Escolar Documentos
Profissional Documentos
Cultura Documentos
Confiabilidade
Complexo Industrial
MBA – IESAEPiaçaguera
Marcelo Miranda
Professor MBA
Segurança
6
Programa
• Conhecendo o Minitab
1
• Introdução à Estatística
2
• Distribuições Estatísticas
3
7
1. CONHECENDO O MINITAB
Você conhece o Minitab?
1. Conhecendo o Minitab
Software Minitab
- Gráficos de Controle
- Análise de Capacidade
- Histogramas
- Testes de Hipótese
- Correlações Estatísticas (simples e
múltiplas)
- DOE (Design of Experiments)
Project Manager: Permite fácil localização dos comandos realizados através do uso do
software.
1. Conhecendo o Minitab
1
1. Conhecendo o Minitab
1. Conhecendo o Minitab
Opções:
Opções:
Opções:
- Cálculos utilizando a calculadora interna
- Estatísticas de linhas e colunas
- Construção de experimentos e situações de testes
- Criação de base de dados e distribuições aleatórias
- Cálculo de probabilidades de distribuição
1. Conhecendo o Minitab
Opções:
- Cálculos estatísticos básicos
- Análises de regressão
- Testes de hipótese paramétricos
- Testes de hipótese não-paramétricos
- Delineamento de experimentos
- Gráficos de controle estatístico de processo
- Ferramentas de qualidade (capacidade do processo)
- Análises temporais
- Análises de tipos de distribuição
- Análises de tamanho e poder da amostra
1. Conhecendo o Minitab
Opções:
- Gráficos de dispersão
- Gráficos de medidas de posição e variação
- Gráficos de probabilidade (para diversas séries)
- Gráficos temporais
- Gráficos de otimização de processos
1. Conhecendo o Minitab
2. INTRODUÇÃO À
ESTATÍSTICA
Introdução à Estatística
✓ Estatística: visa fornecer subsídios ao analista para coletar, organizar, resumir, analisar e
apresentar dados. Trata de parâmetros extraídos da população, tais como média ou desvio
padrão.
✓ Dados: Medidas que descrevem o comportamento de algum fenômeno de interesse.
Vantagem
Dados Informação Conhecimento Inteligência
Competitiva
26
Introdução à Estatística
Fazer afirmações a partir de um conjunto de
valores representativo sobre o universo
Introdução à Estatística
Bichos de estimação da estatística
(desvio padrão, média)
Introdução à Estatística
Jairão,
posso te
pedir um
favor?
Fala Marcelão,
na hora!!!
Tô precisando
Blza, Marcelão,
medir o pH e a
na hora!!!
turbidez do lago
de Catalão.
Teria como
agilizar prá
mim?
Introdução à Estatística
Fala Marcelão,
já to aqui!!!
Marcelão, vamos Introdução à Estatística
melhorar isso aí...
1 2 3 4 5 23
..
.
..
X1 X3 X4 X5 X23
.
X2
X µ
1 2 3 4 5 23
..
.
..
X1 X3 X4 X5 X23
.
X2
X µ
Introdução à Estatística
... É possível determinar o teor de Níquel contido
em uma pilha de minério tomando toda a sua
massa?
µ → média populacional
(praticamente impossível obter este valor na prática)
Inferência
estatística
X1, X2, X3, X4, ...,
Xn X → média amostral para representar a população
Introdução à Estatística
µ → média populacional
(praticamente impossível obter este valor na prática)
Inferência
estatística
X1, X2, X3, X4, ...,
Xn X → média amostral para representar a população
Introdução à Estatística
________________________________________________________
________________________________________________________
________________________________________________________
________________________________________________________
________________________________________________________
________________________________________________________
________________________________________________________
________________________________________________________
Introdução à Estatística
________________________________________________________
________________________________________________________
________________________________________________________
________________________________________________________
________________________________________________________
________________________________________________________
________________________________________________________
________________________________________________________
Introdução à Estatística
Dados
1. Discretos 2. Contínuos
1.1
1.2 Qualitativos
Quantitativos
1.2.1 1.2.2
Nominal Ordinal
36
Classificação de Dados
Tipos de dados:
1. Dados discretos:
– Podem assumir somente alguns valores específicos, havendo “saltos” (“gaps”)
entre estes valores. Os dados discretos resultam de contagens ou de
classificações.
– Também podem ser qualitativos (classificação) ou quantitativos (contagem).
37
Classificação de Dados
Tipos de dados:
1.2.1 Os dados nominais são dados qualitativos para os quais não faz sentido ordenar as
categorias. (exemplo: marca de automóveis)
1.2.2 Os dados ordinais são dados qualitativos para os quais faz sentido ordenar as
categorias de menor para maior ou de pior para melhor (faixa etária)
Classificação de Dados
Tipos de dados:
2. Dados contínuos:
-Os dados contínuos são expressos em unidades de medidas e podem assumir qualquer
valor dentro de uma faixa especificada.
-Os dados contínuos são necessariamente quantitativos.
– Normalmente, a estes dados, estão associadas unidades de medida e
aparelhos de medição. Ex: termômetro, pHmetro, balança, etc..
39
Classificação de Dados
Gráfico de colunas que ordena as frequências das ocorrências, da maior para a menor,
permitindo a priorização dos problemas → princípio de Pareto (80% das consequências advêm de
20% das causas), isto é, há muitos problemas sem importância diante de outros mais graves.
Permite fácil visualização e identificação das causas ou problemas mais importantes,
possibilitando a concentração de esforços sobre os mesmos.
41
Diagrama de Pareto
Exemplo
42
Diagrama de Pareto
Exemplo
Refrigerante Freqüência
Coca-Cola 19
Coca-Cola Diet 8
Fanta Laranja 5
Pepsi Cola 13
Sprite 5
Total 50
20
15
Freqüênc ia
10
0
Coca-C ola Coca-C ola Diet Fanta Laranja Pepsi C ola Spr ite
Refrigerante 43
Diagrama de Pareto
Exemplo
1. Abra a Worksheet “Exemplo Pareto.MTW ”
Clicar OK
40 80
Percent
30 60
Count
20 40
10 20
0 0
Refrigerantes
ol
a
ol
a et ta ite he
r
C C Di an r t
ca
i la F Sp O
o ps Co
C Pe ca
Co
Count 19 13 7 5 5 1
Percent 38,0 26,0 14,0 10,0 10,0 2,0
Cum % 38,0 64,0 78,0 88,0 98,0 100,0
45
Diagrama de Pareto
Atividade
Empresa: Niquel Land
Produto: Concentrado de Níquel
Cenário:
• A mineração de níquel Niquel Land vem apresentando baixas produções e um belt foi
designado a desenvolver um projeto para melhorar a produção.
• No Define verificou-se um número elevado de horas paradas e ficou definida a redução de
50% da média de horas paradas .
• Deve-se também definir os focos que serão atacados e determinar as metas específicas.
TAREFA:
• Analise os dados relativos à atividade
• Determine metas específicas para atacar o problema global
46
Diagrama de Pareto
Atividade
1. Abra a Worksheet “Atividade Pareto OEE. MTW ”
47
Diagrama de Pareto Atividade
Espaço para resolução
Contaminação
Hidráulica Troca de Turno
Ferro
Contaminação
Pneumática Outros
Magnésio
Diagrama de Pareto Atividade
Espaço para resolução
30
Frequency
20
10
0
0,6 0,8 1,0 1,2 1,4 1,6 1,8
Teor Nb2O5 %
2.2 Histogramas
São medidas que trazem informações numéricas sobre a forma da distribuição dos dados.
As medidas de locação/posição indicam o centro ou meio da distribuição dos dados.
Já as medidas de variabilidade/dispersão mostram a dispersão dos dados em torno
deste valor central.
1. Medidas de Locação/Posição
• Média (X-barra)
• Mediana (X-til ou Q2)
• Quartil (Q1 e Q3)
• Moda (Mo)
• Amplitude (R)
• Variância (s2)
• Desvio-padrão (s)
2.2 – Histogramas
Medidas de Posição: Média
Média (x - barra)
- A média é a estatística mais utilizada para representar a locação dos
dados.
- Ela é considerada o ponto de equilíbrio de um conjunto de dados.
um conjunto de dados.
- A mediana é o termo central de uma sequência de valores colocados em ordem
crescente ou decrescente.
- Ela é o valor que divide um conjunto de dados em duas partes iguais, deixando 50%
• Cálculo da Mediana
−Coloque os dados em ordem crescente.
-Se o número de valores é impar a mediana é o número localizado exatamente
67, 50, 22, 24, 09, 13, 08, 02, 100 Quando a qtde de dados é par
Menor Maior
Elemento que divide a distribuição de dados
em 50% abaixo e 50% acima é denomindado
2º Quartil = Mediana
3 4 5 6 7 8 9 10 11 12 14 15 16 17 18 19 20 21 22 23 24 25 26
x1 = 12,9
Amplitude
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
R1 = 23
Média
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
x2 = 12,9
Amplitude
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
R2 = 8
5.2 Medidas de Variabilidade: Desvio Padrão
Simetria
• Simetria está relacionada com a forma da distribuição dos dados.
• A distribuição dos dados é simétrica quando as medidas de tendência centrais têm
valores próximos, dividindo o conjunto de dados em duas partes iguais.
• Quando isto não acontece, a distribuição dos dados é assimétrica.
Média < Mediana < Moda Média = Mediana = Moda Média > Mediana > Moda
Se você conhece o super-herói Wolverine sabe que ele possui duas garras retráteis e um
poder mutante que o cura de qualquer ferimento. Um projeto do governo canadense
chamado Arma X encobriu seus ossos com uma liga chamada adamantium, o que você não
deve saber (ainda...) é que na liga do adamantium temos Níquel, Nióbio e Fosfatos.
Clicar “Ok”
2.2 – Histogramas
Exemplo
Clicar
“Statistics”
Clicar “Ok”
Descriptive Statistics: % Ni
Clicar “Reference
Line”
Digite as “Especificações
de Ni liga ”
Clicar “Scale”
Clicar “Ok”
2.2 – Histogramas
Exemplo
2.2 – Histogramas
Exemplo
Atenção:
Clicar em “Data →
Unstack Columns” Infelizmente o minitab não permite analisar dados
estratificados em uma única tela, por isso devemos
1
estratificar os dados por categorias. Para tanto,
vamos desempilhar.
Selecionar
Escolher a opção
“After last column
in use”
Clicar “ok”
2.2 – Histogramas
Exemplo
ANTES DEPOIS
2.2 – Histogramas
Exemplo
ou
Clicar em “Graph →
Histogram”
Clicar a
opção “With
Fit and
Groups” Clicar
“Ok”
Clicar
“Ok”
2.2 – Histogramas
Exemplo
3 20 33 45 47 48 50 51 53 54 54 55 65 75 87
0 10 20 30 40 50 60 70 80 90
2.3 – Box Plot
)
)
1
-Q
1
-Q
3
(Q
3
(Q
,5
,5
+1
-1
~
x = Q2
3
Q
Q
Q1= 45 (1º Quartil)
~
x = 51 (Mediana)
Q3= 55 (3º Quartil)
* * * * MIM = 3 (Valor Mínimo)
MAX = 87 (Valor Máximo)
0 10 20 30 40 50 60 70 80 90
Abra o Arquivo “BOX PLOT Comparação Plantas A B C”. Este arquivo apresenta a recuperação de
processo de 3 Plantas. Além disso, é informada a temperatura média diária dos tanques dos Processos
A, B. Estes dados foram coletados na última semana.
2
3
2.3 – Box Plot
90
Rendimento Planta A (%)
85
80
75
2.3 – Box Plot
3
2.3 – Box Plot
90
80
Data
70
60
5
50
40
Rendimento Planta A (%) Rendimento Planta B (%) Rendimento Planta C (%)
2.3 – Box Plot
Selecionar → “Planta ”
2.3 – Box Plot
90
180
80
70 170
5
60
160
50
150
40
A B
Planta
2.3 – Box Plot
3. DISTRIBUIÇÕES
ESTATÍSTICAS
3. Distribuições Estatísticas
São modelos que fornecem uma base teórica para o estudo do padrão de ocorrência dos
elementos de várias populações de interesse.
Diversas características da qualidade de interesse, principalmente as associadas a
processos da área industrial, seguem de forma aproximada, distribuições estatísticas.
Na área de manutenção, o uso das distribuições tem sido amplamente empregada na área
de confiabilidade e gestão de indicadores e variáveis-chave.
Gauss Weibull
3. Distribuições Estatísticas
Intensidade
LSE
LIE
Tempo
3. Distribuições Estatísticas
Disponibilidade
100
LIE
Tempo
3. Distribuições Estatísticas
Mais de 90% das variáveis de interesse do mundo tem uma distribuição padronizada.
Exemplo: a altura das mulheres do Brasil possui uma variação natural em torno de 1,60
+/- 0,15 cm.
Ou seja, uma distribuição normal pode ser completamente descrita sabendo apenas o
seguinte:
- Média
- Desvio Padrão
2) Outra propriedade bastante importante é a capacidade de encontrarmos a probabilidade
de ocorrência de um certo X, baseando-se nas equações desenvolvidas por Gauss.
3.1 Distribuição Normal
3.1 Distribuição Normal
Estou com 98
kg. Em que
região desta
distribuição eu
me encontro?
PROBABILIDADE
INTERVALO INTERNA EXTERNA
(µ ± 1 ) 68,26% 31,74%
(µ ± 2 ) 95,46% 4,54%
(µ ± 3 ) 99,73% 0,27%
3.1 Distribuição Normal
Substituindo X = µ na
equação z = (x - µ)/σ
Temos z = 0
Substituindo X = σ
na equação z = (x - µ)/σ
Temos z = 1
3.1 Distribuição Normal
• Com os conceitos vistos anteriormente, podemos agora associar à curva que representa o
processo estudado o valor de “Z”.
Exercício:
• Qual a probabilidade do eletricista demorar menos que 35 minutos para fazer o reparo
na Planta?
• Qual a probabilidade do eletricista demorar mais que 55 minutos para fazer o reparo na
Planta?
Sabemos, então, que o termo usado para normalizar a distribuição dos dados é a estatística
“Z”, que é uma relação de dois valores absolutos e, portanto, sem dimensão. Como faremos
quando o valor da estatística “Z” for diferente de 0; +-1; +-2; +-3
3.1 Distribuição Normal
X
3.1 Distribuição Normal
Z = (35 – 45)/5 = - 2
35 45
µ
Precisamos calcular o
valor de Z Para Z = -2 a área correspondente a (X ≤ 35) é 100 – 97,72 = 2,28%
correspondente a 35
Z = (55 – 45)/5 = 2
45 55
3.1 Distribuição Normal
Precisamos calcular o
valor de Z correspondente Para Z = - 0,8 a área correspondente a (X ≤ 41) é 100 – 78,81 = 21,19%
a 41 e 49
1 3
Média = 45
Média = 5
4 4
Opção
“Probabilidade” Opção “X value” retorna
retorna o X a probabilidade
correspondente à correspondente ao X
probabilidade informado
informada
3.1 Distribuição Normal
VAMOS ESCOLHER
47 e 52
Distribution Plot
Normal; Mean=45; StDev=5
0,09
0,08 Probabilidade de
0,07 26,38%
0,06
0,2638
Density
0,05
0,04
0,03
0,02
0,01
0,00
45 47 52
X
3.1 Distribuição Normal
Para saber se uma distribuição pode ser explicado pelo modelo Normal, podemos fazer o
Teste de Normalidade:
Clicar em “ok”
3.1 Distribuição Normal
Um teste muito usado p/ avaliar se os dados seguem a distribuição Normal é adotar um nível de significância
como referência e comparando-o com o P-value. Comumente o nível de significância adotado é 0,05
60
50
40
30
20
10
1
60 65 70 75 80
Cumprimento da Programação (%)
3.1 Distribuição Normal
Se os dados possuem “um bom ajuste” em relação a distribuição Normal, podemos avaliar a
capacidade deste processo através da função Capability Analysis. Suponha que a meta de
cumprimento da programação seja 70%. Neste caso, podemos seguir os seguintes passos.
LSL
P rocess Data Within
LS L 70 Ov erall
Target *
USL * P otential (Within) C apability
S ample M ean 68,8777 Cp *
S ample N 30 C PL -0,11
S tDev (Within) 3,562 C PU *
S tDev (O v erall) 4,10443 C pk -0,11
O v erall C apability
Pp *
PPL -0,09
PPU *
P pk -0,09
C pm *
60 64 68 72 76
O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 633333,33 PPM < LS L 623651,65 P P M < LS L 607744,21
PPM > USL * PPM > USL * PPM > USL *
P P M Total 633333,33 PPM Total 623651,65 P P M Total 607744,21
3.1 Distribuição Normal
Diferença do
comportamento do
Process Capability of Cumprimento da Programação (%) processo no curto e longo
prazo: cálculos realizados
LSL pelo desvio padrão de
P rocess Data Within curto e longo prazo
LS L 70 Ov erall
Target *
USL * P otential (Within) C apability
S ample M ean 68,8777 Cp *
S ample N 30 C PL -0,11 Índice de capacidade do
S tDev (Within) 3,562 C PU * processo: relação entre a
S tDev (O v erall) 4,10443 C pk -0,11 especificações atribuídas
O v erall C apability para o indicador e a
Pp *
variabilidade natural do
PPL -0,09
PPU * processo. Quanto maior
P pk -0,09 melhor!!!
C pm *
60 64 68 72 76
O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 633333,33 PPM < LS L 623651,65 P P M < LS L 607744,21
PPM > USL * PPM > USL * PPM > USL *
P P M Total 633333,33 PPM Total 623651,65 P P M Total 607744,21
60
50 ____________________
40
30 ____________________
20
10
____________________
5 ____________________
1
0,1
80 85 90 95 100 105 110
Disponibilidade Física
3.1 Distribuição Normal
Se a distribuição
não é normal, o que
podemos fazer?
60
50
40
30
20
10
5
0,1
80 85 90 95 100 105 110
Disponibilidade Física
3.1 Distribuição Normal
Clique em “Ok”
3.1 Distribuição Normal
Neste caso, 16 tipos de distribuição foram testadas. Quais foram os melhores modelos?
Podemos verificar:
1) como os dados estão ajustados às curvas da distribuição;
2) O valor de P-value (considerando um nível de significância como referência);
3) Estatística Anderson-Darling: a melhor distribuição é aquela em que o valor de AD
é substancialmente menor do que as outras.
3.1 Distribuição Normal
P er cent
10 10 2-P arameter E xponential
A D = 18,225
P -V alue < 0,010
1 1
Weibull
0,1 0,1 A D = 0,726
0,1 1 10 100 1000 0,01 0,1 1 10 100 P -V alue = 0,057
Disponibilidade Física Disponibilidade Física - T hr eshold
3-P arameter Weibull
Weibull - 95% C I 3-P arameter Weibull - 95% C I A D = 0,685
99,9 99,9 P -V alue = 0,032
90 90
50 50
P er cent
P er cent
10 10
1 1
0,1 0,1
70 80 90 100 43720 43730 43740 43750
Disponibilidade Física Disponibilidade Física - T hr eshold
3.1 Distribuição Normal
Considerando que a meta de Disponibilidade Física desta Planta é 96%, podemos calcular a
capacidade desta Planta, sabendo que os dados se encaixam em uma distribuição Weibull?
Vamos seguir os seguintes passos:
O que podemos
LSL
P rocess Data O v erall C apability concluir? Qual a
LS L
Target
96
*
Pp
PPL
*
-0,03
capacidade do
USL *
S ample M ean 94,8634
PPU
P pk
*
-0,03
indicador?
S ample N 88
E xp. O v erall P erformance __________________
S hape 30,8236
S cale 96,6624
P P M < LS L 554703,97
PPM > USL *
__________________
O bserv ed P erformance P P M Total 554703,97 __________________
P P M < LS L 522727,27
PPM > USL * __________________
P P M Total 522727,27
__________________
__________________
__________________
__________________
84 88 92 96 100
4.TEOREMA CENTRAL DO LIMITE
E INTERVALOS DE CONFIANÇA
4. Teorema Central do Limite
• O Teorema do Limite Central afirma que uma distribuição amostral de qualquer estatística
(média, desvio padrão, mediana, etc) será normal ou aproximadamente normal, se o
tamanho da amostra é grande suficiente
A12
A10 A11 A13
- A média da população (µ) é igual a média da
ditribuição das médias das amostras (x) A14
Ax
http://onlinestatbook.com/stat_sim/sampling_dist/index.html
Vamos escolher a
média
Obs.:
Entretanto,....
O que nos garante que as 20 amostras compõem uma boa estimativa da população?
O que nos garante que as 20 amostras compõem uma boa estimativa da população?
Associamos, assim, uma estimativa pontual a uma outra estimativa:
Intervalo de Confiança
É uma amplitude (ou um intervalo) de valores que tem a probabilidade de conter o valor
verdadeiro da população.
0,08
0,07
1-α • O intervalo (c1,c2) é chamado de intervalo
0,06 de confiança da média da população.
Density
0,05
• α é o nível de significância.
0,04
• 100(1- α) é o nível de confiança em %.
0,03
0,00
c1 µ c2
4. Intervalos de Confiança
0,04
0,00
Xinf µ Xsup
Zα/2 Z=0 Zα/2
Tamanho Amostra σ s
n ≥ 30 X ± Zσx X ± Zσx
n <30 X ± Zσx X ± tσx
Amostra –
Ciclos até a falha Neste caso, temos a seguinte situação
2435
1325
Tamanho Amostra σ s
1589 n ≥ 30 X ± Zσx X ± Zσx
2351
2140 n <30 X ± Zσx X ± tσx
2279
1351
2363
2374
1153
2158
2292
1884
2125
1838
4. Intervalos de Confiança
O que podemos
concluir?
__________________
__________________
__________________
__________________
__________________
__________________
__________________
__________________
3
Frequency
_
1 X
0 _
X
1200 1400 1600 1800 2000 2200 2400 1000 1200 1400 1600 1800 2000 2200 2400 2600
Amostra Amostra
4. Intervalos de Confiança
Amostra II
Um componente mecânico sujeito a estresse cíclico apresenta um tempo até a falha 1887,69
2583,99
normalmente distribuído. Foi retirada uma amostra de 32 componentes c/ seus 1750,97
respectivos ciclos até a falha. O fabricante garante a troca do componente, caso 2051,95
2049,81
apresente ciclos iguais ou inferiores a 1.580. Considerando um nível de confiança de 2118,98
95%, o que podemos afirmar em relação à quantidade de ciclos considerada na 2047,66
2601,41
garantia? 2017,63
2426,68
Neste caso, temos a seguinte situação 1761,60
1694,47
1976,15
Tamanho Amostra σ s 1831,24
1671,33
n ≥ 30 X ± Zσx X ± Zσx 1900,49
1832,49
2020,63
n <30 X ± Zσx X ± tσx 338,2 2245,56
2051,87
2601,41
2309,89
1982,83
2051,95
1755,62
2136,95
1701,97
2051,95
1970,45
2090,72
986,44
1280,48
4. Intervalos de Confiança
O que podemos
concluir?
__________________
__________________
__________________
__________________
__________________
__________________
__________________
__________________
12,5
10,0
Frequency
7,5
5,0
_
2,5 X
0,0 _
X
É de grande interesse das indústrias conhecer e controlar a vida útil de seus processos,
equipamentos e periféricos, com foco no aumento da disponibilidade, produtividade, qualidade
e segurança.
Deve-se garantir que os equipamentos exercerão suas funções com a menor qtde de falhas
possível.
Na Análise de Dados de Vida ou Análise dos Tempos de Falha, aspecto particular da análise
de confiabilidade, tudo é baseado em estimativas; o valor real da confiabilidade de um
produto nunca será conhecido.
Os modelos são representações matemáticas que permitem interpolações e algumas
extrapolações. Estes modelos probabilísticos são baseados em distribuições estatísticas.
Função de distribuição da
probabilidade
5. Distribuições Weibull, Exponencial e Lognormal
Função de distribuição da
probabilidade
Probabilidade falha em um
determinado intervalo
5. Distribuições Weibull, Exponencial e Lognormal
Função de distribuição da
probabilidade
4) A função de taxa de falha h(t) é definido como o limite da taxa de falha quando Δt se
aproxima de zero. Representa a taxa instantânea de falha obtida como:
A função taxa de falha h(t) é a probabilidade condicional de falha no intervalo de t até t + Δt,
dado que não existe falha em t. Isto pode ser expressado por :
5. Distribuições Weibull, Exponencial e Lognormal
A conhecida “Curva da Banheira” que descreve a ocorrência de falhas que se iniciam com
um alto índice de falha, seguidas de desgaste por uso (falhas precoces seguidas de falhas
por desgaste).
5. Distribuições Weibull, Exponencial e Lognormal
5. Distribuições Weibull, Exponencial e Lognormal
1 2 3
Manut. Corretiva X X X
Manut. Preventiva X X
Manut. Produtiva X X X
Manut. Preditiva X
Quais são os modelos empregados na análise dos tempos de falha / análise de vida?
Utilizando o software Minitab, encontre a distribuição que melhor se ajusta aos dados
de Tempo até a Falha da seguinte amostra de tempos até a falha
Dados TTF
8,2 3,7 15,4 9,6
14.3 32,2 10,9 7,4
28,3 0,7 14 27,5
12 22 22.7 7,1
3,2 1,6 14,9 9,2
31,3 20,3 3 43,3
17,2 14,4 35,7 0,2
49,7 2,6 10,9 273,2
0,4 11,6 11,9 273,9
2,3 8,4 14,5
12,5 5,0 8,2
5.1 Distribuições de Weibull
Função Geral
Onde:
η → Parâmetro de escala
5.1 Distribuições de Weibull
IMPORTANTE:
Alterando o valor de β, a função dens. de probabilidade toma formas de outras distribuições
β < 1, mortalidade infantil β =1, falhas aleatórias β >1, falhas por desgaste
Corresponde a η
Corresponde a t0
Clicar em “Ok”
5.1 Distribuições de Weibull
Distribution Plot
Weibull; Scale=100; Thresh=0
0,08 Shape
Corresponde a η 0,5
0,07 3,44
1
β = 20
20
0,06
0,05
β = 0,5
Density
0,04
β=1 β = 3,44
0,03 Aprox. Função Aprox. Função
exponencial Normal
0,02
0,01
0,00
0 20 40 60 80 100 120 140 160 180
X
f(t)
h (t)
• Exemplo: Um fabricante de cabos elétricos quer estimar a vida útil desses produtos. Para
isso, foi observado o tempo até a falha (em dias) de 50 circuitos. Considere que os dados
se encaixam em uma distribuição de Weibull.
30
20
________________________
10
________________________
5
________________________
________________________
3
2
1
________________________
10
Tempo até Falha
100
________________________
5.1 Distribuições de Weibull
4 5
5.1 Distribuições de Weibull
12
10
Frequency
0
0 20 40 60 80 100
Tempo até Falha
5.1 Distribuições de Weibull
1 3
4
Distribution Plot
Weibull; Shape=3,084; Scale=66,9; Thresh=0
0,020
1% dos
0,015
circuitos
falham após
Density
0,010 15,1dias
0,005
0,01
0,000
0 15,05
X
5.1 Distribuições de Weibull
Distribution Plot
Weibull; Shape=3,084; Scale=66,9; Thresh=0
0,020
0,015
20% dos circuitos
falham após
Density
41,13 dias
0,010
0,005 0,2
0,000
0 41,13
X
5.1 Distribuições de Weibull
• Na próxima aula, veremos que podemos empregar o Minitab para obter todas as funções
relacionadas à confiabilidade.
P er cent
0,010
P DF
IQ R 29,7066
F ailure 52
10
0,005 C ensor 0
A D* 0,848
0,000 1
30 60 90 120 20 50 100
T empo até Falha T empo até Falha
0,08
Rate
50
0,04
0 0,00
30 60 90 120 30 60 90 120
T empo até Falha T empo até Falha
5.2 Distribuição Exponencial
• Caracteriza a porção central da Curva de Banheira. Essa fase corresponde à vida útil do
produto e é conhecida como parte de "falha intrínseca" da curva.
• Não tem memória: a vida restante de um componente independe de sua idade atual. Um
sistema sujeito a desgaste que aumenta a probabilidade de falhas na parte final da vida não é
sem memória. Essa distribuição deve ser usada qdo a taxa de falha é constante durante toda a
vida do produto.
2 Corresponde a λ
Corresponde a t0
Clicar em “Ok”
5.2 Distribuição Exponencial
• Distribuição simples com apenas um parâmetro usada para modelar dados de confiabilidade. É
um caso especial da distribuição de Weibull com ß = 1.
• Bom modelo p/ a fase da vida de um item qdo a probabilidade de falha é sempre a mesma
independentemente de ser novo, ter um ano ou vários anos de idade.
• Em outras palavras, a fase antes que o item comece a envelhecer e se desgastar durante sua
aplicação esperada.
• Usada frequentemente para modelar componentes eletrônicos que geralmente não sofrem
desgaste até muito tempo depois da vida esperada do produto no qual estão instalados (ex:
diodos, transistores, resistores e capacitores).
Função Geral
Onde:
Distribution Plot
Exponential; Thresh=0
Scale
10000
0,0003
0,0002
0,0001
8000 λ = 0,0001
6000
Density
λ = 0,0002
4000
2000 λ = 0,0003
0
0,0000 0,0002 0,0004 0,0006 0,0008 0,0010 0,0012 0,0014
X
5.2 Distribuição Exponencial
R
f(t
(t)
)
5.3 Distribuição LogNormal
Onde:
σ →Parâmetro de escala
5.3 Distribuição LogNormal
2 Corresponde a µ
Corresponde a σ
Corresponde a t0
Clicar em “Ok”
5.3 Distribuição LogNormal
Distribution Plot
Lognormal; Loc=3; Thresh=0
0,05 Scale
σ = 1,5
0,5
1
1,5
0,04
σ = 0,5
0,03
Density
0,02 σ = 1,0
0,01
0,00
0 25 50 75 100
X
5.3 Distribuição LogNormal
1 2 3
f R h
(t) (t) (t)