Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
15
15
1.1.1
Incerteza intrnsica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
15
1.1.2
Incerteza epistmica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
1.1.3
Erro humano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
1.2
17
1.3
RISCO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
1.3.1
Definio de risco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
1.3.2
Classificao de riscos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
1.3.3
18
1.3.4
19
FIGURAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
20
1.4
2.2
2.3
25
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
31
2.1.6
Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
32
2.1.7
Independncia de eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
VARIVEIS ALEATRIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
2.2.1
34
2.2.2
34
2.2.3
35
2.2.4
36
40
2.3.1
40
2.3.2
44
2.3.3
2.4
2.5
2.6
2.7
2.8
2.9
48
49
2.4.1
49
2.4.2
49
2.4.3
50
2.4.4
50
2.4.5
50
2.4.6
52
2.4.7
52
2.4.8
Covarincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
52
2.4.9
53
54
55
2.5.1
55
2.5.2
55
2.5.3
57
59
2.6.1
59
2.6.2
60
2.6.3
62
2.6.4
63
2.6.5
. . . . . . . . . . . . . . .
. . . . .
64
65
2.7.1
Distribuies exatas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
66
2.7.2
Distribuies assintticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
67
2.7.3
Extremos caractersticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
68
2.7.4
69
2.7.5
73
74
2.8.1
Ajuste a um histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
74
2.8.2
75
DICAS DE PROGRAMAO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
76
2.9.1
76
2.9.2
76
79
3.1
. . . . . . . . . . . . . . . . . . . . .
79
3.2
ESTADOS LIMITES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
80
3.2.1
80
3.3
3.4
81
3.3.1
81
3.3.2
81
3.3.3
83
85
3.4.1
Carregamento estrutural . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
85
3.4.2
Resistncia estrutural . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
86
3.4.3
87
3.4.4
87
3.5
. . . . . . . . .
88
3.6
89
3.7
90
3.8
FIGURAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
91
4 MTODOS DE TRANSFORMAO
4.1
97
97
4.1.1
97
4.1.2
98
4.1.3
O ponto de projeto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
99
4.1.4
99
4.1.5
4.1.6
4.1.7
4.1.8
4.1.9
4.3
4.4
4.2.2
4.2.3
4.2.4
4.3.2
Figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5 CONFIABILIDADE DE SISTEMAS
5.1
121
5.1.2
5.1.3
5.2
5.3
5.4
5.5
5.2.2
5.2.3
5.3.2
5.4.2
Figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
135
6.1
FORMULAO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
6.2
6.2.2
6.2.3
6.3
6.4
6.5
6.3.2
6.3.3
6.3.4
6.3.5
. . . . . . . . . . . . . . . . . . . . . 142
6.4.2
6.4.3
FIGURAS
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
7.2
147
DEFINIES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
7.1.1
7.1.2
7.1.3
7.2.2
7.3
7.4
7.5
7.6
7.7
7.2.3
7.2.4
Processo Gaussiano
7.2.5
Estacionariedade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
7.2.6
7.2.7
7.2.8
7.2.9
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
Continuidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
7.3.2
7.3.3
7.4.2
7.5.2
7.5.3
7.5.4
. . . . . . . . . . . . . . . . . 160
7.6.2
7.6.3
7.6.4
FIGURAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
169
8.1
FORMULAO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
8.2
8.3
8.2.1
8.2.2
Formulao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
8.3.2
8.3.3
8.3.4
8.3.5
8.3.6
8.3.7
8.4
8.5
8.6
8.7
8.4.2
8.4.3
8.5.2
8.5.3
8.6.2
8.6.3
FIGURAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
193
9.1
INTRODUO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
9.2
9.3
9.4
9.5
9.4.1
Eurocode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
9.4.2
9.5.2
9.6
9.7
9.8
9.7.1
9.7.2
9.7.3
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
22
23
23
24
24
1-10 Composio do custo esperado total de um sistema que apresenta risco de falha. . . .
24
48
51
53
62
63
66
67
91
. . . . . . . . .
91
92
92
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
93
93
94
. . . . . . . . . . . . .
3-10 Problema de confiabilidade estrutural tpico envolvendo carregamento estocstico e variao da resistncia no tempo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
94
94
3-12 Nveis de anlise em que a comparao solicitao x resistncia pode ser feita. . . . . .
95
117
. . . . . . . . . . . . . . . 120
. . . . 166
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
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
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 [.]
13
2
ncv
nrv
nsi
de
de
de
de
falha
sobrevivncia
falhas inicial (para t = 0)
falha condicional
14
Captulo 1
RISCO EM SISTEMAS DE
ENGENHARIA
1.1
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
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
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
18
1.3.4
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
1.4
FIGURAS
fX(x1,t)
fX(x2)
x1(t)
fX(x3)
x2
x3
fG(g,t)
g ( x1 , x2 , x3 ,..., t ) = 0
g(x,t)
Pf = P min g ( x , t ) < 0
t
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
5000
380
2000
50
30
30
300
150 440
40
145
30
10
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.
Percentual
(vtimas)
Numero de
vtimas fatais
Percentual
(mortalidad
e)
Mdia pela
populao
0.18% da
populao
108 (vtimas
fatais por milho
de habitantes por
ano)
0.01% da
populao
Mdia pela
frota
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
Figura 1-8: Mapa de suscetibilidade ocorrncia de tornados, fonte: NOAA - National Weather
Service, Estados Unidos.
25000
custo inicial
10000
custo operao
5000
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
2.1.1
Definies de probabilidades
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] =
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:
26
Operaes:
Existncia:
wi A
wi
/A
BA
AB
Igualdade:
A=B
significa que A B e B A.
Soma ou unio:
A + B, A B
Produto ou interseco:
A B, A B
elementos comuns a A e B.
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
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
.
(2.3)
P
[A]
+
P
[B].
n
n
28
1
N
k
N
P [{0 t t1 }] =
(t)dt
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
P [{0 t t1 }] =
P [{t1
2.1.4
Probabilidades condicionais
P [A B]
P [B]
(2.4)
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]
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
= {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] =
2.1.5
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
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
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)
= 0,
= 1
i 6= j
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
(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 ,
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
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
FX (+) = 1;
0
>0
2.2.3
= x1 }] = FX (x1 ) FX (x
1)
= salto de FX (x) em x1 .
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
x0
P [{x X x + x}]
x
(2.11)
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
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
(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
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
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
(2.15)
m0
m1
m2
m3
=
=
=
=
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
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)
i = 1, 2, ..., 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
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)
Pn
Pn
2
( i=1 xi )
n(n 1)
i=1 (xi )
(2.20)
2.3
2.3.1
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
(2.22)
xi x
X
i
xi P [{X = xi }] =
2 = E[(X )2 ] =
xi pi
(2.23)
X
(xi )2 pi
(2.24)
1
n
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:
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)
(2.27)
x
X
pq k1
(2.29)
k=0
x=1
1
p2 ,
de forma que:
1
p
(2.30)
q
p2
(2.31)
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 :
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)
(2.35)
2.3.2
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
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
x
x
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 =
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
= exp[ 2 ] 1
= ln() 0.5 2
q
=
ln 1 + 2
= x (1 ln (x) + )
= x
t0
(2.40)
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)
x
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
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
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
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
x}] = FX (x)
y}] = FY (y)
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
Se a funo FXY (x, y) possui derivadas parciais at segunda ordem, ento a funo:
fXY (x, y) =
2 FXY (x, y)
xy
x0
y0
P [{x X x + x, y Y y + y}]
xy
e:
fXY (x, y) 0 para todo (x, y) R2
49
(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
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
(2.45)
Esta quantidade tambm pode ser interpretada como a massa de probabilidades na regio D.
2.4.4
(2.47)
fY (y) =
(2.49)
2.4.5
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,y)
x
dFX (x)
dx
50
f X (x)
fY ( y)
f XY (x, y)
Portanto:
FY (y|X = x) =
Ry
f
XY
(x, v)dv
fX (x)
Ry
= R
+
fXY (x, y)
fXY (x, y)
= R +
fX (x)
f (x, y)dy
XY
(2.50)
(2.51)
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).
2.4.6
(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
(2.54)
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)
+ Z +
Z + Z +
= 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)
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
= E[X k Y n ]
Z + Z +
=
xk y n fXY (x, y)dxdy
53
11 = E[XY ] =
+ Z +
= 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
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:
54
2.5
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
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
se e somente se g(x) y
yb
yb
}] = FX
FY (y) = P [{Y y}] = P [{X
a
a
ou:
FY (y) = FX
yb
a
yb
a ,
portanto IY
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
dx
fX (x)
= 0
dy
|g (x)|
(2.59)
fX (x1 )
fX (x2 )
fX (xn )
+
+ ... + 0
|g 0 (x1 )| |g 0 (x2 )|
|g (xn )|
sendo:
g 0 (x) =
dg(x)
dx
yb
1
fY (y) = fX
a
a
yb
a .
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
"
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
"
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
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
E[Y ] =
yfY (y)dy =
Z +
g(x)fX (x)dx
(2.60)
(2.61)
g 00 (X )(X X )2
+ ...
2
(2.62)
(2.63)
!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).
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)
2.6
2.6.1
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)
fZ (z) =
fXY (g
1
g
dy
, y)
z
(2.68)
1 g
dx
(2.69)
fZ (z) =
fXY (x, g )
z
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
(2.70)
(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
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
(+)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=
v
u
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
= 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
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
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
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
2.6.4
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 ] =
...
(2.74)
fcil perceber que a avaliao de (2.74) no simples, pois envolve uma integral multi-dimensional
de uma funo conjunta de probabilidades.
xfX (x)dx + b
= aX + b
fX (x)dx
= a2 V ar[X]
63
+ Z +
= a1
= a1 X1 + a2 X2
Estes resultados podem ser facilmente extrapolados para uma funo linear de muitas variaveis
aleatrias. Seja:
n
X
Y =
ai Xi
i=1
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
n
X
bi Xi
i=1
n X
n
X
ai bj Cov[Xi , Xj ]
i=1 j=1
2.6.5
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
n X
n
X
Cov[Xi , Xj ]
i=1 j=1
g g
Xi Xj
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
n
X
V ar[Xi ]
i=1
g
Xi
1 XX
2g
Cov[Xi , Xj ]
2 i=1 j=1
Xi Xj
2.7
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)
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
P [{Y1 y}]
1 P [{Y1 > y}]
1 P [{X1 > y}, {X2 > y}, ..., {Xn > y}]
n
1 [1 FX (y)]
66
(2.80)
e:
(2.81)
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)
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
e
1
= 1 FYn FX (1 )
n
67
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)
(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
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
P [{Yn
P [{Yn
< un }] = 0.37
> un }] = 0.63
68
P [{Y1
P [{Y1
< un }] = 0.63
> un }] = 0.37
2.7.4
x
x
6
= 1.1396 (skewness)
= +
=
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
6
= 1.1396 (skewness)
= +
u1
1
= un 1
2
1
2
1
1
= un
1 1
= iterativo
70
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
1 + 1
= iterativo
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+
+
1 + 1
= iterativo
2
2
1
+
=
1+
2 1 + 1
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
+
1 + 1
u1
= iterativo
2
2
1
+
=
1+
2 1 + 1
2.7.5
#
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
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)
(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)
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
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
(2.96)
(2.97)
2.9
DICAS DE PROGRAMAO
2.9.1
2.9.2
y 0
0y
onde:
z
w
e os valores pi so parmetros:
p=
+0.231641900
+0.319381530
0.356563782
+1.781477937
1.821255978
+1.330274429
s
1
=
ln 2
u
= z
s
=
ln
= +z +
1
(1 u)2
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
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
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
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
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
= 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 )
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
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
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
rk
= R R
sk
S S
(3.5)
R R
= R 0
S S
S
ou:
0 =
S
k
R
3.3.3
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)
Pf = P [(x, y) Df ] =
Z Z
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)
= 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)
= 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
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
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:
(3.17)
(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
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
(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.
3.6
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)
3.7
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
Preo (US$)
20.000,00
20.000,00
10.000,00*
2.200,00*
1.100,00*
2.500,00
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
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;
g ( x) = ?
sim
Pf = P[ g (x) < 0]
f X (x)
x2
g (x) = 0
g (x) 0
domnio de falha
g (x) > 0
domnio de segurana
x1
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
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
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
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
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 )
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
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
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
(4.2)
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
y1
= 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)
= dmin
(4.6)
(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
g(y)
kg(y)k
g
g g
,
, ...,
y1 y2
yn
(4.8)
(4.9)
n
X
i yi = 0
(4.10)
i=1
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
n
X
b2i 2Xi
i=1
2
n
X
i
=
2Xi = 1
X
i
i=1
E[g(X)]
p
= =
1
V ar[g(X)]
(4.11a)
4.1.5
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
(4.13)
= yd1 + g(y) = 0
(4.14)
= g(y) = 0
(4.15)
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
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)
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)
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
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)
(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
gy (yk )T k
g(yk )
kg(yk )k
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 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
g(yk )T yk g(yk )
kg(yk )k2
g(yk ) yk
(4.27)
a, b (0, 1)
1
kyk2 + c |g(y)|
2
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 )| <
g(yk )T yk g(yk )
2
kg(yk )k
g(yk ) yk
caso contrrio
ck =
5. Busca linear
kyk k
kg(yk )k
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
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
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
(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)
(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 )| <
4.1.10
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
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
1
X12 ... X1n
X
1
... X2n
21
(4.34)
RX =
...
...
...
...
Xn1 Xn2 ...
1
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
(4.35)
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
(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
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)
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)
(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
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 )
(4.50)
Cov[Xi Xj ]
=
Xi Xj
(xi Xi ) (xj Xj )
fXi Xj (xi , xj )dxi dxj
Xi
Xj
=
=
(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)
=
=
=
=
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
= 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)
= AT = (A 1/2 )T
1/2
= (AT )1 = (
A)
(4.56)
(4.57)
(4.59)
= (AT )1 A1
= L LT
(4.60)
Jyz
Jzy
= L1
= L
(4.61)
Jyx
Jxy
yi
yi zj
=
= Jyz Jzx
xk
zj xk
xi
xi zj
=
=
= Jxz Jzy
yk
zj yk
=
= (A 1/2 )T (Dneq )1
1/2
= Dneq (
113
A)
(4.62)
= L1 (Dneq )1
= Dneq L
(4.63)
(4.64)
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 )| <
4.3
4.3.1
g(y )
kg(y )k
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)
(4.67)
n1
1X
ki vi2
2 i=1
(4.68)
n1
Y
i=1
1 + ki
(4.69)
4.3.2
+
+
(0, ..., a
i , ..., bi ) e (0, ..., +ai , ..., bi ),
i = 1, ..., n 1
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 )
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
M ( y ) = y1 y2 = 0
y2
domnio de falha
y1
B
domnio de segurana
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
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
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
Redundncia ativa
Quando a redundncia do tipo ativa, a probabilidade de falha do sistema em paralelo limitada
por:
n
Y
i=1
(5.2)
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
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
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
5.2.2
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
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
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
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)
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
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
126
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
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.
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
=
=
= 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
5.4
5.4.1
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.
5.5
Figuras
e1
e3
e2
...
en
e1
e2
e3
...
en
evento
principal
e1
e2
e5
e3
e7
e4
e6
c1
c2
c3
c4
c5
c6
evento
inicial
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
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
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
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
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
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)
(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
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
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
(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)
(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
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
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)
6.3.2
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
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)
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
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
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
(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
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
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
(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
6.4.3
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.
6.5
FIGURAS
FY(y)
FY(y),FZ(z)
1.0
FZ(z)
145
146
Captulo 7
TEORIA DE PROBABILIDADES:
PROCESSOS ESTOCSTICOS
7.1
7.1.1
DEFINIES
Processo estocstico como famlia de funes
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
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
7.1.3
2 F2 (x1 , x2 ; t1 , t2 )
x1 x2
(7.4)
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
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)
(7.9)
(7.10)
7.2.2
(7.11)
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
Ortogonalidade e independncia
(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)
(7.18)
= 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)
(7.20)
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
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
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
Resulta desta propriedade que os momentos espectrais esto relacionados com o processo X(t) e com
= 2X
= 2X
= 2X
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
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
(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
T
T
T
T
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
7.3.1
Continuidade
7.3.2
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)
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
7.4.2
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)
1
E[Tr (b)]
(7.35)
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},
+ (b, t) = lim
Z b
bxdt
fX X (x, x)dxd
(7.37)
(b, t) =
"
d
dt
bxdt
!#
fX X (x, x)dx
dx
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
= 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)
(7.46)
t0
(7.47)
P [X(t)
> 0 X(t) + tX(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
(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)
7.5
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
7.5.2
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.
X(t).
Portanto, a frequncia de ocorrncia de mximos locais :
max =
=
0,X
1 X
2 X
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
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
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
=
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
0tT
160
= 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
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
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.
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.
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
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
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
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 )
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
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
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
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
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
(8.1)
Pf (T ) = P min g(R, S, t) 0
0tT
(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
(8.3)
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 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)
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
(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 =
(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
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)
(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:
(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
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) =
(r, t) = lim
P 1. S(0) < r e
t0 t
2. nenhuma sobrecarga tenha ocorrido antes de t
173
(8.16)
(8.17)
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
+ (r, u)du
(8.19)
8.3.4
(8.20)
Expresses aproximadas
+ (r, u)du )
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
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
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) =
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
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)
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
1
= + (r)(1 exp(r 2))
+
E[Npc (r)]
(8.30)
(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)
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
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
+ (r, u)du )
(8.33)
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
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
(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:
(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)
8.4.3
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) =
(8.44)
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
8.5.1
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)
=
(8.46)
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) =
+
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)
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
8.5.2
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
(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
(8.53)
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
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
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
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
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
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
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)
(8.72)
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)
(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
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
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:
.
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 )
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 )
G ( t )
G (t ) = 0
G (t )
G ( t ) + G ( t ) = 0
G (t ) = 0
S3 (t )
S1 (t )
S 2 (t )
2a
2a
(1)
(2)
(4)
(3)
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
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
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
9.4.1
Eurocode
FR
9.4.2
#
" n
X
R
i Qi
S
R
i=1
(9.1)
n
X
i S [Qi ]
(9.2)
i=1
9.5
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
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
9.5.2
9.6
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
n
X
i=1
wi [ alvo ci (, D , L , W , ...)]
9.7
NORMAS FUTURAS
9.7.1
9.7.2
Normas probabilsticas
9.7.3
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
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.
198
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