CENTRO DE ENGENHARIA E COMPUTAÇÃO – UCP

ENGENHARIA DE CONFIABILIDADE – Prof. Alexandre

Estudo: Item 3 - Distribuições em Confiabilidade

“A confiabilidade humana também está incluída, porque, no final, a confiabilidade humana é o

que importa. O equipamento é neutro – se não for confiável, é porque alguns humanos o
projetaram, fabricaram, operaram ou mantiveram incorretamente.” (BRADLEY, 2017)

1. INTRODUÇÃO

Alguns autores como Verma et al. (2016) e Modarres et al. (2017) introduzem o assunto
Distribuições em Confiabilidade fazendo uma revisão das distribuições estatísticas, não apenas
as aplicadas em confiabilidade, apresentando as distribuições agrupadas em discretas
(uniforme, binomial, hipergeométrica, Poisson e geométrica) e contínuas (normal, lognormal,
exponencial, Weibull, Gamma, Beta e Beta-exponencial, (essas duas últimas somente
Modarres), e Erlang (somente Verma, caso particular da Gamma).

Fogliatto (2009), no capítulo 3, apresenta distribuições de tempos até falha,

relacionando quatro tipos principais de distribuições em confiabilidade: distribuição
exponencial; distribuição de Weibull; distribuição Gamma; e distribuição lognormal.

Yang (2007) acrescenta à lista a distribuição Weibull mista, a distribuição de menor valor
extremo e a distribuição normal.

Assim, considerando que um conjunto de dados obtidos de um histórico de eventos, ou

de resultados de testes, ou ainda de qualquer outra fonte sobre tempos até a falha, pode ser
descrito matematicamente por uma das funções de distribuição citadas acima. E também, que
de cada uma e para cada uma dessas distribuições pode-se determinar as métricas ou medidas
de confiabilidade estudadas no item 2 – Métricas de confiabilidade. Esse material apresenta um
estudo sobre as principais distribuições e como calcular, para cada distribuição as métricas de
confiabilidade, relacionadas na Fig 1.

Figura 1 - Distribuições e métricas em confiabilidade

Distribuições Métricas

Função densidade de probabilidade f(t)

Função acumulada de probabilidade F(t)

Exponencial
Função falha F(t)
Weibull
Função Confiabilidade R(t) = 1 – F(t)
Gamma
Função risco (Taxa de falha) h(t)
Normal
Função risco acumulado H(t)
Lognormal
Média do tempo até a falha MTTF = E(t)

Esperança E(t) e Variância VAR(t)

1
 As distribuições de probabilidade usadas em estudos de confiabilidade podem
apresentar até três parâmetros, classificados em parâmetros de (a) localização, (b) escala e (c)
forma. Parâmetros de localização são usados para deslocar a distribuição de probabilidade ao
longo do eixo do tempo, sendo também conhecidos como parâmetros de vida mínima ou de
garantia. Um exemplo conhecido é a média da distribuição normal. Parâmetros de escala são
usados para expandir ou contrair o eixo do tempo. Um exemplo conhecido é o parâmetro λ da
distribuição exponencial; a função de densidade possui sempre a mesma forma, mas as
unidades no eixo do tempo são determinadas por λ. Os parâmetros de forma são assim
designados por afetarem a forma da função de densidade. Um exemplo conhecido é o
parâmetro γ da distribuição de Weibull. Esses parâmetros serão melhor explicados nos itens e
exemplos a seguir.

2. DISTRIBUIÇÕES DE PROBABILIDADE DISCRETAS

2.1 DISTRIBUIÇÃO BINOMIAL

Considere uma tentativa em que o resultado seja sucesso ou fracasso. Uma variável
aleatória x (minúscula) com essas características pode ter sucesso (sem defeito) (x = 1) ou
fracasso (com defeito) (x = 0). A variável aleatória x é tida como variável aleatória de Bernoulli
se a função de densidade de probabilidade de x é dada por

P(x = 1) = p

P (x = 0) = 1 -p = q

onde p é a probabilidade de sucesso da tentativa.

Suponha agora que n independentes tentativas, cada uma das quais resulta em um
'sucesso' com probabilidade 'p' e em um 'fracasso' com probabilidade 1 − p, devem ser
executadas. Se X (maiúsculo) representa o número de sucessos que ocorrem nas ‘n’ tentativas,
então X é dito ser uma variável aleatória binomial com parâmetros ‘n’, ‘p’. A função densidade
de probabilidade da variável aleatória binomial é dada por

P (X = i) = Cin pi (1 – p) n-i i = 0; 1; 2; ...; n

Onde Cin é a Combinação de n valores i a i. Calcula-se assim: Cin = n! / i! (n – i)!

Esse cálculo é utilizado quando se pretende, por exemplo, saber a probabilidade de

ocorrência de (i) unidades defeituosas em uma amostra de tamanho (n), quando se conhece a
probabilidade de ocorrência (p) de produtos sem defeitos (sucesso), ou a probabilidade (q = 1-
p) de produtos com defeito (fracasso) na população de peças produzidas.

A função de densidade de probabilidade f(x) de uma variável aleatória binomial com

parâmetro (10; 0,2) é apresentado na Fig. 2.11. (VERMA, 2016)

Para melhor entendimento, imagine que em uma máquina ‘pega prenda’ (aquela que se
usa uma garra controlada por manetes para agarrar um bicho de pelúcia no interior de um cubo
de vidro) a probabilidade de sucesso seja de 20% (de fato é muito menos). Imagine também que
a venda para o brinquedo é feita de 10 em 10 fichas. Ou seja cada jogador (ou grupo) tenta
agarrar uma prenda 10 vezes seguidas. Nessas condições, pelo gráfico abaixo, em 11% (altura
da coluna) das 10 jogadas, nenhuma (zero) prenda será obtida. Em 27% das 10 jogadas serão
obtidas uma prenda. Em 30% das 10 jogadas serão obtidas duas prendas. Em 20% das jogadas

2
serão obtidas três prendas. Pelo gráfico, em 10 jogadas é praticamente inexistente a
probabilidade de obtenção de 6, 7, 8, 9 ou 10 prendas.

A probabilidade de se encontrar na amostra uma quantidade menor ou igual a (i)

sucessos (0, 1, 2...i) é calculada pela função acumulada distributiva P(X ≤ i) é dada por:

A média da distribuição binomial, que corresponde a esperança E(x) é dada por

E(x) = np

E a variância é dada por

Var = npq

Exemplo 1 - Verma et al. (2016): Sabe-se que um fabricante de memórias sólidas para
computadores (SSD) apresenta uma taxa histórica de 4% de memórias com defeito no seu
processo produtivo. Uma pequena oficina de montagem de computadores encomenda uma
caixa com cinquenta unidades. Encontre a probabilidade de que, após testadas as cinquentas
unidades, encontre-se na caixa (i) Zero Defeitos (nenhum dos SSDs apresenta defeito) e (ii)
Todos os SSDs são defeituosos.

Solução: Como 4 % das SSDs produzidas são defeituosas, temos:

p+q=1
p=1-q
= 1 – 0,04 assim: p = 0,96 (lembre-se que p é sucesso, e sucesso
é encontrar unidades boas).

De acordo com a distribuição binomial

P (X = i) = Cin pi (1 – p) n-i

Assim:

(i) Zero defeitos na amostra, as 50 unidades estão sem defeitos

50
P(X = i) = P (X = 50) = C50 (0,96)50 (1 – 0,96) 50-50 = 0,1299

(ii) Todas são defeituosas na amostra, nenhuma unidade é boa

P(X = i) = P (X = 0) = C050 (0,96)0 (1 – 0,96) 50-0 = 1,267 x 10-71 (ou seja, praticamente impossível)

3
 Para esse exemplo, a E(x) = np = 50 x 0,96 = 48 unidades sem defeito, ou seja, a cada
caixa com 50 SSDs, em média, serão encontrados dois produtos com defeito.

E a Variância Var = npq = 50 x 0,96 x 0,04 = 1,92

Desse valor pode-se obter o desvio padrão igual a 1,38, o que significa dizer que a
quantidade de peças boas na caixa irá variar entre quarenta e quatro e cinquenta unidades

Exemplo 2 - Verma et al. (2016): Para garantir alta confiabilidade, a redundância modular tripla
é adotada em sistemas de alimentação de energia em navios de carga e passageiros. Sabe-se
que a probabilidade de falha de cada grupo gerador por experiência operacional é de 0,01. Qual
é a probabilidade de sucesso de todo o sistema de alimentação de energia do navio?

Considere que redundância modular tripla indica que pelo menos 2 grupos geradores
devem ser bem-sucedidos dos 3 disponíveis.

Solução: q = 0,01. (a probabilidade de falha da experiência de operação)

Sabe-se: p = 1 - q = 1 – 0,01 = 0,99

De acordo com a distribuição binomial,

(i) No caso de todos funcionarem (nenhum falha)

P(X =i) = P (X = 3) = C33 (0,99)3 (1 – 0,99) 3-3 = 0,9702 o navio chega no destino

(ii) No caso de dois funcionarem (um falha)

P(X =i) = P (X = 2) = C23 (0,99)2 (1 – 0,99) 3-2 = 0,0243 o navio chega no destino

(iii) No caso de um funcionar (dois falham)

P(X =i) = P (X = 1) = C13 (0,99)1 (1 – 0,99) 3-1 = 0,0003 o navio fica à deriva

(iv) No caso de nenhum funcionar (todos falham)

P(X =i) = P (X = 0) = C03 (0,99)0 (1 – 0,99) 3-0 = 1 x 10-6 o navio fica à deriva

ANÁLISE: A soma das probabilidades calculadas em (i) e (ii) 0,9702 + 0,0243 = 0,9945 indica a
probabilidade do navio chegar ao seu destino. A soma das probabilidades calculadas em (iii) e
(iv) 0,0003 + 1 x 10-6 = 0,0003 indica a probabilidade do navio ficar à deriva em alto mar.

2.2 DISTRIBUIÇÃO HIPERGEOMÉTRICA

A distribuição hipergeométrica está intimamente relacionada com a distribuição

binomial. Na distribuição hipergeométrica, uma amostra aleatória de ‘n’ itens é escolhida de
uma população finita de N itens. A variável aleatória 'X' denota um x número de sucessos na
amostra aleatória de tamanho 'n' da população N contendo D número de itens rotulados como
sucesso. A distribuição hipergeométrica função de massa de probabilidade é

f(x) = p(x; N; n; D) = CxD . Cn−x

N−D
/ CnN x = 0, 1, 2, 3, 4..., n.

Onde Cin é a Combinação de n valores, i a i. Calcula-se assim: Cin = n! / i! (n – i)!

A média da distribuição hipergeométrica é

E(x) = n.D/N

4
 A variância da distribuição hipergeométrica é

V(x) = (n.D/N) (1 – (D/N)) ((N-n)/(N-1))

A distribuição hipergeométrica é comumente usada em controle estatístico da

qualidade e práticas de testes de aceitação–rejeição. Esta distribuição se aproxima da binomial
com parâmetros p = D/N e n, quando a relação n/N torna-se pequena.

Exemplo 3 - Modarres et al. (2017): 2.12. Um fabricante tem um estoque de 286 unidades de
computador. Sabe-se que 121 das unidades são mais confiáveis do que as outras unidades. Se
uma amostra aleatória de quatro unidades de computador for selecionada sem substituição,
qual é a probabilidade de que nenhuma unidade, duas unidades e todas as quatro unidades
sejam de unidades de alta confiabilidade?

Solução

Use a Equação com:

x = número de unidades de alta confiabilidade na amostra

n = número de unidades na amostra selecionada
n − x = número de unidades de não alta confiabilidade na amostra
N = número de unidades no estoque
D = número de unidades de alta confiabilidade no estoque
N − D = número de unidades sem alta confiabilidade no estoque
Os valores possíveis de x são 0 ≤ x ≤ 4. Os resultados dos cálculos são apresentados na tabela a
seguir:

Na tabela, os parênteses (𝑛𝑖 )

são utilizados como alternativa

de representação para Cin .

2.3 DISTRIBUIÇÃO DE POISSON

A distribuição de Poisson é útil para modelar quando as ocorrências de eventos são

discretas e o intervalo é contínuo. Para que uma tentativa seja um processo de Poisson, ela deve
satisfazer a seguintes condições:

1. A probabilidade de ocorrência de um evento no tempo Δt é λΔt onde λ é constante

2. A probabilidade de mais de uma ocorrência é desprezível no intervalo Δt

3. Cada ocorrência é independente de todas as outras ocorrências

5
 Diz-se que uma variável aleatória X tem distribuição de Poisson se a probabilidade
distribuição é dada por:

λ é conhecido como taxa média de ocorrência e x é o número de ocorrências de eventos Poisson.

A função de distribuição cumulativa é dada por

A função de massa de probabilidade e CDF para λ = 1,5/ano e t = 1 ano são mostrados

na Fig. 2.12. Tanto a média quanto a variância da distribuição de Poisson são igual a λt.

OBSERVAÇÃO: As funções densidade de probabilidade podem em alguns casos se equivalerem,

a saber: A distribuição de Poisson pode ser usada como uma aproximação da distribuição
binomial quando o parâmetro p da distribuição binomial é pequeno (por exemplo, quando p ≤
0,1) e o parâmetro n é grande. Neste caso, o parâmetro da distribuição de Poisson, ρ, é
substituído por np na Equação função de densidade de probabilidade de Poisson. Além disso,
deve-se notar que à medida que ρ aumenta, a distribuição de Poisson se aproxima da
distribuição normal com média e variância igual a ρ. Esta propriedade assintótica (curva que toca
o eixo no infinito) é usada como a aproximação normal para a distribuição de Poisson

Exemplo 4: Verma et al. (2016): Exemplo 3 - Se a taxa de falha de um item é duas vezes por ano,
qual é a probabilidade que nenhuma falha ocorrerá em um período de 2 anos?

Solução:

6
Taxa de falha λ = 2/ano e Tempo t = 2 anos (Esses dados indicam que no período de 2 anos
ocorrerão, provavelmente, 4 falhas.)

A função de densidade de probabilidade de Poisson é expressa como

No caso de nenhuma falha, x = 0, conduz a:

Exemplo 5 – Modarres et al. (2017) A inspeção de um tubo de alta pressão revela que, em média,
dois buracos causados por corrosão muito profundos, mas não perfurantes, por metro de tubo
ocorreram durante seu serviço. Se a hipótese de que essa intensidade de corrosão é constante
e a mesma para todos os tubos semelhantes é verdadeira, qual é a probabilidade de que haja
menos de cinco buracos em um ramal de tubo de 10 m de comprimento? Qual é a probabilidade
de haver cinco ou mais buracos?

Solução

Denote λ = 2, t = 10, λt = 2 × 10 = 20.

Com base na Equação função de densidade de probabilidade de Poisson, as

probabilidades de interesse podem ser encontradas como:

2.4 DISTRIBUIÇÃO GEOMÉTRICA

No caso das distribuições binomial e hipergeométrica, vistas anteriormente, a

quantidade na amostra ‘n’ é fixo e o número de sucessos x é variável aleatória. A distribuição
geométrica é usada se há interesse em se saber o número de amostras necessárias para obter
o primeiro sucesso. A variável aleatória na distribuição geométrica é o número de inspeções
(retiradas de amostras) necessárias para obter o primeiro sucesso.

A função densidade de probabilidade de distribuição geométrica é

f (x) = P (x, p) = p (1 – p) x – 1, x = 1, 2, 3, . . . . , n.

onde 'p' é a probabilidade de sucesso em uma única inspeção (retirada da amostra).

A média da distribuição geométrica é

E(x) = 1 / p

A variância da distribuição geométrica é

V (x) = (1 – p) / p2

Exemplo 6 - Modarres et al. (2017): Em uma usina nuclear, geradores a diesel são usados para
fornecer energia elétrica de emergência para o sistema de segurança. Sabe-se que 1 em 52

7
testes realizados em um gerador a diesel resulta em falha. Qual é a probabilidade de que a falha
ocorra no 10º teste?

Solução

Usando a função com x = 10 e p = 1/52 = 0,0192 temos:

P(x = 10) = (0,0192)(1 – 0,0192)9 = 0,016

Obs: A distribuição geométrica é a única distribuição discreta que exibe a propriedade

de falta de memória, assim como a distribuição exponencial é o caso entre as distribuições
contínuas. Se X for a espera em dias para a ocorrência de um certo evento a probabilidade
condicional de espera de pelo menos m + n dias, sabendo que o evento não ocorreu antes de m
dias é a mesma de esperar pelo menos n dias. Por exemplo: Seja X o número de jogadas de um
dado honesto até que se observe um 6. Suponha que o dado tenha sido jogado 5 vezes sem sair
um 6. Qual a probabilidade de que sejam necessárias mais de duas jogadas adicionais? O fato
do dado ter sido jogado 5 vezes, não altera a probabilidade de mais duas jogadas adicionais.

3. DISTRIBUIÇÕES DE PROBABILIDADES CONTÍNUAS

3.1 DISTRIBUIÇÃO EXPONENCIAL

De acordo com Yang (2007), f (t), F (t), R(t), h(t), H (t), E(T) e Var(T) da distribuição
exponencial são dados, respectivamente, por:

f(t) = λeλt F(t) = 1 – R(t) R(t) = e-λt

h(t) = λ H(t) = λt MTTF=E[T] = 1/ λ Var(t) = (1/ λ)2

IMPORTANTE: MTTF é Figura 2 Distribuição Exponencial - Gráficos f(t), F(t), R(t), h(t) e H(t)
uma medida do centro de
uma distribuição de vida.
Para uma distribuição
simétrica como a
distribuição normal, o
MTTF é o mesmo que a
mediana. Caso contrário,
eles não são iguais. Para
uma distribuição
altamente assimétrica, a
diferença entre os dois é
apreciável.

Nessas equações,
λ é chamado de taxa de
risco ou taxa de falha. As
funções f(t), F(t), R(t), h(t)
e H(t) são mostrados
graficamente na Figura 2,
onde θ = 1/λ é a média de
tempo de vida. Conforme
mostrado na figura, Fonte 1 - Bradley (2017) Figura 2.5

8
quando t = θ, F (t) = 0,632 e R(t) = 0,368. A primeira derivada de R(t) em relação a t avaliada no
tempo θ é R (θ) = −1/θ. Este implica que a tangente de R(t) no tempo inicial (zero) intercepta o
eixo t em θ. A tangente é mostrada no gráfico R(t) na Figura 2.5. A inclinação de H (t) é 1/θ,
ilustrado na H (t) plotado na Figura 2.5. Essas propriedades são úteis para estimar o parâmetro
λ ou θ usando abordagens gráficas, como o gráfico de probabilidade ou o gráfico de risco
cumulativo.

A distribuição exponencial pode ser apropriada para modelar falhas aleatórias. Isso pode
ser explicado pelos seguintes argumentos. As falhas aleatórias são geralmente causadas por
choques externos, como uma mudança inesperada na carga. Consequências de choques
externos geralmente podem ser modeladas usando o processo de Poisson. Se cada choque
causar uma falha, a vida útil do produto pode ser aproximada usando a distribuição exponencial.
Os argumentos tecnicamente aceitos sugerem que a distribuição exponencial pode ser
adequada para uma falha com processo descrito pelo modelo de resistência limite, onde ocorre
uma falha quando a tensão é maior do que a força limite. Por outro lado, os mesmos argumentos
indicam que a distribuição exponencial é inadequada para falhas devido a degradação ou
desgaste.

APLICAÇÃO: De acordo com Yang (2007) a distribuição exponencial é amplamente utilizada e é

especialmente popular na modelagem da vida de alguns componentes e sistemas eletrônicos.
Por exemplo, Murphy et al. (2002) apud Yang (2007) indicam que a distribuição exponencial se
ajusta adequadamente à falha dados de uma ampla variedade de sistemas, como radar,
eletrônica de aeronaves e espaçonaves, constelações de satélites, equipamentos de
comunicação e redes de computadores. A distribuição exponencial também é considerada
apropriada para modelar a vida de tubos de elétrons, resistores e capacitores (ver, por exemplo,
Kececioglu, 1991; Meeker e Escobar, 1998) apud Yang (2007). No entanto, os dados do teste
desses autores sugerem que a distribuição exponencial não se ajusta adequadamente à vida útil
de vários tipos de capacitores e resistores, como capacitores eletrolíticos de alumínio e tântalo
e resistores de filme de carbono. Sendo a distribuição Weibull mais adequada. A falha desses
componentes é causada principalmente pela degradação do desempenho; por exemplo, um
capacitor de alumínio eletrolítico geralmente falha por causa da exaustão do eletrólito.

Exemplo 1 - Verma et al. (2016) no Exemplo 4: “O tempo de falha (T) de uma placa de circuito
eletrônico segue distribuição exponencial com taxa de falha λ = 10−4 /h. Qual é a probabilidade
de (i) falhar antes de 1000 h (ii) sobreviver pelo menos 10.000 h (iii) falhar entre 1000 e 10.000
h. Determine o (iv) tempo médio até a falha e (v) o tempo médio até a falha também.”

SOLUÇÃO:

(i) P(T<1000) = F(T = 1000)

Para distribuição exponencial F(T) = 1 - e-λt , e substituindo λ = 10−4 /h
P(T<1000) = 1 - e-λt = 0,09516

(ii) P(T > 10.000) = R(T = 10.000)

Para distribuição exponencial, R(T) = e-λt e substituindo λ = 10−4 /h
P(T > 10.000) = e-λt = 0,3678

(iii) P(1000<T<10.000) = F(10.000) - F(1000) = [1 - R(10.000)] - F(1000)

De (i), temos F(1000) = 0,09516 e de (ii) temos R (10.000) = 0,3678,
P(1000 <T<10.000) = [1 – 0,3678] – 0,09516 = 0,537

9
 (iv) Tempo médio até a falha = 1/λ = 1/10−4 = 10.000 h

(v) Tempo médio até a falha denota o ponto em que 50% de falhas já ocorreram,
matematicamente isso é:
R(T) = 0,5
e-λt = 0,5
Aplicando logaritmo em ambos os lados e resolvendo para t,
t = (-1 / λ) ln(0,5) = 6931,47h

3.2 DISTRIBUIÇÃO DE WEIBULL

Seja a função de distribuição de densidade de probabilidade de Weibull.

Bradley (2017), explica que a distribuição Weibull é uma distribuição de três parâmetros:
Beta β, Eta η e Gamma γ. Respectivamente, parâmetros de forma, escala e localização. Como
mostram as figuras a seguir.

• Beta, ou β, é chamado de parâmetro de forma. Como pode ser visto na Figura 3, as

mudanças no valor de β pode afetar drasticamente a forma da função

Figura 3 - Distribuição de Weibull, com γ = 0 e η = 1

Fonte 2 - Bradley (2017), Figura 1.5

• Eta, ou η, é chamado de parâmetro de escala. Funciona mais ou menos como o desvio padrão
da distribuição normal. O efeito que η tem na distribuição, quando outros valores são mantidos
constantes, é dado na Figura 4.
Figura 4 - Distribuição de Weibull,
efeito de η na função

Fonte 3 - Bradley (2017),

Figura 1.6

10
• Gamma, ou γ, é chamado de parâmetro de localização. O valor de γ moverá a distribuição ao
longo do eixo t. Se γ for positivo, os valores de γ devem ser subtraídos de t antes de desenvolver
a equação. A Figura 5 mostra o efeito de γ na distribuição, quando η e β são mantidos
constantes.
Figura 5 - Distribuição de Weibull, efeito de γ na função

Fonte 4 - Bradley (2017), Figura 1.7

Bradley (2017), explica que:

Se β for menor que 1, a curva é muito enviesada e muito íngreme e corresponde à falha
na mortalidade precoce na curva da banheira.

Se β = 1, a forma da curva é de falha aleatória, parte central da curva da banheira.

Se β for grande, digamos maior que 2, então a distribuição imita a distribuição normal,
que corresponde à falha por desgaste da curva da banheira.

APLICAÇÃO: Assim, a distribuição Weibull pode modelar as outras três distribuições discutidas
na curva da banheira e, portanto, podem modelar a mortalidade precoce, falhas aleatórias e
falhas por desgaste.

Yang (2007) apresenta as funções de distribuição de Weibull, abaixo. Pode-se notar,

comparando-se as funções apresentadas por Bradley (2017) acima, as letras e símbolos que irão
representar os parâmetros e variáveis podem não ser as mesmas, porque cada autor escolhe de
acordo com a sua vontade. As funções são as mesmas, mas é obviamente necessário ter atenção
ao significado de cada parâmetro. Assim, para Yang (2007) β é o parâmetro de forma e α é a
vida característica; ambos são positivos. α também chamado de parâmetro de escala, e α tem a
mesma unidade que t: por exemplo, horas, milhas e ciclos, já Bradley (2017), acima, chama alfa
(α) de eta (η).

Assim, a função f(t) da distribuição da densidade de probabilidade (pdf) de Weibull é:

11
 A função F(t) da distribuição da probabilidade acumulada (cdf) de Weibull é:

A função risco h(t) (taxa de falha) da distribuição de Weibull é:

A função risco acumulado H(t) (taxa de falha) da distribuição de Weibull é:

A média E(t), e a variância são dados por:

A função gamma (Γ(α)), parte de equação da função da distribuição da probabilidade de

Weibull, abaixo, não deve ser confundida com a distribuição Gamma que será estudada adiante.

Para ilustrar graficamente a distribuição Weibull, a Figura 2.6 traça f (t), F (t), h(t) e H (t)
para α = 1 e β = 0,5, 1, 1,5 e 2. Conforme mostrado na figura, o parâmetro de forma β determina
a forma da distribuição. Quando β < 1 (β > 1), a distribuição Weibull tem uma taxa de risco
decrescente (aumentando). Quando β = 1, a distribuição Weibull tem uma taxa de risco
constante e é reduzida à distribuição exponencial. Quando β = 2, a taxa de risco aumenta
linearmente com t, como mostrado no gráfico h(t) na Figura 2.6.

12
 Figura 6 - Distribuição de Weibull - Gráficos f(t), F(t), R(t), h(t) e H(t)

Fonte 5 - Yang (2007), Figura 2.6

APLICAÇÃO: Ainda segundo Yang (2007), no caso que β = 2, a distribuição Weibull é chamada de
distribuição de Rayleigh, descrita, por exemplo, em Elsayed (1996). A taxa de risco linearmente
crescente modela a vida de alguns componentes mecânicos e eletromecânicos, como válvulas e
relés eletromagnéticos, cuja falha é causada pelo desgaste mecânico ou elétrico.

Pode-se ver que a distribuição Weibull é muito flexível e capaz de modelar cada região
de uma curva da banheira. É a grande flexibilidade que torna a distribuição Weibull amplamente
aplicável. De fato, em muitas aplicações, é a melhor escolha para modelar não só a vida, mas
também as propriedades do produto, como como as características de desempenho.

Exemplo 2 - Verma et al. (2016) apresenta no exemplo 7 o seguinte problema: O tempo de falha
de um componente segue a distribuição Weibull com parâmetro de forma β = 1,5 e parâmetro
de escala = 10.000 h. Quando o componente deve ser substituído se a confiabilidade mínima
recorrente para o componente for 0,95?

SOLUÇÃO: Substituindo na função de confiabilidade Weibull temos:

𝑡 𝛽
𝑅(𝑡) = 1 − 𝐹(𝑡) = 𝑒 −(∝)
𝑡 1,5 𝑡 1,5
1
0,95 = 𝑒 −(10000) ≡ 0,95
= 𝑒 (10000)

Aplicando logaritmo natural (ln) em ambos os lados, na equivalência acima, temos:

1 𝑡
ln =( )1,5
0,95 10000
Aplicando log em ambos os lados na equação acima, temos:

13
 log 0,051293 = 1,5 log (t / 10.000) ≡
-1,2899/1,5 = log (t / 10.000) ≡
-0,85996 = log t - log 10.000 ≡
log 10.000 - 0,85996 = log t ≡
t = 1380,38 h

Exemplo 3 - Yang (2007), Exemplo 2.1: A vida de um componente automotivo é Weibull com α
= 6,2 × 105 milhas e β = 1,3. Calcule F (t), R(t) e h(t) no final do período de garantia (36.000
milhas) e t0,01.

SOLUÇÃO: A probabilidade de falha para 36.000 milhas é

𝑡 𝛽
𝐹(𝑡) = 1 − 𝑅(𝑡) = 1 − 𝑒 −(∝)
1,3
36000
−(6,2𝑥10^5 )
𝐹(𝑡) = 1 − 𝑒 = 1 – 0,024 = 0,976

Ou seja, 97,6% da população de componentes da população irá sobreviver ao período

de garantia.

A taxa de falha ou risco para 36.000 milhas é dada por:

𝛽 𝑡 𝛽−1
ℎ(𝑡) = ( )
𝛼 𝛼
1,3 36000 1,3−1
ℎ(36000) = 5 (
6,2 x 10 6,2 x 10 5 ) = 0.89 × 10−8 falhas por milha.

Como β > 1, a taxa de falha é crescente com a milhagem (quilometragem).

É possível calcular o tempo de falha (horas, milhas, ciclos etc.) para um determinado
percentil centesimal, utilizando a seguinte fórmula:
1⁄
𝑡𝑝 = ∝ [− ln(1 − 𝑝)] 𝛽

O tempo (em milhas) para a qual 1% da população terá falhado pode ser calculado:
1⁄
𝑡0,01 = 6,2 x 105 [− ln(1 − 0,01)] 1,3 = 18.014 milhas.

3.3 DISTRIBUIÇÃO MISTA DE WEIBULL

Uma distribuição mista compreende duas ou mais distribuições. A mistura surge quando
a população de interesse contém duas ou mais subpopulações não homogêneas. Tais casos
ocorrem frequentemente na prática. Um exemplo comum é que uma boa subpopulação é
misturada com uma subpopulação abaixo do padrão devido à variação do processo de
fabricação e falhas de material. A subpopulação abaixo do padrão falha logo no período inicial,
mas o bom sobrevive consideravelmente mais. Além da mistura de produtos bons e ruins, um
processo de fabricação alimentado com componentes de fornecedores diferentes geralmente
produz subpopulações não homogêneas. O uso condição, como estresse ambiental ou taxa de
uso, também é um fator que contribui para a mistura de distribuições de vida. Quando uma
população homogênea dos produtos é operada em condições diferentes, a vida útil dos
produtos geralmente tem vários modos. Este caso é frequentemente visto na análise de dados
de garantia. A indústria automóvel é testemunha frequente de distribuições mistas, devido a os
fatores descritos acima. Tais distribuições são especialmente comuns em novas linhas de

14
veículos, cujos processos de montagem podem estar na curva de aprendizado cedo na hora do
lançamento. Então os processos se tornam estáveis e ficam sob controle e os problemas
inerentes são corrigidos como resultado de programas contínuos de melhoria de confiabilidade,
como projetos seis sigma, análise de garantia antecipada e frota teste.

É sempre desejável e valioso distinguir entre as subpopulações não-homogêneas e

analisá-las individualmente. Às vezes, porém, é difícil ou impossível fazer uma separação. Por
exemplo, um fabricante de automóveis não tem como saber se um veículo vendido em uma
região continua operando na mesma região; então a mistura de veículos em diferentes locais
surge. Nesta situação, uma distribuição mista é útil ou essencial.

Uma mistura de duas distribuições é geralmente de maior interesse. A distribuição mista

é muitas vezes bimodal e encontra amplas aplicações no desenvolvimento de testes Burn-in
(acelerados). A distribuição bimodal Weibull é talvez a distribuição mista mais comum na prática
devido à sua flexibilidade inerente. As distribuições Weibull de duas subpopulações f1(t) e f2(t)
são dadas por:

onde ρ é a fração da primeira subpopulação responsável por toda a população e βi e αi (i = 1, 2)

são o parâmetro de forma e vida característica de subpopulação i.

A função de distribuição acumulada é dada por:

Exemplo 4 - Yang (2007) também vem o exemplo 2.2: Uma população de componentes
automotivos produzida nos primeiros dois meses de produção contém 8% de unidades
defeituosas. A quilometragem até a falha dos componentes tem uma distribuição bimodal
Weibull com β1 = 1,3 e α1 = 12.000 milhas, β2 = 2,8 e α2 = 72.000 milhas. Plote f (t) e F (t) e calcule
a probabilidade de falha no final do período de garantia (36.000 milhas).

SOLUÇÃO: A distribuição f (t), obtida na prática pelas informações obtidas junta às

concessionárias da marca, pode ser obtida aritmeticamente calculando-se os valores de f(t), pela
equação, substituindo-se o valor de (t), repetidamente, por valores de 1000 em 1000 milhas,
começando com
(t) igual a zero
até (t) igual a Figura 7 -
Distribuição mista
100.000 milhas, de Weibull -
o resultado é a Gráfico f(t)
Figura 7.

Fonte 6 - Yang
(2007), Figure 2.7

15
 F (t) é calculado a partir da equação apresentada acima, nesse item. Para 36.000 milhas,
o percentual de falhas é de:

A partir dos dados para os valores encontrados para f(t), agrupados em células de 1000
em 1000 milhas, e função F(t) é mostrada na Figura 8.

Tanto a solução aritmética como o gráfico

Figura 8 -Distribuição mista de Weibull, gráfico F(t)
indicam que 20,2% da população de
componentes produzida nos primeiros
dois meses de produção falhará antes de
36.000 milhas.

Fonte 7 – Yang (2007), Figure 2.8

3.4
3.4 DISTRIBUIÇÃO GAMMA

A distribuição Gamma pode ser pensada como uma generalização da distribuição

exponencial. Por exemplo, se o tempo Ti entre falhas sucessivas de um sistema tem uma
distribuição exponencial, então a variável aleatória T tal que T = T1 + T2 + ⋯+ Tn segue uma
distribuição gama. No contexto dado, T representa o tempo cumulativo até a enésima falha,
segundo Modarres et al. (2017).

Uma maneira diferente de interpretar essa distribuição é considerar uma situação na

qual um sistema é sujeito a choques que ocorrem de acordo com o processo de Poisson (com
parâmetro λ). Se o sistema falhar após receber n choques, então o tempo até a falha de tal
sistema segue uma distribuição gama.

APLICAÇÃO: Exemplos, segundo Verma et al. (2016), de sua aplicação incluem o tempo de falha
para um sistema que consiste em n componentes independentes, com n – 1 componentes em
stand by; tempo entre ações de manutenção para um sistema que requer manutenção após um
número fixo de usos; tempo para falha do sistema que falha após n choques.

A função densidade de probabilidade (fdp) de uma distribuição Gamma com parâmetros

β e α, segundo Modarres et al. (2017), é dada por

Onde, a função gamma Γ(α) é dada por:

16
 Como o nome sugere, a distribuição Gamma tem seu nome derivado da função gamma.
Assim como na Weibul, a função gamma, compõe a equação da distribuição densidade de
probabilidade da distribuição Gamma.

Saiba que quando α é um inteiro positivo, Γ(α) = (α − 1)! , mas em geral o parâmetro α
não é necessariamente um inteiro.

A média e a variância da distribuição gama são

MTTF = E(t) = αβ

Var(t) = αβ2

O parâmetro α é referido como o parâmetro de forma e o parâmetro β é referido como

o parâmetro de escala. É claro que se α = 1, a Equação 2.2 é reduzida a uma distribuição
exponencial.

Outro caso especial importante da distribuição gama é o caso quando β = 2 e α = n/2,

onde n é um número inteiro positivo, referido como o número de graus de liberdade. Este
parâmetro único distribuição é conhecida como distribuição chi-quadrado χ2. Esta distribuição
é amplamente utilizada em dados de confiabilidade análise.

Verma et al. (2016) apresenta o gráfico da Figura 9 para exemplificar as muitas formas
que pode assumir uma distribuição Gamma, tendo em vista a variação de α.
Figura 9 - Distribuição Gamma - Efeito em F(t) da variação de α

Fonte 8 - Verma et al. (2016), Fig. 2.24

A variação do parâmetro α também determina algumas distribuições específicas, das

quais a distribuição Gamma é o caso geral. A tabela 1 denomina essas distribuições.

Tabela 1 - Distribuições para diferentes valores de α

Fonte 9 - Verma et al.

2016, Table 2.7

17
 Modarres (2017) complementa que a função da distribuição acumulada e a da
confiabilidade de gamma, no caso geral, não possuem formas fechadas. No caso do parâmetro
de forma α ser um número inteiro, a distribuição gama é conhecida como distribuição Erlangiana
(matematicamente tratável). Neste caso, as funções de confiabilidade e função risco (taxa de
falha) podem ser expressas em termos de Poisson distribuição como

e,

Exemplo 5 - Modarres et al. (2017) apresenta no exemplo 3.3 o seguinte problema: O tempo
médio de ajuste de um motor em um avião de combate é M = 100 h (suponha que o tempo de
ajuste segue a distribuição exponencial). Suponha que haja uma regra para substituir certas
partes do motor após três ajustes consecutivos.

1. Qual é a distribuição do tempo de reposição? 2. Qual é a probabilidade de um determinado

motor não exigir substituição de peças por pelo menos 200h? 3. Qual é o tempo médio para
substituir?

SOLUÇÃO:

1. Use distribuição gama para T com α = 3, β = 100

2. Tempo médio de reposição do componente = E(T) = αβ = 3(100) = 300 h

3.5 DISTRIBUIÇÃO NORMAL

Segundo Verma et al. (2016) A distribuição normal é a distribuição mais importante e

amplamente utilizada em todo o campo da estatística e probabilidade. Também é conhecida
como distribuição gaussiana e é a primeira distribuição introduzida em 1733. A distribuição
normal geralmente ocorre em aplicações práticas, porque um grande número de variáveis
aleatórias independentes converge para uma distribuição normal (conhecida como teorema do
limite central).

APLICAÇÃO: A distribuição normal pode ser usada para representar a região de desgaste de
curva de banheira onde a fadiga e o envelhecimento podem ser modelados. Também é usado
em modelos de tensão-deformação em estudos de confiabilidade.

18
 Segundo Yang (2007) para a distribuição normal, a função da distribuição densidade de
probabilidade, é dada por:

E a distribuição acumulada de probabilidades é dada por:

Quando T tem distribuição normal, geralmente é indicado por T ∼ N (µ, σ2). µ é o

parâmetro de localização e σ é o parâmetro de escala. Eles também são a média populacional e
o desvio padrão como mostrado e têm a mesma unidade como t, onde −∞ <µ< ∞ e σ > 0. A
Figura 10 traça as várias métricas da distribuição normal para µ = 15 e vários valores de σ.
Figura 10 - Distribuição normal - Gráficos f(t), F(t), h(t) e H(t) para µ = 15

Fonte 10 - Yang (2007), Figure 2.10

Quando µ = 0 e σ = 1, a distribuição normal é chamada de distribuição normal padrão.

Então a função densidade de probabilidade (pdf) se torna:

A função distribuição acumulada (cdf) da distribuição normal padrão é

19
 Ambas as funções, na condição de distribuição normal padrão são tabuladas. Muitos
pacotes de software comercial, como Minitab e Microsoft Excel, são capazes de fazer o cálculo.
Por conveniência de (z), pode ser escrito como:

Exemplo 6 - Modarres et al. (2017) apresenta no Exemplo 2.18 o caso de um fabricante que
afirma que suas lâmpadas têm uma vida média de 1700 h e um desvio padrão de 280 h.
Supondo que as vidas das lâmpadas sejam normalmente distribuídas, calcule a probabilidade
de que uma determinada lâmpada dure menos de 1.000 h.

SOLUÇÃO: Primeiro, o valor Z correspondente é calculado como

Z = (T – μ) / σ = (1000 -1700) / 280 = -2,5.

Observe que a cauda inferior de uma pdf normal tende a −∞, de modo que a solução
formal é dada por Pr (−∞ < T < 1000 = − Pr (∞ < Z < −2,5) = 0,0062 (valor tabelado) que pode ser
representado como, (a seguir uma discussão sem muito significado, obs minha)

Pr( −∞ < T < 1000) = Pr(- ∞ < T ≤ 0) + Pr(0< T < 1000)

O primeiro termo do lado direito não tem um significado físico e é insignificantemente

pequeno. Uma distribuição mais adequada, portanto, teria sido uma distribuição normal
truncada. Tal distribuição só existirá em t ≥ 0. Isso é desnecessário para este problema em
particular porque

Pr (- ∞ < T ≤ 0)= Pr (-∞ < Z ≤ 0 ), como Z = 0 – 1700 / 280 = 6,07 (pela tabela) Pr = 6,42 x 10-10

que pode ser considerado insignificante. Então, finalmente, pode-se escrever:

Pr (−∞ < T < 1000) ≈ Pr ( 0 < T < 1000 ≈ Pr ( −∞ < Z <− 25) = 0,0062

Exemplo 7 - Verma et al. (2016) traz o exemplo 5: Os tempos de falha são registrados a partir do
teste de vida de um componente de engenharia como 850, 890, 921, 955, 980, 1025, 1036, 1047,
1065 e 1120. Assumindo uma distribuição normal, calcule a taxa de falha instantânea em 1000
h?

SOLUÇÃO: Considerando o número de amostras = 10, T= 1000, e os valores registrados,

A Média = 988,9 e o

Desvio Padrão = 84,8455

A taxa instantânea de falha é dada pela função de risco:

Exemplo 8 - Yang (2007) apresenta o Exemplo 2.3 Um circuito eletrônico contém três resistores
em série. As resistências (digamos, R1, R2, R3) em ohms dos três resistores podem ser
modeladas com as distribuições normais R1 ∼ N (10, 0,32), R2 ∼ N (15, 0,52) e R3 ∼ N (50, 1,82
). Calcule a média e o desvio padrão da resistência total e a probabilidade da resistência total
estar dentro da faixa de tolerância de 75 ± 5%.

20
SOLUÇÃO: A resistência total R0 dos três resistores é R0 = R1 + R2 + R3. A média da resistência
total é µ = 10 + 15 + 50 = 75 . O desvio padrão da resistência total é σ = (0,32 + 0,52 + 1,82)1/2 =
1,89 . A probabilidade da resistência total estar dentro de 75 ± 5% é

3.6 DISTRIBUIÇÃO LOGNORMAL

Segundo Yang (2007) Uma variável aleatória positiva contínua T é uma distribuição
lognormal se o seu logaritmo natural é normalmente distribuído.

A função distribuição densidade de probabilidade (pdf) lognormal é dada por:

E a função probabilidade acumulada (cdf) lognormal é dada por:

A média e a variância são dadas por:

Quando T tem uma distribuição lognormal, geralmente é indicado por LN(µ,σ2). µ é o

parâmetro de escala e σ é o parâmetro de forma; −∞ <µ< ∞ e σ > 0. É importante notar que, ao
contrário da distribuição normal, µ e σ aqui não são a média e o desvio padrão de T. As relações
entre os parâmetros e a média e o desvio padrão são dados acima. No entanto, µ e σ são a média
e o desvio padrão de ln(T) porque ln(T) tem uma distribuição normal quando T é lognormal. A
distribuição lognormal é plotada na Figura 2.11 para µ = 1 e vários valores de σ. Como mostra o
gráfico h(t) na Figura 2.11, a taxa de risco não é uniforme. Aumenta e depois diminui com o
tempo.

A função risco (taxa de risco) da distribuição lognormal é dada por

onde φ e Φ são a mesma função [ln(t) − µ]/σ, respectivamente das funções densidade e
acumuladas.

APLICAÇÃO: Segundo Yang (2007), a distribuição lognormal pode ser usada para modelar os
ciclos de falha para metais, a vida de transistores e rolamentos e a modelagem de tempos de
reparo. Aparece frequentemente em testes de vida acelerados. Já Modarres (2017) ressalta que
a distribuição lognormal é amplamente utilizada na engenharia de confiabilidade. Este modelo
é particularmente adequado para processos de falha que são o resultado de muitos pequenos
erros multiplicativos. Outras aplicações da distribuição lognormal estão associadas a falhas
atribuídas às atividades de manutenção e distribuição de trincas iniciadas e crescidas por fadiga
mecânica.

21
 De acordo com Yang (2007) as várias métricas da distribuição lognormal é plotada na
Figura 11 para µ = 1 e vários valores de σ.

Como mostra o gráfico h(t) na Figura 11, a taxa de risco não é uniforme. Aumenta e
depois diminui com o tempo.
Figura 11 Distribuição Lognormal - - Gráficos f(t), F(t), h(t) e H(t) para µ = 1

Fonte 11- Yang (2007), Figure 2.11

Exemplo 9 - Verma et al. (2016) no exemplo 6 solicita que se determine a média e a variância
do tempo até a falha para um sistema com distribuição lognormal de tempo de falha µ = 5 anos,
e σ = 0,8.

SOLUÇÃO: A média de uma distribuição lognormal é dada por

σ2 0,82
(µ+ ) (5+ )
E(t) = 𝑒 2 =𝑒 2 = 204,3839

A variância da distribuição é:
2 2
V(t) = 𝑒 (2µ+σ ) x (𝑒 σ − 1)
2 2
V(t) = 𝑒 (2x5+0,8 ) x (𝑒 0,8 − 1) = 37.448,49

Observação: Quando T tem uma distribuição lognormal, geralmente é indicado por

LN(µ, σ2). µ é o parâmetro de escala e σ é o parâmetro de forma; −∞ <µ< ∞ e σ > 0. É importante
notar que, ao contrário da distribuição normal, µ e σ aqui não são a média e o desvio padrão de
T . As relações entre os parâmetros e a média e o desvio padrão foram dados acima. No entanto,
µ e σ são a média e o desvio padrão de ln(T ) porque ln(T ) tem uma distribuição normal quando
T é lognormal.

22
Exemplo 10 - No exemplo 2.4, Yang (2007) informa que o plano de garantia de uma população
de carros cobre 36 meses em serviço ou 36.000 milhas, o que ocorrer primeiro. A quilometragem
acumulada U da população de carros para um determinado mês em serviço pode ser modelada
com a distribuição lognormal com parâmetro de escala 6,5 + ln(t) e parâmetro de forma 0,68,
onde t são os meses em serviço dos veículos. Calcule a fração populacional que excede 36.000
milhas em 36 meses.

SOLUÇÃO: De (2.42) a probabilidade de um carro ultrapassar 36.000 milhas em 36 meses é

R(t) = 1 – F(t)

Pr(U ≥ 36.000) = 1 – Φ[ (ln(36.000) − 6,5 − ln(36)) / 0,68 ] = 0,40037.

Onde Φ é a função de distribuição acumulada lognormal e indica a operação de redução

para a distribuição acumulada normal padrão (valores tabelados)

Ou seja, ao final do tempo de garantia, 40,037% dos veículos sairão da cobertura da

garantia por ultrapassarem o limite de quilometragem da garantia. Nesta seção, a distribuição
lognormal é definida em termos do logaritmo natural (base e). O logaritmo de base 10 pode ser
utilizado, mas seu uso é menos comum na prática, principalmente em estudos analíticos.

3 REFERÊNCIAS

BRADLEY, Edgar. Reliability Engineering - A Life Cycle Approach. Taylor & Francis Group: Boca
Raton – FL. 2017.
FOGLIATTO, Flavio. RIBEIRO, José Luis Duarte. Confiabilidade e Manutenção Industrial Rio de
Janeiro: ELSEVIER BOOK, 2009. Disponível em:
https://integrada.minhabiblioteca.com.br/reader/books/9788595154933/epubcfi/6/2[%3Bvnd
.vst.idref%3Dhtml-cover-page]!/4/2/4%4051:2
MODARRES Mohammad. KAMINSKIY, Mark P. KRIVTSOV, Vasiliy. Reliability Engineering and
Risk Analysis - A Practical Guide. Taylor & Francis Group: Boca Raton - FL, 2017
STEVENSON, Willian J. Administração de Produção e Operações. 6 ed.Rio de Janeiro: LTC, 2001.
Parte - Suplemento do Capítulo 4.
VERMA, Ajit Kumar. AJIT, Srividya. KARANKI. Durga Rao. Reliability and Safety Engineering
Second Edition. Springer-Verlag: London, 2010, 2016.

YANG, Guangbin. Life cycle reliability engineering. John Wiley & Sons, Inc., Hoboken, New
Jersey, 2007. Apoio:FORD.

23
ANEXO

24