Módulo 2 - Livro 3 - Distribuições de Probabilidades

2022
Distribuições de probabilidade
teóricas notáveis – Módulo 2 – Livro 3
Prof. Carlos Henrique Mariano
Universidade Tecnológica Federal
do Paraná
1/9/2022
[Digite aqui]
1
Distribuições teóricas de probabilidades
Basicamente podemos classificar as distribuições teóricas

de probabilidade em duas categorias:
a. Aquelas que representam variáveis aleatórias
discretas;
b. Aquelas que representam variáveis aleatórias
contínuas.
2. Distribuições discretas
Das várias distribuições discretas existentes destacamos
duas delas que podem ser utilizadas no contexto específico da
análise de dados de vida ou no contexto geral da engenharia
da confiabilidade. Trata-se da distribuição binomial e da
distribuição de Poisson.
2.1 Distribuição binomial
Vamos considerar um simples lançamento de uma

moeda, dois resultados podem ser esperados: cara (CA) ou
coroa (CR). Cada um destes resultados possui uma
probabilidade de ocorrência de ½ ou 50%. Assim todos os
possíveis resultados podem ser expressos, baseados nas regras
de probabilidade, da seguinte maneira (1):
P(CA) + P(CR) = [P(CA) + P(CR)]1 (1)
Se lançarmos a moeda duas vezes, os resultados possíveis
seriam: (CA;CA), (CR;CR), (CA;CR) e (CR;CA) mas não
necessariamente nesta ordem. Podemos agrupar os resultados
dessa forma: 1*(CA;CA), 2*(CA;CR) e 1*(CR;CR). As
probabilidade dos resultados agrupados seria: ¼ (25%);
Curso de Especialização em Engenharia da Confiabilidade

Curso de Graduação em Engenharia Elétrica
Curso de Graduação em Engenharia de Controle e Automação
2
½(50%);1/4(25%). Podemos equacionar o evento (2

lançamentos, baseados nas regras de probabilidade, de uma
moeda dessa forma (2):
𝑃(𝐶𝐴) ∗ 𝑃(𝐶𝐴) + 2 ∗ (𝑃(𝐶𝐴) ∗ 𝑃(𝐶𝑅)) + 𝑃(𝐶𝑅) ∗ 𝑃(𝐶𝑅) = 𝑃(𝐶𝐴)2 + 2𝑃(𝐶𝐴)𝑃(𝐶𝑅) +
𝑃(𝐶𝑅)2 = [𝑃(𝐶𝐴) + 𝑃(𝐶𝑅)]2 (2)
Assim se formos realizando mais lançamentos o cálculo

dos possíveis resultados se traduz na soma das probabilidades
de sair cara ou de sair coroa elevados a um índice que
corresponde o número de lançamentos da moeda. Então se
lançarmos 3 vezes a moeda o cálculo da probabilidade dos
possíveis lançamentos seria dado pela expressão (3):
𝑃(𝐶𝐴)3 +3 ∗ 𝑃(𝐶𝐴)2 ∗ 𝑃(𝐶𝑅) + 3 ∗ 𝑃(𝐶𝐴) ∗ 𝑃(𝐶𝑅)2 + 𝑃(𝐶𝑅)3 = [𝑃(𝐶𝐴) + 𝑃(𝐶𝑅)]3 (3)
De acordo com Billiton,1992, o termo 3 ∗ 𝑃(𝐶𝐴)2 ∗ 𝑃(𝐶𝑅 ),

na equação (3) indica que um possível resultado seria (2 caras
+ 1 coroa) e que existe 3 formas disso acontecer e a
probabilidade de ocorrência para cada uma destas formas
seria 𝑃(𝐶𝐴)2 ∗ 𝑃(𝐶𝑅 ) então a probabilidade de dar (2 caras +1
coroa) seria dado por 3 ∗ 𝑃(𝐶𝐴)2 ∗ 𝑃(𝐶𝑅 ). Os termos a direita das
equações 1, 2 e 3 representam a expressão binomial
convencional de primeira, segunda e terceira ordem
respectivamente. Os expoentes dos termos representam então
o número de vezes que o experimento é repetido.
Então a distribuição binomial representa todos os possíveis
resultados, e suas probabilidades, de um experimento ou
evento no qual pode ser representado pela expressão
binomial (𝑝 + 𝑞 )\𝑛 . Se atribuirmos então sucesso ao resultado
cara (CA) e o resultado (CR) como de falha ou insucesso dessa
forma a discussão se torna mais geral e os conceitos descritos
podem ser relacionados aos conceitos de confiabilidade para

3
os quais “p” agora representa a probabilidade de sucesso e

“q” (=1-p).
A distribuição binomial pode ser representada pela

expressão geral (4)
(𝑝 + 𝑞 )𝑛 (4)
E para que esta expressão seja aplicável, quatro
condições especificas devem ser cumpridas (Billinton, p.
55,1992):
1) Deve haver um número fixo de experimentos, ou seja, “n” é conhecido,
2) Cada experimento resulta em sucesso ou falha, ou seja, somente uma
saída é possível p+q= 1,
3) Todos os experimentos devem ter probabilidades idênticas de sucesso e,
portanto, de fracasso(falha), ou seja, os valores de p e q permanecem
constantes e
4) Todos os experimentos devem ser independentes (esta propriedade
segue a condição “3” uma vez que a probabilidade de sucesso no
experimento “i” deve ser constante e não afetada pelo resultado do
experimento 1, 2..., (i-1))
Quando expandimos a equação (4) chegamos na

equação geral, função massa de probabilidade (5):
(𝑝 + 𝑞 )𝑛 = ∑𝑛𝑟=0(𝑛𝑟) 𝑝𝑟 𝑞 𝑛−𝑟 = 1 (5)
Onde:
p – probabilidade de sucesso;
q – probabilidade de falha ou de insucesso;
n – número de vezes que do evento ou experimento;
r - número de falhas

4
Vamos ver que tipo de problemas pode ser resolvido com a

função binomial:
Problema 1 Billinton, p.63, 1992

É de conhecimento que um certo processo de manufatura,
1% dos produtos são defeituosos. Se um consumidor médio
compra 50 destes produtos, selecionados aleatoriamente,
qual é a probabilidade de que ele receba dois ou menos
produtos com defeito?
Neste exemplo, somente um número restrito de
possibilidades precisa ser considerado. Estas são a
probabilidade que o consumidor receba 2, 1 ou nenhum
produto defeituoso. O princípio da distribuição binomial ainda
pode ser usado, mas somente três valores de probabilidade
precisam ser avaliados. Nesse problema n= 50, p=0,01, q=0,99
e r=0, 1, 2
50
𝑝(2 𝑑𝑒𝑓𝑒𝑖𝑡𝑢𝑜𝑠𝑜𝑠) = ( ) (0,01)2 (0,99)50−2
2
𝑝(1 𝑑𝑒𝑓𝑒𝑖𝑡𝑢𝑜𝑠𝑜𝑠) = (50
1
)(0,01)1 (0,99)50−1
50 0
50−0
𝑝(0 𝑑𝑒𝑓𝑒𝑖𝑡𝑢𝑜𝑠𝑜𝑠) = ( ( ) (
) 0,01 0,99 )
0
E probabilidade de P(2 ou menos defeituosos)=
50−0
(50
2
)(0,01)2 (0,99)50−2 + (50
1
)(0,01)1 (0,99)50−1 + (50
0
)(0,01)0 (0,99) =
0,0756 + 0,3056 + 0,6050 = 0,9862
Observe que a probabilidade de sucesso é encontrar um componente
defeituoso.

5
Problema 2 – Knesevic, p.48, 1993

De acordo com informação passada a probabilidade de
produção de componentes defeituosos é 0,05. Mantendo o
processo produção para 6 experimentos consecutivos
determine:
a) A probabilidade de não defeituosos;
b) A probabilidade de 2 defeituosos;
c) A média e o desvio padrão do número de defeituosos.
Resolução:
a) 𝑝(0 𝑑𝑒𝑓𝑒𝑖𝑡𝑢𝑜𝑠𝑜𝑠) = (60)(0,05)0 ∗ 0,966−0 = 0,7351
b) 𝑝(2 𝑑𝑒𝑓𝑒𝑖𝑡𝑢𝑜𝑠𝑜𝑠) = (62)(0,05)2 ∗ 0,966−2 = 0,0305
c) O número médio de defeituosos - 𝐸 (𝑥) = 𝑛𝑝 = 6 ∗ 0,05 = 0,30
d) O desvio padrão do número σ(X)=√𝑛𝑝𝑞 = √6 ∗ 0,05 ∗ 0,95 =
0,5338
Assim a distribuição binomial segundo Droguett “ fornece a
probabilidade de um evento(sucesso no nosso caso) ocorra
exatamente “x” vezes em “n” tentativas independentes:
𝑋 = 𝑥 , 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑣𝑒𝑧𝑒𝑠 𝑞𝑢𝑒 𝑜 𝑒𝑣𝑒𝑛𝑡𝑜 𝑜𝑐𝑜𝑟𝑟𝑒𝑢;
𝑝 = 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒 𝑞𝑢𝑒 𝑜 𝑒𝑣𝑒𝑛𝑡𝑜 𝑜𝑐𝑜𝑟𝑟𝑎, 𝑜𝑢 𝑠𝑒𝑗𝑎 , 𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒 𝑑𝑒 𝑠𝑢𝑐𝑒𝑠𝑠𝑜
Note que X corresponde ao número de eventos em n

tentativas. Logo “p” é a probabilidade de sucesso e não a
probabilidade de obter-se “x” sucessos”. Por exemplo no caso
do Problema 2 a probabilidade de sucesso ou a probabilidade
de se produzir um item defeituoso era de 0,05. Então, o sucesso
seria produzir itens defeituosos.

6
2.2 Distribuição de Poisson

Segundo Knesevic “A distribuição de probabilidade teórica
que combina o número de ocorrências de um evento em um
determinado período de tempo com sua probabilidade é
chamada de distribuição de Poisson”. Em outras palavras e de
acordo com a apresentação sobre a Distribuição de Poisson
trata-se “de uma distribuição discreta de probabilidade
aplicável a ocorrências de um evento em um intervalo
especificado. E que esta ocorrência se dá segundo uma taxa.
A função massa de probabilidade de Poisson é dada por (6)
𝑒 −𝜆 𝜆𝑥
𝑝(𝑋 = 𝑥|𝜆) = 𝑜𝑛𝑑𝑒 𝑥 = 0,1,2, … (6)
𝑥!
Onde λ é a intensidade do processo e representa o número

esperado de ocorrências em um período de comprimento t
(tempo). Ou taxa de ocorrência do evento x (nº esperado de
eventos)
A função de distribuição acumulada de Poisson é dada por
(7):
𝑒 −𝜆 𝜆𝑖
𝐹 (𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∑𝑥𝑖=0 (7)
𝑖!
A esperança ou média é dada por 𝐸 (𝑋) = 𝜆 e a variância é

dada por 𝑉 (𝑋) = 𝜆.
A distribuição de Poisson pode ser aplicada para:
a. “Usuários de computador ligados à internet;
b. Clientes chegando ao caixa de um supermercado;
c. Acidentes com automóveis em uma determinada estrada;
d. Número de carros que chegam a um posto de gasolina;
e. Número de falhas em componentes por unidade de tempo;
f. Número de requisições para um servidor e um intervalo de tempo t;
g. Número de peças defeituosas substituídas em um veículo durante o
primeiro ano de vida;” Distribuição de Poisson, 2022.

7
Quais seria as condições para aplicarmos a distribuição de

Poisson: 1. Que a variável aleatória “x” seja o nº de ocorrências
de um evento em um intervalo. 2. As ocorrências sejam
aleatórias. 3. As ocorrências sejam independentes umas das
outras. 4. As ocorrências tenham a mesma probabilidade
sobre o intervalo considerado.
O número esperado de ocorrência em um período “t” é
igual a “np” que é o mesmo que λ e, é dado por 𝐸 (𝑥) = 𝜆 e
seu desvio padrão é dado por 𝜎 = √𝜆.
A distribuição de Poisson “difere da binominal em dois
aspectos:
1. A binominal é afetada pelo tamanho da amostra “n” e
pela probabilidade “p”, enquanto a Poisson é afetada
apenas pela taxa de ocorrência(média) λ.
2. Em uma binomial, os valores possíveis da variável
aleatória “X” são 0,1, 2, ..., n (limite máximo), enquanto
em uma Poisson os valores possíveis de “X” são 0,1,2,3 ...
(sem limite superior)
Concluindo que podemos utilizar a distribuição de Poisson
como uma aproximação da distribuição Binomial quando, “n”
é grande e “p” muito pequeno e nesta condição “np”
permanece constante.
Problema 3 Knesevic, p.51 , 1993
Suponha que o número de defeitos em máquinas de cortar
grama que saem de uma linha de produção seja monitorado
durante um período e que o número médio de defeitos seja de
0,5 por máquina. Determine a probabilidade de 0 e 1 defeitos
serem encontrados
Solução

8
a) 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒 𝑝𝑎𝑟𝑎 0 𝑑𝑒𝑓𝑒𝑖𝑡𝑜𝑠 𝑝(𝑋 = 0|0,5) = =
𝑥!
𝑒 −0,5 0,50
= 0,606
0!
b) 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒 𝑝𝑎𝑟𝑎 1 𝑑𝑒𝑓𝑒𝑖𝑡𝑜 𝑝(𝑋 = 0|0,5) = =
𝑥!
𝑒 −0,5 0,51
=0,303
1!
Problema 4 – Knesevic, p. 51-52, 1993

Em um grande sistema transmissão de energia elétrica o
número médio de falhas em cabos por ano e por 100 km de
cabo é 0,5. Considerando um trecho de 10 km de cabos,
avalie as probabilidades de 0, 1, 2, ... (e assim por diante) falhas
ocorrerem em:
a) Um período de 20 anos;
b) Um período de 40 anos;
Solução
Assumindo que a taxa média dos dados de falhas é válida
para 10 km de cabos e para 2 períodos considerados, a taxa
esperada de falha λ é:
0,5 ∗ 10(𝑘𝑚)
𝜆= = 0,05 𝑓𝑎𝑙ℎ𝑎𝑠/𝑎𝑛𝑜
100
a) Para o período de 20 anos:
𝐸(𝑥) = 0,05 ∗ 20 = 1,00 (espera-se a ocorrência de uma

falha) e
𝑒 −1 1 𝑥
𝑃(𝑥) = 𝑝𝑎𝑟𝑎 𝑥 = 0,1,2 …
𝑥!
b) Para o período de 40 anos:

9
𝐸(𝑥) = 0,05 ∗ 40 = 2,00, (espera-se a ocorrência de duas

(2) falhas e
𝑒 −2 2 𝑥
𝑃(𝑥) = 𝑝𝑎𝑟𝑎 𝑥 = 0,1,2 …
𝑥!
Foram apresentadas as soluções gerais para calcularmos as

probabilidades. Devemos substituir nas equações das alíneas
“a” e “b” os valores de x=0,1, 2, ... e assim por diante, pois, o
problema não determinou um número limite de falhas. E,
quando multiplicamos a E(x) pelo número de anos obtemos a
quantidade possível de falhas ou ocorrências.
3 Distribuições contínuas de probabilidade
Os modelos probabilísticos contínuos ou as distribuições

contínuas de probabilidades mais frequentes nos estudos dos
dados de falha ou na engenharia da confiabilidade são:
a. Weibull 2 e 3 parâmetros,
b. Exponencial de 1 e 2 parâmetros,
c. Normal,
d. Lognormal,
Cada distribuição destas são caracterizadas por
parâmetros que possuem interpretações distintas na análise de
dados de vida. De acordo com Knesevic, p.52, 1993 “este tipo
de distribuição está relacionado às variáveis aleatórias
contínuas”.

10
3.1 Distribuição exponencial
A distribuição exponencial mais corriqueira é definida por

um único parâmetro que governa tanto a forma quanto a
localização da distribuição. Porém, há o modelo exponencial
de dois parâmetros (λ,γ) onde o 𝛾, o parâmetro de localização
desloca a distribuição da origem no eixo “x” ou dos tempos e,
representa que as falhas só ocorrerão após o tempo “𝛾”. Este
deslocamento, normalmente, representa um período que o
item tem confiabilidade unitária, ou em outras palavras não
falha. Porém, outras interpretações podem ser deduzidas da
experiência prática com o sistema.
A função densidade de probabilidade exponencial tem
esta forma (8):
1
1
𝑓 (𝑡 ) = 𝜆𝑒 −𝜆𝑡 = 𝜆 𝑒 −𝜆𝑡 (8)
Onde:
𝜆 = o parâmetro principal, que no caso específico da
exponencial corresponde à taxa constante de falha (dada em
unidade de tempo (segundos, minutos, horas, ciclos, km etc.)
1⁄ = média (tempo até falhar)
𝜆
𝑡 – Tempo de operação, vida ou idade (segundos, minutos,
horas, ciclos, km etc.)
Se tivermos o segundo parâmetro 𝛾 a pdf com dois (2)

parâmetros da exponencial fica assim (9):
1⁄ (𝑡−𝛾)
𝑓 (𝑡 ) = 𝜆𝑒 −𝜆(𝑡−𝛾) = 1⁄𝜆 𝑒 − 𝜆 (9)
Onde
𝛾 – é o parâmetro de localização

11
O quadro 1 apresentamos as funções das estatísticas

notáveis da exponencial
Quadro 1 – Estatísticas da função exponencial
Estatísticas da exponencial Funções

Confiabilidade, R(t) 𝑅(𝑡) = 𝑒 −𝜆(𝑡−𝛾) = 𝑒
−(𝑡−𝛾⁄𝑚−𝛾 )
Não confiabilidade F(t) 𝐹(𝑡) = 1 − 𝑒

−(𝑡−𝛾⁄
𝑚−𝛾 )
Taxa de falha 𝜆(𝑡) = 𝜆

Média (MTTF) 𝑇̅ = 𝛾 + 1⁄𝜆
Desvio padrão 𝜎 = 1⁄𝜆
Probabilidade condicional 𝑅(𝑇 + 𝑡)
𝑅(𝑇, 𝑡) =
𝑅(𝑇)
Fonte: Autoria própria
A função exponencial tem uma propriedade interessante

que chamamos a falta de memória. Mas o que significa a falta
de memória da exponencial? Vamos iniciar com um exemplo,
digamos que um item dura em média 2 anos, se o tempo que
o componente leva para falhar é independente de quanto
tempo já tenha operado neste caso, os dados históricos para
prever quando o componente irá falhar novamente, não
podem ser utilizados. Como a pdf, figura 01, da exponencial
decai “exponencialmente” com o tempo e a taxa de falha
permanece constante podemos deduzir que esta
característica matemática do modelo pode representar que o
passado não influencia o futuro.
A dedução matemática desta propriedade da exponencial
seria (10):
1
− 𝑡
𝑆𝑒 𝑎 𝑓(𝑡 ) = { 𝜆𝑒 𝜆 , 𝑡 ≥ 0 (10)
0, 𝑡 < 0
E o cálculo da probabilidade para um determinado
momento “t” (11) é:

12
1
+∞
𝑃(𝑇 > 𝑡 ) = ∫𝑡 𝜆𝑒 −𝜆𝑡 𝑑𝑡 = 𝑒 −𝜆𝑡 (11)
E, como a probabilidade de um evento ocorrer nas

próximas 𝑡 unidades de tempo não depende das últimas 𝜏0
unidades de tempo então a probabilidade condicional pode
ser representada em (12):
𝑃(𝑡 > 𝜏0 + 𝜏|𝑇 > 𝜏0 ) (12)
Em outras palavras procuramos saber qual é a
probabilidade de 𝑡 ocorrer nos 𝜏0 + 𝜏 unidades de tempo dado
que 𝜏0 já tenha ocorrido. Podemos representar, então, a
probabilidade condicional do evento A ocorra dado que o
evento B tenha ocorrido pela seguinte equação (13):
𝑃(𝐴∩𝐵)
𝑃(𝐴|𝐵) = (13)
𝑃(𝐵)
Vamos calcular então a probabilidade condicional (14):

𝑃(𝑡>𝜏0 +𝜏|𝑇>𝜏0 )
𝑃(𝑡 > 𝜏0 + 𝜏|𝜏0 ) = = 𝑒 −𝜆𝑡 (14)
𝑃(𝑇>𝜏0 )
Então a probabilidade condicional (14) é igual a

probabilidade para um evento 𝑡 qualquer (11), de acordo com
(15):
𝑃(𝑡 > 𝜏0 + 𝜏|𝜏0 ) = 𝑃(𝑇 > 𝑡) (15)
Assim matematicamente provamos a falta de memória que
a função densidade de probabilidade de falhas exponencial
possui. Em outras palavras, “as falhas são meramente
aleatórias e não relacionadas com o tempo” (Droguett, p.28,
2010). Então, podemos afirmar que um sistema ou
componente cujo tempo de falha é descrito por uma
distribuição exponencial não sofre desgaste.
Quando se recomenda então o uso da função
exponencial?

13
1. Quando somente temos um registro de falha;

2. Segundo Droguett, 2010 podemos usar a distribuição
exponencial quando:
“ a. Idealmente o período de taxa de falha constante deve dominar a vida
útil do sistema. Em situações em que a taxa de falha do componente ou sistema
é constante ou aproximadamente constante;
b. Em situações em que um componente possui distintos

comportamentos da taxa de falha ao longo do período em que ele é utilizado,
a distribuição exponencial tem sido usada quando a região de taxa de falha
constante é dominante com relação a outras regiões da curva da banheira:
i. Componentes eletrônicos
ii. Alguns componentes mecânicos
c. Análise de sistemas complexos
i. Métodos analíticos para sistemas complexos são

complicados, logo simplificações devem ser feitas. Nestes casos, a
hipótese de taxa de falha constante e o uso da distribuição exponencial
simplificam consideravelmente o problema.
ii. Dados de falha disponíveis na análise de confiabilidade

de sistemas complexos são em geral limitados e insuficientes para
verificar ou ajustar uma distribuição complexa. Assim, não é realístico
empregar uma distribuição mais complicada do que os dados disponíveis
permitam!” (Droguett, p.26, 2022)
No tocante ainda aos sistemas complexos podemos utilizar

a exponencial quando o sistema possui uma alta quantidade
de componentes, ou quando possuem componentes com
taxas de falhas independentes ou quando as causas são muito
heterogêneas. Mas, vale sempre o lembrete de que a
experiência com a operação do sistema sempre deve
prevalecer para a escolha do modelo probabilístico mais
adequado.
A influência do parâmetro λ na forma das curvas da
exponencial é mostrada na figura 1

14
Figura 1 – Influência no parâmetro λ nos gráficos da exponencial

1,5
1,5 1,4
1,3
1,2
1,1
1
1 0,9
0,5 0,8 f1 (0,5)
0,7
1 f2 (1,0)
0,6
0,5 1,5 0,5 f3 (1,5)
0,4
0,3
0,2
0,1
0 0
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5 0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5
Taxa Condicional de Falha λ(x) ou função taxa Densidade de Probabilidade de Falhas f(x)
de falha
1 1
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
C1 (0,5) F1 (0,5)
0,5 0,5
C2 (1,0) F2 (1,0)
0,4 0,4
C3 (1,5) F3 (1,5)
0,3 0,3
0,2 0,2
0,1 0,1
0 0
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5 0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5
Confiabilidade R(x) Probabilidade Acumulada de Falha F(x)

E por fim uma outra característica importante da

distribuição exponencial, segundo Droguett, p.26, 2010, “ao se
obter a confiabilidade atingida para um tempo operacional
1
equivalente ao MTTF temos 𝑅(𝑀𝑇𝑇𝐹 ) = 𝑒 −𝑀𝑇𝑇𝐹∗𝑀𝑇𝑇𝐹 = 𝑒 −1 =
0,368, ou seja um item cujo tempo de falha segue a distribuição
exponencial, possui chance um pouco melhor de 1/3 de
sobreviver até o seu MTTF”
3.2 Distribuição Weibull de 2 e 3 parâmetros

Vamos aprofundar a discussão sobre a distribuição
Weibull que iniciamos no livro 2 do módulo 2. A distribuição
Weibull com três parâmetros (16) é definida pela seguinte
função de densidade de probabilidades:

15
𝑡−𝛾 𝛽
𝛽 𝑡−𝛾 𝛽−1 −( )
𝑓 (𝑡; 𝜂, 𝛽, 𝛾 ) = 𝜂 ( ) 𝑒 𝜂 (16)
𝜂
Onde
β - parâmetro de forma (ou de inclinação) adimensional.
η – parâmetro de escala (também chamado de vida
característica). Mesma unidade do tempo das falhas
𝛾 – Parâmetro de localização (também chamado de
vida mínima). Mesma unidade do tempo das falhas
Se 𝛾 = 0, temos a função de densidade de probabilidade
Weibull com dois parâmetros (17) dada por:
𝑡 𝛽
𝛽 𝑡 𝛽−1 −( )
𝑓 (𝑡 ) = 𝜂 (𝜂) 𝑒 𝜂 (17)
A figura 2 nos mostra a influência da variação de 𝛽 nos

gráficos da função, considerando 𝜂 constante.
Figura 2 – Influência de beta nos gráficos da função Weibull 2 parâmetros
f (t )  (t )
R (t ) F (t )

16
Assim o parâmetro de forma β indica se a taxa de falha está

crescente, constante ou decrescente. Se β<1, é um indicativo
de que o produto está com a taxa de falha decrescente. Este
cenário é típico da chamada “mortalidade infantil”, indicando
que o produto falha logo no seu período de “nascimento”.
Se β=1, é um indicativo de taxa de falha constante. São
componentes que após sobreviverem ao “nascimento”
possuem uma taxa de falha constante ao longo do ciclo de
vida útil. Se β>1, temos então a situação de uma taxa de falha
crescente. Este cenário é típico de produtos que falham por
desgaste ou envelhecimento.
Droguett, 2010, apresenta uma classificação de
interpretação estendida de 𝛽 de acordo com o quadro 2
Quadro 2 – Interpretação estendida de 𝛽 segundo Droguett
Valor Propriedade
0<𝛽<1 ℎ(𝑡 )𝑑𝑒𝑐𝑟𝑒𝑠𝑐𝑒𝑛𝑡𝑒
𝛽=1 ℎ(𝑡 )𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 (𝑑𝑖𝑠𝑡. 𝑒𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙)
1<𝛽<2 ℎ(𝑡 )𝑐𝑟𝑒𝑠𝑐𝑒𝑛𝑡𝑒 𝑒 𝑐ô𝑛𝑐𝑎𝑣𝑎
𝛽=2 ℎ(𝑡 )𝑐𝑟𝑒𝑠𝑐𝑒𝑛𝑡𝑒 𝑒 𝑙𝑖𝑛𝑒𝑎𝑟 (𝑑𝑖𝑠𝑡. 𝑅𝑎𝑦𝑙𝑒𝑖𝑔ℎ)
𝛽>2 ℎ(𝑡) 𝑐𝑟𝑒𝑠𝑐𝑒𝑛𝑡𝑒 𝑒 𝑐𝑜𝑛𝑣𝑒𝑥𝑎
3≤𝛽≤4 ℎ(𝑡 )𝑐𝑟𝑒𝑠𝑐𝑒𝑛𝑡𝑒 𝑒 𝑎𝑝𝑟𝑜𝑥. 𝑠𝑖𝑚é𝑡𝑟𝑖𝑐𝑎 (𝑑𝑖𝑠𝑡. 𝑁𝑜𝑟𝑚𝑎𝑙)
Fonte: Droguett, 2022
A flexibilidade da distribuição Weibull é notável podendo

representar uma grande variedade de comportamentos dos
modos de falha dos equipamentos no tempo. E, de acordo
com o quadro 2, podemos aproximar a Weibull a outras
distribuições de probabilidade pelo valor de 𝛽.
Especificando um pouco mais o quadro 2, se 𝛽 = 2,5 a
distribuição Weibull é aproximadamente equivalente a
distribuição LogNormal, ou suas funções de densidade de
probabilidade (pdfs) são equivalentes, porém a LogNormal
não é um caso especial da Weibull. Se, 𝛽 = 3,6 a dist. Weibull

17
é aproximadamente equivalente à distribuição Normal, porém

a Normal não pode ser considerada um caso particular da
Weibull.
As taxas de falhas convexas 𝛽 > 2 refletem um processo
de desgaste extremamente agressivo.
E, por fim, para encerrarmos este tópico com relação a
plasticidade da distribuição Weibull, mesmo que ela seja
capaz de representar todas as três fases da curva da banheira,
ela o faz para distintos valores do parâmetro de forma em
outras palavras não existe nenhum valor do parâmetro de
forma que resulte em uma taxa de falha com a forma da curva
da banheira (decrescente, constante e crescente). (Droguett,
2010)
A figura 3 apresenta a influência do parâmetro 𝜂 nos
gráficos da função considerando o 𝛽 constante.
Figura 3 Influência do parâmetro 𝜂 nos gráficos da função Weibull de 2 parâmetros
f (t )  (t )
R (t ) F (t )
A vida característica ou parâmetro de escala, 𝜂, é uma

medida de escala ou propagação com relação à distribuição
dos dados. Ele representa o período em que se espera que

18
ocorram cerca de 63% das falhas. Neste período o 𝜂 = (𝑡 − 𝑡0 )

e assim a equação da confiabilidade fica reduzida a 𝑅 (𝑡 ) =
𝑒 −1 ≈ 0,37. Isto significa que existe a probabilidade que 37% dos
itens não falhem até o tempo 𝜂, dado que 63% já podem ter
falhado (18).

 t −t  
− 0
 

 R(t ) = e−(1) = e−1 F (t ) = 1 − e−1
R(t ) = e  
(18)
≈37% ≈63%
No quadro 3 apresentamos as estatísticas da distribuição

Weibull com 3 parâmetros
Quadro 3 – Estatísticas função Weibull 3 parâmetros
Estatísticas da Weibull Funções

Confiabilidade, R(t) (−
(𝑡−𝛾)⁄ 𝛽
𝑅(𝑡) = 𝑒 𝜂)
Não confiabilidade F(t) (−

(𝑡−𝛾)⁄ 𝛽
)
𝐹(𝑡) = 1 − 𝑒 𝜂
Taxa de falha 𝛽 𝑡 − 𝛾 𝛽−1

𝜆(𝑡) = ( )
𝜂 𝜂
Média (MTTF) 1
𝑇̅ = 𝛾 + 𝜂 ∗ Γ ( + 1)
𝛽
Desvio padrão 2 1 2
𝜎 = √𝜂 2 Γ (1 + ) − [Γ (1 + )]
𝛽 𝛽
𝑅(𝑇, 𝑡) =
𝑅(𝑇)
Diferentemente da função exponencial, para a distribuição

Weibull não há relação direta entre o MTTF e a taxa de falha

19
ℎ(𝑡). E, no cálculo do MTTF utilizamos a função gamma no

1
termoΓ (𝛽 + 1). A função gamma é dada por (19):
∞
Γ(𝑥) = ∫0 𝑦 𝑥−1 𝑒 −𝑦 𝑑𝑦 (19)
Quando “x” for inteiro positivo a função gamma pode ser

generalizada (20):
Γ(𝑥) = (𝑥 − 1)! (20)
E, quando podemos utilizar a distribuição Weibull? Para
Droguett, 2010 “a flexibilidade da Weibull a torna um modelo
apropriado para uma grande variedade de problemas
encontrados na prática: como análise de desgaste e corrosão,
tempo de falha de componentes eletrônicos. Como a
distribuição tem capacidade para descrever taxas de falhas
crescentes é um modelo a ser considerado quando nos
deparamos com itens sujeitos ao desgaste”
3.3 A distribuição normal

Esta é a distribuição teórica mais amplamente
utilizada na literatura. A distribuição normal é continua para
todos os valores de “X” entre −∞ 𝑒 + ∞. Esta é uma
característica da forma simétrica que possui, que quer dizer
que a média, a mediana e a moda possuem o mesmo valor
numérico. A função de densidade de probabilidade normal
tema seguinte equação (21):
1 1
𝑡−𝜇 2
𝑓 (𝑡 ) = (𝜎 ) 𝑒 −2 ( ) (21)
√ 2𝜋 𝜎
Onde:
𝜇 − 𝑚é𝑑𝑖𝑎 𝑛𝑜𝑟𝑚𝑎𝑙 𝑑𝑜𝑠 𝑡𝑒𝑚𝑝𝑜𝑠 𝑎𝑡é 𝑎 𝑓𝑎𝑙ℎ𝑎 𝑜𝑢 𝑀𝑇𝑇𝐹
𝜎 − 𝑑𝑒𝑠𝑣𝑖𝑜 𝑝𝑎𝑑𝑟ã𝑜 𝑑𝑜𝑠 𝑡𝑒𝑚𝑝𝑜𝑠 𝑎𝑡é 𝑎 𝑓𝑎𝑙ℎ𝑎

20
Vamos observar a influência que os parâmetros σ desvio

padrão e a μ média na função de densidade de
probabilidade normal, na figura 04, vamos manter 𝛽 constante
e igual 0,5 e vamos variar a média 𝜇 atribuindo os valores -5, 0
e +5. A média localiza a distribuição no eixo “x” ou no nosso
caso no eixo dos tempos até falha.
Figura 04 – Influência da média na pdf normal
Pdf Normal β = 0,5 (constante)

0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
-8 -6 -4 -2 -0,1 0 2 4 6 8
pdf(µ=-5) pdf(μ=0) pdf(μ=5)
Fonte – Autoria própria
Agora vamos fixar o valor da média 𝝁 = 𝟓 e vamos

considerar três valores distintos para o desvio padrão 𝝈, 1, 0,5 e
0,25. Assim na figura 05 podemos ver a influência do desvio
padrão na forma da pdf. Quanto maior o desvio padrão maior
é a dispersão dos dados e consequentemente mais achatada
a pdf parecerá.

21
Figura 05 – Influência do desvio padrão na curva da pdf Normal
Pdf Normal µ=5 - constante

1,8
1,6
1,4
1,2
1
0,8
0,6
0,4
0,2
0
-0,2 0 2 4 6 8 10
pdf (σ=1) pdf(σ=0,5) pdf(σ=0,25)
E, logicamente, a influência dos parâmetros 𝝁 (média) e do

𝝈 desvio padrão se faz presente em todos os gráficos da
normal como podemos ver na figura 6. Neste caso vamos ver
a influência da média 𝜇 constante e igual a cinco (5) na
função densidade acumulada de probabilidade F(t)
considerando os valores do desvio padrão 𝝈, 1, 0,5 e 0,25.
Figura 6 – Influência do desvio padrão na forma da F(t)
F(t) - Normal -μ=5 - constante

1,2
1
0,8
0,6
0,4
0,2
0
0 2 4 6 8 10
-0,2
F(t) (σ=1) F(t)(σ=0,5) F(t)(σ=0,25)

22
Percebemos que quanto menor o desvio padrão e,

consequentemente a dispersão dos dados, o crescimento da
probabilidade de falha é mais agressivo, representando um
processo de desgaste acentuado. No quadro 4 sumarizamos
as estatísticas da Normal.
Quadro 4 – Sumário das estatísticas da distribuição Normal
Estatísticas da Normal Funções

Confiabilidade, R(t) ∞
1 1 𝐿𝑛(𝑡)−𝜇′
− ( )
2
𝑅(𝑡) = ∫ 𝑒 2 𝜎′ 𝑑𝑡
𝑡 𝜎 ′ √2𝜋
Não confiabilidade F(t) ∞

1 1 𝐿𝑛(𝑡)−𝜇′
−2( )
2
𝐹(𝑡) = 1 − ∫ 𝑒 𝜎′ 𝑑𝑡
𝑡 𝜎 ′ √2𝜋
Taxa de falha 1 ) 𝑒−12 (𝑡 − 𝜇)2
(
𝜎√2𝜋 𝜎
𝜆( 𝑡 ) = 2
1 𝐿𝑛(𝑡)−𝜇′
∞ 1 −2(
𝜎′
)
∫𝑡 ′ 𝑒
𝜎 √2𝜋
Média (MTTF) 𝑇̅ = 𝜇
Desvio padrão 𝜎
𝑅(𝑇, 𝑡) =
𝑅(𝑇)
Fonte: Autoria própria.
Este fato pode ser melhor visualizado nos gráficos da função

taxa de falha, figura 07, onde percebemos a subida abrupta
da linha da taxa de falha para o menor valor de
𝛽, 𝑞𝑢𝑒 𝑛𝑜 𝑐𝑎𝑠𝑜 𝑠𝑒𝑟𝑖𝑎 0,25

23
Figura 07 – Curvas da função taxa de falha para µ constante e betas variáveis
h(t) - para µ=5 - constante

34
33
32
31
30
29
28
27
26
25
24
23
22
21
20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
0
-1 0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5 5,5 6 6,5 7 7,5 8 8,5 9 9,5
-2
h(t) (σ=1) h(t)(σ=0,5) h(t)(σ=0,25)
Porém cabe ressaltar que uma desvantagem no uso da

distribuição Normal é que ela inicia no negativo infinito,
podendo resultar em valores negativos para alguns resultados.
Assim, quando a média “µ” é positiva e bem maior que o
desvio padrão a probabilidade dos tempos negativos é
desprezível. (Droguett, 2010). Mesmo assim a Normal pode ser
utilizado para modelar processos de fadiga e desgaste,
considerando sua característica de apresentar a função risco
com tendência crescente de aumento da taxa de falha.

24
3.4 A distribuição LogNormal

A distribuição LogNormal em alguns aspectos pode ser
considerada como um caso especial da distribuição Normal.
Assim, se o tempo de falha segue uma distribuição LogNormal
então o logaritmo de T tem uma distribuição Normal. Se uma
variável aleatório 𝑇′ = 𝑙𝑛𝑇 é normalmente distribuída N(𝜇′ , 𝜎 ′ )
então a variável aleatória "𝑇" segue a distribuição LogNormal.
A pdf da LogNormal é dada em (22):
2
1 𝑇′ −𝜇′
1 −2( )
𝑓 (𝑇′) = 𝜎 ′ 𝑒 𝜎′ (22)
√2𝜋
Onde
𝑇 ′ = ln(𝑇 ) , 𝑒 𝑇 𝑠ã𝑜 𝑡𝑒𝑚𝑝𝑜𝑠 𝑎𝑡é 𝑎 𝑓𝑎𝑙ℎ𝑎.
𝜇′ é 𝑎 𝑚é𝑑𝑖𝑎 𝑑𝑜 𝑙𝑜𝑔𝑎𝑟𝑖𝑡𝑚𝑜 𝑛𝑎𝑡𝑢𝑟𝑎𝑙 𝑑𝑜𝑠 𝑡𝑒𝑚𝑝𝑜𝑠 𝑎𝑡é 𝑎 𝑓𝑎𝑙ℎ𝑎.
𝜎 ′ é 𝑜 𝑑𝑒𝑠𝑣𝑖𝑜 𝑝𝑎𝑑𝑟ã𝑜 𝑑𝑜 𝑙𝑜𝑔𝑎𝑟𝑖𝑡𝑚𝑜 𝑛𝑎𝑡𝑢𝑟𝑎𝑙 𝑑𝑜𝑠 𝑡𝑒𝑚𝑝𝑜𝑠 𝑎𝑡é 𝑎 𝑓𝑎𝑙ℎ𝑎
A figura 08 apresenta a influência das médias da
LogNormal, considerando o desvio padrão (𝜎 ′ ) constante =
1, sobre a forma da função densidade de probabilidade –
pdfs.
Figura 08 – Influência do valor da média sobre a forma das pdfs LogNormal
LogNormal - 𝜎′ constante
0,45
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
0 1 2 3 4 5 6 7 8
pdf(μ'=0,5) pdf(μ'=1,0) pdf(μ'=3,0)

25
Na figura 09 repetimos o processo agora verificando a

influência da variação do desvio padrão sobre a forma das
funções densidade de probabilidade para a média
constante e igual um (𝜇′ = 1).
Figura 09 – Influência do desvio padrão nas pdfs com média constante
LogNormal - 𝜇′=1 - constante

0,45
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
0 1 2 3 4 5 6 7 8
-0,05
pdf(σ'=0,4) pdf(σ'=0,8) pdf(σ'=1,2)
Na figura 10 apresentamos a influência da variação

do desvio padrão sobre a forma das funções densidade de
probabilidade acumulada para a média constante e igual
um (𝜇′ = 1).

26
Figura 10 – Influência do desvio padrão na forma da função densidade de

probabilidade acumulada
F(t) LogNormal - para 𝜇′=1 - constante

1,2
0,8
0,6
0,4
0,2
0
0 1 2 3 4 5 6 7 8
-0,2
F(t)(σ'=0,4) F(t)(σ'=0,8) F(t)f(σ'=1,2)
Fonte – Autoria própria
Na figura 11 observamos o comportamento das

funções taxa de falha considerando a influência do desvio
padrão e para a média constante e igual um (𝜇′ = 1).

27
Figura 11 – Influência do desvio padrão na forma da função taxa de falha h(t)
h(t) - LogNormal para - 𝜇′=1 -

constante
1,2
0,8
0,6
0,4
0,2
0
0 1 2 3 4 5 6 7 8
-0,2
h(t)(σ'=0,4) h(t)(σ'=0,8) h(t)f(σ'=1,2)
Ao observarmos a forma da função taxa de falha

podemos afirmar que a distribuição LogNormal é
apropriada para representar itens ou sistemas que
apresentam uma concentração dos tempos de falha nos
valores iniciais do período de operação, pois tem tendencia
inicial crescente de falhas por um determinado período
para depois se estabilizar em um comportamento quase
constante com tendência levemente decrescente. Em
outras palavras a taxa de falha cresce para depois
decrescer com o aumento do tempo de operação. E,
segundo Droguett 2010 “na prática, frequentemente dados
de falha da LogNormal são bem ajustados pela Weibull.” No
quadro 5 apresentamos o sumário das estatísticas da
distribuição LogNormal.

28
Quadro 5 – Estatísticas da distribuição LogNormal
Estatísticas da LogNormal Funções

Confiabilidade, R(t) ∞
1 1 𝐿𝑛(𝑡)−𝜇′
− ( )
2
𝑅(𝑡) = ∫ 𝑒 2 𝜎′ 𝑑𝑡
𝑡 𝜎 ′ √2𝜋
Não confiabilidade F(t) ∞

1 1 𝐿𝑛(𝑡)−𝜇′
−2( )
2
𝐹(𝑡) = 1 − ∫ 𝑒 𝜎′ 𝑑𝑡
𝑡 𝜎 ′ √2𝜋
Taxa de falha ′
2
−1(𝐿𝑛(𝑡)−𝜇 )
1 𝑒 2 𝜎′
𝜆( 𝑡 ) =
𝜎′ √2𝜋
2
1 𝐿𝑛(𝑡)−𝜇′
∞ 1 −2(
𝜎′
)
∫𝑡 ′ 𝑒 𝑑𝑡
𝜎 √2𝜋
Média (MTTF) 𝑇̅ = 𝜇′
Desvio padrão 2
′ +𝜎′ )2 (𝜎′ −1)
𝜎 ′ = √𝑒 (2𝜇 ∗ [𝑒 ]

𝑅(𝑇, 𝑡) =
𝑅(𝑇)
E por fim, para Droguett 2010 a distribuição LogNormal é

apropriada para modelar “mecanismos de falha devido ao
estresse, como fadiga e corrosão, como também de
componentes eletrônicos ou eletromecânicos.”

29
Referências
Billinton, Roy; Allan Ronald N. Reliability Evalluation of
Engineering Systems – Concepts and techniques. New York,
Plenum Press, Second edition, 1992;
Knesevic, Jezdimir. Reliability, Maintainability and Supportability
- A probabilistic approach. Cambridge, University Press, 1993
Droguett, Enrique López. Análise da Confiabilidade de
Componentes Não reparáveis. Material de aula do Curso de
Engenharia de Confiabilidade, UFPE, 2010.
Distribuição de Poisson. Disponível em:
https://www.eecis.udel.edu/~portnoi/classroom/prob_estatisti
ca/2007_1/lecture_slides/aula11.pdf. Acesso em: 25/08/2022.


Módulo 2 - Livro 3 - Distribuições de Probabilidades

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

Módulo 2 - Livro 3 - Distribuições de Probabilidades

Enviado por

Direitos autorais:

Formatos disponíveis

2022

Distribuições teóricas de probabilidades

Basicamente podemos classificar as distribuições teóricas

2.1 Distribuição binomial

Vamos considerar um simples lançamento de uma

Curso de Especialização em Engenharia da Confiabilidade

½(50%);1/4(25%). Podemos equacionar o evento (2

Assim se formos realizando mais lançamentos o cálculo

𝑃(𝐶𝐴)3 +3 ∗ 𝑃(𝐶𝐴)2 ∗ 𝑃(𝐶𝑅) + 3 ∗ 𝑃(𝐶𝐴) ∗ 𝑃(𝐶𝑅)2 + 𝑃(𝐶𝑅)3 = [𝑃(𝐶𝐴) + 𝑃(𝐶𝑅)]3 (3)

De acordo com Billiton,1992, o termo 3 ∗ 𝑃(𝐶𝐴)2 ∗ 𝑃(𝐶𝑅 ),

Curso de Especialização em Engenharia da Confiabilidade

os quais “p” agora representa a probabilidade de sucesso e

A distribuição binomial pode ser representada pela

Quando expandimos a equação (4) chegamos na

(𝑝 + 𝑞 )𝑛 = ∑𝑛𝑟=0(𝑛𝑟) 𝑝𝑟 𝑞 𝑛−𝑟 = 1 (5)

Curso de Especialização em Engenharia da Confiabilidade

Vamos ver que tipo de problemas pode ser resolvido com a

Problema 1 Billinton, p.63, 1992

Curso de Especialização em Engenharia da Confiabilidade

Problema 2 – Knesevic, p.48, 1993

Note que X corresponde ao número de eventos em n

Curso de Especialização em Engenharia da Confiabilidade

2.2 Distribuição de Poisson

Onde λ é a intensidade do processo e representa o número

A esperança ou média é dada por 𝐸 (𝑋) = 𝜆 e a variância é

Curso de Especialização em Engenharia da Confiabilidade

Quais seria as condições para aplicarmos a distribuição de

Curso de Especialização em Engenharia da Confiabilidade

Problema 4 – Knesevic, p. 51-52, 1993

𝐸(𝑥) = 0,05 ∗ 20 = 1,00 (espera-se a ocorrência de uma

b) Para o período de 40 anos:

Curso de Especialização em Engenharia da Confiabilidade

𝐸(𝑥) = 0,05 ∗ 40 = 2,00, (espera-se a ocorrência de duas

Foram apresentadas as soluções gerais para calcularmos as

3 Distribuições contínuas de probabilidade

Os modelos probabilísticos contínuos ou as distribuições

Curso de Especialização em Engenharia da Confiabilidade

3.1 Distribuição exponencial

A distribuição exponencial mais corriqueira é definida por

Se tivermos o segundo parâmetro 𝛾 a pdf com dois (2)

Curso de Especialização em Engenharia da Confiabilidade

O quadro 1 apresentamos as funções das estatísticas

Estatísticas da exponencial Funções

Não confiabilidade F(t) 𝐹(𝑡) = 1 − 𝑒

Taxa de falha 𝜆(𝑡) = 𝜆

A função exponencial tem uma propriedade interessante

Curso de Especialização em Engenharia da Confiabilidade

E, como a probabilidade de um evento ocorrer nas

Vamos calcular então a probabilidade condicional (14):

Então a probabilidade condicional (14) é igual a

Curso de Especialização em Engenharia da Confiabilidade

1. Quando somente temos um registro de falha;

b. Em situações em que um componente possui distintos

c. Análise de sistemas complexos

i. Métodos analíticos para sistemas complexos são

ii. Dados de falha disponíveis na análise de confiabilidade

No tocante ainda aos sistemas complexos podemos utilizar

Curso de Especialização em Engenharia da Confiabilidade

Figura 1 – Influência no parâmetro λ nos gráficos da exponencial

Confiabilidade R(x) Probabilidade Acumulada de Falha F(x)

E por fim uma outra característica importante da

3.2 Distribuição Weibull de 2 e 3 parâmetros