Escolar Documentos
Profissional Documentos
Cultura Documentos
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).
Yang (2007) acrescenta à lista a distribuição Weibull mista, a distribuição de menor valor
extremo e a distribuição normal.
Distribuições Métricas
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.
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
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
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.
E(x) = np
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.
P (X = i) = Cin pi (1 – p) n-i
Assim:
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.
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.
P(X =i) = P (X = 3) = C33 (0,99)3 (1 – 0,99) 3-3 = 0,9702 o navio chega no destino
P(X =i) = P (X = 2) = C23 (0,99)2 (1 – 0,99) 3-2 = 0,0243 o navio chega no destino
P(X =i) = P (X = 1) = C13 (0,99)1 (1 – 0,99) 3-1 = 0,0003 o navio fica à deriva
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.
E(x) = n.D/N
4
A variância da distribuição hipergeométrica é
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
5
Diz-se que uma variável aleatória X tem distribuição de Poisson se a probabilidade
distribuição é dada por:
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.)
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
f (x) = P (x, p) = p (1 – p) x – 1, x = 1, 2, 3, . . . . , n.
E(x) = 1 / p
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
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:
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.
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:
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
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.
• 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
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
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 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.
11
A função F(t) da distribuição da probabilidade acumulada (cdf) de Weibull é:
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)
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?
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.
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.
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.
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.
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).
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.
3.4
3.4 DISTRIBUIÇÃO GAMMA
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.
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.
MTTF = E(t) = αβ
Var(t) = αβ2
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
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.
SOLUÇÃO:
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:
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.
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 ≤ 0)= Pr (-∞ < Z ≤ 0 ), como Z = 0 – 1700 / 280 = 6,07 (pela tabela) Pr = 6,42 x 10-10
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?
A Média = 988,9 e o
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
Segundo Yang (2007) Uma variável aleatória positiva contínua T é uma distribuição
lognormal se o seu logaritmo natural é normalmente distribuído.
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
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.
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
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.
R(t) = 1 – F(t)
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