Material 1 - Confiabilidade em Engenharia - Kátia Cavalca

UNIVERSIDADE ESTADUAL DE CAMPINAS
FACULDADE DE ENGENHARIA MECÂNICA

DEPARTAMENTO DE PROJETO MECÂNICO
Disciplina: IM 461
CONFIABILIDADE EM
ENGENHARIA
Autora: Profa. Dra. Katia Lucchesi Cavalca

Revisão: Zilda de Castro Silveira
Campinas, novembro de 2000.

IM 461 – Confiabilidade de Sistemas
Profa. Dra. Katia Lucchesi Cavalca – Departamento de Projeto Mecânico - FEM - UNICAMP
SUMÁRIO
1. INTRODUÇÃO .........................................................................................................................4
2. PERSPECTIVA HISTÓRICA.................................................................................................6
3. CONFIABILIDADE E QUALIDADE ....................................................................................7

3.1 ALGUMAS DEFINIÇÕES IMPORTANTES.....................................................................................8
4. PROBABILIDADES E VARIÁVEIS ALEATÓRIAS ........................................................11
4.1. MEDIDAS DE CONFIABILIDADE ................................................................................................11
4.2. VARIÁVEIS ALEATÓRIAS ..........................................................................................................12
4.2.1. Variáveis aleatórias discretas.........................................................................................14
4.2.2 Variáveis aleatórias contínuas........................................................................................15
4.3. RANK MEDIANO E MÉTODO DAS PROPORÇÕES ........................................................................16
4.3.1. Método do Rank Mediano para Curva de Mortalidade ..................................................16
4.3.2. Método das Proporções para Curva de Mortalidade .....................................................19
5. FUNÇÃO TAXA DE FALHAS..............................................................................................20
6. TEOREMAS DE PROBABILIDADES.................................................................................22
6.1. TEOREMA DE BAYES ................................................................................................................25
6.2. PERMUTAÇÕES E COMBINAÇÕES ..............................................................................................27
6.2.1. Teorema Binomial...........................................................................................................28
7. MODELOS DE FALHAS CATASTRÓFICAS E FUNÇÕES CONFIABILIDADE .......29
7.1 RELAÇÃO ENTRE AS DIFERENTES FUNÇÕES EM CONFIABILIDADE...........................................30
7.2. RELAÇÕES ENTRE AS DIFERENTES FUNÇÕES DE CONFIABILIDADE ............................................32
7.3. TEMPO MÉDIO ATÉ FALHA (MTTF) ..........................................................................................32
8. DISTRIBUIÇÕES ESTATÍSTICAS E SUAS APLICAÇÕES EM CONFIABILIDADE.....34
8.1. A DISTRIBUIÇÃO BINOMIAL .....................................................................................................35
8.2. A DISTRIBUIÇÃO DE POISSON...................................................................................................38
8.3. A DISTRIBUIÇÃO EXPONENCIAL...............................................................................................40
8.4. A DISTRIBUIÇÃO RETANGULAR ...............................................................................................42
8.5. A DISTRIBUIÇÃO DE RAYLEIGH................................................................................................43
8.6. A DISTRIBUIÇÃO NORMAL .......................................................................................................45
8.7. A DISTRIBUIÇÃO DE WEIBULL .................................................................................................48
8.7.1. Determinação dos parâmetros de Weibull......................................................................49
8.8. DISTRIBUIÇÃO GAMMA ...........................................................................................................51
8.9. A DISTRIBUIÇÃO LOGNORMAL ................................................................................................53
8.10. DISTRIBUIÇÃO BETA ..............................................................................................................55
8.11. DISTRIBUIÇÕES COM VALORES EXTREMOS ............................................................................57
9. MODELAGEM DA REGIÃO DE DESGASTE ........................................................................60
9.1. PROBABILIDADE DE FALHA POSTERIOR A UM TEMPO DE VIDA ................................................60
10. CONFIABILIDADE E MANUTENÇÃO.................................................................................64
10.1. MODELO DE CONFIABILIDADE COM MANUTENÇÃO PREVENTIVA ..........................................64
10.2. MODELO DE CONFIABILIDADE COM REPARO IDEAL ...............................................................65
10.3. REPARO IDEAL E MANUTENÇÃO PREVENTIVA .......................................................................67
11. ASPECTOS COMBINATÓRIOS DE CONFIABILIDADE DE SISTEMAS ......................69
11.1. ESTRUTURA EM SÉRIE ............................................................................................................69
11.2. ESTRUTURA EM PARALELO ....................................................................................................70
11.3. ESTRUTURA R-EM-N ...............................................................................................................70
11.4. ESTRUTURA DELTA-ESTRELA ................................................................................................71
2
11.5. REDUNDÂNCIA TRI-MODULAR ...............................................................................................72

11.6. REDUNDÂNCIA STAND-BY .......................................................................................................73
12. TÉCNICAS GERAIS PARA ESTIMATIVA DA CONFIABILIDADE DE SISTEMAS
COMPLEXOS NÃO-CONVENCIONAIS .....................................................................................75
12.1. INSPEÇÃO ...............................................................................................................................75
12.2. MÉTODO ESPAÇO-EVENTO ....................................................................................................76
12.3. CAMINHO DO SUCESSO ..........................................................................................................77
12.4. DECOMPOSIÇÃO .....................................................................................................................77
12.5. GRUPO MÍNIMO DE CORTE .....................................................................................................80
12.6. GRUPO MÍNIMO DE LIGAÇÃO .................................................................................................81
12.7. MATRIZ DE CONEXÃO ............................................................................................................82
12.8. ÁRVORE DE EVENTOS ............................................................................................................84
12.9. ÁRVORE DE FALHAS ..............................................................................................................85
13. CONFIABILIDADE E ECONOMIA .......................................................................................90
13.1. INTRODUÇÃO .........................................................................................................................90
13.2. A ECONOMIA DA REDUNDÂNCIA.............................................................................................90
13.2.1.Estimativa de custo para redundância de sistemas .......................................................91
13.2.2. Estimativa de custo para redundância de unidades......................................................91
13.2.3. Minimização de custos para redundância de unidades ................................................92
13.2. ANÁLISE DE DISPONIBILIDADE ...............................................................................................94
14. ACEITAÇÃO E REJEIÇÃO DE AMOSTRAS ......................................................................97
7.2 NÍVEL DE CONFIANÇA ...........................................................................................................98
15. ENSAIOS ACELERADOS ......................................................................................................103
15.1. ACELERAÇÃO REAL .............................................................................................................103
15.2. CONSIDERAÇÕES SOBRE AS FUNÇÕES DE CONFIABILIDADE .................................................104
15.3. ACELERAÇÃO FÍSICA E DISTRIBUIÇÃO DE FALHA ................................................................105
15.3.1. Distribuição Exponencial............................................................................................105
15.3.2. Distribuição de Weibull ..............................................................................................105
15.3.3. Distribuição Log-normal ............................................................................................106
15.3.4. Distribuição Gamma...................................................................................................107
15.4. MODELOS DE ACELERAÇÃO .................................................................................................108
15.4.1. Modelo de Arrhenius...................................................................................................108
15.4.2. Modelo de Eyring........................................................................................................109
16. REFERÊNCIAS BIBLIOGRÁFICAS....................................................................................110
3
1. INTRODUÇÃO
Devido ao elevado padrão da tecnologia atual, medidas que assegurem um

bom desempenho de componentes e sistemas, bem como sua otimização, são
considerações indispensáveis na concepção e no desenvolvimento de projetos de
máquinas e sistemas.
Dentro deste contexto, o conceito de confiabilidade tem grande importância,
uma vez, que é a capacidade de um item desempenhar uma função especificada, sob
condições e intervalos de tempo pré-determinados. Portanto, o conceito de
confiabilidade caminha ao encontro da otimização do desempenho de componentes
e sistemas, encaixando-se perfeitamente no conceito geral de qualidade.
A noção de confiabilidade é utilizada, mesmo sem o conhecimento técnico,
no cotidiano de cada pessoa desde o início da civilização, gerando técnicas de
adequação dos produtos disponíveis no mercado às necessidades do público
consumidor. Em um sentido mais amplo, trata-se de uma medida de desempenho.
Por exemplo, espera-se que uma pessoa confiável seja determinada, sincera
e consistente em seus atos e opiniões. Entretanto, é muito difícil traçar uma linha de
demarcação que separe pessoas confiáveis de pessoas não-confiáveis. E ainda mais
difícil é analisar dois indivíduos e concluir qual deles é mais confiável.
O grau de interesse e o nível de confiabilidade a ser alcançado, quando
aplicada para quantificar a performance de sistemas, estão estreitamente ligados às
eventuais conseqüências que um comportamento não confiável pode causar. A
implementação de critérios de confiabilidade certamente encarecem o objeto de
estudo, porém, estes mesmos critérios normalmente salvam não só o dinheiro, mas
também vidas.
A pergunta correta a ser feita durante o projeto é: "Este projeto é
suficientemente confiável ?". A resposta desta questão requer, obviamente, uma
quantificação da confiabilidade, alcançada através de teorias de probabilidades e
estatística.
A relação entre confiabilidade ou taxa de falhas, custos de manutenção e
operação, e custos de produção e/ou aquisição, bem como custo total, é
esquematizada na Figura 1.1.
O ambiente da confiabilidade é vasto, e suas aplicações se estendem sobre
todas as áreas da ciência e da engenharia.
Associados ao conceito de confiabilidade, estão os conceitos de
mantenabilidade e disponibilidade, ou seja, a conservação da qualidade no
desempenho por meio de interferências técnicas apropriadas, bem como a previsão
da vida útil de operação do item em questão.
Todos os sistemas de engenharia, do mais simples ao mais complexo, podem
obter benefícios através da integração dos conceitos de estimativa da confiabilidade
desde o seu planejamento, até o projeto e a fase operacional.
O desenvolvimento tecnológico produz dispositivos cada vez mais
complexos e de elevado custo de produção e, conseqüentemente, ainda mais
dispendiosos se eventualmente falharem, não operando como projetados. Uma
estimativa da performance utilizando técnicas de análise de confiabilidade vem
assumido importância cada vez mais crescente em projetos de engenharia bem
sucedidos.
4
A ênfase dedicada a qualidade e a confiabilidade de produtos, especialmente

no setor da alta tecnologia, reforça ainda mais a necessidade do estudo, da
quantificação, da inovação, e do projeto para garantir a confiabilidade de sistemas
em engenharia.
Custo O projeto de um produto ou
Custo total componente com vida permanente é
impossível e inconveniente sob vários
aspectos econômicos, por exemplo, o
da obsolescência com o passar do
tempo, devido ao contínuo e crescente
desenvolvimento tecnológico.
A preocupação constante com
as falhas de um determinado item ou
sistema se reflete diretamente nas suas
Custo de Custo de respectivas fases de concepção, projeto
Produção e operação e e produção, visando adequar sua vida
Aquisição manutenção útil às aspirações do público alvo em
questão, bem como do fabricante
dentro do mercado concorrente.
Confiabilidade
FIGURA 1.1 - RELAÇÃO ENTRE
CONFIABILIDADE E CUSTOS GERAIS.
Este jogo de interesses relaciona uma certa durabilidade e funcionalidade

dentro de certos parâmetros de qualidade, permite uma recolocação em serviço ou
uma substituição do produto após um certo tempo de operação, bem como
estabelece critérios de fornecimento, ou ainda, assistência técnica, que por sua vez
mantém os níveis de produção e faturamento.
Dentro deste ciclo, procura-se estabelecer normas e definições técnicas e
matemáticas para os conceitos de confiabilidade, mantenabilidade e
disponibilidade, de maneira a integrar estes parâmetros como parte fundamental no
projeto de sistemas mecânicos.
A vida útil está diretamente ligada a taxa de falhas de um componente ou
sistema. Assim, as condições para o levantamento da taxa de falhas para um item
qualquer exige a aplicação de procedimentos normalizados, ou seja, testes de falhas
padronizados para os diversos casos possíveis de serem analisados.
Uma vez obtida a curva de mortalidade, procede-se com a análise do ponto
de vista da função densidade de probabilidade de falha, do tempo médio até ou
entre falhas, e dos parâmetros estatísticos da equação de Weibull, amplamente
utilizada na representação matemática dos processos de falhas.
5
2. PERSPECTIVA HISTÓRICA
Após a 1a. Guerra Mundial, durante a expansão da indústria aeronáutica,

foram pela primeira vez introduzidos e utilizados os conceitos de confiabilidade.
Inicialmente, tudo era qualitativo. Com o aumento do número de motores
aeronáuticos em 1930, a confiabilidade foi lentamente sendo quantificada através da
taxa média de falha e do número médio de falhas em aeroplanos ou dirigíveis. Em
1940, as exigências para os motores aeronáuticos passaram a ser descritas em
termos de taxas de acidentes (1 por milhão de horas de vôo).
Na Alemanha, o desenvolvimento dos mísseis V-1 e V-2 muito contribuíram
na aplicação dos conceitos de confiabilidade. Durante seus desenvolvimento e
testes, observou-se que um grande número em série de inter-conexões muito fortes
pode ser menos confiável que uma simples conexão se uma confiança é associada a
todas elas.
A não disponibilidade de equipamentos eletrônicos durante a guerra da
Coréia desencadeou o interesse militar dos Estados Unidos na confiabilidade. A
relação entre os requisitos de confiabilidade, custo, e manutenção tornaram-se
extremamente importantes, de tal modo que os contratos militares começaram a
conter cláusulas envolvendo bônus ou penalidades associados ao grau de
confiabilidade verificado durante a série de testes.
Com o desenvolvimento da indústria nuclear na década de 50, os conceitos
de confiabilidade foram gradativamente sendo empregados nos projetos de usinas
de energia nuclear, bem como em seus sistemas de controle. Neste período, os
fundamentos da teoria da confiabilidade foram então, bem trabalhados e estudados,
e a tecnologia da confiabilidade foi sendo aplicada em desenvolvimentos da época,
incluindo missões espaciais, reconhecimento, sistemas de energia elétrica,
computadores, softwares complexos, usinas de processamento químico e hardware
de aplicação militar.
O grande blackout de 1965 nos Estados Unidos, resultou num forte impulso
à aplicação mais séria dos conceitos de confiabilidade no projeto e na expansão dos
sistemas de energia elétrica.
Exemplos de sistemas de alta confiabilidade estão a nossa volta, desde
sistemas aeronáuticos, estações de geração de energia elétrica, usinas químicas; até
sistemas de telecomunicações, computadores e network.
6
3. CONFIABILIDADE E QUALIDADE
Define-se confiabilidade como a probabilidade de um dispositivo

desempenhar suas funções adequadamente, por um determinado período de tempo,
sob condições de operação estabelecidas.
Os quatro elementos básicos da definição de confiabilidade são:
• Probabilidade - associada a conceitos estatísticos.

• Desempenho - associado a um padrão, cujas variações de valores em torno do
mesmo são designadas tolerâncias que, por sua vez, definem as especificações
em engenharia.
• Tempo esperado - pode ser entendido, associado a medições amostrais, como
tempo total de teste ou período de teste, tempo médio de teste ou tempo médio
de reparo; ou ainda, associado a restrições ou posições gerenciais, como tempo
permitido de repouso ou tempo permitido de operação.
• Condições de operação - associadas a condições de carga, capacidade, ou
mesmo condições ambientais que, eventualmente, possam influenciar os
resultados.
Assim sendo, o enunciado completo para confiabilidade de um item será: o
componente opera com 95% de confiabilidade, a 90% de sua capacidade de carga,
durante 100 hs, a temperatura ambiente e nível de umidade inferior a 60%.
Os defeitos presentes num produto ou processo, podem ser diferenciados
como defeitos de qualidade e defeitos de confiabilidade.
Os defeitos de confiabilidade estão associados a uma medida de desempenho
operacional temporal, enquanto que os defeitos de qualidade relacionam-se ao grau
de conformidade do item com especificações e padrões práticos, não incluindo uma
referencia temporal. Neste último caso, existem três categorias principais de
defeitos de qualidade: o defeito crítico, que afeta diretamente a usabilidade do
produto; o defeito de maior grau, que pode afetar a usabilidade; e, finalmente, o
defeito de menor grau, que não afeta a usabilidade, mas sim a ventabilidade do
produto.
Os defeitos de confiabilidade ocorrem num referencial temporal, resultando
em falhas, ou inabilidade em proceder com o desempenho da função requerida, que
podem ser catastróficas ou aleatórias (quebras), ou ainda por desgaste, cuja
propagação lenta pode fornecer uma indicação previa da iminência da falha.
A qualidade total do produto relaciona vários parâmetros no aspecto
qualitativo, que garantem um resultado final amplamente satisfatório.
A qualidade operacional de um item (componente ou sistema) é um dos
parâmetros fundamentais, em se tratando de qualidade total em engenharia, estando
fortemente associada ao conceito de vida útil do mesmo, ou ainda, à sua qualidade
temporal.
Parâmetros operacionais fracos comprometem a durabilidade do item em
questão, provocando significativas e excessivas falhas de início de operação, tempo
para reparos prolongados, custos de manutenção excessivos, comprometimento da
segurança de operação, redução no tempo de uso efetivo, etc.
7
Por sua vez, a definição de qualidade temporal engloba atributos

mensuráveis como: probabilidade de sobrevivência (confiabilidade) ou mortalidade
de um item, probabilidade de recolocação ou reparo (mantenabilidade),
probabilidade de uso efetivo (disponibilidade).
A principal característica da Qualidade Temporal de um item (componente,
sistema ou produto) é a sua Disponibilidade, que se traduz em tempo real de
funcionamento ou utilização, descontadas eventuais paradas por quebra ou
manutenção.
Uma correta avaliação da qualidade temporal de um item envolve os
seguintes aspectos:
• Para o conceito de probabilidade deve-se associar um nível de
segurança.
• É importante definir precisamente, dentro do conceito de bom
funcionamento, o que se entende por falha e por reparo.
• O objeto em estudo deve ser bem definido (produto, componente,
sistema).
• Condições operacionais relacionadas ao ambiente (temperatura,
vibração), a utilização (sobrecargas) e a manutenção (tipo, método)
devem ser observadas.
3.1 Algumas Definições Importantes
Visando introduzir um pouco mais o leitor no campo da confiabilidade em

engenharia, pode ser de grande ajuda percorrer as definições seguintes antes de um
maior aprofundamento nos conceitos e métodos a serem utilizados.
Amostragem: deve ser aleatória e homogênea, sendo representativa do

universo de proveniência. Amostragem aleatória significa que cada item,
pertencente a população analisada, apresenta igual chance de ser selecionado para a
amostragem. Homogeneidade significa que todos os grupos presentes no universo
são representados na amostra, mantendo as mesmas proporções em que ocorrem de
fato. A necessidade de se trabalhar com amostras se traduz em três itens principais:
a inviabilidade de realizar 100% de inspeção, alto custo envolvido, tipos de ensaios
destrutivos, risco de vida durante a inspeção de produtos de alta periculosidade,
para um menor numero de inspeções obtém-se uma maior precisão dos valores
medidos.
Aceitação de amostragem: é o procedimento para se obter uma amostra a
partir de um grupo de itens similares que, uma vez testados, informam se aceitar ou
rejeitar o grupo como um todo. Testes de aceitação são empregados quando o
número de itens é demasiadamente elevado para serem individualmente testados, ou
ainda, se os testes empregados são de alto custo ou destrutivos.
Falha Catastrófica: esta componente surge quando ocorrem salto do nível
de desempenho para um limite extremo no qual o item torna-se fora de uso. Falhas
catastróficas significam que um item não pode ser reparado, ou ainda, que um
reparo desde item não mais resultaria em sucesso da missão final envolvendo o
componente.
Modo-comum de falha: é a falha simultânea ou saída de operação de várias
unidades devido a uma causa comum como incêndios, enchentes, etc.
8
Mortalidade de juventude: São as falhas de início de operação de um

sistema ou componente. Tais falhas diminuem com o passar do tempo, devido a
localização e solução de problemas associados a implementação e
operacionalização do item.
Vida útil: é uma componente referente à parte da vida do objeto de análise
que se estende entre a fase das falhas de juventude e das falhas de velhice.
Normalmente, durante a vida útil, as falhas são aleatórias e as taxas de falha são
aproximadamente constantes.
Falhas de velhice: são falhas que ocorrem devido ao desgaste provocado
pelo uso do equipamento ou componente, após o final do período de vida útil do
mesmo.
Função taxa de acidentes λ(t): exibe os diferentes ciclos de vida de um
componente clara e distintamente.
Curva da banheira: é a forma típica da plotagem função taxa de falha x
tempo de vida (horas, ciclos, quilômetros, etc.). Esta taxa decresce no início da
operação, sendo tais falhas conhecidas como falhas de juventude (problemas na
instalação e operacionalização de equipamentos novos). Durante o tempo de vida
útil do equipamento, a taxa de falhas permanece aproximadamente constante,
tornando a crescer rapidamente no final da vida útil, onde ocorrem as falhas por
velhice do equipamento devido a quebras ou desgaste.
Confiabilidade R(t): é a probabilidade de um sistema operar com sucesso
num intervalo de tempo entre 0 e t. O sucesso da operação é definido como o
desempenho do sistema na função pretendida, num determinado intervalo de tempo,
sob certas condições estabelecidas.
Por exemplo, em sistemas não-reparáveis, como uma pilha elétrica não
recarregável, a disponibilidade D(t) corresponde quantitativamente a confiabilidade
R(t), pois não existe manutenção, mas apenas uma substituição. Se esta pilha atua
como fonte de energia de um sistema como um brinquedo, a manutenção do mesmo
envolve inclusive a troca de pilha. Desta forma, a disponibilidade deste sistema será
a resultante da sua confiabilidade e dos critérios de mantenabilidade adotados,
então, R(t) < D(t).
Disponibilidade: é a probabilidade de um sistema estar operando com
sucesso num determinado tempo t. O regime estacionário da disponibilidade de um
sistema é dado por: D =lim D(t).
t →∞
Componentes Binários: ocorrem quando existem somente duas situações
possíveis, a saber, sucesso ou fracasso.
Mantenabilidade M(t): é a capacidade de manter ou recolocar um
componente ou uma unidade num estado que permita seu bom desempenho sob
certas condições de uso para as quais estão designados. A manutenção envolvida
deve, então, respeitar determinadas condições, utilizando procedimentos e recursos
especificados.
Manutenção corretiva: envolve uma ação no sentido de restaurar um item
logo após uma falha, para uma condição especificada.
Manutenção preventiva: envolve uma ação periódica no sentido de manter
um item operando numa condição especificada. Tais ações envolvem inspeções
sistemáticas, diagnose e detecção de problemas, bem como prevenção de falhas
apenas no início de formação.
9
Tempo médio entre falhas (MTBF): é o valor médio ou esperado de uma

variável aleatória chamada tempo entre falhas. Se o tempo de reparo é muito curto
comparado ao valor do tempo entre falhas, este último estará muito próximo ao
valor do tempo médio entre falhas. Caso contrário, o tempo médio entre falhas será
a soma do tempo médio até falhas e o tempo médio de reparo.
Tempo médio até falhas (MTTF): é o valor médio ou esperado de uma
variável aleatória chamada tempo até falhas.
Tempo médio até reparo (MTTR): é o valor médio ou esperado de uma
variável aleatória chamada tempo até reparo.
Estrutura em série: descreve um sistema cujo sucesso depende do sucesso
de todos os seus componentes. Tais elementos não devem estar necessariamente em
série física ou topologicamente. Este sistema é também conhecido como sistema
não redundante.
Estrutura Paralela: descreve um sistema que pode operar com sucesso
quando pelo menos um dos componentes atua com sucesso. Também conhecido
como sistema redundante.
Sistema r-em-n: consiste em n componentes independentes idênticos, dos
quais pelo menos r < n destes componentes devem operar com sucesso para que o
sistema desempenhe com sucesso. Tais sistemas são também conhecidos como
parcialmente redundantes. Para r = 1, tornam-se redundantes e, para r = n, tornam-
se sistemas em série.
Redundância ativa: quando todos os componentes do sistema estão
operando ou aquecidos por todo tempo, de modo a poder entrar em serviço quando
necessário. Por exemplo, duas bombas atuando a meia potência: quando uma falha a
outra assume imediatamente a carga total, mantendo o sistema em funcionamento.
Redundância passiva (stand-by): ocorre quando a redundância do sistema
não opera até a falha da unidade principal, resultando em seu conseqüente
acionamento.
Componentes ternários: podem existir em três estados dos quais um deles é
o sucesso. Os demais correspondem a dois modos de falha, a saber, falha de
abertura e falha súbita. Diodos e válvulas hidráulicas são exemplos de componentes
ternários.
Precisão Estatística: e importante enfatizar a importância de se trabalhar
com precisão de quatro casas decimais, em se tratando de grandezas estatísticas. Por
exemplo, dois processos de fabricação, de um mesmo produto, apresentam dois
diferentes níveis de confiabilidade: R1 = 0.9900 e R2 = 0.9947. Tais valores podem
parecer próximos, se analisados no sentido absoluto. Porem, relativamente, se a
quantidade produzida e de 10000 unidades, o numero de falhas NF associado a cada
processo, respectivamente, será:
NF1 = 10000 - 9900 = 100 falhas.

NF1 = 10000 - 9947 = 53 falhas.
Ou seja, os níveis de confiabilidade, aparentemente próximos, fazem com

que o primeiro processo gere quase o dobro de falhas em relação ao segundo.
10
4. PROBABILIDADES E VARIÁVEIS ALEATÓRIAS
4.1. Medidas de Confiabilidade
As principais são taxa de falhas, vida média, e probabilidade de

sobrevivência.
Taxa de falhas λ representa o número de falhas por unidade de tempo, sendo
expresso como:
f
λ=
∑t
(4.1)
Sendo que f representa o numero de falhas ocorridas num teste e t, o tempo

de falha de cada unidade.
A vida média pode estar associada à população (m), a média amostral ( m ),
ao tempo médio entre falhas MTBF (com reparo), ou ainda, ao tempo médio até a
falha MTTF (unidades sem reparo). No caso de média amostral, tem-se:
m=
∑t = 1
f λ
(4.2)
A probabilidade de sobrevivência corresponde a própria probabilidade de

não ocorrência de falhas, ou ainda, a confiabilidade, podendo ser representada por
Ps, P, Rs, ou R.
• Cálculo do tempo total de teste de uma amostra:

Para uma amostra de tamanho n, sendo f o numero de falhas e tf, o tempo de
cada falha, podem ocorrer quatro situações distintas:
Teste com tempo limitado, cujas falhas são reparadas e recolocadas
em teste:
∑ t = n. t
(4.3)
Teste com tempo limitado, no qual as falhas não são recuperadas,

porém os tempos de falhas são registrados:
∑ t = ∑ t f + ( n − f )t
(4.4)
11
Teste com tempo limitado, onde as falhas não são recuperadas, e os

tempos de falha não são registrados:
Deve-se assumir que cada unidade falha exatamente na metade do teste.
f.t
∑t = + ( n − f )t
2
(4.5)
Teste de falha sem censura, onde todas as unidades são testadas ate
falhar:
∑t = ∑tf
(4.6)
4.2. Variáveis aleatórias
O interesse no estudo de incertezas e fenômenos aleatórios vem crescendo

juntamente com o aumento na demanda sobre ao desempenho do sistema. Este
crescimento tem conduzido disciplinas de diversas áreas ao uso da probabilidade e
da estatística na quantificação e interpretação de eventos e resultados.
É comum defrontar-se em engenharia com problemas envolvendo históricos
ou grupos de dados acumulados relativos a fenômenos aleatórios, como a
ocorrência de falhas, por exemplo. Tais fenômenos apresentam, contudo, uma certa
regularidade estatística e, portanto, se adequam aos estatísticos.
Se um evento A ocorre Na vezes em n triagens, a freqüência relativa p(A) é
dada por: p(A) = Na / n. A probabilidade de ocorrência do evento A é, então:
N 
P( A) = lim a 
n →∞
 n 
(4.7)
Assim sendo, quando n torna-se suficientemente grande, p(A) se aproxima
de P(A). Portanto, a probabilidade é relativa ao fenômeno físico em termos
imprecisos. Entretanto, a teoria da probabilidade é uma disciplina exata
desenvolvida logicamente e com bases claramente definidas.
A estatística procede com o agrupamento e processamento de dados
probabilísticos, realizando previsões físicas baseadas nos mesmos. Assim, a
estatística é aplicada para se obter modelos a partir de dados reais, aplicando a
teoria da probabilidade para estimar certas quantidades que, analisadas
estatisticamente, assumem um dado sentido físico.
A freqüência de ocorrência pode ser graficamente representada de três
maneiras:
12
Freqüência Freqüência
Valor medido
Valor medido
a. Histograma ou diagrama de barras. b. Polígono de frequências.
Freqüência
Valor medido
c. Curva de distribuição de freqüência.
FIGURA 4.1(a) (b) (c) - REPRESENTAÇÃO DA FREQÜÊNCIA DE OCORRÊNCIA.
Considera-se um experimento cujas saídas são definidas e agrupadas num

conjunto denominado espaço amostral. dependendo do experimento, pode-se
designar um valor de probabilidade associado a cada uma das saídas. Em seguida,
para todo elemento do espaço amostral ou para cada saída, pode-se designar um
número real específico. Estas designações podem ser consideradas como um
mapeamento de todo elemento do espaço amostral no eixo real. Tal mapeamento é
denominado variável aleatória.
Portanto, a variável aleatória é uma função cujo domínio é o espaço
amostral e o campo é um conjunto de números reais. Por exemplo: o tempo
necessário para reparar um componente, a velocidade do vento em metros por
segundo, a voltagem de uma fonte aleatória, o comprimento de uma parte
manufaturada, etc.
As variáveis aleatórias podem ser discretas (quando assumem apenas um
valor dentro de um conjunto discreto de valores) ou contínuas (quando podem
assumir um número infinito de valores).
Exemplos de variáveis aleatórias discretas: giro de uma moeda ou de várias,
cor de uma bola retirada de um conjunto de bolas coloridas.
13
Exemplos de variáveis aleatórias contínuas: comprimento de uma peça

manufaturada, tempo de falha de um componente, tempo de reparo, duração de
uma tempestade, etc.
Funções densidade de probabilidade ou distribuição cumulativa são
utilizadas na descrição de modelos de variáveis aleatórias. A função densidade (f) e
a função distribuição (F) constituem um par integro-diferencial e é necessário
apenas uma delas para que se possa facilmente obter a outra.
4.2.1. Variáveis aleatórias discretas.

No caso finito, a variável X assume certos valores discretos x1, x2, x3...xn.
A função densidade de probabilidade f(x) é definida como:
f ( xi ) = P( X = xi ) = P( xi )
(4.8)
Desde que o espaço amostral seja constituído somente por elementos x1 até
xn:
f(x)
x1 x2 x3 xn-1 xn X
P( S) = ∑ f ( x i ) = ∑ P( x i ) = 1
i i
(4.9)
A função distribuição cumulativa F(x) é definida como:
F( xi ) = P( X ≤ xi )
(4.10)
14
F(x)
1.0
x1 x2 x3 xn-1 xn X
4.2.2 Variáveis aleatórias contínuas.

Se a variável aleatória X pode assumir qualquer valor dentro de um número
infinito de valores, a função distribuição cumulativa F(x) é definida como:
F(x)=P(X≤x)
(4.11)
lim F( x) = 1
x→∞
(4.12)
lim F( x) = 0
x →−∞
A função densidade de probabilidade é válida fisicamente desde que

integrada dentro de um intervalo limitado [a,b]:
dF( x)
f ( x) =
dx
(4.13)
b
P( a ≤ X ≤ b) = ∫ f ( x)dx = F( b) − F( a )
a
(4.14)
15
f(x)
F(x)
1.0
4.3. Rank Mediano e Método das Proporções
Uma grande limitação para aplicação de critérios de confiabilidade em

projeto mecânico é a dimensão das amostras, bem como os tempos de teste
disponíveis para estudos. Assim sendo, no campo da engenharia mecânica, tais
amostragens serão normalmente de pequeno tamanho e, mesmo assim, nem sempre
todas as unidades são testadas ate a falha.
Torna-se, portanto, de fundamental importância adequar os tipos de testes
aplicados, bem como o tratamento estatístico dos dados, a esta característica do
nosso espaço amostral.
Além disso, quando no caso em estudo deve-se testar todas as partes
envolvidas até falha, o melhor método para obtenção das curvas de distribuição de
falhas é o método Rank.
4.3.1. Método do Rank Mediano para Curva de Mortalidade
O princípio do método Ranking é descrito na Figura 4.2.
16
Proporção da amostra
distribuição geral
33%
testes de falha para
amostras de 3 ítens
média
50%
1a. falha 2a. falha 3a. falha
Tempo de falha
FIGURA 4.2 - EXEMPLO DE TESTES PARA TRÊS TIPOS DE FALHAS DE UM COMPONENTE.
Na figura 4.2 foram realizados testes simultâneos em três amostras

distintas. Temos as distribuições para as três amostras de três elementos, cada uma
com seu tempo médio de falha. Porem, conforme indicado, as três primeiras falhas
não ocorrem na primeira amostra, como sugerem as distribuições parciais. O
principio da categoria mediana trabalha com o conceito de ordem de ocorrência de
falhas, independentemente de sua proveniência amostral, conforme o diagrama
único, englobando as três curvas parciais.
De acordo com o método Ranking, também conhecido como categoria
mediana, temos as distribuições originais para a primeira, a segunda e a terceira
falhas. A melhor estimativa para o tempo de falha é o tempo médio de vida.
Portanto, tomando os testes das três partes, estabelecemos uma ordem de ocorrência
das falhas conhecida como número de ordem rank ou rank mediano.
j − 0. 3
rj =
n + 0. 4
(4.15)
sendo que j: é o número de ordem rank e n é o tamanho da amostra.
17
Por exemplo, na tabela 4.1, temos a estimativa da porcentagem acumulada

de falhas, associada aos respectivos tempos de falhas, pelo método rank:
Tempo de Numero de Numero de Numero de falhas Numero Curva de

vida ate falhas elementos esperadas para a de ordem mortalidade
falha testados amostra inicial Rank em valores
(horas) percentuais
141 1 202 1 1.0 0.346
337 1 177 202 − 1 2.135 0.907

1× = 1135
.
177
364 1 176 202 − 2.13 3.270 1.467
1× = 1135
.
176
542 1 165 202 − 3.26 4.470 2.060
1× = 120
.
165
716 1 156 202 − 4.46 5.740 2.638
1× = 127
.
156
765 1 153 202 − 5.73 7.020 3.320
1× = 128
.
153
940 1 144 202 − 7.01 8.370 3.987
1× = 135
.
144
986 1 143 202 − 8.36 9.720 4.654
1× = 135
.
143
TABELA 4.1 - CURVA DE MORTALIDADE PELO MÉTODO RANK.
Existem três tipos de ensaios, para obtenção dos tempos de falha e do rank
mediano, aplicados a amostras de no mínimo cinco elementos, a saber:
1) Ensaios sem censura: quando todos os itens são testados até falharem.
Neste caso, jmax = n.
2) Ensaios uni-censurados à direita: quando os itens são testados até um
tempo limite a partir do qual os ensaios são interrompidos.
Neste caso, jmax ≤ n.
3)Ensaios com censura múltipla: quando as amostras eventualmente
suspensas durante o ensaio também são consideradas na análise estatística dos
resultados.
Neste caso, o número de ordem j da amostra sucessiva é determinado
somando-se um incremento ao número de ordem da amostra anterior.
O incremento Ij é dado por:
n + 1 − no. de ordem da falha anterior
Ij = (4.16)
n + 1 − quantidade de ítens anteriores
n + 1 − N j −1
Ij =
n + 1− Q j
(4.17)
N j = N j −1 + I j
18
onde Nj é o número de ordem da falha atual.
N j − 0. 3
rj = (4.18)
n + 0. 4
é o rank mediano calculado para estas condições de teste.
4.3.2. Método das Proporções para Curva de Mortalidade
Este método somente pode ser utilizado quando os elementos da amostra

não são todos testados até a falha. Neste caso, a porcentagem acumulada de falhas
(ou mortalidade) e a razão entre o número de falhas acumuladas e o número de
elementos da amostra n = 202.
TABELA 4.2 - CURVA DE MORTALIDADE PELO MÉTODO DAS PROPORÇÕES.
Tempo de Numero de Numero de Numero de falhas Numero Curva de

vida ate falhas elementos esperadas para a acumulado mortalidade
falha testados amostra inicial de falhas em valores
(horas) percentuais
141 1 202 1 1.0 0.490
337 1 177 202 − 1 2.135 1.060

1× = 1135
.
177
364 1 176 202 − 2.13 3.270 1.620
1× = 1135
.
176
542 1 165 202 − 3.26 4.470 2.210
1× = 120
.
165
716 1 156 202 − 4.46 5.740 2.840
1× = 127
.
156
765 1 153 202 − 5.73 7.020 3.470
1× = 128
.
153
940 1 144 202 − 7.01 8.370 4.140
1× = 135
.
144
986 1 143 202 − 8.36 9.720 4.810
1× = 135
.
143 00
19
5. FUNÇÃO TAXA DE FALHAS
Examinando a taxa de falhas para uma variedade de componentes num

determinado período de tempo, observa-se que a forma geral da função λ(t) é a do
perfil de uma banheira, caracterizada por três regiões distintas.
A Região I corresponde às falhas de início de funcionamento, que surgem
durante a instalação, montagem e operacionalização do sistema. A Região II
corresponde ao tempo de vida útil do componente ou sistema. Durante este período,
as falhas são aleatórias e a taxa de falhas é constante, correspondendo a uma função
densidade f(t) exponencialmente decrescente. A Região III corresponde à fase de
desgaste ou fadiga, durante a qual a taxa de falhas aumenta rapidamente com o
passar do tempo.
Muitos fabricantes que trabalham com alta confiabilidade submetem seus
produtos a uma "queima" inicial num período t1, eliminando desta forma a região I
de falhas de início de funcionamento na operacionalização do equipamento ou
componente ou sistema.
É também interessante substituir o componente após ( t1 - t2 ) horas de
operação, mesmo que não tenha falhado. Para atingir altos níveis de confiabilidade,
todos os componentes devem operar dentro de seu período de vida útil.
Equipamentos eletrônicos apresentam um período de vida útil muito longo
para elevados valores de intervalo (t1 - t2).
No caso de componentes mecânicos, a região III de desgaste tende a
predominar.
Estes dois casos extremos são ilustrados na Figura 5.1.
Nos Estados Unidos, muitos fabricantes coletam resultados de testes de vida
e dados de falhas de seus componentes e os publicam em manuais de dados de taxa
de falhas.
Região I Região II Região III

Operacionalização Operação ou Vida Útil Desgaste
Taxa de
Falhas
(λ)
Limite de
Projeto
Produção Projeto Manutenção
Tempo (t)
t1 t2
FIGURA 5.1 – CURVA DA BANHEIRA PARA COMPONENTES ELETRÔNICOS.
Neste contexto, apresentam-se oito recomendações básicas para o projeto

em confiabilidade:
20
Obter o máximo de informação da literatura especializada (livros,

tabelas, normas, etc.).
Estabelecer critérios de comparação com produtos similares do
mercado.
Realizar testes para determinação da capacidade de produtos já
existentes, para novas aplicações; ou para os mesmos projetos de produto realizados
com novos materiais.
Aplicar técnicas estatísticas de predição para determinar o critério de
projeto.
Utilizar o conceito de redundância para aumentar a confiabilidade.
Prever um programa eficiente de manutenção para garantir a
confiabilidade.
Conceber equipamentos de testes para detectar áreas onde falhas em
potencial possam ser identificadas e prevenidas.
Operar o componente abaixo de sua capacidade de carga, por um
tempo limitado, de forma a eliminar falhas de inicio de funcionamento. Este
processo e conhecido por depuração ou queima de falhas.
21
6. TEOREMAS DE PROBABILIDADES
Existem várias aproximações na definição e no estudo de probabilidades.

A aproximação clássica conhecida é a razão entre o número de casos
favoráveis e o número total de alternativas. Assumindo que os casos favoráveis
eqüivalem ao sucesso e os casos desfavoráveis eqüivalem às falhas:
P(sucesso) = número de sucessos

número total de saídas
P(falha) = número de falhas

número total de saídas
(6.1)
Se cada triagem resulta em sucesso (s) ou falha (f), pode-se obter:
s
P( sucesso) = =p
s+ f
f
P( falha ) = =q (6.2)
s+ f
onde ⇒ p + q = 1
Esta é, contudo, uma aproximação muito limitada pois, em muitos casos,

não é possível realizar a repetição do experimento. Ou ainda, se os testes podem ser
repetidos, existem muitas dúvidas sobre o número de repetições necessárias para
representar de maneira exata a probabilidade de ocorrência do evento.
Existem sete teoremas fundamentais de probabilidades, todos de grande
aplicabilidade em confiabilidade:
a) A probabilidade de ocorrência de um evento encontra-se entre zero e um.

A probabilidade nula e a certeza de não ocorrência do evento, enquanto que a
probabilidade unitária e a certeza de sucesso do evento : 0 ≤ P(A) ≤ 1.
b) A soma de probabilidades de uma situação e igual a unidade.
P(S) = 1
S é o evento determinado, definido, também chamado conjunto universal
ou espaço amostral completo.
c) Tendo presentes as definições de eventos exclusivos e eventos
independentes, pode-se definir como complementares dois eventos onde, se
um deles não ocorre, o outro acontece. O evento complementar de A é
denominado A .
A+A =S AA = ∅
22
Probabilidade de evento nulo: P(∅) = P(S ) = 0

(6.3)
Probabilidade da união de um evento e seu complementar:

P(A + A ) = P(S) = 1 P(A) = 1 - P( A )
(6.4)
d) Se o evento A e o evento B são mutuamente exclusivos, então:

P (A+B) = P(A) + P(B)
onde (A+B) , neste caso, significa A ou B, ou ainda, (A ∪ B).
Este teorema pode ser estendido a um número infinito de eventos

mutuamente exclusivos A1, A2, ... .
Esta propriedade é chamada aditividade infinita.
P (A1 + A2 + A3 ...) = P(A1) + P(A2) + P(A3)....
(6.5)
e) A probabilidade mutua de dois eventos independentes e igual ao produto

das probabilidades de cada evento.
P(AB) = P(A)P(B).
Estendendo o raciocínio para n eventos são todos independentes, então:
P(A 1A 2 A 3 ... A n ) = P(A 1 )P(A 2 )P(A 3 )... P(A n ) = ∏ P(A i )
n
(6.6)
i =1
f) Probabilidade de união de eventos não-exclusivos: Nota-se facilmente que

para os conjuntos de eventos não exclusivos da figura ocorre a seguinte
união:
( A + B) = (AB + AB) + ( BA + AB) = AB + BA + AB (6.7)
23
AB
A B
BA
AB
Como os eventos AB, AB, BA são exclusivos:
P( A + B) = P( AB) + P( BA ) + P( AB) + [ P( AB) − P( AB) ]
[ ] [
P( A + B) = P( AB) + P( AB) + P( BA ) + P( AB) − P( AB) ] (6.8)
P( A + B) = P( A ) + P( B) − P( AB)
Se os eventos são exclusivos, P(AB) = 0, então:
P( A + B) = P( A ) + P( B) (6.9)
Considerando a probabilidade de união de n eventos não-exclusivos entre

si:
[ ] [ (
P(A 1 + A 2 +...+ A n ) = P(A 1 ) + P(A 2 )+...+ P(A n ) − P(A 1 A 2 ) + P(A 1 A 3 )+...+ Pi ≠ j A i A j )]
[ ( )]
+ P(A 1 A 2 A 3 ) + P(A 1 A 2 A 4 )+...+ Pi ≠ j≠ k A i A j A k ......
[ ]
( − 1) n −1 P(A 1 A 2 ... A n )
(6.10)
g) Probabilidade condicional ou dependente: A notação P(A/B) denota a

probabilidade de ocorrência do evento A, sendo conhecida a ocorrência do
evento B. Por exemplo, em n triagens o evento B ocorre [nP(B)] vezes,
enquanto que o evento AB ocorre [nP(AB)] vezes. A notação AB significa
interseção, ou seja: AB = A ∩ B.
Então, nP(AB) = nP(B).P(A/B)
número de ocorrências de AB
P( AB)
P( A / B) = = (6.11)
P( B) número de ocorrências de B
Intersecção de dois eventos: A intersecção de eventos é a ocorrência

simultânea dos mesmos: P(AB) = P(A)P(B/A) = P(B)P(A/B).
24
A AB B
Se os eventos são exclusivos, então AB = ∅ e P(AB) = P(∅) = 0.

Sabe-se, ainda, que para P(A) ≠ 0 e P(B) ≠ 0, P(B/A) = 0 e P(A/B) = 0.
Para três ou mais eventos (A1, A2, A3), considera-se A = A1 e B = A2A3.
P(AB) = P(A)P(B/A) = P(A1)P(A2A3/A1) (6.12)
P( A 1 A 2 A 3 ) P ( A 1 A 2 )
P( A 1 A 2 A 3 ) = P( A 1 )
P( A 1 ) P( A 1 A 2 )
(6.13)
P ( A 1 A 2 ) P( A 1 A 2 A 3 )
P( A 1 A 2 A 3 ) = P( A 1 )
P( A 1 ) P( A 1 A 2 )
(6.14)
P(A 1A 2 A 3 ) = P(A 1 )P(A 2 / A 1 )P(A 3 / A 1A 2 )

(6.15)
Estendendo este raciocínio para n eventos:
P(A 1A 2 A 3 ... A n ) = P(A 1 )P(A 2 / A 1 )P(A 3 / A 1A 2 )... P(A n / A 1A 2 ... A n −1 )
(6.16)
6.1. Teorema de Bayes
Supondo que a ocorrência de um evento A seja dependente de um número

de eventos Bi, mutuamente exclusivos, sabe-se que:
A = AB1 + AB2 + AB3 +...+ Abn (6.17)
25
B1
B3
B2
B5
B4
Desde que os eventos interseções sejam exclusivos entre si, obtém-se:
P(A) = P(AB1) + P(AB2) + P(AB3) +...+ P(ABn) (6.18)
P( A ) = ∑ P(AB i ) = ∑ P( B i )P(A / B i )
n n
(6.19)
i =1 i =1
P(AB i ) P( B i )P(A / B i ) P( B i )P(A / B i )

P( B i / A ) = = = (6.20)
P( A ) P( A )
∑ P( B i )P(A / B i )
n
i =1
Considera-se, então, um sistema complexo cuja confiabilidade deve ser

estimada. O evento G corresponde ao bom desempenho do sistema. Os eventos A1,
A2, A3 ...An, são as chamadas contingências que devem ocorrer durante o
funcionamento do sistema.
A
k
A G
k
A G
k
G = AkG + AkG
(6.21)
P( G ) = P(A k G ) + P(A k G )
(6.22)
P( G ) = P(A k )P(G / A k ) + P(A k )P(G / A k )
(6.23)
Se as contingências A1, A2, A3 ...An são mutuamente exclusivas, mesmo
que algumas interseções GAi sejam nulas, tem-se:
26
G = GA1 + GA2 + ... + GAn
n
P(G ) = ∑ P( Ai )P(G / Ai )
i =1
P( Ai )P(G / Ai )
P( Ai / G ) = n
∑ P( A )P(G / A )
i =1
i i
(6.24)
As propriedades básicas e regras de probabilidades podem ser aplicadas na
solução de uma vasta gama de problemas envolvendo a ocorrência de eventos ou de
combinações de eventos.
6.2. Permutações e Combinações
O desenvolvimento lógico das permutações e das combinações foi

fortemente ligado à teoria da probabilidade em 1600. Tais técnicas permitem a
contagem sistemática do número de caminhos em que certos eventos podem
ocorrer, bem como a solução de problemas estatísticos e probabilísticos.
Agrupamentos ordenados de um conjunto de objetos são denominados de
arranjos ou combinações. Quando não é considerada a ordem na qual o conjunto é
agrupado, tais arranjos são denominados de permutações. Assim, a permutação de n
objetos pode ser feita de n! maneiras diferentes:
Pn = n! (6.25)
Existe, porém, um número muito maior de arranjos ou combinações

possíveis para qualquer grupo de dois ou mais objetos. O agrupamento ordenado,
denominado arranjo, de n objetos tomados em grupos de r ≤ n, é dado por:
n!
Ar = (6.26)
n
(n − r )!
Considerando-se a possibilidade de repetições, por exemplo, r1, r2,...,rk
são semelhantes de modo que podem ser indiferentemente permutados dentro dos
vários arranjos possíveis e r1 + r2 +...+ rk = n. Então, ri objetos idênticos podem
ser agrupados de ri! ( i = 1, 2,...,k ) maneiras diferentes dentro do mesmo arranjo,
que passa a ser denominado de combinação.
Assim, o número de combinações possíveis, neste caso, será:
27
r !( n C r ) = n A r =
n!
( n − r)!
n!
n Cr =
r !( n − r ) !
(6.27)
6.2.1. Teorema Binomial
Se a n-ésima potência da soma ( p + q ) pode ser expressa em termos de

coeficientes binomiais, como:
( )
( p + q ) n = p n + np n −1 + n n2!− 1 p n − 2 q 2 +...+
n!
r !( n − r ) !
p n − r q r +...+ q n
n  n n
( p + q ) n = ∑  r  p n− r q r = ∑ n C r p n− r q r
r =0 r =0
(6.28)
Desde que ( p + q ) = ( q + p ), então é possível escrever:
n
( p + q) n = ∑ n C r q n−r p r
r =0
(6.29)
28
7. MODELOS DE FALHAS CATASTRÓFICAS E FUNÇÕES

CONFIABILIDADE
A falha de um componente é considerada catastrófica se o reparo do

mesmo não for possível, disponível ou relevante para o funcionamento geral do
sistema. Modelos de falhas para tais componentes são tipicamente baseados em
resultados de testes de vida e dados sobre taxa de falhas resultantes da teoria de
probabilidades. Embora seja possível, em alguns casos, desenvolver um modelo de
falhas baseado nas características físicas da falha, tal procedimento é geralmente
complexo, envolvendo uma considerável bagagem de estudos e análises teóricas e
práticas.
Supondo um conjunto de No itens idênticos, os quais são colocados em
operação no tempo t = 0. Com o passar do tempo, alguns destes itens irão falhar.
Se Ns(t) representa o número de sobreviventes no tempo t > 0 (tempo
normalmente descrito em horas de funcionamento), então o número de componentes
que falharam no tempo t , dado por Nf(t) é:
Nf(t) = No - Ns(t)
(7.1)
Definem-se duas funções contínuas por partes no domínio do tempo:

função densidade dos dados de falha fd(t), e a função taxa de falhas λd(t):
fd (t) =
[ N (t ) − N (t
s i s i + ∆ti )] / N o
, para ti < t ≤ (t + ∆ti )
∆ti
(7.2)
λd (t) =
[ N (t ) − N (t
s i s i + ∆ti )] / N s (ti )
, para ti < t ≤ (t + ∆ti )
∆ti
(7.3)
Note-se que a função densidade fd(t) é a razão do número de falhas

ocorridas num intervalo de tempo pelo tamanho total da população original. A
função taxa de falha λd(t) é a razão entre o número de falhas num intervalo de
tempo pelo número de sobreviventes no início do intervalo considerado.
Intuitivamente, fd(t) é a medida da velocidade total de ocorrência de
falhas, enquanto que λd(t) é a medida instantânea desta velocidade.
A função distribuição dos dados de falhas Qd(t) é obtida por integração de
fd(t), sendo contínua por partes no intervalo de 0 a t. Tal função consiste numa
soma de funções rampa:
29
t
Qd ( t ) = ∫ f d (ξ )dξ
0
(7.4)
A função distribuição dos sobreviventes ou de sucesso Rd(t):
Rd ( t ) = 1 − Qd ( t )
(7.5)
Sendo que, eventualmente, todos os componentes devem falhar, a área sob

a curva fd(t) é igual a unidade. Conseqüentemente, a medida que t aumenta, Qd(t)
→ 1 e Rd(t) → 0.
A função taxa de falhas ou catástrofes λ(t) é a mais comumente usada na
representação de um modelo a partir de dados disponíveis, pois descreve claramente
os vários estágios da vida dos componentes.
7.1 Relação entre as diferentes funções em confiabilidade
Trata-se das relações matemáticas entre as quatro funções de

confiabilidade, a saber: f(t) λ(t) Q(t) R(t).
N s (t ) N o − N f (t ) N f (t )
R(t ) = = = 1−
No No No
R(t ) = 1 − Q(t )
(7.6)
Desde que:
 1 N s (t ) − N s (t + ∆t ) 
f (t ) = lim  N s (t )
1 d
 =−
∆t →0 N
 o ∆t  N o dt
e
N s (t ) = N o R(t )
(7.7)
Então:
d d
f (t) = − R( t ) = Q( t )
dt dt
(7.8)
Além disso, sabe-se que:

30
 1 N s ( t ) − N s ( t + ∆t )  1 d
λ ( t ) = lim  =− Ns (t )
 Ns(t) ∆t N s ( t ) dt
∆t → 0

No f (t ) f (t)
λ(t ) = =
Ns(t) [ Ns (t ) / No ]
f (t )
λ(t ) =
R( t )
(7.9)
Para obter a relação entre a confiabilidade R(t) e a taxa de falhas λ(t):
d
f ( t ) − dt R( t )
= − [ ln R( t ) ]
d
λ(t ) = =
R( t ) R( t ) dt
t
ln R( t ) = − ∫ λ (ξ )dξ + c
0
(7.10)
sendo c é a constante de integração.
Elevando ambos os lados como potência de uma função exponencial:
 t 
R( t ) = e exp − ∫ λ (ξ )dξ 
c
 0 
(7.11)
Desde que para t = 0 tem-se R(t) = 1, pode-se concluir que ec = 1 e,

portanto:
 t 
R( t ) = exp − ∫ λ (ξ )dξ 
 0 
(7.12)
Como f(t) = λ(t)R(t), obtém-se:
 t 
f ( t ) = λ ( t ) exp − ∫ λ (ξ )dξ 
 0 
 t 
Q( t ) = 1 − R( t ) = 1 − exp − ∫ λ (ξ )dξ 
 0 
(7.13)
31
Além disso:
d 
f (t) f (t)  dt Q(t ) 
λ(t ) = = = 
R ( t ) 1 − Q( t ) 1 − Q( t ) 
 
f (t) f (t)
λ(t ) = =
1 − Q( t ) t
1 − ∫ f (ξ )dξ
0
(7.14)
 t

Sendo que lim R( t ) = 0 e R( t ) = exp − ∫ λ (ξ )dξ  , observa-se que a
t →∞
 0 
área sob a curva λ(t) tende a infinito quando t → ∞.
7.2. Relações entre as diferentes funções de confiabilidade
f(t) λ(t) Q(t) R(t)

 
(Q( t ) ) ( R( t ) )
t
f(t) f(t) d d
λ ( t ) exp − ∫ λ (ξ )dξ  −
  dt
0
dt
λ(t) f (t) λ(t)
(Q( t ) ) − (ln R( t ) )
1 d d
t
1 − ∫ f (ξ )dξ 1 − Q(t ) dt
0 dt
Q(t) t
 t  Q(t) 1 - R(t)
∫ f (ξ )dξ 1 − exp − ∫ λ (ξ )dξ 
0
 0 
R(t) t
 t  1 - Q(t) R(t)
1 − ∫ f (ξ )dξ exp − ∫ λ (ξ )dξ 
0  0 
7.3. Tempo médio até falha (MTTF)
O valor esperado da variável aleatória contínua denominada tempo até

falha, é definido como tempo médio até falha, ou simplesmente, MTTF. Em muitas
situações práticas, o conhecimento do MTTF é suficiente para caracterizar a
qualidade e a disponibilidade de um certo item.
t
MTTF = ∫ tf ( t ) dt
0
(7.15)
Sabendo-se que:
32
R(t) = 1 - Q(t)
(7.16)
Obtém-se:
d d
R( t ) = − Q( t ) = − f ( t )
dt dt
(7.17)
∞ ∞
d  
R( t ) dt = − tR( t ) 0 − ∫ R( t ) dt 
∞
MTTF = − ∫ t
0 dt  0 
(7.18)
Sabe-se que:
 t 
R( t ) = exp − ∫ λ (ξ )dξ 
 0 
(7.19)
Então:
lim tR( t ) = 0 e lim tR( t ) = 0

t →0 t →∞
Portanto:
∞
MTTF = ∫ R( t ) dt (7.20)
0
33
8. DISTRIBUIÇÕES ESTATÍSTICAS E SUAS APLICAÇÕES EM

CONFIABILIDADE
São várias as funções que podem modelar a distribuição probabilística de

uma variável aleatória. A escolha do modelo matemático estatístico a ser utilizado
está diretamente relacionada aos tipos de testes de falhas realizados, bem como ao
tamanho e tipo de amostragem analisada. As principais funções utilizadas são:
- Distribuição Binomial.
- Distribuição de Poisson.
- Distribuição Exponencial e Modelo de Falha constante.
- Distribuição Retangular.
- Distribuição de Rayleigh.
- Distribuição Normal.
- Distribuição de Weibull.
- Distribuição Gamma.
- Distribuição Lognormal.
- Distribuição Beta.
- Distribuição dos valores Extremos.
Algumas propriedades básicas das distribuições estatísticas são estimadas

de acordo com as seguintes definições:
+∞
Momento da distribuição: m r = ∫ x f (x)dx .

r
−∞
(8.1)
Portanto, para r = 0, temos:
+∞
m= ∫ f ( x )dx = 1 , pois trata-se da área sob a curva f(x).
−∞
Para r = 1, temos o valor médio esperado dado por:
+∞
m1 = ∫ xf ( x)dx
−∞
(8.2)
Se a distribuição sofre translação da referência para o valor médio, então o

momento da distribuição, em torno da média, torna-se:
+∞
∫ ( x − µ) f ( x )dx
r
mr = (8.3)
−∞
34
Define-se, portanto, variância, como:
+∞
∫ ( x − µ) f ( x )dx , no qual o desvio padrão é σ =

2
m2 = m2 . (8.4)
−∞
8.1. A Distribuição Binomial
A distribuição binomial adequa-se a problemas confiabilísticos do tipo

combinatório, geralmente aplicada a variáveis discretas e grandes amostras. Uma
condição importante para sua aplicação e que o números de ensaios ou triagens
deve ser fixo, com apenas duas possibilidades de resposta: sucesso (p) ou fracasso
(q).
Assim sendo, a probabilidade de r sucessos em n ensaios, será:
 n n!
n Cr =  = (8.5)
 r  r !( n − r ) !
pr = probabilidade de r sucessos.
q(n-r) = probabilidade de (n-r) fracassos.
A probabilidade de r sucessos e (n-r) falhas e, portanto:
n!
Pr = p r q ( n− r ) = n C r p r q (n− r ) (8.6)
r !( n − r ) !
∑ r = 0 Pr
n
=1
n
n! n! n!
∑ n Cr p rq ( n − r ) = q n + ( n − 1) ! pq ( n −1) + 2!( n − 2)! p 2q ( n − 2) +...+ ( n − 1) !1! p( n −1)q + p n = ( p + q )
n
=1
r=0
(8.7)
O valor médio e o valor esperado são resultantes dos momentos de

primeira e segunda ordem m1 e m2:
n!
Pr = p rq ( n − r )
r !( n − r ) !
(8.8)
35
n n n
n( n − 1)! n
( n − 1)! p r −1q n − r
prq(n − r) = ∑ p. p r −1q ( n − r ) = np∑
n!
E( X) = ∑ r.Pr = ∑ r.
r=0 r=0 r !( n − r )! r=0 ( r − 1) !( n − r ) ! r =1 ( r − 1)!( n − r )!
(8.9)
Para i = r-1, sendo que r varia de 1 a n, temos i variando de 0 a (n-1)=m.
E( X) = np∑
m
( m )! p iq n −1− i = np ∑
m
( m )! m
p iq m − i = np ∑ Pi = np = µ
i= 0 i!( n − 1 − i)! i= 0 i!( m − i)! i=0
(8.10)
( n − 1) ! p rq ( n − r ) = n n( n − 1) ! p. p r −1q ( n − r ) = np n ( n − 1) ! p r −1q n − r
( )
n n
E X 2 = ∑ r 2 . Pr = np ∑ r. ∑ ( r − 1) !( n − r)! ∑ ( r − 1) !( n − r)!
r=0 r =1 r !( n − r ) ! r=0 r =1
(8.11)
Para i = r-1, sendo que r varia de 1 a n, temos i variando de 0 a (n-1) = m.
 ( m )! ( m )! 
( )
m m m
m!
E X 2 = np ∑ (i + 1) i!( m − i)! piq m −1 = np ∑ i i!( m − i)! piq m − i + ∑ i!( m − i)! piq m − i 
i=0  i=0 i=0 
m
( m )! m
( m )!
∑ i i!( m − i)! piq m − i = mp = ( n − 1)p e ∑ i!( m − i)! piq m − i = 1
i=0 i=0
(8.12)
( ) [ ]
E X 2 = np ( n − 1)p + 1 = ( np) − np 2 + np
2
σ 2 = V( X) = E X 2 − E( X) ( ) [ ]2 = np − np 2 = np(1 − p) = npq
(8.13)
Temos, assim, média e desvio padrão, respectivamente:
µ = np e σ = npq
(8.14)
A distribuição binomial aproxima, para variáveis discretas, a distribuição

normal para grandes amostras e elevado numero de falhas.
Alguns exemplos de aplicações: p = probabilidade de defeitos:
a) probabilidade de r defeitos em n peças:

n!
Pr = p rq ( n − r )
r !( n − r ) !
36
(8.15)
b) probabilidade de encontrar no máximo r defeitos:
r
n!
P( i ≤ r ) = ∑ p iq ( n − i )
i= 0 i !( n − i ) !
(8.16)
c) probabilidade de encontrar no mínimo r defeitos:
n
n!
P( k ≥ r ) = ∑ p kq ( n − k )
k=r k !( n − k ) !
(8.17)
A distribuição binomial foi implementada computacionalmente e as
telas serão apresentadas a seguir:
FIGURA 8.1 – ENTRADA DE DADOS PARA A DISTRIBUIÇÃO BINOMIAL.
FIGURA 8.2 –DEFINIÇÃO DO TIPO DE CÁLCULO DE PROBABILIDADE: ACUMULADA OU NÃO.
37
FIGURA 8.3 – RESULTADOS PARA DISTRIBUIÇÃO BINOMIAL.
8.2. A Distribuição de Poisson
A distribuição de Poisson aplica-se a analise de partes defeituosas, o que

corresponde essencialmente a um controle de qualidade utilizado para predizer a
probabilidade de ocorrência de defeitos, num intervalo de tempo continuo, para
melhor controle de produção.
Aplica-se a distribuição de Poisson para uma taxa de falhas constante no
tempo, com reposição instantânea do item falhado, determinando a probabilidade de
x ocorrências do evento no intervalo de tempo requerido. Utiliza-se esta
distribuição para variáveis discretas e pequenas amostras.
Para um pequeno intervalo de tempo dt, tal que a probabilidade de
ocorrência de mais de um evento seja nula:
λdt → uma ocorrencia no intervalo ( t , t + dt )

Px ( t ) → x ocorrencias em ( 0, t )
Px ( t + dt ) → x ocorrencias em ( 0, t + dt )
[
Px ( t + dt ) = Px ( t ) probabilidade de 0 ocorrencias em ( t, t + dt ) +]
Px −1( t )[ probabilidade de 1 ocorrencia em ( t, t + dt )] +
Px − 2 ( t )[ probabilidade de 2 ocorrencias em ( t, t + dt )] +
P0 ( t )[ probabilidade de x ocorrencias em ( t, t + dt )]
Mas: Px1( t, t + dt) = 0
Então temos:
Px ( t + dt ) = Px ( t )(1 − λdt ) + Px −1( t ) λdt

[
Px ( t + dt ) = Px ( t ) − λdt Px ( t ) − Px −1( t ) ]
(8.18)
Para x = 0, tem-se:
38
P0 ( t + dt ) = P0 ( t )(1 − λdt )
P0 ( t + dt ) − P0 ( t ) = − λdt P0 ( t ) [ ]
dP0 ( t )
= − λP0 ( t ) ⇒ P0 ( t ) = ke − λt
dt
(8.19)
Para t = 0 : P0 ( 0) = k = 1 ⇒ P0 ( t ) = e−λt , que é a confiabilidade no intervalo de
(0 a t).
(8.20)
Para uma falha:
[
P1( t + dt ) = P1( t ) − λdt P1( t ) − P0 ( t ) ]
P1( t + dt ) − P1( t )
dt
[
= − λ P1( t ) − P0 ( t ) ]
(8.21)
dP1( t )
+ λP1( t ) = λe− λt
dt
(8.22)
P1( t ) = ke − λt + λte − λt ⇒ para t = 0 ⇒ P1( t ) = 0 ⇒ k = 0
P1( t ) = λte − λt
(8.23)
Analogamente, para x = 2, 3, 4...x, temos:
( λt ) x e − λt
Px (t ) =
x!
(8.24)
O valor médio e o desvio padrão, fazendo y = x-1, são:
x(λt ) e − λt ( λ t ) e − λt = λ t ∞ ( λ t ) e − λt = λ t = µ
∞ ∞ x ∞ x −1 y
E( X ) = ∑ xPx = ∑ = λt ∑ ∑
x= 0 x= 0 x! x =1 ( x − 1)! y= 0 y!
(8.25)
Px ( t ) =
( µ) x − λt
e
x!
(8.26)
( ) ∑ x P = ∑ x ( λtx)! e x( λt )
∞ ∞ 2 x − λt ∞ x −1 − λt
e
E X2 = 2
= λt ∑ =
x=0
x
x=0 x =1 ( x − 1) !
( )
E X 2 = λt ∑
∞
[( x − 1) + 1]( λt) x −1e− λt = λt  ∞ y ( λt) y e− λt + ∞ ( λt) y e− λt  = λt[λt + 1]
( x − 1) ! 
∑ y! ∑ y! 
x =1 y= 0 y= 0 
(8.27)
V( X ) = E X ( ) − [E(X)]
2 2
= ( λt ) + λt − ( λt ) = λ t
2 2
(8.28)
Temos, portanto, a média e o desvio padrão:
39
µ = λt e σ = λt
(8.29)
A distribuição de Poisson aproxima a distribuição binomial para pequenas
taxas de falhas e extensos tempos de teste. Para elevado numero de falhas, torna-se
simétrica e aproxima a distribuição normal, sendo portanto, aplicável para falhas de
inicio de Operacionalização e para falhas por desgaste.
A estimativa da confiabilidade, através desta função, e calculada para a
ocorrência de nenhuma falha (zero falhas) no intervalo (0, t).
A tela apresentada a seguir faz parte da implementação computacional da
distribuição de Poisson.
FIGURA 8.4 – ENTRADA E SAÍDA DE DADOS PARA A DISTRIBUIÇÃO BINOMIAL.
8.3. A Distribuição Exponencial
Aplica-se para analises com taxa de falhas constante, ou ainda, durante o

tempo de vida útil do item analisado. Muito eficiente para componentes eletrônicos,
cuja vida útil predomina fortemente na curva da banheira. Trata-se de função
uniparamétrica, onde o parâmetro principal e a própria taxa de falhas λ.
λ (t ) = λ f (t ) = λe − λt
R (t ) = e− λt Q(t ) = 1 − e − λt
O valor médio e o desvio padrão são:
∞ ∞ ∞ ∞
 e − λt 
( ) +∫e
∞ 1
E( t ) = t.λe
∫
− λt
∫
dt = λ t.e − λt
dt = − t.e − λt − λt
dt =  − t.e − λt −  = = µ = MTTF
0 0
0
0  λ  λ
0
40
(8.30)
∞ ∞ ∞ ∞
( ) ∫ t.
E t2 = 2
λ e − λ t dt = λ ∫ t 2 .e − λ t dt = (− t 2 .e − λ t ) 0 + ∫ e − λ t . 2 t .dt =
∞ 2
λ ∫ te
− λt
dt
0 0 0 0
∞
e − λt 
( )
2 2
E t =  − t .e − λ t −
λ λ 0
2 1 2
 = . = 2 ⇒
λ λ λ
V (t ) = 2 − 2 = 2 ⇒ σ = V (t ) =
2 1 1 1
λ λ λ λ
(8.31)
µ =1 λ e σ =1 λ
λ(t)
f(t)
λ λ
t t
R(t) Q(t)
1 1
t t

distribuição exponencial.
41
FIGURA 8.5 – RESULTADOS PARA UM ENSAIO SEM CENSURA PELA DISTRIBUIÇÃO

EXPONENCIAL.
8.4. A Distribuição Retangular
Esta distribuição de aplicação restrita, refere-se aos casos em que a

densidade de probabilidade f(t) é constante num intervalo de tempo (t1 , t2).
É uma distribuição bi-paramétrica, onde os parâmetros t1 e t2 devem ser
definidos.
t
1 t − t1
f (t) = Q( t ) = f ( t ) dt =
∫
( 2 − t1)
t t1
( 2 − t1)
t
(8.32)
1 t − t2
λ( t ) = R ( t ) = 1 − Q( t ) =
(t 2 − t) ( t 2 − t1 )
(8.33)
f(t)
1/(t2-t1)
t
t1 t2
Valor esperado e variança:
42
t2
tdt t2 t +t
E( t ) = ∫ t 2 − t1 2( t 2 − t1) = 2 2 1 = µ
=
t1
(8.34)
t2
( ) ∫ t t −dtt +
2 3
t t 32 t13
E t2 = = =
t1 2 1 3( t 2 − t1 ) 3( t 2 − t1 )
(8.35)
λ(t)
Q(t)
1
t
t1 t2 t1 t2 t

distribuição retangular.
FIGURA 8.6 – RESULTADOS PARA UM ENSAIO CENSURADO À DIREITA PELA

DISTRIBUIÇÃO RETANGULAR.
8.5. A Distribuição de Rayleigh

43
E uma aproximação simplificada para regiões da curva da banheira, como

as de falhas iniciais e por desgaste. Nesta distribuição, a taxa de falhas cresce
linearmente com o tempo, tratando-se, também neste caso, de uma função
uniparamétrica, definida pela inclinação da taxa de falhas k.
2
− kt 2
λ(t ) = kt f ( t ) = kt × e
2 2
− kt 2 − kt 2
R( t) = e Q( t ) = 1 − e
Valor esperado e variança:

(1 − π 4)
2
E( X ) = π 2k e V( X) =
k
(8.36)
distribuição Rayleigh.
FIGURA 8.7 – RESULTADOS PARA UM ENSAIO SEM CENSURA PELA DISTRIBUIÇÃO DE

RAYLEIGH.
λ(t)
Ko K(t - to)
Ko - K1t
Ko/K to t
44
λ(t) f(t)
t t
R(t) Q(t)
1 1
t t
8.6. A Distribuição Normal
A distribuição normal constitui a mais importante lei das probabilidade em

estatística, e forma o fundamento teórico para muitas outras distribuições de
probabilidades. Em confiabilidade, a distribuição normal e utilizada para analisar
produtos durante o inicio de vida e na fase de degradação natural, ou ainda, falha
por fadiga ou desgaste. Também conhecida como distribuição Gaussiana. Esta
distribuição aplica-se a fenômenos naturais, como medições, características de
grandes amostras e populações, degradação ou desgaste, etc. Trata-se de
distribuição bi-paramétrica, tendo como padrões principais o valor médio e o desvio
padrão.
As distribuições, em geral, podem ser simétricas, leptokúrticas,
platikúrticas, bi-modais, e com distorção a direita (positiva) e a esquerda (negativa).
As distribuições bi-modais são aquelas que apresentam dois valores centrais e que,
normalmente, originam-se de dois universos distintos.
Como distribuições normais, podem ser classificadas as simétricas, as
leptokurticas (com forte tendência central e pequeno desvio padrão), e as
platikurticas (com fraca tendência central e alto valor de desvio padrão).
Medidas de tendência central, em estatística, significa o centro ou valor
médio entre algumas grandezas. Ocorrem quatro tipos principais de valores
centrais.
* Média Aritmética: e o mais comum e aplicável dos valores centrais.
Trata-se da soma de todos os valores, dividida pelo numero total de valores
disponíveis.
* Modo: representa o valor com o maior numero de leituras ou
ocorrências.
* Mediana: trata-se da media entre os valores extremos da
distribuição.
* Média geométrica: determinada por sucessivas multiplicações de um
grupo de n valores, com imediata extração da n-ésima raiz do produto resultante.
45
n
∑ xi
i =1
Média Aritmética: x =
n
(8.37)
x + x min
Mediana: x = max
2
(8.38)
Média Geométrica: MG = n ∏ xi
(8.39)
Assim sendo, e característica de distribuição normal quando a média

aritmética, o modo e a mediana são coincidentes.
f(t) f(t)
Distribuição normal (Gaussiana) Modo Mediana Média
Define-se por dispersão a medida de variabilidade dos valores medidos em

torno do valor central. Pode ser caracterizado de três formas: faixa de valores,
desvio padrão e variância.
Faixa de valores: FV = x max − x min

(8.40)
Desvio Padrão: s =
∑x− x para pequenas amostras.
n−1
(8.41)
σ=
∑x− µ para populações ou grandes amostras.
n
(8.42)
Variância: s ou σ .
2 2
A função distribuição de falhas apresenta a forma:
46
1  ( x − µ) 2 
f (x ) = exp − 
σ 2π  2σ 
2

(8.43)
Curva Normal Padronizada e aquela que desloca o valor central para o zero
do sistema de referencia, com um desvio padrão unitário. A área sob a curva, que
fornece a porcentagem de falhas acumuladas, e neste caso, igual a unidade.
z2
x−µ 1 −
z= e f ( z) = e 2 (8.44)
σ 2π
Com esta distribuição, pode-se trabalhar com os valores tabelados que

fornecem diretamente o valor da área correspondente ao valor de z.
A distribuição t-student consiste de uma distribuição normal, devidamente
ajustada para minimizar erros de amostras pequenas. Seus parâmetros tabelados
são: 0.4
tα,n-1 = variável dependente do tamanho da amostra.
α = área sob a curva.
x−µ
tα,n-1 =
σ
-3 -2 -1 0 1
2 3
x = valor desejado ou medido.

distribuição Normal.

NORMAL.
47
8.7. A Distribuição de Weibull
A distribuição de Weibull é, geralmente, uma distribuição bi-paramétrica.

Estimando adequadamente o parâmetro de escala α (tempo esperado de vida útil ou
vida característica) e o parâmetro de forma, ou inclinação de Weibull, β, a variação
de forma das curvas pode ser utilizada para ajustar os dados experimentais. Assim
sendo, este modelo de distribuição é amplamente utilizado em confiabilidade.
A função taxa de falhas para a distribuição de Weibull é dada por:
βt β −1
λ(t ) =
αβ
onde: α > 0 β > 0 e t ≥ 0.
A correspondente função densidade de falha é:
βt β − 1   t β
f ( t ) = β exp −  
α   α  
(8.45)
As funções confiabilidade e distribuição de falhas são, respectivamente:
  t β
R( t ) = exp −  
  α  
(8.46)
  t β
Q( t ) = 1 − exp −  
  α  
(8.47)
Caso especial 1:
Para β = 1, a distribuição de Weibull se reduz a uma distribuição
exponencial com uma taxa de falha constante igual a 1/α.
1
λ(t ) =
α
1   t 
f (t) = exp −  
α  α
(8.48)
MTTF = α
Caso especial 2:
Para β = 2, a distribuição de Weibull se reduz a uma distribuição de
Rayleigh com k = 2 / α2.
48
2
λ(t ) = t
α2
2   t 2
f ( t ) = 2 t exp −  
α   α  
(8.49)
De um modo geral, o valor de β inferior a unidade representa uma função

taxa de falha decrescente, um valor superior a unidade representa uma função
crescente e, finalmente, um valor igual a unidade representa uma função constante.
Para β igual a 3.4, a distribuição de Weibull aproxima a normal (geralmente este
valor varia entre 2.7 > β >3.7).
8.7.1. Determinação dos parâmetros de Weibull
Pode-se obter a curva de Weibull na forma de uma reta representando a

mesma numa escala bi-logarítmica.
  t β
Q( t ) = 1 − exp −  
  α  
(8.50)
Sendo t = α, para o tempo esperado de vida útil tem-se uma probabilidade

de falha de:
Q( t = α ) = 1 − e −1 = 0.63 ou 63%
Extraindo o logaritmo desta equação por duas vezes seguidas:
  t β
1 − Q( t ) = exp −   
  α  
β
 t
 
(1 − Q( t))
−1  α
=e
 1   t β
ln   =  
 1 − Q( t )   α 
 1   t  β   t
ln ln   = ln    = β ln   = β[ln t − ln α ]
 1 − Q( t )   α    α
(8.51)
Desta forma, o parâmetro de forma β é o coeficiente angular da reta obtida,

enquanto que o tempo esperado de vida útil α corresponde ao valor de Q(a) = 0.63.
49
A Figura 8.7 esquematiza a curva de Weibull em escala bi-logarítmica,

bem como a localização dos parâmetros α e β.
Lnln (1/(1-Q(t)))
0 Ln α Ln
βLn α
FIGURA 8.9 - CURVA DE WEIBULL E PARÂMETROS DE FORMA E TEMPO DE VIDA ÚTIL.
β=3
β=2
λ(t) f (t)
λ β=3
λ β=1
β=2
β<1
β<1
t t
R(t) Q(t)
1 β>2
1
β<2 β<1
β<1
t t
As telas apresentadas a seguir faz parte da implementação computacional

da distribuição de Weibull.
50
FIGURA 8.10 – RESULTADOS PARA UM ENSAIO CENSURADO À DIREITA PELA

DISTRIBUIÇÃO DE WEIBULL.
FIGURA 8.11 – GRÁFICO EM ESCALA BI-LOGARÍTMICA PARA DISTRIBUIÇÃO DE

WEIBULL.
8.8. Distribuição Gamma

51
Muito similar a distribuição de Weibull, também constitui uma distribuição

bi-paramétrica, com parâmetro de escala α e parâmetro de forma β. Utilizada,
principalmente, na modelagem de reparo ideal, com tempo entre falhas distribuído
exponencialmente, e na estimativa de limites de confiança por função χ2.
Condições de aplicação:
t β −1  t
f (t ) = β exp −  α 〉0 β〉0 t≥0
α Γ ( β)  α
(8.52)
A integral da função probabilidade f(t), que fornece a distribuição

acumulada de falhas Q(t), e do tipo incompleta, como no caso da distribuição
normal, sendo obtida através de tabelas.
tα
1
Q( t ) = β −1 − z
Γ( β ) ∫
z e dz
0
(8.53)
função Gamma incompleta = integral por tabelas.
Valor médio e desvio padrão:
µ = α × β e σ = α 2β
(8.54)
Da mesma forma que a distribuição de Weibull, a distribuição Gamma

apresenta uma distribuição exponencial para β = 1.
Se β é um número inteiro, a função fatorial torna-se:
Γ( β) = ( β − 1) !
(8.55)
Sendo uma função fatorial.
t β −1  t
f (t) = exp − 
α ( β − 1) !
β
 α
(8.56)
Sendo uma distribuição Erlangeana .
A função Erlangeana modela um número de estágios idênticos em série,

com distribuição não exponencial dos temos de falha, no modelo de Markov; bem
como modelo de falhas aleatórias, com reparo ideal em manutenção corretiva, para
distribuição exponencial dos tempos de falha (período de vida útil).
52
Para j = β-1 e sabendo-se que a confiabilidade R(t) associa-se a f(t) por:
R(t ) = λ (t )f (t )
(8.57)
Se o tempo de falhas e distribuído exponencialmente, então a função taxa

de falhas e constante: λ = 1 / α
j
 t  β −1  t  1
R ( t ) = exp −  ∑  
 α  j= 0  α  j!
(8.58)
8.9. A Distribuição Lognormal
O logarítmo natural da variável aleatória distribui-se normalmente, com

média m e desvio padrão s, porém não da variável t, mas de l(nt). Sua aplicação
fundamental e nos tempos de reparo para uma manutenção normal de falhas por
desgaste.
1  −( ln t − µ ) 2 
f (t ) = exp   t≥0
tσ 2 π  2σ 2 
(8.59)
Sendo que t é o tempo de reparo de um grupo de componentes.
A integral de f(t) fornece a função probabilidade acumulada de falhas Q(t):
ln t − µ
σ
1  −z 2 
Q( t ) = ∫ exp  dz
2π −∞  2 
(8.60)
Integral incompleta = solução por tabelas.
O valor médio e o desvio padrão são dados por:
 σ2 
µ = exp µ +
 2
 e ( ) (
σ = exp 2µ + 2σ 2 − exp 2µ + σ 2 )
(8.61)
As telas apresentadas a seguir faz parte da implementação computacional
da distribuição Lognormal.
53

LOGNORMAL.
λ(t) f(t)
σ=0.3
σ=1.0 σ=0.3
σ=1.0
t t
R(t) Q(t)
1 σ=1.0
σ=0.3
σ=0.3
σ=1.0
t t
54
A distribuição dos Valores Extremos modela valores máximos e mínimos

para um grupo de n variáveis aleatórias.
Resumindo, para variáveis discretas temos uma confiabilidade associada a
um controle de qualidade por padronizações, cujo modelo para o número de falhas
pode ser uma distribuição binomial, se em relação ao tamanho inicial da amostra;
ou uma distribuição de Poisson, se em relação ao tempo de produção.
As variáveis contínuas, como tempo de falha, podem ser modeladas por
distribuição exponencial durante o período de vida útil; por distribuição de
Rayleigh ou Gaussiana durante o período de vida em desgaste; por distribuição de
Weibull para falhas aleatórias; por distribuição Gamma para componente com
reparo ideal; ou ainda, por distribuição log-normal para tempo de reparo.
No caso de componentes mecânicos, em alguns casos, os períodos de vida
útil, de falha em desgaste e de falhas aleatórias não se distinguem entre si, ou
podem suceder simultaneamente. Nestes casos, deve-se modelar os tempos de falha
por várias distribuições e proceder com uma análise de coeficiente de correlação e,
em seguida, de nível de confiança dos resultados.
8.10. Distribuição Beta
A distribuição Beta modela variáveis aleatórias delimitadas no espaço

amostral, ou seja, com limites superiores e inferiores conhecidos. Neste tipo de
distribuição há dois parâmetros, que representa modelos satisfatórios para um
grande número de variáveis aleatórias de grande importância em aplicações práticas
que são limitadas por valores conhecidos dentro de uma faixa superior e inferior.
Um exemplo de tal distribuição, seria determinar a distância de uma extremidade de
uma haste até o ponto no qual ocorre uma fratura, quando submetido à uma
determinada tensão. Outro exemplo, seria a determinação de uma porcentagem de
uma faixa etária de idades específica sobre uma determinada pesquisa quantitativa.
Não importa se os limites são inferiores ou superiores, assim como se são
finitos ou não, sempre podem ser derivada uma variável aleatória correpondente,
que possui valores entre 0 e 1, através de procedimentos aceitáveis de
normalização. Por exemplo, se X é uma variável aleatória com a ≤ x ≤ b, então (X-
a)/(b-a) é a variável de interesse correspondente com valores entre 0 e 1 .
A função densidade para a distribuição Beta é:
 t γ (1 − t ) β
 para 0 ≤ t ≤ 1
f (t ) =  B(γ , β )
0
 para t qualquer
(8.62)
Na qual a função Beta é definida como:
Γ(γ + 1)Γ( β + 1)
B (γ , β ) =
Γ(γ + β + 2)
(8.63)
com γ, β > -1.

55
Para a escolha dos diferentes valores de γ e β, como há uma grande

variedade de funções densidade, podem ser escolhidas as seguintes condições:
γ=0eβ=0 Distribuição uniforme

γ=βeβ=γ Simétrica sobre t =0.5
γ < 0 ou β < 0 Infinitamente ampla para t = 0 e t =1, respectivamente
γ<0eβ≥0 Decresce em t com formato côncavo
γ≥0eβ<0 Aumenta em t com formato côncavo
γ<0eβ<0 Formato de U; infinitamente amplo para t = 0 e t = 1
γ>0eβ>0 Possui um único pico.
A distribuição cumulativa correspondente é:
1 para t >1
t
 ξ (1 − ξ ) β
Q(t ) = ∫ dξ para 0 ≤ t ≤1
 0 B(γ , β )
0 t<0
 para
(8.64)
A integral apresentada acima é conhecida como Função Beta

Incompleta. As tabelas com valores para esta função são facilmente encontrada em
Manuais Matemáticos.
A média e a variança da distribuição Beta são, respectivamente:
γ +1
µ=
γ +β +2
(8.65)
(γ + 1)( β + 1)
σ2 =
(γ + β + 2) 2 (γ + β + 3)
(8.66)
As expressões para γ e β podem ser derivadas em termos de µ e σ2

para essas relações, sendo:
 µ (1 − µ ) 
γ = µ − 1 − 1
 σ 2

(8.67)
 µ (1 − µ ) 
β = (1 − µ )  − 1 − 1
 σ
2

(8.68)
56
8.11. Distribuições com Valores Extremos
Os conceitos de distribuições com valores extremos (valores máximos e

mínimos) para um conjunto de n variáveis aleatórias, podem ser representadas
tipicamente para aplicações que se referem à cargas e capacidades.
Assumir situações, nas quais as distribuições são idênticas e as variáveis
independentes não correspondente à realidade dos dados práticos, que quase sempre
são pequenos. Entretanto, para o caso de um n muito grande, certas distribuições
de valores extremos assintóticas podem ser utilizadas para um modelo de valores
máximos e mínimos.
Há três tipos de distribuições com valores extremos assintóticas: Tipo I ou
distribuição de Gumbel que é utilizada quando as variáveis aleatórias são obtidas
para qualquer valor entre -∞ e +∞. Essa condição pode ser mostrada pelas
distribuições ascendentes normal e exponencial resultantes da distribuição de
valores extremos máximo no limite, quando n se torna grande. As distribuições
ascendentes com aparência exponencial aumentam as distribuições de valores
extremos mínimos do tipo I. Se a variável aleatória é limitada pelo lado esquerdo do
zero, então n torna-se maior e a distribuição com valores extremos máximos tendem
a torna-se uma distribuição do tipo II. Similarmente, se as variáveis aleatórias são
limitadas pelo lado direito de zero, então a distribuição com valores extremos
mínimos tendem a ser tornam uma distribuição do tipo II. Por outro lado, se a
variável aleatória é limitada pelo lado direito ou esquerdo por alguns valores finitos
de y1, então a distribuição por valores extremos máximos e mínimos tendem a se
tornarem uma distribuição do tipo III, quando n torna-se maior.
Tipo I: Considerando que ym assuma o mesmo valor de y, o qual é o ponto

máximo da função densidade FY(y) e considerando β > 0, tem-se uma constante que
descreve a dispersão de uma variável aleatória. Então:
   y − y m  
FY ( y ) = exp − exp−  
   β 
(8.69)
  z − y m 
FZ ( z ) = 1 − exp − exp 
  β 
(8.70)
Para -∞ ≤ y ou z ≤ ∞ e para β > 0.
Tipo II
57
  y  −m 
FY ( y ) = exp −   
  β  
(8.71)
  − z  −m 
FZ ( z ) = 1 − exp −   
  β  
(8.72)
Para y ≥ 0, z ≤ 0, β>0.
Tipo III
  y − y m 
FY ( y ) = exp −  1  
  β  
(8.73)
m
  z − y1 
Fz ( z ) = 1 − exp−  
  β 
(8.74)
Para y ≤ y1, y1 ≤ z, β > 0 e m > 0.
Um caso especial que acompanha este tipo de distribuição é dado

pela função densidade de falhas:
f(t) = et. e-et , para -∞ < t < +∞.
A função de confiabilidade e de risco pode ser facilmente

encontrada através de:
t
ξ
R (t ) = 1 − ∫ e ξ e −e dξ
0
(8.75)
R (t ) = e − et
(8.76)
λ(t) = et
58
(8.77)
A forma mais geral da função de risco, também chamada de modelo

exponencial de risco:
λ (t ) = Keαt com α > 0
(8.78)
Essa função varia lentamente e encontra-se próxima de uma

constante inicial, porém tem um crescimento posterior rápido, como mostra os
gráficos a seguir.
λ (t) R(t)
1.0
K
t t
Se a população cresce exponencialmente e se algum risco é

proporcional à população, então o modelo exponencial de risco torna-se aplicável.
As funções de densidade e confiabilidade associadas são:
 K 
f (t ) = Ke αt exp − (eαt − 1)
 α 
(8.79)
 K 
R (t ) = exp − (eαt − 1)
 α 
(8.80)
59
9. MODELAGEM DA REGIÃO DE DESGASTE
9.1. Probabilidade de Falha Posterior a um Tempo de Vida
Considerando o período de vida útil, tem-se a distribuição exponencial dos

tempos de vida.
λ(t) = λ
R( t ) = e − λt
Q( t ) = 1 − e − λt
f ( t ) = λe − λt
Para o intervalo ( T , T + t ), tem-se na distribuição da densidade de

probabilidade:
f(t)
B
ou
∫ f ( t )dt = Q( t )
conjunto A
conjunto B
T T+t
B + B =1
Define-se, então:
Evento B = probabilidade de sobrevivência até o tempo T, ou nenhuma falha no

intervalo ( 0 , T )
Evento A = probabilidade de falha no intervalo ( T , T + t )
A ∩ B = probabilidade de sobrevivência até o tempo T, com falha posterior no

intervalo ( T , T + t )
T +t T +t
 λe − λξ 
P( A ∩ B) = ∫ λe
− λξ
dξ =   = e − λT − e − λ ( T + t )
T  −λ  T
60
(9.1)
∞
P( B) = ∫ λe − λξ dξ = e − λT
T
(9.2)
A probabilidade de falha posterior a um tempo de vida Qc(t) é definida

como a probabilidade de falha no intervalo (T , T+t), dada a sobrevivência até o
tempo T.
P( A ∩ B) e − λT − e − λ ( T + t )
Qc ( t ) = P( A B) = = = 1 − e − λt
P( B) e − λT
(9.3)
Note-se que a probabilidade de falha posterior Qc(t) é independente do

tempo de operação precedente T, dependendo somente da duração do intervalo t.
Isto porque assume-se falhas aleatórias e taxa de falha constante durante o período
de vida útil, o que equivale a dizer que o componente não sofre degradação nesta
fase.
Assim sendo, a probabilidade de falha posterior a um tempo de vida, neste
caso, é a própria probabilidade acumulada de falhas no período de tempo t:
Q( t ) = Qc ( t ) = 1 − e − λt
(9.4)
A distribuição exponencial dos tempos de falha é dita sem memória e

aplica-se estritamente a regiões com taxa de falha constante.
Se λ não é constante, temos a expressão:
T +t
∫ f (ξ )dξ
Qc ( t ) = T
∞
∫ f (ξ )dξ
T
(9.5)
Desta forma, pode-se propor a modelagem da região de desgaste, após um
certo período de vida útil. A região de desgaste corresponde a um crescimento
exponencial, geralmente acentuado, da taxa de falha, após o período de vida útil. As
distribuições estatísticas que melhor se adequam à modelagem desta região são a
distribuição de Rayleigh e a distribuição Normal ou Gaussiana.
λ(t)
A função densidade de probabilidade para distribuição normal é da forma:
t 61
 (t − µ) 2 
1
f (t) = exp − 
σ 2π  2σ 2 
(9.6)
Onde a variável t representa a idade do componente. Normalmente, o valor

esperado de vida em desgaste µ deveria ser muito menor que o tempo médio entre
falhas MTTF, mas o inverso também pode ocorrer.
Considerando um período de vida t de um componente, a partir do tempo
T, sabe-se que durante o intervalo (T , T+t) ocorrem falhas aleatórias com taxa de
falha constante (confiabilidade Rc(t)) e, simultaneamente, falhas por desgaste com
taxa de falhas exponencialmente crescente.
Rc ( t ) = e − λt para o período de vida útil e independente do tempo de vida

precedente.
T +t
∫ f (ξ )dξ
Qw ( t ) = T
∞
∫ f (ξ )dξ
T
(9.7)
Portanto, a probabilidade de não ocorrência de falhas entre (T , T+t) é:

T +t ∞
∫ f (ξ )dξ ∫ f (ξ )dξ Rw ( T + t )
Rw ( t ) = 1 − Q w ( t ) = 1 − T
= T+t
=
∞ ∞
Rw ( T )
∫ f (ξ )dξ ∫ f (ξ )dξ
T T
(9.8)
Incluindo no modelo a probabilidade de falhas aleatórias simultâneas:
Rw ( T + t )
R( t ) = Rc ( t ) Rw ( t ) == e − λt
Rw ( T )
(9.10)
Se o início da análise procede no tempo t=0, então:
R( t ) = Rc ( t ) Rw ( t ) == e − λt Rw ( t )
(9.11)
Segue esquema gráfico da função densidade para distribuição normal dos

tempos de falha, bem como a curva estimada de confiabilidade na região de
desgaste.
Também são ilustrados dois casos de interesse, a saber: quando a vida
média em desgaste é bem inferior ao tempo médio entre falhas (µ<<MTTF), quando
a curva exponencial domina numa faixa de tempo abaixo da média µ, para em
seguida ser sobreposta pelo efeito da acentuada queda de confiabilidade imposta
62
pela distribuição normal; o segundo caso é quando o tempo médio entre falhas é
inferior ao tempo médio em desgaste (µ>MTTF), quando, então, a curva
exponencial domina praticamente em toda faixa de tempo analisada.
Distribuição normal da função

f(t) densidade de probabilidade de falhas
Rw(t) Rw ( T + t )
Rw ( t ) =
Rw(T) 1.0 Rw ( T )
Rw(T + t) 0.5
µ T (T + t) t µ t
Rw(t)
Rw(t)
1.0
R(t) Rc(t) = e-λt
0.5
µ MTTF t
Rw(t)
Rw(t)
1.0 Rc(t)
R(t)
0.5
MTTF µ t
Para atingir maiores níveis de confiabilidade, algumas regras gerais são

introduzidas:
1) Submeter o sistema inicial a uma queima de falhas, seguida de um
processo de detecção de problemas.
2) Aplicar severos critérios de inspeções em manutenção preventiva de
modo a assegurar que o sistema não entre em falhas por desgaste.
Substituindo periodicamente os componentes críticos, o sistema é
recolocado na região de operação com baixas probabilidades de falhas.
63
10. CONFIABILIDADE E MANUTENÇÃO
Existem duas categorias básicas de manutenção:
1) Manutenção Programada ou Preventiva;

2) Manutenção Corretiva ou Forçada.
A manutenção preventiva se desenvolve em intervalos constantes de

tempo, mesmo se o sistema ainda se encontra trabalhando satisfatoriamente. Tal
processo prolonga a vida do componente, diminui o número de falhas,
incrementando o tempo médio entre falhas MTTF do sistema.
A manutenção corretiva, por sua vez, segue as falhas em serviço. Em
outras palavras, nada é feito até a ocorrência da falha. A manutenção corretiva pode
resultar em reparo ou em substituição imediata do componente, retornando o
equipamento a sua condição normal de operação.
10.1. Modelo de Confiabilidade com Manutenção Preventiva
Considerando um componente não reparável, porém preservado através de

manutenção preventiva. tal processo é dito ideal se o tempo decorrido na
substituição é praticamente nulo em relação ao tempo decorrido entre falhas, e o
componente é recolocado em um estado como novo após a finalização do processo
de manutenção.
Embora o componente não reparável seja descartado após a falha, o
emprego da manutenção preventiva nestes casos visa prolongar o tempo de vida dos
componentes de forma a transpor o seu tempo de falha.
Se o componente apresenta uma taxa de falhas constante, os tempos de
falhas apresentam uma distribuição exponencial, ou seja, conforme verificado
anteriormente, trata-se de um modelo sem memória, cujo tempo de vida precedente
não influencia a taxa de falhas posterior ao tempo de vida do equipamento. No caso
de falhas de início de operacionalização, a taxa de falhas decresce, ou seja, melhora
com o passar do tempo. Neste caso, a recolocação como novo através de uma
manutenção preventiva não é vantajosa.
Portanto, a manutenção preventiva ou programada é conveniente no caso
de taxa de falhas crescente no tempo, como ocorre na grande maioria dos
componentes mecânicos. Além disso, considera-se que a manutenção preventiva se
desenvolve apenas em equipamento em operação:
f T (t ) = função densidade de falha
TM = intervalo de tempo fixo entre intervenções de manutenção
 f ( t ) para 0 ≤ t ≤ TM
f1 (t ) =  T
 0 fora deste intervalo
64
R(t) = função confiabilidade do componente.
f 1 ( t ) R(TM = 0) = f T ( t )
f 1 ( t − TM ) R(TM )
f 1 ( t − 2TM ) R 2 (TM )
f 1 ( t − 4TM ) R 4 (TM )
f 1 ( t − 3T M ) R 3 (T M )
TM 2TM 3TM 4 TM
Partindo-se de uma distribuição de densidade de probabilidade resultante
fT(t), que por sua vez depende do ponto de partida da função confiabilidade após
cada intervenção preventiva, obtém-se a generalização das funções parciais por
período, devido à tendência exponencial da curva de confiabilidade quando
combinadas as falhas aleatórias com as falhas por desgaste.
R( t ) = e − λt ⇒ t = TM → R(TM ) = e − λTM
t = 2TM → R( 2TM ) = e − λ 2TM = e − λTM [ ] = [ R(T )]
2 2
M
(10.1)
∞
f T ( t ) = ∑ f 1 ( t − kTM ) R k (TM )
k=0
(10.2)
Nota-se a tendência exponencial da função densidade de probabilidade

após intervenção preventiva, daí a extensa aplicação de modelos exponenciais em
confiabilidade para alguns componentes mecânicos operando nestas condições.
10.2. Modelo de Confiabilidade com Reparo Ideal
O reparo ideal pressupõe duas condições básicas:
O tempo de duração do reparo após a falha é suficientemente

pequeno para ser desprezível se comparado ao tempo decorrido entre falhas.
Após o reparo, considera-se o componente recolocado como novo.
65
A diferença básica entre reparo ideal e manutenção preventiva ideal é que a

segunda se desenvolve durante a operação da máquina, enquanto que a primeira
envolve um tempo de parada que segue a falha aleatoriamente.
A variável aleatória contínua será o tempo de vida do componente T.
Redefinindo a função densidade de probabilidade:
P[ t < T ≤ ( t + ∆t )]
1
f T ( t ) = lim
∆t → 0 ∆t
(10.3)
A função densidade parcial até a primeira falha f1(t) pode ser definida
analogamente a expressão acima, porém a questão é como fica esta função para o
tempo decorrido até a segunda falha.
Para uma primeira falha ocorrida dentro do intervalo τ e a segunda falha
estando entre (t , t + ∆t), t > τ :
f 2 (t )∆t ≅ [f1 (τ)∆τ][f1 (t − τ )∆τ]

(10.4)
No limite, para todos os possíveis valores de τ menores que t:
t
f 2 (t ) ≅ ∫ f1 (τ )f1 (t − τ )dτ
0
(10.5)
Para a k-ésima falha, temos:
t
f k (t ) ≅ ∫ f k −1 (τ )f1 (t − τ)dτ, k ≥ 2 , ou seja, é a k-ésima convolução de f1(t).
0
(10.6)
Para todas as k falhas ocorridas no intervalo (t , t + ∆t) a soma das

probabilidades deve ser considerada.
L(t) ∆t = probabilidade de todas as k falhas ocorridas no intervalo(t , t +

∆t).
∞ ∞ t
L( t ) = ∑ f k ( t ) = f 1 ( t ) + ∑ ∫ f k −1 (τ ) f 1 ( t − τ )dτ
k =1 k=2 0
(10.7)
66
L(t)
f3(t)
M 2M 3M 4M 5M t
Para o caso especial de distribuição exponencial dos tempos de falha

durante o período de vida útil, fk(t) transforma-se na distribuição especial Gamma
com β inteiro, a saber, a distribuição Erlangeana.
A aplicação deste conceito durante o período de vida útil é extremamente
conveniente, pois nesta fase a manutenção corretiva atende bem as falhas aleatórias
em curso.
f 1 ( t ) = f T ( t ) = λe − λt
t
( )
f 2 ( t ) = ∫ λe − λt λe − λ ( t −τ ) dτ = λ 2 te − λt
0
t
( )
f 3 ( t ) = ∫ λ 2τe − λt λe − λ ( t −τ ) dτ = λ3
t 2 − λt
2
e
0
Generalizando;
t k −1
f k ( t ) = λk e − λt
( )
k − 1 !
(10.8)
Para β = k e α = 1/λ.
A função densidade de probabilidade completa L(t):
∞ ∞
t k −1
L( t ) = ∑ f k ( t ) = λe − λt( ) ∑ λk ( k − 1) !
e − λt = λe − λt e λt = λ
k =1 k =1
(10.9)
Ou seja, a densidade de probabilidade de falha no período é constante e

igual a taxa de falhas do componente.
10.3. Reparo Ideal e Manutenção Preventiva
67
Para componentes com taxa de falhas crescente, a manutenção periódica

ou preventiva aumenta o MTTF, resultando num modelo de densidade de
probabilidade de falhas com tendência exponencial. Se a possibilidade de reparo
ideal for considerada, o resultado líquido sentido na manutenção será o de reduzir a
freqüência de reparos.
Assumindo manutenção ideal em intervalos de tempo TM, a freqüência de
reparos fR será igual a densidade média das falhas no intervalo de manutenção.
TM
1
fR =
TM ∫ L( t )dt
0
(10.10)
Com a manutenção corretiva ideal aplicada aos intervalos de manutenção

preventiva, os períodos aumentam e a freqüência total de reparos diminui,
aumentando o MTTF, como recíproco da freqüência de reparos.
68
11. ASPECTOS COMBINATÓRIOS DE CONFIABILIDADE DE SISTEMAS

Sistemas complexos são geralmente decompostos em entidades funcionais
compostas de unidades, ou componentes com o propósito de realizar uma análise de
confiabilidade.
Técnicas de modelagem network e aspectos combinatórios são utilizados
para conectar componentes em série, paralelo ou estruturas mistas, ou ainda uma
combinação de todas elas.
Os conceitos de confiabilidade são então empregados para computar a
confiabilidade do sistema em termos das confiabilidades de suas sub-unidades.
11.1. Estrutura em Série
Um conjunto de componentes é considerado disposto logicamente em série

do ponto de vista da confiabilidade se o sucesso da operação do componente
depende do sucesso da operação de todos os seus componentes.
Os componentes não necessitam estar fisicamente dispostos em série, mas
é de fundamental importância que todos eles funcionem para que o sistema
funcione.
Causa Efeito
Se xi representa o sucesso de um evento para a i-ésima unidade, temos que

a probabilidade de sucesso do sistema é dada por:
P( x1x 2 x 3 ... x n ) = P( x1 )P( x 2 / x1 )P( x 3 / x1x 2 )... P( x n / x1x 2 ... x n −1 )

(11.1)
Se as unidades não interagem, então os eventos são independentes:
P( x1x 2 x 3 ... x n ) = P( x1 )P( x 2 )P( x 3 )... P( x n )

(11.2)
Se a confiabilidade é a medida de bom desempenho do sistema, então se

refere a probabilidade de sucesso do mesmo. Assim:
n
R s = R 1R 2 ... R n = ∏ R i
i =1
(11.3)
69
11.2. Estrutura em Paralelo
Um conjunto de componentes é considerado disposto logicamente em

paralelo do ponto de vista da confiabilidade se o sucesso da operação do
componente depende do sucesso da operação de pelo menos um dos seus
componentes.
Causa Efeito
Os componentes não necessitam estar fisicamente dispostos em paralelo,

mas é de fundamental importância que pelo menos um deles funcione para que o
sistema funcione.
Se xi representa o sucesso de um evento para a i-ésima unidade, temos que
a probabilidade de sucesso do sistema é dada por:
(
P( x1 + x 2 + x 3 +...+ x n ) = 1 − P x1 x 2 ... x n −1 )
(11.4)
( )( )( ) (
P( x1 + x 2 +...+ x n ) = 1 − P x1 P x 2 / x1 P x 3 / x1 x 2 ... P x n / x1 x 2 ... x n −1 )
(11.5)
Se as unidades não interagem, então os eventos são independentes:
( )( )( ) ( )
P( x1 + x 2 +...+ x n ) = 1 − P x1 P x 2 P x 3 ... P x n
(11.6)
Se a confiabilidade é a medida de bom desempenho do sistema, então se

refere a probabilidade de sucesso do mesmo, enquanto que a distribuição de falhas
Q se refere ao fracasso. Assim:
n
R p = 1 − Q1Q 2 ... Q n = 1 − ∏ Q i = 1 − Q p
i =1
(11.7)
11.3. Estrutura r-em-n
Sendo que a estrutura em paralelo foi analisada como uma aplicação da

distribuição binomial, se p é a probabilidade de sucesso de cada componente, a
confiabilidade do sistema é:
70
n
R = ∑ n C k p k (1 − p )
n−k
k=r
(11.8)
1
2
Causa Efeito
Note-se que, se r = 1 o sistema é paralelo, se r = n o sistema é em série.

No caso de redundâncias passivas, entra em jogo a confiabilidade dos
conectores ou dos chaveamentos.
11.4. Estrutura Delta-Estrela
Um sistema constituído por três componentes pode estar conectado em

configuração delta ou estrela. Na maioria das vezes, a configuração delta dificulta
fortemente a redução da estrutura final. Nestes casos, faz-se a transformação de
configuração delta para configuração estrela por equivalência de confiabilidades
entre os terminais.
AB B
BC
A
CA C
Para a confiabilidade computada entre os terminais A e B, ou através do

elemento AB:
R A RB = 1 − (1 − R AB )(1 − RBC RCA )

(11.9)
Analogamente, as confiabilidades através de BC e CA:

71
RB RC = 1 − (1 − RBC )(1 − RCA R AB )

(11.10)
RC R A = 1 − (1 − RCA )(1 − R AB RBC )

(11.11)
Estas três equações devem ser resolvidas simultaneamente para expressar

as confiabilidades estrela equivalentes:
RA =
( R A RB )( RC R A ) RB =
( R A RB )( RB RC )
R B RC R A RC
RC =
( RB RC )( RC R A )
R A RB
(11.12)
Para o caso especial: R AB = RBC = RCA = R∆ e R A = RB = RC = RY .
RY = R∆2 + R∆ − R∆3
(11.13)
Assim sendo, são necessários componentes de confiabilidade mais elevada

numa estrutura estrela que numa estrutura delta.
11.5. Redundância Tri-modular
Aplicada ao projeto de computadores, consiste numa combinação de três

unidades idênticas de alimentação com entrada numa central, sendo que as três
unidades redundantes apresentam uma única variável lógica (binário). Portanto, são
necessárias duas entradas positivas para obter-se uma saída.
unidade 1 unidade 2 unidade 3 central

0 0 0 0
0 0 1 0
0 1 0 0
0 1 1 1
1 0 0 0
1 0 1 1
1 1 0 1
1 1 1 1
Inicialmente, para uma central perfeita, são necessárias duas unidades boas
em três:
3
RTMR = ∑ 3 Ck R k (1 − R) = R 2 ( 3 − 2 R)
3− k
k=2
72
(11.14)
onde R é a confiabilidade de cada unidade.
2 C
Para central imperfeita de confiabilidade RC, temos:
RTMR = RC R 2 (3 − 2 R)
(11.15)
11.6. Redundância Stand-by
Trata-se de uma estrutura em paralelo passiva, ou seja, a unidade

redundante somente e ativada quando a outra falha. A taxa de falhas, na unidade de
espera, e naturalmente mais baixa que aquela da unidade em operação.
Uo
Causa Efeito
Ur
Sendo Q a probabilidade de falha do sistema:
Q = Q( Uo). Q( Ur / Uo)
Fracasso
de Uo
Ur
Uo
73
Sucesso
de Uo
Para eventos independentes, Q = Q(Uo).Q(Ur) = Qo.Qr

Considerando a possibilidade de sucesso (Pch) ou fracasso no
chaveamento de uma unidade para outra, temos:
Falha do sistema = Prob. de falha c/ sucesso de chaveamento x Pch +

Prob. de falha c/ fracasso de chaveamento x (1-Pch)
Q = Q o Q r × Pch + Q o × (1 − Pch ) = Q 0 − Q 0 Pch (1 − Q r )

(11.16)
Se a chave, ou conector, não e perfeito, então sua confiabilidade, ou

mortalidade, deve integrar o sistema.
R = (1 − Q) × R ch
(11.17)
onde Rch e a confiabilidade da conexão ou da chave.
74
12. TÉCNICAS GERAIS PARA ESTIMATIVA DA CONFIABILIDADE DE

SISTEMAS COMPLEXOS NÃO-CONVENCIONAIS
Na prática, muitos sistemas apresentam estruturas complexas que fogem
aos padrões até aqui abordados. A estimativa da confiabilidade de tais sistemas
requer a aplicação de técnicas mais gerais e poderosas.
Os procedimentos mais conhecidos são:
• inspeção
• método espaço-evento
• caminho do sucesso
• decomposição
• grupo mínimo de corte
• grupo mínimo de ligação
• matriz de conexão
• árvore de eventos
• árvore de falhas
12.1. Inspeção
Esta aproximação é aplicável somente para pequenos números de

componentes envolvidos na estrutura, e consiste no procedimento tradicional de
redução de subsistemas série e/ou paralelo, sucessivamente, até obter um único
componente equivalente a estrutura.
Causa
Efeito
c
S1
S2
( )
R s1 = 1 − (1 − p)(1 − p) = 1 − (1 − p) = 1 − 1 − 2p + p 2 = 2p − p 2
2
(12.1)
75
( )
R s 2 = p × R s1 = p 2p − p 2 = 2p 2 − p 3
(12.2)
( ) [ ( )]
R s = 1 − (1 − p ) 1 − R s 2 = 1 − (1 − p) 1 − 2 p 2 + p3 = p 4 − 3p3 + 2 p 2 + p
(12.3)
12.2. Método Espaço-Evento
Neste método, todas as ocorrências logicamente possíveis são listadas

sistematicamente, sendo a listagem separada em eventos favoráveis e desfavoráveis.
Assim, a confiabilidade do sistema é obtida somando as probabilidades de
ocorrência de todos os eventos favoráveis (ou sucessos).
Numa listagem completa e adequada, nenhum evento é negligenciado,
sendo todos os eventos listados mutuamente exclusivos.
Para um sistema composto por n componentes, onde cada componente
pode ser bom ou ruim, a totalidade de eventos será igual a 2n eventos no total. Tal
procedimento torna-se extremamente oneroso para n superior a 5 ou 6 componentes.
Se o número de eventos desfavoráveis é menor que o número de eventos
favoráveis, então a confiabilidade do sistema pode ser computada, subtraindo da
unidade a soma das probabilidades de ocorrência de todos os eventos desfavoráveis.
Causa Efeito
c
b
d
Grupo 0 falhas abcd

Grupo 1 falha abcd abcd abcd abcd
Grupo 2 falhas abcd abcd abcd abcd abcd abcd
Grupo 3 falhas abcd abcd abcd abcd
Grupo 4 falhas abcd
Os fracassos estão assinalados por círculos:
R s = 1 − Qs = 1 − [∑ probabilidade de ocorrencia de falhas]

[
R s = 1 − 1 × p 2 (1 − p) + 3 × p(1 − p) + 1 × (1 − p)
2 3 4
] = p − 3p + 2p + p
4 3 2
(12.4)
76
Rs = [∑ probabilidade de sucessos]
[ ]
R s = 1 × p 4 + 4 × p3 (1 − p) + 5 × p 2 (1 − p) + 1 × p(1 − p) = p 4 − 3p3 + 2p 2 + p
2 3
(12.5)
12.3. Caminho do Sucesso
Neste método, identifica-se todos os caminhos favoráveis, numa malha de

eventos, entre a entrada e a saída, ou ainda, entre causa e efeito. Cada caminho
favorável representa um sucesso.
Rs = P (união de todos os eventos favoráveis)
Para n caminhos favoráveis, em geral, obtém-se (2n - 1) termos na

expansão da probabilidade de sucesso. Vale notar que nem todos eventos favoráveis
devem ser mutuamente exclusivos. Tal procedimento envolve muita álgebra,
tornando-se oneroso para um número de eventos maior que 5 (n>5).
Causa Efeito
c
b
d
P1 = a
P2 = bc
P3 = bd
R s = P( P1 ∪ P2 ∪ P3 ) = P( P1 ) + P( P2 ) + P( P3 ) − P( P1P2 ) − P( P1P3 ) − P( P2 P3 ) + P( P1P2 P3 )

(12.6)
R s = P( P1 ∪ P2 ∪ P3 ) = p + p 2 + p 2 − p3 − p3 − p3 + p 4 = p + 2p 2 − 3p3 + p 4
(12.7)
12.4. Decomposição
Neste procedimento, também conhecido como aproximação para

probabilidade condicional, Rs é definida aplicando-se, sucessivamente, o teorema de
probabilidade condicional (Bayes).
Inicialmente, seleciona-se um componente chave A, que amarra a estrutura
de probabilidades do problema proposto. Assim, a probabilidade é estimada como:
77
[ ]
R s = P( sucesso do sistema componente A bom ) P( A) +
[ P(sucesso do sistema componente A ruim)]P( A)

Analogamente, a mortalidade do sistema pode ser expressa como:
[ ]
Qs = 1 − R s = P( falha do sistema componente A bom ) P( A ) +
[ P( falha do sistema componente A ruim)]P( A )

Assim, o procedimento decompõe o sistema complexo em dois
subsistemas mais simples. Para grandes estruturas, deve-se decompor
sucessivamente o sistema em subestruturas até a redução máxima. A escolha
adequada do componente chave resulta na aceleração do processo de convergência,
porém, o método deve funcionar para qualquer que seja o componente chave.
1 2
4 5
Considerando o componente 3 como elemento chave:
[ ] [ ]
R s = P(sistema bom / 3 bom ) p + P(sistema bom / 3 ruim ) (1 − p) = P1p + P2 (1 − p)
Sabe-se que, se o componente 3 é ruim, a probabilidade de sucesso é

P2 = p , então, R s = [ P(sistema bom / 3 bom )]p + p 2 (1 − p) = P1p + p 2 (1 − p) .
2
1 2
4 5
Por outro lado, temos o cálculo de P1.
78
1 2
4 5
[ ] [ ]
P1 = P(sistema bom / 1 bom ) p + P(sistema bom / 1 ruim ) (1 − p) = P3p + P4 (1 − p)
(12.8)
Para o cálculo de P3 temos que o sucesso do componente 4 é indiferente
para o sucesso do sistema:
4 5
P3 = 1 − (1 − p) = 2p − p 2
2
(12.9)
Para calcular P4 consideramos a figura abaixo:
4 5
[
P4 = p 1 − (1 − p)
2
] = 2p − p
2 3
(12.10)
Desta forma, podemos calcular P1:
( ) ( )
P1 = 2p − p 2 p + 2p 2 − p3 (1 − p) = 4p 2 − 4p3 + p 4
(12.11)
Portanto, a confiabilidade final do sistema é:
79
( )
R s = 4p 2 − 4p3 + p 4 p + p 2 (1 − p) = p 5 − 4p 4 + 3p3 + p 2
(12.12)
12.5. Grupo Mínimo de Corte
A metodologia do grupo mínimo de corte é uma técnica poderosa que

constitui a base para muitos dos métodos de estimativa de redes para computar a
confiabilidade de sistemas, sendo de fácil implementação computacional.
O Grupo Mínimo de Corte consiste num conjunto de componentes de
sistemas tal que, se todos os componentes do grupo falham, o sistema também
falha. Porém, se qualquer um dos componentes não se encontra em falha, o sistema
continua funcionando. Portanto, pela definição, todos os componentes do grupo
mínimo de corte devem estar funcionando para que o sistema funcione, ou ainda,
todos devem falhar para que o sistema falhe.
Denominando o grupo de corte C1, C2, C3, ... Cn e P(Ci), a probabilidade
de falha de todos os componentes Ci, a mortalidade do sistema é dada por:
Q s = P( C1 + C2 + C3 +...+ C n ) onde o sinal positivo denota união de eventos.
Q s = P( C1 ∪ C2 ∪ C3...∪... C n )
(12.13)
R s = 1 − Qs é a confiabilidade do sistema.
Assim sendo, para dois eventos, temos:
Q s = P( C1 ) + P( C2 ) − P( C1 ) P( C2 )
(12.14)
A expansão da probabilidade de união de n eventos dependentes contém,

na realidade, (2n - 1) termos. Entretanto, uma boa aproximação para o limite
superior da função mortalidade pode ser obtido por:
Qs = P( C1 ) + P( C2 )
(12.15)
Enquanto que uma aproximação para o limite inferior da confiabilidade do

sistema seria:
[
R s ≥ 1 − P( C1 ) + P( C2 ) ]
(12.16)
Generalizando para n eventos:
Qmaxs = P( C1 ) + P( C2 ) + P( C3 )+...+ P( C n )
(12.17)
80
[
R s ≥ 1 − P( C1 ) + P( C2 ) + P( C3 )+...+ P( C n ) ]
(12.18)
A expressão de confiabilidade é uma boa aproximação para componentes

com elevada confiabilidade individual (próxima a unidade).
Causa Efeito
c
b
d
C1 = ab
C2 = acd
( ) ( ) ( )
Qs = P( C1 ) + P( C2 ) − P(C1 ) P( C2 ) = P ab + P acd − P abcd = q 2 + q 3 − q 4
(12.19)
12.6. Grupo Mínimo de Ligação
A metodologia do grupo mínimo de ligação é uma técnica complementar a

do grupo mínimo de corte, sendo que, pelo fato de não identificar diretamente o
modo de falha do sistema, não é utilizada freqüentemente.
O Grupo Mínimo de Ligação consiste num conjunto de ramificações, ou
simplesmente ramos do sistema conectando a entrada e a saída do mesmo, tal que
em cada ramo ocorra a passagem por um único nó de cada vez. Assim, os elementos
de cada ramo do grupo de ligação estão conectados em série, e se um dos
componentes do ramo falha, este ramo também falha. Porém, basta um ramo ativo
para que o sistema continue funcionando.
Portanto, pela definição, todos os componentes de cada ramo do grupo
mínimo de corte devem estar funcionando para que os ramos funcionem, ou ainda,
todos os ramos devem falhar para que o sistema falhe.
Denominando o grupo de corte T1, T2, T3, ... Tn e P(Ti), a probabilidade
de sucesso de todos os componentes Ti, a confiabilidade do sistema é dada por:
R s = P( T1 + T2 + T3 +...+ Tn ) onde o sinal positivo denota união de eventos.
R s = P( T1 ∪ T2 ∪ T3...∪... Tn )
Qs = 1 − R s é a mortalidade do sistema.
81
Assim sendo, para dois eventos, temos:
R s = P( T1 ) + P( T2 ) − P( T1 ) P( T2 )
(12.20)
A expansão da probabilidade de união de n eventos dependentes contém,

na realidade, (2n - 1) termos. Entretanto, uma boa aproximação para o limite inferior
da função confiabilidade pode ser obtido por:
[
R s ≤ P( T1 ) + P( T2 ) + P( T3 )+...+ P( Tn ) ]
(12.21)
A expressão de confiabilidade é uma boa aproximação para a região de

baixa confiabilidade (próxima a zero).
Causa Efeito
c
b
d
T1 = a
T2 = bc
T3 = bd
R s = P( T1 ) + P( T2 ) + P( T3 ) − P( T1 )P( T2 ) − P( T1 ) P( T3 ) − P( T2 ) P( T3 ) + P(T1T2T3 )
(12.22)
R s = p + p 2 + p2 − p3 − p3 − p3 + p 4 = p 4 − 3p3 + 2p 2 + p
(12.23)
12.7. Matriz de Conexão
A técnica da matriz de conexão envolve a montagem de uma matriz M para

um sistema e, então, empregando remoção nodal ou matriz de multiplicação, obter a
transmissão final entre entrada e saída. A matriz é construída com base nos
elementos posicionados entre os nós, sendo que existem apenas um nó de entrada e
um nó de saída, com fluxo de eventos numa única direção.
82
Causa Efeito
1
c 3
b 2
d
A matriz de conexão da estrutura acima é definida como:

para o nó:
1 2 3
1 1 b a 

M = do no 2  0 1 ( d )
c +
3  0 0 1 
Aplicando-se o método de remoção nodal, faz-se a remoção de todos os

nós intermediários do sistema, exceto dos nós de entrada e saída, de acordo com a
expressão abaixo:
N 0ij = N ij + N ik N kj , com i, j ≠ k
(12.24)
Para remoção do nó 2:
0
N11 = N11 + N12 N 21 = 1 + b × 0 = 1
0
N13 = N13 + N12 N 23 = a + b( c + d ) = a + bc + bd
0
N 31 = N 31 + N 32 N 21 = 0 + 0 × 0 = 0
0
N 33 = N 33 + N 32 N 23 = 1 + 0 × ( c + d ) = 1
1 3
1 1 a + bc + bd 
 
M=  
3 0 1 
Portanto a confiabilidade do sistema é:
R s = P( a + bc + bd )
R s = P( a ∪ bc ∪ bd ) = P( a) + P( bc) + P( bd ) − P( abc) − P( abd ) − P( bcd ) + P( abcd )
(12.25)
R s = p + p + p − p − p − p + p = p − 3p + 2p + p
2 2 3 3 3 4 4 3 2
(12.26)
83
12.8. Árvore de Eventos
O espaço-evento completo, constituído por todas as ocorrências possíveis

em um sistema, é representado graficamente em um diagrama denominado árvore
de eventos. A aplicação da árvore de eventos torna-se mais onerosa quando o
número de componentes é superior a cinco.
Para um sistema com n componentes, assumindo que cada componente
possa ser bom ou ruim, existem 2n caminhos possíveis entre sucessos e fracassos.
Por exemplo, para seis componentes o número de caminhos possíveis é de 64. Além
disso, para componentes ternários (três estados de funcionamento) este número vai
a 3n .
Para sistemas em regime de operação contínua, os componentes podem ser
considerados em ordem arbitrária. Porém, se o sistema envolve unidades stand-by
ou seqüência lógica, a ordem de ocorrência dos eventos deve ser considerada
cronologicamente.
S
Rd
a Rc
Causa Efeito Rb Qd
S
c Rd
S
Qc
b
Ra Qd S
d
S
Rc Rd
Qb Qd
S
S
Qc Rd
Entrada Qd S
S
Rd
Rc
Rb Qd
S
S
Qc Rd
Qa Qd F
F
Rd
Rc
Qb Qd
F
F
Qc Rd
Qd F
84
Confiabilidade do sistema:
Rs = ∑ probabilidade de ocorrencia de todos os caminhos de sucesso

Porém, na árvore de eventos aqui analisada, existem 5 (cinco) caminhos
que resultam no fracasso do sistema. Desta forma, é mais fácil a estimativa da
confiabilidade como complementar dos fracassos possíveis:
R s = 1 − ∑ probabilidade de ocorrencia de todos os caminhos de fracasso
Qs = Q a R b Q cQ d + Q a Q b R c ( R d + Q d ) + Q a Q b Q c ( R d + Q d )
= Q a R b Q c Q d + Q a Q b ( R c + Q c ) = Q a R b Q cQ d + Q a Q b
pois R d + Q d = 1 e R c + Q c = 1
Q s = (1 − p) p + (1 − p) = 1 − p − 2p 2 + 3p3 − p 4
3 2
(12.27)
R s = p + 2 p 2 − 3p3 + p 4
(12.28)
12.9. Árvore de Falhas
A árvore de falhas representa simbolicamente as condições que podem

causar falha de um sistema, podendo evidenciar pontos críticos do sistema numa
S
forma visível. Portanto, atua como ferramenta visual informando e interpretando
pontos de falha do sistema, e fornecendo suporte para decisões e estudos de
desempenho de mercado, ou ainda, determinando a adequação do projeto do
sistema.
Na construção de uma árvore de falhas, aplica-se uma lógica inversa
àquela empregada para árvore de eventos, partindo-se de uma determinada falha ou
evento indesejado e trabalhando-se numa ramificação de cima para baixo, a fim de
explorar todas as combinações de eventos que podem resultar em falhas.
O procedimento básico para desenvolver uma árvore de falhas é o

seguinte:
• Identificar o evento indesejado, ou condição de falha, denominado top

event, para o sistema em análise;
• Estudar e entender o sistema analisado, bem como a aplicação para a qual

foi projetado;
• Determinar as causas funcionais de ordem mais elevadas que podem

causar a falha inicialmente identificada. Determinar, também, as relações
lógicas de eventos de ordem inferior que podem resultar em eventos
funcionais de ordem superior;
85
• Construir a árvore de falhas utilizando o conjunto de blocos básicos de

estruturas. Esta árvore ilustra graficamente as diferentes combinações e
seqüências dos eventos que conduzem ao top event. Todas as entradas de
falhas de eventos devem ser caracterizadas em termos de falhas básicas
ou funcionais, independentes ou secundárias e identificáveis ou de
comando.
• Estimar e reduzir a árvore de falhas qualitativamente ou

quantitativamente, conforme desejado.
Os três grupos de falhas são:
Falhas Primárias: falhas funcionais claramente identificáveis, para

equipamento funcionando dentro dos parâmetros de projeto, como falta de energia,
queima de fusíveis, falha de conexão, ou quebra de válvulas. Um evento resultante
de uma combinação lógica é representado por um retângulo.
Falhas Secundárias: são falhas devido ao excessivo stress ambiental

ou operacional sobre o componente;
Falhas de Comando: são falhas decorrentes da própria operação do

componente, porém em lugar e momento inadequados.
As relações lógicas são representadas por ligações lógicas do tipo soma

(ou), intersecção (e), exclusão, prioridade, inibição e espera. Símbolos especiais são
utilizados para eventos incompletos, condicionais e do tipo trigger.
Evento de falha básica ou funcional
Evento resultante de uma combinação lógica de eventos falha ligados

através de conexões lógicas
Ao = A1. A2
Conexão de intersecção (e) = a saída ocorre se e somente se todos os

eventos ocorrem
A1 A2
86
Ao =A1 + A2
Conexão de soma (ou) = a saída ocorre se um ou mais eventos
ocorrem.
A1 A2
Ao
Conexão exclusiva OU = não ocorre saída a menos que uma e

somente uma das entradas ocorra.
A1 A2
Ao
Conexão prioridade E = o evento A1 deve ocorrer antes do evento A2

para que o evento Ao ocorra
A1 A2
Saída
Condição de entrada
Entrada Conexão com inibição = a saída ocorre somente quando a

condição de entrada é satisfeita.
saída
espera Conexão de espera = a saída ocorre após um determinado intervalo

de tempo.
entrada
87
Evento incompleto = não totalmente desenvolvido por falta de

interesse ou informação.
Evento trigger = um evento falha cuja ocorrência é esperada
Evento condicional = condição ou restrição aplicada a conexão

lógica
Evento falha que requer maior desenvolvimento
Segue um exemplo de análise para árvore de falhas, considerando os

eventos conhecidos e independentes entre si, com probabilidade de ocorrência igual
a p = ¼. Deve-se estimar a confiabilidade de ocorrência do evento denominado top
event T.
88
T Top Event
T1 C T2
A B D
T3
E F G
A solução do sistema é dada por:
T = T1CT2 = ( A + B)C( T3 + D ) = ( A + B)C( EFG + D )
P(T) = P( A + B)P(C)P( EFG + D )
[ ] [ ]
P(T) = P( A ) + P( B) − P( A )P( B) P(C) P( EFG) + P( D) − P( DEFG)
(12.29)
 1 1 1   1  1 1 1  469
P( T) =  + −     + − = = 0.028625 = 2.8625%
 4 4 16   4   64 4 256  16384
89
13. CONFIABILIDADE E ECONOMIA
13.1. Introdução
São pontos de questionamentos comuns em engenharia decisões sobre o

quanto aumenta o desempenho de um produto, para um certo nível de investimento,
ou ainda, qual o mínimo custo envolvido para atingir determinado nível de
desempenho. Visando sempre atingir o objetivo proposto, a decisão de importância
fundamental e imediata passa a ser onde colocar ou investir recursos, economizar
em algum ponto para melhorar outros. Dentro desta linha de raciocínio, surge outro
problema a ser solucionado, a saber, deve-se responder a questão de como comparar
o desempenho do produto em analise, com o de projetos concorrentes. Uma das
soluções, ou respostas, trata da analise de falhas de componentes similares,
baseando-se no fato de que estas falhas (principalmente se de natureza catastrófica)
são conseqüências altamente indesejáveis, e que facilmente podem ser traduzidas
em termos econômicos. Para reduzir a incidência de falhas, e fundamental o
incremento da confiabilidade, o que significa, em termos econômicos, aumento de
custos. Estes últimos devem, por sua vez, ser economicamente justificados para sua
aprovação formal. Portanto, a pior condição para aceitação da proposta de
investimento em confiabilidade, e que a queda do custo das falhas deve igualar o
gasto para aumento de confiabilidade.
Algumas opções interessantes para aumentar R(t):
• redundância adicional;
• projetar para condição ou capacidade ambiental;
• desenvolver testes ambientais.
Dentro do objetivo deste capitulo, será analisada a relação entre economia

e confiabilidade.
13.2. A economia da redundância
Existem dois tipos básicos de redundâncias ativas: a redundância de

sistemas (ou configuração paralelo-série), e a redundância de unidades (ou
configuração série-paralelo).
1 2 3
1 2 3
ESTRUTURA PARALELO - SÉRIE

90
1 2 3
1 2 3
CONFIGURAÇÃO SÉRIE - PARALELO
13.2.1.Estimativa de custo para redundância de sistemas

Definindo pi como a confiabilidade da unidade i, e ci como o custo de cada
unidade, temos para a estrutura em serie:
n n
R o = ∏ pi e Co = ∑ ci
i =1 i =1
(13.1)
Para a redundância de sistemas, m vezes:

m
 
R s = 1 − ∏ Q oj = 1 − (1 − R o ) = 1 −  1 − ∏ p i 
m n
m
j=1  i =1 
(13.2)
n
C s = m × C o = m∑ c i
i =1
(13.3)
Para unidades idênticas: ci = c e pi = p
C s = mnc e R s = 1 − (1 − p n )
m
(13.4)
13.2.2. Estimativa de custo para redundância de unidades

Para n unidades e mi redundâncias, com i = 1...n, temos as relações:
 mi  n
R u = ∏ R i = ∏ 1 − ∏ Q j  = ∏ 1 − (1 − p i ) [ ]
n n
mi
i =1 i =1  j=1  i =1
(13.5)
n
Cu = ∑ mi ci
i =1
(13.6)
Para unidades idênticas:
[ ]
n n
C u = c∑ m i e R u = ∏ 1 − (1 − p)
mi
i =1 i =1
(13.7)
Para um mesmo numero de redundâncias: mi = m
[
C u = mnc e R u = 1 − (1 − p) ]
m n
(13.8)
91
13.2.3. Minimização de custos para redundância de unidades

Partindo do sistema básico, Ro e Co, objetiva-se atingir um nível de
confiabilidade R a um certo custo C. Para tanto, duas decisões importantes devem
ser avaliadas:
1. Quantas unidades redundantes mi de cada componente devem ser utilizadas para
minimizar o custo total?
2. Qual o custo mínimo?
[ ]
n
R = R u = ∏ 1 − (1 − p i )
mi
i =1
n
C = C u = ∑ m i c i → custo a ser minimizado.
i =1
(13.9)
Para mi unidades redundantes, onde i = 1, 2, 3, ...n:
[
R α i = 1 − (1 − p i )
mi
]
R = ∏ R α i = R α1 R α 2 R α 3 ...... R α n = R (
α1 + α 2 + α 3 + ...+ α n )
n
i =1
n n
∑ αi = 1 ou ∑ αi −1 = 0
i =1 i =1
(13.10)
Substituindo na expressão original, temos:
(1 − p i ) m = 1 − R α
i i
m i × ln(1 − p i ) = ln(1 − R α ) i
ln(1 − R α ) i
mi =
ln(1 − p i )
(13.11)
Finalmente, temos o custo total para redundância de unidades:
ln(1 − R α i )
= f (α i )
n
Cu = ∑ ci
ln(1 − p i )
com i = 1, 2, ... n
i =1
(13.12)
O problema resume-se, portanto, em minimizar o custo sob a restrição do

parâmetro indexado α.
92
C u = f (α i ), i = 1...... n → custo
n
∑ α i − 1 = 0 → restricao
i =1
(13.13)
Trata-se de um problema de otimização, cuja solução e feita através do

método dos multiplicadores de Lagrange:
ln(1 − R α i ) n 
f (α 1 , α 2 , ... , α n ) = ∑ c i
n
+ k ∑ α i − 1
i =1 ln(1 − p i )  i =1 
(13.14)
k = multiplicador de Lagrange.
∂f
=0 para todo i
∂α i
Portanto, para cada i-esima unidade :
c i R α i ln R
k=
(1 − R α ) ln(1 − p i )
i
(13.15)
Para R → 1 e R α i → 1 , temos:
ln R 1
=−
(1 − R α )
lim
R →1 i αi
(13.16)
Assim sendo:
ci
k=−
α i ln(1 − p i )
(13.17)
Para a restrição em αi:

ci
αi = −
k ln(1 − p i )
(13.18)
n n ci
∑αi =1 ⇒ ∑- =1
i =1 i=1 ln(1- p i )
(13.19)
O multiplicador de Lagrange é, portanto:
93
n ci
k = ∑−
i =1 ln(1 − p i )
(13.20)
Desta forma, calcula-se αi e mi para qualquer i = 1, 2, 3, ... n:
ci
ln(1 − p i ) ln(1 − R α i )
αi = mi =
ln(1 − p i )
n ci
∑
i =1 ln(1 − p i )
(13.21)
De posse destes valores, pode-se estimar a confiabilidade R e o custo
mínimo C a ela associado.
13.2. Análise de Disponibilidade
A relação custo/beneficio básica entre o nível de disponibilidade e o

produto e que o aumento da disponibilidade melhora a produtividade. Como
proposição de melhora de produtividade, deve-se avaliar, também, os seguintes
custos:
• confiabilidade
• mantenabilidade
• disponibilidade
• tempos de paradas
• ciclo de vida
Lembrando que MTTR e a medida de mantenabilidade e MTTF e a medida

de confiabilidade, a combinação e a interação destes dois parâmetros nos fornece a
idéia de disponibilidade, conforme apresentado no capitulo 4.1.
MTTF µ
A= =
MTTR + MTTF λ + µ
(13.22)
A relação entre MTTR e MTTF e a equação de uma reta:
(1 − A )
MTTR = MTTF
A
(13.23)
Os seguintes fatores devem ser definidos:
• A disponibilidade desejada A;
• O tempo mínimo de falha aceitável MTTF;
94
• O tempo máximo de reparo possível MTTR.
Existe uma estreita relação entre custos e disponibilidade, associada ao

desempenho do projeto. A figura abaixo mostra como o desempenho do projeto de
altera em relação a perfis constantes de custo e de disponibilidade.
MTTR = 1 / µ Disponibilidade
diminui
A - fixo
Disponibilidade
aumenta
c.a.= (1-A)/A
MTTF = 1 / λ
Nota-se claramente que existem varias soluções de projeto para diferentes

níveis de desempenho. Para disponibilidade constante, ocorrem três possíveis
soluções, que variam de baixo custo e baixo desempenho (P1), a elevados níveis de
ambos, custo e desempenho (P3).
MTTR = 1 / µ
A fixo
c.a.= (1-A)/A
MTTRmax
Região economicamente
viável = Menor Custo
MTTFmin MTTF = 1 / λ
95
Disponibilidade
Disponibilidade
constante
A
Perfis de custo
constante
P1 P2 Desempenho
P3 de Projeto
O perfil número 2 pode ser conveniente, pois proporciona um custo

razoável, podendo combinar valores médios de performance e de disponibilidade. A
decisão entre os pontos A e B, porem, deve envolver uma analise sobre a permuta,
ou relação de troca, entre desempenho e disponibilidade. Para elevados níveis de
desempenho e excelente disponibilidade, entretanto, os custos serão sempre muito
altos.
96
14. ACEITAÇÃO E REJEIÇÃO DE AMOSTRAS

Um problema de decisão, no qual um ou dois argumentos devem ser
selecionados, e definido como um problema de teste estatístico de hipóteses. Nestes
casos, faz-se necessário tomar decisões sobre parâmetros de populações, baseando-
se em informações obtidas de um grupo amostral aleatório, a partir da população
analisada, assumindo que a amostra e a população possuem a mesma distribuição.
Porem, para amostras pequenas, não há evidencias suficientes para este
julgamento, sendo necessário um conhecimento suplementar, o que e factível
postulando a hipótese e, então, verificando se a estatística da amostra e comparável
aos resultados observados da população. Assim sendo, o teste de uma hipótese
estatística e um procedimento que leva a decisão de rejeitar ou aceitar a hipótese em
consideração, ou ainda, rejeitar ou aceitar a amostra.
Nos testes estatísticos são consideradas duas hipóteses: uma hipótese
inicial Ho, que será submetida ao teste; e uma hipótese alternativa H1.
Procede-se com a observação e, se os dados de prova se correlatam com
Ho, então Ho e aceita; caso contrario, será rejeitada. Portanto, se Ho e tal que µ = µh
(hipotética media da população), H1 poderá ser µ > µh , µ < µh , ou µ ≠ µh .
Exemplo: Um fabricante de tubulações utiliza material com limite de
escoamento médio µo = 100 kpsi e desvio padrão σ = 10 kpsi. Seleciona-se para
teste uma amostra para verificação do valor médio. Se a media amostral for muito
próxima a 100 kpsi, então Ho e verdadeira e a amostra e aceita.
Porem, informações obtidas de amostras nem sempre representam a
população, podendo induzir a dois tipos de erros:
Tipo I: rejeitar a hipótese inicial, quando esta e verdadeira. A
probabilidade de rejeitar uma amostra, enquanto representativa, chama-se nível de
significância α, e implica em riscos para o fabricante, que pode, neste caso, rejeitar
um lote perfeito.
Tipo II: aceitar a hipótese inicial, enquanto falsa. A probabilidade de
cometer este erro denota-se por β, o que significa risco para o consumidor de
adquirir um produto de lote defeituoso. Normalmente, os projetistas controlam o
erro tipo I, fixando a num nível bem baixo, entre 0.01 e 0.05. Os passos são os
seguintes:
Definir a hipótese: Ho e µ = µh ; H1 e µ ≠ µh .
Decidir o nível de significância α.
Selecionar o tamanho da amostra n.
Testar a hipótese estatisticamente, por exemplo:
x − µh
zx =
σ n
(14.1)
97
Definir a região de rejeição para o valor de α estabelecido.

Realizar o teste experimental com a amostra, calculando o valor
médio e o desvio padrão, para em seguida, substituir na expressão de zx.
Observar se zx se localiza na região de rejeição.
0.4
α/2
α/2 (1-α)
- z
-3 -2 -1 0 1 2 3
Intervalo de confiança
7.2 Nível de Confiança
Conforme colocado no parágrafo precedente, o valor médio estimado a

partir de uma amostra devera representar a população de proveniência do espaço
amostral. Entretanto, somente o ponto estimado não fornece uma solução completa
do problema. Torna-se necessário saber o quão precisa ou ajustada e tal estimativa,
ou ainda, o quanto a amostra e representativa da população.
Os intervalos de confiança são a solução imediata para tal problema,
constituindo-se de faixas de valores dentro dos quais pode-se estimar o valor médio
correto, por exemplo. Intervalos de confiança sempre estão associados a níveis de
probabilidades. Por exemplo: o valor médio da população encontra-se entre 125 e
235, com 95% de nível de confiança.
Os valores que limitam este intervalo são chamados limites de confiança, e
a probabilidade associada, nível de confiança, traduzindo a probabilidade do valor
estimado realmente se encontrar dentro da faixa de confiança. Assim sendo, o nível
de confiança e a probabilidade complementar do nível de significância α.
Nível de confiança = 1 - α
O valor percentual do nível de confiança pode ser determinado através da
distribuição Gamma, em sua forma chi-quadrada (χ2), para grau de liberdade (ou
numero de falhas) inferior a 30. Se o numero de falhas for superior, o nível de
confiança deve ser estimado pela distribuição normal. Os quatro parâmetros
principais associados ao nível de confiança são: vida media, tempo limite de
operação, limite inferior de confiabilidade e o próprio nível de confiança. Os limites
de confiança podem ser unilateral ou bilaterais.
98
Por exemplo, submetendo 10 amostras a um teste e obtendo um valor de

MTTF igual a 2100 horas e, em seguida, repetindo o mesmo ensaio 5 vezes para 5
diferentes grupos de 10 amostras, resultando destes ensaios os valores de 2300,
1900, 1950, 2600, e 2000 horas, como seria a estimativa final para o tempo médio
até falhas MTTF.
Sabe-se que o valor de MTTF obtido dos testes corresponde ao valor
esperado ou média m para cada grupo de amostras considerado. Neste caso, o
conceito de nível de confiança de modo a fornecer um percentual de erro, ou risco,
na estimativa deste valor, mantido dentro de determinados limites aceitáveis. Ou
ainda, o nível de confiança corresponde a proporção de amostras com limites de
confiança que contém o real valor de m = MTTF.
m5i m5 m5s
m4i m4 m4s
m3i m3 m3s
m2i m2 m2s
m1i m1 m1s
mverdadeiro
Definindo Nt como número total de amostras e Nc como o número de

amostras que contém o valor verdadeiro da média m, tem-se:
Nc
CL = lim
NT→∞ NT
(14.2)
Assim sendo, a razão do número de amostras que não contém o valor

verdadeiro de m, pelo número total de amostras, nos fornece o nível de risco α.
Epstein e Sobel observaram que a distribuição chi-quadrada, para 2r graus
de liberdade, se aplica a relação da variável tempo total de teste Ta com a média m.
2Ta
m
(14.3)
Portanto, para a média m = Ta / r, onde r é o número de falhas:

2rm 
P χ12− α / 2;2 r ≤ ≤ χα2 / 2;2r  = CL = 1 − α
 m 
99
(14.4)
 2rm

f 
 m 
CL= 1 - α
α/2 α/2
 2rm
  2rm

   
 m  1−α / 2;2 r  m  α / 2;2 r
Limites de confiança
A equação anterior pode ser re-arranjada para centralizar o m:
 2rm 2rm 
P 2 <m< 2  = CL = 1 − α
 χα / 2;2r χ1− α / 2;2r 
(14.5)
Assim, o limite de confiança inferior de m é:
2rm
mi =
χα2 / 2;2 r
2Ta
mi =
χα / 2;2 r
2
(14.6)
E o limite de confiança superior é:
100

2rm
ms =
χ12− α / 2;2 r
2Ta
ms =
χ1− α / 2;2 r
2
(14.7)
os valores de χ são tabelados.
2
Como exemplo, considera-se um teste com um número pré-determinado de

falhas e número acumulado de horas de teste de 6000 hs. Os limites de confiança
inferior e superior para 95% de nível de confiança é estimado como segue abaixo:
Ta = 6000 hs.
r = 10
CL = 95%
α = 5%
O limite de confiança inferior é dado por:
2Ta 2 × 6000 12000

mi = = = = 351horas
χα / 2;2 r
2
χ 20.025;20 3417
.
O limite de confiança superior é dado por:
2Ta 2 × 6000 12000

ms = = = = 1251horas
χα / 2;2 r
2
χ 20.975;20 9.59
Portanto, a probabilidade de que o verdadeiro valor do MTTF esteja

entre 351 hs e 1251 hs, é de 95% (nível de confiança da amostra).
Valores de χ2 correspondentes à algumas probabilidades.
101
χ e2 ;GL
GL/θ 0,995 0,99 0,975 0,95 0,90 0,10 0,05 0,025 0,01
1 0,000039 0,00016 0,00098 0,0039 0,0158 2,71 3,84 5,02 6,63
2 0,0100 0,0201 0,0506 0,1026 0,2107 4,61 5,99 7,38 9,21
3 0,00717 0,115 0,216 0,352 0,584 6,25 7,81 9,35 11,34
4 0,207 0,297 0,484 0,711 1,064 7,78 9,49 11,14 13,28
5 0,412 0,554 0,831 1,15 1,61 9,24 11,07 12,83 15,09
6 0,676 0,872 1,24 1,64 2,20 10,64 12,59 14,45 16,81

7 0,989 1,24 1,69 2,17 2,83 12,02 14,07 16,01 18,48
8 1,34 1,65 2,18 2,73 3,49 13,36 15,51 17,53 20,09
9 1,73 2,09 2,70 3,33 4,17 14,68 16,92 19,02 21,67
10 2,16 2,56 3,25 3,94 4,87 15,99 18,31 20,48 23,21
11 2,60 3,05 3,82 4,57 5,58 17,28 19,68 21,92 24,73

12 3,07 3,57 4,40 5,23 6,30 18,55 21,03 23,34 26,22
13 3,57 4,11 5,01 5,89 7,04 19,81 22,36 24,74 27,69
14 4,07 4,66 5,63 6,57 7,79 21,06 23,68 26,12 29,14
15 4,60 5,23 6,26 7,26 8,55 22,31 25,00 27,49 30,58
16 5,14 5,81 6,91 7,96 9,31 23,54 26,30 28,85 32,00

18 6,26 7,01 8,23 9,39 10,86 25,99 28,87 31,53 35,81
20 7,43 8,26 9,59 10,85 12,44 28,41 31,41 34,17 37,57
24 9,89 10,86 12,40 13,85 15,66 33,20 36,42 39,36 42,98
30 13,79 14,95 16,79 18,49 20,60 40,26 43,77 46,98 50,89
40 20,71 22,16 24,43 26,51 29,05 51,81 55,76 59,34 63,69

60 35,53 37,48 40,48 43,19 46,46 74,40 79,08 83,30 88,38
120 83,85 86,92 91,58 95,70 100,62 140,23 146,57 152,21 158,95
102
15. ENSAIOS ACELERADOS

Sistemas complexos de alta confiabilidade necessitam de componentes
extremamente confiáveis. Tais componentes geram dificuldades quanto a estimativa
de sua performance (ou confiabilidade) num período de tempo razoável, através de
amostragens e ensaios realísticos.
Em alguns casos, não é possível esperar um acúmulo de dados de falha,
resultantes de modificações de campo. Tais componentes, devido ao excelente
desempenho, apresentam tempos de vida útil extremamente longos, de modo que o
tempo necessário à coleta de dados seria suficiente para que o componente se
tornasse obsoleto.
Uma aproximação razoável é acelerar o processo de falha, submetendo o
componente a condições de teste (tensão, ciclos, temperatura, etc.) muito mais
rigorosos que as normais. Tais resultados são, então, ajustados por modelos
aceitáveis de distribuições estatísticas que, unidas aos modelos acelerados, estimam
as taxas de falhas em condições normais de uso.
Testes de tensões podem ser aplicados separadamente ou em combinação.
O nível das tensões pode ser constante, crescente em intervalos, ou
progressivamente crescentes. Não são testados componentes sob tensões que
alterem o estado do material, ou ainda, que não ocorrem sob condições de uso
comum.
Um parâmetro importante é o número mínimo de componentes, para um
dado teste acelerado, necessário para validação do modelo, neste caso, igual ao
número de parâmetros a serem estimados.
15.1. Aceleração Real
O melhor exemplo de aceleração real é o comando FF - fast forward

utilizado em vídeos, ou seja, o processo é acelerado de modo que todos os eventos
ocorram na mesma seqüência, porém acelerados, num menor intervalo de tempo.
No caso de falhas, tem-se o efeito de acelerar o processo de falha sem
alteração do mecanismo de falha, nem da seqüência de eventos, denominado
aceleração real.
Sob aceleração real, somente ocorre uma transformação na escala do
tempo, que será aplicada somente sobre um intervalo limitado de tensões. Quando
uma única estimativa, bem conhecido da função densidade, pode ser utilizada como
modelo de aceleração real, assume-se a condição de linearidade devido à sua
aplicabilidade matemática.
Sob aceleração linear real, cada tempo de falha é multiplicado pela mesma
constante, bem como cada distribuição percentual, de modo a obter os valores
correspondentes a diferentes níveis de tensões, por exemplo.
A aceleração do processo de falha é quantificada através do fator de
aceleração:
tn
Α=
ta
(15.1)
103
na qual: tn é o tempo de falhas em condições normais, e ta é o tempo de

falhas em ensaios acelerados.
15.2. Considerações sobre as Funções de Confiabilidade
Para a função densidade de probabilidade de falhas f(t):
t n = Αt a
(15.2)
1 t 
fn ( t n ) = fa ( t a ) = fa  n 
1
Α Α  Α
(15.3)
Para um tempo real genérico t:
1 t 
f n (t ) = fa  
Α Α
(15.4)
Em seguida, integrando-se a função densidade de probabilidade de falhas

para obtenção da função acumulada de falhas, tem-se:
tn tn t
1  t 1  t 
n
Q n ( t n ) = fn ( t ) dt =
∫ ∫ fa   dt =  t × fa   
0 0
Α  Α Α  Α  0
1  tn   1   tn    tn   tn 
Qn ( t n ) =  t n × fa    =  Αt a × fa    = t a × fa   = Q a  
Α Α  Α Α  Α Α
(15.5)
Para um tempo real genérico:
 t  t
Q n ( t ) = Q a   ou ainda R n ( t ) = 1 − Q n ( t ) = 1 − Q a  
 Α  Α
(15.6)
Para a função taxa de falhas:
fn ( t ) fn ( t )
λ n (t) = =
R n ( t) 1 − Q n ( t)
(15.7)
104
1  t
fa  
Α  Α
λ n (t) =
 t
1 − Qa  
 Α
(15.8)
1  t
λ n (t) = λa 
Α  Α
(15.9)
As expressões fn(t), Qn(t) e λn(t) são gerais e válidas, enquanto as
condições de aceleração linear real ocorrem.
15.3. Aceleração Física e Distribuição de Falha
Sendo obtidos dados de falha para uma condição de aceleração linear real,
deve-se obter a distribuição para várias outras condições, eventualmente normais de
operação.
15.3.1. Distribuição Exponencial
Quando os testes acelerados apresentam distribuição exponencial, tem-se

λa constante.
Q a ( t ) = 1 − exp[ − λ a t ]
(15.10)
 t  t
Q n ( t ) = Q a   = 1 − exp − λ a  onde λ n = λ a Α = cons tan te
 Α  Α
(15.11)
Q n ( t ) = 1 − exp[ − λ n t ]
(15.12)
A distribuição de falhas, em condições normais, permanece exponencial.
15.3.2. Distribuição de Weibull

Quando os testes acelerados apresentam uma distribuição de Weibull,
temos os parâmetros de forma βa e de escala αª
  t  βa 
Q a ( t ) = 1 − exp  −   
  αa  
 
(15.13)
Para condições normais de uso, temos:
t = Αt a ou ainda t a = t Α
105
 t
Qn ( t) = Qa  
 Α
(15.14)
  t  βa    t  βn 
Qn ( t) = 1 − exp −   = 1 − exp −  
  Αα a     α n  
(15.15)
Continua distribuição de Weibull com αn = Aαa , se e somente se, ambas
distribuições, com aceleração e em tempo normal, apresentarem o mesmo
parâmetro de forma βn = βa.
Se βn é diferente de βa, para dois níveis de solicitação diferentes, então
existem duas possibilidades:
a) não é uma distribuição de Weibull;
b) não ocorre aceleração linear real.
β a tβ a − 1 β n tβ n −1 1  t 
λ a ( t) = β
⇒ λ n ( t) = β
= λ 
αa a αn n Α  Α
(15.16)
β a −1
 t
βa  
1  Α β a tβ n −1 λ a ( t)
λ n ( t) = = ⇒ λ n ( t) =
Α α aβ a ( Αα n ) βn
Αβ n
(15.17)
Ou seja, a relação entre as funções taxa de falha acelerada e normal
somente será linear se βa = 1 (distribuição exponencial).
15.3.3. Distribuição Log-normal

Define-se, neste caso, Ta como tempo médio até falha no ensaio acelerado.
1  ( ln t − µ a ) 2 
fa ( t ) = exp −  ⇒ µ a = ln Ta
tσ a 2π  2σ a2 
(15.18)
Para aceleração linear real, considera-se Tn = ATa com mesma variança da
distribuição log-normal:
   ΑTa   
2
  ln( t Α) − ln  
fa ( t Α) 1 1    Α  
fn ( t ) = = exp −
Α Α t σ 2π  2σ 2a 
 
Α
a
 
(15.19)
106
1  ( ln t − ln Α − ln( T )) 2 
fn ( t ) = exp − 
a
tσ a 2π  2σ a
2

 
1  ( ln t − ( ln Α + µ )) 2 
fn ( t ) = exp − 
a
tσ a 2π  2σ a2

 
1  ( ln t − µ n ) 2 
fn ( t ) = exp − 
tσ n 2π  2σ n2 
(15.20)
Ou seja, σ a = σ n e µ n = µ a + ln Α .
A aceleração linear real não altera o parâmetro de forma, ou variança σ;

mas o parâmetro de escala é alterado por A.
A = fator de aceleração.
Se as varianças diferem entre si, para dois diferentes níveis de tensões,

então:
a) a distribuição não é log-normal;
b) não ocorre aceleração linear real.
15.3.4. Distribuição Gamma

A densidade de falha para ensaio acelerado é da forma:
tβ a − 1  t 
fa ( t ) = exp − 
α a Γ (β a )
βa
 αa 
(15.21)
β −1
 t
a
 
f ( t Α) 1  Α   t 
fn ( t ) = a = exp − 
Α Α α a Γ (β a )
βa
 Αα a 
(15.22)
fn ( t ) =
( t)
β −1 a

exp −
t  ( t)
β −1
 t  n
= β exp − 
( Αα a ) Γ(β a )  Αα a  α n Γ(β n )  α n 
β a n
(15.23)
Ou seja, a função densidade de falha em tempo normal apresentará

distribuição Gamma se os parâmetros de forma forem iguais, e se o parâmetro de
107
escala responder linearmente de acordo com o fator de aceleração:

β n = β a e α n = Αα a .
15.4. Modelos de Aceleração
15.4.1. Modelo de Arrhenius

Aplicado a falhas por processo de degradação química ou devido a
variação de temperatura (dispositivos eletrônicos e isolamento elétrico).
Neste caso, a aceleração do processo de falha ocorre por elevação de
temperatura.
A aplicação do modelo de Arrhenius implica nas seguintes condições:
* as tensões mais significantes são térmicas;

* os tempos de vida tem distribuição log-normal para qualquer
temperatura;
* o desvio padrão independe da temperatura;
* o valor médio do logarítmo da variável tempo l(nt) é expresso como
função da temperatura:
 1  1
µ  = A + B 
 T  T
(15.24)
A e B dependem do material envolvido e do tipo de teste realizado.
Sabendo-se que µ = Tm (ou tempo médio de falha), define-se para

temperatura de teste T1 o tempo médio Tm1.
  1 
Tm1 = exp µ   = eA × e( B T1 )
  T1 
(15.25)
Para temperatura de teste T2, temos:
  1 
Tm 2 = exp µ   = e A × e( B T2 )
  T2 
(15.26)
Para aceleração real, o fator de aceleração para conduzir testes na
temperatura T2 ao invés de T1:
T2 > T1 e Tm1>>Tm2
Tm1  1 1 
Α= = exp  B −  
Tm 2   T1 T2  
(15.27)
108
Determinação de B deve envolver um número de equações e de níveis de

tensões igual ao número de parâmetros a se determinar.
 1 1
ln Α = B − 
 T1 T2 
−1
1 1
B = ln Α  − 
 T1 T2 
−1
T 1 1
B = ln m1  − 
Tm 2  T1 T2 
(15.28)
Onde A é o fator de aceleração, B é o parâmetro de teste associado ao

material, T é a temperatura de teste e Tm, o valor médio.
15.4.2. Modelo de Eyring

Aplicado para tensões térmicas combinadas com tensões de outra natureza
(n tipos). A temperatura média obedece a seguinte relação:
([ ] )
n
Tm = e A T α e( B T) ∏ exp k 1i + ( k 2 i T) S i
i =1
(15.29)
Onde α, A e B são parâmetros de temperatura e Si são tensões adicionais.
Se α = 0 e n = 0, então o modelo de Eyring tende ao modelo de Arrhenius.
Por exemplo, para tensão térmica mais uma adicional:
([ ] )
Tm = e A Tα e( B T) exp k 11 + ( k 21 T) S1
(15.30)
Portanto, são três parâmetros para tensão térmica, mais dois parâmetros
para cada tensão adicional Si.
109
16. REFERÊNCIAS BIBLIOGRÁFICAS
RAMAKUMAR , R. Engineering Reliability: Fundamentals and Applications.

Oklahoma: Prentice-Hall International, 482p. 1993.
LEWIS, E.E. Introduction to reliability engineering. John & Wiley & Sons, Inc.
435p. 1996.
BERGAMO, V. Confiabilidade: básica e prática. São Paulo: Edgard Blücher

Ltda.108p. 1997.
SMITH, C. O . Introduction to reliability in design. McGraw-Hill. 263p.1976.
DOTY, L.A. Reliability for the technologies. New York: ASQC Quality Press
Book. 307p. 1989.
POMPAS-SMITH, J.H. Mechanical Survival: the use of reliability data. London:

McGrawHill. 199p. 1973.
110

Material 1 - Confiabilidade em Engenharia - Kátia Cavalca

Enviado por

Dados do documento

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

Material 1 - Confiabilidade em Engenharia - Kátia Cavalca

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE ESTADUAL DE CAMPINAS

FACULDADE DE ENGENHARIA MECÂNICA

Autora: Profa. Dra. Katia Lucchesi Cavalca

Campinas, novembro de 2000.

3. CONFIABILIDADE E QUALIDADE ....................................................................................7

11.5. REDUNDÂNCIA TRI-MODULAR ...............................................................................................72

Devido ao elevado padrão da tecnologia atual, medidas que assegurem um

A ênfase dedicada a qualidade e a confiabilidade de produtos, especialmente

Este jogo de interesses relaciona uma certa durabilidade e funcionalidade

Após a 1a. Guerra Mundial, durante a expansão da indústria aeronáutica,

Define-se confiabilidade como a probabilidade de um dispositivo

• Probabilidade - associada a conceitos estatísticos.

Por sua vez, a definição de qualidade temporal engloba atributos

3.1 Algumas Definições Importantes

Visando introduzir um pouco mais o leitor no campo da confiabilidade em

Amostragem: deve ser aleatória e homogênea, sendo representativa do

Mortalidade de juventude: São as falhas de início de operação de um

Tempo médio entre falhas (MTBF): é o valor médio ou esperado de uma

NF1 = 10000 - 9900 = 100 falhas.

Ou seja, os níveis de confiabilidade, aparentemente próximos, fazem com

4. PROBABILIDADES E VARIÁVEIS ALEATÓRIAS

4.1. Medidas de Confiabilidade

As principais são taxa de falhas, vida média, e probabilidade de

Sendo que f representa o numero de falhas ocorridas num teste e t, o tempo

A probabilidade de sobrevivência corresponde a própria probabilidade de

• Cálculo do tempo total de teste de uma amostra:

Teste com tempo limitado, no qual as falhas não são recuperadas,

Teste com tempo limitado, onde as falhas não são recuperadas, e os

4.2. Variáveis aleatórias

O interesse no estudo de incertezas e fenômenos aleatórios vem crescendo

a. Histograma ou diagrama de barras. b. Polígono de frequências.

c. Curva de distribuição de freqüência.

FIGURA 4.1(a) (b) (c) - REPRESENTAÇÃO DA FREQÜÊNCIA DE OCORRÊNCIA.

Considera-se um experimento cujas saídas são definidas e agrupadas num

Exemplos de variáveis aleatórias contínuas: comprimento de uma peça

4.2.1. Variáveis aleatórias discretas.

4.2.2 Variáveis aleatórias contínuas.

A função densidade de probabilidade é válida fisicamente desde que

4.3. Rank Mediano e Método das Proporções

Uma grande limitação para aplicação de critérios de confiabilidade em

4.3.1. Método do Rank Mediano para Curva de Mortalidade

O princípio do método Ranking é descrito na Figura 4.2.

1a. falha 2a. falha 3a. falha

FIGURA 4.2 - EXEMPLO DE TESTES PARA TRÊS TIPOS DE FALHAS DE UM COMPONENTE.

Na figura 4.2 foram realizados testes simultâneos em três amostras

sendo que j: é o número de ordem rank e n é o tamanho da amostra.

Por exemplo, na tabela 4.1, temos a estimativa da porcentagem acumulada

Tempo de Numero de Numero de Numero de falhas Numero Curva de

337 1 177 202 − 1 2.135 0.907

TABELA 4.1 - CURVA DE MORTALIDADE PELO MÉTODO RANK.

onde Nj é o número de ordem da falha atual.

é o rank mediano calculado para estas condições de teste.

4.3.2. Método das Proporções para Curva de Mortalidade

Este método somente pode ser utilizado quando os elementos da amostra

TABELA 4.2 - CURVA DE MORTALIDADE PELO MÉTODO DAS PROPORÇÕES.

Tempo de Numero de Numero de Numero de falhas Numero Curva de

337 1 177 202 − 1 2.135 1.060

5. FUNÇÃO TAXA DE FALHAS

Examinando a taxa de falhas para uma variedade de componentes num

Região I Região II Região III

FIGURA 5.1 – CURVA DA BANHEIRA PARA COMPONENTES ELETRÔNICOS.

Neste contexto, apresentam-se oito recomendações básicas para o projeto

Obter o máximo de informação da literatura especializada (livros,

Existem várias aproximações na definição e no estudo de probabilidades.