A.

2 RICHIAMI DI DINAMICA ALEATORIA

Giuliano AUGUSTI e Marcello CIAMPOLI
Universit di Roma "La Sapienza"
Dipartimento di Ingegneria Strutturale e Geotecnica
Via Eudossiana 18 - 00184 Roma


A.2.1 AZIONI DINAMICHE

Le azioni dinamiche sulle costruzioni sono caratterizzate da intensit, distribuzione spa-
ziale e variazione nel tempo. Con riferimento a questo parametro, possono essere distinte
in due categorie:
- azioni impulsive (urti, esplosioni, ecc.);
- azioni prolungate (sismi, vento, ecc.)
Il primo caso si verifica se la durata t
0
dellazione (molto) breve rispetto al periodo
proprio T della struttura:
T t
0
<< (A.2.1)
Leffetto dinamico dipende allora essenzialmente dallimpulso W, che determina una
variazione della quantit di moto della struttura. Analogamente, leffetto dinamico di una
forza applicata rapidamente e poi mantenuta costante, equivale a quello di unazione im-
pulsiva.
Nel secondo caso la struttura subisce delle oscillazioni forzate.
Le azioni dinamiche possono essere rappresentate mediante funzioni deterministiche o
modelli stocastici. Nel Par. A.2.3 sono riportate alcune informazioni sui processi stocastici
usualmente adottati per modellare le azioni.

A.2.1.1. Decomposizione dellazione in somma di impulsi

Unazione prolungata F(t), come qualsiasi funzione del tempo, pu essere rappresentata
come il susseguirsi di impulsi elementari dW di durata infinitesima dt (Fig. A.2.1):
( ) dW dt t F = (A.2.2)
La corrispondente azione impulsiva G(t), applicata allistante t = t, si pu descrivere come:
( ) ( ) ( ) t o = t t F t G (A.2.3)
2
dove o(t - t) la funzione impulsiva (detta delta di Dirac), definita da:
( ) t = = t o t per 0 t (A.2.4a)
( ) 0 1 dt t > c =
}
t o
c + t
c t
(A.2.4b)
Questa decomposizione particolarmente utile per i sistemi lineari, in cui gli effetti di suc-
cessivi impulsi si possono sommare.











Fig. A.2.1. - Identificazione dellimpulso elementare come componente di una funzione
F(t).

A.2.1.2. Analisi spettrale

Unazione le cui caratteristiche fondamentali sono costanti nel tempo detta stazionaria
e pu essere rappresentata come sovrapposizione di azioni armoniche (analisi spettrale).

A.2.1.2.1. Sviluppo in serie reale o complessa di Fourier

Una funzione F(t) periodica di periodo T
F
pu essere rappresentata attraverso le sue
componenti armoniche (Fig. A.2.2a), mediante uno sviluppo in serie reale o complessa di
Fourier.
Lo sviluppo in serie reale di Fourier ha l'espressione:
( ) ( ) ( ) O + O + =

=

= 1 n
1 n 1
1 n
n 0
t n cos b t n sen a a t F (A.2.5)
dove:

t dt
F(t)
t
3










(a)











(b)

Fig. A.2.2. - Esempio di funzione periodica discontinua F(t): (a) sua approssimazione F
32
(t)
mediante la somma di 32 componenti armoniche; (b) spettro della funzione F
32
(t) ~ F(t).

F
1
T
2t
= O (A.2.6a)
e la pulsazione delln-ma armonica
1 n
nO = O (A.2.6b)
a
0
il valore medio della funzione:
( )dt t F
T
1
a
F
T
0
F
0
}
= (A.2.7)
ed i coefficienti a
n
, b
n
sono forniti dalle relazioni:
F(t)
T
F
F
32
(t)
F(t)
t
1
n
n
O
O
=
C
n
8 16 24 32
4
( ) ( )dt t n sen t F
T
2
a
1
T
0
F
n
F
O
}
= (A.2.8a)
( ) ( ) t O
}
= d t n cos t F
T
2
b
1
T
0
F
n
F
(A.2.8b)
L'utilit di questa rappresentazione risiede nel fatto che, in virt della assoluta ed uni-
forme convergenza dello sviluppo in serie (A.2.5), qualsiasi funzione periodica F(t) pu
essere espressa con sufficiente accuratezza considerando solo un numero ridotto di termini
dello sviluppo in serie, ovvero mediante un numero ridotto di componenti armoniche.
In maniera del tutto equivalente, lo sviluppo in serie pu essere espresso nella forma:
( ) ( )
n 1
1 n
n 0
t n sen C a t F + O + =

=
(A.2.9)
dove
2
n
2
n n
b a C + = e
n
sono rispettivamente lampiezza e langolo di fase della n-
esima armonica.
Si definisce spettro della funzione F(t) il diagramma delle ampiezze C
n
in funzione del-
le corrispondenti pulsazioni O
n
= nO
1
(Fig. A.2.2b).
Una rappresentazione equivalente alle (A.2.5) e (A.2.9) fornita dallo sviluppo in serie
complessa di Fourier:
( ) ( ) t n exp c t F
1
n
n
O =

=
i (A.2.10)
dove 1 = i lunit immaginaria e
( ) ... , 1 , 0 n , dt t n exp ) t ( F
T
1
c
1
2
T
2
T
F
n
F
F
F
= O
}
=
+

i (A.2.11a)
una costante complessa. Usando il simbolo
*
per rappresentare il complesso coniugato, si
ha:
c c
n n
=
*
(A.2.11b)
mentre:
0
0
a c = (A.2.11c)
il valore medio di F(t), e
|
|
.
|

\
|
=
n
_
n
c R 2 a (A.2.11d)
5
|
|
.
|

\
|
=
n
_
n
c I 2 b (A.2.11e)
avendo indicato rispettivamente con R() ed I() la parte reale e la parte immaginaria di un
numero complesso.

A.2.1.2.2. Trasformata di Fourier

La decomposizione in serie di Fourier pu essere generalizzata al caso di funzioni F(t)
non periodiche mediante la trasformata di Fourier, che si ottiene dallo sviluppo in serie di
Fourier per T
F
.








(a)








(b)

Fig. A.2.3. - Esempio di (a) funzione non periodica e (b) suo spettro di frequenza.

Con le notazioni:
AO = O
1
(A.2.12a)
n 1
n n O = AO = O (A.2.12b)
1
0
- a a
F(t)
t
O
( ) O

c
6
( ) ( )
n
n n
F n
c
2
c T c O
|
.
|

\
|
AO
t
= = O (A.2.12c)
le (A.2.10) e (A.2.11a) diventano
( ) ( ) ( ) AO O O
t
=

=
t exp c
2
1
t F
n
n
n
i (A.2.13)
( ) ( ) ( ) dt t exp t F c
n
2
T
2
T
n
F
F
O
}
= O

i (A.2.14)
Al limite, se il periodo T
F
tende ad infinito, O
1
= AO diventa la quantit infinitesima
dO e O
n
una quantit continua, il cui differenziale appunto dO. Pertanto, l'espressione
dello sviluppo in serie si trasforma in un integrale:
( ) ( ) ( ) O O
}
O
t
=


d t exp c
2
1
t F i (A.2.15)
essendo l'ampiezza della generica armonica di pulsazione O espressa da:
( ) ( ) dt t exp ) t ( F c O
}
= O


i (A.2.16)
Le (A.2.15) e (A.2.16) costituiscono una coppia di trasformate di Fourier.
_
c (O) detta
trasformata di Fourier della F(t) e ne esprime le componenti in frequenza: il diagramma
corrispondente detto spettro di frequenza (Fig. A.2.3b), ed una funzione continua, a
differenza dellanalogo spettro di una funzione periodica, che si presenta come un isto-
gramma (Fig. A.2.2b).
F(t) detta trasformata inversa di Fourier della
_
c (O).

A.2.2. ALCUNE PROPRIET DELLA TRASFORMATA DI FOURIER

La trasformata di Fourier di una funzione h(t) definita dalla relazione [cfr. (A.2.16)]:
( ) ( ) H e
e
= }

h t e dt
i t
(A.2.17)
se questo integrale esiste per ogni e reale. H(e) una funzione complessa del parametro
reale e.
Una condizione sufficiente per l'esistenza della funzione H(e) che h(t) sia assoluta-
mente integrabile, ovvero che sia:
7
( ) h t dt

} < (A.2.18)
La trasformata inversa fornita dalla relazione [cfr. (A.2.15)]:
( ) e
}
e
t
=
e

d e H
2
1
) t ( h
t i
(A.2.19)
dove h(t) una funzione continua.
Le due funzioni h(t) ed H(e) costituiscono una coppia di trasformate di Fourier.
In corrispondenza di un punto di discontinuit, l'integrale (A.2.17) tende al valore:
( ) ( ) h t h t
+
+
2
(A.2.20)
Per definire la trasformata di Fourier di funzioni periodiche, costanti o impulsive,
possibile introdurre condizioni meno restrittive.
Nell'applicazione della teoria delle trasformate di Fourier, sono utili i seguenti teoremi e
risultati.
a) teorema di derivazione
Se le funzioni h(t) e H(e) sono una coppia di trasformate di Fourier, anche le funzioni:
( )
( ) ( )
d h t
dt
i H
n
n
n
e e (A.2.21)
costituiscono una coppia di trasformate di Fourier.
b) teorema di traslazione
Se le funzioni h(t) e H(e) sono una coppia di trasformate di Fourier, anche le funzioni:
( )
( ) h t t H e
i t


0
0
e
e
(A.2.22)
( )
( ) h t e H
i t e
e e
0
0
(A.2.23)
costituiscono una coppia di trasformate di Fourier.
c) teorema di Parseval
Questo teorema stabilisce l'identit tra le distribuzioni dell'energia nei domini del tempo
e delle frequenze attraverso la relazione seguente:
( ) ( ) E h t dt H d = } = }

2
2
1
2t
e e (A.2.24)
Di conseguenza possibile stabilire una dualit tra il dominio del tempo ed il dominio del-
8
le frequenze, nel senso che quanto pi un segnale corto in un dominio, tanto pi lungo
nel dominio duale.
d) simmetria, variazione di scala, dualit
Se le funzioni h(t) e H(e) sono una coppia di trasformate di Fourier, anche le funzioni:
( ) ( ) H t h 2t e (A.2.25)
( ) h at
a
H
a

|
\

|
.
|
1 e
(A.2.26)
costituiscono una coppia di trasformate di Fourier (essendo a una costante reale).
e) funzioni armoniche
E' possibile stabilire le seguenti coppie di trasformate di Fourier:
( ) e
i t e
t o e e
0
2
0
(A.2.27)
( ) ( )
| |
cose t o e e o e e
0 0 0
t + + (A.2.28)
( ) ( )
| |
sin t i e t o e e o e e
0 0 0
+ (A.2.29)
f) integrale di convoluzione
Se la risposta v(t) di un sistema all'eccitazione P(t) ottenuta attraverso l'integrale di
convoluzione:
( ) ( ) ( ) ( ) ( )
}
t t t = t t
}
t =

d t P h d t h P t v (A.2.30)
possibile ricavare la relazione seguente:
( ) ( ) ( ) V P H e e e = (A.2.31)
essendo V(e), P(e) e H(e) le trasformate di Fourier di v(t), P(t) ed h(t).
Pertanto una convoluzione nel dominio del tempo corrisponde ad un prodotto nel do-
minio delle frequenze. Al contrario, un prodotto nel dominio del tempo corrisponde ad una
convoluzione nel dominio delle frequenze:
g) integrale di correlazione
L'integrale di correlazione definito dalla relazione
( ) ( )
( ) z t x h t d = } +

t t t (A.2.32)
La sua trasformata di Fourier espressa dalla relazione
9
( ) ( ) ( ) Z X H e e e =
*
(A.2.33)
dove * indica il complesso coniugato di X(e).

A.2.3. PROCESSI STOCASTICI

A.2.3.1. Definizioni e descrizione di un processo stocastico

Un processo stocastico X(t) pu essere definito come una famiglia di funzioni x
r
(t) di
un parametro t (nei casi di interesse per la dinamica strutturale, il tempo) che rappresenta-
no possibili realizzazioni di uno stesso fenomeno fisico e sono quindi correlabili in senso
probabilistico, ovvero descrivono la variazione rispetto al parametro di una grandezza ale-
atoria. Alternativamente, per ogni valore del parametro, il processo stocastico corrisponde
ad una distribuzione di una variabile aleatoria.
Come per le variabili aleatorie, il modo pi naturale per caratterizzare e descrivere un
processo stocastico consiste nellassegnare le funzioni di distribuzione congiunta di ordine
crescente o le corrispondenti funzioni di densit di probabilit congiunta.
La densit di probabilit del primo ordine
( ) { } dx x ) t ( X x ob Pr t , x f
X
+ s < = (A.2.34)
misura la probabilit che il valore di X(t) allistante t sia compreso tra x ed x + dx, e quindi
definisce la struttura probabilistica della variabile aleatoria X per ogni fissato valore del
parametro t.
Le densit di probabilit di ordine superiore
( )
2 2 1 1
t , x ; t , x f
X

.. (A.2.35)
( )
n n 1 1
t , x ;.....; t , x f
X

sono le densit di probabilit congiunte dei valori di X(t) in n (= 2, 3, ) istanti e descri-
vono la correlazione tra i valori del processo nei valori fissati del parametro.
Per caratterizzare un processo stocastico quindi necessario definire una serie di fun-
zioni del tipo (A.2.34) e (A.2.35) che rappresentano le densit di probabilit congiunta di
ogni ordine. Tali funzioni devono essere: non negative; invarianti per una qualsiasi permu-
tazione degli argomenti; tali che sia possibile derivare le densit di ordine inferiore da
quelle di ordine superiore attraverso operazioni di convoluzione. Devono inoltre soddisfa-
re la condizione di normalizzazione
( ) 1 dx ... dx t , x ;.....; t , x f ...
n 1 n n 1 1
=
} }

X
(A.2.36)
Una descrizione pi semplice, anche se meno completa, di un processo stocastico for-
nita dalla successione dei momenti delle densit di probabilit dei diversi ordini.
Si definiscono momenti di ordine n le entit:
10
( ) ( )
}
= dx t , x f x t
X
n n
X
(A.2.37)
essendo lintegrale esteso al dominio di definizione di X(t).
Di particolare interesse (anche perch sono in genere le uniche grandezze determinabili
statisticamente) sono i momenti del primo e del secondo ordine, detti rispettivamente valo-
re medio e valore quadratico medio, definiti dalle relazioni:
( ) ( ) | | ( )
}
= = dx t , x f x t X E t
X X
(A.2.38)
( ) | | ( )
}
= = dx t , x f x ) t ( X E t
X
2 2 2
X
(A.2.39)
Si definiscono momenti centrali di ordine n le entit:
( ) ( ) | | ( ) ( )
}
= dx t , x f t X E x t m
X
n n
X
(A.2.40)
che rappresentano i momenti di ordine n degli scarti rispetto al valore medio.
Di particolare interesse il momento centrale di ordine 2 o varianza:
( ) ( ) | | ( ) ( )
}
= o dx t , x f t X E x t
X
2 2
X
(A.2.41)
la cui radice quadrata fornisce lo scarto quadratico medio o deviazione standard.
Si definisce funzione di auto-correlazione del processo il momento congiunto:
( ) ( ) ( ) | | ( )
} }
= = |
2 1 2 2 1 1 X 2 1 2 1 2 1 xx
dx dx t , x ; t , x f x x t X t X E t , t (A.2.42)
Tale funzione soddisfa alle seguenti propriet:
- simmetrica;
- semidefinita positiva;
- soddisfa alla diseguaglianza:
( ) ( ) ( )
2 2 xx 1 1 xx
2
2 1 xx
t , t t , t t , t | | s |
Se t
1
= t
2
, la (A.2.42) fornisce il valore quadratico medio (A.2.39) del processo al tem-
po t.
In generale, per caratterizzare un processo stocastico sono necessari i momenti di ogni
ordine: solo in alcuni casi (il pi significativo quello dei processi gaussiani; cfr. Par.
A.2.3.7.5) sono sufficienti solo i momenti del primo e del secondo ordine (e quindi le cor-
rispondenti densit di probabilit).
Assegnati due processi stocastici distinti X(t) ed Y(t) (ad esempio, le velocit del vento
in due punti di una struttura), possibile esprimere, attraverso le funzioni di densit di
probabilit congiunta, la correlazione tra i valori assunti dai processi in valori assegnati del
parametro.
Ci richiede la definizione delle funzioni di densit di probabilit congiunta, che al
primo ordine sono del tipo:
11
( )dxds s , y ; t , x f
XY
(A.2.43)
e rappresentano la probabilit che X(t) assuma valori nellintervallo (x, x + dx] al tempo t
e contemporaneamente Y(t) assuma valori nellintervallo (y, y + dy] al tempo s.
Per due processi stocastici X(t) ed Y(t) distinti, si definisce funzione di cross-
correlazione (o correlazione incrociata) lespressione:
( ) ( ) ( ) | |
2 1 2 1 xy
t Y t X E t , t = | (A.2.44)
Analogamente alle funzioni di auto- e cross-correlazione, possibile definire le funzio-
ni di auto- e cross-covarianza, che sono date dalle relazioni:
( ) ( ) ( ) | |
( ) ( ) { } ( ) ( ) { } | |
( ) ( ) ( )
2 x 1 x 2 1 xx
2 x 2 1 x 1
2 1 2 2 1 xx
t t t , t
t t X t t X E
t X , t X m t , t k
| =
= =
= =
(A.2.45)
( ) ( ) ( ) | |
( ) ( ) { } ( ) ( ) { } | |
( ) ( ) ( )
2 y 1 x 2 1 xy
2 y 2 1 x 1
2 1 2 2 1 xy
t t t , t
t t Y t t X E
t Y , t X m t , t k
| =
= =
= =
(A.2.46)
In generale i processi stocastici possono essere suddivisi in due classi: stazionari ed e-
volutivi. Un processo stazionario se le sue propriet rimangono le stesse al variare del pa-
rametro, evolutivo in caso contrario.

A.2.3.2. Stazionariet

Un processo stocastico detto stazionario (in senso stretto) se la sua struttura probabili-
stica indipendente da una traslazione del parametro (in dinamica, dellorigine dei tempi),
ovvero se:
( ) ( ) o o + = t , x f t , x f
X X

. (A.2.47)
( ) ( ) o + o + =
n n 1 1 X n n 1 1 X
t , x ;....; t , x f t , x ;....; t , x f
Come si pu notare dalle (A.2.47), la densit di probabilit del primo ordine indipen-
dente dal tempo, e quelle degli ordini successivi dipendono soltanto dalle differenze tra gli
argomenti t
i
.
Di conseguenza un processo stocastico stazionario ha valore medio costante:
( )
}
= =


Costante dx t , x f x
X x
(A.2.48)
mentre le funzioni di auto-correlazione ed auto-covarianza, denotate in tal caso con i sim-
12
boli R() e I(), dipendono solo dallintervallo di tempo t tra gli istanti considerati:
( )
( ) ( ) t = =
=
} }
= |


xx 2 1 xx
2 1 1 2 2 1 X 2 1 2 1 xx
R t t R
dx dx ) t t , x ; x ( f x x t , t
(A.2.49)
( ) ( ) ( ) ( )
( ) ( ) ( ) t I = I = t =
= | =
2 1 xx
2
x xx
2 x 1 x 2 1 xx 2 1 xx
t t R
t t t , t t , t k
(A.2.50)
Nel caso dei processi stazionari la funzione di auto-correlazione soddisfa le seguenti
condizioni:
( )
2
x x
0 R o = (A.2.51a)
( ) ( ) t = t
x x
R R (A.2.51b)
( ) ( ) 0 R R
x x
s t (A.2.51c)
ovvero massima per t = 0 ed una funzione pari.
Il processo detto stazionario in senso debole se la condizione di invarianza riguarda
solo le densit di probabilit del primo e del secondo ordine.

A.2.3.3. Ergodicit (in media ed in autocorrelazione)

La forma pi generale di ergodicit riguarda tutte le statistiche del processo. Nel segui-
to si considerano solo lergodicit in media ed in auto-correlazione.
Un processo stazionario si dice ergodico in media se la sua media temporale coincide
con quella dinsieme; quindi possibile scambiare le medie sullinsieme con le medie
temporali di una singola realizzazione del processo. Sia quindi x
r
(t) una qualunque realiz-
zazione del processo X(t). La propriet di ergodicit in media implica che:
( ) ( ) | | t X E dt t x
T 2
1
lim
X
T
T
r
T
= =
}
=

(A.2.52)
Un processo si dice ergodico in auto-correlazione se verificata la relazione:
( ) ( ) ( ) ( ) ( ) ( ) | | t X t X E R dt t x t x
T 2
1
lim R
xx
T
T
r r
T
t + = t =
}
t + = t

(A.2.53)

A.2.3.4. Densit di potenza spettrale (o densit spettrale) di processi stazionari

Una qualsiasi realizzazione x
r
(t) di un processo stocastico stazionario pu essere e-
spressa nel dominio delle frequenze attraverso la sua trasformata di Fourier X
r
(e) (Parr.
13
A.2.1.2.2 e A.2.2). Le due funzioni sono legate dalle relazioni:
( ) ( ) ( ) ( )
}
= e
}
e e
t
=


e

e
dt e t x X d e X
2
1
t x
t i
r r
t i
r r
(A.2.54)
Il valore quadratico medio della x
r
(t) espresso dalla:
( ) | | ( )
}
=

2
T
2
T
2
r
T
2
r
dt t x
T
1
lim t x E (A.2.55)
Applicando il teorema di Parseval si ottiene che:
( ) | | ( )
( ) ( ) ( )
}
e e
t
=
}
e e e
t
=
=
}
=

d X
T
1
2
1
lim d X X
T
1
2
1
lim
dt t x
T
1
lim t x E
2
r
T
r r
T
2
T
2
T
2
r
T
2
r
(A.2.56)
Si definisce densit di potenza spettrale o densit spettrale della x
r
(t) la funzione:
( )
( )
T
X
2
1
lim S
2
r
T
x
r
e
t
= e

(A.2.57)
Dalla (A.2.56), invertendo gli operatori di limite ed integrale, si ottiene:
( ) | | ( )
}
e e =


d S t x E
r
x
2
r
(A.2.58)
La densit di potenza spettrale di un processo stazionario si ottiene mediando
sullinsieme le densit di potenza spettrale di tutte le realizzazioni.
( ) ( ) e = e
=

n
1 r
x
n
x
r
S
n
1
lim S (A.2.59)
Se il processo anche ergodico, ogni realizzazione del processo ha la stessa densit di po-
tenza spettrale, che quindi anche la densit di potenza spettrale del processo.

A.2.3.5. Relazione tra densit di potenza spettrale e funzione di auto-correlazione

Sia:
14
( ) ( ) ( )
}
t + = t

2
T
2
T
r r
T
xx
dt t x t x
T
1
lim R (A.2.60)
la media nel tempo del prodotto [x
r
(t) x
r
(t+t)] e ( ) e
r r
x x
F la sua trasformata di Fourier:
( ) ( )
}
t t = e


et
d e R F
i
xx x x
r r
(A.2.61)
La (A.2.61) pu esprimersi nella forma equivalente
( ) ( ) ( )
} }
t t +
t
= e
t

et

2
T
2
T
i
r r
T
x x
dt d e t x t x
T 2
1
lim F
2
1
r r
(A.2.62)
e, con il cambiamento di variabile
t + = 0 t (A.2.63)
tale che:
( ) t + e e et
=
t i t i i
e e e (A.2.64)
nella forma:
( ) ( ) ( )
}
0 0
}
t
= e
t
+

e0

e

2
T
t
2
T
t
i
r
2
T
2
T
t i
r
T
x x
d e x dt e t x
T 2
1
lim F
2
1
r r
(A.2.65)
Poich ammesso cambiare i limiti del secondo integrale e porre:

( ) ( ) ( )
}
0 0
}
t
= e
t
e0

e

2
T
2
T
i
r
2
T
2
T
t i
r
T
x x
d e x dt e t x
T 2
1
lim F
2
1
r r
(A.2.66)
si ottiene
( )
( )
( )
T 2
X
lim
T 2
dt e t x
lim F
2
1
2
r
T
2
2
T
2
T
t i
r
T
x x
r r
t
e
=
t
}
= e
t

e

(A.2.67)
dalla quale risulta che
15
( ) ( ) e = e
t
r r r
x x x
S F
2
1
(A.2.68)
Se il processo, oltre ad essere stazionario, anche ergodico, la funzione F
x
r
x
r
(e) la
trasformata di Fourier della funzione di auto-correlazione R
xx
(t), e la densit di potenza
spettrale S
x
r
(e) uguale alla densit di potenza spettrale del processo. Di conseguenza, la
funzione di auto-correlazione e la densit di potenza spettrale sono una coppia di trasfor-
mate di Fourier:
( ) ( )
}
t t
t
= e


et
d e R
2
1
S
i
xx x
(A.2.69)
( ) ( )
}
e e = t


et
d e S R
i
x xx
(A.2.70)
Le principali caratteristiche e propriet delle funzioni di auto-correlazione e densit di
potenza spettrale, con riferimento a due processi stocastici X(t) ed Y(t) stazionari ed a me-
dia nulla sono riportate nella Tabella A.2.1.

Tabella A.2.1. - Propriet delle principali funzioni relative a due processi stocastici X(t) ed
Y(t) a media nulla (E[X(t)] = E[Y(t)] = 0).

Funzione di auto-correlazione

R
xx
(t) = E[x(t) x(t+t)]
- funzione reale definita su tutto lasse rea-
le
- R
xx
(t) = R
xx
(-t)
- R
xx
(0) = o
X
2

- -o
X
2
s R
xx
(t) s +o
X
2

- , R
xx
(t) , s R
xx
(0)
- ( ) 0 R lim
xx
= t
t

Funzione di auto-correlazione normalizzata

( )
( ) ( ) ( )
2
X
xx
X X
XX
R t x t x
E
o
t
=
(

o
t +

o
= t

- funzione reale definita su tutto lasse rea-
le
-
XX
(t) =
XX
(-t)
-
XX
(0) = 1
- - 1 s
XX
(t) s + 1
- ,
XX
(t) , s
XX
(0)
- ( ) 0 lim
XX
= t
t

Funzione di cross-correlazione

R
xy
(t) = E[x(t) y(t+t)]
- funzione reale definita su tutto lasse rea-
le
- R
xy
(t) = R
yx
(-t)
- - o
X
o
Y
s R
xy
(t) s + o
X
o
Y

- ( ) 0 R lim
xy
= t
t

16
Funzione di cross-correlazione normalizzata

( )
( ) ( )
( )
Y X
xy
Y X
XY
R
t y t x
E
o o
t
=
(

o
t +

o
= t

- funzione reale definita su tutto lasse rea-
le
-
XY
(t) =
YX
(-t)
- 1 s
XY
(t) s + 1
- ( ) 0 lim
XY
= t
t

Funzione di (auto) densit di potenza spettrale
(o spettro di potenza)

S
x
(e) = F [R
xx
(t)]
1

- funzione reale definita su tutto lasse rea-
le
- S
x
(e) = S
x
(-e)
- S
x
(e) > 0
- ( ) ( )
}
= e e
+

0 R d S
xx x

Funzione di densit di potenza spettrale incrociata
(o spettro incrociato di potenza)

S
xy
(e) = F[R
xy
(t)]
1

- funzione complessa definita su tutto
lasse reale
- S
xy
(e) = S
xy
C
(e) + i S
xy
Q
(e); essendo
S
xy
C
(e) il co-spettro, ed S
xy
Q
(e) lo spet-
tro in quadratura
- ( ) ( )
}
= e e
+

0 R d S
xy xy

Funzione di coerenza
( )
( )
( ) ( ) e e
e
= e
y x
2
xy
2
XY
S S
S
Coh
- funzione reale definita su tutto lasse rea-
le
- ( )
( ) | | ( ) | |
( ) ( ) e e
e + e
= e
y x
2
Q
xy
2
C
xy
2
XY
S S
S S
Coh

A.2.3.6. Fattore di picco

E possibile stimare in modo approssimato il valore massimo atteso di un processo sto-
castico stazionario, a partire dalle caratteristiche spettrali del processo stesso. (Tale deter-
minazione particolarmente significativa per lazione eolica, oltre che per la risposta di un
sistema strutturale.)
Sia X(t) un processo stocastico stazionario a valore medio nullo. Si definisce fattore di
picco il rapporto tra il valore massimo (assoluto) del processo in un intervallo T e la devia-
zione standard:
| | { }
X
T , 0 in ) t ( X max
o
= q (A.2.71)
Si dimostra che la distribuzione di probabilit del valore massimo (assoluto) normaliz-
zato (A.2.71) in un intervallo di tempo [0, T] la seguente:

1
F denota loperatore trasformata di Fourier.

17
( )
(

|
.
|

\
|
q v
(

|
.
|

\
|
q v q = q
q
2
0
2
0
2
1
exp T exp
2
1
exp T f (A.2.72)
dove v
0
la frequenza attesa del processo, definita dalla:
( )
2
X
0
x
2
0
df f S f
o
}
= v

(A.2.73)
La distribuzione (A.2.72) ha come media e deviazione standard i valori:
( )
( ) T ln 2
T ln 2
0
0
v

+ v =
q
(A.2.74)
( ) T ln 2
1
6
0
M
v

t
= o (A.2.75)
dove = 0.5772 detta costante di Eulero-Mascheroni.

A.2.3.7. Esempi di processi stocastici

A.2.3.7.1. Processo costante nel tempo (variabile aleatoria)

Se ogni realizzazione di X(t) identicamente uguale ad un parametro aleatorio X co-
stante nel tempo, la densit di probabilit di X determina in modo univoco il processo sto-
castico stazionario (ma non ergodico) X(t). Se E[X
2
] esiste ed limitato, si ha:
( ) X t X
= (A.2.76)
( ) | |
2
X
2
xx
X E t R = (A.2.77)

A.2.3.7.2. Processo periodico

Un processo periodico un processo stocastico definito dalla serie di Fourier
( ) ( ) ( ) | | e + e + =

=1 k
0 k 2 0 k 1 0
t k sin c t k cos c c t X (A.2.78)
con coefficienti c
0
, c
1k
, c
2k
reali ed aleatori, a condizione che la serie converga in valore
quadratico medio ad un valore finito, ovvero che:
18
0 x ) t ( X E lim
2
_
k
=
(
(

|
|
.
|

\
|

(A.2.79)
La (A.2.78) definisce un processo stazionario in senso debole se e solo se:
| | | | 0 c E c E
k 2 k 1
= = (A.2.80a)
| | | |
2
k 2
2
k 1
c E c E = (A.2.80b)
| | | | | | 0 c c E c c E c c E
k 2 k 1 k 2 0 k 1 0
= = = (A.2.80c)
| | | | k i c c E c c E
k 2 i 2 k 1 i 1
= = (A.2.80d)
Le (A.2.80) implicano che:
| | | |
0
c E ) t ( X E = (A.2.81)
( ) | | | | ( ) t e + + = t

=
0
1 k
2
k 2
2
k 1
2
0
XX
k cos c c E
2
1
c E R (A.2.82)
Una espressione particolare della (A.2.78) rappresentata dal processo periodico con
fase aleatoria, definito dalla
( ) ( ) | | ( ) | | | | + e + + e + =

=1 k
0 k 2 0 k 1 0
t k sin c t k cos c c t X (A.2.83)
dove una variabile aleatoria con distribuzione uniforme tra 0 e 2t. Il processo stazio-
nario ed ergodico con
| | | |
0
c E ) t ( X E = (A.2.84)
( ) ( ) ( ) t e + = t

=
0
1 k
2
k 2
2
k 1
xx
k cos c c
2
1
R (A.2.85)

A.2.3.7.3. Rumore bianco

Il rumore bianco un processo stocastico stazionario con densit di potenza spettrale
uniforme su tutto lasse reale:
( ) ( ) e e = e , S S
0 x
(A.2.86)
e funzione di auto-correlazione
19
( ) ( ) t o t = t
0 xx
S 2 R (A.2.87)
dove o(t) la funzione di Dirac. Pertanto, in un rumore bianco la correlazione tra due i-
stanti diversi nulla, mentre la varianza infinita, essendo:
( )
}
e =
+

d S 0 R
0 xx
(A.2.88)
Si pu osservare che questo processo non fisicamente realizzabile perch larea sottesa
dalla densit di potenza spettrale infinita. Tuttavia il rumore bianco pu fornire buone
approssimazioni nella analisi della risposta di sistemi e per questo, oltre che per la sua
semplicit, trova molte applicazioni nella pratica.











(a)











(b)

Fig. A.2.4. - Densit di potenza spettrale e funzione di autocorrelazione di un rumore bian-
co a banda limitata.

A.2.3.7.4. Rumore bianco a banda limitata

Il rumore bianco a banda limitata definito dalle seguenti funzioni
( ) ( )
c 0 x
S S e s e = e (A.2.89)
e
S
0
S
x
(e)
t
S
0
R
xx
(t)
20
( )
( )
t
t e
= t
c
0 xx
sen
S 2 R (A.2.90)
Larea al di sotto dello spettro finita ed il processo diventa un rumore bianco al limite per
e
c
.

A.2.3.7.5. Processi stocastici Gaussiani

La densit di probabilit di una variabile aleatoria X Gaussiana fornita dalla:
( )
( )
< <
(
(

o t
= x
2
x
exp
2
1
x f
2
2
X
(A.2.91)
nella quale il valore medio e o lo scarto quadratico medio o deviazione standard, defi-
niti dalle relazioni:
| | ( ) =
}
=


dx x f x X E
X
(A.2.92)
( ) | | ( ) ( )
2
X
2 2
dx x f x X E o =
}
=


(A.2.93)
La distribuzione Gaussiana unitaria o standard (Fig. A.2.5) quella che corrisponde a
= 1 e o = 0:
( )
(
(

t
=
2
x
exp
2
1
x f
2
X
(A.2.94)
Per una variabile gaussiana sussiste limportante propriet che qualsiasi funzione lineare
di variabili aleatorie Gaussiane e anche essa Gaussiana.
Due variabili X e Y sono Gaussiane congiunte se la loro funzione densit di probabilit
congiunta risulta (A.2.95):
( )
( )
( )
( )( ) ( )

(
(

o

+
o o

o to
=
2
y
2
y
y x
y x xy
2
x
2
x
2
xy
2
xy y x
XY
y y x 2
x
1 2
1
exp
1 2
1
y , x f

dove i parametri:
| | | |
y x
Y E X E = =
21
( ) | | ( ) | |
2
y
2
y
2
x
2
x
Y E X E o = o =
( )( ) | |
xy y x y x
Y X E o o =
definiscono completamente la densit di probabilit congiunta.
xy
il coefficiente di cor-
relazione Se
xy
= 0, X e Y sono due variabili non correlate, e:
( ) ( ) ( ) y f x f y , x f
Y X XY
= (A.2.96)
Un processo detto gaussiano se i valori del processo in n istanti arbitrari sono variabili
gaussiane, per ogni valore di n. Un processo gaussiano completamente definito dal valore
medio e dalla funzione di auto-covarianza (o da quella di auto-correlazione). Conseguenza
diretta di questa propriet che un processo gaussiano debolmente stazionario anche sta-
zionario in senso stretto.
Limportanza pratica delle variabili aleatorie gaussiane e dei processi gaussiani discen-
de dal teorema del limite centrale che pu essere formulato in modi diversi, ma sostan-
zialmente stabilisce che la distribuzione di una variabile aleatoria somma di n variabili ale-
atorie indipendenti ed egualmente distribuite tende ad essere gaussiana quando il numero
delle variabili tende ad infinito, indipendentemente da quella che la distribuzione di pro-
babilit delle singole variabili. Il significato fisico di questo teorema quindi evidente; i-
noltre, molti fenomeni fisici in natura sono influenzati da un numero elevato di variabili
che concorrono in maniera paritetica al loro manifestarsi. Ogni operatore lineare trasforma
un processo gaussiano in un altro processo gaussiano. La risposta di un sistema lineare ad
un eccitazione gaussiana ancora gaussiana (cfr. Par. A.2.4).


Fig. A.2.5. - Distribuzione gaussiana standard.

A.2.3.7.6. Processi Markoviani

Un processo a parametro discreto {X(t), t = 0, 1, 2, } o continuo {X(t), t > 0} detto
0 1
0.1
0.2
0.3
0.4
-3 -2 -1 2 3
22
processo di Markov, se, per ogni insieme di n valori del parametro, le densit condizionate
di X(t
n
) per valori assegnati di X(t
1
), , X(t
n-1
) dipendono solo da X(t
n-1
) , ovvero se:
( ) ( )
1 n 1 n n n 1 1 n 1 1 n n n
t , x t , x f t ,...., t ; x ,...., x t , x f

= (A.2.97)
Ci significa che, assegnato lo stato attuale del processo, la sua evoluzione futura in-
dipendente dal passato.
Un processo di Markov descritto quindi da una funzione di probabilit di transizione
che rappresenta la probabilit che il sistema sia in uno stato i al tempo t
n
dato che era nello
stato j al tempo t
n-1
. Un processo di Markov detto omogeneo se le probabilit di transi-
zione dipendono solo dalle differenze t
n
t
n-1
e non dai valori di t
n
e t
n-1
.

A.2.4. RISPOSTA DINAMICA ALEATORIA (CENNI)

Levoluzione temporale delle azioni agenti su di una struttura non pu essere sempre
descritta mediante funzioni deterministiche, poich spesso presenta elementi di aleatoriet:
tale considerazione valida per la maggior parte delle azioni naturali, quali lazione del
vento e quella sismica, ma anche per molte altre azioni, quali il traffico o i carichi eccezio-
nali (urti, esplosioni, ecc.). Tali azioni dovrebbero essere quindi sempre rappresentate me-
diante processi stocastici (scalari o vettoriali): e stocastici sono di conseguenza anche i
processi di risposta, cio le storie delle quantit (ad esempio, tensioni, spostamenti, defor-
mazioni) che si manifestano nella struttura e ne caratterizzano la risposta.
Di solito laleatoriet delle azioni prevale su quella delle caratteristiche della struttura
(resistenze, geometria, ), che quindi abituale descrivere mediante un modello determi-
nistico.
Si assuma che il processo di carico sia stazionario (cio che le sue propriet non varino
nel tempo): ci raramente vero (a rigore, mai) nella realt fisica (infatti ogni azione dura,
e con intensit variabile, per un tempo limitato, che per una tempesta di vento pu essere
dellordine di ore e per un sisma dellordine di secondi), ma molto spesso introdotto co-
me ipotesi semplificativa nella pratica tecnica, almeno per azioni la cui durata molto su-
periore al periodo fondamentale della struttura (azioni prolungate).
Sotto tale ipotesi, le propriet significative della risposta sono quelle che si manifestano
a regime, e che sono anchesse stazionarie, se le caratteristiche della struttura non variano
nel tempo.

A.2.4.1. Sistemi lineari ad un grado di libert soggetti ad una forzante aleatoria

Si consideri un sistema ad un grado di libert, di caratteristiche costanti nel tempo, defi-
nite in senso deterministico. Tale sistema sia soggetto ad una forzante aleatoria, descritta
da un processo stocastico P(t) che si assume stazionario. Lequazione del moto del sistema
:
( ) t P kv v c v m
. ..
= + + (A.2.98)
23
La risposta a regime v
r
(t) del sistema ad una generica realizzazione p
r
(t) del processo
P(t) pu essere ottenuta nel dominio del tempo attraverso lintegrale di convoluzione:
( ) ( ) ( ) =
}
t t t =

, , 2 , 1 r d t h p t v
t
r r
(A.2.99)
essendo h() la funzione di risposta ad impulso, e lintegrale esteso a t = - , in virt della
stazionariet del processo.
Il valore medio E[v(t)] del processo che rappresenta la risposta a regime del sistema pu
essere ottenuto prendendo la media sullinsieme delle v
r
(t) ed invertendo gli operatori di
media ed integrale, ovvero dalla relazione:
( ) | | ( ) ( ) | | ( ) | | ( ) t t
}
t =
}
t t t =

d t h P E d t h p E t v E
t t
r
(A.2.100)
Il valore medio della risposta quindi la risposta al valore medio della forzante. Se il
processo di input ha valore medio nullo, ovvero se:
( ) | | 0 t P E = (A.2.101)
anche la risposta del sistema ha valore medio nullo.
Lauto-correlazione del processo di risposta E[v(t)v(t+t)] espressa dalla relazione
(A.2.102):
( ) ( ) | | ( ) ( ) ( ) ( ) | |
} }
0 0 t + 0 0 0 0 = t +

t +

t t
2 2 2 1 1 1
d t h P d t h P E t v t v E
che, effettuando il cambiamento di variabili
2 2 1 1
t u t u 0 t + = 0 = (A.2.103)
diviene (A.2.104):
( ) ( ) | | ( ) ( ) ( ) ( ) | |
} }
t + = t +
+ + t +
0
t
0
t
2 2 2 1 1 1
du u h u t P du u h u t P E t v t v E
Invertendo i limiti di integrazione di entrambi gli integrali e raggruppando si ottiene la
relazione (A.2.105a):
( ) ( ) | | ( ) ( ) ( ) ( ) | |
} }
t + = t +

0 0
2 1 2 1 2 1
du du u h u h u t P u t P E t v t v E
Invertendo gli operatori di media ed integrale, si ottiene infine la relazione (A.2.105b):
( ) ( ) | | ( ) ( ) | | ( ) ( )
} }
t + = t +

0 0
2 1 2 1 2 1
du du u h u h u t P u t P E t v t v E
La media al secondo membro della (A.2.105b) la funzione di auto-correlazione della
forzante ed quindi indipendente dal tempo, perch la forzante stazionaria; pertanto an-
che il termine a primo membro, che la funzione di auto-correlazione della risposta, in-
dipendente dal tempo. Di conseguenza, se linput stazionario anche loutput stazionario
e la sua funzione di auto-correlazione data da
( ) ( ) ( ) ( )
} }
+ t = t

0 0
2 1 2 1 1 2 p v
du du u h u h u u R R (A.2.106)
24
Se il processo di input Gaussiano, anche il processo di output Gaussiano: pertanto la
funzione di auto-correlazione (A.2.106) caratterizza completamente il processo di risposta.
La densit di potenza spettrale S
v
(e) del processo di risposta v(t) la trasformata di
Fourier della funzione di auto-correlazione
( ) ( )
}
t t
t
= e


et
d e R
2
1
S
i
v v
(A.2.107)
Sostituendo la (A.2.106) nella (A.2.107) si ottiene la (A.2.108)
( ) ( ) ( ) ( ) | |
}
t
} }
+ t
t
= e


et
d e du du u h u h u u R
2
1
S
i
0 0
2 1 2 1 1 2 p v

Scambiando gli ordini di integrazione ed estendendo i limiti degli integrali, si ottiene la
(A.2.109):
( ) ( ) ( ) ( ) | |
}
t + t
} }
t
= e

et

T
T
i
1 2 p
T
0
2 2
T
0
1 1
T
v
d e u u R du u h du u h lim
2
1
S
Effettuando il cambiamento di variabile
1 2
u u + t = 0 (A.2.110)
la (A.2.109) assume la forma (A.2.111):
( ) ( ) ( ) ( ) | |
}
0 0
} }
t
= e
+
+
e0 e e

2 1
2 1
2 1
u u T
u u T
i
p
T
0
2
u i
2
T
0
1
u i
1
T
v
d e R du e u h du e u h lim
2
1
S
Poich la funzione di risposta ad impulso h(u
i
) nulla quando u
i
< 0, il limite inferiore
dei primi due integrali pu essere variato da 0 a T. Poich inoltre, per sistemi smorzati, la
funzione di risposta ad impulso decresce rapidamente allaumentare dellargomento (u
1
o
u
2
), tali argomenti possono essere trascurati nei limiti di integrazione del terzo integrale.
Sulla base delle relazioni tra densit di potenza spettrale e auto-correlazione e tra rispo-
sta dimpulso e risposta in frequenza si verifica pertanto che:
( ) ( ) ( ) ( ) ( ) ( ) e e = e e e = e
p
2
p v
S H S i H i H S (A.2.112)
Se il processo di input un rumore bianco a valore medio nullo, caratterizzato dalla
densit di potenza spettrale S
P
(e) = S
0
(Fig. A.2.6a), e dalla funzione di autocorrelazione
(Fig. A.2.6b)
( ) ( ) t o t = t
0 p
S 2 R (A.2.113)
essendo o(t) la funzione di Dirac (A.2.4a), la densit di potenza spettrale (Fig. A.2.6c) del-
la risposta di un sistema debolmente smorzato ( < 1) con pulsazione e espressa dalla re-
lazione:
25






(a)





(b)








(c)









(d)


Fig. A.2.6. - (a) Densit di potenza spettrale e (b) funzione di auto-correlazione di un ru-
more bianco; (c) densit di potenza spettrale e (d) funzione di auto-correlazione della ri-
sposta di un sistema ad un grado di libert con coefficiente di smorzamento < 1.
=
0
S0
Sp (=)
t
0
2tS0 o(t)
Rp (t )
Sv (=)
=
e e
< 1
0
Area =

te
2
0
k 2
S

< 1
Rv (t )
t
d
2
e
t
e
-
e
r

te
=
2
0
v
k 2
S
) 0 ( R
2
0
k
S
2
0
k 4
S

26
( )
0
2
2
2
2
v
S
2 1
1
k
1
S

|
.
|

\
|
e
e
+
(
(

|
.
|

\
|
e
e

= e (A.2.114)
La funzione di autocorrelazione della risposta (Fig. A.2.6d) espressa dalla relazione
(A.2.115):
( ) < t <
(
(

t e t

+ t e

e t
= t
t e
e sen sign
1
cos
k 2
S
) ( R
d
2
d
2
0
v

La (A.2.114) presenta un forte picco in corrispondenza della pulsazione propria
delloscillatore, ovvero nella zona in cui loscillatore, agendo come un filtro, amplifica
lazione.
La varianza della risposta fornita dalla (A.2.115) e vale:
3 2
0
2
0
v
2
m 2
S
k 2
S
) 0 ( R
e
t
=

e t
= = o (A.2.116)
E immediato rilevare dalla (A.2.116) che, anche se la varianza dellazione illimitata,
quella della risposta limitata. Tale risultato giustifica limpiego in molte applicazioni del
rumore bianco come modello stocastico dellazione: infatti tale modello fornisce risultati
ragionevoli purch si adotti come densit di potenza spettrale S
0
il valore assunto dalla
densit di potenza spettrale dellazione effettiva in corrispondenza della pulsazione propria
delloscillatore.
Se lazione un processo stocastico stazionario (almeno in senso debole; cfr. Par.
A.2.3.2), ma applicato solo a partire dallistante t = 0 al sistema in quiete, la risposta del
sistema non stazionaria. Se il sistema smorzato, si pu tuttavia ammettere che la rispo-
sta a regime del sistema sia stazionaria (almeno in senso debole).
Se lazione un rumore bianco ed il sistema debolmente smorzato, il valore quadrati-
co medio della risposta fornito dalla relazione (A.2.117):
| | ( ) | |

e ee + e e + e
e

e t
~
e
t 2 sen t sen 2
e
1
k 2
S
) t ( v E
d d
2
d
2
d
2
d
t 2
2
0 2

che rappresentata in Fig. A.2.7 per diversi valori di . Si rileva che, maggiore lo smor-
zamento, pi rapido il raggiungimento dello stato di regime. In particolare, se la durata di
applicazione t
d
dellazione elevata in confronto allintervallo t caratteristico del sistema
( ) 0 2 t
1
d
= e = t >>

(A.2.118)
la risposta dello stesso pu essere assunta (debolmente) stazionaria.


27














Fig. A.2.7. - Valore quadratico medio della risposta non stazionaria, risultante dalla appli-
cazione dellazione al tempo t = 0.

Se invece = 0, il valore quadratico medio della risposta cresce indefinitamente al cre-
scere di t, secondo la relazione:
| | ( ) 0 t 2 sin t 2
k 2
S
) t ( v E lim
2
0 2
0
= e e
e t
~

(A.2.119)

A.2.4.2. Sistemi lineari a n gradi di libert.

La risposta dinamica di sistemi lineari ad n gradi di libert con smorzamento proporzio-
nale, pu essere ricavata applicando lanalisi modale, ovvero risolvendo n equazioni diffe-
renziali disaccoppiate:
( ) ( ) ( )
( )
( ). n ,..., 2 , 1 i
M
t P
t q t q 2 t q
*
*
i
2
i i
.
i i i
..
i
i
= = e + e + (A.2.120)
dove ( ) t P
*
i
e
*
i
M sono le azioni e le masse generalizzate o modali.
Qualsiasi parametro di risposta Y(t) linearmente dipendente dalle coordinate normali
pu essere trovato impiegando la relazione
( ) ( ) =
=
n
1 i
i i
t q B t Y (A.2.121)
essendo i coefficienti B
i
ottenuti da metodi standard di analisi.
Di solito peraltro possibile troncare la sommatoria ai primi termini.
Se il sistema soggetto ad un insieme di azioni modellate come processi stocastici,
necessario considerare ciascuna azione generalizzata come un processo stocastico a se
0
5
10
15
20
25
0 2 4 6 8
10
et
| |
0
2 2
S
) t ( v E k
te
Asintoto per = 0.10
Asintoto per = 0.05
Asintoto per = 0.025
= 0.10
= 0.05
= 0.025
= 0
28
stante.
Ad esempio, per un carico p(z, t) distribuito:
}
| =


dz ) t , z ( p ) z ( ) t ( P
i
*
i
(A.2.122)
essendo |
i
(z) lespressione al continuo della i-esima forma modale.
Se p(z, t) un processo stazionario gaussiano, con densit di potenza spettrale S
P
(z, o,
=) e funzione di auto-correlazione R
P
(z, o, t) si hanno le funzioni di cross-spettro e cross-
correlazione delle funzioni aleatorie ( ) t P
*
i
e ( ) t + t P
*
j

o =
}
o
}
o | | = =

d dz ) , , z ( S ) ( ) z ( ) ( S
P j i
P P
*
j
*
i
(A.2.123)
o t
}
o
}
o | | = t

d dz ) , , z ( R ) ( ) z ( ) ( R
P j i
P P
*
j
*
i
(A.2.124)
Nel caso di azioni stazionarie, anche la risposta pu essere considerata stazionaria. Di
conseguenza, la funzione di auto-correlazione del parametro di risposta fornita
dallespressione:
( ) ( ) ( ) | | ( ) t = t + = t
m n
Y Y Y
n m
R t Y t Y E R (A.2.125)
dove
( ) ( ) ( ) ( )
} }
+ t = t

0
2 1 2 n 1 m 1 2 p p n m Y Y
du du u h u h u u R B B R
n m n m

la funzione di cross-correlazione delle risposte modali Y
m
(t) e Y
n
(t).
Per sistemi debolmente smorzati, situazione usuale nel caso dellingegneria strutturale,
la risposta Y
m
(t) prodotta dal modo m pu essere considerata, ai fini pratici, stocasticamen-
te indipendente dalla risposta Y
n
(t) prodotta dal modo n; ci implica che i termini incrociati
della precedente sommatoria siano nulli e che la funzione di autocorrelazione della risposta
sia esprimibile nella forma approssimata:
( ) ( ) t ~ t
m
Y Y Y
m m
R R (A.2.126)
Per la densit e la cross-densit di potenza spettrale, ancora in analogia con i sistemi ad
un grado di libert, valgono le seguenti relazioni:
( ) ( ) e = e
m n
Y Y Y
n m
S S (A.2.127)
( ) ( ) ( ) ( ) e e e = e
n m n m
p p n m n m Y Y
S H H B B S (A.2.128)
Per sistemi debolmente smorzati ( << 1), si ha che:
( ) ( ) ( ) e e = e
m
p p
2
m
2
m Y Y
m m m m
S H B S (A.2.129)
29
BIBLIOGRAFIA ESSENZIALE

G. AUGUSTI, A. BARATTA E F. CASCIATI: Probabilistic Methods in Structural Engineer-
ing. Chapman and Hall, London, 1984: ISBN 0 412 22230 2.
H. BUCHHOLDT: Structural dynamics for engineers. Thomas Telford, London, 1997:
ISBN 0 7277 2559 9.
R.W. CLOUGH E J. PENZIEN: Dynamics of Structures. McGraw-Hill, Inc., 1993: ISBN 0
07 113241 4.
W.B. KRTZIG e H.-J. NIEMANN (a cura di): Dynamics of Civil Engineering Structures.
A.A. Balkema/Rotterdam/Brookfield, 1996: ISBN 90 5410 624 7.
A. PREUMONT: Random Vibrations and Spectral Analysis. Kluwer Academic Publishers,
AA Dordrecht, The Netherlands, 1994: ISBN 0 7923 3036 6.