EM074 Apostila PDF

UNIVERSIDADE ESTADUAL DE CAMPINAS
FACULDADE DE ENGENHARIA MECNICA

DEPARTAMENTO DE PROJETO MECNICO
Disciplina: IM 461

Autora: Profa. Dra. Katia Lucchesi Cavalca
Reviso: Zilda de Castro Silveira

Campinas, novembro de 2000.

CONFIABILIDADE EM
ENGENHARIA

IM 461 Confiabilidade de Sistemas

Profa. Dra. Katia Lucchesi Cavalca Departamento de Projeto Mecnico - FEM - UNICAMP

2
SUMRIO

1. INTRODUO.........................................................................................................................4
2. PERSPECTIVA HISTRICA.................................................................................................6
3. CONFIABILIDADE E QUALIDADE....................................................................................7
3.1 ALGUMAS DEFINIES IMPORTANTES.....................................................................................8
4. PROBABILIDADES E VARIVEIS ALEATRIAS ........................................................11
4.1. MEDIDAS DE CONFIABILIDADE ................................................................................................11
4.2. VARIVEIS ALEATRIAS ..........................................................................................................12
4.2.1. Variveis aleatrias discretas. ........................................................................................14
4.2.2 Variveis aleatrias contnuas........................................................................................15
4.3. RANK MEDIANO E MTODO DAS PROPORES ........................................................................16
4.3.1. Mtodo do Rank Mediano para Curva de Mortalidade..................................................16
4.3.2. Mtodo das Propores para Curva de Mortalidade .....................................................19
5. FUNO TAXA DE FALHAS..............................................................................................20
6. TEOREMAS DE PROBABILIDADES.................................................................................22
6.1. TEOREMA DE BAYES ................................................................................................................25
6.2. PERMUTAES E COMBINAES..............................................................................................27
6.2.1. Teorema Binomial...........................................................................................................28
7. MODELOS DE FALHAS CATASTRFICAS E FUNES CONFIABILIDADE .......29
7.1 RELAO ENTRE AS DIFERENTES FUNES EM CONFIABILIDADE...........................................30
7.2. RELAES ENTRE AS DIFERENTES FUNES DE CONFIABILIDADE ............................................32
7.3. TEMPO MDIO AT FALHA (MTTF) ..........................................................................................32
8. DISTRIBUIES ESTATSTICAS E SUAS APLICAES EM CONFIABILIDADE.....34
8.1. A DISTRIBUIO BINOMIAL.....................................................................................................35
8.2. A DISTRIBUIO DE POISSON...................................................................................................38
8.3. A DISTRIBUIO EXPONENCIAL...............................................................................................40
8.4. A DISTRIBUIO RETANGULAR ...............................................................................................42
8.5. A DISTRIBUIO DE RAYLEIGH................................................................................................43
8.6. A DISTRIBUIO NORMAL.......................................................................................................45
8.7. A DISTRIBUIO DE WEIBULL .................................................................................................48
8.7.1. Determinao dos parmetros de Weibull......................................................................49
8.8. DISTRIBUIO GAMMA...........................................................................................................51
8.9. A DISTRIBUIO LOGNORMAL ................................................................................................53
8.10. DISTRIBUIO BETA..............................................................................................................55
8.11. DISTRIBUIES COM VALORES EXTREMOS............................................................................57
9. MODELAGEM DA REGIO DE DESGASTE........................................................................60
9.1. PROBABILIDADE DE FALHA POSTERIOR A UM TEMPO DE VIDA................................................60
10. CONFIABILIDADE E MANUTENO.................................................................................64
10.1. MODELO DE CONFIABILIDADE COM MANUTENO PREVENTIVA ..........................................64
10.2. MODELO DE CONFIABILIDADE COM REPARO IDEAL...............................................................65
10.3. REPARO IDEAL E MANUTENO PREVENTIVA .......................................................................67
11. ASPECTOS COMBINATRIOS DE CONFIABILIDADE DE SISTEMAS ......................69
11.1. ESTRUTURA EM SRIE............................................................................................................69
11.2. ESTRUTURA EM PARALELO....................................................................................................70
11.3. ESTRUTURA R-EM-N...............................................................................................................70
11.4. ESTRUTURA DELTA-ESTRELA................................................................................................71



3
11.5. REDUNDNCIA TRI-MODULAR...............................................................................................72
11.6. REDUNDNCIA STAND-BY.......................................................................................................73
12. TCNICAS GERAIS PARA ESTIMATIVA DA CONFIABILIDADE DE SISTEMAS
COMPLEXOS NO-CONVENCIONAIS.....................................................................................75
12.1. INSPEO...............................................................................................................................75
12.2. MTODO ESPAO-EVENTO ....................................................................................................76
12.3. CAMINHO DO SUCESSO ..........................................................................................................77
12.4. DECOMPOSIO.....................................................................................................................77
12.5. GRUPO MNIMO DE CORTE.....................................................................................................80
12.6. GRUPO MNIMO DE LIGAO.................................................................................................81
12.7. MATRIZ DE CONEXO............................................................................................................82
12.8. RVORE DE EVENTOS ............................................................................................................84
12.9. RVORE DE FALHAS ..............................................................................................................85
13. CONFIABILIDADE E ECONOMIA.......................................................................................90
13.1. INTRODUO .........................................................................................................................90
13.2. A ECONOMIA DA REDUNDNCIA.............................................................................................90
13.2.1.Estimativa de custo para redundncia de sistemas .......................................................91
13.2.2. Estimativa de custo para redundncia de unidades......................................................91
13.2.3. Minimizao de custos para redundncia de unidades ................................................92
13.2. ANLISE DE DISPONIBILIDADE...............................................................................................94
14. ACEITAO E REJEIO DE AMOSTRAS ......................................................................97
7.2 NVEL DE CONFIANA...........................................................................................................98
15. ENSAIOS ACELERADOS......................................................................................................103
15.1. ACELERAO REAL .............................................................................................................103
15.2. CONSIDERAES SOBRE AS FUNES DE CONFIABILIDADE .................................................104
15.3. ACELERAO FSICA E DISTRIBUIO DE FALHA ................................................................105
15.3.1. Distribuio Exponencial............................................................................................105
15.3.2. Distribuio de Weibull ..............................................................................................105
15.3.3. Distribuio Log-normal ............................................................................................106
15.3.4. Distribuio Gamma...................................................................................................107
15.4. MODELOS DE ACELERAO.................................................................................................108
15.4.1. Modelo de Arrhenius...................................................................................................108
15.4.2. Modelo de Eyring........................................................................................................109
16. REFERNCIAS BIBLIOGRFICAS....................................................................................110



4
1. INTRODUO

Devido ao elevado padro da tecnologia atual, medidas que assegurem um
bom desempenho de componentes e sistemas, bem como sua otimizao, so
consideraes indispensveis na concepo e no desenvolvimento de projetos de
mquinas e sistemas.
Dentro deste contexto, o conceito de confiabilidade tem grande importncia,
uma vez, que a capacidade de um item desempenhar uma funo especificada, sob
condies e intervalos de tempo pr-determinados. Portanto, o conceito de
confiabilidade caminha ao encontro da otimizao do desempenho de componentes
e sistemas, encaixando-se perfeitamente no conceito geral de qualidade.
A noo de confiabilidade utilizada, mesmo sem o conhecimento tcnico,
no cotidiano de cada pessoa desde o incio da civilizao, gerando tcnicas de
adequao dos produtos disponveis no mercado s necessidades do pblico
consumidor. Em um sentido mais amplo, trata-se de uma medida de desempenho.
Por exemplo, espera-se que uma pessoa confivel seja determinada, sincera
e consistente em seus atos e opinies. Entretanto, muito difcil traar uma linha de
demarcao que separe pessoas confiveis de pessoas no-confiveis. E ainda mais
difcil analisar dois indivduos e concluir qual deles mais confivel.
O grau de interesse e o nvel de confiabilidade a ser alcanado, quando
aplicada para quantificar a performance de sistemas, esto estreitamente ligados s
eventuais conseqncias que um comportamento no confivel pode causar. A
implementao de critrios de confiabilidade certamente encarecem o objeto de
estudo, porm, estes mesmos critrios normalmente salvam no s o dinheiro, mas
tambm vidas.
A pergunta correta a ser feita durante o projeto : "Este projeto
suficientemente confivel ?". A resposta desta questo requer, obviamente, uma
quantificao da confiabilidade, alcanada atravs de teorias de probabilidades e
estatstica.
A relao entre confiabilidade ou taxa de falhas, custos de manuteno e
operao, e custos de produo e/ou aquisio, bem como custo total,
esquematizada na Figura 1.1.
O ambiente da confiabilidade vasto, e suas aplicaes se estendem sobre
todas as reas da cincia e da engenharia.
Associados ao conceito de confiabilidade, esto os conceitos de
mantenabilidade e disponibilidade, ou seja, a conservao da qualidade no
desempenho por meio de interferncias tcnicas apropriadas, bem como a previso
da vida til de operao do item em questo.
Todos os sistemas de engenharia, do mais simples ao mais complexo, podem
obter benefcios atravs da integrao dos conceitos de estimativa da confiabilidade
desde o seu planejamento, at o projeto e a fase operacional.
O desenvolvimento tecnolgico produz dispositivos cada vez mais
complexos e de elevado custo de produo e, conseqentemente, ainda mais
dispendiosos se eventualmente falharem, no operando como projetados. Uma
estimativa da performance utilizando tcnicas de anlise de confiabilidade vem
assumido importncia cada vez mais crescente em projetos de engenharia bem
sucedidos.



5
A nfase dedicada a qualidade e a confiabilidade de produtos, especialmente
no setor da alta tecnologia, refora ainda mais a necessidade do estudo, da
quantificao, da inovao, e do projeto para garantir a confiabilidade de sistemas
em engenharia.
O projeto de um produto ou
componente com vida permanente
impossvel e inconveniente sob vrios
aspectos econmicos, por exemplo, o
da obsolescncia com o passar do
tempo, devido ao contnuo e crescente
desenvolvimento tecnolgico.
A preocupao constante com
as falhas de um determinado item ou
sistema se reflete diretamente nas suas
respectivas fases de concepo, projeto
e produo, visando adequar sua vida
til s aspiraes do pblico alvo em
questo, bem como do fabricante
dentro do mercado concorrente.

FIGURA 1.1 - RELAO ENTRE
CONFIABILIDADE E CUSTOS GERAIS.

Este jogo de interesses relaciona uma certa durabilidade e funcionalidade
dentro de certos parmetros de qualidade, permite uma recolocao em servio ou
uma substituio do produto aps um certo tempo de operao, bem como
estabelece critrios de fornecimento, ou ainda, assistncia tcnica, que por sua vez
mantm os nveis de produo e faturamento.
Dentro deste ciclo, procura-se estabelecer normas e definies tcnicas e
matemticas para os conceitos de confiabilidade, mantenabilidade e
disponibilidade, de maneira a integrar estes parmetros como parte fundamental no
projeto de sistemas mecnicos.
A vida til est diretamente ligada a taxa de falhas de um componente ou
sistema. Assim, as condies para o levantamento da taxa de falhas para um item
qualquer exige a aplicao de procedimentos normalizados, ou seja, testes de falhas
padronizados para os diversos casos possveis de serem analisados.
Uma vez obtida a curva de mortalidade, procede-se com a anlise do ponto
de vista da funo densidade de probabilidade de falha, do tempo mdio at ou
entre falhas, e dos parmetros estatsticos da equao de Weibull, amplamente
utilizada na representao matemtica dos processos de falhas.

Confiabilidade
Custo
Custo total
Custo de
Produo e
Aquisio
Custo de
operao e
manuteno



6
2. PERSPECTIVA HISTRICA

Aps a 1a. Guerra Mundial, durante a expanso da indstria aeronutica,
foram pela primeira vez introduzidos e utilizados os conceitos de confiabilidade.
Inicialmente, tudo era qualitativo. Com o aumento do nmero de motores
aeronuticos em 1930, a confiabilidade foi lentamente sendo quantificada atravs da
taxa mdia de falha e do nmero mdio de falhas em aeroplanos ou dirigveis. Em
1940, as exigncias para os motores aeronuticos passaram a ser descritas em
termos de taxas de acidentes (1 por milho de horas de vo).
Na Alemanha, o desenvolvimento dos msseis V-1 e V-2 muito contriburam
na aplicao dos conceitos de confiabilidade. Durante seus desenvolvimento e
testes, observou-se que um grande nmero em srie de inter-conexes muito fortes
pode ser menos confivel que uma simples conexo se uma confiana associada a
todas elas.
A no disponibilidade de equipamentos eletrnicos durante a guerra da
Coria desencadeou o interesse militar dos Estados Unidos na confiabilidade. A
relao entre os requisitos de confiabilidade, custo, e manuteno tornaram-se
extremamente importantes, de tal modo que os contratos militares comearam a
conter clusulas envolvendo bnus ou penalidades associados ao grau de
confiabilidade verificado durante a srie de testes.
Com o desenvolvimento da indstria nuclear na dcada 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 perodo, os
fundamentos da teoria da confiabilidade foram ento, bem trabalhados e estudados,
e a tecnologia da confiabilidade foi sendo aplicada em desenvolvimentos da poca,
incluindo misses espaciais, reconhecimento, sistemas de energia eltrica,
computadores, softwares complexos, usinas de processamento qumico e hardware
de aplicao militar.
O grande blackout de 1965 nos Estados Unidos, resultou num forte impulso
aplicao mais sria dos conceitos de confiabilidade no projeto e na expanso dos
sistemas de energia eltrica.
Exemplos de sistemas de alta confiabilidade esto a nossa volta, desde
sistemas aeronuticos, estaes de gerao de energia eltrica, usinas qumicas; at
sistemas de telecomunicaes, computadores e network.



7
3. CONFIABILIDADE E QUALIDADE

Define-se confiabilidade como a probabilidade de um dispositivo
desempenhar suas funes adequadamente, por um determinado perodo de tempo,
sob condies de operao estabelecidas.
Os quatro elementos bsicos da definio de confiabilidade so:

Probabilidade - associada a conceitos estatsticos.
Desempenho - associado a um padro, cujas variaes de valores em torno do
mesmo so designadas tolerncias que, por sua vez, definem as especificaes
em engenharia.
Tempo esperado - pode ser entendido, associado a medies amostrais, como
tempo total de teste ou perodo de teste, tempo mdio de teste ou tempo mdio
de reparo; ou ainda, associado a restries ou posies gerenciais, como tempo
permitido de repouso ou tempo permitido de operao.
Condies de operao - associadas a condies de carga, capacidade, ou
mesmo condies ambientais que, eventualmente, possam influenciar os
resultados.
Assim sendo, o enunciado completo para confiabilidade de um item ser: o
componente opera com 95% de confiabilidade, a 90% de sua capacidade de carga,
durante 100 hs, a temperatura ambiente e nvel 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 esto associados a uma medida de desempenho
operacional temporal, enquanto que os defeitos de qualidade relacionam-se ao grau
de conformidade do item com especificaes e padres prticos, no incluindo uma
referencia temporal. Neste ltimo caso, existem trs categorias principais de
defeitos de qualidade: o defeito crtico, 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 no 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 funo requerida, que
podem ser catastrficas ou aleatrias (quebras), ou ainda por desgaste, cuja
propagao lenta pode fornecer uma indicao previa da iminncia da falha.
A qualidade total do produto relaciona vrios parmetros no aspecto
qualitativo, que garantem um resultado final amplamente satisfatrio.
A qualidade operacional de um item (componente ou sistema) um dos
parmetros fundamentais, em se tratando de qualidade total em engenharia, estando
fortemente associada ao conceito de vida til do mesmo, ou ainda, sua qualidade
temporal.
Parmetros operacionais fracos comprometem a durabilidade do item em
questo, provocando significativas e excessivas falhas de incio de operao, tempo
para reparos prolongados, custos de manuteno excessivos, comprometimento da
segurana de operao, reduo no tempo de uso efetivo, etc.



8
Por sua vez, a definio de qualidade temporal engloba atributos
mensurveis como: probabilidade de sobrevivncia (confiabilidade) ou mortalidade
de um item, probabilidade de recolocao ou reparo (mantenabilidade),
probabilidade de uso efetivo (disponibilidade).
A principal caracterstica da Qualidade Temporal de um item (componente,
sistema ou produto) a sua Disponibilidade, que se traduz em tempo real de
funcionamento ou utilizao, descontadas eventuais paradas por quebra ou
manuteno.
Uma correta avaliao da qualidade temporal de um item envolve os
seguintes aspectos:
Para o conceito de probabilidade deve-se associar um nvel de
segurana.
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).
Condies operacionais relacionadas ao ambiente (temperatura,
vibrao), a utilizao (sobrecargas) e a manuteno (tipo, mtodo)
devem ser observadas.
3.1 Algumas Definies Importantes
Visando introduzir um pouco mais o leitor no campo da confiabilidade em
engenharia, pode ser de grande ajuda percorrer as definies seguintes antes de um
maior aprofundamento nos conceitos e mtodos a serem utilizados.

Amostragem: deve ser aleatria e homognea, sendo representativa do
universo de provenincia. Amostragem aleatria significa que cada item,
pertencente a populao analisada, apresenta igual chance de ser selecionado para a
amostragem. Homogeneidade significa que todos os grupos presentes no universo
so representados na amostra, mantendo as mesmas propores em que ocorrem de
fato. A necessidade de se trabalhar com amostras se traduz em trs itens principais:
a inviabilidade de realizar 100% de inspeo, alto custo envolvido, tipos de ensaios
destrutivos, risco de vida durante a inspeo de produtos de alta periculosidade,
para um menor numero de inspees obtm-se uma maior preciso dos valores
medidos.
Aceitao de amostragem: 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 aceitao so empregados quando o
nmero de itens demasiadamente elevado para serem individualmente testados, ou
ainda, se os testes empregados so de alto custo ou destrutivos.
Falha Catastrfica: esta componente surge quando ocorrem salto do nvel
de desempenho para um limite extremo no qual o item torna-se fora de uso. Falhas
catastrficas significam que um item no pode ser reparado, ou ainda, que um
reparo desde item no mais resultaria em sucesso da misso final envolvendo o
componente.
Modo-comum de falha: a falha simultnea ou sada de operao de vrias
unidades devido a uma causa comum como incndios, enchentes, etc.



9
Mortalidade de juventude: So as falhas de incio de operao de um
sistema ou componente. Tais falhas diminuem com o passar do tempo, devido a
localizao e soluo de problemas associados a implementao e
operacionalizao do item.
Vida til: uma componente referente parte da vida do objeto de anlise
que se estende entre a fase das falhas de juventude e das falhas de velhice.
Normalmente, durante a vida til, as falhas so aleatrias e as taxas de falha so
aproximadamente constantes.
Falhas de velhice: so falhas que ocorrem devido ao desgaste provocado
pelo uso do equipamento ou componente, aps o final do perodo de vida til do
mesmo.
Funo taxa de acidentes (t): exibe os diferentes ciclos de vida de um
componente clara e distintamente.
Curva da banheira: a forma tpica da plotagem funo taxa de falha x
tempo de vida (horas, ciclos, quilmetros, etc.). Esta taxa decresce no incio da
operao, sendo tais falhas conhecidas como falhas de juventude (problemas na
instalao e operacionalizao de equipamentos novos). Durante o tempo de vida
til do equipamento, a taxa de falhas permanece aproximadamente constante,
tornando a crescer rapidamente no final da vida til, onde ocorrem as falhas por
velhice do equipamento devido a quebras ou desgaste.
Confiabilidade R(t): a probabilidade de um sistema operar com sucesso
num intervalo de tempo entre 0 e t. O sucesso da operao definido como o
desempenho do sistema na funo pretendida, num determinado intervalo de tempo,
sob certas condies estabelecidas.
Por exemplo, em sistemas no-reparveis, como uma pilha eltrica no
recarregvel, a disponibilidade D(t) corresponde quantitativamente a confiabilidade
R(t), pois no existe manuteno, mas apenas uma substituio. Se esta pilha atua
como fonte de energia de um sistema como um brinquedo, a manuteno do mesmo
envolve inclusive a troca de pilha. Desta forma, a disponibilidade deste sistema ser
a resultante da sua confiabilidade e dos critrios de mantenabilidade adotados,
ento, R(t) < D(t).
Disponibilidade: a probabilidade de um sistema estar operando com
sucesso num determinado tempo t. O regime estacionrio da disponibilidade de um
sistema dado por: D =lim D(t).
t
Componentes Binrios: ocorrem quando existem somente duas situaes
possveis, a saber, sucesso ou fracasso.
Mantenabilidade M(t): a capacidade de manter ou recolocar um
componente ou uma unidade num estado que permita seu bom desempenho sob
certas condies de uso para as quais esto designados. A manuteno envolvida
deve, ento, respeitar determinadas condies, utilizando procedimentos e recursos
especificados.
Manuteno corretiva: envolve uma ao no sentido de restaurar um item
logo aps uma falha, para uma condio especificada.
Manuteno preventiva: envolve uma ao peridica no sentido de manter
um item operando numa condio especificada. Tais aes envolvem inspees
sistemticas, diagnose e deteco de problemas, bem como preveno de falhas
apenas no incio de formao.



10
Tempo mdio entre falhas (MTBF): o valor mdio ou esperado de uma
varivel aleatria chamada tempo entre falhas. Se o tempo de reparo muito curto
comparado ao valor do tempo entre falhas, este ltimo estar muito prximo ao
valor do tempo mdio entre falhas. Caso contrrio, o tempo mdio entre falhas ser
a soma do tempo mdio at falhas e o tempo mdio de reparo.
Tempo mdio at falhas (MTTF): o valor mdio ou esperado de uma
varivel aleatria chamada tempo at falhas.
Tempo mdio at reparo (MTTR): o valor mdio ou esperado de uma
varivel aleatria chamada tempo at reparo.
Estrutura em srie: descreve um sistema cujo sucesso depende do sucesso
de todos os seus componentes. Tais elementos no devem estar necessariamente em
srie fsica ou topologicamente. Este sistema tambm conhecido como sistema
no redundante.
Estrutura Paralela: descreve um sistema que pode operar com sucesso
quando pelo menos um dos componentes atua com sucesso. Tambm conhecido
como sistema redundante.
Sistema r-em-n: consiste em n componentes independentes idnticos, dos
quais pelo menos r < n destes componentes devem operar com sucesso para que o
sistema desempenhe com sucesso. Tais sistemas so tambm conhecidos como
parcialmente redundantes. Para r = 1, tornam-se redundantes e, para r = n, tornam-
se sistemas em srie.
Redundncia ativa: quando todos os componentes do sistema esto
operando ou aquecidos por todo tempo, de modo a poder entrar em servio quando
necessrio. Por exemplo, duas bombas atuando a meia potncia: quando uma falha a
outra assume imediatamente a carga total, mantendo o sistema em funcionamento.
Redundncia passiva (stand-by): ocorre quando a redundncia do sistema
no opera at a falha da unidade principal, resultando em seu conseqente
acionamento.
Componentes ternrios: podem existir em trs estados dos quais um deles
o sucesso. Os demais correspondem a dois modos de falha, a saber, falha de
abertura e falha sbita. Diodos e vlvulas hidrulicas so exemplos de componentes
ternrios.
Preciso Estatstica: e importante enfatizar a importncia de se trabalhar
com preciso de quatro casas decimais, em se tratando de grandezas estatsticas. Por
exemplo, dois processos de fabricao, de um mesmo produto, apresentam dois
diferentes nveis de confiabilidade: R
1
= 0.9900 e R
2
= 0.9947. Tais valores podem
parecer prximos, 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, ser:

NF
1
= 10000 - 9900 = 100 falhas.
NF
1
= 10000 - 9947 = 53 falhas.

Ou seja, os nveis de confiabilidade, aparentemente prximos, fazem com
que o primeiro processo gere quase o dobro de falhas em relao ao segundo.



11
4. PROBABILIDADES E VARIVEIS ALEATRIAS
4.1. Medidas de Confiabilidade
As principais so taxa de falhas, vida mdia, e probabilidade de
sobrevivncia.
Taxa de falhas representa o nmero de falhas por unidade de tempo, sendo
expresso como:

=
f
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 mdia pode estar associada populao (m), a mdia amostral ( m),
ao tempo mdio entre falhas MTBF (com reparo), ou ainda, ao tempo mdio at a
falha MTTF (unidades sem reparo). No caso de mdia amostral, tem-se:

m
t
f
= =
1

(4.2)

A probabilidade de sobrevivncia corresponde a prpria probabilidade de
no ocorrncia de falhas, ou ainda, a confiabilidade, podendo ser representada por
Ps, P, Rs, ou R.

Clculo do tempo total de teste de uma amostra:
Para uma amostra de tamanho n, sendo f o numero de falhas e t
f
, o tempo de
cada falha, podem ocorrer quatro situaes distintas:
Teste com tempo limitado, cujas falhas so reparadas e recolocadas
em teste:
t n t =
.
(4.3)

Teste com tempo limitado, no qual as falhas no so recuperadas,
porm os tempos de falhas so registrados:
( ) t t n f t
f
= +

(4.4)



12
Teste com tempo limitado, onde as falhas no so recuperadas, e os
tempos de falha no so registrados:
Deve-se assumir que cada unidade falha exatamente na metade do teste.
( ) t
f t
n f t = +
.
2

(4.5)

Teste de falha sem censura, onde todas as unidades so testadas ate
falhar:
t t
f
=

(4.6)
4.2. Variveis aleatrias
O interesse no estudo de incertezas e fenmenos aleatrios vem crescendo
juntamente com o aumento na demanda sobre ao desempenho do sistema. Este
crescimento tem conduzido disciplinas de diversas reas ao uso da probabilidade e
da estatstica na quantificao e interpretao de eventos e resultados.
comum defrontar-se em engenharia com problemas envolvendo histricos
ou grupos de dados acumulados relativos a fenmenos aleatrios, como a
ocorrncia de falhas, por exemplo. Tais fenmenos apresentam, contudo, uma certa
regularidade estatstica e, portanto, se adequam aos estatsticos.
Se um evento A ocorre N
a
vezes em n triagens, a freqncia relativa p(A)
dada por: p(A) = N
a
/ n. A probabilidade de ocorrncia do evento A , ento:
(4.7)
Assim sendo, quando n torna-se suficientemente grande, p(A) se aproxima
de P(A). Portanto, a probabilidade relativa ao fenmeno fsico em termos
imprecisos. Entretanto, a teoria da probabilidade uma disciplina exata
desenvolvida logicamente e com bases claramente definidas.
A estatstica procede com o agrupamento e processamento de dados
probabilsticos, realizando previses fsicas baseadas nos mesmos. Assim, a
estatstica 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 fsico.
A freqncia de ocorrncia pode ser graficamente representada de trs
maneiras:

|
\
|
=

n
N
A P
a
n
lim ) (



13

c. Curva de distribuio de freqncia.

FIGURA 4.1(a) (b) (c) - REPRESENTAO DA FREQNCIA DE OCORRNCIA.

Considera-se um experimento cujas sadas so definidas e agrupadas num
conjunto denominado espao amostral. dependendo do experimento, pode-se
designar um valor de probabilidade associado a cada uma das sadas. Em seguida,
para todo elemento do espao amostral ou para cada sada, pode-se designar um
nmero real especfico. Estas designaes podem ser consideradas como um
mapeamento de todo elemento do espao amostral no eixo real. Tal mapeamento
denominado varivel aleatria.
Portanto, a varivel aleatria uma funo cujo domnio o espao
amostral e o campo um conjunto de nmeros reais. Por exemplo: o tempo
necessrio para reparar um componente, a velocidade do vento em metros por
segundo, a voltagem de uma fonte aleatria, o comprimento de uma parte
manufaturada, etc.
As variveis aleatrias podem ser discretas (quando assumem apenas um
valor dentro de um conjunto discreto de valores) ou contnuas (quando podem
assumir um nmero infinito de valores).
Exemplos de variveis aleatrias discretas: giro de uma moeda ou de vrias,
cor de uma bola retirada de um conjunto de bolas coloridas.
Valor medido
Freqncia
Valor medido
Valor medido
Freqncia Freqncia
a. Histograma ou diagrama de barras.
b. Polgono de frequncias.



14
Exemplos de variveis aleatrias contnuas: comprimento de uma pea
manufaturada, tempo de falha de um componente, tempo de reparo, durao de
uma tempestade, etc.
Funes densidade de probabilidade ou distribuio cumulativa so
utilizadas na descrio de modelos de variveis aleatrias. A funo densidade (f) e
a funo distribuio (F) constituem um par integro-diferencial e necessrio
apenas uma delas para que se possa facilmente obter a outra.

4.2.1. Variveis aleatrias discretas.
No caso finito, a varivel X assume certos valores discretos x
1
, x
2
, x
3
...x
n
.
A funo densidade de probabilidade f(x) definida como:

f ( x
i
) = P( X = x
i
) = P( x
i
)
(4.8)
Desde que o espao amostral seja constitudo somente por elementos x
1
at
x
n
:

f(x)
X
x1 x2 x3 x
n-1
x
n

( )
( ) ( ) P S f x P x
i
i
i
i
= = =

1
(4.9)
A funo distribuio cumulativa F(x) definida como:

F( x
i
) = P( X x
i
)
(4.10)



15
F(x)
1.0
X
x1 x2 x3 x
n-1
x
n

4.2.2 Variveis aleatrias contnuas.
Se a varivel aleatria X pode assumir qualquer valor dentro de um nmero
infinito de valores, a funo distribuio cumulativa F(x) definida como:

F ( x ) = P ( X x )
(4.11)

( )
( )
lim
lim
F x
F x
x
x
=
=
1
0
(4.12)

A funo densidade de probabilidade vlida fisicamente desde que
integrada dentro de um intervalo limitado [a,b]:

( )
( )
f x
dF x
dx
=
(4.13)

( ) ( ) ( ) ( ) P a X b f x dx F b F a
a
b
= =

(4.14)



16
f(x)

4.3. Rank Mediano e Mtodo das Propores
Uma grande limitao para aplicao de critrios de confiabilidade em
projeto mecnico a dimenso das amostras, bem como os tempos de teste
disponveis para estudos. Assim sendo, no campo da engenharia mecnica, tais
amostragens sero normalmente de pequeno tamanho e, mesmo assim, nem sempre
todas as unidades so testadas ate a falha.
Torna-se, portanto, de fundamental importncia adequar os tipos de testes
aplicados, bem como o tratamento estatstico dos dados, a esta caracterstica do
nosso espao amostral.
Alm disso, quando no caso em estudo deve-se testar todas as partes
envolvidas at falha, o melhor mtodo para obteno das curvas de distribuio de
falhas o mtodo Rank.

4.3.1. Mtodo do Rank Mediano para Curva de Mortalidade

O princpio do mtodo Ranking descrito na Figura 4.2.

x
F(x)
1.0
x



17
Tempo de falha
mdia
50%
testes de falha para
amostras de 3 tens
Proporo da amostra
1a. falha
3a. falha 2a. falha
distribuio geral
33%

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

Na figura 4.2 foram realizados testes simultneos em trs amostras
distintas. Temos as distribuies para as trs amostras de trs elementos, cada uma
com seu tempo mdio de falha. Porem, conforme indicado, as trs primeiras falhas
no ocorrem na primeira amostra, como sugerem as distribuies parciais. O
principio da categoria mediana trabalha com o conceito de ordem de ocorrncia de
falhas, independentemente de sua provenincia amostral, conforme o diagrama
nico, englobando as trs curvas parciais.
De acordo com o mtodo Ranking, tambm conhecido como categoria
mediana, temos as distribuies originais para a primeira, a segunda e a terceira
falhas. A melhor estimativa para o tempo de falha o tempo mdio de vida.
Portanto, tomando os testes das trs partes, estabelecemos uma ordem de ocorrncia
das falhas conhecida como nmero de ordem rank ou rank mediano.

r
j
n
j
=

+
0 3
0 4
.
.

(4.15)

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



18
Por exemplo, na tabela 4.1, temos a estimativa da porcentagem acumulada
de falhas, associada aos respectivos tempos de falhas, pelo mtodo rank:

Tempo de
vida ate
falha
(horas)
Numero de
falhas
Numero de
elementos
testados
Numero de falhas
esperadas para a
amostra inicial
Numero
de ordem
Rank
Curva de
mortalidade
em valores
percentuais
141 1 202 1

1.0 0.346
337 1 177
1
202 1
177
1135

= .

2.135 0.907
364 1 176
1
202 213
176
1135

=
.
.

3.270 1.467
542 1 165
1
202 326
165
120

=
.
.

4.470 2.060
716 1 156
1
202 4 46
156
127

=
.
.

5.740 2.638
765 1 153
1
202 573
153
128

=
.
.

7.020 3.320
940 1 144
1
202 7 01
144
135

=
.
.

8.370 3.987
986 1 143
1
202 836
143
135

=
.
.

9.720 4.654

TABELA 4.1 - CURVA DE MORTALIDADE PELO MTODO RANK.

Existem trs tipos de ensaios, para obteno dos tempos de falha e do rank
mediano, aplicados a amostras de no mnimo cinco elementos, a saber:
1) Ensaios sem censura: quando todos os itens so testados at falharem.
Neste caso, j
max
= n.
2) Ensaios uni-censurados direita: quando os itens so testados at um
tempo limite a partir do qual os ensaios so interrompidos.
Neste caso, j
max
n.
3)Ensaios com censura mltipla: quando as amostras eventualmente
suspensas durante o ensaio tambm so consideradas na anlise estatstica dos
resultados.
Neste caso, o nmero de ordem j da amostra sucessiva determinado
somando-se um incremento ao nmero de ordem da amostra anterior.
O incremento Ij dado por:
I
n no de ordem da falha anterior
n quantidade de tens anteriores
j
=
+
+
1
1
.
(4.16)
I
n N
n Q
N N I
j
j
j
j j j
=
+
+
= +
1
1
1
1
(4.17)



19

onde Nj o nmero de ordem da falha atual.

r
N
n
j
j
=

+
0 3
0 4
.
.
(4.18)

o rank mediano calculado para estas condies de teste.
4.3.2. Mtodo das Propores para Curva de Mortalidade

Este mtodo somente pode ser utilizado quando os elementos da amostra
no so todos testados at a falha. Neste caso, a porcentagem acumulada de falhas
(ou mortalidade) e a razo entre o nmero de falhas acumuladas e o nmero de
elementos da amostra n = 202.

TABELA 4.2 - CURVA DE MORTALIDADE PELO MTODO DAS PROPORES.

Tempo de
vida ate
falha
(horas)
Numero de
falhas
Numero de
elementos
testados
Numero de falhas
esperadas para a
amostra inicial
Numero
acumulado
de falhas
Curva de
mortalidade
em valores
percentuais
141 1 202 1

1.0 0.490
337 1 177
1
202 1
177
1135

= .

2.135 1.060
364 1 176
1
202 213
176
1135

=
.
.

3.270 1.620
542 1 165
1
202 326
165
120

=
.
.

4.470 2.210
716 1 156
1
202 4 46
156
127

=
.
.

5.740 2.840
765 1 153
1
202 573
153
128

=
.
.

7.020 3.470
940 1 144
1
202 7 01
144
135

=
.
.

8.370 4.140
986 1 143
1
202 836
143
135

=
.
.

9.720 4.810
00



20
5. FUNO TAXA DE FALHAS

Examinando a taxa de falhas para uma variedade de componentes num
determinado perodo de tempo, observa-se que a forma geral da funo (t) a do
perfil de uma banheira, caracterizada por trs regies distintas.
A Regio I corresponde s falhas de incio de funcionamento, que surgem
durante a instalao, montagem e operacionalizao do sistema. A Regio II
corresponde ao tempo de vida til do componente ou sistema. Durante este perodo,
as falhas so aleatrias e a taxa de falhas constante, correspondendo a uma funo
densidade f(t) exponencialmente decrescente. A Regio III corresponde 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 perodo t1, eliminando desta forma a regio I
de falhas de incio de funcionamento na operacionalizao do equipamento ou
componente ou sistema.
tambm interessante substituir o componente aps ( t1 - t2 ) horas de
operao, mesmo que no tenha falhado. Para atingir altos nveis de confiabilidade,
todos os componentes devem operar dentro de seu perodo de vida til.
Equipamentos eletrnicos apresentam um perodo de vida til muito longo
para elevados valores de intervalo (t1 - t2).
No caso de componentes mecnicos, a regio III de desgaste tende a
predominar.
Estes dois casos extremos so 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.

FIGURA 5.1 CURVA DA BANHEIRA PARA COMPONENTES ELETRNICOS.

Neste contexto, apresentam-se oito recomendaes bsicas para o projeto
em confiabilidade:
Taxa de
Falhas
()
Tempo (t)
Limite de
Projeto
t
1
t
2

Regio II
Operao ou Vida til
Regio I
Operacionalizao
Regio III
Desgaste
Produo Projeto Manuteno



21
Obter o mximo de informao da literatura especializada (livros,
tabelas, normas, etc.).
Estabelecer critrios de comparao com produtos similares do
mercado.
Realizar testes para determinao da capacidade de produtos j
existentes, para novas aplicaes; ou para os mesmos projetos de produto realizados
com novos materiais.
Aplicar tcnicas estatsticas de predio para determinar o critrio de
projeto.
Utilizar o conceito de redundncia para aumentar a confiabilidade.
Prever um programa eficiente de manuteno para garantir a
confiabilidade.
Conceber equipamentos de testes para detectar reas 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 depurao ou queima de falhas.



22
6. TEOREMAS DE PROBABILIDADES

Existem vrias aproximaes na definio e no estudo de probabilidades.
A aproximao clssica conhecida a razo entre o nmero de casos
favorveis e o nmero total de alternativas. Assumindo que os casos favorveis
eqivalem ao sucesso e os casos desfavorveis eqivalem s falhas:

P(sucesso) = nmero de sucessos
nmero total de sadas

P(falha) = nmero de falhas
nmero total de sadas

(6.1)

Se cada triagem resulta em sucesso (s) ou falha (f), pode-se obter:

( )
( )
P sucesso
s
s f
p
P falha
f
s f
q
onde p q
=
+
=
=
+
=
+ = 1
(6.2)

Esta , contudo, uma aproximao muito limitada pois, em muitos casos,
no possvel realizar a repetio do experimento. Ou ainda, se os testes podem ser
repetidos, existem muitas dvidas sobre o nmero de repeties necessrias para
representar de maneira exata a probabilidade de ocorrncia do evento.
Existem sete teoremas fundamentais de probabilidades, todos de grande
aplicabilidade em confiabilidade:

a) A probabilidade de ocorrncia de um evento encontra-se entre zero e um.
A probabilidade nula e a certeza de no ocorrncia do evento, enquanto que a
probabilidade unitria e a certeza de sucesso do evento : 0 P(A) 1.
b) A soma de probabilidades de uma situao e igual a unidade.
P(S) = 1
S o evento determinado, definido, tambm chamado conjunto universal
ou espao amostral completo.
c) Tendo presentes as definies de eventos exclusivos e eventos
independentes, pode-se definir como complementares dois eventos onde, se
um deles no ocorre, o outro acontece. O evento complementar de A
denominado A.

A + A = S AA =



23
Probabilidade de evento nulo: P() = P(S) = 0
(6.3)

Probabilidade da unio de um evento e seu complementar:
P(A + A) = P(S) = 1 P(A) = 1 - P(A)
(6.4)

A
A

d) Se o evento A e o evento B so mutuamente exclusivos, ento:
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 nmero infinito de eventos
mutuamente exclusivos A1, A2, ... .
Esta propriedade 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 raciocnio para n eventos so todos independentes, ento:
( ) ( ) ( ) ( ) ( ) ( ) P A A A A P A P A P A P A P A
n n i
i
n
1 2 3 1 2 3
1
... ... = =
=
(6.6)

f) Probabilidade de unio de eventos no-exclusivos: Nota-se facilmente que
para os conjuntos de eventos no exclusivos da figura ocorre a seguinte
unio:

( )
( ) ( ) A B AB AB BA AB AB BA AB + = + + + = + + (6.7)



24
A B
AB
AB
BA

Como os eventos AB, AB, BA so 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
P A B P A P B P AB
+ = + + +
+ = + + +
+ = +
(6.8)

Se os eventos so exclusivos, P(AB) = 0, ento:

( ) ( ) ( ) P A B P A P B + = + (6.9)

Considerando a probabilidade de unio de n eventos no-exclusivos entre
si:

( ) ( ) ( ) ( )
[ ]
( ) ( ) ( )
[ ]
( ) ( ) ( )
[ ]
( )
( )
[ ]
P A A A P A P A P A P A A P A A P A A
P A A A P A A A P A A A
P A A A
n n i j i j
i j k i j k
n
n
1 2 1 2 1 2 1 3
1 2 3 1 2 4
1
1 2
1
+ + + = + + + + + +
+ + + +
... ... ...

... ......
...
(6.10)

g) Probabilidade condicional ou dependente: A notao P(A/B) denota a
probabilidade de ocorrncia do evento A, sendo conhecida a ocorrncia 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 notao AB significa
interseo, ou seja: AB = A B.

Ento, nP(AB) = nP(B).P(A/B)

( )
( )
( )
P A B
P AB
P B
nmero de ocorrncias de AB
nmero de ocorrncias de B
/ = = (6.11)
Interseco de dois eventos: A interseco de eventos a ocorrncia
simultnea dos mesmos: P(AB) = P(A)P(B/A) = P(B)P(A/B).



25
A
B
AB

Se os eventos so exclusivos, ento 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 trs 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 A A P A
P A A A
P A
P A A
P A A
P A A A P A
P A A
P A
P A A A
P A A
1 2 3 1
1 2 3
1
1 2
1 2
1 2 3 1
1 2
1
1 2 3
1 2
=
=
(6.13)

(6.14)

( ) ( ) ( ) ( ) P A A A P A P A A P A A A
1 2 3 1 2 1 3 1 2
= / /
(6.15)

Estendendo este raciocnio para n eventos:

( ) ( ) ( ) ( ) ( ) P A A A A P A P A A P A A A P A A A A
n n n 1 2 3 1 2 1 3 1 2 1 2 1
... / / ... / ... =

(6.16)

6.1. Teorema de Bayes
Supondo que a ocorrncia de um evento A seja dependente de um nmero
de eventos Bi, mutuamente exclusivos, sabe-se que:

A = AB
1
+ AB
2
+ AB
3
+...+ Ab
n
(6.17)



26
A
B2
B3
B4
B5
B1

Desde que os eventos intersees sejam exclusivos entre si, obtm-se:

P(A) = P(AB
1
) + P(AB
2
) + P(AB
3
) +...+ P(AB
n
) (6.18)

( )
( ) ( ) ( ) P A P AB P B P A B
i
i
n
i i
i
n
= =
= =

1 1
/ (6.19)

( )
( )
( )
( ) ( )
( )
( ) ( )
( ) ( )
P B A
P AB
P A
P B P A B
P A
P B P A B
P B P A B
i
i i i i i
i i
i
n
/
/ /
/
= = =
=
1
(6.20)

Considera-se, ento, um sistema complexo cuja confiabilidade deve ser
estimada. O evento G corresponde ao bom desempenho do sistema. Os eventos A
1
,
A
2
, A
3
...A
n
, so as chamadas contingncias que devem ocorrer durante o
funcionamento do sistema.

G
A
A
A
k
k
k
G
G

( )
( ) ( )
G A G A G
P G P A G P A G
k
k
k
k
= +
= +
(6.21)
(6.22)
( )
( ) ( ) ( ) ( ) P G P A P G A P A P G A
k k
k k
= + / /
(6.23)
Se as contingncias A
1
, A
2
, A
3
...A
n
so mutuamente exclusivas, mesmo
que algumas intersees GAi sejam nulas, tem-se:



27

( ) ( ) ( )
( )
( ) ( )
( ) ( )
=
=
=
=
+ + + =
n
i
i i
i i
i
i
n
i
i
n
A G P A P
A G P A P
G A P
A G P A P G P
GA GA GA G
1
1
2 1
/
/
/
/
...

(6.24)
As propriedades bsicas e regras de probabilidades podem ser aplicadas na
soluo de uma vasta gama de problemas envolvendo a ocorrncia de eventos ou de
combinaes de eventos.

6.2. Permutaes e Combinaes
O desenvolvimento lgico das permutaes e das combinaes foi
fortemente ligado teoria da probabilidade em 1600. Tais tcnicas permitem a
contagem sistemtica do nmero de caminhos em que certos eventos podem
ocorrer, bem como a soluo de problemas estatsticos e probabilsticos.
Agrupamentos ordenados de um conjunto de objetos so denominados de
arranjos ou combinaes. Quando no considerada a ordem na qual o conjunto
agrupado, tais arranjos so denominados de permutaes. Assim, a permutao de n
objetos pode ser feita de n! maneiras diferentes:

P
n
= n! (6.25)

Existe, porm, um nmero muito maior de arranjos ou combinaes
possveis para qualquer grupo de dois ou mais objetos. O agrupamento ordenado,
denominado arranjo, de n objetos tomados em grupos de r n, dado por:

( )!
!
r n
n
A
r n
= (6.26)

Considerando-se a possibilidade de repeties, por exemplo, r
1
, r
2
,...,r
k

so semelhantes de modo que podem ser indiferentemente permutados dentro dos
vrios arranjos possveis e r
1
+ r
2
+...+ r
k
= n. Ento, r
i
objetos idnticos podem
ser agrupados de r
i
! ( i = 1, 2,...,k ) maneiras diferentes dentro do mesmo arranjo,
que passa a ser denominado de combinao.
Assim, o nmero de combinaes possveis, neste caso, ser:



28
( )
( )
( )
r C A
n
n r
C
n
r n r
n r n r
n r
!
!
!
!
! !
= =

(6.27)

6.2.1. Teorema Binomial

Se a n-sima potncia da soma ( p + q ) pode ser expressa em termos de
coeficientes binomiais, como:

( )
( )
( )
p q p np
n n
p q
n
r n r
p q q
n
n n n n r r n
+ = + +

+ +
+ +
1 2 2
1
2!
...
!
! !
...

( ) p q
n
r
p q C p q
n
r
n
n r r
n r
r
n
n r r
+ =
|
\
| =
=

0 0

(6.28)

Desde que ( p + q ) = ( q + p ), ento possvel escrever:

( ) p q C q p
n
n r
r
n
n r r
+ =
=
0

(6.29)



29
7. MODELOS DE FALHAS CATASTRFICAS E FUNES
CONFIABILIDADE

A falha de um componente considerada catastrfica se o reparo do
mesmo no for possvel, disponvel ou relevante para o funcionamento geral do
sistema. Modelos de falhas para tais componentes so tipicamente baseados em
resultados de testes de vida e dados sobre taxa de falhas resultantes da teoria de
probabilidades. Embora seja possvel, em alguns casos, desenvolver um modelo de
falhas baseado nas caractersticas fsicas da falha, tal procedimento geralmente
complexo, envolvendo uma considervel bagagem de estudos e anlises tericas e
prticas.
Supondo um conjunto de N
o
itens idnticos, os quais so colocados em
operao no tempo t = 0. Com o passar do tempo, alguns destes itens iro falhar.
Se N
s
(t) representa o nmero de sobreviventes no tempo t > 0 (tempo
normalmente descrito em horas de funcionamento), ento o nmero de componentes
que falharam no tempo t , dado por N
f
(t) :

N
f
(t) = N
o
- N
s
(t)
(7.1)

Definem-se duas funes contnuas por partes no domnio do tempo:
funo densidade dos dados de falha f
d
(t), e a funo taxa de falhas
d
(t):

( )
( ) ( )
[ ]
( ) f t
N t N t t N
t
para t t t t
d
s i s i i o
i
i i
=
+
< +

/
,

(7.2)

( )
( ) ( )
[ ]
( )
( )
d
s i s i i s i
i
i i
t
N t N t t N t
t
para t t t t =
+
< +

/
,

(7.3)

Note-se que a funo densidade f
d
(t) a razo do nmero de falhas
ocorridas num intervalo de tempo pelo tamanho total da populao original. A
funo taxa de falha
d
(t) a razo entre o nmero de falhas num intervalo de
tempo pelo nmero de sobreviventes no incio do intervalo considerado.
Intuitivamente, f
d
(t) a medida da velocidade total de ocorrncia de
falhas, enquanto que
d
(t) a medida instantnea desta velocidade.
A funo distribuio dos dados de falhas Q
d
(t) obtida por integrao de
f
d
(t), sendo contnua por partes no intervalo de 0 a t. Tal funo consiste numa
soma de funes rampa:



30
( ) ( ) Q t f d
d d
t
=

0

(7.4)

A funo distribuio dos sobreviventes ou de sucesso R
d
(t):

( ) ( ) R t Q t
d d
= 1
(7.5)

Sendo que, eventualmente, todos os componentes devem falhar, a rea sob
a curva f
d
(t) igual a unidade. Conseqentemente, a medida que t aumenta, Q
d
(t)
1 e R
d
(t) 0.
A funo taxa de falhas ou catstrofes (t) a mais comumente usada na
representao de um modelo a partir de dados disponveis, pois descreve claramente
os vrios estgios da vida dos componentes.

7.1 Relao entre as diferentes funes em confiabilidade
Trata-se das relaes matemticas entre as quatro funes de
confiabilidade, a saber: f(t) (t) Q(t) R(t).

( )
( )
( ) ( )
( ) ( ) t Q t R
N
t N
N
t N N
N
t N
t R
o
f
o
f o
o
s
=
=
= =
1
1

(7.6)

Desde que:

( )
( ) ( )
( )
( ) ( ) t R N t N
e
t N
dt
d
N t
t t N t N
N
t f
o s
s
o
s s
o
t
=
=
(
+
=

1 1
lim
0

(7.7)

Ento:

( ) ( ) ( ) f t
d
dt
R t
d
dt
Q t = =

(7.8)

Alm disso, sabe-se que:



31

( )
( )
( ) ( )
( )
( )
( )
( )
( )
( )
( ) [ ]
( )
( )
( )
t
N t
N t N t t
t N t
d
dt
N t
t
N f t
N t
f t
N t N
t
f t
R t
t
s
s s
s
s
o
s s o
=
+
(
=
= =
=
lim
/
0
1 1

(7.9)

Para obter a relao entre a confiabilidade R(t) e a taxa de falhas (t):

( )
( )
( )
( )
( )
( ) [ ]
( ) ( )

t
f t
R t
d
dt
R t
R t
d
dt
R t
R t d c
t
= =
=
= +
ln
ln
0

(7.10)

sendo c a constante de integrao.

Elevando ambos os lados como potncia de uma funo exponencial:

( ) ( ) R t e d
c
t
=
(
exp
0

(7.11)

Desde que para t = 0 tem-se R(t) = 1, pode-se concluir que e
c
= 1 e,
portanto:

( ) ( ) R t d
t
=
(
exp
0

(7.12)

Como f(t) = (t)R(t), obtm-se:

( ) ( ) ( )
( ) ( ) ( )
f t t d
Q t R t d
t
t
=
(
= =

exp
exp
0
0
1 1

(7.13)



32

Alm disso:

( )
( ) ( )
( )
( ) ( )
( )

t
f t
R t
f t
Q t
d
dt
Q t
Q t
t
f t
Q t
f t
f d
t
= =
(
(
(
=

( ) ( )
( )
( )
( )
1 1
1
1
0

(7.14)

Sendo que
( ) ( ) ( ) lim exp
t
t
R t e R t d
= =
(
0
0

, observa-se que a
rea sob a curva (t) tende a infinito quando t .
7.2. Relaes entre as diferentes funes de confiabilidade
f(t) (t) Q(t) R(t)
f(t) f(t)
( ) ( ) t d
t
exp
(
0

( ) ( )
d
dt
Q t ( ) ( )
d
dt
R t
(t)
( )
( )
f t
f d
t
1
0

(t)
( ) ( )
1
1 Q t
d
dt
Q t
( )
( ) ( )
d
dt
R t ln
Q(t)
( ) f d
t

0
( ) 1
0

(
exp d
t

Q(t) 1 - R(t)
R(t)
( ) 1
0

f d
t

( ) exp
(
d
t
0

1 - Q(t) R(t)

7.3. Tempo mdio at falha (MTTF)
O valor esperado da varivel aleatria contnua denominada tempo at
falha, definido como tempo mdio at falha, ou simplesmente, MTTF. Em muitas
situaes prticas, o conhecimento do MTTF suficiente para caracterizar a
qualidade e a disponibilidade de um certo item.

( ) MTTF tf t dt
t
=

0

(7.15)
Sabendo-se que:



33
R(t) = 1 - Q(t)
(7.16)
Obtm-se:

( ) ( ) ( )
d
dt
R t
d
dt
Q t f t = =

(7.17)
( ) ( ) ( ) MTTF t
d
dt
R t dt tR t R t dt = =

0
0
0

(7.18)
Sabe-se que:

( ) ( ) R t d
t
=
(
exp
0

(7.19)
Ento:

( ) ( ) lim lim
t t
tR t e tR t

= =
0
0 0

Portanto:

( ) MTTF R t dt =
0
(7.20)



34
8. DISTRIBUIES ESTATSTICAS E SUAS APLICAES EM
CONFIABILIDADE
So vrias as funes que podem modelar a distribuio probabilstica de
uma varivel aleatria. A escolha do modelo matemtico estatstico a ser utilizado
est diretamente relacionada aos tipos de testes de falhas realizados, bem como ao
tamanho e tipo de amostragem analisada. As principais funes utilizadas so:
- Distribuio Binomial.
- Distribuio de Poisson.
- Distribuio Exponencial e Modelo de Falha constante.
- Distribuio Retangular.
- Distribuio de Rayleigh.
- Distribuio Normal.
- Distribuio de Weibull.
- Distribuio Gamma.
- Distribuio Lognormal.
- Distribuio Beta.
- Distribuio dos valores Extremos.

Algumas propriedades bsicas das distribuies estatsticas so estimadas
de acordo com as seguintes definies:
Momento da distribuio:
m x f x dx
r
r
=
( )
.
(8.1)

Portanto, para r = 0, temos:

m f x = =
( )dx 1
, pois trata-se da rea sob a curva f(x).

Para r = 1, temos o valor mdio esperado dado por:

m xf x
1
=
( )dx

(8.2)

Se a distribuio sofre translao da referncia para o valor mdio, ento o
momento da distribuio, em torno da mdia, torna-se:

( ) m x f x
r
r
=
( )dx (8.3)



35
Define-se, portanto, varincia, como:

( ) m x f x
2
2
=
( )dx , no qual o desvio padro = m

2
. (8.4)

8.1. A Distribuio Binomial
A distribuio binomial adequa-se a problemas confiabilsticos do tipo
combinatrio, geralmente aplicada a variveis discretas e grandes amostras. Uma
condio importante para sua aplicao e que o nmeros 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, ser:

( )
n r
C
n
r
n
r n r
=
|
\
| =
!
! !
(8.5)

p
r
= probabilidade de r sucessos.

q
(n-r)
= probabilidade de (n-r) fracassos.

A probabilidade de r sucessos e (n-r) falhas e, portanto:

( )
P
n
r n r
p q C p q
r
r n r
n r
r n r
=
=

!
! !
( ) ( )
(8.6)

P
r
r
n
=
=
0
1

( ) ( ) ( )
( )
n r
r n r
r
n
n n n n n
n
C p q q
n
n
pq
n
n
p q
n
n
p q p p q
( ) ( ) ( ) ( )
!
!
!
! !
...
!
! !
= +
+ +
+ = + =
0
1 2 2 1
1 2 2 1 1
1
(8.7)

O valor mdio e o valor esperado so resultantes dos momentos de
primeira e segunda ordem m
1
e m
2
:

( )
P
n
r n r
p q
r
r n r
=
!
! !
( )

(8.8)



36
( )
( )
( )
( )
( ) ( )
( )
( )
( ) ( )
E X r.P r.
n
r n r
p q
n n
r n r
p p q np
n
r n r
p q
r
r
n
r
n
r n r r n r
r
n
r n r
r
n
= =
=

=

= =

=

=

0 0
1
0
1
1
1
1
1
1
!
! !
!
! !
.
!
! !

(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
i n i
p q np
m
i m i
p q np P np
i n i
i
m
i m i
i
m
i
i
m
=

=
= = =

=
= =

!
! !
!
! ! 1
1
0 0 0

(8.10)

( )
( )
( )
( )
( )
( ) ( )
( )
( )
( ) ( )
E X r P np r.
n
r n r
p q
n n
r n r
p p q np
n
r n r
p q
r
r
n
r
n
r n r r n r
r
n
r n r
r
n
2 2
0 1
1
0
1
1
1 1
1
1
1
= =

=

=

= =

=

=

.
!
! !
!
! !
.
!
! !

(8.11)

Para i = r-1, sendo que r varia de 1 a n, temos i variando de 0 a (n-1) = m.

( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
E X np i
m
i m i
p q np i
m
i m i
p q
m
i m i
p q
i
m
i m i
p q mp n p e
m
i m i
p q
i m
i
m
i m i i m i
i
m
i
m
i m i
i
m
i m i
i
m
2 1
0 0 0
0 0
1
1 1
= +
(
(
= =
=

= =
=

!
! !
!
! !
!
! !
!
! !
!
! !

(8.12)

( )
( )
[ ]
( )
( )
( )
( )
[ ]
( )
E X np n p np np np
V X E X E X np np np p npq
2
2
2
2 2
2
2
1 1
1
= + = +
= = = = =

(8.13)

Temos, assim, mdia e desvio padro, respectivamente:

= np e = npq
(8.14)

A distribuio binomial aproxima, para variveis discretas, a distribuio
normal para grandes amostras e elevado numero de falhas.
Alguns exemplos de aplicaes: p = probabilidade de defeitos:

a) probabilidade de r defeitos em n peas:
( )
P
n
r n r
p q
r
r n r
=
!
! !
( )



37
(8.15)
b) probabilidade de encontrar no mximo r defeitos:
( )
( )
P i r
n
i n i
p q
i n i
i
r
=
!
! !
( )
0

(8.16)
c) probabilidade de encontrar no mnimo r defeitos:
( )
( )
P k r
n
k n k
p q
k n k
k r
n
=
!
! !
( )

(8.17)
A distribuio binomial foi implementada computacionalmente e as
telas sero apresentadas a seguir:

FIGURA 8.1 ENTRADA DE DADOS PARA A DISTRIBUIO BINOMIAL.

FIGURA 8.2 DEFINIO DO TIPO DE CLCULO DE PROBABILIDADE: ACUMULADA OU NO.



38

FIGURA 8.3 RESULTADOS PARA DISTRIBUIO BINOMIAL.
8.2. A Distribuio de Poisson
A distribuio de Poisson aplica-se a analise de partes defeituosas, o que
corresponde essencialmente a um controle de qualidade utilizado para predizer a
probabilidade de ocorrncia de defeitos, num intervalo de tempo continuo, para
melhor controle de produo.
Aplica-se a distribuio de Poisson para uma taxa de falhas constante no
tempo, com reposio instantnea do item falhado, determinando a probabilidade de
x ocorrncias do evento no intervalo de tempo requerido. Utiliza-se esta
distribuio para variveis discretas e pequenas amostras.
Para um pequeno intervalo de tempo dt, tal que a probabilidade de
ocorrncia de mais de um evento seja nula:

( )
( ) ( )
( ) ( )
dt t t dt
P t
P t dt t dt
x
x
+
+ +
uma ocorrencia no intervalo
x ocorrencias em 0, t
x ocorrencias em
,
, 0

( ) ( ) ( )
[ ]
( ) ( )
[ ]
( ) ( )
[ ]
( ) ( )
[ ]
P t dt P t
t
t
t
x x
x
x
+ = +
+
+
probabilidade de 0 ocorrencias em t, t + dt
P probabilidade de 1 ocorrencia em t, t + dt
P probabilidade de 2 ocorrencias em t, t + dt
P probabilidade de x ocorrencias em t, t + dt
1
2
0

Mas: ( ) P t t dt
x1
0 , + =

Ento temos:

( ) ( )( ) ( )
( ) ( ) ( ) ( )
[ ]
P t dt P t dt P t dt
P t dt P t dt P t P t
x x x
x x x x
+ = +
+ =
1
1
1

(8.18)
Para x = 0, tem-se:



39
( ) ( )( )
( ) ( ) ( )
[ ]
( )
( ) ( )
P t dt P t dt
P t dt P t dt P t
dP t
dt
P t P t ke
t
0 0
0 0 0
0
0 0
1 + =
+ =
= =

(8.19)
Para t = 0 : ( ) ( ) P k P t e
t
0 0
0 1 = = =

, que a confiabilidade no intervalo de
(0 a t).

(8.20)

Para uma falha:

( ) ( ) ( ) ( )
[ ]
( ) ( )
( ) ( )
[ ]
P t dt P t dt P t P t
P t dt P t
dt
P t P t
1 1 1 0
1 1
1 0
+ =
+
=

(8.21)
( )
( )
dP t
dt
P t e
t 1
1
+ =

(8.22)
( ) ( )
( )
P t ke te para t t k
P t te
t t
t
1
1
0 0 = + = =
=

= 0 P
1

(8.23)
Analogamente, para x = 2, 3, 4...x, temos:

( )
P t
t e
x
x
x t
( )
!
=

(8.24)

O valor mdio e o desvio padro, fazendo y = x-1, so:

( )
( ) ( )
( )
( )
E X xP
x t e
x
t
t e
x
t
t e
y
t
x
x
x
t
x
x
t
x
y
t
y
= = =
= = =
=

=

=

=

0 0
1
1 0
1

! ! !

(8.25)
( )
P t
e
x
x
x
t
( )
!
=

(8.26)
( )
( ) ( )
( )
( )
( )
[ ]
( )
( )
( ) ( )
[ ]
E X x P
x t e
x
t
x t e
x
E X t
x t e
x
t y
t e
y
t e
y
t t
x
x
x
t
x
x
t
x
x
t
x
y
t
y
t
y y
2 2
0
2
0
1
1
2
1
1 0 0
1
1 1
1
1
= = =
=
=
+
= +
(
(
= +
=

=

=

=

! !
! ! !

(8.27)
( )
( )
( )
[ ]
( ) ( ) V X E X E X t t t t = = + =
2
2 2 2

(8.28)
Temos, portanto, a mdia e o desvio padro:



40

= = t e t
(8.29)
A distribuio de Poisson aproxima a distribuio binomial para pequenas
taxas de falhas e extensos tempos de teste. Para elevado numero de falhas, torna-se
simtrica e aproxima a distribuio normal, sendo portanto, aplicvel para falhas de
inicio de Operacionalizao e para falhas por desgaste.
A estimativa da confiabilidade, atravs desta funo, e calculada para a
ocorrncia de nenhuma falha (zero falhas) no intervalo (0, t).
A tela apresentada a seguir faz parte da implementao computacional da
distribuio de Poisson.

FIGURA 8.4 ENTRADA E SADA DE DADOS PARA A DISTRIBUIO BINOMIAL.

8.3. A Distribuio Exponencial
Aplica-se para analises com taxa de falhas constante, ou ainda, durante o
tempo de vida til do item analisado. Muito eficiente para componentes eletrnicos,
cuja vida til predomina fortemente na curva da banheira. Trata-se de funo
uniparamtrica, onde o parmetro principal e a prpria taxa de falhas .

( ) t = f t e
t
( ) =

R t e
t
( ) =

Q t e
t
( ) =

1

O valor mdio e o desvio padro so:

( )
( )
E t t. e dt t.e dt t.e e dt t.e
e
MTTF
t t t t t
t
= = = + =
|
\
| = = =

0 0
0
0
0
1



41
(8.30)
( ) ( )
( )
( ) ( )

1 1 1 2
2 1
.
2
.
2
2
. 2 . . . .
2 2 2
2
0
2
0 0
0
2
0 0
2 2 2
= = = =
= =
|
|
\
|
=
= + = = =

t V t V
e
e t t E
dt te dt t e e t dt e t dt e t t E
t
t
t t t t t

(8.31)
= = 1 1 e

distribuio exponencial.

(t)

f(t)

t t
1
t
R(t)
1
t
Q(t)



42

FIGURA 8.5 RESULTADOS PARA UM ENSAIO SEM CENSURA PELA DISTRIBUIO
EXPONENCIAL.
8.4. A Distribuio Retangular
Esta distribuio de aplicao restrita, refere-se aos casos em que a
densidade de probabilidade f(t) constante num intervalo de tempo (t1 , t2).
uma distribuio bi-paramtrica, onde os parmetros t1 e t2 devem ser
definidos.

( )
( )
f t
t t
=
1
2 1
( ) ( )
( )
Q t f t dt
t t
t t
t
t
= =

1
1
2 1

(8.32)

( )
( )
t
t t
=
1
2
( ) ( )
( )
R t Q t
t t
t t
= =

1
2
2 1

(8.33)

Valor esperado e variana:

t
f(t)
1/(t2-t1)
t1 t2



43
( )
( )
E t
tdt
t t
t
t t
t t
t
t
=
=
+
=
2 1
2
2 1
2 1
1
2
2 2

(8.34)
( )
( ) ( )
E t
t dt
t t
t
t t
t t
t t
t
t
2
2
2 1
3
2 1
2
3
1
3
2 1
1
2
3 3
=
=
+

(8.35)

distribuio retangular.

FIGURA 8.6 RESULTADOS PARA UM ENSAIO CENSURADO DIREITA PELA
DISTRIBUIO RETANGULAR.

8.5. A Distribuio de Rayleigh
t
(t)
t1 t2
t
Q(t)
1
t1 t2



44
E uma aproximao simplificada para regies da curva da banheira, como
as de falhas iniciais e por desgaste. Nesta distribuio, a taxa de falhas cresce
linearmente com o tempo, tratando-se, tambm neste caso, de uma funo
uniparamtrica, definida pela inclinao da taxa de falhas k.

( ) t kt = f t kt e
kt
( ) =

2
2

R t e
kt
( ) =

2
2
Q t e
kt
( ) =

1
2
2

Valor esperado e variana:
( ) ( ) ( ) E X k X
k
= = 2
2
1 4 e V
(8.36)
distribuio Rayleigh.

FIGURA 8.7 RESULTADOS PARA UM ENSAIO SEM CENSURA PELA DISTRIBUIO DE
RAYLEIGH.

(t)
t
Ko
Ko - K
1
t
K(t - to)
Ko/K

to



45

8.6. A Distribuio Normal
A distribuio normal constitui a mais importante lei das probabilidade em
estatstica, e forma o fundamento terico para muitas outras distribuies de
probabilidades. Em confiabilidade, a distribuio normal e utilizada para analisar
produtos durante o inicio de vida e na fase de degradao natural, ou ainda, falha
por fadiga ou desgaste. Tambm conhecida como distribuio Gaussiana. Esta
distribuio aplica-se a fenmenos naturais, como medies, caractersticas de
grandes amostras e populaes, degradao ou desgaste, etc. Trata-se de
distribuio bi-paramtrica, tendo como padres principais o valor mdio e o desvio
padro.
As distribuies, em geral, podem ser simtricas, leptokrticas,
platikrticas, bi-modais, e com distoro a direita (positiva) e a esquerda (negativa).
As distribuies bi-modais so aquelas que apresentam dois valores centrais e que,
normalmente, originam-se de dois universos distintos.
Como distribuies normais, podem ser classificadas as simtricas, as
leptokurticas (com forte tendncia central e pequeno desvio padro), e as
platikurticas (com fraca tendncia central e alto valor de desvio padro).
Medidas de tendncia central, em estatstica, significa o centro ou valor
mdio entre algumas grandezas. Ocorrem quatro tipos principais de valores
centrais.
* Mdia Aritmtica: e o mais comum e aplicvel dos valores centrais.
Trata-se da soma de todos os valores, dividida pelo numero total de valores
disponveis.
* Modo: representa o valor com o maior numero de leituras ou
ocorrncias.
* Mediana: trata-se da media entre os valores extremos da
distribuio.
* Mdia geomtrica: determinada por sucessivas multiplicaes de um
grupo de n valores, com imediata extrao da n-sima raiz do produto resultante.
t
(t) f(t)
t
t
1
t
R(t) Q(t)
1



46

Mdia Aritmtica: x
x
n
i
i
n
=
=
1

(8.37)
Mediana:
2
x x
x
min max
+
=
(8.38)

Mdia Geomtrica: MG x
i
n
=

(8.39)

Assim sendo, e caracterstica de distribuio normal quando a mdia
aritmtica, o modo e a mediana so coincidentes.

Define-se por disperso a medida de variabilidade dos valores medidos em
torno do valor central. Pode ser caracterizado de trs formas: faixa de valores,
desvio padro e varincia.

Faixa de valores: FV x x
max min
=
(8.40)

Desvio Padro: s
x x
n
=

1
para pequenas amostras.
(8.41)

=

x
n
para populaes ou grandes amostras.
(8.42)
Varincia: s
2
ou
2
.

A funo distribuio de falhas apresenta a forma:

f(t)
Distribuio normal (Gaussiana)
f(t)
Modo Mediana Mdia



47
( )
f x
x
( ) exp =

|
\
|
|
1
2 2
2
2

(8.43)
Curva Normal Padronizada e aquela que desloca o valor central para o zero
do sistema de referencia, com um desvio padro unitrio. A rea sob a curva, que
fornece a porcentagem de falhas acumuladas, e neste caso, igual a unidade.

z
x
z e
z
=

=

e f ( )
1
2
2
2
(8.44)

Com esta distribuio, pode-se trabalhar com os valores tabelados que
fornecem diretamente o valor da rea correspondente ao valor de z.
A distribuio t-student consiste de uma distribuio normal, devidamente
ajustada para minimizar erros de amostras pequenas. Seus parmetros tabelados
so:

t
,n-1
= varivel dependente do tamanho da amostra.

= rea sob a curva.

t
,n-1
=
x

x = valor desejado ou medido.

distribuio Normal.

NORMAL.
-3 -2 -1 0 1
2 3
0.4



48
8.7. A Distribuio de Weibull
A distribuio de Weibull , geralmente, uma distribuio bi-paramtrica.
Estimando adequadamente o parmetro de escala (tempo esperado de vida til ou
vida caracterstica) e o parmetro de forma, ou inclinao de Weibull, , a variao
de forma das curvas pode ser utilizada para ajustar os dados experimentais. Assim
sendo, este modelo de distribuio amplamente utilizado em confiabilidade.
A funo taxa de falhas para a distribuio de Weibull dada por:

( )

t
t
onde e t
=
> >
1
0 0 0 : .

A correspondente funo densidade de falha :

( ) f t
t t
=
|
\
(
(
1
exp

(8.45)

As funes confiabilidade e distribuio de falhas so, respectivamente:

( ) R t
t
=
|
\
(
(
exp

(8.46)

( ) Q t
t
=
|
\
(
(
1 exp

(8.47)
Caso especial 1:
Para = 1, a distribuio de Weibull se reduz a uma distribuio
exponencial com uma taxa de falha constante igual a 1/.
( )
t =
1

( ) f t
t
=
|
\
(
1

exp

(8.48)
MTTF =

Caso especial 2:
Para = 2, a distribuio de Weibull se reduz a uma distribuio de
Rayleigh com k = 2 /
2
.



49
( )
t t =
2
2

( ) f t t
t
=
|
\
(
(
2
2
2

exp
(8.49)

De um modo geral, o valor de inferior a unidade representa uma funo
taxa de falha decrescente, um valor superior a unidade representa uma funo
crescente e, finalmente, um valor igual a unidade representa uma funo constante.
Para igual a 3.4, a distribuio de Weibull aproxima a normal (geralmente este
valor varia entre 2.7 > >3.7).

8.7.1. Determinao dos parmetros de Weibull

Pode-se obter a curva de Weibull na forma de uma reta representando a
mesma numa escala bi-logartmica.

( ) Q t
t
=
|
\
(
(
1 exp

(8.50)

Sendo t = , para o tempo esperado de vida til tem-se uma probabilidade
de falha de:

( ) Q t e ou = = =
1 0 63 63%
1
.

Extraindo o logaritmo desta equao por duas vezes seguidas:

( )
( ) ( )
( )
( )
[ ]
1
1
1
1
1
1
1
=
|
\
(
(
=
|
\
|
|
=
|
\
|
\
|
|
=
|
\
(
(
=
|
\
|
=
|
\
|
Q t
t
Q t e
Q t
t
Q t
t t
t
t
exp
ln
lnln ln ln ln ln

(8.51)

Desta forma, o parmetro de forma o coeficiente angular da reta obtida,
enquanto que o tempo esperado de vida til corresponde ao valor de Q(a) = 0.63.



50
A Figura 8.7 esquematiza a curva de Weibull em escala bi-logartmica,
bem como a localizao dos parmetros e .

FIGURA 8.9 - CURVA DE WEIBULL E PARMETROS DE FORMA E TEMPO DE VIDA TIL.

As telas apresentadas a seguir faz parte da implementao computacional
da distribuio de Weibull.

t t
R(t)
<1
<2
1
=1
=2
=3
<1
(t)
t t
f (t)

<1
=2
=3
Q(t)
1
<1
>2
Ln
Lnln (1/(1-Q(t)))
Ln
Ln
0



51

FIGURA 8.10 RESULTADOS PARA UM ENSAIO CENSURADO DIREITA PELA
DISTRIBUIO DE WEIBULL.

FIGURA 8.11 GRFICO EM ESCALA BI-LOGARTMICA PARA DISTRIBUIO DE
WEIBULL.
8.8. Distribuio Gamma



52
Muito similar a distribuio de Weibull, tambm constitui uma distribuio
bi-paramtrica, com parmetro de escala e parmetro de forma . Utilizada,
principalmente, na modelagem de reparo ideal, com tempo entre falhas distribudo
exponencialmente, e na estimativa de limites de confiana por funo
2
.
Condies de aplicao:

( )
f t
t t
( ) exp =
|
\
0 0 t 0
(8.52)

A integral da funo probabilidade f(t), que fornece a distribuio
acumulada de falhas Q(t), e do tipo incompleta, como no caso da distribuio
normal, sendo obtida atravs de tabelas.

( )
( )
Q t z e dz
t
z
=

1
1
0

(8.53)

funo Gamma incompleta = integral por tabelas.

Valor mdio e desvio padro:

= = e
2

(8.54)

Da mesma forma que a distribuio de Weibull, a distribuio Gamma
apresenta uma distribuio exponencial para = 1.
Se um nmero inteiro, a funo fatorial torna-se:

( ) ( ) = 1 !
(8.55)

Sendo uma funo fatorial.

( )
f t
t t
( )
!
exp =

|
\

1
1

(8.56)

Sendo uma distribuio Erlangeana .

A funo Erlangeana modela um nmero de estgios idnticos em srie,
com distribuio no exponencial dos temos de falha, no modelo de Markov; bem
como modelo de falhas aleatrias, com reparo ideal em manuteno corretiva, para
distribuio exponencial dos tempos de falha (perodo de vida til).



53

Para j = -1 e sabendo-se que a confiabilidade R(t) associa-se a f(t) por:

R t t f t ( ) ( ) ( ) =
(8.57)

Se o tempo de falhas e distribudo exponencialmente, ento a funo taxa
de falhas e constante: = 1 /

R t
t t
j
j
j
( ) exp
!
=
|
\
|
|
\
|
=
0
1
1

(8.58)
8.9. A Distribuio Lognormal
O logartmo natural da varivel aleatria distribui-se normalmente, com
mdia m e desvio padro s, porm no da varivel t, mas de l(nt). Sua aplicao
fundamental e nos tempos de reparo para uma manuteno normal de falhas por
desgaste.

( )
f t
t
t
( ) exp
ln
=

(
(

1
2 2
0
2
2

t

(8.59)

Sendo que t o tempo de reparo de um grupo de componentes.

A integral de f(t) fornece a funo probabilidade acumulada de falhas Q(t):

( ) Q t
z
dz
t
=
|
\
1
2
2
2
exp
ln

(8.60)

Integral incompleta = soluo por tabelas.

O valor mdio e o desvio padro so dados por:

( ) ( )

= +
|
\
|
= + + exp exp exp
2
2 2
2
2 2 2 e

(8.61)
As telas apresentadas a seguir faz parte da implementao computacional
da distribuio Lognormal.



54

LOGNORMAL.
t t
=0.3
R(t)
=1.0
=1.0
Q(t)
1
=1.0
=0.3
(t)
t
=0.3
=1.0
f(t)
=0.3
t



55

A distribuio dos Valores Extremos modela valores mximos e mnimos
para um grupo de n variveis aleatrias.
Resumindo, para variveis discretas temos uma confiabilidade associada a
um controle de qualidade por padronizaes, cujo modelo para o nmero de falhas
pode ser uma distribuio binomial, se em relao ao tamanho inicial da amostra;
ou uma distribuio de Poisson, se em relao ao tempo de produo.
As variveis contnuas, como tempo de falha, podem ser modeladas por
distribuio exponencial durante o perodo de vida til; por distribuio de
Rayleigh ou Gaussiana durante o perodo de vida em desgaste; por distribuio de
Weibull para falhas aleatrias; por distribuio Gamma para componente com
reparo ideal; ou ainda, por distribuio log-normal para tempo de reparo.
No caso de componentes mecnicos, em alguns casos, os perodos de vida
til, de falha em desgaste e de falhas aleatrias no se distinguem entre si, ou
podem suceder simultaneamente. Nestes casos, deve-se modelar os tempos de falha
por vrias distribuies e proceder com uma anlise de coeficiente de correlao e,
em seguida, de nvel de confiana dos resultados.
8.10. Distribuio Beta
A distribuio Beta modela variveis aleatrias delimitadas no espao
amostral, ou seja, com limites superiores e inferiores conhecidos. Neste tipo de
distribuio h dois parmetros, que representa modelos satisfatrios para um
grande nmero de variveis aleatrias de grande importncia em aplicaes prticas
que so limitadas por valores conhecidos dentro de uma faixa superior e inferior.
Um exemplo de tal distribuio, seria determinar a distncia de uma extremidade de
uma haste at o ponto no qual ocorre uma fratura, quando submetido uma
determinada tenso. Outro exemplo, seria a determinao de uma porcentagem de
uma faixa etria de idades especfica sobre uma determinada pesquisa quantitativa.
No importa se os limites so inferiores ou superiores, assim como se so
finitos ou no, sempre podem ser derivada uma varivel aleatria correpondente,
que possui valores entre 0 e 1, atravs de procedimentos aceitveis de
normalizao. Por exemplo, se X uma varivel aleatria com a x b, ento (X-
a)/(b-a) a varivel de interesse correspondente com valores entre 0 e 1 .
A funo densidade para a distribuio Beta :

(8.62)
Na qual a funo Beta definida como:

(8.63)

com , > -1.
=
qualquer t para
t para
B
t t
t f
0
1 0
) , (
) 1 (
) (

) 2 (
) 1 ( ) 1 (
) , (
+ +
+ +
=

B



56
Para a escolha dos diferentes valores de e , como h uma grande
variedade de funes densidade, podem ser escolhidas as seguintes condies:

= 0 e = 0 Distribuio uniforme
= e = Simtrica sobre t =0.5
< 0 ou < 0 Infinitamente ampla para t = 0 e t =1, respectivamente
< 0 e 0 Decresce em t com formato cncavo
0 e < 0 Aumenta em t com formato cncavo
< 0 e < 0 Formato de U; infinitamente amplo para t = 0 e t = 1
> 0 e > 0 Possui um nico pico.

A distribuio cumulativa correspondente :

(8.64)

A integral apresentada acima conhecida como Funo Beta
Incompleta. As tabelas com valores para esta funo so facilmente encontrada em
Manuais Matemticos.
A mdia e a variana da distribuio Beta so, respectivamente:
(8.65)
(8.66)

As expresses para e podem ser derivadas em termos de e
2

para essas relaes, sendo:

(8.67)

(8.68)

<

>
=
0 0
1 0
) , (
) 1 (
1 1
) (
0
t para
t para d
B
t para
t Q
t

2
1
+ +
+
=

) 3 ( ) 2 (
) 1 )( 1 (
2
2
+ + + +
+ +
=

1 1
) 1 (
2

(

1 1
) 1 (
) 1 (
2

(



57
8.11. Distribuies com Valores Extremos
Os conceitos de distribuies com valores extremos (valores mximos e
mnimos) para um conjunto de n variveis aleatrias, podem ser representadas
tipicamente para aplicaes que se referem cargas e capacidades.
Assumir situaes, nas quais as distribuies so idnticas e as variveis
independentes no correspondente realidade dos dados prticos, que quase sempre
so pequenos. Entretanto, para o caso de um n muito grande, certas distribuies
de valores extremos assintticas podem ser utilizadas para um modelo de valores
mximos e mnimos.
H trs tipos de distribuies com valores extremos assintticas: Tipo I ou
distribuio de Gumbel que utilizada quando as variveis aleatrias so obtidas
para qualquer valor entre - e +. Essa condio pode ser mostrada pelas
distribuies ascendentes normal e exponencial resultantes da distribuio de
valores extremos mximo no limite, quando n se torna grande. As distribuies
ascendentes com aparncia exponencial aumentam as distribuies de valores
extremos mnimos do tipo I. Se a varivel aleatria limitada pelo lado esquerdo do
zero, ento n torna-se maior e a distribuio com valores extremos mximos tendem
a torna-se uma distribuio do tipo II. Similarmente, se as variveis aleatrias so
limitadas pelo lado direito de zero, ento a distribuio com valores extremos
mnimos tendem a ser tornam uma distribuio do tipo II. Por outro lado, se a
varivel aleatria limitada pelo lado direito ou esquerdo por alguns valores finitos
de y
1,
ento a distribuio por valores extremos mximos e mnimos tendem a se
tornarem uma distribuio do tipo III, quando n torna-se maior.

Tipo I: Considerando que y
m
assuma o mesmo valor de y, o qual o ponto
mximo da funo densidade F
Y
(y) e considerando > 0, tem-se uma constante que
descreve a disperso de uma varivel aleatria. Ento:

(8.69)

(8.70)

Para - y ou z e para > 0.

Tipo II

(
(
)
`
|
|
\
|
=
m
Y
y y
y F exp exp ) (
(
|
|
\
|
=
m
Z
y z
z F exp exp 1 ) (



58
(8.71)

(8.72)

Para y 0, z 0, >0.

Tipo III

(8.73)

(8.74)

Para y y
1
, y
1
z, > 0 e m > 0.

Um caso especial que acompanha este tipo de distribuio dado
pela funo densidade de falhas:

f(t) = e
t
. e
-et
, para - < t < +.

A funo de confiabilidade e de risco pode ser facilmente
encontrada atravs de:

(8.75)

(8.76)

(t) = e
t

(
(
|
|
\
|
=
m
Y
y
y F
exp ) (
(
(
|
|
\
|
=
m
Z
z
z F
exp 1 ) (
(
(
|
|
\
|
=
m
Y
y y
y F
1
exp ) (
m
y z
z Fz
(
|
|
\
|
=
1
exp 1 ) (

=
t
e
d e e t R
0
1 ) (
et
e t R

= ) (



59
(8.77)

A forma mais geral da funo de risco, tambm chamada de modelo
exponencial de risco:

(8.78)

Essa funo varia lentamente e encontra-se prxima de uma
constante inicial, porm tem um crescimento posterior rpido, como mostra os
grficos a seguir.

Se a populao cresce exponencialmente e se algum risco
proporcional populao, ento o modelo exponencial de risco torna-se aplicvel.
As funes de densidade e confiabilidade associadas so:

(8.79)

(8.80)

0 ) ( > =

com Ke t
t
(
= ) 1 ( exp ) (
t t
e
K
Ke t f

= ) 1 ( exp ) (
t
e
K
t R

K
(t)
R(t)
1.0
t t



60
9. MODELAGEM DA REGIO DE DESGASTE
9.1. Probabilidade de Falha Posterior a um Tempo de Vida
Considerando o perodo de vida til, tem-se a distribuio exponencial dos
tempos de vida.

( )
( )
( )
( )

t
R t e
Q t e
f t e
t
t
t
=
=
=
=
1

Para o intervalo ( T , T + t ), tem-se na distribuio da densidade de
probabilidade:

Define-se, ento:

Evento B = probabilidade de sobrevivncia at o tempo T, ou nenhuma falha no
intervalo ( 0 , T )

Evento A = probabilidade de falha no intervalo ( T , T + t )

A B = probabilidade de sobrevivncia at o tempo T, com falha posterior no
intervalo ( T , T + t )

( )
( )
P A B e d
e
e e
T
T t
T
T t
T T t
= =
|
\
|
=
+
+
+

( ) ( )
B
ou
f t dt Q t =
f(t)
t
conjunto B
conjunto A
T T + t
B B + =1



61
(9.1)
( ) P B e d e
T
T
= =

(9.2)

A probabilidade de falha posterior a um tempo de vida Qc(t) definida
como a probabilidade de falha no intervalo (T , T+t), dada a sobrevivncia at o
tempo T.

( ) ( )
( )
( )
( )
Q t P A B
P A B
P B
e e
e
e
c
T T t
T
t
= =

=

=
+
1
(9.3)

Note-se que a probabilidade de falha posterior Qc(t) independente do
tempo de operao precedente T, dependendo somente da durao do intervalo t.
Isto porque assume-se falhas aleatrias e taxa de falha constante durante o perodo
de vida til, o que equivale a dizer que o componente no sofre degradao nesta
fase.
Assim sendo, a probabilidade de falha posterior a um tempo de vida, neste
caso, a prpria probabilidade acumulada de falhas no perodo de tempo t:

( ) ( ) Q t Q t e
c
t
= =

1

(9.4)

A distribuio exponencial dos tempos de falha dita sem memria e
aplica-se estritamente a regies com taxa de falha constante.
Se no constante, temos a expresso:

( )
( )
( )
Q t
f d
f d
c
T
T t
T
=
+

(9.5)
Desta forma, pode-se propor a modelagem da regio de desgaste, aps um
certo perodo de vida til. A regio de desgaste corresponde a um crescimento
exponencial, geralmente acentuado, da taxa de falha, aps o perodo de vida til. As
distribuies estatsticas que melhor se adequam modelagem desta regio so a
distribuio de Rayleigh e a distribuio Normal ou Gaussiana.

A funo densidade de probabilidade para distribuio normal da forma:

(t)
t



62
( )
( )
f t
t
=

(
(
1
2 2
2
2

exp
(9.6)

Onde a varivel t representa a idade do componente. Normalmente, o valor
esperado de vida em desgaste deveria ser muito menor que o tempo mdio entre
falhas MTTF, mas o inverso tambm pode ocorrer.
Considerando um perodo de vida t de um componente, a partir do tempo
T, sabe-se que durante o intervalo (T , T+t) ocorrem falhas aleatrias com taxa de
falha constante (confiabilidade Rc(t)) e, simultaneamente, falhas por desgaste com
taxa de falhas exponencialmente crescente.

( ) R t e
c
t
=

para o perodo de vida til e independente do tempo de vida
precedente.

( )
( )
( )
Q t
f d
f d
w
T
T t
T
=
+

(9.7)

Portanto, a probabilidade de no ocorrncia de falhas entre (T , T+t) :

( ) ( )
( )
( )
( )
( )
( )
( )
R t Q t
f d
f d
f d
f d
R T t
R T
w w
T
T t
T
T t
T
w
w
= = = =
+
+
1 1

(9.8)
Incluindo no modelo a probabilidade de falhas aleatrias simultneas:

( ) ( ) ( )
( )
( )
R t R t R t e
R T t
R T
c w
t w
w
= ==
+

(9.10)

Se o incio da anlise procede no tempo t=0, ento:

( ) ( ) ( ) ( ) R t R t R t e R t
c w
t
w
= ==

(9.11)

Segue esquema grfico da funo densidade para distribuio normal dos
tempos de falha, bem como a curva estimada de confiabilidade na regio de
desgaste.
Tambm so ilustrados dois casos de interesse, a saber: quando a vida
mdia em desgaste bem inferior ao tempo mdio entre falhas (<<MTTF), quando
a curva exponencial domina numa faixa de tempo abaixo da mdia , para em
seguida ser sobreposta pelo efeito da acentuada queda de confiabilidade imposta



63
pela distribuio normal; o segundo caso quando o tempo mdio entre falhas
inferior ao tempo mdio em desgaste (>MTTF), quando, ento, a curva
exponencial domina praticamente em toda faixa de tempo analisada.

Para atingir maiores nveis de confiabilidade, algumas regras gerais so
introduzidas:
1) Submeter o sistema inicial a uma queima de falhas, seguida de um
processo de deteco de problemas.
2) Aplicar severos critrios de inspees em manuteno preventiva de
modo a assegurar que o sistema no entre em falhas por desgaste.
Substituindo periodicamente os componentes crticos, o sistema
recolocado na regio de operao com baixas probabilidades de falhas.
( )
( )
( )
R t
R T t
R T
w
w
w
=
+

Distribuio normal da funo
densidade de probabilidade de falhas

f(t)
t

T (T + t)
R
w
(T)
R
w
(T + t)
R
w
(t)

1.0
0.5
t
R
w
(t)

1.0
0.5
t
MTTF
R
w
(t)
R
c
(t) = e
-t

R(t)
R
w
(t)

1.0
0.5
t
R
w
(t)
R
c
(t)
R(t)
MTTF



64
10. CONFIABILIDADE E MANUTENO

Existem duas categorias bsicas de manuteno:

1) Manuteno Programada ou Preventiva;
2) Manuteno Corretiva ou Forada.

A manuteno 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 nmero de falhas,
incrementando o tempo mdio entre falhas MTTF do sistema.
A manuteno corretiva, por sua vez, segue as falhas em servio. Em
outras palavras, nada feito at a ocorrncia da falha. A manuteno corretiva pode
resultar em reparo ou em substituio imediata do componente, retornando o
equipamento a sua condio normal de operao.
10.1. Modelo de Confiabilidade com Manuteno Preventiva
Considerando um componente no reparvel, porm preservado atravs de
manuteno preventiva. tal processo dito ideal se o tempo decorrido na
substituio praticamente nulo em relao ao tempo decorrido entre falhas, e o
componente recolocado em um estado como novo aps a finalizao do processo
de manuteno.
Embora o componente no reparvel seja descartado aps a falha, o
emprego da manuteno 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 distribuio exponencial, ou seja, conforme verificado
anteriormente, trata-se de um modelo sem memria, cujo tempo de vida precedente
no influencia a taxa de falhas posterior ao tempo de vida do equipamento. No caso
de falhas de incio de operacionalizao, a taxa de falhas decresce, ou seja, melhora
com o passar do tempo. Neste caso, a recolocao como novo atravs de uma
manuteno preventiva no vantajosa.
Portanto, a manuteno preventiva ou programada conveniente no caso
de taxa de falhas crescente no tempo, como ocorre na grande maioria dos
componentes mecnicos. Alm disso, considera-se que a manuteno preventiva se
desenvolve apenas em equipamento em operao:

( ) falha de densidade funo = t f
T

T
M
= intervalo de tempo fixo entre intervenes de manuteno

( )
( )
f t
f t t T
T M
1
0
0
=

para
fora deste intervalo



65
R(t) = funo confiabilidade do componente.

Partindo-se de uma distribuio de densidade de probabilidade resultante
f
T
(t), que por sua vez depende do ponto de partida da funo confiabilidade aps
cada interveno preventiva, obtm-se a generalizao das funes parciais por
perodo, devido tendncia exponencial da curva de confiabilidade quando
combinadas as falhas aleatrias com as falhas por desgaste.

( ) ( )
( )
[ ]
( )
[ ]
R t e t T R T e
t T R T e e R T
t
M M
T
M M
T T
M
M
M M
= = =
= = = =

2 2
2
2 2

(10.1)

( ) ( ) ( ) f t f t kT R T
T M
k
M
k
=
=
1
0

(10.2)

Nota-se a tendncia exponencial da funo densidade de probabilidade
aps interveno preventiva, da a extensa aplicao de modelos exponenciais em
confiabilidade para alguns componentes mecnicos operando nestas condies.
10.2. Modelo de Confiabilidade com Reparo Ideal
O reparo ideal pressupe duas condies bsicas:

O tempo de durao do reparo aps a falha suficientemente
pequeno para ser desprezvel se comparado ao tempo decorrido entre falhas.
Aps o reparo, considera-se o componente recolocado como novo.

( ) ( ) ( ) f t R T f t
M T 1
0 = =
( ) ( ) f t T R T
M M 1

( ) ( ) f t T R T
M M 1
2
2
( ) ( ) f t T R T
M M 1
3
3

( ) ( ) f t T R T
M M 1
4
4
T
M
2T
M
3T
M
4 T
M



66
A diferena bsica entre reparo ideal e manuteno preventiva ideal que a
segunda se desenvolve durante a operao da mquina, enquanto que a primeira
envolve um tempo de parada que segue a falha aleatoriamente.
A varivel aleatria contnua ser o tempo de vida do componente T.
Redefinindo a funo densidade de probabilidade:

( ) ( )
[ ]
f t
t
P t T t t
T
t
= < +
lim

0
1

(10.3)

A funo densidade parcial at a primeira falha f
1
(t) pode ser definida
analogamente a expresso acima, porm a questo como fica esta funo para o
tempo decorrido at a segunda falha.
Para uma primeira falha ocorrida dentro do intervalo e a segunda falha
estando entre (t , t + t), t > :

( ) ( ) [ ] ( ) [ ] t f f t t f
1 1 2

(10.4)

No limite, para todos os possveis valores de menores que t:

( ) ( ) ( )

t
0
1 1 2
d t f f t f
(10.5)
Para a k-sima falha, temos:

( ) ( ) ( ) 2 k , d t f f t f
t
0
1 1 k k

, ou seja, a k-sima convoluo de f
1
(t).
(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).

( ) ( ) ( ) ( ) ( ) L t f t f t f f t d
k
k
k
t
k
= = +
=
1
1 1 1
0
2

(10.7)



67

Para o caso especial de distribuio exponencial dos tempos de falha
durante o perodo de vida til, f
k
(t) transforma-se na distribuio especial Gamma
com inteiro, a saber, a distribuio Erlangeana.
A aplicao deste conceito durante o perodo de vida til extremamente
conveniente, pois nesta fase a manuteno corretiva atende bem as falhas aleatrias
em curso.

( ) ( )
( ) ( )
( )
( ) ( )
( )
( )
( )
f t f t e
f t e e d te
f t e e d
t
e
Generalizando
f t
t
k
e
T
t
t t t
t
t t t
t
k
k
k
t
1
2
2
0
3
2 3
2
0
1
2
1
= =
= =
= =
=
;
!

(10.8)
Para = k e = 1/.
A funo densidade de probabilidade completa L(t):

( ) ( ) ( )
( )
L t f t e
t
k
e
k
e e
k
k
t k
k
t t t
= =
=
= =
=

1
1
1
1

!

(10.9)

Ou seja, a densidade de probabilidade de falha no perodo constante e
igual a taxa de falhas do componente.

10.3. Reparo Ideal e Manuteno Preventiva
f
3
(t)
M 2M
t
4M 5M
L(t)
3M



68
Para componentes com taxa de falhas crescente, a manuteno peridica
ou preventiva aumenta o MTTF, resultando num modelo de densidade de
probabilidade de falhas com tendncia exponencial. Se a possibilidade de reparo
ideal for considerada, o resultado lquido sentido na manuteno ser o de reduzir a
freqncia de reparos.
Assumindo manuteno ideal em intervalos de tempo T
M
, a freqncia de
reparos f
R
ser igual a densidade mdia das falhas no intervalo de manuteno.

( ) f
T
L t dt
R
M
T
M
=
1
0

(10.10)

Com a manuteno corretiva ideal aplicada aos intervalos de manuteno
preventiva, os perodos aumentam e a freqncia total de reparos diminui,
aumentando o MTTF, como recproco da freqncia de reparos.



69
11. ASPECTOS COMBINATRIOS DE CONFIABILIDADE DE SISTEMAS
Sistemas complexos so geralmente decompostos em entidades funcionais
compostas de unidades, ou componentes com o propsito de realizar uma anlise de
confiabilidade.
Tcnicas de modelagem network e aspectos combinatrios so utilizados
para conectar componentes em srie, paralelo ou estruturas mistas, ou ainda uma
combinao de todas elas.
Os conceitos de confiabilidade so ento empregados para computar a
confiabilidade do sistema em termos das confiabilidades de suas sub-unidades.
11.1. Estrutura em Srie
Um conjunto de componentes considerado disposto logicamente em srie
do ponto de vista da confiabilidade se o sucesso da operao do componente
depende do sucesso da operao de todos os seus componentes.
Os componentes no necessitam estar fisicamente dispostos em srie, mas
de fundamental importncia que todos eles funcionem para que o sistema
funcione.

Se x
i
representa o sucesso de um evento para a i-sima unidade, temos que
a probabilidade de sucesso do sistema dada por:

( ) ( ) ( ) ( ) ( ) P x x x x P x P x x P x x x P x x x x
n n n 1 2 3 1 2 1 3 1 2 1 2 1
... / / ... / ... =

(11.1)

Se as unidades no interagem, ento os eventos so independentes:

( ) ( ) ( ) ( ) ( ) P x x x x P x P x P x P x
n n 1 2 3 1 2 3
... ... =
(11.2)

Se a confiabilidade a medida de bom desempenho do sistema, ento se
refere a probabilidade de sucesso do mesmo. Assim:

R R R R R
s n i
i
n
= =
=
1 2
1
...

(11.3)

Causa Efeito



70
11.2. Estrutura em Paralelo
Um conjunto de componentes considerado disposto logicamente em
paralelo do ponto de vista da confiabilidade se o sucesso da operao do
componente depende do sucesso da operao de pelo menos um dos seus
componentes.

Os componentes no necessitam estar fisicamente dispostos em paralelo,
mas de fundamental importncia que pelo menos um deles funcione para que o
sistema funcione.
Se x
i
representa o sucesso de um evento para a i-sima unidade, temos que
a probabilidade de sucesso do sistema dada por:

( )
( )
P x x x x P x x x
n
n
1 2 3
1 2 1 1 + + + + = ... ...
(11.4)

( )
( ) ( ) ( ) ( )
P x x x P x P x x P x x x P x x x x
n
n n
1 2
1 2 1 3 1 2 1 2 1 1 + + + = ... / / ... / ...
(11.5)
Se as unidades no interagem, ento os eventos so independentes:

( )
( ) ( ) ( ) ( )
P x x x P x P x P x P x
n
n
1 2
1 2 3 1 + + + = ... ...
(11.6)

Se a confiabilidade a medida de bom desempenho do sistema, ento se
refere a probabilidade de sucesso do mesmo, enquanto que a distribuio de falhas
Q se refere ao fracasso. Assim:

R Q Q Q Q Q
p n i
i
n
p
= = =
=
1 1 1
1 2
1
...
(11.7)
11.3. Estrutura r-em-n
Sendo que a estrutura em paralelo foi analisada como uma aplicao da
distribuio binomial, se p a probabilidade de sucesso de cada componente, a
confiabilidade do sistema :
Efeito Causa
1
2



71

( ) R C p p
n k
k r
n
k
n k
=
=
1

(11.8)

Note-se que, se r = 1 o sistema paralelo, se r = n o sistema em srie.
No caso de redundncias passivas, entra em jogo a confiabilidade dos
conectores ou dos chaveamentos.

11.4. Estrutura Delta-Estrela
Um sistema constitudo por trs componentes pode estar conectado em
configurao delta ou estrela. Na maioria das vezes, a configurao delta dificulta
fortemente a reduo da estrutura final. Nestes casos, faz-se a transformao de
configurao delta para configurao estrela por equivalncia de confiabilidades
entre os terminais.

Para a confiabilidade computada entre os terminais A e B, ou atravs do
elemento AB:

( )( ) R R R R R
A B AB BC CA
= 1 1 1
(11.9)

Analogamente, as confiabilidades atravs de BC e CA:
A
B
C
AB
BC
CA
1
2
n
Causa Efeito



72

( )( ) R R R R R
B C BC CA AB
= 1 1 1
(11.10)

( )( ) R R R R R
C A CA AB BC
= 1 1 1
(11.11)

Estas trs equaes devem ser resolvidas simultaneamente para expressar
as confiabilidades estrela equivalentes:

( )( )
R
R R R R
R R
A
A B C A
B C
=
( )( )
R
R R R R
R R
B
A B B C
A C
=

( )( )
R
R R R R
R R
C
B C C A
A B
=
(11.12)
Para o caso especial: R R R R
AB BC CA
= = =

e R R R R
A B C Y
= = = .

R R R R
Y
= +

2 3

(11.13)

Assim sendo, so necessrios componentes de confiabilidade mais elevada
numa estrutura estrela que numa estrutura delta.
11.5. Redundncia Tri-modular
Aplicada ao projeto de computadores, consiste numa combinao de trs
unidades idnticas de alimentao com entrada numa central, sendo que as trs
unidades redundantes apresentam uma nica varivel lgica (binrio). Portanto, so
necessrias duas entradas positivas para obter-se uma sada.

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, so necessrias duas unidades boas
em trs:
( ) ( ) R C R R R R
TMR
k
k
k
k
= =
=
3
2
3
3
2
1 3 2



73

(11.14)
onde R a confiabilidade de cada unidade.

Para central imperfeita de confiabilidade R
C
, temos:

( ) R R R R
TMR C
=
2
3 2
(11.15)
11.6. Redundncia 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 operao.

Sendo Q a probabilidade de falha do sistema:

Q Q Uo Q Ur Uo = ( ). ( / )

Ur
Uo
Fracasso
de Uo
Sucesso
de Uo
Uo
Ur
Causa Efeito
C
3
2
1



74

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 Q P Q P Q Q P Q
o r ch o ch ch r
= + = 1 1
0 0

(11.16)

Se a chave, ou conector, no e perfeito, ento sua confiabilidade, ou
mortalidade, deve integrar o sistema.

( ) R Q R
ch
= 1
(11.17)
onde Rch e a confiabilidade da conexo ou da chave.



75
12. TCNICAS GERAIS PARA ESTIMATIVA DA CONFIABILIDADE DE
SISTEMAS COMPLEXOS NO-CONVENCIONAIS
Na prtica, muitos sistemas apresentam estruturas complexas que fogem
aos padres at aqui abordados. A estimativa da confiabilidade de tais sistemas
requer a aplicao de tcnicas mais gerais e poderosas.
Os procedimentos mais conhecidos so:

inspeo
mtodo espao-evento
caminho do sucesso
decomposio
grupo mnimo de corte
grupo mnimo de ligao
matriz de conexo
rvore de eventos
rvore de falhas
12.1. Inspeo
Esta aproximao aplicvel somente para pequenos nmeros de
componentes envolvidos na estrutura, e consiste no procedimento tradicional de
reduo de subsistemas srie e/ou paralelo, sucessivamente, at obter um nico
componente equivalente a estrutura.

( )( ) ( )
( )
R p p p p p p p
s
1
1 1 1 1 1 1 1 2 2
2
2 2
= = = + =
(12.1)
a
Efeito
S
b
c
d
S
1

S
2

Causa



76

( )
R p R p p p p p
s s
2 1
2 2
2 2 3
= = =
(12.2)

( )
( )
( )
( )
[ ]
R p R p p p p p p p
s s
= = + = + + 1 1 1 1 1 1 2 3 2
2
2 3 4 3 2

(12.3)
12.2. Mtodo Espao-Evento
Neste mtodo, todas as ocorrncias logicamente possveis so listadas
sistematicamente, sendo a listagem separada em eventos favorveis e desfavorveis.
Assim, a confiabilidade do sistema obtida somando as probabilidades de
ocorrncia de todos os eventos favorveis (ou sucessos).
Numa listagem completa e adequada, nenhum evento 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 ser igual a 2
n
eventos no total. Tal
procedimento torna-se extremamente oneroso para n superior a 5 ou 6 componentes.
Se o nmero de eventos desfavorveis menor que o nmero de eventos
favorveis, ento a confiabilidade do sistema pode ser computada, subtraindo da
unidade a soma das probabilidades de ocorrncia de todos os eventos desfavorveis.

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 esto assinalados por crculos:

[ ]
( ) ( ) ( )
[ ]
R Q probabilidade de oco
R p p p p p p p p p
s s
s
= =
= + + = + +
1 1
1 1 1 3 1 1 1 3 2
2
2 3 4
4 3 2
rrencia de falhas

(12.4)
Efeito Causa
a
c
b
d



77
[ ]
( ) ( ) ( )
[ ]
R probabilidade de suc
R p p p p p p p p p p p
s
s
=
= + + + = + +
essos
1 4 1 5 1 1 1 3 2
4 3 2
2 3
4 3 2

(12.5)
12.3. Caminho do Sucesso
Neste mtodo, identifica-se todos os caminhos favorveis, numa malha de
eventos, entre a entrada e a sada, ou ainda, entre causa e efeito. Cada caminho
favorvel representa um sucesso.

Rs = P (unio de todos os eventos favorveis)

Para n caminhos favorveis, em geral, obtm-se (2
n
- 1) termos na
expanso da probabilidade de sucesso. Vale notar que nem todos eventos favorveis
devem ser mutuamente exclusivos. Tal procedimento envolve muita lgebra,
tornando-se oneroso para um nmero de eventos maior que 5 (n>5).

P a
P bc
P bd
1
2
3
=
=
=

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) R P P P P P P P P P P P P P P P P P P P P P P P
s
= = + + +
1 2 3 1 2 3 1 2 1 3 2 3 1 2 3

(12.6)
( ) R P P P P p p p p p p p p p p p
s
= = + + + = + +
1 2 3
2 2 3 3 3 4 2 3 4
2 3
(12.7)
12.4. Decomposio
Neste procedimento, tambm conhecido como aproximao para
probabilidade condicional, Rs 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 estimada como:

Efeito
a
c
b
d
Causa



78
( )
[ ]
( )
( )
[ ] ( )
R P P A
P P A
s
= + sucesso do sistema componente A bom
sucesso do sistema componente A ruim

Analogamente, a mortalidade do sistema pode ser expressa como:

( )
[ ]
( )
( )
[ ] ( )
Q R P P A
P P A
s s
= = + 1 falha do sistema componente A bom
falha do sistema componente A ruim

Assim, o procedimento decompe o sistema complexo em dois
subsistemas mais simples. Para grandes estruturas, deve-se decompor
sucessivamente o sistema em subestruturas at a reduo mxima. A escolha
adequada do componente chave resulta na acelerao do processo de convergncia,
porm, o mtodo deve funcionar para qualquer que seja o componente chave.

Considerando o componente 3 como elemento chave:

( )
[ ]
( )
[ ]
( ) ( ) R P sistema bom p P sistema bom p P p P p
s
= + = + / / 3 3 1 1
1 2
bom ruim

Sabe-se que, se o componente 3 ruim, a probabilidade de sucesso
P p
2
2
= , ento, ( )
[ ] ( ) ( ) R P sistema bom p p p P p p p
s
= + = + / 3 1 1
2
1
2
bom .

Por outro lado, temos o clculo de P1.

1 2
3
4 5
1
2
4
5



79

( )
[ ]
( )
[ ]( ) ( ) P P sistema bom p P sistema bom p P p P p
1 3 4
1 1 1 1 = + = + / / bom ruim
(12.8)
Para o clculo de P3 temos que o sucesso do componente 4 indiferente
para o sucesso do sistema:

( ) P p p p
3
2
2
1 1 2 = =
(12.9)

Para calcular P4 consideramos a figura abaixo:

( )
[ ]
P p p p p
4
2
2 3
1 1 2 = =
(12.10)

Desta forma, podemos calcular P1:

( ) ( )
( ) P p p p p p p p p p
1
2 2 3 2 3 4
2 2 1 4 4 = + = +
(12.11)
Portanto, a confiabilidade final do sistema :

1
2
4 5
5
2
4
2
4 5



80
( )
( ) R p p p p p p p p p p
s
= + + = + + 4 4 1 4 3
2 3 4 2 5 4 3 2

(12.12)
12.5. Grupo Mnimo de Corte
A metodologia do grupo mnimo de corte uma tcnica poderosa que
constitui a base para muitos dos mtodos de estimativa de redes para computar a
confiabilidade de sistemas, sendo de fcil implementao computacional.
O Grupo Mnimo de Corte consiste num conjunto de componentes de
sistemas tal que, se todos os componentes do grupo falham, o sistema tambm
falha. Porm, se qualquer um dos componentes no se encontra em falha, o sistema
continua funcionando. Portanto, pela definio, todos os componentes do grupo
mnimo 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 dada por:

( ) Q P C C C C
s n
= + + + +
1 2 3
... onde o sinal positivo denota unio de eventos.

( ) Q P C C C C
s n
=
1 2 3
... ...
(12.13)

R Q
s s
= 1 a confiabilidade do sistema.

Assim sendo, para dois eventos, temos:

( ) ( ) ( ) ( ) Q P C P C P C P C
s
= +
1 2 1 2

(12.14)

A expanso da probabilidade de unio de n eventos dependentes contm,
na realidade, (2
n
- 1) termos. Entretanto, uma boa aproximao para o limite
superior da funo mortalidade pode ser obtido por:

( ) ( ) Q P C P C
s
= +
1 2

(12.15)

Enquanto que uma aproximao para o limite inferior da confiabilidade do
sistema seria:

( ) ( )
[ ]
R P C P C
s
+ 1
1 2

(12.16)

Generalizando para n eventos:

( ) ( ) ( ) ( ) Qmax P C P C P C P C
s n
= + + + +
1 2 3
...
(12.17)



81
( ) ( ) ( ) ( )
[ ]
R P C P C P C P C
s n
+ + + + 1
1 2 3
...
(12.18)

A expresso de confiabilidade uma boa aproximao para componentes
com elevada confiabilidade individual (prxima a unidade).

C1 = ab
C2 = acd

( ) ( ) ( ) ( )
( ) ( ) ( )
Q P C P C P C P C P ab P acd P abcd q q q
s
= + = + = +
1 2 1 2
2 3 4

(12.19)
12.6. Grupo Mnimo de Ligao
A metodologia do grupo mnimo de ligao uma tcnica complementar a
do grupo mnimo de corte, sendo que, pelo fato de no identificar diretamente o
modo de falha do sistema, no utilizada freqentemente.
O Grupo Mnimo de Ligao consiste num conjunto de ramificaes, ou
simplesmente ramos do sistema conectando a entrada e a sada do mesmo, tal que
em cada ramo ocorra a passagem por um nico n de cada vez. Assim, os elementos
de cada ramo do grupo de ligao esto conectados em srie, e se um dos
componentes do ramo falha, este ramo tambm falha. Porm, basta um ramo ativo
para que o sistema continue funcionando.
Portanto, pela definio, todos os componentes de cada ramo do grupo
mnimo 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 dada por:

( ) R P T T T T
s n
= + + + +
1 2 3
... onde o sinal positivo denota unio de eventos.

( ) R P T T T T
s n
=
1 2 3
... ...

Q R
s s
= 1 a mortalidade do sistema.

Efeito
a
c
b
d
Causa



82
Assim sendo, para dois eventos, temos:

( ) ( ) ( ) ( ) R P T P T P T P T
s
= +
1 2 1 2

(12.20)

A expanso da probabilidade de unio de n eventos dependentes contm,
na realidade, (2
n
- 1) termos. Entretanto, uma boa aproximao para o limite inferior
da funo confiabilidade pode ser obtido por:

( ) ( ) ( ) ( )
[ ]
R P T P T P T P T
s n
+ + + +
1 2 3
...
(12.21)

A expresso de confiabilidade uma boa aproximao para a regio de
baixa confiabilidade (prxima a zero).

T1 = a
T2 = bc
T3 = bd

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) R P T P T P T P T P T P T P T P T P T P TT T
s
= + + +
1 2 3 1 2 1 3 2 3 1 2 3

(12.22)
R p p p p p p p p p p p
s
= + + + = + +
2 2 3 3 3 4 4 3 2
3 2
(12.23)
12.7. Matriz de Conexo
A tcnica da matriz de conexo envolve a montagem de uma matriz M para
um sistema e, ento, empregando remoo nodal ou matriz de multiplicao, obter a
transmisso final entre entrada e sada. A matriz construda com base nos
elementos posicionados entre os ns, sendo que existem apenas um n de entrada e
um n de sada, com fluxo de eventos numa nica direo.
Efeito
a
c
b
d
Causa



83

A matriz de conexo da estrutura acima definida como:
para o n:
1 2 3
( ) M do no
b a
c d = +
(
(
(
1
2
3
1
0 1
0 0 1

Aplicando-se o mtodo de remoo nodal, faz-se a remoo de todos os
ns intermedirios do sistema, exceto dos ns de entrada e sada, de acordo com a
expresso abaixo:

N N N N com i,
ij ij ik kj
0
= + , j k
(12.24)

Para remoo do n 2:

N N N N b
11
0
11 12 21
1 0 1 = + = + =
( ) N N N N a b c d a bc bd
13
0
13 12 23
= + = + + = + +
N N N N
31
0
31 32 21
0 0 0 0 = + = + =
( ) N N N N c d
33
0
33 32 23
1 0 1 = + = + + =

1 3
M
a bc bd
=
+ +
(
(
(
1
3
1
0 1

Portanto a confiabilidade do sistema :

( ) R P a bc bd
s
= + +
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) R P a bc bd P a P bc P bd P abc P abd P bcd P abcd
s
= = + + +
(12.25)
R p p p p p p p p p p
s
= + + + = + +
2 2 3 3 3 4 4 3 2
3 2p
(12.26)
Efeito
a
c
b
d
Causa
1
2
3



84
12.8. rvore de Eventos
O espao-evento completo, constitudo por todas as ocorrncias possveis
em um sistema, representado graficamente em um diagrama denominado rvore
de eventos. A aplicao da rvore de eventos torna-se mais onerosa quando o
nmero de componentes superior a cinco.
Para um sistema com n componentes, assumindo que cada componente
possa ser bom ou ruim, existem 2
n
caminhos possveis entre sucessos e fracassos.
Por exemplo, para seis componentes o nmero de caminhos possveis de 64. Alm
disso, para componentes ternrios (trs estados de funcionamento) este nmero vai
a 3
n
.
Para sistemas em regime de operao contnua, os componentes podem ser
considerados em ordem arbitrria. Porm, se o sistema envolve unidades stand-by
ou seqncia lgica, a ordem de ocorrncia dos eventos deve ser considerada
cronologicamente.

Efeito
a
c
b
d
Causa
S
Entrada
R
a

Q
a

Q
b

R
b

R
c

Q
c

R
d

Q
d

S
S
S
S
S
S
S
S
S
S
F
F
F
F
F
R
c

Q
c

R
c

Q
c

R
c

Q
c

R
d

Q
d

R
d

Q
d

R
d

Q
d

R
d

Q
d

R
d

Q
d

R
d

Q
d

R
d

Q
d

Q
b

R
b



85

Confiabilidade do sistema:

R
s
=

probabilidade de ocorrencia de todos os caminhos de sucesso

Porm, na rvore de eventos aqui analisada, existem 5 (cinco) caminhos
que resultam no fracasso do sistema. Desta forma, mais fcil a estimativa da
confiabilidade como complementar dos fracassos possveis:

R
s
=
1 probabilidade de ocorrencia de todos os caminhos de fracasso

( ) ( )
( )
Q Q R Q Q Q Q R R Q Q Q Q R Q
Q R Q Q Q Q R Q Q R Q Q Q Q
Q Q
s a b c d a b c d d a b c d d
a b c d a b c c a b c d a b
d d c c
= + + + +
= + + = +
+ = + =

pois R e R 1 1

( ) ( ) Q p p p p p p p
s
= + = + 1 1 1 2 3
3 2
2 3 4

(12.27)

R p p p p
s
= + + 2 3
2 3 4

(12.28)
12.9. rvore de Falhas
A rvore de falhas representa simbolicamente as condies que podem
causar falha de um sistema, podendo evidenciar pontos crticos do sistema numa
forma visvel. Portanto, atua como ferramenta visual informando e interpretando
pontos de falha do sistema, e fornecendo suporte para decises e estudos de
desempenho de mercado, ou ainda, determinando a adequao do projeto do
sistema.
Na construo de uma rvore de falhas, aplica-se uma lgica inversa
quela empregada para rvore de eventos, partindo-se de uma determinada falha ou
evento indesejado e trabalhando-se numa ramificao de cima para baixo, a fim de
explorar todas as combinaes de eventos que podem resultar em falhas.

O procedimento bsico para desenvolver uma rvore de falhas o
seguinte:

Identificar o evento indesejado, ou condio de falha, denominado top
event, para o sistema em anlise;

Estudar e entender o sistema analisado, bem como a aplicao para a qual
foi projetado;

Determinar as causas funcionais de ordem mais elevadas que podem
causar a falha inicialmente identificada. Determinar, tambm, as relaes
lgicas de eventos de ordem inferior que podem resultar em eventos
funcionais de ordem superior;
S



86

Construir a rvore de falhas utilizando o conjunto de blocos bsicos de
estruturas. Esta rvore ilustra graficamente as diferentes combinaes e
seqncias dos eventos que conduzem ao top event. Todas as entradas de
falhas de eventos devem ser caracterizadas em termos de falhas bsicas
ou funcionais, independentes ou secundrias e identificveis ou de
comando.

Estimar e reduzir a rvore de falhas qualitativamente ou
quantitativamente, conforme desejado.

Os trs grupos de falhas so:

Falhas Primrias: falhas funcionais claramente identificveis, para
equipamento funcionando dentro dos parmetros de projeto, como falta de energia,
queima de fusveis, falha de conexo, ou quebra de vlvulas. Um evento resultante
de uma combinao lgica representado por um retngulo.

Falhas Secundrias: so falhas devido ao excessivo stress ambiental
ou operacional sobre o componente;

Falhas de Comando: so falhas decorrentes da prpria operao do
componente, porm em lugar e momento inadequados.

As relaes lgicas so representadas por ligaes lgicas do tipo soma
(ou), interseco (e), excluso, prioridade, inibio e espera. Smbolos especiais so
utilizados para eventos incompletos, condicionais e do tipo trigger.

Evento de falha bsica ou funcional

Evento resultante de uma combinao lgica de eventos falha ligados
atravs de conexes lgicas

Conexo de interseco (e) = a sada ocorre se e somente se todos os
eventos ocorrem

Ao = A1. A2
A
1
A
2



87

Conexo de soma (ou) = a sada ocorre se um ou mais eventos
ocorrem.

Conexo exclusiva OU = no ocorre sada a menos que uma e
somente uma das entradas ocorra.

Conexo prioridade E = o evento A1 deve ocorrer antes do evento A2
para que o evento Ao ocorra

Conexo com inibio = a sada ocorre somente quando a
condio de entrada satisfeita.

Conexo de espera = a sada ocorre aps um determinado intervalo
de tempo.

espera
sada
entrada
Ao =A1 + A2
A
1
A
2

Ao
A
1
A
2

Ao
A
1
A
2

Sada
Entrada
Condio de entrada



88

Evento incompleto = no totalmente desenvolvido por falta de
interesse ou informao.

Evento trigger = um evento falha cuja ocorrncia esperada

Evento condicional = condio ou restrio aplicada a conexo
lgica

Evento falha que requer maior desenvolvimento

Segue um exemplo de anlise para rvore de falhas, considerando os
eventos conhecidos e independentes entre si, com probabilidade de ocorrncia igual
a p = . Deve-se estimar a confiabilidade de ocorrncia do evento denominado top
event T.



89

Top Event

A soluo do sistema dada por:

( ) ( ) ( ) ( ) T TCT A B C T D A B C EFG D = = + + = + +
1 2 3

( ) ( ) ( ) ( ) 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)

( ) P T = +
|
\
|
|
\
|
+
|
\
|
= = =
1
4
1
4
1
16
1
4
1
64
1
4
1
256
469
16384
0 028625 28625% . .

T
T
2

C
T
1

A B D
T
3

F E G



90
13. CONFIABILIDADE E ECONOMIA
13.1. Introduo
So pontos de questionamentos comuns em engenharia decises sobre o
quanto aumenta o desempenho de um produto, para um certo nvel de investimento,
ou ainda, qual o mnimo custo envolvido para atingir determinado nvel de
desempenho. Visando sempre atingir o objetivo proposto, a deciso de importncia
fundamental e imediata passa a ser onde colocar ou investir recursos, economizar
em algum ponto para melhorar outros. Dentro desta linha de raciocnio, surge outro
problema a ser solucionado, a saber, deve-se responder a questo de como comparar
o desempenho do produto em analise, com o de projetos concorrentes. Uma das
solues, ou respostas, trata da analise de falhas de componentes similares,
baseando-se no fato de que estas falhas (principalmente se de natureza catastrfica)
so conseqncias altamente indesejveis, e que facilmente podem ser traduzidas
em termos econmicos. Para reduzir a incidncia de falhas, e fundamental o
incremento da confiabilidade, o que significa, em termos econmicos, aumento de
custos. Estes ltimos devem, por sua vez, ser economicamente justificados para sua
aprovao formal. Portanto, a pior condio para aceitao da proposta de
investimento em confiabilidade, e que a queda do custo das falhas deve igualar o
gasto para aumento de confiabilidade.
Algumas opes interessantes para aumentar R(t):

redundncia adicional;
projetar para condio ou capacidade ambiental;
desenvolver testes ambientais.

Dentro do objetivo deste capitulo, ser analisada a relao entre economia
e confiabilidade.
13.2. A economia da redundncia
Existem dois tipos bsicos de redundncias ativas: a redundncia de
sistemas (ou configurao paralelo-srie), e a redundncia de unidades (ou
configurao srie-paralelo).

1 2
3
1
2 3
ESTRUTURA PARALELO - SRIE



91

13.2.1.Estimativa de custo para redundncia 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
1 i
i o
n
1 i
i o
c C e p R
(13.1)

Para a redundncia de sistemas, m vezes:
( ) R Q R p
s oj
j
m
o
m
i
i
n
m
= = =
|
\
|
= =

1 1 1 1 1
1 1

(13.2)
C m C m c
s o i
i
n
= =
=
1

(13.3)
Para unidades idnticas: ci = c e pi = p
( ) C mnc e R p
s s
n
m
= = 1 1
(13.4)
13.2.2. Estimativa de custo para redundncia de unidades
Para n unidades e mi redundncias, com i = 1...n, temos as relaes:

( )
[ ]
R R Q p
u i
i
n
j
j
m
i
n
i
m
i
n
i
i
= =
(
=
= = = =

1 1 1 1
1 1 1
(13.5)
C m c
u i
i
n
i
=
=
1

(13.6)
Para unidades idnticas:
( )
[ ]
C c m p
u i
i
n
u
m
i
n
i
= =
= =

1 1
1 1 e R
(13.7)
Para um mesmo numero de redundncias: mi = m
( )
[ ]
C mnc e R p
u u
m
n
= = 1 1
(13.8)
1
2 3
1 2
3
CONFIGURAO SRIE - PARALELO



92
13.2.3. Minimizao de custos para redundncia de unidades
Partindo do sistema bsico, Ro e Co, objetiva-se atingir um nvel de
confiabilidade R a um certo custo C. Para tanto, duas decises importantes devem
ser avaliadas:
1. Quantas unidades redundantes mi de cada componente devem ser utilizadas para
minimizar o custo total?
2. Qual o custo mnimo?

( )
[ ]
R R p
C C m c
u i
m
i
n
u i
i
n
i
i
= =
= =
=
=
1 1
1
1
custo a ser minimizado.

(13.9)
Para mi unidades redundantes, onde i = 1, 2, 3, ...n:

( )
[ ]
( )
R p
R R R R R R R
i
i
i n
n
i
m
i
n
i
i
n
i
i
n

=
= = =
= =
=
+ + + +
= =

1 1
1 1 0
1
1 1
1 2 3
1 2 3
. . . . . .
...
ou

(13.10)
Substituindo na expresso original, temos:

( )
( ) ( )
( )
( )
1 1
1 1
1
1
=
=
=

p R
m p R
m
R
p
i
m
i i
i
i
i
i
i
i
ln ln
ln
ln

(13.11)
Finalmente, temos o custo total para redundncia de unidades:

( )
( )
( ) C c
R
p
f
u i
i
n
i
i
i
=

=
=
1
1
1
ln
ln
com i =1, 2, . . . n
(13.12)

O problema resume-se, portanto, em minimizar o custo sob a restrio do
parmetro indexado .



93
( ) C f i n
u i
i
i
n
= =
=
=
, . . . . . . 1
1 0
1
custo
restricao

(13.13)

Trata-se de um problema de otimizao, cuja soluo e feita atravs do
mtodo dos multiplicadores de Lagrange:

( )
( )
( )
f c
R
p
k
n i
i
n
i
i
i
n i

1 2
1 1
1
1
1 , , . . . ,
ln
ln
=

(
= =

(13.14)
k = multiplicador de Lagrange.

f
i
= 0 para todo i

Portanto, para cada i-esima unidade :

( ) ( )
k
c R R
R p
i
i
i
i
=

ln
ln 1 1

(13.15)

Para R 1 1 e R
i
, temos:

( )
lim
ln
R
i
R
R
i

=
1
1
1

(13.16)

Assim sendo:

( )
k
c
p
i
i i
=
ln 1

(13.17)

Para a restrio em i:
( )
i
i
i
c
k p
=
ln 1

(13.18)
( )
i
i
n
=

= =
1
1 1 -
c
ln 1- p
i
i
i=1
n

(13.19)
O multiplicador de Lagrange , portanto:



94

( )
k
c
p
i
i
i
n
=
=
ln 1 1

(13.20)
Desta forma, calcula-se i e mi para qualquer i = 1, 2, 3, ... n:
( )
( )
i
i
i
i
i
i
n
c
p
c
p
=

=
ln
ln
1
1 1

( )
( )
m
R
p
i
i
i
=

ln
ln
1
1

(13.21)
De posse destes valores, pode-se estimar a confiabilidade R e o custo
mnimo C a ela associado.
13.2. Anlise de Disponibilidade
A relao custo/beneficio bsica entre o nvel de disponibilidade e o
produto e que o aumento da disponibilidade melhora a produtividade. Como
proposio de melhora de produtividade, deve-se avaliar, tambm, 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 combinao e a interao destes dois parmetros nos fornece a
idia de disponibilidade, conforme apresentado no capitulo 4.1.

A
MTTF
MTTR MTTF
=
+
=
+

(13.22)

A relao entre MTTR e MTTF e a equao de uma reta:

( )
MTTR
A
A
MTTF =
1

(13.23)

Os seguintes fatores devem ser definidos:

A disponibilidade desejada A;
O tempo mnimo de falha aceitvel MTTF;



95
O tempo mximo de reparo possvel MTTR.

Existe uma estreita relao entre custos e disponibilidade, associada ao
desempenho do projeto. A figura abaixo mostra como o desempenho do projeto de
altera em relao a perfis constantes de custo e de disponibilidade.

Nota-se claramente que existem varias solues de projeto para diferentes
nveis de desempenho. Para disponibilidade constante, ocorrem trs possveis
solues, que variam de baixo custo e baixo desempenho (P1), a elevados nveis de
ambos, custo e desempenho (P3).

MTTF = 1 /
c.a.= (1-A)/A
A fixo
MTTR = 1 /
MTTFmin
MTTRmax
Regio economicamente
vivel = Menor Custo
Disponibilidade
diminui
Disponibilidade
aumenta
c.a.= (1-A)/A
A - fixo
MTTR = 1 /
MTTF = 1 /



96

O perfil nmero 2 pode ser conveniente, pois proporciona um custo
razovel, podendo combinar valores mdios de performance e de disponibilidade. A
deciso entre os pontos A e B, porem, deve envolver uma analise sobre a permuta,
ou relao de troca, entre desempenho e disponibilidade. Para elevados nveis de
desempenho e excelente disponibilidade, entretanto, os custos sero sempre muito
altos.
Disponibilidade
constante
Perfis de custo
constante
A
B
P1 P2
P3
Disponibilidade
Desempenho
de Projeto



97
14. ACEITAO E REJEIO DE AMOSTRAS
Um problema de deciso, no qual um ou dois argumentos devem ser
selecionados, e definido como um problema de teste estatstico de hipteses. Nestes
casos, faz-se necessrio tomar decises sobre parmetros de populaes, baseando-
se em informaes obtidas de um grupo amostral aleatrio, a partir da populao
analisada, assumindo que a amostra e a populao possuem a mesma distribuio.
Porem, para amostras pequenas, no h evidencias suficientes para este
julgamento, sendo necessrio um conhecimento suplementar, o que e factvel
postulando a hiptese e, ento, verificando se a estatstica da amostra e comparvel
aos resultados observados da populao. Assim sendo, o teste de uma hiptese
estatstica e um procedimento que leva a deciso de rejeitar ou aceitar a hiptese em
considerao, ou ainda, rejeitar ou aceitar a amostra.
Nos testes estatsticos so consideradas duas hipteses: uma hiptese
inicial Ho, que ser submetida ao teste; e uma hiptese alternativa H1.
Procede-se com a observao e, se os dados de prova se correlatam com
Ho, ento Ho e aceita; caso contrario, ser rejeitada. Portanto, se Ho e tal que =
h

(hipottica media da populao), H1 poder ser >
h
, <
h
, ou
h
.
Exemplo: Um fabricante de tubulaes utiliza material com limite de
escoamento mdio o = 100 kpsi e desvio padro = 10 kpsi. Seleciona-se para
teste uma amostra para verificao do valor mdio. Se a media amostral for muito
prxima a 100 kpsi, ento Ho e verdadeira e a amostra e aceita.
Porem, informaes obtidas de amostras nem sempre representam a
populao, podendo induzir a dois tipos de erros:
Tipo I: rejeitar a hiptese inicial, quando esta e verdadeira. A
probabilidade de rejeitar uma amostra, enquanto representativa, chama-se nvel de
significncia , e implica em riscos para o fabricante, que pode, neste caso, rejeitar
um lote perfeito.
Tipo II: aceitar a hiptese inicial, enquanto falsa. A probabilidade de
cometer este erro denota-se por , 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 nvel bem baixo, entre 0.01 e 0.05. Os passos so os
seguintes:

Definir a hiptese: Ho e =
h
; H1 e
h
.

Decidir o nvel de significncia .

Selecionar o tamanho da amostra n.

Testar a hiptese estatisticamente, por exemplo:

z
x
n
x
h
=

(14.1)



98
Definir a regio de rejeio para o valor de estabelecido.
Realizar o teste experimental com a amostra, calculando o valor
mdio e o desvio padro, para em seguida, substituir na expresso de z
x
.

Observar se z
x
se localiza na regio de rejeio.

7.2 Nvel de Confiana
Conforme colocado no pargrafo precedente, o valor mdio estimado a
partir de uma amostra devera representar a populao de provenincia do espao
amostral. Entretanto, somente o ponto estimado no fornece uma soluo completa
do problema. Torna-se necessrio saber o quo precisa ou ajustada e tal estimativa,
ou ainda, o quanto a amostra e representativa da populao.
Os intervalos de confiana so a soluo imediata para tal problema,
constituindo-se de faixas de valores dentro dos quais pode-se estimar o valor mdio
correto, por exemplo. Intervalos de confiana sempre esto associados a nveis de
probabilidades. Por exemplo: o valor mdio da populao encontra-se entre 125 e
235, com 95% de nvel de confiana.
Os valores que limitam este intervalo so chamados limites de confiana, e
a probabilidade associada, nvel de confiana, traduzindo a probabilidade do valor
estimado realmente se encontrar dentro da faixa de confiana. Assim sendo, o nvel
de confiana e a probabilidade complementar do nvel de significncia .
Nvel de confiana = 1 -
O valor percentual do nvel de confiana pode ser determinado atravs da
distribuio Gamma, em sua forma chi-quadrada (
2
), para grau de liberdade (ou
numero de falhas) inferior a 30. Se o numero de falhas for superior, o nvel de
confiana deve ser estimado pela distribuio normal. Os quatro parmetros
principais associados ao nvel de confiana so: vida media, tempo limite de
operao, limite inferior de confiabilidade e o prprio nvel de confiana. Os limites
de confiana podem ser unilateral ou bilaterais.
-3 -2 -1 0 1 2 3
0.4
- z
/2
/2
(1- )
Intervalo de confiana



99
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 mdio
at falhas MTTF.
Sabe-se que o valor de MTTF obtido dos testes corresponde ao valor
esperado ou mdia m para cada grupo de amostras considerado. Neste caso, o
conceito de nvel de confiana de modo a fornecer um percentual de erro, ou risco,
na estimativa deste valor, mantido dentro de determinados limites aceitveis. Ou
ainda, o nvel de confiana corresponde a proporo de amostras com limites de
confiana que contm o real valor de m = MTTF.

Definindo Nt como nmero total de amostras e Nc como o nmero de
amostras que contm o valor verdadeiro da mdia m, tem-se:

CL
Nc
NT NT
=
lim
(14.2)

Assim sendo, a razo do nmero de amostras que no contm o valor
verdadeiro de m, pelo nmero total de amostras, nos fornece o nvel de risco .
Epstein e Sobel observaram que a distribuio chi-quadrada, para 2r graus
de liberdade, se aplica a relao da varivel tempo total de teste Ta com a mdia m.

2T
m
a

(14.3)

Portanto, para a mdia m = Ta / r, onde r o nmero de falhas:

P
rm
m
CL
r r

1 2 2
2
2 2
2
2
1

|
\
|
= =
/ ; / ;

m1
m1i m1s
mverdadeiro
m2
m2i m2s
m3
m3i m3s
m4
m4i m4s
m5
m5i m5s



100
(14.4)

A equao anterior pode ser re-arranjada para centralizar o m:

P
rm
m
rm
CL
r r
2 2
1
2 2
2
1 2 2
2

/ ; / ;

< <
|
\
|
|
= =

(14.5)

Assim, o limite de confiana inferior de m :

m
rm
m
T
i
r
i
a
r
=
=
2
2
2 2
2
2 2
2
/ ;
/ ;

(14.6)
E o limite de confiana superior :

f
rm
m
2
|
\
|

2
1 2 2
rm
m
r
/ ;
|
\

2
2 2
rm
m
r
/ ;
|
\

/2
/2
CL= 1 -
Limites de confiana



101
m
rm
m
T
s
r
s
a
r
=
=
2
2
1 2 2
2
1 2 2
2
/ ;
/ ;

(14.7)
os valores de
2
so tabelados.

Como exemplo, considera-se um teste com um nmero pr-determinado de
falhas e nmero acumulado de horas de teste de 6000 hs. Os limites de confiana
inferior e superior para 95% de nvel de confiana estimado como segue abaixo:

T
r
CL
a
=
=
=
=
6000
10
95%
5%
hs.

O limite de confiana inferior dado por:

m
T
horas
i
a
r
= =

= =
2 2 6000 12000
3417
351
2 2
2
0 025 20
2

/ ; . ;
.

O limite de confiana superior dado por:

m
T
horas
s
a
r
= =

= =
2 2 6000 12000
959
1251
2 2
2
0 975 20
2

/ ; . ;
.

Portanto, a probabilidade de que o verdadeiro valor do MTTF esteja
entre 351 hs e 1251 hs, de 95% (nvel de confiana da amostra).

Valores de 2 correspondentes algumas probabilidades.



102

GL/ 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

GL
2
e
;



103
15. ENSAIOS ACELERADOS
Sistemas complexos de alta confiabilidade necessitam de componentes
extremamente confiveis. Tais componentes geram dificuldades quanto a estimativa
de sua performance (ou confiabilidade) num perodo de tempo razovel, atravs de
amostragens e ensaios realsticos.
Em alguns casos, no possvel esperar um acmulo de dados de falha,
resultantes de modificaes de campo. Tais componentes, devido ao excelente
desempenho, apresentam tempos de vida til extremamente longos, de modo que o
tempo necessrio coleta de dados seria suficiente para que o componente se
tornasse obsoleto.
Uma aproximao razovel acelerar o processo de falha, submetendo o
componente a condies de teste (tenso, ciclos, temperatura, etc.) muito mais
rigorosos que as normais. Tais resultados so, ento, ajustados por modelos
aceitveis de distribuies estatsticas que, unidas aos modelos acelerados, estimam
as taxas de falhas em condies normais de uso.
Testes de tenses podem ser aplicados separadamente ou em combinao.
O nvel das tenses pode ser constante, crescente em intervalos, ou
progressivamente crescentes. No so testados componentes sob tenses que
alterem o estado do material, ou ainda, que no ocorrem sob condies de uso
comum.
Um parmetro importante o nmero mnimo de componentes, para um
dado teste acelerado, necessrio para validao do modelo, neste caso, igual ao
nmero de parmetros a serem estimados.
15.1. Acelerao Real
O melhor exemplo de acelerao real o comando FF - fast forward
utilizado em vdeos, ou seja, o processo acelerado de modo que todos os eventos
ocorram na mesma seqncia, porm acelerados, num menor intervalo de tempo.
No caso de falhas, tem-se o efeito de acelerar o processo de falha sem
alterao do mecanismo de falha, nem da seqncia de eventos, denominado
acelerao real.
Sob acelerao real, somente ocorre uma transformao na escala do
tempo, que ser aplicada somente sobre um intervalo limitado de tenses. Quando
uma nica estimativa, bem conhecido da funo densidade, pode ser utilizada como
modelo de acelerao real, assume-se a condio de linearidade devido sua
aplicabilidade matemtica.
Sob acelerao linear real, cada tempo de falha multiplicado pela mesma
constante, bem como cada distribuio percentual, de modo a obter os valores
correspondentes a diferentes nveis de tenses, por exemplo.
A acelerao do processo de falha quantificada atravs do fator de
acelerao:
=
t
t
n
a

(15.1)



104
na qual: tn o tempo de falhas em condies normais, e ta o tempo de
falhas em ensaios acelerados.

15.2. Consideraes sobre as Funes de Confiabilidade
Para a funo densidade de probabilidade de falhas f(t):

t t
n a
=
(15.2)

( ) ( ) f t f t f
t
n n a a a
n
= =
|
\
|
1 1

(15.3)

Para um tempo real genrico t:

( )
|
\
|

=
t
f t f
a n
1

(15.4)

Em seguida, integrando-se a funo densidade de probabilidade de falhas
para obteno da funo acumulada de falhas, tem-se:

( ) ( )
( )
Q t f t dt f
t
dt t f
t
Q t t f
t
t f
t
t f
t
Q
t
n n n
t
a
t
a
t
n n n a
n
a a
n
a a
n
a
n
n n n
= =
|
\
|
=
|
\
(
=
|
\
(
=
|
\
(
=
|
\
|
=
|
\
|

0 0 0
1 1
1 1

(15.5)

Para um tempo real genrico:

( ) Q t Q
t
n a
=
|
\
ou ainda ( ) ( ) R t Q t Q
t
n n a
= =
|
\
|
1 1

(15.6)

Para a funo taxa de falhas:

( )
( )
( )
( )
( )
n
n
n
n
n
t
f t
R t
f t
Q t
= =
1

(15.7)



105
( )
n
a
a
t
f
t
Q
t
=
|
\
|
\
|
1
1

(15.8)

( )
n a
t
t
=
|
\
|
1

(15.9)
As expresses fn(t), Qn(t) e n(t) so gerais e vlidas, enquanto as
condies de acelerao linear real ocorrem.
15.3. Acelerao Fsica e Distribuio de Falha
Sendo obtidos dados de falha para uma condio de acelerao linear real,
deve-se obter a distribuio para vrias outras condies, eventualmente normais de
operao.
15.3.1. Distribuio Exponencial

Quando os testes acelerados apresentam distribuio exponencial, tem-se
a constante.

( ) [ ]
Q t t
a a
= 1 exp
(15.10)

( ) Q t Q
t t
cons te
n a a n a
=
|
\
|
=
(
= =

1 exp tan onde
(15.11)
( ) [ ]
Q t t
n n
= 1 exp
(15.12)
A distribuio de falhas, em condies normais, permanece exponencial.

15.3.2. Distribuio de Weibull
Quando os testes acelerados apresentam uma distribuio de Weibull,
temos os parmetros de forma a e de escala

( ) Q t
t
a
a
a
=
|
\
(
(
1 exp

(15.13)

Para condies normais de uso, temos:

t t t t
a a
= = ou ainda



106
( ) Q t Q
t
n a
=
|
\

(15.14)

( ) Q t
t t
n
a n
a n
=
|
\
(
(
=
|
\
(
(
1 1 exp exp

(15.15)
Continua distribuio de Weibull com n = Aa , se e somente se, ambas
distribuies, com acelerao e em tempo normal, apresentarem o mesmo
parmetro de forma n = a.
Se n diferente de a, para dois nveis de solicitao diferentes, ento
existem duas possibilidades:
a) no uma distribuio de Weibull;
b) no ocorre acelerao linear real.

( ) ( )

a
a
a
n
n
n
t
t
t
t t
a
a
n
n
= = =
|
\
|
1 1
1

(15.16)

( )
( )
( )
( )

n
a
a
a
n
n
a
t
t
t
t
t
a
a
n
n n
=
|
\
|
= =
1
1
1

(15.17)
Ou seja, a relao entre as funes taxa de falha acelerada e normal
somente ser linear se a = 1 (distribuio exponencial).

15.3.3. Distribuio Log-normal
Define-se, neste caso, Ta como tempo mdio at falha no ensaio acelerado.

( )
( )
f t
t
t
T
a
a
a
a
a a
=

(
(
=
1
2 2
2
2

exp
ln
ln
(15.18)
Para acelerao linear real, considera-se Tn = ATa com mesma variana da
distribuio log-normal:

( )
( )
( )
f t
f t
t
t
T
n
a
a
a
a
= =
|
\
|
|
\
(
(
(
(
(

1 1
2
2
2
2

exp
ln ln

(15.19)



107
( )
( ) ( )
( )
( ) ( )
( )
( )
f t
t
t T
f t
t
t
f t
t
t
n
a
a
a
n
a
a
a
n
n
n
n
=

(
(
=
+
(
(
=

(
(
1
2 2
1
2 2
1
2 2
2
2
2
2
2
2

exp
ln ln ln
exp
ln ln
exp
ln

(15.20)

Ou seja,
a n n a
= = + e ln.

A acelerao linear real no altera o parmetro de forma, ou variana ;
mas o parmetro de escala alterado por A.

A = fator de acelerao.

Se as varianas diferem entre si, para dois diferentes nveis de tenses,
ento:
a) a distribuio no log-normal;
b) no ocorre acelerao linear real.
15.3.4. Distribuio Gamma
A densidade de falha para ensaio acelerado da forma:

( )
( )
f t
t t
a
a a a
a
a
=
|
\
exp
(15.21)

( )
( )
( )
f t
f t
t
t
n
a
a a a
a
a
= =
|
\
|
\

1
1

exp
(15.22)

( )
( )
( ) ( )
( )
( )
f t
t t t t
n
a a
a n n n
a
a
n
n
=
|
\
| =
|
\

1 1

exp exp
(15.23)

Ou seja, a funo densidade de falha em tempo normal apresentar
distribuio Gamma se os parmetros de forma forem iguais, e se o parmetro de



108
escala responder linearmente de acordo com o fator de acelerao:

n a n a
= = e .
15.4. Modelos de Acelerao
15.4.1. Modelo de Arrhenius
Aplicado a falhas por processo de degradao qumica ou devido a
variao de temperatura (dispositivos eletrnicos e isolamento eltrico).
Neste caso, a acelerao do processo de falha ocorre por elevao de
temperatura.
A aplicao do modelo de Arrhenius implica nas seguintes condies:

* as tenses mais significantes so trmicas;
* os tempos de vida tem distribuio log-normal para qualquer
temperatura;
* o desvio padro independe da temperatura;
* o valor mdio do logartmo da varivel tempo l(nt) expresso como
funo da temperatura:

1 1
T
A B
T
|
\
|
= +
|
\
|

(15.24)

A e B dependem do material envolvido e do tipo de teste realizado.

Sabendo-se que = Tm (ou tempo mdio de falha), define-se para
temperatura de teste T1 o tempo mdio Tm1.

( )
T
T
e e
m
A B T
1
1
1
1
=

(
|
\
| = exp
(15.25)
Para temperatura de teste T2, temos:

( )
T
T
e e
m
A B T
2
2
1
2
=

(
|
\
| = exp
(15.26)
Para acelerao real, o fator de acelerao para conduzir testes na
temperatura T2 ao invs de T1:

T2 > T1 e Tm1>>Tm2

= =
|
\
(
T
T
B
T T
m
m
1
2 1 2
1 1
exp
(15.27)



109

Determinao de B deve envolver um nmero de equaes e de nveis de
tenses igual ao nmero de parmetros a se determinar.
ln
ln
ln
=
|
\
|
=
(
=
B
T T
B
T T
B
T
T T T
m
m
1 1
1 1
1 1
1 2
1 2
1
1
2 1 2
1

(15.28)

Onde A o fator de acelerao, B o parmetro de teste associado ao
material, T a temperatura de teste e Tm, o valor mdio.
15.4.2. Modelo de Eyring
Aplicado para tenses trmicas combinadas com tenses de outra natureza
(n tipos). A temperatura mdia obedece a seguinte relao:

( )
( )
[ ] ( )
T e T e k k T S
m
A B T
i
n
i i i
= +
=
exp
1
1 2

(15.29)

Onde , A e B so parmetros de temperatura e Si so tenses adicionais.

Se = 0 e n = 0, ento o modelo de Eyring tende ao modelo de Arrhenius.

Por exemplo, para tenso trmica mais uma adicional:

( )
( )
[ ] ( )
T e T e k k T S
m
A B T
= +
exp
11 21 1

(15.30)

Portanto, so trs parmetros para tenso trmica, mais dois parmetros
para cada tenso adicional Si.



110
16. REFERNCIAS BIBLIOGRFICAS

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: bsica e prtica. So Paulo: Edgard Blcher
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.

EM074 Apostila PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

EM074 Apostila PDF

Caricato da

Copyright:

Formati disponibili

UNIVERSIDADE ESTADUAL DE CAMPINAS

FACULDADE DE ENGENHARIA MECNICA

... ... ...

( )dx , no qual o desvio padro = m

1 probabilidade de ocorrencia de todos os caminhos de fracasso

Potrebbero piacerti anche