A distribuição de Weibull não é mais um modelo estatístico para decorar ao lado dos outros. Ela é uma família de modelos — e o parâmetro que a define funciona como um diagnóstico: diz se o equipamento está falhando por defeito de origem, por acaso ou por desgaste.
Essa é a diferença que justifica o esforço. Os outros modelos respondem “qual a probabilidade de falhar até tal hora”. A Weibull responde antes disso: que tipo de falha é esta. E o tipo determina o que fazer — trocar por calendário, monitorar condição ou melhorar a instalação.
A anatomia: dois parâmetros, um diagnóstico
A Weibull tem dois parâmetros, e o interessante é o primeiro.
β (beta), o parâmetro de forma. Define como a taxa de falha evolui com o tempo. É ele que carrega o diagnóstico.
η (eta), o parâmetro de escala. Define quando, na escala de tempo — é a vida característica, o instante em que aproximadamente 63% da população já falhou.
O β lido isoladamente já resolve a maior parte das perguntas práticas:
| β | Taxa de falha | Fase da vida | Causa típica | O que fazer |
|---|---|---|---|---|
| < 1 | Decrescente | Mortalidade infantil | Defeito de fabricação, erro de instalação, montagem | Corrigir processo e fazer burn-in — trocar não adianta |
| = 1 | Constante | Vida útil | Eventos aleatórios, sem relação com o uso | Monitorar condição; troca por tempo é ineficaz |
| > 1 | Crescente | Desgaste | Fadiga, abrasão, corrosão | Troca preventiva programada tem retorno |
Repare no que a segunda linha significa: quando β = 1, a Weibull é a exponencial. A taxa de falha constante e a propriedade de falta de memória — com o erro que isso produz no planejamento por MTBF — são território da distribuição exponencial, e é lá que estão desenvolvidos. Aqui interessa que ela seja apenas um ponto dentro de uma família maior.
A curva da banheira, e por que ela é três distribuições
A curva da banheira descreve a taxa de falha de uma população de equipamentos ao longo da vida: alta no começo, baixa e estável no meio, crescente no fim.
O que raramente se diz é que essas três fases não são um comportamento só. São três regimes com causas diferentes, e a Weibull consegue representar os três porque muda de forma junto com eles — β menor que 1 na descida inicial, igual a 1 no fundo plano, maior que 1 na subida final.
A consequência prática é direta e frequentemente ignorada: ajustar uma única distribuição a toda a vida do equipamento mistura três fenômenos e não descreve nenhum. A análise precisa ser feita por fase, ou pelo menos restrita à fase em que o equipamento se encontra.
O que o β muda na decisão de manutenção
Aqui está o motivo de essa distribuição importar fora da sala de aula.
Com β menor que 1, a troca preventiva é contraproducente: o componente novo tem probabilidade de falha maior que o usado, porque o novo ainda não passou pela mortalidade infantil. Trocar por calendário nesse regime aumenta as falhas. O problema está na origem — fornecedor, montagem, instalação —, não no tempo de uso.
Com β igual a 1, a troca preventiva não altera nada: o componente novo tem exatamente a mesma probabilidade de falha do usado. O dinheiro gasto na troca compra zero redução de risco.
Com β maior que 1, e só nesse caso, a troca preventiva tem retorno — e quanto maior o β, maior o retorno, porque a falha se torna mais previsível no tempo.
Um exemplo com números fechados. Uma frota de 40 bombas registra falhas ao longo de 18 meses; o ajuste devolve β = 2,4 e η = 5.200 horas. β acima de 1 confirma desgaste, então a preventiva faz sentido. A probabilidade de sobreviver até 3.000 horas é de cerca de 78%; até 4.000, cai para 60%; e até η, para 37%. Programar a intervenção em torno de 3.000 horas mantém a maioria das trocas antes da falha, e a conta de quanto antes é uma decisão econômica entre o custo da troca e o custo da parada.
Se a mesma frota tivesse devolvido β = 0,7, o plano correto seria o oposto: parar de trocar e investigar a instalação. Mesmo equipamento, mesmos dados brutos, decisões contrárias — e o que separa as duas é um único número.
É esse raciocínio que sustenta a escolha entre estratégias em manutenção centrada em confiabilidade, e que define quando a manutenção preditiva rende mais que a troca programada. Os indicadores que resumem esse comportamento em números de gestão estão em MTBF e MTTR.
O que a Weibull exige dos dados
Três cuidados, e o segundo é o que mais invalida análise na prática.
Amostra suficiente. Estimar dois parâmetros com menos de 10 a 15 falhas produz intervalos de confiança tão largos que o β não distingue desgaste de acaso — e é justamente essa distinção que se queria.
Tratar as censuras. Equipamentos que ainda não falharam carregam informação: eles sobreviveram até agora. Descartá-los e ajustar só sobre os que falharam enviesa o resultado para vida menor do que a real. É o erro mais comum em análise de confiabilidade feita em planilha.
População homogênea. Misturar equipamentos de fabricantes, lotes ou regimes de operação diferentes produz um β médio que não descreve nenhum deles — mesma armadilha da média entre populações distintas em qualquer outra análise.
E antes de qualquer ajuste, vale a leitura no tempo: plotar as falhas em ordem cronológica e verificar se o comportamento é estável ao longo do período, do mesmo modo que se faz numa carta de controle. Um β estimado sobre um período em que o processo mudou descreve a mistura, não o equipamento. Onde a Weibull se posiciona diante dos demais modelos está em distribuições de probabilidade.
O custo de não fazer essa distinção é silencioso e recorrente: planos de manutenção que trocam componentes em regime de mortalidade infantil, gastando dinheiro para aumentar a falha — e a equipe concluindo, ano após ano, que o componente é ruim.
Perguntas frequentes
O que é a distribuição de Weibull?
É uma família de distribuições usada em análise de confiabilidade e de sobrevivência, definida por um parâmetro de forma (β) e um de escala (η). O parâmetro de forma indica se a taxa de falha é decrescente, constante ou crescente ao longo do tempo.
O que significa o parâmetro beta na Weibull?
Beta descreve como a taxa de falha evolui. Abaixo de 1 indica mortalidade infantil, com falhas por defeito de origem; igual a 1 indica falhas aleatórias; acima de 1 indica desgaste progressivo.
Qual a diferença entre Weibull e distribuição exponencial?
A exponencial é o caso particular da Weibull em que o parâmetro de forma vale 1 — taxa de falha constante. A Weibull generaliza esse comportamento, permitindo representar também taxa crescente e decrescente.
Para que serve a Weibull na manutenção?
Para decidir a estratégia. Com desgaste comprovado, a troca preventiva programada tem retorno; com taxa constante, não tem; com mortalidade infantil, trocar aumenta a falha e o problema está na origem do componente.
O que é a curva da banheira?
É a representação da taxa de falha ao longo da vida de uma população: alta no início, estável no meio e crescente no fim. As três fases correspondem a valores diferentes do parâmetro de forma, e por isso não devem ser ajustadas por uma distribuição única.
Quantos dados são necessários para ajustar uma Weibull?
Como regra prática, ao menos 10 a 15 falhas observadas. Com menos que isso, a incerteza sobre o parâmetro de forma costuma ser grande demais para distinguir desgaste de aleatoriedade — que é a informação que se busca.
O que fazer com equipamentos que ainda não falharam?
Devem entrar na análise como dados censurados, porque a sobrevivência deles é informação. Descartá-los e ajustar apenas sobre as falhas observadas subestima sistematicamente a vida do componente.