados:
953
951
954
955
957
950
948
949
959
87,7
86,7
96,1
83,4
88,2
93,3
86,7
90,8
91,8
87,5
88,3
92,3
94,7
90,1
88,9
91,1
93,4
92,3
91,0
88,5
89,8
94,2
90,1
89,6
87,8
89,2
87,4
Os mesmos dados ordenados de forma crescente seriam (leia por linha, de esquerda para direita):
83,4
88,5
91,0
84,3
88,5
91,1
86,7
88,9
91,8
86,7
89,0
92,3
87,4
89,2
92,3
87,5
89,6
93,3
87,7
89,8
93,4
87,8
90,1
94,2
88,2
90,1
94,7
88,3
90,8
96,1
0,315
0,211
0,187
0,096
0,053
0,150
0,184
0,145
0,229
0,230
0,272
0,276
0,212
0,351
0,118
0,322
0,159
0,091
0,287
0,214
0,056
Problema: Foram registrados os tempos entre chegadas (em minutos) de peas, para uma estao de
trabalho, como mostrado na tabela abaixo (leia por linha):
18
1
20
15
15
a.
b.
c.
3
1
5
12
4
13
17
5
8
2
24
5
12
5
4
3
29
8
1
1
14
6
2
46
2
40
2
6
23
1
24
10
14
18
19
9
22
10
29
40
8
54
12
2
1
x e S fornecem informao sobre somente uma caracterstica dos dados. O Diagrama de Caixa (s vezes
chamado de Diagrama de Caixa e Linha) uma apresentao grfica que descreve simultaneamente vrias
caractersticas importantes de um conjunto de dados, tais como centro, disperso, desvio da simetria e
identificao das observaes que esto surpreendentemente longe do seio dos dados (essas observaes so
chamadas de outliers).
O diagrama de caixa apresenta trs quartis, o mnimo e o mximo dos dados em uma caixa retangular,
podendo estar alinhados tanto vertical quanto horizontalmente. A caixa inclui a amplitude interquartil
(IQR), com o canto esquerdo (ou inferior) no primeiro quartil (Q1), e o canto direito (ou superior) no terceiro
quartil (Q3). Uma linha desenhada, atravs da caixa, no segundo quartil, que o percentil 50 ou a mediana
(Q2 = ~
x ). Uma linha (bigode) estende-se de cada extremidade da caixa. A linha inferior (bigode esquerdo
ou inferior) comea no primeiro quartil indo at o menor valor do conjunto de pontos dentro da faixa de 1,5
interquartil (1,5 IQR) a partir do primeiro quartil. A linha superior (bigode direito ou superior) comea no
terceiro quartil indo at o maior valor do conjunto de pontos dentro da faixa de 1,5 interquartil (1,5 IQR) do
terceiro quartil. Dados mais afastados do que os bigodes so desenhados como pontos individuais. Um
ponto alm do bigode, porm a menos de 3 amplitudes interquartis da extremidade da caixa, chamado de
outliers. Um ponto a mais de 3 amplitudes interquartis da extremidade da caixa chamado de outliers
extremo. Geralmente os outliers so representados como crculos fechados e os outliers extremos so
representados como crculos abertos. A descrio de um diagrama de caixa se mostra na seguinte figura:
Bigode esquerdo:
A linha se estende, a partir do
primeiro quartil, at o menor
ponto dado que esteja na faixa
de 1,5 interquartil
Segundo quartil
Terceiro quartil
Primeiro quartil
Outliers
Outliers:
Ponto alm do bigode, porm a
menos de 3 amplitudes interquartis
da extremidade da caixa
1,5 IQR
1,5 IQR
Bigode direito:
A linha se estende, a partir do
terceiro quartil, at o maior
ponto dado que esteja na faixa
de 1,5 interquartil
IQR
1,5 IQR
Outlier extremo:
Ponto a mais de 3
amplitudes interquartis da
extremidade da caixa
1,5 IQR
Exemplo: Para os dados do exemplo anterior (dados da resistncia compresso de 80 corpos de prova
de liga de Alumnio-Ltio), determine o diagrama de caixa desses dados.
Soluo:
Note que os dados no se aproximam da curva normal. Fazendo um diagrama de freqncias fica mais
claro de enxergar ou calculando o C(as). Classificando os dados de menor a maior, temos:
76
123
145
154
163
171
181
200
87
131
146
156
163
172
181
201
97
133
148
157
164
174
183
207
101
133
149
158
165
174
184
208
105
134
149
158
167
175
186
218
110
135
150
158
167
176
190
221
115
135
150
158
168
176
193
228
118
141
151
160
169
178
196
229
120
142
153
160
170
180
199
237
121
143
154
160
171
180
199
245
Como (0,25) (80) + 0,5 = 20,5; para calcular Q1, temos que encontrar a mdia dos termos 20 e 21:
10
(Q 3 Q 1 )
2 (P( 90 ) P( 10 ) )
(180 ,5 144)
2 ( 204 119)
100
150
200
250
Resistncia
Problema: Uma empresa utiliza duas mquinas diferentes para fabricar certo tipo de arruelas. Durante um
turno s, se obteve uma amostra de n = 20 arruelas produzidas por cada mquina e se determinou o valor
do dimetro externo das arruelas. As especificaes geralmente variam entre 100 5 mm. Analise os
diagramas de caixa de cada mquina e explique qual delas compraria. O diagrama de caixa comparativa
mostra-se abaixo:
Mquina 2
Mquina 1
85
95
100
105
115
204
203
206
195
195
197
211
193
196
204
200
202
200
199
204
196
189
199
201
198
194
11
12
Finalmente agregar que quando os dados no sejam quantitativos, mais sejam por categorias (alto,
mdio, baixo, etc) os intervalos devem ter a mesma largura.
Exemplo: Para a seguinte tabela, onde se mostram os dados da resistncia compresso de 80 corpos de
prova de liga de Alumnio-Ltio, faa um histograma que mostre a distribuio de freqncias dos
dados.
105
97
245
163
207
134
218
199
160
196
Como n = 80, ento
221
154
228
131
180
178
157
151
175
201
183
153
174
154
190
76
101
142
149
200
186
174
199
115
193
167
171
163
87
176
121
120
181
160
164
184
165
145
160
150
181
168
158
208
133
135
172
171
237
170
180
167
176
158
156
229
158
148
150
118
143
141
110
133
123
146
169
158
135
149
dados da tabela anterior obtemos a seguinte tabela de distribuio de freqncias para um conjunto de
dados de resistncia compresso:
13
Cdigo do intervalo
1
2
3
4
5
6
7
8
9
Freqncia
2
3
6
14
22
17
10
4
2
Freq. Relativa
0,0250
0,0375
0,0750
0,1750
0,2750
0,2125
0,1250
0,0500
0,0250
27,50
Frequncia relativa
25
21,25
20
17,50
15
12,50
10
7,50
5
2,50
5,00
3,75
80
2,50
120
160
200
Resistncia Compresso (psi)
240
Frequncias Acumuladas
100
100,00
92,50
80,00
80
58,75
60
40
31,25
20
13,75
2,50
80
6,25
120
160
200
Resitncia Compresso (psi)
240
Freq. Acumulada
0,0250
0,0625
0,1375
0,3125
0,5875
0,8000
0,9250
0,9750
1,0000
14
Com certeza a Distribuio Normal a distribuio mais importante tanto na teoria como na prtica da
estatstica. Se x uma varivel aleatria normal, ento a distribuio de probabilidade de x se define como
segue:
f( x)
1 x
onde x
Curva N ( , 2 )
H uma interpretao simples do desvio padro de uma distribuio normal, a qual se mostra na
figura abaixo. Note que 68,26% dos valores da populao se localizam entre os limites 1, definidos pela
mdia mais menos um desvio padro ( 1). 95,46% dos valores da populao se localizam entre os
limites 2, definidos pela mdia mais menos dois desvios padro ( 2); j os limites 3 determinam
99,73% dos valores da populao e se localizam entre os limites definidos pela mdia mais menos trs
desvios padro ( 3).
rea = 0,6826
Limites 1
rea = 0,9546
Limites 2
rea = 0,9973
Limites 3
A distribuio normal acumulada se define como a probabilidade de que a varivel aleatria normal x
seja menor ou igual que certo valor a, o qual em termos matemticos significa:
P { x a } F (a)
1
2
1 x
dx
Esta integral fcil de integrar utilizando a seguinte mudana de varivel: z x . Assim, ao fazer a
15
a
P{ x a} P z
Onde
mudana de varivel z
Nota-se que a probabilidade de que a varivel resistncia tenha uma resistncia de pelo menos 35
lb/pol2, equivale a dizer que a probabilidade seja a 35 ou ainda, que aps de padronizada, equivale a
dizer que a probabilidade seja - 2,5, ento da tabela da normal (a tabela se encontra no final da
apostila):
P { x 35} = P { 35 x 40 }
+ P { x > 40}
= P { 2,5 z 0 } + P { 0 z }
=
0,4938
+ 0,5
= 0,9938 = 99,38%
Com a tabela da normal acumulada o clculo seria da seguinte forma (a tabela se encontra no final
da apostila):
P { x 35} = 1 P { x 35}
= 1 P { z 2,5 }
= 1 (1 0,9938)
= 0,9938 = 99,38%
Exerccio: Supondo uma varivel x N (10, 9), determine o valor de a, tal que P{ x > a } = 0,05.
Soluo:
Nesse caso, teremos que fazer o caminho inverso do exerccio anterior, assim:
a 10
a 10
P{ x a} P z
0,05 ou P z
0,45
3
3
a 10
1,645; ento a 14 ,935
3
16
Exerccio: Suponha que X uma varivel aleatria distribuda de acordo com a distribuio normal N(3, 28).
Um gerente de vendas deseja saber: (a) P(0 < X < 8); (b) P(-5 < X < 1); (c) P ( 3 < X < 4); (d) P ( 4,5 < X < 6)
Soluo (foi usada a tabela acumulada da curva normal):
Aqui, teremos
a.
P ( 0 < X < 8 ) = P z 8 3 - P z 0 3
28
28
b.
P ( 5 < X < 1 ) = P z 1 3 - P z 5 3
28
28
c.
P (3 < X < 4 ) = P z 4 3
28
-
33
P z
28
28
-
4 ,5 3
P z
28
10
Observao 1
195
204
195
199
200
204
196
201
200
203
Observao 2
201
190
197
199
202
193
198
197
202
201
Observao 3
194
199
205
197
195
197
197
206
204
209
xi
196,67
197,67
199,00
198,33
199,00
198,00
197,00
201,33
202,00
204,33
1993,33
Ri
14
10
11
74
R
).
d2
17
10
xi
Ri
10,04
10,19
9,93
10,22
10,10
9,984
10,024
10,15
10,20
10,38
101,218
1,03
0,46
0,49
0,64
0,34
0,63
0,66
0,35
0,50
0,27
5,37
R
)
d2
Exerccio: De um processo de produo de anis para pistes, onde se controla o dimetro interno (em mm),
se obtiveram os seguintes dados:
Amostras
Observaes
1
2
3
4
5
6
7
8
74,000
74,006
73,984
74,000
74,004
74,010
74,015
73,982
73,984
74,010
74,002
74,010
73,999
73,989
74,008
73,984
74,005
74,018
74,003
74,013
73,990
73,990
73,993
73,995
Mdia
Determine o valor de (lembre que
S
)
c4
xi
73,998
74,005
74,003
74,005
74,005
74,009
74,000
74,017
73,996
74,000
73,997
74,003
74,009
74,014
74,010
74,013
Si
73,9966 0,00780
74,0078 0,00672
73,9978 0,00811
74,0062 0,00526
74,0014 0,00730
74,0024 0,01193
74,0052 0,00870
73,9982 0,01618
592,0156 0,071997
18
A discusso da distribuio de Poisson definiu uma varivel aleatria como o nmero de falhas ao
longo do que poderia ser o comprimento (no caso da distribuio de Poisson tambm pode ser a rea ou
ainda o volume) de algum objeto. A distncia entre as falhas outra varivel aleatria que frequentemente
de interesse, sendo essa basicamente a definio da distribuio exponencial (Montgomery e Rutger, 1999).
Em geral, se diz que X tem uma distribuio exponencial com parmetro ( > 0) se a funo de
densidade de probabilidade de X (Devore, 2008):
e x
f( x ; )
0
para x 0
caso contrrio
x /
E( x)
0 x e
dx
Para obter o valor esperado se requer integrar por partes. A varincia se calcula usando o fato de que
V(X) = E(X2) [ E(X) ]2. O clculo de E(X2) requer integrar por partes, duas vezes. Os clculos do como
resultado:
1
2
importante ressaltar que o recproco da mdia, e varincia igual mdia elevada ao quadrado.
Algumas curvas de densidade exponencial para valores diferentes de mostram-se abaixo:
Curvas de densidade exponencial
f (x)
2
=2
= 0,5
1
= 1
0,5
A fdp exponencial fcil de integrar para obter a funo de densidade acumulativa F(X):
F( x ; ) P( X x)
e x
x
1 e
para x 0
para x 0
Devore (2008) menciona que uma aplicao importante da distribuio exponencial modelar a
distribuio da durao de um componente. O fato de que a distribuio exponencial seja a nica
distribuio contnua a ter a propriedade de falta de memria d a ela uma grande popularidade. A falta
de memria consiste do seguinte: Suponha que a durao de um componente seja exponencialmente
19
distribudo com parmetro ( > 0), Depois de pr o componente em servio, se deixa que passe um
perodo de t0 horas e depois se v se o componente segue trabalhando. Qual seria agora a probabilidade de
que dure pelo menos t horas a mais?. Em smbolos matemticos uma probabilidade condicional, da
seguinte forma:
P(X t0 + t | X t0).
Por definio da probabilidade condicional, teremos:
P( X t 0 t|X t 0 )
P[ (X t 0 t) (X t 0 ) ]
P(X t 0 )
Mas o evento X t0 no numerador redundante, pois ambos eventos podem ocorrer se e somente se X
t0 + t, portanto:
P( X t 0 t|X t 0 )
P (X t 0 t)
1 F( t 0 t ; )
e ( t t
P( X t 0 )
1 F( t 0 ; )
e t
0
0)
e t e t
e t
0
e t
Essa probabilidade condicional idntica probabilidade original P(X t), ou seja, a probabilidade de
que o componente dure t horas. Portanto, a distribuio da durao adicional exatamente a mesma que
a distribuio original da durao, isso implica que em cada ponto do tempo o componente no mostra
nenhum efeito de desgaste.
Embora a propriedade de falta de memria se justifica pelo menos em forma aproximada em muitos
problemas reais, em outras situaes os componentes se deterioram com o tempo, ou s vezes melhoram
com ele (at certo ponto). As distribuies Gama, Weibull e Lognormal proporcionam modelos mais
prximos da realidade do que a distribuio Exponencial (Devore, 2008).
Problema: Suponha que o tempo de resposta X em um servidor de computador em linha (o tempo
transcorrido entre o final da consulta de um usurio e o incio da resposta do sistema a quela consulta) tem
uma distribuio exponencial com tempo de resposta esperado de 5 segundos.
a) Determine a probabilidade de que o tempo de resposta seja quando muito 10 segundos.
b) Determine a probabilidade de que o tempo de resposta fique entre 5 e 10 segundos.
Soluo:
a) Note que o tempo de resposta esperado se refere ao valor esperado E(X) [ u.t./u ], que o recproco
da mdia de eventos por unidade de tempo [ u /u.t. ], ou seja, o recproco de .
Como E(X) = 5 = 1/, ento = 0,2
P(X 10) = F(10; 0,2) = 1 e (0,2) (10) = 1 e -2 = 1 0,135 = 0,865
b) P(5 X 10) = F(10; 0,2) F(5; 0,2) = (1 - e -2 ) (1 - e -1 ) = 0,233
Problema: Suponha que se recebem chamadas durante 24 horas em uma linha de emergncia para preveno
de suicdios, de acordo com um processo de Poisson com = 0,5 chamadas por dia.
a) Determine a probabilidade de que transcorram mais de 2 dias entre chamadas.
b) Determine o tempo esperado entre chamadas sucessivas.
Soluo:
a) P(X > 2) = 1 P(X 2) = 1 F(2; 0,5) = 1 (1 - e (0,5) (2) ) = 0,368
b) E(X) = 1/ = 1/0,5 = 2 dias
Problema: Em uma grande rede corporativa de computadores, as conexes dos usurios as sistema podem
ser modeladas como um processo de Poisson, com uma mdia de 25 conexes por hora.
a) Qual a probabilidade de no haver conexes em um intervalo de 6 minutos?
b) Qual a probabilidade de que o tempo at a prxima conexo esteja entre 2 e 3 minutos?
c) Determine o intervalo de tempo tal que a probabilidade de nenhuma conexo ocorrer no intervalo
seja 0,90, o valor esperado e o desvio padro at a prxima conexo.
Soluo:
a) Faa X denotar o tempo, em horas, do incio do intervalo at a primeira conexo.
= 25 conexes por hora
Pede-se P(X > 6 min) = P(X > 0,1 horas), note que as probabilidades devem estar nas mesmas
unidades daquelas encontradas em .
0 ,1 25 e
25 x
20
Note que se usarmos = 25/60 conexes/min = 25 conexes/hr deveramos calcular P(X > 6
min), confira esse clculo, deve dar 0,082.
Note tambm que P(X > 0,1) = 1 P(X 1)
b) P(0,033 < X < 0,05) =
c)
0 , 05
0 ,033 25 e
25 x
dx e 25 x
0 , 05
0 ,152
0 , 033
Problema: A ampla experincia na fabricao de ventiladores utilizados em motores diesel h sugerido que a
distribuio exponencial um bom modelo do tempo at falhar o ventilador. Suponha que o tempo mdio
at a falha de 25.000 horas. Qual a probabilidade de que:
a) Um ventilador selecionado aleatoriamente dure pelo menos 20.000 horas? Quando muito 30.000
horas? Entre 20.000 e 30.000 horas?
b) Exceda a durao mdia de um ventilador por mais de 2 desvios padres? Por mais de trs
desvios padres?
Respostas: a) P(X > 20.000) = 0,440; P(X 30.000) = 0,699; P(20.000 X 30.000) = 0,148
b) P(X > + 2) = 0,05; P(X > + 3) = 0,018
Problema: O tempo entre as chegadas de txis a um cruzamento movimentado distribudo
exponencialmente, com uma mdia de 10 minutos.
a) Qual a probabilidade de voc esperar mais de uma hora por um txi?
b) Supondo que voc j estivesse esperando uma hora por um txi, qual ser a probabilidade de que
um txi chegue dentro dos prximos 10 minutos?
c) Determine x tal que a probabilidade de voc esperar mais de x minutos seja 0,10.
d) Determine x tal que a probabilidade de voc esperar menos de x minutos seja 0,90.
e) Determine x tal que a probabilidade de voc esperar mais de x minutos seja 0,50
Respostas: c) 23,03%
d) 23,03%
e) 6,93%
21
DISTRIBUIO BINOMIAL
Segundo Montgomery e Runger (1999), um experimento aleatrio, consistindo de n repetidas tentativas,
de modo que:
a) as tentativas sejam independentes,
b) cada tentativa resulte em somente dois resultados possveis, designados como sucesso e falha,
c) a probabilidade de um sucesso em cada tentativa, denotada por p, permanea constante
chamado de experimento binomial.
A va X, que igual ao nmero de tentativas que resultam em um sucesso, tem uma distribuio binomial
com parmetros p e n = 1, 2, ....
Em geral, a notao usada para identificar uma distribuio binomial a seguinte: Bin(n, p). Bin de
binomial, n relacionado com o nmero de sucessos e p como a probabilidade de sucesso para uma tentativa.
A funo de probabilidade de uma va binomial X :
n x
nx
para x 0 , 1, 2 , ......, n
p (1 p)
b( x ; n , p) f( x) x
0
caso contrrio
A letra b indica que uma va binomial, a letra x indica que o nmero de sucessos, a letra n
indica o nmero de tentativas e a letra p indica a probabilidade de obter um sucesso numa nica
tentativa.
bom ressaltar que geralmente (1 p) se representa como q, ou seja, (1 p) = q.
n
Na frmula anterior se indica que igual ao nmero total de sequncias diferentes de tentativas
x
que contm x sucessos e (n x) falhas. O nmero total de sequncias diferentes de tentativas que contm x
sucessos e (n x) falhas vezes a probabilidades de cada sequncia igual a P(X = x).
Em geral a mdia de uma distribuio binomial e a varincia 2 so iguais a:
= np
2 = n p (1 p) = n p q
Para uma va X Bin (x, n, p), a funo de distribuio acumulativa ser denotada por:
P ( X x ) B ( x ; n ; p)
y0
b ( y ; n ; p)
para x 0, 1, .....,n
Problema: Calcule as seguintes probabilidades binomiais diretamente com a frmula para b(x; n; p):
22
b) b(5; 8; 0,6)
d) P(1 X), quando n = 9 e p = 0,1
d) 0,718
1
0
2
2
3
0
4
1
5
2
6
0
Um lote desses tem que ser selecionado aleatoriamente para ser enviado a um cliente em particular. Se
X o nmero de peas defeituosas no lote selecionado, determine:
a) A distribuio de probabilidade de X
b) A probabilidade de enviar um lote com 1 pea defeituosa
Respostas:
a) p(0) = 0,5; p(1) = 0,167; p(2) = 0,333
b) 0,167
23
a) A populao ou conjunto da qual se vai a tirar uma amostra se compe de N indivduos, objetos ou
elementos (uma populao finita).
b) Cada individuo pode ser caracterizado como sucesso (S) ou falha (F) e h M sucessos na populao.
c) Seleciona-se uma amostra de n indivduos sem substituio de forma que cada subconjunto de
tamanho n igualmente provvel de ser selecionado.
Em geral, se X o nmero de sucessos (S) numa amostra aleatria de tamanho n extrada de uma
populao composta de M sucessos e (N - M) falhas, ento a distribuio de probabilidade de X se
denomina distribuio hipergeomtrica, definida como:
M N M
x n x
P ( X x) h ( x ; n ; M ; N)
N
n
com x sendo um inteiro que satisfaze mx (0, n N + M) x mn (n, M).
A mdia e a varincia da va hipergeomtrica X cuja funo de massa de probabilidade h (x; n; M; N)
so:
E(X) n
M
;
N
Nn
V( X)
N1
M
M
n
N 1 N
Observaes:
1) Note que o termo M/N a proporo de sucessos na populao. Se substituirmos M/N por p em
E(X) e V(X) obtemos:
E(X ) n p ;
Nn
V(X )
N1
n p 1 p
2) Note que as mdias das va binomiais e hipergeomtricas so iguais. As varincias diferem pelo fator (N
n)/(N 1), chamado de fator de correo por populao finita. Quando n pequeno em relao N,
esse fator pode se escrever como (1 n/M) (1 1/N).
3) Quando no se conhece o tamanho da populao N, mas se conhece o valor de x (nmero de sucessos
na amostra) e n (tamanho da amostra), e se deseja estimar o valor de N, possvel usar a seguinte
estimao:
Mn
N
x
Essa estimao adequada devido a que razovel igualar a proporo amostral observada de sucessos
(x/n) proporo populacional de sucessos (M/N).
24
Soluo:
a) Numa mo de 13 cartas, so 4 cartas (as, rei, rainha e valete) que no devem sair, portanto, 16
cartas no total no devem sair:
16 52 16
0 13 0
p
0 ,0036 0 ,36%
52
13
b) Numa mo de 13 cartas, para que saiam os 4 ases teramos:
4 52 4
4 13 4
p
0 ,0024 0 ,24%
52
13
c)
4 52 4
0 13 0
p1
0 ,6962 69 ,62%
52
13
Problema: Uma populao ou lote contm 200 itens, com uma probabilidade de itens defeituosos igual y %.
Um plano de inspeo demanda uma amostra de 5 itens. O limite de resistncia mnimo que um item pode
ter de 70.000 psi. O gerente do Departamento de Pesquisas e Desenvolvimento deseja saber qual a
probabilidade de se aceitar essa populao se:
a) y = 5%, sendo que nenhum item defeituoso poder ser encontrado entre os cinco itens testados.
b) y = 10%, e nenhum item defeituoso poder ser encontrado entre os cinco itens testados.
c) y = 5%, e apenas um item defeituoso poder ser encontrado entre os cinco itens testados.
d) y = 5%, e um mximo de dois itens defeituosos podero ser encontrados entre os cinco itens
testados.
e) y = 5%, e um mximo de trs itens defeituosos podero ser encontrados entre os cinco itens
testados.
Soluo:
a) Nenhum item defeituoso permitido entre os cinco itens testados. Como y = 5%, teremos um total
de 0,05 200 = 10 itens com o limite de resistncia menor do que 70.000 psi, isso , 10 itens
defeituosos entre os 200 itens da populao. A probabilidade de se aceitar a populao ou lote ser
dada por:
10 190
10 !
190 !
11
0
5
0
= 0 ! 10 ! 5 ! 185 ! = 190 189 188 187 186 = 2 ,3481606 10
Paceitar =
200 !
200
3,04278 1011
200 199 198 197 196
5 ! 195 !
5
25
20 180
20 !
180 !
0
5
0
= 0 ! 20 ! 5 ! 175 ! = 180 179 178 177 176
Paceitar =
200 !
200
200 199 198 197 196
5
!
195
!
5
Paceitar =
c)
1,786617 1011
= 0,587166 ou 58,7166%
3,04278 1011
Um item defeituoso permitido entre os cinco itens testados. Como y = 5%, teremos um total de
0,05 200 = 10 itens defeituosos entre os 200 itens da populao. Desde que permitido a presena
de um item defeituoso entre os cinco itens testados, a probabilidade de se aceitar a populao ser
dada por:
P(aceitar)=P(zero defeituoso) +P(um defeituoso)
A probabilidade de se ter nenhum item defeituoso entre os cinco testados j foi calculada no item a,
e igual 0,7717155. Logo, a probabilidade de se aceitar a populao ser dada por:
Paceitar = 0,7717155
10 190
1 4 = 0,7717155
200
Paceitar = 0,7717155
Paceitar = 0,7717155
1,5149424 1012
; Ento:
7 ,3026721 1012
10 !
190 !
1 ! 9 ! 4 ! 186 !
200 !
5 ! 195 !
Paceitar = 0,9791659
10 190
2 3 = 0,9791659
200
Paceitar = 0,9791659
Paceitar = 0,9791659
7 ,2911664 10 10
;
3,6513361 10 12
10 !
190 !
2 ! 8 ! 3 ! 187 !
200 !
5 ! 195 !
Logo:
26
Paceitar = 0,9991343
10 190
3 2 = 0,9991343
200
Paceitar = 0,9991343
10 9 8 190 189 5 4 3 2
200 199 198 197 196 3 2 2
Paceitar = 0,9991343
3,102624 109
;
3,6513361 1012
10 !
190 !
3 ! 7 ! 2 ! 188 !
200 !
5 ! 195 !
Finalmente:
Problema: Um comprador adquire lotes de m qualidade, pagando barato por eles, mas sem possibilidade de
devoluo. Ele no quer correr muitos riscos e pretende aceitar lotes que no mximo tenham 25% das peas
defeituosas. Oferecido um lote com 12 peas (que contem 8 peas boas e quatro defeituosas, mas o
comprador no sabe disso), testa a qualidade do lote da seguinte forma: escolhe aleatoriamente 4 peas, se
nessa amostra existir no mximo uma pea defeituosa, aceita o lote. Baseado em seus conhecimentos de
estatstica, o que voc aconselharia ao comprador, continuar com esse procedimento ou mudar de
procedimento?. Explique com clculos sua resposta.
Soluo:
Para esse teste (lote de N = 12 peas, amostra de n = 4 peas), a probabilidade de se encontrar x = 0
peas defeituosas :
4 12 4
0 4 0
p(0)
0 ,1414 14 ,14%
12
4
Para esse teste (lote de N = 12, amostra de n = 4), a probabilidade de se encontrar x = 1 pea defeituosa
:
4 12 4
1 4 1
p(1)
0 ,4525 45,25%
12
4
Portanto, como p(0) + p(1) = 14,14 + 45,25 = 59,39, ele no deve continuar com esse procedimento, ele
na verdade est aceitando lotes com aproximadamente 60% de probabilidade de que pelo menos uma
pea esteja ruim. Ele deve aceitar s lotes com amostras com nenhuma pea defeituosa (nesse caso a
probabilidade de que o lote seja ruim de 14% aproximadamente e no 25% como ele quer).
27
28
DISTRIBUIO DE POISSON
Considere um intervalo de nmeros reais e suponha que contagens (sobre algum evento) ocorram
atravs do intervalo (ou regio). Se o intervalo pode ser dividido em subintervalos com comprimentos
suficientemente pequenos tal que:
1) A probabilidade de mais de uma contagem em um subintervalo seja prxima de zero;
2) A probabilidade de uma contagem em um subintervalo seja a mesma para todos os subintervalos e
proporcional ao comprimento do subintervalo, e
3) A contagem em cada subintervalo seja independente de outros subintervalos,
ento nesse caso o experimento aleatrio ser chamado de processo de Poisson.
Se o nmero mdio de contagens no intervalo for > 0, a varivel aleatria X, que igual ao nmero
de contagens no intervalo, ter uma distribuio de Poisson, com parmetro , sendo a funo de
distribuio de probabilidade de X dada por:
p( x ; ) f( x)
e x
, x = 0, 1, 2, .....
x!
P(r ; )
p(x; )
x0
x0
e x
x!
2 =
Poisson ( )
f (x)
Problema: Durante um experimento de laboratrio a mdia de partculas radiativas que passa atravs de um
contador em um milissegundo 4. Qual a probabilidade de que 6 partculas passem pelo contador num
milissegundo dado?
Soluo:
x = 6; = 4, ento:
6
5
e 4 4 6
p(6 ; 4)
p( x ; 4) p( x ; 4) 0 ,8893 0 ,7851 0 ,1042
6!
x0
x0
Problema: A mdia de caminhes que chega cada dia a uma cidade porturia 10. As instalaes no porto
toleram at 15 caminhes por dia. Qual a probabilidade de que num dia algum caminho no chegue a ser
atendido no porto.
Soluo:
x = 15; = 10, ento: P( X 15) 1 P( X 15) 1
15
29
PX n o = 1
no
x0
t x e t
x!
Soluo:
Como desejamos que a probabilidade de falta de estoque fosse no mximo de 2%, teremos:
PX 0 = 1
PX 1 = 1
0!
0!
1!
2
400
= .
3
600
2
3 . Cada termo ou probabilidade poder ser encontrado diretamente ou
Logo, P r
r!
calculado atravs do termo anterior. Ento:
e
23
a)
Pr 0 = e 2 3 = 0,51342 ou 51,34%
b)
Pr 1 =
2 23
2
e
Pr 0 = 0,34228 ou 34,23%
=
3
3
2
c)
2 23
e
1 2
3
Pr 2 =
= Pr 1 = 0,11409 ou 11,41%
2 3
2!
3
d)
2 23
e
1 2
3
Pr 3 =
Pr 2 = 0,025354 ou 2,54%
=
3!
3 3
4
e)
2 23
e
1 2
3
Pr 4 =
Pr 3 = 0,004226 ou 0,42%
=
4 3
4!
30
bom ressaltar que muitas das distribuies discretas e contnuas adquirem cada vez mais a forma
simtrica a medida que a mdia vira mais grande.
Problema: A probabilidade de que determinado componente eletrnico apresente qualquer tipo de
defeito quando utilizado em um avio 747 de 0,15% por viagem. Assumindo-se uma distribuio de
falhas Poisson, um inspetor de segurana deseja determinar a probabilidade de que em 3.000 viagens
desse avio, o componente eletrnico venha a falhar em
a) Mais de 3 vezes.
b) Exatamente 2 vezes.
Soluo:
a) Mais de 3 vezes. Sabemos que = np = 3.000 0,0015 = 4,50. Alm disso,
x e
; Logo, teremos:
PX x =
x!
PX 0 PX 1 PX 2 PX 3
4,52 4,53
PX 3 = 1 e 4 , 5 1 4 ,5
= 1 0,0111089 30,8125
PX 3 = 1
2!
3!
PX 3 = 0,6577 ou 65,77%
b) Exatamente 2 vezes. Com = 4,5, teremos:
PX 2 =
4 ,52 e 4 , 5
x e
=
= 0,112478 ou 11,247%
2!
x!
Problema: Em certas instalaes industriais os acidentes ocorrem com muita pouca freqncia. Sabe-se
que a probabilidade de acontecer um acidente em um dia qualquer 0,005 e que os acidentes so
independentes entre eles,
a) Qual a probabilidade de que em qualquer perodo dado de 400 dias haver um acidente num
dia qualquer?
b) Qual a probabilidade de que nesse perodo, acontea 1 acidente em trs dias diferentes?
Soluo:
a) n = 400, p = 0,005 = np = (400) (0,005) = 2
2 1 e 2
x e
PX 1 =
=
= 0,271
x!
1!
3
x e
b) PX 3 =
= PX 0 PX 1 PX 2 PX 3 = 0,857
x!
x0
31
INSPEO DA QUALIDADE
Este captulo de Inspeo da Qualidade foi tomado da apostila de Controle Estatstico da Qualidade,
da Universidade Federal de So Carlos, preparada pelos professores Jos Carlos de Toledo e Drio
Henrique Alliprandini (2004).
Objetivos da Inspeo da Qualidade
Pontos de Inspeo
A inspeo pode ocorrer nas seguintes fases da Produo:
a) Inspeo de recebimento
A extenso da inspeo em produtos (matria-prima ou produto acabado) recebidos de terceiros
depende da capacidade do fornecedor, devidamente avaliada previamente e continuamente
acompanhada. Em um extremo, temos a inspeo utilizando-se o conceito de "auditoria da deciso",
onde o comprador compara os dados obtidos por sua inspeo com os dados recebidos do
fornecedor. Quando os dados recebidos do fornecedor forem e continuarem a ser confiveis, a
inspeo se transforma em apenas uma identificao do produto recebido. No outro extremo, a
inspeo de recebimento torna-se um controle da qualidade do fornecedor.
b) Inspeo durante a fabricao
A inspeo durante a fabricao tem o objetivo de fornecer informaes para a tomada de deciso
sobre o produto, isto , se o produto est ou no conforme com a especificao e para a tomada de
deciso sobre o processo, isto , se o processo deve prosseguir ou parar. A freqncia de inspeo
pode ser mais facilmente estabelecida se o processo estvel (um processo estvel implica que no
processo s esto atuando fontes de variao usuais).
c)
Tipos de Inspeo
a) Inspeo 100%
A inspeo 100% conveniente quando a caracterstica crtica ou a capacidade do processo
inerentemente insuficiente (incapaz) para alcanar os requisitos das especificaes. bom lembrar
que o excesso de inspeo pode ser to custoso quanto a falta de inspeo. A experincia mostra que
a inspeo 100% no garante produtos perfeitos, isto , no h garantias de segregao de todos os
defeituosos. Vrios estudos demonstram que o inspetor encontra aproximadamente 80% dos
defeitos presentes.
b) Inspeo por amostragem
Os objetivos principais dessa inspeo so de aceitao de um lote por meio de uma amostra
representativa que fornea auxlio no controle do processo. A inspeo por amostragem
conveniente para reduzir os custos da inspeo, manter a rea de produo informada a respeito da
qualidade dos produtos ao longo do processo e em situaes onde o julgamento da conformidade se
d atravs de um ensaio destrutivo. Para que a inspeo por amostragem tenha eficcia, alguns
cuidados devem ser observados:
32
Inspeo Sensorial
A qualidade sensorial aquela para a qual h dificuldade de se ter instrumentos tecnolgicos de
medio, sendo utilizada a sensibilidade humana como instrumento de medio. As caractersticas
normalmente avaliadas por inspeo sensorial so:
sabor
odor
rudo
aparncia
As formas de padres para a inspeo sensorial so:
fotografias
sons gravados
33
34
35
M N M
m n m
N
N!
P (d m )
para 0 m mn (M , n ), onde
N
n
n ! ( N n )!
n
36
para 0 m n
onde:
p = M/N a proporo verdadeira de itens defeituosos no lote.
Usando a aproximao binomial, o risco do produtor e o risco do consumidor so dados por:
P (d c|p p0 )
P (d c|p p1 )
nm
pm
0 (1 p0 )
m
mc1
m0
n m
p1 (1 p1 )n m
m
A maioria dos testes estatsticos requerem a especificao de (probabilidade do erro tipo 1). Os
valores de , n e p0 determinaro um valor nico de c, que pode ser obtido nas tabelas da distribuio
binomial acumulada. Porm, como a distribuio binomial uma distribuio discreta, tal vez no seja
possvel encontrar um valor de c que coincida exatamente com o valor desejado de (lembre que c
deve ser inteiro). Se p pequeno e n moderadamente grande (n > 25 e np < 5), a distribuio de
Poisson proporciona uma distribuio adequada da binomial. Para valores muito grandes de n tal que
np(1 p) > 5, a distribuio normal fornece uma distribuio adequada da binomial (Nahmias, 2007).
Exemplo (Nahmias, 2007, p. 647): A Spire Records uma cadeia de lojas que se especializa na venda de
DVDs. Um dos fornecedores da Spire Records a B&G Records que envia DVDs Spire em lotes de 100
DVDs. Depois de uma negociao, a Spire e a B&G acordaram que uma taxa de 10% de itens defeituosos
aceitvel, e uma taxa de 30% inaceitvel. De cada lote de 100 discos, a Spire h estabelecido o seguinte
plano de amostragem: se coleta uma amostra de 10 discos e se tiver mais de 2 DVDs defeituosos se rejeita o
lote. Calcule o risco do consumidor e do produtor associado com esse plano de amostragem.
Soluo:
Dos dados temos que p0 = 0,1; p1 = 0,3; N = 100; n = 10; c = 2
n
n
nm
Sabe-se que: P (d c|p p0 ) pm
, ou seja:
0 (1 p0 )
m
mc1
k0
10
0 ,1k (0 ,9)10 k 1 0 ,9298 0 ,0702 7 ,02%
k
P (d 2|p 0 ,3)
k0
m0
n m
p1 (1 p1 )n m , ou seja:
m
10
0 ,3k (0 ,7 )10 k 0 ,3828 38,28%
k
O valor = 0,3828 implica que a Spire est passando quase 40% dos lotes que contem 30% de itens defeituosos.
Alm disso, no se descarta a probabilidade de aceitar lotes com propores de itens defeituosos to altos como
40% e ainda 50%. O valor = 0,0702 implica que a Spire est rejeitando quase 7% dos lotes que tem at 10% de
defeituosos.
Observe que os valores dos parmetros n = 10; p0 = 0,1 e n = 10, p1 = 0,3 implicam que nem a
distribuio normal nem a aproximao de Poisson so exatas (verifique o dito aqui para a distribuio
de Poisson com = np, que fornece os valores aproximados de = 0,0803 e = 0,4216).
37
Problema: Se extraem amostras de tamanho 20 de lotes de 100 itens. Os lotes se rejeitam se o nmero de itens
defeituosos na amostra passa de 2. Se a proporo verdadeira de itens defeituosos no lote 5%, determine a
probabilidade de aceitar um lote usando:
a) A distribuio Hipergeomtrica exata
b) A aproximao pela Binomial
c) A aproximao de Poisson (Sugesto: calcule a mdia = np)
d) A aproximao da Normal (Sugesto: calcule a mdia = np)
Problema: Um produtor de calculadoras compra chips em lotes de 1.000 unidades. Ele gostaria de ter uma
taxa de itens defeituosos de 1%, mas geralmente no vai rejeitar um lote a menos que tenha 4% ou mais de
itens defeituosos. Extraem-se amostras de tamanho 50 de cada lote, e o lote se rejeita quando se encontram
mais de 2 itens defeituosos.
a) Calcule p0, p1, n e c.
b) Calcule e . Use a aproximao de Poisson nos seus clculos.
c) Calcule e . Use a aproximao de Binomial nos seus clculos.
38
A Curva Caracterstica de Operao (CCO) mede a efetividade de um teste para separar lotes de
qualidade varivel. A curva CCO uma funo de p, a proporo verdadeira de itens defeituosos no lote,
e est dada por:
CCO(p) = p [ Aceitar o lote|Proporo verdadeira de itens defeituosos no lote igual a p ]
Agora determinaremos a forma da curva CCO para o caso particular de um plano de amostragem
simples com uma amostra de tamanho n e um nvel de aceitao igual a c. Nesse caso:
CCO(p) = p [ d c|Proporo de itens defeituosos no lote p ]
CCO (p)
k 0
n k
p (1 p) n k
k
Um bom plano de amostragem aquele que tem um grande poder de discriminao (ou seja, uma boa
capacidade de discriminar/separar os lotes bons dos defeituosos), o que dado pela inclinao da curva
CCO. A Figura mostrada abaixo seria a CCO ideal:
L(p)
1
p0
Define-se a Funo Caracterstica de Operao como sendo: L(p) = F(), onde L(p) a probabilidade de
aceitao de um lote em funo de p, ou seja, em funo da proporo defeituosa do lote.
A CCO o grfico da funo L(p), mostrado na figura abaixo, para um dado plano: n e .
risco do produtor
risco do consumidor
L(p 1 )
p0
p1
A CCO dever passar por dois pontos: (P0, L(P0)) e (P1, L(P1)), sendo L(P0) = (1 ) e L(P1) =
Tendo-se fixado previamente esses 4 valores (P0, P1, L(P0), L(P1)), determina-se o Plano de Amostragem
(n e ), por meio das equaes:
39
d 0
L (P0 ) 1
n d
p0 (1 p0 ) n d
d
c
n
L (P1 ) pd1 (1 p 1 ) n d
d0 d
Entretanto, procedendo-se assim, no se tem controle sobre o tamanho da amostra e pode-se chegar a
um tamanho que no seja conveniente ou aceito pela empresa. Para tanto j existem planos de amostragem
tabelados que fixam previamente os valores de n e , considerados convenientes, e fixa-se apenas um
ponto da CCO, perdendo-se o controle do outro ponto. Assim, neste caso, se fixa (P 0, 1-), perde-se o
controle sobre o ponto (P1, ).
Problema (Nahmias, 2007, p. 648): Considere o problema da Spire Records cujos dados eram p 0 = 0,1; p1 = 0,3;
N = 100; n = 10; c = 2. A curva CCO para seu plano de amostragem simples est dada por:
2
10
CCO (p) p k (1 p) 10 k
k 0 k
0,10
0,9278
0,15
0,8202
0,20
0,6778
0,30
0,3828
0,40
0,1673
0,50
0,0547
O esboo da grfica da curva CCO da empresa Spire mostra-se abaixo. Uma anlise da figura indica que
esse plano de amostragem tem mais vantagens para o fornecedor B&G do que para a Spire. O valor = 0,3828 implica
que a Spire est passando quase 40% dos lotes que contem 30% de itens defeituosos. Alm disso, no se descarta a
probabilidade de aceitar lotes com propores de itens defeituosos to altos como 40% e ainda 50%. Isso concorda
com o fato de que a Spire parecia ter muitas devolues dos clientes de DVDs da marca B&G.
L(p)
1
(0,1; 0,9278)
0,9
N 100 ; n 10 ; c 2
0,8
0,7
0,6
1 0 ,9278
0,5
0 , 3828
0,4
(0,3; 0,3828)
0,3
0,2
0,1
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
Joo, um empregado da Spire, inscrito na faculdade local, foi requerido para analisar o problema dos
DVDs da B&G. Ele descobriu a causa do problema analisando a curva CCO mostrada acima. Para diminuir
a probabilidade de que a Spire receba lotes ruins da B&G, sugeriu que se modificara o plano de amostragem
fazendo d = 0. Nesse caso o risco do consumidor :
10
p [ d 0|p 0 ,3 ] (0 ,3)0 (1 0 ,3) 10 0 0 ,028 3%
0
40
aproximadamente 3%. Isso parecia ter um nvel aceitvel de risco (para o consumidor), e por esse motivo a
Spire implantou essa poltica. Infelizmente, a proporo de grupos rejeitados aumentou dramaticamente. O
valor resultante do risco do produtor () :
10
p [ d 0|p 0,1 ] 1 p [d 0|p 0,1] 1 (0,1)0 ( 0,9) 10 0,6513 65%
0
Isso implica que a Spire est rejeitando aproximadamente 65% de grupos bons. A B&G ameaou com deixar de
entregar lotes Spire se esta no voltasse ao plano de amostragem anterior.
A gerncia da Spire no sabia o que fazer. Se voltasse ao plano original (p0 = 0,1; p1 = 0,3; N = 100; n =
10; c = 2) corria o risco de perder clientes que iriam a outra loja que venda DVDs com mais qualidade. Se
continuasse com o novo plano (p0 = 0,1; p1 = 0,3; N = 100; n = 10; c = 0) se arriscava a perder a B&G como
fornecedor. Felizmente Joo, quem havia estado estudando o problema, props uma soluo. Se aumentasse
o tamanho da amostra, a potncia do teste (1 - ) poderia melhorar. Dessa forma poderia se projetar um
plano de amostragem que tivesse nveis aceitveis tanto para o risco do consumidor () como para o risco
do produtor (). J que a B&G insistia em ter uma probabilidade de 10% de rejeitar os lotes bons, a Spire
tambm queria ter no mximo uma probabilidade de 10% de aceitar os lotes ruins.
Depois de alguns testes, Joo encontrou que o tamanho de amostra n = 25 com um nvel de aceitao c
= 4 parecia cumprir com os requerimentos tanto da Spire quanto da B&G. Os valores de e para esse
plano so:
p [ d 4|p 0,1 ; n 25 ] 0,0980
0,10
0,0980
0,15
0,6821
0,20
0,4207
0,30
0,0905
0,40
0,0095
0,50
0,0005
Com certeza que a eficincia melhorada desse plano no de graa. O tempo do empregado requerido
para inspecionar os DVDs da B&G aumentou duas vezes e meia (de 10 para 25). A B&G e a Spire
concordaram em compartir o custo adicional da inspeo. A curva CCO do novo plano com n = 25 e c = 4 :
L(p)
1
(0,1; 0,9020)
0,9
0,8
N 100; n 25; c 4
0,7
0,6
0,5
1 0 , 9020
0,4
0 ,0905
0,3
0,2
0,1
(0,3; 0,0905)
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
Note que essa grfica se aproxima muito mais curva CCO ideal que a CCO original (n = 10 e c = 2).
41
Se p = p0 temos: c n p0 z
n p0 q 0
Se p = p1 temos: n p1 c z
n p1 q 1
X np
n pq
42
Consequentemente:
p 0 q 0 z
p1 p0
p1 q 1
valor de n
Exemplo (Peter, 1990, p. 184): Suponha que um engenheiro deseja desenhar um plano de
amostragem com = 5% quando p = 0,02 e = 10% quando p = 0,07.
Soluo:
p 0 q 0 z
p1 q 1
p1 p0
n p0 q 0 , ou em n p1 c z
11,14
n p1 q 1 , deve dar
p > 0,10
Sim
Hipergeomtrica
No
k = c/n
k > 0,10
Sim
Binomial
No
Poisson
Observao: Embora esses critrios sejam de uso comum, no significa que deve ser seguido a risca.
43
Problema: Esboce a curva CCO tipo B (no mnimo 5 pontos, para 0 < p < 0,20) para o plano de amostragem
simples com n = 50 e c = 1.
Problema: Esboce a curva CCO tipo B (no mnimo 5 pontos, para 0 < p < 0,12) para o plano de amostragem
simples com n = 100 e c = 2.
Problema: Suponha que um produto se despacha em lotes de N = 5.000. O procedimento de inspeo na
recepo usado um plano de amostragem simples com n = 50 e c = 1.
a) Esboce a curva CCO tipo A para o plano.
b) Esboce a curva CCO tipo B para o plano e compare com o esboo encontrado em a.
c) Qual das curvas CCO a adequada para essa situao?
Problema: Encontre um plano de amostragem simples para p0 = 0,01; = 0,05; p1 = 0,10 e = 0,10:
a) Usando o nomograma (Rta: n = 45; c = 1)
b) A tabela para determinar n e c
c) O mtodo estatstico (Rta: n = 37; c = 1)
Problema: Uma empresa utiliza o seguinte procedimento de amostragem de aceitao: se toma uma amostra
igual a 10% do lote e se 2% ou menos dos itens da amostra so defeituosos, o lote aceito; caso contrrio
rejeitado.
a) Se os tamanhos dos lotes considerados variam entre 5.000 e 10.000 unidades, o que se pode dizer em
relao proteo de esse plano?
b) Se 0,05 o NQI desejada, esse plano oferece uma proteo razovel ao consumidor?
44
45
k 0
20
(0 ,1) k (0 ,9) 20 k = 0,8670
k
20
10
10
= (0 ,1)4 (0 ,9)16 (0 ,1)0 (0 ,9)10 (0 ,1)1 (0 ,9)9
4
0
1
20
10
5
15
0
10
(0 ,1) (0 ,9) (0 ,1) (0 ,9)
5
0
= 0,1316
Experimentando com outros valores de n1, n2, c1, e c2 pode-se chegar a planos de amostragem duplos
que concordem ainda mais com os valores desejados de e .
Problema: Esboce a curva CCO para o plano de amostragem duplo com n 1 = 20; n2 = 10; c1 = 3; c2 = c3 = 5.
Avalie a curva para p = 0; 0,2; 0,4; 0,6; 0,8 e 1.
Problema: Considere o plano de amostragem duplo da Spire Records.
a) Suponha que a proporo verdadeira de itens defeituosos no lote 10%. Em mdia, quantos itens
tero que passar por a amostragem antes que o lote seja aceito ou rejeitado?
b) Suponha que a proporo verdadeira de itens defeituosos no lote 30%. Em mdia, quantos itens
tero que passar por a amostragem antes que o lote seja aceito ou rejeitado?
c) Qual a probabilidade que se rejeite um lote na primeira amostra, para p = 0,1.
PLANO DE AMOSTRAGEM MLTIPLA
Proceder conforme o plano de amostragem dupla, observando-se, porm, que o nmero de amostras
sucessivas para deciso, deve ser maior do que dois. medida que se passa do plano simples em direo ao
46
mltiplo, diminui-se, ao longo do tempo, a quantidade mdia de itens amostrados (e, portanto o custo de
inspeo), entretanto, aumenta-se a complexidade no uso do respectivo plano.
47
que os dez lotes precedentes (ou mais), tenham sido submetidos inspeo comum e nenhuma
sido rejeitado.
quando o nmero total de unidades defeituosas encontrado nas amostras dos dez ou mais lotes
precedentes, submetidos a inspeo comum e no rejeitados for igual ou menor do que o numero
limite dado na tabela de valores limites para introduo de inspeo atenuada.
quando a produo se desenvolve com regularidade.
se a inspeo atenuada for considerada apropriada pelo responsvel.
Se amostragens duplas ou mltiplas esto sendo aplicadas, deve ser computado o nmero total de
unidades defeituosas encontrado em todas as amostras, para efeito de comparao com os nmeros
previstos na tabela acima mencionada.
Atenuada para comum
Estando em aplicao a inspeo atenuada, deve-se passar para a normal se qualquer uma das condies
abaixo descritas ocorrer:
um lote rejeitado
um lote for aprovado, segundo critrio estabelecido na seguinte observao: pode ocorrer na inspeo
em regime atenuado que a seqncia de amostragem termine sem que tenha sido definido o critrio de aceitao
ou rejeio do lote. Considera-se, nestes casos, o lote aceito implantando-se, porm, Regime de Inspeo
Normal no lote subseqente.
a produo torna-se irregular.
a ocorrncia de condies adversas que justifiquem a mudana para a inspeo normal.
48
d
inspecionado
onde:
QMRL ,
49
50
x 1 x 2 ....... x n
n
Tambm, pela teoria, se sabe que x segue uma distribuio normal com mdia e desvio padro
x , e que:
p Z /2 x ( 1 )
ou
p Z /2
( 1 )
n
ou
x Z /2
x Z /2
Coletar os dados
Grficos de Controle:
Em relao aos Grficos de Controle (tambm chamados de Cartas de Controle), j foi estabelecido que
um mtodo visual, utilizado para se determinar se o processo continua ou no em um estado satisfatrio de
controle estatstico. Devemos entender que, na realidade, o grfico no controla absolutamente nada, ele
simplesmente fornece uma base para a ao e se tornar eficiente apenas quando aqueles que so
responsveis pela tomada de decises utilizarem as informaes apresentadas pelo grfico de forma correta
(Souza, 1998). Desse modo, a funo principal dos grficos de controle a de informar a existncia de tendncias,
padres ou variaes em alguma caracterstica de interesse de um produto, como por exemplo composio
percentual, peso ou dimenso, em relao aos limites (superior ou inferior) estabelecidos como aceitveis
para a caracterstica que est sendo analisada.
Existem dois tipos de erros que podem acontecer quando utilizamos os grficos de controle:
a) Considerar um valor observado como pertencente a uma causa usual (tambm chamadas de causas
aleatrias ou ainda causas normais), quando na verdade pertence a uma causa identificvel. Nesse
caso, se estar fazendo um ajuste excessivo do processo, gerando um aumento na variao.
51
b) Considerar um valor observado como pertencente a uma causa identificvel (tambm chamadas de
causas no aleatrias ou ainda causas especiais), quando na verdade pertence a uma causa usual. Nesse
caso, acontecera que no sero adotadas medidas corretivas imediatas quando necessrio.
Quando se trabalha com amostras, a forma mais comum de apresentar um grfico de controle
mediante a fixao da linha central de controle, do limite superior de controle e do limite inferior de
controle (ver grfico 3) , sendo:
Limite Superior de controle = LSC = Mdia do Processo + 3 x = + 3 x
Linha Central de controle
= LIC
= Mdia do Processo 3 x = 3 x
Onde:
x o desvio padro da mdia amostral da medida estatstica de interesse.
Em geral teremos que Limites de Controle = x 3 x x 3
3 x
3 x
Existe um grfico de controle denominado grfico de controle por zonas, o qual oferece uma melhor
forma de deteco de padres que possam surgir a partir dos dados das amostras (ver grfico 4). As zonas
A, B e C so especialmente importantes ao momento de fazer a deteco de padres via a utilizao de
regras. A habilidade para interpretar um padro particular de comportamento em termos de causas
identificveis ou atribuveis requer experincia e conhecimento do processo, isto , necessrio conhecer os
princpios estatsticos dos grficos de controle e entender plenamente o processo.
Ponto fora dos limites de controle
99,74 %
Zona B
95,44 %
68,26 %
Zona A
Zona C
Zona C
Zona B
A
Zona A
3 x
2 x
x
x
2 x
3 x
52
Deteco de Padres:
O reconhecimento de padres ou tendncias nem sempre to obvia quando usamos os grficos de
controle. A pessoa que pense em detectar padres via grficos de controle deve ter experincia, saber de
estatstica e conhecer o processo. Alm disso, deve usar regras de deteco de padres, as quais lhe serviro
como diretrizes de deteco. As regras mais comuns so as seguintes:
r1. Um ponto cair fora dos limites de 3 (alm da zona A).
x
r2. Ter seis pontos consecutivos que estejam crescendo ou, seis pontos consecutivos que estejam
decrescendo (ver grfico 5).
r3. Ter seis pontos consecutivos acima da linha central ou, seis pontos consecutivos abaixo da linha
central (ver grfico 5).
r4. Dois de trs pontos consecutivos carem alm do limite de 2 (alm da zona B, ver grfico 6).
x
r5. Quatro de cinco pontos consecutivos carem alm do limite de 1 x (alm da zona C, ver grfico 6).
Ponto fora dos limites (superior)
3 x
ce
n
Cr
es
s
re
n
ce
ia
c
De
te
d
nc
ia
Te
n
nc
d
te
n
Te
Pontos acima da
linha central
Pontos abaixo da
linha central
Ponto fora dos limites (inferior)
3 x
importante ressaltar, que embora em alguns casos, as regras podem ser utilizadas de forma
individual, mais usual usar um grupo de regras de forma conjunta.
Antes de introduzirmos os vrios tipos de grficos de controle utilizados na atualidade, precisamos
lembrar de um teorema muito importante e bsico, derivado do trabalho de Abraham DeMoivre, Laplace e
Gauss. Esse teorema diz que a forma da distribuio da soma das amostras se aproxima da forma de uma
distribuio normal, a medida em que o tamanho da amostra aumentar, no importando a forma da
distribuio da qual a amostra foi gerada. Esse teorema conhecido como o Teorema do Limite Central. Com
esse fato em mente, iremos agora introduzir alguns dos tipos bsicos de grficos de controle.
53
Planejamento da Qualidade
Melhoria
da
Qualidade
Controle da Qualidade
Tempo
54
X A 2 R ; X ; LIC
X A2 R
Onde:
R x mx x mn
Os limites de controle Superior e Inferior para o grfico R se calculam da seguinte forma:
LSC
D 4 R ; R ; LIC
D3 R
onde:
X a mdia das mdias
X i a Mdia da Amostra i,
m o nmero de amostras .
Xi
i1
m
m 25
55
3. Quando desconhecemos o valor de R , deve-se estimar R (os valores usados na estimao devem
necessariamente ser obtidos quando o processo est sob controle) com a seguinte formula:
m
Ri
i1
m
m 25
onde:
x 145,6
R 85
Mdia da Amostra
Amplitude da Amostra
21
7,0
4
22
8,0
3
23
6,2
3
24
6,8
5
Amostra
25
26
7,8
6,8
5
5
27
8,6
2
28
5,4
3
29
8,6
3
30
9,0
5
56
de 4 clientes selecionado (um a cada intervalo de 15 minutos durante essa hora) e o tempo em
minutos medido, a partir do ponto em que cada cliente entra na fila at a hora em que o cliente
comea a ser atendido. Os resultados durante o perodo de 10 dias teis so os seguintes:
Dia
Tempo em minutos
Mdia
7,2
8,4
7,9
4,9
7,100
5,6
8,7
3,3
4,2
5,450
5,5
7,3
3,2
5,500
4,4
5,4
7,4
6,300
9,7
4,6
4,8
5,8
6,225
8,3
8,9
9,1
6,2
8,125
4,7
6,6
5,3
5,8
5,600
8,8
5,5
8,4
6,9
7,400
9
10
Total
5,7
1,7
4,7
4
4,1
3
4,6
5,2
4,775
3,475
59,950
8,53921
x e R.
x 5,995
LSC R 7 ,964
LIC
R 3,49
3,45079
LIC R 0
x 145,6
R 85
Mdia da Amostra
Amplitude da Amostra
21
7,0
4
22
8,0
3
23
6,2
3
24
6,8
5
Amostra
25
26
7,8
6,8
5
5
27
8,6
2
28
5,4
3
29
8,6
3
30
9,0
5
57
a2) Grfico de Controle para Medidas Individuais (Carta de Controle para Medidas Individuais)
Em muitas situaes, o tamanho da amostra usada para o controle do processo n = 1, ou seja, a
amostra consiste em uma unidade individual. Em tais situaes, o grfico de controle para medidas
individuais til. O grfico de controle para medidas individuais usa a amplitude mvel de duas
observaes sucessivas para estimar a variabilidade do processo. As frmulas usadas so:
AM
AMi x i x i 1
AM i
m1
AM
d2
AM
1,128
Onde:
AMi a Mdia Mvel,
AM a Mdia das amplitudes mveis,
a estimao do desvio padro do processo,
d2 = 1,128 quando duas observaes consecutivas so usadas para calcular uma amplitude mvel.
Os limites de controle superior e inferior, e mdia so:
LSC x x 3
AM
1,128
= x
LIC x x 3
AM
1,128
LIC R D 3 AM 0 AM 0
Observaes:
Em muitas situaes o tamanho da amostra pode ser n = 1. Por exemplo:
- Quando a velocidade de produo muito lenta e no conveniente deixar que se acumulem
tamanhos de amostras com n > 1 antes da anlise.
- Em processos com tecnologia de ponta, onde a inspeo e a medio possam ser automatizadas.
- Quando medidas repetidas no processo diferem somente por causa do erro no laboratrio ou na
anlise, como em muitos processos qumicos.
- Em plantas de processo, tal como na fbrica de papel, onde as medidas de alguns parmetros,
como a espessura de revestimento atravs do rolo, diferiro muito pouco, produzindo um desvio
padro que ser muito pequeno se o objetivo for controlar a espessura do revestimento ao longo
do rolo.
Alm disso, sabe-se que:
- As amplitudes mveis esto correlacionadas e essa correlao pode frequentemente induzir a
um padro de comportamento de corridas ou ciclos no grfico. Portanto, qualquer padro
aparente no grfico de controle de medidas individuais deve ser investigado cuidadosamente.
- O grfico de controle para medidas individuais muito insensvel a pequenas mudanas na
mdia do processo.
Exerccio: A pureza de um produto qumico medida a cada 2 horas. Determinaes de pureza para as
ltimas 48 horas so mostradas na seguinte tabela.
Observao
1
2
3
4
5
6
7
8
9
10
11
12
Pureza
81
83
82
80
84
76
83
85
79
82
75
80
Observao
13
14
15
16
17
18
19
20
21
22
23
24
Pureza
83
86
84
85
81
83
77
82
75
83
85
86
58
a) Com as 12 primeiras amostras, construa um grfico adequado e calcule os limites de controle. Plote
os dados. Determine se o processo est sob controle estatstico. Se no esta sob controle, considere que
causas atribudas possam ser encontradas para eliminar essas amostras e reveja os limites de controle.
b) Com as amostras 13-24, determine se o processo est sob controle.
Exerccio: A viscosidade de uma pintura uma caracterstica importante. O produto se produz por lotes
e se tomam amostras a cada 24 horas. Os ltimos 24 dias foram tomadas as seguintes amostras:
Dia
Viscosidade
Dia
Viscosidade
1
33,75
9
33,49
2
33,50
10
33,20
3
34,00
11
33,62
4
33,81
12
33,00
5
33,46
13
33,54
6
34,02
14
33,12
7
33,68
15
33,84
8
33,27
16
33,80
59
2.
X;
LIC X = X A3 S
LSCS = B4 S ;
S;
LICS = B3 S ;
onde:
m
Si
i1
m
n
(x x )
i1
n1
S
c4
LIC X = 3
LIC X = A
d2 ;
LICR = D1 ;
,
n
c4 ;
LICS = B5 ;
60
Exerccio: De um processo de produo de anis para pistes, onde se controla o dimetro interno (em mm),
se obtiveram os seguintes dados:
Amostras
Observaes
1
2
3
4
5
6
7
8
9
10
74,000
73,994
74,006
73,984
74,000
74,982
74,004
74,010
74,015
73,982
73,984
74,012
74,010
74,002
74,010
74,001
73,999
73,989
74,008
73,984
74,005
73,986
74,018
74,003
74,013
74,015
73,990
73,990
73,993
73,995
73,998
74,998
74,005
74,003
74,005
74,020
74,005
74,009
74,000
74,017
73,996
74,007
74,000
73,997
74,003
73,996
74,009
74,014
74,010
74,013
Mdia
xi
Si
73,9966
74,1994
74,0078
73,9978
74,0062
74,2028
74,0014
74,0024
74,0052
73,9982
740,4178
74,0418
0,0078
0,4465
0,0067
0,0081
0,0053
0,4357
0,0073
0,0119
0,0087
0,0162
0,9542
0,0954
11
12
13
14
15
16
17
18
19
20
xi
Si
74,010
74,001
74,008
74,003
74,003
73,996
74,000
73,997
74,004
73,998
0,0148
0,0075
0,0147
0,0091
0,0122
0,0087
0,0055
0,0123
0,005
0,0163
Respostas:
a) As amostras 2 e 6 ficam fora dos limites. Portanto, devem ser recalculados os limites, com m = 8.
Os limites seriam: LSC
LSC
74,0148
x 74,002
0,0188
LIC
S 0,009
LIC
73,9892
Exerccio: De um processo de produo de anis para pistes, onde se controla o dimetro interno (em mm),
se obtiveram os seguintes dados:
25
i1
1850 ,028 e
25
Si
i1
LSC x = 74,09277
x = x = 74,00112
LIC x = 73,90947
LSCS = 0,01613
S = S = 0,0094
LICS = 0,00267
x = x = 700
LIC x = 690
LSCS = 18,08
S = S = 7,979
LICS = 0
61
O CONCEITO DE PROCESSO
Um processo um mtodo fsico de se realizar um determinado trabalho, o qual se desenvolve durante
um certo intervalo de tempo, geralmente envolvendo um certo nmero de fases ou operaes. Um processo
constitudo de um nmero diferente de fatores ou variveis. Essas variveis incluem a matria prima,
mtodo, mquinas ou equipamentos, a habilidade do operador, equipamentos de avaliao e competncia
para se realizar essas avaliaes. Outras importantes variveis ou fatores podero tambm entrar como
parte do processo, tais como dinheiro, meio ambiente, atitude, etc. Como sabemos, todo processo apresenta
algum tipo de variao. As variaes presentes no processo so basicamente de duas categorias:
- Variaes aleatrias (tambm chamadas de causas aleatrias ou ainda causas normais), as que ocorrem
apenas por acaso.
- Variaes especficas (tambm chamadas de causas no aleatrias ou ainda causas especiais), as que
ocorrem devido a causas que podem ser identificadas.
Apenas as causas aleatrias devem estar presentes em um processo, desde que elas representam a
quantidade mnima possvel de variao. Geralmente uma causa aleatria de variao no poder ser
removida economicamente do processo. Como exemplos de causas aleatrias de variao, podemos citar o
erro humano na ajustagem de controles em mquinas e equipamentos, pequenas variaes apresentadas nas
matrias primas, pequenas vibraes em equipamentos e mquinas, etc.
As variaes especficas ou determinadas podem ser detectadas, sendo geralmente economicamente
justificada a tomada de medidas visando sua eliminao. Como exemplos de causas especficas de variao
podem-se citar os erros causados pelos operadores, uma m ajustagem de equipamentos ou mquinas, um
lote defeituoso de matria prima. Qualquer tipo de causa especfica poder resultar em um elevado nvel de
variao, e consiste apenas de um ou de poucos casos individuais.
O processo no estar operando em seu nvel timo se estiverem presentes causas especficas ou
identificveis de variao. Agora, quando apenas causas aleatrias de variao estiverem presentes, o
processo estar ento operando em seu nvel timo. No caso de se estar produzindo ainda itens ou peas
defeituosas, deveremos revisar as especificaes ou mesmo promover uma mudana bsica no processo,
afim de, reduzirmos o nmero de peas defeituosas sendo produzidas.
Qualquer ponto fora dos limites de variao especificados no grfico de controle sendo utilizado
significar, na maioria das vezes, que o processo necessita ser investigado e corrigido.
Agora, pontos ou observaes dentro dos limites de controle da variao aleatria permitida
significar que o processo no deve ser ajustado. Ns necessitamos ter um processo suficientemente estvel
para que possamos utilizar prticas de amostragem, afim de, prevermos a qualidade da produo total, ou
para desenvolvermos estudos de otimizao do processo. Isso no possvel com a presena de causas
especficas de variao. Apenas com a presena de causas aleatrias de variao poder o processo estar
suficientemente estvel de modo a permitir a realizao desses estudos.
Geralmente dizemos que o processo se encontra em um estado de controle estatstico, ou simplesmente
sob controle, quando o processo estiver operando sem a presena de nenhuma causa especfica de
variao. Considerando que o termo sob controle significa o mnimo possvel de variao no processo,
deveremos desenvolver um grfico central de anlise e promover, se possvel, a eliminao do processo de
todas as causas especficas de variao, antes de calcularmos o valor de 6 para representar uma medida da
capacidade do processo. Desse modo, o valor 6 ir efetivamente representar o valor real inerente
capacidade do processo. O grfico de controle faz a distino entre as causas especficas de variao e as
causas aleatrias de variao atravs da escolha de seus limites de controle. O valor de 6 tambm se
conhece como limites naturais de tolerncia do processo (LNTP). De forma curta, tambm so conhecidos como
limites naturais do processo. O limite superior natural de tolerncia (LSNT) e o limite inferior natural de tolerncia
(LINT) se determinam com as seguintes formulas:
Limite Superior Natural de Tolerncia = LSNT = + 3
Mdia do Processo =
Limite Inferior Natural de Tolerncia = LINT = 3
Onde:
o desvio padro do processo. O valor de pode ser estimado com
R
S
d2
c4
62
CAPACIDADE DO PROCESSO
O Dr. J. M. Juran (Montgomery, 2004) definiu a Capacidade do Processo (tambm chamada de
Capabilidade do Processo) como sendo uma medida da uniformidade inerente do processo. A capacidade do
processo uma medida relativa preciso inerente do processo de fabricao. O Dr. Armand V.
Feigenbaum definiu a capacidade do processo como sendo a capacidade de qualidade de desempenho de
um processo, operando com fatores especificados e com uma condio de operao normal, isto , sob
controle.
Existem dois elementos significativos no conceito de capacidade do processo; variveis ou fatores do
processo e condies do processo. Para ser efetiva, a capacidade de um processo necessita ser definida em
funo de um determinado grupo de variveis ou fatores do processo, especificamente relacionados. Alm
disso, o processo sendo analisado dever ser aquele que apresenta as observaes distribudas de acordo
com a distribuio normal, estando ainda em um estado de controle estatstico. Para a identificao do
padro de atuao do processo, bem como da determinao da maneira como esse padro interage com as
especificaes requeridas, torna-se essencial se ter essa condio de normalidade das observaes.
Para ser til, o valor da capacidade do processo precisa ter um padro estabelecido que seja consistente
com o passar do tempo. Em termos estatsticos, a amplitude do processo igual 3, ou 6 no total.
Cerca de 99,73% de toda as leituras para uma distribuio normal se encontram dentro da rea limitada por
3 unidades de desvio padro do valor mdio. Lembremos que:
x 0,6827
x 2 0,9544
x 3 0,9973
LSE LIE
LSE LIE
LSNT LINT
6
63
LSE LIE
RCP
1
6
RCP
Curva do processo
Curva do processo
LSNT
LIE LINT
LSE LIE
1
6
LSE
LINT
LIE
LSE
LSNT
R
S
d2
c4
x LIE
LSE x
RCPk C pk mnimo
,
3
3
onde:
x = Mdia do processo;
Note que:
Se x (mdia do processo) = e (mdia das especificaes), ento RCP = RCPk
Da mesma forma que o RCP, quando o RCPk > 1, a produo ser SEM desperdcios considerveis e,
quando o RCPk < 1, a produo ser COM desperdcios considerveis.
Se RCPkE < 1 teremos desperdcio pela esquerda, se RCPkD < 1, teremos desperdcio pela direita.
Em geral, podemos afirmar que o RCPk uma razo unilateral de capacidade de processo, que
calculada relativa ao limite de especificao mais prximo da mdia do processo. Assim, tem-se que:
Intervalo do RCP (ou RCPk)
1,33 RCP (ou RCPk)
1,00 RCP (ou RCPk) < 1,33
RCP (ou RCPk) < 1
Capacidade do Processo
Satisfatrio
Aceitvel
Inaceitvel
64
Processo de Nvel
0,33
0,67
1,00
1,33
1,67
2,00
1
2
3
4
5
6
34,13% 34,13%
13,60%
13,60%
0,0000002%
0,00057%
2,14%
2,14%
2
3
0,0063%
2
3
6
A tabela mostrada abaixo, indica as perdas em partes por milho (ppm) para um processo
normalmente distribudo e um processo com deslocamento de 1,5 na mdia:
Sigma
1
2
3
4
5
6
Porcentagem de produtos
dentro dos padres
68,26
95,45
99,73
99,9937
99,999943
99,9999998
65
Ento:
LIE x
LSE x
p p z
p z
Enfatizamos que o clculo da frao defeituosa considera que as observaes sejam normalmente
distribudas e o processo esteja sob controle. Desvios da normalidade podem afetar seriamente os
resultados.
Exerccio: Num processo eletrnico de fabricao, uma corrente tem especificaes de 100 10
miliampres. A mdia x e o desvio padro do processo so 107 e 1,5 respectivamente.
a. Calcule o RCP e o RCPk.
b. Se existem desperdcios, calcule a porcentagem de desperdcios gerados.
Soluo:
Note que com os dados fornecidos, se pode calcular o RCP, o RCPk e a proporo de desperdcios, sem
precisar determinar os limites de controle do processo.
Portanto:
e = 100,
LSE = 100 + 10 = 110
e
LIE = 100 10 = 90
Como x e, ento RCP RCPk.
Portanto: RCP
110 90
6 * 1, 5
LSE x
x LIE
RCPk mn
,
3
110 107
107 100
mn
,
mn 0,666 ; 1,555 0,666
3
*
1
,
5
3 * 1, 5
Como RCPk < 1, ento o processo apresenta desperdcios. Note que LSE = 110 est mais perto da mdia
do processo x = 107, do que LIE = 100. Isso de forma prtica, define que o LSE determinar o RCP k.
Utilizando a tabela Normal para o calculo dos desperdcios, teremos:
LIE x
90 107
px LIE p z
p z
1, 5
LSE x
110 107
px LSE p z
p z
1, 5
pz 11,33 0
pz 2 0 ,023
66
Mdia da Amostra
Amplitude da Amostra
1
7,0
4
2
8,0
3
3
6,2
3
4
6,8
5
Amostra
5
6
7,8
6,8
5
5
7
8,6
2
8
5,4
3
9
8,6
3
10
9,0
5
67
Na tabela mostrada abaixo, esto registrados os dados de um processo que mede a resistncia ao
estouro de garrafas para refrigerantes:
xi
R
xi
R
1
252,0
2
255,2
3
246,2
4
269,0
102
84
89
104
11
261,0
12
266,8
13
227,8
14
286,8
128
55
87
69
Amostras
5
6
287,8
246,0
104
7
266,2
8
273,4
9
263,4
10
272,6
93
49
71
73
17
276,0
18
266,2
19
272,2
20
253,4
89
28
48
70
113
Amostras
15
16
268,8
270,4
56
34
Determine a capacidade do processo, supondo amostras de tamanho 5 e especificaes iguais a 250 100.
Soluo:
Dos dados, temos: n = 5;
x = 264,06 e R = 77,3
R
77 ,3
33,23
d2
2 ,326
x LIE
LSE x
RCPk C pk mnimo
,
3
3
3 33,23
3 33,23
350
LSE
LIP
164,37
264,06
LSP
363,75
A 2 R , como
x
3
0 ,577 77 ,3
Assim,
5 33,2444 ,
3
R
77 ,3
33,23
d2
2 ,326
R
77 ,3
33,23
d2
2 ,326
68
/ n
/ n
n ) ( L k
n )
Mais na frente ficar claro que para ns mais importante encontrar a probabilidade de que o
deslocamento seja detectado na primeira amostra subsequente, portanto, o que realmente estamos procurando
(1 - ). Um grfico de uma curva CO de um grfico x com limites de 3 sigma e valores diferentes de n
seria:
69
CMD
quando a mdia est sob controle, o CMD se representa como CMD0, e se calcula como:
quando a mdia apresenta deslocamento, o CMD se representa como CMD1, e se calcula como:
CMD 0
CMD 1
1
1
Problema: Determine o CMD0, para um caso onde o processo tenha limites de controle 3 sigma.
Soluo:
Ns sabemos que = p = 0,0027, portanto:
1
1
CMD 0
370
p
0 ,0027
Isso indicar que se o processo permanecer sob controle, um sinal de fora de controle ser gerado
a cada 370 pontos, em mdia.
Problema: Supondo um processo 3 sigma,
a) determine a probabilidade de detectar um deslocamento para 1 = 0 + 2, na primeira amostra
aps o deslocamento?
b) Determine o nmero esperado de amostras antes de detectar o deslocamento da mdia.
Soluo:
a) Nota-se que se busca calcular , pois h um deslocamento.
Alm disso L = 3; k = 2 e n = 5
De: (L k n ) ( L k n ) , temos:
(3 2
5 ) ( 3 2
Portanto 0,0708
1
1
b) CMD 1
1
1 0 ,0708
deslocamento da mdia.
5 ) (1,47 ) ( 7 ,37 )
70
/ n
/ n
x
x
LIC d
LSC d
p 1 1 p
z
x
x
CMD
1
p
TMAS = CMC h
Exerccio: Calcule a probabilidade p de que um ponto fique fora dos limites de controle, o CMD, e o
TMAS, considerando os seguintes dados:
Limites de controle = 74 0,0135 (note que x = 0,0045);
Mdia deslocada = d = 74,0135; (note que o deslocamento da mdia 3x direita de = 74);
a freqncia da amostragem uma amostra a cada hora.
Soluo:
Ns sabemos que , ento:
74 ,0135 74,0135
73,9865 74,0135
p11p
z
0 ,0045
0 ,0045
p 1 p 6 z 0 1 0,5 0,5
Por tan to , CMD
1
1
2
p
0 ,5
c.
Suponha que a mdia do processo se desloque para 105. Calcule o valor do CMD.
71
d) Suponha que a mdia do processo se desloque para 702,00, enquanto que o desvio padro se
mantm constante, qual seria a probabilidade de que ocorra um sinal de fora de controle na
primeira amostra depois do deslocamento?
e) Para o deslocamento da questo d, qual a probabilidade de detectar o deslocamento na
terceira amostra subseqente?
f) Em quanto tempo se detectar a mudana do TMAS?
72
pi
Di
,
n
onde:
Di o nmero de unidades com defeito, na amostra i,
n o tamanho da amostra (n 100)
p
1
m
pi
i 1
1
mn
Di ;
i 1
onde:
p a Mdia da Proporo de defeitos por amostra,
Di o nmero de itens com defeito na amostra i
Como o desvio padro de uma binomial igual a
p ( 1 p)
, os limites de controle se calculam da
n
seguinte forma:
LSC p 3
p ( 1 p)
;
n
p;
LIC p 3
p ( 1 p)
n
LSC p 3
p ( 1 p)
n
; p
i 1
i 1
; LIC p 3 p (1 p) ; onde n
n
ni
i1
m
73
ni
i1
m
Exerccio: Suponha que o seguinte nmero de itens defeituosos tenham sido encontrados em sucessivas
amostras de tamanho 100:
Amostra
Amostra
1
2
3
Itens
Defeituosos
9
10
13
Amostra
9
10
11
Itens
Defeituosos
13
6
3
17
18
19
Itens
Defeituosos
6
9
8
4
5
6
7
8
8
14
9
10
15
12
13
14
15
16
5
13
10
14
7
20
21
22
23
24
11
12
14
6
5
Di
230
a) Faa um grfico que controle a proporo de itens com defeito por amostra. Se necessrio
reveja os limites de controle. (Considere as regras r1, r2 e r3).
b) Faa um grfico que controle os itens com defeito por amostra. Se necessrio reveja os limites
de controle. (Considere as 5 regras).
c) Caso o processo no esteja sob controle estatstico, considere que causas atribudas possam ser
encontradas.
Respostas:
a) Grfico P; LSC = 0,184377; = 0,095; LIC = 0,007036; p = 0,029321; o processo esta sob controle.
b) Grfico NP; pi = 2,28; LSC = 18,2965; = 9,5; LIC = 0,7036; = 2,93215; o processo esta fora de
controle, cumpre r5.
c) Quando se tem muita variao, o comum que a mquina esteja sem manuteno, as
ferramentas tenham sofrido desgaste ou devido a um operrio inexperiente.
74
Dia
1
2
3
4
5
6
7
8
9
10
11
Total
Latas
produzidas
5.043
4.852
4.908
4.756
4.901
4.892
5.354
5.321
5.045
5.113
5.247
55.432
Latas
recusadas
47
51
43
37
78
66
51
66
61
72
63
635
Dia
12
13
14
15
16
17
18
19
20
21
22
Total
Latas
produzidas
5.314
5.097
4.932
5.023
5.117
5.099
5.345
5.456
5.554
5.421
5.555
57.913
Latas
recusadas
70
64
59
75
71
68
78
88
83
82
87
825
a.
Assim, se forem
inspecionadas m amostras, uma estimativa da mdia de defeitos por amostra ( c ) dada por:
k
Di
i1
m
onde:
Di o nmero de defeitos da amostra i.
Portanto, os limites de controle do grfico c esto dados por:
LSC c 3
c ; c;
LIC c 3
75
Amostra
Nmero de defeitos
Amostra
Nmero de defeitos
1
6
11
9
2
4
12
15
3
8
13
8
4
10
14
10
5
9
15
8
6
12
16
2
7
16
17
7
8
2
18
1
9
3
19
7
10
10
20
13
Amostra
Nmero de no-conformidades
Amostra
Nmero de no-conformidades
1
21
11
20
2
24
12
24
3
16
13
16
4
12
14
19
5
15
15
10
6
5
16
17
7
28
17
13
8
20
18
22
9
31
19
30
10
25
20
39
ui
ci
,
n
76
ser o nmero mdio de defeitos de defeitos por unidade na amostra i. Assim, se houver m amostras,
ento o estimador do nmero mdio de defeitos por unidade :
1
m
i 1
u
; u ; LIC u 3
n
u
n
varincia de u ser
. Quando a media pequena, a aproximao normal pode no ser sempre
n
adequada. Em tais casos, podemos utilizar os limites de controle obtidos diretamente de uma tabela de
probabilidades de Poisson. Se u for pequeno, o limite inferior de controle, obtido da distribuio normal,
poder ser um nmero negativo. Se isso ocorrer, costume considerar o limite inferior de controle como
zero.
Como proceder quando o tamanho da amostra varivel:
Na maioria das situaes reais, quando se emprega o grfico U, comum que o tamanho das
amostras variem. Quando temos tamanhos de amostras diferentes, usar o grfico C e fazer a interpretao do
grfico C seria muita complicado. Nesses casos o procedimento correto usar o grfico U, sendo que o grfico U
apresentar uma linha central constante, porem os limites de controle variaram inversamente com a raiz quadrada do
tamanho da amostra, de cada amostra. Vejamos o problema a seguir.
Problema: Numa fbrica txtil inspeciona-se os rolos de tecido tingido para a ocorrncia de defeitos a cada 50
metros quadrados. Os dados so os seguintes:
Rollo
No-conformidades
m2
1
14
500
2
12
400
3
20
650
4
11
500
5
7
475
6
10
500
7
21
600
8
16
525
9
19
600
10
23
625
1
14
500
500/50 = 10
14/10 = 1,4
2
12
400
8
1,5
3
20
650
13
1,54
4
11
500
10
1,10
5
7
475
9,5
0,74
6
10
500
10
1,0
7
21
600
12
1,75
8
16
525
10,5
1,52
9
19
600
12
1,58
10
23
625
12,5
1,84
77
D
Calculando u
i 1
m
153
1, 42
107 ,5
i 1
m2
ni
1
2
3
4
5
6
7
8
9
10
500
400
650
500
475
500
600
525
600
625
10,0
8,0
13,0
10,0
9,5
10,0
12,0
10,5
12,0
12,5
LSC = u + 3 u / n i
LSC = u - 3 u / n i
2,55
2,68
2,41
2,55
2,58
2,55
2,45
2,52
2,45
2,43
0,29
0,16
0,43
0,29
0,26
0,29
0,39
0,32
0,39
0,41
No-conformidades por
unidade de controle ui
2,45
2,41
2,43
0,16
0,26 0,29
2,52
2,55
2,58
2,68
2,0
1,5
1,0
0,5
0,0
1
0,32
0,39
0,41
0,43
10
Nmero do rolo
Abordagem 2
Esta abordagem implicaria usar um estatstico padronizado, como o mostrado a seguir:
Exerccio: Um fabricante txtil deseja elaborar um grfico de controle para irregularidades (por exemplo,
manchas de leo, fios soltos e peas rasgadas) por cada 84 m2 (100 jardas quadradas) de carpete. Analisou-se
uma pea (cada pea tem 84 m2) por dia, durante 20 dias, obtendo-se os seguintes resultados:
Dia
Irregularidades da amostra
Dia
Irregularidades da amostra
1
11
11
11
2
8
12
5
3
9
13
7
4
12
14
12
5
4
15
13
6
16
16
8
7
5
17
19
8
8
18
11
9
17
19
9
10
10
20
10
a) Se tivesse que controlar o nmero de irregularidades por m2, que grfico utilizaria?
b) Calcule os limites de controle para um grfico u (use regra r1).
c) Suponha que cinco novas amostras tivessem 15, 18, 12, 9 e 0 irregularidades. O que voc conclui?
d) Calcule os limites de controle para um grfico U que controle as irregularidades por jarda quadrada
(use regra r1).
78
Exerccio: Uma fbrica de papel usa uma carta de controle para monitorar as imperfeies dos rolos durante
sua produo. Registrou-se durante 20 dias amostras de 18 rolos na sada da produo, obtendo-se os
resultados mostrados abaixo.
Dia
Imperfeies
Dia
Imperfeies
1
12
11
13
2
14
12
12
3
20
13
14
4
18
14
18
5
15
15
18
6
12
16
15
7
11
17
19
8
15
18
18
9
12
19
15
10
10
20
14
139
156
a. Sabendo que os rolos so vendidos em pacotes de trs e supondo que as 10 primeiras amostras sejam
suficientes para calcular os limites de controle, determine os limites de controle para um grfico que
controle o nmero de imperfeies por lotes de venda (de trs em trs) . Use r1.
b. Considerando as amostras de 11-20, determine se o processo est sob controle (use todas as regras).
c. Sabendo que no mximo so aceitos 3 imperfeies por rolo, qual a proporo de rolos que devero
ser rejeitados por no cumprir as especificaes?. Aproxime com a normal.
79
( S i 0 ,035) , onde S i
i 1
o valor observado do item i. Desse modo, se 0,0035 estiver realmente perto dos valores observados de S i ,
a soma das diferenas ficar muito prxima de zero. Mas se o valor mdio da caracterstica sendo observada
for significativamente diferente de 0,0035, o Cusum ir se afastar de zero, aumentando ou diminuindo em
relao zero, caso a soma das mdias dos valores observados seja maior ou menor do que 0,0035.
Os grficos Cusum podem ser usados tambm para amplitudes, e so ainda utilizados para detectarem
variaes pequenas que sejam constantes no desvio padro do processo.
Para encerrar o estudo dos grficos de controle, mencionaremos que os tipos de grficos de controle
introduzidos at esse ponto so os utilizados normalmente nas organizaes industriais e de servios.
Devemos ter em mente de que existem basicamente dois tipos de riscos de deciso associados com o uso de
grficos de controle. O risco de se assumir uma condio de fora de controle para um determinado processo
quando na realidade no ocorreu nenhuma mudana na populao ou universo de amostragem (conhecido
como erro do Tipo I), e o risco de no se detectar uma variao real na populao ou universo de
amostragem quando na realidade ocorreu uma mudana na populao (conhecido como erro do Tipo II). Os
limites de controle, os quais representam os limites esperados de variao permitida, so estabelecidos com
a finalidade de balancear esses dois tipos de riscos ou erros associados com o uso de grficos de controle.
CONSIDERAES FINAIS SOBRE OS GRFICOS DE CONTROLE:
importante fazer um uso correto dos grficos de controle. Isso implica usar um grfico adequado
para o processo que vai ser ou est sendo controlado. Quando a varivel sendo mensurada contnua como
peso ou volume, a situao exige o uso de grficos para mdias e variabilidade ( x e R ou x e S) a fim de
monitorar as mdias e a variabilidade (amplitudes ou desvios padres) das amostras (ou subgrupos) e
consequentemente as mdias e a variabilidade do processo. E se os dados vm em subgrupos de tamanho
unitrio, ento indicada a utilizao dos grficos de medidas individuais e de amplitude mvel.
Quando o dado uma porcentagem que representa a proporo de peas defeituosas numa amostra, o
grfico correto seria o grfico P ou NP. Grficos para porcentagens no-conformes necessitam amostras
muito maiores, mas a pea sendo amostrada em geral quase insignificante em termos de custo por item,
como lpis, fsforos, porcas e parafusos. um erro comum e muito grave aplicar porcentagens num grfico de
mdias x . Como o desvio padro no o mesmo nesses dois grficos, o clculo dos limites de controle
diferente e no comparvel. O resultado pode ser muitos alarmes falsos ou alarmes verdadeiros no dados.
Quando o dado um nmero de defeitos num produto onde as possibilidades de encontrar defeitos
so amplas, o grfico correto o grfico C ou P. Grficos para item no-conformes com defeitos de natureza
ampla como o grfico C ou P no necessitam amostras muito maiores, sendo que geralmente o item que est
sendo amostrado em geral bastante significativo em termos de custo por item, como geladeiras,
computadores, televisores, etc.
Um grfico de controle, mesmo utilizado de forma incorreta pode gerar benefcios para a empresa. No
entanto, com alguns ajustes e algumas sugestes chave, os alarmes falsos que resultam diretamente do mau
uso dos grficos podem ser reduzidos ao mnimo e, consequentemente, tempo, esforo e recursos sero
liberados para alocao em tarefas e reas da empresa onde sejam mais necessrios. Nada na empresa
mais real do que alarmes falsos, e naturalmente esses incorrem em custos altos e desnecessrios, e devem
ser mantidos em nmero mnimo. Nesses casos, o CMC e TMAS so ferramentas que podem ajudar a
detectar os alarmes falsos com maior preciso.
Quando aparecem processos fora de controle, em primeiro lugar sempre se questiona a preciso dos
aparelhos de medio, mesmo sendo dos mais modernos e mais na moda. Em geral, uma hora ou duas
horas suficiente para testar o seu equipamento e ficar mais confiante quanto s mensuraes. Depois de
80
fazer isso, que devemos procurar quais causas identificveis podem estar fazendo com que o processo no
este sob controle. A sequncia da busca das causas identificveis deve estar determinada por uma anlise de
Pareto das mesmas.
81
De cada populao sob estudo, extrada uma amostra de forma aleatria (a amostragem deve ser
aleatria).
Todas as variveis so mantidas fixas, exceto aquela que objeto de estudo (independncia dos erros, o
erro numa observao no deve corresponder ao erro em outra observao).
As populaes i sob amostragem podem ser satisfatoriamente aproximadas por distribuies normais
N( i , 2 ) , isto , todas as populaes tm uma mdia i e uma varincia comum 2 . Ter a varincia
comum implica que exista homogeneidade da varincia.
Quando comparamos k tratamentos, podemos obter uma tabela inicial de dados, como a tabela 1,
indicada abaixo:
Tratamentos
Observaes
Mdia do tratamento
Tratamento 1
y1
( y 1 j y 1 )2
j1
Tratamento 2
y2
( y 2 j y 2 )2
j1
.
.
.
.
.
.
.
.
.
.
.
.
Tratamento k
yk
( y k j y k )2
j1
n1
n2
nk
yi j
( yi y )
( y i j yi )
quando os tamanhos das amostras so diferentes, a Mdia das Medias se calcula da seguinte forma:
Mdia de mdias = y
yi
i1
k
82
Tambm, considerando as duas fontes de variao, podemos decompor a soma total da diferena dos
quadrados como a soma dos quadrados das diferenas em relao aos tratamentos, mais, a soma dos
quadrados dos erros (no mesmo grupo), da seguinte forma:
Soma dos Quadrados Total = Soma dos Quad. dos Tratamentos + Soma dos Quadrados dos Erros
SS Total
k
ni
( y i j y) 2
i 1 j1
SST
n i ( y i y) 2
i1
SSE
k
ni
(y i j y i )2
i1 j1
ni 1
i1
k1
ni k
i1
costumeiro apresentar a decomposio das Somas dos Quadrados numa tabela, denominada tabela
ANOVA, da seguinte forma:
Fonte
Tratamento
SST n i ( y i y ) 2
Graus de
Liberdade
Erro
i1
SSE
ni
(y
i 1
Total
V1 =
j1
ij
y i )2
k1
k
V2 =
i 1
ni
Mdia dos
Quadrados
MST
SST
v1
MSE
SSE
v2
Estatstico F
F
MST
MSE
( y i j y )2
i 1 j1
ni 1
i 1
Tabela 2: Tabela ANOVA
onde :
k = Nmero de Tratamentos;
ni = Tamanho da amostra do tratamento i;
SSE
k
ni k
i 1
v1
SSE
v2
MSE
Varincia no exp licada
O estatstico F, o valor que se utiliza no teste F que serve para determinar se existem diferenas
significativas entre as mdias dos k tratamentos. O teste consiste das seguintes hipteses:
Hiptese Nula:
Hiptese Alternativa:
H0 :
H1:
1 = 2 = ..... = k
s so
83
Assim, o teste F consiste de comparar o valor calculado do estatstico F, contra um valor tabelado de
F, quase sempre identificado como F (v1,v2), onde:
o nvel de significncia,
v1 so os graus de liberdade da soma dos Quadrados dos Tratamentos (SST), e
v2 so os graus de liberdade da Soma dos Quadrados dos Erros (SSE).
Observao: O 1 - indica percentualmente o quanto ns temos certeza de que o teste foi bem
realizado, tudo isso claro, desde o ponto de vista estatstico.
O teste F consiste de:
Se F F (v1,v2) rejeitar Ho e aceitar H1;
caso contrrio (F < F (v1,v2)) , aceitar Ho e rejeitar H1.
Portanto: Se F > F (v1,v2), significar que pelo menos uma das mdias dos tratamentos diferente,
conseqentemente, existir pelo menos uma mdia dos tratamentos que melhor que as outras mdias, sob
as condies estatsticas estabelecidas.
Se F < F (v1,v2), significar que as mdias dos tratamentos so iguais, conseqentemente, poder ser
escolhido qualquer um dos tratamentos j que todos os tratamentos produzem resultados iguais, sob as
condies estatsticas estabelecidas.
Exerccio: Deseja-se comparar trs marcas de mquinas diferentes e decidir qual delas comprar. Para
diminuir a variao aleatria, se decidiu que as mesmas sejam manipuladas por um mesmo operador e
seja utilizada matria prima de um mesmo fornecedor. Mediante uma amostragem aleatria,
obtiveram-se os seguintes dados de produo:
Mquina 1
Mquina 2
Mquina 3
48,4
56,1
52,1
49,7
56,3
51,1
48,7
56,9
51,6
48,5
57,6
52,1
47,7
55,1
51,1
y 3 51,6
52,2
y 1 48,6
y 2 56,4
So realmente as marcas diferentes, desde o ponto de vista produtivo? (Use n.s. = = 5%= 0,05).
84
A ANOVA, s estabelece se existe (ou no existe) alguma diferena estatisticamente significativa entre
as mdias dos tratamentos. O prximo passo, sem dvida nenhuma, seria determinar qual ou quais
medias dos tratamentos so as melhores.
Ns poderamos comparar as mdias por pares, e depois decidir qual delas a melhor. O termo por
pares significa que si se esto comparando trs tratamentos, ns teramos que comparar primeiro o
tratamento 1 vs. o tratamento 2, o tratamento 1 vs. o tratamento 3, e finalmente o tratamento 2 vs. o
tratamento 3. Aps todo esse processo, nos estaramos em condies de determinar qual dos tratamentos o
melhor. No difcil notar que se o nmero de tratamentos aumenta-se, as comparaes que precisaramos
fazer tambm aumentariam consideravelmente.
Sob as condies mencionadas no pargrafo anterior, poderamos estabelecer, que se houvesse um
procedimento com o qual comparssemos todas as mdias dos tratamentos de uma vez s, esse
procedimento seria mais factvel, se fariam uma menor quantidade de clculos e consequentemente seria
mais rpido.
Procedimento de Tukey-Kramer:
Existem muitos procedimentos para abordar o problema de determinar qual ou quais so as melhores
mdias dos tratamentos. Um deles o Mtodo de Tukey-Kramer. Esse procedimento nos possibilita examinar,
simultaneamente comparaes entre todos os pares de mdias dos tratamentos. Suponha k sendo o
nmero de linhas e n o nmero total de observaes.
Passo 1:
Se ordenam as mdias amostrais em ordem crescente. Depois se calculam as diferenas absolutas Ii =
y i y i , , (onde i i) entre todos os pares de mdias dos tratamentos. bom ressaltar que se existem k
tratamentos, se faro k (k 1) comparaes. Note que se existirem 4 tratamentos, o passo 1 consiste de
2
obter:
I1 y1 y2 ; I 2 y1 y3 ; I 3 y1 y4 ; I 4 y2 y3 ; I 5 y2 y 4 ; I6 y3 y4 ;
Passo 2:
Consiste de determinar o intervalo crtico para o procedimento de Tukey-Kramer. Ele obtido da
seguinte forma:
Intervalo Crtico de Tukey-Kramer = ICi
Q (k , n k )
MSE
2
Onde:
ni = Tamanho da amostra do tratamento i;
MSE = Soma dos quadrados dos erros;
Q ( k , n k ) = Valor crtico do intervalo Q de Student;
Note que se existirem 4 tratamentos, o passo 2 consiste de obter:
IC 1 Q ( k , n
k)
MSE
2
1
1
n n
2
1
; IC
IC 3 Q ( k , n
k)
MSE
2
1
1
n n
4
1
; IC 4 Q ( k , n k )
IC 5 Q ( k , n
k)
MSE
2
1
1
n n
4
2
; IC
Q ( k , n
Q (k , n
k)
k)
MSE
2
1
1
n n
3
1
MSE
2
MSE
2
1
1 ;
n n
2
3
1
1
n n
4
3
Passo 3:
Consiste de comparar Ii e ICi da seguinte forma:
1
1
,
n n '
i
i
85
Se Ii > ICi, ento EXISTIR uma diferena estatstica significativa entra as mdias dos
tratamentos considerados, portanto:
se yi yi ' , ento estatisticamente y
Observao: Quando Ii >> IC, teremos maior certeza de que uma das mdias dos
tratamentos melhor (em funo dos parmetros considerados) que a outra mdia.
Se Ii ICi, ento NO EXISTIR uma diferena estatstica significativa entre as mdias dos
equivalente y i ' ,
Note que se existirem 4 tratamentos, o passo 3 consiste de comparar: I1 com IC1; I2 com IC2 ; I3 com IC3
; I4 com IC4 ; I5 com IC5 e I6 com IC6 . Finalmente, de acordo as regras do passo 3, se determinar se existe
uma Mdia de Tratamento melhor (ou pior).
Exerccio: Uma grande firma de propaganda utiliza muitas fotocopiadoras, distribudas entre 4 modelos
diferentes. Durante os ltimos 6 meses, o chefe do escritrio registrou, para cada mquina, o nmero mdio
de minutos/semana em que esteve parada devido reparos; resultaram os seguintes dados:
Modelo G
56
61
68
42
82
70
Modelo H
74
77
92
63
54
Modelo K
24
36
29
56
44
48
38
Modelo M
78
86
89
101
61
(a) Ao nvel de 0,01 de significncia, teste se as diferenas entre as quatro mdias amostrais podem ser
atribudas ao acaso, ou seja, determine se os modelos podem ser considerados iguais.
(b) Se existem diferenas significativas, determine qual das copiadoras tem a melhor mdia de
minutos/semana.
Respostas:
(a): SST = 6438,996; SSE = 3370,261
F = 12,1
Exerccio: Deseja-se comparar trs marcas de mquinas diferentes e decidir qual delas comprar. Para
diminuir a variao aleatria, se decidiu que as mesmas sejam manipuladas por um mesmo operador e seja
utilizada matria prima de um mesmo fornecedor. Mediante uma amostragem aleatria, obtiveram-se os
seguintes dados de produo:
Mquina 1
Mquina 2
Mquina 3
48,4
56,1
52,1
49,7
56,3
51,1
48,7
56,9
51,6
48,5
57,6
52,1
47,7
55,1
51,1
y 3 51,6
52,2
y 1 48,6
y 2 56,4
a) So realmente as marcas diferentes, desde o ponto de vista produtivo? (Use n.s. = = 5%= 0,05).
b) Que marca a mais produtiva, conseqentemente, qual marca voc compraria?
c) Que marca a menos produtiva, conseqentemente, qual marca voc no compraria?
Respostas:
a) F = 141,68; F(0,05; 2; 12) = 3,89; como F F (0,05; 2; 12), ento, se aceita H1, portanto, existe uma
marca (ou marcas) melhor do que as outras.
b) As marcas 2 e 3.
c) A marca 1.
86
1
2
3
56,7
64,5
56,7
59,3
xj
45,7
53,4
50,6
49,9
48,3
54,3
49,5
50,7
54,6
57,5
56,5
56,2
37,7
52,3
44,7
44,9
xi
48,6
56,4
51,6
x 52,2
Note que os valores ni so todos iguais, isto , os tamanhos das amostras so iguais. A Tabela Anova
de dois fatores fica da seguinte forma (k representa o nmero de linhas e c o numero de colunas):
Fonte da
Variao
Variao
Soma dos quadrados
Explicada
(linhas)
SS k c
Explicada
(colunas)
SS c k
No
explicada
SS u
i 1 j1
SS
Total
i 1
c
j1
(X i . X)
( X. j X ) 2
( X i j X i . X. j X ) 2
i 1 j1
(X i j X) 2
Graus de
liberdade
Varincia
k1
MSS k
SS k
k 1
MSS k
MSS u
c1
MSS c
SS c
c1
MSS c
MSS u
MSS u
(k 1) (c 1)
SS u
(k 1)( c 1)
kc1
onde:
c
X i . Mdia das medies obtidas quando o fator A se mantm no nvel " i"
j1
c
k
X . j Mdia das medies obtidas quando o fator B se mantm no nvel " j"
k
X A grande Mdia
i 1 i 1
Xi j
i1
Xi j
k
Xi j
kc
87
X i j = X +
(X i . X)
( X. j X )
X i . X. X
portanto, X
ij
j
Como a parte no explicada a parte aleatria, essa parte aleatria na verdade a diferena entre o
valor real de X e o valor estimado X , consequentemente:
ij
ij
X X i . X. X
Xi j X
ij
ij
j
X X i . X. X representa a parte no
Deve ficar claro que o elemento aleatrio X i j X
ij
ij
j
explicada dos dois fatores considerados. Note que a variao das linhas se determina quase que da mesma
forma que a variao das colunas. Assim, a variao total se pode decompor da seguinte forma:
k
i 1 j1
(X i j X) 2 c ( X i . X) 2 k
i 1
j1
( X. j X) 2
i 1 j1
( X i j X i . X. j X) 2
A partir da variao total mostrada acima se pode provar se existe uma diferena significativa entre as
mquinas ou entre os trabalhadores. Em ambos casos se ter em contra a influncia extrnseca do outro
fator. Portanto os valores de F para as mquinas e os trabalhadores ser:
Varincia exp licada pelas mquinas
77 ,4
MSS k
13,1
MSS u
Varincia no exp licada
5,9
F(0,05; 2; 8) = 4,46; F
F(0,05; 4; 8) = 3,84; F
16 ,2
MSS u
Varincia no exp licada
5,9
Portanto, tanto para as mquinas, quanto para os trabalhadores existem diferencias significativas,
consequentemente se rejeita a hiptese nula em ambos os casos.
Uma ltima advertncia: o anova de dois fatores considera que no h interao entre os dois fatores,
isto , os trabalhadores no tm preferncia de manipular alguma mquina, se existisse preferncia seria
necessrio um modelo mais complexo e mais observaes amostrais.
Comparaes mltiplas:
Supondo que A significa linha e B coluna. Para um problema de Anova de 2 fatores, quando H 0A
(hiptese alternativa das linhas) ou H0B (hiptese alternativa das colunas) foram rejeitadas, se pode utilizar o
procedimento de Tukey-Kramer para identificar as diferenas significativas nas linhas ou nas colunas. Os
passos so idnticos ao anova de um fator (Devore, 2008):
Passo 1: Para comparar os nveis do fator A (as linhas) se obtm Q ; k; (k-1)(n1). Para comparar os nveis
do fator B (as colunas) se obtm Q ; c; (k-1)(n1).
Passo 2: Se calcula w = Q x (desvio padro estimado das mdias amostrais comparadas). Lembre que o
desvio padro de X i . / k .
Q ; k ; (k 1) ( n 1)
Q ; c ; (k 1) ( n 1)
MSS u
c
MSS u
k
Passo 3: Se ordenam as mdias amostrais em ordem crescente, se sublinham os pares que diferem menos
que w e se identificam os pares no sublinhados pela mesma linha como correspondentes nveis
significativamente diferentes do fator dado.
88
Exerccio: Uma grande firma de propaganda utiliza muitas fotocopiadoras, distribudas entre 3 modelos
diferentes. Os operrios das mquinas variam. Durante os ltimos 6 meses, o chefe do escritrio registrou,
para cada mquina, o nmero mdio de minutos/semana em que esteve parada devido reparos. Resultaram
os seguintes dados:
Modelo G
Modelo H
Modelo M
56
74
78
61
77
86
68
92
89
42
63
101
82
54
61
a) Ao nvel de 0,01 de significncia, teste se as diferenas entre as 3 mdias amostrais podem ser atribudas
ao acaso, ou seja, determine se os modelos podem ser considerados iguais.
b) Se existem diferenas significativas, determine qual das copiadoras tem a melhor mdia de
minutos/semana.
89
REFERNCIAS BIBLIOGRFICAS
CARNEIRO BRAVO, PAULO. Elementos de Controle Estatstico de Qualidade 6 Simpsio Nacional de
Probabilidade e Estatstica, Editora da COPPE UFRJ, R.J., Brasil, 1984.
CARPINETTI, LUIZ CESAR RIBEIRO; EPPRECHT, EUGENIO KAHN; COSTA, ANTONIO
FERNANDO BRANCO COSTA. Controle Estatstico de Qualidade, Editora Atlas, 2 Ed., S.P., Brasil,
2005.
DEVORE, JAY. Probabilidade e Estadstica: para Engenharia e Cincias, Editora Cengage Learning, Brasil,
2006.
JOHN, PETER. Statistical Methods in Engineering and Quality Assurance, John Wiley & Sons Inc., USA,
1990.
MONTGOMERY, DOUGLAS. Introduo ao Controle Estatstico da Qualidade, Livros Tcnicos e
Cientficos, 4 Ed., S.P., Brasil, 2004.
NAHMIAS, STEVEN. Anlisis de la produccin y las operaciones, Mc Graw Hill Intereamericana, Mxico,
2007.
SOUZA JR., DANIEL I. Apostila de Controle Estatstico da Qualidade Industrial da Universidade Estadual
do Norte Fluminense (UENF), Campos dos Goitacazes, R.J., Brasil, 1998.
TOLEDO, JOS; ALLIPRANDINI, DRIO. Apostila de Controle Estatstico da Qualidade Industrial da
Universidade Federal de So Carlos (UFSCar), So Paulo, Brasil, 2004.
90
FORMULRIO CEQ
S(p) um nmero int eiro, ento P(p) igual ao termo definido por S(p)
Se
caso contrrio , P(p) igual mdia dos termos int eiros definidos por S(p)
onde:
P(p) o percentil procurado.
Medidas de Curtose:
Coeficiente Percentlico de Curtose = C
(Q 3 Q 1 )
2 (P( 90 ) P( 10 ) )
3 (Mdia Mediana )
Desvio padro
Distribuio de Poisson:
A funo de distribuio de probabilidade de uma vad X de Poisson dada por:
e x
, x = 0, 1, 2, .....
x!
A funo acumulativa da distribuio de Poisson est dada por:
p( x ; ) f( x)
P(r ; )
p(x; )
x0
x0
e x
x!
2 =
91
A distribuio binomial, em casos prticos, se aproxima da normal quando se trabalha com a funo de
distribuio acumulada e quando n . Se X uma va binomial com mdia = np e varincia 2 = npq,
ento a forma limitante da distribuio de:
Z
Se p = p0 temos: c n p0 z
n p0 q 0
Se p = p1 temos: n p1 c z
n p1 q 1
Consequentemente:
X np
n pq
p 0 q 0 z
p1 q 1
p1 p0
valor de n
Distribuio Hipergeomtrica:
A distribuio hipergeomtrica, com parmetros n, N e M :
M N M
m n m
N
N!
P (d m )
para 0 m mn (M , n ), onde
N
n
n ! ( N n )!
n
Distribuio Exponencial:
A fdp exponencial fcil de integrar para obter a funo de densidade acumulativa F(X):
F( x ; ) P( X x)
0 e
x
1 e
para x 0
para x 0
P (d c|p p0 )
nm
pm
0 (1 p0 )
m
mc1
92
P (d c|p p1 )
m0
n m
p1 (1 p1 )n m
m
para 0 m n
CCO (p)
k 0
n k
p (1 p) n k
k
Define-se a Funo Caracterstica de Operao como sendo: L(p) = F(), onde L(p) a probabilidade de
aceitao de um lote em funo de p, ou seja, em funo da proporo defeituosa do lote.
L (P0 ) 1
d 0
n d
p0 (1 p0 ) n d
d
c
n
L (P1 ) pd1 (1 p 1 ) n d
d0 d
AMOSTRAGEM DUPLA
d1 = nmero de unidades defeituosas na primeira amostra
d2 = nmero de unidades defeituosas na segunda amostra
c1 = primeiro nmero de aceitao
c2 = segundo nmero de aceitao
c3 = nmero de rejeio da segunda amostra
Testar:
Considerando a primeira amostra:
Se na primeira amostra d1 c1, ento aceitar o lote
Se na primeira amostra d1 > c2, ento rejeitar o lote
Se na primeira amostra c1 < d1 c2, tirar uma segunda amostra de tamanho dado pelo plano
Para a segunda amostra somar (d1 + d2):
Se na segunda amostra (d1 + d2) c2, ento aceitar o lote
Se na segunda amostra (d1 + d2) > c3, ento rejeitar o lote (em geral c3 = c2)
Definindo:
X = nmero de itens defeituosos observados na primeira amostra
Y = nmero de itens defeituosos observados na segunda amostra
Z = nmero de itens defeituosos observados nas duas amostras (Z = X + Y)
93
LSC
3
( x i x )2
n1
94
LIC
Limites
Naturais
de
Tolerncia
LSC
Observaes
X 3
Estimando e
X 3
xi
i1
X 3
X 3
Estimando
e conhecendo , n
Estimando e x
Limites de
Controle
X 3 x
X A2 R
X 3 x
X A2 R
R xmx xmn
D3 R
Ri
i1
D4 R
R
d2
S
c4
X A3 S
X A3 S
X
m
B3 S
Si
i1
B4 S
3 x AM
1,128
3 x AM
1,128
AM
AM i
i1
AM
3,267 x AM
AMi x i x i 1
m1
m
p ( 1 p)
p3
pi
i1
m
m
Di
i 1
NP
p3
p ( 1 p)
Se n varia usar
mn
np
n p (1 p)
p 3
p3
Se n varia usar
n p (1 p)
c3
u3
u
n
ci
i1
1
m
c 3
m
m
ui
i1
u 3
u
n
n
n dever ser
constante
ui = Di/n
95
Limites
Naturais
de
Tolerncia
LSC
Observaes
Conhecendo ,
LSCR = D2
d2
LICR = D1
Conhecendo
LSCS = B6
c4
LICS = B5
Conhecendo
RCP
LIC
Cp
RCPk
Conhecendo ,,n
Cpk):
LSE x
x LIE
RCPk mnimo
,
3
3
/ n
/ n
n ) ( L k
n )
1
p
quando a mdia est sob controle, o CMD se representa como CMD0, e se calcula como: CMD 0
LIC d
LSC d
p p
z
x
x
1
1
96
TABELA NORMAL
Z
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
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
3,3
3,4
3,5
3,6
3,7
3,8
3,9
0,00
0,0000
0,0398
0,0793
0,1179
0,1554
0,1915
0,2257
0,2580
0,2881
0,3159
0,3413
0,3646
0,3849
0,4032
0,4192
0,4332
0,4452
0,4554
0,4641
0,4713
0,4772
0,4821
0,4861
0,4893
0,4918
0,4938
0,4953
0,4965
0,4974
0,4981
0,49865
0,49903
0,49931
0,49952
0,49966
0,49977
0,49984
0,49989
0,49993
0,49995
0,01
0,0040
0,0438
0,0832
0,1217
0,1591
0,1950
0,2291
0,2611
0,2910
0,3186
0,3438
0,3665
0,3869
0,4049
0,4207
0,4345
0,4463
0,4564
0,4649
0,4719
0,4778
0,4826
0,4864
0,4896
0,4920
0,4940
0,4955
0,4966
0,4975
0,4982
0,49869
0,49906
0,49934
0,49953
0,49968
0,49978
0,49985
0,49990
0,49993
0,49995
0,02
0,0080
0,0478
0,0871
0,1255
0,1628
0,1985
0,2324
0,2642
0,2939
0,3212
0,3461
0,3686
0,3888
0,4066
0,4222
0,4357
0,4474
0,4573
0,4356
0,4726
0,4783
0,4830
0,4868
0,4898
0,4922
0,4941
0,4956
0,4967
0,4976
0,4982
0,49874
0,49910
0,49936
0,49955
0,49969
0,49978
0,49985
0,49990
0,49993
0,49996
0,03
0,0120
0,0517
0,0910
0,1293
0,1664
0,2019
0,2357
0,2673
0,2967
0,3238
0,3485
0,3708
0,3907
0,4082
0,4236
0,4370
0,4484
0,4582
0,4664
0,4732
0,4788
0,4834
0,4871
0,4901
0,4925
0,4943
0,4957
0,4968
0,4977
0,4983
0,49878
0,49913
0,49938
0,49957
0,49970
0,49979
0,49986
0,49990
0,49994
0,49996
0,04
0,0160
0,0557
0,0948
0,1331
0,1700
0,2054
0,2389
0,2704
0,2995
0,3264
0,3508
0,3729
0,3925
0,4099
0,4251
0,4382
0,4495
0,4591
0,4671
0,4738
0,4793
0,4838
0,4875
0,4904
0,4927
0,4945
0,4959
0,4969
0,4977
0,4984
0,49882
0,49916
0,49940
0,49958
0,49971
0,49980
0,49986
0,49991
0,49994
0,49996
0,05
0,0199
0,0596
0,0987
0,1368
0,1736
0,2088
0,2422
0,2734
0,3023
0,3289
0,3531
0,3749
0,3944
0,4115
0,4265
0,4394
0,4505
0,4599
0,4678
0,4744
0,4798
0,4842
0,4878
0,4906
0,4929
0,4946
0,4960
0,4970
0,4978
0,4984
0,49886
0,49918
0,49942
0,49960
0,49972
0,49981
0,49987
0,49991
0,49994
0,49996
0,06
0,0239
0,0636
0,1026
0,1406
0,1772
0,2123
0,2454
0,2764
0,3051
0,3315
0,3554
0,3770
0,3962
0,4131
0,4279
0,4406
0,4515
0,4608
0,4686
0,4750
0,4803
0,4846
0,4881
0,4909
0,4931
0,4948
0,4961
0,4971
0,4979
0,4985
0,49889
0,49921
0,49944
0,49961
0,49973
0,49981
0,49987
0,49992
0,49994
0,49996
0,07
0,0279
0,0675
0,1064
0,1443
0,1808
0,2157
0,2486
0,2794
0,3078
0,3340
0,3577
0,3790
0,3980
0,4147
0,4292
0,4418
0,4525
0,4616
0,4693
0,4756
0,4808
0,4850
0,4884
0,4911
0,4932
0,4949
0,4962
0,4972
0,4979
0,4985
0,49893
0,49924
0,49946
0,49962
0,49974
0,49982
0,49988
0,49992
0,49995
0,49996
0,08
0,0319
0,0714
0,1103
0,1480
0,1844
0,2190
0,2517
0,2823
0,3106
0,3365
0,3599
0,3810
0,3997
0,4162
0,4306
0,4429
0,4535
0,4625
0,4699
0,4761
0,4812
0,4854
0,4887
0,4913
0,4934
0,4951
0,4963
0,4973
0,4980
0,4986
0,49897
0,49926
0,49948
0,49964
0,49975
0,49983
0,49988
0,49992
0,49995
0,49997
0,09
0,0359
0,0753
0,1141
0,1517
0,1879
0,2224
0,2549
0,2852
0,3133
0,3389
0,3621
0,3830
0,4015
0,4177
0,4319
0,4441
0,4545
0,4633
0,4706
0,4767
0,4817
0,4857
0,4890
0,4916
0,4936
0,4952
0,4964
0,4974
0,4981
0,4986
0,49900
0,49929
0,49950
0,49965
0,49976
0,49983
0,49989
0,49992
0,49995
0,49997
97
Z
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
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
3,3
3,4
3,5
3,6
3,7
3,8
3,9
0,00
0,5000
0,5398
0,5793
0,6179
0,6554
0,6915
0,7257
0,7580
0,7881
0,8159
0,8413
0,8646
0,8849
0,9032
0,9192
0,9332
0,9452
0,9554
0,9641
0,9713
0,9772
0,9821
0,9861
0,9893
0,9918
0,9938
0,9953
0,9965
0,9974
0,9981
0,99865
0,99903
0,99931
0,99952
0,99966
0,99977
0,99984
0,99989
0,99993
0,99995
0,01
0,5040
0,5438
0,5832
0,6217
0,6591
0,6950
0,7291
0,7611
0,7910
0,8186
0,8438
0,8665
0,8869
0,9049
0,9207
0,9345
0,9463
0,9564
0,9649
0,9719
0,9778
0,9826
0,9864
0,9896
0,9920
0,9940
0,9955
0,9966
0,9975
0,9982
0,99869
0,99906
0,99934
0,99953
0,99968
0,99978
0,99985
0,99990
0,99993
0,99995
0,02
0,5080
0,5478
0,5871
0,6255
0,6628
0,6985
0,7324
0,7642
0,7939
0,8212
0,8461
0,8686
0,8888
0,9066
0,9222
0,9357
0,9474
0,9573
0,9356
0,9726
0,9783
0,9830
0,9868
0,9898
0,9922
0,9941
0,9956
0,9967
0,9976
0,9982
0,99874
0,99910
0,99936
0,99955
0,99969
0,99978
0,99985
0,99990
0,99993
0,99996
0,03
0,5120
0,5517
0,5910
0,6293
0,6664
0,7019
0,7357
0,7673
0,7967
0,8238
0,8485
0,8708
0,8907
0,9082
0,9236
0,9370
0,9484
0,9582
0,9664
0,9732
0,9788
0,9834
0,9871
0,9901
0,9925
0,9943
0,9957
0,9968
0,9977
0,9983
0,99878
0,99913
0,99938
0,99957
0,99970
0,99979
0,99986
0,99990
0,99994
0,99996
0,04
0,5160
0,5557
0,5948
0,6331
0,6700
0,7054
0,7389
0,7704
0,7995
0,8264
0,8508
0,8729
0,8925
0,9099
0,9251
0,9382
0,9495
0,9591
0,9671
0,9738
0,9793
0,9838
0,9875
0,9904
0,9927
0,9945
0,9959
0,9969
0,9977
0,9984
0,99882
0,99916
0,99940
0,99958
0,99971
0,99980
0,99986
0,99991
0,99994
0,99996
0,05
0,5199
0,5596
0,5987
0,6368
0,6736
0,7088
0,7422
0,7734
0,8023
0,8289
0,8531
0,8749
0,8944
0,9115
0,9265
0,9394
0,9505
0,9599
0,9678
0,9744
0,9798
0,9842
0,9878
0,9906
0,9929
0,9946
0,9960
0,9970
0,9978
0,9984
0,99886
0,99918
0,99942
0,99960
0,99972
0,99981
0,99987
0,99991
0,99994
0,99996
0,06
0,5239
0,5636
0,6026
0,6406
0,6772
0,7123
0,7454
0,7764
0,8051
0,8315
0,8554
0,8770
0,8962
0,9131
0,9279
0,9406
0,9515
0,9608
0,9686
0,9750
0,9803
0,9846
0,9881
0,9909
0,9931
0,9948
0,9961
0,9971
0,9979
0,9985
0,99889
0,99921
0,99944
0,99961
0,99973
0,99981
0,99987
0,99992
0,99994
0,99996
0,07
0,5279
0,5675
0,6064
0,6443
0,6808
0,7157
0,7486
0,7794
0,8078
0,8340
0,8577
0,8790
0,8980
0,9147
0,9292
0,9418
0,9525
0,9616
0,9693
0,9756
0,9808
0,9850
0,9884
0,9911
0,9932
0,9949
0,9962
0,9972
0,9979
0,9985
0,99893
0,99924
0,99946
0,99962
0,99974
0,99982
0,99988
0,99992
0,99995
0,99996
0,08
0,5319
0,5714
0,6103
0,6480
0,6844
0,7190
0,7517
0,7823
0,8106
0,8365
0,8599
0,8810
0,8997
0,9162
0,9306
0,9429
0,9535
0,9625
0,9699
0,9761
0,9812
0,9854
0,9887
0,9913
0,9934
0,9951
0,9963
0,9973
0,9980
0,9986
0,99897
0,99926
0,99948
0,99964
0,99975
0,99983
0,99988
0,99992
0,99995
0,99997
0,09
0,5359
0,5753
0,6141
0,6517
0,6879
0,7224
0,7549
0,7852
0,8133
0,8389
0,8621
0,8830
0,9015
0,9177
0,9319
0,9441
0,9545
0,9633
0,9706
0,9767
0,9817
0,9857
0,9890
0,9916
0,9936
0,9952
0,9964
0,9974
0,9981
0,9986
0,99900
0,99929
0,99950
0,99965
0,99976
0,99983
0,99989
0,99992
0,99995
0,99997
98
n
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
Grfico x
A2
A3
1,880
2,659
1,023
1,954
0,729
1,628
0,577
1,427
0,483
1,287
0,419
1,182
0,373
1,099
0,337
1,032
0,308
0,975
0,285
0,927
0,266
0,886
0,249
0,850
0,235
0,817
0,223
0,789
0,212
0,763
0,203
0,739
0,194
0,718
0,187
0,698
0,180
0,680
0,173
0,663
0,167
0,647
0,162
0,633
0,157
0,619
0,153
0,606
Grfico R
D3
0
0
0
0
0
0,076
0,136
0,184
0,223
0,256
0,284
0,308
0,329
0,348
0,364
0,379
0,392
0,404
0,414
0,425
0,434
0,443
0,452
0,459
D4
3,267
2,575
2,282
2,115
2,004
1,924
1,864
1,816
1,777
1,744
1,716
1,692
1,671
1,652
1,636
1,621
1,608
1,596
1,586
1,575
1,566
1,557
1,548
1,541
Grfico S
B3
0
0
0
0
0,030
0,118
0,185
0,239
0,284
0,321
0,354
0,382
0,406
0,428
0,448
0,466
0,482
0,497
0,510
0,523
0,534
0,545
0,555
0,565
B4
3,267
2,568
2,266
2,089
1,970
1,882
1,815
1,761
1,716
1,679
1,646
1,618
1,594
1,572
1,552
1,534
1,518
1,503
1,490
1,477
1,466
1,455
1,445
1,435
Clculo de
d2
1,128
1,693
2,059
2,326
2,534
2,704
2,847
2,970
3,078
3,173
3,258
3,336
3,407
3,472
3,3532
3,588
3,640
3,686
3,735
3,778
3,819
3,858
3,895
3,931
c4
0,7979
0,8862
0,9213
0,9400
0,9515
0,9594
0,9650
0,9693
0,9727
0,9754
0,9776
0,9794
0,9810
0,9823
0,9835
0,9845
0,9854
0,9862
0,9869
0,9876
0,9882
0,9887
0,9892
0,9896
n
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
99
NMEROS ALEATRIOS
DISTRIBUDOS UNIFORMEMENTE [ 0, 1 ]
0,06785
0,39867
0,90588
0,17801
0,81075
0,87641
0,67964
0,43877
0,98544
0,51653
0,44093
0,79428
0,31479
0,75057
0,28248
0,26863
0,12484
0,88287
0,78805
0,00907
0,23882
0,82137
0,51759
0,24723
0,23897
0,93060
0,94078
0,44676
0,40374
0,57000
0,33415
0,9000
0,73622
0,85896
0,36825
0,31500
0,36952
0,39367
0,09426
0,79517
0,14510
0,05047
0,01535
0,46997
0,12719
0,35159
0,55903
0,01268
0,99407
0,53816
0,64881
0,64309
0,32694
0,57237
0,74242
0,68045
0,42780
0,54704
0,63281
0,92243
0,00633
0,87197
0,90597
0,95629
0,38490
0,27804
0,06567
0,49591
0,22363
0,96354
0,25298
0,88459
0,54105
0,62235
0,93190
0,66122
0,31786
0,84724
0,04084
0,98260
0,47556
0,38855
0,52135
0,34085
0,70850
0,55051
0,86505
0,21192
0,64791
0,89438
0,86997
0,00898
0,21424
0,34592
0,77920
0,16675
0,77524
0,41976
0,08429
0,71506
100
G.L.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
0,10
3,078
1,886
1,638
1,533
1,476
1,440
1,145
1,397
1,383
1,372
1,363
1,356
1,350
1,345
1,341
1,337
1,333
1,330
1,328
1,325
1,323
1,321
1,319
1,318
1,316
1,315
0,05
6,314
2,920
2,353
2,132
2,015
1,943
1,895
1,860
1,833
1,812
1,796
1,782
1,771
1,761
1,753
1,746
1,740
1,734
1,729
1,725
1,721
1,717
1,714
1,711
1,708
1,706
Valor de
0,025
12,706
4,303
3,182
2,776
2,571
2,447
2,365
2,306
2,262
2,228
2,201
2,179
2,160
2,145
2,131
2,120
2,110
2,101
2,093
2,086
2,080
2,074
2,069
2,064
2,060
2,056
0,01
31,821
6,965
4,541
3,747
3,365
3,143
2,998
2,896
2,821
2,764
2,718
2,681
2,650
2,624
2,602
2,583
2,567
2,552
2,539
2,528
2,518
2,508
2,500
2,492
2,485
2,479
0,005
63,657
9,925
5,841
4,604
4,032
3,707
3,499
3,355
3,250
3,169
3,106
3,055
3,012
2,977
2,947
2,921
2,898
2,878
2,861
2,845
2,831
2,819
2,807
2,797
2,787
2,779
101
b ( x; n , p) (pag 742)
x0
p
n
1
r
0
1
0.10
0.9000
1.0000
0.20
0.8000
1.0000
0.25
0.7500
1.0000
0.30
0.7000
1.0000
0.40
0.6000
1.0000
0.50
0.5000
1.0000
0.60
0.4000
1.0000
0.70
0.3000
1.0000
0.80
0.2000
1.0000
0.90
0.1000
1.0000
0
1
3
0.8100
0.9900
1.0000
0.6400
0.9600
1.0000
0.5625
0.9375
1.0000
0.4900
0.9100
1.0000
0.3600
0.8400
1.0000
0.2500
0.7500
1.0000
0.1600
0.6400
1.0000
0.0900
0.5100
1.0000
0.0400
0.3600
1.0000
0.0100
0.1900
1.0000
0
1
2
3
0.7290
0.9720
0.9990
1.0000
0.5120
0.8960
0.9920
1.0000
0.4219
0.8438
0.9844
1.0000
0.3430
0.7840
0.9730
1.0000
0.2160
0.6480
0.9360
1.0000
0.1250
0.5000
0.8750
1.0000
0.0640
0.3520
0.7840
1.0000
0.0270
0.2160
0.6570
1.0000
0.0080
0.1040
0.4880
1.0000
0.0010
0.0280
0.2710
1.0000
0
1
2
3
4
0
1
2
3
4
5
0.6561
0.9477
0.9963
0.9999
1.0000
0.5900
0.9185
0.9914
0.9995
1.0000
1.0000
0.4096
0.8192
0.9728
0.9984
1.0000
0.3277
0.7373
0.9421
0.9933
0.9997
1.0000
0.3161
0.7383
0.9428
0.9961
1.0000
0.2373
0.6328
0.8965
0.9844
0.9990
1.0000
0.2401
0.6517
0.9163
0.9919
1.0000
0.1681
0.5282
0.8369
0.9692
0.9976
1.0000
0.1296
04752
0.8208
0.9744
1.0000
0.0778
0.3370
0.6826
0.9130
0.9898
1.0000
0.0625
0.3125
0.6875
0.9375
1.0000
0.0313
0.1875
0.5000
0.8125
0.9688
1.0000
0.0256
0.1792
0.5248
0.8704
1.0000
0.0102
0.0870
0.3174
0.6630
0.9222
1.0000
0.0081
0.0837
0.3483
0.7599
1.0000
0.0024
0.0308
0.1631
0.4718
0.8319
1.0000
0.0016
0.0272
0.1808
0.5904
1.0000
0.0003
0.0067
0.0579
0.2677
0.6723
1.0000
0.0001
0.0037
0.0523
0.3439
1.0000
0.0000
0.0005
0.0086
0.0815
0.4095
1.0000
0
1
2
3
4
5
6
0.5314
0.8857
0.9842
0.9987
0.9999
1.0000
1.0000
0.2621
0.6554
0.9011
0.9830
0.9984
0.9999
1.0000
0.1780
0.5339
0.8306
0.9624
0.9954
0.9998
1.0000
0.1176
0.4202
0.7443
0.9295
0.9891
0.9993
1.0000
0.0467
0.2333
0.5443
0.8208
0.9590
0.9959
1.0000
0.0156
0.1094
0.3438
0.6563
0.8906
0.9844
1.0000
0.0041
0.0410
0.1792
0.4557
0.7667
0.9533
1.0000
0.0007
0.0109
0.0705
0.2557
0.5798
0.8824
1.0000
0.0001
0.0016
0.0170
0.0989
0.3446
0.7379
1.0000
0.0000
0.0001
0.0013
0.0159
0.1143
0.4686
1.0000
0
1
2
3
4
5
6
7
0.4783
0.8503
0.9743
0.9973
0.9998
1.0000
0.2097
0.5767
0.8520
0.9667
0.9953
0.9996
1.0000
0.1335
0.4449
0.7564
0.9294
0.9871
0.9987
0.9999
1.0000
0.0824
0.3294
0.6471
0.8740
0.9712
0.9962
0.9998
1.0000
0.0280
0.1586
0.4199
0.7102
0.9037
0.9812
0.9984
1.0000
0.0088
0.0625
0.2266
0.5000
0.7734
0.9375
0.9922
1.0000
0.0016
0.0188
0.0963
0.2898
0.5801
0.8414
0.9720
1.0000
0.0002
0.0038
0.0288
0.1260
0.3529
0.6706
0.9176
1.0000
0.0000
0.0004
0.0047
0.0333
0.1480
0.4233
0.7903
1.0000
0.0000
0.0002
0.0027
0.0257
0.1497
0.5217
1.0000
102
b ( x; n , p) (p 743)
x0
p
n
8
10
11
r
0
1
2
3
4
5
6
7
8
0.10
0.4305
0.8131
0.9619
0.9950
0.9996
1.0000
0.20
0.1678
0.5033
0.7969
0.9437
0.9888
0.9996
0.9999
1.0000
0.25
0.1001
0.3671
0.6785
0.8862
0.9727
0.9958
0.9996
1.0000
0.30
0.0576
0.2553
0.5518
0.8059
0.9420
0.9887
0.9987
0.9999
1.0000
0.40
0.1068
0.1064
0.3154
0.5941
0.8263
0.9502
0.9915
0.9993
1.0000
0.50
0.0039
0.0352
0.1445
0.3633
0.6367
0.0.8555
0.9648
0.9961
1.0000
0.60
0.0007
0.0085
0.0498
0.1737
0.4059
0.6846
0.8936
0.9832
1.0000
0.70
0.0001
0.0013
0.0113
0.0580
0.1941
0.4482
0.7447
0.9424
1.0000
0.80
0.0000
0.0001
0.0012
0.0104
0.0563
0.2031
0.4967
0.8322
1.0000
0.90
0.0000
0.0004
0.0050
0.0381
0.1869
0.5695
1.0000
0
1
2
3
4
5
6
7
8
9
0.3874
0.7748
0.9470
0.9917
0.9991
0.9999
1.0000
0.1342
0.4362
0.7382
0.9144
0.9804
0.9969
0.9997
1.0000
0.0751
0.3003
0.6007
0.8343
0.9511
0.9900
0.9987
0.9999
1.0000
0.0404
0.1960
0.4628
0.7297
0.9012
0.9747
0.9957
0.9996
1.0000
0.0101
0.0705
0.2318
0.4826
0.7334
0.9006
0.9750
0.9962
0.9997
1.0000
0.0020
0.0195
0.0898
0.2539
0.5000
0.7461
0.9102
0.9805
0.9980
1.0000
0.0003
0.0038
0.0250
0.0994
0.2666
0.5174
0.7682
0.9295
0.9899
1.0000
0.0000
0.0004
0.0043
0.0253
0.0988
0.2703
0.5372
0.8040
0.9596
1.0000
0.0000
0.0003
0.0031
0.0196
0.0856
0.2618
0.5638
0.8658
1.0000
0.0000
0.0001
0.0009
0.0083
0.0530
0.2252
0.6126
1.0000
0
1
2
3
4
5
6
7
8
9
10
0.3487
0.7361
0.9298
0.9872
0.9984
0.9999
1.0000
0.1074
0.3758
0.6778
0.8791
0.9672
0.9936
0.9991
0.9999
1.0000
0.0563
0.2440
0.5256
0.7759
0.9219
0.9803
0.9965
0.9996
1.0000
0.0282
0.1493
0.3828
0.6496
0.8497
0.9527
0.9894
0.9984
0.9999
1.0000
0.0060
0.0464
0.1673
0.3832
0.6331
0.8338
0.9452
0.9877
0.9983
0.9999
1.0000
0.0010
0.0107
0.0547
0.1719
0.3770
0.6230
0.8281
0.9453
0.9893
0.9990
1.0000
0.0001
0.0017
0.0123
0.0548
0.1662
0.3669
0.6177
0.8327
0.9536
0.9940
1.0000
0.0000
0.0001
0.0016
0.0106
0.0473
0.1503
0.3504
0.6172
0.8507
0.9718
1.0000
0.0000
0.0001
0.0009
0.0064
0.0328
0.1209
0.3222
0.6242
0.8926
1.0000
0.0000
0.0001
0.0009
0.0083
0.0530
0.2252
0.6126
1.0000
0
1
2
3
4
5
6
7
8
9
10
11
0.3138
0.6974
0.9104
0.9815
0.9972
0.9997
1.0000
0.0859
0.3221
0.6174
0.8389
0.9496
0.9883
0.9980
0.9998
1.0000
0.0422
0.1971
0.4552
0.7133
0.8854
0.9657
0.9924
0.9988
0.9999
1.0000
0.0198
0.1130
0.3127
0.5696
0.7897
0.9218
0.9784
0.9957
0.9994
1.0000
0.0036
0.0302
0.1189
0.2963
0.5328
0.7535
0.9006
0.9707
0.9941
0.9993
1.0000
0.0005
0.0059
0.0327
0.1133
0.2744
0.5000
0.7256
0.8867
0.9673
0.9941
0.9995
1.0000
0.0000
0.0007
0.0059
0.0293
0.0994
0.2465
0.4672
0.7037
0.8811
0.9698
0.9964
1.0000
0.0000
0.0006
0.0043
0.0216
0.0782
0.2103
0.4304
0.6873
0.8870
0.9802
1.0000
0.0000
0.0002
0.0020
0.0117
0.0504
0.1611
0.3826
0.6779
0.9141
1.0000
0.0000
0.0003
0.0020
0.0028
0.0185
0.0896
0.3026
0.6862
1.0000
103
b ( x; n , p) (pag 744)
x0
p
n
12
13
14
r
0
1
2
3
4
5
6
7
8
9
10
11
12
0.10
0.2824
0.6590
0.8891
0.9744
0.9957
0.9995
0.9999
1.0000
0.20
0.0687
0.2749
0.5583
0.7946
0.9274
0.9806
0.9961
0.9994
0.9999
1.0000
0.25
0.0317
0.1584
0.3907
0.6488
0.8424
0.9456
0.9857
0.9972
0.9996
1.0000
0.30
0.0138
0.0850
0.2528
0.4925
0.7237
0.8822
0.9614
0.9905
0.9983
0.9998
1.0000
0.40
0.0022
0.0196
0.0834
0.2253
0.4382
0.6652
0.8418
0.9427
0.9847
0.9972
0.9997
1.0000
0.50
0.0002
0.0032
0.0193
0.0730
0.1938
0.3872
0.6128
0.8062
0.9270
0.9807
0.9968
0.9998
1.0000
0.60
0.0000
0.0003
0.0028
0.0153
0.0573
0.1582
0.3348
0.5618
0.7747
0.9166
0.9804
0.9978
1.0000
0.70
0.80
0.90
0.0000
0.0002
0.0017
0.0095
0.0386
0.1178
0.2763
0.5075
0.7472
0.9150
0.9862
1.0000
0.0000
0.0001
0.0006
0.0039
0.0194
0.0726
0.2054
0.4417
0.7251
0.9313
1.0000
0.0000
0.0001
0.0005
0.0043
0.0256
0.1109
0.3410
0.7176
1.0000
0
1
2
3
4
5
6
7
8
9
10
11
12
13
0.2542
0.6213
0.8661
0.9658
0.9935
0.9991
0.9999
1.0000
0.0550
0.2336
0.5017
0.7473
0.9009
0.9700
0.9930
0.9988
0.9998
1.0000
0.0238
0.1267
0.3326
0.5843
0.7940
0.9198
0.9757
0.9944
0.9990
0.9999
1.0000
0.0097
0.0637
0.2025
0.4206
0.6543
0.8346
0.9376
0.9818
0.9960
0.9993
0.9999
1.0000
0.0013
0.0126
0.0579
0.1686
0.3530
0.5744
0.7712
0.9023
0.9679
0.9922
0.9987
0.9999
1.0000
0.0001
0.0017
0.0112
0.0461
0.1334
0.2905
0.5000
0.7095
0.8666
0.9539
0.9888
0.9983
0.9999
1.0000
0.0000
0.0001
0.0013
0.0078
0.0321
0.0977
0.2288
0.4256
0.6470
0.8314
0.9421
0.9874
0.9987
1.0000
0.0000
0.0001
0.0007
0.0040
0.0182
0.0624
0.1654
0.3457
0.5794
0.7975
0.9363
0.9903
1.0000
0.0000
0.0002
0.0012
0.0070
0.0300
0.0991
0.2527
0.4983
0.7664
0.9450
1.0000
0.0000
0.0001
0.0009
0.0065
0.0342
0.1339
0.3787
0.7458
1.0000
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
0.2288
0.5846
0.8416
0.9559
0.9908
0.9985
0.9998
1.0000
0.0440
0.1979
0.4481
0.6982
0.8702
0.9561
0.9884
0.9976
0.9996
1.0000
0.0178
0.1010
0.281
0.5213
0.7415
0.8883
0.9617
0.9897
0.9978
0.9997
1.0000
0.0068
0.0475
0.1608
0.3552
0.5842
0.7805
0.9067
0.9685
0.9917
0.9983
0.9998
1.0000
0.0008
0.0081
0.0398
0.1243
0.2793
0.1859
0.6925
0.8499
0.9417
0.9825
0.9961
0.9994
0.9999
1.0000
0.0001
0.0009
0.0065
0.0287
0.0898
0.2120
0.3953
0.6047
0.7880
0.9102
0.9713
0.9935
0.9991
0.9999
1.0000
0.0000
0.0001
0.0006
0.0039
0.0175
0.0583
0.1501
0.3075
0.5141
0.7207
0.8757
0.9602
0.9919
0.9992
1.0000
0.0000
0.0002
0.0017
0.0083
0.0315
0.0933
0.2195
0.4158
0.6448
0.8392
0.9525
0.9932
1.0000
0.0000
0.0004
0.0024
0.0116
0.0439
0.1298
0.3018
0.5519
0.8021
0.9560
1.0000
0.0000
0.0002
0.0015
0.0092
0.0441
0.1584
0.4154
0.7712
1.0000
104
b ( x; n , p) (pag 745)
x0
p
n
15
16
r
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
0.10
0.2059
0.5490
0.8159
0.9444
0.9873
0.9978
0.9997
1.0000
0.20
0.0352
0.1671
0.3980
0.6482
0.8358
0.9389
0.9819
0.9958
0.9992
0.9999
1.0000
0.25
0.0134
0.0802
0.2361
0.4613
0.6865
0.8516
0.9434
0.9827
0.9958
0.9992
0.9999
1.0000
0.30
0.0047
0.0353
0.1268
0.2969
0.5155
0.7216
0.8689
0.9500
0.9848
0.9963
0.9993
0.9999
1.0000
0.40
0.0005
0.0052
0.0271
0.0905
0.2173
0.4032
0.6098
0.7869
0.9050
0.9662
0.9907
0.9981
0.9997
1.0000
0.50
0.0000
0.0005
0.0037
0.0176
0.0592
0.1509
0.3036
0.5000
0.6964
0.8491
0.9408
0.9824
0.9963
0.9995
1.0000
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
0.1853
0.5147
0.7892
0.9316
0.9830
0.9967
0.9995
0.9999
1.0000
0.0281
0.1407
0.3518
0.5981
0.7982
0.9183
0.9733
0.9930
0.9985
0.9998
1.0000
0.0100
0.0635
0.1971
0.4050
0.6302
0.8103
0.9204
0.9729
0.9925
0.9984
0.9997
1.0000
0.0033
0.0261
0.0994
0.2459
0.4499
0.6598
0.8247
0.9256
0.9743
0.9929
0.9984
0.9997
1.0000
0.0003
0.0033
0.0183
0.0651
0.1666
0.3288
0.5272
0.7161
0.8577
0.9417
0.9809
0.9951
0.9991
0.9999
1.0000
0.0000
0.0003
0.0021
0.0106
0.0384
0.1051
0.2272
0.4018
0.5982
0.7728
0.8949
0.9616
0.9894
0.9979
0.9997
1.0000
0.60
0.70
0.80
0.90
0.0000
0.0003
0.0019
0.0093
0.0338
0.0950
0.2131
0.3902
0.5968
0.7827
0.9095
0.9729
0.9948
0.9995
1.0000
0.0000
0.0001
0.0007
0.0037
0.0152
0.0500
0.1311
0.2784
0.4845
0.7031
0.8732
0.9647
0.9953
1.0000
0.0000
0.0001
0.0008
0.0042
0.0181
0.0611
0.1642
0.3518
0.6020
0.8329
0.9648
1.0000
0.0000
0.0003
0.0022
0.0127
0.0556
0.1841
0.4510
0.7941
1.0000
0.0000
0.0001
0.0009
0.0049
0.0191
0.0583
0.1423
0.2839
0.4728
0.6712
0.8334
0.9349
0.9817
0.9967
0.9997
1.0000
0.0000
0.0003
0.0016
0.0071
0.0257
0.0744
0.1753
0.3402
0.5501
0.7541
0.9006
0.9739
0.9967
1.0000
0.0000
0.0002
0.0015
0.0070
0.0267
0.0817
0.2018
0.4019
0.6482
0.8593
0.9719
1.0000
0.0000
0.0001
0.0005
0.0003
0.0170
0.0684
0.2108
0.4853
0.8147
1.0000
105
b ( x; n , p) (pag 746)
x0
p
n
17
18
r
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
0.10
0.1668
0.4818
0.7618
0.9174
0.9779
0.9953
0.9992
0.9999
1.0000
0.20
0.0225
0.1182
0.3096
0.5489
0.7582
0.8943
0.9623
0.9891
0.9974
0.9995
0.9999
1.0000
0.25
0.0075
0.0501
0.1637
0.3530
0.5739
0.7653
0.8929
0.9598
0.9876
0.9969
0.9994
0.9999
1.0000
0.30
0.0023
0.0193
0.0774
0.2019
0.3887
0.5968
0.7752
0.8954
0.9597
0.9873
0.9968
0.9993
0.9999
1.0000
0.40
0.0002
0.0021
0.0123
0.0464
0.1260
0.2639
0.4478
0.6405
0.8011
0.9081
0.9652
0.9894
0.9975
0.9995
0.9999
1.0000
0.50
0.0000
0.0001
0.0012
0.0064
0.0245
0.0717
0.1662
0.3145
0.5000
0.6855
0.8338
0.9283
0.9755
0.9936
0.9988
0.9999
1.0000
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
0.1501
0.4503
0.7338
0.9018
0.9718
0.9936
0.9988
0.9998
1.0000
0.0180
0.0991
0.2713
0.5010
0.7164
0.8671
0.9487
0.9837
0.9957
0.9991
0.9998
1.0000
0.0056
0.0395
0.1353
0.3057
0.5187
0.7175
0.8610
0.9431
0.9807
0.9946
0.9988
0.9998
1.0000
0.0016
0.0142
0.0600
0.1646
0.3327
0.5344
0.7217
0.8593
0.9404
0.9790
0.9939
0.9986
0.9997
1.0000
0.0001
0.0013
0.0082
0.0328
0.0942
0.2088
0.3743
0.5634
0.7368
0.8653
0.9424
0.9797
0.9942
0.9987
0.9998
1.0000
0.0000
0.0001
0.0007
0.0038
0.0154
0.0481
0.1189
0.2403
0.4073
0.5927
0.7597
0.8811
0.9519
0.9846
0.9962
0.9993
0.9999
1.0000
0.60
0.70
0.80
0.90
0.0000
0.0001
0.0005
0.0025
0.0106
0.0348
0.0919
0.1989
0.3595
0.5522
0.7361
0.8740
0.9536
0.9877
0.9998
0.9999
1.0000
0.0000
0.0001
0.0007
0.0032
0.0127
0.0403
0.1046
0.2248
0.4032
0.6113
0.7981
0.9226
0.9807
0.9977
1.0000
0.0000
0.0001
0.0005
0.0026
0.0109
0.0377
0.1057
0.2418
0.4511
0.6904
0.8818
0.9775
1.0000
0.0000
0.0001
0.0008
0.0047
0.0221
0.0826
0.2382
0.5182
0.8332
1.0000
0.0000
0.0002
0.0013
0.0058
0.0203
0.0576
0.1347
0.2632
0.4366
0.6257
0.7912
0.9058
0.9672
0.9918
0.9987
0.9999
1.0000
0.0000
0.0003
0.0014
0.0061
0.0210
0.0596
0.1407
0.2783
0.4656
0.6673
0.8354
0.9400
0.9858
0.9984
1.0000
0.0000
0.0002
0.0009
0.0043
0.0163
0.0513
0.1329
0.2836
0.4990
0.7287
0.9009
0.9820
1.0000
0.0000
0.0002
0.0012
0.0064
0.0282
0.0982
0.2662
0.5497
0.8499
1.0000
106
20
p
0.40
0.10
0.20
0.25
0.30
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
0.1351
0.4203
0.7054
0.8850
0.9648
0.9914
0.9983
0.9997
1.0000
0.0144
0.0829
0.2369
0.4551
0.6733
0.8369
0.9324
0.9767
0.9933
0.9984
0.9997
1.0000
0.0042
0.0310
0.1113
0.2631
0.4654
0.6678
0.8251
0.9225
0.9713
0.9911
0.9977
0.9995
0.9999
1.0000
0.0011
0.0104
0.0462
0.1332
0.2822
0.4739
0.6655
0.8180
0.9161
0.9674
0.9895
0.9972
0.9994
0.9999
1.0000
0.0001
0.0008
0.0055
0.0230
0.0696
0.1629
0.3081
0.4878
0.6675
0.8139
0.9115
0.9648
0.9884
0.9969
0.9994
0.9999
1.0000
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
0.1216
0.3917
0.6769
0.8670
0.9568
0.9887
0.9976
0.9996
0.9999
1.0000
0.0115
0.0692
0.2061
0.4114
0.6296
0.8042
0.9133
0.9679
0.9900
0.9974
0.9994
0.9999
1.0000
0.0032
0.0243
0.0913
0.2252
0.4148
0.6172
0.7858
0.8982
0.9591
0.9861
0.9961
0.9991
0.9998
1.0000
0.0008
0.0076
0.0355
0.1071
0.2375
0.4164
0.6080
0.7723
0.8867
0.9520
0.9829
0.9949
0.9987
0.9997
1.0000
0.0000
0.0005
0.0036
0.0160
0.0510
0.1256
0.2500
0.4159
0.5956
0.7553
0.8725
0.9435
0.9790
0.9935
0.9984
0.9997
1.0000
b ( x; n , p) (pag 747)
x0
0.50
0.0000
0.0004
0.0022
0.0096
0.0318
0.0835
0.1796
0.3238
0.5000
0.6762
0.8204
0.9165
0.9682
0.9904
0.9978
0.9996
1.0000
0.0000
0.0002
0.0013
0.0059
0.0207
0.0577
0.1316
0.2517
0.4119
0.5881
0.7483
0.8684
0.9423
0.9793
0.9941
0.9987
0.9998
1.0000
0.60
0.70
0.80
0.90
0.0000
0.0001
0.0006
0.0031
0.0116
0.0352
0.0885
0.1861
0.3325
0.5122
0.6919
0.8371
0.9304
0.9770
0.9945
0.9992
0.9999
1.0000
0.0000
0.0001
0.0006
0.0028
0.0105
0.0326
0.0839
0.1820
0.3345
0.5261
0.7178
0.8668
0.9538
0.9896
0.9989
1.0000
0.0000
0.0003
0.0016
0.0067
0.0233
0.0676
0.1631
0.3267
0.5449
0.7631
0.9171
0.9856
1.0000
0.0000
0.0003
0.0017
0.0086
0.0352
0.1150
0.2946
0.5797
0.8649
1.0000
0.0000
0.0003
0.0016
0.0065
0.0210
0.0565
0.1275
0.2447
0.4044
0.5841
0.7500
0.8744
0.9490
0.9840
0.9964
0.9995
1.0000
0.0000
0.0003
0.0013
0.0051
0.0171
0.0480
0.1133
0.2277
0.3920
0.5836
0.7625
0.8929
0.9645
0.9924
0.9992
1.0000
0.0000
0.0001
0.0006
0.0026
0.0100
0.0321
0.0867
0.1958
0.3704
0.5886
0.7939
0.9308
0.9885
1.0000
0.0000
0.0001
0.0004
0.0024
0.0113
0.0432
0.1330
0.3231
0,6083
0.8784
1.0000
107
r
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
p( x; ) (pag 748)
x0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.9048
0.9953
0.9998
1.0000
0.8187
0.9825
0.9989
0.9999
1.0000
0.7408
0.9631
0.9964
0.9997
1.0000
0.6703
0.9384
0.9921
0.9992
0.9999
1.0000
0.6065
0.9098
0.9856
0.9982
0.9998
1.0000
0.5488
0.8781
0.9769
0.9966
0.9996
1.0000
0.4966
0.8442
0.9659
0.9942
0.9992
0.9999
1.0000
0.4493
0.8088
0.9526
0.9909
0.9986
0.9998
1.0000
0.4066
0.7725
0.9371
0.9865
0.9977
0.9997
1.0000
1.0
1.5
2.0
2.5
3.0
3.5
4.0
4.5
5.0
0.3679
0.7358
0.9197
0.9810
0.9963
0.9994
0.9999
1.0000
0.2231
0.5578
0.8088
0.9344
0.9814
0.9955
0.9991
0.9998
1.0000
0.1353
0.4060
0.6767
0.8571
0.9473
0.9834
0.9955
0.9989
0.9998
1.0000
0.0821
0.2873
0.5438
0.7576
0.8912
0.9580
0.9858
0.9958
0.9989
0.9997
0.9999
1.0000
0.0302
0.1359
0.3208
0.5366
0.7254
0.8576
0.9347
0.9733
0.9901
0.9967
0.9990
0.9997
0.9999
1.0000
0.0183
0.0916
0.2381
0.4335
0.6288
0.7851
0.8893
0.9489
0.9786
0.9919
0.9972
0.9991
0.9997
0.9999
1.0000
0.0111
0.0611
0.1736
0.3423
0.5321
0.7029
0.8311
0.9134
0.9597
0.9829
0.9933
0.9976
0.9992
0.9997
0.9999
1.0000
0.0067
0.0404
0.1247
0.2650
0.4405
0.6160
0.7622
0.8666
0.9319
0.9682
0.9863
0.9945
0.9980
0.9993
0.9998
0.9999
1.0000
0.0498
0.1991
0.4232
0.6472
0.8153
0.9161
0.9665
0.9881
0.9962
0.9989
0.9997
0.9999
1.0000
108
p( x; ) (pag 749)
x0
5.5
6.0
6.5
7.0
7.5
0.0041
0.0266
0.0884
0.2017
0.3575
0.5289
0.6860
0.8095
0.8944
0.9462
0.9747
0.9890
0.9955
0.9983
0.9994
0.9998
0.9999
1.0000
0.0025
0.0174
0.0620
0.1512
0.2851
0.4457
0.6063
0.7440
0.8472
0.9161
0.9574
0.9799
0.9912
0.9964
0.9986
0.9995
0.9998
0.9999
1.0000
0.0015
0.0113
0.0430
0.1118
0.2237
0.3690
0.5265
0.6728
0.7916
0.8774
0.9332
0.9661
0.9840
0.9929
0.9970
0.9988
0.9996
0.9998
0.9999
1.0000
0.0009
0.0073
0.0296
0.0818
0.1730
0.3007
0.4497
0.5987
0.7291
0.8305
0.9015
0.9467
0.9730
0.9872
0.9943
0.9976
0.9990
0.9996
0.9999
1.0000
0.0006
0.0047
0.0203
0.0591
0.1321
0.2414
0.3782
0.5246
0.6620
0.7764
0.8622
0.9208
0.9573
0.9784
0.9897
0.9954
0.9980
0.9992
0.9997
0.9999
8.0
8.5
9.0
9.5
0.0003
0.0030
0.0138
0.0424
0.0996
0.1912
0.3134
0.4530
0.5925
0.7166
0.8159
0.8881
0.9362
0.9658
0.9827
0.9918
0.9963
0.9984
0.9993
0.9997
0.9999
1.0000
0.0002
0.0019
0.0093
0.0301
0.0744
0.1496
0.2562
0.3856
0.5231
0.6530
0.7634
0.8487
0.9091
0.9486
0.9726
0.9862
0.9934
0.9970
0.9987
0.9995
0.9998
0.9999
1.0000
0.0001
0.0012
0.0062
0.0212
0.0550
0.1157
0.2068
0.3239
0.4557
0.5874
0.7060
0.8030
0.8758
0.9261
0.9585
0.9780
0.9889
0.9947
0.9976
0.9989
0.9996
0.9998
0.9999
1.0000
0.0001
0.0008
0.0042
0.0149
0.0403
0.0885
0.1649
0.2687
0.3918
0.5218
0.6453
0.7520
0.8364
0.8981
0.9400
0.9665
0.9823
0.9911
0.9957
0.9980
0.9991
0.9996
0.9999
0.9999
1.0000
109
10.0
11.0
12.0
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
0.0000
0.0005
0.0028
0.0103
0.0293
0.0671
0.1301
0.2202
0.3328
0.4579
0.5830
0.6968
0.7916
0.8645
0.9165
0.9513
0.9730
0.9857
0.9928
0.9965
0.9984
0.9993
0.9997
0.9999
1.0000
0.0000
0.0002
0.0012
0.0049
0.0151
0.0375
0.0786
0.1432
0.2320
0.3405
0.4599
0.5793
0.6887
0.7813
0.8540
0.9074
0.9441
0.9678
0.9823
0.9907
0.9953
0.9977
0.9990
0.9995
0.9998
0.9999
1.0000
0.0000
0.0001
0.0005
0.0023
0.0076
0.0203
0.0458
0.0895
0.1550
0.2424
0.3472
0.4616
0.5760
0.6815
0.7720
0.8444
0.8987
0.9370
0.9626
0.9787
0.9884
0.9939
0.9970
0.9985
0.9993
0.9997
0.9999
13.0
0.0000
0.0002
0.0011
0.0037
0.0107
0.0259
0.0540
0.0998
0.1658
0.2517
0.3532
0.4631
0.5730
0.6751
0.7636
0.8355
0.8905
0.9302
0.9573
0.9750
0.9859
0.9924
0.9960
0.9980
0.9990
0.9995
0.9998
0.9999
1.0000
p( x; ) (pag 750)
x0
14.0
0.0000
0.0001
0.0005
0.0018
0.0055
0.0142
0.0316
0.0621
0.1094
0.1757
0.2600
0.3585
0.4644
0.5704
0.6694
0.7559
0.8272
0.8826
0.9235
0.9521
0.9712
0.9833
0.9907
0.9950
0.9974
0.9987
0.9994
0.9997
0.9999
0.9999
1.0000
15.0
16.0
0.0000
0.0002
0.0009
0.0028
0.0076
0.0180
0.0374
0.0699
0.1185
0.1848
0.2676
0.3632
0.4657
0.5681
0.6641
0.7489
0.8195
0.8752
0.9170
0.9469
0.9673
0.9805
0.9888
0.9938
0.9967
0.9983
0.9991
0.9996
0.9998
0.9999
1.0000
0.0000
0.0001
0.0004
0.0014
0.0040
0.0100
0.0220
0.0433
0.0774
0.1270
0.1931
0.2745
0.3675
0.4667
0.5660
0.6593
0.7423
0.8122
0.8682
0.9108
0.9418
0.9633
0.9777
0.9869
0.9925
0.9959
0.9978
0.9989
0.9994
0.9997
0.9999
0.9999
1.0000
17.0
18.0
0.0000
0.0002
0.0007
0.0021
0.0054
0.0126
0.0261
0.0491
0.0847
0.1350
0.2009
0.2808
0.3715
0.4677
0.5640
0.6550
0.7363
0.8055
0.8615
0.9047
0.9367
0.9594
0.9748
0.9848
0.9912
0.9950
0.9973
0.9986
0.9993
0.9996
0.9998
0.9999
1.0000
0.0000
0.0001
0.0003
0.0010
0.0029
0.0071
0.0154
0.0304
0.0549
0.0917
0.1426
0.2081
0.2867
0.3751
0.4686
0.5622
0.6509
0.7307
0.7991
0.8551
0.8989
0.9317
0.9554
0.9718
0.9827
0.9897
0.9941
0.9967
0.9982
0.9990
0.9995
0.9998
0.9999
0.9999
1.0000
110
c
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
n p0
0,051
0,355
0,818
1,366
1,970
2,613
3,285
3,981
4,695
5,425
6,169
6,924
7,690
8,464
9,246
10,040
n p1
2,30
3,89
5,32
6,68
7,99
9,28
10,53
11,77
12,99
14,21
15,41
16,60
17,78
18,86
20,13
21,29
p1/p0
45,10
10,96
6,50
4,89
4,06
3,55
3,21
2,96
2,77
2,62
2,50
2,40
2,31
2,24
2,18
2,12
111
112
TABELA F ( = 0,10)
F (v1, v2 )
10
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
39,86
8,53
5,54
4,54
4,06
3,78
3,59
3,46
3,36
3,29
3,23
3,18
3,14
3,10
3,07
3,05
3,03
3,01
2,99
2,97
2,96
2,95
2,94
2,93
2,92
2,91
2,90
2,89
2,89
49,50
9,00
5,46
4,32
3,78
3,46
3,26
3,11
3,01
2,92
2,86
2,81
2,76
2,73
2,70
2,67
2,64
2,62
2,61
2,59
2,57
2,56
2,55
2,54
2,53
2,52
2,51
2,50
2,50
53,59
9,16
5,39
4,19
3,62
3,29
3,07
2,92
2,81
2,73
2,66
2,61
2,56
2,52
2,49
2,46
2,44
2,42
2,40
2,38
2,36
2,35
2,34
2,33
2,32
2,31
2,30
2,29
2,28
55,83
9,24
5,34
4,11
3,52
3,18
2,96
2,81
2,69
2,61
2,54
2,48
2,43
2,39
2,36
2,33
2,31
2,29
2,27
2,25
2,23
2,22
2,21
2,19
2,18
2,17
2,17
2,16
2,15
57,24
9,29
5,31
4,05
3,45
3,11
2,88
2,73
2,61
2,52
2,45
2,39
2,35
2,31
2,27
2,24
2,22
2,20
2,18
2,16
2,14
2,13
2,11
2,10
2,09
2,08
2,07
2,06
2,06
58,20
9,33
5,28
4,01
3,40
3,05
2,83
2,67
2,55
2,46
2,39
2,33
2,28
2,24
2,21
2,18
2,15
2,13
2,11
2,09
2,08
2,06
2,05
2,04
2,02
2,01
2,00
2,00
1,99
57,91
9,35
5,27
3,98
3,37
3,01
2,78
2,62
2,51
2,41
2,34
2,28
2,23
2,19
2,16
2,13
2,10
2,08
2,06
2,04
2,02
2,01
1,99
1,98
1,97
1,96
1,95
1,94
1,93
59,44
9,37
5,25
3,95
3,34
2,98
2,75
2,59
2,47
2,38
2,30
2,24
2,20
2,15
2,12
2,09
2,06
2,04
2,02
2,00
1,98
1,97
1,95
1,94
1,93
1,92
1,91
1,90
1,89
59,86
9,38
5,24
3,94
3,32
2,96
2,72
2,56
2,44
2,35
2,27
2,21
2,16
2,12
2,09
2,06
2,03
2,00
1,98
1,96
1,95
1,93
1,92
1,91
1,89
1,88
1,87
1,87
1,86
60,19
9,39
5,23
3,92
3,30
2,94
2,70
2,54
2,42
2,32
2,25
2,19
2,14
2,10
2,06
2,03
2,00
1,98
1,96
1,94
1,92
1,90
1,89
1,88
1,87
1,86
1,85
1,84
1,83
113
TABELA F ( = 0,05)
F (v1, v2 )
Denominador (v2)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
161,4
18,51
10,13
7,71
6,61
5,99
5,59
5,32
5,12
4,96
4,84
4,75
4,67
4,60
4,54
4,49
4,45
4,41
4,38
4,35
4,32
4,30
4,28
4,26
4,24
4,23
4,21
4,20
4,18
199,5
19,00
9,55
6,94
5,79
5,14
4,74
4,46
4,26
4,10
3,98
3,89
3,81
3,74
3,68
3,63
3,59
3,55
3,52
3,49
3,47
3,44
3,42
3,40
3,39
3,37
3,35
3,34
3,33
224,6
19,25
9,12
6,39
5,19
4,53
4,12
3,84
3,63
3,48
3,36
3,26
3,18
3,11
3,06
3,01
2,96
2,93
2,90
2,87
2,84
2,82
2,80
2,78
2,76
2,74
2,73
2,71
2,70
230,2
19,30
9,01
6,26
5,05
4,39
3,97
3,69
3,48
3,33
3,20
3,11
3,03
2,96
2,90
2,85
2,81
2,77
2,74
2,71
2,68
2,66
2,64
2,62
2,60
2,59
2,57
2,56
2,55
234,0
19,33
8,94
6,16
4,95
4,28
3,87
3,58
3,37
3,22
3,09
3,00
2,92
2,85
2,79
2,74
2,70
2,66
2,63
2,60
2,57
2,55
2,53
2,51
2,49
2,47
2,46
2,45
2,43
236,8
19,35
8,89
6,09
4,88
4,21
3,79
3,50
3,29
3,14
3,01
2,91
2,83
2,76
2,71
2,66
2,61
2,58
2,54
2,51
2,49
2,46
2,44
2,42
2,40
2,39
2,37
2,36
2,35
238,9
19,37
8,85
6,04
4,82
4,15
3,73
3,44
3,23
3,07
2,95
2,85
2,77
2,70
2,64
2,59
2,55
2,51
2,48
2,45
2,42
2,40
2,37
2,36
2,34
2,32
2,31
2,29
2,28
10
240,5
19,38
8,81
6,00
4,77
4,10
3,68
3,39
3,18
3,02
2,90
2,80
2,71
2,65
2,59
2,54
2,49
2,46
2,42
2,39
2,37
2,34
2,32
2,30
2,28
2,27
2,25
2,24
2,22
241,9
19,40
8,79
5,96
4,74
4,06
3,64
3,35
3,14
2,98
2,85
2,75
2,67
2,60
2,54
2,49
2,45
2,41
2,38
2,35
2,32
2,30
2,27
2,25
2,24
2,22
2,20
2,19
2,18
114
TABELA F ( = 0,01)
F (v1, v2 )
10
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
4052
98,50
34,12
21,20
16,26
13,75
12,25
11,26
10,56
10,04
9,65
9,33
9,07
8,86
8,68
8,53
8,40
8,29
8,18
8,10
8,02
7,95
7,88
7,82
7,77
7,72
7,68
7,64
7,60
4999,5
99,00
30,82
18,00
13,27
10,92
9,55
8,65
8,02
7,56
7,21
6,93
6,70
6,51
6,36
6,23
6,11
6,01
5,93
5,85
5,78
5,72
5,66
5,61
5,57
5,53
5,49
5,45
5,42
5403
99,17
29,46
16,69
12,06
9,78
8,45
7,59
6,99
6,55
6,22
5,95
5,74
5,56
5,42
5,29
5,18
5,09
5,01
4,94
4,87
4,82
4,76
4,72
4,68
4,64
4,60
4,57
4,54
5625
99,25
28,71
15,98
11,39
9,15
7,85
7,01
6,42
5,99
5,67
5,41
5,21
5,04
4,89
4,77
4,67
4,58
4,50
4,43
4,37
4,31
4,26
4,22
4,18
4,14
4,11
4,07
4,04
5764
99,30
28,24
15,52
10,97
8,75
7,46
6,63
6,06
5,64
5,32
5,06
4,86
4,69
4,36
4,44
4,34
4,25
4,17
4,10
4,04
3,99
3,94
3,90
3,85
3,82
3,78
3,75
3,73
5859
99,33
27,91
15,21
10,67
8,47
7,19
6,37
5,80
5,39
5,07
4,82
4,62
4,46
4,32
4,20
4,10
4,01
3,94
3,87
3,81
3,76
3,71
3,67
3,63
3,59
3,56
3,53
3,50
5928
99,36
27,67
14,98
10,46
8,26
6,99
6,18
5,61
5,20
4,89
4,64
4,44
4,28
4,14
4,03
3,93
3,84
3,77
3,70
3,64
3,59
3,54
3,50
3,46
3,42
3,39
3,36
3,33
5982
99,37
27,49
14,80
10,29
8,10
6,84
6,03
5,47
5,06
4,74
4,50
4,30
4,14
4,00
3,89
3,79
3,71
3,63
3,56
3,51
3,45
3,41
3,36
3,32
3,29
3,26
3,23
3,20
6022
99,39
27,35
14,66
10,16
7,98
6,72
5,91
5,35
4,94
4,63
4,39
4,19
4,03
3,89
3,78
3,68
3,60
3,52
3,46
3,40
3,35
3,30
3,26
3,22
3,18
3,15
3,12
3,09
6056
99,40
27,23
14,55
10,05
7,87
6,62
5,81
5,26
4,85
4,54
4,30
4,10
3,94
3,80
3,69
3,59
3,51
3,43
3,37
3,31
3,26
3,21
3,17
3,13
3,09
3,06
3,03
3,00
115
10
11
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
24
18,00
6,09
4,50
3,93
3,64
3,46
3,34
3,26
3,20
3,15
3,11
3,08
3,06
3,03
3,01
3,00
2,98
2,97
2,96
2,95
2,92
27,00
8,30
5,91
5,04
4,60
4,34
4,16
4,04
3,95
3,88
3,82
3,77
3,73
3,70
3,67
3,65
3,63
3,61
3,59
3,58
3,53
32,80
9,80
6,82
5,76
5,22
4,90
4,68
4,53
4,42
4,33
4,26
4,20
4,15
4,11
4,08
4,05
4,02
4,00
3,98
3,96
3,90
37,10
10,90
7,50
6,29
5,67
5,31
5,06
4,89
4,76
4,65
4,57
4,51
4,45
4,41
4,37
4,33
4,30
4,28
4,25
4,23
4,17
40,40
11,70
8,04
6,71
6,03
5,63
5,36
5,17
5,02
4,91
4,82
4,75
4,69
4,64
4,60
4,56
4,52
4,49
4,47
4,45
4,37
43,10
12,40
8,48
7,05
6,33
5,89
5,61
5,40
5,24
5,12
5,03
4,95
4,88
4,83
4,78
4,74
4,71
4,67
4,65
4,62
4,54
45,4
13,00
8,85
7,35
6,58
6,12
5,82
5,60
5,43
5,30
5,20
5,12
5,05
4,99
4,94
4,90
4,86
4,82
4,79
4,77
4,68
47,4
13,5
9,18
7,60
6,80
6,32
6,00
5,77
5,60
5,46
5,35
5,27
5,19
5,13
5,08
5,03
4,99
4,96
4,92
4,90
4,81
49,10
14,00
9,46
7,83
6,99
6,49
6,16
5,92
5,74
5,60
5,49
5,40
5,32
5,25
5,20
5,15
5,11
5,07
5,04
5,01
4,92
50,60
14,40
9,72
8,03
7,17
6,65
6,30
6,05
5,87
5,72
5,61
5,51
5,43
5,36
5,31
5,26
5,21
5,17
5,14
5,11
5,01
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
24
90,00
14,00
8,26
6,51
5,70
5,24
4,95
4,74
4,60
4,48
4,39
4,32
4,26
4,21
4,17
4,13
4,10
4,07
4,05
4,02
3,96
135,00
19,00
10,60
8,12
6,97
6,33
5,92
5,63
5,43
5,27
5,14
5,04
4,96
4,89
4,83
4,78
4,74
4,70
4,67
4,64
4,54
164,00
22,30
12,20
9,17
7,80
7,03
6,54
6,20
5,96
5,77
5,62
5,50
5,40
5,32
5,25
5,19
5,14
5,09
5,05
5,02
4,91
186,00
24,70
13,30
9,96
8,42
7,56
7,01
6,63
6,35
6,14
5,97
5,84
5,73
5,63
5,56
5,49
5,43
5,38
5,33
5,29
5,17
202,00
26,60
14,20
10,60
8,91
7,97
7,37
6,96
6,66
6,43
6,25
6,10
5,98
5,88
5,80
5,72
5,66
5,60
5,55
5,51
5,37
10
11
246,00
31,70
16,70
12,30
10,24
9,10
8,37
7,87
7,49
7,21
6,99
6,81
6,67
6,54
6,44
6,35
6,27
6,20
6,14
6,09
5,92
253,00
32,60
17,10
12,60
10,48
9,30
8,55
8,03
7,65
7,36
7,13
6,94
6,79
6,66
6,55
6,46
6,38
6,31
6,25
6,19
6,02
116
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
70
80
90
100
0,995
0,99
0,975
0,95
0,5
0,00
0,01
0,07
0,21
0,41
0,68
0,99
1,34
1,73
2,16
2,60
3,07
3,57
4,07
4,60
5,14
5,70
6,26
6,84
7,43
8,03
8,64
9,26
9,89
10,52
11,16
11,81
12,46
13,12
13,79
20,71
27,99
35,53
43,28
51,17
59,20
67,33
0,00
0,02
0,11
0,30
0,55
0,87
1,24
1,65
2,09
2,56
3,05
3,57
4,11
4,66
5,23
5,81
6,41
7,01
7,63
8,26
8,90
9,54
10,20
10,86
11,52
12,20
12,88
13,56
14,26
14,95
22,16
29,71
37,48
45,44
53,54
61,75
70,06
0,00
0,05
0,22
0,48
0,83
1,24
1,69
2,18
2,70
3,25
3,82
4,40
5,01
5,63
6,26
6,91
7,56
8,23
8,91
9,59
10,28
10,98
11,69
12,40
13,12
13,84
14,57
15,31
16,05
16,79
24,43
32,36
40,48
48,76
57,15
65,65
74,22
0,00
0,10
0,35
0,71
1,15
1,64
2,17
2,73
3,33
3,94
4,57
5,23
5,89
6,57
7,26
7,96
8,67
9,39
10,12
10,85
11,59
12,34
13,09
13,85
14,61
15,38
16,15
16,93
17,71
18,49
26,51
34,76
43,19
51,74
60,39
69,13
77,93
0,45
1,39
2,37
3,36
4,35
5,35
6,35
7,34
8,34
9,34
10,34
11,34
12,34
13,34
14,34
15,34
16,34
17,34
18,34
19,34
20,34
21,34
22,34
23,34
24,34
25,34
26,34
27,34
28,34
29,34
39,34
49,33
59,33
69,33
79,33
89,33
99,33
0,1
0,05
0,025
2,71
3,84
5,02
4,61
5,99
7,38
6,25
7,81
9,35
7,78
9,49
11,14
9,24
11,07 12,83
10,64 12,59 14,45
12,02 14,07 16,01
13,36 15,51 17,53
14,68 16,92 19,02
15,99 18,31 20,48
17,28 19,68 21,92
18,55 21,03 23,34
19,81 22,36 24,74
21,06 23,68 26,12
22,31 25,00 27,49
23,54 26,30 28,85
24,77 27,59 30,19
25,99 28,87 31,53
27,20 30,14 32,85
28,41 31,41 34,17
29,62 32,67 35,48
30,81 33,92 36,78
32,01 35,17 38,08
33,20 36,42 39,36
34,38 37,65 40,65
35,56 38,89 41,92
36,74 40,11 43,19
37,92 41,34 44,46
39,09 42,56 45,72
40,26 43,77 46,98
51,81 55,76 59,34
63,17 67,50 71,42
74,40 79,08 83,30
85,53 90,53 95,02
96,58 101,88 106,63
107,57 113,15 118,14
118,50 124,34 129,56
0,01
0,005
6,63
9,21
11,34
13,28
15,09
16,81
18,48
20,09
21,67
23,21
24,72
26,22
27,69
29,14
30,58
32,00
33,41
34,81
36,19
37,57
38,93
40,29
41,64
42,98
44,31
45,64
46,96
48,28
49,59
50,89
63,69
76,15
88,38
100,43
112,33
124,12
135,81
7,88
10,60
12,84
14,86
16,75
18,55
20,28
21,95
23,59
25,19
26,76
28,30
29,82
31,32
32,80
34,27
35,72
37,16
38,58
40,00
41,40
42,80
44,18
45,56
49,93
48,29
49,64
50,99
52,34
53,67
66,77
79,49
91,95
104,21
116,32
128,30
140,17