Técnico Superior de

Segurança no Trabalho
Estatística e Fiabilidade
1. TECNICAS DE AMOSTRAGEM
Amostra
Uma amostra trata-se de um subconjunto de um universo ou
população, por meio do qual se podem estabelecer relações
por inferência ou estimativa com esse universo ou população.
Entende-se por população ou universo um conjunto de
elementos que possuem um conjunto de qualidades ou
carterísticas comuns.
1. TECNICAS DE AMOSTRAGEM
Amostra vs. População

Estudo Amostra População

Orçamento Pequeno Grande

Tempo disponível Pouco Muito
Variação das Menor Maior
caraterísticas/variáveis
Custos Baixos Elevados
Erros de análise Maiores Menores
Relevância a casos Sim Não
particulares
1. TECNICAS DE AMOSTRAGEM
Amostragem – 5 passos (técnica básica)

1º - Definir a população (carateristicas e variáveis).

2º - Determinar o quadro amostral.
3º - Escolher o método de seleção dos elementos da amostra
(amostragem).
4º - Determinar o tamanho da amostra.
5º - Executar o processo de amostragem.
1. TECNICAS DE AMOSTRAGEM
Amostragem – 5 passos (técnica básica)
1º - Definir a população (carateristicas e variáveis).
• A população deve ser definida de modo preciso e verificada
a presença do elemento a investigar.
• Verificar a disponibilidade das unidades para a formação de
uma amostra.
• Definir o espaço (região ou área geográfica) e tempo
(momento ou intervalo de tempo).
1. TECNICAS DE AMOSTRAGEM
Amostragem – 5 passos (técnica básica)
2º - Determinar o quadro amostral.

Trata-se de identificar a melhor forma de representação dos

elementos da população, como por exemplo: lista telefónica,
número de identificação, elementos de uma associação
(associados), entre outros, de modo a recolher, com critério o
conjunto de elementos da amostra.
1. TECNICAS DE AMOSTRAGEM
Amostragem – 5 passos (técnica básica)
3º - Escolher o método de seleção dos elementos da amostra
(amostragem).

Existem vários tipos de amostragem e este é determinado

pelos objetivos do estudo.

• Amostragem tradicional ou Bayesiana.

• Amostragem com ou sem reposição.
• Amostragem probabilística ou não.
1. TECNICAS DE AMOSTRAGEM
Amostragem – 5 passos (técnica básica)
4º - Determinar o tamanho da amostra.

O tamanho da amostra é o número de elementos que constitui

a amostra.

A determinação do seu tamanho envolve diferentes tipos de

considerações: Importância da decisão, número de variáveis,
natureza e objetivos da análise, tamanho de amostras usadas
em estudos similares, precisão pretendida, entre outras.
1. TECNICAS DE AMOSTRAGEM
Amostragem – 5 passos (técnica básica)
5º - Executar o processo de amostragem.

Recolha de dados.
1. TECNICAS DE AMOSTRAGEM
Classificação de Amostras

De entre todos os tipos de amostragem que se pode fazer as

que mais se adquam à atividade de TSST são as do tipo
probabilístico ou não probabilístico.

Não probabilístico Probabilístico

Conveniência Aleatório Simples
Julgamento Sistemática
Quotas Estratificada
Snowball Outras
1. TECNICAS DE AMOSTRAGEM
Amostragem não probabilística.

Conveniência – A escolha baseia-se na escolha do

entrevistador por conveniência, por exemplo, na intercepção
de pessoas na rua.

Julgamento – A escolha, à semelhança da anterior, baseia-se

na escolha do entrevistador por julgamento ou suposição, por
exemplo, na suposição que um determinado elemento
apresenta uma determinada caraterística.
1. TECNICAS DE AMOSTRAGEM
Amostragem não probabilística.

Por Quotas – Um julgamento feito em duas fases: A primeira o

entrevistador separa os elementos em quotas usando critérios
definidos por si, por exemplo, genero, raça, idade, etc.
Na segunda fase é feita a seleção recorrendo a uma das formas
descritas anteriormente: conveniência ou julgamento.
1. TECNICAS DE AMOSTRAGEM
Amostragem não probabilística.

Snowball – O entrevistador seleciona um conjunto inicial de

elementos pedindo-lhes que identifiquem dentro do grupo os
que possuem determinadas caraterísticas. Dos selecionados
podem voltar a selecionar-se novos elementos e fazer o
mesmo exercício (efeito bola de neve) até que o entrevistador
obtenha uma seleção que considere adquada.
1. TECNICAS DE AMOSTRAGEM
Amostragem probabilística.

Todos os elementos têm uma determinada probabilidade de

serem selecionados de modo aleatório.

A precisão está inversamente relacionada com o erro de

amostragem mas diretamente com o custo.
1. TECNICAS DE AMOSTRAGEM
Amostragem probabilística.
Amostragem aleatória simples
Cada elemento tem igual probabilidade de ser escolhido. A amostra é
selecionada usando um processo aleatório manual ou automático.
Por exemplo a partir de uma lista usando uma função de escolha aleatória.

Vantagens Desvantagens
Fácil compreensão. Pode conduzir a elevados custos.
Conclusões mais imediatas. Pode não ser representativa da
população.
Recolha simples.
1. TECNICAS DE AMOSTRAGEM
Amostragem probabilística.
Amostragem sistemática
O ponto de partida é escolhido de forma aleatória e depois são escolhidos
𝑁
todos os restantes elementos a partir desse no intervalo 𝑖 = 1, onde N
𝑛
representa o número de indivíduos da população e n o tamanho da
amostra.

EXEMPLO: Escolha de uma amostra de 90 elementos em 850.

𝑁 850
𝑖 = 1, ⇔ 𝑖 = 1, = 1; 9,4(4)
𝑛 90
Escolhe-se aleatoriamente um elemento inteiro de 𝑖 e apartir desse
determinam-se os restantes 𝑖 + 9𝑛 , 𝑛 ∈ ℕ até fazer os 90 elementos. Se
𝑖 = 3 então o conjunto será 3, 12, 21, 30, …
1. TECNICAS DE AMOSTRAGEM
Amostragem probabilística.
Amostragem estratificada
Primeira fase – Identificação ou divisão dos estratos ou categorias (o
número de estratos não deverá ultrapassar 6).
Segunda fase – Construção da amostra pela seleção de elementos de forma
aleatória de cada um dos estratos.

Vantagens Desvantagens
Fácil compreensão. Pode conduzir a elevados custos.
Conclusões mais precisas. Poderá não ser aleatória
dependendo de algum critério ou
juízo.
Recolha simples.
1. TECNICAS DE AMOSTRAGEM
Amostragem probabilística.
Amostragem estratificada
Primeira fase – Identificação ou divisão dos estratos ou categorias (o
número de estratos não deverá ultrapassar 6).
Segunda fase – Construção da amostra pela seleção de elementos de forma
aleatória de cada um dos estratos.

EXEMPLO: os colaboradores de uma fábrica encontram-se

distribuídos por 4 áreas funcionais distintas A-16, B-35, C-12 e
D-26, num total de 89.
Supondo que se pretende usar uma amostra de 20 elementos
então utiliza-se a forma proporcional.
1. TECNICAS DE AMOSTRAGEM
EXEMPLO:
Nº de
Área Nº de colaboradores para amostra
colaboradores
20 × 16
A 16 𝑥= = 3,59 ≈ 4
89
20 × 35
B 35 𝑥= = 7,86 ≈ 𝟕
89
20 × 12
C 12 𝑥= = 2,69 ≈ 3
89

20 × 26
D 26 𝑥= = 5,84 ≈ 6
89

Total 89 20
2. TAMANHO DA AMOSTRA
Como visto anteriormente, a qualidade dos resultados está
diretamente relacionada com o erro (𝐸) admitido na colheita
da amostra.

Este erro está diretamente relacionado com o tamanho

(número de elementos) da amostra pelo que esta é uma
questão importante.

De uma forma geral, quanto maior for o tamanho, menor é o

erro cometido (conclusões da amostra estão mais próximas da
população) mas por outro lado mais dispendiosa se torna a
recolha.
2. TAMANHO DA AMOSTRA
Como determinar o tamanho da amostra?
Existem várias formas matemáticas de determinar o tamanho da amostra.
A variação pode estar relacionada com as diferentes caraterísticas do
estudo, no entanto, toma-se como critério principal o definido por
estimativa para um determinado intervalo de confiança pela expressão:

𝑍𝛼 × 𝜎 2
2
𝑛=
𝐸
Onde:
𝑍𝛼 - corresponde ao valor do intervalo de confiança admitido, pela
2
normal.
𝜎 – Desvio padrão.
𝐸 – Erro admitido.
2. TAMANHO DA AMOSTRA
2. TAMANHO DA AMOSTRA
Como determinar o tamanho da amostra?
𝜎 – Desvio padrão.

O desvio padrão é o único elemento que não é conhecido no

momento inicial pelo que deverá adotar-se um método para a sua
𝑎𝑚𝑝𝑙𝑖𝑡𝑢𝑑𝑒
determinação, por exemplo, tomando 𝜎 = ou determinar
4
𝜎 = 𝑠 para uma amostra de pelo menos 31 elementos.
2. TAMANHO DA AMOSTRA
Como determinar o tamanho da amostra?
Exemplo prático:

Numa fábrica com 145 funcionários pretende-se determinar o

tamanho de uma amostra para efetuar o rastreio de uma doença
auditiva que leva à perda de 30db da audição em média. Quantos
elementos deve ter a amostra de modo a garantir com 95% de
confiança que o valor encontrado possui apenas um desvio de 5db
relativamente à média geral. Num estudo prévio verificou-se que o
desvio padrão é de 10db.
2. TAMANHO DA AMOSTRA
Como determinar o tamanho da
amostra?
Exemplo prático:

𝑍𝛼 × 𝜎 2
2
𝑛=
𝐸
𝑍𝛼 = 1,96.
2
𝜎 = 10.
𝐸 = 5.
1,96 × 102
𝑛= = 39,2 ≈ 39
5
3. FIABILIDADE.
A fiabilidade é a característica de um dispositivo desempenhar
a sua função específica em condições definidas e por um
determinado período de tempo.
Pode expressar-se através da probabilidade do correto
funcionamento nas condições e pelo período definidos.

𝑭 𝒕 +𝑹 𝒕 =𝟏
𝑅 𝑓 representa a fiabilidade.
𝐹 𝑓 representa a não fiabilidade (falhas).
3. FIABILIDADE.
O estudo da fiabilidade é muito recente tendo tido um
desenvolvimento mais significativo nos últimos 30 anos,
motivado pela necessidade de compreender e controlar riscos,
sobretudo os associados ao desenvolvimento da tecnologia.

De uma forma geral, existem 2 tipos de modelos de fiabilidade:

os determinísticos e os estatísticos sendo que os últimos se
podem dividir em diferentes subtipos: paramétricos, não
paramétricos e estocásticos.
3. FIABILIDADE.
Os modelos paramétricos são os que funcionam de forma mais
eficiente na grande maioria dos casos, embora necessitem de
constantes verificações e atualizações das condições iniciais ao
longo do tempo.
Os mais utilizados no contexto de TSST são: distribuição
exponencial, Weibull, gamma e lognormal.
3. FIABILIDADE.
Os modelos referentes ao comportamento de um
equipamento ou sistema de equipamentos derivam da
necessidade de avaliar os modos de degradação ao longo da
sua vida útil. A degradação vai influenciar a evolução da taxa
de avarias ao longo do tempo que é representada pela
conhecida “curva da banheira”.
 3. FIABILIDADE.

Esta curva retrata os três

períodos distintos da vida
de um equipamento:
juventude (arranque),
maturidade (vida útil) e
velhice (degradação).
A curva varia, de sistema
para sistema.
3. FIABILIDADE.
Caraterização:
• juventude (arranque): A taxa é elevada, pois ocorrem falhas
relacionadas com deficiências de projeto, fabrico, qualidade,
incorreta instalação, entre outras (mais ou menos obvias). O controlo
de qualidade pode melhorar esta fase e preparar as seguintes.
• maturidade (vida útil): A taxa é constante e baixa, as falhas ocorrem
com baixa frequência pela rodagem e conhecimento técnico dos
operadores. A manutenção ajuda a perlongar esta fase.
• velhice (degradação): A taxa volta a crescer devido a fenómenos de
degradação natural.
3. FIABILIDADE.
Distribuição exponencial.
A taxa de falhas é constante e estas surgem segundo o modelo de
Poisson.
𝑅 𝑡 = 𝑒 −𝜆𝑡
𝑅 𝑡 - representa a fiabilidade ao longo do tempo.
𝜆 – taxa de falhas que se considera constante ao longo do tempo
(𝜆 𝑡 = 𝜆).
Relembrar que:
𝑭 𝒕 +𝑹 𝒕 =𝟏
𝑅 𝑓 representa a fiabilidade.
𝐹 𝑓 representa a não fiabilidade (falhas).
3. FIABILIDADE.
Distribuição exponencial.

Função exponencial

100

80

60
f(T)

40

20

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Tempo
3. FIABILIDADE.
Distribuição exponencial.
Exemplo: Uma máquina apresenta uma taxa de avarias constante
de uma avaria em cada 10 semanas.
a) Qual é a probabilidade de ocorrer uma avaria antes do 1º
mês?
b) Se existirem 10 maquinas iguais a trabalhar, qual a
probabilidade de haver um intervalo inferior a uma semana
entre duas avarias?
 3. FIABILIDADE.
Distribuição exponencial.
Exemplo: Uma máquina apresenta uma taxa de avarias constante de uma avaria em
cada 10 semanas.
a) Qual é a probabilidade de ocorrer uma avaria antes do 1º mês?
Resolução:
10 semanas = 70 (10x7) dias, 1 mês = 30 dias.
1
−𝜆𝑡 − ×30
𝐹 𝑡 < 30 = 1 − 𝑅 𝑡 < 30 = 1 − 𝑒 =1−𝑒 70 ≈ 0,348
Existe uma probabilidade de 34,8% de ocorrer uma avaria.
 3. FIABILIDADE.
Distribuição exponencial.
Exemplo: Uma máquina apresenta uma taxa de avarias constante de uma avaria em
cada 10 semanas.
a) Se existirem 10 maquinas iguais a trabalhar, qual a probabilidade de haver um
intervalo inferior a uma semana entre duas avarias?
Resolução:
1
𝜆10 𝑚𝑎𝑞𝑢𝑖𝑛𝑎𝑠 = 𝜆 × 10 = × 10 (a taxa 𝜆 é constante!)
70
1
−𝜆𝑡 − ×10 ×7
𝐹 𝑡 <7 =1−𝑅 𝑡 <7 =1−𝑒 =1−𝑒 70 ≈ 0,632
Existe uma probabilidade de 63,2% de uma avaria.
3. FIABILIDADE.
Distribuição exponencial.
Exemplo: Um equipamento apresenta uma MTBF constante de 1000 horas. Em
funcionamento contínuo, qual é a fiabilidade ao fim de uma semana de
trabalho?
Resolução:
1 semana = 168 (7x24) horas
1
𝜆= (a taxa 𝜆 é constante!)
𝑀𝑇𝐵𝐹
1
−𝜆𝑡 − ×168
𝑅 𝑡 = 168 = 𝑒 =𝑒 1000 ≈ 0,845
Existe uma probabilidade de 84,5% de não ocorrer uma avaria.
3. FIABILIDADE.
Distribuição Weibull.
A distribuição de Weibull é particularmente usada pela sua propriedade
de não possuir uma forma característica, isto é, a sua forma varia em
função dos seus parâmetros podendo ajustar-se a diferentes tipos de
equipamentos ou sistemas de equipamentos bem como os seus tempos
de vida típicos.
𝑡 𝛽
−
𝑅 𝑡 = 𝑒 𝜂
𝛽 – parâmetro de forma.
𝜂 – parâmetro de escala ou vida caraterística (corresponde ao tempo
para o qual a probabilidade de falha atinge os 63,2%.
3. FIABILIDADE.
Distribuição Weibull.

Variação do
parâmetro de forma
𝛽.
3. FIABILIDADE.
Distribuição Weibull.

Variação do
parâmetro de escala
𝜂.
3. FIABILIDADE.
Distribuição Weibull.
Exemplo: O tempo de vida de um rolamento de um determinado
sistema é representado de forma satisfatória por uma distribuição de
Weibull com 𝛽 = 0,5 e 𝜂 = 5000.
a) Qual é a probabilidade do rolamento durar pelo menos 6000 horas.
b) Qual é o tempo médio de vida?
3. FIABILIDADE.
Distribuição Weibull.
Exemplo: O tempo de vida de um rolamento de um determinado
sistema é representado de forma satisfatória por uma distribuição de
Weibull com 𝛽 = 0,5 e 𝜂 = 5000.
a) Qual é a probabilidade do rolamento durar pelo menos 6000 horas.
Resolução:
6000 0,5
−
𝑅 𝑡 > 6000 = 𝑒 5000 ≈ 0,334
O rolamento deverá durar pelo menos 6000 horas com uma
probabilidade de 33,4%.
3. FIABILIDADE.
Distribuição Weibull.
Exemplo: O tempo de vida de um rolamento de um determinado
sistema é representado de forma satisfatória por uma distribuição de
Weibull com 𝛽 = 0,5 e 𝜂 = 5000.
a) Qual é o tempo médio de vida?
Resolução:
𝑡 0,5
− 2
𝐹 𝑡 = 0,5 ⟺ 𝑒 5000 = 0,5 ⟺ − ln 0,5 × 5000 = 𝑡 ⟺ 𝑡
≈ 2402
O tempo médio de vida é de cerca de 2400h.
3. FIABILIDADE.
Distribuição de Weibull.
Exemplo: Um componente eletrónico obedece a uma distribuição de Weibull
com os seguintes parâmetros: 𝛽 = 0,75 e 𝜂 = 100000.
Qual é a probabilidade de estar a funcionar no final de um ano?
Resolução:
1 ano = 52 semanas = 52x7x24 = 8736 horas
8736 0,25
−
𝑅 𝑡 = 8736 = 𝑒 100000 ≈ 0, 852
Existe uma probabilidade de 85,2% de estar a funcionar sem falhas no fina do
primeiro ano.
3. FIABILIDADE.
Distribuição de Weibull.
Qual será o seu MTTF (valor de referência que pode ser intrepertado como o
valor médio até à ocorrência de falhas)?
Resolução:
Para a distribuição de Weibull o MTTF é estimado pela expressão:
1
𝑀𝑇𝑇𝐹 = 𝜂 Γ 1 +
𝛽
Onde,

Γ 𝑥 = න 𝑢 𝑥−1 𝑒 𝑥 𝑑𝑢

Denominada função gama, que para valores naturais 𝑥 ∈ ℕ assume a forma

simplificada de,
Γ 𝑥 = 𝑥−1 !
3. FIABILIDADE.
Distribuição de Weibull.
Resolução:
Assim, substituindo,
1
𝑀𝑇𝑇𝐹 = 100000 Γ 1 + = 100 Γ 3
0,65

Γ 3 = 2! = 2 × 1 = 2

𝑀𝑇𝑇𝐹 = 100000 × 2 = 200000

3. FIABILIDADE.
Distribuição Lognormal.
A distribuição lognormal é uma distribuição flexível fortemente
relacionada com a distribuição normal. Essa distribuição pode ser
particularmente útil para modelar dados mais ou menos
simétricos ou com assimetria para a direita.
Assim como a distribuição de Weibull, a distribuição Lognormal é
muito usada para caracterizar tempo de vida de produtos e
materiais sobretudo equipamentos elétricos e eletrónicos.
A distribuição lognormal pode ter aparências muito diferentes
dependendo do parâmetro de escala..
3. FIABILIDADE.
Distribuição Lognormal.

log 𝑡 − 𝜇
𝑅 𝑡 =Φ −
𝜎

Φ– Função de distribuição acumulada de uma distribuição normal

padrão.
𝜇– Média da distribuição.
𝜎– desvio padrão da distribuição.
3. FIABILIDADE.
Distribuição Lognormal.

log 𝑡 − 𝜇
𝑅 𝑡 =Φ −
𝜎

Fiabilidade ao longo do tempo Taxa de Falhas ao longo do tempo

3. FIABILIDADE.
Distribuição Lognormal.
Exemplo: O tempo de vida de um determinado material de
isolamento, de uma máquina em funcionamento a uma
temperatura, tem uma distribuição log-normal com parâmetros
𝜇 = 9,55 e 𝜎 = 0,215.
a) Qual é a probabilidade do rolamento durar pelo menos 15000
horas.
b) Qual é o tempo médio de vida?
 3. FIABILIDADE.
Distribuição Lognormal.
Exemplo: O tempo de vida de um determinado material de isolamento, de uma máquina em
funcionamento a uma temperatura, tem uma distribuição log-normal com parâmetros 𝜇 = 9,55 e
𝜎 = 0,215.
a) Qual é a probabilidade do rolamento durar pelo menos 15000 horas.

Resolução:
log 𝑡 − 𝜇
𝐹 𝑡 =Φ −
𝜎

log 15000−9,55 log 15000−9,55

𝐹 𝑡 =Φ − =Φ − =Φ −0,306
0,215 0,215
3. FIABILIDADE.
Distribuição Lognormal.
F 𝑡 = Φ −0,306
Observando a tabela da distribuição
normal:
−0,306 ≈ −0,305
Assim:
0,3821 + 0,3783
Φ −0,306 ≈
2
Φ −0,306 ≈0,3802
 3. FIABILIDADE.
Distribuição Lognormal.
Exemplo: O tempo de vida de um determinado material de isolamento, de uma máquina em
funcionamento a uma temperatura, tem uma distribuição log-normal com parâmetros 𝜇 = 9,55 e
𝜎 = 0,215.
a) Qual é a probabilidade do rolamento durar pelo menos 15000 horas.

Resolução:
𝑅 𝑡 = 1 − 𝐹 𝑡 = 1 − Φ −0,306 ≈ 1 − 0,3802 = 0,6198

A probabilidade do rolamento durar pelo menos 15000 horas é de,

aproximadamente, 62%.