Curso de Confiabilidade Estrutural 2012 10 15 HQ

UNIVERSIDADE DE SO PAULO
ESCOLA DE ENGENHARIA DE SO CARLOS

DEPARTAMENTO DE ENGENHARIA DE ESTRUTURAS

CURSO DE

CONFIABILIDADE

ESTRUTURAL

Prof. Andr T. Beck, Ph.D.

So Carlos, SP, Outubro de 2012.

Dedicatria

Dedico este material aos mestres que guiaram minha trajetria cientfica at
hoje:
1. Prof. Julius Sporket, Colgio Sinodal, So Leopoldo, RS.
2. Prof. Rogrio J. Marczak, UFRGS, Porto Alegre, RS.
3. Prof. Robert E. Melchers, University of Newcastle, Austrlia.

Agradecimentos

O autor agradece aos inmeros alunos que, em edies anteriores deste curso,
serviram involuntariamente como cobaias deste material. O autor agradece
especialmente aos alunos de mestrado, doutorado e aos psdoutorandos que,
como parte do seu trabalho de pesquisa, desenvolveram material que foi direta
ou indiretamente incorporado ao texto:
1. M. Eng. Camila Cardozo Verzenhassi.
2. M. Eng. Wellison Jos de Santanna Gomes.
3. Dr. Eng. Felipe Alexander Vargas Bazn.
4. Dr. Eng. Jano D'Arajo Coelho.

Nota de responsabilidade

Estas notas constituem material em desenvolvimento. O autor no assume
qualquer responsabilidade por erros eventualmente encontrados. Se gostar do
material, divulgue aos seus colegas, Se encontrar um erro grave, favor informar
apenas ao autor (atbeck@sc.usp.br). sabido que algumas figuras no apareem
em algumas verses do texto. H sesses em branco que ainda no foram
escritas.

Sumrio
1 INCERTEZA E RISCO NA ENGENHARIA 11
1.1 INTRODUO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2 CLASSIFICAO DE INCERTEZAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.1 Incerteza intrnsica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.2 Incerteza epistmica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.3 Erro humano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3 CONFIABILIDADE E PROBABILIDADE DE FALHA . . . . . . . . . . . . . . . . . . . 14
1.4 RISCO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.1 Denio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.2 Exemplos e classicao de riscos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.3 Anlise qualitativa: matriz de risco . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.4 O papel do custo esperado de falha em sistemas de engenharia . . . . . . . . . . . 19
2 TEORIA DE PROBABILIDADES: VARIVEIS ALEATRIAS 21
2.1 AXIOMAS DA TEORIA DE PROBABILIDADES . . . . . . . . . . . . . . . . . . . . . . 21
2.1.1 Denies de probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1.2 Teoria de conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.3 Espao de probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.4 Probabilidades condicionais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.5 Teorema da probabilidade total . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.1.6 Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.1.7 Independncia de eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2 VARIVEIS ALEATRIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2.1 Denio de varivel aleatria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2.2 Funo de distribuio acumulada de probabilidades . . . . . . . . . . . . . . . . . 32
2.2.3 Funo de densidade de probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2.4 Valor esperado e momentos de uma varivel aleatria . . . . . . . . . . . . . . . . 34
2.3 MODELOS ANALTICOS DE FENMENOS ALEATRIOS . . . . . . . . . . . . . . . 37
2.3.1 Variveis aleatrias discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.3.2 Variveis aleatrias contnuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.3.3 Variveis aleatrias do tipo misto . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
1
2 SUMRIO
2.4 DISTRIBUIO CONJUNTA DE PROBABILIDADES . . . . . . . . . . . . . . . . . . . 46
2.4.1 Funo conjunta de distribuio cumulativa de probabilidades . . . . . . . . . . . . 46
2.4.2 Funo conjunta de densidades de probabilidades . . . . . . . . . . . . . . . . . . . 47
2.4.3 Contedo de probabilidade para um domnio 1 qualquer . . . . . . . . . . . . . . 47
2.4.4 Funes marginais de probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.4.5 Funes condicionais de probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.4.6 Teorema da probabilidade total (verso contnua) . . . . . . . . . . . . . . . . . . . 49
2.4.7 Variveis aleatrias independentes . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.4.8 Covarincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.4.9 *Momentos conjuntos de ordem arbitrria de duas v.a. . . . . . . . . . . . . . . . . 50
2.4.10 Problemas envolvendo muitas variveis aleatrias . . . . . . . . . . . . . . . . . . . 52
2.5 FUNES DE UMA VARIVEL ALEATRIA . . . . . . . . . . . . . . . . . . . . . . . 52
2.5.1 Conceito de funo de uma varivel aleatria . . . . . . . . . . . . . . . . . . . . . 53
2.5.2 Determinao da funo de distribuio de 1 = q(A) . . . . . . . . . . . . . . . . 53
2.5.3 Momentos de uma funo de uma varivel aleatria . . . . . . . . . . . . . . . . . 55
2.6 FUNES DE DUAS OU MAIS VARIVEIS ALEATRIAS . . . . . . . . . . . . . . . 57
2.6.1 Determinao da funo de distribuio . . . . . . . . . . . . . . . . . . . . . . . . 57
2.6.2 Soma de duas variveis aleatrias . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.6.3 Teorema do limite central . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.6.4 Momentos de funes de muitas variveis aleatrias . . . . . . . . . . . . . . . . . 60
2.6.5 Aproximao dos momentos de funes de muitas variveis aleatrias . . . . . . . 62
2.7 TEORIA DE VALORES EXTREMOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.7.1 Distribuies exatas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.7.2 Distribuies assintticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.7.3 Extremos caractersticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
2.7.4 Distribuies estatsticas de extremos . . . . . . . . . . . . . . . . . . . . . . . . . 66
2.7.5 Sumrio de distribuies contnuas . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2.8 AJUSTE DE DISTRIBUIES ESTATSTICAS . . . . . . . . . . . . . . . . . . . . . . . 71
2.8.1 Ajuste a um histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2.8.2 Ajuste via mnimos quadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
2.9 DICAS DE PROGRAMAO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
2.9.1 Uso de estruturas de dados para representar variveis aleatrias . . . . . . . . . . . 74
2.9.2 Programao da funo normal padro acumulada . . . . . . . . . . . . . . . . . . 74
3 INTRODUO CONFIABILIDADE ESTRUTURAL 77
3.1 REQUISITOS DE SISTEMAS ESTRUTURAIS . . . . . . . . . . . . . . . . . . . . . . . 77
3.2 ESTADOS LIMITES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.2.1 Equaes de estado limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.2.2 Probabilidade de falha: uma medida da violao de estados limites . . . . . . . . . 79
3.2.3 Problema fundamental de conabilidade . . . . . . . . . . . . . . . . . . . . . . . . 80
SUMRIO 3
3.2.4 Margem de segurana e soluo para 1 e o variveis aleatrias normais . . . . . . 81
3.2.5 Problema fundamental de conabilidade para 1 e o log-normais . . . . . . . . . . 82
3.3 PROJETO UTILIZANDO COEFICIENTES DE SEGURANA . . . . . . . . . . . . . . 83
3.3.1 Valores caractersticos de resistncia e solicitao . . . . . . . . . . . . . . . . . . . 83
3.3.2 Condio de projeto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.4 FORMULAO DOS PROBLEMAS DE CONFIABILIDADE ESTRUTURAL . . . . . . 87
3.4.1 Carregamento estrutural . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.4.2 Resistncia estrutural . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.4.3 O papel do parmetro tempo em problemas de conabilidade estrutural . . . . . . 88
3.4.4 Problema de conabilidade dependente do tempo . . . . . . . . . . . . . . . . . . . 88
3.4.5 Problema de conabilidade independente do tempo . . . . . . . . . . . . . . . . . . 89
3.4.6 Nvel da anlise de estado limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3.5 PROGRAMAS DE CONFIABILIDADE ESTRUTURAL EXISTENTES . . . . . . . . . . 92
4 MTODOS DE TRANSFORMAO 93
4.1 INTRODUO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.2 FOSM - MTODO DE PRIMEIRA ORDEM E SEGUNDO MOMENTO . . . . . . . . . 94
4.2.1 A transformao de Hassofer e Lind . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.2.2 Interpretao geomtrica do ndice de conabilidade . . . . . . . . . . . . . . . . . 94
4.2.3 O ponto de projeto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.2.4 Generalizao para problemas :-dimensionais . . . . . . . . . . . . . . . . . . . . . 97
4.2.5 Equao de estado limite linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.2.6 Equao de estado limite no-linear . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.2.7 Soluo numrica do problema de otimizao . . . . . . . . . . . . . . . . . . . . . 101
4.2.8 Sensibilidade da probabilidade de falha . . . . . . . . . . . . . . . . . . . . . . . . 104
4.2.9 Transformao de Hassofer-Lind matricial . . . . . . . . . . . . . . . . . . . . . . . 104
4.2.10 Algoritmo FOSM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.2.11 Variveis aleatrias correlacionadas . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
4.3 FORM - MTODO DE CONFIABILIDADE DE PRIMEIRA ORDEM . . . . . . . . . . 109
4.3.1 Distribuio conjunta de probabilidades . . . . . . . . . . . . . . . . . . . . . . . . 109
4.3.2 A transformao de Rosenblatt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
4.3.3 Transformao composta utilizando o modelo de Nataf . . . . . . . . . . . . . . . . 111
4.3.4 Transformao direta reversvel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
4.3.5 Algoritmo FORM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
4.4 SORM - MTODO DE CONFIABILIDADE DE SEGUNDA ORDEM . . . . . . . . . . . 118
4.4.1 Aproximao parablica baseada em curvaturas . . . . . . . . . . . . . . . . . . . . 119
4.4.2 Aproximao parablica baseada em pontos . . . . . . . . . . . . . . . . . . . . . . 120
5 CONFIABILIDADE DE SISTEMAS 123
5.1 IDEALIZAES DE SISTEMAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
5.1.1 Componentes associados em srie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
4 SUMRIO
5.1.2 Componentes associados em paralelo . . . . . . . . . . . . . . . . . . . . . . . . . . 124
5.1.3 Associao mista de componentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
5.2 IDEALIZAO DE SISTEMAS ESTRUTURAIS . . . . . . . . . . . . . . . . . . . . . . 126
5.2.1 Modelos de resistncia de material . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
5.2.2 Estruturas isostticas - sistemas em srie . . . . . . . . . . . . . . . . . . . . . . . 127
5.2.3 Estruturas hiper-estticas - sistemas em paralelo . . . . . . . . . . . . . . . . . . . 127
5.3 MLTIPLOS MODOS DE FALHA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
5.3.1 Limites para a probabilidade de falha de sistemas em srie . . . . . . . . . . . . . . 129
5.3.2 Aproximao de primeira ordem para mltiplos modos de falha . . . . . . . . . . . 131
5.4 SISTEMAS ESTRUTURAIS COMPLEXOS . . . . . . . . . . . . . . . . . . . . . . . . . . 133
5.4.1 rvore de falhas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
5.4.2 rvore de eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
6 SIMULAO DE MONTE CARLO 137
6.1 FORMULAO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
6.2 GERAO DE AMOSTRAS DE VARIVEIS ALEATRIAS . . . . . . . . . . . . . . . 139
6.2.1 Gerao de amostras de uma varivel aleatria . . . . . . . . . . . . . . . . . . . . 139
6.2.2 Gerao de nmeros aleatrios com distribuio uniforme . . . . . . . . . . . . . . 140
6.2.3 Teste de geradores lineares congruenciais . . . . . . . . . . . . . . . . . . . . . . . 141
6.2.4 Gerao de amostras a partir da distribuio conjunta de probabilidades . . . . . . 142
6.3 TCNICAS DE REDUO DA VARINCIA . . . . . . . . . . . . . . . . . . . . . . . . 144
6.3.1 Variveis antitticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
6.3.2 Amostragem por importncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
6.3.3 Amostragem por importncia utilizando pontos de projeto . . . . . . . . . . . . . . 147
6.3.4 Amostragem por importncia adaptativa . . . . . . . . . . . . . . . . . . . . . . . 149
6.3.5 Amostragem por hiper-cubo latino (LHS) . . . . . . . . . . . . . . . . . . . . . . . 149
6.3.6 Amostragem asinttica (asymptotic simulation) . . . . . . . . . . . . . . . . . . . . 150
6.3.7 Amostragem por sub-conjunto (subset simulation) . . . . . . . . . . . . . . . . 150
6.4 META-MODELOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
6.4.1 Superfcies de resposta polinomiais . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
6.4.2 Tcnicas modernas de meta-modelagem . . . . . . . . . . . . . . . . . . . . . . . . 155
7 TEORIA DE PROBABILIDADES: PROCESSOS ESTOCSTICOS 161
7.1 DEFINIES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
7.1.1 Processo estocstico como famlia de funes . . . . . . . . . . . . . . . . . . . . . 161
7.1.2 Funes de distribuio de probabilidades . . . . . . . . . . . . . . . . . . . . . . . 162
7.1.3 Processo estocstico como famlia de variveis aleat rias . . . . . . . . . . . . . . 163
7.2 PROPRIEDADES DE PROCESSOS ESTOCSTICOS . . . . . . . . . . . . . . . . . . . 163
7.2.1 Momentos de um processo estocstico . . . . . . . . . . . . . . . . . . . . . . . . . 163
7.2.2 Momentos de dois processos estocsticos . . . . . . . . . . . . . . . . . . . . . . . . 164
7.2.3 Ortogonalidade e independncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
SUMRIO 5
7.2.4 Processo Gaussiano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
7.2.5 Estacionariedade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
7.2.6 Funo de auto-correlao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
7.2.7 Funo densidade espectral de potncia . . . . . . . . . . . . . . . . . . . . . . . . 165
7.2.8 Estatsticas temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
7.2.9 Processos ergdicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
7.3 CLCULO DE PROCESSOS ESTOCSTICOS . . . . . . . . . . . . . . . . . . . . . . . 170
7.3.1 Continuidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
7.3.2 Diferenciao em mdia quadrtica . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
7.3.3 Integrao quadrtica mdia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
7.4 ESTATSTICAS DE BARREIRA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
7.4.1 Perodo mdio de recorrncia ou tempo mdio de retorno . . . . . . . . . . . . . . 170
7.4.2 Taxa de passagens pela barreira . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
7.5 TEORIA DE VALORES EXTREMOS (p.e.) . . . . . . . . . . . . . . . . . . . . . . . . . 176
7.5.1 Extremos de um processo em um intervalo xo . . . . . . . . . . . . . . . . . . . . 176
7.5.2 Distribuio de picos (mximos locais) de processo Gaussiano estacionrio . . . . . 176
7.5.3 Distribuio de extremos de um processo Gaussiano estacionrio . . . . . . . . . . 177
7.6 PROCESSOS DISCRETOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
7.6.1 Processo de Borges . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
7.6.2 Processo de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
7.6.3 Processo de Poisson ltrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
7.6.4 Processos de Poisson mixtos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
8 CONFIABILIDADE DEPENDENTE DO TEMPO 183
8.1 FORMULAO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
8.2 CONVERSO PARA FORMATO INDEPENDENTE DO TEMPO - PROBLEMAS ES-
CALARES ESTACIONRIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
8.2.1 Integrao no tempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
8.2.2 Discretizao no tempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
8.3 FALHA PRIMEIRA SOBRECARGA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
8.3.1 Formulao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
8.3.2 Taxa condicional de chegada de sobrecargas . . . . . . . . . . . . . . . . . . . . . . 188
8.3.3 Aproximao de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
8.3.4 Expresses aproximadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
8.3.5 Tempo at a falha (primeira sobrecarga) . . . . . . . . . . . . . . . . . . . . . . . . 189
8.3.6 Taxa instantnea de falhas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
8.3.7 Melhorias da aproximao de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . 190
8.4 VARIVEIS ALEATRIAS DE RESISTNCIA . . . . . . . . . . . . . . . . . . . . . . . 192
8.4.1 Variao da resistncia com o tempo . . . . . . . . . . . . . . . . . . . . . . . . . . 192
8.4.2 Teorema de probabilidade total . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
8.4.3 Integrao rpida de probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . 193
8.4.4 Aproximao da taxa de passagens mdia pelo envelope . . . . . . . . . . . . . . . 195
8.5 COMBINAO DE CARREGAMENTOS . . . . . . . . . . . . . . . . . . . . . . . . . . 196
8.5.1 Caso geral (Point-crossing formula) . . . . . . . . . . . . . . . . . . . . . . . . . . 196
8.5.2 Combinao de carregamentos discretos . . . . . . . . . . . . . . . . . . . . . . . . 197
8.5.3 Regra de Turkstra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
8.6 PROBLEMAS MULTI-DIMENSIONAIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
8.6.1 Nested FORM/SORM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
8.6.2 Directional simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
8.6.3 Computation of crossing rates by parallel system sensitivity analysis . . . . . . . . 201
9 CONFIABILIDADE E AS NORMAS DE PROJETO 207
9.1 INTRODUO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
9.2 BREVE HISTRICO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
9.3 AS NORMAS ANTIGAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
9.4 FORMATO SEMI-PROBABILSTICO DAS NORMAS ATUAIS . . . . . . . . . . . . . . 209
9.4.1 Eurocode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
9.4.2 Norma americana (LRFD) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
9.5 DETERMINAO DOS COEFICIENTES PARCIAIS DE SEGURANA . . . . . . . . . 209
9.5.1 Determinao a partir de anlise em nvel 2 (FOSM) . . . . . . . . . . . . . . . . . 210
9.5.2 Determinao a partir de anlise em nvel 3 (FORM ou SMC) . . . . . . . . . . . 212
9.6 CALIBRAO DAS NORMAS ATUAIS . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
9.7 NORMAS FUTURAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
9.7.1 Otimizao do risco estrutural . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
9.7.2 Normas probabilsticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
9.7.3 ndices de conabilidade alvo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
9.8 FIGURAS: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
6
Lista de Abreviaturas
BB Processo de banda larga (Broad band process)
BFD Falha dominada pela barreira (Barrier Failure Dominance)
CDF Funo de distribuio cumulativa de probabilidades
(cumulative distribution function)
C.V. Coeciente de variao
CONV Integral de convoluo
EF Elementos Finitos
FORM Mtodo de conabilidade de primeira ordem (First Order Reliability Method)
FOSM Mtodo de conabilidade de segundo momento (First Order Second Moment)
FPI Integrao rpida de probabilidades (Fast Probability Integration)
HLRF Algoritmo de otimizao de Hassofer, Lind, Rackwitz e Fiessler
IS Amostragem por importncia (importance sampling)
KS Teste de Kolmogorov-Smirno
NB Processo de banda estreita (Narrow Band process)
PDF Funo de densidades de probabilidades (probability density function)
POD Probabilidade de deteco de trincas (inspeo no-destrutiva)
PSD Densidade Espectral de Potncia
PE Processo Estocstico
SMC Simulao de Monte Carlo
SORM Second Order Reliability Method
TI Integrao no tempo (Time Integrated aproach)
TPD Transition Probability Density
VA Varivel Aleatria
7
8
Lista de Smbolos
Variveis Aleatrias:
A Varivel Aleatria
r realizao da varivel aleatria A
j
mdia de A
o
Desvio-padro de A
o
2
Varincia de A
)
(r) Funo densidade de probabilidades de A

1
(r) Funo de probabilidades acumuladas A

A Vetor de variveis aleatrias
r realizao de A
j
X
Vetor de mdias
o
X
Vetor de desvios-padro
o
2
X
Vetor de varincias
)
X
(r) Funo densidade de probabilidades conjunta de A
1
X
(r) Funo de probabilidades acumuladas conjunta de A
cov Matriz de covarincia
A(t) Processo estocstico
1
(t) Funo de auto-correlao do processo A(t)

`
Comprimento de correlao do processo

c Fator de irregularidade do processo
G(n) Funo densidade espectral de potncia
Distribuies estatsticas:
c(r) Funo densidade de probabilidades normal padro
(r) Funo de probabilidades acumuladas normal padro
(j, o) Distribuio normal com parmetros j e o
1(j, o) Distribuio log-normal
11(o) Distribuio Rayleigh com parmetro o
1[.] Operador valor esperado
1[.] Operador de probabilidades
9
Conabilidade independente do tempo:
X Espao original de projeto
Y Espao normal padro
T(x) Transformao para o espao normal padro
y = T(x) Variveis no espao normal padro
y
Ponto de Projeto no espao Y

j
n+1
Varivel adicional na soluo FPI
, ndice de Conabilidade
2
Coecientes de sensibilidade
:
cu
Nmero de iteraes para convergncia
:
:u
Nmero de variveis aleatrias de projeto
:
sI
Nmero de simulaes
Conabilidade dependente do tempo:
(a, t) Taxa na qual o processo A(t) ultrapassa a barreira a(t)

(taxa de passagens pela barreira)
+
.
(a, t) Taxa de passagens pela barreira do processo amplitude
+
1
(r, t) Taxa de entradas no domnio de falha
1
}
(t) Probabilidade de falha
1
S
(t) Probabilidade de sobrevivncia
1
}0
Probabilidade de falhas inicial (para t = 0)
1
}
(t|r) Probabilidade de falha condicional
10
Captulo 1
INCERTEZA E RISCO NA
ENGENHARIA
1.1 INTRODUO
Incertezas so inerentes a qualquer sistema de engenharia. Incertezas se originam em nosso conhecimento
incompleto sobre a natureza dos sistemas que projetamos e operamos, mas tambm na aleatoriedade
natural dos processos envolvidos. Aes ambientais e resistncia de materiais so inerentemente aleatrias,
e no podem ser descritas completamente de forma determinista. Modelos de engenharia so sempre
aproximados, pois no conseguem descrever com exatido a resposta do sistema estudado.
A Figura 1-1 ilustra a relao de causa e efeito de incertezas em sistemas de engenharia. Quando
existe incerteza nos parmetros de entrada de um sistema de engenharia, esta incerteza se propaga para
a resposta. Portanto, a resposta de sistemas de engenharia tambm afetada pelas incertezas, e no
h como garantir, de forma determinista, que a resposta do sistema ser sempre a resposta desejada.
Portanto, uma consequencia importante das incertezas que existir uma possibilidade do sistema no
responder conforme o esperado. Quando esta possibilidade medida em termos de probabilidades, fala-se
em uma probabilidade de falha. Multiplicando probabilidades de falha por custos de falha obtm-se o
risco, que uma das principais consequencias das incertezas. Para viabilizar a operao de sistemas de
engenharia, o risco deve ser controlado.
1.2 CLASSIFICAO DE INCERTEZAS
Entre as incertezas presentes em problemas de engenharia, algumas podem ser classicadas em intrnsica
e epistmica. A incerteza epistmica est relacionada ao nosso conhecimento sobre o problema. Em tese,
a incerteza epistmica pode ser reduzida ou eliminada atravs da coleta de mais dados sobre os processos
envolvidos ou atravs de melhor conhecimento do problema. Incerteza intrnsica aquela que faz parte
da natureza dos processos envolvidos, e portanto irredutvel, no pode ser eliminada. Outro tipo de
incerteza que no encaixa na classicao acima o erro humano.
1.2.1 Incerteza intrnsica
Incerteza fsica
A incerteza fsica corresponde aleatoriedade natural dos fenmenos fsicos, quimicos, biolgicos, at-
mosfricos que nos rodeiam, e que afetam o comportamento de sistemas de engenharia. Exemplos de
processos com incerteza fsica:
1. utuao temporal de carregamentos ambientais como vento, ondas, neve, chuva...
2. ocorrncia e intensidade de fenmenos ambientais como tempestades, tornados, ciclones, secas,
furaces,...
3. cargas induzidas por terremotos;
4. variao na resistncia de materiais estruturais (dentro de um mesmo lote, entre lotes, entre difer-
entes fabricantes, etc.);
11
12 ANDR T. BECK, INCERTEZA E RISCO NA ENGENHARIA
Figura 1-1: Resposta de um sistema de engenharia sujeito a incertezas.
5. tolerncia dimensional de componentes estruturais;
6. variao na durabilidade (ou vida til) de componentes idnticos;
7. utuaes de corrente eltrica;
8. e tantas outras...
A incerteza fsica pode ser reduzida atravs da coleta de mais informaes sobre os fenmenos en-
volvidos, mas no pode ser eliminada. A incerteza nas dimenses de componentes ou na resistncia de
materiais pode ser diminuda atravs de melhorias em controle de qualidade, mas tambm no pode
ser eliminada. A incerteza fsica pode ser representada e incorporada na anlise atravs de variveis
aleatrias, processos estocsticos e campos estocsticos.
Incerteza de previso
Este tipo de incerteza se refere previso de condies futuras de um processo ou sistema. Muitas
vezes, a informao disponvel sobre determinado processo limitadas a um curto perodo, mas deve ser
extrapolada para o perodo de vida til da estrutura. Extremos de fenmenos ambientais so exemplos
tpicos.
Durante as fases de projeto e de construo de uma obra, existem grandes incertezas em relao
resistncia dos materiais estruturais e em relao aos carregamentos que realmente atuaro na estrutura
quando em operao. Obviamente, medida que estas informaes vo sendo coletadas, este tipo de
incerteza pode ser reduzida ou at eliminada. No entanto, os projetos estruturais so feitos anteriormente,
e portanto devem levar em conta a existncia destas incertezas.
1.2. CLASSIFICAO DE INCERTEZAS 13
1.2.2 Incerteza epistmica
Incerteza estatstica
A determinao com base em amostras da curva de distribuio de probabilidades de uma varivel
aleatria ou de seus parmetros e momentos est sujeita chamada incerteza estatstica. Quando a
mdia, por exemplo, de uma varivel determinados a partir de uma amostra, a varincia do resultado
corresponde a uma incerteza estatstica nesta mdia. Se o nmero de amostras pequeno, no pode ser
aumentado e a varivel de grande importncia para o problema, ento a prpria mdia da distribuio
pode ser representada como uma varivel aleatria. Isto vale tambm para qualquer outro momento ou
parmetro de distribuio.
Quando inferimos um modelo de distribuio para uma varivel aleatria com base em um histograma
(e.g.: Tal varivel segue uma distribuio normal!), o fazemos atravs de um teste de hiptese, que
revela que tal armao s verdadeira com determinado nvel de probabilidade. Isto tambem d origem
a uma incerteza estatstica.
A incerteza de medio, que tem sua origem na imperfeio ou na faixa de erro do instrumento de
medio utilizado, tambm pode ser classicada como uma incerteza estatstica. A incerteza de medio
pode ser incorporada na incerteza da varivel medida.
Incerteza de deciso
A incerteza de deciso est relacionada com a denio sobre se determinado evento ocorreu ou no. Os
estados limites de servio, por exemplo, no possuem uma fronteira bem denida. No entanto, o uso de
equaes de estado limite requer a denio de uma fronteira clara entre os estados de falha e no falha.
Nestes casos, convm utilizar funes de utilidade, para formular de maneira gradual a transio entre
uma condio aceitvel e a falha de servio.
Incerteza de modelo
Incertezas de modelo tem sua origem na representao do comportamento estrutural atravs de modelos
simplicados. Quando determinamos a resistncia de um elemento de concreto armado em funo das re-
sistncias do ao, do concreto, e das dimenses do elemento, introduzimos um erro de modelo. A incerteza
de modelo pode ser representada atravs de uma varivel aleatria, e sua distribuio de probabilidades
pode ser determinada, por exemplo, realizando comparaes entre ensaios experimentais e a resistncia
determinada via modelo.
Incerteza fenomenolgica
A incerteza fenomenolgica se refere a fenmenos inimaginveis para o projetista de uma estrutura, mas
que vem a afetar a segurana desta ou levar condio de falha. Em especial, a incerteza fenomenolgica
pode aparecer em projetos inovadores, para os quais novos e inimaginveis modos de falha podem existir.
Um exemplo de falha estrutural atribuda incerteza fenomenolgica foi o colapso da ponte Tacoma
Narrows, no Japo, em 1940. Esta ponte suspensa caiu devido excitao dinmica provocada pelo
vento, um efeito aparentemente inimaginvel para os projetistas da mesma.
Outro exemplo mais recente a queda dos prdios do World Trade Center, ocorrida nos ataques
terroristas de 11 de setembro de 2001. O evento inimaginvel, neste caso, no foi o choque dos avies (ou
a loucura dos terroristas), uma vez que as torres foram projetadas para resistir ao choque de pequenas
aeronaves (e chegaram a resistor ao choque dos enormes jumbos). A falha estrutural das torres atribuda
ao incndio de propores inimaginveis (aos projetistas) que se seguiu ao choque dos avies seqestrados.
As torres haviam sido projetadas para resistir a incndios tpicos de escritrio (divisrias, mveis, papis).
No entanto, o fornidvel incndio provocado pela queima da gasolina carregada pelos avies seqestrados
atingiu temperaturas muito maiores, eventualmente levando ao colapso da ligao metlica entre as lajes
de concreto e a estrutura metlica externa. Os prdios ruram devido falha destas conexes.
Devido ao seu carcter inimaginvel, as incertezas fenomenolgicas no podem ser incorporadas na
anlise. Em verdade, elas s se manifestam quando j muito tarde.
1.2.3 Erro humano
conhecido que grande parte das falhas de sistemas de engenharia provocada por erros humanos.
Isto verdade tambm para estruturas. A ao direta do homem que afeta de maneira indesejvel
o desempenho ou a segurana de sistemas de engenharia chamada de erro humano. Ainda que o
comportamento humano tenha um enorme componente de incerteza fenomenolgica (atos de loucura
como os ataques terroristas citados), existem resultados empricos que permitem quanticar certas aes
ou comportamentos que levam a determinados tipos de erros humanos. sabido tambm que motivao
e treinamento podem reduzir este tipo de erro. Literatura especca pode ser consultada (Stewart e
Melchers, 1997).
1.3 CONFIABILIDADE E PROBABILIDADE DE FALHA
Para produtos de engenharia de produo em massa, onde falhas so relativamente fceis de observar
(falhas ocorrem com relativa freqencia), a denio freqentista de probabilidades pode ser utilizada
para interpretar a probabilidade de falha e o evento complementar, probabilidade de sobrevivncia ou
conabilidade.
Para sistemas de engenharia com falhas pouco ou no observveis, as seguintes denies so adotadas:
Conabilidade o grau de conana (probabilidade subjetiva) de que um sistema no falhe dentro
de um perodo de tempo especicado e respeitadas as condies de operao (de projeto) do mesmo.
Probabilidade de falha a probabilidade (subjetiva) de que o sistema falhe, no atendendo s especi-
caes de projeto.
1.4 RISCO
1.4.1 Denio
O risco associado a um determinado evento ou atividade pode ser denido como o produto da probabi-
lidade de ocorrncia do evento (ou freqncia) pelas consequncias da ocorrncia do mesmo:
risco = 1[ocorrncia] consequncias
Quando as consequncias de um evento 1 so quanticadas na forma de uma funo custo C[.], o
risco associado ao evento 1 ca:
risco[1] = 1[1] C[1]
onde 1[1] a probabilidade de ocorrncia do evento 1. Desta forma, a anlise de risco em sistemas
de engenharia envolve avaliao das probabilidades de ocorrncia 1[1] e dos respectivos custos de ocor-
rncia C[1] relacionados com todos os eventos 1. A denio acima independe do carcter do evento
1. No entanto, em geral a palavra risco est associada a eventos indesejveis. Na anlise de risco em
engenharia, os eventos 1 so eventos do tipo falha: falha em atender a funo para a qual o sistema foi
projetado, falha em atender a esta funo com a ecincia desejada ou falha que leva a um acidente.
Muitas vezes dicil determinar-se o custo C[1] de forma quantitativa. Se a consequncia do evento
(falha) envolve a morte de pessoas, seria necessrio atribuir um valor monetrio s vidas perdidas. Se
a consequncia de falha envolve a degradao do meio ambiente, seria necessrio atribuir-se um valor
monetrio contaminao do rio, queima da oresta, morte de animais e plantas, perda de bio-
diversidade. J para empresas que trabalham com seguros, o custo C[1] passa a ser um valor especicado
em aplice. Esta discusso no envolve apenas administradores ou tcnicos, mas a sociedade como um
todo. Por isto, no ser levada adiante. Neste curso, limitaremos a discusso avaliao quantitativa
da probabilidade de ocorrncia 1[1]. Para o aluno que estiver interessado na questo, recomenda-se
Cameron (2000).
Risco tambm pode ser denido como Probabilidade de Dano. Em palavras:
Risco a chance (ou probabilidade) de um determinado nvel de dano ocorrer durante
um perodo especco ou associado com uma atividade especca.
Um exemplo simples o risco de um funcionrio em determinada atividade morrer devido a uma
exploso. Seja:
probabilidade de morte por exploso = 0.01(uma morte em 100 exploses) e
frequncia de exploses = 0.10 exploses por ano
1.4. RISCO 15
O risco de morte por ano para funcionrios nesta atividade de:
risco[morte] = 0.01 0.1
= 10
3
mortes por ano
1.4.2 Exemplos e classicao de riscos
Risco voluntrio aquele ao qual o sujeito se expe voluntariamente, em geral para desfrutar de algum
benefcio. Muitas vezes, esta exposio ao risco feita sem uma correta avaliao do nvel de risco
envolvido. Exemplos so: jogos de apostas, andar de motocicleta, investir no mercado de aes, praticar
alpinismo.
Risco involuntrio aquele imposto sobre um indivduo ou grupo de indivduos por atividades de
terceiros, portanto sem a opo do indivduo. Exemplos so todos os tipos de atividades industriais
perigosas, que expe tanto funcionrios como a comunidade a riscos devido a vazamentos, exploses,
incndios.
Risco individual aquele que afeta um indivduo em particular. Geralmente, dado na forma de
chance de morte por ano por milho de habitantes. As Figuras (1-2) a (1-5) mostram exemplos de risco
individual.
Taxa de Mortalidade por Idade (IBGE - 2002)
0
10
20
30
40
50
60
70
0 10 20 30 40 50 60 70 80
Idade
M
o
r
t
e
s

p
o
r

m
i
l

h
a
b
i
t
a
n
t
e
s
0
10
20
30
40
50
60
70
Mortalidade
Expectativa de Vida
Figura 1-2: Taxa de Mortalidade e expectativa de vida por idade populao Brasileira, IBGE 2002.
Risco social est associado com incidentes onde um grande nmero de fatalidades pode ocorrer: e.g.,
atividades perigosas em zonas de grande densidade populacional. Risco social expressa a relao entre
frequncia (probabilidade) e o nmero de pessoas sujeitas a um determinado nvel de dano. A Figura
(1-6) ilustra riscos sociais relacionados com atividades de engenharia. A Figura (1-7) mostra um mapa de
suscetibilidade a ocorrncia de tornados no sul do Brasil. A probabilidade de ser atingido por um tornado,
associada aos danos potenciais provocados pelo mesmo, corresponde ao risco da ameaa torndica para
os habitantes das regies ilustradas no mapa.
1.4.3 Anlise qualitativa: matriz de risco
Uma matriz de risco construda classicando-se a gravidade e a probabilidade de ocorrncia do evento
em faixas (alto, mdio baixo). Esta classicao simples feita conforme a matriz de risco ilustrada na
Figura (1-8).
Gravidade do evento:
1. Evento minoritrio: Impacto inicialmente limitado pequena rea no local do evento com potencial
para conseqncias maiores na falta de ao corretiva.
2. Evento srio: Evento que pode causar:
(a) Leses srias ou morte na planta ou fora dela;
1800
110
60
35
20
18
0.1
10
3
3
2
0.1
0.2
0.1
0.001
Morte por cncer
Acidentes dentro de casa
Queda
Atropelamento
Homicdio
Envenenamento acidental
Envenenamento por plantas ou animais
Acidentes com fogo
Eletrocuo (no industrial)
Queda de objetos
Uso teraputico de drogas
Falha estrutural
Temporais ou enchentes
Eletrocuo por raio
Queda de meteorito
Riscos para toda a
populao
145
30
10
Rodovirio
Ferrovirio
Areo
Riscos de transporte
(mdia entre viajantes)
300
150 440
40
Minerao
Construo civil
Indstria
Riscos por
rea de ocupao
5000
380
2000
50
30
30
Fumo (20 cigarros por dia)
Beber lcool
Alpinismo
Natao
Jogar futebol
Possuir arma de fogo
Riscos Voluntrios
(mdia entre praticantes)
RISCO DE
MORTE
(por milho e ano)
ATIVIDADE GRUPO
1800
110
60
35
20
18
0.1
10
3
3
2
0.1
0.2
0.1
0.001
Morte por cncer
Acidentes dentro de casa
Queda
Atropelamento
Homicdio
Envenenamento acidental
Envenenamento por plantas ou animais
Acidentes com fogo
Eletrocuo (no industrial)
Queda de objetos
Uso teraputico de drogas
Falha estrutural
Temporais ou enchentes
Eletrocuo por raio
Queda de meteorito
Riscos para toda a
populao
145
30
10
Rodovirio
Ferrovirio
Areo
Riscos de transporte
(mdia entre viajantes)
300
150 440
40
Minerao
Construo civil
Indstria
Riscos por
rea de ocupao
5000
380
2000
50
30
30
Fumo (20 cigarros por dia)
Beber lcool
Alpinismo
Natao
Jogar futebol
Possuir arma de fogo
Riscos Voluntrios
(mdia entre praticantes)
RISCO DE
MORTE
(por milho e ano)
ATIVIDADE GRUPO
Figura 1-3: Risco individual por tipo de atividade.
15 200 80 Viagem de Trem
200 300 700 Viagem Rodoviria
24 20 1200 Viagem Area
Risco de Morte
(10
-6
mortes/ano)
Exposio Tpica
(horas/ano)
Taxa de Mortalidade
(10
-9
mortes/hora)
ATIVIDADE
15 200 80 Viagem de Trem
200 300 700 Viagem Rodoviria
24 20 1200 Viagem Area
Risco de Morte
(10
-6
mortes/ano)
Exposio Tpica
(horas/ano)
Taxa de Mortalidade
(10
-9
mortes/hora)
ATIVIDADE
0.66 120 80 Viagem de Trem
8.75 80 700 Viagem Rodoviria
1.50 800 1200 Viagem Area
Taxa de
Mortalidade
(10
-9
mortes/km)
Velocidade mdia
(km/h)
Taxa de Mortalidade
(10
-9
mortes/hora)
ATIVIDADE
0.66 120 80 Viagem de Trem
8.75 80 700 Viagem Rodoviria
1.50 800 1200 Viagem Area
Taxa de
Mortalidade
(10
-9
mortes/km)
Velocidade mdia
(km/h)
Taxa de Mortalidade
(10
-9
mortes/hora)
ATIVIDADE
Figura 1-4: Risco individual em mortes por ano e por kilmetro rodado para viagens.
1.4. RISCO 17
0.05% da
frota
551 (vtimas
fatais por milho
de veculos por
ano)
0.93% da
frota
9284 (vtimas por
milho de veculos por
ano)
Mdia pela
frota
0.01% da
populao
108 (vtimas
fatais por milho
de habitantes por
ano)
0.18% da
populao
1822 (vtimas por
milho de habitantes por
ano)
Mdia pela
populao
Percentual
(mortalidad
e)
Numero de
vtimas fatais
Percentual
(vtimas)
Nmero de vtimas no-
fatais em acidentes
0.05% da
frota
551 (vtimas
fatais por milho
de veculos por
ano)
0.93% da
frota
9284 (vtimas por
milho de veculos por
ano)
Mdia pela
frota
0.01% da
populao
108 (vtimas
fatais por milho
de habitantes por
ano)
0.18% da
populao
1822 (vtimas por
milho de habitantes por
ano)
Mdia pela
populao
Percentual
(mortalidad
e)
Numero de
vtimas fatais
Percentual
(vtimas)
Nmero de vtimas no-
fatais em acidentes
Figura 1-5: Risco individual de mortes/leso por acidente de trnsito no Brasil. (Fonte:Anurio Estats-
tico de Acidentes de Trnsito de 2002 DENATRAN).
PERF. FIXA
Perda de vidas 1 10 100 1.000 10.000
Custo US $ 1 mi 10 mi 100 mi 1 bi 10 bi
Conseqncias da runa
Barragens Brasil
???
aviao
comercial
10
0
10
-1
10
-2
10
-3
10
-5
10
-4
10
-6
1
10
100
1.000
100.000
10.000
1.000.000
p
F
N =1/ p
F
(por ano)
MINAS
CAVAS
TALUDES
BARRAGENS
FUNDAES
Estimativa barragens americanas
ACEITVEL COM RESERVAS
NAVIOS MERCANTES
PERFURATRIZ MVEL
ACEITVEL
PERF. FIXA
Perda de vidas 1 10 100 1.000 10.000
Custo US $ 1 mi 10 mi 100 mi 1 bi 10 bi
Conseqncias da runa
Barragens Brasil
???
aviao
comercial
10
0
10
-1
10
-2
10
-3
10
-5
10
-4
10
-6
1
10
100
1.000
100.000
10.000
1.000.000
p
F
N =1/ p
F
(por ano)
MINAS
CAVAS
TALUDES
BARRAGENS
FUNDAES
Estimativa barragens americanas
ACEITVEL COM RESERVAS
NAVIOS MERCANTES
PERFURATRIZ MVEL
ACEITVEL
Figura 1-6: Risco social em atividades de engenharia.
Figura 1-7: Mapa de suscetibilidade ocorrncia de tornados, fonte: NOAA - National Weather Service,
Estados Unidos.
Figura 1-8: Matriz de risco (Drake e Thurston, 1993).
1.4. RISCO 19
(b) Danos materiais no valor de $5 milhes na planta ou de 1 milho fora dela.
3. Evento grave: Evento cinco ou dez vezes maior do que um evento srio.
Probabilidade de ocorrncia do evento () = falhas/ano):
1. Baixa () < 10
4
/ano): Uma falha ou srie de falhas com muito pequena probabilidade de ocorrncia
dentro da vida projetada da planta. Exemplo:
(a) Trs ou mais falhas simultneas de equipamento, instrumento ou humana;
(b) Falha espontnea de tanque ou vaso de presso.
2. Moderada (10
4
< ) < 10
2
/ano): Uma falha ou srie de falhas com pequena probabilidade de
ocorrncia dentro da vida projetada da planta. Exemplo:
(a) Falha simultnea de 2 equipamentos ou 2 instrumentos;
(b) Combinao de falha de equipamento com falha humana;
(c) Falha de pequena linha de processo.
3. Alta () 10
2
/ano): Pode-se esperar que uma falha acontea durante dentro da vida projetada
da planta. Exemplo:
(a) Vazamentos;
(b) Falha individual de um instrumento ou de um componente;
(c) Erro humano que resulta em vazamento de material.
Classicao do risco:
1. Regio de alto risco: o risco nesta faixa provavelmente inaceitvel e deve ser eliminado ou atenuado;
2. Risco moderado: os riscos devem ser controlados e, se possvel, eliminados. Estratgias de reduo
de riscos devem ser estudadas, incluindo a sua relao custo-benefcio. Riscos devem ser reduzidos
sempre que estiverem acima da linha de riscos tolerveis;
3. Regio de baixo risco: estes riscos provavelmente so aceitveis e continuaro assim mesmo que o
nvel de riscos tolervel seja reduzido. A localizao desta zona depende do que o pblico, governo
e empregados entendem como aceitvel ou tolervel.
1.4.4 O papel do custo esperado de falha em sistemas de engenharia
O custo total esperado de operao de um sistema que apresenta risco de falha pode ser decomposto em:
1. custo inicial ou de construo;
2. custo de operao;
3. custo de inspeo e manuteno;
4. custo de descarte
5. custo esperado de falha.
O custo esperado de falha, que est diretamente associado ao risco, vem a ser o produto do custo de
falha pela probabilidade de falha:
custo esperado de falha = 1[falha] C[falha]
O custo de falha pode incluir o custo de reparo ou de substituio dos equipamentos danicados,
custo de reconstruo do sistema, custo de indenizaes pagas a funcionrios e terceiros em decorrncia
da falha, e outros custos menos mensurveis. O custo esperado total de operao deste sistema dado
pela soma dos custos parciais:
custo total esperado = custo inicial
+ custo de operao
+ custo esperado de falha
A Figura (1-9) ilustra como estes custos variam em funo do nvel de controle ou do nvel de se-
gurana utilizado na construo e operao de um sistema hipottico. Observe que o custo inicial e o
custo de operao aumentam com o nvel de controle ou de segurana utilizado, porque o aumento da
segurana exige mais equipamentos de segurana, maior redundncia de equipamentos crticos, maior
conservadorismo na utilizao do sistema, maiores gastos em manuteno. O custo esperado de falha,
obviamente, diminue com o aumento da segurana e do nvel de controle do sistema, pois a probabilidade
de falha diminue. No entanto, isto no acontece de maneira proporcional, isto , a partir de um determi-
nado nvel de controle ou segurana o custo esperado de falha j no se reduz de maneira signicativa.
Este um comportamento tpico de sistemas de engenharia.
Observe que a funo custo total versus nvel de controle ou segurana possui um mnimo, que cor-
responde ao nvel de controle ou de segurana ideal para determinado sistema. Este nvel de segurana
ideal minimiza o custo esperado total, ou seja, maximiza o retorno obtido com a utilizao do sistema.
Observe que a determinao do nvel de segurana e controle ideal exige uma anlise quantitativa de
riscos. Este o objetivo deste curso.
1 2 3 4 5 6 7 8
0
5000
10000
15000
20000
25000
o
t
s
u
C
l
a
t
o
T
o
d
a
r
e
p
s
E
custo operao
custo esperado falha
custo inicial
custo esperado total
Nivel de controle ou segurana
1 2 3 4 5 6 7 8
0
5000
10000
15000
20000
25000
o
t
s
u
C
l
a
t
o
T
o
d
a
r
e
p
s
E
custo operao
custo esperado falha
custo inicial
custo esperado total
Nivel de controle ou segurana
Figura 1-9: Composio do custo esperado total de um sistema que apresenta risco de falha.
Captulo 2
TEORIA DE PROBABILIDADES:
VARIVEIS ALEATRIAS
2.1 AXIOMAS DA TEORIA DE PROBABILIDADES
2.1.1 Denies de probabilidades
Seja um evento qualquer, resultado de um experimento.
Denio freqentista
Se o evento observado :
.
vezes em : realizaes do experimento, a denio freqentista de proba-
bilidades dada por:
1[] = lim
n
:
.
:
(2.1)
Nesta denio, a probabilidade calculada posteriori, baseada em um grande nmero de observaes
do experimento. Esta denio importante pra associar probabilidades com o mundo observvel, e ser
utilizada frequentemente para interpretar probabilidades. No entanto, est denio limitada porque,
na prtica, o nmero de observaes nunca chegar a innito.
Denio clssica
Sendo
.
o nmero de possveis resultados favorveis ao evento e o nmero total de resultados
possveis, a denio clssica de probabilidades dada por:
1[] =

.
(2.2)
Nesta denio, a probabilidade 1[] encontrada priori, antes da primeira realizao do ex-
perimento. Para evitar ambiguidade na contagem de
.
e , necessrio que os eventos sejam
equi-provveis. Em palavras, a denio dada por:
A probabilidade de um evento igual a razo entre o nmero de resultados favorveis a
e o nmero total de resusltados possveis, desde que estes sejam equi-provveis!
Na denio acima, equi-provveis signica com a mesma probabilidade, o que signica que o
objeto a ser denido passa a fazer parte da denio! Sendo assim, a denio clssica tambm no serve
como denio, mas ainda assim pode ser entendida como uma interpretao de probabilidades. Esta
interpretao utilizada frequentemente. Muitas vezes, a denio frequentista utilizada para denir
os eventos equi-provveis.
Probabilidade como grau de conana
Nesta denio subjetiva, tambm conhecida como denio Bayesiana , a probabilidade 1[] est
associada ao grau de conana do sujeito em relao a ocorrncia do evento . Enquanto a denio
freqentista est associada mdia de fenmenos repetitivos, ou multiplas observaes de um evento,
a denio subjetiva refere-se a uma nica ocorrncia do evento. Exemplos:
21
22 ANDR T. BECK, TEORIA DE PROBABILIDADES: VARIVEIS ALEATRIAS
Acho que vai chover amanh!
Vou lanar uma moeda. Tenho 50% de certeza de que vai dar cara!
O Grmio Futebol Portoalegrense tem 90% de chance de ganhar o campeonato!
Denio axiomtica
Cada uma das denies anteriores tem a sua utilidade na soluo de problemas prticos. No entanto,
nenhuma delas se presta para a formulao de uma teoria de probabilidades. A Teoria Matemtica de
Probabilidades baseada na seguinte denio de probabilidades:
A probabilidade associada a um evendo um nmero associado a este evento, que obedee
aos trs seguintes postulados:
1) 1[] 0 , i.e., a probabilidade um nmero maior ou igual a zero;
2) 1[] = 1 , i.e., a probabilidade de um evento certo igual a um;
3) 1[+1] = 1[] +1[1] se e 1 eventos mutuamente exclusivos
A denio axiomtica ser abordada novamente mais adiante.
Aplicao 1 Interpretao das denies de probabilidade na soluo de problemas de conabilidade
estrutural.
PARMETROS OU
VARIVEIS DO
PROBLEMA
MODELO
COMPORTAMENTAL
SIMPLIFICADO
MODELO MATEMTICO
(eq. diferenciais e algbricas)
SISTEMA FSICO,
PROBLEMA DE
ENGENHARIA
MODELO
NUMRICO
SOLUO
ANALTICA
SOLUO
NUMRICA
RESPOSTA DO SISTEMA
TOMADA DE DECISES
TEORIA DE
PROBABILIDADES
(def. axiomtica)
MODELO PROBABILSTICO
DE DISTRIBUIO
(def. freqentista)
TOMADA DE DECISES NA
PRESENA DE INCERTEZAS
(interpretao Bayesiana)
PARMETROS OU
VARIVEIS DO
PROBLEMA
MODELO
COMPORTAMENTAL
SIMPLIFICADO
MODELO MATEMTICO
(eq. diferenciais e algbricas)
SISTEMA FSICO,
PROBLEMA DE
ENGENHARIA
MODELO
NUMRICO
SOLUO
ANALTICA
SOLUO
NUMRICA
RESPOSTA DO SISTEMA
TOMADA DE DECISES
TEORIA DE
PROBABILIDADES
(def. axiomtica)
MODELO PROBABILSTICO
DE DISTRIBUIO
(def. freqentista)
TOMADA DE DECISES NA
PRESENA DE INCERTEZAS
(interpretao Bayesiana)
Figura 2-1: Interpretao das denies de probabilidade na soluo de problemas de conabilidade es-
trutural.
2.1. AXIOMAS DA TEORIA DE PROBABILIDADES 23
2.1.2 Teoria de conjuntos
Denies:
Espao amostral : conjunto de todos os possveis resultados de um experimento
Ponto amostral n
I
: cada um dos possveis resultados de um experimento
Evento = {n
I
}*: conjunto de pontos amostrais que satisfazem a uma determinada regra
sub-conjunto do espao amostral
Evento elementar: contm um nico ponto amostral
Evento composto: formado por mais de um ponto amostral
Evento nulo : nenhum ponto do espao amostral satisfaz a regra que caracteriza o evento,
ou seja, o evento um conjunto vazio
Evento certo: aquele que ocorre com probabilidade um, e.g. 1[] = 1 , 1[n
I
] = 1.
Espao am. discreto: formado por um nmero nito ou innito contvel de pontos amostrais.
Espao am. contnuo: formado por nmero innito e incontvel de pontos amostrais.
*A probabilidade ser associada apenas a eventos, e no a pontos amostrais.
O diagrama de Venn utilizado para representar espao amostral, pontos amostrais e eventos.
Eventos: A={x 3}
B={2,5,6}
s
A
B
O
Eventos: A={x 3}
B={2,5,6}
s
A
B
O
Espao Amostral
Pontos Amostrais
Eventos
O
O
Espao Amostral
Pontos Amostrais
Eventos
O
O
Operaes:
Existncia:
n
I
n
I
pertence a ou est contido em .
n
I
, n
I
no pertence a ou no est contido em .
1 1 est contido em , i.e., todo elemento de 1 tambm pertence a .
1 contm 1, i.e., todo elemento de 1 tambm pertence a .
A
B
Igualdade:
= 1 signica que 1 e 1 .
Soma ou unio:
+1, 1 elementos pertencentes a , a 1 ou a ambos.
A B
Produto ou interseco:
1, 1 elementos comuns a e 1.
A B A B
Conjuntos mutuamente exclusivos:
1 = 0 no tem elementos em comum
Evento complementar:
todos os elementos de que no esto em :
= + =
= =
Se 1 , ento 1
A
A
Diferena:
1 todos os elementos de que no pertencem a 1 :
1 = 1 = 1
Ateno:
(1) +1 6=
(+) =
+ () =
= , =, =
A-B
Lei de Morgan:
Em qualquer igualdade, pode-se trocar somas por produtos, produtos por somas e eventos por seus
complementares, que a igualdade ca preservada :
(+1) = 1
( 1) = +1
( +B)= B A A ( +B)= B A A
(A B)=A+B (A B)=A+B
2.1.3 Espao de probabilidades
Axiomas da teoria de probabilidades
Um experimento formado por um espao amostral , composto de pontos amostrais n
I
. A denio
dos pontos amostrais arbitrria, no necessriamente unnime, dependendo muitas vezes do evento
de interesse. No lanamento de um dado, por exemplo, os pontos amostrais bvios? seriam =
{)
1
, )
2
, )
3
, )
4
, )
5
, )
6
}, sendo )
I
o resultado i sima face do dado. Para outro observador, no entanto, os
resultados de interesse e portanto os pontos amostrais que compem poderiam ser = {jar, i:jar},
e para outro observador poderiam ser = { 3, 3}.
Um experimento bem denido aquele onde os pontos amostrais de interesse esto clara e unanbigua-
mente identicados.Uma realizao de um experimento corresponde a observao de um dos possveis
resultados.
Exemplo 2 lanamento de dois dados:
=
)
1
)
1
)
1
)
2
... )
1
)
6
)
2
)
1
... ...
...
)
6
)
1
... )
6
)
6
o espao amostral composto de 36 elementos. A probabilidade de que a soma das faces seja igual a 12
1[:o:a = 12] =
1
36
.
Exemplo 3 dois lanamentos de um dado: o espao amostral composto de 6 pontos amostrais =
{)
1
, )
2
, )
3
, )
4
, )
5
, )
6
}. A probabilidade de obter um seis no primeiro lanamento 1[)acc = 6] =
1
6
.O
experimento realizado duas vezes e a probabilidade de que a soma das faces seja igual a 12 determinada
considerando a independncia entre os resultados das duas realizaes: 1[:o:a = 12] =
1
6

1
6
=
1
36
.
Um evento representa um conjunto de pontos amostrais ou sub-conjunto de , ao qual atribui-se o
nmero 1[], chamado de probabilidade de ocorrncia do evento . Este nmero atribudo de forma a
satisfazer as seguintes condies (axiomas):
1) 1[] 0
2) 1[] = 1
3) 1[+1] = 1[] +1[1] (2.3)
A condio 3) vlida se e 1 so eventos mutuamente exclusivos ( 1 = 0). Se e 1
no so eventos mutuamente exclusivos, ento tem-se:
1[+1] = 1[] +1[1] 1[ 1] 1[] +1[1]
Dos trs axiomas, resulta que:
1[] = 0
1[] +1[

] = 1
ou:
1[] = 1 1[

] 1
Se 1 , ento 1[] = 1[1] +1[

1] 1[1].
A denio frequentista de probabilidades pode ser usada para interpretar as probabilidades denidas
nos trs axiomas. Adotando 1[]
n
.
n
, verica-se que:
1) verdade;
2) como o espao amostral ocorre sempre e :
= :, resulta que 1[]

n
n
= 1;
3) se e 1 so eventos mutuamente exclusivos, ento :
.+1
= :
.
+ :
1
e 1[ + 1]
n
.+T
n
=
n
.
n
+
n
T
n
1[] +1[1].
Construo de espaos de probabilidades
Para especicar de forma completa e unambigua um experimento, as probabilidades de todos os eventos
possveis devem ser conhecidas ou determinveis. Isto pode ser feito atribuindo-se probabilidades a todos
os eventos elementares, i.e., aqueles formados por um nico ponto amostral.
Numero nito ou contvel de resultados possveis: Sejam j
1
, j
2
, ..., j
nmeros reais tais que

j
1
+ j
2
+...+ j
= 1, j
I
0 de forma que a probabilidade do evento elementar seja 1[{n
I
}] = j
I
. Se o
evento formado pelos elementos:
= {n
|1
, n
|2
, ..., n
|
f
} = {n
|1
} +{n
|2
} +... +{n
|
f
}
ento:
1[] = 1[{n
|
1
}] +1[{n
|
2
}] +... +1[{n
|
f
}] = j
|
1
+j
|
2
+... +j
|
f
Denio classica: Assumindo todos os j
I
iguais, ento:
1[{n
I
}] =
1
Se o evento formado por / elementos, ento:

1[] =
/

Probabilidades na linha dos reais Um espao de probabilidades importantes a linha dos nmeros
reais ou qualquer frao desta. Os resultados possveis so nmeros reais, muitas vezes instantes de
tempo. Os eventos, neste caso, so somas e produtos de intervalos denidos nesta linha. Considerando
como o conjunto dos nmeros reais positivos, as probabilidades dos mais diversos eventos pode ser
determinada uma vez conhecida a probabilidade do evento {0 t t
1
} para qualquer t
1
. Se c(t) uma
funo integrvel no tempo tal que c(t) 0 e
R
0
c(t)dt = 1, ento pode-se escrever que:
1[{0 t t
1
}] =
Z
|1
0
c(t)dt
( ) t o
1 2
0 t t
t
( ) t o
1 2
0 t t
t
Para determinar a probabilidade do evento {t
1
t t
2
} basta observar que:
{0 t t
2
} = {0 t t
1
} +{t
1
< t t
2
}
Como os dois eventos direita da igualdade so mutuamente exclusivos:
1[{0 t t
2
}] = 1[{0 t t
1
}] +1[{t
1
< t t
2
}]
o que resulta em:
1[{t
1
< t t
2
}] =
Z
|
2
|
1
c(t)dt
Pode-se mostrar ainda que a probabilidade do evento elementar 1[{t = t
1
}] = 0, o que resulta em:
1[{t
1
t t
2
}] = 1[{t
1
< t t
2
}] = 1[{t
1
t < t
2
}] = 1[{t
1
< t < t
2
}]
Exemplo 4 Para uma distribuio uniforme no tempo, tem-se c(t) = ctc. Logo, no intervalo {0,T}
tem-se
R
T
0
c(t)dt = 1 e portanto ctc =
1
T
. Se um evento (e.g., uma chamada telefonica ou a emisso de
um eltron) acontece neste intervalo, ento:
1[{0 t t
1
}] =
t
1
T
1[{t
1
t t
2
}] =
t
2
t
1
T
2.1.4 Probabilidades condicionais
Seja 1 um evento de probabilidade no nula 1[1] 0. A probabilidade de ocorrncia de um evento
condicional a ocorrncia do evento 1 dada por:
1[|1] =
1[ 1]
1[1]
(2.4)
Se e 1 so eventos mutuamente exclusivos, ento:
1[ 1] = 0 1[|1] = 0
Se 1 ento 1 = e:
1[|1] =
1[]
1[1]
1[]
Se 1 ento 1 = 1 e:
1[|1] =
1[1]
1[1]
= 1
B
A
A B= C
B
A
A B c
B
A
B A c
Interpretao de frequncia relativa: seja :
.
, :
1
, :
.1
o nmero de ocorrncias dos eventos , 1 e
1 em : realizaes do experimento.
1[]
:
.
:
, 1[1]
:
1
:
, 1[ 1]
:
.1
:
1[|1] =
1[ 1]
1[1]

:
.1
:
:
:
1
=
:
.1
:
1
Logo:
1[|1]
:
.1
:
1
Em palavras: desconsiderar todas as realizaes em que 1 no ocorreu equivale a denir um novo
conjunto de observaes do experimento onde o nmero total de realizaes :
1
. Logo, as proba-
bilidades condicionais a 1 so calculadas em relao ao nmero total de observaes :
1
.
Exemplo 5 Lanamento de um dado: = {)
1
, )
2
, )
3
, )
4
, )
5
, )
6
}, 1[)
I
] =
1
6
. Qual a probabilidade de
obter uma face 6 sendo que o resultado do lanamento foi par?
1 = {jar} = {)
2
, )
4
, )
6
}, 1[1] =
3
6
= {)
6
}, 1 = {)
6
}, 1[ 1] =
1
6
Logo:
1[|1] = 1[{)
6
|jar}] =
1[ 1]
1[1]
=
1
6

6
3
=
1
3
Exemplo 6 Uma caixa contm 3 bolas azuis e 2 bolas brancas. Qual a probabilidade de sacar uma bola
azul e depois uma branca?
Sejam os eventos: = {1
o
a.n|}, 1 = {2
o
/ra:ca}. A soluo bruta obtida listando-se todos os
resultados possveis (20 possibilidades) ao se sacar duas bolas:
{a
1
a
2
}, {a
1
a
3
}, {a
1
/
1
}, {a
1
/
2
}, ..., {a
3
/
2
}
Destes, seis eventos correspondem primeira bola azul e segunda branca, logo: 1[ 1] =
6
20
.
Soluo usando probabilidades condicionais:
1[] =
3
5
1[1|] =
2
4
1[ 1] = 1[1|] 1[]
=
2
4

3
5
=
6
20
Exemplo 7 eventos condicionais no eixo dos reais:
2.1.5 Teorema da probabilidade total
Se eventos
1
,
2
, ...,
so mutuamente exclusivos e tal que sua soma corresponde a , ento para

um evento 1 qualquer pode-se escrever:
1[1] = 1[1|
1
] 1[
1
] +1[1|
2
] 1[
2
] +... +1[1|
] 1[
] (2.5)
para:
= 0, i 6= ,
1
+
2
+... +
= 1
Este resultado utilizado extensivamente na conabilidade estrutural.
Da probabilidade condicional tem-se que: 1[1|
1
] 1[
1
] = 1[
1
1], de forma que a equao (2.5)
tambm pode ser escrita como:
1[1] = 1[
1
1] +1[
2
1] +... +1[
1]
1 2 3 n
A A A ... A
B
1
A B
Exemplo 8 Quatro caixas possuem bolas brancas e azuis dispostas conforme a tabela:
Caixa # azuis # brancas
1 1900 100
2 300 200
3 900 100
4 900 100
P
4000 500
Selecionando uma caixa aleatriamente, qual a probabilidade de sacarmos uma bola branca?
Seja C
I
o evento selecionar a i-sima caixa, o que equivale a selecionar todas as bolas daquela caixa:
1[C
1
] = 1[C
2
] = 1[C
3
] = 1[C
4
] =
1
4
C
1
+C
2
+C
3
+C
4
=
C
I
C
= 0, i 6= ,
Seja 1 o evento selecionar bola branca. Para cada caixa, temos as seguintes probabilidades condicionais:
1[1|C
1
] =
100
2000
= 0.05
1[1|C
2
] =
200
500
= 0.40
1[1|C
3
] =
100
1000
= 0.10
1[1|C
4
] =
100
1000
= 0.10
Logo, utilizando o teorema da probabilidade total temos:
1[1] = 1[1|C
1
] 1[C
1
] +1[1|C
2
] 1[C
2
] +1[1|C
3
] 1[C
3
] +1[1|C
4
] 1[C
4
]
= 0.05
1
4
+ 0.40
1
4
+ 0.10
1
4
+ 0.10
1
4
= 0.1625
Obs: se todas as bolas estivessem na mesma caixa, a probabilidade de selecionar uma branca seria:
1[1] =
500
4500
=
1
9
= 0.1111111
2.1.6 Teorema de Bayes
Da expresso que dene probabilidade condicional (equao 2.4), tem-se que 1[ 1] = 1[|1] 1[1].
Como 1[ 1] = 1[1 ] obtm-se que:
1[|1] 1[1] = 1[1|] 1[]
ou:
1[|1] =
1[1|] 1[]
1[1]
(2.6)
Sejam eventos
I
mutuamente exclusivos e tal que sua soma corresponde a :
= 0, i 6= ,
1
+
2
+... +
= 1
Pelo teorema da probabilidade total, chega-se a:
1[
I
|1] =
1[1|
I
] 1[
I
]
1[1|
1
] 1[
1
] +1[1|
2
] 1[
2
] +... +1[1|
] 1[
]
(2.7)
Exemplo 9 Quatro caixas com bolas brancas e azuis (cont.): Se a bola selecionada no exemplo anterior
foi branca, qual a probabilidade de que ela tenha sido tirada da caixa 2? 1[C
2
|1] =?
Sabemos que:
1[1] = 0.1625, 1[1|C
2
] = 0.4, 1[C
2
] = 0.25
1[C
2
|1] =
1[1|C
2
] 1[C
2
]
1[1]
=
0.4 0.25
0.1625
= 0.615
A probabilidade 1[C
2
|1] calculada acima a probabilidade a posteriori de haver selecionado a caixa 2
dada a seleo de uma bola branca.
2.1.7 Independncia de eventos
Denio 10 Dois eventos e 1 so independentes se:
1[ 1] = 1[] 1[1] (2.8)
Utillizando a denio de probabilidades condicionais (eq. 2.4), conclue-se tambm que para dois
eventos e 1 independentes:
1[|1] = 1[]
1[1|] = 1[1]
ou seja, a ocorrncia de 1 no afeta a probabilidade de ocorrncia de nem vice-versa.
Propriedades de eventos independentes:
1. Se e 1 so eventos independentes, ento:
1[+1] = 1[] +1[1] 1[] 1[1]
2. Se e 1 so eventos independentes, ento:
e

1 so independentes;
e

1 so independentes;
e 1 so independentes;
3. Se eventos
1
,
2
, ...,
so independentes, ento qualquer destes eventos tambm independente

de qualquer evento formado por sub-conjuntos, somas, produtos, ou complementos dos demais
eventos.
Independncia de 3 ou mais eventos
Trs eventos somente so independentes entre si se:
1[
1

2
] = 1[
1
] 1[
2
]
1[
2

3
] = 1[
2
] 1[
3
]
1[
1

3
] = 1[
1
] 1[
3
]
1[
1

2

3
] = 1[
1
] 1[
2
] 1[
3
]
Se mais de dois eventos forem apenas independentes aos pares, no est garantida a independncia entre
os eventos.
(A B) (B C) (A C)
(A B C)
= =
=
A
C
B
(A B) (B C) (A C)
(A B C)
= =
=
A
C
B
Exemplo 11 Seja 1[] = 1[1] = 1[C] =
1
5
no diagrama ilustrado.
a) se 1[ 1] = 1[1 C] = 1[ C] = 1[ 1 C] =
1
25
, os eventos so independentes aos pares
mas no so independentes entre si porque:
1[ 1 C] 6= 1[] 1[1] 1[C]
b) se 1[1] = 1[1C] = 1[C] = 1[1C] =
1
125
, tem-se que 1[1C] = 1[] 1[1] 1[C],
no entanto
1[ 1] 6= 1[] 1[1]
1[1 C] 6= 1[1] 1[C]
1[ C] 6= 1[] 1[C]
2.2 VARIVEIS ALEATRIAS
2.2.1 Denio de varivel aleatria
Uma funo r = r(t) uma regra de correspondncia que relaciona valores da varivel independente t
com valores da varivel dependente r. O conjunto de valores que t pode assumir chamado de domnio
da funo enquanto que o conjunto de valores assumidos por r corresponde imagem da funo.
Para um determinado experimento com espao amostral formado por um conjunto de pontos
amostrais n, uma varivel aleatria real A(n) obtida atribuindo-se um nmero real r a cada ponto
amostral n, observando-se a seguinte denio:
Denio 12 Uma varivel aleatria real A(n) uma funo real que atribui a cada ponto amostral n
de um espao amostral um valor real r, tal que o conjunto {A r} um evento para qualquer nmero
real r.
comum representar uma varivel aleatria por uma letra maiscula, e uma realizao desta varivel
por uma letra minscula. Sendo assim, o evento {A = r} pode ser descrito como a varivel aleatria A
assume o valor r. O evento {A r} signica a varivel aleatria A assume qualquer valor menor do
que r. Claramente, sendo A uma varivel aleatria, a ocorrncia deste evento s pode ser determinada
em termos de probabilidades.
O domnio da funo varivel aleatria A(n) o espao amostral . Quando este domnio formado
por um nmero nito ou innito contvel de pontos, diz-se que a varivel aleatria do tipo discreta.
Quando o domnio formado por um nmero innito de pontos, tem-se uma varivel contnua.
2.2.2 Funo de distribuio acumulada de probabilidades
Para um nmero real r qualquer, o conjunto {A r} formado por todos os pontos amostrais n tais que
A(n) r representa um evento. A probabilidade de ocorrncia deste evento um nmero que depende
de r, e que dado pela funo 1
(r).
Denio 13 A funo de distribuio acumulada de probabilidades de uma varivel aleatria A a
funo:
1
(r) = 1[{A r}] (2.9)

denida para qualquer numero r no intervalo ( r +).
Em outras palavras, o nmero 1
(r) corresponde probabilidade de que a varivel aleatria A

assuma qualquer valor menor do que r. Esta denio vlida para qualquer tipo de varivel aleatria,
seja ela discreta, contnua ou mixta.
Exemplo 14 Lanamento de um dado: a varivel aleatria A denida como A()
I
) = i, i.e., a varivel
corresponde ao nmero inteiro que aparece na face do dado. 1[{)
I
}] =
1
6
.
1 2 3 4 5 6
x
( )
x
F x
1
1 2 3 4 5 6
x
( )
x
F x
1
1 2 3 4 5 6
x
( )
x
f x
1 2 3 4 5 6
x
( )
x
f x
Propriedades da funo de distribuio acumulada de probabilidades:
1. 1
() = 0, 1
(+) = 1;
2. 1
(.) monotonicamente crescente, i.e., 1
(r
1
) 1
(r
2
) para qualquer r
1
< r
2
.
3. 1
(.) contnua pela direita:

lim
:0
:,0
1
(r +-) = 1
(r
+
) = 1
(r)
2.2. VARIVEIS ALEATRIAS 33
4. Para r
1
< r
2
temos:
1[{r
1
< A r
2
}] = 1
(r
2
) 1
(r
1
)
5. Se 1(r) descontnua em r
1
ento:
1[{A = r
1
}] = 1
(r
1
) 1
(r
1
)
= salto de 1
(r) em r
1
.
6. Se 1
(r) contnua, no possui saltos, e portanto:

1[{A = r}] = 0 para qualquer r
2.2.3 Funo de densidade de probabilidades
A derivada em relao a r da funo de distribuio acumulada de probabilidades chamada de funo
de densidade de probabilidades, ou )
(r):
)
(r) =
d1
(r)
dr
(2.10)
Como a funo de distribuio de probabilidades pode no ter derivadas em todo r, faz-se uma
distino entre varivel aleatria contnuas e discretas. Esta distino condiz com o domnio destes tipos
de variveis.
Variveis aleatrias contnuas
Quando 1
(r) uma funo contnua de r, ainda que no diferencivel em alguns pontos, diz-se que
a varivel contnua. O nmero de pontos onde 1
(r) no diferencivel deve ser contvel, de forma

que a equao (2.10) seja vlida nos pontos onde a derivada
JJ
(r)
Jr
existe. Da equao (2.10) e das
propriedades da funo de distribuio cumulativa de probabilidades resultam as seguintes propriedades:
Z
+
(r)dr = 1
(+) 1
() = 1 0 = 1
Z
r
(n)dn = 1
(r)
Z
r2
r1
)
(n)dn = 1
(r
2
) 1
(r
1
)
Z
r
2
r
1
)
(n)dn = 1[{r
1
A r
2
}]
Para um r pequeno, pode-se escrever ainda:
1[{r A r +r}] )
(r)r
Tomando o limite com r 0, chega-se a denio:
)
(r) = lim
r0
1[{r A r +r}]
r
(2.11)
Variveis aleatrias discretas
Quando a funo 1
(r) descontnua, a varivel aleatria do tipo discreta. Chamando de j

I
o salto
da funo 1
(r) no ponto r
I
, tem-se:
1[{A = r
I
}] = 1
(r
I
) 1
(r
I
) = j
I
, i = 1, 2, ...,
X
I
j
I
= 1
Para variveis aleatrias discretas, a funo )
(r) pode ser descrita por pulsos, onde um pulso de inten-

sidade j
I
ocorre a cada ponto de descontinuidade r
I
:
)
(r) =
X
I
j
I
c(r r
I
)
Neste caso, a funo 1
(r) pode ser escrita como:

1
(r) =
X
I
j
I
para i tal que r
I
r
Se o domnio da varivel aleatria formado por um nmero nito ou innito contvel de pontos amostrais,
ento esta varivel discreta. No entanto, a recproca no verdadeira, i.e., existem variveis aleatrias
discretas cujo domnio formado por um nmero innito de pontos.
Variveis aleatrias do tipo mixto
Variveis aleatrias do tipo mixto so aquelas onde 1
(r) descontnua mas no na forma de escada.

Um exemplo so variveis clipadas, descritas na seo (2.3.3).
2.2.4 Valor esperado e momentos de uma varivel aleatria
Valor esperado ou mdia de uma varivel aleatria
Dene-se como valor esperado ou mdia de uma varivel aleatria a integral:
1[A] :=
Z
+
r)
(r)dr := j (2.12)
onde )
(r) a funo de densidade de probabilidade da varivel aleatria A. Note que 1[.] o operador
valor esperado, enquanto j a mdia da varivel aleatria (em geral, uma constante).
Se )
(r) interpretada como uma funo de densidade de massa no eixo r, ento j o centro de
gravidade desta massa.
Se )
(r) uma funo simtrica, ento )
(r) = )
(+r) e j = 0.
Se )
(r) simtrica em torno de r = a, ento )
(a r) = )
(r a) e j = a.
Se a varivel A est associada a um evento de tal forma que:
A(n) =

1 se n
0 se n ,
ento 1[{A = 1}] = 1[] e:
1[A] = 1 1[{A = 1}] + 0 1[{A = 0}] = 1[]
Logo, o valor esperado de A pode ser entendido como a probabilidade de ocorrncia do evento .
importante observar que os valores assumidos pela varivel podem nunca ser iguais mdia. Por
exemplo, num lanamento de moedas onde A seja denido da seguinte forma:
A(n) =

1 se cara
0 se coroa
o valor esperado ser
1
2
, ainda que os nicos resultados possveis sejam 0 e 1.
importante tambm estabelecer a distino entre valor esperado, valor mais provvel e mediana de
uma varivel aleatria. O valor mais provvel (moda) de uma varivel aleatria o ponto onde a funo
)
(r) mxima. A mediana o ponto r

med
tal que 1[{A r
med
}] = 1
(r
med
) =
1
2
.
Para uma funo q(A) qualquer de uma varivel aleatria, o valor esperado denido como:
1[q(A)] =
Z
+
q(r))
(r)dr
Varincia
Outra importante quantidade utilizada para descrever variveis aleatrias a varincia, \ ar[A], que
mede a disperso da varivel em torno da mdia:
\ ar[A] := 1[(A j)
2
] :=
Z
+
(r j)
2
)
(r)dr := o
2
(2.13)
2.2. VARIVEIS ALEATRIAS 35
Na expresso acima, a constante o chamada de desvio-padro, que vem a ser a raiz quadrada da
varincia:
o =
p
\ ar[A] ou \ ar[A] = o
2
Enquanto a mdia de uma varivel aleatria corresponde ao centro de gravidade da funo de densi-
dades )
(r), a varincia corresponde ao momento de inrcia da massa de probabilidades, e duma idia

da concentrao desta massa em torno do centro de gravidade.
Para variveis discretas, a varincia dada por:
\ ar[A] := 1[(A j)
2
] :=
X
I
(r
I
j)
2
1[{A = r
I
}] =
X
I
(r
I
j)
2
j
I
A seguinte importante relao muito utilizada:
\ ar[A] = 1[A
2
] 1[A]
2
Momentos de ordem k de uma varivel aleatria
A mdia ou valor esperado de uma varivel aleatria o momento de primeira ordem desta varivel. O
momento de ordem / , por denio:
1[A
|
] = j
|
=
Z
+
r
|
)
(r)dr (2.14)
Dentro de certas restries, o conjunto de momentos dene de forma nica a funo de densidades )
(r)
de uma varivel aleatria. Os seguintes casos particulares so importantes:
j
0
= 1 = probabilidade do espao amostral
j
1
= mdia ou valor esperado
j
2
= valor mdio quadrtico ou RMS
Os momentos centrais de ordem / so calculados em relao mdia:
1[(A j)
|
] = :
|
=
Z
+
(r j)
|
)
(r)dr (2.15)
Os seguintes casos particulares so importantes:
:
0
= 1 = probabilidade do espao amostral
:
1
= 0
:
2
= o
2
= varincia
:
3
= fator de forma
Coecientes adimensionais
Coeciente de variao (c.v.):
c.v. =
o
j
Coeciente de simetria:
1
=
:
3
(o)
3
Coeciente de planicidade ou kurtosis:
2
=
:
4
(o)
4
Desigualdade de Tchebyche
Para uma varivel aleatria A qualquer, com mdia j e desvio-padro o, a desigualdade de Tchebyche
estabelece:
1[|A j| c o]
1
c
2
ou seja:
a probabilidade de uma varivel aleatria qualquer diferir de sua mdia por, no mnimo, c
desvios-padro, menor ou igual a
1
c
2
c c + o o
2
1
[ ] P
c
s
c c + o o
2
1
[ ] P
c
s
Mdia e varincia de uma amostra
Seja uma amostra contendo : observaes de uma varivel aleatria A com mdia j e varincia o
2
. A
mdia e a varincia da amostra podem ser determinadas por:
r =
r
1
+r
2
+... +r
n
:
=
1
:
n
X
I=1
r
I
(2.16)
=
(r
1
r)
2
+ (r
2
r)
2
+... + (r
n
r)
2
:
=
1
:
n
X
I=1
(r
I
r)
2
(2.17)
importante observar que, para : observaes da varivel aleatria A, a mdia e a varincia da
amostra, r e , so diferentes da mdia e da varincia de A, j e o
2
. Os estatsticos falam em mdia e
varincia da amostra e mdia e varincia da populao. A populao, que para os estatsticos corresponde
ao universo ou totalidade dos r
I
possveis, para ns a varivel aleatria A.
Nesta seo, ser demostrado que r e so estimadores de j e o
2
. Para isto, importante notar que
a cada nova realizao ou observao da amostra de tamanho :, novos valores r
1
, r
2
, ..., r
n
so obtidos,
alterando tambm os valores de r e . Sendo assim, natural assumir que os valores observados r
I
,
assim como a mdia r e a varincia , sejam variveis aleatrias. Mais ainda, como todos os valores r
I
correspondem a observaes da mesma varivel, assume-se que cada varivel aleatria A
I
tenha a mesma
mdia e varincia da varivel A original, i.e.:
1[A
I
] = j
1[(A
I
j)
2
] = o
2
1
= o
2
, i = 1, 2, ..., :
Ento, pode-se escrever:
1[

A] =
1[A
1
] +1[A
2
] +... +1[A
n
]
:
=
:j
:
= j
Como 1[

A] = j, diz-se que

A um estimador no-tendencioso da mdia da varivel aleatria X.
2.3. MODELOS ANALTICOS DE FENMENOS ALEATRIOS 37
Como as variveis A
I
so independentes, tem-se que:
(o
1+2+...+r
)
2
= o
2
1
+o
2
2
+... +o
2
r
Logo:
o
2
=
1
:
2
(o
2
1
+o
2
2
+... +o
2
r
) =
:o
2
:
2
=
o
2
:
Neste resultado, nota-se que a varincia do estimador

A tende a zero com : .
Utilizando raciocnio similar, pode-se mostrar ainda que (Papoulis, 1965, pg. 246):
1[
\ ] =
: 1
:
o
2
(2.18)
o que mostra que

\ tal como denido na equao (2.17), um estimador tendencioso da varincia de A,
o
2
. Esta tendncia resultado do fato de que o estimador

\ computa a distncia entre os pontos r
I
e a
mdia da amostra, r, e no em relao media populacional j. Como a mdia da amostra calculada
com o mesmo conjunto de pontos r
I
, resulta que a varincia em relao a r menor do que a varincia
em relao a j, e portanto (2.17) sub-estima a varincia como demonstra a equao (2.18).
Multiplicando o estimador da varincia (eq. 2.17) pelo termo
n
n1
, pode-se corrigir a tendenciosidade
do mesmo. Assim, um estimador no-tendencioso da varincia obtido como:
=
1
: 1
n
X
I=1
(r
I
r)
2
(2.19)
A equao (2.19) utilizada ao invs de (2.17).
A expresso (2.19) exige que a mdia amostral seja determinada preliminarmente, e que os pontos
r
I
sejam armazenados para avaliao da varincia. Isto nem sempre conveniente, por exemplo quando
o tamanho da amostra : grande. Uma expresso alternativa, que permite a avaliao da varincia
medida que os resultados r
I
vo sendo obtidos, :
=
:
P
n
I=1
(r
I
)
2
(
P
n
I=1
r
I
)
2
:(: 1)
(2.20)
Exerccio 15 Demonstre que (2.20) igual a (2.19).
2.3 MODELOS ANALTICOS DEFENMENOS ALEATRIOS
2.3.1 Variveis aleatrias discretas
Generalidades
Uma varivel aleatria com domnio formado por um nmero nito ou innito contvel de pontos
amostrais do tipo discreto. Seja : o nmero de pontos amostrais de uma varivel discreta A, que
assume os valores r
I,
i = 1, 2, ..., : tal que:
1[{A = r
I
}] = j
I
, i = 1, 2, ..., :
n
X
I=1
j
I
= 1
A funo de densidade de probabilidades )
(r) pode ser descrita pela funo delta de Dirac (c(r)),

onde um pulso de intensidade j
I
ocorre a cada ponto r
I
:
)
(r) =
X
I
j
I
c(r r
I
) (2.21)
A funo de distribuio cumulativa de probabilidades 1
(r) pode ser escrita como:

1
(r) =
X
r
1
r
j
I
(2.22)
O valor esperado ou mdia dada por:
j =
X
I
r
I
1[{A = r
I
}] =
X
I
r
I
j
I
(2.23)
e a varincia dada por:
o
2
=
X
I
(r
I
j)
2
j
I
(2.24)
Distribuio uniforme discreta l1(a, /, :)
A distribuio uniforme mais simples que existe aquela em que todos os : pontos amostrais que formam
o domnio so equi-provveis. Neste caso, tem-se:
j
I
=
1
:
Se A apresenta distribuio uniforme nos inteiros consecutivos entre a e / (escrevemos A l1(a, /, :)),
para a /, ento:
j =
a +/
2
o
2
=
(/ a + 1)
2
1
12
Experimento de Bernoulli
A realizao de um experimento que possue apenas dois resultados possveis (dois pontos amostrais)
chamado de tentativa de Bernoulli. Os resultados possveis podem ser do tipo sucesso ou falha, cara ou
coroa, zero ou um, preto ou branco, ip ou op, ying ou yang, etc. Em geral, os dois resultados possveis
podem ser a ocorrncia ou no de um evento de interesse. Neste caso, j a probabilidade de ocorrncia
do evento de interesse a cada realizao do experimento e = 1 j a probabilidade de no-ocorrncia.
A grandeza que dene o evento de interesse pode ser contnua, i.e., pode assumir mais do que dois
valores. Ainda assim, obtm-se uma tentativa de Bernoulli ao denir-se um valor limite ou crtico para
a varivel de interesse. Exemplos:
1. cheia de um rio: o evento de interesse a ultrapassagem do nvel da barragem, em um determinado
perodo, os dois resultados possveis so ultrapassagem e no ultrapassagem do nvel;
2. terremoto de determinada intensidade;
3. presena ou no de uma molcula rara em uma amostra;
4. presena ou no de um defeito em um componente;
5. resposta certa ou errada a um teste;
Distribuio Binomial 1(:, j)
A repetio independente de um experimento com apenas dois resultados possveis d origem a uma
seqncia Binomial ou de Bernoulli. Uma seqncia de Bernoulli caracterizada pelas seguintes condies:
1. cada realizao do experimento possui apenas dois resultados possveis: ocorrncia ou no ocorrncia
do evento de interesse;
2. a probabilidade j de ocorrncia do evento de interesse permanece constante nas : repeties;
3. as realizaes so independentes, i.e., o resultado de uma realizao no altera a probabilidade j
da prxima ou de qualquer outra realizao.
Exemplo: se as mximas cheias anuaisde um rio so independentes, e a probabilidade de exceder
determinado nvel permanece constante a cada ano, ento a cheia mxima anual ao longo de uma srie
de anos ser uma sequncia de Bernoulli.
Uma seqencia mista com : observaes de ocorrncias ou no ocorrncias do evento de interesse
obtida em : realizaes independentes do experimento de Bernoulli. Por exemplo:
n = {o, o, :, o, :, :, o, :, o, o, :, :, :}
Como as tentativas so independentes, a probabilidade de que em uma determinada seqncia n apaream
r ocorrncias e : r no ocorrncias :
1[r ocorrncias e : r no ocorrncias ] = j
r
nr
O nmero de possveis sequncias n que resultam em exatamente r ocorrncias (e :r no ocorrncias)
em qualquer ordem igual ao nmero de combinaes de r ocorrncias em : realizaes, ou combinao
de : objetos r a r:

:
r
=
:!
r!(: r)!
Como todas as seqencias n so equiprovveis, obtm-se:
1[{r ocorrncias em : realizaes}] =

:
r
j
r
nr
Uma varivel aleatria A que conta o nmero r de ocorrncias em : realizaes deste experimento
segue uma distribuio Binomial com parmetros : e j (escreve-se A 1(:, j)). A funo de densidade
de probabilidades de A dada por:
1[{A = r}] = 1[{r ocorrncias em : realizaes}] =

:
r
j
r
nr
(2.25)
A funo de distribuio cumulativa de probabilidades dada por:
1[{A r}] =
r
X
|=0
:
/
j
|
n|
(2.26)
O valor esperado e a varincia de A so:
j = :j
o
2
= :j (2.27)
A distribuio Binomial possui a importante propriedade:
1(:
1
, j) +1(:
2
, j) = 1(:
1
+:
2
, j)
Quando mais de um resultado possivel na realizao do evento de Bernoulli, obtm-se uma dis-
tribuio multi-nomial.
Distribuio Geomtrica G(j)
O experimento descrito na seo anterior, que d origem distribuio Binomial, representa seqncias
com um nmero xo de realizaes de Bernoulli independentes. A varivel aleatria A que conta o
nmero (varivel) de tentativas de Bernoulli at a primeira ocorrncia do evento de interesse segue uma
distribuio geomtrica com parmetro j (A G(j)). A funo de de densidade de probabilidades de A
dada por:
1[{A = r}] = j
r1
(2.28)
A funo de distribuio cumulativa de probabilidades dada por:
1[{A r}] =
r
X
|=1
j
|1
(2.29)
O valor esperado de A calculado como:
j =

X
r=1
rj
r1
= j(1 + 2 + 3
2
+...)
Como < 1, a srie entre parenteses converge para
1
2
, de forma que:
j =
1
j
(2.30)
A varincia de A obtida como:
o
2
=

j
2
(2.31)
A contagem do nmero de tentativas at o primeiro sucesso no tem um ponto inicial xo ou deter-
minado. Como as tentativas so independentes, a contagem do nmero de tentativas pode iniciar em
qualquer tentativa, sem mudar a distribuio de probabilidades de A. Esta propriedade da distribuio
geomtrica chamada de propriedade da falta de memria.
Exemplo 16 Exemplo 3.10 (Ang e Tang, 1975, pg.109)
O perodo de retorno - verso discreta
Em problemas envolvendo tempo (ou espao), onde tempo (ou espao) seja descrito de maneira discreta
(em termos de intervalos), o nmero de intervalos at a primeira ocorrncia do evento de interesse
chamado de tempo at a primeira ocorrncia (rst occurence time). Se o evento de interesse ocorre ao
longo destes intervalos como uma seqncia de tentativas independentes de Bernoulli, ento o tempo
at a primeira ocorrncia uma varivel aleatria descrita por uma distribuio geomtrica. Devido
propriedade da falta de memria, este tambm o tempo (aleatrio) entre ocorrncias sucessivas.
Sendo T o nmero de intervalos entre ocorrncias sucessivas (ou at a primeira ocorrncia), o assim
chamado perodo mdio de recorrncia ou perodo mdio de retorno (mean recurrence time ou average
return period) dado pelo valor esperado:
j
T
=
1
j
importante observar que j
T
o tempo mdio de retorno do evento de interesse, enquanto que T
o tempo aleatrio (em nmero de intervalos) entre ocorrncias.
A probabilidade de no ocorrncia do evento de interesse durante o tempo mdio de retorno :
1[{no-ocorrncia em j
T
intervalos}] = (1 j)
J
(2.32)
Para eventos raros (com pequena probabilidae de ocorrncia j ou grande perodo mdio de retorno j
T
),
a expanso do binmio em (2.32) resulta em:
1[{no-ocorrncia em j
T
intervalos}] = exp(jj
T
)
= exp(1) = 0.368
Portanto, a probabilidade de ocorrncia do evento de interesse dentro do perodo de retorno :
1[{ocorrncia em j
T
intervalos}] = 1 0.368
= 0.632 (para j
T
grande ou j
T
10 intervalos)
A verso contnua da distribuio geomtrica a distribuio exponencial, que ser estudada adiante.
A distribuio exponencial d origem verso contnua do perodo de retorno, que tambm descrito
adiante.
Exemplo 17 Exemplo 3.12 (Ang e Tang, 1975, pg.111)
Processo de Poisson e distribuio de Poisson 1(`)
Quando uma seqncia de Bernoulli ocorre ao longo de um contnuo (tempo ou espao), com intervalos
(de tempo ou de espao) tendendo a zero, nmero de tentativas de Bernoulli tendendo a innito e
probabilidade de ocorrncia do evento de interesse em cada tentativa tendendo a zero, origina-se um
processo chamado de processo de Poisson. Neste processo, o evento de interesse pode ocorrer a qualquer
instante no tempo ou qualquer ponto no espao, e mais de uma ocorrncia pode acontecer em qualquer
intervalo de tempo (ou espao). A varivel aleatria que conta o nmero de ocorrncias do evento de
interesse em um determinado intervalo de tempo segue uma distribuio de Poisson.
Exemplos de processos de Poisson so:
1. ocorrncia de um terremoto a qualquer momento e em qualquer local em uma zona sujeita a abalos
ssmicos;
2. ocorrncia de um defeito ao longo de um produto trelado de ao ou em um tecido;
3. ocorrncia de uma trinca ao longo de um cordo de solda;
4. ocorrncia de um acidente a qualquer momento em uma estrada.
Formalmente, o processo de Poisson est baseado nas seguintes premissas:
1. um evento de interesse pode ocorrer aleatriamente a qualquer instante no tempo e/ou em qualquer
ponto no espao;
2. a ocorrncia de um evento em determinado intervalo (de tempo ou espao) independente da
ocorrncia em qualquer outro intervalo no coincidente;
3. a probabilidade de ocorrncia do evento em um pequeno intervalo t pequena e proporcional
a t, pode ser calculada por t (onde a taxa mdia de ocorrncias), e a probabilidade de
ocorrncia de dois ou mais eventos no pequeno intervalo t negligvel.
fcil perceber que estas premissas so conseqncia natural da convergncia da seqncia de
Bernoulli em um processo de Poisson.
Com : e j 0 em uma seqncia de Bernoulli,o nmero mdio de ocorrncias em um intervalo
de tempo de tamanho t dado por ` = :j, uma constante maior do que zero que caracteriza o processo de
Poisson. Dividindo-se este nmero pelo tamanho do intervalo t, obtm-se a taxa mdia de ocorrncias
(no tempo ou espao) do evento de interesse:
=
`
t
ou ` = t = :j
Pode-se mostrar (Ang e Tang, 1975, pg.116) que no limite com : a probabilidade 1[{A = r}]
na equao (2.25) tende a:
1[{A = r}] = 1[{r ocorrncias em t}] =
(t)
r
r!
exp[t] (2.33)
Esta vem a ser a funo de densidade de probabilidades da varivel aleatria A que descreve o nmero
de ocorrncias do evento de interesse no intervalo de tamanho t. A funo de distribuio cumulativa de
probabilidades dada por:
1[{A r}] =
r
X
|=0
(t)
|
/!
exp[t] (2.34)
O valor esperado e a varncia de A so:
j = t
o
2
= t (2.35)
Na prtica, a relao :j = t = `, que d origem distribuio de Poisson satisfeita, por exemplo,
com : = 50 para j < 0.1 ou com : = 100 para j < 0.05. A distribuio de Poisson possue a importante
propriedade, herdada da distribuio Binomial:
1(`
1
) +1(`
2
) = 1(`
1
+`
2
)
A varivel aleatria que descreve o tempo entre ocorrncias sucessivas em um processo de Poisson
segue uma distribuio exponencial, que apresentada na seo (2.3.2).
2.3.2 Variveis aleatrias contnuas
Generalidades
Uma varivel aleatria com domnio formado por um nmero innito e incontvel de pontos amostrais
do tipo contnuo. Seja )
(r) a funo de densidades de probabilidades de uma varivel aleatria contnua

A. A funo de probabilidades acumuladas :
1
(r) =
Z
r
(n)dn
O valor esperado e a varincia so calculados por:
j =
Z
+
r)
(r)dr
o
2
=
Z
+
(r j)
2
)
(r)dr
Distribuio causal
A distribuio causal no propriamente uma distribuio estatstica. Ela utilizada para representar,
na forma de uma varivel aleatria, um valor determinstico. As funes de probabilidade podem ser
escritas como:
)
(r) = c(r
0
); r
1
(r) = H(r
0
); r
onde c(r
0
) a funo delta de Dirac e H(r
0
) a funo de Heavyside.
Os momentos da varivel causal so j = r
0
e o = 0. O nico parmetro valor determinstico r
0
.
Distribuio uniforme l(a, /)
A distribuio uniforme descreve eventos que so equi-provveis entre dois limites a e /. As funes de
probabilidade so:
)
(r) =
1
/ a
; a r /
1
(r) =
r a
/ a
; a r /
Os momentos so:
j =
a +/
2
o
2
=
(/ a)
2
12
Parmetros:
a = j
3o
/ = j +
3o
Distribuio normal (j, o)
A varivel aleatria normal talvez a mais conhecida e a mais utilizada. tambm uma das distribuies
mais simples, pois os nicos dois parmetros so os prprios momentos, mdia e desvio-padro .
A funo de densidades de probabilidade :
)
(r) =
1
o
2
exp
"
1
2
r j
o
2
#
r (2.36)
A funo de distribuio cumulativa de probabilidades :
1
(r) =
Z
r
1
o
2
exp
"
1
2
. j
o
2
#
d. r (2.37)
Infelizmente, esta integral no possui soluo analtica. Em geral, ela resolvida numricamente, e
os resultados utilizados para construir tabelas de referncia ou aproximaes polinmicas para 1
(r).
Tais resultados so apresentados em termos de uma distribuio normal com mdia nula e desvio-padro
unitrio, chamada de distribuio normal padro. Qualquer varivel aleatria com distribuio normal
A (j, o) pode ser transformada em uma varivel normal padro 1 fazendo:
1 =
A j
o
Para a varivel normal padro 1 , as funes de probabilidades so :
)
Y
(j) = c(j) =
1
2
exp
j
2
2
j (2.38)
1
Y
(j) =
Z

c(.)d. j (2.39)
Uma tabela com valores da funo (j) apresentada no apndice 9.8. Na seo 2.9.2 so apresentadas
aproximaes polinmicas para a funo (j) e sua inversa
Para a varivel aleatria A (j, o), a distribuio cumulativa de probabilidades 1
(r) determi-
nada a partir de (j):
1
(r) =
r j
o
Distribuio log-normal 1(`, )

Se uma varivel 1 tem distribuio normal, ento a varivel A = exp[1 ] tem distribuio log-normal
(A 1(`, )). As funes de probabilidade so:
)
(r) =
1
r
2
exp
"
1
2
ln(r) `
2
#
0 r
1
(r) =
ln(r) `
0 r
Os momentos de uma varivel log-normal so:
j = exp[` + 0.5
2
]
o = j
q
exp[
2
] 1
e os parmetros so calculados a partir dos momentos por:

` = ln(j) 0.5
2
=
p
ln(1 + (o,j)
2
) (2.40)
268.3%
495.5%
699.7%
4 3 2 1 0 1 2 3 4
0.
0.1
0.2
0.3
0.4
0.5
Figura 2-2: Probabilidades associadas aos diferentes intervalos de conana, distribuio Normal.
Os parmetros da distribuio normal equivalente so:
j
ntj
= r(1 ln(r) +`)
o
ntj
= r
Distribuio exponencial 1A1()
Quando um evento ocorre ao longo do tempo segundo um processo de Poisson, o tempo (aleatrio) at
a primeira ocorrncia T
1
segue uma distribuio exponencial. O evento {T
1
t} representa nenhuma
ocorrncia no intervalo de tamanho t. Logo, da equao (2.33) obtm-se:
1[{T
1
t}] = 1[{A = 0}] = exp(t)
Sendo assim, a funo de distribuio cumulativa de probabilidades de T
1
dada por:
1
T
1
(t) = 1[{T
1
t}] = 1 exp[t], t 0 (2.41)
Derivando em relao a t, obtm-se a funo de densidades:
)
T
(t) =
d1
T1
(t)
dt
= exp[t], t 0 (2.42)
A distribuio exponencial possue um nico parmetro, que a taxa mdia (no tempo ou espao) de
ocorrncia de eventos, . Quando esta taxa cosntante no tempo, os momentos estatsticos so:
j
T1
=
1
o
T1
=
1
(2.43)
A distribuio exponencial a anloga contnua da distribuio geomtrica. Devido falta de memria
do processo de Poisson, o tempo at a primeira ocorrncia tambm igual ao tempo entre ocorrncias ou
perodo de retorno, anlogo contnuo ao tempo de retorno discreto descrito na pgina (40). Assim, j
T1
vem a ser o perodo mdio de retorno para eventos que ocorrem ao longo de um contnuo. Note como
j
T
1
=
1
u
se compara com
1
na seqncia de Bernoulli.
Exemplo 18 Exemplo 3.18 de (Ang e Tang, 1975, pg. 121)
Distribuio exponencial deslocada 1A1(, -)
O processo de Poisson que d origem distribuio exponencial na seo anterior tem seu incio no
instante t = 0. Uma situao mais geral aquela de um processo que inicia no instante t = -. A varivel
aleatoria resultante, que descreve o tempo at a primeira ou entre ocorrncias a partir do instante -,
segue uma distribuio exponencial deslocada. Se A 1A1(, -), ento as funes de probabilidade
so:
)
(r) = exp[ (r -)], - r

1
(r) = 1 exp[ (r -)], - r

Os momentos da distribuio exponencial deslocada cam:
j =
1
+-
o =
1
e os parmetros podem ser calculados a partir dos momentos por:

=
1
o
- = j o
Distribuio Rayleigh deslocada RAY(j, -)
Funes de probabilidade:
)
(r) =
(r -)
j
2
exp
"
1
2
r -
j
2
#
; - r
1
(r) = 1 exp
"
1
2
r -
j
2
#
; - r
Momentos:
j = j
r
2
+-
o = j
r
2

2
Parmetros:
j =
o
p
2
t
2
- = j j
r
2
Distribuio logstica LOG(j, o)
)
(r) =
exp
h
t
3
(r)
c
i
1 + exp
h
t
3
(r)
c
i
2
; r
1
(r) =
1
1 + exp
h
3
(r)
c
i; r
Os parmetros e momentos so j e o.
2.3.3 Variveis aleatrias do tipo misto
Uma varivel aleatria do tipo misto (tambm chamada de clipada) 1 obtida a partir de uma varivel
aleatria contnua 7, estritamente positiva, denindo-se:
j = 1[{1 = 0}]
= 1[{1 0}]
conforme a gura (2-3). As funes de distribuio de probabilidades de 1 so obtidas a partir das
distribuies de 7:
1
Y
(j) = jH(0) +1
2
(j)
)
Y
(j) = jc(0) + )
2
(j)
onde c(j) a funo delta de Dirac e H(j) a funo degrau.
0 1 2 3
0.
0.5
1.
x
f
X
0 1 2 3
0.
0.5
1.
x
F
X
p
q
p
( )
Y
f y
( )
Z
f y
( )
Y
F y
( )
Z
F y
Figura 2-3: PDF e CDF de varivel aleatria clipada com j = 0.2 e = 0.8.
2.4 DISTRIBUIO CONJUNTA DE PROBABILIDADES
Na seo anterior, consideramos problemas envolvendo variveis aleatrias individuais, isoladas. Nesta
seo, estudadas as caractersticas e propriedades de conjuntos de variveis aleatrias.
2.4.1 Funo conjunta de distribuio cumulativa de probabilidades
Sejam duas variveis aleatrias A e 1. Os conjuntos {A r} e {1 j} formam eventos cujas probabil-
idades so dadas por:
1[{A r}] = 1
(r)
1[{1 j}] = 1
Y
(j)
onde 1
(r) e 1
Y
(j) so as funes de distribuio cumulativa de probabilidades das variveis A e 1.
O produto destes dois conjuntos forma um evento:
{A r}{1 j} = {A r, 1 j}
A probabilidade deste evento, que funo de r e j, chamada de funo conjunta de distribuio
cumulativa de probabilidades:
1
Y
(r, j) = 1[{A r, 1 j}] (2.44)
Neste contexto, e para evidenciar a diferena entre estas funes, as distribuies 1
(r) e 1
Y
(j) so
chamadas de distribuies marginais de probabilidades. Em geral, a distribuio 1
Y
(r, j) no pode ser
determinada a partir das distribuies marginais 1
(r) e 1
Y
(j). Isto ocorre porque a funo 1
Y
(r, j)
estabelece caractersticas de comportamento conjunto das variveis A e 1, que no esto presentes nas
funes 1
(r) e 1
Y
(j). Por exemplo, a probabilidade descrita na equao (2.44) muda se as variveis A e
1 forem dependentes ou independentes. Ainda assim, pode-se fazer algumas observaes sobre 1
Y
(r, j),
2.4. DISTRIBUIO CONJUNTA DE PROBABILIDADES 47
conforme segue. Como {j } um evento certo, tem-se que:
{A r, 1 } = {A r}
{A , 1 j} = {1 j}
Portanto, a seguinte relao entre distribuies conjuntas e marginais pode ser feita:
1
Y
(r, ) = 1
(r)
1
Y
(, j) = 1
Y
(j)
Mais ainda, como {A , 1 } um evento certo, tem-se que:
1
Y
(, ) = 1
e, de maneira equivalente:
1
Y
(, ) = 0
2.4.2 Funo conjunta de densidades de probabilidades
Se a funo 1
Y
(r, j) possui derivadas parciais at segunda ordem, ento a funo:
)
Y
(r, j) =
0
2
1
Y
(r, j)
0r0j
a funo conjunta de densidades de probabilidades das varivel aleatria A e 1. Por analogia a equao
(2.11), pode-se escrever tambm:
)
Y
(r, j) = lim
r0
0
1[{r A r +r, j 1 j +j}]
rj
e:
)
Y
(r, j) 0 para todo (r, j) R
2
Para elementos diferenciais dr e dj, pode-se escrever ainda que:
)
Y
(r, j)drdj = 1[{r A r +dr, j 1 j +dj}] (2.45)
As funes conjuntas de densidade e de distribuio cumulativa de probabilidades para duas variveis
A e 1 so ilustradas na gura (2-4).
2.4.3 Contedo de probabilidade para um domnio qualquer
Seja 1 uma regio do plano rj formada por somas e/ou produtos de intervalos (eventos) denidos nas
variveis r e j. O evento {(r, j) 1} corresponde a todas as realizaes n tais que o ponto de coordenadas
r(n), j(n) est dentro da regio 1. O evento {(r, j) 1} pode ser escrito como o limite de uma soma
de eventos mutuamente exclusivos da forma:
{r A r +dr, j 1 j +dj}
tal que:
1[{(r, j) 1}] =
ZZ
1
)
Y
(r, j)drdj (2.46)
Esta quantidade tambm pode ser interpretada como a massa de probabilidades na regio 1.
2.4.4 Funes marginais de probabilidades
Com a formulao apresentada acima, a funo marginal de distribuio cumulativa de probabilidades
da varivel A pode ser escrita como:
1
(r) = 1
Y
(r, ) =
Z
+
Z
r
)
Y
(n, )dnd (2.47)
De maneira semelhante, tem-se:
1
Y
(j) = 1
Y
(, j) =
Z

Z
+
)
Y
(n, )dnd (2.48)
Derivando-se (2.47) em relao a r e (2.48) em relao a j, obtm-se a relao entre as densidades de
probabilidades conjuntas e marginais:
)
(r) =
Z
+
)
Y
(r, j)dj (2.49)
)
Y
(j) =
Z
+
)
Y
(r, j)dr (2.50)
As funes marginais de densidade de probabilidades para duas variveis A e 1 so ilustradas na
gura (2-4).
2.4.5 Funes condicionais de probabilidades
Seja a condio {A = r} tal que )
(r) 6= 0. A distribuio condicional de 1, dado que {A = r}, dada

pelo limite:
1
Y
(j|A = r) = lim
r0
1
Y
(j|r A r +r)
= lim
r0
1
Y
(r +r, j) 1
Y
(r, j)
1
(r +r) 1
(r)
=
JJ
`
(r,)
Jr
JJ(r)
Jr
Portanto:
1
Y
(j|A = r) =
R
)
Y
(r, )d
)
(r)
=
R
)
Y
(r, )d
R
+
)
Y
(r, j)dj
(2.51)
Derivando em relao a 1 obtm-se:
)
Y
(j|A = r) =
)
Y
(r, j)
)
(r)
=
)
Y
(r, j)
R
+
)
Y
(r, j)dj
(2.52)
Este resultado pode ser generalizado para a condio {1 = j}, resultando:
)
(r|1 = j) =
)
Y
(r, j)
)
Y
(j)
=
)
Y
(r, j)
R
+
)
Y
(r, j)dr
(2.53)
Note a semelhana destas expresses com a equao (2.4). As funes condicionais de densidade de
probabilidades para duas variveis A e 1 so ilustradas na gura (2-4).
Exemplo 19 Distribuies conjuntas, marginais e condicionais de duas variveis aleatrias discretas
( , )
XY
f x y
( )
X
f x ( )
Y
f y
( , )
XY
f x y
( )
X
f x ( )
Y
f y
Figura 2-4: Densidade conjunta de 2 variveis aleatrias.
2.4.6 Teorema da probabilidade total (verso contnua)
Reunindo resultados anteriores, tem-se das equaes (2.50) e (2.52) que:
)
Y
(j) =
Z
+
)
Y
(r, j)dr
)
Y
(r, j) = )
Y
(j|A = r))
(r)
Combinando as duas equaes, segue que:
)
Y
(j) =
Z
+
)
Y
(j|A = r))
(r)dr (2.54)
Este resultado mostra que, para eliminar a condio {A = r}, basta multiplicar pela funo )
(r) e
integrar em r.
Combinando agora as equaes (2.52) e (2.53), obtm-se uma verso contnua para o Teorema de
Bayes:
)
Y
(j|A = r) =
)
(r|1 = j))
Y
(j)
)
(r)
Compare este resultado com a equao (2.6).
2.4.7 Variveis aleatrias independentes
Denio 20 Duas variveis aleatrias A e 1 so ditas independentes se os eventos {A r} e {1 j}
so independentes para qualquer (r, j) R
2
, de forma que:
1[{A r, 1 j}] = 1[{A r}]1[{1 j}] (2.55)
Como conseqncia, tem-se que:
1
Y
(r, j) = 1
(r)1
Y
(j)
)
Y
(r, j) = )
(r))
Y
(j)
)
Y
(j|A = r) = )
Y
(j)
)
(r|1 = j) = )
(r) (2.56)
2.4.8 Covarincia
Quando duas ou mais variveis esto denidas no mesmo espao de probabilidades, importante descrever
como elas variam conjuntamente. Uma medida linear da relao entre duas variveis aleatrias a
covarincia, denida como:
Co[A, 1 ] = 1[(A j
)(1 j
Y
)] (2.57)
Este resultado tambm pode ser dado por:
Co[A, 1 ] = 1[(A j
)(1 j
Y
)]
=
Z
+
Z
+
(r j
)(j j
Y
))
Y
(r, j)drdj
=
Z
+
Z
+
(rj jj
rj
Y
+j
j
Y
))
Y
(r, j)drdj
Z
+
Z
+
rj)
Y
(r, j)drdj j
Y
j
j
Y
+j
j
Y
= 1[A1 ] j
j
Y
(2.58)
Note ainda que a covarincia de uma v.a. com ela mesma corresponde varincia desta varivel:
Co[A, A] = 1[(A j
)
2
] = \ ar[A]
Uma medida adimensional da covarincia entre duas v.a.s dada pelo coeciente de correlao:
j
Y
=
Co[A, 1 ]
o
o
Y
(2.59)
Este coeciente adimensional varia entre os valores:
1 j
Y
1
O valor j
Y
= 1 implica correlao positiva e perfeita. O valor j
Y
= 1 implica correlao negativa
e perfeita.
A gura (2-5) ilustra diferentes possibilidades de covarincia entre v.a.s, representadas pelo coeciente
de correlao. Observe que a covarincia implica dependncia entre duas v.a.s, mas covarincia nula no
implica em independncia, conforme ilustrado na gura. Covarincia um caso especial de dependncia
linear, sendo outras formas de dependncia tambm possveis.
Exemplo 21 Seja 1 = q(A). Existe uma relao funcional de dependncia entre as variveis A e 1.
No entanto, se a funo q(.) for altamente no linear, ento a covarincia de A e 1 nula!
2.4.9 *Momentos conjuntos de ordem arbitrria de duas v.a.
Os momentos conjuntos de ordem arbitrria de duas variveis aleatrias A e 1 so denidos como:
j
|n
= 1[A
|
1
n
]
=
Z
+
Z
+
r
|
j
n
)
Y
(r, j)drdj
X
Y
0<<1
X
Y
0<<1
X
Y
1
X
Y
=0
X
Y
=0
X
Y
=0
X
Y
0<<1
X
Y
0<<1
X
Y
0<<1
Figura 2-5: Exemplos de covarincia (dependncia linear) entre duas variveis aleatrias.
A soma / + : corresponde ordem do momento conjunto. Os momentos de segunda ordem j
20
e j
02
correspondem ao segundo momento das variveis A e 1, respectivamente. O momento de segunda ordem
j
11
de particular importncia:
j
11
= 1[A1 ] =
Z
+
Z
+
rj)
Y
(r, j)drdj
pois est relacionado com a covarincia (equao 2.58):
1[A1 ] = Co[A, 1 ] +j
j
Y
Os momentos centrais de ordem arbitrria so denidos como:
:
|n
= 1[(A j
)
|
(1 j
Y
)
n
]
=
Z
+
Z
+
(r j
)
|
(j j
Y
)
n
)
Y
(r, j)drdj
Os momentos centrais de segunda ordem :
20
e :
02
correspondem s varincias de A e 1, respectivamente.
O momento central de segunda ordem :
11
corresponde covarincia como pode ser observado na equao
(2.57).
2.4.10 Problemas envolvendo muitas variveis aleatrias
At este ponto nesta seo consideramos as distribuies de probabilidades conjuntas e outras pro-
priedades para pares de variveis aleatrias. Nos problemas de engenharia, as variveis aleatrias
apareem em grupos muito maiores. Nesta seo, apresentamos a notao utilizada para lidar com
problemas envolvendo muitas variveis aleatrias. Colocando de maneira simples, a determinao de
estatsticas em problemas envolvendo muitas variveis aleatrias o objetivo principal da anlise de con-
abilidade estrutural. Sendo assim, resultados n so apresentados nesta seo, mas nos captulos que
seguem.
Um conjunto de variveis aleatrias {A
1
, A
2
, ..., A
n
} sempre pode ser representado por um vetor.
Neste livro, denotaremos vetores com negrito, de forma que X ser um vetor de variveis aleatrias.
Uma realizao deste vetor corresponde a uma realizao de cada uma das variveis aleatrias que o
compe, o que ser representada pelo evento {X = x}. A funo conjunta de distribuio cumulativa de
probabilidades ca:
1
X
(x) = 1[{X x}] = 1[{A
1
r
1
, A
2
r
2
, ..., A
n
r
n
}]
A funo densidade de probabilidades conjunta ser representada por:
)
X
(x) = )
12...r
(r
1
, r
2
, ..., r
n
)
2.5 FUNES DE UMA VARIVEL ALEATRIA
Na resoluo de problemas envolvendo variveis aleatrias, freqentemente encontramos relaes fun-
cionais envolvendo estas variveis, por exemplo a simples relao 1 = q(A). Claramente, 1 uma
varivel aleatria que depende funcionalmente de A. Tanto o domnio de 1 como suas funes de proba-
bilidades so denidos pela varivel aleatria independente A e pela funo q(.). Nesta seo, estudamos
como estabelecer as estatsticas de uma varivel aleatria dependente 1 .
2.5. FUNES DE UMA VARIVEL ALEATRIA 53
2.5.1 Conceito de funo de uma varivel aleatria
Seja uma varivel aleatria real A(n). A cada ponto amostral n atribudo um nmero real r. O domnio
da v.a. A o espao amostral e sua imagem um conjunto 1
de nmeros reais.
Seja uma funo real q(r) denida pelo menos para cada r 1
. A funo 1 = q(A) denida para

cada realizao n como:
1 (n) = q(A(n))
Logo, o domnio de q(A) o espao amostral , e a imagem de q(r) (outro) conjunto de nmeros reais
(1
Y
), conforme ilustrado na gura (2-6).
i
w
O
i
x
i
y
( )
X
I
( ) g x
( ( )) g X w
( )
Y
I
( ) X w
i
w
O
i
x
i
y
( )
X
I
( ) g x
( ( )) g X w
( )
Y
I
( ) X w
Figura 2-6: Funo de uma varivel aleatria.
2.5.2 Determinao da funo de distribuio de = ()
Seja agora 1
Y
o conjunto dos nmeros reais r tais que q(r) j :
r 1
Y
se e somente se q(r) j
Logo, o evento {1 j} igual ao evento {A 1
Y
} e:
1
Y
(j) = 1[{1 j}] = 1[{A 1
Y
}]
Logo, para determinar-se 1
Y
(j) para um valor j dado deve-se encontrar o conjunto 1
Y
e a probabilidade
do evento {A 1
Y
}.
Exemplo 22 Seja 1 = aA +/, a 0. Neste caso, temos que ar +/ j para r
b
o
, portanto 1
Y
o
conjunto 1
Y
= (,
b
o
). Logo:
1
Y
(j) = 1[{1 j}] = 1[{A
j /
a
}] = 1
j /
a
ou:
1
Y
(j) = 1
j /
a
Funo monotonicamente crescente ou decrescente

Se 1 = q(A) uma funo monotonicamente crescente ou monotonicamente decrescente, o conjunto 1
Y

simplesmente conexo e a funo de distribuio de probabilidades )
Y
(j) pode ser facilmente determinada.
Nota-se na gura que as probabilidades:
)
(r)dr = 1[{r A r +dr}]

)
Y
(j)dj = 1[{j 1 j +dj}]
so iguais, o que permite escrever:
)
(r)dr = )
Y
(j)dj
ou:
)
Y
(j) = )
(r)
dr
dj
=
)
(r)
q
0
(r)
sendo
J
Jr
= q
0
(r). Se a funo q(A) monotonicamente decrescente, ento
J
Jr
< 0, e portanto deve-se
escrever:
)
Y
(j) = )
(r)
dr
dj
=
)
(r)
q
0
(r)
Estes dois resultados podem ser agrupados em um, escrevendo:
)
Y
(j) = )
(r)
dr
dj
=
)
(r)
|q
0
(r)|
(2.60)
Generalizao para nmero nito de razes
O resultado acima pode ser generalizado para funes no-monotnicas com nmero nito de razes,
sendo necessrio para isto resolver a equao 1 = q(A) para A. Sejam r
1
, r
2
, ..., r
n
razes reais, tal que
j = q(r
1
) = q(r
2
) = ... = q(r
n
). Ento, generalizando o resultado expresso na equao (2.60):
)
Y
(j) =
)
(r
1
)
|q
0
(r
1
)|
+
)
(r
2
)
|q
0
(r
2
)|
+... +
)
(r
n
)
|q
0
(r
n
)|
sendo:
q
0
(r) =
dq(r)
dr
Exemplo 23 Seja 1 = aA +/, a 0. Resolvendo para r temos r =
b
o
. Com q
0
(r) = a obtm-se:
)
Y
(j) =
1
a
)
j /
a
Compare este resultado com o resultado do exemplo (22), e note que poderia ser obtido diretamente
derivando em relao a j.
Exemplo 24 Seja 1 = aA
2
, a 0. As razes so: r
1
= +
p
o
e r
2
=
p
o
. As derivadas so:
q
0
(r
1
) = 2ar
1
= 2
aj e q
0
(r
2
) = 2ar
2
= 2
aj. Para j < 0 no h soluo, logo )

Y
(j) = 0 para j < 0.
Portanto, a soluo resulta:
)
Y
(j) =
1
2
aj
+
r
j
a
+)
r
j
a
para j 0
= 0 para j < 0
Exemplo 25 Transformao de Hasofer e Lind: Seja A uma v.a. com distribuio normal e parmetros
A (j, o) e distribuio dada pela equao (2.36). Para a funo 1 = q(A) =

c
, queremos
2.5. FUNES DE UMA VARIVEL ALEATRIA 55
determinar a distribuio )
Y
(j).
Resolvendo para r obtemos r = oj +j e:
q
0
(r) =
dj
dr
=
1
o
Utilizando as equaes (2.36 e 2.60), obtemos:
)
Y
(j) =
)
(r)
|q
0
(r)|
=
1
2
|o|
o
exp
"
1
2
oj +j j
o
2
#
)
Y
(j) =
1
2
exp
j
2
2
Esta uma distribuio normal com mdia nula e desvio-padro unitrio, conforme argumentado na
seo (2.3.2).
Exemplo 26 Relao normal - lognormal: Seja A uma v.a. log-normal com parmetros A 1(`, ).
Queremos determinar a distribuio de probabilidades de 1 = ln[A]. Primeiramente, obtemos:
r = exp[j]
dr
dj
=
1
q
0
(r)
= exp[j]
A partir de:
)
(r) =
1
r
2
exp
"
1
2
ln(r) `
2
#
e da equao (2.60), obtemos:
)
Y
(j) =
exp[ln[r]]
r
2
exp
"
1
2
j `
2
#
=
1
2
exp
"
1
2
j `
2
#
o que representa uma distribuio normal com media ` e desvio-padro . Deste resultado, resulta tambm
que:
1[1 ] = 1[ln[A]] = `
\ ar[1 ] = \ ar[ln[A]] =
2
2.5.3 Momentos de uma funo de uma varivel aleatria
Nem sempre fcil ou mesmo possvel determinarmos as funes de probabilidades de uma funo de
uma varivel aleatria. Ainda assim, muitas vezes pode ser til determinarmos pelo menos os momentos
desta funo.
Seja a funo 1 = q(A). Como 1 depende funcionalmente de A, o valor esperado e a varincia da
v.a. 1 so obtidos como:
1[1 ] =
Z
+
j)
Y
(j)dj =
Z
+
q(r))
(r)dr (2.61)
\ ar[1 ] = 1[(1 1[1 ])
2
] =
Z
+
(q(r) 1[1 ])
2
)
(r)dr (2.62)
Quando a funo de densidades de probabilidades da varivel A conhecida, pode-se usar as expresses
(2.61 e 2.62) para determinar os momentos de q(A), No entanto, este nem sempre o caso. Muitas vezes
nos encontramos em uma situao em que queremos determinar os momentos de q(A) conhecidos apenas
os momentos da varivel A. Nestas situaes, aproximaes para os momentos de q(A) podem ser obtidos
a partir de uma expanso em srie de Taylor da funo 1 = q(A) em torno do ponto mdio j
:
q(A) q(j
) +q
0
(j
)(A j
) +
q
00
(j
)(A j
)
2
2
+... (2.63)
Aproximao de primeira ordem:
Mantendo apenas o termo de primeira ordem e aplicando o operador valor esperado obtm-se:
1[1 ] 1[q(j
)] +q
0
(j
)1[(A j
)]
= q(j
) (2.64)
Aplicando o operador varincia obtm-se:
\ ar[1 ] 1[q(A)
2
] 1
2
[q(A)]
= 1[(q(j
) +q
0
(j
)(A j
))
2
] q(j
)
2
= 1[q(j
)
2
+ 2q(j
)q
0
(j
)(A j
) +q
0
(j
)
2
(A j
)
2
] q(j
)
2
= 1[(A j
)
2
]q
0
(j
)
2
= \ ar[A]q
0
(j
)
2
= \ ar[A]
dq(r)
dr
!
2
(2.65)
Aproximao de segunda ordem:
Considerando agora mais um termo (o termo de segunda ordem) na expanso (2.63) e aplicando o operador
valor esperado:
1[1 ] 1[q(j
)] +1[q
0
(j
)(A j
)] +1[
q
00
(j
)(A j
)
2
2
]
= q(j
) +
\ ar[A]
2
q
00
(j
)
= q(j
) +
\ ar[A]
2
d
2
q(r)
dr
2
(2.66)
Pode-se mostrar que a varincia da aproximao de segunda ordem utilizando a equao (2.63) resulta:
\ ar[1 ] \ ar[A]
dq(r)
dr
!
2
\ ar[A]
2
4
d
2
q(r)
dr
2
!
2
+1[(A j
)
3
]
dq(r)
dr
d
2
q(r)
dr
2
+1[(A j
)
4
]
d
2
q(r)
dr
2
!
2
(2.67)
Portanto, a aproximao de segunda ordem da varincia de 1 envolve a avaliao de momentos de
terceira e quarta ordem das variveis A
I
. Estes momentos raramente so conhecidos. Sendo assim,
comum trabalhar-se com estimativa de segunda ordem para a mdia (eq. 2.66) e com estimativa de
primeira ordem para a varincia (eq. 2.65).
2.6. FUNES DE DUAS OU MAIS VARIVEIS ALEATRIAS 57
2.6 FUNES DEDUAS OUMAIS VARIVEIS ALEATRIAS
2.6.1 Determinao da funo de distribuio
Sejam as variveis aleatrias A e 1, e uma funo q(r, j) nas variveis reais r e j. Dentro de certas
restries, 7 = q(A, 1 ) ser tambm uma varivel aleatria. Denotando por 1
2
a regio do plano rj
tal que q(r, j) ., o evento {7 .} pode ser escrito como {7 .} = {(r, j) 1
2
}. Portanto, para
determinar a funo de distribuio cumulativa de probabilidades de 7, basta determinar a massa de
probabilidades na regio 1
2
:
1
2
(.) = 1[{(r, j) 1
2
}]
=
ZZ
1
.
)
Y
(r, j)drdj (2.68)
A densidade )
2
(.) pode ser determinada derivando a funo 1
2
(.). Para tanto, convm escrever r =
q
1
(., j). A equao (2.68) ca:
1
2
(.) =
Z

Z

1
(:,)
)
Y
(r, j)drdj
Mudando a varivel de integrao de r para ., este resultado ca:
1
2
(.) =
Z

Z
:
)
Y
(q
1
, j)
0q
1
0.
d.dj
Derivando em relao a . :
)
2
(.) =
Z

)
Y
(q
1
, j)
0q
1
0.
dj (2.69)
Um resultado semelhante pode ser obtido em termos da varivel r, integrando-se primeiro em relao
a j. Para tanto, escrevemos j = q
1
(r, .). Em procedimento anlogo, obtemos:
)
2
(.) =
Z

)
Y
(r, q
1
)
0q
1
0.
dr (2.70)
Alternativamente, pode-se determinar )
2
(.) encontrando a regio 01
2
no plano rj tal que .
q(r, j) . +d.:
)
2
(.)d. = 1[{. 7 . +d.}]
=
ZZ
J1
.
)
Y
(r, j)drdj
Exemplo 27 Soma de duas v.a.s contnuas: Seja a soma 7 = aA +/1, onde a e / so duas constantes.
Escrevendo j = q
1
(r, .) =
:or
b
, obtemos
J
1
J2
=
1
b
. Da equao (2.70) resulta:
)
2
(.) =
Z

1
/
)
Y
(r,
. ar
/
)dr
2.6.2 Soma de duas variveis aleatrias
Seja a funo soma de duas v.a.s:
7 = A +1
Da equao (2.70) obtemos:
)
2
(.) =
Z

)
Y
(r, . r)dr (2.71)
Para a soma de duas v.a.s independentes, podemos escrever ainda:
)
2
(.) =
Z

(r))
Y
(. r)dr (2.72)
Estes resultados se aplicam a soma de v.a.s contnuas discretas, desde que substituda a integral pelo
somatrio correspondente.
Teorema 28 Soma de duas v.a.s independentes: se as variveis aleatrias A e 1 so independentes,
ento a funo de densidade de probabilidades da soma 7 = A +1 dada pela convoluo:
)
2
(.) =
Z
+
(. j))
Y
(j)dj =
Z
+
(r))
Y
(. r)dr
Exemplo 29 Soma de processos de Poisson independentes: considere as v.a.s A e 1 com distribuio
de Poisson e parmetros e j. Seja
j
(r) = 1[{A = r}] =

(t)
r
r!
exp[t]
j
Y
(j) = 1[{1 = j}] =
(jt)
j!
exp[jt]
Substituindo a integral na equao (2.72) por um somatrio, a distribuio da soma obtida como:
j
2
(.) =
X
todo x
j
(r)j
Y
(. r)
=
X
todo x
(t)
r
(jt)
(:r)
r!(. r)!
exp[t] exp[jt]
= exp[( +j)t]t
:
X
todo x
r
j
(:r)
r!(. r)!
O somatrio sobre r na expresso acima corresponde expanso binomial de
(u+q)
z
:!
, de forma que:
j
2
(.) =
[( +j)t]
:
.!
exp[( +j)t]
Esta expresso corresponde a uma distribuio de poisson com parmetro + j. este resultado pode ser
generalizado no seguinte teorema:
Teorema 30 Soma de processos de Poisson independentes: a soma de : processos de Poisson indepen-
dentes tambm um processo de Poisson. Seja A
I
um processo de Poisson com parmetro
I.
O processo
7 =
P
n
I=1
A
I
um processo de Poisson com parmetro
:
=
P
n
I=1
I.
Exemplo 31 Soma (e diferena) de v.a.s normais independentes: sejam duas v.a.s A e 1 normais
independentes com parmetros A (j
, o
), 1 (j
Y
, o
Y
). A distribuio da soma 7 = A +1, a
partir das equaes (2.36) e (2.72), :
)
2
(.) =
1
2
1
o
o
Y
Z

exp
"
1
2
r j
2
#
exp
"
1
2
. r j
Y
o
Y
2
#
dr
=
1
2
1
o
o
Y
exp
"
1
2
(
2
+
. j
Y
o
Y
2
)#
Z

exp
1
2
nr
2
2r
dr (2.73)
onde:
n =
1
o
2
+
1
o
2
Y
; =
j
o
2
+
. j
Y
o
2
Y
Fazendo uma substituio de variveis:
n = r

n
o termo integral resulta:
Z

exp
1
2
nr
2
2r
dr = exp[
2
2n
]
Z

exp
1
2
nn
2
dn
=
2
n
exp[
2
2n
]
Substituindo este resultado na equao (2.73) obtemos:
)
2
(.) =
1
2
1
p
o
2
+o
2
Y
exp
1
2
. (j
+j
Y
)
p
o
2
+o
2
Y
!
2
Esta expresso corresponde a uma distribuio normal na varivel . com parmetros:

j
2
= j
+j
Y
o
2
2
= o
2
+o
2
Y
De maneira semelhante, podemos mostrar que a diferena 7 = A 1 tambm tem distribuio normal,
com parmetros:
j
2
= j
j
Y
o
2
2
= o
2
+o
2
Y
Este resultado pode ser generalizado no seguinte teorema:
Teorema 32 A soma de : variveis aleatrias normais independentes A
I
, com parmetros A
I
(j
1
, o
1
),
tambm uma varivel normal:
7 =
n
X
I=1
A
I
com parmetros:
j
2
=
n
X
I=1
j
1
o
2
2
=
n
X
I=1
o
2
1
(2.74)
Generalizando ainda mais este resultado, resulta que qualquer funo linear de v.a.s normais tambm
uma v.a. normal. Os resultados apresentados na equao (2.74) so vlidos ainda para qualquer funo
linear de v.a.s independentes, independentemente da distribuio, conforme vericado adiante.
2.6.3 Teorema do limite central
Um resultado bastante importante da teoria de probabilidades o teorema do limite central. De forma
vaga, este teorema arma que:
Teorema 33 Teorema do limite central: A soma de um grande numero de variaveis aleatrias, inde-
pendente da sua distribuio mas desde que nenhuma delas seja dominante, tende a uma distribuio
normal!
Este teorema muitas vezes utilizado para justicar a escolha de uma distribuio Gaussiana para
processos ou variveis que sejam resultado da soma de grande nmero de efeitos individuais. Uma
conseqncia do teorema do limite central refere-se ao produto de diversas variveis aleatrias:
Teorema 34 O produto de um grande numero de variaveis aleatrias, independente da sua distribuio
mas desde que nenhuma delas seja dominante, tende a uma distribuio log-normal!
O teorema do limite central pode ser demonstrado atravs de um exemplo simples, envolvendo a soma
de variveis aleatrias:
Exemplo 35 Seja uma varivel 1 =
1
n
P
n
I=1
A
I
onde as variveis A
I
so estatsticamente indepen-
dentes e idnticamente distribudas com probabilidades:
1[{A
I
= +1}] =
1
2
1[{A
I
= 1}] =
1
2
Verique o que acontece com a funo de densidades (ou com o histograma) da varivel 1 a medida que
aumenta o nmero de termos! A gura 35 mostra alguns resultados.
-3 -2 -1 0 1 2 3
0.05
0.1
0.15
0.2
0.25
0.3
0.35
-3 -2 -1 0 1 2 3
0.01
0.02
0.03
0.04
0.05
0.06
-3 -2 -1 0 1 2 3
0.2
0.4
0.6
0.8
1
-3 -2 -1 0 1 2 3
0.1
0.2
0.3
0.4
0.5
n = 1 n = 2
n = 5 n = 200
f
Y
(y)
f
Y
(y)
f
Y
(y) f
Y
(y)
-3 -2 -1 0 1 2 3
0.05
0.1
0.15
0.2
0.25
0.3
0.35
-3 -2 -1 0 1 2 3
0.01
0.02
0.03
0.04
0.05
0.06
-3 -2 -1 0 1 2 3
0.2
0.4
0.6
0.8
1
-3 -2 -1 0 1 2 3
0.1
0.2
0.3
0.4
0.5
n = 1 n = 2
n = 5 n = 200
f
Y
(y)
f
Y
(y)
f
Y
(y) f
Y
(y)
Figura 2-7: Convergncia da soma (exemplo 35) para distribuio normal.
Exemplo 36 Repita o exemplo anterior para distribuio uniforme de probabilidades entre 1 e +1 :
)
(r) =
1
2
1 r 1
)
(r) = 0 caso contrrio

-2 -1 0 1 2
0.2
0.4
0.6
0.8
1
-2 -1 0 1 2
0.2
0.4
0.6
0.8
1
-2 -1 0 1 2
0.2
0.4
0.6
0.8
1
-2 -1 0 1 2
0.2
0.4
0.6
0.8
1
n = 2 n = 1
n = 3 n = 10
f
Y
(y)
f
Y
(y) f
Y
(y)
f
Y
(y)
-2 -1 0 1 2
0.2
0.4
0.6
0.8
1
-2 -1 0 1 2
0.2
0.4
0.6
0.8
1
-2 -1 0 1 2
0.2
0.4
0.6
0.8
1
-2 -1 0 1 2
0.2
0.4
0.6
0.8
1
n = 2 n = 1
n = 3 n = 10
f
Y
(y)
f
Y
(y) f
Y
(y)
f
Y
(y)
Figura 2-8: Convergncia da soma (exemplo 36) para distribuio normal.
2.6.4 Momentos de funes de muitas variveis aleatrias
Seja uma funo 1 = q(A
1
, A
2
, ..., A
n
). O valor esperado de 1 pode ser obtido atravs de:
1[1 ] =
Z
+
j)
Y
(j)dj (2.75)
Alternativamente, como a funo de distribuio )
Y
(j) depende funcionalmente da funo de densidade
conjunta )
12...r
(r
1
, r
2
, ..., r
n
), pode-se escrever:
1[1 ] =
Z
+
...
Z
+
q(r
1
, r
2
, ..., r
n
))
12...r
(r
1
, r
2
, ..., r
n
)dr
1
dr
2
...dr
n
(2.76)
fcil perceber que a avaliao de (2.76) no simples, pois envolve uma integral multi-dimensional
de uma funo conjunta de probabilidades.
Mdia e varincia de funes lineares
Seja a funo 1 = aA +/, sendo a e / duas constantes. Da equao (2.76) obtemos:
1[1 ] = 1[aA +/] =
Z
+
(ar +/))
(r)dr
= a
Z
+
r)
(r)dr +/
Z
+
(r)dr
= aj
+/
De maneira semelhante, a varincia obtida como:
\ ar[1 ] = 1[(1 j
Y
)
2
]
= 1[(aA +/ aj
/)
2
]
= a
2
Z
+
(r j
)
2
)
(r)dr
= a
2
\ ar[A]
Seja agora a funo 1 = a
1
A
1
+a
2
A
2
, sendo a
1
e a
2
duas constantes. Da equao (2.76) obtemos:
1[1 ] =
Z
+
Z
+
(a
1
r
1
+a
2
r
2
))
2
(r
1
, r
2
)dr
1
dr
2
= a
1
Z
+
r
1
)
1
(r
1
)dr
1
+a
2
Z
+
r
2
)
2
(r
2
)dr
2
= a
1
j
1
+a
2
j
2
A varincia calculada por:
\ ar[1 ] = 1[(1 j
)
2
]
= 1[(a
1
A
1
+a
2
A
2
a
1
j
1
a
2
j
2
)
2
]
= 1[(a
1
(A
1
j
1
) +a
2
(A
2
j
2
))
2
]
= 1[a
2
1
(A
1
j
1
)
2
+a
1
a
2
(A
1
j
1
)(A
2
j
2
) +a
2
2
(A
2
j
2
)
2
]
= a
2
1
\ ar[A
1
] + 2a
1
a
2
Co[A
1
, A
2
] +a
2
2
\ ar[A
2
]
Estes resultados podem ser facilmente extrapolados para uma funo linear de muitas variaveis aleatrias.
Seja:
1 =
n
X
I=1
a
I
A
I
Pode-se mostrar que os momentos so:
1[1 ] =
n
X
I=1
a
I
1[A
I
] =
n
X
I=1
a
I
j
1
\ ar[1 ] =
n
X
I=1
n
X
=1
a
I
a
Co[A
I
, A
]
Seja agora uma nova funo linear das v.a.s A
I
:
7 =
n
X
I=1
/
I
A
I
A covarincia entre as variveis 1 e 7 dada por:
Co[1, 7] =
n
X
I=1
n
X
=1
a
I
/
Co[A
I
, A
]
2.6.5 Aproximao dos momentos de funes de muitas variveis aleatrias
Aproximao de primeira ordem
Expandindo a funo 1 = q(A
1
, A
2
, ..., A
n
) em srie de Taylor em torno do ponto mdio de cada uma
das variveis A
I
, obtm-se:
q(A) q(j
1
, j
2
, ..., j
r
)
+
n
X
I=1
(A
I
j
1
)
0q
0A
I
+
1
2
n
X
I=1
n
X
=1
(A
I
j
1
)(A
)
0
2
q
0A
I
0A
+... (2.77)
Truncando a srie no termo de primeira ordem (segunda linha da equao 2.77), e utilizando um
raciocnio anlogo ao utilizado para demonstrar a equao (2.64), obtm-se:
1[1 ] q(j
1
, j
2
, ..., j
r
) (2.78)
o que signica que a mdia da funo aproximadamente igual a funo das mdias. Tomando a varincia
da srie truncada de Taylor e generalizando a equao (2.65), obtm-se:
\ ar[1 ]
n
X
I=1
n
X
=1
Co[A
I
, A
]
0q
0A
I
0q
0A
(2.79)
Este resultado tambm pode ser escrito como:
\ ar[1 ]
n
X
I=1
\ ar[A
I
]
0q
0A
I
2
+
n
X
I=1
n
X
=1,6=I
Co[A
I
, A
]
0q
0A
I
0q
0A
Se as variveis A
I
e A
forem independentes para qualquer i e ,, este resultado se simplica para:

\ ar[1 ]
n
X
I=1
\ ar[A
I
]
0q
0A
I
2
Aproximao de segunda ordem
Mantendo os termos de segunda ordem na expanso em srie de Taylor, obtemos a aproximao de
segunda ordem do valor esperado:
1[1 ] q(j
1
, j
2
, ..., j
r
) +
1
2
n
X
I=1
n
X
=1
Co[A
I
, A
]
0
2
q
0A
I
0A
A aproximao de segunda ordem da varincia um tanto complicada, pois envolve momentos de

terceira e quarta ordem das variveis A
I
. Por este motivo, en geral utilizamos a aproximao de segunda
ordem do valor esperado, que pode ser facilmente calculado, em conjunto com uma aproximao de
primeira ordem da varincia.
2.7. TEORIA DE VALORES EXTREMOS 63
2.7 TEORIA DE VALORES EXTREMOS
Em muitas aplicaes de engenharia, valores extremos de variveis aleatrias ou de processos estocsticos
so de interesse. Em problemas estruturais, o mximo valor do carregamento e o valor mnimo da
resistncia so as variveis importantes para o projeto.
Considere um conjunto de : observaes de uma varivel aleatria, e os valores mximo e mnimo
observados neste conjunto. Cada vez que uma nova realizao ou observao deste conjunto feita,
novos valores mximo e mnimo so obtidos. Portanto, os valores mximo e mnimo so tambm var-
ivel aleatrias, com distribuio estatstica prpria. Os parmetros destas distribuies de mximos e
mnimos so estudados atravs da Teoria de Valores Extremos, um campo bem desenvolvido da Teoria
de Probabilidades.
2.7.1 Distribuies exatas
Seja A uma varivel aleatria com FPA 1
(r) conhecida. Seja uma amostra de : observaes inde-

pendentes de A, (r
1
, r
2
, r
3
, ..., r
n
), representando o 1
o
, o 2
o
,..., e o ensimo valor observado. Os valores
mximo e mnimo da amostra so, respectivamente:
j
n
= max[r
1
, r
2
, r
3
, ..., r
n
]
j
1
= min[r
1
, r
2
, r
3
, ..., r
n
] (2.80)
Pode-se considerar que o conjunto (r
1
, r
2
, r
3
, ..., r
n
) seja uma amostra de : varivel aleatrias, identi-
camente distribudas e independentes, tal que 1
1
(r
1
) = 1
2
(r
2
) = ... = 1
r
(r
n
). As variveis aleatrias
1
n
e 1
1
(valor mximo e mnimo) so ento determinadas como:
1
n
= max[A
1
, A
2
, A
3
, ..., A
n
]
1
1
= min[A
1
, A
2
, A
3
, ..., A
n
] (2.81)
Observa-se que se 1
n
, o maior valor dentre (A
1
, A
2
, A
3
, ..., A
n
), menor do que um determinado valor
j, ento todas as varivel aleatria A
I
devem ser menores que j. Portanto:
1
Yr
(j) = 1[{1
n
j}]
= 1[{A
1
j}, {A
2
j}, ..., {A
n
j}]
= [1
(j)]
n
(2.82)
e:
)
Yr
(j) =
d1
Y
r
(j)
dj
= :[1
(j)]
n1
)
(j) (2.83)
As expresses (2.82) e (2.83) so as distribuies de probabilidade exatas do valor mximo de uma
amostra de tamanho : tomadas de uma populao A. Esta distribuio depende do tamanho : da
amostra bem como da distribuio original de A. A gura (2-9) mostra como estas distribuies de
extremos variam com o aumento do nmero de amostras, para uma distribuio original com distribuio
A (0, 1). A equao (2.82) mostra que a distribuio do mximo de uma amostra de tamanho unitrio
(: = 1) idntica distribuio original. Assim, o valor esperado do mximo em uma observao igual
ao valor esperado da varivel original. A medida que : aumenta, a distribuio de mximos tende para
a regio da cauda superior da distribuio original.
A distribuio exata para mnimos obtida de maneira similar. Se 1
1
, o menor valor na amostra
(A
1
, A
2
, A
3
, ..., A
n
), maior do que um determinado valor j, ento todos os valores A
I
devem ser maiores
que j. Portanto:
1
Y
1
(j) = 1[{1
1
j}]
= 1 1[{1
1
j}]
= 1 1[{A
1
j}, {A
2
j}, ..., {A
n
j}]
= 1 [1 1
(j)]
n
(2.84)
e:
)
Y1
(j) = :[1 1
(j)]
n1
)
(j) (2.85)
n=1
n=10
n=100
F
p
s
2 1 0 1 2 3 4
0.
0.2
0.4
0.6
0.8
1.
n=1
n=10
n=100
f
p
s
2 1 0 1 2 3 4
0.
0.2
0.4
0.6
0.8
1.
Figura 2-9: Distribuies de valores extremos de um varivel Normal Padro.
As expresses (2.84) e (2.85) so as distribuies de probabilidade exatas do valor mnimo de uma
amostra de tamanho : tomadas de uma populao A. As observaes feitas em relao as equaes (2.82)
e (2.83) so vlidas tambm para (2.84) e (2.85), com a diferena que o valor mnimo esperado diminue
medida que : aumenta.
2.7.2 Distribuies assintticas
A medida que o tamanho da amostra : aumenta, as distribuies exatas convergem para formas fun-
cionais particulares, em funo do tipo de cauda da distribuio original. Estas formas so as chamadas
distribuies assintticas de extremos.
As distribuies assintticas possuem a convenincia de no depender da forma exata da distribuio
original, mas apenas do comportamento da cauda desta na direo do extremo procurado. A regio
central da distribuio original serve para determinar os parmetros, mas no tem inuncia na forma
assinttica da distribuio de extremos.
Em uma observao de uma varivel aleatria A, a probabilidade de se obter um resultado maior do
que r dado por 1 1
(r). Em : observaes independentes da mesma varivel o nmero esperado

de valores maiores do que r :(1 1
(r)). Seja 1
n
a varivel aleatria dada pelo nmero de valores
maiores do que j
n
em amostras de tamanho ::
-
n
= 1[1
n
] = :(1 1
(j
n
)) (2.86)
Escrevendo esta expresso em termos de j
n
temos:
j
n
= 1
1
1
-
n
:
(2.87)
A equao (2.86) monotonicamente decrescente (Figura 2-10), logo:
1[{1
n
< -
n
}] = 1[{1
n
j
n
}] (2.88)
y
n
y
n
c
c
n
( ) 1 ( )
X
n F y
Figura 2-10: Nmero esperado c
n
de mximos maiores do que j
n
.
Esta expresso vlida para qualquer valor - (-
n
) associado a qualquer valor j (j
n
) atravs da equao
(2.86). Portanto, deste ponto em diante os indices
n
so abandonados. Agora podemos determinar a
funo cumulativa de probabilidades da varivel 1
n
em funo de 1
n
:
1
Jr
(-) = 1[{1
n
-}] = 1[{1
n
j}]
Utilizando a expresso (2.87):
1
J
r
(-) = 1[{1
n
1
1
1
-
:
}]
= 1 1
Y
r
1
1
1
-
:
Utilizando a expresso (2.82), obtm-se:

1
J
r
(-) = 1
h
1
1
1
1
-
:
i
n
= 1
1
-
:
n
Aplicando-se os operadores exponencial e logaritmo no ltimo termo, obtemos:
1
Jr
(-) = 1 exp[:ln[
1
-
:
]]
Tomando o limite de :ln[
1
:
n
] com : , obtemos:
lim
n
:ln[
1
-
:
] = lim
n
ln[
1
:
n
]
1
n
= -
e portanto, no limite com : :
1
J
r
(-) = 1 exp[-] (2.89)
Das equaes (2.86) e (2.88) tem-se ainda que:
1[{1
n
< j}] = 1[{1
n
:(1 1
(j))}]
ou:
1
Yr
(j) = 1 1
Jr
(:(1 1
(j)))
Finalmente, utilizando o resultado na equao (2.89) obtemos:
1
Y
r
(j) = exp[:(1 1
(j))] (2.90)
Derivando em relao a j:
)
Y
r
(j) = :)
(j) exp[:(1 1
(j))] (2.91)
As equaes (2.90) e (2.91) so as chamadas distribuies assintticas de extremos. Estas distribuies
so exatas no limite com : . Estas distribuies servem para determinar a distribuio de extremos
correspondente a determinada distribuio original 1
(r). O interessante que, independentemente da

forma exata da distribuio original )
(r), as distribuies assintticas de extremos convergem para

algumas formas particulares. A forma particular para a qual determinada distribuio de extremos
converge depende apenas da cauda da distribuio original na direo do extremo procurado. Trs desta
formas particulares so apresentadas na tabela abaixo. Esta classicao vlida tanto para mximos
como para mnimos. As 3 formas apresentadas no so as nicas possveis, porm so as mais comuns.
Distribuio assinttica Forma distribuio Cauda distrib. original
Tipo I - Gumbel exponencial dupla decaimento exponencial
Tipo II - Frechet exponencial decaimento polinmial
Tipo III - Weibull exponencial com limite polinmial limitada
2.7.3 Extremos caractersticos
O mximo caracterstico n
n
denido como o valor particular de A tal que, dentre os : valores, o nmero
esperado de valores maiores do que n
n
igual a um:
:(1 1
(n
n
)) = 1
ou:
1
(n
n
) = 1[{A < n
n
}] = 1
1
:
O mximo caracterstico n
n
tambm o valor de A tal que:
1[{A n
n
}] =
1
:
Verica-se ainda que n
n
o valor mais provvel (moda) da distribuio de extremos, )
Yr
(j). O mximo
caracterstico divide a distribuio )
Yr
(j) nos seguintes percentis:
1[{1
n
< n
n
}] = 0.37
1[{1
n
n
n
}] = 0.63
De forma semelhante, o mnimo caracterstico n
1
o valor de A tal que:
1[{A < n
1
}] =
1
:
O mnimo caracterstico n
1
tambm a moda de )
Y
1
(j), e divide a distribuio de mnimos nos percentis:
1[{1
1
< n
n
}] = 0.63
1[{1
1
n
n
}] = 0.37
Em geral, os extremos (mximo e mnimo) caractersticos so parmetros da distribuio de extremos
correspondente, como ser visto a seguir.
2.7.4 Distribuies estatsticas de extremos
Gumbel para mximos ou tipo I - EVI(n
n
, ,)
Quando a cauda superior da distribuio inicial A apresenta taxa de decrescimento exponencial, a dis-
tribuio dos mximos de A tende assintticamente a uma distribuio de Gumbel. Distribuies com
cauda exponencial incluem normal, exponencial e gamma.
A distribuio de Gumbel encontra muitas aplicaes na engenharia. Ela muito utilizada para
representar extremos de fenmenos ambientais como cheias de um rio, nvelde precipitao, velocidade
de vento, carga de ondas, etc.
Parmetros da distribuio:
n
n
= mximo caracterstico da distribuio inicial A ou moda de A
n
.
, = parmetro de forma;
)
r
(r) = , exp[, (r n
n
) c
o(rur)
] r
1
r
(r) = exp[c
o(rur)
] r
Determinao dos momentos:
j = n
n
+

,
o =

6
1
,
3
= 1.1396 (skewness)
onde: = 0.577216 (constante de Euler).
Determinao dos parmetros:
n
n
= j

,
, =

6
1
o
Gumbel para mnimos ou tipo I - EVI(n
1
, ,)
Quando a cauda inferior da distribuio inicial A apresenta taxa de (de)crescimento exponencial, a
distribuio dos mnimos de A tende assintticamente a uma distribuio de Gumbel.
A distribuio de Gumbel para mnimos descreve a resistncia mecnica de materiais, bem como a ten-
so resistente de equipamentos eletrnicos. Em ambos os casos, a justicativa para o uso da distribuio
de Gumbel para mnimos a regra da corrente que sempre rompe no elo mais fraco. Materiais estruturais
possuem imperfeies e defeitos em sua micro-estrutura, e assim rompem na seo transversal mais fraca.
Da mesma forma, a falha por sobre-tenso de equipamentos eletrnicos sempre acontee devido falha
do componente mais fraco (que deveria ser o fusvel...).
Em estudos sobre mortalidade populacional, a distribuio de Gumbel para mnimos utilizada para
descrever a distribuio de vida (ou idade por ocasio da morte). Esta aplicao se justica com a
hiptese de que, entre todos os indivduos em uma determinada faixa de idade, a morte leva os indivduos
mais fracos...!
n
1
= mnimo caracterstico da distribuio inicial A ou moda de A
1
.
, = parmetro de forma.
Quando representada em papel de Gumbel, ,
1
a inclinao da distribuio.
)
1
(r) = , exp[, (r n
1
) c
o(ru1)
] r
1
1
(r) = 1 exp[c
o(ru
1
)
] r
A funo de Gumbel tabelada na varivel n = , (r n
1
) .
j = n
1

,
o =

6
1
,
3
= 1.1396 (skewness)
onde: = 0.577216 (constante de Euler).
n
1
= j +

,
, =

6
1
o
Frechet para mximos ou tipo II - EVII(n
n
, ,)
Quando a cauda superior da distribuio inicial A apresenta taxa de decrescimento polinmica, como:
1
(r) = 1 r
o
onde uma constante, a distribuio dos mximos de A tende assintticamente a uma distribuio de
Frechet. Este o caso das distribuies de Pareto e Cauchy.
n
n
n
.
)
r
(r) =
,
n
n
n
n
r
o+1
exp
n
n
r
; r
1
r
(r) = exp
n
n
r
; r
j = n
n
1
1
,
o = n
n
s
1
2
,
1
1
,

n
n
=
j
1
1
o
, = iterativo
O parmetro de forma determinado de forma iterativa atravs de:
1 +c
2
=

1
2
o
1
1
o
Frechet para mnimos ou tipo II - EVII(n

1
, ,)
Quando a cauda inferior da distribuio inicial A apresenta taxa de crescimento polinmica, como:
1
(r) = 1 r
o
onde uma constante, a distribuio dos mnimos de A tende assintticamente a uma distribuio de
Frechet.
n
1
1
.
)
1
(r) =
,
n
1
r
n
1
o+1
exp
"
r
n
1
o
#
; r
1
1
(r) = 1 exp
"
r
n
1
o
#
; r
j = n
1
1 +
1
,
o
2
= n
2
1
1 +
2
,
1 +
1
,

n
1
=
j
1 +
1
o
, = iterativo
1 +c
2
=

1 +
2
o
1 +
1
o
Weibull para mximos ou tipo III - EVIII(n

n
, ,, )
Quando a cauda superior da distribuio inicial A apresenta decrescimento polinmico mas limitada,
como:
1
(r) = 1 (- r)
o
; r -, , 0, = cte
a distribuio dos mximos de A tende assintticamente a uma distribuio de Weibull. Exemplos deste
tipo de distribuio inicial so as distribuies uniforme, triangular e gamma.
n
n
n
;
- = limite superior da distribuio inicial A.
)
r
(r) =
,
- n
n
- r
- n
n
o1
exp
"
- r
- n
n
o
#
; r -
1
r
(r) = exp
"
- r
- n
n
o
#
; r -
Observe que com , = 1 esta distribuio se resume distribuio exponencial. Para , = 2 tem-se a
distribuio de Rayleigh.
j = - + (- n
n
)
1 +
1
,
o
2
= (- n
n
)
2
1 +
2
,
1 +
1
,

n
n
=
j -
1 +
1
o
+-
, = iterativo
1 +
o
- j
2
=

1 +
2
o
1 +
1
o
Weibull para mnimos ou tipo III - EVIII(n

1
, ,, -)
Quando a cauda inferior da distribuio inicial A apresenta decrescimento polinmico mas limitada,
como:
1
(r) = 1 (- r)
o
; r -, , 0, = cte
a distribuio dos mnimos de A tende assintticamente a uma distribuio de Weibull.
A distribuio de Weibull para mnimos pode ser utilizada para descrever secas ou a vida de fadiga
de componentes metlicos.
n
1
1
;
- = limite inferior da distribuio inicial A.
)
1
(r) =
,
n
1
-
r -
n
1
-
o1
exp
"
r -
n
1
-
o
#
; - r
1
1
(r) = 1 exp
"
r -
n
1
-
o
#
; - r
j = - + (n
1
-)
1 +
1
,
o
2
= (n
1
-)
2
1 +
2
,
1 +
1
,

n
1
=
j -
1 +
1
o
+-
, = iterativo
1 +
o
j -
2
=

1 +
2
o
1 +
1
o
Quando utilizada para descrever a vida de fadiga de componentes metlicos, a distribuio de Weibull
representa a probabilidade de sobrevivncia para um nmero r de ciclos. O parmetro n
1
representa
o nmero caracterstico de ciclos at a falha, enquanto o limite - corresponde vida mnima para um
determinado nvel de carregamento.
Determinao da distribuio de extremos a partir da distribuio original
Apesar da relao entre a cauda da distribuio original e a distribuio assinttica de extremos corre-
spondente, no existe uma forma analtica de estabelecer os parmetros da distribuio de extremos a
partir dos parmetros da distribuio original. No entanto, possivel determinar numericamente a dis-
tribuio de extremos correspondente distribuio original. Isto pode ser feito com base nos extremos
caractersticos (n
1
e n
n
) e em um ajuste de parmetros da distribuio de extremos apropriada.
Determina-se primeiramente os extremos caractersticos, que so funo apenas do nmero : de
variveis da amostra, conforme seo (2.7.3). Conforme visto acima, os extremos caractersticos so o
primeiro parmetro da distribuio de extremos. Determina-se um lista de pontos da distribuio exata
de extremos, utilizando as equaes (2.82) ou (2.83). Escolhe-se a distribuio de extremos apropriada,
em funo do tipo de cauda da distribuio original. Em seguida, atravs de um ajuste de curvas (e.g.,
mnimos quadrados), determina-se o valor do parmetro de forma (,) que minimiza a diferena entre a
distribuio exata (os pontos calculados) e a distribuio de extremos procurada.
2.8. AJUSTE DE DISTRIBUIES ESTATSTICAS 71
2.7.5 Sumrio de distribuies contnuas
# Distribuio )
(r) j
1
j
2
j
3
j
4
0 Determinstica c(r
0
) r
0
- - -
1 Uniforme
1
bo
a / - -
2 Normal
1
c
2t
exp
h
1
2
r
c
2
i
j o - -
3 Log-Normal
1
r
2t
exp
1
2
ln(r)X
` - -
4 Exponencial exp[ (r -)] - - -
5 Rayleigh
(r:)
q
2
exp
1
2
r:
q
j - - -
6 Logstica
t

3
(o,)
o
1+t

3
(o,)
o
2
j o - -
7 Gumbel mnimos , exp[, (r n
1
) c
o(ru
1
)
n
1
, - -
8 Gumbel mximos , exp[, (r n
n
) c
o(ru
r
)
n
n
, - -
9 Frechet mnimos
o
u1
(
r
u1
)
o+1
exp
h
(
r
u1
)
o
i
n
1
, - -
10 Frechet mximos
o
u
r
(
u
r
r
)
o+1
exp
(
u
r
r
)
o
n
n
, - -
11 Weibull mnimos
o
u
1
:
(
r:
u
1
:
)
o1
exp
h
(
r:
u
1
:
)
o
i
n
1
, - -
12 Weibull mximos
o
:ur
:r
:ur
o1
exp
:r
:ur
n
n
, - -
2.8 AJUSTE DE DISTRIBUIES ESTATSTICAS
Para caracterizar uma varivel aleatria a partir de um conjunto de observaes experimentais ou obtidas
via, por exemplo, simulao de Monte Carlo, necessrio encontrar um modelo de distribuio estatstica
que se ajuste as observaes. Este ajuste pode ser feito com base na comparao da funo de densidade
de probabilidades hipottica (modelo) com um histograma das observaes. Alternativamente, pode-se
comparar a funo acumulada de probabilidades do modelo com uma distribuio correspondente obtida
a partir das observaes.
O procedimento de ajuste de um distribuio estattica a um conjunto de observaes envolve trs
etapas: a seleo de um modelo de distribuio estatstica (hipottico), a determinao dos parmetros
deste modelo e, nalmente, algum tipo de teste para vericar a qualidade do ajuste obtido.
2.8.1 Ajuste a um histograma
O ajuste de uma curva de distribuio estatstica a um histograma contendo amostras de uma populao
requer a seleo de um modelo de distribuio de probabilidades hipottico. Para tal, o analista formula
a hiptese (exemplo):
hiptese :
a varivel observada segue uma distribuio normal com parmetros (j, o)
A tarefa ento passa a ser determinar os parmetros do modelo hipottico e vericar a qualidade do
ajuste (validade da hiptese de distribuio empregada).
No assim chamado mtodo dos momentos (method of moments, Benjamin e Cornell, 1970), os mo-
mentos da distribuio so aproximados pelos momentos da amostra. Para uma amostra de : pontos,
tem-se:
j '
1
:
n
X
I=1
r
I
o
2
'
1
: 1
n
X
I=1
(r
I
j)
2
(2.92)
O ajuste pode ser testado atravs dos chamados testes de hiptese (goodness-of-t), como ser visto mais
adiante.
No mtodo da mxima propenso (maximum likelihood, Benjamin e Cornell, 1970), busca-se o mod-
elo de distribuio (e respectivos parmetros) que mais provavelmente produziria (ou re-produziria) o
histograma observado. Esta comparao poder ser feita tanto em termos da funo de distribuio de
probabilidades como em termos da funo de probabilidades acumuladas. Para um histograma com :
b
cestas (bins), a estattica
2
(chi-quadrado) da amostra :
2
=
n
|
X
I=1
(
I
:)
I
)
2
:)
I
(2.93)
onde
I
o nmero de observaes na i :i:a cesta, e :)
I
o nmero de observaes esperadas, em :
realizaes, de acordo com o modelo hipotetizado:
)
I
=
Z
r
2
r
1
)
(r)dr (2.94)
e r
1
e r
2
so os limites da i :i:a cesta e )
(r) a funo de densidade de probabilidades do modelo

hipotetizado.
A estattica
2
tambm pode ser utilizada para o teste de hiptese do ajuste de distribuio. Se
nenhum termo :)
I
muito pequeno, a varivel
2
segue uma distribuio de chi-quadrado com =
:
b
:
1 graus de liberdade, onde :
o nmero de parmetros da distribuio estimados do mesmo

conjunto de dados. possvel estimar a probabilidade 1
_
(,2,
2
,2) de que a soma de quadrados das
:
b
amostras com distribuio Gaussian padro seja maior do que
2
, o que vem a ser a condncia ou
probabilidade de que as amostras foram obtidas da distribuio hipotetizada (Zwillingner, 1996):
1
_
(j, r) =
(j, r)
(j)
=
1
(j)
Z

r
c
|
t
1
dt (2.95)
onde (j, r) e (j) so as funes Gamma incompleta e completa. O modelo de distribuio e seus
parmetros podem ser determinados de maneira a maximizar a medida de condncia 1
_
(,2,
2
,2), ou
de maneira a minimizar a quantidade:
2
min
= |1[
2
]
2
|
= |
2
| (2.96)
Outro teste de hiptese muito til, baseado em distribuies de probabilidade acumuladas, o teste
de Kolmogorov-Smirnov ou teste KS (Benjamin e Cornell, 1970). A estattica utilizada neste teste a
mxima distncia entre a funo de probabilidade acumulada 1
(r) do modelo hipottico e o histograma

cumulativo da amostra:
F = {1
I
} = {i,:}, i = 1, ..., :
que fornece a frao de pontos esquerda do ponto r
I
, quando ordenados em ordem crescente. A estattica
de KS :
/: =
n
max
I=1
[|1
I
1
(r
I
)|] (2.97)
A distribuio da varivel KS, segundo a equao (2.97), independente do modelo de distribuio
hipottico, e seu nico parmetro o nmero de pontos :. A probabilidade de que a amostra foi gerada
do modelo hipotetizado dada por (Zwillingner, 1996):
1[1o /:] = 2

X
I=1
(1)
I1
c
2I
2
n|s
2
(2.98)
2.8. AJUSTE DE DISTRIBUIES ESTATSTICAS 73
Ambos testes de hiptese para ajuste de distribuio apresentados tambm podem ser utilizados para
vericar modelo e parmetros obtidos pelo mtodo dos momentos.
2.8.2 Ajuste via mnimos quadrados
Muitas solues numricas na anlise de conabilidade estrutural resultam em listas de valores:
x = {r
I
}, i = 1, ..., :
e valores correspondentes de uma curva de distribuio de probabilidades f = {)
I
} ou de probabilidades
acumuladas F = {1
I
}. Numa soluo completamente numrica, um grande nmero : de pontos deve ser
utilizado, e os resultados so interpolados entre estes pontos. Em uma simplicao ou desmembramento
do problema, conveniente obter uma expresso analtica para descrever as curvas de probabilidade
denidas pelos pontos )
I
ou 1
I
. Tal procedimento pode ser realizado utilizando o tradicional ajuste de
curvas por mnimos quadrados, uma vez escolhido um modelo de distribuio estatstica hipottico.
O procedimento tem suas semelhanas, mas no o mesmo, de que o ajuste de uma distribuio
estatstica a um histograma. Enquanto o histograma representa apenas uma amostra de uma populao
(varivel aleatria), entre tantas possveis, as listas f e F representam a prpia funo de distribuio da
varivel aleatria. O ajuste de curvas clssico no se justica para um histograma, por ser este apenas
uma amostra, mas se justica no caso de f e F. necessrio tomar-se cuidado, no entanto, com o fato
de as curvas )
I
e 1
I
serem resultados numricos, que no necessariamente seguem o comportamento de
alguma das distribuies de probabilidade analticas conhecidas.
Uma distribuio de probabilidades pode ser ajustada a uma lista de pontos, por exemplo, minimizando-
se o erro em mdia quadrtica:
::
}
=
n
X
I=1
()
I
)
(r
I
))
2
::
J
=
n
X
I=1
(1
I
1
(r
I
))
2
(2.99)
onde )
(r) e 1
(r) so as curvas de probabilidades analticas que se tenta ajustar aos dados.

Em analogia ao mtodo da mxima propenso, pode-se tambm realizar o ajuste minimizando a
funo:
2
min
= 1[
2
]
2
=
n
X
I=2
h
:
(}1+}11)
2
(r
I
r
I1
) :
R
r
1
r11
)
(r)dr
i
2
:
R
r
1
r
11
)
(r)dr
(2.100)
ou a funo:
2
min
=
n
X
I=2
[:(1
I
1
I1
) :(1
(r
I
) 1
(r
I1
))]
2
:(1
(r
I
) 1
(r
I1
))
(2.101)
onde : um fator de multiplicao para fazer os termos :)
I
sucientemente grandes.
Em termos estatsticos, as expresses (2.100) e (2.101) so formalmente mais apropriadas do que
(2.99). Na prtica, no entanto, nota-se poucas diferenas entre estas alternativas.
2.9 DICAS DE PROGRAMAO
2.9.1 Uso de estruturas de dados para representar variveis aleatrias
2.9.2 Programao da funo normal padro acumulada
Avaliao numrica da funo [.]
No h soluo analtica exata para a funo de probabilidade acumulada:
[j] =
Z

2
exp
.
2
2
d.
No entanto, existem expresses analticas para aproxim-la. Estas expresses so particularmente impor-
tantes na programao da funo [.].
Uma expresso analtica :
[j] = 1
.
2
exp
j
2
2
; 0 j
[j] =
.
2
exp
j
2
2
; j 0
onde:
. = n(j
1
+n(j
2
+n(j
3
+n(j
4
+nj
5
))))
n =
1
1 +j
o
|j|
e os valores j
I
so parmetros:
p =
+0.231641900
+0.319381530
0.356563782
+1.781477937
1.821255978
+1.330274429
Esta expresso apresenta um erro mximo - 7.5 10

8
.
Avaliao numrica da funo inversa j =
1
[n]:
O clculo faz uso da simetria da funo inversa.
Para 0 n 0.5 tem-se:
. =
s
ln
1
n
2
j = .
j
1
+.(j
2
+.(j
3
+.(j
4
+.(j
5
))))
1
+.(
2
+.(
3
+.(
4
+.(
5
))))
Para 0.5 n 1.0 utiliza-se:
. =
s
ln
1
(1 n)
2
j = +. +
j
1
+.(j
2
+.(j
3
+.(j
4
+.(j
5
))))
1
+.(
2
+.(
3
+.(
4
+.(
5
))))
2.9. DICAS DE PROGRAMAO 75
Os parmetros j
I
e
I
so:
p =
0.3222324310880
1.0000000000000
0.3422422088547
0.2042312102450 10
1
0.4536422101480 10
4
q =
0.9934846260600 10
1
0.5885815704950
0.5311034623660
0.1035377528500
0.3856070063400 10
2

Captulo 3
INTRODUO
CONFIABILIDADE ESTRUTURAL
3.1 REQUISITOS DE SISTEMAS ESTRUTURAIS
Estruturas e elementos estruturais so projetados construdos e mantidos de modo a cumprir uma de-
terminada funo (estrutural). Esta funo deve ser cumprida: a) durante um determinado perodo,
chamado de vida til ou vida de projeto; b) com um nvel adequado de segurana e c) de maneira
economicamente vivel.
Em particular, estruturas e elementos estruturais devem cumprir os seguintes requisitos bsicos:
requisito de servio: uma estrutura deve manter-se em condies apropriadas para a execuo da
funo qual se destina durante todo o perodo de vida til;
requisito de segurana: uma estrutura deve suportar carregamentos extremos espordicos e car-
regamentos repetitivos aos quais a mesma esteja sujeita dentro do perodo de vida previsto, sem entrar
em colapso ou apresentar severos danos permanentes;
requisito de robustez: uma estrutura no deve ser danicada por eventos acidentais como incndio,
exploses, impacto, terremotos ou erros humanos de maneira desproporcional severidade do evento
causador do dano.
Em geral, os requisitos bsicos so atendidos atravs de projeto e dimensionamento adequados. Estes
requisitos podem ser endereados inteiramente atravs de consideraes tecnolgicas, i.e., sem levar em
conta aspectos econmicos ou sociais. No entanto, facil perceber que estes 3 requisitos so diretamente
conitantes com interesses econmicos e sociais. Se o nvel de segurana for excessivo, o custo da estrutura
e a viabilidade econmica da mesma podem ser comprometidos. Por outro lado, se o nvel de segurana for
insuciente, a aceitao da estrutura (ou do risco que ela representa) por parte do pblico ou usurio ca
comprometida. Note-se que esta questo est implcita quando se fala em nveis adequados de segurana.
Sendo assim, estruturas e elementos estruturais devem satisfazer ainda aos seguintes requisitos:
requisito econmico: uma estrutura deve atender aos trs requisitos bsicos sem comprometer sua
capacidade de gerar lucro, sob pena de tornar-se economicamente invivel;
requisito social: uma estrutura deve atender aos quatro requisitos anteriores com nveis de risco
aceitveis por parte do pblico ou usurio.
Para atender ao requisito econmico, deve-se levar em conta os custos de projeto, construo, manuteno
e operao da estrutura, bem como os custos (esperados) de falha. Em geral, isto representa uma anlise
detalhada do compromisso entre segurana e o custo total esperado de uma estrutura. Uma anlise deste
tipo pode servir para a determinao do nvel adequado de segurana para determinada estrutura.
Em geral, a escolha do nvel adequado de segurana deve levar em conta as conseqncias de falha
em termos de risco de morte ou danos sade, potencial para prejuzos econmicos e ambientais, e
inconvenincia social. Esta escolha deve ainda levar em conta o custo relativo e a convenincia de se
adotar medidas de reduo de risco. Sob esta lgica, medidas de reduo de risco que sejam baratas e
fceis de implementar nunca devem deixar de ser implementadas.
Neste captulo, descrevemos inicialmente a maneira como os requisitos bsicos de sistemas estruturais
so formulados. Em seguida, a questo dos requisitos econmicos e sociais retomada.
77
78 ANDR T. BECK, INTRODUO CONFIABILIDADE ESTRUTURAL
3.2 ESTADOS LIMITES
Os requisitos bsicos de sistemas estruturais podem ser equacionados na forma de estados limites. O no
atendimento de um requisito de servio ou de segurana representa um estado indesejvel da estrutura.
Cada distinta maneira que possa levar a um estado indesejvel chamada, genericamente, de um modo
de falha. Cada modo de falha d origem a um estado limite. O termo falha utilizado nesta seo no
seu sentido mais amplo, representando um estado indesejvel da estrutura em relao a qualquer um
dos requisitos bsicos estabelecidos. Os modos de falha e os estados limites correspondentes representam
modelos idealizados da falha de estruturas.
Os estados limites podem ser divididos em duas categorias principais:
estados limites ltimos: correspondem aos requisitos de segurana; envolvem a capacidade mxima
de carga ou de deformao da estrutura e que levam ao colapso ou dano grave e permanente da mesma.
Exemplos:
1. perda de equilbrio da estrutura ou parte da mesma por movimento de corpo rgido;
2. atingir capacidade mxima das sees, membros ou conexes, seja por ruptura ou deformao
excessiva;
3. ruptura de membros ou conexes por fadiga ou outros efeitos dependentes do tempo;
4. instabilidade da estrutura ou de partes da mesma;
5. mudana sbita de congurao (snap-trought);
6. formao de mecanismo plstico;
A ultrapassagem de um estado limite ltimo em geral irreversvel. Logo, a primeira ocorrncia deste
evento caracteriza falha da estrutura.
estados limites de servio: correspondem aos requisitos de servio da estrutura e a condies
normais de uso. Exemplos:
1. danos locais (formao de ssuras ou trincas) que afetam a durabilidade da estrutura bem como a
aparncia de membros estruturais e no estruturais;
2. dano causado por fadiga ou outros efeitos dependentes do tempo (corroso, desgaste, uncia);
3. deformao em nvel no aceitvel, que afeta o uso eciente ou a aparncia de membros estruturais
ou no estruturais, ou ainda que afeta o funcionamento de equipamentos;
4. vibrao excessiva, que cause desconforto ao usurio ou afeta o funcionamento de equipamentos.
Os estado limites de servio podem ser reversveis ou irreversveis. Quando irreversveis, a primeira
ultrapassagem do estado limite caracteriza a falha. Quando reversveis, a falha pode ser caracterizada
quando a passagem ao estado indesejvel acontecer em momento inoportuno, por perodo muito prolon-
gado, um nmero excessivo de vezes ou ainda qualquer combinao destes. Estados limite de servio
devem ser denidos utilizando critrios de utilidade.
3.2.1 Equaes de estado limite
Os estados limites e portanto os modos de falha de estruturas e de elementos estruturais podem ser
quanticados atravs de equaes chamadas de equaes de estado limite. Para cada estado limite da
estrutura, uma equao de estado limite q() escrita em funo das variveis de projeto X como:
q(X) = q(A
1
, A
2
, ..., A
n
) = 0 (3.1)
Estas equaes so denidas de tal forma que valores negativos representam falha e valores positivos
representam no falha da estrutura. Assim, as equaes de estado limite estabelecem, para cada modo
de falha, a fronteira entre os domnios de falha e no falha, ou a fronteira entre os estados desejvel e
indesejvel da estrutura:
1
}
= {x|q(x) 0}
1
s
= {x|q(x) 0} (3.2)
3.2. ESTADOS LIMITES 79
O domnio de falha 1
}
formado por todos os pontos do espao amostral de X (R
n
) que levam a
falha da estrutura, conforme representado na Figura (3.2). O domnio de sobrevivncia 1
s
o conjunto
complementar ao domnio de falha.
( ) f
X
x
( ) 0 g = x
domnio de segurana
domnio de falha
2
x
1
x
( ) 0 g > x
( ) 0 g s x
( ) f
X
x
( ) 0 g = x
domnio de segurana
domnio de falha
2
x
1
x
( ) 0 g > x
( ) 0 g s x
Figura 3-1: Equao de estado limite e domnios de falha e no-falha.
Em geral, a equao de estado limite e portanto os domnios de falha e no falha podem ser funo
do tempo:
1
}
(t) = {x|q(x, t) 0}
1
s
(t) = {x|q(x, t) 0} (3.3)
Isto acontece quando a equao de estado limite e o modo de falha correspondente so dependentes do
tempo, ou ainda quando uma ou mais variveis do problema (por exemplo, as solicitaes) so processos
estocsticos.
A equao de estado limite mais simples aquela independente do tempo e que envolve apenas duas
variveis aleatrias. De maneira geral, estas podem ser chamadas de resistncia (1) e solicitao (o), de
forma que:
q(1, o) = 1o = 0 (3.4)
Alternativamente, pode-se formular o problema em termos de capacidade (C) e demanda (1):
q(C, 1) = C 1 = 0
3.2.2 Probabilidade de falha: uma medida da violao de estados limites
A probabilidade de falha uma medida da propenso violao de estados limites. De maneira geral,
escrevemos:
1
}
= 1[{X 1
}
}]
= 1[{q(X) 0}]
Para o problema fundamental, envolvendo apenas duas variveis aleatrias (Eq. 3.4), esta probabili-
dade dada por:
1
}
= 1[{1 o}]
= 1[{1o 0}] (3.5)
A avaliao desta probabilidade d origem ao que chamamos de problema fundamental de conabili-
dade.
3.2.3 Problema fundamental de conabilidade
A Equao (3.5) envolve a avaliao da probabilidade de que qualquer ponto (r, :) esteja dentro do
domnio que caracteriza a falha (evento {1 o 0}). Esta probabilidade pode ser avaliada a partir da
Equao (2.46):
1
}
= 1[(r, :) 1
}
] =
Z Z
1
j
)
1S
(r, :)drd:
onde )
1S
(r, :) a funo conjunta de densidade de probabilidades de 1 e o. Conforme ilustrado na Figura
3-2, o domnio de falha 1
}
limitado pela equao r = :, de forma que:
1
}
=
Z
+
Z
s
)
1S
(r, :)drd:
Se as variveis 1 e o forem estatsticamente independentes, temos:
)
1S
(r, :) = )
1
(r))
S
(:)
Neste caso, a probabilidade de falha ca:
1
}
=
Z
+
)
S
(:)
Z
s
)
1
(r)dr
d: =
Z

)
S
(:)1
1
(:)d: (3.6)
onde:
)
S
(:) = funo marginal de densidade de probabilidade da solicitao;
1
1
(:) = funo marginal de distribuio cumulativa de probabilidades da resistncia.
Portanto, a probabilidade de falha vem a ser a rea sob a curva )
S
(:)1
1
(:). Esta rea proporcional
(mas no idntica) area de interferncia entre as distribuies de 1 e o, conforme Figura (3-3). Por
esta semelhana, este problema tambm conhecido na literatura como o problema de interferncia entre
populaes.
A Figura (3-3) ilustra dois casos de interferncia entre distribuies: interferncia menor a esquerda
e maior a direita. Observa-se as distribuies de probabilidade (PDF) acima e o produto )
S
(:)1
1
(:)
abaixo. Dos grcos da esquerda para a direita pode-se observar que ocorre uma maior sobreposio
das curvas PDF, que so acompanhadas de uma maior rea do diagrama de )
S
(:)1
1
(:), ou seja, maior
probabilidade de falha. Observa-se ainda que este aumento no diretamente proporcional: um aumento
modesto na sobreposio das PDFs causa um grande aumento na probabilidade de falha.
Na Figura (3-3) pode-se observar ainda dois procedimentos que podem ser adotados em projeto para
diminuir a probabilidade de interferncia entre as distribuies, ou seja, para diminuir a probabilidade
de falha da estrutura. O efeito dos coecientes de segurana o de afastar as mdias das distribuies, e
corresponde a um super-dimensionamento da estrutura. A outra alternativa diminuir os desvio-padro
das variveis 1 e o. O desvio-padro da resistncia usualmente est relacionado com a variabilidade de
propriedades do material, e pode ser diminuido atravs do uso de materiais de melhor qualidade, com
propriedades mais homogneas. mais difcil controlar ou diminuir o desvio-padro da solicitao.
S
R
f
D
S
R
f
D
S
R
f
D
Figura 3-2: Domnio de falha para o problema 1o.
3.2. ESTADOS LIMITES 81
Figura 3-3: Problema fundamental de conabilidade (interferncia entre populaes).
3.2.4 Margem de segurana e soluo para e variveis aleatrias normais
O problema fundamental de conabilidade tambm pode ser resolvido atravs da varivel margem de
segurana ('):
' = 1 o (3.7)
Valores negativos da margem de segurana correspondem falha da estrutura, enquanto que valores
positivos indicam segurana. Um valor nulo da margem de segurana corresponde condio de estado
limite. Se 1 e o so variveis aleatrias, ' ser tambm uma varivel aleatria. Neste caso, pode-se
calcular a probabilidade de falha a partir de ':
1
}
= 1[{' 0}] =
Z
0
)
1
(:)d: = 1
1
(0) (3.8)
Esta probabilidade ilustrada na Figura (3-4).
Se 1 e o so variveis aleatrias normais, pode-se resolver o problema analiticamente. Neste caso, a
distribuio de ' tambm ser normal. Assumindo independncia entre 1 e o, os parmetros de ' so
calculados por:
j
1
= j
1
j
S
o
1
=
q
o
2
1
+o
2
S
(3.9)
A varivel ' pode ser transformada em uma varivel normal padro 1 (com mdia nula e desvio-
padro unitrio), fazendo:
1 =
' j
1
o
1
(3.10)
Esta transformao permite avaliar probabilidades associadas varivel ' atravs da funo de
distribuio cumulativa normal padro, (). A probabilidade de falha resulta:
f
M
m
P
f
=PMs0
1 0 1 2 3 4
Figura 3-4: Probabilidade de falha em funo da margem de segurana.
1
}
= 1[{' 0}]
= 1
{1
j
1
o
1
}
j
1
o
1
(3.11)
Observa-se que na varivel 1 , que possui mdia nula e desvio-padro unitrio, obtm-se uma medida
da probabilidade de falha. Esta uma medida geomtrica, pois corresponde distncia entre o ponto
: = 0 e a origem (mdia) da distribuio de 1, conforme a Figura (3-5). Esta medida chamada de
ndice de conabilidade, representada pela letra grega , (beta) e dada pela razo

f
cf
:
,
j
1
o
1
=
j
1
j
S
p
o
2
1
+o
2
S
(3.12)
Incorporando os resultados anteriores, obtemos:
1
}
=
j
1
o
1
= (,) (3.13)
Nesta expresso, observa-se que o ndice de conabilidade , est diretamente relacionado proba-
bilidade de falha. O ndice de conabilidade , extrema importncia na conabilidade estrutural. Os
resultados aqui apresentados sero amplamente utilizado nos prximos captulos, pois permitem obter a
soluo de problemas envolvendo um nmero qualquer de variveis aleatrias.
A soluo do problema fundamental para duas variveis aleatrias normais, e a denio do ndice de
conabilidade conforme Eq. (3.12) so resultados obtidos por Cornell (1969). Note-se que a expresso
(3.12) estritamente vlida apenas para v.a.s 1 e o normais e margem de segurana linear.
3.2.5 Problema fundamental de conabilidade para e log-normais
Uma soluo analtica semelhante a Eq. (3.12), obtida para o caso em que as variveis aleatrias 1 e o
tem distribuio log-normal. Seja 1 1(`
1
,
1
) e o 1(`
S
,
S
). Neste caso, convm escrever uma
equao equivalente margem de segurana como:
7 =
1
o
(3.14)
Tomando o logaritmo de ambos os lados da expresso, obtemos:
ln(7) = ' = ln(1) ln(o)
3.3. PROJETO UTILIZANDO COEFICIENTES DE SEGURANA 83
y
P
f
=
=
M
M
3 2 1 0 1 2 3
Figura 3-5: Probabilidade de falha em termos da varivel normal padro 1 .
Como 1 e o tem distribuio log-normal, resulta que ln(1) e ln(o) tem distribuio normal. Logo, '
tambm tem distribuio normal, com parmetros ' (`
1
`
S
,
q
2
1
+
2
S
). Portanto, de maneira
semelhante Eq. (3.12), o ndice de conabilidade obtido como:
, =
`
1
`
S
q
2
1
+
2
S
Utilizando as relaes entre distribuio normal e log-normal (Eq. 2.40), pode-se mostrar que este resul-
tado ca:
, =
ln
:
r
1+o
2
:
1+o
2
T
q
ln((1 +c
2
1
)(1 +c
2
S
))
onde c = o,j. Se os coecientes de variao forem pequenos (c
1
, c
1
< 0.3), este resultado se simplica
para:
, =
ln
q
c
2
1
+c
2
S
(3.15)
Este resultado se deve a Rosenbleuth e Esteva (1972).
3.3 PROJETOUTILIZANDOCOEFICIENTES DESEGURANA
A formulao apresentada na Seo 3.2 prpria para avaliar a segurana de uma estrutura, pois leva em
conta as incertezas e as distribuies de probabilidade associadas s variveis de projeto. No entanto, esta
formulao inadequada para a realizao de projetos estruturais na prtica. Na prtica de engenharia, a
questo do projeto sob incertezas endereada indiretamente, atravs do uso de coecientes de segurana.
Utilizando estes coecientes, possvel produzir um projeto seguro, ainda que no seja possvel medir
quo seguro o projeto resultante . Nesta seo, fazemos um paralelo entre a formulao apresentada na
Seo 3.2 e a prtica usual de projeto utilizando coecientes de segurana.
3.3.1 Valores caractersticos de resistncia e solicitao
Para realizar o projeto de estruturas de maneira determinstica, ou sem a considerao explicita das
variveis aleatrias, trabalhamos com valores caractersticos de resistncias e solicitaes. Para variveis
normais, os valores caractersticos so obtidos como:
r
|
= j
1
/
1
o
1
:
|
= j
S
+/
S
o
S
onde r
|
a resistncia caracterstica e /
1
uma constante que reete a conana associada com o valor
caracterstico r
|
(Figura 3-6).O nvel de conana associado s constantes / e aos valores caractersticos
assim obtidos determinado a partir da funo de distribuio cumulativa de probabilidades. Para
variveis normais, tem-se:
Tabela 3.1: Nveis de conana para distribuio normal
Constantes /
1
e /
S
Nvel de conana
1[{1 r
|
}] = 1 1
1
(r
|
)
1[{o < :
|
}] = 1
S
(:
|
)
1.000 0.841
1.645 0.950
2.000 0.977
3.000 0.999
Para distribuies estatsticas diferentes da normal, os valores caractersticos so obtidos em termos
da inversa da funo de distribuio cumulativa de probabilidades e do nvel de conana j
|
desejado.
Sendo:
j
|
= 1[{1 r
|
}] ou j
|
= 1[{o < :
|
}]
tem-se:
r
|
= 1
1
1
(1 j
|
)
:
|
= 1
1
S
(j
|
)
O uso de valores caractersticos de resistncia e solicitao em projeto representa uma margem de
segurana. Para avaliar a dimenso desta margem, conveniente dividirmos os valores caractersticos
pelos valores mdios. Desta forma, obtemos um fator de reduo da resistncia, c
|
, e um fator de
majorao de solicitaes,
|
, semelhantes aos utilizados em normas tcnicas:
c
|
=
r
|
j
1
< 1
|
=
:
|
j
S
1
Os fatores de reduo da resistncia e de majorao de solicitaes dependem das distribuies de
probabilidade destas variveis. As Tabelas 3.2 e 3.3 mostram os valores destes coecientes, obtidos
xando o nvel de conana desejado (j
|
) em 95% e considerando um mesmo valor mdio, para diferentes
distribuies de probabilidade e diferentes coecientes de variao (C.V.).
Tabela 3.2: Fatores de reduo de resistncia c
|
para conana j
|
= 0.95 (95%).
Distribuio c
|
C.V. 0.1 0.2 0.3 0.4 0.5
Normal 0.8355 0.6710 0.5065 0.3421 0.1176
Lognormal 0.8445 0.7080 0.5910 0.4927 0.4112
Gumbel 0.8694 0.7389 0.6083 0.4778 0.3472
Frechet 0.8802 0.7809 0.6999 0.6344 0.5818
Weibull 0.8169 0.6470 0.4979 0.3736 0.2747
Gamma 0.8414 0.6953 0.5608 0.4355 0.3416
Nas tabelas, observamos uma variao muito grande dos fatores c
|
e
|
, em funo da distribuio
de probabilidades e do coeciente de variao destas variveis. Por conta desta variao, o uso de
valores caractersticos em projeto no suciente para garantir uniformidade da segurana das estruturas
projetadas.
3.3. PROJETO UTILIZANDO COEFICIENTES DE SEGURANA 85
Tabela 3.3: Fatores de majorao de solicitaes
|
para conana j
|
= 0.95 (95%).
Distribuio
|
C.V. 0.1 0.2 0.3 0.4 0.5
Normal 1.164 1.329 1.493 1.658 1.822
Lognormal 1.172 1.358 1.552 1.750 1.945
Gumbel 1.187 1.373 1.560 1.746 1.933
Frechet 1.187 1.367 1.534 1.681 1.809
Weibull 1.142 1.305 1.489 1.689 1.903
Gamma 1.170 1.350 1.541 1.752 1.938
3.3.2 Condio de projeto
Considerando uma equao de estado limite em sua forma mais elementar (Eq. 3.4), o problema do
projetista consiste em dimensionar uma estrutura e seus membros de tal forma que esta atenda aos
requisitos de projeto:
determinar 1 tal que 1 o (3.16)
sendo 1 e o duas variveis aleatrias. Para resolver este problema de forma determinstica (isto , sem
utilizar diretamente a teoria de probabilidades), o projetista utiliza coecientes de segurana e valores
representativos de 1 e o, conforme segue. A equao de projeto correspondente :
r
1
:
1
(3.17)
onde as letras minsculas indicam que no se trata mais de variveis aleatrias, mas de valores represen-
tativos das mesmas, e o ndice
1
se refere a condio de projeto (design). Portanto, r
1
a resistncia
de projeto, e :
1
a solicitao de projeto. Trata-se de dois valores representativos, entre os (innitos)
valores que 1 e o podem assumir. Ao projetar utilizando a condio de igualdade, recupera-se a equao
de estado limite do problema (Eq. 3.4), mas agora escrita em termos dos valores representativos:
q(r
1
, :
1
) = r
1
:
1
= 0 (3.18)
A margem de segurana necessria criada ao escolher-se, de maneira apropriada, os valores de
projeto para a resistncia e a solicitao. No contexto das normas de projeto utilizadas na engenharia de
estruturas, utilizamos coecientes de segurana parciais, aplicados aos valores caractersticos de resistncia
e a valores caractersticos ou nominais das aes.
A resistncia de projeto dada por:
r
1
= c
1
r
|
(3.19)
onde c
1
< 1 um fator de reduo da resistncia e r
|
o valor caractersico da resistncia. Nas normas
Brasileiras, utilizamos um coeciente de reduo da resistncia,
1
= 1,c
1
, o qual (em termos gerais)
equivalente ao fator c
1
, de forma que r
1
= r
|
,
1
.
A solicitao de projeto obtida multiplicando um valor caracterstico ou nominal da solicitao
(ao) por um fator de majorao de carregamentos,
S
1, tal que:
:
1
=
S
:
n
(3.20)
Reunindo os resultados (3.19) e (3.20) na Equao (3.17), obtemos:
c
1
r
|

S
:
n
Dividindo esta equao pelo termo a direita, obtemos um fator de segurana parcial, que ser unitrio
ao projetarmos usando a igualdade:
`
1
=
c
1
r
|
S
:
n
1 (3.21)
Considerando ` = 1, percebemos que o termo
S
,c
1
corresponde ao fator de segurana global,
utilizado em muitas normas tcnicas antigas. O fator de segurana global cria uma margem de segurana
em relao aos valores caractersticos de resistncia e solicitao:
r
|
:
n
=

S
c
1
`
c
Incorporando na Eq. (3.21) as margens de segurana criadas em projeto ao utilizarmos os valores
caractersticos, obtemos:
`
1
=
c
1
c
|
j
1
|
j
S
1 (3.22)
O termo j
1
,j
S
nesta equao conhecido como fator de segurana central, utilizado em algumas normas
tcnicas (por exemplo, na geotecnia):
j
1
j
S
`
0
Utilizando esta denio e a igualdade direita na Eq. (3.22), obtemos uma relao entre os diferentes
fatores de segurana:
`
c
=
c
|
|
`
0
Este resultado mostra que o fator de segurana global menor do que o fator de segurana central.
Isto ocorre porque o fator central cria uma margem de segurana em relao mdia das distribuies,
enquanto que o fator global cria esta margem a partir dos valores caractersticos.
A Eq. (3.22) mostra que os fatores de reduo de resistncia poderiam ser incorporados em um s,
fazendo (c
1
c
|
= c). O mesmo poderia ser feito para os fatores de majorao de solicitaes (
S
|
= ),
de forma que:
`
1
=
cj
1
j
S
1 (3.23)
De fato, a explicao para a forma da Equao (3.22) histrica: esta equao se explica por conta
da adoo, no meio tcnico, de valores nominais e caractersticos como valores representativos de aes e
resistncias.
A Figura 3-6 ilustra uma tpica condio de projeto estrutural utilizando coecientes parciais de
segurana. Esto representados nesta gura:
1. A funo de densidades de probabilidade ()
S
(:)) de uma varivel de solicitao, que tipicamente
representa a distribuio de extremos correspondente a um determinado perodo de retorno; o valor
nominal desta solicitao (:
n
) que corresponde a uma probabilidade de 63% de ser excedido dentro
do perodo de retorno.
2. A funo de densidades de probabilidade ()
1
(r)) de uma varivel de resistncia, e o valor carac-
terstico da resistncia (r
|
), tipicamente associado a uma probabilidade de 95% de ser excedido
dentro do perodo de retorno.
3. Os valores de projeto de solicitao e resistncia, obtidos segundo Eqs. (3.20 e 3.19), e as respectivas
margens de segurana em relao aos valores nominais e caractersticos.
4. A margem de segurana adicional obtida quando `
1
1 na Eq. (3.21) Usualmente, projeta-se com
`
1
= 1 ou com `
1
marginalmente maior do que 1.
PSss
n
=.37
PRr
k
=.95
s
n
r
k
S

R s
D
r
D
s
n
S
1 s
D
D
1 r
k
1
R
Figura 3-6: Congurao tpica de projeto estrutural utilizando coecientes de segurana.

3.4. FORMULAO DOS PROBLEMAS DE CONFIABILIDADE ESTRUTURAL 87
3.4 FORMULAODOS PROBLEMAS DECONFIABILIDADE
ESTRUTURAL
3.4.1 Carregamento estrutural
Para abordar de forma apropriada problemas de conabilidade estrutural, fundamental perceber que
os carregamentos em estruturas variam ao longo do tempo. Desta forma, em um problema de cona-
bilidade estrutural tpico, os carregamentos so representados por processos estocsticos. Exemplos de
carregamentos estruturais so:
1. cargas ambientais em geral (vento, ondas, correntes martimas, neve, chuva, etc.);
2. cargas dinmicas em geral (cargas de impacto, cargas de terremoto, carga mvel em pontes, cargas
produzidas por escoamento turbulento, vibraes livres e foradas em geral, etc.);
3. cargas cujo carcter estocstico de variao no tempo mais sutl, pois mudam lentamente (carga de
ocupao em prdios, nvel de agua em um reservatrio ou barragem, carga em pilares de fundaes,
presso do solo em barragens, etc);
4. e alguns poucos carregamentos que no mudam ao longo do tempo (peso prprio da estrutura, etc.).
Fica claro que os carregamentos listados nos tens 1. e 2. acima devem ser representados atravs de
processos estocsticos dependentes do tempo. Isto tambm verdade, ainda que menos bvio, para os
carregamentos listados no tem 3. J os carregamentos que no mudam ao longo do tempo (tem 4.)
podem ser representados por variveis aleatrias. Como o carregamento estrutural tpico um processo
estocstico, o problema de conabilidade estrutural tpico um problema dependente do tempo. Um
problema de conabilidade dependente do tempo nada mais do que um problema que envolve processos
estocsticos.
Em problemas envolvendo um nico carregamento, estaremos interessados no mximo valor que este
carregamento atinge ao longo de determinado perodo de utilizao ou ao longo da vida til da estrutura.
Conforme veremos no Captulo 7, o valor mximo de um processo estocstico em determinado intervalo
de tempo uma varivel aleatria. Isto permite converter um problema de conabilidade estrutural
dependente do tempo em um problema independente do tempo.
Em geral, mais de um carregamento atua simultneamente em uma estrutura. Em alguns casos,
pode-se utilizar tcnicas de combinao de carregamentos para determinar um carregamento equivalente.
Isto pode ou no permitir a converso para um problema de conabilidade estrutural independente do
tempo.
Neste material, representamos um carregamento estrutural por Q(t), de maneira coerente com a
nomenclatura adotada para processos estocsticos, mas j diferenciando carregamentos das variveis de
resistncia (que so representadas por 1). Em problemas envolvendo mais de um carregamento, estes
so representados por um vetor de processos estocsticos Q(t).
3.4.2 Resistncia estrutural
Em geral, a resistncia de estruturas e membros estruturais tambm varia com o tempo, ainda que de
forma mais lenta do que os processos de carregamento. A propagao de trincas de fadiga, a corroso
e o desgaste so fenmenos tpicos que levam reduo da resistncia ao longo do tempo. A cura do
concreto responsvel por um aumento da resistncia ao longo do tempo. A uncia outro fenmeno
dependente do tempo que afeta a resistncia estrutural. Em problemas de conabilidade estrutural, trs
situaes podem ocorrer em termos de variao da resistncia com o tempo:
1. a resistncia no muda ao longo do tempo, ou a variao to pequena que pode ser desprezada;
2. a resistncia varia de forma paramtrica (determinstica);
3. a variao da resistncia com o tempo um processo estocstico.
Na condio de resistncia invariante com o tempo, a mesma representada por um vetor de variveis
aleatrias, R.
3.4.3 O papel do parmetro tempo em problemas de conabilidade estrutural
Em problemas estruturais, carregamentos que no variam ao longo do tempo do origem a problemas
estticos, enquanto que carregamentos dependentes do tempo levam a problemas dinmicos. Em cona-
bilidade, um problema dependente do tempo aquele que envolve processos estocsticos, enquanto que
um problema que envolve apenas variveis aleatrias dito independente do tempo. importante obser-
var, no entanto, que estes dois nveis de dependncia com o tempo so independentes. Pode-se encontrar
problemas de conabilidade dependente do tempo nos quais a resposta mecnica tipicamente esttica,
assim como temos problemas de conabilidade independentes do tempo nos quais a resposta mecnica
dinmica.
O caso de independncia conjunta do tempo trivial, e envolve uma resposta estrutural esttica em
um problema caracterizado por variveis aleatrias.
Um processo estocstico de carregamento que varia lentamente com o tempo d origem a um problema
de conabilidade estrutural dependente do tempo onde a resposta da estrutura esttica. Um exemplo
tpico deste tipo de carregamento a carga til em prdios, que varia aleatriamente conforme as idas e
vindas dos inquilinos.
A resposta transiente de uma estrutura sujeita a um carregamento de impacto representado por uma
varivel aleatria um exemplo de problema de conabilidade independente do tempo no qual a resposta
estrutural dinmica.
Por m, uma estrutura sujeita a carregamentos estocsticos representa um problema dinmico de
conabilidade estrutural dependente do tempo. Este tipo de problema tambm chamado de problema
de vibraes aleatrias.
Como pode ser imaginado, a soluo de problemas de conabilidade estrutural dependente do tempo,
i.e., envolvendo processos estocsticos, mais trabalhosa do que a soluo de problemas envolvendo apenas
variveis aleatrias. Na prxima seo, a fomulao de um problema estrutural tpico, de conabilidade
dependente do tempo, apresentada.
3.4.4 Problema de conabilidade dependente do tempo
Conforme vimos, carregamentos estruturais tpicos so representados por processos estocsticos, de forma
que o problema de conabilidade estrutural tpico um problema dependente do tempo. A Figura (8-1)
ilustra um problema escalar deste tipo. Esta ilustrao reete a dependncia do problema em relao
varivel tempo, mas no reete a multi-dimensionalidade do problema em termos das dimenses dos
vetores R e S(t).
( ) realizao de ( ) r t R t =
t
0
( , )
R
f r t
( , )
S
f s t
( ) realizao de ( ) s t S t =
, r s
Figura 3-7: Problema de conabilidade estrutural tpico envolvendo carregamento estocstico e variao
da resistncia no tempo.
As equaes de estado limite em um problema tpico correspondem a modos de falha dependentes do
tempo:
q(R, S, t) = 0
Conforme vimos, os domnios de falha e sobrevivncia neste caso tambm so funes do tempo:
1
}
(t) = {(r, s)|q(r, s, t) 0}
1
s
(t) = {(r, s)|q(r, s, t) 0} (3.24)
O problema de conabilidade estrutural dependente do tempo corresponde avaliao da probabili-
dade de que o processo estocstico de carregamento S(t) exceda a resistncia 1(t) da estrutura a qualquer
instante durante o perodo T de vida til da mesma. Como qualquer ocorrncia deste evento leva a falha
da estrutura, independentemente do instante t em que ocorra, a probabilidade de falha calculada a
partir do mnimo valor da equao de estado limite durante o perodo de interesse:
1
}
(T) = 1
min
0|T
q(R, S, t) 0
(3.25)
Em geral, no estamos interessados no particular instante t em que a falha ocorre, mas sim na primeira
ocorrncia do evento o(t) 1(t). Falamos, neste caso, em um modelo de falha primeira sobrecarga,
que ser estudado no Captulo 8.
Para um determinado tempo t, uma probabilidade de falha instantnea pode ser calculada integrando-
se a funo conjunta de distribuio de probabilidades sobre o domnio de falha:
1
instantnea
}
(t) =
Z
1
j
(|)
)
RS
(r, s, t)drd: (3.26)
Esta a probabilidade de que uma sobrecarga ocorra exatamente no instante t. importante observar
que tal probabilidade de falha no pode ser integrada no tempo! Basta observar que, para qualquer valor
desta probabilidade, existe um tempo T maior que zero tal que a probabilidade resultante seria maior do
que um! Isto ocorre porque as probabilidades de ocorrncia de uma sobrecarga em dois intantes distintos
t
1
e t
2
so eventos dependentes, i.e., uma sobrecarga s pode ocorrer em um instante t
2
t
1
se no tiver
ocorrido no instante t
1
.
Quando o processo de carregamento S(t) estacionrio e no existe variao da resistncia ao longo do
tempo, o problema de conabilidade estacionrio, o que signica que as probabilidades que caracterizam
o problema no mudam ao longo do tempo. A variao da resistncia com o tempo e/ou um carregamento
no estacionrio tornam o problema de conabilidade no-estacionrio.
A Tabela 3.4 ilustra os diferentes mtodos de soluo de problemas de conabilidade dependente do
tempo.
Tabela 3.4: Mtodos de soluo de problemas de conabilidade dependente do tempo
Problema Nmero Tipo Mtodo de soluo soluo
de cargas envolve
Estacionrio 1 qq Integrao no tempo VA
: qq Regra de Turkstra VA
No estacionrio 1 qq conf. dependente do tempo PE
ou estacionrio : discretas combinao carregamentos PE e VA
: qq point-crossing formula PE e VA
: continuas out-crossings PE e VA*
VA = variveis aleatrias; PE = processos estocsticos. *ou simulao direcional
Estes mtodos sero estudados no Captulo 8. A tabela mostra que vrios mtodos de soluo de
problemas dependentes do tempo fazem uso de solues envolvendo apenas variveis aleatrias. Em
outras palavras, a soluo dos problemas dependentes do tempo exige a soluo de um ou mais problemas
independentes do tempo. Como a soluo de problemas envolvendo apenas variveis aleatrias tambm
mais simples, estes problemas sero estudaremos primeiramente.
3.4.5 Problema de conabilidade independente do tempo
Um problema estrutural envolvendo apenas variveis aleatrias chamado de um problema independente
do tempo. Em geral, as variveis aleatrias so de resistncia ou de solicitao. Por isto, a diferenciao
com as letras R e S evitada, e o vetor de variveis aleatrias que caracteriza o problema simplesmente
chamado de X.
Em termos das variveis de projeto, a equao de estado limite :
q(X) = q(A
R
, A
S
) = q(A
1
, A
2
, ..., A
n
) = 0 (3.27)
O domnio de falha o conjunto de todos os valores que X pode assumir e que levam a falha da
estrutura, conforme representado na Figura 3.2. O domnio de sobrevivncia ou de operao segura
o conjunto complementar a este:
1
}
= {x|q(x) 0}
1
s
= {x|q(x) 0} (3.28)
A probabilidade de falha obtida integrando-se a funo conjunta de densidade de probabilidades
)
X
(r) sobre o domnio de falha (Eq. 2.46):
1
}
=
Z
1
j
)
X
(x)dr (3.29)
Para problemas multi-dimensionais envolvendo uma funo linear q(X) de variveis aleatrias normais,
o ndice de conabilidade de Cornell (Eq. 3.12) obtido como:
,
j
c
o
c
=
1[q(X)]
p
\ ar[q(X)]
(3.30)
Nos prximos captulos, estudaremos diferentes mtodos de soluo do problema formulado na Equao
(3.29). Estes mtodos sero empregados na soluo de problemas dependentes do tempo, envolvendo
processos estocsticos. A Tabela 3.5 resume os mtodos de soluo de problemas de conabilidade estru-
tural independente do tempo.
Tabela 3.5: Mtodos de soluo de problemas de conabilidade independente do tempo
Nvel de
anlise
Mtodo de
cculo
Distribuies
de probabili-
dade
Funes de es-
tado limite
Incerteza em
parametros
Resultado
1: Normas
tcnicas
Calibrao
com tcnicas
nvel 2 ou 3
No so uti-
lizadas
Usualmente
linear
Fatores arbi-
trrios
Fatores de se-
gurana parci-
ais
2: Mtodos
de segundo
momento
Algebra de
segundo
momento
Apenas dis-
tribuio
Normal
Linear, ou
aproximada
como tal
Includa como
VA Normal
Probabilidade
de falha
nominal 1
}
3: Mtodos
exatos
Transformao Distribuio
normal equiv.
Linear, ou
aproximada
como tal
Includa como
VA
Probabilidade
de falha 1
}
Integrao
numrica e
simulao
Utilizao
plena
Qualquer
forma
4: Mtodos de
deciso
Qualquer mt.
acima,
mais inform.
de custos
Custo mnimo
3.4.6 Nvel da anlise de estado limite
Em geral, uma anlise de estado limite pode ser feita a nvel de material, a nvel de membros estruturais
ou a nvel estrutural. O nvel de anlise corresponde ao espao ou dimenso na qual a comparao
entre solicitao e resistncia realizada.
Nos problemas de engenharia mecnica, envolvendo componentes estruturais, esta comparao geral-
mente realizada a nvel de material, conforme ilustrado na Figura (3-8). Os efeitos de carregamento so
tenses, deformaes e fatores de intensidade de tenses (1
1
). A resistncia determinada diretamente a
partir de valores destes efeitos que so crticos para o material. A anlise a nvel de material realizada
nos pontos crticos do componente estrutural.
J na engenharia civil, comum a comparao entre solicitao e resistncia ser realizada a nvel
de elementos estruturais. Neste caso, os efeitos de carregamento so os esforos internos solicitantes.
A resistncia determinada a partir de um modelo que determina os esforos internos resistentes em
funo das dimenses do elemento e da resistncia dos materiais que o compem. Em estruturas de
prticos, por exemplo, a solicitao dada por um momento etor solicitante, e a resistncia pode ser o
momento elstico ou o momento para formao de uma rtula plstica. Este nvel de anlise um nvel
intermedirio, conforme ilustrado na Figura (3-8), onde tanto a resistncia como a solicitao so obtidos
atravs de modelos:
o(t) = efeito de carregamento [Q(t)]
1(t) = funo de resistncia [R,t] (3.31)
Um terceiro nvel de anlise corresponde resposta de estrutura como um todo. A comparao entre
resistncia e solicitao neste caso feita em termos de um deslocamento crtico ou carregamento crtico.
Independentemente do nvel da anlise, a comparao entre resistncia e solicitao realizada em
termos de uma varivel escalar, conforme ca evidente na Equao (3.31):
q(R, S, t) = funo de resistncia [R,t] efeito de carregamento [Q(t)]
= 1(t) o(t) (3.32)
Note que o estado limite em geral um grandeza escalar, ainda que isto no esteja explicito em uma
equao da forma q(R, S, t) = 0.
importante observar ainda que na soluo de problemas multi-dimensionais, no necessrio (e
muitas vezes impossvel) colocar a equao de estado limite na forma escalar explicita da Equao
(3.32).
Modelo de resistncia
CARREGAMENTO Q(t)
Solicitao em termos de
esforos internos
S(t) = efeito de carregamento[Q(t)]
Solicitao a nvel de material
(tenses, deformaes , K
I
)
Resposta estrutural
Resposta estrutural
Somatrio de deformaes
ao longo da estrutura
(deslocamentos)
Resposta estrutural
RESISTNCIA R
Resistncia de
elementos estruturais
R(t) = funo de resistncia [R,t]
Resistncia de material
(tenses crticas, def. crticas, K
IC
)
Deslocamento crtico
Comparao a nvel
de elemento
Comparao a nvel
de material
Comparao a nvel
de estrutura
CARREGAMENTO Q(t)
esforos internos
I
)
Resposta estrutural
Resposta estrutural
(deslocamentos)
Resposta estrutural
RESISTNCIA R
Resistncia de
IC
)
Deslocamento crtico
Comparao a nvel
de elemento
Comparao a nvel
de material
Comparao a nvel
de estrutura
CARREGAMENTO Q(t)
esforos internos
I
)
Resposta estrutural
Resposta estrutural
(deslocamentos)
Resposta estrutural
RESISTNCIA R
Resistncia de
IC
)
Deslocamento crtico
Comparao a nvel
de elemento
Comparao a nvel
de material
Comparao a nvel
de estrutura
Figura 3-8: Nveis de anlise em que a comparao solicitao x resistncia pode ser feita.
3.5 PROGRAMAS DECONFIABILIDADEESTRUTURAL EXIS-
TENTES
Atualmente, existem a nvel mundial alguns poucos programas para a soluo de problemas de conabi-
lidade estrutural. Os programas mais importantes so apresentados na Tabela 3.6:
Tabela 3.6: Programas de conabilidade estrutural
Programa Origem Lanamento Preo (US$)
NESSUS Southwest Research Institute, Texas 1989 20.000,00

PROBAN DnV/Veritas Sesam Systems, Noruega 1989 20.000,00
STRUREL RCP Gmbh, Alemanha 1992 10.000,00
ISPUD University of Innsbruck, Austria 1986 2.200,00
CALREL University of California, Berkeley 1989 1.100,00
COMPASS Martec Limited, Halifax, Canada 1992 2.500,00

StRAnD Escola de Engenharia de So Carlos 2007 sob consulta
Valores de 1992;

licensa anual.
Tabela 3.7: Caractersticas dos programas de conabilidade estrutural
Programa Caractersticas
NESSUS Mdulo de EF probabilsticos integrado; modelagem de campos estocsticos; iterface
com programas de EF comerciais: ANSYS, NASTRAN.
PROBAN Parmetros com distribuio aleatria; mdulos especiais para inspeo e
manuteno; conabilidade de sistemas.
STRUREL Problemas de conabilidade dependente do tempo; integrado com pacote de EF
prprio; anlise estatstica de dados.
ISPUD Integrao numrica adaptativa, amostragem por importncia.
CALREL Interface com pacote de EF prprio (CALREL-FEAP).
COMPASS Interface com pacote de EF prprio (STOVAST).
StRAnD Conabilidade dependente do tempo; conabilidade de sistemas, otimizao de
risco, interface com pacote de EF comerciais (ANSYS).
MDULO DE CONFIABILIDADE
Definio do valor dos parmetros
de projeto (ponto X = x) onde a
equao de estado limite (resposta
mecnica) deve ser avaliada
Avaliao da equao de estado
limite:
( ) ? g = x
Mais pontos necessrios?
Clculo da probabilidade de falha:
[ ( ) 0]
f
P P g = < x
MDULO MECNICO
Determina a resposta da
estrutura:
esforos;
deslocamentos;
tenses;
deformaes;
sim
no
MDULO DE CONFIABILIDADE
Definio do valor dos parmetros
de projeto (ponto X = x) onde a
equao de estado limite (resposta
mecnica) deve ser avaliada
Avaliao da equao de estado
limite:
( ) ? g = x
Mais pontos necessrios?
Clculo da probabilidade de falha:
[ ( ) 0]
f
P P g = < x
MDULO MECNICO
Determina a resposta da
estrutura:
esforos;
deslocamentos;
tenses;
deformaes;
sim
no
Figura 3-9: Independncia entre mdulos de analise mecnica e de conabilidade.
Captulo 4
MTODOS DE
TRANSFORMAO
4.1 INTRODUO
A soluo de problemas de conabilidade estrutural, conforme formulado na Eq. (3.29), envolve a deter-
minao (ou uma aproximao) da funo conjunta de densidade de probabilidades, )
X
(x), bem como
aproximaes do domnio de integrao. Diferentes mtodos de soluo, incluindo mtodos de trans-
formao e simulao de Monte Carlo, envolvem diferentes aproximaes de )
X
(x) e do domnio de
integrao.
Na prtica, no temos observaes que permitam determinar diretamente a funo conjunta de den-
sidades )
X
(x). Isto signica que esta funo deve ser construda com base na informao existente, o
que na maioria dos casos se limita informaes sobre as funes de distribuio marginais, e em alguns
casos ao coeciente de correlao entre pares de variveis aleatrias.
No mtodo de primeira ordem e segundo momento ou FOSM - First Order Second Moment - a equao
de estado limite aproximada por uma funo linear, e a informao estatstica para construo de )
X
(x)
se limita aos momentos de at segunda ordem (mdia e desvio-padro). Uma representao das variveis
aleatrias do problema por seus momentos de primeira e segunda ordem equivalente a assumi-las com
distribuio normal. Esta hiptese bastante limitante no tocante soluo de problemas prticos. No
entanto, a soluo conhecida como FOSM a base terica para a construo de solues mais robustas,
e de maior aplicao prtica. O mtodo FOSM a base dos demais mtodos de transformao.
No mtodo de conabilidade de primeira ordem ou FORM - First Order Reliability Method - toda a
informao estatstica a respeito das variveis aleatrias do problema utilizada. Isto inclui distribuies
marginais no-normais bem como os coecientes de correlao entre pares de variveis. O domnio de
integrao na Eq. (3.29) ainda aproximado por uma funo linear. O mtodo de conabilidade de
segunda ordem ou SORM - Second Order Reliability Method - utiliza a mesma informao estatstica
para construo da funo conjunta de densidades, mas aproxima a equao de estado limite por uma
equao de segundo grau.
Neste captulo, estudamos inicialmente o mtodo de segundo momento (FOSM), e em seguida os
mtodos de primeira e de segunda ordem (FORM e SORM).
O problema fundamental de conabilidade foi denido em R
2
na Seo 3.2.3, e foi resolvido em R
na Seo 3.2.4. Uma formulao mais geral, em R
n
, foi apresentada na Seo 3.4.5, para um problema
envolvendo : variveis aleatrias. Neste captulo, estudamos como a soluo fundamental estendida
para R
n
, e adaptada para problemas envolvendo variveis aleatrias com qualquer distribuio de prob-
abilidades. Inicialmente, uma soluo do problema fundamental obtida em R
2
, e ento generalizada
para o R
n
.
Os mtodos de conabilidade estrutural ditos de transformao esto baseados em um mapeamento
(transformao) do vetor de variveis aleatrias do problema, X, com qualquer distribuio conjunta
de probabilidades, em um vetor de variveis aleatrias Y, com distribuio normal padro. Estes dois
vetores esto denidos em R
n
, sendo : o nmero de variveis aleatrias do problema. A imagem de
cada um destes vetores formada por diferentes sub-conjuntos do R
n
. Neste material, denotamos por X o
subconjunto de R
n
correspondente a imagem do vetor X, e por Y o subconjunto correspondente a imagem
do vetor Y.Desta forma, os mtodos de transformao esto baseados em um mapeamento que leva de
X Y e de Y X. Na literatura de conabilidade estrutural, o conjunto X chamado, genricamente,
de espao de projeto, pois corresponde aos valores que as variveis de projeto (vetor X) pode assumir.
93
94 ANDR T. BECK, MTODOS DE TRANSFORMAO
De maneira semelhante, o conjunto Y chamado de espao normal padro. No conjunto X, as variveis
tem dimenso (MPa, kN, mm, etc), enquanto que o conjunto Y adimensional. importante observar
que, nestas denies, o emprego da palavra espao no condiz com a interpretao matemtica.
4.2 FOSM - MTODO DE PRIMEIRA ORDEM E SEGUNDO
MOMENTO
4.2.1 A transformao de Hassofer e Lind
Os mtodos de transformao (FOSM, FORM e SORM) esto baseados na importante transformao de
Hassofer e Lind:
1
I
=
A
I
j
1
o
1
(4.1)
A Eq. (4.1) transforma um conjunto (vetor) de variveis Gaussianas X, com mdia e desvios-padro
quaisquer, em um conjunto Y de variveis aleatrias normais com mdia nula e desvio padro unitrio.
A funo conjunta de distribuio de probabilidades )
Y
(y) chamada de distribuio normal padro
multi-varivel ou multi-dimensional:
c
n
(y) =
1
(2)
n/2
exp
1
2
kyk
2
onde kyk =
p
y
T
y a norma Euclidiana do vetor y. Esta distribuio possui importantes propriedades
de simetria e decaimento exponencial em relao origem, que so exploradas na soluo via FOSM e
FORM..
4.2.2 Interpretao geomtrica do ndice de conabilidade
Uma interpretao geomtrica do ndice de conabilidade , obtida aplicando-se a transformao de
Hassofer e Lind ao problema de conabilidade fundamental (Eq. 3.5) e resolvendo-se o seguinte problema
de otimizao:
encontrar o ponto: (j
1
, j
2
)
que minimiza: d
2
= j
2
1
+j
2
2
sujeito a: q(j
1
, j
2
) = 0
Transformando as variveis 1 e o nas variveis 1
1
e 1
2
, atravs da Eq. (4.1), a expresso da margem
de segurana se torna:
:(r, :) = r : = q(j
1
, j
2
) = j
1
o
1
+j
1
j
2
o
S
j
S
(4.2)
O problema ilustrado na Figura (4-1).
Fazendo q(j
1
, j
2
) = 0 e isolando j
2
na expresso (4.2), obtemos:
j
2
=
j
1
o
1
+j
1
j
S
o
S
(4.3)
O quadrado da distncia entre um ponto qualquer (j
1
, j
2
) e a origem d
2
= j
2
1
+ j
2
2
. Derivando em
relao a j
1
e igualando a zero, obtemos a condio de mnimo:
2j
1
+ 2j
2
0j
2
0j1
= 0
2j
1
+ 2j
2
o
1
o
S
= 0
Utilizando a Eq. (4.3), obtemos a coordenada j
1
do ponto sobre a Eq. q(j
1
, j
2
) = 0 mais prximo da
4.2. FOSM - MTODO DE PRIMEIRA ORDEM E SEGUNDO MOMENTO 95
Domnio seguro
Domnio de falha
gR,SRS0
0 1 2 3 4 5 6 7 8 9 10 11
0
1
2
3
4
5
6
7
8
9
10
11
Resistncia R
S
o
l
i
c
i
t
a
Domnio seguro Domnio de falha

gy
1
, y
2
y
1
R
y
2
S
0
3 2 1 0 1 2 3
3
2
1
0
1
2
3
Y
1
R
R
R
Y
2
S
Figura 4-1: Transformao das variveis 1 e o em variveis normais padro.
origem:
j
1
= j
2
o
1
o
S
=
o
1
(j
1
j
S
)
o
2
1
+o
2
S
Considerando novamente a distncia d
2
= j
2
1
+ j
2
2
, derivando em relao a j
2
e igualando a zero, e
utilizando a Eq. (4.3), obtemos a coordenada j
2
do ponto sobre q(j
1
, j
2
) = 0 mais prximo da origem:
j
2
= j
1
o
S
o
1
=
o
S
(j
1
j
S
)
o
2
1
+o
2
S
Reunindo os dois resultados, temos as coordenadas do ponto sobre :(j
1
, j
2
) = 0 mais prximo da
origem:
(j
1
, j
2
) =
(j
1
j
S
)
o
2
1
+o
2
S
(o
1
, o
S
) (4.4)
Substituindo este resultado em d
2
= j
2
1
+ j
2
2
e tomando a raiz, obtemos uma expresso para a mnima
distncia entre a equao q(j
1
, j
2
) = 0 e a origem (veja Figura 4-2):
d
min
=
j
1
j
S
p
o
2
1
+o
2
S
(4.5)
Observa-se que este resultado idntico expresso do ndice de conabilidade , de Cornell (Eq.
3.12). Podemos generalizar este resultado, constatando que o ndice de conabilidade corresponde
mnima distncia entre a equao de estado limite e a origem do espao normal padro:
, = d
min
=
j
1
j
S
p
o
2
1
+o
2
S
(4.6)
Como a probabilidade de falha calculada a partir do ndice de conabilidade:
1
}
= (,) (4.7)
verica-se que o ndice de conabilidade , uma medida geomtrica da probabilidade de falha. Este
resultado utilizado para formular uma denio geomtrica do ndice de conabilidade ,:
Denio 37 O ndice de conabilidade , uma medida geomtrica da probabilidade de falha, que
y
P
f
=
=
G
G
3 2 1 0 1 2 3
Figura 4-2: Aproximao de primeira ordem - integrao uni-dimensional.
corresponde mnima distncia entre a equao de estado limite e a origem do espao normal padro Y.
Este resultado muito importante, pois permite estender a soluo para problemas multi-dimensionais,
e permite que problemas de conabilidade independente do tempo sejam resolvidos utilizando algoritmos
de otimizao. Antes de fazermos esta generalizao, convm escrever as coordenadas do ponto de mnimo
(ponto de projeto) em termos do ndice de conabilidade ,. Para isto, introduzimos o vetor de cossenos
diretores do ponto de projeto:
(c
1
, c
2
) =
q(j
1
, j
2
)
kq(j
1
, j
2
)k
=
1
kq(j
1
, j
2
)k
0q
0j
1
,
0q
0j
2
=
1
p
o
2
1
+o
2
S
(o
1
, o
S
)
Substituindo este resultado na Eq. (4.4), e utilizando a Eq. (4.6), obtemos:
(j
1
, j
2
) =
1
p
o
2
1
+o
2
S
(o
1
, o
S
)
(j
1
j
S
)
p
o
2
1
+o
2
S
= (c
1
, c
2
), (4.8)
Este resultado mostra que o ponto de projeto ponto de projeo da equao de estado limite sobre a
origem do espao Y.
4.2.3 O ponto de projeto
O ponto y
(ou (j
1
, j
2
)) sobre a equao de estado limite que corresponde minima distncia origem
(Eq. 4.4) chamado de ponto de projeto, e habitualmente indicado por um asterisco (
). O ponto de
projeto vem a ser o ponto sobre o domnio de falha com maior probabilidade de ocorrncia, como ser
visto.
A transformao para o espao normal padro d origem a uma distribuio multi-normal padro
)
Y
(y), a qual possue simetria radial, e cujas curvas de equi-probabilidade so crculos concntricos cen-
trados na origem (Figura 4-1). Na gura pode-se identicar o fato de que o ponto sobre o domnio de
falha com a maior probabilidade de ocorrncia aquele que intercepta a linha de equi-probabilidade de
maior contedo de probabilidade. Devido forma circular das linhas de equi-probabilidade, este tam-
bm o ponto sobre a equao de estado limite mais prximo da origem. Isto acontece porque a funo
de densidade multi-normal padro decai exponencialmente com a distncia radial da origem, enquanto
que a distncia origem aumenta de forma quadrtica. Portanto, o ponto de projeto o ponto sobre o
domnio de falha com maior probabilidade de ocorrncia.
Este resultado tambm muito importante. Por ser o ponto sobre o domnio de falha com maior
probabilidade de ocorrncia, o ponto de projeto tambm o ponto ideal para se realizar a linearizao
da equao de estado limite, quando esta for no-linear.
4.2.4 Generalizao para problemas -dimensionais
Os resultados apresentados na Seo (4.2.2), obtidos em R
2
, podem ser generalizados para problemas
:-dimensionais (R
n
). A soluo do problema de conabilidade independente do tempo no espao normal
padro passa a ser a soluo do seguinte problema de otimizao:
encontrar o ponto: y
que minimiza: d = kyk =

p
y
T
y
sujeito a: q(y) = 0 (4.9)
onde d a distncia entre um ponto y qualquer e a origem. Este um tpico problema de otimizao
com restries. Neste caso, o ndice de conabilidade a mnima distncia, encontrada como:
, = ky
k =
p
y
T
y
(4.10)
Este conhecido como o ndice de conabilidade de Hassofer e Lind (1974).
Neste caso, o vetor gradiente da equao de estado limite q(y) :
q(y) =

0q
0j
1
,
0q
0j
2
, ...,
0q
0j
n
T
Os cossenos diretores de um ponto qualquer sobre a equao de estado limite so obtidos dividindo-se
o vetor gradiente pelo mdulo do mesmo:
(y) =
q(y)
kq(y)k
(4.11)
O ponto de projeto y
o ponto sobre a equao de estado limite mais prximo da origem do espao

Y. Neste ponto, o gradiente da equao de estado limite se projeta sobre a origem, de forma que:
y
= , (4.12)
onde , = ky
k a distncia entre y
e a origem do espao Y. Note a semelhana desta expresso com a

Eq. (4.8).
4.2.5 Equao de estado limite linear
Em R
n
, uma equao de estado limite q(x) = 0 linear vem a ser um hiper-plano. A transformao de
Hassofer e Lind linear, e portanto tem a propriedade de preservar a linearidade da equao de estado
limite. Assim, a equao de estado limite no espao Y, q(y) = 0, tambm um hiper-plano. Os cossenos
diretores deste hiper-plano (Eq. 4.11) so constantes (funo linear).
As coordenadas do hiper-plano no espao Y podem ser escritas como:
q(y) = , +
|
y = , +
n
X
I=1
c
I
j
I
= 0 (4.13)
A equao correspondente no espao de projeto X obtida aplicando a transformao (Eq. 4.1) em
(4.13):
q(x) = ,
n
X
I=1
c
I
o
1
j
1
+
n
X
I=1
c
I
o
1
r
I
= 0
Com uma mudana de variveis:
/
I
=
c
I
o
1
; /
0
= ,
n
X
I=1
/
I
j
1
obtemos:
q(x) = /
0
+
n
X
I=1
/
I
r
I
= 0
que tambm uma funo linear em x. Tomando o valor esperado da funo q(X):
1[q(X)] = /
0
+
n
X
I=1
/
I
j
1
= ,
Tomando a varincia de q(X):
\ ar[q(X)] =
n
X
I=1
/
2
I
o
2
1
=
n
X
I=1
c
I
o
2
o
2
1
= 1
Para uma equao de estado limite linear e distribuies normais, o ndice de conabilidade de Cornell
(Eq. 3.30), calculado como:
1[q(X)]
p
\ ar[q(X)]
=
,
1
= ,
Observamos que este resultado idntico ao ndice de conabilidade , calculado a partir da soluo do
problema de minimizao no espao Y. Portanto, o ndice de conabilidade , independe do espao de
soluo. Em geral, esta observao s vlida para equaes de estado limite lineares.
Exemplo 38 Projeto segundo norma (equao linear).
Enunciado: A condio de projeto para estruturas sujeitas a cargas permanentes e variveis, nas
normas americanas, dada pela equao:
c
1
1
n
=
1
1
n
+
J
1
n
sendo c
1
,
1
e
J
coecientes parciais de segurana, 1 a resistncia do elemento, 1 a ao permanente e
1 a ao varivel. O ndice
n
refere-se a valores nominais das respectivas variveis. A equao de estado
limite correspondente linear, e dada por:
q(X) = 1(1 +1)
sendo X = {1, 1, 1}. As estatticas das 3 variveis aleatrias envolvidas esto apresentadas na tabela, em
relao aos valores nominais. Assumindo distribuies normais e considerando aes nominais unitrias
(1
n
= 1, 1
n
= 1), determine o ndice de conabilidade para os coecientes parciais utilizados na norma
americana: c
1
= 0.9,
1
= 1.2 e
J
= 1.6.
Varivel Mdia C.V.
1 1.181
n
0.13
1 1.051
n
0.10
1 1.001
n
0.25
Soluo: Inicialmente, determinamos o valor nominal da resistncia a partir das solicitaes nominais
e dos coecientes de segurana parciais:
1
n
=

1
1
n
+
J
1
n
c
1
=
1.2 1 + 1.6 1
0.9
=
2.8
0.9
= 3.1111
O vetor de mdias obtido a partir dos valores nominais e dos dados da tabela: M = {3.6711, 1.05, 1.0}.
Um vetor de desvios-padro obtido multiplicando os termos de M pelos coecientes de variao =
{0.4772, 0.105, 0.25}. Como a equao de estado limite linear, a Eq. 3.30 pode ser utilizada diretamente:
, =
1[q(X)]
p
\ ar[q(X)]
=
3.6711 1.05 1.0
0.4772
2
+ 0.105
2
+ 0.25
2
= 2.95
4.2.6 Equao de estado limite no-linear
Equaes de estado limite em problemas de conabilidade estrutural so, em geral, no-lineares. Neste
caso, a soluo dividida em duas partes:
1. soluo de problema de otimizao para encontrar o ponto de projeto e o ndice de conabilidade;
2. aproximao da equao de estado limite por um hiper-plano, no ponto de projeto.
Estas etapas so detalhadas a seguir.
Soluo de problema de otimizao
Conforme vimos, o ponto de projeto corresponde ao ponto sobre a equao de estado limite mais prximo
da origem. Portanto, ele pode ser encontrado a partir da soluo do problema de otimizao formulado
na Eq. (4.9). Utilizando um multiplicador de Lagrange `, obtm-se um problema de otimizao sem
restries. O Lagrangeano deste problema :
L(y,`) = (y
T
y)
1
2
+`q(y) (4.14)
Um ponto estacionrio de (4.14) obtido derivando-se L(y,`) em relao a j e a ` igualando todos os
termos a zero:
0L
0y
= yd
1
+`q(y) = 0 (4.15)
0L
0`
= q(y) = 0 (4.16)
A expresso (4.16) satisfeita automaticamente se y est sobre a eqauo de estado limite. A Eq. (4.15)
leva as coordenadas do ponto estacionrio y
est
:
y
est
= `dq(y) (4.17)
Assumindo que este ponto de estacionariedade seja um ponto de mnimo (o ponto de projeto y
), e
usando d =
p
y
T
y, obtm-se:
` = (q
T
q)
1/2
= kqk
1
o que, substitudo em (4.17) leva a:
d
min
=
q
kqk
y
=
T
y
(4.18)
A seguir, mostramos que esta distncia mnima vem a ser o ndice de conabilidade ,, obtido atravs
de uma linearizao da equao de estado limite no ponto de projeto.
Linearizao da equao de estado limite
Fazendo uma expanso da equao de estado limite q(y) em srie de Taylor em torno de um ponto
qualquer y
, limitada aos termos de primeira ordem, obtemos:

e q(y) = q(y
)+
n
X
I=1
0q(y)
0j
I
y=y
(j
I
j
I
) (4.19)
= q(y
)+q
T
(y y
) (4.20)
onde q o gradiente da equao de estado limite e e q(y) uma aproximao linear da equao de estado
limite. Tomando o valor esperado:
1[e q(y)] = q(y
)
n
X
I=1
0q(y)
0j
I
y=y
I
= q(y
) q
T
y
Se o ponto y
est localizado sobre a equao de estado limite, q(y
) = 0, portanto:
1[e q(y)] = q
T
y
Tomando a varincia da expresso (4.19), obtemos:

\ ar[e q(y)] =
n
X
I=1
0q(y)
0j
I
y=y
!
2
= q
T
q (4.21)
Utilizando a denio do ndice de conabilidade (Equao 3.30) obtemos:
, =
1[e q(y)]
(\ ar[e q(y)])
1
2
=
q
T
y
(q
T
q)
1/2
=
T
y
(4.22)
Este resultado identico Eq. (4.18) para y
= y
. Portanto, a mnima distncia entre o ponto de

projeto e a origem corresponde ao ndice de conabilidade para a equao de estado limite linearizada,
desde que a mesma seja linearizada no ponto de projeto.
Conforme visto, o ponto de projeto tambm o ponto sobre o domnio de falha com maior probabi-
lidade de ocorrncia, o que signica que o maior contedo de probabilidades do domnio de falha est na
vizinhana deste ponto. Sendo assim, uma linearizao da equao de estado limite neste ponto minimiza
o erro cometido ao se calcular a probabilidade de falha em termos da equao linearizada.
Aproximao de primeira ordem da probabilidade de falha
Em resumo, a soluo de problemas envolvendo equaes de estado limite no lineares evolve a busca
pelo ponto de projeto e a aproximao da equao de estado limite por um hiper-plano centrado neste
ponto. Sendo , a mnima distncia entre a equao de estado limite e a origem do espao normal padro,
uma estimativa de primeira ordem da probabilidade de falha obtida como:
1
}1C
= (,) (4.23)
Note que, conforme ilustrado nas guras (4-1 e 4-2), a integral multi-dimensional sobre o domnio de
falha (Eq. 3.29) substituda por uma integral uni-dimensional na varivel d, sendo d a distncia da
origem na direo do ponto de projeto y
.
O mtodo de primeira ordem no fornee estimativas para o erro cometido com a linearizao da
equao de estado limite. No entanto, este erro pode ser avaliado com base na Figura (4-3). Nesta
gura, destaca-se que a preciso da aproximao de primeira ordem depende do grau de no-linearidade
da equao de estado limite no ponto de projeto. A rea hachurada na gura corresponde ao contedo
de probabilidade negligenciado com a aproximao de primeira ordem, e portanto corresponde ao erro
da aproximao. Ao interpretar-se esta gura, deve-se lembrar que o maior contedo de probabilidades
de )
X
(x) no domnio de falha est nas proximidades do ponto de projeto. Deve-se ressaltar ainda que
a aproximao de primeira ordem (Eq.4.23) assinttica, isto , ela melhora medida que , aumenta.
Isto signica que, mesmo que o erro relativo ((1
}
1
}
1C
) ,1
}
) permanea constante, o valor absoluto
do erro (1
}
1
}1C
) tende a zero quando , tende a innito. O erro da aproximao de primeira ordem
tambm aumenta com o aumento do nmero de variveis aleatrias do problema (Schuller e Stix, 1987).
*
y
*
( ) 0 g V =
y
y y
( ) 0 g = y
2
Y
1
Y
2
Y
1
Y
Figura 4-3: Aproximao de primeira ordem (FORM).
4.2.7 Soluo numrica do problema de otimizao
A soluo de problemas de conabilidade via FOSM (ou via FORM), para equaes de estado limites
lineares ou no lineares, envolve a soluo de um problema de otimizao para busca do ponto de projeto.
Com este m, qualquer algoritmo de otimizao capaz de resolver o problema expresso na Eq. (4.9) pode
ser utilizado.
Entre os critrios para escolha de determinado algoritmo, esto a generalidade, robustez e ecincia.
Meree destaque a ecincia, medida a partir do nmero de avaliaes da equao de estado limite
necessrios para a convergncia. Este nmero fundamental quando a equao de estado limite dada
de forma numrica, por exemplo atravs de um modelo de elementos nitos, pois cada avaliao de q(x)
corresponde a uma soluo do modelo de elementos nitos.
Um algoritmo muito conhecido o de Hassofer, Lind, Rackwitz e Fiessler, ou HLRF. Este algoritmo
continua muito popular, devido sua simplicidade, ainda que no seja necessariamente eciente para
equaes fortemente no-lineares. Um ponto fraco deste algoritmo o fato de no existir garantia de
convergncia. Nas sees a seguir estudamos o algoritmo HLRF bem como uma modicao do mesmo
para o qual a convergncia pode ser garantida. Outros algoritmos que podem ser utilizados na soluo do
problema denido em (4.9) incluem: gradientes projetados, multiplicadores de Lagrange, Lagrangeanos
aumentados, programao quadrtica seqencial.
Algoritmo de Hassofer, Lind, Rackwitz e Fiessler
O algoritmo conhecido como algoritmo de Hassofer, Lind, Rackwitz e Fiessler, ou HLRF, foi desenvolvido
especcamente para soluo do problema de otimizao em conabilidade estrutural (Hasofer e Lind,
1974, Rackwitz e Fiessler, 1978). Sua frmula recursiva est baseada na aproximao de um ponto
qualquer y superfcie q(y) = 0 e na perpendicularizao entre o vetor y e a superfcie q(y) = 0.
Seja y
|
um ponto inicial qualquer, mesmo fora da superfcie de falha, mas candidato a aproximar o
vetor perpendidular a q(y) = 0 passando pela origem. No ponto y
|
, uma expanso da equao de estado
limite em srie de Taylor com termos de primeira ordem leva a:
e q(y
|+1
) = q(y
|
) +q(y
|
)
T
(y
|+1
y
|
) = 0 (4.24)
onde q(y
|
) o gradiente da equao de estado limite (no espao normal padro), avaliado no ponto y
|
.
Um novo ponto y
|+1
encontrado sobre a equao linearizada, de forma que e q(y
|+1
) = 0, conforme Eq.
(4.24). Seja
|
=
q(y
|
)
kq(y
|
)k
(4.25)
o vetor de cossenos diretores da equao de estado limite avaliado no ponto y
|
, e ,
|
o valor inicial do
ndice de conabilidade (,
|
=
q
y
T
|
y
|
). Da Eq. (4.12) temos y
|
=
|
,
|
. Substituindo na Eq. (4.24),
obtm-se:
q(y
|
)
T
y
|+1
= q(y
|
)
T
(
|
,
|
) q(y
|
) (4.26)
Como o vetor de cossenos diretores
|
possui comprimento unitrio, a Eq. (4.26) no se altera quando
o segundo termo multiplicado por:
T
|

|
=
q(y
|
)
T

|
kq(y
|
)k
= 1
Portanto:
q(y
|
)
T
y
|+1
= q(y
|
)
T
(
|
,
|
)
q
y
(y
|
)
T

|
kq(y
|
)k
q(y
|
)
Desta expresso pode-se eliminar a pr-multiplicao pela transposta do gradiente:
y
|+1
= (
|
,
|
)

|
kq(y
|
)k
q(y
|
)
Portanto, o novo ponto pode ser encontrado como:
y
|+1
=
|
,
|
+
q(y
|
)
kq(y
|
)k
(4.27)
A Figura 4-4 ilustra o processo iterativo de busca do ponto de projeto, segundo o algoritmo HLRF.
seo B-B
( ) 0 g = y
( ) 0 g > y
( ) 0 g < y
c
2
p
s
T
s g g = V V
( ) g y
1
p
1
y
2
y
domnio de segurana
domnio de falha
( ) 0 g c = > y
( ) 0 g = y
2
|
1
|
B
1
p
2
p
B
seo B-B
( ) 0 g = y
( ) 0 g > y
( ) 0 g < y
c
2
p
s
T
s g g = V V
( ) g y
1
p
seo B-B
( ) 0 g = y
( ) 0 g > y
( ) 0 g < y
c
2
p
s
T
s g g = V V
( ) g y
1
p
1
y
2
y
domnio de segurana
domnio de falha
( ) 0 g c = > y
( ) 0 g = y
2
|
1
|
B
1
p
2
p
B
1
y
2
y
domnio de segurana
domnio de falha
( ) 0 g c = > y
( ) 0 g = y
2
|
1
|
B
1
p
2
p
B
Figura 4-4: Soluo iterativa para busca do ponto de projeto.
Na expresso (4.27), o termo entre colchetes representa a nova aproximao do ndice de conabilidade,
ou ,
|+1
. Esta expresso utilizada de forma iterativa, arbitrando-se um ponto inicial y
|
qualquer, at
atingir a convergncia emy ou em ,. Note que esta expresso depende de
|
, de ,
|
, do gradiente q(y
|
)
e do valor da funo no ponto /, q(y
|
). A expresso (4.27) apropriada para uma busca manual pelo
ponto de projeto, pois fornece a variao no ndice de conabilidade de uma iterao para a prxima.
Uma expresso alternativa obtida da Eq. (4.26), ps-multiplicando ambos os termos direita da
igualdade pelo termo unitrio
T
|

|
:
q(y
|
)
T
y
|+1
=

q(y
|
)
T
y
|
q(y
|
)
T
|

|
=
q(y
|
)
T
y
|
q(y
|
)
kq(y
|
)k
2
q(y
|
)
T
q(y
|
)
O termo entre parenteses um escalar, de forma que a pr-multiplicao pela transposta do gradiente
pode ser eliminada de ambos os lados, resultando:
y
|+1
=
q(y
|
)
T
y
|
q(y
|
)
kq(y
|
)k
2
q(y
|
) (4.28)
Esta expresso envolve o ponto y
|
, o gradiente e o valor da funo neste ponto, sendo talvez mais
apropriada para programao.
O algoritmo de Hassofer, Lind, Rackwitz e Fiessler (HLRF) aqui apresentado de longe o algoritmo
mais utilizado para encontrar o ponto de projeto em problemas de conabilidade estrutural. No entanto,
no existe garantia de convergncia do algoritmo, nem garantia de que o ponto encontrado seja o ponto de
mnimo da funo , =

y
T
y
1/2
. Uma vericao que pode ser feita na prtica arbitrar-se diferentes
pontos iniciais, vericando se o algoritmo converge para o mesmo ponto.
Algoritmo HLRF melhorado (iHLRF)
O algoritmo HLRF pode ser melhorado atravs de um ajuste do passo. Para tanto, determina-se inicial-
mente uma direo de busca fazendo:
d
|
= y
|+1
y
|
=
q(y
|
)
T
y
|
q(y
|
)
kq(y
|
)k
2
q(y
|
) y
|
(4.29)
No algoritmo HLRF original, o novo ponto determinado atravs de um passo unitrio `
|
= 1:
y
|+1
= y
|
+`
|
d
|
O algoritmo melhorado atravs da determinao de um passo timo `
|
6= 1. Com este objetivo,
introduzida uma funo mrito :(y). A cada iterao, aps a determinao da direo de busca,
realizada uma busca linear para encontrar o passo `
|
que minimiza a funo mrito:
` = arg min[:(y
|
+`d
|
)]
Como este problema difcil de resolver, substitudo por outro onde o passo ` tal que a funo
mrito no minimizada mas reduzida sucientemente. A regra de Armijo (Luenberger, 1986) pode ser
utilizada:
` = max
nN
[/
n
| :(y
|
+/
n
d
|
) :(y
|
) a/
n
k:(y
|
)k
2
], a, / (0, 1)
Zhang e Kiureghian (1997) prope a seguinte funo mrito :(y) :
:(y) =
1
2
kyk
2
+c |q(y)|
Esta expresso da funo mrito tem duas propriedades importantes:
1. a direo de busca d
|
direo de descida da funo mrito desde que:
c
kyk
kq(y)k
(4.30)
2. ela atinge um mnimo no ponto de projeto desde que observada a mesma restrio em c.
Estas duas propriedades so sucientes para assegurar convergncia incondicional do algoritmo (para
prova ver Zhang e Kiureghian, 1997). Um sumrio do algoritmo apresentado a seguir:
Algoritmo 39 Algoritmo iHLRF (improved HLRF)
Parmetros: a, / (0, 1), c 0, c 0 e 1
1. Escolha do ponto inicial y
0
para / = 0.
2. Avaliao de q(y
|
) , q(y
|
) e vericao da condio de otimalidade. Se:
1
|q(y
|
) y
|
|
kq(y
|
)k ky
|
k
< c e |q(y
|
)| < c
para o algoritmo, caso contrrio segue.
3. Avaliao da direo de busca:
d
|
=
q(y
|
)
T
y
|
q(y
|
)
kq(y
|
)k
2
q(y
|
) y
|
4. Determinao do fator de penalidade da funo mrito. Se |q(y
|
)| c,
c
|
= max
"
ky
|
k
kq(y
|
)k
,
1
2
ky
|
+d
|
k
2
|q(y
|
)|
#
caso contrrio
c
|
=
ky
|
k
kq(y
|
)k
5. Busca linear
`
|
= max
nN
[/
n
| :(y
|
+/
n
d
|
) :(y
|
) a/
n
k:(y
|
)k
2
]
6. Atualizao do ponto y :
y
|+1
= y
|
+`
|
d
|
7. Incremento / = / + 1 e retorno ao passo 2.
Observaes:
1. os parmetros c e c correspondem tolerncia nas condies de otimalidade. O parmetro serve
para atender condio de convergncia (Eq. 4.30). Valores tpicos para estes parmetros so
c = 10
3
, a = 0.1, / = 0.5 e = 2. A tolerncia c depende da escala da equao de estado limite.
Portanto pode ser determinada em relao ao valor desta no ponto inicial: c = 10
3
|q(y
0
)| .
2. na etapa 4 o fator de penalizao c
|
ajustado de maneira a assegurar a convergncia e a ecincia
do algoritmo. Para |q(y
|
)| c o valor c
|
=
1
2
ky
!
+d
!
k
2
|(y
!
)|
impe c
|
sucientemente grande para que
um passo inteiro `
|
= 1 seja dado no caso de q(y) aproximadamente linear.
3. na etapa 5 o valor inicial de : geralmente igual a 0.
4.2.8 Sensibilidade da probabilidade de falha
Tomando a derivada da aproximao de primeira ordem da probabilidade de falha (Eq. 4.23) em relao
s variveis de projeto no espao normal padro, obtemos informao a respeito da contribuio de cada
varivel aleatoria na composio da 1
}
:
01
}
0y
y=y
=
0(,)
0,
0,
0y
y=y
= c(,)
0,
0y
y=y
Da Eq. (4.12), obtemos:

0,
0y
y=y
= (y
) =
q(y
)
kq(y
)k
Combinando os resultados, obtemos:
01
}
0y
y=y
= c(,)(y
) (4.31)
Nesta expresso, o termo c(,) constante, e o vetor unitrio. Portanto, como
P
c
2
I
= 1,
os componentes c
2
I
indicam a contribuio relativa da varivel aleatria 1
I
(e portanto tambm da v.a.
A
I
) na composio da probabilidade de falha. Esta contribuio uma combinao do valor mdio,
desvio-padro e de distribuio de probabilidades da varivel aleatria A
I
.
Assim, se um valor c
2
I
pequeno (c
2
I
0) em relao unidade, a varivel A
I
tem pouca contribuio
na probabilidade de falha da estrutura, e poderia eventualmente ser eliminada (substituda por um valor
determinstico). Esta informao muito importante, pois permite reduzir a dimenso do problema
atravs da eliminao de variveis sem importncia. Note que no mtodo FOSM a avaliao dos coe-
cientes de sensibilidade no exige clculos adicionais, pois a informao dos gradientes necessria para
encontrar o ponto de projeto.
A medida de sensibilidade expressa na Eq. (4.31) uma medida linear, e portanto vale apenas
como aproximao para equaes de estado limite no-lineares e para distribuies de probabilidade no
normais.
4.2.9 Transformao de Hassofer-Lind matricial
O mtodo FOSM facilmente programvel em computador. No entanto, para lidar com problemas
envolvendo um grande nmero de variveis aleatrias, conveniente trabalhar em forma matricial.
Grande parte do trabalho na soluo de problemas via FOSM a transformao do espao de projeto X
para o espao normal padro Y. A equao de estado limite do problema em geral formulada e avaliada
no espao de projeto X. No entanto, a busca pelo ponto de projeto feita no espao Y. Desta forma, a
soluo algortmica envolve sucessivas transformaes de pontos e gradientes de X Y e de Y X.
Introduzindo um vetor de mdias M e uma matriz diagonal de desvios padro D:
M =

j
1
, j
2
, ..., j
T
D =
1
0 ... 0
0 o
2
... 0
... ... ... ...
0 0 ... o
r
D
1
=
1
c
1
0 ... 0
0
1
c
2
... 0
... ... ... ...
0 0 ...
1
c
r
a transformao de Hassofer-Lind pode ser escrita de forma matricial como:

y = D
1
{x M}
x = D y +M (4.32)
Conforme vericaremos adiante, muitas vezes conveniente trabalhar com matrizes Jacobianas para
facilitar estas transformaes. Os termos destas matrizes so denidos como:
J
yx
=

0j
I
0r
I=1,...,n; =1,...,n
J
xy
=

0r
I
0j
I=1,...,n; =1,...,n
sendo : o nmero de variveis aleatrias do problema.
Para a transformao de Hassofer-Lind (Eq. 4.1) com variveis aleatrias no-correlacionadas, os
termos cam:
0j
I
0r
=

1
c
1
para i = ,
0 para i 6= ,
0r
I
0j
=

o
1
para i = ,
0 para i 6= ,
Portanto, as matrizes Jacobianas so simplesmente:
J
yx
= D
1
J
xy
= D (4.33)
A transfomao de Hassofer-Lind e inversa resultam:
y = J
yx
{x M}
x = J
xy
y +M (4.34)
No contexto do mtodo FOSM, no existe benefcio aparente em trabalhar com matrizes Jacobianas
para realizar as transformaes necessrias. Estes benefcios aparecero mais adiante, no contexto do
FORM.
Como as equaes de estado limite so escritas no espao de projeto X, os vetores gradiente so
tambm avaliados neste espao. O vetor gradiente em Y obtido utilizando a regra da cadeia:
q(y) =

0q
0j
I
I=1,...,n
=
n
X
=1
0q
0r
I
0r
I
0j
I=1,...,n;
= (J
xy
)
T
q(x) (4.35)
4.2.10 Algoritmo FOSM
O algoritmo de soluo do mtodo FOSM pode ser resumido nas seguintes etapas:
Algoritmo 40 Mtodo de conabilidade FOSM:
1. escolha do ponto inicial x
|
para / = 0 (usualmente o ponto mdio);
2. avaliao das matrizes Jacobianas (J
yx
e J
xy
) e do vetor de mdias M;
3. transformao do ponto x
|
de X Y;
4. avaliao de q(x
|
);
5. clculo do gradiente:
a. clculo das derivadas parciais de q (x) no espao de projeto X;
b. transformao do gradiente para Y;
c. clculo dos fatores de sensibilidade (y
|
).
6. clculo do novo ponto y
|+1
pelos algoritmos HLRF, iHLRF ou outro;
7. transformao de y
|+1
para X;
8. vericao do critrio de convergncia. Se:
1 +
q(y
|+1
) y
|+1
kq(y
|+1
)k ky
|+1
k
< c e |q(y
|+1
)| < c
o algoritmo interrompido, caso contrrio retorna-se ao item 4 com / = / + 1 at atingir a
convergncia.
9. ao nal, avaliao do ndice de conabilidade no ponto de projeto: , = ky
k .
Observe que as matrizes Jacobianas no mudam ao longo do processo iterativo e portanto s precisam
ser calculadas ao incio da soluo.
Exemplo 41 Equao de estado limite no-linear (adaptado de Ang e Tang, 2006).
Formulao: Este problema representa a formao de uma rtula plstica em uma viga de ao,
devido a ao de um momento etor externo. As variveis aleatrias tem distribuio normal, conforme
dados apresentados na tabela.
Varivel Parmetros Unidade
A
1
(40, 5) kN/cm
2
A
2
(50, 2.5) cm
3
A
3
(1000, 200) kNcm
Neste problema, A
1
representa a tenso de escoamento do ao, A
2
representa o mdulo plstico da
seo transversal da viga, e A
3
representa o momento externo aplicado. Desta forma, a equao de estado
limite para o problema :
q(X) = A
1
A
2
A
3
(4.36)
Determine o ndice de conabilidade para este elemento estrutural.
Soluo: Primeiramente, montamos alguns vetores e matrizes necessrios a soluo do problema. O
vetor de mdias M = {40, 50, 1000}
T
e a matriz jacobiana J
xy
:
J
xy
= D =
5 0 0
0 2.5 0
0 0 200
Os componentes do vetor gradiente so:

q(x) =

0q
0r
I
I=1,2,3
= {r
2
, r
1
, 1}
T
Antes de obter a soluo FOSM via processo iterativo, determinamos uma aproximao de primeira
ordem no ponto mdio, segundo o indice de conabilidade de Cornell (Eq. 3.30). Esta soluo aproximada
comparada com a soluo correta ao nal do exemplo.
, =
1[q(X)]
p
\ ar[q(X)]
=
q(M)
p
q
T
D
|
D q
=
40 50 1000
5
2
50
2
+ 2.5
2
40
2
+ 200
2
2.9814
Para proceder com a soluo iterativa, necessrio determinar a expresso da equao de estado
limite no espao normal padro Y. Para isto, fazemos:
x = J
xy
y +M
=
5 0 0
0 2.5 0
0 0 200
j
1
j
2
j
3
40
50
1000
Logo:
q(y) = (5j
1
+ 40)(2.5j
2
+ 50) 200j
3
1000
= 12.5j
1
j
2
+ 100j
2
+ 250j
1
200j
3
+ 1000
O vetor gradiente, no espao Y, ca:
q(y) =

0q
0j
I
I=1,2,3
= {12.5j
2
+ 250, 12.5j
1
+ 100, 200}
T
O processo iterativo comea com / = 0, e com o ponto inicial igual a mdia. Desta forma, valores iniciais
so calculados como:
x
0
= M = {40, 50, 1000}
T
y
0
= {0, 0, 0}
T
,
0
= 0
q(x
0
) = q(y
0
) = 40 50 1000 = 1000
q(y
0
) = {250, 100, 200}
T
kq(y
0
)k =
p
250
2
+ 100
2
+ 200
2
335.41
Agora, a equao recursiva de Hassofer-Lind (algoritmo HLRF ou Eq. 4.27) pode ser utilizada para
determinar o prximo valor de y:
y
1
=
0
,
0
+
q(y
0
)
kq(y
0
)k
=
1
335.41
{250, 100, 200}
T
0 +
1000
335.41
= {2.2222, 0.8889, +1.7778}

T
O novo valor de , :
,
1
= ky
1
k = 2.9814
Substituindo / por / + 1 e procedendo de maneira anloga, o histrico de convergncia ilustrado abaixo
obtido:
y
1
y
2
y
3
gx gy
1
gy
2
gy
3
g
0 0 0 0 1000 250. 100. 200. 335.41
2.2222 0.88889 1.7778 2.9814 24.691 238.89 72.222 200. 319.82
2.2779 0.68866 1.9071 3.0496 0.1393 241.39 71.527 200. 321.54
2.2891 0.67827 1.8966 3.0491 0.0014539 241.52 71.387 200. 321.6
2.2898 0.67681 1.8962 3.0491 0.00001385
Note que a partir da terceira iterao os valores se tornam estacionrios, indicando a convergncia do
algoritmo.
Observe que o valor de , encontrado na primeira iterao da soluo FOSM idntico ao valor
encontrado via aproximao de primeira ordem no ponto mdio, utilizando o ndice de conabilidade de
Cornell. No entanto, a soluo iterativa chega a um resultado um pouco diferente. Para este problema
em particular, a soluo aproximada no ponto mdio poderia ser considerada aceitvel, mas em geral isto
no ocorre. No passado, a soluo de aproximao de primeira ordem no ponto mdio, utilizando o indice
de conabilidade de Cornell, j foi considerada uma forma vlida de resolver problemas de conabilidade
estrutural. Este mtodo de soluo chamado de FOMV - First Order Mean Value. Um grande problema
desta soluo, para problemas no-lineares, a questo da invarincia em relao forma da equao de
estado limite, como vericado no prximo exemplo.
Exemplo 42 Problema da invarincia em relao forma da equao de estado limite.
Formulao: Neste exemplo, ilustramos uma falha grave do mtodo FOMV, que consiste em uma
aproximao de primeira ordem no ponto mdio, utilizando o ndice de conabilidade de Cornell. Para
tanto, consideramos formas alternativas da equao de estado limite do problema 41. A equao de
estado limite (Eq. 4.36) utilizada na soluo do problema original compara momentos etores solicitante
e resistente (aquele necessrio para formar uma rtula plstica). Dividindo ambos os termos da Eq.
(4.36) por A
3
, obtemos uma equao de estado limite equivalente, mas adimensional:
q
2
(X) =
A
1
A
2
A
3
1
De maneira semelhante, podemos re-escrever a Eq. (4.36) de forma a comparar tenses resistente com
tenso solicitante:
q
3
(X) = A
1
A
3
A
2
ou mdulo plstico resistente com mdulo solicitante:
q
4
(X) = A
2
A
3
A
1
As quatro formas da equao de estado limite (q = q
1
a q
4
) so equivalentes, e deveriam produzir o
mesmo resultado. A ttulo de ilustrao do chamado problema de invarincia com a forma da equao
de estado limite, propomos neste exemplo aplicar a aproximao de primeira ordem no ponto mdio
(FOMV) as trs formas alternativas da equao de estado limite.
Soluo: A soluo segue o procedimento adotado no exemplo 41. Considerando a equao de estado
limite q
2
(X), os componentes do vetor gradiente so:
q
2
(x) =

r
2
r
3
,
r
1
r
3
,
r
1
r
2
r
2
3
T
A aproximao de primeira ordem no ponto mdio obtida a partir da Eq. (2.78):
,
2
=
1[q
2
(X)]
p
\ ar[q
2
(X)]
=
4050
1000
1
1
1000
5
2
50
2
+ 2.5
2
40
2
+ 2
2
200
2
2.0739
Note que este valor muito diferente do que aquele obtido pela aproximao de primeira ordem no ponto
mdio utlizando a Eq. 4.36. Procedendo de maneira semelhante, e utilizando as equaes de estado limite
4.3. FORM - MTODO DE CONFIABILIDADE DE PRIMEIRA ORDEM 109
q
3
(X) e q
4
(X), obtemos:
,
3
3.0861
,
4
3.9036
Percebemos, atravs deste exemplo, que a aproximao de primeira ordem no ponto mdio (mtodo
FOMV) no invariante em relao forma da equao de estado limite. Esta limitao to grave que
o FOMV no considerado uma forma correta de resolver problemas de conabilidade estrutural. Note
que esta limitao se aplica apenas a problemas envolvendo equaes de estado limite no-lineares; para
equaes lineares envolvendo variveis aleatrias normais o mtodo fornece a resposta exata.
Exerccio 43 Problema da invarincia em relao a forma da equao de estado limite (continuao).
Para ns de comparao, propomos neste exerccio que o leitor resolva novamente o exemplo 42, via
mtodo iterativo de segundo momento (FOSM), utilizando as equaes de estado limite q
2
(X) a q
4
(X).
Ao resolver este exemplo, o leitor ir perceber que a soluo iterativa via FOSM produz sempre o mesmo
resultado (,
4
= ,
3
= ,
2
= , 3.0491), o que indica que o mtodo FOSM invariante em relao
a forma da equao de estado limite.
4.2.11 Variveis aleatrias correlacionadas
No mtodo FOSM, a informao estatstica utilizada se limita ao primeiro e segundo momento das var-
iveis aleatrias envolvidas. Tcnicamente, isto inclui possvel correlao entra estas variveis, segundo
as denies de covarincia e correlao (veja equaes 2.57 e 2.59). O tratamento de variveis aleatrias
correlacionadas exige uma transformao adicional transformao de Hassofer-Lind,. No contexto do
mtodo FORM, estudado a seguir, o problema da correlao abordado juntamente com as transfor-
maes que permitem lidar com distribuies de probabilidade no Gaussianas. Sendo assim, para no
prejudicar a clareza dos resultados apresentados nesta seo, o procedimento para lidar com variveis
aleatrias correlacionadas apresentado no prxima seo, no contexto do mtodo FORM.
4.3 FORM- MTODODECONFIABILIDADEDEPRIMEIRA
ORDEM
No mtodo de segundo momento (FOSM) a informao estatstica a respeito das variveis aleatrias do
problema se limita aos momentos de primeira e segunda ordem. Como vimos, isto equivale a considerar
todas as variveis do problema com distribuio normal. O mtodo de primeira ordem ou FORM - First
Order Reliability Method - permite incorporar anlise as funes de distribuio de probabilidades bem
como a correlao entre as variveis aleatrias do problema.
O mtodo FORM utiliza a maior parte dos resultados apresentados para o FOSM. Alm disto, o FORM
envolve a construo de uma funo conjunta de distribuio de probabilidades, )
X
(x) , bem como uma
transformao desta para o espao normal padro Y. A funo conjunta de distribuio de probabilidades
)
X
(x) construda com base na informao existente, que na maior parte dos casos se limita s funes
de distribuio marginais e a coecientes de correlao entre pares de variveis aleatrias. A construo
da funo conjunta de probabilidades feita levando em considerao a facilidade de transformao
da mesma para o espao normal padro. Esta transformao envolve a eliminao da correlao entre
variveis aleatrias e o clculo de variveis normais equivalentes, como ser visto a seguir.
4.3.1 Distribuio conjunta de probabilidades
Nos problemas de anlise estrutural em geral no existem observaes ou registros simultneos de todas
as variveis envolvidas no problema. Tais observaes seriam necessrias para se determinar diretamente
a funo conjunta de distribuio de probabilidades, segundo as equaes (2.44 ou 2.45). Na melhor das
hipteses, a informao estatstica a respeito das variveis aleatrias do problema se limita s funes de
distribuio de probabilidades marginais e a coecientes de correlao entre pares de variveis aleatrias.
As funes de distribuio marginais so obtidas a partir de observaes isoladas de cada varivel aleatria,
e os coecientes de correlao so obtidos a partir de observaes conjuntas de pares de variveis aleatrias.
Portanto, a descrio estatstica das variveis de projeto feita atravs das distribuies de probabil-
idades marginais:
)
1
(r
I
), i = 1, 2, ..., :
e atravs de uma matriz de correlao R
X
, formada pelos coecientes de correlao (Eq. 2.59) entre
pares de variveis:
R
X
=
1 j
12
... j
1r
j
21
1 ... j
2r
... ... ... ...
j
r1
j
r2
... 1
(4.37)
sendo : o nmero de variveis aleatrias do problema.
O mtodo de conabilidade de primeira ordem ou FORM consiste na construo de uma funo con-
junta de distribuio de probabilidades )
X
(x) e na transformao desta em uma distribuio Gaussiana
padro multi-variada )
Y
(y) (com mdia zero e desvio padro unitrio). Esta transformao representa
um mapeamento um-a-um, que leva pontos do espao original X para o espao Y. Teoricamente, este
mapeamento pode ser realizado atravs da transformao de Rosenblatt, que envolve distribuies de pro-
babilidade condicionais que dicilmente so conhecidas. Uma alternativa uma transformao composta
utilizando o modelo de Nataf, a qual envolve uma transformao em variveis normais equivalentes, e a
eliminao da correlao entre estas. As duas tcnicas so estudadas a seguir.
4.3.2 A transformao de Rosenblatt
Seja um conjunto de : variveis aleatrias X = {A
1
, A
2
, ..., A
n
} com funo conjunta de distribuio de
probabilidades qualquer 1
X
(x). Deseja-se uma transformao que leve pontos do espao X para o espao
Y, formado por um conjunto de variveis aleatrias Y = {1
1
, 1
2
, ..., 1
n
} com funo de distribuio
cumulativa Gaussiana padro multi-variada 1
Y
(y):
1
Y
(y) = (y) =
Z

Z
y
1
(2)
n/2
exp
1
2
kuk
2
du
Tal transformao deve preservar o contedo de probabilidade correspondente a um ponto x
0
quando
mapeado em um ponto y
0
no espao Y :
1
X
(x
0
) = 1
Y
(y
0
)
Uma transformao terica que permite o mapeamento do espao original X para o espao Y a
transformao de Rosenblatt (Rosenblatt, 1969). Esta transformao obtida fazendo:
[j
1
] = 1
1
(r
1
)
[j
2
] = 1
2
(r
2
|r
1
)
.
.
.
[j
n
] = 1
n
(r
n
|r
1
, r
2
, ..., r
n1
) (4.38)
onde 1
2
(r
2
|r
1
) a funo de probabilidade condicional de r
2
dada a ocorrncia de r
1
. Invertendo a
funo [] pode-se escrever:
j
1
=
1
[1
1
(r
1
)]
j
2
=
1
[1
2
(r
2
|r
1
)]
.
.
.
j
n
=
1
[1
n
(r
n
|r
1
, r
2
, ..., r
n1
)] (4.39)
As funes de probabilidade condicional podem ser obtidas a partir da distribuio conjunta atravs de
uma generalizao das equaes (2.52) e (2.51):
)(r
I
|r
1
, r
2
, ..., r
I1
) =
)(r
1
, r
2
, ..., r
I
)
)(r
1
, r
2
, ..., r
I1
)
(4.40)
1(r
I
|r
1
, r
2
, ..., r
I1
) =
R
r
1
)(r
1
, r
2
, ..., r
I1
, n)dn
)(r
1
, r
2
, ..., r
I1
)
(4.41)
Na prtica, as funes de probabilidade condicionais podem ser determinadas, a partir das Eqs.
(4.40) e (4.41) por integrao numrica. No entanto, considerando a potencial multi-dimensionalidade do
problema (: grande), tal soluo no trivial. Assim, a importncia da transformao de Rosenblatt
mais terica do que prtica.
4.3.3 Transformao composta utilizando o modelo de Nataf
Uma transformao que se adecua melhor informao disponvel uma transformao composta uti-
lizando o modelo de Nataf. Esta transformao dita composta porque envolve, conforma a Figura
(4-5):
1. uma transformao das distribuies marginais originais em distribuies normais equivalentes (em
um conjunto de variveis Z correlacionadas);
2. determinao de coecientes de correlao equivalentes para as distribuies marginais normais
(modelo de Nataf);
3. eliminao da correlao atravs de decomposio ortogonal ou da fatorao de Cholesky da matriz
de correlao. Estas trs etapas so estudadas a seguir.
A Figura 4-5 ilustra estas 3 transformaes. Nesta gura, a ttulo de ilustrao, as variveis aleatrias
X possuem distribuies marginais lognormais, com coeciente de correlao igual a 0.5.
X
0.5 1. 1.5 2.
0.5
1.
1.5
f
X
x
Z
3 2 1 0 1 2 3
3
2
1
0
1
2
3
f
Z
z
Y
3 2 1 0 1 2 3
3
2
1
0
1
2
3
f
Y
y
Figura 4-5: Ilustrao da transformao composta X Z Y.
O princpio da aproximao normal
O princpio da aproximao normal (Ditlevsen, 1981) consiste em determinar, para um ponto r
I
, uma
distribuio normal equivalente que preserve o contedo de probabilidades da distribuio original 1
1
(r
I
)
neste ponto. Como a distribuio normal equivalente est denida no espao X, escreve-se:
1
ntj
1
(r
I
) = 1
1
(r
I
) (4.42)
A distribuio normal equivalente possue dois parmetros, que so a mdia j
ntj
1
e o desvio padro
o
ntj
1
. Portanto, para determinar os dois parmetros da distribuio normal equivalente necessria
uma segunda equao. O critrio para estabelecer esta segunda equao arbitrrio, mas uma condio
natural :
)
ntj
1
(r
I
) = )
1
(r
I
) (4.43)
Utilizando a transformao de Hassofer e Lind (Eq. 4.1), obtemos um conjunto de variveis Z =
{7
1
, 7
2
, ..., 7
n
} com distribuies marginais normais padro, mas possvelmente correlacionadas:
.
I
=
r
I
j
ntj
1
o
ntj
1
(4.44)
Escrevendo as equaes (4.42) e (4.43) em termos de .
I
obtm-se:
1
1
(r
I
) =
I
j
ntj
1
o
ntj
1
= (.
I
) (4.45)
e:
)
1
(r
I
) =
1
o
ntj
2
exp
1
2
I
j
ntj
1
o
ntj
1
=
c(.
I
)
o
ntj
1
(4.46)
Utilizando a Eq. (4.45) pode-se calcular .
I
:
.
I
=
1
(1
1
(r
I
)) (4.47)
Da Eq. (4.46) obtm-se uma expresso para o desvio padro da distribuio normal equivalente:
o
ntj
1
=
c(.
I
)
)
1
(r
I
)
(4.48)
e, nalmente, da Eq. (4.44) obtm-se uma expresso para a mdia da distribuio normal equivalente:
j
ntj
1
= r
I
.
I
o
ntj
1
(4.49)
Note que esta transformao realizada para cada uma das distribuies marginais, e vlida para
um ponto x
. Desta forma, a transformao deve ser refeita medida que o algoritmo de busca do ponto
de projeto avana e o ponto x
muda. O procedimento de aproximar a cauda da distribuio original pela

cauda de uma distribuio normal equivalente conhecido na literatura como princpio da aproximao
normal - Principle of normal tail approximation (Ditlevsen, 1981).
A Figura (4-6) ilustra as distribuies normais equivalentes a uma distribuio uniforme A l(1, 1)
nos pontos r = 0, r = 0.7 e r = 0.9. Perceba como, medida que o ponto de transformao se aproxima
do limite superior (r = 1), a distribuio Gaussiana equivalente se torna mais estreita.
A transformao de X Z tambm pode ser escrita de forma matricial, a partir de um vetor de mdias
M
ntj
e de uma matriz diagonal de desvios padro D
ntj
, contendo os parmetros das distribuies normais
equivalentes:
M
ntj
= {j
ntj
1
, j
ntj
2
, ..., j
ntj
r
}
T
D
ntj
=
o
ntj
1
0 ... 0
0 o
ntj
2
... 0
... ... ... ...
0 0 ... o
ntj
r
(D
ntj
)
1
=
1
c
rcq
1
0 ... 0
0
1
c
rcq
2
... 0
... ... ... ...
0 0 ...
1
c
rcq
r
Introduzindo ainda as matrizes Jacobianas:

J
zx
= (D
ntj
)
1
J
xz
= D
ntj
as transformaes de X Z e de Z X resultam:
z = J
zx
{x M
ntj
}
x = J
xz
z +M
ntj
(4.50)
-2 -1 0 1 2
0.5
1
1.5
2
-2 -1 0 1 2
0.2
0.4
0.6
0.8
1
-2 -1 0 1 2
0.5
1
1.5
2
-2 -1 0 1 2
0.2
0.4
0.6
0.8
1
-2 -1 0 1 2
0.5
1
1.5
2
-2 -1 0 1 2
0.2
0.4
0.6
0.8
1
Figura 4-6: Distribuies normais equivalentes a uma distribuio uniforme l (1, 1) nos pontos r = 0;
r = 0.7 e r = 0.9; a esquerda, PDF; a direita, CDF.
Modelo de Nataf
O princpio da aproximao normal permite obter um conjunto de variveis aleatrias Z com distribuio
marginal normal padro, atravs da Eq. (4.47). A correlao entre pares de variveis aleatrias (Eq.
4.37), quando existe, deve ser imposta na distribuio conjunta )
Z
(z). Seja R
Z
uma matriz de correlao
equivalente a ser determinada. A distribuio de Z uma distribuio normal padro multi-variada:
)
Z
(z) = c
n
(z, R
Z
) (4.51)
O modelo de Nataf (Nataf, 1962) consiste em construir uma aproximao para a funo conjunta de
densidade de probabilidades )
X
(x) a partir da distribuio normal padro multi-variada com matriz de
correlao R
Z
:
)
X
(x) = c
n
(z, R
Z
)
)
1
(r
1
))
2
(r
2
)...)
r
(r
n
)
c(.
1
)c(.
2
)...c(.
n
)
(4.52)
Para duas variveis o modelo de Nataf reduz-se a:
)
(r
I
, r
) = c
2
(.
I
, .
, j
21
)
)
1
(r
I
))
(r
)
c(.
I
)c(.
)
(4.53)
Note como a Eq. (4.53) pode ser utilizada para construir a funo conjunta de densidade de prob-
abilidades, )
X
(x), a partir das distribuies marginais )
1
(r
I
) e do coeciente de correlao j
21
. Note
que o coeciente de correlao impe uma tendncia de comportamento conjunto atravs da distribuio
normal bivariada. A Figura 4-7 ilustra a construo da funo conjunta de densidades para duas variveis
com distribuio marginal uniforme, e impondo um coeciente de correlao j
2
= 0.5.
O problema de conabilidade a ser resolvido envolve a construo de um modelo de distribuio con-
junta das variveis aleatrias, mas tambm envolve encontrar uma transformao desta para o espao
1.
0.5
0.
0.5
1.
X
1
~U1,1
1.
0.5
0.
0.5
1.
X
2
~U1,1
0.
0.5
1.
f
X
x
Figura 4-7: Ilustrao da distribuio )
X
(x) obtida atravs do modelo de Nataf, para duas distibuies
marginais uniformes e j
2
= 0.5.
normal padro. Para encontrar esta transformao, considere duas variveis A
I
e A
no-normais com
coeciente de correlao j
1
. Se o coeciente de correlao entre A
I
e A
(j
1
) impe uma certa tendn-
cia na distribuio conjunta )
1
(r
I
, r
), trata-se de encontrar um coeciente de correlao equivalente

j
21
que imponha a mesma tendncia na distribuio conjunta )
2
1
2
(.
I
, .
). Utilizando a denio da
covarincia (Eq. 2.58), o coeciente de correlao j
1
dado por:
j
1
=
Co[A
I
A
]
o
1
o
=
Z

(r
I
j
1
)
o
1
(r
)
o
)
1
(r
I
, r
)dr
I
dr
Utilizando o modelo de Nataf (Eq. 4.53), esta expresso se reduz a:

j
1
=
Z

(r
I
j
1
)
o
1
(r
)
o
c
2
(.
I
, .
, j
2
1
)
)
1
(r
I
))
(r
)
c(.
I
)c(.
)
dr
I
dr
=
Z

.
I
.
c
2
(.
I
, .
, j
2
1
)d.
I
d.
(4.54)
A expresso (4.54) permite calcular j
2
1
em funo do j
1
conhecido, de forma a construir-se a
matriz de correlao equivalente. O modelo de Nataf e a Eq. (4.54) so vlidos quando:
1. o mapeamento na Eq. (4.47) unvoco (um-para-um), o que verdade se 1
1
(r
I
) contnua e
estritamente crescente;
2. o valor de j
2
1
estiver compreendido entre 1 e +1.
Como a diferena entre j
2
e j
pequena, a segunda condio satisfeita em quase todas as situaes

de interesse prtico. No entanto, quando j
& 0.9, podem aparecer problemas de instabilidade numrica

na converso para j
2
.
A avaliao do coeciente j
2
atravs da expresso (4.54) feita de forma iterativa, arbitrando-se
valores tentativa para j
2
e avaliando j
, at atingir o valor de j
especicado. Este procedimento

iterativo pode ser evitado atravs do uso de frmulas analticas aproximadas (Kiureghian e Liu, 1986),
que fornecem uma relao r para vrias combinaes de distribuies:
r
I
=
j
2
1
j
I
(4.55)
Em geral, o fator r no muito diferente da unidade. parte distribuies exponenciais deslocadas,
o fator r geralmente ca na faixa 0.9 r 1.1. Sendo assim, se o coeciente de correlao j
entre
duas variveis de projeto determinado de forma subjetiva, pode-se muito bem aproximar j
2
por j
.
No entanto, importante salientar a diferena terica entre j
2
e j
.
Decomposio espectral da matriz de correlao
O princpio da aproximao normal e o modelo de Nataf permitem a obteno de um conjunto de variveis
aleatrias Z correlacionadas, com distribuio normal padro multi-variada )
Z
(z) = c
n
(z, R
Z
). Para
aproveitar as propriedades de simetria da distribuio normal padro multi-variada, necessrio eliminar
a correlao entre as variveis Z.
Buscamos uma transformao linear na forma y = A
T
z, onde A uma matriz a ser determinada e
Y um conjunto de variveis aleatrias independentes e com distribuio normal padro multi-variada.
Note-se que a matriz covarincia em Y dada por:
C
Y
= Co[Y, Y
T
]
= Co[A
T
Z, Z
T
A]
= A
T
Co[Z, Z
T
] A
= A
T
C
Z
A (4.56)
Se A a matriz ortogonal cujas colunas so formadas pelos autovetores de C
Z
, ento a multiplicao
em (4.56) produz a matriz dos autovalores de C
Z
:
C
Y
= A
T
C
Z
A =
com:
C
Y
= =
`
1
0 ... 0
0 `
2
... 0
... ... ... ...
0 0 ... `
n
(4.57)
sendo `
I
o i-simo autovalor da matriz C
Z
. Note que a Eq. (4.57) implica em que o desvio-padro
das variveis Y resultantes desta transformao seria diferente da unidade, e igual raiz quadrada dos
respectivos autovalores (o
Y1
=
`
I
). Isto no conveniente, pois exigiria mais uma transformao como
a de Hassofer-Lind para obter variveis reduzidas com varincia unitria. Para evitar esta transformao
adicional, buscamos A tal que A
T
C
Z
A seja igual matriz identidade. A matriz de transformao
desejada :
A =A
1/2
onde A matriz ortogonal cujas colunas so os autovetores de C
Z
e
1/2
=

(`
I
)
1/2
a matriz
diagonal das inversas das razes quadradas dos auto-valores de C
Z
. Neste caso:
C
Y
= A
T
C
Z
A
= (A
1/2
)
T
C
Z
(A
1/2
)
= (
1/2
)
T
(A
T
C
Z
A)
1/2
= (
1/2
)
T

1/2
= I (4.58)
Portanto, as matrizes Jacobianas da transformao procurada, y = A
T
z, so:
J
yz
= A
T
= (A
1/2
)
T
J
zy
= (A
T
)
1
= (
1/2
A)
T
(4.59)
e as transformaes de Z Y e inversa so:
y = J
yz
z
z = J
zy
y (4.60)
Decomposio de Cholesky da matriz de correlao
O custo computacional da decomposio ortogonal considervel. Uma alternativa que se aplica com
vantagens para matrizes de correlao no cheias (caso tpico em conab. estrutural) a decomposio
de Cholesky da matriz de correlao C
Z
. A decomposio de Choleski no tem relao direta com a
transformao de Rosenblatt, mas resulta em uma matriz de transformao muito semelhante.
Buscamos uma transformao linear y = B
T
z que produza um conjunto de variveis Y independentes
e com varincia unitria. Buscamos uma matriz de transformao B que produza o efeito da Eq. (4.58),
isto :
C
Y
= B
T
C
Z
B = I (4.61)
Pr-multiplicando a Eq. (4.61) por (B
T
)
1
e ps-multiplicando por B
1
, obtemos:
C
Z
B = (B
T
)
1
I
C
Z
= (B
T
)
1
I B
1
= (B
T
)
1
B
1
(4.62)
Usando a relao (B
T
)
1
= (B
1
)
T
e denotando (B
T
)
1
= L, temos:
L = (B
T
)
1
= (B
1
)
T
L
T
= B
1
Substitundo em (4.62) chegamos a:
C
Z
= (B
T
)
1
B
1
= L L
T
(4.63)
Esta exatamente a forma da decomposio de Cholesky. Utilizando esta transformao, as matrizes
jacobianas cam:
J
yz
= L
1
J
zy
= L (4.64)
As transformaes de Z Y e de Y Z so idnticas Eq. (4.60). As transformaes via decom-
posio ortogonal ou decomposio de Cholesky so equivalentes e levam ao mesmo resultado, ainda que
por caminhos ligeiramente diferentes. A decomposio por autovetores mais adequada quando a matriz
de correlao cheia (determinante prximo de zero). Quando a matriz de correlao possui apenas
alguns coecientes no nulos, a transformao de Cholesky mais adequada.
Transformao resultante
Nas trs sees anteriores, vimos como realizar o mapeamento de um conjunto de variveis aleatrias de
um espao X para um espao Z, e do espao Z para Y. A Figura 4-5 ilustra estas 3 transformaes. Para
combinar as trs transformaes, basta utilizar a regra da cadeia. Utilizando as matrizes Jacobianas, isto
ca muito simples:
J
yx
=

0j
I
0r
|
0j
I
0.
0.
0r
|
= J
yz
J
zx
J
xy
=

0r
I
0j
|
0r
I
0.
0.
0j
|
= J
xz
J
zy
Portanto, utilizando a decomposio espectral, a matriz Jacobiana e sua inversa cam:
J
yx
= (A
1/2
)
T
(D
ntj
)
1
J
xy
= D
ntj
(
1/2
A)
T
(4.65)
Utilizando a decomposio de Cholesky, temos:
J
yx
= L
1
(D
ntj
)
1
J
xy
= D
ntj
L (4.66)
Em qualquer um dos casos, a transformao resultante :
y = J
yx
{x M
ntj
}
x = J
xy
y +M
ntj
(4.67)
A transformao resultante pode ser resumida nas seguintes etapas:
1. clculo da matriz de correlao equivalente R
Z
atravs de (4.54) ou (4.55);
2. avaliao das matrizes Jacobianas J
yz
e J
zy
utilizadas na eliminao da correlao:
(a) por decomposio espectral (Eq. 4.59);
(b) por decomposio de Cholesky (Eq. 4.64);
3. a cada novo ponto determinado pelo algoritmo de busca do ponto de projeto:
(a) clculo dos parmetros das distribuies normais equivalentes (M
ntj
e D
ntj
);
(b) atualizao das matrizes Jacobianas J
yx
e J
xy
(equaes 4.65 ou 4.66);
Deve car claro que as matrizes R
Z
, J
yz
e J
zy
s precisam ser calculadas uma vez, ao incio do
processo iterativo. J as matrizes J
zx
, J
xz
, J
yx
e J
xy
devem ser atualizadas de maneira iterativa.
4.3.4 Transformao direta reversvel
A transformao composta apresentada na Seo 4.3.3 interessante e didtica por colocar as transfor-
maes do FORM em um formato semelhante as transformaes do FOSM. No entanto, esta no a
unica forma de realizar a transformao de X para Y no contexto do FORM. De fato, a transformao
apresentada na Seo 4.3.3 possui o inconveniente de ser irreversvel, quando as v.a. em X so limitadas
(veja Fig. 4-6). Esta irreversibilidade se origina na determinao de uma mdia e desvio-padro normais-
equivalentes, segundo as equaes (4.48 e 4.49), a partir de uma equao de transformao arbitrria
(4.43).
Uma transformao direta e reversvel obtida diretamente a partir da Eq. (4.42):
z(x) =

1
(1
1
(r
I
))
|
I=1,...,n
x(z) =

1
1
1
((.
I
))
|
I=1,...,n
(4.68)
Combinando esta transformao com a transformao de Z para Y, obtemos:
y(x) = L
1
1
(1
1
(r
I
))
|
I=1,...,n
x(y) =

1
1
1
(([L y]
II
))
|
I=1,...,n
(4.69)
Equaes semelhantes podem ser obtidas em termos da decomposio espectral da matriz de corre-
lao. Pode-se mostrar ainda que a matriz Jacobiana para a transformao direta obtida como:
J
yx
= L
1
diaq
1
(r
I
)
c(j
I
)
I=1,...,n
(4.70)
4.3.5 Algoritmo FORM
A soluo de problemas de conabilidade independentes do tempo via FORM consiste nas seguintes
etapas:
Algoritmo 44 Mtodo de conabilidade FORM:
1. determinao dos coecientes de correlao equivalentes e da matriz de decomposio; determinao
das matrizes Jacobianas J
yz
e J
zy
;
2. escolha do ponto inicial x
|
para / = 0 (usualmente o ponto mdio);
3. atualizao das matrizes Jacobianas J
yx
e J
xy
(equaes 4.65, 4.66 ou 4.70);
4. transformao do ponto x
|
de X para Y (eqs. 4.67 ou 4.69);
5. avaliao de q(x
|
);
6. clculo do gradiente:
a. clculo das derivadas parciais de q (x) no espao de projeto X;
b. transformao do gradiente para Y (Eq. 4.35);
c. clculo dos fatores de sensibilidade (y
|
). Estes fatores podem ser utilizados para eliminar do
problema variveis aleatrias quem tenham pouca inuncia na probabilidade de falha.
7. clculo do novo ponto y
|+1
pelos algoritmos HLRF, iHLRF ou outro;
8. transformao de y
|+1
para X (Eq. 4.67);
9. vericao do critrio de convergncia. Se:
1 +
|q(y
|+1
) y
|+1
|
kq(y
|+1
)k ky
|+1
k
< c e |q(y
|+1
)| < c
o algoritmo interrompido, caso contrrio retorna-se ao item 3 com / = / + 1 at atingir a
convergncia.
10. ao nal, avaliao do ndice de conabilidade no ponto de projeto: , = ky
k .
4.4 SORM- MTODODECONFIABILIDADEDE SEGUNDA
ORDEM
A estimativa de primeira ordem da probabilidade de falha obtida aproximando-se a equao de estado
limite por um hiper-plano tangente a esta no ponto de projeto. Este mtodo resulta em uma boa
aproximao da probabilidade de falha correta quando a equao de estado limite no espao normal
padro for plana ou aproximadamente plana na vizinhana do ponto de projeto.
No-linearidades na equao de estado limite q(y) = 0 surgem quando a equao de estado limite no
espao de projeto q(x) = 0 no linear, e tambm quando a transformao para o espao normal padro
for no-linear. Isto ocorre quando as variveis aleatrias so fortemente correlacionadas e/ou quando
as distribuies de probabilidade so fortemente no-Gaussianas. Neste caso, aproximaes de segunda
ordem, que consideram as curvaturas da equao de estado limite em torno do ponto de projeto, podem
fornecer melhor aproximao da probabilidade de falha. Aproximaes de segunda ordem do origem
ao que se chama de mtodo de conabilidade de segunda ordem ou SORM - Second Order Reliability
Method.
Mtodos de segunda ordem consistem em aproximar a equao de estado limite no ponto de projeto
por superfcies quadrticas ou parablicas (Figura 4-8), e determinar o contedo de probabilidades (pro-
babilidade de falha) correspondente a estas superfcies. Uma aproximao por superfcies quadrticas foi
primeiramente apresentada por Fiessler et al. (1979). Os resultados, no entanto, no so apropriados
para uso prtico. Em estudos subsequentes (Breitung, 1984; Tvedt, 1984; Tvedt, 1985; Kiureghian et
al., 1987), aproximaes parablicas so consideradas. Aproximaes parablicas podem ser baseadas em
curvaturas ou em pontos, como ser visto a seguir.
4.4. SORM - MTODO DE CONFIABILIDADE DE SEGUNDA ORDEM 119
2
Y
1
Y
*
y
( ) 0 g = y
SORM
*
( ) 0 g V =
y
y y
2
Y
1
Y
2
Y
1
Y
*
y
( ) 0 g = y
SORM
*
( ) 0 g V =
y
y y
Figura 4-8: Aproximao de segunda ordem (SORM).
4.4.1 Aproximao parablica baseada em curvaturas
O ajuste de um parabolide equao de estado limite realizado atravs da determinao de um sistema
apropriado de eixos ortonormais. O ensimo eixo b v
n
deste sistema escolhido de forma a apontar da
origem para o ponto de projeto:
b v
n
=
q(y
)
kq(y
)k
Os demais eixos b v
I
, i = 1, ..., : 1 so determinados a partir de um esquema de ortogonalizao, como
o algoritmo de Gram-Schmidt. Uma matriz de rotao V formada tendo os vetores b v
I
como colunas:
V = [b v
1
, b v
2
, ..., b v
n1
]
Em termos do sistema ortogonal b v
I
, a equao de estado limite escrita simbolicamente como:
n
= q
0
(v
n1
)
Um parabolide ento ajustado s curvaturas da equao de estado limite no ponto de projeto (pice
do parabolide):
n
= , +
1
2
n1
X
I=1
n1
X
=1
a
I
= , +
1
2
(v
n1
)
T
A v
n1
(4.71)
onde A a matriz de derivadas de segunda ordem de q
0
(v
n1
). Sendo
2
q(y
) a matriz de derivadas de
segunda ordem (matriz Hessiana) da equao de estado limite:
2
q(y
) =
0
2
q(y)
0j
I
0j
I=1,...,n; =1,...,n
a matriz A facilmente determinada utilizando a matriz de rotao V :
A =
V
T

2
q(y
) V
kq(y
)k
(4.72)
As condies de otimalidade de segunda ordem do problema de otimizao denido em (4.9) levam a
uma aproximao assinttica de segunda ordem da probabilidade de falha (Breitung, 1984):
1
}2
= (,)
1
p
det(I +,A)
(4.73)
onde o ndice 2 indica aproximao de segunda ordem.
Um caso particular obtido quando o sistema ortogonal b v
I
escolhido de forma a coincidir com as
curvaturas principais da equao de estado limite no ponto de projeto. Neste caso, os vetores b v
I
so os
autovetores da matriz Hessiana, a matriz A ca diagonal e os autovalores correspondem s curvaturas
principais /
I
do parabolide. Neste caso, a equao do parabolide ca:
n
= , +
1
2
n1
X
I=1
/
I
2
I
(4.74)
e a expresso assinttica para a estimativa de segunda ordem da probabilidade de falha se reduz a:
1
}2
= (,)
n1
Y
I=1
1
1 +,/
I
(4.75)
importante observar que a expresso (4.75) se torna singular se /
I
= 1,,.
A estimativa de segunda ordem da probabilidade de falha atravs de um parabolide ajustado por
curvatura requer a avaliao da matriz de derivadas de segunda ordem da equao de estado limite. A
determinao desta matriz exige a avaliao da equao de estado limite em :
2
+ : + 1 pontos (sendo
: o nmero de variveis aleatrias do problema), o que representa um custo computacional elevado
quando a equao de estado limite dada de forma numrica. Uma alternativa para reduzir este custo
computacional a construo de um parabolide baseado em pontos.
4.4.2 Aproximao parablica baseada em pontos
A construo de um parabolide baseado em pontos para aproximar a equao de estado limite no ponto
de projeto evita a determinao da matriz de derivadas de segunda ordem ao assumir que os eixos b v
I
concidam com as direes principais do parabolide, independente da orientao verdadeira dos eixos
principais da equao de estado limite (Kiureghian et al., 1987). Com esta aproximao, a expresso do
parabolide se reduz a Eq. (4.74).
Com esta expresso, o ajuste de um parabolide por pontos exigiria a a avaliao de q(x) em um
ponto ao longo de cada eixo b v
I
. No entanto, para melhorar o ajuste, dois pontos so considerados, um
em cada semi-eixo (positivo e negativo) denido por b v
I
. Um semi-parabolide ento ajustado a cada
um destes pontos. As coordenadas destes pontos so dadas por:
(0, ..., a
I
, ..., /
I
) e (0, ..., +a
+
I
, ..., /
+
I
), i = 1, ..., : 1
onde o super-ndice corresponde ao semi-eixo considerado. Os pontos so escolhidos na intersecso entre
a equao de estado limite e o caminho , conforme ilustrado na Figura 4-9:
4.4. SORM - MTODO DE CONFIABILIDADE DE SEGUNDA ORDEM 121
Figura 4-9: Aproximao parablica baseada em pontos.
Este caminho corresponde a duas linhas verticais em
I
= /, e a um semi-crculo de raio /,, onde
o coeciente / dado por:
/ =
1
|o|
se |,| < 1
1 se 1 |,| 3
3
|o|
se |,| 3
Para determinar as coordenadas a e / de cada ponto, necessrio resolver uma equao do tipo:
q(a(/)b v
I
+/b v
n
) = 0
o que feito de modo iterativo,atravs do mtodo secante ou mtodo de Newton.
Uma vez encontradas as coordenadas a e / de cada ponto, um par de semi-parbolas construdo ao
longo de cada semi-eixo. As equaes so:
n
=

, +
1
2
/
I

2
I
para
I
0
, +
1
2
/
+
I

2
I
para
I
0
onde
/
I
=
2(/
I
,)
(a
I
)
2
e /
+
I
=
2(/
+
I
,)
(a
+
I
)
2
so as curvaturas das semi-parabolas. Para obter a estimativa de segunda ordem da probabilidade de
falha utilizando a formula de Breitung, uma curvatura equivalente para cada eixo
I
determinada de:
(1 +,/
I
)
1/2
=
1
2
(1 +,/
I
)
1/2
+ (1 +,/
+
I
)
1/2
A vantagem do parabolide ajustado por pontos obter um ajuste global equao de estado limite,
independente do rudo caracterstico das solues numricas, e evitar o clculo da matriz Hessiana. O
ponto fraco deste mtodo que os resultados dependem da escolha do sistema de eixos b v
I
. Obviamente,
a opo ideal para estes eixos so as direes principais da equao de estado limite, cuja determinao,
no entanto, requer o clculo da matriz Hessiana.
Captulo 5
CONFIABILIDADE DE SISTEMAS
Os problemas considerados at aqui se limitaram a uma nica equao de estado limite, o que corresponde
a um nico modo de falha. No entanto, os elementos ou membros estruturais que compem uma estrutura
apresentam, em geral, mltiplos modos de falha. Estruturas completas ou sistemas estruturais tambm
apresentam mltiplos modos de falha.
Modos de falha tpicos para elementos estruturais so: deformao plstica (escoamento localizado),
formao de rtula plstica (plasticao da seo), instabilidade, ruptura frgil da seo, deexo exces-
siva, acmulo de dano. Modos de falha tpicos para estruturas so: deexo excessiva, vibrao excessiva,
recalque de apoios, perda de equilbrio (por ruptura ou formao de rtula plstica em membros, por
falha de vinculaes de apoio). Neste captulo, estudamos como determinar a probabilidade de falha
de estruturas e de elementos estruturais sujeitos a mltiplos modos de falha. Mltiplos modos de falha
caracterizam sistemas em srie.
Em geral, classica-se como sistemas estruturais estruturas compostas por muitos membros ou el-
ementos estruturais. O grau de redundncia de uma estrutura determina se a falha de um elemento
estrutural implica ou no em falha da estrutura. Em teoria, a falha de um elemento em uma estrutura
isosttica implica em falha da estrutura, devido ausncia de redundncia. J a anlise da falha de
estruturas hiper-estticas exige a considerao da falha progressiva de elementos estruturais, bem como
a considerao das diversas sequncias em que esta pode acontecer. Esta anlise exige a decomposio
do sistema estrutural em combinaes de elementos estruturais em srie e em paralelo, o que estudado
na Seo (5.1).
A anlise de sistemas estruturais complexos requer um esquema sistemtico para identicar todos
os modos de falha possveis bem como suas consequncias. Para isto, utiliza-se rvores de falhas e
rvores de eventos. Arvores de falha so utilizadas para decompor um evento de interesse (falha de
um componente) em unies e interseces de sub-eventos bsicos, at que a probabilidade de ocorrncia
destes seja conhecida ou possa ser determinada. rvores de eventos so utilizadas para determinar
sistematicamente todas as consequncias de um evento de falha. rvores de falhas e rvores de eventos
so estudadas na Seo (5.4).
5.1 IDEALIZAES DE SISTEMAS
Sistemas complexos formados por muitos componentes podem ser decompostos em sub-sistemas com-
preendendo duas categorias de associaes elementares: componentes associados em srie e componentes
associados em paralelo.
5.1.1 Componentes associados em srie
Em (sub-)sistemas formado por componentes associados em srie, a falha de um componente representa
falha do sistema. Em outras palavras, a operao do sistema requer que todos os seus componentes
estejam funcionando. Por isto, sistemas em srie tambm so conhecidos como sistemas de corrente (que
falha no elo mais fraco - ou weakest link system). Um sistema em srie representado na Figura (5-1).
Se o evento 1
I
corresponde falha do i c:i:o componente, o evento falha do sistema (1) dado pela
unio:
1 = 1
1
1
2
1
3
... 1
n
=
n
I=1
1
I
123
124 ANDR T. BECK, CONFIABILIDADE DE SISTEMAS
O evento sobrevivncia (no-falha) dado por:
1 = 1
1
1
2
1
3
... 1
n
=
n
I=1
1
I
A probabilidade de falha de sistemas em srie dada por:
1
}
= 1[1] = 1[
n
I=1
1
I
]
Na avaliao desta probabilidade, deve-se considerar se existe dependncia entre os eventos 1
I
. Pode-se
mostrar que a probabilidade de falha limitada por:
max
I
1[1
I
] 1
}
1
n
Y
I=1
(1 1[1
I
])
n
X
I=1
1[1
I
] (5.1)
O limite inferior (esquerda) corresponde a dependncia perfeita entre os eventos e portanto falha
do componente mais fraco (evento de maior probabilidade de ocorrncia). O limite superior (direita)
corresponde independncia entre os eventos (modos de falha independentes). Para probabilidades
1[1
I
] pequenas, o limite superior pode ser aproximado pela quase-igualdade a direita da Eq. (5.1).
Figura 5-1: Sistema formado por componentes (eventos) associados em srie.
5.1.2 Componentes associados em paralelo
A falha de um (sub-)sistema formado por componentes associados em paralelo s ocorre se todos os
componentes falham. Em outras palavras, se um dos componentes no falha, o sistema tambm no
falha. Um sistema em paralelo representado na Figura (5-2). Se o evento 1
I
corresponde a falha do
i c:i:o componente, o evento falha do sistema (1) dado pela interseco:
1 = 1
1
1
2
1
3
... 1
n
=
n
I=1
1
I
O evento sobrevivncia (no-falha) dado por:
1 = 1
1
1
2
1
3
... 1
n
=
n
I=1
1
I
Sistemas em paralelo so sistemas redundantes. Esta redundncia pode ser ativa ou passiva. Na
redundncia ativa, vrios componentes dividem uma mesma tarefa. Na redundncia passiva, alguns
componentes cam em estado de standby, at que um componente falhe e os componentes redundantes
sejam acionados. A probabilidade de falha de sistemas em paralelo :
1
}
= 1[1] = 1[
n
I=1
1
I
]
Esta probabilidade depende do tipo de redundncia do sistema.
Redundncia ativa
Quando a redundncia do tipo ativa, a probabilidade de falha do sistema em paralelo limitada por:
n
Y
I=1
1[1
I
] 1
}
min
I
1[1
I
] (5.2)
O limite inferior (esquerda) corresponde ao caso de independncia entre os eventos individuais (modos
de falha). O limite superior corresponde dependncia perfeita entre os eventos. A redundnia ativa
nem sempre diminue a probabilidade de falha do sistema (caso de modos de falha dependentes).
5.1. IDEALIZAES DE SISTEMAS 125
Figura 5-2: Representao de sistema com componentes associados em paralelo.
Redundncia passiva
Na redundncia passiva, componentes redundantes apenas entram em operao quando outro compo-
nente falha. Logo, a avaliao da probabilidade de falha do sistema requer a anlise de probabilidades
condicionais, atravs de rvores de falhas. Esta construda estabelecendo-se a probabilidade de ocorrn-
cia de cada uma das possves sequncias de falha, que so determinadas por eventos condicionais. Como
exemplo, para um sistema com 3 componentes em paralelo, a probabilidade de falha para a sequncia de
falha o
1
corresponde a:
1[o
1
] = 1[1
1
]1[1
2
|1
1
]1[1
3
|1
1,2
]
Se as sequncias de falha so mutuamente exclusivas, ento:
1
}
= 1[o
1
] +1[o
2
] +... +1[o
n
]
A redundncia do tipo passiva sempre reduz a probabilidade de falha do sistema em relao proba-
bilidade de falha dos membros.
Coeciente de segurana (redundncia)
Coecientes de segurana, utilizados no projeto de estruturas, aumentam a capacidade de elementos
estruturais em relao capacidade mnima necessria. Esta redundncia tanto passiva quanto ativa.
Para efeitos de ilustrao, imagine que a seo transversal do elemento projetado seja dividida em uma
seo mnima, obtida para ` = 1, e uma seo adicional, correspondente ` 1, com ` 1. A seo
transversal adicional, obtida pelo uso de ` 1,resiste s solicitaes usuais de servio dividindo a carga
de trabalho com a seo transversal mnima necessria, o que caracteriza uma redundncia ativa. No
entanto, quando ocorre uma sobre-carga, a seo transversal adicional mobilizada, o que caracteriza
redundncia passiva. Em sistemas estruturais redundantes, a redundncia passiva originada no uso
coecientes de segurana ca melhor caracterizada: quando um elemento redundante falha, ocorre uma
re-distribuio dos esforos, que mobiliza a seo transversal adicional dos elementos sobreviventes. Esta
re-distribuio dos esforos absorvida pelos demais elementos, caracterizando a redundncia do tipo
passiva.
5.1.3 Associao mista de componentes
Nem todo sistema pode ser decomposto diretamente em associaes em srie ou em paralelo de compo-
nentes. No entanto, pode-se formar sub-sistemas com componentes associados em srie ou em paralelo, e
associar estes sub-sistemas em srie ou em paralelo, sucessivamente, at compor o sistema completo. Esta
decomposio em associaes elementares de componentes servem para entender a interconectividade dos
elementos e compreender o papel da falha destes na falha do sistema.
5.2 IDEALIZAO DE SISTEMAS ESTRUTURAIS
A conabilidade de sistemas estruturais formados por muitos membros est diretamente relacionada
conabilidade destes membros e maneira como estes membros esto interconectados. Na anlise da
conabilidade de sistemas estruturais, deve-se considerar que:
1. o efeito de carregamento em cada membro consequncia do carregamento na estrutura;
2. aes e resistncia no so necessriamente independentes (exemplos: ao de peso prprio rela-
cionada com as dimenses dos membros, resistncia relacionada com carregamento anterior);
3. existncia de dependncia entre as resistncias dos diferentes membros;
4. prticas construtivas tem inuncia na resistncia de grupos de membros.
A anlise de sistemas estruturais exige simplicaes que so divididas em:
1. simplicao em aes e carregamentos;
2. modelos de resistncia de materiais e membros;
3. membros componentes da estrutura e sua interconectividade.
Neste captulo, as aes so consideradas invariantes com o tempo. Esta simplicao mascara o
problema da dependncia com o caminho de carregamento (load path dependence), a qual s pode ser cor-
retamente considerada quando os carregamentos so representados por processos estocsticos. Conforme
vimos, processos estocsticos de carregamento do origem a problemas de conabilidade dependentes do
tempo, que so considerados no Captulo 8.
5.2.1 Modelos de resistncia de material
Na engenharia estrutural, diferentes modelos so utilizados para representar a resistncia de materiais.
Alguns destes modelos esto representados na Figura 5-3.
Figura 5-3: Modelos simplicados de resistncia de material: a) elstico; b) elstico-frgil; c) elstico-
perfeitamente plstico; d) elstico com resistncia residual; e) elstico com enrijecimento plstico; f)
curvilneo (elstico ou inelstico).
Na avaliao da conabilidade, importante considerar o comportamento ps-falha dos materiais
estruturais. Nesta discusso, entende-se por falha a ultrapassagem do limite elstico do material. Duas
situaes extremas so identicadas: materiais frgeis e materiais dcteis. Materiais frgeis rompem
ao se atingir a tenso limite, e portanto no possuem nenhuma capacidade residual. J os materiais
dcteis se deformam plasticamente ao se ultrapassar a tenso limite de proporcionalidade (ou tenso
5.2. IDEALIZAO DE SISTEMAS ESTRUTURAIS 127
de escoamento), mantendo e mesmo aumentando a sua capacidade de carga. A capacidade residual do
material, e portanto dos membros estruturais, dene o comportamento de falha do sistema estrutural.
Na anlise de conabilidade de estruturas formadas por material frgil, comum admitir-se um
modelo elstico-frgil de comportamento (b). Para membros formados por material dctil, admite-se
comportamento elstico-perfeitamente plstico (c). Estas simplicaes facilitam a anlise de alguns
tipos de sistemas estruturais, como veremos a seguir.
Em geral, outros tipos de comportamento de material exigem solues numricas. Efeitos no-lineares
ps-ambagem, por exemplo, so representados por material elstico com enrijecimento plstico (e) e
exigem uma anlise distinta da apresentada neste captulo.
5.2.2 Estruturas isostticas - sistemas em srie
Estruturas isostticas representam um caso tpico de sistema onde os componentes estruturais esto
associados em srie. Devido inexistncia de redundncia, a falha de um membro implica em falha
da estrutura. Esta idealizao vlida para membros frgeis ou dcteis. A falha (por ruptura) de um
membro frgil ou de uma vinculao causa a perda de equilbrio e portanto a falha da estrutura. A
deformao plstica de um membro dctil provoca deformao plstica da estrutura, o que pode (ou no)
ser caracterizado como falha do sistema.
Em estruturas de pequeno grau hiper-esttico (i.e., com pequena redundncia) formada por membros
frgeis, comum assumir-se que a falha do membro mais solicitado implica em falha da estrutura. Isto
acontee devido redistribuio de cargas, possivelmente com um fator de impacto, o que leva ao colapso
progressivo instantneo da estrutura. Obviamente, o mesmo no vale para a ruptura de um membro que
tem pequena contribuio na capacidade de carga da estrutura.
5.2.3 Estruturas hiper-estticas - sistemas em paralelo
Em estruturas hiper-estticas, a falha do sistema s acontee se um nmero suciente de membros falha.
Este nmero igual ao grau hiper-esttico (GH) da estrutura mais um. A anlise de falha de estruturas
hiper-estticas envolve a determinao das diferentes sequncias de falha, incluindo a redistribuio de
cargas dada a falha de um membro. Cada sequncia de falhas formada pelo colapso progressivo de
GH + 1 membros, e todas as seqncias de falha devem ser consideradas. Os eventos que correspondem
a uma sequncia de falha esto associados em paralelo, enquanto que as diferentes seqncias de falha
formam eventos em srie. Isto signica que a desconsiderao de alguma das possveis sequncias de falha
no-conservadora (contra a segurana). Em geral, o uso de rvores de falha ajudam a identicar as
diferentes seqncias de falha.
Trelias hiper-estticas formadas por membros frgeis
A anlise de conabilidade de trelias hiper-estticas formadas por membros frgeis envolve a avaliao
da falha progressiva dos membros hiper-estticos mais um, at o colapso da estrutura. Considere como
exemplo a trelia ilustrada na Figura 5-4. O grau hiper-esttico da estrutura igual a 1, portanto duas
barras devem falhar para que ocorra o colapso da estrutura. Aplicando cargas unitrias (H = 1 e \ = 1,
isoladamente) na estrutura, obtemos o fator de carga de cada membro como /
I
e
I
. Para simplicar a
anlise, assumimos que a falha dos membros comprimidos ocorre por instabilidade elstica (frmula de
Euler) e a falha dos membros tracionados ocorre por ruptura. Portanto, a equao de estado limite para
membros tracionados :
q
I
(x) = o
1
a
I
/
I
H
I
\
A equao de estado limite para os membros comprimidos :
q
I
(x) =

2
11
I
1
I
/
I
H
I
\
onde a
I
, 1
I
e 1
I
so a rea da seo transversal, o momento de inrcia e o comprimento da i-sima barra,
respectivamente; o
1
e 1 so a tenso de ruptura e o mdulo de elasticidade do material, respectivamente.
Seja 1
I
o evento falha da i-sima barra. Assumindo que qualquer barra possa ser a primeira a falhar,
temos 6 caminhos alternativos de falha:
1
}
=
X
6
I=1
1[1
I
]
6
=1,6=I
(1
|1
I
)
As probabilidades de falha condicionais, de uma segunda barra dada falha da primeira (1
|1
I
), so
calculadas retirando a barra que falhou e re-calculado os fatores de carga dos demais elementos, /
I
e
I
, mas utilizando as mesmas equaes de estado limite. possvel incluir um fator de impacto na
re-distribuio dos esforos.
A soluo de um problema muito parecido com este pode ser encontrada em Verzenhassi (2008).
Figura 5-4: Trelia hiper-esttica formada por membros frgeis.
Prticos hiper-estticos formados por membros dcteis
Neste tipo de sistema idealizado, a resistncia de cada membro (vigas, colunas) determinada pelo
momento etor necessrio para formar uma rtula plstica no mesmo. A falha da estrutura caracterizada
pela formao de um mecanismo plstico, o que corresponde formao de um nmero suciente de
rtulas plsticas para tornar a estrutura instvel. Este nmero igual ao grau hiper-esttico da estrutura
mais um. As rtulas plsticas que correspondem a um mecanismo representam eventos em paralelo,
uma vez que o mecanismo s formado quando todas as resistncias so mobilizadas. Os diferentes
mecanismos possveis para determinada estrutura representam eventos em srie, uma vez que a falha da
estrutura caracterizada pela formao de qualquer mecanismo. Assim, a desconsiderao de algum dos
possveis mecanismos de falha no-conservadora (contra a segurana).
A formao de um mecanismo plstico pode ser equacionada igualando-se o trabalho das foras ex-
ternas com o trabalho de deformao plstica (foras internas):
X
I
Q
I
'
= 0 (5.3)
onde:
Q
I
so as foras externas atuando sobre o prtico;
I
so os deslocamentos das foras na formao de um mecanismo;
'
o momento etor necessrio para formar uma rtula plstica na ,-sima seo transversal;
0
a rotao da ,-sima seo transversal na formao do mecanismo.

Considere como exemplo o prtico plano ilustrado na Figura 5-5. Duas aes agem sobre o prtico:
uma fora horizontal H e uma fora vertical \ . Os quatro mecanismos plsticos que podem levar ao
colapso do prtico esto ilustrados na gura, e numerados de a) a d). Considere o mecanismo a) como
exemplo. Ao formar o mecanismo, as foras H e \ se deslocam de uma distncia c, e as rtulas giram de
um ngulo 0. Como a altura e meia-largura do prtico so unitrias, e assumindo pequenos deslocamentos,
resulta que 0 ta:(0) = c. Portanto, pela Eq. (5.3) temos '
1
0 + 2'
3
0 + 2'
4
0 Hc \ c = 0, o que
se simplica para '
1
+ 2'
3
+ 2'
4
H \ = 0. Procedendo de maneira semelhante, as equaes de
estado limite para os quatro possveis mecanismos de falha so obtidas como:
modo a: q
o
= '
1
+ 2'
3
+ 2'
4
H \ = 0
modo b: q
b
= +1'
2
+ 2'
3
+ 1'
4
\ = 0
modo c: q
c
= '
1
+ 1'
2
+ 1'
4
H = 0
modo d: q
J
= '
1
+ 2'
2
+ 2'
3
H +\ = 0
5.3. MLTIPLOS MODOS DE FALHA 129
Uma soluo passo a passo deste problema pode ser encontrada em Melchers (1999).
Figura 5-5: Prtico hiper-esttico formado por membros dcteis.
5.3 MLTIPLOS MODOS DE FALHA
Nesta seo considerada a anlise de estruturas que apresentam mltiplos modos de falha associados
em srie. Tal anlise pode representar um elemento estrutural com mltiplos modos de falha, ou uma
estrutura isosttica completa. Esta anlise ainda representativa para prticos hiper-estticos formados
por membros dcteis (diferentes mecanismos em srie), ou para determinar-se a probabilidade de que
falhe um membro (qualquer deles) em uma trelia isosttica.
Cada modo de falha da estrutura ou elemento estrutural corresponde uma equao de estado limite:
q
I
(x) = 0, i = 1, 2, ..., :
O evento falha em relao ao i-simo modo de falha, chamado de 1
I
, representado por:
1
I
= {x|q
I
(x) 0}
Note que esta representao coincide com a denio do domnio de falha (Eq. 3.2). Logo, o domnio de
falha em relao ao i c:i:o modo de falha 1
}
1
= 1
I
. Portanto, o domnio de falha para : modos de
falha associados em srie um domnio composto, obtido por:
1
}
=
n
I=1
1
}1
Isto signica que, para determinar a probabilidade de falha em relao a qualquer um dos possveis
modos de falha, basta atualizar o domnio de falha na Eq. (3.29):
1
}
=
Z
r
1=1
1
j
1
)
X
(x)dr (5.4)
As probabilidade de falha individuais (em relao a cada um dos modos de falha considerados individual-
mente) podem ser determinadas utilizando-se os mtodos SORM, FORM e SORM estudados no captulo
(4). Nesta seo, estudamos como estas solues individuais so aproveitadas na soluo de problemas
envolvendo domnios de falha compostos como na Eq. (5.4).
5.3.1 Limites para a probabilidade de falha de sistemas em srie
Seja 1
I
o evento falha em relao ao i c:i:o modo de falha. O evento falha em relao a qualquer um
dos : modos de falha (associados em srie) descrito por:
1 = 1
1
1
2
1
3
... 1
n
=
n
I=1
1
I
Observando o diagrama de Venn para os : eventos 1
I
, fcil perceber que a probabilidade de falha
1
}
= 1[1] obtida por:
1
}
= +1[1
1
] (5.5)
+1[1
2
] 1[1
2
1
1
]
+1[1
3
] 1[1
3
1
1
] 1[1
3
1
2
] +1[1
3
1
2
1
1
]
+...
Para : componentes, esta equao pode ser generalizado como:
1
}
=
n
X
I=1
1[1
I
]
n
X
I=2
I1
X
=1
(<I)
1[1
I
1
] +
n
X
I=3
I1
X
=2
(<I)
I2
X
|=1
(|<)
1[1
I
1
1
|
] ... (5.6)
Note-se que o primeiro somatrio envolve probabilidade de falha individuais, o segundo envolve inter-
seces de dois eventos, o terceiro interseces de trs eventos e assim por diante. Note-se ainda que
os sinais destes somatrios alternam-se entre positivo e negativo, o que signica que limites inferiores e
superiores para a probabilidade de falha so obtidos medida que estes termos vo sendo incorporados
na soma.
Limites uni-modais so obtidos desconsiderando-se todos os termos envolvendo interseces. Isto
signica que estes limites so calculados considerando-se apenas modos individuais de falha. Como ser
visto a seguir, os resultados apresentados na Eq. (5.1) correspondem a limites uni-modais. Limites bi-
modais so obtidos incluindo-se os termos de interseco entre dois modos de falha 1[1
I
1
]. Os termos
de interseco mltipla (trs ou mais modos de falha) so bastante difceis de calcular, e nem sempre
necessrios.
Limites uni-modais
A considerao do primeiro somatrio (apenas) da Eq. (5.6) d origem a um limite superior para a
probabilidade de falha:
1
}

n
X
I=1
1[1
I
] (5.7)
Os termos de interseco 1[1
I
1
] ou de interseco mltipla na Eq. (5.6) so sempre menores ou

iguais ao menor dos eventos envolvidos na interseco:
1[1
I
1
] min[1
I
, 1
]
Isto signica que a considerao de apenas um dos termos do somatrio em (5.7) corresponde a um limite
inferior para a probabilidade de falha. Em particular:
1
}
max
I
[1(1
I
)]
Portanto, os limites uni-modais da probabilidade de falha so obtidos como:
max
I
[1(1
I
)] 1
}

n
X
I=1
1[1
I
]
Note que esta expresso idntica Eq. (5.1). Os limites uni-modais no so muito teis por serem
bastante amplos, principalmente quando no h um modo de falha dominante.
Limites bi-modais
Limites bi-modais da probabilidadade de falha do sistema so obtidos incluindo os termos de segunda
ordem (1[1
I
1
]) da Eq. (5.6). Para obter um limite inferior, desconsideramos os termos envolvendo

interseces mltiplas (trs ou mais modos de falha), mas utilizamos o operador max[.] para garantir que
no haja contribuio negativa na probabilidade de falha devido desconsiderao dos termos de terceira
ordem (1[1
I
1
1
|
]):
5.3. MLTIPLOS MODOS DE FALHA 131
1[1
1
] +
n
X
I=2
max
0, 1[1
I
]
I1
X
=1
1(1
I
1
6 1
}
(5.8)
Observe que este limite depende da ordenao dos modos de falha. Existem algoritmos para se
determinar a ordenao ideal dos modos de falha a m de estreitar estes limites. A regra geral orden-
los em escala de importncia, i.e., em escala decrescente de probabilidade de falha individual:
1[1
1
] 1[1
2
] 1[1
3
] ... 1[1
n
]
O limite superior obtido a partir de uma simplicao das linhas da expresso (5.5). Cada linha
desta expresso faz uma contribuio no-negativa na probabilidade de falha, de modo que:
1
}
6
n
X
I=1
1[1
I
]
n
X
I=2
max
I,
[1(1
I
1
)] (5.9)
Aqui, o operador max[.] tambm garante que no ocorra contribuio negativa na probabilidade de falha.
5.3.2 Aproximao de primeira ordem para mltiplos modos de falha
Os limites bi-modais da probabilidade de falha de sistemas com mltiplos modos de falha (associados
em srie) podem ser avaliados a partir de uma aproximao de primeira ordem das equaes de estado
limite que denem o problema. Esta aproximao, que compatvel com a linearizao das equaes de
estado limite realizada em SORM e FORM, consiste em determinar os termos bi-modais de probabilidade
(1
I
1
) a partir dos coecientes de correlao entre as equaes de estado limite linearizadas nos
respectivos pontos de projeto.
Correlao entre modos de falha
Considere os dois hiper-planos tangentes cada equao de estado limite nos respectivos pontos de
projeto:
q
I
(y) = (y y
I
)
T
q
I
(y
I
) = 0
q
(y) = (y y
)
T
q
(y
) = 0
Aplicando o operador valor esperado, obtemos:
1[q
I
(y)] = q
I
(y) = y
I
T
q
I
(y
I
)
1[q
(y)] = q
(y) = y
T
q
(y
)
A covarincia entre os dois modos de falha (entre as duas equaes de estado limite) obtida como:
Co[q
I
(y), q
(y)] = 1[(q
I
q
I
)(q
)]
= 1[
y
T
q
I
(y
I
)

y
T
q
(y
]
= 1[y
T
y](q
I
(y
I
)
T
q
(y
))
O termo 1[y
T
y] corresponde ao momento de 2
o
ordem (Eq. 2.13), e pode ser calculado como:
1[y
T
y] = 1[y
2
] = o
2
Y
+1[y]
2
No espao das variveis normais padro normalizadas, 1[y] = 0 e o
2
Y
= 1, logo 1[y
T
y] = 1. Portanto,
a covarincia entre dois modos de falha se resume a:
Co[q
I
(y), q
(y)] = q
I
(y
I
)
T
q
(y
)
Da Eq. (4.21) temos que:
\ ar[q
I
(y)] = q
I
(y
I
)
T
q
I
(y
I
)
ou:
o
1
(y)
=
q
q
I
(y
I
)
T
q
I
(y
I
) = kq
I
(y
I
)k
Portanto, o coeciente de correlao entre dois modos de falha q
I
(y) e q
(y), que mede a dependncia

linear entre estes modos de falha, :
j
=
Co[q
I
(y), q
(y)]
o
1
(y)
o
(y)
=
q
I
(y
I
)
T
q
I
(y
I
)
kq
I
(y
I
)k
(y
= c
T
I
c
(5.10)
O coeciente de correlao obtido atravs da Eq. 5.10 aproximado, pois obtido a partir da
linearizao das equaes de estado limite nos respectivos pontos de projeto. Pode-se mostrar ainda que
j
o cosseno do angulo entre as equaes de estado limite linearizadas. Note que as aproximaes
envolvidas no clculo de j
1
so compatveis com as aproximaes do mtodo FORM.
Aproximao da probabilidade de interseco 1(1
I
1
)
As probabilidades de interseco 1(1
I
1
) no podem ser determinadas diretamente, nem de forma

exata. Estas probabilidades so aproximadas a partir das probabilidades de ocorrncia dos eventos e
1 representados na Figura (5-6), para cada combinao de modos de falha. Relaes de ortogonalidade
permitem determinar:
1(
I
) = (,
I
)
,
I
q
1 j
2
1
1(1
I
) = (,
,
I
j
q
1 j
2
1
Na avaliao dos limites inferior e superior (equaes 5.8 e 5.9), os termos 1(1
I
1
) so aproximados
de forma a preservar os respectivos limites.
Quando o coeciente de correlao j
positivo, utiliza-se
1(1
I
1
) = 1(
I
) +1(1
I
)
para o limite inferior e
1(1
I
1
) = max[ 1(
I
), 1(1
I
)]
para o limite superior.
Quando o coeciente de correlao j
negativo, utiliza-se
1(1
I
1
) = min[ 1(
I
), 1(1
I
)]
para o limite inferior e
1(1
I
1
) = 0
para o limite superior.
A formulao destes limites est baseada em trs importantes aproximaes: a linearizao das
equaes de estado limite nos respectivos pontos de projeto, a considerao de falha simultnea por dois
e no mais do que dois modos de falha e a aproximao feita no clculo da probabilidade de interseco
1(1
I
1
).
Devido linearizao e aproximao feita no clculo de 1(1
I
1
), os limites estabelecidos por (5.8)

e (5.9) so assintticos, isto , se estreitam a medida que as probabilidades de falha individuais diminuem.
Estes limites ainda podem ser largos quando no h um modo de falha dominante, especialmente se as
probabilidades de falha individuais forem elevadas. No entanto, em geral obtm-se resultados aceitveis.
O clculo dos limites bi-modais linearizados pode ser resumido nas seguintes etapas:
1. Ordenamento em ordem decrescente das probabilidades de falha individuais;
2. Clculo dos coecientes de correlao linearizados entre os modos de falha;
3. Clculo da probabilidade dos eventos e 1 para cada par de modos de falha;
5.4. SISTEMAS ESTRUTURAIS COMPLEXOS 133
4. Clculo da probabilidade de interseco para dois modos de falha 1(1
I
1
);
5. Clculo dos limites da probabilidade de falha do sistema conforme (5.8) e (5.9).
1
Y
1
( ) 0 g = y
2
Y
2
( ) 0 g = y
a
b
B
A
1 2
F F
1
|
2
|
1
Y
1
( ) 0 g = y
2
Y
2
( ) 0 g = y
a
b
B
A
1 2
F F
1
|
2
|
Figura 5-6: Determinao dos limites bi-modais linearizados.
5.4 SISTEMAS ESTRUTURAIS COMPLEXOS
5.4.1 rvore de falhas
Essencialmente, uma rvore de falhas utilizada para decompor um evento principal (geralmente, falha do
sistema gerando um acidente) em combinaes de eventos elementares que levam a ocorrncia do evento
principal. Este processo de decomposio continua at que o evento principal esteja desmembrado em
eventos bsicos cuja probabilidade de ocorrncia seja conhecida ou possa ser calculada. A probabilidade
de ocorrncia dos eventos bsicos dada na forma de tabelas, para componentes mecnicos ou eletrnicos,
ou pode ser calculada com base nos mtodos estudados.
A rvore de falhas permite desmembrar um acidente em seus eventos bsicos, que podem ser falhas
de equipamento ou falhas humanas. A Figura (5-7) mostra uma rvore de falhas esquematizada. Na
decomposio do evento principal, os eventos bsicos so agrupados utilizando-se portas do tipo AND ou
OR, que correspondem a componentes associados em srie ou em paralelo.
rvores de falha podem ser utilizadas tanto para anlises quantitativas como qualitativas. Claramente,
h inmeras vantagens de se efetuar primeiramente uma anlise qualitativa.
Anlise qualitativa
rvores de falha so uma maneira sistematizada e organizada de identicar as provveis falhas de um
sistema que podem levar a um acidente (evento principal). Alm de identicar as provveis causas de
um acidente, rvores de falha permitem descobrir combinaes de incidentes que levam falha e que de
outra maneira poderiam passar desapercebidas.
Uma anlise puramente qualitativa, utilizando valores de probabilidades aproximados, j suciente
para orientar o projeto de um sistema. Ela permite identicar as seqncias crticas de eventos que
mais provavelmente levam falha do sistema. Estas seqncias so chamadas de caminhos crticos ou
minimal cut sets. Os caminhos crticos que podem levar ao evento principal podem ser identicados em
uma anlise qualitativa. A probabilidade de ocorrncia do evento principal pode ento ser minimizada
minimizando-se a probabilidade de ocorrncia dos eventos do caminho crtico. Por meio dos caminhos
crticos, pode-se simplicar consideravelmente a rvore de falha de um sistema muito complexo.
Anlise quantitativa
Muitas vezes, estatsticas de eventos so dadas em termos de freqncias (e.g., falhas por ano, ou falhas
por hora). O clculo de probabilidade em uma porta AND admite apenas uma entrada do tipo freqncia,
caso contrrio o resultado se tornaria algo como falhas
3
por ano
3
, o que obviamente no faz sentido. No
entanto, se uma das entradas for uma freqncia e as demais entradas forem probabilidades, o resultado
se torna tambm uma estimativa de freqncia.
Na operao OR, no h qualquer diculdade em combinar estatsticas de eventos em termos de
freqencias, desde que as freqncias sejam relativamente baixas.
Caractersticas de rvores de falha:
1. no representa todos os modos de falha do sistema;
2. analisa eventos principais a partir de suas causas primrias;
3. desmembra eventos principais em falha de componentes bsicos cuja probabilidade de ocorrncia
conhecida ou pode ser calculada;
4. pode representar componentes em srie e/ou paralelo, com redundncia ativa ou passiva;
5. detecta caminhos crticos que mais provavelmente levam a falha do sistema;
6. requer uma denio prescisa das fronteiras do sistema;
7. programas de computador disponveis para grandes problemas;
8. pode incluir falha de equipamento e falha humana na mesma anlise;
9. ateno com os modos de falha comuns, pois a anlise quantitativa baseada na hiptese de
independncia entre eventos!
5.4.2 rvore de eventos
rvores de evento servem para identicar as conseqncias de um evento inicial, como a falha de um
componente do sistema. rvores de evento permitem ainda identicar a atuao de sistemas de segurana
e sua adequao, identicar em que ponto devem ser investidos recursos para minimizar conseqncias e,
nalmente, avaliar a probabilidade de ocorrncia de determinadas conseqncias.
O desenvolvimento de uma rvore de eventos inicia no evento inicial e segue com a identicao das
conseqencias deste evento atravs de uma srie de pontos de deciso. Estes pontos de deciso referem-se
a entrada em operao de um sistema de segurana, uma interveno humana, condies ambientais no
momento do incidente, etc. Uma rvore de eventos ilustrada na Figura (5-8).
Construo de rvores de eventos:
1. denio do evento inicial, que pode ser falha de um equipamento, falha humana ou outro evento
que gera uma sequncia de acontecimentos;
2. denio dos eventos secundrios relevantes, de onde partem os galhos da rvore. Cada rami-
cao associada a uma probabilidade de ocorrncia. A soma das probabilidades de ocorrncia de
todos os galhos que ramicam de um n deve ser um (1.0);
3. traado dos caminhos de falha, distinguindo caminhos que levam a falha de caminhos sem maiores
conseqncias. Os caminhos de falha mostram onde devem ser concentrados os esforos para
diminuir a probabilidade de ocorrncia de resultados indesejveis;
4. realizao da anlise qualitativa;
5. realizao da anlise quantitativa,
5.4. SISTEMAS ESTRUTURAIS COMPLEXOS 135
Avaliao qualitativa:
Uma avaliao qualitativa de uma rvore de eventos pode fornecer informaes importantes, como:
1. o papel e adequao de sistemas de segurana: a anlise revela a efetividade de um equipamento
de segurana e pode revelar a necessidade de equipamento adicional;
2. o papel de barreiras, formadas por aes e medidas que tem como nalidade conter a propagao
dos eventos. Exemplo: as barreiras fsicas utilizadas para conter eventuais vazamento de lquidos;
3. efeitos de mudanas no projeto, e.g., mudar uma linha de conduo (tubulao) para longe da rea
com potencial para incndios, evitando eventos secundrios relacionados com a tubulao;
4. papel da resposta de emergncia: h previso de uma resposta de emergncia no evento de um
acidente? Esta resposta suciente para minimizar as conseqncias?
Avaliao quantitativa:
Esta feita simplesmente multiplicando-se a probabilidade dos eventos situados ao longo de um caminho
que leva a uma conseqncia indesejvel.
Caractersticas de uma rvore de eventos:
1. fcil de construir e de avaliar;
2. h risco de aumentar muito, a medida que mais eventos secundrios so considerados;
3. possibilita a avaliao de risco, incluindo o custo de falha;
4. ilustra o efeito de falhas;
5. mostra a seqncia de um acidente;
6. prpria para anlise de segurana;
7. seqencias de grande signicado podem ser analisadas usando rvores de falha.
evento
principal
e
5
e
6
e
7
e
1
e
2
e
3
e
4
evento
principal
e
5
e
6
e
7
e
1
e
2
e
3
e
4
Figura 5-7: rvore de falhas mostrando eventos bsicos e evento principal.
evento
inicial
c
5
c
6
c
1
c
2
c
3
c
4
evento
inicial
c
5
c
6
c
1
c
2
c
3
c
4
Figura 5-8: rvore de eventos mostrando evento inicial e conseqncias.
Captulo 6
SIMULAO DE MONTE CARLO
Simulao uma forma de experimentao numrica. Segundo Rubinstein (1981) ou Rubinstein e Kroese
(2008):
simulao uma tcnica numrica para realizar experimentos em computador, com base
em modelos lgicos e modelos matemticos, de modo a descrever o comportamento de sistemas
econmicos e de administrao ao longo de um determinado perodo de tempo.
Simulao de Monte Carlo o nome dado a simulao que envolve a utilizao de nmeros aleatrios.
O nome uma referncia cidade de Monte Carlo, no principado de Mnaco, famosa por seus cassinos.
A simulao uma tcnica que permite a soluo de problemas muito complexos. Tem sido muito
utilizada para prever o comportamento a longo prazo de sistemas complexos de qualquer natureza. Na
simulao, no h limite no nmero de variveis do problema ou na complexidade de modelo, resolvendo-
se com a mesma facilidade problemas com poucas ou com muitas variveis. O nico fator limitante a
capacidade computacional, que tem aumentado muito nos ltimos anos.
Na matemtica, a simulao utilizada como ferramenta para calcular integrais, equaes algbricas
e equaes diferenciais complexas.
Em termos de anlise estrutural, a simulao pode ser entendida como uma forma de simular numri-
camente um experimento que na prtica no realizvel. Este experimento consiste em testar a estrutura
para todas as combinaes possveis de resistncias e de aes, sendo estas variveis aleatrias e/ou proces-
sos estocsticos. Tal experimento no realizvel na prtica porque:
1. o custo de construo de estruturas muito elevado para se construir mltiplos prottipos para
teste;
2. as possibilidades de uso de modelos em escala so limitadas;
3. a probabilidade de falha de sistemas estruturais muito pequena, o que torna a observao de
falhas muito difcil.
Na rea de anlise estrutural, o mtodo de simulao de Monte Carlo muito utilizado como ltimo
recurso, quando os demais mtodos analticos falham. comum tambm utilizar-se Monte Carlo para
vericar solues analticas aproximadas.
Com o aumento da capacidade dos computadores, a simulao de Monte Carlo tem conquistado
mais espao, devido sua robustez e simplicidade. Tcnicas de amostragem inteligente tem permitido a
aplicao da simulao problemas com baixa probabilidade de falha.
Mtodos de simulao so muitas vezes chamados de mtodos exatos porque, tericamente, o resultado
da simulao tende ao resultado exato quando o nmero de simulaes tende ao innito. Alm disto,
mtodos de simulao evitam certas aproximaes dos mtodos analticos. No entanto, a concepo de
exato se limita a estes dois fatores pois, na realidade, mtodos de simulao ainda esto sujeitos a erros de
modelo, aproximaes algortmicas na gerao de nmeros aleatrios, e outros. Os resultados dependem
da qualidade dos nmeros aleatrios utilizados, cuja gerao uma parte crtica do processo de simulao.
6.1 FORMULAO
A determinao da probabilidade de falha de um componente ou sistema estrutural envolve uma integral
sobre o domnio de falha 1
}
da funo de densidade de probabilidade conjunta )
X
(x):
137
138 ANDR T. BECK, SIMULAO DE MONTE CARLO
1
}
=
Z
1
j
)
X
(x)dr (6.1)
O domnio de falha pode ser representado por uma nica equao de estado limite ou por qualquer combi-
nao de estados limites em srie e/ou em paralelo. Seja q
I
(x) a equao de estado limite correspondente
ao isimo modo de falha. Os domnios de falha compostos para sistemas em srie, paralelo ou para
associao mista so representados por:
1
}
=
n
I=1
q
I
(x) (srie)
1
}
=
n
I=1
q
I
(x) (paralelo)
1
}
=
n
=1
(
n
I=1
q
I
(x))
(mista) (6.2)
Usando uma funo indicadora:
1[x] = 1 se x 1
}
(falha)
1[x] = 0 se x , 1
}
(sobrevivncia) (6.3)
pode-se integrar (6.1) sobre todo o domnio:
1
}
=
Z
1[x])
X
(x)dr 1[1[x]] (6.4)
Por denio (Eq. 2.12), esta expresso representa o valor esperado da funo indicadora 1[x] .
Portanto, o valor esperado da probabilidade de falha pode ser estimado, com base em uma amostra de
tamanho nito, atravs de (Eq. 2.16):
b
1
}
=
1
:
sI
n
s1
X
I=1
1[x
I
] =
:
}
:
sI
(6.5)
onde o chapu indica uma estimativa, :
}
o nmero de pontos no domnio de falha e :
sI
o nmero
de simulaes. Este um estimador no-tendencioso da probabilidade de falha, i.e., ele converge para a
probabilidade de falha exata com :
sI
.
A Eq. 6.5 est baseada em uma amostra de tamanho nito, e portanto est sujeita a um erro estatstico
que corresponde varincia de 1[x]. Utilizando a Eq. (2.19), obtemos uma estimativa da varincia como:
\ ar[
b
1
}
] =
1
(:
sI
1)
ns1
X
I=1
1[x
I
]
b
1
}
2
(6.6)
A varincia da 1
}
corresponde incerteza ou erro estatstico da simulao. A Eq. (6.6) mostra
que esta incerteza diminui medida que aumenta o nmero de simulaes :
sI
, convergindo a zero com
:
sI
. A varincia de
b
1
}
depende ainda da ordem de grandeza da probabilidade de falha exata 1
}
.
Quanto menor a probabilidade de falha, maior o nmero de simulaes necessrias para se obter uma
mesma varincia. O coeciente de variao da 1
}
obtido como:
C\
1
j

q
\ ar[
b
1
}
]
1[
b
1
}
]

1
p
:
sI
1
}
(6.7)
A partir da Eq. (6.7) observa-se que a avaliao de uma probabilidade de falha da ordem de 10
com C\
1
j
10% requer aproximadamente 10
+2
simulaes. Para as probabilidades de falha tpicas de
problemas de conabilidade estrutural (da ordem de 10
3
a 10
6
), o nmero de simulaes frequentemente
se torna proibitivo. Em outras palavras, o nmero de simulaes necessrias para se atingir alguns poucos
pontos no domnio de falha muito grande. Poucos pontos no domnio de falha levam a uma grande
varincia dos resultados. Para enderear este problema e reduzir o nmero necessrio de simulaes,
utiliza-se tcnicas de reduo de varincia, estudadas na Seo (6.3). O mtodo de Monte Carlo formulado
nesta seo conhecido como mtodo de Monte Carlo simples, direto, bruto ou cru, por no utilizar
tcnicas de reduo de varincia.
A partir das Eqs. (6.5 e 6.6) pode-se determinar o intervalo de conana do resultado da simulao:
b
1
}
/
q
\ ar[
b
1
}
] 1
}

b
1
}
+/
q
\ ar[
b
1
}
] (6.8)
6.2. GERAO DE AMOSTRAS DE VARIVEIS ALEATRIAS 139
onde o parmetro / est relacionado com o nvel de conana desejado, segundo uma distribuio Normal.
A Figura 6-1 ilustra um tpico grco de convergncia de simulao de Monte Carlo, em funo do
nmero de simulaes. A Figura mostra a convergncia em termos da mdia (Eq. 6.5) e do intervalo
de conana da 1
}
(Eq. 6.8). O comportamento observado na Figura 6-1 tpico: observa-se uma
oscilao da mdia (e da varincia), que ocorre por inuncia dos nmeros aleatrios e diminui medida
que :
sI
aumenta. O intervalo de conana se torna mais estreito com aumento de :
sI
, em funo da
reduo da varincia. O resultado exato para este problema tambm mostrado na gura (avaliar por
SMC: 1
}
= (,) para , = 2). Um grco de convergncia como o mostrado na Figura 6-1 essencial
para estimar a preciso dos resultados: o nmero de simulaes deve ser suciente para que se obtenha
convergncia na mdia com intervalo de conana aceitvel.
mdia
i.c. 12%
0 2 4 6 8 10
1.
1.5
2.
2.5
3.
3.5
4.
n
si
10
3
Figura 6-1: Grco de convergncia da 1

}
e intervalo de conana (i.c.) para SMC simples.
Algoritmo 45 Mtodo de Monte Carlo simples ou direto
1. gerar :
sI
amostras x
I
= {r
1
, r
2
, ...r
n
} a partir da funo conjunta de densidades )
X
(r);
2. vericar a ocorrncia de falha ou no para cada amostra, atravs da funo indicadora 1[x
I
];
3. estimar mdia e varincia da probabilidade de falha atravs de (6.5) e (6.6).
6.2 GERAODEAMOSTRAS DEVARIVEIS ALEATRIAS
O mtodo de simulao de Monte Carlo est fundamentado na gerao das :
sI
amostras x
I
= {r
1
, r
2
, ...r
n
}.
Cada uma destas amostras contm : nmeros aleatrios gerados segunda a funo conjunta de densidade
de probabilidades )
X
(x). Obviamente, a utilizao de computadores facilita esta tarefa para :
sI
grande.
Os mtodos apresentados nesta seo so os mais utilizados na prtica. Existem tambm outras tcnicas
de maior apelo terico mas de dicil aplicao (Rubinstein, 1981; Bratley et al., 1987).
6.2.1 Gerao de amostras de uma varivel aleatria
A obteno de uma amostra (aleatria) de uma varivel aleatria com funo de distribuio cumulativa
de probabilidades 1
X
(x) conhecida pode ser dividida em duas etapas:
1. gerao de um nmero aleatrio n
|
com distribuio uniforme entre 0 e 1;
2. determinao da inversa da funo de distribuio cumulativa de probabilidades:
r
|
= 1
1
(n
|
) (6.9)
Este procedimento pode ser visualizado na Figura (6-2). Ele pode ser aplicado para qualquer dis-
tribuio estatstica conhecida, uma vez que, por denio, a funo de distribuio cumulativa de prob-
abilidades aumenta monotonicamente entre 0 e 1. No entanto, este procedimento no adequado para as
distribuies normal e lognormal, uma vez que a expresso analtica de 1
X
(x) no conhecida (ver Eq.
2.39 e Seo 2.9.2).
Z
F (y),F (z) Y Z
Y
y
z
F (z) Z
F (y) Y
1.0
Figura 6-2: Gerao de nmeros aleatrios com distribuio prescrita.
Amostras de variveis aleatrias com distribuio normal ou log-normal podem ser obtidas a partir
de um algoritmo especco. Um par de amostras independentes j
1
e j
2
de uma varivel normal padro
obtido a partir de um par de amostras independentes n
1
e n
2
, uniformemente distribudas entre 0 e 1,
a partir de (Soong e Grigoriu, 1993):
j
1
=
p
2 log n
1
cos(2 n
2
)
j
2
=
p
2 log n
1
sin(2 n
2
) (6.10)
Amostras da varivel A (j, o) so ento obtidas a partir de:
r
|
= j
|
o +j (6.11)
Utilizando o mesmo algoritmo, amostras de uma varivel log-normal A 1(`, ) so obtidas de:
r
|
= exp[j
|
+`] (6.12)
Ambos algoritmos (equaes 6.9 e 6.10) esto baseados em amostras de nmeros aleatrios n
|
com
distribuio uniforme entre 0 e 1. Na prxima seo, vericamos como estes nmeros so obtidos atravs
de algoritmos recursivos. A gerao de grupos de nmeros aleatrios com funo conjunta de densidade
de probabilidades )
X
(x) descrita na Seo (6.2.4).
6.2.2 Gerao de nmeros aleatrios com distribuio uniforme
Nmeros aleatrios com distribuio uniforme entre 0 e 1 so obtidos atravs de algoritmos recursivos.
Um algoritmo muito utilizado conhecido como gerador linear congruencial (Lehmer, 1949):
n
|
=
a .
|
+c
:
int
a .
|
+c
:
(6.13)
Nesta expresso, int[.] representa a parte inteira, {:, a, c} so constantes que caracterizam o gerador
e .
0
(primeiro valor da seqncia .
|
) a semente do gerador. fcil perceber que a Eq. (6.13) resulta em
nmeros distribudos entre 0 e 1. O gerador congruencial funciona a partir de uma sequncia de grandes
nmeros .
|
, obtida a partir de:
.
|+1
= a .
|
+c : int
a .
|
+c
:
(6.14)
A seqncia de nmeros gerados pelas equaes (6.13 e 6.14) determinstica e reproduzvel; portanto
a seqncia gerada dita pseudo-aleatria. O fato da seqncia de nmeros pseudo-aleatrios poder
ser reproduzida atravs do uso de uma mesma semente .
0
conveniente, quando se deseja comparar ou
reproduzir resultados.
A qualidade de um gerador linear congruencial depende fortemente das constantes {:, a, c}. Todo
gerador congruencial cclico, e o perodo do ciclo sempre menor do que :. Isto signica que um grande
valor : deve ser utilizado. Alm disto, o coeciente de correlao entre dois nmeros consecutivos
inversamente proporcional s constantes : e a, portanto estas duas constantes devem ser grandes. A
semente .
0
deve ser um nmero grande, inteiro e mpar. Infelizmente, estes conjunto de especicaes
no sucientes para garantir boa qualidade de um gerador congruencial, conforme veremos na prxima
seo.
6.2.3 Teste de geradores lineares congruenciais
O conjunto de constantes {:, a, c} caracteriza diferentes geradores congruenciais. Nesta Seo em-
pregamos a sintaxe G1C = {:, a, c} para caracterizar determinado gerador. A informao sobre as
constantes do gerador, juntamente com a semente utilizada, so sucientes para reproduzir uma sequn-
cia de nmeros aleatrios.
A qualidade de um gerador de nmeros aleatrios medida a partir da uniformidade e da independn-
cia dos nmeros obtidos. Os nmeros gerados podem ser testados quanto independncia e quanto
uniformidade atravs de testes estatsticos padronizados. Uma maneira simples e visual de vericar a
uniformidade das amostras n
|
obtidas atravs do gerador congruencial ordenar as :
sI
amostras em
ordem crescente, atribuindo a cada valor amostrado o percentil:
1
I
(n
|
) = 1[{l < n
|
}]
/
:
sI
Os pontos (n
|
, 1
I
(n
|
)) assim obtidos so plotados em um grco, e devem resultar em uma linha reta
entre os pontos (0,0) e (:
sI
,1), correspondente funo acumulada de distribuio de probabilidades da
varivel aleatria uniforme l. A Figura 6-3 ilustra resultados deste teste de uniformidade, para conjuntos
de 10
3
e 10
4
amostras obtidas com o gerador linear congruencial G1C = {:, a, c} = {2
31
1, 65539, 0}.
Este gerador foi utilizado nos computadores IBM System 360, nos anos 60, e era conhecido como gerador
RANDU. A gura mostra que os nmeros gerados tem, aparentemente, uma distribuio uniforme.
0. 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.
0.
0.2
0.4
0.6
0.8
1.
j 10
3
F
U
u
j
0 1 2 3 4 5 6 7 8 9 10
0.
0.2
0.4
0.6
0.8
1.
j 10
3
F
U
u
j
Figura 6-3: Teste de uniformidade do gerador RANDU: G1C = {:, a, c} = {2

31
1, 65539, 0}, :
sI
= 10
3
(esquerda), :
sI
= 10
4
(direita), .
0
= 111111.
O teste de uniformidade ilustrado na Figura 6-3 no muito robusto. Um teste mais robusto o
chamado mtodo de partio do hiper-cubo unitrio. Em uma verso plana deste teste, os pontos n
|
amostrados so plotados em um grco bi-dimensional (espao [0,1]
2
); cada ponto neste grco uma
dupla (n
|
, n
|+1
). O espao [0,1]
2
ento dividido em partes iguais, formando quadras. Se os nmeros
amostrados tem distribuio uniforme, ento um mesmo nmero de pontos deveria ser observado em cada
quadra. Diferentes testes estatsticos podem ser utilizados para vericar quo uniforme esta distribuio
em quadras. Alternativamente, uma vericao visual pode ser feita. Nesta, verica-se a uniformidade da
distribuio dos nmeros no espao e a ausncia de tendnciosidades na gerao das amostras. A Figura
6-4 ilustra resultados deste teste de uniformidade para o gerador RANDU, para uma sequncia com 10
4
amostras. Esta gura tambm sugere uma uniformidade dos nmeros gerados, uma vez que no revela
nenhuma tendncia ou padro de gerao no-uniforme.
Um teste de uniformidade ainda mais robusto o mtodo de partio do hiper-cubo unitrio em
sua verso 3D. Neste teste, pontos (n
|
, n
|+1
, n
|+2
) so plotados em um grco tri-dimensional (espao
[0,1]
3
). Testes estatsticos podem ser utilizados para vericar a uniformidade da distribuio dos pontos
0. 0.2 0.4 0.6 0.8 1.
0.
0.2
0.4
0.6
0.8
1.
u
i
u
i
+
1
Figura 6-4: Teste de uniformidade do gerador RANDU em [0,1]
2
, :
sI
= 10
4
, .
0
= 111111.
em sub-cubos deste espao, ou uma vericao visual pode ser feita. A Figura 6-5 ilustra este teste
de uniformidade para o gerador RANDU. A perspectiva esquerda, nesta gura, sugere mais uma vez
uma uniformidade das amostras geradas. No entanto, a perspectiva direita (que representa apenas
outro ponto de vista do conjunto de pontos esquerda) revela uma tendenciosidade do gerador RANDU.
Percebe-se uma tendncia de amostrar pontos em planos preferenciais. Esta tendncia revela uma falha
grave do gerador RANDU, que apenas foi descoberta muitos anos depois de sua introduo pela IBM.
Um gerador linear congruencial aparentemente melhor utilizado no programa StRAnD: G1C = {:,
a, c} = {2
31
1, 41358, 0}. A Figura 6-6 ilustra o teste de partio do hiper-cubo unitrio, para este
gerador, no espao [0,1]
3
. No se percebe, nesta gura, quaisquer tendenciosidades do gerador. Outro
gerador que passa nestes testes visuais o gerador utilizado no programa ISPUD (Borgund et al., 1980):
G1C = {:, a, c} = {2
31
1, 16807, 0}.
6.2.4 Gerao de amostras a partir da distribuio conjunta de probabili-
dades
O mtodo de simulao de Monte Carlo envolve a gerao de conjuntos de nmeros aleatrios x
I
=
{r
1
, r
2
, ...r
n
}
|
, sendo : o nmeros de variveis aleatrias do problema, que devem ser obtidos a partir
da funo conjunta de densidade de probabilidades )
X
(x).
Na Seo 4.3.1, argumentamos sobre as diculdades de se conhecer, nos problemas prticos, a funo
conjunta de probabilidades )
X
(x). Isto signica que esta distribuio deve ser construda a partir de um
modelo apropriado e da informao disponvel, o que em geral corresponde s funes de probabilidades
marginais e a ndices de correlao entre pares de variveis aleatrias. O modelo de distribuio a ser
utilizado idntico ao modelo utilizado no mtodo FORM (Seo 4.3).
Variaveis aleatrias independentes
Se as variveis aleatrias do problema so independentes, ento a funo conjunta de densidade de
probabilidades obtida conforme Eq. (2.56):
)
X
(x) =
n
Y
I=1
)
1
(r
I
) (6.15)
0.
0.2
0.4
0.6
0.8
1.
ui
0.
0.2
0.4
0.6
0.8
1.
ui+1
0.
0.2
0.4
0.6
0.8
1.
ui+2
0.
0.2
0.4
0.6
0.8
1.
ui
0.
0.2
0.4
0.6
0.8
1.
ui+1
0.
0.2
0.4
0.6
0.8
1.
ui+2
Figura 6-5: Teste de uniformidade do gerador RANDU em [0,1]
3
, :
sI
= 10
4
, .
0
= 111111, com dois
pontos de vista.
0.
0.2
0.4
0.6
0.8
1.
ui
0.
0.2
0.4
0.6
0.8
1.
ui+1
0.
0.2
0.4
0.6
0.8
1.
ui+2
0.
0.2
0.4
0.6
0.8
1.
ui
0.
0.2
0.4
0.6
0.8
1.
ui+1
0.
0.2
0.4
0.6
0.8
1.
ui+2
Figura 6-6: Teste de uniformidade do gerador do programa StRAnD em [0,1]
3
, :
sI
= 10
4
, .
0
= 111111,
com dois pontos de vista.
onde )
1
(r
I
) a funo de densidade de probabilidades marginal da varivel A
I
. Isto signica que os
nmeros aleatrios podem ser gerados de forma independente dos demais, utilizando as equaes (6.9,
6.11 ou 6.12).
Variveis aleatrias correlacionadas
A existncia de correlao entre as variveis aleatrias do problema deve ser imposta ao gerar-se amostras
do vetor x
I
= {r
1
, r
2
, ...r
n
}. Na simulao de Monte Carlo, a correlao tratada de maneira inversa
ao que ocorre na soluo via SORM ou FORM. Na soluo via FORM, a correlao entre as variveis
eliminada ao realizar-se a transformao para o espao normal padro. Na soluo via simulao, a
correlao deve ser imposta aos pontos amostrados. Na prtica, porm, as mesmas matrizes so utilizadas.
Transformao de Rosenblatt Utilizando a transformao de Rosenblatt, as funes conjuntas de
probabilidades so obtidas como:
)
X
(x) = )
1
(r
1
))
2
(r
2
|r
1
)...)
r
(r
n
|r
1
, r
2
, ..., r
n1
)
1
X
(x) = 1
1
(r
1
)1
2
(r
2
|r
1
)...1
r
(r
n
|r
1
, r
2
, ..., r
n1
) (6.16)
onde )
2
(r
2
|r
1
) a funo de densidade de probabilidade condicional de A
2
dado A
1
. A partir deste
modelo, nmeros aleatrios correlacionados podem ser obtidos como:
r
1
= 1
1
1
(n
1
)
r
2
= 1
1
2
(n
2
|r
1
)]
.
.
.
r
n
= 1
1
r
(n
n
|r
1
, r
2
, ..., r
n1
)] (6.17)
Infelizmente, as distribuies condicionais de probabilidades que aparecem nas equaes (6.16 e 6.17)
so difceis de calcular, de forma que este resultado tem apenas valor terico.
Modelo de Nataf Na prtica, o modelo de Nataf pode ser utilizado para gerar amostras de variveis
aleatrias correlacionadas. Conforme visto na Seo 4.3, o modelo de Nataf consiste em construir uma
aproximao para a funo conjunta de distribuio de probabilidades )
X
(x) a partir de uma funo de
distribuio Gaussiana padro multi-variada c
n
(z, R
Z
) (Eq. 4.52). Utilizando este modelo, a correlao
entre as variveis X pode ser imposta em uma amostra X = x a partir de uma amostra z envolvendo
variveis normais padro correlacionadas. Esta correlao, por sua vez, pode ser imposta em um conjunto
de variveis normais padro y, sem correlao, utilizando as matrizes de transformao utilizadas na Seo
4.3.
Inicialmente, obtm-se uma amostra y
I
= {j
1
, j
2
, ..., j
n
} de um vetor formado por nmeros aleatrios
normais padro independentes, conforme a Eq. (6.10). Esta amostra transformada para o espao Z
atravs de:
z
I
= J
zy
y
I
(6.18)
onde J
zy
a matriz Jacobiana de transformao de Y Z. A seguir, determina-se o vetor de probabili-
dades acumuladas desta amostra (vetor u
I
), fazendo:
u
I
= [z
I
]
Finalmente, a amostra x
I
obtida a partir da Eq. (6.9):
x
I
= 1
1
X
(u
I
) = 1
1
X
([J
zy
y
I
]) (6.19)
Note que a matriz de transformao J
zy
a mesma utilizada em FORM, obtida pela decomposio
ortogonal ou de Cholesky da matriz de correlao equivalente R
Z
, atravs das equaes (4.59 e 4.64).
6.3 TCNICAS DE REDUO DA VARINCIA
A pequena probabilidade de falha tpica de problemas de conabilidade estrutural implica em que o
nmero de simulaes necessrias para se atingir alguns poucos pontos no domnio de falha seja muito
6.3. TCNICAS DE REDUO DA VARINCIA 145
grande. Como consequncia, no mtodo de simulao de Monte Carlo simples ou direto o nmero de
simulaes necessrias pode se tornar proibitivamente alto, e/ou a varincia dos resultados pode se
tornar muito grande. Para enderear este problema e reduzir o nmero de simulaes necessrias, utiliza-
se tcnicas de reduo de varincia, que so estudadas nesta seo.
6.3.1 Variveis antitticas
Dois estimadores no tendenciosos da probabilidade de falha, 7
.
e 7
1
, podem ser combinados de forma
a produzir um terceiro estimador 7
c
:
7
c
=
1
2
(7
.
+7
1
) (6.20)
7
c
tambm ser um estimador no tendencioso pois:
1[7
c
] =
1
2
(1[7
.
] +1[7
1
]) =
1
2
(7
.
+7
1
) (6.21)
A varincia de 7
c
, no entanto, :
\ ar[7
c
] =
1
4
(\ ar[7
.
] +\ ar[7
1
] + 2Co[(7
.
, 7
1
)]) (6.22)
Se os estimadores 7
.
e 7
1
so independentes (e.g., baseados em dois conjuntos distintos de valores
aleatrios), o ltimo termo da expresso (6.22) se anula. Se os estimadores tiverem correlao negativa, o
ltimo termo menor que zero e portanto a varincia de 7
c
resulta menor do que a varincia combinada
de 7
.
e 7
1
. Logo, a varincia de 7
c
, e portanto o erro associado com a simulao, pode ser reduzida
atravs da utilizao de dois estimadores com correlao negativa.
A correlao negativa obtida atravs do uso das variveis antitticas, como segue. Se uma amostra
x
I
obtida a partir de uma amostra n
I
(com distribuio uniforme entre 0 e 1), ento a prxima amostra
x
I+1
obtida a partir de (1 n
I
). Assim, os estimadores 7
.
e 7
1
so baseados em :
sI
,2 amostras
(alternadas), e resultam negativamente correlacionados.
Esta tcnica de reduo da varincia muito fcil de implementar, mas as melhorias so modestas.
Em funo disto, as variveis antitticas so geralmente combinadas com outras tcnicas de reduo da
varincia.
6.3.2 Amostragem por importncia
As tcnicas de amostragem por importncia so conhecidas tambm por amostragem inteligente, uma
vez que procuram deslocar os pontos de amostragem para regies importantes do domnio de falha.
Elas reduzem o nmero de simulaes por evitarem a simulao excessiva de pontos longe da regio de
interesse, ou seja, longe do domnio de falha. Estas tcnicas geralmente fazem uso de alguma informao
adicional sobre o problema, como por exemplo as coordenadas do ponto de projeto.
As tcnicas de amostragem por importncia tem sido objeto de muito estudo nos ltimos anos. Elas
esto entre as mais importantes e ecientes tcnicas para diminuir o nmero de simulaes e/ou reduzir
a varincia dos resultados.
Os pontos de amostragem (ou pontos simulados) so gerados a partir de uma funo de amostragem
/
X
(x), que os desloca para o domnio de falha. Multiplicando e dividindo a expresso (6.4) por /
X
(x),obtemos:
1
}
=
Z
1[x]
)
X
(x)
/
X
(x)
/
X
(x)dr (6.23)
Esta uma expresso para o valor esperado da funo 1[x]
}
X
(x)
|
X
(x)
, em relao a funo de amostragem,
/
X
(x). Este valor esperado pode ser estimado com base em uma amostra de tamanho :
sI
:
1
}
=
1
:
sI
n
s1
X
I
1[x
I
]
)
X
(x
I
)
/
X
(x
I
)
(6.24)
Quando a funo de amostragem desloca os pontos para o domnio de falha, o resultado do somatrio
P
1[x
I
] ser maior do que o somatrio original, utilizando )
X
(x) como funo de amostragem. No entanto,
comparando as equaes (6.24) e (6.5), percebe-se que cada ponto amostrado estar associado um peso
de simulao n
I
< 1:
n
I
=
)
X
(x
I
)
/
X
(x
I
)
(6.25)
conforme representado no detalhe da Figura (6-7).
Figura 6-7: Amostragem por importncia usando o ponto de projeto.
O sucesso da amostragem por importncia est na escolha da funo de amostragem /
X
(x). Uma
funo mal escolhida pode mesmo piorar os resultados em relao amostragem simples. Se a funo de
amostragem escolhida de maneira que:
/
X
(x) = 1[x
I
]
)
X
(x)
1
}
(6.26)
ento a estimativa 1
}
na Eq. (6.24) se torna idntica probabilidade verdadeira, 1
}
, com apenas uma
simulao sendo suciente. bviamente, esta expresso no tem utilidade prtica porque faz uso da
prpria 1
}
que est sendo procurada. No entanto, ela mostra que /
X
(x) deve ser escolhida de maneira
a ser proporcional 1[x
I
]
}
X
(x)
1
j
, ou seja, de maneira a ser proporcional funo de densidades conjunta
)
X
(x) no domnio de falha.
Vrias estratgias so propostas na literatura para se determinar a funo de amostragem: amostragem
por importncia utilizando pontos de projeto (Borgund e Bucher, 1986); amostragem adaptativa (Bucher,
1988; Karamchandani et al., 1989); mtodo kernel adaptativo (Ang e Ang, 1994); mtodo do hipercone
(Iman e Canover, 1980); simulao direcional (Bjerager, 1988; Melchers, 1992) e outras.
Algoritmo 46 Mtodo de Monte Carlo com amostragem por importncia
1. gerar :
sI
amostras r
I
= {r
1
, r
2
, ...r
n
} a partir da funo de amostragem /
X
(r);
2. vericar a ocorrncia de falha para cada amostra, atravs da funo indicadora 1[x
I
];
3. avaliar o peso de simulao para cada ponto amostrado, a partir da Eq. (6.25);
4. estimar mdia da probabilidade de falha atravs de (6.24);
5. estimar varincia da probabilidade de falha por:
\ ar[1
}
] =
1
(:
sI
1)
ns1
X
I=1
1[x
I
]n
I
1
}
2
(6.27)
MC simples
mdia
i.c.12%
MC IS imp.
mdia
i.c.12%
0 2 4 6 8 10
1.
1.5
2.
2.5
3.
3.5
4.
4.5
n
si
10
3
Figura 6-8: Grco de convergncia da 1

}
e intervalo de conana (i.c.) para SMC simples e com
amostragem por importncia utilizando o ponto de projeto.
6.3.3 Amostragem por importncia utilizando pontos de projeto
Um modo de falha
Para uma equao de estado limite, uma estratgia muito interessante centrar a funo de amostragem
no ponto de projeto (Borgound e Bucher, 1986). Esta estratgia desloca os pontos simulados para o
domnio de falhas, conforme a Figura (6-7). Esta vem a ser uma forma de melhorar a qualidade da
simulao atravs do uso de informao adicional: as coordenadas do ponto de projeto. O ponto de
projeto encontrado atravs das tcnicas descritas no Captulo (4.3).
Utilizando amostragem por importncia nos pontos de projeto, o nmero :
sI
de amostras necessrias
torna-se praticamente independente da ordem de grandeza da probabilidade de falha. Isto ocorre porque,
a grosso modo, metade das amostras estar dentro e metade estar fora do domnio de falha.
A Figura 6-8 mostra um grco de convergncia para a simulao de Monte Carlo com amostragem
por importncia utilizando o ponto de projeto, para o problema de avaliar por SMC: 1
}
= (,) para
, = 2. A funo de amostragem utilizada a funo c(r) centrada em r = 2. A gura compara o
resultado com o grcode convergncia obtido para amostragem simples (Figura 6-1). Observa-se que a
convergncia dos resultados utilizando amostragem por importncia muito mais rpida (menor :
sI
) e
que o intervalo de conana muito menor para um mesmo :
sI
.
Mltiplos modos de falha
Para mltiplos modos de falha, a funo de amostragem pode ser construda de forma a possuir uma
salincia ou protuberncia sobre cada ponto de projeto, sendo aproximadamente plana no resto do domnio
conforme ilustrado na Figura (6-9).
Para :
tl
equaes de estado limite, a funo de amostragem obtida como:
/
X
(x) =
n
c
X
I=1
j
I
/
IX
(x) (6.28)
onde j
I
o peso de amostragem associado ao i :i:o modo de falha. Cada salincia /
IX
obtida
transladando a funo )
X
(x) de forma que seu ponto mdio coincida com o respectivo ponto de projeto.
Os pesos j
I
so determinados em funo da importncia de cada modo de falha. Para modos de falha em
srie, estes pesos so calculados em termos da estimativa de primeira ordem da probabilidade de falha:
j
I
=
(,
I
)
P
n
c
I=1
(,
I
)
(6.29)
Assim, a amostragem se concentra nos pontos de projeto mais importantes. Pode-se tambm estab-
elecer um limite para j
I
(e.g., j
I
0.1), valor abaixo do qual um ponto de projeto desconsiderado na
construo da funo de amostragem.
O nmero total de simulaes :
sI
dividido de forma proporcional aos pesos j
I
. Cada conjunto de
pontos amostrado segundo a componente correspondente da funo de amostragem, /
IX
. A funo
indicadora avaliada para falha em relao a qualquer modo de falha, independente da componente
/
IX
utilizada na gerao de cada amostra. Os pesos de amostragem para cada ponto simulado so
determinados atravs de (6.28) e (6.25), e as estimativas da mdia e varincia da probabilidade de falha
so obtidas de (6.24) e (6.27).
Figura 6-9: Amostragem por importncia para mltiplos modos de falha.
Exemplo 47 Amostragem por importncia utilizando ponto de projeto:
A resposta de um sistema estrutural sujeito a incertezas pode ser descrita atravs de uma varivel
aleatria com distribuio Normal, com parmetros A (6, 1). A falha do sistema ocorre para r
r
crit
= 0. Utilizando amostragem por importncia e apenas 5 simulaes (nmeros aleatrios abaixo,
l(0, 1)), devemos obter uma estimativa para a probabilidade de falha do sistema, bem como o erro da
estimativa em relao resposta exata do problema.
Soluo:
A probabilidade de falha exata dada por:
1
}
= 1[A 0] = [(0 6),1] = [(0 6),1] = 9.86588 10
10
Para esta 1
}
e utilizando amostragem simples, seriam necessrias em torno de 10
12
simulaes para obter
um coeciente de variao de 10% (conforme Eq. 6.7), o que totalmente invivel. O problema pode ser
resolvido de forma eciente utilizando uma funo de amostragem centrada no ponto de projeto, conforme
ilustrado na Figura 6-10. O ponto de projeto r
= r
crit
= 0, e portanto a funo de amostragem
simplesmente /
(r) = c(r). A partir de 5 nmeros aleatrios entre 0 e 1, apresentados na primeira coluna

da Tabela abaixo, obtm-se os demais resultados apresentados na mesma Tabela. Tomando a mdia dos
valores da ltima coluna, a resposta nal obtida como
b
1
}
1.16675 10
9
, o que corresponde a um erro
de 17% em relao a soluo exata. importante observar que, devido ao pequeno nmero de simulaes,
esta soluo fortemente dependente dos nmeros aleatrios utilizados (coluna 1 abaixo).
u
i
x
i
f
X
x
i
h
X
x
i
w
i
Ix
i
w
i
Ix
i
0.292108 0.547236 1.9616110

10
0.343464 5.7112410
10
1 5.7112410
10
0.423024 0.194163 1.8598610
9
0.391493 4.7506910
9
1 4.7506910
9
0.128721 1.13246 3.5826510
12
0.210101 1.7052110
11
1 1.7052110
11
0.546066 0.115729 1.2085510
8
0.39628 3.0497310
8
0 0.
0.283962 0.571111 1.6772610
10
0.338909 4.9489910
10
1 4.9489910
10
f
X
x h
X
x
X
x
crit
4 2 0 2 4 6 8 10
0.
0.1
0.2
0.3
0.4
0.5
Figura 6-10: Funes de densidade original e de amostragem por importncia.
6.3.4 Amostragem por importncia adaptativa
possvel tambm atualizar a funo de amostragem /
X
(x) de forma adaptativa medida que os
resultados da simulao vo sendo computados (Bucher, 1988; Karamchandani et al., 1989). Considerando
a expresso (6.26), o erro estatstico da amostragem por importncia ser nulo se:
/
X
(x) = )
X
(x|x 1
}
) (6.30)
Seja H o conjunto de variveis aleatrias cuja funo de densidade conjunta corresponde funo de
amostragem /
X
(x). Relaxando a condio (6.30) e aplicando-a apenas aos dois primeiros de H, tem-se:
1[H] = 1[X|X 1
}
] (6.31)
Co[H, H
T
] = Co[(X, X
T
)|X 1
}
] (6.32)
A partir de simulaes iniciais, calcula-se 1[H] e Co[H, H
T
] e utiliza-se estes valores para construir
a nova funo de amostragem. A simulao inicial pode ser realizada nos pontos de projeto.
6.3.5 Amostragem por hiper-cubo latino (LHS)
Na amostragem por hiper-cubo latino (Latin Hiper-cube Sampling ou LHS), o domnio de cada variavel
aleatria do problema dividido em faixas (Helton e Davis, 2003; Olsson et al., 2003; Helton et al., 2005).
Ao realizar a simulao, cada faixa amostrada uma nica vez, resultando numa distribuio esparsa dos
pontos (Figura 3). Isto diminui bastante o nmero de pontos necessrios para cobrir todo o domnio, e
garante uma cobertura homognea do mesmo.
Seja : o nmero de variveis aleatrias do problema e :
sI
o nmero de pontos da amostra. O
espao de amostragem torna-se :dimensional. Uma matriz P de dimenses (:
sI
:) gerada, onde
cada uma das : colunas uma permutao aleatria de 1, . . . , :. Outra matriz R gerada (dimenses
:
sI
:), cujos componentes so nmeros aleatriamente distribudos entre (0, 1). A partir destas matrizes,
obtm-se a matriz S (Olsson et al., 2003):
S =
1
:
sI
(PR) (6.33)
As amostras so geradas a partir da matriz S:
r
I
= 1
1
r
(:
I
) (6.34)
onde 1
1
r
a inversa da funo de probabilidade acumulada da varivel A
.
Tcnicas especiais so utilizadas para eliminar a chamada correlao espria que pode ocorrer na ma-
triz S (Olsson et al., 2003). A amostragem por hiper-cubo latino pode ser combinada com a amostragem
por importncia, o que em geral resulta em uma reduo da ordem de 50% no nmero de simulaes
necessrias (Olsson et al., 2003).
6.3.6 Amostragem asinttica (asymptotic simulation)
A amostragem asinttica faz uso de propriedades asintticas da probabilidade de falha a medida que o
desvio-padro das variveis aleatrias tende a zero, ou que a probabilidade de falha tende a zero (Maes
et al., 1993; Bucher, 2009; Naess et al., 2009). A tcnica dispensa o conhecimento do ponto de projeto
e seu custo computacional independe das dimenses do vetor X. Pode ser combinada com simulao de
Monte Carlo simples ou com amostragem por hiper-cubo latino. Inicialmente, introduz-se um fator ) que
inversamente proporcional ao desvio-padro o das variveis aleatrias do problema:
) =
1
o
(6.35)
Sabe-se que o ndice de conabilidade , torna-se linearmente proporcional ao fator ), a medida que
aumenta a dimenso do vetor X e o prprio ndice de conabilidade (Bucher, 2009). Portanto, pode-se
aproximar a relao funcional entre , e o como (Bucher, 2009):
, = ) +
1
)
(6.36)
onde e 1 so constantes a determinar. Estas constantes podem ser determinadas usando tcnicas
convencionais de ajuste (minimos quadrados, por exemplo), a partir da avaliao de duplas (,, )). Para
problemas multi-dimensionais com diferentes valores de o, pode-se escrever:
o
sIn
I
=
o
I
)
(6.37)
onde o
I
o desvio-padro da i-sima varivel aleatria e o
sIn
I
o desvio padro utilizado na simulao.
Desta forma, ) = 1 representa o problema original e para ) < 1 aumenta-se a probabilidade de falha,
e portanto o numero de simulaes :
}
no domnio de falha. Portanto, pode-se obter duplas (,, )) com
pequeno nmero de simulaes fazendo ) 1.
Em resumo, para resolver um problema de simulao utilizando amostragem asimttica, escolhe-
se um valor inicial )
0
para ) (e.g., )
0
= 1) e um valor :
0
que corresponde ao nmero requerido de
pontos no domnio de falha, para se obter boa preciso no , calculado (e.g., :
0
= 10). Realiza-se a
simulao com nmero de amostras : e verica-se se o nmero requerido de falhas foi obtido (:
}
:
0
).
Caso negativo, diminue-se ), caso positivo, anota-se o valor da dupla (,, )). Repete-se o procedimento
reduzindo novamente ), at obter o nmero de duplas necessrias para o ajuste. O resultado nal
obtido extrapolando-se a Eq. (6.36) para ) = 1.
6.3.7 Amostragem por sub-conjunto (subset simulation)
A idia fundamental da amostragem por sub-conjuntos (subset simulation) substituir o clculo de uma
probabilidade de falha muito pequena, de elevado custo computacional, por uma sequencia ou produto de
probabilidades de falha condicionais (Au e Beck, 2001; Au et al., 2007). Atravs de escolha apropriada,
a probabilidade de falha dos eventos condicionais, intermedirios, pode ser calculada com um nmero
reduzido de simulaes. Para calcular as probabilidades dos eventos condicionais, utiliza-se cadeias de
Markov e o algoritmo de Metropolis.
Seja 1 o evento falha, cuja probabilidade se deseja calcular:
1[1] = 1[X 1
}
] =
Z
1
j
)
X
(x)dx =
Z
1[x])
X
(x)dx (6.38)
Seja uma seqncia decrescente de eventos 1
I
tal que 1
1
1
2
... 1
n
= 1, de forma que:
1
|
=
|
I=1
1
I
, / = 1, ..., : (6.39)
6.4. META-MODELOS 151
Como exemplo, para um sistema simples do tipo capacidade-demanda (q(x) = C 1), a seqncia
de eventos condicionais poderia ser obtida como:
1[1
I
] = C 1
I
, com 1
1
1
2
... 1
n
= 1
A partir da denio de probabilidades condicionais, pode-se mostrar que:
1
}
= 1[1] = 1[
n
I=1
1
I
] = 1[1
1
]
n
I=2
1[1
I
|1
I1
]
Para obter o primeiro termo, 1[1
1
], utiliza-se diretamente a Eq. (6.38). Para obter as probabilidades
condicionais, 1[1
I
|1
I1
] pode-se, a princpio, utilizar simulao de Monte Carlo simples, desde que os
pontos sejam simulados de acordo com o evento condicionante:
)
X
(x|1
I
) =
)
X
(x)1
J1
(x)
1[1
I
]
No entanto, esta tcnica no eciente, em funo do elevado nmero de pontos necessrios para avaliar
as probabilidades 1[1
I
] decrescentes. No entanto, pode-se utilizar simulao por cadeias de Markov e o
algoritmo de Metropolis (Au e Beck, 2001; Au et al., 2007).
A tcnica de amostragem por sub-conjunto tambm tem sido utilizada com ecincia para resolver
problemas de otimizao na presena de incertezas (Taanidis e Beck, 2008 e 2009).
6.4 META-MODELOS
As tcnicas de amostragem inteligente so capazes de reduzir drsticamente o nmero de simulaes
necessrias no mtodo de Monte Carlo. No entanto, mesmo utilizando estas tcnicas ainda necessrio
avaliar a equao de estado limite centenas ou milhares de vezes. Portanto, a soluo via simulao
de Monte Carlo ainda pode ser invivel para resolver, diretamente, problemas com equaes de estado
limites numricas envolvendo: grande nmero de graus de liberdade; resposta dinmica; resposta no-
linear; problemas de otimizao na presena de incertezas. Para resolver este tipo de problema, pode-se
utilizar os chamados meta-modelos.
O nome meta-modelo (meta-model ou surrogate model ) se aplica a qualquer representao analtica
usada para aproximar a resposta de um modelo computacional (numrico) mais complexo. Meta-modelos
servem para representar, de forma aproximada, o comportamento ou a resposta de um modelo computa-
cional M, tal que:
y = M(x)
Em problemas de mecnica, M um modelo de elementos nitos (EF). Em problemas de conabili-
dade estrutural, M a equao de estado limite, que pode conter implicitamente um modelo de EF. Em
problemas de otimizao estrutural sob incertezas, M pode ser qualquer um dos anteriores ou a funo
objetivo. A idia de utilizar meta-modelos substituir o modelo original M, cuja avaliao pode levar
horas ou dias de tempo de processamento, por um modelo simplicado (surrogate) cuja soluo seja mais
rpida.
As primeiras aplicaes de meta-modelos a problemas de conabilidade estrutural envolviam super-
fcies de resposta polinomiais. Neste contexto, os mtodos originais eram chamados de mtodos de
superfcie de resposta ou Response Surface Methods - RSM. Atualmente, com a aplicao a diferentes
reas e com o desenvolvimento de tcnicas modernas passou-se a utilizar o termo meta-modelos. Dentre as
tcnicas de meta-modelagem modernas destacam-se as redes neurais articiais, a expanso em polinomios
de caos, mnimos quadrados mveis e a modelagem por processo Gaussiano ou krigagem.
6.4.1 Superfcies de resposta polinomiais
O mtodo das superfcies de resposta consiste em aproximar a equao de estado limite numrica q(x)
por uma expresso polinomial aproximada e q(x). Esta expresso aproximada pode ser utilizada com os
mais diversos ns, inclusive para a avaliao de probabilidades de falha. A aproximao polinmica pode
ser utilizada na realizao de simulaes de Monte Carlo simples ou com amostragem por importncia,
com a vantagem de cada avaliao de e q(r) ser muito mais rpida do que avaliaes de q(x).
Uma superfcie de resposta polinomial quadrtica pode ser obtida como:
q(x) ' e q(x) = a
0
+
n
X
I=1
a
I
r
I
+
n
X
I=1
a
II
r
I
2
+
n
X
I=1
n
X
=1
6=I
a
I
r
I
r
(6.40)
onde A = {a
0
, a
I
, a
II
, a
I
} so os coecientes a determinar, sendo que os ndices (i, ,) variam de acordo
com a Eq. (6.40). Estes coecientes correspondem aos termos constante, lineares, quadrticos e cruzados,
respectivamente.
Para determinar o vetor de coecientes A, a equao de estado limite original q(x) deve ser avaliada
em determinado nmero de pontos :
. Uma vez determinados estes pontos, os valores exatos q(x

|
)
so avaliados. Os coecientes A so ento determinados atravs do mtodo dos mnimos quadrados,
minimizando-se a seguinte funo erro em relao ao valor dos coecientes A:
1rro[A] =
n
X
|=1
q(x
|
) e q(x
|
)
2
(6.41)
Reescrevendo a Eq. (6.40) na forma:
e q(x) = {1, r
I
, r
2
I
, r
I
r
}
T
{a
0
, a
I
, a
II
, a
I
}
V
T
(x) A
o problema de mnimos quadrados ca:
A = arg min
"
n
X
|=1
q(x
|
) V
T
(x
|
) A
2
#
A soluo deste problema dada por (Faravelli, 1989):
A = (Q
T
Q)
1
Q
T
B (6.42)
onde Q a matriz cujas colunas so formadas pelos vetores V(x
|
) e B o vetor de componentes
B = {g(x
|
)}
|=1,...,n
.
Diferentes superfcies de resposta descritas na literatura diferem em termos da expresso polinomial
utilizada (Eq. 6.40 com ou sem termos cruzados) e em termos da metodologia de seleo dos pontos de
ajuste (anlise de experimento). Para resolver a Eq. (6.42), necessrio que:
1. o nmero de pontos :
seja maior ou igual ao nmero de constantes a determinar;

2. os pontos de ajuste sejam escolhidos de maneira consistente, i.e., de forma a resultar em um sistema
de equaes independentes, o que torna Q
T
Q inversvel.
Planos de experincia
A construo de superfcies de resposta exige a denio de pontos onde a resposta numrica avaliada.
Um plano de experincia (experimental plan) uma maneira sistemtica e pr-denida de selecionar os
pontos onde a resposta numrica avaliada (Montgomery, 1997). Diferentes planos de experincia so
apresentados na literatura. A Figura 6-11 ilustra os planos estrela (star), hiper-cubo, mnimo, composto,
13 pontos e 8 pontos. O ponto em torno do qual o plano de experincia construdo chamado de
ponto central. Alm da forma, a distncia entre os pontos do plano de experincia tambm relevante.
Na prxima seo, so discutidos aspectos relacionados posio do ponto central e distncia entre os
pontos do plano de experincia.
Aplicao de superfcies de resposta polinomiais a problemas de conabilidade estrutural
Nesta seo, apresentamos um histrico da evoluo do emprego de superfcies de resposta soluo de
problemas de conabilidade estrutural.
Uma superfcie de resposta polinomial representa a resposta estrutural com preciso apenas em uma
vizinhana do ponto central. Isto representa uma diculdade adicional ao se aplicar superfcies de resposta
na soluo de problemas de conabilidade estrutural, j que nestes problemas uma boa representao deve
ser obtida junto ao ponto mais provvel de falha ou ponto de projeto.
Figura 6-11: Planos de experincia para construo de superfcies de resposta.
Bucher e Borgund (1990) sugeriram o emprego de uma superfcie quadrtica sem termos cruzados,
e introduziram um esquema simples onde o ponto central localizado prximo ao ponto de projeto,
localizando-o a uma distncia apropriada da mdia:
r
I
= j
I
/
I
o
I
(6.43)
onde j
I
e o
I
so a mdia e o desvio-padro, respectivamente, da varivel aleatria A
I
. O sinal denido
da seguinte forma: para variveis de resistncia, utiliza-se o sinal , para variveis de solicitao utiliza-se
o sinal +. Os autores sujerem o valor de /
I
= 3, que seria tpico de problemas de conabilidade estrutural.
Aps a construo de uma primeira superfcie de resposta, o ponto central atualizado uma nica vez
por projeo e uma nova superfcie de resposta construda. Gomes e Awruch (2004) observaram que o
esquema apropriado para problemas de conabilidade simples e analticos. No entanto, Rajashekhar e
Ellingwood (1993) observaram que uma nica atualizao da superfcie de resposta e a desconsiderao
dos termos cruzados leva a uma perda de preciso para outros problemas. Os autores sugeriram o emprego
de superfcies de resposta adaptativas, que so reconstrudas a medida que se busca o ponto de projeto.
Um esquema progressivo foi proposto, onde o ponto central do plano de experincia segue a busca pelo
ponto de projeto, e onde o fator /
I
reduzido progressivamente de /
I
= 2 para /
I
= 1. Esta adaptividade
conveniente, no sentido que /
I
= 2 resulta em uma cobertura maior do espao de projeto, e a convergncia
para o ponto de projeto, junto com a reduo para /
I
= 1, resulta em uma preciso maior na vizinhana
do ponto de projeto. Esquemas adaptativos tem sido empregados desde ento por um grande nmero
de autores (Enevoldsen et al., 1994; Liu e Moses, 1994; Soares et al., 2002; Gayton et al., 2003, entre
outros). No entanto, esquemas adaptativos tem um custo computacional signicativo, que pode mesmo
inviabilizar o emprego de superfcies de resposta (Leonel et al., 2011).
Rajashekhar e Ellingwood (1993) tambm propuseram um esquema especializado para selecionar os
pontos do plano de experincia, incluindo informao sobre as distribuies de probabilidade e con-
siderando extremos das variveis aleatrias envolvidas. Esquemas especializados para seleo adaptativa
dos pontos do plano de experincia tambm foram propostos por outros autores (Kim e Na, 1997; Zheng
e Das, 2000). O objetivo destes esquemas aumentar a ecincia das solues adaptativas.
Guan e Melchers (2001) enderearam a questo da localizao dos pontos do plano experimental do
ponto de vista da preciso. Os autores mostraram que a localizao dos pontos do plano de experincia
afeta diretamente as probabilidade de falha calculadas. Mais preocupante o fato, mostrado pelos autores,
que pequenas mudanas no /
I
podem levar a grande instabilidade das probabilidades de falha calculadas.
Estas instabilidades se originam na transformao necessria para resolver problemas envolvendo variveis
no-Gaussianas correlacionadas, e no fato desta transformao ser vlida em apenas um ponto do domnio
(o ponto de projeto, ao nal do processo iterativo). Em nossa interpretao dos resultados de Guan e
Melchers (2001), a dependencia das probabilidades de falha calculadas com a localizao dos pontos do
plano de experincia pode ser minimizada, se no eliminada, ao colocar o ponto central sobre o ponto de
projeto, e ao se utilizar valores mais moderados para o fator /
I
(digamos, 0.1 /
I
0.5). Considerando
os resusltados apresentados por Guan e Melchers (2001), conclui-se que um esquema adaptativo, tal
como proposto por Rajashekhar e Ellingwood (1993), necessrio para a soluo precisa de problemas
de conabilidade estrutural utilizando superfcies de resposta polinomiais.
A necessidade de uma construo adaptativa e iterativa das superfcies de resposta, no entanto,
compromete a ecincia do mtodo, conforme mostrado por Leonel et al. (2011). Os autores comparam
diversos esquemas de construo adaptativa das superfcies de resposta com o chamado mtodo de acopla-
mento direto (direct coupling). O mtodo de acoplamento direto (Sudret e Der Kiureghian, 2000) consiste
na busca pelo ponto de projeto utilizando diretamente a resposta numrica para avaliar a funo de estado
limite e os seus gradientes. Utilizado como exemplo alguns problemas de mecnica da fratura, Leonel et
al. (2011) mostram que o acoplamento direto muito mais eciente do que a soluo empregando super-
fcies de resposta adaptativas. Os autores mostram ainda que, uma vez encontrado(s) o(s) ponto(s) de
projeto, pode-se construir superfcies de resposta denitivas em torno destes, a um custo computacional
que uma frao do custo computacional da soluo via superfcies de resposta adaptativas.
Outros esquemas especializados foram desenvolvidos para evitar a construo adaptativa de superfcies
de resposta (Gupta e Manohar, 2004; Gavin e Yau, 2008). Estes esquemas envolvem superfcies de alta
ordem, que buscam representar a resposta da estrutura em todo o domnio (ajuste global). Claramente,
existe um custo computacional elevado na construo deste tipo de superfcie de resposta, e no h como
garantir que se obtenha boa preciso em qualquer problema.
Estratgias de utilizao de superfcies de resposta
Nesta seo, consideramos diferentes estrategias de soluo de problemas de conabilidade estrutural
utilizando superfcies de resposta. Um estudo comparativo de diferentes estratgias adaptativas de con-
struo de superfcies de resposta apresentado em Leonel et al. (2011).
Superfcies construdas em torno do ponto mdio A princpio, superfcies de resposta podem ser
construdas em torno do ponto mdio, mesmo que este no pertena superfcie de falha original do
problema. No entanto, deve-se levar em conta que o erro na aproximao da superfcie de falha original
pela expresso polinmica (eq. 6.41) ser mnimo nas vizinhanas do ponto mdio, mas ser grande na
regio importante do domnio de falha, que a regio em torno do ponto de projeto. Isto signica que
os erros na avaliao de probabilidades de falha sero grandes, independentemente do mtodo de soluo
empregado (FORM, SORM ou simulao de Monte Carlo).
Outra estratgia que pode resultar em grandes erros a utilizao de uma nica superfcie de resposta
para representar um domnio de falhas composto por diversos modos de falha (em srie, paralelo ou com-
binaes). Neste caso, a composio dos modos de falha pode dar origem a cantos vivos, que dicilmente
so representados pela superfcie de resposta.
Superfcies adaptativas para busca de pontos de projeto Superfcies de resposta podem ser
construdas de forma adaptativa a m de se encontrar os pontos de projeto. Ao considerar esta estratgia,
deve-se levar em conta que a construo de uma superfcie quadrtica completa (conforme Eq. 6.40) exige
um mnimo de :
(:
2
+:+1) pontos. Desprezando os termos cruzados, :
(2:+1) pontos se fazem

necessrios. Em contrapartida, a avaliao do gradiente da equao de estado limites exata, q(x),
por diferenas nitas uni-laterais requer apenas :
= (: + 1) pontos. Isto signica que, na busca pelo

ponto de projeto, mais barato calcular o gradiente e determinar o prximo ponto diretamente a partir
da equao de estado limite exata, do que construir uma superfcie de resposta. Portanto, o uso de
superfcies adaptativas para busca de pontos de projeto deve ser considerado com cautela.
Superfcies construdas em torno dos pontos de projeto Uma estratgia interessante a con-
struo de uma superfcie de resposta centrada em cada ponto de projeto. Nesta estratgia, uma superfcie
de resposta utilizada para cada equao de estado limite que compe o domnio de falha. O erro de
aproximao pelas superfcies de resposta minimizado em relao regio importante de cada parcela
do domnio de falhas.
Esta estratgia pode ser associada com a simulao de Monte Carlo com amostragem por importncia
nos pontos de projeto. Utilizando superfcies de resposta quadrticas com termos cruzados, esta soluo
tem o mesmo custo de uma soluo via SORM para cada modo de falha. No entanto, permite uma
avaliao muito mais precisa das probabilidades para domnios de falhas compostos, sejam eles em srie,
paralelo ou misto, em comparao com os limites bi-modais linearizados.
6.4.2 Tcnicas modernas de meta-modelagem
As tcnicas de superfcie de resposta apresentadas na Seo 6.4 representam apenas a ponta do iceberg
no que se refere ao atual estado da arte em termos de tcnicas de meta-modelagem. Superfcies de
resposta polinomiais servem para descrever localmente modelos suaves e bem comportados. Meta-modelos
construdos a partir de redes neurais articiais, expanses em polinmios de caos ou atravs de krigagem,
podem descrever globalmente modelos mais complexos, inclusive envolvendo grandes no-linearidades e
descontinuidades. Revises da literatura podem ser encontradas cobrindo aplicao de meta-modelos a
problemas de conabilidade estrutural (Sudret, 2012) e otimizao estrutural (Nikolos, 2011).
Redes Neurais Articiais
Redes neurais articiais ou Articial Neural Networks (ANN) so modelos computacionais construdos
com base em uma analogia simplicada do comportamento do crebro humano (Hecht-Nielsen, 1989).
A informao processada por pequenas unidades de processamento (os neurnios), que se comunicam
atravs de conexes balanceadas (sinapses).
Diferentes redes neurais so construdas ao se escolher diferentes nmeros de camadas de neurnios,
bem como o nmero e o tipo de neurnio em cada camada. Dado um conjunto de dados de entrada
e sada, a rede treinada: o peso de cada conexo entre neurnios ajustado de forma a que a rede
represente, da melhor maneira possvel, o conjunto de dados de entrada e sada. Cada iterao neste
processo de treinamento chamado de poca. Portanto, a partir de um treinamento inicial, os pesos de
cada sinapse so armazenados e a rede se torna capaz de prever a resposta para outros pontos de entrada
no presentes no conjunto de treinamento.
comum separar o conjunto de dados de entrada e sada em dois grupos: grupo de treinamento
e de validao. O processo de validao consiste em vericar o erro da rede utilizando os pontos de
validao, i.e., computando a resposta da rede para pontos que no foram utilizados no treinamento e
comparando com a resposta correta. A validao feita entre pocas, de forma a interromper o processo
de treinamento se o erro aumentar devido ao chamado overtting. Separar os dados em um conjunto de
treinamento e outro de validao reduz a quantidade de informao disponvel para treinar a rede, mas
ajuda a evitar problemas de overtting. comum utilizar 10% do conjunto de dados como dados de
validao, sempre escolhidos de forma aleatria. Alguns dados de entrada e sada podem ser separados
para servir como dados de teste, de forma a vericar a capacidade de previso da rede ao nal das pocas
de treinamento. Alternativamente, o treinamento da rede pode ser feito de forma interativa durante a
soluo do problema.
Dois tipos de ANN so descritos brevemente nesta seo: Multi-layer Perceptron ou MLP (Hertz et
al., 1991:) e Radial Basis Function ou RBF (Wang et al., 2004; Beale et al., 2011). Em geral, redes
MLP so melhores para representar a resposta global do modelo, enquanto redes RBF geram melhores
aproximaes locais. O objetivo desta seo dar uma noo ao leitor do que so redes neurais articiais.
Maiores detalhes podem ser obtidos em Haykin (1996 e 1999).
Rede neural articial tipo Multi-Layer Perceptron Redes neurais tipo Multi-Layer Perceptron
(MLP) so redes feed-forward, construdas com uma camada de entrada (um neurnio para cada parmetro
de entrada), uma camada de sada (um neurnio para cada parmetro de sada) e um nmero arbitrrio
de camadas intermedirias (ocultas). J foi provado (Hornik et al., 1990) que redes neurais feed-forward
com apenas uma camada intermediria so capazes de representar qualquer funo e suas derivadas,
atravs de uma escolha apropriada de funes de ativao e do nmero de neurnios em cada camada.
Na representao que segue, apenas uma camada intermediria considerada.
O tipo de neurnio em cada camada denido pelas funes de ativao utilizadas. No exemplo
aqui descrito, funes de ativao lineares so utilizadas para os neurnios de entrada e sada, e funes
tangente-sigmoide so utilizadas para a camada intermediria. Em redes feed-forward, os dados so
transmitidos da camada de entrada para a camada de sada. Os dados so inicialmente processados pelos
neurons da camada de entrada. Cada neurnio da camada de entrada recebe um elemento do vetor de
entrada e transmite um impulso para cada neurnio da prxima camada. Como as funes de ativao
da camada de entrada so lineares, os dados de entrada so simplesmente repassados para os neurnios
da camada intermediria. Nesta passagem, cada valor multiplicado por um peso, que caracteriza a
conexo entre os neurnios de diferentes camadas. Portanto, uma soma ponderada de valores repassada
aos neurnios da camada intermediria. Um fator de bias adicionado soma ponderada, o que permite
que um neurnio seja ativado mesmo quando um valor nulo passado para ele. O valor resultante
processado pela funo de ativao dos neurnios da camada intermediria, resultando em um valor
entre 1 e +1 (caso da funo tangente-sigmoide), que repassado aos neurnios da camada de sada.
Os neurnios da camada de sada adicionam o seu prprio valor de bias soma ponderada recebida, e
entregam na sada um valor processado para cada dado de entrada recebido pela rede. Os pesos que
caracterizam a conexo entre os neurnios e os fatores de bias so determinados no treinamento da rede.
Seja n
(|)
I
o peso entre o neurnio i da camada / e o neurnio , da camada / 1, 0
(|)
I
o fator de bias
do neurnio i da camada /, e y
exp
um vetor de dados de entrada. Neste caso, a sada de uma rede MLP
de trs camadas com :
|
neurnios na /sima camada :
y
rede
= 0
(3)
1
+
X
n2
I=1
n
(3)
I1
tansig
0
(2)
I
+
X
n1
=1
n
(2)
I
j
exp
(6.44)
onde y
rede
e tansig() a funo tangente sigmoide.
Rede neural articial tipo Radial Basis Function Redes neurais do tipo Radial Basis Function
(RBF) sempre so compostas por trs camadas de neurnios (Poggio e Girosi, 1990): camada de entrada,
intermediria e de sada. Redes RBF tambm so do tipo feed-forward: a informao transmitida dos
neurnios da camada de entrada para os neurnios das camadas seguintes, at a sada. Nas redes RBF, as
funes de ativao dos neurnios da camada intermediria so do tipo base radial, enquanto as funes
das demais camadas so lineares. A funo de ativao Gaussiana adotada com frequencia na literatura.
O nmero de neurnios das camadas de entrada e sada corresponde s dimenses dos vetores de entrada
e sada, respectivamente. O nmero de neurnios da camada intermediria arbitrrio.
Seja n
(3)
I1
o peso entre o neurnio 1 da camada 3 e o neurnio i da camada 2, cc
I
e o
I
o valor central
e o desvio-padro do isimo neurnio da camada intermediria e y
exp
um vetor de dados de entrada.
Neste caso, a sada de uma rede tipo RBF com :
|
neurnios na /sima camada :
y
rede
= 0
(3)
1
+
X
n
2
I=1
n
(3)
I1
exp
1
o
2
I
j
exp
cc
I
(6.45)
onde cc
I
e o
I
, assim como os pesos n
(3)
I1
e bias 0
(3)
1
so os parmetros da rede a ser determinados durante
o treinamento.
Expanso em polinomios de caos
Modelagem por processo Gaussiano ou krigagem
Referncias
[1] Ang GS; Ang H-S, 1994: Adaptive Kernel Method for Evaluating Structural System Reliability, 6th
International Conference on Structural Safety and Reliability.
[2] Au SK, Beck JL, 2001: Estimation of small failure probabilities in high dimensions by subset simu-
lation, Probabilistic Engineering Mechanics 16, 263-277.
[3] Au SK, Ching J, Beck JL, 2007: Application of subset simulation methods to reliability benchmark
problems, Structural Safety 29, 183-193.
[4] Beale MH, Hagan MT, Demuth HB, 2011: Neural Network Toolbox: Users Guide. Matlab, The
Mathworks Inc.
[5] Bjerager P, 1988: Probability Integration by Directional Simulation, Journal of Engineering Me-
chanics 114, 1285-1301.
[6] Borgund U, Bucher CG, 1986: Importance Sampling Procedure Using Design Point - ISPUD Users
Manual, Institute fr Mechanik, Universitt Innsbruck, Innsbruck.
[7] Borgund U, Ouypornprasert W, Prenninger PHW, 1986: Advanced Simulation Methods for the Es-
timation of Systems Reliability, Internal Working Report 19, Institute fr Mechanik, Universitt
Innsbruck, Innsbruck.
[8] Bratley P, Fox BL, Schrage LE, 1987: A Guide to Simulation, Springer.
[9] Bucher CG, 1988: Adaptive Sampling - An Interative Fast Monte Carlo Procedure, Structural Safety
5, 119-126.
[10] Bucher CG, 2009: Asymptotic sampling for high-dimensional reliability analysis, Probabilistic En-
gineering Mechanics 24, 504-510.
[11] Bucher CG and Bourgund U, 1990: A Fast and Ecient Response Surface Aproach for Structural
Reliability Problems, Structural Safety 7, 56-66.
[12] Bucher CG, Pradlwarter, Schuller GI, 1994: COSSAN - Computational Stochastic Structural Analy-
sis Perspectives of Software Development, 6th International Congress for Structural Safety and
Reliability, 1733-1739.
[13] Enevoldsen I, Faber MH, Srensen JD, 1994: Adaptative response surface techniques in reliability
estimation. In: Schueller GI, Shinozuka M, Yao I, editors: Structural safety and reliability, 1257
64.
[14] Engelund S, Rackwitz R, 1993: A benchmark study on importance sampling techniques in structural
reliability, Structural Safety 12, 255-276.
[15] Faravelli L, 1989: A Response Surface Approach for Reliability Analysis, J. Eng. Mechanics Division
ASCE 115, 2763-2781.
[16] Gavin HP, Yau SC, 2008: High-order limit state functions in the response surface method for struc-
tural reliability analysis, Structural Safety 30, 162-179.
[17] Gayton N, Bourinet JM, Lemaire M, 2003: CQ2RS: a new statistical approach to the response
surface method for reliability analysis. Structural Safety 25, 99121.
[18] Guan XL, Melchers RE, 2001: Eect of response surface parameter variation on structural reliability
estimates, Structural Safety 23, 429444.
[19] Gupta S, Manohar CS, 2004: An improved response surface method for the determination of failure
probability and importance measures, Structural Safety 26, 123139.
[20] Gomes HM, Awruch AM, 2004: Comparison of response surface and neural network with other
methods of structural reliability analysis, Structural Safety 26, 49-67.
157
158 ANDR T. BECK, REFERNCIAS
[21] Haykin S, 1996: Adaptive Filter Theory, 3rd ed., Prentice Hall, Upper Saddle River, New Jersey.
[22] Haykin S, 1999: Neural Networks, 2nd ed., Prentice Hall, Upper Saddle River, New Jersey.
[23] Hecht-Nielsen, 1989: Neurocomputing, Addison-Wesley.
[24] Helton JC, Davis FJ, 2003: Latin hypercube sampling and the propagation of uncertainty in analyses
of complex systems, Reliability Engineering & System Safety 81, 23-69.
[25] Helton JC, Davis FJ, Johnson JD, 2005: A comparison of uncertainty and sensitivity analysis results
obtained with random and Latin hypercube sampling, Reliability Engineering & System Safety
89, 305-330.
[26] Hertz J, Jrogh A, Palmer RG, 1991: Introduction to the theory of Neural Computation, Addison-
Wesley Publishing Company.
[27] Hornik K, Stinchcombe M, White H, 1990: Universal approximation of an unknown mapping and
its derivatives using multilayer feedforward networks. Neural Networks 3, 551-560.
[28] Iman RL, Canover WJ, 1980: Small Sample Sensitivity Analisys Techniques for Computer Models
with an Application to Risk Assesment, Communications in Statistics, Theory and Methods.
[29] Karamchandani A, Bjerager B, Cornell CA, 1989: Adaptive Importance Sampling, Proc. 5th Inter-
national Conference on Structural Safety and Reliability, 855-862.
[30] Kim SH, Na SW. Response surface method using vector projected sampling points. Structural Safety
19 (1997), 319.
[31] Lehmer DH, 1949: Mathematical methods in large-scale computing units, Proc. 2nd Symposium on
large scale digital calculating machinery, Cambridge MA, 141-146.
[32] Leonel ED, Beck AT, Venturini WS, 2011: On the Performance of Response Surface and Direct
Coupling Approaches in Solution of Random Crack Propagation Problems, Structural Safety 33,
261-274.
[33] Liu VW, Moses FA, 1994: A sequential response surface method and its application in the reliability
analysis of aircraft structural systems, Structural Safety 16, 3946.
[34] Maes MA, Breitung K, Dupuis DJ, 1993: Asymptotic importance sampling, Structural Safety 12,
167-186.
[35] Melchers RE, 1992: Load-Space Formulation for Time-Dependent Structural Reliability, Journal of
Engineering Mechanics 118, 853 - 870.
[36] Montgomery DC, 1997: Design and Analysis of Experiments, 4th Edition, New York, NY, Wiley.
[37] Naess A, Leira BJ, Batsevych O, 2009: System reliability analysis by enhanced Monte Carlo simu-
lation, Structural Safety 31, 349-355.
[38] Nikolos IK, 2011: Surrogate Modeling in Evolutionary Based Engineering Design Optimization, in
Tsompanakis Y and Topping BHV (Editors): Soft Computing Methods for Civil and Structural
Engineering, Saxe-Coburg Publications, Stirlingshire, UK, 173-203.
[39] Olsson A, Sandberg G, Dahlblom O, 2003: On Latin hypercube sampling for structural reliability
analysis, Structural Safety 25, 47-68.
[40] Pendola M, Mohamed A, Lemaire M, Hornet P, 2000: Combination of nite element and reliability
methods in nonlinear fracture mechanics, Reliability Engineering and System Safety 70, 1527.
[41] Poggio T, Girosi F, 1990: Networks for Approximation and Learning. Reprinted from Proceedings
of the IEEE. Vol. 78, 1481 - 1497.
[42] Rajashekhar MR, Ellingwood BR, 1993: New look at the response surface approach for reliability
analysis. Structural Safety 12, 205220.
[43] Rubinstein RY, 1981: Simulation and the Monte Carlo Method, John Wiley & Sons.
[44] Rubinstein R, Kroese D, 2008: Simulation and the Monte Carlo method. Wiley Series in Probability
and Statistics, Wiley.
[45] Soares RC, Mohamed A, Venturini WS, Lemaire M, 2002: Reliability analysis of non-linear reinforced
concrete frames using the response surface method, Reliability Engineering and System Safety
75, 1-16.
[46] Soong TT, Grigoriu M, 1993: Random Vibration of Mechanical and Structural Systems, Prentice
Hall, Englewood Clis, NJ.
REFERNCIAS 159
[47] Sudret B, 2012: Meta-models for structural reliability and uncertainty quantication, Phoon KK,
Beer M, Quek ST, Pang SD (editors), Proc. of the 5th Asian-Pacic Symposium on Structural
Reliability and its Applications, 53-76.
[48] Sudret B, Der Kiureghian A, 2000: Stochastic Finite Element Methods and Reliability: A State-
of-the-Art Report, Report No. UCB/SEMM-2000/08, Department of Civil and Environmental
Engineering, University of California, Berkeley.
[49] Taanidis AA, Beck JL, 2008: An ecient framework for optimal robust stochastic system design
using stochastic simulation, Computer Methods in Applied Mechanics and Engineering 198, 88-
101.
[50] Taanidis AA, Beck JL, 2009: Stochastic Subset Optimization for reliability optimization and sen-
sitivity analysis in system design, Computers and structures 87, 318-331.
[51] Wang L, Liu B, Wan C, 2004. A novel RBF neural network with fast training and accurate general-
ization. In Proceedings of the First international conference on Computational and Information
Science (CIS04), Jun Zhang, Ji-Huan He, and Yuxi Fu (Eds.). Springer-Verlag, Berlin, Heidel-
berg, 166-171.
[52] Zheng Y, Das PK, 2000: Improved response surface method and its application to stiened plate
reliability analysis, Engineering Structures 22, 544551.
Captulo 7
TEORIA DE PROBABILIDADES:
PROCESSOS ESTOCSTICOS
7.1 DEFINIES
7.1.1 Processo estocstico como famlia de funes
Denio 48 em um determinado experimento, atribui-se a cada ponto amostral n do espao amostral
uma funo do tempo r(n, t). A famlia de funes A(n, t) assim criada chamada de processo
estocstico.
Note-se que:
1. a funo r(n, t) pode ser real ou complexa;
2. neste material consideramos apenas funes reais; neste contexto um processo estocstico um
operador que leva de para o espao de funes nitas e reais, exemplo: 1
2
;
3. a varivel t representa o tempo ou qualquer outro parmetro contnuo onde o processo estocstico
se desenvolve;
4. a funo r(n, t) pode ser uma funo analtica explicita ou no;
5. em muitos processos estocsticos, as funes r(n, t) tem aspecto aleatrio e expresso analtica
desconhecida; ainda assim a denio vlida;
6. para cada realizao n xa, r(n, t) = r(t) uma funo do tempo;
7. em um ponto t xo, A(n, t) = A(n) uma varivel aleatria;
8. para n e t xos, r(n, t) = r um nmero real.
Notao
Neste e nos demais captulos, utilizamos a seguinte notao:
Situao Notao Resultado
n e t variveis A(n, t) ou A(t) processo estocstico
n varivel, t xo A(n) ou A varivel aleatria
n xo, t varivel r(n, t) ou r(t) funo do tempo
n xo, t xo r(n, t) ou r nmero real
Note-se que a dependncia com o resultado experimental n frequentemente omitida. Em concordn-
cia com a notao utilizada para variveis aleatrias, uma letra minscula representa uma realizao da
varivel aleatria ou processo estocstico. Assim, a funo r(t) representa uma realizao do processo
estocstico A(t). O nmero real r pode ser entendido como a funo r(t) avaliada em t (r(t) = r) ou
como uma realizao da varivel aleatria A(n, t) para dado n (r(n, t) = r).
161
162 ANDR T. BECK, TEORIA DE PROBABILIDADES: PROCESSOS ESTOCSTICOS
Exemplos:
Exemplo 49 Para um espao amostral formado pelo conjunto de pontos amostrais = {n
I
}
I=1,...,6
= {1, 2, 3, 4, 5, 6} as funes:
A
1
(n, t) = cos[nt]
A
2
(n, t) = cos[t +n]
A
3
(n, t) = ncos[t]
representam 3 processos estocsticos distintos. Para cada realizao n
I
, a variao temporal destes proces-
sos determinstica (conhecida com probabilidade um); por isto estes processos so chamados de processos
estocsticos parametrizados.
Exemplo 50 Considere agora 3 experimentos com espaos amostrais
1
,
2
e
3
e conjuntos de pontos
amostrais
1
= {n
I
}
I=1,...,5
= {1, 2, 3, 4, 5};
2
= {
I
}
I=1,2,3
= {0, , 2} e
3
= {n
I
}
I=1,2,3
= {1, 2, 3}.
As funes:
A
1
(n, t) = cos[nt]
A
2
(n, , t) = cos[nt +]
A
3
(n, , n, t) = ncos[nt +]
representam 3 processos estocsticos parametrizados distintos. O nmero de graus de aleatoriedade dos
3 processos distinto: fcil perceber que o processo A
1
(n, t) tem grau de aleatoriedade um; o processo
A
2
(n, , t) tem grau de aleatoriedade dois e o processo A
3
(n, , n, t) tem grau de aleatoriedade trs. O
grau de aleatoriedade corresponde ao nmero de parmetros que devem ser conhecidos para que a variao
do processo no tempo se torne perfeitamente conhecida ou determinstica.
Exemplo 51 Associando nmeros reais aos pontos amostrais dos experimentos caracterizados no exem-
plo anterior, obtemos 3 variveis aleatrias: \, \ e l. claro que os trs processos estocsticos podem
ser denidos em termos destas variveis aleatrias:
A
1
(\, t) = cos[\t]
A
2
(\, \, t) = cos[\t +\ ]
A
3
(\, \, l, t) = l cos[\t +\ ]
Neste exemplo ca claro que podemos entender um processo estocstico como uma funo de variveis
aleatrias.
7.1.2 Funes de distribuio de probabilidades
Para um tempo t especco, A(n, t) uma varivel aleatria. A funo de distribuio cumulativa de
probabilidades desta varivel, em geral, depende de t :
1
1
(r, t) = 1[{A(n, t) r}] (7.1)
O evento {A(n, t) r} consiste em todas as realizaes n tais que, no instante t, as funes r(t) no
excedem o valor r. A funo 1
1
(r, t) chamada de distribuio cumulativa de primeira ordem do processo
A(t). A funo densidade de primeira ordem obtida derivando-se em relao a r :
)
1
(r, t) =
01
1
(r, t)
0r
(7.2)
Considere agora dois instantes de tempo t
1
e t
2
. A(t
1
) e A(t
2
) so duas v.a. dependentes de t
1
e t
2
.
A funo conjunta de distribuio cumulativa de probabilidades depende tambm de t
1
e t
2
:
1
2
(r
1
, r
2
; t
1
, t
2
) = 1[{A(t
1
) r
1
, A(t
2
) r
2
}] (7.3)
O evento {A(t
1
) r
1
, A(t
2
) r
2
} consiste em todas as realizaes n
I
tais que as funes r(n
I,
t) no
excedem o valor r
1
no instante t
1
e no excedem o valor r
2
no instante t
2
. A funo 1
2
(r
1
, r
2
; t
1
, t
2
)
7.2. PROPRIEDADES DE PROCESSOS ESTOCSTICOS 163
chamada de distribuio cumulativa de segunda ordem do processo A(t). A funo de densidade corre-
spondente obtida derivando-se em relao r
1
e r
2
:
)
2
(r
1
, r
2
; t
1
, t
2
) =
0
2
1
2
(r
1
, r
2
; t
1
, t
2
)
0r
1
0r
2
(7.4)
7.1.3 Processo estocstico como famlia de variveis aleat rias
Processo estocstico: para cada t xo, o processo estocstico A(t) uma varivel aleatria. Para um
conjunto nito de pontos {t
1
, t
2
, t
3
, ..., t
n
} o conjunto de variveis aleatrias {A(t
1
), A(t
2
), A(t
3
), ...,
A(t
n
)} tem uma funo conjunta de distribuio cumulativa de probabilidades:
1
n
(r
1
, r
2
, ..., r
n
; t
1
, t
2
, ..., t
n
) = 1[{A(t
1
) r
1
, A(t
2
) r
2
, ..., A(t
n
) r
n
}]
Esta a funo de distribuio cumulativa de probabilidades de ordem : do processo A(t). A famlia de
funes:
1
1
(r, t)
1
2
(r
1
, r
2
; t
1
, t
2
)
...
1
n
(r
1
, r
2
, ..., r
n
; t
1
, t
2
, ..., t
n
) (7.5)
dene completamente o processo A(t). Logo, podemos denir o processo A(t) como:
Denio 52 Um processo estocstico A(t) formado por uma famlia de variveis aleatrias (de di-
menso innita) ao longo do contnuo t.
7.2 PROPRIEDADES DE PROCESSOS ESTOCSTICOS
7.2.1 Momentos de um processo estocstico
A mdia j(t) de um processo estocstico A(t) o valor esperado da v.a. A(t) para t xo:
j(t) = 1[A(t)] =
Z

r)
1
(r, t)dr (7.6)
Em geral, j(t) uma funo do tempo. Generalizando este resultado, o momento de ordem / do processo
A(t) dado por:
j
|
(t) = 1[A(t)
|
] =
Z

r
|
)
1
(r, t)dr (7.7)
A funo de auto-correlao de um processo A(t) corresponde ao momento conjunto das v.a.s A(t
1
)
e A(t
2
) :
1
(t
1
, t
2
) = 1[A(t
1
)A(t
2
)] =
Z

r
1
r
2
)
2
(r
1
, r
2
; t
1
, t
2
)dr
1
dr
2
(7.8)
Em geral, a funo de auto-correlao funo de t
1
e t
2
. A funo de auto-covarincia de A(t) corre-
sponde covarincia das v.a.s A(t
1
) e A(t
2
) :
C
(t
1
, t
2
) = 1[(A(t
1
) j(t
1
))(A(t
2
) j(t
2
)]
= 1
(t
1
, t
2
) j(t
1
)j(t
2
) (7.9)
Note que a varincia da v.a. A(t) obtida da funo de auto-covarincia fazendo t
1
= t
2
= t :
o(t)
2
= C
(t, t) = 1
(t, t) j(t)
2
(7.10)
Pode-se ainda denir uma funo ndice de auto-correlao:
j(t
1
, t
2
) =
1[(A(t
1
) j(t
1
))(A(t
2
) j(t
2
)]
o(t
1
)o(t
2
)
(7.11)
7.2.2 Momentos de dois processos estocsticos
Considere os processos estocsticos A(t) e 1 (t). A funo de correlao-cruzada denida como:
1
Y
(t
1
, t
2
) = 1[A(t
1
)1 (t
2
)] =
Z

rj)
Y
(r, j; t
1
, t
2
)drdj (7.12)
A funo de covarincia-cruzada :
C
Y
(t
1
, t
2
) = 1[(A(t
1
) j
(t
1
))(1 (t
2
) j
Y
(t
2
)]
= 1
Y
(t
1
, t
2
) j
(t
1
)j
Y
(t
2
) (7.13)
Esta funo corresponde covarincia entre as v.a. A(t
1
) e 1 (t
2
). Pode-se ainda denir uma funo
ndice de correlao-cruzada:
j
Y
(t
1
, t
2
) =
1[(A(t
1
) j
(t
1
))(1 (t
2
) j
Y
(t
2
)]
o
(t
1
)o
Y
(t
2
)
7.2.3 Ortogonalidade e independncia
Dois processos estocsticos A(t) e 1 (t) tem correlao (dependncia linear) nula quando, para quaisquer
t
1
e t
2
:
C
Y
(t
1
, t
2
) = 0 (7.14)
e portanto:
1
Y
(t
1
, t
2
) = j
(t
1
)j
Y
(t
2
)
Os mesmos processos so ditos ortogonais quando, para quaisquer t
1
e t
2
:
1
Y
(t
1
, t
2
) = 0 (7.15)
Os processos A(t) e 1 (t) so ditos independentes quando o conjunto {A(t
1
), A(t
2
), ..., A(t
n
)}
independente do conjunto {1 (t
0
1
), 1 (t
0
2
), ..., 1 (t
0
n
)} para quaisquer {t
1
, t
2
, ..., t
n
} e {t
0
1
, t
0
2
, ..., t
0
n
}.
7.2.4 Processo Gaussiano
Um processo estocstico A(t) dito normal ou Gaussiano quando as v.a. {A(t
1
), A(t
2
), ..., A(t
n
)} so
conjuntamente normais para quaisquer {:, t
1
, t
2
, ..., t
n
}. Note que no suciente que a funo de densi-
dade de primeira ordem )
1
(r, t) seja normal: as densidades de qualquer ordem devem ser conjuntamente
normais. As estatsticas de um processo normal ou Gaussiano so completamente denidas em termos
da mdia j(t) e da funo de auto-correlao 1
(t
1
, t
2
) ou auto-covarincia C
(t
1
, t
2
). A funo de
densidade de primeira ordem de um processo Gaussiano dada por:
)
1
(r, t) =
1
2o(t)
exp
1
2
r j(t)
o(t)
(7.16)
7.2.5 Estacionariedade
Denio 53 Um processo A(t) dito estacionrio quando as suas estatsticas no mudam em relao
a uma translao no tempo, i.e., os processos A(t) e A(t +-) tem as mesmas estatsticas para qualquer
-.
Processo estritamente estacionrio
Um processo estritamente estacionrio tal que, para qualquer - :
)
n
(r
1
, r
2
, ..., r
n
; t
1
, t
2
, ..., t
n
) = )
n
(r
1
, r
2
, ..., r
n
; t
1
+-, t
2
+-, ..., t
n
+-) (7.17)
Em particular, se um processo A(t) estritamente estacionrio:
)
1
(r, t) = )
1
(r, t +-), -
Isto signica que )
1
(r, t) deve ser independente do tempo:
)
1
(r, t) = )
1
(r)
Como consequncia, resulta da equao (7.6) que a mdia deve ser tambm constante:
1[A(t)] = j = cte. (7.18)
A densidade de segunda ordem tambm deve ser tal que:
)
2
(r
1
, r
2
; t
1
, t
2
) = )
2
(r
1
, r
2
; t
1
+-, t
2
+-)
Como a igualdade deve ser vlida para qualquer -, resulta que a densidade de segunda ordem funo
da diferena t
2
t
1
= t :
)
2
(r
1
, r
2
; t
1
, t
2
) = )
2
(r
1
, r
2
, t), t = t
2
t
1
A funo )
2
(r
1
, r
2
, t) vem a ser a funo de densidade conjunta das v.a.s A(t) e A(t +t). Da equao
(7.8) conclue-se que a funo de autocorrelao depende tambm de t :
1
(t
1
, t
2
) = 1
(t) = 1[A(t)A(t +t)] = 1
(t) (7.19)
De maneira semelhante, dizemos que os processos A(t) e 1 (t) so conjuntamente estacionrios se as
estatsticas conjuntas de A(t) e 1 (t) so idnticas s estatsticas conjuntas de A(t +-) e 1 (t +-), para
qualquer -. Note que os processos podem ser individualmente estacionrios, mas no necessriamente
conjuntamente estacionrios. Se A(t) e 1 (t) so conjuntamente estacionrios:
1
Y
(t
1
, t
2
) = 1
Y
(t) = 1[A(t)1 (t +t)]
Processo fracamente estacionrio
Um processo A(t) dito fracamente estacionrio quando seu valor mdio constante e quando a funo
de auto-correlao depende apenas de t = t
2
t
1
:
1[A(t)] = j = cte.
1[A(t)A(t +t)] = 1
(t) (7.20)
ainda que no atenda condio inposta na equao (7.17).
Para processos Gaussianos, estacionariedade fraca corresponde estacionariedade estrita. Para outros
processos, no.
7.2.6 Funo de auto-correlao
Na equao (7.8), denimos a funo de auto-correlao. Nesta seo, elaboramos este conceito e intro-
duzimos a funo de densidade espectral de processos estocsticos estacionrios. So propriedades da
funo de auto-correlao (equao 7.8):
1. Se A(t) real, 1
(t) real e par: 1
(t) = 1
(t);
2. 1
(0) = 1[A(t)
2
] 0, o que leva a:
1
(0) 1
(t) 1
(0)
3. se 1
(t) contnua na origem, contnua em t;

4. 1
(t) no-negativa.
7.2.7 Funo densidade espectral de potncia
A funo de densidade espectral de potncia o(n) ou o
(n) de um processo estocstico estacionrio

A(t) a transformada de Fourier da funo de auto-correlao:
o(n) =
Z

(t)c
Iur
dt
o(n) uma funo real. A funo de auto-correlao pode ser obtida da funo de densidade espectral
pela transformada inversa:
1
(t) =
1
2
Z

o(n)c
Iur
dn
Para t = 0, obtemos:
1
2
Z

o(n)dn = 1
(0) = 1[A(t)
2
] 0
Resulta desta expresso que a rea sob a funo
S(u)
2t
no-negativa e corresponde ao valor esperado da
potncia mdia (quadrtica) do processo A(t). Para um processo com mdia nula, esta igual varincia
o
2
.
Quando o processo A(t) real, 1
(t) real e par e o(n) resulta uma funo par tambm:

o(n) = o(n)
Neste caso, a transformada de Fourier e sua inversa tambm podem ser obtidas como:
o(n) =
Z

(t) cos(nt)dt
1
(t) =
1
2
Z

o(n) cos(nt)dn (7.21)

Nas guras (7-1 e 7-2) so apresentadas algumas funes de auto-correlao tpicas de processos
estocsticos contnuos e as respectivas densidades espectrais de potncia.
De forma semelhante, a densidade espectral de potncia cruzada de dois processos A(t) e 1 (t)
denida como:
o
Y
(n) =
Z

1
Y
(t)c
Iur
dt
1
Y
(t) =
1
2
Z

o
Y
(n)c
Iur
dn
Momentos da funo densidade espectral de potncia
So de grande utilidade no trabalho com processos estocsticos os momentos da funo densidade espectral
de potncia. Deni-se o momento de ordem / como:
`
|
=
Z

|n|
|
o(n)dn (7.22)
O momento de ordem zero corresponde varincia do processo. Por propriedade da transformada de
Fourier, a funo densidade espectral de potncia do processo derivada

A(t) obtida multiplicando-se a
densidade espectral de potncia do processo original por n
2
:
o

(n) = n
2
o
(n)
o
(n) = n
4
o
(n)
Resulta desta propriedade que os momentos espectrais esto relacionados com o processo A(t) e com
suas derivadas,

A(t) e

A(t), da seguinte maneira:
`
0
= o
2
`
2
= o
2
`
4
= o
2
(7.23)
A freqencia mdia de passagens por zero de um processo estocstico :
n
0
=
r
`
2
`
0
=
o

(7.24)
1
se
2( )
0 caso contrario
a b
b a
w w w
w w
s s
( ) ( ) 2 1
sin cos
( ) 2 2
b a b a
b a
w w w w
w w
t t
t
| | | |
| |
\ . \ .
2
( )
XX
X
R t
o
2 ( ) to t
( )
2
2
4 sin / 2
2
wT
w T t
1 para
0 caso contrario
T
T
<
0 0
cos( ) 0 w w t >
0 0
1 1
( ) ( )
2 2
w w w w o o + +
Funo de auto-correlao Densidade espectral de potncia
2
( )
XX
X
S w
o
1
1
2 ( ) to t
Figura 7-1: Funes de auto-correlao comuns e densidades espectrais de potncia (ajustadas para rea
unitaria) correspondentes.
exp[ ] 0 t >
2 2
1
( ) w

t +
0 0
exp[ ] cos( ) 0, 0 w w t t > >
2 2 2 2
0 0
1 1
2 ( ) ( ) w w w w
t
| |
+
|
+ + +
\ .
2 2
exp[ ] 0 t > 2
1
exp
2 2
w
t
(
| |
(
|
\ . (

2 2
0 0
exp[ ] cos( ) 0, 0 w w t t > >
2 2 2 2
0 0 0
2
1
exp exp exp
2 2 2 4
w w w w w w
t
| | ( ( ( + + | | | |
+ | ( ( ( | |
|
\ . \ . ( ( \ .
exp[ ](1 ) 0 t t + > 3
2 2 2
2
( ) w

t +
2
( )
XX
X
R t
o
Funo de auto-correlao Densidade espectral de potncia
2
( )
XX
X
S w
o
Figura 7-2: Funes de auto-correlao comuns e densidades espectrais de potncia (ajustadas para rea
unitaria) correspondentes (continuao).
So chamados de parmetros espectrais adimensionais as seguintes grandezas:
c =
s
1
`
2
1
`
0
`
2
- =
s
1
`
2
2
`
0
`
4
(7.25)
Estes parmetros sero utilizados oportunamente no trabalho com processos estocsticos. Um parmetro
importante, que caracteriza a largura de banda do processo, o fator de regularidade:
c =
p
1 -
2
=
`
2
`
0
`
4
O fator de regularidade varia entre 0 e 1. Processos de banda estreita, que tem elevado nvel de regulari-
dade, tem c prximo de um. O rudo branco tem c = 0.
7.2.8 Estatsticas temporais
Seja A(t) um processo estocstico real e estacionrio. A mdia temporal U deste processo obtida como:
U(n) = lim
T
1
2T
Z
T
T
A(n, t)dt
claro que U(n) uma varivel aleatria. Pode-se tambm denir a funo:
R(n, t) = lim
T
1
2T
Z
T
T
A(n, t +t)A(n, t)dt
Para cada realizao do processo (A(n
I
, t) = r(t)), U(n
I
) = n uma constante e R(n
I
, t) = r(t) uma
funo de t. Para T sucientemente grande, obtemos as aproximaes:
U
T
(n) =
1
2T
Z
T
T
A(n, t)dt
R
T
(n, t) =
1
2T
Z
T
T
A(n, t +t)A(n, t)dt (7.26)
que tambm representam uma v.a. e uma funo de t para cada realizao do processo.
As grandezas U(n) e R(n, t) so estatsticas temporais do processo estocstico estacionrio A(t).
importante salientar a diferena entre estas e as estatsticas denidas nas equaes (7.18) e (7.19).
As grandezas 1[A(t)] = j e 1[A(t)A(t + t)] = 1
(t) so estatsticas tomadas sobre as diferentes

realizaes n
I
do processo estocstico. Estas so chamadas de estatsticas de valor esperado ou ainda
estatsticas de envelope.
7.2.9 Processos ergdicos
Denio 54 Um processo estocstico A(t) ergdico se as suas estatsticas temporais so idnticas as
suas estatsticas de valor esperado (de envelope).
Por denio, um processo ergdico necessariamente estacionrio. O inverso no verdadeiro,
porque um processo estacionrio no necessariamente ergdico. Se um processo A(t) estritamente
ergdico, suas estatsticas podem ser determinadas a partir das estatsticas temporais de uma nica
realizao A(n
I
, t) = r(t) do processo.
A ergodicidade estrita implica em que todas as estatsticas temporais do processo sejam idnticas s
estatsticas de envelope correspondentes. Esta condio de ergodicidade rgida, mas pode ser relaxada
para apenas aqueles momentos de interesse.
Ergodicidade na mdia
Um processo estocstico A(t) ergdico na mdia se a mdia temporal idntica mdia de envelope:
lim
T
1
2T
Z
T
T
A(n, t)dt = U(n) = 1[A(n, t)] = j
Ergodicidade na funo de auto-correlao

De maneira semelhante, um processo estocstico A(t) ergdico na funo de auto-correlao se R(n, t)
idntica a 1
(t):
lim
T
1
2T
Z
T
T
A(n, t +t)A(n, t)dt = R(n, t) = 1[A(t +t)A(t)] = 1
(t)
Exemplo 55 Considere o processo estocstico estacionrio A(t) = 1, sendo 1 uma v.a. com momentos
(j
Y
, o
Y
). Note que, se j
I
corresponde a i c:i:a realizao de 1 , temos (contra-exemplo):
U(n
I
) = j
I
1[A(t)] = j
Y
R(n
I
, t) = j
2
I
1[A(t +t)A(t)] = 1[1
2
] = o
2
Y
7.3 CLCULO DE PROCESSOS ESTOCSTICOS
7.3.1 Continuidade
7.3.2 Diferenciao em mdia quadrtica
A(t) = lim
|0
A(t +/) A(t)
/
(7.27)
1[

A(t)] =
d
dt
1[A(t)] (7.28)
1[

A(t
1
)

A(t
2
)] = 1

(t
1
, t
2
) =
0
2
1
(t
1
, t
2
)
0t
1
0t
2
(7.29)
7.3.3 Integrao quadrtica mdia
Seja A(t) um processo real. Se a integral:
1 (n) =
Z
b
o
A(n, t)dt
existe para qualquer funo A(n, t), o resultado 1 (n) uma varivel aleatria, que corresponde rea
sob o processo A(n, t).
7.4 ESTATSTICAS DE BARREIRA
7.4.1 Perodo mdio de recorrncia ou tempo mdio de retorno
As principais aplicaes de conabilidade estrutural envolvem extremos de processos estocsticos ao
longo de determinados perodos (exemplo: extremo de carregamento durante perodo de vida til de uma
estrutura). Os eventos extremos correspondem a determinados nveis que o processo pode atingir.
Seja um processo A(t) e um nvel crtico deste processo, /, distante alguns desvios-padro da mdia
j
, conforme ilustrado na gura (7-3). A frequncia com a qual o processo visita o nvel /, ou o tempo
de recorrncia entre visitas sucessivas, so estatsticas importantes. O tempo que o processo permanece
acima ou abaixo do nvel / tambm podem ser importantes. intuitivo e fcil de perceber que, quanto
7.4. ESTATSTICAS DE BARREIRA 171
mais elevado o nvel da barreira /, mais raras so as visitas do processo a este nvel, e maior o perodo
de recorrncia entre visitas sucessivas.
Seja T
:
(/) o perodo de recorrncia entre visitas sucessivas do processo A(t) ao nvel de barreira /
(aqui, uma visita corresponde a uma passagem de barreira de baixo para cima, ou seja, a visita no acaba
at que o processo tenha voltado abaixo do nvel /). Claramente, se A(t) um processo estocstico, T
:
(/)
uma varivel aleatria. As estatsticas de T
:
(/), em geral, so difceis de determinar. No entanto, o
perodo mdio de recorrncia ou perodo mdio de retorno:
1[T
:
(/)] = j
T
r
(b)
pode ser determinado para muitos processos estocsticos, como ser visto nesta seo.
t
( ) realizao de ( ) x t X t =
( ) X t
barreira ( ) b t b =
t
( ) realizao de ( ) x t X t =
( ) X t
barreira ( ) b t b =
Figura 7-3: Ultrapassagem da barreira /(t) = / pelo processo estocstico A(t).
A varivel aleatria perodo de recorrncia T
:
(/) pode ser decomposta em dois perodos de inter-
esse, T
o
(/) e T
b
(/), que correspondem ao tempo que o processo permanee acima e abaixo do nvel /,
respectivamente, entre visitas sucessivas:
T
:
(/) = T
o
(/) +T
b
(/)
Ainda que as estatsticas de T
:
(/) dicilmente possam ser calculadas, os perodos T
o
(/) e T
b
(/) podem
ser determinados. Para um processo A(t) estacionrio e um perodo de tempo longo, a frao de tempo
que o processo passa acima e abaixo do nvel /, respectivamente, :
1[T
o
(/)]
1[T
o
(/) +T
b
(/)]
=
1[T
o
(/)]
1[T
:
(/)]
=
Z

b
)
(r)dr = 1 1
(/) (7.30)
1[T
b
(/)]
1[T
o
(/) +T
b
(/)]
=
1[T
b
(/)]
1[T
:
(/)]
=
Z
b
(r)dr = 1
(/) (7.31)
Em ambas expresses, o valor esperado 1[.] sobre o envelope e o resultado assintticamente correto
com t .
A interpretao dos perodos de recorrncia est associada a eventos que se repetem ao longo do
tempo com determinada regularidade. No entanto, importante observar que estas estatsticas so
vlidas tambm para processos estocsticos no estacionrios, situao em que tal regularidade muda
ao longo do tempo. Sendo assim, para processos estacionrios as estatsticas de perodo de retorno so
dependentes do tempo. Outra situao em que a regularidade das ultrapassagens de barreira ao longo
do tempo no acontece o caso de uma barreira varivel com o tempo, /(t). Tambm neste caso, as
estatsticas de perodo de recorrncia existem, ainda que sejam funes do tempo (e.g., T
:
(/, t)).
Outra estatstica muito importante o tempo ou perodo at a primeira visita do processo A(t)
ao nvel /, representada simplesmente por T
1
(/). Este perodo tambm uma varivel aleatria, muito
utilizada na anlise de conabilidade dependente do tempo.
7.4.2 Taxa de passagens pela barreira
A diculdade de se interpretar perodos de recorrncia que variam ao longo do tempo, seja no caso de
processos estocsticos no-estacionrios e/ou no caso de barreiras que variam com o tempo, faz com
que seja mais fcil trabalhar com a taxa ou frequncia mdia de passagens pela barreira (crossing rate),
denida como:
(/, t) =
2
1[T
:
(/, t)]
(7.32)
Nesta expresso, o valor esperado 1[] sobre o envelope. Note que esta taxa ou frequncia no est
associada com eventos que se repetem ao longo do tempo, mas sim com eventos que se repetem no
envelope. A interpretao de taxa ou frequencia est relacionada com a unidade de medida, tc:jo
1
.
Na expresso (7.32), o numeral 2 aparece porque cada perodo T
:
(/, t) est associado com duas pas-
sagens de barreira, uma de cima para baixo e uma de baixo para cima. Muitas vezes, estamos interessados
apenas em passagens de barreira de baixo para cima (up-crossing rate), o que pode ser escrito como:
+
(/, t) =
(/, t)
2
=
1
1[T
:
(/, t)]
(7.33)
De maneira semelhante, a taxa de passagens de barreira de cima para baixo :
(/, t) =
(/, t)
2
=
1
1[T
:
(/, t)]
(7.34)
Para processos estocsticos estacionrios e barreiras constantes no tempo, as taxas de passagens pela
barreira tambm so constantes no tempo:
+
(/) =
(/) =
1
1[T
:
(/)]
(7.35)
De maneira semelhante, a taxa de chegada da primeira visita do processo ao nvel / :
1
(/) =
1
1[T
1
(/)]
Frmula de Rice
A taxa de passagens (de baixo para cima) de um processo A(t) por uma barreira constante / pode ser
determinada conforme segue. Considere o que acontee entre os instantes t
1
e t
1
+ dt, com dt 0,
quando neste intervalo ocorre uma ultrapassagem da barreira. Para que a passagem de barreira ocorra
neste intervalo, necessrio que o processo esteja abaixo do nvel / no instante t
1
e que tenha variao
(derivada) suciente para ultrapassar a barreira neste intervalo, conforme a gura (7-4):
+
(/, t) = lim
J|0
1
dt
1
h
A(t
1
) < / A(t
1
) +

A(t
1
)dt /
i
= lim
J|0
1
dt
1
h
A(t
1
) < /

A(t
1
)dt / A(t
1
)
i
(7.36)
Esta condio representada em termos das variveis aleatrias A(t
1
) e

A(t
1
) na gura (7-5). Um
elemento de rea nesta representao corresponde ao evento {r A(t
1
) r +dr, r

A(t
1
) r +d r},
descrito pela funo de distribuio de probabilidades conjunta )
(r, r). Portanto, a probabilidade

expressa na equao (7.36) pode ser avaliada pela integral:
+
(/, t) = lim
J|0
1
dt
Z

0
Z
b
b rJ|
)
(r, r)drd r (7.37)

No limite com dt 0, a rea de integrao se reduz a uma estreita faixa e / rdt /. Substituindo
o limite por uma derivada:
+
(/, t) =
Z

0
"
d
dt
Z
b
b rJ|
)
(r, r)dr
!#
d r
O integrando no depende de t, de forma que basta derivar os limites de integrao em relao t:
0
0t
/ = 0
0
0t
(/ rdt) = r
Assim, obtm-se:
+
(/, t) =
Z

0
[(0) )
(r, r) ( r))
(/, r)] d r
=
Z

0
r )
(/, r)d r (7.38)

Esta a frmula de Rice (1954) para a taxa de passagens pela barreira
+
(/, t). Utilizando procedimento
anlogo, uma expresso semelhante obtida para (/, t):
(/, t) =
Z

| r| )
(/, r)d r (7.39)

Note que esta expresso corresponde ao valor esperado do valor absoluto da derivada | r| , avaliada em
r = /.
Para uma barreira que funo do tempo, uma expresso semelhante a (7.38) obtida:
+
(/, t) =
Z

b
( r
/) )
(/, r)d r (7.40)

( ) x t
( ) x t
( ) b t b =
xdt
t
1
t
1
t dt +
( ) x t
( ) x t
( ) b t b =
xdt
t
1
t
1
t dt +
Figura 7-4: Condio de ultrapassagem da barreira /(t) = / pelo processso A(t).
x
x
b
x b =
b xdt
Figura 7-5: Limites de integrao da taxa de passagens pela barreira no plano (r, r).
Taxa de passagens pela barreira - processo Gaussiano
Para um processo estacionrio A(t), as variveis aleatrias A(t
1
) e

A(t
1
) tem correlao nula. Se o
processo A(t) Gaussiano e estacionrio, ento A(t
1
) e

A(t
1
) so tambm independentes. Neste caso, a
equao (7.39) pode ser escrita como:
(/) =
Z

| r| )
(/))

( r)d r
= )
(/)1[
]
Cada passagem de barreira de baixo para cima seguida por uma passagem de cima para baixo, de
forma que:
+
(/) =
(/) =
1
2
)
(/)1[
]
Como a diferenciao uma operao linear, resulta que se A(t) processo Gaussiano,

A(t) processo
Gaussiano tambm. Para A(t) estacionrio, resulta das equaes (7.18 e 7.28) que 1[

A] = j

= 0. Para
um desvio-padro o

, obtm-se que:
1[
] = 2
Z

0
1
2
r
o

exp
"
1
2
r
o

2
#
d r
=
2o

2
exp
"
1
2
r
o

2
#
0
=
2o

2
Portanto:
+
(/) =
o

2
)
(/)
=
1
2
o

exp
"
1
2
/ j
2
#
(7.41)
Para / = j
esta equao fornee a frequncia mdia do processo, ou taxa de passagens pela mdia:
+
0
=
1
2
o

=
n
0
2
(7.42)
Na equao (7.42), n
0
a freqencia angular mdia do processo. Isto mostra que o termo
c

c
que
aparece na equao (7.41) vem a ser a frequencia angular mdia n
0
. Utilizando as equaes (7.23), esta
frequncia pode ser calculada como:
n
0
=
o

=
r
`
2
`
0
(7.43)
Em termos de
+
0
, a taxa de passagens pela barreira ca:
+
(/) =
+
0
exp
"
1
2
/ j
2
#
(7.44)
Interpretando este resultado, observa-se que a taxa de passagens por uma barreira / dada pela taxa
de passagens pela mdia multiplicada pela funo de densidade de probabilidades do processo avaliada
em /. A funo de densidade fornece a probabilidade de longo prazo de que o processo esteja numa
vizinhana do nvel /:
{/ r,2 A(t) / +r,2}, r 0
A frequencia mdia
+
0
informa quo rapidamente o processo varia no tempo, e portanto determina com
que frequncia o processo visitar o nvel /.
Utilizando a expresso (7.40) e seguindo um procedimento semelhante, obtm-se a taxa de passagens
por uma barreira /(t) = a /t que varia linearmente com o tempo (Cramer e Leadbetter, 1967):
+
(t) = n
0
c
a /t j
/
n
0
o
onde [r] = c[r] r[r].

Taxa de passagens pela barreira - processos contnuos diferenciveis
Para processos no Gaussianos e/ou no-estacionrios, a determinao de
+
(/, t) no trivial e geral-
mente no pode ser obtida analticamente. Nesta seo, apresentada uma soluo para calcular a taxa
de passagens pela barreira numericamente, para processos contnuos diferenciveis.
A taxa de passagens de um processso A(t) pela barreira / pode ser determinada por:
+
(/, t) = lim
|0
1
t
1[A(t) < / A(t +t) /] (7.45)
Em palavras, esta expresso signica:
a probabilidade de ocorrer uma ultrapassagem de barreira no intervalo (t, t +t) igual
a probabilidade de que o processo esteja abaixo da barreira no instante t e ultrapasse este
nvel durante o intervalo t.
A equao (7.45) permite compreender o problema mas no adequada para ns de avaliao da
taxa. Uma formulao melhor obtida expandindo A(t) em primeira ordem em t:
A(t +t) A(t) +t

A(t) (7.46)
Substituindo a equao (7.46) em (7.45) obtm-se:
+
(/, t) = lim
|0
1
t
1[A(t) < / A(t) +t

A(t) /] (7.47)
o que tambm pode ser escrito como:
+
(/, t) = lim
|0
1
t
1[

A(t) 0 A(t) +t

A(t) /]
1[

A(t) 0 A(t) /]
(7.48)
A gura (8-5) mostra os eventos associados s probabilidades expressas na equao (7.48). Esta
equao representa uma aproximao em diferenas nitas da derivada da probabilidade de falhas de um
sistema em paralelo (entre colchetes). Isto permite escrever:
+
(/, t) =
d
d0
1
0
[

A(t) 0 A(t) +0

A(t) /]
0=0
(7.49)
onde 1
0
[] a probabilidade associada ao sistema em parallelo e
J
J0
1
0
[]|
0=0
representa a medida de
sensibilidade desta probabilidade.
A taxa de passagens expressa em (7.49) pode ser avaliada por FORM ou SORM, utilizando as seguintes
margens de segurana:
:
1
(t) =

A(t)
:
2
(t, 0) = / A(t) 0

A(t)
A nica exigncia que o algoritmo para a avaliao dos fatores de sensibilidade seja sensvel
variaes devido a rotao da equao de estado limite.
7.5 TEORIA DE VALORES EXTREMOS (p.e.)
Na seo (2.7), estudamos a teoria de valores extremos no contexto de variveis aleatrias. Na presente
seo, ampliamos o escopo deste estudo para extremos de processos estocsticos.
7.5.1 Extremos de um processo em um intervalo xo
As principais aplicaes da conabilidade estrutural envolvem extremos de processos estocsticos ao longo
de determinados perodos (exemplo: extremos de carregamento ao longo da vida til da estrutura). O
valor mximo de um processo estocstico A(n, t) em um perodo de referncia T xo uma varivel
aleatria:
A
T
(n) = max
0|T
[A(n, t)]
7.5.2 Distribuio de picos (mximos locais) de processo Gaussiano esta-
cionrio
A distribuio de picos (mximos locais) de um processo estocstico necessria para determinar-se a
distribuio de extremos do processo.
A ocorrncia de um mximo local do processo A(t) corresponde ao evento {

A(t) = 0,

A(t) < 0}. O
nmero de mximos locais igual ao nmero de passagens por zero (de cima para baixo) do processo
A(t). Portanto, a frequncia de ocorrncia de mximos locais (eq. 7.42):
max
=
0,

=
1
2
o

Utilizando as expresses (7.23), este resultado pode ser escrito como:
max
=
1
2
r
`
4
`
2
Multiplicando o numerador por n
0
e o denominador por
p
`
2
,`
0
, a igualdade mantida (equao 7.24)
e obtemos:
max
=
n
0
2
r
`
4
`
2
r
`
0
`
2
=

+
0
c
(7.50)
Este resultado mostra que, para um processo estocstico ideal de banda estreita (c = 1), o nmero de
mximos locais igual ao nmero de passagens por zero. Isto signica que cada passagem por zero
corresponde a um nico mximo local. J para um processo irregular de banda larga (com c 0), o
nmero de mximos locais innitamente maior do que o nmero de passagens por zero.
A funo de densidade de probabilidade de um pico (mximo local) de um processo Gaussiano dada
por (Huston e Skopinski, 1953; Madsen et al., 1987):
)
(r) =
p
1 c
2
c
1 c
2
+crexp(
r
2
2
)
cr
1 c
2
(7.51)
Esta distribuio completamente denida pelo fator de regularidade c, sendo as formas limites uma
distribuio de Rayleigh para c = 1 (somente picos positivos) e uma distribuio normal para c = 0
(mesmo nmero de picos positivos e negativos), conforme ilustrado na gura (7-6).
7.6. PROCESSOS DISCRETOS 177
=0.0
=0.5
=0.9
=1.0
f
p
s
3 2 1 0 1 2 3 4
0.
0.2
0.4
0.6
Figura 7-6: Funo de densidade de um pico (mximo local) de processo Gaussiano.
7.5.3 Distribuio de extremos de um processo Gaussiano estacionrio
Conforme vimos na seo (2.7), o valor mximo em : observaes independentes de uma varivel aleatria
A uma varivel aleatria com funo de distribuio cumulativa de probabilidades dada por (equao
2.82):
1
r
(r) = [1
(r)]
n
(7.52)
Utilizando a equao (7.50), o nmero de picos (mximos locais) do processo A(t) no intervalo (0, T)
dado por:
:
=

+
0
T
c
=
1
c
n
0
T
2
A distribuio de valores extremos do processo Gaussiano no intervalo (0, T) obtida a partir do
mximo em :
observaes de picos locais. Esta distribuio obtida integrando-se a expresso (7.51)

em r e substituindo na equao (7.52):
1
J
(r) =
Z
r
(n)dn
(7.53)
Note que o nmero de picos :
est denido pelo tamanho do intervalo T, e portanto a distribuio de

extremos 1
J
(r) est indexada em T. Utilizando a equao (7.52), assume-se a indepndencia entre picos
do processo, o que introduz um erro desprezvel (Gumbel, 1958).
Uma soluo assinttica da equao (7.53) obtida assumindo-se o nmero de picos :
grande, e
resulta na dupla exponencial:
1
J
(r) ' exp
"
:exp
1
2
r j
2
!#
onde : =
u0T
2t
= c:
o nmero esperado de passagens por zero do processo. A gura (7-7) mostra o

comportamento desta distribuio em funo de :.
7.6 PROCESSOS DISCRETOS
7.6.1 Processo de Borges
Um dos processos estocsticos discretos mais simples gerado por uma sequncia n de variveis aleatrias
A
|
, independentes e idnticamente distribudas, cada uma atuando num intervalo determinstico de tempo
t
b
, tambm chamado de holding-time. Num intervalo (0, T), o nmero de renovaes ser : =
T
|
|
. Devido
n=10
1
n=10
2
n=10
4
n=10
8
fps
0 1 2 3 4 5 6 7
0.
0.5
1.
1.5
2.
n=10
1
n=10
2
n=10
4
n=10
8
Fps
0 1 2 3 4 5 6 7
0.
0.2
0.4
0.6
0.8
1.
Figura 7-7: Distribuio de valores extremos de um processo Gaussiano em funo do nmero de ciclos
:.
a independncia, a distribuio de valores extremos da sequncia :
1
max
0|T
[n(t
b
, j) /]
= 1[
n
I=1
A
I
/] = (1
(/))
n
A probabilidade de falha, ou probabilidade de ultrapassagem do nvel A(t) /, dada por:
1
}
(/, T) = 1
max
0|T
[n(t
b
, j) /
= 1 (1
(/))
n
= 1 (1
(/))
J
t
|
7.6.2 Processo de Poisson
Quando o tempo entre ocorrncias, e no a magnitude, uma varivel aleatria, um tipo diferente de
processo estocstico obtido. O processo (de contagem) de Poisson fornece o nmero de ocorrncias em
um intervalo de tempo, dado pela distribuio de Poisson (vide seo 2.3.1). O tempo entre as ocorrncias,
neste caso, descrito por uma distribuio exponencial (seo 2.3.2).
O processo de Poisson obedee as seguintes hipteses fundamentais:
1. a probabilidade de que exatamente : eventos ocorrero num intervalo de comprimento t depende
de : e t, mas no da posio do intervalo t no eixo do tempo (estacionariedade do processo);
2. o nmero de eventos que ocorrem em dois intervalos no sobrepostos so variveis aleatrias inde-
pendentes (processo sem memria); portanto para t
0
< t
1
< t
2
< ... < t
n
, as variveis aleatrias
(t
1
) (t
0
), ... , (t
n
) (t
n1
) so independentes;
3. a probabilidade de ocorrncia de mais de um evento em um intervalo pequeno do comprimento t
de ordem de magnitude menor do que t.
Em conjunto, estas hipteses determinam que no processo de Poisson os incrementos so estacionrios
e independentes.
Um processo de Poisson com taxa constante dito homogneo. Uma aproximao do processo de
Poisson obtida quando = (t). Neste caso, o processo dito no-homogneo e a constante ` = t
passa a ser calculada como ` =
R
|
0
()d. Para esta aproximao, a hiptese de estacionriedade deixa
de ser vlida, i.e., os incrementos no so mais estacionrios.
7.6.3 Processo de Poisson ltrado
Um processo no qual tanto o tempo entre ocorrncias como a intensidade de cada ocorrncia so variveis
aleatrias chamado de processo de Poisson ltrado (ltered Poisson process). Tal processo descrito
por:
A(t) =
(|)
X
|=1
n(t, t
|
, 1
|
)
onde (t) um processo de Poisson com intensidade , que gera os pontos t
|
, nos quais o processo sofre
uma renovao de magnitude aleatria 1
|
. Assume-se as intensidades 1
|
independentes e idnticamente
distribudas. A funo n(t, t
|
, 1
|
) chamada de funo de resposta do processo, pois representa a
contribuio linear para a resposta A(t) no instante t,devido magnitude 1
|
atuando no instante t
|
.
Processos ltrados de Poisson so denidos pela intensidade que determina o nmero de renovaes
(t), pela distribuio de probabilidades de 1
|
, e pela forma da funo de distribuio n(t, t
|
, 1
|
).
Duas formas so particularmente importantes na conabilidade estrutural, por serem apropriadas para
representar carregamentos em estruturas: o processo de pulsos e a onda quadrada de Poisson, que sero
estudados a seguir.
Processo de pulsos
Um processo com intensidade constante e pulsos retangulares de amplitude 1
|
e comprimento t
b
pode
ser descrito pela funo de resposta:
n(t, t
|
, 1
|
) = 1
|
para 0 < t t
|
< t
b
= 0 caso contrrio
sendo 1
|
uma varivel aleatria, independente entre pulsos, e denida pela funo )
Y
(j). Observe que
os pulsos so esparsos quando t
b
<< 1.
A taxa de passagens pela barreira / e a probabilidade de falha a primeira sobrecarga so dadas no
limite com t
b
0. A taxa de passagens dada por:
+
(/) = lim
|0
1
t
1[ultrapassagem em t]
= lim
|0
1
t
1[1 (t) < / 1 (t +t) /]
= 1
Y
(/)(1 1
Y
(/)) (7.54)
onde a taxa de chegada dos pulsos. Observe que a ltima linha da equao (7.54) est baseada na
independncia entre a intensidade dos pulsos. Se o nvel / elevado e constante, pode-se escrever:
+
(/) = (1 1
Y
(/))
Observe que
+
(/) representa a intensidade do processo de pulsos. A probabilidade de falha para barreira
/ dada por:
1
}
(/, T) = 1[pulso /]
= 1 exp[
+
(/)T]
= 1 exp[T1
Y
(/)(1 1
Y
(/))]
A distribuio de probabilidade acumulada do mximo de A(t) dada por:
1
max
(/, r) = 1[A
max
/]
= 1 1
}
(T)
= exp[T1
Y
(/)(1 1
Y
(/))]
O processo de pulsos de Poisson permite a representao de carregamentos eventuais, que so nulos
durante a maior parte do tempo. No entanto, como a durao dos pulsos t
b
xa e o tempo de chegada
entre pulsos segue a distribuio exponencial, o processo de pulsos permite a coincidncia de pulsos, i.e.,
a chegada de um novo pulso enquanto o anterior ainda esta ativo. Esta condio pode ser inadequada
para representar certos tipos de carregamento.
Processo de onda quadrada
Quando o comprimento t
b
dos pulsos retangulares dado pelo intervalo (aleatrio) entre a chegada de
pulsos (t
b
=
1
u
), um processo de onda quadrada de Poisson obtido. A altura 1
|
do pulso permanece
constante at a chegada do prximo pulso. Os valores 1
|
so independentes e identicamente distribudos.
No processo de onda quadrada tem-se t
b
= 1, o que gera um processo cheio.
Procedendo de maneira anloga ao caso do processo de pulsos, obtm-se a taxa
+
(/) idntica
equao (7.54). A probabilidade de falha primeira sobrecarga vem a ser:
1
}
(/, T) = 1
Y
0
(/) (1 exp[T1
Y
(/)(1 1
Y
(/))])
onde 1
Y0
(/) = 1[1
0
< /]. A intensidade do pulso inicial independente das demais por denio. Da
mesma forma, a distribuio cumulativa do mximo de A(t) :
1
max
(r) = 1[A
max
r]
= 1
Y
0
(r) exp[T1
Y
(r)(1 1
Y
(r))]
Processo de Poisson renovvel
Processos nos quais eventos ocorrem ao longo do tempo de acordo com uma determinada funo de
probabilidades so chamados genricamente de processos de Poisson renovveis (renewal processes). Os
processos de pulso e onda quadrada de Poisson so formas particulares deste tipo de processo. possvel
generaliza-los para pulsos com diferentes formatos de onda, no entanto no existem resultados para a
taxa de passagens pela barreira nestes casos.
7.6.4 Processos de Poisson mixtos
Um tipo muito exvel de processo discreto so os chamados processos mixtos (mixed processes). Nestes
processos, a ocorrncia dos pulsos segue um processo de Poisson com intensidade . A intensidade 1
|
descrita por uma varivel aleatria clipada (seo 2.3.3), que permite uma probabilidade nita de
intensidade nula. Isto signica que o processo permanece desligado em alguns dos pulsos. Assim,
pode-se representar carregamentos esparsos evitando o problema da concidncia de pulsos do processo de
pulsos de Poisson. O processo mixto muito exvel pois permite representar tanto processos de pulsos
como processos de onda quadrada.
Uma varivel aleatria clipada para a intensidade 1 obtida denindo-se as probabilidades:
j = 1[{1 = 0}]
= 1[{1 0}]
onde j a probabilidade intensidade nula e = 1 j a probabilidade de intensidade no nula. As
funes de distribuio de probabilidades de 1 so obtidas a partir das distribuies de uma varivel
qualquer 7:
1
Y
(j) = jH(0) +1
2
(j)
)
Y
(j) = jc(0) + )
2
(j)
onde c(j) a funo delta de Dirac e H(j) a funo de Heavyside.
A gura (7-8) ilustra 8 realizaes de um processo discreto mixto com = 1, e cuja intensidade segue
uma distribuio de Rayleigh clipada com j = 0.2 e = 0.8. A gura (7-9) mostra resultados semelhantes
com j = 0.8 e = 0.2. Note-se como este segundo processo mais esparso do que o primeiro.
A taxa de chegada de pulsos observveis, i.e., de pulsos de intensidade no nula, , sendo a taxa
de ocorrncia de pulsos do processo de Poisson original. A taxa de passagens pela barreira, para processos
mixtos, ca (eq. 7.54):
+
(/) = (j +1
2
(/))(1 1
2
(/)) (7.55)
Utilizando a correo para nvel baixo de barreira (8.26), a eq. (7.55) se simplica para:
+
(/) = (1 1
2
(/)) (7.56)
0 5 10 15 20 25
Time
0.5
1
1.5
2
2.5
3
e
s
l
u
P
y
t
i
s
n
e
t
n
I
0 5 10 15 20 25
Time
0.5
1
1.5
2
2.5
3
e
s
l
u
P
y
t
i
s
n
e
t
n
I
0 5 10 15 20 25
Time
0.5
1
1.5
2
2.5
3
e
s
l
u
P
y
t
i
s
n
e
t
n
I
0 5 10 15 20 25
Time
0.5
1
1.5
2
2.5
3
e
s
l
u
P
y
t
i
s
n
e
t
n
I
Figura 7-8: Realizaes de processo discreto mixto, com j = 0.2 e = 0.8.
0 5 10 15 20 25
Time
0.5
1
1.5
2
2.5
3
e
s
l
u
P
y
t
i
s
n
e
t
n
I
0 5 10 15 20 25
Time
0.5
1
1.5
2
2.5
3
e
s
l
u
P
y
t
i
s
n
e
t
n
I
0 5 10 15 20 25
Time
0.5
1
1.5
2
2.5
3
e
s
l
u
P
y
t
i
s
n
e
t
n
I
0 5 10 15 20 25
Time
0.5
1
1.5
2
2.5
3
e
s
l
u
P
y
t
i
s
n
e
t
n
I
Figura 7-9: Realizaes de processo discreto mixto, com j = 0.8 e = 0.2.
Captulo 8
CONFIABILIDADE
DEPENDENTE DO TEMPO
Neste captulo estudamos problemas de conabilidade estrutural dependente do tempo, atravs de su-
cessivos nveis de simplicao e generalizao. Inicialmente, estudamos o modelo de falha primeira
sobrecarga para um processo de carregamento escalar e uma equao de estado limite determinstica.
Em seguida, introduzido um vetor de variveis aleatrias de resistncia, o que torna a equao de
estado limite incerta. considerada ento a integrao no tempo, possvel quando o carregamento pos-
sui apenas um parmetro independente. O problema de combinao de carregamentos estudado em
seguida. Finalmente, o caso geral envolvendo um processo estocstico de carregamento multi-dimensional
considerado.
8.1 FORMULAO
O problema de conabilidade estrutural dependente do tempo consiste na avaliao da probabilidade de
que um processo estocstico de carregamento o(t) exceda a resistncia 1(t) da estrutura (Figura 8-1),
qualquer instante durante o perodo de vida til da mesma:
1
}
(T) = 1
min
0|T
q(1, o, t) 0
(8.1)
onde T a vida de projeto ou vida til da estrutura. A equao
q(1, o, t) = 0
a equao de estado limite, que divide os domnios de falha e de sobrevivncia:
1
}
(t) = {r, :|q(r, :, t) 0}
1
s
(t) = {r, :|q(r, :, t) 0} (8.2)
Tpicamente, tanto o processo de carregamento como a resistncia da estrutura so funes do tempo.
Tpicamente, tanto o carregamento como a resistncia so multi-dimensionais. Na soluo deste problema,
consideramos inicialmente a situao de um processo de carregamento escalar e estacionrio, e de uma
resistncia invariante no tempo. Esta situao d origem a um problema estacionrio, que pode ser
convertido em um problema de conabilidade independente do tempo.
183
184 ANDR T. BECK, CONFIABILIDADE DEPENDENTE DO TEMPO
( ) realizao de ( ) r t R t =
t
0
( , )
R
f r t
( , )
S
f s t
, r s
Figura 8-1: Problema de conabilidade estrutural tpico envolvendo carregamento estocstico e variao
da resistncia no tempo
8.2 CONVERSO PARA FORMATO INDEPENDENTE DO
TEMPO - PROBLEMAS ESCALARES ESTACIONRIOS
8.2.1 Integrao no tempo
Quando o problema de conabilidade dependente do tempo envolve um processo de carregamento escalar
e estacionrio, e quando a resistncia no varia com o tempo (Figura 8-2), a integrao no tempo pode
ser transferida para o processo de carregamento. Desta forma, o problema de conabilidade convertido
em um formato independente do tempo. Esta tcnica de soluo chamada de integrao no tempo
(time-integrated approach).
Se o processo de carregamento o(t) inicia abaixo de um nvel de resistncia r e no ultrapassa este
nvel durante o perodo de vida til ou de projeto (0, T), ento o valor mximo do processo neste intervalo
tambm menor do que r. O valor mximo de um processo estocstico o(t) em um intervalo de durao
T uma varivel aleatria, o
T
, descrita por uma distribuio de valores extremos )
S
J
(:) (veja seo 7.5).
Para este problema, a probabilidade de falha dada pela probabilidade de que o mximo de o(t) seja
maior do que r:
1
}
(T) = 1[o
T
r]
Para uma resistncia multi-dimensional, funo de um vetor de variveis aleatrias R:
1 = funo de resistncia(R)
esta probabilidade de falha ca:
1
}
(T) = 1[o
T
1]
A determinao desta probabilidade um problema que envolve apenas variveis aleatrias, e que
pode ser resolvido utilizando os mtodos estudados nos captulos anteriores. Uma equao de estado
limite escrita como:
q(R,o
T
) = 1o
T
= 0 (8.3)
A probabilidade de falha obtida integrando a funo de distribuio de probabilidades conjunta de
8.2. CONVERSO PARA FORMATO INDEPENDENTE DO TEMPO - PROBLEMAS ESCALARES
ESTACIONRIOS 185
R e o
T
sobre o domnio de falha:
1
}
(T) =
Z
(r,s)0
)
RSJ
(r, :)drd: (8.4)
Este problema envolve apenas variveis aleatrias e pode ser resolvido por FORM, SORM ou SMC.
A integrao no tempo soluo exata quando um nico processo de carregamento (escalar e esta-
cionrio) atua sobre a estrutura, e quando a resistncia no varia com o tempo. Na presena de variao
de resistncia, ou quando o carregamento no-estacionrio, a integrao no tempo pode ser utilizada
apenas como aproximao (Marley e Moan, 1994). A soluo exata obtida atravs dos mtodos estu-
dados na seo 8.3.
Quando mais de um carregamento atua sobre a estrutura (processo estocstico multi-dimensional),
necessrio determinar um carregamento equivalente (8.5). A integrao no tempo pode ento ser aplicada
sobre este carregamento equivalente. Quando a determinao de um carregamento equivalente no
possvel, torna-se necessrio resolver um problema multi-dimensional dependente do tempo, conforme
seo 8.6.
( ) realizao de r t r R = =
t
( )
R
f r
( )
S
f s
, r s
Figura 8-2: Ultrapassagem da barreira r(t) = r pelo processo de carregamento o(t).
8.2.2 Discretizao no tempo
A integrao no tempo permite resolver problemas de conabilidade estrutural a partir do valor mximo
do carregamento durante o perodo de vida til da estrutura. Esta tcnica pode ser renada quando o
perodo de vida til dividido em um nmero discreto de perodos ou eventos. Estes perodos podem
ser um dia, um ano, um determinado nmero de horas de operao ou um bloco de carregamento. Os
eventos discretos podem ser a ocorrncia de uma tempestade de determinada durao.
A integrao no tempo feita para cada segmento. Por exemplo, a probabilidade de falha para um ano
calculada considerando-se a distribuio dos mximos de carregamento para um ano. A determinao
da probabilidade de falha para a vida til da estrutura levara em conta o nmero de eventos que a
estrutura est submetida durante o perodo de vida til. Esta discretizao do tempo d origem a duas
solues distintas:
1) o nmero de eventos ou segmentos que a estrutura est submetida conhecido;
2) o nmero de eventos desconhecido a priori.
Nmero conhecido de eventos discretos
Quando o perodo de vida til da estrutura dividido em um nmero discreto de segmentos, o nmero
:
t
de segmentos conhecido. Seja t
J
=
T
nc
a durao de um segmento de carga. Para que a estrutura
sobreviva a :
t
segmentos de carga, necessrio que o mximo carregamento em cada segmento seja
menor do que a resistncia da mesma:
1
S
(T) = 1[o
|
d
< r]
nc
= (1 1
}t
(t
J
))
nc
(8.5)
onde 1
}t
(t
J
) a probabilidade de falha em um evento ou segmento, calculada a partir da equao
(8.4) com T substitudo por t
J
. Observe que a equao (8.5) assume independncia entre o mximo do
carregamento nos diferentes segmentos. Expandindo a equao (8.5) em srie e mantendo apenas o termo
de primeira ordem, obtm-se:
(1 1
}t
(t
J
))
n
c
1 :
t
1
}t
(t
J
) +:
t
(:
t
1)
1
2
}t
(t
J
)
2
+...
e portanto:
1
}
(T) = 1 1
S
(T)
:
t
1
}t
(t
J
) (8.6)
A equao (8.6) fornece a probabilidade de falha para uma vida de projeto T dividida em :
t
segmentos
de carga, assumindo independncia entre o mximo carregamento ou a probabilidade de falha em cada
segmento. A desconsiderao dos termos de segunda ordem na expanso vlida quando :
t
1
}t
(t
J
) << 1.
Em particular, isto ocorre quando a probabilidade de falha elementar 1
}t
(t
J
) bastante pequena, i.e., o
nvel de resistncia r elevado. Isto implica que a expresso (8.6) mais prescisa quando o
S
o
1
.
Nmero aleatrio de eventos discretos
Considere agora a discretizao da vida da estrutura em um nmero aleatrio de eventos como tempes-
tades. O nmero exato de aplicaes de carga durante a tempestade no prescisa ser conhecido, desde que
a distribuio do mximo carregamento em uma tempestade seja utilizada no clculo da probabilidade de
falha elementar 1
}t
. No entanto, o nmero de eventos (tempestades) que ocorrem durante a vida til da
estrutura prescisa ser conhecido para se determinar a probabilidade de falha. Seja j
|
(T) a probabilidade
de ter-se exatamente / eventos durante o perodo (0, T). A probabilidade de falha para esta vida ser
(veja equao 2.5):
1
}
(T) =

X
|=1
j
|
(T)1
}t
(8.7)
Observe que na equao (8.7) todos os nmeros possveis de eventos so considerados. comum repre-
sentar a chegada dos eventos discretos como um processo de Poisson, o que fornece (2.33):
j
|
(T) =
(T)
|
exp[T]
/!
(8.8)
onde a taxa de chegada de eventos (tempestades). Para tanto, os eventos devem ser independentes
e no-coicidentes, o que uma hiptese razovel quando pequena. Substituindo a equao (8.8) em
(8.7), e utilizando o termo de primeira ordem de uma expanso em srie, obtm-se:
1
}
(T) 1 exp[T1
}t
] (8.9)
Note que nesta expresso o termo 1
}t
a probabilidade de falha mdia por unidade de tempo.
Na considerao de eventos do tipo tempestades, comum trabalhar-se com probabilidades de falha
condicionais. Assim, na determinao da probabilidade de falha de uma estrutura sujeita a carga de
ondas, o valor mximo do carregamento durante uma tempestade depende do valor caracterstico de
altura de onda, H
|
, para a tempestade. Se )
1
!
(/) a funo de distribuio de probabilidades para o
valor caracterstico de altura de onda, ento a probabilidade de falha para uma tempestade de durao t
dada por:
1
}t
=
Z

0
1
}t
(t|H
|
= /))
1
!
(/)d/ (8.10)
onde 1
}t
(t|H
|
= /) a probabilidade de falha condicional, dada uma altura de onda caracterstica de
valor /. Esta probabilidade calculada considerando-se o valor mximo do carregamento para uma altura
de onda /.
8.3. FALHA PRIMEIRA SOBRECARGA 187
8.3 FALHA PRIMEIRA SOBRECARGA
8.3.1 Formulao
No modelo de falha primeira sobrecarga, a falha da estrutura ca caracterizada na primeira ocasio em
que o carregamento exceder a capacidade de carga (resistncia) da estrutura. Este problema pode ser
formulado representando-se a chegada de sobrecargas no tempo como um processo de Poisson.
Seja j(r, t) uma taxa de chegadas de sobrecargas, a ser determinada posteriormente. Se a ocorrncia
de sobrecargas aproximada como um processo de Poisson (Cramer e Leadbetter, 1967), assume-se a in-
dependncia entre eventos sobrecarga e o tempo entre sobrecargas torna-se exponencialmente distribudo
(veja seo 2.3.1). Neste caso, a probabilidade de sobrevivncia para um perodo (0, T) dada pela
probabilidade de que o nmero de sobrecargas
+
(r, T) no perodo seja igual a zero:
1
S
(r, T) = 1[{
+
(r, T) = 0}]
=
[
R
T
0
j(r, n)dn]
0
0!
exp[
Z
T
0
j(r, n)dn]
= exp[
Z
T
0
j(r, n)dn] (8.11)
A probabilidade de falha para uma vida de projeto T o complemento da probabilidade de sobre-
vivncia.
1
}
(r, T) = 1 1
S
(r, T)
= 1 exp[
Z
T
0
j(r, n)dn] (8.12)
Uma limitao deste modelo o fato que, para que ocorra uma primeira sobrecarga (passagem de
barreira de baixo para cima) duranto o intervalo (0, T), necessrio que o processo estocstico esteja
abaixo do nvel r no instante inicial t = 0. Tal condio no est reetida na equao (8.11), mas pode
ser imposta facilmente escrevendo:
1
S
(r, T) = 1[{o(0) < r}]1[{(r, T) = 0|o(0) < r}]
= 1
S0
(r) exp
"
Z
T
0
j(r, n)dn
#
(8.13)
importante notar que j(r, n), agora, uma taxa condicional de chegada de sobrecargas.
Esta taxa ser determinada oportunamente. Na equao 8.13, o termo 1[{o(0) < r}] = 1
S
0
(r) corre-
sponde probabilidade de que o processo estocstico o(t) esteja abaixo do nvel r no instante inicial
t = 0. O complemento desta probabilidade a chamada probabilidade de falha inicial:
1
}
0
(r) = 1 1
S
0
(r) (8.14)
A avaliao de 1
}
0
(r) um problema que envolve apenas variveis aleatrias, e pode ser resolvido
utilizando os mtodos de conabilidade independentes do tempo estudados no captulo (4).
Utilizando as equaes (8.12 8.14), a probabilidade de falha ca:
1
}
(r, T) = 1 1
S
(r, T)
= 1 1
S
0
(r) exp
"
Z
T
0
j(r, n)dn
#
= 1
}0
(r) + (1 1
}0
(r))
1 exp
"
Z
T
0
j(r, n)dn
#!
(8.15)
A equao (8.15) expressa a probabilidade de falha para uma vida T como a soma de uma probabili-
dade de falha inicial (1
}0
(r) para t = 0) mais a probabilidade de falha devido uma sobrecarga dado que
a falha no tenha ocorrido no instante inicial. importante notar que s existe diferena signicativa
entre as equaes (8.15 e 8.12) quando a probabilidade de falha inicial signicativa.
importante observar que, em um processo de Poisson homogneo, a taxa j(r, t) = j(r) constante,
e no existe distino entre o tempo entre sobrecargas e o tempo at a primeira sobrecarga: ambos so
descritos pela mesma distribuio exponencial. No entanto, a condio imposta na equao (8.13) torna
este processo no homogneo, e faz com que a taxa j(r, t) seja funo do tempo, como ser visto a seguir.
8.3.2 Taxa condicional de chegada de sobrecargas
O problema de falha primeira sobrecarga foi formulado em termos de uma taxa j(r, t) desconhecida,
a qual deve ser determinada para a soluo do problema. Solues exatas no existem, mas solues
aproximadas so obtidas para diferentes aproximaes desta taxa.
Para entender estas aproximaes, convm escrever a equao (8.13) em termos da taxa j(r, t) (Lutes
and Sarkani, 1997). Excluindo o caso trivial em que 1
S0
(r) nula (falha instantnea em t = 0), pode-se
escrever:
1
S
(r, t)
1
S0
(r)
= exp
Z
|
0
j(r, n)dn
Tomando o logaritmo e derivando em relao a t em ambos os lados, obtm-se :

0
0t
ln
1
S
(r, t)
1
S
0
(r)
=
0
0t
Z
|
0
j(r, )d
1
1
S0
(r)
1
1
S
(r, t)
01
S
(r, t)
0t
= j(r, t) +j(r, 0)
Por denio, a taxa j(r, t) exclui a probabilidade de falha no instante inicial, logo j(r, 0) = 0. Sendo
assim, a taxa j(r, t) obtida como:
j(r, t) =
1
1
S
0
(r)
1
1
S
(r, t)
01
S
(r, t)
0t
=
1
1
S
0
(r)
lim
|0
1
1
S
(r, t)
1
S
(r, t +t) 1
S
(r, t)
t
=
1
1 1
}
0
(r)
lim
|0
1
t
1
}
(r, t +t) 1
}
(r, t)
1 1
}
(r, t)
(8.16)
A partir deste resultado, pode-se descrever j(r, t) como:
j(r, t) = lim
|0
1
t
1
ocorrncia de sobrecarga em (t, t +t) dado que:

1. o(0) < r e
2. nenhuma sobrecarga tenha ocorrido antes de t
(8.17)
Em palavras, pode-se escrever:
...o limite, com t tendendo a zero, da probabilidade de ocorrncia de uma sobrecarga em
[t, t+t],dado que o processo tenha iniciado no domnio de segurana e no tenha ultrapassado
o nvel r antes do instante t.
facil perceber que esta interpretao consequncia direta da formulao do problema de falha
primeira sobrecarga. A condio 1. imposta na equao (8.17) consequncia direta da condio imposta
da equao (8.13). A condio 2. consequncia do fato que, por denio, a taxa j(r, t) deveria ser a
taxa (condicional) de chegada da primeira sobrecarga.
8.3.3 Aproximao de Poisson
O resultado obtido na equao (8.17) nos mostra que, idealmente, a taxa j(r, t) deveria ser igual taxa
(condicional) de chegada da primeira sobrecarga. Esta taxa, no entanto, dicilmente poder ser calculada.
Esta diculdade justica uma aproximao muito utilizada na literatura, conhecida como aproximao
de Poisson, que consiste em aproximar a taxa j(r, t) pela taxa de passagens pela barreira:
j(r, t)
+
(r, t) (8.18)
uma vez que uma sobrecarga corresponde a uma passagem da barreira r de baixo para cima. Com a
aproximao de Poisson, a probabilidade de falha primeira sobrecarga ca:
1
}
(r, T) = 1
}
0
(r) + (1 1
}
0
(r))
1 exp
"
Z
T
0

+
(r, n)dn
#!
(8.19)
importante observar que a taxa de passagens
+
(r, t) no reete a importante condio 2. imposta
na equao (8.17), que a condio de que a sobrecarga no tenha ocorrido antes de t. Ainda assim, a
aproximao de Poisson, expressa na equao (8.18), se justica quando o nvel da barreira r elevado e as
passagens de barreira so eventos raros. Pode-se mostrar (Cramer e Leadbetter, 1967) que a aproximao
assintticamente exata com a barreira r . Na prtica, isto signica que a aproximao de Poisson
adequada para estruturas com baixa probabilidade de falha.
A aproximao de Poisson no apropriada para processos de banda estreita, uma vez que para
estes processos as passagens de barreira tendem a acontecer em bloco. A aproximao de Poisson
aqui apresentada pode ser melhorada atravs da determinao de taxas que reitam melhor as condies
impostas pela equao (8.17). Estas melhorias so consideradas na seo (8.3.7).
Quando o processo estocstico estacionrio e o nvel da barreira invariante no tempo, a taxa de
passagens pela barreira
+
(r, t) =
+
(r) constante e a equao (8.19) ca:
1
}
(r, T) = 1
}0
(r) + (1 1
}0
(r))
1 exp
+
(r)T
(8.20)
8.3.4 Expresses aproximadas
Utiliza-se em certas situaes expresses simplicadas da probabilidade de falha primeira sobrecarga
(equao 8.19). Tais aproximaes so em geral conservadoras, fornecendo limites mximos para a pro-
babilidade de falhas. Desconsiderando o termo (1 1
}0
(r)) na equao (8.19), por exemplo, obtm-se:
1
}
(r, T) 1
}
0
(r) + (1 exp
"
Z
T
0

+
(r, n)dn
#
)
Para
+
(r) constante, esta equao ca:
1
}
(r, T) 1
}0
(r) + (1 exp
+
(r)T
)
Como
+
(r)T 1 exp[
+
(r)T] , quando este termo pequeno pode-se escrever ainda:
1
}
(r, T) 1
}
0
(r) +
+
(r)T
8.3.5 Tempo at a falha (primeira sobrecarga)
No modelo de falha primeira sobrecarga, a falha caracterizada na primeira ocasio em que o carrega-
mento excede a capacidade de carga (resistncia) da estrutura. Para um processo estocstico o(t) e uma
resistncia constante no tempo 1(t) = r, este um tpico problema de passagem de barreiras. Portanto,
a falha pode ser descrita pela varivel aleatria tempo at a falha, T
}
(r), e que corresponde ao tempo
at a chegada da primeira sobrecarga, conforme a seo (7.4.1). Se a ocorrncia deste evento (primeira
sobrecarga) aproximada como um processo no homogneo de Poisson, com taxa varivel no tempo
/(t), ento o tempo at a falha segue uma distribuio exponencial. Da equao (2.41) obtm-se:
1
T
j
(t) = 1 exp
Z
|
0
/(n)dn
(8.21)
A probabilidade de falha para uma vida de projeto T pode ser avaliada como:
1
}
(T) = 1[{T
}
< T}]
= 1
T
j
(T)
= 1 exp
"
Z
T
0
/(n)dn
#
(8.22)
Comparando este resultado com a expresso (8.19), percebe-se que (8.22) no reete a condio inicial.
O valor esperado do tempo at a falha (primeira sobrecarga) :
1[T
}
(t)] =
1
/(t)
o que mostra que a funo /(t) corresponde taxa de chegada da primeira sobrecarga para um nvel de
barreira r, /(t) =
1
(r, t).
8.3.6 Taxa instantnea de falhas
A funo /(t) descrita acima tambm pode ser entendida como a taxa de falhas instantnea ou condi-
cional (hazard function, age-specic failure rate ou conditional failure rate), to utilizada na engenharia
para caracterizar processos de falha que ocorrem ao longo do tempo. Em aplicaes envolvendo um
grande nmero componentes idnticos colocados em operao, a taxa instantnea de falhas reete quan-
tos componentes deixam de funcionar em um instante t, em relao ao total de componentes colocados
em operao. Nestas aplicaes, o tempo at a falha T
}
a varivel aleatria que descreve a vida do lote
de componentes, a vida de cada componente corresponde a uma realizao desta varivel.
A taxa de falhas instantnea uma taxa condicional, que expressa a probabilidade de que uma falha
ocorra no intervalo (t, t +t), dado que a falha no tenha ocorrido antes de t:
/(t) = lim
|0
1[{falha entre t e t +t dado no falha antes de t}]
= lim
|0
1[{t T
}
t +t}]
1 1[{T
}
t}]
=
)
T
j
(t)
1 1
T
j
(t)
(8.23)
Nesta expresso ca evidente que, quando 1
T
j
(t) muito pequeno (situao em que a 1
}
tambm
pequena), as funes )
T
j
(t) e /(t) so equivalentes. Pode-se notar tambm que a equao (8.23) obtida
diretamente a partir da combinao das equaes (?? e 8.21). O conhecimento de uma entre /(t), )
T
j
(t)
e 1
T
j
(t) suciente para determinar as outras duas.
8.3.7 Melhorias da aproximao de Poisson
A aproximao de Poisson apresentada na seo (8.3.3) pode ser melhorada de maneira a fazer a taxa
+
(r, t) reetir melhor as condies impostas na equao (8.17).
A primeira destas aproximaes leva em conta, de maneira aproximada, a condio inicial {o(0) < r}.
Conforme vimos na seo (7.4.1), o tempo de recorrncia entre passagens de barreira sucessivas pode
ser decomposto em dois segmentos, T
o
e T
b
, que correspondem aos tempos que o processo passa acima
e abaixo do nvel r, respectivamente (gure ??). Na aproximao de Poisson usual, assume-se que o
tempo entre passagens sucessivas (T
o
+ T
b
) segue uma distribuio exponencial, de forma que o tempo
de recorrncia mdio :
1[T
:
(r)] = 1[T
o
(r) +T
b
(r)] =
1
+
(r)
(8.24)
Combinando as equaes (8.24) e (7.31), obtm-se:
1[T
b
(r)] =
1
S
(r)
+
(r)
(8.25)
Quando o nvel da barreira baixo, a condio {o(0) < r} faz com que o tempo at a primeira
passagem de barreira seja signicativamente menor do que o tempo entre passagens sucessivas (T
o
+T
b
).
Como o tempo at a primeira passagem de barreira tambm um tempo em que o processo est abaixo
do nvel r, melhor aproximar este tempo por T
b
e no por (T
o
+ T
b
). Expresses exatas para T
b
so
difceis de determinar. Assumir que o tempo T
b
seja exponencialmente distribudo conitante com a
mesma suposio aplicada ao tempo T
o
+T
b
, no entanto pode-se fazer isto como aproximao. Com esta
aproximao, a taxa j(r, t) ca:
j(r, t) =
1
1[T
b
(r)]
=

+
(r)
1
S
(r)
(8.26)
Esta uma melhoria em relao aproximao de Poisson (equao 8.18), que reete a condio
inicial. Note-se que a equao (8.26) tem grande efeito para r pequeno, mas nenhum efeito medida que
1
S
(r) 1 com r .
Para processos de banda estreita, as ultrapassagens de barriera tendem a ocorrer em bloco. Devido
variao gradual do envelope de amplitude destes processos, uma ultrapassagem do nvel r no instante
t
1
tem grande chance de ser seguida por outra ultrapassagem um perodo adiante (Figura 8-3). Em
consequncia, a aproximao de Poisson original se torna excessivamente conservativa.
Cada bloco de ultrapassagens do nvel r pelo processo de banda estreita representa apenas uma ultra-
passagem deste nvel pelo envelope do processo, ou processo amplitude (t) (que tambm um processo
estocstico). Sendo assim, a aproximao de Poisson (eq. 8.18) pode ser substituda por (Vanmarcke,
1975):
j(r, t) =
+
.
(r) (8.27)
A taxa de ultrapassagem de barreiras do envelope, utilizando a denio de amplitude de Cramer e
Leadbetter (1966), :
+
.
(r) = cr
2
+
S
(r)
onde c o parmetro espectral denido na equao (7.25). A equao (8.27) pode ser ajustada para levar
em conta a condio inicial. Seguindo o raciocnio aprsentado anteriormente, obtemos:
j(r, t) =

+
.
(r)
1
.
(r)
(8.28)
A equao (8.28) apropriada para processos com largura de banda bem pequena (c 1) e nveis
baixos de barreira. Para processos de banda larga e nveis elevados de barreira, no entanto, ultrapassagens
de barreira pelo envelope no correspondem necessariamente a ultrapassagens de barreira pelo processo
original. Assim, o nmero de ultrapassagens de barreira pelo processo amplitude torna-se maior do que o
nmero atual de ultrapassagens de barreira pelo processo o(t). Como a equao (8.18) apropriada para
processos de banda larga e nveis elevados de barreira, e a equao (8.28) apropriada para processos de
banda estreita e nveis baixos de barreira, possvel fazer uma interpolao entre estes dois resultados.
Estimando o nmero de ultrapassagens de barreira qualicadas do processo amplitude (isto , passagens
de barreira do envelope que so realmente seguidas por pelo menos uma passagem de barreira pelo
processo o(t)), Vanmarcke (1975) chega a uma estimativa do nmero mdio de ultrapassagem de barreira
pelo processo o(t) a cada passagem de barreira pelo processo amplitude, para um processo Gaussiano:
1[
+
c
(r)] =
1
1 exp(cr
2)
(8.29)
Para processos de banda estreita e nveis baixos de barreira, o produto cr pequeno e 1[
+
c
]
u
+
(:)
u
+
.
(:)
=
1
o:
2t
. Para processos de banda larga e nveis elevados de barreira, o produto cr e 1[
+
c
] 1.
Assumindo que as passagens qualicadas de barreira seguem um processo de Poisson, a taxa de passagens
qualicadas de barreira ca:
j(r, t) =
+
(r)
1
1[
+
c
(r)]
=
+
(r)(1 exp(cr
2)) (8.30)
Incluindo a condio inicial, esta equao ca:
j(r, t) =
+
(r)
(1 exp(cr
2))
1
.
(r)
(8.31)
A equao (8.31), conhecida como correo de Vanmarcke taxa de passagens por uma barreira,
vlida para processos Gaussianos contnuos de qualquer largura de banda, e no tem limitaes em termos
do nvel da barreira. Esta equao tambm pode ser escrita em termos de taxas de passagem de barreira:
j(r, t) =
+
(r)
1 exp[
u
+
.
(:)
u
+
(:)
]
1
u
+
(:)
u
+
(0)
(8.32)
t
( ) s t
( ), S t r
r
t
( ) s t
( ), S t r
r
Figura 8-3: Passagens de barreira em bloco caracterstica de processos estocsticos de banda estreita.
8.4 VARIVEIS ALEATRIAS DE RESISTNCIA
O modelo de falha primeira sobrecarga apresentado na seo anterior permite calcular a probabilidade
de que um processo de carregamento o(t) ultrapasse uma barreira r(t) determinstica, que corresponde
resistncia da estrutura. Nos problemas reais, esta barreira (resistncia) caracterizada por um vetor
de variveis aleatrias R. Nesta seo, estudamos como este vetor de resistncias aleatrias R pode ser
includo no modelo de falha primeira sobrecarga.
8.4.1 Variao da resistncia com o tempo
Variao paramtrica da resistncia
Uma variao paramtrica de resistncia obtida quando a funo de variao de resistncia deter-
minstica. Isto signica que a incerteza na resistncia pode ser representada por um vetor de variveis
aleatrias, R. Para cada realizao R = r do vetor de resistncia, uma curva determinstica de variao
da resistncia obtida, conforme ilustrado na Figura (8-1). Considere o seguinte exemplo escalar:
1(t) = 1
0
(1 +t) (8.33)
Neste simples exemplo, 1
0
a varivel aleatria que representa a resistncia inicial. Se a taxa de variao
tambm uma varivel aleatria, ento diferentes curvas de variao da resistncia com o tempo so
obtidas para cada realizao = a desta taxa. A resistncia 1(t), neste caso, o que se chama de um
processo estocstico parametrizado. As funes de probabilidade e os momentos estatsticos do processo
1(t) mudam ao longo do tempo, mas toda a incerteza deste processo descrita por duas variveis
aleatrias, 1
0
e .
Exemplos de variao paramtrica de resistncia em problemas estruturais so taxas de corroso ou
de propagao de trincas representadas por variveis aleatrias.
Variao estocstica da resistncia
Nos exemplos acima, quando a taxa de variao da resistncia com o tempo um processo estocstico, a
resistncia 1(t) ser tambm um processo estocstico:
1(t) = 1
0
(1 +(t)t) (8.34)
Isto signica que a taxa de variao da resistncia muda ao longo do tempo, e portanto a variao
da resistncia com o tempo no mais determinstica. Torna-se necessrio determinar, atravs do uso
de ferramentas apropriadas, a maneira como as distribuies de probabilidade de 1(t) mudam ao longo
do tempo. Em geral, isto signica resolver um problema de equaes diferenciais estocsticas, o que est
8.4. VARIVEIS ALEATRIAS DE RESISTNCIA 193
fora do escopo deste texto. O resultado, no entanto, uma funo de densidade de probabilidades que
varia com o tempo, chamada de funo de densidade de probabilidades transitria (Transition Probability
Density), )
1
(r, t).
Exemplos de variao estocstica de resistncia estrutural so taxas de corroso ou de propagao de
trincas representadas por processos estocsticos.
Em geral, a variao (estocstica) da resistncia com o tempo lenta em comparao com a variao
dos processos de carregamento. Isto signica que, em alguns casos, possvel representar um processo de
variao como o descrito na equao (8.34) por um processo aproximado como na equao (8.33).
8.4.2 Teorema de probabilidade total
Seja a resistncia da estrutura uma funo de um vetor de variveis aleatrias R, constante no tempo ou
com funo de degradao determinstica (p.e. com variao paramtrica). Uma barreira distinta r(t)
obtida para cada realizao R = r do vetor de variveis aleatrias, conforme a Figura (8-4):
r(t) = funo de resistncia[r,t]
Para cada realizao r, o modelo de falha primeira sobrecarga (equao 8.19) fornee uma probabi-
lidade de falha condicional:
1
}
(T | r) = 1
}0
(r) + (1 1
}0
(r))(1 exp
"
Z
T
0

+
(r, n)dn
#
) (8.35)
A probabilidade de falha para resistncia aleatria obtida atravs do teorema da probabilidade total
(equaes 2.5 ou 2.54):
1
}
(T) =
Z
R
1
}
(T | r))
R
(r)dr (8.36)
Esta integral muito semelhante integral que caracteriza o problema de conabilidade independente
do tempo (equao 3.29). Ela pode ser avaliada, a princpio, por simulao de Monte Carlo. No entanto,
importante observar que cada ponto de integrao da equao (8.36) representa uma soluo do modelo
de falha a primeira sobrecarga para uma barreira condicional. Quando a dimenso do vetor R grande,
ou quando o problema envolve mais de um processo estocstico de carregamento, a integrao direta de
(8.36) se torna proibitiva. Alm disto, esta soluo especca para um tempo t, e prescisa ser repetida
para se determinar a probabilidade de falha ao longo da vida da estrutura.Por isto, esquemas alternativos
para a integrao de (8.36) foram desenvolvidos.
realizaes de ( ) R t
0
( )
R
f r
( , )
S
f s t
realizao de ( ) S t
, r s
t
1
( ) r t
2
( ) r t
3
( ) r t
realizaes de ( ) R t
0
( )
R
f r
( , )
S
f s t
realizao de ( ) S t
, r s
t
1
( ) r t
2
( ) r t
3
( ) r t
Figura 8-4: Problema de conabilidade estrutural com variao paramtrica da resistncia.
8.4.3 Integrao rpida de probabilidades
Seja q(R, o, t) a equao de estado limite da estrutura. O problema de conabilidade estrutural pode
ser formulado em termos do mnimo da funo q(R, o, t) em um determinado intervalo de tempo (0, T)
(Madsen, 1986). Para uma realizao R = r, a probabilidade de falha dada pela probabilidade de que
o mnimo de q(r, o, t) seja menor do que zero:
1
}
(T | r) = 1
min
0|T
q(r, o, t) 0
(8.37)
Seja 1
n+1
a v.a. que representa o valor deste mnimo:
1
n+1
= min
0|T
q(r, o, t) (8.38)
O valor r
n+1
= 0 representa o limite entre falha e sobrevivncia da estrutura, de forma que uma equao
de estado limite aumentada pode ser escrita apenas em funo de variveis aleatrias:
q(r, r
n+1
) = r
n+1
= 0 (8.39)
Note que a varivel aleatria 1
n+1
dependente da realizao R = r, e portanto depende do vetor R. Isto
signica que a equao aumentada q(R, 1
n+1
) depende explicitamente de 1
n+1
e implicitamente de R.
Com estas preliminares, a equao (8.36) pode ser re-escrita como:
1
}
(T) =
Z
R
1
min
0|T
q(r, o, t) 0
)
R
(r)dr
=
Z
R
1 [{1
n+1
0}] )
R
(r)dr
=
Z
(r,:
r+1
)0
)
1
r+1
(r
n+1
| r))
R
(r)dr (8.40)
onde )
1
r+1
(r
n+1
| r) a funo de densidade de probabilidades da varivel 1
n+1
e )
R
(r) a funo de
densidade de probabilidades conjunta das v.a.s de resistncia. A equao (8.40) idntica integral de
conabilidade independente do tempo (equao 3.29), e portanto pode ser resolvida por FOSM, FORM
ou SMC. A soluo de (8.40) ao invs de (8.36) chamada de integrao rpida de probabilidades (fast
probability integration) de Wen e Chen (1987).
Esta formulao permite a soluo de problemas de conabilidade dependente do tempo utilizando
tcnicas de conabilidade independente do tempo. No entanto, ela requer conhecimento da funo de
distribuio condicional )
1
r+1
(r
n+1
| r). Recorde que os mtodos FOSM e FORM esto baseados em
uma transformao do vetor R para o espao normal padro Y, que pode ser escrita como:
Y = J
yr
{RM
ntj
}
A transformao de 1
n+1
para o espao normal padro resulta:
j
n+1
=
1
1
1
r+1
(r
n+1
| r)
(8.41)
onde 1
n+1
uma varivel normal padro adicional, independente das demais variveis Y. O valor limite
da varivel adicional 1
n+1
obtido para r
n+1
= 0:
j
n+1
=
1
1
1r+1
(0 | r)
=
1
[1[{1
n+1
0}]]
=
1
[1
}
(T | r)] (8.42)
Portanto, a equao de estado limite adicional no espao Y, q(y, j
n+1
) = q(y
+
), deve ser:
q(y
+
) = j
n+1
1
[1
}
(T | r)]
= j
n+1
1
[1
}
(T | J
ry
y +M
ntj
)] (8.43)
Resulta que a equao (8.40) pode ser resolvida via FOSM ou FORM sem o conhecimento da dis-
tribuio condicional )
1
r+1
(r
n+1
| r). O problema aumentado solucionado incluindo a varivel 1
n+1
,
com distribuio normal padro e independente de Y, e utilizando a equao de estado limite (8.43).
O problema aumentado pode ser resolvido utilizando o algoritmo HLRF (Hassofer e Lind, 1974;
Rackwitz e Fiessler, 1978). Para tanto, necessita-se conhecer o gradiente da equao de estado limite
8.4. VARIVEIS ALEATRIAS DE RESISTNCIA 195
aumentada em Y, q(y
+
). O ltimo termo deste gradiente :
0q(y
+
)
0j
n+1
= 1
Os demais termos podem ser calculados a partir da equao:
0q(y
+
)
0y
=
(J
ry
)
T
1
}
(T | r)
c(j
n+1
)
(8.44)
onde c(.) e distribuio de densidade de probabilidade Gaussiana e 1
}
(T | r) o gradiente da
probabilidade de falha dependente do tempo (equao 8.35) em relao s variveis de projeto. Este
gradiente pode ser avaliado por diferenas nitas.
A avaliao da probabilidade de falha atravs da equao (8.40) e do algoritmo HLRF envolve a
soluo do modelo de falha primeira sobrecarga em (:
:u
+1):
I|
pontos, onde :
:u
o nmero de variveis
aleatrias e :
I|
o nmero de iteraes necessrias para convergencia do algoritmo HLRF. Ainda que
muito menor do que em uma soluo via simulao de Monte Carlo, este nmero de avaliaes pode
ser ainda muito grande, especialmente em problemas multi-dimensionais no-estacionrios. A soluo
tambm pode apresentar problemas de convergncia devido ao reduzido valor das probabilidades de falha
condicionais (equao 8.35), especialmente quando a varincia de R grande (Rackwitz, 1993; Marley e
Moan, 1994).
8.4.4 Aproximao da taxa de passagens mdia pelo envelope
Como pode ser percebido, a considerao da incerteza da resistncia ou dos parmetros de sistema agrega
um grande nvel de diculdade soluo de problemas de conabilidade estrutural. Desta forma, impor-
tante desenvolver alternativas soluo formal, ainda que estas alternativas sejam solues aproximadas,
vlidas em limitadas situaes.
Na soluo formal do problema de conabilidade estrutural com incerteza na resistncia, a taxa de
passagem pela barreira integrada sobre o tempo, e a probabilidade de falha condicional integrada
sobre a distribuio de resistncia. Esta soluo signicativamente simplicada quando a ordem das
integraes alternada.
Na assim chamada aproximao da taxa de passagens mdia pelo envelope, ou ensemble crossing
rate approximation (Wen e Chen, 1989), a taxa de passagens pela barreira integrada sobre a resistncia,
e a taxa (mdia sobre o envelope) resultante ento integrada no tempo. De forma genrica, pode-se
escrever:
+
J1
(t) =
Z
1
+
(r, t))
1
(r,t)dr (8.45)
A taxa de passagens mdia, para uma barreira aleatria, pode ser determinada diretamente atravs de
qualquer formulao que inclua os parmentros de resistncia na avaliao da taxa de passagens, por
exemplo a formulao que resulta em um sistema em paralelo (equao 7.49):
+
J1
(t) =
d
d0
1
0
[

A(t) 0 A(t) +0

A(t) 1]
0=0
(8.46)
A formulao (8.46) indica explicitamente que a taxa
+
J1
(t) envolve uma barreira aleatria (resistncia
1).
Quando (ou se) as ultrapassagens pela barreira aleatria ocorrerem de forma independente, a hiptese
de Poisson pode ser utilizada, a integrao sobre o tempo resulta:
1
}
(t) < 1
}0
(1) +
1 exp
Z
|
0

+
J1
()d)
(8.47)
Para barreiras aleatrias, como se ver mais adiante, est hiptese raramente pode ser utilizada.
A aproximao da taxa de passagens mdia (ECR - Ensemble Crossing Rate) consiste em aproximar a
taxa de chegadas da primeira ultrapassagem pela barreira aleatria pela taxa mdia sobre as realizaes
do processo e da barreira (Pearce e Wen, 1984). Citando Wen e Chen (1989), esta soluo uma
aproximao porque:
A realizao da resistncia permanee a mesma, ao invs de mudar entre as aplicaes de
carregamento, como seria de se esperar em um processo de falha de Poisson. Negligenciar esta
dependncia devida resistncia geralmente leva a uma super-estimativa da probabilidade de
falha.
Portanto, tomar a mdia sobre a resistncia torna a taxa de passagens dependente, e para salientar
este fato, o ndice
J1
- para Ensemble e Dependent - utilizado na equao (8.45).
8.5 COMBINAO DE CARREGAMENTOS
O problema de combinao de carregamentos consiste em determinar um carregamentro equivalente
que represente o efeito combinado de dois ou mais carregamentos estocsticos atuando em conjunto ou
individualmente de uma maneira puramente aditiva. O problema tem especial importncia na denio
de fatores de segurana parciais em normas tcnicas
8.5.1 Caso geral (Point-crossing formula)
Sejam A
1
(t) e A
2
(t) dois processos de carregamento estocsticos estacionrios e mutuamente indepen-
dentes. A distribuio de probabilidades do processo soma A(t) = A
1
(t) +A
2
(t) pode ser determinada a
partir da taxa
+
(/) de passagens deste processo por uma barreira /, atravs da equao (7.44). Quando
A
1
(t) e A
2
(t) so Gaussianos o problema trivial, pois A(t) ser tambm Gaussiano, e seus parmetros
podem ser determinados diretamente a partir dos parmetros de A
1
(t) e A
2
(t).
No caso geral, no entanto, um soluo aproximada pode ser obtida atravs da frmula de Rice apli-
cada ao processo soma A(t). Como A(t) = A
1
(t) + A
2
(t) e

A(t) =

A
1
(t) +

A
2
(t), a distribuio de
probabilidades conjunta )
(r, r) pode ser expressa em termos de )

1

1
(r
1
, r
1
) e )
2

2
(r
2
, r
2
) atravs
de uma integral de convoluo:
)
(r, r) =
Z

)
1

1
(n, r
1
))
2

2
(r n, r
.
r
1
)dnd r
1
(8.48)
observando-se que n = r
1,
r
2
= r n,
.
r
2
=
.
r
.
r
1
. Utilizando a frmula de Rice (equao 7.38) e
mudando a ordem de integrao pode-se re-escrever (8.48) como:
(/) =
Z

Z

r
2
= r
1
( r
1
+ r
2
))
1
(n, r
1
))
2
(/ n, r
2
)d r
2
d r
1
dn
Esta equao dicilmente pode ser resolvida de forma analtica. No entanto, uma aproximao con-
servadora pode ser obtida integrando por partes e ampliando os limites de integrao conforme segue:
(/) =
Z

Z

0
r
1
)
1
(n, r
1
))
2
(/ n, r
2
)d r
1
d r
2
dn
+
Z

Z

0
r
2
)
1

1
(n,
.
r
1
))
2

2
(/ n, r
2
)d r
2
d r
1
dn
o que, integrando em relao a r
1
e r
2
fornece:
(/)
Z

1
(n))
2
(/ n)dn +
Z

2
(/ n))
1
(n)dn (8.49)
onde
+
1
(/) a taxa de passagens do processo A
I
(t) pela barreira /. A funo )
1
(r) a funo de
densidade do process A
I
(t) para um ponto arbitrrio no tempo, tambm chamada de distribuio de
ponto arbitrrio. A equao (8.49) conhecida como point-crossing formula.
Procedendo de maneira semelhante, obtm-se a taxa de passagens para a soma de 3 processos estocs-
ticos (Larrabee e Cornell, 1981):
(/)
Z

1
(n))
23
(/ n)dn +
Z

2
(n))
13
(/ n)dn +
Z

3
(n))
12
(/ n)dn (8.50)
8.5. COMBINAO DE CARREGAMENTOS 197
onde
)
I
(r) =
Z

)
1
(n))
(r n)dn
a distribuio de ponto arbitrrio do processo soma A
I
(t) +A
(t).
As equaes (8.49 e 8.50) so exatas para algumas combinaes de carregamento. Isto inclue o caso
em que os processos possuem distribuio discreta (e.g., processos de pulsos ou de onda quadrada de
Poisson). Em geral, (8.49 e 8.50) so exatas sempre que os processos na soma satisfaam (Larrabee e
Cornell, 1981):
1[

A
I
0

A
< 0] = 0 (8.51)
para todos os processo i, , e tempos t. A equao (8.51) expressa matematicamente a condio necessria
para que um processo no anule uma ultrapassagem de barreira por outro processo.
Quando os processos A
I
(t) so contnuos, as equaes (8.49 e 8.50) podem ser utilizadas como aprox-
imao.
O erro mximo desta aproximao pode ser determinado a partir de uma combinao de processos
Gaussianos. Quando aplicada soma de dois processos Gaussianos, com funo de densidade de proba-
bilidades dada por (2.36) e taxa de passagens pela barreira dada por (7.44), a equao (8.49) resulta:
(/)
1
2
o

1
+o

2
o
/ j
onde j
= j
1
+j
2
, o
2
= o
2
1
+o
2
2
, como pode ser facilmente vericado. Comparando esta expresso
diretamente com a equao (7.44), aplicada ao processo soma com j
, o
, obtm-se a razo entre os dois

resultados como:
o

1
+o

2
q
o
2
1
+o
2
2
(8.52)
Esta expresso resulta em um erro mximo igual a

2 quando o

1
= o

2
. Para outras combinaes de
dois carregamentos, o erro em geral menor do que
2. Para uma combinao de 3 carregamentos, o erro

ser menor do que

3. Generalizando, para : carregamentos o erro mximo da point-crossing formula
:.
As equaes (8.49 e 8.50) podem ser extendidas para combinaes de mais de 3 carregamentos, e para
combinaes no lineares e processos no estacionrios (Ditlevsen e Madsen, 1983).
8.5.2 Combinao de carregamentos discretos
A equao (8.50) exata para combinaes de carregamentos discretos, mas torna-se difcil de avaliar
quando mais de 3 carregamentos atuam na estrutura. Para carregamentos discretos, frmulas mais
prticas podem ser utilizadas.
Consideremos o caso de combinao de carregamentos do tipo renovvel (mixto), com pulsos retor-
nando a zero ao nal de cada aplicao. Para estes processos, a taxa de passagens pela barreira :
+
I
(/) =
I
I
(1 1
I
(/))
=
I
I
1
I
(/)
onde:
I
a probabilidade de pulso de intensidade no-nula;
I
a taxa observvel de chegada de pulsos (de intensidade no-nula);
I
a taxa de chegada do pulsos de Poisson;
1
I
(/) = 1 1
I
(/) a probabilidade de que o pulso seja maior do que / e
d
I
=
j
1
u
1
a durao mdia dos pulsos (de intensidade no-nula).
Observe que o produto
I
d
I
=
I
dene o aspecto do processo. Com
I
d
I
=
I
1 tem-se uma onda
quadrada e com
I
d
I
=
I
0 tem-se um processo de pulsos esparsos.
Para uma combinao de : processos mixtos, a taxa de passagens pela barreira dada por (Rackwitz,
1985):
(/) =
n
X
I=1
I
{1[S
I
1
}
] 1[(S
I
1
}
) (S 1
}
)]} (8.53)
onde S o vetor de carregamentos, S
I
o vetor de carregamentos dada renovao (chegada de pulso) no
carregamento i. Esta equao difcil de avaliar na forma em que se apresenta. Uma aproximao desta
expresso para dois pulsos dada por (Wen, 1977a):
(/) `
1
1
1
(/) +`
2
1
2
(/) +`
12
1
12
(/) (8.54)
onde:
`
I
a taxa de ocorrncia do isimo carregamento somente; `
12
a taxa de coincidncia de dois pulsos;
1
12
(/) a probabilidade de exceder a barreira / dado a coincidncia de dois pulsos.
Ultrapassagens de barreira segundo a equao (8.54) correspondem : processos 1 e 2 atuando indi-
vidualmente (1
o
e 2
o
termos) e ambos processos ativos (3
o
termo - coincidncia de pulsos). A equao
(8.54) pode ser generalizada para : processos de carregamento:
(/)
n
X
I=1
`
I
1
I
(/) +
n1
X
I=1
n
X
=I+1
`
I
1
I
(/) +
n2
X
I=1
n1
X
=I+1
n
X
|=+1
`
I|
1
I|
(/) +... (8.55)
A taxa `
I|
corresponde a coincidndia de 3 pulsos. Obviamente, quanto mais esparsos os pulsos
(
I
d
I
0), menor esta taxa, e menos termos da srie (eq. 8.55) prescisam ser considerados.
A determinao da probabilidade de falha condicional 1
I|
(/) envolve apenas variveis aleatrias, e
portanto pode ser realizada atravs de mtodos de conabilidade independente do tempo, como FORM,
SORM ou SMC. Portanto, a equao (8.55) pode ser aplicada a problemas bastante complexos. Note
que como a parcela o dos processos j foi includa na taxa de chegada dos pulsos (termos
I
I
), a
determinao da probabilidade condicional 1
I|
(/) deve ser feita com base na distribuio original da
varivel clipada, i.e., a distribuio que caracteriza a parte no nula da intensidade.
Para processos mutualmente independentes, as taxas ` so calculadas como:
`
I
=
I
I
Y
6=I
[j
d
I
]
`
I
=
I
(d
I
+d
)
Y
|6=6=I
[j
|
]
`
I|
=
I
|
(d
I
d
+d
I
d
|
+d
d
|
)
Y
l6=|6=6=I
[j
l
] (8.56)
Quando os pulsos so de curta durao (d
I
pequeno), o termo
d
I
dentro do produtrio na primeira
linha de (8.56) pode ser desconsiderado. Isto j foi feito na segunda e terceira linha para simplicar as
taxas `
I
e `
I|
.Quando os pulsos so esparsos (
I
d
I
0), os termos dos produtrios tendem a 1 e
portanto podem ser ignorados.
A soluo expressa na equao (8.55) aproxima a soluo de (8.53). Esta aproximao particular-
mente boa quando os processos so esparsos. Na prtica, a equao (8.55) fornee timos resultados
mesmo quando a frao ativa de cada processo da ordem de 0.2, para nveis razoavelmente altos da
barreira (Larrabee e Cornell, 1979).
Solues para pulsos no-retangulares e para dependncia entre pulsos so apresentadas por Wen
(1977b, 1981, 1990). Solues para processos dependentes so apresentadas em Wen (1981). Solues
envolvendo combinaes de processos discretos com processos contnuos so discutidas em (Pearce e Wen,
1984; Winterstein e Cornell, 1984).
8.5.3 Regra de Turkstra
Uma soluo emprica para o problema de combinao de carregamentos pode ser derivada da regra
determinstica de combinao de carregamentos de Turkstra (1970). Esta regra permite formular uma
sequncia de problemas de conabilidade independentes do tempo como aproximao para a soluo do
problema de combinao de carregamentos estocsticos. A regra vale para o problema de determinar o
valor mximo de um processo de carregamento formado pela soma linear de : processos componentes:
A(t) = A
1
(t) +A
2
(t) + ... +A
n
(t) (8.57)
A regra de Turstra pode ser derivada da combinao de processos de Borges (Turkstra e Madsen, 1980) ou
da point-crossing formula (Larrabee e Cornell, 1979). De forma pouco rigorosa, a regra de Turkstra arma
que o valor mximo do processo A(t) pode ser aproximado pela mxima combinao do valor mximo
de um dos processos componentes (A
I
(t)) com o valor de ponto arbitrrio (arbitrary point-in-time value)
8.6. PROBLEMAS MULTI-DIMENSIONAIS 199
e
A
(t) dos demais processos componentes:

max[A]
n
max
I=1
max[A
I
] +
n
X
=1,6=I
e
A
(8.58)
A regra de Turkstra pode ser utilizada diretamente na soluo de problemas de conabilidade envol-
vendo mais de um carregamento estocstico. Um conjunto de problemas de conabilidade independente
do tempo formulado considerando a distribuio de valores extremos de um dos processos combinado
com a distribuio original dos demais processos. Isto d origem a um total de : problemas de con-
abilidade independente do tempo, que podem ser resolvidos por FORM ou SORM. Em cada um dos :
problemas, a distribuio de mximos de um dos processos componentes considerada. As funes de
estado limite para os : problemas de conabilidade independente do tempo so:
q
I
(R, X) = 1(R) o
A
T1
+
n
X
=1,6=I
e
A
(8.59)
onde A
T1
a v.a. valor mximo do isimo processo componente no intervalo [0, T] e
e
A
o valor de
ponto arbitrrio do ,simo processo componente.
A probabilidade de falha nal a maior dentre as : probabilidades de falha. A expresso (8.58)
no-conservadora, de forma que esta soluo fornee um limite inferior da probabilidade de falha real do
problema. Um limite superior da probabilidade de falha sempre pode ser calculado considerando-se que
os mximos de todos os carregamentos coincida:
q
ub
(R, X) = 1(R) o
n
X
I=1
A
T1
!
= 0 (8.60)
A soluo aproximada, mas adequada para calibrar normas tcnicas devido sua simplicidade.
8.6 PROBLEMAS MULTI-DIMENSIONAIS
The First Passage failure probability model reviewed earlier can be generalized to problems involving
more than one load process. A general problem of time variant reliability analysis involves evaluating the
probability that a vector random load process S(t) exceeds the uncertain or random resistance R(t) of a
structure or structural component at any time during the structures life:
1
}
(T) = 1
min
0|T
q(R, S, t) 0
(8.61)
where q(r, s, t) = 0 denes the failure surface which divides the failure {r, s|q(r, s, t) < 0} and survival
{r, s|q(r, s, t) 0} domains. The problem is depicted in gure ?? for a scalar load and resistance.
In the context of Structural Reliability, these problems are referred to as multi-dimensional or multi-
variate problems, in contrast to scalar problems involving a single load process. The up-crossing rate
concept is generalized to that of an out-crossing rate, i.e., the rate at which the random vector load
process crosses out of a safety domain.
Multi-variate solutions for out-crossing rates are based on a generalization of the result (equation ??)
by Rice (1954). For the multi-dimensional problem, Rices result is generalized as (Belyaev, 1968):
+
1
(r) =
Z
(r)=0
1[

S| S(t) = s]
+
)
S
(:)d:
=
Z
(r)=0
Z

0
r )
S
S
(:, r) drd: (8.62)
where S(t) is a vector load process, 1
}
= {s|q(s) 0} is the failure domain, q(s) = 0 is the failure domain
boundary (also called failure surface) and 1[

S| S(t) = s]
+
)
S
(:) is the local (out)-crossing rate. Evaluation
of the mean out-crossing rate through equation (8.62) is not a straightforward task. Some closed form
results exist for stationary Gaussian load processes and for geometrically simple failure surfaces (several
references in Hagen and Tvedt, 1991; Melchers, 1999). The solution becomes increasingly involved when
(not necessarily in this order):
1. the failure surface or limit state function is not given in closed form but is numerical (eg. nite
element model);
2. the failure surface is uncertain (i.e., when it is a function of resistance/system random variables);
3. the failure surface is time dependent (problem of resistance degradation);
4. the load processes are not stationary;
5. the load processes are non-Gaussian.
When the failure surface is time dependent and/or when the load processes are not stationary, out-
crossing rates in eq. (8.62) become time dependent. Hence, integration of local out-crossing rates over the
failure surface has to be repeated over time. When the failure surface is uncertain, out-crossing rates in
eq. (8.62) become conditional crossing rates, conditional to a particular outcome R = r of the resistance
random variables. Generalizing (8.62) for a time-variant resistance one obtains:
+
1
(r, t) =
Z
(r,t)=0
1[(
q(r, t))| S(t) = s]

+
)
S
(:)d: (8.63)
The unconditional failure probability is obtained by taking the expectation over the resistance random
variables, just as in the scalar case. Putting it all together and neglecting 1
}0
, solution of a typical
problem becomes:
1
}
(T) '
Z
R
(
1 exp
"
Z
T
0
Z
(r,t)=0
Z

0
r )
S
S
(:, r)dr
d:
!
dt
#)
)
R
(r)dr (8.64)
This solution can be described as a nested integration of (1) local out-crossing rates over (2) conditional
failure surfaces, over (3) time and over (4) resistance random variables. The dicult nested integration
in (8.64) was written explicitly to stress the point that solution becomes very involved. If the failure
surface is numerical or if it cannot be approximated by any of the simple geometrical forms for which
closed form solutions are available, solution of equations (8.63 and 8.64) has to be performed numerically.
Some of these solutions are reviewed in the sequel.
8.6.1 Nested FORM/SORM
When the components of the random load vector are stationary and ergodic Gaussian processes, com-
putation of out-crossing rates through equation (8.62) can be simplied by approximating the failure
surface by a linear or quadratic surface at a FORM-type linearization point (Madsen and Tvedt, 1990).
This allows the mean outcrossing rate to be approximated analytically. For the linear approximation,
for example, one obtains:
+
1
(,)
1
2
o
\
o
\
exp
1
2
,
2
o
2
\
(8.65)
where , = c
T
y
s
is the reliability index, \ (t) = c
T
U
S
(t) is the load process in direction c
T
, y
s
= T(s)
is a transformation to the standard Gaussian space, U
S
(t) is the standard Gaussian load vector, c
T
are
direction cosines at point y
s
and, nally, y
s
is the solution to the optimization problem:
minimize: y
2
s
subject to: q(y
s
) = 0 (8.66)
The Fast Probability Integration technique can be employed to take the expectation over the resistance
random variables. This converts the two outer integrations in equation (8.64) in an augmented FORM
problem:
minimize: |(y
:
, j
n+1
)|
subject to: q(y
:
, j
n+1
) = 0 (8.67)
where y
:
= T(r) is the standard Gaussian resistance vector and j
n+1
=
1
1
}
(T | T
1
(y
:
))
is an
auxiliary variable.
Hence, a nested application of FORM (or SORM) is obtained. Such a nested solution can be quite
involved numerically and is suitable only for small variabilities in R (Rackwitz, 1994). For non-stationary
loads or time-variant limit state functions, the inner FORM integration has to be repeated over time, the
numerical eort implied in the nested FORM solution may become prohibitive and results may become
unreliable.
8.6.2 Directional simulation
A distinct numerical solution to the problem stated in equation (8.64) is obtained by directional simulation
(Melchers, 1992). In this solution, a scalar problem is obtained for each simulated direction c. The scalar
problem is solved analytically or by radial sampling. The failure probability is obtained by averaging
scalar solutions over the simulated directions c:
1
}
(T) =
Z
.
)
.
(c)
Z
1
1
}
(|c) )
\ |.
(|c)d
dc (8.68)
with \ = 1,+ctc being a radial variable. This solution involves evaluation of the resistance distribution
in each simulated direction c, )
\ |.
(|c) and the directional probability of failure:
1
}
(|c) = 1
}0
(|c) +
1 exp
"
Z
T
0

+
1
(|c)dt
#!
(8.69)
where:
+
1
(|c) = 1[

o(t) n(r|c)]
+
)
S
(r) (8.70)
This solution is signicantly simplied when the expectation over R is taken over the mean out-
crossing rate:
+
1
(c) =
Z

0
1[

o(t) n(r|c)]
+
)
S
(r) )
\ |.
(r|c)dr (8.71)
since the unconditional out-crossing rate is then obtained directly by an integration over c:
+
1
(s) =
Z
.
)
.
(c)
+
1
(c)dc (8.72)
It is noted that equation (8.71) represents the EUR approximation applied in the directional simulation
solution of multi-variate problems.
8.6.3 Computation of crossing rates by parallel system sensitivity analysis
A general and practical solution of the out-crossing problem was presented by Hagen and Tvedt (1991),
based on unpublished results by Madsen (Danish Academy of Sciences). It applies to problems involving
general types of stationary or non-stationary but dierentiable load processes. It transforms the out-
crossing rate calculation in a FORM or SORM computation of the sensitivity of a time-invariant parallel
system.
An out-crossing of a general dierentiable vector process S(t) corresponds to a zero down-crossing of
the scalar process G(r, S, t), which can be calculated as (note similarity with equation ??):
+
1
(r, t) = lim
|0
1
t
1[G(r, S, t) 0 G(r, S, t +t) < 0] (8.73)
which in words means:
the probability of having an out-crossing in the vanishing time interval (t, t +t), which
is equal to the probability that process o(t) is in the safe domain at time t and crosses out of
the safe domain during interval t.
Equation (3) is useful to formulate the problem, but it is no good for computational purposes, as will
be seen in the sequel. A better formulation is obtained by expanding G(r, S, t) = 0 to rst order at t:
G(r, S, t +t) = G(r, S, t) +t

G(r, S, t) (8.74)
Replacing equation (8.74) in (8.73) leads to:
+
1
(r, t) = lim
|0
1
t
1[G(r, S, t) 0 G(r, S, t) +t

G(r, S, t) < 0] (8.75)
which can also be written as:
+
1
(r, t) = lim
|0
1
t
1[

G(r, S, t) < 0 G(r, S, t) +t

G(r, S, t) < 0]
1[

G(r, S, t) < 0 G(r, S, t) < 0]
(8.76)
A Figura (8-5) mostra os eventos associados s probabilidades expressas na equao (8.76). Esta
equao representa uma aproximao em diferenas nitas da derivada da probabilidade de falhas do
sistema parallelo em colchetes. Isto permite escrever:
+
1
(r, t) =
d
d0
1
0
[

G(r, S, t) < 0 G(r, S, t) +0

G(r, S, t) < 0]
0=0
(8.77)
onde 1
0
[] a probabilidade associada ao systema em parallelo e
J
J0
1
0
[]|
0=0
representa a medida de
sensibilidade desta probabilidade.
Equation (8.77) can be evaluated by FORM or SORM using the limit state functions:
:
1
(r, S, t) =

G(r, S, t)
:
2
(r, S, t) = G(r, S, t) +0

G(r, S, t) (8.78)
The only requirement is that the algorithm for computation of sensitivity factors be capable of identifying
sensitivity due to rotation of the limit state function.
The solution is very general and practical, and can be applied for Gaussian and non-Gaussian, station-
ary and non-stationary load processes, and for time-variant limit state functions. When the problem is
stationary, only one evaluation of (8.77) is necessary, whereas for non-stationary problems this evaluation
has to be repeated over time. The solution in equation (8.77) is conditional on a particular outcome r of
the resistance random variables, and that has been made explicit in the formulation.
With the parallel system sensitivity solution, it is particularly simple to calculate ensemble crossing
rates (i.e. crossing rates that are averaged over R.It suces to include the random resistance variables
in the parallel system sensitivity analysis:
+
1
(t) =
d
d0
1
0
[

G(R, S, t) < 0 G(R, S, t) +0

G(R, S, t) < 0]
0=0
(8.79)
Computation of (8.79) represents little extra eort in comparison to (8.77), due to the increased
dimensionality of the problem. The whole solution, however, is still very simple. It takes a couple of
time-invariant sensitivity analysis over variables R and S (for a time-variant barrier) and a numerical
integration over time. It is important to note that implied in equation (8.79) is, of course and again, the
EUR approximation.
In (Hagen, 1992) the parallel system approach is compared with Laplace asymptotic solution and
with approximate formulas for the computation of crossings of a scalar Gaussian process trough a time-
dependent barrier. Der Kiureghian and Li (1996) employ the parallel system formulation in non-linear
random vibration analysis. Vijalapura et. all (2000) use the parallel system formulation in the analysis
of hysteretic oscillators with uncertain parameters. In (Der Kiureghian, 2000) it is used to compute
out-crossing rates in context of a discretization of the load processes into a set of correlated random
variables.
( ) G t
( ) ( ) 0 G t G t u + =
( ) 0 G t =
( ) G t
( ) 0 G t =
( ) G t
( ) ( ) 0 G t G t u + =
( ) 0 G t =
( ) G t
( ) 0 G t =
Figura 8-5: Parallel system computation of crossing rates.
Example
The ideal rigid-plastic frame studied in (Melchers, 1992 and Ditlevsen, 1983) is considered as an applica-
tion example. The frame is loaded by stochastic load processes o
1
(t) to o
3
(t) as shown in Figure (??).
The processes are assumed stationary, continuous, Gaussian distributed with mean vector:
j
S
= {1, 1, 2}
T
and covariance matrix:
C
SS
(t) = 0.251(t)
1 0.5 0
1 0
sym. 1
where the correlation function is taken as:

1(t) = exp[|t|]
1
( ) S t
3
( ) S t
2
( ) S t
2a
a
2a
(1)
(3)
(2)
(4)
1
( ) S t
3
( ) S t
2
( ) S t
2a
a
2a
(1)
(3)
(2)
(4)
Figura 8-6: Quadro rigido-perfeitamente plstico com multiplos modos de falha.
The uncertain structural resistance (strength of the plastic hinges) is represented by random variable
1. The collapse mode equations (limit state functions) are:
G
1
(t) = 41 o
1
(t) = 0
G
2
(t) = 41 o
2
(t) = 0
G
3
(t) = 61 o
3
(t) = 0
G
4
(t) = 81 o
1
(t) o
3
(t) = 0
Frame failure is characterized if any of the four limit state functions is violated. Hence, the limit state
function for the series system is:
G(t) =
n
min
I=1
[G
I
(t)]
For a series system, the load process derivative solution for out-crossing rates is (Hagen and Tvedt,
1991):
+
1
(t) =
d
d0
n
X
I=1
1

n
=1,6=I
{G
(t) 0 :
I,1
(t) < 0 :
I,2
(t, 0) < 0}
0=0
(8.80)
where the safety margins for the parallel system computation are:
:
I,1
(t) =
.
G
I
(t)
:
I,2
(t, 0) = G
I
(t) +0
.
G
I
(t)
The parallel system solution in equation (8.80) involves 5 component limit state functions, i.e., 3
limit state functions of the original series system and the two limit state functions for the parallel system
crossing rate computation. Hence, computation of the crossing rates using equation (8.80) requires an
algorithm capable of evaluation the intersection probability of 5 limit state functions. Probability bounds
are generally not accurate enough for evaluating such multiple intersections. In this example, importance
sampling is used in the computation.
The solution is computed for varying values of the resistance parameters. Figure (8-7) shows crossing
rate results for varying between 0.4 a 1.0 and varying between 0.0 and 0.09 (load process units). These
results compare favourably with those of Melchers (1992), computed using directional simulation. Results
shown in gure 10 where obtained using 10
4
(importance) samples in the parallel system crossing rate
computation.
These results where obtained using parameter . It is noted that the number of samples required in
the parallel system evaluation (eq. 8.80) depends directly on the value of 0. For 0 smaller than 0.001,
similar results are obtained, but requiring a (much) larger number of simulation samples. This is due
to the narrowness of the failure domain. For or greater, incorrect results where obtained. For , correct
results are obtained with a reasonable number of samples.
The (ensemble) out-crossing rates in Figure (8-7) are the exact (to the accuracy of the computation)
crossing rates for the random failure domain for any given time. However, using these out-crossing rates to
compute (rst passage) failure probabilities may lead to gross but conservative errors. Ensemble crossing
rate error expressions presented in (Beck, 2005) can be used to estimate the error in this example. This
can be done by estimating the ECR error for each limit state function individualy (in each case, a scalar
problem). Figure (8-8) shows such error estimates for resistance parameters 1 = (1.0, 0.3) as a function
of the number of load cycles (n
0
t). It can be seen that the contribution to the ECR error is very much
the same for each limit state function. Hence, one can expect the error for the frame out-crossing rate
analysis to be of the same order of magnitude.
Figura 8-7: Failure probability results as a function of resistance parameters for ideal rigid-plastic frame
problem.
Figura 8-8: Predicted ECR error for individual failure surfaces of ideal rigid-plastic frame problem.
Captulo 9
CONFIABILIDADE E AS
NORMAS DE PROJETO
9.1 INTRODUO
208 ANDR T. BECK, CONFIABILIDADE E AS NORMAS DE PROJETO
9.2 BREVE HISTRICO
Nesta seo traamos um paralelo entre os principais desenvolvimentos da teoria de conabilidade estru-
tural e a evoluo das normas de projeto, mostrando como estes desenvolvimentos foram gradualmente
sendo incorporados nas normas tcnicas de projeto estrutural.
Decada ou ano: Eventos
Final de 1940
at meados de
1960:
Desenvolvimentos tericos. Problemas simples e abstratos. Primeiras noes de que
coecientes de segurana deveriam ser determinados com base na teoria de probabili-
dades. 1963: comit de normas da ACI percebe a necessidade de tratar incertezas em
carregamentos e em resistncias separadamente. Freudenthal, 1966: The analysis of
Structural Safety.
Final de 1960: Convergncia de interesses entre a comunidade cientca, buscando aplicaes para a
conabilidade estrutural, e os comits normativos, buscando por formas mais racionais
de gesto do risco em normas tcnicas. Noo do ndice de conabilidade. Separao
de incertezas em incerteza fsica e incerteza de modelo.1969: AISC e AISI iniciam pro-
jeto conjunto para desenvolver uma norma semi-probabilstica baseada nos conceitos
do mtodo de primeira ordem (FOSM); este projeto d origem ao formato LRFD
utilizado atualmente.
1970: Desenvolvimento de modelos probabilsticos de carregamento e de combinao de car-
regamentos motivados diretamente pela aplicao normas tcnicas de projeto. 1972:
ANSI A58 Load Standard prov mapas de contorno para carregamentos extremos de
vento e neve em funo do perodo de retorno.
1975: Comisso da comunidade europia estabelece programa com objetivos de eliminar
diculdades tcnicas ao comrcio e propiciar a unicao das normas tcnicas entre
os estados-membro - dando origem aos EUROCODES.
Final de 1970: Diculdades tcnicas removidas (FOSM), incorporao das distribuies estatsti-
cas (FORM), introduzido o conceito de otimizao de risco em normas tcnicas.
Maior parte das ferramentas necessrias para a primeira gerao de normas semi-
probabilsticas (formato atual) j se encontram desenvolvidas. Tendncia para pro-
jeto baseado em estados limites encontra-se madura. Identicadas vantagens de se ter
um conjunto nico de especicaes de carregamento para qualquer material estrutu-
ral. 1978: Base tcnica para o formato LRFD apresentado em uma srie de artigos.
1979: Avanos em anlise de primeira ordem, modelos estocsticos de carregamento,
estatsticas de aes e otimizao permitem a determinao do primeiro conjunto
de coecientes parciais de segurana determinados probabilsticamente. Estes coe-
cientes so adotados na norma ANSI A58.1 de 1982 e posteriormente incorporados
na norma ASCE 7-1988.
Anos 1980: Em 1980 surge a primeira gerao de EUROCODES. Ellingwood e Galambos, 1982:
Probabilistic based criteria for structural design, Structural Safety. 1984: Estados
limites incorporados na norma brasileira NBR8681.
1998: ISO 2394: General principles on reliability for structures.
2001: Nova verso do EUROCODE: prEN1990: Basis of Structural Design. Apresentado
projeto (piloto) de norma probabilstica do JCSS.
2003: Atualizao da NBR8681.
9.3 AS NORMAS ANTIGAS
As normas antigas (digamos, anteriores dcada de 90) estavam baseadas em um formato que tornou-se
conhecido como formato de tenses admissveis:
o
.11
=
o
JSc
1.o.
Este formato utiliza um fator de segurana central (1.o.) para criar uma margem de segurana entre
a tenso resistente do material e a tenso de trabalho. Projeta-se a estrutura de forma que a mxima
9.4. FORMATO SEMI-PROBABILSTICO DAS NORMAS ATUAIS 209
tenso atuante seja sempre menor ou igual tenso admissvel. Em geral, projeta-se a estrutura com
base em uma anlise elstica.
As normas antigas j reconheciam a existncia de incertezas no projeto estrutural, e por isto a ne-
cessidade de utilizar-se um fator de segurana central. No entanto, a maneira como estas incertezas
eram abordadas nas primeiras normas mostrou-se bastante rudimentar. Sem entrar em detalhes, valores
caractersticos so utilizados como valores representativos de resistncia. Carregamentos representativos
ou nominais so determinados em funo de um perodo de retorno, perodo este relacionado com a vida
projetada da estrutura. Combinaes empricas de carregamentos so utilizadas.
Neste tipo de projeto, a segurana e a probabilidade de falha no so consideradas explicitamente.
Admite-se apenas que as falhas so raras e os riscos so aceitavelmente baixos. Em verdade, logo se
descobriu ser mais fcil projetar uma estrutura segura do que avaliar a probabilidade de falha da mesma.
Ainda que o preo a pagar por esta negligncia fosse o possvel super- ou sub- dimensionamento da mesma.
9.4 FORMATOSEMI-PROBABILSTICODAS NORMAS AT-
UAIS
1
J
o
J
9.4.1 Eurocode
1
r
n
o
"
n
X
I=1
I
#
(9.1)
9.4.2 Norma americana (LRFD)
c1[r
n
]
n
X
I=1
I
o [
I
] (9.2)
Entre as equaes (9.1) e (9.2) percebemos algumas diferenas e grandes semelhanas.
9.5 DETERMINAO DOS COEFICIENTES PARCIAIS DE
SEGURANA
A segurana de uma estrutura projetada no formato semi-probabilstico das normas atuais claramente
uma funo dos coecientes parciais de segurana utilizados nas equaes de vericao. O ndice de
conabilidade, que uma medida desta segurana, portanto funo destes coecientes:
, = ,(c,
1
,
2
, ...)
O problema de conabilidade dito direto consiste em encontrar o ndice de conabilidade , de uma
estrutura, projetada por meio de determinado conjunto de coecientes parciais c,
1
,
2
, ... O problema
inverso consiste em determinar os coecientes parciais que resultam no ndice de conabilidade desejado
(,
oluo
). Esta a base do chamado problema de calibrao de normas (veja seo ??).
Devido a sua fundamentao na teoria de conabilidade, o formato semi-probabilstico das equaes
de vericao das normas atuais passou a ser conhecido como medida de segurana de nvel 1. Esta
classicao se origina na comparao com medidas de segurana de nvel 2 (FOSM - que assume dis-
tribuies normais) e de nvel 3 (FORM ou Monte Carlo - que permitem uso completo das distribuies
estatsticas), conforme apresentado na tabela 3.5.
Os coecientes parciais de determinada equao de vericao (nvel 1) so determinados a partir
de avaliaes do ndice de conabilidade realizadas em nvel 2 ou 3. A determinao destes coecientes
com base em anlise de nvel 2 (FOSM) tem suas limitaes, mas resulta em algumas equaes analticas
interessantes. A comparao com resultados de nvel 3 (FORM ou SMC) certamente mais apropriada
em aplicaes prticas.
Para efeitos de determinao dos coecientes parciais de segurana, consideremos uma estrutura pre-
viamente dimensionada, e com ndice de conabilidade denido e conhecido (,
oluo
). Estando a estrutura
dimensionada, o ponto mdio, as distribuies de probabilidade e o ponto de projeto esto xos e denidos,
conforme a gura xx. A equao de vericao e os coecientes parciais correspondentes podem ser es-
pecicados para qualquer ponto sobre a equao de estado limite, pois em qualquer destes pontos temos
a igualdade entre a resistncia e a solicitao de projeto. No entanto, natural que esta vericao seja
feita no ponto de projeto, ou pelo menos na vizinhana deste. Isto equivale a projetar a estrutura na
congurao limite de maior probabilidade de ocorrncia (em concordncia com a denio do ponto de
projeto).
9.5.1 Determinao a partir de anlise em nvel 2 (FOSM)
Recordemos que uma anlise de conabilidade de primeira ordem e segundo momento (FOSM) consiste
em encontrar o chamado ponto de projeto y
; o ndice de conabilidade , vem a ser a distncia entre este

ponto e a origem do espao normal padro (veja seo 4.2). A soluo est baseada na transformao de
Hassofer e Lind (eq. 4.1), de forma que as coordenadas do ponto de projeto, no espao de projeto X, so:
r
I
= j
1
+j
I
o
1
para i = 1, ..., : e sendo : o nmero de variveis aleatrias do problema. Utilizando a equao (4.12),
esta expresso ca:
r
I
= j
1
c
I
,o
1
= j
1
(1 c
I
,\
1
) (9.3)
onde \
1
o coeciente de variao da varivel A
I
e os c
I
so os cossenos diretores do hiperplano tangente
equao de estado limite no ponto de projeto (eq. 4.11).
Uma vez determinado que o ponto de vericao seja o ponto de projeto, e conhecidas as coordenadas
deste, os coecientes parciais da equao de vericao podem ser determinados em relao a qualquer
outro ponto (ponto de referncia) do espao amostral. O ponto de referncia pode ser o ponto mdio ou
o ponto correspondente aos valores caractersticos ou nominais das variveis de resistncia e solicitao.
Referncia no ponto mdio
Quando aplicados aos valores mdios, os coecientes parciais do origem a toda a margem de segurana
do dimensionamento. Nesta situao, os coecientes parciais so determinados a partir de:
r
I
= c
1
j
1
para variveis de resistncia
r
I
=
1
j
1
para variveis de solicitao
Utilizando o resultado expresso na equao (9.3), chegamos a:
c
1
= (1 c
I
,\
1
)
1
= (1 c
I
,\
1
) (9.4)
Observe que para variveis de resistncia, o coeciente c
I
positivo, o que resulta em um fator de reduo
de resistncia c
1
< 1. Para variveis de solicitao, o coeciente c
I
negativo, e portanto
1
1,
como esperado.
Referncia nos valores caractersticos
Uma alternativa interessante aplicar os coecientes parciais sobre os valores caractersticos das variveis
de projeto. Assumindo distribuio normal (FOSM), os valores caractersticos de variveis de resistncia
e solicitao so, respectivamente:
r
!
= j
1
/
1
o
1
= j
1
(1 /
1
\
1
)
:
|
= j
S
+/
S
o
S
= j
S
(1 +/
S
\
S
) (9.5)
Coecientes parciais determinados a partir dos valores caractersticos, para variveis genricas r
I
, so:
r
I
= c
1
r
|
I
r
I
=
1
r
|
I
(9.6)
9.5. DETERMINAO DOS COEFICIENTES PARCIAIS DE SEGURANA 211
Juntando as expresses (9.5 e 9.6) obtemos:
c
1
=
r
I
r
|
I
=
(1 c
I
,\
1
)
(1 /
1
\
1
)
1
=
r
I
r
|
I
=
(1 c
I
,\
1
)
(1 +/
1
\
1
)
(9.7)
Note que a margem de segurana imposta em duas parcelas, i.e., uma margem criada na es-
pecicao dos valores caractersticos (atravs da varivel /
) e uma margem adicional imposta pelos

coecientes parciais. A parcela (1 c
I
,\
1
) dos coecientes parciais, neste caso, corrigida pelo termo
(1 /
1
\
1
). As equaes (9.7) mostram como estas duas margens de segurana so interligadas.
As equaes (9.7) tem valor terica, mas por serem baseadas em uma anlise de segundo momento,
tem uso prtico limitado.
Referncia em valores nominais
Os coecientes parciais de segurana tambm podem perfeitamente ser especicados em relao a quais-
quer valores nominais das variveis de projeto. Os valores nominais podem representar valores caracters-
ticos, conforme visto acima, ou podem ser valores de referncia, como um carregamento nominal baseado
em um perodo de retorno (ex., vento de 50 anos). Os coecientes parciais das aes da norma ameri-
cana ANSI A58, por exemplo, foram determinados em relao aos valores nominais das aes utilizados
na norma anterior a esta. Em relao a valores nominais r
n
, o coecientes parciais so simplesmente
determinados como:
c
1
=
r
I
r
n
I
1
=
r
I
r
n
I
(9.8)
Exemplo
Seja a equao de estado limite para combinao de carga permanente (peso prprio- 1) e carga varivel
(1):
q(X) = 111
Assumindo distribuies normais para 1, 1 e 1, com a transformao para o espao normal padro
obtemos:
q(y) = j
1
o
1
+j
1
j
2
o
1
j
1
j
3
o
J
j
J
Derivando em relao a j obtemos:
=
q
kqk
=
1
p
o
2
1
+o
2
1
+o
2
J
{o
1
, o
1
, o
J
}
T
O coeciente de reduo da resistncia ca:
c
1
=
(1 c
1
,\
1
)
(1 /
1
\
1
)
=
1
cTo\T
c
2
T
+c
2
T
+c
2
1
(1 /
1
\
1
)
=
j
1
oc
2
T
c
2
T
+c
2
T
+c
2
1
(j
1
/
1
\
1
)
De maneira semelhante, os coecientes de majorao dos carregamentos cam:
1
=
(1 c
2
,\
1
)
(1 +/
1
\
1
)
=
j
1
+
oc
2
T
c
2
T
+c
2
T
+c
2
1
(j
1
+/
1
o
1
)
J
=
(1 c
3
,\
J
)
(1 +/
J
\
J
)
=
j
J
+
oc
2
1
c
2
T
+c
2
T
+c
2
1
(j
J
+/
J
o
J
)
Note neste resultado que a margem de segurana , imposta na equao de vericao atravs dos
coecientes parciais c
1
,
1
e
J
e das respectivas parcelas:
,o
2
1
p
o
2
1
+o
2
1
+o
2
J
,
,o
2
J
p
o
2
1
+o
2
1
+o
2
J
,
,o
2
J
p
o
2
1
+o
2
1
+o
2
J
9.5.2 Determinao a partir de anlise em nvel 3 (FORM ou SMC)
9.6 CALIBRAO DAS NORMAS ATUAIS
Pelo exposto na seo xx, resulta natural que as primeiras normas semi-probabilsticas (verses atuais) das
normas de projeto estrutural tenham sido calibradas para apresentar um nvel de segurana compatvel
com as normas anteriores a estas. Nesta seo, estudamos como o processo de calibrao das normas
atuais foi realizado. A apresentao segue, em linhas gerais, o processo de calibrao da norma americana
ANSI A58 - Minimum Design Loads for Buildings - segundo Ellingwood et al. (1980). O processo pode
ser dividido em 9 etapas, conforme segue:
1. Denio do escopo (material construtivo, tipo de estrutura) da norma a ser calibrada;
2. Seleo dos pontos de calibrao: os principais parmetros de projeto so divididos em faixas disc-
retas de tamanho aproximadamente uniforme (por exemplo, cria-se faixas de tenso admissvel,
comprimento de vos, rea de lajes, etc). No projeto de prdios, comum trabalhar com relaes
entre as aes variveis e o peso prprio, 1,1 ou \,1. Neste caso, os pontos de calibrao passam
a ser 1,1 = 1, 2, 3, ..., ou \,1 = 1, 2, 3, ..., ;
3. As estruturas correspondentes aos pontos de calibrao so projetadas segundo a norma a ser
aposentada;
4. Denio das equaes de estado limite para a anlise de conabilidade. Estas equaes corre-
spondem s equaes normativas, mas devem ser o mais realistas possveis, i.e., devem evitar as
aproximaes conservativas adotadas nas normas. Por exemplo, mesmo que a norma estabelea
um critrio de anlise linear, a equao de estado limite para a anlise de conabilidade pode ser
baseada na resposta no linear da estrutura;
5. Determinao das propriedades estatsticas das variveis envolvidas;
6. Anlise de conabilidade em nvel 2 (FOSM) ou 3 (FORM ou SMC) das estruturas projetadas
pela norma a ser aposentada. Esta anlise resulta em uma estimativa da probabilidade de falha,
ou do ndice de conabilidade, para cada um dos pontos de calibrao identicados acima. Estes
ndices representam uma estimativa quantitativa da segurana proporcionada a estas estruturas
pelo critrio da norma antiga. Resultados tpicos obtidos na calibrao da norma ANSI A58 so
apresentados nas guras 9-1 e 9-2. Observa-se nestas guras uma variao signicativa dos ndices
de conabilidade obtidos, o que revela a falta de fundamentao probabilstica das normas antigas.
Em especial, observa-se uma acentuada reduo do , com o aumento da relao 1
0
,1
n
ou o
n
,1
n
para as estruturas metlicas (gura 9-1). Estas variaes cam ainda mais evidentes quando se
inclue a carga de vento (gura 9-2). De maneira semelhante, na calibrao da norma americana
obteve-se , da ordem de 4 a 8 para estruturas de alvenaria e da ordem de 2 a 3 para estruturas
em laminado de madeira. Note-se que os ndices de conabilidade encontrados nesta etapa so, at
certo ponto, dependentes das distribuies estatsticas adotadas na etapa 6. Este fato no crtico
para os resultados uma vez que as mesmas distribuies estatsticas so utilizadas ao longo de todo
o processo de calibrao.
7. Seleo do ndice de conabilidade alvo (,
oluo
). Os ndices de conabilidade obtidos na norma
antiga representam um espcie de consenso a respeito do nvel de segurana estrutural, consenso
este atingido atravs de um lento processo de otimizao, ao longo dos anos, das normas anteriores.
No tendo a mesma fundamentao probabilstica das normas atuais, natural que as normas
antigas revelassem uma variao signicativa dos ndices de conabilidade, conforme evidenciado
nas guras 9-1 e 9-2. No formato novo, busca-se reduzir esta variao atravs da especicao de
um ,
oluo
. De maneira a respeitar a experincia alcanada ao longo dos anos, necessrio que o
,
oluo
escolhido seja compatvel com o nvel de segurana da norma anterior. Uma maneira de fazer
isto escolher o ,
oluo
como uma mdia ponderada dos ndices de conabilidade obtidos no tem 6.
Alguma variao do ndice de conabilidade ;e admitida em funo de modo/consequncia de falhas
9.7. NORMAS FUTURAS 213
ou de material estrutural. Na calibrao da norma A58, por exemplo, adotou-se os valores ,
oluo
= 3
para combinaes 1+1, ,
oluo
= 2.5 para combinaes 1+1+\ e ,
oluo
= 1.75 para terremotos.
Estes valores correspondem aproximadamente aos ndices obtidos nas normas anteriores, como pode
ser vericado nas guras 9-1 e 9-2. Para combinao de carregamentos envolvendo terremotos, o
,
oluo
menor do que nas demais combinaes, o que pode parecer estranho a primeira vista. Ocorre
que, apesar das consequncias de falhas por terremoto serem severas, as foras envolvidas so muito
grandes, de maneira que projetar estruturas com elevada conabilidade contra terremotos se torna
proibitivamente caro. O ndice de conabilidade ,
oluo
= 1.75 reete um balano entre segurana e
o custo de construo da estrutura. De fato, neste balano de custos que se pode encontrar o ,
oluo
mais econmico para cada situao, e nesta direo devem ocorrer os avanos futuros, conforme
veremos na seo 9.7.1.
8. Observao dos coecientes de segurana parciais implcitos na norma antiga. Esta etapa no
essencial, mas ajuda a determinar o formato das equaes de vericao da nova norma. Para cada
um dos pontos de calibrao determinados anteriormente, reprojeta-se as estruturas de maneira
a se atingir o ndice de conabilidade alvo. J no formato da nova norma, verica-se qual o
valor dos coecientes parciais de segurana que resultariam na mesma estrutura, com o mesmo
,
oluo
. Resultados obtidos na calibrao da norma americana so mostrados nas guras 9-3 e 9-4,
para vigas de ao e concreto, respectivamente. Percebe-se nestas guras que os coecientes c e
1
(reduo de resistncia e majorao do peso prprio, respectivamente), so aproximadamente
constantes ao longo de todas as faixas de carregamento (1,1 e \,1). O mesmo j no acontece
com os coecientes
J
e
V
. Isto signica que, para se atingir o ,
oluo
de forma constante ao longo de
todas as condies de projeto, os coecientes
J
e
V
teriam que ser variveis. Na prtica, isto no
adequado, pois dicultaria a vida do projetista. Busca-se coecientes parciais que sejam constantes
pelo menos para determinada classe de estruturas e combinao de carregamentos. Estabelecer
coeciente parciais de segurana constantes, no entanto, implica em que o ,
oluo
no poder ser
atingido de maneira uniforme.
9. Denio dos coecientes de segurana parciais da nova norma. A opo por coecientes parciais
constantes faz com que o ,
oluo
no possa ser atingido de maneira uniforme ao longo de todo o
espectro de estruturas pertencentes ao escopo de determinada norma. Ainda assim, busca-se um
conjunto de coecientes parciais de segurana que minimize a diferena entre os ,
c
s individuais e
o ,
oluo
. Isto pode ser feito por mnimos quadrados atravs da expresso:
\ =
n
X
I=1
n
I
,
oluo
,
c1
(c,
1
,
J
,
V
, ...)
2
onde n
I
so pesos que permitem dar preferncia a determinadas condies de projeto e ,
cI
o
ndice de conabilidade correspondente ao i-simo ponto de calibrao.
9.7 NORMAS FUTURAS
9.7.1 Otimizao do risco estrutural
9.7.2 Normas probabilsticas
9.7.3 ndices de conabilidade alvo
Em 1971, seis importantes orgos internacionais relacionados com a engenharia civil se reuniram para
criar um grupo de trabalho com o objetivo principal de aumentar de maneira geral o conhecimento
relacionado segurana estrutural. Este grupo de trabalho, chamado de Joint Committee on Structural
Safety (JCSS), tem trabalhado nesta misso sob os auspcios de cinco das entidades que o criaram:
1. International Council for Research and Innovation in Building and Construction, com suporte das
Naes Unidas;
2. The European Convention for Constructional Steelwork;
3. The International Federation for Structural Concrete (b);
4. International Association for Bridge and Structural Engineering;
5. International Union of Laboratories and Experts in Construction Materials, Systems and Structures.
Em 2001, este grupo de trabalho publicou um documento intitulado Probabilistic Model Code (modelo
de norma probabilstica), que apresenta as principais diretrizes para a formulao (ou reviso) de normas
tcnicas de projeto estrutural com embasamento na teoria de conabilidade estrutural. Entre outros
resultados, este trabalho apresenta uma tentativa de denio de ndices de conabilidade mnimos para
projetos estruturais. Estes ndices so apresentados nas tabelas abaixo.
Tabela 9.1: ndices de conabilidade alvo para estados limites ltimos.
Custo relativo da Consequncias de falha
medida de segurana Mnimas Moderadas Elevadas
Alta 3.1 3.3 3.7
Normal 3.7 4.2 4.4
Pequena 4.2 4.4 4.7
.
Tabela 9.2: Probabilidades de falha correspondentes aos ndices de conabilidade alvo.
Custo relativo da Consequncias de falha
medida de segurana Mnimas Moderadas Elevadas
Alta 10
3
5 10
4
1 10
4
Normal 10
4
1 10
5
5 10
5
Pequena 10
5
5 10
6
1 10
6
Tabela 9.3: ndices de conabilidade alvo para estado limite de servio irreversvel.
Custo relativo da
medida de segurana , alvo 1
}
alvo
Alta 1.3 1 10
1
Normal 1.7 5 10
2
Pequena 2.3 1 10
2
9.8 FIGURAS:
Figura 9-1: ndices de conabilidade da norma antiga para combinao de aes gravitacionais.
9.8. FIGURAS: 215
Figura 9-2: ndices de conabilidade da norma antiga para combinao de aes gravitacionais e vento.
Figura 9-3: Fatores de segurana parciais para atingir ,
oluo
= 2.5, vigas de ao.
Figura 9-4: Fatores de segurana parciais para atingir ,
oluo
= 2.5, vigas de concreto armado.
Figura 9-5: ndices de conabilidade da nova norma para os fatores de segurana parciais propostos.
Referncias
[1] Ang, A. H-S.; Tang, W. H.; 1975: Probability Concepts in Engineering Planning and Design,
Volume I: Basic Principles; John Wiley & Sons.
[2] Ang, A. H-S.; Tang, W. H.; 1990: Probability Concepts in Engineering Planning and Design,
Volume II: Decision, Risk and Reliability; John Wiley & Sons.
[3] Arajo, J. M. and Awruch, 1992: Analise Estrutural Probabilstica pelo Mtodo dos Elementos
Finitos,Departamento de Engenharia Civil, UFRGS.
[4] ASCE, 1982: Fatigue Reliability - A State of the Art Report by the Committee on Fatigue and
Fracture Reliability, Journal of the Structural Division, ASCE, No. 108(1), p. 1 - 88.
[5] Ayala-Uraga, E. and Moan, T., 2002: System Reliability Issues of Oshore Structures Considering
Fatigue Failure and Updating Based on Inspection, 1st International ASRANet Colloquium,
July 2002, Glasgow, Scotland.
[6] Barson, J. M. and Rolfe, S. T., 1987: Fracture and Fatigue Control in Structures: Applications of
Fracture Mechanics, 2nd edition, Englewood Clis, NJ, 1987.
[7] Beck, A.T. and Melchers, R.E., 2002: Comparison of Some Methods for Fatigue and Fracture Reli-
ability Analysis under Random Loading, in Advances in Mechanics of Structures and Materials,
Loo, Chowdhury and Fragomeni (eds.), Swets & Zeitlinger, p. 449 - 454.
[8] Beck, A.T. and Melchers, R.E., 2004: Fatigue and Fracture Reliability Analysis Under Random
Loading, Computational Fluid and Solid Mechanics, K.J. Bathe (editor), Elsevier, p. 2201-2203.
[9] Beck, A.T. and Melchers, R.E., 2004: On the Ensemble Up-crossing Rate Approach to Time Variant
Reliability Analysis of Uncertain Structures, Probabilistic Engineering Mechanics, 19, p. 9-19.
[10] Beck, A.T. and Melchers, R.E., 2004: Overload Failure of Structural Components under Random
Crack Propagation and Loading - a Random Process Approach -, Structural Safety, v.26, p.471-
488.
[11] Beck, A.T. and Melchers, R.E., 2005: Barrier Failure Dominance in Time Variant Reliability Analy-
sis, Probabilistic Engineering Mechanics, v.20, p.79 - 85.
[12] Beck, A.T., 1999: A Method of Reliability Analysis Using Finite Elements (in Portuguese), Masters
thesis, Department of Mechanical Engineering, Federal University of Santa Catarina, SC, Brazil.
[13] Beck, A.T., 2008: The Random Barrier-crossing Problem, Probabilistic Engineering Mechanics. ,
v.23, p.134 - 145.
[14] Beck, A.T., Dria, A.S., 2008: Reliability analysis of I-section steel columns designed according
to new Brazilian building codes, Journal of the Brazilian Society of Mechanical Sciences and
Engineering, v.30, p.152-.
[15] Beck, A.T., Rosa, E., 2006: Structural Reliability Analysis Using Deterministic Finite Element
Programs, Latin American Journal of Solids and Structures. , v.3, p.197 - 222.
[16] Beck, A.T., Verzenhassi, C.C., 2008: Risk Optimization of a Steel Frame Communications Tower
Subject to Tornado Winds, Latin American Journal of Solids and Structures, v.5, p.187 - 203.
[17] Beck, A.T.; 1996: Clculo da Conabilidade de uma Viga de Ponte Rolante; Trabalho de Diplo-
mao, Departamento de Engenharia Mecnica, UFRGS.
[18] Belyaev, Y.K., 1968: On the Number of Exits Across the Boundary of a Region by a Vector
Stochastic Process, Theory Prob. Appl., Vol. 13, No. 2, p. 320 - 324.
[19] Benjamin, J.R. and Cornell, C.A., 1970: Probability, Statistics and Decision for Civil Engineers,
McGraw-Hill Book Company, New York.
[20] Berens, A.P., 1996: Applications of Risk Analysis to Ageing Military Aircraft, Sampe Journal,
Vol.32, No. 5, 1996.
[21] Bestereld, G. H., Liu, W. K., Lawrence, M. A. and Belytschko, T., 1991: Fatigue Crack Growth
Reliability by Probabilistic Finite Elements, Computer Methods in Applied Mechanics and
Engineering 86 (1991), p. 297 - 320.
[22] Bjerager, P., 1990: On Computation Methods for Structural Reliability Analysis, Structural Safety,
vol.9, p. 79-96.
[23] Bouyssy, V., Naboishikov, S.M. and Rackwitz, R., 1993: Comparison of Analytical Counting Meth-
ods for Gaussian Processes, Structural Safety 12 (1993), p. 35 - 57.
[24] Breitung, K., 1984: Asymptotic Approximations for Multinormal Integrals, Journal of Engineering
Mechanics, ASCE, vol. 110 (3), 357-366.
[25] Cherng, R.-H. and Wen, Y.K., 1994: Reliability of Uncertain Nonlinear Trusses Under Random
Excitation I, Journal of Engineering Mechanics, ASCE, Vol. 120, No. 4, p. 733 - 747.
[26] Chia, C. and Ayyub, B.; 1994: Conditional Sampling for Simulation Based Structural Reliability
Assesment, 6th International Congress for Structural Safety and Reliability, p. 1233-1239.
[27] Clarkson, B. L. An Introduction to Random Vibration Analysis; Institute of Sound and Vibration;
University of Southampton.
[28] Cornell CA, 1969: A Probability-Based Structural Code, Journal of the American Concrete Institute
66, 974-985.
[29] Cramer, H. and Leadbetter, M.R., 1967: Stationary and Related Stochastic Processes, John Wiley
and Sons, NY.
[30] Dirlik, T., 1985: Applications of Computers in Fatigue, Ph. D. Thesis, University of Warwick.
[31] Ditlevsen, D., 1981: Principle of Normal Tail Approximation, Journal of the Engineering Mechanics
Division, ASCE, vol. 107, no EM6, p. 1191 - 1208.
[32] Ditlevsen, O. and Bjerager, P.; 1986: Methods of Structural Systems Reliability, Structural Safety,
vol. 3, p. 195-229.
[33] Ditlevsen, O. and Madsen, H.O., 1983: Transient Load Modeling: Cliped Normal Processes, J.
Engineering Mechanics Division, ASCE, 109 (2) 495 - 515.
[34] Ditlevsen, O. and Madsen, H.O., 1996: Structural Reliability Methods, John Wiley and Sons,
Chichester, Engle.
[35] Ditlevsen, O. and Sobczyk, K., 1986: Random Fatigue Crack Growth with Retardation, Engineering
Fracture Mechanics, Vol. 24, No. 6, p. 861 - 878.
[36] Ditlevsen, O., 1986(b): Random Fatigue Crack Growth - A First Passage Problem, Engineering
[37] Ditlevsen, O., 1986: Duration of Gaussian Process Visit to a Critical Set, Probabilistic Engineering
Mechanics, vol. 1, p. 82 - 93.
[38] Dolinski, K. and Colombi, P., 1999: Fatigue Lifetime under Stochastic Loading with Random Over-
loading Pulse Trains, Computer Methods in Applied Mechanics and Engineering, vol. 168(1999),
p. 221 - 241.
[39] Dolinski, K., 1983: First Order Second Moment Aproximation in Reliability of Structural Systems:
Critical Review and Alternative Approach, Structural Safety, vol. 1, p. 211-231.
[40] Dover, W.D. and Hibbert, R.D., 1977: The Inuence of Mean Stress and Amplitude Distribution
on Random Load Fatigue Crack Growth, Engineering Fracture Mechanics 9, 251 - 263.
[41] Ellyin, F., 1997: Fatigue Damage, Crack Growth and Life Prediction, Chapman & Hall.
[42] Engelund, S., Sorensen, J., Faber, M. and Bloch, A., 2002: Approximations in Inspection Planning,
8th ASCE Specialty Conference on Probabilistic Mechanics and Structural Reliability.
[43] Faber, M.H., Kroon, I.B. and Sorensen, J.D., 1996: Sensitivities in Structural Maintenance Plan-
ning,Reliability Engineering and System Safety 51(1996), p. 317 - 329.
[44] Farhangdoost and Provan , 1996: Stochastic System Approach to Fatigue Reliability - an Applica-
tion to Ti-6Al-4V, Engineering Fracture Mechanics, vol. 53, no 5, p. 687 - 706.
[45] Feijo, R. A. and Taroco, E., 1993: Introduccin al Anlisis de Sensibilidad, Laboratrio Nacional
de Computao Cientca, Rio de Janeiro.
REFERNCIAS 219
[46] Fiessler, B., Neumann, H.-J. and Rackwitz, R.; 1979: Quadratic Limit States in Structural Relia-
bility, Journal of the Engineering Mechanics Division 105, p. 661-675.
[47] Frangopol, D. M. and Fu, G., 1989: Limit States Reliability Interaction in Optimum Design of
Structural Systems, 6th International Congress for Structural Safety and Reliability, p. 1879-
1886.
[48] Freudenthal, A. M.; 1947: The Safety of Structures, American Society of Civil Engineers Transac-
tions, vol. 112, p. 125-180.
[49] Fuchs and Stephens, 1980: Metal Fatigue in Engineering, John Wiley and Sons, NY.
[50] Gansted, L., Brincker, R. and Hansen, L. P., 1991: Fracture Mechanical Markov Chain Crack
Growth Model, Engineering Fracture Mechanics, vol. 38, no 6, p. 475 - 489, 1991.
[51] Gao, L. and Haldar, A.; 1994: Nonlinear SFEM-based Reliability for Space Structures, 6th Inter-
national Congress for Structural Safety and Reliability, p. 325-332.
[52] Ghanen, R.G. and Spanos, P.D., 1991: Stochastic Finite Elements: A Spectral Approach, Springer-
Verlag, NY.
[53] Ghonen, H. and Dore S., 1987: Experimental Study of the Constant Probability Crack Growth
Curves Under Constant Amplitude Loading, Engineering Fracture Mechanics, vol. 27, no 1, p.
1-25, 1987.
[54] Gopalakrishna, H. S. and Donaldson, E.; 1991: Practical Reliability Analysis Using a General
Purpose Finite Element Program, Finite Element in Analysis and Design 10, p. 75 - 87, Elsevier.
[55] Grigoriu, M., 2000: A Spectral Representation Based Model for Monte Carlo Simulation, Proba-
bilistic Engineering Mechanics, 15(2000), p. 365 - 270.
[56] Hagen, O. and Tvedt, L., 1991: Vector Process Out-Crossing as a Parallel System Sensitivity
Measure, Journal of Engineering Mechanics, Vol. 117, No. 10, p. 2201 - 2220.
[57] Harris, D.O., 1997: Probabilistic Fracture Mechanics, in Probabilistic Structural Mechanics Hand-
book, C. R. Sundararajan (ed.), Chapman & Hall.
[58] Hasofer, A. M. and Lind, N. C.; 1974: Exact and Invariant Second Moment Code Format, Journal
of Engineering Mechanics vol. 100(1), p. 111-121.
[59] Hohenbichler and Rackwitz, R., 1981: Non-Normal Dependent Vectors in Structural Reliability,
Journal of Engineering Mechanics vol. 107, No EM6, p. 1227 - 1238.
[60] Hohenbichler, M., Golwitzer, S., Kruse, W. and Rackwitz, R.; 1987: New Light on First and Second
Order Reliability Methods, Structural Safety, vol. 4, p. 267-284.
[61] Igusa, T. and Kiureghian, A.D., 1988: Response of Uncertain Systems to Stochastic Excitation,
Journal of Engineering Mechanics, vol. 114, No. 5, p. 812 - 832.
[62] Ishie, K. and Suzuki, M.; 1987: Stochastic Finite Element Method for Slope Instability Analy-
sis,Structural Safety 4, p. 111-129.
[63] Ishikawa, H., Tsurui, A., Tanaka, H. and Ishikawa, H., 1993(a): Reliability Assessment of Structures
Based Upon Probabilistic Fracture Mechanics, Probabilistic Engineering Mechanics 8 (1993), p.
43 - 56.
[64] Ishikawa, H., Tsurui, A., Utsumi, A., Tanaka, H. and Ishikawa, H., 1993(b): Eect of Stress
Ratio on Crack Propagation Life Distribution under Random Loading, Probabilistic Engineering
Mechanics 8 (1993), p. 35 - 41.
[65] Kanninen, M.F. and Popelar, C.H., 1985: Advanced Fracture Mechanics, Oxford University Press,
New York.
[66] Kapur, K. C.; Lamberson, L. R.; 1977: Reliability in Engineering Design, John Wiley & Sons.
[67] Kiureghian, A. D., Lin, H-Z. and Hwang, S-J., 1987: Second Order Reliability Approximations,
Journal of Engineering Mechanics, vol. 113, no 8, p. 1208-1225.
[68] Kiureghian, A. D.; Asce, M. and Liu, P-L.; 1986: Structural Reliability Under Incomplete Proba-
bility Information, Journal of Engineering Mechanics no 1, pg 85-103.
[69] Kuo, C.J., 1997: Reliability Assessment of Deteriorating Component due to Fatigue Crack Growth
under Random Loading, Ph. D. thesis, University of Arizona, Tucson, Arizona.
[70] Larrabee, R.D. and Cornell, C.A., 1979: Up-crossing Rate Solution for Load Combinations, Journal
of the Structural Division, ASCE, vol. 105, No. ST1, p. 125 - 132.
[71] Larrabee, R.D. and Cornell, C.A., 1981: Combination of Various Load Processes, Journal of the
Structural Division, ASCE, vol. 107, No. ST1, 223 - 239.
[72] Lee, J. C. and Ang, A. H-S., 1994: Finite Element Fracture Reliability of Stochastic Structures,
Structural Safety and Reliability, Schueller, Shinozuka and Yao (eds.), Balkema, Rotherdam.
[73] Li, C.Q. and Melchers, R.E., 1993: Gaussian Up-crossing Rate Solution for Structural Serviceability,
Structural Safety 12 (1993), p. 293 - 303.
[74] Lin, Y. K. and Yang, J.N., 1985: A Stochastic Theory of Fatigue Crack Propagation, AIAA Journal,
vol. 23, no 1, January 1985, p. 117 - 124.
[75] Liu, P-L. and Kiureghian, A. D.; 1989: Finite Element Reliability Methods for Geometrically
Nonlinear Stochastic Structures, Report UCB/SEMM-89/05, Department of Civil and Environ-
mental Engineering, University of California, Berkeley.
[76] Liu, P-L. and Kiureghian, A. D.; 1989: Finite Element Reliability of Two Dimensional Continua
with Geometrical Nonlinearity, 5th International Congress for Structural Safety and Reliability,
p. 1089-1096.
[77] Liu, P-L. and Kiureghian, A. D.; 1991: Optimization Algorithms for Structural Reliability, Struc-
tural Safety, vol. 9, p. 161-177.
[78] Liu, P-L. and Kiureghian, A. D.; 1997: Finite Element Reliability of Geometrically Nonlinear
Uncertain Structures, Journal of Engineering Mechanics, Vol. 117, no 8, p. 1806-1825.
[79] Lutes, L. and Sarkani, S., 1997: Stochastic Analysis of Structural and Mechanical Vibrations,
Prentice Hall.
[80] Madsen, H. O., Krenk, S. and Lind, N. C., 1986: Methods of Structural Safety, Prentice Hall Inc.,
Englewood Clis, NJ.
[81] Madsen, H. O; 1988: Omission Sensitivity Factors; Structural Safety 5, p. 35-45.
[82] Madsen, H.O. and Tvedt, L., 1990: Methods for Time-Dependent Reliability and Sensitivity Analy-
sis, Journal of Engineering Mechanics, Vol. 116, No. 10, p. 2118 - 2135.
[83] Madsen, H.O., 1986: Fast Probability Integration for Time Variant Reliability, A.S. Veritas Report.
[84] Madsen, H.O., Skjong, R., Tallin, A.G. and Kirkemo, F., 1987: Probabilistic Fatigue Crack Growth
Analysis of Oshore Structures with Reliability Updating Through Inspections, Proceedings of
Marine Structural Reliability Symposium, Arlington, VA.
[85] Mahadevan, S. and Haldar, A.; 1991: Practical Random Field Discretization in Stochastic Finite
Element Analysis, Structural Safety 9, p. 283-304.
[86] Marley, M. J. and Moan, T., 1994: Approximate Time Variant Analysis for Fatigue, Structural
Safety and Reliability, Schueller, Shinozuka and Yao (eds), 1994.
[87] Maymon, G.; 1993: Probability of Failure of Structures Whitout a Closed Form Failure Function;
Computers & Structures, vol. 49, no 2, p. 301-303.
[88] Maymon, G.; 1994: Direct Computation of the Design Point of a Stochastic Structure using Finite
Element Code; Structural Safety, vol.14, p. 185-202
[89] McAllister, T.P. and Ellingwood, B.R., 2002: Evaluation of Crack Growth in Miter GateWeldments
Using Stochastic Fracture Mechanics, Structural Safety 23(4), p. 445 - 465.
[90] Melchers, R.E. and Ahammed, M., 2001: Estimation of Failure Probabilities for Intersections of
Non-linear Limit States, Structural Safety, Vol. 23(2001), 123 135.
[91] Melchers, R.E. and Beck, A.T., 2003: Time Variant Reliability, In: Engineering Design Reliability
Handbook, 1st ed., Boca Raton, Florida, CRC Press.
[92] Melchers, R.E., 1999: Structural Reliability Analysis and Prediction, second edition, John Wiley
and Sons, NY.
[93] Melchers, R.E., 2001: Assessment of Existing Structures - Approaches and Research Needs, Journal
of Structural Engineering, ASCE, Vol. 127, No. 4, April 2001.
[94] Moan, T., Hovde, G. and Jiao, G., 1994: Fatigue Reliability Analysis of Oshore Structures Con-
sidering the Eect of Inspection and Repair, Proceedings of Structural Safety and Reliability,
1994, Balkema, Rotterdam.
[95] Moan, T., Vardal, O.T., Hellevig, N.C. and Skjoldli, K., 1997: In-Service Observations of Cracks
in Nord Sea Jackets. A Study of Initial Crack Depth and POD Values, Proc. of 16th OMAE
conference, Yokohama, Japan.
REFERNCIAS 221
[96] Mori, Y. and Ellingwood, B., 1993: Time-dependent System Reliability Analysis by Adaptive
Importance Sampling, Structural Safety 12(1), p. 59 - 73.
[97] Moses, F. Approaches to Structural Reliability and Optimization, em An Introduction to Struc-
tural Optimization, Case Western Reserve University, Cleveland, Ohio, p. 81-120.
[98] Nagode, M. and Fajdiga, M., 1998: A General Multi-modal Probability Distribution Function
Suitable for the Rainow Ranges of Stationary Random Processes, International Journal of
Fatigue, vol. 20, no. 3, p. 211 - 223.
[99] Nigam, N. C. and Narayanan, S.; 1994: Applications of Random Vibrations, Springer-Verlag, New
York.
[100] Oliveira, W.L., Beck, A.T., and ElDebs, A.L.H.C., 2008: Safety evaluation of circular concrete-
lled steel columns designed according to Brazilian building code NBR 8800:2008, IBRACON
Structures and Materials Journal, v.1, p.212 - 236.
[101] Orisamolu, I. R.; Liu, Q. and Chernuka, M. M.; 1994: Probabilistic Reliability Analysis using
General Purpose Commercial Computer Programs; 6th International Congress for Structural
Safety and Reliability, p. 1395-1398.
[102] Ortiz, K. and Kiremidjian, A.S., 1988: Stochastic Modelling of Fatigue Crack Growth, Engineering
[103] Ortiz, K., 1984: Stochastic Modelling of Fatigue Crack Growth, Ph. D. thesis, Stanford University,
Stanford, California.
[104] Owen, D., 1980: A Table of Normal Integrals, Comm. Stat. Simul. Comp. B9(4), p. 389-419.
[105] Paris, P. and Erdogan, F., 1963: A Critical Analysis of Crack Propagation Laws, Journal of Basic
Engineering, vol. 85, p. 528 - 534.
[106] Pearce, H.T. and Wen, Y.K., 1984: Stochastic Combination of Load Eects, Journal of Structural
Engineering, vol. 110, No. 7, p. 1613 - 1629.
[107] Prabhu, N. U.; 1965: Stochastic Processes, Collier-Macmillan Limited, London.
[108] Press, W.H., Flannery, B.P., Teukolsky, S.A. and Vetterling, W.T., 1989: Numerical Recipes - The
Art of Scientic Computing, Cambridge University Press.
[109] Provan, J. (ed.), 1987: Probabilistic Fracture Mechanics and Reliability, Martinus Nijho Publish-
ers, Dordrecht, The Netherlands, 1987.
[110] Rackwitz, R. and Fiessler, B.; 1978: Structural Reliability Under Combined Load Sequences, Com-
puters and Structures vol. 9, p. 489-494.
[111] Rackwitz, R., 1985: Reliability of Systems Under Reneval Pulse Loading, J. of Engineering Me-
chanics, ASCE, 111 (9) 1175 - 1184.
[112] Rackwitz, R., 1993: On the Combination of Non-stationary Rectangular Wave Reneval Processes,
Structural Safety 13 (1993), p. 21 - 28.
[113] Rahman, S. and Kim, J.S., 1998: Probabilistic Fracture Mechanics for Nonlinear Structures, Struc-
tural Safety and Reliability, Schueller, Shinozuka and Yao (eds.), Balkema, Rotherdam.
[114] Reh, S., Brchner-Foit, A. and Bhm, F.; 1994: Reliability Analysis of Complex Structures with
Random Material Properties and Random Geometry; 6th International Congress for Structural
Safety and Reliability, p. 399-402.
[115] Rice, S.O., 1944: Mathematical Analysis of Random Noise, Bell System Technical Journal, Vols. 23
and 24. Re-published in Selected Papers on Noise and Stochastic Processes, edited by N. Wax
(1954), Dover Publications Inc, New York.
[116] Rocha, M. M. and Schueller, G. I., 1996: A Probabilistic Criterion for Evaluating the Goodness
of Fatigue Crack Growth Models, Engineering Fracture Mechanics, vol. 53, no 5, p. 707 -731,
1996.
[117] Rocha. M. M., 1996: Simulao de Monte Carlo com Amostragem por Importncia: Fundamentos
Tericos and Programao, Laboratrio de Dinmica Estrutural and Conabilidade, Departa-
mento de Engenharia Civil, UFRGS.
[118] Rosa, E.; 1976: Conabilidade em Sistemas Estruturais, Publicao GRANTE - Grupo de Anlise
de Tenses, Curso de Engenharia Mecnica, UFSC.
[119] Rosenbleuth E e Esteva L, 1972: Reliability Basis for Some Mexican Codes, ACI Publication SP-31,
1-41.
[120] Rubinstein, R. Y.; 1981: Simulation and the Monte Carlo Method, John Wiley & Sons.
[121] Sarveswaran, V. and Roberts, M.B., 1999: Reliability Analysis of Deteriorating Structures - The
Experience and Needs of Practicing Engineers, Structural Safety 21 (1999), p. 357 - 372.
[122] Schall, G., Faber, M.H. and Rackwitz, R., 1991: On the Ergocity Assumption for Sea States
in the Reliability Estimation of Oshore Structures, Journal of Oshore Mechanics and Artic
Engineering, ASME, Vol. 113, p. 241 - 246.
[123] Schuller, G. I. and Stix, R.; 1987: A Critical Apraisal on Methods to Determine Structural Relia-
bility, Structural Safety 4, p. 293-309.
[124] Shinozuka, M. and Jan, C.-M., 1972: Digital Simulation of Random Processes and its Applications,
Journal of Sound and Vibration, vol. 25, No. 1, p. 111 - 128.
[125] Shinozuka, M.; 1983: Basic Analysis of Structural Safety, Journal of Structural Engineering vol.
109(3), p. 721-740.
[126] Siddall, J. N., 1972: Analytical Decision-Making in Engineering Design, Prentice-Hall Inc.
[127] Silva Jr., C.R.A., 1998: Anlise de Conabilidade Estrutural Adaptativa de Componentes Mecni-
cos Utilizando Anlise de Sensibilidade, Dissertao de Mestrado, Ps-graduao em Engenharia
Mecnica, UFSC.
[128] Silva Jr., C.R.A., Beck, A.T., 2009: Solution of the Stochastic Beam Bending Problem by Galerkin
Method and the Askey-Wiener Scheme. Latin American Journal of Solids and Structures, v.6,
p.51 - 72.
[129] Silva, J.L., ElDebs, M.K., and Beck, A.T., 2008: Reliability Evaluation of Reinforced Concrete
Pipes in Crack Opening Limit State, IBRACON Structures and Materials Journal, v.1, p.314 -
330.
[130] Sobczyk, K and Spencer, B. F., 1992: Random Fatigue: from Data to Theory, Academic Press,
1992.
[131] Sobczyk, K. and Trebiki, J., 2000: Stochastic Dynamics with Fatigue Induced Stiness Degradation,
Probabilistic Engineering Mechanics, vol. 15 (2000), p. 91-99.
[132] Sobczyk, K., 1986: Modelling of Random Fatigue Crack Growth, Engineering Fracture Mechanics,
vol. 24, no 4, p. 609 - 623, 1986.
[133] Solnes, J., 1997: Stochastic Processes and Random Vibrations - Theory and Practice, John Wiley
and Sons Ltd., Chichester, England.
[134] Sudret, B. and Kiureghian, A.D., 2002: Comparison of Finite Element Reliability Methods, Prob-
abilistic Engineering Mechanics 17 (2002), p. 337 - 348.
[135] Sudret, B., Defaux, G., Lemaire, M. and Andrieu, C., 2002: Comparison of Methods for Computing
the Probability of Failure in Time-Variant Reliability Using the Out-Crossing Approach, Fourth
International Conference on Computational Stochastic Mechanics, Kerkyra (Corfu), Greece,
June 2002.
[136] Tan, R. Y. and Lu, I. Y.; 1994: Stochastic Finite Element Analysis of Structures, 6th International
Congress for Structural Safety and Reliability, p. 375-380.
[137] Tsurui, A. and Ishikawa, H., 1986: Application of the Fokker-Planck Equation to a Stochastic
Fatigue Crack Growth Model, Structural Safety 4 (1986), p. 15 - 29.
[138] Tsurui, A., Nienstedt, J., Schueller, G. I. and Tanaka, H., 1989: Time Variant Structural Reliability
Analysis using Diusive Crack Growth Models, Engineering Fracture Mechanics, vol. 34, no 1,
p. 153 - 167.
[139] Turkstra, C.J. and Madsen, H.O., 1980: Load Combinations in Codied Structural Design, Journal
of the Structural Division, ASCE, vol. 116, No. ST12, p. 2527 - 2543.
[140] Turkstra, C.J., 1970: Theory of Structural Design Decisions, Study No. 2, Solid Mechanics Division,
University of Waterloo, Waterloo, Ontario.
[141] Vanmarcke, E.H., 1975: On the Distribution of the First Passage Time for Normal Stationary
Processes, Journal of Applied Mechanics, ASME, vol. 42, p. 215 - 220.
[142] Vanmarcke, E.H., 1983: Random Fields, Analysis and Synthesis, MIT Press, Cambridge, Massa-
chusetts.
[143] Veers, P.J., 1987: Fatigue Crack Growth due to Random Loading, Ph. D. thesis, Department of
Mechanical Engineering, Stanford University, Stanford, California.
REFERNCIAS 223
[144] Virkler, D. A., Hillberry, B. M. and Goel, P. K., 1979: The Statistical Nature of Fatigue Crack
Propagation, Journal of Engineering Materials and Technology, ASME, vol. 101 (1979), p. 148
- 153.
[145] Wang, G. S.,1999: A Probabilistic Damage Accumulation Solution Based on Crack Closure Model,
International Journal of Fatigue, Vol. 21 (1999), p. 531 - 547.
[146] Wang, L., Brust, W. and Atluri, N., 1997: The Elasto-Plastic Finite Element Alternating Method
(EPFEAM) and the Prediction of Fracture Under WFD Conditions in Aircraft Structures.
[147] Wen, Y.K. and Chen, H.C., 1987: On Fast Integration for Time-Variant Structural Reliability.
Probabilistic Engineering Mechanics, vol. 2, no 3, pp 156 - 162.
[148] Wen, Y.K. and Chen, H.C., 1989: System Reliability Under Time-Varying Loads: I, Journal of
Engineering Mechanics, vol. 115, no 4, pp 808 - 823.
[149] Wen, Y.K., 1977a: Statistical Combination of Extreme Loads, Journal of the structural Division,
ASCE, 103 (ST5), 1079 - 1093.
[150] Wen, Y.K., 1977b: Probability of Extreme Load Combination, Journal of the structural Divi-
sion,ASCE, 104 (ST10), 1675 - 1676.
[151] Wen, Y.K., 1981: A Clustering Model for Correlated Load Processes, Journal of the structural
Division, ASCE, 107 (ST5), 965 - 983.
[152] Wen, Y.K., 1990: Structural Load Modeling and Combination for Performance and Reliability
Evaluation, Elsevier Science Publishers, Amsterdam.
[153] Winterstein and Cornell, 1984: Load Combinations and Clustering eects, J. Structural Division,
ASCE, 110 (11) 2690 - 2708.
[154] Wirsching, P. H. and Shehata, A. M., 1977: Fatigue Under Wideband Random Stresses Using
the Rainow Method, Journal of Engineering materials and Technology, ASME, vol. 99 (1977),
p.205 - 211.
[155] Wirsching, P. H., 1998: Fatigue Reliability, Progress in Structural Engineering and Materials 1998,
vol. 1(2), p. 200 - 206.
[156] Yang, J. N. and Manning, S. D., 1996: A Simple Second Order Approximation for Stochastic Crack
Growth Analysis, Engineering Fracture Mechanics, vol. 53, no 5, p. 677 - 686, 1996.
[157] Yang, J. N., Hsi, W. H., Manning, S. D. and Rudd, J.L., 1987: Stochastic Crack Growth Models
for Application to Aircraft Structures, in Provan (ed.), Probabilistic Fracture Mechanics and
Reliability, Martinus Nijho Publishers, Dordrecht, The Netherlands, 1987.
[158] Yonezawa, M.; Okuda, S.; 1994: An Improved Importance Sampling Density Estimation for Struc-
tural Reliability, 6th International Conference on Structural Safety and Reliability.
[159] Zhang, Y. and Kiureghian, A. D., 1994: Probability of Damage Excursion in a Continuum with
Random Field Properties, 6th International Conference on Structural Safety and Reliability, p.
1763-1767.
[160] Zhang, Y. and Kiureghian, A. D., 1997: Finite Element Reliability Methods for Inelastic Structures,
Report UCB/SEMM-97/05, Department of Civil and Environmental Engineering, University of
California, Berkeley.
[161] Zheng, R. and Ellingwood, B. R., 1998: Stochastic Fatigue Crack Growth in Steel Structures
Subject to Random Loading, Structural Safety 20 (1998), p. 303 - 323.
[162] Zhu, W. Q., Lin, Y. K. and Lei, Y., 1992: On Fatigue Crack Growth under Random Loading,
Engineering Fracture Mechanics, vol. 43, no 1, p. 1 - 12, 1992.
[163] Zwillingner, D. (editor), 1996: Standard Mathematical Tables and Formulae, CRC Press, 30th
edition.
REFERNCIAS 225
Apndice A: Tabela ()
Valores tabelados da funo: 1
}
= (,) = 1(,) = 1
R
o
2t
exp
.
2
,2
d. =
R
o
2t
exp
.
2
,2
d..
b F-b b F-b b F-b b F-b b F-b
0. 5. 10
1
0. 75 2. 2662710
1
1. 5 6. 6807210
2
2. 25 1. 2224510
2
3. 1. 349910
3
0. 01 4. 9601110
1
0. 76 2. 2362710
1
1. 51 6. 5521710
2
2. 26 1. 1910610
2
3. 01 1. 3062410
3
0. 02 4. 9202210
1
0. 77 2. 206510
1
1. 52 6. 4255510
2
2. 27 1. 1603810
2
3. 02 1. 2638710
3
0. 03 4. 8803410
1
0. 78 2. 1769510
1
1. 53 6. 3008410
2
2. 28 1. 1303810
2
3. 03 1. 2227710
3
0. 04 4. 8404710
1
0. 79 2. 1476410
1
1. 54 6. 1780210
2
2. 29 1. 1010710
2
3. 04 1. 1828910
3
0. 05 4. 8006110
1
0. 8 2. 1185510
1
1. 55 6. 0570810
2
2. 3 1. 0724110
2
3. 05 1. 1442110
3
0. 06 4. 7607810
1
0. 81 2. 089710
1
1. 56 5. 9379910
2
2. 31 1. 0444110
2
3. 06 1. 1066810
3
0. 07 4. 7209710
1
0. 82 2. 0610810
1
1. 57 5. 8207610
2
2. 32 1. 0170410
2
3. 07 1. 0702910
3
0. 08 4. 6811910
1
0. 83 2. 0326910
1
1. 58 5. 7053410
2
2. 33 9. 9030810
3
3. 08 1. 03510
3
0. 09 4. 6414410
1
0. 84 2. 0045410
1
1. 59 5. 5917410
2
2. 34 9. 6418710
3
3. 09 1. 0007810
3
0. 1 4. 6017210
1
0. 85 1. 9766310
1
1. 6 5. 4799310
2
2. 35 9. 3867110
3
3. 1 9. 6760310
4
0. 11 4. 5620510
1
0. 86 1. 9489510
1
1. 61 5. 3698910
2
2. 36 9. 1374710
3
3. 11 9. 3543710
4
0. 12 4. 5224210
1
0. 87 1. 921510
1
1. 62 5. 2616110
2
2. 37 8. 8940410
3
3. 12 9. 0425510
4
0. 13 4. 4828310
1
0. 88 1. 894310
1
1. 63 5. 1550710
2
2. 38 8. 6563210
3
3. 13 8. 7403210
4
0. 14 4. 443310
1
0. 89 1. 8673310
1
1. 64 5. 0502610
2
2. 39 8. 4241910
3
3. 14 8. 4473910
4
0. 15 4. 4038210
1
0. 9 1. 840610
1
1. 65 4. 9471510
2
2. 4 8. 1975410
3
3. 15 8. 1635210
4
0. 16 4. 3644110
1
0. 91 1. 8141110
1
1. 66 4. 8457210
2
2. 41 7. 9762610
3
3. 16 7. 8884610
4
0. 17 4. 3250510
1
0. 92 1. 7878610
1
1. 67 4. 7459710
2
2. 42 7. 7602510
3
3. 17 7. 6219510
4
0. 18 4. 2857610
1
0. 93 1. 7618610
1
1. 68 4. 6478710
2
2. 43 7. 5494110
3
3. 18 7. 3637510
4
0. 19 4. 2465510
1
0. 94 1. 7360910
1
1. 69 4. 551410
2
2. 44 7. 3436310
3
3. 19 7. 1136410
4
0. 2 4. 207410
1
0. 95 1. 7105610
1
1. 7 4. 4565510
2
2. 45 7. 1428110
3
3. 2 6. 8713810
4
0. 21 4. 1683410
1
0. 96 1. 6852810
1
1. 71 4. 3632910
2
2. 46 6. 9468510
3
3. 21 6. 6367510
4
0. 22 4. 1293610
1
0. 97 1. 6602310
1
1. 72 4. 2716210
2
2. 47 6. 7556510
3
3. 22 6. 4095310
4
0. 23 4. 0904610
1
0. 98 1. 6354310
1
1. 73 4. 1815110
2
2. 48 6. 5691210
3
3. 23 6. 1895110
4
0. 24 4. 0516510
1
0. 99 1. 6108710
1
1. 74 4. 0929510
2
2. 49 6. 3871510
3
3. 24 5. 9764810
4
0. 25 4. 0129410
1
1. 1. 5865510
1
1. 75 4. 0059210
2
2. 5 6. 2096710
3
3. 25 5. 7702510
4
0. 26 3. 9743210
1
1. 01 1. 5624810
1
1. 76 3. 9203910
2
2. 51 6. 0365610
3
3. 26 5. 5706110
4
0. 27 3. 935810
1
1. 02 1. 5386410
1
1. 77 3. 8363610
2
2. 52 5. 8677410
3
3. 27 5. 3773710
4
0. 28 3. 8973910
1
1. 03 1. 5150510
1
1. 78 3. 753810
2
2. 53 5. 7031310
3
3. 28 5. 1903510
4
0. 29 3. 8590810
1
1. 04 1. 491710
1
1. 79 3. 672710
2
2. 54 5. 5426210
3
3. 29 5. 0093710
4
0. 3 3. 8208910
1
1. 05 1. 4685910
1
1. 8 3. 5930310
2
2. 55 5. 3861510
3
3. 3 4. 8342410
4
0. 31 3. 782810
1
1. 06 1. 4457210
1
1. 81 3. 5147910
2
2. 56 5. 2336110
3
3. 31 4. 664810
4
0. 32 3. 7448410
1
1. 07 1. 423110
1
1. 82 3. 4379510
2
2. 57 5. 0849310
3
3. 32 4. 5008710
4
0. 33 3. 70710
1
1. 08 1. 4007110
1
1. 83 3. 362510
2
2. 58 4. 9400210
3
3. 33 4. 342310
4
0. 34 3. 6692810
1
1. 09 1. 3785710
1
1. 84 3. 2884110
2
2. 59 4. 798810
3
3. 34 4. 1889210
4
0. 35 3. 6316910
1
1. 1 1. 3566610
1
1. 85 3. 2156810
2
2. 6 4. 6611910
3
3. 35 4. 0405810
4
0. 36 3. 5942410
1
1. 11 1. 33510
1
1. 86 3. 1442810
2
2. 61 4. 5271110
3
3. 36 3. 8971210
4
0. 37 3. 5569110
1
1. 12 1. 3135710
1
1. 87 3. 0741910
2
2. 62 4. 3964910
3
3. 37 3. 7584110
4
0. 38 3. 5197310
1
1. 13 1. 2923810
1
1. 88 3. 005410
2
2. 63 4. 2692410
3
3. 38 3. 6242910
4
0. 39 3. 4826810
1
1. 14 1. 2714310
1
1. 89 2. 937910
2
2. 64 4. 145310
3
3. 39 3. 4946310
4
0. 4 3. 4457810
1
1. 15 1. 2507210
1
1. 9 2. 8716610
2
2. 65 4. 0245910
3
3. 4 3. 3692910
4
0. 41 3. 4090310
1
1. 16 1. 2302410
1
1. 91 2. 8066610
2
2. 66 3. 9070310
3
3. 41 3. 2481410
4
0. 42 3. 3724310
1
1. 17 1. 2110
1
1. 92 2. 7428910
2
2. 67 3. 7925610
3
3. 42 3. 1310610
4
0. 43 3. 3359810
1
1. 18 1. 1910
1
1. 93 2. 6803410
2
2. 68 3. 6811110
3
3. 43 3. 0179110
4
0. 44 3. 2996910
1
1. 19 1. 1702310
1
1. 94 2. 6189810
2
2. 69 3. 572610
3
3. 44 2. 9085710
4
0. 45 3. 2635510
1
1. 2 1. 150710
1
1. 95 2. 5588110
2
2. 7 3. 4669710
3
3. 45 2. 8029310
4
0. 46 3. 2275810
1
1. 21 1. 1313910
1
1. 96 2. 4997910
2
2. 71 3. 3641610
3
3. 46 2. 7008810
4
0. 47 3. 1917810
1
1. 22 1. 1123210
1
1. 97 2. 4419210
2
2. 72 3. 264110
3
3. 47 2. 6022910
4
0. 48 3. 1561410
1
1. 23 1. 0934910
1
1. 98 2. 3851810
2
2. 73 3. 1667210
3
3. 48 2. 5070710
4
0. 49 3. 1206710
1
1. 24 1. 0748810
1
1. 99 2. 3295510
2
2. 74 3. 0719610
3
3. 49 2. 415110
4
0. 5 3. 0853810
1
1. 25 1. 056510
1
2. 2. 2750110
2
2. 75 2. 9797610
3
3. 5 2. 3262910
4
0. 51 3. 0502610
1
1. 26 1. 0383510
1
2. 01 2. 2215610
2
2. 76 2. 8900710
3
3. 51 2. 2405310
4
0. 52 3. 0153210
1
1. 27 1. 0204210
1
2. 02 2. 1691710
2
2. 77 2. 8028110
3
3. 52 2. 1577310
4
0. 53 2. 9805610
1
1. 28 1. 0027310
1
2. 03 2. 1178310
2
2. 78 2. 7179410
3
3. 53 2. 077810
4
0. 54 2. 9459910
1
1. 29 9. 8525310
2
2. 04 2. 0675210
2
2. 79 2. 635410
3
3. 54 2. 0006410
4
0. 55 2. 911610
1
1. 3 9. 6800510
2
2. 05 2. 0182210
2
2. 8 2. 5551310
3
3. 55 1. 9261610
4
0. 56 2. 877410
1
1. 31 9. 5097910
2
2. 06 1. 9699310
2
2. 81 2. 4770710
3
3. 56 1. 8542710
4
0. 57 2. 8433910
1
1. 32 9. 3417510
2
2. 07 1. 9226210
2
2. 82 2. 4011810
3
3. 57 1. 7849110
4
0. 58 2. 8095710
1
1. 33 9. 1759110
2
2. 08 1. 8762810
2
2. 83 2. 327410
3
3. 58 1. 7179710
4
0. 59 2. 7759510
1
1. 34 9. 0122710
2
2. 09 1. 8308910
2
2. 84 2. 2556810
3
3. 59 1. 6533910
4
0. 6 2. 7425310
1
1. 35 8. 850810
2
2. 1 1. 7864410
2
2. 85 2. 1859610
3
3. 6 1. 5910910
4
0. 61 2. 7093110
1
1. 36 8. 691510
2
2. 11 1. 7429210
2
2. 86 2. 1182110
3
3. 61 1. 5309910
4
0. 62 2. 6762910
1
1. 37 8. 5343510
2
2. 12 1. 700310
2
2. 87 2. 0523610
3
3. 62 1. 4730210
4
0. 63 2. 6434710
1
1. 38 8. 3793310
2
2. 13 1. 6585810
2
2. 88 1. 9883810
3
3. 63 1. 4171110
4
0. 64 2. 6108610
1
1. 39 8. 2264410
2
2. 14 1. 6177410
2
2. 89 1. 9262110
3
3. 64 1. 3631910
4
0. 65 2. 5784610
1
1. 4 8. 0756710
2
2. 15 1. 5777610
2
2. 9 1. 8658110
3
3. 65 1. 311210
4
0. 66 2. 5462710
1
1. 41 7. 9269810
2
2. 16 1. 5386310
2
2. 91 1. 8071410
3
3. 66 1. 2610810
4
0. 67 2. 5142910
1
1. 42 7. 7803810
2
2. 17 1. 5003410
2
2. 92 1. 7501610
3
3. 67 1. 2127510
4
0. 68 2. 4825210
1
1. 43 7. 6358510
2
2. 18 1. 4628710
2
2. 93 1. 6948110
3
3. 68 1. 1661710
4
0. 69 2. 4509710
1
1. 44 7. 4933710
2
2. 19 1. 4262110
2
2. 94 1. 6410610
3
3. 69 1. 1212710
4
0. 7 2. 4196410
1
1. 45 7. 3529310
2
2. 2 1. 3903410
2
2. 95 1. 5888710
3
3. 7 1. 07810
4
0. 71 2. 3885210
1
1. 46 7. 214510
2
2. 21 1. 3552610
2
2. 96 1. 538210
3
3. 71 1. 036310
4
0. 72 2. 3576210
1
1. 47 7. 0780910
2
2. 22 1. 3209410
2
2. 97 1. 48910
3
3. 72 9. 9611410
5
0. 73 2. 3269510
1
1. 48 6. 9436610
2
2. 23 1. 2873710
2
2. 98 1. 4412410
3
3. 73 9. 5739910
5
0. 74 2. 296510
1
1. 49 6. 8112110
2
2. 24 1. 2545510
2
2. 99 1. 3948910
3
3. 74 9. 2010110
5
b F-b b F-b b F-b b F-b b F-b
3. 75 8. 8417310
5
4. 5 3. 3976710
6
5. 25 7. 6049610
8
6. 9. 8658810
10
6. 75 7. 3922510
12
3. 76 8. 4956710
5
4. 51 3. 2413810
6
5. 26 7. 2027710
8
6. 01 9. 2761710
10
6. 76 6. 8995910
12
3. 77 8. 1623810
5
4. 52 3. 0919810
6
5. 27 6. 8211910
8
6. 02 8. 7208510
10
6. 77 6. 4391310
12
3. 78 7. 8414210
5
4. 53 2. 9491810
6
5. 28 6. 4591910
8
6. 03 8. 1979810
10
6. 78 6. 008810
12
3. 79 7. 5323610
5
4. 54 2. 8127110
6
5. 29 6. 1158210
8
6. 04 7. 7057110
10
6. 79 5. 6066810
12
3. 8 7. 234810
5
4. 55 2. 682310
6
5. 3 5. 7901310
8
6. 05 7. 2422910
10
6. 8 5. 2309810
12
3. 81 6. 9483410
5
4. 56 2. 5576810
6
5. 31 5. 4812610
8
6. 06 6. 8060810
10
6. 81 4. 8799310
12
3. 82 6. 6725810
5
4. 57 2. 4386210
6
5. 32 5. 1883610
8
6. 07 6. 3955110
10
6. 82 4. 5520310
12
3. 83 6. 4071610
5
4. 58 2. 3248810
6
5. 33 4. 9106410
8
6. 08 6. 0091310
10
6. 83 4. 2457110
12
3. 84 6. 1517210
5
4. 59 2. 2162310
6
5. 34 4. 6473310
8
6. 09 5. 6455310
10
6. 84 3. 9596710
12
3. 85 5. 9058910
5
4. 6 2. 1124510
6
5. 35 4. 3977110
8
6. 1 5. 3034210
10
6. 85 3. 6924910
12
3. 86 5. 6693510
5
4. 61 2. 0133410
6
5. 36 4. 161110
8
6. 11 4. 9815610
10
6. 86 3. 4430210
12
3. 87 5. 4417710
5
4. 62 1. 918710
6
5. 37 3. 9368310
8
6. 12 4. 6787710
10
6. 87 3. 210110
12
3. 88 5. 2228210
5
4. 63 1. 8283310
6
5. 38 3. 7242910
8
6. 13 4. 3939510
10
6. 88 2. 9926110
12
3. 89 5. 0122110
5
4. 64 1. 7420510
6
5. 39 3. 5228810
8
6. 14 4. 1260710
10
6. 89 2. 789610
12
3. 9 4. 8096310
5
4. 65 1. 6596810
6
5. 4 3. 3320410
8
6. 15 3. 8741510
10
6. 9 2. 6001410
12
3. 91 4. 6148110
5
4. 66 1. 5810510
6
5. 41 3. 1512410
8
6. 16 3. 6372510
10
6. 91 2. 4232810
12
3. 92 4. 4274510
5
4. 67 1. 50610
6
5. 42 2. 9799510
8
6. 17 3. 414510
10
6. 92 2. 2581910
12
3. 93 4. 2472910
5
4. 68 1. 4343710
6
5. 43 2. 817710
8
6. 18 3. 2050810
10
6. 93 2. 1042110
12
3. 94 4. 0740810
5
4. 69 1. 3660310
6
5. 44 2. 6640310
8
6. 19 3. 0082110
10
6. 94 1. 9604910
12
3. 95 3. 9075610
5
4. 7 1. 3008110
6
5. 45 2. 5184910
8
6. 2 2. 8231610
10
6. 95 1. 8264310
12
3. 96 3. 7474910
5
4. 71 1. 2385810
6
5. 46 2. 3806710
8
6. 21 2. 6492310
10
6. 96 1. 7013610
12
3. 97 3. 5936310
5
4. 72 1. 1792210
6
5. 47 2. 2501810
8
6. 22 2. 4857710
10
6. 97 1. 5847310
12
3. 98 3. 4457610
5
4. 73 1. 122610
6
5. 48 2. 1266310
8
6. 23 2. 3321810
10
6. 98 1. 4758710
12
3. 99 3. 3036610
5
4. 74 1. 0685910
6
5. 49 2. 0096710
8
6. 24 2. 1878510
10
6. 99 1. 3744610
12
4. 3. 1671210
5
4. 75 1. 0170810
6
5. 5 1. 8989610
8
6. 25 2. 0522610
10
7. 1. 2798110
12
4. 01 3. 0359410
5
4. 76 9. 6796510
7
5. 51 1. 7941710
8
6. 26 1. 9248910
10
7. 01 1. 191610
12
4. 02 2. 9099110
5
4. 77 9. 211310
7
5. 52 1. 69510
8
6. 27 1. 8052410
10
7. 02 1. 1093310
12
4. 03 2. 7888410
5
4. 78 8. 7647610
7
5. 53 1. 6011510
8
6. 28 1. 6928710
10
7. 03 1. 0326710
12
4. 04 2. 6725610
5
4. 79 8. 3390710
7
5. 54 1. 5123610
8
6. 29 1. 5873310
10
7. 04 9. 6117610
13
4. 05 2. 5608810
5
4. 8 7. 9332810
7
5. 55 1. 4283510
8
6. 3 1. 4882310
10
7. 05 8. 9456210
13
4. 06 2. 4536410
5
4. 81 7. 5465110
7
5. 56 1. 3488710
8
6. 31 1. 3951810
10
7. 06 8. 3250110
13
4. 07 2. 3506610
5
4. 82 7. 1779110
7
5. 57 1. 273710
8
6. 32 1. 3078210
10
7. 07 7. 7465810
13
4. 08 2. 2517910
5
4. 83 6. 8266510
7
5. 58 1. 2025910
8
6. 33 1. 2258110
10
7. 08 7. 2075710
13
4. 09 2. 1568710
5
4. 84 6. 4919610
7
5. 59 1. 1353510
8
6. 34 1. 1488310
10
7. 09 6. 7057510
13
4. 1 2. 0657510
5
4. 85 6. 1730710
7
5. 6 1. 0717610
8
6. 35 1. 0765710
10
7. 1 6. 2377910
13
4. 11 1. 978310
5
4. 86 5. 8692910
7
5. 61 1. 0116310
8
6. 36 1. 0087710
10
7. 11 5. 8020310
13
4. 12 1. 8943610
5
4. 87 5. 5799110
7
5. 62 9. 5478710
9
6. 37 9. 4514110
11
7. 12 5. 3962410
13
4. 13 1. 8138210
5
4. 88 5. 3042910
7
5. 63 9. 0104810
9
6. 38 8. 854410
11
7. 13 5. 0182110
13
4. 14 1. 7365310
5
4. 89 5. 041810
7
5. 64 8. 5025110
9
6. 39 8. 2942910
11
7. 14 4. 6668210
13
4. 15 1. 6623810
5
4. 9 4. 7918310
7
5. 65 8. 0223910
9
6. 4 7. 7688510
11
7. 15 4. 3387510
13
4. 16 1. 5912410
5
4. 91 4. 5538210
7
5. 66 7. 5686510
9
6. 41 7. 2759810
11
7. 16 4. 03410
13
4. 17 1. 52310
5
4. 92 4. 3272110
7
5. 67 7. 1398810
9
6. 42 6. 8137210
11
7. 17 3. 7497810
13
4. 18 1. 4575510
5
4. 93 4. 1114810
7
5. 68 6. 7347410
9
6. 43 6. 380210
11
7. 18 3. 4855510
13
4. 19 1. 3947710
5
4. 94 3. 9061310
7
5. 69 6. 3519710
9
6. 44 5. 9736810
11
7. 19 3. 2396310
13
4. 2 1. 3345710
5
4. 95 3. 7106710
7
5. 7 5. 9903710
9
6. 45 5. 5925110
11
7. 2 3. 0103710
13
4. 21 1. 2768510
5
4. 96 3. 5246610
7
5. 71 5. 6488110
9
6. 46 5. 2351510
11
7. 21 2. 7977610
13
4. 22 1. 2215110
5
4. 97 3. 3476510
7
5. 72 5. 326210
9
6. 47 4. 9001510
11
7. 22 2. 5995910
13
4. 23 1. 1684610
5
4. 98 3. 1792110
7
5. 73 5. 0215310
9
6. 48 4. 5861310
11
7. 23 2. 4147410
13
4. 24 1. 117610
5
4. 99 3. 0189610
7
5. 74 4. 7338310
9
6. 49 4. 2918210
11
7. 24 2. 2432110
13
4. 25 1. 0688510
5
5. 2. 8665210
7
5. 75 4. 4621710
9
6. 5 4. 01610
11
7. 25 2. 0838910
13
4. 26 1. 0221310
5
5. 01 2. 721510
7
5. 76 4. 205710
9
6. 51 3. 7575410
11
7. 26 1. 9356710
13
4. 27 9. 7736510
6
5. 02 2. 5835710
7
5. 77 3. 9635810
9
6. 52 3. 5153710
11
7. 27 1. 7974510
13
4. 28 9. 3446710
6
5. 03 2. 452410
7
5. 78 3. 7350310
9
6. 53 3. 2884910
11
7. 28 1. 6692210
13
4. 29 8. 9336610
6
5. 04 2. 3276610
7
5. 79 3. 5193210
9
6. 54 3. 0759410
11
7. 29 1. 5498710
13
4. 3 8. 5399110
6
5. 05 2. 2090510
7
5. 8 3. 3157510
9
6. 55 2. 8768510
11
7. 3 1. 4388510
13
4. 31 8. 1627310
6
5. 06 2. 0962810
7
5. 81 3. 1236410
9
6. 56 2. 6903910
11
7. 31 1. 335610
13
4. 32 7. 8014610
6
5. 07 1. 9890810
7
5. 82 2. 9423810
9
6. 57 2. 5157710
11
7. 32 1. 2401210
13
4. 33 7. 4554710
6
5. 08 1. 8871710
7
5. 83 2. 7713710
9
6. 58 2. 3522410
11
7. 33 1. 1507510
13
4. 34 7. 1241410
6
5. 09 1. 7903210
7
5. 84 2. 6100410
9
6. 59 2. 1991410
11
7. 34 1. 0680310
13
4. 35 6. 8068810
6
5. 1 1. 6982710
7
5. 85 2. 4578710
9
6. 6 2. 0557910
11
7. 35 9. 9087410
14
4. 36 6. 5031210
6
5. 11 1. 6107910
7
5. 86 2. 3143410
9
6. 61 1. 921610
11
7. 36 9. 198210
14
4. 37 6. 2123310
6
5. 12 1. 5276810
7
5. 87 2. 1789810
9
6. 62 1. 79610
11
7. 37 8. 5320610
14
4. 38 5. 9339710
6
5. 13 1. 4487110
7
5. 88 2. 0513310
9
6. 63 1. 6784410
11
7. 38 7. 9158910
14
4. 39 5. 6675310
6
5. 14 1. 3736910
7
5. 89 1. 9309810
9
6. 64 1. 5684210
11
7. 39 7. 3441310
14
4. 4 5. 4125410
6
5. 15 1. 3024310
7
5. 9 1. 8175110
9
6. 65 1. 4654710
11
7. 4 6. 8112210
14
4. 41 5. 1685310
6
5. 16 1. 2347510
7
5. 91 1. 7105410
9
6. 66 1. 3691410
11
7. 41 6. 3171710
14
4. 42 4. 9350510
6
5. 17 1. 1704710
7
5. 92 1. 6097110
9
6. 67 1. 2790210
11
7. 42 5. 8564310
14
4. 43 4. 7116510
6
5. 18 1. 1094310
7
5. 93 1. 5146710
9
6. 68 1. 1947110
11
7. 43 5. 4289910
14
4. 44 4. 4979410
6
5. 19 1. 0514710
7
5. 94 1. 4251110
9
6. 69 1. 1158510
11
7. 44 5. 0348610
14
4. 45 4. 2935110
6
5. 2 9. 9644310
8
5. 95 1. 3407110
9
6. 7 1. 042110
11
7. 45 4. 6684910
14
4. 46 4. 0979810
6
5. 21 9. 4420310
8
5. 96 1. 2611910
9
6. 71 9. 7312210
12
7. 46 4. 3243210
14
4. 47 3. 9109810
6
5. 22 8. 9461610
8
5. 97 1. 1862710
9
6. 72 9. 0862310
12
7. 47 4. 0079110
14
4. 48 3. 7321510
6
5. 23 8. 475510
8
5. 98 1. 1156910
9
6. 73 8. 4831610
12
7. 48 3. 713710
14
4. 49 3. 5611610
6
5. 24 8. 0288310
8
5. 99 1. 0492110
9
6. 74 7. 9193310
12
7. 49 3. 4416910
14

Curso de Confiabilidade Estrutural 2012 10 15 HQ

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Curso de Confiabilidade Estrutural 2012 10 15 HQ

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE DE SO PAULO

ESCOLA DE ENGENHARIA DE SO CARLOS

(r) Funo densidade de probabilidades de A

(r) Funo de probabilidades acumuladas A

(t) Funo de auto-correlao do processo A(t)

Comprimento de correlao do processo

Ponto de Projeto no espao Y

(a, t) Taxa na qual o processo A(t) ultrapassa a barreira a(t)

= :, resulta que 1[]

nmeros reais tais que

Se o evento formado por / elementos, ento:

2.1. AXIOMAS DA TEORIA DE PROBABILIDADES 27

so mutuamente exclusivos e tal que sua soma corresponde a , ento para

so independentes, ento qualquer destes eventos tambm independente

(r) = 1[{A r}] (2.9)

(r) corresponde probabilidade de que a varivel aleatria A

(.) monotonicamente crescente, i.e., 1

(.) contnua pela direita:

(r) contnua, no possui saltos, e portanto:

(r) no diferencivel deve ser contvel, de forma

(r) descontnua, a varivel aleatria do tipo discreta. Chamando de j

(r) pode ser descrita por pulsos, onde um pulso de inten-

(r) pode ser escrita como:

(r) descontnua mas no na forma de escada.

(r) uma funo simtrica, ento )

(r) simtrica em torno de r = a, ento )

(r) mxima. A mediana o ponto r

(r), a varincia corresponde ao momento de inrcia da massa de probabilidades, e duma idia

(r) pode ser descrita pela funo delta de Dirac (c(r)),

(r) pode ser escrita como:

(r) a funo de densidades de probabilidades de uma varivel aleatria contnua

Distribuio log-normal 1(`, )

e os parmetros so calculados a partir dos momentos por:

(r) = exp[ (r -)], - r

(r) = 1 exp[ (r -)], - r

e os parmetros podem ser calculados a partir dos momentos por:

(r) 6= 0. A distribuio condicional de 1, dado que {A = r}, dada

. A funo 1 = q(A) denida para

Funo monotonicamente crescente ou decrescente

(r)dr = 1[{r A r +dr}]

aj. Para j < 0 no h soluo, logo )

(r) = 1[{A = r}] =

Esta expresso corresponde a uma distribuio normal na varivel . com parmetros:

(r) = 0 caso contrrio

forem independentes para qualquer i e ,, este resultado se simplica para:

A aproximao de segunda ordem da varincia um tanto complicada, pois envolve momentos de

(r) conhecida. Seja uma amostra de : observaes inde-

(r). Em : observaes independentes da mesma varivel o nmero esperado

Utilizando a expresso (2.82), obtm-se:

(r). O interessante que, independentemente da

(r), as distribuies assintticas de extremos convergem para

Determinao dos parmetros:

Frechet para mnimos ou tipo II - EVII(n

Determinao dos parmetros:

Weibull para mximos ou tipo III - EVIII(n

Determinao dos parmetros:

Weibull para mnimos ou tipo III - EVIII(n

Determinao dos parmetros:

(r) a funo de densidade de probabilidades do modelo

1 graus de liberdade, onde :

o nmero de parmetros da distribuio estimados do mesmo

(r) do modelo hipottico e o histograma

(r) so as curvas de probabilidades analticas que se tenta ajustar aos dados.

Esta expresso apresenta um erro mximo - 7.5 10