Captulo 3

DISTRIBUIES DE PROBABILIDADE
Descrevem-se mtodos estatsticos para tratar dados empricos e deduzir os parmetros da funo de Weibull que melhor adira a um conjunto de dados. Descreve-se o mtodo de Bernard para ajustar dados censurados. Descrevem-se as funes de fiabilidade Exponencial negativa, Weibull, Normal e Normal logartmica e respectivos processos geradores para simulao no EXCEL. Mostra-se como escolher, entre vrios, o fornecedor mais econmico de uma determinada pea de substituio, no mbito de um contrato de prestao de servios de manuteno, e considerando a existncia de uma multa.

Apoio Deciso em Gesto da Manuteno

3.1

Tratamento em Frequncia de Dados

No ponto 2.1 vimos como medir a fiabilidade de forma emprica. Completemos agora aquela anlise para situaes em que os dados disponveis so normalmente poucos como o caso de equipamentos de produo. Com base numa amostra, podemos estimar qual a forma aproximada da curva de probabilidade acumulada de falha. Veremos mais adiante que, a partir desta curva, poderemos ainda estimar os valores dos parmetros da funo terica cuja forma grfica melhor adira quela. Este procedimento tanto mais til quanto menor for a quantidade de TTF disponveis, pois as previses de fiabilidade vm assim a sua preciso aumentada. Frequncias acumuladas de falha Median ranks e apoio do EXCEL Para construir uma curva de frequncias acumuladas de falha F(t), podemos usar um mtodo de regresso ou o mtodo de mxima verosimilhana. Este preferido pelos estatsticos mas aquele preferido pelos engenheiros, devido possibilidade de representao grfica. Como a maioria das distribuies de probabilidade de falha possuem uma forma assimtrica, a melhor estimativa dos valores das ordenadas F(tj) consiste em determinar os valores das medianas dos sucessivos nmeros de ordem j (median ranks) e no das mdias. Para tal, podemos usar a funo Beta incompleta, fazendo F(tj) = 0,5 para cada valor da sequncia de nmeros de ordem. No caso do EXCEL, fazemos: BETAINV(0,5; j; n j + 1) em que j o nmero de ordem e n o nmero de falhas. Aproximao de Bernard Expresso 3.2 Exemplo 3.1 Do cadastro de uma mquina colhemos os seguintes dados referentes a tempos entre falhas TTF de um certo rgo (em horas): 83, 87, 27, 57, 5, 153, 19, 29, 106, 78, 19, 225, 2, 90, 135, 71, 91, 304, 44, 1. a) Qual o seu valor mdio ou MTTF? b) Qual a fiabilidade para uma misso de 90 horas? c) Qual a probabilidade dos TTF excederem 180 horas? Resoluo Existe um mtodo alternativo de clculo conhecido por aproximao de Bernard (o mtodo de Kaplan Meier constitui uma alternativa):
F( t j ) = j 0 ,3 n + 0 ,4

Expresso 3.1

72

LIDEL Edies Tcnicas

Distribuies de Probabilidade

A primeira aco a empreender, sempre que temos de tratar dados, consiste em julgar a sua integridade e regularidade. Suponhamos que os dados deste caso nos merecem confiana (alguns dados poderiam ter sido inventados ou introduzidos erradamente). Em situaes exigentes, a estatstica proporciona-nos alguns testes no paramtricos adequados despistagem de tais situaes. Em segundo lugar, construmos o quadro adiante depois de termos ordenado os TTF por ordem crescente na terceira coluna.
Ordem j 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Tempo entre falhas Tempos ordenados TTF entre falhas tj 83 1 87 2 27 5 57 19 5 19 153 27 19 29 29 44 106 57 78 71 19 78 225 83 2 87 90 90 135 91 71 106 91 135 304 153 44 225 1 304 Mean rank F(tj) 0,0476 0,0952 0,1429 0,1905 0,2381 0,2857 0,3333 0,3810 0,4286 0,4762 0,5238 0,5714 0,6190 0,6667 0,7143 0,7619 0,8095 0,8571 0,9048 0,9524

Confiana nos dados

Quadro 3.1 Dois mtodos de clculo de F(tj)

Median rank (Bernard) F(tj) 0,0343 0,0833 0,1324 0,1814 0,2304 0,2794 0,3284 0,3775 0,4265 0,4755 0,5245 0,5735 0,6225 0,6716 0,7206 0,7696 0,8186 0,8676 0,9167 0,9657

Por exemplo, a linha de ordem 6 foi calculada da seguinte forma: a) Mean rank F(27) = j / (N + 1) = 6 / (20 + 1) = 0,2857 Median rank F(27) = (6 0,3) / (20 + 0,4) = 0,2794 (Expresso 3.2) Mean rank e median rank

O valor do MTTF pode ser calculado somando todos os dados e dividindo o total 1.626 pelo seu nmero 20, resultando MTTF = 81,3 horas. b) O valor 90 horas encontra-se na posio de ordem 14 na terceira coluna do quadro. Teremos ento que P(TTF > 90) = R(90) = 1 0,6716 = 0,3284. c) O valor 180 horas no consta na terceira coluna do quadro, pelo que temos de recorrer interpolao. Interpolando linearmente entre 153 e 225, obtemos: 0,8676 + (0,9167 0,8676) x (180 153) / (225 153) = 0,8860 Logo, a probabilidade de os TTF assumirem valores menores ou iguais a 180 horas de P(TTF 180) = F(180) = 0,8860 e valores maiores do que
LIDEL Edies Tcnicas 73

Apoio Deciso em Gesto da Manuteno

180 horas (ou seja a fiabilidade para uma misso de 180 horas) P(TTF > 180) = R(180) = 1 0,8860 = 0,1140.

TTF independentes e identicamente distribudos

Notar que os mtodos de construo das curvas de probabilidade acumulada de falha e de determinao dos respectivos parmetros so unicamente aplicveis quando os TTF so independentes entre si e identicamente distribudos, isto , a sua ordem cronolgica perfeitamente indiferente (ou o processo Poisson homogneo). Este normalmente o caso de rgos no reparveis, o mesmo podendo j no ser verdade no caso de rgos reparveis. Exemplo 3.2 O prximo quadro mostra trs colunas com: i) os momentos de falha de um determinado rgo, ii) os respectivos tempos de intervalo TTF e iii) estes mesmos TTF ordenados de forma crescente.

Quadro 3.2 TTF decrescentes de um rgo

Ordem 1 2 3 4 5 6 7 8 9 10 11 12

Momentos falha 175 196 304 415 504 516 618 641 679 726 740 791

TTF 175 21 108 111 89 12 102 23 38 47 14 51

TTF ordenados 12 14 21 23 38 47 51 89 102 108 111 175

Se realizarmos o teste de Laplace para testar a independncia dos momentos de falha (coluna 2) concluiremos pela negativa, isto , os TTF (coluna 3) no so independentes e identicamente distribudos, antes diminuem progressivamente. Em consequncia, a ordenao que surge na coluna 4, a qual se destinaria a uma anlise em frequncia, no deve ser feita, pois conduziria a resultados errados. Concluso Sempre que dados referentes a tempos entre falhas TTF so ordenados de forma no cronolgica, a informao sobre tendncia perdida.

Exerccio proposto 3.1 Os TTF colhidos em sequncia cronolgica de um equipamento durante um certo perodo encontram-se descritos a seguir:

74

LIDEL Edies Tcnicas

Distribuies de Probabilidade

Dados originais

150

230

270

430

510

650

1.770

Suponha que, por engano, aquela sequncia foi alterada conforme as duas alternativas mostradas a seguir.
Alternativa 1 Alternativa 2 510 1.770 430 650 270 510 1.770 430 150 270 650 230 230 150

Confirmar, recorrendo ao EXCEL, que a tendncia crescente apresentada na sequncia cronolgica perdida e que:

No existe tendncia sensvel na primeira alternativa; A tendncia decrescente na segunda alternativa.

Resoluo

Mais uma vez concluiremos que, sempre que dados referentes a tempos entre falhas TTF so ordenados de forma diferente da cronolgica, toda a informao sobre tendncia perdida.

Concluso

3.2

Informao Censurada

Dizemos que existe informao censurada quando, ao analisarmos os dados sobre os momentos de falha disponveis de um rgo, constatamos que alguns no correspondem verdadeiramente a falhas. o caso de, por exemplo, o momento em que inicimos as observaes (se no tiver coincidido com a reposio em servio aps a correco de uma falha) ou o momento em que suspendemos a leitura (se no tiver coincidido com a ocorrncia da ltima falha) ou, ainda, o momento em que o rgo foi substitudo de acordo com uma aco preventiva sistemtica. Contudo, se o rgo foi substitudo em resultado de uma aco preventiva condicionada, j deveremos considerar uma falha pois esta encontra-se em curso. A prxima figura mostra esquematicamente a ordem cronolgica de falhas em duas mquinas. Em t0 iniciou-se o registo dos eventos e em t8 o registo foi suspenso.
t=0 t=3 t=4 t=7 t=8

Mquina A Mquina B
t=1 t=2 t=5 t=6

Perodo de observao Durante o perodo t08 verificou-se o seguinte:

Figura 3.1 Sequncia de falhas em duas mquinas

LIDEL Edies Tcnicas

75

Apoio Deciso em Gesto da Manuteno

Na mquina A: Dois intervalos TTF vlidos (TTF34 e TTF47), um intervalo t03 que deve ser censurado, pois a mquina j funcionava antes de t0, e t78 que deve tambm ser censurado (ou suspenso), pois a mquina continuou a funcionar depois de t8; Na mquina B: Quatro intervalos vlidos TTF (TTF01, TTF12, TTF56 e TTF68) e um intervalo t25 que deve ser censurado, pois a paragem deveu-se a uma interveno preventiva e no a uma falha.

Vejamos alguns exemplos sobre censura de dados observados.

Exemplo 3.3

Uma instalao integra uma bomba centrfuga que funciona continuamente. Os dados colhidos nos ltimos 14 anos sobre o modo de falha desgaste do vedante montado no veio encontram-se descritos no Quadro 3.3.
Reavaliao dos dados

Na data de ordem 10, no se verificou uma falha do vedante mas somente o ltimo registo de tempo de funcionamento razo pela qual este deve ser suspenso. Suponha que, em resultado de uma informao mais cuidada e criteriosa, conclumos que alguns dos dados se referem afinal a dois outros modos de falha vedante queimado por falta ou insuficincia de caudal (causas externas) e no a desgaste normal (caudas internas), conforme consta (erradamente) no quadro anterior. Os dados que devero consequentemente ser censurados so os de ordem 4, 8 e 9 pois devem-se a falta de fluido no sistema e os de ordem 5 e 7 pois devem-se a insuficincia de caudal. Da informao reavaliada resultou o Quadro 3.4.

Quadro 3.3 Registo cronolgico de falhas

Ordem 1 2 3 4 5 6 7 8 9 10 Ordem 1 2 3 4 5 6 7 8 9 10

Aco Comissionada Desgaste Desgaste Desgaste Desgaste Desgaste Desgaste Desgaste Desgaste Anlise dos dados Aco Comissionada Desgaste Desgaste Circuito seco Substituio preventiva Desgaste Caudal reduzido Circuito seco Circuito seco Anlise dos dados

Data 25-10-88 15-04-92 10-12-95 06-01-96 30-12-96 20-06-98 30-01-99 10-12-99 15-03-00 25-04-02 Data 25-10-88 15-04-92 10-12-95 06-01-96 30-12-96 20-06-98 30-01-99 10-12-99 15-03-00 25-04-02

TTF (dias) 1.264 1.339 25 359 537 224 163 244 775 TTF (dias) 1.264 1.339 25 359 537 224 163 244 775

Censurado

x Censurado

Quadro 3.4 Quadro anterior reavaliado

x x x x x x

76

LIDEL Edies Tcnicas

Distribuies de Probabilidade

De nove supostos TTF do modo de falha desgaste, passmos para apenas quatro (os restantes cinco devem-se a outros modos de falha).

Em manuteno de equipamentos, os dados sobre TTF so frequentemente escassos, pelo que os dados censurados no devero ser ignorados. Cada dado censurado informa que, pelo menos, o TTF correspondente seria maior do que o tempo observado. Vejamos como corrigir as frequncias acumuladas de falha pelo mtodo de Bernard atravs de um exemplo.
Exemplo 3.4

Mtodo de Bernard

Um determinado rgo (no reparvel) encontra-se instalado em cinco mquinas iguais que funcionam em condies de ambiente e carga iguais. Os momentos de falha (em horas) encontram-se descritos e representados, respectivamente, no quadro e figura seguintes. O registo iniciou-se para todas as mquinas no momento 0 com rgos todos novos. No momento presente (hora 3.171) s a mquina A se encontra em funcionamento. As outras foram paradas sem programa (ou a sua monitoragem foi suspensa): a B s 2.702 horas, a C s 1.459, a D s 766 e a E s 496 horas.
Ordem 1 2 3 4 5 6 7 8 Mq. A 403 1.378 1.602 1.950 2.167 2.529 2.921 3.171 Mq. B 363 589 682 1.291 1.534 2.112 2.702 Mq. C 537 806 1.459 Mq. D 294 766 Mq. E 496

Quadro 3.5 Momentos de falha

Mquina A Mquina B Mquina C Mquina D Mquina E

500 1.000 1.500 2.000 2.500 3.000

a) Determinar a curva de probabilidade acumulada de falha; b) Qual a probabilidade de no ocorrncia de falhas durante 500 horas (ou de sobreviver at s 500 horas)?
Resoluo

Figura 3.2 Momentos de falha e de suspenso

a)

Pelas razes j expostas, os TTF: 3.171 2.921 = 250; 2.702 2.112 = 590; 1.459 806 = 653; 766 294 = 472 e 496 horas devem ser censurados (ou suspensos).
LIDEL Edies Tcnicas 77

Apoio Deciso em Gesto da Manuteno

Os median ranks para os dados censurados so calculados seguindo trs passos: 1. 2. Listar os TTF por ordem crescente; Para cada item falhado, calcular o nmero de ordem mdio itj usando a seguinte expresso:
i(tj) = i(tj-1) + N(tj) N(tj) =
( n + 1 ) i( t j 1 ) 1 + ( n n de itens precedentes )

Expresso 3.3 Expresso 3.4

em que:

e n a dimenso da amostra. 3.
Quadro 3.6 Median rank corrigido pelo mtodo de Bernard
Ordem j (1) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

Calcular o median rank para cada item falhado usando a expresso de Bernard (3.2).

Comeamos por calcular, para cada mquina, as diferenas entre cada momento de falha e o anterior, obtendo assim todos os TTF. De seguida, construmos o prximo quadro.

TTF ordenados tj (2) 93 217 224 226 243 250 269 294 348 362 363 392 403 472 496 537 578 590 609 653 975

Median rank (Bernard)

F(tj) (3) 0,0327 0,0794 0,1262 0,1729 0,2196 0,2664 0,3131 0,3598 0,4065 0,4533 0,5000 0,5467 0,5935 0,6402 0,6869 0,7336 0,7804 0,8271 0,8738 0,9206 0,9673

N de falhas dj (4) 1 1 1 1 1 0 1 1 1 1 1 1 1 0 0 1 1 0 1 0 1

N(tj) (5) 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0625 1,0625 1,0625 1,0625 1,0625 1,0625 1,0625 1,0625 1,0625 1,3661 1,3661 1,3661 1,7076 1,7076 2,5614

i(tj) (6) 1,0000 2,0000 3,0000 4,0000 5,0000 5,0000 6,0625 7,1250 8,1875 9,2500 10,3125 11,3750 12,4375 12,4375 12,4375 13,8036 15,1696 15,1696 16,8772 16,8772 19,4386

Median rank corrigido

F(tj)c (7) 0,0327 0,0794 0,1262 0,1729 0,2196 0,2693 0,3189 0,3686 0,4182 0,4679 0,5175 0,5672 0,6310 0,6948 0,7746 0,8943

Na coluna 2 introduzimos os TTF ordenados por ordem crescente, e na coluna 4 introduzimos 0 no caso dos dados censurados e 1 no caso contrrio. Completamos depois as restantes colunas do quadro conforme descrito a seguir.
78 LIDEL Edies Tcnicas

Distribuies de Probabilidade

Por exemplo, as colunas de ordem 10 foram calculadas da seguinte forma: Coluna (3): F(t10) = (10 0,3) / (21 + 0,4) = 0,4533 Coluna (5): N(t10) = (21 + 1 8,1875) / [1 + (21 9)] = 1,0625 Coluna (6): i(t10) = 8,1875 + 1,0625 = 9,2500 Coluna (7): F(t10)c = (9,25 0,3) / (21 + 0,4) = 0,4182 b) Interpolando linearmente de forma semelhante alnea c) do Exemplo 3.1, obtemos: P(TTF 500) = 0,5734. Logo P(TTF > 500) = 1 0,5734 = 0,4266

Exemplo 3.5

Entre na aplicao Ajustamento_Weibull_Bernard.XLS (azul para dados, verde-claro para clculos intermdios e amarelo para resultados) e resolva o exemplo anterior.
Resoluo

Alnea a) Copie os vinte e um TTF da folha Exemplos (colunas L at P e linhas 15 at 22) e introduza-os por qualquer ordem na folha Dados e Resultados coluna B; Na coluna E e para cada TTF introduza 1 no caso de se ter registado uma falha e 0 no caso de se tratar de uma suspenso; O median rank corrigido F(tj)c aparece na coluna I. Alnea b) Introduza 500 na clula K2; Leia a resposta na clula K4. Deixe os significados das clulas E2 at E5 e das clulas G2 at G5 para mais tarde. Explore esta aplicao com outros dados e observe a diferena entre F(tj) no censurada (coluna D) e F(tj) corrigida da censura (coluna I).

Nos exemplos vistos at agora no precismos se os TTF pertenciam a um modo de falha especfico ou a todos os que poderiam verificar-se num determinado rgo. muito importante, todavia, que a natureza fsica das falhas seja investigada, quando os resultados se destinam Engenharia, para a realizao de estudos de melhoria. Neste caso, justifica-se o tratamento estatstico separado de cada modo de falha.

Modos de falha separados ou juntos?

LIDEL Edies Tcnicas

79

Apoio Deciso em Gesto da Manuteno

3.3
Fiabilidade informada e constatada

Funes Estatsticas mais Usadas na Representao da Vida Esperada

Quando no existem dados histricos em quantidade suficiente para serem considerados estatisticamente significativos na representao emprica da vida esperada de um rgo, e pretendemos maior preciso na estimao da fiabilidade, devemos optar pela seleco de funes tericas de probabilidade. Obviamente que o mesmo acontece quando se trata de um rgo novo do qual no possumos qualquer experincia. Nesta circunstncia, devemos consultar bases de dados (ponto 1.4) ou inquirir o fabricante de forma a termos em conta, para efeitos de manuteno, os vrios modos de falha, bem como as respectivas funes de probabilidade. O fabricante informa-nos da fiabilidade inerente (ou intrnseca) e ns teremos de acumular experincia suficiente para ajustarmos progressivamente aquela fiabilidade fiabilidade demonstrada (ou extrnseca). Uma nica funo no adequada a todas as circunstncias. Assim, veremos as mais frequentemente usadas para representar a vida de rgos. So elas as seguintes:

Funes mais comuns em fiabilidade

A funo de Weibull; A funo Exponencial negativa; A funo Normal; A funo Normal logartmica.

A partir de dados empricos possvel encontrar a funo terica que melhor se lhes ajusta (ou adere) recorrendo a um de dois caminhos:
Goodness-of-fit tests

Software for Goodness-of-fit tests

Testes de hiptese de aderncia (Qui-quadrado, KolmogorovSmirnov, Andersen-Darling) nos quais, admitido um determinado nvel de significncia, testamos a hiptese de os dados de que dispomos aderirem a uma determinada funo terica de parmetros pressupostos; Software de ajustamento automtico (Crystal Ball, Stat::Fit, BestFit, ExpertFit, etc.) o qual identifica por ordem decrescente do grau de aderncia as vrias funes possveis, bem como os correspondentes parmetros. Os seus endereos na internet so os seguintes:

internet

http://www.decisioneering.com/crystal_ball/ http://www.geerms.com/ http://www.palisade-europe.com/html/bestfit.html http://www.averill-law.com/ExpertFit-distribution-fitting-overview.htm

Qualquer bom manual de estatstica expe aqueles vrios mtodos de hiptese de aderncia. O ltimo mtodo o mais moderno e, obviamente, o mais fcil de utilizar.

80

LIDEL Edies Tcnicas

Distribuies de Probabilidade

3.3.1

Funo de Weibull

A funo de Weibull largamente usada na prtica de engenharia, devido sua versatilidade, sobretudo na descrio de fenmenos de vida de componentes elementares de sistemas (rgos), ao longo de todo o seu ciclo de vida. Como exemplos, podemos citar os seguintes: tubos de descarga electrnicos, rels, chumaceiras antifrico, engrenagens e muitos outros componentes mecnicos e elctricos. A funo de Weibull , tambm, adequada para descrever fenmenos de vida em situaes de corroso, desgaste e fadiga. A funo densidade de probabilidade da distribuio de Weibull (conhecida por funo de Weibull de trs parmetros) tem a seguinte forma:
t t0 .
1 t t0 .e

Exemplos de aplicao

f(t) =

Expresso 3.5

Nesta funo, t representa o tempo, ciclos de funcionamento ou qualquer outra medida descritiva de durao de vida, e representa a base dos logaritmos neperianos (e = 2,7183), , e t0 so parmetros com o seguinte significado:
t0 Parmetro de localizao: corresponde ao menor valor assumido por t (por exemplo, no caso de modos de falha que tenham como causa o desgaste ou a fadiga, a falha s poder ocorrer aps algum tempo de funcionamento caso de um rolamento, por ex.); Parmetro de forma: traduz o mecanismo de degradao (fsica da falha) quanto maior for o seu valor mais a moda da funo se desloca para a direita (ver a Figura 3.3); Parmetro de escala: corresponde ao valor caracterstico (ou vida caracterstica ver o significado mais adiante). Parmetros da funo de Weibull

O parmetro nasce onde t0 termina. Muitas vezes, consideram-se apenas dois parmetros, e . Aquela funo encontra-se representada graficamente na Figura 3.3. Se integrarmos a expresso anterior entre t0 e t, obtemos a funo acumulada de probabilidade de falhas (ver a Figura 3.4):
t t0 F(t) = 1 e

Expresso 3.6

Na maioria dos casos de modos de falha por degradao de um rgo, os tempos entre falhas apresentam um perodo t0 sem falhas. Este perodo
LIDEL Edies Tcnicas 81

Apoio Deciso em Gesto da Manuteno

pode ser estimado a partir da aplicao especfica do rgo ou pode ser aproximado ao tempo da primeira falha (Time To First Failure), no caso de rgos reparveis.
Figura 3.3 Funo densidade de probabilidade Weibull para diferentes valores do parmetro . Quando = 2, o processo de degradao linear.

f (t)

=1 1 > 1 2 > 1

3 > 2

0
Figura 3.4 Funo de probabilidade acumulada de Weibull para diferentes valores do parmetro .

t0

F (t)
1

<1 >1 =1

0
Weibull de 2 parmetros

t0

Quando tratamos os dados de modos de falha de um sistema (conjunto de vrios rgos), constatamos frequentemente que a considerao do limite inferior de vida t0 = 0 constitui uma aproximao bastante aceitvel. Nestas condies, a expresso anterior simplifica-se, passando a conter apenas dois parmetros ( e ).
t F(t) = 1 e

Expresso 3.7

Funo de Weibull no EXCEL

Existe uma funo geradora da funo Weibull residente no EXCEL que permite facilitar os clculos:

WEIBULL(t; ; ; 0) que devolve f(t); WEIBULL(t; ; ; 1) que devolve F(t).

82

LIDEL Edies Tcnicas

Distribuies de Probabilidade

Exemplo 3.6

O comportamento de falha de um rgo pode ser descrito por uma funo de probabilidade Weibull de parmetros t0 = 0, = 5 e = 3.000 horas. a) Qual ser a probabilidade de a sua vida no exceder 2.800 horas? b) Qual ser a probabilidade de a sua vida exceder 3.600 horas? c) Qual o tempo de vida do rgo que apresenta uma probabilidade de 0,2794 de no ser excedida?
Resoluo

o mesmo que a probabilidade de falhar at 2.800 horas, ou seja: F(t 2.800) = 1 exp[-(2.800/3.000)5] = 1 0,492507 = 0,507492. Podemos obter o mesmo resultado recorrendo ao EXCEL e fazendo: = WEIBULL (2.800; 5; 3.000; 1). b) igual probabilidade de no falhar at 3.600 horas, ou seja: R(t 3.600) = exp[-(3.600/3.000)5] = 0,083049. Podemos obter o mesmo resultado recorrendo ao EXCEL e fazendo: = 1 WEIBULL (3.600; 5; 3.000; 1). c) o mesmo que a probabilidade de falhar igual ou inferior a 0,2794. Como: F(t) = 1 exp[-(t/)], vem que: 1/(1 F(t)) = exp[(t/)]. Donde: t = .{ln[1/(1 F(t))]}1/ = 3.000 x {ln[1/(1 0,2794)]}1/5 = 2.400 horas. a)

Apoio do EXCEL

Apoio do EXCEL

Fazendo t igual vida caracterstica , obtemos o valor particular de probabilidade 0,632 (ver o prximo exemplo). Notar que esta funo pode aplicar-se indiferentemente aos trs perodos da vida de um rgo, fazendo: < 1 no perodo infantil (funo de risco h(t) decrescente), > 1 no perodo de degradao (funo de risco h(t) crescente) e = 1 no perodo de vida til. Notar tambm que o parmetro de forma caracteriza o mecanismo de falha e o parmetro de escala as condies (carga e ambiente) reais de utilizao. Logo, a nica diferena que poder existir entre a fiabilidade intrnseca (informada pelo fabricante) e a extrnseca (resultante da nossa experincia) apenas a que se refere ao valor de . Os valores de sero (aproximadamente) iguais.
Exemplo 3.7

Vida caracterstica

Fiabilidade intrnseca e extrnseca

Um rgo apresenta um comportamento de falha de acordo com uma funo Weibull. Qual a probabilidade de falhar durante a sua vida caracterstica?

LIDEL Edies Tcnicas

83

Apoio Deciso em Gesto da Manuteno

Resoluo

Da Expresso 3.7, para t = , deduzimos:

F(t ) = 1 exp[-(t /) ] = 1 - e-1 F(t ) = 1 1 / 2,718 = 0,632 ou 63,2%

Daqui conclumos que, decorrente da funo de Weibull, a probabilidade de um rgo falhar durante a sua vida caracterstica igual a 0,632. Isto significa que divide a rea debaixo da curva f(t) em duas partes uma com 0,632 e outra com 0,368 qualquer que seja o valor de (mesmo no caso de = 1, correspondente funo Exponencial negativa).

F(t)
Figura 3.5 divide a curva de f(t) em duas partes sempre na mesma proporo

f(t) F(t)

0,632

f(t)
0,632 0 0,368

t0

O tempo mdio de falhas MTTF dado por:

Expresso 3.8

MTTF =

1 R(t).dt = t 0 + . 1 +

Ou, recorrendo ao EXCEL:

Expresso 3.9

MTTF = t0 + *EXP(GAMMALN(1 + 1/)) O valor de t correspondente ao momento em que se ter atingido uma certa probabilidade acumulada de falha F(t) pode ser deduzido de (3.6):
1 1 t = t0 + .ln = t0 + .[ ln(R( t ))] 1 F( t )
1

Expresso 3.10

Simular valores de t no EXCEL

Para simular no EXCEL um valor aleatrio de t, substitumos nesta expresso F(t) por RAND().

84

LIDEL Edies Tcnicas

Distribuies de Probabilidade

Exemplo 3.8

Determinado rgo mecnico apresenta um modo de falha que se distribui de acordo com uma lei de Weibull com os seguintes parmetros: = 2 e = 2.900 horas. a) Qual o MTTF desta distribuio? b) Qual o tempo ao fim do qual o rgo apresenta uma probabilidade acumulada de falha igual a 0,5?
Resoluo

a)

Recorrendo a (3.8), teremos: MTTF = 0 + 2.900 x (1 + 1/2) = 2.570 horas b) Recorrendo a (3.10), teremos: t = 0 + 2.900 x {ln[(1/(1 0,5)]}1/2 = 2.414 horas

Exemplo 3.9

Uma empresa presta servios de manuteno a outra empresa ao abrigo de um contrato, o qual prev todos os custos de intervenes por conta da primeira. Um determinado rolamento constitui um dos componentes que apresenta maior consumo. Estes rolamentos provm de dois fabricantes alternativos e apresentam caractersticas e preos diferentes. As suas vidas podem ser descritas por uma funo de probabilidade Weibull:
Vida mnima esperada (t0 em horas): Vida caracterstica ( em horas): Parmetro de forma (): Custo de compra (em ) Fornecedor A 500 1.500 1,4 60 Fornecedor B 600 2.100 1,8 80

Aquele contrato prev ainda uma penalizao de 500 por cada paragem no prevista (e, logo, no planeada). Se a empresa prestadora do servio de manuteno assumir um risco de 10% de ter de suportar aquela multa, a) Qual a vida acumulada para substituio preventiva de cada uma das alternativas? b) Qual dos rolamentos constitui a alternativa mais econmica?
Resoluo

a)

A vida acumulada para substituio preventiva Tp (Expresso 3.10): Fornecedor A:

Tp = 500 + 1.500 x [-ln(1 0,1)]1/1,4 800 horas

LIDEL Edies Tcnicas 85

Apoio Deciso em Gesto da Manuteno

Fornecedor B:

Tp = 600 + 2.100 x [-ln(1 0,1)]1/1,8 1.200 horas

b) O custo esperado de substituio de cada alternativa (at Tp correctiva e em Tp preventivamente) : Fornecedor A: 0,1 x (60 + 500) + (1 0,1) x 60 = 110 /rolamento Fornecedor B: 0,1 x (80 + 500) + (1 0,1) x 80 = 130 /rolamento Cada um destes dois custos unitrios esperados deve agora ser dividido pela correspondente vida mdia (cerca de 10% dos rolamentos falham, sendo substitudos, entre os momentos 0 e Tp, e cerca de 90% so substitudos no momento Tp). Precisamos ento de conhecer a vida mdia dos rgosTf que falham entre os momentos 0 e Tp. Esta calculada pelo integral
Apoio do EXCEL

Tp

f ( t ).t .dt .

A aplicao Distribuio_Weibull.XLS permite evitar este passo de clculo relativamente complexo, recorrendo em alternativa a um mtodo iterativo (ver o prximo exemplo). Fornecedor A:
Tf =
1,4

t 500 800 e 1.500

dt = 673 horas/rolamento
1,8

Fornecedor B:
T
f

t 600 1.200 2.100 e 0

dt = 981 horas/rolamento

A durao mdiaT de cada rolamento , ento: Fornecedor A:

t = 673 x 0,1 + 800 x (1 0,1) = 787 horas/rolamento

Fornecedor B:

t = 981 x 0,1 + 1.200 x (1 0,1) = 1.178 horas/rolamento

E, finalmente, o custo horrio : Fornecedor A: Fornecedor B:
86 LIDEL Edies Tcnicas

110 / 787 = 0,1397 /hora 130 / 1.178 = 0,1103 /hora

Distribuies de Probabilidade

O custo equivalente do fornecedor B menor (0,1103 0,1397) / 0,1397 x 100 = -21% do que o custo do fornecedor A. Logo, na perspectiva econmica, devemos optar pelo fornecedor B.

Concluso

Exemplo 3.10

Entre na aplicao Distribuio_Weibull.XLS (azul para dados, verdeclaro para clculos intermdios e amarelo para resultados) e confirme os resultados deTf das duas alternativas. Fornecedor A: Na clula L6 introduza 500; Na clula L7 introduza 1,4; Na clula L8 introduza 1.500; Na clula L12 introduza 15; Na clula C4 introduza 500; Confirme que a clula C24 regista 800; Leia o resultado na clula I24 igual a 673 horas. Fornecedor B: Na clula L6 introduza 600; Na clula L7 introduza 1,8; Na clula L8 introduza 2.100; Na clula L12 introduza 30; Na clula C4 introduza 600; Confirme que a clula C24 regista 1.200; Leia o resultado na clula I24 igual a 981 horas. Notar que o ajustamento da escala da coluna da misso (C4:C24) podia ter sido outro. Porm, o ajuste sugerido acima aquele que proporciona a maior preciso do resultado. Notar ainda que, ao alterar os valores dos parmetros, se verificam os seguintes factos:

A assimetria negativa (ou o enviesamento direita) da curva f(t) aumenta progressivamente quando, mantendo constantes os outros parmetros, aumenta; F(t) mantm um valor constante e igual a 0,632 quando t = , para qualquer valor de ; A curva f(t) assume a forma da funo Exponencial negativa quando = 1; A curva f(t) aproxima-se de uma Normal quando 2,6 < < 3,7 e representa uma LogNormal quando = 2; A curva h(t) decresce quando < 1, mantm-se horizontal quando = 1 e cresce quando > 1.

LIDEL Edies Tcnicas

87

Apoio Deciso em Gesto da Manuteno

h(t) varivel com

A prxima figura mostra os grficos da evoluo esperada da funo de risco h(t) de um rgo cuja lei de falha pode ser representada por uma funo de Weibull e que substitudo preventivamente depois de acumular tp horas de funcionamento. Nesta figura podemos constatar o seguinte:

Quando < 1 (perodo de infncia) e substitumos o rgo preventivamente, h(t) cresce repentinamente, pois estamos a potenciar o aparecimento de falhas e, logo, a aumentar a probabilidade de falha; Quando = 1 (perodo de vida til), h(t) mantm-se constante e igual a , o mesmo acontecendo com a probabilidade de falha, tornando intil a substituio preventiva do rgo; Quando > 1 (perodo de degradao) e substitumos o rgo preventivamente, h(t) decresce repentinamente, reduzindo a probabilidade de falha.

Figura 3.6 Efeito da substituio preventiva com periodicidade tp na funo de risco h(t) .t 1 h(t) =

h(t)

<1

tp

2tp

3tp

h(t)

=1

tp

2tp

3tp

h(t)

>1

0
88 LIDEL Edies Tcnicas

tp

2tp

3tp

Distribuies de Probabilidade

Resumidamente, eis algumas das propriedades mais notveis da funo Weibull:

Quando t0 = 0 e = 1, a funo de risco h(t) constante e f(t) descreve uma distribuio Exponencial com = 1/; Quando < 1, a funo de risco h(t) decrescente e f(t) aproxima-se de uma distribuio Gamma; Quando > 1, a funo de risco h(t) crescente e f(t) aproxima-se de uma distribuio Normal.

3.3.2

Funo Exponencial

A funo Exponencial constitui um caso particular da funo de Weibull quando = 1, t0 = 0 e t a varivel tempo. Esta funo adequada representao de falhas que ocorrem de forma inesperada ou ao acaso, tal como uma pedra atingir o pra-brisas de um carro ou um pneu de um veculo furar em andamento. Este acidente (falha) no obviamente funo do tempo, pois tanto pode ocorrer quando o carro tiver 1.000 como 100.000 Kms. A funo Exponencial pode tambm ser usada no caso de sistemas (ou equipamentos ou rgos complexos). Por exemplo, no caso de uma bomba hidrulica, a probabilidade de falha de um componente como o propulsor ou um rolamento pode ser descrita por uma funo Normal logartmica ou por uma funo Weibull. Contudo, para a bomba como um todo (sistema), a funo Exponencial mais apropriada (voltaremos a este assunto mais adiante). Como exemplos, podemos citar: tubos de vcuo, lmpadas de iluminao, electrodomsticos, bombas hidrulicas, geradores elctricos, transmisses de veculos motorizados, etc. A funo densidade de probabilidade da distribuio Exponencial, cuja forma grfica pode ser vista na Figura 3.7, a seguinte:
f ( t ) = .e .t

Aplicaes

Exemplos de aplicao

Expresso 3.11

em que: t tempo de funcionamento (misso); taxa mdia de falhas. A funo Exponencial possui um nico parmetro: o valor mdio (taxa de falhas) ou o seu inverso MTTF (tempo mdio entre falhas). Se integrarmos a Expresso 3.11 entre 0 e t, obtemos a funo de probabilidade acumulada de falhas F(t):
F ( t ) = 1 e .t

Expresso 3.12
LIDEL Edies Tcnicas 89

Apoio Deciso em Gesto da Manuteno

Esta funo encontra-se representada na Figura 3.8. f (t)

Figura 3.7 Funo Exponencial de densidade de probabilidade

O valor de t correspondente ao momento em que se ter atingido uma certa probabilidade acumulada de falha F(t) pode ser deduzido da Expresso 3.12, resultando:
t= 1 1 .ln 1 F(t)

Expresso 3.13

F(t)
Figura 3.8 Funo Exponencial de probabilidade acumulada

0,632

0
Simular valores de t no EXCEL Funo Exponencial negativa no EXCEL

MTTF

Para simular no EXCEL um valor aleatrio de t, substitumos F(t) por RAND() na Expresso 3.13. Existe uma funo geradora da Exponencial negativa residente no EXCEL que permite determinar f(t) e F(t). So elas as seguintes:

EXPONDIST(t; ; 0) que devolve f(t); EXPONDIST(t; ; 1) que devolve F(t).

Funo inversa da Exponencial negativa

90

A funo inversa (obter t dado F(t) ou RAND()) no existe no EXCEL, tendo de ser programada (ver o Anexo V).

LIDEL Edies Tcnicas

Distribuies de Probabilidade

Exemplo 3.11

Determinar ao fim de quanto tempo tero falhado 50% das unidades de um conjunto de geradores portteis, sabendo que, de ensaios anteriores sob fortes condies de sobrecarga, 20% dos geradores falharam ao fim de 50 horas.
Resoluo

Primeiramente, temos de calcular . Da Expresso 3.12, obtemos: 0,2 = 1 e-.50 ou 0,8 = e-.50 ou, ainda, 1,25 = e.50 ln 1,25 = .50 = ln 1,25 / 50 = 0,004463 falhas/hora De seguida calculamos t, recorrendo de novo Expresso 3.12: 0,5 = 1 e-0,004463.t 0,5 = e-0,004463.t 2 = e 0,004463.t ln 2 = 0,004463.t t = 155 horas

Exemplo 3.12

O comportamento de falha de um rgo pode ser descrito por uma funo de probabilidade Exponencial negativa de parmetro = 0,00025 falhas/ciclo. a) Qual ser a probabilidade de a sua vida no exceder 2.100 ciclos? b) Qual ser a probabilidade de a sua vida exceder 2.700 ciclos? c) Qual o tempo de vida do rgo que apresenta uma probabilidade de 0,4512 de no ser excedida?
Resoluo

o mesmo que a probabilidade de falhar at 2.100 ciclos, ou seja: F(t 2.100) = 1 exp[-2.100 x 0,00025] = 1 0,591555 0,41. Podemos obter o mesmo resultado recorrendo ao EXCEL e fazer: EXPONDIST (2.100; 0,00025; 1). b) igual probabilidade de no falhar at 2.700 ciclos, ou seja: R(t 2.700) = exp[-2.700 x 0,00025] = 0,509156 0,51. Podemos obter o mesmo resultado recorrendo ao EXCEL e fazendo: 1 EXPONDIST (2.700; 0,00025; 1). c) o mesmo que a probabilidade de falhar igual ou inferior a 0,4512. Teremos, ento pela Expresso 3.13: t = 1/.ln[(1/(1F(t))] = ln[1/(10,04512)] / 0,00025 = 2.400 ciclos. a)

Apoio do EXCEL

Apoio do EXCEL

LIDEL Edies Tcnicas

91

Apoio Deciso em Gesto da Manuteno

Exemplo 3.13

Um rel de um determinado tipo apresenta uma curva de mortalidade: conforme uma Exponencial negativa durante a fase de vida til e conforme uma Normal durante a fase de degradao. So conhecidos: Taxa de falhas: = 0,0001 falhas/hora A vida mdia:T = 1.500 horas O desvio-padro: = 150 horas A vida nominal: Tn =T 3. a) Calcular o MTTF do rel, bem como a sua vida mdia em perodo de vida tilTu, definindo-se essa vida mdia como o tempo necessrio para a falha de 50% de rels de uma dada populao inicial; b) Calcular a fiabilidade do rel para t = 0; t = Tn ; t =T; c) Calcular a fiabilidade do rel para uma misso de 100 h, quando j possui uma idade de 500 h; d) Calcular a fiabilidade do rel para uma misso de 100 h, quando j possui uma idade de 1.500 h.
Resoluo

Apoio do EXCEL

MTTF = 1/ = 1/0,0001 = 10.000 horas R = e-t/MTTF Tu = MTTF.ln(1/R) = 10.000 x ln(1/0,5) = 6.931 horas b) R(0) = e-t/MTTF = e-0/10.000 = 1 Tn = 1.500 3 x 150 = 1.050 horas R(1.050) = e-t/MTTF = e-1.050/10.000 = 0,9 R(1.500) = 0,9 x 0,4993 = 0,4494 c) Como 500 + 100 = 600 < 1.050 horas, o rel est na sua fase de vida til. Podemos, ento, aplicar a lei de distribuio Exponencial negativa. R(100) = e-t/MTTF = e-100/10.000 = 0,99 ou: R(tt) = R(100500) = R(600) / R(500) = 0,9418 / 0,9512 = 0,99 d) Como 1.500 > 1.050 horas, o rel encontra-se na fase de degradao. Podemos, ento, aplicar a lei de distribuio Normal. Com o apoio da funo NORMSDIST do EXCEL, obtemos: R(tt) = R(1001.500) = R(1.600) / R(1.500) = 0,2525 / 0,5000 = 0,5050 a)

MTTF = Funo sem memria

A funo Exponencial negativa apresenta a caracterstica nica de a mdia dos tempos MTTF ser igual ao desvio-padro . A funo Exponencial negativa apresenta tambm uma propriedade importante, a qual ilustra o que dissemos atrs no Captulo 2, ponto 2.3.2.5, sobre a inutilidade de substituir preventivamente rgos durante o perodo de vida til: a funo Exponencial negativa no possui memria, isto , a fiabilidade de um rgo sempre a mesma para uma determinada

92

LIDEL Edies Tcnicas

Distribuies de Probabilidade

misso t independentemente do tempo de servio T que o rgo tenha j acumulado.

Exemplo 3.14

Um rgo apresenta uma taxa de falhas constante igual a 0,001 falhas/hora. a) Qual a probabilidade de o aparelho falhar durante as primeiras 300 horas de operao? b) Supondo que o aparelho j funciona adequadamente h 200 horas, qual a probabilidade de ele falhar durante as prximas 300 horas?
Resoluo

a)

F(t 300 horas) = 1 e-t = 1 e-0,001x300 = 0,2592 ou no EXCEL = EXPONDIST(300; 0,001; 1) = 0,2592

Apoio do EXCEL

b) Trata-se de conhecer a probabilidade (condicionada) de falha at 300 horas tendo j sobrevivido 200 horas. Teremos ento:

F(tt) = F(300200) = [F(200+300) F(200)] / R(200) = = (0,3935 0,1813) / (1 0,1813) = 0,2122 / 0,8187 = 0,2592
Resultado igual ao da alnea a), pois independente do tempo de servio j acumulado (a funo Exponencial no tem memria).

0,3935 F(t) 0,1813 0,2122 f(t)

Figura 3.9 Curvas f(t) e F(t) e probabilidade do aparelho falhar entre as 200 e as 500 horas

200

500

horas

Exemplo 3.15

Resolva o exemplo anterior, considerando desta vez falhas por degradao descritas por uma funo Weibull com a mesma vida caracterstica ( = 1/0,001 = 1.000 horas) e = 1,5.
Resoluo
LIDEL Edies Tcnicas 93

Apoio Deciso em Gesto da Manuteno

a)

F(t 300 horas) = 1 exp[-(t/)] = 1 exp[-(300/1.000)1,5] = 0,1515 ou WEIBULL(300; 1,5; 1.000; 1) = 0,1515

b) Trata-se de uma probabilidade condicionada, isto , qual a probabilidade de falha de uma nova misso de 300 horas, tendo j sobrevivido at s 200 horas? Teremos ento:

F(tt) = F(300200) = [F(200+300) F(200)] / R(200) = = (0,2978 0,0855) / 0,9144 = 0,2321

Resultado superior ao da alnea a), pois neste caso j no indiferente o tempo de servio que o rgo tenha entretanto acumulado. Com efeito, o fenmeno de degradao acentua-se continuamente. A funo de Weibull tem memria.

Exemplo 3.16

Entre na aplicao Distribuio_Exponencial.XLS e na aplicao Distribuio_Weibull.XLS (azul para dados, verde-claro para clculos intermdios e amarelo para resultados) e confirme os valores das probabilidades condicionadas calculadas nos dois ltimos exemplos.
Resoluo

Exemplo 3.16, alnea b), Distribuio_Exponencial.XLS: Na clula L6 introduza 0,001; Na clula L2 introduza 200; Na clula L10 introduza, por exemplo, 50; Na clula C4 introduza 0; Procure na coluna C o valor 200 + 300 = 500 e leia na mesma linha (linha 14) o valor da coluna H (a clula H14 mostra 0,2592). Exemplo 3.17, alnea b), Distribuio_Weibull.XLS: Na clula L6 introduza 0; Na clula L7 introduza 1,5; Na clula L8 introduza 1.000; Na clula L2 introduza 200; Na clula L12 introduza, por exemplo, 100; Na clula C4 introduza 0; Procure na coluna C o valor 200 + 300 = 500 e leia na mesma linha (linha 9) o valor da coluna H (a clula H9 mostra 0,2321). Notar que a aplicao Distribuio_Exponencial.XLS pode ser substituda pela Distribuio_Weibull.XLS, fazendo nesta = 1 e = 1/.

94

LIDEL Edies Tcnicas

Distribuies de Probabilidade

3.3.3

Funo Normal

Na funo de Weibull, quando > 1, a funo de risco h(t) crescente e f(t) aproxima-se de uma distribuio Normal, a qual conseguida quando 2,6 < < 3,7. Esta funo descreve bem o comportamento de falha de um rgo quando a degradao se intensifica.
F(t) f(t) F(t) f(t)

Figura 3.10 Curvas de densidade de probabilidade f(t) e de probabilidade acumulada F(t) da funo Normal

A distribuio Normal caracterizada por dois parmetros:

A mdia (parmetro de localizao); A varincia (ou 2) (parmetro de escala).

A funo de densidade de probabilidade f(t) dada pela seguinte expresso:

f(t) = 1 . 2
1 (t ) 2 e
2

Expresso 3.14

A Figura 3.10 anterior mostra a forma tpica da distribuio Normal com mdia e desvio-padro ou varincia = 2. Para facilitar o clculo de F(t) comum o recurso a uma transformao que permite adimensionalizar t e representar a distribuio Normal de forma padronizada (reduzida ou estandardizada) pela varivel Z, a qual apresenta = 0 e = 1. Os valores de Z encontram-se tabelados em qualquer livro de Estatstica ou de Mtodos Quantitativos para Gesto. Esta varivel Z dada pela expresso:
Z= t

Valores de Z

Expresso 3.15

LIDEL Edies Tcnicas

95

Apoio Deciso em Gesto da Manuteno

f(t)

Figura 3.11 Funo Normal reduzida

rea A

P(t t1) = A

t1

t Z

Funo NORMINV e NORMDIST no EXCEL

No precisaremos contudo desta transformao se utilizarmos o EXCEL. Com efeito, existem duas funes geradoras da funo Normal residentes no EXCEL que permitem facilitar os clculos:

NORMINV(F(t); ; ) que devolve t; NORMDIST(t; ; ; 0) que devolve f(t); NORMDIST(t; ; ; 1) que devolve F(t);

Simular valores de t no EXCEL

Para simular no EXCEL um valor aleatrio de t, substitumos na funo NORMINV, F(t) por RAND().
Exemplo 3.17

Um conjunto de 100 retentores novos submetido a um teste de vida acelerada. O tratamento estatstico das falhas por desgaste concluiu pela distribuio Normal com = 500 horas e = 50 horas. a) Quantos retentores tero sobrevivido at 500 horas? b) Quantos retentores tero falhado entre 500 e 600 horas? c) Quantos retentores tero sobrevivido ao fim de 100 horas depois de terem acumulado 500 horas de ensaio?
Resoluo Apoio do EXCEL Apoio do EXCEL

a)

Fazendo 1 NORMDIST(500; 500; 50; 1) no EXCEL, obtemos F(500) = 0,5, logo, 0,5 x 100 = 50 retentores;

b) Fazendo NORMDIST(600; 500; 50; 1) no EXCEL, obtemos F(600) = 0,977250. Donde F(600) F(500) = 0,977250 0,5 = 0,477250, logo, 0,477250 x 100 = 47,725 48 retentores; c)

R(100500) = 1 [F(600) F(500)] / R(500) = 1 0,477250 / (1 0,5) = 0,045500, ou seja, sobreviveram 0,0455 da quantidade que

96

LIDEL Edies Tcnicas

Distribuies de Probabilidade

sobreviveu at s 500 horas (0,5 x 100 = 50 unidades). Logo, 0,0455 x 50 = 2,275 2 retentores. Encontraremos o mesmo resultado fazendo [1 F(600)] x 100 = (1 0,977250) x 100 = 2,275 2 retentores.

Exemplo 3.18

De um ensaio destrutivo de um lote de 250 cabos tensores, resultou a observao de que os resultados, uma vez tratados em frequncia, seguiam uma funo Normal com os seguintes parmetros: Tenso mdia de rotura:Rr = 310 MP; Desvio-padro: r = 35 MP. Quantos cabos apresentaram 270 Rr 360 MP?
Resoluo

Recorrendo funo NORMDIST() do EXCEL, obtemos:

Apoio do EXCEL

P(Rr 270 MP) = NORMDIST(270; 310; 35; 1) = 0,126549 P(Rr 360 MP) = NORMDIST(360; 310; 35; 1) = 0,923436
Teremos, assim:

N(Rr 270 MP) = 250 x 0,126549 32 cabos N(Rr 360 MP) = 250 x 0,923436 231 cabos
Logo:

N(270 Rr 360 MP) = 231 32 = 199 cabos

Exemplo 3.19

Entre na aplicao Distribuio_Normal.XLS (azul para dados, verdeclaro para clculos intermdios e amarelo para resultados) e confirme os valores das probabilidades acumuladas de falha do exemplo anterior.

Na clula L6 introduza 310; Na clula L7 introduza 35; Na clula L11 introduza, por exemplo, 30; Na clula C4 introduza 0; Procure na coluna C o valor 270 e leia na mesma linha (linha 13) o valor da coluna F (a clula F13 mostra 0,126549); Procure na coluna C o valor 360 e leia na mesma linha (linha 16) o valor da coluna F (a clula F16 mostra 0,923436).

LIDEL Edies Tcnicas

97

Apoio Deciso em Gesto da Manuteno

Notar que estes resultados podem ser obtidos mais rapidamente sem a preocupao de fazer figurar na coluna C os valores que procuramos da misso. Para tanto, basta introduzir cada um destes valores na clula C4 e ler o resultado na clula F4. Notar tambm o andamento crescente da funo de risco h(t).

Exemplo 3.20

A carga suportada por um elevador normalmente distribuda com mdia C = 2.500 N e desvio-padro C = 150 N. A resistncia garantida dos cabos de suspenso tambm normalmente distribuda com mdia R = 3.500 N e desvio-padro R = 250 N. Qual a fiabilidade do elevador nestas condies de carga?
Resoluo

Representando graficamente as duas distribuies R e C, verificamos que existe uma zona onde a carga C pode ultrapassar a resistncia garantida R.
C Z=RC R

Figura 3.12 Distribuies de densidade de probabilidade de R, C e R C

f (R) f (C) f (Z) P(Z) 0

C>R

Z = 1.000 N Z = 292 N

C = 2.500 N C = 150 N

R = 3.500 N R = 250 N

Z, R, T

Para determinarmos a probabilidade de isso acontecer, calculamos a distribuio Z = R C. Obteremos como resultado uma distribuio tambm Normal com os seguintes parmetros:

Z = 3.500 2.500 = 1.000 N Z =

Apoio do EXCEL
250 2 + 150 2 292 N

A probabilidade de esta distribuio assumir valores negativos (recorrendo ao apoio do EXCEL):

P(Z 0) = NORMDIST(0; 1.000; 292;1) = 0,000308

98

LIDEL Edies Tcnicas

Distribuies de Probabilidade

A fiabilidade do elevador ento: R = 1 0,000308 = 0,999692. Ou seja, 99,9692% das vezes o elevador no ser carregado com carga que ultrapasse os valores de resistncia garantidos.

Concluso

3.3.4

Normal logartmica (LogNormal)

mbito de utilizao

Esta funo adequada para modelar situaes em que se verificam grandes diferenas na durao dos eventos e uma grande concentrao de duraes curtas numa fase inicial. o caso de operaes de reparao (TTR), as quais na sua grande maioria so realizadas dentro dos tempos standard mas, ocasionalmente, correm mal e os tempos disparam. De uma forma geral, podemos dizer que a funo LogNormal se aplica sempre que constatamos que os logaritmos naturais dos tempos de vida ln(t) se distribuem segundo uma funo Normal (por exemplo, nos casos de semicondutores, fadiga de certos rgos mecnicos). A funo LogNormal apresenta a forma caracterstica que podemos ver na Figura 3.13.
F(t) f(t) 1 F(t) f(t)

Figura 3.13 Curvas de densidade de probabilidade f(t) e de probabilidade acumulada F(t) da funo LogNormal

Os parmetros da funo LogNormal so os seguintes:

de forma).

y Mdia dos logaritmos naturais dos tempos (parmetro de escala); y Desvio-padro dos logaritmos naturais dos tempos (parmetro

A funo densidade de probabilidade dada pela seguinte expresso:

1 ln (t) y 2 y e

f(t) =

1 y .t 2

Expresso 3.16

LIDEL Edies Tcnicas

99

Apoio Deciso em Gesto da Manuteno

Se representarmos por x a mdia dos tempos entre falhas (MTTF) e por x o desvio-padro dos mesmos, estes podem ser deduzidos a partir daqueles pelas seguintes expresses:
Y +
2 2 Y 2

Expresso 3.17 Expresso 3.18

X = MTTF = e
2

2 .Y + Y 2 .(e Y 1 ) X =e

Em consequncia do exposto, o raciocnio que se faz para a Normal igualmente vlido para a LogNormal.
Funes da LogNormal no EXCEL

Existem duas funes residentes no EXCEL geradoras da funo LogNormal, as quais permitem facilitar os clculos. So elas:

LOGNORMDIST(t; y; y) que devolve F(t); LOGINV(F(t); y; y) que devolve t.

Simular valores de t no EXCEL

Para simular no EXCEL um valor aleatrio de t, substitumos na funo LOGINV, F(t) por RAND().
Exemplo 3.21

A anlise estatstica dos ensaios realizados sobre tubos de uma arma mostrou que as falhas se distribuem de acordo com uma funo LogNormal de mdia y = 7 e desvio-padro y = 2. a) Qual a fiabilidade dos tubos para uma misso de 1.000 tiros? b) Qual a funo de risco para a mesma misso?
Resoluo Apoio do EXCEL

a)

Atravs da distribuio LogNormal:

R(1.000) = 1 F(1.000) ou P(t > 1.000) = 1 P(t 1.000) = = 1 LOGNORMDIST(1.000; 7; 2) = 1 0,481606 = 0,518394
Ou, atravs da distribuio Normal:

R(1.000) = 1 F(1.000) = 1 NORMDIST(ln(1.000); 7; 2) = = 1 0,481606 = 0,518394

b) h(1.000) = f(1.000)/R(1.000) =
1 =
1 (ln (1.000) 7 ) 2 e 2
2

2x1.000x 2 = 0,000384 falhas/tiro 1 - LOGNORMDIST(1.000; 7; 2)

100

LIDEL Edies Tcnicas

Distribuies de Probabilidade

Exemplo 3.22

O nmero de milhares de ciclos entre falhas (por fadiga) de um determinado tipo de molas distribui-se de acordo com uma LogNormal de mdia y = 6,772 e desvio-padro y = 0,74. a) Qual a fiabilidade das molas para misses de 500 milhares de ciclos? b) Qual a misso para a qual as molas apresentam uma probabilidade acumulada de falha igual a 0,7? c) Quais os valores da mdia e do desvio-padro em milhares de ciclos (x e x)?
Resoluo

a)

Atravs da distribuio LogNormal:

P(t > 500) = 1 P(t 500) = 1 LOGNORMDIST(500; 6,772; 0,74) = 1 0,225655 = 0,774345
Ou, atravs da distribuio Normal:

Apoio do EXCEL

P(t > 500) = 1 P(t 500) = 1 NORMDIST(ln(500); 6,772; 0,74) = 1 0,225655 = 0,774345
b) t = LOGINV(0,7; 6,772; 0,74) 1.300 Kciclos c)
x = MTTF = e
6,772 +
2

0,74 2 2

= 1.148 Kciclos
2

x = e 2x6,772 + 0 ,74 x(e 0,74 1) = 980 Kciclos

Exemplo 3.23

Entre na aplicao Distribuio_LogNormal.XLS (azul para dados, verde-claro para clculos intermdios e amarelo para resultados) e confirme os resultados das alneas a) e b) do exemplo anterior. Alnea a) Na clula L6 introduza 6,772; Na clula L7 introduza 0,74; Na clula L11 introduza, por exemplo, 50; Na clula C4 introduza 0; Procure na coluna C o valor 500 e leia na mesma linha (linha 14) o valor da coluna F (a clula F14 mostra 0,225655). Alnea b) Na clula L11 introduza valores alternativos at que na coluna F surja um valor de F(t) 0,7. Fazendo, por exemplo, L11 = 100; obtemos

Opo Goal Seek do EXCEL

101

LIDEL Edies Tcnicas

Apoio Deciso em Gesto da Manuteno

0,7047 na clula F17. uma boa aproximao. Lemos agora o resultado da clula no cruzamento da mesma linha com a coluna C: C17 = 1.300. Em alternativa, podamos usar a opo Goal Seek do EXCEL, forando uma qualquer clula da coluna F a assumir o valor 0,7 e lendo o resultado no cruzamento da mesma linha com a coluna C. Por exemplo, a clula F24. Ento: Tools, Goal-Seek, Set cell: F24; To value: 0,7; By changing cell: L11. Na clula C24 lemos 1.289 ( 1.300). Notar o andamento crescente da funo de risco h(t).

Existem outras distribuies tericas de probabilidade usadas em fiabilidade a Rayleigh, por exemplo. Para uma perspectiva mais geral de distribuies de probabilidade, recomendamos uma visita ao seguinte endereo:
internet http://www.statsoft.com/textbook/stathome.html

Neste endereo, o leitor pode ver com animao muitas das distribuies usadas em fiabilidade e outras. Este livro de texto electrnico, desenvolvido pela StatSoft R&D, disponibiliza muitos outros temas em estatstica.

3.4

Estimativa dos Parmetros das Distribuies a partir de Dados Empricos

Surge frequentemente a necessidade de determinar qual a funo estatstica que melhor se ajusta a um conjunto de dados histricos sobre intervalos de tempo entre falhas TTF. Vejamos como proceder no caso mais comum da distribuio Weibull.
Recta de regresso

O mtodo mais expedito consiste em transformar (logaritmizando) a funo de Weibull numa recta atravs de regresso linear. Assim, teremos sucessivamente, a partir de (3.7):
t 1 = exp t ln 1 = t F(t) = 1 exp R(t) R(t)

Expresso 3.19

1 ln ln = (ln .t ln . ) R(t) 1 ln ln = .ln . + .ln .t R(t)

Esta equao a de uma recta cuja forma geral y = a + b.x. No segundo membro desta equao podemos identificar as seguintes equivalncias:

102

LIDEL Edies Tcnicas

Distribuies de Probabilidade

O termo -.ln. corresponde a a (intercepo das ordenadas na origem das abcissas); O termo corresponde a b (declividade da recta); O termo ln.t corresponde a x (eixo das abcissas).
Qualidade do ajustamento

A recta de regresso encontra-se ajustada aos dados empricos tanto mais quanto maior for o coeficiente de determinao r2, o qual pode tomar valores entre 0 e 1.
Exemplo 3.24

Do cadastro de um equipamento foram recolhidos os tempos (em horas) entre as doze ltimas substituies (devidas a desgaste) de um determinado rolamento, os quais se mostram no quadro a seguir.
n TTF 1 1.309 2 2.445 3 2.725 4 4.007 5 888 6 676 7 1.704 8 1.499 9 2.993 10 3.366 11 2.975 12 2.718

Com o objectivo de fixar uma poltica de substituio preventiva sistemtica, necessrio conhecer a correspondente equao de probabilidade de falha. Determinar os parmetros desta bem como o correspondente tempo mdio entre falhas MTTF.
Resoluo

O primeiro membro da Expresso 3.19 pode ser estimado pelo mtodo de Bernard, conforme vimos no incio deste captulo no ponto 3.1. Seguindo o mtodo, construmos o quadro adiante e juntamos os resultados do clculo dos termos ln.ln{1/[1-F(tj)]} e ln(tj) nas colunas (8) e (9).
Ordem j (1) 1 2 3 4 5 6 7 8 9 10 11 12
Median TTF rank (Berordenados nard)

Mtodo de Bernard

N de falhas dj (4) 1 1 1 1 1 1 1 1 1 1 1 1

N(tj) (5) 1 1 1 1 1 1 1 1 1 1 1 1

i(tj) (6) 1 2 3 4 5 6 7 8 9 10 11 12

Median rank ln.ln[1/R(tj)] corrigido

ln(tj) (9) 6,5162 6,7890 7,1770 7,3126 7,4407 7,8018 7,9077 7,9102 7,9980 8,0040 8,1215 8,2958

tj (2) 676 888 1.309 1.499 1.704 2.445 2.718 2.725 2.975 2.993 3.366 4.007

F(tj) (3) 0,0565 0,1371 0,2177 0,2984 0,3790 0,4597 0,5403 0,6210 0,7016 0,7823 0,8629 0,9435

F(tj)c (7) 0,0565 0,1371 0,2177 0,2984 0,3790 0,4597 0,5403 0,6210 0,7016 0,7823 0,8629 0,9435

(8) -2,8455 -1,9142 -1,4042 -1,0374 -0,7413 -0,4852 -0,2520 -0,0303 0,1901 0,4216 0,6867 1,0558

A coluna (2) contm os TTF ordenados de forma crescente. A coluna (3) mostra os median ranks calculados pela Expresso 3.2. A coluna (4) mostra o nmero de falhas. As colunas (5) e (6) mostram os passos interm-

Quadro 3.7 Median rank corrigido e eixos logaritmizados

103

LIDEL Edies Tcnicas

Apoio Deciso em Gesto da Manuteno

dios para o ajustamento dos median ranks calculados pelas Expresses 3.3 e 3.4 quando existem dados censurados. A coluna (7) mostra os median ranks corrigidos. Finalmente, as colunas (8) e (9) mostram os resultados da logaritmizao da funo de probabilidade acumulada de falhas Weibull conforme a Expresso 3.19. No EXCEL, as funes descritas adiante fornecem-nos a soluo:
Funes do EXCEL

INTERCEPT(coluna(8); coluna (9)) = -15,71 ou -.ln. = -15,71; SLOPE(coluna(8); coluna (9)) = 1,9952 ou = 1,9952; = EXP(-15,71/-1,9952) = 2.622 horas; POWER(CORREL(coluna(8); coluna (9)); 2) = 0,9684 ou r2 = = 0,9684.

Concluso

Em resumo: = 1,9952 e = 2.622 horas para um coeficiente de determinao r2 = 0,9684. Este valor de r2 significa que 96,84% dos TTF podem ser explicados pela recta de regresso valor muito prximo de 100% (valor ideal). Se realizarmos o teste da hiptese de aderncia dos dados a uma funo de Weibull com aqueles parmetros, pelo mtodo de KolmogorovSmirnov, obtemos a estatstica de teste Dmx.= 0,1536 cujo valor crtico para = 0,05 Dc = 0,3754. Constatamos pois que D < Dc, e, logo, aceitamos aquela hiptese. O MTTF pode ser calculado a partir daqueles parmetros. Assim, e recorrendo ao EXCEL, teremos: MTTF = 2.622 x EXP(GAMMALN(1 + 1/1,9952)) = 2.324 horas Se tivssemos calculado a mdia aritmtica simples directamente a partir dos dados, teramos encontrado: MTTF = 2.275 horas.

Teste de aderncia dos dados

Apoio do EXCEL

Apoio deciso versus controlo de gesto

Notar que estes dois valores (diferentes) convergem at se tornarem praticamente iguais conforme a quantidade de dados aumenta. Notar tambm que, devemos usar o primeiro mtodo para efeitos de anlise de um problema e apoio deciso, e o mtodo da mdia aritmtica simples quando pretendemos apenas acompanhar a evoluo deste indicador para efeitos de controlo de gesto.
Variante 1

Suponhamos que, no momento em que realizamos esta anlise, o rolamento se mantm bom e em servio. O tempo que decorreu desde a ltima falha foi 2.718 horas. Quais os novos parmetros?
Concluso

Fazendo d7 = 0 (dado censurado direita ou suspenso), viria: = 1,9432 e = 2.680 horas para um r2 = 0,9722.

104

LIDEL Edies Tcnicas

Distribuies de Probabilidade

Variante 2

Suponhamos que, para alm da circunstncia anterior, o momento em que as falhas comearam a ser anotadas (momento 0), se verificou que o rolamento estava bom e em servio. O tempo que decorreu at primeira falha observada foi 1.309 horas. Quais os novos parmetros? Fazendo d3 = 0 (dado censurado esquerda), viria: = 1,9215 e = 2.853 horas para um r2 = 0,9596.
Variante 3 Concluso

Suponhamos que, para alm das circunstncias anteriores, e em consequncia de um diagnstico mais esclarecido, ter resultado a constatao de que o dado 888 horas se deveu a um outro modo de falha (por exemplo, sobrecarga devido a um erro de operao) e no a desgaste. Quais os novos parmetros? Fazendo d2 = 0 (dado censurado), resulta o prximo quadro e deste retirase: = 2,0892 e = 3.054 horas para um r2 = 0,9438.
Ordem j (1) 1 2 3 4 5 6 7 8 9 10 11 12
Median TTF rank (Berordenados nard)

Concluso

N de falhas dj (4) 1 0 0 1 1 1 0 1 1 1 1 1

N(tj) (5) 1 1 1 1,2 1,2 1,2 1,2 1,4 1,4 1,4 1,4 1,4

i(tj) (6) 1 1 1 2,2 3,4 4,6 4,6 6 7,4 8,8 10,2 11,6

Median rank ln.ln[1/R(tj)] corrigido

ln(tj) (9) 6,5162 7,3126 7,4407 7,8018 7,9102 7,9980 8,0040 8,1215 8,2958

tj (2) 676 888 1.309 1.499 1.704 2.445 2.718 2.725 2.975 2.993 3.366 4.007

F(tj) (3) 0,0565 0,1371 0,2177 0,2984 0,3790 0,4597 0,5403 0,6210 0,7016 0,7823 0,8629 0,9435

F(tj)c (7) 0,0565 0,1532 0,2500 0,3468 0,4597 0,5726 0,6855 0,7984 0,9113

(8) -2,8455 -1,7938 -1,2459 -0,8537 -0,4852 -0,1625 0,1456 0,4709 0,8848

Notar que a vida caracterstica aumenta quando o nmero de dados censurados cresce.

Quadro 3.8 Median rank corrigido e eixos logaritmizados

Exerccio proposto 3.2

Entre na aplicao Ajustamento_Weibull_Bernard.XLS (azul para dados, verde-claro para clculos intermdios e amarelo para resultados) e confirme os resultados obtidos no exemplo anterior.

LIDEL Edies Tcnicas

105