Sei sulla pagina 1di 128

Confiabilidade

Confiabilidade
Confiabilidade est intuitivamente associada probabilidade de um produto
realizar sua funo por um perodo de tempo especificado. Em outras
palavras, podemos definir confiabilidade como uma medida da capacidade de
um produto funcionar bem durante um perodo de tempo especificado, sob
condies de uso pr-estabelecidas.
A seguir apresentamos os tpicos com os principais conceitos e ferramentas
bsicas para a anlise de Confiabilidade.
1 - Introduo
2 - Anlise do Tempo de Falha
o 3 - Estimao No-Paramtrica da Funo de Confiabilidade
3 - Estimao No-Paramtrica da Funo de Confiabilidade
3.1 - Tabela de Vida
3.2 - Estimador de Kaplan-Meier
3.3 - Usando as estimativas da Funo de Confiabilidade R(t)
3.4 - Estimando o MTTF ou MTBF
3.5 - Comparao entre os Estimadores
o 4 - Modelos Probabilsticos em Confiabilidade
4 - Modelos Probabilsticos em Confiabilidade
o 4.1 - Modelos Probabilsticos para a Tempo de Falha
4.1 - Modelos Probabilsticos para a Tempo de Falha
4.1.1 - Distribuio Exponencial
4.1.2 - Distribuio de Weibull
4.1.3 - Distribuio de Valor Extremo (ou de Gumbel)
4.1.4 - Distribuio Log-Normal
o 4.2 - Estimando os Parmetros dos Modelos
4.2 - Estimando os Parmetros dos Modelos
4.2.1 - Mtodo de Mxima Verossimilhana
o 4.3 - Escolha do Modelo Probabilstico
4.3 - Escolha do Modelo Probabilstico
4.3.1 - Mtodos Grficos
4.3.2 - Teste de Qualidade de Ajuste de Anderson Darling
4.3.3 - Aplicao
4.4 - Mtodo Delta
4.5 - Resumo das Principais Distribuies e Propriedades
o 5 - Testes Acelerados
5 - Testes Acelerados
5.1 - Conceitos Bsicos
5.2 - Variveis de Estresse
5.3 - Relao Estresse-Resposta
5.4 - Aplicaes das Relaes Estresse-Resposta em Conjunto com os Modelos Probabilsticos
o 6 - Modelos de Regresso para Dados Oriundos de Testes Acelerados
6 - Modelos de Regresso para Dados Oriundos de Testes Acelerados
6.1 - A ideia intuitiva dos modelos
6.2 - Forma geral do modelo
6.3 - Estimando os parmetros do modelo
6.4 - Adequao do Modelo
6.5 - Comparao entre curvas de sobrevivncia
7 - Plano de determinao
8 - Exerccios
o 9 - Apndice
9 - Apndice
9.1 - Tabelas de Energia de Ativao
9.2 - Relaes Estresse-Resposta em sua forma log-linear
10 - Referncias Bibliogrficas









1 - Introduo
Antes de iniciarmos a discusso do assunto gostaramos de fazer uma pequena
reflexo, respondendo seguinte pergunta:
O aparelho de televiso da sua casa confivel?
Tivemos a oportunidade de fazer esta pergunta a diversas pessoas e as
respostas foram mais ou menos do genro:
"Acredito que sim, comprei-o faz uns 10 anos e ele nunca apresentou
qualquer problema", ou
"Sim, ele funciona bem h mais de 8 anos", ou ainda
"No, ele j apresentou tantos problemas que no compro mais nenhum
produto da mesma marca!".
Evidentemente, usurios diferentes podem ter no s expectativas diferentes
com relao durabilidade de um produto, como podem ter tambm opinies
diferentes a respeito do que seja bom funcionamento. Apesar disso, todos
eles so familiarizados, mesmo que inconscientemente, com o conceito de
confiabilidade, sobretudo quando se refere produtos de uso domstico tais
como aparelhos de televiso, computadores ou automveis.
De maneira geral, a noo de confiabilidade est intuitivamente associada ao
grau de certeza que se tem no bom funcionamento de um produto durante um
longo perodo de tempo. Entretanto, definindo desta forma, o conceito
apresenta uma dificuldade de ordem prtica. Do ponto de vista da engenharia
por exemplo, seria importante poder garantir a confiabilidade de um produto
ou a sua melhoria. Esta tarefa, contudo, s seria vivel se este grau de
certeza pudesse ser medido de alguma forma aceitvel.
Com o desenvolvimento e a aplicao de novas tecnologias, sobretudo na
produo de sistemas militares complexos, foi aumentando a presso para que
essas questes de ordem prtica fossem resolvidas. Os esforos nesse sentido
resultaram no desenvolvimento de mtodos probabilsticos e estatsticos para
o tratamento prtico das questes industriais relacionadas confiabilidade,
caracterstica que passou a ser expressa formalmente atravs da seguinte
definio:
"Reliability is the probability of a product performing its intended function
for its specified life, under specified operating conditions, in a manner
which meets or exceeds customer expectations."
Com o objetivo de facilitar o entendimento e a aplicao prtica desta
definio, trs aspectos precisam ficar claros:
O que se entende por um bom funcionamento do produto?
Por quanto tempo espera-se que o produto funcione bem?
Quais so as condies de uso nas quais o produto deve funcionar bem?
Quais so as necessidades e expectativas dos clientes?
O bom funcionamento de um produto caracterizado pela qualidade de
execues das funes para as quais o mesmo foi projetado e desenvolvido. A
partir da definio do critrio de bom funcionamento do produto derivam-se o
critrio de falha e funcionamento degradado do produto que se referem,
respectivamente, incapacidade total ou parcial de executar funes.

bvio que devido ao de agentes tais como temperatura, umidade,
salinidade entre outros, todo produto ir falhar ou funcionar de forma
degradada a partir de algum instante. Por esta razo a confiabilidade refere-
se ao bom funcionamento do produto durante um perodo de tempo bem
definido.
importante ressaltar que em virtude do desgaste ou envelhecimento natural
de um produto, o critrio de bom funcionamento do mesmo pode mudar com
o decorrer do tempo.
A considerao das condies de uso tambm de importncia fundamental.
Todo produto projetado e desenvolvido para ser utilizado sob condies
especficas, que podem envolver tanto aspectos de natureza ambiental
quanto aspectos de natureza operacional.
Enfim, confiabilidade uma medida da capacidade de um produto funcionar
bem durante um perodo de tempo especificado, sob condies de uso pr-
estabelecidas. O carater probabilstico da definio permite ainda que se d
confiabilidade um tratamento formal atravs de mtodos estatsticos.

Confiabilidade e Qualidade

Sob diversos aspectos a confiabilidade de um produto tem impacto na
satisfao do consumidor. A compra de um produto mais confivel poder, por
exemplo, resultar em um custo total de utilizao menor. Um produto menos
confivel necessitar intervenes mais frequentes para manuteno, cujos
gastos podero anular a vantagem inicial de um custo de aquisio mais baixo.
O produto em manuteno poder ainda acarretar prejuzos significativos para
o usurio e disto resultar perda de faturamento.
Por outro lado, para muitos produtos, como por exemplo automveis, a
confiabilidade depende de cuidados especiais com sua conservao ou
manuteno. Esses cuidados fazem parte das condies de uso especificadas
em projeto e no podem, portanto, deixar de ser observadas. Produtores de
bens desse tipo devem, portanto, garantir ao consumidor condies que o
permitam atender a essas exigncias sem que isso acabe se tornando um
problema.
Um outro aspecto importante o da segurana. A falha do sistema de freio de
um avio, por exemplo, pode colocar em risco a vida dos passageiros. Assim,
quanto maior a confiabilidade do sistema de freio, maior a confiabilidade do
avio.
Para exemplicar o que j discutimos em relao confiabilidade e qualidade
observemos o diagrama a seguir.

2 - Anlise do Tempo de Falha
Nesse tpico apresentamos um conjunto de tcnicas estatsticas para anlise
de dados de durabilidade provenientes de uma populao homognea. As
populaes heterogneas ocorrem no contexto de testes de vida acelerados,
que sero tratados via modelos de regresso. A anlise do tempo de falha
responde as perguntas relacionadas ao tempo de vida de produtos e
componentes. Para introduzirmos os conceitos bsicos vamos apresentar um
exemplo.
Exemplo 2.1: Uma vlvula de acionamento da ventoinha avaliada com
relao ao tempo de vida. O fabricante submete vrias vlvulas a testes onde
seu funcionamento acelerado para obter informaes sobre a confiabilidade
do produto.
Um tipo comum de teste aquele em que a vlvula colocada em um tanque
de gua, que aquecido e resfriado acelerando o funcionamento da vlvula.
Estima-se que 30.000 ciclos (um ciclo corresponde ao ato de abrir e fechar a
vlvula) equivalem a 10 anos de uso em condies normais. Considere a
situao em que um lote de 30 mecanismos novos foi colocado em teste. O
teste consiste em deix-los em funcionamento por um perodo de at 50.000
ciclos e registrar, para cada mecanismo, o nmero de ciclos que ele
completou at falhar. Aps o teste 18 mecanismos haviam falhado antes de
completar 50.000 ciclos e o restante continuava funcionando.
O nmero de ciclos at a falha para esses 18 mecanismos foram: 5.625;
11.223; 12.128; 13.566; 14.922; 16.513; 22.138; 26.791; 27.144; 27.847;
28.613; 31.225; 36.229; 38.590; 39.580; 40.278; 41.325; 44.540.
5626 11223 12128 13566 14922 16513 22138 26791 27144 27847
28613 31225 36229 38590 39580 40278 41325 44540 50000+ 50000+
50000+ 50000+ 50000+ 50000+ 50000+ 50000+ 50000+ 50000+ 50000+ 50000+
clique aqui para efetuar o download dos dados utilizados nesse exemplo

A partir desses dados o fabricante gostaria de responder as seguintes
perguntas:
1. Qual o nmero mdio de ciclos completados at a falha deste
mecanismo?
2. Os fabricantes conferem dois anos de garantia ao seu produto e sabem
que o nmero mdio de ciclos de funcionamento do produto no
perodo 2 anos de 6.000 ciclos. Qual a frao de defeituosos
esperada nos primeiros dois anos?
3. Qual o nmero de ciclos no qual 10% dos produtos estaro fora de
operao?
Com isso, introduzimos os seguintes conceitos bsicos:
1. Tipos de Falha
As situaes estudadas em confiabilidade envolvem o tempo at a ocorrncia
de um evento de interesse. Esses eventos so, na maioria dos casos,
indesejveis e usualmente denominados de falha. O primeiro passo para
estudar confiabilidade definir de forma clara e precisa o que venha ser
falha. Uma forma razovel de definir falha atravs da viso do consumidor.
O produto falha quando o consumidor diz que ele falhou.
Por exemplo, nas cafeteiras modernas a gua aquecida passando atravs de
uma tubulao quente. Com o passar do tempo os componentes minerais
existentes na gua vo se acumulando na tubulao, diminuindo o seu
dimetro. O efeito disso o aumento do tempo necessrio para que o caf
fique pronto. Uma forma de definir falha sob a perspectiva do consumidor
seria ento, definir em termos do tempo de preparo do caf. Por exemplo, a
falha ocorre quando o tempo para preparar 8 xcaras ultrapassar 10 minutos.
Um elemento relacionado ao tempo de falha a escala de medida, no
exemplo discutido a unidade de medida o nmero de ciclos. Outras vezes
utilizamos o tempo.
2. Dados Censurados
Os testes realizados para obter as medidas de durabilidade de produtos so
demorados e caros por isso, usualmente, os testes so terminados antes que
todos os itens falhem. Uma caracterstica decorrente desse tipo de
amostragem a presena de censuras ou informaes incompletas. No
Exemplo 2.1 apresentado acima vimos que 12 dos 30 mecanismos no
falharam at 50.000 ciclos. Essas 12 observaes so ditas censuradas, pois
fornecem apenas informaes parciais, isto , apenas que o tempo de vida do
mecanismo maior que 50.000 ciclos. Ressaltamos que, embora parciais,
estas observaes fornecem informaes relevantes sobre o tempo de vida e
no devem ser desconsideradas na anlise estatstica.
Na prtica temos alguns tipos de censura, sendo elas:
Censura direita: uma observao dita censurada direita em um tempo
L se conhecido apenas que o seu tempo exato de falha maior ou igual a
L, como no Exemplo 2.1 das vlvulas.
Censura esquerda: analogamente, uma observao dita censurada
esquerda em um tempo L se conhecido apenas que o seu tempo exato de
falha menor ou igual a L.
Alm desses dois tipos de censura devemos escolher ao planejarmos o
experimento (teste), entre dois esquemas de censura: Censura do Tipo I ou
Censura do Tipo II.
Censura do Tipo I: consiste em pr-estabelecer um perodo de tempo para
cada um dos itens em estudo, de maneira que o tempo de vida de um item
conhecido apenas se for menor que este perodo. Um exemplo desse
esquema de censura dado pelo Exemplo 2.1 em que todos os itens so
observados at no mximo 50.000 ciclos. Observe que para este esquema de
censura o tempo em que cada item fica sob observao fixo, enquanto que
o nmero de unidades que falham (observaes no censuradas) aleatrio.
Esse esquema de censura utilizado quando se pode planejar o tempo de
durao do estudo.
Censura do tipo II: aquela em que apenas as r menores observaes de
uma amostra de tamanho n so completas, isto , no censuradas. Em outras
palavaras, dizemos que o teste termina aps ter ocorrido a falha de um
nmero pr-estabelecido de itens sob teste. Esse esquema de censura
utilizado quando se tem pouca ou nenhuma informao sobre a durabilidade
do produto.
Ainda, temos um terceiro esquema de censura, o aleatrio. Isso acontece na
prtica, quando um item retirado no decorrer do teste sem ter atingido a
falha, podendo ocorrer se o item falhar por uma razo diferente da estudada.

3. Especificando o Tempo de Falha

A varivel aleatria T, que representa o tempo de falha, usualmente
especificada em confiabilidade pela sua funo de confiabilidade ou pela sua
funo de taxa de falha.

3.1. Funo de Confiabilidade

Essa uma das principais funes probabilsticas usadas para descrever
estudos provenientes de testes de durabilidade. A funo de confiabildade
definida como a probabilidade de um produto desenvolver sua funo sem
falhar at um certo tempo t. Em termos probabilsticos, isso escrito em
funo da varivel de interesse T, que o tempo at a ocorrncia da falha,
como sendo


Tendo em mos a funo de confiabilidade, podemos voltar ao Exemplo 2.1 e
responder as perguntas 2 e 3, em que a frao de defeituosos nos dois
primeiros anos de vida de cerca de 1% e 10% dos produtos estaro fora de
operao com 10 anos de uso.

3.2. Funo Taxa de Falha

A probabilidade de um produto falhar em um intervalo de tempo [t
1
, t
2
) pode
ser expressa em termos da funo de confiabilidade como








A taxa de falha no intervalo [t
1
, t
2
) definida como a probabilidade de que a
falha ocorra neste intervalo, dado que a falha no ocorreu antes de t
1
,
dividido pelo comprimento do intervalo. Assim, a taxa de falha no intervalo
[t
1
, t
2
) expressa por


Considerando o intervalo [t, t+t), t > 0, a expresso (2.1) pode ser reescrita
como


A taxa instantnea de falha em um tempo t ser definida como


e sua expresso ser obtida ao fazermos t tender a zero na expresso (2.2),
isto ,


Sabendo que R(t) = 1 - F(t) e que a funo densidade de probabilidade f(t)
igual derivada da funo de distribuio acumulada F(t), isto ,


conclumos que a taxa instantnea de falha h(t) pode ser expressa como










Observe que, as taxas de falha so nmeros positivos mas sem limite superior.
A funo taxa de falha h(t) bastante til para descrever a distribuio do
tempo de vida de produtos. Ela descreve a forma em que a taxa instantnea
de falha muda com o tempo. A Figura 2.1 mostra quatro funes de taxa de
falha, sendo elas:
Crescente: a taxa de falha aumenta com o tempo. Este o comportamento
esperado para produtos ou componentes, mostrando um efeito gradual de
envelhecimento.
Decrescente: a taxa de falha diminui com o tempo. o comportamento de
certos tipos de capacitores e alguns dispositivos semicondutores.
Constante: a taxa de falha constante para qualquer valor do tempo.
Usualmente caracteriza um perodo do tempo de vida de vrios produtos
manufaturados.
Banheira: uma combinao entre as trs funes anteriores, sendo em um
perodo inicial decrescente, no perodo intermedirio aproximadamente
constante, e no perodo final crescente. Acredita-se que a funo de taxa de
falha do tipo banheira descreve bem o comportamento do tempo de vida de
alguns produtos que so sujeitos, em um perodo inicial, a uma alta taxa de
falha (perodo de falhas prematuras) que decresce rapidamente ficando
constante em um perodo intermedirio (perodo de vida til) e apresenta no
perodo final uma taxa de falha crescente (perodo de desgaste).


Figura 2.1: Funes de taxa de falha.
Outra relao entre h(t) e R(t) bastante usada dada por


em que H(t) a funo taxa de falha acumulada, utilizada por alguns autores
em anlises grficas para verificar a adequao de modelos estatsticos.
3 - Estimao No-Paramtrica da Funo de Confiabilidade
Em geral, os conjuntos de dados amostrais de tempos de falha apresentam
censuras, o que requer tcnicas estatsticas especializadas para acomodar a
informao contida nestas observaes. As observaes censuradas nos do
somente parte da informao sobre o tempo de falha dos itens sob teste. Isto
, a observao censurada informa que o tempo at a falha maior do
que aquele onde a censura foi registrada. Os problemas gerados
por observaes censuradas podem ser ilustrados numa situao bem simples,
por exemplo, na construo de um histograma. Se a amostra no contiver
observaes censuradas, a construo de um histograma consiste na diviso do
eixo do tempo em um certo nmero de intervalos. Em seguida, conta-se o
nmero de falhas em cada intervalo. Entretanto, quando existem censuras
no possvel construir um histograma, pois no sabemos a frequncia
exata associada a alguns intervalos.
A seguir apresentamos tcnicas estatsticas usadas para analisar dados de
tempo de falha na presena de censuras. Em particular, introduzimos
dois estimadores no-paramtricos (Tabela de vida e Kaplan-Meier) para
a funo de confiabilidade.
3.1 - Tabela de Vida
A tabela de vida ou mtodo atuarial uma das mais antigas tcnicas
estatsticas utilizadas para estimar caractersticas associadas distribuio
dos tempos de falha. A tabela de vida essencialmente uma extenso do
histograma para o caso de dados censurados. Veremos a seguir como se
constri uma tabela de vida. Dados os pontos


dividimos o eixo do tempo em k+1
intervalos Para cada intervalo I
j
= [t
j-1
, t
j
)
considere as seguintes probabilidades




em que p
j
representa a probabilidade de um item sobreviver alm do
intervalo I
j
(depois de t
j
), dado que ele no falhou at o incio do intervalo
I
j
(tempo t
j-1
) e q
j
representa a probabilidade de um item falhar no intervalo
no intervalo I
j
(entre t
j-1
e t
j
) dado que ele no falhou at o incio do intervalo
I
j
(tempo t
j-1
), j = 1, ..., k+1.
Alm disso, observe que






para j = 1, ..., k + 1. Note que p
k+1
= 0, pois R(t
k+1
) = 0. Portanto, da equao
(3.1.1) temos que


Com isso, conclumos que


Como q
j
= 1 - p
j
, podemos reescrever as equaes (3.1.2) e (3.1.3) como




Observe que R(t
0
) = 1 e R(t
k+1
)= 0.
Com isso, podemos obter uma estimativa para a confiabilidade em t
j
a partir
de uma estimativa para a probabilidade q
j
. Uma estimativa intuitiva para q
j

dada por


em que um item considerado em risco em t
j
se ainda no falhou nem foi
censurado at esse tempo, j = 1, ..., k+1.
A explicao para o segundo termo do denominador da expresso (3.1.6)
que produtos para os quais a censura ocorreu no intervalo [t
j-1
, t
j
) so tratados
com se estivessem sob risco durante a metade do intervalo considerado. Em
muitos dos estudos de durabilidade as censuras ocorrem somente no ltimo
intervalo de tempo, fazendo com que essa correo no venha ser utilizada.
Esse os caso dos conjuntos de dados de confiabilidade com mecanismos de
censura do tipo I e II.
Com as estimativas de obtidas em (3.1.6), podemos reescrever as equaes
(3.1.4) e (3.1.5) obtendo as seguintes formas equivalentes para a estimativa
da confiabilidade R(t
j
) no tempo t
j





No entanto, para a construo da tabela de vida mais conveniente a
utilizao da forma recursiva dada em (3.1.7).
Uma estimativa grfica para a funo de confiabilidade uma funo escada,
com valor constante para cada intervalo de tempo. A funo de confiabilidade
estimada no primeiro intervalo, [0, t
1
), igual a 1. Por outro lado, a funo
de confiabilidade estimada no ltimo intervalo, [t
k
, ), zero, se o maior
tempo observado for uma falha, e no atingir o zero se for uma censura.
Exemplo 3.1.1: Voltando ao Exemplo 2.1. Considerando o nmero de ciclos
das vlvulas at a falha e dividindo o tempo em 6 intervalos temos: [0, 10),
[10, 20), [20, 30), [30, 40), [40, 50) e [50, ), com uma
unidade correspondendo a 10.000 ciclos.
clique aqui para efetuar o download dos dados utilizados nesse exemplo

No intervalo [0, 10) houve 1 falha e 0 censuras, sendo que 30 itens estavam
em risco no incio do intervalo. Portanto,


Logo, pela expresso (3.1.7) temos que


No intervalo [10, 20) houve 5 falhas e 0 censuras, sendo que 29 itens estavam
em risco no incio do intervalo. Portanto,


Assim, pela expresso (3.1.7) obtemos


Procedendo da mesma maneira para os demais intervalos construmos a
Tabela 3.1.1, a qual chamada tabela de vida. O grfico da estimativa
para a funo de confiabilidade obtida a partir da tabela de vida
apresentado na Figura 3.1.1.
Tabela 3.1.1: Estimativas de Confiabilidade para dados sobre o tempo de vida
de vlvulas.
Intervalo
I
j
=[t
j-1
, t
j
)
N em risco N de falhas (%)
Confiabilidade
(%)
[0, 10) 30 1 3,3 96,7
[10, 20) 29 5 17,2 80,0
[20, 30) 24 5 20,8 63,3
[30, 40) 19 4 21,1 50,0
[40, 50) 15 3 20 40,0
[50, +) 12 12 1 0
Pela anlise da Tabela 3.1.1 ou da Figura ?, podemos notar que a
probabilidade de um mecanismo de acionamento manual falhar com mais de
40.000 ciclos de uso de 50%, enquanto que a probabilidade do mecanismo
falhar com mais de 50.000 ciclos de 40%.

Figura 3.1.1: Estimativa da funo de confiabilidade usando a tabela de vida.
Estimadores associados tabelas de vida, apesar de bastante utilizados, tm
algumas desvantagens. O nmero e a amplitude dos intervalos de tempo so
escolhidos de forma arbitrria. O uso de poucos intervalos nos d uma
aproximao muito grosseira da verdadeira funo de confiabilidade e da
funo da taxa de falha. Sendo assim, uma outra forma de estimarmos a
funo de confiabilidade minimizando esses problemas usar o estimador de
Kaplan-Meier, discutido no tpico a seguir.
3.2 - Estimador de Kaplan-Meier
O estimador limite-produto, ou Kaplan-Meier como usualmente chamado,
um estimador no-paramtrico para a funo de confiabilidade. Ele uma
adaptao da funo de confiabilidade emprica, que na ausncia de censuras
definida como


Essa estimativa de R(t) uma funo escada com degraus nos tempos
observados de falha. O estimador de Kaplan-Meier, na sua construo,
considera tantos intervalos de tempo quantos forem o nmero de tempos
distintos de falha. Os limites dos intervalos de tempo so os tempos distintos
de falha. Vamos definir a seguir a expresso geral deste estimador, assim
como foi proposto por seus autores. A forma geral importante na medida em
que permite levar em conta a censura do tipo aleatrio, ou seja, aquela que
ocorre antes do trmino do teste. Por exemplo, um item pode ser retirado do
estudo por ter falhado devido a uma causa diferente da estudada.
Ressaltamos, no entanto, que para os mecanismos de censura do tipo I e II que
ocorrem com frequncia em estudos de confiabilidade, o estimador Kaplan-
Meier mantm a mesma forma da funo de confiabilidade emprica dada pela
expresso (3.2.1).
Suponha que existem n itens em teste e houve k tempos de falha distintos t
1
<
t
2
< ... < t
k
, para 1 k n. Pode ser que ocorra mais de uma falha para um
mesmo tempo, o que chamado de empate. Desta forma, vamos usar a
seguinte notao:
d
j
: nmero falhas no tempo t
i
;
n
j
: nmero de itens em risco no tempo t
j
(no falhou e no foi censurado
antes de t
j
), para j = 1, ... ,k.
O estimador de Kaplan-Meier de R(t) definido como sendo 1, para 0 t < t
1
e
para t > t
1
definido pela expresso


sendo t
j
o maior tempo de falha menor que t.
Em alguns casos, podemos ter um tempo de censura coincidindo com algum
tempo de falha t
j
, j =1, ... ,k. Neste caso, adota-se a conveno de que o
tempo de censura ocorre imediatamente aps o tempo de falha e portanto o
item com tempo censurado deve ser considerado em risco neste instante. Esta
conveno faz sentido uma vez que, se observamos uma unidade com censura
em um tempo L, muito provavelmente esta unidade estar em operao por
um tempo maior que L. Pode ocorrer tambm que o maior tempo observado
na amostra seja uma censura e no um tempo de falha. Nestes casos, a
estimativa (3.2.2) definida apenas at esse tempo e no atinge o valor 0
para nenhum tempo.
A estimativa tem saltos somente nos tempos de falha e decresce por um
fator (n
j
- d
j
)/n
j
imediatamente aps cada tempo de falha t
j
, j = 1, ... ,k. Com
isso, temos que


em que representa a estimativa da funo de confiabilidade
imediatamente aps o tempo t
j
, j = 1,... ,k.
Exemplo 3.2.1: Considerando os dados do Exemplo 2.1, que diz respeito ao
nmero de ciclos de vlvulas, temos para o primeiro tempo de falha: t
1
=
5.625, nmero de itens em risco n
1
= 30 e nmero de falhas d
1
= 1.
clique aqui para efetuar o download dos dados utilizados nesse exemplo

Portanto, pela equao (3.2.3) temos


Para o segundo tempo de falha t
2
= 11223, temos n
2
= 29 e d
2
= 1. Logo,


Procedendo da mesma maneira para os demais tempos de falha, obtemos as
estimativas de confiabilidade mostradas na Tabela 3.2.1.
Tabela 3.2.1: Estimativa de Kaplan-Meier para os dados das vlvulas.
t
j
d
j
nj

5.625 1 30 0,967
11.223 1 29 0,933
12.128 1 28 0,9
13.566 1 27 0,867
14.921 1 26 0,833
16.513 1 25 0,8
22.138 1 24 0,767
26.791 1 23 0,733
27.144 1 22 0,7
27.847 1 21 0,667
28.613 1 20 0,633
31.224 1 19 0,6
36.229 1 18 0,567
38.590 1 17 0,533
39.580 1 16 0,5
40.278 1 15 0,467
41.324 1 14 0,433
44.540 1 13 0,4
O grfico da funo de confiabilidade estimada obtida a partir do
estimador de Kaplan-Meier apresentado na Figura 3.2.1. Note que este
grfico no atinge o valor 0, isto sempre ocorrer quando o maior tempo
observado for censurado.

Figura 3.2.1: Estimador de Kaplan-Meier para a funo de confiabilidade.
Assim como a tabela de vida, o estimador de Kaplan-Meier est sujeito a
variao amostral, o que torna desejvel ter uma idia da preciso destes
estimadores.
Uma estimativa para a varincia do estimador de Kaplan-Meier dada pela
frmula de Greenwood


sendo t
j
o maior tempo de falha menor ou igual que t.
A partir do clculo deste valor, um intervalo de confiana aproximado para
R(t) com 95% de confiana dado por


Por exemplo, a estimativa da varincia de obtida a partir de
(3.2.4) como






Extraindo a raiz quadrada, temos que o desvio padro de dado por


Portanto, os limites do intervalo de confiana 95% para so dados
por




Como o valor obtido para o limite superior maior que 1, adotamos neste
caso o valor 1. Portanto, o intervalo de confiana obtido para
dado por

Procedendo da mesma maneira para todos os tempos de falha, obtemos os
resultados da Tabela 3.2.2.
Tabela 3.2.2: Tabela de confiabilidades.
Tempo de
falha
Confiabilidade
Desvio
padro
Limite
Inferior
Limite
Superior
5.625+ 0,967 0,033 0,902 1
11.223+ 0,933 0,045 0,844 1
12.128+ 0,9 0,055 0,793 1
13.566+ 0,867 0,062 0,745 0,988
14.921+ 0,833 0,068 0,7 0,967
16.513+ 0,8 0,073 0,657 0,943
22.138+ 0,767 0,077 0,615 0,918
26.791+ 0,733 0,081 0,575 0,892
27.144+ 0,7 0,084 0,536 0,864
27.847+ 0,667 0,086 0,498 0,835
28.613+ 0,633 0,088 0,461 0,806
31.224+ 0,6 0,089 0,425 0,775
36.229+ 0,567 0,09 0,389 0,744
38.590+ 0,533 0,091 0,355 0,712
39.580+ 0,5 0,091 0,321 0,679
40.278+ 0,467 0,091 0,288 0,645
41.324+ 0,433 0,09 0,256 0,611
44.540+ 0,4 0,089 0,225 0,575
Entretanto, para valores extremos de (prximo de 0 ou 1), este intervalo
de confiana pode apresentar um limite inferior negativo ou um limite
superior maior do que 1. Este problema pode ser resolvido utilizando uma
transformao para R(t) dada por


Portanto, uma estimativa para U(t) dada por


cuja varincia dada por


Portanto, um intervalo aproximado com 95% de confiana para U(t) obtido
como


Consequentemente, o correspondente intervalo de confiana aproximado com
95% para R(t) dado por


cujos limites esto sempre no intervalo [0,1].
Para o clculo do intervalo 95% para R(13.000) do nosso exemplo, temos que a
varincia de obtida a partir de (3.2.8) como




Logo, pela equao (3.2.10) temos que os limites do intervalo de confiana
95% para R(13.000) so dados por




Resultando portanto no intervalo [0,7213; 0,9666] para R(13.000) com
confiana de 95%, contrastando com o intervalo [0,7926; 1,0074] obtido pela
frmula (3.2.4).

Para entender como executar essa funo do Software Action, voc pode consultar o manual do
usurio.

Justificativa da Frmula de Greenwood
A ideia principal consiste na aplicao do mtodo delta. Para uma funo
suave , temos que


no qual a derivada de e uma constante "prxima" ao valor esperado
de . Com isso, obtemos que


e



Para derivarmos a frmula tradicional de Grennwood utilizaremos
. Ao aplicarmos o logartmo natural no estimador de Kaplan-Meier, obtemos


A distribuio condicional de dado que temos sobre risco em
binomial com parmetros e . Desta forma, temos que
e . Atravs do mtodo delta com
e , conclumos que

3.3 - Usando as estimativas da Funo de Confiabilidade R(t)
A partir dos resultados apresentados na Tabela 3.2.1, obtidos a partir do
mtodo de Kaplan-Meier, possvel responder s questes 2 e 3 do Exemplo
2.1, estabelecido no incio do tpico Anlise do Tempo de Falha. Entretanto,
antes de respondermos a estas perguntas vamos discutir uma dificuldade
associada aos estimadores no-paramtricos. O estimador de Kaplan-Meier
constante em intervalos e decresce aos saltos em pontos especficos,
conforme observamos nas Figuras 3.3.1 e 3.3.2. Essa caracterstica traz
dificuldades na determinao dos percentis e dos valores da funo de
confiabilidade por esses mtodos.
Por exemplo, considere o problema de estimar o percentil 10% do tempo de
vida de um certo produto, isto , determinar o tempo para o qual a
confiabilidade estimada igual a 0,90. Para a funo de confiabilidade
(a) da Figura 3.3.1, existem inmeros valores possveis para que
satisfazem (intervalo (10, 20]). Considerando agora a funo de
confiabilidade (b) da Figura 3.3.2, no existe nenhum valor de para o
qual

Figura 3.3.1: Funo de confiabilidade (a).

Figura 3.3.2: Funo de confiabilidade (b).
Para o caso da funo de confiabildade (b), Figura 3.3.2, uma soluo prtica
para encontrar o valor de fazer uma interpolao linear entre os dois
pontos mais "prximos", como mostra a Figura 3.3.3. Este mtodo consiste em
aproximar a funo de confiabilidade pela funo obtida pela reta pontilhada.

Figura 3.3.3: Interpolao linear.
No caso do problema dado anteriormente, devemos encontrar para o qual
a reta pontilhada tenha valor igual a 0,90. Considere o valor da reta
pontilhada no ponto x como sendo y(x). Observe que o valor da reta
pontilhada no ponto 0 vale 1 e no ponto 10 vale 0,80, isto ,


Portanto, como deve ser tal que , temos que a inclinao da
reta pontilhada obtida a partir da equao


que nos d como resultado
Exemplo 3.3.1: A questo 2 do Exemplo 2.1 indaga sobre a frao de
defeituosos esperada antes que se atinja o tempo de garantia, que de dois
anos ou de 6.000 ciclos.
clique aqui para efetuar o download dos dados utilizados nesse exemplo

Podemos notar pela Figura 3.1.1, do Exemplo 3.1.1, que o valor da
confiabilidade no tempo 6.000 igual a 1. Essa estimativa no realista, pois
esperado que exista uma chance de uma pea falhar antes de 6.000 ciclos.
Neste caso, podemos aplicar novamente uma interpolao linear.
Ainda, pelos clculos temos que e Queremos
encontrar o valor de Para isso, basta resolver a equao


o que nos leva a Portanto, conclumos que em um lote com
1.000 itens, espera-se que aproximadamente 20 itens (2%) apresentem
defeitos nos dois primeiros anos de vida.
A questo 3 diz respeito ao quantil 10%, ou seja, o valor t
0,1
tal que a
confiabilidade R(t
0,1
) = 0,9. Considerando ainda os resultados obtidos no
Exemplo 3.1.1, vamos usar uma interpolao linear para encontrar uma
estimativa de t
0,1
. Sabendo que e o
valor tal que deve estar entre 10.000 e 20.000 ciclos.
Usando uma interpolao linear, temos que o valor de obtido a partir da
equao




que leva a soluo ou 15.000 ciclos, isto , espera-se que 10%
das vlvulas falhem antes de atingir 14.036 ciclos.
Considerando agora o estimador de Kaplan-Meier, podemos ver pelos
resultados da Tabela 3.2.1 (sem usar interpolao) que Para
este estimador (Kaplan-Meier) desejamos construir um intervalo de confiana
para o quantil t
0,1
e para isso devemos conhecer a varincia de
Dessa forma, consideremos o caso geral em que t
p
o quantil (100p)% e o
estimador para t
p
, , obtido a partir do mtodo descrito acima. A
varincia para grandes amostras de dada por


em que






Portanto, um intervalo de confiana 95% para t
p
dado por

Voltando ao nosso exemplo, temos
que Logo,


Portanto, pela equao (3.3.1) temos que


O intervalo de 95% para t
0,1
tem como limites os valores




Portanto, o intervalo de confiana 95% para o quantil 10%, t
0,1
, da distribuio
do tempo de vida de vlvulas dado por [8.321; 15.935].
3.4 - Estimando o MTTF ou MTBF
Em estudos de durabilidade frequentemente estamos interessados em saber o
tempo mdio at a falha, denotado por MTTF ou MTBF (siglas do ingls, Mean
Time to Failure e Mean Time Between Failure, respectivamente). Entretanto,
estas quantidades nem sempre so bem estimadas na presena de censuras,
usando estimadores no-paramtricos. Pode-se mostrar que o MTTF igual a
rea (integral) sob a funo de confiabilidade. Portanto, uma estimativa para
o MTTF pode ser obtida calculando a rea sob a curva de
confiabilidade estimada pelo mtodo de Kaplan-Meier. Como esta curva uma
funo escada, esta rea simplesmente a soma da reas de
retngulos. Pode-se mostrar que o MTTF igual a rea (integral) sob a funo
de confi
abilidade. Usando o estimador de Kaplan-Meier com os tempos ordenados de
falha a estimativa do MTTF dada por


Um problema surge se o maior tempo observado uma censura. Isto acontece
com frequncia em testes de durabilidade. Neste caso, a funo de
confiabilidade estimada no atinge o valor zero e o valor do MTTF fica
subestimado. Nestes casos, tal estimativa deve ser interpretada com bastante
cuidado ou at mesmo evitada. Uma outra medida de posio, a mediana,
pode ser usada no seu lugar. A mediana o tempo para o qual a probabilidade
de uma unidade falhar antes de atingir este tempo de 50%, ou seja, a
mediana o quantil 50%. Ambas as medidas so de tendncia central,
representando um valor tpico da distribuio do tempo de vida do produto.
No entanto, a estimativa da mediana pode ser facilmente calculada a partir
da funo de confiabilidade estimada.
No caso do Exemplo 2.1, o nmero de ciclos mediano das vlvulas
facilmente estimado usando o mtodo Kaplan-Meier, cujo valor de 39.580
ciclos. A mediana s no estimada se o nmero de censuras for maior que o
de falhas. Uma outra forma de estimar o MTTF ser apresentada nas sees
seguintes com o uso de modelos probabilsticos paramtricos para o tempo de
vida.
3.5 - Comparao entre os Estimadores
Ambos os estimadores no-paramtricos estudados at aqui
fornecem respostas s perguntas de interesse. Entretanto, os valores
obtidos podem ser diferentes. Diante disso, introduzimos nesse tpico
uma comparao entre esses estimadores, discutindo suas
principais propriedades.
A principal diferena entre os estimadores Tabela de vida e Kaplan-Meier est
no nmero de intervalos considerados. Os intervalos usados pelo estimador
de Kaplan-Meier so determinados a partir dos tempos de falha distintos,
enquanto que na Tabela de vida esses intervalos so escolhidos diretamente
pelo pesquisador. O estimador de Kaplan-Meier utiliza, em geral, um nmero
maior de intervalos do que o estimador Tabela de vida.
Uma caracterstica importante da Tabela de vida a influncia da escolha dos
intervalos nas estimativas obtidas. Para oExemplo 2.1 estudado
anteriormente, foram usados 5 intervalos pelo mtodo da Tabela de vida e
19 intervalos pelo mtodo Kaplan-Meier. natural esperar que quanto maior o
nmero de intervalos utilizados melhor ser a descrio da distribuio do
tempo de falha.
Ento, por que no utilizar na Tabela de vida um nmero de intervalos igual
ou maior do que o mtodo de Kaplan-Meier? Na verdade, se isso ocorrer na
presena de um esquema de censura do tipo I ou II, as estimativas obtidas
pela Tabela de vida e pelo mtodo de Kaplan-Meier sero idnticas. Por
exemplo, considerando novamente o Exemplo 2.1, quando aplicamos o
mtodo da Tabela de vida escolhendo os mesmos 19 intervalos de
tempo considerados pelo mtodo de Kaplan-Meier, a estimativa da funo
de confiabilidade exatamente a mesma. Entretanto, se o esquema
de censura aleatrio, as estimativas no coincidem.
Historicamente, o mtodo da Tabela de vida foi proposto por demgrafos e
atuariais no incio do sculo passado e usado em geral para grandes amostras,
como por exemplo dados provenientes de censos demogrficos. No caso de
amostras grandes, a escolha dos intervalos tem pouca influncia na estimativa
da funo de confiabilidade. Esse estimador tambm adequado em situaes
nas quais os tempos de falha no so completamente conhecidos, sabe-se
apenas em quais intervalos ocorrem. No entanto, em teste de durabilidade de
produtos no comum o uso de amostras grandes, principalmente devido aos
custos envolvidos. Dessa forma, para o caso de amostras pequenas ou mdias,
existe uma evidncia emprica a respeito da superioridade do estimador de
Kaplan-Meier em relao ao estimador da Tabela de vida.
Tambm para o caso de grandes amostras, alguns autores mostraram que o
estimador de Kaplan-Meier superior ao estimador da Tabela de vida. Por
exemplo, o estimador de Kaplan-Meier no viciado para a funo de
confiabilidade, com um vcio que tende a zero medida que o tamanho
amostral cresce, enquanto que o estimador da Tabela de vida
viciado. Portanto, o estimador de Kaplan-Meier o mais indicado
quando estamos tratando dados provenientes de testes de durabilidade,
no importando o tamanho da amostra.
Exerccio 3.5.1: Para avaliar a confiabilidade do freio de um avio
foram selecionadas 45 unidades que foram colocadas em teste at que 15
freios falhassem, sendo registrado o nmero de ciclos at a falha. Esses testes
(rpidos) so realizados quando estamos interessados em avaliar o tempo de
falha dos primeiros anos de uso. Para testar o freio foi montado um dispositivo
que simula sua utilizao em condies reais. Os dados so apresentados na
Tabela 3.5.1.
Tabela 3.5.1: Nmero de ciclos at a falha de freios de avio.
Nmero de
falhas
Censura
Tempo da falha ou
censura
1 F 19
2 F 43
1 F 148
1 F 169
1 F 171
1 F 205
1 F 232
1 F 248
1 F 250
1 F 263
1 F 271
1 F 282
1 F 290
1 F 347
1 F 349
1 F 398
1 F 477
1 F 514
1 F 595
1 F 603
1 F 662
2 F 700
1 F 706
2 F 709
1 F 763
1 F 777
1 F 869
15 C 869
clique aqui para efetuar o download dos dados utilizados nesse exemplo

O fabricante estima que o avio realiza 6 pousos dirios, 6 dias por semana.
Qual a probabilidade de um freio no falhar antes de 100 dias de uso? Qual o
nmero esperado de ciclos para o qual 25% dos freio falham?
Usando o estimador de Kaplan-Meier, complete a tabela:

19 1 45 0,977778
43 2 44 0,933333
148 1 42 0,911111
169 1 41 0,888889
171 1
205 1
232 1
248 1

250 1

263 1

271 1

282 1

290 1

347 1

349 1

398 1

477 1

514 1

595 1

603 1

662 1

700 2

706 1

709 2

763 1

777 1

869 1


4 - Modelos Probabilsticos em Confiabilidade
No tpico anterior apresentamos um estudo envolvendo um teste de vida com
as vlvulas do Exemplo 2.1. O fabricante estava interessado em estimar as
seguintes caractersticas do seu produto:
O tempo mdio de falha (MTTF);
O tempo no qual 10% dos mecanismos estaro fora de operao;
O percentual esperado de falhas nos dois primeiros anos de uso.
As duas ltimas caractersticas foram estimadas usando os estimadores tabela
de vida e Kaplan-Meier. Essas tcnicas so chamadas de no paramtricas,
pois no necessitam da especificao de nenhuma distribuio de
probabilidade para o tempo de vida do componente. Entretanto, com essas
tcnicas muitas vezes no possvel obter uma boa estimativa de um
parmetro importante: o tempo mdio de falha, MTTF. No entanto, existem
tcnicas estatsticas disponveis que requerem a especificao de uma
distribuio de probabilidade e que torna a estimao desse parmetro
(MTTF) mais confivel. Estas tcnicas so chamadas de paramtricas. Quando
a distribuio de probabilidade escolhida est adequada aos dados, as
estimativas paramtricas so mais confiveis que as estimativas
no paramtricas.
O objetivo deste tpico apresentar mtodos estatsticos paramtricos para a
anlise do tempo de vida, baseados em modelos probabilsticos importantes,
tais como o Exponencial, Weibull, Gumbel ou Valor Extremo e Log-normal,
que so discutidos a seguir.
4.1 - Modelos Probabilsticos para a Tempo de Falha
Existe uma srie de modelos probabilsticos utilizados na anlise de dados de
confiabilidade, alguns destes modelos ocupam uma posio de destaque por
sua comprovada adequao a vrias situaes prticas. Entre esses
modelos podemos citar o Exponencial, Weibull, Valor Extremo ou Gumbel e
o Log-normal.

importante entender que cada distribuio de probabilidade pode gerar
diferentes estimativas para as caractersticas de durabilidade do produto.
Dessa forma, a utilizao de um modelo inadequado levar a erros grosseiros
de estimativas. Portanto, a escolha de um modelo adequado para descrever o
tempo de falha de um determinado produto deve ser feita com bastante
cuidado.
4.1.1 - Distribuio Exponencial
A distribuio exponencial se caracteriza por uma funo taxa de falha
constante, sendo a nica distribuio absolutamente contnua com essa
propriedade. Ela considerada uma das mais simples em termos
matemticos. Esta distribuio tem sido extensivamente utilizada para
modelar o tempo de vida de certos produtos e materiais, tais como leos
isolantes, dieltricos, entre outros. A funo densidade de probabilidade para
um tempo de falha T com distribuio exponencial dada por


sendo o tempo mdio de vida (MTTF), por isso o parmetro tem a
mesma unidade do tempo de vida. Isto , se o tempo medido em horas, o
valor de representa o tempo mdio em horas. Algumas formas tpicas da
funo densidade de probabilidade da distribuio exponencial so
mostradas na Figura 4.1.1.1.

Figura 4.1.1.1: Funes densidade de probabilidade da distribuio
exponencial.

A funo de confiabilidade R(t), que a probabilidade do produto continuar
funcionando alm do tempo dada por


A Figura 4.1.1.2 mostra formas tpicas da funo confiabilidade da
distribuio exponencial.

Figura 4.1.1.2: Funes de confiabilidade para a distribuio exponencial.

A funo taxa de falha associada a distribuio Exponencial constante e
dada por


isto , tanto uma unidade que est em operao a 20 horas quanto uma
unidade que est em operao a 40 horas tem a mesma chance de falharem
em um intervalo futuro de mesmo comprimento. Esta propriedade chamada
de falta de memria da distribuio.
Outras caractersticas importantes que dizem respeito a durabilidade de um
componente so: a mdia (MTTF), a varincia e os percentis da distribuio do
tempo de falha. A mdia da distribuio exponencial (MTTF) e a varincia so
dadas por


O quantil 100p% corresponde ao tempo esperado em que 100p% dos
produtos falham, sendo obtido a partir da funo de confiabilidade como


Muitas vezes, em estudos de durabilidade queremos conhecer
percentis pequenos como 1%, que informam sobre tempos de
falhas prematuras. Outro quantil importante a mediana ou quantil 50%, que
informa sobre o tempo em que metade das unidades falham. A mdia da
distribuio exponencial corresponde ao quantil 63%.
Exemplo 4.1.1.1: Considere que o tempo at a falha do ventilador de
motores a diesel segue uma distribuio exponencial com horas.
Vamos calcular a probabilidade de um destes ventiladores no falhar nas
primeiras 8.000 horas de funcionamento. Dessa forma, usando a funo de
confiabilidade R(t) para t = 8.000 temos


Se 8.000 horas for o tempo de garantia dado pelo fabricante, ento espera-se
que 24% dos ventiladores falhem antes do trmino da garantia.
O quantil 1% obtido a partir da equao (4.1.1.1) como


Logo, espera-se que 1% dos ventiladores falhem nas primeiras 288 horas de
uso. De forma similar, obtemos a mediana como sendo 19.893 horas.
Para uma viso geral das caractersticas da distribuio exponencial utilizadas
em confiabilidade voc pode utilizar tambm o Software Action, mais
especificamente a ferramenta Overview para confiabilidade.
4.1.2 - Distribuio de Weibull
A distribuio de Weibull foi proposta originalmente por W. Weibull em 1954
em estudos relacionados ao tempo de falha devido a fadiga de metais. Ela
frequentemente usada para descrever o tempo de vida de produtos
industriais. A sua popularidade em aplicaes prticas deve-se ao fato dela
apresentar uma grande variedade de formas, todas com uma propriedade
bsica: a sua funo de taxa de falha montona, isto , ela estritamente
crescente, estritamente decrescente ou constante. Ela descreve
adequadamente a vida de mancais, componentes eletrnicos, cermicas,
capacitores e dieltricos. Sua funo densidade de probabilidade dada por


sendo e os parmetros de forma e de escala, respectivamente.
Observe que se tomarmos o parmetro de forma na equao (4.1.2.1),
obtemos a densidade de probabilidade da Exponencial com parmetro , isto
, a distribuio de Weibull uma generalizao da distribuio Exponecial.

Figura 4.1.2.1: Funes densidade de probabilidade da distribuio de Weibull
com

A funo de confiabilidade da distribuio de Weibull dada por



Figura 4.1.2.2: Funes de confiabilidade para a distribuio de Weibull
com

A funo de risco dada por


A Figura 4.1.2.3 mostra algumas formas da funo de risco para a distribuio
de Weibull. Observe que h(t) estritamente crescente para e
estritamente decrescente para . Como a distribuio exponencial um
caso particular da distribuio de Weibull quando , a taxa de falha fica
constante neste caso.

Figura 4.1.2.3: Taxa de falha da distribuio de Weibull com

O tempo mdio de vida (MTTF) e a varincia da distribuio de Weibull so
obtidos pelas equaes




sendo denominada funo Gamma e definida como


Quando x um nmero natural positivo, temos que


O quantil 100p% obtido a partir da equao (4.1.2.2) como


Exemplo 4.1.2.1: Suponha que o tempo de vida de um capacitor obedea a
uma distribuio de Weibull com parmetros e .
A confiabilidade para um ano, t = 8.760, obtida a partir da equao
(4.1.2.2) como


isto , a probabilidade do capacitor operar por mais de um ano de 74%.
O tempo mdio de vida (MTTF) deste capacitor obtido a partir da equao
(4.1.2.3) como


isto , em mdia esse capacitor dura 200.000 horas.
Da equao (4.1.2.4) obtemos o quantil 10% como


isto , espera-se que 10% das unidades falhem antes de atingir 1.111 horas de
uso.
Para uma viso geral das caractersticas da distribuio Weibull em
confiabilidade voc pode utilizar tambm o Software Action, mais
especificamente a ferramenta Overview para confiabilidade.
4.1.3 - Distribuio de Valor Extremo (ou de Gumbel)
Neste tpico, introduzimos uma distribuio que bastante relacionada
distribuio de Weibull. Ela chamada dedistribuio de Valor Extremo (ou
de Gumbel) e surge quando se considera o logaritmo natural de uma varivel
aleatria com distribuio de Weibull. Isto , se uma varivel T tem
distribuio de Weibull com parmetros (escala) e (forma), ento a
varivel Y = log(T) tem uma distribuio de Valor Extremo com funo
densidade de probabilidade dada por


sendo e os parmetros de locao e escala,
respectivamente.
Se e temos a distribuio do Valor Extremo padro.

Figura 4.1.3.1: Funes densidade de probabilidade da distribuio de Valor
Extremo com
A funo de confiabilidade da varivel Y dada por



Figura 4.1.3.2: Funes de confiabilidade para a distribuio de Valor Extremo
para
Considerando as funes dadas pelas equaes (4.1.3.1) e (4.1.3.2), segue
que a funo de risco da distribuio de Valor Extremo dada por



Figura 4.1.3.3: Taxas de falha da distribuio de Valor Extremo com
O tempo mdio de vida (MTTF) e a varincia de Y so dados por




sendo denominada constante de Euler.
O quantil 100p% dado por


Na anlise de dados de durabilidade muitas vezes conveniente trabalhar
com o logaritmo dos tempos de vida observados. Esse fato ser bastante
explorado na Seo 6, em que os modelos de regresso so usados para
analisar os dados provenientes de testes de vida acelerados. Dessa forma, se
os dados tiverem uma distribuio de Weibull, a distribuio de Valor Extremo
aparecer naturalmente na modelagem.
Para uma viso geral das caractersticas da distribuio de valor extremo
utilizadas em confiabilidade voc pode utilizar tambm o Software Action,
mais especificamente a ferramenta Overview para confiabilidade.
4.1.4 - Distribuio Log-Normal
Assim como a distribuio de Weibull, a distribuio log-normal muito
usada para caracterizar tempo de vida de produtos e materiais. Isso inclui
fadiga de metal, semicondutores, diodos e isolao eltrica.
A funo densidade de probabilidade da distribuio log-normal dada por


sendo e .

Figura 4.1.4.1: Funes densidade de probabilidade da distribuio log-Normal
com

Existe uma relao entre as distribuies log-normal e normal, similar
existente entre as distribuies de Weibull e de valor extremo. O logaritmo de
uma varivel que segue distribuio log-normal com parmetros e tem
distribuio normal com mdia e desvio-padro . Essa relao significa
que dados provenientes de uma distribuio log-normal podem ser analisados
segundo uma distribuio normal, se considerarmos o logaritmo dos dados ao
invs dos valores originais.
A funo de confiabilidade de uma distribuio log-normal dada por


em que a funo de distribuio acumulada de uma distribuio normal
padro.

Figura 4.1.4.2: Funes de confiabilidade para a distribuio log-Normal
com
A taxa de falha dada por



Figura 4.1.4.3: Taxas de falha da distribuio log-Normal com

O tempo mdio de vida e a varincia da distribuio log-normal so dados,
respectivamente, por




O quantil 100p% da distribuio Log-normal dado pela expresso


sendo o quantil 100p% da distribuio normal padro.
Exemplo 4.1.4.1: Para ilustrar o uso da distribuio log-normal, considere o
tempo de vida de isolaes da classe H. Supomos que o tempo de vida de uma
isolao, na temperatura de uso, tem uma distribuio log-normal com
parmetros e .
A confiabilidade de uma isolao nas 20.000 primeiras horas de uso obtida a
partir da equao (4.1.4.2) como


Isso significa que a grande maioria (99,2%) das isolaes falham nas 20.000
primeiras horas de uso.
O tempo mdio de vida (MTTF) de uma isolao obtido a partir da equao
(4.1.4.4) como


A partir da equao (4.1.4.6) podemos obter a mediana, ou seja, o quantil
50% da distribuio como sendo


Para uma viso geral das caractersticas da distribuio log-normal utilizadas
em confiabilidade voc pode utilizar tambm o Software Action, mais
especificamente a ferramenta Overview para confiabilidade.
4.2 - Estimando os Parmetros dos Modelos
Os modelos probabilsticos apresentados na seo anterior so caracterizados
por quantidades desconhecidas, denominadas parmetros. Por exemplo, os
modelos de Weibull e Log-normal so caracterizados por dois parmetros
enquanto que o modelo Exponencial caracterizado por apenas um. Essas
quantidades conferem uma forma geral aos modelos probabilsticos.
Entretanto, em cada estudo de confiabilidade, os parmetros devem ser
estimados a partir das observaes amostrais para que o modelo
fique determinado e assim possa ser possvel responder s perguntas
de interesse. Existem alguns mtodos de estimao conhecidos na literatura
estatstica. O mais conhecido o mtodo de mnimos quadrados, geralmente
apresentado em cursos bsicos de estatstica dentro do contexto de regresso
linear. No entanto, esse mtodo inapropriado para estudos de durabilidade.
A principal razo a sua incapacidade de incorporar censuras no seu processo
de estimao. Sendo assim, o mtodo de mxima verossimilhana surge como
uma opo apropriada para esse tipo de dados. Esse mtodo incorpora
censuras, sendo relativamente simples de ser entendido e com propriedades
timas para grandes amostras.
4.2.1 - Mtodo de Mxima Verossimilhana
O mtodo de mxima verossimilhana trata o problema de estimao da
seguinte forma: baseado nos resultados obtidos pela amostra, devemos
determinar qual a distribuio, dentre todas aquelas definidas pelos possveis
valores de seus parmetros, com maior possibilidade de ter gerado tal
amostra. Em outras palavras, se por exemplo a distribuio do tempo de falha
a de Weibull, para cada combinao diferente de e tem-se diferentes
distribuies de Weibull. O estimador de mxima verossimilhana escolhe
aquele par de e que melhor explica a amostra observada. A seguir
discutiremos as idias do mtodo de mxima verossimilhana para conceitos
matemticos a partir dos quais ser possvel obter estimadores para os
parmetros. Suponha uma amostra de observaes t
1
, ..., t
n
de uma certa
populao de interesse. Considere inicialmente que todas as observaes so
no-censuradas. A populao caracterizada pela sua funo de densidade
f(t). Por exemplo, se , significa que as observaes vem de
uma distribuio Exponencial com um parmetro a ser estimado. A funo de
verossimilhana para um parmetro genrico dada por


Note na expresso (4.2.1.1) que pode representar um nico parmetro ou
um conjunto de parmetros. Por exemplo, no modelo Log-normal temos =
(, ). A traduo em termos matemticos para a frase "a distribuio que
melhor explica a amostra observada" achar o valor que maximiza a funo
L(). Isto , achar o valor de que maximiza a probabilidade da amostra
observada ocorrer. A funo de verossimilhana L() mostra que a
contribuio de cada observao no-censurada a sua funo de densidade.
Por outro lado, a contribuio de cada observao censurada no a sua
funo de densidade. Essas observaes somente nos informam que o tempo
de falha maior do que o tempo de censura observado e portanto, sua
contribuio para L() a sua funo de confiabilidade R(t). As observaes
podem ento ser divididas em dois conjuntos, as r primeiras so as no-
censuradas (1, 2, ..., r), e as n - r seguintes so as censuradas (r + 1, r + 2,
..., n). Com isso, a funo de verossimilhana assume a seguinte forma


A expresso (4.2.1.2) para a verossimilhana vlida para os mecanismos de
censura do tipo I e II sob a suposio de que o mecanismo de censura no-
informativo, ou seja, no carrega informaes sobre os parmetros, a mesma
vale tambm para o mecanismo do tipo aleatrio. Essa suposio razovel
em estudos de durabilidade e sempre conveniente trabalhar com o
logaritmo da funo de verossimilhana. Os estimadores de mxima
verossimilhana so os valores que maximizam L() ou equivalente log(L()).
Eles so encontrados resolvendo o sistema de equaes



Aplicaes
Os clculos realizados para obter os estimadores de mxima verossimilhana
so ilustrados abaixo para as distribuies Exponencial e de Weibull. No caso
da distribuio de Weibull, como no existem expresses fechadas para os
estimadores de e optamos por apresentar os passos seguidos pelo mtodo
numrico. Nesse caso, as estimativas para um conjunto de dados de
durabilidade devem ser obtidas por meio de um pacote estatstico.
Daqui em diante, vamos supor que t
1
, ..., t
n
uma amostra de observaes
independentes, em que t
1
, ..., t
r
so os tempos observados de falha e t
r+1
, ...,
t
n
so observaes censuradas.

Distribuio Exponencial
A funo de verossimilhana para a distribuio Exponencial obtida a partir
da expresso (4.2.1.2) como






Com isso, o logaritmo da funo de verossimilhana dado por


Derivando essa expresso em relao a , obtemos


e igualando a zero, temos que a expresso do estimador de mxima
verossimilhana dada por


O termo denominado "tempo total sob teste". Observe que se todas
as observaes so no-censuradas, temos que a mdia amostral dada
por

Distribuio de Weibull
A funo de verossimilhana de e para a distribuio de Weibull dada
por






Com isso, a funo de log-verossimilhana dada por


Derivando essa expresso em relao a e e igualando a zero, obtemos as
seguintes expresses para os estimadores de mxima verossimilhana e




Os estimadores de mxima verossimilhana so os valores e que
satisfazem as equaes (4.2.1.3) e (4.2.1.4). A soluo desse sistema de
equaes para um conjunto de dados particular deve ser obtida por meio de
um mtodo numrico. Aqui utilizaremos o mtodo de Newton-Raphson que
usa a matriz de derivadas segundas (F) da funo de log-verossimilhana, sua
expresso dada por


em que


A expresso (4.2.1.5) baseada na expanso de em srie de Taylor em
torno de . Partindo de um valor inicial o mtodo atualiza esse
valor a cada passo, convergindo para a soluo desejada. Em geral, obtemos
convergncia em poucos passos com um erro relativo, em mdia, menor que
0,001 entre dois passos consecutivos. Observe que a matriz de derivadas F
para o modelo Exponencial se reduz a um nico nmero, dado por


J para o modelo de Weibull uma matriz simtrica 2x2 com os
seguintes elementos







Intervalos de Confiana para os parmetros
O mtodo de mxima verossimilhana foi usado para obter estimadores para
os parmetros do modelo. Esses valores so chamados de estimadores
pontuais. Esse mtodo tambm permite a construo de intervalos de
confiana para os parmetros. Isso feito a partir das propriedades para
grandes amostras desses estimadores. As justificativas matemticas dessas
propriedades so bastante complexas e nesse texto apresentaremos apenas as
propriedades que so suficientes para os objetivos propostos. A propriedade
ou resultado mais importante diz respeito preciso do estimador de mxima
verossimilhana e estabelece que


Ou seja, isso significa que a matriz de varincias-covarincias do estimador de
mxima verossimilhana aproximadamente o negativo da inversa da matriz
de segundas derivadas de log(L()) esperada. Nas situaes em que a
esperana impossvel ou difcil de ser calculada, usa-se simplesmente -(F
-
1
()), em que F() a matriz de segundas derivadas de log(L()). Os
elementos da diagonal principal so as varincias dos estimadores e os
outros suas respectivas covarincias. Geralmente Var() depende de . Uma
estimativa para Var() ento obtida substituindo por . Na construo
de intervalos de confiana necessrio ter uma estimativa para o erro-padro
de No caso particular em que um escalar, um intervalo
de de confiana para

Por exemplo, um intervalo de 95% de confiana para o parmetro do modelo
exponencial dado por


pois,


No caso em que um vetor de parmetros, um intervalo de confiana pode
ser construdo para cada parmetro separadamente. Basta obter uma
estimativa para o erro-padro a partir da matriz de varincia-
covarincia Consideremos agora como no modelo de
Weibull. Algumas vezes o interesse pode ser estimar uma funo
dos parmetros por exemplo a mediana da distribuio
de Weibull, O estimador de mxima
verossimilhana ou seja, para estimar basta
substituir e por seus respectivos estimadores de mxima verossimilhana.
Essa outra propriedade importante do estimador de
mxima verossimilhana. Se alm de estimar existe interesse em construir
um intervalo de confiana, ento necessrio obter uma estimativa para o
erro padro de Isso feito usando o Mtodo Delta que descrito a seguir.
Considere inicialmente que um escalar e desejamos avaliar
Expandindo em torno de


e ignorando os termos superiores ao de primeira ordem temos


assim, obtemos que


A verso multivariada do mtodo delta ser necessria para o caso
das distribuies que envolvem mais de um parmetro. Suponha,
como anteriormente, que e que estamos interessados
em Procedendo de forma similar temos que

4.3 - Escolha do Modelo Probabilstico
A escolha do modelo a ser utilizado um tpico extremamente importante na
anlise paramtrica de dados de confiabilidade.
A utilizao de um modelo inadequado para representar os dados compromete
a anlise estatstica, gerando erros grosseiros de estimativas.

No entanto, se um modelo probabilstico adequado aos dados definido,
podemos ento utilizar o mtodo de mxima verossimilhana para estimar os
seus parmetros.
As distribuies de probabilidade apresentadas anteriormente so tpicas para
dados de confiabilidade. Entretanto, para avaliar qual distribuio melhor se
ajusta aos dados podemos comparar os valores estimados com os valores
observados. Portanto, a forma mais simples de avaliar qual distribuio ser
utilizada para um conjunto de dados e escolher um modelo mais adequado
atravs de tcnicas grficas.
Por fim, se nenhum modelo paramtrico for adequado, necessita-se de uma
anlise por meio de tcnicas no-paramtricas, como o estimador de Kaplan-
Meier j discutido anteriormente. No entanto, se a distribuio de
probabilidade for bem especificada, as tcnicas paramtricas sero mais
eficientes do que as tcnicas no-paramtricas.
A seguir, apresentamos as tcnicas grficas utilizadas para a escolha de um
modelo probabilstico.
4.3.1 - Mtodos Grficos
Mtodo 1: Comparao da Funo de Confiabilidade do Modelo Proposto
com o Estimador de Kaplan-Meier
Aqui ajustamos os modelos propostos ao conjunto de dados (digamos, os
modelos lognormal e de Weibull) e a partir das estimativas dos parmetros de
cada modelo estimamos a funo de confiabilidade. Comparamos
graficamente a funo de confiabilidade de cada modelo proposto com a
funo de confiabilidade de Kaplan-Meier. Assim, o "melhor" modelo aquele
cujos pontos da funo de confiabilidade esto mais prximos dos valores
obtidos pela estimativa de Kaplan-Meier.

Mtodo 2: Linearizao da funo de Confiabilidade - Papel de
Probabilidade
Nesse caso, a idia bsica consiste em construir grficos que devem
ser aproximadamente lineares caso o modelo proposto seja
apropriado. Violaes da linearidade podem ser verificadas visualmente.
A seguir, so apresentadas as tcnicas de linearizao para os modelos de
Weibull e Log-normal.
Modelos Weibull e Exponencial
A partir da equao de confiabilidade da distribuio de Weibull, obtemos a
seguinte relao


Portanto, uma maneira de verificar a adequao da distribuio de Weibull
aos dados plotar o grfico de contra log(t) e verificar se ele
aproximadamente linear, sendo a estimativa de Kaplan-Meier para a
funo de confiabilidade.
Modelo Log-Normal
Analogamente, a partir da equao de confiabilidade da distribuio log-
normal conclumos que


sendo que uma funo que associa a cada 0 < p < 1 o quantil 100p%
da distribuio Normal padro. Os valores de para cada p podem ser
obtidos a partir de uma tabela ou por meio de algum software estatstico.
Da equao (4.3.1.1) conclumos que se o modelo log-normal for adequado
ento o grfico contra log(t) deve ser aproximadamente linear.
Observe que, a partir dos dois grficos possvel obter estimativas grosseiras
para os parmetros dos modelos. Por exemplo, no caso do modelo de Weibull
podemos encontrar uma reta que melhor se ajusta aos pontos do
grfico contra log(t). A inclinao dessa reta uma estimativa
para e o intercepto uma estimativa para . Analogamente, para o
caso do modelo log-normal a inclinao do grfico contra log(t)
uma estimativa para -1/ e o intercepto uma estimativa para /.
A forma mais apropriada para se obter estimativas dos parmetros aps
selecionar o modelo aplicar o mtodo da mxima verossimilhana.
Entretanto, em muitos casos a obteno das estimativas de mxima
verossimilhana dependem da utilizao de mtodos computacionais que
funcionam melhor quando se fornecem valores iniciais para os parmetros.
Com isso, usual a obteno desses valores iniciais a partir de estimativas
baseadas na reta de regresso de contra log(t).
4.3.2 - Teste de Qualidade de Ajuste de Anderson Darling
Uma outra forma de checar a adequao do modelo probabilstico aos dados
testando a hiptese de que uma dada amostra tenha sido retirada de uma
populao com funo de distribuio acumulada (f.d.a.) contnua F(x).
Seja x
1
, x
2
, ..., x
n
uma amostra aleatria e suponha que um provvel
candidato para a f.d.a. dos dados seja F(x), o teste de hipteses para verificar
a adequao da distribuio aos dados


Anderson e Darling (1952, 1954) propuseram a seguinte estatstica para testar
(4.3.2.1)


sendo F
n
(x) a funo de distribuio acumulada emprica definida por


sendo as estatsticas de ordem da amostra aleatria
e a funo indicadora que vale 1 se e 0 se , i = 1, ..., n.
A estatstica A
2
pode ser representada numa forma equivalente como


A transformao F(x
(i)
) leva x
(i)
em U
(i)
, sendo U
(1)
, ..., U
(n)
uma amostra de
tamanho n com distribuio uniforme em (0,1). Logo,


Para calcular o valor da estatstica A
2
, devemos seguir os passos abaixo:
1. Ordene os valores da amostra: x
(1)
x
(2)
... x
(n)
;
2. Quando necessrio, estime os parmetros da distribuio de interesse;
3. Calcule U
i
= F(x
(i)
) e calcule o valor da estatstica de Anderson Darling
(4.3.2.2):


(observe que esta uma forma equivalente (4.3.2.2))
4. Para cada uma das distribuies calcule, se for o caso, o valor da
estatstica modificada de acordo com as tabelas dadas para cada uma delas.
Para uma distribuio com parmetros conhecidos podemos encontrar os
valores da funo de distribuio acumulada da estatstica A
2
tabulados
em Peter and Lewis(1960). No entanto, surge um problema quando um ou dois
dos parmetros da distribuio precisam ser estimados, para contornar esse
problema Stephens(1974, 1976, 1977) utilizou mtodos assintticos para
tabular os valores dessas probabilidades quando os parmetros das
distribuies so desconhecidos.

Aplicao
Vamos aplicar o teste de qualidade de ajuste de Anderson Darling a algumas
das distribuies de probabilidade mais conhecidas tais como a Normal,
Exponencial, Weibull, Lognormal e Valor Extremo. Para essas distribuies o
parmetro pode ser univariado ou bivariado, isto , ele ter no mximo
duas componentes, conforme os seguintes casos:
Caso 0: O parmetro totalmente conhecido;
Caso 1: conhecido;
Caso 2: conhecido;
Caso 3: Nenhum dos componentes de conhecido.
Distribuio Normal
Para a distribuio Normal com funo densidade de probabilidade dada por


A Tabela 4.3.2.1 fornece alguns valores para os quantis da distribuio da
estatstica de Anderson Darling modificada de acordo com cada um dos casos:
Caso 0: O parmetro = (, ) totalmente conhecido;
Caso 1: conhecido e estimado por s
2
;
Caso 2: conhecido e estimado por ;
Caso 3: Nenhum dos componentes de = (, ) conhecido e so estimados
por .
A Tabela 4.3.2.1 fornece os quantis da distribuio de A
2
, ou seja,
fornecem pontos para os quais a probabilidade de A
2
ser maior
que igual a .
Tabela 4.3.2.1: Tabela de pontos percentis de A
2
para a distribuio Normal.
Pontos percentis para cada (%)
Caso Modificao 15,0 10,0 5,0 2,5 1,0
0 Nenhuma 1,610 1,933 2,492 3,070 3,857
1 - 0,784 0,897 1,088 1,281 1,541
2 - 1,443 1,761 2,315 2,890 3,682
3

0,560 0,632 0,751 0,870 1,029

Exemplo 4.3.2.1: Considere as seguintes medidas correspondentes ao peso de
homens (em pounds): 148, 154, 158, 160, 161, 162, 166, 170, 182, 195, 236.
clique aqui para efetuar o download dos dados utilizados nesse exemplo

Desejamos testar a seguinte hiptese:


A mdia dos dados e o desvio padro s = 24,9520.
Tabela 4.3.2.2: Calculando o valor de A
2
.


dados dados ordenados F(x
i
) ln(F(x
i
)) ln(1-F(x
i
))
148 148 0,168063 -1,78341 -0,184
154 154 0,235336 -1,44674 -0,26832
158 158 0,287372 1,24698 -0,3388
160 160 0,315285 -1,15428 0,37875
161 161 0,329662 -1,10969 -0,39997
162 162 0,344295 -1,06626 -0,42204
166 166 0,404986 -0,9039 -0,51917
170 170 0,468057 -0,75916 -0,63122
182 182 0,655705 -0,42204 -1,06626
195 195 0,821676 -0,19641 -1,72415
236 236 0,99484 -0,00517 -5,26684
Utilizando a frmula (4.3.2.2), temos que
D = (21 - 1)(-1,78341) + (2(11 - 1) + 1)(-0,184)
+ (22 - 1)(-1,44674) + (2(11 - 2) + 1)(-0,26832)
+(23 - 1)(-1,24698) + (2(11 - 3) + 1)(-0,3388)
+(24 - 1)(-1,15428) + (2(11 - 4) + 1)(-0,37875)
+(25 - 1)(-1,10969) + (2(11 - 5) + 1)(-0,39997)
+(26 - 1)(-1,06626) + (2(11 - 6) + 1)(-0,42204)
+(27 - 1)(-0,9039) + (2(11 - 7) + 1)(-0,51917)
+(28 - 1)(-0,75916) + (2(11 - 8) + 1)(-0,63122)
+(29 - 1)(-0,42204) + (2(11 - 9) + 1)(-1,06626)
+(210 - 1)(-0,19641) + (2(11-10) + 1)(-1,72415)
+(211 - 1)(-0,00517) + (2(11-11) + 1)(-5,26684)
= -131,4145
Com isso, temos


A estatstica de Anderson Darling modificada para o Caso 3 ( e
desconhecidos) dada por:


A partir da Tabela 4.3.2.1 conclumos que o p-valor do teste menor que
0,01. Portanto, assumindo um nvel de significncia igual a 0,05 rejeitamos a
hiptese dos dados serem provenientes de uma distribuio normal.
Distribuio Log-Normal
Para realizar o teste de Anderson Darling quando a distribuio dada Log-
normal devemos considerar o logaritmo dos dados e proceder como no caso da
distribuio Normal.
Distribuio Exponencial
Considere o teste como em (4.3.2.1) e a distribuio Exponencial com
funo de distribuio acumulada dada por

Os seguintes casos podem ocorrer durante a realizao do teste:
Caso 0: O parmetros conhecido;
Caso 1: O parmetro precisa ser estimado.
A Tabela 4.3.2.3 apresenta os valores da estatstica A
2
com modificaes
apropriadas para cada um dos casos citados acima.
Tabela 4.3.2.3: Tabela de pontos percentis de A
2
para a distribuio
Exponencial.
Pontos percentis para cada (%)
Caso Modificao 15,0 10,0 5,0 2,5 1,0
0 Nenhuma 1,610 1,933 2,492 3,070 3,857
1

0,922 1,078 1,341 1,606 1,957

Exemplo 4.3.2.2: Os dados a seguir se referem aos tempos de vida (em horas)
de 15 componentes eletrnicos colocados em teste. Sejam eles: 7,134; 1,157;
103,507; 64,707; 48,826; 72,332; 155,894; 83,653; 5,729; 4,472; 14,578;
42,833; 45,118; 223,395; 3,055. A mdia dos dados .
clique aqui para efetuar o download dos dados utilizados nesse exemplo

Desejamos realizar o seguinte teste:


Assim, para calcular o valor da estatstica A
2
procedemos como na Tabela
4.3.2.4.
Tabela 4.3.2.4: Calculando o valor de A
2
.
dados dados ordenados F(x
i
) ln(F(x
i
)) ln(1-F(x
i
))
7,134 1,157 0,019603 -3,93208 -0,0198
1,157 3,055 0,050948 -2,97696 -0,05229
103,507 4,472 0,073685 -2,60796 -0,07654
64,707 5,729 0,0934 -2,37086 -0,09805
48,826 7,134 0,114939 -2,16336 -0,1221
72,332 14,578 0,220821 -1,5104 -0,24952
155,894 42,833 0,519593 -0,65471 -0,73312
83,653 45,118 0,538019 -0,61986 -0,77223
5,729 48,826 0,566423 -0,56841 -0,83569
4,472 64,707 0,669617 -0,40105 -1,1075
14,578 72,332 0,710041 -0,34243 -1,23802
42,833 83,653 0,761115 -0,27297 -1,43177
45,118 103,507 0,829938 -0,1864 -1,77159
223,395 155,894 0,930625 -0,0719 -2,66823
3,055 223,395 0,97815 -0,02209 -3,82356
Com isso, temos
D = (21 - 1)(-3,93208) + (2(15 - 1) + 1)(-0,01980)
+ (22 - 1)(-2,97696) + (2(15 - 2) + 1)(-0,05229)
+ (23 - 1)(-2,60796) + (2(15 - 3) + 1)(-0,07654)
+ (24 - 1)(-2,37086) + (2(15 - 4) + 1)(-0,09805)
+ (25 - 1)(-2,16336) + (2(15 - 5) + 1)(-0,12210)
+ (26 - 1)(-1,51040) + (2(15 - 6) + 1)(-0,24952)
+ (27 - 1)(-0,65471) + (2(15 - 7) + 1)(-0,73312)
+ (28 - 1)(-0,61986) + (2(15 - 8) + 1)(-0,77223)
+ (29 - 1)(-0,56841) + (2(15 - 9) + 1)(-0,83569)
+ (210 - 1)(-0,40105) + (2(15 - 10) + 1)(-1,10750)
+ (211 - 1)(-0,34243) + (2(15 - 11) + 1)(-1,23802)
+ (212 - 1)(-0,27297) + (2(15 - 12) + 1)(-1,43177)
+ (213 - 1)(-0,18640) + (2(15 - 13) + 1)(-1,77159)
+ (214 - 1)(-0,07190) + (2(15 - 14) + 1)(-2,66823)
+ (215 - 1)(-0,02209) + (2(15 - 15) + 1)(-3,82356)
= -236,79011
Assim, temos que


Logo, a estatstica de Anderson Darling modificada de acordo com a Tabela
4.3.2.3 dada por:


Com isso, a partir da Tabela 4.3.2.3 conclumos que o p-valor maior que
0,15.
Distribuio Valor Extremo
Para realizar o teste (4.3.2.1) para a distribuio de Valor Extremo com
funo de distribuio acumulada dada por


Os seguintes casos podem ocorrer:
Caso 0: O parmetro = (, ) totalmente conhecido;
Caso 1: O parmetro conhecido e precisa ser estimado;
Caso 2: O parmetro conhecido e precisa ser estimado;
Caso 3: Nenhum dos componentes de = (, ) conhecido e portanto ambos
precisam ser estimados.
A seguinte tabela apresenta os valores da estatstica A
2
com modificaes
apropriadas para cada um dos casos citados acima.
Tabela 4.3.2.5: Tabela de pontos percentis de A
2
para a Valor Extremo.
Pontos percentis para cada (%)
Caso Modificao 15,0 10,0 5,0 2,5 1,0
0 Nenhuma - 1,933 2,492 3,070 3,857
1

0,736 1,062 1,321 1,591 1,959
2 Nenhuma 1,060 1,725 2,277 2,854 3,640
3

0,474 0,637 0,757 0,877 1,038

Exemplo 4.3.2.3: Considere os dados a seguir provenientes de uma
distribuio de Valor Extremo: 84,01; 75,498; 79,356; 72,635; 104,052;
102,56; 91,458; 90,546; 78,932; 90,18; 76,828; 93,905; 75,433; 85,35; 102,64.
clique aqui para efetuar o download dos dados utilizados nesse exemplo

Os parmetros estimados so: locao = 92,162789 e escala = 9,976448.
O objetivo realizar o seguinte teste:


Assim, vamos calcular o valor da estatstica A
2
procedendo como na Tabela
4.3.2.6.
Tabela 4.3.2.6: Calculando o valor de A
2
.
dados
dados
ordenados
F(x
i
) ln(F(x
i
))
ln(1-
F(x
i
))
84,01 72,635 0,131708 -2,02717 -0,14123
75,498 75,433 0,170513 -1,76895 -0,18695
79,356 75,498 0,171526 -1,76302 -0,18817
72,635 76,828 0,193462 -1,64268 -0,21500
104,052 78,932 0,233165 -1,45601 -0,26548
102,56 79,356 0,241953 -1,41901 -0,27701
91,458 84,01 0,357035 -1,02992 -0,44167
90,546 85,35 0,396589 -0,92486 -0,50516
78,932 90,18 0,559461 -0,58078 -0,81976
90,18 90,546 0,572752 -0,55730 -0,85039
76,828 91,458 0,606153 -0,50062 -0,93179
93,905 93,905 0,696025 -0,36237 -1,19081
75,433 102,56 0,941304 -0,06049 -2,83538
85,35 102,64 0,942629 -0,05908 -2,85821
102,64 104,052 0,962849 -0,03786 -3,29277
Assim, temos que


Logo, a estatstica de Anderson Darling modificada de acordo com a Tabela
4.3.2.5 dada por:


A partir da Tabela 4.3.2.5, conclumos que o p-valor est entre 0,05 e 0,10.
Para obtermos um valor exato, podemos fazer uma interpolao entre esses
valores a partir da equao que fornece a inclinao da reta, dada por


Dessa equao, conclumos que o p-valor de 8,4042 % ou 0,0840. Portanto,
para um nvel de significncia igual a 0,05, no rejeitamos a hiptese H
0
.
Distribuio Weibull
Para realizar o teste (4.3.2.1) para a distribuio de Weibull, tomamos o
logaritmo dos dados e procedemos como no caso da distribuio de Valor
Extremo. Por exemplo, se a varivel aleatria X tem distribuio Weibull com
funo distribuio acumulada dada por:


ento a varivel aleatria Y = log(X) tem distribuio Valor Extremo, dada por
(4.3.2.3), com parmetros de locao e de escala ( e ).
4.3.3 - Aplicao
Exemplo 4.3.3.1: O fabricante de um tipo de isolador eltrico quer conhecer
o comportamento de seu produto funcionando na temperatura de 150C. Um
teste de vida foi realizado nestas condies usando 45 isoladores eltricos. O
teste terminou quando 30 deles haviam falhado (censura do tipo II). As 15
unidades restantes que no haviam falhado foram censuradas no tempo t =
836. Os tempos das falhas (em horas) esto dispostos na tabela abaixo, onde o
smbolo + denota censura.
clique aqui para efetuar o download dos dados utilizados nesse exemplo

123 230 250 261 276 291 296 299 311 332
338 379 387 425 448 472 479 488 489 502
565 589 603 603 605 626 635 660 661 836
836+ 836+ 836+ 836+ 836+ 836+ 836+ 836+ 836+ 836+
836+ 836+ 836+ 836+ 836+
O fabricante tem interesse em estimar o tempo mdio (MTTF) de vida do
isolador e o percentual de falhas at 300 horas de uso.
Para isso, devemos seguir os passos abaixo:
1. Escolher o modelo probabilstico: vamos utilizar o Mtodo 2,
estudado no tpico anterior.
O Papel de Probabilidade para as distribuies Normal, Exponencial,
Weibull e Log-normal apresentado na Figura 4.3.3.1.

Figura 4.3.3.1: Papel de Probabilidade.

Para entender como executar essa funo do Software Action, voc pode consultar o manual do
usurio.
O valor da estatstica e do p-valor do teste de Anderson-Darling
dado na Tabela 4.3.3.1. Note que no temos um valor exato para o
p-valor da distribuio de Weibull (sabemos apenas que maior que
0,25) no entanto, podemos observar que para essa distribuio o
valor da estatstica de Anderson-Darling o menor dentre
todos. Logo, conclumos que a distribuio de Weibull a mais
adequada para esse conjunto de dados.
Tabela 4.3.3.1: Valor da estatstica e do p-valor do teste de
Anderson-Darling.
Distribuio Anderson-Darling P-valor
Normal 0,4206 0,3045
Exponencial 5,5979 < 0,005
Weibull 0,3989 > 0,250
Log-Normal 0,5312 0,1605

2. Anlise do tempo de falha utilizando a distribuio de Weibull
Usando o software Action e o mtodo de estimao de mxima
verossimilhana obtemos as seguintes estimativas dos parmetros:
Parmetros Estimativas Desvio-padro Lim. Inferior Lim. Superior
Forma ( ) 1,9361 0,0943 1,7512 2,1209
Escala ( ) 762,0024 5283,0479 0,0000 11116,5860
Com os valores da tabela acima, a estimativa de mxima verossimilhana para
o MTTF dada por






Analogamente, a estimativa de mxima verossimilhana para a funo de
confiabilidade R(t) dada por


Portanto,



isto , estima-se que a probabilidade de um isolador eltrico operar por mais
de 300 horas de 84,83%. Portanto, a probabilidade de um isolador falhar
antes de 300 horas de aproximadamente 15%.

Para entender como executar essa funo do Software Action, voc pode consultar o manual do
usurio.
Exerccio 4.3.3.1: No Exemplo 2.1, envolvendo um teste de vida com as
vlvulas, o fabricante estava interessado em estimar as seguintes
caractersticas de seu produto:
clique aqui para efetuar o download dos dados utilizados nesse exemplo

o tempo mdio de falha (MTTF);
o tempo no qual 10% dos mecanismos esto fora de operao;
o percentual esperado de falha nos dois primeiros anos de uso.
Escolha um modelo probabilstico adequado e responda s questes do
fornecedor.
4.4 - Mtodo Delta
Muitas vezes temos interesse em calcular intervalos de confiana para funes
dos parmetros de uma determinada distribuio. Por exemplo, no caso de
uma distribuio Weibull, intervalos de confiana para o MTTF, intervalos de
confiana para os percentis ou para a mediana. Todos essas quantidades so
do tipo e para estimar basta tomar os estimadores de mxima
verossimilhana e substituir em , obtendo . Essa a propriedade
de invarincia conhecida dos estimadores de mxima verossimilhana. Para
calcular o intervalo de confiana para teremos que calcular o erro
padro de .
Tomando e expandindo em srie de Taylor at a primeira ordem,
temos


Assim, temos




Vamos utilizar o mtodo delta para calcular um intervalo de confiana com
nvel de significncia de 5% (nvel de confiana 95%) para o quantil da
distribuio Weibull, utilizando os dados do Exemplo 4.3.3.1. Como
estimador do quantil temos a seguinte funo dos parmetros


Com isso,

em que



4.5 - Resumo das Principais Distribuies e Propriedades
A seguir apresentamos um resumo das principais distribuies e suas
propriedades.
1. Distribuio Exponencial
1.1 Funo densidade de probabilidade


em que o parmetro de escala.
1.2 Funo de confiabilidade


1.3 Funo taxa de falha


1.4 MTTF e varincia




1.5 Quantil 100p%:


1.6 Relao com a distribuio de Valor Extremo
Se T tem distribuio exponencial com parmetro ento log(T) tem
distribuio de Valor Extremo com parmetros e
1.7 Linearizao de R(t)



2. Distribuio de Weibull
2.1 Funo densidade de probabilidade


em que e so, respectivamente, os parmetro de forma e escala.
2.2 Funo de confiabilidade


2.3 Funo taxa de falha


2.4 MTTF e varincia




2.5 Quantil 100p%


2.6 Relao com a distribuio de Valor Extremo
Se T tem distribuio Weibull ( ) ento log(T) tem distribuio de Valor
Extremo com parmetros e .
2.7 Relao com a distribuio Exponencial
Se T tem distribuio de Weibull com parmetro de escala e de forma
ento T tem distribuio Exponencial com parmetro de escala .
2.8 Linearizao de R(t)



3. Distribuio Log-normal
3.1 Funo densidade de probabilidade


em que e
3.2 Funo de confiabilidade


3.3 Funo taxa de falha


3.4 MTTF e varincia




3.5 Quantil 100p%


3.6 Relao com a distribuio Normal
Se T tem distribuio Log-normal com parmetros e ento log(T) tem
distribuio Normal com mdia e desvio-padro
3.7 Linearizao de R(t)

5 - Testes Acelerados
Atualmente os fabricantes enfrentam o desa
fio de desenvolver novos produtos, com tecnologia mais avanada e em tempo
recorde enquanto que, paralelamente, devem continuar os esforos de
melhoria da produtividade, da confi
abilidade de campo e da qualidade de maneira geral. Em termos prticos, isso
significa que as informaes referentes confiabilidade dos
produtos necessitam ser obtidas em um perodo curto de tempo, para que
possam ser utilizadas em novos projetos e na melhoria dos j existentes. As
informaes referentes a performance dos produtos originam-se basicamente
de duas fontes: dados de campo e dados experimentais (testes).
Os dados de campo, como o prprio nome sugere, so aqueles oriundos de
uma operao de campo. Para alguns tipos de produto, comum realizar uma
espcie de "teste de mercado" bem antes do seu lanamento. Nesses casos,
um determinado nmero de produtos alocado a uma amostra de
consumidores, em que a performance do produto observada por um certo
perodo de tempo em condies reais de uso. Um outro tipo de dado de
campo obtido atravs das chamadas dos servios de assistncia tcnica
autorizados. Entretanto muitos produtos modernos so projetados para
operar, sem falhas, por anos. Portanto, de se esperar que poucas unidades
iro apresentar falhas durante o perodo de observao. Em particular, os
dados obtidos atravs dos servios autorizados muitas vezes no so
totalmente confiveis e, em geral, esto disponveis apenas para produtos
dentro do prazo de garantia. Terminado esse perodo perde-se o
acompanhamento da "vida" do produto. A perda de acompanhamento devido
a dois fatores: o consumidor, por motivo de custo, resolve recorrer a servios
no autorizados ou o servio autorizado, mesmo quando requisitado, no
envia as devidas informaes ao fabricante. No caso de produtos fora do prazo
de garantia, o cliente arca com o custo do servio. Consequentemente, do
ponto de vista do prestador de servios, no h razo para comunicar o
fabricante. Devido a todos os problemas expostos, essas fontes de dados so
em grande parte das vezes insuficientes sendo necessrio ento a coleta de
dados experimentais. No entanto, os testes realizados sob condies normais
de uso so demorados e caros. Uma forma frequentemente utilizada
para obter informaes de maneira mais rpida, facilitando a predio da con
abilidade a realizao de testes acelerados. Em geral, a informao obtida
sob altos nveis de estresse, por exemplo taxa de uso, temperatura, voltagem,
extrapolada por meio de um modelo estatstico-fsico para obter estimativas
por exemplo do tempo mdio ou mediano de vida nas condies de
uso. Embora os teste acelerados sejam utilizados de uma forma ou de outra
pelas indstrias, existem opinies divergentes a respeito de como realizar tais
testes e interpretar os dados coletados. Algumas questes que normalmente
surgem so:
quantas e quais variveis de estresse devem ser utilizadas?
quantos nveis de estresse devem ser utilizados? ( comum submeter todos
os itens em teste a um mesmo nvel de estresse?)
quais nveis de estresse devem ser escolhidos?
qual deve ser a forma de aplicao do estresse?
A verdade que os testes acelerados quando bem entendidos,
cuidadosamente realizados e os resultados apropriadamente analisados podem
agregar muito valor ao produto. Por outro lado, quando utilizados sem critrio
e os dados analisados de maneira inapropriada podem levar a erros grosseiros.
A seguir apresentamos alguns conceitos bsicos de testes acelerados, bem
como variveis de estresse e formas de aplicao dos nveis de estresse.
Ainda, apresentamos algumas consideraes importantes para a realizao de
tais testes.
5.1 - Conceitos Bsicos
A teoria de testes de vida acelerados engloba conceitos j vistos
anteriormente, como falha, tipos de censura e tambm outros conceitos
especficos que so utilizados somente nesses tipos de testes. A seguir
apresentamos alguns conceitos bsicos importantes para o
entendimento dessa teoria.
Testes de vida acelerados
Testes acelerados so aqueles em que a resposta de interesse o "tempo at
a ocorrncia da falha". O objetivo nesse caso estimar, por exemplo, a MTTF
(MTBF) e a funo de confiabilidade. Atravs da modelagem de tais dados
podemos extrapolar, com um certo cuidado, os resultados obtidos nos testes
para as condies normais de uso.
Para ilustrar, consideremos as memrias de computador do tipo RAM ("random
access memory") fabricadas por uma indstria. Uma das medidas de
performance desse produto o tempo de acesso. A "falha", nesse caso,
poderia ser definida como "tempo de acesso superior a um valor pr-
determinado". Portanto, em um teste de vida acelerado para esse produto, a
resposta de interesse seria o "tempo necessrio para que o tempo de acesso
da memria se torne superior ao valor pr-estabelecido". Para isso, esses
dados so coletados sob alguma condio estressante, como por exemplo
temperatura mais alta.
Como um outro exemplo, consideremos um produto congelado
qualquer. Suponha que o fator estressante para a realizao do teste seja a
temperatura (as unidades do produto so submetidas a teste sob temperaturas
mais altas do que a temperatura de armazenamento). Com isso, uma medida
de interesse o nvel de microorganismos no produto. A "falha" nesse
caso seria o "nvel de microorganismos superior a um valor especificado ou
tolerado pelo organismo humano". Portanto, em um teste de vida acelerado, a
reposta seria o "tempo at que o nvel de microorganismos supere o valor
especificado". Com isso possvel determinar o prazo de validade do produto.
Lembremos que, em um teste de vida acelerado estipulamos o seu perodo de
durao e no final examinamos as unidades. Portanto, corremos o risco de nos
deparar com qualquer uma das seguintes situaes:
examinar todas as unidades do produto no final do teste e considerar que
nenhuma delas "falhou" (amostra censurada direita) ou;
constatar que, para todas as unidades o nvel de microorganismos superou o
limite permitido entretanto, no sabemos em que ponto no tempo isso
aconteceu (amostra censurada esquerda) ou;
uma mistura das duas situaes anteriores.
5.2 - Variveis de Estresse
Varivel de estresse aquela que, utilizada em um teste em nveis diferentes
daqueles considerados em condies normais de uso (normalmente em nveis
mais elevados), encurta o tempo at a falha do produto ou material.
Retomemos o exemplo das memrias de computador do tipo RAM. Sabemos
que, para esse dispositivo, a tenso nominal de uso 5 volts e quando
utilizada a nveis mais elevados a tenso acelera a degradao do produto.
Portanto, tenso uma varivel de estresse para essas memrias.
Para produtos alimentcios, temperatura e umidade so, em geral, variveis
de estresse.

Formas de Acelerao de Testes

De modo geral, aceleramos um teste submetendo as unidades nveis mais
altos de estresse do que aqueles encontrados nas condies normais de uso.
Em outras palavras, escolhemos nveis para as variveis de estresse bem mais
altos do que aqueles aos quais os produtos so submetidos em condies
normais de uso (certos testes podem ser acelerados usando nveis baixos para
as variveis de estresse no entanto, isso no muito comum). As formas de
acelerao podem ser divididas de acordo com dois tipos de variveis de
estresse:
1. Acelerao por alta taxa de uso
Nesse caso, a varivel de estresse o uso. O produto colocado em operao
porm, com uma taxa de uso mais elevada do que a normal. Isso pode ser
feito de duas maneiras:
velocidade mais alta - por exemplo, coloca-se um motor em funcionamento
a uma velocidade mais alta do que ele funcionaria normalmente;
reduo do tempo de descanso - nesse caso, o mecanismo automtico de
acionamento de vidro um exemplo tpico. Deixa-se o mecanismo
funcionando por um certo nmero de ciclos maior que o nmero dirio
esperado. Outro exemplo o de uma mquina de lavar roupas. Em uma
residncia, acredita-se que ela fica em funcionamento uma ou duas horas
por dia. Em um teste, poderamos coloc-la em funcionamento por 24 horas,
ininterruptamente.

2. Acelerao por altos nveis de estresse

Nesse caso, o produto submetido a nveis elevados das variveis de estresse
com o objetivo de encurtar o tempo de vida ou degradar a performance do
produto de maneira mais rpida. Nesse tipo de acelerao as variveis de
estresse podem ser definidas como temperatura, voltagem, vibrao, entre
outras.
Para alguns tipos de materiais e produtos j possvel ter uma idia de quais
so as variveis de estresse mais comuns. Alguns exemplos so apresentados
nas Tabelas 5.2.1 e 5.2.2.
Tabela 5.2.1: Exemplos de Materiais, Medidas de Performance e Varivel de
Estresse.
Materiais Medida de Performance Varivel de Estresse
1. metais trinca, corroso, oxidao temperatura, umidade, sal
2. dieltricos e
isolantes
tempo at a falha, alongamento temperatura, voltagem, vibrao
3. alimentos e drogas
tempo de estocagem, pH reaes qumicas
especficas
temperatura, umidade, radiao
solar
4. plsticos propriedades mecnicas, firmeza da cor temperatura, vibrao, choque
Tabela 5.2.2: Exemplos de Produtos, Medidas de Performance e Variveis de
Estresse.
Produtos Medida de Performance Varivel de Estresse
1. semicondutores e componentes
microeletrnicos
tempo at a falha e
caractersticas de operao
temperatura, corrente, voltagem,
umidade, presso
2. capacitores tempo at a falha temperatura, voltagem, vibrao
3. resistores tempo at a falha temperatura, voltagem, vibrao
4. contatos eltricos corroso, tempo at a falha temperatura, umidade, corrente
5. lmpadas
tempo at a falha, eficincia,
luminosidade
voltagem, temperatura, choque
(eltrico ou mecnico)

Formas de Aplicao de Carga (ou Nvel) de Estresse

A carga de estresse em um teste acelerado pode ser aplicada de
vrias maneiras. Ressaltamos que essas formas s se aplicam para o
segundo tipo de varivel de estresse discutido no tpico anterior, isto
, outras variveis que no o "uso". A seguir apresentamos algumas formas de
aplicao de carga de estresse.
1. Constante: o tipo mais comum. Cada unidade submetida um nvel
de estresse constante. Note que, para que possamos modelar os dados
obtidos devemos utilizar vrios nveis de estresse. No entanto, uma
vez fixado o nvel de estresse para uma determinada unidade, est
ficar submetida a este nvel at o final do teste. As vantagens dessa
forma de aplicao de estresse vo desde a simplicidade da
realizao do teste at o uso de modelos simples na anlise dos
resultados. Os modelos com base em estresse constante esto
definidos na literatura e empiricamente verificados para
alguns materiais e produtos. A anlise dos dados para estimao das
funes de confiabilidade tambm est bem definida e disponvel em
pacotes computacionais. Devido ao fato de que muitos produtos,
quando em uso, esto submetidos a nveis de estresse constante, seria
razovel nos concentrarmos nessa forma de aplicao de carga de
estresse.
2. Escada ("step stress"): cada unidade submetida a um nvel de
estresse por um perodo de tempo. Se a unidade no falhar, o nvel de
estresse elevado para um novo patamar e o procedimento se
repete. Portanto, nessa forma de aplicao de carga, o nvel de
estresse aumentado em pequenos "degraus" at que ocorra a falha.
A principal vantagem do "step stress" submeter cada unidade
rapidamente ocorrncia de falha. Por outro lado, sua
maior desvantagem est na estimao das medidas de confiabilidade.
A maioria dos produtos em condies normais de uso submetida a
uma carga constante e no do tipo "escada". Portanto o modelo deve,
de maneira adequada, levar em considerao o efeito acumulativo da
exposio a estresses constante. Uma outra desvantagem do "step
stress" que os modelos de falha que ocorrem nos patamares mais
altos, em geral, diferem daqueles que ocorrem em condies normais
de uso.
3. Progressivo: cada unidade submetida a um nvel crescente de
estresse, porm esse aumento no feito em patamares mais
progressivamente. O uso de testes com estresses progressivo
apresenta as mesmas vantagens e desvantagens do tipo "escada".
Alm disso, pode ser difcil em um teste acelerado controlar o
aumento progressivo do nvel de estresse.

Consideraes Importantes para a Realizao de um
Teste Acelerado

A validade e a preciso das informaes oriundas de um teste acelerado
dependem do cuidado com o planejamento e a realizao do mesmo. Este
um trabalho que deve ser desenvolvido de forma conjunta, por Engenheiros e
Estatsticos. A seguir, listamos alguns elementos importantes, que bem
definidos, garantiro a validade e preciso das informaes. Lembrando que,
estamos tratando de testes acelerados para estimao das medidas de
confiabilidade do produto em condies de projeto.
Escolha da medida de performance: para muitos produtos j existem
normas tcnicas que definem quais so as medidas de performance a serem
utilizadas e como med-las. As medidas de performance para alguns
materiais e produtos so apresentadas nas Tabelas 5.2.1 e 5.2.2 descritas
acima. Em terminologia estatstica, a medida de performance chamada de
varivel resposta.
Definio de "falha": importante que fabricante e consumidor concordem
antecipadamente com a definio de falha para evitar problemas futuros.
Determinao de Condies Realistas de Teste: o ideal que um teste
acelerado simule com preciso as condies reais de uso, exceto pelos nveis
utilizados da varivel de estresse. No entanto, apesar dos esforos, muitos
testes diferem das condies reais de uso. Sendo assim, os Engenheiros
assumem (baseados em experincia) que um produto cuja performance
boa nos testes ter boa performance em uso.
Definio das Variveis de Estresse: nesse caso, nos deparamos com o fato
de que, para muitos produtos, existem padres/normas para os testes e para
os estresses de acelerao. Alguns exemplos desses padres/normas de
variveis de estresses so apresentados nas Tabelas 5.2.1 e 5.2.2. Contudo,
para outros produtos pode no haver padro estabelecido. Nesse caso,
preciso determinar os estresses apropriados por meio de experimentao. H
casos ainda que pode ser conveniente e/ou necessrio utilizar mais do que
uma varivel de estresse, sendo de fundamental importncia
reconhecer qual estresse, de fato, diminui o tempo de vida do produto.
Definio da Forma de Aplicao da Carga de Estresse: a escolha da forma
de aplicao de carga de estresse (constante, escada, etc.) depende de
como o produto sobrecarregado nas condies de uso e de limitaes
prticas e tericas. No entanto, como j discutimos, o estresse constante
prefervel sobre os outros tipos.
Escolha do Plano Experimental: um plano experimental formado por trs
elementos, discutidos a seguir. Portanto, escolher um plano experimental
significa:
o determinar os nveis de estresse: os nveis de estresse que so utilizados
no devem ser to altos a ponto de produzir novas falhas nas condies de
projeto. Mesmo assim, os nveis devem ser altos o suficiente para provocar o
aparecimento das falhas ativas no projeto. Isto requer uma experimentao
adequada, anterior ao teste, para que os nveis de estresse possam ser bem
definidos,
o determinar o tamanho da amostra: determinar quantas unidades no total
sero submetidas teste,
o determinar a proporo de alocao: dada uma amostra com n unidades e
o nmero de nveis de estresse, devemos determinar quantas unidades sero
testadas em cada nvel. A engenharia tradicional, fixa um total de trs a
quatro nveis de estresse e aloca o mesmo nmero de unidades para cada
nvel. Essa prtica gera resultados menos precisos do tempo de vida em
nveis baixos, uma vez que as falhas ocorrem com menor frequncia. Nos
nveis mais baixos, uma quantidade maior de unidades devem ser submetidas
teste do que nos nveis mais altos.
5.3 - Relao Estresse-Resposta
Iniciamos esse tpico com algumas idias que so de fundamental importncia
para o entendimento dos conceitos introduzidos a seguir. Mesmo
j familiarizados com experimentos, qualquer que seja sua finalidade, j nos
deparamos com situaes na qual, mesmo mantendo as condies de
experimento fixas, por exemplo temperatura ou tenso, nem sempre obtemos
os mesmos resultados. Essa constatao pode ter suas origens nas causas mais
variadas, desde problemas com o aparelho de medio at o fato de no
podermos controlar todas as fontes de variabilidade envolvidas em um
experimento, seja por desconhecimento das mesmas ou pela impossibilidade
prtica de se executar tal controle. Dado estas condies de
variabilidade, podemos dizer que o tempo at a falha (resposta) est
relacionado com o estresse (varivel de estresse) segundo um modelo dado
por
Tempo = f(estresse) + erro
A funo "f" deve ter uma forma funcional tal que expresse uma
tendncia decrescente. Essa funo a que chamamos de "relao estresse-
resposta", e poderia ter qualquer forma, como por exemplo
tempo = (estresse)
-2

tempo = (estresse)
-3

Na verdade, utilizamos como relao estresse-resposta os modelos
que tenham algum significado fsico ou qumico. Os mais comum so os
de Arrhenius e Potncia Inversa, discutidos a seguir. Podemos notar que a
relao estresse-resposta um modelo determinstico, ou seja, para um dado
valor da varivel de estresse obtemos um nico valor para o tempo at a
falha. Entretanto, utilizando apenas essa relao determinstica no somos
capazes de explicar a variabilidade de valores encontrados para a varivel
resposta em um mesmo nvel de estresse. Portanto, necessrio acrescentar
ao componente determinstico (relao estresse-resposta) um componente
probabilstico, que seja capaz de explicar a variabilidade dos tempos de falha
das unidades sob teste em um mesmo nvel de estresse. Assim, para cada
nvel de estresse, os tempos de falha das unidades seguem uma dada
distribuio de probabilidade, sendo o componente probabilstico do modelo
descrito por esta distribuio. Contudo, os modelos aqui discutidos possuem
um componente determinstico e um componente probabilstico, definido de
acordo com a distribuio do tempo at a falha. A seguir apresentamos duas
relaes estresse-resposta mais utilizadas na prtica em modelos para testes
de vida acelerados.
Relao de Arrhenius
A relao de Arrhenius utilizada para relacionar o tempo de falha do
produto e a varivel de estresse temperatura. Alguns exemplos de aplicao
incluem:
dieltricos;
plsticos;
filamentos de lmpadas incandescentes.
Essa relao baseada na Lei de Arrhenius. De acordo com essa lei, a taxa de
uma reao qumica simples (de 1 ordem) depende da temperatura segundo a
expresso


em que
E a energia de ativao, normalmente em eltrons-volts;
k a constante de Boltzmann: 8,6171 10
-5
por K (Kelvin);
Temp a temperatura absoluta Kelvin (273,16 + C) e
A' uma constante que caracterstica do mecanismo de falha do produto e
das condies de teste.
Assim, podemos explicar a falha devido a uma reao qumica ou difuso
atravs de uma relao bem simples. Assumindo que o produto falhou quando
uma quantidade crtica do produto qumico reagiu, uma viso simplificada
dessa situao pode ser dada por:


ou de maneira equivalente,


Com isso, temos que o tempo at a falha T inversamente proporcional
taxa (5.3.1). O uso combinado de (5.3.1) e (5.3.2) d origem Relao de
Arrhenius, dada por


em que .
Aplicando o logaritmo em ambos os lados de (5.3.3) obtemos a forma
linearizada


ou ainda,


sendo que

Note que x = 1/T o inverso da temperatura absoluta. No entanto, muitas
vezes trabalhamos com x = 1000/T para evitar problemas computacionais
oriundos do uso de nmeros muito pequenos.
A relao de Arrhenius mostra que o logaritmo do tempo de falha, log(T),
uma funo linear do inverso da temperatura absoluta, x = 1/T. Nas
aplicaes, comum utilizarmos, ao invs do tempo de falha T, um percentil
especificado ou a mdia da distribuio do logaritmo do tempo de falha. As
escolhas mais comuns so 50 (tempo mediano), 63,2 (tempo mdio) e 10
percentis. Da relao de Arrhenius na forma (5.3.3) derivamos o Fator de
Acelerao de Arrhenius, que a razo entre o tempo de falha T
1
na
temperatura D
1
e o tempo de falha T
2
em uma temperatura de referncia D
2
.
Esse fator dado por


Exemplo 5.3.1: Considere uma classe H de isolantes, E 0,65 eV. O fator de
acelerao A
c
, entre T
1
= 453,16 K (temperatura de projeto, equivalente a
180C) e T
2
= 533,16 K (260C) dada por


Portanto, A
c
= 12 significa que os itens em operao a 180C duram cerca de
12 vezes mais do que aqueles em operao a 260C.
Note que o clculo do fator de acelerao determinstico, ou seja, ele no
leva em conta a variabilidade implcita em dados experimentais.

Relao de Potncia Inversa
Essa relao utilizada para modelar o tempo de falha em funes de
qualquer tipo de varivel de estresse. Alguns exemplos de aplicaes incluem:
lmpadas incandescentes
fadiga de metais
isolantes, dieltricos, entre outros.
Suponha que a varivel de estresse V seja positiva (como acontece na maioria
das situaes). A relao de potncia inversa tem a seguinte forma

em que T o tempo at a falha, A e so parmetros caractersticos do
produto, geometria, fabricao, mtodo de teste, etc.
Ainda, podemos escrever


em que e . Da expresso (5.3.5) derivamos o Fator de
Acelerao entre o tempo de falha T
1
no nvel de estresse V
1
e o tempo de
falha T
2
no nvel de estresse de referncia V
2
, dado por


Das expresses (5.3.4) e (5.3.6) podemos derivar uma forma geral para a
relao estresse-resposta, dada por


em que
se sendo T a temperatura absoluta, temos a relao de Arrhenius e
se sendo V uma varivel de estresse qualquer, temos a relao
de Potncia Inversa.

Obs.: No Apndice apresentamos um resumo das relaes estresse-resposta
na forma log-linear, mostrando a equivalncia entre os parmetros.
5.4 - Aplicaes das Relaes Estresse-Resposta em Conjunto com os Modelos
Probabilsticos
Nesse tpico, apresentamos alguns aspectos importantes de um plano para a
realizao de testes de confiabilidade. Sejam eles:
1. um conhecimento dos requerimentos funcionais e de confiabilidade do
produto;
2. um entendimento das condies operacionais e ambientais sob as quais
o produto ir operar;
3. os modos e mecanismos de falhas esperados;
4. um modelo de acelerao para cada mecanismo de falha
(relao estresse-resposta) para realizar o teste e analisar os
resultados;
5. capacidade de delinear e conduzir o teste;
6. capacidade de analisar as falhas fsicas;
7. capacidade de interpretar os resultados e tirar concluses.

Dentre os aspectos citados acima, tratamos apenas do item 7. Apresentamos
tambm um exemplo simplificado de aplicao da relao de Arrhenius a
semicondutores, combinada com o Modelo Probabilstico Exponencial.
Exemplo 5.4.1: Aplicao da relao de Arrhenius em conjunto com a
Distribuio Exponencial. O fabricante de um micro-processador realizou
ensaios dinmicos de vida a 125C, em um total de 1000 componentes, tendo
observado o total de 37 falhas ao final dos ensaios, os quais tiveram a durao
de 1000 horas (963 observaes so censuradas).
Os 37 tempos de falha (em horas) observados so: 1, 23, 54, 55, 68, 102, 104,
117, 139, 179, 188, 189, 211, 230, 230, 249, 250, 279, 282, 282, 298, 322,
325, 330, 344, 351, 354, 357, 373, 409, 495, 503, 537, 548, 657, 879, 1300.
clique aqui para efetuar o download dos dados utilizados nesse exemplo

Sabe-se que a energia de ativao do mecanismo de falha acionado pelo
ensaio de 0,4 eV. Temos interesse em determinar a taxa de falhas
temperatura de operao de 35C. Para solucionar o problema consideramos
os seguintes passos:
1. Construir o papel de probabilidade no Software Action a fim de escolher o
modelo probabilstico mais adequado (Weibull, Exponencial e Log-normal).

Figura 5.4.1: Papel de probabilidade.
2. Estimar os parmetros da distribuio exponencial.
Visto que a distribuio exponencial adequada para representar os
dados, podemos estimar o MTTF por


3. A equao de Arrhenius pode ento ser escrita como


em que
T
35
= 308K;
T
125
= 398K;
E = 0,4 eV para o mecanismo de falha considerado;

Portanto,




Alguns comentrios: Observe que s possvel utilizar o fator de acelerao
de Arrhenius se a energia de ativao para o mecanismo de falha
for conhecida. No entanto, existem valores tabelados de energia de ativao
(E) de acordo com o mecanismo de falha e a varivel de estresse (veja tabelas
no Apndice). Por outro lado, quando a energia de ativao no conhecida,
preciso estim-la a partir de dados experimentais. Nesse caso,
devemos conduzir os testes de vida acelerados em diferentes nveis
de temperatura de tal forma que a energia de ativao possa ser estimada
pela inclinao da reta que passa atravs dos pontos. Ainda, cabe ressaltar
que pequenas variaes em E podem ocasionar mudanas enormes nos valores
extrapolados. Portanto, de grande importncia obter estimativas precisas
dos parmetros envolvidos nas equaes das relaes estresse-resposta.
6 - Modelos de Regresso para Dados Oriundos de Testes Acelerados
At agora tratamos de uma anlise estatstica de resultados experimentais
com uma caracterstica comum: todos os elementos da amostra de
componentes (ou produtos) foram submetidos teste sob as mesmas
condies. Entretanto, na situao ilustrada no Exemplo 5.3.1 o objetivo
estava alm da modelagem pura e simples dos dados obtidos sob as condies
de teste. O objetivo principal era utilizar os resultados da modelagem do
teste acelerado para obter as informaes das figuras de mrito sob as
condies de uso.
Como uma extrapolao dos resultados do teste acelerado para as
condies de uso, foi feita uma aplicao da relao estresse-resposta
de Arrhenius. O ponto principal discutido foi a dependncia implcita de tais
relaes estresse-resposta em constantes que dependem do mecanismo de
falha envolvido. Sendo assim, nos deparamos com duas situaes: a utilizao
de alguns valores j tabelados ou a estimao de tais constantes atravs de
dados experimentais. A primeira requer cuidados extras, pois a utilizao de
valores j tabelados pode acarretar vcios srios nos resultados caso se utilize
valores que no representam o mecanismo de falha do teste em estudo. Por
outro lado, a segunda situao talvez a mais correta e exige a conduo de
testes sob vrios nveis de estresse.
Contudo, a idia utilizar mais de uma amostra de componentes
(ou produtos) e alocar cada uma delas a um nvel diferente de estresse.
Veremos ainda que tais dados, quando adequadamente modelados
e analisados, permitiro ao mesmo tempo a estimao das
constantes inerentes s relaes estresse-resposta, bem como a
extrapolao para as condies de uso. A anlise feita por meio de modelos
de regresso. Tais modelos nada mais so do que a utilizao das relaes
estresse-resposta em conjunto com os modelos probabilsticos discutidos
anteriormente. A principal diferena que os testes sero conduzidos
utilizando mais de um nvel para a varivel de estresse.
Nos tpicos seguintes apresentamos a idia intuitiva dos modelos, bem como a
formulao geral dos mesmos.
6.1 - A ideia intuitiva dos modelos
Como motivao consideremos o seguinte exemplo.
Exemplo 6.1.1: Considere o resultado de um experimento com componentes
eletrnicos, em que um grupo foi submetido teste sob estresse constante de
28 kilovolts, um outro grupo submetido ao estresse de 30 kilovolts e por firm,
o ltimo grupo de componentes foi submetido teste sob estresse de 32
kilovats. Os resultados so apresentados na Tabela 6.1.1 e na Figura 6.1.1.
clique aqui para efetuar o download dos dados utilizados nesse exemplo

Obs.: Para esses dados no houve censuras.
Tabela 6.1.1: Tempo de Falha (em minutos).
28 kV 30 kV 32 kV
128 81 12
68,85 47,05 0,4
150 35,66 3,91
110,29 72 9,88
108,29 39,85 0,69
180 54 2,75
70 35,76 15,93
135 40,25 5,75
174 83 4,25
76,65 40 3,75
170,06 32,76 0,7
Um comportamento interessante podemos observar nesses dados, a tendncia
do tempo de falha dos componentes decresce com o aumento da voltagem.
Assim, qualquer tentativa de explicar esse comportamento do tempo de
falha em funo da varivel "voltagem" deve envolver um modelo estatstico
que reflita essa tendncia. Alm da formulao de um modelo relacionando o
tempo de falha e a voltagem, a estimao de percentis da distribuio do
tempo de falha para qualquer nvel de voltagem tambm deve ser
considerada, em particular, para as condies de uso.

Figura 6.1.1: Tempo de Falha (minutos) versus voltagem.
Contudo, nesse tpico vamos estudar os modelos de regresso apropriados
para as situaes como apresentadas no Exemplo 6.1.1 discutido acima.
Em um modelo de regresso, a tendncia apresentada pelos dados e ilustrada
na Figura 6.1.1 representada pela sua parte determinstica. Porm, em
alguns casos, o prprio fenmeno fsico-qumico envolvido sugere a forma
dessa relao determinstica (relao estresse-resposta). J apresentamos
duas relaes muito utilizadas na prtica, a relao de Arrhenius e a relao
Potncia Inversa, as quais assumem a mesma forma (log-linear).
O outro componente do modelo a parte probabilstica. No Exemplo 6.1.1,
para cada nvel da varivel de estresse existe uma variabilidade nos resultados
obtidos. O componente probabilstico do modelo se responsabiliza por explicar
essa variabilidade inerente aos dados. Isso se d ao assumirmos
uma determinada distribuio de probabilidade para o tempo de falha, T,
do componente. Em outras palavras, para cada nvel da varivel de
estresse, supomos que o tempo de falha, T, segue uma mesma distribuio
de probabilidade e o que difere um nvel de estresse do outro so
os parmetros dessa distribuio.
Essa a idia geral que est por trs dos modelos apresentados nesse tpico.
Basicamente, eles so resultados do uso das relaes estresse-resposta em
conjunto com as distribuies de probabilibilidade. Os modelos estudados
nesse tpico partem do pressuposto de que a variabilidade para cada nvel
de estresse a mesma. No entanto, isso nem sempre verdade. Sendo assim,
muitas vezes precisamos trabalhar em outra escala, por exemplo log(T) ao
invs de T, para que essa suposio seja aproximadamente vlida.
6.2 - Forma geral do modelo
Os modelos utilizados na anlise de dados de confiabilidade so construdos
utilizando-se o logartmo do tempo de falha, ou seja, Y = log(T). Nesses
modelos supomos que Y tem distribuio com parmetro de locao
(escala) e parmetro de forma Utilizamos a notao ao invs
de para indicar que o parmetro de locao da distribuio de Y depende
da varivel de estresse x. Em outras palavras, a relao estresse-
resposta. Esse o procedimento geral, qualquer que seja a distribuio
considerados para Y, isto , sempre escrevemos o parmetro de locao da
distribuio de Y = log(T) em funo da varivel de estresse x.
Com isso, podemos considerar o modelo com a seguinte forma geral


em que tem distribuio que independe da varivel de estresse x.
Existem vrias opes de escolha para a forma funcional da dependncia de
na varivel de estresse x. A forma mais simples e mais utilizada a forma
linear


Nesse caso, podemos reescrever o modelo (6.2.1) como


ainda, considerando a presena de n covariveis temos


em que


Note que o modelo (6.2.2) assume a forma de regresso linear simples quando
supomos Y = log(T) com distribuio Normal (Gaussiana), com mdia
(parmetro de locao) e varincia (parmetro de escala)
De maneira equivalente, dizemos que tem distribuio normal padro.
Nos casos onde no h censura, esse modelo pode ser ajustado com base na
metodologia de Anlise de Regresso. Entretanto, na presena de censuras
essa metodologia no adequada.
A seguir apresentamos os modelos baseados na distribuio de Weibull e na
distribuio Log-Normal. Como j discutimos, ambos assumem a forma log-
linear dada pela expresso (6.2.3). Entretanto, o que difere uns dos outros a
distribuio que supomos para log(T) e a forma como a varivel de estresse x
utilizada no modelo.
Modelo Weibull
Esse modelo parte dos seguintes pressupostos
1. no estresse x, o tempo de falha T tem distribuio de Weibull
ou de maneira equivalente, Y = log(T) tem distribuio de
Valor Extremo
2. o parmetro de forma da distribuio do tempo de falha T (Weibull)
constante, isto , independe da varivel de estresse x. Isso equivale
dizer que a distribuio de Y = log(T) (Valor Extremo) tem parmetro
de escala que o mesmo para todos os nveis de
estresse. Assim, o modelo dado por:


3. em que tem distribuio do Valor Extremo padro, ou seja,
quando e na distribuio do Valor Extremo;
4. de forma equivalente,


5. tal que T tem distribuio de Weibull com parmetros e dados
por:


Modelo Log-Normal
De maneira equivalente, definimos os modelos baseados na distribuio Log-
Normal atravs das seguintes suposies
1. no estresse x, o tempo de falha, T, do produto tem distribuio Log-
Normal com parmetros , ou de maneira equivalente Y = log(T)
tem distribuio Normal com mdia e varincia constante;
2. o desvio padro da distribuio de Y = log(T) constante, isto ,
independe da varivel de estresse. Portanto, nesse caso o modelo
assume a forma


3. em que tem distribuio Normal padro.
4. a mdia e o desvio padro da distribuio de Y = log(T) so dados por


5. Logo, os parmetros da distribuio de T so e dados acima.
Para esses modelos valem as mesmas observaes feitas anteriormente, isto
, ao estimarmos os parmetros do modelo, estamos
automaticamente estimando as constantes das relaes estresse-resposta.
Ainda, vale ressaltar que nos modelos apresentados anteriormente, assumimos
que o parmetro de escala, da distribuio de constante. No
entanto, em algumas aplicaes prticas essa suposio pode no ser
adequada.
6.3 - Estimando os parmetros do modelo
Para a estimao dos parmetros do modelo utilizamos o Mtodo de
Mxima Verossimilhana, introduzido anteriormente.
Suponha que um teste acelerado foi realizado, submetendo-se os itens a uma
varivel de estresse "x", e que "m" nveis foram escolhidos para esta varivel (i
= 1, 2, 3, ..., m). No caso do Exemplo 6.1.1, a varivel "x" a "voltagem"
em 3 nveis (i = 1, 2, 3), isto , 28, 30 e 32 Kilovolts. Suponha ainda que, em
cada nvel "i" da varivel estresse, n
i
itens so submetidos a teste. No final do
teste, r
i
tempos de falha so observados, enquanto que os n
i
-
r
i
restantes so censurados.
Como trabalhamos com o logaritimo do tempo de falha, ento y
ij
= log(t
ij
) a
j-sima observao (censurada ou no) no i-simo nvel da varivel de
estresse "x" (i = 1, 2, ..., m; j = 1, 2, ..., n
i
). Para simplificar a representao,
supomos que no i-simo nvel da varivel de estresse, as r
i
primeiras
observaes so no censuradas, enquanto que as n
i
- r
i
restantes so
censuradas.
Voltando ao Exemplo 6.1.1, temos
x = voltagem (kV);
i = 1, 2, 3 nveis (28 kV, 30 kV, 32 kV) e j = 1, 2, ..., n
i
, com n
1
= 11, n
2
= 11
e n
3
= 11 observaes.
Considerando o modelo


o vetor de parmetros a ser estimado dado por


A seguir apresentamos os clculos para a obteno dos estimadores dos
parmetros do modelo para o caso em que a distribuio dos tempos de falha
Exponencial ou de Weilbul. Em todos os casos, assumimos que em cada nvel
as primeiras observaes so no censuradas (falhas) enquanto as
restantes so censuradas.

Distribuio Exponencial
No caso da distribuio exponencial, y
ij
= log (t
ij
) tem distribuio valor
extremo com parmetros (locao) e (escala), cujas
funes densidade de probabilidade e confiabilidade so dadas,
respectivamente, por


em que
Dessa forma, o logaritmo da funo de verossimilhana L(), dado por


As equaes de mxima verossimilhana


podem ser resolvidas, por exemplo, utilizando o mtodo de Newton-Raphson
ou algum outro mtodo numrico.
Ainda, as derivadas segundas do logaritmo da funo de verossimilhanca so
dadas por






em que
Distribuio Weilbul
Quando supomos que os tempos de falha t
ij
(censurados ou no) so oriundos
de uma distribuio de Weibull com parmetros de escala e forma,
respectivamente, e temos que y
ij
= log (t
ij
) tem distribuio valor
extremo com parmetro de locao e
parmetro de escala .
As funes densidade de probabilidade e de confiabilidade para y
ij
so dadas,
respectivamente, por




A funo de log-verossimilhana para dados provenientes de uma distribuio
de Weilbull pode ser escrita como


em que e
As equaes de mxima verossimilhana so


e podem ser resolvidas atravs do mtodo de Newton-Raphson ou algum outro
mtodo numrico.
Por fim, as derivadas segundas da funo log-verossimilhanca so dadas por













Preciso das Estimativas e Intervalos de Confiana

Se o estimador de mxima verossimilhana dos parmetros do modelo,
ento temos que


em que F a matriz de derivadas segunda de log(L()).
A seguir, apresentamos o intervalo de 95% de confiana para os parmetros do
modelo no caso das distribuies exponencial e Weibull.
Distribuio Exponencial
No caso da distribuio exponencial, o modelo dado por


sendo o vetor de parmetros dado por .
Se o estimador de mxima verossimilhana de ento um
intervalo de 95% de confiana para dado por


em que o elemento da matriz (-F)
-1
que corresponde a
Analogamente, um intervalo 95% de confiana para dado por


em que o elemento da matriz (-F)
-1
que corresponde a
Distribuio Weibull
No caso da distribuio Weibull, o modelo dado por


sendo o vetor de parmetros dado por
Se o estimador de mxima verossimilhana de , ento um
intervalo de 95% de confiana para dado por


em que o elemento da matriz (-F)
-1
.
6.4 - Adequao do Modelo
A adequao do modelo realizada essencialmente por meio dos resduos do
modelo ajustado. Uma anlise dos resduos ajuda a determinar se as
suposies feitas sobre o modelo so adequadas.
A maior parte da anlise de resduos baseia-se no exame de grficos. As
tcnicas grficas so bastante utilizadas para examinar diferentes aspectos do
modelo, um desses aspectos avaliar a distribuio do erros. A anlise dos
resduos no tem como objetivo mostrar que um particular modelo est
correto, e sim rejeitar modelos inapropriados.
Nesta seo, tratamos em particular dos resduos padronizados.

Resduos Padronizados

Os redduos padronizados so teis para verificar se a distribuio proposta
para o modelo est adequada. Esses resduos so baseados na representao
dos modelos log-lineares apresentados na seo Forma Geral do Modelo.
Dessa forma, os resduos padronizados so calculados por:


em que tem distribuio Valor Extremo padro, ou seja, quando
e na distribuio Valor Extremo.
Exemplo 6.4.1: Voltamos agora ao Exemplo 6.1.1, para o qual faremos a
modelagem e anlise estatstica dos resultados.
clique aqui para efetuar o download dos dados utilizados nesse exemplo

Para fazer o ajuste do modelo Weibull aos dados, consideramos para o tempo
de vida dos componentes eletrnicos o seguinte modelo


em que tem distribuio Valor Extremo padro. Ou equivalentemente,


em que tem distribuio de Weibull com parmetros e
Os parmetros a serem estimados pelo modelo so , e . Note que
temos apenas uma varivel de estresse nesse caso.
Usando o software estatstico Action, obtemos as seguinte estimativas para os
parmetros do modelo:
Tabela 6.4.1: Estimativas dos parmetros.
Estimativa Desvio-padro z p-valor

25,818 2,450 10,539 5,69034E-26

-0,739 0,082 -9,042 1,53658E-19

-0,495 0,142 -3,497 0,00047
Com isso calculamos os tempos mdios at a falha dos componentes
eletrnicos para as voltagens 28, 30 e 32 Kilovolts.
Considerando a voltagem x = 28:




Assim, temos que


Os resultados para todas as voltagens so apresentados na Tabela 6.4.2.
Tabela 6.4.2: Tempo mdio at a falha do componente.
Voltagem Tempo Mdio
28 150,092
30 34,227
32 7,805
Os valores dos quantis 0,1; 0,5 e 0,9 para as voltagens de 28, 30 e 32 kilovolts
so dados na Tabela 6.4.3.
Considerando, por exemplo, a voltagem x = 28, o valor do quantil 0,1 dado
por:


ento,


Tabela 6.4.3: Quantis do tempo at a falha do componente.
Voltagem Percentual de Falhas Tempo
28 0,1 42,564
28 0,5 134,184
28 0,9 278,926
30 0,1 9,706
30 0,5 30,600
30 0,9 63,606
32 0,1 2,213
32 0,5 6,978
32 0,9 14,505
Os percentuais de falha para as voltagens 28, 30 e 32 kilovolts so
apresentados na Tabela 6.4.4 e calculados como segue.
Considerando o tempo de falha 128 minutos e a voltagem x= 28, temos:


assim,


Logo, o percentual de falha para o tempo de 128 minutos na voltagem de 28
kV dado por:


Tabela 6.4.4: Percentuais de falha do componente.
Voltagem Tempo
Percentual de
Falhas
28 128 0,474
28 68,85 0,207
28 150 0,565
28 110,29 0,395
28 108,29 0,386
28 180 0,674
28 70 0,212
28 135 0,503
28 174 0,654
28 76,65 0,242
28 170,06 0,640
30 81 0,967
30 47,05 0,754
30 35,66 0,590
30 72 0,941
30 39,85 0,657
30 54 0,828
30 35,76 0,591
30 40,25 0,663
30 83 0,972
30 40 0,659
30 32,76 0,539
32 12 0,815
32 0,4 0,006
32 3,91 0,235
32 9,88 0,707
32 0,69 0,015
32 2,75 0,140
32 15,93 0,932
32 5,75 0,396
32 4,25 0,265
32 3,75 0,221
32 0,7 0,016
As curvas de sobrevivncia e taxa de falha para as voltagens de 28, 30 e 32 KV
estimadas pelo modelo Weibull so dadas pelas Figuras 6.4.1 e 6.4.2.

Figura 6.4.1: Grfico da confiabilidade.
Note que na Figura 6.4.1 o tempo de vida dos componentes eletrnicos
submetidos uma menor tenso superior ao dos componentes submetidos
maior tenso durante o tempo de acompanhamento. Para os componentes
submetidos tenso de 28 kV, o tempo para que cerca de 50% (tempo
mediano) deles falham de 135 minutos, enquanto que, para os componentes
submetidos tenso de 30 kV de 31 minutos e para os submetidos tenso
de 32 kV o tempos de 7 minutos. Uma outra informao importante o
percentual de componentes que ainda funcionam at um determinado tempo
de interesse. Por exemplo, para os componentes submetidos 28 kV de
tenso, cerca de 80% deles ainda funcionam aps 70 minutos do incio da
contagem do tempo, j para aqueles submetidos 30 kV de tenso,
aproximadamente 6% ainda funcionam, e para os componentes submetidos
32 kV de tenso, nenhum continuou funcionando.

Figura 6.4.2: Grfico da Taxa de Falha.
Podemos observar na Figura 6.4.2 que a funo taxa de falha para o tempo de
vida dos componentes eletrnicos crescente, principalmente para valores
maiores de tenso, ou seja, os componentes tendem a falhar mais com o
aumento da tenso.
Por fim, para avaliar se a distribuio proposta com o modelo est adequada
ao conjunto de dados devemos fazer uma anlise dos resduos.
Os resduos padronizados com distribuio Valor Extremo padro so
calculados como segue e apresentados na Tabela 6.4.5.
Considerando o tempo de 128 minutos e a voltagem x = 28 kV, o resduo
padronizado dado por:


logo,


Tabela 6.4.5: Resduos padronizados com distribuio Valor Extremo padro
ajustados para os dados dos componentes eletrnicos.
Tempo Voltagem Resduos
128 28 -0,4439
68,85 28 -14,613
150 28 -0,1837
110,29 28 -0,6883
108,29 28 -0,7183
180 28 0,11543
70 28 -14,341
135 28 -0,3566
174 28 0,05981
76,65 28 -12,852
170,06 28 0,02223
81 30 123,064
47,05 30 0,33936
35,66 30 -0,1154
72 30 10,374
39,85 30 0,06686
54 30 0,5654
35,76 30 -0,1108
40,25 30 0,08325
83 30 127,066
40 30 0,07302
32,76 30 -0,2546
12 32 0,523
0,4 32 -50,573
3,91 32 -13,168
9,88 32 0,20406
0,69 32 -41,627
2,75 32 -18,942
15,93 32 0,9878
5,75 32 -0,6841
4,25 32 -1,18
3,75 32 -13,854
0,7 32 -41,391
Equivalentemente, os resduos padronizados do modelo Weibull ajustado so
apresentados na Tabela 6.4.6 e calculados por:


Tabela 6.4.6: Resduos padronizados do modelo Weibull ajustado para os
dados dos componentes eletrnicos.
Tempo Voltagem Resduos
128 28 0,6415
68,85 28 0,2319
150 28 0,8322
110,29 28 0,5025
108,29 28 0,4876
180 28 11,224
70 28 0,2383
135 28 0,7001
174 28 10,616
76,65 28 0,2766
170,06 28 10,225
81 30 34,234
47,05 30 14,040
35,66 30 0,8910
72 30 28,219
39,85 30 10,691
54 30 17,602
35,76 30 0,8951
40,25 30 10,868
83 30 35,632
40 30 10,758
32,76 30 0,7752
12 32 16,871
0,4 32 0,0064
3,91 32 0,268
9,88 32 12,264
0,69 32 0,0156
2,75 32 0,1504
15,93 32 26,853
5,75 32 0,5046
4,25 32 0,3073
3,75 32 0,2502
0,7 32 0,0159
A Figura 6.4.3 apresenta o grfico dos resduos padronizados com distribuio
Valor Extremo padro ajustados para os dados dos componentes eletrnicos.

Figura 6.4.3: Anlise dos resduos padronizados com distribuio Valor
Extremo padro ajustados para os dados dos componentes eletrnicos.
A partir da Figura 6.4.3 possvel observar que as estimativas das curvas de
sobrevivncia dos resduos obtidas por Kaplan-Meier e pelo modelo Weibull
esto bem prximas, o que indica que a distribuio Weibull proposta pelo
modelo adequada ao conjunto de dados e, portanto as estimativas feitas
atravs desse modelo so aceitveis.
6.5 - Comparao entre curvas de sobrevivncia
Muitas vezes importante determinar se duas curvas de sobrevivncia
apresentam diferenas significativas entre si. Como exemplo, considere que o
objetivo seja comparar um processo novo com um antigo, ou ainda comparar
dois produtos diferentes com relao ao tempo de vida. Para este fim,
consideramos nessa seo o teste logrank (Mantel, 1996), que um dos mais
conhecidos e usados na rea de confiabilidade.
A estatstica do teste a diferena entre o nmero observado de falhas em
cada grupo e uma quantidade que, para muitos propsitos, pode ser pensada
como o correspondente nmero esperado de falhas sob a hiptese nula.
Considere inicialmente, o teste de igualdade de duas funes de sobrevivncia
S
1
(t) e S
2
(t). Sejam t
1
t
2
... t
k
os tempos de falha distintos da amostra formada
pela combinao das duas amostras individuais. Suponha que no tempo
t
j
ocorram d
j
falhas e que n
j
indivduos estejam sob risco em um tempo
imediatamente inferior a t
j
na amostra combinada e, respectivamente, d
ij
e
n
ij
na amostra i = 1, 2 e j = 1, ..., k. Em cada tempo de falha t
j
, os dados
podem ser dispostos em forma de tabela de contigncia 2 x 2 com d
ij
falhas e
n
ij
- d
ij
sobreviventes na coluna i, como mostra a Tabela 6.5.1.
Tabela 6.5.1: Tabela de contigncia gerada no tempo t
j
.
Grupos
1 2
Falha d
1j
d
2j
d
j

No Falha n
1j
- d
1j
n
2j
- d
2j
n
j
- d
j

n
1j
n
2j
n
j

Condicionado s ocorrncias de falha e censura at o tempo anterior a
t
j
(fixando as marginais de coluna) e ao nmero de falhas no tempo t
j
(fixando
as marginais de linha), a distribuio de d
2j
uma hipergeomtrica:


A mdia de d
2j
w
2j
= n
2j
d
j
n
j
-1
, o que equivale a dizer que, se no houver
diferena entre as duas populaes no tempo t
j
, o nmero total de falhas
d
j
pode ser dividido entre as duas amostras de acordo com a razo entre o
nmero de indivduos sob risco em cada amostra e o nmero total de
indivduos sob risco. A varincia de d
2j
obtida a partir da distribuio
hipergeomtrica dada por


Ento, a estatstica d
2j
- w
2j
tem mdia zero e varincia (V
j
)
2
. Se as k
primeiras tabelas de contigncia forem condicionalmente independentes, um
teste aproximado para a igualdade das duas funes de sobrevivncia pode ser
baseado na estatstica


em que sob a hiptese nula H
0
: S
1
(t) = S
2
(t), para todo t no perodo de
acompanhamento, tem uma distribuio qui-quadrado com 1 grau de
liberdade para grandes amostras.
Exemplo 6.5.1: Um produtor de requeijo realiza um teste de durabilidade
de seu produto. O produto vendido a temperatura ambiente e
sem conservantes. O evento de interesse o aparecimento de algum fungo no
produto. Os dados so apresentados na tabela a seguir, em que o tempo
medido em horas. O smbolo + indica censura.
Existe diferena entre as duas embalagens com relao durabilidade do
produto?
Embalagens
A
31 40 43 44 46 46 47 48 48 49
50 50 60 60 60 60 60+ 60+ 60+ 60+
B
48 48 49 49 49 49 50 50 50 50
53 53 54 54 54 55 55+ 55+ 55+ 55+
clique aqui para efetuar o download dos dados utilizados nesse exemplo

Resoluo:
Vamos comparar os tempos de durabilidade utilizando o teste Log-Rank
disponvel no Software Action.

O teste Log-Rank utilizado para testar a hiptese nula de que no h
diferena entre os grupos. De acordo com o p-valor obtido, 0,9362, podemos
concluir que no h diferena significativa entre as duas embalagens com
relao durabilidade do produto.
7 - Plano de determinao
A utilizao de uma amostra em um determinado estudo implica,
inevitavelmente, na aceitao de uma margem de erro, que denominamos
erro amostral. No possvel evitar a ocorrncia do erro amostral, no entanto
podemos limitar o seu valor escolhendo uma amostra de tamanho adequado.
Dessa forma, o plano de determinao usado quando desejamos determinar
o tamanho da amostra (n) que nos assegura uma probabilidade de erro
adequada.
Suponha que B
q
seja o tempo para o qual q100% das peas em um estudo
falham. Queremos, ento, determinar uma estratgia para avaliar se um
determinado produto atende ao requisito B
q
.
Para isso, devemos considerar as seguintes suposies:
Ensaiar n peas por t unidades de tempo;
O produto atende ao requisito B
q
se nenhuma pea falhar durante o ensaio,
ou seja, "zero defeito".
A questo agora como determinar o tamanho da amostra n que nos assegura
uma probabilidade de erro adequada. Para isso, consideramos dois possveis
casos que so apresentados a seguir.

Caso 1: Ensaiar o produto por t = B
q
unidades de tempo.
Para tratar este caso, definimos as seguintes hipteses:


Como cada produto pode falhar ou no durante o ensaio, a distribuio
binomial um bom modelo probabilstico para determinarmos o tamanho da
amostra.
Consideramos n peas em estudo e para cada pea associamos uma varivel
aleatria X
i
tal que


Neste caso obtemos que Bernoulli(p).
Consideramos agora uma varivel Y que denota o nmero de peas que
falharam durante o ensaio. Com isso, obtemos que Binomial(n, p), em
que p representa a probabilidade real de defeitos no tempo especificado (B
q
).
Dessa forma, podemos reescrever as hipteses (7.1) como


A probabilidade do erro do Tipo I dada por


Ento, considerando que o produto atende ao requisito B
q
se nenhuma pea falhar
durante o ensaio (zero defeito) temos


Logo,


Portanto, isolando n obtemos


Exemplo 7.1: Determinar o tamanho da amostra para avaliarmos o requisito
B
0,1
= 320.000 ciclos.
Neste caso, para determinar o tamanho da amostra n basta fixarmos uma
probabilidade do erro de tipo I ( ).
Assim, se considerarmos obtemos


Para obtemos


Na Tabela 7.1 apresentamos os tamanhos de amostra para diferentes valores
de Podemos observar que quanto maior o tamanho da amostra, menor a
probabilidade de erro.
Tabela 7.1: Tamanhos de amostra (n) para diferentes valores de

n
0,05 29
0,1 22
0,15 19
0,2 16
0,25 14
0,3 12
0,35 10
0,4 9

Para entender como executar essa funo do Software Action, voc pode consultar o manual do
usurio.
Caso 2: Ensaiar o produto por t B
q
unidades de tempo.
Neste caso, ensaiamos o produto por t unidades de tempo diferente do
requisito B
q
. Para isso, admitimos que o tempo at a ocorrncia da falha
segue distribuio de Weibull(a, ), em que um parmetro conhecido.
Dessa forma, temos


em que T o tempo at a ocorrncia da falha.
Assim, ao isolarmos obtemos,


Logo,


Portanto,


Com o valor de obtido acima, podemos calcular a proporo esperada de
falha para um determinado tempo t. Com isso, segue que


sendo a proporo esperada de falha no tempo t.
Com este executamos os passos (modelo probabilstico) descritos no Caso
1 e obtemos, assim, o tamanho da amostra (n), expresso por


Exemplo 7.2: Queremos avaliar se um determinado produto atende ao
requisito B
0,1
= 320.000 ciclos. Porm, vamos ensaiar o produto por t =
600.000 ciclos. Qual deve ser o tamanho da amostra?
Note que para a resoluo deste problema precisamos seguir os passos
descritos no Caso 2.
Assim, temos B
q
= B
0,1
= 320.000 ciclos, em que q = 0,1 = 10%. Suponha que T,
o tempo at a acorrncia da falha, segue uma distribuio de Weibull com
parmetro = 2. Utilizando as expresses obtidas no Caso 2 temos


Ento, fazendo as devidas substituies segue que


Logo, isolando obtemos


Com o valor de a = 985850,4399, podemos encontrar a proporo esperada de
falha para o tempo t = 600.000 ciclos. Dessa forma,


Assim, se considerarmos obtemos


Para obtemos


Na Tabela 7.2 apresentamos os tamanhos de amostra para diferentes valores
de Anlogo ao Caso 1, quanto maior o tamanho da amostra menor a
probabilidade de erro.
Tabela 7.2: Tamanhos de amostra (n) para diferentes valores de

n
0,05 9
0,1 7
0,15 6
0,2 5
0,25 4
0,3 4
0,35 3
0,4 3
Note que, seguindo o procedimento descrito pelo Caso 2 obtemos tamanhos
de amostra (n) menores do que pelo Caso 1. No entanto, os dois possveis
casos so adequados para a determinao do tamanho da amostra, sendo
utilizado o procedimento (Caso 1 ou Caso 2) que melhor se adapta situao
em questo.
8 - Exerccios
Exerccio 8.1: Os dados na Tabela 8.1 representam o tempo at a ruptura de
um certo tipo de isolante eltrico sujeito a uma tenso de estresse de 35
kvolts. O teste consistiu em deixar 25 destes isolantes funcionando at que 15
deles falhassem (censura do tipo II), obtendo-se os seguintes resultados (em
minutos).
Tabela 8.1: Tempo at a ruptura de um tipo de isolante eltrico.
0,19 0,78 0,96 1,31 2,78 3,16 4,67 4,85
6,5 7,35 8,27 12,07 32,52 33,91 36,71
clique aqui para efetuar o download dos dados utilizados nesse exemplo

A partir dos dados amostrais, deseja-se obter as seguintes informaes:
(a) uma estimativa para o tempo mediano de vida deste tipo de isolante
eltrico funcionando a 35 Kvolts;
(b) uma estimativa (pontual e intervalar) para a frao de defeituosos
esperada nos dois primeiros minutos de funcionamento;
(c) uma estimativa pontual para o tempo mdio de vida dos isolantes
funcionando a 35 Kvolts (limitado em 40 minutos) e;
(d) o tempo necessrio para que 20% dos isolantes estejam fora de operao.
Exerccio 8.2: Um produtor de requeijo realiza um teste de durabilidade
de seu produto. O produto dele vendido a temperatura ambiente e
sem conservantes. O evento de interesse o aparecimento de algum fungo no
produto. Os dados so apresentados na Tabela 8.2, em que o tempo
medido em horas. O smbolo + indica censura.
Tabela 8.2: Tempos de durabilidade (em horas).
31 40 43 44 46 46 47 48 48 49
50 50 60 60 60 60 60+ 60+ 60+ 60+
clique aqui para efetuar o download dos dados utilizados nesse exemplo

Caracterize a durabilidade do produto (quantil 10%, mediana e mdia) para os
dados acima utilizando o Estimador de Kaplan-Meier.
Exerccio 8.3: O fabricante de um determinado tipo de isolador eltrico
deseja analisar o comportamento de seu produto funcionando a uma
temperatura de 200C. Um teste de vida com 60 isoladores eltrcios foi
realizado nas condies desejadas. O teste terminou quando 45 dos isoladores
falharam (censura do tipo II). As 15 unidades restantes (que no
haviam falhado ao final do teste) foram censuradas no tempo t = 2.729 horas.
O fabricante tem interesse em estimar o tempo mdio e mediano de vida do
isolador e tambm o percentual de falhas aps 500 horas de uso. Os tempos
(em horas) obtidos so apresentados na Tabela 8.3. O smbolo + indica
censura.
Responda s questes de interesse do fabricante utilizando um modelo
paramtrico que se apresentar mais apropriado para descrever os dados.
Tabela 8.3: Tempos de funcionamento isolador eltrico.
151 164 336 365 403 454 455 473 538 577 592
628 632 647 675 727 785 801 811 816 867 893
930 937 976 1008 1040 1051 1060 1183 1329 1334 1379
1380 1633 1769 1827 1831 1849 2016 2282 2415 2430 2686
2729 2729+ 2729+ 2729+ 2729+ 2729+ 2729+ 2729+ 2729+ 2729+ 2729+
2729+ 2729+ 2729+ 2729+ 2729+
clique aqui para efetuar o download dos dados utilizados nesse exemplo

Exerccio 8.4: Um fabricante de eletrodomsticos est desenvolvendo uma
nova tecnologia para um de seus produtos. O sucesso dessa nova tecnologia
depende da performance de um novo componente, o qual no fabricado
pela prpria empresa. Com essa finalidade, foi realizado um teste acelerado
utilizando-se 120 componentes e trs nveis de temperatura: 75C, 95C e
115C. Quarenta componentes foram submetidos a teste em cada nvel de
temperatura. Os testes tiveram a durao de 10 semanas (1.680 horas). Os
dados so apresentados na Tabela 8.4.
Verifique qual o percentual de falhas esperado no primeiro ano de uso.
Tabela 8.4: Tempos de falha (em horas) para os componentes em teste.
75C 95C 115C
8 8 943 1 202 (2) 925
109 67 1236 11 215 958
219 155 1266 12 224 (2) 1413
423 160 1287 24 239
514 161 1307 32 299
973 196 1351 59 352
1013 204 1379 63 362
1100 308 1521 75 365
1246 518 1607 81 382
1503 523 1639 84 390
1607 551 1653 86 471
560 130 570
639 133 584
734 135 600
802 142 (2) 730
855 195 850
11 falhas
29 censuras
(t = 1.680
h)
27 falhas
13 censuras
(t = 1.680 h)
39 falhas
1 censura
(t = 1.680 h)
clique aqui para efetuar o download dos dados utilizados nesse exemplo

Exerccio 8.5: Considere os dados referentes ao nmero de ciclagens at a
falha de uma mola submetida s tenses 1030, 1062, 1100, 1144, 1188, 1232,
1275, 1320. Os dados so apresentados na Tabela 8.5. Deseja-se saber quais
os valores mdios e os quantis 0,1; 0,5 e 0,9 do tempo at a falha da mola
para as tenses 1.100, 1.200, 1.300 e 1.400, bem como as propores de falha
nos tempos 100.000, 500.000, 1.000.000, 2.000.000 para estes mesmos
valores de tenso.
Faa o ajuste dos dados ao modelo Potncia Inversa - LogNormal utilizando o
software Action.
Tabela 8.5: Nmero de ciclos at a falha de uma mola.
ciclagem tenso censura
47820 1320 1
60370 1320 1
95750 1320 1
289310 1320 1
71405 1320 1
60370 1320 1
256665 1275 1
95770 1275 1
95770 1275 1
47820 1275 1
71405 1275 1
95770 1275 1
118510 1232 1
345060 1232 1
168815 1232 1
279470 1232 1
95770 1232 1
144655 1232 1
598340 1188 1
466130 1188 1
466130 1188 1
245720 1188 1
118510 1188 1
144655 1188 1
2538580 1144 1
3391970 1144 1
1074895 1144 1
2095270 1144 1
195515 1144 1
430395 1144 1
4543250 1100 0
1821075 1100 1
628090 1100 1
4342515 1100 1
1074895 1100 1
1572425 1100 1
4543250 1062 0
3857210 1062 1
4543250 1062 0
4543250 1062 0
3546195 1062 1
4543250 1062 0
4543250 1030 0
4543250 1030 0
4543250 1030 0
4543250 1030 0
4543250 1030 0
4543250 1030 0

clique aqui para efetuar o download dos dados utilizados nesse exemplo

Exerccio 8.6: Considere o nmero de ciclagens at a falha de uma mola
submetida duas variveis de estresse, tenso1 e tenso2. Os dados esto
dispostos na Tabela 8.6. Deseja-se saber quais os valores mdios para os
quantis 0,01; 0,05; 0,1; 0,5 e 0,9 do tempo at a falha da mola para as
variveis tenso1 de 10, 15 e 35 e tenso2 de 5, 20 e 50, bem como
as propores de falha nos tempos 500.000, 1.500.000, 3.000.000 e 4.000.000
para os mesmos valores de tenso1 e tenso2.
Tabela 8.6: Nmero de ciclos at a falha da mola.
ciclagem tenso1 tenso2 censura
2530525 10 15 0
664100 20 25 1
629945 10 35 1
747781 20 40 1
1358272 10 15 0
1814392 20 25 0
843591 10 35 1
910924 20 40 1
113234 10 15 1
513800 20 25 1
1320830 10 35 0
362559 20 40 1
745203 10 15 1
733616 20 25 1
498722 10 35 1
1111116 20 40 0
1122238 10 15 0
815159 20 25 1
686347 10 35 1
1115291 20 40 0

clique aqui para efetuar o download dos dados utilizados nesse exemplo

Exerccio 8.7: Uma equipe de engenharia de produto realizou um ensaio para
avaliar a carga que um determinado componente do motor suporta utilizando
diferentes materias e temperatura(C) de ensaio. OS dados obtidos so
apresentados na Tabela 8.7.
Faa o ajuste dos dados utilizando o software Action.
Tabela 8.7: Carga suportada pelo componente do motor.
Carga Censura Material Temperatura
500 0 A 100
500 0 A 100
500 0 A 100
500 0 A 100
500 0 A 100
500 0 A 100
500 0 A 100
500 0 A 100
500 0 A 100
500 0 A 100
500 0 A 100
500 0 A 100
500 0 A 100
481 1 A 100
450 1 A 100
500 0 A 200
500 0 A 200
500 0 A 200
500 0 A 200
500 0 A 200
500 0 A 200
391 1 A 200
355 1 A 200
343 1 A 200
335 1 A 200
306 1 A 200
306 1 A 200
289 1 A 200
277 1 A 200
230 1 A 200
500 0 A 400
500 0 A 400
500 0 A 400
500 0 A 400
500 0 A 400
500 0 A 400
500 0 A 400
500 0 A 400
371 1 A 400
367 1 A 400
322 1 A 400
285 1 A 400
268 1 A 400
268 1 A 400
234 1 A 400

clique aqui para efetuar o download dos dados utilizados nesse exemplo

Exerccio 8.8: Uma empresa realizou um ensaio para avaliar os tempos de
durabilidade (tempos at a falha) de um componente do motor submetido
cargas de 0,5 e 0,4. Os dados so apresentados na Tabela 8.8.
Faa o ajuste desses dados utilizando o software Action.
Tabela 8.8: Tempos at a falha do componente.
Carga Tempos Censura
0,5 400000 1
0,5 104052 1
0,4 1000000 0
0,4 1000000 0
0,4 1000000 0
0,4 908209 1
0,4 1000000 0
0,4 1000000 0
0,5 480000 1
0,5 520000 1
0,5 350000 1
0,4 934000 1
0,4 1000000 0
clique aqui para efetuar o download dos dados utilizados nesse exemplo

Exerccio 8.9: Uma equipe de engenharia de produtos realizou um ensaio
para avaliar a carga que um componente do motor suporta utilizando
diferentes materias. Os dados so apresentados na Tabela 8.9. O smbolo +
indica censura.
Existe diferena entre os materiais com relao carga que o componente do
motor suporta? Compare estas cargas utilizando o teste Log-Rank disponvel
no software Action.
Tabela 8.9: Carga suportada pelo componente.
Material Cargas
A
500+ 500+ 500+ 500+ 500+ 500+ 481 375
355 322 318 285 273 264 226
B
500+ 500+ 500+ 500+ 500+ 500+ 500+ 500+
500+ 500+ 500+ 500+ 500+ 500+ 339
clique aqui para efetuar o download dos dados utilizados nesse exemplo


Exerccio 8.10: Para avaliar a confiabilidade do freio de um avio foram
selecionados 45 unidades que foram colocadas em teste at que 15 freios
falhem, sendo registrado o nmero de ciclos at a falha. Estes testes (rpidos)
so realizados quando estamos interessados em avaliar o tempo de falha dos
primeiros anos de uso. Para testar o freio, foi montado um dispositivo que
simula sua utilizao em condies reais. Os dados so apresentados na
Tabela 8.10.
N Falhas Censura Tempos
1 F 19
2 F 43
1 F 148
1 F 169
1 F 171
1 F 205
1 F 232
1 F 248
1 F 250
1 F 263
1 F 271
1 F 282
1 F 290
1 F 347
1 F 349
1 F 398
1 F 477
1 F 514
1 F 595
1 F 603
1 F 662
2 F 700
1 F 706
2 F 709
1 F 763
1 F 777
1 F 869
15 C 869
Tabela 8.10: Nmero de ciclos at a falha de freios de avio.
9 - Apndice
Nesse apndice, apresentamos as tabelas e alguns tpicos importantes para a
complementao do contedo estatstico Confiabilidade.
9.1 - Tabelas de Energia de Ativao
Tabela 9.1.1: Energia de Ativao para Semicondutores de Silcio.
Localizao Mecanismo de Falha Fatores Relevantes
Parmetro de
Acelerao
E
a
(cV)
S
i
O
2
e Interface
S
i
- S
i
O
2

Acmulo de carga nas
superfcies
ons mveis, ons voltagem,
ons temperatura
Temperatura 1.0
Ruptura do xido (TDDB) Campo eltrico, temperatura
Campo eltrico,
temperatura
0.35
Acmulo de eltrons
quentes
Campo eltrico
Campo eltrico,
temperatura
-0.06
Metalizao de
Alumnio
Eletromigrao de Al
Temperatura, densidade,
corrente, tamanho gros
Temperatura,
densidade, corrente
0.5
Eletromigrao de Si no
Al
0.9
Corroso eletroltica
ons contam.(Cl-), umidade,
voltagem, temperatura
Umidade, voltagem,
temperatura
0.79
Degradao de contatos Metais, temperatura, impurezas Temperatura 1.8
Interfaces entre
metais
Formao de compostos
intermetlicos
Temperatura, impurezas Temperatura
1.0 (Au-
Al)

Tabela 9.1.2: Energias de Ativao Genricas (Mdias).
Tecnologia E
a
(eV)
C.I. digital bipolar 0.8
C.I. linear bipolar 0.7
C.I. MOS 0.6
C.I. VLSI 0.5
Transistores e diodos 0.96
LED 0.8
C.I. falhas prematuras 0.44

Fonte: D.S. Peck/O.D. Trapp (1987). Accelerated Testing Handbook.
Technology Associats, 51 Hillbrook Drive, Portolla Valley, California 94025,
USA, (415)9418272.
9.2 - Relaes Estresse-Resposta em sua forma log-linear
1. Relao de Arrhenius


Passando o logaritmo na expressso (9.2.1) temos


em que


k = constante de Boltzmann = 8,67110
-5
por K (Kelvin)

fator de acelerao:

2. Relao Potncia Inversa

Passando o logaritmo na expressso (9.2.2) temos


em que
(caracterstica do produto)
(caracterstica do produto)

fator de acelerao:

Obs.: Note que em ambos os casos, estimando os parmetros do modelo
automaticamente estimamos as constantes da relao estresse-resposta.
10 - Referncias Bibliogrficas
[1] E. A. Colosimo e S. R. Giolo (2006). Anlise de Sobrevivncia Aplicada, 1a
edio, Edgard Blucher.
[2] J. F. Lawless (1982). Statistical Models and Methods for Lifetime Data, 1a
edio, John Wiley & Sons.
[3] M. N. Magalhes e A. C. P. De Lima (2001). Noes de Probabilidade e
Estatstica, 3a edio, Editora USP.
[4] P. L. Meyer (1983). Probabilidade: Aplicaes a Estatstica, 2a edio,
Livros tcnicos e Cientficos Editora.
[5] W. O. Bussab e P. A. Morettin (1987). Estatstica Bsica, 4a Edio, Atual
Editora.