APLICAÇÃO DAS TÉCNICAS DE CONFIABILIDADE NA AVALIAÇÃO DO

IMPACTO DO FATOR HUMANO NOS PROCESSOS DE FALHAS

Luiz Gustavo de Souza (1)

RESUMO
A produção industrial tem aumentado significativamente nos últimos
anos. Isto implica numa maior utilização dos equipamentos e instalações
industriais exigindo altos níveis de performance e confiabilidade. Como o
parque industrial brasileiro é extremamente heterogêneo (desde máquinas
modernas até obsoletas em funcionamento), este aumento em muitos casos
vem seguido de uma reincidência das microparadas caracterizadas pela
grande dificuldade na geração dos históricos de manutenção e complexidade
no diagnóstico dos problemas. Neste contexto, é necessário que a estratégia
de manutenção seja focada no binômio homem-máquina de forma que as
análises de falhas tenham uma visão holística do processo. Este cenário nem
sempre é conhecido por se tratar de falhas ocultas e consequentemente não
entrar na geração dos indicadores de indisponibilidade técnica. Através da
análise da confiabilidade quantitativa, pode-se observar que a ocorrência de
microparadas, assim como sua duração, estavam associadas à fatores
humanos e concentradas em horários específicos como os de refeições e de
troca de turnos de trabalho. Desta forma obteve-se a função de distribuição de
probabilidades variando ao longo das 24 horas permitindo a identificação dos
horários mais críticos. Para validação do modelo, foram consultados os
mantenedores e operadores da produção para que pudessem estimar quais
eram os horários mais críticos. O resultado da entrevista foi compatível com os
resultados obtidos pela curva de confiabilidade, portanto o acompanhamento
das ações implantadas pode ser quantificado semanalmente, permitindo a
medição dos resultados de forma rápida e sistêmica. As ações para atingir as
metas propostas foram a modificação da estratégia nas trocas de turnos,
mudança nos horários de reuniões das equipes de manutenção e
acompanhamento dos indicadores por faixa de horário (distribuição de
probabilidades) divulgadas no chão-de-fábrica (Gemba). O resultado aumentou
a produção em 2%.

Introdução

As técnicas de confiabilidade podem ser abordadas de diferentes formas de

acordo com necessidade de cada estudo. O seu grande diferencial é permitir
uma abordagem quantitativa de forma estatística o que viabiliza sua utilização
em diferentes segmentos como na manutenção, análise de garantia, em

1
COMAU do Brasil Indústria e Comércio Ltda – Central de Serviços de Engenharia
processos industriais dentre outros. Trabalhar com modelos estatísticos,
permite conhecer o comportamento das amostras para prever o
comportamento da população (Smith, 2001). Isto torna os trabalhos com estas
técnicas com custos mais baixos, uma vez que trabalhar por amostragem é
menos oneroso.

Por outro lado, é comum encontrar a confiabilidade no topo de pirâmides das

estratégias de manutenção com argumentos de que para se trabalhar com
estas técnicas é necessário ter uma grande estrutura como históricos
confiáveis e poderosos softwares para o gerenciamento dos bancos de dados.
Este comportamento tem inibido o crescimento e a capacitação de equipes
com domínio destas técnicas. O gerenciamento da confiabilidade deve ser
entendido como um indicador que permite girar o PDCA no nível desejado de
informação, trabalhando com sistemas, conjuntos, componentes ou até mesmo
confiabilidade humana. O histórico para viabilizar os trabalhos com
confiabilidade é o mesmo utilizado para qualquer gerenciamento com
indicadores, ou seja, Ordens de Serviços, Planos de Manutenção, Análises de
Falhas, Históricos de Paradas de Produção devido à falhas eletromecânicas,
etc. Em alguns casos, podem ser utilizados recursos alternativos como notas
fiscais, baixas de almoxarifados, inferências com entrevistas com técnicos do
chão de fábrica dentre outros. Portanto sempre existem dados para trabalhar
com técnicas quantitativas de confiabilidade, basta que o analista domine os
conceitos como qualquer outra metodologia.

Esta abordagem simples da confiabilidade, será aplicada em um estudo de

caso numa indústria automobilística com uma produção diária de
aproximadamente 3.000 veículos. A Planta é heterogenia e possui
equipamentos de ponta como robôs, instrumentos com alto grau de precisão
até máquinas obsoletas em termos de tecnologias, porém produtivas. Isto traz
um grande desafio para manutenção porque as pequenas paradas são
freqüentes e exige da equipe fatores comportamentais para atender no tempo
certo em locais estratégicos da Planta. Neste cenário a supervisão é complexa,
visto que o número de supervisores é reduzido, de forma que estes controlam
grandes equipes de mantenedores. Assim o fator humano destaca-se e o
desenvolvimento de equipes polivalentes (com competências técnicas e
comportamentais bem elaboradas) se tornam fundamentais para garantir a
disponibilidade exigida dos equipamentos.

1. Confiabilidade Quantitativa

Ainda é comum encontrar trabalhos técnicos que abordam o termo

confiabilidade, porém com o significado etimológico de confiança, confiável.
Entretanto o significado da confiabilidade quantitativa pode ser descrito
conforme a Norma SAE 1A 1000 (junho/88) traduzida para a NBR 5462, na
qual define a confiabilidade como: “A habilidade de um produto desempenhar
uma função requerida, sob determinadas condições, por um período de tempo”.
Já Pinheiro (2003) faz uma abordagem mais completa definindo a
confiabilidade como “um parâmetro temporal, que mede a probabilidade de um
processo, equipamento, sistema ou conjunto desempenhar sua função por um
determinado período de tempo, baseado no seu histórico de falhas ocorrido no
passado”.

Ambas as abordagens sugerem a determinação de um tempo para que possa

avaliar a missão de um processo ou de um equipamento. O entendimento
desta diferença é fundamental para a análise da confiabilidade. Assim definir a
função de um equipamento é simples porque na maior parte das vezes é
desempenhar uma determinada função produtiva no processo. Porém quando
vai detalhando o equipamento em sistemas, conjuntos ou mesmo
componentes, as dúvidas conceituais começam a aparecerem. Como exemplo,
podemos citar a função de um mancal que é suportar um eixo. Quando este
componente de máquina passa a permitir folgas excessivas, este se encontra
na condição de falha, ainda que não tenha parado a máquina. Este é o
conceito fundamental que distingue confiabilidade de disponibilidade. Outro
exemplo é um ar condicionado que tem como função manter a temperatura de
um ambiente a 20 °C +/- 1 °C. Caso ele não consiga atender esta faixa de
temperatura, também é considerado em condição de falha porque deixou de
desempenhar sua função. Desta forma não é necessário que um avião caia
para saber qual é a sua confiabilidade para 500 horas de vôo! Neste caso,
bastaria conhecer qual é a quantidade de horas permitida para cada
componente e avaliar sua curva conforme será mostrado nas secções
subsequentes.

1.1 Avaliação das Curvas de Confiabilidade e Probabilidade de Falha

Para construir uma curva de confiabilidade de um determinado equipamento,

sistema, conjunto, componente, etc, devemos conhecer seu Tempo Até Falha
(TTF) ou Tempo Entre Falha (TBF). O TTF é utilizado para sistemas não
reparáveis, como exemplo, podemos citar alguns elementos como: mancais,
rolamentos, lonas de freios, circuitos integrados, etc. Já o TBF é utilizado em
Sistemas Reparáveis como: rolamentos de grande porte, motores elétricos
(filamentos), válvulas (troca de reparos), compressores (usinagens de
componentes), etc. Esta distinção é importante especialmente quando se
analisa quantas vidas (número de reparos) um determinado sistema permite
até que apresente uma boa relação de custo benefício.

Para construção da curva, pode-se utilizar diversas distribuições de

probabilidade, no entanto, a partir da equação de Weibull obtém diversas
destas distribuições variando seus parâmetros conforme a equação abaixo:

Eq.(I)
Esta é a função de confiabilidade. O fato é que conforme vai variando β e η, a
partir dos dados inseridos, a curva vai obtendo diferentes valores destes
parâmetros e são dados nomes específicos as distribuições como Lognormal,
Logística, Loglogística, dentre outras. O caso da conhecida Distribuição Normal
é quando o β=3,45. Abaixo estão listadas algumas informações referentes a
equação I.

• "t0" => Vida Mínima ou Confiabilidade Intrínseca (tempo de operação o

qual o equipamento passa a apresentar falhas, ou seja, intervalo de
tempo que o equipamento não apresenta falhas).

• " η " => Vida Característica ou Parâmetro de Escala (intervalo de tempo

entre "t0" e "t" o tempo final da missão - falha).

• " β " => Fator de Forma (indica a forma da curva e a característica das
falhas).

• " β < 1" mortalidade infantil

• " β = 1" falhas aleatórias (função exponencial negativa)
• " β > 1" falhas por desgaste

Graficamente podemos representar a equação acima com o seguinte

comportamento:

Gráfico I: Probabilidade de Falha variando β=γ

Fonte: Lee and Wenyuwang, 2003

Assim a função Confiabilidade pode ser escrita como:

F(t)=1-ƒ(t) Eq. (II)

Na qual ƒ(t) é uma distribuição estatística que conforme varia seu parâmetro,
representando por β ou γ, a curva pode assumir qualquer aspecto parecido
com o do gráfico I. A confiabilidade varia entre 0≤F(t)≤1. Porém é comum
expressá-la em termos percentuais. Quando t=0 a confiabilidade é 1, então
dizemos que a confiabilidade é de 100%. Isto em termos físicos, é quando um
equipamento ainda não partiu. Quando este inicia sua vida útil, sua
confiabilidade começa a diminuir. Portanto cada equipamento apresentará sua
curva característica ao longo de sua vida útil. Para ilustrar esta situação na
prática, no gráfico II, está a curva de confiabilidade de uma lona de freio
(guarnição). O gráfico está em função de dias rodados.

Gráfico 2: gráfico da Confiabilidade em função da quilometragem

Fonte: Souza, 2009

Observando o gráfico, podemos ver que a probabilidade de existir uma lona de

freio com mais de 250 dias rodados é quase remota.

1.2 Interpretação física dos Gráficos

Existem diversas aplicações das técnicas de confiabilidade. Para efeito

didático, será discutido uma aplicação numa Distribuição Normal de
Probabilidade, devido a esta curva, ser a mais conhecida das distribuições. O
exemplo exposto é bem elucidativo porque demonstra como os fatores
humanos pode estar presente nos mais diversos modos de falhas
apresentados por equipamentos e em diferentes fase de sua vida útil. Assim
continuaremos analisar o caso do desgaste de lonas de freios. Para construção
da curva, basta fazer uma amostragem de qual é a duração (em dias ou em
quilometragem) da lona de freio. Como este é um item Não-Reparável,
utilizaremos o Tempo até Falha (TTF).

Gráfico III: Interpretação Física da Distribuição de Probabilidade Normal

 Fonte: Souza, 2009

Para compreensão dos conceitos relacionados à Confiabilidade, utilizaremos 3

pontos desta Distribuição de Probabilidade. O Primeiro Quartil (quando existe a
probabilidade de 25% de ocorrer uma falha), o Segundo Quartil (quando existe
a probabilidade de 50% de ocorrer uma falha) e o Terceiro Quartil (quando
existe a probabilidade de 75% de ocorrer uma falha). Em função da
quilometragem pode-se fazer a seguinte análise:

Tabela I: Resumo da Análise de Interpretação da Distribuição de Probabilidade

Componente: Lona de Freio

Função: gerar atrito no tambor para dissipar energia térmica
Condição de Falha: espessura abaixo de 12 mm
Tempo Estimado da Missão: 360 dias
Probabilidade Estratégia de Tipo de
Vida útil [km]
de Falha [%] Manutenção Falha
Identificar os
operadores com
comportamento de
25 20.930 Humana
risco (alto
consumo de lona
de freio)
Avaliar os
fornecedores e
50 46.410 material de Desgaste
desgaste
(fabricante)
Identificar os
melhores
75 71.890 Humana
operadores e criar
multiplicadores
De acordo com a tabela acima, pode-se identificar os melhores e os piores
operadores. Sem a utilização desta técnica, seria muito difícil verificar este tipo
de comportamento. Nesta análise, verifica-se que ao lado de falhas em
componente como uma lona de freio, pode-se identificar que o comportamento
na operação pode deslocar esta curva tanto para a direita, que significaria uma
maior durabilidade da lona, ou para a esquerda, que se traduziria em maior
desgaste do componente analisado. Assim a eficácia dos treinamentos
direcionados aos operadores podem ser quantificados por este método,
permitindo aplicar o giro do PDCA (Plan, Do, Check e Action).

2. Aplicação das Técnicas de Confiabilidade na Indústria Automobilística

O grau de automação na indústria automobilística é bastante elevado. Para um

bom funcionamento deste tipo de família de equipamentos, são necessários
que um conjunto de varáveis esteja sob controle. Nem sempre esta condição é
possível, visto que os próprios componentes e peças a serem montadas podem
ter pequenas variações dimensionais, o que fazem as máquinas entrarem em
condição de falha. Em algumas situações, os próprios operadores conseguem
resetar (reinício do ciclo) o equipamento e voltar a normalizar seu
funcionamento, mantendo um baixo Downtime (tempo de parada). Entretanto,
em muitos casos são necessárias as intervenções da manutenção. Para
equilibrar esta demanda é posicionada a equipe de forma estratégica ao longo
do layout da Planta. Mas nem sempre esta situação é equilibrada, de forma
que, os fatores comportamentais dos mantenedores, torna-se uma variável
fundamental para garantir um atendimento rápido numa demanda de serviços
corretivos crescente. Este cenário dentro de uma indústria que fabrica mais de
3.000 veículos por dia pode gerar perdas irrecuperáveis, uma vez que, os
equipamentos tornam-se um gargalo produtivo. Na figura I, é possível observar
o layout de uma Linha Produtiva na qual os pequenos pontos simbolizam os
mantenedores posicionados. Dentro dos retângulos de diferentes tamanhos,
estão os equipamentos responsáveis por uma infinidade de operações que
corresponde ao processo de montagem de um automóvel. Logo podemos ter a
idéia da dimensão que um mantenedor pode percorrer até chegar num
equipamento para diagnosticar uma falha. A proporção neste layout foi
preservada para se ter a noção da distribuição das equipes num turno
produtivo, ou seja, na produção de um turno o número de mantenedores nesta
linha é de aproximadamente 15.
 Figura I: Layout da Linha Produtiva com os mantenedores posicionados

Um dos maiores problemas relacionados a pequenas paradas é a dificuldade

de geração dos históricos. Para superar esta este problema, foi desenvolvida
uma ferramenta própria para aquisição dos dados e efetuado treinamentos com
os fluxos de geração e entrada dos dados para viabilizar sua aplicação.

Os dados passaram a ser inseridos diariamente pelo operador e após o reparo,

o mantenedor anota os dados na Ordem de Serviço para cruzamento das
informações. Nos formulários de ocorrência, estão os campos para
informações básicas como o Downtime (tempo de parada) e TTR (tempo para
reparo).

2.1 Avaliação da Confiabilidade

O histórico para análise de dados foi referente a 30 dias de produção. Este

período foi suficiente para análise dos dados visto que a amostra, neste caso, é
do tamanho da população. Isto foi possível devido a precisão com a qual foram
inseridos os dados.

Como condição de contorno do modelo, o objetivo é verificar qual a distribuição

estatística rege o comportamento das falhas num intervalo de 24 horas (a
produção é realizada nos 3 turnos). Como teoricamente é impossível predizer a
hora que uma falha ocorrerá (mesmo porque, caso a equipe soubesse o
horário das ocorrências as evitariam eliminando todo tipo de perda), a equação
esperada teria um comportamento similar o do gráfico IV (Distribuição
Exponencial) de acordo com Bliskhe e Murthy (2003).
 Gráfico IV: Distribuição Exponencial

O eixo das coordenadas está em horas (24 horas no dia). O fato de apresentar
valores após as 24 horas é devido a plotagem do gráfico que segue uma linha
de tendência. Existem diversos softwares no mercado que efetuam estes
cálculos, inclusive o aplicativo Excel da Microsoft. O que difere um software do
outro é a interface que pode ser mais amigável e os cálculos são mais diretos.
Por exemplo, para verificar a melhor distribuição que se adere a amostra
analisada, alguns softwares já fazem o cálculo automaticamente e fornece o
ranking com o resultado de cada uma delas. Em alguns softwares, a verificação
de qual seria a melhor distribuição de probabilidades aderida a amostra, teria
de ser feita manualmente usando técnicas estatísticas como análise de
regressão dentre outros métodos (Grupta, 2002).
Para surpresa o gráfico encontrado foi o representando abaixo.

Gráfico V: Distribuição Lognormal

Por ter-se encontrado a Distribuição Lognormal, concluímos que podem existir
fatores humanos (Embrey, 1994) relacionados ao comportamento de falha no
tempo (num intervalo de 24 horas), que fazem com que as falhas se
concentrem em intervalos específicos. Do Ponto de vista de engenharia de
manutenção, está evidenciado que as falhas ocorrem não apenas por
problemas técnicos, mas também fatores desconhecidos. Assim uma equipe foi
designada para sugerir hipóteses para ocorrência do fenômeno.
A hipótese mais forte foi de que o fator humano poderia contribuir para
concentrar as falhas em horários críticos como nas trocas de turnos e nos
horários de refeições. Para verificar esta hipótese, foram efetuados os cálculos
de confiabilidade para os intervalos críticos e o resultado está apresentado na
tabela II.
Tabela II: Cálculo da Confiabilidade em horários críticos

Intervalos Confiabilidade
Fatores
críticos [%]
12:00 54 Horário do Almoço
16:00 37 Troca de Turno (1º para 2º)
21:00 20 Horário do jantar

É possível verificar que a confiabilidade é muito baixa nestes horários. No

intervalo das 21:00 horas é de apenas 20%. Aplicando a equação (II),
calculamos a probabilidade de falha com a relação 0,2 = 1- ƒ(21), de modo que
ƒ(21)=0,8, ou seja, no intervalo das 21 até às 22, existe uma probabilidade de
80% de ocorrer pelo menos uma falha com parada produtiva na linha.
Para validar este modelo, foram efetuados os mesmos cálculos para horários
não críticos. O resultado está indicado na tabela III.
Tabela III: Cálculo da Confiabilidade em horários não-críticos

Intervalos Confiabilidade
críticos [%]
8:00 86
18:00 78
3:00 91

Assim pode-se verificar que a confiabilidade mínima nestes intervalos não-

críticos foi acima de 78%, ou seja, a probabilidade de ocorrer uma falha neste
período é de 22% apenas. Após estas evidências, os supervisores foram
abordados para averiguar quais eram as ocorrências, do ponto de vista
operacional, que poderiam estar afetando este comportamento de falha.

2.2 Análise das Falhas e Soluções dos Problemas

Diagnosticado o problema e validado a modelagem dos dados junto aos
supervisores, foi elaborado um diagrama de causa e efeito com as devidas
contra-medidas para aumento da confiabilidade com foco no fator humano. Na
tabela abaixo, pode-se verificar a aplicação da ferramenta para os principais
desvios identificados.

Tabela III: Diagrama de Causa e Efeito

Diagrama de Causa e Efeito

Falha Causa Efeito Contra-medida
Mantenedor deixa Elaboração e
Posto de Trabalho fica
posto de trabalho cumprimento de
ausente e os
antes do final do procedimento interno
operadores não
expediente para se que o mantenedor só
encontram responsável
lavar deixa o posto de
até entrar em contato
trabalho na presença
com supervisão
do substituto
Mantenedor entra no Desmembrar a reunião
Concentração de
turno e antes de de SSMA e realizá-la
Troca de Turno Mantenedores num
chegar no posto de nos postos de trabalho
único local (Box de
trabalho participa de e não apenas no Box
Manutenção)
reunião de SSMA de Manutenção
Mantenedor deixa os Realizar novos
relatórios para fazer treinamentos (com lista
Falta de atenção no
no fim do expediente de presença) para
atendimento a
acumulando as garantia do
operação
tarefas cumprimento dos fluxos
existentes
Mantenedor deixa o Posto de Trabalho fica
posto de trabalho ausente e os Colocar garrafa de café
sem comunicação operadores não no posto de trabalho e
com supervisor para encontram responsável proibir este tipo de
tomar cafezinhos até entrar em contato deslocamento
com supervisão
Mantenedor deixa Posto de Trabalho fica
posto de trabalho ausente e os Liberar mantenedor pra
Horários de
antes de designar operadores não refeição apenas
Refeições
outro para encontram responsável quando outro estiver
revezamento até entrar em contato posicionado
com supervisão
Mantenedor faz hora Criar formulário
Mantenedor que
de almoço acima do específico para controle
permanece esperando
permitido e proibir o posto de
fica impaciente e deixa
trabalho permanecer
posto de trabalho vazio
vazio
Controle de Perdas As perdas não são Criar quadro de Gestão
não é divulgado no percebidas pelos à Vista no Chão de
chão-de-fábrica mantenedores Fábrica
Gerencial
Pressão de Supervisor não Desenvolver
resultados apenas consegue ser autocontrole (5ºS) nos
na supervisão onipresente mantenedores
Na tabela acima é possível de verificar a importância de girar o PDCA (Plan,
Do, Check e Action) associado a fatores comportamentais. Existe uma
tendência do profissional de tecnologia alienar-se da importância de analisar os
fatores humanos com foco estratégico no gerenciamento do processo de
falhas.

O objetivo de ter avaliado as falhas humanas em conjunto com as falhas dos

equipamentos, foi de viabilizar a aplicação da metodologia de confiabilidade
humana na qual se estima a probabilidade do erro humano avaliando a
degradação do sistema homem-máquina provável por ser causada devido ao
erro humano ou em conjunto com as máquinas conforme destaca Reason
(1990).

3. Resultados

As contra-medidas listadas na tabela III foram implementadas durante um

intervalo de 30 dias. Para a quantificação dos resultados, foi elaborado um
controle da quantidade de carrocerias eram deixadas de ser produzidas devido
às falhas com paradas produtivas (lucro cessante). Este controle existia, mas
não cruzavam informações com faixa de horário e nem com turno de produção.
Assim foi possível implementar um PDCA diário divulgando o relatório junto ao
chão de fábrica. O resultando em termos produtivos está indicado no gráfico
VI.

Perdas Produtivas - Manutenção [carrocerias] - Julho

1200
Eventos Críticos
1000
800

600
Eventos Crônicos Tendência
400
200
0
1 2 3 4 7 8 9 10 11 14 15 16 17 21 22 23 24 25 28 29 30 31
[dias produtivos]

Gráfico VI: Relatório de Perdas de Carrocerias devido às falhas

O resultado acima mostra que houve um ganho produtivo de aproximadamente

70 carrocerias diárias na média. Atualmente a perda está em tono de 200
carrocerias diárias, mas sabe-se que as próximas melhorias devem ser nos
operadores de processo, visto que este trabalho, foi direcionado à manutenção.
Depois da aplicação da metodologia nos operadores de processo, restarão
apenas melhorias nos equipamentos que envolverão investimentos financeiros.

Estes resultados em termos de confiabilidade está apresentado na tabela IV,

na qual se utilizou os mesmos critérios da tabela II, ou seja, nos mesmos
intervalos críticos que foram identificados os problemas, recalculou a
confiabilidade para verificar a eficácia das ações.

Tabela IV: Avaliação da Confiabilidade após a implementação das ações.

Intervalos Confiabilidade
críticos [%]
12:00 78
16:00 69
21:00 81

Logo, pode-se observar que no intervalo de 12:00 à 13:00 a confiabilidade foi

de 54% para 78%. Também no intervalo de 16:00 às 17:00 saltou de 37% para
69%. Da mesma forma, no intervalo de 21:00 às 22:00 melhorou de 20% para
81% representando o maior ganho. Mas ainda existe um potencial de melhoria
quando se compara a tabela III evidenciando que podem existir fatores
desconhecidos que influenciam este comportamento. A hipótese mais forte é
de que os fatores humanos relacionados aos operadores podem contribuir para
este processo. Contudo este é tema de trabalhos futuros.

4. Conclusão

O grande diferencial de trabalhar os aspectos comportamentais é que os

investimentos são praticamente desprezíveis e os resultados podem vir a curto
prazo. Mas conforme exposto, é fundamental uma correta modelagem dos
dados para que os resultados sejam quantificados de forma confiável.

A confiabilidade quantitativa, pode ser utilizada para gerar indicadores que

envolvem a medição da complexa relação do binômio homem-máquina, uma
vez que, foi possível verificar através da revisão bibliográfica que a mesma
base de dados pode ser utilizada. Para gerar os históricos, deve ser realizado
um trabalho coletivo entre operação e manutenção para que os dados inseridos
retratem exatamente o comportamento do equipamento. Contudo, trabalhar
com um único banco de dados pode deixar a manutenção vulnerável, uma vez
que os operadores, podem manipular os dados de acordo com interesses
próprios, devido a esta atividade envolver um alto grau de interação humana.
Entretanto uma boa gestão das Ordens de Serviço, como o correto
preenchimento dos campos, é fundamental para que o cruzamento destes
dados viabilizem a aplicação das técnicas.
5. BIBLIOGRAFIA

1. SMITH, David J. Reliability, Maintainability and Risk - Practical

methods for engineers. Sixth Edition Butterworth-Heinemann. Oxford,
2001.

2. ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. Rio de Janeiro.

NBR 5462, Confiabilidade - terminologia. Rio de Janeiro, 1981.17p.
3. PINHEIRO. Marlon A. Estudo da Análise de Risco e Cálculo da
Confiabilidade Aplicada em Frotas de Ônibus. Belo Horizonte:
CEFET-MG, Dissertação de Mestrado. Belo Horizonte, 2003.
4. LEE, Elisa T.; WENYUWANG, John. Statistical Methods for Survival
Data Analysis - University of Oklahoma Health Sciences Center. Third
Edition. PUBLICATION A JOHN WILEY & SONS, INC. Oklahoma, 2003.
5. SOUZA, L. G. Aplicação das Técnicas de Confiabilidade na Gestão
de Frotas de Veículos de Transporte. Simpósio Internacional de
Confiabilidade. Curitiba, 2009.

6. BLISCHKE, WALLACE R.; MURTHY, D. N. PRABHAKAR. Case

Studies in Reliability and Maintenance. WILEY SERIES IN
PROBABILITY AND STATISTICS. A JOHN WILEY & SONS, INC.,
PUBLICATION. New Jersey, 2003
7. GRUPTA , Vijay. Statistical Analysis with Excel. Publisher: VJ Books
Inc, Canada, 2002.
8. EMBREY, D. E. Software Guides for Humam Reliability
Quantification. Human Reliability Associates Ltd. School House, Higher
Land, Dalton, Wigan, Lancs. England, 1994.

9. REASON, J. T. Humam Error, Cambridge University Press. New York,

1990.