Tese de Doutorado - Modelo de Confiabilidade PDF

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL
ESCOLA DE ENGENHARIA
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO
MODELO DE CONFIABILIDADE ASSOCIANDO DADOS DE GARANTIA E PÓS-

GARANTIA A TRÊS COMPORTAMENTOS DE FALHAS
Gilberto Tavares dos Santos
Porto Alegre, agosto de 2008

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL
ESCOLA DE ENGENHARIA
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO
MODELO DE CONFIABILIDADE ASSOCIANDO DADOS DE GARANTIA E PÓS-

GARANTIA A TRÊS COMPORTAMENTOS DE FALHAS
Gilberto Tavares dos Santos

Orientador: Professor Flávio Sanson Fogliatto, Ph.D.
Tese submetida ao Programa de Pós-Graduação em Engenharia de

Produção como requisito parcial à obtenção do título de
DOUTOR EM ENGENHARIA
Área de concentração: Sistemas de Qualidade
Banca Examinadora:
José Luis Duarte Ribeiro, Dr.
PPGEP/UFRGS
Marcelo Maia Rocha, Dr.
PPGEC/UFRGS
Miguel Afonso Sellitto, Dr.
UNISINOS
Porto Alegre, agosto de 2008
2
Esta tese foi julgada adequada para a obtenção do título de Doutor em Engenharia e aprovada em
sua forma final pelo Orientador e pela Banca examinadora designada pelo Programa de Pós-
Graduação em Engenharia de Produção.
_______________________________________
Prof. Flávio Sanson Fogliatto, Ph.D.
Universidade Federal do Rio Grande do Sul
Orientador
____________________________________
Prof. Flávio Sanson Fogliatto, Ph.D.
Coordenador PPGEP/UFRGS
Banca Examinadora:
José Luis Duarte Ribeiro, Dr.

PPGEP/UFRGS
Marcelo Maia Rocha, Dr.

PPGEC/UFRGS
Miguel Afonso Sellitto, Dr.

UNISINOS
3
SANTOS, G.T. MODELO DE CONFIABILIDADE ASSOCIANDO DADOS DE
GARANTIA E PÓS-GARANTIA A TRÊS COMPORTAMENTOS DE FALHAS. 2008.
Tese (Doutorado em Engenharia) – Universidade Federal do Rio Grande dos Sul.
RESUMO
Nesta tese, apresenta-se um modelo de confiabilidade estatística para aplicação em dados de vida
de um produto, buscando classificar três modos de falhas distintos associados à ocorrência de
falhas prematuras, aleatórias e por desgaste. A ocorrência dos três modos de falhas segue os
princípios de aplicação dos modelos teóricos por riscos concorrentes e seccionais. O modelo
proposto utiliza duas distribuições de Weibull, com dois e três parâmetros, e uma distribuição
exponencial. A distribuição de Weibull com dois parâmetros tem por objetivo representar os
modos de falhas prematuras: a distribuição de Weibull com três parâmetros busca capturar os
modos de falhas por desgaste; a distribuição exponencial mede a ocorrência de falhas aleatórias
decorrentes de uso operacional de um produto. Considera-se que falhas prematuras e por desgaste
ocorram seqüencialmente, enquanto falhas aleatórias ocorram de forma concorrente às falhas
prematuras e por desgaste tão logo o produto seja colocado em operação. Para dimensionar o
número de ocorrências vinculadas aos três modos de falhas são utilizados dados coletados
durante o período de garantia e pós-garantia. Os dados de garantia são registros históricos do
produtor e os dados da pós-garantia referem-se a informações obtidas de especialistas, já que
dados após a garantia apresentam elevado nível de censura. Equações de confiabilidade e
estimadores de máxima verossimilhança são apresentados para definir o perfil e os parâmetros do
modelo proposto. Um estudo de caso com dados coletados de um equipamento elétrico-eletrônico
subsidia a aplicação do modelo enquanto que um teste estatístico de ajuste de dados é utilizado
para validar o referido modelo.
Palavras-chave: modelo de confiabilidade, modos de falhas, censura e opinião de especialistas.
4
SANTOS, G.T. RELIABILITY MODEL FOR WARRANTY AND POST-WARRANTY
DATA PRESENTING THREE FAILURE BEHAVIOURS. 2008. Thesis (Doctorate in
Engineering) – Universidade Federal do Rio Grande dos Sul.
ABSTRACT
This thesis presents a reliability model for product life data presenting three different failure
modes, associated with early, random and wear-out failures. The model is based on theoretical
concepts related to competing risk and sectional models. The proposed model is structured based
on two Weibull distributions, with two and three parameters, and one exponential distribution.
The Weibull distribution with two parameters is aimed at modeling early failure modes; the
Weibull distribution with three parameters models wear-out failure modes; the exponential
distribution models random failures due to operational use. It is considered that early and wear-
out failures take place one after the other while random failures occur at the same time as early
and wear-out failures as soon as the product starts operating. To measure each period related to
the three failure modes, data from warranty and post-warranty periods are used. Warranty
data are historical records; post-warranty data are gathered from experts, and are aimed at
decreasing the degree of censoring in the data. Once the model is defined, reliability figures and
maximum likelihood estimators are derived. Real data obtained from warranty claims on electric-
electronic equipments are used to illustrate the developments proposed and a goodness-of-fit test
is used to validate the performance of this model.
Keywords: reliability model, failure modes, censoring, expert opinion.
5
LISTA DE FIGURAS
Figura 1 Estrutura de funcionamento do sistema de garantia de um produto ................. 31
Figura 2 Cadeia de aplicação da garantia........................................................................ 32
Figura 3 Curva da banheira ........................................................................................... 466
Figura 4 Modelagem (a) empírica e (b) teórica de dados de confiabilidade................. 477
Figura 5 WPP para Análise 1 ........................................................................................ 664
Figura 6 Taxa de falhas para Análise 1 ........................................................................... 65
Figura 7 Função de risco empírica dos tempos da primeira utilização de garantia. ....... 68
Figura 8 Função risco empírica (dados observados) x função risco teórica (mistura) ... 69
Figura 9 WPP para uma distribuição de Weibull com dois e três parâmetros ................ 71
Figura 10 WPP para o modelo seccional (a) ..................................................................... 73
Figura 11 WPP para o modelo de riscos concorrentes...................................................... 77
Figura 12 Exemplo de WPP para modelo 1 (a) ................................................................ 80
Figura 13 Exemplo de WPP para modelo 2(a) ............................................................... 884
Figura 14 Gráfico da FT (t ) para o modelo Uniforme-Weibull de Majeske (2003) ......... 87
Figura 15 Gráfico de f T (t ) para o modelo uniforme-Weibull de Majeske ...................... 87
Figura 16 Análise da RT (t ) para diferentes níveis de censura.......................................... 95
Figura 17 Fluxograma de um método para elaboração de modelo matemático para análise
de dados de falha durante o ciclo de vida de um produto.................................................... 99
Figura 18 Formato do WPP para o modelo proposto......................................................110
Figura 19 Diagrama de blocos do aparelho de AC ......................................................... 117
Figura 20 Histograma dos tempos-até-falha do condensador durante o período de
garantia....... ........................................................................................................................ 119
Figura 21 Tipos de falha do condensador ....................................................................... 121
Figura 22 Desempenho global do condensador (garantia + censura) ............................. 122
Figura 23 Gráfico da função de risco empírica do condensador durante o período de
garantia........ ....................................................................................................................... 123
Figura 24 Gráfico da quantidade de falhas por semana de produção ............................. 124
Figura 25 Gráfico da quantidade acumulada de falhas por semana de produção ........... 125
Figura 26 Gráfico da quantidade de falhas por semana de ocorrência ........................... 127
6
Figura 27 Comparação entre percentual acumulado de falhas obtidas de registros
históricos e de opinião de especialistas durante a garantia ................................................. 127
Figura 28 Percentual da ocorrência de falhas para um ciclo de vida completo do
condensador..... ................................................................................................................... 129
Figura 29 Comparação entre FT (t ) e RT (t ) obtidas de especialistas ............................. 129
Figura 30 Dados de registros históricos e opinião de especialistas associados ao WPP
proposto............ .................................................................................................................. 131
Figura 31 WPP do modelo proposto ............................................................................... 133
Figura 32 Gráfico da f T (t ) do modelo proposto ............................................................ 135
Figura 33 Gráfico da R T (t ) do modelo proposto............................................................ 136
Figura 34 Gráfico da F T (t ) do modelo proposto ........................................................... 136
Figura 35 Gráfico da hT (t ) do modelo proposto............................................................. 137

Figura 36 Comparação entre RT (t ) do modelo proposto e a RT (t ) do modelo com uma
distribuição de Weibull 3 parâmetros ................................................................................. 140
Figura 37 Comparação entre FT (t ) do modelo proposto e a FT (t ) do modelo com uma
Figura 38 Comparação entre f T (t ) do modelo proposto e a f T (t ) do modelo com uma
Figura 39 Comparação entre hT (t ) do modelo proposto e a hT (t ) do modelo com uma
Figura 40 Comparação entre RT (t ) do modelo proposto e a RT (t ) do modelo seccional
(a)................ ........................................................................................................................ 142
Figura 41 Comparação entre FT (t ) do modelo proposto e a FT (t ) do modelo seccional
(a)........................................................................................................................................114
22
Figura 42 Comparação entre hT (t ) do modelo proposto e a hT (t ) do modelo seccional
(a)................ ........................................................................................................................ 143
Figura 43 Comparação entre f T (t ) do modelo proposto e a f T (t ) do modelo seccional
(a)..................... ................................................................................................................... 143
7
LISTA DE TABELAS
Tabela 1 Banco de dados (exemplo de registros)..........................................................118

Tabela 2 Percentuais de falhas do condensador por tipos de falhas..............................120
Tabela 3 Tempos-até-falhas do condensador durante o período de garantia................ 122
Tabela 4 Estimativas da função de risco empírica durante o período de garantia........ 123
Tabela 5 Indicadores de desempenho do condensador obtidos de especialistas............126
Tabela 6 Estimativas dos parâmetros de forma da primeira parte do WPP...................131
Tabela 7 Estimativas dos parâmetros de escala da primeira parte do WPP...................132
Tabela 8 Estimativas dos parâmetros de forma e escala calculados por MLE............. .133
Tabela 9 Estimativas dos parâmetros dependentes tˆ0 e γˆ2 ...........................................134
Tabela 10 Estimativas dos parâmetros para uma distribuição de Weibull com três
parâmetros e um modelo seccional (a)................................................................................139
Tabela 11 Comparação dos resultados obtidos para o modelo proposto, modelo com uma
dsitribuição de Weibull com três parâmetros e um modelo seccional (a)..........................145
8
SUMÁRIO
1 Introdução .............................................................................................................................. 11
1.1 O tema e sua relevância ................................................................................................. 14
1.2 Objetivos........................................................................................................................ 16
1.2.1 Objetivo principal .................................................................................................. 16
1.2.2 Objetivos específicos ............................................................................................. 16
1.3 Justificativa dos objetivos.............................................................................................. 17
1.4 Metodologia de pesquisa ............................................................................................... 20
1.5 Etapas do método a ser utilizado ................................................................................... 21
1.6 Etapas do Trabalho ........................................................................................................ 21
1.7 Limitações e delimitações do estudo ............................................................................. 22
1.8 Estrutura da tese ............................................................................................................ 23
2 Revisão bibliográfica ............................................................................................................. 24
2.1 Comentários iniciais ...................................................................................................... 24
2.2 Confiabilidade ............................................................................................................... 24
2.3 Garantia ......................................................................................................................... 30
2.4 Dados de garantia .......................................................................................................... 41
2.5 Modelagem de dados de garantia .................................................................................. 46
2.6 Propostas para modelagem de dados de garantia .......................................................... 58
2.6.1 Modelo de Chan e Meeker (1999) – Modelo de tempos-até-falha para modos de
falhas prematuras e por desgaste ........................................................................................... 62
2.6.2 Modelo de Majeske (2003) – Um modelo misto para dados de garantia de
automóveis ............................................................................................................................. 66
2.6.3 Modelo de Jiang e Murthy (1995) – Modelagem de confiabilidade envolvendo
duas distribuições de Weibull ................................................................................................ 69
2.6.4 Modelo de Zhang e Ren (2002) – Análise de dados de falhas por modelos
envolvendo três distribuições de Weibull.............................................................................. 78
2.6.5 Análise crítica dos modelos apresentados ............................................................. 85
3 Modelo proposto .................................................................................................................... 91
9
3.1 Fundamentos teóricos do modelo .................................................................................. 92
3.1.1 Distinção de modos de falhas em um mesmo modelo de confiabilidade .............. 92
3.1.2 Inclusão da opinião de especialistas ao modelo matemático para tratar a censura
dos dados93
3.2 Desenvolvimento do modelo proposto .......................................................................... 96
3.2.1 Justificativa para a utilização do modelo............................................................... 96
3.2.2 Características do modelo...................................................................................... 97
3.2.3 Pressupostos do modelo ........................................................................................ 97
3.3 Método para abordagem do modelo .............................................................................. 98
3.3.1 Caracterização do sistema ................................................................................... 100
3.3.2 Coleta de dados.................................................................................................... 100
3.3.3 Proposição de modelo matemático ...................................................................... 102
3.3.4 Análise do modelo matemático ........................................................................... 104
3.3.5 Validação do modelo ........................................................................................... 114
3.3.6 Comparação do modelo proposto com modelos revisados ................................. 114
3.3.7 Conclusões do capítulo ........................................................................................ 115
4 ANÁLISE DO MODELO PROPOSTO: UM ESTUDO DE CASO .................................. 116
4.1 Caracterização do sistema ........................................................................................... 116
4.2 Coleta de dados............................................................................................................ 119
4.3 Análise do modelo matemático ................................................................................... 130
4.4 Validação do modelo ................................................................................................... 137
4.4.1 Comparação do modelo proposto com modelos existentes na literatura ............ 138
4.5 Conclusões sobre o modelo ......................................................................................... 145
5 Conclusões e recomendações para pesquisas futuras .......................................................... 147
6 Referências bibliográficas ................................................................................................... 153
ANEXO A – QUESTIONÁRIO.................................................................................................. 160
ANEXO B – PLANILHA COM RESULTADOS DOS QUESTIONÁRIOS ............................ 164
ANEXO C – AMOSTRA DE DADOS GERADOS POR REGISTROS HISTÓRICOS E
OPINIÃO DE ESPECIALISTAS................................................................................................ 165
ANEXO D – LISTA DE SIGLAS UTILIZADAS ...................................................................... 166
10
1 Introdução
Os atuais mercados de consumo têm se caracterizado por apresentar novos produtos

surgindo rapidamente, com crescente complexidade, curto ciclo de vida dos produtos e rápida
obsolescência, compradores mais educados e exigentes, regras governamentais mais precisas com
relação às responsabilidades entre produtor e comprador, comércio globalizado, produtos
similares com características e funções quase iguais, mudanças constantes em apresentação de
tecnologia, forte competição e custos crescentes para lançamento de novos produtos (BENNETT
et al., 2003; ISKANDAR et al., 2005; MURTHY; BLISCHKE, 2006; MURTHY;
DJALAMUDIN, 2002; O´CONNOR, 2000; NAGODE; FAJDIGA, 2006).
A percepção e acompanhamento dessas características são vitais para a manutenção de um

produto em um contexto comercial que busque oportunizar rentabilidade às empresas e plena
satisfação aos possíveis compradores. Para manutenção dessa lógica de negócio, os produtos
devem ser muito confiáveis, pois, se falhas ocorrerem, todo o sistema no qual esse produto está
inserido poderá falhar, comprometendo desempenho e imagem do produtor.
Na decisão de compra de um produto, normalmente os compradores comparam

características de produtos similares de marcas concorrentes. A escolha fundamenta-se em
quesitos como preço, aspectos físicos, desempenho, prazo de entrega, confiabilidade, prazo de
garantia, suporte de atendimento pós-venda, assistência técnica, imagem do produtor no mercado
e custos de manutenção do produto.
Nesse contexto diversificado de escolhas, o prazo de garantia tem um importante papel ao

proporcionar segurança para os compradores. Para atender a essa necessidade de segurança, cada
empresa deve possuir um programa de gestão e monitoramento da confiabilidade dos seus
produtos. Um programa de confiabilidade visa sistematizar os conhecimentos prévios de
desempenho, desde a fase de teste até observações de desempenho real, permitindo estabelecer
inferências posteriores sobre a vida de um produto e que venham a fortalecer a relação produtor-
comprador.
11
As empresas costumam gastar uma quantia significativa de recursos e tempo durante a
idealização de um produto para assegurar que ele proporcione o nível de desempenho planejado.
Os produtores elaboram um projeto de produto, escolhem seus componentes, testam sua
funcionalidade e estimam sua confiabilidade. A partir da constatação da confiabilidade em
projetos-teste, os produtores fazem modificações e testes adicionais de forma a estabelecer
padrões de confiabilidade comercialmente aceitáveis.
Quando compradores pensam sobre o termo confiabilidade, eles associam sentimentos de

credibilidade, fidelidade e segurança à empresa e produto desejado, já que esse conceito não é
habitualmente percebido quantitativamente. Para suprir essa falta de representação numérica, a
confiabilidade fica associada principalmente ao período de garantia oferecido. Matematicamente,
a confiabilidade é a probabilidade de um produto vir a operar propriamente por um determinado
período de tempo sem a ocorrência de falhas e sob as condições previamente definidas quando da
elaboração do seu projeto (RAUSAND; HØYLAND, 2004).
A maioria dos compradores está ciente do problema de imperfeições em produtos. O

comprador aceita o fato de que eles podem falhar em algum momento posterior à sua aquisição.
Para satisfazer a esse temor do comprador, o fabricante oferece, dentre vários benefícios de pós-
venda, um período de garantia que estabelece alguma forma de proteção legal ao comprador. A
garantia é um acordo formal que o produtor assume diante do comprador com relação a suprir
necessidades relativas a falhas involuntárias ocorridas durante um tempo pré-determinado
(MURTHY; BLISCHKE, 2006). A garantia é conseqüência de um programa de confiabilidade
adequado; ou seja, o nível de confiabilidade estabelecido para um produto determina o seu
período de garantia. Dessa forma, um alto grau de confiabilidade permite associar um maior
período de garantia. A garantia, por sua vez, valida a confiabilidade de um produto e,
conseqüentemente, pode ser interpretada como um referencial para escolha de produtos.
Porém, antes de ser vista como medida de comparação, a confiabilidade pode ser avaliada
como oportunidade de melhoria. Analisar a confiabilidade implica, automaticamente, poder
dimensionar a garantia, numa relação de custo benefício que possa dar maior competitividade a
um produto diante de seus similares.
12
Para realizar a estimativa do período de garantia, costuma-se medir os tempos de falhas de
um produto. É necessário fazer uso de várias técnicas de coleta de dados, que vão desde a
realização de testes acelerados em laboratório até testes de campo, onde se procura avaliar o
desempenho de equipamentos em situações próximas da realidade.
Todavia, a mensuração e acompanhamento de falhas durante a garantia impõem restrições

à análise de confiabilidade, pois nesse período falhas de produção e falhas ocasionais têm mais
incidência do que falhas por desgaste. Essa evidência caracteriza o nível de censura dos dados e
se expressa em valores bem elevados quando se comparam as quantidades de falhas verificadas
às cifras dos itens produzidos. Por isso, o ideal é dispor de dados que representem o ciclo de vida
completo de um produto a fim de poder caracterizar os mecanismos de falhas ocorridos,
respectivas quantidades e em que tempo da vida do produto se manifestam.
De posse dos dados, é possível realizar testes estatísticos para avaliar comportamentos
decorrentes de modos de falhas característicos. A análise dos dados pode definir o prazo de
garantia de um produto, readequá-lo quando necessário, e programar ações corretivas que visem
melhorar a relação produtor-comprador quanto à qualidade, satisfação, rentabilidade e fidelidade.
Uma das formas para delinear comportamentos de desempenho é estabelecer modelos que
auxiliem na interpretação e sistematização dos dados de desempenho. Um modelo é a
explicitação de um método de análise de dados e é representado por um conjunto de variáveis e
seus inter-relacionamentos. Um modelo é concebido para, no todo ou em parte, representar um
sistema ou processo real (MALHOTRA, 2001).
Vários são os modelos apresentados em estudos de confiabilidade estatística. A maior

parte deles busca realizar inferências sobre a vida toda de um produto a partir dos dados de
garantia, já que esses tipos de dados, como bons subsídios para estabelecer modelos, captam parte
das falhas ocorridas em um determinado período. Porém, o período de garantia habitualmente
não capta a ocorrência de todos os modos de falhas, especialmente aqueles vinculados à fase de
desgaste e majoritariamente ocorrentes após a garantia.
Como conseqüência dessa censura nos dados, problemas potenciais de erros de avaliação
e informação limitada sobre unidades sobreviventes podem ser cometidos. Faz-se necessário,
13
então, obter informações complementares sobre qualidade e desempenho daqueles produtos não
anotados como falhas durante a garantia e que, por não terem ocorrido durante esse período,
ficam, na maioria das vezes, à margem do conhecimento do produtor. Buscar alternativas que
vislumbrem todo o ciclo de vida de um produto são medidas assertivas necessárias como forma
de estabelecer conhecimento e futuras melhorias ao desempenho de um produto.
Dessa forma, a utilização de uma abordagem integrada para análise de confiabilidade deve
ser aplicada, a fim de possibilitar melhorias contínuas e consideráveis que permitam melhorar as
relações entre produtores e compradores.
1.1 O tema e sua relevância
Nos tempos atuais, a existência de um programa de confiabilidade é condição essencial

para a sobrevivência de um produto junto a um mercado consumidor. É recomendável que os
conceitos de confiabilidade estejam difundidos dentro da empresa, de forma a assegurar a
qualidade do produto oferecido aos compradores.
Para estimar confiabilidade e suas medidas é preciso ter informações no decorrer do

tempo a respeito das falhas e suas causas, tempo de operação médio de cada equipamento e
demais indicadores que permitam mapear o seu modo de funcionamento. Para tratar os dados
coletados, é preciso estabelecer formas sistemáticas de coleta e análise, a fim de obter parâmetros
de desempenho e possibilitar futuras melhorias.
A coleta de dados vem ocorrendo de maneira facilitada devidos aos avanços tecnológicos
e à expansão da capacidade de armazenamento de dados, o que permite analisá-los rapidamente e
sob vários perfis de comportamento. Para a análise de dados, modelos matemáticos vêm sendo
desenvolvidos e aprimorados no sentido de captar cada vez mais a realidade de funcionamento
dos produtos e assim possibilitar a realização de inferências, caracterização de padrões e
proposição de melhorias.
14
As empresas buscam melhorar a confiabilidade de seus produtos, pois produtos com alta
confiabilidade são mais duráveis, menos onerosos em termos de custos de manutenção e geram
mais rentabilidade. Para as empresas, os estudos de dados de falhas, desde que tipificados por um
modelo adequado, tornam-se ferramentas importantes para verificar padrões de ocorrência no
decorrer do tempo, realizar previsões de vendas e falhas a ocorrer e, conseqüentemente,
aprimorar o prazo de garantia desses produtos.
Além disso, a análise de dados de falhas, se bem avaliada, torna-se uma ferramenta que
possibilita estudar e conhecer o produto detalhadamente e melhorar a relação produtor/comprador
através do estabelecimento de quesitos de confiança, melhoria de qualidade, melhores negócios e
maior lucratividade associados à melhoria da satisfação. Nesse sentido, a modelagem de dados
passa a ser vista como uma possibilidade de reconhecimento e sistematização do perfil de
comportamento de um produto a partir da identificação dos tempos de falhas verificados. A
modelagem de dados tem sido tema de estudos e pesquisas nos últimos anos com vistas a
capturar o desempenho de produtos e possibilitar a obtenção de previsões e realização de
melhorias na sua qualidade.
Para subsidiar os dados de garantia, mais consistentes haja vista a facilidade de

acompanhamento pelo produtor, novos caminhos de sistematização da informação pós-garantia
podem ser elaborados e estudados de forma a viabilizar um conhecimento mais amplo e completo
do ciclo de vida de um produto.
15
1.2 Objetivos
1.2.1 Objetivo principal
O objetivo da tese é propor um modelo matemático para analisar um conjunto de dados de

vida de produtos, a partir da utilização de dados de garantia, caracterizados pela ocorrência
seqüencial e concorrente de modos de falhas prematuras, aleatórias e por desgaste.
1.2.2 Objetivos específicos
Como decorrência do objetivo principal, os objetivos específicos podem ser divididos da

seguinte forma:
i. Definir as medidas de confiabilidade função densidade de probabilidade, função

distribuição, função confiabilidade, tempo médio até a ocorrência de uma falha
(MTTF - mean time to failure) e função de risco e propor estimadores para os
parâmetros relacionados a essas medidas de confiabilidade;
ii. Aplicar técnicas estatísticas para ajuste de dados;
iii. Utilizar opinião de especialistas como forma de reduzir o nível de censura dos dados
de garantia;
iv. Estabelecer um método para coleta e análise dos dados a serem utilizados na
modelagem proposta; e
v. Comparar o modelo proposto e modelos similares já apresentados na literatura.
vi. Apresentar uma aplicação prática do modelo proposto; e
16
1.3 Justificativa dos objetivos
As justificativas para aplicação do modelo proposto podem ser apresentadas sob os

enfoques prático e teórico.
O enfoque prático fundamenta-se no fato de que estudos dessa natureza são escassos no
país, a despeito de o parque industrial brasileiro ter porte considerável e estar em expansão. Os
estudos relacionados à análise de confiabilidade são apresentados de forma rudimentar e limitam-
se, em muitos casos, a apenas detectar as falhas ocorridas e realizar alguma previsão de reposição
de peças com monitoramento de entrada e saída de estoques. Como agente motivador para
realizar um estudo mais detalhado sobre análise de confiabilidade, considere-se que elevada dose
de empirismo na tomada de decisão pode submeter empresas a riscos que se transformam em
recrudescimento dos custos de produção, manutenção, reposição de peças e perda de
competitividade com possível aumento do preço do produto final ao comprador.
Este trabalho representa um esforço em fortalecer os vínculos entre o meio empresarial e

acadêmico, por traçar um caminho de compreensão sistemática da natureza e dinâmica do
funcionamento de produtos. O estabelecimento do modelo aqui proposto pode servir de
referência para gerar melhorias à tomada de decisão e à realização de investimentos,
principalmente para as empresas brasileiras.
Sob o enfoque teórico, estudos de confiabilidade estatística lidam constantemente com

dois problemas evidentes: (i) caracterizar os modos de falhas no decorrer do tempo de
funcionamento de um produto, e (ii) substituir o elevado nível de censura nos dados de garantia.
A caracterização dos dados por modo de falha permite conhecer melhor o desempenho do
equipamento e pode gerar um diferencial de mercado para o fabricante, o qual planejará
adequadamente o período de garantia dos produtos comercializados. Todavia, numa visão mais
tradicional, quando se realiza uma análise estatística para avaliar a confiabilidade de um sistema,
costuma-se ajustar os dados a apenas uma distribuição de probabilidade, como se houvesse
apenas um modo de falha atuando no produto. Na prática, isso não corresponde à realidade, dado
que modos de falhas distintos podem demandar distribuições de probabilidade específicas. O uso
17
de apenas uma distribuição de probabilidade pode ajustar-se à parte dos dados observados e
tornar inferências gerais menos precisas. Por outro lado, pode ser difícil tratar todos os modos de
falhas separadamente, porém os mesmos podem ser agrupados por características de ocorrência,
associados à curva da banheira, por exemplo, quando os modos de falhas seguem três perfis
distintos (de falhas prematuras, aleatórias e por desgaste).
O modelo proposto neste trabalho busca agrupar a ocorrência de modos de falhas,

separando-os por estágios de ocorrências nos três níveis da curva da banheira, quais sejam taxas
de falha decrescentes (prematuras), constantes (aleatórias) e crescentes (por desgaste), em um
produto que admita a ocorrência simultânea (modelos de riscos concorrentes) e seqüencial
(modelos seccionais) desses três tipos de taxas de falhas, cuja representação dar-se-á por meio da
associação de três distribuições de probabilidade.
Os modelos disponíveis na literatura que tratam de modos de falhas concorrentes e

seccionais em dados de garantia altamente censurados podem se tornar ineficazes na medida em
que não captam a realidade de funcionamento do equipamento, tendo, por isso, um enfoque
exclusivamente teórico.
Os dados de garantia apresentam modos de falhas prematuras, aleatórias e por desgaste,

porém, estes últimos não se apresentam de forma consistente durante o período de garantia, o que
caracteriza um alto nível de censura dos dados e dificulta uma modelagem de dados mais ajustada
à realidade. A falta de consistência dá-se porque falhas de desgaste no período de garantia
normalmente indicam uso estressante de um produto, quando não a mera apresentação do produto
pelo comprador, próximo ao final do período de garantia, como precaução contra falhas futuras.
O estudo realizado por Falcetta (2000) defrontou-se com problemas relacionados à falta
de consistência nos modos de falhas por desgaste. A distribuição de probabilidade para falhas
prematuras e aleatórias estava bem caracterizada, enquanto que a distribuição relativa a falhas por
desgaste não tinha suporte quantitativo. Além disso, o elevado nível de censura nos dados
coletados superestimou a confiabilidade total do produto e distorceu a informação relativa ao
tempo médio até a ocorrência de falhas (MTTF), conseqüência essa da formulação matemática
teórica da censura nos modelos de confiabilidade. Os resultados obtidos acabaram por não
18
espelhar uma situação real de funcionamento do equipamento sob estudo e os modos de falhas
por desgaste foram excluídos das análises realizadas pelo autor.
O modelo aqui proposto está representado por uma expressão matemática. A sustentação
do modelo concretiza-se pela utilização de dados coletados durante o período de garantia
(registros históricos) e de dados subjetivos, obtidos por opinião de especialistas, e associados ao
período de pós-garantia. Os dois tipos de dados dão suporte a uma análise conjunta e realista
acerca do ciclo de vida de um produto e permitem a associação dos mesmos às distribuições de
probabilidade propostas no modelo.
A obtenção de dados complementares a partir de especialistas permitirá tratar a censura

dos dados, tornando o modelo mais confiável e ajustado à situação real de funcionamento do
produto sob estudo. Além disso, a opinião de especialistas pode colaborar para corrigir a
distorção surgida da demonstração teórica da censura nos modelos de confiabilidade,
especialmente quando o nível de censura é muito elevado. Na prática, as análises de
confiabilidade com elevado nível de censura apresentam estimativas muito diferentes da
realidade, pois, quanto maior o nível de censura, maior a distorção dos resultados obtidos se
comparados ao verdadeiro período de funcionamento dos produtos.
Nas pesquisas bibliográficas realizadas não foram encontrados modelos que se propõem a
converter o nível de censura tipicamente presente em uma amostra de dados da utilização de
garantia em dados não censurados. Somente interpretações matemáticas da censura são
comumente apresentadas na literatura. E a modelagem matemática não tem conseguido
interpretar a contento a significação da censura nos dados de falhas gerando estudos mais teóricos
do que práticos. Estudos que se utilizam da inferência bayesiana têm buscado soluções para
reduzir o nível de censura através da aplicação da opinião de especialistas; entretanto, além da
complexidade matemática que os caracterizam, tais estudos acabam por não representar a
realidade, ou só a conseguem em cenários bastante restritivos.
Além disso, o elevado nível de censura dos dados de garantia e a não interpretação dos
modos de falhas característicos implicam limitações às possíveis melhorias no projeto do
produto, gestão pouco eficiente de recursos e, por conseqüência, menor valor para o cliente em
termos de qualidade.
19
O método a ser apresentado, cujo resultado principal é a definição de um modelo
matemático que associa dados de origem objetiva e subjetiva, representa uma proposta integrada
de coleta e tratamento sistemático de dados que pode fortalecer a estratégia mercadológica e
planejamento das empresas. Espera-se, assim, que o estudo realizado nesta tese permita, uma vez
utilizado, obter melhorias na qualidade de produtos.
1.4 Metodologia de pesquisa
A sustentação metodológica para elaboração do modelo matemático proposto neste

trabalho segue a ótica indutivista. O indutivismo possibilita levantar uma proposição geral do
relacionamento de dados particulares (DIONE; LAVILLE, 1999). O método indutivo possibilita
inferir uma verdade geral ou universal não contida nas partes examinadas isoladamente. O
objetivo dos argumentos é obter conclusões cujo conteúdo seja muito mais amplo do que o das
premissas nas quais se fundamentaram. O método indutivo tem o objetivo de ampliar o alcance
dos conhecimentos. A relação entre a evidência observacional e a generalização científica, por
exemplo, é tipicamente indutiva (LAKATOS; MARCONI, 1992).
A condução do raciocínio indutivo aqui exposto configura-se por uma Pesquisa Aplicada.
A Pesquisa Aplicada surge de uma necessidade teórica que auxilie na resolução de um problema
prático (DIONE; LAVILLE, 1999). O modelo matemático a ser proposto refere-se à abordagem
de um problema com a utilização de referências teóricas existentes.
A prática da Pesquisa Aplicada concretiza-se por um estudo de caso de caráter

quantitativo. Um estudo de caso busca investigar um caso em particular com a possibilidade de
abordagem mais detalhada, preservando-se suas características reais (GIL, 1996; YIN, 2001). Os
estudos de casos não apresentam roteiros rígidos de como deve ser desenvolvida a pesquisa,
porém é possível distinguir quatro etapas principais: (i) delimitação da unidade-caso, (ii) coleta
de dados, (iii) análise e interpretação de dados, e (iv) elaboração de relatório conclusivo (GIL,
1996).
20
1.5 Etapas do método a ser utilizado
As principais etapas do método de pesquisa que dão origem ao modelo matemático

proposto estão resumidas a seguir e detalhadas em etapa posterior desta tese.
1. Caracterização do sistema – identificação de um sistema eletro-eletrônico, seus

componentes, características físicas e vínculos entre os componentes;
2. Coleta de dados – definição das formas e tipos de coleta de dados;
3. Proposição do modelo matemático – formulação matemática associada ao referencial
teórico de suporte para a sua apresentação;
4. Análise do modelo – apresentação de medidas de confiabilidade, de gráficos associados e
de estimativas dos parâmetros do modelo proposto;
5. Validação do modelo – utilização de técnicas de ajuste dos dados observados;
6. Comparação do modelo proposto com modelos existentes na literatura;
7. Conclusões – considerações relativas à aplicação do modelo, sua manutenção, vantagens e
possíveis limitações.
1.6 Etapas do Trabalho
As principais etapas de elaboração da tese são apresentadas a seguir:
1. Identificar e analisar os principais aspectos conceituais relacionados ao tema em estudo e

existentes na literatura;
2. Identificar e analisar os principais modelos matemáticos existentes na literatura e
relacionados ao modelo proposto;
3. Propor um modelo matemático para tratar a censura e caracterizar os modos de falhas
predominantes em produtos eletro-eletrônicos;
4. Testar e validar o modelo proposto, identificando o seu grau de aderência à realidade de
funcionamento do produto sob estudo;
21
5. Apresentar comentários sobre os resultados obtidos, inclusive a comparação entre
modelos.
1.7 Limitações e delimitações do estudo
Os estudos agregados de confiabilidade apresentam várias limitações, visto que é difícil

conjugar em um mesmo modelo os enfoques de custos de manutenção, desempenho de um
equipamento/sistema, custos de desenvolvimento do produto e respectivos custos de garantia. As
propostas de estudos sugerem a interpretação das etapas isoladamente e vinculadas ao
planejamento estratégico da empresa com indicadores específicos (ANSELL; PHILLIPS, 1994).
No que se refere ao modelo apresentado nesta tese, as limitações vinculam-se às seguintes

questões:
i. Os compradores do produto não estão agrupados em categorias por intensidade de

uso;
ii. O estudo não realiza análise pormenorizada dos tipos de falhas definidos pelo
produtor. Neste trabalho, os tipos de falhas são agrupados por características de
ocorrência no decorrer do tempo em três níveis, denominados de modos de falhas
prematuras, aleatórias e por desgaste; e
iii. Os modos de falhas caracterizados são tratados como independentes, ou seja, as
falhas decorrentes são devidas exclusivamente ao modo de falha que as gerou.
Quanto à delimitação verificada, o modelo não contempla a análise de falhas

subseqüentes à primeira falha, pois o índice de segundas falhas durante o período de garantia
costuma ser inexpressivo. No banco de dados utilizado no estudo de caso, por exemplo,
verificou-se que em 1,5 anos de garantia apenas 0,02% do total dos produtos apresentou duas
falhas.
22
1.8 Estrutura da tese
O Capítulo 1 apresenta o contexto de dados de garantia e sua importância como

característica de qualidade, o tema do trabalho e sua relevância, os objetivos do estudo,
justificativas dos objetivos, métodos de pesquisa e as etapas do método para estabelecer o modelo
objetivo da tese. Ao final do capítulo, citam-se as possíveis limitações do estudo e como se
apresenta a estrutura da tese.
O Capítulo 2 apresenta o referencial teórico utilizado para desenvolver a tese. A revisão

bibliográfica aborda conceitos relativos ao tema foco da tese e apresenta, na seqüência, modelos
já aplicados na prática e passíveis de comparação ao modelo proposto.
O Capítulo 3 detalha a proposta de modelagem desenvolvida para concretizar a tese,

através da estruturação de etapas de coleta e análise de dados, seleção do modelo matemático
vinculado à opinião de especialista e validação desse modelo através de um estudo de caso.
O Capítulo 4 apresenta a análise do modelo proposto e a comparação do desempenho

modelo frente aos modelos apresentados na seção 2.6.
O Capítulo 5 apresenta as conclusões da tese e sugestões para desenvolvimento de

trabalhos futuros a partir dos assuntos abordados neste trabalho.
As referências bibliográficas são apresentadas no Capítulo 6, no final deste trabalho, assim como
os apêndices mencionados no desenvolvimento do texto.
23
2 Revisão bibliográfica
2.1 Comentários iniciais
A revisão teórica está disposta em cinco tópicos: (i) confiabilidade, (ii) garantia, (iii)
dados de garantia, (iv) modelagem de dados de garantia, e (v) propostas de modelagem de dados
de garantia. A apresentação de cada tópico segue um ordenamento lógico de abordagem que
busca facilitar a compreensão do tema objeto de estudo, desde a apresentação de conceitos gerais
até o detalhamento de modelos idealizados por autores que já lidaram com o assunto de forma
similar à apresentada nesta tese.
2.2 Confiabilidade
Na seqüência são apresentados o conceito de confiabilidade, histórico, aplicação, medidas

de confiabilidade, importância da predição em confiabilidade, cálculo de confiabilidade e
modelagem em estudos de confiabilidade.
O conceito de risco está relacionado à presença de situações indesejáveis.

Freqüentemente, as precauções adequadas contra essas situações podem ser implementadas se o
nível de risco envolvido puder ser avaliado qualitativa e quantitativamente, indicando os pontos
falhos de um produto, sistema ou equipamento, de forma a sugerir ações preventivas ou
corretivas mais eficientes (BERMAN, 1998; BLISCHKE; MURTHY, 2000). A avaliação
quantitativa de riscos de um produto caracteriza-se pela análise de confiabilidade. Dessa forma, a
análise de confiabilidade visa proporcionar um bom desempenho funcional aos produtos com a
detecção de baixo índice de falhas (LAFRAIA, 2001).
A confiabilidade de um produto depende da interação entre leis físicas, projeto de

engenharia, processos de produção, decisões gerenciais, eventos aleatórios e uso do produto.
24
Aumentar a confiabilidade de um produto é muitas vezes um procedimento complexo que
envolve uma ou mais atividades, incluindo refazer o projeto, propor melhorias de materiais e
processos, assim como acrescentar elementos adicionais tais como, transporte, armazenamento e
manuseio adequados (MEEKER; ESCOBAR, 1998; PASQUINI et al., 2001).
A análise de confiabilidade de um sistema será sempre fundamentada em um conjunto de

suposições e condições limitantes. Há que se saber (i) quais partes do sistema serão incluídas na
análise, (ii) quais são os objetivos das análises, pois diferentes objetivos podem requerer
diferentes abordagens, (iii) quais interfaces serão utilizadas, (iv) que nível de detalhes é exigido,
(v) quais fatores de stress devem ser considerados na análise (sabotagem, terremotos, greves,
etc.), e (vi) quais são as condições ambientais de atuação do sistema (RAUSAND; HØYLAND,
2004). Tais aspectos são definidos no estágio de elaboração de projeto do produto através da
realização de testes até a própria utilização e efetiva manutenção do seu estágio operacional.
Estudos de confiabilidade envolvem discussão de conceitos e técnicas de muitas disciplinas.
Resultados de estudos de confiabilidade são importantes informações de entrada para decisões de
modelagem, manufatura, comercialização, estratégia de vendas e produção, e atendimento de
pós-vendas (BERMAN, 1998; CHAUDHURI et al., 2001).
Uma das finalidades dos estudos de confiabilidade é definir a margem de segurança a ser
proporcionada ao comprador. As empresas gastam quantia considerável de recursos e tempo para
elaborar um projeto de produto, escolher seus componentes, testar sua funcionalidade e estimar
sua confiabilidade. A partir da constatação da confiabilidade em projetos-teste, os produtores
fazem modificações e testes adicionais de forma a estabelecer padrões de confiabilidade
comercialmente aceitáveis. Uma vez que o projeto esteja estabelecido em condições aceitáveis,
busca-se como objetivo a confiabilidade desejada (MURTHY, 1990). As idéias relacionadas ao
conceito de confiabilidade são: (i) confiança, (ii) durabilidade, (iii) presteza para operação/boa
funcionalidade, e (iv) ausência de falhas (ANSELL; PHILLIPS, 1990; ELSAYED, 1996;
GOLOMSKI, 2001; MAJESKE; HERRIN, 1995).
O conceito estatístico de confiabilidade representa a probabilidade de que um produto não

falhe durante um período de tempo previsto sob determinadas condições ambientais
(RAUSAND; HØYLAND, 2004). Essa definição implica esclarecer fatores básicos, tais como:
(i) quantificação de confiabilidade em termos de uma probabilidade, (ii) definição de
25
desempenho do produto em detalhes (condições de operação), (iii) estabelecimento do tempo de
operação, e (iv) orientação das condições ambientais em que o equipamento deve funcionar
(BLISCHKE; MURTHY, 2000; O’CONNOR, 2000).
Dessa forma, a análise de confiabilidade pode ser vista como uma ferramenta que auxilia
o produtor a tomar decisões de maneira orientada. As decisões podem ser técnicas (científicas) e
não técnicas (estratégicas ou gerenciais) (BLISCHKE; MURTHY, 2000).
Até a segunda guerra mundial, a noção de confiabilidade era meramente intuitiva e

qualitativa. No final da década de 30, teorias para modelar nível de fadiga em materiais com
posteriores desdobramentos probabilísticos começaram a ser apresentadas como decorrência das
descobertas advindas da Revolução Industrial e do início da produção seriada. As abordagens
quantitativas surgiram como exigência ao uso crescente de novas e mais complexas tecnologias.
Nesse período, a confiabilidade consistia de uma mera representação quantitativa, em que a
expressão de confiabilidade caracterizava-se pela análise de aspectos físicos dos produtos e pela
tentativa da representação numérica tão somente quando os dados disponíveis eram obtidos. O
final dos anos 50 e início dos 60 do século passado foi o período de início de destaque de estudos
de confiabilidade, quando a tecnologia moderna encontrou maior desenvolvimento e havia uma
necessidade de produtos confiáveis em setores comerciais e militares (BLISCHKE; MURTHY,
2000; O’CONNOR, 2000; RUEDA; PAWLAK, 2004).
A análise de confiabilidade tem aplicação em muitas áreas, tais como: análise de riscos,
identificação e descrição de acidentes potenciais dentro de um sistema, proteção ao meio
ambiente, otimização de manutenção e operação de equipamentos, dentre outros. A produção em
processos just-in-time e funcionamento de cadeias de fornecimento e suprimento, por exemplo,
são conseqüências do aprimoramento de redes de confiabilidade estabelecidas e melhorias na
previsão dessa confiabilidade. Se um dos pontos da rede não é confiável, compromete-se a rede
como um todo. Atualmente, as abordagens para determinação de confiabilidade buscam associar
várias características relacionadas aos aspectos físicos do produto e seu contexto de
funcionamento, analisando dados disponíveis, níveis de censura dos dados, opinião de
especialistas como complemento de informação, análise do comportamento dos compradores, etc.
(GOLOMSKI, 2001; RAUSAND; HØYLAND, 2004).
26
A maior parte das variáveis envolvidas no projeto de um produto não pode ser exatamente
definida, ou seja, são variáveis aleatórias que, em maior ou menor grau, requerem tratamento
probabilístico. O objetivo da análise dessas variáveis é fornecer parâmetros para concluir o
projeto, uma vez que a estimativa de confiabilidade de um produto é algo que vem dessa fase,
pois, para um produto já em produção ou distribuição, praticamente nada pode ser feito para
melhoria da confiabilidade, salvo acompanhar o seu uso e degradação e propor melhorias para o
projeto (BERMAN, 1998; CHAUDHURI et al., 2001; MAJESKE et al., 1997).
Confiabilidade é definida como uma probabilidade que é função do tempo, tais como
idade, tempo de calendário, tempo desde o reparo, número de quilômetros dirigidos por um
motorista, rotações de um motor, ciclos para um trabalho periódico, por exemplo. Usualmente,
em confiabilidade, o período de tempo é o intervalo inicial de comprimento t que é representado
por [0, t ) . Define-se uma variável aleatória contínua T que denota o tempo de ocorrência de um
evento de interesse (falha, por exemplo). Supõe-se que o evento ocorra durante um intervalo
[0, ∞ ) e siga uma função densidade de probabilidade f (t ) que, por sua vez, pressupõe: (i)
∞
f (t )dt = 1 ; e (iii) P(t1 ≤ t 2 ) = ∫ f (t )dt . A respectiva função distribuição
t2
f (t ) ≥ 0, ∀t ∈ ℜ ; (ii) ∫ 0 t1
t
F (t ) é definida por ∫
0
f (t )dt = P(T ≤ t ), ∀t ∈ ℜ . No contexto de confiabilidade, a f (t ) registra
as probabilidades pontuais de ocorrência de tempos-até-falha. A função distribuição F (t ) fornece

uma visão do crescimento progressivo dos eventos no decorrer do tempo, permitindo avaliar
qualquer alteração que requeira análise particularizada (ELSAYED, 1996; RAUSAND;
HØYLAND, 2004; BLISCHKE; MURTHY, 2000).
As principais medidas de confiabilidade de um item não reparável (análise até a
ocorrência da primeira falha) podem ser apuradas como exposto nos parágrafos a seguir
(ELSAYED, 1996; KAPUR; LAMBERSON, 1977; RAUSAND; HØYLAND, 2004).
A função confiabilidade R(t ) representa a probabilidade de não ocorrência de falha no

intervalo [0, t ) , e do equipamento ainda estar funcionando no tempo t; ou seja, R(t ) representa a
probabilidade de bom funcionamento de um produto. Matematicamente, a R(t ) pode ser
determinada pela eq. (1):
27
t ∞
R(t ) = 1 − F (t ) = 1 − ∫ f (t )dt = ∫ f (t )dt = P(T > t ) (1)
0 t
A função confiabilidade é decrescente; logo, após o início do uso de um produto (t ≥ 0 )

este tende a ter sua confiabilidade naturalmente reduzida. A função confiabilidade ainda
possibilita obter a probabilidade de falhas ocorrerem em um intervalo [t1 ,t 2 ] , conforme eq. (2):
P (t1 ≤ T ≤ t 2 ) = P(T > t1 ) − P(T > t 2 ) = R(t1 ) − R(t 2 ) (2)
A função de risco h(t ) representa o número de falhas por unidade de tempo. A função de
risco corresponde à probabilidade de falha do item no intervalo de tempo (t , t + Δt ) quando se
sabe que o produto estava funcionando no tempo t. A visualização gráfica da função de risco no
decorrer da vida de um produto permite captar se a taxa de falhas é crescente, constante ou
decrescente, de acordo com o valor numérico da taxa de falhas em cada instante t. A expressão
matemática da taxa de falha é dada pela eq. (3):
F (t + Δt ) − F (t )
h(t ) = P(t < T ≤ t + Δt T > t ) = (3)
R(t )
O tempo médio até a falha de um produto (MTTF), distintamente do MTBF (Mean Time
Between Failures – tempo médio entre a ocorrência de falhas), é o tempo transcorrido desde o
início de seu funcionamento até a ocorrência da primeira falha. Considera-se t = 0 o tempo
inicial de funcionamento do produto. O cálculo do MTTF é obtido pela eq. (4):
∞
MTTF = ∫ R(t )dt (4)
0
As funções f (t ) , F (t ) , R(t ) , h(t ) e MTTF estão relacionadas matematicamente. A

identificação de uma dessas funções permite deduzir as demais. Maiores detalhes acerca desse
relacionamento podem ser encontrados em Rausand e Høyland (2004).
A importância da predição de confiabilidade pode conduzir a: (i) prever desempenho de
um produto para garantir um mínimo de tempo de vida, (ii) reduzir custos de
manutenção/operação/apoio/garantia, (iii) reduzir a probabilidade de acidentes, (iv) aumentar a
produção de produtos mais lucrativos, (v) aumentar lucros através de menor número de paradas
28
não programadas, (vi) responder rapidamente às mudanças nas especificações dos produtos, (vii)
cumprir com a legislação ambiental, de segurança e higiene, (viii) permitir realizar investimentos
em segurança no uso do produto, (ix) possibilitar continuidade operacional, (x) eliminar causas
básicas de paradas não programadas, (xi) diminuir os prazos de paradas programadas, (xii)
reduzir atividades de manutenção, (xiii) determinar causas básicas das falhas, (xiv) atuar nas
causas básicas dos problemas e não nos sintomas, através de histórico de falhas, (xv) prevenir
falhas em equipamentos similares, (xvi) determinar fatores críticos para a manutenção, e (xvi)
visualizar o comportamento da taxa de falhas no decorrer do tempo (ANSELL; PHILLIPS, 1994;
MURTHY; DJALAMUDIN, 2002; O’CONNOR, 2000; RUEDA; PAWLAK, 2004).
A exata avaliação da confiabilidade de um sistema (produto) pode ser difícil e muitas

vezes impossível. O primeiro passo para avaliar a confiabilidade de um sistema é identificar
como se relacionam seus componentes. Para compreensão da estrutura de funcionamento de um
sistema, diagramas proporcionam uma boa representação visual. Esses modelos permitem ter
melhor compreensão da finalidade do sistema antes de aplicar técnicas matemáticas. Os
diagramas mais específicos para realizar análise de confiabilidade são o diagrama de blocos, a
FTA (Fault Tree Analysis), o FMEA (Failure Mode Effect Analysis) e a análise da árvore de
eventos (RUEDA; PAWLAK, 2004). O detalhamento sobre a utilização desses diagramas pode
ser obtido em Rausand e Høyland (2004).
A confiabilidade total de um sistema é apurada tão logo as principais medidas

quantitativas de confiabilidade sejam evidenciadas por componente, bastando analisar as relações
de conexão entre esses componentes dentro do sistema, se em série, paralelo ou alguma formação
mista. A teoria e cálculos detalhados para obter a confiabilidade total de um sistema podem ser
obtidos em Murthy e Blischke (2006).
Em situações práticas, modelos de sistemas são propostos, ou escolhe-se algum dentre os

possíveis já existentes, de forma a melhor enquadrar o conjunto de dados coletados e resolver um
problema percebido. A modelagem trata de construir protótipos para obter soluções de problemas
de previsão, estimando e otimizando o desempenho de um sistema não confiável, o impacto da
não confiabilidade e definindo ações para atenuar esse impacto. A modelagem em confiabilidade
pode ser dividida em duas categorias: qualitativa e quantitativa. A qualitativa é pretendida para
verificar modos de falha e causas que contribuem para a não confiabilidade de um produto.
29
Nesses casos, normalmente se opta por modelos gráficos, como os diagramas mencionados
anteriormente. A modelagem quantitativa utiliza dados de falhas em conjunção com modelos
matemáticos para produzir estimativas probabilísticas sobre o desempenho de um produto
(ORMON et al., 2002).
2.3 Garantia
A seguir, a abordagem sobre garantia é apresentada por conceituação, estrutura de

funcionamento e cadeia de aplicação.
Na decisão por adquirir um produto, os compradores tipicamente comparam

características similares de produtos de marcas concorrentes. Em muitos casos, a escolha por
preço ou a suposta qualidade percebida é dificultada, pois os produtos têm apresentação quase
igual. Em tais situações, fatores de pós-venda têm uma importância adicional na escolha. A
garantia é um desses fatores, explicitamente identificado no momento da compra e utilizado
como variável de comparação (MURTHY; BLISCHKE, 1992b). A garantia é um compromisso
assumido pelo produtor de que o produto adquirido pelo comprador terá assistência em caso de
falhas ocorridas involuntariamente (MURTHY; DJALAMUDIN, 2002).
A maioria dos produtos é vendida com alguma forma de garantia. O tipo de garantia
oferecido depende do tipo de produto, pois garantias servem a diferentes propósitos para
comprador e produtor (MURTHY et al., 2004b). Caso um produtor ofereça maior tempo de
garantia que seu concorrente, significa que a confiabilidade do seu produto reduz custos
associados à utilização de garantia. Dessa forma, a garantia é uma importante característica e
pode ser utilizada como aspecto mercadológico para promover vendas (WU; MEEKER, 2002).
Em termos gerais, o propósito da garantia é estabelecer uma conexão de responsabilidade

e confiança entre produtor e comprador caso algum impedimento para funcionamento do produto
adquirido venha a ocorrer. A garantia é parte integral de quase todas as transações comerciais que
envolvem a aquisição de produtos. A garantia é certeza de baixo índice de falhas, pois, se não o
30
fosse, inviabilizaria a comercialização posterior, a possível melhoria do produto e melhor
usufruto e satisfação do comprador. Muitas vezes a garantia é utilizada como meio de divulgação
da qualidade de um produto para melhorar vendas: em outras vezes é imposição ao produtor por
decorrência de legislação vigente (governo) para proteger os interesses dos compradores
(MURTHY; BLISCHKE, 1992b).
A Figura 1 apresenta a estrutura de funcionamento de um sistema de garantia sob a

perspectiva de produtor, comprador e governo. O sistema todo pode ser visto como uma corrente
envolvendo vários componentes.
PRODUTOR GOVERNO COMPRADOR
Projeto Produção
Meio Uso do
ambiente Produto
Confiabilidade Custos de Legislação

do Produto garantia
Desempenho
Venda GARANTIA
Pós-Venda
Figura 1 Estrutura de funcionamento do sistema de garantia de um produto

Fonte: Adaptada de Murthy e Blischke, 2006.
As decisões de garantia necessitam ser realizadas em uma estrutura de funcionamento que

examina uma ligação forte entre aspectos técnicos (projeto e produção) e comerciais (mercado,
preço, vendas, revendas e custos de serviço de garantia) em uma completa perspectiva de
negócio. O produtor elabora e vende produtos para compradores com uma política de garantia. O
desempenho dos produtos depende da interação entre características dos produtos (influenciado
pelo projeto e decisões de produção) e seu uso (influenciado pelo comprador). Se o desempenho
do produto não for satisfatório em algum momento durante o período de proteção, a exigência
31
por garantia ocorre. O produtor oferece o serviço de garantia e isso se converte em custos. Caso
alguma situação de litígio entre produtor e comprador surja com relação ao uso da garantia, o
governo, como órgão legislador, pode ser acionado para que um posicionamento legal lhe seja
solicitado (MEEKER; ESCOBAR, 1998; MURTHY; BLISCHKE, 2006).
Como resultado do funcionamento dessa estrutura, reivindicações de garantia são

conseqüência da confiabilidade do produto, modo de uso e condições do meio-ambiente e termos
de garantia. Os serviços de garantia requerem canais de atendimento, facilidades para reparos,
reposição de peças, transporte de equipamentos, etc. (MURTHY; BLISCHKE, 1992b). Os
produtores são exigidos a proporcionar compensação para qualquer avaria resultante de falhas
involuntárias. Isso tem séria implicação para produtores, pois leis de responsabilidade e
legislação de garantia são estabelecidas como manifestação da sociedade para assegurar ajuste
dos produtos às suas necessidades de uso e compensação por falhas (GOLOMSKI, 2001).
A garantia de um produto tem sido estudada sob diferentes perspectivas que permitem
estabelecer uma cadeia de aplicação vinculada à compreensão das seguintes fases (Figura 2): (i)
contexto cultural da garantia, (ii) papel da garantia e implicações no ciclo de vida do produto, (iii)
gestão da garantia e logística, (iv) análise de custos, (v) políticas de garantia, e (vi) estratégias de
garantia (ELSAYED, 1996; MURTHY; BLISCHKE, 2006; MURTHY; DJALAMUDIN, 2002;
O’ CONNOR, 2000).
Contexto Análise de custos Estratégias

Cultural
Papel da garantia GARANTIA

Logística
Ciclo de vida Gestão da garantia

Políticas de garantia
do produto
Figura 2 Cadeia de aplicação da garantia

Fonte: elaborada pelo autor
32
A contextualização cultural da garantia refere-se à forma como ela se apresenta inserida
em uma sociedade. Numa visão cultural, a confiabilidade de um produto é estática, representante
de um percentual de sucesso. A garantia, por sua vez, é mais dinâmica, é um conjunto de regras
conseqüentes ao contexto social em que ela está sendo aplicada. A garantia depende de regras
sociais estabelecidas entre produtor, comprador e governo (Figura 1). Quanto maior o equilíbrio e
interação entre essas partes, maior a tendência de se obter um sistema de garantia mais
equilibrado e justo (MURTHY; BLISCHKE, 2006).
O papel da garantia pode ser visto sob três pontos de vista (GOLOMSKI, 2001;
MURTHY; BLISCHKE, 2006; RUEDA; PAWLAK, 2004): (i) do comprador, (ii) do produtor, e
(iii) do legislador.
Do ponto de vista do comprador, a garantia é proteção e informação. É proteção, porque

estabelece um meio de reparar erros decorrentes de falhas na produção ou falhas involuntárias,
quando o produto foi devidamente utilizado. É informação, pois proporciona conhecimento sobre
a confiabilidade de um produto.
Sob o ponto de vista do produtor, a garantia significa proteção e promoção. Quando vista
como proteção, a garantia é uma precaução contra o uso indevido do produto (em desacordo às
especificações de manual, por exemplo), e sua posterior falha. O sentido de promoção está
vinculado ao fato de que, através da explicitação das regras da garantia, os compradores inferem
que maior garantia significa maior confiabilidade no produto e isso pode ser utilizado como
direcionamento do comportamento de compra.
Sob o ponto de vista do legislador, a garantia significa balizamento e definição de

responsabilidades. Como os propósitos da garantia incluem proteção para produtor e comprador,
os termos de garantia são muitas vezes um esclarecedor quanto à tomada de decisão em caso de
situações esporádicas e litigiosas relativamente à ocorrência de uma falha. O legislador da
garantia atua com importante papel na resolução de disputas que possam ocorrer entre comprador
e produtor. As garantias atribuem desafios sérios para esses legisladores em termos de formular
políticas de garantia claras e objetivas que busquem estabelecer o verdadeiro limite de
responsabilidades entre as partes.
33
O ciclo de vida de um produto é um sistema complexo envolvendo quatro estágios: (i)
projeto e desenvolvimento, (ii) produção, (iii) comercialização, e (iv) suporte de pós-venda.
Decisões sobre aplicação de garantia devem ser levadas em conta em cada um desses estágios,
conforme já apresentado na Figura 1 (ANSELL; PHILLIPS, 1994; MURTHY; BLISCHKE,
2006).
As modificações necessárias para melhorar a confiabilidade de um produto serão sempre

realizadas em nível de projeto. Nesse estágio, é necessário definir estratégias de garantia em
conjunção com outras estratégias técnicas e comerciais para alcançar objetivos mais abrangentes
relativamente às vendas e captar mais compradores (MEEKER; ESCOBAR, 1998). A produção
incumbe-se de concretizar as alterações propostas em projeto e que venham a atender a melhora
na confiabilidade (MURTHY; BLISCHKE, 2006). A comercialização é responsável pela
exposição e apresentação do produto aos possíveis compradores. O suporte pós-venda inclui
instalação do produto, serviços de garantia e manutenção, garantia estendida, provisão de peças
de reposição, programas de treinamento, atualização de produtos, dentre várias formas de
assistência ao comprador. Algumas delas são partes integrantes das vendas e outras são opções
pelas quais os compradores pagam valor adicional (MURTHY; DJALAMUDIN, 2002).
Há diversas características de qualidade percebidas e elas podem variar significativamente

de comprador para comprador. Muitos deles podem ter expectativas incorretas relativas ao
desempenho do produto por uma série de razões (afirmações exageradas feitas durante a
promoção, cliente não sendo completamente informado, etc.). Contudo, outras características,
mais tangíveis, podem ser objetivamente estimadas. Isso inclui tempo de resposta para atender a
uma exigência de garantia, o tempo para retificar um item com defeito, imediata reposição de
peças e recursos de oficina, por exemplo. Essas características estão diretamente relacionadas a
uma estrutura de logística e suporte. Por meio de uma estrutura eficiente os impactos negativos
dessa percepção podem ser minimizados (MURTHY; BLISCHKE, 2006). Além disso, a logística
da garantia do produto é importante no contexto de vendas, pois pode assegurar elevada
satisfação do comprador com a redução de custos do serviço de garantia e melhoria da
lucratividade do comprador (MURTHY et al., 2004b). A existência da logística exige a
elaboração de uma vasta estratégia, do número necessário de centros de serviço e sua localização
à avaliação da capacidade para cada centro, o transporte de material necessário para o serviço de
34
garantia, a gestão de peças de reposição, escalas de trabalho e decisões ótimas de reparos e
reposição de peças/produtos (MURTHY; BLISCHKE, 1992b).
Falhas ocorrem em um nível de incerteza e são influenciadas por fatores tais como
problemas de projeto, produção, manutenção e operação. Não há forma de eliminar totalmente as
falhas, haja vista que elas irão ocorrer mais cedo ou mais tarde; porém, o que se pode pretender é
reduzir a probabilidade de sua ocorrência dentro de um tempo limite planejado. Isso exige uma
efetiva integração daquilo que se pode definir como boa engenharia aliada a uma boa gestão para
que as falhas e suas conseqüências sejam minimizadas e o produto possa atender seu propósito
inicial (RAUSAND; HØYLAND, 2004).
O ponto central da gestão da garantia está vinculado à eficiência em administrar as

reclamações surgidas. Porém, a atenção no recebimento de uma reclamação deve estar voltada
para assegurar que elas sejam válidas e seqüencialmente analisadas, reparadas e retornadas à fase
do projeto para reduzir sua reincidência. Essa fase de aceitação de reclamações pode ser dividida
em três estágios, como exposto a seguir (MURTHY; BLISCHKE, 2006).
O primeiro estágio é o de gerenciamento da garantia de forma unilateral, em que

produtores administram a venda de seus produtos voltados para explicações que pouco tentam
compreender o contexto de utilização de um produto pelo comprador. Diz-se que os produtores
movimentam-se muito pouco além das suas idéias e têm avaliações pré-concebidas sobre o
produto que vendem e as opiniões/reclamações que recebem.
No estágio 2, o foco está na melhoria do desempenho do negócio através de ações que

conduzam para a redução dos custos de garantia e/ou aumento da satisfação dos clientes. Isto é
alcançado através de mudanças no projeto do produto, na produção e estruturação logística do
serviço de garantia através de uma análise própria dos dados obtidos durante os serviços de
atendimento de reclamações.
O estágio 3 vê a garantia sob uma perspectiva estratégica, ajustada a questões técnicas e

comerciais conjugadamente, desde o projeto até a obsolescência do produto por desgaste total.
Nesse estágio, o objetivo da gestão da garantia é alcançar objetivos comerciais com foco
associado ao desempenho do produto. Busca-se, ainda, assegurar a satisfação do cliente de forma
35
sistemática, inclusive procurando-se alternativas de uso de novos equipamentos ao final do ciclo
de vida do produto acompanhado.
Algumas questões de ordem prática com que o produtor se depara constantemente e que
tem fator decisivo no gerenciamento da garantia e estabelecimento de uma logística de atuação
são (ELSAYED, 1996; MURTHY; BLISCHKE, 2006; MURTHY; DJALAMUDIN, 2002;
ORMON et al. 2002; RAUSAND; HØYLAND, 2004):
• como a confiabilidade do produto afeta as reivindicações dos compradores durante o

período de garantia,
• qual o impacto de um baixo controle de qualidade durante a produção no custo de
serviço de garantia,
• qual o custo de garantia como resultado da política de garantia estabelecida,
• o que deve ser um investimento ótimo em melhoria de confiabilidade, dados os
termos de garantia,
• que esforço deverá ser despendido para reduzir o risco de que os custos de garantia
não excederão algum valor específico que inviabilize a rentabilidade,
• qual estratégia de garantia deve ser utilizada para promover o produto,
• qual o número de peças de reposição necessário para atender as falhas em produtos
não reparáveis durante o período de garantia,
• como lidar com os assuntos de logística para assegurar serviços de garantia,
• como selecionar os agentes de serviço para atender exigências de garantia,
• como desenhar o contrato com o agente de serviço para proporcionar incentivos para
honestidade e para provisão do melhor serviço possível,
• que tipo de dados devem ser coletados para efetivamente gerenciar a garantia,
• como se deve desenvolver um sistema efetivo de gerenciamento de garantia
• como o produtor deve responder às mudanças da legislação de garantia, e
• como resolver uma disputa de garantia.
Dessa forma, o gerenciamento da garantia deve ser realizado em dois diferentes níveis:
estratégico e operacional. O nível estratégico lida diretamente com o processo de tomada de
decisão que aborda todos os aspectos de vida do produto desde a concepção até a sua
36
obsolescência. O processo de gestão submete-se ao impacto de incertezas externas (economia e
concorrência) e internas (resultado de pesquisas e seu desenvolvimento). Por isso, define-se com
atuação de médio e longo-prazo. No nível estratégico, a gestão deve ser abordada em conjunção
com outras formas de atuação, sejam elas comerciais ou técnicas. Isso pode feito utilizando o
conceito de ciclo de vida do produto e consiste em cinco estágios: concepção, projeto e
desenvolvimento, produção, comercialização e suporte para pós-venda (ver Figura 1)
(MURTHY; BLISCHKE, 2006).
No nível operacional, decisões relacionadas a muitos assuntos técnicos (testes de

confiabilidade, por exemplo) e assuntos comerciais (mensuração dos níveis de estoque para
prestar o devido serviço de manutenção) devem ser dirigidas para assegurar a realização das
decisões do nível estratégico. A gestão operacional é responsável pelo alcance das ações diárias e
que conduzem ao alcance da visão estratégica (MURTHY; BLISCHKE, 2006).
Como o produtor é responsável pela execução dos serviços de garantia, as ações a serem
realizadas dependem dos termos estabelecidos contratualmente. Esses serviços implicam em
incidência de custos, os quais podem ser minimizados através do estabelecimento de estratégias e
do efetivo gerenciamento da logística da garantia, o que inclui o comparativo entre reparar ou
substituir, estocar peças de reposição, realizar possíveis recalls, etc. (MURTHY, 1990).
A garantia, desde que apresente custo adicional em serviços, conduzirá a custos potenciais
além daqueles estabelecidos quando da criação do produto. Esses custos tipicamente variam entre
2 e 15 % da cadeia de vendas. Conseqüentemente, a garantia tem impacto considerável no lucro
total do produto (MURTHY; BLISCHKE, 2006).
Os custos são claramente diferentes para comprador e produtor. Esses custos são variáveis
aleatórias já que solicitações de conserto durante o período de garantia e o custo para retificá-lo
são incertos. O custo de garantia por item é importante para estabelecer o preço de um produto. O
preço de venda deve obrigatoriamente exceder ao preço de produção mais o da garantia, sob o
risco de se inviabilizar futuras comercializações do produto. Na média, o custo de garantia por
item diminui enquanto a confiabilidade aumenta (MURTHY; BLISCHKE, 2006).
37
Os custos de interesse para comprador e produtor podem ser mensurados da seguinte
forma: (i) custo de garantia por unidade vendida; (ii) custo de garantia pelo tempo de vida do
produto, incluindo custo de compra, manutenção, reparos após término do período de garantia,
custos de operação e custos de disposição; (iii) custos de garantia durante o ciclo de vida do
produto, dependente do intervalo no qual compradores adquirem o produto, o ciclo de vida inicia
com o lançamento do produto no mercado e termina com a sua retirada; e (iv) custo por unidade
de tempo, utilizado para gerenciar recursos de serviços de garantia tais como estoques, mão-de-
obra e vendas (MURTHY, 1990).
As políticas de garantia podem ser apresentadas sob vários enfoques e possíveis

associações entre eles. Um desses enfoques estabelece como primeiro critério para classificação o
fato de a garantia exigir, ou não, desenvolvimento subseqüente à venda do produto (MURTHY;
DJALAMUDIN, 2002).
As políticas que envolvem desenvolvimento subseqüente à venda são utilizadas

principalmente na indústria, em aquisições de produtos complexos ou em grande quantidade,
como trens e aviões. São aqueles produtos adquiridos por mercados específicos e construídos por
encomenda, e muitas vezes envolvendo tecnologias de ponta (MURTHY; BLISCHKE, 2006).
Políticas que não envolvem desenvolvimento do produto após a venda podem ser
divididas em dois grupos: (i) aplicadas às vendas avulsas, e (ii) aplicadas às vendas por lotes.
Produtos duráveis são vendidos com políticas de garantia de compra que consideram itens
avulsos. Produtos comerciais e industriais apresentam políticas distintas, dependendo se vendidos
individualmente ou por lote (MURTHY; BLISCHKE, 2006).
As políticas de garantia podem ainda ser subdivididas conforme sua aplicação a produtos
reparáveis ou não reparáveis. No caso de uma política de garantia para produtos reparáveis
unidimensionais (ou seja, existe uma única variável de controle no possível uso do produto), a
garantia obtém renovação após cada falha ocorrida dentro do intervalo de garantia. A garantia
cessa somente quando um produto funciona satisfatoriamente sem falhas dentro desse tempo. No
caso de garantias bidimensionais, a garantia caracteriza-se por região em um plano bidimensional
com eixos representando a idade e o tempo de uso de um produto, por exemplo, em que a
primeira dimensão a ser utilizada plenamente determina o fim da garantia. No caso de políticas
38
para produtos não reparáveis, eles são substituídos por novos itens e têm sua garantia renovada a
cada substituição (MURTHY; BLISCHKE, 2006; MURTHY; DJALAMUDIN, 2002).
Outro enfoque classifica a garantia como simples ou combinação. Na política de garantia

livre de falha, se as falhas ocorrerem em um período de duração desde o instante da venda, exige-
se que o produtor repare ou recoloque o produto com falha por um novo sem custos para o
comprador. Essa política define-se como FRW (Free Replacement Warranty) (MURTHY;
DJALAMUDIN, 2002).
Na política de garantia com desconto PRW (Pro-Rata Warranty) o produtor devolve ao

comprador uma fração do preço original de compra. Às vezes, assume-se uma política de
desconto linear, incondicional, em que o produtor devolve uma fração do valor original. O
desconto condicional vincula a recolocação do produto com falha a uma nova compra
(BLISCHKE, 1990; ELSAYED, 1996).
A FRW e PRW são duas políticas simples. Uma política combinada é uma política
simples agregada com alguma característica adicional do produto ou uma política que combina os
termos de duas ou mais políticas simples. As políticas combinadas envolvem diferentes
características que mudam ao longo do tempo, como, por exemplo, a RIW (Reliability
Improvement Warranty- Garantia associada à confiabilidade). A idéia básica da RIW é estender a
noção de uma garantia simples (normalmente uma FRW) para incluir garantias associadas à
confiabilidade dos itens e não somente o seu desempenho imediato de curto prazo. O objetivo da
RIW é negociar termos de garantia que motivem o produtor a continuar realizando melhorias em
confiabilidade depois da entrega do produto ao comprador. Essa política é aplicada quando da
aquisição de produtos complexos, reparáveis e previstos para uso por um longo período, tais
como equipamentos militares (BLISCHKE; MURTHY, 2000; MURTHY; DJALAMUDIN,
2002).
Atualmente, além do conceito clássico de garantia surge o conceito de garantia estendida.

A garantia estendida é adquirida separadamente como serviço adicional com custo explícito para
o comprador. A garantia tradicional tem seus custos embutidos como parte do produto vendido,
sem evidências de custos extras para o comprador. A garantia estendida é opcional e pode ser
realizada tanto pelo produtor quanto pelo vendedor do produto, no caso de eles não representarem
39
o mesmo indivíduo. Assim como na mensuração da garantia tradicional, o custo da garantia
estendida está relacionado à confiabilidade do produto e à intensidade do seu uso, porém
considera-se que a probabilidade de falhas ocorrerem nesse período é maior (MURTHY;
BLISCHKE, 2006).
Estratégias de garantia tratam da tomada de decisão com relação a todos os aspectos sob
ponto de vista comercial. O objetivo do produtor é estabelecer um vínculo de longo prazo com o
comprador (BENETT et al., 2003).
A definição de uma estratégia de garantia envolve formular etapas coerentes e bem

integradas com estratégias de outras áreas da empresa. Uma estratégia apropriada de garantia
depende do tipo de produto, do comprador e de toda a estrutura mercadológica para divulgar o
produto. As estratégias dependem, também, de fatores externos, especialmente estratégias de
competição e utilizadas pelos concorrentes. A estratégia deve reunir aspectos técnicos e
comerciais durante todo o ciclo de vida do produto, o que afeta custos de garantia e custos
comerciais. Um aspecto chave na operacionalização de estratégias de garantia é que decisões
relacionadas à garantia devem começar muito cedo, num estágio inicial do ciclo de vida do
produto e não após o seu lançamento. Tais decisões devem ser regularmente atualizadas durante
todo o ciclo de vida do produto (MURTHY; DJALAMUDIN, 2002).
Estratégias de garantia dependem, ainda, do posicionamento do produtor como líder ou

seguidor de mercado. A liderança, ou não, dita se a estratégia é ofensiva ou defensiva. A
estratégia diz-se ofensiva quando a garantia é utilizada como demonstração de confiabilidade. Se
o produtor reage à competição, a garantia é utilizada como ferramenta defensiva. Nesse caso, o
objetivo é equiparar-se à competição para evitar perdas em vendas ou corrigir possíveis
problemas gerados por percepções equivocadas a respeito do produto, por exemplo. A FRW é
uma estratégia ofensiva e a PRW é uma estratégia defensiva (MURTHY; BLISCHKE, 2006).
40
2.4 Dados de garantia
A coleta de dados faz-se necessária em todas as fases do ciclo de vida de um produto a

fim de dar suporte à tomada de decisão e permitir o acompanhamento sistemático do
funcionamento desse produto. Tais fases referem-se: (i) à idealização do produto, em que se
busca avaliar produtos alternativos, tecnologias necessárias para desenvolvimento do produto,
custos e estimativas de riscos; (ii) à modelagem e desenvolvimento do produto, para avaliar
modelagens preliminares, construção e avaliação de componentes, testes de protótipos; (iii) à
produção, para avaliar abastecimento de fornecedores, determinar parâmetros de qualidade e
confiabilidade do produto, assim como estimar custos e melhorias de processos; (iv) à
comercialização, para rastrear vendas, idealizar promoções e avaliar sua efetividade, estimar
satisfação dos clientes, avaliar competição; e (v) ao suporte de pós-venda, para registrar a procura
por serviços de assistência técnica, avaliar o desempenho do produto, rastrear reclamações de
compradores, determinar freqüências e causas de falhas, estimar custos de garantia e
proporcionar informações para melhorias dos produtos nas etapas (i) e (ii) (ANSELL; PHILLIPS,
1994; MURTHY; BLISCHKE, 2006).
Os tipos e quantidades de dados necessários dependem da complexidade do produto, da

tecnologia envolvida, dos materiais utilizados na sua elaboração e da forma como o processo
produtivo se efetiva (RAI; SINGH, 2004; MAJESKE, 2003).
Os dados disponíveis podem ser qualitativos ou quantitativos, vagos ou precisos, incertos

ou confiáveis e podem se estender, em quantidade, de mínimos a volumosos (MURTHY;
BLISCHKE, 2006). Essa variabilidade em tipos, confiabilidade e quantidades é conseqüência: (i)
da origem dos dados, se internos, externos, simples ou múltiplos; (ii) dos possíveis métodos de
coleta dos dados, (iii) da estrutura dos dados, número de itens, tipos de medidas e fatores de
controle; (iv) dos custos de aquisição e definição de amostras; e (v) do planejamento, previsão,
identificação e gestão dos dados em cada estágio do ciclo de vida do produto (OH; BAI, 2001;
LU, 1998; MURTHY; BLISCHKE, 2006; ORMON et al., 2002).
Um pressuposto básico em estudos de Confiabilidade é a existência de dados acerca do

desempenho do produto de interesse; tais dados são normalmente coletados durante o período de
41
garantia. Os dados de garantia refletem o desempenho em campo das unidades comercializadas.
Esse tipo de dado pode ser utilizado: (i) na revisão, ou mesmo na determinação precisa do
período de garantia a ser oferecido ao produto tendo em vista um custo-alvo, (ii) em projetos de
melhoria de produtos, ou (iii) no balizamento do desenvolvimento de novos produtos similares
aos já existentes, acerca dos quais se dispõe de dados de utilização da garantia (SANTOS et al.,
2007).
Os dados de garantia podem ser originados de (AMSTER et al., 1982; BLANKS, 1998;
CHEN; JIN, 2005; ELSAYED, 1996; GOLOMSKI, 200; INMAN; GONSALVEZ, 1998;
KALBFLEISCH, et al., 1991; MEEKER; ESCOBAR, 1998; MURTHY; BLISCHKE, 1992b;
MURTHY; DJALAMUDIN, 2002; PROSCHAN, 2000; RAUSAND; VATN, 1998; REINEKE
et al., 1999): (i) registros históricos, (ii) artigos e material científico, (iii) fornecedores, (iv) testes
e resultados experimentais, (v) manuais técnicos e científicos, (vi) opinião de especialistas, (vii)
pesquisas de mercado, (viii) utilização de serviço de garantia e suporte de campo, (ix) revistas e
relatórios de consumidores, e (x) desempenho de produtos similares que podem ser úteis na
criação de um produto. Como muitas decisões de caráter importante são tomadas a partir dos
dados coletados, é crítico que eles sejam representativos e confiáveis.
Não obstante as limitações que a coleta de dados de garantia possa apresentar, esses dados
representam as avaliações mais completas e consistentes sobre o desempenho do produto. Dados
de teste, de reclamação (fora do período de garantia) ou provenientes de produtos similares
podem se tornar fontes minimamente razoáveis de análise de desempenho, porém esse tipo de
dado pode não captar as ocorrências no momento do funcionamento em campo do produto e em
quantidade considerável que permita estabelecer previsões confiáveis (LAWLESS, 1998;
MURTHY; DJALAMUDIN, 2002).
Os dados de garantia apresentam grande potencial como fonte de informação sobre a

confiabilidade de um produto; porém, tais dados podem apresentar limitações que dificultam a
sua utilização, tais como:
• sistemas tipicamente contêm muitos módulos e alguns deles apresentarão poucas

falhas. É arriscado realizar qualquer inferência sobre tais módulos, pois os dados de
42
falha são ignorados ou tratados de maneira igual àqueles módulos com dados mais
expressivos de falhas (ANSELL; PHILLIPS, 1994).
• tempos inexatos e registros vagos sobre falhas tornam os dados de garantia impuros,
visto que podem suprimir identificações de padrões de funcionamento e modos de
falhas (MEEKER; ESCOBAR, 1998; RAI; SINGH, 2004).
• utilização de dados secundários, em que os dados de campo são derivados de
relatórios de manutenção e não se destinam obrigatoriamente a registrar as falhas e
sim a sua correção. Supõe-se, às vezes, que os dados não tenham sido devidamente
registrados e informações importantes para o estudo passam a ter um caráter não
prioritário (MURTHY; BLISCHKE, 2006).
• apresentação de reclamações inválidas, após o período de garantia, reclamações
válidas que não são apresentadas por desconhecimento dos termos de garantia,
utilização indevida do produto ou reclamação quando não houve falha (MURTHY;
BLISCHKE, 2006).
Além dessas dificuldades, superadas por meio da aplicação de técnicas de refinamento e

coleta de dados, um problema maior é verificado quando a censura é característica importante do
conjunto de dados analisados (ANSELL; PHILLIPS, 1990). A censura é muito comum em dados
de garantia e impacta na sua análise dada a inexistência de evidência quantitativa obtida após o
prazo de garantia ter expirado. Os dados são ditos incompletos e a análise dos dados fica restrita
às falhas registradas durante um período relativamente pequeno se comparado à vida útil do
produto (MURTHY; BLISCHKE, 2006). Nesses casos, torna-se difícil obter estimativas precisas
para modelar os dados, obter parâmetros e demais características que estabeleçam o perfil de
funcionamento de um produto. A ocorrência da censura pode impedir a aplicação de um modelo
robusto e consistente com a realidade de funcionamento do produto (LAWLESS, 1998;
TSAIRIDIS et al. 1996).
Censuras nos dados podem ser à esquerda ou à direita. A censura à esquerda ocorre
quando não se sabe o momento em que o produto foi colocado em funcionamento (BLISCHKE;
MURTHY, 2000). A censura à direita ocorre após o início de um tempo de funcionamento t = 0 ;
ou seja, sabe-se o início do funcionamento do produto. A censura à direita apresenta-se sob
quatro formas (RAUSAND; HØYLAND, 2004).
43
Na censura tipo I, verifica-se o funcionamento de n itens até um tempo t 0 , pré-
determinado, registrando-se o número de falhas. Como o tempo t 0 é conhecido, o número de

falhas observadas é aleatório. Já censura tipo II apresenta número previamente estabelecido de
itens com falhas ( r ) em um total de n itens. Neste caso, t (r ) é aleatório e representa o tempo em
que a última falhas foi apurada. A censura tipo III é uma combinação dos dois tipos anteriores: o
teste termina no momento em que se atingir o tempo t 0 ou em que a r -ésima falha ocorrer. A
censura tipo IV refere-se a um número n de itens acionados em diferentes tempos de início de

operação e o experimento é encerrado em tempo pré-determinado. Ou seja, o tempo para censura
de cada item é uma variável aleatória.
Além disso, a censura pode acontecer de forma dupla, tanto à esquerda quanto à direita, e
de forma intervalar, quando os dados de falhas estão agrupados e são conhecidas apenas as
freqüências em cada classe. A censura é considerada como independente de qualquer informação
advinda de produtos que falharam previamente no mesmo estudo (MURTHY; BLISCHKE, 2006;
RAUSAND; HØYLAND, 2004).
Os produtos falham aleatoriamente e a falha é mais função do número de vezes que o

produto foi utilizado e não somente função da sua idade. A falha de um produto ocorre de forma
incerta e é influenciada por vários fatores relacionados a: (i) modo de uso (contínuo ou
intermitente), (ii) intensidade do uso (alta, média ou baixa), (iii) condições do ambiente (normal
ou anormal), (iv) habilidades do operador para certos tipos de produtos, e (v) ações de
manutenção utilizadas pelo usuário (CHAN; MEEKER, 1999; MEEKER; ESCOBAR, 1998;
PROSCHAN, 2000; RAUSAND; OIEN, 1996).
Quase todos os modelos de análise de garantia implicitamente assumem o uso contínuo do

produto. Desta forma, o uso de distribuições discretas seria mais apropriado na caracterização de
falhas e o ideal seria desenvolver políticas de garantia fundamentadas no número de usos, e não
em um tempo de calendário. Contudo, tais políticas não são práticas por uma série de razões,
sendo a incapacidade do produtor em monitorar o uso do produto pelos clientes a mais evidente.
Desta forma, os produtos costumam ser comercializados com garantias vinculadas a um período
de uso subseqüente à venda (MURTHY; BLISCHKE, 2006).
44
Falhas durante o período de garantia podem ser modeladas em nível de componente ou
em nível de produto. A falha de um produto deve-se à falha de um ou mais desses componentes.
Para um produto não-reparável, o item é descartado depois de somente uma falha. Em contraste,
para um item reparável podem ocorrer várias falhas durante sua vida útil. Essas falhas são
influenciadas por ações de reparo e manutenção (corretiva e preventiva). Como resultado, a
modelagem de falhas torna-se mais complexa quanto mais forem caracterizados os mecanismos
de falhas de forma individualizada (RAI; SINGH, 2004; CHAN; MEEKER, 1999; CHEN; JIN
2005; PROSCHAN, 2000; RAUSAND; OIEN, 1996).
O tempo até primeira falha é modelado por uma função de distribuição de probabilidade.
Porém, ao analisar dados de garantia de um sistema complexo de componentes, o tempo até falha
dos vários componentes pode seguir diferentes distribuições de probabilidade. As falhas podem
ser de vários tipos como resultado de falhas no processo de montagem, uso normal do produto,
envelhecimento natural ou uso intenso no decorrer do tempo (MAJESKE; HERRIN, 1995).
Assim, os tempos até falha não costumam seguir uma distribuição de probabilidade específica,
mas uma combinação de distribuições (CHAN; MEEKER, 1999).
A confiabilidade de um produto reduz-se inevitavelmente com o tempo. Essa redução

pode ocorrer por vários fatores (incluindo condições de uso, manutenção e meio-ambiente), e ser
representada graficamente por uma taxa de falha crescente. Por outro lado, outros tipos de falhas
ocorrem ocasionalmente, não estando relacionadas com o passar do tempo. Por esse motivo,
ocorrem aproximadamente numa mesma freqüência, caracterizando uma taxa de falha constante.
Outro tipo de falha ocorre no período imediato ao início de utilização de um produto e
relacionam-se a problemas decorrentes de falhas de montagem e produção. Essas falhas são
consideradas de incidência decrescente, pois deixam de existir após o período inicial de
utilização, quando o produto entra no período de uso operacional (BLISCHKE; MURTHY, 2000;
JOSEPH; YU, 2006).
Uma representação teórica de um modelo que capture esses três tipos de falhas é a curva
da banheira (Figura 3). A primeira fase relaciona-se a possíveis falhas decorrentes do processo de
produção (mortalidade infantil). Após esse período, o produto passa a operar de forma constante
em que apenas falhas randômicas têm ocorrência (vida útil). O período de estabilidade permanece
45
até o momento em que o desgaste natural do produto acontece ou o uso intensivo desse produto
acelera o término da sua utilização (envelhecimento) (RAUSAND; HØYLAND, 2004).
Taxa de
falha h (t )
Mortalidade Envelhecimento
Vida útil
Infantil Uso intensivo
0
tempo
Figura 3 Curva da banheira

Fonte: Rausand e Høyland, 2004
2.5 Modelagem de dados de garantia
Na prática, a distribuição de tempos-até-falha de um produto raramente é conhecida a

priori. Os dados de garantia podem ser utilizados para selecionar uma distribuição para
propósitos de modelagem. Os modelos podem ser gráficos ou matemáticos. Modelos
matemáticos, foco deste trabalho, são necessários para associar os dados a um período de
comportamento de forma a estimar confiabilidade, parâmetros e permitir a comparação de
resultados, se os mesmos estão retratando situações reais ou não (PASQUINI et al., 2001). No
uso de tais modelos, dois interesses conflitantes costumam surgir: (i) o modelo deve ser
suficientemente simples para ser manuseado por métodos estatísticos, e (ii) o modelo deve ser
suficientemente realista tal que os resultados obtidos sejam de relevância prática (MURTHY;
BLISCHKE, 2006). Para ser simples e realista, um modelo deve descrever as características
46
essenciais do sistema, mas não necessariamente contemplar todos os seus detalhes, sob o risco de
torná-lo impraticável. O sucesso na aplicação do modelo vai depender do quanto os detalhes
ignorados são importantes na compreensão do fenômeno estudado. É impossível prever
antecipadamente se um modelo matemático é adequado; porém, pode-se pressupor um número de
conseqüências e comparar posteriormente com observações práticas (MURTHY; BLISCHKE,
2006; RAI; SINGH, 2003 e 2004).
A análise de confiabilidade envolve principalmente a atividade de modelagem estatística.

Essa modelagem pode seguir dois tipos de abordagem (MURTHY et al., 2004a). Na abordagem
empírica (black box model), as etapas de execução do modelo estão fundamentadas somente em
dados; não há necessidade de compreensão dos mecanismos subjacentes ao possível fenômeno ou
pouco se sabe a seu respeito. Nesse caso, dados apropriados devem estar disponíveis para que
vários modelos candidatos possam ser avaliados. Dados adicionais não utilizados na construção
do modelo são necessários para a sua validação, de acordo com as etapas da Figura 4 (a).
Dados Teoria e conhecimento
Seleção do modelo Seleção do modelo
Validação do Modelo Dados
Análise do modelo Validação do Modelo
Decisão Análise do modelo
Decisão
(a) (b)
Figura 4 Modelagem (a) empírica e (b) teórica de dados de confiabilidade

Fonte: Murthy e Blischke, 2006
Na abordagem teórica (white box model), apresentada na Figura 4, (b), pressupõe-se que o
fenômeno sendo estudado seja bem compreendido (definindo claramente os mecanismos de
47
falhas de um produto, por exemplo) tal que um modelo adequado possa ser escolhido para
descrever o funcionamento desse produto. Em estudos de confiabilidade, uma das conseqüências
da compreensão do fenômeno é que os valores dos parâmetros obtidos estarão relacionados a
importantes elementos do processo sob estudo, diferentemente da abordagem empírica em que a
apresentação dos parâmetros pode não caracterizar o possível fenômeno por detrás desses dados.
Um modelo é uma representação simplificada do mundo real e deve ser visto como uma
ferramenta para auxiliar a tomada de decisão. Como tal, julgamento intuitivo combinado com os
resultados da análise do modelo formam a sua base de implementação. Um modelo salienta as
interações entre diferentes variáveis, utilizando linguagem ou alguma representação por
diagramas. O tipo de formulação necessária depende da natureza das variáveis e da interação
entre elas. Se alguma das variáveis muda com o tempo (por exemplo, aumento das vendas ou
melhoria da confiabilidade como resultado de mudanças no produto), então formulações
dinâmicas são mais apropriadas. Se a incerteza for uma característica significante (itens falhando
de maneira incerta), então são necessários modelos probabilísticos mais complexos ou
formulações estocásticas (MURTHY; BLISCHKE, 1992a; MURTHY; DJALAMUDIN, 2002).
Em uma modelagem que utiliza dados de garantia, pressupõe-se que: (i) todas as
reclamações ocorridas durante o período de garantia tenham sido exercidas e são válidas; (ii)
quando uma falha acontece isso resulta em imediata reclamação de reparo; (iii) compradores
podem ser agrupados em diferentes categorias fundamentadas na intensidade do uso; (iv) os itens
são estatisticamente similares; e (v) o tempo de correção da falha apontada no produto é
suficientemente pequeno em relação ao MTBF (mean time between failures ou tempo médio
entre falhas), podendo ser considerado igual a zero (BLISCHKE, 1990; BLISCHKE; MURTHY,
2000).
Em geral, obter um modelo adequado exige aplicar uma abordagem iterativa, em que
mudanças para a caracterização do sistema e formulação do modelo matemático sejam realizadas
de forma sistemática até o adequado ajuste do modelo. A análise computacional subsidiada por
métodos numéricos e simulação é utilizada para gerar soluções aproximadas. Quando a incerteza
é grande, a simulação é replicada de forma a obter aproximações razoáveis da solução. Qualquer
mudança futura deverá ser inserida no modelo idealizado com vistas a captar mudanças e prever
resultados e necessidades (MURTHY; BLISCHKE, 2006).
48
A modelagem de dados fundamenta-se na utilização de distribuições de probabilidade.
Nas últimas duas décadas, novos modelos têm sido propostos na literatura, sendo principalmente
derivados da distribuição de Weibull. O valor prático de uma distribuição de Weibull vem da sua
habilidade para descrever uma grande quantidade de distribuições de falhas com variadas formas.
A taxa de falhas de uma distribuição de Weibull pode ser crescente, constante ou decrescente. A
distribuição de Weibull tem sua aplicação mais relacionada ao desempenho mecânico de
produtos manufaturados (MURTHY et al., 2004a; SINGPURWALLA; SONG, 1988).
A distribuição exponencial é um caso especial da distribuição de Weibull e tem a

característica de taxa de falha constante, isto é, a probabilidade de falha de um produto independe
da sua idade. Fisicamente, a taxa de falha constante sugere que o produto não se desgasta ou
envelhece durante sua vida útil, sendo que falhas aleatórias preponderam, o que acontece com
diversos tipos de componentes eletrônicos (capacitores, circuitos integrados, etc.). Esse tipo de
falha está presente em menor quantidade se comparada às falhas decorrentes de desgaste e
envelhecimento (BLISCHKE; MURTHY, 2000; PROSCHAN, 2000; RAUSAND; HØYLAND,
2004).
As expressões de f (t ), F (t ), h(t ) , R(t ) e MTTF relativas às distribuições de Weibull e

exponencial podem ser verificadas em Rausand e Høyland (2004, p. 26-30 e 37-41). Outras
distribuições de probabilidade podem ser obtidas em Blischke e Murthy (2000, p. 98-114).
Quando as falhas de um produto são decorrentes de diferentes modos de falhas, esses

dados de falha são considerados de alta complexidade e requerem mecanismos específicos de
tratamento. A opção pela modelagem com apenas um distribuição de probabilidade para
representar esses dados pode não apresentar bons resultados ou oferecer previsões vinculadas ao
funcionamento real do produto. O modelo a ser escolhido deve considerar as distribuições
relativas aos modos de falhas mais perceptíveis quantitativamente. Os modelos baseados em mais
de uma distribuição de probabilidade permitem obter uma vasta diversidade de formas para f (t )
e h(t ) . Os principais modelos que associam distribuições de Weibull podem ser classificados em:
(i) modelos de riscos concorrentes, (ii) modelos seccionais, (iii) modelos multiplicativos, e (iv)
modelos de mistura de distribuições (BLISCHKE; MURTHY, 2000; JIANG; MURTHY, 1995).
49
O modelo de riscos concorrentes considera que um produto pode falhar devido a uma de
várias causas. Na presença simultânea de todas as k causas, se a falha é devida à causa i, ocorrida
no tempo X i , após o produto ter sido colocado em funcionamento, X i é uma variável aleatória
em que a falha do sistema ocorre quando {

X = min X , X ,..., X
i
1 2 k }. Por isso, o modelo de riscos
concorrentes é considerado como um sistema em série. Cada risco é associado a um componente

do sistema, e quando, um componente falha, o sistema falha (BLISCHKE; MURTHY, 2000;
MEEKER; ESCOBAR, 1998). A análise de riscos concorrentes teve início como aplicação
prática no ramo médico, em que a estimativa de várias taxas de morte exigiu correções para
mortes de outras causas ocorridas em tempo inferior ao teoricamente previsto. Na maioria das
situações, assume-se que as causas de falhas atuam independentemente e que as distribuições de
probabilidade teóricas pertencem a alguma família paramétrica. Contudo, às vezes ocorrem falhas
dependentes de outras em questões físicas práticas; isto é, o tempo de vida teórico de uma
unidade falhando de uma causa pode estar correlacionado à vida teórica de mesmos indivíduos
falhando de uma causa diferente. A fim de permitir tais dependências são estabelecidos modelos
em que a distribuição conjunta da vida teórica é definida como multivariada
(MOESCHBERGER; DAVID, 1971).
A expressão matemática de um modelo de riscos concorrentes considera que o tempo-até-

falha (T1 ) , devido à causa 1, é distribuído de acordo com F1 (t ) . Analogamente, o tempo-até-falha
(T2 ) , devido à causa 2, é distribuído de acordo com F2 (t ) . A falha do produto é apontada pelo
mínimo de {T1 , T2 } e, como resultado, RT (t ) é apresentada pela eq. (5) (JIANG; MURTHY,
1995):
RT (t ) = R1 (t ) × R2 (t ) (5)
Os modelos seccionais buscam analisar a ocorrência de falhas associadas a distribuições

de probabilidade em seqüência no tempo. Os modelos seccionais são recomendados para
utilização, pois exibem formas diversificadas para f (t ) e h(t ) e, por isso, proporcionam
flexibilidade para modelar um conjunto de dados mais complexos em que mais de um modo de
50
falha se apresenta e quando o mecanismo de degradação muda após certo tempo (MURTHY;
JIANG, 1997).
A expressão matemática mais simples de um modelo seccional é apresentada pela
associação entre duas distribuições de probabilidade, conforme a eq.(6) (JIANG; MURTHY,
1995):
⎧ R (t ) 0 ≤ t ≤ t1
R(t ) = ⎨ 1 (6)
⎩ R2 (t ) t1 < t < ∞
onde t1 é o tempo delimitador da predominância do modo de falha vinculado a R1 (t ) e
R2 (t ) e que garante a continuidade de R(t ) .
As modelagens seccionais mais diversificadas aceitam a associação entre mais de duas
distribuições de Weibull com dois e três parâmetros (MURTHY; JIANG, 1996).
De forma semelhante ao modelo de riscos concorrentes, os modelos multiplicativos
consideram que um produto pode falhar devido a uma de várias causas. Na presença simultânea
de todas as k causas, se a falha é devida à causa i, ocorrida no tempo X i , após o produto ter sido
colocado em funcionamento, X i é uma variável aleatória em que a falha do sistema ocorre
i 1 2
{ k
}
quando X = max X , X ,..., X . Um exemplo é um produto de uma rede elétrica composta por
dois componentes conectados em paralelo (BLISCHKE; MURTHY, 2000).

Os modelos de mistura de distribuições caracterizam-se por uma ponderação entre as
distribuições consideradas aditivamente no modelo. O coeficiente de ponderação é o peso de
participação da função nesse modelo e cada índice i varia tal que o < i < 1 . Descrições mais
detalhadas sobre a utilização desses modelos podem ser encontradas em Blischke e Murthy
(2000, p. 115-119).
A construção de um modelo em análise de confiabilidade envolve as seguintes etapas
(BLISCHKE; MURTHY, 2000; MURTHY et al., 2004a): (i) coleta dos dados, (ii) análise dos
dados e estimação dos parâmetros, e (iii) seleção e validação do modelo.
O propósito de uma coleta de dados é obter informações acerca da composição da
distribuição de falhas num dado período de tempo. Aplicações diretas de tais informações são
prever confiabilidade e estabelecer um programa adequado de manutenção e fornecimento de
peças de reposição. Os dados podem ter origens diversas e, assim, devem passar por uma seleção
51
com vistas a possibilitar a análise mais acurada e voltada para o alcance dos objetivos
inicialmente estabelecidos. Os dados inicialmente coletados podem ser completamente relevantes
para o sistema sob estudo ou podem ser ajustados por opiniões de especialistas. Quando
estabelecido o método de coleta, deve-se considerar o tipo, quantidade e qualidade dos dados
disponíveis. Além disso, um conhecimento detalhado sobre aspectos técnicos e respectivos
mecanismos físicos de funcionamento pode ser necessário nesta etapa (ANSELL; PHILLIPS,
1994).
Na preparação da coleta de dados, respostas para as seguintes perguntas devem ser
providas (MOHAMMADI et al., 1991): (i) quais dados são essenciais, (ii) quais dados adicionais
são necessários, (iii) quais dados estão disponíveis, e (iv) quais etapas devem ser elaboradas para
obter os dados necessários.
A coleta de dados pode ser originada de dados de laboratório e de campo. Dados de
laboratório são necessários quando se deseja controlar alguma situação de desempenho. Dados de
campo estão sujeitos à variabilidade inerente à operação sendo realizada e fatores não
controláveis podem surgir. Os testes de vida em laboratório, isoladamente, não conferem à
modelagem total confiança e compreensão sobre o desempenho em campo. Dados de campo são
mais confiáveis, se comparados a dados de laboratório, por capturar reais condições de uso do
produto (RAI; SINGH, 2003 e 2004).
É importante que a coleta de dados seja realizada continuamente durante todo o ciclo de
vida do produto e que os dados sejam apropriadamente analisados. Essas análises permitem
alterar estratégias de produção e comercialização em tempo hábil (MURTHY; BLISCHKE,
2006).
O principal objetivo da análise de dados é permitir compreender mais rapidamente a
natureza dos dados coletados e dar suporte na determinação de um modelo adequado para
representar esse conjunto de dados (BLISCHKE; MURTHY, 2000). Numa visão mais prática, em
estudos de confiabilidade o papel da análise de dados é identificar as características mais
importantes que afetam os tempos de vida do produto, a fim de melhorar desempenho e previsão
(ANSELL; PHILLIPS, 1990). Para atender a esses propósitos, as metodologias disponíveis na
literatura abordam análises gráficas e analíticas. Essas análises têm sustentação na aplicação de
ferramentas de estatística descritiva, como verificação preliminar dos dados, e de estatística
52
inferencial, como complemento à análise inicial e obtenção de resultados mais consistentes por
meio de uma verificação mais detalhada dos dados coletados (MURTHY et al., 2004a).
A análise preliminar compreende a inspeção e a validação dos dados. A análise apropriada
depende crucialmente da estrutura dos dados (BLISCHKE; MURTHY, 2000). Os dados devem
ser verificados para detectar possíveis erros e inconsistências. A análise preliminar deve iniciar
com a utilização de gráficos simples tais como histogramas, gráficos de Pareto ou Box plots, com
o objetivo de indicar a homogeneidade dos dados. Através desses gráficos é possível obter
sugestões relativamente ao comportamento dos dados (a que tipo de distribuição de probabilidade
eles podem estar associados) e verificar se existem pontos atípicos ou influenciadores. Um dado
atípico pode ser um dado com falha de registro, mas também pode ser uma indicação bastante
informativa sobre o desempenho de um produto. A simulação da sua exclusão tende a diminuir o
nível de dispersão dos dados e o caminho a seguir nas análises subseqüentes. A análise gráfica
pode receber o suporte da utilização de medidas de tendência central (média, mediana e moda) e
de variabilidade (amplitude, variância, desvio padrão e coeficiente de variação) no sentido de
quantificar e resumir comportamentos relativos aos dados (ANSELL; PHILLIPS, 1994;
BLISCHKE; MURTHY, 2000; MEEKER; ESCOBAR, 1998; NELSON, 1982).
O principal objetivo da análise inferencial é utilizar os dados disponíveis para levantar
suposições sobre distribuições de probabilidade associadas ao modelo em estudo, definir os
parâmetros desse modelo ou alguma outra estatística necessária (MURTHY; BLISCHKE, 2006).
Em estudos de confiabilidade, quando os dados de garantia coletados não podem ser
facilmente associados a uma distribuição de probabilidade conhecida, pode-se recorrer ao uso de
métodos não paramétricos. Os métodos não paramétricos buscam identificar as funções de
confiabilidade R(t ) e h(t ) sem a obtenção dos estimadores dos parâmetros de distribuições de
probabilidade conhecidas; os mais utilizados são: (i) o estimador de Kaplan e Meier (KM) para
R(t ) , (ii) o estimador de Nelson para H (t ) , isto é, a taxa de falha acumulada, e (iii) o gráfico
TTT (Tempo Total em Teste). Para realizar as análises, pressupõe-se uma F (t ) contínua e
crescente como função de t (KVALOY; LINDQVIST, 1998; RAUSAND; HØYLAND, 2004).
Os dois primeiros métodos permitem definir as medidas de confiabilidade apresentadas na
seção 2.2. O gráfico TTT permite avaliar se h(t ) é crescente, decrescente ou constante através da
relação entre cada tempo de falha considerado e o tempo total de funcionamento dos itens
produzidos. A escolha de um desses métodos está condicionada à sensibilidade dos dados a
53
variações que cada um deles proporciona verificar graficamente. O estimador de KM é muito
sensível a variações nas fases inicial e mediana de tempos de falha, mas pouco sensível na parte
final dos tempos-até-falha. O estimador de Nelson é mais sensível na fase mediana e final da
distribuição. O TTT é sensível apenas na fase mediana. Esses métodos podem ser ainda utilizados
como referência para escolha de um modelo paramétrico. Os métodos são aplicados para dados
com e sem censura e os procedimentos para sua realização são apresentados por Rausand e
Høyland (2004) e Kvaloy e Lindqvist (1998), entre outros.
Os métodos paramétricos possibilitam obter estimativas a partir da definição de
estimadores θˆ de parâmetros θ desconhecidos de cada distribuição de probabilidade. Os
estimadores podem ser apresentados pontualmente ou por intervalos e pressupõe-se, na sua
obtenção, o atendimento das seguintes propriedades estatísticas (BUSSAB; MORETTIN, 2003;
WALPOLE et al., 2007): (i) não tendenciosidade, (ii) consistência, (iii) eficiência, e (iv)
suficiência.
Os métodos para estimar parâmetros podem ser gráficos ou estatísticos. A acurácia da
estimativa é dependente do tamanho da amostra e do método utilizado. Os métodos gráficos
produzem estimativas menos exatas, enquanto que os métodos analíticos apresentam estimativas
mais consistentes que podem estar associadas a intervalos de confiança (BLISCHKE; MURTHY,
2000).
Nos métodos gráficos, as estimativas são obtidas diretamente por gráficos de papel de
probabilidade. O papel de probabilidade possibilita, através de um conjunto de dados, validar
alguma forma de distribuição de probabilidade. Em confiabilidade, os papéis de probabilidade
associam, de forma bidimensional, os tempos de falhas ordenados no tempo à representação
percentual cumulativa de ocorrência desses tempos de falhas (F (t ) ) , censurados ou não. A
plotagem dos pontos é associada à representação da distribuição teórica que se deseja avaliar, o
que normalmente se caracteriza por uma reta. Se os pontos estiverem distribuídos próximos à
reta, pode-se aceitar a suposição de ajuste dos dados empíricos à distribuição teórica (NELSON,
1982; RAUSAND; HØYLAND, 2004).
Os papéis de probabilidade são úteis pelas seguintes características (MURTHY et al.,
2004c; NELSON, 1982): (i) facilidade e simplicidade no uso e compreensão, (ii) obtenção de
percentis, parâmetros, percentagem de falhas durante a garantia e taxas de falhas, dentre várias
possibilidades, (iii) fácil visualização de como uma distribuição teórica se ajusta a um conjunto
54
de dados, (iv) aplicação a dados censurados ou não, (v) identificação de dados atípicos, e (vi)
validação na aplicação de métodos estatísticos posteriores. As limitações referem-se à
subjetividade quanto à determinação das melhores estimativas e à não apresentação de possíveis
intervalos de confiança para as estimativas.
Existem vários tipos de papéis de probabilidade, normalmente associados às principais
distribuições de probabilidade (normal, exponencial, lognormal, Weibull, etc.). Em estudos de
confiabilidade, os papéis de probabilidade mais utilizados são os referentes à distribuição de
Weibull (WPP – Weibull Probability Paper).
Além dos papéis de probabilidade, os gráficos de taxas de falhas (Hazard plots), que
relacionam bidimensionalmente tempos de falhas e H (t ) , permitem apurar a percentagem de
unidades falhando em um determinado tempo, a taxa de falha como função do tempo, percentis
da distribuição analisada, parâmetros dessa distribuição, número esperado de falhas num período
futuro, funções densidade quando modos de falhas únicas ocorrem e a função densidade que
resulta se algum modo de falha for eliminado do conjunto de dados sob análise (MURTHY et al.,
2004c; NELSON, 1982).
Os métodos estatísticos mais utilizados para estimar parâmetros são os: (i) dos momentos,
(ii) dos percentis, (iii) da máxima verossimilhança, e (iv) dos mínimos quadrados (BLISCHKE;
MURTHY, 2000).
Dos métodos acima, o de máxima verossimilhança é considerado o mais adequado para
obter estimadores pontuais, resulta em estimadores que atendem às propriedades mencionadas
anteriormente (RAUSAND; HØYLAND, 2004). Um estimador de máxima verossimilhança é
obtido pelo valor de um parâmetro que maximiza a função de verossimilhança L(θ ) . Na prática,
isso corresponde à igualdade demonstrada na eq. (7) (ELSAYED, 1996; MURTHY; BLISCHKE,
2006):
∂L(θ )
= 0. (7)
∂ (θ )
Sejam T1 ,K , Tn variáveis aleatórias seguindo uma distribuição de probabilidade com
densidade f (t ,θ ) . Considerando-se: (i) r tempos-até-falha observados e indicados por t1 ,K , tr ,
(ii) (n−r) tempos-até-falha censurados (na ausência de censura, r = n), indicados por t1+ ,K , tn+− r ,
55
(iii) censura à direita, isto é, t1+ = K = tn+− r = t0 , e (iv) uma amostra constituída de n unidades. A
função de verossimilhança associada à amostra de dados é dada pela eq. (8):
r n−r
L(θ ) = ∏ f (ti ,θ )∏ R (ti+ ,θ ) (8)
i =1 i =1
onde R(ti+ ,θ ) designa a função confiabilidade com o parâmetro θ avaliado no tempo t i+ .

O logaritmo da eq.(8) é dado pela eq. (9):
r n−r
l (θ ) = ∑ ln f (ti ,θ ) + ∑ ln R(ti+ ,θ ) (9)
i =1 i =1
sendo que esta equação costuma ser mais utilizada do que a eq. (8) para deduzir
estimadores e respectivas estimativas dos parâmetros das distribuições de probabilidade a serem
consideradas (JIANG; KECECIOGLU, 1992; RAUSAND; HØYLAND, 2004; SANTOS et al.,
2007).
As análises estatísticas raramente têm o papel central na modelagem de dados. Contudo, a
sua utilização pode gerar consideráveis informações para habilitar a tomada de decisões. Técnicas
de modelagem mais específicas tais como modelagem proporcional de riscos, análises
multivariadas ou análise de séries temporais podem ser utilizadas como subsídios à análise de
confiabilidade de dados de garantia. Porém, antes de aplicá-las recomenda-se utilizar algumas das
ferramentas apresentadas anteriormente (MURTHY; BLISCHKE, 2006).
Pacotes estatísticos podem auxiliar na análise de dados de garantia (por exemplo, Minitab,
SAS, S-Plus, SPSS, Statistica, NCSS Statisical Software, Relex, e Relia Comp.). Esses pacotes
incluem desde rotinas básicas de análise preliminar até análises mais detalhadas a respeito dos
dados coletados (MURTHY; BLISCHKE, 2006).
A seleção de um modelo envolve a escolha de uma formulação adequada (entenda-se uma
distribuição de probabilidade ou uma associação entre elas) que possa representar um conjunto de
dados. Para executar esta etapa é necessário ter um bom entendimento das propriedades das
possíveis formulações ajustáveis ao modelo. Uma importante característica da modelagem é que
muitas vezes há mais de um modelo que se ajusta adequadamente aos dados e somente a
conjugação dos métodos gráficos e estatísticos mencionados anteriormente apontam o modelo
mais adequado a ser empregado (BLISCHKE; MURTHY, 2000).
56
A origem dos dados proporciona uma pista para a seleção de um modelo apropriado. No
caso de dados de falhas, as distribuições lognormal e de Weibull têm sido utilizadas para modelar
falhas devidas a condições de desgaste e envelhecimento. A distribuição exponencial é mais
apropriada na modelagem de falhas em componentes elétricos em que as respectivas taxas de
falhas são constantes (MURTHY; BLISCHKE, 2006).
A validação de um modelo envolve utilizar testes de aderência que analisem se os dados
disponíveis sobre o funcionamento do produto ajustam-se adequadamente ao modelo
selecionado. Os testes de aderência são procedimentos estatísticos para testar a hipótese de ajuste
dos dados empíricos aos dados gerados pelo modelo proposto (WALPOLE et al., 2007).
Sempre será possível ajustar um modelo a um determinado conjunto de dados, contudo, o
modelo pode não ser o mais adequado. Um ajuste inadequado pode acontecer por duas razões: o
modelo é incorreto ou o modelo está correto, mas as estimativas dos parâmetros podem diferir
dos valores verdadeiros. A validação requer a realização de testes sistemáticos que busquem
perceber discrepâncias entre modelo e realidade (MURTHY et al., 2004a).
Para avaliar analiticamente o ajuste de um conjunto de dados a uma distribuição de
probabilidade conhecida, quatro testes de aderência são comumente utilizados em estudos de
confiabilidade (MURTHY et al., 2004a; SANTOS, 2007; SHIMOKAWA; LIAO, 1999): (i) Qui-
quadrado, (ii) Kolmogorov-Smirnov (KS), (iii) Anderson-Darling (AD), e (iv) Cramér-von Mises
(CM). A idéia básica desses testes é avaliar a hipótese de ajuste, ou não, dos dados observados a
uma distribuição de probabilidade conhecida. O teste do Qui-quadrado é dito paramétrico, pois a
estatística de teste está associada por intervalos de classe a uma distribuição Qui-quadrado. A
essência do teste é comparar a soma dos quadrados das diferenças entre freqüências observadas
no conjunto de dados e as freqüências esperadas para a distribuição hipotética. Se as diferenças
entre as freqüências têm valores pequenos, não ultrapassando um valor Qui-quadrado tabelado,
considera-se como bom o ajuste entre dados observados e hipotéticos. A limitação desse teste
está vinculada à necessidade de um tamanho de amostra expressivo para a comparação ser
realizada. O teste K-S é um dos testes não-paramétricos mais úteis e genéricos que busca avaliar
a distância máxima entre duas distribuições acumuladas (uma empírica e outra teórica). O teste
K-S é sensível a diferenças de localização e forma entre as distribuições teórica e empírica e não
requer expressiva quantidade de dados amostrais para a análise ser realizada. O teste de CM
mede o somatório das distâncias quadradas entre uma distribuição acumulada e teórica em todas
57
as distâncias. O teste de AD é considerado uma melhoria do teste CM, pois, mediante a
introdução de uma função peso, atribui mais força a ambas as caudas da distribuição teórica.
Esses pesos contribuem para dar mais força à comparação e ao resultado a ser obtido. As
estatísticas de cada teste são apresentadas em Upton e Cook, (2004).
2.6 Propostas para modelagem de dados de garantia
A utilização de métodos estatísticos para modelar dados de confiabilidade, especialmente

dados de garantia, surgiu com a crescente capacidade de armazenamento de dados a baixo custo,
sendo inicialmente identificada por Hahn e Meeker (1982) e Lawless (1982). Ao mesmo tempo
em que surge a possibilidade de modelar dados de garantia, cresce a necessidade por utilizar
métodos simplificados, porém realistas.
As referências tratando de modelagem de dados de garantia podem ser classificadas em
dois grupos. O primeiro relaciona-se: (i) à estimação das funções de confiabilidade de dados
censurados (tais como dados de garantia), utilizando métodos paramétricos e não-paramétricos, e
(ii) à modelagem de dados descritos por modelos mistos (fundamentados em misturas de
distribuições de probabilidade).
O segundo grupo trata da análise de dados de garantia utilizando modelos paramétricos,
mais notoriamente o processo de Poisson. Somente o primeiro grupo de referências será abordado
nesta tese, visto que está diretamente relacionado ao objetivo do trabalho aqui apresentado. Como
referências características do segundo grupo, destacam-se os trabalhos de Suzuki (1985a, b),
Kalbfleisch e Lawless (1988), Kalbfleisch et al. (1991), Nelson (1988), Wasserman e Sudjianto
(1996) e Hu e Lawless (1996a, b). Suzuki (1985a, b) propôs métodos paramétricos e não
paramétricos para estimar a distribuição dos tempos de vida em dados de campo com informação
complementar aos tempos de censuras, obtidos por pontos de follow up (com dados pós-garantia).
Kalbfleisch, Lawless e Robinson (1991) desenvolveram um modelo de Poisson para prever o uso
de garantia no tempo. Moskowitz e Chun (1994) sugeriram a utilização de um modelo de Poisson
bivariado para prever o uso de garantia em um período bidimensional, ajustando o parâmetro
cumulativo λ com várias funções de tempo e quilometragem. Hu e Lawless (1996a, b) sugeriram
58
uma técnica para modelar dados de garantia com informação adicional sobre covariáveis e
tempos de censura associados, pressupondo dados de garantia regidos pelo processo de Poisson.
O tratamento de dados truncados na análise de Confiabilidade foi introduzido por Kaplan
e Meier (1958) no contexto da análise de dados oriundos de experimentos médicos. A estimação
não-paramétrica da função de confiabilidade a partir de dados truncados foi também explorada
por Turnbull (1976), Woodroofe (1985) e Wang (1989); os trabalhos diferem, essencialmente,
nos algoritmos propostos para obtenção de estimativas da função de Confiabilidade.
Robinson (1983), por sua vez, concebeu um algoritmo para estimar a função de
confiabilidade a partir de dados com truncamento progressivo, utilizando bootstrapping (ver
Efron e Tibshirani, 1998) e supondo tempos-até-falha seguindo uma distribuição de Weibull com
dois parâmetros. Seu procedimento desenvolve-se a partir do trabalho de Lawless (1982), sendo
apropriado na modelagem de grandes massas de dados de Confiabilidade. Os desenvolvimentos
propostos, todavia, aplicam-se somente a dados completos ou com censura do tipo II. Tal
pressuposto pode restringir a aplicação do procedimento usando dados de garantia, pois estes
apresentam tipicamente censura aleatória, já que a utilização da garantia estende-se por vários
lotes de produção, com datas de fabricação e comercialização distintas.
Gertsbakh e Friedman (1980) apresentaram um modelo associando dois modos de falhas
independentes. O modelo utilizou uma distribuição exponencial para modelar falhas prematuras e
uma distribuição de Weibull para representar as falhas por desgaste. Os autores utilizaram o
método de máxima verossimilhança para estimar os parâmetros do modelo com a suposição de
que os tempos exatos de falhas eram conhecidos e todas as unidades suscetíveis a ambos os
modos de falhas, ou seja, tinha-se o dado de cada falha verificada, entretanto não se conhecia o
seu mecanismo de ocorrência. Da mesma forma, Usher e Hodgson (1988) descreveram um
método baseado na função de máxima verossimilhança para estimar os parâmetros das
distribuições de vida de componentes para dados não censurados com modos de falhas não
identificadas, porém utilizando-se de apenas uma distribuição de probabilidade para ajuste dos
dados.
Dados descritos por modelos de probabilidade mistos são apresentados por Leemis (1995)
em um contexto onde tempos-até-falha são observados a partir da incidência de diversos modos
de falhas, atuando isoladamente ou em conjunto, sobre o produto (componente ou sistema) em
estudo. Em sua forma mais simplificada, o modelo misto descreve uma situação onde os tempos-
59
até-falha observados para o produto podem ser divididos em m populações baseadas em alguma
característica do item (por exemplo, o modo de falha dominante); tal modelo é apresentado na eq.
(10) a seguir. Em sua exposição, Leemis (1995) pressupõe ser possível estimar θl a partir de
amostras de cada população; ou seja, f (t ) é determinado por aplicação direta da referida

equação.
2
f (t ) = ∑ pl fl ( t θl ) (10)
l =1
onde fl ( t θl ) representa a função de densidade de probabilidade da l-ésima população com
vetor de parâmetros θl , e pl é um parâmetro de mistura tal que ( ∑l =1 pl = 1 e pl ≥ 0 ) .

2
A determinação de f (t ) a partir de dados mistos, como no caso de dados de garantia, não

é abordada pelo autor.
Cacciari et al. (1995) trataram do problema de dados descritos por modelos mistos de
Weibull no contexto de sistemas de isolamento elétrico, onde esse tipo de dado costuma ocorrer
com freqüência. Sua abordagem utiliza um procedimento numérico iterativo para a determinação
dos parâmetros do modelo.
Jiang e Murthy (1995) desenvolveram estudos com associações de duas distribuições de
Weibull com dois e três parâmetros utilizando modelos definidos como seccionais,
multiplicativos e de riscos concorrentes, que consideram a ocorrência de falhas em período de
tempo simultâneo ou seqüencial. O ponto forte desses estudos está na elaboração de gráficos de
papéis de probabilidade, os WPP (Weibull Probability Plots), como possibilidade para analisar o
ajuste de dados e definir parâmetros das distribuições utilizadas.
Majeske e Herrin (1995) abordaram o tratamento de modelos mistos no contexto da
modelagem de dados de garantia. As técnicas utilizadas incluíram análise gráfica e análise da
função empírica de risco. Os dados analisados provinham de misturas das distribuições de
Weibull e uniforme (contínuas). O procedimento compreendia a modelagem individual das
distribuições singulares, pressupondo dados de garantia separados conforme sua distribuição de
procedência com base no registro dos modos de falhas. Uma vez modeladas as distribuições
singulares, procedia-se com a mistura das distribuições usando o modelo na eq. (10). A
contribuição dos autores centrava-se em uma série de técnicas gráficas para verificar o ajuste do
60
conjunto completo de dados ao modelo misto obtido. Os autores também propunham um
estimador do número futuro de utilizações da garantia baseado em um modelo de Poisson,
seguindo desenvolvimentos consolidados em diversos trabalhos compreendidos no segundo
grupo de referências mencionadas no início desta seção.
Chan e Meeker (1999) desenvolveram um modelo que combinou duas distribuições de
tempos-até-falha relacionadas a modos de falhas prematuras e por desgaste. O modelo foi
definido como um GLFP (modelo geral de falhas limitadas - General Limited Failure
Population). O GLFP pode ser visto como um caso especial de um modelo de riscos concorrentes
em que dois modos de falhas competem entre si durante o funcionamento de um produto. Os
autores analisaram o ajuste de dados de falhas de circuitos elétricos ao modelo GLFP,
considerando três hipóteses de ocorrência das falhas prematuras e por desgaste no decorrer do
tempo.
Nair et al. (2001) propõem uma abordagem bayesiana para a modelagem de dados mistos
no contexto da análise de confiabilidade. O objetivo é obter um modelo que permita descrever
dados mistos provenientes das duas fases iniciais, de mortalidade infantil e de vida útil, da curva
da banheira. Os autores, todavia, consideraram ser possível obter tal modelo a partir da mistura
de duas distribuições exponenciais, apesar de uma mistura de duas distribuições de Weibull ser
notoriamente a opção mais adequada. Tal consideração deve-se ao fato de que uma distribuição
de Weibull oferece um melhor ajuste a dados oriundos da fase de mortalidade infantil (taxa de
falha decrescente) e também pode ser utilizada para ajustar os dados da fase de vida útil (taxa de
falha constante), já que a distribuição exponencial é um caso especial da distribuição de Weibull.
O curso de ação adotado na análise em Nair et al. (2001) pode ser justificado ao se
considerar que a abordagem bayesiana para a estimação de f(t), na eq. (10), requer a definição de
uma distribuição a priori para os parâmetros em θl . Em casos onde fl ( t θl ) é definida por dois
parâmetros, como no caso da distribuição de Weibull, tal distribuição a priori é uma distribuição
bivariada, o que pode implicar esforço computacional considerável na determinação da
distribuição a posteriori de f(t). É importante salientar que a abordagem em Nair et al. (2001)
permite a análise de dados mistos nos quais exista uma variável indexadora associada a cada
ponto amostral identificando a região da curva da banheira à qual o dado pertence. Tal variável,
em aplicações práticas, dificilmente estaria disponível a partir de observação empírica, devendo
ser estimada a partir de considerações subjetivas posteriores.
61
Similar à abordagem de Nair et al. (2001), em que duas distribuições exponenciais estão
misturadas, Park e Kulasekera (2004) desenvolveram um método inferencial paramétrico para
dados mistos. Os autores calcularam estimadores de máxima verossimilhança utilizando dados
estratificados em grupos, de acordo com o modo de falha dominante, e propuseram,
posteriormente, procedimentos de ajustes gráficos.
Zhang e Ren (2002) complementaram a análise de Jiang e Murthy (1995) e estabeleceram
WPP para modelos em que três distribuições de Weibull são combinadas. Essas análises gráficas
permitem decidir sobre um ajuste exeqüível de dados, porém tais estudos reconhecem a
necessidade de se realizar estudos similares em modelos cujas distribuições não são
exclusivamente de Weibull, assim como haver a necessidade de estabelecer procedimentos
estatísticos para ratificar os valores dos parâmetros obtidos graficamente.
Chukova et al. (2004) analisaram dados de garantia originados de produtos submetidos a
reparos imperfeitos. O conjunto de dados analisados era composto por tempos-até-falha de
produtos (i) não submetidos a qualquer reparo, e (ii) submetidos a reparos imperfeitos.
A seguir, são apresentados mais detalhadamente quatro tipos de modelagem paramétrica
com enfoques analíticos e gráficos, respectivamente, e que têm contribuído para estabelecer
modelos de dados de confiabilidade.
2.6.1 Modelo de Chan e Meeker (1999) – Modelo de tempos-até-falha para modos

de falhas prematuras e por desgaste
Chan e Meeker (1998) descreveram um modelo denominado GLFP (General Limited

Failures Population – Modelo Geral de Falhas Limitadas). Esse modelo associa características de
um modelo LFP (Limited failures population – Modelo de falhas limitadas), utilizado para
modelar falhas prematuras, à ocorrência simultânea de falhas por desgaste. O modelo LFP supõe
uma proporção p de unidades de uma população que é defeituosa e falhará de acordo com uma
distribuição F (t ; μ ;σ ) . A proporção restante (1 − p ) nunca falhará. Dessa forma, o GLFP pode
ser considerado como um modelo de riscos concorrentes.
62
Para a utilização do modelo GLFP, pressupôs-se que: (i) cada unidade da população
estudada está sujeita a um modo de falha universal (desgaste), (ii) há outro modo de falha que
afeta somente uma proporção p da população, possivelmente originado na montagem do
produto, e cuja falha surge prematuramente no início da sua utilização, (iii) os dois modos de
falhas são independentes, (iv) o julgamento de especialistas indicou que falhas durante os
primeiros períodos de funcionamentos são prematuras e falhas mais tardias são devidas a
desgaste, (v) a identificação dos modos de falhas, mesmo que em poucas unidades com falhas, é
necessária para estimar os parâmetros do modelo, (vi) o tempo real até a falha de uma unidade
selecionada ao acaso é dado por T = min (T1 , T2 ) , e (vii) os dados referem-se apenas ao primeiro
registro de falha.
Os dados analisados no trabalho dizem respeito a falhas verificadas durante o
funcionamento de 4.993 circuitos integrados. Os registros de falhas foram observados em
intervalos por faixas horárias, até um limite de 10.000 h (período de garantia). Após esse tempo
restaram 4.897 produtos sem falhas (censura intervalar e à direita).
Os objetivos principais do estudo são encontrar um modelo que possa adequadamente
descrever os dados coletados e realizar previsões sobre a proporção de unidades que falharão
após o período de garantia.
O modelo foi definido matematicamente da seguinte forma. Seja T1 o tempo-até-falha
prematura de uma unidade. Se a unidade não é defeituosa, T1 = ∞ . A F (t ) de T1 é pF1 (t ;θ1 ) ,
onde p é a proporção de unidades defeituosas prematuramente na população. Seja T2 o tempo-
até-falha por desgaste e F2 (t ; θ 2 ) a sua F (t ) . O tempo real até falha das unidades é
T = min (T1 ;T2 ) . Se T1 e T2 são independentes, a F (t ) dos tempos-até-falha T é expressa pela
eq.(11):
FT (t ;θ ) = P{T ≤ t} = 1 − [1 − p × F1 (t ;θ1 )]× R2 (t ;θ 2 ) (11)

em que θ = (θ1 ;θ 2 ) .
A f (t ) de T é apresentada pela eq.(12):
∂FT (t ;θ )
f T (t ;θ ) = = p × f1 (t ;θ1 )× R2 (t ;θ 2 ) + f 2 (t ;θ 2 )× [1 − p × F1 (t ;θ1 )] (12)
∂t
63
em que f1 (t ;θ1 ) e f 2 (t ;θ 2 ) representam as funções densidade de T1 e T2 ,
respectivamente. O método da máxima verossimilhança é utilizado para estimar θ1 , θ 2 e p .
Os autores associaram distribuições de Weibull e lognormal a F1 (t ; θ1 ) e F2 (t ;θ 2 ) ,
respectivamente, considerando os modos de falhas a serem analisados (prematuras e por
desgaste). Os autores testaram o modelo GLFP em três análises relacionadas ao grau de
conhecimento sobre os modos de falhas atuantes no produto e demonstradas a seguir.
Análise 1: Supôs-se que falhas antes de um determinado tempo (1.000 h de operação)
sejam prematuras; após esse tempo, as falhas são por desgaste.
Estimam-se os cinco parâmetros ( β e η , parâmetros de uma distribuição de Weibull, μ
e σ , parâmetros de uma distribuição lognormal, e p ) para dois modelos GLFP que associam,
respectivamente, duas distribuições de Weibull (W/W) e uma Weibull e lognormal (W/LN) para
verificar o melhor ajuste dos dados à suposição de separação de modos de falhas inicialmente
formulada.
A Figura 5 apresenta o ajuste de dados coletados em um WPP para os modelos W/W e
W/LN. A representação dos dados no WPP indica a possibilidade de haver dois modos de falhas,
cada um com diferentes distribuições de probabilidade, a partir de 1.000h (abcissa = 3 na Figura
5). Os dados ajustam-se bem aos dois modelos apresentados. O modelo W/W aponta uma taxa de
falha maior do que a do modelo W/LN após 10.000 h (abcissa = 4 na Figura 5) de operação do
produto.
0,8
0,7
0,6
0,5 Dados
F(t)
0,4 W/W
0,3 W/LN
0,2
0,1
0
0 2 4 6 8
horas (em expoente da base 10)
Figura 5 WPP para Análise 1
64
A Figura 6 apresenta um gráfico das taxas de falhas para os mesmos modelos. O cálculo
das taxas de falhas no tempo foi obtido através da eq. (3).
0,0012
0,001
0,0008
W/W
h(t) 0,0006
W/LN
0,0004
0,0002
0
0 1 2 3 4 5 6
horas (em expoente da base 10)
Figura 6 Taxa de falhas para Análise 1
O gráfico da Figura 6 demonstra que as taxas de falhas são decrescentes em ambos os

modelos até possivelmente surgirem mais acentuadamente as falhas por desgaste (a partir de
1.000 h, abcissa = 3 na Figura 6). Esse gráfico é consistente com o da Figura 5, visto que após
1.000 h o modelo W/W mostra um aumento mais crescente da taxa de falha.
Ainda foram elaborados WPP para os modelos W/W e W/LN, como os da Figura 5,
porém com a inclusão de intervalos de confiança calculados pelo método de aproximação do
passeio aleatório (Random-Walk). No caso do modelo W/W, entre o período de 1 e 10.000 h os
intervalos de confiança são relativamente estreitos, enquanto após 10.000h, por falta de dados, o
intervalo de confiança torna-se mais largo. No gráfico correspondente ao modelo W/LN pôde-se
verificar um intervalo de confiança mais estreito após 10.000 h. No tempo 100.000 h, por
exemplo, o modelo W/W apresenta uma diferença mais larga comparativamente à do modelo
W/LN com relação à F (t ) . Nesse tempo de operação, o modelo W/W apresenta uma proporção
de falhas que varia num intervalo de confiança (0,21; 1), enquanto que no modelo W/LN o
intervalo é (0,10; 0,52). Concluiu-se que a distribuição de Weibull é mais pessimista e expressa
mais incerteza se comparada a uma distribuição lognormal quando do ajuste de dados ao modo de
falha por desgaste.
65
Análise 2: Supõe-se que circuitos com falhas antes de determinado tempo (m ) falharam
de forma prematura. Após um determinado tempo (n ) os modos de falhas são devidos a desgaste.
Falhas ocorridas no intervalo entre m e n têm modos de falhas desconhecidos. Da mesma forma
que na Análise 1, as estimativas dos parâmetros são obtidas para modelos GLFP W/W e W/LN
com o pressuposto de censura intervalar para o tempo de operação entre (m) e (n). As análises
realizadas seguem os mesmos passos daqueles elaborados na Análise 1, porém constata-se que o
desconhecimento sobre os modos de falhas entre os tempos de operação m e n contribui para
incerteza na predição da taxa de falhas após esse intervalo.
Análise 3: O modo de falha é desconhecido para qualquer circuito, ou seja, verifica-se
uma ambigüidade ao enquadrar dados de falhas para qualquer dos dois modos de falhas
estudados. As falhas no início da operação, por exemplo, podem ser devidas a falhas prematuras
ou por desgaste. Devido à não definição dos modos de falhas, os resultados são divergentes e não
se obtém consenso com relação à apresentação das estimativas para o modelo.
Como conclusão do estudo, os autores apontam a necessidade de identificar os modos de
falhas, em algumas unidades do produto, a fim de estimar os parâmetros dos modelos propostos e
evitar ambigüidades na estimativa por máxima verossimilhança. Quanto menos os modos de
falhas são caracterizados, mais provável é a não-convergência para a máxima verossimilhança ou
a convergência pode ocorrer devido a falso máximo local que corresponde ao estimador de
máxima verossimilhança resultante em um modelo não ajustado adequadamente aos dados
coletados.
2.6.2 Modelo de Majeske (2003) – Um modelo misto para dados de garantia de

automóveis
Majeske (2003) propõe um modelo misto Uniforme-Weibull em que falhas são

observadas durante o período de garantia de veículos. Essas falhas podem ocorrer
prematuramente, originadas na manufatura, e por uso dos veículos.
66
Para desenvolver o modelo, seja T a variável aleatória contínua representando o tempo de
vida de veículos (t1 , t 2 ....) . Definindo o período de garantia como tc , as primeiras falhas no
período de garantia correspondem a realizações de T ≤ t c . A função distribuição para T está

representada na eq. (13):
⎧ pθ t =0
⎪
FT (t ) = ⎨ pθ + p(1 − θ )Fy (t ) + (1 − θ )Fz (t ) 0 < t ≤ t* (13)
⎪ p + (1 − θ )F (t ) t > t*
⎩ z
O modelo divide o eixo de tempo em três períodos. No período de pré-entrega de cada

veículo, quando T ≤ 0 , o modelo pressupõe que todas as falhas representam defeitos de
manufatura. O parâmetro p representa a probabilidade de um dado veículo conter um defeito de
manufatura ao deixar a fábrica. O parâmetro θ é a fração de defeitos identificados pelo vendedor
do veículo. Assumindo independência entre os tipos de falhas, a proporção de veículos que
motivam uma reclamação antes da entrega é pθ . O período ( 0 , t * ] representa uma mistura de
dois tipos de falhas (manufatura e uso). A probabilidade de um defeito de manufatura apresentada
pelo comprador, ocorrendo no intervalo ( 0, t * ], é p(1−θ ) . As falhas verificadas em um tempo de
vida T > t * são conseqüência do uso natural dos veículos. O tempo t * refere-se ao tempo que
separa falhas de manufatura das falhas por uso dos veículos.
O autor modelou as falhas dos veículos através da mistura de uma distribuição uniforme
[ Fy (t ) ] e de Weibull, [ Fz (t ) ], para representar respectivamente falhas de manufatura e por uso.
Por meio do gráfico da função risco empírica (Figura 7), verificam-se dois níveis distintos
de falhas (manufatura e uso, respectivamente). Definiu-se o valor limítrofe (t )
*
obtido por
consulta a especialistas e caracterizado por uma distribuição uniforme [eq. (14)]:
t
Fy ( t ) = 0 ≤ t ≤ t* (14)
t*
67
0,0008
0,0007
0,0006
h(t) empírica
0,0005
0,0004
0,0003
0,0002
0,0001
0,0000
0 100 200 300 400 500 600 700 800 900
dias de funcionamento
Figura 7 Função de risco empírica dos tempos da primeira utilização de garantia
O modelo aplicado às distribuições uniforme e de Weibull é representado pela equação

(15):
⎧ pθ t =0
⎪⎪
FT (t ) = ⎨ pθ + p(1 − θ ) * + (1 − θ ) 1 − e −(αt )
t β
( ) 0 < t ≤ t* (15)
( )
⎪ t
⎪⎩ p + (1 − p ) 1 − e −(αt )
β
t >t *
Quatro parâmetros devem ser estimados na equação (15): α , β , p , θ . O autor utilizou o

algoritmo definido por Romejin e Smith (1994) para estimar tais parâmetros por máxima
verossimilhança com falhas censuradas à direita. Os parâmetros obtidos são inseridos na eq. (15)
e, dali, substituídos em FT (t ) para t entre [0; 800] , obtendo-se a função de risco teórica do
modelo sugerido. A superposição das funções de risco teórica e empírica (Figura 8) possibilita
visualizar o ajuste dos dados coletados ao modelo proposto. O modelo foi testado utilizando um
conjunto de 9532 observações de falhas.
68
0,0008
Mistura
0,0007
y Dados
0,0006 observados
h(t) - taxa de falhas

0,0005
0,0004
0,0003
0,0002
0,0001
0,0000
0 100 200 300 400 500 600 700 800 900
dias de funcionamento
Figura 8 Função risco empírica (dados observados) x função risco teórica (mistura)
O modelo permite ainda: (i) quantificar defeitos de manufatura antes de o produto chegar
ao comprador, (ii) quantificar possíveis defeitos de manufatura em produtos repassados ao
comprador, (iii) incluir covariáveis, e (iv) separar os modos de falhas prematuras e por uso
(desgaste) dos veículos.
2.6.3 Modelo de Jiang e Murthy (1995) – Modelagem de confiabilidade envolvendo

duas distribuições de Weibull
Jiang e Murthy (1995) associam duas distribuições de Weibull para estudar o

comportamento de três tipos de modelos (seccionais, de riscos concorrentes e multiplicativos) no
ajuste de dados de falhas. A verificação desse ajuste é realizada através da elaboração de um ou
mais WPP para cada modelo, dependendo de como a configuração dos dados se apresenta.
Através dos WPP os dados são plotados e o ajuste visual é ratificado ou não. O ajuste visual dos
dados permite obter matematicamente as estimativas dos parâmetros para cada modelo
apresentado.
69
Os procedimentos para elaboração dos WPP para os três modelos propostos seguem a
lógica de configuração de WPP para distribuições de Weibull com dois e três parâmetros e vêm
descritos a seguir:
1. Considerando uma distribuição de Weibull com dois parâmetros:
F (t ) =1 − exp(−(t / η ) B ) (16)
onde:
F (t ) é a função distribuição,
t é o tempo-até-falha,
η é o parâmetro de escala, e
β é o parâmetro de forma
2. Realizando as seguintes transformações:
x = ln (t ) (17)
e
y = ln[− ln (R (t ))] (18)
3. Substituindo as eq. (16) e (17) na eq. (18) obtém-se a reta [eq.(19)]. Essa reta
representa o WPP da distribuição de Weibull para dois parâmetros e é denominada
pelos autores como gráfico C.
y = y ( x ) = β [x − ln (η )] (19)
O gráfico C apresenta uma reta de declividade β , onde β ln (n ) é o coeficiente linear e

ln (η ) é o ponto em que a reta intercepta o eixo x.
Para uma distribuição de Weibull com três parâmetros são realizadas as mesmas
associações matemáticas apresentadas anteriormente, porém considera-se a inclusão do
parâmetro de localização γ na formulação, conforme eq (20) a seguir:
F (t ) =1− exp(−((t − γ / η ) B ) (20)
70
Substituindo as equações (17) e (20) na eq. (18) obtém-se o gráfico C para uma
distribuição de Weibull com três parâmetros:
[
y = y ( x ) = β [ln(t − γ ) − ln (η )] = β ln(e x − γ ) − ln(η ) ] (21)
Nesse caso, deduz-se matematicamente através da derivada ∂ 2 y ( x ) / ∂x 2 que o gráfico C é

uma curva convexa que intercepta o eixo x em ln(γ +η ) e cujas assíntotas são definidas por:
y = β [x − ln (η )] (22)
x = ln (γ ) (23)
Verifica-se que a equação representante do gráfico C para uma distribuição de Weibull

com dois parâmetros [eq. (19)] coincide com a assíntota do gráfico C para uma distribuição de
Weibull com três parâmetros [eq. (22)], conforme evidência apresentada na Figura 9.
x = ln (γ ) y = β ( x − ln(η ) )
ln(η ) C
0 x
ln(γ +η )
Figura 9 WPP para uma distribuição de Weibull com dois e três parâmetros
71
A partir das deduções anteriores, os autores estabeleceram modelos associando duas
distribuições de Weibull cujas nomenclaturas foram definidas como modelos seccionais (a e b),
de riscos concorrentes e multiplicativos.
O modelo seccional (a) é caracterizado pela associação seqüenciada de duas distribuições
de Weibull com dois e três parâmetros, respectivamente, de acordo com a eq.(24):
β1
⎧ ⎛ t ⎞
⎪exp[−⎜⎜ ⎟⎟ ] , 0 ≤ t ≤ t0 ;
⎪
R(t ) = ⎨ ⎝ η1 ⎠
⎛t −γ ⎞
β2 (24)
⎪
⎪ exp[−⎜⎜ η ⎟⎟ ] , t 0 ≤ t ≤ ∞.
⎩ ⎝ 2 ⎠
O modelo é caracterizado por 6 parâmetros (t ,η1 ,η 2 , β1 , β 2 , γ ) . Impõe-se a condição de

que R(t ) e f (t ) sejam contínuas em t 0 . Isso implica obter parâmetros que satisfaçam as seguintes
equações:
(t 0 /η1 )β 1
[( ) ]
= t 0 − γ /η 2
β2
(25)
(t 0 − γ ) / t 0 = β 2 / β1 (26)
Das eqs (25) e (26), evidencia-se que:
[
t 0 = η1
β1
(β 2 / β 1 / η 2 )β 2
](
1 / β1 − β 2 )
(27)
γ = (1 − β 2 / β1 )t 0 (28)
Isso significa que o número de parâmetros independentes é quatro no lugar dos seis
inicialmente apontados. Além disso, exige-se que β1 > β 2 para assegurar que γ > 0 . Desta
forma, tem-se da eq. (28) que γ > t 0 .
Para um conjunto de dados com n tempos-até-falha t , a elaboração do WPP, e

conseqüente estimativa de parâmetros, envolve as seguintes etapas:
a) Organizar os dados de falha em ordem crescente tal que t i , 1 ≤ i ≤ n ;
b) Computar xi e yi , tal que xi = ln(t i ) e yi = ln(− ln[1 − i / (n + 1)]) ;
c) Plotar yi versus xi ;
72
d) Estabelecer o formato do gráfico C. A partir das transformações apresentadas nas
eqs. (17) e (18) associadas à eq. (24) chega-se à eq.(29):
⎧β [x − ln(η1 )] − ∞ ≤ x ≤ ln( t 0 );
y = y(x ) = ⎨ 1
[ (
⎩ β 2 ln e − γ − lnη 2
x
) ] ln( t 0 ) ≤ x ≤ ∞. (29)
Como resultado, C é uma reta para − ∞ ≤ x ≤ ln( t 0 ) = x0 e uma curva suave para
ln( t0 ) ≤ x ≤ ∞ , conforme apresentado na Figura 10.
L1
L2
I
yI C
y0
x
x0 xI
Figura 10 WPP para o modelo seccional (a)
Seja L1 a assíntota de C na sua parte inferior esquerda:
y ( x) = β1 [x − ln (η1 )] (30)
Observa-se que L1 e C são idênticas para − ∞ < x ≤ x0 e diferem para x > x0 .
Quando x → ∞ , a declividade assintótica de C é β 2 e a assíntota de C é dada pela eq.

(31), denominada L2.
y ( x) = β 2 [x − ln (η 2 )] (31)
73
Sendo (xI ; yI ) as coordenadas da intersecção entre L1 e L2, verifica-se que:
xI = [β1 ln (η1 ) − β 2 ln (η 2 )]/ (β1 − β 2 ) , e (32)
y I = [β1 β 2 ln (η1 /η 2 )]/ (β1 − β 2 ) (33)
Das eqs. (27), (32) e (33) obtêm-se:
x0 = ln(t0 ) = xI − [β 2 ln(β1 / β 2 )] / (β1 − β 2 ) , e (34)
y0 = y ( x ) x = x0 = yI − [β1β 2 ln (β1 / β 2 )] / (β1 − β 2 ) (35)
A relação β1 > β 2 implica que xI > x0 e y I > y 0 . Da derivada segunda da eq. (29)
relativamente à variável x, obtém-se:
⎧⎪ 0 − ∞ ≤ x ≤ x0 ,
∂ 2 y ( x ) / ∂x 2 = ⎨ (36)
⎪⎩− ( β 2γe x ) /(e x − γ ) 2 x0 ≤ x ≤ ∞.
Deduz-se que a segunda derivada é negativa; isto é, y ( x ) é convexa na região x0 ≤ x ≤ ∞ .

e) Analisar o ajuste dos dados. Se os dados de tempos-até-falha estão perfilados
próximos ao gráfico C (WPP), tais dados podem ser considerados como ajustados
ao modelo indicado;
f) Obter β1 e η1 do ajuste retilíneo de L1 ao gráfico C (lado esquerdo da Figura 10 até
x0 );
g) Ajustar a assíntota L2 ao gráfico C. A declividade de L2 gera β 2 e a intersecção com

o eixo x produz η 2 ;
h) Calcular t 0 e γ das eqs.(27) e (28).
i) Testar se as condições estabelecidas nas equações (34) e (35) são atendidas. Se não
forem, ajustar L2 e repetir etapas anteriores (g) e (h).
74
O modelo seccional (b) é caracterizado por duas distribuições de Weibull com dois
parâmetros, de acordo com a eq. (37):
β1
⎧ ⎛ t ⎞
⎪exp[−⎜⎜ ⎟⎟ ] , 0 ≤ t ≤ t0 ;
⎪
R(t ) = ⎨ ⎝ η1 ⎠
⎛ t ⎞
β2 (37)
⎪
⎪ k exp[−⎜⎜ η ⎟⎟ ] , t 0 ≤ t ≤ ∞.
⎩ ⎝ 2⎠
Este modelo também é definido por seis parâmetros, onde k é denominado parâmetro
aditivo; k é fator determinante para que R(t ) e f (t ) sejam contínuas em t 0 (MURTHY; JIANG,
1997). O número de parâmetros independentes verificados é quatro no lugar dos seis inicialmente
definidos. A elaboração do WPP para verificar o ajuste de dados segue as mesmas etapas
consideradas para o modelo (a), todavia, realizam-se cálculos e análises diferenciados por
decorrência da utilização de outra função R(t ) , que dá origem ao modelo.
O modelo de riscos concorrentes é definido pelos autores conforme a eq. (5), em que dois
modos de falhas com características distintas ajustam-se a distribuições de Weibull com
parâmetros diferenciados e concorrendo entre si, conforme a eq. (38):
[ ] [
R(t ) = exp − (t /η1 ) 1 × exp − (t /η 2 )
β β2
] (38)
Se β1 = β 2 = β , então R(t ) reduz-se a uma distribuição de Weibull única, que pode ser
representada pela eq.(39):
[
R(t ) = exp − (t /η 0 ) ,
β
] (39)
de onde se deduz que:
(η 0 )− β = (η1 )B + (η 2 )β (40)
Dessa forma, para utilizar esse tipo de modelo faz-se mandatório ter β1 ≠ β 2 . Pode-se
assumir, sem perda de generalidade, que β1 < β 2 .
75
Para um conjunto de dados com n tempos-até-falha, os procedimentos de elaboração do
WPP e a conseqüente estimativa de parâmetros envolvem as seguintes etapas:
a) Realizar as mesmas etapas a, b, e c aplicadas para o modelo seccional (a);
b) Transformar as eqs. (17) e (18) e associá-las à eq (38) para obter as eqs. (41) ou
(42):
⎛ η β1 ⎞
y ( x ) = β1 [x − ln (η1 )] + ln⎜⎜1 + 1β 2 e ( β 2 − β1 )x ⎟⎟ , ou (41)
⎝ η2 ⎠
⎛ η β2 ⎞
y ( x ) = β 2 [x − ln (η 2 )] + ln⎜⎜1 + 2β1 e −( β 2 − β1 )x ⎟⎟ (42)
⎝ η1 ⎠
Essas equações definem o gráfico C, cujo formato é não-linear. Da derivada segunda das
eqs. (41) e (42), relativamente à variável x, obtém-se sempre um valor positivo, resultando em um
gráfico C côncavo como apresentado na Figura 11.
Em x = xI , F1 ( xI ) = F2 (x I ) , e como resultado tem-se que:
y ( x ) x = xI = y I + ln (2) (43)
e
∂y ( x ) / ∂x x = xI = (β1 + β 2 ) / 2 (44)
c) Alocar as assíntotas ao gráfico C, margeando-as ao lado superior e inferior do

gráfico C, de modo que gráfico e assíntotas estejam perfeitamente ajustados. O
estudo do comportamento assintótico do gráfico C aponta que as suas assíntotas são
similares às do modelo seccional (a), [eqs. (30) e (31)], definidas como L1 e L2. As
coordenadas do ponto de intersecção entre L1 e L2 são ( x I ; y I ) e apontadas pelas
equações (32) e (33).
d) Obter os valores de β1 e β 2 por meio da análise das assíntotas.
76
e) Testar se as eq. (43) e (44) estão satisfeitas; em caso negativo, ajustar L1 e/ou L2 até
que elas sejam aproximadamente atendidas.
f) Obter η1 e η 2 da intersecção de L1 e L2.
L1
ln(2 ) L2
C
yI
x
xI
Figura 11 WPP para o modelo de riscos concorrentes
O modelo multiplicativo tem a explicação prática quando as falhas dos produtos ocorrem
em um tempo dado pelo máximo entre {T1 ;T2 }, em que T1 está associado a R1 (t ) e T2 a R2 (t ) .
Um circuito elétrico com dois componentes conectados em paralelo é um exemplo da aplicação
desse modelo. As etapas de elaboração do WPP e obtenção dos parâmetros são similares aos
cálculos realizados para os modelos seccionais e de riscos concorrentes, considerando as
especificidades do modelo. A dedução do respectivo WPP pode ser verificada em Jiang e Murthy
(1995).
77
2.6.4 Modelo de Zhang e Ren (2002) – Análise de dados de falhas por modelos
envolvendo três distribuições de Weibull
Os autores propõem dois modelos em que três distribuições de Weibull são combinadas.
O primeiro modelo tem perfil totalmente seccional, ou seja, as três distribuições de Weibull são
apresentadas em seqüência no tempo. O segundo modelo pode ser considerado misto, pois
associa distribuições em seqüência e/ou concorrência. Para cada modelo, pressupostos
matemáticos e estimativas gráficas de parâmetros são apresentados, obtendo-se como produto um
WPP.
Para analisar as três distribuições de Weibull associadas, os autores seguem
procedimentos similares àqueles estabelecidos por Jiang e Murthy (1995) para combinar duas
distribuições de Weibull.
Os dois modelos subdividem-se em 1(a), 1(b), 2(a) e 2(b) e vêm apresentados na
seqüência.
• Modelo 1(a)
A função distribuição de falhas FT (t ) é representada por:
β1
⎧ ⎛ t ⎞
⎪ 1 − exp[−⎜⎜ ⎟⎟ ] , 0 ≤ t ≤ t0 ;
⎪ ⎝ η1 ⎠
⎪ ⎛t−γ2 ⎞
β2
⎪
FT (t ) = ⎨ 1 − exp[−⎜⎜ ⎟⎟ ] , t 0 ≤ t ≤ t1 ; (45)
⎪ ⎝ η2 ⎠
⎪ ⎛ t ⎞
β3
⎪ 1 − k exp[−⎜⎜ ⎟⎟ ] , t1 ≤ t < ∞;
⎪⎩ ⎝η3 ⎠
onde t é o tempo de falha entre [0 ; ∞ ) , ni (i =1, 2, 3) é o parâmetro de escala, β i
(i =1, 2, 3) é o parâmetro de forma, γ 2 é o parâmetro de localização e k é um parâmetro aditivo.

Para f T (t ) e RT (t ) são impostas continuidade em t = t 0 e t = t1 . Os parâmetros
satisfazem às relações apresentadas nas seguintes equações:
78
[
t 0 = η1β1 (β 2 / β1 / η 2 ) ]
β 2 1 / ( β1 − β 2 )
, (46)
γ 2 = (1 − β 2 / β1 )t 0 , (47)
(β 2 )
/ η 2β2 (t1 − γ 2 )
β2 − 1
(
= β 3 / η3b3 t1β3 − 1 , ) (48)
⎧⎪⎛ t ⎞ β3 β t ⎛β β ⎞ ⎫⎪
k = exp ⎨⎜⎜ 1 ⎟⎟ [1 − 3 + 0 ⎜⎜ 3 − 3 ⎟⎟]⎬ (49)
⎪⎩⎝ n3 ⎠ β 2 t1 ⎝ β 2 β1 ⎠ ⎪
⎭
Por conseqüência dessas relações entre os parâmetros, o modelo fica caracterizado por
seis parâmetros independentes no lugar dos 10 parâmetros inicialmente apontados
(t 0 , t1 , k ,η1 ,η 2 ,η 3 , β1 , β 2 , β 3 , γ 2 ) . Além disso, faz-se necessário que β1 > β 2 , pois, do contrário, a
relação de três distribuições de Weibull não se sustenta, reduzindo-se a duas distribuições de
Weibull, se β1 = β 2 e γ 2 = 0 , ou a apenas uma distribuição, se β1 = β 2 = β 3 .
Para verificar o ajuste de um conjunto de dados qualquer à eq. (45) e estimar os
respectivos parâmetros, adotam-se os procedimentos apresentados por Jiang e Murthy (1995),
constantes na seção 2.6.3, tomando-se como ponto de partida as transformações constantes nas
eqs. (17) e (18). A transformação de FT (t ) implica a obtenção da eq. (50).
⎧β1[x − ln (η1 )], − ∞ < x ≤ ln (t0 )

⎪⎪
[ ( )
y = ⎨ β 2 ln e x − γ 2 − ln(η2 ) , ] ln (t0 ) ≤ x < ln (t1 ) (50)
⎪
[
⎪⎩ β 3 [x − ln(η3 )] + ln 1 −η3β 3 ln (k )e − β 3 x , ] ln(t1 ) ≤ x < ∞
Após o cálculo da derivada segunda ∂ 2 y / ∂x 2 , verifica-se que o gráfico C (WPP)

correspondente é uma reta para − ∞ < x ≤ ln (t0 ) , definida como W1, uma curva levemente
côncava para ln (t 0 ) < x ≤ ln (t1 ) , W2, e uma curva levemente convexa para ln (t1 ) < x ≤ ∞ ,W3.
79
Como resultado, obtém-se um WPP como o da Figura 12.
L1
L3
10
W3
W2
5 L2
2 4 6 8 10
x
W1
-5
-10
Figura 12 Exemplo de WPP para modelo 1 (a)
As estimativas dos parâmetros das distribuições envolvidas são obtidas a partir do ajuste
das assíntotas L1, L2 e L3 a W1, W2 e W3, respectivamente. As assíntotas L1, L2 e L3 são
representadas pelas eqs. (51), (52) e (53). Por exemplo, o ajuste da assíntota L3 à curva W3
possibilita identificar β 3 (declividade de L3) e n3 (intersecção com o eixo das abscissas).
y ( x) = β1 [x − ln (η1 )] (51)
y ( x) = β 2 [x − ln (η 2 )] (52)
y ( x) = β 3 [x − ln(η 3 )] (53)
A substituição dos valores obtidos para β i e ni nas eqs. (46) a (49) permite definir o
valor dos demais parâmetros.
• Modelo 1 (b)
Neste modelo, pressupõe-se uma distribuição de falhas FT (t ) caracterizada por três
distribuições de Weibull com dois parâmetros, conforme eq. (54):
80
β1
⎧ ⎛ t ⎞
⎪ 1 − exp[−⎜⎜ ⎟⎟ ] , 0 ≤ t ≤ t0 ;
⎪ ⎝ η1 ⎠
⎪ ⎛ t ⎞
β2
⎪
FT (t ) = ⎨ 1 − k1 exp[−⎜⎜ ⎟⎟ ] , t 0 < t ≤ t1 ; (54)
⎪ ⎝η2 ⎠
⎪ ⎛ t ⎞
β3
⎪1 − k 2 exp[−⎜⎜ ⎟⎟ ] , t1 < t ≤ ∞;
⎪⎩ ⎝ η3 ⎠
Dez parâmetros devem ser estimados (η1 ,η 2 ,η 3 , β1 , β 2 , β 3 , k1 , k 2 , t 0 , t1 ) . Da mesma forma
que para o modelo 1(a), para f T (t ) e RT (t ) são impostas continuidade em t = t 0 e t = t1 . Os

parâmetros satisfazem às relações apresentadas nas equações (55), (56), (57) e (58).
t 0 = [ β1η 2β 2 / β 2 /η1β1 ]1 / ( β 2 − β1 ) (55)
k1 = exp[(1 − β 2 / β1 )(t o / η 2 )
β2
(56)
t1 = [ β 2 ,η 3β3 / β 3 / η 2β 2 ]1 / ( β3 − β 2 ) (57)
k 2 = exp[(1 − β 3 / β 2 )(t1 / η 3 )
β3
(58)
Este modelo também está caracterizado por seis parâmetros independentes. A condição
necessária para que o modelo exista é que β1 ≠ β 2 e β 2 ≠ β 3 . A relação entre β1 , β 2 e
β 3 determina a curva de ajuste do WPP sob diferentes formas. Por exemplo, se β1 > β 2 > β 3 , o
WPP será uma reta em W1 e duas curvas côncavas em W2 e W3. Os procedimentos para estimar
os parâmetros dos dados observados seguem as mesmas diretrizes utilizadas no modelo 1(a).
A forma tradicional do WPP para os modelos 1(a) e (b) é uma linha reta na primeira parte da
distribuição, seguida de duas curvas suaves para as partes subseqüentes.
81
• Modelo 2(a)
A função de confiabilidade RT (t ) deste modelo é definida pela eq. (59) e os cálculos para
obter as estimativas dos seus parâmetros são apresentados na seqüência.
⎧ R (t ) , 0 ≤ t ≤ t0
RT (t ) = ⎨ 0 , (59)
⎩ R1 (t ) × R2 (t ) t0 ≤ t ∞
⎡⎛ t ⎞
Bi
⎤
onde Ri (t ) = 1− Fi (t ) e Fi (t ) = 1 − exp ⎢⎜⎜ − ⎟⎟ ⎥ , ni e β i > 0, i = 0, 1, 2 .
⎢⎣⎝ ni ⎠ ⎥⎦
Considerando a continuidade de RT (t ) e f T (t ) em t = t 0 , os parâmetros devem satisfazer

às relações apresentadas nas eqs. (60) e (61).
(t0 /η 0 )β = (t0 /η1 )β + (t0 /η 2 )β

0 1 2
, (60)
β 0 (t 0 /η 0 )β = β1 (t 0 /η1 )β + β 2 (t 0 /η 2 )β .
0 1 2
(61)
Dessas duas equações, deriva-se a eq. (62):

1 / ( β1 − β 2 ) 1 / ( β 0 − β1 )
⎡ β 0 − β 2 η1β1 ⎤ ⎡ β − β1 η 0β 0 ⎤
t0 = ⎢ . β ⎥ =⎢ 2 . β ⎥ (62)
⎣ β1 − β 0 η 2 ⎦ ⎣ β − β η1 1 ⎦
2
2 0
Como t 0 > 0 , já que (β 0 − β 2 ) > 0 e (β1 − β 0 ) > 0 ou (β 0 − β 2 ) < 0 e (β1 − β 0 ) < 0 na
primeira parte da eq. (62), supõe-se, sem perda de generalidade, que β1 < β 0 < β 2 . Se β1 = β 2 , o
modelo reduz-se a uma única distribuição de Weibull.

Da eq. (59) obtém-se as eqs. (63), (64) ou (65) definidas, respectivamente, por W1, W2 e
W3.
y = β 0 [x − ln(η 0 )], − ∞ < x ≤ ln (t 0 ) (63)
⎛ η1β1 (β 2 − β1 )x ⎞
y = β1 [x − ln (η1 )]+ ln⎜⎜1 + β 2 e ⎟⎟, ln (t0 ) ≤ x < ∞ ou (64)
⎝ η 2 ⎠
⎛ η β2 ⎞ (65)
y = β 2 [x − ln (η 2 )] + ln ⎜⎜1 + 2β1 e −( β 2 − β1 )x ⎟⎟, ln (t 0 ) ≤ x < ∞
⎝ η1 ⎠
82
Disso decorre que o gráfico C é uma reta para − ∞ < x ≤ ln (t 0 ) , indicada por L0/W0 e uma
curva suave para ln (t 0 ) ≤ x < ∞ . O estudo do comportamento assintótico nesse intervalo, supondo
β1 < β 0 < β 2 , aponta as assíntotas L1 para W2, quando x → − ∞ , e L2 para W3, quando x → ∞ ,
cuja representação é dada pelas eqs. (66) e (67).
y ( x) = β1 [x − ln (η1 )] (66)
y ( x) = β 2 [x − ln (η 2 )] (67)
As coordenadas de intersecção de L0/L1 e L1/L2, dadas por (xI , y I ) e (xII , yII ) ,

respectivamente, são derivadas da associação entre as eqs.(63), (66) e (67) e deduzidas pelas eqs.
(68), (69), (70) e (71) a seguir:
xI = [β o ln (η 0 ) − β1 ln (η1 ) ]/ (β 0 − β1 ) (68)
y I = [β o β1 ln (η 0 /η1 ) ]/ (β 0 − β1 ) (69)
xII = [β1 ln (η1 ) − β 2 ln (η 2 ) ]/ ( β1 − β 2 ) (70)
y II = [β1 β 2 ln (η1 / η 2 ) ]/ (β1 − β 2 ) (71)
Utilizando as eqs.(62), (68) e (69), as coordenadas (x0 , y 0 ) são expressas pelas eqs. (72) e
(73):
x0 = ln (t 0 ) = xI + ln[(β 2 − β1 ) / (β 2 − β 0 )]/ (β 0 − β1 ) (72)
y 0 = y ( x ) x = x0 = y I + B0 ln[(β 2 − β1 ) / (β 2 − β 0 )]/ (β 0 − β1 ) (73)
Como β1 < β 0 < β 2 , deduz-se que x I < x 0 e y I < y 0 .
A coordenada vertical do ponto com coordenada horizontal na curva C é dada pela eq.
(74).
y ( x ) x = xII = y II + ln 2 (74)
83
Além disso, tem-se que [eq.(75)]:
∂y ( x ) / ∂x
(
= β1 + β 2
) (75)
x = xII 2
Após a obtenção da ∂ 2 y / ∂x 2 verifica-se que o WPP correspondente em W2/W3 é uma

curva côncava para ln (t 0 ) ≤ x < ∞ (Figura 13) já que o resultado dessa derivação é sempre
positivo.
L2
W3
ln2
yII C L1
y0 W2
I II
yI
W1
L0
x
xI x0 xII
Figura 13 Exemplo de WPP para modelo 2(a)
Para elaborar o WPP do modelo e estimar seus parâmetros devem ser realizadas as seguintes
etapas:
1. Plotar o conjunto de dados de falha no WPP do modelo sugerido (Figura 13). Se os dados
aderirem ao do gráfico C (W1/W2/W3), o modelo pode ser utilizado para descrever esses
dados.
2. Utilizar uma reta L0 para ajustar o lado esquerdo inicial do WPP. A declividade de L0
indica a estimativa de β 0 e a intersecção com o eixo das abscissas, a estimativa de η 0 .
84
3. Associar a assíntota L2 a W3 (no sentido x → ∞ ). A declividade de L2 indica o valor
estimado de β 2 e a intersecção com o eixo das abscissas aponta o valor estimado deη 2 .
4. Determinar um ponto (II) em L2, do qual a distância vertical até C é ln(2 ) . A coordenada
horizontal deste ponto identifica xII .
5. Desenhar uma tangente a C em x = xII , em que a sua declividade é

(β1 + β 2 ) . Daí obtém-
2
se β1 .
6. Desenhar uma linha através do ponto (II) com declividade β1 e a assíntota L1 é obtida. A
intersecção de L1 com o eixo das abcissas produz a estimativa de η1 .
7. Calcular t 0 utilizando a eq. (62) e, através dela, x0 = ln(t 0 ) é conhecido. Se x0 não for
idêntico ao observado visualmente, reajustar aos poucos L2 e, após, L1, e repetir as etapas
3 a 7.
• Modelo 2(b)
A função de confiabilidade R (t ) é caracterizada pela equação (76):
⎧ R (t ).R2 (t ) 0 ≤ t ≤ t0
RT (t ) = ⎨ 1 (76)
⎩ R0 (t ) t0 ≤ t ∞
Os procedimentos para obtenção do WPP e respectivos parâmetros distribucionais seguem

métodos de apuração similares aos realizados para o modelo 2(a). O detalhamento desses
procedimentos pode ser verificado em Zhang e Ren, (2002).
2.6.5 Análise crítica dos modelos apresentados
Nesta seção, os modelos apresentados nas seções 2.6.1 a 2.6.4 são discutidos
relativamente às análises de confiabilidade realizadas e às características vinculadas aos dois
principais tópicos abordados nesta tese, quais sejam, a caracterização de modos de falhas
85
distintos em um mesmo modelo e o tratamento da censura dos dados de garantia de um produto
através da utilização da opinião de especialistas.
O modelo de Majeske (2003) é um modelo de mistura que associa duas distribuições de
probabilidade aos modos de falhas percebidos em automóveis e originados nas fases de produção
e uso do produto. Esse modelo supera uma limitação freqüente na modelagem de dados e que se
relaciona à não especificação de vários modos de falhas num mesmo modelo. Como se trata de
um modelo de mistura de populações, e como esse tipo de modelagem divide a população em
grupos de modos de falhas diferentes e mutuamente exclusivos, os modos de falhas necessitam de
estar muito bem caracterizados quantitativamente haja vista que a definição percentual de falhas é
determinante para obter estimativas realistas para o modelo.
Para validar o modelo, o autor apresenta gráficos de taxas de falhas em que são
sobrepostos o modelo teórico aos dados coletados. O autor não se utiliza de qualquer teste
estatístico para validar o ajuste dos dados ao modelo, como aqueles mencionados ao final da
seção 2.5; a verificação do ajuste ocorre visualmente. O julgamento visual não é objetivo e requer
um nível de conhecimento considerável sobre o produto, o que compromete a aplicabilidade do
modelo. Além disso, o autor não apresentou qualquer consideração a respeito da confiabilidade
do produto, característica essencial e fonte de referência para avaliar o desempenho de um
produto no decorrer do tempo.
Apesar de o autor empregar a denominação de “modelo Uniforme-Weibull”, apresenta-se
um formulário matemático para uma distribuição exponencial, caso especial de uma distribuição
de Weibull, tanto que o valor do parâmetro de forma obtido pelo método de máxima
verossimilhança aplicado pelo autor é 0,91626 (próximo a 1 e padrão da distribuição
exponencial). Independente do cálculo, o comportamento de taxa de falhas constante é
perceptível pela análise do perfil de ocorrência de falhas após t * , o tempo limítrofe entre a
distribuição uniforme e de Weibull (Figura 7). Na verdade, a verificação de taxa de falhas
constante durante o período de garantia é plenamente admissível já que falhas por desgaste
devem acontecer com mais intensidade após o término da garantia. O autor não apresenta
qualquer indicativo para a taxa de falhas em um período pós-garantia. Por isso, o mais adequado
seria denominá-lo modelo Uniforme-exponencial.
Verifica-se, ainda, que há descontinuidade entre os modos de falhas identificados pelo
autor relativamente a falhas prematuras e por uso dos veículos. A descontinuidade dessas duas
86
fases é claramente perceptível no gráfico de hT (t ) exposto na Figura 8 e no gráfico de FT (t )
apresentado na Figura 14, considerando os parâmetros estimados no estudo. Também o gráfico de
f T (t ) aponta descontinuidade após t * (Figura 15). Apesar de a continuidade matemática ser
garantida no gráfico de FT (t ) , percebe-se uma mudança no ritmo de crescimento do percentual
de taxas de falhas após t * . O autor não faz nenhuma menção a essa evidência.
0,0025
% 0,002
0,0015
F(t)
0,001
0,0005
0
0 100 200 300 400 500 600 700 800
tempo
Figura 14 Gráfico da FT (t ) para o modelo Uniforme-Weibull de Majeske (2003)
0,0004
0,00035
0,0003
0,00025
f(t) 0,0002
0,00015
0,0001
0,00005
0
0 200 400 600 800 1000
tempo
Figura 15 Gráfico de f T (t ) para o modelo Uniforme-Weibull de Majeske (2003)
Com relação à obtenção da opinião de especialistas na distinção de tempo entre falhas

prematuras e por desgaste, Majeske não esclarece o método utilizado para obtenção do valor
estimado de t * .
87
Chan e Meeker (1999) apresentaram um modelo GLFP para casos onde um modo de falha
é comum a todos os componentes e o outro somente a uma fração p da população. A suposição
para a utilização do modelo é que a população pode ser dividida nessas duas subpopulações
(distintos modos de falhas): a primeira, compreendendo a fração p da população e sujeita à
influência de dois riscos concorrentes e a segunda, compreendendo o restante da população, e que
está sujeita somente à influência de um dos dois riscos concorrentes. Quando p = 0 , o modelo se
reduz a uma única distribuição de Weibull. Quando p = 1 , o modelo se reduz a um modelo de
riscos concorrentes tradicional [eq. (5)] com duas distribuições de Weibull concorrendo em todo
o tempo de observação.
Os autores buscam capturar a ocorrência de falhas concorrentes a partir de definição de
tempos limites de observação. A idéia predominante é a de que quanto mais conhecidos forem os
modos de falhas, melhores serão as previsões relativamente ao desempenho do produto sob
análise. Os autores comprovam essa assertiva utilizando-se de dois experimentos quanto a pontos
limítrofes na definição do tempo de atuação de dois modos de falhas e um experimento em que os
modos de falhas não são conhecidos. Os autores concluem que há necessidade de se identificar o
número mínimo de modos de falhas sobre o desempenho desse produto. Para subsidiar as análises
realizadas, os autores utilizam gráficos de WPP simples e com intervalos de confiança para f (t )
e h(t ) a fim de mapear o comportamento dos dados, verificar tendências futuras para o período
pós-garantia, caracterizar as distribuições e respectivos parâmetros que mais se ajustam aos dados
coletados. A apresentação conjugada por gráficos e cálculos matemáticos é lógica e de fácil
compreensão. Entretanto, o estudo não realiza qualquer inferência sobre R(t ) no decorrer do
tempo. Além disso, o modelo não considera a ocorrência de modos de falhas aleatórias, que são
agregados no modelo GLFP aos modos de falhas prematuras e por desgaste.
Apesar de não apresentarem qualquer subsídio à redução do elevado nível de censura
(98%) nos dados coletados no estudo de caso analisado, os autores constataram a imprecisão nas
previsões após o término da garantia, quando os intervalos de confiança dos WPP tornaram-se
mais largos, o que explicita a dificuldade em inferir qualquer informação futura relativa ao
desempenho do produto avaliado. Tal dificuldade evidencia a necessidade de algum mecanismo
de supressão da censura como forma de reduzir essa imprecisão.
Chan e Meeker (1999) utilizam os estudos realizados para validar a informação de
especialistas quanto ao tempo de ocorrência dos modos de falhas caracterizados quando da
88
proposição do modelo, ou seja, de que as falhas prematuras acontecem num período inicial de
operação do produto e que, após um determinado tempo, as falhas por desgaste têm prevalência
no modelo.
Os modelos de Jiang e Murthy (1995) propõem três opções de modelagem para substituir
os modelos tradicionais usualmente apresentados no formato de misturas. A explanação dos três
modelos tem enfoque predominante gráfico com suporte de cálculos matemáticos. Os modelos
apresentados supõem comportamento dos modos de falhas em seqüência ou concorrência. A idéia
básica dos WPP apresentados é ajustar retas às assíntotas da direita e esquerda de cada modelo
apresentado. A declividade e as intersecções dessas linhas produzem as estimativas para os
parâmetros. Dessa forma, a modelagem envolve ajustar assíntotas, determinar pontos de
intersecção e pontos de inflexão das funções representativas de cada modelo.
O ponto forte do estudo é a verificação do ajuste de dados a modelos que mesclam a
utilização de distribuições de Weibull. Apesar das diversas etapas de cálculos e análise a serem
realizadas, o método de investigação de ajuste de dados é de razoável compreensão teórica e
prática. Os modelos são boas alternativas para investigar o ajuste de dados a situações de
funcionamento de um produto submetido à ocorrência de mais de um modo de falha. Todavia, a
análise gráfica requer um conhecimento pormenorizado do funcionamento do produto a fim de
que as estimativas apuradas sejam validadas, o que pode ocorrer somente depois de uma primeira
tentativa. A análise requer intuição do analista no sentido de compatibilizar o resultado visual à
possível prática de ocorrência do que está sendo levantado. A solução gráfica parece mais
compatível na determinação dos parâmetros e do WPP para ajuste dos dados, como alternativa à
alta complexidade que cálculos matemáticos para estimativas de parâmetros certamente
exigiriam. Esses estudos requerem extensões para casos onde as distribuições envolvidas não
sejam apenas de Weibull. Considere-se ainda que os métodos gráficos para estimar parâmetros
são úteis para proporcionar uma estimativa inicial para métodos estatísticos de obtenção desses
parâmetros, porém apresentam limitações, tais como: (i) produzir estimativas grosseiras, a menos
que repetidas iterações e avaliações visuais sejam realizadas. Por isso, as estimativas devem ser
utilizadas como ponto de partida para análises estatísticas subseqüentes, e (ii) não proporcionar
nenhum limite de confiança para as estimativas.
Além disso, há que se considerar o fato de que as estimativas dos parâmetros são obtidas a
partir da análise de escalas logarítmicas e que, por essa razão, os valores dos parâmetros obtidos
89
podem apresentar distorções não perceptíveis num primeiro momento de avaliação, já que a
escala logarítmica é utilizada como recurso linearizar e agrupar os dados a fim de melhor
percebê-los visualmente.
Os dois modelos apresentados por Zhang e Ren (2003) podem ser enquadrados como
seccionais puros e mistos (seccionais e de riscos concorrentes ou seccionais e multiplicativos),
apesar de o estudo não explicitar a possibilidade de essas conjugações serem realizadas. Os
procedimentos para elaboração de WPP por método gráfico são lógicos e razoavelmente simples,
porém, como são uma extensão dos modelos de Jiang e Murthy (1995), também requerem
intuição para identificação das estimativas dos parâmetros e carecem de validação estatística. Há
necessidade de separar as subpopulações relacionadas às distribuições de probabilidade utilizadas
em cada modelo e estimar os respectivos parâmetros por estágio de iteração nos cálculos
realizados, visto que cada assíntota apresentada determina o valor dos parâmetros vinculados aos
dados da respectiva subpopulação.
Tanto o modelo de Jiang e Murthy (1995) quanto o de Zhang e Ren (2003) fazem
referência à possibilidade de elaboração do WPP quando os dados são censurados; porém, numa
visão prática da ocorrência de alto nível de censura, o WPP gerado aponta imprecisão semelhante
àquela verificada por Chan e Meeker (1998) para realizar a análise de dados após o período de
garantia do produto estudado.
90
3 Modelo proposto
Conforme referenciado nas seções 1.1 e 2.5, os modelos de confiabilidade apresentados na

literatura trabalham com equações que buscam interpretar a censura dos dados, porém a
utilização desses modelos resulta em parâmetros pouco realistas de desempenho em cenários de
forte censura. Isso pode conduzir à interpretação incorreta de características essenciais para o
conhecimento de um produto, como o MTTF, por exemplo. Essa deficiência pode ser associada
aos modelos, com fraco embasamento na realidade e de construção exclusivamente teórica. Além
disso, erros nas estimativas de parâmetros podem conduzir a deficiências nas definições de
padrões de qualidade, lucros, reposição de peças, etc.
Quanto à apresentação do comportamento de falhas, parte considerável das sugestões de
modelagem restringe-se à utilização de uma distribuição de probabilidade como representante do
conjunto de dados coletados. Em muitas situações ocorre que, em algum período de tempo,
evidencia-se baixa aderência dos dados à modelagem apresentada, significando que
possivelmente outro modo de falha tenha predomínio no modelo e não se ajuste tão bem à
distribuição de probabilidade sugerida inicialmente.
As principais contribuições desta tese, capazes de reduzir as deficiências mencionadas
anteriormente, caracterizam-se por: (i) incorporar a análise do comportamento de três modos de
falhas em um mesmo modelo de forma seqüenciada e concorrencial, para modos de falhas
prematuras, aleatórias e por desgaste; (ii) utilizar a opinião de especialistas como forma de
contornar a censura dos dados, especialmente a censura relacionada aos modos de falhas por
desgaste; (iii) delimitar a prevalência do tempo de ocorrência de modos de falhas prematuras e
por desgaste em um mesmo produto; e (iv) estabelecer medidas de confiabilidade e gráficos
associados ao modelo proposto.
As contribuições apontadas em (i) e (ii) são discutidas na seqüência, haja vista o seu caráter
teórico de importância para a fundamentação do modelo. As contribuições mencionadas em (iii) e
(iv) têm caracterização essencialmente matemática e são apresentadas em tópicos posteriores.
91
3.1 Fundamentos teóricos do modelo
3.1.1 Distinção de modos de falhas em um mesmo modelo de confiabilidade
Muitos produtos apresentam mais de um modo de falha. Na maioria das situações é

importante distingui-los a fim de poder avaliar desempenho e realizar previsões.
Uma mudança na taxa de falha de um produto pode ocorrer em qualquer tempo e essa
mudança possivelmente deve-se à predominância de um novo modo de falha no funcionamento
desse produto. Em sua maioria, os modelos utilizados na literatura caracterizam-se por apresentar
um conjunto de dados associados a um modo de falha apenas (uma distribuição de
probabilidade), dada a facilidade de cálculo e análise proporcionada pelos programas estatísticos
disponíveis no mercado.
Nos últimos anos, os modelos apresentados na literatura têm buscado separar modos de
falhas iniciais, vinculados a problemas de montagem e produção, dos modos de falhas por
desgaste, associados ao envelhecimento de um produto. Os modos de falhas buscam representar a
ocorrências de falhas com características similares; classificá-las como prematuras, aleatórias e
por desgaste acaba por agrupar características de falhas com incidências comuns.
O modelo mais tradicional de incidência de falhas na teoria da confiabilidade é a curva da
banheira, em que falhas prematuras, aleatórias e por desgaste são associadas a todo o ciclo de
vida de um produto. Porém, raramente se encontram na literatura aplicações práticas desse tipo
de modelagem, haja vista a dificuldade na delimitação dos tempos de ocorrência de cada modo de
falha. Como conseqüência, taxas de falhas diferenciadas, quando associadas em um mesmo
modelo, geram pontos de descontinuidade que não representam a realidade de desempenho de um
produto (WONDMAGEGNEHU et al., 2005). Zhang e Ren (2002) apresentam modelos
seccionais teóricos combinando três distribuições de Weibull como forma de obter taxas de falhas
com o perfil da curva da banheira. Porém, os autores reconhecem a pouca praticidade do modelo,
dada a dificuldade de ajuste do mesmo à realidade de funcionamento de um produto. Os autores
também ressaltam que o predomínio de determinado modo de falha num conjunto de dados pode
92
descaracterizar o perfil da curva da banheira. Ou seja, a curva da banheira requer uma divisão
proporcional entre os modos de falhas, a fim de que se possa visualizá-los claramente.
O modelo aqui proposto permite a análise de dados de um produto submetido a falhas
prematuras e por desgaste ocorrendo de forma seqüenciada, e falhas aleatórias concomitantes às
falhas prematuras e por desgaste. O modelo inova ao incorporar a aleatoriedade, ignorada na
maioria dos modelos apresentados na literatura. As falhas aleatórias têm baixa representatividade
no contexto geral de falhas de um produto, especialmente se o produto não é submetido a testes
de burn-in, quando modos de falhas prematuras surgem com maior evidência. Com o decorrer do
tempo, a incidência dos modos de falhas prematuras diminui e as falhas aleatórias se fazem mais
presentes, já que representam o tempo de uso operacional de um produto até que as falhas por
desgaste têm início e passam a exercer papel preponderante no desempenho do produto até o final
do seu ciclo de vida. Porém, independente da sua representatividade em qualquer fase da vida de
um produto, é fato que elas ocorrem e sua desconsideração implica agregá-las a outros modos de
falhas. Mesmo que a incidência desse modo de falha seja baixa, a sua desconsideração implica
obter um modelo menos preciso.
Para associar falhas prematuras, aleatórias e por desgaste, o modelo a ser detalhado na
seqüência pressupõe a ocorrência simultânea de falhas prematuras e aleatórias,
predominantemente até um tempo a ser estimado e, após esse tempo, a ocorrência simultânea de
modos de falhas por desgaste e aleatórias. Trata-se de um modelo seccional em que riscos
concorrem entre si.
A distinção dos três modos de falhas proporciona elaborar estimativas mais confiáveis
para cada um dos modos de falhas e subseqüentes medidas de confiabilidade também realistas, de
forma a representar o desempenho prático de um produto no decorrer da sua vida útil.
3.1.2 Inclusão da opinião de especialistas ao modelo matemático para tratar a

censura dos dados
Elaborar uma modelagem de dados de falhas implica estabelecer importantes

considerações sobre a natureza dos dados, tipo de censura, mecanismos de falhas e sua ocorrência
93
durante o ciclo de vida de um produto. Porém, como o período de maior conhecimento obtido
pelo produtor refere-se aos modos de falhas prematuras e aleatórias, ou seja, falhas ocorridas
durante o período de garantia, as falhas subseqüentes e vinculadas a desgaste não recebem
acompanhamento sistemático. Para Meeker e Escobar (1998), utilizar indicadores de eventos
futuros obtidos da censura dos dados, parando de observar o funcionamento de um produto, pode
conduzir a erros. Na opinião dos autores, métodos de análise de dados censurados exigem
suposições de que a censura é não-informativa.
Em geral, os modelos assumem a censura como informação, não gerando alternativas que
possam reduzir o seu poder de incerteza. A utilização da opinião de especialistas como suporte ao
complemento de dados e reconhecimento do perfil de ocorrência de falhas na vida de um produto
é escassa. A utilização da opinião de especialistas em estudos de confiabilidade vem crescendo
nos últimos anos; todavia, sua aplicação tem sido restrita a modelos bayesianos
(SINGPURWALLA; SONG, 1988). Neles, buscam-se informações pontuais que permitam
estimar parâmetros do modelo, e não a delinear o possível perfil de desempenho dos modos de
falhas em tempos futuros. Como estimativas subjetivas de parâmetros pressupõem algum grau de
conhecimento de conceitos estatísticos por parte dos produtores (especialistas, no caso), a
aplicação prática dos modelos bayesianos resulta limitada.
Em situações práticas, a censura dos dados de confiabilidade costuma ser expressiva,
ultrapassando índices superiores a 95% dos dados disponíveis. Grande parte dos autores
interpreta a censura via formulação matemática, conforme apresentado na eq. (9). Os modelos
restringem-se a considerações teóricas e quando aplicados na prática acabam por demonstrar
resultados irreais e pouco confiáveis.
O período de censura está sujeito a muita variabilidade entre realidade e cálculo realizado.
A impossibilidade em precisar a ocorrência de falhas após determinado período dificulta a
precisão na obtenção de parâmetros e conseqüentes estimativas. Por exemplo, 30 dados quaisquer
hipotéticos ajustados a uma distribuição de Weibull geram parâmetros de forma ( α =2,14) e de
escala ( β =10,63) quando não há censura. Em um tempo t = 20 , a RT (t ) calculada sob variados
níveis de censura aponta valores diversos de confiabilidade, conforme gráfico apresentado na
Figura 16. Quanto maior o nível de censura, maior o nível de dispersão dos dados (maior o
parâmetro de escala) e maior será a distorção relacionada às medidas de confiabilidade.
94
1
0,9
0,8
0,7 Dados sem
Confiabilidade
0,6 censura
80% de censura
0,5
0,4
97% de censura
0,3
0,2
0,1
0
0 10 20 30
tempo
Figura 16 Análise da RT (t ) para diferentes níveis de censura
Dessa forma, surgem problemas para aplicar uma modelagem se os dados estão
censurados em níveis superiores a 90% do total de possíveis dados (MURTHY et al., 2004a).
Esse é um cenário usual na análise de dados de garantia.
O modelo sugerido nesta tese busca tratar a censura através da sua substituição por
informação originada de especialistas. O propósito é gerar um banco de dados que possibilite
realizar análise integral do ciclo de vida de um produto, obtendo indicadores mais realistas e
confiáveis. O conhecimento dos indicadores de desempenho pode permitir ao produtor realizar
um acompanhamento mais aprimorado do produto e estabelecer estratégias comerciais vinculadas
mais especificamente à manutenção desse produto, melhorias em seu tempo de garantia e
sugestão de tempo de substituição do produto, por exemplo.
95
3.2 Desenvolvimento do modelo proposto
3.2.1 Justificativa para a utilização do modelo
O modelo aqui proposto tem duas características originais: (i) a associação dos modos de
falhas de forma concorrente e/ou seqüencial, e (ii) o tratamento da censura dos dados após o
período da garantia, considerando a opinião de especialistas como fonte de informação.
O desenvolvimento do modelo foi motivado após a análise de um conjunto de dados
originados de solicitações de uso de garantia de aparelhos elétricos domésticos em que se pôde
constatar que testes de burn-in não eram realizados satisfatoriamente.
A partir dessa constatação, definiu-se o modelo matemático como uma combinação de
uma distribuição exponencial e de Weibull com dois parâmetros para analisar a concorrência de
falhas prematuras e aleatórias, e da mesma distribuição exponencial, agora associada a uma
distribuição de Weibull com três parâmetros, para representar as falhas por desgaste. Considera-
se que a conjugação de distribuições de Weibull proporciona bons modelos para vida de
componentes elétricos e mecânicos com falhas causadas por mais de um modo de falha (JIANG;
KECECIOGLU, 1992).
Por fim, devido à falta de um método eficiente e sistemático de estimação de parâmetros, a
conjugação de distribuições de probabilidade em um mesmo modelo é usualmente substituída por
distribuições de probabilidade únicas para representar um conjunto de dados diversificado, em
que mais de um modo de falha se faz presente, o que pode gerar distorções conforme apresentado
na seção anterior.
96
3.2.2 Características do modelo
A modelagem proposta nesta tese segue uma abordagem teórica (white box, MURTHY,
2004a), pois pressupõe que o fenômeno sendo estudado seja bem compreendido, definindo
claramente os mecanismos de falhas de um produto.
O modelo proposto considera a adoção da política conjunta de ocorrência de falhas de três
naturezas. O modelo genérico é matematicamente definido pela equação (77).
⎧⎪ R ( t ) × R1 ( t ) 0 ≤ t ≤ t0
RT ( t ) = ⎨ 0 (77)
⎪⎩ R0 ( t ) × R2 ( t ) t0 < t < ∞
onde RT (t ) é a função confiabilidade total do modelo, R0 (t ) é função confiabilidade da
distribuição exponencial, R1 (t ) e R2 (t ) representam as funções confiabilidade da distribuição

de Weibull com dois e três parâmetros, respectivamente, t é o tempo de ocorrência da falha e t0
é o tempo limite entre as distribuições concorrentes R0 (t ) × R1 (t ) e R0 (t ) × R2 (t ) .

A expressão matemática do modelo estabelece, ainda, que (i) modos de falhas prematuras
e por desgaste ocorrem de maneira seqüencial (como nos modelos seccionais), ou seja, um tempo
t 0 delimita a predominância de ocorrência de falhas, e (ii) concomitantemente à ocorrência
desses modos de falhas, o produto está submetido a falhas aleatórias (como nos modelos de riscos
concorrentes).
3.2.3 Pressupostos do modelo
O modelo foi construído a partir de um conjunto de pressupostos reproduzidos a seguir:

a. Existem dados relacionados a modos de falhas prematuras no período inicial de
funcionamento do produto em estudo. Caso não se verifique a ocorrência desse
modo de falha, o modelo tipifica um modelo de riscos concorrentes que associa
uma distribuição exponencial e uma distribuição de Weibull, de dois ou três
97
parâmetros, para representar, respectivamente, modos de falhas aleatórias e por
desgaste;
b. As falhas mecânicas no início são tratadas como prematuras, já que a sua rápida
ocorrência indica possível problema de montagem ou produção. Uma falha no
conector de entrada de um condensador, por exemplo, é considerada como falha
de montagem/produção;
c. Há um período de desgaste, sobre o qual é realizada a coleta de informações de
especialistas;
d. Há um tempo delimitador entre os modos de falhas prematuras e por desgaste.
Além disso, falhas prematuras e por desgaste são concorrentes aos modos de
falhas aleatórios. Por conseqüência, a função f T (t ) que caracteriza o modelo é
contínua em um tempo t 0 . Para tanto, deve satisfazer as seguintes condições: (i)
f T (t 0 ) é conhecida e definida, (ii) lim f T (t ) existe, e (iii) lim f T (t ) = f T (t 0 ) . Se

t →t0 t →t0
uma ou mais dessas três condições não forem atendidas em t 0 , f T (t ) é
descontínua em t = t 0 (GUIDORIZZI, 2001);

e. Os modos de falhas são independentes, ou seja, um modo de falha prematura não
está relacionado a um modo de falha por desgaste, por exemplo;
f. Associado a cada modo de falha há supostamente uma distribuição de
probabilidade que o represente.
3.3 Método para abordagem do modelo
O método para estudo do modelo proposto nesta tese é composto das etapas constantes no
fluxograma da Figura 17 e apresentadas em detalhe na seqüência.
98
Início
Caracterização Opinião de
do sistema especialistas
Análise Preliminar Coleta de Registros
Dados históricos
Fundamentação Formulação
Proposição do modelo
teórica matemática
matemático
Apresentação de Análise do Estimativas de

medidas de modelo parâmetros
confiabilidade
Utilização de técnicas
Gráficos Validação do
estatísticas de ajuste
associados modelo
de dados
Comparação do modelo
Análise crítica proposto a modelos já
existentes
Conclusões
Fim
Figura 17 Fluxograma de um método para elaboração de modelo matemático para análise de dados de falha durante
o ciclo de vida de um produto
Fonte: elaborada pelo autor
99
3.3.1 Caracterização do sistema
A caracterização do sistema destaca os seguintes enfoques: (i) detalhamento dos aspectos

físicos do sistema a ser estudado, descrição do seu funcionamento e componentes de vinculação,
(ii) elaboração de uma estrutura dos dados de desempenho do sistema e seus componentes
durante o período de garantia, (iii) definição do componente a ser analisado pelo modelo
proposto, e (iv) agrupamento dos tipos de falhas apurados na estrutura dos modos de falhas
pressupostos para o modelo sugerido.
3.3.2 Coleta de dados
A coleta de dados pretende gerar subsídios consistentes à realização da etapa de análise de

dados. Os pontos principais desta etapa relacionam-se a: (i) coletar dados de registros históricos
em poder do produtor relacionados ao período de garantia, (ii) coletar dados de especialistas para
complementar a informação de desempenho relativamente ao ciclo de vida do produto, (iii)
associar dados de garantia e pós-garantia de forma a obter uma amostra representativa do
desempenho do produto durante todo o seu ciclo de vida, e (iv) realizar análise preliminar dos
dados obtidos.
A coleta de registros históricos relaciona-se à obtenção de dados de falhas em poder do
produtor e ocorridas durante o período de garantia. Os registros históricos permitem avaliar
algumas características de desempenho do produto; por exemplo, identificar modos de falhas
predominantes durante a garantia, percentuais de ocorrência e comportamento de funcionamento
dos mesmos.
Na coleta de dados por especialista, busca-se converter a censura dos dados em
representação numérica que venha a ser agregada ao modelo matemático, a fim de completar as
informações para todo um ciclo de vida do componente a ser analisado.
100
Os procedimentos para obtenção da opinião de especialistas incluem: (i) elaborar e aplicar
um questionário (Anexo A) para levantar informações relativas a tempos limítrofes de ocorrência,
modos de falhas, percentuais de ocorrência de falhas e níveis de confiabilidade no decorrer do
tempo, (ii) analisar os dados gerados por especialista, e (iii) definir amostra de dados dos
especialistas para ser agregada aos registros de dados históricos.
Ao aplicar o questionário, a idéia é obter dos especialistas informações relativas a um
desempenho completo do componente no decorrer de sua vida útil presumida, assim como
tempos de início e final de ocorrência dos modos de falhas apresentados no modelo proposto. Ao
se obter as probabilidades intervalares crescentes de ocorrência de falhas durante a vida do
componente - isto é, uma FT (t ) empírica - é possível também definir uma função densidade
probabilidade empírica por intervalos e gerar dados (TTFs) associados a esses intervalos.
O questionário é elaborado seguindo os trâmites recomendados na literatura para a
elaboração desse tipo de instrumento de coleta de dados. As perguntas são apresentadas de forma
seqüenciada com vistas a facilitar sua compreensão, assim como exemplificadas antes da possível
anotação de respostas. O questionário é validado por dois especialistas antes da sua apresentação
definitiva para os respondentes. A sua aplicação ocorre por realização de entrevista para que
possíveis dúvidas possam ser esclarecidas tão logo constatadas.
As respostas são geradas e analisadas seguindo a aplicação do Método Delphi. O Método
Delphi é um dos instrumentos mais utilizados na realização de estudos de prospecção de dados. O
método consiste na aplicação de um questionário e obtenção de informações quantificáveis que
podem ser reavaliadas pelos respondentes em rodadas sucessivas de apresentação do
questionário. A cada nova rodada o respondente tem acesso às respostas concedidas
anteriormente pelos demais respondentes. O objetivo é obter um nível de consenso entre as
respostas com a menor variabilidade possível (CARDOSO, et al. 2005). Uma das formas de
avaliação das respostas utiliza a relação entre a média e desvio-padrão de cada resposta, o que
ocorre pela análise do Coeficiente de Variação (CV). A aplicação do método visa realizar várias
rodadas das perguntas até que cada resposta esteja associada a um nível de 30%, ou menos, para
o CV. Mais detalhes sobre a utilização do Método Delphi podem ser verificados em Skulmoski et
al. (2007), Okoli e Pawlowski (2004) e Steenkiste et al. (2002).
Através da aplicação do questionário, é possível definir uma amostra de dados que
represente um ciclo completo de vida do componente e associar as informações dos especialistas
101
às do período de garantia em poder do produtor. A definição quantitativa da amostra segue a
mesma proporção de dados apurados na coleta de registros históricos, quando se define
percentual de dados com e sem censura.
De posse dos dados coletados por registro histórico e opinião de especialistas, análises
preliminares utilizando ferramentas de estatística descritiva são realizadas, a fim de constatar a
ocorrência de padrões, tendências, correlações e atipicidades, apresentar resumos e descrições
dos dados e que subsidiem a compreensão da etapa de modelagem. Além disso, utilizam-se
histogramas e outros gráficos para identificar o nível de associação dos dados, se unimodais,
bimodais, crescentes, decrescentes, simétricos ou não, e níveis de curtose, por exemplo. Além
disso, a consistência dos dados busca depurar qualquer anormalidade relacionada à utilização da
garantia em “picos” de registros de falhas próximos ao término desse período, por exemplo.
3.3.3 Proposição de modelo matemático
A proposição do modelo matemático segue duas vertentes de consideração: a

fundamentação teórica e a conseqüente formulação matemática.
A inclusão das distribuições exponencial e de Weibull ao modelo devem-se aos seguintes
motivos.
A distribuição exponencial denota a ocorrência de taxa de falhas constantes,
representando os modos de falhas aleatórias surgidas durante o funcionamento de um produto.
Esse comportamento sugere que o componente sob consideração não está envelhecendo no
decorrer do tempo. A distribuição exponencial está associada à vida operacional de um produto e
é muito utilizada nas aplicações de análise de confiabilidade, pois é de simples aplicação prática,
conduzindo a modelos de tempo de vida realistas para certos tipos de produtos, com perfil de
funcionamento elétrico, tais como circuitos integrados, capacitores, etc. A distribuição
exponencial não é apropriada para modelar o tempo de vida de componentes mecânicos, visto
que esses são submetidos a algum tipo de fadiga, corrosão e desgaste, em que a taxa de falha
apresenta comportamento crescente. Para esses casos, uma distribuição de Weibull desponta
como a mais adequada para modelagem.
102
A distribuição de Weibull é muito flexível e ajustável a vários conjuntos de componentes,
principalmente aqueles com características de funcionamento mecânicas. O valor prático de uma
distribuição de Weibull está na sua habilidade em descrever distribuições de falhas com variadas
formas, permitindo verificar o curso das taxas de falhas no decorrer do tempo, se crescentes,
decrescentes ou constantes. Nesse último caso, tem-se uma distribuição exponencial, que é um
caso particular da distribuição de Weibull.
Por decorrência da fundamentação teórica exposta anteriormente e da análise preliminar
dos dados realizados na etapa anterior, a apresentação prática do modelo com a utilização de uma
distribuição exponencial e duas distribuições de Weibull com dois e três parâmetros,
respectivamente, fica representada pela equação (78):
⎧ exp ⎡ − ( t / η ) β0 ⎤ × exp ⎡ − ( t / η ) β1 ⎤ , 0 ≤ t ≤ t0 ;
⎪ ⎣ 0
⎦ ⎣ 1
⎦
⎪
RT ( t ) = ⎨ ⎧⎪ ⎡ ( t − γ ) ⎤ β 2 ⎫⎪ (78)
⎪ exp − ( t / η1 )
β1
⎡ ⎤ × exp ⎨− ⎢ 2
⎥ ⎬ , t0 < t < ∞.
⎪ ⎣ ⎦ η2
⎩ ⎪
⎩ ⎣ ⎦ ⎪⎭
onde:
t representa o tempo de ocorrência de uma falha;
η i , i = 0, 1, 2 , representa o parâmetro de escala de uma distribuição exponencial para n1 ,
de uma distribuição de Weibull com dois parâmetros para n0 e de três parâmetros para n2 ;
β i , i = 0, 1, 2 , representa o parâmetro de forma de uma distribuição exponencial para β1 ,

de uma distribuição de Weibull com dois parâmetros para β 0 e de três parâmetros para β 2 ; e
γ 2 é o parâmetro de localização da distribuição de Weibull com três parâmetros.

Para aplicação do modelo, exige-se que β 0 < 1 , β1 = 1, β 2 > 1 e t 0 > γ 2 .
[ ]
A equação exp − (t / η1 ) 1 pode também ser expressa por exp[− (λt )] , já que λ =
β 1
n1
.
103
3.3.4 Análise do modelo matemático
Esta etapa associa os dados coletados em 3.3.2 ao modelo proposto em 3.3.3, de forma a
permitir que análises sejam realizadas relativamente ao comportamento dos dados e desempenho
do componente estudado. A análise do modelo segue quatro enfoques principais: (i) apresentação
das expressões das medidas de confiabilidade do modelo deduzidas a partir de RT (t ) , (ii) cálculo
das estimativas dos parâmetros por via gráfica e matemática, (iii) elaboração de gráficos e
planilhas associados às medidas de confiabilidade, e (iv) análise crítica como conseqüência dos
levantamentos realizados de (i) a (iii).
As principais medidas de confiabilidade estão definidas na seqüência.
A função de confiabilidade dá origem ao modelo, sendo expressa pela eq. (78).
A função distribuição acumulada é representada por FT (t ) = 1 − RT (t ) , isto é:
⎧ exp ⎡ − ( t / η ) β 0 ⎤ × exp ⎡ − ( t / η )β1 ⎤ 0 ≤ t ≤ t0 ;

⎪ ⎣ 0
⎦ ⎣ 1
⎦
⎪
FT ( t ) = 1 −⎨ ⎛ ⎡ ( t − γ ) ⎤ β2 ⎞ (79)
⎪exp − ( t / η1 )
β1
⎡ ⎤ ⎜
× exp − ⎢ 2
⎥ ⎟ t0 < t < ∞
⎣ ⎦ ⎜ η
⎪
⎩ ⎝ ⎣ 2 ⎦ ⎠⎟
∂FT (t )
A função densidade de probabilidade é igual a , sendo dada por:
∂ (t )
⎧ ⎛ β ⎛ t ⎞ β 0 β ⎛ t ⎞ β1 ⎞
⎪ ⎜ 0 × ⎜ ⎟ + 1 × ⎜⎜ ⎟⎟ ⎟ × RT (t ) 0 ≤ t ≤ t0 ;
⎪⎪ ⎜⎝ t ⎜⎝ n0 ⎟⎠ t ⎝ n1 ⎠ ⎟
⎠
fT (t ) = ⎨ β1 β2 (80)
⎪⎛⎜ β1 ⎛ t ⎞ β2 ⎛ (t − γ 2 ) ⎞ ⎞⎟
⎪⎜ t × ⎜⎜ n ⎟⎟ + (t − γ ) × ⎜⎜ n ⎟⎟ ⎟ × RT (t ) t0 < t < ∞
⎪⎩⎝ ⎝ 1⎠ 2 ⎝ 2 ⎠ ⎠
É possível demonstrar que a eq. (80) satisfaz as seguintes propriedades de uma função de
∞
densidade de probabilidade (MOOD et al., 1974): (i) f ( x) ≥ 0 , (ii) ∫−∞
f ( x) dx = 1 , e (iii)
x2
P ( x1 ≤ X ≤ x2 ) = ∫ f (u ) du .
x1
104
()
A função de risco equivale a hT (t ) = f T t , sendo representada pela seguinte equação:
RT (t )
⎧ β ⎛ t ⎞ β0 β1 ⎛ t ⎞
β1
⎪ 0
×⎜ ⎟ + ×⎜ ⎟ 0 ≤ t ≤ t0
⎪ t ⎜⎝ n0 ⎟⎠ t ⎜⎝ n1 ⎟⎠
hT (t ) = ⎨ β1 β2 (81)
⎪ β1 ⎛⎜ t ⎞⎟ β2 ⎛ (t − γ 2 ) ⎞
⎪ t × ⎜ n ⎟ + (t − γ ) × ⎜⎜ n ⎟⎟ t 0 < t < ∞
⎩ ⎝ 1⎠ 2 ⎝ 2 ⎠
∞
O MTTF é representada por ∫ R (t ) e equivale à:
0
T
⎧ β2
⎫
⎪⎡ ⎡ (t − γ 2 ) ⎤ ⎤
{ }
∞
⎪
exp ⎡ − ( t / η0 ) ⎤ ⎡ − ( t / η1 ) ⎤ + exp ⎨ ⎢ − ( t / η1 ) − ⎢
β0 β1 β1
∫ ⎣ ⎦⎣ ⎦ ⎢ ⎣ η
⎥ ⎥
⎦ ⎦⎥
⎬ dt . (82)
0 ⎪⎩ ⎣ 2 ⎪⎭
As estimativas dos parâmetros são realizadas graficamente por WPP (Weibull probability
paper ou papel de probabilidade de Weibull) e matematicamente pelo método da máxima
verossimilhança (MLE ou maximum likelihood estimation).
O WPP é elaborado com o objetivo de auxiliar a definir as estimativas matemáticas dos
parâmetros por MLE (por se tratar de um procedimento de otimização não-linear, o WPP permite
arbitrar valores iniciais para os parâmetros próximos de seus valores reais). Além disso, o WPP é
um primeiro passo que permite visualizar o ajuste dos dados analisados ao modelo proposto.
Na seqüência são apresentados os desenvolvimentos para gerar o WPP representante do
modelo proposto nesta tese.
Utilizando as transformações x = ln (t ) e y = ln[− ln (RT (t ))] na primeira parte de RT (t ) ,
correspondente aos modos de falhas prematuras e aleatórias, obtêm-se as eqs. (83) e (84).
⎡ n0β0 ⎤
y1 ( x ) = β 0 [x − ln (n0 )] + ln ⎢1 + β1 × exp(β1 − β 0 )x ⎥ (83)
⎣ n1 ⎦
ou
⎡ n1β1 ⎤
y1 ( x ) = β1 [x − ln(n1 )] + ln ⎢1 + B0 × exp− (β1 − β 0 )x ⎥ (84)
⎣ n0 ⎦
105
Qualquer das duas equações representa a primeira parte do WPP. Tais equações são
função não-linear de x . Analisando o comportamento assintótico de y1 (x ) , desde que β 0 < β1 ,
constatam-se os seguintes resultados:
⎡ n0β 0 ⎤
lim ln ⎢1 + β1 × exp(β1 − β 0 )x ⎥ = 0 (85)
x → −∞
⎣ n1 ⎦
e
⎡ n1β1 ⎤
lim ln ⎢1 + B0 × exp− (β1 − β 0 )x ⎥ = 0 (86)
x →∞
⎣ n0 ⎦
Esses resultados evidenciam que as assíntotas do intervalo 0 ≤ ln (t ) ≤ ln (t0 ) são definidas
por L0 e L1 , a seguir:
y L0 ( x ) = β 0 [x − ln (n0 )] , quando x → − ∞ (87)

e
y L1 ( x ) = β1 [x − ln (n1 )] , quando x → ∞ (88)
As coordenadas do ponto de intersecção entre L0 e L1 , definidas por (xI ; y I ) , são

representadas pelas eqs. (89) e (90).
β 0 × ln(n0 ) − β1 × ln(n1 )
xI = (89)
β 0 − β1
β1
⎛n ⎞
β 0 × ln⎜⎜ 0 ⎟⎟
⎝ n1 ⎠ (90)
yI =
β 0 − β1
Calculando a derivada segunda de y1 ( x ) com relação a x obtém-se a eq. (91):

β0
(β1 − β 0 )2 × n0β × exp(β1 − β 0 )x
∂ 2 y1 ( x ) n1 1
= (91)
∂x ⎡ n0β 0 ⎤
2
⎢1+ β1 × exp(β1 − β 0 )x ⎥
⎣ n1 ⎦
106
Como conclusão, o intervalo 0 ≤ ln (t ) ≤ ln (t0 ) apresenta uma curva côncava, pois
∂ 2 y1 ( x )
> 0 . Todavia, essa concavidade é muito suave, já que a parcela não linear de y1 ( x ) é uma
∂x
função logarítmica com pouca representação quantitativa para um mesmo valor de x, se
comparada à parcela retilínea de y1 ( x ) .
Além disso, observa-se que em x = xI , F1 ( x I ) = F2 ( xI ) e como resultado obtém-se que:
y1 ( x ) x = xI = y I + ln (2) (92)
e
∂y1 ( x ) ⎛ β 0 + β1 ⎞
=⎜ ⎟. (93)
∂x x = xI ⎝ 2 ⎠
A derivada primeira de y1 ( x ) relativamente à x é expressa pela eq. (94):
n0β0
(β1 − β 0 )× β1 × exp(β1 − β 0 )x
∂y1 ( x ) n1
= β0 + β0
. (94)
∂x
1 + β1 × exp(β1 − β 0 )x
n0
n1
Para a segunda parte da RT (t ) , correspondente à representação dos modos de falhas

aleatórios e por desgaste, utilizam-se novamente as transformações xi = ln (ti ) e
y i = ln[− ln (RT (t ))] , obtendo-se a eq. (95).
⎛ 1
y 2 ( x ) = ln⎜⎜ β1
⎞ ⎛ 1
⎟⎟ + ln⎜⎜ β
⎞
[
⎟⎟ + ln n2β 2 exp(β1 x ) + n1β1 (exp( x ) − γ 2 )β 2 ] (95)
⎝ n1 ⎠ ⎝ n2 ⎠
2
Essa função define o gráfico do WPP, sendo uma função não linear de x. Estudando o
comportamento assintótico de y 2 ( x ) , desde que β1 < β 2 , tem-se que as duas primeiras parcelas
são valores constantes. A terceira parcela deve ser analisada assintoticamente com o objetivo de
determinar o comportamento de y 2 ( x ) no decorrer do tempo.
O cálculo da derivada primeira de y 2 ( x ) , pressupondo que x ≥ γ 2 , aponta para a eq. (96).
107
∂y 2 ( x ) β1 × n2β 2 × exp(β1 x ) + β 2 × n1β1 × exp( x ) × (exp( x ) − γ 2 )
β 2 −1
= (96)
∂x n2β 2 × exp(β1 x ) + n1β1 × (exp( x ) − γ 2 ) 2
β
O estudo do comportamento assintótico da eq. (96) permite constatar que:
β1 × n2β × exp(β1 x ) + β 2 × n1β × exp( x ) × (exp( x ) − γ 2 )β

2 1 2 −1
lim =∞ (97)
n2β 2 × exp(β1 x ) + n1β1 × (exp( x ) − γ 2 )
x → +∞ β2
β1 × n2β × exp(β1 x ) + β 2 × n1β × exp( x )× (exp( x ) − γ 2 )β

2 1 2 −1
lim =0 (98)
n2β 2 × exp(β1 x ) + n1β1 × (exp( x ) − γ 2 )
x →0 β2
Como resultado dessa análise, as assíntotas que margeiam y 2 ( x ) são definidas por L1 e
L2 , e representadas pelas eqs. (99) e (100).
y L1 (x ) = β1 [x − ln(n1 )] (99)
y L2 ( x ) = β 2 [x − ln(n2 )] (100)
Considere-se que y L1 já fora definida na primeira parte do WPP por representar os modos
de falhas aleatórias, também considerados na segunda parte do WPP.

Calculando a derivada segunda de y 2 (x ) com relação à x obtém-se a eq. (101).
∂ 2 y 2 ( x ) n2β 2 × β12 × exp(β1 x ) + n1β1 × (exp( x ) − γ 2 ) 2 × β 22 × (exp( x ))

β −2 2
= +
∂x n2β 2 × exp(β1 x ) + n1β1 × (exp(x ) − γ 2 ) 2
β
n1β1 × (exp( x ) − γ 2 ) × β 2 × exp(x ) − n1β1 × (exp( x ) − γ 2 ) × β 2 × (exp( x ))

β 2 −1 β 2 −2 2
+ − (101)
n2β 2 × exp(β1 x ) + n1β1 × (exp( x ) − γ 2 ) 2
β
−
(n β2
× β1β1x + n1β1 × (exp(x ) − γ 2 )
β 2 −1
× β 2 × exp(x ))
[n ]
2
2
× exp(β1 x ) + n1β1 × (exp( x ) − γ 2 )
β2 β2
2
108
∂ 2 y 2 (x )
O estudo da derivada segunda demonstra que > 0 , isto é, o WPP é uma curva
∂x
côncava, porém mais acentuada do que a curva que representa a primeira parte do WPP.
Constata-se que o WPP intercepta o eixo x em ln (γ 2 + n2 ) . A derivada primeira de y 2 (x ) no
ponto x corresponde a:
∂y 2 (x ) ⎛ γ ⎞
= β 2 ⎜⎜1 + 2 ⎟⎟ (102)
∂x x =ln (γ 2 + n2 ) ⎝ n2 ⎠
As coordenadas do ponto de intersecção entre L1 e L2 , definidas por (xII ; y II ) são

representadas pelas eqs. (89) e (90).
O modelo é caracterizado por 8 parâmetros (no , n1 , n2 , β 0 , β1 , β 2 , γ , t0 ) . Para assegurar
continuidade a RT (t ) e fT (t ) em t = t0 , exige-se que F1 t 0− = F2 t 0+ ( ) ( ) ( )

e f1 t0− = f 2 t0+ ( ) ,
correspondentes às duas equações que compõem a FT (t ) apresentada na eq. (79). Por decorrência
desse pressuposto, os parâmetros devem satisfazer às eqs. (103) e (104).
β0 β1 β1 β2
⎛ t0 ⎞ ⎛t ⎞ ⎛t ⎞ ⎛ (t − γ ) ⎞
⎜⎜ ⎟⎟ + ⎜⎜ 0 ⎟⎟ = ⎜⎜ 0 ⎟⎟ + ⎜⎜ 0 2 ⎟⎟ (103)
⎝ n0 ⎠ ⎝ n1 ⎠ ⎝ n1 ⎠ ⎝ n2 ⎠
β0 β1 β1 β2
⎛t ⎞ ⎛t ⎞ ⎛t ⎞ ⎛ (t − γ ) ⎞
β 0 ⎜⎜ 0 ⎟⎟ + β1 ⎜⎜ 0 ⎟⎟ = β1 ⎜⎜ 0 ⎟⎟ + β 2 ⎜⎜ 0 2 ⎟⎟ (104)
⎝ n0 ⎠ ⎝ n1 ⎠ ⎝ n1 ⎠ ⎝ n2 ⎠
Das equações acima, deduz-se que t0 é calculado pela seguinte expressão:
1
⎡ nβ0 ⎛ β ⎞β 2 ⎤ (β 0 − β 2 )
t0 = ⎢ 0β 2 × ⎜⎜ 2 ⎟⎟ ⎥ , (105)
⎢⎣ n2 ⎝ β 0 ⎠ ⎥⎦
e que o valor do parâmetro de localização γ é calculado através de:
109
⎛ β2 ⎞
γ 2 = ⎜⎜1− ⎟×t (106)
⎝ β 0 ⎟⎠ 0
Como resultado, o modelo fica caracterizado por 5 parâmetros independentes. O gráfico

do WPP tem o formato apresentado na Figura 18.
2
ln (t 0 )
1 1ª parte do WPP 2ª parte do WPP
0
0 1 2 3 4 5 6 7 8
-1
-2
-3
-4
-5
Figura 18 Formato do WPP para o modelo proposto
A elaboração das estimativas dos parâmetros para a primeira parte do WPP envolve as
seguintes etapas operacionais:
a) Organizar os dados de TTF em ordem crescente;
b) Computar xi e yi para os TTFs ordenados, como se segue: xi = ln (ti ) e
⎡ ⎛ i ⎞⎤
yi = ln ⎢− ln⎜⎜1 − ⎟⎟⎥ ;
⎣ ⎝ n + 1 ⎠⎦
c) Plotar xi e yi ;
d) Desenhar as assíntotas às curvas geradas no WPP. A intersecção entre L0 e L1
aponta os valores de I1 ( xI ; y I ) . As estimativas das assíntotas podem ser obtidas

por regressão linear, mínimos quadrados ou definição da reta que passa por dois
pontos (dentre os TTF coletados). As declividades das assíntotas produzem os
parâmetros de forma β 0 e ratificam β1 = 1 .
110
e) Testar se as equações (92) e (93) são satisfeitas para a primeira parte do WPP.
Caso isso não ocorra, ajustar L0 e L1 ao WPP até que as condições sejam
aproximadamente atendidas;
f) Obter n0 e n1 da intersecção entre L0 e L1 .
Para a segunda parte do WPP, repetem-se a) a c), complementadas pelas seguintes etapas:
d) Associar as assíntotas às curvas geradas no WPP. A intersecção entre L1 e L2
aponta os valores de I 2 ( xII ; y II ) . A assíntota L2 produz β 2 ;
e) Localizar o ponto em que o WPP intercepta o eixo x. Esse ponto produz
ln (γ 2 + n 2 ) ;
f) Desenhar uma reta tangente ao WPP no ponto de intersecção com o eixo x. A

⎛ γ ⎞
declividade dessa reta produz β 2 ⎜⎜1 + 2 ⎟⎟ [eq. (102)];
⎝n 2 ⎠
g) Associando e) e f) obtém-se estimativas para γ 2 e n 2 já que a estimativa de β 2 foi

obtida em d).
h) Como t 0 e γ 2 são parâmetros dependentes dos parâmetros obtidos nas etapas
anteriores, as estimativas de t 0 e γ 2 são decorrência da aplicação das eqs. (105) e

(106).
A seguir, busca-se estimar, pelo método da máxima verossimilhança, os parâmetros da

função densidade de probabilidade na eq. (80), quais sejam λ , β 0 , β 2 , η 0 e η 2 . Considere-se o
fato de que β1 = 1 e de que t 0 e γ 2 são parâmetros dependentes dos anteriores e já deduzidos

quando da elaboração do WPP.
Sejam T1 ,..., Tn variáveis aleatórias seguindo uma distribuição de probabilidade com
densidade f T (t ,θ ) , onde θ é um parâmetro desconhecido. Consideram-se os tempos-até-falha

observados e indicados por t1 ,...., tn onde n é o total de elementos da amostra de dados (no caso,
tempos-até-falha verificados no período de garantia, associados aos tempos informados por
especialistas).
A função de verossimilhança é obtida pelo produto de f T (t ) avaliada em cada ponto da
amostra, e representada pela eq.(107).
111
∑ (tiβ 0 ) ∑ (tiβ 0 )
n n
n
β 0n ∏t β0
i − i =1 β −λ
n
∑ (ti ) − i =1 β −λ
n
∑ (t i )
L(θ ) = n
× i =1
nβ 0
× exp n0 0 i =1
+ λn × exp n0 0 i =1
+
∏t
n 0
i
i =1
(107)
∑ [(ti − γ 2 )β 2 ] ∑ [(ti − γ 2 )β 2 ]
n n n
∏ (t −γ 2 )
n β2 n
− i =1
n2β 2
−λ ∑ (ti ) β 2n i − i =1
n2β 2
−λ ∑ (ti )
+ λ × exp
n i =1
+ n
× i =1
nβ 2
× exp i =1
∏ (t −γ 2 )
n 2
i
i =1
Os valores dos parâmetros que maximizarem esse produto de termos serão considerados
os estimadores de máxima verossimilhança de cada um dos parâmetros constantes em L(θ ) .
A fim de auxiliar a obtenção matemática dos referidos parâmetros, aplica-se a função
logaritmo natural a L(θ ) , obtendo-se l (θ ) , dada por:
⎡ ⎛ ⎞⎤ ⎡ n
⎛ ⎞ ⎤ i∑ t iβ0
n n
n
( )
l (θ ) = ⎢n × ln (β 0 ) − ln⎜⎜ ∏ t i ⎟⎟⎥ + ⎢ β 0 × ln⎜⎜ ∏ t i ⎟⎟ − n × β 0 × ln (n0 )⎥ − =1 β 0 − λ × ∑ (t i ) +
⎣ ⎝ i =1 ⎠⎦ ⎣ ⎝ i =1 ⎠ ⎦ n0 i =1
n
n
β
∑ ti 0 ( ) n ∑ (t i − γ 2 )
n β2
+ n × ln (λ ) − λ × ∑ (t i ) − i =1
+ n × ln (λ ) − λ × ∑ (t i ) − i =1
+
i =1 n0β 0 i =1 n2β 2 (108)
(ti − γ 2 )
n β2
⎡ ⎛ n ⎞⎤ ⎧ ⎛ n ⎞ ⎫ i∑
⎢ n × ln (β ) − ln ⎜∏ i
⎜ (t − γ ) ⎟
2 ⎟⎥ + ⎨ β × ln ⎜∏ i
⎜ (t − γ )
2 ⎟⎟ − β × n × ln (n )⎬ − =1
−
n2β 2
2 2 2 2
⎣ ⎝ i =1 ⎠⎦ ⎩ ⎝ i =1 ⎠ ⎭
n
− λ × ∑ (t i )
i =1
Os estimadores de λ , n0 , β 0 , n2 , β 2 são obtidos através do cálculo da derivada parcial da
eq. (108) com relação a cada parâmetro. Exceto por λ , não há uma forma direta de cálculo dos
parâmetros, e as estimativas de n0 , β 0 , n2 , β 2 são determinadas utilizando métodos numéricos
∂f t (t )
iterativos que buscam satisfazer à condição de =0 .
∂ (no ,n2 ,β 0 ,β 2 ,λ )
A obtenção das estimativas de cada parâmetro fica determinada pelas eqs. (109), (110),
(111), (112) e (113):
112
∂l (θ ) 2× n n
= λ̂ = n = n
∂λ (109)
4∑ ti 2∑ ti
i =1 i =1
∂l (θ ) ˆ ⎛ ⎞
2 ×
⎡ n β0
⎢ ∑ t i ( )
× ln (t )⎤
⎥ 2 ×
⎡ n β0
⎢ ∑ ( ) ⎤
t i × ln(n 0 )⎥
(110)
⎣ i =1 ⎦ ⎣ i =1 ⎦
n
+ ln⎜⎜ ∏ t i ⎟⎟ − n × ln(n 0 ) −
n
= β0 = +
∂β 0 β0 ⎝ i =1 ⎠ n0 β0 β0
n0
( )
n
2 × β 0 × ∑ ti
β0
∂l (θ ) n × β0 (111)
= nˆ0 = − + i =1
β 0 +1
∂n0 n0 n0
n
2 × β 2 × ∑ (t i − γ 2 )
β2
∂l (θ ) n × β2 (112)
= nˆ 2 = − + i =1
β 2 +1
∂n2 n2 n2
∂l (θ ) ˆ n
⎧ n
⎪
⎪
∑ [
(t i − γ 2 ) β2
× ln](t − γ )
2 ⎪
⎫
⎪
⎧ n
⎪ ∑ [
⎪ i =1
]
(t i − γ 2 )β 2 × ln(n 2 )⎫⎪
⎪
= β 2 = 2 − 2 × ⎨ i =1 ⎬ + 2× ⎨ ⎬+
∂β 2 β2 ⎪ n β2
2 ⎪ ⎪ n β2
2 ⎪
⎪⎩ ⎪⎭ ⎪⎩ ⎪⎭ (113)
⎛ n ⎞
+ ln⎜⎜ ∏ (t i − γ 2 )⎟⎟ − n × ln (n 2 )
⎝ i =1 ⎠
Os gráficos e planilhas geradas após a obtenção das estimativas dos parâmetros permitem
realizar análises com relação à lógica de funcionamento do componente estudado. É possível
apresentar os gráficos das medidas de confiabilidade [tais como RT (t ) , hT (t ) , FT (t ) , f T (t ) ],
calcular o MTTF, bem como verificar visualmente pelo WPP o nível de aderência dos dados ao
modelo proposto. As planilhas, além de dar suporte à elaboração dos gráficos, possibilitam
analisar numericamente a evolução dos resultados do componente no decorrer do tempo. Tais
inferências correspondem à análise crítica do modelo a partir dos cálculos obtidos.
113
3.3.5 Validação do modelo
A validação do modelo é realizada por meio da aplicação de um teste de ajuste de dados,

o teste de Kolmogorov-Smirnov (KS). O teste K-S busca avaliar se os dados da amostra coletada
podem representar o modelo teórico estabelecido. O teste utiliza duas hipóteses: H 0 : FT (t ) = Fe (t )
para ∀ t , e H 1 : FT (t ) ≠ Fe (t ) para algum t . FT (t ) é a função distribuição teórica e FT (t ) uma

função distribuição empírica.
O teste avalia a ocorrência de distâncias significativas entre FT (t ) e Fe (t ) em algum
ponto da amostra. Se a maior distância verificada ultrapassar um valor limite considerado crítico,
usualmente disponíveis na forma tabulada, H 0 é rejeitada.
{
O teste K-S utiliza a seguinte estatística de teste (MURTHY, 2004a): Dn = max Dn+ ; Dn− , }
⎡i ⎤ ⎡ i − 1⎤
onde Dn+ = max ⎢ − F (t (i ) )⎥ e Dn− = max ⎢ F (t (i ) ) − . O valor crítico de Dn é calculado como
⎣
i =1,..., n n
⎦ i =1,..., n
⎣ n ⎥⎦
( )
dα / n1 / 2 + 0,11n −1 / 2 + 0,12 , onde α é o nível de significância do teste.
3.3.6 Comparação do modelo proposto com modelos revisados
Esta etapa busca realizar considerações entre as características verificadas no modelo

proposto e os modelos apresentados na seção 2.6. Além disso, comparam-se os resultados do
modelo proposto com aqueles obtidos de modelos que utilizem apenas uma distribuição de
probabilidade para analisar os dados coletados.
114
3.3.7 Conclusões do capítulo
Esta etapa apresenta as conclusões relativas à aplicação do modelo sugerido, sua

validação e utilidade como referencial para análise de dados de desempenho de produtos. Busca-
se identificar aspectos positivos e negativos de sua aplicação, assim como levantar sugestões para
realizar análises posteriores.
115
4 ANÁLISE DO MODELO PROPOSTO: UM ESTUDO DE CASO
A análise do modelo proposto é concretizada por meio do atendimento às etapas

constantes na Figura 17, as quais são detalhadas a seguir no contexto de um estudo de caso.
4.1 Caracterização do sistema
O modelo proposto será utilizado na análise do desempenho de um determinado

equipamento de ar condicionado (AC), durante todo o ciclo de vida útil desse produto, o qual é
fabricado por uma tradicional empresa multinacional. Esse AC é um dos modelos mais populares
utilizados para refrigeração de ambientes, também chamado de equipamento de janela, sendo
recomendado para condicionar salas com dimensões entre 6 m2 e 9 m2, para um máximo de 2
pessoas. Todos os equipamentos são produzidos pela mesma planta da empresa, localizada na
região sul do Brasil. Os equipamentos são considerados como itens não reparáveis; ou seja, os
dados coletados, referentes às falhas verificadas, são registros únicos de tempos-até-falha.
O equipamento apresenta uma garantia de 1 1 2 anos (78 semanas), computada a partir da
sua data de venda. O AC é utilizado durante todo o ano, de forma quase contínua.
Para corrigir falhas que ocorrem durante o período de garantia, os compradores podem
utilizar a rede autorizada, responsável por qualquer reparo relacionado ao desempenho do
equipamento. O período de garantia é considerado muito importante pelos compradores, e as
condições de garantia são seguidas à risca, razão pela qual registros de falhas relativamente a esse
período são considerados fonte de dados muito consistentes.
O AC é constituído de 15 componentes que realizam duas funções principais: ventilação e
refrigeração. Quando a chave seletora é acionada e o termostato ajustado à temperatura desejada,
o AC é energizado pelo cabo de força e circuito elétrico. O capacitor auxilia a partida do motor
que, por sua vez, aciona o funcionamento da turbina e da hélice. Nesse momento, o equipamento
inicia a operação da função ventilação. Quando a função refrigeração for acionada na chave
seletora, o termostato fecha o circuito elétrico se a temperatura de retorno do ar para o ambiente
116
estiver acima da temperatura desejada. Conseqüentemente, o ciclo de refrigeração tem início e os
demais componentes são colocados em funcionamento de acordo com a ordem apresentada no
diagrama de blocos da Figura 19. Os 15 componentes estão conectados em série; uma
conseqüência dessa configuração é que o sistema pára de funcionar tão logo um dos 15
componentes falhe.
Os componentes podem ser agrupados em subsistemas. Um exemplo é o subsistema
evaporador, apresentado na Figura 19, constituído pelo evaporador, caracol e concha. Esse
subsistema trabalha como uma unidade integrada. A falha de um componente reflete
imediatamente na funcionalidade dos demais.
Figura 19 Diagrama de blocos do aparelho de AC
As principais causas de falhas do AC estão associadas: (i) às condições climáticas

desfavoráveis, como elevado nível de umidade no ar, o que pode gerar acumulação de água
dentro do equipamento, (ii) à variabilidade da tensão na rede elétrica domiciliar da região onde o
AC está instalado, (iii) ao uso do AC, gerando o desgaste dos componentes e sua respectiva
degradação, e (iv) à instalação e manuseio incorreto do AC.
Os tipos de falhas apontados pelo fabricante correspondem a falhas críticas, isto é, aquelas
que exigem imediata correção para que a função essencial do AC seja recuperada. Para este
117
estudo, o modelo de AC teve produção e ocorrência de falhas acompanhadas durante 1,5 anos (78
semanas, equivalente ao período de garantia). Nesse período de monitoramento,
aproximadamente 4,5% dos ACs produzidos tiveram falhas registradas; isto é, os dados
observados são altamente censurados. Os equipamentos fabricados são colocados em operação
em diferentes pontos do tempo. No AC são identificados pelo produtor 93 tipos de falhas
diferentes nos 15 componentes.
A incidência dos tipos de falhas é acompanhada pelo Departamento de pós-vendas do
fabricante, por componente do AC. A utilização da garantia dos equipamentos é monitorada
através da reposição de componentes falhos. Junto à informação de reposição anotam-se, ainda, o
número de série, semana de produção, código do tipo de falha, mês e semana de ocorrência de
cada falha (Tabela 1). Para facilitar a análise dos dados coletados e estabelecer um padrão de
avaliação, todas as falhas são consideradas como ocorrendo na segunda semana do respectivo
mês em que o componente apresenta defeito. Com isto, a unidade de tempo considerada neste
artigo é “semana”. Para obter o TTF (time to failure ou tempo-até-falha) de cada componente,
subtraem-se os valores na Tabela 1 referentes à “semana de falha” e “semana”. Não há
especificação para o tempo de prateleira, o qual é considerado como não significativo, por tratar-
se de um item de alto valor agregado, pouco sujeito à estocagem. Sabe-se o dia da produção, mas
não se identifica quando o equipamento começa a funcionar após a respectiva venda. Porém, é
sabido que o tempo de prateleira não é superior a 4 semanas após a produção do item
(FALCETTA, 2000).
Tabela 1 – Banco de dados (exemplo de registros)
Item Tipo de
Condensador Semana de Mês de Semana Tempo-até-
(nº de Semana falha
(ordem) produção falha da falha falha (TTF)
série) (código)
1 901 01/98 1 104 abr/98 16 15
2 981 01/98 1 105 abr/99 68 67
3 911 01/98 1 105 mai/99 72 71
4 900 01/98 1 106 Jun/99 77 76
5 959 01/98 1 105 Jun/99 77 76
Nesta tese optou-se por analisar o desempenho do condensador. O condensador é o

componente responsável pelo resfriamento do vapor superaquecido proveniente do compressor,
118
transformando-o em líquido sub-resfriado. Esse sub-resfriamento tem por objetivo favorecer a
capacidade de refrigeração do evaporador que, por sua vez, proporciona o condicionamento do ar
para o ambiente (FALCETTA, 2000).
4.2 Coleta de dados
A escolha da análise de desempenho do condensador deveu-se ao fato de que o

componente tem comportamento de falhas decrescentes tão logo seu funcionamento é iniciado, o
que sinaliza haver possíveis falhas decorrentes de montagem e produção, característica que se
busca avaliar no modelo proposto. Após esse pico inicial de falhas há um decréscimo, quando,
então, a incidência de falhas aumenta novamente já no período final da garantia (Figura 20). Pela
análise preliminar dos dados verifica-se que o produto teve algum problema de desempenho
inicial, pois 56% das falhas verificadas durante o período de garantia (78 semanas) ocorrem até a
30ª semana de funcionamento (ou seja, apenas 30% do tempo total de acompanhamento).
14
12
10
freqüência
0
18 36 54 72
semana
Figura 20 Histograma dos tempos-até-falha do condensador durante o período de garantia
119
Os tipos de falhas característicos do condensador durante o período de garantia são
classificados pelo produtor em seis categorias, apresentadas no Quadro I. Nesse quadro, a
nomenclatura utilizada pela empresa produtora do AC foi associada à denominação utilizada na
modelagem proposta através de validação junto aos especialistas que responderam ao
questionário e apresentado na seqüência.
Condensador
Código Tipo de falha Modo de falha
133 Entupimento Interno Aleatória
141/144 Furado por Corrosão Desgaste
104 Conector de Saída do Condensador Prematura
105 Curvas do Condensador Prematura
106 Conector de Entrada do Condensador Prematura
109 Vazamento Interno Condensador Prematura
Quadro I – Tipos de falhas do condensador
A incidência de falhas está quantificada na Tabela 2, separada por tipo de falha e

demonstrada graficamente no histograma da Figura 21.
Tabela 2 – Percentuais de falhas do condensador por tipos de falhas
Condensador
Código Tipo de falha % de falhas
133 Entupimento Interno 1%
141/144 Furado por Corrosão 10%
104 Conector de Saída do Condensador 5%
105 Curvas do Condensador 56%
106 Conector de Entrada do Condensador 13%
109 Vazamento Interno Condensador 15%
120
60
50
40
30
%
20
10
0
da íd a s to
tra a r va en s ão nto
En r S Cu im rro me
to r to n tu
p Co Va
za
c n ec E
ne co
co c.
oc . e sl
o
D es l D
Figura 21 Tipos de falhas do condensador
Associando as informações relacionadas à Figura 21 e Quadro I, verifica-se que 1% dos

tipos de falhas ocorridas durante o período de garantia pode ser associado a modos de falhas
aleatórios, 10% a modos de falhas por desgaste e 89% a modos de falhas prematuras.
O conjunto de dados de tempos-até-falha (TTF) apresentado na Tabela 3 refere-se aos
dados de falhas do condensador apurados durante um período de 78 semanas. Nesse período
foram observadas 82 falhas. Com vistas a facilitar a compreensão da aplicação do modelo, em
termos de definição de amostra, optou-se por considerar esse montante de falhas apuradas como
representando o mesmo percentual do total de falhas apuradas nos demais componentes do AC,
ou seja, 4,5%. Essa opção é justificada pelo arranjo em série dos componentes do equipamento.
Dessa forma, as 82 falhas são consideradas 4,5% do total de falhas do condensador e o valor
estimado total produzido equivale a 1822 condensadores. Por conseqüência, surgem 1.740 dados
censurados, o que corresponde a um nível de 95,5% de censura. A censura verificada é do tipo
IV, em que um tempo de monitoramento das falhas é determinado, no caso 78 semanas, e o
acompanhamento vai correndo conforme os lotes de condensadores vão sendo produzidos a cada
semana e as falhas vão sendo constatadas.
121
Tabela 3 – Tempos-até-falha (em semanas) do condensador durante o período de garantia
8 8 8 10 11 11 11 11 12 12
12 12 13 13 14 14 15 15 16 17
18 18 18 19 19 19 20 20 20 21
21 22 22 22 23 23 23 24 25 26
27 28 29 29 29 29 30 31 32 34
36 36 36 36 37 38 41 43 43 45
46 50 51 51 53 53 53 55 56 57
57 58 58 59 60 61 61 64 65 65
66 69
Uma apreciação do desempenho global do condensador é apresentada na Figura 22

através de um histograma de freqüências de tempos-até-falha dos dados observados durante a
garantia. O histograma apresenta um pico quando t > 78 semanas, correspondendo aos dados
censurados, que serão substituídos, nos procedimentos subseqüentes, por dados simulados a partir
da opinião de especialistas.
50
40
30
%
20
10
0
10 20 30 40 50 60 70 80
s e ma na
Figura 22 Desempenho global do condensador (garantia + censura)
De posse dos dados de falhas durante a garantia foi possível realizar várias analises de
comportamento das falhas, dentre as quais se destacam as seguintes:
a) Taxa de falhas durante a garantia
122
O gráfico de função de risco empírica, he (t ) , apresenta a taxa de falhas instantânea
calculada a partir dos dados compactados na Tabela 4. A análise de he (t ) possibilita verificar a

tendência do comportamento de falhas do componente, no caso, crescente (Figura 23).
Tabela 4 – Estimativas da Função de risco empírica durante o período de garantia
TTF
Semana
até Quantidade TTF
intervalo falha de falhas acumulado h(t)
1 8 3 3 0,0072
2 16 16 19 0,0068
3 24 19 38 0,014
4 32 11 49 0,025
5 40 7 56 0,043
6 48 5 61 0,034
7 56 8 69 0,041
8 64 9 78 0,147
9 72 4 82
0,14
0,12
0,1
0,08
h(t)
0,06
0,04
0,02
0
0 20 40 60 80
semana
Figura 23 Gráfico da função de risco empírica do condensador durante o período de garantia
b) Comportamento da ocorrência de falhas por semana de produção

A análise da ocorrência de falhas associadas à semana de produção permite verificar que a
maior concentração de falhas está vinculada às primeiras semanas de produção. Essa constatação
123
é lógica, já que os condensadores produzidos no início do período de acompanhamento de falhas
apresentam maior probabilidade de terem suas falhas constatadas durante as 78 semanas
definidas para monitoramento. Ou seja, um condensador produzido na semana “1” terá 78
semanas de acompanhamento de ocorrência de falhas. Um condensador produzido na semana “3”
terá 75 semanas de acompanhamento e assim por diante. Os condensadores produzidos na
semana 65 terão apenas 13 semanas de acompanhamento, tendo, por isso, maior probabilidade de
serem incluídos como dados censurados. Dessa análise, verifica-se que 60% das falhas apuradas
referem-se a lotes produzidos antes da 18ª semana, e que somente 15% dos componentes
produzidos após a 39ª semana apresentaram falhas. Essa constatação evidencia que
possivelmente o percentual de falhas médio do componente é superior aos 4,5% inicialmente
verificados, já que a relação semana de produção/tempo de acompanhamento aumenta o nível de
censura dos dados tanto maior a semana de produção de um condensador. Por exemplo, dos
componentes produzidos após a 62ª semana nenhum teve registro de falha. A quantidade de
falhas apuradas no condensador por semana de produção é apresentada na Figura 24.
12
10
quantidade de falhas
0
4 9 14 19 24 29 34 39 44 49 54 59
semana da produçã o/ monit ora ment o
Figura 24 Gráfico da quantidade de falhas por semana de produção
Por conseqüência dessa constatação, o gráfico de falhas acumuladas por semana de

produção (Figura 25) mostra uma queda acentuada na declividade da curva após a 20ª semana,
em razão da redução na constatação de falhas no decorrer do tempo.
124
100,00%
90,00%
80,00%
70,00%
% de falhas
60,00%
50,00%
40,00%
30,00%
20,00%
10,00%
0,00%
0 10 20 30 40 50 60 70
semana
Figura 25 Gráfico da quantidade acumulada de falhas por semana de produção
c) Comportamento de ocorrência de falhas pela semana de constatação do defeito
A análise de falhas sob o enfoque da semana em que cada defeito ocorreu, tão logo o
acompanhamento foi iniciado, permite verificar (Figura 26) que as falhas começaram a ser
constatadas mais ao final do período de monitoramento, mais concentradamente a partir da
semana 50 (dentre 78 semanas). Até a semana 55 (70% do tempo de acompanhamento), somente
57,32% dos 82 defeitos haviam sido apurados.
16
14
Quantidade de falhas
12
10
8
6
4
2
0
0 10 20 30 40 50 60 70 80 90
semana de monitoramento
Figura 26 Gráfico da quantidade de falhas por semana de ocorrência
125
A seguir iniciou-se a busca de informação de especialistas. Os especialistas foram
indicados pelo produtor. Cada especialista tem vínculo empregatício com empresas da rede de
assistência técnica do produtor. Antes da aplicação definitiva dos questionários foi elaborado um
teste piloto junto a funcionários do produtor a fim de validar o instrumento de coleta e corrigir
qualquer inconsistência quanto à sua compreensão. A opinião de especialistas foi coletada através
da aplicação de um questionário (Anexo A) por entrevista. Nove especialistas de empresas
diversas, e que têm contato diário com a manutenção do componente sob estudo, foram
entrevistados. Os especialistas são pessoas que detêm experiência e conhecimento relativamente
ao funcionamento de AC e seus componentes.
A análise das respostas seguiu os procedimentos definidos para aplicação do Método
Delphi, em que média e desvio-padrão das respostas são associadas de forma a obter um
coeficiente de variação (CV) inferior a 30%. A aplicação do questionário foi realizada em três
rodadas até que se obtivesse um CV inferior a 30%.
Com relação às perguntas apresentadas aos especialistas, na Tabela 5 mostra-se um
resumo dos resultados obtidos. O detalhamento das respostas de cada respondente é apresentado
no Anexo B.
Tabela 5 – Indicadores de desempenho do condensador obtidos de especialistas
Unidade Tempo (em semanas) Tempo (em anos)
MTTF 296,4 5,7

Tempo máximo de vida 889,2 17,1
Tempo final das falhas prematuras 46,2 0,89
Tempo inicial das falhas por
1,39
desgaste 72,3
A Tabela 5 demonstra que os respondentes definem como tempo médio para o surgimento
da primeira falha no condensador o período de aproximadamente 5,7 anos. Os respondentes
apontaram que esse componente tem vida útil de 17,1 anos; falhas prematuras surgem em período
inferior a 1 ano (46,2 semanas) e falhas por desgaste têm início após 1,4 anos do início do
funcionamento do condensador. Por dedução das respostas obtidas, verifica-se que o período de
ocorrência de modos de falhas aleatórias, na percepção dos respondentes, tem predominância
durante 26,1 semanas (72,3 − 46,2 = 26,1) comparativamente aos demais modos de falhas. Além
126
disso, percebe-se pela opinião dos respondentes que as falhas por desgaste têm início em tempo
próximo ao final do período de garantia.
A primeira etapa da análise dos dados gerados pelos especialistas refere-se à verificação
da consistência das respostas concedidas em comparação aos dados históricos fornecidos pelo
produtor (Figura 27).

1,00
0,80
% de falhas
0,60 Opinião de
especialistas
Dados
0,40 históricos
0,20
0,00
0 6 12 18 24 30 36 42 48 54 60 66 72 78
Período de garantia ( semana)
Figura 27 Comparação entre percentual acumulado de falhas obtido de registros históricos e de opinião de
especialistas durante a garantia
O desajuste inicial entre opinião de especialistas e registros de dados históricos confere

com a variabilidade do CV obtido nas primeiras respostas concedidas. Essa divergência refere-se
à dificuldade do respondente em estimar probabilidades de falhas associadas ao início do uso do
componente. Para auxiliar os respondentes na determinação de percentuais de falhas iniciais
foram utilizados três cartões de papel com menção a percentuais e possíveis quantidades de
componentes com falhas.
Ainda assim, a comparação entre os dois conjuntos de dados revelou consistência entre a
opinião de especialistas e o registro de dados de falhas em poder do produtor. Para realizar essa
análise foram geradas duas funções distribuição empíricas, Foe ( t ) e Fdh ( t ) , correspondentes aos
percentuais de falhas acumulados mencionados pelos especialistas e aos dados de falhas

fornecidos pelo produtor, respectivamente. A análise conjunta apontou a consistência entre
opinião dos especialistas e o registro de falhas verificadas durante a garantia. O teste de K-S
127
aponta uma distância máxima absoluta entre Foe (t ) e Fdh (t ) de 0,11. Para α = 0,05 (nível de
significância), o valor crítico tabelado é 0,409; ou seja, a hipótese de que os dados históricos e de
opinião de especialistas são oriundos de uma mesma distribuição de probabilidade não pode ser
rejeitada.
Para construir a amostra que representa o perfil dos dados pós-garantia foram analisadas
as respostas da pergunta “1” do questionário, que buscou obter os percentuais acumulados de
falhas no decorrer do tempo para o referido componente. A média das respostas obtidas
possibilitou delinear uma função distribuição empírica da opinião de especialistas, Fop ( t ) , para
um ciclo de vida completo do componente. A partir da Fop ( t ) obtida, deduziu-se a
correspondente função densidade, f op ( t ) , e percentuais de ocorrência de falhas em intervalos de
tempo iguais aos mencionados no questionário foram estabelecidos para o período pós-garantia.
Dessa forma, a amostra de dados gerada foi composta por dados históricos de falhas e dados
obtidos dos especialistas em proporção similar àquela verificada quando do início da coleta de
dados (ou seja, 4,5% de dados amostrais são oriundos dos dados históricos de falhas e 95,5% da
opinião de especialistas).
A quantidade de dados da amostra total (incluindo garantia e pós-garantia) foi
estabelecida, por julgamento, em aproximadamente 33% do total de componentes produzidos. A
definição desse percentual buscou obter representatividade para os dados coletados no período de
garantia, já que eles representavam somente 4,5% do total de componentes produzidos e,
conseqüentemente, dar consistência à análise estatística posterior. Dessa forma, a amostra de
dados ficou composta por 615 valores (Anexo C), sendo 28 deles originados da população de
dados históricos coletados do produtor (82 dados) e 587 dados gerados pelos especialistas.
Utilizou-se o software Minitab para definir os valores das amostras para os dados de garantia e
pós-garantia.
De posse dos registros históricos de garantia associados às informações pós-garantia
(censura) foi possível elaborar o perfil de desempenho completo do ciclo de vida do componente,
cujo histograma é apresentado na Figura 28.
128
7
% 4
0
0 125 250 375 500 625 750 875
se ma na de ocorrê ncia da fa lha
Figura 28 Percentual da ocorrência de falhas para um ciclo de vida completo do condensador (registros históricos +
opinião de especialistas)
Para validar a informação relativa ao período de pós-garantia, as respostas das questões

“1” e “6” foram comparadas, considerando-se que elas continham opiniões de especialistas sobre
percentual de falhas crescentes e confiabilidade decrescente em intervalos de tempos similares.
As comparações geraram os gráficos da Figura 29. Foram estabelecidas duas funções distribuição
empíricas, Fp (t ) e F1− RT (t ) (t ) , associadas, respectivamente, ao percentual de falhas acumuladas e à
confiabilidade decrescente acumulada. Para elaborar a comparação, considerou-se

FT ( t ) = 1 − RT ( t ) .
1,0000
0,9000
0,8000
0,7000
% falhas
0,6000
F(t) obtido da R(t)
0,5000
0,4000 F(t) perguntado
0,3000
0,2000
0,1000
0,0000
0 200 400 600 800
semanas
Figura 29 Comparação entre FT (t ) e RT (t ) obtidas de especialistas
129
Visualmente, é possível perceber a consistência nas respostas às duas questões. Essa
constatação visual é ratificada pela análise da distância máxima absoluta do teste K-S entre Fp (t )
e F1− RT (t ) (t ) , cujo valor é igual a 0,0807. Para α = 0, 05 , o valor crítico tabelado é 0,294; ou seja,
a hipótese de que os dados obtidos nas respostas “1” e “6” representam uma mesma distribuição
de probabilidade não pode ser rejeitada.
4.3 Análise do modelo matemático
Uma vez definida a amostra de TTFs a ser analisada, é possível deduzir os estimadores do
modelo proposto, tanto graficamente (através do WPP), quanto analiticamente (através do
método da máxima verossimilhança). A partir das estimativas é possível obter as medidas de
confiabilidade e gráficos associados, assim como apresentar as análises relativas ao modelo
proposto.
A obtenção das estimativas dos parâmetros do WPP constou da realização dos
procedimentos apresentados em 3.3.4, quais sejam:
a) Organizar os dados de TTF da amostra em ordem crescente;
b) Computar xi e yi , tal que 1≤ i ≤ n , como segue: xi = ln (ti ) e
⎡ ⎛ i ⎞⎤
yi = ln ⎢− ln⎜⎜1 − ⎟⎟⎥ ;
⎣ ⎝ n + 1 ⎠⎦
c) Plotar xi e yi no WPP estabelecido na seção 3.3.4 e apresentado na Figura 30,
agora com os dados associados;
130
3
2
1
0
-1 0 1 2 3 4 5 6 7 8
-2
-3
-4
-5
-6
-7
Figura 30 Dados de registros históricos e opinião de especialistas associados ao WPP do modelo proposto
d) Obter por regressão linear as estimativas das assíntotas L0 e L1 para a primeira
parte do WPP (já que L0 está associada aos dados mais à esquerda do WPP e L1
associada aos pontos na região central do WPP). As assíntotas obtidas são:
y L0 (t ) = 0,95 x − 6,95 (114)
y L1 (t ) = 0,99 x − 7,04 (115)
A regressão que gerou a estimativa de L0 apresentou um coeficiente de determinação
( R 2 ) de 98% ; o ajuste da regressão que estimou L1 foi R 2 = 99, 2% . Ambas as estatísticas

atestam um ajuste satisfatório das assíntotas aos dados considerados.
As declividades das assíntotas estimadas representam as estimativas dos parâmetros de
forma da primeira parte do WPP, dadas na Tabela 6. O valor estimado para β1 (= 0,99 ) valida a
verificação de modos de falhas aleatórias no modelo proposto (distribuição exponencial).
Tabela 6 – Estimativas dos parâmetros de forma da primeira parte do WPP

Parâmetro Estimativa
βˆ0 0,953
βˆ1 0,996
131
A intersecção entre L0 e L1 produz os pontos I1 (2,98;−3,69 ) .
e) As estimativas de βˆ0 e I1 (2,98;−3,69 ) permitem constatar que as eqs. (92) e (93)

são atendidas. Dessa constatação é possível estimar os demais parâmetros da
primeira parte do WPP, apresentados na Tabela 7.
Tabela 7 – Estimativas dos parâmetros de escala da primeira parte do WPP

n̂0 1.472,34
n̂1 1.229,66
Para elaboração da segunda parte do WPP, prosseguindo a partir da etapa “c” anterior,
foram seguidos os seguintes passos:
a) Associar a assíntota L2 ao conjunto de dados da segunda parte do WPP. A
estimativa dessa assíntota é obtida por regressão linear, sendo dada por:
y L2 (t ) =1,95 x −11,8 (116)
O coeficiente de determinação do modelo na eq. (117) é R 2 = 98% . A declividade de
L2 corresponde à estimativa do parâmetro βˆ2 =1,95 .

b) A intersecção entre L1 e L2 resulta no ponto I 2 (4,93; − 1,60 ) .
c) O ponto em que o WPP intercepta o eixo das abscissas é x = 5,95 e corresponde a
ln(γ 2 + n2 ) . A partir desse ponto deduz-se que (γ 2 + n 2 ) é igual a 385,20.
d) A reta tangente ao WPP no ponto de intersecção com o eixo x é dada por:
ytgWPP (t ) =1,54 x − 9,23 (117)

⎛ γ ⎞
A declividade dessa reta é igual a β 2 ⎜⎜1 + 2 ⎟⎟ . Assim, da relação entre as equações em “c”
⎝ n2 ⎠
e “d”, obtêm-se as seguintes estimativas: γˆ2 = − 80,9 e nˆ 2 = 469,74 .
132
O valor de t0 é deduzido da eq. (105), sendo igual a 77,05 (tempo este muito próximo ao
período de garantia).
Na Figura 31 é apresentado o WPP para os dados da amostra gerada em 4.2 com a
identificação dos elementos calculados nos procedimentos anteriores.
3
2
t0
1 XI XII ln (γ 2 + n2 )
x x
0
-1 0 1 2 3 4 5 6 7 8
-2
YII
-3
-4
YI
-5
-6
-7
Figura 31 Identificação dos elementos no WPP
Os dados da amostra apresentam um ajuste visualmente satisfatório às retas de referência

no WPP. Como os eixos das abscissas e ordenadas estão apresentados em escala logarítmica,
pequenas diferenças podem surgir com relação à definição das estimativas dos parâmetros.
Mesmo assim, tais estimativas são referências para validação dos métodos estatísticos
subseqüentes.
Verifica-se que o intervalo entre a intersecção de L0 / L1 e L1 / L2 corresponde à
predominância do uso operacional do produto, ou seja, o período em que falhas aleatórias
predominam no modelo. Esse intervalo é representado por TTFs que variam entre 19,7 [ exp( xI ) ]
e 138,81 [ exp( xII ) ], diferentemente da estimativa apresentada pelos especialistas que estipularam
um intervalo entre TTF 46,2 e 72,1 como predominante para esse tipo de falha. O intervalo
definido no WPP para falhas aleatórias localiza a sua ocorrência majoritariamente no período de
garantia, ou seja, deduz-se que falhas por desgaste têm prevalência após 78 semanas de uso de
um componente.
Para validar as estimativas realizadas graficamente, aplica-se o método de cálculo por
máxima verossimilhança (MLE, Maximum likelihood estimation). Utilizando as equações de
máxima verossimilhança [eqs. (109) a (113)] e um aplicativo comercial de otimização não-linear
133
(What´s Best for Excel), foram obtidas as estimativas para os parâmetros do modelo de
confiabilidade proposto, dadas na Tabela 8.
Tabela 8 – Estimativas dos parâmetros de escala e forma calculados por MLE

βˆ0 0,946
n̂0 1847,25
n̂1 1498,12
βˆ2 1,89
n̂2 560,01
A estimação dos parâmetros por MLE demandou a realização de cálculos numéricos

iterativos para otimizar uma função objetivo que minimizasse as diferenças entre as parcelas das
∂l (θ )
eqs. (109), (110), (111), (112) e (113), atendendo à condição = 0 mencionada na seção
∂ (θ )
3.3.4.
Por conseqüência, as estimativas dos parâmetros dependentes, t 0 e γ 2 , são obtidas por
aplicação das eqs. (105) e (106), sendo apresentadas na Tabela 9.
Tabela 9 – Estimativas dos parâmetros dependentes tˆ0 e γˆ2
tˆ0 42,36328
γˆ2 -42,2737
Na prática, o valor de tˆ0 define o tempo em que modos de falhas por desgaste passam a
preponderar sobre falhas prematuras. A estimativa de γˆ2 com um valor negativo indica que
f T (t ) , correspondente à segunda parte do modelo, tem início teórico em valor de t < 0 .
Em princípio, as estimativas obtidas estatisticamente por MLE diferem das apuradas
graficamente no WPP, porém, realizando uma análise pormenorizada dos parâmetros estimados
134
percebe-se que as divergências numéricas surgidas podem ser consideradas como aceitáveis. A
análise gráfica, como mencionado anteriormente, busca apontar um valor aproximado para as
estimativas, o que usualmente é ratificado por um método estatístico; os valores obtidos
matematicamente podem ser considerados como próximos aos valores estimados graficamente.
Com a apuração das estimativas dos parâmetros é possível apresentar as medidas de
confiabilidade do modelo proposto, numérica e graficamente, a fim de analisar e avaliar o
comportamento do modelo associado aos dados gerados por dados históricos e opinião de
especialistas.
A seguir são apresentados os gráficos de fT ( t ) , RT ( t ) , FT ( t ) e hT (t ) , juntamente com a
estimativa do MTTF do modelo proposto (Figuras 32 a 35).
0,0017
0,0015
0,0013
0,0011
0,0009
f(t)
0,0007
0,0005
0,0003
0,0001
-0,0001 0 100 200 300 400 500 600 700 800 900
semana
Figura 32 Gráfico da f T (t ) do modelo proposto
O delineamento da f T (t ) segue o perfil de uma distribuição exponencial até t 0 = 42 ,36, já

que os parâmetros de forma apurados por MLE são próximos a 1 e atendendo ao pressuposto do
modelo para separação dos modos de falhas prematuras e por desgaste. Após esse ponto, a f T (t )
adota o comportamento predominante de uma distribuição de Weibull com três parâmetros,
conforme o pressuposto da segunda parte do modelo. O formato da f T (t ) na Figura 32 é
mencionado por Murthy e Jiang (1996), sendo uma das quatro formas possíveis para a função
densidade em modelos seccionais apontadas pelos autores.
135

1
0,9
0,8
0,7
0,6
0,5
R(t)
0,4
0,3
0,2
0,1
0
0 150 300 450 600 750 900
semana
Figura 33 Gráfico da R T (t ) do modelo proposto
A R T (t ) apresenta a medida de confiabilidade durante o ciclo de vida do produto. As

estimativas mais expressivas referem-se ao tempo de garantia (78 semanas), com confiabilidade
estimada de 89,88%, e em 17 anos, com confiabilidade estimada de 4,16%.
Como conseqüência da dedução da R T (t ) , verifica-se o formato da F T (t ) apresentado na
Figura 34.
1
0,9
0,8
0,7
0,6
F(t) 0,5
0,4
0,3
0,2
0,1
0
0 200 400 600 800 1000
semana
Figura 34 Gráfico da F T (t ) do modelo proposto
136
0,007
0,006
0,005
0,004
h(t)
0,003
0,002
0,001
0
0 200 400 600 800 1000
semana
Figura 35 Gráfico da hT (t ) do modelo proposto
A função de risco do modelo proposto associa as hT (t ) das distribuições inseridas em

cada parte do modelo proposto, conforme dedução da eq. (81). Até o tempo apurado t 0 verifica-se
um comportamento bem tênue de taxa de falha decrescente (DFR), mesmo porque a distribuições
envolvidas nessa parte do modelo têm parâmetro de forma próximo a 1. Após t 0 a taxa de falhas
apurada têm comportamento crescente (IFR) até o final do seu ciclo de vida. Dessa forma, já que
o perfil das taxas de falhas está bem explícito e totalmente vinculado aos parâmetros de cada
distribuição envolvida no modelo, não se faz necessário utilizar qualquer parâmetro de mistura.
O MTTF apurada com a aplicação da eq (82) é igual a 273,69 semanas, ou seja
aproximadamente 5,26 anos. No questionário aplicado aos especialistas, obteve-se MTTF de
aproximadamente 5,7 anos (Tabela 5).
4.4 Validação do modelo
O modelo é validado pela aplicação do teste de aderência de Kolmogorov-Smirnov (K-S).

A distância máxima entre a função distribuição empírica e a função distribuição teórica calculada
no K-S é igual a Dmax = 0,05095 . O valor crítico de comparação (valor tabelado) para uma
137
amostra com 615 dados, em um nível de significância de 0,05 , é igual a Dmax = 0,05476 . Dessa
forma, a hipótese de que os dados podem ser associados ao modelo proposto não pode ser
rejeitada.
4.4.1 Comparação do modelo proposto com modelos existentes na literatura
Os modelos apresentados em 2.6.1 e 2.62 por Majeske (2003) e Chan e Meeker (1999)
não são abordados detalhadamente nesta seção, já que possuem características distintas do
modelo proposto nesta tese. Entretanto, é possível verificar que os autores se depararam com
situações relacionadas aos principais tópicos discutidos nesta tese quanto a distinguir modos de
falhas, especificar seus tempos de ocorrências e o tratamento da censura nos dados.
A distinção dos tempos-até-falhas prematuras e por desgaste é corroborada pelo estudo de
Chan e Meeker (1999), que concluem haver necessidade de delimitar os tempos de ocorrência
dos modos de falhas sob o risco de a mistura de falhas gerar parâmetros inconsistentes. O modelo
desses autores torna-se instável após a censura, inviabilizando realizar prognósticos em tempos
posteriores ao da censura.
Majeske (2003) também se defronta com o problema da censura, sem apresentar proposta
de solução. O modelo elaborado pelo autor apresenta descontinuidade na taxa de falhas do
produto analisado, o que denota uma situação não realista de ocorrência de falhas.
O tratamento de dados censurados, transformando-os em não censurados, a distinção de
modos de falhas em um mesmo modelo e a verificação da continuidade das medidas de
confiabilidade são tratados nesta tese. Pode-se verificar que esses três tópicos tiveram tratamento
conjunto e qualificado, sendo viabilizados por um método de solução prático e válido.
Para ratificar essa evidência, a seguir são apresentados gráficos e análises comparativas
das medidas de confiabilidade entre três modelos, quais sejam: (i) o modelo proposto nesta tese,
(ii) um modelo composto por apenas uma distribuição de Weibull com três parâmetros, e (iii) um
modelo seccional (modelo seccional (a) formulado por Jiang e Murthy (1995) e apresentado na
138
seção 2.6.3). Todos os modelos foram analisados com o mesmo conjunto de dados gerados na
seção 4.2.
A escolha pelo modelo com uma distribuição de Weibull com três parâmetros deve-se ao
fato de que a literatura sobre modelagem de confiabilidade reconhece como mais prático associar
dados de falha a uma só distribuição de probabilidade. Utilizando o software Minitab, a
distribuição de Weibull com 3 parâmetros, dentre 8 possíveis distribuições de probabilidade, foi
apontada como a mais ajustável ao conjunto de dados gerados na seção 4.2.
A escolha pelo modelo seccional (a) (com duas distribuições de Weibull, de dois e três
parâmetros) deveu-se à possibilidade de realizar comparação quando, supostamente, o
componente da aleatoriedade for eliminado do modelo. Para os dois modelos de comparação
foram obtidos os parâmetros apresentados na Tabela 10.
Tabela 10 – Estimativas dos parâmetros para uma distribuição de Weibull com 3 parâmetros e um modelo
seccional (a)
Modelo Weibull três parâmetros Modelo seccional (a)
Parâmetro Estimativa Parâmetro Estimativa
βˆ (forma) 1,79 B̂1 0,924
n̂ (escala) 398,00 n̂1 1798,55

γ (localização) -8,87 B̂2 2,03
n̂2 436,639
γˆ2 -38,63
A obtenção das estimativas dos parâmetros possibilitou obter as principais medidas de

confiabilidade, que são apresentadas graficamente em dois momentos: (i) quando se compara o
modelo proposto ao modelo de Weibull com 3 parâmetros (Figuras 36 a 39), e (ii) quando se
compara o modelo proposto ao modelo seccional (a) (Figuras 40 a 43).
139
1
0,9
0,8
0,7
0,6
Modelo proposto
R(t) 0,5
Weibull 3 parâmetros
0,4
0,3
0,2
0,1
0
0 150 300 450 600 750 900
semana
Figura 36 Comparação entre a RT (t ) do modelo proposto e a RT (t ) do modelo com uma distribuição de Weibull
3 parâmetros
0,9
0,8
0,7
0,6
Modelo proposto
F(t) 0,5 Weibull 3 parâmetros
0,4
0,3
0,2
0,1
0
0 200 400 600 800
semana
Figura 37 Comparação entre a FT (t ) do modelo proposto e a FT (t ) do modelo com uma distribuição de Weibull
3 parâmetros
140
Função densidade comparada
Modelo proposto
0,002
Weibull 3
parâmetros
0,0015
f(t)
0,001
0,0005
0
0 200 400 600 800
Figura 38 Comparação entre a f T (t ) do modelo proposto e a f T (t ) do modelo com uma distribuição de Weibull 3
parâmetros
0,009
0,008
0,007
0,006
0,005 Modelo proposto
h(t)
0,004 Weibull 3 parâmetros
0,003
0,002
0,001
0
0 500
semama
Figura 39 Comparação entre a hT (t ) do modelo proposto e a hT (t ) do modelo com uma distribuição de Weibull 3
parâmetros
141
1
0,8
Modelo proposto
0,6
R(t) Modelo seccional
0,4 (a)
0,2
0
0 200 400 600 800
sem ana
Figura 40 Comparação entre a RT (t ) do modelo proposto e a RT (t ) do modelo de seccional (a)
0,8 Modelo Proposto
0,6
F(t) Modelo seccional (a)
0,4
0,2
0
0 200 400 600 800
semana
Figura 41 Comparação entre a FT (t ) do modelo proposto e a FT (t ) do modelo seccional (a)
142
0,01
0,008
Modelo proposto
0,006
h(t)
0,004 Modelo seccional (a)
0,002
0
0 200 400 600 800
semana
Figura 42 Comparação entre a hT (t ) do modelo proposto e a hT (t ) do modelo seccional (a)
0,0025
0,002
Modelo proposto
0,0015
Modelo seccional (a)
f(t)
0,001
0,0005
0
0 200 400 600 800
semana
Figura 43 Comparação entre a f T (t ) do modelo proposto e a f T (t ) do modelo seccional (a)
Ao aplicar o teste K-S, a distribuição que melhor se ajusta os dados é a distribuição de

Weibull com 3 parâmetros, com Dmax = 0,04207 diante de Dmax = 0,05095 para o modelo
proposto e Dmax = 0,059807 para o modelo seccional (a). Todavia, deve-se considerar o fato de
que o modelo com uma só distribuição de Weibull não representa adequadamente o perfil de
ocorrência de taxa de falhas. Esse modelo considera a taxa de falhas com comportamento único e
143
crescente, em que modos de falhas prematuras não são perceptíveis. Além disso, a taxa de falhas
tem crescimento acelerado para t >180 (Figura 39). Ao final do ciclo de vida do condensador, a
estimativa de confiabilidade é de 1,43%. A confiabilidade que o modelo gera para o período de
garantia (78 semanas) é igual a 93,65%.
A hipótese de ajuste dos dados gerados pelo modelo seccional à função distribuição
empírica é rejeitada, haja vista o valor da estatística Dmax = 0,059807 ser maior do que o valor
crítico (tabelado) de Dmax = 0,05476 para uma amostra com 615 dados e um nível de
significância de 0,05. A confiabilidade estimada para o período de garantia é igual a 93,46%. Ao
final do ciclo de vida do produto, a confiabilidade é estimada em 1%. O modelo apresenta um
formato de f T (t ) similar à do modelo proposto. Porém, a diferença entre os modelos se
caracteriza na manifestação da taxa de falhas, quando o modelo seccional tem taxa de falhas
crescentes e bem acentuadas para t > 200 . Além disso, verifica-se que a exclusão da expressão
que possa representar a aleatoriedade no conjunto de expressões do modelo implica modificar
resultados de estimativas, principalmente a da confiabilidade, surgindo uma diferença de 3,5%
entre a RT (t ) do modelo proposto e a do modelo seccional.
Porém, a evidência mais clara de que o modelo proposto é representante adequado do
conjunto de dados analisados refere-se à estimativa do percentual de falhas durante o período de
garantia. A estimativa de falhas para o modelo proposto é de aproximadamente 184 unidades com
falhas, de acordo com o valor estimado para FT (78) . A estimativa usando o modelo da
distribuição de Weibull com três parâmetros aponta aproximadamente 116 unidades falhas nesse
mesmo tempo, enquanto o modelo seccional aponta 119 unidades. Conforme verificado na coleta
de dados (na seção 4.2.b) e analisado graficamente, a censura dos dados somente permitiu
detectar 82 unidades com falhas durante os 78 meses de monitoramento do funcionamento dos
condensadores. Tais falhas foram originadas majoritariamente nos primeiros lotes de produção,
que tiveram tempo de acompanhamento maior do que o dos lotes vindouros. Nos lotes das 18
primeiras semanas ocorreram 60% do total de falhas (49 das 82 unidades com falhas), o que
indica que as falhas posteriores não foram captadas devido à censura em t > 78 . Estendendo uma
análise similar desse comportamento para as demais semanas até o final do tempo de
acompanhamento de funcionamento do condensador, é de se esperar que aproximadamente 212
condensadores falhem durante o período de garantia, o que equivale a aproximadamente 11% do
144
total produzido. Tal estimativa está mais próxima da FT (78) estabelecida pelo modelo proposto
do que pelo modelo seccional ou pelo modelo de Weibull com 3 parâmetros. A Tabela 11
apresenta resumidamente os resultados dessa análise:
Tabela 11- Comparação dos resultados obtidos para o modelo proposto, modelo com uma distribuição de
Weibull com três parâmetros e um modelo seccional (a)
Teste K-S Quantidade

Formato de hT (t ) no RT (884 ) RT (78)
(Valor de falhas
tabelado decorrer do tempo (%) (%)
0,05476) em FT (78)
Modelo proposto 0,05095 decrescente/crescente 4,16 89,88 184
Modelo de Weibull (três parâmetros) 0,04207 crescente 1,43 93,65 116
Modelo seccional (a) 0,059807 decrescente/crescente 1,00 93,46 119
4.5 Conclusões sobre o modelo
Os resultados decorrentes da aplicação e análise do modelo proposto possibilitam

estabelecer conclusões relacionadas a cinco enfoques, quais sejam: (i) precisão, (ii)
funcionalidade, (iii) previsão, (iv) gestão, e (v) contribuição teórica.
O enfoque da precisão permite avaliar aspectos práticos relacionados à utilidade e
abrangência das análises e conclusões obtidas da realização deste trabalho. O modelo representa
adequadamente a complexidade das relações entre as variáveis associadas, o que reflete a
capacidade do modelo de representar a realidade de funcionamento do produto sob estudo a partir
dos pressupostos considerados.
Além disso, o modelo permite avaliar medidas de confiabilidade no decorrer do tempo,
podendo associá-las aos modos de falhas prematuras, aleatórias e por desgaste. O modelo
também soluciona um problema relativo à continuidade das medidas de confiabilidade no
decorrer do tempo, tornando a análise muito próxima da realidade de funcionamento do produto.
Quanto à funcionalidade, o modelo contribui para melhorar o entendimento da dinâmica
de estudos de confiabilidade. O modelo proporciona flexibilidade no ajuste e explicação de dados
145
de falhas, estimando confiabilidade com mais de dois modos de falhas verificados em um mesmo
produto, situação essa mais adequada à realidade de funcionamento dos produtos industriais
comercializados atualmente, cada vez mais complexos.
Por isso, a natureza dos dados de desempenho coletados e gerados, e suas características
(IFR, DFR e taxa de falhas constante), são bem captadas pelo modelo, tendo influência
especialmente na confiabilidade e percepção da taxa de falhas apuradas no decorrer do tempo.
Esses índices permitem ao produtor do componente avaliar o comportamento de falhas e
estabelecer estratégias comerciais, de manutenção e de melhorias de projeto do produto,
reduzindo a ocorrência de modos de falhas prematuras e possíveis custos adicionais de produção.
Quanto à previsibilidade, o tratamento da censura e a associação de três modos de falhas

num mesmo modelo permitem apurar parâmetros mais realistas de desempenho e estabelecer
previsões que podem fazer com que o produtor aja de maneira pró-ativa para obter melhorias de
desempenho no produto e mais satisfação dos possíveis compradores. Além disso, a capacidade
preditiva do modelo pode ser comprovada através dos dados gerados e análises associadas.
Quanto à gestão, o modelo serve de referência fornecendo subsídios com relação a

desempenho no transcorrer do tempo. O alto nível de censura e a não modelagem de desempenho
implicam falta de previsão e mais conservadorismo com relação à tomada de decisão. O modelo
contribui para amenizar incertezas e estabelecer prioridades quanto ao gerenciamento de
variáveis que interferem na confiabilidade de um produto, como, por exemplo, identificar as
razões pelas quais falhas prematuras estão surgindo e, dessa forma, aprimorar testes de burn-in.
Quanto à contribuição teórica, por meio da aplicação de abordagens qualitativas e
quantitativas, o modelo proposto incorpora elementos que não estão presentes nos principais
modelos de dados de garantia disponíveis na literatura, conforme apresentado na seção 2.6. As
deficiências identificadas nessas modelagens são importantes e não podem ser desconsideradas,
especialmente aquelas relacionadas à censura de dados. O modelo amplia o campo de discussão
sobre o processo de análise e quantificação da confiabilidade de um produto, na medida em que
contempla um tratamento diferenciado para modos de falhas ocorrentes, até então pouco
explorados.
146
5 Conclusões e recomendações para pesquisas futuras
Acompanhar o desempenho de produtos e apurar o seu índice de confiabilidade no

decorrer do tempo vem se caracterizando como condição essencial para a sobrevivência de
empresas e conquista de mercado consumidor.
Para corroborar essa idéia, a análise de confiabilidade de produtos apresenta-se como
ferramenta de interesse freqüente por parte das empresas. Esse tipo de análise requer o
estabelecimento de uma sistemática de acompanhamento que normalmente promove melhorias
de qualidade, atendendo as necessidades dos clientes e gerando lucros para os produtores.
Quando colocada em prática, a análise de confiabilidade requer a determinação de
variáveis sobre as especificidades de desempenho do produto sobre as quais se julga ser
importante promover um acompanhamento. Entre elas, pode-se listar tempo e modo de utilização,
ocorrência dos modos de falhas no tempo e levantamento do nível de censura dos dados.
A análise conjunta dessas especificidades impõe dificuldades à obtenção de estimativas
dos parâmetros de desempenho de um produto; por isso, é imperativo definir quais dessas
variáveis merecem tratamento prioritário. A caracterização do perfil de ocorrência de falhas e o
reconhecimento do nível de censura nos dados são quesitos importantes de orientação, pois eles
permitem uma melhor sistematização dos dados no decorrer do tempo se comparados às variáveis
de tempo e modo de utilização, que requerem acompanhamento prolongado e quase exaustivo
para a sua verificação.
As falhas podem ter naturezas diversas. O reconhecimento do perfil das suas ocorrências
no decorrer do tempo faz-se necessário, pois, através da identificação de tendências e
comportamentos, é possível realizar modificações no produto e buscar melhorias de desempenho.
Dessa forma, realizar estudos para determinar as causas das falhas e buscar formas de eliminá-
las, ou reduzir o seu poder de influência, são objetivos estratégicos de grande parte das empresas.
O nível de censura nos dados de desempenho é característica comum e predominante no
contexto de avaliação de desempenho. As empresas dispõem quase que exclusivamente de dados
de garantias em que as informações além desse período são de difícil mensuração e, por isso,
escassas quanto à sua obtenção. Além disso, o período de garantia é característico por apresentar
falhas aleatórias ou prematuras, vinculadas a problemas de produção ou montagem, enquanto que
147
falhas por desgaste têm pouca representação quantitativa nesse período. Por conseqüência, para a
maioria das empresas, as fontes de conhecimento sobre o desempenho de produtos restringem-se
à análise de dados no período de garantia e à percepção majoritária de falhas prematuras e
aleatórias, em detrimento do reconhecimento de mecanismos de desgaste.
Para detectar, acompanhar e avaliar a ocorrência de falhas, as empresas vêm se utilizando
de programas integrados de monitoramento da confiabilidade. Uma estratégia que fortalece a
utilização de uma abordagem integrada de monitoramento de desempenho utiliza a modelagem
matemática como forma de sistematizar o desempenho de produto e permitir realizar inferências
por um longo período.
Porém, promover a modelagem de dados que abarque o ciclo completo de vida de um
produto torna-se procedimento complexo e arriscado, na medida em que variações podem surgir
e algumas distorções de previsão serem verificadas. Por isso, a modelagem de dados tem sido
tema de debate e pesquisa nos últimos anos com vistas a capturar o desempenho de produtos e
reduzir incertezas, a fim de possibilitar a realização de previsões mais acuradas.
Nesta tese, propõe-se um modelo matemático para modelagem de dados de desempenho
de produtos que busca: (i) sistematizar a ocorrência de modos de falhas prematuras, aleatórias e
por desgaste durante o ciclo de vida do produto, e (ii) tratar a censura através da utilização da
opinião de especialistas.
Neste contexto, estabelecer um modelo único que capture vários modos de falhas distintos
ocorrendo simultânea, ou seqüencialmente, torna-se um desafio especialmente pelos seguintes
motivos: (i) como caracterizar os modos de falhas com incidência no desempenho de um produto,
(ii) qual o nível de conhecimento a respeito desses modos de falhas, (iii) qual a quantidade de
dados disponíveis sobre cada modo de falha, (iv) quando os modos de falhas se manifestam no
decorrer do ciclo de vida de um produto, e (v) como estabelecer um mecanismo de
acompanhamento do ciclo completo de vida de um produto já que a censura tem papel
predominante sobre os dados de desempenho.
A sistematização da ocorrência dos modos de falhas prematuras, aleatórias e por desgaste
sugerida no modelo proposto segue o perfil associado de modelos de riscos concorrentes e
seccionais, onde se pressupõe que falhas prematuras e por desgaste ocorrem seqüencialmente,
enquanto falhas aleatórias ocorrem concorrencialmente às falhas prematuras e por desgaste. Para
subsidiar a aplicação do modelo teórico são utilizadas distribuições de Weibull com dois e três
148
parâmetros, e uma distribuição exponencial para representar falhas prematuras, por desgaste e
aleatórias, respectivamente. A opção pela utilização das distribuições de Weibull deve-se ao fato
de esse tipo de distribuição ser bastante flexível e utilizado nas modelagens de dados de
confiabilidade. Tais modelagens, entretanto, limitam-se à utilização de uma única distribuição na
modelagem dos dados de falha, o que na maioria das situações não representa a realidade de
funcionamento de um produto.
Para substituir o nível de censura verificado nos dados utiliza-se informação gerada por
especialistas aplicando-se a técnica de coleta do Método Delphi. A definição de um perfil de
ocorrência de falhas para o período pós-garantia possibilita definir um ciclo de vida completo
para dados de desempenho de um produto. Para obter uma amostra completa de dados, um
método de coleta e análise de dados de garantia é associado aos dados gerados pelos
especialistas.
Dessa forma, a apresentação do modelo matemático é abordada sob os enfoques teórico e
prático. A abordagem teórica se estabelece a partir da definição de pressupostos que buscam
capturar condições reais de desempenho associadas às teorias existentes na literatura. O enfoque
prático avalia a eficácia do modelo teórico a um conjunto de dados referentes ao desempenho de
um produto comercialmente estabelecido no mercado consumidor brasileiro.
Como resultados da explicitação teórica do modelo matemático são apresentadas medidas
de confiabilidade associadas, equações matemáticas decorrentes da aplicação do método da
máxima verossimilhança e procedimentos gráficos para elaboração de um WPP. Tais subsídios
analíticos e gráficos permitem estimar os parâmetros de desempenho de um possível conjunto de
dados com o pressuposto de ocorrência de modos de falhas anteriormente apontadas. Para validar
o modelo, técnicas de ajuste de dados são empregadas com o objetivo de avaliar a aderência dos
dados coletados ao modelo proposto.
Como resultado prático da aplicação do modelo é possível apurar os valores das
estimativas dos parâmetros do modelo e, assim, delinear o comportamento de funcionamento de
um produto para um conjunto de dados coletados de um equipamento eletro-eletrônico.
Para subsidiar a definição do problema no contexto de modelos já apresentados na
literatura (caracterização dos modos de falhas e censura nos dados), e associá-las ao modelo
proposto, são apresentados quatro estudos em que alguns modelos são discutidos A apresentação
desses estudos busca identificar situações em que a caracterização de modos de falhas se faz
149
necessária ou o nível de censura impede a apresentação de estimativas confiáveis sobre o ciclo de
vida de um produto.
Os resultados obtidos da análise desses modelos fortalecem a idéia de se investigar formas
de substituir o nível de censura sempre presentes nos dados de desempenho, assim como
caracterizar os possíveis modos de falhas.
Dessa forma, o modelo foi construído a partir de um conjunto de pressupostos que
consideraram a distinção de três modos de falhas para análise de desempenho de um produto e o
tratamento da censura dos dados através da informação obtida de especialistas. Para atingir o
objetivo principal deste trabalho foram cumpridas as etapas descritas na seção 3.3, o que
possibilitou implementar, analisar e avaliar os resultados obtidos.
A análise do desenvolvimento do novo modelo é uma alternativa para suprir a limitação
surgida na literatura, haja vista que substitui o nível de censura por informação de especialistas,
assim como captura o nível de ocorrência dos modos de falhas constatados durante o tempo de
vida de um produto e delimita um tempo em que cada modo de falha atua predominantemente.
Os resultados decorrentes da aplicação e análise do modelo possibilitam estabelecer
conclusões relacionadas a cinco enfoques, quais sejam: (i) precisão, na medida em que as análises
dos modelos possibilitam estimar valores realistas de desempenho de um produto, (ii)
funcionalidade, no sentido de que a construção do modelo segue um comportamento lógico de
compreensão e aplicação, (iii) previsão, em que o modelo permite estabelecer formas de inferir
desempenho e que podem ter impacto nas estratégias de comercialização da empresa, (iv) gestão,
pois o modelo reduz incertezas e permite melhorar a tomada de decisão, e (v) teórica, já que o
modelo tem características inovadoras de discussão conceitual que contribuem para compreensão
de estudos de confiabilidade, permitindo avanços no sentido de que outras formas de análise
possam ser realizadas, tais como modos de falhas ocorrendo de forma diversa da apresentada
nesta tese.
No aspecto prático, a modelagem demonstrada permite conhecer melhor o ciclo de vida
do produto, o que pode gerar melhorias ao seu projeto. Por conseqüência, também pode ser
possível estabelecer mais claramente estratégias mercadológicas que gerem sentimentos de
confiabilidade e fidelidade aos possíveis compradores.
A análise do desenvolvimento do modelo proposto e de seu método de aplicação permite
concluir que o objetivo geral e os objetivos específicos estabelecidos nas seções 1.2.1 e 1.2.2
150
foram plenamente atendidos. O modelo proposto define uma forma de acompanhamento integral
da vida de um produto, de forma consistente e prática, pois permite identificar como se dá a
incidência de modos de falhas no decorrer dessa vida e em que momento um modo de falhas tem
sua atuação reduzida em favor do surgimento de um novo modo de falha. Além disso, o modelo
incorpora a opinião de especialistas, substituindo-a pelo nível de censura.
Em termos quantitativos, a aplicação do modelo teórico definido permite realizar avanços
com relação a: (i) determinar um tempo médio de ocorrência de falhas (MTTF), muito mais
realista do que a representada na literatura quando o fator censura é expressivo; (ii) estimar
parâmetros através da apresentação de um WPP para o modelo, que permite subsidiar análises
matemáticas subseqüentes; (iii) estimar a confiabilidade do equipamento de forma a demonstrar o
seu funcionamento no decorrer do tempo; e (iv) caracterizar o comportamento da taxa de falhas
no decorrer do tempo, se crescente, decrescente ou constante, permitindo aperfeiçoar testes de
burn-in, por exemplo, e identificar pontos falhos que possam ser corrigidos, postergando a vida
útil do produto, ou mesmo recomendando a substituição do produto ao comprador como forma de
estabelecer uma relação de fidelidade.
Além disso, considere-se o fato de que as análises apresentadas têm abordagem
matemática com o suporte gráfico para visualização dos resultados obtidos, o que permite, além
de identificar parâmetros numéricos, constatar como esse desempenho quantitativo se estabelece
temporalmente.
Para avaliar a potencialidade do modelo, compara-se o modelo proposto a outros dois
tipos de modelagens utilizando o mesmo conjunto de dados gerados na seção 4: um modelo
associado a uma só distribuição de probabilidade, no caso uma distribuição de Weibull com três
parâmetros, e um modelo seccional associando duas distribuições de Weibull, com dois e três
parâmetros, em que o fator de aleatoriedade do modelo proposto é suprimido nesse modelo
seccional. A apresentação de gráficos das medidas de confiabilidade e a comparação dos
resultados quantitativos especialmente vinculados às taxas e percentuais de falhas no tempo
permitiram constatar que o modelo proposto apresenta resultado mais realista às condições de
funcionamento do produto sob estudo.
Os estudos do modelo aqui proposto não se esgotam com a conclusão desta tese. A sua
efetividade como ferramenta de análise de dados se faz válida, porém, sugere-se como
151
complemento ao trabalho desenvolvido a realização de pesquisas futuras relacionadas aos
seguintes tópicos:
a) Utilizar outras distribuições de probabilidade em substituição a uma ou mais
distribuições de Weibull no modelo proposto. A utilização de uma distribuição
lognormal, por exemplo, poderia ser considerada, especialmente em situações de
reparo de produtos, quando as taxas de falhas decrescem após o reparo;
b) Aplicar o modelo proposto em produtos com características de falhas similares às
do produto estudado nesta tese;
c) Estabelecer intervalos de confiança para o WPP apresentado na seção 3;
d) Utilizar outra técnica de coleta de dados para obter e sistematizar a opinião de
especialistas, como por exemplo, o AHP (Analytic Hierarchy Process);
e) Realizar comparações dos resultados obtidos neste modelo com a utilização de
modelos bayesianos;
f) Propor sistematização do modelo proposto através da elaboração de um software
que incorpore as características propostas bem como possibilite a representação
gráfica dos resultados obtidos;
g) Aplicar o modelo a produtos complexos onde alguns tipos de falhas estejam
ausentes, ou seja, analisar o desempenho do modelo em situações de
aplicabilidade parcial;
h) Associar o modelo à análise de custos, como, por exemplo, estimar os valores
relacionados a uma possível extensão do período de garantia do produto e efetiva
melhoria de qualidade ao comprador;
i) Utilizar o modelo para analisar melhorias no suporte de pós-garantia, como
manutenção, logística, peças de reposição, com vistas a incrementar a estrutura do
fornecimento do produtor; e
j) Utilizar outro tipo de censura na análise dos dados coletados.
152
6 Referências bibliográficas
AMSTER, S. J.; BRUSH, G. G.; SAPERSTEIN, B. Planning and conducting field-tracking studies. American
Telephone and Telegraph Company, The Bell System Technical Journal, Vol 61, nº 9, p. 2333-2365 , 1982.
ANSELL, J. I.; PHILLIPS, M. J. Practical methods for reliability data analysis. 1ª Ed., New York: Oxford
University Press, Inc. ,1994, 240 p.
ANSELL, J. I.; PHILLIPS, M. J. Practical reliability data analysis. Reliability Engineering and System Safety,
Vol. 28, p. 337-356, 1990.
BENNETT, T. R.; BOOKER, J. M.; McNULTY, S. K.; SINGPURWALLA, N. D. Testing the untestable:
Reliability in the 21st century. IEEE Transactions on Reliability, Vol. 52, nº 1, p.118-124, 2003.
BERMAN, M. Comments on subjective probability and expert opinions. Reliability Engineering and System Safety,
Vol. 23, p. 263-268, 1998.
BLANKS, H.S. The challenge of quantitative reliability. Quality & Reliability Engineering International, Vol. 14,
p.167-176, 1998.
BLISCHKE, W. R. Mathematical models for analysis of warranty policies. Mathl Comput Modelling, Vol. 13, nº
7, p. 1-16, 1990.
BLISCHKE, W. R.; MURTHY, D. N. P. Reliability: modeling, prediction, and optimization. 1ª Ed., New York:
John Wiley & Sons, 2000, 812 p.
BUSSAB, W. O.; MORETTIN, P. A. Estatística básica. 5ª Ed., São Paulo: Saraiva, 2002, 526 p.
CACCIARI, M.; CONTIN, A.; MONTANARI, G.C. Use of mixed-weibull distribution for the identification of
PD phenomena. IEEE Transactions on Diel. Electr. Insul., Vol. 2, p.1166-1179, 1995.
CARDOSO, L. R. A.; ABIKO, A. K.; HAGA, H. C. R.; INOUYE, K. P.; GONÇALVES, O. M. G. Prospecção
de futuro e método Delphi: uma aplicação para a cadeia produtiva da construção habitacional. Ambiente
Construído, Vol. 5, nº 3, p. 63-78, 2005.
CHAN, V.; MEEKER, W. A failure-time model for infant-mortality and wearout failure modes. IEEE Transactions
on Reliability, Vol. 48, nº 4, p.377-387, 1999.
CHAUDHURI, G.; HU, K.; AFSHAR, N. A new approach to system reliability. IEEE Transactions on Reliability,
Vol. 50, nº 1, p.75-84, 2001.
CHEN, Y.; JIN J. Quality-reliability chain modeling for system-reliability analysis of complex manufacturing
processes. IEEE Transactions on Reliability, Vol. 54, nº 3, p. 475-488, 2005.
153
CHUKOVA, S.; ARNOLD, R.; WANG, D. Warranty analysis: an approach to modelling imperfect repair.
International Journal of Production Economics, Vol. 89, p.57-68, 2004.
DIONNE, J.; LAVILLE, C. A construção do saber: manual de metodologia de pesquisa em ciências humanas. 1 ª
Ed., Porto Alegre: Artes Médicas, UFMG, 1999, 349 p.
EFRON, B.; TIBSHIRANI, R.J. An introduction to the bootstrap. New York: Chapman-Hall, 1998.
ELSAYED, A. E. Reliability engineering. 1ª Ed., Massachusetts: Addison Wesley Longman, Inc., 1996, 737p.
FALCETTA, E. F. Análise da confiabilidade de produtos baseada em dados de utilização de garantia. Dissertação

de mestrado, PPGEP/UFRGS, Porto Alegre, 2000.
GERTSBAKH, I. B.; FRIEDMAN, L. Maximum likelihood estimation for component reliabilities with Myyakawa-
Usher-Hodgson-Guess estimators under censored search for the cause of failure. Statistics & Probability Letters,
Vol. 75, p. 460-465, 1980.
GIL, A. C. Como elaborar projetos de pesquisa. 3 ª Ed., São Paulo: Atlas, 1996, 159 p.
GOLOMSKI,; W. A. J. Reliability and social policy .IEEE Transactions on Reliability, Vol. 50, nº 2, p. 131-134,
2001.
GUIDORIZZI, H. L. Um curso de cálculo. 5ª Ed., Rio de Janeiro:LTC, 2001.
HAHN, G.J.; MEEKER, W.Q. Pitfalls and practical considerations in product life analysis, Part I. Journal of
Quality and Technology, 14 (3), 144-185, 1982.
HU, X.J.; LAWLESS, J.F. Estimation from truncated lifetime data with supplementary information on covariates
and censoring times. Biometrika, Vol.83, p.747-761, 1996b.
HU, X.J.; LAWLESS, J.F. Estimation of rate and mean functions from truncated recurrent event data. Journal of
the American Statistical Association, Vol. 91, p.300-310, 1996a.
INMAN, R. R.; GONSALVEZ, D. J. A. A cost-benefit model for production vehicle testing. IEEE Transactions on
Reliability, Vol. 30, p.1153-1160, 2002.
ISKANDAR, B. P.; MURTHY, D. N. P.; JACK, N. A new repair-replace strategy for items sold with a two
dimensional warranty. Computers & Operations Research, Vol. 32, p. 669-682, 2005.
JIANG, R.; MURTHY, D. N. P. Reliability modeling involving two Weibull distributions. Reliability Engineering
and System Safety, Vol. 47, p. 187-198, 1995.
JIANG, S.; KECECIOGLU, D. Maximum likelihood estimates, from censored data, for mixed-Weibull
distributions, Vol. 41, nº 2, p. 248-255, 1992.
154
JOSEPH, V. R.; YU, I. T. Reliability improvement experiments with degradation data, IEEE Transactions on
Reliability, Vol. 55, nº 1, p. 149-157, 2006.
KALBFLEISCH, J.D.; LAWLESS, J.F. Estimation of reliability in field-performance studies. Technometrics, Vol.
30, p.365-388, 1988.
KALBFLEISCH, J.D.; LAWLESS, J.F.; ROBINSON, J.A. Methods for the analysis and prediction of warranty
claims. Technometrics, Vol. 33, p.273-285, 1991.
KAPLAN, E.L.; MEIER, P. Nonparametric estimation from incomplete observations. Journal of the American
Statistical Association, p.459-481, 1958.
KAPUR, K. C.; LAMBERSON, L. R. Reliability in engineering design. 1ª Ed., New York: John Wiley & Sons,
1977, 586 p.
KVALOY, J. T; LINDQVIST, B. H. TTT-based tests for trend in repairable systems data. Reliability Engineering
and System Safety , Vol. 60, p. 13-28, 1998.
LAFRAIA, J. R. B. Manual de confiabilidade, mantenabilidade e disponibilidade. 1ª Ed., Rio de Janeiro:

Qualitymark, 2001.
LAKATOS, E. M.; MARCONI, M. A. Metodologia científica. 2 ª Ed., São Paulo: Atlas, 1992, 249 p.
LAWLESS, J. F. Statistical analysis of product warranty data. International Statistical Review, Vol. 68, nº 1, p. 41-
60, 1998.
LAWLESS, J. F. Statistical models and methods for lifetime data. 1ª Ed., New York: Oxford University Press,
Inc.,1982, 580 p.
LEEMIS, L.M. Reliability - Probabilistic models and statistical methods. Englewood Cliffs: Prentice-Hall, 1995.
LU, M. W. Automotive reliability prediction based on early field failure warranty data. Quality and Reliability
Engineering International, Vol. 14, p.103-108, 1998.
MAJESKE, K. D. A mixture model for automobile warranty data. Reliability Engineering and System Safety, Vol.
81, p. 71-77, 2003.
MAJESKE, K. D.; CARIS, T. L.; HERRIN, G. Evaluating product and process design changes with warranty
data. International Journal of Production Economics, Vol. 50, p. 79-89, 1997.
MAJESKE, K.D.; HERRIN, G. Assessing mixture-model goodness-of-fit with an application to automobile

warranty data. Proceedings of the Reliability and Maintainability Symposium, Vol.1, p. 378-383, 1995.
MALHOTRA, N. K. Pesquisa de marketing: uma orientação aplicada. 3 ª Ed., Porto Alegre: Bookman, 2001, 719
155
p.
MEEKER, W. Q.; ESCOBAR, L. A. Statistical models for reliability data. 1ª Ed., New York: Oxford University
Press, Inc., 1998, 680 p.
MOESCHBERGER, M.L.; DAVID, H. A. Life tests under competing causes of failure and the theory of
competing risks. Biometrics, Vol. 27, p. 909-933, 1971.
MOHAMMADI, J. LONGINOW, A. WILLIAMS, T. A. Evaluation of system reliability using expert opinions.

Structural Safety, Vol. 9, p. 227-241, 1991.
MOOD, A. M.; GRAYBILL, F. A.; BOES, D.C. Introduction to the theory of statistics. New Yoork:
MacGrawHill, 1974, 564p.
MOSKOWITZ, H.; CHUN, Y. H. A poisson regression model for two-attribute warranty policies. Naval Res.
Logistics, Vol. 41, p. 355-376, 1994.
MURTHY, D. N. P. A new warranty costing model. Mathl Comput. Modelling, Vol. 13, nº 9, p. 59-69, 1990.
MURTHY D.N.P.; BLISCHKE, W.R. Product warranty management III: a review of mathematical models.
European Journal of Operations Research, Vol. 62. p. 1-34, 1992a.
MURTHY D.N.P.; BLISCHKE, W.R. Product warranty management II: an integrated framework for study.
European Journal of Operations Research, Vol. 62. p. 261-281, 1992b.
MURTHY, D. N. P.; DJALAMUDIN, I. New product warranty: a literature review. Int. J. Production Economics,
Vol. 79, p. 231-260, 2002.
MURTHY, D. N.; JIANG, R. Parametric study of sectional models involving two Weibull distributions. Reliability
engineering and System Safety, Vol. 56, p. 151-159, 1997.
MURTHY, D. N. P.; XIE, M.; JIANG, R. Weibull Models.1ª Ed., New York: John Wiley & Sons, 2004a., 383 p.
MURTHY, D. N. P.; SOLEM, O.; ROREN, T. Product warranty logistics: issues and challenges. European
Journal of Operational Research, Vol. 156, p. 110-126, 2004b.
MURTHY, D. N. P.; BULMER, M.; ECCLESTON, J. A. Weibull model selection for reliability modeling.
Reliability Engineering ; System Safety, Vol. 86, p. 257-267, 2004c.
MURTHY D.N.P.; BLISCHKE, W.R. Warranty management and product manufacture. 1ª Ed., London: Springer-
Verlag London Limited, 2006, 290 p.
NAGODE, M.; FAJDIGA, M. An alternative perspective on the mixture estimation problem. Reliability
engineering and System Safety, Vol. 91, p. 388-397, 2006.
156
NAIR, V.N.; TANG, B.; XU, L. Bayesian inference for some mixture problems in quality and reliability. Journal of
Quality Technology, Vol.33, p.16-28, 2001.
NELSON W. Applied life data analysis. 1ª Ed., New York: Oxford University Press, Inc.,1982, 632 p.
NELSON, W. Graphical analysis of system repair data. Journal of Quality Techonology, Vol. 20, p.24-35, 1988.
O’CONNOR, P. D.T. Commentary: reliability - past, present and future. IEEE Transactions on Reliability, Vol. 49,
nº 4, p. 335-341, 2000.
OH, Y. S.; BAI, D. S. Field analyses with additional after-warranty failure data. Reliability Engineering and
System Safety, Vol. 72, p. 1-8, 2001.
OKOLI, C.; PAWLOWSKI, S. D. The Delphi method as a research tool: an example, design considerations and
applications. Informations & Management, Vol. 42, p. 15-29, 2004.
ORMON, S. W.; CASSADY, C. R.; GREENWOOD, A. G. Reliability prediction models to support conceptual
design. IEEE Transactions on Reliability, Vol. 51, nº 2, p.151-157, 2002.
PARK, C.; KULASEKERA, K. B. Parametric inference of incomplete data with competing risks among several
groups. IEEE Transactions on Reliability, Vol. 53, p.11-21, 2004.
PASQUINI, A.; PISTOLESI, G.; RIZZO, A. Reliability analysis of systems based on software and human
resources. IEEE Transactions on Reliability, Vol. 50, nº 4, p.337-345, 2001.
PROSCHAN F. Theoretical explanation of observed decreasing failure rate. Technometrics, Vol. 42, nº 1, p. 7-11,
2000.
RAI, B.; SINGH, N. Hazard rate estimation from incomplete and unclean warranty data. Reliability Engineering
and System Safety, Vol. 81, p. 79-92, 2003.
RAI, B.; SINGH, N. Modeling and analysis of automobile warranty data in presence of bias due to customer-rush
near warranty expiration limit. Reliability Engineering and System Safety, Vol. 86, p. 83-94, 2004.
RAUSAND, M.; OIEN, K. The basic concepts of failure analysis. Reliability Engineering and System Safety, Vol.
53, p. 73-83, 1996.
RAUSAND. M.; VATN, J. Reliability modeling of surface controled subsurface safety valves. Reliability
Engineering and System Safety, Vol. 61, p. 159-166, 1998.
RAUSAND, M.; HØYLAND, A. System reliability theory: models, statistical methods, and applications. 2 ª Ed.,
New York: John Wiley & Sons, 2004, 636 p.
REINEKE, D. M.; POHL, E. A.; MURDOCK, P. J. Maintenance-policy cost-analysis for a series system with
157
highly-censored. IEEE Transactions on reliability, vol. 48, nº 4, p. 413-419, 1999.
ROBINSON, J.A. Bootstrap confidence intervals in location-scale models with progressive censoring.
Technometrics, Vol. 25, p.179-187, 1983.
RUEDA, A.; PAWLAK, M. Pioneers of reliability theories of the past 50 years. IEEE Transactions on Reliability,
Vol. 4, p.102-109, 2004.
SANTOS, G. T.; FOGLIATTO, F. S. RIBEIRO, J. L.D; RAUSAND, M. A mixed model for warranty data
analysis. XXVII ENEGEP, Foz do Iguaçu, 2007.
SHIMOKAWA, T.; LIAO, M. Goodness-of-fit tests for type-I extreme-value and 2-parameter Weibull
distributions. IEEE transactions on Reliability, Vol. 48, nº 1, p-79-86, 1999.
SINGPURWALLA, N. D., SONG, M. S. Reliability analysis using Weibull lifetime data and expert opinion. IEEE
Transactions on Reliability, Vol. 37, nº 3, p. 340-347, 1988.
SKULMOSKI, G. J.; HARTMAN, F. T.; KRAHN, J. The Delphi method for graduate research. Journal of
Information Technology Education, Vol. 6, p. 1-21, 2007.
STEENKISTE, B. C. V.; JACOBS, J. E.; VERHEIJEN, N. M.; LEVELINK, J. H; BOTTEMA, B. J. A. M. A

Delphi technique as a method for selecting the content of an electronic patient record for asthma. International
Journal of medical Informatics, Vol. 65, p. 7-16, 2002.
SUZUKI, K. Nonparametric estimation of lifetime distributions from a record of failures and follow-ups. Journal of
the American Statistical Association, Vol. 80, p.68-72, 1985a.
SUZUKI, K. Estimation of lifetime parameters from incomplete field data. Technometrics, Vol. 27, p.263-271, 1985b.
TSAIRIDIS, C. H.; FERENTINOS, K.; PAPAIOANNOU, T. Information and Random Censoring. Informatics
and Computer Science – Information Sciences, Vol. 92, p. 159-174, 1996.
TURNBULL, B.W. The empirical distribution function with arbitrarily grouped, censored and truncated data.
Journal of the Royal Statistical Society, Ser.B., Vol. 38, p.290-295, 1976.
UPTON, G.; COOK, I. Dictionary of statistics. 2ª Ed., New York: Oxford University Press, Inc., 2004, 420p.
USHER, J.S.; HODGSON, T. J. Maximum likelihood analysis of component reliability using masked system life-
test data. IEEE Transactions Reliability, Vol. 37, p. 550-555, 1988.
WALPOLE, R. E.; MYERS, R. H.; MYERS, S. L.; YE, K. Probability & statistics for engineers & scientists. 8ª
Ed., Upper Saddle River: Pearson Prentice Hall, 2007, 816 p.
WANG, M. A semiparametric model for randomly truncated data. Journal of the American Statistical Association,
158
Vol. 84, p.742-748, 1989.
WASSERMAN, G.; SUDJIANTO, A. A comparison of three strategies for forecasting warranty claims. IIE
Transactions, Vol. 28, p. 967-977, 1996.
WONDMAGEGNEHU, E. T.; NAVARRO, J. HERNANDEZ, P. J. Bathtube shaped failure rates from mixtures:
a practical point of view, IEEE Transactions on Reliability, Vol. 54, p.270-275, 2005.
WOODROOFE, M. Estimating a distribution function with truncated data. The Annals of Statistics, Vol. 13,
p.163-177, 1985.
WU, H.; MEEKER, W. Q. Early detection of reliability problems using information from warranty databases,
Technometrics, Vol. 44, nº 2, p. 120-133, 2002.
YIN, R. K. Estudo de caso: planejamento e métodos. 2 ª Ed., Porto Alegre: Bookman, 2001, 205 p.
ZHANG, T.; REN, Y. Failure data analysis by models involving 3 Weibull distributions, Proceedings Annual
Reliability and Maintainability Symposium, p. 44-50¸2002.
159
ANEXO A – QUESTIONÁRIO
QUESTIONÁRIO
O presente questionário tem por objetivo coletar informações relativas ao desempenho do

CONDENSADOR do modelo de ar condicionado XXX fabricado pela XXX durante o ano
de 2007.
As informações obtidas servirão de apoio para a realização de um estudo relativo à

modelagem de desempenho desse componente.
O desempenho do componente depende principalmente de fatores como condições

climáticas, mau uso, intensidade no uso e condições físicas não plenamente satisfatórias
antes da sua venda. A ocorrência de tais fatores pode gerar manutenção precoce no
equipamento.
A partir das considerações apresentadas anteriormente, solicita-se responder às seguintes

questões:
1) Qual o percentual aproximado de falhas verificadas no decorrer do tempo,

considerando-se somente a ocorrência da primeira falha no componente?
Observações:
a) Um exemplo é apresentado na tabela a seguir.
b) O tempo de referência para análise está apresentado na primeira coluna da tabela.
c) Na coluna “Percentual acumulado de falhas verificadas” deve ser anotado o percentual
de falhas verificadas no componente pela primeira vez, de forma progressiva no
tempo, até completar 100%. O exemplo mostra a ocorrência de falhas no decorrer do
tempo em que 0,5 % dos componentes falham pela primeira vez até a 1ª semana após
a sua venda, 1% tem a primeira falha em até 5 semanas após a sua venda, 2% em até
10 semanas, 4% em até meio ano, 59% em até 6 anos, 80% em até 7 anos e 100%
falham em até 10 anos.
Exemplo:
Tempo após a venda do Percentual acumulado de falhas
equipamento verificadas (%)
1ª semana 0,5
5ª semana 1
10ª semana 2
26ª semana (meio ano) 4
312ª semana (6 anos) 59
160
Tempo após a venda do Percentual acumulado de falhas
equipamento verificadas (%)
1ª semana
5ª semana
10ª semana
20ª semana
26ª semana (meio ano)
30ª semana
52ª semana (1 ano)
60ª semana
70ª semana
78ª semana (1 ano e meio)
104ª semana (2 anos)
2) Qual o período melhor representa o tempo médio até a ocorrência da primeira falha no
componente? Assinale com um “x” o tempo médio aproximado.
1 2 3 4 5 6 7 8 9 10 11 12
ano anos anos anos anos anos anos anos anos anos anos anos
3) Qual o tempo máximo de vida do componente?
anos
4) As falhas iniciais (prematuras) verificadas no componente, possivelmente decorrentes

de problemas de manufatura e montagem, podem ocorrer até no máximo em qual semana
após a venda desse componente?
até a semana
161
5) As falhas por desgaste do componente têm início a partir de que período após a sua
venda?
A partir da semana (se ocorridas antes do primeiro ano após a venda)

ou do Ano
6) Qual a confiabilidade do componente, em percentual, no decorrer do tempo?
Observações:
a) A confiabilidade do componente representa a probabilidade de não ocorrência de falhas
no decorrer da sua vida.
b) As condições de uso do componente conduzem a, obrigatoriamente, reduzir a sua
confiabilidade no decorrer do tempo.
c) O tempo de referência para análise está apresentado na primeira coluna da tabela.
d) Todos os campos da tabela devem ser preenchidos para evidenciar o decréscimo do
percentual de confiabilidade do equipamento de 100% até ZERO % no decorrer do
tempo.
e) Na coluna “Percentual de confiabilidade verificada” deve ser anotado o percentual de
confiabilidade do componente no decorrer do tempo. O exemplo a seguir apresenta um
componente em que a confiabilidade do mesmo é de 99,5 % na 1ª semana após a sua
venda, 99% na 5ª semana após sua venda, 98% em 10 semanas, 91% em um ano e meio,
90% em 2anos, 25% em 8 anos e ZERO % em 10 anos.
Exemplo:
Tempo após a venda do Percentual de confiabilidade

equipamento verificada (%)
1ª semana 99,5
5ª semana 99
10ª semana 98
78ª semana (1 ano e meio) 91
780ª semana (10 anos) ZERO
162
Tempo após a venda do Percentual de confiabilidade
componente verificada (%)
1ª semana
5ª semana
10ª semana
20ª semana
26ª semana (meio ano)
30ª semana
52ª semana (1 ano)
60ª semana
70ª semana
78ª semana (1 ano e meio)
Obrigado!
Porto Alegre, fevereiro de 2008
163
ANEXO B – PLANILHA COM RESULTADOS DOS QUESTIONÁRIOS
Respondentes
Questão Respostas (%) 1 2 3 4 5 6 7 8 9 Média desvio CV
1ª sem 0 0 0 0 0 0 0 0 0 0,000 0,000 0,00%
5ª sem 0,2 0,1 0,2 0,15 0,2 0,2 0,15 0,1 0,2 0,167 0,043 25,98%
10ª sem 1 1 1 0,75 1 1 1 1 1 0,972 0,083 8,57%
20ª sem 2 2 2 2 1,5 1,5 1,5 2 1,5 1,778 0,264 14,82%
26ª sem (meio ano) 2,5 2,5 2,5 2,5 2 3 2,5 3 3 2,611 0,333 12,77%
30ª sem 3 3 3,5 3 3 3 3 3 3 3,056 0,167 5,45%
52ª sem (1 ano) 4 4 4 3 4 4 4 4 4 3,889 0,333 8,57%
60ª sem 4,5 4,5 5 4 4,5 4,5 4,5 4,5 4,5 4,500 0,250 5,56%
70ª sem 5 5 5,5 5 5 5 5 5 5 5,056 0,167 3,30%
1 - (%) de 78ª sem (1,5 anos) 5 5 5,5 5 5 5 5 5 5 5,056 0,167 3,30%
falhas no 104ª sem ( 2 anos) 10 10 10 10 9,5 10 9,5 10 10 9,889 0,220 2,23%
tempo 156ª sem (3 anos) 19 18 19 20 19 19 19 20 20 19,222 0,667 3,47%
260ª sem (5 anos) 45 40 40 40 40 40 40 40 40 40,556 1,667 4,11%
364ª sem (7 anos) 60 55 55 60 60 55 60 55 60 57,778 2,635 4,56%
468ª sem(9 anos) 75 70 70 75 75 70 75 70 75 72,778 2,635 3,62%
520ª sem (10 anos) 80 76 78 80 80 78 80 78 80 78,889 1,453 1,84%
624ª sem (12 anos) 90 85 90 90 90 90 90 85 90 88,889 2,205 2,48%
780ª semana (15 anos) 98 95 98 98 98 98 98 96 98 97,444 1,130 1,16%
832ª sem (16 anos) 99,5 98 99 99,5 99 99,5 99 99,5 99,5 99,167 0,500 0,50%
884ª sem (17 anos) 99,5 100 100 100 100 100 100 100 100 99,944 0,167 0,17%
936ª sem (18 anos) 100 100 100 100 100 100 100 100 100 100,000 0,000 0,00%
1 ano
2 anos 5,666667 0,707107 12,48%
3 anos 7 6 5
4 anos 5 6
5 anos 6 5
6 anos 6 5
7 anos
2 - MTTF
8 anos
9 anos
10 anos
11 anos
12 anos
3 tempo máxima de vida (anos) 18 17 17 17 17 17 17 17 17 17,11111 0,333333 1,95%
4 final falhas prematuras(semanas) 26 52 52 52 52 26 52 52 52 46,22222 11,46492 24,80%
5 início falhas por desgaste (ano) 1 1,5 1,5 1,5 1 1 1,5 2 1,5 1,388889 0,333333 24,00%
1ª sem 100 100 100 100 100 100 100 100 100 100 0 0,00%
5ª sem 100 99,5 99,5 99,75 99,75 99,5 99,5 99,5 99,5 99,61111 0,181621 0,18%
10ª sem 99,5 99,25 99 99,5 99,25 99,25 99,25 99,25 99,25 99,27778 0,150231 0,15%
20ª sem 98,5 98,5 98 98,5 98,5 98,5 98,25 98 98,5 98,36111 0,220479 0,22%
26ª sem (meio ano) 98 98 97,5 98 98 98 97,5 97 98 97,77778 0,363242 0,37%
30ª sem 97,5 97 97 97 97 97 97 97 97,5 97,11111 0,220479 0,23%
52ª sem (1 ano) 96,5 96,75 96,5 96,5 96,5 96,75 96,5 96,5 96,5 96,55556 0,11024 0,11%
60ª sem 96 96 96 96 96 96 96 96 96 96 0 0,00%
70ª sem 96 95,5 96 95 95 95,5 95 95,5 96 95,5 0,433013 0,45%
78ª sem (1,5 anos) 95 95 95 95 95 95 95 95 95 95 0 0,00%
6-
104ª sem ( 2 anos) 90 90 90 90 90 90 90 90 90 90 0 0,00%
confiabilidade
156ª sem (3 anos) 75 70 75 80 75 75 70 75 75 74,44444 3,004626 4,04%
260ª sem (5 anos) 60 60 60 60 60 60 60 60 60 60 0 0
364ª sem (7 anos) 50 50 50 50 50 50 50 50 50 50 0 0,00%
468ª sem(9 anos) 40 35 35 35 35 35 35 35 35 35,55556 1,666667 4,69%
520ª sem (10 anos) 25 20 25 25 20 25 20 25 25 23,33333 2,5 10,71%
624ª sem (12 anos) 15 15 10 10 15 15 10 15 10 12,77778 2,635231 20,62%
780ª semana (15 anos) 5 5 5 5 5 5 5 5 5 5 0 0,00%
832ª sem (16 anos) 1 1 1 1 1 1 1 1 1 1 0 0,00%
884ª sem (17 anos) 0,5 0 0 0 0 0 0 0 0 0,055556 0,166667 300,00%
936ª sem (18 anos) 0 0 0 0 0 0 0 0 0 0 0 0,00%
164
ANEXO C – AMOSTRA DE DADOS GERADOS POR REGISTROS HISTÓRICOS E
OPINIÃO DE ESPECIALISTAS
8 8 9 10 11 12 14 15 17 19 21 22 24 25 26
29 29 30 31 36 38 42 48 52 63 71 73 75 77 78
79 80 81 82 83 84 84 85 86 86 87 88 89 90 91
92 93 94 95 96 97 98 99 100 101 102 102 103 104 105
106 107 108 109 110 110 111 112 113 114 115 116 117 118 118
119 120 121 122 123 124 125 126 126 127 128 129 130 131 132
133 134 134 135 136 137 138 139 140 141 142 142 143 144 145
146 147 148 149 150 150 151 152 153 154 155 156 156 157 157
158 158 159 159 160 161 161 162 163 163 164 164 165 165 166
167 167 168 169 169 170 170 171 171 172 173 173 174 175 175
176 176 177 177 178 179 179 180 181 181 182 182 183 183 184
185 185 186 186 187 187 188 189 189 190 191 191 192 192 193
193 194 195 195 196 197 197 198 198 199 199 200 201 202 203
204 205 206 207 208 209 210 211 211 212 213 214 215 216 217
218 219 220 221 221 222 222 223 224 224 225 226 227 228 230
233 234 235 236 237 238 238 239 239 240 241 242 245 247 248
248 249 250 250 251 253 255 257 259 260 261 262 263 264 264
266 267 268 269 270 271 271 272 272 273 273 274 274 275 278
282 284 284 284 285 285 295 285 286 286 286 287 290 291 292
296 297 297 298 298 299 299 300 300 302 303 304 305 307 308
309 310 311 312 313 314 315 316 317 319 320 321 322 323 324
325 326 327 328 329 330 331 332 333 334 335 336 337 338 339
340 341 342 343 344 345 346 347 348 349 350 351 352 353 354
355 356 357 358 359 360 361 362 363 364 365 366 367 368 369
370 371 372 373 374 375 376 377 378 379 380 381 382 383 384
385 386 387 388 389 390 391 392 393 394 395 396 398 399 401
402 403 404 405 407 409 410 411 412 413 415 416 418 419 420
421 422 423 424 426 429 430 431 432 433 434 435 436 437 439
440 441 442 444 446 446 447 449 450 451 454 455 456 457 458
459 460 461 462 463 464 466 467 468 468 470 470 472 472 474
474 475 475 476 476 478 479 480 481 482 483 485 486 487 488
490 491 492 493 495 497 498 502 504 505 505 505 507 507 509
513 515 516 519 521 523 524 525 526 527 528 529 530 532 536
539 545 546 547 549 550 551 552 552 553 553 554 555 556 559
560 561 563 566 569 575 576 579 579 580 581 584 586 587 589
590 591 592 595 597 598 600 603 604 606 607 610 611 613 614
617 620 621 624 625 627 628 631 633 635 638 642 644 648 649
650 652 655 656 658 663 667 668 671 673 674 677 678 681 684
687 689 690 692 696 699 701 703 707 710 712 718 721 723 725
729 731 734 738 741 744 748 750 754 759 763 769 770 773 776
780 784 788 799 804 805 806 811 818 827 833 842 856 872 884
165
ANEXO D – LISTA DE SIGLAS UTILIZADAS
Seção 2.2 Confiabilidade
f (t ) - Função densidade de probabilidade
R (t ) - Função confiabilidade
MTTF - Mean time to failure (tempo médio até a ocorrência da primeira falha)
h(t ) - Função de risco
F (t ) - Função distribuição
Seção 2.3 Garantia

FTA - Fault Tree Analysis (Análise da árvore de Falhas)
FMEA - Failure Mode Effect Analysis (Análise dos Modos e Efeitos de Falha)
FRW - Free Replacement Warranty (Garantia com reposição livre do produto)
PRW - Pro-rata Warranty (Garantia proporcional ao uso do produto)
RIW - Reliability Improvement Warranty (Garantia Associada à Confiabilidade)
Seção 2.5 Modelagem de dados de garantia

TTT - Total Time on Test (Tempo total em Teste)
L(θ ) - função de verossimilhança
K-S - Teste de aderência de Kolmogorov-Smirnov
AD - Teste de aderência de Anderson-Darling
CM - Teste de aderência de Cramér-von Mises
Seção 2.6.1 Modelo de Chan e Meeker – Modelo de tempos-até-falha para modos de

falhas prematuras e por desgaste
LFP - Limited Failures Population (Modelo de Falhas Limitadas)
GLFP - General Limited Failures Population (Modelo Geral de Falhas Limitadas)
W - Distribuição de Weibull
166
LN - Distribuição lognormal
WPP - Webull Probability Plot (Papel de Probabilidade de uma distribuição de Weibull)
Seção 3.2.2 Características do modelo

RT (t ) Função confiabilidade total do modelo
R0 (t ) Função confiabilidade da distribuição exponencial
R1 (t ) Função confiabilidade da distribuição de Weibull com dois parâmetros
R2 (t ) Função confiabilidade da distribuição de Weibull com três parâmetros
Seção 3.3.2 Coleta de dados

CV - Coeficiente de Variação
Seção 4.2 Coleta de dados

AC - Ar Condicionado
he (t ) - Função de risco empírica
Foe (t ) - Função distribuição correspondente aos percentuais de falhas acumulados
mencionados por opinião de especialistas durante o período de garantia

Fdh (t ) - Função distribuição correspondente aos percentuais de falhas acumulados
fornecidos pelo produtor (dados históricos)

Fop (t ) - Função distribuição correspondente aos percentuais de falhas acumulados
mencionados por opinião de especialistas durante o período de pós-garantia

F p (t ) - Função distribuição empírica para opinião de especialistas referente ao
percentual de falhas acumuladas durante o ciclo de vida do AC

F1− RT (t ) (t ) - Função distribuição empírica para opinião de especialistas referente ao
percentual de confiabilidade acumulado durante o ciclo de vida do AC
D max - Distância máxima
167
Seção 4.5 Conclusões sobre o modelo
IFR - Increasing Failure Rate (taxa de falha crescente)
DFR - Decreasing Failure Rate (taxa de falha decrescente)
Capítulo 5 Conclusões
AHP - Analytic Hierarchy Process (Análise Hierárquica de processo)
168

Tese de Doutorado - Modelo de Confiabilidade PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Tese de Doutorado - Modelo de Confiabilidade PDF

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL

MODELO DE CONFIABILIDADE ASSOCIANDO DADOS DE GARANTIA E PÓS-

Gilberto Tavares dos Santos

Porto Alegre, agosto de 2008

MODELO DE CONFIABILIDADE ASSOCIANDO DADOS DE GARANTIA E PÓS-

Gilberto Tavares dos Santos

Tese submetida ao Programa de Pós-Graduação em Engenharia de

Porto Alegre, agosto de 2008

José Luis Duarte Ribeiro, Dr.

Marcelo Maia Rocha, Dr.

Miguel Afonso Sellitto, Dr.

Figura 34 Gráfico da F T (t ) do modelo proposto ........................................................... 136

Figura 35 Gráfico da hT (t ) do modelo proposto............................................................. 137

Tabela 1 Banco de dados (exemplo de registros)..........................................................118

Os atuais mercados de consumo têm se caracterizado por apresentar novos produtos

A percepção e acompanhamento dessas características são vitais para a manutenção de um

Na decisão de compra de um produto, normalmente os compradores comparam

Nesse contexto diversificado de escolhas, o prazo de garantia tem um importante papel ao

Quando compradores pensam sobre o termo confiabilidade, eles associam sentimentos de

A maioria dos compradores está ciente do problema de imperfeições em produtos. O

Todavia, a mensuração e acompanhamento de falhas durante a garantia impõem restrições

Vários são os modelos apresentados em estudos de confiabilidade estatística. A maior

1.1 O tema e sua relevância

Nos tempos atuais, a existência de um programa de confiabilidade é condição essencial

Para estimar confiabilidade e suas medidas é preciso ter informações no decorrer do

Para subsidiar os dados de garantia, mais consistentes haja vista a facilidade de

1.2.1 Objetivo principal

O objetivo da tese é propor um modelo matemático para analisar um conjunto de dados de

1.2.2 Objetivos específicos

Como decorrência do objetivo principal, os objetivos específicos podem ser divididos da

i. Definir as medidas de confiabilidade função densidade de probabilidade, função

As justificativas para aplicação do modelo proposto podem ser apresentadas sob os

Este trabalho representa um esforço em fortalecer os vínculos entre o meio empresarial e

Sob o enfoque teórico, estudos de confiabilidade estatística lidam constantemente com

O modelo proposto neste trabalho busca agrupar a ocorrência de modos de falhas,

Os modelos disponíveis na literatura que tratam de modos de falhas concorrentes e

Os dados de garantia apresentam modos de falhas prematuras, aleatórias e por desgaste,

A obtenção de dados complementares a partir de especialistas permitirá tratar a censura

1.4 Metodologia de pesquisa

A sustentação metodológica para elaboração do modelo matemático proposto neste

A prática da Pesquisa Aplicada concretiza-se por um estudo de caso de caráter

As principais etapas do método de pesquisa que dão origem ao modelo matemático

1. Caracterização do sistema – identificação de um sistema eletro-eletrônico, seus

1.6 Etapas do Trabalho

As principais etapas de elaboração da tese são apresentadas a seguir:

1. Identificar e analisar os principais aspectos conceituais relacionados ao tema em estudo e

1.7 Limitações e delimitações do estudo

Os estudos agregados de confiabilidade apresentam várias limitações, visto que é difícil

No que se refere ao modelo apresentado nesta tese, as limitações vinculam-se às seguintes

i. Os compradores do produto não estão agrupados em categorias por intensidade de

Quanto à delimitação verificada, o modelo não contempla a análise de falhas

O Capítulo 1 apresenta o contexto de dados de garantia e sua importância como

O Capítulo 2 apresenta o referencial teórico utilizado para desenvolver a tese. A revisão

O Capítulo 3 detalha a proposta de modelagem desenvolvida para concretizar a tese,

O Capítulo 4 apresenta a análise do modelo proposto e a comparação do desempenho

O Capítulo 5 apresenta as conclusões da tese e sugestões para desenvolvimento de

2.1 Comentários iniciais

Na seqüência são apresentados o conceito de confiabilidade, histórico, aplicação, medidas

O conceito de risco está relacionado à presença de situações indesejáveis.

A confiabilidade de um produto depende da interação entre leis físicas, projeto de

A análise de confiabilidade de um sistema será sempre fundamentada em um conjunto de

O conceito estatístico de confiabilidade representa a probabilidade de que um produto não

Até a segunda guerra mundial, a noção de confiabilidade era meramente intuitiva e