XVII INTERNATIONAL CONFERENCE ON INDUSTRIAL ENGINEERING AND OPERATIONS MANAGEMENT Technological Innovation and Intellectual Property: Production Engineering Challenges in Brazil Consolidation in the World Economic Scenario. Belo Horizonte, Brazil, 04 to 07 October – 2011 EL USO DEL ANÁLISIS DE REGRESIÓN MÚLTIPLE EN ESTACIÓN DE TRATAMIENTO DE EFLUENTES DE LA INDUSTRIA DEL PAPEL JOHNNY ROCHA JORDAN (UNIPLAC) [email protected] Giovani Letti (UNIPLAC) [email protected] A industria de pulpa y papel, y se clasifica como contar con un alto potencial contaminador, sólo por detrás de las curtidurías, los mataderos y las industrias petroquímicas. A pesar de haber invertido importantes sumas de dinero en la adoppción de medidas para reducir al mínimo el impacto ambiental causado por su actividad industrial, es necesario encontrar otras soluciones que pueden ayudar en las actividades de la lucha contra la contaminación. Las industrias, en general, utilizamos los cuerpos receptores (ríos y arroyos) para capturar el agua necesaria para el proceso de producción y/o el destino de sus residuos industriales líquidos (efluentes). Uno de los parámetros analizados en el efluente y la llamada demanda bioquímica de oxígeno (DBO) que indica de manera indirecta, la concentración de materia orgánica presente en el efluente. Para cumplir con el requisito de la ley, un número significativo de variables que se deben analizar y controlar desvío, el tratamiento de los efluentes y de ocupar el tiempo de los operadores de la estación de tratamiento de efluentes en las pruebas de laboratorio. El objetivo de este trabajo es encontrar una ecuación que permite predecir la eficacia de la reducción de la carga orgánica, por medio de una técnica estadística denominada regresión lineal múltiple. Palavras-chaves: Análisis de regressión, DQO, DBO XVII INTERNATIONAL CONFERENCE ON INDUSTRIAL ENGINEERING AND OPERATIONS MANAGEMENT Technological Innovation and Intellectual Property: Production Engineering Challenges in Brazil Consolidation in the World Economic Scenario. Belo Horizonte, Brazil, 04 to 07 October – 2011 1. Introducción Las industrias, en general, utilizán los cuerpos receptores (ríos y arroyos) para capturar el agua necesaria para el proceso de producción y/o el destino de sus residuos industriales líquidos (efluentes). Uno de los parámetros analizados en el efluente y la llamada demanda bioquímica de oxígeno (DBO) que indica de manera indirecta, la concentración de materia orgánica presente en el efluente. En Santa Catarina, la Ley 14.675 /2009 específico como la pena máxima de 60 mg/L de materia orgánica que puede iniciarse en el cuerpo receptor. Este límite es, en cierta medida relajado en la misma ley, por lo que permite que la empresa adopta como parámetro al vertido de los efluentes un porcentaje de al menos el 80% de la carga orgánica que proviene de la planta de tratamiento de efluentes. Para lograr este requerimiento legal, un número significativo de variables que se deben analizar y controlar desvío, el tratamiento de los efluentes y de ocupar el tiempo de los operadores de la estación de tratamiento de efluentes en las pruebas de laboratorio. La industria de pulpa y papel, que es un segmento de la cual forma parte de esta empresa que proporcionan los datos utilizados en este trabajo, y clasificado como contar con un alto potencial contaminador y ha invertido cantidades significativas en la adopción de medidas para minimizar el impacto ambiental causado por su actividad industrial. El objetivo de este trabajo es encontrar una ecuación que permite predecir la eficacia de la reducción de la carga orgánica, por medio de una técnica estadística denominada regresión lineal múltiple. 2. La industria de pulpa y papel en Brasil y en Santa Catarina La estructura de la Industria de Pulpa y Papel es bastante compleja, en cuanto a los diferentes tipos de productos fabricados y la tecnología dinámica que hace que su producción. El estado de Santa Catarina tiene un papel destacado en el panorama nacional de la industria, que figura en el tercer lugar en la fabricación de papel y en el primer lugar para fabricar papel de embalaje, incluso contando con sólo el 10% del número de empresas en este segmento de la industria. Es habitual que la clasificación de las industrias en seis segmentos: papel de periódico, papeles para impresión y escritura; papel para fines sanitarios (tejido); tarjetas y cartones, papeles especiales y papel de embalaje (JORDAN, 2001). Cada uno de estos subsegmentos tiene sus propias peculiaridades a la luz de su proceso de fabricación, las características de sus productos, y sus formas de comercialización. Sin embargo, lo que tienen en común entre estos subsegmentos, y que esta es una industria intensiva en el uso de los recursos naturales (madera y agua) y se instala, por regla general, por el lado de un río o arroyo, con el fin de poder captar el agua que se necesita para sus procesos industriales. La Figura 1 muestra el diagrama simplificado del efluente generación, en las principales etapas del proceso de producción. 2 XVII INTERNATIONAL CONFERENCE ON INDUSTRIAL ENGINEERING AND OPERATIONS MANAGEMENT Technological Innovation and Intellectual Property: Production Engineering Challenges in Brazil Consolidation in the World Economic Scenario. Belo Horizonte, Brazil, 04 to 07 October – 2011 Madeira Rio Estação de Tratamento de Água (ETA) Cozimento, Lavagem, Depuração Evaporação Estação de Tratamento de Efluentes (ETE) Rio Recuperação Caustificação FIGURA 1- simplificado diagrama de flujo de las aguas residuales generación por etapa productiva 3. El tratamiento de efluentes (ETE) El tratamiento de los efluentes y dimensionan en función del tipo de efluentes que existe en la industria y a la luz de la superficie disponible para la planta. Por lo tanto, es común encontrar en las estaciones de tratamiento de efluentes, las siguientes etapas básicas de la instalación: pretratamiento tratamiento primario tratamiento secundário EL pre-tratamiento tiene como objetivo eliminar los sólidos más gruesas, tales como los escombros, arena, grava y cenizas, a través de equipos específicos, como tamices y cuadrícula de bares. En la etapa primaria, eliminar los sólidos más bajos y una pequeña parte de la materia orgánica (10-15 %) presentes en el efluente. Ya la función de la planta de tratamiento secundario es el de eliminar la mayor parte de la carga orgánica, utilizando las lagunas de estabilización lagunas aireadas, lodos activados y filtros biológicos. Cada una de estas técnicas tiene sus ventajas y desventajas, y es que la mayoría de las empresas en el segmento obras hoy día con el sistema de lodos activados (JORDAN, 2001), que proporcionan una reducción significativa de la carga orgánica, con un costo relativamente bajo y un área para la ubicación y inferior al sistema de lagunas de estabilización, por ejemplo. Algunas compañías pueden utilizar un tratamiento terciario si desean por alguna razón 3 XVII INTERNATIONAL CONFERENCE ON INDUSTRIAL ENGINEERING AND OPERATIONS MANAGEMENT Technological Innovation and Intellectual Property: Production Engineering Challenges in Brazil Consolidation in the World Economic Scenario. Belo Horizonte, Brazil, 04 to 07 October – 2011 ambiental estratégica o eliminar o reducir al mínimo el color del efluente. La Figura 2 muestra un diagrama simplificado de un ETE. Afluente industrial Prétratamento Tratamento primário Tratamento secundário Efluente industrial Rio Opcional Tratamento terciário Efluente industrial FIGURA 2 - diagrama simplificado de una planta de tratamiento de efluentes 4. Análisis de regresión múltiple La elección de la técnica de análisis estadísticos sobre el hecho de que existe un gran número de variables independientes, capaces (o no) para explicar las variaciones que existen en la variable dependiente (HAIR, Jr. et al, 2005), citado en la introducción a este trabajo, que es la eficiencia de la reducción de la DBO. Además, la regresión lineal múltiple es útil en la selección de las variables que son realmente importantes y que, por lo tanto, contribuirá a un mejor agarre del modelo. Otro punto importante es que la ecuación de regresión múltiple permite agregar cualquier número de variables independientes, que puede tomar valores continuos o discontinuos (SAMOHYL, 2009). Yi = α +β1X1 + β2 X2 + β3X3 + ... + βi Xi εi ECUACIÓN 1: ecuación de regresión lineal múltiple En la ecuación 1, además de explicar la posibilidad de no tener variables independientes, uno debe observar la aparición del término 4 XVII INTERNATIONAL CONFERENCE ON INDUSTRIAL ENGINEERING AND OPERATIONS MANAGEMENT Technological Innovation and Intellectual Property: Production Engineering Challenges in Brazil Consolidation in the World Economic Scenario. Belo Horizonte, Brazil, 04 to 07 October – 2011 debe atribuir a cualquier modelo de regresión, porque no hay regresión perfecta (SAMOHYL, 2009). Existen algunos supuestos que deben ser observados para ser una regresión, en conformidad con diversos autores (Levine, BERESON & STEPHAN, 2000); (WILD & BARE, 2005); (SAMOHYL, 2009): Normalidad de los valores y de los errores; Homocedasticidad; Independencia de errores; Multicolinealidad; Linealidad. La hipótesis de normalidad en los valores de las variables independientes y los errores, de acuerdo con los autores antes mencionados, no siempre es necesario, siempre que se sepa lo que es una distribución adecuada. Homocedasticidad está relacionado con una varianza constante de los errores en torno a su media. Ya en el supuesto de independencia de los errores, la covarianza debe ser igual a cero, es decir, no está permitido autocorrelación entre los errores (SAMOHYL, 2009). En términos de multicolinealidad, no debe haber ninguna relación entre dos o más variables independientes. Por último, la linealidad es carente de sentido, porque la ecuación utilizada presupone una relación lineal entre las variables independientes y la variable dependiente. En algunos casos, y de su posible linearizar la variable de interés, a través de procesamiento simple y común, tales como la inversa exponencial y logarítmica (WILD & SEBER, 2005); (SAMOHYL, 2009). 5. Modelización de la ecuación de regresión múltiple El objetivo de este trabajo es encontrar un modelo que permite estimar la eficiencia de la reducción de la carga orgánica, a partir de un conjunto de variables independientes. Los operadores de la planta de tratamiento de efluentes de una empresa determinada de pasta y papel en Santa Catarina monitor 25 parámetros (variables) que, en teoría, influir en el resultado final. Sobre la base de la experiencia acumulada por estos operadores y en un trabajo preliminar de correlación entre las variables, las restantes nueve variables que podrían influir en la eficacia de reducción de la demanda la demanda bioquímica de oxígeno (DBO). Los datos utilizados en este modelo corresponden a cinco años de valores, representados por su promedio semanal. Las variables consideradas son: temperatura, caudal, pH, sólidos sedimentables, sólidos en suspensión, los lodos edad; demanda química de oxígeno (DQO bruto y tratado) y DBO (tratado). Lo que esperábamos encontrar un autocorrelación entre DQObruto y DQOtratado y entre DQOtratado y DBOtratado, que nunca ha ocurrido, ante la sorpresa de los operadores. El primer paso consistió en verificar la normalidad de los parámetros analizados. Por esta razón, hemos utilizado un software comercial que ofrece una salida gráfico que muestra la distribución de probabilidad normal de los datos y un análisis basado en la prueba Anderson 5 XVII INTERNATIONAL CONFERENCE ON INDUSTRIAL ENGINEERING AND OPERATIONS MANAGEMENT Technological Innovation and Intellectual Property: Production Engineering Challenges in Brazil Consolidation in the World Economic Scenario. Belo Horizonte, Brazil, 04 to 07 October – 2011 Darling. Sólo los valores de pH se deriva de una distribución normal, como puede observarse en el gráfico 1, más abajo. Gráfico de Análise da Normalidade - pH 99,9 Mean StDev N AD P-Value 99 95 7,549 0,9877 271 0,363 0,439 Percent 90 80 70 60 50 40 30 20 10 5 1 0,1 4 5 6 7 8 9 10 11 pH GRÁFICO 1: análisis de normalidad del pH El resto de las variables estudiadas fueron previamente procesadas mediante Box-Cox transformación, incluida la variable dependiente. La Box-Cox transformación se utiliza ampliamente en aplicaciones industriales (SAMOHYL, 2009) y tiene la siguiente expresión matemática: Xi ( ) = Xi -1 EQUAÇÃO 2: ecuación de transformación Box-Cox Como un ejemplo de los cambios realizados por las otras variables, a continuación se muestra una comparación entre la variable Demanda Química del Oxígeno (DQObruto) antes y después del transformación. Análise de Normalidade DQOBr Análise de Normalidade Transf. BC DQOBr Normal 99,9 99 95 90 80 70 60 50 40 30 20 99,9 1791 1119 271 20,640 <0,005 95 90 10 5 5 1 1 0,1 0,1 2500 DQOBr 5000 7500 0,02578 0,005516 271 0,523 0,181 80 70 60 50 40 30 20 10 0 Mean StDev N AD P-Value 99 Percent Percent Normal Mean StDev N AD P-Value 0,010 0,015 0,020 0,025 0,030 BCDQOBr 0,035 0,040 0,045 (a) (b) GRÁFICO 2: Comparación entre los datos originales (a) y después de la Box-Cox transformación (b) 6 XVII INTERNATIONAL CONFERENCE ON INDUSTRIAL ENGINEERING AND OPERATIONS MANAGEMENT Technological Innovation and Intellectual Property: Production Engineering Challenges in Brazil Consolidation in the World Economic Scenario. Belo Horizonte, Brazil, 04 to 07 October – 2011 Con los datos procesados utilizando el Microsoft Excel® para el análisis de regresión múltiple, que obtuvieron los siguientes valores, de acuerdo a la tabla 1: Estatística de regressão R múltiplo 0,895743283 R-Quadrado 0,80235603 R-quadrado ajustado 0,79554072 Observações 271 TABLA 1: el resultado de regresión múltiple Es común, haciendo un análisis de regresión, examinar el R2 es para simplificar la evaluación del resultado diciendo, de los datos de la tabla 1: La ecuación de regresión explica aproximadamente 80,23 % de la variable dependiente. De hecho, muchos autores (AZEVEDO, 2001); (MILONE, 2004); (MOORE, 2005); (WILD & SEBER, 2005); (SAMOHYL, 2009); llaman la atención sobre este análisis simplista y recomiendan cautela. En el caso de un análisis de regresión múltiple, el R2 ajustado debe preferirse en relación a los R2 y el F-estadísticas, el análisis de la varianza, combinada con su valor de p es mejor en relación con el R2 ajustado. Los resultados del análisis de varianza (ANOVA) puede verse en el cuadro 2, muestra cómo la ecuación obtenida, y significativamente adherente, como su valor p es extremadamente pequeño (1,39919 x 10-86). ANOVA gl Regressão Resíduo Total SQ 9 1,22445E+17 261 3,01619E+16 270 1,52607E+17 MQ F F de significação 1,3605E+16 117,7284834 1,39919E-86 1,15563E+14 TABLA 2: ANOVA de la regresión múltiple Un análisis más detallado de los coeficientes obtenidos y de sus valores de p, tal como se muestra en la tabla 3, indican que algunas de las variables no son estadísticamente significativos y deben ser eliminados de la modelo, si no hay otras informaciones adicionales contrario, se basa en la experiencia y el conocimiento de los operadores de la planta de tratamiento de efluentes. 7 XVII INTERNATIONAL CONFERENCE ON INDUSTRIAL ENGINEERING AND OPERATIONS MANAGEMENT Technological Innovation and Intellectual Property: Production Engineering Challenges in Brazil Consolidation in the World Economic Scenario. Belo Horizonte, Brazil, 04 to 07 October – 2011 Interseção BC – Vazão BC – pHBr BC - TempBr BC - SSedBr BC - DQOBr BC - DQOTr BC – SSTTr BC - IdLodo BC - DBOTr Coeficientes 194853854,3 -2789282,5 1294587,295 0,706751324 498176,5026 1661061882 -11159055,4 5362840,87 8223369,229 -20611508,3 Erro padrão 38123328,57 4176210,701 818995,8184 0,828696869 2725665,03 138826131,2 2941359,263 2157208,715 2177537,955 1270735,422 Stat t 5,111144845 -0,667897934 1,580700739 0,85284662 0,18277246 -11,96505202 -3,79384305 2,486009273 3,776452765 -16,22014146 valor-P 6,19587E-07 0,504788909 0,115157553 0,394526318 0,855118449 1,35406E-26 0,000184403 0,013544695 0,000197037 2,13809E-41 TABLA 3: la significación estadística de los coeficientes de regresión múltiple Los cuatro parámetros que se consideraron no es importante, por medio del análisis de los valores de p de sus coeficientes de la ecuación, ya que por la experiencia de la mayoría de los operadores de la planta de tratamiento de efluentes, estas variables no se consideraron tan importantes. El resultado puede apreciarse en la tabla 4, a continuación: Estatística de regressão R múltiplo 0,893618825 R-Quadrado 0,798554604 R-quadrado ajustado 0,794753748 Observações 271 ANOVA gl Regressão Resíduo Total Interseção BC - DQOBr BC - DQOTr BC - SSTTr BC - IdLodo BC - DBOTr (X1) (X2) (X3) (X4) (X5) SQ 5 1,21865E+17 265 3,0742E+16 270 1,52607E+17 Coeficientes 188090953,8 -1757597083 -10835776,35 5890757,143 9649311,491 -20936601,8 Erro padrão 9245078,903 127063751,5 2929665,529 2120081,259 2038161,114 1241891,09 MQ F F de significação 2,4373E+16 210,0985918 5,26427E-90 1,16008E+14 Stat t 20,34498091 -13,83240352 -3,698639401 2,778552528 4,734322241 -16,85864564 valor-P 4,57705E-56 3,99352E-33 0,000263502 0,005850699 3,58301E-06 7,86639E-44 TABLA 4: Nueva regresión múltiple, sin las variables que no fueron significativas. El análisis de los datos del cuadro 4, todos los coeficientes son significativos, aunque no hay una gran diferencia entre los valores de R2 y R2 ajustado para análisis hoy en día, en comparación con los logrados con todas las 9 variables independientes. Esto sólo refuerza la advertencia hecha por varios autores, con respecto a la R2 tal como se ha mencionado. Sin embargo, el valor de p de la regresión y mucho más significativo, lo que indica que las variables que se encontraban en ecuación de regresión, realmente influyen en la eficacia de la 8 XVII INTERNATIONAL CONFERENCE ON INDUSTRIAL ENGINEERING AND OPERATIONS MANAGEMENT Technological Innovation and Intellectual Property: Production Engineering Challenges in Brazil Consolidation in the World Economic Scenario. Belo Horizonte, Brazil, 04 to 07 October – 2011 reducción de la carga orgánica (DBO). Por lo tanto, la ecuación de regresión múltiple, obtenidas a partir de los datos y la elaboración llevada a cabo y: Eficiência redução DBO = 188090953,8-1757597083(BC - DQOBr)-10835776,35(BC - DQOTr)+ + 5890757,143(BC - SSTTr) +9649311,491(BC - IdLodo) -20936601,8(BC - DBOTr) ECUACIÓN 3: ecuación de regresión múltiple La necesidad de transformar las variables trajo consigo los inconvenientes de trabajar con las tasas más elevadas, lo que dificulta el análisis de la relación entre las variables, para no mencionar la necesidad de transformar el correspondiente valor de la variable, para utilizar la ecuación de regresión múltiple obtenidos. Aunque no es un objeto de este trabajo, hay otras maneras de demostrar la relación entre las variables del estudio. Los más conocidos son la elasticidad y el coeficiente beta (SAMOHYL,2009). 6. Avaliação dos pressupostos da regressão 6.1 Multicolinearidade Este pressuposto pode ser verificado de modo indireto, através dos valores p dos coeficientes obtidos durante a análise de regressão. Como todos os valores p foram extremamente significantes, mesmo que existisse multicolinearidade, ela seria superada pela força da relação entre as variáveis (SAMOHYL, 2009). 6.2 La normalidad de los valores y los errores Como los valores de las variables independientes fueron procesados, utilizando la ecuación de BOX-COX, sólo queda analizar los errores de la regresión. El Gráfico 3 muestra la distribución de los residuos de la regresión, lo que indica que siguen una distribución normal. Análise da normalidade dos resíduos da regressão 99,9 Mean StDev N AD P-Value 99 95 3,750 0,8812 271 0,551 0,154 Percent 90 80 70 60 50 40 30 20 10 5 1 0,1 1 2 3 4 resíduos 5 6 7 GRÁFICO 3: Análisis de la normalidad de los residuos de la regresión 9 XVII INTERNATIONAL CONFERENCE ON INDUSTRIAL ENGINEERING AND OPERATIONS MANAGEMENT Technological Innovation and Intellectual Property: Production Engineering Challenges in Brazil Consolidation in the World Economic Scenario. Belo Horizonte, Brazil, 04 to 07 October – 2011 6.3 Linearidad Desde el primer objetivo de este estudio, es evidente que la hipótesis inicial de regresión lineal múltiple fue contemplado por los resultados obtenidos en regresión múltiple, es por R 2 ajustado, es el alto valor de F-estadísticas y su valor de p correspondiente. 6.4 Homocedasticidad El análisis visual de la dispersión de los datos, ¿qué podemos hacer con respecto al gráfico 4, no indica la existencia de un patrón, que nos permite concluir que no hay violación de la presunción de homocedasticidad. Es evidente que esta información sólo es válido para el análisis de la posible violación de homocedasticidad, en forma de una función lineal. Eficiência x Resíduos Resíduos 50000000 0 -50000000 0 -1E+08 1 2 3 4 5 Eficiência GRÁFICO 4: Análisis de homocedasticidad 6.5. Independencia de los errores Con respecto a la hipótesis de la independencia, hay un deseo de darnos cuenta de la existencia de auto-correlación entre los datos analizados, es decir, si una observación fue influido o influenciado las observaciones que han precedido o que el sucesor (JORDAN, 2009). Uno de los caminos y trazar los residuos obtenidos en comparación con el tiempo o en el orden en que fueron observados y evaluar la existencia o no de algún tipo de patrón en el gráfico. El Gráfico 5 muestra que no existe un modelo de valores residuales que nos permitirán concluir que no hay independencia entre los datos, es decir, no existe un sistema de autogestión correlación. 10 XVII INTERNATIONAL CONFERENCE ON INDUSTRIAL ENGINEERING AND OPERATIONS MANAGEMENT Technological Innovation and Intellectual Property: Production Engineering Challenges in Brazil Consolidation in the World Economic Scenario. Belo Horizonte, Brazil, 04 to 07 October – 2011 Resíduos x ordem 40000000 Resíduos 20000000 0 -20000000 0 50 100 150 200 250 300 -40000000 -60000000 ordem GRÁFICO 5: Análisis de la independencia de los errores. 7. Limitaciones del modelo y consideraciones finales La principal limitación de esta modelación matemática y estadística es en el hecho de que la ecuación obtenida no es fruto de un proceso dinámico, pero estática. Esto significa que durante los meses de recolección de datos, tabulación y análisis de los datos las condiciones de funcionamiento y el proceso industrial pueden haber cambiado, habida cuenta de los cambios inherentes en el proceso productivo. Los principales supuestos de la regresión y correlación estadística (la normalidad y homocedasticidad, la independencia de los errores, multicolinearidad y linealidad) fueron confirmados, que demuestra la importancia de los resultados obtenidos. Por último, el reconocimiento de los autores a la empresa que ha permitido el uso de los datos para la construcción del modelo y las entrevistas con los operadores de la planta de tratamiento de efluentes. Referências AZEVEDO, P. R. M. de. Modelos de regressão linear. Natal (RN): EDUFRN, 2001. HAIR Jr, J.F., ANDERSON, R.E, TATHAM, R.L. , BLACK, W.C. Análise Multivariada de Dados.5.ed. Porto Alegre: Bookman, 2005. JORDAN, J.R. Capacitação Tecnológica e Desempenho Competitivo na Indústria de Papel de Embalagem em Santa Catarina. Florianópolis: UFSC, 2001. Dissertação (Mestrado em Economia Industrial). 143p. JORDAN, J.R. modelagem estatística para ensaios de resistência na indústria de celulose e papel: Anais XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. Salvador (BA), 2009. LEVINE, D M.; BERENSON, M. L. & STEPHAN, D. Estatística: Teoria e aplicações. Rio de Janeiro: editora LTC, 2000. MILONE, G. Estatística: Geral e Aplicada. São Paulo: Pioneira Thomson Learning, 2004. 11 XVII INTERNATIONAL CONFERENCE ON INDUSTRIAL ENGINEERING AND OPERATIONS MANAGEMENT Technological Innovation and Intellectual Property: Production Engineering Challenges in Brazil Consolidation in the World Economic Scenario. Belo Horizonte, Brazil, 04 to 07 October – 2011 MOORE, D. S. Estatística básica e a sua prática. Rio de Janeiro: LTC, 2005. SAMOHYL, R. W. Controle Estatistico da qualidade. Rio de Janeiro: Elsevier, 2009. TRIOLA, M. F. Introdução à estatística. Rio de Janeiro: LTC, 2005. WILD, C.J., SEBER, G.A.F. Encontros com o Acaso: Um primeiro curso de análise de dados e inferência. Rio de Janeiro: LTC, 2004. 12