CAPACIDAD Y DESEMPEO

DEL PROCESO

Prez Prez Daniel

Sept. 2016

Definiciones bsicas.

Proceso: ste se refiere a alguna combinacin nica de mquinas,

herramientas, mtodos, materiales y personas involucradas en la
produccin.

Capacidad o habilidad: Esta palabra se usa en el sentido de

aptitud, basada en el desempeo probado, para lograr resultados
que se puedan medir.

Capacidad del proceso: Es la aptitud del proceso para producir

productos dentro de los lmites de especificaciones de calidad.

Capacidad medida: Esto se refiere al hecho de que la capacidad

del proceso se cuantifica a partir de datos que, a su vez, son el
resultado de la medicin del trabajo realizado por el proceso.

Capacidad inherente: Se refiere a la uniformidad del producto que

resulta de un proceso que se encuentra en estado de control
estadstico, es decir, en ausencia de causas especiales o
atribuibles de variacin.

Variabilidad natural: Los productos fabricados nunca son idnticos

sino que presentan cierta variabilidad, cuando el proceso est bajo
control, solo actan las causas comunes de variacin en las
caractersticas de calidad.

Valor Nominal: Las caractersticas de calidad tienen un valor ideal

ptimo que es el que desearamos que tuvieran todas las unidades
fabricadas pero que no se obtiene, aunque todo funcione
correctamente, debido a la existencia de la variabilidad natural.

1 Objetivos
1. Predecir en que grado el proceso cumple especificaciones.
2. Apoyar a diseadores de producto o proceso en sus modificaciones.

3. Especificar requerimientos de desempeo para el equipo nuevo.

4. Seleccionar proveedores.
5. Reducir la variabilidad en el proceso de manufactura.
6. Planear la secuencia de produccin cuando hay un efecto interactivo
de los procesos en las tolerancias.

p = porcentaje de medidas bajo la curva de probabilidad fuera de

especificaciones.

1b. Partes fuera de especificaciones

En el rea sombrada observamos medidas fuera de los lmites de
especificacin.

Para solucionar este problema, podemos reducir la desviacin estndar.

Tambin podramos cambiar la media.

Lo ideal sera, por supuesto cambiar ambas.

1c. Variacin a corto plazo y a largo plazo

Existen dos maneras de expresar la variabilidad:

Variacin a corto plazo (Zst) Los datos son colectados durante un

periodo de tiempo suficientemente corto para que sea improbable que
haya cambios y otras causas especiales.
Las familias de variacin han sido restringidas de tal manera que los
datos considerados, slo son los que se obtuvieron del subgrupo
racional. Ayuda a determinar subgrupos racionales importantes.

Variacin a Largo Plazo(Zlt)

periodo

de

tiempo

Los datos son

suficientemente

largo

colectados durante un
y

en

condiciones

suficientemente diversas para que sea probable que incluya todos los
cambios de proceso y otras causas especiales. Aqu todas las familias
de variacin
general.

exhiben su contribucin en la variacin del proceso

En el caso del corto plazo:

Para el clculo de Z utilizamos las siguientes formulas:

Z st

lmite especif . nom.

Z LT

desv.std ST

lmite especif . media

desv.std LT

dnde:
Zst = variacin a corto plazo.
nom = Valor nominal u objetivo
Zlt = variacin a largo plazo.
Z shift.- A largo plazo los procesos tienen un desplazamiento natural de
1.5 desviaciones estndar, de acuerdo a lo observado por Motorota Inc.
Zlt = Zst-1.5shift

2. Clculo de la capacidad del proceso

Antes de calcular la capacidad del proceso, el proceso debe estar en
control estadstico.
2a. Condiciones y frmulas para el estudio de capacidad del
proceso

Para realizar un estudio de capacidad es necesario que se cumplan los

siguientes supuestos1:

El proceso se encuentre bajo control estadstico, es decir sin la

influencia de fuerzas externas o cambios repentinos. Si el proceso
est fuera de control la media y/o la desviacin estndar del proceso
no son estables y, en consecuencia, su variabilidad ser mayor que la
natural y la capacidad potencial estar infravalorada, en este caso no
es conveniente hacer un estudio de capacidad.

Se recolectan suficientes datos durante el estudio de habilidad para

minimizar el error de muestreo para los ndices de habilidad. Si los
datos se componen de menos de 100 valores, entonces deben
calcularse los lmites de confianza inferiores.

Los datos se recolectan durante un periodo suficientemente largo

para asegurar que las condiciones del proceso presentes durante el
estudio sean representativos de las condiciones actuales y futuras. En
el caso de la industria automotriz se especifican 300 partes mnimo.

El parmetro analizado en el estudio sigue una distribucin de

probabilidad normal, de otra manera, los porcentajes de los productos
asociados con los ndices de capacidad son incorrectos y solo se
podrn determinar los ndices de desempeo del proceso, que no
toma en cuenta si el proceso est en control o no.

Tambin es importante al realizar un estudio de capacidad, asegurarnos

que la variacin en el sistema de medicin no sea mayor al 10%.
Para calcular la habilidad o capacidad potencial, primero se determina la
desviacin estndar estimada de la poblacin como sigue:

ST

R
d2

1 J.M. Juran, Anlisis y planeacin de la Calidad, Tercera Edicin Mc. Graw Hill, Pp.404

 LSE LIE

Cp

6 ST

donde:
Cp

= capacidad potencial

LSE = lmite superior de especificaciones

LIE = lmite inferior de especificaciones

ST

= desviacin estndar a corto plazo

El ndice Cp debe
ser 1.33 para tener el potencial de cumplir con especificaciones (LIE,
LSE)
Los valores Z se determinan como sigue:
ZI

LIE X
ST

ZS

LSE X
ST

Para calcular la ha
bilidad o capacidad real utilizamos la siguiente frmula:

C pk

menor Z I , Z S
3

Para que el proceso cumpla con las especificaciones el Cpk= debe de ser
1.33 .

2b. Capacidad a partir de histogramas

Procedimiento:
1. Seleccionar un proceso especfico para realizar el estudio
2. Seleccionar las condiciones de operacin del proceso
3. Seleccionar un operador entrenado
4. El sistema de medicin debe tener habilidad (error R&R < 10%)
5. Cuidadosamente recolectar la informacin
6. Construir un histograma de frecuencia con los datos
7. Calcular la media y desviacin estndar del proceso
8. Calcular la capacidad del proceso.

Ejemplo 1:
Tenemos la siguiente serie de datos:
265
197
346
280
265
200
221
265
261
278
215

205
286
317
242
254
235
176
262
248
250
318

263
274
242
260
281
246
248
271
260
265
271

307
243
258
321
294
328
263
245
274
270
293

220
231
276
228
223
296
231
301
337
298
277

268
267
300
250
260
276
334
280
250
257
290

260
281
208
299
308
264
280
274
278
210
283

234
265
187
258
235
269
265
253
254
280
258

Agrupando los datos por intervalos de clase obtenemos los datos

mostrados en la siguiente tabla:
Intervalo
de clase
190-209
210-229
230-249
250-269
270-289
290-309
310-329
330-349

Marca de
Frecuencia
clase
199.5
6
219.5
7
239.5
13
259.5
32
279.5
24
299.5
11
319.5
4
339.5
3

Frecuencia
relativa
0.06
0.07
0.13
0.32
0.24
0.11
0.04
0.03

Frecuencia
acumulada
0.06
0.13
0.26
0.58
0.82
0.93
0.97
1

299
214
264
267
283
235
272
287
274
269
275

El histograma es el siguiente:
Histogram of Datos
40

Frequency

30

20

10

160

190

210

230

260
Datos

290

310

330

360

Observamos que el histograma tiene forma normal.

Calculando la media y la desviacin estndar tenemos:
Descriptive Statistics: Datos
Variable
Datos

N
99

N*
0

Mean
264.19

SE Mean
3.23

StDev
32.15

Minimum
176.00

Q1
248.00

Median
265.00

X 264.19
S = 32.15
La variabilidad del proceso se encuentra en 6 s = 192.90
Si las especificaciones fueran LIE = 200 y LSE = 330

Q3
280.00

 LSE LIE

Cp

Zi

Zs

6S

330 264.19
32.15

330 200
192.90

.674

< 1.33, el proceso no es hbil.

2.046

200 264.19 1.996

C pk

32.15

menor Z I , Z S
3

2
0.66
3

Cpk = menor 1.33, por lo tanto el proceso no cumple especificaciones.

2c. Capacidad a partir de papel normal

Ventajas

1. Se puede observar el comportamiento del proceso sin tomar tantos

datos como en el histograma, 10 son suficientes
2. El proceso es ms sencillo ya que no hay que dividir el rango de la
variable en intervalos de clase como en el histograma.
3. Visualmente se puede observar la normalidad de los datos, si se
apegan a la lnea de ajuste

4. Permite identificar la media y la desviacin estndar aproximada del

proceso. As como la fraccin defectiva, el porcentaje de datos entre
cierto rango, el Cp y el Cpk.
Procedimiento
1. Se toman al menos n = 10 datos y se ordenan en forma ascendente,
asignndoles una posicin ( j ) entre 1 y n.
2. Se calcula la probabilidad de cada posicin con la frmula siguiente:
Pj = (j - 0.5) / n
3. En el papel especial normal se grafica cada punto (Xj, Pj)
4. Se ajusta una lnea recta que mejor aproxime los puntos
5. Si no hay desviaciones mayores de la lnea recta, se considera normal
el proceso y se procede a hacer las identificaciones:
La media ser el punto en X correspondiente a Pj = 0.5
La desviacin estndar es la diferencia en X j correspondiente a Pj = 0.5
y Pj = 0.84
Ejemplo 2
. Se tomaron los datos siguientes (Xj) ordenamos los datos y,
clculamos la probabilidad de su posicin (Pj)
Pos. J
1
2
3
4
5
6
7

Xj
197
200
215
221
231
242
245

Pj
0.025
0.075
0.125
0.175
0.225
0.275
0.325

8
9
10
11
12
13
14
15
16
17
18
19
20

258
265
265
271
275
277
278
280
283
290
301
318
346

0.375
0.425
0.475
0.525
0.575
0.625
0.675
0.725
0.775
0.825
0.875
0.925
0.975

Con ayuda del grfico podemos obtener la media, la desviacin estndar

y el porcentaje de valores que se encuentran fuera de especificaciones.
El trazo normal es el siguiente:
El eje Y es un rango no lineal de probabilidades normales.
El eje X es un rango lineal de la variable que se est analizando.
Si los datos son normales, la frecuencia de ocurrencias en varios valores
Xi, puede predecirse usando una lnea slida

como modelo.

Por

ejemplo, slo ms del 20% de los datos del proceso seran valores de
225 o inferiores.

Probability Plot of Xj
Normal - 95% CI
99

Mean
StDev
N
AD
P-Value

95
90

262.9
38.13
20
0.262
0.667

Percent

80
70
60
50
40
30
20
10
5

150

200

250

300

350

400

Xj

Pj
0.84

0.5
Desv. Estndar
Fraccin
Defectiva

LIE

Xj

X Media

2d. Capacidad a partir de cartas de control

En casos especiales como estos donde las variaciones

presentes son
?
?

totalmente inesperadas tenemos un proceso?inestable

?
impredecible.

Si las variaciones presentes son iguales, se dice que se tiene un proceso

estable. La distribucin ser predecible en el tiempo.

Prediccin

Tiempo

Clculo de la desviacin estndar del proceso

R
S

d2
C 4 (Para cartas de control X-R y X-S respectivamente)

Donde,
S = Desviacin estndar de la poblacin

d2 = Factor que depende del tamao del subgrupo en la carta de control

X-R
C4 = dem al anterior para una carta X - S
Al final del texto se muestran las constantes utilizadas para las cartas de
control.
En una carta por individuales, d2 se toma para n = 2 y Rango Medio =
Suma rangos / (n -1)

Ejemplo 3 (carta X - R)
De una carta de control X - R (con subgrupo n = 5) se obtuvo lo
siguiente, despus de que el proceso se estabiliz quedando slo con
causas comunes:

= 64.06 ,

R = 77.3

Por tanto estimando los parmetros del proceso se tiene:

x media de medias

R
77.3

33.23
d 2 2.326

Si el lmite de especificacin es: LIE = 200.

El

C pk

200 264.06
3 33.23

0.64 por tanto el proceso no cumple con las

especificaciones.
Ejemplo 4 (carta X - S)
De una carta de control X - S (con subgrupo n = 5) se obtuvo lo
siguiente, despus de que el proceso se estabiliz quedando slo con
causas comunes:

x 100, s 1.05

Por tanto estimando los parmetros del proceso se tiene:

x 100

s
1.05
1.117
C 4 = .094

C4 para n = 5 tiene el valor 0.94

Si el lmite de especificacin es: LIE = 85 y el LSE = 105.
Por lo tanto el proceso es capaz de cumplir con especificaciones.
Ejemplo 5:
De una carta de control X - R (con subgrupos de n = 5), despus de que
el proceso se estabiliz quedando slo con causas comunes, se obtuvo
lo siguiente:
Xmedia de medias = 264.06

Rmedio = 77.3

Por tanto estimando los parmetros del proceso se tiene:

= X media de medias

= Rmedio / d2 =77.3 / 2.326 = 33.23

[ d2 para n = 5 tiene el valor 2.326]

Si el lmite de especificacin es: LIE = 200.
El Cpk = (200 - 264.06) / (77.3) (3) = 0.64 por tanto el proceso no
cumple con las especificaciones

2d. Otros ndices de capacidad del proceso

INDICE DE CAPACIDAD Cpm
Es un indicador de capacidad potencial que toma en cuenta el centrado
del proceso:
Si

C pm

X T

Cp

1V 2

donde T es el centro de las especificaciones.

LSE LIE
6 2 ( T ) 2

Cuando T es igual a X media del proceso, Cpm = Cp = Cpk

INDICE DE CAPACIDAD Cpkm
Es un indicador de capacidad real que toma en cuenta el centrado del
proceso:
Si T es el centro de las especificaciones.
C pkm

Cpk
T
1

Cuando T es igual a X media del proceso, Cpkm = Cpk

3. Clculo del desempeo de los procesos

Para determinar el Cp y Cpk se requiere que el proceso est en control
estadstico, ya que la desviacin estndar de la poblacin se estima con
Rango medio / d2 (constante que solo es vlida cuando el proceso est
en control).

Para el caso de datos histricos, el proceso no est en control y se puede

determinar el desempeo del proceso utilizando la desviacin estndar
de todos los datos ajustada con una constante C4, denominada Sigma a
largo plazo o desviacin estndar Overall.

(X
i 1

X )2

n 1

C4

4(n 1)
4n 3

LT

S
C4

Con la desviacin estndar a largo plazo se determinan los ndices de

desempeo Pp y Ppk no importando si el proceso est en control o no,
en este ltimo caso los valores no tienen significado prctico.
Para calcular el desempeo potencial del proceso utilizamos la siguiente
frmula:

Pp

LSE LIE
6 LT

donde:
Pp

= ndice de desempeo potencial

LSE = lmite superior de especificaciones

LIE = lmite inferior de especificaciones

LT = desviacin estndar estimada a largo plazo

El ndice

Pp

debe

ser 1.33 para tener el potencial de cumplir con especificaciones (LIE,

LSE)
Las variables transformadas Zs son las siguientes:

Zs

ZI

LSE X
LT

LIE X
LT

Para calcular el ndice de desempeo real del proceso utilizamos la

siguiente frmula:

Ppk

menor Z I , Z S
3

Para que el proceso cumpla con las especificaciones el Ppk= debe de ser
1 .33.

Ejercicio 6
De una carta de control X - R (con tamao de subgrupo n = 5), despus
de que el proceso se estabiliz quedando slo con causas comunes (LIE
= 36, LSE = 46) se obtuvo lo siguiente:
Xmedia de medias = 40

Rmedio = 5

a) Determinar la desviacin estndar del proceso

b) Determinar los lmites de tolerancia natural del proceso
c) Determinar la fraccin defectiva o porcentaje fuera de
especificaciones
d) Determinar el Cp
e) Determinar el Cpk
f) Determinar el Cpm
g) Determinar el Cpkm
h) Establecer conclusiones de los resultados anteriores

4. Capacidad y desempeo de procesos en Minitab

Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviacin
estndar S = 32.02 con
1. Calc > Random data > Normal
2. Generate 100 Store in columns C1

Mean 264.06

Estndar deviation 32.02 OK

Considerando Lmites de especificaciones LIE = 200 y LSE = 330
Nos aseguramos que los datos se distribuyan normalmente con la
prueba de Ryan como sigue:
3. Stat > Basic statistics > Normalita Test
4. Variable C1

Seleccionar Ryan Joiner test OK

El P value debe ser mayor a 0.05 para que los datos se distribuyan
normalmente
Probability Plot of Datos
Normal
99.9

Mean
StDev
N
RJ
P-Value

99
95

Percent

90

269.3
30.72
100
0.994
>0.100

80
70
60
50
40
30
20
10
5
1
0.1

150

200

250
Datos

300

350

Otra opcin por medio de una grfica de probabilidad normal, se tiene:

5. Graph > Probability plot > Normal

6. Graph Variable C1
7. Distribution Normal OK
Los puntos deben quedar dentro del intervalo de confianza para indicar
que es normal la distribucin.
Probability Plot of Datos
Normal - 95% CI
99.9

Mean
StDev
N
AD
P-Value

99
95

Percent

90

269.3
30.72
100
0.317
0.533

80
70
60
50
40
30
20
10
5
1
0.1

150

200

250

300

350

400

Datos

Determinacin de la capacidad del proceso con Minitab

Una vez comprobada la normalidad de los datos, determinar la
capacidad con:
1. Stat > Quality tools > Capability anlisis > Normal
2. Single column C1 Subgroup size 1 Lower Spec 200 Upper
spec 330
3. Estimate R-bar OK
Los resultados se muestran a continuacin:

Process Capability of Datos

LSL

USL
Within
Overall

Process Data
LSL
200.00000
Target
*
USL
330.00000
Sample Mean
269.25354
SampleN
100
StDev(Within)
30.83472
StDev(O verall)
30.80011

Potential (Within) Capability

Cp
0.70
CPL
0.75
CPU
0.66
Cpk
0.66
CCpk 0.70
O verall Capability
Pp
PPL
PPU
Ppk
Cpm

210
O bserved Performance
PPM<LSL 10000.00
PPM>USL 30000.00
PPMTotal
40000.00

240

Exp. Within Performance

PPM<LSL 12353.30
PPM>USL 24415.36
PPMTotal
36768.66

270

300

330

0.70
0.75
0.66
0.66
*

360

Exp. O verall Performance

PPM<LSL 12272.69
PPM>USL 24288.79
PPMTotal
36561.48

Interpretacin:
La desviacin estndar Within se determina en base al Rango medio y
d2 (1.128 para n = 2), con esta se determinan los ndices de capacidad
potencial Cp y Cpk, as como el desempeo Within, lo cual es adecuado
para un proceso en control o normal.
La desviacin estndar Overall se determina con la desviacin estndar
de los datos ajustado por el factor C4.

Opcin Six Pack para mostrar toda la informacin relevante:

Determinar la capacidad con:
4. Stat > Quality tools > Capability Six Pack > Normal
5. Single column C1 Subgroup size 5 Lower Spec 200 Upper
spec 330
6. Estimate R-bar OK
Los resultados se muestran a continuacin:

Process Capability Sixpack of Datos

I ndividual Value

I Chart

Capability Histogram
UCL=361.8

320
_
X=269.3
240
160

LCL=176.7
1

10

20

30

40

50

60

70

80

Moving Range Chart

100

240

100
50

270

300

330

360

Normal Prob Plot

AD: 0.317, P: 0.533

UCL=113.6

__
MR=34.8

LCL=0
1

10

20

30

40

50

60

70

80

90

100

Last 25 Observations

200

300

400

Capability Plot
Within
StDev 30.83472
Cp
0.70
Cpk
0.66
CCpk
0.70

300
Values

210

Moving Range

90

250
200

Within

Overall

O verall
StDev 30.80011
Pp
0.70
Ppk
0.66
Cpm
*

Specs

80

85

90
Observation

95

100

En este caso de la grfica de probabilidad normal, los datos siguen una

distribucin normal.

5. Capacidad de procesos no normales.

Cuando los datos provienen de poblaciones no normales una opcin para
realizar el estudio de capacidad de procesos es mediante la distribucin
Weibull o alguna otra distribucin que ajuste a los datos.
Ejemplo en Minitab
En una compaa se manufacturan losetas para piso, el problema que se
tiene es referente a la deformacin en las mismas. Se toman 100
mediciones durante 10 das. El lmite superior de especificacin (USL) =
3.5 mm Realice un estudio de capacidad con la ayuda de Minitab e
interprete los resultados.
Generar 100 datos aleatorios en Minitab con Factor de forma = 1, Factor
de escala = 1 con
8. Calc > Random data > Weibull
9. Generate 100 Store in columns C1

Shape parameter 1.2

Scale parameter 1 Threshold parameter 0 OK

Considerando Lmites de especificaciones LIE = 0 y LSE = 3.5
Determinar la capacidad con:
7. Stat > Quality tools > Capability anlisis > NonNormal
8. Single column C1 Distribution Weibull Lower Spec 0 Upper
spec 3.5
9. OK
Los resultados se muestran a continuacin:

Process Capability of Datos1

Calculations Based on Weibull Distribution Model
USL
Process Data
LSL
Target
USL
Sample Mean
SampleN
Shape
Scale

O verall Capability
Pp
*
PPL
*
PPU
0.85
Ppk
0.85

*
*
3.50000
0.82279
100
1.24929
0.88470

Exp. O verall Performance

PPM<LSL
*
PPM>USL 3795.26
PPMTotal
3795.26

O bserved Performance
PPM<LSL
*
PPM>USL 10000
PPMTotal
10000

0.0

0.5

1.0

1.5

2.0

2.5

3.0

3.5

El histograma no muestra evidencia de alguna discrepancia seria entre

el modelo y los datos, ya que la curva muestra buen ajuste. Sin embargo
observamos que algunos datos caen fuera del lmite superior de
especificacin. Lo cual quiere decir que en algunos casos la deformacin
ser mayor a 3.5 mm.
El ndice Ppk y Ppu2 = 0.85 lo cual nos dice que el proceso no es capaz
ya que 0.85<.1.33
Tambin observamos que PPM > USL 3,795 lo cual significa que
aproximadamente

3,795

PPM

estarn

fuera

de

los

lmites

de

especificaciones.
2 Los ndices Pp y Ppk son similares a los ndices Cp y Cpk , se refieren a la capacidad del
proceso a largo plazo.

Tambin se cuenta con la opcin Six Pack para esta opcin.

6. Capacidad de procesos por atributos

Para el caso de atributos, se tienen varios casos:
a. Fraccin defectiva
Para productos defectivos calificados como pasa no pasa, se obtiene una
carta de control p de fraccin defectiva con tamao de muestra
constante con al menos 25 puntos, y una vez que est en control, se
determina su p media. La capacidad del proceso es
1-P media.
La capacidad del proceso equivalente para un Cp de debe ser de:

Al menos 99.73% para una capacidad de +- 3 sigmas equivalente

a un Cp de 1

Al menos de 99.9936% para un acapacidad equivalente a +-4

sigmas equivalente a un Cp de 1.33.

Para otro valor de P la capacidad equivalente en sigmas se

determina dividiendo el valor de P / 2 y obteniendo el valor de Z
correspondiente a esa rea bajo la curva. La capacidad ser de +Z sigmas.

b. Nmero de defectos
En este caso se requiere verificar y en todo caso mantener el proceso en
control por medio de una carta C o U con muestra constante por al
menos 25 puntos.
La referencia son el nmero de defectos X que el cliente acepte. Con la
lnea media indicando el promedio de defectos o C media, entramos a la
tabal binomial o de Poisson tomando como Lamda la C media y como X
los defectos aceptables por el cliente.
La probabilidad de aceptacin mnima debe ser de 99.73% equivalente a
un Cp de 1 o de 99.9936% para un Cp de 1.33, cualquier valor inferior
indicar falta de capacidad del proceso.

TABLA DE CONSTANTES PARA EL CALCULO DE LIMITES DE CONTROL

Las constantes para lmites de control en las cartas X-R son:
n
2
3
4
5
6
7
8
9
10

A2
1.88
1.023
0.729
0.577
0.483
0.419
0.373
0.337
0.308

D3

D4
3.267
2.574
2.282
2.115
2.004
1.924
1.864
1.816
1.777

0
0
0
0
0
0.076
0.136
0.184
0.223

d2
1.128
1.693
2.059
2.326
2.534
2.704
2.847
2.97
3.078

Las constantes para lmites de control en las cartas X-S son:

n
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

c4
0.940
0.952
0.959
0.965
0.969
0.973
0.975
0.978
0.979
0.981
0.982
0.984
0.985
0.985
0.986
0.987
0.988
0.988
0.989
0.989
0.990

A
1.342
1.225
1..134
1.061
1.000
0.949
0.905
0.866
0.832
0.802
0.775
0.750
0.728
0.707
0.688
0.671
0.655
0.640
0.626
0.612
0.600

A3
1.427
1.287
1.182
1.099
1.032
0.975
0.927
0.886
0.850
0.817
0.789
0.763
0.739
0.718
0.698
0.680
0.663
0.647
0.633
0.619
0.606

B3
0.000
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
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

B5
B6 .
0.000 1.964
0.029 1.874
0.113 1.806
0.179 1.751
0.232 1.707
0.276 1.669
0.313 1.637
0.346 1.610
0.374 1.585
0.399 1.563
0.421 1.544
0.440 1.526
0.458 1.511
0.475 1.496
0.490 1.483
0.504 1.470
0.516 1.459
0.528 1.448
0.539 1.438
0.549 1.429
0.559 1.420