Escolar Documentos
Profissional Documentos
Cultura Documentos
ESTRUTURADAS PARA A
ANÁLISE DE FALHAS
Quer estejamos envolvidos com os ativos relacionados aos processos produtivos numa
planta de processo, quer estejamos envolvidos em procedimentos administrativos num
escritório de advocacia, estamos a todo o momento necessitando utilizar nossos recursos
da melhor maneira possível, devemos buscar práticas cada vez mais atualizadas no sentido
de obtermos resultados cada vez melhores. Contribuindo para atingir as melhores práticas
de trabalho, temos na metodologia de “Análise de Falhas” um aliado extremamente
importante, pois desta maneira estaremos aplicando nossos esforços na constante busca
pela identificação da causa do problema, determinando uma ação de bloqueio e a solução
dos problemas que interferem negativamente nos indicadores que medem o desempenho
das áreas de processo. Este processo de trabalho tem como característica ser realizado
através da utilização de grupos multidisciplinares. Como um dos maiores motivadores em
qualquer nível hierárquico dentro de uma organização é o colaborador, trabalhar
criativamente, com autodesenvolvimento, envolvendo-se com o problema instalado, estamos
aliando esta metodologia com a chave natural do sucesso.
2
falha necessariamente possui uma causa (origem) e uma solução, a metodologia elaborada
busca os seguintes benefícios:
• Análise e definição clara da falha;
• Uso da equipe para a solução das falhas;
• Identificação das causas fundamentais;
• Elaboração de planos de trabalho para bloqueio e correção das causas identificadas;
• Verificação da efetividade dos planos de ação;
• Uso de ferramentas auxiliares para solução e análise dos problemas tais como,
Gráficos de Pareto, Brainstorming, Diagrama de causa e efeito (Ishikawa), entre
outros;
• Definição das medidas de prevenção contra o ressurgimento da causa e
consequentemente da falha;
• Propiciar a melhoria contínua dos processos.
3
Portanto, esta metodologia apresentada consiste na aplicação de técnicas de análise que
auxiliam a identificação da causa raiz de cada problema apresentado, sugerindo uma ação
de bloqueio e solução dos desvios, estimulando a equipe nas tomadas de decisões que irão
gerar as devidas correções das falhas detectadas, diminuindo o risco de paradas
inesperadas e falhas sistemáticas.
Historicamente o termo modelo foi utilizado na matemática no século XIX por Georg
Friedrich Bernhard Riemann (1826 – 1866) e Nikolai Ivanovich Lobachewski (1793 – 1856)
ao criarem a essência das geometrias não euclidianas.
Observa-se então, que o objetivo concreto permanece o mesmo, enquanto que sua
representação muda a fim de atender aos interesses que definem o problema.
4
A tarefa de construção de um modelo matemático não é simples, desta forma destacam os
seguintes objetivos estabelecidos para a construção de um modelo:
Apesar de ter sido aplicada com maior intensidade nas últimas décadas a modelagem não é
uma novidade destes dois últimos séculos. Desde os tempos mais remotos o homem busca a
solução de problemas cotidianos com o auxílio de recursos que o próprio meio em que vive
oferece, buscando para isso o seu conhecimento e a sua compreensão. A modelagem
matemática pode ser definida como um processo que traduz a realidade, a linguagem do
mundo real para o mundo matemático. Mas, como é feita essa tradução?
5
Assim, tem-se que modelagem matemática corresponde à fase de obtenção de um modelo
matemático que descreve o comportamento de um sistema físico estudado. Dessa forma a
fase de obtenção da solução do modelo matemático através de aplicação de métodos
numéricos corresponde a resolução da questão em estudo. A relação entre modelagem,
modelo e solução do problema pode ser entendida a partir do esquema simplificado abaixo.
Mas, para que essa escolha seja feita com sucesso faz-se necessário conhecer de forma
detalhada os conceitos matemáticos que serão utilizados na solução do problema em
questão.
Os modelos matemáticos podem ser de diversas formas como sejam uma única equação, um
sistema de equações, um sistema de inequações ou para casos mais complexos, um modelo
com equações diferenciais. Em qualquer dos casos, é necessário, previamente, definir-se a
situação real que se quer estudar, ou seja, identificar com precisão em que consiste o
problema.
Uma vez ultrapassada esta fase, segue-se a escolha da estrutura matemática utilizada para
representar o problema, ou seja, são escolhidas as variáveis que se relacionam de algum
modo. Definida a formulação matemática do problema, esta terá que ser testada e
analisada de modo a retirar conclusões. Estas, por sua vez, terão que ser interpretadas à
luz da situação inicial. É esta a fase de avaliação do modelo.
6
Ciclo de Modelação
Seja por exemplo o processo para conseguir o visto de entrada num consulado. Este
processo é composto por 3 etapas. A primeira onde são checados os documentos segue uma
distribuição normal com um tempo médio de atendimento de 10 minutos com desvio padrão
de 4 minutos.
A segunda etapa que é a entrevista com o cônsul segue uma distribuição de Weibull com
fator de forma igual a 2 e fator de posição igual a 30 minutos e por fim a emissão do visto
segue uma distribuição normal com média igual a 45 minutos e desvio padrão de 15 minutos.
Utilizando uma simulação de Monte Carlo calcule a média do tempo geral de atendimento
até o indivíduo conseguir o visto. Simular os tempos de atendimento para a segunda etapa
usando a equação abaixo:
SOLUÇÃO DO EXEMPLO
7
1ª etapa
Parâmetros da distribuição µ = 10 min σ = 4 min
2ª etapa
Parâmetros da distribuição β=2 η = 30 min
3ª etapa
Parâmetros da distribuição µ = 45 min σ = 15 min
TEMPO
ETAPA 1 ETAPA 2 ETAPA 3
TOTAL
8,14 24,01 53,90 86,05
7,94 21,51 45,64 75,10
9,78 19,58 41,65 71,01
6,49 18,13 43,11 67,72
5,69 16,62 62,83 85,14
6,06 45,59 62,10 113,75
14,33 34,47 60,62 109,42
9,16 35,92 39,40 84,48
12,10 29,14 24,14 65,38
2,69 29,16 80,52 112,38
11,79 48,84 42,63 103,27
Os tempos de espera para cada etapa foram obtidos usando a simulação e Monte Carlo,
obtendo-se como tempo médio para a emissão do visto em torno de 88 minutos.
Seja uma estrutura com uma resistência que segue uma distribuição normal de
probabilidade com média igual a 150 MPa e desvio padrão de 10 MPa, a qual é solicitada a
um carregamento que também segue uma distribuição normal de probabilidade com valor
médio de 100 MPa e desvio padrão de 20 MPa.
8
Com base nestes dados determinar a probabilidade de falha desta estrutura através:
• Método Analítica;
• Simulação de Monte Carlo.
SOLUÇÃO
MÉTODO ANALÍTICO
Este método segue a teoria da confiabilidade estrutural, cuja probabilidade de falha para
duas variáveis que seguem uma distribuição normal é calculada segundo a relação abaixo:
9
Desta forma, uma avaliação analítica da probabilidade de falha (Z=R–C), pode ser
bastante complicada ou até mesmo impossível, assim sendo, técnicas numéricas para a
determinação destes valores são aplicadas, a mais utilizada é a simulação de Monte
Carlo.
10
O processo acima é repetido até que todos os valores Xi tenham sido avaliados, desta
forma, a função de estado limite é testada, definindo-se se o valor é positivo (condição
segura) ou negativo (condição de falha). Todas as simulações onde a função de estado
limite seja negativa são contadas (nf) e após N simulações a probabilidade de falha (pf)
pode ser estimada da seguinte forma:
nf
pf =
N
11
ANÁLISE DE CAUSA RAIZ
A Análise de Causa Raiz ou RCA (Root Cause Analysis), acrônimo do termo em inglês
bastante utilizado, é uma metodologia imprescindível para que a manutenção industrial
consiga sair do danoso modo reativo.
Para entender melhor o que é modo reativo; pense na situação, onde a equipe de
manutenção se ocupa em tempo integral de reparar os equipamentos que quebram
aleatoriamente. Neste modo, a equipe de manutenção está sempre sobrecarregada,
trabalhando sob a constante pressão de ter que reparar equipamentos para recolocar a
fábrica em operação, outro termo comumente utilizado para descrever esta situação é
“trabalhar apenas para apagar incêndios”. Neste modo, as despesas de manutenção são,
além de elevadas, praticamente imprevisíveis.
Fatores causais: Todos os fatores que logicamente podem afetar resultados, incluindo
aqueles que comprovadamente produzem o fenômeno.
Causas: Os fatores causais que são comprovados ou deduzidos como causadores, direta ou
indiretamente, do fenômeno em análise.
12
Análise de Causa Raiz: é qualquer processo dirigido por evidências que, no mínimo, revela
causas obscuras sobre eventos adversos passados e, desta forma, expõe oportunidades de
melhoria duradouras.
Na própria definição de Análise de Causa Raiz encontramos uma das causas pela qual a
mesma não produz os resultados esperados em vários lugares onde é implantada: todo o
processo deve ser dirigido por evidências.
Constata-se que muitas pessoas fazem deste processo rotina burocrática; organizam
reuniões de análise, elaboram “Brainstorming”, também conhecido como “tempestade de
ideias”, aplicam a técnica do 5 Por Quês sem buscarem qualquer evidência, ou seja; não
investigam o local do incidente, não coletam amostras, não entrevistam testemunhas e, no
pior dos casos, nem analisam os fatos reais; apegam-se a suposições e hipótese e daí tiram
suas conclusões.
O processo de Análise de Causa Raiz adotado pela maioria das empresas consiste dos
seguintes passos:
1. Definir o problema
2. Se necessário, fazer Análise de Falhas
3. Identificar as possíveis causas
4. Verificar a(s) real (is) causa(s)
5. Propor solução para o problema
6. Implantar a solução
7. Acompanhar os resultados
13
Uma prática comum na definição do problema, que acaba por dificultar sua análise e
consequente solução, é que alguns grupos escrevem um verdadeiro romance para descrever
o problema e, na maioria das vezes, acabam por definir não apenas um problema mas vários
problemas na mesma descrição.
Precisa-se entender que diferentes pessoas ou grupos terão visões diferentes diante do
mesmo problema. Uma forma de se contornar esta dificuldade e chegar numa definição de
consenso é fazer as seguintes simples perguntas:
1. Qual é o problema?
2. Quando aconteceu?
3. Onde aconteceu?
4. Qual meta que foi impactada pelo problema?
14
Análise de Árvore de Falhas ou FTA (Fault Tree Analysis). A FTA é um método lógico
quantitativo cujo objetivo é identificar as combinações das falhas nos equipamentos ou
componentes de um sistema ou erros humanos que possam resultar em um evento ou
acidente. A Árvore de Causas, por sua vez é uma análise qualitativa e não se utiliza a
simbologia lógica.
15
Vale observar que algumas empresas adotam apenas a metodologia “5 Por quês” para análise
entendo a relação causa/efeito como uma relação linear, onde para cada efeito existe uma
única causa. Conforme exemplificado anteriormente, as relações causa/efeito podem se
comportar como um sistema complexo onde múltiplas causas interagem entre si.
Na determinação das raízes, para facilitar a compreensão do evento, as raízes podem ser
dividas nas seguintes categorias:
• Raízes Físicas
• Raízes Humanas
• Raízes Organizacionais ou Latentes
As raízes humanas são ações que provocaram as raízes tangíveis ou dano aos componentes
ou materiais e, finalmente as raízes latentes ou organizacionais são a motivação para que a
ação tenha sido tomada.
As raízes físicas são as razões pelas quais os componentes ou partes falharam, por
exemplo:
• Sobrecarga – erro de operação, acidente.
• Fadiga – cargas cíclicas continuadas conduzindo a uma falha do componente ou
estrutura.
• Corrosão – material incorreto, processo químico, condições ambientais adversas,
vazamentos.
• Desgaste – problemas diversos de lubrificação, contaminação, desalinhamento,
sobrecarga, material incorreto.
16
As raízes humanas podem ser entendidas como erros de decisão que vão provocar o
acontecimento das raízes físicas. São erros de ação ou omissão; isto significa que alguém
fez algo que não deveria ter feito ou deixou de fazer algo que deveria fazer. Exemplos:
• Memória – esquecimento
• Seleção – solicitou o componente errado, fez a escolha errada
• Discriminação – falta de informação
• Erro de operação – Não cumprir o procedimento
• Cegueira Situacional – aceitação de problemas / desvios
Quando a conclusão de uma análise é simplesmente erro humano, existe uma forte indicação
de que a análise foi incompleta. O erro humano só diz que algo não foi feito de forma
correta e que haviam pessoas envolvidas. Erro humano é uma conclusão genérica que não
possibilita nenhuma ação específica para evitar a recorrência do problema. Uma vez que a
causa específica do problema não foi encontrada, as organizações escolhem as ações
disciplinares como única alternativa e mantem, desta forma, um circulo vicioso.
A ilustração a seguir resume os pontos mais importantes sobre a determinação das raízes:
17
acidente automobilístico, seria necessário verificar o estado do motorista, as condições da
pista, avaliar as condições do veículo, entrevistar testemunhas para obter mais detalhes
como as condições meteorológicas, velocidade do veículo, etc. Descartadas as hipóteses que
não se comprovaram, restarão as reais causas do evento.
No caso de equipamentos, a elaboração deste tipo de análise poderá também servir como
ferramenta de treinamento para manutenção ou mesmo um guia para correção de problemas
(troubleshooting).
18
FRACAS
O termo FRACAS é um acrônimo para as palavras Failure Reporting Analysis and Corrective
Actions System, em português Sistema de Análise de Relatórios de Falha e Ações
Corretivas. O propósito do FRACAS é coletar dados de falha e proporcionar meios para
determinar as causas das falhas, além de documentar as ações corretivas. Este capítulo
descreve os conceitos básicos do FRACAS, como usá-lo e como garantir a implantação das
recomendações da Análise de Causa Raiz (RCA).
DESCRIÇÃO DA METODOLOGIA
É essencial que as falhas ocorridas durante a operação sejam registradas e analisadas para
assegurar a correta interpretação e verificar se a ação corretiva foi alcançada.
O FRACAS deve fornecer informação essencial sobre O QUÊ falhou, COMO falhou, POR
QUE falhou e de que maneira as falhas futuras podem ser evitadas. As fontes de dados de
falhas podem ser testes de verificação de projeto, testes de produção, testes nos
fornecedores e, principalmente, dados de campo como testes de comissionamento e
operação.
Esta metodologia normalmente é aplicada em ambiente industrial, para coletar dados, fazer
os seus registros, e analisar as falhas ocorridas, mas nada impede que seja usado em
processos administrativos, escritórios, lojas e comércio em geral. Para proporcionar as
características e benefícios desejados aos setores integrados ao programa, o FRACAS
deve ser um sistema que seja fácil de configurar, flexível e cuja implantação seja gradual.
Isso significa que todas as falhas e defeitos reportados devem ser inseridos no FRACAS
de uma maneira apropriada e controlada de forma que possam ser analisadas e as ações
corretivas possam ser identificadas, implementadas e verificadas. O conhecimento obtido
19
desse processo deve retornar ao projeto, processo, teste e manutenção de forma que a
qualidade e a confiabilidade possam ser melhoradas.
20
• Após teste e revisão dos parâmetros apropriados, determinar se a ação corretiva
proposta é efetiva.
• Após a constatação da eficácia da ação corretiva proposta, a mesma é incorporada
nos novos itens e, quando aplicável, no restante da frota já existente.
ANÁLISE DE DADOS
Uma vez que o analista tenha estabelecido a causa raiz e os fatores contribuintes, deve
desenvolver as ações corretivas de acordo com essas análises.
21
apropriada. Uma vez que a ação corretiva seja definida, o FRACAS deve alertar o técnico
responsável pela sua execução.
22
MODOS DE FALHA E ANÁLISE DE EFEITOS (FMEA)
Um FMEA completo que considera todos os modos de falha presentes produz os resultados
mais exatos, mas pode ser muito demorado para ser de uso prático no ambiente de trabalho
diário. A criação de uma lista dos modos de falha com maior frequência de ocorrência
facilita enormemente o trabalho.
Funções - definir a razão para a existência dos itens passíveis de manutenção. A maioria
dos itens têm uma ou mais funções primárias e uma ou mais funções secundárias. Funções
descrevem o que o item faz, não o que é. Demonstrações funcionais precisam ser escritas
de uma forma que torna mais fácil identificar a falha funcional.
Modos de falha - uma vez que as falhas funcionais são definidos podemos aplicar os modos
de falha muito, como mostrado nas tabelas um e dois. A coisa importante a lembrar é que o
modo de falha é uma combinação do nome de um componente, bem como um termo
descritivo para contar o que aconteceu com o componente.
23
Tipos de FMEA - geralmente é aceito que existem quatro tipos de FMEAs. As etapas e a
maneira de realização da análise são as mesmas, diferenciando-se principalmente quanto ao
objetivo. Desta maneira, temos:
FMEA de projeto: São consideradas as falhas que poderão ocorrer com o produto dentro
das especificações do projeto. O objetivo desta análise é evitar falhas no produto ou no
processo decorrentes do projeto. É comumente denominada também de FMEA de projeto
ou produto
Portanto, neste trabalho serão focados dois tipos de FMEA por serem os mais utilizados e
conhecidos: FMEA de design e FMEA de processos.
Mecanismos
Após os modos de falha estiverem sido dispostos na tabela, eles deverão ser analisados e
classificados em relação à 3 aspectos: Severidade, detectabilidade e probabilidade. Pela
multiplicação desses 3 índices, tem-se à disposição, os modos de falha ordenados de acordo
24
com a sua importância. Desta maneira, obtêm-se uma tabela que auxilia na tomada de
decisões de mudanças (relacionadas com o aumento de confiabilidade) no projeto .
A análise do FMEA pode ser um ponto inicial para vários outros tipos de análise, por
exemplo:
• Planejamento da produção
• Planejamento de testes
Informações necessárias
25
alterações em um subsistema podem vir a causar alterações no funcionamento de outro
subsistema. O fato de dois subsistemas não estarem contato direto não significa que não
possa haver interação entre eles.
Depois defina se deve analisar o sistema inteiro ou partes dele, e quais são os alvos a serem
considerados (pessoal, produto, etc..).
Severidade
Caso opte-se por usar um critério interno para os índices de severidade, deve-se anexar ao
FMEA uma referencia para as tabelas com os índices e explicações de como ela deve ser
utilizada.
26
Ocorrência
Elevada 1 em 5 8
Muito Elevada 1 em 3 9
Certa ≥ 1 em 2 10
Detecção
27
Ações recomendadas
Prioridade Alta
Prioridade Média
Prioridade Baixa
28
FTA (FAULT TREE ANALYSIS)
A técnica de árvore de falha foi introduzida em 1962 por Bell Telephone Laboratories, em
atenção a uma solicitação de avaliação de segurança do sistema de lançamento para o míssil
intercontinental Minuteman. A empresa Boeing Company melhorou a técnica e desenvolveu
programas de computador para a metodologia qualitativa e quantitativa da análise de árvore
de falhas.
Uma das vantagens da análise de árvore de falhas é que o analista tem a chance de
identificar todas as possibilidades de falha do sistema, a um nível detalhado. Todos os
pontos fracos do sistema podem ser revelados e corrigidos durante a construção de árvore
de falha.
A análise de árvore de falhas pode ser qualitativa, quantitativa ou ambos, dependendo dos
objetivos da análise. Os possíveis resultados da análise podem ser:
• Uma listagem das possíveis combinações de fatores ambientais, erros humanos,
eventos normais e falhas de componentes que podem resultar em um evento crítico
no sistema.
• A probabilidade (ou frequência) que o evento crítico ocorrerá durante um intervalo
de tempo especificado.
29
Definição do problema e as condições de contorno
Esta atividade consiste em:
• Definição do evento crítico (o acidente) para ser analisado.
• Definição das condições de contorno para a análise.
É de extrema importância que para o Evento Topo seja dada uma definição clara e
inequívoca. Se não, a análise terá muitas vezes valor limitado. Como exemplo, a descrição do
evento "Fogo na planta" é demasiado geral e vago...
O QUE - Descreve que tipo de evento crítico (acidente) está ocorrendo, por exemplo, fogo.
ONDE - Descreve onde o evento crítico ocorre, por exemplo, no reator de processo de
oxidação.
QUANDO - Descreve quando ocorre o evento crítico, por exemplo, durante a operação
normal.
Uma descrição mais precisa do Evento Topo poderia ser assim: "fogo no reator de processo
de oxidação durante operação normal". Para obter uma análise consistente, é importante
que as condições de contorno para a análise sejam definidas cuidadosamente. Por condições
de contorno, queremos dizer:
30
o evento básico representa uma falha de um equipamento básico ou falha que
não requer nenhum desenvolvimento.
A construção da árvore falha sempre começa com o Evento Topo. Temos que identificar
cuidadosamente todos os eventos de falha, os quais são as causas imediatas, necessárias e
suficientes que resultam no Evento Topo. Essas causas estão conectadas ao Evento Topo o
através de uma porta lógica.
31
mínimo, se o conjunto não pode ser reduzido sem perder seu status como um conjunto de
corte.
Um caminho definido em uma árvore de falha é um conjunto de eventos básicos cuja não
ocorrência (simultaneamente) garante que não ocorra o Evento Topo. Um conjunto de
caminho é dito ser mínimo, se o conjunto não pode ser reduzido sem perder seu status
como um conjunto de caminho.
Para árvores de falha pequenas e simples, é possível identificar o corte mínimo e caminho
por inspeção sem qualquer procedimento formal/algoritmo. Para árvores grandes ou
complexos de falha, precisamos um algoritmo eficiente. O algoritmo de MOCUS (define o
método para a obtenção de corte) é descrito em livros didáticos de FTA.
Uma avaliação qualitativa da árvore de falha se efetua com base em conjuntos de cortes
mínimos. A importância de um conjunto de corte depende obviamente do número de eventos
básicos do conjunto de corte. O número de eventos básicos diferentes em um conjunto
mínimo de corte é chamado de ordem do conjunto de corte. Um conjunto de corte de ordem
é geralmente mais crítico do que um corte definido de ordem 2, ou superior.
Quando temos um conjunto de corte com apenas um evento básico, o Evento Topo ocorrerá
tão logo este evento básico ocorre. Quando um conjunto de corte tem dois eventos básicos,
esses dois tem que ocorrer ao mesmo tempo para causar o Evento Topo.
Outro fator importante é o tipo de eventos básicos em um conjunto mínimo de corte. Nós
podemos classificar a criticidade dos vários conjuntos de acordo com a seguinte
classificação dos eventos básicos do corte:
1. Erro humano
2. A falta de equipamentos ativos
3. Falha do equipamento passivo
32
ANÁLISE QUANTITATIVA DA ÁRVORE DE FALHA
Quando dados de confiabilidade para cada um dos eventos básicos estão disponíveis, é
possível efetuar uma avaliação quantitativa da árvore de falha. Medidas de confiabilidade
de sistema podem ser de interesse.
33
6. Complementar:
X.X = 0
X+X = 1
7. Teorema de "De Morgan":
X.Y = X+Y
X+Y = X.Y
8. De uso freqüente:
X+X.Y = X+Y
X(X+Y) = X.Y
34
35
ANÁLISE TOP-DOWN
36
Um estudante resolve ir de férias durante 6 semanas e instala um sistema automático para
regar as suas plantas durante a sua ausência.
Como medida de precaução pede a um vizinho que verifique o sistema automático de regar.
Procedeu à verificação do projeto (reserva de água, altura do depósito, cálculo da
restrição, etc.) e do funcionamento do sistema de rega (verificação da temporização, etc.)
Resolveu então aplicar uma metodologia AAF para o evento “as plantas secam por falta de
água”.
SOLUÇÃO
1) ÁGUA VIZINHO
37
2) TEMPORIZADOR VIZINHO
3) TUBULAÇÃO VIZINHO
4) VÁLVULA VIZINHO
38
NOÇÕES DE PROBABILIDADE
39
Introdução
É conveniente dispormos de uma medida que exprima a incerteza em afirmações tais como
“É possível que chova amanhã” ou “Não há chance de vitória”, em termos de uma escala
numérica que varie do impossível ao certo.
Fenômeno Aleatório
Os fenômenos podem ser classificados, quanto aos seus possíveis resultados, de dois tipos:
Espaço Amostral
40
Exemplos:
Ω = {Cara, Coroa}
2. Selecionar uma peça para inspeção
Ω = {1, 2 , 3 , 4 , 5 , 6 }
(n1 ) × (n2 ) × L × (n k ) .
O experimento de jogar duas moedas pode ser imaginado com um experimento de duas
etapas no qual a etapa 1 consiste em lançar a primeira moeda, e a etapa 2, em lançar a
segunda moeda.
41
• Combinações
Conta o número de resultados experimentais quando o experimento envolve escolher n
objetos (geralmente maior) de N objetos.
N N!
CnN = =
n n!( N − n)!
em que
N != N × ( N − 1) × ( N − 2) × L × 2 × 1
n != n × (n − 1) × (n − 2) × L × 2 × 1
e, por definição,
0!= 1
N=5en=2
42
5 5! 5 × 4 × 3 × 2 × 1 120
C25 = = = = = 10
2 2 ! (5 − 2)! 2 × 1 × 3 × 2 × 1 12
• Permutações
Permite calcular o número de resultados do experimento quando n objetos são escolhidos
de um conjunto de N objetos em que a ordem de escolha é importante.
PNN = N !
Exemplo: Considerem um procedimento de controle da qualidade em que um inspetor
seleciona aleatoriamente cinco das cinco peças para testar se há defeitos. Quantas
permutações podem ser escolhidas?
5! 5 × 4 × 3 × 2 × 1 120
P25 = = = = 20
(5 − 2)! 3 × 2 ×1 6
experimental e que
P( Ei ) é a sua probabilidade, então esse requisito pode ser
escrito na seguinte forma:
0 ≤ P ( Ei ) ≤ 1 para todo i
2. A soma das probabilidades de todos os resultados experimentais deve ser igual a
1,0. Para n resultados experimentais, esse requisito pode ser escrito na seguinte
forma:
P ( E1 ) + P ( E 2 ) + K + P ( E n ) = 1
Exemplo: Lançamento de um dado.
Espaço amostral:
Ω = {1, 2, 3, 4, 5, 6}
43
A : sair face par A={2, 4, 6} ⊂Ω
B : Sair face maior que 3 B={4, 5, 6} ⊂ Ω
Interseção:
Notação:
A∩ B
União
44
Complementar
A ∩ A = O/ e A∪ A = Ω
Probabilidade de um Evento
É uma função que atribui um número aos eventos que pertence ao espaço amostral (se A é
um evento de Ω , P(A) é a probabilidade de A), que satisfaz as seguintes condições:
1.
0 ≤ P ( A) ≤ 1, ∀ A ⊂ Ω ;
2.
P(Ω) = 1 ;
3. Se A e B são eventos mutuamente excludentes, então
P( A ∪ B) = P( A) + P( B) .
Teoremas Fundamentais
1.
P (O/ ) = 0 ;
2.
P ( A ) = 1 − P ( A) ;
3. Se A ⊂ B , P( A) ≤ P( B ) ;
4. Regra da soma: Se A e B são eventos quaisquer de Ω , então:
P( A ∪ B) = P( A) + P( B) − P( A ∩ B) .
45
Probabilidade Condicional
P( A ∩ B)
P( A | B) =
P( B)
desde que P( B) > 0 .
P( A ∩ B) = P( B) P( A | B)
Analogamente, se
P( A) > 0 ,
P( A ∩ B) = P( A) P( B | A)
46
ANÁLISE
ESTATÍSTICA DE
DADOS DE FALHA
ESTIMATIVA DOS
PARÂMETROS
47
O tratamento estatístico dos tempos de falha de equipamentos tem as seguintes
aplicações:
1. Identificação da distribuição probabilística;
2. Determinação da probabilidade de falha/confiabilidade em função do tempo;
3. Definição da melhor política de manutenção e de seus recursos;
4. Modelagem matemática de confiabilidade/disponibilidade de um sistema.
Por exemplo, sabemos que uma população tem uma distribuição de probabilidades normal,
mas desconhecemos a média e o desvio padrão da população.
Numa outra amostra podemos supor que se trata de uma distribuição exponencial, mas não
sabemos o parâmetro que caracteriza a distribuição de probabilidade desta população.
48
O método de máxima verossimilhança trata o problema de estimação da seguinte forma:
baseado nos resultados obtidos pela amostra devemos determinar qual a distribuição,
dentre todas aquelas definidas pelos possíveis valores de seus parâmetros, com maior
possibilidade de ter gerado tal amostra.
As observações podem então ser divididas em dois conjuntos, as r primeiras são as não-
censuradas (1, 2, ..., r), e as n - r seguintes são as censuradas (r + 1, r + 2, ..., n). Com isso, a
função de verossimilhança assume a seguinte forma
49
A expressão acima para a verossimilhança é válida para os mecanismos de censura do tipo I
e II sob a suposição de que o mecanismo de censura é não informativo, ou seja, não carrega
informações sobre os parâmetros, a mesma vale também para o mecanismo do tipo
aleatório. Essa suposição é razoável em estudos de durabilidade e é sempre conveniente
trabalhar com o logaritmo da função de verossimilhança. Os estimadores de máxima
verossimilhança são os valores θ que maximizam L(θ) ou equivalente log(L(θ)). Eles são
encontrados resolvendo o sistema de equações
Distribuição Exponencial
O termo é denominado "tempo total sob teste". Observe que se todas as observações
50
Distribuição de Weibull
51
em que
Partindo de um valor inicial o método atualiza esse valor a cada passo, convergindo
para a solução desejada. Em geral, obtemos convergência em poucos passos com um erro
relativo, em média, menor que 0,001 entre dois passos consecutivos. Observe que a matriz
de derivadas F para o modelo Exponencial se reduz a um único número, dado por
Já para o modelo de Weibull F(β,η) é uma matriz simétrica 2x2 com os seguintes elementos
52
A escolha do modelo a ser utilizado é um tópico extremamente importante na análise
paramétrica de dados de confiabilidade.
Por fim, se nenhum modelo paramétrico for adequado, necessita-se de uma análise por meio
de técnicas não-paramétricas, como o estimador de Kaplan-Meier já discutido
anteriormente. No entanto, se a distribuição de probabilidade for bem especificada, as
técnicas paramétricas serão mais eficientes do que as técnicas não paramétricas.
Outro meio de se obter os parâmetros de uma distribuição é pelo Método dos Mínimos
Quadrados.
O diagrama de dispersão nos permite que visualizar a relação entre duas variáveis X e Y. Ao
representar o diagrama de dispersão nós podemos encontrar as seguintes situações:
1. Distribuições estatísticas na qual a dispersão dos pontos é tal que existe uma
função matemática cujos pontos experimentais sejam uma parte de sua
representação gráfica.
53
2. Os dados experimentais podem não coincidir exatamente com os aqueles de um
gráfico de uma função matemática com maior ou menor intensidade.
3. Os dados experimentais plotados num gráfico X/Y apresentam-se de modo que a
não existe uma correlação entre eles.
No primeiro caso que se diz que existe uma dependência funcional ou exata entre variáveis
X e Y, isto é, existe uma função matemática tal que Y= f (X). No segundo caso se diz que
existe uma dependência estatística ou aproximada entre as duas variáveis, ou seja, Y ≈
f(X). E no último caso nós diríamos que as variáveis são independentes.
As técnicas de regressão tem por objetivo modelar, ou encontrar uma função matemática
que aproxime ao máximo a dependência estatística entre as variáveis e prever os valores
entre elas, Y (variável dependente ou explicada) a partir da outra (ou outras) X variável
independente ou explicativa).
Chama-se regressão de Y sobre X a função que explica a variável Y (dependente) para cada
valor de X (independente).
Y ≈ f(X)
Chama-se regressão de X sobre Y a função que explica a variável Y (dependente) para cada
valor de X (independente).
X ≈ f(Y)
Quando se tem mais do que duas variáveis independentes, a regressão será dita múltipla.
O procedimento será:
1. Selecionar uma função ou curva que cremos seja a melhor que relaciona as duas
variáveis. Isto pode ser feito observando-se os pontos no gráfico.
2. Obter a equação da curva que melhor se adapte ao conjunto de pontos dados. O
objetivo de se obter esta equação será a de prever valores de Y para um dado valor
de X.
3. Obter uma medida de desta associação ou correlação. Isto nos dará a
confiabilidade das previsões feitas a partir da equação obtida.
54
Podemos utilizar diversos métodos para realizar o processo de regressão, a seguir estão
listados os mais usados:
Dados os pontos (x1,y1), (x2,y2),...,(xn,yn), suponhamos que tenhamos selecionado uma função
y = f(x|a1,...,ar) e que queremos ajustar a esse conjunto de pontos uma função. Para cada
valor de X, (xi) temos dois valores de Y:
Como se pode observar, para cada xi temos una diferença entre os dos valores de Y, que
chamaremos resíduo: ei = yi - yi*.
∑ (y ) ∑ (y )
− f( x i a 1,...,a r )
n n n
Ψ= ∑e 2
i = i − y * 2
i = i
i= 1 i= 1 i= 1
A condição necessária para obter o mínimo é que as primeiras derivadas parciais com
respeito a cada um dos parâmetros se anulem:
∂Ψ
= 0
∂a 1
∂Ψ
= 0
∂a 2
.
.
.
∂Ψ
= 0
∂a r
55
Resolvendo este sistema de equações ficam determinados (a1,...,ar), assim como a
correspondente função.
No modelo de regressão linear simples a função selecionada para aproximar a relação entre
as variáveis é uma reta, ou seja, y=a+bx, onde a,b são os parâmetros.
Vamos deduzir sua equação usando o método dos mínimos quadrados. Dado um valor de X,
xi, temos os dos valores de Y, o valor observado yi , e o teórico, yi* = a + bxi. Desta forma,
temos que minimizar:
∑ ( y − (a + bx ))
n n
∑ (y − a − bx i )
2
Ψ = i i
2
= i
i =1 i =1
∂Ψ
= − 2∑ ( y i − a − bx i ) = 0
∂a i
∂Ψ
= − 2∑ ( y i − a − bx i )x i = 0
∂b i
Resolvendo o sistema:
y = a + bx
56
CONFIABILIDADE DE
SISTEMA
57
A maior parte das empresas enfrenta ou enfrentará problemas com a
confiabilidade de seus equipamentos, frequentemente causados por um ou
mais dos seguintes motivos: um modo de falha não previsto, condições
operacionais piores do que as previstas, mudanças inesperadas na qualidade
da matéria-prima ou alterações de projeto mal validadas. A adequada
monitoração das falhas em garantia pode identificar estes problemas
antecipadamente, permitindo a redução dos custos tangíveis e intangíveis da
baixa confiabilidade.
58
relacionadas com termos como probabilidade e o tempo, que são as
principais características para a análise da confiabilidade são:
1. Função da confiabilidade R(t);
2. Função Probabilidade de falha F(t);
3. Função densidade probabilidade de falha f(t);
4. Função taxa de falha λ (t).
59
Confiabilidade em função do tempo
60
Função de risco em função do tempo
Exercícios
61
3. A função de densidade de probabilidade do tempo de falha para um
dado componente é
62
SISTEMAS REPARÁVEIS E NÃO REPARÁVEIS
63
Na análise da confiabilidade de um sistema, portanto, torna-se necessária a
avaliação não só das relações entre componentes mas também das
confiabilidades dos mesmos a fim de podermos determinar a confiabilidade
do sistema como um todo.
64
Por exemplo, considere um sistema com n componentes distintos:
a. Cada um dos n componentes é ilustrado por um bloco como mostrado a
seguir;
b. Quando existe uma conexão entre os pontos a e b, podemos dizer que
o componente i está funcionando, ou seja, que o modo de falha
representado não ocorre.
65
Quando se tem uma conexão estabelecida entre os pontos a e b como na
figura acima, pode se dizer que a função do sistema representada pelo
diagrama de blocos é realizada. Isto significa que um ou mais modos de
falha não ocorrem.
SISTEMA EM SÉRIE
66
Por exemplo, considere apenas dois componentes em série com
confiabilidades R1(t), R2(t). Sejam:
E1 de que o componente 1 não falha 1
E2 Evento de que o componente 2 não falha 2
Como a probabilidade de que um componente opere (não falhe) durante um
período de tempo t é a sua confiabilidade, então temos que P(E1) = R1(t)
e P(E2) = R2(t)
Agora, para um sistema em série, a confiabilidade para uma missão t, Rs(t) ,
é a probabilidade de que todos os componentes simultaneamente operem
satisfatoriamente durante a missão t:
E2)
Rs(t) = P(E1 ∩
assumindo que os componentes são independentes (a falha ou não falha de
um deles não altera a confiabilidade do outro), então a confiabilidade do
sistema é simplesmente o produto das probabilidades individuais de
completar a missão:
67
A confiabilidade de um sistema em série nunca é maior do que a menor
confiabilidade de seus componentes constituintes. Assim, é importante que
todos os componentes tenham confiabilidade elevadas particularmente para
sistemas contendo um grande número de componentes. Veja a tabela a
seguir:
68
λ1 = 1.10-4 falhas/ano
λ2 = 2.10-4 falhas/ano
λ3 = 3.10-4 falhas/ano
λ4 = 4.10-4 falhas/ano
SOLUÇÃO
SISTEMA EM PARALELO
69
A confiabilidade do sistema formado por n componentes independentes e
em paralelo corresponde a 1 menos a probabilidade de que todos os
componentes falhem, ou seja, é igual a probabilidade de que pelo menos um
componente funcione. Para apenas dois componentes:
o qual resulta em
Rs(t) = 1-[1-R1(t)][1-R2(t)]
Generalizando, temos que:
70
λ3 = 3.10-4 falhas/ano
λ4 = 4.10-4 falhas/ano
SOLUÇÃO
Rs(t) = 1 – 0,0488.0,0952.0,1393.0,1813
Sistemas em Série-Paralelo:
71
A confiabilidade de um sistema em série-paralelo é determinada a partir
das confiabilidades dos seus subsistemas a depender se o mesmo está em
série o paralelo:
1. Identifique e categorize os subsistemas série ou paralelo
2. Determine a confiabilidade de cada subsistema em série
3. Determine a confiabilidade de cada subsistema em paralelo
4. Utilize cada subsistema em série e/ou paralelo como um novo bloco
fazendo parte de um novo sistema em um nível mais elevado de
detalhamento
5. Repita os passos anteriores até completar a análise
e paralelo
• No caso acima, tem-se que o subsistema A é formado pelos
72
• Subsistema B formado pelo subsistema A em série com o componente
3, assim;
RB(t) = RA(t).R3(t)
RC(t) = R4(t).R5(t)
RS(t) = 1-[1-RB(t)].[1-RC(t)].R6(t)
Dado que
R1 = R2 = 0,90
R3 = R6 = 0,98 e
R4 = R5 = 0,99, então
RB = [1-0,102].0,98 = 0,9702
Rc = 0,992 = 0,9801 e
Rs = [1-(1-0,9702)(1-0,9801)].0,98 = 0,9794 = 97,94%
Exercício
Seja o sistema de transferência de petróleo do terminal de São Francisco
do Sul (SC) para a refinaria Presidente Getúlio Vargas (PR). Supondo que o
73
sistema opere com as 6 bombas simultaneamente, determine a
confiabilidade para 1 ano de operação.
74
FONTES DE DADOS PARA ESTUDOS DE CONFIABILIDADE
75
incompletos de falhas devem ser incorporados ao estudo para evitar
estimativas excessivamente otimistas da confiabilidade.
76
conhecido, tem-se uma censura à esquerda. Na censura por intervalo, um
conjunto de equipamentos em teste é monitorado a intervalos regulares e,
quando uma falha é encontrada, sabe-se que a mesma ocorreu dentro do
intervalo, mas não seu momento exato. Se em um mesmo experimento de
análise de vida existe mais de um ponto de censura, esta é dita censura
múltipla.Um caso típico de censura múltipla ocorre na análise de múltiplos
grupos de equipamentos com entrada em operação escalonada. Neste tipo de
análise, a idade dos equipamentos, as probabilidades de falha e o número de
unidades em risco de falha variam de grupo para grupo, dificultando a
análise. A análise de dados de vida pode ser realizada tanto para dados
completos quanto para dados censurados, utilizando as técnicas adequadas
para cada caso.
77
POLÍTICAS BÁSICAS DE MANUTENÇÃO
Manutenção Corretiva
Embora possa parecer ausência de uma política de manutenção, a
manutenção corretiva é uma alternativa que, aparentemente, coloca-se no
extremo esquerdo inferior do gráfico da figura 2, apresentado no item
anterior. O problema dessa política não está em fazer intervenções
corretivas, mas em que sua aplicação isolada requer enormes estoques de
peças para suportar as sucessivas quebras, tornando o trabalho imprevisível
e, portanto, sem um plano capaz de equacionar os custos. Entretanto,
levando-se em consideração a importância do equipamento no processo, o
seu custo e as consequências da falha, pode-se chegar à conclusão de que
qualquer outra opção que não a corretiva pode significar custos excessivos.
Manutenção Preventiva
O termo manutenção preventiva é muito abrangente e deve significar um
conjunto de ações que visam prevenir a quebra. A manutenção preventiva
está baseada em intervenções periódicas geralmente programadas segundo
a frequência definida pelos fabricantes dos equipamentos. Essa política, em
muitos casos, leva a desperdícios, pois não considera a condição real do
equipamento.
78
O simples fato de a manutenção preventiva reduzir o risco de paradas não
programadas devido a falhas no equipamento já a coloca como uma opção
melhor do que a manutenção corretiva em máquinas ligadas diretamente ao
processo. É importante ressaltar que ela possui alguns pontos a serem
considerados.
Manutenção Preditiva
A manutenção preditiva caracteriza-se pela medição e análise de variáveis
da máquina que possam prognosticar uma eventual falha. Com isso, a equipe
de manutenção pode se programar para a intervenção e aquisição de peças
79
(custo da manutenção), reduzindo gastos com estoque e evitando paradas
desnecessárias da linha de produção (custo da indisponibilidade).
Uma análise mais profunda mostra que o custo pode variar muito, em função
das ferramentas e dos métodos aplicados nas manutenções corretivas e
preditivas. Ferramentas de gestão simples e baratas podem propiciar o
emprego desses tipos de manutenção, como será discutido adiante.
80
Esta avaliação também deve considerar o aspecto de custo envolvido,
quando reparar corretivamente pode ser mais econômico que intervenções
do tipo preventivas.
81
confiabilidade e custos operacionais quer seja considerando os aspectos de
meio ambiente.
82
e dependerem da concepção de seu projeto, eles são afetados por outros
fatores, como treinamento dos mantenedores, disponibilidade de peças,
limpeza e condição geral do equipamento.
O que foi exposto até agora mostra alguns pontos em que a falta de uma
política de manutenção gera custos. Os custos gerados pela função
manutenção são apenas a ponta de um iceberg. Essa ponta visível
corresponde aos custos com mão-de-obra, ferramentas e instrumentos,
material aplicado nos reparos, custo com subcontratação e outros
referentes à instalação ocupada pela equipe de manutenção. Abaixo dessa
parte visível do iceberg, estão os maiores custos, invisíveis, que são os
decorrentes da indisponibilidade do equipamento.
83
forma preventiva, em vez de situações de descontrole do processo
produtivo pela falta de manutenção.
84
FIGURA 2- Custos da Manutenção
85
ser diferenciada para cada um deles, na busca do ponto ótimo entre
disponibilidade e custo.
Exemplo 1:
Seja uma bomba com os seguintes dados de tempos de falha. Determinar o
tempo ótimo para uma intervenção preventiva sabendo que o custo de uma
falha é igual a $20.000,00 e de uma manutenção preventiva é de $1.000,00
e que os dados seguem uma distribuição de probabilidade de Weibull com 3
parâmetros.
86
Tempo até Falhar Frequência
(horas) Observada
1000 - 1100 2
1100 - 1200 6
1200 - 1300 16
1300 - 1400 14
1400 - 1500 26
1500 - 1600 22
1600 - 1700 7
1700 - 1800 6
1800 - 1900 1
SOLUÇÃO
87
Do gráfico de regressão acima obtemos os parâmetros da distribuição
triparamétrica de Weibull:
β = 3,5831
η = e-(-22,887/3,5831) = 594,36 horas
T0 = 900 horas
88
Exemplo 2:
Seja um dispositivo que possui os seguintes dados de falha que segue a
distribuição de Weibull para probabilidade de falha. Determinar:
1. Os parâmetros da distribuição;
2. A probabilidade de falha para 50 dias de operação;
3. A confiabilidade para 60 dias de operação;
4. MTTF;
5. O período ótimo para se efetuar a manutenção preventiva se o custo
com intervenções corretivas é de $600,00 e o custa das intervenções
preventivas é de $250,00.
SOLUÇÃO
Tempos de Falha Frequência Frequência Frequência
(dias) Observada Relativa Acumulada
10 - 20 3 0,06 0,06
20 - 30 5 0,10 0,16
30 - 40 6 0,12 0,28
40 - 50 7 0,14 0,42
50 - 60 9 0,18 0,60
60 - 70 8 0,16 0,76
70 - 80 6 0,12 0,88
80 - 90 4 0,08 0,96
90 - 100 2 0,04 1,00
89
T F 1-F 1/(1-F) ln 1/(1-F) ln ln 1/(1-F) ln (T - T0)
20 0,06 0,94 1,0638 0,0619 -2,7826 2,8332
30 0,16 0,84 1,1905 0,1744 -1,7467 3,2958
40 0,28 0,72 1,3889 0,3285 -1,1132 3,6109
50 0,42 0,58 1,7241 0,5447 -0,6075 3,8501
60 0,60 0,40 2,5000 0,9163 -0,0874 4,0431
70 0,76 0,24 4,1667 1,4271 0,3557 4,2047
80 0,88 0,12 8,3333 2,1203 0,7515 4,3438
90 0,96 0,04 25,0000 3,2189 1,1690 4,4659
100 1,00 0,00 #DIV/0! #DIV/0! #DIV/0! 4,5747
β = 2,3775
η = e-(-9,6156/2,3775) = 57,08 dias
T0 = 3 dias
90
91
NOÇÕES DE PROCESSOS ESTOCÁSTICOS E CADEIAS DE MARKOV
PROCESSO ESTOCÁSTICO
Definição: Processo Estocástico é uma coleção de variáveis aleatórias
indexadas por um parâmetro t ∈ R (entendido como tempo).
enumerável ou finito.
• Estado contínuo (seqüência) - X(t) caso contrário
2. Em relação ao tempo:
• Tempo discreto – se t é finito ou enumerável.
Exemplos 1:
1) Número de usuários em uma fila de banco em um determinado
instante: Espaço discreto e tempo contínuo.
2) Índice pluviométrico em cada dia do mês – estado contínuo e tempo
discreto.
3) Número de dias que choveram em cada mês do ano – estado discreto
e tempo discreto.
92
Processos Estocásticos Estacionários – mantém seu comportamento
dinâmico invariante no tempo.
93
Logo, a transição destes indivíduos entre as classes constitui uma Cadeia de
Markov.
DIAGRAMA DE TRANSIÇÃO
O diagrama de transição é uma representação gráfica de uma Cadeia de
Markov. Neste diagrama são visualizados os estados (representado por
círculos), as transições (representadas por arcos) e as probabilidades das
transições. Generalizando, se pode representar os estados e as
probabilidades de transição, respectivamente, por Ei e pij, onde i e j são um
índices que identificam os vários estados possíveis (logo pij é a probabilidade
de haver uma transição do estado Ei para o estado Ej). A partir desta
generalização, pode-se desenhar um diagrama, conforme a Figura 1:
94
VETOR DE PROBABILIDADE
O vetor de probabilidade contém as probabilidades de transição de um
estado para outros estados em um intervalo de tempo discreto. A
generalização do vetor de probabilidade é dada por:
Vi=[ pi j pi k pi l ]
Onde:
• pij indica a probabilidade de haver transição do estado Ei para o
estado Ej,
• pik indica a probabilidade de haver transição do estado Ei para o
estado Ek,
• pil indica a probabilidade de haver transição do estado Ei para o
estado El.
95
FIGURA 2 – Diagrama de Transição parcial das classes sócio econômicas
96
MATRIZ DE TRANSIÇÃO
Para cada estado deve haver um vetor de probabilidade. À união de todos os
vetores de probabilidade em uma matriz dá-se o nome de matriz de
transição. Esta matriz sempre será quadrada ou seja, o número de linhas e
colunas será sempre equivalente. A seguir é exibido um modelo genérico
desta matriz:
Nesta matriz, o elemento p23, que equivale a 0,5, indica a probabilidade 0,5
de haver transição do estado EB para o estado EC. Outra interpretação
possível é transformar estas probabilidades em percentagens e considerá-
las como taxas de transição da população em estudo.
Por exemplo, p23 = 0,5 = 50%, indica que, em um dado momento, 50% da
população no estado EB pode passar para o estado EC.
97
DETERMINAÇÃO DE PROBABILIDADES FUTURAS
Onde:
1) V é um vetor de probabilidade;
2) t é o período para o qual se quer obter a probabilidade;
3) i é índice do estado a partir do qual se quer fazer a previsão;
4) M é a matriz de probabilidade.
O vetor VB3 = [0,084 0,196 0,72] indica que um indivíduo na classe B tem
uma probabilidade de 0,084 de estar na classe A após três anos. Assim
98
como tem a probabilidade de 0,196 de continuar na classe B, e uma
probabilidade de 0,72 de estar na classe C.
EXERCÍCIOS
99
• Um consumidor da marca G deste produto, a cada compra, tem
100
a) Represente o diagrama de transição.
b) Monte a matriz de transição.
c) Em 3 meses, qual a probabilidade de uma máquina continuar
funcionando sem problemas?
d) Qual a probabilidade de uma máquina permanecer 2 meses em
manutenção?
e) A longo prazo, qual a probabilidade de uma máquina apresentar
defeito?
f) Para garantir uma probabilidade de pelo menos 0,73 de uma máquina
continuar em operação, de quanto em quanto tempo deve-se realizar
uma manutenção preditiva?
4. Num povoado 90% dos dias ensolarados seguem dias com sol, e 80%
dos dias nublados seguem-se dias nublados. Com esta informação
modelar o clima deste povoado como uma cadeia de Markov.
101
102