Um equipamento tem MTBF de 400 horas. Ele acabou de ser reparado às 8h da manhã, e a equipe programa a próxima intervenção preventiva para daqui a 380 horas, com uma folga de segurança. Parece prudente, e está errado — não pela folga, mas pela suposição escondida em tratar 400 horas como se fosse uma data.
Se o tempo entre falhas desse equipamento segue distribuição exponencial, a probabilidade de ele falhar antes das 400 horas é de aproximadamente 63%. A média não fica no meio: fica bem acima do valor típico. E metade das falhas acontece antes de 277 horas.
O que a distribuição exponencial descreve
Ela modela o tempo até a ocorrência de um evento, quando esse evento acontece de forma aleatória e a uma taxa média constante. Tempo até a próxima falha de um equipamento, tempo até a chegada do próximo cliente, tempo até a próxima ligação no call center.
Tem um único parâmetro, a taxa de ocorrência λ, e a média é o inverso dela: se falham 0,0025 equipamentos por hora, o tempo médio entre falhas é 1/0,0025 = 400 horas.
Repare no par: a distribuição de Poisson conta quantos eventos ocorrem num intervalo; a exponencial mede quanto tempo passa entre um evento e o próximo. São duas faces do mesmo processo, e por isso as duas aparecem juntas em problemas de confiabilidade e de filas. A contagem tem página própria em distribuição de Poisson; aqui o objeto é o intervalo.
A propriedade que torna ela estranha: falta de memória
Esta é a característica que define a exponencial e a que causa mais confusão prática.
Um equipamento que já rodou 300 horas sem falhar tem exatamente a mesma probabilidade de falhar na próxima hora que um equipamento recém-instalado. O tempo já decorrido não carrega informação sobre o tempo que falta. A distribuição não tem memória do passado.
Isso contraria a intuição de qualquer pessoa que trabalha com manutenção, e com razão: peças desgastam. Um rolamento com 300 horas de uso é mais propenso a falhar que um novo. Então a exponencial está errada?
Não — ela está descrevendo outra coisa. A exponencial vale para falhas aleatórias, não para falhas por desgaste. Componentes eletrônicos numa fase estável, falhas causadas por eventos externos, defeitos que aparecem sem relação com o tempo de uso: esses seguem exponencial. Fadiga, abrasão e corrosão não seguem.
Quando ela vale e quando não vale
| Situação | Serve? | Por quê |
|---|---|---|
| Falha eletrônica em regime estável | Sim | Taxa de falha aproximadamente constante |
| Chegada de clientes ou chamados | Sim | Eventos independentes a uma taxa média |
| Desgaste mecânico (rolamento, correia) | Não | A taxa de falha cresce com o uso |
| Mortalidade infantil de componentes novos | Não | A taxa de falha cai com o tempo |
| Vida de ferramenta de corte | Não | Desgaste progressivo e previsível |
A curva da banheira resume: equipamentos costumam ter taxa de falha alta no início (defeitos de fabricação e instalação), estável no meio da vida, e crescente no fim (desgaste). A exponencial descreve apenas o trecho do meio. Usá-la nas pontas produz previsões erradas na direção mais cara: subestima falhas no começo e no fim.
Quando a taxa de falha não é constante, o modelo apropriado é a distribuição de Weibull, que tem um parâmetro adicional justamente para representar taxa crescente ou decrescente — e da qual a exponencial é o caso particular em que esse parâmetro vale 1.
O erro que o MTBF sozinho produz
Volte ao equipamento da abertura, com MTBF de 400 horas e falhas aleatórias.
A probabilidade de sobreviver até um tempo t é e−t/400. Alguns valores:
- 100 horas: 78% de chance de chegar sem falhar
- 277 horas: 50% — este é o tempo mediano, e não o MTBF
- 400 horas: 37% de chance de chegar sem falhar. Ou seja, 63% falham antes da média
- 800 horas: 14%
Programar a preventiva para 380 horas significa aceitar que, em cerca de 6 de cada 10 ciclos, a falha chega antes da manutenção. O plano não estava conservador; estava apostando no lado errado da distribuição.
Para que a preventiva antecipe a falha em 90% dos ciclos, ela precisaria acontecer em torno de 42 horas — pouco mais de um décimo do MTBF. E aqui aparece o limite real da abordagem: com falha genuinamente aleatória, a manutenção baseada em tempo é ineficiente por construção. Trocar um componente que não tem memória não reduz a probabilidade de falha da hora seguinte. Nesses casos, monitorar condição rende mais que trocar por calendário.
É a diferença entre estratégias de manutenção — assunto tratado em manutenção centrada em confiabilidade, onde a escolha entre preventiva, preditiva e corretiva depende exatamente do formato da distribuição de falhas.
Como verificar antes de usar
Três passos, em ordem, e nenhum exige software sofisticado.
1. Levante os tempos entre falhas, em ordem cronológica. Não a média — a série. Vinte a trinta intervalos já mostram o comportamento, e a leitura no tempo é o que distingue taxa constante de taxa crescente.
2. Compare média e mediana. Na exponencial, a mediana é aproximadamente 69% da média. Se na sua série a mediana estiver perto da média, a distribuição provavelmente não é exponencial — é mais simétrica, e o modelo está errado.
3. Verifique se a taxa é estável. Divida o histórico em blocos e conte falhas por bloco. Se o número cresce sistematicamente, há desgaste, e o modelo exponencial vai subestimar as falhas futuras. É o mesmo raciocínio de distinguir causa comum de causa especial ao ler qualquer processo ao longo do tempo, formalizado na carta de controle.
Se os três passos confirmarem taxa constante, a exponencial é o modelo correto e o cálculo é de uma linha. Se não confirmarem, o número que sair dela vai parecer preciso e apontar para o lado errado — que é o modo de falha mais caro de qualquer modelo estatístico, porque não se anuncia.
Onde ela se encaixa no conjunto dos modelos disponíveis, e quando escolher cada um, é o assunto de distribuições de probabilidade. Para dados que se agrupam em torno de uma média, o modelo de referência é outro, tratado em distribuição normal.
Perguntas frequentes
O que é a distribuição exponencial?
É o modelo que descreve o tempo até a ocorrência de um evento aleatório que acontece a uma taxa média constante — como o tempo até a próxima falha de um equipamento ou até a próxima chegada de um cliente.
Qual a fórmula da distribuição exponencial?
A probabilidade de sobreviver além de um tempo t é e−λt, onde λ é a taxa de ocorrência. A média vale 1/λ, e o desvio-padrão é igual à média.
Qual a diferença entre distribuição exponencial e de Poisson?
Poisson conta quantos eventos ocorrem em um intervalo fixo; a exponencial mede quanto tempo passa entre dois eventos consecutivos. Descrevem o mesmo processo por ângulos diferentes.
O que é a falta de memória da distribuição exponencial?
É a propriedade de que o tempo já decorrido não altera a probabilidade de falha no próximo instante. Um equipamento com 300 horas de operação tem a mesma chance de falhar na próxima hora que um recém-instalado — o que só vale para falhas aleatórias, não para desgaste.
Quando não usar a distribuição exponencial?
Quando a taxa de falha não é constante: componentes sujeitos a desgaste progressivo, peças em período de mortalidade infantil e ferramentas com vida útil previsível. Nesses casos o modelo apropriado é a Weibull.
Por que o MTBF pode enganar?
Porque na exponencial cerca de 63% das falhas ocorrem antes do tempo médio entre falhas. A média não é o valor típico — a mediana fica em torno de 69% dela, e planejar manutenção pelo MTBF costuma programar a intervenção depois da falha esperada.
Como saber se meus dados seguem distribuição exponencial?
Levante os tempos entre falhas em ordem cronológica, compare média e mediana (na exponencial a mediana é cerca de 69% da média) e verifique se o número de falhas por período se mantém estável. Taxa crescente indica desgaste, não aleatoriedade.