Ferramentas Estruturadas para A Analise

FERRAMENTAS
ESTRUTURADAS PARA A
ANÁLISE DE FALHAS
JOSE MARIA ALZUGARAY POMAROLLI

INTRODUÇÃO
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.
O processo de análise de falha é vital no dia-a-dia de qualquer organização, pois através

dela é possível conhecer as causas raízes das falhas e defeitos, trabalhar para a condição
de falha zero e fornecer maior disponibilidade e confiabilidade, quer seja dos ativos ou dos
processos.
As técnicas de análise das falhas, basicamente, identificam a causa do problema e sugerem

uma ação de bloqueio para solucionar os problemas que influenciam negativamente na
confiabilidade de ativos e instalações.
A equipe ao se envolver em atividades de levantamento e estudo de casos de falhas, irá

absorver estes novos conceitos e aplicar intuitivamente a cada falha observada. Ao realizar
a análise de falhas com um grupo multidisciplinar, há uma mudança nos conceitos.
A metodologia de análise de falha auxilia na motivação do pessoal, através do envolvimento

na solução dos problemas, permitindo um autodesenvolvimento de cada colaborador. Toda
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.
Por Que Devemos Identificar e Erradicar as Falhas Funcionais?

• Porque cada problema identificado representa uma oportunidade de melhoria;
• Porque à medida que identificamos e erradicamos problemas, nós estabelecemos
novos padrões de qualidade para os nossos produtos, serviços e processos;
• Porque cada problema erradicado representa uma melhoria no setor e na empresa;
• Porque à medida que identificamos e erradicamos problemas, nós exercemos o
controle do nosso processo.
Podemos utilizar várias ferramentas para que possamos tratar as informações já

conhecidas, conforme listadas abaixo:
• Diagrama de Pareto;
• FMEA;
• FTA;
• Metodologia 5W2H (Why, Where, Who, When, What, How, How Much);
• Ishikawa;
• Diagrama de Causa e Efeito;
• Diagrama dos Porquês;
• Brainstorming (tempestade de ideias).
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.
MODELO, MODELAGEM E MODELAÇÃO MATEMÁTICA
A modelagem matemática é a arte de transformar situações do meio circundante em

modelos matemáticos. Nesse contexto, este capítulo tem o objetivo de apresentar
brevemente uma exposição sobre modelagem matemática aplicada à confiabilidade.
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.
Mas, bem antes da apropriação do termo, nota-se a presença de modelos matemáticos

muito antes dos trabalhos desenvolvidos por Rimann e Lobachewski, trabalhos que
envolviam funções, conjuntos, números naturais, dentre outros.
Um modelo é uma representação dentro de um (como por exemplo, aumento da precisão

exigida ou a consideração de novas necessidades), pode levar à mudança do modelo.
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.
Os modelos matemáticos podem ser reformulados por meio de expressões numéricas ou

fórmulas, diagramas, gráficos ou representações geométricas, equações algébricas,
tabelas, e outros.
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:
• Obter respostas sobre o que acontecerá no mundo físico;
• Influenciar as experimentações ou observações posteriores;
• Promover o progresso e a compreensão conceituais.
A determinação do tipo de modelo a ser utilizado depende da situação analisada, das

variáveis selecionadas e dos recursos disponíveis. Para se chegar ao modelo matemático é
preciso antes passar pela modelagem matemática.
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?
Podemos agrupar e identificar esses procedimentos em três etapas caracterizadas da

seguinte maneira:
1. A primeira etapa, que consiste na interação com o assunto é composta pelo

reconhecimento da situação problema, familiarização com o assunto a ser modelado;
2. Na segunda etapa denominada matematização tem-se primeiro a formulação do

problema – hipótese e em seguida a resolução do problema em termos do modelo,
etapa que consiste em formular e validar as hipóteses e considera-se necessário
classificar as informações, decidir quais os fatores a serem perseguidos,
identificar constantes envolvidas, generalizar e selecionar variáveis relevantes,
selecionar símbolos apropriados para as variáveis e descrever estas relações em
termos matemáticos;
3. Na terceira etapa o modelo matemático surge e ocorre a interpretação da solução

do problema, isto é, a validação.
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.
Figura 1 – Relação entre modelagem matemática, modelo matemático e solução.
Na modelação matemática o mais importante não é a obtenção do modelo, mas o caminho a

ser seguido, de onde vão originando os conteúdos matemáticos. A construção de um modelo
somente é possível após a escolha de um problema, que será analisado a fim de que se
perceba as suas causas e principais fatos que podem desencadear suas possíveis variações.
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
O processo de modelagem envolve a observação do sistema real, a definição do problema a

ser modelado (deve-se fazer a coleta de dados de maneira precisa), a definição do objetivo
a ser otimizado e como as restrições interagem com este objetivo.
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:
SIMULAÇÃO DE MONTE CARLO
A falha do componente estrutural ocorre quando a resistência mecânica tem

magnitude inferior à magnitude dos efeitos gerados pelo carregamento externo, ou
seja, enquanto a carga C excede a resistência R.
Para a avaliação da probabilidade de falha é necessário que todos os parâmetros

incertos referentes ao estado limite (Z = R – C) em consideração sejam representados
por variáveis aleatórias e suas correspondentes distribuições, estas variáveis
aleatórias podem ser caracterizadas por suas funções de densidade de probabilidade,
representadas pelos símbolos fR(t) e fC(t), respectivamente para a resistência
mecânica e para a solicitação externa, a estas variáveis estão associados valores
médios µR e µS, e desvios padrões, σR e σS.
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.
A simulação de Monte Carlo envolve a repetição de um processo de simulação usando

grupo de valores particulares de variáveis aleatórias geradas de acordo com a
correspondente pdf. Através deste processo de repetição, uma amostra de solução
para cada correspondente grupo de variáveis randômicas é obtida, similarmente a uma
amostra de observação experimental.
A simulação de N realizações consiste em gerar um número aleatório entre 0 e 1 e

transformá-lo em uma realização da variável aleatória. A realização da variável
aleatória é obtida a partir da função cumulativa de probabilidades da própria variável.
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.
Antes de prosseguir, para melhor compreensão e nivelamento de conceitos, é conveniente

rever algumas definições importantes que são utilizadas na Análise de Causa Raiz.
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.
Causa Raiz: A causa que, se corrigida, preveniria a recorrência desta ou de ocorrências

similares. A causa raiz não se aplica apenas a ocorrência em análise, mas tem implicações
genéricas a um grupo amplo de possíveis ocorrências, e este é o fundamental aspecto de
que a causa deva ser identificada e corrigida. Poderão ser identificadas uma série de
causas que podem estar interligadas entre si. Esta série deve ser pesquisada até que a(s)
causa(s) fundamental (is) seja(m) identificada(s) e corrigida(s). Deve-se ressaltar que não
existe uma única definição de consenso de Análise de Causa Raiz no âmbito industrial; as
sociedades técnicas, corporações e empresas possuem suas próprias definições e é raro
encontrar duas definições iguais.
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
Passo 1: Definir o problema

Menciona-se que Albert Einstein disse que, se tivesse apenas uma hora para salvar o mundo,
ele gastaria 55 minutos para definir o problema e 5 minutos para resolvê-lo. Esta citação
ilustra o quanto é importante a definição do problema na busca de sua solução.
Primeiramente, é importante entender que qualquer problema ou evento indesejado pode
ser definido como a diferença entre a situação atual e a meta.
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?
Passo 2: Análise de Falhas (caso necessário)

A Análise de Falhas é uma inspeção detalhada dos componentes danificados para
determinar qual foi o mecanismo, ou modo de falha responsável pela falha. A informação de
“como” o componente falhou é um importante dado para a determinação da causa raiz no
processo de RCA.
Existem cinco formas ou mecanismos que levam um componente a falhar:

1 Sobrecarga: A aplicação de uma única carga (mecânica ou elétrica) leva o componente a
deformar ou fraturar à medida que a carga é aplicada.
2 Fadiga: Cargas flutuantes durante um período de tempo relativamente longo provoca este
tipo de falha e, na maioria das vezes, deixa pistas.
3 Falhas influenciadas por corrosão: A corrosão reduz substancialmente a resistência dos
metais de tal forma que o mesmo resiste a outros mecanismos de falha.
4 Corrosão: A falha resulta da ação elétrica ou biológica da corrosão, causando a perda de
material.
5 Desgaste: Diversos mecanismos resultam na perda de material por remoção mecânica.
Passo 3: Identificar as possíveis causas

Uma das metodologias empregadas para a identificação das possíveis causas do problema é
a Árvore de Causas, que pode ser considerada uma simplificação do método conhecido como
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.
Em resumo, a elaboração da Árvore de Causas consiste em determinar o chamado Evento

Principal que é o problema ou evento indesejado que está sob análise. Este bloco é
extremamente importante, pois ele determinará o restante da sequência da análise.
Quando analisamos um equipamento, este evento é tipicamente a perda de função do
mesmo.
Na sequência, se determinam quais fatores imediatos podem contribuir para a ocorrência

do Evento Principal e as possíveis interrelações entre os mesmos. A relação entre o Evento
Principal e seus fatores imediatos é a relação causa/efeito. Para exemplificar a elaboração
da Árvore de Causas, veremos a análise de um acidente automobilístico:
O evento principal é o acidente em si e no segundo nível, são relacionadas as possíveis

causas imediatas do mesmo. A partir daí, para cada uma das causas imediatas, devem ser
relacionadas sua possíveis causas, ou seja cada causa imediata passa a ser um efeito. E o
diagrama vai sendo expandido a tantos níveis quantos forem necessários, conforme
ilustração abaixo.
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.
As organizações que costumam culpar os funcionários pelos problemas causados pelos

mesmos, aparentemente, parecem acreditar que agindo desta forma, estão dando um
exemplo para todos e os demais funcionários serão desencorajados de cometer os mesmos
erros.
A ilustração a seguir resume os pontos mais importantes sobre a determinação das raízes:
Passo 4: Verificar a(s) real(is) causa(s)

Neste passo avalia-se cada uma das possíveis causas e busca-se a comprovação das mesmas
através dos dados levantados, conforme mencionado no passo anterior. No exemplo do
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).
Passo 5: Propor solução para o problema

Nesta etapa do processo identificam-se possíveis soluções para cada causa individual
encontrada na análise mencionada anteriormente. É importante verificar se cada uma das
soluções além de prevenir a recorrência do problema não cria novos problemas. Deverão ser
avaliada a facilidade de implantação da solução e o investimento necessário (análise de
custo/benefício).
Passos 6 e 7: Implantação da solução e acompanhamento dos resultados

Todo o processo desenvolvido até este ponto será totalmente inútil se a implementação da
solução não se efetivar. Sugere-se que:
• Seja elaborado plano completo com todas as ações previstas;
• Este plano deve definir prazos, recursos e responsáveis para todas as ações;
• As tarefas maiores deverão ser divididas em menores ações;
• Não se deve planejar muitas ações simultaneamente ou para um único responsável;
• Uma ação devidamente implantada é mais valiosa que dez ações previstas no plano.
• Deve-se verificar onde mais a falha identificada (ou problema) poderia ocorrer e a
possibilidade de estender a solução encontrada.
O processo de análise da causa raiz objetiva a eliminação completa do problema evitando

sua reincidência. A reincidência, em qualquer tempo, demonstra que o processo foi ineficaz
por uma das possíveis causas:
• Erros na determinação da causa raiz;
• Erros na determinação das ações para a eliminação da causa raiz;
• Erros na determinação dos parâmetros para monitoramento dos resultados.
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
A metodologia FRACAS é a espinha dorsal de um esforço de melhoria de desempenho dos

ativos de qualquer empresa. O FRACAS fornece os elementos necessários para fechar o
ciclo de Análise de Causa Raiz (RCA) e Manutenção Centrada em Confiabilidade (RCM).
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.
A norma MIL-HDBK-338B indica as principais etapas de um FRACAS, tipicamente, isso

consiste dos seguintes passos:
• Observação da falha durante a operação ou teste;

• Documentação da falha, incluindo no mínimo:
• Localização da falha
• Data e hora da falha
• Referência do sistema/equipamento em falha
• Número de série do sistema/equipamento em falha
• Modelo do sistema/equipamento em falha
• Sintomas de falha observados
• Identificação da pessoa que observou a falha
• Todas as condições significativas existentes no momento da falha
• Verificação e confirmação da falha observada inicialmente;
• Isolação da falha, localizando o menor item substituível/reparável dentro do
sistema/equipamento;
• Análise do item defeituoso para estabelecer o mecanismo de falha interno
responsável pelo modo de falha observado;
• Procura por dados existentes relacionados à ocorrência de falhas similares no item
em questão, levando em conta o modo e o mecanismo da falha.
• Estabelecimento das causas raízes com base nos dados obtidos nos dois últimos
passos;
• Determinar as ações corretivas necessárias, tais como mudanças de projeto, de
processo, de procedimentos, etc. para prevenir a recorrência da falha.
• A decisão a respeito das ações corretivas adequadas deve ser tomada por uma
equipe interdisciplinar, envolvendo projeto, processo, qualidade, manutenção e
assistência técnica;
• Incorporação da ação corretiva recomendada em um sistema/equipamento para
teste;
• Re-teste do sistema/equipamento com as ações corretivas incorporadas;
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.
A figura abaixo ilustra esse processo na forma de fluxograma.
ANÁLISE DE DADOS
O analista examina as informações inseridas e emite seus comentários em um relatório de

falhas, determina a causa raiz da falha e identifica os fatores contribuintes. Os métodos
para análises das causas raízes vão desde simples investigações das circunstâncias
envolvendo uma falha até análises laboratoriais sofisticadas de itens defeituosos.
Uma vez que o analista tenha estabelecido a causa raiz e os fatores contribuintes, deve
desenvolver as ações corretivas de acordo com essas análises.
Conforme o número de registros no FRACAS cresce, o analista pode levantar os dados

históricos de falhas similares ou relacionadas para ajudar a definir a ação corretiva
21
apropriada. Uma vez que a ação corretiva seja definida, o FRACAS deve alertar o técnico
responsável pela sua execução.
Do ponto de vista da avaliação da confiabilidade, os dados de falha são usados para:

• Determinar a distribuição de probabilidades do tempo para falhar e estimar seus
parâmetros;
• Determinar uma estimativa pontual de um parâmetro específico de confiabilidade,
por exemplo, MTBF;
• Determinar um intervalo de confiança que se acredita conter o valor real do
parâmetro;
22
MODOS DE FALHA E ANÁLISE DE EFEITOS (FMEA)
O objetivo da análise dos modos de falha, efeitos é examinar modos de falha de

componentes de um sistema e determinar o impacto destes no produto. A informação
obtida é utilizada para eliminação de problemas, avaliação de ações corretivas de projeto e
determinação de métodos de detecção de falhas. Trata-se de uma maneira extremamente
sistemática de olhar para as funções de itens passíveis de manutenção para determinar as
causas mais prováveis da sua perda de função.
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.
Desenvolvimento da FMEA é o melhor desenvolvido por um grupo multidisciplicar de

pessoas que trabalham com o equipamento no dia a dia. O que é importante é entender as
funções do equipamento e que as coisas quebram ou não que fazer com que o equipamento a
perder a sua função.
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.
Falhas Funcionais - descreve a perda de função do produto de fácil manutenção necessária

ou desejada. Eles geralmente contêm um adjetivo e o substantivo funcional. Declarações
falha funcional raramente se conter um nome de parte.
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
FMEA de processos: São consideradas as falhas no planejamento e execução do processo,

ou seja, o objetivo desta análise é evitar falhas do processo, tendo como base as não
conformidades do produto com as especificações do projeto.
FMEA de sistemas: São considerados sistemas e subsistemas nas fases conceituais e de

projeto. O objetivo desta análise é focalizar nos modos de falhas entre funções do
sistema. São inclusas as interações entre sistemas e elementos dos sistemas.
FMEA de serviços: São analisados os serviços antes de eles atingirem o consumidor. É

usado para identificar tarefas críticas ou significantes para auxiliar a elaboração de planos
de controle. Ajudam a eliminar gargalos nos processos e tarefas.
Apesar de as etapas e a maneira de realização da análise serem as mesmas, existem

pequenas variações entre cada tipo de análise. Um exemplo de diferença é a definição dos
índices (serão descritos posteriormente) adotados na elaboração do FMEA.
Portanto, neste trabalho serão focados dois tipos de FMEA por serem os mais utilizados e
conhecidos: FMEA de design e FMEA de processos.
Mecanismos
Os mecanismos utilizados no FMEA são relativamente simples. O método consiste

basicamente em identificar e dispor todos os modos de falha em potencial em uma tabela
que facilitará a sua interpretação.
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 .
1. O FMEA é normalmente desenvolvido respondendo a perguntas básicas:
2. Como cada parte do produto (processo, serviço) poderia falhar?
3. Quais mecanismos poderiam produzir estes modos de falha?
4. Quais seriam os efeitos se essas falhas ocorressem?
5. Essas falhas poderiam acarretar em algum perigo?
6. Como essa falha poderá ser detectada?
A análise do FMEA pode ser um ponto inicial para vários outros tipos de análise, por
exemplo:
• Análise de sistema de segurança
• Análise de planejamento de manutenção
• Planejamento da produção
• Análise de nível de reparos
• Planejamento de testes
• Análise de apoio à logística
Como fazer um FMEA
Serão apresentadas, primeiramente, as informações necessárias para se iniciar a

elaboração do FMEA. Posteriormente, será comentada cada coluna da tabela com dicas para
a sua elaboração e exemplos.
Informações necessárias
As unidades de análise do FMEA são os sistemas, subsistemas e componentes, assim

divididas a fim de sistematizar todo o projeto. Deve-se definir bem a abrangência dessas
unidades, não somente ao nível de discretização das funções e desempenhos individuais,
mas também no nível de interações entre todas elas. Isso se faz necessário porque
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.
Primeiramente deve-se definir o sistema a ser analisado e obter os desenhos, minutas,

descrições, diagramas e listas de componentes. Defina bem o que está sendo analisado (uma
área, atividade, equipamento...).
Depois defina se deve analisar o sistema inteiro ou partes dele, e quais são os alvos a serem
considerados (pessoal, produto, etc..).
Severidade
Os índices de severidade devem corresponder, de preferência, aos índices pré-definidos na

tabela a seguir:
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
Os índices de ocorrência devem corresponder, de preferência, aos índices pré-definidos na

tabela abaixo:
Ocorrência Critério Classificação

Extremamente remota, altamente improvável ≤ 1 em 200 1
Remota, improvável 1 em 200 2
Probabilidade muito reduzida 1 em 150 3
Probabilidade reduzida 1 em 100 4

Número ocasional 1 em 50 5
Moderada 1 em 20 6
Frequente 1 em 10 7
Elevada 1 em 5 8
Muito Elevada 1 em 3 9
Certa ≥ 1 em 2 10
Detecção
Os índices de detecção devem corresponder, de preferência, aos índices pré-definidos na

tabela abaixo:
Detecção Critério Classificação
Os controles certamente detectarão potenciais 1

Quase certo
causas/mecanismos e subsequentes modos de falha. 2
Possibilidade elevada dos controles detectarem potenciais 3

Alta
Possibilidade moderada dos controles detectarem potenciais 5

Moderada
Possibilidade muito baixa dos controles detectarem potenciais 7

Muito Baixa
Quase Os controles não detectam potenciais causas/mecanismos e 9

impossível/ Nula subsequentes modos de falha ou não há controlo do projeto. 10
27
Ações recomendadas
Todas as características críticas ou significantes devem ter ações recomendadas

associadas a elas. As ações recomendadas devem focar no projeto e devem ser dirigidas no
sentido de mitigar a causa da falha ou eliminar o modo de falha. Caso as ações
recomendadas não consigam mitigar ou eliminar o potencial para falhas no projeto, as ações
recomendadas devem forçar as características a sofrerem uma mitigação de processo o
quanto antes em um FMEA de processo.
Um passo importante no FMEA é a avaliação do risco. Esta avaliação faz-se através do

cálculo da multiplicação dos índices de Gravidade, Ocorrência e Detecção resultando um
número compreendido entre "1" e "1000". Quanto maior o valor, maior é a necessidade de
se estabelecer as ações corretivas ou preventivas para esses problemas. Porém outros
estudos referem que se deve dar prioridade a todos os modos de falha em que o índice de
gravidade seja igual ou superior a 9, em seguida os modos de falha com o índice de
gravidade e ocorrência mais elevados e finalmente os modos de falhas com maior número de
RPN. Na tabela a baixo pode-se analisar um critério para definir a prioridade com base no
número de RPN.
Critério de prioridade para realizar uma ação Índice de Risco
Prioridade Alta
Item vulnerável e importante. Requer ações

acima de 100
corretivas ou preventivas
Prioridade Média
Item importante e vulnerável. Requer ações

50 a 100
corretivas ou preventivas num curto prazo
Prioridade Baixa
Item pouco vulnerável. Podem ser tomadas ações

1 a 50
corretivas ou preventivas no longo prazo
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.
Hoje a análise de árvore de falhas é de longe a técnica de estudos de risco e confiabilidade

mais comumente usada. A análise de árvore de falhas, particularmente, tem sido usada com
sucesso para analisar os sistemas de segurança em centrais nucleares.
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.
A análise de um sistema pela técnica da árvore de falha normalmente é realizada em cinco

etapas:
1. Definição do problema e as condições de contorno.
2. Construção da árvore de falha.
3. Identificação de conjuntos de corte e/ou caminho mínimos.
4. Análise qualitativa da árvore de falha.
5. Análise quantitativa da árvore de falha.
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...
A descrição do Evento Topo deve sempre responder às perguntas; O QUE, ONDE e

QUANDO.
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:
O portão OU indica que o evento de saída A ocorre se qualquer um dos

eventos Ei ocorre.
O portão E indica que o evento de saída A ocorre se todos os eventos Ei

ocorrem.
30
o evento básico representa uma falha de um equipamento básico ou falha que
não requer nenhum desenvolvimento.
EVENTO NÃO DESENVOLVIDO representa um evento de falha que não é

examinado porque a informação não é disponível ou porque sua conseqüência é
insignificante.
RETANGULO DE COMENTÁRIO é utilizado para fornecer informações

complementares.
TRANSFERÊNCIA PARA BAIXO - O símbolo de transferência para baixo indica

que a árvore de falha é desenvolvida a ocorrência do símbolo correspondente de
transferência para cima.
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.
Uma árvore de falha fornece informações valiosas sobre as combinações possíveis de

eventos de falha que podem resultar em uma falha crítica (Evento Topo) do sistema. Essa
combinação de eventos de falha é chamada um conjunto de corte.
Um conjunto de corte em uma árvore de falha é um conjunto de eventos básicos cuja

ocorrência (simultânea) garante que o Evento Topo ocorre. Um conjunto de corte é dito ser
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.
AVALIAÇÃO QUALITATIVA DA ÁRVORE DE FALHA
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.
A análise quantitativa determina a probabilidade ou frequência do evento indesejável ou

falha, procedendo a uma revisão dos fatores intervenientes: ambiente, dados do projeto,
exigências operacionais do sistema, etc., determinando as condições, acontecimentos
particulares ou falhas que possam vir a contribuir para a ocorrência do evento de topo
selecionado.
Através de Álgebra Booleana são desenvolvidas as expressões matemáticas adequadas, que

representam as entradas da árvore de falhas. Cada porta lógica tem implícita uma operação
matemática, podendo ser traduzidas, em última análise, por ações de adição ou de
multiplicação lógicas.
PROPRIEDADES DA ÁLGEBRA DE BOOLE

1. Lei Comutativa:
X.Y = Y.X
X+Y = Y+X
2. Lei Associativa:
X(Y.Z) = (X.Y)Z
X+(Y+Z) = (X+Y)+Z
3. Lei Idempotente:
X.X = X
X+X = X
4. Lei de Absorção:
X(X+Y) = X
X+X.Y = X
5. Lei Distributiva:
X(Y+Z) = X.Y+X.Z
(X+Y).(X+Z) = X+Y.Z
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
ALGORITMO PARA DETERMINAR OS CONJUNTOS DE CORTE MÍNIMO

Algoritmo de Vesely-Fussel
Foi desenvolvido por Jerry Fussel e Willian Vesely.
1. Parte-se da primeira porta antes do evento topo;
2. Para Portas tipo “E” aumenta-se o “tamanho” de um corte mínimo;
3. Para Portas tipo “OU” aumenta-se a “quantidade” de um corte mínimo;
4. Deve-se substituir cada porta pelas suas entradas até que todas as portas tenham
sido substituídas.
34
35
ANÁLISE TOP-DOWN
A=B.C; B=F1+D; D=F2+F3

C=F3+E; E=F1.F2
A=(F1+D).(F3+3)
A=F1.F3+F1.E+D.F3+D.E
A=F1.F3+F1(F1.F2)+(F2+F3).F3+(F2+F3).(F1.F2)
A=F1.F3+F1.F1.F2+F2.F3+F3.F3+F1.F2.F2+F1.F2.F3
A=F1.F3+F1.F2+F2.F3+F3+F1.F2+F1.F2.F3
De acordo com a lei de absorção (X+X.Y = X):
F1.F3+ F2.F3+F3+ F1.F2.F3+F3 = F3.(F1+F2+F1.F2)+F3 = F3
Desta forma .... A = F3 + F1.F2
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”.
EQUIPAMENTO PROBABILIDADE DE FALHA

VIZINHO 1,000E-03
FALTA DE ÁGUA 2,100E-04
FALHA DA VÁLVULA 4,300E-05
FALHA DO TEMPORIZADOR 8,500E-04
RUPTURA DA TUBULAÇÃO 9,900E-04
Com base nos dados acima determinar:
1. Probabilidade de falha do sistema;

2. Cortes mínimos da árvore de falhas
3. O elemento que mais contribui para a falha do sistema.
SOLUÇÃO
FAILURE PROBABILITY: 2.091684E-006
No. of primary events = 5
Minimal cut set order
1) ÁGUA VIZINHO
37
2) TEMPORIZADOR VIZINHO
3) TUBULAÇÃO VIZINHO
4) VÁLVULA VIZINHO
RANK MODO DE FALHA No FALHAS PROBABILIDADE IMPORTÂNCIA

1 TUBULACAO VIZINHO 3147 9,72E-01 47,55%
2 TEMPORIZADOR VIZINHO 2681 8,28E-01 40,51%
3 AGUA VIZINHO 637 1,97E-01 9,63%
4 VALVULA VIZINHO 144 4,45E-02 2,18%
5 TEMPORIZADOR TUBULACAO VIZINHO 5 1,54E-03 0,08%
6 AGUA TUBULACAO VIZINHO 2 6,18E-04 0,03%
7 AGUA TEMPORIZADOR VIZINHO 2 6,18E-04 0,03%
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.
O conceito de probabilidade é fundamental para o estudo de situações em que os

resultados são variáveis, mesmo quando mantidas inalteradas as condições de sua
realização. Por exemplo:
• As declarações de despesas por funcionário de uma empresa podem assumir

uma variedade de valores;
• A audiência estimada de um comercial de TV com 30 segundos de duração
não é a mesma para cada exibição.
Fenômeno Aleatório
Fenômeno – qualquer acontecimento natural.
Os fenômenos podem ser classificados, quanto aos seus possíveis resultados, de dois tipos:
• Determinísticos - são aqueles que repetidos sob mesmas condições iniciais

conduzem sempre a um só resultado.
• Aleatórios - são aqueles que repetidos sob mesmas condições iniciais podem
conduzir a mais de um resultado.
Experimento - processo que gera resultados bem definidos.
São fenômenos aleatórios que possuem as seguintes características:
• Repetitividade – pode ser repetido quantas vezes quisermos;

• Regularidade – diz respeito à possibilidade da ocorrência dos resultados do
fenômeno.
Espaço Amostral
O espaço amostral de um experimento, denotado por Ω , é o conjunto de todos os

resultados experimentais.
40
Exemplos:
1. Jogar uma moeda.
Ω = {Cara, Coroa}
2. Selecionar uma peça para inspeção
Ω = {Defeituosa, Não defeituosa}

3. Lançar um dado
Ω = {1, 2 , 3 , 4 , 5 , 6 }
Regras de Contagem, Combinações e Permutações
• Regra de Contagem de experimentos e múltiplas etapas

Se um experimento pode ser descrito como uma seqüência de k etapas com n1 resultados
possíveis na primeira etapa, n2 resultados possíveis da segunda etapa e assim por diante, o
número total de resultados dos experimentos será dado por
(n1 ) × (n2 ) × L × (n k ) .
Exemplo: Jogar duas moedas
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.
Ω = {(Cara, Cara), (Cara, Coroa), (Coroa, Cara), (Coroa, Coroa)}
n1 = 2 e n2 = 2 , então n(Ω) = (2) × (2) = 4 .
Diagrama em árvore do experimento de lançar duas moedas
41
• Combinações
Conta o número de resultados experimentais quando o experimento envolve escolher n
objetos (geralmente maior) de N objetos.
Regra de contagem de combinações:
O número de combinações de N objetos, tomados de n a cada vez, é:
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
Exemplo: Considerem um procedimento de controle da qualidade em que um inspetor

seleciona aleatoriamente duas de cinco peças para testar se há defeitos. Em um grupo de
cinco peças, quantas combinações de duas peças podem ser selecionadas?
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.
Regra de contagem de permutações:
O número de permutações de N objetos, tomados n a cada vez, é dado por:
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
Requisito básico para atribuição de probabilidade:
1. A probabilidade atribuída a cada um dos resultados experimentais deve situar
entre 0 e 1, inclusive. Se admitimos que

Ei denota o í-ésimo resultado
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
C : Sair face 1 C={1} ⊂Ω
Operações com Eventos
Interseção:
O evento interseção de dois eventos A e B equivale à ocorrência de ambos.
Notação:
A∩ B
Eventos Mutuamente Exclusivos:
Dois eventos A e B dizem-se mutuamente exclusivos, ou mutuamente excludentes, quando a

ocorrência de um deles impossibilita a ocorrência do outro.
Exprime-se este fato escrevendo-se

A ∩ B = O/ .
União
O evento união de A e B equivale à ocorrência de A, ou de B, ou ambas.
44
Complementar
A negação do evento A, denotado por A , é chamado de evento complementar de A.
A e A são complementares se sua intersecção é vazia e sua união é o espaço amostral,

isto é,
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
A probabilidade do evento A, quando se sabe que o evento B ocorreu, é chamado
probabilidade condicional de A dado B; denota-se por

P( A | B) e é calculada por:
P( A ∩ B)
P( A | B) =
P( B)
desde que P( B) > 0 .
Da definição de probabilidade condicional podemos obter a regra de produtos de

probabilidades
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.
O estudo estatístico das populações em geral pressupõe o conhecimento da função de

densidade de probabilidade que rege o comportamento aleatório da variável de interesse.
Em muitos casos, podemos saber ou supor conhecer a função de densidade de probabilidade
de uma população.
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.
Nessas situações, a função de densidade de probabilidade da variável em estudo só é

determinada quando se conhecem todos os parâmetros que caracterizam a distribuição,
para isso se utilizam de métodos denominados de estimação de parâmetros.
A estimação de um ou mais parâmetros populacionais com funções de distribuições

conhecidas é possível construindo-se funções de probabilidade de variáveis aleatórias.
MÉTODO DE MÁXIMA VEROSSIMILHANÇA

O método da máxima verossimilhanca consiste basicamente em maximizar uma função dos
parâmetros da distribuição, conhecida como função de verossimilhança. O equacionamento
para a condição de valor máximo resulta em um sistema de igual numero de equações e
incógnitas, cujas soluções produzem os estimadores de máxima verossimilhanca.
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.
A seguir discutiremos as ideias do método de máxima verossimilhança para conceitos

matemáticos a partir dos quais será possível obter estimadores para os parâmetros.
Suponha uma amostra de observações t1, ..., tn de uma certa população de interesse.
Considere inicialmente que todas as observações são não censuradas. A população é
caracterizada pela sua função de densidade f(t).
Por exemplo, se , significa que as observações vem de uma distribuição

Exponencial com um parâmetro a ser estimado. A função de verossimilhança para um
parâmetro genérico é dada por
Note na expressão acima que θ pode representar um único parâmetro ou um conjunto de

parâmetros. Por exemplo, no modelo Log-normal temos θ = (µ, σ). A tradução em termos
matemáticos para a frase "a distribuição que melhor explica a amostra observada" é achar
o valor θ que maximiza a função L(θ).
Isto é, achar o valor de θ que maximiza a probabilidade da amostra observada ocorrer. A

função de verossimilhança L(θ) mostra que a contribuição de cada observação não-
censurada é a sua função de densidade. Por outro lado, a contribuição de cada observação
censurada não é a sua função de densidade. Essas observações somente nos informam que o
tempo de falha é maior do que o tempo de censura observado e portanto, sua contribuição
para L(θ) é a sua função de confiabilidade R(t).
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
A função de verossimilhança para a distribuição Exponencial é obtida a partir da expressão

abaixo como
Com isso, o logaritmo da função de verossimilhança é dado por
Derivando essa expressão em relação a , obtemos
e igualando a zero, temos que a expressão do estimador de máxima verossimilhança é

dada por
O termo é denominado "tempo total sob teste". Observe que se todas as observações
são não-censuradas, temos que a média amostral é dada por
50
Distribuição de Weibull
A função de verossimilhança de β e η para a distribuição de Weibull é dada por
Com isso, a função de log-verossimilhança é dada por
Derivando essa expressão em relação a β e η e igualando a zero, obtemos as seguintes
expressões para os estimadores de máxima verossimilhança e
Os estimadores de máxima verossimilhança são os valores e que satisfazem as equações

(4) e (5). A solução desse sistema de equações para um conjunto de dados particular deve
ser obtida por meio de um método numérico. Aqui utilizaremos o método de Newton-
Raphson que usa a matriz de derivadas segundas (F) da função de log-verossimilhança, sua
expressão é dada por
51
em que
A expressão (6) é baseada na expansão de em série de Taylor em torno de .
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.
A utilização de um modelo inadequado para representar os dados compromete a análise

estatística, gerando erros grosseiros de estimativas.
No entanto, se um modelo probabilístico adequado aos dados é definido, podemos então

utilizar o método de máxima verossimilhança para estimar os seus parâmetros.
As distribuições de probabilidade apresentadas anteriormente são típicas para dados de

confiabilidade. Entretanto, para avaliar qual distribuição melhor se ajusta aos dados
podemos comparar os valores estimados com os valores observados. Portanto, a forma
mais simples de avaliar qual distribuição será utilizada para um conjunto de dados e
escolher um modelo mais adequado é através de técnicas gráficas.
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.
A teoria da regressão se ocupa dos dados que se enquadram no segundo caso.
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)
A regressão é dita linear quando o modelo de regressão selecionado é uma reta. Em

qualquer outro caso a regressão é dita não linear.
A regressão é dita simples quando se tem apenas uma variável independente.
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:
• Método dos mínimos quadrados;

• Método dos polinômios ortogonais;
• Método dos momentos;
• Etc.
No presente curso trabalharemos apenas com o Método dos Mínimos Quadrados.
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:
• O valor observado na amostra (ou na nuvem de pontos) yi.

• Outro que denominamos teórico, yi*, que se obteria ao substituir x=xi na função.
Como se pode observar, para cada xi temos una diferença entre os dos valores de Y, que
chamaremos resíduo: ei = yi - yi*.
O método dos mínimos quadrados consiste em determinar os parâmetros (a1,...,ar) de tal

forma que os resíduos sejam mínimos. Em outras palavras, buscaremos minimizar a
expressão:
∑ (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
Ou seja, minimizamos a soma das distancias verticais dos pontos da curva.
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.
A esta reta denominaremos RETA DE REGRESSÃO DE Y SOBRE X.
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
que derivando com respeito as incógnitas a e b e igualando a zero:
∂Ψ 
= − 2∑ ( y i − a − bx i ) = 0 
∂a i 

∂Ψ
= − 2∑ ( y i − a − bx i )x i = 0
∂b i 
Obtemos um sistema de duas equações e duas incógnitas (a,b).
Resolvendo o sistema:
Finalmente obtemos a reta de regressão de Y sobre X;
y = a + bx
com os valores a e b anteriormente calculados.
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.
Ao medir a confiabilidade a partir de dados de campo, o analista pode obter

importantes informações para a melhoria do processo, prever recursos para
a assistência técnica, dimensionar prazos de garantia e detectar
precocemente falhas relacionadas à confiabilidade do equipamento.
Para viabilizar a realização de estudos de confiabilidade nos equipamentos é

importante que estes possam ser realizados a baixo custo e por pessoal
especializado na teoria de confiabilidade. Com procedimentos simples de
refinamento destes dados é possível sua aplicação em avaliações de
confiabilidade e disponibilidade. As informações de falhas em campo podem
ser imprecisas. Seria desejável obter informações exatas das datas em que
o equipamento começou a ser utilizado e em que apresentou a falha, estas
datas são informações básicas para os estudos usuais de confiabilidade.
As incertezas existentes nos dados motivam a análise da confiabilidade a

partir de informações mais simples de ser coletadas e analisadas. Para
análise dos dados coletados podem ser utilizados programas gratuitos de
análise estatística. Para avaliar a confiabilidade, é necessário o emprego de
funções. As quatro principais funções fundamentais, por estarem
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).
Estas funções se relacionam conforme as equações a seguir.
Supondo que n0 componentes idênticos são testados e que ao final do tempo

t, nf(t) componentes falharam e ns(t) componentes sobreviveram, as funções
básicas da confiabilidade podem ser estimadas como:
As figuras a seguir apresentam representações gráficas hipotéticas para as

quatro funções básicas da confiabilidade apresentadas
59
Confiabilidade em função do tempo
Probabilidade acumulada de falha em função do tempo
Função de densidade de probabilidade em função do tempo
60
Função de risco em função do tempo
Exercícios
1. Dada a seguinte função de densidade de probabilidade para o tempo de

falha (em horas), determine:
a. A confiabilidade para uma missão de 100 horas;
b. A probabilidade de falha entre 10 horas e 100 horas.
2. Considere a seguinte função de confiabilidade, onde t está em horas:
a. Calcule a confiabilidade após 100 horas e após 1000 horas de

operação;
b. Encontre a taxa de falha. Ela é crescente ou decrescente?
61
3. A função de densidade de probabilidade do tempo de falha para um
dado componente é
a. Qual a probabilidade de falha para um período de 100 horas?

b. Calcule o tempo operacional deste item para uma confiabilidade de
0,95.
4. Para um item que tem a seguinte função de confiabilidade
a. Calcule a confiabilidade para uma missão de 50 horas

b. Mostre que a taxa de falha é decrescente
c. Qual é o tempo operacional atingido para um nível de confiabilidade
de 0.95?
5. Um componente utilizado em um sistema de alarme possui tempo de

falha (em anos) caracterizado pela seguinte PDF:
a. Encontre a função de confiabilidade e determine a confiabilidade

para o primeiro ano de operação
b. Determine o MTTF
c. Qual é o tempo operacional atingido para uma confiabilidade de 95%?
d. A taxa de falha é decrescente, constante, ou crescente?
62
SISTEMAS REPARÁVEIS E NÃO REPARÁVEIS
Antes de analisarmos a confiabilidade de sistemas devemos informar que

existem basicamente dois tipos de equipamentos, equipamentos reparáveis e
equipamentos que não são reparáveis.
Equipamentos reparáveis são aqueles que após a ocorrência de uma falha

podem ser colocados em condições satisfatórias de operação por alguma
ação, incluindo substituição de peças ou ajustes. A análise de sistemas
reparáveis é aplicada tanto para sistemas complexos quanto para sistemas
simples, visando o planejamento da manutenção destes sistemas.
Equipamentos não reparáveis são aqueles não podem ser novamente

colocados em operação após a ocorrência de uma falha, sendo excluídos da
população. Na análise deste tipo de sistema são usualmente calculados o
tempo médio até a falha – MTTF (Mean Time to Failure) e a probabilidade
de falha em diferentes tempos de uso.
ANÁLISE DA CONFIABILIDADE DE SISTEMAS
A análise da confiabilidade de um sistema a partir de seus componentes

básicos é um dos mais importantes aspectos da engenharia de
confiabilidade. Um sistema corresponde a um conjunto de itens como
subsistemas, componentes, software e operadores (elemento humano), cujo
funcionamento adequado e coordenado implicam no próprio funcionamento
do sistema.
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.
Em particular, uma análise de confiabilidade deve estar apta a responder as

seguintes perguntas:
1. Como as probabilidades de falha de componentes podem ser
utilizadas na avaliação do desempenho do sistema?
2. Qual é o impacto da arquitetura do sistema na confiabilidade do
mesmo?
3. Quais são os benefícios da utilização de componentes redundantes?
4. Qual é o impacto de falhas de modo comum na confiabilidade do
sistema?
A abordagem para a avaliação da confiabilidade de sistemas é feita a partir

da técnica de Diagrama de Blocos de Confiabilidade, RBD (Reliability Bolck
Diagram). Diagrama de Blocos são frequentemente utilizados na prática
para modelar o impacto das falhas (ou funcionamento) de componentes no
desempenho do Sistema.
O diagrama de Blocos representa de que maneira os n componentes estão

interconectados para a realização de uma determinada função do sistema
podem ser ilustradas por um diagrama de bloco. Um diagrama de blocos
reflete a relação funcional entre os componentes do sistema. Cada bloco
corresponde a uma função desempenhada por um componente ou conjunto de
componentes para o qual dispomos de dados de confiabilidade
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.
c. O modo de falha corresponde a uma das formas que o componente ou

sistema pode falhar. Assim, se cada bloco corresponde a uma ou mais
funções desempenhadas pelo componente, então a ocorrência do modo
de falha implica que o mesmo não está funcionando satisfatoriamente.
d. Porém, isto não significa que o componente i satisfaz todas as suas
funções. Apenas podemos afirmar que uma função ou um conjunto de
funções específicas representadas por este bloco são
satisfatoriamente desempenhadas, ou seja, o modo de falha ou modos
de falha não ocorrem.
e. Note que o significado de estar funcionando deve ser especificado
em cada caso e depende dos objetivos da análise em questão.
Em resumo, as diversas maneiras através das quais n componentes estão

interconectados para a realização de uma determinada função do sistema
podem ser ilustradas por um diagrama de bloco de confiabilidade.
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
Considere um sistema formado por n componentes independentes. O modelo

em série assume que todos os n componentes independentes devem estar
funcionando para que o sistema desempenhe a sua função apropriadamente.
• O sistema falha se qualquer um de seus componentes falha;
• Apesar da hipótese de componentes independentes ou da condição de
que a falha do primeiro componente acarreta na falha do sistema não

podem ser estritamente válidas para muitos sistemas, na prática
porém o modelo em série é geralmente uma aproximação tanto
razoável como conveniente da situação real;
• O diagrama de blocos para um conjunto de componentes que estão em
série é mostrado a seguir:
• A confiabilidade do sistema, Rs(t), pode ser obtida a partir das
confiabilidades de seus componentes:
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:
Rs(t) = P(E1).P(E2) = R1(t).R2(t)
Ou seja, para que o sistema funcione ambos os componentes devem

funcionar. Generalizando para n componentes independentes em série:
É importante notar que para um sistema em série tem
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:
Para um sistema com componentes com taxa de falha constante conectados

em série, e se cada componente possui uma taxa de falha constante, ou seja,
o tempo de falha de cada componente é distribuído de acordo com a
distribuição Exponencial, então a confiabilidade do sistema fica como:
Ou seja, Rs(t) = exp(-λs.t)
onde λs é a taxa de falha do sistema dada por
Quando todos os componentes em série possuem taxa de falha constante, o

sistema também possui taxa de falha constante.
Considere um sistema composto por quatro componentes em série os quais

são independentes e possuem taxas de falha constante iguais a:
68
λ1 = 1.10-4 falhas/ano
Determine a confiabilidade do sistema para uma missão de 500 horas e o

MTTF do sistema.
SOLUÇÃO
SISTEMA EM PARALELO
Dois ou mais componentes estão em paralelo, ou são redundantes, quando

todos os componentes devem falhar para que o sistema falhe. Se pelo menos
um dos componentes funciona, então o sistema continua a funcionar (não
falha). O diagrama de blocos para um conjunto de componentes que estão
em paralelo ativo é mostrado a seguir:
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
Assim, a confiabilidade do sistema é:
Rs(t) = 1-[1-R1(t)][1-R2(t)]
Generalizando, temos que:
Considere um sistema composto por quatro componentes conectados em

paralelo os quais são independentes e possuem taxas de falha constante
iguais a:
70
Determine a confiabilidade do sistema para uma missão de 500 horas.
SOLUÇÃO
Rs(t) = 1 – [1-R1(t)]. [1-R2(t)]. [1-R3(t)]. [1-R4(t)]
Rs(t) = 1 – [1-0,9512]. [1-0,9048]. [1-0,8607]. [1-0,8187]
Rs(t) = 1 – 0,0488.0,0952.0,1393.0,1813
Rs(t) = 1 – 0,000117 = 0,999883
Sistemas em Série-Paralelo:
Sistemas complexos tipicamente incluem componentes em paralelo e em

série. Veja a figure que segue:
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
Por exemplo, considere o sistema mostrado anteriormente:

• Inicialmente dividimos o diagrama de blocos em subsistemas em série
e paralelo
• No caso acima, tem-se que o subsistema A é formado pelos
componentes 1 e 2 em paralelo. Logo, a confiabilidade deste

subsistema é
RA(t) = 1-[1-R1(t)][1-R2(t)]
72
• Subsistema B formado pelo subsistema A em série com o componente
3, assim;
RB(t) = RA(t).R3(t)
• Subsistema C é composto pelos componentes 4 e 5 em série, logo
RC(t) = R4(t).R5(t)
• Como os subsistemas B e C estão em paralelo e ambos em série com o
componente 6, a confiabilidade do sistema é determinada como:
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%
Quando se avalia sistemas mais complexos e com distribuições de

probabilidade de tempos de falha diversos, é indicado o uso de softwares
especializados.
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
A escolha das fontes de informação que serão utilizadas para realizar

estudos de confiabilidade depende de diversos fatores: objetivo do estudo,
tipo de equipamento em análise, estágio do equipamento em seu ciclo de
vida, tempo disponível para testes e recursos disponíveis para o estudo.
Para cada situação existem uma ou mais possíveis fontes de dados.
ANÁLISE DE DADOS DE FALHA NO CAMPO
Uma vez iniciada a utilização do equipamento, todo dado de falha é uma

fonte potencial de informações para estudos de confiabilidade. No período
de garantia, em que é mais provável que o consumidor acione o fabricante ou
revendedor em caso de falha, são obtidas as informações mais completas,
coletadas pela infraestrutura de assistência técnica já existente na
empresa, reduzindo o custo do processo de coleta de dados.
Ao coletar e analisar dados de falha em campo, os analistas podem: prever

falhas futuras, definir a necessidade de melhorias no equipamento ou
processo, monitorar o efeito de mudanças no processo e condições de uso na
confiabilidade, comparar taxas de falha entre equipamentos similares ou
concorrentes.
Muitos dos modos de falha dependentes do tempo de uso são pouco

prováveis de ocorrer dentro do período de garantia. Mesmo dados
75
incompletos de falhas devem ser incorporados ao estudo para evitar
estimativas excessivamente otimistas da confiabilidade.
Apesar de ricos, por se originarem da utilização real do equipamento, os

dados obtidos são tipicamente imprecisos em diversos aspectos: faltam
informações referentes à taxa de uso do equipamento e tempo entre a falha
e o envio para manutenção. Também a descrição das falhas é muitas vezes
imprecisa. Sua utilização é indicada como importante complemento em um
programa de melhoria da confiabilidade.
CARACTERÍSTICAS DOS DADOS DE VIDA
Na análise de dados de vida é desejável a utilização da maior quantidade de

dados disponível, mas muitas vezes estes dados são incompletos ou incertos.
De forma geral, os dados de vida podem ser classificados em: completos

(toda informação é disponível) ou censurados (falta parte da informação).
Quando os tempos até a falha de todas as unidades testadas são
conhecidos, tem-se um conjunto de dados completos. Se os dados de tempo
até a falha disponíveis são limitados a um tempo máximo, há censura do tipo
I. Se os dados de tempo até a falha são limitados a um número máximo de
falhas, há censura do tipo II.
A censura é dita à direita se o tempo da falha não é conhecido, mas é sabido

que o equipamento sobreviveu até um tempo determinado sem apresentar
falha. Quando se sabe que um equipamento já havia falhado em um
determinado instante de tempo, mas o tempo exato da falha não é
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.
O termo manutenção, na literatura especializada, tem origem no vocabulário

militar, cujo sentido é manter, nas unidades de combate, o efetivo e o
material em um nível constante. Já a definição sobre ‘manter’ é indicada, em
vários dicionários, como causar continuidade ou reter o estado atual. A
manutenção é o conjunto de ações que permitam manter ou restabelecer um
bem, dentro de um estado específico ou na medida para assegurar um
serviço determinado. A evolução histórica da manutenção e dos processos
industriais pode ser abordada com base em três gerações distintas. A
primeira geração representou a ênfase no conserto após a falha. A segunda
geração, por sua vez, esteve associada ao surgimento de maiores exigências
com relação à disponibilidade operativa e a vida útil dos equipamentos, a
custos menores. Já a terceira geração, que se refere aos tempos atuais, diz
respeito aos requisitos característicos, como: maior disponibilidade,
confiabilidade, segurança e vida útil, com ausência de danos ao meio-
ambiente e ações de manutenções eficazes, aliadas aos custos envolvidos.
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.
Em outras palavras, a manutenção corretiva é a melhor opção quando os

custos da indisponibilidade são menores do que os custos necessários para
evitar a falha, condição tipicamente encontrada em equipamentos sem
influência no processo produtivo.
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.
O primeiro é o fato de que a troca de um item por tempo de uso apenas

pode ser considerada naqueles que sofrem desgaste. Outro ponto, mesmo
nos itens que sofrem desgaste, é a imprevisibilidade, ou seja, o ritmo de
desgaste pode não ser uniforme e está sujeito a muitas variáveis. Da mesma
forma que é possível trocar uma peça ainda com muito tempo de vida, pode
ocorrer falha antes do tempo previsto. Essa imprevisibilidade requer
estoques de peças de reposição, elevando os custos relativos.
Além do estoque elevado para cobrir a imprevisibilidade das falhas, a

manutenção preventiva apresenta o inconveniente de intervenções muitas
vezes desnecessárias, que reduzem a produtividade e elevam o custo
operacional total.
No entanto, esse tipo de manutenção pode ser a melhor alternativa para

equipamentos e/ou peças que apresentam desgaste em ritmo constante e
que representam um custo baixo, em comparação com o custo da falha,
podendo-se prever estoques adequados e seguros.
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).
Por ser uma manutenção de acompanhamento, a preditiva exige uma mão-de-

obra mais qualificada para o trabalho e alguns aparelhos ou instrumentos de
medição.
Seu aparente alto custo é plenamente recompensado por seus resultados,

situando-se mais próximo do ponto ótimo da relação custo-benefício em
equipamentos cuja parada traz grandes prejuízos ao processo e em que o
custo do estoque de equipamento/peça também é elevado.
A manutenção preditiva situa-se, portanto, no ponto do gráfico de

investimentos em manutenção com o melhor retorno de disponibilidade com
custos ainda compensadores (fig. 2).
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.
Geralmente, a manutenção corretiva é aplicada como complemento residual à

manutenção preventiva, pois qualquer que seja a natureza ou nível de
prevenção executado, sempre existirá um grupo de falhas residuais que
necessariamente irão exigir uma ação corretiva.
80
Esta avaliação também deve considerar o aspecto de custo envolvido,
quando reparar corretivamente pode ser mais econômico que intervenções
do tipo preventivas.
Para melhor ilustrar as formas de manutenção a figura abaixo representa

um diagrama, estruturado como um fluxo, onde com base em cada situação
se define a forma de manutenção a ser adotada.
FIGURA 1 – Fluxograma da manutenção
A função manutenção tem presença significativa em todos os segmentos da

indústria, quer seja considerando a segurança, a integridade dos
equipamentos e sua continuidade operacional avaliando a sua disponibilidade,
81
confiabilidade e custos operacionais quer seja considerando os aspectos de
meio ambiente.
Em função disso, a responsabilidade a ser assumida pelas áreas de

manutenção tende a ser bem mais abrangente. Essas áreas devem buscar a
melhoria contínua no gerenciamento dos processos de trabalho. Assim, a
manutenção representa uma das atividades fundamentais no processo
produtivo organizacional, ao ser vista como mola propulsora, que pode levar
uma empresa a destacar-se, a partir de diferenciais competitivos.
Nos anos 70, devido à preocupação com o número e a consequência das

falhas e acidentes das empresas aéreas, a complexidade dos projetos e o
tamanho das frotas aéreas comerciais, a autoridade americana Federal
Aviation Agency (FAA) incentivou o desenvolvimento de uma nova
metodologia para a manutenção, estabelecendo um processo racional e
sistemático de análise, que permitisse a definição de tarefas de manutenção
de equipamentos, para garantir a confiabilidade e a segurança.
A Manutenção Centrada em Confiabilidade (MCC) foi desenvolvida para

auxiliar as empresas aéreas a elaborar seus programas de manutenção. A
MCC enfatiza, em sua análise e aplicação, as funções dos equipamentos e
sistemas, e realiza uma criteriosa avaliação das consequências das falhas
para a segurança, meio ambiente e para a produção, visando obter o máximo
benefício com redução dos custos operacionais. Isto assegura, maiores
índices de segurança e confiabilidade, com os menores custos possíveis.
Como visto anteriormente, apesar de os valores de confiabilidade e

manutenibilidade serem, por definição, fatores intrínsecos do equipamento
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.
Uma política adequada de manutenção deve, então, manter a capacidade e a

disponibilidade da máquina, evitando quebras (aumento de confiabilidade) e
criando condições de uma intervenção corretiva rápida e eficaz, quando a
falha ocorrer (aumento da manutenibilidade).
CUSTOS DA FALTA DE MANUTENÇÃO
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.
O custo da indisponibilidade concentra-se naqueles decorrentes da perda de

produção, da não qualidade dos produtos, da recomposição da produção e
das penalidades comerciais, penalidades penais com impactos ambientais,
além de possíveis consequências sobre a imagem da empresa.
Essa relação entre custo de manutenção, custo da indisponibilidade e

produtividade foi estudada em modelo matemático cuja conclusão aponta
para uma melhor relação custo-benefício quando a manutenção é tratada de
83
forma preventiva, em vez de situações de descontrole do processo
produtivo pela falta de manutenção.
Tomando a manutenção como premissa para a redução dos custos da

produção, deve-se definir a melhor política a ser adotada para a otimização
dos custos. Essa análise pode ser observada no gráfico clássico, mostrado
na figura 2, que ilustra a relação entre o custo com manutenção preventiva e
o custo da falha.
Entre os custos decorrentes da falha estão, basicamente, as peças e a mão

de obra necessária ao reparo e, principalmente, o custo da indisponibilidade
do equipamento. O gráfico da figura 2 mostra que investimentos crescentes
em manutenção preventiva reduzem os custos decorrentes das falhas e em
consequência, diminuem o custo total da manutenção, em que se somam os
custos de manutenção preventiva com os custos de falha.
Entretanto, o gráfico mostra também que, a partir do ponto ótimo em

investimento com manutenção preventiva, mais investimentos trazem poucos
benefícios para a redução dos custos da falha e acabam elevando o custo
total.
Essa questão foi estudada avaliando os limites da disponibilidade e

apresentam um modelo matemático para o cálculo do ponto ótimo de
disponibilidade.
84
FIGURA 2- Custos da Manutenção
O modelo matemático que avalia o custo total da manutenção, considerando

as intervenções preventivas e a contabilização total dos custos de uma falha
é dado pela seguinte relação:
É muito importante observar, na busca do ponto ótimo, que a política de

manutenção a ser adotada deve levar em consideração aspectos como a
importância do equipamento para o processo, o custo do equipamento e de
sua reposição, as consequências da falha do equipamento no processo, o
ritmo de produção e outros fatores que indicam que a política de
manutenção não pode ser a mesma para todos os equipamentos, mas deve
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
Tempo até Falhar Frequência Frequência Frequência

Relativa
(horas) Observada Relativa
Acumulada
1000 - 1100 2 0,02 0,02
1100 - 1200 6 0,06 0,08
1200 - 1300 16 0,16 0,24
1300 - 1400 14 0,14 0,38
1400 - 1500 26 0,26 0,64
1500 - 1600 22 0,22 0,86
1600 - 1700 7 0,07 0,93
1700 - 1800 6 0,06 0,99
1800 - 1900 1 0,01 1
T F 1/(1-F) ln 1/(1-F) ln ln 1/(1-F) ln (T-T0)

1100 0,02 1,02 0,020203 -3,9019387 5,298317
1200 0,08 1,087 0,083382 -2,4843275 5,703782
1300 0,24 1,316 0,274437 -1,2930341 5,991465
1400 0,38 1,613 0,478036 -0,7380697 6,214608
1500 0,64 2,778 1,021651 0,02142019 6,39693
1600 0,86 7,143 1,966113 0,67605842 6,55108
1700 0,93 14,29 2,65926 0,9780479 6,684612
1800 0,99 100 4,60517 1,52717963 6,802395
1900 1 ##### 6,907755
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.
Tempos de Falha Frequência

(dias) Observada
10 - 20 3
20 - 30 5
30 - 40 6
40 - 50 7
50 - 60 9
60 - 70 8
70 - 80 6
80 - 90 4
90 - 100 2
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
Do gráfico de regressão acima obtemos os parâmetros da distribuição

triparamétrica de Weibull:
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).
X={ X(t0), X(t1), X(t2),...,X(tn)}
A variável aleatória X(t) é definida em um espaço denominado de espaço de

estados.
Classificação dos Processos Estocásticos:
1. Em relação ao estado:
• Estado discreto (cadeia) – se X(t) é definido sobre um conjunto
enumerável ou finito.
• Estado contínuo (seqüência) - X(t) caso contrário
2. Em relação ao tempo:
• Tempo discreto – se t é finito ou enumerável.
• Tempo contínuo – caso contrário.
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.
Processos Estocásticos Independentes – se os valores de X(t) são

independentes, isto é, o valor assumido por X(tj) não depende do valor
assumido por X(ti) se i≠j.
Em atividades industriais, comerciais e humanas, bem como em fenômenos

naturais, um alto grau de incerteza está sempre presente. Portanto,
modelos matemáticos probabilísticos, como o processo de Markov1, que
permitam uma previsão estimada do futuro, são bastante úteis na tomada de
decisão.
Dá-se o nome de processo de Markov a um dado fenômeno que possa ser

classificado em estados finitos e discretos, e cuja probabilidade de
transição entre tais estados, num intervalo de tempo também discreto,
dependa apenas do estado corrente e do estado seguinte2. À seqüência de
estados seguindo este processo dá-se o nome de cadeia de Markov.
Estas definições podem ser exemplificadas por fenômenos sociais. Suponha

a existência de três possíveis classificações sociais para um indivíduo de
uma população:
classes A, B e C. Têm-se aí três estados discretos, ou seja, não há meio
termo entre as classes. A probabilidade de um indivíduo sair da classe C e ir
para a classe B pode ser determinada por estudos estatísticos que
observem a taxa de indivíduos que, ao longo de um determinado período,
migram entre estas classes. Têm-se aí um Processo de Markov.
93
Logo, a transição destes indivíduos entre as classes constitui uma Cadeia de
Markov.
Para o entendimento de cadeias de Markov e suas aplicações, é essencial o

conhecimento dos conceitos: diagrama de transição, vetor de probabilidade,
matriz de transição, cadeia ergótica, cadeia regular, e regime estacionário.
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:
FIGURA 1 – Diagrama das transições
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.
A soma dos elementos de um vetor de probabilidade sempre será igual a 1.
Utilizando o exemplo das classes sócio econômicas, um estudo estatístico

pode ter determinado que é nula a probabilidade de um indivíduo na classe C
ir diretamente para a classe A, a probabilidade de ir para a classe B ser 0,1,
e a de continuar na classe C ser 0,9. Logo, o vetor de probabilidade de um
indivíduo na classe C será:
VC=[0 0,1 0,9]
A Figura 2 ilustra estas o diagrama de transição para estas probabilidades.
95
FIGURA 2 – Diagrama de Transição parcial das classes sócio econômicas
Este diagrama apresenta apenas as transições cujas probabilidades são

conhecidas. Note que não há um arco representando a transição de C para
A, uma vez que há probabilidade nula de esta transição ocorrer. Uma vez
que todas as probabilidades sejam conhecidas, é possível montar um
diagrama completo para este exemplo. Considerando os vetores de
probabilidade dos estados A e B exibidos a seguir, têm-se o diagrama de
transições completo, conforme a Figura 3:
V A=[0,3 0,5 0,2]

V B=[0,3 0,2 0,5]
FIGURA 3 – Diagrama de transição completo das classes sociais
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:
Onde o elemento pij, conforme já citado anteriormente, indica a

probabilidade de haver transição do estado Ei para o estado Ej. No exemplo
das classes sociais, considerando os vetores de probabilidade das classes A,
B e C respectivamente, [0,3 0,5 0,2], [0,2 0,3 0,5] e [0 0,1 0,9] têm-se a
seguinte matriz de transição.
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
O vetor de probabilidade e a matriz de transição são úteis na determinação

de probabilidades ao longo do tempo. Para tanto, temos a seguinte equação:
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 resultante desta equação (Vit) conterá as probabilidades de

transição de um estado Ei após um período t. Por exemplo, caso se queira
obter a probabilidade de um indivíduo na classe B ir para a classe A em três
anos, têm-se a seguinte equação e sua resolução:
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
1. Em um censo populacional de uma cidade de médio porte, foi

constatado que a cada ano 7% da população rural migra para a zona
urbana e que 2% da população urbana migra para a zona rural.
Supondo que este fenômeno social seja estável, não havendo
mudanças nestas taxas, temos os seguintes itens:
a) Represente o diagrama de transição.
b) Monte a matriz de transição.
c) Em 5 anos, qual a probabilidade de um indivíduo, atualmente na zona
urbana, ter migrado para a zona rural?
d) Em 10 anos, qual a probabilidade de um indivíduo, atualmente na zona
rural, ter migrado para a zona urbana?
e) A longo prazo, qual a probabilidade de um indivíduo migre para a zona
urbana?
f) A longo prazo, qual será a taxa de migração da população para a zona
urbana e para a zona rural desta cidade (desconsiderando o
crescimento populacional da cidade)?
2. Uma pesquisa de mercado de um produto comercializado em três

diferentes marcas constatou as seguintes probabilidades:
• Um consumidor da marca W deste produto, a cada compra, tem
probabilidade 0,8 de manter-se fiel à marca, probabilidade 0,05 de

escolher a marca G e probabilidade 0,15 de escolher a marca R;
99
• Um consumidor da marca G deste produto, a cada compra, tem

escolher a marca W e probabilidade 0,09 de escolher a marca R;
• Um consumidor da marca R deste produto, a cada compra, tem

escolher a marca G e probabilidade 0,2 de escolher a marca W;
Com base nestas informações, responda aos itens:

c) Em 6 compras, qual a probabilidade de um consumidor da marca G
optar pela marca W?
d) Em 8 compras, qual a probabilidade de um consumidor da marca R
optar pela marca G?
e) A longo prazo, qual a probabilidade de um indivíduo optar pela marca
G?
f) A longo prazo, qual taxa de indivíduos que terá optado pela marca R?
3. Uma máquina tem pode estar em três estados: operando, estragada e

em manutenção corretiva. Em levantamentos estatísticos
anteriormente feitos verificou-se que, mensalmente, uma máquina,
quando colocada em funcionamento, tem probabilidade 0,9 de
continuar funcionando e 0,1 de vir a apresentar algum defeito. Uma
máquina em manutenção tem probabilidade 0,4 de voltar a operar em
um mês e 0,6 de continuar em manutenção. Já uma máquina
estragada, tem probabilidade 0,8 de entrar em manutenção e 0,2 de
continuar estragada aguardando manutenção. Com base nestas
informações, responda aos itens:
100
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.
5. O elevador de um edifício com 2 andares realiza viagens de um andar

para outro. O andar em que o elevador finaliza a viagem segue uma
cadeia de Markov. Sabe-se a metade das viagens partem do térreo e
se dirigem a cada um dos 2 andares, enquanto que se uma viagem
começa no primeiro andar só 25% das vezes finaliza no segundo
andar. Por fim, se uma viagem começa no segundo andar sempre
finaliza no térreo. Pede-se:
a) Determinar a matriz de transição de estados;
b) O diagrama de estados;
c) Qual a probabilidade de que a longo prazo o elevador se encontre em
cada um dos andares?
101
102

Ferramentas Estruturadas para A Analise

Enviado por

Dados do documento

Descrição original:

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

Ferramentas Estruturadas para A Analise

Enviado por

Direitos autorais:

Formatos disponíveis

FERRAMENTAS

JOSE MARIA ALZUGARAY POMAROLLI

O processo de análise de falha é vital no dia-a-dia de qualquer organização, pois através

As técnicas de análise das falhas, basicamente, identificam a causa do problema e sugerem

A equipe ao se envolver em atividades de levantamento e estudo de casos de falhas, irá

A metodologia de análise de falha auxilia na motivação do pessoal, através do envolvimento

Por Que Devemos Identificar e Erradicar as Falhas Funcionais?

Podemos utilizar várias ferramentas para que possamos tratar as informações já

MODELO, MODELAGEM E MODELAÇÃO MATEMÁTICA

A modelagem matemática é a arte de transformar situações do meio circundante em

Mas, bem antes da apropriação do termo, nota-se a presença de modelos matemáticos

Um modelo é uma representação dentro de um (como por exemplo, aumento da precisão

Os modelos matemáticos podem ser reformulados por meio de expressões numéricas ou

• Obter respostas sobre o que acontecerá no mundo físico;

• Influenciar as experimentações ou observações posteriores;

• Promover o progresso e a compreensão conceituais.

A determinação do tipo de modelo a ser utilizado depende da situação analisada, das

Podemos agrupar e identificar esses procedimentos em três etapas caracterizadas da

1. A primeira etapa, que consiste na interação com o assunto é composta pelo

2. Na segunda etapa denominada matematização tem-se primeiro a formulação do

3. Na terceira etapa o modelo matemático surge e ocorre a interpretação da solução

Figura 1 – Relação entre modelagem matemática, modelo matemático e solução.

Na modelação matemática o mais importante não é a obtenção do modelo, mas o caminho a

O processo de modelagem envolve a observação do sistema real, a definição do problema a

SIMULAÇÃO DE MONTE CARLO

A falha do componente estrutural ocorre quando a resistência mecânica tem

Para a avaliação da probabilidade de falha é necessário que todos os parâmetros

A simulação de Monte Carlo envolve a repetição de um processo de simulação usando

A simulação de N realizações consiste em gerar um número aleatório entre 0 e 1 e

Antes de prosseguir, para melhor compreensão e nivelamento de conceitos, é conveniente

Causa Raiz: A causa que, se corrigida, preveniria a recorrência desta ou de ocorrências

Passo 1: Definir o problema

Passo 2: Análise de Falhas (caso necessário)

Existem cinco formas ou mecanismos que levam um componente a falhar:

Passo 3: Identificar as possíveis causas

Em resumo, a elaboração da Árvore de Causas consiste em determinar o chamado Evento

Na sequência, se determinam quais fatores imediatos podem contribuir para a ocorrência

O evento principal é o acidente em si e no segundo nível, são relacionadas as possíveis

As organizações que costumam culpar os funcionários pelos problemas causados pelos

Passo 4: Verificar a(s) real(is) causa(s)

Passo 5: Propor solução para o problema

Passos 6 e 7: Implantação da solução e acompanhamento dos resultados

O processo de análise da causa raiz objetiva a eliminação completa do problema evitando

A metodologia FRACAS é a espinha dorsal de um esforço de melhoria de desempenho dos

A norma MIL-HDBK-338B indica as principais etapas de um FRACAS, tipicamente, isso

• Observação da falha durante a operação ou teste;

A figura abaixo ilustra esse processo na forma de fluxograma.

O analista examina as informações inseridas e emite seus comentários em um relatório de

Conforme o número de registros no FRACAS cresce, o analista pode levantar os dados

Do ponto de vista da avaliação da confiabilidade, os dados de falha são usados para:

O objetivo da análise dos modos de falha, efeitos é examinar modos de falha de

Desenvolvimento da FMEA é o melhor desenvolvido por um grupo multidisciplicar de

Falhas Funcionais - descreve a perda de função do produto de fácil manutenção necessária

FMEA de processos: São consideradas as falhas no planejamento e execução do processo,

FMEA de sistemas: São considerados sistemas e subsistemas nas fases conceituais e de

FMEA de serviços: São analisados os serviços antes de eles atingirem o consumidor. É

Apesar de as etapas e a maneira de realização da análise serem as mesmas, existem

Os mecanismos utilizados no FMEA são relativamente simples. O método consiste

1. O FMEA é normalmente desenvolvido respondendo a perguntas básicas:

2. Como cada parte do produto (processo, serviço) poderia falhar?

3. Quais mecanismos poderiam produzir estes modos de falha?

4. Quais seriam os efeitos se essas falhas ocorressem?