UNIVERSIDADE FEDERAL DA PARABA

CENTRO DE TECNOLOGIA
DEPARTAMENTO DE ENGENHARIA MECNICA

MANUTENO INDUSTRIAL
ENGENHARIA DE CONFIABILIDADE - (PARTE IV)
ANLISE DE TEMPOS DE FALHAS

NOTAS DE AULAS

Virglio Mendona da Costa e Silva

Maro - 2 0 1 6

Anlise de Dados de Falhas

A definio mais usual de confiabilidade de uma unidade, componente,

sistema, etc., dada em termos de sua probabilidade de sobrevivncia at um
tempo t de interesse. A determinao de tal probabilidade possvel atravs da
modelagem dos tempos at a falha da unidade em estudo. Conhecendo-se a
distribuio de probabilidade que melhor se ajusta esses tempos, possvel
estimar a probabilidade de sobrevivncia da unidade para qualquer tempo t, bem
como outras medidas de confiabilidade tais como: tempo mdio entre falhas,
tempo mdio para falhas funo de risco, etc.

A modelagem dos tempos at falha , portanto, o ponto central em

estudos de confiabilidade. bom lembrar que entendemos por tempo at falha
de uma unidade, o tempo transcorrido desde o momento em que a unidade
colocada em operao at a sua primeira falha.

Existem dois mtodos, aproximaes gerais, para se ajustar uma

distribuio de confiabilidade dados de falhas, so eles:
1. Mtodos Empricos

consiste em derivar diretamente dos

dados de tempos de falhas uma funo de confiabilidade emprica ou

funo taxa de risco.

2. Mtodo de Estimao de Parmetros (Usualmente mais

preferido) consiste em ajustar os dados de tempos de falhas a uma
distribuio terica tais como: Distribuio Exponencial, Distribuio de
Weibull, Distribuio Normal, Distribuio Lognormal, etc.

Assim, para se obter informaes sobre a distribuio de probabilidade de

um componente ou sistema em um estudo de confiabilidade, normalmente
conduzem-se testes de vida com o componente em questo.

Nestes testes, n unidades idnticas e numeradas do componente so

postas em uso, com o objetivo de registrar seus tempos de falhas. Se o teste for
conduzido de forma a permitir a falha de todas n unidades, o conjunto de dados
de tempo at falha obtido dito Completo.

Em muitas situaes praticas, anlises de confiabilidade no podem ser

conduzidas com conjuntos completos de dados. Um conjunto de dados
incompletos de tempos at falha dito Censurado ou Truncados

Dados incompletos podem ser resultantes de testes de vida em que:

critrios de ordem pratica ou econmica no permitiram rodar o teste

at que todas as unidades falhem;
algumas unidades perderam-se ou danificaram-se durante o teste, ou;
no foi possvel registrar o exato momento de ocorrncia da falha nas
unidades, mas somente um intervalo de tempo que contm esse
momento.

Alm disso, a anlise do conjunto de dados parciais obtidos antes do final

do teste pode levar a concluses seguras sobre a distribuio que caracteriza os
tempos at falha da unidade.

Dados Censurados so aqueles para os quais se conhece um limite, em

geral inferior, do tempo de falha, mas no o seu valor exato.

Os dados censurados podem ser:

Dados Censurados Direita;

Dados Censurados Esquerda;
Dados com Censuras por Intervalos.

Dado Censurado Direita quando existe uma ou mais unidades para as

quais s se conhece o limite inferior do tempo at falha.

Exemplo 1: Um teste em que 15 componentes so colocados em uso durante

30 dias. Ao final do teste, 10 componentes haviam falhado tendo sido
registrados os tempos exatos da cada falha. Neste caso, o conjunto de dados
constitudo por 10 tempos at a falha e 5 observaes censuradas direita,
cujos tempos at falha ocorrem em algum momento aps 30 dias de uso. Como

os tempos exatos da falha dessas unidades no podem ser conhecidos, j que o

teste foi interrompido, a melhor informao disponvel que elas sobreviveram
at 30 dias de uso. Assim consideram-se as unidades como falhadas no tempo
t= 30 dias, e o tempo de censura passa a ser interpretado como o limite inferior
do tempo real de falha das unidades.

Em ensaios de confiabilidade, trs tipos de censura direita ocorrem com

maior frequncia, so eles:

Censura Direita Tipo I

Censura Direita Tipo II
Censura Direita Aleatria
Censura Direita Tipo I o teste de vida interrompido em um tempo tr
predeterminado. Todas as unidades so ativadas no tempo t=0 e observadas at
a ocorrncia da falha ou at tr, quando ocorre o trmino do teste. Aps esse
momento somente os tempos at falha das unidades que falharam antes de tr
so conhecidos. Em um teste com Censura Tipo I, obtm-se um conjunto de
dados contendo r ( n ) tempos at falha observados e (n-r) tempos at falha
censurados em tr. Como o nmero r de falhas observadas em um ensaio com
censura tipo I aleatrio, corre-se o risco de que poucas ou nenhuma unidade
falhe at tr, sendo esta a desvantagem desse tipo de censura.
Censura Direita Tipo II o teste de vida interrompido aps a ocorrncia
da r-ssima falha. Como o nmero total de falhas r definido a priori, pode-se
escolher um valor de r que garanta uma modelagem estatstica satisfatria dos
resultados do teste. Na Censura Tipo II todas as unidades so ativadas em t=0
e o conjunto de dados obtidos do teste consiste de r tempos at a falha
observados e (n-r) tempos at a falha censurados. O tempo tr de trmino de
teste aleatrio, consequentemente impossvel prever a sua durao total,
sendo a desvantagem deste tipo de censura.
Dados com Censuras Aleatrias (tambm designada por censura tipo IV)
n unidades so colocadas em testes em momentos distintos no tempo e o teste
interrompido no tempo t0. Alternativamente, todas as unidades so ativadas em
t=0, mas tm sua operao interrompida em momentos distintos de tempo. Em

ambos os casos, os tempos de censura das unidades so aleatrios, podendo ser

diferentes entre si.

Exemplo 2: Observao da utilizao de garantia em produtos manufaturados

por um determinado perodo de tempo. Como os produtos so manufaturados
em diferentes momentos ao longo do perodo de observao, ao interromper-se
a observao no trmino desse perodo, os tempos de censura dos produtos que
no apresentaram falha sero diferentes entre si, dependendo de sua data de
fabricao.
Dados Censurados Esquerda caracterstica de estudos sociais, em que o
tempo at falha no representa necessariamente uma falha, mas a ocorrncia de
algum evento de interesse do analista.

Exemplo: Deseja-se verificar com que idade indivduos de uma localidade

desenvolve uma determinada habilidade. Neste caso, o tempo at falha o
tempo transcorrido entre o nascimento e o momento em que o individuo
desenvolve a habilidade. Indivduos que, quando da chegada do pesquisador j
possuam a habilidade desenvolvida so observaes censuradas esquerda.
Indivduos que no haviam desenvolvidos a habilidade quando da partida do
pesquisador sero observaes censuradas direita.
Dados Censurados por Intervalos dados de tempos at falha agrupados
em intervalos. Essa censura ocorre normalmente em investigaes em que no
possvel determinar o momento da falha com preciso, j quem o esquema de
coleta dos dados no o permite.

Exemplo 3: Componentes que sofrem inspeo peridica. No caso de ocorrncia

de falha, somente ser possvel afirmar que ela ocorreu entre duas inspees.

Observaes:

Alguns autores preferem classificar dados censurados como:

Dados Isoladamente Censurados todas as unidades tem o mesmo tempo
de teste, e o teste concludo antes que todas as unidades tenham falhado.

Dados Multiplamente Censurados tempo de teste ou tempo de operao

diferem ao longo das unidades censuradas. As unidades censuradas so
removidas vrias vezes da amostra, ou as unidades entraram em servios em
diferentes tempos.

Mtodos para Ajustar Dados Distribuio de Confiabilidade

I - Mtodos Empricos

Os mtodos empricos de anlise so tambm referidos como mtodos no

paramtricos de distribuio livre. O objetivo derivar, diretamente dos tempos
de falhas, uma distribuio de falhas, funo confiabilidade e funo de risco.

I.1 - Dados Completos No Agrupados

Em algumas situaes, possvel observar o exato tempo de falha de cada

unidade, componente, etc.. Em tais situaes, ns utilizamos ordens estatsticas
para obter a funo de confiabilidade da "distribuio livre" e as suas
caractersticas associadas. Existem vrias aproximaes para faz-la, comeando
com os estimadores de rank mdios, seguido por estimadores de rank
mediano. Uma vez que todos estes estimadores utilizam somente a ordem das
observaes (tempos de falha), ns nos referimos a elas como estatsticas

, referido
ordenadas, e a estimativa emprica de F(t) , denotada como F(t)
como estimador de rank que ento utilizado para gerar os grficos das funes
densidade e confiabilidade. Apresentamos a seguir os estimadores de rank
comumente usados (mdia e mediana).

Ns iniciamos ordenando os tempos de falha em uma ordem crescente de

tal forma que t1 , t 2 , t 3 , , t n onde t i t i +1 , so n tempos de falhas ordenados
composto de uma amostra aleatria, onde o nmero de unidades sobrevivente
no tempo t i n i . Portanto, uma possvel estimativa da funo confiabilidade,

R ( t ) , simplesmente a frao das unidades sobreviventes no tempo t i , ou

seja:

(t) = n i = 1 - i
R
n
n

(1)

onde o smbolo indica uma estimativa obtida do dado da amostra.

Portanto, a estimativa da funo de distribuio cumulativa, ser:

(t) = i
F ( t ) = 1 - R
n
Contudo, para i = n

(2)

F ( t ) = n / n = 1 , isto significa que existe uma

probabilidade zero de qualquer unidade sobreviver alm de t n . Uma vez que

pouco provvel para qualquer amostra que incluem o tempo de sobrevivncia
mais longo, a equao (2) tende a subestimar a confiabilidade do componente.
tambm razovel se esperar que a primeira e ltima observao, em
mdia, tenha a mesma distncia a partir da observao de 0 % e 100 %
respectivamente. Isto , elas devem ser simetricas com relao ao ponto 0 %,
50 %, e 100 %, como mostra a Tabela 1.

Tabela 1
Tamanho da Amostra

Probabilidade Cumulativa

t0

0.50
0.33
0.25
0.20

t1

1
0.67

0.50
0.40

t2

1
0.75

0.60

1
0.80

t3

t4

Assim, pode-se dizer que o estimador dado pela equao (2) tem uma
deficincia para

= 1.0 . Entretanto, na prtica, so introduzidos

t t n , F(t)

arranjos que resultam em uma estimativa mais precisa. Entre eles o estimador
mais comumente usado o estimador de rank mdio de Herd-Johnson, dado
por:

(t ) =
F ( t ) = 1 - R

i
n +1

para i = 0, 1, 2, , n

(3)

Pare este estimador de rank mdio, a expresso de confiabilidade dada

por:

(t) = 1 R

i
n +1 i
=
n +1
n +1

para t i t t i 1 e i = 0, 1, 2, , n

(4)

Uma vez que a funo densidade de probabilidade a derivada da funo

acumulativa, ento:

F ( t i +1 ) - F ( t i )
f ( t i ) =
t i

para t i = t i +1 - t i

(5)

ou

f ( ti ) =

1
ti ( n + 1)

(6)

A funo taxa de falha dada por:

(t ) =

f ( t i )

R ( ti )

1
t i ( n + 1 - i )

(7)

Da Tabela 1, observa-se que pela equao (3) iguais nmeros de falhas

ocorrero nos intervalos

( 0, t1 ) , ( t1 , t 2 ) , ( t 2 , t 3 ) ,

, ( t n , t ) Isto uma razovel

.

suposio uma vez que a amostra completamente aleatria.

Uma estimativa para o clculo do Tempo Mdio Entre Falhas ser:

TMEF=

ti

(8)

i =1

A estimativa da varincia da distribuio de falhas pode ser obtida da

varincia da amostra, ou seja:

s2 =

i =1

ou

t i - TMEF
n-1

(9)

t i2 - n TMEF 2
s =
n-1
i =1
n

(10)

A equao (9) define a varincia da amostra enquanto que a equao

(10) a forma computacional da varincia da amostra. A raiz quadrada da
varincia da amostra, s, o desvio padro.

Se a amostra dos n tempos de falhas grande, um valor aproximado

100 (1 - ) por cento de intervalo de confiana para o TMEF pode ser obtido
usando:

TMEF t / 2, n-1

onde t /2, n-1

s
n

(11)

encontrado de valores da Distribuio t de Students dada na

Tabela 2, baseado em n-1 graus de liberdade. O valor da distribuio da

distribuio t e do desejado nvel de confiana (1 - ) tal que:

P T > t /2, n-1

(12)

A demonstrao da equao (12) encontra-se nos livros texto de

estatstica, e sua aplicao aqui assume que o tamanho da amostra grande o
suficiente para invocar o teorema do limite central ou a distribuio falha em si
normal. Portanto, esta frmula independente da natureza exata do processo de
falha e pode ser utilizada, em geral.

Exemplo 4:

Nove bulbos de lmpadas so observados, e os exatos tempos de falhas

de cada um so dados por 855, 650, 70, 360, 1130, 250, 150, 485 e 1540.
Estime a funo acumulativa de falhas, a funo confiabilidade, a funo
densidade de probabilidade e a funo taxa de falhas, usando o estimador de
rank mdio de Herd-Johnson.

Soluo:

ti

t i +1

)= i
F(t
i
10

) = 10 i
R(t
i
10

70

0.0

1.0

0.001429

0.001429

70

150

0.1

0.9

0.001250

0.001389

150

250

0.2

0.8

0.001000

0.001250

250

360

0.3

0.7

0.000909

0.001299

360

485

0.4

0.6

0.000800

0.001333

485

650

0.5

0.5

0.000606

0.001212

650

855

0.6

0.4

0.000488

0.001220

855

1.130

0.7

0.3

0.000364

0.001212

1.130

1.540

0.8

0.2

0.000244

0.001220

1.540

0.9

0.1

)=
f(t
i

i
t i (n + 1)

(t i ) =

i
t i (n + 1 i)

Observe que neste caso no foi utilizado o indicador simples de rank

= 1 / n , para calcular o Tempo Mdio Para Falhas. Mesmo o uso do

mdio, F(t)
estimador de rank mdio de Herd-Johnson apresenta resultados no to bons
quanto os estimadores de rank mediano vistos a seguir para o clculo do
Tempo Mdio Para Falhas.

As equaes (2) e (3) so somente duas das vrias possveis estimativas

para F ( t ) . Estas estimativas so s vezes referidas como posio de grfico uma
vez que elas fornecem os valores das ordenadas na plotagem da Funo de
Distribuio Cumulativa. Isto os pontos

( t , F ( t ) )
i

fornecem um grfico da

estimativa de F ( t ) .

A equao (3) fornece a posio mdia de plotagem da i-ssima falha

ordenada.
Tabela 2 Valores Crticos t com graus de Liberdade

 (t )
A mediana frequentemente preferida porque a distribuio de F
deslocada dos valores de i prximo do zero e prximo de n. As posies
medianas so funes de ambos i e n, e podem ser computadas numericamente
pela equao binomial, dada por:

k Z (1 Z )
n

P=

k= i

n k

(13)

O rank mediano obtido pela soluo da equao (13) para P = 0.5 , como
mostra a Tabela 3, para valores de i e n.

Tabela 3

Na prtica, em vez destes estimadores de rank mdio, muito comum o

uso de indicadores de rank mediano. Uma boa aproximao do rank mediano
dado pela equao (13) a utilizao dos indicadores de rank mediano de
Bernard e o de Blom, expressos a seguir:

Bernard:

i 0.3

F(t)
=
n + 0.4

para i = 0, 1, 2, , n

(14)

Blom:

i3/8

F(t)
=
n +1/ 4

para i = 0, 1, 2, , n

(15)

As expresses para taxas de falhas usando o rank mdio e mediano so

dadas respectivamente por:

(t i ) =

( n-i + 1) ( t i +1 -t i )

(t i ) =

1
( n-i + 0.7 ) ( t i +1 -t i )

(16)

(17)

A Tabela (4) mostra a posio de plotagem para oito amostras de falhas

para os ranks mdio e mediano.

Tabela 4

i/n

i/ (n + 1)

Rank Mediano

(i 0.3) / (n + 0.4)

0.125

0.111

0.083

0.083

0.250

0.222

0.201

0.202

1.375

0.333

0.321

0.321

0.500

0.444

0.440

0.440

0.625

0.555

0.560

0.560

0.750

0.666

0.680

0.679

0.875

0.777

0.799

0.798

1.000

0.888

0.917

0.917

I.2 - Dados Completos Agrupados

Tempos de falha que foram colocados em intervalos de tempo, os valores

originais no esto sendo acumulados, so referidos como dados agrupados.
Desde que as observaes individuais no esto mais disponveis, seja

n1 , n 2 , n 3 , , nk o nmero de unidades sobrevivido nos tempos respectivamente

ordenados

t1 , t 2 , t 3 , , t k . Ento uma estimativa logica para R ( t ) ser:

( t ) = ni
R
n

para i = 0, 1, 2, , k

(18)

onde n o nmero de unidades em risco no inicio do teste.

Devido o grande tamanho das amostras de dados agrupados geralmente

desnecessrio obter estimativas mais precisas, considerando as posies de
plotagem como antes. Portanto:

f ( t ) = - R ( t i +1 ) - R ( t i )
t i +1 - t i

para

t i t t i +1

(19)

ou

f ( t ) = -

n i - n i +1
( t i +1 - t i ) n

(20)

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

n i - n i +1
( t i +1 - t i ) n i

para

t i t t i +1

(21)

O TMEF estimado com base no ponto mdio de cada intervalo. Isto :

k 1

TMEF =

t
i =0

n i - n i +1
n

(22)

onde

ti =

t i + t i +1
2

( n i n i +1 ) / n

t0 = 0

n0 = n

a frao que falha no intervalo i + 1 . A varincia da amostra

:
k 1

s2 =

t12
i =0

2
n i - n i +1
- TMEF
n

(23)

Exemplo 5:

Setenta compressores so observados em um intervalo de 5 meses

com os seguintes nmeros de falhas: 3, 7, 8, 9, 13, 18 e 12. Estime R ( t ) ,

f ( t ) , e ( t ) e determine o TMEF e o desvio padro da amostra.

Soluo:

Meses

Funo

Funo

Densidade

Taxa de

de Falhas

Falhas

1.000

0.0086

0.0086

67

0.957

0.0200

0.0209

60

0.857

0.0229

0.0267

15

52

0.743

0.0257

0.0346

20

43

0.614

0.0371

0.0605

25

13

30

0.429

0.0514

0.1200

30

18

12

0.171

0.0343

0.2000

35

12

0.000

Nmero de

Nmero de

Falhas

Sobreviventes

70

10

Limite
Superior

Confiabilidade

( 5 ) = 67/70 = 0.957 Portanto,

Por exemplo, R

f ( t ) =

67 - 60
= 0.0200
(10 - 5 ) 70

para

5 < t < 10

( t ) =

67 - 60
= 0.0209
(10 - 5 ) 67

para

5 < t < 10

TMEF =

2.5 3 + 7.5 7 + + 32.5 12

= 21.357
70

2.52 3 + 7.52 7 + + 32.5 2 12

s =
- 21.357 2 = 76.551
70
2

ou

s = 8.75
I.3 - Dados Censurados No Agrupados

Assumimos que n unidades so colocadas em teste e que ocorreram

r falhas (r<n). Para dados isoladamente censurados direita a estimativa de

R ( t ) , f ( t ) , e ( t ) pode ser computadas das equaes (4), (6) e (7). A curva

da confiabilidade estimada truncada a direita no tempo em que o teste
encerrado. As formulas para computar a mdia e a varincia da amostra j no
so mais vlidas. Neste caso, o ajuste a uma distribuio terica pode fornecer

uma viso mais completa do processo de falha no lado direito da distribuio e

permite que o TMEF possa ser computado.

Para dados multiplamente censurados t i representar o tempo de falha e

t i+ representar um tempo censurado. A distribuio de vida til das unidades

censurados assumida como sendo igual a de dados no censurados. A amostra
consiste de um grupo de ordenados tempos de falhas mais tempos censurados:

t1 , t 2 , t 3+ , , t i , t i++1 , , t n .
Trs diferentes mtodos para estimar a funo confiabilidade so
amplamente usados, so eles:

Mtodo Estimador Limite de Produto;

Mtodo Kaplan-Meier para Estimador Limite de Produto, e;
Mtodo de Ajuste do Rank (Posio).

Mtodo Estimador Limite de Produto

Este mtodo baseado na equao (4) para dados completo. Temos para
estimativa da funo confiabilidade:

(t ) = n + 2 i
R
i 1
n +1

(24)

(t )
R
n +1i
i
=

n+ 2i
R ( t i 1 )

ou

(t ) = n + 1 i R
(t )
R
i
i 1
n+2i

Isto :

( t ) = Pr{Unidade sobreviva no tempo ti}

R
i
= Pr{Unidade no falhe no tempo ti para ti+1 dado que ela tenha
sobrevivido no tempo ti} x Pr{Unidade sobreviva no tempo ti-1}

(25)

Se em vez da censura uma falha ocorrer no tempo ti, a confiabilidade no

( ) = R ( t ) . Seja:

t+
mudaria e R
i

i 1

1 se a falha ocorre no tempo t i

i =
0 se a censura ocorrer no tempo t i

ento

i
(t ) = n + 1 i R
(t )
R
i
i 1
n+ 2i

(26)

(0) = 1 .
onde R
As estimativas para f ( t ) , e ( t ) podem ser derivadas das equaes (6) e
(7) usando somente os ti correspondentes aos tempos de falhas.

Exemplo 6:

Os seguintes tempos de falhas e censuras, em horas de operao, foram

gravados em 10 hlices de turbinas: 150, 340+, 560, 800, 1130+, 1720,
2470+, 4210+, 5230, 6890. Determine a curva de confiabilidade emprica.

ti

(11 i ) / (12 i )

(t )
R

150

10/11

R(150) = (10/11) (1) = 0.9090

340+

9/10

560

8/9

R(560) = (8/9) (0.9090) = 0.8081

800

7/8

R(800) = (7/8) (0.8081) = 0.7071

1130+

6/7

1720

5/6

2470+

4/5

4210+

3/4

5230

2/3

R(5230) = (2/3) (0.5892) = 0.3928

10

6890

1/2

R(6890) = (1/2) (0.3928) = 0.1964

R(1720) = (5/6) (0.7071) = 0.5892

R( t ) Estimada

0.8

0.6

0.4

0.2

3
4
5
T (Horas x 1000)

Mtodo Kaplan-Meier para Estimador Limite de Produto

Este mtodo o mais popular para derivao da funo de confiabilidade

emprica, que em dados completo equivalente a equao (1).

Seja tj o tempo de falha ordenados e nj o nmero restante em risco

imediatamente antes da j-ssima. Assumindo que no h voltas em tempos de
falha e que os tempos de censura no coincidem com tempos de falha. o
estimador limite de produto de Kaplan-Meier dado por:

(t) =
R

Para

0 t < t1

R (t) = 1

1
1
n j
t}

{j : tj

(27)

. Cada termo na equao (27) representa uma

estimativa da probabilidade condicional de sobreviver no tempo tj dado que

tenha sobrevivido antes do tempo tj. O produto desta probabilidade condicional
ento a probabilidade incondicional de sobrevivencia antes do tempo tj.

tj

Se duas ou mais falhas ocorrerem no tempo

na equao (27) pode ser substituido por
ocorridas no tempo

tj

1-d j / n j

, o correspondente termo

onde

dj

o nmero de falhas

A varincia ou sua raiz quadrada, o desvio padro, representa a variao

no processo de amostragem e fornece uma medida da incerteza resultante na
confiabilidade estimada.

( t )2
Var = R

( j : tj

) nj nj - 1

(28)

Exemplo 7:

Usando os dados Multiplamente Censurados do Exemplo anterior com

R ( t i + 0 ) representando a confiabilidade imediatamente aps o i-ssima falha,

computar a funo de confiabilidade emprica por meio do mtodo Kaplan-Maier
Estimador Limite de Produto.

Soluo:

Desvio
Padro

ti

nj

1 - 1/n j

t +0
R
j

150

10

9/10

R(150) = (9/10) (1) = 0.90

0.095

340+

560

7/8

R(560) = (7/8) (0.90) = 0.7875

0.134

800

6/7

R(800) = (6/7) (0.7875) = 0.675

0.155

1130+

1720

4/5

R(1720) = (4/5) (0.675) = 0.54

0.173

2470+

4210+

5230

1/2

R(5230) = (1/2) (0.54) = 0.27

0.210

10

6890

R(6890) = (0) (0.3928) = 0

Mtodo de Ajuste do Rank

Uma abordagem alternativa para se estimar

F (t)

R (t )

com Dados

Multiplamente Censurados faz uso da equao (15) ajustado-se a ordem do

rank, se necessrio, da i-ssima falha para contabilizar o tempo da censura que
ocorre antes da i-ssima falha.

Uma vez que uma unidade censurada tem alguma probabilidade de falhar
antes ou depois da prxima falha (ou falhas), ela vai influenciar na posio da
falha subseqente. Por exemplo, suponha que os seguintes dados foram obtidos:

(1)

Falha em 50 horas;

(2)

Censura em 80 horas;

(3)

Falha em 160 horas.

Ento a primeira falha tem rank 1. Entretanto, a segunda falha poder ter
rank 2 se falhar aps de 160 horas, ou poder ter rank 3 se a unidade
censurada falhar antes 160 horas. Portanto, para segunda unidade ser
atribuda uma ordem de rank entre 2 e 3 com base na seguinte frmula,
derivada considerando todas as posies possveis do rank da unidade
censurado:

Incremento de Rank =

onde n

( n + 1 ) - i t 1
i

1 + nmero de unidades alm da unidade censurada

o nmero total de unidades em risco e i t i

-1

(29)

a ordem do rank do

tempo de falha i - 1 . O incremento de rank recalculado para a prxima falha

seguindo a unidade censurada. Ajustando o rank ento torna-se:

i ti = i ti - 1 + incremento do rank

(30)

(t ) =
R

i ti - 0.3
n + 0.4

(31)

O incremento do rank ento permanece at a prxima censura ocorrer.

Este mtodo pode tambm ser usado quando dados isoladamente censurados
direita esto presentes.

Exemplo 8:

Para os dados de tempos de falhas censurados dados no Exemplo anterior,

estime a confiabilidade usando o Mtodo de Ajuste do Rank.

Soluo:

ti

Incremento de Rank

150

340+

560

800

1130+

1720

2470+

4210+

5230

10

6890

(11-1)/(1+8)=1.111

i ti

(t ) = 1 R

i ti -0.3
n + 0.4

0.933

1+1.111=2.111

0.826

2.111+1.111=3.222

0.719

(11-3.222)/(1+5)=1.2963

3.222+1.2963=4.518

0.594

(11-4.518)/(1+2)=2.16

4.518+2.160=6.679

0.387

6.679+2.160=8.839

0.179

I.4 - Dados Censurados Agrupados

Dados censurados agrupados podem ser analisados construindo uma

tabela de vida. As tabelas de vida resumem experincias de sobrevivncia de
unidades que so alocados em risco (sujeito a falhas). As tabelas de vida tm
sido usadas por pesquisas mdicas para a estimativa da probabilidade de
sobrevivncia de pacientes tendo certas doenas, juntamente com seus
tratamentos mdicos ou cirrgicos correspondentes.

Assumimos que a falha e os tempos de censura tem sido agrupado sem

t , t )
t = 0 e tk + 1 = .
K+1 intervalos de forma i - 1 i para i = 1, 2, 3, , k+1 , onde 0
O intervalo no precisa ter a mesma largura. Ento seja:

Fi

= nmero de falhas no i-ssimo intervalo.

Ci = nmero de mudanas (censuras) no i-ssimo intervalo.

Hi

= nmero de risco no tempo

H'i = H i -

ti - 1

: H i = H i - 1 - Fi - 1 - Ci - 1 .

Ci
2 = nmero de rank ajustado assumindo que o tempo censurado

ocorre uniformamente sobre o intervalo.

Fi
H 'i

= probabilidade condicional da falha no i-ssimo intervalo dado que

sobreviveu no tempo t i - 1 .

pi = 1 -

Fi
H'i = probabilidade condicional de sobrevivencia do i-ssimo intervalo

dado que sobreviveu no tempo t i - 1 .

A confiabilidade de uma unidade tenha sobrevivido no i-ssimo intervalo
pode, portanto ser escrita como:

= Pr{Unidade sobreviva no tempo ti dado que tenha sobrevivido no

R
i
tempo ti-1}x Pr{Unidade ter sobrevivido no tempo ti-1}

ou seja:

( t ) = 1 - Fi R

i
'
Hi i - 1

(32)

As tabelas de vida tm a seguinte forma:

Intervalo

t i - 1 , t i )

Nmero
de
Falhas

Nmero
de
Censuras

Nmero
de Risco

Nmero
de Rank
Ajustado

Probabilidade
de
Sobrevivncia

Confiabilidade

Fi

Ci

Hi

H 'i

pi

R
i

Exemplo 9:
Construa uma tabela de vida para os motores de uma frota de 200
aeronaves monomotor com as seguintes falhas e censuras anuais. As censuras
resultaram de aeronaves eliminadas do inventrio para vrias razes alm das
falhas de motores.

Ano

Nmero de Falhas

Nmero de Remoes

1981
1982
1983
1984
1985
1986
1987
1988
1989
1990

5
10
12
8
10
15
9
8
4
3

0
1
5
2
0
6
3
1
0
1

Soluo:

Intervalo

Nmero
de
Falhas

Nmero
de
Censuras

Nmero
de Risco

Nmero
de Rank
Ajustado

Probabilidade
de
Sobrevivncia

Confiabilidade

t i - 1 , t i )

Fi

Ci

Hi

H 'i

pi

R
i

1
2
3
4
5
6
7
8
9
10

5
10
12
8
10
15
9
8
4
3

0
1
5
2
0
6
3
1
0
1

200
195
184
167
157
147
126
114
105
101

200
194.5
181.5
166
157
144
124.5
113.5
105
100.5

0.975
0.949
0.934
0.952
0.936
0.896
0.928
0.930
0.962
0.970

0.975
0.925
0.864
0.822
0.770
0.690
0.640
0.595
0.572
0.555

1
0.9

R( t ) - Confiabilidade

0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0

10

11

Ano

II - Mtodo de Estimao de Parmetros

Com a coleo de dados de falhas ou reparos, o ajuste a uma distribuio

terica pode ser visto como um processo de trs passos, consistindo de:

Identificao da Distribuio Candidata

Estimativa de Parmetros
Realizao de teste de Aderncia

Identificar distribuies candidatas uma arte e uma cincia. Uma

compreenso do processo de falha, o conhecimento das caractersticas das
distribuies tericas, e a anlise estatstica dos dados iro ajudar na seleco de
uma distribuio de falha ou de reparo. Uma abordagem sugerida :

Construir um histrograma de tempos de falhas e de reparos.

Calcular as estatsticas descritivas
Analisar a taxa de falha empirica
Usar o conhecimento prvio do processo de falhas
Usar as propriedades da distribuio terica
Contruir um grfico de probabilidade.

Um histograma um grfico resultante do agrupamento dos tempos de

falha em classes onde traa-se a frequncia ou frequncia relativa do nmero de
observaes dentro de cada classe versus os tempos de intervalo de cada classe.

Determinar o nmero apropriado de intervalos importante, se o

histograma para refletir corretamente a forma da subjacente funo de
densidade de probabilidade. Uma boa regra para o nmero de classes dado
pela regra de Sturges:

k = 1 + 3.3 log10n

(33)

onde:

k = nmero de classes
n = tamanho da amostra

x = parte inteira de x
As distribuies de probabilidade usadas em estudos de confiabilidade
podem apresentar at trs parmetros, classificados como:

Parmetro de Localizao usados para deslocar a distribuio ao

longo do eixo do tempo. Tambm conhecido como parmetro de vida
mnima ou de garantia.
Parmetro de Escala usados para expandir ou contrair o eixo do
tempo.
Parmetro de Forma valores associados com a forma da funo
taxa de falhas.

Os mtodos mais difundidos para estimar parmetros populacionais so:

Mtodo dos Mnimos Quadrados

Mtodo de Mxima Verossimilhana (Melhor e Mais Usado)
Mtodo de Momentos

Independente do mtodo de estimao utilizado, o que se deseja obter

estimadores com as seguintes propriedades.
No tendencioso estimador que no subestima ou superestima de maneira
sistemtica o valor real do parmetro.
Consistente estimador no tendencioso que converge rapidamente para o
valor real do parmetro medida que o tamanho da amostra aumente.
Eficiente estimador consistente que apresenta a menor varincia dentre os
estimadores usados para estimar o mesmo parmetro populacional.
Suficiente estimador eficiente que utiliza toda a informao acerca do
parmetro que a amostra possui.

Mtodo dos Mnimos Quadrados

Falhas Observadas em Dados Agrupados

Exemplo 10:

Um fabricante de lmpadas de bulbo est interessado em estimar a vida

mdia dos bulbos. Coloca 200 bulbos em teste acelerados de vida (os bulbos
so testados a 6 volts, enquanto que em operao normal so utilizados 3
volts). Os bulbos so observados e o nmero de falhas com um intervalo de
1000 horas mostrado na tabela a seguir. Determine o tempo mdio para
falhas atravs da Distribuio Exponencial.

Intervalo de Tempo
[horas]

Nmero de Falhas no Intervalo

0 - 1000
1000 2000
2000 3000
3000 4000
4000 3000
5000 6000
6000 7000

100
40
20
15
10
8
7

TOTAL

200

Soluo:

Sabemos que:
Funo acumulativa de falhas atravs da distribuio Exponencial dada
por:

F(t)

= 1 - e- t

como F(t) + R(t) = 1 R(t) = 1 - F(t), logo

R (t)

e- t

onde:
= Fator de Forma
Na forma linear, podemos escrever:

- Ln 1 - F ( t )

aX

onde:

= - Ln 1 - F ( t )
a =
X = t
Y

Aplicando regresso linear por Mnimos Quadrados, para determinao de

:
n

a =

i=1
n

i=1

Yi
2
i

Intervalo
de
Tempo

Nmero
Falhas
Frequncia Frequncia
Funo
Funo
de
Acumuladas
Relativa
Acumulada Confiabilidade Densidade
Falhas

Taxa
de
Falhas

1000

100

100

0,500

0,500

0,500

5,00E-04

5,00000E-04

1000

2000

40

140

0,200

0,700

0,300

2,00E-04

4,00000E-04

2000

3000

20

160

0,100

0,800

0,200

1,00E-04

3,33333E-04

3000

4000

15

175

0,075

0,875

0,125

7,50E-05

3,75000E-04

4000

5000

10

185

0,050

0,925

0,075

5,00E-05

4,00000E-04

5000

6000

193

0,040

0,965

0,035

4,00E-05

5,33333E-04

6000

7000

200

0,035

1,000

0,000

3,50E-05

1,00000E-03

Tempo
Mediano

XY

X2

500

0,693147

500

346,5736

250000

1500

1,203973

1500

1805,959

2250000

2500

1,609438

2500

4023,595

6250000

TAXA

MDIO

3500

2,079442

3500

7278,045

12250000

DE

ENTRE

4500

2,590267

4500

11656,2

20250000

FALHAS

FALHAS

5500

3,352407

5500

18438,24

30250000

6500

11,51293

6500

74834,02

42250000

118383

113750000

1,040726E-03

9,608673E+02

SOMA

TMEF

TEMPO

EXEMPLO 11:

Um fabricante de lmpadas de bulbo est interessado em estimar a vida

mdia dos bulbos. Coloca 200 bulbos em teste acelerados de vida (os bulbos
so testados a 6 volts, enquanto que em operao normal so utilizados 3

volts). Os bulbos so observados e o nmero de falhas com um intervalo de

1000 horas mostrado na tabela a seguir. Determine o tempo mdio para
falhas atravs da Distribuio de Weibull e faa o grfico correspondente da
funo cumulativa de probabilidade e da confiabilidade.

Intervalo de Tempo [horas]

Nmero de Falhas no Intervalo

0 - 1000
1000 2000
2000 3000
3000 4000
4000 3000
5000 6000
6000 7000

100
40
20
15
10
8
7

TOTAL

200

SOLUO:

Sabemos que:

Funo Cumulativa atravs da distribuio de Weibull dada por:

F (t ) = 1 - e

t - t0
-

como F(t) + R(t) = 1 R(t) = 1 - F(t), logo

R (t ) =
onde:
t0 = Confiabilidade Intrnseca
= Fator de Forma
= Vida Caracterstica

Na forma linear, podemos escrever:

t - t0
-

Ln

Ln 1 - F ( t )

= Ln ( t - t 0 ) - Ln ( )

aX

onde:

Y
a =
X =
b

Ln

{-

Ln 1 - F ( t )

Ln ( t - t0 )

- Ln ( )

Aplicando regresso linear por Mnimos Quadrados, para determinao de

e :

n
a = =

i=1

Yi -

X Y
i

i=1

i=1
2

n X - Xi
i=1
i=1
n

2
i

b = - Ln ( ) =

i=1

- a

i=1

= e

Coeficiente de Correlao:

n
r =

i=1

Yi -

X
X

i
i=1
i =1
n

2
i

X Y

i=1

i=1

Y
Y

i
i=1
i =1
n

2
i

Tempo
[h]

Nmero
de Falhas

Frequncia

Frequncia
Acumulada
F(t)

Relativa

t0=900

t0=800

t0=700

t0=600

t0=500

1000

100

0.500

0.500

-0,3665

4,6052

5,2983

5,7038

5,9915

6,2146

2000

40

0.200

0.700

0,1856

7,0031

7,0901

7,1701

7,2442

7,3132

3000

20

0.100

0.800

0,4759

7,6497

7,6962

7,7407

7,7832

7,8240

4000

15

0.075

0.875

0,7321

8,0392

8,0709

8,1017

8,1315

8,1605

5000

10

0.050

0.925

0,9518

8,3187

8,3428

8,3664

8,3894

8,4118

6000

0.040

0.965

1,2097

8,5370

8,5564

8,5755

8,5942

8,6125

7000

0.035

1,9326

8,7160

8,7323

8,7483

8,7641

8,7796

200

5,1212

52,8689

53,7871

54,4064

54,8980

55,3163

Nmero
de
Falhas

Frequncia
Relativa

Frequncia
Acumulada
F(t)

100

0.500

2000

40

3000

t0=400

t0=300

t0=200

t0=100

t0=0

0.500

0,3665

6,3969

6,5511

6,6846

6,8024

6,9078

0.200

0.700

0,1856

7,3778

7,4384

7,4955

7,5496

7,6009

20

0.100

0.800

0,4759

7,8633

7,9010

7,9374

7,9725

8,0064

4000

15

0.075

0.875

0,7321

8,1887

8,2161

8,2428

8,2687

8,2940

5000

10

0.050

0.925

0,9518

8,4338

8,4553

8,4764

8,4970

8,5172

6000

0.040

0.965

1,2097

8,6305

8,6482

8,6656

8,6827

8,6995

7000

0.035

1,9326

8,7948

8,8099

8,8247

8,8393

8,8537

200

5,1212

55,6858

56,0200

56,3269

56,6122

56,8794

Tempo
[h]

1000

XY

7,0355

411,4477

44,2275

0,46

384,28

0,8779

5,1212

7,0355

421,7798

44,1128

0,56

589,86

0,9013

54,4064

5,1212

7,0355

429,5682

44,0993

0,64

758,21

0,9150

600

54,8980

5,1212

7,0355

436,1278

44,1247

0,71

907,90

0,9243

500

55,3163

5,1212

7,0355

441,9278

44,1698

0,77

1046,27

0,9312

400

55,6858

5,1212

7,0355

447,2016

44,2264

0,83

1177,05

0,9365

300

56,0200

5,1212

7,0355

452,0746

44,2902

0,88

1302,41

0,9408

200

56,3269

5,1212

7,0355

456,6298

44,3585

0,93

1423,73

0,9443

100

56,6122

5,1212

7,0355

460,9228

44,4295

0,98

1541,93

0,9473

56,8794

5,1212

7,0355

465,9963

44,5024

1,03

1657,67

0,9498

t0

900

52,8689

5,1212

800

53,7871

700

Tempo Mdio Para Falhas TMPF =

t f ( t ) dt

= t0 + 1 +

TMPF = 0 + 1657.67 1 +

1
1.03

TMPF = 1657.67 0.98355 = 1630.40 horas

Funao Cumulativa
1
0.9
0.8
0.7

F(t)

0.6
0.5
0.4
0.3
0.2
0.1
0

1000

2000

3000
4000
Tempo (Horas)

5000

6000

5000

6000

7000

Funao Confiabilidade
1
0.9
0.8
0.7

R(t)

0.6
0.5
0.4
0.3
0.2
0.1
0

1000

2000

3000
4000
Tempo (Horas)

7000

Falhas Observadas em Tempos Exatos

Exemplo 12:

Os dados abaixo de tempos de falhas foram obtidos de 15 unidades

testadas at as falhas. Calcule o tempo mdio entre falhas, atravs de regresso
linear, usando o estimador de rank mdio de Bernard com dados ajustados, para
Distribuio de Weibull e para Distribuio Exponencial. Comente os
resultados obtidos.

Dados:

112.2

139.8

156.8

113.6

75.5

88.5

73.9

2218.0

25.1

403.1

150.3

164.5

138.5

151.9

Soluo:

Distribuio de Weibull

Sabemos que:

Funo Cumulativa atravs da Distribuio de Weibull dada por:

F (t ) = 1 - e

t - t0
-

como F(t) + R(t) = 1 R(t) = 1 - F(t), logo

R (t ) =

t - t0
-

95.5

onde:

t0 = Confiabilidade Intrnseca
= Fator de Forma
= Vida Caracterstica
Na forma linear, podemos escrever:

Ln

Ln 1 - F ( t )

= Ln ( t - t 0 ) - Ln ( )

aX

onde:

= Ln

Ln 1 - F ( t )

a =

X = Ln ( t - t 0 )

b =

- Ln ( )

Aplicando regresso linear por Mnimos Quadrados, para determinao de

e :

n
a = =

Xi Yi -

i=1

Xi

i=1

i=1
2

n X - Xi
i=1
i=1
n

2
i

b = - Ln ( ) =

Ordem

i=1

- a

i=1

= e

F(t)

Y*Y

X*X

Y*X

25,1

0,04545

-3,06787

3,22287

9,411842

10,38688

-9,88735

73,9

0,11039

-2,14582

4,30271

4,604558

18,51334

-9,23286

75,5

0,17532

-1,64628

4,32413

2,710240

18,69812

-7,11874

88,5

0,24026

-1,29179

4,48300

1,668720

20,09731

-5,79109

95,5

0,30519

-1,01026

4,55913

1,020628

20,78563

-4,60591

112,2

0,37013

-0,77167

4,72028

0,595471

22,28107

-3,64249

113,6

0,43506

-0,56029

4,73268

0,313923

22,39829

-2,65167

138,8

0,50000

-0,36651

4,93303

0,134332

24,33482

-1,80802

139,8

0,56494

-0,18361

4,94021

0,033713

24,40570

-0,90707

10

150,3

0,62987

-0,00612

5,01263

0,000037

25,12649

-0,03066

11

151,9

0,69481

0,17126

5,02322

0,029332

25,23276

0,86030

12

156,8

0,75974

0,35490

5,05497

0,125952

25,55273

1,79400

13

164,5

0,82468

0,55453

5,10291

0,307499

26,03970

2,82970

14

218

0,88961

0,79016

5,38450

0,624346

28,99279

4,25459

15

403,1

0,95455

1,12851

5,99918

1,273531

35,99022

6,77013

-8,05087

71,79547

22,854125

TOTAL

348,83586 -29,16715

Consideranto t0 = 0

Distribuio de Weibull
2

Ln Ln [1/(1-F(T)]

-1

-2

-3

-4
2.5

3.5

4.5
5
Ln[T (Horas)]

5.5

6.5

1,80260

161,43714

Tempo Mdio Para Falhas TMPF =

t f ( t ) dt

= t0 + 1 +

1
1.802

TMPF = 0 + 161.43714 1 +

TMPF = 161.43714 0.889239 = 143.5562 horas

Distribuio Exponencial

Sabemos que:

Funo acumulativa de falhas atravs da distribuio Exponencial dada

por:

F (t)

= 1 - e - t

como F(t) + R(t) = 1 R(t) = 1 - F(t), logo

R (t)

e- t

onde: = Fator de Forma

Na forma linear, podemos escrever:

- Ln 1 - F ( t )

aX

Ordem

F(t)

X*X

Y*X

25,1

0,04545

0,04652

25,1000

630,010

1,16765

73,9

0,11039

0,11697

73,9000

5461,210

8,64421

75,5

0,17532

0,19277

75,5000

5700,250

14,55380

88,5

0,24026

0,27478

88,5000

7832,250

24,31791

95,5

0,30519

0,36412

95,5000

9120,250

34,77382

112,2

0,37013

0,46224

112,2000

12588,840

51,86351

113,6

0,43506

0,57104

113,6000

12904,960

64,87065

Fator

Mdio

138,8

0,50000

0,69315

138,8000

19265,440

96,20883

de

Entre

139,8

0,56494

0,83226

139,8000

19544,040

116,34995

Forma

Falhas

10

150,3

0,62987

0,99390

150,3000

22590,090

149,38337

11

151,9

0,69481

1,18681

151,9000

23073,610

180,27568

12

156,8

0,75974

1,42603

156,8000

24586,240

223,60224

13

164,5

0,82468

1,74112

164,5000

27060,250

286,41354

14

218

0,88961

2,20374

218,0000

47524,000

480,41516

15

403,1

0,95455

3,09104

403,1000

162489,610

1245,99921

14,19649

2107,50000

400371,050

2978,83952

0,00744

134,40504

TOTAL

TMEF

Tempo

onde:

= - Ln 1 - F ( t )
a =
X = t
Y

Aplicando regresso linear por Mnimos Quadrados, para determinao de

a =

i=1
n

i=1

Yi
2
i

Distribuio de Exponencial
3.5

Ln [1/(1-F(T)]

2.5

1.5

0.5

0
0

50

100

150

200

250
300
T (Horas)

350

400

450

500

Mtodo de Mxima Verossimilhana

De maneira geral para se encontrar a Mxima Verossimilhana de

qualquer distribuio de probabilidade com dados completos, o mximo da
funo

de

verossimilhana

com

relao

parmetros

desconhecidos

1 , 2 , 3 , , k dever ser encontrado.

L ( 1, 2 , 3 , , k ) =

f (t

i=1

| 1, 2, 3, , k )

(34)

O objeto encontrar os valores de estimadores 1 , 2 , 3 , , k que

tornem a funo de verossimilhana to grande quanto possvel para dados
valores de t1 , t2 , t3 , , tk . Por causa da forma multiplicativa da funo de
verossimilhana, o mximo do logaritmo da funo de verossimilhana um
problema usualmente mais fcil de resolver. Em geral, a condio necessria
para se encontrar a mxima verossimilhana so obtidos tomando as primeiras
derivadas parciais do logaritmo da funo de verossimilhana com relao a

1 , 2 , 3 , , k e fazer essas parciais iguais a zero. Isto ,

 Ln L ( 1 , 2 , 3 , , k )
i

= 0 para i = 1, 2, 3, , k

(35)

Com a presena de dados isoladamente censurados a direita, Tipo I, a

funo de verossimilhana modificada para:

L ( 1, 2 , 3 , , k ) =

f (t

i=1

| 1 , 2 , 3 , , k ) R ( t * )

n-r

onde r o nmero de falhas e n o numero em risco. O fator R ( t * )

(36)

n-r

probabilidade de que as unidades censuradas no falham antes do final do teste.

Para dados Tipo II, t* substitudo por tr .

Mxima Verossimilhana para Distribuio Exponencial.

Para ambos, dados completos e censurados, o estimador de mxima
verossimilhana dado por:

=
T

(37)

onde r o nmero de falhas e T definido pela Tabela abaixo.

Dados
Completo

Isoladamente Censurado Tipo I

Isoladamente Censurado Tipo II

k Multiplamente Censurado Tipo I

k Multiplamente Censurado Tipo II

Substituio Tipo I

n t*

Substituio Tipo II

n tr

i = 1

i = 1

i = 1

i = 1

i = 1

ti ; r=n
ti + ( n - r ) t*
ti + ( n - r ) t r
t+i + ( n - r - k ) t*
t+i + ( n - r - k ) tr

t i+

ti

Tempo de falha;

t*
n

Tempo de teste (teste Tipo I);

Nmero total de unidades em risco;

Nmero de mltiplas censuras.

Tempo de falha ou tempo de censura

tr

Tempo da r-ssima falha (teste Tipo II)

Nmero de falha

Para derivar a mxima verossimilhana para censura Tipo II faa n ser o

nmero em teste e r n ser o nmero de falhas. Ento com ti a amostra
ordenada de tempos de falhas, temos:

f ( ti ) = i e- ti para i = 1, 2, 3, , r

a funo densidade de probabilidade da varivel aleatria,

(38)

Ti , representando

o tempo de vida da i-ssima unidade em teste. Para n - r unidades tais que

ti > tr , tem-se:

(e )

Pr {Ti > tr para todo i > r} =

- tr

n -r

(39)

Portanto, a funo de verossimilhana ser:

L ( t1 , t2 , t3 , , tk ) =

i=1

- ti

e- tr

n-r

L ( t1 , t2 , t3 , , tk ) = r exp - ti - ( n - r ) tr
i=1

(40)

e o logaritmo natural da funo de verossimilhana ser:

lnL = r ln - ti - ( n - r ) tr
i=1

(41)

Portanto,

r
dlnL
r
=
- ti - ( n - r ) tr = 0
d

i=1

(42)

Ento resolvendo para

r
r

i=1

+ ( n - r ) tr

r
T
(43)

Para dados Tipo I, tr substitudo por t* .

Exemplo 13:

Para os dados 35 dados de falhas abaixo, T = 16.981 e r = n = 35 .

1476

300

98

221

157

182

499

552

1563

36

246

442

20

796

31

47

438

400

279

247

210

284

553

767

1297

214

428

597

2025

185

467

401

210

289

1024

Soluo:

35
= 0.00206 ou TMEF = 485.2 horas
17.981

Mxima Verossimilhana para Distribuio de Weibull.

Mxima

Verossimilhana

para

distribuio

de

Weibull

com

dois

parmetros deve ser computada numericamente. Para ambos dados, completos

e isoladamente censurados, a estimativa para o parmetros de forma

encontrada resolvendo a seguinte equao:

()

g
=

i=1

ln ti + ( n - r ) t s ln t s

i=1

1
1 r
- ln ti = 0

r i=1

ln ti + ( n - r ) ts

(44)

Ento a estimativa de mxima verossimilhana da vida caracterstica

encontrada atravs da expresso:

1/

1 r

= ln ti + ( n - r ) t s

r i = 1

(45)

onde:

ts = ts
t
r

para dados completos

para dados Tipo I
para dados Tipo II

A equao (44) deve ser resolvida numericamente. O mtodo de NewtonRaphson para resolver a equao no linear pode ser usado. Isto requer resolver
para
interativamente, usando:

j+1 =
j -

( )
g (
)
g
j
'

onde

g' ( x ) =

dg ( x )
dx

(46)

Uma estimativa inicial para

pode ser obtida do grfico de probabilidade
de Weibull ou de um ajuste por mnimos quadrados. Outra tcnica numrica, tais
como Intervalo de Bisseo e o Mtodo de Seo Precisa, pode tambm ser
usado para encontrar a mxima verossimilhana.

Exemplo 14:

Para os dados de Exemplo 12, a Mxima Verossimilhana para o

parmetro de forma de Weibull obtido da equao bsica (44). Os clculos

foram feitos usando o programa computacional Proconf. Um valor inicial para

de 2.5 foi selecionado, embora o valor de estimado de um grfico de

probabilidade ou atravs de uma curva de ajuste por mnimos quadrados
fornecer um excelente valor inicial. Nesse exemplo existem dados completos com

r = n = 15 . Comeando com o valor inicial de e usando o Mtodo de

Newton-Raphson, os seguintes valores sucessivos foram gerados: 1.741574,
1.805401, 1.806654, 1.806655. O valor final aproxima-se com a estimativa
por Mnimos Quadrados de 1.8027. Usando a Mxima Verossimilhana para e
a Equao (45) obtm-se:

1 15 1.8
=
ti

15 i = 1

1/1.8

= 158.655

Mxima Verossimilhana para Distribuio Normal e Lognormal

A derivao da Mxima Verossimilhana estimada para Distribuio Normal

com dados completos pode ser encontrada em muitos textos de estatstica. A
Mxima Verossimilhana baseada na mdia e varincia da amostra:

2 =

=x

(47)

( n - 1) s2

(48)

onde s definida pela equao (9) ou pela equao (10)

Para Distribuio Lognormal a relao com a distribuio normal

novamente utilizada. Uma vez que o logaritmo dos dados teria uma distribuio
normal ento a Mxima Verossimilhana Estimada dos parmetros normal
subjacentes so usadas para computar os estimados parmetros da Distribuio
Lognormal. Assim:

ln ti
n
i=1

(49)

ento

tmed = e

(50)

e
n

s=

(ln

i=1

ti -
)

(51)

Exemplo 15:

Para os dados de tempos de reparos a seguir, os seguintes parmetros por

Mxima Verossimilhana so obtidas para a Distribuio Lognormal:

Dados:
47.1

84.8

151.9

122.5

218.2

99.6

59.8

138.8

213.5

53.4

102.4

100.8

230.1

104.6

61.5

122.1

186.2

498.4

77.0

78.7

112.3

44.0

151.3

151.3

222.8

Soluo:

ln 44 + ln 47.1 + + ln 498.4
118.8
=
= 4.752
25
25

tmed = e4.752 = 115.932

s=

(ln

44 - 4.752 )

+ ( ln 47.1 - 4.752 )

+ + ( ln 498.4 - 4.752 )

25

= 0.31798

s = 0.5639

Repita este Exemplo utilizando o mtodo de mnimos quadrados e

compare os resultados.

Mxima Verossimilhana com Mltiplos Dados Censurados

Quando mltiplos dados censurados esto presentes, a funo de

verossimilhana deve ser modificada para refletir o fato de que nos tempos

censurados nenhuma falha ocorreu. Isso pode ser acompanhado pela definio
da funo de verossimilhana na seguinte maneira:

L ( ) =

onde

f (t

iF

; )

R (t

iC

+
i

(52)

o parmetro desconhecido, F o grupo de ndices dos tempos de

falhas, e C o grupo de ndices para os tempos censurados. Essa forma geral da

funo de verossimilhana assume que a distribuio de probabilidade dos
tempos censurados, os quais so eles mesmos variveis aleatrias, no so
dependes do parmetro .

Apesar de t+ ser um tempo censurado, ele

representa um tempo de sobrevivncia (no falhas) na equao (52). Portanto,

o segundo produto na equao (52) a probabilidade que nenhuma unidade
censurada falhar entes desse tempo elas so removidos (censurados). A
Equao (52) pode tambm ser usada para isolados dados censurados onde t +
i
torna-se t* (Tipo I) ou tr , (Tipo II).

Distribuio Exponencial
Para distribuio exponencial com r representando o numero de falhas. A
equao (52) torna-se:

L () =

iF

exp ( - ti )

exp ( - t ) =
+
i

iC

exp - ti exp - t+i

iF
iC

(53)

Ento tomando o logaritmo,

lnL ( ) = r ln -

dlnL ( )
d

Finalmente resolvendo para

i F

i F

iC

i C

+
i

+
i

(54)

=0
(55)

iF

r
ti +

iC

+
i

(56)

Isso confirma o resultado prvio de que o TMEF para distribuio

exponencial pode ser estimado tomando o tempo total no teste dividindo pelo
nmero de falhas.

Distribuio de Weibull

A derivao da Mxima Verossimilhana com mltiplos dados censurados

para distribuio de Weibull dada em vrios textos de estatstica. Como no
caso de dados isoladamente censurados, a Mxima Verossimilhana deve ser
computada numericamente. Seguindo alguns autores, a seguinte equao no
linear deve ser resolvida para
:

ln ti
=
r
iF

todos i

ti ln ti

todos i

(t )

-1

(57)

Uma vez que a estimativa para tenha sido encontrada, ento:

ti
=

todos i r

1/

(58)

A Equao (57) pode ser resolvida usando o Mtodo de Newton-Raphson

(Equao (44)). Entretanto, o lado direito uma funo monotonicamente
decrescente de e pode, portanto ser muito bem resolvida por uma tcnica de
busca direta. Falhas isoladamente censuradas podem ser tambm includas com
seus tempos censurados tratando da mesma maneira como mltiplos tempos
censurados.

Exemplo 16:

Quinze unidades foram colocadas em testes por 500 horas. Os seguintes

tempos de falhas e tempos censurados foram observados antes da concluso do
teste.
34 136 145+ 154 189 200+ 286 287 334 353 380+

Encontre a Mxima Verossimilhana para ambas distribuies, Exponencial e

Weibull.

Soluo:

Para a distribuio exponencial, o tempo total do teste dado por:

T = 34 + 136 + 145 + 154 + + 380 + 4 500 = 4498

e a Mxima Verossimilhana para o TMEF ser:

TMEF =

T
4498
=
= 562.25
r
8

Para distribuio de Weibull, as quatro unidades que no falharam pelo

final do teste so para cada uma delas atribudo um tempo de censura de 500
horas. O lado esquerdo da equao (57) igual a 5.21385. Iniciando com

= 0.1 e aumentando no lado direito da equao (57) por 0.01 at ele

exceder 5.21 resultados em = 1.43 . Ento da Equao (58), = 491 (Os
dados foram gerados para uma distribuio pde Weibull com

= 1.5 , = 400

e arbritrios

tempos de censura).

Distribuio Normal e Lognormal

Equao

(52)

fornece

base

Verossimilhana para ambas distribuies

para

determinao

da

Mxima

normal e lognormal sob ambos,

mltiplos dados censurados e dados isoladamente censurados a direita. Como a

funo de confiabilidade da distribuio normal no pode ser integrada

diretamente, processos numricos devem ser usados. Uma das mais simples
tcnicas numricas para implementao a aproximao recursiva baseada no
trabalho de Sampford e Taylor. Uma vez que esse algoritmo no muito
intuitivo, deixamos de apresentar, por enquanto, detalhes neste texto.

Estimao do Parmetro de Localizao

Quando um grfico de probabilidade mostra uma curvatura distinta na

curva e no a linha reta esperada, isso indica que os dados no se ajustam a
distribuio montada. A razo para o ajuste pobre pode ser uma vida mnima, ou
garantia, diferente de zero. A fim de que os dados a serem traadas em grfico,
em papel especial, o tempo de vida mnimo t 0 , ou tempo de reparao, deve ser
removido da amostra. Isto pode ser feito estimando o t 0 e ento transformando
o dado deixando t 'i = t i - t 0 . O grafico ento baseado em valores de t 'i , que
refletem um deslocamento do eixo do tempo de modo que o tempo mnimo
ocorra na origem. A Mxima Verossimilhana para o parametro de localizao
das distribuies de Weibull e lognormal no so bem definidos. Uma estimativa
simples, mas enviesada para t 0 t (1) , o primeiro tempo mnimo de falha da
amostra ordenada. Obviamente, isso o limite superior de t 0 . Um processo de
tentativa e erro tentar diferentes estimativas para t 0 (obviamente menos que

t 0 ), transformando o dado, e realizando um ajuste por mnimos quadrados. A

estimativa que resulta do melhor ajuste ser ento usada.

Outra estimativa para t 0 , aplicada para amostras completas de dados

para

uma

distribuio

de

Weibull

ou

lognormal,

mas

no

distribuio

exponencial, , assumindo que os tempos de falhas esto em ordem crescente,

fazer

t0 =

t1 tn - t2j
t1 + tn - 2t j

(59)

onde j = np , isto np arredondado at o mais prximo inteiro, n o

tamanho da amostra, e p representa um percentil empiricamente determinado
com p = 0.50 (mediana) na distribuio Lognormal, e

p = 0.8829 n- 0.3437

(60)

para distribuio de Weibull. Alguns textos de estatstica mostram que para

distribuio Exponencial a melhor estimativa para t 0 dada por:

t0 = 2 t1 - t2

(61)

Assim, a melhor estimativa definido como sendo um estimador de

percentil de polarizao para o mnimo parametro de localizao. A Mxima
Verossimilhana para parameto de localizao, para distribuies de Weibull e
Lognormal, no esto disponveis na forma fechada. possivel a estimativa de

t 0 ser negativa. Isto pode acontecer, por exemplo, se um componente atingir

vida til antes de entrar em servio. Por outro lado, o controle de qualidade,
inspeo que eliminam os modos de falha de mortalidade infantil, ou avanos de
engenharia e materiais podem gerar positivos t 0 .

Exemplo 17:

Os seguintes 23 tempos de falhas foram observados:

101

172

184

174

378

704

1423

2213

2965

5208

5879

6336

6428

6630

7563

10435

30138

30580

38265

47413

81607

158007

182958

Um ajuste por mnimos quadrados para distribuio de Weibull fornece

uma estimativa de 0.517 para e 13948 para vida caracterstica . O ndice
do ajuste foi 0.97. Com

<< 1 , falhas anteriores s observadas so

esperadas. Portanto a vida mnima estimada foi computada como,

p = 0.8829 (23 )

j = 0.3 23 = 6.9 = 7

- 0.3437

Portanto,

= 0.30

t1 = 101 ,

t23 = 182958 ,

t7 = 1423 , e

t0 =

(101) (182958 )

- 14232

101 + 182958 - 2 (1423 )

= 91.3

Tansformando os dados deixando t 'i = t i - 91.3 e executando um ajuste

por mnimos quadrados, ns obtemos uma estimativa para de 0.45 e uma
estimativa para vida caracteristica para 13079. O ndice do ajuste foi aumentado
para 0.99

(Os dados foram gerados para uma distribuio pde Weibull com

= 10000 e t0 = 100 ).

= 0.4 ,