Sumrio

1 RISCO EM SISTEMAS DE ENGENHARIA

1.1

15

INCERTEZA EM PROBLEMAS DE ENGENHARIA . . . . . . . . . . . . . . . . . .

15

1.1.1

Incerteza intrnsica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

15

1.1.2

Incerteza epistmica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

16

1.1.3

Erro humano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

17

1.2

Confiabilidade e probabilidade de falha . . . . . . . . . . . . . . . . . . . . . . . . . . .

17

1.3

RISCO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

17

1.3.1

Definio de risco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

17

1.3.2

Classificao de riscos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

18

1.3.3

Anlise qualitativa: matriz de risco . . . . . . . . . . . . . . . . . . . . . . . . .

18

1.3.4

O papel do risco no custo de um sistema de engenharia . . . . . . . . . . . . .

19

FIGURAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

20

1.4

2 TEORIA DE PROBABILIDADES: VARIVEIS ALEATRIAS

2.1

2.2

2.3

25

AXIOMAS DA TEORIA DE PROBABILIDADES . . . . . . . . . . . . . . . . . . . .

25

2.1.1

Definies de probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

25

2.1.2

Teoria de conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

26

2.1.3

Espao de probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

28

2.1.4

Probabilidades condicionais . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

30

2.1.5

Teorema da probabilidade total . . . . . . . . . . . . . . . . . . . . . . . . . . .

31

2.1.6

Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

32

2.1.7

Independncia de eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

33

VARIVEIS ALEATRIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

34

2.2.1

Definio de varivel aleatria . . . . . . . . . . . . . . . . . . . . . . . . . . . .

34

2.2.2

Funo de distribuio acumulada de probabilidades . . . . . . . . . . . . . . .

34

2.2.3

Funo de densidade de probabilidades . . . . . . . . . . . . . . . . . . . . . . .

35

2.2.4

Valor esperado e momentos de uma varivel aleatria . . . . . . . . . . . . . .

36

MODELOS ANALTICOS DE FENMENOS ALEATRIOS . . . . . . . . . . . . .

40

2.3.1

Variveis aleatrias discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . .

40

2.3.2

Variveis aleatrias contnuas . . . . . . . . . . . . . . . . . . . . . . . . . . . .

44

2.3.3
2.4

2.5

2.6

2.7

2.8

2.9

Variveis aleatrias do tipo misto . . . . . . . . . . . . . . . . . . . . . . . . . .

48

DISTRIBUIO CONJUNTA DE PROBABILIDADES . . . . . . . . . . . . . . . . .

49

2.4.1

Funo conjunta de distribuio cumulativa de probabilidades . . . . . . . . . .

49

2.4.2

Funo conjunta de densidades de probabilidades . . . . . . . . . . . . . . . . .

49

2.4.3

Contedo de probabilidade para um domnio D qualquer . . . . . . . . . . . .

50

2.4.4

Funes marginais de probabilidades . . . . . . . . . . . . . . . . . . . . . . . .

50

2.4.5

Funes condicionais de probabilidades . . . . . . . . . . . . . . . . . . . . . . .

50

2.4.6

Teorema da probabilidade total (verso contnua) . . . . . . . . . . . . . . . . .

52

2.4.7

Variveis aleatrias independentes . . . . . . . . . . . . . . . . . . . . . . . . .

52

2.4.8

Covarincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

52

2.4.9

*Momentos conjuntos de ordem arbitrria de duas v.a. . . . . . . . . . . . . . .

53

2.4.10 Problemas envolvendo muitas variveis aleatrias . . . . . . . . . . . . . . . . .

54

FUNES DE UMA VARIVEL ALEATRIA . . . . . . . . . . . . . . . . . . . . .

55

2.5.1

Conceito de funo de uma varivel aleatria . . . . . . . . . . . . . . . . . . .

55

2.5.2

Determinao da funo de distribuio de Y = g(X) . . . . . . . . . . . . . .

55

2.5.3

Momentos de uma funo de uma varivel aleatria . . . . . . . . . . . . . . .

57

FUNES DE DUAS OU MAIS VARIVEIS ALEATRIAS . . . . . . . . . . . . .

59

2.6.1

Determinao da funo de distribuio . . . . . . . . . . . . . . . . . . . . . .

59

2.6.2

Soma de duas variveis aleatrias . . . . . . . . . . . . . . . . . . . . . . . . . .

60

2.6.3

Teorema do limite central . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

62

2.6.4

Momentos de funes de muitas variveis aleatrias

63

2.6.5

Aproximao dos momentos de funes de muitas variveis aleatrias

. . . . . . . . . . . . . . .
. . . . .

64

TEORIA DE VALORES EXTREMOS . . . . . . . . . . . . . . . . . . . . . . . . . . .

65

2.7.1

Distribuies exatas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

66

2.7.2

Distribuies assintticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

67

2.7.3

Extremos caractersticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

68

2.7.4

Distribuies estatsticas de extremos . . . . . . . . . . . . . . . . . . . . . . .

69

2.7.5

Sumrio de distribuies contnuas . . . . . . . . . . . . . . . . . . . . . . . . .

73

AJUSTE DE DISTRIBUIES ESTATSTICAS . . . . . . . . . . . . . . . . . . . . .

74

2.8.1

Ajuste a um histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

74

2.8.2

Ajuste a pontos determinados numericamente . . . . . . . . . . . . . . . . . . .

75

DICAS DE PROGRAMAO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

76

2.9.1

Uso de estruturas de dados para representar variveis aleatrias . . . . . . . . .

76

2.9.2

Programao da funo normal padro acumulada . . . . . . . . . . . . . . . .

76

3 INTRODUO CONFIABILIDADE ESTRUTURAL

79

3.1

REQUISITOS DE SISTEMAS ESTRUTURAIS

. . . . . . . . . . . . . . . . . . . . .

79

3.2

ESTADOS LIMITES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

80

3.2.1

80

Equaes de estado limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2

3.3

3.4

MEDIDAS DE VIOLAO DE ESTADOS LIMITES . . . . . . . . . . . . . . . . . .

81

3.3.1

Coeficiente de segurana central . . . . . . . . . . . . . . . . . . . . . . . . . .

81

3.3.2

Coeficientes de segurana parciais e valores caractersticos . . . . . . . . . . . .

81

3.3.3

Medidas probabilsticas de violao de estados limites . . . . . . . . . . . . . .

83

FORMULAO DOS PROBLEMAS DE CONFIABILIDADE ESTRUTURAL . . . .

85

3.4.1

Carregamento estrutural . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

85

3.4.2

Resistncia estrutural . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

86

3.4.3

Nvel da anlise de estado limite . . . . . . . . . . . . . . . . . . . . . . . . . .

87

3.4.4

O papel do parmetro tempo em problemas de confiabilidade estrutural . . . .

87

3.5

PROBLEMA DE CONFIABILIDADE DEPENDENTE DO TEMPO

. . . . . . . . .

88

3.6

PROBLEMA DE CONFIABILIDADE INDEPENDENTE DO TEMPO . . . . . . . .

89

3.7

Programas de confiabilidade estrutural existentes . . . . . . . . . . . . . . . . . . . . .

90

3.8

FIGURAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

91

4 MTODOS DE TRANSFORMAO
4.1

97

FOSM - MTODO DE PRIMEIRA ORDEM E SEGUNDO MOMENTO . . . . . . .

97

4.1.1

A transformao de Hassofer e Lind . . . . . . . . . . . . . . . . . . . . . . . .

97

4.1.2

Interpretao geomtrica do ndice de confiabilidade . . . . . . . . . . . . . . .

98

4.1.3

O ponto de projeto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

99

4.1.4

Equao de estado limite linear . . . . . . . . . . . . . . . . . . . . . . . . . . .

99

4.1.5

Equao de estado limite no-linear . . . . . . . . . . . . . . . . . . . . . . . . 100

4.1.6

Soluo numrica do problema de otimizao . . . . . . . . . . . . . . . . . . . 102

4.1.7

Anlise de sensibilidade da probabilidade de falha . . . . . . . . . . . . . . . . 105

4.1.8

Transformao de Hassofer-Lind matricial . . . . . . . . . . . . . . . . . . . . . 105

4.1.9

Algoritmo FOSM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106

4.1.10 Variveis aleatrias correlacionadas . . . . . . . . . . . . . . . . . . . . . . . . . 107

4.2

4.3

4.4

FORM - MTODO DE CONFIABILIDADE DE PRIMEIRA ORDEM . . . . . . . . 108

4.2.1

Distribuio conjunta de probabilidades . . . . . . . . . . . . . . . . . . . . . . 108

4.2.2

A transformao de Rosenblatt . . . . . . . . . . . . . . . . . . . . . . . . . . . 108

4.2.3

Transformao composta utilizando o modelo de Nataf . . . . . . . . . . . . . . 109

4.2.4

Algoritmo FORM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114

SORM - MTODO DE CONFIABILIDADE DE SEGUNDA ORDEM . . . . . . . . . 115

4.3.1

Aproximao parablica baseada em curvaturas . . . . . . . . . . . . . . . . . . 115

4.3.2

Aproximao parablica baseada em pontos . . . . . . . . . . . . . . . . . . . . 116

Figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117

5 CONFIABILIDADE DE SISTEMAS
5.1

121

IDEALIZAES DE SISTEMAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121

5.1.1

Componentes associados em srie . . . . . . . . . . . . . . . . . . . . . . . . . . 121

5.1.2

Componentes associados em paralelo . . . . . . . . . . . . . . . . . . . . . . . . 122

3

5.1.3
5.2

5.3

5.4

5.5

Associao mista de componentes . . . . . . . . . . . . . . . . . . . . . . . . . . 123

IDEALIZAO DE SISTEMAS ESTRUTURAIS . . . . . . . . . . . . . . . . . . . . 123

5.2.1

Modelos de resistncia de material . . . . . . . . . . . . . . . . . . . . . . . . . 123

5.2.2

Estruturas isostticas - sistemas em srie . . . . . . . . . . . . . . . . . . . . . 124

5.2.3

Estruturas hiper-estticas - sistemas em paralelo . . . . . . . . . . . . . . . . . 124

MLTIPLOS MODOS DE FALHA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125

5.3.1

Limites para a probabilidade de falha de sistemas em srie . . . . . . . . . . . . 126

5.3.2

Aproximao de primeira ordem para mltiplos modos de falha . . . . . . . . . 127

SISTEMAS ESTRUTURAIS COMPLEXOS . . . . . . . . . . . . . . . . . . . . . . . . 129

5.4.1

rvore de falhas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129

5.4.2

rvore de eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130

Figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131

6 SIMULAO DE MONTE CARLO

135

6.1

FORMULAO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136

6.2

GERAO DE NMEROS ALEATRIOS COM DISTRIBUIO PRESCRITA . . 137

6.2.1

Gerao de amostras de uma varivel aleatria . . . . . . . . . . . . . . . . . . 137

6.2.2

Gerao de nmeros aleatrios com distribui o uniforme . . . . . . . . . . . . 137

6.2.3

Gerao de conjunto de nmeros aleatrios a partir de uma distribuio conjunta

de probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138

6.3

6.4

6.5

TCNICAS DE REDUO DA VARINCIA . . . . . . . . . . . . . . . . . . . . . . 139

6.3.1

Variveis antitticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140

6.3.2

Amostragem por importncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140

6.3.3

Amostragem por importncia utilizando pontos de projeto . . . . . . . . . . . . 141

6.3.4

Amostragem por importncia adaptativa

6.3.5

Outras tcnicas de amostragem . . . . . . . . . . . . . . . . . . . . . . . . . . . 142

. . . . . . . . . . . . . . . . . . . . . 142

SUPERFCIES DE RESPOSTA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142

6.4.1

Construo de superfcies de resposta . . . . . . . . . . . . . . . . . . . . . . . 143

6.4.2

Estratgia de seleo dos pontos . . . . . . . . . . . . . . . . . . . . . . . . . . 143

6.4.3

Estratgias de utilizao de superfcies de resposta . . . . . . . . . . . . . . . . 143

FIGURAS

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144

7 TEORIA DE PROBABILIDADES: PROCESSOS ESTOCSTICOS

7.1

7.2

147

DEFINIES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
7.1.1

Processo estocstico como famlia de funes . . . . . . . . . . . . . . . . . . . 147

7.1.2

Funes de distribuio de probabilidades . . . . . . . . . . . . . . . . . . . . . 148

7.1.3

Processo estocstico como famlia de variveis aleat rias . . . . . . . . . . . . 149

PROPRIEDADES DE PROCESSOS ESTOCSTICOS . . . . . . . . . . . . . . . . . 149

7.2.1

Momentos de um processo estocstico . . . . . . . . . . . . . . . . . . . . . . . 149

7.2.2

Momentos de dois processos estocsticos . . . . . . . . . . . . . . . . . . . . . . 150

4

7.3

7.4

7.5

7.6

7.7

7.2.3

Ortogonalidade e independncia . . . . . . . . . . . . . . . . . . . . . . . . . . 150

7.2.4

Processo Gaussiano

7.2.5

Estacionariedade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150

7.2.6

Funo de auto-correlao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151

7.2.7

Funo densidade espectral de potncia . . . . . . . . . . . . . . . . . . . . . . 152

7.2.8

Estatsticas temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153

7.2.9

Processos ergdicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150

CLCULO DE PROCESSOS ESTOCSTICOS . . . . . . . . . . . . . . . . . . . . . 154

7.3.1

Continuidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154

7.3.2

Diferenciao em mdia quadrtica . . . . . . . . . . . . . . . . . . . . . . . . . 154

7.3.3

Integrao quadrtica mdia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154

ESTATSTICAS DE BARREIRA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155

7.4.1

Perodo mdio de recorrncia ou tempo mdio de retorno . . . . . . . . . . . . 155

7.4.2

Taxa de passagens pela barreira . . . . . . . . . . . . . . . . . . . . . . . . . . . 155

TEORIA DE VALORES EXTREMOS (p.e.) . . . . . . . . . . . . . . . . . . . . . . . 159

7.5.1

Extremos de um processo em um intervalo fixo . . . . . . . . . . . . . . . . . . 159

7.5.2

Distribuio de picos de um processo estocstico . . . . . . . . . . . . . . . . . 159

7.5.3

Distribuio de picos de um processo Gaussiano

7.5.4

Distribuio de extremos de um processo Gaussiano . . . . . . . . . . . . . . . 160

. . . . . . . . . . . . . . . . . 160

PROCESSOS DISCRETOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160

7.6.1

Processo de Borges . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160

7.6.2

Processo de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161

7.6.3

Processo de Poisson filtrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161

7.6.4

Processos de Poisson mixtos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163

FIGURAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164

8 CONFIABILIDADE DEPENDENTE DO TEMPO

169

8.1

FORMULAO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169

8.2

CONVERSO PARA FORMATO INDEPENDENTE DO TEMPO - PROBLEMAS

ESCALARES ESTACIONRIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170

8.3

8.2.1

Integrao no tempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170

8.2.2

Discretizao no tempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170

FALHA PRIMEIRA SOBRECARGA . . . . . . . . . . . . . . . . . . . . . . . . . . 172

8.3.1

Formulao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172

8.3.2

Taxa condicional de chegada de sobrecargas . . . . . . . . . . . . . . . . . . . . 173

8.3.3

Aproximao de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174

8.3.4

Expresses aproximadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174

8.3.5

Tempo at a falha (primeira sobrecarga) . . . . . . . . . . . . . . . . . . . . . . 175

8.3.6

Taxa instantnea de falhas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175

5

8.3.7
8.4

8.5

8.6

8.7

Melhorias da aproximao de Poisson . . . . . . . . . . . . . . . . . . . . . . . 176

VARIVEIS ALEATRIAS DE RESISTNCIA . . . . . . . . . . . . . . . . . . . . . 177

8.4.1

Teorema de probabilidade total . . . . . . . . . . . . . . . . . . . . . . . . . . . 177

8.4.2

Integrao rpida de probabilidades . . . . . . . . . . . . . . . . . . . . . . . . 178

8.4.3

Aproximao da taxa de passagens mdia pelo envelope . . . . . . . . . . . . . 179

COMBINAO DE CARREGAMENTOS . . . . . . . . . . . . . . . . . . . . . . . . 180

8.5.1

Caso geral (Point-crossing formula) . . . . . . . . . . . . . . . . . . . . . . . . 180

8.5.2

Combinao de carregamentos discretos . . . . . . . . . . . . . . . . . . . . . . 181

8.5.3

Regra de Turkstra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183

PROBLEMAS MULTI-DIMENSIONAIS . . . . . . . . . . . . . . . . . . . . . . . . . . 184

8.6.1

Nested FORM/SORM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185

8.6.2

Directional simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185

8.6.3

Computation of crossing rates by parallel system sensitivity analysis . . . . . . 186

FIGURAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189

9 CONFIABILIDADE E AS NORMAS DE PROJETO

193

9.1

INTRODUO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193

9.2

BREVE HISTRICO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194

9.3

AS NORMAS ANTIGAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194

9.4

FORMATO SEMI-PROBABILSTICO DAS NORMAS ATUAIS . . . . . . . . . . . . 195

9.5

9.4.1

Eurocode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195

9.4.2

Norma americana (LRFD) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195

RELAO ENTRE MEDIDAS DE SEGURANA . . . . . . . . . . . . . . . . . . . . 195

9.5.1

Relao entre nveis 1 e 2 (FOSM) . . . . . . . . . . . . . . . . . . . . . . . . . 195

9.5.2

Relao entre nveis 1 e 3 (FORM) . . . . . . . . . . . . . . . . . . . . . . . . . 196

9.6

CALIBRAO DAS NORMAS ATUAIS . . . . . . . . . . . . . . . . . . . . . . . . . 196

9.7

NORMAS FUTURAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197

9.8

9.7.1

Otimizao do risco estrutural . . . . . . . . . . . . . . . . . . . . . . . . . . . 197

9.7.2

Normas probabilsticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197

9.7.3

ndices de confiabilidade alvo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197

FIGURAS: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199

Lista de Figuras
1-1 Resposta de um sistema de engenharia sujeito a incertezas. . . . . . . . . . . . . . . .

20

1-2 Taxa de Mortalidade e expectativa de vida por idade populao Brasileira, IBGE 2002. 20
1-3 Risco individual por tipo de atividade. . . . . . . . . . . . . . . . . . . . . . . . . . . .

21

1-4 Risco individual em mortes por ano e por kilmetro rodado para viagens. . . . . . . .

22

1-5 Risco individual de mortes/leso por acidente de trnsito no Brasil. (Fonte:Anurio

Estatstico de Acidentes de Trnsito de 2002 DENATRAN). . . . . . . . . . . . . . .

22

1-6 Curva de risco social em frequncia x nmero de mortes . . . . . . . . . . . . . . . . .

23

1-7 Risco social em atividades de engenharia. . . . . . . . . . . . . . . . . . . . . . . . . .

23

1-8 Mapa de suscetibilidade ocorrncia de tornados, fonte: NOAA - National Weather

Service, Estados Unidos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

24

1-9 Matriz de risco (Drake e Thurston, 1993). . . . . . . . . . . . . . . . . . . . . . . . . .

24

1-10 Composio do custo esperado total de um sistema que apresenta risco de falha. . . .

24

2-1 PDF e CDF de varivel aleatria clipada com p = 0.2 e q = 0.8. . . . . . . . . . . . . .

48

2-2 Densidade conjunta de 2 variveis aleatrias. . . . . . . . . . . . . . . . . . . . . . . .

51

2-3 Exemplos de covarincia (dependncia linear) entre duas variveis aleatrias. . . . . .

53

2-4 Convergncia da soma (exemplo 34) para distribuio normal. . . . . . . . . . . . . . .

62

2-5 Convergncia da soma (exemplo 35) para distribuio normal. . . . . . . . . . . . . . .

63

2-6 Extreme value distributions of Gaussian variable. . . . . . . . . . . . . . . . . . . . . .

66

2-7 Nmero En de mximos maiores do que y. . . . . . . . . . . . . . . . . . . . . . . . . .

67

3-1 Papel da teoria de probabilidades na soluo de problemas de engenharia. . . . . . . .

91

3-2 Independncia entre mdulos de analise mecnica e de confiabilidade.

. . . . . . . . .

91

3-3 Equao de estado limite e domnios de falha e no-falha. . . . . . . . . . . . . . . . .

92

3-4 Problema fundamental de confiabilidade (interferncia entre populaes). . . . . . . .

92

3-5 Valores caractersticos de resistncia e solicitao. . . . . . . . . . . . . . . . . . . . . .

92

3-6 Variao dos fatores de segurana parciais com o nvel de confiana pk para problema
com S N (4, 1) e R N (8, 1).

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

93

3-7 Produto fS (x)FR (x), integrando do problema fundamental de confiabilidade. . . . . .

93

3-8 Probabilidade de falha em fun o da margem de segurana. . . . . . . . . . . . . . . .

93

3-9 Probabilidade de falha em termos da varivel normalizada Y .

94

. . . . . . . . . . . . .

3-10 Problema de confiabilidade estrutural tpico envolvendo carregamento estocstico e variao da resistncia no tempo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

94

3-11 Problema de confiabilidade estrutural com variao paramtrica da resistncia. . . . .

94

3-12 Nveis de anlise em que a comparao solicitao x resistncia pode ser feita. . . . . .

95

4-1 Problema fundamental de confiabilidade em termos R e S para (R , R ) = 2(S , S ).

117

4-2 Problema fundamental de confiabilidade em termos de y1 e y2 para (R , R ) = 2(S , S ).118

4-3 Aproximao de primeira ordem - integrao uni-dimensional. . . . . . . . . . . . . . . 118
4-4 Soluo iterativa para busca do ponto de projeto. . . . . . . . . . . . . . . . . . . . . . 119
4-6 Aproximao de primeira ordem da Pf . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
4-7 Aproximao de segunda ordem da Pf . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
4-5 Distribuies normais equivalentes a uma distribuio uniforme U (1, 1) nos pontos
x = 0; x = 0.7 e x = 0.9; a esquerda, PDF; a direita, CDF.

. . . . . . . . . . . . . . . 120

5-1 Sistema formado por componentes (eventos) associados em srie. . . . . . . . . . . . . 131

5-2 Representao de sistema com componentes em paralelo. . . . . . . . . . . . . . . . . . 132
5-3 Aproximao linear da Pf para dois modos de falha. . . . . . . . . . . . . . . . . . . . 132
5-4 rvore de falhas mostrando eventos bsicos e evento principal. . . . . . . . . . . . . . 133
5-5 rvore de eventos mostrando evento inicial e conseqncias. . . . . . . . . . . . . . . . 133
6-1 Gerao de nmeros aleatrios com distribuio prescrita. . . . . . . . . . . . . . . . . 144
6-2 Amostragem por importncia usando o ponto de projeto. . . . . . . . . . . . . . . . . 145
6-3 Amostragem por importncia para mltiplos modos de falha. . . . . . . . . . . . . . . 145
7-1 Funes de auto-correla o comuns e densidades espectrais de potncia (ajustadas para
rea unitaria) correspondentes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
7-2 Funes de auto-correla o comuns e densidades espectrais de potncia (ajustadas para
rea unitaria) correspondentes (continuao). . . . . . . . . . . . . . . . . . . . . . . . 165
7-3 Ultrapassagem da barreira b(t) = b pelo processo estocstico X(t). . . . . . . . . . . . 166
7-4 Composio do tempo de recorrncia entre visitas do processo X(t) ao nvel b.

. . . . 166

7-5 Condio de ultrapassagem da barreira b(t) = b pelo processso X(t). . . . . . . . . . . 166

7-6 Limites de integrao da taxa de passagens pela barreira no plano (x, x).
. . . . . . . . 167
7-7 Funo de densidade de um pico (mximo local) de processo Gaussiano. . . . . . . . . 167
7-8 Distribuio de valores extremos de um processo Gaussiano em funo do nmero de
ciclos n. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
7-9 Realizaes de processo discreto mixto, com p = 0.2 e q = 0.8. . . . . . . . . . . . . . . 168
7-10 Realizaes de processo discreto mixto, com p = 0.8 e q = 0.2. . . . . . . . . . . . . . . 168
8-1 Problema de confiabilidade estrutural tpico envolvendo carregamento estocstico e variao da resistncia no tempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
8-2 Ultrapassagem da barreira r(t) = r pelo processo de carregamento S(t). . . . . . . . . 189
8

8-3 Passagens de barreira em bloco caracterstica de processos estocsticos de banda estreita.190

8-4 Problema de confiabilidade estrutural com variao paramtrica da resistncia. . . . . 190
8-5 Parallel system computation of crossing rates. . . . . . . . . . . . . . . . . . . . . . . . 190
8-6 Quadro rigido-perfeitamente plstico com multiplos modos de falha. . . . . . . . . . . 191
8-7 Crossing rate results as a function of resistance parameters for ideal rigid-plastic frame
problem. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
8-8 Predicted ECR error for individual failure surfaces of ideal rigid-plastic frame problem 191
9-1 ndices de confiabilidade da norma antiga para combinao de aes gravitacionais. . . 199
9-2 ndices de confiabilidade da norma antiga para combinao de aes gravitacionais e
vento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
9-3 Fatores de segurana parciais para atingir alvo = 2.5, vigas de ao. . . . . . . . . . . . 200
9-4 Fatores de segurana parciais para atingir alvo = 2.5, vigas de concreto armado. . . . 200
9-5 ndices de confiabilidade da nova norma para os fatores de segurana parciais propostos.201

10

Lista de Abreviaturas
BB
BFD
CDF
C.O.V.
CONV
EF
FORM
FOSM
FPI
HLRF
IS
KS
NB
PDF
POD
PSD
PE
SMC
SORM
TI
TPD
VA

Processo de banda larga (Broad band process)

Falha dominada pela barreira (Barrier Failure Dominance)
Funo de distribuio cumulativa de probabilidades
(cumulative distribution function)
Coeciente de variao
Integral de convoluo
Elementos Finitos
Mtodo de confiabilidade de primeira ordem (First Order Reliability Method)
Mtodo de confiabilidade de segundo momento (First Order Second Moment)
Integrao rpida de probabilidades (Fast Probability Integration)
Algoritmo de otimizao de Hassofer, Lind, Rackwitz e Fiessler
Amostragem por importncia (importance sampling)
Teste de Kolmogorov-Smirno
Processo de banda estreita (Narrow Band process)
Funo de densidades de probabilidades (probability density function)
Probabilidade de deteco de trincas (inspeo no-destrutiva)
Densidade Espectral de Potncia
Processo Estocstico
Simulao de Monte Carlo
Second Order Reliability Method
Integrao no tempo (Time Integrated aproach)
Transition Probability Density
Varivel Aleatria

11

12

Lista de Smbolos

Variveis Aleatrias:
X
x
X
X
2X
fX (x)
FX (x)

Varivel Aleatria
realizao da varivel aleatria X
mdia de X
Desvio-padro de X
Varincia de X
Funo densidade de probabilidades de X
Funo de probabilidades acumuladas X

X
x
X
X
2X
fX (x)
FX (x)
cov

Vetor de variveis aleatrias

realizao de X
Vetor de mdias
Vetor de desvios-padro
Vetor de varincias
Funo densidade de probabilidades conjunta de X
Funo de probabilidades acumuladas conjunta de X
Matriz de covarincia

X(t)
RXX (t)
X

G(w)

Processo estocstico
Funo de auto-correlao do processo X(t)
Comprimento de correlao do processo
Fator de irregularidade do processo
Funo densidade espectral de potncia

Distribuies estatsticas:
(x)
(x)
N (, )
LN (, )
RL()
E[.]
P [.]

Funo densidade de probabilidades normal padro

Funo de probabilidades acumuladas normal padro
Distribuio normal com parmetros e
Distribuio log-normal
Distribuio Rayleigh com parmetro
Operador valor esperado
Operador de probabilidades

13

Confiabilidade independente do tempo:

X
Y
T(x)
y = T(x)
y
yn+1

2
ncv
nrv
nsi

Espao original de projeto

Espao normal padro
Transformao para o espao normal padro
Variveis no espao normal padro
Ponto de Projeto no espao Y
Varivel adicional na soluo FPI
ndice de Confiabilidade
Coeficientes de sensibilidade
Nmero de iteraes para convergncia
Nmero de variveis aleatrias de projeto
Nmero de simulaes

Confiabilidade dependente do tempo:

+
X (a, t)
+
A (a, t)
+
D (x, t)
Pf (t)
PS (t)
Pf0
Pf (t|x)

Taxa na qual o processo X(t) ultrapassa a barreira a(t)

(taxa de passagens pela barreira)
Taxa de passagens pela barreira do processo amplitude
Taxa de entradas no domnio de falha
Probabilidade
Probabilidade
Probabilidade
Probabilidade

de
de
de
de

falha
sobrevivncia
falhas inicial (para t = 0)
falha condicional

14

Captulo 1

RISCO EM SISTEMAS DE
ENGENHARIA
1.1

INCERTEZA EM PROBLEMAS DE ENGENHARIA

Entre as incertezas presentes em problemas de engenharia, algumas podem ser classificadas em intrnsica e epistmica. Incerteza epistmica aquela que pode, em tese, ser reduzida ou eliminada
atravs da coleta de mais dados sobre os processos envolvidos ou atravs de melhor conhecimento do
problema. Incerteza intrnsica aquela que faz parte da natureza dos processos envolvidos, e portanto
no pode ser eliminada. Outro tipo de incerteza que no encaixa nos critrios acima o erro humano.

1.1.1

Incerteza intrnsica

Incerteza fsica
A incerteza fsica corresponde aleatoriedade natural dos fenmenos fsicos, quimicos, biolgicos,
atmosfricos que nos rodeiam, e que afetam o comportamento de sistemas de engenharia. Exemplos
de processos com incerteza fsica:
1. flutuao temporal de carregamentos ambientais como vento, ondas, neve, chuva...
2. ocorrncia e intensidade de fenmenos ambientais como tempestades, tornados, ciclones, secas,
furaces,...
3. cargas induzidas por terremotos;
4. variao na resistncia de materiais estruturais (dentro de um mesmo lote, entre lotes, entre
diferentes fabricantes, etc.);
5. tolerncia dimensional de componentes estruturais;
6. variao na durabilidade (ou vida til) de componentes idnticos;
7. flutuaes de corrente eltrica;
8. e tantas outras...
A incerteza fsica pode ser reduzida atravs da coleta de mais informaes sobre os fenmenos
envolvidos, mas no pode ser eliminada. A incerteza nas dimenses de componentes ou na resistncia
de materiais pode ser diminuda atravs de melhorias em controle de qualidade, mas tambm no pode
ser eliminada. A incerteza fsica pode ser representada e incorporada na anlise atravs de variveis
aleatrias, processos estocsticos e campos estocsticos.
15

Incerteza de previso
Este tipo de incerteza se refere previso de condies futuras de um processo ou sistema. Muitas
vezes, a informao disponvel sobre determinado processo limitadas a um curto perodo, mas deve
ser extrapolada para o perodo de vida til da estrutura. Extremos de fenmenos ambientais so
exemplos tpicos.
Durante as fases de projeto e de construo de uma obra, existem grandes incertezas em relao
resistncia dos materiais estruturais e em relao aos carregamentos que realmente atuaro na
estrutura quando em operao. Obviamente, medida que estas informaes vo sendo coletadas,
este tipo de incerteza pode ser reduzida ou at eliminada. No entanto, os projetos estruturais so
feitos anteriormente, e portanto devem levar em conta a existncia destas incertezas.
Incerteza fenomenolgica
A incerteza fenomenolgica se refere a fenmenos inimaginveis para o projetista de uma estrutura,
mas que vem a afetar a segurana desta ou levar condio de falha. Em especial, a incerteza
fenomenolgica pode aparecer em projetos inovadores, para os quais novos e inimaginveis modos de
falha podem existir.
Um exemplo de falha estrutural atribuda incerteza fenomenolgica foi o colapso da ponte Tacoma
Narrows, no Japo, em 1940. Esta ponte suspensa caiu devido excitao dinmica provocada pelo
vento, um efeito aparentemente inimaginvel para os projetistas da mesma.
Outro exemplo mais recente a queda dos prdios do World Trade Center, ocorrida nos ataques
terroristas de 11 de setembro de 2001. O evento inimaginvel, neste caso, no foi o choque dos
avies (ou a loucura dos terroristas), uma vez que as torres foram projetadas para resistir ao choque
de pequenas aeronaves (e chegaram a resistor ao choque dos enormes jumbos). A falha estrutural
das torres atribuda ao incndio de propores inimaginveis (aos projetistas) que se seguiu ao
choque dos avies seqestrados. As torres haviam sido projetadas para resistir a incndios tpicos
de escritrio (divisrias, mveis, papis). No entanto, o fornidvel incndio provocado pela queima
da gasolina carregada pelos avies seqestrados atingiu temperaturas muito maiores, eventualmente
levando ao colapso da ligao metlica entre as lajes de concreto e a estrutura metlica externa. Os
prdios ruram devido falha destas conexes.
Devido ao seu carcter inimaginvel, as incertezas fenomenolgicas no podem ser incorporadas
na anlise. Em verdade, elas s se manifestam quando j muito tarde.

1.1.2

Incerteza epistmica

Incerteza estatstica
A determinao com base em amostras da curva de distribuio de probabilidades de uma varivel
aleatria ou de seus parmetros e momentos est sujeita chamada incerteza estatstica. Quando
a mdia, por exemplo, de uma varivel determinados a partir de uma amostra, a varincia do
resultado corresponde a uma incerteza estatstica nesta mdia. Se o nmero de amostras pequeno,
no pode ser aumentado e a varivel de grande importncia para o problema, ento a prpria mdia
da distribuio pode ser representada como uma varivel aleatria. Isto vale tambm para qualquer
outro momento ou parmetro de distribuio.
Quando inferimos um modelo de distribuio para uma varivel aleatria com base em um histograma (e.g.: Tal varivel segue uma distribuio normal!), o fazemos atravs de um teste de
hiptese, que revela que tal afirmao s verdadeira com determinado nvel de probabilidade. Isto
tambem d origem a uma incerteza estatstica.
A incerteza de medio, que tem sua origem na imperfeio ou na faixa de erro do instrumento
de medio utilizado, tambm pode ser classificada como uma incerteza estatstica. A incerteza de
medio pode ser incorporada na incerteza da varivel medida.
Incerteza de deciso
A incerteza de deciso est relacionada com a definio sobre se determinado evento ocorreu ou no.
Os estados limites de servio, por exemplo, no possuem uma fronteira bem definida. No entanto, o
uso de equaes de estado limite requer a definio de uma fronteira clara entre os estados de falha
e no falha. Nestes casos, convm utilizar funes de utilidade, para formular de maneira gradual a
transio entre uma condio aceitvel e a falha de servio.
16

Incerteza de modelo
Incertezas de modelo tem sua origem na representao do comportamento estrutural atravs de modelos simplificados. Quando determinamos a resistncia de um elemento de concreto armado em funo
das resistncias do ao, do concreto, e das dimenses do elemento, introduzimos um erro de modelo.
A incerteza de modelo pode ser representada atravs de uma varivel aleatria, e sua distribuio de
probabilidades pode ser determinada, por exemplo, realizando comparaes entre ensaios experimentais e a resistncia determinada via modelo.

1.1.3

Erro humano

conhecido que grande parte das falhas de sistemas de engenharia provocada por erros humanos.
Isto verdade tambm para estruturas. A ao direta do homem que afeta de maneira indesejvel
o desempenho ou a segurana de sistemas de engenharia chamada de erro humano. Ainda que o
comportamento humano tenha um enorme componente de incerteza fenomenolgica (atos de loucura
como os ataques terroristas citados), existem resultados empricos que permitem quantificar certas
aes ou comportamentos que levam a determinados tipos de erros humanos. sabido tambm que
motivao e treinamento podem reduzir este tipo de erro. Literatura especfica pode ser consultada
(Stewart e Melchers, 1997).

1.2

Confiabilidade e probabilidade de falha

Para produtos de engenharia de produo em massa, onde falhas so relativamente fceis de observar
(falhas ocorrem com relativa freqencia), a definio freqentista de probabilidades pode ser utilizada
para interpretar a probabilidade de falha e o evento complementar, probabilidade de sobrevivncia ou
confiabilidade.
Para sistemas de engenharia com falhas pouco ou no observveis, as seguintes definies so
adotadas:
Confiabilidade o grau de confiana (probabilidade subjetiva) de que um sistema no falhe dentro
de um perodo de tempo especificado e respeitadas as condies de operao (de projeto) do mesmo.
Probabilidade de falha a probabilidade (subjetiva) de que o sistema falhe, no atendendo s
especificaes de projeto.

1.3
1.3.1

RISCO
Definio de risco

O risco associado a um determinado evento ou atividade pode ser definido como o produto da probabilidade de ocorrncia do evento (ou freqncia) pelas consequncias da ocorrncia do mesmo:
risco = P [ocorrncia] consequncias
Quando as consequncias de um evento ei so quantificadas na forma de uma funo custo C[.], o
risco associado ao evento ei fica:
risco[ei ] = P [ei ] C[ei ]
onde P [ei ] a probabilidade de ocorrncia do evento ei . Desta forma, a anlise de risco em sistemas
de engenharia envolve avaliao das probabilidades de ocorrncia P [ei ] e dos respectivos custos de
ocorrncia C[ei ] relacionados com todos os eventos ei . A definio acima independe do carcter do
evento ei . No entanto, em geral a palavra risco est associada a eventos indesejveis. Na anlise de
risco em engenharia, os eventos ei so eventos do tipo falha: falha em atender a funo para a qual
o sistema foi projetado, falha em atender a esta funo com a eficincia desejada ou falha que leva a
um acidente.
Muitas vezes dificil determinar-se o custo C[ei ] de forma quantitativa. Se a consequncia do
evento (falha) envolve a morte de pessoas, seria necessrio atribuir um valor monetrio s vidas
perdidas. Se a consequncia de falha envolve a degradao do meio ambiente, seria necessrio atribuirse um valor monetrio contaminao do rio, queima da floresta, morte de animais e plantas,
perda de bio-diversidade. J para empresas que trabalham com seguros, o custo C[ei ] passa a ser um
17

valor especificado em aplice. Esta discusso no envolve apenas administradores ou tcnicos, mas a
sociedade como um todo. Por isto, no ser levada adiante. Neste curso, limitaremos a discusso
avaliao quantitativa da probabilidade de ocorrncia P [ei ]. Para o aluno que estiver interessado na
questo, recomenda-se Cameron (2000).
Risco tambm pode ser definido como Probabilidade de Dano. Em palavras:
Risco a chance (ou probabilidade) de um determinado nvel de dano ocorrer durante
um perodo especfico ou associado com uma atividade especfica.
Um exemplo simples o risco de um funcionrio em determinada atividade morrer devido a uma
exploso. Seja:
probabilidade de morte por exploso
frequncia de exploses

= 0.01(uma morte em 100 exploses) e

= 0.10 exploses por ano

O risco de morte por ano para funcionrios nesta atividade de:

risco[morte] = 0.01 0.1
= 103 mortes por ano

1.3.2

Classificao de riscos

Risco individual aquele que afeta um indivduo em particular. Geralmente, dado na forma de
chance de morte por ano por milho de habitantes. As figuras (1-2) a (1-5) mostram exemplos de
risco individual.
Risco social est associado com incidentes onde um grande nmero de fatalidades pode ocorrer:
e.g., atividades perigosas em zonas de grande densidade populacional. Risco social expressa a relao
entre frequncia (probabilidade) e o nmero de pessoas sujeitas a um determinado nvel de dano. A
figura (1-6) mostra um comportamento tpico de risco social em termos de frequncia x nmero de
mortes.
Risco voluntrio aquele ao qual o sujeito se expe voluntariamente, em geral para desfrutar de
algum benefcio. Muitas vezes, esta exposio ao risco feita sem uma correta avaliao do nvel de
risco envolvido. Exemplos so: jogos de apostas, andar de motocicleta, investir no mercado de aes,
praticar alpinismo.
Risco involuntrio aquele imposto sobre um indivduo ou grupo de indivduos por atividades de
terceiros, portanto sem a opo do indivduo. Exemplos so todos os tipos de atividades industriais
perigosas, que expe tanto funcionrios como a comunidade a riscos devido a vazamentos, exploses,
incndios.

1.3.3

Anlise qualitativa: matriz de risco

Uma matriz de risco construda classificando-se a gravidade e a probabilidade de ocorrncia do

evento em faixas (alto, mdio baixo). Esta classificao simples feita conforme a matriz de risco
ilustrada na figura (1-9).
Gravidade do evento:
1. Evento minoritrio: Impacto inicialmente limitado pequena rea no local do evento com
potencial para conseqncias maiores na falta de ao corretiva.
2. Evento srio: Evento que pode causar:
(a) Leses srias ou morte na planta ou fora dela;
(b) Danos materiais no valor de $5 milhes na planta ou de 1 milho fora dela.
3. Evento grave: Evento cinco ou dez vezes maior do que um evento srio.

18

Probabilidade de ocorrncia do evento (f = falhas/ano):

1. Baixa (f < 104 /ano): Uma falha ou srie de falhas com muito pequena probabilidade de
ocorrncia dentro da vida projetada da planta. Exemplo:
(a) Trs ou mais falhas simultneas de equipamento, instrumento ou humana;
(b) Falha espontnea de tanque ou vaso de presso.
2. Moderada (104 < f < 102 /ano): Uma falha ou srie de falhas com pequena probabilidade de
ocorrncia dentro da vida projetada da planta. Exemplo:
(a) Falha simultnea de 2 equipamentos ou 2 instrumentos;
(b) Combinao de falha de equipamento com falha humana;
(c) Falha de pequena linha de processo.
3. Alta (f > 102 /ano): Pode-se esperar que uma falha acontea durante dentro da vida projetada
da planta. Exemplo:
(a) Vazamentos;
(b) Falha individual de um instrumento ou de um componente;
(c) Erro humano que resulta em vazamento de material.
Classificao do risco:
1. Regio de alto risco: o risco nesta faixa provavelmente inaceitvel e deve ser eliminado ou
atenuado;
2. Risco moderado: os riscos devem ser controlados e, se possvel, eliminados. Estratgias de
reduo de riscos devem ser estudadas, incluindo a sua relao custo-benefcio. Riscos devem
ser reduzidos sempre que estiverem acima da linha de riscos tolerveis;
3. Regio de baixo risco: estes riscos provavelmente so aceitveis e continuaro assim mesmo que
o nvel de riscos tolervel seja reduzido. A localizao desta zona depende do que o pblico,
governo e empregados entendem como aceitvel ou tolervel.

1.3.4

O papel do risco no custo de um sistema de engenharia

O custo total esperado de operao de um sistema que apresenta risco de falha pode ser decomposto
em:
1. custo inicial ou de construo do sistema;
2. custo de operao e de manuteno;
3. custo esperado de falha.
O custo esperado de falha, que est diretamente associado ao risco, vem a ser o produto do custo
de falha pela probabilidade de falha:
custo esperado de falha = P [falha] C[falha]
Conforme comentado anteriormente, o custo de falha pode incluir o custo de reparo ou de substituio dos equipamentos danificados, custo de reconstruo do sistema, custo de indenizaes pagas a
funcionrios e terceiros em decorrncia da falha, e outros custos menos mensurveis. O custo esperado
total de operao deste sistema dado pela soma dos custos parciais:
custo total esperado = custo inicial + custo operao + custo esperado de falha
A figura (1-10) ilustra como estes custos variam em funo do nvel de controle ou do nvel de
segurana utilizado na construo e operao de um sistema hipottico. Observe que o custo inicial e
o custo de operao aumentam com o nvel de controle ou de segurana utilizado, porque o aumento
19

da segurana exige mais equipamentos de segurana, maior redundncia de equipamentos crticos,

maior conservadorismo na utilizao do sistema, maiores gastos em manuteno. O custo esperado
de falha, obviamente, diminue com o aumento da segurana e do nvel de controle do sistema, pois
a probabilidade de falha diminue. No entanto, isto no acontece de maneira proporcional, isto , a
partir de um determinado nvel de controle ou segurana o custo esperado de falha j no se reduz de
maneira significativa. Este um comportamento tpico de sistemas de engenharia.
Observe que a funo custo total versus nvel de controle ou segurana possui um mnimo, que
corresponde ao nvel de controle ou de segurana ideal para determinado sistema. Este nvel de
segurana ideal minimiza o custo esperado total, ou seja, maximiza o retorno obtido com a utilizao
do sistema. Observe que a determinao do nvel de segurana e controle ideal exige uma anlise
quantitativa de riscos. Este o objetivo deste curso.

1.4

FIGURAS
fX(x1,t)

fX(x2)

x1(t)

fX(x3)
x2

x3
fG(g,t)

equao de estado limite

g ( x1 , x2 , x3 ,..., t ) = 0

g(x,t)

Pf = P min g ( x , t ) < 0
t

Figura 1-1: Resposta de um sistema de engenharia sujeito a incertezas.

Taxa de Mortalidade por Idade (IBGE - 2002)

Mortes por mil habitantes

70

70

Mortalidade
Expectativa de Vida

60

60

50

50

40

40

30

30

20

20

10

10

0
0

10

20

30

40

50

60

70

80

Idade

Figura 1-2: Taxa de Mortalidade e expectativa de vida por idade populao Brasileira, IBGE 2002.
20

RISCO DE
MORTE (por milho
x ano)

ATIVIDADE

Riscos Voluntrios (mdia entre os praticantes)

Fumo (20 cigarros por dia)
Beber lcool
Alpinismo
Natao
Jogar futebol
Possuir arma de fogo

5000
380
2000
50
30
30

Riscos por rea de ocupao

Minerao
Construao civil
Indstria

300
150 440
40

Riscos de transporte (mdia entre viajantes)

Rodovirio
Ferrovirio
Areo

145
30
10

Riscos para toda a populao

Morte por cancer
Acidentes dentro de casa
Queda
Atropelamento
Homicdio
Envenenamento acidental
Envenenamento por plantas ou animais
Acidentes com fogo
Eletrocuo (no industrial)
Queda de objetos
Uso teuraputico de drogas
Falha estrutural
Temporais ou enchentes
Eletrocuo por raio
Queda de meteorito

Figura 1-3: Risco individual por tipo de atividade.

21

1800
110
60
35
20
18
0.1
10
3
3
2
0.1
0.2
0.1
0.001

Taxa de Mortalidade
(10-9 mortes/hora)

Exposio Tpica
(horas/ano)

Risco de Morte
(10-6 mortes/ano)

Viagem Area

1200

20

24

Viagem Rodoviria

700

300

200

Viagem de Trem

80

200

15

Taxa de Mortalidade
(10-9 mortes/hora)

Velocidade mdia
(km/h)

Taxa de
Mortalidade
(10-9 mortes/km)

Viagem Area

1200

800

1.50

Viagem Rodoviria

700

80

8.75

Viagem de Trem

80

120

0.66

ATIVIDADE

ATIVIDADE

Figura 1-4: Risco individual em mortes por ano e por kilmetro rodado para viagens.

Nmero de vtimas nofatais em acidentes

Percentual
(vtimas)

Numero de
vtimas fatais

Percentual
(mortalidad
e)

Mdia pela
populao

1822 (vtimas por

milho de habitantes por
ano)

0.18% da
populao

108 (vtimas
fatais por milho
de habitantes por
ano)

0.01% da
populao

Mdia pela
frota

9284 (vtimas por

milho de veculos por
ano)

0.93% da
frota

551 (vtimas
fatais por milho
de veculos por
ano)

0.05% da
frota

Figura 1-5: Risco individual de mortes/leso por acidente de trnsito no Brasil. (Fonte:Anurio
Estatstico de Acidentes de Trnsito de 2002 DENATRAN).
22

Freqencia de acidentes
(N mortes por ano)

1.E-02

1.E-04

1.E-06

1.E-08

1.E-10
1

10

100

1000

10000

Numero de fatalidades (N)

Figura 1-6: Curva de risco social em frequncia x nmero de mortes

Figura 1-7: Risco social em atividades de engenharia.

23

Figura 1-8: Mapa de suscetibilidade ocorrncia de tornados, fonte: NOAA - National Weather
Service, Estados Unidos.

Figura 1-9: Matriz de risco (Drake e Thurston, 1993).

Custo Total Esperado

25000

custo esperado total

20000
15000

custo inicial
10000

custo operao

5000

custo e sperado falha

0
1

Nivel de controle ou segurana

Figura 1-10: Composio do custo esperado total de um sistema que apresenta risco de falha.
24

Captulo 2

TEORIA DE PROBABILIDADES:
VARIVEIS ALEATRIAS
2.1

AXIOMAS DA TEORIA DE PROBABILIDADES

2.1.1

Definies de probabilidades

Seja A um evento qualquer de um experimento bem determinado.

Definio freqentista
Se o evento A observado nA vezes em n realizaes do experimento, a definio freqentista de
probabilidades dada por:
nA
(2.1)
n
Nesta definio, a probabilidade calculada posteriori, baseada em um grande nmero de observaes do experimento. Esta definio importante pra associar probabilidades com o mundo observvel, e ser utilizada frequentemente para interpretar probabilidades. No entanto, est definio
limitada porque, na prtica, o nmero de observaes nunca chegar a infinito.
P [A] = lim

Definio clssica
Sendo NA o nmero de possveis resultados favorveis ao evento A e N o nmero total de resultados
possveis, a definio clssica de probabilidades dada por:
NA
(2.2)
N
Nesta definio, a probabilidade P [A] encontrada priori, antes da primeira realizao do experimento. Para evitar ambiguidade na contagem de NA e N , necessrio que os N eventos sejam
equi-provveis. Em palavras, a definio dada por:
P [A] =

A probabilidade de um evento A igual a razo entre o nmero de resultados favorveis

a A e o nmero total de resusltados possveis, desde que estes sejam equi-provveis!
Na definio acima, equi-provveis significa com a mesma probabilidade, o que significa que
o objeto a ser definido passa a fazer parte da definio! Sendo assim, a definio clssica tambm no
serve como definio, mas ainda assim pode ser entendida como uma interpretao de probabilidades.
Esta interpretao utilizada frequentemente. Muitas vezes, a definio frequentista utilizada para
definir os eventos equi-provveis.
Probabilidade como grau de confiana
Nesta definio subjetiva, tambm conhecida como definio Bayesiana , a probabilidade P [A] est
associada ao grau de confiana do sujeito em relao a ocorrncia do evento A. Enquanto a definio
25

freqentista est associada mdia de fenmenos repetitivos, ou multiplas observaes de um evento,

a definio subjetiva refere-se a uma nica ocorrncia do evento. Exemplos:
Acho que vai chover amanh!
Vou lanar uma moeda. Tenho 50% de certeza de que vai dar cara!
O Grmio Futebol Portoalegrense tem 90% de chance de ganhar o campeonato!

Definio axiomtica
Cada uma das definies anteriores tem a sua utilidade na soluo de problemas prticos. No entanto,
nenhuma delas se presta para a formulao de uma teoria de probabilidades. A Teoria Matemtica
de Probabilidades baseada na seguinte definio de probabilidades:
A probabilidade associada a um evendo A um nmero associado a este evento, que
obedee aos trs seguintes postulados:
1) P [A] 0 , i.e., a probabilidade um nmero maiior ou igual a zero;
2) P [] = 1 , i.e., a probabilidade de um evento certo igual a um;
3) P [A + B] = P [A] + P [B] se A e B eventos mutuamente exclusivos
A definio axiomtica ser abordada novamente mais adiante.

2.1.2

Teoria de conjuntos

Definies:
Espao amostral :
Ponto amostral wi :
Evento A = {wi }*:
Evento elementar:
Evento composto:
Evento nulo :
Evento certo:
Espao am. discreto:
Espao am. contnuo:

conjunto de todos os possveis resultados de um experimento

cada um dos possveis resultados de um experimento
conjunto de pontos amostrais que satisfazem a uma determinada regra
sub-conjunto do espao amostral
contm um nico ponto amostral
formado por mais de um ponto amostral
nenhum ponto do espao amostral satisfaz a regra que caracteriza o evento,
ou seja, o evento um conjunto vazio
aquele que ocorre com probabilidade um, e.g. P [] = 1 , P [wi ] = 1.
formado por um nmero finito ou infinito contvel de pontos amostrais.
formado por nmero infinito e incontvel de pontos amostrais.

*A probabilidade ser associada apenas a eventos, e no a pontos amostrais.

O diagrama de Venn utilizado para representar espao amostral, pontos amostrais e eventos.

26

Operaes:
Existncia:
wi A
wi
/A
BA
AB

wi pertence a A ou est contido em A.

wi no pertence a A ou no est contido em A.
B est contido em A, i.e., todo elemento de B tambm pertence a A.
A contm B, i.e., todo elemento de B tambm pertence a A.

Igualdade:
A=B

significa que A B e B A.

Soma ou unio:
A + B, A B

elementos pertencentes a A, a B ou a ambos.

Produto ou interseco:
A B, A B

elementos comuns a A e B.

Conjuntos mutuamente exclusivos:

AB =0

no tem elementos em comum

Evento complementar:
A
todos os elementos de que no esto em A :
=
A+A=
=
A A =
Se B A, ento B A
Diferena:
AB
todos os elementos de A que no pertencem a B :
AB =AB =AAB
Ateno:
(A B) + B 6= A
(A + A) A =
A + (A A) = A
A= A,
A =,
A=A
Lei de Morgan:
(A + B) = A B
(A B) = A + B
Em qualquer igualdade, pode-se trocar somas por produtos, produtos por somas e eventos por seus
complementares, que a igualdade fica preservada.

27

2.1.3

Espao de probabilidades

Axiomas da teoria de probabilidades

Um experimento formado por um espao amostral , composto de pontos amostrais wi . A definio
dos pontos amostrais arbitrria, no necessriamente unnime, dependendo muitas vezes do evento
de interesse. No lanamento de um dado, por exemplo, os pontos amostrais bvios? seriam
= {f1 , f2 , f3 , f4 , f5 , f6 }, sendo fi o resultado i sima face do dado. Para outro observador, no
entanto, os resultados de interesse e portanto os pontos amostrais que compem poderiam ser
= {par, impar}, e para outro observador poderiam ser = { 3, > 3}.
Um experimento bem definido aquele onde os pontos amostrais de interesse esto clara e
unanbiguamente identificados.Uma realizao de um experimento corresponde a observao de um
dos possveis resultados.
Exemplo 1 lanamento de dois dados:

f1 f1

f2 f1
=
...

f6 f1

f1 f2
...

... f1 f6

...

... f6 f6

o espao amostral composto de 36 elementos. A probabilidade de que a soma das faces seja igual a
1
12 P [soma = 12] = 36
.

Exemplo 2 dois lanamentos de um dado: o espao amostral composto de 6 pontos amostrais

= {f1 , f2 , f3 , f4 , f5 , f6 }. A probabilidade de obter um seis no primeiro lanamento P [f ace = 6] =
1
6 .O experimento realizado duas vezes e a probabilidade de que a soma das faces seja igual a 12
determinada considerando a independncia entre os resultados das duas realizaes: P [soma = 12] =
1 1
1
6 6 = 36 .
Um evento A representa um conjunto de pontos amostrais ou sub-conjunto de , para o qual
atribui-se o nmero P [A], chamado de probabilidade de ocorrncia do evento A. Este nmero atribudo de forma a satisfazer as seguintes condies (axiomas):
1) P [A] 0
2) P [] = 1
3) P [A + B] = P [A] + P [B]

(2.3)

A condio 3) vlida se A e B so eventos mutuamente exclusivos (A B = 0). Se A e B

no so eventos mutuamente exclusivos, ento tem-se:
P [A + B] = P [A] + P [B] P [A B] P [A] + P [B]
Dos trs axiomas, resulta que:
P [] = 0
= 1
P [A] + P [A]
ou:
1
P [A] = 1 P [A]
P [B].
Se B A, ento P [A] = P [B] + P [A B]
A definio frequentista de probabilidades pode ser usada para interpretar as probabilidades
definidas nos trs axiomas. Adotando P [A] nnA , verifica-se que:
1) verdade;
2) como o espao amostral ocorre sempre e n = n, resulta que P [] nn = 1;
3) se A e B so eventos mutuamente exclusivos, ento nA+B = nA + nB e P [A + B] nA+B
=
n
nA
nB
+

P
[A]
+
P
[B].
n
n
28

Construo de espaos de probabilidades

Para especificar de forma completa e unambigua um experimento, as probabilidades de todos os eventos
possveis devem ser conhecidas ou determinveis. Isto pode ser feito atribuindo-se probabilidades a
todos os eventos elementares, i.e., aqueles formados por um nico ponto amostral.
Numero finito ou contvel de resultados possveis: Sejam p1 , p2 , ..., pN nmeros reais tais
que p1 + p2 + ...+ pN = 1, pi 0 de forma que a probabilidade do evento elementar seja P [{wi }] = pi .
Se o evento A formado pelos elementos:
A = {wk1 , wk2 , ..., wkM } = {wk1 } + {wk2 } + ... + {wkM }
ento:
P [A] = P [{wk1 }] + P [{wk2 }] + ... + P [{wkM }] = pk1 + pk2 + ... + pkM
Definio classica: Assumindo todos os pi iguais, ento:
P [{wi }] =

1
N

Se o evento A formado por k elementos, ento:

P [A] =

k
N

Probabilidades na linha dos reais Um espao de probabilidades importantes a linha dos

nmeros reais ou qualquer frao desta. Os resultados possveis so nmeros reais, muitas vezes
instantes de tempo. Os eventos, neste caso, so somas e produtos de intervalos definidos nesta linha.
Considerando como o conjunto dos nmeros reais positivos, as probabilidades dos mais diversos
eventos pode ser determinada uma vez conhecida a probabilidade do evento
R {0 t t1 } para qualquer t1 . Se (t) uma funo integrvel no tempo tal que (t) 0 e 0 (t)dt = 1, ento pode-se
escrever que:
Z
t1

P [{0 t t1 }] =

(t)dt

Para determinar a probabilidade do evento {t1 t t2 } basta observar que:

{0 t t2 } = {0 t t1 } + {t1 < t t2 }
Como os dois eventos direita da igualdade so mutuamente exclusivos:
P [{0 t t2 }] = P [{0 t t1 }] + P [{t1 < t t2 }]
o que resulta em:
P [{t1 < t t2 }] =

t2

(t)dt

t1

Pode-se mostrar ainda que a probabilidade do evento elementar P [{t = t1 }] = 0, o que resulta em:
P [{t1 t t2 }] = P [{t1 < t t2 }] = P [{t1 t < t2 }] = P [{t1 < t < t2 }]
Exemplo 3 Para uma distribuio uniforme no tempo, tem-se (t) = cte. Logo, no intervalo {0,T}
RT
tem-se 0 (t)dt = 1 e portanto cte = T1 . Se um evento (e.g., uma chamada telefonica ou a emisso
29

de um eltron) acontece neste intervalo, ento:

t1
T
t2 t1
t t2 }] =
T

P [{0 t t1 }] =
P [{t1

2.1.4

Probabilidades condicionais

Seja B um evento de probabilidade no nula P [B] > 0. A probabilidade de ocorrncia de um evento

A condicional a ocorrncia do evento B dada por:
P [A|B] =

P [A B]
P [B]

(2.4)

Se A e B so eventos mutuamente exclusivos, ento:

P [A B] = 0 P [A|B] = 0
Se A B ento A B = A e:

P [A|B] =

Se B A ento A B = B e:

P [A]
P [A]
P [B]

P [A|B] =

P [B]
=1
P [B]

Interpretao de frequncia relativa: seja nA , nB , nAB o nmero de ocorrncias dos eventos A,

B e A B em n realizaes do experimento.
P [A]
P [A|B] =

nA
nB
nAB
,
P [B]
,
P [A B]
n
n
n
nAB
P [A B]
nAB n
=

P [B]
n nB
nB

Logo:
P [A|B]

nAB
nB

Em palavras: desconsiderar todas as realizaes em que B no ocorreu equivale a definir um

novo conjunto de observaes do experimento onde o nmero total de realizaes nB . Logo, as
probabilidades condicionais a B so calculadas em relao ao nmero total de observaes nB .
Exemplo 4 Lanamento de um dado: = {f1 , f2 , f3 , f4 , f5 , f6 }, P [fi ] = 16 . Qual a probabilidade de
obter uma face 6 sendo que o resultado do lanamento foi par?

= {par} = {f2 , f4 , f6 },

A = {f6 },

A B = {f6 },
30

P [B] =

3
6

P [A B] =

1
6

Logo:
P [A|B] = P [{f6 |par}] =

P [A B]
1 6
1
= =
P [B]
6 3
3

Exemplo 5 Uma caixa contm 3 bolas brancas e 2 bolas vermelhas. Qual a probabilidade de sacar
uma bola branca e depois uma vermelha?
Soluo bruta: eventos elementares formados por duas bolas, sendo 20 possibilidades: {b1 b2 }, {b1 b3 }, {b1 v1 }, {b1 v
Destes, seis eventos correspondem a primeira bola branca e segunda vermelha, logo: P [1a branca, 2a
6
vermelha] = 20
.
Soluo usando probabilidades condicionais:
3
5
2
a
a
P [2 vermelha | 1 branca] =
4
P [1a branca, 2a vermelha] = P [2a vermelha | 1a branca] P [1a branca]
2 3
6
=
=
4 5
20
P [1a branca] =

Exemplo 6 eventos condicionais no eixo dos reais:

2.1.5

Teorema da probabilidade total

Se N eventos A1 , A2 , ..., AN so mutuamente exclusivos e tal que sua soma corresponde a , ento
para um evento B qualquer pode-se escrever:
P [B] = P [B|A1 ] P [A1 ] + P [B|A2 ] P [A2 ] + ... + P [B|AN ] P [AN ]

(2.5)

para:
Ai Aj
A1 + A2 + ... + AN

= 0,
= 1

i 6= j

Este resultado utilizado extensivamente na confiabilidade estrutural.

Da probabilidade condicional tem-se que: P [B|A1 ] P [A1 ] = P [A1 B], de forma que a equao
(2.5) tambm pode ser escrita como:
P [B] = P [A1 B] + P [A2 B] + ... + P [AN B]

Exemplo 7 Quatro caixas possuem bolas brancas e azuis dispostas conforme a tabela:
Caixa # azuis # brancas
1
1900
100
2
300
200
3
900
100
4
900
100
P
4000
500
31

Selecionando uma caixa aleatriamente, qual a probabilidade de sacarmos uma bola branca?
Seja Ci o evento selecionar a i-sima caixa, o que equivale a selecionar todas as bolas daquela caixa:
P [C1 ] = P [C2 ] = P [C3 ] = P [C4 ] =
C1 + C2 + C3 + C4
Ci Cj

=
= 0,

1
4

i 6= j

Seja B o evento selecionar bola branca. Para cada caixa, temos as seguintes probabilidades condicionais:
P [B|C1 ] =
P [B|C2 ] =
P [B|C3 ] =
P [B|C4 ] =

100
= 0.05
2000
200
= 0.40
500
100
= 0.10
1000
100
= 0.10
1000

Logo, utilizando o teorema da probabilidade total temos:

P [B] = P [B|C1 ] P [C1 ] + P [B|C2 ] P [C2 ] + P [B|C3 ] P [C3 ] + P [B|C4 ] P [C4 ]
1
1
1
1
= 0.05 + 0.40 + 0.10 + 0.10
4
4
4
4
= 0.1625
Obs: se todas as bolas estivessem na mesma caixa, a probabilidade de selecionar uma branca seria:
500
P [B] = 4500
= 19 = 0.1111111

2.1.6

Teorema de Bayes

Da expresso que define probabilidade condicional (equao 2.4), tem-se que P [A B] = P [A|B] P [B].
Como P [A B] = P [B A] obtm-se que:
P [A|B] P [B] = P [B|A] P [A]
ou:
P [A|B] =

P [B|A] P [A]
P [B]

(2.6)

Sejam N eventos Ai mutuamente exclusivos e tal que sua soma corresponde a :

Ai Aj
A1 + A2 + ... + AN

= 0,
= 1

i 6= j

Pelo teorema da probabilidade total, chega-se a:

P [Ai |B] =

P [B|Ai ] P [Ai ]
P [B|A1 ] P [A1 ] + P [B|A2 ] P [A2 ] + ... + P [B|AN ] P [AN ]

(2.7)

Exemplo 8 Quatro caixas com bolas brancas e azuis (cont.): Se a bola selecionada no exemplo anterior foi branca, qual a probabilidade de que ela tenha sido tirada da caixa 2? P [C2 |B] =?
Sabemos que:
P [B] = 0.1625, P [B|C2 ] = 0.4, P [C2 ] = 0.25

P [C2 |B] =

P [B|C2 ] P [C2 ]
0.4 0.25
=
= 0.615
P [B]
0.1625

A probabilidade P [C2 |B] calculada acima a probabilidade a posteriori de haver selecionado a caixa
2 dada a seleo de uma bola branca.
32

2.1.7

Independncia de eventos

Definio 9 Dois eventos A e B so independentes se:

P [A B] = P [A] P [B]

(2.8)

Utillizando a definio de probabilidades condicionais (eq. 2.4), conclue-se tambm que para dois
eventos A e B independentes:
P [A|B] = P [A]
P [B|A] = P [B]
ou seja, a ocorrncia de B no afeta a probabilidade de ocorrncia de A nem vice-versa.
Propriedades de eventos independentes:
1. Se A e B so eventos independentes, ento:
P [A + B] = P [A] + P [B] P [A] P [B]
2. Se A e B so eventos independentes, ento:
so independentes;
A e B
so independentes;
AeB
A e B so independentes;
3. Se eventos A1 , A2 , ..., AN so independentes, ento qualquer destes eventos tambm independente de qualquer evento formado por sub-conjuntos, somas, produtos, ou complementos dos
demais eventos.
Independncia de 3 ou mais eventos
Trs eventos somente so independentes entre si se:
P [A1 A2 ]
P [A2 A3 ]
P [A1 A3 ]
P [A1 A2 A3 ]

=
=
=
=

P [A1 ] P [A2 ]
P [A2 ] P [A3 ]
P [A1 ] P [A3 ]
P [A1 ] P [A2 ] P [A3 ]

Se mais de dois eventos forem apenas independentes aos pares, no est garantida a independncia
entre os eventos.
Exemplo 10 Seja P [A] = P [B] = P [C] = 15 no diagrama ilustrado.
1
a) se P [A B] = P [B C] = P [A C] = P [A B C] = 25
, os eventos so independentes aos pares mas
no so independentes entre si porque:
P [A B C] 6= P [A] P [B] P [C]
b) se P [A B] = P [B C] = P [A C] = P [A B C] =
no entanto

1
125 ,

tem-se que P [A B C] = P [A] P [B] P [C],

P [A B] 6= P [A] P [B]
P [B C] 6= P [B] P [C]
P [A C] 6= P [A] P [C]
33

2.2
2.2.1

VARIVEIS ALEATRIAS
Definio de varivel aleatria

Sabe-se do clculo que uma funo x = x(t) uma regra de correspondncia que relaciona valores da
varivel independente t com valores da varivel dependente x. O conjunto de valores que t pode assumir
chamado de domnio da funo enquanto que o conjunto de valores assumidos por x corresponde
imagem da funo.
Para um determinado experimento com espao amostral e pontos amostrais wi , uma varivel
aleatria real X obtida atribuindo-se um numero real x(wi ) a cada ponto amostral wi , observando-se
as condies impostas na definio a seguir:
Definio 11 Uma varivel aleatria real X uma funo real que atribui a cada ponto amostral wi
de um espao amostral um valor real x(wi ), tal que:
1. o conjunto {X x} um evento para qualquer nmero real x;
2. a probabilidade dos eventos {X = } e {X = +} nula.
comum representar uma varivel aleatria por uma letra maiscula, e uma realizao desta
varivel por uma letra minscula. Sendo assim, o evento {X = x} pode ser descrito como a varivel
aleatria X assumir o valor x. O evento {X x} significa a varivel aleatria X assumir qualquer
valor menor do que x. Claramente, sendo X uma varivel aleatria, a ocorrncia deste evento s
pode ser determinada como uma determinada probabilidade.
O domnio da funo varivel aleatria o conjunto de pontos amostrais wi que formam o espao
amostral . Quando este domnio formado por um nmero finito ou infinito contvel de pontos,
diz-se que a varivel aleatria do tipo discreta. Quando o domnio formado por um nmero infinito
de pontos, tem-se uma varivel contnua. Existem tambm variveis do tipo mixto, que sero descritas
mais adiante.

2.2.2

Funo de distribuio acumulada de probabilidades

Para um nmero real x qualquer, o conjunto {X x} formado por todos os pontos amostrais wi tais
que x(wi ) x representa um evento. A probabilidade de ocorrncia deste evento um nmero que
depende de x, e que dado pela funo FX (x).
Definio 12 A funo de distribuio acumulada de probabilidades de uma varivel aleatria X
a funo:
FX (x) = P [{X x}]
(2.9)
definida para qualquer numero x no intervalo ( x +).
Em outras palavras, o nmero FX (x) corresponde probabilidade de que a varivel aleatria X
assuma qualquer valor menor do que x. Esta definio vlida para qualquer tipo de varivel aleatria,
seja ela discreta, contnua ou mixta.
Exemplo 13 Lanamento de um dado: a varivel aleatria X definida como x(fi ) = i, i.e., a
varivel corresponde ao nmero inteiro que aparee na face do dado. P [{fi }] = 16 .

34

Propriedades da funo de distribuio acumulada de probabilidades:

1. FX () = 0,

FX (+) = 1;

2. FX (.) monotonicamente crescente, i.e., FX (x1 ) FX (x2 ) para qualquer x1 < x2 .

3. FX (.) contnua pela direita:
lim FX (x + ) = FX (x+ ) = FX (x)

0
>0

4. para x1 < x2 temos:

P [{x1 < X x2 }] = FX (x2 ) FX (x1 )
5. se F (x) descontnua em x1 ento:
P [{X

2.2.3

= x1 }] = FX (x1 ) FX (x
1)
= salto de FX (x) em x1 .

Funo de densidade de probabilidades

A derivada em relao a x da funo de distribuio acumulada de probabilidades chamada de funo

de densidades de probabilidades, ou fX (x):
fX (x) =

dFX (x)
dx

(2.10)

Como a funo de distribuio de probabilidades pode no ter derivadas em todo x, faz-se uma
distino entre varivel aleatria contnuas e discretas. Esta distino condiz com o domnio destes
tipos de variveis.
Variveis aleatrias contnuas
Quando FX (x) uma funo contnua de x, ainda que no diferencivel em alguns pontos, diz-se
que a varivel contnua. O nmero de pontos onde FX (x) no diferencivel deve ser contvel, de
X (x)
forma que a equao (2.10) seja vlida nos pontos onde a derivada dFdx
existe. Da equao (2.10)
e das propriedades da funo de distribuio cumulativa de probabilidades resultam as seguintes
propriedades:
Z +
fX (x)dx = FX (+) FX () = 1 0 = 1

Z x
fX (u)du = FX (x)

Z x2
fX (u)du = FX (x2 ) FX (x1 )
x
Z x1 2
fX (u)du = P [{x1 X x2 }]
x1

Para um x pequeno, pode-se escrever ainda:

P [{x X x + x}] fX (x)x
Tomando o limite com x 0, chega-se a definio:
fX (x) = lim

x0

P [{x X x + x}]
x

Se a funo FX (x) contnua, no possui saltos, e dai resulta que:

P [{X = x}] = 0 para qualquer x
35

(2.11)

Variveis aleatrias discretas

Quando a funo FX (x) descontnua, a varivel aleatria do tipo discreta. Chamando de pi o salto
da funo FX (x) no ponto xi , tem-se:
X
P [{X = xi }] = FX (xi ) FX (x
i = 1, 2, ...,
pi = 1
i ) = pi ,
i

No caso de varivel aleatria discretas, a funo fX (x) pode ser descrita por pulsos, onde um pulso
de intensidade pi ocorre a cada ponto de descontinuidade xi , conforme ilustrado:
X
fX (x) =
pi (x xi )
i

Neste caso, a funo FX (x) tambm pode ser escrita como:

X
FX (x) =
pi para i tal que xi x
i

Se o domnio da varivel aleatria formado por um nmero finito ou infinito contvel de pontos
amostrais, ento esta varivel discreta. No entanto, a recproca no verdadeira, i.e., existem
variveis aleatrias discretas cujo domnio formado por um nmero infinito de pontos.
Variveis aleatrias do tipo mixto
Variveis aleatrias do tipo mixto so aquelas onde FX (x) descontnua mas no na forma de escada.
Um exemplo so variveis clipadas , descritas na seo (2.3.3).

2.2.4

Valor esperado e momentos de uma varivel aleatria

Valor esperado ou mdia de uma varivel aleatria

Define-se como valor esperado ou mdia de uma varivel aleatria a integral:
Z +
xfX (x)dx
E[X] = =

(2.12)

onde fX (x) a funo de densidade de probabilidade da varivel aleatria X. Note que E[.] o
operador valor esperado, e X uma denominao para a mdia da varivel aleatria.
Se fX (x) interpretada como uma funo de densidade de massa no eixo x, ento E[X] o centro
de gravidade desta massa.
Se fX (x) uma funo simtrica, ento fX (x) = fX (+x) e E[X] = 0.
Se fX (x) simtrica em torno de x = a, ento fX (a x) = fX (x a) e E[X] = a.
Se a varivel X est associada a um evento A de tal forma que:

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

1 se cara
X(w) =
0 se coroa
o valor esperado ser 12 , ainda que os nicos resultados possveis sejam 0 e 1.
importante tambm estabelecer a distino entre valor esperado, valor mais provvel e mediana
de uma varivel aleatria. O valor mais provvel (moda) de uma varivel aleatria o ponto X = xmax
36

onde a funo fX (x) mxima. A mediana o ponto X = xmed onde P [{X xmed }] = FX (xmed ) = 12 .
Para uma funo g(X) qualquer de uma varivel aleatria, o valor esperado definido como:
E[g(X)] =

g(x)fX (x)dx

Para uma varivel aleatria discreta, a equao (2.12) fica:

X
X
xi P [{X = xi }] =
xi pi
E[X] =
i

Varincia
Outra importante quantidade utilizada para descrever variveis aleatrias a varincia, V ar[X], que
mede a disperso da varivel em torno da mdia:
Z +
(x )2 fX (x)dx
(2.13)
V ar[X] = E[(X )2 ] = 2 =

Na expresso acima, a constante chamada de desvio-padro, que vem a ser a raiz quadrada da
varincia:
p
= V ar[X] ou V ar[X] = 2
Enquanto a mdia de uma varivel aleatria corresponde ao centro de gravidade da funo de
densidades fX (x), a varincia corresponde ao momento de inrcia da massa de probabilidades, e
duma idia da concentrao desta massa em torno do centro de gravidade.
Para variveis discretas, a varincia dada por:
X
X
V ar[X] = E[(X )2 ] =
(xi )2 P [{X = xi }] =
(xi )2 pi
i

A seguinte importante relao muito utilizada:

V ar[X] = E[X 2 ] E[X]2
Momentos de ordem k de uma varivel aleatria
A mdia ou valor esperado de uma varivel aleatria so um caso particular de um resultado geral,
que estabelece os momentos de ordem k de uma varivel aleatria:
Z +
E[X k ] = k =
xk fX (x)dx
(2.14)

Dentro de certas restries, o conjunto de momentos define de forma nica a funo de densidades
fX (x) de uma varivel aleatria. Os seguintes casos particulares so importantes:
0
1
2

= 1 = probabilidade do espao amostral

= mdia ou valor esperado
= valor mdio quadrtico ou RMS

Os momentos centrais de ordem k so calculados em relao mdia:

Z +
(x )k fX (x)dx
E[(X )k ] = mk =

Os seguintes casos particulares so importantes:

37

(2.15)

m0
m1
m2
m3

=
=
=
=

1 = probabilidade do espao amostral

0
2 = varincia
fator de forma

Coeficientes adimensionais
Coeficiente de variao:
c.o.v =
Coeficiente de simetria:

m3
( X )3

1 =
Coeficiente de planicidade ou kurtosis:
2 =

m4
()4

Desigualdade de Tchebyche
Para uma varivel aleatria X qualquer, com mdia e desvio-padro , a desigualdade de Tchebyche
estabelece:
1
P [|X | c ] 2
c
ou seja:
a probabilidade de uma varivel aleatria qualquer diferir de sua mdia por, no mnimo,
c desvios-padro, menor ou igual a c12

Mdia e varincia de uma amostra

Seja uma amostra contendo n observaes de uma varivel aleatria X com mdia e varincia 2 .
A mdia e a varincia da amostra podem ser determinadas por:
n

x
=
v =

x1 + x2 + ... + xn
1X
xi
=
n
n i=1

(2.16)
n

)2 + (x2 x
)2 + ... + (xn x
)2
(x1 x
1X
(xi x
)2
=
n
n i=1

(2.17)

importante observar que, para n observaes da varivel aleatria X, a mdia e a varincia

da amostra, x
e v, so diferentes da mdia e da varincia de X, e 2 . Os estatsticos falam em
mdia e varincia da amostra e mdia e varincia da populao. A populao, que para os estatsticos
corresponde ao universo ou totalidade dos xi possveis, para ns a varivel aleatria X.
38

Nesta seo, ser demostrado que x

e v so estimadores de e 2 . Para isto, importante notar que
a cada nova realizao ou observao da amostra de tamanho n, novos valores x1 , x2 , ..., xn so obtidos,
alterando tambm os valores de x
e v. Sendo assim, natural assumir que os valores observados xi ,
assim como a mdia x
e a varincia v, sejam variveis aleatrias. Mais ainda, como todos os valores
xi correspondem a observaes da mesma varivel, assume-se que as variveis aleatrias Xi tenham a
mesma mdia e varincia da varivel X original, i.e.:
E[Xi ] =
E[(Xi )2 ] = 2Xi = 2 ,

i = 1, 2, ..., n

Ento, pode-se escrever:

=
E[X]

E[X1 ] + E[X2 ] + ... + E[Xn ]

n
=
=
n
n

= , diz-se que X
um estimador no-tendencioso da mdia da varivel aleatria X.
Como E[X]
Como as variveis Xi so no-correlacionadas (pois correspondem a observaes independentes da
varivel aleatria X), tem-se que:
2X1 +X2 +...+Xn = 2X1 + 2X2 + ... + 2Xn
Logo:
1 2
n 2
2
2
2
(
+

+
...
+

)
=
=
X2
Xn
n2 X1
n2
n

Neste resultado, nota-se que a varincia do estimador X tende a zero com n .

2X =

Utilizando raciocnio similar, pode-se mostrar ainda que (Papoulis, 1965, pg. 246):
E[V ] =

n1 2

(2.18)

o que mostra que V tal como definido na equao (2.17), um estimador tendencioso da varincia de
X, 2 . Esta tendncia resultado do fato de que o estimador V computa a distncia entre os pontos
xi e a mdia da amostra, x
, e no em relao media populacional . Como a mdia da amostra
menor do
calculada com o mesmo conjunto de pontos xi , resulta que a varincia em relao a x
que a varincia em relao a , e portanto (2.17) sub-estima a varincia como demonstra a equao
(2.18).
n
Multiplicando o estimador da varincia (eq. 2.17) pelo termo n1
, pode-se corrigir a tendenciosidade do mesmo. Assim, um estimador no-tendencioso da varincia obtido como:
n

v =

1 X
(xi x
)2
n 1 i=1

(2.19)

A equao (2.19) utilizada ao invs de (2.17).

A expresso (2.19) exige que a mdia amostral seja determinada preliminarmente, e que os pontos
xi sejam armazenados para avaliao da varincia. Isto nem sempre conveniente, por exemplo
quando o tamanho da amostra n grande. Uma expresso alternativa, que permite a avaliao da
varincia medida que os resultados xi vo sendo obtidos, :
v =

Pn

Pn
2
( i=1 xi )
n(n 1)

i=1 (xi )

Exerccio 14 Demonstre que (2.20) igual a (2.19).

39

(2.20)

2.3
2.3.1

MODELOS ANALTICOS DE FENMENOS ALEATRIOS

Variveis aleatrias discretas

Generalidades
Uma varivel aleatria com domnio formado por um nmero finito ou infinito contvel de pontos
amostrais do tipo discreto. Seja n o nmero de pontos amostrais de uma varivel discreta X, que
assume os valores xi, i = 1, 2, ..., n tal que:
P [{X
n
X
pi

= xi }] = pi ,

i = 1, 2, ..., n

= 1

i=1

A funo de densidade de probabilidades fX (x) pode ser descrita por pulsos, onde um pulso de
intensidade pi ocorre a cada ponto xi , conforme ilustrado:
X
fX (x) =
pi (x xi )
(2.21)
i

A funo de distribuio cumulativa de probabilidades FX (x) pode ser escrita como:

X
FX (x) =
pi

(2.22)

xi x

O valor esperado ou mdia dada por:

E[X] = =

X
i

e a varincia dada por:

xi P [{X = xi }] =

2 = E[(X )2 ] =

xi pi

(2.23)

X
(xi )2 pi

(2.24)

Distribuio uniforme discreta U D(a, b, n)

A distribuio uniforme mais simples que existe aquela em que todos os n pontos amostrais que
formam o domnio so equi-provveis. Neste caso, tem-se:
pi =

1
n

Se X apresenta distribuio uniforme nos inteiros consecutivos entre a e b (escrevemos X

U D(a, b, n)), para a b, ento:
=
2

a+b
2
(b a + 1)2 1
12

Tentativa de Bernoulli
A realizao de um experimento que possue apenas dois resultados possveis (dois pontos amostrais)
chamado de tentativa de Bernoulli. Os resultados possveis podem ser do tipo sucesso ou falha, cara
ou coroa, zero ou um, preto ou branco, flip ou flop, ying ou yang, etc. Em geral, os dois resultados
possveis podem ser a ocorrncia ou no de um evento de interesse. Neste caso, p a probabilidade
de ocorrncia do evento de interesse a cada realizao do experimento e q = 1 p a probabilidade
de no-ocorrncia.
40

A grandeza que define o evento de interesse pode ser contnua, i.e., pode assumir mais do que dois
valores. Ainda assim, obtm-se uma tentativa de Bernoulli ao definir-se um valor limite ou crtico
para a varivel de interesse. Exemplos:
1. cheia de um rio: o evento de interesse a ultrapassagem do nvel da barragem, em um determinado perodo, os dois resultados possveis so ultrapassagem e no ultrapassagem do nvel;
2. terremoto de determinada intensidade;
3. presena ou no de uma molcula rara em uma amostra;
4. presena ou no de um defeito em um componente;
5. resposta certa ou errada a um teste;
Distribuio Binomial BN (n, p)
A repetio independente de um experimento com apenas dois resultados possveis d origem a uma
seqncia Binomial ou de Bernoulli. Uma seqncia de Bernoulli caracterizada pelas seguintes
condies:
1. cada tentativa ou repetio possue apenas dois resultados possveis: ocorrncia ou no ocorrncia
do evento de interesse;
2. a probabilidade p de ocorrncia do evento permanee constante para todas as n tentativas;
3. as tentativas so estatsticamente independentes, i.e., o resultado de uma tentativa no altera a
probabilidade p da prxima ou de qualquer outra tentativa.
Exemplo: se as cheias anuais mximas de um rio so estatsticamente independentes, e a probabilidade de exceder determinado nvel permanee constante a cada ano, ento a cheia mxima anual
ao longo de uma srie de anos ser uma sequncia de Bernoulli.
Uma seqencia mista com n pontos de ocorrncias ou no ocorrncias do evento de interesse
obtida em n realizaes independentes do experimento de Bernoulli. Por exemplo:
w = {o, o, n, o, n, n, o, n, o, o, n, n, n}
Como as tentativas so independentes, a probabilidade de que em uma determinada seqncia w
apaream x ocorrncias e n x no ocorrncias :
P [w] = px q nx
O nmero de possveis sequncias w que resultam em exatamente x ocorrncias (e nx no ocorrncias)
em qualquer ordem igual ao nmero de combinaes de x ocorrncias em n realizaes, ou combinao
de n objetos x a x:

n!
n
=
x
x!(n x)!
Como todas as seqencias w so equiprovveis, obtm-se:

P [{x ocorrncias em n realizaes}] =

n
x

px q nx

Uma varivel aleatria X que conta o nmero x de ocorrncias em n realizaes deste experimento
segue uma distribuio Binomial com parmetros n e p (escreve-se X BN (n, p)). A funo de
densidade de probabilidades de X dada por:

n
P [{X = x}] = P [{x ocorrncias em n realizaes}] =
px q nx
(2.25)
x
A funo de distribuio cumulativa de probabilidades dada por:
P [{X x}] =

x
X
n
pk q nk
k

k=0

41

(2.26)

O valor esperado e a varincia de X so:

E[X] = = np
V ar[X] = 2 = npq

(2.27)

A distribuio Binomial possue a importante propriedade:

BN (n1 , p) + BN (n2 , p) = BN (n1 + n2 , p)
Quando mais de um resultado possivel na realizao do evento de Bernoulli, obtm-se uma
distribuio multi-nomial.
Distribuio Geomtrica G(p)
O experimento descrito na seo anterior, que d origem distribuio Binomial, representa seqncias
com um nmero fixo de realizaes de Bernoulli independentes. A varivel aleatria X que conta o
nmero (varivel) de tentativas de Bernoulli at a primeira ocorrncia do evento de interesse segue uma
distribuio geomtrica com parmetro p (X G(p)). A funo de de densidade de probabilidades
de X dada por:
(2.28)
P [{X = x}] = pi = pq x1
A funo de distribuio cumulativa de probabilidades dada por:
P [{X x}] =

x
X

pq k1

(2.29)

k=0

O valor esperado de X calculado como:

E[X] = =

xpq x1 = p(1 + 2q + 3q 2 + ...)

x=1
1
p2 ,

Como q < 1, a srie entre parenteses converge para

E[X] =

de forma que:

1
p

(2.30)

q
p2

(2.31)

A varincia de X obtida como:

V ar[X] =

A contagem do nmero de tentativas at o primeiro sucesso no tem um ponto inicial fixo ou

determinado. Como as tentativas so independentes, a contagem do nmero de tentativas pode
iniciar em qualquer tentativa, sem mudar a distribuio de probabilidades de X. Esta propriedade da
distribuio geomtrica chamada de propriedade da falta de memria.
Exemplo 15 Exemplo 3.10 (Ang e Tang, 1975, pg.109)
O perodo de retorno - verso discreta
Em problemas envolvendo tempo (ou espao), onde tempo (ou espao) seja descrito de maneira discreta
(em termos de um nmero de intervalos), o nmero de intervalos at a primeira ocorrncia do evento de
interesse chamado de tempo at a primeira ocorrncia (first occurence time). Se o evento de interesse
ocorre ao longo destes intervalos como uma seqncia de tentativas independentes de Bernoulli, ento
o tempo at a primeira ocorrncia uma varivel aleatria descrita por uma distribuio geomtrica.
Devido propriedade da falta de memria, este tambm o tempo (aleatrio) entre ocorrncias
sucessivas.
Sendo T o nmero de intervalos entre ocorrncias sucessivas (ou at a primeira ocorrncia), o assim
chamado perodo mdio de recorrncia ou perodo mdio de retorno (mean recurrence time ou average
42

return period ) dado pelo valor esperado:

E[T ] = T =

1
p

importante observar que T o tempo mdio de retorno do evento de interesse, enquanto que
T o tempo aleatrio (em nmero de intervalos) entre ocorrncias.
A probabilidade de no ocorrncia do evento de interesse durante o tempo mdio de retorno :
P [{no-ocorrncia em T intervalos}] = (1 p)T

(2.32)

Para eventos raros (com pequena probabilidae de ocorrncia p ou grande perodo mdio de retorno
T ), a expanso do binmio em (2.32) resulta em:
P [{no-ocorrncia em T intervalos}] = exp(pT )
= exp(1) = 0.368
Portanto, a probabilidade de ocorrncia do evento de interesse dentro do perodo de retorno :

P [{ocorrncia em T intervalos}] = 1 0.368

= 0.632 (para T grande ou T > 10 intervalos)
A verso contnua da distribuio geomtrica a distribuio exponencial, que ser estudada
adiante. A distribuio exponencial d origem verso contnua do perodo de retorno, que tambm
descrito adiante.
Exemplo 16 Exemplo 3.12 (Ang e Tang, 1975, pg.111)
Processo de Poisson e distribuio de Poisson P N ()
Quando uma seqncia de Bernoulli ocorre ao longo de um contnuo (tempo ou espao), com intervalos
(de tempo ou de espao) tendendo a zero, nmero de tentativas de Bernoulli tendendo a infinito e
probabilidade de ocorrncia do evento de interesse em cada tentativa tendendo a zero, origina-se
um processo chamado de processo de Poisson. Neste processo, o evento de interesse pode ocorrer a
qualquer instante no tempo ou qualquer ponto no espao, e mais de uma ocorrncia pode acontecer
em qualquer intervalo de tempo (ou espao). A varivel aleatria que conta o nmero de ocorrncias
do evento de interesse em um determinado intervalo de tempo segue uma distribuio de Poisson.
Exemplos de processos de Poisson so:
1. ocorrncia de um terremoto a qualquer momento e em qualquer local em uma zona sujeita a
abalos ssmicos;
2. ocorrncia de um defeito ao longo de um produto trefilado de ao ou em um tecido;
3. ocorrncia de uma trinca ao longo de um cordo de solda;
4. ocorrncia de um acidente a qualquer momento em uma estrada.
Formalmente, o processo de Poisson est baseado nas seguintes premissas:
1. um evento de interesse pode ocorrer aleatriamente a qualquer instante no tempo e/ou em
qualquer ponto no espao;
2. a ocorrncia de um evento em determinado intervalo (de tempo ou espao) independente da
ocorrncia em qualquer outro intervalo no coincidente;
3. a probabilidade de ocorrncia do evento em um pequeno intervalo t pequena e proporcional
a t, pode ser calculada por t (onde a taxa mdia de ocorrncias), e a probabilidade de
ocorrncia de dois ou mais eventos no pequeno intervalo t negligvel.
43

 fcil perceber que estas premissas so conseqncia natural da convergncia da seqncia de

Bernoulli em um processo de Poisson.
Com n e p 0 em uma seqncia de Bernoulli,o nmero mdio de ocorrncias em um
intervalo de tempo de tamanho t dado por = np, uma constante maior do que zero que caracteriza
o processo de Poisson. Dividindo-se este nmero pelo tamanho do intervalo t, obtm-se a taxa mdia
de ocorrncias (no tempo ou espao) do evento de interesse:
=

ou = t = np

Pode-se mostrar (Ang e Tang, 1975, pg.116) que no limite com n a probabilidade P [{X = x}]
na equao (2.25) tende a:
(t)x
exp[t]
(2.33)
x!
Esta vem a ser a funo de densidade de probabilidades da varivel aleatria X que descreve o
nmero de ocorrncias do evento de interesse no intervalo de tamanho t. A funo de distribuio
cumulativa de probabilidades dada por:
P [{X = x}] = P [{x ocorrncias em t}] =

P [{X x}] =

x
X
(t)k
k=0

k!

exp[t]

(2.34)

O valor esperado e a varncia de X so:

E[X] = t
V ar[X] = t

(2.35)

Na prtica, a relao np = t = , que d origem distribuio de Poisson satisfeita, por

exemplo, com n = 50 para p < 0.1 ou com n = 100 para p < 0.05. A distribuio de Poisson possue a
importante propriedade, herdada da distribuio Binomial:
P N (1 ) + P N (2 ) = P N (1 + 2 )
A varivel aleatria que descreve o tempo entre ocorrncias sucessivas em um processo de Poisson
segue uma distribuio exponencial, que apresentada na seo (2.3.2).

2.3.2

Variveis aleatrias contnuas

Generalidades
Uma varivel aleatria com domnio formado por um nmero infinito e incontvel de pontos amostrais
do tipo contnuo. Seja fX (x) a funo de densidades de probabilidades de uma varivel aleatria
contnua X. A funo de probabilidades acumuladas :
Z x
FX (x) =
fX (u)du

O valor esperado e a varincia so calculados por:

E[X] = =

V ar[X] = 2 =

xfX (x)dx

Z +

(x )2 fX (x)dx

Distribuio causal
A distribuio causal no propriamente uma distribuio estatstica. Ela utilizada para representar, na forma de uma varivel aleatria, um valor determinstico. As funes de probabilidade podem
44

ser escritas como:

fX (x) = (x0 );
FX (x) = H(x0 );

x
x

onde (x0 ) a funo delta de Dirac e H(x0 ) a funo de Heavyside.

Os momentos da varivel causal so = x0 e = 0. O nico parmetro valor determinstico x0 .
Distribuio uniforme U (a, b)
A distribuio uniforme descreve eventos que so equi-provveis entre dois limites a e b. As funes
de probabilidade so:
1
;
ba
xa
;
ba

fX (x) =
FX (x) =

axb
axb

Os momentos so:
=
2

a+b
2
(b a)2
12

Parmetros:

a = 3

b = + 3
Distribuio normal N (, )
A varivel aleatria normal talvez a mais conhecida e a mais utilizada. tambm uma das distribuies mais simples, pois os nicos dois parmetros so os prprios momentos, mdia e desviopadro .
A funo de densidades de probabilidade :
"

2 #
1
1 x
fX (x) = exp
x
(2.36)
2

2
A funo de distribuio cumulativa de probabilidades :
"

2 #
Z x
1 u
1
exp
du
FX (x) =
2

(2.37)

Infelizmente, esta integral no possui resultado analtico. Em geral, ela resolvida numricamente,
e os resultados utilizados para construir tabelas de referncia ou aproximaes polinmicas para FX (x).
Tais resultados so apresentados em termos de uma distribuio normal com mdia nula e desviopadro unitrio, chamada de distribuio normal padro. Qualquer varivel aleatria com distribuio
normal X N (, ) pode ser transformada em uma varivel normal padro Y fazendo:
Y =

Para a varivel normal padro Y , temos :

2
1
y
fY (y) = (y) = exp
2
2
Z y
(z)dz = (y)
FY (y) =

45

y
y

(2.38)
(2.39)

Os valores da funo (y) so tabelados; tais tabelas so disponibilizadas na maioria dos livros sobre
teoria de probabilidades ou confiabilidade estrutural. Neste material, optamos por apresentar uma
aproximao polinmica para a funo (y) e sua inversa (seo 2.9.2).
Para a varivel aleatria X N (, ), a distribuio cumulativa de probabilidades FX (x) determinada a partir de (y):

x
FX (x) =

Distribuio log-normal LN (, )
Se uma varivel Y tem distribuio normal, ento a varivel X = exp[Y ] tem distribuio log-normal
(X LN (, )). As funes de probabilidade so:
"

2 #
1 ln(x)
1
exp
fX (x) =
0x
2

x 2

ln(x)
FX (x) =

0x

Os momentos de uma varivel log-normal so:

= exp[ + 0.5 2 ]
q

= exp[ 2 ] 1

e os parmetros so calculados a partir dos momentos por:

= ln() 0.5 2
q

=
ln 1 + 2

Os parmetros da distribuio normal equivalente so:

neq
neq

= x (1 ln (x) + )
= x

Distribuio exponencial EXP ()

Quando um evento ocorre ao longo do tempo segundo um processo de Poisson, o tempo (aleatrio) at
a primeira ocorrncia T1 segue uma distribuio exponencial. O evento {T1 > t} representa nenhuma
ocorrncia no intervalo de tamanho t. Logo, da equao (2.33) obtm-se:
P [{T1 > t}] = P [{X = 0}] = exp(t)
Sendo assim, a funo de distribuio cumulativa de probabilidades de T1 dada por:
FT1 (t) = P [{T1 t}] = 1 exp[t],

t0

(2.40)

Derivando em relao a t, obtm-se a funo de densidades:

fT (t) =

dFT1 (t)
= exp[t],
dt

t0

(2.41)

A distribuio exponencial possue um nico parmetro, que a taxa mdia (no tempo ou espao)
de ocorrncia de eventos, . Quando esta taxa cosntante no tempo, os momentos estatsticos so:
1
E[T1 ] = T1 =

2
1
V ar[T1 ] =

46

(2.42)

A distribuio exponencial a anloga contnua da distribuio geomtrica. Devido falta de

memria do processo de Poisson, o tempo at a primeira ocorrncia tambm igual ao tempo entre
ocorrncias ou perodo de retorno, anlogo contnuo ao tempo de retorno discreto descrito na pgina
(42). Assim, T1 vem a ser o perodo mdio de retorno para eventos que ocorrem ao longo de um
contnuo. Note como T1 = 1 se compara com p1 na seqncia de Bernoulli.

Exemplo 17 Exemplo 3.18 de (Ang e Tang, 1975, pg. 121)

Distribuio exponencial deslocada EXP (, a)

O processo de Poisson que d origem distribuio exponencial na seo anterior tem seu incio no
instante t = 0. Uma situao mais geral aquela de um processo que inicia no instante t = . A
varivel aleatoria resultante, que descreve o tempo at a primeira ou entre ocorrncias a partir do
instante , segue uma distribuio exponencial deslocada. Se X EXP (, ), ento as funes de
probabilidade so:
fX (x) =
exp[ (x )],
FX (x) = 1 exp[ (x )],

x
x

Os momentos da distribuio exponencial deslocada ficam:

1
+

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

1

Distribuio Rayleigh deslocada RAY(, )

Funes de probabilidade:
fX (x) =
FX (x) =

"

2 #
(x )
1 x
exp
;
x
2
2

"

2 #
1 x
;
x
1 exp
2

Momentos:

+
2
r

= 2
2

Parmetros:

p
2 2
r

=
2

47

Distribuio logstica LOG(, )

Funes de probabilidade:
exp
fX (x) =

FX (x) =

(x)

h
i2 ;
1 + exp 3 (x)

1
h
i;
1 + exp 3 (x)

Os parmetros e momentos so e .

2.3.3

Variveis aleatrias do tipo misto

Uma varivel aleatria do tipo misto (tambm chamada de clipada) Y obtida a partir de uma
varivel aleatria contnua Z, estritamente positiva, definindo-se:
p = P [{Y = 0}]
q = P [{Y > 0}]
conforme a figura (2-1). As funes de distribuio de probabilidades de Y so obtidas a partir das
distribuies de Z:
FY (y) = pH(0) + qFZ (y)
fY (y) = p(0) + q fZ (y)
onde (y) a funo delta de Dirac e H(y) a funo degrau.

fY ( y )

FY ( y )
1

0.8

1.5

FXHxL

fXHxL

fZ ( y)

0.5

0.5

1.5

0.6

FZ ( y )

0.4
0.2

p
0

0.5

1.5
x

Figura 2-1: PDF e CDF de varivel aleatria clipada com p = 0.2 e q = 0.8.

48

2.5

2.4

DISTRIBUIO CONJUNTA DE PROBABILIDADES

Na seo anterior, consideramos problemas envolvendo variveis aleatrias individuais, isoladas. Nesta
seo, estudadas as caractersticas e propriedades de conjuntos de variveis aleatrias.

2.4.1

Funo conjunta de distribuio cumulativa de probabilidades

Sejam duas variveis aleatrias X e Y. Os conjuntos {X x} e {Y y} formam eventos cujas

probabilidades so dadas por:
P [{X
P [{Y

x}] = FX (x)
y}] = FY (y)

onde FX (x) e FY (y) so as funes de distribuio cumulativa de probabilidades das variveis X e Y.

O produto destes dois conjuntos forma um evento:
{X x}{Y y} = {X x, Y y}
A probabilidade deste evento, que funo de x e y, chamada de funo conjunta de distribuio
cumulativa de probabilidades:
FXY (x, y) = P [{X x, Y y}]
(2.43)
Neste contexto, e para evidenciar a diferena entre estas funes, as distribuies FX (x) e FY (y)
so chamadas de distribuies marginais de probabilidades. Em geral, a distribuio FXY (x, y) no
pode ser determinada a partir das distribuies marginais FX (x) e FY (y). Isto ocorre porque a funo
FXY (x, y) estabelece caractersticas de comportamento conjunto das variveis X e Y, que no esto
presentes nas funes FX (x) e FY (y). Por exemplo, a probabilidade descrita na equao (2.43) muda
se as variveis X e Y forem dependentes ou independentes. Ainda assim, pode-se fazer algumas
observaes sobre FXY (x, y), conforme segue. Como {y } um evento certo, tem-se que:
{X
{X

x, Y } = {X x}
, Y y} = {Y y}

Portanto, a seguinte relao entre distribuies conjuntas e marginais pode ser feita:
FXY (x, ) = FX (x)
FXY (, y) = FY (y)
Mais ainda, como {X , Y } um evento certo, tem-se que:
FXY (, ) = 1
e, de maneira equivalente:
FXY (, ) = 0

2.4.2

Funo conjunta de densidades de probabilidades

Se a funo FXY (x, y) possui derivadas parciais at segunda ordem, ento a funo:
fXY (x, y) =

2 FXY (x, y)
xy

a funo conjunta de densidades de probabilidades das varivel aleatria X e Y. Por analogia a

equao (2.11), pode-se escrever tambm:
fXY (x, y) = lim

x0
y0

P [{x X x + x, y Y y + y}]
xy

e:
fXY (x, y) 0 para todo (x, y) R2
49

Para elementos diferenciais dx e dy, pode-se escrever ainda que:

fXY (x, y)dxdy = P [{x X x + dx, y Y y + dy}]

(2.44)

As funes conjuntas de densidade e de distribuio cumulativa de probabilidades para duas variveis X e Y so ilustradas na figura (2-2).

2.4.3

Contedo de probabilidade para um domnio D qualquer

Seja D uma regio do plano xy formada por somas e/ou produtos de intervalos (eventos) definidos
nas variveis x e y. O evento {(x, y) D} corresponde a todas as realizaes w tais que o ponto de
coordenadas x(w), y(w) est dentro da regio D. O evento {(x, y) D} pode ser escrito como o limite
de uma soma de eventos mutuamente exclusivos da forma:
{x X x + dx, y Y y + dy}
tal que:
P [{(x, y) D}] =

ZZ

fXY (x, y)dxdy

(2.45)

Esta quantidade tambm pode ser interpretada como a massa de probabilidades na regio D.

2.4.4

Funes marginais de probabilidades

Com a formulao apresentada acima, a funo marginal de distribuio cumulativa de probabilidades

da varivel X pode ser escrita como:
Z + Z x
FX (x) = FXY (x, ) =
fXY (u, v)dudv
(2.46)

De maneira semelhante, tem-se:

FY (y) = FXY (, y) =

fXY (u, v)dudv

(2.47)

Derivando-se (2.46) em relao a x e (2.47) em relao a y, obtm-se a relao entre as densidades

de probabilidades conjuntas e marginais:
Z +
fXY (x, y)dy
(2.48)
fX (x) =
Z

fY (y) =

fXY (x, y)dx

(2.49)

As funes marginais de densidade de probabilidades para duas variveis X e Y so ilustradas na

figura (2-2).

2.4.5

Funes condicionais de probabilidades

Seja a condio {X = x} tal que fX (x) 6= 0. A distribuio condicional de Y, dado que {X = x},
dada pelo limite:
FY (y|X

= x) = lim FY (y|x X x + x)
x0

=
=

lim

x0

FXY (x + x, y) FXY (x, y)

FX (x + x) FX (x)

FXY (x,y)
x
dFX (x)
dx

50

f X (x)

fY ( y)

f XY (x, y)

Figura 2-2: Densidade conjunta de 2 variveis aleatrias.

Portanto:
FY (y|X = x) =

Ry

f
XY

(x, v)dv

fX (x)

Derivando em relao a Y obtm-se:

fY (y|X = x) =

Ry

= R
+

fXY (x, v)dv

fXY (x, y)dy

fXY (x, y)
fXY (x, y)
= R +
fX (x)
f (x, y)dy
XY

(2.50)

(2.51)

Este resultado pode ser generalizado para a condio {Y = y}, resultando:

fX (x|Y = y) =

fXY (x, y)
fXY (x, y)
= R +
fY (y)
fXY (x, y)dx

(2.52)

Note a semelhana destas expresses com a equao (2.4). As funes condicionais de densidade
de probabilidades para duas variveis X e Y so ilustradas na figura (2-2).

Exemplo 18 Distribuies conjuntas, marginais e condicionais de duas variveis aleatrias discretas

51

2.4.6

Teorema da probabilidade total (verso contnua)

Reunindo resultados anteriores, tem-se das equaes (2.49) e (2.51) que:

fY (y) =

fXY (x, y)dx

fXY (x, y) = fY (y|X = x)fX (x)

Combinando as duas equaes, segue que:
Z
fY (y) =

fY (y|X = x)fX (x)dx

(2.53)

Este resultado mostra que, para eliminar a condio {X = x}, basta multiplicar pela funo fX (x) e
integrar em x.
Combinando agora as equaes (2.51) e (2.52), obtm-se uma verso contnua para o Teorema de
Bayes:
fX (x|Y = y)fY (y)
fY (y|X = x) =
fX (x)
Compare este resultado com a equao (2.6).

2.4.7

Variveis aleatrias independentes

Definio 19 Duas variveis aleatrias X e Y so ditas independentes se os eventos {X x} e

{Y y} so independentes para qualquer (x, y) R2 , de forma que:
P [{X x, Y y}] = P [{X x}]P [{Y y}]

(2.54)

Como conseqncia, tem-se que:

FXY (x, y)
fXY (x, y)
fY (y|X
fX (x|Y

2.4.8

=
=
=
=

FX (x)FY (y)
fX (x)fY (y)
x) = fY (y)
y) = fX (x)

(2.55)

Covarincia

Quando duas ou mais variveis esto definidas no mesmo espao de probabilidades, importante descrever como elas variam conjuntamente. Uma medida linear da relao entre duas variveis aleatrias
a covarincia, definida como:
Cov[X, Y ] = E[(X X )(Y Y )]

(2.56)

Este resultado tambm pode ser dado por:

Cov[X, Y ] = E[(X X )(Y Y )]
Z + Z +
=
(x X )(y Y )fXY (x, y)dxdy
=

+ Z +

Z + Z +

(xy yX xY + X Y )fXY (x, y)dxdy

xyfXY (x, y)dxdy Y X X Y + X Y

= E[XY ] X Y

(2.57)

Note ainda que a covarincia de uma v.a. com ela mesma corresponde varincia desta varivel:
Cov[X, X] = E[(X X )2 ] = V ar[X]
52

Uma medida adimensional da covarincia entre duas v.a.s dada pelo coeficiente de correlao:
XY =

Cov[X, Y ]
X Y

(2.58)

Este coeficiente adimensional varia entre os valores:

1 XY 1
O valor XY = 1 implica correlao positiva e perfeita. O valor XY = 1 implica correlao
negativa e perfeita.
A figura (2-3) ilustra diferentes possibilidades de covarincia entre v.a.s, representadas pelo coeficiente de correlao. Observe que a covarincia implica dependncia entre duas v.a.s, mas covarincia
nula no implica em independncia, conforme ilustrado na figura. Covarincia um caso especial de
dependncia linear, sendo outras formas de dependncia tambm possveis.
Y

01

01

X
Y

=0

01

=0

X
Y

X
Y

=0

X
Y

01

Figura 2-3: Exemplos de covarincia (dependncia linear) entre duas variveis aleatrias.

Exemplo 20 Seja Y = g(X). Existe uma relao funcional de dependncia entre as variveis X e
Y. No entanto, se a funo g(.) for altamente no linear, ento a covarincia de X e Y nula!

2.4.9

*Momentos conjuntos de ordem arbitrria de duas v.a.

Os momentos conjuntos de ordem arbitrria de duas variveis aleatrias X e Y so definidos como:

kn

= E[X k Y n ]
Z + Z +
=
xk y n fXY (x, y)dxdy

53

A soma k + n corresponde ordem do momento conjunto. Os momentos de segunda ordem 20 e 02

correspondem ao segundo momento das variveis X e Y, respectivamente. O momento de segunda
ordem 11 de particular importncia:

11 = E[XY ] =

+ Z +

xyfXY (x, y)dxdy

pois est relacionado com a covarincia (equao 2.57):

E[XY ] = Cov[X, Y ] + X Y

Os momentos centrais de ordem arbitrria so definidos como:

mkn

= E[(X X )k (Y Y )n ]
Z + Z +
=
(x X )k (y Y )n fXY (x, y)dxdy

Os momentos centrais de segunda ordem m20 e m02 correspondem s varincias de X e Y, respectivamente. O momento central de segunda ordem m11 corresponde covarincia como pode ser observado
na equao (2.56).

2.4.10

Problemas envolvendo muitas variveis aleatrias

At este ponto nesta seo consideramos as distribuies de probabilidades conjuntas e outras propriedades para pares de variveis aleatrias. Nos problemas de engenharia, as variveis aleatrias
apareem em grupos muito maiores. Nesta seo, apresentamos a notao utilizada para lidar com
problemas envolvendo muitas variveis aleatrias. Colocando de maneira simples, a determinao de
estatsticas em problemas envolvendo muitas variveis aleatrias o objetivo principal da anlise de
confiabilidade estrutural. Sendo assim, resultados n so apresentados nesta seo, mas nos captulos
que seguem.
Um conjunto de variveis aleatrias {X1 , X2 , ..., Xn } sempre pode ser representado por um vetor.
Neste livro, denotaremos vetores com negrito, de forma que X ser um vetor de variveis aleatrias.
Uma realizao deste vetor corresponde a uma realizao de cada uma das variveis aleatrias que o
compe, o que ser representada pelo evento {X = x}. A funo conjunta de distribuio cumulativa
de probabilidades fica:
FX (x) = P [{X x}] = P [{X1 x1 , X2 x2 , ..., Xn xn }]
A funo densidade de probabilidades conjunta ser representada por:

fX (x) = fX1 X2 ...Xn (x1 , x2 , ..., xn )

54

2.5

FUNES DE UMA VARIVEL ALEATRIA

Na resoluo de problemas envolvendo variveis aleatrias, freqentemente encontramos relaes funcionais envolvendo estas variveis, por exemplo a simples relao Y = g(X). Claramente, Y uma
varivel aleatria que depende funcionalmente de X. Tanto o domnio de Y como suas funes de
probabilidades so definidos pela varivel aleatria independente X e pela funo g(.). Nesta seo,
estudamos como estabelecer as estatsticas de uma varivel aleatria dependente Y .

2.5.1

Conceito de funo de uma varivel aleatria

Seja uma varivel aleatria real X. Para cada realizao experimental w atribudo o nmero real
X(w). O domnio de X o espao amostral e sua imagem o conjunto IX dos nmeros reais X(w).
Seja uma funo real g(x) definida pelo menos para cada x IX .
A funo Y = g(X) definida para cada realizao w da seguinte forma:
Y (w) = g(X(w))
Logo, o domnio de g(X) o espao amostral , enquanto que o domnio de g(x) o conjunto dos
nmeros reais, conforme ilustrado na figura (xx).

2.5.2

Determinao da funo de distribuio de Y = g(X)

Seja agora IY o conjunto dos nmeros reais x tais que g(x) y :

x IY

se e somente se g(x) y

Logo, o evento {Y y} igual ao evento {X IY } e:

FY (y) = P [{Y y}] = P [{X IY }]
Logo, para determinar-se FY (y) para um valor y dado deve-se encontrar o conjunto IY e a probabilidade do evento {X IY }.
Exemplo 21 Seja Y = aX + b, a > 0. Neste caso, temos que ax + b y para x
o conjunto IY = (, yb
a ). Logo:

yb
yb
}] = FX
FY (y) = P [{Y y}] = P [{X
a
a
ou:
FY (y) = FX

yb
a

yb
a ,

portanto IY

Funo monotonicamente crescente ou decrescente

Se Y = g(X) uma funo monotonicamente crescente ou monotonicamente decrescente, o conjunto
IY simplesmente conexo e a funo de distribuio de probabilidades fY (y) pode ser facilmente
55

determinada. Nota-se na figura que as probabilidades:

fX (x)dx = P [{x X x + dx}]
fY (y)dy = P [{y Y y + dy}]
so iguais, o que permite escrever:
fX (x)dx = fY (y)dy
ou:
fY (y) = fX (x)

dx
fX (x)
= 0
dy
g (x)

dy
= g 0 (x). Se a funo g(X) monotonicamente decrescente, ento
sendo dx
escrever:
fX (x)
dx
= 0
fY (y) = fX (x)
dy
g (x)

dy
dx

< 0, e portanto deve-se

Estes dois resultados podem ser agrupados em um, escrevendo:

fY (y) = fX (x)

dx
fX (x)
= 0
dy
|g (x)|

(2.59)

Generalizao para nmero finito de razes

O resultado acima pode ser generalizado para funes no-monotnicas com nmero finito de razes,
sendo necessrio para isto resolver a equao Y = g(X) para X. Sejam x1 , x2 , ..., xn razes reais, tal
que y = g(x1 ) = g(x2 ) = ... = g(xn ). Ento, generalizando o resultado expresso na equao (2.59):
fY (y) =

fX (x1 )
fX (x2 )
fX (xn )
+
+ ... + 0
|g 0 (x1 )| |g 0 (x2 )|
|g (xn )|

sendo:
g 0 (x) =

dg(x)
dx

Exemplo 22 Seja Y = aX + b, a > 0. Resolvendo para x temos x =

yb
1
fY (y) = fX
a
a

yb
a .

Com g 0 (x) = a obtm-se:

Compare este resultado com o resultado do exemplo (21), e note que poderia ser obtido diretamente
derivando em relao a y.
56

p
p
Exemplo 23 Seja Y = aX 2 , a > 0. As razes so: x1 = + ay e x2 = ay . As derivadas so:

g 0 (x1 ) = 2ax1 = 2 ay e g 0 (x2 ) = 2ax2 = 2 ay. Para y < 0 no h soluo, logo fY (y) = 0 para
y < 0. Portanto, a soluo resulta:
r
r
1
y
y
fX +
+ fX
para y 0
fY (y) =

2 ay
a
a
= 0 para y < 0
Exemplo 24 Transformao de Hasofer e Lind: Seja X uma v.a. com distribuio normal e parmetros X N (, ) e distribuio dada pela equao (2.36). Para a funo Y = g(X) = X
, queremos
determinar a distribuio fY (y).
Resolvendo para x obtemos x = y + e:
g 0 (x) =

dy
1
=
dx

Utilizando as equaes (2.36 e 2.59), obtemos:

fY (y) =
fY (y) =

"

2 #
fX (x)
1 ||
1 y +
=
exp
|g 0 (x)|
2

2
2
1
y
exp
2
2

Esta uma distribuio normal com mdia nula e desvio-padro unitrio, conforme argumentado
na seo (??).
Exemplo 25 Relao normal - lognormal: Seja X uma v.a. log-normal com parmetros X
LN (, ). Queremos determinar a distribuio de probabilidades de Y = ln[X]. Primeiramente, obtemos:
x = exp[y]
dx
1
=
= exp[y]
dy
g 0 (x)
A partir de:

"

2 #
1
1 ln(x)
fX (x) = exp
2

x 2

e da equao (2.59), obtemos:

fY (y) =
=

"

2 #
exp[ln[x]]
1 y

exp
2

x 2
"

2 #
1
1 y
exp
2

o que representa uma distribuio normal com media e desvio-padro . Deste resultado, resulta
tambm que:
E[Y ] = E[ln[X]] =
V ar[Y ] = V ar[ln[X]] = 2

2.5.3

Momentos de uma funo de uma varivel aleatria

Nem sempre fcil ou mesmo possvel determinarmos as funes de probabilidades de uma funo
de uma varivel aleatria. Ainda assim, muitas vezes pode ser til determinarmos pelo menos os
momentos desta funo.
57

Seja a funo Y = g(X). Como Y depende funcionalmente de X, o valor esperado e a varincia

da v.a. Y so obtidos como:

E[Y ] =

yfY (y)dy =

V ar[Y ] = E[(Y E[Y ])2 ] =

Z +

g(x)fX (x)dx

(2.60)

(g(x) E[Y ])2 fX (x)dx

(2.61)

Quando a funo de densidades de probabilidades da varivel X conhecida, pode-se usar as

expresses (2.60 e 2.61) para determinar os momentos de g(X), No entanto, este nem sempre o caso.
Muitas vezes nos encontramos em uma situao em que queremos determinar os momentos de g(X)
conhecidos apenas os momentos da varivel X. Nestas situaes, aproximaes para os momentos de
g(X) podem ser obtidos a partir de uma expanso em srie de Taylor da funo Y = g(X) em torno
do ponto mdio X :
g(X) g(X ) + g 0 (X )(X X ) +

g 00 (X )(X X )2
+ ...
2

(2.62)

Aproximao de primeira ordem:

Mantendo apenas o termo de primeira ordem e aplicando o operador valor esperado obtm-se:
E[Y ] E[g(X )] + g 0 (X )E[(X X )]
= g(X )

(2.63)

Aplicando o operador varincia obtm-se:

E[g(X)2 ] E 2 [g(X)]
E[(g(X ) + g 0 (X )(X X ))2 ] g(X )2
E[g(X )2 + 2g(X )g 0 (X )(X X ) + g 0 (X )2 (X X )2 ] g(X )2
E[(X X )2 ]g 0 (X )2
V ar[X]g 0 (X )2

!2
dg(x)
= V ar[X]
dx X

V ar[Y ]
=
=
=
=

(2.64)

Estes dois resultados representam uma aproximao de primeira ordem para o valor esperado e a
varincia de g(X).

Aproximao de segunda ordem:

Considerando agora mais um termo (o termo de segunda ordem) na expanso (2.62) e aplicando o
operador valor esperado:
E[Y ] E[g(X )] + E[g 0 (X )(X X )] + E[
V ar[X] 00
g (X )
2

V ar[X] d2 g(x)
= g(X ) +
2
dx2 X

g 00 (X )(X X )2
]
2

= g(X ) +

(2.65)

Pode-se mostrar que a varincia da aproximao de segunda ordem utilizando a equao (2.62)
58

resulta:

!2
!2
dg(x)
V ar[X]2 d2 g(x)
V ar[Y ] V ar[X]

dx X
4
dx2 X

!2
2

d2 g(x)
3 dg(x) d g(x)
4
+E[(X X ) ]
+ E[(X X ) ]
dx
dx2 X
dx2 X

(2.66)

Portanto, a aproximao de segunda ordem da varincia de Y envolve a avaliao de momentos

de terceira e quarta ordem das variveis Xi . Estes momentos raramente so conhecidos. Sendo assim,
comum trabalhar-se com estimativa de segunda ordem para a mdia (eq. 2.65) e com estimativa de
primeira ordem para a varincia (eq. 2.64).

2.6
2.6.1

FUNES DE DUAS OU MAIS VARIVEIS ALEATRIAS

Determinao da funo de distribuio

Sejam as variveis aleatrias X e Y, e uma funo g(x, y) nas variveis reais x e y. Dentro de certas
restries, Z = g(X, Y ) ser tambm uma varivel aleatria. Denotando por DZ a regio do plano xy
tal que g(x, y) z, o evento {Z z} pode ser escrito como {Z z} = {(x, y) DZ }. Portanto, para
determinar a funo de distribuio cumulativa de probabilidades de Z, basta determinar a massa de
probabilidades na regio DZ :
FZ (z) = P [{(x, y) DZ }]
ZZ
=
fXY (x, y)dxdy

(2.67)

DZ

A densidade fZ (z) pode ser determinada derivando a funo FZ (z). Para tanto, convm escrever
x = g 1 (z, y). A equao (2.67) fica:
FZ (z) =

g 1 (z,y)

fXY (x, y)dxdy

Mudando a varivel de integrao de x para z, este resultado fica:

1
Z Z z
g
1
dzdy
fXY (g , y)
FZ (z) =
z

Derivando em relao a z :

fZ (z) =

fXY (g

1
g
dy
, y)
z

(2.68)

Um resultado semelhante pode ser obtido em termos da varivel x, integrando-se primeiro em

relao a y. Para tanto, escrevemos y = g 1 (x, z). Em procedimento anlogo, obtemos:
1
Z

1 g
dx
(2.69)
fZ (z) =
fXY (x, g )
z

Alternativamente, pode-se determinar fZ (z) encontrando a regio DZ no plano xy tal que z

59

g(x, y) z + dz:
fZ (z)dz

= P [{z Z z + dz}]
ZZ
=
fXY (x, y)dxdy
DZ

Exemplo 26 Soma de duas v.a.s contnuas: Seja a soma Z = aX+bY, onde a e b so duas constantes.
g 1
1
Escrevendo y = g 1 (x, z) = zax
b , obtemos Z = b . Da equao (2.69) resulta:
Z
z ax
1
fZ (z) =
fXY (x,
)dx
b
b

2.6.2

Soma de duas variveis aleatrias

Seja a funo soma de duas v.a.s:

Z =X +Y
Da equao (2.69) obtemos:
fZ (z) =

fXY (x, z x)dx

(2.70)

Para a soma de duas v.a.s independentes, podemos escrever ainda:

Z
fZ (z) =
fX (x)fY (z x)dx

(2.71)

Estes resultados se aplicam a soma de v.a.s contnuas discretas, desde que substituda a integral
pelo somatrio correspondente.
Teorema 27 Soma de duas v.a.s independentes: se as variveis aleatrias X e Y so independentes,
ento a funo de densidade de probabilidades da soma Z = X + Y dada pela convoluo:
Z +
Z +
fZ (z) =
fX (z y)fY (y)dy =
fX (x)fY (z x)dx

Exemplo 28 Soma de processos de Poisson independentes: considere as v.a.s X e Y com distribuio

de Poisson e parmetros e . Seja
(t)x
exp[t]
x!
(t)y
exp[t]
pY (y) = P [{Y = y}] =
y!

pX (x) = P [{X = x}] =

Substituindo a integral na equao (2.71) por um somatrio, a distribuio da soma obtida como:
X
pX (x)pY (z x)
pZ (z) =
todo x

X (t)x (t)(zx)
exp[t] exp[t]
x!(z x)!

todo x

= exp[( + )t]tz

X x (zx)
x!(z x)!

todo x

O somatrio sobre x na expresso acima corresponde expanso binomial de

pZ (z) =

(+)z
,
z!

de forma que:

[( + )t]z
exp[( + )t]
z!

Esta expresso corresponde a uma distribuio de poisson com parmetro + . este resultado pode
ser generalizado no seguinte teorema:
60

Teorema 29 Soma de processos de Poisson independentes: a soma de n processos de Poisson independentes tambm
um processo de Poisson. Seja Xi um processo deP
Poisson com parmetro i. O
Pn
n
processo Z = i=1 Xi um processo de Poisson com parmetro z = i=1 i.
Exemplo 30 Soma (e diferena) de v.a.s normais independentes: sejam duas v.a.s X e Y normais
independentes com parmetros X N (X , X ), Y N (Y , Y ). A distribuio da soma Z = X + Y,
a partir das equaes (2.36) e (2.71), :
"
"
2 #
2 #

Z
1
1
1 x X
1 z x Y
fZ (z) =
exp
exp
dx
2 X Y
2
X
2
Y
"
(

2
2 )# Z

1
z Y
1 2
1
X
1
exp
+
exp ux 2vx dx(2.72)
=
2 X Y
2
X
Y
2

onde:
u=

1
1
+ 2 ;
2
X
Y

X
z Y
+
2
X
2Y

v=

Fazendo uma substituio de variveis:

w =x

v
u

o termo integral resulta:

Z
Z

1
v2
1
exp ux2 2vx dx = exp[ ]
exp uw2 dw
2
2u
2

2
v
2
=
exp[ ]
u
2u
Substituindo este resultado na equao (2.72) obtemos:

!2

1
+

)
1
1
z

(
Y

p X
exp
fZ (z) = p 2
2
2 X + 2Y
2X + 2Y

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

Z
2Z

= X + Y
= 2X + 2Y

De maneira semelhante, podemos mostrar que a diferena Z = X Y tambm tem distribuio normal,
com parmetros:
Z
2Z

= X Y
= 2X + 2Y

Este resultado pode ser generalizado no seguinte teorema:

Teorema 31 A soma de n variveis aleatrias normais independentes Xi , com parmetros Xi
N (Xi , Xi ), tambm uma varivel normal:
Z=

n
X

Xi

i=1

com parmetros:
Z
2Z

=
=

n
X
i=1
n
X
i=1

61

Xi
2Xi

(2.73)

Generalizando ainda mais este resultado, resulta que qualquer funo linear de v.a.s normais tambm
uma v.a. normal. Os resultados apresentados na equao (2.73) so vlidos ainda para qualquer funo
linear de v.a.s independentes, independentemente da distribuio, conforme verificado adiante.

2.6.3

Teorema do limite central

Um resultado bastante importante da teoria de probabilidades o teorema do limite central. De forma

vaga, este teorema afirma que:
Teorema 32 Teorema do limite central: A soma de um grande numero de variaveis aleatrias, independente da sua distribuio mas desde que nenhuma delas seja dominante, tende a uma distribuio
normal!
Este teorema muitas vezes utilizado para justificar a escolha de uma distribuio Gaussiana para
processos ou variveis que sejam resultado da soma de grande nmero de efeitos individuais. Uma
conseqncia do teorema do limite central refere-se ao produto de diversas variveis aleatrias:
Teorema 33 O produto de um grande numero de variaveis aleatrias, independente da sua distribuio mas desde que nenhuma delas seja dominante, tende a uma distribuio log-normal!
O teorema do limite central pode ser demonstrado atravs de um exemplo simples, envolvendo a
soma de variveis aleatrias:
Pn
Exemplo 34 Seja uma varivel Y = 1n i=1 Xi onde as variveis Xi so estatsticamente independentes e idnticamente distribudas com probabilidades:
P [{Xi
P [{Xi

1
2
1
= 1}] =
2
= +1}] =

Verifique o que acontece com a funo de densidades (ou com o histograma) da varivel Y a medida
que aumenta o nmero de termos! A figura 34 mostra alguns resultados.
1
0.8

fY(y)

n=1

n=2

fY(y)

0.5
0.4

0.6

0.3

0.4

0.2

0.2

0.1
-3

0.35
0.3

-2

-1

fY(y)

-3
0.06

n=5

-2

-1

fY(y)

n = 200

0.05

0.25
0.2

0.04

0.15
0.1

0.03

0.05

0.01

0.02

-3

-2

-1

-3

-2

-1

Figura 2-4: Convergncia da soma (exemplo 34) para distribuio normal.

Exemplo 35 Repita o exemplo anterior para distribuio uniforme de probabilidades entre 1 e +1
:
1
2
fX (x) = 0
fX (x) =

1x1
caso contrrio
62

1
0.8

n=1

fY(y)

0.6

0.6

0.4

0.4

0.2

0.2
-2

-1

-2

1
0.8

n=2

fY(y)

0.8

-1

n=3

fY(y)

0.6

0.6

0.4

0.4

0.2

0.2
-2

-1

n = 10

fY(y)

0.8

-2

-1

Figura 2-5: Convergncia da soma (exemplo 35) para distribuio normal.

2.6.4

Momentos de funes de muitas variveis aleatrias

Seja uma funo Y = g(X1 , X2 , ..., Xn ). O valor esperado de Y pode ser obtido atravs de:
E[Y ] =

yfY (y)dy

Alternativamente, como a funo de distribuio fY (y) depende funcionalmente da funo de densidade conjunta fX1 X2 ...Xn (x1 , x2 , ..., xn ), pode-se escrever:
E[Y ] =

...

g(x1 , x2 , ..., xn )fX1 X2 ...Xn (x1 , x2 , ..., xn )dx1 dx2 ...dxn

(2.74)

fcil perceber que a avaliao de (2.74) no simples, pois envolve uma integral multi-dimensional
de uma funo conjunta de probabilidades.

Mdia e varincia de funes lineares

Seja a funo Y = aX + b, sendo a e b duas constantes. Da equao (??) obtemos:
E[Y ] = E[aX + b] =
= a

(ax + b)fX (x)dx

xfX (x)dx + b

= aX + b

fX (x)dx

De maneira semelhante, a varincia obtida como:

V ar[Y ] = E[(Y Y )2 ]
= E[(aX + b aX b)2 ]
Z +
2
= a
(x X )2 fX (x)dx

= a2 V ar[X]
63

Seja agora a funo Y = a1 X1 + a2 X2 , sendo a1 e a2 duas constantes. Da equao (??) obtemos:

E[Y ] =

+ Z +

= a1

(a1 x1 + a2 x2 )fX1 X2 (x1 , x2 )dx1 dx2

x1 fX1 (x1 )dx1 + a2

= a1 X1 + a2 X2

x2 fX2 (x2 )dx2

A varincia calculada por:

V ar[Y ] = E[(Y X )2 ]
= E[(a1 X1 + a2 X2 a1 X1 a2 X2 )2 ]
= E[(a1 (X1 X1 ) + a2 (X2 X2 ))2 ]

= E[a21 (X1 X1 )2 + a1 a2 (X1 X1 )(X2 X2 ) + a22 (X2 X2 )2 ]

= a21 V ar[X1 ] + 2a1 a2 Cov[X1 , X2 ] + a22 V ar[X2 ]

Estes resultados podem ser facilmente extrapolados para uma funo linear de muitas variaveis
aleatrias. Seja:
n
X
Y =
ai Xi
i=1

Pode-se mostrar que os momentos so:

n
X

E[Y ] =

ai E[Xi ] =

i=1
n
n X
X

V ar[Y ] =

n
X

ai Xi

i=1

ai aj Cov[Xi , Xj ]

i=1 j=1

Seja agora uma nova funo linear das v.a.s Xi :

X=

n
X

bi Xi

i=1

A covarincia entre as variveis Y e Z dada por:

Cov[Y, Z] =

n X
n
X

ai bj Cov[Xi , Xj ]

i=1 j=1

2.6.5

Aproximao dos momentos de funes de muitas variveis aleatrias

Aproximao de primeira ordem

Expandindo a funo Y = g(X1 , X2 , ..., Xn ) em srie de Taylor em torno do ponto mdio de cada uma
das variveis Xi , obtm-se:
g(X) g(X1 , X2 , ..., Xn )
n
X
g
+
(Xi Xi )
X
i
i=1
n

1 XX
2g
(Xi Xi )(Xj Xj )
+ ...
2 i=1 j=1
Xi Xj

(2.75)

Truncando a srie no termo de primeira ordem (segunda linha da equao 2.75), e utilizando um
64

raciocnio anlogo ao utilizado para demonstrar a equao (2.63), obtm-se:

E[Y ] g(X1 , X2 , ..., Xn )
o que significa que a mdia da funo aproximadamente igual a funo das mdias. Tomando a
varincia da srie truncada de Taylor e generalizando a equao (2.64), obtm-se:
V ar[Y ]

n X
n
X

Cov[Xi , Xj ]

i=1 j=1

g g
Xi Xj

Este resultado tambm pode ser escrito como:

V ar[Y ]

n
X

V ar[Xi ]

i=1

g
Xi

n
n
X
X

Cov[Xi , Xj ]

i=1 j=1,j6=i

g g
Xi Xj

Se as variveis Xi e Xj forem independentes para qualquer i e j, este resultado se simplifica para:

V ar[Y ]

n
X

V ar[Xi ]

i=1

g
Xi

Aproximao de segunda ordem

Mantendo os termos de segunda ordem na expanso em srie de Taylor, obtemos a aproximao de
segunda ordem do valor esperado:
n

E[Y ] g(X1 , X2 , ..., Xn ) +

1 XX
2g
Cov[Xi , Xj ]
2 i=1 j=1
Xi Xj

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

terceira e quarta ordem das variveis Xi . Por este motivo, en geral utilizamos a aproximao de segunda
ordem do valor esperado, que pode ser facilmente calculado, em conjunto com uma aproximao de
primeira ordem da varincia.

2.7

TEORIA DE VALORES EXTREMOS

Em muitas aplicaes de engenharia, valores extremos de variveis aleatrias ou de processos estocsticos so de interesse. Em problemas estruturais, o mximo valor do carregamento e o valor mnimo
da resistncia so as variveis importantes para o projeto.
Considere um conjunto de n observaes de uma varivel aleatria, e os valores mximo e mnimo
observados neste conjunto. Cada vez que uma nova realizao ou observao deste conjunto feita,
novos valores mximo e mnimo so obtidos. Portanto, os valores mximo e mnimo so tambm varivel aleatrias, com distribuio estatstica prpria. Os parmetros destas distribuies de mximos
e mnimos so estudados atravs da Teoria de Valores Extremos, um campo bem desenvolvido da
Teoria de Probabilidades.
65

2.7.1

Distribuies exatas

Seja X uma varivel aleatria com FPA FX (x) conhecida. Seja uma amostra de n observaes
independentes de X, (x1 , x2 , x3 , ..., xn ), representando o 1o , o 2o ,..., e o ensimo valor observado. Os
valores mximo e mnimo da amostra so, respectivamente:
yn
y1

= max[x1 , x2 , x3 , ..., xn ]
= min[x1 , x2 , x3 , ..., xn ]

(2.76)

Pode-se considerar que o conjunto (x1 , x2 , x3 , ..., xn ) seja uma amostra de n varivel aleatrias,
identicamente distribudas e independentes, tal que FX1 (x1 ) = FX2 (x2 ) = ... = FXn (xn ). As variveis
aleatrias Yn e Y1 (valor mximo e mnimo) so ento determinadas como:
Yn
Y1

= max[X1 , X2 , X3 , ..., Xn ]
= min[X1 , X2 , X3 , ..., Xn ]

(2.77)

Observa-se que se Yn , o maior valor dentre (X1 , X2 , X3 , ..., Xn ), menor do que um determinado valor
y, ento todas as varivel aleatria Xi devem ser menores que y. Portanto:
FYn (y) = P [{Yn y}]
= P [{X1 y}, {X2 y}, ..., {Xn y}]
= [FX (y)]n

(2.78)

e:
fYn (y) =

FYn (y)
y
n1

= n [FX (y)]

fX (y)

(2.79)

As expresses (2.78) e (2.79) so as distribuies de probabilidade exatas do valor mximo de uma

amostra de tamanho n tomadas de uma populao X. Esta distribuio depende do tamanho n da
amostra bem como da distribuio original de X. A figura (2-6) mostra como estas distribuies
de extremos variam com o aumento do nmero de amostras, para uma distribuio original com
distribuio X N (0, 1). A equao (2.78) mostra que a distribuio do mximo de uma amostra de
tamanho unitrio (n = 1) idntica distribuio original. Assim, o valor esperado do mximo em
uma observao igual ao valor esperado da varivel original. A medida que n aumenta, a distribuio
de mximos tende para a regio da cauda superior da distribuio original.
FpHsL

1
0.8

fpHsL

n=100

0.8

n=100

0.6

n=10

0.6

n=10

0.4

n=1

0.4

n=1

0.2

0.2
-2

-1

-2

-1

Figura 2-6: Extreme value distributions of Gaussian variable.

A distribuio exata para mnimos obtida de maneira similar. Se Y1 , o menor valor na amostra
(X1 , X2 , X3 , ..., Xn ), maior do que um determinado valor y, ento todos os valores Xi devem ser
maiores que y. Portanto:
FY1 (y) =
=
=
=

P [{Y1 y}]
1 P [{Y1 > y}]
1 P [{X1 > y}, {X2 > y}, ..., {Xn > y}]
n
1 [1 FX (y)]
66

(2.80)

e:

fY1 (y) = n [1 FX (y)]n1 fX (y)

(2.81)

As expresses (2.80) e (2.81) so as distribuies de probabilidade exatas do valor mnimo de uma

amostra de tamanho n tomadas de uma populao X. As observaes feitas em relao as equaes
(2.78) e (2.79) so vlidas tambm para (2.80) e (2.81), com a diferena que o valor mnimo esperado
diminue medida que n aumenta.

2.7.2

Distribuies assintticas

A medida que o tamanho da amostra n aumenta, as distribuies exatas convergem para formas
funcionais particulares, em funo do tipo de cauda da distribuio original. Estas formas so as
chamadas distribuies assintticas de extremos.
As distribuies assintticas possuem a convenincia de no depender da forma exata da distribuio original, mas apenas do comportamento da cauda desta na direo do extremo procurado.
A regio central da distribuio original serve para determinar os parmetros, mas no tem influncia
na forma assinttica da distribuio de extremos.
Em uma observao de uma varivel aleatria X, a probabilidade de se obter um resultado maior
do que x dado por 1 FX (x). Em n observaes da mesma varivel o nmero esperado de valores
maiores do que x n(1 FX (x)). Para determinar as distribuies de extremos, consideramos a
varivel aleatria dada pelo nmero En de valores maiores do que yn em uma amostra de tamanho n:
En = n(1 FX (Yn ))

(2.82)

Escrevendo esta expresso em termos de Yn temos:

En
1
Yn = FX 1
n
o que, para determinado nmero e resulta:
1
(1
y = FX

e
)
n

(2.83)

Como a equao (2.82) monotonicamente decrescente (En decresce quando Yn aumenta, conforme
figura 2-7) temos:
P [{En < e}] = P [{Yn > y}]
(2.84)
En
n
e

n (1 FX ( y ) )
y

Figura 2-7: Nmero En de mximos maiores do que y.

Agora podemos determinar a funo cumulativa de probabilidades da varivel En em funo de
Yn :
FEn (e) = P [{En e}] = P [{Yn > y}]
Utilizando a expresso (2.83):
e
1
FEn (e) = P [{Yn > FX
(1 )}]
n

e
1
= 1 FYn FX (1 )
n
67

Usando agora a expresso (2.78) para a distribuio acumulada de extremos, obtm-se:

h

e in
1
FEn (e) = 1 FX FX
(1 )
n
e n
= 1 (1 )
n
Tomando o limite com n , obtm-se:
FEn (e) = 1 exp[e]

(2.85)

Das equaes (2.82) e (2.84) temos ainda que:

P [{Yn < y}] = P [{En > n(1 FX (y))}]
ou:
FYn (y) = 1 FEn (n(1 FX (y)))
Finalmente, utilizando o resultado na equao (2.85) obtemos:
FYn (y) = exp[n(1 FX (y))]

(2.86)

Derivando em relao a y:
fYn (y) =

[n(1 FX (y))]
exp[n(1 FX (y))]
y

(2.87)

As equaes (2.86) e (2.87) so as chamadas distribuies assintticas de extremos. Estas distribuies so exatas no limite com n . Note que estas distribuies servem para determinar a
distribuio de extremos correspondente a determinada distribuio original FX (x). O interessante
que, independentemente da forma exata da distribuio original fX (x), as distribuies assintticas de
extremos convergem para algumas formas particulares. A forma particular para a qual determinada
distribuio de extremos converge depende apenas da cauda da distribuio original na direo do
extremo procurado. Trs desta formas particulares so apresentadas na tabela abaixo. Esta classificao vlida tanto para mximos como para mnimos. As 3 formas apresentadas no so as nicas
possveis, porm so as mais comuns.
Distribuio assinttica
Tipo I - Gumbel
Tipo II - Frechet
Tipo III - Weibull

2.7.3

Forma distribuio
exponencial dupla
exponencial
exponencial com limite

Cauda distrib. original

decaimento exponencial
decaimento polinmial
polinmial limitada

Extremos caractersticos

O mximo caracterstico un definido como o valor particular de X tal que, dentre os n valores, o
nmero esperado de valores maiores do que un igual a um:
n(1 FX (un )) = 1
ou:
FX (un ) = P [{X < un }] = 1

1
n

O mximo caracterstico un tambm o valor de X tal que:

1
n
Verifica-se ainda que un o valor mais provvel (moda) da distribuio de extremos, fYn (y). O
mximo caracterstico divide a distribuio fYn (y) nos seguintes percentis:
P [{X > un }] =

P [{Yn
P [{Yn

< un }] = 0.37
> un }] = 0.63
68

De forma semelhante, o mnimo caracterstico u1 o valor de X tal que:

1
n
O mnimo caracterstico u1 tambm a moda de fY1 (y), e divide a distribuio de mnimos nos
percentis:
P [{X < u1 }] =

P [{Y1
P [{Y1

< un }] = 0.63
> un }] = 0.37

Em geral, os extremos (mximo e mnimo) caractersticos so parmetros da distribuio de extremos

correspondente, como ser visto a seguir.

2.7.4

Distribuies estatsticas de extremos

Gumbel para mximos ou tipo I - EVI(un , )

Quando a cauda superior da distribuio inicial X apresenta taxa de decrescimento exponencial, a
distribuio dos mximos de X tende assintticamente a uma distribuio de Gumbel. Distribuies
com cauda exponencial incluem normal, exponencial e gamma.
A distribuio de Gumbel encontra muitas aplicaes na engenharia. Ela muito utilizada para
representar extremos de fenmenos ambientais como cheias de um rio, nvelde precipitao, velocidade
de vento, carga de ondas, etc.
Parmetros da distribuio:
un = mximo caracterstico da distribuio inicial X ou moda de Xn .
= parmetro de forma;
Funes de probabilidade:
fXn (x) = exp[ (x un ) e(xun ) ]
FXn (x) =
1 exp[e(xun ) ]

x
x

Determinao dos momentos:

= un

6
= 1.1396 (skewness)

onde: = 0.577216 (nmero de euler).

Determinao dos parmetros:
un

= +
=

Gumbel para mnimos ou tipo I - EVI(u1 , )

Quando a cauda inferior da distribuio inicial X apresenta taxa de (de)crescimento exponencial, a
distribuio dos mnimos de X tende assintticamente a uma distribuio de Gumbel.
A distribuio de Gumbel para mnimos descreve a resistncia mecnica de materiais, bem como
a tenso resistente de equipamentos eletrnicos. Em ambos os casos, a justificativa para o uso da
distribuio de Gumbel para mnimos a regra da corrente que sempre rompe no elo mais fraco.
Materiais estruturais possuem imperfeies e defeitos em sua micro-estrutura, e assim rompem na
seo transversal mais fraca. Da mesma forma, a falha por sobre-tenso de equipamentos eletrnicos
sempre acontee devido falha do componente mais fraco (que deveria ser o fusvel...).
Em estudos sobre mortalidade populacional, a distribuio de Gumbel para mnimos utilizada
para descrever a distribuio de vida (ou idade por ocasio da morte). Esta aplicao se justifica com
69

a hiptese de que, entre todos os indivduos em uma determinada faixa de idade, a morte leva os
indivduos mais fracos...!
Parmetros da distribuio:
u1 = mnimo caracterstico da distribuio inicial X ou moda de X1 .
= parmetro de forma.
Quando representada em papel de Gumbel, 1 a inclinao da distribuio.
Funes de probabilidade:
fX1 (x) = exp[ (x u1 ) e(xu1 ) ]
FX1 (x) =
1 exp[e(xu1 ) ]

x
x

A funo de Gumbel tabelada na varivel w = (x u1 ) .

Determinao dos momentos:
= u1

6
= 1.1396 (skewness)

onde: = 0.577216 (constante de Euler).

Determinao dos parmetros:

= +

u1

Frechet para mximos ou tipo II - EVII(un , )

Quando a cauda superior da distribuio inicial X apresenta taxa de decrescimento polinmica, como:
FX (x) = 1 Ax
onde A uma constante, a distribuio dos mximos de X tende assintticamente a uma distribuio
de Frechet. Este o caso das distribuies de Pareto e Cauchy.
Parmetros da distribuio:
un = mximo caracterstico da distribuio inicial X ou moda de Xn .
= parmetro de forma;
Funes de probabilidade:

un +1
un
fXn (x) =
;
x
exp
un x
x

un
FXn (x) =
exp
;
x
x
Determinao dos momentos:

1
= un 1

2
1
2
1
1
= un

Determinao dos parmetros:

un

1 1

= iterativo
70

O parmetro de forma determinado de forma iterativa atravs de:

1 2

1 + 2 =
2 1 1
Frechet para mnimos ou tipo II - EVII(u1 , )
Quando a cauda inferior da distribuio inicial X apresenta taxa de crescimento polinmica, como:
FX (x) = 1 Ax
onde A uma constante, a distribuio dos mnimos de X tende assintticamente a uma distribuio
de Frechet.
Parmetros da distribuio:
u1 = mnimo caracterstico da distribuio inicial X ou moda de X1 .
= parmetro de forma;
Funes de probabilidade:
" #
+1

x
x
exp
;
0x
fX1 (x) =
u1 u1
u1
" #

x
FX1 (x) =
1 exp
;
0x
u1
Determinao dos momentos:

1
= u1 1

2
1
2
2
2
= u1 1
1

Determinao dos parmetros:

u1

1 + 1

= iterativo

O parmetro de forma determinado de forma iterativa atravs de:

1 2

1 + 2 =
2 1 1
Weibull para mximos ou tipo III - EVIII(un , , )
Quando a cauda superior da distribuio inicial X apresenta decrescimento polinmico mas limitada,
como:
FX (x) = 1 A( x) ;
x , > 0, A = cte
a distribuio dos mximos de X tende assintticamente a uma distribuio de Weibull. Exemplos
deste tipo de distribuio inicial so as distribuies uniforme, triangular e gamma.
Parmetros da distribuio:
un = mximo caracterstico da distribuio inicial X ou moda de Xn ;
= parmetro de forma;
= limite superior da distribuio inicial X.
71

Funes de probabilidade:
fXn (x) =

un

x
un

FXn (x) =

"
#
x
;
exp
un
"
#
x
exp
;
un

x
x

Observe que com = 1 esta distribuio se resume distribuio exponencial. Para = 2 tem-se a
distribuio de Rayleigh.
Determinao dos momentos:

1
= + ( un ) 1 +

2
1
2
2
2
= ( un ) 1 +
1+

Determinao dos parmetros:

un

+
1 + 1

= iterativo

O parmetro de forma determinado de forma iterativa atravs de:

2
2

1
+

=
1+

2 1 + 1

Weibull para mnimos ou tipo III - EVIII(u1 , , )

Quando a cauda inferior da distribuio inicial X apresenta decrescimento polinmico mas limitada,
como:
FX (x) = 1 A( x) ;
x , > 0, A = cte
a distribuio dos mnimos de X tende assintticamente a uma distribuio de Weibull.
A distribuio de Weibull para mnimos pode ser utilizada para descrever secas ou a vida de fadiga
de componentes metlicos.
Parmetros da distribuio:
u1 = mnimo caracterstico da distribuio inicial X ou moda de X1 ;
= parmetro de forma;
= limite inferior da distribuio inicial X.
Funes de probabilidade:
"

1
#

x
x
fX1 (x) =
exp
;
x
u1 u1
u1
"
#
x
FX1 (x) =
1 exp
;
x
u1
Determinao dos momentos:

1
= + (u1 ) 1 +

2
1
2 = (u1 )2 1 +
2 1 +

72

Determinao dos parmetros:

+
1 + 1

u1

= iterativo

O parmetro de forma determinado de forma iterativa atravs de:

2
2

1
+

=
1+

2 1 + 1

Quando utilizada para descrever a vida de fadiga de componentes metlicos, a distribuio de

Weibull representa a probabilidade de sobrevivncia para um nmero x de ciclos. O parmetro u1
representa o nmero caracterstico de ciclos at a falha, enquanto o limite corresponde vida mnima
para um determinado nvel de carregamento.

Determinao da distribuio de extremos a partir da distribuio original

Apesar da relao entre a cauda da distribuio original e a distribuio assinttica de extremos correspondente, no existe uma forma analtica de estabelecer os parmetros da distribuio de extremos
a partir dos parmetros da distribuio original. No entanto, possivel determinar numericamente
a distribuio de extremos correspondente distribuio original. Isto pode ser feito com base nos
extremos caractersticos (u1 e un ) e em um ajuste de parmetros da distribuio de extremos apropriada.
Determina-se primeiramente os extremos caractersticos, que so funo apenas do nmero n de
variveis da amostra, conforme seo (2.7.3). Conforme visto acima, os extremos caractersticos so
o primeiro parmetro da distribuio de extremos. Determina-se um lista de pontos da distribuio
exata de extremos, utilizando as equaes (2.78) ou (2.79). Escolhe-se a distribuio de extremos
apropriada, em funo do tipo de cauda da distribuio original. Em seguida, atravs de um ajuste
de curvas (e.g., mnimos quadrados), determina-se o valor do parmetro de forma () que minimiza a
diferena entre a distribuio exata (os pontos calculados) e a distribuio de extremos procurada.

2.7.5

Sumrio de distribuies contnuas

#
0
1

Distribuio
Determinstica
Uniforme

Normal

Log-Normal

Exponencial

Rayleigh

Logstica

7
8
9

Gumbel mnimos
Gumbel mximos
Frechet mnimos

10

Frechet mximos

11

Weibull mnimos

12

Weibull mximos

fX (x)
(x0 )
1

hba
2 i
1
exp
12 x

2
1
1 ln(x)

exp 2

x 2
exp[
(x )]
2
exp 12 x

(x)
2

(x)

1+e

(x)

!2

exp[(x u1 ) e(xu1 ) ]
exp[(x un ) h e+(xuin ) ]
x +1
exp ( ux1 )
u1 ( u1 )

un +1
exp h( uxn ) i
un ( x )

x 1
exp ( ux
)
u1 ( u1 )
1

x
x
exp u
un un
n
73

p1
x0
a

p2
b

p3
-

p4
-

u1
un
u1

un

u1

un

2.8

AJUSTE DE DISTRIBUIES ESTATSTICAS

Um aspecto importante do trabalho com variveis aleatrias o ajuste de uma determinada curva de
distribuio estatstica a um histograma, obtido experimentalmente ou atravs de simulao de Monte
Carlo. Em muitos casos, trata-se tambm de ajustar uma curva de distribuio analtica a um srie de
pontos, calculados numericamente, de uma curva de distribuio . Em ambos os casos, o procedimento
envolve trs etapas: a seleo de um modelo de distribuio estatstica (hipottico), a determinao
dos parmetros deste modelo e, finalmente, algum tipo de teste para verificar a qualidade do ajuste.
Em geral, o procedimento ligeiramente distinto quando se ajusta uma distribuio a um histograma e quando se faz um ajuste de curva a um conjunto de pontos obtidos numericamente. Ambos
sero estudados a seguir.

2.8.1

Ajuste a um histograma

O ajuste de uma curva de distribuio estatstica a um histograma contendo amostras de uma populao requer a seleo de um modelo de distribuio de probabilidades hipottico. Ao deparar-se com
o histograma de determinada varivel, o analista formula a hiptese (exemplo):
hiptese :
a varivel segue uma distribuio normal com parmetros N (, )
A tarefa ento passa a ser determinar os parmetros do modelo hipottico e verificar a qualidade
do ajuste e da hiptese de distribuio de probabilidades adotada.
No assim chamado mtodo dos momentos (method of moments, Benjamin e Cornell, 1970), os
momentos da distribuio so aproximados pelos momentos da amostra (histograma). Para n pontos
na amostra, tem-se:
n

'

1X
xi
n i=1

'

1 X
(xi )2
n 1 i=1

(2.88)

O ajuste pode ser testado atravs dos chamados testes de hiptese (goodness-of-fit), como ser visto
mais adiante.
No mtodo da mxima propenso (maximum likelihood, Benjamin e Cornell, 1970), busca-se o modelo de distribuio (e respectivos parmetros) que mais provavelmente produziria (ou re-produziria) o
histograma observado. Esta comparao poder ser feita tanto em termos da funo de distribuio de
probabilidades como em termos da funo de probabilidades acumuladas. Para um histograma com
nb cestas (bins), a estattica 2 (chi-quadrado) da amostra :
2

nb
X
(Ni nfi )2

nfi

i=1

(2.89)

onde Ni o nmero de observaes na i esima cesta, e nfi o nmero de observaes esperadas,

em n realizaes, de acordo com o modelo hipotetizado:
Z x2
fi =
fX (x)dx
(2.90)
x1

e x1 e x2 so os limites da i esima cesta e fX (x) a funo de densidade de probabilidades do

modelo hipotetizado.
A estattica 2 tambm pode ser utilizada para o teste de hiptese do ajuste de distribuio.
Se nenhum termo nfi muito pequeno, a varivel 2 segue uma distribuio de chi-quadrado com
= nb np 1 graus de liberdade, onde np o nmero de parmetros da distribuio estimados
do mesmo conjunto de dados. possvel estimar a probabilidade P (/2, 2 /2) de que a soma de
quadrados das nb amostras com distribuio Gaussian padro seja maior do que 2 , o que vem a
ser a confidncia ou probabilidade de que as amostras foram obtidas da distribuio hipotetizada
74

(Zwillingner, 1996):
P (p, x) =

(p, x)
1
=
(p)
(p)

et tp1 dt

(2.91)

onde (p, x) e (p) so as funes Gamma incompleta e completa. O modelo de distribuio e seus
parmetros podem ser determinados de maneira a maximizar a medida de confidncia P (/2, 2 /2),
ou de maneira a minimizar a quantidade:
2min

= |E[2 ] 2 |
= | 2 |

(2.92)

Outro teste de hiptese muito til, baseado em distribuies de probabilidade acumuladas, o

teste de Kolmogorov-Smirnov ou teste KS (Benjamin e Cornell, 1970). A estattica utilizada neste
teste a mxima distncia entre a funo de probabilidade acumulada FX (x) do modelo hipottico e
o histograma cumulativo da amostra:
F = {Fi } = {i/n}, i = 1, ..., n
que fornece a frao de pontos esquerda do ponto xi , quando ordenados em ordem crescente. A
estattica de KS :
n
ks = max[|Fi FX (xi )|]
(2.93)
i=1

A distribuio da varivel KS, segundo a equao (2.93), independente do modelo de distribuio

hipottico, e seu nico parmetro o nmero de pontos n. A probabilidade de que a amostra foi
gerada do modelo hipotetizado dada por (Zwillingner, 1996):
P [KS > ks] = 2

X
2
2
(1)i1 e2i n ks

(2.94)

i=1

Ambos testes de hiptese para ajuste de distribuio apresentados tambm podem ser utilizados
para verificar modelo e parmetros obtidos pelo mtodo dos momentos.

2.8.2

Ajuste a pontos determinados numericamente

Muitas solues numricas na anlise de confiabilidade estrutural resultam em listas de valores:

x = {xi }, i = 1, ..., n
e valores correspondentes de uma curva de distribuio de probabilidades f = {fi } ou de probabilidades
acumuladas F = {Fi }. Numa soluo completamente numrica, um grande nmero n de pontos
deve ser utilizado, e os resultados so interpolados entre estes pontos. Em uma simplificao ou
desmembramento do problema, conveniente obter uma expresso analtica para descrever as curvas
de probabilidade definidas pelos pontos fi ou Fi . Tal procedimento pode ser realizado utilizando o
tradicional ajuste de curvas, uma vez escolhido um modelo de distribuio estatstica hipottico.
O procedimento tem suas semelhanas, mas no o mesmo, de que o ajuste de uma distribuio
estatstica a um histograma. Enquanto o histograma representa apenas uma amostra de uma populao (varivel aleatria), entre tantas possveis, as listas f e F representam a prpia funo de
distribuio da varivel aleatria. O ajuste de curvas clssico no se justifica para um histograma,
por ser este apenas uma amostra, mas se justifica no caso de f e F. necessrio tomar-se cuidado, no
entanto, com o fato de as curvas fi e Fi serem resultados numricos, que no necessariamente seguem
o comportamento de alguma das distribuies de probabilidade analticas conhecidas.
Uma distribuio de probabilidades pode ser ajustada a uma lista de pontos, por exemplo, minimizandose o erro em mdia quadrtica:
msf

n
X
(fi fX (xi ))2
i=1

msF

n
X
=
(Fi FX (xi ))2
i=1

75

(2.95)

onde fX (x) e FX (x) so as curvas de probabilidades analticas que se tenta ajustar aos dados.
Em analogia ao mtodo da mxima propenso, pode-se tambm realizar o ajuste minimizando a
funo:
2min

ou a funo:

= E[2 ] 2
i2
h
R xi
n
fX (x)dx
m (fi +f2 i1 ) (xi xi1 ) m xi1
X
R xi
=
m xi1
fX (x)dx
i=2

2min =

n
2
X
[m(Fi Fi1 ) m(FX (xi ) FX (xi1 ))]
i=2

m(FX (xi ) FX (xi1 ))

(2.96)

(2.97)

onde m um fator de multiplicao para fazer os termos nfi suficientemente grandes.

Em termos estatsticos, as expresses (2.96) e (2.97) so formalmente mais apropriadas do que
(2.95). Na prtica, no entanto, nota-se poucas diferenas entre estas alternativas.

2.9

DICAS DE PROGRAMAO

2.9.1

Uso de estruturas de dados para representar variveis aleatrias

2.9.2

Programao da funo normal padro acumulada

Avaliao numrica da funo [.]

No h soluo analtica exata para a funo de probabilidade acumulada:
2
Z y
1
z
exp
[y] =
dz
2
2

No entanto, existem expresses analticas para aproxim-la. Estas expresses so particularmente

importantes na programao da funo [.].
Uma expresso analtica :
2
y
z
;
[y] = 1 exp
2
2
2
y
z
exp
;
[y] =
2
2

y 0
0y

onde:
z
w

= w(p1 + w(p2 + w(p3 + w(p4 + wp5 ))))

1
=
1 + po |y|
76

e os valores pi so parmetros:

p=

+0.231641900
+0.319381530
0.356563782
+1.781477937
1.821255978
+1.330274429

Esta expresso apresenta um erro mximo 7.5 108 .

Avaliao numrica da funo inversa y = 1 [u]:
O clculo faz uso da simetria da funo inversa.
Para 0 u 0.5 tem-se:
z

s
1
=
ln 2
u

= z

p1 + z(p2 + z(p3 + z(p4 + z(p5 ))))

q1 + z(q2 + z(q3 + z(q4 + z(q5 ))))

Para 0.5 u 1.0 utiliza-se:

z

s
=
ln

= +z +

1
(1 u)2

p1 + z(p2 + z(p3 + z(p4 + z(p5 ))))

q1 + z(q2 + z(q3 + z(q4 + z(q5 ))))

Os parmetros pi e qi so:

0.3222324310880

1.0000000000000

0.3422422088547
p=

0.2042312102450 101
0.4536422101480 104

q=

77

0.9934846260600 101
0.5885815704950
0.5311034623660
0.1035377528500
0.3856070063400 102

78

Captulo 3

INTRODUO
CONFIABILIDADE
ESTRUTURAL
3.1

REQUISITOS DE SISTEMAS ESTRUTURAIS

Estruturas e elementos estruturais so projetados construdos e mantidos de modo a cumprir uma

determinada funo (estrutural). Esta funo deve ser cumprida: a) durante um determinado perodo,
chamado de vida til ou vida de projeto; b) com um nvel adequado de segurana e c) de maneira
economicamente vivel.
Em particular, estruturas e elementos estruturais devem cumprir os seguintes requisitos bsicos:
requisito de servio: uma estrutura deve manter-se em condies apropriadas para a execuo
da funo qual se destina durante todo o perodo de vida til;
requisito de segurana: uma estrutura deve suportar carregamentos extremos espordicos e
carregamentos repetitivos aos quais a mesma esteja sujeita dentro do perodo de vida previsto, sem
entrar em colapso ou apresentar severos danos permanentes;
requisito de robustez: uma estrutura no deve ser danificada por eventos acidentais como
incndio, exploses, impacto, terremotos ou erros humanos de maneira desproporcional severidade
do evento causador do dano.
Em geral, os requisitos bsicos so atendidos atravs de projeto e dimensionamento adequados.
Estes requisitos podem ser endereados inteiramente atravs de consideraes tecnolgicas, i.e., sem
levar em conta aspectos econmicos ou sociais. No entanto, facil perceber que estes 3 requisitos so
diretamente conflitantes com interesses econmicos e sociais. Se o nvel de segurana for excessivo, o
custo da estrutura e a viabilidade econmica da mesma podem ser comprometidos. Por outro lado,
se o nvel de segurana for insuficiente, a aceitao da estrutura (ou do risco que ela representa) por
parte do pblico ou usurio fica comprometida. Note-se que esta questo est implcita quando se fala
em nveis adequados de segurana. Sendo assim, estruturas e elementos estruturais devem satisfazer
ainda aos seguintes requisitos:
requisito econmico: uma estrutura deve atender aos trs requisitos bsicos sem comprometer
sua capacidade de gerar lucro, sob pena de tornar-se economicamente invivel;
requisito social: uma estrutura deve atender aos quatro requisitos anteriores com nveis de risco
aceitveis por parte do pblico ou usurio.
Para atender ao requisito econmico, deve-se levar em conta os custos de projeto, construo,
manuteno e operao da estrutura, bem como os custos (esperados) de falha. Em geral, isto representa uma anlise detalhada do compromisso entre segurana e o custo total esperado de uma
estrutura. Uma anlise deste tipo pode servir para a determinao do nvel adequado de segurana
para determinada estrutura.
Em geral, a escolha do nvel adequado de segurana deve levar em conta as conseqncias de falha
em termos de risco de morte ou danos sade, potencial para prejuzos econmicos e ambientais, e
inconvenincia social. Esta escolha deve ainda levar em conta o custo relativo e a convenincia de se
adotar medidas de reduo de risco. Sob esta lgica, medidas de reduo de risco que sejam baratas
e fceis de implementar nunca devem deixar de ser implementadas.
79

Neste captulo, descrevemos inicialmente a maneira como os requisitos bsicos de sistemas estruturais so formulados. Em seguida, a questo dos requisitos econmicos e sociais retomada.

3.2

ESTADOS LIMITES

Os requisitos bsicos de sistemas estruturais podem ser equacionados na forma de estados limites.
O no atendimento de um requisito de servio ou de segurana representa um estado indesejvel da
estrutura. Cada distinta maneira que possa levar a um estado indesejvel chamada, genericamente,
de um modo de falha. Cada modo de falha d origem a um estado limite. O termo falha utilizado nesta seo no seu sentido mais amplo, representando um estado indesejvel da estrutura em
relao a qualquer um dos requisitos bsicos estabelecidos. Os modos de falha e os estados limites
correspondentes representam modelos idealizados da falha de estruturas.
Os estados limites podem ser divididos em duas categorias principais:
estados limites ltimos: correspondem aos requisitos de segurana; envolvem a capacidade
mxima de carga ou de deformao da estrutura e que levam ao colapso ou dano grave e permanente
da mesma. Exemplos:
1. perda de equilbrio da estrutura ou parte da mesma por movimento de corpo rgido;
2. atingir capacidade mxima das sees, membros ou conexes, seja por ruptura ou deformao
excessiva;
3. ruptura de membros ou conexes por fadiga ou outros efeitos dependentes do tempo;
4. instabilidade da estrutura ou de partes da mesma;
5. mudana sbita de configurao (snap-trought);
6. formao de mecanismo plstico;
A ultrapassagem de um estado limite ltimo em geral irreversvel. Logo, a primeira ocorrncia
deste evento caracteriza falha da estrutura.
estados limites de servio: correspondem aos requisitos de servio da estrutura e a condies
normais de uso. Exemplos:
1. danos locais (formao de fissuras ou trincas) que afetam a durabilidade da estrutura bem como
a aparncia de membros estruturais e no estruturais;
2. dano causado por fadiga ou outros efeitos dependentes do tempo (corroso, desgaste, fluncia);
3. deformao em nvel no aceitvel, que afeta o uso eficiente ou a aparncia de membros estruturais ou no estruturais, ou ainda que afeta o funcionamento de equipamentos;
4. vibrao excessiva, que cause desconforto ao usurio ou afeta o funcionamento de equipamentos.
Os estado limites de servio podem ser reversveis ou irreversveis. Quando irreversveis, a primeira
ultrapassagem do estado limite caracteriza a falha. Quando reversveis, a falha pode ser caracterizada quando a passagem ao estado indesejvel acontecer em momento inoportuno, por perodo muito
prolongado, um nmero excessivo de vezes ou ainda qualquer combinao destes. Estados limite de
servio devem ser definidos utilizando critrios de utilidade.

3.2.1

Equaes de estado limite

Os estados limites e portanto os modos de falha de estruturas e de elementos estruturais podem ser
quantificados atravs de equaes chamadas de equaes de estado limite. Para cada estado limite da
estrutura, uma equao de estado limite g() escrita em funo das variveis de projeto X como:
g(X) = g(X1 , X2 , ..., Xn ) = 0

(3.1)

Estas equaes so definidas de tal forma que valores negativos representam falha e valores positivos
representam no falha da estrutura. Assim, as equaes de estado limite estabelecem, para cada modo
80

de falha, a fronteira entre os domnios de falha e no falha, ou a fronteira entre os estados desejvel e
indesejvel da estrutura:
Df
Ds

= {x|g(x) 0}
= {x|g(x) > 0}

(3.2)

O domnio de falha Df formado por todos os pontos do espao amostral de X (Rn ) que levam a falha
da estrutura, conforme representado na figura (3.2). O domnio de sobrevivncia Ds ou de condio
segura o conjunto complementar a este.
Um exemplo simples mas tpico um problema envolvendo apenas duas variveis, sendo elas
resistncia (R) e solicitao (S) ou ainda capacidade (C) e demanda (D):
g(R, S) = R S = 0
g(C, D) = C D = 0
Em geral, a equao de estado limite e portanto os domnios de falha e no falha podem ser funo
do tempo:
g(X, t) = 0
Df (t) = {x|g(x, t) 0}
Ds (t) = {x|g(x, t) > 0}

(3.3)

Isto acontece quando a equao de estado limite e o modo de falha correspondente so funes
do tempo, ou quando uma ou mais variveis do problema variam com o tempo (i.e., so processos
estocsticos).

3.3
3.3.1

MEDIDAS DE VIOLAO DE ESTADOS LIMITES

Coeficiente de segurana central

Considere o problema de um projetista, que deve projetar uma estrutura para determinada aplicao.
O problema do projetista consiste em dimensionar a estrutura e seus membros de tal forma que esta
atenda aos requisitos de servio e de segurana:
determinar R tal que R > S
sendo R e S duas variveis aleatrias. Isto pode ser feito atravs do procedimento usual (determinstico) de projeto que adota os chamados coeficientes de segurana. O coeficiente de segurana central
relaciona as mdias das variveis R e S:

0 = R
(3.4)
S
Este coeficiente (esta medida) no reflete a incerteza existente nas variveis R e S, e portanto
no reflete a segurana da estrutura. No existe qualquer confiana em relao aos valores R e S
utilizados nesta medida. A resistncia e a solicitao na estrutura real podem ser tanto maiores como
menores do que os valores R e S . Por exemplo, se a varivel R tem distribuio simtrica em torno
de R , ento as seguintes probabilidades existem:
P [{R < R }] = 0.5
P [{R > R }] = 0.5
O mesmo acontece com a varivel S. Como no h confiana nos valores utilizados para determinar-se
o coeficiente de segurana central, tambm no existe garantia que um determinado valor 0 seja
suficiente para garantir a segurana de uma estrutura.

3.3.2

Coeficientes de segurana parciais e valores caractersticos

Uma maneira de enderear o problema acima utilizar valores caractersticos mais significativos. Isto
pode ser feito atravs de fatores de segurana parciais, que provocam uma reduo da resistncia e
81

um aumento da solicitao, em considerao incerteza destas variveis. Para variveis normais, os

valores caractersticos so obtidos como:
rk
sk

= R kR R
= S + kS S

onde rk a resistncia caracterstica e kR uma constante que reflete a confiana associada com o valor
caracterstico rk (figura 3-5).O nvel de confiana associado s constantes k e aos valores caractersticos
assim obtidos determinado a partir da funo de distribuio cumulativa de probabilidades. Para
variveis normais, tem-se:
Tabela 3.1: Nveis de confiana para distribuio normal
Constantes kR e kS
Nvel de confiana
P [{R > rk }] = 1 FR (rk )
P [{S < sk }] = FS (sk )
1.000
0.841
1.645
0.950
2.000
0.977
3.000
0.999
Para distribuies estatsticas diferentes da normal, os valores caractersticos so obtidos em termos
da inversa da funo de distribuio cumulativa de probabilidades e do nvel de confiana pk desejado.
Sendo:
pk = P [{R > rk }] ou pk = P [{S < sk }]
tem-se:
rk
sk

= FR1 (1 pk )
= FS1 (pk )

Dividindo os valores caractersticos de solicitao e resistncia pelos valores mdios, obtm-se um

coeficiente de reduo da resistncia R e um coeficiente de aumento de carga S , muito utilizados
em normas tcnicas modernas:
R

rk
<1
R
sk
>1
S

Fixando o nvel de confiana desejado (pk ) e o valor mdio, obtm-se diferentes valores caractersticos e portanto diferentes valores dos coeficientes R e S em funo da distribuio de probabilidades.
As tabelas abaixo mostram os coeficientes R e S para diferentes distribuies estatsticas e para
diferentes valores do coeficiente de variao, para uma confiana de 95%. As tabelas ilustram como
as distribuies de probabilidades afetam os coeficientes R e S .
Tabela 3.2: Coeficientes de
Distribuio
C.O.V.
Normal
Lognormal
Gumbel
Frechet
Weibull
Gamma

reduo de resistncia R para confiana pk = 0.95 (95%).

R
0.1
0.2
0.3
0.4
0.5
0.8355 0.6710 0.5065 0.3421 0.1176
0.8445 0.7080 0.5910 0.4927 0.4112
0.8694 0.7389 0.6083 0.4778 0.3472
0.8802 0.7809 0.6999 0.6344 0.5818
0.8169 0.6470 0.4979 0.3736 0.2747
0.8414 0.6953 0.5608 0.4355 0.3416

Considere agora que os valores caractersticos rk e sk foram determinados para uma determinada
confiana (pk = 0.95 para confiana de 95%). Agora existe confiana (segurana) em relao aos
82

Tabela 3.3: Coeficientes de majorao de

Distribuio
S
C.O.V.
0.1
Normal 1.164
Lognormal 1.172
Gumbel 1.187
Frechet 1.187
Weibull 1.142
Gamma 1.170

carregamentos S para confiana pk = 0.95 (95%).

0.2
1.329
1.358
1.373
1.367
1.305
1.350

0.3
1.493
1.552
1.560
1.534
1.489
1.541

0.4
1.658
1.750
1.746
1.681
1.689
1.752

0.5
1.822
1.945
1.933
1.809
1.903
1.938

valores caractersticos rk e sk a utilizar no projeto. No entanto, como esta segurana no de 100%,

ainda pode ser necessrio adotar um coeficiente de segurana (parcial) adicional:
k =

rk

= R R
sk
S S

(3.5)

Este coeficiente, juntamente como os coeficientes R e S , so chamados de coeficientes de segurana

parciais. Seguramente, o coeficiente k poder ser menor do que 0 , mas sua utilizao ainda pode
ser necessria.
A equao (3.5) pode ser usada para estabelecer uma relao com o coeficiente de segurana central:
k =

R R

= R 0
S S
S

ou:
0 =

S
k
R

Se os valores caractersticos rk e sk forem entendidos como valores nominais ou valores de projeto,

ento os coeficientes parciais de segurana aqui apresentados se assemelham aos coeficientes adotados
em normas tcnicas. Importante observar que os coeficientes R e S so determinados em funo da
incerteza (ou da distribuio de probabilidades) das variveis R e S. J o coeficiente parcial k pode
ser utilizado para impor segurana adicional em funo do tipo de uso da estrutura, ou em funo da
gravidade do evento falha.
Observa-se que a escolha do nvel de confiana (segurana) e do coeficiente k a ser utilizado
subjetiva. Portanto, os fatores de segurana parciais tambm no forneem uma medida de violao
de estados limites. Apenas a probabilidade de falha, calculada como Pf = P [{R < S}], pode ser
considerada como uma medida de violao de estados limites.
Ainda assim, os fatores parciais de segurana so teis e muito utilizados em normas tcnicas. Em
normas tcnicas especficas, possvel converter probabilidade de falhas em coeficientes parciais de
segurana. De fato, isto tem acontecido na reviso e calibrao de normas de projeto, como ser visto
mais adiante.

3.3.3

Medidas probabilsticas de violao de estados limites

Uma medida probabilstica de violao de estados limites a probabilidade de falha. Para um problema
envolvendo apenas duas variveis aleatrias, resistncia R e solicitao S, a probabilidade de falha
dada por:
Pf

= P [{R S}]
= P [{R S 0}]

(3.6)

A avaliao desta probabilidade d origem ao que se chama de problema fundamental de confiabilidade.

Problema fundamental de confiabilidade
A equao (3.6) envolve a avaliao da probabilidade de que qualquer ponto (r, s) esteja dentro do
domnio que caracteriza a falha (evento {R S 0}). Esta probabilidade pode ser avaliada a partir
da equao (2.45):
83

Pf = P [(x, y) Df ] =

Z Z

fRS (r, s)drds

Df

onde fRS (r, s) a funo conjunta de densidade de probabilidades de R e S. O domnio de falha Df

limitado pela equao r = s, de forma que a integral resulta, segundo a figura (xx):
Pf =

fRS (r, s)drds

Se as variveis R e S forem estatsticamente independentes, tem-se:

fRS (r, s) = fR (r)fS (s)
Neste caso, a probabilidade de falha fica:
Pf =

fS (s)

Z
fR (r)dr ds =

fS (s)FR (s)ds

(3.7)

onde:
fS (s) = funo marginal de densidade de probabilidade da solicitao;
FR (s) = funo marginal de distribuio cumulativa de probabilidades da resistncia.
O integrando da expresso (3.7) representado na figura (3-7). A probabilidade de falha vem a
ser a rea sob a curva fS (s)FR (s). Esta rea proporcional, mas no idntica, area de interferncia
entre as distribuies de R e S, mostrada (hachurada) na figura (3-4). Por esta semelhana, este
problema tambm conhecido na literatura como o problema de interferncia entre populaes.
A figura (3-4) ilustra dois procedimentos que podem ser adotados em projeto para diminuir a
probabilidade de interferncia entre as distribuies, ou seja, para diminuir a probabilidade de falha
da estrutura. O efeito dos coeficientes de segurana o de afastar as mdias das distribuies, e corresponde a um super-dimensionamento da estrutura. A outra alternativa diminuir os desvio-padro
das variveis R e S. O desvio-padro da resistncia usualmente est relacionado com a variabilidade de
propriedades do material, e pode ser diminuido atravs do uso de materiais de melhor qualidade, com
propriedades mais homogneas. mais difcil controlar ou diminuir o desvio-padro da solicitao.
Margem de segurana
O problema fundamental de confiabilidade tambm pode ser resolvido atravs da varivel margem de
segurana (M ):
M =RS

(3.8)

Valores negativos da margem de segurana correspondem falha da estrutura, enquanto que valores
positivos indicam segurana. Um valor nulo da margem de segurana corresponde condio de
estado limite. Se R e S so variveis aleatrias, M ser tambm uma varivel aleatria. Neste caso,
pode-se calcular a probabilidade de falha a partir de M :
Pf = P [{M 0}] =

fM (m)dm = FM (0)

(3.9)

Esta probabilidade ilustrada na figura (3-8).

Se R e S so variveis aleatrias normais, pode-se resolver o problema analiticamente. Neste caso,
a distribuio de M tambm ser normal. Assumindo independncia entre R e S, os parmetros de
M so calculados por:
M
M

= R S
q
=
2R + 2S

(3.10)

A varivel M pode ser transformada em uma varivel normal padro Y (com mdia nula e desviopadro unitrio), fazendo:
84

Y =

M M
M

(3.11)

Esta transformao permite avaliar probabilidades associadas varivel M atravs da funo de

distribuio cumulativa normal padro, (). A probabilidade de falha resulta:
Pf

= P [{M 0}]

M
}
= P {Y
M

= M
M

(3.12)

Observa-se que na varivel Y , que possui mdia nula e desvio-padro unitrio, obtm-se uma
medida da probabilidade de falha. Esta uma medida geomtrica, pois corresponde distncia entre
o ponto m = 0 e a origem (mdia) da distribuio de Y, conforme a figura (3-9). Esta medida
chamada de ndice de confiabilidade, representada pela letra grega (beta) e dada pela razo M
:
M

M
S
= p R2
M
R + 2S

Nota-se que a expresso (3.13) estritamente vlida apenas para v.a.s R e S normais.
Incorporando os resultados anteriores, obtemos:

Pf = M = ()
M

(3.13)

(3.14)

Nesta expresso, observa-se que o ndice de confiabilidade est diretamente relacionado probabilidade de falha. O ndice de confiabilidade extrema importncia na confiabilidade estrutural. Os
resultados aqui apresentados sero amplamente utilizado nos prximos captulos, pois permites obter
a soluo de problemas envolvendo um nmero qualquer de variveis aleatrias.

3.4
3.4.1

FORMULAO DOS PROBLEMAS DE CONFIABILIDADE ESTRUTURAL

Carregamento estrutural

Para abordar de forma apropriada problemas de confiabilidade estrutural, fundamental perceber

que os carregamentos em estruturas variam ao longo do tempo. Desta forma, em um problema
de confiabilidade estrutural tpico, os carregamentos so representados por processos estocsticos.
Exemplos de carregamentos estruturais so:
1. cargas ambientais em geral (vento, ondas, correntes martimas, neve, chuva, etc.);
2. cargas dinmicas em geral (cargas de impacto, cargas de terremoto, carga mvel em pontes,
cargas produzidas por escoamento turbulento, vibraes livres e foradas em geral, etc.);
3. cargas cujo carcter estocstico de variao no tempo mais sutl, pois mudam lentamente
(carga de ocupao em prdios, nvel de agua em um reservatrio ou barragem, carga em pilares
de fundaes, presso do solo em barragens, etc);
4. e alguns poucos carregamentos que no mudam ao longo do tempo (peso prprio da estrutura,
etc.).
Fica claro que os carregamentos listados nos tens 1. e 2. acima devem ser representados atravs
de processos estocsticos dependentes do tempo. Isto tambm verdade, ainda que menos bvio,
para os carregamentos listados no tem 3. J os carregamentos que no mudam ao longo do tempo
(tem 4.) podem ser representados por variveis aleatrias. Como o carregamento estrutural tpico
um processo estocstico, o problema de confiabilidade estrutural tpico um problema dependente do
tempo. Um problema de confiabilidade dependente do tempo nada mais do que um problema que
envolve processos estocsticos.
85

Em problemas envolvendo um nico carregamento, estaremos interessados no mximo valor que

este carregamento atinge ao longo de determinado perodo de utilizao ou ao longo da vida til
da estrutura. Conforme verificado no captulo 7, o valor mximo de um processo estocstico em
determinado intervalo de tempo uma varivel aleatria. Isto permite converter um problema de
confiabilidade estrutural dependente do tempo em um problema independente do tempo.
Em geral, mais de um carregamento atua simultneamente em uma estrutura. Em alguns casos, pode-se utilizar tcnicas de combinao de carregamentos para determinar um carregamento
equivalente. Isto pode ou no permitir a converso para um problema de confiabilidade estrutural
independente do tempo.
Neste material, representamos um carregamento estrutural por Q(t), de maneira coerente com a
nomenclatura adotada para processos estocsticos, mas j diferenciando carregamentos das variveis
de resistncia (que so representadas por R). Em problemas envolvendo mais de um carregamento,
estes so representados por um vetor de processos estocsticos Q(t).

3.4.2

Resistncia estrutural

Em geral, a resistncia de estruturas e membros estruturais tambm varia com o tempo, ainda que de
forma mais lenta do que os processos de carregamento. A propagao de trincas de fadiga, a corroso
e o desgaste so fenmenos tpicos que levam reduo da resistncia ao longo do tempo. A cura do
concreto responsvel por um aumento da resistncia ao longo do tempo. A fluncia outro fenmeno
dependente do tempo que afeta a resistncia estrutural. Em problemas de confiabilidade estrutural,
trs situaes podem ocorrer em termos de variao da resistncia com o tempo:
1. a resistncia no muda ao longo do tempo, ou a variao to pequena que pode ser desprezada;
2. a resistncia varia de forma paramtrica (determinstica);
3. a variao da resistncia com o tempo um processo estocstico.
Na condio de resistncia invariante com o tempo, a mesma representada por um vetor de
variveis aleatrias, R.
Variao paramtrica da resistncia
Uma variao paramtrica de resistncia obtida quando a funo de variao de resistncia determinstica. Isto significa que a incerteza na resistncia pode ser representada por um vetor de variveis
aleatrias, R. Para cada realizao R = r do vetor de resistncia, uma curva determinstica de variao
da resistncia obtida, conforme ilustrado na figura (8-1). Considere o seguinte exemplo escalar:
R(t) = R0 (1 + At)

(3.15)

Neste simples exemplo, R0 a varivel aleatria que representa a resistncia inicial. Se a taxa de
variao A tambm uma varivel aleatria, ento diferentes curvas de variao da resistncia com
o tempo so obtidas para cada realizao A = a desta taxa. A resistncia R(t), neste caso, o
que se chama de um processo estocstico parametrizado. As funes de probabilidade e os momentos
estatsticos do processo R(t) mudam ao longo do tempo, mas toda a incerteza deste processo descrita
por duas variveis aleatrias, R0 e A.
Exemplos de variao paramtrica de resistncia em problemas estruturais so taxas de corroso
ou de propagao de trincas representadas por variveis aleatrias.
Variao estocstica da resistncia
Nos exemplos acima, quando a taxa de variao da resistncia com o tempo um processo estocstico,
a resistncia R(t) ser tambm um processo estocstico:
R(t) = R0 (1 + A(t)t)

(3.16)

Isto significa que a taxa de variao da resistncia muda ao longo do tempo, e portanto a variao
da resistncia com o tempo no mais determinstica. Torna-se necessrio determinar, atravs do uso
de ferramentas apropriadas, a maneira como as distribuies de probabilidade de R(t) mudam ao longo
do tempo. Em geral, isto significa resolver um problema de equaes diferenciais estocsticas, o que
86

est fora do escopo deste texto. O resultado, no entanto, uma funo de densidade de probabilidades
que varia com o tempo, chamada de funo de densidade de probabilidades transitria (Transition
Probability Density), fR (r, t).
Exemplos de variao estocstica de resistncia estrutural so taxas de corroso ou de propagao
de trincas representadas por processos estocsticos.
Em geral, a variao (estocstica) da resistncia com o tempo lenta em comparao com a
variao dos processos de carregamento. Isto significa que, em alguns casos, possvel representar um
processo de variao como o descrito na equao (3.16) por um processo aproximado como na equao
(3.15).
Como pode-se imaginar, a soluo de problemas de confiabilidade muito mais simples quando a
variao de resistncia paramtrica.

3.4.3

Nvel da anlise de estado limite

Em geral, uma anlise de estado limite pode ser feita a nvel de material, a nvel de membros estruturais
ou a nvel estrutural. O nvel de anlise corresponde ao espao ou dimenso na qual a comparao
entre solicitao e resistncia realizada.
Nos problemas de engenharia mecnica, envolvendo componentes estruturais, esta comparao
geralmente realizada a nvel de material, conforme ilustrado na figura (3-12). Os efeitos de carregamento so tenses, deformaes e fatores de intensidade de tenses (KI ). A resistncia determinada
diretamente a partir de valores destes efeitos que so crticos para o material. A anlise a nvel de
material realizada nos pontos crticos do componente estrutural.
J na engenharia civil, comum a comparao entre solicitao e resistncia ser realizada a nvel
de elementos estruturais. Neste caso, os efeitos de carregamento so os esforos internos solicitantes.
A resistncia determinada a partir de um modelo que determina os esforos internos resistentes em
funo das dimenses do elemento e da resistncia dos materiais que o compem. Em estruturas de
prticos, por exemplo, a solicitao dada por um momento fletor solicitante, e a resistncia pode ser
o momento elstico ou o momento para formao de uma rtula plstica. Este nvel de anlise um
nvel intermedirio, conforme ilustrado na figura (3-12), onde tanto a resistncia como a solicitao
so obtidos atravs de modelos:

S(t) = efeito de carregamento [Q(t)]

R(t) = funo de resistncia [R,t]

(3.17)

Um terceiro nvel de anlise corresponde resposta de estrutura como um todo. A comparao

entre resistncia e solicitao neste caso feita em termos de um deslocamento crtico ou carregamento
crtico.
Independentemente do nvel da anlise, a comparao entre resistncia e solicitao realizada em
termos de uma varivel escalar, conforme fica evidente na equao (3.17):
g(R, S, t) = funo de resistncia [R,t] efeito de carregamento [Q(t)]
= R(t) S(t)

(3.18)

Note que o estado limite em geral um grandeza escalar, ainda que isto no esteja explicito em uma
equao da forma g(R, S, t) = 0.
importante observar ainda que na soluo de problemas multi-dimensionais, no necessrio (e
muitas vezes impossvel) colocar a equao de estado limite na forma escalar explicita da equao
(3.18).

3.4.4

O papel do parmetro tempo em problemas de confiabilidade estrutural

Em problemas estruturais, carregamentos que no variam ao longo do tempo do origem a problemas

estticos, enquanto que carregamentos dependentes do tempo levam a problemas dinmicos. Em confiabilidade, um problema dependente do tempo aquele que envolve processos estocsticos, enquanto
que um problema que envolve apenas variveis aleatrias dito independente do tempo. importante
observar, no entanto, que estes dois nveis de dependncia com o tempo so independentes. Pode-se
87

encontrar problemas de confiabilidade dependente do tempo nos quais a resposta mecnica tipicamente esttica, assim como temos problemas de confiabilidade independentes do tempo nos quais a
resposta mecnica dinmica.
O caso de independncia conjunta do tempo trivial, e envolve uma resposta estrutural esttica
em um problema caracterizado por variveis aleatrias.
Um processo estocstico de carregamento que varia lentamente com o tempo d origem a um
problema de confiabilidade estrutural dependente do tempo onde a resposta da estrutura esttica.
Um exemplo tpico deste tipo de carregamento a carga til em prdios, que varia aleatriamente
conforme as idas e vindas dos inquilinos.
A resposta transiente de uma estrutura sujeita a um carregamento de impacto representado por
uma varivel aleatria um exemplo de problema de confiabilidade independente do tempo no qual a
resposta estrutural dinmica.
Por fim, uma estrutura sujeita a carregamentos estocsticos representa um problema dinmico
de confiabilidade estrutural dependente do tempo. Este tipo de problema tambm chamado de
problema de vibraes aleatrias.
Como pode ser imaginado, a soluo de problemas de confiabilidade estrutural dependente do
tempo, i.e., envolvendo processos estocsticos, mais trabalhosa do que a soluo de problemas
envolvendo apenas variveis aleatrias. Na prxima seo, a fomulao de um problema estrutural
tpico, de confiabilidade dependente do tempo, apresentada.

3.5

PROBLEMA DE CONFIABILIDADE DEPENDENTE

DO TEMPO

Conforme vimos, carregamentos estruturais tpicos so representados por processos estocsticos, de

forma que o problema de confiabilidade estrutural tpico um problema dependente do tempo. A
figura (8-1) ilustra um problema escalar deste tipo. Esta ilustrao reflete a dependncia do problema
em relao varivel tempo, mas no reflete a multi-dimensionalidade do problema em termos das
dimenses dos vetores R e S(t).
As equaes de estado limite em um problema tpico correspondem a modos de falha dependentes
do tempo:
g(R, S, t) = 0
Conforme vimos, os domnios de falha e sobrevivncia neste caso tambm so funes do tempo:

Df (t) = {(r, s)|g(r, s, t) 0}

Ds (t) = {(r, s)|g(r, s, t) > 0}

(3.19)

O problema de confiabilidade estrutural dependente do tempo corresponde avaliao da probabilidade de que o processo estocstico de carregamento S(t) exceda a resistncia R(t) da estrutura a
qualquer instante durante o perodo T de vida til da mesma. Como qualquer ocorrncia deste evento
leva a falha da estrutura, independentemente do instante t em que ocorra, a probabilidade de falha
calculada a partir do mnimo valor da equao de estado limite durante o perodo de interesse:

Pf (T ) = P min g(R, S, t) 0
(3.20)
0tT

Em geral, no estamos interessados no particular instante t em que a falha ocorre, mas sim na primeira
ocorrncia do evento S(t) > R(t). Falamos, neste caso, em um modelo de falha primeira sobrecarga,
que ser estudado no captulo 8.
Para um determinado tempo t, uma probabilidade de falha instantnea pode ser calculada integrandose a funo conjunta de distribuio de probabilidades sobre o domnio de falha:
Z
Pfinstantnea (t) =
fRS (r, s, t)drds
(3.21)
Df (t)

Esta a probabilidade de que uma sobrecarga ocorra exatamente no instante t. importante observar
88

que tal probabilidade de falha no pode ser integrada no tempo! Basta observar que, para qualquer
valor desta probabilidade, existe um tempo T maior que zero tal que a probabilidade resultante seria
maior do que um! Isto ocorre porque as probabilidades de ocorrncia de uma sobrecarga em dois
intantes distintos t1 e t2 so eventos dependentes, i.e., uma sobrecarga s pode ocorrer em um instante
t2 > t1 se no tiver ocorrido no instante t1 .
Quando o processo de carregamento S(t) estacionrio e no existe variao da resistncia ao
longo do tempo, o problema de confiabilidade estacionrio, o que significa que as probabilidades que
caracterizam o problema no mudam ao longo do tempo. A variao da resistncia com o tempo e/ou
um carregamento no estacionrio tornam o problema de confiabilidade no-estacionrio.
A tabela 3.4 ilustra os diferentes mtodos de soluo de problemas de confiabilidade dependente
do tempo.

Tabela 3.4: Mtodos de soluo de problemas de confiabilidade dependente do tempo

Problema
Nmero
Tipo
Mtodo de soluo
soluo
de cargas
envolve
Estacionrio
1
qq
Integrao no tempo
VA
n
qq
Regra de Turkstra
VA
No estacionrio 1
qq
conf. dependente do tempo PE
ou estacionrio
n
discretas
combinao carregamentos PE e VA
n
qq
point-crossing formula
PE e VA
n
continuas out-crossings
PE e VA*
VA = variveis aleatrias; PE = processos estocsticos. *ou simulao direcional
Estes mtodos sero estudados no captulo 8. A tabela mostra que vrios mtodos de soluo de
problemas dependentes do tempo fazem uso de solues envolvendo apenas variveis aleatrias. Em
outras palavras, a soluo dos problemas dependentes do tempo exige a soluo de um ou mais problemas independentes do tempo. Como a soluo de problemas envolvendo apenas variveis aleatrias
tambm mais simples, estes problemas sero estudaremos primeiramente.

3.6

PROBLEMA DE CONFIABILIDADE INDEPENDENTE

DO TEMPO

Um problema estrutural envolvendo apenas variveis aleatrias chamado de um problema independente do tempo. Em geral, as variveis aleatrias so de resistncia ou de solicitao. Por isto, a
diferenciao com as letras R e S evitada, e o vetor de variveis aleatrias que caracteriza o problema
simplesmente chamado de X.
Em termos das variveis de projeto, a equao de estado limite :
g(X) = g(XR , XS ) = g(X1 , X2 , ..., Xn ) = 0

(3.22)

O domnio de falha o conjunto de todos os valores que X pode assumir e que levam a falha da
estrutura, conforme representado na figura 3.2. O domnio de sobrevivncia ou de operao segura
o conjunto complementar a este:
Df
Ds

= {x|g(x) 0}
= {x|g(x) > 0}

(3.23)

A probabilidade de falha obtida integrando-se a funo conjunta de densidade de probabilidades

fX (x) sobre o domnio de falha (equao 2.45):
Z
Pf =
fX (x)dx
(3.24)
Df

Nos prximos captulos, estudaremos diferentes mtodos de soluo do problema formulado na

equao (3.24). Estes mtodos sero empregados na soluo de problemas dependentes do tempo,
envolvendo processos estocsticos. A tabela 3.5 resume os mtodos de soluo de problemas de
confiabilidade estrutural independente do tempo.
89

Tabela 3.5: Mtodos de soluo de problemas de confiabilidade independente do tempo

Nvel
de Mtodo
de Distribuies
Funes de es- Incerteza em Resultado
anlise
cculo
de probabili- tado limite
parametros
dade
1:
Normas Calibrao
No so uti- Usualmente
Fatores arbi- Fatores de setcnicas
com tcnicas lizadas
linear
trrios
gurana parcinvel 2 ou 3
ais
2:
Mtodos Algebra
de Apenas dis- Linear,
ou Includa como Probabilidade
de
segundo segundo
tribuio
aproximada
VA Normal
de
falha
momento
momento
Normal
como tal
nominal Pf N
3:
Mtodos Transformao Distribuio
Linear,
ou Includa como Probabilidade
exatos
normal equiv. aproximada
VA
de falha Pf
como tal
Integrao
Utilizao ple- Qualquer fornumrica
e na
ma
simulao
4: Mtodos de
Qualquer mt. mais inform.
Custo mnimo
deciso
acima,
de custos

3.7

Programas de confiabilidade estrutural existentes

Atualmente, existem a nvel mundial alguns poucos programas para a soluo de problemas de confiabilidade estrutural. Os programas mais importantes so apresentados na tabela 3.6:

Programa
NESSUS
PROBAN
STRUREL
ISPUD
CALREL
COMPASS

Programa
NESSUS
PROBAN
STRUREL
ISPUD
CALREL
COMPASS

Tabela 3.6: Programas de confiabilidade estrutural

Origem
Lanamento
Southwest Research Institute, Texas
1989
DnV/Veritas Sesam Systems, Noruega 1989
RCP Gmbh, Alemanha
1992
University of Innsbruck, Austria
1986
University of California, Berkeley
1989
Martec Limited, Halifax, Canada
1992
*Licensa anual.

Preo (US$)
20.000,00
20.000,00
10.000,00*
2.200,00*
1.100,00*
2.500,00

Tabela 3.7: Caractersticas dos programas de confiabilidade estrutural

Caractersticas
Mdulo de EF probabilsticos integrado; modelagem de campos estocsticos; iterface
com programas de EF comerciais: ANSYS, NASTRAN.
Parmetros com distribuio aleatria; mdulos especiais para inspeo e
manuteno; confiabilidade de sistemas.
Problemas de confiabilidade dependente do tempo; integrado com pacote de EF
prprio; anlise estatstica de dados.
Integrao numrica adaptativa, amostragem por importncia.
Interface com pacote de EF prprio (CALREL-FEAP).
Interface com pacote de EF prprio (STOVAST).

90

3.8

FIGURAS

MODELO PROBABILSTICO
DE DISTRIBUIO
(def. freqentista)

SISTEMA FSICO,
PROBLEMA DE
ENGENHARIA

PARMETROS OU
VARIVEIS DO
PROBLEMA

MODELO
COMPORTAMENTAL
SIMPLIFICADO

TEORIA DE
PROBABILIDADES
(def. axiomtica)

MODELO MATEMTICO
(eq. diferenciais e algbricas)

SOLUO
ANALTICA

MODELO
NUMRICO
SOLUO
NUMRICA

TOMADA DE DECISES NA
PRESENA DE INCERTEZAS
(interpretao Bayesiana)

RESPOSTA DO SISTEMA

TOMADA DE DECISES

Figura 3-1: Papel da teoria de probabilidades na soluo de problemas de engenharia.

MDULO DE CONFIABILIDADE

MDULO MECNICO
Definio do valor dos parmetros
de projeto (ponto X = x) onde a
equao de estado limite (resposta
mecnica) deve ser avaliada

Determina a resposta da
estrutura:
esforos;
deslocamentos;
tenses;
deformaes;

Avaliao da equao de estado

limite:

g ( x) = ?

sim

Mais pontos necessrios?

no

Clculo da probabilidade de falha:

Pf = P[ g (x) < 0]

Figura 3-2: Independncia entre mdulos de analise mecnica e de confiabilidade.

91

f X (x)

x2
g (x) = 0
g (x) 0
domnio de falha

g (x) > 0
domnio de segurana

x1

Figura 3-3: Equao de estado limite e domnios de falha e no-falha.

0.5

f S (s)

fRHrL,fSHsL

0.4

f R (r )

0.3

0.2

0.1

Interferncia
0

4
6
8
Solicita o e Resist ncia

10

0.5

0.5

0.4

0.4

0.3

0.3

0.2

fRHrL

fSHsL

Figura 3-4: Problema fundamental de confiabilidade (interferncia entre populaes).

sk = S + kS S

0.1

0.2

rk = R k R R

0.1
0

4
6
Solicita o

10

4
6
Resist ncia

Figura 3-5: Valores caractersticos de resistncia e solicitao.

92

10

k, R, S

1.75

1.5
1.25
1
0.75

0.5
0.5

0.6

0.7
0.8
N vel de Confian a

0.9

Figura 3-6: Variao dos fatores de segurana parciais com o nvel de confiana pk para problema com
S N (4, 1) e R N (8, 1).

1.2

0.8

fSHxLFRHxL 103

FRHxL,fSHxL

0.6
0.4
0.2

1
0.8
0.6
0.4
0.2

2
4
6
8
Solicita o e Resist ncia

10

10

Figura 3-7: Produto fS (x)FR (x), integrando do problema fundamental de confiabilidade.

f M (m)

area = Pf
m
Figura 3-8: Probabilidade de falha em fun o da margem de segurana.
93

fY ( y )

area = Pf

= M / M

Figura 3-9: Probabilidade de falha em termos da varivel normalizada Y .

r, s
f R ( r , t0 )

f S ( s, t )

r (t ) = realizao de R (t )

s ( t ) = realizao de S (t )

Figura 3-10: Problema de confiabilidade estrutural tpico envolvendo carregamento estocstico e variao da resistncia no tempo.

r, s
f R0 ( r )

realizaes de R(t )

r1 (t )
f S ( s, t )

realizao de S (t )

r2 (t )
r3 (t )

Figura 3-11: Problema de confiabilidade estrutural com variao paramtrica da resistncia.

94

CARREGAMENTO Q(t)
Resposta estrutural
Solicitao em termos de
esforos internos
S(t) = efeito de carregamento[Q(t)]

Comparao a nvel
de elemento

Resistncia de
elementos estruturais
R(t) = funo de resistncia [R,t]
Modelo de resistncia

Resposta estrutural
Solicitao a nvel de material
(tenses, deformaes , KI )
S(t) = efeito de carregamento[Q(t)]

Comparao a nvel
de material

Resistncia de material
(tenses crticas, def. crticas, KIC )
R(t) = funo de resistncia [R,t]

Resposta estrutural
Somatrio de deformaes
ao longo da estrutura
(deslocamentos)

Comparao a nvel
de estrutura

Deslocamento
crtico

RESISTNCIA R

Figura 3-12: Nveis de anlise em que a comparao solicitao x resistncia pode ser feita.

95

96

Captulo 4

MTODOS DE
TRANSFORMAO
A soluo de problemas de confiabilidade estrutural envolvendo variveis aleatrias, tal qual formulado
na equao (3.24), envolve a determinao ou uma aproximao da funo conjunta de densidade de
probabilidades, fX (x), bem como aproximaes do domnio de integrao. Os diferentes mtodos de
soluo correspondem a diferentes nveis destas aproximaes.
Em geral, no se possui observaes que permitam determinar diretamente a funo conjunta de
densidades fX (x) das variveis aleatrias de um problema. Isto significa que esta funo deve ser
construda com base na informao existente, o que na maioria dos problemas se limita informaes
sobre as funes de distribuio marginais, e em alguns casos ao coeficiente de correlao entre pares
de variveis.
No mtodo de primeira ordem e segundo momento ou FOSM - First Order Second Moment a equao de estado limite aproximada por uma funo linear, e a informao estatstica para
construo da funo conjunta de distribuio fX (x) se limita aos momentos de segunda ordem (mdia
e desvio-padro). Esta representao em segundo momento equivalente a assumir todas as variveis
do problema independentes e com distribuio Gaussiana. Tal hiptese pode ser bastante limitante
na soluo de problemas prticos. Ainda assim, o estudo do mtodo de segundo momento se justifica
pelo fato de apresentar os principais elementos utilizados nos demais mtodos de transformao.
No mtodo de confiabilidade de primeira ordem ou FORM - First Order Reliability Method toda a informao estatstica a respeito das variveis aleatrias do problema utilizada. Isto inclui
distribuies marginais no Gaussianas bem como os coeficientes de correlao entre pares de variveis.
O domnio de integrao na equao (3.24) ainda aproximado por uma funo linear. O mtodo
de confiabilidade de segunda ordem ou SORM - Second Order Reliability Method - utiliza a mesma
informao estatstica para construo da funo conjunta de densidades, mas aproxima a equao de
estado limite por uma equao de segundo grau.
Neste captulo, estudaremos inicialmente o mtodo de segundo momento (FOSM), e em seguida
os mtodos de primeira e de segunda ordem (FORM e SORM).

4.1
4.1.1

FOSM - MTODO DE PRIMEIRA ORDEM E SEGUNDO MOMENTO

A transformao de Hassofer e Lind

Os mtodos de transformao (FOSM, FORM e SORM) esto baseados em uma transformao fundamental dada pela equao:
Yi =

Xi Xi
Xi

(4.1)

A equao (4.1), conhecida como transformao de Hassofer e Lind, transforma um conjunto de variveis Gaussianas X, com mdia e desvios-padro quaisquer, em um conjunto Y de variveis aleatrias
Gaussianas com mdia nula e desvio padro unitrio. A funo conjunta de distribuio de probabil97

idades fY (y) chamada de distribuio Gaussiana padro multi-varivel ou multi-dimensional:

1
1
2
n (y) =
exp kyk
2
(2)n/2
p
onde kyk = yT y a norma Euclidiana do vetor y. Esta distribuio possui importantes propriedades de simetria e decaimento exponencial em relao origem, que so exploradas na soluo
via FOSM e FORM..

4.1.2

Interpretao geomtrica do ndice de confiabilidade

Uma interpretao geomtrica do ndice de confiabilidade obtida aplicando-se a transformao de

Hassofer e Lind ao problema de confiabilidade fundamental (equao 3.6). O problema ilustrado na
figura (4-1). Transformando-se as variveis R e S nas variveis Y1 e Y2 , atravs da equao (4.1), a
expresso da margem de segurana se torna:
m(y1 , y2 ) = r s = y1 R + R y2 S S

(4.2)

Fazendo m(y1 , y2 ) = 0 e isolando y2 na expresso (4.2), obtm-se:

y2 =

y1 R + R S
S

(4.3)

O quadrado da distncia entre um ponto qualquer (y1 , y2 ) e a origem do espao normal padro Y
d2 = y12 + y22 . Derivando em relao a y1 e igualando a zero, obtm-se a condio de mnimo:
y2
y1
R
2y1 + 2y2
S

2y1 + 2y2

= 0
= 0

Utilizando a equao (4.3), obtm-se a coordenada y1 do ponto sobre a equao m(y1 , y2 ) = 0

mais prximo da origem:
R
S
R (R S )
=
2R + 2S

y1

= y2

Considerando novamente a distncia d2 = y12 + y22 , derivando em relao a y2 e igualando a zero, e

utilizando a equao (4.3), obtm-se a coordenada y2 do ponto sobre m(y1 , y2 ) = 0 mais prximo da
origem:
y2

S
R
S (R S )
2R + 2S

= y1
=

Reunindo os dois resultados, temos as coordenadas do ponto sobre m(y1 , y2 ) = 0 mais prximo da
origem:
( S )
( R , S )
(4.4)
(y1 , y2 ) = R
2R + 2S
Substituindo este resultado em d2 = y12 + y22 e tomando a raiz, obtm-se uma expresso para a mnima
distncia entre a equao m(y1 , y2 ) = 0 e a origem do espao normal padro Y (veja figura 4-2):
S
dmin = p R2
R + 2S

(4.5)

Observa-se que este resultado idntico expresso do ndice de confiabilidade , obtida na

equao (3.14). Pode-se generalizar este resultado dizendo que o ndice de confiabilidade corresponde
mnima distncia entre a equao de estado limite e a origem do espao normal padro:
98

 = dmin

(4.6)

Como a probabilidade de falha calculada a partir do ndice de confiabilidade:

Pf = ()

(4.7)

verifica-se que o ndice de confiabilidade uma medida geomtrica da probabilidade de falha. Este
resultado pode ser utilizado para formular uma definio do ndice de confiabilidade :
Definio 36 O ndice de confiabilidade uma medida geomtrica da probabilidade de falha,
que corresponde mnima distncia entre a equao de estado limite e a origem do espao normal
padro Y.
Este resultado muito importante, pois permite que problemas de confiabilidade independente do
tempo sejam resolvidos utilizando algoritmos de otimizao.

4.1.3

O ponto de projeto

O ponto (y1 , y2 ) sobre a equao de estado limite que corresponde minima distncia origem
(equao 4.4) chamado de ponto de projeto, e habitualmente indicado por um asterisco ( ). O
ponto de projeto vem a ser o ponto sobre o domnio de falha com maior probabilidade de ocorrncia,
como ser visto.
A transformao para o espao normal padro d origem a uma distribuio multi-normal padro
fY (y), a qual possue simetria radial, e cujas curvas de equi-probabilidade so crculos concntricos
centrados na origem (figura 4-2). Na figura pode-se identificar o fato de que o ponto sobre o domnio
de falha com a maior probabilidade de ocorrncia aquele que intercepta a linha de equi-probabilidade
de maior contedo de probabilidade. Devido forma circular das linhas de equi-probabilidade, este
tambm o ponto sobre a equao de estado limite mais prximo da origem. Isto acontece porque a
funo de densidade multi-normal padro decai exponencialmente com a distncia radial da origem,
enquanto que a distncia origem aumenta de forma quadrtica. Portanto, o ponto de projeto o
ponto sobre o domnio de falha com maior probabilidade de ocorrncia.
Este resultado tambm muito importante. Por ser o ponto sobre o domnio de falha com maior
probabilidade de ocorrncia, o ponto de projeto tambm o ponto ideal para se realizar a linearizao
da equao de estado limite, quando esta for no-linear.

4.1.4

Equao de estado limite linear

Os resultados obtidos acima so facilmente extrapolados problemas envolvendo um numero n de

variveis de projeto e uma equao de estado limite linear. Neste caso, a equao de estado limite
g(x) = 0 passa a ser um hiper-plano. A transformao de Hassofer e Lind tem a propriedade de
preservar a linearidade da equao de estado limite. Portanto, a equao de estado limite no espao
Y, g(y) = 0 tambm um hiper-plano.
Os cossenos diretores do hiper-plano so obtidos dividindo-se o vetor gradiente pelo mdulo do
mesmo:
=
onde o vetor gradiente:
g(y) =

g(y)
kg(y)k

g
g g
,
, ...,
y1 y2
yn

(4.8)

constante (funo linear).

O ponto de projeto y o ponto sobre a equao de estado limite mais prximo da origem do
espao Y. Neste ponto, o gradiente da equao de estado limite se projeta sobre a origem, de forma
que:
y =
99

(4.9)

onde a distncia entre y e a origem do espao Y. As coordenadas do hiper-plano no espao Y

podem ser escritas como:
g(y) = +

n
X

i yi = 0

(4.10)

i=1

A equao correspondente no domnio de projeto X obtida aplicando a transformao (equao 4.1)

em (4.10):
g(x) =
Com uma mudana de variveis:
bi =

n
n
X
X
i
i
Xi +
xi = 0

X
i
i=1
i=1 Xi

i
;
Xi

b0 =

obtm-se:
g(x) = b0 +

n
X

n
X

bi Xi

i=1

bi xi = 0

i=1

que tambm uma funo linear em x. Tomando o valor esperado da funo g(X):
E[g(X)] = b0 +

n
X

bi Xi =

i=1

Tomando a varincia de g(X):

V ar[g(X)] =

n
X

b2i 2Xi

i=1

2
n
X
i
=
2Xi = 1

X
i
i=1

Portanto, o ndice de confiabilidade , calculado a partir da equao g(x) atravs da relao:

E[g(X)]
p
= =
1
V ar[g(X)]

(4.11a)

idntico ao ndice de confiabilidade calculado a partir de g(y). Portanto, o valor do indice

de confiabilidade independe do domnio de soluo. Em geral, esta observao s vlida para
equaes de estado limite lineares.

4.1.5

Equao de estado limite no-linear

Em geral, equaes de estado limite em problemas de confiabilidade estrutural so no-lineares. Nestes

casos, a soluo dividida em duas partes:
1. soluo de problema de otimizao para encontrar o ponto de projeto e o ndice de confiabilidade;
2. aproximao da equao de estado limite por um hiper-plano, no ponto de projeto.
Estas etapas so detalhadas a seguir.
Soluo de problema de otimizao
Conforme vimos, o ponto de projeto corresponde ao ponto sobre a equao de estado limite mais
prximo da origem. Portanto, ele pode ser encontrado a partir da soluo do problema de otimizao:
minimizar :
sujeito a :

d = (yT y) 2
g(y) = 0

(4.12)

onde d a distncia entre o ponto y e a origem. Este um tpico problema de otimizao com
restries. Utilizando um multiplicador de Lagrange , obtm-se um problema de otimizao sem
restries. O Lagrangeano deste problema :
100

minimizar: L(y,) = (yT y) 2 + g(y)

(4.13)

Um ponto estacionrio de (4.13) obtido derivando-se L(y,) em relao a y e a igualando todos

os termos a zero:
L
y
L

= yd1 + g(y) = 0

(4.14)

= g(y) = 0

(4.15)

A expresso (4.15) satisfeita automaticamente. A equao (4.14) leva as coordenadas do ponto

estacionrio yest :
yest = dg(y)
(4.16)

Assumindo que este ponto de estacionariedade seja um ponto de mnimo (o ponto de projeto y ), e
substituindo (4.16) em (4.12), obtm-se:
1/2

= (g T g)

= kgk

o que, substitudo em (4.16) leva a:

dmin =

g
y = T y
kgk

(4.17)

A seguir, mostramos que esta distncia mnima vem a ser o ndice de confiabilidade , obtido
atravs de uma linearizao da equao de estado limite no ponto de projeto.
Linearizao da equao de estado limite
Com uma expanso da equao de estado limite g(y) em srie de Taylor em torno de um ponto
qualquer yp , limitada aos termos de primeira ordem, obtm-se:

n
X
g(y)
ge(y) = g(y )+
(yi yip )

y
p
i
y=y
i=1
p

(4.18)

onde ge(y) a equao de estado linearizada. Tomando o valor esperado:

E[e
g (y)] = g(yp )

n
X
g(y)
yip

y
p
i
y=y
i=1

Se o ponto yp est localizado sobre a equao de estado limite (g(yp ) = 0), obtm-se:
E[e
g (y)] = g T yp
onde g o gradiente da equao de estado limite. Tomando a varincia da expresso (4.18), obtmse:
V ar[e
g (y)] =

n
X
i=1

!2

g(y)
= g T g
yi y=yp

(4.19)

Utilizando a definio do ndice de confiabilidade ( equao 4.11a) obtm-se:

=

g T yp
E[e
g (y)]
= T yp
1 =
(g T g)1/2
(V ar[e
g (y)]) 2

(4.20)

Este resultado identico equao (4.17) para yp = y . Portanto, a mnima distncia entre o
ponto de projeto e a origem corresponde ao ndice de confiabilidade para a equao de estado limite
linearizada, desde que a mesma seja linearizada no ponto de projeto.
Conforme visto, o ponto de projeto tambm o ponto sobre o domnio de falha com maior probabilidade de ocorrncia, o que significa que o maior contedo de probabilidades do domnio de falha est
101

na vizinhana deste ponto. Sendo assim, uma linearizao da equao de estado limite neste ponto
minimiza o erro cometido ao se calcular a probabilidade de falha em termos da equao linearizada.
Aproximao de primeira ordem da probabilidade de falha
Em resumo, a soluo de problemas envolvendo equaes de estado limite no lineares evolve a busca
pelo ponto de projeto e a aproximao da equao de estado limite por um hiper-plano centrado neste
ponto. Sendo a mnima distncia entre a equao de estado limite e a origem do domnio normal
padro, uma estimativa de primeira ordem da probabilidade de falha obtida como:
Pf1 = ()

(4.21)

Note que, conforme ilustrado nas figuras (4-2 e 4-3), a integral multi-dimensional sobre o domnio
de falha (equao ??) substituda por uma integral uni-dimensional na varivel d, sendo d a distncia
da origem na direo do ponto de projeto y .
O mtodo de primeira ordem no fornee estimativas para o erro cometido com a linearizao da
equao de estado limite. No entanto, este erro pode ser avaliado com base na figura (4-6). Nesta
figura, destaca-se que a preciso da aproximao de primeira ordem depende do grau de no-linearidade
da equao de estado limite no ponto de projeto. A rea hachurada na figura corresponde ao contedo
de probabilidade negligenciado com a aproximao de primeira ordem, e portanto corresponde ao erro
da aproximao. Ao interpretar-se esta figura, deve-se lembrar que o maior contedo de probabilidades
de fX (x) no domnio de falha est nas proximidades do ponto de projeto. Deve-se ressaltar ainda
que a aproximao de primeira ordem (equao4.21) assinttica, isto , ela melhora medida que
aumenta. Isto significa que, mesmo que o erro relativo ((Pf Pf1 ) /Pf ) permanea constante, o
valor absoluto do erro (Pf Pf1 ) tende a zero quando tende a infinito. O erro da aproximao
de primeira ordem tambm aumenta com o aumento do nmero de variveis aleatrias do problema
(Schuller e Stix, 1987).

4.1.6

Soluo numrica do problema de otimizao

A soluo de problemas de confiabilidade via FOSM (ou vai FORM), para equaes de estado limites
lineares ou no lineares, envolve a soluo de um problema de otimizao para busca do ponto de
projeto. Com este fim, qualquer algoritmo de otimizao capaz de resolver o problema expresso na
equao (4.12) pode ser utilizado.
Entre os critrios para escolha de determinado algoritmo, esto a generalidade, robustez e eficincia.
Meree destaque a eficincia, medida a partir do nmero de avaliaes da equao de estado limite
necessrios para a convergncia. Este nmero fundamental quando a equao de estado limite
dada de forma numrica, por exemplo atravs de um modelo de elementos finitos, pois cada avaliao
de g(x) corresponde a uma soluo do modelo de elementos finitos.
Um algoritmo muito conhecido o de Hassofer, Lind, Rackwitz e Fiessler, ou HLRF. Este algoritmo
continua muito popular, devido sua simplicidade, ainda que no seja necessariamente eficiente para
equaes fortemente no-lineares. Um ponto fraco deste algoritmo o fato de no existir garantia
de convergncia. Nas sees a seguir estudamos o algoritmo HLRF bem como uma modificao do
mesmo para o qual a convergncia pode ser garantida. Outros algoritmos que podem ser utilizados na
soluo do problema definido em (4.12) incluem: gradientes projetados, multiplicadores de Lagrange,
Lagrangeanos aumentados, programao quadrtica seqencial.
Algoritmo de Hassofer, Lind, Rackwitz e Fiessler
O algoritmo conhecido como algoritmo de Hassofer, Lind, Rackwitz e Fiessler, ou HLRF, foi desenvolvido especficamente para soluo do problema de otimizao em confiabilidade estrutural (Hasofer
e Lind, 1974, Rackwitz e Fiessler, 1978). Sua frmula recursiva est baseada na aproximao de um
ponto qualquer y superfcie g(y) = 0 e na perpendicularizao entre o vetor y e a superfcie g(y) = 0.
Seja yk um ponto inicial qualquer, mesmo fora da superfcie de falha, mas candidato a aproximar
o vetor perpendidular a g(y) = 0 passando pela origem. No ponto yk , uma expanso da equao de
estado limite em srie de Taylor com termos de primeira ordem leva a:
ge(yk+1 ) = g(yk ) + g(yk )T (yk+1 yk ) = 0
102

(4.22)

onde g(yk ) o gradiente da equao de estado limite (no domnio normal padro), avaliado no
ponto yk . Um novo ponto yk+1 encontrado sobre a equao linearizada, de forma que ge(yk+1 ) = 0,
conforme equao (4.22). Seja
k =

g(yk )
kg(yk )k

(4.23)

o vetor de cossenos diretores da equao

de estado limite avaliado no ponto yk , e k o valor inicial
q
T
do ndice de confiabilidade ( k = yk yk ). Da equao (4.9) temos yk = k k . Substituindo na
equao (4.22), obtm-se:
g(yk )T yk+1 = g(yk )T (k k ) g(yk )

(4.24)

Como o vetor de cossenos diretores k possui comprimento unitrio, a equao (4.24) no se altera
quando o segundo termo multiplicado por:
Tk k =
Portanto:

g(yk )T k
=1
kg(yk )k

g(yk )T yk+1 = g(yk )T (k k )

gy (yk )T k
g(yk )
kg(yk )k

Desta expresso pode-se eliminar a pr-multiplicao pela transposta do gradiente:

yk+1 = (k k )
Portanto, o novo ponto pode ser encontrado como:

k
g(yk )
kg(yk )k

yk+1 = k k +

g(yk )
kg(yk )k

(4.25)

Na expresso (4.25), o termo entre colchetes representa a nova aproximao do ndice de confiabilidade, ou k+1 . Esta expresso utilizada de forma iterativa, arbitrando-se um ponto inicial yk
qualquer, at atingir a convergncia em y ou em . Note que esta expresso depende de k , de k ,
do gradiente g(yk ) e do valor da funo no ponto k, g(yk ). A expresso (4.25) apropriada para
uma busca manual pelo ponto de projeto, pois fornece a variao no ndice de confiabilidade de uma
iterao para a prxima.
Uma expresso alternativa obtida da equao (4.24), ps-multiplicando ambos os termos direita
da igualdade pelo termo unitrio Tk k :

g(yk )T yk+1 = g(yk )T yk g(yk ) Tk k

=

g(yk )T yk g(yk )
2

kg(yk )k

g(yk )T g(yk )

O termo entre parenteses um escalar, de forma que a pr-multiplicao pela transposta do gradiente
pode ser eliminada, resultando:
yk+1 =

g(yk )T yk g(yk )
2

kg(yk )k

g(yk )

(4.26)

Esta expresso envolve o ponto yk , o gradiente e o valor da funo neste ponto, sendo talvez mais
apropriada para programao.
O algoritmo de Hassofer, Lind, Rackwitz e Fiessler (HLRF) aqui apresentado de longe o algoritmo
mais utilizado para encontrar o ponto de projeto em problemas de confiabilidade estrutural. No
entanto, no existe garantia de convergncia do algoritmo, nem garantia de que o ponto encontrado

1/2
seja o ponto de mnimo da funo = yT y
. Uma verificao que pode ser feita na prtica
arbitrar-se diferentes pontos iniciais, verificando se o algoritmo converge para o mesmo ponto.
103

Algoritmo HLRF melhorado

O algoritmo HLRF pode ser melhorado atravs de um ajuste do passo. Para tanto, determina-se
inicialmente uma direo de busca fazendo:
dk = yk+1 yk =

g(yk )T yk g(yk )
kg(yk )k2

g(yk ) yk

(4.27)

No algoritmo HLRF original, o novo ponto determinado atravs de um passo unitrio k = 1:

yk+1 = yk + k dk
O algoritmo melhorado atravs da determinao de um passo timo k 6= 1. Com este objetivo,
introduzida uma funo mrito m(y). A cada iterao, aps a determinao da direo de busca,
realizada uma busca linear para encontrar o passo k que minimiza a funo mrito:
= arg min[m(yk + dk )]
Como este problema difcil de resolver, substitudo por outro onde o passo tal que a funo
mrito no minimizada mas reduzida suficientemente. A regra de Armijo (Luenberger, 1986) pode
ser utilizada:
= max[bp | m(yk + bp dk ) m(yk ) abp kg(yk )k2 ],
pN

a, b (0, 1)

Zhang e Kiureghian (1997) prope a seguinte funo mrito m(y) :

m(y) =

1
kyk2 + c |g(y)|
2

Esta expresso da funo mrito tem duas propriedades importantes:

1. a direo de busca dk direo de descida da funo mrito desde que:
c>

kyk
kg(y)k

(4.28)

2. ela atinge um mnimo no ponto de projeto desde que observada a mesma restrio em c.
Estas duas propriedades so suficientes para assegurar convergncia incondicional do algoritmo
(para prova ver Zhang e Kiureghian, 1997). Um sumrio do algoritmo apresentado a seguir:
Algoritmo 37 Algoritmo iHLRF
Parmetros: a, b (0, 1), > 0, > 0 e > 1
1. Escolha do ponto inicial y0 para k = 0.
2. Avaliao de g(yk ) , g(yk ) e verificao da condio de otimalidade. Se:
1

g(yk ) yk
<
kg(yk )k kyk k

|g(yk )| <

para o algoritmo, caso contrrio segue.

3. Avaliao da direo de busca:
dk =

g(yk )T yk g(yk )
2

kg(yk )k

g(yk ) yk

4. Determinao do fator de penalidade da funo mrito. Se |g(yk )| ,

"
#
2
kyk k
1 kyk + dk k
ck = max
,
kg(yk )k 2 |g(yk )|
104

caso contrrio
ck =
5. Busca linear

kyk k
kg(yk )k

k = max[bi | m(yk + bi dk ) m(yk ) abi kg(yk )k2 ]

iN

6. Atualizao do ponto y :
yk+1 = yk + k dk
7. Incremento k = k + 1 e retorno ao passo 2.
Observaes:
1. os parmetros e correspondem tolerncia nas condies de otimalidade. O parmetro
serve para atender condio de convergncia (equao 4.28). Valores tpicos para estes
parmetros so = 103 , a = 0.1, b = 0.5 e = 2. A tolerncia depende da escala da equao
de estado limite. Portanto pode ser determinada em relao ao valor desta no ponto inicial:
= 103 |g(y0 )| .
2. na etapa 4 o fator de penalizao ck ajustado de maneira a assegurar a convergncia e a
2
k +dk k
eficincia do algoritmo. Para |g(yk )| o valor ck = 12 ky|g(y
impe ck suficientemente
)|
k
grande para que um passo inteiro k = 1 seja dado no caso de g(y) aproximadamente linear.
3. na etapa 5 o valor inicial de i geralmente igual a 0.

4.1.7

Anlise de sensibilidade da probabilidade de falha

Da equao (4.9) percebe-se que a derivada (variao) do ndice de confiabilidade em relao a y

avaliada no ponto de projeto y dada pelo vetor de cossenos diretores do hiper-plano que aproxima
a a equao de estado limite no ponto de projeto:

g(y )

= (y ) =
(4.29)

y y=y
kg(y )k

Isto significa que o componente i do vetor representa um coeficiente de sensibilidade da probabilidade de falha em relao varivel Yi , ePportanto em relao varivel aleatria Xi . Se o valor 2i
pequeno (2i 0) em relao unidade ( 2i = 1), a varivel Xi tem pouca influncia na probabilidade de falha da estrutura, e pode at ser eliminada (substituda por um valor determinstico). Esta
informao muito importante pois permite reduzir a dimenso do problema atravs da eliminao
de variveis sem importncia. Note que no mtodo FOSM a avaliao dos fatores de sensibilidade
no exige clculos adicionais, pois a informao dos gradientes necessria para encontrar o ponto de
projeto.

4.1.8

Transformao de Hassofer-Lind matricial

O mtodo FOSM facilmente programvel em computador. No entanto, para lidar com problemas
envolvendo um grande nmero de variveis aleatrias, conveniente trabalhar em forma matricial.
Boa parte do trabalho na palicao do FOSM est na transformao do domnio de projeto X para
o domnio normal padro Y. A equao de estado limite do problema em geral formulada e avaliada
no domnio de projeto X. No entanto, a busca pelo ponto de projeto feita no domnio Y. Desta
forma, a soluo algortmica envolve sucessivas transformaes de pontos e gradientes de X Y e de
Y X.
Introduzindo um vetor de mdias M e uma matriz diagonal de desvios padro D:

X1
0
D=
...
0

T
M = X1 , X2 , ..., Xn

0
X2
...
0

...
0
...
0

... ...
... Xn

1
X1

D1 =
...
0
105

0
1
X2

...
0

...
...
...
...

0
0
...
1
Xn

a transformao de Hassofer-Lind pode ser escrita de forma matricial como:

y = D1 {x M}
x = Dy+M

(4.30)

Conforme verificaremos adiante, muitas vezes conveniente trabalhar com matrizes Jacobianas
para facilitar estas transformaes. Os termos destas matrizes so definidos como:

yi
Jyx =
xj i=1,...,n; j=1,...,n

xi
Jxy =
yj i=1,...,n; j=1,...,n
sendo n o nmero de variveis aleatrias do problema.
Para a transformao de Hassofer-Lind (equao 4.1) com variveis aleatrias no-correlacionadas,
os termos ficam:
1
para i = j
yi
Xi
=
xj
0
para i 6= j

xi
Xi
para i = j
=
0
para
i 6= j
yj
Portanto, as matrizes Jacobianas so simplesmente:
= D1
= D

Jyx
Jxy

(4.31)

A transfomao de Hassofer-Lind e inversa resultam:

y = Jyx {x M}
x = Jxy y + M

(4.32)

No contexto do mtodo FOSM, no existe benefcio aparente em trabalhar com matrizes Jacobianas
para realizar as transformaes necessrias. Estes benefcios aparecero mais adiante, no contexto do
FORM.
Como as equaes de estado limite so escritas no domnio de projeto X, os vetores gradiente so
tambm avaliados neste domnio. O vetor gradiente em Y obtido utilizando a regra da cadeia:

g
g(y) =
yi i=1,...,n

n
X
g xi
=

xi yj
j=1

i=1,...,n;

= (Jxy ) g(x)

4.1.9

Algoritmo FOSM

O algoritmo de soluo do mtodo FOSM pode ser resumido nas seguintes etapas:
Algoritmo 38 Mtodo de confiabilidade FOSM:
1. escolha do ponto inicial xk para k = 0 (usualmente o ponto mdio);
2. avaliao das matrizes Jacobianas (Jyx e Jxy ) e do vetor de mdias M;
3. transformao do ponto xk de X Y;
106

(4.33)

4. avaliao de g(xk );
5. clculo do gradiente:
a. clculo das derivadas parciais de g (x) no domnio de projeto X;
b. transformao do gradiente para Y;
c. clculo dos fatores de sensibilidade (yk ).
6. clculo do novo ponto yk+1 pelos algoritmos HLRF, iHLRF ou outro;
7. transformao de yk+1 para X;
8. verificao do critrio de convergncia. Se:

g(yk+1 ) yk+1
<
1 +
kg(yk+1 )k kyk+1 k

|g(yk+1 )| <

o algoritmo interrompido, caso contrrio retorna-se ao item 4 com k = k + 1 at atingir a

convergncia.

9. ao final, avaliao do ndice de confiabilidade no ponto de projeto: = ky k .

Observe que as matrizes Jacobianas no mudam ao longo do processo iterativo e portanto s
precisam ser calculadas ao incio da soluo.

4.1.10

Variveis aleatrias correlacionadas

No mtodo FOSM, a informao estatstica utilizada se limita ao primeiro e segundo momento das
variveis aleatrias envolvidas. Tcnicamente, isto inclui possvel correlao entra estas variveis,
segundo as definies de covarincia e correlao (veja equaes 2.56 e 2.58). O tratamento de variveis
aleatrias correlacionadas exige uma transformao adicional transformao de Hassofer-Lind,. No
contexto do mtodo FORM, estudado a seguir, o problema da correlao abordado juntamente com
as transformaes que permitem lidar com distribuies de probabilidade no Gaussianas. Sendo
assim, para no prejudicar a clareja dos resultados apresentados nesta seo, o procedimento para
lidar com variveis aleatrias correlacionadas apresentado no prxima seo, no contexto do FORM.

107

4.2

FORM - MTODO DE CONFIABILIDADE DE PRIMEIRA

ORDEM

No mtodo de segundo momento (FOSM) a informao estatstica a respeito das variveis aleatrias
do problema se limita aos momentos de primeira e segunda ordem. Como vimos, isto equivale a
considerar todas as variveis do problema com distribuio normal. O mtodo de primeira ordem ou
FORM - First Order Reliability Method - permite incorporar anlise as funes de distribuio de
probabilidades bem como a correlao entre as variveis aleatrias do problema.
O mtodo FORM utiliza a maior parte dos resultados apresentados para o FOSM. Alm disto, o
FORM envolve a construo de uma funo conjunta de distribuio de probabilidades, fX (x) , bem
como uma transformao desta para o domnio normal padro Y. A funo conjunta de distribuio
de probabilidades fX (x) construda com base na informao existente, que na maior parte dos casos
se limita s funes de distribuio marginais e a coeficientes de correlao entre pares de variveis
aleatrias. A construo da funo conjunta de probabilidades feita levando em considerao a
facilidade de transformao da mesma para o domnio normal padro. Esta transformao envolve a
eliminao da correlao entre variveis aleatrias e o clculo de variveis normais equivalentes, como
ser visto a seguir.

4.2.1

Distribuio conjunta de probabilidades

Nos problemas de anlise estrutural em geral no existem observaes ou registros simultneos de

todas as variveis envolvidas no problema. Tais observaes seriam necessrias para se determinar
diretamente a funo conjunta de distribuio de probabilidades, segundo as equaes (2.43 ou 2.44).
Na melhor das hipteses, a informao estatstica a respeito das variveis aleatrias do problema
se limita s funes de distribuio de probabilidades marginais e a coeficientes de correlao entre
pares de variveis aleatrias. As funes de distribuio marginais so obtidas a partir de observaes
isoladas de cada varivel aleatria, e os coeficientes de correlao so obtidos a partir de observaes
conjuntas de pares de variveis aleatrias.
Portanto, a descrio estatstica das variveis de projeto feita atravs das distribuies de probabilidades marginais:
fXi (xi ),
i = 1, 2, ..., n
e atravs de uma matriz de correlao RX , formada pelos coeficientes de correlao (eq. 2.58) entre
pares de variveis:

1
X12 ... X1n
X
1
... X2n
21

(4.34)
RX =
...
...
...
...
Xn1 Xn2 ...
1

sendo n o nmero de variveis aleatrias do problema.

O mtodo de confiabilidade de primeira ordem ou FORM consiste na construo de uma funo
conjunta de distribuio de probabilidades fX (x) e na transformao desta em uma distribuio
Gaussiana padro multi-variada fY (y) (com mdia zero e desvio padro unitrio). Esta transformao representa um mapeamento um-a-um, que leva pontos do domnio original X para o domnio
Y. Teoricamente, este mapeamento pode ser realizado atravs da transformao de Rosenblatt, que
envolve distribuies de probabilidade condicionais que dificilmente so conhecidas. Uma alternativa uma transformao composta utilizando o modelo de Nataf, a qual envolve uma transformao
em variveis normais equivalentes, e a eliminao da correlao entre estas. As duas tcnicas so
estudadas a seguir.

4.2.2

A transformao de Rosenblatt

Seja um conjunto de n variveis aleatrias X = {X1 , X2 , ..., Xn } com funo conjunta de distribuio
de probabilidades qualquer FX (x). Deseja-se uma transformao que leve pontos do domnio X para
o domnio Y, formado por um conjunto de variveis aleatrias Y = {Y1 , Y2 , ..., Yn } com funo de
distribuio cumulativa Gaussiana padro multi-variada FY (y):

Z
Z y
1
1
2
FY (y) = (y) =
exp kuk du
n/2
2
(2)
108

Tal transformao deve preservar o contedo de probabilidade correspondente a um ponto x0

quando mapeado em um ponto y0 no domnio Y :
FX (x0 ) = FY (y0 )
Uma transformao terica que permite o mapeamento do domnio original X para o domnio Y
a transformao de Rosenblatt (Rosenblatt, 1969). Esta transformao obtida fazendo:
[y1 ] = F1 (x1 )
[y2 ] = F2 (x2 |x1 )
..
.
[yn ] = Fn (xn |x1 , x2 , ..., xn1 )

(4.35)

onde F2 (x2 |x1 ) a funo de probabilidade condicional de x2 dada a ocorrncia de x1 . Invertendo a

funo [] pode-se escrever:
y1
y2

yn

= 1 [F1 (x1 )]
= 1 [F2 (x2 |x1 )]
..
.
= 1 [Fn (xn |x1 , x2 , ..., xn1 )]

(4.36)

As funes de probabilidade condicional podem ser obtidas a partir da distribuio conjunta atravs
de uma generalizao das equaes (2.51 ou 2.52):
f (xi |x1 , x2 , ..., xi1 ) =
F (xi |x1 , x2 , ..., xi1 ) =

f (x1 , x2 , ..., xi )
f (x1 , x2 , ..., xi1 )
R xi
f (x1 , x2 , ..., xi1 , u)du

f (x1 , x2 , ..., xi1 )

(4.37)
(4.38)

Conforme comentado, nos problemas prticos a funo de densidades conjunta fX (x) dificilmente
conhecida, o que torna o uso da transformao de Rosenblatt difcil. A importncia desta transformao mais terica do que prtica.

4.2.3

Transformao composta utilizando o modelo de Nataf

Uma transformao que se adecua melhor informao disponvel uma transformao composta
utilizando o modelo de Nataf. Esta transformao dita composta porque envolve, conforma a figura
(xx):
1. uma transformao das distribuies marginais originais em distribuies normais equivalentes
(em um conjunto de variveis Z correlacionadas);
2. determinao de coeficientes de correlao equivalentes para as distribuies marginais normais
(modelo de Nataf);
3. eliminao da correlao atravs de decomposio ortogonal ou da fatorao de Cholesky da
matriz de correlao. Estas trs etapas so estudadas a seguir.
O princpio da aproximao normal
O princpio da aproximao normal (Ditlevsen, 1981) consiste em determinar-se, para um ponto
xi , uma distribuio normal equivalente que preserve o contedo de probabilidades da distribuio
original FXi (xi ) neste ponto xi . Como a distribuio normal equivalente est definida no domnio X,
escreve-se:
neq
FX
(xi ) = FXi (xi )
(4.39)
i
A distribuio normal equivalente possue dois parmetros, que so a mdia neq
Xi e o desvio padro
Portanto, para determina-se os dois parmetros da distribuio normal equivalente necessria

neq
Xi .

109

uma segunda equao. O critrio para estabelecer esta segunda equao no universal, mas uma
condio natural :
neq
fX
(xi ) = fXi (xi )
(4.40)
i
Utilizando-se a transformao de Hassofer e Lind (equao 4.1), obtm-se um conjunto de variveis
Z = {Z1 , Z2 , ..., Zn } com distribuies marginais normais padro, mas possvelmente correlacionadas:
zi =

xi neq
Xi
neq
Xi

(4.41)

Escrevendo as equaes (4.39) e (4.40) em termos de zi obtm-se:

FXi (xi ) =

xi neq
Xi
neq
Xi

= (zi )

(4.42)

e:
fXi (xi ) =
=

neq
1
1 xi Xi

exp

2
neq
neq
2
Xi
Xi

(zi )
neq
Xi

(4.43)

Utilizando a equao (4.42) pode-se calcular zi :

zi = 1 (FXi (xi ))

(4.44)

Da equao (4.43) obtm-se uma expresso para o desvio padro da distribuio normal equivalente:
neq
Xi =

(zi )
fXi (xi )

(4.45)

e, finalmente, da equao (4.41) obtm-se uma expresso para a mdia da distribuio normal equivalente:

neq
(4.46)
neq
Xi = xi zi Xi
Note que esta transformao realizada para cada uma das distribuies marginais, e vlida para
um ponto x . Desta forma, a transformao deve ser refeita medida que o algoritmo de busca do
ponto de projeto avana e o ponto x muda. O procedimento de aproximar a cauda da distribuio
original pela cauda de uma distribuio normal equivalente conhecido na literatura como princpio
da aproximao normal (Principle of normal tail approximation; Ditlevsen, 1981).
A figura (4-5) ilustra as distribuies normais equivalentes a uma distribuio uniforme X
U (1, 1) nos pontos x = 0, x = 0.7 e x = 0.9. Perceba como, medida que o ponto de transformao
se aproxima do limite superior (x = 1), a distribuio Gaussiana equivalente se torna mais estreita.
A transformao de X Z tambm pode ser escrita de forma matricial, a partir de um vetor
de mdias Mneq e de uma matriz diagonal de desvios padro Dneq , contendo os parmetros das
distribuies normais equivalentes:
neq
neq T
Mneq = {neq
X1 , X2 , ..., Xn }

neq

neq
X1
0

=
...
0

0
neq
X2
...
0

...
0
...
0

...
...
... neq
Xn

neq 1

(D

Introduzindo ainda as matrizes Jacobianas:

110

1
neq
X

...

1
neq
X

...

...
0

...
0

...
...

...

1
neq
Xn

Jzx
Jxz

= (Dneq )1
= Dneq

as transformaes de X Z e de Z X resultam:
z = Jzx {x Mneq }
x = Jxz z + Mneq

(4.47)

Modelo de Nataf
O princpio da aproximao normal permite obter um conjunto de variveis aleatrias Z com distribuio marginal normal padro, atravs da equao (4.44). A correlao entre pares de variveis
aleatrias (eq. 4.34), quando existe, deve ser imposta na distribuio conjunta fZ (z). Seja RZ uma
matriz de correlao equivalente a ser determinada. A distribuio de Z uma distribuio normal
padro multi-variada:
fZ (z) = n (z, RZ )
(4.48)
O modelo de Nataf (Nataf, 1962) consiste em construir uma aproximao para a funo conjunta
de densidade de probabilidades fX (x) a partir da distribuio normal padro multi-variada com matriz
de correlao RZ :
fX (x1 )fX2 (x2 )...fXn (xn )
fX (x) = n (z, RZ ) 1
(4.49)
(z1 )(z2 )...(zn )
Considere agora duas variveis Xi e Xj no-normais com coeficiente de correlao Xij . Para duas
variveis o modelo de Nataf reduz-se a:
fXi Xj (xi , xj ) = 2 (zi , zj , Zij )

fXi (xi )fXj (xj )

(zi )(zj )

(4.50)

Se o coeficiente de correlao entre Xi e Xj (Xij ) impe uma certa tendncia na distribuio

conjunta fXi Xj (xi , xj ), trata-se de encontrar um coeficiente de correlao equivalente Zij que imponha a mesma tendncia na distribuio conjunta fZi Zj (zi , zj ). Utilizando a definio da covarincia
(equao 2.57), o coeficiente de correlao ij dado por:
Xij =

Cov[Xi Xj ]
=
Xi Xj

(xi Xi ) (xj Xj )
fXi Xj (xi , xj )dxi dxj
Xi
Xj

Utilizando o modelo de Nataf (equao 4.50), esta expresso se reduz a:

Xij

=
=

(xi Xi ) (xj Xj )
fX (xi )fXj (xj )
2 (zi , zj , Zij ) i
dxi dxj
Xi
Xj
(zi )(zj )
zi zj 2 (zi , zj , Zij )dzi dzj

(4.51)

A expresso (4.51) permite calcular Zij em funo do Xij conhecido, de forma a construir-se a
matriz de correlao equivalente. O modelo de Nataf e a equao (4.51) so vlidos quando:
1. o mapeamento na equao (4.44) unvoco (um-para-um), o que verdade se FXi (xi ) contnua
e estritamente crescente;
2. o valor de Zij estiver compreendido entre 1 e +1.
Como a diferena entre Z e X pequena, a segunda condio satisfeita em quase todas as
situaes de interesse prtico.
A avaliao do coeficiente Z atravs da expresso (4.51) feita de forma iterativa, o que pode
ser bastante demorado. Este procedimento pode ser evitado atravs do uso de frmulas empricas
(Kiureghian e Liu, 1986), que fornecem uma relao r para vrias combinaes de distribuies:
rij =

Zij
Xij

111

(4.52)

Em geral, o fator r no muito diferente de um. parte distribuies exponenciais deslocadas,

o fator r geralmente fica na faixa 0.9 r 1.1. Sendo assim, se o coeficiente de correlao X entre
duas variveis de projeto determinado de forma subjetiva, pode-se muito bem aproximar Z por X
importante, no entanto, salientar a diferena terica entre Z e X .
Decomposio ortogonal da matriz de correlao
O princpio da aproximao normal e o modelo de Nataf permitem a obteno de um conjunto de variveis aleatrias Z correlacionadas, com distribuio normal padro multi-variada fZ (z) = n (z, RZ ).
Para aproveitar as propriedades de simetria da distribuio normal padro multi-variada, necessrio
eliminar a correlao entre as variveis Z.
Buscamos uma transformao linear na forma y = AT z, onde A uma matriz a ser determinada
e Y um conjunto de variveis aleatrias independentes e com distribuio normal padro multivariada. Note-se que a matriz covarincia em Y dada por:
CY

=
=
=
=

Cov[Y, YT ]
Cov[AT Z, ZT A]
AT Cov[Z, ZT ] A
AT CZ A

(4.53)

Se A a matriz ortogonal cujas colunas so formadas pelos autovetores de CZ , ento a multiplicao em (4.53) produz a matriz dos autovalores de CZ :
CY = AT CZ A =
com:
CY

1
0
==
...
0

0
2
...
0

... 0
... 0

... ...
... n

(4.54)

sendo i o i-simo autovalor da matriz CZ . Note que a equao (4.54) implica em que a varincia
das variveis Y resultantes desta transformao seria diferente da unidade, e igual raiz quadrada
dos respectivos autovalores ( 2Yi = i ). Isto no conveniente, pois exigiria mais uma transformao
como a de Hassofer-Lind para obter variveis reduzidas com varincia unitria. Para evitar esta
transformao adicional, buscamos A tal que AT CZ A seja igual matriz identidade. A matriz de
transformao desejada :
A =A 1/2

onde A matriz ortogonal cujas colunas so os autovetores de CZ e 1/2 = (i )1/2 = [1/ Yi ]

a matriz diagonal das inversas das razes quadradas dos auto-valores de CZ . Neste caso:
CY

= AT CZ A
= (A 1/2 )T CZ (A 1/2 )
T

= (1/2 )T (A CZ A) 1/2
= (1/2 )T 1/2
= I

(4.55)

Para a transformao procurada y = AT z, as matrizes Jacobianas so:

Jyz
Jzy

= AT = (A 1/2 )T
1/2

= (AT )1 = (

A)

(4.56)

e as transformaes de Z Y e inversa so:

y = Jyz z
z = Jzy y
112

(4.57)

Transformao por decomposio de Cholesky

O custo computacional da decomposio ortogonal considervel. Uma alternativa que se aplica
com vantagens para matrizes de correlao no cheias (caso tpico) a decomposio de Cholesky da
matriz de correlao CZ . A decomposio de Choleski no tem relao direta com a transformao
de Rosenblatt, mas resulta em uma matriz de transformao muito semelhante.
Buscamos uma transformao linear y = AT z que produza um conjunto de variveis Y independentes e com varincia unitria. Buscamos uma outra matriz de transformao A que produza o
efeito da equao (4.55), isto :
CY = AT CZ A = I
(4.58)
Pr-multiplicando a equao (4.58) por (AT )1 , obtemos:
CZ A = (AT )1 I
CZ = (AT )1 I A1
= (AT )1 A1

(4.59)

Usando a relao (AT )1 = (A1 )T e denotando (AT )1 = L, temos:

L = (AT )1 = (A1 )T
LT = A1
Substitundo em (4.59) chegamos a:
CZ

= (AT )1 A1
= L LT

(4.60)

Esta exatamente a forma da decomposio de Cholesky. Utilizando esta transformao, as

matrizes jacobianas ficam:

Jyz
Jzy

= L1
= L

(4.61)

As transformaes de Z Y e de Y Z so idnticas equao (4.57). As transformaes via

decomposio ortogonal ou decomposio de Cholesky so equivalentes e levam ao mesmo resultado,
ainda que por caminhos ligeiramente diferentes. A decomposio por autovetores mais adequada
quando a matriz de correlao cheia (determinante prximo de zero). Quando a matriz de correlao
possui apenas alguns coeficientes no nulos, a transformao de Cholesky mais adequada.
Transformao resultante
Nas trs sees anteriores, vimos como realizar o mapeamento de um conjunto de variveis aleatrias
de um domnio X para um domnio Z, e do domnio Z para Y. Para combinar estas transformaes,
basta utilizar a regra da cadeia. Utilizando as matrizes Jacobianas, isto fica muito simples:

Jyx
Jxy

yi
yi zj
=
= Jyz Jzx
xk
zj xk

xi
xi zj
=
=
= Jxz Jzy
yk
zj yk
=

Portanto, utilizando a decomposio ortogonal, a matriz Jacobiana e sua inversa ficam:

Jyx
Jxy

= (A 1/2 )T (Dneq )1
1/2

= Dneq (

113

A)

(4.62)

Utilizando a decomposio de Cholesky, temos:

Jyx
Jxy

= L1 (Dneq )1
= Dneq L

(4.63)

Em qualquer um dos casos, a transformao resultante :

y = Jyx {x Mneq }
x = Jxy y + Mneq

(4.64)

A transformao resultante pode ser resumida nas seguintes etapas:

1. clculo da matriz de correlao equivalente RZ atravs de (4.51) ou (4.52);
2. avaliao das matrizes Jacobianas Jyz e Jzy utilizadas na eliminao da correlao:
(a) por decomposio ortogonal (eq. 4.56);
(b) por decomposio de Cholesky (eq. 4.61);
3. a cada novo ponto determinado pelo algoritmo de busca do ponto de projeto:
(a) clculo dos parmetros das distribuies normais equivalentes (Mneq e Dneq );
(b) atualizao das matrizes Jacobianas Jyx e Jxy (equaes 4.62 ou 4.63);
Deve ficar claro que as matrizes RZ , Jyz e Jzy s precisam ser calculadas uma vez, ao incio do
processo iterativo. J as matrizes Jzx , Jxz , Jyx e Jxy devem ser atualizadas de maneira iterativa.

4.2.4

Algoritmo FORM

A soluo de problemas de confiabilidade independentes do tempo via FORM consiste nas seguintes
etapas:
Algoritmo 39 Mtodo de confiabilidade FORM:
1. determinao dos coeficientes de correlao equivalentes e da matriz de decomposio; determinao das matrizes Jacobianas Jyz e Jzy ;
2. escolha do ponto inicial xk para k = 0 (usualmente o ponto mdio);
3. determinao dos parmetros das distribuies normais equivalentes no ponto xk (matrizes Mneq
e Dneq );
4. atualizao das matrizes Jacobianas Jyx e Jxy (equaes 4.62 ou 4.63);
5. transformao do ponto xk de X para Y (eq. 4.64);
6. avaliao de g(xk );
7. clculo do gradiente:
a. clculo das derivadas parciais de g (x) no domnio de projeto X;
b. transformao do gradiente para Y (eq. 4.33);
c. clculo dos fatores de sensibilidade (yk ). Estes fatores podem ser utilizados para eliminar
do problema variveis aleatrias quem tenham pouca influncia na probabilidade de falha.
8. clculo do novo ponto yk+1 pelos algoritmos HLRF, iHLRF ou outro;
9. transformao de yk+1 para X (eq. 4.64);
10. verificao do critrio de convergncia. Se:

g(yk+1 ) yk+1

<
1+
kg(yk+1 )k kyk+1 k

|g(yk+1 )| <

o algoritmo interrompido, caso contrrio retorna-se ao item 3 com k = k + 1 at atingir a

convergncia.

11. ao final, avaliao do ndice de confiabilidade no ponto de projeto: = ky k .

114

4.3

SORM - MTODO DE CONFIABILIDADE DE SEGUNDA ORDEM

A estimativa de primeira ordem da probabilidade de falha obtida aproximando-se a equao de

estado limite por um hiper-plano tangente a esta no ponto de projeto. Este mtodo resulta em uma
boa aproximao da probabilidade de falha correta quando a equao de estado limite no espao
normal padro for plana ou aproximadamente plana na vizinhana do ponto de projeto.
No-linearidades na equao de estado limite g(y) = 0 surgem quando a equao de estado limite
no domnio de projeto g(x) = 0 no linear, e tambm quando a transformao para o espao normal
padro for no-linear. Isto ocorre quando as variveis aleatrias so fortemente correlacionadas e/ou
quando as distribuies de probabilidade so fortemente no-Gaussianas. Neste caso, aproximaes
de segunda ordem, que consideram as curvaturas da equao de estado limite em torno do ponto de
projeto, podem fornecer melhor aproximao da probabilidade de falha. Aproximaes de segunda
ordem do origem ao que se chama de mtodo de confiabilidade de segunda ordem ou SORM - Second
Order Reliability Method.
Mtodos de segunda ordem consistem em aproximar a equao de estado limite no ponto de
projeto por superfcies quadrticas ou parablicas (figura 4-7), e determinar o contedo de probabilidades (probabilidade de falha) correspondente a estas superfcies. Uma aproximao por superfcies
quadrticas foi primeiramente apresentada por Fiessler et al. (1979). Os resultados, no entanto, no
so apropriados para uso prtico. Em estudos subsequentes (Breitung, 1984; Tvedt, 1984; Tvedt,
1985; Kiureghian et al., 1987), aproximaes parablicas so consideradas. Aproximaes parablicas
podem ser baseadas em curvaturas ou em pontos, como ser visto a seguir.

4.3.1

Aproximao parablica baseada em curvaturas

O ajuste de um parabolide equao de estado limite realizado atravs da determinao de um

bn deste sistema escolhido de forma a
sistema apropriado de eixos ortonormais. O ensimo eixo v
apontar do ponto de projeto para a origem:
bn =
v

g(y )
kg(y )k

bi , i = 1, ..., n 1 so determinados a partir de um esquema de ortogonalizao,

Os demais eixos v
bi como
como o algoritmo de Gram-Schmidt. Uma matriz de rotao V formada tendo os vetores v
colunas:
b2 , ..., v
bn1 ]
V = [b
v1 , v
bi , a equao de estado limite escrita simbolicamente como:
Em termos do sistema ortogonal v
vn = g 0 (vn1 )

Um parabolide ento ajustado s curvaturas da equao de estado limite no ponto de projeto (pice
do parabolide):
vn

= +

n1 n1
1 XX
aij vi vj
2 i=1 j=1

1
= + (vn1 )T A vn1
2

(4.65)

onde A a matriz de derivadas de segunda ordem de g 0 (vn1 ). Sendo 2 g(y ) a matriz de derivadas
de segunda ordem (matriz Hessiana) da equao de estado limite:
2

g(y)
2

g(y ) =
yi yj i=1,...,n; j=1,...,n
a matriz A facilmente determinada utilizando a matriz de rotao V :
A=

VT 2 g(y ) V
kg(y )k
115

(4.66)

As condies de otimalidade de segunda ordem do problema de otimizao definido em (4.12)

levam a uma aproximao assinttica de segunda ordem da probabilidade de falha (Breitung, 1984):
1
Pf2 = () p
det(I + A)

(4.67)

onde o ndice 2 indica aproximao de segunda ordem.

bi escolhido de forma a coincidir com
Um caso particular obtido quando o sistema ortogonal v
bi
as curvaturas principais da equao de estado limite no ponto de projeto. Neste caso, os vetores v
so os autovetores da matriz Hessiana, a matriz A fica diagonal e os autovalores correspondem s
curvaturas principais ki do parabolide. Neste caso, a equao do parabolide fica:
vn = +

n1
1X
ki vi2
2 i=1

(4.68)

e a expresso assinttica para a estimativa de segunda ordem da probabilidade de falha se reduz a:

Pf2 = ()

n1
Y
i=1

1 + ki

(4.69)

importante observar que a expresso (4.69) se torna singular se ki = 1/.

A estimativa de segunda ordem da probabilidade de falha atravs de um parabolide ajustado por
curvatura requer a avaliao da matriz de derivadas de segunda ordem da equao de estado limite.
A determinao desta matriz exige a avaliao da equao de estado limite em 2n2 pontos (sendo
n o nmero de variveis aleatrias do problema), o que representa um custo computacional elevado
quando a equao de estado limite dada de forma numrica. Uma alternativa para reduzir este custo
computacional a construo de um parabolide baseado em pontos.

4.3.2

Aproximao parablica baseada em pontos

A construo de um parabolide baseado em pontos para aproximar a equao de estado limite no

ponto de projeto evita a determinao da matriz de derivadas de segunda ordem ao assumir que os
bi concidam com as direes principais do parabolide, independente da orientao verdadeira
eixos v
dos eixos principais da equao de estado limite (Kiureghian et al., 1987). Com esta aproximao, a
expresso do parabolide se reduz a equao (4.68).
Com esta expresso, o ajuste de um parabolide por pontos exigiria a a avaliao de g(x) em um
bi . No entanto, para melhorar o ajuste, dois pontos so considerados,
ponto ao longo de cada eixo v
bi . Um semi-parabolide ento ajustado a
um em cada semi-eixo (positivo e negativo) definido por v
cada um destes pontos. As coordenadas destes pontos so dadas por:

+
+
(0, ..., a
i , ..., bi ) e (0, ..., +ai , ..., bi ),

i = 1, ..., n 1

onde o super-ndice corresponde ao semi-eixo considerado. Os pontos so escolhidos na intersecso

entre a equao de estado limite e o caminho , conforme ilustrado na figura xx:

Este caminho corresponde a duas linhas verticais em vi = k e a um semi-crculo de raio k,

116

onde o coeficiente k dado por:

k=

1
||

3
||

se || < 1
se 1 || 3
se || > 3

Para determinar as coordenadas a e b de cada ponto, necessrio resolver uma equao do tipo:
g(a(b)b
vi + bb
vn )
o que feito de modo iterativo,atravs do mtodo secante ou mtodo de Newton.
Uma vez encontradas as coordenadas a e b de cada ponto, um par de semi-parbolas construdo
ao longo de cada semi-eixo. As equaes so:

+ 12 ki vi2
para vi 0
vn =
para vi > 0
+ 12 ki+ vi2
onde
ki =

2(b
i )
2
(a
i )

ki+ =

2(b+
i )
2
(a+
i )

so as curvaturas das semi-parabolas. Para obter a estimativa de segunda ordem da probabilidade de

falha utilizando a formula de Breitung, uma curvatura equivalente para cada eixo vi determinada
de:

1
(1 + ki )1/2 =
(1 + ki )1/2 + (1 + ki+ )1/2
2

A vantagem do parabolide ajustado por pontos obter um ajuste global equao de estado
limite, independente do rudo caracterstico das solues numricas, e evitar o clculo da matriz
Hessiana. O ponto fraco deste mtodo que os resultados dependem da escolha do sistema de eixos
bi . Obviamente, a opo ideal para estes eixos so as direes principais da equao de estado limite,
v
cuja determinao, no entanto, requer o clculo da matriz Hessiana.

4.4

Figuras

s = x2
M (x ) = r s = 0
domnio de falha

domnio de segurana

r = x1

Figura 4-1: Problema fundamental de confiabilidade em termos R e S para (R , R ) = 2(S , S ).

117

M ( y ) = y1 y2 = 0

y2

domnio de falha

y1
B

domnio de segurana

Figura 4-2: Problema fundamental de confiabilidade em termos de y1 e y2 para (R , R ) = 2(S , S ).

Seo B-B:

g (y ) = 0

area = Pf1

d
Figura 4-3: Aproximao de primeira ordem - integrao uni-dimensional.
118

y2

seo B-B

domnio de falha

g (y)

c
B

g ( y) > 0

p1

g ( y) = 0

s
s = g T g

p2

p1
p2

g ( y) = 0

g ( y) = c > 0
domnio de segurana

y1

Figura 4-4: Soluo iterativa para busca do ponto de projeto.

Figura 4-6: Aproximao de primeira ordem da Pf .

Figura 4-7: Aproximao de segunda ordem da Pf .

119

g ( y) < 0

1.5

0.8
0.6

0.4
0.5

0.2
-2

-1

1.5

0.8

-2

-1

-2

-1

-2

-1

0.6

0.4
0.5

0.2
-2

-1

1.5

0.8
0.6

0.4

0.5

0.2
-2

-1

Figura 4-5: Distribuies normais equivalentes a uma distribuio uniforme U (1, 1) nos pontos
x = 0; x = 0.7 e x = 0.9; a esquerda, PDF; a direita, CDF.

120

Captulo 5

CONFIABILIDADE DE
SISTEMAS
Os problemas considerados at aqui se limitaram a uma nica equao de estado limite, o que corresponde a um nico modo de falha. No entanto, os elementos ou membros estruturais que compem
uma estrutura apresentam em geral mltiplos modos de falha. Modos de falha tpicos para elementos
estruturais so: deformao plstica (escoamento localizado), formao de rtula plstica (plastificao da seo), ruptura frgil da seo, deflexo excessiva, acmulo de dano.
Mltiplos modos de falha tambm podem ser definidos para uma estrutura completa. Modos de
falha tpicos para estruturas so: deflexo excessiva, vibrao excessiva, recalque de apoios, perda de
equilbrio (seja por ruptura ou formao de rtulo plstica em membros, seja por ruptura de vinculaes de apoio). Neste captulo, estudamos como determinar a probabilidade de falha de estruturas
e de elementos estruturais sujeitos a mltiplos modos de falha.
Em geral, classifica-se como sistemas estruturais estruturas compostas por muitos membros ou
elementos estruturais. Quem determina se a falha de um elemento estrutural implica ou no em
falha da estrutura o grau de redundncia da mesma. Em geral, em estruturas isostticas a falha
de um elemento implica em falha da estrutura, devido ausncia de redundncia. J a anlise da
falha de estruturas hiper-estticas exige a considerao da falha progressiva de elementos estruturais,
bem como a considerao das diversas sequncias em que esta pode acontecer. Esta anlise exige a
decomposio do sistema estrutural em combinaes de elementos estruturais em srie e em paralelo,
o que estudado na seo (5.1).
A anlise de sistemas estruturais complexos requer um esquema sistemtico para identificar todos
os modos de falha possveis bem como suas consequncias. Para isto, utiliza-se rvores de falhas e
rvores de eventos. Arvores de falha so utilizadas para decompor um evento de interesse (falha de um
componente) em unies e interseces de sub-eventos bsicos, at que a probabilidade de ocorrncia
destes seja conhecida ou possa ser determinada. rvores de eventos so utilizadas para determinar
sistematicamente todas as consequncias de um evento de falha. rvores de falhas e rvores de eventos
so estudadas na seo (5.4).

5.1

IDEALIZAES DE SISTEMAS

Sistemas complexos formados por muitos componentes podem ser decompostos em sub-sistemas compreendendo duas categorias de associaes elementares: componentes associados em srie e componentes associados em paralelo.

5.1.1

Componentes associados em srie

Em (sub-)sistemas formado por componentes associados em srie, a falha de um componente representa

falha do sistema. Em outras palavras, a operao do sistema requer que todos os seus componentes
estejam funcionando. Por isto, sistemas em srie tambm so conhecidos como sistemas de corrente
(weakest link system). Um sistema em srie representado na figura (5-1). Se o evento Ei corresponde
falha do i esimo componente, o evento falha do sistema (F ) dado pela unio:
F = E1 E2 E3 ... En = ni=1 Ei
121

O evento sobrevivncia (no-falha) dado por:

F = E 1 E 2 E 3 ... E n = ni=1 E i
A probabilidade de falha de sistemas em srie dada por:
Pf = P [F ] = P [ni=1 Ei ]
Na avaliao desta probabilidade, deve-se considerar se existe dependncia entre os eventos Ei . Podese mostrar que a probabilidade de falha limitada por:
n
Y
max P [Ei ] Pf 1
(1 P [Ei ])
i

i=1

O limite inferior (esquerda) corresponde a dependncia perfeita entre os eventos e portanto falha
do componente mais fraco (evento de maior probabilidade de ocorrncia). O limite superior (direita)
corresponde independncia entre os eventos (modos de falha independentes). Para probabilidades
P [Ei ] pequenas, o limite superior pode ser aproximado por:
max P [Ei ] Pf
i

5.1.2

n
X

P [Ei ]

(5.1)

i=1

Componentes associados em paralelo

A falha de um (sub-)sistema formado por componentes associados em paralelo s ocorre se todos os

componentes falham. Em outras palavras, se um dos componentes no falha, o sistema tambm no
falha. Um sistema em paralelo representado na figura (5-2). Se o evento Ei corresponde a falha do
i esimo componente, o evento falha do sistema (F ) dado pela interseco:
F = E1 E2 E3 ... En = ni=1 Ei
O evento sobrevivncia (no-falha) dado por:
F = E 1 E 2 E 3 ... E n = ni=1 E i
Sistemas em paralelo so sistemas redundantes. Esta redundncia pode ser ativa ou passiva. Na
redundncia ativa, vrios componentes dividem uma mesma tarefa. Na redundncia passiva, alguns
componentes ficam em estado de standby, at que um componente falhe e os componentes redundantes
sejam acionados. A probabilidade de falha de sistemas em paralelo :
Pf = P [F ] = P [ni=1 Ei ]
Esta probabilidade depende do tipo de redundncia do sistema.

Redundncia ativa
Quando a redundncia do tipo ativa, a probabilidade de falha do sistema em paralelo limitada
por:
n
Y

i=1

P [Ei ] Pf min P [Ei ]

i

(5.2)

O limite inferior (esquerda) corresponde ao caso de independncia entre os eventos individuais

(modos de falha). O limite superior corresponde dependncia perfeita entre os eventos.
O coeficiente de segurana, que aumenta a capacidade de um membro em relao a solicitao
sobre o mesmo, gera uma redundncia do tipo ativa. A redundnia ativa nem sempre diminue a
probabilidade de falha do sistema.
122

Redundncia passiva
No caso de redundncia passiva, a avaliao da probabilidade de falha do sistema requer a anlise
de probabilidades condicionais atravs de uma rvore de falhas. Esta construda estabelecendo-se a
probabilidade de ocorrncia de cada uma das possves sequncias de falha, que so determinadas por
eventos condicionais. Como exemplo, para um sistema com 3 componentes em paralelo, a probabilidade de falha para a sequncia de falha S1 corresponde a:
P [S1 ] = P [E1 ]P [E2 |E1 ]P [E3 |E1,2 ]
Se as sequncias de falha so mutuamente exclusivas, ento:
Pf = P [S1 ] + P [S2 ] + ... + P [Sn ]
A redundncia do tipo passiva sempre reduz a probabilidade de falha do sistema em relao
probabilidade de falha dos membros.

5.1.3

Associao mista de componentes

Nem todo sistema pode ser decomposto diretamente em associaes em srie ou em paralelo de componentes. No entanto, pode-se formar sub-sistemas com componentes associados em srie ou em
paralelo, e associar estes sub-sistemas em srie ou em paralelo, sucessivamente, at compor o sistema
completo. Esta decomposio em associaes elementares de componentes servem para entender a
interconectividade dos elementos e compreender o papel da falha destes na falha do sistema.

5.2

IDEALIZAO DE SISTEMAS ESTRUTURAIS

A confiabilidade de sistemas estruturais formados por muitos membros est diretamente relacionada
confiabilidade destes membros e maneira como estes membros esto interconectados. Na anlise
da confiabilidade de sistemas estruturais, deve-se considerar que:
1. o efeito de carregamento em cada membro consequncia do carregamento na estrutura;
2. carga e resistncia no so necessriamente independentes (exemplos: carga de peso prprio
relacionada com as dimenses dos membros, resistncia relacionada com carregamento anterior);
3. existncia de correlao entre as propriedades de resistncia dos diferentes membros;
4. prticas construtivas tem influncia na resistncia de grupos de membros.
A anlise de sistemas estruturais exige simplificaes que so divididas em:
1. simplificao em cargas e carregamentos;
2. modelos de resistncia de materiais e membros;
3. membros componentes da estrutura e sua interconectividade.
Neste captulo, as cargas so consideradas invariantes com o tempo. Esta simplificao mascara
o problema da dependncia com o caminho de carregamento (load path dependence), a qual s pode
ser corretamente considerada quando os carregamentos so representados por processos estocsticos.
Conforme vimos, processos estocsticos de carregamento do origem a problemas de confiabilidade
dependentes do tempo, que so considerados no captulo xx.

5.2.1

Modelos de resistncia de material

Diferentes modelos de resistncia de material so considerados na engenharia estrutural. Alguns

destes modelos esto representados na figura xx. Esta figura representa os seguintes comportamentos
de material: a) elstico; b) elastico-frgil; c) elstico-perfeitamente plstico; d) rgido-perfeitamente
plstico; e) elstico com enrijecimento plstico; f) elstico com resistncia residual e g) curvilneo
(elasto-plstico).
123

Na simplificao do comportamento de sistemas estruturais, faz-se uma distino entre membros

frgeis e dcteis. Para membros frgeis admite-se um comportamento elstico-frgil do material (b).
Para membros dcteis admite-se comportamento elastico-perfeitamente plstico (c). Estas simplificaes permitem a anlise de alguns tipos de sistemas estruturais, como ser visto a seguir.
Em geral, outros tipos de comportamento de material exigem solues numricas. Efeitos nolineares ps-flambagem, por exemplo, so representados por material elstico com enrijecimento plstico (e) e exigem uma anlise distinta da apresentada neste captulo.

5.2.2

Estruturas isostticas - sistemas em srie

Estruturas isostticas representam um caso tpico de sistema onde os componentes estruturais esto
associados em srie. Devido inexistncia de redundncia, a falha de um membro implica em falha
da estrutura. Esta idealizao vlida para membros frgeis ou dcteis. A falha (por ruptura) de um
membro frgil ou de uma vinculao causa a perda de equilbrio e portanto a falha da estrutura. A
deformao plstica de um membro dctil provoca deformao plstica da estrutura, o que pode ser
caracterizado como falha do sistema.
Em estruturas de pequeno grau hiper-esttico (i.e., com pequena redundncia) formada por membros frgeis, comum assumir-se que a falha do membro mais solicitado implica em falha da estrutura.
Isto acontee devido redistribuio de cargas, possivelmente com um fator de impacto, o que leva
ao colapso progressivo instantneo da estrutura. Obviamente, o mesmo no vale para a ruptura de
um membro que tem pequena contribuio na capacidade de carga da estrutura.

5.2.3

Estruturas hiper-estticas - sistemas em paralelo

Em estruturas hiper-estticas, a falha do sistema s acontee se um nmero suficiente de membros

falha. Este nmero igual ao grau hiper-esttico (H) da estrutura mais um. A anlise de falha
de estruturas hiper-estticas envolve a determinao das diferentes sequncias de falha, incluindo a
redistribuio de cargas dada a falha de um membro. Cada sequncia de falhas formada pelo colapso
progressivo de H + 1 membros, e todas as seqncias de falha devem ser consideradas. Os eventos
que correspondem a uma sequncia de falha esto associados em paralelo, enquanto que as diferentes
seqncias de falha formam eventos em srie. Isto significa que a desconsiderao de alguma das
possveis sequncias de falha no-conservadora (contra a segurana). Em geral, o uso de rvores de
falha ajudam a identificar as diferentes seqncias de falha.
Trelias hiper-estticas formadas por membros frgeis
A anlise de confiabilidade de trelias hiper-estticas formadas por membros frgeis envolve a avaliao
da falha progressiva dos membros hiper-estticos mais um, at o colapso da estrutura. Exemplo:

Prticos hiper-estticos formados por membros dcteis

Neste tipo de sistema idealizado, a resistncia de cada membro (vigas, colunas) determinada pelo
momento fletor necessrio para formar uma rtula plstica no mesmo. A falha da estrutura caracterizada pela formao de um mecanismo plstico, o que corresponde formao de um nmero
suficiente de rtulas plsticas para tornar a estrutura instvel. Este nmero igual ao grau hiperesttico da estrutura mais um. As rtulas plsticas que correspondem a um mecanismo representam
124

eventos em paralelo, uma vez que o mecanismo s formado quando todas as resistncias so mobilizadas. Os diferentes mecanismos possveis para determinada estrutura representam eventos em srie,
uma vez que a falha da estrutura caracterizada pela formao de qualquer mecanismo. Assim, a
desconsiderao de algum dos possveis mecanismos de falha no-conservadora (contra a segurana).
A formao de um mecanismo plstico representada por uma equao de estado limite como:
X
X
Qi i
Mj j = 0
i

onde:
Qi so as foras atuando sobre o prtico;
i so os deslocamentos das foras na formao de um mecanismo;
Mj o momento fletor necessrio para formar uma rtula plstica na j esima seo transversal;
j a rotao da j esima seo transversal na formao do mecanismo.
Exemplo:
modo a
modo b
modo c
modo d

5.3

:
:
:
:

ga = M1
+ 2M3 + 2M4 H V
gb =
+1M2 + 2M3 + 1M4
V
gc = M1 + 1M2
+ 1M4 H
gd = M1 + 2M2 + 2M3
H +V

=0
=0
=0
=0

MLTIPLOS MODOS DE FALHA

Nesta seo considerada a anlise de estruturas que apresentam mltiplos modos de falha associados
em srie. Tal anlise pode representar um elemento estrutural com mltiplos modos de falha, ou uma
estrutura isosttica completa. Esta anlise ainda representativa para prticos hiper-estticos formados por membros dcteis (diferentes mecanismos em srie), ou para determinar-se a probabilidade de
que falhe um membro (qualquer deles) em uma trelia hiper-esttica.
Cada modo de falha da estrutura ou elemento estrutural corresponde uma equao de estado limite:
gi (x) = 0, i = 1, 2, ..., n
O evento falha em relao ao i esimo modo de falha, chamado de Fi , representado por:
Fi = {x|gi (x) 0}
Note que esta representao coincide com a definio do domnio de falha (equao 3.2). Logo, o
domnio de falha em relao ao i esimo modo de falha Dfi = Fi . Portanto, o domnio de falha
para n modos de falha associados em srie um domnio composto, obtido por:
Df = ni=1 Dfi
Isto significa que, para determinar a probabilidade de falha em relao a qualquer um dos possveis
modos de falha, basta atualizar o domnio de falha na equao (3.24):
125

Pf =

fX (x)dx

(5.3)

n
i=1 Dfi

As probabilidade de falha individuais (em relao a cada um dos modos de falha considerados individualmente) podem ser determinadas utilizando-se os mtodos SORM, FORM e SORM estudados
no captulo (4). Nesta seo, estudamos como estas solues individuais so aproveitadas na soluo
de problemas envolvendo domnios de falha compostos como na equao (5.3).

5.3.1

Limites para a probabilidade de falha de sistemas em srie

Seja Fi o evento falha em relao ao i esimo modo de falha. O evento falha em relao a qualquer
um dos n modos de falha (associados em srie) descrito por:
F = F1 F2 F3 ... Fn = ni=1 Fi
Observando o diagrama de Venn para os n eventos Fi , fcil perceber que a probabilidade de falha
Pf = P [F ] obtida por:
Pf

= +P [F1 ]
+P [F2 ] P [F2 F1 ]
+P [F3 ] P [F3 F1 ] P [F3 F2 ] + P [F3 F2 F1 ]
+...

(5.4)

Para n componentes, esta equao pode ser generalizado como:

Pf =

n
X
i=1

P [Fi ]

i1
n X
X

i=2 j=1
(j<i)

P [Fi Fj ] +

i1 X
i2
n X
X

i=3 j=2 k=1

(j<i) (k<j)

P [Fi Fj Fk ] ...

(5.5)

Note-se que o primeiro somatrio envolve probabilidade de falha individuais, o segundo envolve interseces de dois eventos, o terceiro interseces de trs eventos e assim por diante. Note-se ainda que os
sinais destes somatrios alternam-se entre positivo e negativo, o que significa que limites inferiores e
superiores para a probabilidade de falha so obtidos medida que estes termos vo sendo incorporados
na soma.
Limites uni-modais so obtidos desconsiderando-se todos os termos envolvendo interseces. Isto
significa que estes limites so calculados considerando-se apenas modos individuais de falha. Como ser
visto a seguir, os resultados apresentados na equao (??) correspondem a limites uni-modais. Limites
bi-modais so obtidos incluindo-se os termos de interseco entre dois modos de falha P [Fi Fj ]. Os
termos de interseco mltipla (trs ou mais modos de falha) so bastante difceis de calcular, e nem
sempre necessrios.
Limites uni-modais
A considerao do primeiro somatrio (apenas) da equao (5.5) d origem a um limite superior para
a probabilidade de falha:
n
X
Pf
P [Fi ]
(5.6)
i=1

Os termos de interseco P [Fi Fj ] ou de interseco mltipla na equao (5.5) so sempre menores

ou iguais ao menor dos eventos envolvidos na interseco:
P [Fi Fj ] min[Fi , Fj ]
Isto significa que a considerao de apenas um dos termos do somatrio em (5.6) corresponde a um
limite inferior para a probabilidade de falha. Em particular:
Pf max [P (Fi )]
i

126

Portanto, os limites uni-modais da probabilidade de falha so obtidos como:

max [P (Fi )] Pf
i

n
X

P [Fi ]

i=1

Note que esta expresso idntica equao (??). Os limites uni-modais no so muito teis por
serem bastante amplos, principalmente quando no h um modo de falha dominante.

Limites bi-modais
Limites bi-modais da probabilidadade de falha do sistema so obtidos incluindo os termos de segunda
ordem (P [Fi Fj ]) da equao (5.5). Para obter um limite inferior, desconsideramos os termos
envolvendo interseces mltiplas (trs ou mais modos de falha), mas utilizamos o operador max[.]
para garantir que no haja contribuio negativa na probabilidade de falha devido desconsiderao
dos termos de terceira ordem (P [Fi Fj Fk ]):
P [F1 ] +

n
X

max 0, P [Fi ]

i=2

i1
X
j=1

P (Fi Fj ) 6 Pf

(5.7)

Observe que este limite depende da ordenao dos modos de falha. Existem algoritmos para se
determinar a ordenao ideal dos modos de falha a fim de estreitar estes limites. A regra geral
orden-los em escala de importncia, i.e., em escala decrescente de probabilidade de falha individual:
P [F1 ] > P [F2 ] > P [F3 ] > ... > P [Fn ]
O limite superior obtido a partir de uma simplificao das linhas da expresso (5.4). Cada linha
desta expresso faz uma contribuio no-negativa na probabilidade de falha, de modo que:
Pf 6

n
X
i=1

P [Fi ]

n
X
i=2

max [P (Fi Fj )]
i>j

(5.8)

Aqui, o operador max[.] tambm garante que no ocorra contribuio negativa na probabilidade de
falha.

5.3.2

Aproximao de primeira ordem para mltiplos modos de falha

Os limites bi-modais da probabilidade de falha de sistemas com mltiplos modos de falha (associados
em srie) podem ser avaliados a partir de uma aproximao de primeira ordem das equaes de
estado limite que definem o problema. Esta aproximao, que compatvel com a linearizao das
equaes de estado limite realizada em SORM e FORM, consiste em determinar os termos bi-modais
de probabilidade (Fi Fj ) a partir dos coeficientes de correlao entre as equaes de estado limite
linearizadas nos respectivos pontos de projeto.

Correlao entre modos de falha

Considere os dois hiper-planos tangentes cada equao de estado limite nos respectivos pontos de
projeto:
gi (y) = (y yi )T gi (yi ) = 0
gj (y) = (y yj )T gj (yj ) = 0
Aplicando o operador valor esperado, obtemos:
E[gi (y)] = gi (y) = yi T gi (yi )
E[gj (y)] = gj (y) = yj T gj (yj )
127

A covarincia entre os dois modos de falha (entre as duas equaes de estado limite) obtida como:
Cov[gi (y), gj (y)] = E[(gi gi )(gj gj )]

= E[ yT gi (yi ) yT gj (yj ) ]
= E[yT y](gi (yi )T gj (yj ))

O termo E[yT y] corresponde ao momento de ordem 2 (equao 2.14), e pode ser calculado como:
E[yT y] = E[y2 ] = 2Y + E[y]2
No espao das variveis normais padro normalizadas, E[y] = 0 e 2Y = 1, logo E[yT y] = 1. Portanto,
a covarincia entre dois modos de falha se resume a:
Cov[gi (y), gj (y)] = gi (yi )T gj (yj )
Da equao (4.19) temos que:
V ar[gi (y)] = gi (yi )T gi (yi )
ou:
gi (y) =

q
gi (yi )T gi (yi ) = kgi (yi )k

Portanto, o coeficiente de correlao aproximado entre dois modos de falha gi (y) e gj (y), obtido
atravs da linearizao das equaes de estado limite nos respectivos pontos de projeto, :
gi gj

=
=

Cov[gi (y), gj (y)]

gi (y) gj (y)
gi (yi )T gi (yi )

kgi (yi )k gj (yj )

= Ti j

(5.9)

Pode-se mostrar ainda que gi gj o cosseno do angulo entre as equaes de estado limite linearizadas.
Aproximao da probabilidade de interseco P (Fi Fj )
As probabilidades de interseco P (Fi Fj ) no podem ser determinadas diretamente, nem de forma
exata. Estas probabilidades so aproximadas a partir das probabilidades de ocorrncia dos eventos A e
B representados na figura (5-3), para cada combinao de modos de falha. Relaes de ortogonalidade
permitem determinar:

j gi gj i

P (Aij ) = ( i ) q
1 2gi gj

i gi gj j

P (Bij ) = ( j ) q
1 2gi gj
Na avaliao dos limites inferior e superior (equaes 5.7 e 5.8), os termos P (Fi Fj ) so aproximados de forma a preservar os respectivos limites.
Quando o coeficiente de correlao gi gj positivo, utiliza-se
P (Fi Fj ) = P (Aij ) + P (Bij )
para o limite inferior e
P (Fi Fj ) = max[ P (Aij ), P (Bij )]
para o limite superior.
128

Quando o coeficiente de correlao gi gj negativo, utiliza-se

P (Fi Fj ) = min[ P (Aij ), P (Bij )]
para o limite inferior e
P (Fi Fj ) = 0
para o limite superior.
A formulao destes limites est baseada em trs importantes aproximaes: a linearizao das
equaes de estado limite nos respectivos pontos de projeto, a considerao de falha simultnea por
dois e no mais do que dois modos de falha e a aproximao feita no clculo da probabilidade de
interseco P (Fi Fj ).
Devido linearizao e aproximao feita no clculo de P (Fi Fj ), os limites estabelecidos por
(5.7) e (5.8) so assintticos, isto , se estreitam a medida que as probabilidades de falha individuais
diminuem. Estes limites ainda podem ser largos quando no h um modo de falha dominante, especialemnte se as probabilidades de falha individuais forem elevadas. No entanto, em geral obtm-se
bons resultados.
O clculo dos limites bi-modais linearizados pode ser resumido nas seguintes etapas:
1. Ordenamento em ordem decrescente das probabilidades de falha individuais;
2. Clculo dos coeficientes de correlao linearizados entre os modos de falha;
3. Clculo da probabilidade dos eventos A e B para cada par de modos de falha;
4. Clculo da probabilidade de interseco para dois modos de falha P (Fi Fj );
5. Clculo dos limites da probabilidade de falha do sistema conforme (5.7) e (5.8).

5.4
5.4.1

SISTEMAS ESTRUTURAIS COMPLEXOS

rvore de falhas

Essencialmente, uma rvore de falhas utilizada para decompor um evento principal (geralmente,
falha do sistema gerando um acidente) em combinaes de eventos elementares que levam a ocorrncia do evento principal. Este processo de decomposio continua at que o evento principal esteja
desmembrado em eventos bsicos cuja probabilidade de ocorrncia seja conhecida ou possa ser calculada. A probabilidade de ocorrncia dos eventos bsicos dada na forma de tabelas, para componentes
mecnicos ou eletrnicos, ou pode ser calculada com base nos mtodos estudados.
A rvore de falhas permite desmembrar um acidente em seus eventos bsicos, que podem ser falhas
de equipamento ou falhas humanas. A figura (5-4) mostra uma rvore de falhas esquematizada. Na
decomposio do evento principal, os eventos bsicos so agrupados utilizando-se portas do tipo AND
ou OR, que correspondem a componentes associados em srie ou em paralelo. A figura (??) apresenta
o smbolo e o tipo de associao representada por cada porta.
rvores de falha podem ser utilizadas tanto para anlises quantitativas como qualitativas. Claramente, h inmeras vantagens de se efetuar primeiramente uma anlise qualitativa.
Anlise qualitativa
rvores de falha so uma maneira sistematizada e organizada de identificar as provveis falhas de um
sistema que podem levar a um acidente (evento principal). Alm de identificar as provveis causas de
um acidente, rvores de falha permitem descobrir combinaes de incidentes que levam falha e que
de outra maneira poderiam passar desapercebidas.
Uma anlise puramente qualitativa, utilizando valores de probabilidades aproximados, j suficiente para orientar o projeto de um sistema. Ela permite identificar as seqncias crticas de eventos
que mais provavelmente levam falha do sistema. Estas seqncias so chamadas de caminhos crticos
ou minimal cut sets. Os caminhos crticos que podem levar ao evento principal podem ser identificados em uma anlise qualitativa. A probabilidade de ocorrncia do evento principal pode ento ser
minimizada minimizando-se a probabilidade de ocorrncia dos eventos do caminho crtico. Por meio
dos caminhos crticos, pode-se simplificar consideravelmente a rvore de falha de um sistema muito
complexo.
129

Anlise quantitativa
Muitas vezes, estatsticas de eventos so dadas em termos de freqncias (e.g., falhas por ano, ou
falhas por hora). O clculo de probabilidade em uma porta AND (figura ??) admite apenas uma
entrada do tipo freqncia, caso contrrio o resultado se tornaria algo como falhas3 por ano3 , o que
obviamente no faz sentido. No entanto, se uma das entradas for uma freqncia e as demais entradas
forem probabilidades, o resultado se torna tambm uma estimativa de freqncia.
Na operao OR, no h qualquer dificuldade em combinar estatsticas de eventos em termos de
freqencias, desde que as freqncias sejam relativamente baixas.
Caractersticas de rvores de falha:
1. no representa todos os modos de falha do sistema;
2. analisa eventos principais a partir de suas causas primrias;
3. desmembra eventos principais em falha de componentes bsicos cuja probabilidade de ocorrncia
conhecida ou pode ser calculada;
4. pode representar componentes em srie e/ou paralelo, com redundncia ativa ou passiva;
5. detecta caminhos crticos que mais provavelmente levam a falha do sistema;
6. requer uma definio prescisa das fronteiras do sistema;
7. programas de computador disponveis para grandes problemas;
8. pode incluir falha de equipamento e falha humana na mesma anlise;
9. ateno com os modos de falha comuns, pois a anlise quatitativa baseada na hiptese de
independncia entre eventos!

5.4.2

rvore de eventos

rvores de evento servem para identificar as conseqncias de um evento inicial, como a falha de
um componente do sistema. rvores de evento permitem ainda identificar a atuao de sistemas de
segurana e sua adequao, identificar em que ponto devem ser investidos recursos para minimizar
conseqncias e, finalmente, avaliar a probabilidade de ocorrncia de determinadas conseqncias.
O desenvolvimento de uma rvore de falhas inicia no evento inicial e segue com a identificao
das conseqencias deste evento atravs de uma srie de pontos de deciso. Estes pontos de deciso
referem-se a entrada em operao de um sistema de segurana, uma interveno humana, condies
ambientais no momento do incidente, etc. Uma rvore de eventos ilustrada na figura (5-5).
Construo de rvores de eventos:
1. definio do evento inicial, que pode ser falha de um equipamento, falha humana ou outro evento
que gera uma sequncia de acontecimentos;
2. definio dos eventos secundrios relevantes, de onde partem os galhos da rvore. Cada
ramificao associada a uma probabilidade de ocorrncia. A soma das probabilidades de
ocorrncia de todos os galhos que ramificam de um n deve ser um (1.0);
3. traado dos caminhos de falha, distinguindo caminhos que levam a falha de caminhos sem maiores
conseqncias. Os caminhos de falha mostram onde devem ser concentrados os esforos para
diminuir a probabilidade de ocorrncia de resultados indesejveis;
4. realizao da anlise qualitativa;
5. realizao da anlise quantitativa,
130

Avaliao qualitativa:
Uma avaliao qualitativa de uma rvore de eventos pode fornecer informaes importantes, como:
1. o papel e adequao de sistemas de segurana: a anlise revela a efetividade de um equipamento
de segurana e pode revelar a necessidade de equipamento adicional;
2. o papel de barreiras, formadas por aes e medidas que tem como finalidade conter a propagao
dos eventos. Exemplo: as barreiras fsicas utilizadas para conter eventuais vazamento de lquidos;
3. efeitos de mudanas no projeto, e.g., mudar uma linha de conduo (tubulao) para longe da
rea com potencial para incndios, evitando eventos secundrios relacionados com a tubulao;
4. papel da resposta de emergncia: h previso de uma resposta de emergncia no evento de um
acidente? Esta resposta suficiente para minimizar as conseqncias?

Avaliao quantitativa:
Esta feita simplesmente multiplicando-se a probabilidade dos eventos situados ao longo de um
caminho que leva a uma conseqncia indesejvel.

Caractersticas de uma rvore de eventos:

1. fcil de construir e de avaliar;
2. h risco de aumentar muito, a medida que mais eventos secundrios so considerados;
3. possibilita a avaliao de risco, incluindo o custo de falha;
4. ilustra o efeito de falhas;
5. mostra a seqncia de um acidente;
6. prpria para anlise de segurana;
7. seqencias de grande significado podem ser analisadas usando rvores de falha.

5.5

Figuras

e1

e3

e2

...

en

Figura 5-1: Sistema formado por componentes (eventos) associados em srie.

131

e1
e2
e3
...
en

Figura 5-2: Representao de sistema com componentes em paralelo.

Figura 5-3: Aproximao linear da Pf para dois modos de falha.

132

evento
principal

e1

e2

e5

e3

e7

e4

e6

Figura 5-4: rvore de falhas mostrando eventos bsicos e evento principal.

c1

c2

c3

c4

c5

c6

evento
inicial

Figura 5-5: rvore de eventos mostrando evento inicial e conseqncias.

133

134

Captulo 6

SIMULAO DE MONTE
CARLO
Simulao uma forma de experimentao numrica. Segundo Rubinstein (1981):
simulao uma tcnica numrica para realizar experimentos em computador, com
base em modelos lgicos e modelos matemticos, de modo a descrever o comportamento de
sistemas econmicos e de administrao ao longo de um determinado perodo de tempo.
Simulao de Monte Carlo o nome dado a simulao que envolve a utilizao de nmeros
aleatrios. O nome uma referncia cidade de Monte Carlo, no principado de Mnaco, famosa
por seus cassinos.
A simulao uma tcnica que permite a soluo de problemas muito complexos. Tem sido muito
utilizada para prever o comportamento a longo prazo de sistemas complexos de qualquer natureza.
Na simulao, no h limite no nmero de variveis do problema ou na complexidade de modelo,
resolvendo-se com a mesma facilidade problemas com poucas ou com muitas variveis.
Na matemtica, a simulao utilizada como ferramenta para calcular integrais, equaes algbricas e equaes diferenciais complexas.
Em termos de anlise estrutural, a simulao pode ser entendida como uma forma de simular
numricamente um experimento que na prtica no realizvel. Este experimento consiste em testar a
estrutura para todas as conbinaes possveis de resistncias e de aes, sendo estas variveis aleatrias
e/ou processos estocsticos. Tal experimento no realizvel na prtica porque:
1. o custo de construo de estruturas muito elevado para se construir prottipos para teste;
2. as possibilidades de uso de modelos em escala so limitadas;
3. a probabilidade de falha de sistemas estruturais muito pequena, o que torna a observao de
falhas muito difcil.
Na rea de anlise estrutural, o mtodo de simulao de Monte Carlo muito utilizado como
ltimo recurso, quando os demais mtodos analticos falham. comum tambm utilizar-se Monte
Carlo para verificar solues analticas aproximadas.
Com o aumento da capacidade dos computadores, a simulao de Monte Carlo tem conquistado
mais espao, devido sua robustez e simplicidade. Tcnicas de amostragem inteligente tem permitido
a aplicao da simulao problemas com baixa probabilidade de falha.
Mtodos de simulao so muitas vezes chamados de mtodos exatos porque, tericamente, o
resultado da simulao tende ao resultado exato quando o nmero de simulaes tende ao infinito.
Alm disto, mtodos de simulao evitam certas aproximaes dos mtodos analticos. No entanto, a
concepo de exato se limita a estes dois fatores pois, na realidade, mtodos de simulao ainda esto
sujeitos a erros de modelo, aproximaes algortmicas na gerao de nmeros aleatrios, e outros.
Os resultados dependem da qualidade dos nmeros aleatrios utilizados, o que representa importante
parcela do trabalho de simulao.
135

6.1

FORMULAO

Conforme estabelecido nas equaes (3.24) e (5.3), a determinao da probabilidade de falha de um

componente ou sistema estrutural envolve uma integral sobre o domnio de falha Df da funo de
densidade de probabilidade conjunta fX (x):
Z
Pf =
fX (x)dx
(6.1)
Df

O domnio de falha pode ser representado por uma nica equao de estado limite ou por qualquer
combinao de estados limites em srie e/ou em paralelo:
Df
Df

= ni=1 Dfi (srie)

= ni=1 Dfi (paralelo)

Usando uma funo indicadora:

I[x] = 1 se x Df (falha)
I[x] = 0 se x
/ Df (sobrevivncia)
pode-se integrar (6.1) sobre todo o domnio:
Pf =

I[x]fX (x)dx

(6.2)

De acordo com a equao (2.12), esta expresso corresponde ao valor esperado da funo indicadora
I[Df ] . Portanto, o valor esperado da probabilidade de falha pode ser estimado, com base em uma
amostra de tamanho finito, atravs da equao (2.16):
Pf = I[x] =

nsi
1 X
I[xi ]
nsi i=1

(6.3)

onde a barra indica uma estimativa e nsi o numero de simulaes. Este um estimador notendencioso da probabilidade de falha.
Este resultado baseado em uma amostra de tamanho finito nsi , e portanto est sujeito a um
erro estatstico que corresponde varincia de I[x]. Utilizando a equao (2.19), obtemos a varincia
como:
nsi
X

2
1
V ar[Pf ] =
(6.4)
I[xi ] Pf
(nsi 1) i=1

A varincia de Pf corresponde incerteza ou erro estatstico da simulao. A equao (6.4) mostra

que esta incerteza diminui medida que aumenta o nmero de simulaes nsi , convergindo zero com
nsi . A varincia de Pf depende ainda da ordem de grandeza da probabilidade de falha exata Pf .
Quanto menor a probabilidade de falha, maior o nmero de simulaes necessrias para se obter uma
mesma varincia. A equao (6.4) permite estimar o nmero de simulaes necessrias para manter o
erro abaixo de determinado limite. Uma regra geral para nvel de confiana k (Broding et al., 1964):
nsi >

ln[1 k]
Pf

(6.5)

Como exemplo, para um nvel de confiana k = 95% e Pf = 103 , esta regra resulta em nsi > 3000.
A probabilidade de falha em problemas de confiabilidade estrutural tpicamente muito pequena
(da ordem de 103 a 106 ). Isto significa que, em geral, o nmero de simulaes necessrias para se
atingir alguns poucos pontos no domnio de falha muito grande. Isto leva tambm a uma grande
varincia dos resultados. Para enderear este problema e reduzir o nmero de simulaes necessrias,
utiliza-se tcnicas de reduo de varincia, que so estudadas na seo (6.3).
O mtodo de Monte Carlo formulado aqui conhecido como mtodo de Monte Carlo simples ou
direto, por no utilizar tcnicas de reduo de varincia.
Algoritmo 40 Mtodo de Monte Carlo simples ou direto
1. gerar nsi amostras xi = {x1 , x2 , ...xn } a partir da funo conjunta de densidades fX (x);
136

2. verificar a ocorrncia de falha ou no para cada amostra, atravs da funo indicadora I[xi ];
3. estimar mdia e varincia da probabilidade de falha atravs de (6.3) e (6.4).

6.2

GERAO DE NMEROS ALEATRIOS COM DISTRIBUIO PRESCRITA

Boa parte do trabalho no mtodo de simulao de Monte Carlo est na gerao das nsi amostras
xi = {x1 , x2 , ...xn }. Cada uma destas amostras contm n nmeros aleatrios gerados segunda a funo
conjunta de densidade de probabilidades fX (x). Obviamente, a utilizao de computadores facilita
esta tarefa para nsi grande. Os mtodos apresentados nesta seo so os mais utilizados na prtica.
Outras tcnicas de maior apelo terico mas de dificil aplicao tambm existem (Rubinstein, 1981;
Bratley et al., 1987).

6.2.1

Gerao de amostras de uma varivel aleatria

A obteno de uma amostra (aleatria) de uma varivel aleatria com funo de distribuio cumulativa de probabilidades FX (x) conhecida pode ser dividida em duas etapas:
1. gerao de um nmero aleatrio uj com distribuio uniforme entre 0 e 1;
2. determinao da inversa da funo de distribuio cumulativa de probabilidades:
1
xj = FX
(uj )

(6.6)

Este procedimento pode ser visualizado na figura (6-1). Ele pode ser aplicado para qualquer
distribuio estatstica conhecida, uma vez que, por definio, a funo de distribuio cumulativa de
probabilidades aumenta monotonicamente entre 0 e 1. No entanto, este procedimento no adequado
para as distribuies normal e lognormal, uma vez que a expresso analtica de FX (x) no conhecida
(ver equao 2.39 e seo 2.9.2).
Amostras de variveis aleatrias com distribuio normal ou log-normal podem ser obtidas a partir
de um algoritmo especfico. Um par de amostras independentes y1 e y2 de uma varivel normal padro
obtido a partir de um par de amostras independentes u1 e u2 , uniformemente distribudas entre 0 e
1, a partir de (Soong e Grigoriu, 1993):
p
2 log u1 cos(2 u2 )
y1 =
p
y2 =
2 log u1 sin(2 u2 )
(6.7)
Amostras da varivel X N (, ) so ento obtidas a partir de:
xj = yj +

(6.8)

Utilizando o mesmo algoritmo, amostras de uma varivel log-normal X LN (, ) so obtidas de:

xj = exp[yj + ]

(6.9)

Ambos algoritmos (equaes 6.6 e 6.7) esto baseados em amostras de nmeros aleatrios uj com
distribuio uniforme entre 0 e 1. Na prxima seo, verificamos como estes nmeros so obtidos
atravs de algoritmos recursivos. A gerao de grupos de nmeros aleatrios com funo conjunta de
densidade de probabilidades fX (x) descrita na seo (6.2.3).

6.2.2

Gerao de nmeros aleatrios com distribui o uniforme

Nmeros aleatrios com distribuio uniforme entre 0 e 1 so obtidos atravs de algoritmos recursivos.
Um algoritmo muito utilizado, chamado de gerador congruencial, (Bourgund et al., 1986):

a zk + c
a zk + c
uk =
int
(6.10)
m
m
137

Nesta expresso, int[.] representa a parte inteira, (a, m, c) so constantes que caracterizam o
gerador, e z1 (o valor inicial de zk ) a chamada semente do gerador. fcil perceber que a equao
(6.10) resulta em nmeros distribudos entre 0 e 1. O gerador congruencial funciona a partir de uma
sequncia de grandes nmeros zk , obtida de:

a zk + c
zk+1 = a zk + c m int
(6.11)
m
A seqncia de nmeros gerados pelas equaes (6.10 e 6.11) uma sequncia determinstica, e por
conta disto o conjunto de nmeros gerados dito pseudo-aleatrio. A seqncia pode ser reproduzida
atravs do uso da mesma semente z1 , o que muitas vezes conveniente.
A qualidade de um gerador congruencial depende amplamente das constantes (a, m, c). O gerador
cclico, e o perodo do ciclo menor do que m. Isto significa que um grande valor de m deve
ser utilizado. Alm disto, o ndice de correlao entre dois nmeros consecutivos inversamente
proporcional s constantes m e a utilizadas, e portanto ambos valores devem ser grandes. A semente
z1 deve ser um nmero grande, inteiro e mpar. Infelizmente, estas especificaes no so suficientes
para garantir a qualidade de um gerador.
Teste de geradores
A qualidade de um gerador de nmeros aleatrios medida a partir da uniformidade e da independncia dos nmeros obtidos. Os nmeros gerados podem ser testados quanto independncia e quanto
uniformidade atravs de testes estatsticos padronizados.
Uma maneira simples de verificar a uniformidade dos nmeros gerados orden-los em ordem
crescente e representar graficamente o resultado. Os pontos devem estar alinhados em uma linha reta
entre 0 e 1, que corresponde funo cumulativa de probabilidades para a distribuio uniforme. Este
teste, no entanto, no muito robusto.
Gerador ruim:
(a, m, c) = (231 1, 65539, 0)
Gerador dos computadores IBM System 360 (bom):
(a, m, c) = (231 1, 16807, 0)
Outro bom gerador:
(a, m, c) = (231 1, 41358, 0)

6.2.3

Gerao de conjunto de nmeros aleatrios a partir de uma distribuio conjunta de probabilidades

O mtodo de simulao de Monte Carlo envolve a gerao de conjuntos de nmeros aleatrios xi =

{x1 , x2 , ...xn }, sendo n o nmeros de variveis aleatrias do problema, que devem ser obtidos a partir
da funo conjunta de densidade de probabilidades fX (x).
Na seo 4.2.1, argumentamos sobre as dificuldades de se conhecer, nos problemas prticos, a
funo conjunta de probabilidades fX (x). Isto significa que esta distribuio deve ser construda a
partir de um modelo apropriado e da informao disponvel, o que em geral corresponde s funes
de probabilidades marginais e a ndices de correlao entre pares de variveis aleatrias. O modelo de
distribuio a ser utilizado idntico ao modelo utilizado no mtodo FORM (seo 4.2).
Variaveis aleatrias independentes
Se as variveis aleatrias do problema so independentes, ento a funo conjunta de densidade de
probabilidades obtida conforme equao (??):
fX (x) =

n
Y

fXi (xi )

(6.12)

i=1

onde fXi (xi ) a funo de densidade de probabilidades marginal da varivel Xi . Isto significa que
os nmeros aleatrios podem ser gerados de forma independente dos demais, utilizando as equaes
(6.6, 6.8 ou 6.9).
138

Variveis aleatrias correlacionadas

A existncia de correlao entre as variveis aleatrias do problema deve ser imposta ao gerar-se
amostras do vetor xi = {x1 , x2 , ...xn }. Na simulao de Monte Carlo, a correlao tratada de
maneira inversa ao que ocorre na soluo via SORM ou FORM. Na soluo via FORM, a correlao
entre as variveis eliminada ao realizar-se a transformao para o espao normal padro. Na soluo
via simulao, a correlao deve ser imposta aos pontos amostrados. Na prtica, porm, as mesmas
matrizes so utilizadas.
Transformao de Rosenblatt Utilizando a transformao de Rosenblatt, as funes conjuntas
de probabilidades so obtidas como:
fX (x) = fX1 (x1 )fX2 (x2 |x1 )...fXn (xn |x1 , x2 , ..., xn1 )
FX (x) = FX1 (x1 )FX2 (x2 |x1 )...FXn (xn |x1 , x2 , ..., xn1 )

(6.13)

onde fX2 (x2 |x1 ) a funo de densidade de probabilidade condicional de X2 dado X1 . A partir deste
modelo, nmeros aleatrios correlacionados podem ser obtidos como:
x1

1
= FX
(u1 )
1

x2

1
= FX
(u2 |x1 )]
2
..
.
1
= FX
(un |x1 , x2 , ..., xn1 )]
n

xn

(6.14)

Infelizmente, as distribuies condicionais de probabilidades que aparecem nas equaes (6.13 e

6.14) so difceis de calcular, de forma que este resultado tem apenas valor terico.
Modelo de Nataf Na prtica, o modelo de Nataf pode ser utilizado para gerar amostras de variveis
aleatrias correlacionadas. Conforme visto na seo 4.2, o modelo de Nataf consiste em construir
uma aproximao para a funo conjunta de distribuio de probabilidades fX (x) a partir de uma
funo de distribuio Gaussiana padro multi-variada n (z, RZ ) (equao 4.49). Utilizando este
modelo, a correlao entre as variveis X pode ser imposta em uma amostra X = x a partir de uma
amostra z envolvendo variveis normais padro correlacionadas. Esta correlao, por sua vez, pode
ser imposta em um conjunto de variveis normais padro y, sem correlao, utilizando as matrizes de
transformao utilizadas na seo 4.2.
Inicialmente, obtm-se uma amostra yi = {y1 , y2 , ..., yn } de um vetor formado por nmeros
aleatrios normais padro independentes, conforme a equao (6.7). Esta amostra transformada
para o espao Z atravs de:
zi = Jzy yi
(6.15)
onde Jzy a matriz Jacobiana de transformao de Y Z. A seguir, determina-se o vetor de
probabilidades acumuladas desta amostra (vetor ui ), fazendo:
ui = [zi ]
Finalmente, a amostra xi obtida a partir da equao (6.6):
1
1
xi = FX
(ui ) = FX
([Jzy yi ])

(6.16)

Note que a matriz de transformao Jzy a mesma utilizada em FORM, obtida pela decomposio
ortogonal ou de Cholesky da matriz de correlao equivalente RZ , atravs das equaes (4.56 e ??).

6.3

TCNICAS DE REDUO DA VARINCIA

A pequena probabilidade de falha tpica de problemas de confiabilidade estrutural implica em que o

nmero de simulaes necessrias para se atingir alguns poucos pontos no domnio de falha seja muito
grande. Como consequncia, no mtodo de simulao de Monte Carlo simples ou direto o nmero
de simulaes necessrias pode se tornar proibitivamente alto, e/ou a varincia dos resultados pode
139

se tornar muito grande. Para enderear este problema e reduzir o nmero de simulaes necessrias,
utiliza-se tcnicas de reduo de varincia, que so estudadas nesta seo.

6.3.1

Variveis antitticas

Dois estimadores no tendenciosos da probabilidade de falha, ZA e ZB , podem ser combinados de

forma a produzir um terceiro estimador ZC :
1
(ZA + ZB )
2
ZC tambm ser um estimador no tendencioso pois:
ZC =

E[ZC ] =

1
1
(E[ZA ] + E[ZB ]) = (ZA + ZB )
2
2

(6.17)

(6.18)

A varincia de ZC , no entanto, :
V ar[ZC ] =

1
(V ar[ZA ] + V ar[ZB ] + 2Cov[(ZA + ZB )])
4

(6.19)

Se os estimadores ZA e ZB so independentes (e.g., baseados em dois conjuntos distintos de valores

aleatrios), o ltimo termo da expresso (6.19) se anula. Se os estimadores tiverem correlao negativa,
o ltimo termo menor que zero e portanto a varincia de ZC resulta menor do que a varincia
combinada de ZA e ZB . Logo, a varincia de ZC , e portanto o erro associado com a simulao, pode
ser reduzida atravs da utilizao de dois estimadores com correlao negativa.
A correlao negativa obtida atravs do uso das variveis antitticas, como segue. Se uma
amostra xi obtida a partir de uma amostra ui (com distribuio uniforme entre 0 e 1), ento a
prxima amostra xi+1 obtida a partir de (1 ui ). Assim, os estimadores ZA e ZB so baseados em
nsi /2 amostras (alternadas), e resultam negativamente correlacionados.
Esta tcnica de reduo da varincia muito fcil de implementar, mas as melhorias so modestas.
Em funo disto, as variveis antitticas so geralmente combinadas com outras tcnicas de reduo
da varincia.

6.3.2

Amostragem por importncia

As tcnicas de amostragem por importncia so conhecidas tambm por amostragem inteligente, uma
vez que procuram deslocar os pontos de amostragem para regies importantes do domnio de falha.
Elas reduzem o nmero de simulaes por evitarem a simulao excessiva de pontos longe da regio
de interesse, ou seja, longe do domnio de falha. Estas tcnicas geralmente fazem uso de alguma
informao adicional sobre o problema, como por exemplo as coordenadas do ponto de projeto.
As tcnicas de amostragem por importncia tem sido objeto de muito estudo nos ltimos anos.
Elas esto entre as mais importantes e eficientes tcnicas para diminuir o nmero de simulaes e/ou
reduzir a varincia dos resultados.
Os pontos de amostragem (ou pontos simulados) so gerados a partir de uma funo de amostragem
hX (x), que os desloca para o domnio de falha. A expresso (6.2) fica:
Z
fX (x)
I 0 [x]
(6.20)
Pf =
hX (x)dx
h
X (x)

Como os pontos so gerados por uma funo de amostragem hX (x) e no pela funo fX (x),
claro que:
I 0 [x] 6= I[x]
A estimativa da probabilidade de falha (equao 6.3) fica:
Pf =

nsi
1 X
fX (xi )
I 0 [xi ]
nsi i
hX (xi )

(6.21)

Comparando a equao (6.21) com a equao (6.3), nota-se que para a nova funo indicadora
140

I 0 [xi ], cada ponto amostrado est associado um peso de simulao wi :

wi =

fX (xi )
hX (xi )

(6.22)

De fato, se hX (x) desloca os pontos amostrados para o domnio de falha, I 0 [xi ] ser maior do
que I[xi ], mas cada ponto amostrado estar associado a um peso wi < 1, conforme representado no
detalhe da figura (6-2).
O sucesso da amostragem por importncia est na escolha da funo de amostragem hX (x). Uma
funo mal escolhida pode mesmo piorar os resultados em relao amostragem simples.
Se a funo de amostragem escolhida de maneira que:
hX (x) = I 0 [xi ]

fX (x)
Pf

(6.23)

ento a estimativa Pf na equao (6.21) se torna idntica probabilidade verdadeira, Pf , com apenas
uma simulao sendo suficiente. bviamente, esta expresso no tem utilidade prtica porque faz uso
da prpria Pf que est sendo procurada. No entanto, ela mostra que hX (x) deve ser escolhida de
maneira a ser proporcional I 0 [xi ] fXP(x)
, ou seja, de maneira a ser proporcional funo de densidades
f
conjunta fX (x) no domnio de falha.
Vrias estratgias so propostas na literatura para se determinar a funo de amostragem: amostragem
por importncia utilizando pontos de projeto (Borgund e Bucher, 1986); amostragem adaptativa
(Bucher, 1988; Karamchandani et al., 1989); mtodo kernel adaptativo (Ang e Ang, 1994); mtodo
do hipercone (Iman e Canover, 1980); simulao direcional (Bjerager, 1988, Melchers, 1992) e outras.
Algoritmo 41 Mtodo de Monte Carlo com amostragem por importncia
1. gerar nsi amostras xi = {x1 , x2 , ...xn } a partir da funo de amostragem hX (x);
2. verificar a ocorrncia de falha para cada amostra, atravs da funo indicadora I 0 [xi ];
3. avaliar o peso de simulao para cada ponto amostrado, a partir da equao (6.22);
4. estimar mdia da probabilidade de falha atravs de (6.21);
5. estimar varincia da probabilidade de falha por:
n

V ar[Pf ] =

6.3.3

si
X
0
2
1
I [xi ]wi Pf
(nsi 1) i=1

(6.24)

Amostragem por importncia utilizando pontos de projeto

Um modo de falha
Para uma equao de estado limite, uma estratgia muito interessante centrar a funo de amostragem
no ponto de projeto (Borgound e Bucher, 1986). Esta estratgia desloca os pontos simulados para o
domnio de falhas, conforme a figura (6-2). Esta vem a ser uma forma de melhorar a qualidade da
simulao atravs do uso de informao adicional: as coordenadas do ponto de projeto. O ponto de
projeto encontrado atravs das tcnicas descritas no captulo (??).
Utilizando amostragem por importncia nos pontos de projeto, o nmero nsi de amostras necessrias
(equao 6.5) torna-se praticamente independente da ordem de grandeza da probabilidade de falha.
Isto ocorre porque, a grosso modo, metade das amostras estar dentro e metade estar fora do domnio
de falha.
Mltiplos modos de falha
Para mltiplos modos de falha, a funo de amostragem pode ser construda de forma a possuir uma
salincia ou protuberncia sobre cada ponto de projeto, sendo aproximadamente plana no resto do
domnio conforme ilustrado na figura (6-3).
141

Para nel equaes de estado limite, a funo de amostragem obtida como:

hX (x) =

nel
X

pi hiX (x)

(6.25)

i=1

onde pi o peso de amostragem associado ao i esimo modo de falha. Cada salincia hiX obtida
transladando a funo fX (x) de forma que seu ponto mdio coincida com o respectivo ponto de projeto.
Os pesos pi so determinados em funo da importncia de cada modo de falha. Para modos de falha
em srie, estes pesos so calculados em termos da estimativa de primeira ordem da probabilidade de
falha:
( i )
pi = Pnel
(6.26)
i=1 ( i )

Assim, a amostragem se concentra nos pontos de projeto mais importantes. Pode-se tambm estabelecer um limite para pi (e.g., pi > 0.1), valor abaixo do qual um ponto de projeto desconsiderado
na construo da funo de amostragem.
O nmero total de simulaes nsi dividido de forma proporcional aos pesos pi . Cada conjunto de
pontos amostrado segundo a componente correspondente da funo de amostragem, hiX . A funo
indicadora avaliada para falha em relao a qualquer modo de falha, independente da componente
hiX utilizada na gerao de cada amostra. Os pesos de amostragem para cada ponto simulado so
determinados atravs de (6.25) e (6.22), e as estimativas da mdia e varincia da probabilidade de
falha so obtidas de (6.21) e (6.24).

6.3.4

Amostragem por importncia adaptativa

possvel tambm atualizar a funo de amostragem hX (x) de forma adaptativa medida que os
resultados da simulao vo sendo computados (Bucher, 1988; Karamchandani et al., 1989). Considerando a expresso (6.23), o erro estatstico da amostragem por importncia ser nulo se:
hX (x) = fX (x|x Df )

(6.27)

Seja H o conjunto de variveis aleatrias cuja funo de densidade conjunta corresponde funo
de amostragem hX (x). Relaxando a condio (6.27) e aplicando-a apenas aos dois primeiros de H,
tem-se:
E[H] = E[X|X Df ]
T

Cov[H, H ] = Cov[(X, X )|X Df ]

(6.28)
(6.29)

A partir de simulaes iniciais, calcula-se E[H] e Cov[H, HT ] e utiliza-se estes valores para construir
a nova funo de amostragem. A simulao inicial pode ser realizada nos pontos de projeto.

6.3.5

Outras tcnicas de amostragem

Hipercubo latino
Stratified sampling
directional sampling

6.4

SUPERFCIES DE RESPOSTA

As tcnicas de amostragem por importncia so capazes de reduzir drsticamente o nmero de simulaes necessrias no mtodo de Monte Carlo. No entanto, em problemas com equao de estado
limite numrica com grande nmero de graus de liberdade, este nmero reduzido de simulaes pode
ainda ser proibitivamente alto. Nestes casos, o uso de superfcies de resposta pode reduzir o nmero
de avaliaes da equao de estado limite.
O mtodo das superfcies de resposta ou Response Surface Method - RSM - consiste ema proximar
a equao de estado limite exata g(x) por uma expresso polinmica aproximada ge(x). Esta expresso
aproximada pode ser utilizada com os mais diversos fins, inclusive para a avaliao de probabilidades
de falha. A aproximao polinmica pode ser utilizada na realizao de simulaes de Monte Carlo
142

simples ou com amostragem por importncia, com a vantagem de cada avaliao de ge(x) ser muito
mais rpida do que avaliaes de g(x).

6.4.1

Construo de superfcies de resposta

Uma superfcie de resposta quadrtica pode ser obtida atravs de:

g(x) ' ge(x) = a0 +

n
X

ai xi +

i=1

n
X

aii xi 2 +

i=1

n X
n
X

aij xi xj

(6.30)

i=1 j=1
j6=i

onde A = {a0 , ai , aii , aij } so os coeficientes a determinar, sendo que os ndices (i, j) variam de acordo
com a equao (6.30). Estes coeficientes correspondem aos termos constante, lineares, quadrticos e
cruzados, respectivamente.
Para determinar o vetor de coeficientes A, a equao de estado limite original g(x) deve ser avaliada
em determinado nmero de pontos np . Uma vez determinados estes pontos, os valores exatos g(xk )
so avaliados. Os coeficientes A so ento determinados atravs do mtodo dos mnimos quadrados,
minimizando-se a seguinte funo erro em relao ao valor dos coeficientes A:
Erro[A] =

np
X
2
k
g(x ) ge(xk )

(6.31)

k=1

Reescrevendo a equao (6.30) na forma:

ge(x) = {1, xi , x2i , xi xj }T {a0 , ai , aii , aij }

VT (x) A
o problema de mnimos quadrados fica:
" np
#
X
2
k
T
k
A = arg min
g(x ) V (x ) A
k=1

A soluo deste problema dada por (Faravelli, 1989):

A = (QT Q)1 QT B

(6.32)

onde Q a matriz cujas colunas so formadas pelos vetores V(xk ) e B o vetor de componentes
k
B = {g(x )}k=1,...,np .
Diferentes superfcies de resposta descritas na literatura diferem em termos da expresso polinomial
utilizada (equao 6.30 com ou sem termos cruzados) e em termos da metodologia de seleo dos pontos
de ajuste (anlise de experimento). Para resolver a equao (6.32), necessrio que:
1. o nmero de pontos np seja maior ou igual ao nmero de constantes a determinar;
2. os pontos de ajuste sejam escolhidos de maneira consistente, i.e., de forma a resultar em um
sistema de equaes independentes, o que torna QT Q inversvel.

6.4.2

Estratgia de seleo dos pontos

6.4.3

Estratgias de utilizao de superfcies de resposta

Nesta seo, consideramos as diferentes estrategias de soluo de problemas de confiabilidade estrutural utilizando superfcies de resposta.
Superfcies construdas em torno do ponto mdio
A princpio, superfcies de resposta podem ser construdas em torno do ponto mdio, mesmo que este
no pertena superfcie de falha original do problema. No entanto, deve-se levar em conta que o
erro na aproximao da superfcie de falha original pela expresso polinmica (eq. 6.31) ser mnimo
nas vizinhanas do ponto mdio, mas ser grande na regio importante do domnio de falha, que a
143

regio em torno do ponto de projeto. Isto significa que os erros na avaliao de probabilidades de falha
sero grandes, independentemente do mtodo de soluo empregado (FORM, SORM ou simulao de
Monte Carlo).
Outra estratgia que pode resultar em grandes erros a utilizao de uma nica superfcie de
resposta para representar um domnio de falhas composto por diversos modos de falha (em srie,
paralelo ou combinaes). Neste caso, a composio dos modos de falha pode dar origem a cantos
vivos, que dificilmente so representados pela superfcie de resposta.

Superfcies adaptativas para busca de pontos de projeto

Superfcies de resposta podem ser construdas de forma adaptativa a fim de se encontrar os pontos
de projeto. Ao considerar esta estratgia, deve-se levar em conta que a construo de uma superfcie quadrtica completa (conforme equao 6.30) exige um mnimo de np (n2 + n + 1) pontos.
Desprezando os termos cruzados, np (2n + 1) pontos se fazem necessrios. Em contrapartida, a
avaliao do gradiente da equao de estado limites exata, g(x), por diferenas finitas uni-laterais
requer apenas np = (n + 1) pontos. Isto significa que, na busca pelo ponto de projeto, mais barato
calcular o gradiente e determinar o prximo ponto diretamente a partir da equao de estado limite
exata, do que construir uma superfcie de resposta. Portanto, o uso de superfcies adaptativas para
busca de pontos de projeto deve ser considerado com cautela.

Superfcies construdas em torno dos pontos de projeto

Uma estratgia interessante a construo de uma superfcie de resposta centrada em cada ponto de
projeto. Nesta estratgia, uma superfcie de resposta utilizada para cada equao de estado limite
que compe o domnio de falha. O erro de aproximao pelas superfcies de resposta minimizado
em relao regio importante de cada parcela do domnio de falhas.
Esta estratgia pode ser associada com a simulao de Monte Carlo com amostragem por importncia nos pontos de projeto. Utilizando superfcies de resposta quadrticas com termos cruzados,
esta soluo tem o mesmo custo de uma soluo via SORM para cada modo de falha. No entanto,
permite uma avaliao muito mais prescisa das probabilidades para domnios de falhas compostos,
sejam eles em srie, paralelo ou combinao, em comparao com os limites bi-modais linearizados.

6.5

FIGURAS

FY(y)

FY(y),FZ(z)
1.0
FZ(z)

Figura 6-1: Gerao de nmeros aleatrios com distribuio prescrita.

144

Figura 6-2: Amostragem por importncia usando o ponto de projeto.

Figura 6-3: Amostragem por importncia para mltiplos modos de falha.

145

146

Captulo 7

TEORIA DE PROBABILIDADES:
PROCESSOS ESTOCSTICOS
7.1
7.1.1

DEFINIES
Processo estocstico como famlia de funes

Definio 42 em um determinado experimento, atribui-se a cada ponto amostral wi do espao amostral

uma funo do tempo x(wi , t). A famlia de funes X(w, t) assim criada chamada de processo
estocstico.
Note-se que:
1. a funo x(wi , t) pode ser real ou complexa;
2. neste material consideramos apenas funes reais; neste contexto um processo estocstico um
operador que leva de para o espao de funes finitas e reais, exemplo: L2 ;
3. a varivel t representa o tempo ou qualquer outro parmetro contnuo onde o processo estocstico
se desenvolve;
4. a funo x(wi , t) pode ser uma funo analtica explicita ou no;
5. em muitos processos estocsticos, as funes x(wi , t) tem aspecto aleatrio e expresso analtica
desconhecida; ainda assim a definio vlida;
6. para cada realizao wi , x(wi , t) uma funo do tempo;
7. em um ponto ti especfico, X(w, ti ) = X(w) uma varivel aleatria;
8. para wi e ti fixos, x(wi , ti ) = x um nmero real.
Notao
Neste e nos demais captulos, utilizamos a seguinte notao:
Situao
w e t variveis
w varivel, ti fixo
wi fixo, t varivel
wi fixo, ti fixo

Notao
X(w, t) ou X(t)
X(w, ti ) ou X
x(wi , t) ou x(t)
x(wi , ti ) ou x

Resultado
processo estocstico
varivel aleatria
funo do tempo
nmero real

Note-se que a dependncia com o resultado experimental w frequentemente omitida. Em concordncia com a notao utilizada para variveis aleatrias, uma letra minscula representa uma
realizao da varivel aleatria ou processo estocstico. Assim, a funo x(t) representa uma realizao do processo estocstico X(t). O nmero real x pode ser entendido como a funo x(t) avaliada
no ponto ti (x(ti ) = x) ou como uma realizao da varivel aleatria X(w, ti ) para determinado wi
(x(wi , ti ) = x).
147

Exemplos:
Exemplo 43 Para um espao amostral formado pelo conjunto de pontos amostrais w = {1, 2, 3, 4, 5, 6}
as funes:
X1 (w, t) = cos[wt]
X2 (w, t) = cos[t + w]
X3 (w, t) = w cos[t]
representam 3 processos estocsticos distintos. Para cada realizao wi , a variao temporal destes
processos determinstica (conhecida com probabilidade um); por isto estes processos so chamados
de processos estocsticos parametrizados.
Exemplo 44 Considere agora 3 experimentos com espaos amostrais 1 , 2 e 3 e conjuntos de
pontos amostrais w = {1, 2, 3, 4, 5}; v = {0, , 2} e u = {1, 2, 3}. As funes:
X1 (w, t) = cos[wt]
X2 (w, v, t) = cos[wt + v]
X3 (w, v, u, t) = u cos[wt + v]
representam 3 processos estocsticos parametrizados distintos. O nmero de graus de aleatoriedade
dos 3 processos distinto: fcil perceber que o processo X1 (w, t) tem grau de aleatoriedade um; o
processo X2 (w, v, t) tem grau de aleatoriedade dois e o processo X3 (w, v, u, t) tem grau de aleatoriedade
trs. O grau de aleatoriedade corresponde ao nmero de parmetros que devem ser conhecidos para
que a variao do processo no tempo se torne determinstica.
Exemplo 45 Associando nmeros reais aos pontos amostrais dos experimentos caracterizados no
exemplo anterior, obtemos 3 variveis aleatrias: W, V e U . claro que os trs processos estocsticos
podem ser definidos em termos destas variveis aleatrias:
X1 (W, t) = cos[W t]
X2 (W, V, t) = cos[W t + V ]
X3 (W, V, U, t) = U cos[W t + V ]
Neste exemplo fica claro que podemos entender um processo estocstico como uma funo de variveis
aleatrias.

7.1.2

Funes de distribuio de probabilidades

Para um tempo t especfico, X(w, t) uma varivel aleatria. A funo de distribuio cumulativa de
probabilidades desta varivel, em geral, depende de t :
F1 (x, t) = P [{X(w, t) x}]

(7.1)

O evento {X(w, t) x} consiste em todas as realizaes w tais que, no instante t, as funes x(t)
no excedem o valor x. A funo F1 (x, t) chamada de distribuio cumulativa de primeira ordem do
processo X(t). A funo densidade de primeira ordem obtida derivando-se em relao a x :
f1 (x, t) =

F1 (x, t)
x

(7.2)

Considere agora dois instantes de tempo t1 e t2 . X(t1 ) e X(t2 ) so duas v.a. dependentes de t1 e
t2 . A funo conjunta de distribuio cumulativa de probabilidades depende tambm de t1 e t2 :
F2 (x1 , x2 ; t1 , t2 ) = P [{X(t1 ) x1 , X(t2 ) x2 }]

(7.3)

O evento {X(t1 ) x1 , X(t2 ) x2 } consiste em todas as realizaes wi tais que as funes x(wi, t) no
excedem o valor x1 no instante t1 e no excedem o valor x2 no instante t2 . A funo F2 (x1 , x2 ; t1 , t2 )
148

 chamada de distribuio cumulativa de segunda ordem do processo X(t). A funo de densidade

correspondente obtida derivando-se em relao x1 e x2 :
f2 (x1 , x2 ; t1 , t2 ) =

7.1.3

2 F2 (x1 , x2 ; t1 , t2 )
x1 x2

(7.4)

Processo estocstico como famlia de variveis aleat rias

Processo estocstico: para cada t fixo, o processo estocstico X(t) uma varivel aleatria. Para um
conjunto finito de pontos {t1 , t2 , t3 , ..., tn } o conjunto de variveis aleatrias {X(t1 ), X(t2 ), X(t3 ), ...,
X(tn )} tem uma funo conjunta de distribuio cumulativa de probabilidades:
Fn (x1 , x2 , ..., xn ; t1 , t2 , ..., tn ) = P [{X(t1 ) x1 , X(t2 ) x2 , ..., X(tn ) xn }]
Esta a funo de distribuio cumulativa de probabilidades de ordem n do processo X(t). A famlia
de funes:
F1 (x, t)
F2 (x1 , x2 ; t1 , t2 )
...
Fn (x1 , x2 , ..., xn ; t1 , t2 , ..., tn )

(7.5)

define completamente o processo X(t). Logo, podemos definir o processo X(t) como:
Definio 46 Um processo estocstico X(t) formado por uma famlia de variveis aleatrias (de
dimenso infinita) ao longo do contnuo t.

7.2
7.2.1

PROPRIEDADES DE PROCESSOS ESTOCSTICOS

Momentos de um processo estocstico

A mdia (t) de um processo estocstico X(t) o valor esperado da v.a. X(t) para t fixo:
Z
(t) = E[X(t)] =
xf1 (x, t)dx

(7.6)

Em geral, (t) uma funo do tempo. Generalizando este resultado, o momento de ordem k do
processo X(t) dado por:
k (t) = E[X(t)k ] =

xk f1 (x, t)dx

(7.7)

A funo de auto-correlao de um processo X(t) corresponde ao momento conjunto das v.a.s

X(t1 ) e X(t2 ) :
Z Z
R(t1 , t2 ) = E[X(t1 )X(t2 )] =
x1 x2 f2 (x1 , x2 ; t1 , t2 )dx1 dx2
(7.8)

Em geral, a funo de auto-correlao funo de t1 e t2 . A funo de auto-covarincia de X(t)

corresponde covarincia das v.a.s X(t1 ) e X(t2 ) :
CXX (t1 , t2 ) = E[(X(t1 ) (t1 ))(X(t2 ) (t2 )]
= RXX (t1 , t2 ) (t1 )(t2 )

(7.9)

Note que a varincia da v.a. X(t) obtida da funo de auto-covarincia fazendo t1 = t2 = t :

(t)2 = CXX (t, t) = RXX (t, t) (t)2
149

(7.10)

Pode-se ainda definir uma funo ndice de auto-correlao:

(t1 , t2 ) =

7.2.2

E[(X(t1 ) (t1 ))(X(t2 ) (t2 )]

(t1 )(t2 )

(7.11)

Momentos de dois processos estocsticos

Considere os processos estocsticos X(t) e Y (t). A funo de correlao-cruzada definida como:

Z Z
xyfXY (x, y; t1 , t2 )dxdy
(7.12)
RXY (t1 , t2 ) = E[X(t1 )Y (t2 )] =

A funo de covarincia-cruzada :
CXY (t1 , t2 ) = E[(X(t1 ) X (t1 ))(Y (t2 ) Y (t2 )]
= RXY (t1 , t2 ) X (t1 )Y (t2 )

(7.13)

Esta funo corresponde covarincia entre as v.a. X(t1 ) e Y (t2 ). Pode-se ainda definir uma funo
ndice de correlao-cruzada:
XY (t1 , t2 ) =

7.2.3

E[(X(t1 ) X (t1 ))(Y (t2 ) Y (t2 )]

X (t1 ) Y (t2 )

Ortogonalidade e independncia

Dois processos estocsticos X(t) e Y (t) so no-correlacionados quando, para quaisquer t1 e t2 :

CXY (t1 , t2 ) = 0

(7.14)

e portanto:
RXY (t1 , t2 ) = X (t1 )Y (t2 )
Os mesmos processos so ditos ortogonais quando, para quaisquer t1 e t2 :
RXY (t1 , t2 ) = 0

(7.15)

Os processos X(t) e Y (t) so ditos independentes quando o conjunto {X(t1 ), X(t2 ), ..., X(tn )}
independente do conjunto {Y (t01 ), Y (t02 ), ..., Y (t0n )} para quaisquer {t1 , t2 , ..., tn } e {t01 , t02 , ..., t0n }.

7.2.4

Processo Gaussiano

Um processo estocstico X(t) dito normal ou Gaussiano quando as v.a. {X(t1 ), X(t2 ), ..., X(tn )}
so conjuntamente normais para quaisquer {n, t1 , t2 , ..., tn }. Note que no suficiente que a funo
de densidade de primeira ordem f1 (x, t) seja normal: as densidades de qualquer ordem devem ser
conjuntamente normais. As estatsticas de um processo normal ou Gaussiano so completamente
definidas em termos da mdia (t) e da funo de auto-correlao RXX (t1 , t2 ) ou auto-covarincia
CXX (t1 , t2 ). A funo de densidade de primeira ordem de um processo Gaussiano dada por:

1
1 x (t)
f1 (x, t) =
exp
(7.16)
2
(t)
2(t)

7.2.5

Estacionariedade

Definio 47 Um processo X(t) dito estacionrio quando as suas estatsticas no mudam em relao a uma translao no tempo, i.e., os processos X(t) e X(t + ) tem as mesmas estatsticas para
qualquer .
Processo estritamente estacionrio
Um processo estritamente estacionrio tal que, para qualquer :
fn (x1 , x2 , ..., xn ; t1 , t2 , ..., tn ) = fn (x1 , x2 , ..., xn ; t1 + , t2 + , ..., tn + )
150

(7.17)

Em particular, se um processo X(t) estritamente estacionrio:

f1 (x, t) = f1 (x, t + ),

Isto significa que f1 (x, t) deve ser independente do tempo:

f1 (x, t) = f1 (x)
Como consequncia, resulta da equao (7.6) que a mdia deve ser tambm constante:
E[X(t)] = = cte.

(7.18)

A densidade de segunda ordem tambm deve ser tal que:

f2 (x1 , x2 ; t1 , t2 ) = f2 (x1 , x2 ; t1 + , t2 + )
Como a igualdade deve ser vlida para qualquer , resulta que a densidade de segunda ordem funo
da diferena t2 t1 = :
f2 (x1 , x2 ; t1 , t2 ) = f2 (x1 , x2 , ),

= t2 t1

A funo f2 (x1 , x2 , ) vem a ser a funo de densidade conjunta das v.a.s X(t) e X(t + ). Da
equao (7.8) conclue-se que a funo de autocorrelao depende tambm de :
RXX (t1 , t2 ) = RXX ( ) = E[X(t)X(t + )] = RXX ( )

(7.19)

De maneira semelhante, dizemos que os processos X(t) e Y (t) so conjuntamente estacionrios se as

estatsticas conjuntas de X(t) e Y (t) so idnticas s estatsticas conjuntas de X(t +) e Y (t +), para
qualquer . Note que os processos podem ser individualmente estacionrios, mas no necessriamente
conjuntamente estacionrios. Se X(t) e Y (t) so conjuntamente estacionrios:
RXY (t1 , t2 ) = RXY ( ) = E[X(t)Y (t + )]
Processo fracamente estacionrio
Um processo X(t) dito fracamente estacionrio quando seu valor mdio constante e quando a
funo de auto-correlao depende apenas de = t2 t1 :
E[X(t)] = = cte.
E[X(t)X(t + )] = RXX ( )

(7.20)

ainda que no atenda condio inposta na equao (7.17).

Para processos Gaussianos, estacionariedade fraca corresponde estacionariedade estrita. Para
outros processos, no.

7.2.6

Funo de auto-correlao

Na equao (7.8), definimos a funo de auto-correlao. Nesta seo, elaboramos este conceito e
introduzimos a funo de densidade espectral de processos estocsticos estacionrios. So propriedades
da funo de auto-correlao (equao 7.8):
1. Se X(t) real, RXX ( ) real e par: RXX ( ) = RXX ( );
2. RXX (0) = E[X(t)2 ] 0, o que leva a:
RXX (0) RXX ( ) RXX (0)
3. se RXX ( ) contnua na origem, contnua em ;
4. RXX ( ) no-negativa.
151

7.2.7

Funo densidade espectral de potncia

A funo de densidade espectral de potncia S(w) ou SX (w) de um processo estocstico estacionrio

X(t) a transformada de Fourier da funo de auto-correlao:
Z
S(w) =
RXX ( )eiw d

S(w) uma funo real. A funo de auto-correlao pode ser obtida da funo de densidade espectral
pela transformada inversa:
Z
1
RXX ( ) =
S(w)eiw dw
2
Para = 0, obtemos:
1
2

S(w)dw = RXX (0) = E[X(t)2 ] 0

Resulta desta expresso que a rea sob a funo S(w)

2 no-negativa e corresponde ao valor esperado
da potncia mdia (quadrtica) do processo X(t). Para um processo com mdia nula, esta igual
varincia 2 .
Quando o processo X(t) real, RXX ( ) real e par e S(w) resulta uma funo par tambm:
S(w) = S(w)
Neste caso, a transformada de Fourier e sua inversa tambm podem ser obtidas como:
Z
S(w) =
RXX ( ) cos(w )d

Z
1
RXX ( ) =
S(w) cos(w )dw
2

(7.21)

Nas figuras (7-1 e 7-2) so apresentadas algumas funes de auto-correlao tpicas de processos
estocsticos contnuos e as respectivas densidades espectrais de potncia.
De forma semelhante, a densidade espectral de potncia cruzada de dois processos X(t) e Y (t)
definida como:
Z
SXY (w) =
RXY ( )eiw d

Z
1
RXY ( ) =
SXY (w)eiw dw
2

Momentos da funo densidade espectral de potncia

So de grande utilidade no trabalho com processos estocsticos os momentos da funo densidade
espectral de potncia. Defini-se o momento de ordem k como:
Z
k =
wk S(w)dw
(7.22)

O momento de ordem zero corresponde varincia do processo. Por propriedade da transformada de

Fourier, a funo densidade espectral de potncia do processo derivada X(t)

obtida multiplicando-se
2
a densidade espectral de potncia do processo original por w :
SX (w) = w2 SX (w)
SX (w) = w4 SX (w)
152

Resulta desta propriedade que os momentos espectrais esto relacionados com o processo X(t) e com

suas derivadas, X(t)

e X(t),
da seguinte maneira:
0
2

= 2X
= 2X

= 2X

A freqencia mdia de passagens por zero de um processo estocstico :

r

2
w0 =
= X
0
X
So chamados de parmetros espectrais adimensionais as seguintes grandezas:
s
2
=
1 1
0 2
s
2
=
1 2
0 4

(7.23)

(7.24)

(7.25)

Estes parmetros sero utilizados oportunamente no trabalho com processos estocsticos. Um parmetro
importante, que caracteriza a largura de banda do processo, o fator de regularidade:
=

p
2
1 2 =
0 4

O fator de regularidade varia entre 0 e 1. Processos de banda estreita, que tem elevado nvel de
regularidade, tem prximo de um. O rudo branco tem = 0.

7.2.8

Estatsticas temporais

Seja X(t) um processo estocstico real e estacionrio. A mdia temporal U deste processo obtida
como:
Z T
1
U(w) = lim
X(w, t)dt
T 2T T
claro que U(w) uma varivel aleatria. Pode-se tambm definir a funo:
1
T 2T

R(w, ) = lim

X(w, t + )X(w, t)dt

Para cada realizao do processo (X(wi , t) = x(t)), U(wi ) = u uma constante e R(wi , ) = r( )
uma funo de . Para T suficientemente grande, obtemos as aproximaes:
UT (w) =

1
2T

RT (w, ) =

1
2T

X(w, t)dt

T
Z T

X(w, t + )X(w, t)dt

(7.26)

que tambm representam uma v.a. e uma funo de para cada realizao do processo.
As grandezas U(w) e R(w, ) so estatsticas temporais do processo estocstico estacionrio X(t).
importante salientar a diferena entre estas e as estatsticas definidas nas equaes (7.18) e (7.19).
As grandezas E[X(t)] = e E[X(t)X(t + )] = RXX ( ) so estatsticas tomadas sobre as diferentes
realizaes wi do processo estocstico. Estas so chamadas de estatsticas de valor esperado ou ainda
estatsticas de envelope.

7.2.9

Processos ergdicos

Definio 48 Um processo estocstico X(t) ergdico se as suas estatsticas temporais so idnticas

as suas estatsticas de valor esperado (de envelope).
153

Por definio, um processo ergdico necessariamente estacionrio. O inverso no verdadeiro,

porque um processo estacionrio no necessariamente ergdico. Se um processo X(t) estritamente
ergdico, suas estatsticas podem ser determinadas a partir das estatsticas temporais de uma nica
realizao X(wi , t) = x(t) do processo.
A ergodicidade estrita implica em que todas as estatsticas temporais do processo sejam idnticas
s estatsticas de envelope correspondentes. Esta condio de ergodicidade rgida, mas pode ser
relaxada para apenas aqueles momentos de interesse.
Ergodicidade na mdia
Um processo estocstico X(t) ergdico na mdia se a mdia temporal idntica mdia de envelope:
1
T 2T
lim

T
T

X(w, t)dt = U(w) = E[X(w, t)] = X

Ergodicidade na funo de auto-correlao

De maneira semelhante, um processo estocstico X(t) ergdico na funo de auto-correlao se
R(w, ) idntica a RXX ( ):
1
lim
T 2T

T
T

X(w, t + )X(w, t)dt = R(w, ) = E[X(t + )X(t)] = RXX ( )

Exemplo 49 Considere o processo estocstico estacionrio X(t) = Y, sendo Y uma v.a. com momentos (Y , Y ). Note que, se yi corresponde a i esima realizao de Y , temos (contra-exemplo):
U(wi ) = yi
E[X(t)] = Y
R(wi , ) = yi2
E[X(t + )X(t)] = E[Y 2 ] = 2Y

7.3

CLCULO DE PROCESSOS ESTOCSTICOS

7.3.1

Continuidade

7.3.2

Diferenciao em mdia quadrtica

X(t + h) X(t)

X(t)
= lim
h0
h

E[X(t)]
=

d
E[X(t)]
dt

2 )] = R (t1 , t2 ) =
1 )X(t
E[X(t
XX

7.3.3

(7.27)

(7.28)
2 RXX (t1 , t2 )
t1 t2

(7.29)

Integrao quadrtica mdia

Seja X(t) um processo real. Se a integral:

Y (w) =

X(w, t)dt

existe para qualquer funo X(w, t), o resultado Y (w) uma varivel aleatria, que corresponde
rea sob o processo X(w, t).
154

7.4
7.4.1

ESTATSTICAS DE BARREIRA
Perodo mdio de recorrncia ou tempo mdio de retorno

As principais aplicaes de confiabilidade estrutural envolvem extremos de processos estocsticos ao

longo de determinados perodos (exemplo: extremo de carregamento durante perodo de vida til de
uma estrutura). Os eventos extremos correspondem a determinados nveis que o processo pode atingir.
Seja um processo X(t) e um nvel crtico deste processo, b, distante alguns desvios-padro da
mdia X , conforme ilustrado na figura (7-3). A frequncia com a qual o processo visita o nvel b, ou
o tempo de recorrncia entre visitas sucessivas, so estatsticas importantes. O tempo que o processo
permanece acima ou abaixo do nvel b tambm podem ser importantes. intuitivo e fcil de perceber
que, quanto mais elevado o nvel da barreira b, mais raras so as visitas do processo a este nvel, e
maior o perodo de recorrncia entre visitas sucessivas.
Seja Tr (b) o perodo de recorrncia entre visitas sucessivas do processo X(t) ao nvel de barreira
b (aqui, uma visita corresponde a uma passagem de barreira de baixo para cima, ou seja, a visita
no acaba at que o processo tenha voltado abaixo do nvel b). Claramente, se X(t) um processo
estocstico, Tr (b) uma varivel aleatria. As estatsticas de Tr (b), em geral, so difceis de determinar.
No entanto, o perodo mdio de recorrncia ou perodo mdio de retorno:
E[Tr (b)] = Tr (b)
pode ser determinado para muitos processos estocsticos, como ser visto nesta seo.
A varivel aleatria perodo de recorrncia Tr (b) pode ser decomposta em dois perodos de interesse,
Ta (b) e Tb (b), que correspondem ao tempo que o processo permanee acima e abaixo do nvel b,
respectivamente, entre visitas sucessivas:
Tr (b) = Ta (b) + Tb (b)
Ainda que as estatsticas de Tr (b) dificilmente possam ser calculadas, os perodos Ta (b) e Tb (b) podem
ser determinados. Para um processo X(t) estacionrio e um perodo de tempo longo, a frao de
tempo que o processo passa acima e abaixo do nvel b, respectivamente, :
Z
E[Ta (b)]
E[Ta (b)]
fX (x)dx = 1 FX (b)
(7.30)
=
=
E[Ta (b) + Tb (b)]
E[Tr (b)]
b
Z b
E[Tb (b)]
E[Tb (b)]
fX (x)dx = FX (b)
(7.31)
=
=
E[Ta (b) + Tb (b)]
E[Tr (b)]

Em ambas expresses, o valor esperado E[.] sobre o envelope e o resultado assintticamente

correto com t .
A interpretao dos perodos de recorrncia est associada a eventos que se repetem ao longo do
tempo com determinada regularidade. No entanto, importante observar que estas estatsticas so
vlidas tambm para processos estocsticos no estacionrios, situao em que tal regularidade muda
ao longo do tempo. Sendo assim, para processos estacionrios as estatsticas de perodo de retorno so
dependentes do tempo. Outra situao em que a regularidade das ultrapassagens de barreira ao longo
do tempo no acontece o caso de uma barreira varivel com o tempo, b(t). Tambm neste caso, as
estatsticas de perodo de recorrncia existem, ainda que sejam funes do tempo (e.g., Tr (b, t)).
Outra estatstica muito importante o tempo ou perodo at a primeira visita do processo X(t) ao
nvel b, representada simplesmente por T1 (b). Este perodo tambm uma varivel aleatria, muito
utilizada na anlise de confiabilidade dependente do tempo.

7.4.2

Taxa de passagens pela barreira

A dificuldade de se interpretar perodos de recorrncia que variam ao longo do tempo, seja no caso
de processos estocsticos no-estacionrios e/ou no caso de barreiras que variam com o tempo, faz
com que seja mais fcil trabalhar com a taxa ou frequncia mdia de passagens pela barreira (crossing
rate), definida como:
2
(b, t) =
(7.32)
E[Tr (b, t)]
155

Nesta expresso, o valor esperado E[] sobre o envelope. Note que esta taxa ou frequncia no est
associada com eventos que se repetem ao longo do tempo, mas sim com eventos que se repetem no
envelope. A interpretao de taxa ou frequencia est relacionada com a unidade de medida, tempo1 .
Na expresso (7.32), o numeral 2 aparece porque cada perodo Tr (b, t) est associado com duas
passagens de barreira, uma de cima para baixo e uma de baixo para cima. Muitas vezes, estamos
interessados apenas em passagens de barreira de baixo para cima (up-crossing rate), o que pode ser
escrito como:
(b, t)
1
+ (b, t) =
=
(7.33)
2
E[Tr (b, t)]
De maneira semelhante, a taxa de passagens de barreira de cima para baixo :
(b, t) =

(b, t)
1
=
2
E[Tr (b, t)]

(7.34)

Para processos estocsticos estacionrios e barreiras constantes no tempo, as taxas de passagens

pela barreira tambm so constantes no tempo:
+ (b) = (b) =

1
E[Tr (b)]

(7.35)

De maneira semelhante, a taxa de chegada da primeira visita do processo ao nvel b :

1
E[T1 (b)]

1 (b) =

Frmula de Rice
A taxa de passagens (de baixo para cima) de um processo X(t) por uma barreira constante b pode
ser determinada conforme segue. Considere o que acontee entre os instantes t1 e t1 + dt, com dt 0,
quando neste intervalo ocorre uma ultrapassagem da barreira. Para que a passagem de barreira ocorra
neste intervalo, necessrio que o processo esteja abaixo do nvel b no instante t1 e que tenha variao
(derivada) suficiente para ultrapassar a barreira neste intervalo, conforme a figura (7-5):
1
P
dt0 dt
1
= lim
P
dt0 dt

+ (b, t) =

lim

i
h
1 )dt > b
X(t1 ) < b X(t1 ) + X(t
i
h
1 )dt > b X(t1 )
X(t1 ) < b X(t

(7.36)

1 ) na figura (7-6). Um
Esta condio representada em termos das variveis aleatrias X(t1 ) e X(t
1 ) x+d
elemento de rea nesta representao corresponde ao evento {x X(t1 ) x+dx, x X(t
x},

descrito pela funo de distribuio de probabilidades conjunta fX X (x, x).

Portanto, a probabilidade
expressa na equao (7.36) pode ser avaliada pela integral:
1
dt0 dt

+ (b, t) = lim

Z b

bxdt

fX X (x, x)dxd

(7.37)

No limite com dt 0, a rea de integrao se reduz a uma estreita faixa e b xdt

b. Substituindo
o limite por uma derivada:
+

(b, t) =

"

d
dt

bxdt

!#

fX X (x, x)dx

dx

O integrando no depende de t, de forma que basta derivar os limites de integrao em relao

t:

b = 0
t

(b xdt)

= x
t
156

Assim, obtm-se:
+ (b, t) =
=

[(0) fX X (x, x)
(x)f
X X (b, x)]
dx
x fX X (b, x)d
x

(7.38)

Esta a frmula de Rice (1954) para a taxa de passagens pela barreira + (b, t). Utilizando procedimento anlogo, uma expresso semelhante obtida para (b, t):
Z
(b, t) =
|x|
fX X (b, x)d
x
(7.39)

Note que esta expresso corresponde ao valor esperado do valor absoluto da derivada |x|
, avaliada
em x = b.
Para uma barreira que funo do tempo, uma expresso semelhante a (7.38) obtida:
Z
f (b, x)d
+ (b, t) =
(x b)
x
(7.40)
XX
b

Taxa de passagens pela barreira - processo Gaussiano

1 ) so no-correlacionadas. Se
Para um processo estacionrio X(t), as variveis aleatrias X(t1 ) e X(t
1 ) so tambm independentes. Neste
o processo X(t) Gaussiano e estacionrio, ento X(t1 ) e X(t
caso, a equao (7.39) pode ser escrita como:
Z
(b) =
|x|
fX (b)fX (x)d
x

= fX (b)E[X ]

Cada passagem de barreira de baixo para cima seguida por uma passagem de cima para baixo,
de forma que:

1

+ (b) = (b) = fX (b)E[X ]
2

Como a diferenciao uma operao linear, resulta que se X(t) processo Gaussiano, X(t)

=
processo Gaussiano tambm. Para X(t) estacionrio, resulta das equaes (7.18 e 7.28) que E[X]
X = 0. Para um desvio-padro X , obtm-se que:
"
2 #
Z

1 x
1 x

E[X ] = 2
exp
dx
2 X
2 X
0
"
2 #
2 X
1 x

= exp

2 X
2
0

2
X
2

Portanto:
+ (b) =
=

X fX (b)
2

"
2 #

1 b X
1 X
exp
2 X
2
X

(7.41)

Para b = X esta equao fornee a frequncia mdia do processo, ou taxa de passagens pela
mdia:
1 X
w0
=
+
(7.42)
0 =
2 X
2
Na equao (7.42), w0 a freqencia angular mdia do processo. Isto mostra que o termo
157

.
X
X

que

aparece na equao (7.41) vem a ser a frequencia angular mdia w0 . Utilizando as equaes (7.23),
esta frequncia pode ser calculada como:
r
X.
2
w0 =
=
(7.43)
X
0
Em termos de +
0 , a taxa de passagens pela barreira fica:
"
2 #

1 b X
+
+
(b) = 0 exp
2
X

(7.44)

Interpretando este resultado, observa-se que a taxa de passagens por uma barreira b dada pela
taxa de passagens pela mdia multiplicada pela funo de densidade de probabilidades do processo
avaliada em b. A funo de densidade fornece a probabilidade de longo prazo de que o processo esteja
numa vizinhana do nvel b:
{b x/2 X(t) b + x/2},

x 0

A frequencia mdia +
0 informa quo rapidamente o processo varia no tempo, e portanto determina
com que frequncia o processo visitar o nvel b.
Utilizando a expresso (7.40) e seguindo um procedimento semelhante, obtm-se a taxa de passagens por uma barreira b(t) = a bt que varia linearmente com o tempo (Cramer e Leadbetter,
1967):

a bt X
b
+
(t) = w0

X
w0 X
onde [x] = [x] x[x].
Taxa de passagens pela barreira - processos contnuos diferenciveis
Para processos no Gaussianos e/ou no-estacionrios, a determinao de + (b, t) no trivial e
geralmente no pode ser obtida analticamente. Nesta seo, apresentada uma soluo para calcular
a taxa de passagens pela barreira numericamente, para processos contnuos diferenciveis.
A taxa de passagens de um processso X(t) pela barreira b pode ser determinada por:
1
P [X(t) < b X(t + t) b]
t0 t

+ (b, t) = lim

(7.45)

Em palavras, esta expresso significa:

a probabilidade de ocorrer uma ultrapassagem de barreira no intervalo (t, t + t)
igual a probabilidade de que o processo esteja abaixo da barreira no instante t e ultrapasse
este nvel durante o intervalo t.
A equao (7.45) permite compreender o problema mas no adequada para fins de avaliao da
taxa. Uma formulao melhor obtida expandindo X(t) em primeira ordem em t:

X(t + t) X(t) + tX(t)

(7.46)

Substituindo a equao (7.46) em (7.45) obtm-se:

+ (b, t) = lim

t0

P [X(t) < b X(t) + tX(t)

b]
t

(7.47)

o que tambm pode ser escrito como:

1
(b, t) = lim
t0 t
+

P [X(t)
> 0 X(t) + tX(t)
b]

P [X(t) > 0 X(t) b]

(7.48)

A figura (8-5) mostra os eventos associados s probabilidades expressas na equao (7.48). Esta
equao representa uma aproximao em diferenas finitas da derivada da probabilidade de falhas de
158

um sistema em paralelo (entre colchetes). Isto permite escrever:

+ (b, t) =

> 0 X(t) + X(t)

b]
P [X(t)
d
=0

(7.49)

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

m1 (t) = X(t)

m2 (t, ) = b X(t) X(t)

A nica exigncia que o algoritmo para a avaliao dos fatores de sensibilidade seja sensvel
variaes devido a rotao da equao de estado limite.

7.5

TEORIA DE VALORES EXTREMOS (p.e.)

Na seo (2.7), estudamos a teoria de valores extremos no contexto de variveis aleatrias. Na presente
seo, ampliamos o escopo deste estudo para extremos de processos estocsticos.

7.5.1

Extremos de um processo em um intervalo fixo

As principais aplicaes da confiabilidade estrutural envolvem extremos de processos estocsticos

ao longo de determinados perodos (exemplo: extremos de carregamento ao longo da vida til da
estrutura). O valor mximo de um processo estocstico X(w, t) em um perodo de referncia T fixo
uma varivel aleatria:
XT (w) = max [X(w, t)]
0tT

7.5.2

Distribuio de picos de um processo estocstico

Os resultados apresentados na seo anterior so utilizados diretamente na determinaao da distribuio de picos (mximos locais) de um processo estocstico. Esta distribuio de picos necessria
para determinar-se a distribuio de extremos do processo.

A ocorrncia de um mximo local do processo X(t) corresponde ao evento {X(t)

= 0, X(t)
< 0}. O
nmero de mximos locais igual ao nmero de passagens por zero (de cima para baixo) do processo

X(t).
Portanto, a frequncia de ocorrncia de mximos locais :
max =
=
0,X

1 X
2 X

Utilizando as expresses (7.23), este resultado pode ser escrito como:

r
4
1
max =
2 2
p
Multiplicando o numerador por w0 e o denominador por 0 /2 , mantem-se a igualdade (equao
7.24) e obtm-se:
r r
w0 4 0
+
max =
= 0
(7.50)
2 2 2

Este resultado mostra que, para um processo estocstico ideal de banda estreita ( = 1), o nmero
de mximos locais igual ao nmero de passagens por zero. Isto significa que cada passagem por zero
corresponde a um nico mximo local. J para um processo irregular de banda larga (com 0), o
nmero de mximos locais infinitamente maior do que o nmero de passagens por zero.
159

7.5.3

Distribuio de picos de um processo Gaussiano

A funo de densidade de probabilidade de um pico (mximo local) de um processo Gaussiano dada

por (Huston e Skopinski, 1953; Madsen et al., 1987):

p
x
x2
x
2
fp (x) = 1
+ x exp( )
(7.51)
2
1 2
1 2
Esta distribuio completamente definida pelo fator de regularidade , sendo as formas limites uma
distribuio de Rayleigh para = 1 (somente picos positivos) e uma distribuio normal para = 0
(mesmo nmero de picos positivos e negativos), conforme ilustrado na figura (7-7).

7.5.4

Distribuio de extremos de um processo Gaussiano

Conforme vimos na seo (2.7), o valor mximo em n observaes independentes de uma varivel
aleatria X uma varivel aleatria com funo de distribuio cumulativa de probabilidades dada
por (equao 2.78):
FXn (x) = [FX (x)]n
(7.52)
Utilizando a equao (7.50), o nmero de picos (mximos locais) do processo X(t) no intervalo
(0, T ) dado por:
np =

+
1 w0 T
0T
=

A distribuio de valores extremos do processo Gaussiano no intervalo (0, T ) obtida a partir do

mximo em np observaes de picos locais. Esta distribuio obtida integrando-se a expresso (7.51)
em x e substituindo na equao (7.52):
Z x
np
FXT (x) =
fp (u)du
(7.53)
0

Note que o nmero de picos np est definido pelo tamanho do intervalo T, e portanto a distribuio de
extremos FXT (x) est indexada em T. Utilizando a equao (7.52), assume-se a indepndencia entre
picos do processo, o que introduz um erro desprezvel (Gumbel, 1958).
Uma soluo assinttica da equao (7.53) obtida assumindo-se o nmero de picos np grande, e
resulta na dupla exponencial:
"

2 #
1 x X
FXT (x) ' exp n exp (
)
2
X
0T
onde n = w2
= np . A figura (7-8) mostra o comportamento desta distribuio em funo do nmero
de ciclos n do processo.

7.6
7.6.1

PROCESSOS DISCRETOS
Processo de Borges

Um dos processos estocsticos discretos mais simples gerado por uma sequncia w de variveis
aleatrias Xk , independentes e idnticamente distribudas, cada uma atuando num intervalo determinstico de tempo tb , tambm chamado de holding-time. Num intervalo (0, T ), o nmero de renovaes ser n = tTb . Devido a independncia, a distribuio de valores extremos da sequncia :
P

max [w(tb , y) b] = P [ni=1 Xi b] = (FX (b))n

0tT

160

A probabilidade de falha, ou probabilidade de ultrapassagem do nvel X(t) > b, dada por:

Pf (T ) = P max [w(tb , y) > b

0tT

= 1 (FX (b))

= 1 (FX (b)) tb

7.6.2

Processo de Poisson

Quando o tempo entre ocorrncias, e no a magnitude, uma varivel aleatria, um tipo diferente de
processo estocstico obtido. O processo (de contagem) de Poisson fornece o nmero de ocorrncias
em um intervalo de tempo, dado pela distribuio de Poisson (vide seo ??). O tempo entre as
ocorrncias, neste caso, descrito por uma distribuio exponencial (seo ??).
O processo de Poisson obedee as seguintes hipteses fundamentais:
1. a probabilidade de que exatamente n eventos ocorrero num intervalo de comprimento t depende de n e t, mas no da posio do intervalo t no eixo do tempo (estacionariedade do
processo);
2. o nmero de eventos que ocorrem em dois intervalos no sobrepostos so variveis aleatrias
independentes (processo sem memria); portanto para t0 < t1 < t2 < ... < tn , as variveis
aleatrias N (t1 ) N (t0 ), ... , N (tn ) N (tn1 ) so independentes;
3. a probabilidade de ocorrncia de mais de um evento em um intervalo pequeno do comprimento
t de ordem de magnitude menor do que t.
Em conjunto, estas hipteses determinam que no processo de Poisson os incrementos so estacionrios e independentes.
Um processo de Poisson com taxa constante dito homogneo. Uma aproximao do processo de
Poisson obtida quando = (t). Neste caso, o processo dito no-homogneo e a constante = t
Rt
passa a ser calculada como = 0 (v)dv. Para esta aproximao, a hiptese de estacionriedade
deixa de ser vlida, i.e., os incrementos no so mais estacionrios.

7.6.3

Processo de Poisson filtrado

Um processo no qual tanto o tempo entre ocorrncias como a intensidade de cada ocorrncia so
variveis aleatrias chamado de processo de Poisson filtrado (filtered Poisson process). Tal processo
descrito por:
N(t)
X
X(t) =
w(t, tk , Yk )
k=1

onde N (t) um processo de Poisson com intensidade , que gera os pontos tk , nos quais o processo sofre uma renovao de magnitude aleatria Yk . Assume-se as intensidades Yk independentes e
idnticamente distribudas. A funo w(t, tk , Yk ) chamada de funo de resposta do processo, pois
representa a contribuio linear para a resposta X(t) no instante t,devido magnitude Yk atuando
no instante tk .
Processos filtrados de Poisson so definidos pela intensidade que determina o nmero de renovaes N (t), pela distribuio de probabilidades de Yk , e pela forma da funo de distribuio
w(t, tk , Yk ). Duas formas so particularmente importantes na confiabilidade estrutural, por serem
apropriadas para representar carregamentos em estruturas: o processo de pulsos e a onda quadrada
de Poisson, que sero estudados a seguir.
Processo de pulsos
Um processo com intensidade constante e pulsos retangulares de amplitude Yk e comprimento tb
pode ser descrito pela funo de resposta:
w(t, tk , Yk ) = Yk para 0 < t tk < tb
= 0 caso contrrio
161

sendo Yk uma varivel aleatria, independente entre pulsos, e definida pela funo fY (y). Observe
que os pulsos so esparsos quando tb << 1.
A taxa de passagens pela barreira b e a probabilidade de falha a primeira sobrecarga so dadas no
limite com tb 0. A taxa de passagens dada por:

1
+
(b) = lim
P [ultrapassagem em t]
t0 t

1
= lim
P [Y (t) < b Y (t + t) > b]
t0 t
(7.54)
= FY (b)(1 FY (b))
onde a taxa de chegada dos pulsos. Observe que a ltima linha da equao (7.54) est baseada na
independncia entre a intensidade dos pulsos. Se o nvel b elevado e constante, pode-se escrever:
+ (b) = (1 FY (b))
Observe que + (b) representa a intensidade do processo de pulsos. A probabilidade de falha dada
por:
Pf (T ) = P [pulso > b]
= 1 exp[ + (b)T ]
= 1 exp[T FY (b)(1 FY (b))]
A distribuio de probabilidade acumulada do mximo de X(t) dada por:
FXmax (x) = P [Xmax b]
= 1 Pf (T )
= exp[T FY (b)(1 FY (b))]
O processo de pulsos de Poisson permite a representao de carregamentos eventuais, que so
nulos durante a maior parte do tempo. No entanto, como a durao dos pulsos tb fixa e o tempo
de chegada entre pulsos segue a distribuio exponencial, o processo de pulsos permite a coincidncia
de pulsos, i.e., a chegada de um novo pulso enquanto o anterior ainda esta ativo. Esta condio pode
ser inadequada para representar certos tipos de carregamento.
Processo de onda quadrada
Quando o comprimento tb dos pulsos retangulares dado pelo intervalo (aleatrio) entre a chegada
de pulsos (tb = 1 ), um processo de onda quadrada de Poisson obtido. A altura Yk do pulso
permanece constante at a chegada do prximo pulso. Os valores Yk so independentes e identicamente
distribudos. No processo de onda quadrada tem-se tb = 1, o que gera um processo cheio.
Procedendo de maneira anloga ao caso do processo de pulsos, obtm-se a taxa + (b) idntica
equao (7.54). A probabilidade de falha primeira sobrecarga vem a ser:
Pf (T ) = FY0 (b) (1 exp[T FY (b)(1 FY (b))])
onde FY0 (b) = P [Y0 < b]. A intensidade do pulso inicial independente das demais por definio. Da
mesma forma, a distribuio cumulativa do mximo de X(t) :
FXmax (x) = P [Xmax b]
= FY0 (b) exp[T FY (b)(1 FY (b))]
Processo de Poisson renovvel
Processos nos quais eventos ocorrem ao longo do tempo de acordo com uma determinada funo de
probabilidades so chamados genricamente de processos de Poisson renovveis (renewal processes).
Os processos de pulso e onda quadrada de Poisson so formas particulares deste tipo de processo.
possvel generaliza-los para pulsos com diferentes formatos de onda, no entanto no existem resultados
para a taxa de passagens pela barreira nestes casos.
162

7.6.4

Processos de Poisson mixtos

Um tipo muito flexvel de processo discreto so os chamados processos mixtos (mixed processes).
Nestes processos, a ocorrncia dos pulsos segue um processo de Poisson com intensidade . A intensidade Yk descrita por uma varivel aleatria clipada (seo 2.3.3), que permite uma probabilidade
finita de intensidade nula. Isto significa que o processo permanece desligado em alguns dos pulsos. Assim, pode-se representar carregamentos esparsos evitando o problema da concidncia de pulsos
do processo de pulsos de Poisson. O processo mixto muito flexvel pois permite representar tanto
processos de pulsos como processos de onda quadrada.

Uma varivel aleatria clipada para a intensidade Y obtida definindo-se as probabilidades:

p = P [{Y = 0}]
q = P [{Y > 0}]
onde p a probabilidade intensidade nula e q = 1 p a probabilidade de intensidade no nula. As
funes de distribuio de probabilidades de Y so obtidas a partir das distribuies de uma varivel
qualquer Z:
FY (y) = pH(0) + qFZ (y)
fY (y) = p(0) + q fZ (y)
onde (y) a funo delta de Dirac e H(y) a funo de Heavyside.

A figura (7-9) ilustra 8 realizaes de um processo discreto mixto com = 1, e cuja intensidade
segue uma distribuio de Rayleigh clipada com p = 0.2 e q = 0.8. A figura (7-10) mostra resultados
semelhantes com p = 0.8 e q = 0.2. Note-se como este segundo processo mais esparso do que o
primeiro.

A taxa de chegada de pulsos observveis, i.e., de pulsos de intensidade no nula, q, sendo a

taxa de ocorrncia de pulsos do processo de Poisson original. A taxa de passagens pela barreira, para
processos mixtos, fica:
+ (b) = q(p + qFZ (b))(1 FZ (b))
(7.55)

Se cada pulso retorna automaticamente para zero antes da chegada do novo pulso, para nveis
elevados da barriera a equao (7.55) se simplifica para:
+ (b) = q(1 FZ (b))

163

(7.56)

7.7

FIGURAS

F u n o d e a u to -c o r r e la o

D e n sid a d e e sp ec tra l d e p o tn c ia

R X X ( )

S XX ( w )

Rudo branco

2
X

2 ( )

2
X

-1

-0.5

0.5

-1

-0.5

0.5

Varivel aleatria
2

2 ( )

-1

-0.5

0.5

-1

-0.5

0.5

Banda limitada
2

1
( w w a )
( wb w a )
sin b
cos

( wb wa )
2
2

2 ( wb w a )
0

se

w a w wb

caso co n trario

0
-30

-20

-10

10

20

30

-2

-1

Triangular
4 sin 2 ( wT / 2 )

para < T
1
T
1
0
caso contrario

2 w 2 T
0.1

0
-2

-1

0
-20

-10

10

20

Senoidal
cos( w0 )

w0 > 0

1
1
( w + w0 ) + ( w w0 )
2
2

1
1
0
-1
-10

-5

10

-2

-1

Figura 7-1: Funes de auto-correla o comuns e densidades espectrais de potncia (ajustadas para
rea unitaria) correspondentes.
164

F u n o d e a u to -co r rela o

D en sid ad e esp ectra l d e p o tn cia

R X X ( )

S XX ( w )

X2

Exponencial

exp[ ]

0.5

>0

(w2 + 2 )

0.5
0

0
-4

-2

-4

-2

Exponencial amortecida
exp[ ] cos( w0 )

> 0, w0 > 0

1
1
+

2 2 + ( w w 0 ) 2 2 + ( w + w 0 ) 2

0.2

-4

-2

0
-10

-5

10

Exponencial quadrtica
1

exp[ 2 2 ]

0.5

>0

w 2
exp

2
2
1

0.5
0

0
-4

-2

-4

-2

Exponencial quadrtica amortecida

exp[ 2 2 ] cos( w0 )

0.2

> 0, w0 > 0

1
4

w w0 2
w + w0 2
w 2 + w0 2
exp
exp
+ exp

2 2
2
2

0
0
-3

-2

-1

-10

-5

Exponencial corrigida H s .o. Markov L

exp[ ](1 + )

>0

10

2 3
(w2 + 2 )2

0
-4

-2

-4

-2

Figura 7-2: Funes de auto-correla o comuns e densidades espectrais de potncia (ajustadas para
rea unitaria) correspondentes (continuao).

165

X (t )

barreira b (t ) = b
x (t ) = realizao de X (t )

Figura 7-3: Ultrapassagem da barreira b(t) = b pelo processo estocstico X(t).

X (t )

ta

t1

ta

b (t ) = b
x (t )
tb

tb

Figura 7-4: Composio do tempo de recorrncia entre visitas do processo X(t) ao nvel b.

x (t )

b (t ) = b

xdt
x (t )

t1

t1 + dt

Figura 7-5: Condio de ultrapassagem da barreira b(t) = b pelo processso X(t).

166

x


x = xdt
x=b

Figura 7-6: Limites de integrao da taxa de passagens pela barreira no plano (x, x).

fpH sL

0.6

=1.0

0.5

=0.9

0.4
=0.5

0.3
0.2

=0.0

0.1
-3

-2

-1

Figura 7-7: Funo de densidade de um pico (mximo local) de processo Gaussiano.

fpHsL

n=10 8

FpHsL

0.8

n=10 8

0.6

n=10 4

n=10 4

1.5

n=10 2

n=10 2

0.4

n=10 1

0.5

n=10 1

0.2
0

Figura 7-8: Distribuio de valores extremos de um processo Gaussiano em funo do nmero de ciclos
n.
167

2.5

2.5

Pulse Intensity

Pulse Intensity

2
1.5
1
0.5
0

10

15

20

2
1.5
1
0.5
5

10

Time

1
0.5
0

10

10

2.5

1.5

25

Pulse Intensity

Pulse Intensity

Time

15

20

Time

15

20

25

15

20

25

15

20

25

15

20

25

2.5
2
1.5
1
0.5

25

Time

2.5

2.5

Pulse Intensity

Pulse Intensity

Figura 7-9: Realizaes de processo discreto mixto, com p = 0.2 e q = 0.8.

2
1.5
1
0.5
0

10

15

20

2
1.5
1
0.5
5

10

Time

1
0.5
0

10

10

2.5

1.5

25

Pulse Intensity

Pulse Intensity

Time

15

20

25

Time

2.5
2
1.5
1
0.5

Time

Figura 7-10: Realizaes de processo discreto mixto, com p = 0.8 e q = 0.2.

168

Captulo 8

CONFIABILIDADE
DEPENDENTE DO TEMPO
Neste captulo estudamos problemas de confiabilidade estrutural dependente do tempo, atravs de
sucessivos nveis de simplificao e generalizao. Inicialmente, estudamos o modelo de falha primeira
sobrecarga para um processo de carregamento escalar e uma equao de estado limite determinstica.
Em seguida, introduzido um vetor de variveis aleatrias de resistncia, o que torna a equao de
estado limite incerta. considerada ento a integrao no tempo, possvel quando o carregamento
possui apenas um parmetro independente. O problema de combinao de carregamentos estudado
em seguida. Finalmente, o caso geral envolvendo um processo estocstico de carregamento multidimensional considerado.

8.1

FORMULAO

O problema de confiabilidade estrutural dependente do tempo consiste na avaliao da probabilidade

de que um processo estocstico de carregamento S(t) exceda a resistncia R(t) da estrutura, qualquer
instante durante o perodo de vida til da mesma:

(8.1)
Pf (T ) = P min g(R, S, t) 0
0tT

onde T o perodo de vida til ou vida de projeto. A equao

g(R, S, t) = 0
a equao de estado limite, que divide os domnios de falha e de sobrevivncia:

Df (t) = {r, s|g(r, s, t) 0}

Ds (t) = {r, s|g(r, s, t) > 0}

(8.2)

Tpicamente, tanto o processo de carregamento como a resistncia da estrutura so funes do tempo. Tpicamente, tanto o carregamento como a resistncia so multi-dimensionais. Na soluo deste
problema, consideramos inicialmente a situao de um processo de carregamento escalar e estacionrio,
e de uma resistncia invariante no tempo. Esta situao d origem a um problema estacionrio, que
pode ser convertido em um problema de confiabilidade independente do tempo.
169

8.2
8.2.1

CONVERSO PARA FORMATO INDEPENDENTE DO

TEMPO - PROBLEMAS ESCALARES ESTACIONRIOS
Integrao no tempo

Quando o problema de confiabilidade dependente do tempo envolve um processo de carregamento

escalar e estacionrio, e quando a resistncia no varia com o tempo, a integrao no tempo pode ser
transferida para o processo de carregamento. Desta forma, o problema de confiabilidade convertido
em um formato independente do tempo. Esta tcnica de soluo chamada de integrao no tempo
(time-integrated approach).
Se o processo de carregamento S(t) inicia abaixo de um nvel de resistncia r e no ultrapassa
este nvel durante o perodo de vida til ou de projeto (0, T ), ento o valor mximo do processo neste
intervalo tambm menor do que r. O valor mximo de um processo estocstico S(t) em um intervalo
de durao T uma varivel aleatria, ST , descrita por uma distribuio de valores extremos fST (s)
(veja seo 7.5). Para este problema, a probabilidade de falha dada pela probabilidade de que o
mximo de S(t) seja maior do que r:
Pf (T ) = P [ST r]
Para uma resistncia multi-dimensional, funo de um vetor de variveis aleatrias R:
R = funo de resistncia(R)
esta probabilidade de falha fica:
Pf (T ) = P [ST R]
A determinao desta probabilidade um problema que envolve apenas variveis aleatrias, e que
pode ser resolvido utilizando os mtodos estudados nos captulos anteriores. Uma equao de estado
limite escrita como:
g(R,ST ) = R ST = 0

(8.3)

A probabilidade de falha obtida integrando a funo de distribuio de probabilidades conjunta

de R e ST sobre o domnio de falha:
Z
Pf (T ) =
fRST (r, s)drds
(8.4)
g(r,s)0

Este problema envolve apenas variveis aleatrias e pode ser resolvido por FOSM, FORM ou SMC.
A integrao no tempo soluo exata quando um nico processo de carregamento (escalar e
estacionrio) atua sobre a estrutura, e quando a resistncia no varia com o tempo. Na presena de
variao de resistncia, ou quando o carregamento no-estacionrio, a integrao no tempo pode
ser utilizada apenas como aproximao (Marley e Moan, 1994). A soluo exata obtida atravs dos
mtodos estudados na seo 8.3.
Quando mais de um carregamento atua sobre a estrutura (processo estocstico multi-dimensional),
necessrio determinar um carregamento equivalente (8.5). A integrao no tempo pode ento ser
aplicada sobre este carregamento equivalente. Quando a determinao de um carregamento equivalente
no possvel, torna-se necessrio resolver um problema multi-dimensional dependente do tempo,
conforme seo 8.6.

8.2.2

Discretizao no tempo

A integrao no tempo permite resolver problemas de confiabilidade estrutural a partir do valor

mximo do carregamento durante o perodo de vida til da estrutura. Esta tcnica pode ser refinada
quando o perodo de vida til dividido em um nmero discreto de perodos ou eventos. Estes
perodos podem ser um dia, um ano, um determinado nmero de horas de operao ou um bloco
de carregamento. Os eventos discretos podem ser a ocorrncia de uma tempestade de determinada
durao.
170

A integrao no tempo feita para cada segmento. Por exemplo, a probabilidade de falha para
um ano calculada considerando-se a distribuio dos mximos de carregamento para um ano. A
determinao da probabilidade de falha para a vida til da estrutura levara em conta o nmero de
eventos que a estrutura est submetida durante o perodo de vida til. Esta discretizao do tempo
d origem a duas solues distintas:
1) o nmero de eventos ou segmentos que a estrutura est submetida conhecido;
2) o nmero de eventos desconhecido a priori.
Nmero conhecido de eventos discretos
Quando o perodo de vida til da estrutura dividido em um nmero discreto de segmentos, o nmero
ne de segmentos conhecido. Seja td = nTe a durao de um segmento de carga. Para que a estrutura
sobreviva a ne segmentos de carga, necessrio que o mximo carregamento em cada segmento seja
menor do que a resistncia da mesma:
PS (T ) = P [Std < r]ne
= (1 Pf e (td ))ne

(8.5)

onde Pf e (td ) a probabilidade de falha em um evento ou segmento, calculada a partir da equao

(8.4) com T substitudo por td . Observe que a equao (8.5) assume independncia entre o mximo
do carregamento nos diferentes segmentos. Expandindo a equao (8.5) em srie e mantendo apenas
o termo de primeira ordem, obtm-se:
(1 Pf e (td ))ne 1 ne Pf e (td ) + ne (ne 1)

Pf2e (td )
+ ...
2

e portanto:
Pf (T ) = 1 PS (T )
ne Pf e (td )

(8.6)

A equao (8.6) fornece a probabilidade de falha para uma vida de projeto T dividida em ne segmentos
de carga, assumindo independncia entre o mximo carregamento ou a probabilidade de falha em cada
segmento. A desconsiderao dos termos de segunda ordem na expanso vlida quando ne Pf e (td ) <<
1. Em particular, isto ocorre quando a probabilidade de falha elementar Pf e (td ) bastante pequena,
i.e., o nvel de resistncia r elevado. Isto implica que a expresso (8.6) mais prescisa quando
S >> R .
Nmero aleatrio de eventos discretos
Considere agora a discretizao da vida da estrutura em um nmero aleatrio de eventos como tempestades. O nmero exato de aplicaes de carga durante a tempestade no prescisa ser conhecido,
desde que a distribuio do mximo carregamento em uma tempestade seja utilizada no clculo da
probabilidade de falha elementar Pf e . No entanto, o nmero de eventos (tempestades) que ocorrem
durante a vida til da estrutura prescisa ser conhecido para se determinar a probabilidade de falha.
Seja pk (T ) a probabilidade de ter-se exatamente k eventos durante o perodo (0, T ). A probabilidade
de falha para esta vida ser (veja equao 2.5):
Pf (T ) =

pk (T )Pf e

(8.7)

k=1

Observe que na equao (8.7) todos os nmeros possveis de eventos so considerados. comum
representar a chegada dos eventos discretos como um processo de Poisson, o que fornece (2.33):
pk (T ) =

(T )k exp[T ]
k!

(8.8)

onde a taxa de chegada de eventos (tempestades). Para tanto, os eventos devem ser independentes
e no-coicidentes, o que uma hiptese razovel quando pequena. Substituindo a equao (8.8)
171

em (8.7), e utilizando o termo de primeira ordem de uma expanso em srie, obtm-se:

Pf (T ) 1 exp[T Pf e ]

(8.9)

Note que nesta expresso o termo Pf e a probabilidade de falha mdia por unidade de tempo.
Na considerao de eventos do tipo tempestades, comum trabalhar-se com probabilidades de falha
condicionais. Assim, na determinao da probabilidade de falha de uma estrutura sujeita a carga de
ondas, o valor mximo do carregamento durante uma tempestade depende do valor caracterstico de
altura de onda, Hk , para a tempestade. Se fHk (h) a funo de distribuio de probabilidades para o
valor caracterstico de altura de onda, ento a probabilidade de falha para uma tempestade de durao
t dada por:
Z

Pf e =

Pf e (t|Hk = h)fHk (h)dh

(8.10)

onde Pf e (t|Hk = h) a probabilidade de falha condicional, dada uma altura de onda caracterstica de
valor h. Esta probabilidade calculada considerando-se o valor mximo do carregamento para uma
altura de onda h.

8.3
8.3.1

FALHA PRIMEIRA SOBRECARGA

Formulao

No modelo de falha primeira sobrecarga, a falha da estrutura fica caracterizada na primeira ocasio
em que o carregamento exceder a capacidade de carga (resistncia) da estrutura. Este problema pode
ser formulado representando-se a chegada de sobrecargas no tempo como um processo de Poisson.
Seja (r, t) uma taxa de chegadas de sobrecargas, a ser determinada posteriormente. Se a ocorrncia
de sobrecargas aproximada como um processo de Poisson (Cramer e Leadbetter, 1967), assume-se
a independncia entre eventos sobrecarga e o tempo entre sobrecargas torna-se exponencialmente
distribudo (veja seo 2.3.1). Neste caso, a probabilidade de sobrevivncia para um perodo (0, T )
dada pela probabilidade de que o nmero de sobrecargas N + (r, T ) no perodo seja igual a zero:
PS (r, T ) = P [{N + (r, T ) = 0}]
RT
Z T
[ 0 (r, u)du]0
(r, u)du]
exp[
=
0!
0
Z T
= exp[
(r, u)du]

(8.11)

A probabilidade de falha para uma vida de projeto T o complemento da probabilidade de sobrevivncia.

Pf (r, T ) = 1 PS (r, T )
Z T
(r, u)du]
= 1 exp[

(8.12)

Uma limitao deste modelo o fato que, para que ocorra uma primeira sobrecarga (passagem de
barreira de baixo para cima) duranto o intervalo (0, T ), necessrio que o processo estocstico esteja
abaixo do nvel r no instante inicial t = 0. Tal condio no est refletida na equao (8.11), mas pode
ser imposta facilmente escrevendo:

PS (r, T ) = P [{S(0) < r}]P [{N (r, T ) = 0|S(0) < r}]

" Z
#
T
= PS0 (r) exp
(r, u)du

(8.13)

importante notar que (r, u), agora, uma taxa condicional de chegada de sobrecargas.
Esta taxa ser determinada oportunamente. Na equao 8.13, o termo P [{S(0) < r}] = PS0 (r)
172

corresponde probabilidade de que o processo estocstico S(t) esteja abaixo do nvel r no instante
inicial t = 0. O complemento desta probabilidade a chamada probabilidade de falha inicial:
Pf0 (r) = 1 PS0 (r)

(8.14)

A avaliao de Pf0 (r) um problema que envolve apenas variveis aleatrias, e pode ser resolvido
utilizando os mtodos de confiabilidade independentes do tempo estudados no captulo (4).
Utilizando as equaes (8.12 8.14), a probabilidade de falha fica:
Pf (r, T ) = 1 PS (r, T )

" Z
= 1 PS0 (r) exp

(r, u)du
0

" Z
= Pf0 (r) + (1 Pf0 (r)) 1 exp

#!

(r, u)du
0

(8.15)

A equao (8.15) expressa a probabilidade de falha para uma vida T como a soma de uma probabilidade de falha inicial (Pf0 (r) para t = 0) mais a probabilidade de falha devido uma sobrecarga
dado que a falha no tenha ocorrido no instante inicial. importante notar que s existe diferena
significativa entre as equaes (8.15 e 8.12) quando a probabilidade de falha inicial significativa.
importante observar que, em um processo de Poisson homogneo, a taxa (r, t) = (r) constante, e no existe distino entre o tempo entre sobrecargas e o tempo at a primeira sobrecarga:
ambos so descritos pela mesma distribuio exponencial. No entanto, a condio imposta na equao
(8.13) torna este processo no homogneo, e faz com que a taxa (r, t) seja funo do tempo, como
ser visto a seguir.

8.3.2

Taxa condicional de chegada de sobrecargas

O problema de falha primeira sobrecarga foi formulado em termos de uma taxa (r, t) desconhecida,
a qual deve ser determinada para a soluo do problema. Solues exatas no existem, mas solues
aproximadas so obtidas para diferentes aproximaes desta taxa.
Para entender estas aproximaes, convm escrever a equao (8.13) em termos da taxa (r, t)
(Lutes and Sarkani, 1997). Excluindo o caso trivial em que PS0 (r) nula (falha instantnea em
t = 0), pode-se escrever:

Z t
PS (r, t)
(r, u)du
= exp
PS0 (r)
0
Tomando o logaritmo e derivando em relao a t em ambos os lados, obtm-se :

Z t

PS (r, t)

(r, v)dv
ln
=

t
PS0 (r)
t
0
1
1
PS (r, t)
= (r, t) + (r, 0)
PS0 (r) PS (r, t)
t
Por definio, a taxa (r, t) exclui a probabilidade de falha no instante inicial, logo (r, 0) = 0. Sendo
assim, a taxa (r, t) obtida como:
1
PS (r, t)
1
PS0 (r) PS (r, t)
t

1
1
PS (r, t + t) PS (r, t)
=
lim
PS0 (r) t0 PS (r, t)
t

1 Pf (r, t + t) Pf (r, t)
1
=
lim
1 Pf0 (r) t0 t
1 Pf (r, t)

(r, t) =

A partir deste resultado, pode-se descrever (r, t) como:

ocorrncia de sobrecarga em (t, t + t) dado que:

1

(r, t) = lim
P 1. S(0) < r e
t0 t
2. nenhuma sobrecarga tenha ocorrido antes de t
173

(8.16)

(8.17)

Em palavras, pode-se escrever:

...o limite, com t tendendo a zero, da probabilidade de ocorrncia de uma sobrecarga
em [t, t + t],dado que o processo tenha iniciado no domnio de segurana e no tenha
ultrapassado o nvel r antes do instante t.
facil perceber que esta interpretao consequncia direta da formulao do problema de falha
primeira sobrecarga. A condio 1. imposta na equao (8.17) consequncia direta da condio
imposta da equao (8.13). A condio 2. consequncia do fato que, por definio, a taxa (r, t)
deveria ser a taxa (condicional) de chegada da primeira sobrecarga.

8.3.3

Aproximao de Poisson

O resultado obtido na equao (8.17) nos mostra que, idealmente, a taxa (r, t) deveria ser igual
taxa (condicional) de chegada da primeira sobrecarga. Esta taxa, no entanto, dificilmente poder ser
calculada. Esta dificuldade justifica uma aproximao muito utilizada na literatura, conhecida como
aproximao de Poisson, que consiste em aproximar a taxa (r, t) pela taxa de passagens pela barreira:
(r, t) + (r, t)

(8.18)

uma vez que uma sobrecarga corresponde a uma passagem da barreira r de baixo para cima. Com a
aproximao de Poisson, a probabilidade de falha primeira sobrecarga fica:

" Z
#!
T

Pf (r, T ) = Pf0 (r) + (1 Pf0 (r)) 1 exp

+ (r, u)du

(8.19)

importante observar que a taxa de passagens + (r, t) no reflete a importante condio 2.

imposta na equao (8.17), que a condio de que a sobrecarga no tenha ocorrido antes de t. Ainda
assim, a aproximao de Poisson, expressa na equao (8.18), se justifica quando o nvel da barreira r
elevado e as passagens de barreira so eventos raros. Pode-se mostrar (Cramer e Leadbetter, 1967)
que a aproximao assintticamente exata com a barreira r . Na prtica, isto significa que a
aproximao de Poisson adequada para estruturas com baixa probabilidade de falha.
A aproximao de Poisson no apropriada para processos de banda estreita, uma vez que para
estes processos as passagens de barreira tendem a acontecer em bloco. A aproximao de Poisson aqui apresentada pode ser melhorada atravs da determinao de taxas que reflitam melhor as
condies impostas pela equao (8.17). Estas melhorias so consideradas na seo (8.3.7).
Quando o processo estocstico estacionrio e o nvel da barreira invariante no tempo, a taxa
de passagens pela barreira + (r, t) = + (r) constante e a equao (8.19) fica:

Pf (r, T ) = Pf0 (r) + (1 Pf0 (r)) 1 exp + (r)T

8.3.4

(8.20)

Expresses aproximadas

Utiliza-se em certas situaes expresses simplificadas da probabilidade de falha primeira sobrecarga

(equao 8.19). Tais aproximaes so em geral conservadoras, fornecendo limites mximos para a
probabilidade de falhas. Desconsiderando o termo (1Pf0 (r)) na equao (8.19), por exemplo, obtmse:
" Z
#
T

Pf (r, T ) Pf0 (r) + (1 exp

+ (r, u)du )

Para + (r) constante, esta equao fica:

Pf (r, T ) Pf0 (r) + (1 exp + (r)T )

Como + (r)T > 1 exp [ + (r)T ] , quando este termo pequeno pode-se escrever ainda:
Pf (r, T ) Pf0 (r) + + (r)T
174

8.3.5

Tempo at a falha (primeira sobrecarga)

No modelo de falha primeira sobrecarga, a falha caracterizada na primeira ocasio em que o

carregamento excede a capacidade de carga (resistncia) da estrutura. Para um processo estocstico
S(t) e uma resistncia constante no tempo R(t) = r, este um tpico problema de passagem de
barreiras. Portanto, a falha pode ser descrita pela varivel aleatria tempo at a falha, Tf (r), e que
corresponde ao tempo at a chegada da primeira sobrecarga, conforme a seo (7.4.1). Se a ocorrncia
deste evento (primeira sobrecarga) aproximada como um processo no homogneo de Poisson, com
taxa varivel no tempo h(t), ento o tempo at a falha segue uma distribuio exponencial. Da
equao (2.40) obtm-se:
Z t

FTf (t) = 1 exp

h(u)du
(8.21)
0

A probabilidade de falha para uma vida de projeto T pode ser avaliada como:

Pf (T ) = P [{Tf < T }]
= FTf (T )
" Z
= 1 exp

h(u)du

(8.22)

Comparando este resultado com a expresso (8.19), percebe-se que (8.22) no reflete a condio
inicial. O valor esperado do tempo at a falha (primeira sobrecarga) :
E[Tf (t)] =

1
h(t)

o que mostra que a funo h(t) corresponde taxa de chegada da primeira sobrecarga para um nvel
de barreira r, h(t) = 1 (r, t).

8.3.6

Taxa instantnea de falhas

A funo h(t) descrita acima tambm pode ser entendida como a taxa de falhas instantnea ou
condicional (hazard function, age-specific failure rate ou conditional failure rate), to utilizada na
engenharia para caracterizar processos de falha que ocorrem ao longo do tempo. Em aplicaes
envolvendo um grande nmero componentes idnticos colocados em operao, a taxa instantnea de
falhas reflete quantos componentes deixam de funcionar em um instante t, em relao ao total de
componentes colocados em operao. Nestas aplicaes, o tempo at a falha Tf a varivel aleatria
que descreve a vida do lote de componentes, a vida de cada componente corresponde a uma realizao
desta varivel.
A taxa de falhas instantnea uma taxa condicional, que expressa a probabilidade de que uma
falha ocorra no intervalo (t, t + t), dado que a falha no tenha ocorrido antes de t:

h(t) =

lim P [{falha entre t e t + t dado no falha antes de t}]

t0

P [{t Tf t + t}]
t0
1 P [{Tf t}]
fTf (t)
=
1 FTf (t)

lim

(8.23)

Nesta expresso fica evidente que, quando FTf (t) muito pequeno (situao em que a Pf tambm
pequena), as funes fTf (t) e h(t) so equivalentes. Pode-se notar tambm que a equao (8.23)
obtida diretamente a partir da combinao das equaes (?? e 8.21). O conhecimento de uma entre
h(t), fTf (t) e FTf (t) suficiente para determinar as outras duas.
175

8.3.7

Melhorias da aproximao de Poisson

A aproximao de Poisson apresentada na seo (8.3.3) pode ser melhorada de maneira a fazer a taxa
+ (r, t) refletir melhor as condies impostas na equao (8.17).
A primeira destas aproximaes leva em conta, de maneira aproximada, a condio inicial {S(0) <
r}. Conforme vimos na seo (7.4.1), o tempo de recorrncia entre passagens de barreira sucessivas
pode ser decomposto em dois segmentos, Ta e Tb , que correspondem aos tempos que o processo passa
acima e abaixo do nvel r, respectivamente (figure 7-4). Na aproximao de Poisson usual, assume-se
que o tempo entre passagens sucessivas (Ta + Tb ) segue uma distribuio exponencial, de forma que o
tempo de recorrncia mdio :
E[Tr (r)] = E[Ta (r) + Tb (r)] =

1
+ (r)

(8.24)

Combinando as equaes (8.24) e (7.31), obtm-se:

E[Tb (r)] =

FS (r)
+ (r)

(8.25)

Quando o nvel da barreira baixo, a condio {S(0) < r} faz com que o tempo at a primeira
passagem de barreira seja significativamente menor do que o tempo entre passagens sucessivas (Ta +Tb ).
Como o tempo at a primeira passagem de barreira tambm um tempo em que o processo est abaixo
do nvel r, melhor aproximar este tempo por Tb e no por (Ta + Tb ). Expresses exatas para Tb so
difceis de determinar. Assumir que o tempo Tb seja exponencialmente distribudo conflitante com
a mesma suposio aplicada ao tempo Ta + Tb , no entanto pode-se fazer isto como aproximao. Com
esta aproximao, a taxa (r, t) fica:
(r, t) =

1
+ (r)
=
E[Tb (r)]
FS (r)

(8.26)

Esta uma melhoria em relao aproximao de Poisson (equao 8.18), que reflete a condio
inicial. Note-se que a equao (8.26) tem grande efeito para r pequeno, mas nenhum efeito medida
que FS (r) 1 com r .
Para processos de banda estreita, as ultrapassagens de barriera tendem a ocorrer em bloco. Devido
variao gradual do envelope de amplitude destes processos, uma ultrapassagem do nvel r no instante
t1 tem grande chance de ser seguida por outra ultrapassagem um perodo adiante (figura 8-3). Em
consequncia, a aproximao de Poisson original se torna excessivamente conservativa.
Cada bloco de ultrapassagens do nvel r pelo processo de banda estreita representa apenas uma
ultrapassagem deste nvel pelo envelope do processo, ou processo amplitude A(t) (que tambm um
processo estocstico). Sendo assim, a aproximao de Poisson (eq. 8.18) pode ser substituda por
(Vanmarcke, 1975):
(r, t) = +
(8.27)
A (r)
A taxa de ultrapassagem de barreiras do envelope, utilizando a definio de amplitude de Cramer
e Leadbetter (1966), :

+
+
A (r) = r 2 S (r)
onde o parmetro espectral definido na equao (7.25). A equao (8.27) pode ser ajustada para
levar em conta a condio inicial. Seguindo o raciocnio aprsentado anteriormente, obtemos:
(r, t) =

+
A (r)
FA (r)

(8.28)

A equao (8.28) apropriada para processos com largura de banda bem pequena ( 1) e nveis
baixos de barreira. Para processos de banda larga e nveis elevados de barreira, no entanto, ultrapassagens de barreira pelo envelope no correspondem necessariamente a ultrapassagens de barreira pelo
processo original. Assim, o nmero de ultrapassagens de barreira pelo processo amplitude torna-se
maior do que o nmero atual de ultrapassagens de barreira pelo processo S(t). Como a equao (8.18)
apropriada para processos de banda larga e nveis elevados de barreira, e a equao (8.28) apropriada para processos de banda estreita e nveis baixos de barreira, possvel fazer uma interpolao
entre estes dois resultados. Estimando o nmero de ultrapassagens de barreira qualificadas do processo amplitude (isto , passagens de barreira do envelope que so realmente seguidas por pelo menos
176

uma passagem de barreira pelo processo S(t)), Vanmarcke (1975) chega a uma estimativa do nmero
mdio de ultrapassagem de barreira pelo processo S(t) a cada passagem de barreira pelo processo
amplitude, para um processo Gaussiano:
+
E[Npc
(r)] =

1 exp(r 2)

(8.29)

+
]
Para processos de banda estreita e nveis baixos de barreira, o produto r pequeno e E[Npc

+ (r)
= r1 2 . Para processos de banda larga e nveis elevados
+
A (r)
+
E[Npc
] 1. Assumindo que as passagens qualificadas de barreira

de barreira, o produto r e

seguem um processo de Poisson, a

taxa de passagens qualificadas de barreira fica:

(r, t) = + (r)

1
= + (r)(1 exp(r 2))
+
E[Npc (r)]

(8.30)

Incluindo a condio inicial, esta equao fica:

(r, t) = + (r)

(1 exp(r 2))
FS (r)

(8.31)

A equao (8.31), conhecida como correo de Vanmarcke taxa de passagens por uma barreira,
vlida para processos Gaussianos contnuos de qualquer largura de banda, e no tem limitaes em
termos do nvel da barreira. Esta equao tambm pode ser escrita em termos de taxas de passagem
de barreira:
+ (r)

(r, t) = (r)

8.4

1 exp[ A
+ (r) ]
1

(8.32)

+ (r)
+ (0)

VARIVEIS ALEATRIAS DE RESISTNCIA

O modelo de falha primeira sobrecarga apresentado na seo anterior permite calcular a probabilidade de que um processo de carregamento S(t) ultrapasse uma barreira r(t) determinstica, que
corresponde resistncia da estrutura. Nos problemas reais, esta barreira (resistncia) caracterizada por um vetor de variveis aleatrias R. Nesta seo, estudamos como este vetor de resistncias
aleatrias R pode ser includo no modelo de falha primeira sobrecarga.

8.4.1

Teorema de probabilidade total

Seja a resistncia da estrutura uma funo de um vetor de variveis aleatrias R, constante no tempo
ou com funo de degradao determinstica (p.e. com variao paramtrica). Uma barreira distinta
r(t) obtida para cada realizao R = r do vetor de variveis aleatrias, conforme a figura (??):
r(t) = funo de resistncia[r,t]
Para cada realizao r, o modelo de falha primeira sobrecarga (equao 8.19) fornee uma
probabilidade de falha condicional:
" Z
#
T

Pf (T | r) = Pf0 (r) + (1 Pf0 (r))(1 exp

+ (r, u)du )

(8.33)

A probabilidade de falha para resistncia aleatria obtida atravs do teorema da probabilidade

total (equaes 2.5 ou 2.53):
Z
Pf (T | r)fR (r)dr
(8.34)
Pf (T ) =
R

Esta integral muito semelhante integral que caracteriza o problema de confiabilidade independente do tempo (equao 3.24). Ela pode ser avaliada, a princpio, por simulao de Monte Carlo.
No entanto, importante observar que cada ponto de integrao da equao (8.34) representa uma
177

soluo do modelo de falha a primeira sobrecarga para uma barreira condicional. Quando a dimenso
do vetor R grande, ou quando o problema envolve mais de um processo estocstico de carregamento,
a integrao direta de (8.34) se torna proibitiva. Alm disto, esta soluo especfica para um tempo
t, e prescisa ser repetida para se determinar a probabilidade de falha ao longo da vida da estrutura.Por
isto, esquemas alternativos para a integrao de (8.34) foram desenvolvidos.

8.4.2

Integrao rpida de probabilidades

Seja g(R, S, t) a equao de estado limite da estrutura. O problema de confiabilidade estrutural pode
ser formulado em termos do mnimo da funo g(R, S, t) em um determinado intervalo de tempo (0, T )
(Madsen, 1986). Para uma realizao R = r, a probabilidade de falha dada pela probabilidade de
que o mnimo de g(r, S, t) seja menor do que zero:

Pf (T | r) = P min g(r, S, t) 0
(8.35)
0tT

Seja Rn+1 a v.a. que representa o valor deste mnimo:

Rn+1 = min g(r, S, t)
0tT

(8.36)

O valor rn+1 = 0 representa o limite entre falha e sobrevivncia da estrutura, de forma que uma
equao de estado limite adicional ou alternativa pode ser escrita apenas em funo de variveis
aleatrias:
g(R, Rn+1 ) = Rn+1 = 0
(8.37)
Note que a varivel aleatria Rn+1 dependente da realizao R = r, e portanto depende do vetor R.
Isto significa que a equao adicional g(R, Rn+1 ) depende explicitamente de Rn+1 e implicitamente
de R.
Com estas preliminares, a equao (8.34) pode ser re-escrita como:

Z
Pf (T ) =
P min g(r, S, t) 0 fR (r)dr
0tT
ZR
=
P [{Rn+1 0}] fR (r)dr
ZR
fRn+1 (rn+1 | r)fR (r)dr
(8.38)
=
g(r,rn+1 )0

onde fRn+1 (rn+1 | r) a funo de densidade de probabilidades da varivel Rn+1 e fR (r) a funo de
densidade de probabilidades conjunta das v.a.s de resistncia. A equao (8.38) idntica integral de
confiabilidade independente do tempo (equao 3.24), e portanto pode ser resolvida por FOSM, FORM
ou SMC. A soluo de (8.38) ao invs de (8.34) chamada de integrao rpida de probabilidades (fast
probability integration) de Wen e Chen (1987).
Esta formulao permite a soluo de problemas de confiabilidade dependente do tempo utilizando
tcnicas de confiabilidade independente do tempo. No entanto, ela requer conhecimento da funo de
distribuio condicional fRn+1 (rn+1 | r). Recorde que os mtodos FOSM e FORM esto baseados em
uma transformao do vetor R para o espao normal padro Y, que pode ser escrita como:
Y = Jxy {R Mneq }
A transformao de Rn+1 para o espao normal padro resulta:

yn+1 = 1 FRn+1 (rn+1 | r)

(8.39)

onde Yn+1 uma varivel normal padro adicional, independente das demais variveis Y. O valor
limite da varivel adicional Yn+1 obtido para rn+1 = 0:

yn+1 = 1 FRn+1 (0 | r)
= 1 [P [{Rn+1 0}]]
= 1 [Pf (T | r)]
178

(8.40)

Portanto, a equao de estado limite adicional no espao Y, g(y, yn+1 ) = g(y+ ), deve ser:
g(y+ ) = yn+1 1 [Pf (T | r)]
= yn+1 1 [Pf (T | Jxy y + Mneq )]

(8.41)

Resulta que a equao (8.38) pode ser resolvida via FOSM ou FORM sem o conhecimento da
distribuio condicional fRn+1 (rn+1 | r). O problema aumentado solucionado incluindo a varivel
Yn+1 , com distribuio normal padro e independente de Y, e utilizando a equao de estado limite
(8.41).
O problema aumentado pode ser resolvido utilizando o algoritmo HLRF (Hassofer e Lind, 1974;
Rackwitz e Fiessler, 1978). Para tanto, necessita-se conhecer o gradiente da equao de estado limite
aumentada em Y, g(y+ ). O ltimo termo deste gradiente :
g(y+ )
=1
yn+1
Os demais termos podem ser calculados a partir da equao:
g(y+ )
(Jxy )T Pf (T | r)
=
yi
(yn+1 )

(8.42)

onde (.) e distribuio de densidade de probabilidade Gaussiana e Pf (T | r) o gradiente da

probabilidade de falha dependente do tempo (equao 8.33) em relao s variveis de projeto. Este
gradiente pode ser avaliado por diferenas finitas.
A avaliao da probabilidade de falha atravs da equao (8.38) e do algoritmo HLRF envolve a
soluo do modelo de falha primeira sobrecarga em (nrv + 1)nit pontos, onde nrv o nmero de
variveis aleatrias e nit o nmero de iteraes necessrias para convergencia do algoritmo HLRF.
Ainda que muito menor do que em uma soluo via simulao de Monte Carlo, este nmero de avaliaes pode ser ainda muito grande, especialmente em problemas multi-dimensionais no-estacionrios.
A soluo tambm pode apresentar problemas de convergncia devido ao reduzido valor das probabilidades de falha condicionais (equao ??), especialmente quando a varincia de R grande (Rackwitz,
1993; Marley e Moan, 1994).

8.4.3

Aproximao da taxa de passagens mdia pelo envelope

Como pode ser percebido, a considerao da incerteza da resistncia ou dos parmetros de sistema
agrega um grande nvel de dificuldade soluo de problemas de confiabilidade estrutural. Desta
forma, importante desenvolver alternativas soluo formal, ainda que estas alternativas sejam
solues aproximadas, vlidas em limitadas situaes.
Na soluo formal do problema de confiabilidade estrutural com incerteza na resistncia, a taxa de
passagem pela barreira integrada sobre o tempo, e a probabilidade de falha condicional integrada
sobre a distribuio de resistncia. Esta soluo significativamente simplificada quando a ordem das
integraes alternada.
Na assim chamada aproximao da taxa de passagens mdia pelo envelope, ou ensemble crossing
rate approximation (Wen e Chen, 1989), a taxa de passagens pela barreira integrada sobre a
resistncia, e a taxa (mdia sobre o envelope) resultante ento integrada no tempo. De forma
genrica, pode-se escrever:
Z
+
ED (t) =
+ (r, t)fR (r,t)dr
(8.43)
R

A taxa de passagens mdia, para uma barreira aleatria, pode ser determinada diretamente atravs
de qualquer formulao que inclua os parmentros de resistncia na avaliao da taxa de passagens,
por exemplo a formulao que resulta em um sistema em paralelo (equao 7.49):
+
ED (t) =

> 0 X(t) + X(t)

R]
P [X(t)
d
=0

(8.44)

A formulao (8.44) indica explicitamente que a taxa +

ED (t) envolve uma barreira aleatria (resistncia R).
179

Quando (ou se) as ultrapassagens pela barreira aleatria ocorrerem de forma independente, a
hiptese de Poisson pode ser utilizada, a integrao sobre o tempo resulta:

Z t

+
ED (v)dv)
(8.45)
Pf (t) < Pf0 (R) + 1 exp
0

Para barreiras aleatrias, como se ver mais adiante, est hiptese raramente pode ser utilizada.
A aproximao da taxa de passagens mdia (ECR - Ensemble Crossing Rate) consiste em aproximar a taxa de chegadas da primeira ultrapassagem pela barreira aleatria pela taxa mdia sobre as
realizaes do processo e da barreira (Pearce e Wen, 1984). Citando Wen e Chen (1989), esta soluo
uma aproximao porque:
A realizao da resistncia permanee a mesma, ao invs de mudar entre as aplicaes
de carregamento, como seria de se esperar em um processo de falha de Poisson. Negligenciar esta dependncia devida resistncia geralmente leva a uma super-estimativa da
probabilidade de falha.
Portanto, tomar a mdia sobre a resistncia torna a taxa de passagens dependente, e para
salientar este fato, o ndice ED - para Ensemble e Dependent - utilizado na equao (8.43). No
captulo (xx) a aproximao da taxa de passagens mdia estudada em detalhe, e as condies para
sua utilizao so estabelecidas.

8.5

COMBINAO DE CARREGAMENTOS

O problema de combinao de carregamentos consiste em determinar um carregamentro equivalente

que represente o efeito combinado de dois ou mais carregamentos estocsticos atuando em conjunto
ou individualmente de uma maneira puramente aditiva. O problema tem especial importncia na
definio de fatores de segurana parciais em normas tcnicas

8.5.1

Caso geral (Point-crossing formula)

Sejam X1 (t) e X2 (t) dois processos de carregamento estocsticos estacionrios e mutuamente independentes. A distribuio de probabilidades do processo soma X(t) = X1 (t)+X2 (t) pode ser determinada
a partir da taxa +
X (b) de passagens deste processo por uma barreira b, atravs da equao (). Quando X1 (t) e X2 (t) so Gaussianos o problema trivial, pois X(t) ser tambm Gaussiano, e seus
parmetros podem ser determinados diretamente a partir dos parmetros de X1 (t) e X2 (t).
No caso geral, no entanto, um soluo aproximada pode ser obtida atravs da frmula de Rice

(equao ??) aplicada ao processo soma X(t). Como X(t) = X1 (t) + X2 (t) e X(t)
= X 1 (t) + X 2 (t),
a distribuio de probabilidades conjunta fX X (x, x)
pode ser expressa em termos de fX1 X 1 (x1 , x 1 ) e
fX2 X 2 (x2 , x 2 ) atravs de uma integral de convoluo:
fX X (x, x)
=

fX1 X 1 (u, x 1 )fX2 X 2 (x u, x x 1 )dudx 1

.

(8.46)

observando-se que u = x1, x2 = x u, x2 = xx1 . Utilizando a frmula de Rice (equao ??) e

mudando a ordem de integrao pode-se re-escrever (8.46) como:
Z Z Z
+
X (b) =
(x 1 + x 2 )fX1 X 1 (u, x 1 )fX2 X 2 (b u, x 2 )dx 2 dx 1 du

x 2 =x 1

Esta equao dificilmente pode ser resolvida de forma analtica. No entanto, uma aproximao
conservadora pode ser obtida integrando por partes e ampliando os limites de integrao conforme
segue:

+
X (b) =

x 1 fX1 X 1 (u, x 1 )fX2 X 2 (b u, x 2 )dx 1 dx 2 du

0
Z Z Z
.
+
x 2 fX1 X 1 (u, x1 )fX2 X 2 (b u, x 2 )dx 2 dx 1 du
0
180

o que, integrando em relao a x 1 e x 2 fornece:

+
X (b)

+
X1 (u)fX2 (b u)du +

+
X2 (b u)fX1 (u)du

(8.47)

onde +
Xi (b) a taxa de passagens do processo Xi (t) pela barreira b. A funo fXi (x) a funo de
densidade do process Xi (t) para um ponto arbitrrio no tempo, tambm chamada de distribuio de
ponto arbitrrio. A equao (8.47) conhecida como point-crossing formula.
Procedendo de maneira semelhante, obtm-se a taxa de passagens para a soma de 3 processos
estocsticos (Larrabee e Cornell, 1981):

+
X (b)

+
X1 (u)f23 (b u)du +

onde
fij (x) =

+
X2 (u)f13 (b u)du +

+
X3 (b)f12 (b u)du

(8.48)

fXi (u)fXj (x u)du

a distribuio de ponto arbitrrio do processo soma Xi (t) + Xj (t).

As equaes (8.47 e 8.48) so exatas para algumas combinaes de carregamento. Isto inclue o
caso em que os processos possuem distribuio discreta (e.g., processos de pulsos ou de onda quadrada
de Poisson). Em geral, (8.47 e 8.48) so exatas sempre que os processos na soma satisfaam (Larrabee
e Cornell, 1981):
P [X i > 0 X j < 0] = 0
(8.49)
para todos os processo i, j e tempos t. A equao (8.49) expressa matematicamente a condio
necessria para que um processo no anule uma ultrapassagem de barreira por outro processo.
Quando os processos Xi (t) so contnuos, as equaes (8.47 e 8.48) podem ser utilizadas como
aproximao.
O erro mximo desta aproximao pode ser determinado a partir de uma combinao de processos
Gaussianos. Quando aplicada soma de dois processos Gaussianos, com funo de densidade de
probabilidades dada por (??) e taxa de passagens pela barreira dada por (??), a equao (8.47)
resulta:
+
X (b)

1 X 1 + X 2
b X

X
X
2

onde X = X1 + X2 , 2X = 2X1 + 2X2 , como pode ser facilmente verificado. Comparando esta
expresso diretamente com a equao (??), aplicada ao processo soma com X , X , obtm-se a razo
entre os dois resultados como:
+ X 2
q X1
(8.50)
2X + 2X
1

Esta expresso resulta em um erro mximo igual a 2 quando X 1 = X 2 . Para outras combinaes

de dois carregamentos, o erro

em geral menor do que 2. Para uma combinao de 3 carregamentos,
o erro sermenor do que 3. Generalizando, para n carregamentos o erro mximo da point-crossing
formula n.
As equaes (8.47 e 8.48) podem ser extendidas para combinaes de mais de 3 carregamentos, e
para combinaes no lineares e processos no estacionrios (Ditlevsen e Madsen, 1983).

8.5.2

Combinao de carregamentos discretos

A equao (8.48) exata para combinaes de carregamentos discretos, mas torna-se difcil de avaliar
quando mais de 3 carregamentos atuam na estrutura. Para carregamentos discretos, frmulas mais
prticas podem ser utilizadas.
Consideremos o caso de combinao de carregamentos do tipo renovvel (mixto), com pulsos
retornando a zero ao final de cada aplicao. Para estes processos, a taxa de passagens pela barreira
181

:
+
i (b) = i qi (1 Fi (b))
= i qi Pi (b)
onde:
i qi a taxa observvel de chegada de pulsos (de intensidade no-nula);
i a taxa de chegada do pulsos de Poisson;
Pi (b) = 1 Fi (b) a probabilidade de que o pulso seja maior do que b e
di = qii a durao mdia dos pulsos (de intensidade no-nula).
Observe que o produto i di = qi define o aspecto do processo. Com i di = qi 1 tem-se uma
onda quadrada e com i di = qi 0 tem-se um processo de pulsos esparsos.
Para uma combinao de n processos mixtos, a taxa de passagens pela barreira dada por (Rackwitz, 1985):
n
X
+
X (b) =
i qi {P [Si Df ] P [(Si Df ) (S Df )]}
(8.51)
i=1

onde S o vetor de carregamentos, Si o vetor de carregamentos dada renovao (chegada de pulso)

no carregamento i. Esta equao difcil de avaliar na forma em que se apresenta. Uma aproximao
desta expresso para dois pulsos dada por (Wen, 1977a):
+
X (b) 1 P1 (b) + 2 P2 (b) + 12 P12 (b)

(8.52)

onde:
i a taxa de ocorrncia do i esimo carregamento somente;12 a taxa de coincidncia de dois
pulsos;
P12 (b) a probabilidade de exceder a barreira b dado a coincidncia de dois pulsos.
Ultrapassagens de barreira segundo a equao (8.52) correspondem : processos 1 e 2 atuando
individualmente (1o e 2o termos) e ambos processos ativos (3o termo - coincidncia de pulsos). A
equao (8.52) pode ser generalizada para n processos de carregamento:
+
X (b)

n
X

i Pi (b) +

i=1

n1
X

n
X

ij Pij (b) +

i=1 j=i+1

n2
X n1
X

n
X

ijk Pijk (b) + ...

(8.53)

i=1 j=i+1 k=j+1

A taxa ijk corresponde a coincidndia de 3 pulsos. Obviamente, quanto mais esparsos os pulsos
(i di 0), menor esta taxa, e menos termos da srie (eq. 8.53) prescisam ser considerados.
A determinao da probabilidade de falha condicional Pijk (b) envolve apenas variveis aleatrias,
e portanto pode ser realizada atravs de mtodos de confiabilidade independente do tempo, como
FORM, SORM ou SMC. Portanto, a equao (8.53) pode ser aplicada a problemas bastante complexos.
Note que como a parcela o dos processos j foi includa na taxa de chegada dos pulsos (termos i qi ),
a determinao da probabilidade condicional Pijk (b) deve ser feita com base na distribuio original
da varivel clipada, i.e., a distribuio que caracteriza a parte no nula da intensidade.
Para processos mutualmente independentes, as taxas so calculadas como:
Y
i = i qi
[pj j qj di ]
j6=i

ij

= i qi j qj (di + dj )

[pk ]

k6=j6=i

ijk

= i qi j qj k qk (di dj + di dk + dj dk )

[pl ]

(8.54)

l6=k6=j6=i

Quando os pulsos so de curta durao (di pequeno), o termo j qj di dentro do produtrio na

primeira linha de (8.54) pode ser desconsiderado. Isto j foi feito na segunda e terceira linha para
simplificar as taxas ij e ijk .Quando os pulsos so esparsos ( i di 0), os termos dos produtrios
tendem a 1 e portanto podem ser ignorados.
A soluo expressa na equao (8.53) aproxima a soluo de (8.51). Esta aproximao particularmente boa quando os processos so esparsos. Na prtica, a equao (8.53) fornee timos resultados
mesmo quando a frao ativa de cada processo da ordem de 0.2, para nveis razoavelmente altos da
182

barreira (Larrabee e Cornell, 1979).

Solues para pulsos no-retangulares e para dependncia entre pulsos so apresentadas por Wen
(1977b, 1981, 1990). Solues para processos dependentes so apresentadas em Wen (1981). Solues
envolvendo combinaes de processos discretos com processos contnuos so discutidas em (Pearce e
Wen, 1984; Winterstein e Cornell, 1984).

8.5.3

Regra de Turkstra

Uma soluo emprica para o problema de combinao de carregamentos pode ser derivada da regra
determinstica de combinao de carregamentos de Turkstra (1970). Esta regra permite formular
uma sequncia de problemas de confiabilidade independentes do tempo como aproximao para a
soluo do problema de combinao de carregamentos estocsticos. A regra vale para o problema de
determinar o valor mximo de um processo de carregamento formado pela soma linear de n processos
componentes:
X(t) = X1 (t) + X2 (t) + ... + Xn (t)

(8.55)

A regra de Turstra pode ser derivada da combinao de processos de Borges (Turkstra e Madsen,
1980) ou da point-crossing formula (Larrabee e Cornell, 1979). De forma pouco rigorosa, a regra de
Turkstra afirma que o valor mximo do processo X(t) pode ser aproximado pela mxima combinao
do valor mximo de um dos processos componentes (Xi (t)) com o valor de ponto arbitrrio (arbitrary
ej (t) dos demais processos componentes:
point-in-time value) X

n
X
n
ej
(8.56)
X
max[X] max max[Xi ] +
i=1

j=1,j6=i

A regra de Turkstra pode ser utilizada diretamente na soluo de problemas de confiabilidade

envolvendo mais de um carregamento estocstico. Um conjunto de problemas de confiabilidade independente do tempo formulado considerando a distribuio de valores extremos de um dos processos
combinado com a distribuio original dos demais processos. Isto d origem a um total de n problemas
de confiabilidade independente do tempo, que podem ser resolvidos por FORM ou SORM. Em cada
um dos n problemas, a distribuio de mximos de um dos processos componentes considerada. As
equaes de estado limite para os n problemas de confiabilidade independente do tempo so:

n
X
ej = 0
X
gi (R, X) = R(R) S XTi +
(8.57)
j=1,j6=i

ej o valor
onde XTi a v.a. valor mximo do i esimo processo componente no intervalo [0, T ] e X
de ponto arbitrrio do j esimo processo componente.
A probabilidade de falha final a maior dentre as n probabilidades de falha. A expresso (8.56)
no-conservadora, de forma que esta soluo fornee um limite inferior da probabilidade de falha real
do problema. Um limite superior da probabilidade de falha sempre pode ser calculado considerando-se
que os mximos de todos os carregamentos coincida:
gub (R, X) = R(R) S

n
X
i=1

XTi

=0

(8.58)

A soluo aproximada, mas adequada para calibrar normas tcnicas devido sua simplicidade.

183

8.6

PROBLEMAS MULTI-DIMENSIONAIS

The First Passage failure probability model reviewed earlier can be generalized to problems involving
more than one load process. A general problem of time variant reliability analysis involves evaluating
the probability that a vector random load process S(t) exceeds the uncertain or random resistance
R(t) of a structure or structural component at any time during the structures life:

Pf (T ) = P min g(R, S, t) 0
(8.59)
0tT

where g(r, s, t) = 0 defines the failure surface which divides the failure {r, s|g(r, s, t) < 0} and survival
{r, s|g(r, s, t) > 0} domains. The problem is depicted in figure ?? for a scalar load and resistance.
In the context of Structural Reliability, these problems are referred to as multi-dimensional or
multi-variate problems, in contrast to scalar problems involving a single load process. The up-crossing
rate concept is generalized to that of an out-crossing rate, i.e., the rate at which the random vector
load process crosses out of a safety domain.
Multi-variate solutions for out-crossing rates are based on a generalization of the result (equation
??) by Rice (1954). For the multi-dimensional problem, Rices result is generalized as (Belyaev, 1968):

+
D (s) =
=

g(s)=0

g(s)=0

E[S| S(t) = s]+ fS (s)ds

Z

xf

SS

(s, x) dx ds

(8.60)

where S(t) is a vector load process, Df = {s|g(s) 0} is the failure domain, g(s) = 0 is the failure

domain boundary (also called failure surface) and E[S| S(t) = s]+ fS (s) is the local (out)-crossing
rate. Evaluation of the mean out-crossing rate through equation (8.60) is not a straightforward task.
Some closed form results exist for stationary Gaussian load processes and for geometrically simple
failure surfaces (several references in Hagen and Tvedt, 1991; Melchers, 1999). The solution becomes
increasingly involved when (not necessarily in this order):
1. the failure surface or limit state function is not given in closed form but is numerical (eg. finite
element model);
2. the failure surface is uncertain (i.e., when it is a function of resistance/system random variables);
3. the failure surface is time dependent (problem of resistance degradation);
4. the load processes are not stationary;
5. the load processes are non-Gaussian.
When the failure surface is time dependent and/or when the load processes are not stationary, outcrossing rates in eq. (8.60) become time dependent. Hence, integration of local out-crossing rates over
the failure surface has to be repeated over time. When the failure surface is uncertain, out-crossing
rates in eq. (8.60) become conditional crossing rates, conditional to a particular outcome R = r of
the resistance random variables. Generalizing (8.60) for a time-variant resistance one obtains:
Z

+
D (r, t) =
E[(Sg(r, t))| S(t) = s]+ fS (s)ds
(8.61)
g(r,t)=0

The unconditional failure probability is obtained by taking the expectation over the resistance random
variables, just as in the scalar case. Putting it all together and neglecting Pf0 , solution of a typical
problem becomes:
" Z Z
Z
! #)
Z (

Pf (T ) '

1 exp

g(r,t)=0

xf

SS

(s, x)dx ds dt

fR (r)dr

(8.62)

This solution can be described as a nested integration of (1) local out-crossing rates over (2) conditional
failure surfaces, over (3) time and over (4) resistance random variables. The dicult nested integration
184

in (8.62) was written explicitly to stress the point that solution becomes very involved. If the failure
surface is numerical or if it cannot be approximated by any of the simple geometrical forms for
which closed form solutions are available, solution of equations (8.61 and 8.62) has to be performed
numerically. Some of these solutions are reviewed in the sequel.

8.6.1

Nested FORM/SORM

When the components of the random load vector are stationary and ergodic Gaussian processes,
computation of out-crossing rates through equation (8.60) can be simplified by approximating the
failure surface by a linear or quadratic surface at a FORM-type linearization point (Madsen and
Tvedt, 1990). This allows the mean outcrossing rate to be approximated analytically. For the linear
approximation, for example, one obtains:
+
D ()

1 V
1 2
exp 2
2 V
2 V

(8.63)

where = T ys is the reliability index, V (t) = T US (t) is the load process in direction T ,
ys = T(s) is a transformation to the standard Gaussian space, US (t) is the standard Gaussian load
vector, T are direction cosines at point ys and, finally, ys is the solution to the optimization problem:
minimize:
subject to:

|ys |
g(ys ) = 0

(8.64)

The Fast Probability Integration technique can be employed to take the expectation over the resistance
random variables. This converts the two outer integrations in equation (8.62) in an augmented FORM
problem:

minimize:
subject to:

|(yr , yn+1 )|
g(yr , yn+1 ) = 0

(8.65)

= 1 Pf (T | T1 (yr )) is an

where yr = T(r) is the standard Gaussian resistance vector and yn+1

auxiliary variable.
Hence, a nested application of FORM (or SORM) is obtained. Such a nested solution can be
quite involved numerically and is suitable only for small variabilities in R (Rackwitz, 1994). For nonstationary loads or time-variant limit state functions, the inner FORM integration has to be repeated
over time, the numerical eort implied in the nested FORM solution may become prohibitive and
results may become unreliable.

8.6.2

Directional simulation

A distinct numerical solution to the problem stated in equation (8.62) is obtained by directional
simulation (Melchers, 1992). In this solution, a scalar problem is obtained for each simulated direction
. The scalar problem is solved analytically or by radial sampling. The failure probability is obtained
by averaging scalar solutions over the simulated directions :
Z

Z
Pf (T ) =
fA ()
Pf (v|) fV |A (v|)dv d
(8.66)
A

with V = R/A + cte being a radial variable. This solution involves evaluation of the resistance
distribution in each simulated direction , fV |A (v|) and the directional probability of failure:

" Z
#!
T

Pf (v|) = Pf0 (v|) +

where:

1 exp

+
D (v|)dt

+
+
D (v|) = E[S(t) n(r|)] fS (r)

185

(8.67)

(8.68)

This solution is significantly simplified when the expectation over R is taken over the mean outcrossing rate:
Z
+
()
=
E[S(t) n(r|)]+ fS (r) fV |A (r|)dr
(8.69)
D
0

since the unconditional out-crossing rate is then obtained directly by an integration over :
Z
+
(s)
=
fA () +
D
D ()d

(8.70)

It is noted that equation (8.69) represents the EUR approximation applied in the directional
simulation solution of multi-variate problems.

8.6.3

Computation of crossing rates by parallel system sensitivity analysis

A general and practical solution of the out-crossing problem was presented by Hagen and Tvedt
(1991), based on unpublished results by Madsen (Danish Academy of Sciences). It applies to problems
involving general types of stationary or non-stationary but dierentiable load processes. It transforms
the out-crossing rate calculation in a FORM or SORM computation of the sensitivity of a timeinvariant parallel system.
An out-crossing of a general dierentiable vector process S(t) corresponds to a zero down-crossing
of the scalar process G(r, S, t), which can be calculated as (note similarity with equation ??):
+
D (r, t) = lim

t0

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

(8.71)

which in words means:

the probability of having an out-crossing in the vanishing time interval (t, t + t),
which is equal to the probability that process S(t) is in the safe domain at time t and
crosses out of the safe domain during interval t.
Equation (3) is useful to formulate the problem, but it is no good for computational purposes, as
will be seen in the sequel. A better formulation is obtained by expanding G(r, S, t) = 0 to first order
at t:

G(r, S, t + t) = G(r, S, t) + tG(r, S, t)

(8.72)

Replacing equation (8.72) in (8.71) leads to:

1
P [G(r, S, t) > 0 G(r, S, t) + tG(r, S, t) < 0]
t0 t
which can also be written as:

1
P [G(r, S, t) < 0 G(r, S, t) + tG(r, S, t) < 0]
+
lim

D (r, t) = t0

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

+
D (r, t) = lim

(8.73)

(8.74)

A figura (8-5) mostra os eventos associados s probabilidades expressas na equao (8.74). Esta
equao representa uma aproximao em diferenas finitas da derivada da probabilidade de falhas do
sistema parallelo em colchetes. Isto permite escrever:

d
+
D (r, t) =
(8.75)
P [G(r, S, t) < 0 G(r, S, t) + G(r, S, t) < 0]
d
=0
d
P []|=0 representa a medida de
onde P [] a probabilidade associada ao systema em parallelo e d
sensibilidade desta probabilidade.
Equation (8.75) can be evaluated by FORM or SORM using the limit state functions:

m1 (r, S, t) = G(r, S, t)

m2 (r, S, t) = G(r, S, t) + G(r, S, t)

186

(8.76)

The only requirement is that the algorithm for computation of sensitivity factors be capable of identifying sensitivity due to rotation of the limit state function.
The solution is very general and practical, and can be applied for Gaussian and non-Gaussian,
stationary and non-stationary load processes, and for time-variant limit state functions. When the
problem is stationary, only one evaluation of (8.75) is necessary, whereas for non-stationary problems
this evaluation has to be repeated over time. The solution in equation (8.75) is conditional on a
particular outcome r of the resistance random variables, and that has been made explicit in the
formulation.
With the parallel system sensitivity solution, it is particularly simple to calculate ensemble crossing
rates (i.e. crossing rates that are averaged over R.It suces to include the random resistance variables
in the parallel system sensitivity analysis:

d
+
D (t) =
(8.77)
P [G(R, S, t) < 0 G(R, S, t) + G(R, S, t) < 0]
d
=0

Computation of (8.77) represents little extra eort in comparison to (8.75), due to the increased
dimensionality of the problem. The whole solution, however, is still very simple. It takes a couple of
time-invariant sensitivity analysis over variables R and S (for a time-variant barrier) and a numerical
integration over time. It is important to note that implied in equation (8.77) is, of course and again,
the EUR approximation.
In (Hagen, 1992) the parallel system approach is compared with Laplace asymptotic solution and
with approximate formulas for the computation of crossings of a scalar Gaussian process trough a
time-dependent barrier. Der Kiureghian and Li (1996) employ the parallel system formulation in
non-linear random vibration analysis. Vijalapura et. all (2000) use the parallel system formulation
in the analysis of hysteretic oscillators with uncertain parameters. In (Der Kiureghian, 2000) it is
used to compute out-crossing rates in context of a discretization of the load processes into a set of
correlated random variables.
Example
The ideal rigid-plastic frame studied in (Melchers, 1992 and Ditlevsen, 1983) is considered as an
application example. The frame is loaded by stochastic load processes S1 (t) to S3 (t) as shown in
figure (8-6). The processes are assumed stationary, continuous, Gaussian distributed with mean
vector:
S = {1, 1, 2}T
and covariance matrix:

0.5 0
1 0
CSS ( ) = 0.25R(t)
sym.
1
1

where the correlation function is taken as:

R(t) = exp [ | |]
The uncertain structural resistance (strength of the plastic hinges) is represented by random variable R. The collapse mode equations (limit state functions) are:
G1 (t)
G2 (t)
G3 (t)
G4 (t)

=
=
=
=

4R S1 (t) = 0
4R S2 (t) = 0
6R S3 (t) = 0
8R S1 (t) S3 (t) = 0

Frame failure is characterized if any of the four limit state functions is violated. Hence, the limit
state function for the series system is:
m

G(t) = min[Gi (t)]

i=1

For a series system, the load process derivative solution for out-crossing rates is (Hagen and Tvedt,
1991):
187

+
D (t)

d X m
=
P j=1,j6=i {Gj (t) > 0 mi,1 (t) < 0 mi,2 (t, ) < 0}

d i=1

(8.78)
=0

where the safety margins for the parallel system computation are:
.

mi,1 (t) = Gi (t)

.

mi,2 (t, ) = Gi (t) + Gi (t)

The parallel system solution in equation (8.78) involves 5 component limit state functions, i.e.,
3 limit state functions of the original series system and the two limit state functions for the parallel
system crossing rate computation. Hence, computation of the crossing rates using equation (8.78)
requires an algorithm capable of evaluation the intersection probability of 5 limit state functions.
Probability bounds are generally not accurate enough for evaluating such multiple intersections. In
this example, importance sampling is used in the computation.

The solution is computed for varying values of the resistance parameters. Figure (8-7) shows
crossing rate results for varying between 0.4 a 1.0 and varying between 0.0 and 0.09 (load process
units). These results compare favourably with those of Melchers (1992), computed using directional
simulation. Results shown in figure 10 where obtained using 104 (importance) samples in the parallel
system crossing rate computation.

These results where obtained using parameter . It is noted that the number of samples required
in the parallel system evaluation (eq. 8.78) depends directly on the value of . For smaller than
0.001, similar results are obtained, but requiring a (much) larger number of simulation samples. This
is due to the narrowness of the failure domain. For or greater, incorrect results where obtained. For ,
correct results are obtained with a reasonable number of samples.

The (ensemble) out-crossing rates in Figure (8-7) are the exact (to the accuracy of the computation)
crossing rates for the random failure domain for any given time. However, using these out-crossing rates
to compute (first passage) failure probabilities may lead to gross but conservative errors. Ensemble
crossing rate error expressions presented in (Beck, 2005) can be used to estimate the error in this
example. This can be done by estimating the ECR error for each limit state function individualy
(in each case, a scalar problem). Figure (8-8) shows such error estimates for resistance parameters
R = N (1.0, 0.3) as a function of the number of load cycles (w0 t). It can be seen that the contribution
to the ECR error is very much the same for each limit state function. Hence, one can expect the error
for the frame out-crossing rate analysis to be of the same order of magnitude.
188

8.7

FIGURAS

r, s
f R ( r , t0 )

r ( t ) = realizao de R (t )

s ( t ) = realizao de S (t )

f S ( s, t )

Figura 8-1: Problema de confiabilidade estrutural tpico envolvendo carregamento estocstico e variao da resistncia no tempo

S (t ), r
barreira r (t ) = r
f S ( s, t )

s (t ) = realizao de S (t )

Figura 8-2: Ultrapassagem da barreira r(t) = r pelo processo de carregamento S(t).

189

S (t ), r
r

s (t )

Figura 8-3: Passagens de barreira em bloco caracterstica de processos estocsticos de banda estreita.

r, s
f R0 ( r )

realizaes de R(t )

r1 (t )
r2 (t )

realizao de S (t )

f S ( s, t )

r3 (t )

Figura 8-4: Problema de confiabilidade estrutural com variao paramtrica da resistncia.

G ( t )

G (t ) = 0
G (t )

G ( t ) + G ( t ) = 0

G (t ) = 0

Figura 8-5: Parallel system computation of crossing rates.

190

S3 (t )

S1 (t )

S 2 (t )

2a

2a

(1)

(2)

(4)

(3)

Figura 8-6: Quadro rigido-perfeitamente plstico com multiplos modos de falha.

Log10HD+L

-2
-4
Solution :
R= 0.4
R= 0.6
R= 0.8
R= 1.0

-6
-8
-10

0.02

0.04
0.06
Resistance
Variance H R 2L

0.08

Figura 8-7: Crossing rate results as a function of resistance parameters for ideal rigid-plastic frame
problem.
2
1.75

ECR Error

1.5
1.25
1
0.75

Results

for R= NH R , R L = NH1.0 ,0.3 L:

G1 HtL, G2 HtL
G3 HtL

0.5

G4 HtL

0.25
0

20

Number

40
60
of load cycles

H w0tL

80

100

Figura 8-8: Predicted ECR error for individual failure surfaces of ideal rigid-plastic frame problem

191

192

Captulo 9

CONFIABILIDADE E AS
NORMAS DE PROJETO

9.1

INTRODUO

193

9.2

BREVE HISTRICO

Nesta seo traamos um paralelo entre os principais desenvolvimentos na teoria de confiabilidade

estrutural ,e como estes desenvolvimentos foram gradualmente sendo incprporados nas normas tcnicas
de projeto estrutural.

Decada ou ano:
Final de 1940
at meados de
1960:

Final de 1960:

1970:

1975:

Final de 1970:

Anos 1980:

1998:
2001:
2003:

9.3

Eventos
Desenvolvimentos tericos. Problemas simples e abstratos. Primeiras noes de que
coeficientes de segurana deveriam ser determinados com base na teoria de probabilidades. 1963: comit de normas da ACI percebe a necessidade de tratar incertezas em
carregamentos e em resistncias separadamente. Freudenthal, 1966: The analysis of
Structural Safety.
Convergncia de interesses entre a comunidade cientfica, buscando aplicaes para a
confiabilidade estrutural, e os comits normativos, buscando por formas mais racionais
de gesto do risco em normas tcnicas. Noo do ndice de confiabilidade. Separao
de incertezas em incerteza fsica e incerteza de modelo.1969: AISC e AISI iniciam projeto conjunto para desenvolver uma norma semi-probabilstica baseada nos conceitos
do mtodo de primeira ordem (FOSM); este projeto d origem ao formato LRFD
utilizado atualmente.
Desenvolvimento de modelos probabilsticos de carregamento e de combinao de carregamentos motivados diretamente pela aplicao normas tcnicas de projeto. 1972:
ANSI A58 Load Standard prov mapas de contorno para carregamentos extremos de
vento e neve em funo do perodo de retorno.
Comisso da comunidade europia estabelece programa com objetivos de eliminar
dificuldades tcnicas ao comrcio e propiciar a unificao das normas tcnicas entre
os estados-membro - dando origem aos EUROCODES.
Dificuldades tcnicas removidas (FOSM), incorporao das distribuies estatsticas (FORM), introduzido o conceito de otimizao de risco em normas tcnicas.
Maior parte das ferramentas necessrias para a primeira gerao de normas semiprobabilsticas (formato atual) j se encontram desenvolvidas. Tendncia para projeto baseado em estados limites encontra-se madura. Identificadas vantagens de se ter
um conjunto nico de especificaes de carregamento para qualquer material estrutural. 1978: Base tcnica para o formato LRFD apresentado em uma srie de artigos.
1979: Avanos em anlise de primeira ordem, modelos estocsticos de carregamento, estatsticas de aes e otimizao permitem a determinao do primeiro conjunto
de coeficientes parciais de segurana determinados probabilsticamente. Estes coeficientes so adotados na norma ANSI A58.1 de 1982 e posteriormente incorporados
na norma ASCE 7-1988.
Em 1980 surge a primeira gerao de EUROCODES. Ellingwood e Galambos, 1982:
Probabilistic based criteria for structural design, Structural Safety. 1984: Estados
limites incorporados na norma brasileira NBR8681.
ISO 2394: General principles on reliability for structures.
Nova verso do EUROCODE: prEN1990: Basis of Structural Design. Apresentado
projeto (piloto) de norma probabilstica do JCSS.
Atualizao da NBR8681.

AS NORMAS ANTIGAS

As normas antigas (digamos, anteriores decada de 90) estavam baseadas em um formato que tornouse conhecido como formato de tenses admissveis:
ADM =
194

ESC
F.S.

Este formato utiliza um fator de segurana central (F.S.) para criar uma margem de segurana entre
a tenso resistente do material e a tenso de trabalho. Projeta-se a estrutura de forma que a mxima
tenso atuante seja sempre menor ou igual tenso admissvel. Em geral, projeta-se a estrutura com
base em uma anlise elstica.
As normas antigas j reconheciam a existncia de incertezas no projeto estrutural, e por isto a necessidade de utilizar-se um fator de segurana central. No entanto, a maneira como estas incertezas eram
abordadas nas primeiras normas mostrou-se bastante rudimentar. Sem entrar em detalhes, valores
caractersticos so utilizados como valores representativos de resistncia. Carregamentos representativos ou nominais so determinados em funo de um perodo de retorno, perodo este relacionado
com a vida projetada da estrutura. Combinaes empricas de carregamentos so utilizadas.
Neste tipo de projeto, a segurana e a probabilidade de falha no so consideradas explicitamente.
Admite-se apenas que as falhas so raras e os riscos so aceitavelmente baixos. Em verdade, logo
se descobriu ser mais fcil projetar uma estrutura segura do que avaliar a probabilidade de falha da
mesma. Ainda que o preo a pagar por esta negligncia fosse o possvel super- ou sub- dimensionamento
da mesma.

9.4

FORMATO SEMI-PROBABILSTICO DAS NORMAS

ATUAIS
Rd Sd

9.4.1

Eurocode
FR

9.4.2

#
" n

X
R
i Qi
S
R
i=1

(9.1)

Norma americana (LRFD)

R

n
X

i S [Qi ]

(9.2)

i=1

Entre as equaes (9.1) e (9.2) percebemos algumas diferenas e grandes semelhanas.

9.5

RELAO ENTRE MEDIDAS DE SEGURANA

O formato semi-probabilstico das normas atuais, baseado em equaes de estado limite e em coeficientes de segurana parciais, passou a ser conhecido como medida de segurana de nvel um. Esta
classificao vem de uma comparao com medidas de segurana de nvel 2 (FOSM - que assume distribuies normais) e de nvel 3 (FORM ou Monte Carlo - que permitem uso completo das distribuies
estatsticas), conforme apresentado na tabela 3.5. O trabalho de calibrao das normas atuais requer
o estabelecimento de relaes entre as diferentes medidas de segurana. Neste trabalho, os coeficientes
de segurana parciais a ser utilizados na equao de dimensionamento (nvel 1) so determinados a
partir de anlises de confiabilidade realizadas em nvel 2 ou 3. Nesta seo, apresentamos as relas
entre estas medidas de segurana.

9.5.1

Relao entre nveis 1 e 2 (FOSM)

Recordemos que uma anlise de confiabilidade de primeira ordem e segundo momento (FOSM) consiste
em encontrar o chamado ponto de projeto y ; o ndice de confiabilidade vem a ser a distncia
entre este ponto e a origem do espao normal padro (veja seo 4.1). A soluo est baseada na
transformao de Hassofer e Lind (eq. 4.1), de forma que as coordenadas do ponto de projeto so:
xi = Xi + yi Xi
Utilizando a equao (4.9), esta expresso fica:
xi = Xi i Xi = Xi (1 i VXi )
195

onde VXi o coeficiente de variao da varivel Xi e os i so os cossenos diretores do hiperplano

tangente equao de estado limite no ponto de projeto (eq. 4.8).
Projetar uma estrutura com ndice de confiabilidade significa projetar esta estrutura no ponto
de projeto.

9.5.2

9.6

Relao entre nveis 1 e 3 (FORM)

CALIBRAO DAS NORMAS ATUAIS

Pelo exposto na seo xx, resulta natural que as primeiras normas semi-probabilsticas (verses atuais)
das normas de projeto estrutural tenham sido calibradas para apresentar um nvel de segurana
compatvel com as normas anteriores a estas. Nesta seo, estudamos como o processo de calibrao
das normas atuais foi realizado. A apresentao segue, em linhas gerais, o processo de calibrao
da norma americana ANSI A58 - Minimum Design Loads for Buildings - segundo Ellingwood et al.
(1980). O processo pode ser dividido em 9 etapas, conforme segue:
1. Definio do escopo (material construtivo, tipo de estrutura) da norma a ser calibrada;
2. Seleo dos pontos de calibrao: os principais parmetros de projeto so divididos em faixas
discretas de tamanho aproximadamente uniforme (por exemplo, cria-se faixas de tenso admissvel, comprimento de vos, rea de lajes, etc). No projeto de prdios, comum trabalhar
com relaes entre as aes variveis e o peso prprio, L/D ou W/D. Neste caso, os pontos de
calibrao passam a ser L/D = 1, 2, 3, ..., ou W/D = 1, 2, 3, ..., ;
3. As estruturas correspondentes aos pontos de calibrao so projetadas segundo a norma a ser
aposentada;
4. Definio das equaes de estado limite para a anlise de confiabilidade. Estas equaes correspondem s equaes normativas, mas devem ser o mais realistas possveis, i.e., devem evitar as
aproximaes conservativas adotadas nas normas. Por exemplo, mesmo que a norma estabelea
um critrio de anlise linear, a equao de estado limite para a anlise de confiabilidade pode
ser baseada na resposta no linear da estrutura;
5. Determinao das propriedades estatsticas das variveis envolvidas;
6. Anlise de confiabilidade em nvel 2 (FOSM) ou 3 (FORM ou SMC) das estruturas projetadas
pela norma a ser aposentada. Esta anlise resulta em uma estimativa da probabilidade de falha,
ou do ndice de confiabilidade, para cada um dos pontos de calibrao identificados acima. Estes
ndices representam uma estimativa quantitativa da segurana proporcionada a estas estruturas
pelo critrio da norma antiga. Resultados tpicos obtidos na calibrao da norma ANSI A58
so apresentados nas figuras 9-1 e 9-2. Observa-se nestas figuras uma variao significativa
dos ndices de confiabilidade obtidos, o que revela a falta de fundamentao probabilstica das
normas antigas. Em especial, observa-se uma acentuada reduo do com o aumento da relao
L0 /Dn ou Sn /Dn para as estruturas metlicas (figura 9-1). Estas variaes ficam ainda mais
evidentes quando se inclue a carga de vento (figura 9-2). De maneira semelhante, na calibrao
da norma americana obteve-se da ordem de 4 a 8 para estruturas de alvenaria e da ordem de 2 a
3 para estruturas em laminado de madeira. Note-se que os ndices de confiabilidade encontrados
nesta etapa so, at certo ponto, dependentes das distribuies estatsticas adotadas na etapa
6. Este fato no crtico para os resultados uma vez que as mesmas distribuies estatsticas
so utilizadas ao longo de todo o processo de calibrao.
7. Seleo do ndice de confiabilidade alvo ( alvo ). Os ndices de confiabilidade obtidos na norma
antiga representam um espcie de consenso a respeito do nvel de segurana estrutural, consenso
este atingido atravs de um lento processo de otimizao, ao longo dos anos, das normas anteriores. No tendo a mesma fundamentao probabilstica das normas atuais, natural que
as normas antigas revelassem uma variao significativa dos ndices de confiabilidade, conforme
evidenciado nas figuras 9-1 e 9-2. No formato novo, busca-se reduzir esta variao atravs da
especificao de um alvo . De maneira a respeitar a experincia alcanada ao longo dos anos,
necessrio que o alvo escolhido seja compatvel com o nvel de segurana da norma anterior.
Uma maneira de fazer isto escolher o alvo como uma mdia ponderada dos ndices de confiabilidade obtidos no tem 6. Alguma variao do ndice de confiabilidade ;e admitida em funo
196

de modo/consequncia de falhas ou de material estrutural. Na calibrao da norma A58, por

exemplo, adotou-se os valores alvo = 3 para combinaes D + L, alvo = 2.5 para combinaes
D + L + W e alvo = 1.75 para terremotos. Estes valores correspondem aproximadamente aos
ndices obtidos nas normas anteriores, como pode ser verificado nas figuras 9-1 e 9-2. Para combinao de carregamentos envolvendo terremotos, o alvo menor do que nas demais combinaes,
o que pode parecer estranho a primeira vista. Ocorre que, apesar das consequncias de falhas
por terremoto serem severas, as foras envolvidas so muito grandes, de maneira que projetar
estruturas com elevada confiabilidade contra terremotos se torna proibitivamente caro. O ndice
de confiabilidade alvo = 1.75 reflete um balano entre segurana e o custo de construo da
estrutura. De fato, neste balano de custos que se pode encontrar o alvo mais econmico para
cada situao, e nesta direo devem ocorrer os avanos futuros, conforme veremos na seo
9.7.1.
8. Observao dos coeficientes de segurana parciais implcitos na norma antiga. Esta etapa no
essencial, mas ajuda a determinar o formato das equaes de verificao da nova norma. Para
cada um dos pontos de calibrao determinados anteriormente, reprojeta-se as estruturas de
maneira a se atingir o ndice de confiabilidade alvo. J no formato da nova norma, verifica-se
qual o valor dos coeficientes parciais de segurana que resultariam na mesma estrutura, com o
mesmo alvo . Resultados obtidos na calibrao da norma americana so mostrados nas figuras
9-3 e 9-4, para vigas de ao e concreto, respectivamente. Percebe-se nestas figuras que os
coeficientes e D (reduo de resistncia e majorao do peso prprio, respectivamente), so
aproximadamente constantes ao longo de todas as faixas de carregamento (L/D e W/D). O
mesmo j no acontece com os coeficientes L e W . Isto significa que, para se atingir o alvo
de forma constante ao longo de todas as condies de projeto, os coeficientes L e W teriam
que ser variveis. Na prtica, isto no adequado, pois dificultaria a vida do projetista. Buscase coeficientes parciais que sejam constantes pelo menos para determinada classe de estruturas
e combinao de carregamentos. Estabelecer coeficiente parciais de segurana constantes, no
entanto, implica em que o alvo no poder ser atingido de maneira uniforme.
9. Definio dos coeficientes de segurana parciais da nova norma. A opo por coeficientes parciais
constantes faz com que o alvo no possa ser atingido de maneira uniforme ao longo de todo o
espectro de estruturas pertencentes ao escopo de determinada norma. Ainda assim, busca-se um
conjunto de coeficientes parciais de segurana que minimize a diferena entre os c s individuais
e o alvo . Isto pode ser feito por mnimos quadrados atravs da expresso:
W =

n
X
i=1

wi [ alvo ci (, D , L , W , ...)]

onde wi so pesos que permitem dar preferncia a determinadas condies de projeto e ci o

ndice de confiabilidade correspondente ao i-simo ponto de calibrao.

9.7

NORMAS FUTURAS

9.7.1

Otimizao do risco estrutural

9.7.2

Normas probabilsticas

9.7.3

ndices de confiabilidade alvo

Em 1971, seis importantes orgos internacionais relacionados com a engenharia civil se reuniram para
criar um grupo de trabalho com o objetivo principal de aumentar de maneira geral o conhecimento
relacionado segurana estrutural. Este grupo de trabalho, chamado de Joint Committee on Structural
Safety (JCSS), tem trabalhado nesta misso sob os auspcios de cinco das entidades que o criaram:
1. International Council for Research and Innovation in Building and Construction, com suporte
das Naes Unidas;
2. The European Convention for Constructional Steelwork;
3. The International Federation for Structural Concrete (fib);
197

4. International Association for Bridge and Structural Engineering;

5. International Union of Laboratories and Experts in Construction Materials, Systems and Structures.

Em 2001, este grupo de trabalho publicou um documento intitulado Probabilistic Model Code
(modelo de norma probabilstica), que apresenta as principais diretrizes para a formulao (ou reviso)
de normas tcnicas de projeto estrutural com embasamento na teoria de confiabilidade estrutural.
Entre outros resultados, este trabalho apresenta uma tentativa de definio de ndices de confiabilidade
mnimos para projetos estruturais. Estes ndices so apresentados nas tabelas abaixo.

Tabela 9.1: ndices de confiabilidade alvo para estados limites ltimos.

Custo relativo da
Consequncias de falha
medida de segurana
Mnimas
Moderadas Elevadas
Alta
3.1
3.3
3.7
Normal
3.7
4.2
4.4
Pequena
4.2
4.4
4.7

Tabela 9.2: Probabilidades de falha correspondentes aos ndices de confiabilidade alvo.

Custo relativo da
Consequncias de falha
medida de segurana
Mnimas
Moderadas Elevadas
Alta
103
5 104
1 104
4
5
Normal
10
1 10
5 105
5
6
Pequena
10
5 10
1 106

Tabela 9.3: ndices de confiabilidade alvo para estado

Custo relativo da
medida de segurana alvo
Alta
1.3
Normal
1.7
Pequena
2.3

198

limite de servio irreversvel.

Pf alvo
1 101
5 102
1 102

9.8

FIGURAS:

Figura 9-1: ndices de confiabilidade da norma antiga para combinao de aes gravitacionais.

Figura 9-2: ndices de confiabilidade da norma antiga para combinao de aes gravitacionais e vento.
199

Figura 9-3: Fatores de segurana parciais para atingir alvo = 2.5, vigas de ao.

Figura 9-4: Fatores de segurana parciais para atingir alvo = 2.5, vigas de concreto armado.
200

Figura 9-5: ndices de confiabilidade da nova norma para os fatores de segurana parciais propostos.

201

202

Referncias Bibliogrficas
[1] Ang, A. H-S.; Tang, W. H.; 1975: Probability Concepts in Engineering Planning and Design ,
Volume I: Basic Principles; John Wiley & Sons.
[2] Ang, A. H-S.; Tang, W. H.; 1990: Probability Concepts in Engineering Planning and Design ,
Volume II: Decision, Risk and Reliability; John Wiley & Sons.
[3] Ang, G. S.; Ang, H-S.; 1994: Adaptive Kernel Method for Evaluating Structural System Reliability,
6th International Conference on Structural Safety and Reliability.
[4] ANSYS Programers Manual Revision 5.2, 31 de outubro de 1995.
[5] ANSYS Installation and Configuration Guide for Release 5.3 ; outubro de 1996.
[6] ANSYS Users Manual for Revision 5.0, Volumes I e II - Procedures, 23 de dezembro de 1992.
[7] Arajo, J. M. e Awruch, 1992: Analise Estrutural Probabilstica pelo Mtodo dos Elementos
Finitos, Departamento de Engenharia Civil, UFRGS.
[8] ASCE - American Society of Civil Engineers, 1980: Recommended Design Loads for Bridges.
[9] Beck, A. T.; 1996: Clculo da Confiabilidade de uma Viga de Ponte Rolante; Trabalho de Diplomao, Departamento de Engenharia Mecnica, UFRGS.
[10] Beck, A. T. e da Rosa, E., 1999: ACE-Pro - Manual para Utilizao e Programao, Grupo de
Anlise e Projeto Mecnico, Curso de Ps Graduao em Engenharia Mecnica, UFSC.
[11] Bjerager, P., 1988: Probability Integration by Directional Simulation, Journal of Engineering
Mechanics, vol. 114, nmero 8, pg. 1285-1301.
[12] Bjerager, P., 1990: On Computation Methods for Structural Reliability Analysis, Structural Safety,
vol.9, pg. 79-96.
[13] Borgund, U. e Bucher, C. G.; 1986: Importance Sampling Procedure Using Design Point - ISPUD
- Users Manual, Institute fr Mechanik, Universitt Innsbruck, Innsbruck.
[14] Borgund, U.; Ouypornprasert, W. e Prenninger, P. H. W., 1986: Advanced Simulation Methods
for the Estimation of Systems Reliability, Internal Working Report 19, Institute fr Mechanik,
Universitt Innsbruck, Innsbruck.
[15] Bratley, P.; Fox, B. L.; Schrage, L. E.; 1987: A Guide to Simulation, Springer.
[16] Breitung, K., 1984: Asymptotic Approximations for Multinormal Integrals, Journal of Engineering
Mechanics, ASCE, vol. 110 (3), 357-366.
[17] Bucher, C. G., 1988: Adaptive Sampling - An Interative Fast Monte Carlo Procedure, Structural
Safety, vol. 5, pg. 119-126.
[18] Bucher, C. G. e Bourgund, U., 1990: A Fast and Ecient Response Surface Aproach for Structural
Reliability Problems, Structural Safety, vol. 7, pg. 56-66.
[19] Bucher, C. G., Pradlwarter e Schuller, G. I.; 1994: COSSAN - Computational Stochastic Structural Analysis Perspectives of Software Development, 6th International Congress for Structural
Safety and Reliability, pg. 1733-1739.
203

[20] Chia, C. e Ayyub, B.; 1994: Conditional Sampling for Simulation Based Structural Reliability
Assesment, 6th International Congress for Structural Safety and Reliability, pg. 1233-1239.
[21] Clarkson, B. L. An Introduction to Random Vibration Analysis; Institute of Sound and Vibration;
University of Southampton.
[22] Ditlevsen, D.; 1981: Principle of Normal Tail Aproximation, Journal of the Engineering Mechanics Division, ASCE, vol. 107, no EM6, pg. 1191 - 1208.
[23] Ditlevsen, O. e Bjerager, P.; 1986: Methods of Structural Systems Reliability, Structural Safety,
volume 3, pg. 195-229.
[24] Dolinski, K.; 1983: First Order Second Moment Aproximation in Reliability of Structural Systems:
Critical Review and Alternative Approach, Structural Safety, vol. 1, pg. 211-231.
[25] Feijo, R. A. e Taroco, E., 1993: Introduccin al Anlisis de Sensibilidad, Laboratrio Nacional
de Computao Cientfica, Rio de Janeiro.
[26] Fiessler, B., Neumann, H.-J. e Rackwitz, R.; 1979: Quadratic Limit States in Structural Reliability, Journal of the Engineering Mechanics Division, vol. 105, Nmero EM4, pg. 661-675.
[27] Frangopol, D. M. e Fu, G., 1989: Limit States Reliability Interaction in Optimum Design of
Structural Systems, 6th International Congress for Structural Safety and Reliability, pg. 18791886.
[28] Freudenthal, A. M.; 1947: The Safety of Structures, American Society of Civil Engineers Transactions, vol. 112, pg. 125-180.
[29] Gao, L. e Haldar, A.; 1994: Nonlinear SFEM-based Reliability for Space Structures, 6th International Congress for Structural Safety and Reliability, pg. 325-332.
[30] Gopalakrishna, H. S. e Donaldson, E.; 1991: Practical Reliability Analysis Using a General Purpose Finite Element Program, Finite Element in Analysis and Design 10, pg. 75 - 87, Elsevier.
[31] GRANTE - Grupo de Anlise e Projeto Mecnico, 1997: Estudo da Viabilidade Tcnica de
Proposta Alternativa de Recuperao da Ponte Herclio Luz - Relatrio Final.
[32] Hasofer, A. M. e Lind, N. C.; 1974: Exact and Invariant Second Moment Code Format, Journal
of Engineering Mechanics vol. 100(1), pg. 111-121.
[33] Hohenbichler e Rackwitz, R., 1981: Non-Normal Dependent Vectors in Structural Reliability,
Journal of Engineering Mechanics vol. 107, No EM6, pg. 1227 - 1238.
[34] Hohenbichler, M., Golwitzer, S., Kruse, W. e Rackwitz, R.; 1987: New Light on First and Second
Order Reliability Methods, Structural Safety, vol. 4, pg. 267-284.
[35] Iman, R. L.; Canover, W. J.; 1980: Small Sample Sensitivity Analisys Techniques for Computer Models with an Application to Risk Assesment, Communications in Statistics, Theory and
Methods.
[36] Ishie, K. e Suzuki, M.; 1987: Stochastic Finite Element Method for Slope Instability Analysis,
Structural Safety 4, pg. 111-129.
[37] Kapur, K. C.; Lamberson, L. R.; 1977: Reliability in Engineering Design, John Wiley & Sons.
[38] Karamchandani, A.; Bjerager, B.; Cornell, C. A.; 1989: Adaptive Importance Sampling, 5th
International Conference on Structural Safety and Reliability, pg. 855-862.
[39] Kiureghian, A. D.; Asce, M. e Liu, P-L.; 1986: Structural Reliability Under Incomplete Probability
Information, Journal of Engineering Mechanics no 1, pg 85-103.
[40] Kiureghian, A. D., Lin, H-Z. e Hwang, S-J., 1987: Second Order Reliability Approximations,
Journal of Engineering Mechanics, vol. 113, no 8, pg. 1208-1225.
204

[41] Liu, P-L. e Kiureghian, A. D.; 1989: Finite Element Reliability of Two Dimensional Continua
with Geometrical Nonlinearity, 5th International Congress for Structural Safety and Reliability,
pg. 1089-1096.
[42] Liu, P-L. e Kiureghian, A. D.; 1989: Finite Element Reliability Methods for Geometrically Nonlinear Stochastic Structures, Report UCB/SEMM-89/05, Department of Civil and Environmental
Engineering, University of California, Berkeley.
[43] Liu, P-L. e Kiureghian, A. D.; 1991: Optimization Algorithms for Structural Reliability, Structural
Safety, vol. 9, pg. 161-177.
[44] Liu, P-L. e Kiureghian, A. D.; 1997: Finite Element Reliability of Geometrically Nonlinear Uncertain Structures, Journal of Engineering Mechanics, Vol. 117, no 8, pg. 1806-1825.
[45] Madsen, H. O; 1988: Omission Sensitivity Factors; Structural Safety 5, pg. 35-45.
[46] Mahadevan, S. e Haldar, A.; 1991: Practical Random Field Discretization in Stochastic Finite
Element Analysis, Structural Safety 9, pg. 283-304.
[47] Maymon, G.; 1993: Probability of Failure of Structures Whitout a Closed Form Failure Function;
Computers & Structures, vol. 49, no 2, pg. 301-303.
[48] Maymon, G.; 1994: Direct Computation of the Design Point of a Stochastic Structure using Finite
Element Code; Structural Safety, vol.14, pg. 185-202
[49] Moses, F. Approaches to Structural Reliability and Optimization, em An Introduction to Structural Optimization, Case Western Reserve University, Cleveland, Ohio, pg. 81-120.
[50] Orisamolu, I. R.; Liu, Q. e Chernuka, M. M.; 1994: Probabilistic Reliability Analysis using General
Purpose Commercial Computer Programs; 6th International Congress for Structural Safety and
Reliability, pg. 1395-1398.
[51] Prabhu, N. U.; 1965: Stochastic Processes, Collier-Macmillan Limited, London.
[52] Rackwitz, R. e Fiessler, B.; 1978: Structural Reliability Under Combined Load Sequences, Computers and Structures vol. 9, pg. 489-494.
[53] Reh, S., Brchner-Foit, A. e Bhm, F.; 1994: Reliability Analysis of Complex Structures with
Random Material Properties and Random Geometry; 6th International Congress for Structural
Safety and Reliability, pg. 399-402.
[54] Riera, J. A.; 1993: Introduo Confiabilidade na Engenharia; Apostila da disciplina Introduo
a Confiabilidade em Engenharia, Departamento de Engenharia Civil, UFRGS.
[55] Rocha. M. M., 1996: Simulao de Monte Carlo com Amostragem por Importncia: Fundamentos
Tericos e Programao, Laboratrio de Dinmica Estrutural e Confiabilidade, Departamento de
Engenharia Civil, UFRGS.
[56] Rosa, E. da; 1976: Confiabilidade em Sistemas Estruturais, Publicao GRANTE - Grupo de
Anlise de Tenses, Curso de Engenharia Mecnica, UFSC.
[57] Rubinstein, R. Y.; 1981: Simulation and the Monte Carlo Method, John Wiley & Sons.
[58] Schuller, G. I. e Stix, R.; 1987: A Critical Apraisal on Methods to Determine Structural Reliability, Structural Safety 4, pg. 293-309.
[59] Shinozuka, M.; 1983: Basic Analysis of Structural Safety, Journal of Structural Engineering vol.
109(3), pg. 721-740.
[60] Siddall, J. N., 1972: Analytical Decision-Making in Engineering Design, Prentice-Hall Inc.
[61] Silva Jr., C. R. A. da; 1998: Anlise de Confiabilidade Estrutural Adaptativa de Componentes
Mecnicos Utilizando Anlise de Sensibilidade, Dissertao de Mestrado, Ps-graduao em Engenharia Mecnica, UFSC.
205

[62] Steinman, D. B. e Groove, W. G.; 1928: The Eye-bar Cable Suspension Bridge at Florianpolis;
Brazil ; ASCE paper 1662.
[63] Tan, R. Y. e Lu, I. Y.; 1994: Stochastic Finite Element Analysis of Structures, 6th International
Congress for Structural Safety and Reliability, pg. 375-380.
[64] Yonezawa, M.; Okuda, S.; 1994: An Improved Importance Sampling Density Estimation for
Structural Reliability, 6th International Conference on Structural Safety and Reliability.
[65] Zhang, Y. e Kiureghian, A. D., 1994: Probability of Damage Excursion in a Continuum with
Random Field Properties, 6th International Conference on Structural Safety and Reliability, pg.
1763-1767.
[66] Zhang, Y. e Kiureghian, A. D., 1997: Finite Element Reliability Methods for Inelastic Structures,
Report UCB/SEMM-97/05, Department of Civil and Environmental Engineering, University of
California, Berkeley.

206

Referncias Bibliogrficas
[1] ASCE, 1982: Fatigue Reliability - A State of the Art Report by the Committee on Fatigue and
Fracture Reliability, Journal of the Structural Division, ASCE, No. 108(1), pp. 1 - 88.
[2] Ayala-Uraga, E. and Moan, T., 2002: System Reliability Issues of Oshore Structures Considering
Fatigue Failure and Updating Based on Inspection, 1st International ASRANet Colloquium, July
2002, Glasgow, Scotland.
[3] Barson, J. M. and Rolfe, S. T., 1987: Fracture and Fatigue Control in Structures: Applications of
Fracture Mechanics, 2nd edition, Englewood Clis, NJ, 1987.
[4] Bea, J. A., Doblare, M. and Gracia, L., 1999: Evaluation of the Probability Distribution of Crack
Propagation Life in Metal Fatigue by means of Probabilistic Finite Element Method and B-models.,
Engineering Fracture Mechanics, vol. 63 (1999), pp. 675- 711.
[5] Beck, A.T., 1999: A Method of Reliability Analysis Using Finite Elements (in Portuguese), Masters
thesis, Department of Mechanical Engineering, Federal University of Santa Catarina, SC, Brazil.
[6] Beck, A.T. and Melchers, R.E., 2002: Comparison of Some Methods for Fatigue and Fracture
Reliability Analysis under Random Loading, in Advances in Mechanics of Structures and Materials,
Loo, Chowdhury and Fragomeni (eds.), Swets & Zeitlinger, pp. 449 - 454.
[7] Beck, A.T. and Melchers, R.E., 2002(b): On the Ensemble Up-crossing Rate Approach to Time
Variant Reliability Analysis of Uncertain Structures, Computational Stochastic Mechanics, Spanos
and Deodatis (eds.), Milpress, Roterdam, pp. 43 - 52.
[8] Beck, A.T. and Melchers, R.E., 2004: On the Ensemble Up-crossing Rate Approach to Time
Variant Reliability Analysis of Uncertain Structures, Probabilistic Engineering Mechanics, 19, pp.
9-19.
[9] Beck, A.T. and Melchers, R.E., 2003(b): Fatigue and Fracture Reliability Analysis Under Random
Loading, Computational Fluid and Solid Mechanics, K.J. Bathe (editor), Elsevier, pp. 2201 - 2203.
[10] Beck, A.T. and Melchers, R.E.: Barrier Failure Dominance in Time Variant Reliability Analysis,
submitted for publication in Probabilistic Engineering Mechanics, December 2003.
[11] Beck, A.T. and Melchers, R.E.: Overload Failure of Structural Components under Random Crack
Propagation and Loading - a Random Process Approach -, submitted for publication in Structural
Safety, December 2003.
[12] Belyaev, Y.K., 1968: On the Number of Exits Across the Boundary of a Region by a Vector
Stochastic Process, Theory Prob. Appl., Vol. 13, No. 2, pp. 320 - 324.
[13] Benjamin, J.R. and Cornell, C.A., 1970: Probability, Statistics and Decision for Civil Engineers,
McGraw-Hill Book Company, New York.
[14] Berens, A.P., 1996: Applications of Risk Analysis to Ageing Military Aircraft, Sampe Journal,
Vol. 32, No. 5, 1996.
[15] Besterfield, G. H., Liu, W. K., Lawrence, M. A. and Belytschko, T., 1991: Fatigue Crack Growth
Reliability by Probabilistic Finite Elements, Computer Methods in Applied Mechanics and Engineering 86 (1991), pp. 297 - 320.
207

[16] Bogdano, J.L., 1978: A New Cumulative Damage Model, Part I, Journal of Applied Mechanics
45, pp. 245 - 250.
[17] Bouyssy, V., Naboishikov, S.M. and Rackwitz, R., 1993: Comparison of Analytical Counting
Methods for Gaussian Processes, Structural Safety 12 (1993), pp. 35 - 57.
[18] Cherng, R.-H. and Wen, Y.K., 1994: Reliability of Uncertain Nonlinear Trusses Under Random
Excitation I, Journal of Engineering Mechanics, ASCE, Vol. 120, No. 4, pp. 733 - 747.
[19] Cramer, H. and Leadbetter, M.R., 1967: Stationary and Related Stochastic Processes, John
Wiley and Sons, NY.
[20] Ditlevsen, D., 1981: Principle of Normal Tail Approximation, Journal of the Engineering Mechanics Division, ASCE, vol. 107, no EM6, pg. 1191 - 1208.
[21] Ditlevsen, O., 1986: Duration of Gaussian Process Visit to a Critical Set, Probabilistic Engineering Mechanics, vol. 1, pp. 82 - 93.
[22] Ditlevsen, O., 1986(b): Random Fatigue Crack Growth - A First Passage Problem, Engineering
Fracture Mechanics, Vol. 23, No. 2, pp. 467 - 477.
[23] Ditlevsen, O. and Sobczyk, K., 1986: Random Fatigue Crack Growth with Retardation, Engineering Fracture Mechanics, Vol. 24, No. 6, pp. 861 - 878.
[24] Ditlevsen, O. and Madsen, H.O., 1983: Transient Load Modeling: Cliped Normal Processes, J.
Engineering Mechanics Division, ASCE, 109 (2) 495 - 515.
[25] Ditlevsen, O. and Madsen, H.O., 1996: Structural Reliability Methods, John Wiley and Sons,
Chichester, England.
[26] Dirlik, T., 1985: Applications of Computers in Fatigue, Ph. D. Thesis, University of Warwick.
[27] Dolinski, K. and Colombi, P., 1999: Fatigue Lifetime under Stochastic Loading with Random
Overloading Pulse Trains, Computer Methods in Applied Mechanics and Engineering, vol. 168
(1999), pp. 221 - 241.
[28] Dover, W.D. and Hibbert, R.D., 1977: The Influence of Mean Stress and Amplitude Distribution
on Random Load Fatigue Crack Growth, Engineering Fracture Mechanics 9, 251 - 263.
[29] Dowling, N. E., 1985: Fatigue Failure Predictions for Complicated Stress-Strain Histories, Journal
of Materials 7 (1), 71 - 87.
[30] Ghanen, R.G. and Spanos, P.D., 1991: Stochastic Finite Elements: A Spectral Approach,
Springer-Verlag, NY.
[31] Ellyin, F., 1997: Fatigue Damage, Crack Growth and Life Prediction, Chapman & Hall.
[32] Engelund, S., Sorensen, J., Faber, M. and Bloch, A., 2002: Approximations in Inspection Planning, 8th ASCE Specialty Conference on Probabilistic Mechanics and Structural Reliability.
[33] Faber, M.H., Kroon, I.B. and Sorensen, J.D., 1996: Sensitivities in Structural Maintenance
Planning, Reliability Engineering and System Safety 51(1996), pp. 317 - 329.
[34] Farhangdoost and Provan , 1996: Stochastic System Approach to Fatigue Reliability - an Application to Ti-6Al-4V, Engineering Fracture Mechanics, vol. 53, no 5, pp. 687 - 706.
[35] Fuchs and Stephens, 1980: Metal Fatigue in Engineering, John Wiley and Sons, NY.
[36] Gansted, L., Brincker, R. and Hansen, L. P., 1991: Fracture Mechanical Markov Chain Crack
Growth Model, Engineering Fracture Mechanics, vol. 38, no 6, pp. 475 - 489, 1991.
[37] Ghonen, H. and Dore S., 1987: Experimental Study of the Constant Probability Crack Growth
Curves Under Constant Amplitude Loading, Engineering Fracture Mechanics, vol. 27, no 1, pp. 1 25, 1987.
208

[38] Grigoriu, M., 2000: A Spectral Representation Based Model for Monte Carlo Simulation, Probabilistic Engineering Mechanics, 15(2000), pp. 365 - 270.
[39] Hagen, O. and Tvedt, L., 1991: Vector Process Out-Crossing as a Parallel System Sensitivity
Measure, Journal of Engineering Mechanics, Vol. 117, No. 10, pp. 2201 - 2220.
[40] Harris, D.O., 1997: Probabilistic Fracture Mechanics, in Probabilistic Structural Mechanics
Handbook, C. R. Sundararajan (ed.), Chapman & Hall.
[41] Hasofer, A. M. and Lind, N. C.; 1974: Exact and Invariant Second Moment Code Format, Journal
of Engineering Mechanics vol. 100(1), pp. 111 - 121.
[42] Igusa, T. and Kiureghian, A.D., 1988: Response of Uncertain Systems to Stochastic Excitation,
Journal of Engineering Mechanics, vol. 114, No. 5, pp. 812 - 832.
[43] Ishikawa, H., Tsurui, A., Tanaka, H. and Ishikawa, H., 1993(a): Reliability Assessment of Structures Based Upon Probabilistic Fracture Mechanics, Probabilistic Engineering Mechanics 8 (1993),
pp. 43 - 56.
[44] Ishikawa, H., Tsurui, A., Utsumi, A., Tanaka, H. and Ishikawa, H., 1993(b): Eect of Stress
Ratio on Crack Propagation Life Distribution under Random Loading, Probabilistic Engineering
Mechanics 8 (1993), pp. 35 - 41.
[45] Itagaki, H., Ishizuka, T. and Yan, H. P., 1993: Experimental Estimation of the Probability
Distribution of Fatigue Crack Growth Lives, Probabilistic Engineering Mechanics, vol. 8 (1993),
pp. 25 - 34.
[46] Kanninen, M.F. and Popelar, C.H., 1985: Advanced Fracture Mechanics, Oxford University
Press, New York.
[47] Kuo, C.J., 1997: Reliability Assessment of Deteriorating Component due to Fatigue Crack
Growth under Random Loading, Ph. D. thesis, University of Arizona, Tucson, Arizona.
[48] Larrabee, R.D. and Cornell, C.A., 1979: Up-crossing Rate Solution for Load Combinations,
Journal of the Structural Division, ASCE, vol. 105, No. ST1, pp. 125 - 132.
[49] Larrabee, R.D. and Cornell, C.A., 1981: Combination of Various Load Processes, Journal of the
Structural Division, ASCE, vol. 107, No. ST1, 223 - 239.
[50] Lee, J. C. and Ang, A. H-S., 1994: Finite Element Fracture Reliability of Stochastic Structures,
Structural Safety and Reliability, Schueller, Shinozuka and Yao (eds.), Balkema, Rotherdam.
[51] Li, C.Q. and Melchers, R.E., 1993: Gaussian Up-crossing Rate Solution for Structural Serviceability, Structural Safety 12 (1993), pp. 293 - 303.
[52] Lin, Y. K. and Yang, J.N., 1985: A Stochastic Theory of Fatigue Crack Propagation, AIAA
Journal, vol. 23, no 1, January 1985, pp. 117 - 124.
[53] Lutes, L. and Sarkani, S., 1997: Stochastic Analysis of Structural and Mechanical Vibrations,
Prentice Hall.
[54] Madsen, H.O., 1986: Fast Probability Integration for Time Variant Reliability, A.S. Veritas
Report.
[55] Madsen, H.O. and Tvedt, L., 1990: Methods for Time-Dependent Reliability and Sensitivity
Analysis, Journal of Engineering Mechanics, Vol. 116, No. 10, pp. 2118 - 2135.
[56] Madsen, H. O., Krenk, S. and Lind, N. C., 1986: Methods of Structural Safety, Prentice Hall
Inc., Englewood Clis, NJ.
[57] Madsen, H.O., Skjong, R., Tallin, A.G. and Kirkemo, F., 1987: Probabilistic Fatigue Crack
Growth Analysis of Oshore Structures with Reliability Updating Through Inspections, Proceedings
of Marine Structural Reliability Symposium, Arlington, VA.
[58] Marley, M. J. and Moan, T., 1994: Approximate Time Variant Analysis for Fatigue, Structural
Safety and Reliability, Schueller, Shinozuka and Yao (eds), 1994.
209

[59] McAllister, T.P. and Ellingwood, B.R., 2002: Evaluation of Crack Growth in Miter Gate Weldments Using Stochastic Fracture Mechanics, Structural Safety 23(4), pp. 445 - 465.
[60] Melchers, R.E., 1992: Load-Space Formulation for Time-Dependent Structural Reliability, Journal of Engineering Mechanics, vol. 118, no. 5, pp. 853 - 870.
[61] Melchers, R.E., 1999: Structural Reliability Analysis and Prediction, second edition, John Wiley
and Sons, NY.
[62] Melchers, R.E., 2001: Assessment of Existing Structures - Approaches and Research Needs,
Journal of Structural Engineering, ASCE, Vol. 127, No. 4, April 2001.
[63] Melchers, R.E. and Ahammed, M., 2001: Estimation of Failure Probabilities for Intersections of
Non-linear Limit States, Structural Safety, Vol. 23(2001), 123 135.
[64] Moan, T., Hovde, G. and Jiao, G., 1994: Fatigue Reliability Analysis of Oshore Structures
Considering the Eect of Inspection and Repair, Proceedings of Structural Safety and Reliability,
1994, Balkema, Rotterdam.
[65] Moan, T., Vardal, O.T., Hellevig, N.C. and Skjoldli, K., 1997: In-Service Observations of Cracks
in Nord Sea Jackets. A Study of Initial Crack Depth and POD Values, Proc. of 16th OMAE
conference, Yokohama, Japan.
[66] Mori, Y. and Ellingwood, B., 1993: Time-dependent System Reliability Analysis by Adaptive
Importance Sampling, Structural Safety 12(1), pp. 59 - 73.
[67] Nagode, M. and Fajdiga, M., 1998: A General Multi-modal Probability Distribution Function
Suitable for the Rainflow Ranges of Stationary Random Processes, International Journal of Fatigue,
vol. 20, no. 3, pp. 211 - 223.
[68] Nigam, N. C. and Narayanan, S.; 1994: Applications of Random Vibrations, Springer-Verlag,
New York.
[69] Ortiz, K., 1984: Stochastic Modelling of Fatigue Crack Growth, Ph. D. thesis, Stanford University,
Stanford, California.
[70] Ortiz, K. and Kiremidjian, A.S., 1988: Stochastic Modelling of Fatigue Crack Growth, Engineering Fracture Mechanics, Vol. 29, No. 3, pp. 317 - 334.
[71] Owen, D., 1980: A Table of Normal Integrals, Comm. Stat. Simul. Comp. B9(4), pp. 389-419.
[72] Paris, P. and Erdogan, F., 1963: A Critical Analysis of Crack Propagation Laws, Journal of Basic
engineering, vol. 85, pp. 528 - 534.
[73] Pearce, H.T. and Wen, Y.K., 1984: Stochastic Combination of Load Eects, Journal of Structural
Engineering, vol. 110, No. 7, pp. 1613 - 1629.
[74] Press, W.H., Flannery, B.P., Teukolsky, S.A. and Vetterling, W.T., 1989: Numerical Recipes The Art of Scientific Computing, Cambridge University Press.
[75] Provan, J. (ed.), 1987: Probabilistic Fracture Mechanics and Reliability, Martinus Nijho Publishers, Dordrecht, The Netherlands, 1987.
[76] Rackwitz, R., 1985: Reliability of Systems Under Reneval Pulse Loading, J. of Engineering Mechanics, ASCE, 111 (9) 1175 - 1184.
[77] Rackwitz, R., 1993: On the Combination of Non-stationary Rectangular Wave Reneval Processes,
Structural Safety 13 (1993), pp. 21 - 28.
[78] Rackwitz, R. and Fiessler, B.; 1978: Structural Reliability Under Combined Load Sequences,
Computers and Structures vol. 9, pp. 489 - 494.
[79] Rahman, S. and Kim, J.S., 1998: Probabilistic Fracture Mechanics for Nonlinear Structures,
Structural Safety and Reliability, Schueller, Shinozuka and Yao (eds.), Balkema, Rotherdam.
210

[80] Rice, S.O., 1944: Mathematical Analysis of Random Noise, Bell System Technical Journal, Vols.
23 and 24. Re-published in Selected Papers on Noise and Stochastic Processes, edited by N. Wax
(1954), Dover Publications Inc, New York.
[81] Rocha, M. M. and Schueller, G. I., 1996: A Probabilistic Criterion for Evaluating the Goodness
of Fatigue Crack Growth Models, Engineering Fracture Mechanics, vol. 53, no 5, pp. 707 -731, 1996.
[82] Sarveswaran, V. and Roberts, M.B., 1999: Reliability Analysis of Deteriorating Structures - The
Experience and Needs of Practicing Engineers, Structural Safety 21 (1999), pp. 357 - 372.
[83] Schall, G., Faber, M.H. and Rackwitz, R., 1991: On the Ergocity Assumption for Sea States in the
Reliability Estimation of Oshore Structures, Journal of Oshore Mechanics and Artic Engineering,
ASME, Vol. 113, pp. 241 - 246.
[84] Shinozuka, M. and Jan, C.-M., 1972: Digital Simulation of Random Processes and its Applications, Journal of Sound and Vibration, vol. 25, No. 1, pp. 111 - 128.
[85] Sobczyk, K., 1986: Modelling of Random Fatigue Crack Growth, Engineering Fracture Mechanics,
vol. 24, no 4, pp. 609 - 623, 1986.
[86] Sobczyk, K. and Spencer, B. F., 1992: Random Fatigue: from Data to Theory, Academic Press,
1992.
[87] Sobczyk, K. and Trebiki, J., 2000: Stochastic Dynamics with Fatigue Induced Stiness Degradation, Probabilistic Engineering Mechanics, vol. 15 (2000), pp. 91-99.
[88] Solnes, J., 1997: Stochastic Processes and Random Vibrations - Theory and Practice, John Wiley
and Sons Ltd., Chichester, England.
[89] Soong, T.T. and Grigoriu, M., 1993: Random Vibration of Mechanical and Structural Systems,
Prentice Hall, Englewood Clis, NJ.
[90] Sudret, B. and Kiureghian, A.D., 2002: Comparison of Finite Element Reliability Methods,
Probabilistic Engineering Mechanics 17 (2002), pp. 337 - 348.
[91] Sudret, B., Defaux, G., Lemaire, M. and Andrieu, C., 2002: Comparison of Methods for Computing the Probability of Failure in Time-Variant Reliability Using the Out-Crossing Approach, Fourth
International Conference on Computational Stochastic Mechanics, Kerkyra (Corfu), Greece, June
2002.
[92] Tsurui, A. and Ishikawa, H., 1986: Application of the Fokker-Planck Equation to a Stochastic
Fatigue Crack Growth Model, Structural Safety 4 (1986), pp. 15 - 29.
[93] Tsurui, A., Nienstedt, J., Schueller, G. I. and Tanaka, H., 1989: Time Variant Structural Reliability Analysis using Diusive Crack Growth Models, Engineering Fracture Mechanics, vol. 34, no
1, pp. 153 - 167.
[94] Turkstra, C.J., 1970: Theory of Structural Design Decisions, Study No. 2, Solid Mechanics
Division, University of Waterloo, Waterloo, Ontario.
[95] Turkstra, C.J. and Madsen, H.O., 1980: Load Combinations in Codified Structural Design, Journal of the Structural Division, ASCE, vol. 116, No. ST12, pp. 2527 - 2543.
[96] Vanmarcke, E.H., 1975: On the Distribution of the First Passage Time for Normal Stationary
Processes, Journal of Applied Mechanics, ASME, vol. 42, pp. 215 - 220.
[97] Vanmarcke, E.H., 1983: Random Fields, Analysis and Synthesis, MIT Press, Cambridge, Massachusetts.
[98] Veers, P.J., 1987: Fatigue Crack Growth due to Random Loading, Ph. D. thesis, Department of
Mechanical Engineering, Stanford University, Stanford, California.
[99] Virkler, D. A., Hillberry, B. M. and Goel, P. K., 1979: The Statistical Nature of Fatigue Crack
Propagation, Journal of Engineering Materials and Technology, ASME, vol. 101 (1979), pp. 148 153.
211

[100] Wang, G. S.,1999: A Probabilistic Damage Accumulation Solution Based on Crack Closure
Model, International Journal of Fatigue, Vol. 21 (1999), pp. 531 - 547.
[101] Wang, L., Brust, W. and Atluri, N., 1997: The Elasto-Plastic Finite Element Alternating
Method (EPFEAM) and the Prediction of Fracture Under WFD Conditions in Aircraft Structures.
[102] Wen, Y.K., 1977a: Statistical Combination of Extreme Loads, Journal of the structural Division,
ASCE, 103 (ST5), 1079 - 1093.
[103] Wen, Y.K., 1977b: Probability of Extreme Load Combination, Journal of the structural Division,
ASCE, 104 (ST10), 1675 - 1676.
[104] Wen, Y.K., 1981: A Clustering Model for Correlated Load Processes, Journal of the structural
Division, ASCE, 107 (ST5), 965 - 983.
[105] Wen, Y.K., 1990: Structural Load Modeling and Combination for Performance and Reliability
Evaluation, Elsevier Science Publishers, Amsterdam.
[106] Wen, Y.K. and Chen, H.C., 1987: On Fast Integration for Time-Variant Structural Reliability,
Probabilistic Engineering Mechanics, vol. 2, no 3, pp 156 - 162.
[107] Wen, Y.K. and Chen, H.C., 1989: System Reliability Under Time-Varying Loads: I, Journal of
Engineering Mechanics, vol. 115, no 4, pp 808 - 823.
[108] Wheeler, O. E., 1972: Spectrum Loading and Crack Growth, Journal of basic engineering, Vol.
94, pp. 181 - 186.
[109] Wirsching, P. H., 1998: Fatigue Reliability, Progress in Structural Engineering and Materials
1998, vol. 1(2), pp. 200 - 206.
[110] Winterstein and Cornell, 1984: Load Combinations and Clustering eects, J. Structural Division,
ASCE, 110 (11) 2690 - 2708.
[111] Wirsching, P. H. and Shehata, A. M., 1977: Fatigue Under Wideband Random Stresses Using
the Rainflow Method, Journal of Engineering materials and Technology, ASME, vol. 99 (1977), pp.
205 - 211.
[112] Yang, J. N., Hsi, W. H., Manning, S. D. and Rudd, J.L., 1987: Stochastic Crack Growth
Models for Application to Aircraft Structures, in Provan (ed.), Probabilistic Fracture Mechanics
and Reliability, Martinus Nijho Publishers, Dordrecht, The Netherlands, 1987.
[113] Yang, J. N. and Manning, S. D., 1996: A Simple Second Order Approximation for Stochastic
Crack Growth Analysis, Engineering Fracture Mechanics, vol. 53, no 5, pp. 677 - 686, 1996.
[114] Zheng, R. and Ellingwood, B. R., 1998: Stochastic Fatigue Crack Growth in Steel Structures
Subject to Random Loading, Structural Safety 20 (1998), pp. 303 - 323.
[115] Zhu, W. Q., Lin, Y. K. and Lei, Y., 1992: On Fatigue Crack Growth under Random Loading,
Engineering Fracture Mechanics, vol. 43, no 1, pp. 1 - 12, 1992.
[116] Zwillingner, D. (editor), 1996: Standard Mathematical Tables and Formulae, CRC Press, 30th
edition.

Apndice A:
Valores tabelados da funo (y) =

Ry

1
2

exp z 2 /2 dz.

212