A Simulação de Monte Carlo Como Instrumento para A Análise

APLICAO DO MTODO DE MONTE
CARLO EM SIMULAES
HIGROTRMICAS DE EDIFCIOS
PEDRO DUARTE PEREIRA CARVALHIDO RIBEIRO DA FONTE
Dissertao submetida para satisfao parcial dos requisitos do grau de

MESTRE EM ENGENHARIA CIVIL ESPECIALIZAO EM CONSTRUES CIVIS
Orientador: Professor Doutor Nuno Manuel Monteiro Ramos
Co-Orientador: Professora Doutora Maria de Lurdes de Oliveira

Simes
FEVEREIRO DE 2011
MESTRADO INTEGRADO EM ENGENHARIA CIVIL 20010/2011

DEPARTAMENTO DE ENGENHARIA CIVIL
Tel. +351-22-508 1901
Fax +351-22-508 1446
miec@fe.up.pt
Editado por
FACULDADE DE ENGENHARIA DA UNIVERSIDADE DO PORTO

Rua Dr. Roberto Frias
4200-465 PORTO
Portugal
Tel. +351-22-508 1400
Fax +351-22-508 1440
feup@fe.up.pt
http://www.fe.up.pt
Reprodues parciais deste documento sero autorizadas na condio que seja

mencionado o Autor e feita referncia a Mestrado Integrado em Engenharia Civil 2009/2010 - Departamento de Engenharia Civil, Faculdade de Engenharia da
Universidade do Porto, Porto, Portugal, 2011.
As opinies e informaes includas neste documento representam unicamente o

ponto de vista do respectivo Autor, no podendo o Editor aceitar qualquer
responsabilidade legal ou outra em relao a erros ou omisses que possam existir.
Este documento foi produzido a partir de verso electrnica fornecida pelo respectivo
Autor.
Aplicao do Mtodo de Monte Carlo em Simulaes Higrotrmicas de Edifcios
Aos meus Pais, minha irm, av e a todos os meus amigos pelo apoio incondicional.
Um bom mestre tem sempre esta preocupao: ensinar o aluno a desenvencilhar-se

sozinho.
Andr Gide
AGRADECIMENTOS
Agradeo ao Professor Doutor Nuno Manuel Monteiro Ramos, meu orientador de tese de mestrado
integrado, pela disponibilidade e pacincia, apoio, orientao. Obrigado pelo tema proposto, pelo
tempo disponibilizado na correco da tese, que nem sempre foi pacfica.
Obrigado Professora Doutora Maria de Lurdes de Oliveira Simes, minha co-orientadora da rea de
Estatstica, por toda a ajuda, apoio e disponibilidade que sempre demonstrou aquando da escolha do
algoritmo de gerao de nmeros aleatrios, assim como na compreenso dos resultados obtidos e na
leitura atenta dos textos.
Aos meus amigos, Edgar, Ana Catarina, Catarina, Diana, Alvim, Hlder, Ins, Sara, Cristina, Filipa,
Brize, Nria, Ricardo, Guida, Ana Filipa, Nuno, Fernando, Carla, Tininha, Silvano, Daniel, Rui, Sofia
e Teresa por todo o apoio e carinho e pelas palavras de incentivo que deram e continuam a dar.
Agradeo aos meus pais, irm e av, pelo apoio incondicional que me tm dado ao longo do curso.
Foram sem dvida uma ajuda muito grande neste percurso.
Muito Obrigado a todos pelo vosso apoio e compreenso!
ii
RESUMO
O trabalho desenvolvido nesta dissertao tem como principal objectivo a aplicao do Mtodo de
Monte Carlo ao clculo higrotrmico em regimes dinmico. Pretende-se, tambm, compreender qual o
comportamento das temperaturas interiores, ou seja, qual a distribuio que as temperaturas seguem se
a ventilao natural seguir uma distribuio normal.
A simulao numrica de valores aleatrios de ventilao natural foi efectuada atravs do programa
EnergyPlus verso 5.0. Recorreu-se tambm ao programa Microsoft Excel com o objectivo de
organizar e analisar grfica e estatisticamente os resultados obtidos nas simulaes higrotrmicas.
Os valores de ventilao natural foram obtidos aleatoriamente, determinados a partir do conceito do
Mtodo de Monte Carlo. Este mtodo usado em processos estocsticos e a meteorologia um
processo muito aleatrio porque apesar de existirem previses, estas podem mudar passado pouco
tempo. Para gerar essa amostra de valores foi usada uma frmula geradora de nmeros aleatrios, o
mtodo congruencial multiplicativo.
Depois da amostra gerada atravs do mtodo congruencial multiplicativo, que representa a ventilao
natural segundo uma distribuio estatstica definida, os valores da amostra foram introduzidos no
programa EnergyPlus a fim de simular os diferentes valores de ventilao. Nestas simulaes tambm
foi considerado a variao do nmero de ocupantes.
Os resultados obtidos nas simulaes realizadas pelo programa de simulao higrotrmica foram
analisados estatisticamente. Os resultados foram tratados segundo uma anlise descritiva e por
inferncia estatstica. A anlise efectuada permitiu concluir que existe uma maior variao das
temperaturas interiores no ms de Janeiro em comparao com o ms de Maio. Verificou-se tambm
que necessrio uma maior variao da ventilao natural e do nmero de ocupantes para que a
amplitude dos intervalos de confiana seja maior.
Este estudo permitiu, ainda, perceber que a ventilao natural e a flutuao do nmero de ocupantes
tm influncia no comportamento das temperaturas interiores do edifcio escolar analisado.
PALAVRAS-CHAVE: Simulao higrotrmica, EnergyPlus, Mtodo de Monte Carlo, Anlise Estatstica,

Ventilao Natural.
iii
iv
ABSTRACT
The work developed in this dissertation has as main objective the application of the Monte Carlo
method in situations involving dynamic systems. The aim is also to understand what the behavior of
indoor temperature is, i.e., what statistical distribution the temperatures takes if natural ventilation
follows a normal path.
The numerical simulation of random values for natural ventilation was carried out by the EnergyPlus
version 5.0. It also appealed to the Microsoft Excel program in order to organize and analyze the
statistical and graphical simulation hygrothermal results.
The values of natural ventilation were randomly determined based on the concept of Monte Carlo
Method. This method is used in stochastic processes and weather forecast is a very random process as
forecasts may change shortly thereafter. To create sample values a formula was used for generating
random numbers, the multiplicative congruent method.
After a sample generated by the multiplicative congruent method, representing the natural ventilation
according to a statistical distribution defined, values were introduced in the EnergyPlus program to
simulate the different levels of ventilation. In these simulations was also taken into account the
number of occupants alternation.
The results taken in the simulation performed by the hygrothermal simulation program were analysed
statistically and were treated according to a descriptive analysis and by statistical inference. The
analysis concluded that there is a greater variation of indoor temperatures in January when compared
with the month of May. It might be concluded that also requires a greater variation of natural
ventilation and the number of occupants that the amplitude of the confidence intervals were larger.
This study enable us to understand that natural ventilation and the variation in the number of
occupants have a high influence on the indoor temperature behavior of the school building analyzed.
KEY WORDS: hygrothermal simulation, EnergyPlus, Monte Carlo Method, Statistical Analysis,
Natural Ventilation.
vi
NDICE GERAL
AGRADECIMENTOS ................................................................................................................................... i
RESUMO ................................................................................................................................. iii
ABSTRACT ............................................................................................................................................... v
1. INTRODUO ....................................................................................................................1
1.1. ENQUADRAMENTO GERAL .............................................................................................................. 1
1.2. OBJECTIVOS..................................................................................................................................... 2
1.2. DIVISO E ORGANIZAO DO TEXTO ............................................................................................. 2
2. MTODO DE MONTE CARLO ...........................................................................3

2.1. INTRODUO .................................................................................................................................... 3
2.2. PRINCPIO DO MTODO DE MONTE CARLO ................................................................................... 4
2.3. AMOSTRAGEM .................................................................................................................................. 7
2.3.1. HIPERCUBO LATINO .......................................................................................................................... 8
2.3.2. MODELO UNIFORME ........................................................................................................................ 13
2.3.3. AMOSTRAGEM SEQUENCIAL ............................................................................................................ 14
2.3.4. OUTROS PROCESSOS DE AMOSTRAGEM DE NMEROS PSEUDO-ALEATRIOS ..................................... 14
2.4. TCNICAS DE ANLISE .................................................................................................................. 14

2.4.1. MODELO DE CHEGADA .................................................................................................................... 15
2.4.2. ANLISE DE SENSIBILIDADE ............................................................................................................. 19
2.4.3. ANLISE WHAT IF ........................................................................................................................ 20
2.4.4. ROBUSTEZ DOS MTODOS ............................................................................................................... 21
2.5. DISTRIBUIES ESTATSTICAS ..................................................................................................... 22

2.5.1. DISTRIBUIO UNIFORME ................................................................................................................ 22
2.5.2. DISTRIBUIO NORMAL ................................................................................................................... 23
2.5.3. DISTRIBUIO W EIBULL .................................................................................................................. 25
2.6. RESULTADOS ................................................................................................................................. 26

2.6.1. ANLISE DESCRITIVA ....................................................................................................................... 26
2.6.2. INFERNCIA ESTATSTICA ................................................................................................................ 27
2.7. TRABALHOS ANTERIORES NA REA DA HIGROTRMICA............................................................ 29
vii
3. ESTUDO DE CASO .................................................................................................... 35

3.1. ENQUADRAMENTO GERAL ........................................................................................................... 35
3.2. DESCRIO DO CASO EM ESTUDO .............................................................................................. 35
3.2.1. INTRODUO ................................................................................................................................. 35
3.2.2. LOCALIZAO E CLIMA.................................................................................................................... 36
3.2.3. HORRIO DE OCUPAO ................................................................................................................ 36
3.2.4. CARACTERIZAO DA ENVOLVENTE OPACA ..................................................................................... 37
3.2.5. GANHOS INTERNOS ........................................................................................................................ 38
3.2.6. RENOVAO DE AR ........................................................................................................................ 39
4. APLICAO DO MTODO DE MONTE CARLO AO CASO

DE ESTUDO ............................................................................................................................. 41
4.1. ENQUADRAMENTO GERAL ........................................................................................................... 41
4.2. DADOS ........................................................................................................................................... 42
4.2.1. VENTILAO .................................................................................................................................. 42
4.2.2. PESSOAS ....................................................................................................................................... 43
4.2.3. OCUPAO .................................................................................................................................... 44
4.3. AMOSTRAGEM ............................................................................................................................... 45

4.3.1. MTODO CONGRUENCIAL MULTIPLICATIVO ...................................................................................... 45
4.3.2. GERAO DE NMEROS ALEATRIOS PARA O CASO DE ESTUDO ...................................................... 47
4.4. SIMULAES ................................................................................................................................. 49

4.4.1. SIMULAES REALIZADAS PARA A AMOSTRA ALEATRIA. ................................................................. 49
4.4.2. SIMULAES PARA UMA VENTILAO DE 2,2 E DIFERENTES NMEROS DE OCUPANTES....................... 56
4.4.3. SIMULAES EFECTUADAS PARA VENTILAO E OCUPANTES QUE VARIAM EM SIMULTNEO............... 64
4.5. ANLISE DOS RESULTADOS COMPARATIVAMENTE AOS PARMETROS .................................... 72
5. CONCLUSES................................................................................................................ 75
5.1. CONCLUSES GERAIS .................................................................................................................. 75
5.2. DESENVOLVIMENTOS FUTUROS ................................................................................................... 77
BIBLIOGRAFIA ....................................................................................................................................... 79
viii
NDICE DE FIGURAS
Fig.1 Mtodo da transformao inversa para gerar aleatrias (Veiga, 2008). ..................................... 5
Fig.2 Amostragem aleatria (Dehlendorff, 2010). ................................................................................. 6
Fig.3 Mtodo Hipercubo Latino (Dehlendorff, 2010). ............................................................................ 7
Fig.4 Matriz de valores de entrada (Dehlendorff, 2010). ...................................................................... 8
Fig.5 Amostras aleatria pelo mtodo Hipercubo Latino (Dehlendorff, 2010). ..................................... 8
Fig.6 Escolha aleatria, Hipercubo Latino (Dehlendorff, 2010). ........................................................... 9
Fig.7 Escolha dos pontos mdios, Hipercubo Latino (Dehlendorff, 2010) .......................................... 10
Fig.8 Cruzamentos dos 2 mtodos aplicados anteriormente (Dehlendorff, 2010). ............................ 10
Fig.9 Hipercubo Latino no aleatrio (Dehlendorff, 2010). ................................................................. 11
Fig.10 Hipercubo Latino aleatrio (Dehlendorff, 2010). ...................................................................... 12
Fig.11 Exemplo de um modelo Hipercubo Latino optimizado (Dehlendorff, 2010) ............................ 12
Fig.12 Aplicao da Distribuio Uniforme com o Hipercubo Latino (Dehlendorff, 2010). ................. 13
Fig.13 Aplicao da Distribuio Uniforme com o Hipercubo Latino (Dehlendorff, 2010). ................. 13
Fig.14 Problema de interpolao inicial para y(x)= sin(10 x) com x [0,1] (10 pontos) (Dehlendorff,
2010). ..................................................................................................................................................... 15
Fig.15 Interpolao de 10 pontos (Dehlendorff, 2010). ...................................................................... 16
Fig.16 Aproximao usando 10 pontos de interpolao (Dehlendorff, 2010). .................................... 16
Fig.22 Exemplo Funo Densidade de Probabilidade da Distribuio Uniforme no intervalo [a,b]. .. 22
Fig.23 Exemplo Funo Distribuio de Probabilidade da Distribuio Uniforme no intervalo [a,b] .. 22
Fig.24 Exemplo Funo Densidade de Probabilidade, Distribuio Normal. ..................................... 23
Fig.25 Exemplo Funo Distribuio de Probabilidade, Distribuio Normal. .................................... 24
Fig.26 Exemplo Funo Densidade de Probabilidade da Distribuio Weibull. ................................. 24
Fig.27 Exemplo Funo Distribuio de Probabilidade da Distribuio Weibull. ............................... 26
Fig.28 Mdia e desvio padro para as diferentes zonas do edifcio em estudo. ................................ 29
Fig.29 Mdia e desvio padro para as diferentes estaes do ano. .................................................. 30
Fig.30 Comparao dos resultados de acordo com o algoritmo de Yun e de Humphreys. ............... 31
Fig.31 Ilustrao da percentagem de energia consumida pelo sector residencial de utentes. .......... 32
ix
Fig.32 Percentagem de energia economizada pelos diferentes aparelhos, do total de energia

consumida atravs da simulao do modelo. ....................................................................................... 32
Fig.33 Vista area da escola (Santos, 2010). .................................................................................... 36
Fig.34 Planta ilustrativa do edifcio escolar em estudo (Santos, 2010). ............................................ 37
Fig.35 Alado Este do edifcio escolar (Santos, 2010)....................................................................... 38
Fig.36 Alado Oeste do edifcio escolar (Santos, 2010) .................................................................... 38
Fig.37 Grupo Zone Infiltration Design Flow Rate.) ............................................................................. 43
Fig.38 Grupo People........................................................................................................................... 43
Fig.39 Distribuio dos ocupantes do edifcio escolar. ...................................................................... 44
Fig.40 Grupo Lights. ........................................................................................................................... 44
Fig.41 Grupo Schedule: Compact. ..................................................................................................... 45
Fig.42 Representao grfica da funo densidade da distribuio Uniforme no intervalo [a,b]. ..... 46
Fig.43 Caracterizao da amostra das temperaturas dirias registadas durante o ms de Janeiro. 49
Fig.44 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, durante o
ms de Janeiro ...................................................................................................................................... 50
Fig.45 Caracterizao da amostra das temperaturas horrias registadas no dia 4 de Janeiro......... 50
Fig.46 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, no dia 4 de
Janeiro. .................................................................................................................................................. 51
Fig.47 Caracterizao da amostra das temperaturas horrias registadas no dia 26 de Janeiro....... 51
Fig.48 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, no dia 26
de Janeiro. ............................................................................................................................................. 52
Fig.49 Caracterizao da amostra das temperaturas dirias registadas durante o ms de Maio. .... 53
Fig.50 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana durante o
ms de Maio. ......................................................................................................................................... 53
Fig.51 Caracterizao da amostra das temperaturas mdias horrias registadas no dia 5 de Maio. 54
Maio. ...................................................................................................................................................... 54
Fig.53 Caracterizao da amostra das temperaturas mdias horrias registadas no dia 24 de Maio.55
Fig.54 Intervalos de Confiana das temperaturas mdias horrias interiores, a 95% de confiana, no
dia 24 de Maio. ...................................................................................................................................... 55
Fig.55 Caracterizao da amostra das temperaturas horrias registadas no dia 4 de Janeiro durante
o perodo de ocupao. ......................................................................................................................... 56
Fig.56 Temperaturas mdias horrias interiores, no dia 4 de Janeiro. .............................................. 57
Fig.57 Caracterizao da amostra das temperaturas horrias registadas no dia 4 de Janeiro no
perodo das [11-15] horas. .................................................................................................................... 57
Janeiro no perodo das [11-15] horas. ................................................................................................... 58
Fig.59 Caracterizao da amostra das temperaturas mdias horrias registadas no dia 26 de
de Janeiro no perodo das [11-15] horas. .............................................................................................. 59
Fig.61 Caracterizao da amostra das temperaturas horrias registadas no dia 5 de Maio no
perodo de ocupao. ............................................................................................................................. 60
Fig.62 Intervalos de Confiana das temperaturas mdias horrias interiores, a 95% de confiana, no
dia 5 de Maio. ......................................................................................................................................... 61
Fig.63 Caracterizao da amostra das temperaturas mdias horrias registadas no dia 5 de Maio no
perodo das [11-15] horas. ..................................................................................................................... 61
Maio no perodo das [11-15] horas. ....................................................................................................... 62
Fig.65 Caracterizao da amostra das temperaturas horrias registadas no dia 24 de Maio no
perodo das [11-15] horas. ..................................................................................................................... 62
de Maio no perodo das [11-15] horas. .................................................................................................. 63
Fig.67 Caracterizao da amostra das temperaturas dirias registadas durante o ms de Janeiro. 64
Fig.68 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana durante o
ms de Janeiro. ...................................................................................................................................... 64
Fig.69 Caracterizao da amostra das temperaturas horrias registadas no dia 4 de Janeiro. ........ 65
Fig.70 Temperaturas mdias horrias interiores, no dia 4 de Janeiro................................................ 66
Fig.72 Caracterizao da amostra das temperaturas mdias horrias registadas no dia 16 de
Janeiro. ................................................................................................................................................... 67
de Janeiro no perodo das [11-15] horas. .............................................................................................. 68
Fig.74 Caracterizao da amostra das temperaturas dirias registadas durante o ms de Maio. .... 68
Fig.75 Caracterizao da amostra das temperaturas horrias registadas no dia 5 de Maio. ............ 69
Fig.76 Comparao das medidas estatsticas, mdia e mediana das temperaturas horrias
registadas no dia 5 de Maio. .................................................................................................................. 69
Fig.77 Caracterizao da amostra das temperaturas horrias registadas no dia 24 de Maio. .......... 70
Fig.78 Comparao das medidas estatsticas, mdia e mediana das temperaturas horrias
registadas no dia 24 de Maio. ................................................................................................................ 70
xi
NDICE DE QUADROS
Quadro 1 Parmetros em comparao para Amostras Aleatrias e Hipercubo Latino. .................... 11

Quadro 2 - Calendrio Escolar 2009/2010 ............................................................................................ 37
Quadro 3 - Interrupes do ano lectivo 2009/2010 ............................................................................... 37
Quadro 4 - Gerao de nmeros aleatrios seguindo uma distribuio Normal de =2,2 e =0,65 . 47
Quadro 5 - Gerao de nmeros aleatrios seguindo uma distribuio Normal de =2,2 e =0,65
(continuao). ........................................................................................................................................ 48
xii
SMBOLOS E ABREVIATURAS
- Mdia
Desvio padro
2
Varincia
-1
Rph Renovaes por hora

FORM First-order reliability method
VAR Vector auto-regressivo
AVAC Aquecimento, Ventilao e Ar Condicionado
xiii
xiv
1
INTRODUO
1.1. ENQUADRAMENTO GERAL

Actualmente existe uma grande preocupao com o conforto trmico e a eficincia energtica dos
edifcios. Como se sabe, a ventilao um dos aspectos que tem maior influncia nas condies
trmicas interiores.
O nvel exigncial dos utilizadores tem vindo a tornar-se muito maior. Ou seja, o conforto e a
preocupao com os gastos energticos de um edifcio so temas que tm ganho uma grande evidncia
nos projectos da Engenharia Civil.
O conforto trmico e uma qualidade do ar aceitvel dentro de um edifcio escolar so fundamentais
para um bom desempenho dos alunos. Caso contrrio, os alunos tero falta de concentrao por no
estarem criadas as melhores condies de trabalho.
Neste mbito, tm sido tomadas medidas de forma a ser possvel fazer um controlo do ambiente
interior atravs de equipamentos mecnicos.
A variabilidade deste parmetro, a ventilao, pode ser muito diversificada. Tratando-se de ventilao
natural, est condicionada pelas aces dos utilizadores. Ou seja, um fenmeno estocstico porque
no possvel prever o comportamento dos utilizadores.
Existem vrios mtodos que permitem estudar o efeito da variabilidade de certos parmetros e um
destes mtodos e o mais corrente o mtodo de Monte Carlo. O Mtodo de Monte Carlo um mtodo
que tem vindo a ganhar alguma evidncia nesta rea da Engenharia Civil.
O aspecto inovador deste trabalho o facto de ser usado o mtodo de Monte Carlo para obtermos os
diferentes valores da ventilao, que sero usados para simular o comportamento trmico do edifcio
escolar. A ventilao natural consiste nas trocas de fluxo de ar entre o interior e o exterior e que
provocam uma diminuio da temperatura interior. Isto prova que este um processo dinmico e com
um nvel de variabilidade muito elevado pois no possvel prever o seu comportamento.
Para este trabalho recorreu-se a uma ferramenta de simulao higrotrmica, o programa EnergyPlus na
sua verso 5.0.
Este programa permite simular o comportamento trmico e energtico dos edifcios tendo em conta os
registos climticos da zona onde se encontra o edifcio em estudo. necessrio ter em conta a
arquitectura, constituio construtiva, os hbitos dos utilizadores, equipamentos e iluminao. O
EnergyPlus um programa muito utilizado neste mbito de trabalhos pois uma ferramenta muito
fivel e eficaz nas simulaes que realiza, pois as simulaes realizam-se em regime dinmico.
Como j foi referido anteriormente, a ventilao tem uma grande influncia no comportamento
trmico dos edifcios, sendo este o parmetro principal a simular neste estudo.
1.2. OBJECTIVOS
O principal objectivo deste trabalho de dissertao consiste na aplicao do mtodo de Monte Carlo na
simulao do comportamento higrotrmico em edifcios. Os resultados so analisados recorrendo
estatstica descritiva e inferncia estatstica.
Para que este objectivo fosse alcanado, foram definidos outros objectivos tambm muito importantes
no desenvolvimento deste trabalho:
Avaliao da aplicabilidade do mtodo de Monte Carlo na simulao higrotrmica de edifcios

em regime dinmico.
Anlise da estocacidade dos processos de transferncia de calor e humidade.
Analisar estatisticamente as simulaes efectuadas em perodos distintos.
Simulao do caso prtico de estudo recorrendo ao programa EnergyPlus.
1.3. DIVISO E ORGANIZAO DO TEXTO

Este trabalho encontra-se dividido em cinco captulos distintos:
O Captulo 1 apresenta este trabalho de dissertao, mostrando o seu enquadramento geral e

apresentando os objectivos propostos.
O Captulo 2 apresenta o Mtodo de Monte Carlo, em que se descreve como se usa este
mtodo de simulao, assim como todos os campos que so inerentes sua utilizao e ainda
exemplos acadmicos da sua utilizao.
O Captulo 3 referente ao caso em estudo, onde se realiza a descrio do edifcio escolar, da

sua envolvente, tipo de utilizao, a que tipo de clima e ventilao est sujeito.
O Captulo 4 divide-se entre 2 campos importantes: numa delas indicado qual a metodologia
usada para o clculo das dados que foram necessrios para o uso do programa EnergyPlus e
quais os parmetros usados para efectuar as devidas simulaes; na outra parte so
apresentados os resultados das mesmas em funo do respectivo cenrio base.
O Captulo 5 contm as concluses retiradas acerca do trabalho desenvolvido assim como

alguns aspectos que podero melhorar no futuro.
2
MTODO DE MONTE CARLO
2.1. INTRODUO
Este captulo tem como principal objectivo apresentar uma descrio dos conceitos bsicos da
aplicao do Mtodo de Monte Carlo, definir processos estocsticos e a variabilidade de que estes
podero ser afectados, mas principalmente explicar como que este mtodo pode ser aplicado em
diversos mbitos da Engenharia Civil e indicar as suas potencialidades.
O mtodo de Monte Carlo uma ferramenta matemtica usada em diversas reas da cincia e da
Engenharia, devido sua capacidade de resolver problemas que podem ser representados por
processos estocsticos. Este mtodo pode ser descrito como um mtodo estocstico, na qual se utiliza
uma sequncia de nmeros aleatrios para a realizao de uma simulao (Veiga, 2008).
Num processo estocstico est sempre associada uma incerteza, ou seja no possvel prever com
preciso um acontecimento, nomeadamente na evoluo futura descrita por distribuies de
probabilidade. A condio inicial, ou o valor de partida, conhecido, mas existem diversas
possibilidades que um determinado processo pode seguir. Ou seja, existem vrios percursos possveis,
sendo no entanto uns mais provveis do que outros.
Os processos estocsticos tm a vantagem de incluir a variabilidade do fenmeno em estudo. Esta
variabilidade reflecte-se consoante a amostra em anlise, pois a variabilidade est directamente ligada
ao clculo da varincia, que por definio uma medida de disperso, e indica o quo longe esto os
valores observados do valor esperado. A varincia sempre positiva ou nula e quanto maior for a
amostra menor ser a varincia e mais representativa ser a amostra (Murteira, 2007).
Por outro lado, pode ter-se um processo estocstico constitudo por um campo aleatrio, cujo domnio
uma regio do espao. Neste caso, a abordagem de processos estocsticos feita atravs de funes
de um ou vrios argumentos. Os valores de sada so variveis aleatrias no deterministas e tm
quantidades determinadas segundo distribuies de probabilidades e todas essas quantidades tm
correspondncia no mesmo contradomnio (Murteira, 2007).
Quando difcil obter resultados analticos exactos necessrio recorrer a aproximaes e para isso
so utilizados os mtodos numricos. Como a maior parte dos problemas existentes so
demasiadamente complexos, no so lineares e nem sempre dispomos de conhecimentos matemticos
suficientemente bons para resolvermos estes problemas necessrio recorrer a estes mtodos
numricos, que so uma mais-valia no clculo de modelos muito complexos.
Em todos os clculos existem erros associados, pois estamos a lidar com aproximaes e no podemos
de forma alguma ignorar a existncia de erros. Existem vrios tipos de erros, como por exemplo os
erros inerentes ou seja, normalmente o modelo que criado no totalmente realista pois uma
aproximao da realidade e a estes erros esto associados normalmente restries que so impostas
pelo utilizador e so um pouco idealistas. Por outro lado, o facto de os dados e os parmetros serem
resultado de observaes e medies experimentais, logo existe sempre uma incerteza associada.
Os erros de mtodo resultam das frmulas utilizadas, que por serem aproximadas no do o valor
exacto como seria de esperar, tm por isso um erro associado. Existem tambm os erros associados ao
clculo automtico pois muitas vezes os computadores trabalham com um nmero finito de dgitos
para poder representar nmeros reais. Existem vrios mtodos para podermos calcular
aproximadamente um determinado modelo, como por exemplo, interpolao polinomial, mtodo dos
mnimos quadrados, integrao numrica, etc, (Pina, 1995).
Neste captulo apesar de apresentar um mtodo especfico que nos serve de base para podermos
calcular o nosso modelo de clculo, queremos mostrar que o mtodo de Monte Carlo um mtodo que
pode ser aplicado tambm a processos dinmicos, no se cingindo apenas a processos estticos.
2.2. PRINCPIO DO MTODO DE MONTE CARLO

A utilizao do conceito do mtodo de Monte Carlo implica ter uma amostra de nmeros gerados
aleatoriamente. A gerao de nmeros aleatrios feita atravs de algoritmos, e esses valores gerados
normalmente seguem as distribuies estatsticas das respectivas variveis de interesse.
O mtodo de Monte Carlo um processo de simulao que tem grandes implicaes computacionais,
principalmente no clculo higrotrmico, pois para se poder implementar em termos informticos
necessrio incluir tcnicas de reduo da varincia. Esta uma das principais dificuldades na aplicao
do mtodo. A introduo destes dados e tcnicas demasiado demorada quando os mtodos aplicados
so baseados em processos de simulao do mtodo de Monte Carlo (Veiga, 2008).
A simulao de variveis aleatrias bsicas feita a partir de um gerador de nmeros aleatrios cujos
valores tm distribuies idnticas s respectivas variveis. Para isso usa-se um algoritmo disponvel
em todos os sistemas de computadores actuais que permite gerar uma sequncia de nmeros pseudoaleatrios com distribuio uniforme no intervalo ]0,1[. Estes valores chamam-se pseudo-aleatrios
porque no so puramente aleatorizados, dado que o algoritmo usado se baseia numa frmula
matemtica recursiva que tem um determinado nmero inicial, definido antes de se gerar a amostra e
chamado de semente (por ser o valor inicial para o clculo da sequncia de nmeros aleatrios e que
permite gerar todos os nmeros seguintes). Por isso, se definirmos um valor de partida e usarmos
sempre esse valor, a consequncia desta aco ser obter sempre a mesma sequncia de nmeros
aleatrios. Existem variados algoritmos que permitem gerar nmeros deste tipo, e a sua qualidade deve
ser testada para se poder garantir a independncia e uniformidade da distribuio (Rubinstein, 1981).
Para realizar esta anlise so calculados nmeros aleatrios a partir de variveis iniciais das quais se
conhecem as suas distribuies de probabilidade. A preciso dos resultados depende da quantidade de
simulaes realizadas (Veiga, 2008).
Se o nmero de simulaes N tender para infinito e o algoritmo gerador da sequncia de nmeros
pseudo-aleatrios verificar as propriedades de independncia e uniformidade, o mtodo de Monte
Carlo ter resultados exactos (Veiga, 2008).
Na aplicao do mtodo de Monte Carlo a problemas relativos ao comportamento higrotrmico de

edifcios devem considerar-se as seguintes fases:
1. Definio de todas as variveis aleatrias bsicas associadas ao caso de estudo;
2. Definio das suas distribuies e parmetros;
3. Simulao de valores para essas variveis aleatrias com base nas suas distribuies:
= , ,
;
= 1, , ;

=
4. Obteno dos resultados a partir do conjunto de simulaes efectuadas;

5. Avaliao dos resultados obtidos das temperaturas interiores;
A gerao de nmeros aleatrios para uma determinada distribuio o um factor muito importante
para se poder usar a tcnica de simulao de Monte Carlo.
Estes nmeros aleatrios podem ser gerados atravs de variveis discretas ou contnuas. Se estas
variveis estiverem relacionadas com determinada funo de distribuio Fx(x) , os nmeros gerados
podem ser uniformemente distribudos entre ]0,1[. Tendo a funo de probabilidade da distribuio
das variveis do qual geramos os nmeros aleatrios, podemos atravs da inversa, Fx(x)-1, achar os
valores pretendidos para efectuar as simulaes pretendidas (Veiga, 2008).
A Figura 1 mostra graficamente como se processa o mtodo anteriormente referido.
Figura 1 Mtodo da transformao inversa para gerar amostras aleatrias (Veiga, 2008).
Quantas mais simulaes forem efectuadas maior vai ser a probabilidade obtida pelo mtodo de Monte
Carlo de chegarmos ao valor exacto da situao em anlise.
Como todos os mtodos, o mtodo de Monte Carlo tem vantagens e desvantagens (Dehlendorff,
2010).
Vantagens:
A maior parte dos problemas no podem ser resolvidos analiticamente.
As condies experimentais podem ser controladas.
possvel estudar fenmenos a longo prazo.
Desvantagens:
uma aproximao.
O modelo pode levar muito tempo a ser calculado.
Por vezes a soluo analtica pode ser tratada.
Uma amostra aleatria um conjunto de nmeros escolhidos ao acaso. Normalmente os valores de

entrada so completamente independentes entre si e pertencem a U (Cs), onde Cs o domnio para as
variveis de entrada e geralmente esto compreendidos entre [0,1]s, e U() representa a distribuio
uniforme, Figura 2 (Dehlendorff, 2010).
Figura 2 Amostragem aleatria (Dehlendorff, 2010).
Como j foi referido anteriormente, estes nmeros aleatrios seguem uma determinada distribuio
estatstica que normalmente dever ser a mesma distribuio das variveis que lhes deram origem. Os
nmeros calculados aleatoriamente devem ser independentes entre si, para que no exista qualquer
tipo de correlao entre os nmeros seguintes.
O mtodo de Monte Carlo est de certa forma associado a simulaes em que os parmetros variam
relativamente pouco no tempo. Ou seja, geralmente utilizado em problemas estticos sendo por isso
muito pouco utilizado no clculo do comportamento trmico dos edifcios.
Contudo, existem j alguns estudos aplicados simulao higrotrmica de edifcios, onde aplicado
este mtodo de forma a calcular, segundo a variao de diversos parmetros, o comportamento de
ocupao do edifcio, radiao solar, isolamento trmico, envidraados, metabolismo, iluminao,
temperatura exterior e interior, humidade relativa, vento e ventilao.
As etapas para podermos proceder s simulaes so (Lustosa et al., 2004):
Desenvolvimento conceptual do modelo do sistema ou do problema a ser estudado.

Construo do modelo de simulao: inclui o desenvolvimento de frmulas e equaes
apropriadas, a recolha de dados necessrios, a determinao das distribuies de
probabilidades associadas s variveis de entrada e, finalmente, a construo ou definio de
uma forma para registar os dados.
Verificao e validao do modelo: a verificao refere-se ao processo de conferir se o
modelo est livre de erros de lgica. J a validao tem como objectivo avaliar se o modelo
construdo uma representao razovel do sistema/problema estudado.
Desenho de experincias com a utilizao do modelo: tal etapa envolve a determinao de
questes a serem respondidas pelo modelo com o intuito de auxiliar o decisor a alcanar o seu
objectivo.
Realizao das experincias e anlise dos resultados: finalmente, nessa ltima etapa e, com
base no desenho de experiencia feita, as simulaes so realizadas para que se obtenha o
conjunto de informaes especificado, que pode ser transmitido aos tomadores de deciso em
forma de relatrios pr-definidos em conjunto com os mesmos.
2.3. AMOSTRAGEM
Para efectuarmos esta escolha de nmeros aleatrios temos de ter uma amostra, na qual deveremos
escolher as variveis de entrada, temos de escolher o nmero de combinaes diferentes para testar e
por fim escolhermos uma sequncia {x1, , xn}. Ou, ento, escolher um conjunto de pontos de um
espao, (Figura 3), ou ainda definir uma matriz de valores de entrada para o modelo, (Figura 4)
(Dehlendorff, 2010).
Figura 3 Mtodo Hipercubo Latino (Dehlendorff, 2010).
Figura 4 Matriz de valores de entrada (Dehlendorff, 2010).
2.3.1. HIPERCUBO LATINO
O Hipercubo Latino um mtodo estatstico que permite gerar uma distribuio de valores plausveis
de parmetros de uma distribuio multidimensional. Em estatstica uma amostra pode representar-se
por uma grelha quadrada com posies da amostra, formando um quadrado latino se e s se no for
apenas uma amostra em cada linha e cada coluna. O Hipercubo Latino a generalizao do conceito
anteriormente definido, para um conjunto aleatrio de dimenses, e em que cada amostra nica em
cada eixo hiperplano que a contm (Dehlendorff, 2010).
Figura 5 Amostras aleatria pelo mtodo Hipercubo Latino (Dehlendorff, 2010).
As propriedades deste mtodo so as seguintes (Dehlendorff, 2010):
x1,xn so escolhidos aleatoriamente mas no de uma forma independente.

A mdia enviesada, ou seja no centrada.
Cada varivel dividida em n estratos com igual probabilidade marginal.
Este mtodo pode englobar diversas variveis, porm quando comeamos a ter mais que duas ou trs
variveis, deixa de ser possvel visualizar e perceber como podem estar relacionadas em termos
grficos.
O Hipercubo Latino selecciona valores aleatoriamente de forma dependente. Tal mtodo divide a
distribuio em intervalos com probabilidades iguais de sorteio e selecciona um valor aleatrio
pertencente a cada um dos intervalos. O mtodo do Hipercubo Latino mais preciso para a reproduo
das distribuies de probabilidade escolhidas para as variveis de entrada e, consequentemente, para o
clculo de estatsticas geradas pela simulao. Isto porque o intervalo da distribuio utilizado de
forma mais unnime e consistente (Vose, 2000).
De forma alternativa, quando o objectivo principal for a gerao de uma diversidade de cenrios
independentes, ento a gerao aleatria pura torna-se, por definio, mais adequada. Adicionalmente,
o padro de aleatoriedade propiciado por esse mtodo pode ser conveniente para os casos em que as
distribuies das variveis de entrada so definidas sem a utilizao de dados histricos.
As figuras seguintes, Figuras 8 e 9, mostram a escolha aleatria num exemplo de aplicao do mtodo
do Hipercubo Latino:
Figura 6 Escolha aleatria, Hipercubo Latino (Dehlendorff, 2010).
.
Figura 7 Escolha dos pontos mdios, Hipercubo Latino (Dehlendorff, 2010).
A Figura 10, mostra como seria o cenrio caso ocorressem os 2 casos anteriores num s:
Figura 8 Cruzamentos dos 2 mtodos aplicados anteriormente (Dehlendorff, 2010).
possvel realizar uma anlise comparativa relativamente a amostras aleatrias e o conjunto de

nmeros aleatrios que so gerados pelo mtodo Hipercubo Latino. O Quadro 1, (Dehlendorff, 2010),
mostra os parmetros em anlise para estes dois processos:
10
Quadro 1- Parmetros em comparao para Amostras Aleatrias e Hipercubo Latino.
Parmetros
Amostras Aleatrias Hipercubo Latino
Valores Independentes
Sim
No
Cobertura Marginal garantida
No
Sim
Espao de enchimento
No
Sim
Para obter modelos do Hipercubo Latino que sejam razoveis e fiquem longe de exemplos que sejam
fracos do ponto de vista aleatrio necessrio que no apresente a seguinte escolha aleatria como
se pode verificar na Figura 9. A Figura 9 representa o que no dever acontecer num modelo
representado pelo Hipercubo Latino, no existe aleatoriedade.
Figura 9 Hipercubo Latino no aleatrio (Dehlendorff, 2010).
A Figura 10 corresponde a um Hipercubo Latino bem sucedido, ou seja, a escolha dos valores foi
realizada de forma totalmente aleatria.
11
Figura 10 Hipercubo Latino aleatrio (Dehlendorff, 2010).
Para podermos ter modelos optimizados do Hipercubo Latino importante que sejam respeitados os
seguintes conceitos (Dehlendorff, 2010):
Ortogonalidade do modelo do Hipercubo: as colunas do modelo devem ser ortogonais.

Minimizar a distncia mxima de qualquer ponto do domnio de entrada ao seu ponto mais
prximo.
Maximizar a distncia mnima entre os pontos do modelo.
A Figura 11 exemplifica os conceitos referidos anteriormente:
Figura 11 Exemplo de um modelo Hipercubo Latino optimizado (Dehlendorff, 2010).
12
2.3.2. MODELO UNIFORME
Como o prprio nome indica, este mtodo usa a distribuio uniforme para ser possvel construir um
modelo de disperso. um modelo robusto e usa um factor para n simulaes:
"
!#
{ , ,,
} Dehlendorff, 2010.
! !
Figura 12 Aplicao da Distribuio Uniforme com o Hipercubo Latino (Dehlendorff, 2010).
A Figura 12 representa uma amostra de nmeros aleatrios entre 0 e 1 entre duas variveis x1 e x2. Na
Figura 13 foi escolhida uma amostra representativa destas duas variveis.
Figura 13 - Aplicao da Distribuio Uniforme com o Hipercubo Latino (Dehlendorff, 2010).
13
O modelo Uniforme construdo para problemas polinomiais no determinsticos e a alternativa seria

usar um modelo quase uniforme. Este um mtodo muito utilizado, pois em termos computacionais
bastante eficiente e de fcil implementao (Dehlendorff, 2010).
2.3.3. AMOSTRAGEM SEQUENCIAL
Neste processo de criao de amostras, as simulaes baseiam-se em informaes obtidas previamente

e no no resultado apenas de uma experincia. As experincias so realizadas uma de cada vez ou
ento por um conjunto de nmeros que nos permitem realiz-las. um mtodo que se adapta muito
bem a simulaes, e quando necessrio escolher o prximo ponto para realizarmos uma simulao,
esse valor escolhido a partir de um critrio (Dehlendorff, 2010).
Esse critrio baseia-se nos seguintes pontos fundamentais (Dehlendorff, 2010):
Optimizao: atinge ou est muito prximo do ponto ptimo

Objectivo do modelo: no ponto com a maior incerteza relativa ao modelo.
Os critrios de paragem so (Dehlendorff, 2010):
Restrio de tempo
Preciso do modelo
Valor ptimo no pode ser melhorado.
Este mtodo baseia-se num algoritmo que gera e simula uma pequena experincia, encontra o prximo
ponto de partida de acordo com alguns critrios e a execuo do modelo e por fim avalia os critrios
de paragem e volta ao ponto anterior se estes no forem devidamente satisfeitos. Porm este mtodo
tem alguns pontos crticos (Dehlendorff, 2010):
Parar antes que o nmero mximo de simulao seja utilizado.

Realizar simulaes em momentos inadequados.
2.3.4. OUTROS PROCESSOS DE AMOSTRAGEM DE NMEROS PSEUDO-ALEATRIOS
Existem outras formas para gerar amostras recorrendo a outros mtodos, como por exemplo (Gudwin
& Von Zuben, 1998):
Geradores lineares, mtodo congruencial multiplicativo e misto.

Gerao de amostras de acordo com uma determinada distribuio estatstica.
Geradores multi-variveis com incremento aleatrio.
Geradores no lineares.
2.4. TCNICAS DE ANLISE

Depois de terem sido apresentados vrios modelos de gerao de amostras de nmeros aleatrios de
forma a resolver problemas pelo qual as solues so obtidas de forma aproximada, necessrio
arranjar uma forma de avaliar a fiabilidade dos mtodos anteriormente descritos.
Existem vrios mtodos para se fazerem anlise de sensibilidade dos dados, como por exemplo
(Dehlendorff, 2010):
14
Modelo de chegada
Anlise de Sensibilidade
Anlise What If
Robustez dos Mtodos.
2.4.1. MODELO DE CHEGADA
Considerando uma amostra de observaes y1, , yN, como o resultado dado pelos valores de entrada
introduzidos no modelo:
211
1
271
214
8
274
O modelo de Chegada um mtodo que nos permite construir um modelo simplificado que representa
ou se assemelha ao modelo computacional. Ou seja, criamos uma modelo para podermos calcular um
outro modelo semelhante. Neste processo de anlise podemos ter outros sub-processos: modelos
polinomiais, Splines, Kriging. Sendo que o mais adequado a simulaes ser usarmos o processo de
Kriging (Dehlendorff, 2010).
O mtodo Kriging permite-nos fazer simulaes, e um mtodo que tem as seguintes caractersticas
em termos matemticos: usa a interpolao de dados, muito utilizado para anlise de experincias e
simulaes em computadores, um mtodo bastante flexvel na anlise de fenmenos e os parmetros
de entrada devem ser quantitativos.
Y2 = : + <2 1
Temos de aproximar o resultado determinstico y(x) ao modelo:
=2 , 2 = > CA@A >@B 2
Em que a parte central da correlao da funo para o campo aleatrio Z(x) :

B
Na Figura 14 dado um exemplo inicial de aplicao para 10 pontos escolhidos aleatoriamente,

podendo este nmero de pontos aumentar consoante o desejo do utilizador:
Figura 14 Problema de interpolao inicial para y(x)= sin(10 x) com x [0,1] (10 pontos) (Dehlendorff, 2010).
Na figura 15, foram escolhidos aleatoriamente 10 pontos da funo de forma a ser possvel desenhar
um grfico aproximado desta funo.
15
Figura 15 Interpolao de 10 pontos (Dehlendorff, 2010).
A Figura 16 apresenta a aproximao j realizada atravs dos pontos que foram escolhidos ao acaso:
Figura 16 - Aproximao usando 10 pontos de interpolao (Dehlendorff, 2010).
Nas figuras 14, 15 e 16, podemos verificar que o mtodo usa uma forma sequencial de criar uma
determinada amostra entre [0,1], pois a frmula utilizada para criar este exemplo uma frmula
continua no seu domnio. Neste mtodo podem ser escolhidos vrios pontos aleatrios como
poderemos verificar em outros exemplos de aplicao apresentados de seguida.
Em seguida so demonstrados outros exemplos de aplicao para 11, 12, 13, 14 e 15 pontos escolhidos
aleatoriamente, possvel ver a evoluo desta funo. Na figura 17, foram escolhidos 11 pontos
aleatoriamente, contudo esta escolha no consegue representar minimamente a funo original.
16
Na Figura 18, o mesmo exemplo aplicado para 12 pontos escolhidos aleatoriamente e pode-se
verificar como que feita a aproximao funo original:
Na Figura 19, so escolhidos 13 pontos e a respectiva aproximao funo:
17
Como se pode verificar medida que so escolhidos mais pontos para se poder fazer uma
aproximao da funo D2 = sin10G2, com x [0,1]. Porm nem sempre a escolha destes pontos
aleatria e sendo assim a aproximao pode no ser bem sucedida como o exemplo da Figura 17.
A Figura 20 representa a aproximao da funo de acordo com 14 pontos escolhidos:
A Figura 21 a aproximao da funo para 15 pontos escolhidos e como se pode verificar uma
aproximao bastante razovel da funo original.
18
Figura 21 Aproximao usando 15 pontos de interpolao (Dehlendorff, 2010).
Como se pode verificar pelos vrios exemplos apresentados, o mtodo de Kriging um mtodo de
interpolao. A interpolao permite fazer a reconstituio (aproximada) de uma funo, bastando
para tanto conhecer algumas das suas abcissas e respectivas ordenadas (imagens no contra-domnio da
funo). A funo resultante garantidamente passa pelos pontos fornecidos, e, em relao aos outros
pontos pode ser considerada um mero ajuste. Ou seja este mtodo consiste em aproximar funes
complexas por outras mais simples, escolhendo dados pontuais e interpolados com uma funo mais
simples.
Como ser previsvel, quando se usam funes mais simples para obter o resultado, este no ser o
mesmo que seria obtido pela funo exacta. Mas, tendo em conta o domnio e o mtodo de
interpolao, o facto de este ser simplificado pode compensar o erro. O mtodo Kriging um mtodo
estocstico com factores quantitativos e qualitativos e tem uma resposta mltipla. usado em
amostras de nmeros sequenciais e parte do princpio que pontos prximos no espao tendem a ter
valores mais parecidos do que pontos mais afastados.
Os estimadores de Kriging constituem uma soluo ptima para a inferncia das caractersticas mdias
globais ou locais de um fenmeno, o que o torna um modelo ideal para a primeira visualizao das
suas caractersticas. No entanto, por vezes necessrio conhecer no as caractersticas mdias, mas
sim os seus extremos, ou por outras palavras, a probabilidade de exceder um determinado valor de
corte, ou o inverso. Este mtodo de Kriging incorporado na estimao dos valores extremos e da
incerteza local permite aferir a probabilidade de ocorrncia de determinados valores extremos com
grande rigor (Castro e Lopes, 2010).
2.4.2. ANLISE DE SENSIBILIDADE
Geralmente a anlise de sensibilidade passa pela construo de um modelo da realidade que estamos a
simular, com as relaes entre os parmetros e as variveis e resultados de um sistema. Uma vez
construdo esse modelo, em software especfico, passa a ser possvel variar os parmetros cujo efeito
se quer determinar, e a observar os resultados do modelo. Assim, podem estimar-se impactos sobre os
19
resultados de um modelo de uma empresa, da variao de preos, volumes, taxas de juro, taxas de
cmbio, custos, etc.
Numa anlise de sensibilidade necessrio ter em conta trs factores fundamentais. Esses factores so
os seguintes: identificar quais os parmetros mais importantes, ou seja, necessrio fazer uma triagem
dos factores que so interessantes para o nosso modelo, se esta anlise localizada em que so
analisados resultados parciais ou ainda se uma anlise global de um determinado parmetro, neste
caso fundamental relacionar a incerteza das variveis de sada com a incerteza das variveis de
entrada (Dehlendorff, 2010).
Como se sabe, uma anlise deste tipo uma anlise que imposta a um determinado problema para
podermos analisar as suas vantagens e desvantagens de acordo com certos factores que nos podero
ajudar a decidir qual o melhor caminho a ser seguido. Basicamente, trata-se de investigar o efeito que
certos parmetros podem ter na escolha de uma determinada soluo, que pode ser a melhor a ter em
conta o nosso problema (Neves, Jardim, 2003 e Cruz, 2000).
Os objectivos mais importantes de uma anlise de sensibilidade so os seguintes (Dehlendorff, 2010):
Validar o modelo de chegada.

Identificar os factores de entrada mais importantes.
Reduzir a complexidade do modelo de chegada.
Optimizar a produo do modelo.
Os mtodos que so utilizados para proceder anlise de sensibilidade, so por exemplo (Dehlendorff,
2010):
Anlise de Regresso: podemos usar vrios modelos de regresso. Coeficientes de regresso, a

soma dos quadrados e previso do erro, coeficientes de correlao e outros aplicados
aproximao da soluo analtica.
Decomposio da Varincia: anlise funcional da varincia (uma anlise de varincia visa
fundamentalmente verificar se existe uma diferena significativa entre as mdias e se os
factores exercem influncia em alguma varivel dependente).
Neste tipo de anlise podem usar-se vrias formas para se proceder a uma anlise. Depois de estarem
completamente definidos os parmetros que queremos que surjam no nosso modelo de estudo,
necessrio, consoante a situao, variar ou no esses parmetros com ajuda de regresses, grficos e
at mesmo tabelas, e analisar qual a melhor opo a ser tomada (Murteira, 2007).
2.4.3. ANLISE WHAT IF
Uma anlise what if uma outra forma de analisar um determinado problema e as solues
apresentadas consoante a mudana de certos parmetros. No fundo uma anlise de sensibilidade,
porm como o prprio nome indica what if, e se, ou seja, analisando um problema com
determinadas caractersticas e factores. A anlise do problema pode ser condicionada se formos
modificando certos parmetros, e isso pode influenciar em tudo a deciso final do problema.
Ou seja, temos um cenrio base de um determinado problema. Esse cenrio base tem um conjunto de
parmetros limitados a um conjunto de configuraes possveis. Este mtodo muito usado para
quando temos um determinado cenrio e que tem poucas alternativas de comparao.
20
What if uma tcnica de anlise geral, qualitativa e de aplicao muito simples e razoavelmente til
para uma primeira abordagem. Este tipo de anlise utilizada para se poder encontrar o maior nmero
de riscos, numa fase inicial do processo, durante o projecto e numa fase mais avanada properacional.
Muitas vezes, os parmetros de um modelo de programao linear so apenas estimativas de
quantidades que no podem ser determinados com preciso na altura em que se desenvolve o modelo.
Uma anlise what if permite identificar at que ponto as estimativas devem ser precisas para se
evitar obter uma soluo ptima errada, ou seja, permite identificar quais os parmetros sensveis para
os quais se requer um cuidado particular na realizao das estimativas.
Se as condies presentes quando se desenvolveu o modelo se alterarem aps a sua implementao, a
anlise de sensibilidade permite saber (sem voltar a resolver o modelo) se essas alteraes significam
uma mudana na soluo ptima. Quando alguns parmetros do modelo representam decises, a
anlise de sensibilidade uma ajuda importante acerca do impacto de alteraes de poltica sobre o
problema (Dehlendorff, 2010).
2.4.4. ROBUSTEZ DOS MTODOS
Todos os mtodos de anlise esto associados a uma fiabilidade. Uns podem ser mais fiveis do que
outros e por isso que uns se tornam muito melhores que outros, mas tudo depende tambm da
situao a ser tratada no problema em questo. Ou seja, para cada situao existe um mtodo mais
adequado.
A robustez dos mtodos reflecte-se no facto de estes permitiram efectuar uma melhor anlise da
situao em estudo. Ou seja, numa anlise deveremos ter em conta as variveis que podemos, e no
podemos, controlar, o tipo de modelo e por conseguinte verificar que existem variveis ambientais de
forma a definirmos o modelo do problema. O objectivo ser encontrar uma definio para as variveis
controlveis de modo a que a soluo encontrada seja ptima e robusta, e caso haja mudanas em
factores incontrolveis esta no se altere de forma brusca.
Este processo de anlise da robustez dos mtodos deve ser muito bem delineado experimentalmente.
Ou seja, deve ser realizado um modelo de clculo de variveis no qual temos o controlo das mesmas.
Para que depois seja possvel cruzar com um outro modelo em que as variveis no esto ao alcance
de serem controladas. Os mtodos de anlise devem ter dois tipos de factores de interaco entre eles.
O resultado desejado deve conter uma interaco significativa entre as variveis controladas e as
variveis no controladas (Dehlendorff, 2010).
21
2.5. DISTRIBUIES ESTATSTICAS

2.5.1. DISTRIBUIO UNIFORME
1
I2 = , 2 1, , . 3

Uma distribuio uniforme uma distribuio em que a funo de probabilidade dada por:
Este tipo de distribuio caracteriza as variveis em que existe um conjunto numervel finito de
valores possveis e cada um desses valores tem igual probabilidade de ocorrer.
ocorrer De uma forma mais
abreviada escreve-se
se da seguinte forma, quando a varivel X segue uma distribuio uniforme de
parmetro n. (Oliveira, 2006)
~ L
1
2 M N ,
I2
0 ,
A funo densidade de probabilidade tem a seguinte expresso analtica:

4 O 2 O
4 2 O 2 P
4R
A sua representao grfica pode ser observada na Figura 22:

22
Figura 22 - Exemplo Funo Densidade de Probabilidade da Distribuio Uniforme no intervalo [a,b].
A funo distribuio de probabilidade tem a seguinte expresso analtica:

0 , 4 2 O
2N
, 4 O 2 O 5R
S2 T
N
1 , 4 2 P
Como podemos visualizarr no grfico seguinte a concretizao grfica da funo distribuio:
22
Figura 23 - Exemplo Funo Distribuio de Probabilidade da Distribuio

o Uniforme no intervalo [a,b].
2.5.2. DISTRIBUIO NORMAL
A Distribuio Normal ou Gaussiana uma das distribuies estatsticas mais importantes. Esta
distribuio tem caractersticas interessantes, normalmente ela serve de aproximao no clculo de
outras distribuies quando o tamanho da amostra se torna relativamente grande. Esta propriedade
advm do Teorema
eorema do Limite Central que por definio diz o seguinte, toda
soma de variveis
aleatrias independentes de mdia finita e varincia limitada aproximadamente Normal, desde que o
nmero de termos da soma
oma seja suficientemente grande (Murteira, 2007).
Esta
ta distribuio muito caracterstica da maior parte das variveis que so estudadas normalmente.
Geralmente a distribuio normal aparece quando estudamos situaes em que a varivel de estudo
resultado de uma amostra
ostra de factores independentes (Oliveira, 2006).
A funo densidade de uma varivel com distribuio normal dada pela seguinte expresso:
I2 =
2 X
Ye
xN2
N
22
6
Trata-se
se de uma distribuio com dois parmetros, e 2, que representa a mdia da varivel e sua
varincia respectivamente (Oliveira,
(Oliveira 2006):
~7, X
Na Figura 24 pode ver-se um exemplo grfico da funo densidade de probabilidade:
23
Figura 24 Exemplo Funo Densidade de Probabilidade,

Probabilidade, Distribuio Normal.
N
A funo distribuio de probabilidade calculada segundo o seguinte integral:

_`
S
S2
=^
2 X
Ye
xN2
N
22
2 7
Porm este integral no tem uma soluo analtica exacta, esta expresso tem de ser obtida atravs de
mtodos numricos. Um exemplo de uma funo distribuio de probabilidade:
probabilidade:
N2ln c Y cos2Ge 8
Na Figura 25 apresentado um exemplo grfico da funo distribuio de probabilidade:
Figura 25 - Exemplo Funo Distribuio de Probabilidade, Distribuio

o Normal.
N
24
2.5.3. DISTRIBUIO W EIBULL
A distribuio Weibull tem o nome do seu autor Waloddi Weibull. uma distribuio de
probabilidade contnua, muito utilizada para estudos relacionados com o tempo de vida de
equipamentos e estimativa de falhas. bastante similar a outras distribuies nomeadamente a
distribuio normal e exponencial.
g 2 i# #jkm

9
h h
A sua funo densidade de probabilidade dada pela seguinte expresso:

I2; g, h =
, 4 2 0 I2; g, h = 0 4 2 > 0, g > 0 h > 0
necessrio referir que o parmetro k representa o parmetro de forma e representa o parmetro de

escala da distribuio.
Na Figura 26 apresentado um exemplo grfico desta distribuio:
Figura 26 - Exemplo Funo Densidade de Probabilidade da Distribuio Weibull.
Quanto funo distribuio de probabilidade encontra-se definida pela seguinte funo:

S2; g, h = 1 #j#k , 4 2 > 0 10
m
25
Um exemplo da sua representao grfica apresentado na Figura 27:
Figura 27 - Exemplo Funo Distribuio de Probabilidade da Distribuio Weibull.
2.6. RESULTADOS
Os resultados analisados consistem numa anlise de comparao entre duas formas de indicadores
estatsticos. Por um lado temos a mdia e intervalo de confiana e no outro, os percentis de 10%, 90%
e a mediana. A partir dos resultados obtidos foram calculados estes parmetros como 2 grupos de
anlise. Para tal necessrio ter alguns conhecimentos bsicos de estatstica descritiva que a seguir se
descrevem.
2.6.1. ANLISE DESCRITIVA
A Mediana uma medida de localizao do centro da distribuio da amostra e normalmente esta

medida divide em metades iguais o conjunto de observaes. A mediana o valor que permite referir
que 50% dos valores da amostra so inferiores e os restantes 50% so superiores.
1
Spq = 11
2
importante referir que para se determinar a mediana de uma amostra de observaes, em primeiro
lugar a amostra deve ser ordenada de forma crescente.
Caso a amostra tenha um nmero par, a mediana toma o valor mdio dos dois valores que esto na
posio mais prxima do centro, como podemos verificar na seguinte equao:
pq =
2
/ + 2
/
2
_
12
Caso contrrio, ou seja, se a amostra for impar, a mediana toma o valor da amostra que ocupa a
posio central:
pq = 2
_/ 13
26
importante analisar os valores extremos tomados na amostra, pois permite-nos verificar a existncia
de valores excepcionais.
Normalmente so verificados quais os valores mximos e mnimos da amostra, porm tambm
importante obter quais os cinco maiores e menores valores da amostra. Esta anlise possibilita a
compreenso dos resultados, concluindo pela sua proximidade ou disparidade.
Os quantis, que onde esto includos os percentis, os decis e os quartis, so medidas de localizao
que consistem na diviso de uma amostra em duas partes, uma igual ou inferior e outra igual ou
superior ao quantil pretendido, [0-100%].
Os quantis mais frequentes para anlises de amostras so os de 25% (Q1), de 50% que equivalente
mediana e 75% (Q3). Estes quartis permitem uma anlise mais especfica do conjunto amostral.
A varincia, que por sua vez dada pelo quociente entre a soma dos quadrados dos desvios de cada
valor observado em relao mdia da amostra e relativamente ao tamanho da amostra.
1
sj = t u2 2 14

v
O desvio padro sempre positivo e quanto maior for a disperso da amostra, maior o valor do
desvio padro. Quando o valor do desvio padro apresenta valor nulo, significa que todas as
observaes so iguais e conclui-se que no existe variabilidade (Murteira, 2007).
2.6.2. INFERNCIA ESTATSTICA
A inferncia estatstica um procedimento que permite chegar a concluses acerca de determinadas

distribuies mas tambm usar a probabilidade para determinar o nvel de fiabilidade dessas
concluses. (Oliveira, 2006)
Este procedimento tem por base um raciocnio indutivo. Ou seja, procura-se obter concluses de um
caso particular, para depois se poder generalizar segundo o que foi concludo. Este tipo de raciocnio
completamente oposto ao raciocnio matemtico que do tipo dedutivo. (Oliveira, 2006)
Em estatstica quando se pretende estimar um parmetro denominamos de estimador do parmetro em
estudo. Ao resultado obtido atravs da funo de uma determinada funo para o devido efeito
chamamos de estimativa. O estudo de um determinado estimador efectuado a partir da sua
distribuio de amostragem.
Existem dois tipos de estimativa, estimativas pontuais e estimativas por intervalos. A estimativa
pontual uma estimativa de um parmetro por um nico valor ao contrrio de uma estimativa por
intervalos que consiste em calcular um intervalo em torno da estimativa por ponto de tal forma que ele
possua uma probabilidade conhecida. Ou seja que existe um nvel de confiana associado, de forma a
conter o verdadeiro valor que se quer estimar. Este intervalo conhecido por intervalo de confiana
(Oliveira, 2006).
Um estimador uma varivel aleatria que caracterizado por uma determinada distribuio de
probabilidade. Assim possvel obter-se um intervalo centrado na estimativa com uma grande
probabilidade que o verdadeiro valor do parmetro que se quer conhecer pertence a esse intervalo de
confiana. Estes permitem analisar a incerteza de uma estimativa (Oliveira, 2006).
27
Quando a varincia, 2, desconhecida, a varivel definida como sendo a principal deixa de o ser,
porque para alm da mdia, , depende do desvio padro, que tambm desconhecido. O intervalo
de confiana para a mdia, , tendo em conta as propriedades da distribuio Normal pode ser
calculado da seguinte forma (Murteira, 2007):
w =
x :
~ w 1, 15
sz

x 4, : , s | 4 .
Para se poder calcular o intervalo de confiana necessrio estabelecer um grau de confiana.

Normalmente esse grau de confiana toma valores entre [85- 99] %. Depois de definido o grau de
confiana do intervalo possvel calcular a sua amplitude atravs do seguinte intervalo (Murteira,
2007):
~ I , ~ = 2 w; 2 + w, c c I 16
28
2.7. TRABALHOS ANTERIORES NA REA DA HIGROTRMICA
No artigo, Mtodo de Monte Carlo em simulaes trmicas de edifcios - A Monte Carlo method
for thermal building simulation, foi usado o mtodo de Monte Carlo para se encontrar uma
aproximao da distribuio de temperaturas de um edifcio. Estas tcnicas de simulao so
demasiadamente simplificadas e ao utilizarmos um mtodo determinstico podemos concluir que os
modelos podero ser complexos e estocsticos. Um novo mtodo que pode ser usado baseia-se no
mtodo de Monte Carlo para encontrar distribuio de entrada tpica, usado em conjunto com um
modelo determinstico de construes tradicionais de simulao trmica. A distribuio de sada
calculada atravs de uma amostra devidamente seleccionada de distribuio de entrada.
Usando a radiao e entrada de dados da temperatura para se realizarem simulaes tero de ser
simulados em separado e ento o efeito em conjunto encontrado atravs de uma convoluo
numrica integral. Esta convoluo integral apenas vlida para variveis independentes entre si,
sendo apresentado um estudo de verificao para vrios edifcios e um conjunto de diferentes
renovaes de ar. Completada esta verificao experimental do mtodo, temos de verificar a medio
da distribuio de temperaturas dentro de 5 anos, para 5 diferentes taxas de renovao de ar para o
mesmo nmero de edifcios.
Se os parmetros forem considerados separadamente, os resultados so tambm aceitveis. O mtodo
muito prtico e de fcil compreenso, podendo ser usado em conjunto com qualquer mtodo
determinstico e ainda pode incluir mais variveis. Tendo que para isso definir a distribuio estatstica
da varivel de entrada. Ento, atravs de uma verificao por comparao dos resultados obtidos com
o novo mtodo e os resultados globais obtidos depois de ser realizarem as simulaes de todos os dias
para os mesmos perodos e dados climticos. Obtidos os resultados que demonstram um erro mdio
previsto para a temperatura de 0,68 C e um desvio padro de 1.37 C, pode concluir-se que o novo
mtodo de Monte Carlo uma boa aproximao (Haarhof e Mathews, 2006).
Figura 28 Mdia e desvio padro para as diferentes zonas do edifcio em estudo.
29
Figura 29 Mdia e desvio padro para as diferentes estaes do ano.
Segundo o artigo, Desempenho trmico de um edifcio ventilado naturalmente usando um

algoritmo combinado do comportamento probabilstico dos ocupantes e determinstico de
calor e modelos de balano de massa - Thermal performance of a naturally ventilated building
using a combined algorithm of probabilistic occupant and deterministic heat and mass balance
models, foi realizado um estudo para analisar o comportamento dos ocupantes relativamente
ventilao natural e os efeitos que estes parmetros tm durante o Vero no desempenho trmico dos
edifcios.
Foi desenvolvido um algoritmo comportamental, algoritmo Yun, que representa, como j foi referido,
a probabilidade do comportamento dos ocupantes e usar este algoritmo num programa de simulao
dinmica de energia. O ncleo deste algoritmo baseado na srie de Markov e no mtodo de Monte
Carlo, para integrar vrios modelos probabilsticos no uso de procedimentos dinmicos de energia. O
desempenho do algoritmo Yun demonstrado para ocupantes activos, mdios e passivos num conjunto
de construes de escritrios.
Os resultados obtidos atravs das simulaes, indicam que a temperatura de um escritrio ocupado por
um ocupante com uma participao mais activa de 26,8 C menor do que se fosse por um ocupante
passivo. A comparao de resultados foi efectuada atravs de um outro algoritmo comportamental
desenvolvido por Humphreys, utilizando valores obtidos em pesquisas que permitem prever o efeito
das janelas abertas no comportamento trmico e do uso de energia nos edifcios.
Com este estudo, pde concluir-se que ambos os algoritmos podem conduzir a previses semelhantes.
Porm os resultados obtidos pelo algoritmo Yun reflectem de forma bastante mais satisfatria os
efeitos observados no uso das janelas (Yun, Tuohy, e Steemers, 2008).
30
Figura 30 Comparao dos resultados de acordo com o algoritmo de Yun e de Humphreys.
No artigo Comparao e combinao de um modelo factorial e de Monte Carlo em Anlise de

sensibilidade - Comparison and Combination of factorial and Monte-Carlo design in Sensitivity
Analysis feita uma anlise de sensibilidade dos parmetros de entrada de um programa de
simulao. atravs de uma comparao entre o mtodo de Monte Carlo clssico e um novo mtodo
baseado em planeamento fraccionrio. A vantagem do planeamento factorial que este consegue obter
mais informaes para uma quantidade equivalente de trabalho. Existem poucas ferramentas para o
planeamento factorial fraccionrio, os procedimentos para seleccionar o melhor projecto deveria ser
muito mais amigvel para se poder usar este procedimento de uma forma geral. O comportamento
numrico objecto de estudo, sendo analisadas tambm as suas vantagens, pois o novo mtodo d
mais informaes para um nmero equivalente de simulaes.
Os dois mtodos podem ser combinados e construir assim um mapa de incertezas de produo para
todo o domnio, determinado pela variao de alguns parmetros de entrada. Os mtodos ilustrados em
analisam o comportamento da ventilao, as relaes do vento e a variao de foras (Frbringer,
Roulet, 1995).
31
No seguinte artigo foi estudado e demonstrado o potencial que a eficincia energtica trouxe
construo civil. Segundo os seus autores existe um grande potencial de poupana e poucas solues
baseadas no mercado de eficincia energtica. Considerando que h falhas no mercado residencial,
mesmo com melhoria da eficincia no existe qualquer tipo de poupana.
Figura 31 Ilustrao da percentagem de energia consumida pelo sector residencial de utentes.
O estudo pretende construir um modelo para extrair lucros atravs da economia da energia no
recuperveis por uma empresa de energia residencial baseados no mercado de servios. Para tal, foi
usado uma simulao de Monte Carlo do custo e desempenho para vrias melhorias em conjunto com
um modelo hipottico para obtermos informaes gerais de viabilidade financeira dessas empresas
(Soratana, Marriott, 2009).
Figura 32 - Percentagem de energia economizada pelos diferentes aparelhos, do total de energia consumida
atravs da simulao do modelo.
32
Como se sabe a meteorologia um processo dinmico e pouco previsvel. No artigo, Modelo

meteorolgico estocstico para a construo de sistemas AVAC - Stochastic weather model for
building HVAC systems, percebeu-se que um ano tpico ou padro no so suficientes para
reescrever o comportamento aleatrio do tempo. O modelo apresentado neste artigo baseado num
vector auto-regressivo da serie VAR. Existem diversos factores que influenciam o comportamento
trmico dos edifcios, como por exemplo o meio ambiente, os ganhos internos causados pelos
ocupantes, o abrir e fechar das janelas e portas, e as cortinas que podem impedir a entrada do sol para
dentro dos espaos.
A partir dos resultados de validao pode observar-se que o modelo estocstico de tempo essencial
para podermos fazer o retrato do clima real e da preciso obtida para a aplicao do modelo do
tempo na simulao estocstica e anlise probabilstica de sistemas de climatizao de edifcios
(Hong, e Jiang, 1995).
Segundo o artigo, Anlise probabilstica de infiltrao de ar em edifcios baixos - Probabilistic

analysis of air infiltration in low-rise buildings, o modelo probabilstico PROMO aplicado ao
problema de infiltrao de ar em edifcios de baixa altitude. Este modelo baseado em dados
climticos aleatrios, enquanto a taxa de renovao de ar calculada usando os resultados das
medies das diferenas de presso entre o meio exterior e o interior do edifcio. O modelo de clculo
permite fazer uma estimativa do efeito da variao das condies climticas sobre a troca de ar em
edifcios. Os valores de sada so probabilsticos e so dados sob a forma da funo densidade de
probabilidade da taxa de renovao de ar, constituindo um motivo de anlise da confiabilidade da
ventilao.
O modelo valido com base nas medies obtidas para a casa. Os resultados obtidos atravs do
modelo PROMO so baseados em distribuies que tm como base parmetros micro-climticos e
esto em acordo com os resultados da taxa de renovao de ar calculados a partir de uma grande escala
de medies de presso. O modelo PROMO aplicado para analisar a troca de ar causado pela
infiltrao de ar numa casa situada perto de Gotemburgo (Pietrzyk, Hagentoft, 2007).
No seguinte artigo, Comportamento dos ocupantes na simulao de um edifcio inteiro - User

behavior in whole building simulation, evidenciado que o consume de energia nos edifcios est
sem dvida ligado s suas caractersticas operacionais, tipo de utilizao do espao e o comportamento
dos seus ocupantes. Como evidente, o comportamento dos ocupantes de um determinado espao
devido sua presena e tambm actividade desenvolvida no edifcio de forma a tentar melhorar as
condies ambientais do interior. Neste estudo, o comportamento dos ocupantes no desempenho do
edifcio foi avaliado de forma a avaliar os requisitos para solues de projecto, para podermos ter
edifcios mais robustos na influncia do comportamento dos seus ocupantes.
Os resultados do estudo indicam que para determinados comportamentos, os edifcios devem ser
analisados em pormenor para se efectuar um projecto de construo que dever ser optimizado para
determinados tipo de ocupantes e respectivas actividades (Hoes, Hensen, Loomans, Vries, e
Bourgeois, 2009).
33
No artigo, Anlise de incertezas na simulao de construo com tcnicas de Monte Carlo Uncertainty analysis in building simulation with Monte Carlo techniques, as simulaes
computacionais de edifcios so hoje em dia muito utilizadas para podermos prever o desempenho dos
edifcios e os efeitos provocados por mudanas no projecto. O efeito sobre as previses geradas por
incertezas nos dados de entrada raramente avaliado. Contudo, se se quantificar o desempenho do
edifcio simulado, este pode ser descrito com uma variada gama de possibilidades, dada a incerteza
inerente aos dados de entrada
Este estudo pretende ir mais alm, avaliando o efeito da incerteza do modelo inicial e do modelo para
alterao do projecto. Depois de serem criados os modelos, so analisados atravs de testes estatsticos
para se poder a quantificar a importncia de mudana no desempenho dos edifcios, ou seja, a
mudana do projecto produziu uma diferena real no desempenho dos edifcios, ou ser que a
mudana do desempenho fica perdida na faixa dos erros previstos. Neste estudo, o mtodo de
quantificar o efeito global de incertezas sobre as previses e como analisar e diferenciar uma mudana
significativa ou insignificativa. So aplicados ento em dois modelos para se exemplificar a
importncia de se quantificar o efeito das incertezas (Burhenne e Jacob, 2009).
Este estudo, Comparao de tcnicas de amostragem sobre o desempenho de Monte Carlo

baseado em anlise de sensibilidade - Comparison of sampling techniques on the performance of
Monte-Carlo based on sensitivity analysis, analisa o desempenho do mtodo do Hipercubo latino de
amostragem simples, aleatria e estratificada quando aplicado a simulaes de um problema tpico de
construo. Foi escolhido o problema de ventilao natural porque tem um tempo de clculo
relativamente curto possibilitando mltiplas anlises de sensibilidade serem realizadas, tendo sempre
em ateno os efeitos do vento e temperatura. O estudo mostra que, em comparao com uma amostra
simples e aleatria, a amostragem do Hipercubo latino produz resultados que no so
significativamente diferentes com o aumento da robustez (menor varincia na previso mdia).
Contudo, este no deve ser levado em conta, pois so necessrias mais simulaes com o Hipercubo
Latino de amostragem estratificada. Analisando os resultados observados e baseados em trabalhos
anteriores, percebe-se que a anlise de incerteza do mtodo de Monte Carlo, aplicada a simulaes
tpicas de edifcios deve usar-se no mnimo 100 simulaes para uma amostra simples e aleatria
(Macdonald, 2009).
No seguinte artigo, Comportamento dos ocupantes na simulao de um edifcio inteiro - User
behavior in whole building simulation, evidenciado que o consume de energia nos edifcios est
sem dvida ligado s suas caractersticas operacionais, tipo de utilizao do espao e o comportamento
dos seus ocupantes. Como evidente, o comportamento dos ocupantes de um determinado espao
devido sua presena e tambm actividade desenvolvida no edifcio de forma a tentar melhorar as
condies ambientais do interior. Neste estudo, o comportamento dos ocupantes no desempenho do
edifcio foi avaliado de forma a avaliar os requisitos para solues de projecto, para podermos ter
edifcios mais robustos na influncia do comportamento dos seus ocupantes.
Os resultados do estudo indicam que para determinados comportamentos, os edifcios devem ser
analisados em pormenor para se efectuar um projecto de construo que dever ser optimizado para
determinados tipo de ocupantes e respectivas actividades (Hoes, Hensen, Loomans, Vries, e
Bourgeois, 2009).
34
3
ESTUDO DE CASO

O objectivo deste captulo consiste em apresentar o estudo de caso. Pretende-se tambm explicar a
necessidade deste estudo no mbito da higrotrmica e todos os parmetros que tm influncia no
comportamento dos edifcios. Este edifcio j foi alvo de estudo na dissertao Optimizao da
Resistncia Trmica da Envolvente de Edifcios Escolares elaborada por Patrcia Santos em 2010,
apresenta-se em seguida uma sntese das caractersticas principais desse modelo.
3.2. DESCRIO DO CASO EM ESTUDO
3.2.1. INTRODUO
O edifcio em estudo pertence a uma escola localizada na freguesia de Gueifes, concelho da Maia
inaugurada em 1982 com o nome de Escola Preparatria da Maia, frequentada por 218 alunos e um
corpo docente de 22 professores e 14 funcionrios. No ano seguinte, em 1983, a escola frequentada
por 523 alunos e a sua designao alterada para Escola Preparatria de Gueifes.
Mais tarde, com a entrada em vigor da portaria 497/85, a escola passa a designar-se Escola C+S de
Gueifes. De forma a proporcionar melhores condies aos alunos submetida a obras de
melhoramento, estando estas obras terminadas em 1986, comportando assim um total de 750 alunos
distribudos do 5 ao 8 anos.
Mais tarde, e como consequncia do aumento da escolaridade obrigatria at ao 9 ano, a escola
atingiu a sua capacidade mxima tendo de sofrer novamente obras de melhoramento e ampliao.
J em 2001, a escola volta a sofrer uma alterao de nome passando assim a Escola Bsica 2,3 de
Gueifes. Actualmente, a escola tem em mdia 800 alunos a frequentar as suas instalaes.
35
Figura 33 - Vista area da escola (Santos, 2010).
O edifcio em estudo o bloco assinalado na figura 33. um bloco um pouco mais pequeno mas
representa perfeitamente a constituio do resto dos edifcios da escola, pois todos tm o mesmo tipo
de construo e utilizao. O bloco tem uma capacidade de cerca de 50 alunos divididos por 2 salas.
3.2.2. LOCALIZAO E CLIMA
Como j foi referido anteriormente, a escola localiza-se em Gueifes, concelho da Maia, na regio do
Porto.
O clima nesta regio temperado, tpico de Portugal continental. Durante a estao de aquecimento as
temperaturas em geral no descem abaixo dos 0 C, e no Vero raramente ficam acima dos 30 C.
(Santos, 2010)
3.2.3. HORRIO DE OCUPAO
A ocupao do edifcio em estudo, como se trata de um edifcio escolar, sabemos que no

permanente. Como tal, necessrio entender quais os seus horrios de funcionamento, pois o nmero
de pessoas e equipamentos existentes condicionam o nmero de renovaes de ar.
Geralmente todas as escolas iniciam a sua actividade escolar em datas semelhantes, e os perodos de
frias e de encerramento do ano lectivo tambm so praticamente os mesmos. O calendrio escolar
normalmente estipulado pelo Ministrio da Educao e assim que os estabelecimentos de ensino se
regem. No quadro 2 temos a informao disponibilizada no site do ministrio, onde podemos observar
a data de incio e fim para cada perodo escolar.
36
Quadro 2 Calendrio Escolar 2009/2010
Inicio
Fim
10 -15 de Setembro
18 de Dezembro
4 de Janeiro
26 de Maro
12 de Abril
8 - 18 de Junho
As interrupes para o perodo de frias so as seguintes:

Quadro 3 Interrupes do ano lectivo 2009/2010
Interrupes
Datas
19 de Dezembro a 3 de Janeiro
15 a 17 de Fevereiro
27 de Maro a 11 de Abril
3.2.4. CARACTERIZAO DA ENVOLVENTE OPACA
A planta apresentada na figura 34, ilustra o bloco de salas de aula que vamos ter como objecto de
estudo. Embora o edifcio seja constitudo por 2 salas, como tm igual comportamento trmico
funcionam apenas como uma zona trmica.
Apesar de o edifcio no estar orientado exactamente a Norte, consideramos esta orientao de forma a
simplificar a formulao do caso de estudo.
Figura 34 Planta ilustrativa do edifcio escolar em estudo (Santos, 2010).
As paredes, pavimento e tecto so constitudas por beto vista, excepto a parede da fachada principal
que contm tijolo macio e beto pintado como podemos verificar na figura 35.
37
Figura 35 Alado Este do edifcio escolar (Santos, 2010).
Como se sabe, os vos envidraados tm uma parcela muito importante no comportamento trmico
dos edifcios. No edifcio da escola em estudo, o vo de envidraados correspondem a 35% da rea da
fachada e a fachada com maior nmero de envidraados a fachada orientada a Oeste, (Figura 36).
Figura 36 Alado Oeste do edifcio escolar (Santos, 2010).
Dos vos envidraados, desconhecem-se as suas caractersticas. Apenas dispomos das caractersticas
da caixilharia que de alumnio e o vidro simples. Tambm foi possvel verificar quem em cima da
laje de cobertura foram colocadas placas de fibrocimento que impede a aco directa da radiao solar
na laje de cobertura.
3.2.5. GANHOS INTERNOS
Sabe-se que o consumo de energia em edifcios no depende apenas da envolvente e das condies
ambientais. Alem destes factores e no caso especfico de uma escola, os ganhos internos tambm so
afectados pelo nmero de ocupantes e a iluminao existente nas salas de aulas (Santos, 2010).
38
Para podermos calcular os ganhos internos transmitidos pelos alunos, necessrio perceber qual a
intensidade da actividade desenvolvida pelos mesmos, a fim de se verificar se existe mais ou menos
transmisso de calor ao ambiente.
Para redefinir o tipo de actividade desenvolvida na sala de aula, foi necessrio consultar a norma ISO
7730, (Sua, 2005), no anexo B encontramos um quadro onde podemos verificar taxas de
metabolismo para diferentes actividades. No caso de alunos numa sala, em que temos um tipo de
actividade praticamente sedentria, a taxa metablica de 70 W/m2, o que em termos de potncia
igual a 126 Watt por pessoa. Relativamente iluminao, podemos concluir que a potncia pode
variar entre 10 e 20 W/m2 aproximadamente, e para efeitos de clculo considerou-se uma potncia de
15 W/m2 (Santos, 2010).
3.2.6. RENOVAO DE AR
A qualidade do ar um factor muito importante em todos os edifcios, e como tal a renovao de ar

fundamental no comportamento dos edifcios. As renovaes de ar tm uma influncia relevante nas
temperaturas interiores dos edifcios.
A escola no tem qualquer tipo de sistemas mecnicos que possam realizar a ventilao necessria
durante o tempo em que a sala de aula est ocupada. A ventilao feita apenas pela aco dos
ocupantes na sala, ou seja, os ocupantes que podero determinar a abertura ou no de janelas e portas
para permitir que a ventilao natural se realize.
Actualmente, nas escolas portuguesas j foram tomadas algumas aces no sentido de melhorar esta
questo, de forma a introduzir sistemas de ventilao que permitem uma melhor qualidade do ar. De
acordo com o RSECE, podemos verificar que estipula uma renovao de 30 m2/h por ocupante. Como
o edifcio tem uma ocupao constituda por cerca de 50 pessoas, a renovao horria ter de ser de
1500 m3/h para com o exterior (Decreto de lei n 79-2006).
Como dispomos das caractersticas do edifcio e conhecendo as suas dimenses, podemos obter o
volume. Dividindo o caudal total a renovar pelo volume obtemos o numero de renovaes horrias a
manter no edifcio para que este satisfaa as condies mnimas impostas pelo RSECE (Santos, 2010).
Nesta dissertao, as renovaes horrias e a variao do nmero de ocupantes vo ser os parmetros
que sero importantes para percebermos como afectam o comportamento dos edifcios. Para tal, vo
ser usados diferentes valores de renovaes de ar e diferentes nmeros de ocupantes para realizar
simulaes atravs do programa Energy Plus e perceber como variam as temperaturas interiores.
39
40
4
APLICAO DO MTODO DE
MONTE CARLO AO CASO DE
ESTUDO

No presente captulo apresenta-se a aplicao do mtodo de Monte Carlo ao caso de estudo. Como J
foi referido o principal objectivo desta dissertao consiste na simulao de diferentes renovaes de
ar e diferentes nmeros de ocupao do edifcio em estudo de modo a avaliar a variao das
temperaturas interiores num edifcio escolar.
Os diferentes valores usados na ventilao do edifcio foram gerados aleatoriamente e o nmero de
ocupantes tambm diversificado. Pois, tratando-se de um edifcio escolar, sabe-se que tem horrios
de ocupao definidos e o nmero de ocupantes varia ao longo do dia. Numa primeira fase realizaramse simulaes com uma amostra de ventilao gerada aleatoriamente e mantendo fixo o nmero de
ocupantes. Depois foram tambm efectuadas simulaes em que a ventilao se manteve fixa e fez-se
variar o nmero de ocupantes. Por fim, escolheram-se alguns valores da amostra gerada para o
primeiro caso e variou-se tambm o nmero de ocupantes.
Depois de serem gerados os valores pretendidos para a ventilao (a gerao da amostra aleatria da
ventilao segundo uma determinada distribuio), esta foi utilizada para realizar simulaes
higrotrmicas atravs do programa EnergyPlus aplicado ao caso prtico descrito no Captulo 3.
Para a anlise das temperaturas interiores, foram escolhidos dois meses, o ms de Janeiro para
representar o Inverno e o ms de Maio representativo da Primavera. Foram escolhidos estes dois
meses, porque, como se sabe as escolas no funcionam em pleno nos meses de Vero. Por isso, o
objectivo efectuar a simulao em dois meses com climas diferentes, que representassem tambm o
comportamento higrotrmico do edifcio para o qual foi construdo.
Neste contexto, neste captulo vai ser demonstrado como foram obtidos os valores da amostra criada,
tendo em conta uma mdia, um desvio padro e considerando uma distribuio estatstica muito
utilizada para caracterizar a ventilao. descrito o mtodo para a gerao dessa amostra e
apresentados os resultados das respectivas simulaes com os diferentes nmeros de ocupantes e a
variao da ventilao.
41
4.2. DADOS
4.2.1. VENTILAO
A ventilao um aspecto bastante relevante no comportamento trmico dos edifcios. A ventilao

natural consiste em trocas de ar entre o meio exterior e interior provocando uma diminuio da
temperatura.
A ventilao dos espaos uma preocupao que tem vindo a tomar importncia nos projectos de
trmica. A renovao do ar permite que este no fique saturado, contribuindo assim para uma melhor
qualidade do ar. Devido s diferentes utilizaes dos edifcios, aos diferentes comportamentos dos
ocupantes que os frequentam ou neles trabalham, este parmetro ganha bastante importncia na
qualidade do ar e no comportamento trmico dos edifcios.
A renovao de ar um factor muito importante quando estamos a analisar o comportamento de
temperaturas interiores, pois em conjunto com outros parmetros pode influenciar de forma
significativa o comportamento trmico-energtico dos edifcios.
Neste trabalho foi considerado que a ventilao segue uma distribuio normal ou Gaussiana, tomando
para o caso em estudo uma mdia de 2,2 renovaes por hora, valor calculado por Santos (2010). No
entanto, o seu desvio padro era desconhecido. Porm, no estudo efectuado por Pietrzyk e Hagentoft
(2007), foram calculadas para essa distribuio normal uma mdia e um desvio padro. Assim ento
possvel estimar o desvio padro relativo mdia de 2,2 renovaes por hora atravs do coeficiente de
utilizado em Pietrzyk e Hagentoft (2007).
Considerando o estudo de Pietrzyk e Hagentoft (2007) modelo de clculo:
Mdia = 0,262 Rph-1
Desvio padro = 0,077 Rph-1
Para se poder calcular o coeficiente de variao usamos a seguinte frmula:

X
= 18
Assim fcil determinar o desvio padro para a mdia = 2,2:
Modelo de Clculo:
=
0,077
= 0,294
0,262
Assim para o caso em estudo teremos uma renovao horria mdia de 2,2 e um desvio padro de
0,650. Estes parmetros sero usados na gerao da amostra pretendida, supondo que a renovao
horria segue uma distribuio normal.
42
Figura 37 - Grupo Zone Infiltration Design Flow Rate.
Na Figura 37 est identificado o campo no programa EnergyPlus que nos permite modificar as
renovaes horrias de ar dentro das salas de aula.
importante referir que a ventilao nocturna simulada no edifcio em funo da ventilao que
simulada durante o perodo diurno num factor de reduo de 0,6.
4.2.2. PESSOAS
O nmero de pessoas varivel ao longo do dia, uma vez que existem perodos em que a sala pode
estar mais ou menos cheia, devido a situaes que so alheias a este estudo, como por exemplo o
docente no comparecer, comparecerem mais ou menos alunos, etc.
No programa EnergyPlus foi necessrio proceder alterao de um campo como mostra a Figura 38:
Figura 38 Grupo People.
43
Assim, consideramos que o nmero de pessoas (ocupantes do edifcio escolar), tem a distribuio
representada na Figura 39:
Figura 39 Distribuio dos ocupantes do edifcio escolar.
4.2.3. OCUPAO
O edifcio, como j referido anteriormente, pertence a uma escola, e por isso a sua ocupao sazonal
e com perodos do dia em que se encontra com uma menor ou maior afluncia de alunos. Com base
nesta informao, temos de ter ateno ao facto de existirem horrios fixos de entrada e sada de
alunos, funcionrios e docentes que condicionam as temperaturas interiores das salas de aulas.
Numa sala de aula, os alunos e docentes tm uma parte importante na contribuio dos ganhos
internos. Contudo, a iluminao e os aparelhos eventualmente existentes tambm tero influncia na
temperatura interior do edifcio. A Figura 40 apresenta os campos no qual a iluminao e os
equipamentos podem ser contabilizados.
Figura 40 Grupo Lights.
44
Neste contexto, foi necessrio programar no EnergyPlus os horrios de ocupao do edifcio, assim
como definir os dias em que existem frias, interrupes e feriados. No programa foi ainda criado um
grupo com o objectivo de se indicarem os diferentes parmetros, como se pode verificar na Figura 41:
Figura 41 Grupo Schedule: Compact.
4.3. AMOSTRAGEM
4.3.1. MTODO CONGRUENCIAL MULTIPLICATIVO
O mtodo congruencial multiplicativo um algoritmo de gerao de nmeros pseudo-aleatrios.

Os nmeros so gerados atravs da seguinte frmula:

_ =
+ , 0 , 19
Em que X0 o valor inicial tambm designado por semente, a o multiplicador, c um incremento e

m o mdulo. A escolha destes parmetros dever ser cuidadosa porque condicionante para o
comprimento do perodo da sequncia de nmeros aleatrios. O parmetro m o parmetro que
condiciona o comprimento do perodo, ou seja, se quisermos um perodo grande teremos de usar um m
o maior possvel.
O algoritmo acima apresentado muito simples mas bastante poderoso, tendo em conta a escolha
correcta dos parmetros a, c e m. Para fazermos uma escolha adequada destes parmetros temos de ter
em conta o seguinte (Rosa e Junior, 2002):
c e m so primos entre si.
b= a-1 um mltiplo de p, para todo p primo divisor de m.
b um mltiplo de 4, se m um mltiplo de 4.
A gerao de nmeros aleatrios uma parte fundamental em simulaes e para se gerar estes
nmeros habitual que estes sigam uma distribuio uniforme entre 0 e 1. Depois de calculados todos
os valores necessrios para a amostra pretendida, segundo a distribuio uniforme (Figura 42),
possvel transformar esta amostra de modo a obter nmeros para qualquer distribuio de
probabilidade.
45
Figura 42 Representao grfica da funo densidade da distribuio

distribuio Uniforme no intervalo [a,b].
Para procedermos ao clculo da amostra propriamente dito, tero de ser analisados os parmetros b e c
de modo a cumprirem os critrios anteriormente referidos, para que o tamanho da amostra seja
razovel e para que o perodo de amostragem seja suficientemente grande, com o objectivo
o
que o ciclo
no se repita.
Ao gerar uma amostra atravs de um computador importante referir que esta ser necessariamente
determinstica ou seja pseudo--aleatria (Simes, 2010).
Existem, como em quase todos os problemas deste tipo, alguns problemas
problemas na gerao de amostras
aleatrias. Isto porque, se no forem bem definidos os parmetros corremos o risco de estas no serem
bem calculadas e teremos alguns problemas como por exemplo:
Os nmeros gerados no estarem distribudos uniformemente.

Os valores gerados podem apresentar valores discretos em vez de contnuos.
Desvio na mdia.
Desvio na varincia.
Podem existir:
Auto-correlaes
correlaes entre nmeros.
Nmeros crescentes ou decrescentes.
Podem ser gerados muitos nmeros acima da mdia ou ento muitos nmeros abaixo
da mdia.
Para que este seja um mtodo com coerncia e de forma a evitar os problemas em cima enunciados
deve obedecer s seguintes condies:
Rapidez.
Portabilidade.
Ciclo longo.
Reprodutibilidade.
Uniformidade e independncia.
De referir,, por fim que a escolha dos parmetros a, c, m e X0 pode influenciar muito as propriedades
estatsticas e o comprimento do ciclo.
46
4.3.2. GERAO DE NMEROS ALEATRIOS PARA O CASO DE ESTUDO
Os parmetros a, c, m e X0 foram escolhidos de acordo com os critrios j enunciados anteriormente,

ou seja:
a = 2,5
c=7
m = 100
X0 =30
Com a escolha destes parmetros pudemos obter a amostra de nmeros aleatrios seguindo a
distribuio Normal de mdia e desvio padro apresentados nos Quadros 4 e 5.
Quadro 4- Gerao de nmeros aleatrios seguindo uma distribuio Normal de =2,2 e =0,65.
Xi+1
Distribuio
Uniforme
[0;1]
Distribuio
Normal
[2,2;0,65]
Xi+1
Distribuio
Uniforme
[0;1]
Distribuio
Normal
[2,2;0,65]
82,0
12,0
37,0
99,5
55,8
46,4
22,9
64,3
67,9
76,6
98,6
53,6
40,9
9,2
30,0
82,0
12,1
37,2
99,9
56,9
49,2
29,9
81,9
11,6
36,1
0,82
0,12
0,37
1,00
0,56
0,46
0,23
0,64
0,68
0,77
0,99
0,54
0,41
0,09
0,30
0,82
0,12
0,37
1,00
0,57
0,49
0,30
0,82
0,12
0,36
2,7918
1,4403
1,9854
3,8654
2,2935
2,1412
1,7210
2,4377
2,4999
2,6703
3,6245
2,2577
2,0509
1,3412
1,8612
2,7926
1,4426
1,9885
4,3212
2,3119
2,1867
1,8598
2,7882
1,4283
1,9696
97,2
50,0
32,0
87,0
24,4
68,0
76,9
99,3
55,2
45,1
19,7
56,2
47,6
26,0
72,0
86,9
24,4
67,9
76,7
98,9
54,1
42,3
12,8
39,0
4,5
0,97
0,50
0,32
0,87
0,24
0,68
0,77
0,99
0,55
0,45
0,20
0,56
0,48
0,26
0,72
0,87
0,24
0,68
0,77
0,99
0,54
0,42
0,13
0,39
0,04
3,4353
2,1999
1,8973
2,9269
1,7513
2,5018
2,6759
3,7863
2,2850
2,1200
1,6488
2,3015
2,1610
1,7839
2,5764
2,9266
1,7508
2,5005
2,6722
3,6701
2,2670
2,0747
1,4654
2,0192
1,1016
47
Quadro 5- Gerao de nmeros aleatrios seguindo uma distribuio Normal de =2,2 e =0,65 (continuao).
Xi+1
Distribuio
Uniforme
[0;1]
Distribuio
Normal
[2,2;0,65]
18,2
52,4
38,1
2,2
12,4
38,0
1,9
11,7
36,3
97,7
51,2
34,9
94,2
42,5
13,2
40,0
7,1
24,7
68,7
78,8
4,1
17,2
50,0
32,1
87,2
0,18
0,52
0,38
0,02
0,12
0,38
0,02
0,12
0,36
0,98
0,51
0,35
0,94
0,42
0,13
0,40
0,07
0,25
0,69
0,79
0,04
0,17
0,50
0,32
0,87
1,6123
2,2393
2,0035
0,8918
1,4525
2,0017
0,8560
1,4307
1,9728
3,4855
2,2187
1,9487
3,2159
2,0775
1,4782
2,0367
1,2495
1,7576
2,5157
2,7177
1,0744
1,5885
2,2005
1,8990
2,9344
Xi+1
Distribuio
Uniforme
[0;1]
Distribuio
Normal
[2,2;0,65]
25,0
69,5
80,7
8,8
28,9
79,4
5,4
20,4
58,1
52,2
37,6
1,0
9,6
30,9
84,2
17,5
50,7
33,8
91,5
35,7
96,3
47,7
26,2
72,6
88,4
0,25
0,69
0,81
0,09
0,29
0,79
0,05
0,20
0,58
0,52
0,38
0,01
0,10
0,31
0,84
0,17
0,51
0,34
0,91
0,36
0,96
0,48
0,26
0,73
0,88
1,7638
2,5295
2,7607
1,3241
1,8411
2,7293
1,1594
1,6659
2,3321
2,2364
1,9958
0,7008
1,3546
1,8772
2,8482
1,5954
2,2116
1,9297
3,0866
1,9632
3,3533
2,1626
1,7886
2,5879
2,9741
Na sequncia deste mtodo, foi obtida uma amostra de valores de dimenso razovel, que nos
permitir efectuar um nmero de simulaes necessrias. Estes valores representam a ventilao de ar
no edifcio e a coluna usada para realizarmos as simulaes a da distribuio normal.
Os valores obtidos foram introduzidos no programa EnergyPlus, tal como foi indicado na Figura 34
deste captulo, no campo Air changes per hour. No qual possvel, quando termina cada simulao
obtermos uma folha de Excel, com os resultados as temperaturas interiores em cada parede do edifcio
escolar.
48
4.4. SIMULAES
4.4.1. SIMULAES REALIZADAS PARA A AMOSTRA ALEATRIA.
Neste subcaptulo pretende-se perceber como se comportam as temperaturas interiores no edifcio

escolar segundo os diferentes valores de ventilao. Esta amostra foi gerada a partir do mtodo
congruencial multiplicativo da qual se obteve os 100 valores de renovao de ar que esto nos
Quadros 4 e 5 e consequentemente foram introduzidos no programa EnergyPlus para simular o
comportamento trmico deste edifcio escolar.
Neste primeiro caso foram realizadas simulaes em que se manteve fixo o nmero de ocupantes
considerando-se que estavam 50 pessoas na sala.
Figura 43 Caracterizao da amostra das temperaturas dirias registadas durante o ms de Janeiro.
Para obteno dos resultados apresentados a Figura 43 foram escolhidos trs percentis para representar
a amostra das temperaturas interiores, o percentil de 10%, a mediana e o percentil de 90%.Como se
pode ver na figura, as linhas dos percentis 10% e 90% tm entre si uma representao de 80% da
amostra, por isso se encontram de certa forma mais afastadas. Contudo existem dias em que se pode
ver uma aproximao e/ou afastamento no em simultneo dos percentis relativamente mediana.
Assim, as temperaturas interiores caracteristicamente tomaro valores entre estes dois percentis.
Numa outra anlise foi calculado o intervalo de confiana para a temperatura mdia diria com um
grau de confiana de 95%. Pela Figura 44, pode-se verificar que a amplitude do intervalo de confiana
muito pequena. O verdadeiro valor da temperatura interior diria estar entre os limites superior e
inferior do intervalo com 95% de confiana. Nestes termos, ser muito pouco provvel que existam
temperaturas que fiquem acima ou abaixo do intervalo de confiana, a no ser que exista algum
fenmeno meteorolgico que no possvel prever, o que poderia conduzir obteno de
temperaturas abaixo ou a cima destes valores. O facto de se manter fixo o nmero de ocupantes
tambm condiciona a evoluo da temperatura interior.
49
Figura 44 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, durante o ms de
Janeiro.
Figura 45 Caracterizao da amostra das temperaturas horrias registadas no dia 4 de Janeiro.
O dia mais frio do ms de Janeiro o dia 3 porm nesse dia no havia ocupantes no edifcio escolar
devido primeira interrupo (frias de Natal), logo foi considerado o dia seguinte, o dia 4, para um
estudo particular do comportamento trmico dirio do edifcio escolar. Como se pode constatar na
Figura 45, as temperaturas interiores representadas pelos percentis encontram-se muito prximas
durante os perodos em que o edifcio se encontra desocupado, ou seja durante a noite e no horrio de
almoo. Nesses perodos verifica-se pouca variabilidade nas temperaturas interiores. Isto deve-se ao
facto de nestes perodos no existirem aulas, ou seja, a sala est vazia ao longo do perodo de aulas, as
50
linhas dos percentis afastam-se da mediana tornando o intervalo entre as linhas um pouco maior que
nos restantes perodos, ou seja, a variabilidade muito maior quando existe ocupao no edifcio
escolar.
Figura 46 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, no dia 4 de
Janeiro.
Analisando a Figura 46, pode dizer-se que a amplitude do intervalo de confiana pequena. A
amplitude do intervalo de confiana depende do desvio padro, se este valor for pequeno, a amplitude
do intervalo de confiana ser mais pequena. Por isso que o intervalo de confiana praticamente se
confunde com a mdia.
51
Foi tambm verificado o comportamento da temperatura interior no dia mais quente para o ms de
Janeiro. Na Figura 47 representada a mesma situao que na figura anterior mas com outros
parmetros em anlise, a mediana e os percentis 10% e 90%. Neste caso, mais evidente o
afastamento entre os percentis 10% e 90% relativamente mediana. Comparativamente com a Figura
46, existe uma maior variabilidade nas temperaturas interiores neste dia do que no dia 4 de Janeiro,
mesmo nos perodos em que o edifcio estava desocupado.
Janeiro.
Como se pode ver na Figura 48, o comportamento das temperaturas mdias interiores no dia 26 de
Janeiro praticamente idntico ao do dia 4 (Figura 46), apesar de as temperaturas serem mais elevadas
constata-se que a amplitude do intervalo de confiana um pouco maior. Ou seja, durante os perodos
de ocupao da sala existe uma maior variao das temperaturas. Porm, o nvel de confiana fixado
foi o mesmo em ambas as situaes.
Isto acontece porque se esto analisar grandezas estatsticas diferentes. Num dos casos trata-se de
inferncia estatstica (Figuras 46 e 48), e no outro caso trata-se de anlise descritiva (Figuras 45 e 47).
Como foi referido anteriormente, foi tambm analisado o ms de Maio, pois este ms bastante mais
quente que o ms de Janeiro. importante tentar perceber como que o edifcio se comporta numa
situao em que as condies exteriores so consideravelmente diferentes daquela da analisada
anteriormente.
Comparativamente com o ms de Janeiro, a amplitude de temperaturas no ms de Maio assume outras
propores, pois as temperaturas exteriores neste ms j so mais elevadas do que durante o ms de
Janeiro. No entanto, curioso notar que a variao das temperaturas interiores ao longo do ms de
Maio (Figuras 49 e 50) semelhante variao verificada durante o ms de Janeiro (Figuras 43 e 44).
Apesar disso, em alguns dias durante o ms de Maio, a variao das temperaturas interiores seja mais
acentuada comparativamente ao ms de Janeiro.
52
Figura 49 Caracterizao da amostra das temperaturas dirias registadas durante o ms de Maio.
Na Figura 50 so apresentadas as temperaturas mdias dirias do ms de Maio para uma confiana de

95%. Como se de pode verificar, existem perodos ao longo do ms em que o intervalo de confiana
maior e noutros em que o intervalo tem amplitude muito reduzida. As temperaturas interiores mdias
dirias na sala de aula em estudo estaro entre os limites dos respectivos intervalos com 95% de
confiana.
Figura 50 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana durante o ms de
Maio.
53
Na Figura 51 e 52 esto representadas as temperaturas interiores para o dia em que a temperatura foi
mais baixa neste ms, dia 5 de Maio.
Figura 51 Caracterizao da amostra das temperaturas mdias horrias registadas no dia 5 de Maio.
Na Figura 51, pode-se verificar um maior afastamento dos percentis 10 e 90% das temperaturas
interiores registadas no dia 5 de Maio comparativamente aos dias anteriormente analisados. Facto que
tambm visvel nos intervalos de confiana (Figura 52), a amplitude dos intervalos de confiana para
as temperaturas mdias horrias registadas no dia 5 de Maio maior do que nos outros dias analisados.
Figura 52 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, no dia 5 de Maio.
54
Nas Figuras 53 e 54 esto representadas as temperaturas interiores horrias registadas no dia 24 de

Maio, dia em que se verificaram as temperaturas mais elevados no ms de Maio.
Figura 53 Caracterizao da amostra das temperaturas mdias horrias registadas no dia 24 de Maio.
Nas Figuras 53 e 54, verifica-se bastante similitude com as Figuras 51 e 52, respectivamente. Os
intervalos de confiana, a 95% de confiana, tm uma amplitude igual 10-2. A diferena entre os
percentis 10% e 90% aproximadamente igual a 10-1.
Figura 54 Intervalos de Confiana das temperaturas mdias horrias interiores, a 95% de confiana, no dia 24
de Maio.
55
4.4.2. SIMULAES PARA UMA VENTILAO DE 2,2 E DIFERENTES NMEROS DE OCUPANTES.
Neste subcaptulo apresentam-se as simulaes realizadas para uma ventilao mdia de 2,2
renovaes por hora e variao do nmero de ocupantes dentro da sala, segundo a distribuio dos
ocupantes descrita anteriormente (Figura 41).
Neste caso, no foram apresentados os grficos que representam as temperaturas mdias e respectivos
intervalos de confiana para um nvel de confiana de 95%, respectivamente do ms de Janeiro,
porque estes grficos so semelhantes aos apresentados nas Figuras 43 e 44.
Figura 55 Caracterizao da amostra das temperaturas horrias registadas no dia 4 de Janeiro durante o
perodo de ocupao.
Na Figura 55 apresentada a caracterizao das temperaturas horrias do dia 4 de Janeiro. Foram

representadas as temperaturas medianas e respectivos percentis 10%, 90 apenas para o perodo com
ocupao da sala. Como se pode, verificar medida que as temperaturas vo subindo existe uma maior
variabilidade de temperaturas, pois percebe-se um maior afastamento das linhas correspondentes aos
percentis 10% e 90% relativamente s temperaturas medianas. Quando o edifcio escolar no tem
ocupao, a variao das temperaturas menor e por isso as linhas tendem a ficar prximas.
A figura seguinte, Figura 56, representa a curva das temperaturas mdias horrias registadas no dia 4
de Janeiro. Como o desvio padro das temperaturas da ordem de 10-14, ou seja praticamente nulo, o
intervalo de confiana no existe.
56
Figura 56 Temperaturas mdias horrias interiores, no dia 4 de Janeiro.
Este facto ocorre, porque foi fixada a ventilao do edifcio no valor de 2,2 renovaes horrias e
variado apenas o nmero de ocupantes. Esta variao muito pequena, o que se reflecte no desvio
padro das temperaturas muito reduzido ou praticamente nulo, o que resulta num intervalo de
confiana de amplitude nula.
Os seguintes grficos, Figuras 57 e 58, apresentam as temperaturas interiores registadas das 11h s
15h, de forma a ser possvel caracterizar mais pormenorizadamente o comportamento da temperatura
interior.
Figura 57 Caracterizao da amostra das temperaturas horrias registadas no dia 4 de Janeiro no perodo das
[11-15] horas.
57
Na Figura 57 verifica-se que a temperatura interior mediana est mais prxima do percentil 90% do
que do percentil 10%, enquanto a sala est ocupada. Quando o edifcio se encontra sem ocupantes a
tendncia da temperatura interior descer.
Neste perodo, verificou-se que a temperatura mediana fica mais prxima do percentil 10 % durante a
descida at que quando a sala volta a estar novamente ocupada a mediana volta a ficar mais prxima
do percentil 90%.
Figura 58 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, no dia 4 de Janeiro
no perodo das [11-15] horas.
Na Figura 58 pode verificar-se que a amplitude do intervalo de confiana relativamente maior

obtida na situao anterior. Neste dia o desvio padro das temperaturas j tem um valor muito mais
significativo, na ordem das dcimas. Isto torna o intervalo de confiana maior. Este facto acontece
porque a sala de aula se encontra ocupada, quando volta a ficar desocupada a variao menor e
consequentemente o desvio padro tambm se torna menor. Como o intervalo de confiana
calculado em funo do desvio padro, quanto maior for o desvio padro, maior ser a amplitude do
intervalo de confiana da temperatura mdia.
Foi tambm analisado o dia mais quente para o ms de Janeiro, dia 26, e verificou-se que o
comportamento praticamente idntico ao do dia 4 de Janeiro (Figura 55 e 56), porm numa outra
escala de temperaturas, pois verificam-se temperaturas mais elevadas durante este dia. Isto deve-se ao
facto da variao de ocupantes ser muito suave. Ou seja, existe pouca variao no nmero de
ocupantes. Eventualmente se no se tratasse de um edifcio com o tipo de ocupao que este tem
poderiam existir, para este caso, intervalos de confiana para as temperaturas mdias com maiores
amplitudes relativamente mediana e aos percentis 10% e 90%.
Na Figura 59 representado o dia 26 de Janeiro para o mesmo perodo de ocupao.
Comparativamente com o dia 4 de Janeiro, no dia 26 as temperaturas interiores tm uma variao
muito menor. Isto reflecte-se principalmente no horrio de almoo em que as temperaturas descem
mas de uma forma muito menor quando comparada com o dia 4 de Janeiro. Tambm se pode verificar
que a variabilidade de temperaturas interiores no dia 26 de Janeiro maior entre a mediana e o
percentil 10%.
58
Figura 59 Caracterizao da amostra das temperaturas mdias horrias registadas no dia 26 de Janeiro no
perodo das [11-15] horas.
Na Figura 60, pode-se verificar que tal como no dia 4 de Janeiro, a variao das temperaturas
interiores maior na presena de ocupantes dentro do edifcio escolar. A disperso da temperatura
entre as 11 e as 15 horas da ordem de grandeza de 10-1.
Janeiro no perodo das [11-15] horas.
Para o ms de Maio, o comportamento trmico do edifcio semelhante ao caso descrito

anteriormente, Figuras 49 e 50. E repete-se relativamente ao dia de mais frio e mais quente,
59
respectivamente os dias 5 e 24 de Maio. curioso notar que a variao das temperaturas muito
maior no ms de Janeiro do que no ms de Maio. importante referir que o ms de Janeiro afectado
pelo perodo de frias do Natal, ou seja, o edifcio encontra-se pelo menos duas semanas
completamente desocupado. Isto condiciona de certa forma o comportamento inicial do edifcio
comparativamente com o ms de Maio.
Figura 61 Caracterizao da amostra das temperaturas horrias registadas no dia 5 de Maio no perodo de
ocupao.
A Figura 61 representa a caracterizao das temperaturas mdias horrias do dia 5 de Maio durante o
perodo de ocupao. Como se pode ver, a variao das temperaturas interiores muito pequena
comparativamente com o dia 4 de Janeiro. Percebe-se tambm que a temperatura interior no horrio de
almoo permanece praticamente constante, ao contrrio do que aconteceria no dia 4 de Janeiro. Isto
deve-se ao facto da diferena entre as temperaturas interior e exterior ser bastante menor que no ms
de Maio.
A Figura 62 representa os intervalos de confiana das temperaturas mdias horrias do dia 5 de Maio
para um nvel de confiana de 95%. Apesar de na figura no ser perceptvel, a amplitude do intervalo
de confiana um pouco maior do que o verificado para o dia 4 de Janeiro. Neste caso, o desvio
padro j no da ordem de grandeza 10-14 mas sim na ordem de grandeza 10-2. Comparativamente
com o ms de Janeiro, no ms de Maio o valor do desvio padro relativamente maior, logo o
intervalo de confiana ainda que seja pequeno j no zero.
60
Figura 62 Intervalos de Confiana das temperaturas mdias horrias interiores, a 95% de confiana, no dia 5
de Maio.
A Figura 63 representa a caracterizao da amostra de temperaturas interiores num perodo mais

restrito, entre as 11 e as 15 horas. Como se pode verificar a temperatura mediana toma valores mais
prximos do percentil 90%. Isto quer dizer que a distribuio das temperaturas neste perodo do dia
assimtrica. Tambm se verifica que a descida de temperatura interior durante o horrio de almoo
praticamente no se verifica.
Figura 63 Caracterizao da amostra das temperaturas mdias horrias registadas no dia 5 de Maio no
perodo das [11-15] horas.
Na Figura 64 esto representados as temperaturas interiores para o mesmo dia que a figura anterior
(Figura 63) mas calculando o intervalo de confiana para temperatura a mdia com 95% de nvel de
61
confiana. Pode verificar-se que o intervalo de confiana relativamente maior que no ms de Janeiro.
A amplitude do intervalo de confiana da temperatura mdia maior durante o perodo de ocupao
do que no horrio de almoo ou durante a noite. Portanto, o facto de o edifcio estar ocupado tem
influncia significativa no clculo do intervalo de confiana.
Figura 64 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, no dia 5 de Maio
A Figura 65 apresenta a variao das temperaturas interiores para o dia 24 de Maio. Neste dia,
verificou-se igualmente que a variabilidade das temperaturas tambm menor entre o percentil 90% e
a mediana. Nota-se ainda a ausncia da descida da temperatura no horrio de almoo.
Figura 65 Caracterizao da amostra das temperaturas horrias registadas no dia 24 de Maio no perodo das
[11-15] horas.
62
Figura 66 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, no dia 24 de Maio
Na Figura 66 est representado o intervalo de confiana para as das temperaturas mdias interiores
registadas entre as 11 e 15 horas do dia 24 de Maio. Como se pode verificar a temperatura mdia
interior cresce ao longo do perodo em anlise. Nas figuras anteriormente apresentadas relativas ao
ms de Janeiro verificava-se uma descida da temperatura mdia interior no horrio de almoo. No ms
de Maio isto j no acontece pois as diferenas de temperatura entre o interior e o exterior so cada
vez mais pequenas.
Tambm se pode verificar que existe menor variabilidade da temperatura interior entre o percentil
90% e a mediana pois a sua proximidade grande comparativamente com o percentil de 10%. Foi
necessrio analisar nestes casos um perodo de tempo mais restrito pois em 24h de cada dia era pouco
evidente as distncias entre as medidas estatsticas calculadas.
Relativamente ao clculo do intervalo de confiana verificou-se que a amplitude reduzida. Ou seja, a
estimativa do intervalo de confiana depende do tamanho da amostra, do nvel de confiana e do
desvio padro. A medida que condiciona a amplitude do intervalo de confiana o desvio padro. Se
este for muito pequeno, o intervalo de confiana ser praticamente nulo. Caso contrrio, se existe
grande variabilidade nas temperaturas interiores, o desvio padro ser maior e consequentemente o
intervalo tambm ter uma maior amplitude. Essa diferena pouco evidente, pois como j foi
referido, apenas se variou o nmero de ocupantes, mantendo-se fixa a ventilao. Esta variao
pouco acentuada, logo as diferenas de temperaturas so muito pouco evidentes e em termos de
grandeza numrica so pequenas.
63
4.4.3. SIMULAES EFECTUADAS PARA VENTILAO E OCUPANTES QUE VARIAM EM SIMULTNEO.
Neste subcaptulo, os resultados obtidos so baseados em simulaes de diferentes valores de

ventilao escolhidos da amostra previamente calculada para o ponto 4.4.1., contudo foram usados
apenas vinte valores de renovaes por hora e tambm foram mudadas as condies de ocupao. Ou
seja, fez-se variar em simultneo os dois parmetros que nos permitem estudar a variao das
temperaturas interiores deste edifcio escolar. As Figuras 67 e 68 representam as temperaturas mdias
interiores simuladas para o ms de Janeiro atravs de medidas estatsticas descritivas, mediana e
percentis 10% e 90%, e por inferncia estatstica, intervalo de confiana, respectivamente.
Figura 67 Caracterizao da amostra das temperaturas dirias registadas durante o ms de Janeiro.
Figura 68 - Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana durante o ms de
Janeiro.
64
Na Figura 67 esto representados os percentis 10% e 90% juntamente com a mediana para as
temperaturas mdias interiores e como se pode verificar existe uma grande variabilidade de
temperaturas. Na Figura 68 apresentado o intervalo de confiana para a temperatura interior mdia,
contudo o intervalo tem uma amplitude reduzida e por isso pouco perceptvel.
Na Figura 69 esto representadas as temperaturas interiores obtidas no dia 4 de Janeiro, verifica-se
uma semelhana entre a variabilidade do percentil 10% e a mediana e tambm entre o percentil 90% e
a mediana.
Como se mostra na figura, as temperaturas interiores representadas pelos percentis 10% e 90% so
praticamente paralelas s temperaturas interiores representadas pela mediana. Isto acontece apenas no
perodo em que o edifcio se encontra desocupado. Quando o edifcio escolar se encontra ocupado
pode verificar-se a subida da temperatura. Durante o perodo de ocupao as temperaturas interiores
representadas pelos percentis 10% e 90% tendem a afastar-se da mediana. Ou seja, a variabilidade
aumenta durante o dia e apenas no perodo de ocupao.
Na Figura 70 optou-se por representar apenas a mdias das temperaturas interiores registadas no dia 4
de Janeiro. As diferenas das temperaturas interiores esto na casa das centsimas, o que torna
imperceptvel do ponto de vista grfico o intervalo de confiana.
65
Figura 70 Temperaturas mdias horrias interiores, no dia 4 de Janeiro.
A Figura 71 apresenta o intervalo de confiana da temperatura mdia interior com 95% de confiana
para o dia 4 de Janeiro, mas apenas entre o perodo [11-15] horas. Deste modo pode-se confirmar que
realmente o intervalo de confiana muito pequeno.
Figura 71 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, no dia 4 de Janeiro
66
Figura 72 Caracterizao da amostra das temperaturas mdias horrias registadas no dia 16 de Janeiro.
A Figura 72, apresenta a caracterizao das temperaturas mdias interiores para o dia 16 de Janeiro.
Contrariamente s simulaes anteriores, nesta anlise o dia com a temperatura interior mais elevada
no do dia 26 de Janeiro. Neste dia existem algumas diferenas significativas relativamente ao dia 4
de Janeiro.
Comparativamente com a Figura 69, as semelhanas incidem no paralelismo entre as curvas que
representam as temperaturas interiores durante o perodo de ocupao e ainda no afastamento
progressivo dos percentis 10% e 90% relativamente mediana medida que as temperaturas sobem. A
diferena entre estas duas figuras reside na suave descida da temperatura no horrio de almoo.
Optou-se por no se apresentar para o dia 16 de Janeiro o intervalo de confiana tendo em conta que a
amplitude do intervalo muito pequena e seria pouco perceptvel. Contudo na Figura 73 apresentado
o intervalo de confiana da temperatura mdia para o dia 16 de Janeiro, mas para um perodo de tempo
mais pequeno. Como se pode verificar ainda assim o intervalo de confiana tem uma amplitude
reduzida.
67
Janeiro no perodo das [11-15] horas.
Na Figura 74 apresentam-se a caracterizao das temperaturas mdias dirias durante o ms de Maio.

Como se pode verificar ao longo do ms existe uma maior discrepncia de temperaturas interiores
entre o percentil 10% e a mediana.
Figura 74 Caracterizao da amostra das temperaturas dirias registadas durante o ms de Maio.
Relativamente representao do ms de Maio, o intervalo de confiana da temperatura mdia muito

idntico ao representado na Figura 50. As diferenas das temperaturas em relao mdia esto na
ordem de grandeza das centsimas, logo o intervalo de confiana muito difcil de identificar pois tem
amplitude reduzida.
68
Figura 75 Caracterizao da amostra das temperaturas horrias registadas no dia 5 de Maio.
Na Figura 75 pode ver-se representado o comportamento das temperaturas interiores no dia 5 de Maio
e a caracterizao das temperaturas mdias interiores. Comparativamente com as simulaes
realizadas anteriormente, este caso muito semelhante ao primeiro grupo de simulaes efectuadas.
Existe uma variabilidade de temperaturas interiores praticamente simtrica relativamente mediana. A
diferena entre a mdia e a mediana da ordem 10-2, ou seja so muito prximas.
Figura 76 Comparao das medidas estatsticas, mdia e mediana das temperaturas horrias registadas no dia
5 de Maio.
Como se pode verificar na Figura 76, as diferenas entre a mdia e a mediana so praticamente nulas.
Este facto leva a crer que neste dia a distribuio da temperatura interior segue uma distribuio
Normal.
69
Figura 77 Caracterizao da amostra das temperaturas horrias registadas no dia 24 de Maio.
Na Figura 77 est representado o dia 24 de Maio e a caracterizao das temperaturas mdias interiores.
Em relao ao dia 5 de Maio verificou-se que a distncia entre os percentis e a mediana fica mais
pequena, contudo assemelha-se o facto de as distncias dos percentis mediana serem praticamente
iguais e simtricas.
Figura 78 Comparao das medidas estatsticas, mdia e mediana das temperaturas horrias registadas no dia
24 de Maio.
70
Na Figura 78 pode verificar-se a proximidade entre as temperaturas mdias e medianas. Tal como na
Figura 75, a mdia e a mediana encontram-se muito prximas, permitindo constatar que a temperatura
interior segue uma distribuio Normal.
71
4.5. ANLISE DOS RESULTADOS COMPARATIVAMENTE AOS PARMETROS.

Os resultados obtidos nas simulaes realizadas foram analisados de duas formas distintas:
1. Anlise das temperaturas interiores segundo os percentis de 10%, 50% (mediana) e 90%.
2. Anlise das temperaturas interiores pelo intervalo de confiana das temperaturas mdias
interiores com um grau de confiana de 95%.
Durante o estudo das temperaturas interiores que foram obtidas atravs dos trs grupos de simulaes
efectuadas, pde concluir-se que as temperaturas interiores mdias mensais, em ambos os meses
estudados so praticamente idnticas para os diferentes grupos de simulaes. Ou seja, verificou-se
que o comportamento das temperaturas interiores muito idntico nas diferentes simulaes, em
termos de desenvolvimento grfico.
Para a anlise apresentada no ponto 1., fez-se a caracterizao da amostra das temperaturas interiores
tendo em conta as temperaturas medianas e os percentis 10% e 90% das temperaturas. Ou seja, foi
possvel estudar e perceber qual o comportamento das temperaturas interiores que foram simuladas
modificando 2 parmetros importantes nas temperaturas interiores, a ventilao e o nmero de
ocupantes. Ao longo das simulaes tentou-se perceber tambm qual seria o comportamento das
temperaturas interiores. Ou seja, para este estudo admitiu-se que a ventilao natural seguia uma
Distribuio Normal mas no era afirmar com certeza qual a distribuio que as temperaturas
interiores seguia, pois no foi aplicado qualquer teste para fazer essa verificao. Ao longo das
simulaes conseguiu-se perceber que as temperaturas medianas distavam quase o mesmo dos
percentis
Para a anlise apresentada no ponto 2., verificou-se que para os trs grupos de simulaes realizadas
nos 3 pontos anteriormente demonstrados, (4.4.1., 4.4.2. e 4.4.3.), a amplitude do intervalo de
confiana bastante reduzida. Para o clculo do intervalo de confiana necessrio conhecer o desvio
padro das temperaturas interiores, e como as temperaturas no interior do edifcio variam muito pouco
ao longo do tempo, o valor do desvio padro igualmente pequeno e consequentemente a amplitude
do intervalo tambm reduzida. Esta situao foi notria particularmente no segundo grupo de
simulaes, em que apenas se fez variar o nmero de ocupantes segundo a distribuio da Figura 39.
Como se pode verificar na Figura 39, a variao do nmero de ocupantes muito reduzida pelo que
faz variar muito pouco as temperaturas interiores.
Com este estudo analisou-se o comportamento das temperaturas interiores aplicando o mtodo de
Monte Carlo, ou seja foi possvel verificar a aplicabilidade deste mtodo em problemas de carcter
dinmico. Foi possvel fazer uma anlise descritiva das temperaturas interiores considerando a
aleatoriedade na ventilao natural e alguma variao no nmero de ocupantes do edifcio.
72
73
74
5
CONCLUSES
5.1. CONCLUSES GERAIS

Neste captulo, o objectivo apresentar um conjunto de concluses que foi possvel obter ao longo do
desenvolvimento deste trabalho de dissertao.
Um dos aspectos importantes deste trabalho, que permitiu a obteno de concluses com uma maior
preciso e rigor foi o recurso anlise estatstica.
De uma forma geral, obtiveram-se as seguintes concluses:
O programa de simulao Energy Plus bastante completo no campo da modelao, permite

efectuar um retrato muito detalhado do modelo em estudo e ainda do tipo de ocupao.
Contudo, este programa requer um conhecimento tcnico e terico relativamente vasto dos
diversos factores.
O mtodo de Monte Carlo um mtodo relativamente simples de ser aplicado. Com este
trabalho torna-se evidente que a sua aplicao pode ser efectuada a modelos que estejam
sujeitos a regimes dinmicos.
A gerao de nmeros aleatrios permite criar uma amostra de valores para um determinado
parmetro e com essa amostra possvel estudar o comportamento da varivel de interesse
perante fenmenos estocsticos.
O uso da estatstica descritiva na interpretao dos resultados, nos diferentes cenrios

estudados para comparao permitem compreender a variabilidade da amostra usada e a
tendncia do comportamento higrotrmico do bloco escolar.
Simular valores aleatrios de ventilao permitiu reproduzir o efeito de abertura de janelas e

portas. Este um factor bastante interessante pois existe uma grande aleatoriedade associada
ao comportamento dos ocupantes e isso tem influncia no comportamento energtico e
higrotrmico do bloco escolar.
O algoritmo baseado no mtodo congruencial multiplicativo demonstrou, depois de escolhidos

os devidos parmetros, de acordo com alguns teoremas, ser um algoritmo com uma boa
capacidade de gerar nmeros aleatrios sem que estes se repitam ao fim de um perodo.
75
76
A utilizao de medidas estatsticas como a mdia, mediana, desvio padro, percentis

permitiram avaliar a forma da distribuio e variabilidade das temperaturas interiores de uma
forma eficaz.
O clculo do intervalo de confiana com um nvel de confiana de 95% permitiu perceber que
atravs da grandeza do desvio padro, que quanto menor for a variao dos parmetros de
interesse, menor ser este valor e consequentemente a amplitude do intervalo de confiana
ser mais pequena.
Existe maior variabilidade de temperaturas interiores quando as temperaturas so mais baixas.

medida que o tempo tende a ficar mais quente a variao das temperaturas interiores
menor, mesmo quando o edifcio se encontra desocupado.
medida que as temperaturas interiores se tornam mais elevadas, a distribuio das

temperaturas interiores torna-se simtrica relativamente mdia, mostrando assim que as
temperaturas mdias seguem uma distribuio normal.
Quando as temperaturas interiores so mais baixas, existem perodos em que a variabilidade

das temperaturas interiores maior entre o percentil 10% e a mediana e outros em que essa
variabilidade entre o percentil 90% e a mediana. Estes perodos so no perodo de ocupao
e desocupao respectivamente.
No primeiro e terceiro grupo de simulaes a distribuio de temperaturas interiores

praticamente simtrica em relao mdia, pois a amplitude existente entre o percentil 10% e
mediana, mediana e percentil 90% praticamente igual, e a mdia e a mediana so idnticas.
No segundo grupo de simulaes quando foi fixado o valor da ventilao e apenas se fez
variar o nmero de ocupantes, pde-se concluir que existem alguns perodos em que a
distribuio das temperaturas interiores sofre um ligeiro deslocamento para a direita, e assim
temos uma assimetria esquerda.
No primeiro grupo de simulaes a amplitude do intervalo de confiana da ordem de 10-1, o

que torna o intervalo de confiana relativamente pequeno. Isto deve-se ao facto da
variabilidade de temperaturas interiores ser razoavelmente significativa.
No segundo grupo de simulaes o intervalo de confiana tem uma amplitude nula, o desvio
padro da temperatura interior da ordem de 10-14. A variao das temperaturas interiores
muito reduzida pois apenas se fez variar o nmero de ocupantes e a ventilao manteve-se
fixa. O que no introduziu uma variao minimamente significativa nas temperaturas
interiores.
No terceiro grupo de simulaes, o intervalo de confiana tem uma amplitude um bocado

maior comparando com o segundo grupo, mas um pouco menor que o primeiro. O desvio
padro da temperatura interior da mesma ordem de grandeza que o primeiro grupo de
simulaes mas em termos numricos menor.
O ms de Janeiro comparativamente com o ms de Maio apresenta uma maior variabilidade de

temperaturas interiores. Verificou-se que no ms de Maio as temperaturas interiores tendem a
ficar constantes ao longo do dia.
A variao do nmero de ocupantes condiciona de forma bastante significativa o

comportamento higrotrmico do edifcio. No entanto essa variao deveria ser muito maior
para que as diferenas nas temperaturas mdias interiores sejam visveis.
5.2. DESENVOLVIMENTOS FUTUROS

Para que sejam introduzidas posteriormente melhorias em trabalhos deste gnero, sugere-se a
simulao de outros factores que podem condicionar o comportamento higrotrmico do bloco escolar.
Sugerem-se assim o seguinte conjunto de mudanas:
Uso de uma distribuio estatstica que melhor se adapte situao apresentada, como por
exemplo a distribuio Weibull.
Identificar qual a distribuio que as temperaturas interiores seguem e os seus respectivos
parmetros
Variao mais acentuada do nmero de ocupantes.
Criao de um modelo especfico para a gerao de nmeros aleatrios relacionados com o
comportamento higrotrmico dos edifcios, para que descreva o comportamento higrotrmico
do edifcio, das temperaturas interiores em funo da distribuio da ventilao e do nmero
de ocupantes.
77
78
BIBLIOGRAFIA
Burhenne, S.,Jacob, D., Henze, G. P. (2009). Uncertainty analysis in Building Simulation with Monte
Carlo Techniques. SimBuild, 2010, pp. 419-426.
Castro, E., Lopes, A. (2010). O Conforto Trmico Urbano e o Ordenamento do Territrio na cidade
da Guarda: utilizao dos sistemas de informao. Pluris,2010.
Decreto de lei n 79-2006, (2006). Regulamento dos Sistemas Energticos de Climatizao em
Edifcio, Dirio da Repblica 1. srie - A, 4 de Abril de 2006.
Dehlendorff, C. (2010). Monte Carlo Analysis. DTU Informatics, Techinal University of Denmark.,
Denmark.
Frbringer, J.-M., Roulet, C.A. (1995).Comparison and Combination of factorial and Monte-Carlo
design in Sensitivity Analysis. Building and Environment, 1995, pp. 505-519.
Gudwin
&
Von
Zuben
(1998).
Geradores
de
Nmeros
Aleatrios.
ftp://ftp.dca.fee.unicamp.br/pub/docs/ia707/aula9.pdf: 2 de Fevereiro.
Haarhoff, J., Mathews, E.H. (2006). A Monte Carlo method for thermal building simulation. Energy
and Buildings, 2006, pp. 1395-1399.
Hoes, P., Hensen, J.L.M., Loomans, M.G.L.,Vries, B.,Bourgeois,D. (2008). User behavior in whole
building simulation. Energy and Buildings, 2009, pp. 295-302.
Hong, T., Jiang, Y. (1995), Stochastic Weather Model for building HVAC Systems. Building and
Environment, 1995, pp. 521-532.
Lustosa, P.R.B., Ponte, V.M.R., Dominas, W.R. (2004). Pesquisa operacional para deciso em
contabilidade e administrao: contabilometria. Simulao In: CORRAR, L.J., Thephilo, C.R.
(Coord.), So Paulo.
Neves,
A.P.,
Jardim,S.
(2003),
Cruz,
J.
(2000).
Mtodos
de
Apoio
deciso.
http://www.est.ipcb.pt/tecnologias/tec_MAD/Analise%20Sensibilidade.pdf. 2 de Novembro.
Macdonald, I. A. (2009). Comparison of sampling techiniques on the performance of Monte-Carlo

based Sensitibity Analysis. Building Simulation, 2009, pp. 992-999.
Murteira, B. (2007). Introduo Estatstica. McGraw-Hill.
Oliveira, P. M. (2006). Estatstica (Sebenta v3.1 2006/2007). Departamento de Engenharia Civil da
Faculdade de Engenharia da Universidade do Porto, Porto.
Pietrzyk, K., Hagentoft, C.-E. (2007). Probabilistic analysis of air infiltration in low-rise buildings.
Building and Environment, 2008, pp. 537-549.
Pina, H. (1995). Mtodos Numricos. McGraw-Hill.
Rosa,
F.
H.
F.
P.,
Junior,
V.A.P.
(2002).
Gerando
http://www.feferraz.net/files/lista/random_numbers.pdf. 25 de Outubro.
Nmeros
Aleatrios.
Rubinstein, R. Y. 1981. Simulation and the Monte Carlo Method. John Wiley & Sons, New York.
Santos, P. D. C. (2010). Optimizao da Resistncia Trmica da Envolvente de Edifcios Escolares.
Dissertao em Construes Civis. Faculdade de Engenharia da Universidade do Porto.
Simes, M. L. O. (2010). Sistemas Estocsticos Sistemas de Espera. Dissertao de Doutoramento
em Matemtica Aplicada, Universidade do Porto.
79
Soratana, K., Marriott, J. (2009). Increasing innovation in home energy efficiency: Monte Carlo
Simulation of potential improvements. Energy and Buildings, 2010, pp. 828-833.
Sua (2005). International Standard Organization, Ergonomics of the thermal environment
analytical determination and interpretation of thermal comfort using calculation of the PMV and PPD
indices and local thermal comfort criteria: ISO 7730.
Veiga, J. M. G. C. (2008). Mtodos de Anlise das Incertezas na Verificao Estrutural em
Engenharia Civil. Dissertao em Estruturas. Faculdade de Engenharia da Universidade do Porto.
Vose, D. (2000). Risk analysis: a quantitative guide. 2. ed. Sussex: John Wiley & Sons Ltd.
Yun, Y.G., Tuohy, P., Steemers, K. (2009). Thermal performance of a naturally ventilated building
using a combined algorithm of probabilistic occupant behaviour and deterministic heat and mass
balance models. Energy and Buildings, 2009, pp. 489-499.
80

A Simulação de Monte Carlo Como Instrumento para A Análise

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

A Simulação de Monte Carlo Como Instrumento para A Análise

Caricato da

Copyright:

Formati disponibili

APLICAO DO MTODO DE MONTE

PEDRO DUARTE PEREIRA CARVALHIDO RIBEIRO DA FONTE

Dissertao submetida para satisfao parcial dos requisitos do grau de

Orientador: Professor Doutor Nuno Manuel Monteiro Ramos

Co-Orientador: Professora Doutora Maria de Lurdes de Oliveira

MESTRADO INTEGRADO EM ENGENHARIA CIVIL 20010/2011

FACULDADE DE ENGENHARIA DA UNIVERSIDADE DO PORTO

Reprodues parciais deste documento sero autorizadas na condio que seja

As opinies e informaes includas neste documento representam unicamente o

Aplicao do Mtodo de Monte Carlo em Simulaes Higrotrmicas de Edifcios

Um bom mestre tem sempre esta preocupao: ensinar o aluno a desenvencilhar-se

Aplicao do Mtodo de Monte Carlo em Simulaes Higrotrmicas de Edifcios

Aplicao do Mtodo de Monte Carlo em Simulaes Higrotrmicas de Edifcios

Aplicao do Mtodo de Monte Carlo em Simulaes Higrotrmicas de Edifcios

Aplicao do Mtodo de Monte Carlo em Simulaes Higrotrmicas de Edifcios

PALAVRAS-CHAVE: Simulao higrotrmica, EnergyPlus, Mtodo de Monte Carlo, Anlise Estatstica,

Aplicao do Mtodo de Monte Carlo em Simulaes Higrotrmicas de Edifcios

Aplicao do Mtodo de Monte Carlo em Simulaes Higrotrmicas de Edifcios

Aplicao do Mtodo de Monte Carlo em Simulaes Higrotrmicas de Edifcios

Aplicao do Mtodo de Monte Carlo em Simulaes Higrotrmicas de Edifcios

2. MTODO DE MONTE CARLO ...........................................................................3

2.4. TCNICAS DE ANLISE .................................................................................................................. 14

2.5. DISTRIBUIES ESTATSTICAS ..................................................................................................... 22

2.6. RESULTADOS ................................................................................................................................. 26

2.7. TRABALHOS ANTERIORES NA REA DA HIGROTRMICA............................................................ 29

Aplicao do Mtodo de Monte Carlo em Simulaes Higrotrmicas de Edifcios

3. ESTUDO DE CASO .................................................................................................... 35

4. APLICAO DO MTODO DE MONTE CARLO AO CASO

4.3. AMOSTRAGEM ............................................................................................................................... 45

4.4. SIMULAES ................................................................................................................................. 49

4.5. ANLISE DOS RESULTADOS COMPARATIVAMENTE AOS PARMETROS .................................... 72

Aplicao do Mtodo de Monte Carlo em Simulaes Higrotrmicas de Edifcios

Aplicao do Mtodo de Monte Carlo em Simulaes Higrotrmicas de Edifcios

Fig.32 Percentagem de energia economizada pelos diferentes aparelhos, do total de energia

Aplicao do Mtodo de Monte Carlo em Simulaes Higrotrmicas de Edifcios

Aplicao do Mtodo de Monte Carlo em Simulaes Higrotrmicas de Edifcios

Quadro 1 Parmetros em comparao para Amostras Aleatrias e Hipercubo Latino. .................... 11

Aplicao do Mtodo de Monte Carlo em Simulaes Higrotrmicas de Edifcios

Rph Renovaes por hora

Aplicao do Mtodo de Monte Carlo em Simulaes Higrotrmicas de Edifcios

Aplicao do Mtodo de Monte Carlo em Simulaes Higrotrmicas de Edifcios

1.1. ENQUADRAMENTO GERAL

Aplicao do Mtodo de Monte Carlo em Simulaes Higrotrmicas de Edifcios

Avaliao da aplicabilidade do mtodo de Monte Carlo na simulao higrotrmica de edifcios

1.3. DIVISO E ORGANIZAO DO TEXTO

O Captulo 1 apresenta este trabalho de dissertao, mostrando o seu enquadramento geral e

O Captulo 3 referente ao caso em estudo, onde se realiza a descrio do edifcio escolar, da

O Captulo 5 contm as concluses retiradas acerca do trabalho desenvolvido assim como

Aplicao do Mtodo de Monte Carlo em Simulaes Higrotrmicas de Edifcios

Aplicao do Mtodo de Monte Carlo em Simulaes Higrotrmicas de Edifcios

2.2. PRINCPIO DO MTODO DE MONTE CARLO

Aplicao do Mtodo de Monte Carlo em Simulaes Higrotrmicas de Edifcios

Na aplicao do mtodo de Monte Carlo a problemas relativos ao comportamento higrotrmico de

= 1, ,      ;

4. Obteno dos resultados a partir do conjunto de simulaes efectuadas;

Aplicao do Mtodo de Monte Carlo em Simulaes Higrotrmicas de Edifcios

Uma amostra aleatria um conjunto de nmeros escolhidos ao acaso. Normalmente os valores de

Figura 2 Amostragem aleatria (Dehlendorff, 2010).

Aplicao do Mtodo de Monte Carlo em Simulaes Higrotrmicas de Edifcios

Desenvolvimento conceptual do modelo do sistema ou do problema a ser estudado.

Figura 3 Mtodo Hipercubo Latino (Dehlendorff, 2010).

Aplicao do Mtodo de Monte Carlo em Simulaes Higrotrmicas de Edifcios

Figura 4 Matriz de valores de entrada (Dehlendorff, 2010).

= 1, , ;

=2 , 2 = > CA@A >@B 2