Lezioni Dinamica Cap 05-06-07

CORSO DI LAUREA MAGISTRALE IN INGEGNERIA CIVILE (LM-23)
Corso di
Dinamica delle Strutture

Prof. Giacomo Navarra
A.A. 2014-15
Parte II
Elementi di Dinamica aleatoria
Corso di Dinamica delle Strutture – prof. G. Navarra – A.A. 2015-2016 65

Capitolo 5
Elementi di teoria delle probabilità e
variabili aleatorie
In questo capitolo:
• evidenziamo la necessità di introdurre metodi probabilistici per la descrizione di

fenomeni fisici;
• introduciamo i concetti di eventi e variabili casuali e le definizioni classiche della
probabilità;
• presentiamo la teoria assiomatica delle probabilità;
• introduciamo le funzioni distribuzione di probabilità e densità di probabilità;
• definiamo i momenti statistici e gli indici sintetici di una variabile aleatoria;
• definiamo la funzione caratteristica, la log-funzione caratteristica ed i cumulanti;
• descriviamo le variabili aleatorie di tipo gaussiano;
• estendiamo i concetti alle variabili aleatorie bidimensionali;

Definizioni di base
• molti fenomeni fisici hanno carattere casuale;
• la risposta di strutture ad eventi casuali è anch’essa casuale;
• anche eseguendo numerose registrazioni del vento, qual è il grado di sicurezza di una struttura dimensionata
secondo le forzanti avvenute nel passato?
• una volta definite sia le forzanti che la risposta in termini probabilistici , anche il fattore di sicurezza potrà
essere ottenuto in termini di probabilità.

Definizioni di base
Definizione di probabilità:
• Laplace: (definizione classica) è il rapporto tra il numero dei casi favorevoli al verificarsi dell’evento ed
il numero dei casi possibili, purché siano tutti ugualmente possibili. Questa definizione
non permette di determinare la probabilità di eventi non ugualmente possibili;
• Von Mises: (definizione frequentista) si basa sull’osservazione empirica. In presenza di un numero grande,
ma finito, di esperimenti, la probabilità del verificarsi di un evento E è pari alla sua frequenza
relativa, ovvero al rapporto tra il numero di volte M in cui l’evento si è verificato ed il numero
totale N degli esperimenti;
• Kolmogorov (teoria assiomatica) prescinde dal significato da attribuire al termine probabilità
ma introduce alcuni assiomi per la sua valutazione e consente la costruzione formale di una
Teoria della probabilità.

Definizioni di base
la teoria assiomatica della probabilità utilizza i concetti della teoria degli insiemi:
diagrammi di Venn:

Teoria assiomatica della probabilità

associa ad ogni evento casuale A ∈ Ω un numero reale P [ A] detto probabilità, tale da rispettare i tre assiomi
fondamentali:
1. la probabilità di un evento è compresa tra 0 e 1: 0 ≤ P [ A] ≤ 1
2. la probabilità dell’evento certo è pari all’unità: P [ A ≡ Ω ] =1
3. la probabilità dell’unione di due eventi mutuamente esclusivi è pari P [ A ∪ B=

] P [ A] + P [ B ]
alla somma della probabilità dei due singoli eventi:
se [ A ∩ B ] =
∅
a partire da questi assiomi possono dimostrarsi i seguenti teoremi fondamentali:
1. teorema della probabilità di eventi mutuamente esclusivi: P  A  = 1 − P [ A]
2. teorema della probabilità totale: P [ A ∪ B=

] P [ A] + P [ B ] − P [ A ∩ B ]
P [ A ∩ B]
3. teorema della probabilità composta: P  A B  =
P [ B]
P  A B  è detta probabilità condizionata

Funzioni distribuzione cumulativa e funzione densità di probabilità

una variabile aleatoria descrive in senso matematico l’esito di un evento casuale. Le v.a. possono essere discrete (a)
o continue (b):
(a) (b)
una variabile aleatoria è perfettamente nota quando si conosce almeno una delle seguenti funzioni:
• funzione distribuzione di probabilità;
• funzione densità di probabilità;
• funzione caratteristica;
• log-funzione caratteristica;

Si definisce funzione distribuzione cumulativa di probabilità (o funzione distribuzione di probabilità):
( x ) P [ X ≤ x]
FX=
essa rappresenta la probabilità che la variabile aleatoria X assuma valori non superiori ad un numero reale x.
Valgono le seguenti proprietà:
0 ≤ FX ( x ) ≤ 1 lim FX ( x ) = 0 lim FX ( x ) = 1 FX ( x + h ) ≥ FX ( x ) ( h > 0)

x→−∞ x→+∞

Si definisce funzione densità di probabilità:
p X ( x ) dx= P [ a ≤ X ≤ b ]
b
∫a
il suo integrale esprime la probabilità che la variabile aleatoria X assuma valori compresi nell’intervallo [a,b].
Valgono le seguenti proprietà:
dFX ( x ) +∞
FX ( x ) = ∫ p X ( x ) dx pX ( x ) ≥ 0 p X ( x ) dx = 1
x
−∞
pX =
dx ∫−∞
a+h
P [ X = a ] = lim P [ a ≤ x ≤ a + h ] = lim ∫ p X ( x ) dx = 0
h →0 h →0 a

Momenti ed indici sintetici di una variabile aleatoria
Sia Y = f ( x ) , si definisce funzione operatore media stocastica:

+∞
E [Y ] E=
=  f ( x )  ∫ f ( x ) p X ( x ) dx
−∞
È un operatore lineare e consente di determinare i momenti statistici della v.a. X:
+∞
momento di ordine k: m X [ k ] =E  X k  = ∫ x k p X ( x ) dx
−∞
Indici sintetici di una variabile aleatoria:

+∞
momento di ordine 0: m0 [ k ] = ∫ p X ( x ) dx = 1
−∞
+∞
momento di ordine 1: m1 [ k ] = ∫ xp X ( x ) dx = µ X media della v.a.
−∞
+∞
momento di ordine 2: m2 [k ] = ∫ x 2 p X ( x ) dx = ϕ X2 valor quadratico medio della v.a.
−∞
+∞
σ X2 =ϕ X2 − µ X2 = ∫ ( x − µX ) p X ( x ) dx
2
varianza della v.a.
−∞

Funzione caratteristica
Si definisce funzione caratteristica di una variabile aleatoria:

+∞
M X (θ ) E=
= e − iθ X  ∫ e − iθ x p X ( x ) dx
−∞
è in generale una funzione complessa ed è la trasformata di Fourier della funzione densità di probabilità.
Operando una espansione in serie di MacLaurin della funzione caratteristica si ha :
dM X (θ ) 1 d M X (θ )
2
1 d M X (θ )
j
= X (θ ) M X (θ ) θ =0 + θ+ θ + + θ
2 j
M ...
dθ = θ =0
2! dθ 2 θ 0=
j ! dθ j θ 0
Ricordando che la derivata j-esima della funzione caratteristica valutata per θ = 0 vale:
d j M X (θ ) j +∞ j − iθ x d j M X (θ )
( ) ∫−∞ x e p X ( x ) dx
=− ⇒ (
= − )  
j j
i i E  X
dθ j
dθ j
θ =0
si ricava che i coefficienti dell’espansione in serie della funzione caratteristica sono i momenti della v.a.:
( −i ) m X θ j = ( −i )
j j
∞
1
M X (θ ) = 1 + ( −i ) m1 [ X ]θ + ( −i ) m2 [ X ]θ 2 + ... + j[ ] ∑ m j [ X ]θ j
2
2 j! j =0 j!

Log-Funzione caratteristica e cumulanti
Si definisce log-funzione caratteristica di una variabile aleatoria il logaritmo della funzione caratteristica. :
Operando una espansione in serie di MacLaurin della log-funzione caratteristica si ha :
d ln M X (θ ) 1 d ln M X (θ )
2
1 d ln M X (θ )
k
=
ln M X (θ ) ln M X (θ ) θ =0 + θ+ θ 2
+ ... + θ k
dθ = θ =0
2! dθ 2 θ 0=
k! dθ k θ 0
Detti cumulanti della variabile aleatoria i coefficienti di questo sviluppo in serie:
1 d j ln M X (θ )
kj [X ] =
( −i ) dθ j
j
θ =0
si può esprimere la log-funzione caratteristica in termini di cumulanti:
∞
( −i )
j  ∞ ( −i ) j 
ln M X (θ ) = ∑ k j [ X ]θ j M X (θ ) = exp  ∑ k j [ X ]θ 
j
j =1 j!  j =1 j ! 
significato fisico dei cumulanti:
k1 [ X ] = µ X media della v.a. k3 [ X ] simmetria della pX ( x )
k2 [ X ] = σ X2 varianza della v.a. k4 [ X ] appiattimento della pX ( x )

Variabili aleatorie normali o gaussiane
Una variabile aleatoria è normale o gaussiana se tutti i cumulanti di ordine maggiore al secondo sono nulli:
 ∞ ( −i ) j   1 
M X (θ ) =exp  ∑ k j [ X ]θ  =
j
exp  −ik1 [ X ]θ − k2 [ X ]θ 2 
 j =1 j !   2 
 ( ) 
2
1
+∞
1 x − µ
= pX ( x ) ∫e =
iθ x
M X (θ ) dθ exp  − X

2π −∞ 2π σ X  2σ 2
X 
La v.a. gaussiana è pienamente caratterizzata dalla media e dalla varianza.

Variabili aleatorie normali o gaussiane
La distribuzione gaussiana è tra le più importanti in funzione del Teorema del Limite Centrale (Freeman, 1963):
“Se una variabile aleatoria X è generata da una somma di un gran numero di variabili aleatorie tra loro
indipendenti, allora la variabile aleatoria X avrà una distribuzione Gaussiana qualunque siano le distribuzioni
delle variabili aleatorie che compaiono nella somma”.
Per valutare i valori estremi, si usano in ambito civile i valori caratteristici µ X ± kσ X (k=1.64 -> 90%, k=1.96 -> 95% )
In ambito meccanico si utilizza il cosiddetto metodo 3σ (k=3 -> 99.7%)
a) P [ µ X − σ X ≤ x ≤ µ X + σ X ] = 0.6827
b) P [ µ X − 2σ X ≤ x ≤ µ X + 2σ X ] =0.9545
c) P [ µ X − 3σ X ≤ x ≤ µ X + 3σ X ] =0.9973

Variabili aleatorie bidimensionali
In situazioni reali è frequente il caso in cui compaiano più variabili aleatorie. Nel caso di due variabili la
caratterizzazione avviene in maniera congiunta attraverso le seguenti grandezze e proprietà:
funzione densità di probabilità congiunta: p X1 X 2 ( x1 , x2 ) ∂ 2 FX1 X 2 ( x1 , x2 )

p X1 X 2 ( x1 , x2 ) =
funzione distribuzione di probabilità congiunta: FX1 X 2 ( x1 , x2 ) ∂x1∂x2
x1 x2
) P [ X 1 ≤ x1 ∩ X 2 ≤ x=
FX1 X 2 ( x1 , x2= 2] ∫∫p X1 X 2 ( x1 , x2 )dx1dx2
−∞ −∞
• 0 ≤ FX1 X 2 ( x1 , x2 ) ≤ 1
• p X1 X 2 ( x1 , x2 ) ≥ 0
+∞ +∞
• ∫∫p X1 X 2 ( x1 , x2 )dx1dx2 = 1
−∞ −∞
b1 b2
• P [ a1 ≤ X 1 ≤ b1 ∩ a2 ≤ X 2 ≤ b2 ] =∫ ∫ pX1X 2 ( x1 , x2 )dx1dx2
a1 a2

Una volta note le funzioni congiunte possono essere definite le proprietà delle singole v.a., dette marginali:
+∞
funzione densità di probabilità marginale: p X1 ( x1 ) = ∫p X1 X 2 ( x1 , x2 ) dx2

−∞
funzione distribuzione di probabilità marginale: x1 +∞
FX1= +∞ ) P [ X 1 ≤ x1 ∩ X 2 ≤=
( x1 ) FX1 X 2 ( x1 ,= +∞ ] ∫∫p X1 X 2 ( ρ1 , ρ2 )d ρ1d ρ2
−∞ −∞
Due variabili aleatorie si dicono indipendenti se vale p X1 X 2 ( x1 , x2 ) = p X1 ( x1 ) p X 2 ( x2 ) altrimenti sono correlate.

+∞ +∞
momenti di ordine k: E  X X  =
1
r s
2 ∫∫ x1r x2s p X1 X 2 ( x1 , x2 ) dx1dx2 , r + s = k
−∞ −∞
ordine
1 E  X 1  E  X 2 
σ X2 =
ϕ X2 − µ X2 ;
1 1 1
σ X2 =
2
ϕ X2 − µ X2 ;
2 2
2 E  X  E  X 1 X 2 
1
2
E  X  2
2 E [ X1 X 2 ] − E [ X1 ] E [ X 2 ] =
σX X = ϕX X − µX µX ;
1 2 1 2 1 2
3 E  X 13  E  X 12 X 2  E  X 11 X 22  E  X 23  σX X
ρ X1 X 2
= ; 1 2
0 ≤ ρ X1 X 2 ≤ 1
σX σX1 2
medie marginali medie marginali del secondo ordine

variabili aleatorie congiuntamente gaussiane:

funzione densità di probabilità:

(
 x −µ ) ( )( x ) + (x ) 
2 2
2 ρ X1 X 2 x1 − µ X1 − µX2 − µX2
exp  −  1 
1 1
p X1 X 2 ( x1 , x2 ) =
X1 2 2
−
2πσ X1 σ X 2 1 − ρ X2 1 X 2  (
 2 1− ρ2
X1 X 2 ) 

σ X2 1 σX σX 1 2
σ X2 2
 
 
se le v.a. sono indipendenti: ρX X = 0

1 2
(
 x −µ )   x −µ ( ) 
2 2
1 1
p X1 X 2 ( x1 , x2 ) = exp  −  exp  −  = p (x ) p (x )
1 X1 1 X1
2πσ X1  2σ X1
2
 2πσ X  2σ X1
2
 X1 1 X2 2
  2
 
se le v.a. sono a media nulla, essa è completamente caratterizzata dalla matrice di covarianza:
 E  X 12  E  X 1 X 2    σ X2 σ X1 X 2 
   
Σ= =

1

E  X1 X 2   σ
E  X 2    X1 X 2
2
σ 2
X2  
  

Capitolo 6
Elementi di teoria dei processi aleatori
In questo capitolo:
• introduciamo il concetto di funzione di una variabile aleatoria o processo

aleatorio;
• descriviamo i processi aleatori dal punto di vista statistico;
• introduciamo le medie a tempi multipli e le funzioni di correlazione;
• descriviamo i processi aleatori stazionari;
• descriviamo i processi aleatori Gaussiani stazionari;
• introduciamo la trasformata di Fourier e le sue proprietà;
• introduciamo la funzione densità spettrale di potenza (PSD);
• classifichiamo i processi aleatori in funzione della PSD;

Processo aleatorio
Molti fenomeni fisici casuali (vento, terremoto,
moto ondoso, etc. ) sono spesso funzioni del
tempo. Possiamo descriverli attraverso funzioni
aleatorie di un parametro deterministico (il
tempo). Queste funzioni si chiamano processi
aleatori.
Per fissato istante t1 , si può estrarre dal processo

la v.a. X ( t1 ) ≡ X 1 caratterizzata dalla:
FX1 ( x1 ) P  X ( t1 ) ≤ x1 
=
∂FX1 ( x1 )
p X1 ( x1 ) =
∂x1

Processo aleatorio
Per caratterizzare l’intero processo bisognerà considerare diverse v.a.:
X s  X ( t1 ) X ( t2 ) … X ( ts ) 
T
=
Come per la caratterizzazione delle v.a. monodimensionali è possibile definire le funzioni distribuzione di
probabilità e densità di probabilità congiunte:
FXs =( x s )  [ X 1 ≤ x1 ∩ X 2 ≤ x2 ∩…∩ X s ≤ xs ] ;
= [ x1 x2 … xs ]
T
xs
∂ s
pX s ( x s ) = FXs ( x s )
∂x1∂x2 …∂xs
ovvero, alternativamente, una funzione caratteristica multi-dimensionale:
M Xs ( θ s ) = E exp ( −iθTs X s )  =∫
+∞ +∞ +∞
∫−∞ …∫−∞ exp −iθs x s  pXs ( x s ) dx1dx2 … dxs
T
−∞
=θs [θ1 θ2 … θs ]
T
che può essere espressa in funzione dei momenti o dei cumulanti delle v.a.:
( −i )  ( − ) 
j
∞
j ∞
i
M Xs ( θ s ) = exp  ∑ k j [ Xs ] θs 
T [ j]
M Xs ( θ s ) = ∑ m j [ Xs ] θs
T [ j]
j =0 j !  j =1 j ! 
La caratterizzazione completa può avvenire solo quando si estraggono infinite v.a. dal processo: s → ∞

Medie a tempi multipli e correlazioni

Per capire meglio il significato dei vettori m j X s [ ] e k j Xs [ ] consideriamo di estrarre solo 2 v.a. s = 2
 E [ X1 ] 
momenti del primo ordine: m= [ X ] k= [ X ]  
 E [ X 2 ]
1 2 1 2
 E  X 12  
   
 E [ X 1 X 2 ]
momenti del secondo ordine: m 2 [ X2 ] =  
 E [ X 2 X 1 ]
 E X 2 
  2 
+∞ +∞
media a tempi multipli: E[ Xk Xl ] = ∫ ∫ xk xl pxk xl ( xk , xl ) dxk dxl
−∞ −∞
 E  X 12  − E [ X 1 ] 
2
 
 E [ X 1 X 2 ] − E [ X 1 ] E [ X 2 ]
cumulanti del secondo ordine: k 2 [ X 2 ] =  
 E [ X 2 X 1 ] − E [ X 2 ] E [ X 1 ]
 E X 2 − E X 2
  2 [ 2 ] 
correlazioni del secondo ordine:
k2 [ X k , X l ] ≡ RX( 2) ( tk=
, tl ) E  X ( tk ) X ( tl )  − µ X ( tk ) µ X ( tl )

Processi aleatori stazionari

Estraiamo da un processo due v.a. X ( t1 ) ≡ X 1 e X ( t2 ) ≡ X 2 tali che t2 − t1 =
τ . Se accade che
X1 ( x1 )
p= p X 2 ( x2 ) ≡ p X ( x )
p X1 X 2 ( x1 , x2 ) p X (t1 + t ) X (t2 + t ) ( x1 , x2 ) ∀ t
=
il processo è detto debolmente stazionario o stazionario fino al secondo ordine.
µ=
X µ=
1X µX 2
E  X ( t1 + t ) =
X ( t2 + t )  E  X ( t1 ) X ( t2 )  ≡ E  X ( t1 ) X ( t1 + τ ) 
RX( ) ( t1 + t , t2 =
+ t ) RX( ) ( t=
1 , t2 ) RX( ) ( t1 , t1=
+ τ ) RX( ) (τ )
2 2 2 2
• Le medie marginali sono costanti, le medie a tempi multipli e le correlazioni dipendono solo da τ.
• Se valgono relazioni simili che coinvolgono m v.a., il processo è stazionario fino all’ordine m.
• Se un processo è stazionario per qualsiasi valore di m, allora si dirà che il processo è fortemente stazionario.
• Un processo stazionario è una astrazione in quanto ha durata illimitata.

• Molti fenomeni fisici possono essere ragionevolmente approssimati come processi stazionari.

Processi aleatori Gaussiani stazionari

Nella Dinamica delle Strutture hanno una grande importanza i processi gaussiani cioè tali da essere pienamente
descritti da:
= [ X k ] ; µ X ( tl ) E [ X l ] ;
µ X ( tk ) E=
ϕ X(=
2)
( t k , tl ) E [ X k X l ] ; RX(=
)
( t k , tl ) E [ X k X l ] − E [ X k ] E [ X l ] ;
2
• Se un processo gaussiano è debolmente stazionario ciò implica che esso è anche fortemente stazionario ed è
definito solo da:
[ X i ] µ=
E= X ( ti ) cost.; un numero (la media);
RX( ) ( tk , tl ) = RX( ) ( tk − tl ) =RX( ) (τ ) ;
2 2 2
una funzione di una sola variabile
La funzione di autocorrelazione:
è una funzione pari: RX( ) (τ ) = RX( ) ( −τ )

2 2
•
• tende a zero per τ grandi;
• ha valore massimo in τ = 0
RX( ) ( 0 ) = E  X 2 ( t )  − E  X ( t )  = σ X2 ;
2 2

La trasformata di Fourier
Data una funzione che soddisfa le condizioni di Dirichlet, si definisce trasformata di Fourier:
+∞
( t ) F=
  f= (ω ) ∫−∞
f ( t ) e − iωt dt
si definisce alche la trasformata inversa di Fourier:
1 +∞
 −1  F (ω
= ) f=
(t ) ∫ F (ω ) eiωt dt
2π −∞
+∞
2π
serie esponenziale di Fourier (funzioni periodiche): f ( t ) = f ( t + T0 ) = ∑
n = −∞
Fn eiωnt ; ωn = n
T0
rappresenta la distribuzione delle componenti armoniche della funzione f ( t ) sull'asse delle frequenze ed è indicata
come spettro di f ( t ) .
Alcune Proprietà:
  a1 x1 ( t ) + a2 x2 ( t )  =a1 X 1 ( t ) + a2 X 2 ( t )
• linearità;
 dx ( t ) 
• derivazione nel tempo:   = iω X (ω )
 dt 
• convoluzione:
  ∫ f ( t ) g ( t − τ ) dτ  =
∞
F (ω ) G (ω )
 −∞ 

x (t )
• La trasformata di Fourier consente di passare dal
dominio dei tempi al dominio delle frequenze e
viceversa.
• La trasformazione definisce una corrispondenza t
biunivoca .
Esempio:
2
x (t ) ∑a
n =0
n sin (ωnt + ϕn )
a0 = 1.25; a1 = 9.26; a2 = −3.54; X (ω )

ω0 1.24;
= ω1 3.57;
= ω2 5.01;
2
X (ω )
= ∑ iA δ (ω
n =0
n n −ω)
• Un segnale periodico ha una trasformata di Fourier

discreta , ovvero è diversa da zero solo in
corrispondenza di alcune frequenze.
• Un segnale non periodico ha una trasformata di
Fourier continua, in quanto sono presenti tutte le ω
frequenze .

• La trasformata di Fourier consente di trasformare equazioni differenziali in equazioni algebriche.
Esempio:
  a1 x1 ( t ) + a2 x2 ( t )  =a1 X 1 ( t ) + a2 X 2 ( t )
x + 2ζ 0ω0 x + ω x ( t ) =
 2
0 f (t )
 dx ( t ) 
x ( t )  + 2ζ 0ω0   x ( t )  + ω02   x ( t )  =
     f ( t )    = iω X (ω )
 dt 
( iω ) X (ω ) = −ω 2 X (ω ) iω X (ω ) X (ω ) F (ω )
2
−ω 2 X (ω ) + 2iωζ 0ω0 X (ω ) + ω02 X (ω ) =

F (ω ) X (ω ) = H (ω ) F (ω )
con
1
H (ω ) = funzione di trasferimento dell’oscillatore
−ω 2 + ω02 + 2iζω0ω

• La trasformata di Fourier consente di trasformare integrali di convoluzione in prodotti di funzioni.
Esempio:
integrale di Duhamel.
x (t ) ∫ f ( t ) h ( t − τ ) dτ
t
x + 2ζ 0ω0 x + ω x ( t ) =
 2
0 f (t ) =
0
  x ( t )    ∫ f ( t ) h ( t − τ ) dτ 
t
  ∫ f ( t ) g ( t − τ ) dτ  =
∞
 0  F (ω ) G (ω )
 −∞ 
X (ω ) F (ω ) H (ω )
H (ω )=
  h ( t ) 
1
h (t ) = e −ζ 0ω0t sin (ω0t ) ;
X (ω ) = H (ω ) F (ω ) ω0
La funzione di trasferimento dell’oscillatore è la 1

trasformata di Fourier della funzione di riposta H (ω ) =
all’impulso unitario −ω 2 + ω02 + 2iζω0ω

Interpretazione energetica della trasformata di Fourier
Data x ( t ) si definisce energia della funzione: x ( t f ) = α ∫ x 2 ( t ) dt

tf
 a02 ∞ ak2 + bk2 
x ( Tp )
= Tp  + ∑ 
0
∞
 4 k =1 2 
a0 + ∑  ak cos ( kω p t ) + bk sin ( kω p t ) 
1
funzioni periodiche: x (t ) =
2 a02 ∞ ak2 + bk2
potenza S x (Tp=
) 4 +∑ 2
k =1
serie di Fourier
k =1
se rappresentiamo in un grafico le frequenze in ascissa e l’energia (potenza) associata ad ogni frequenza in ordinata,
otteniamo lo spettro di energia (potenza) del segnale.
+∞ +∞ +∞
funzioni non periodiche: =X (ω ) ∫=x ( t ) e − iωt
dt ∫ x ( t ) cos (ωt ) dt + i ∫ x ( t ) sin (ωt ) dt
−∞ −∞ −∞
Re  X (ω )  Im  X (ω ) 
energia specifica o densità spettrale di energia:
S x (ω )
x (ω ) (ω ) Re  X (ω )  + Im  X (ω ) 
2 2
= =
X
α +∞
x = ∫ x2 (ω ) d ω
2π −∞
ω
La funzione densità spettrale di potenza

Si definisce densità spettrale di potenza (PSD) di X ( t ) la trasformata di Fourier della funzione di correlazione:
1 +∞
S X (ω ) = ∫ RX (τ ) e − iωτ dτ
2π −∞
vale anche la relazione inversa:

∞
RX (τ ) = ∫ S X (ω ) eiωτ d ω
−∞
la PSD sarà una funzione reale pari. S X (ω

= ) S X ( −ω )
∞ ∞
X ( 0)
σ X2 R= ∫ S X (ω ) eiωτ d=
ω ∫ S X (ω ) d ω
la varianza può essere calcolata come: =
−∞ τ =0 −∞
=
L’energia specifica di un processo vale: x α=  +∞
2  +∞
E ∫ X ( t ) dt α ∫ E  X 2 ( t )  dt → ∞
 −∞  −∞
α  +∞
E ∫ X (ω ) d ω 
2
x =
2π  −∞ 
La potenza specifica (densità spettrale di potenza) di un processo vale: S X (ω ) =

α
lim
1
2π T →∞ 2T  {
E  X (ω , T ) 
2
}


Classificazione dei processi aleatori secondo la funzione densità spettrale di potenza

Si definisce densità spettrale di potenza unilaterale:
2 S (ω ) 0 ≤ ω ≤ +∞
GX (ω ) =  X
 0 ω<0
+∞
momenti spettrali: λi , X = ∫ ω i GX (ω ) dω +∞
0 frequenza centrale
∫= ωG ( ω ) d ω λ1, X
(ascissa del baricentro):
= ω 0 X
+∞
λ0, X
∫ G (ω ) d ω
1, X
raggio giratore:
0 X
+∞
∫ ω G (ω ) d ω
2
X λ2, X
ω2, X = 0
+∞
λ0, X raggio giratore baricentrico:
∫ G (ω ) d ω
0 X
1  λ1,2X 
ω= λ − =  q X ω2, X
2, X
λ0, X  2, X λ0, X 
parametro della larghezza di banda :
λ1,2X
qX = 1 − ; 0 ≤ qx ≤ 1
λ0, X λ2, X


Processo aleatorio sinusoidale:
(
X ( k ) ( t ) A sin ω0t + θ ( k )
= )
qX = 0


Processo aleatorio a banda stretta:
 S ω1 ≤ ω ≤ ω2
S X (ω ) =  0
0 altrove
q X = piccolo
q X → 0 se B → 0


Processo aleatorio a banda larga:


Processo aleatorio bianco:
S X (ω=) SW ∀ω
qX = 1
B→∞

Capitolo 7
Analisi aleatoria di sistemi lineari
forzati da processi gaussiani
In questo capitolo:
• determiniamo le caratteristiche probabilistiche della risposta di sistemi lineari

soggetti a forzanti casuali;
• descriviamo la risposta aleatorie di sistemi SDOF;
• descriviamo la risposta aleatori di sistemi MDOF tramite la trasformazione modale;
• descriviamo la risposta aleatori di sistemi MDOF nello spazio fisico;
• introduciamo i concetti relativi all’affidabilità strutturale;
• descriviamo dei metodi per la determinazione dei valori di picco massimo;
• descriviamo la tecnica delle simulazioni Monte Carlo;

Dinamica Aleatoria
5 10 15 20 25 30 35
1
2
E Ug ( t=
) µ=
Ug
cost.
RUg (τ ) ; SUg (ω )
forzante modellata come sistema strutturale (lineare a parametri invarianti) caratterizzazione del
processo aleatorio  ( t ) + CX
 (τt ) + KX ( t ) = processo aleatorio di risposta
MX −M Ug ( t )
(Gaussiano stazionario)
Un sistema deterministico forzato da un processo aleatorio darà luogo ad una risposta anch’essa aleatoria. Lo scopo
della Dinamica Aleatoria è:
• determinare le caratteristiche probabilistiche del processo di risposta;

• nel corso si affronterà il problema limitatamente al caso di sistemi lineari soggetti a forzanti casuali, descritti
come processi aleatori stazionari Gaussiani;
• quindi: nota la descrizione del processo forzante e la struttura, si devono determinare le grandezze (momenti,
cumulanti, funzioni di densità di probabilità, di correlazione, densità spettrale di potenza) del processo risposta.

Risposta aleatoria dei sistemi ad un grado di libertà

dominio dei tempi
dominio delle frequenze
x + 2ζ 0ω0 x + ω02 x ( t ) =
 f (t )
X (ω ) = H (ω ) F (ω )
  x ( t0 ) =∩
x0 x ( t0 ) =
x0  =
1 1
H (ω ) =
−ω 2 + ω02 + 2iζω0ω
conosciamo il processo forzante: E  F ( t =
) µ=
F cost.; RF (τ ) ; SF (ω )
dobbiamo caratterizzare il processo risposta: E  X ( t )  = µ X ; RX (τ ) ; S X (ω )
µF
• media: E  X ( t )  + 2ζ 0ω0 E  X ( t )  + ω02 E  X ( t )  =
E  F ( t )  =
µF µX =
ω02
µX
• funzioni di densità spettrale di potenza:
S X (ω )
α
= lim
1
2π T →∞ 2T  {
E  X (ω , T ) 
2
 }
H (ω ) S F (ω )
2
α
S X (ω ) ω 2
= lim
1
2π T →∞ 2T
{
E  X (ω ) X=
*
( ω )  ω=
2
}
S X (ω ) ω 2 H (ω ) S F (ω )
2

Risposta aleatoria dei sistemi ad un grado di libertà

forzante di tipo sismico rumore bianco
effetto filtro del sistema strutturale:
• blocca le componenti in frequenza della

forzante lontane dalle pulsazioni naturali;
• esalta le componenti in frequenza della
forzante prossime alle pulsazioni naturali;
1
H (ω ) =
−ω 2 + ω02 + 2iζω0ω
S X (ω ) = H (ω ) S F (ω )
2
X (ω ) = H (ω ) F (ω )

Risposta aleatoria dei sistemi a più gradi di libertà

dominio dei tempi MX  t   CX  t   KX  t   τF  t  ;  X  t0   x0  X  t0   x0   1
processo aleatorio multivariato-monocorrelato :
• tutti i gradi di libertà sono forzati dallo stesso processo aleatorio;

• la risposta è formata da un vettore di processi aleatori tra loro dipendenti;
approccio tramite trasformazione modale:
X  t   ΦY  t  b Y  t   ΛY  t   Ω2 Y  t   pF  t  ; Y  t0   ΦT Mx0  Y  t0   ΦTMx0   1
j-esima equazione: dominio delle frequenze

1
y j  t   2 j j y j  t    2j y j  t   p j F t  Y j    H j   p j F   H j   
 2j   2  2i j j
SY j    p 2j H j   S F  
2
dobbiamo caratterizzare il processo risposta: PSD diretta
SYjYk    p j pk H j   H k*   S F   PSD incrociata

SY jYk    lim
1
2 T  2T

E Y j   Yk*     SY jYk    SY*kY j  


approccio tramite trasformazione modale:  SY1Y1   SY1Y2    SY1Yn   
 
 SY2Y1   SY2Y2    SY2Yn   
matrice delle funzioni densità spettrali di potenza : S YY     
 
 SYnY1   SYnY2    SYnYn   

covarianze:  Y Y   SY Y   d
j k  j k
  Y21 Y Y   Y1Yn 
 
1 2
 Y Y  Y2   Y2Yn 
matrice delle covarianze: Σ YY  E  YY T    2 1 2

 
 Y Y Y Y   Yn 
2
 n1 n 2
ritorniamo nello spazio fisico: S XX  ΦSYY   ΦT
ΣXX  E  XXT   ΦΣYYΦT

n n
S X j X k     p j pk H j   H k*   S F   jTk
j 1 k 1


direttamente nello spazio fisico:
dominio dei tempi dominio delle frequenze
MX  t   CX  t   KX  t   τF  t  X    H   τF  
1
H     2M  iC  K 
matrice delle funzioni densità spettrali di potenza :

S XX    lim
1
2 T  2T
 
E  X   XT *     H   ττ T H   S F  
T*
covarianze: X

  S X j X k   d   X2 1 X X   X1 X n 
 
1 2
j Xk 
 X X  X2   X2Xn 
matrice delle covarianze: Σ XX  E  XXT    2 1 2

 
 X X X   X n 
2
 n 1 n X2
• operare con la trasformazione modale è più complesso dal punto di vista analitico, ma consente di effettuare il
troncamento modale e ridurre il numero degli oscillatori modali significativi;
• operare direttamente nello spazio fisico è analiticamente molto semplice ma richiede un onere computazionale
notevolmente superiore. Se il sistema è non classicamente smorzato, esso rimane l’unica alternativa;

Cenni di affidabilità strutturale

• Il progetto strutturale consiste nel dimensionare struttura in modo che, sotto l'effetto di carichi esterni, siano
soddisfatti i requisiti di sicurezza, servizio e durabilità. Il principale obbiettivo è progettare e realizzare strutture
affidabili, cioè in grado di svolgere il loro durante tutta la loro vita utile.
• Date le incertezze connesse con il calcolo strutturale (stima delle azioni, proprietà dei materiali, geometria della
struttura), bisogna definire l’affidabilità in termini probabilistici:
resistenze
azioni
probabilità di fallimento: pC = [ A < R ]
probabilità di successo: pS =  [ A ≥ R ] =−
1 pC
• Il concetto di fattore di sicurezza deve essere

sostituito con quello di livello di affidabilità di
progetto della struttura;
• in caso di forzanti dinamiche, si considera la
variabilità temporale delle azioni e delle
resistenze e si definisce l’affidabilità in un intervallo;
• Semplificando, il problema si può ricondurre al
superamento di una barriera da parte dei valori di
picco massimo:
(Ts , B )   X ( t ) ≤ B; 0 ≤ t ≤ Ts  ≡   X max (Ts ) ≤ B 
pS =
pS (T=
s , D)   X ( t ) ∈ D; 0 ≤ t ≤ Ts  X i ( t ) ≤ Bi → D ∈  n

Valutazione dei valori di picco massimo
• Dato un processo aleatorio X( t ) , i valori di picco massimo rappresentano un processo Xmax (Ts) legato al
precedente in modo fortemente non lineare;
• Non esistono formule esatte per determinare il processo Xmax (Ts);
metodo del rainflow:
• Nel seguito determineremo con formulazioni approssimate i valori del frattile inferiore di ordine p del massimo
assoluto della risposta, ovvero quel valore della barriera che ha probabilità p di non essere superato in un dato
intervallo;
=   X max (Ts ) ≤ X Ts , p  p
X Ts , p η X (Ts , p ) λ0, X ; =
fattore di picco


Ipotesi di attraversamenti indipendenti (Davenport):
• Se il livello della barriera è abbastanza alto, si può ipotizzare che i suoi attraversamenti siano rari e
statisticamente indipendenti. Sotto tali ipotesi vale la formula di Davenport:
ln  − ln ( p ) 
η X (Ts , p )
= 2 ln  2ν X+ Ts  −
2 ln  2ν X+ Ts 
ω2, X 1 λ2, X il numero medio degli attraversamenti dello zero con pendenza positiva nell'unità
ν X+
= =
di tempo
2π 2π λ0, X
• Esempio
si vuole calcolare il valore medio di picco massimo assoluto:
 
µ X max (Ts ) =E  X max (Ts )  ≅  2 ln  2ν X Ts  +  λ
+ 0.5 772
 2 ln  2ν X Ts  
+
0, X
 


Ipotesi di attraversamenti a grappoli (Vanmarcke):
• Se la struttura è poco smorzata, il processo di risposta è a banda stretta (formato da armoniche ravvicinate) e
piuttosto regolare. Gli attraversamenti sono statisticamente correlati. Si può utilizzare la formula di Vanmarcke:
    2ν X+ Ts    
 2ν X Ts 
+
X ( Ts , p )
η= 1 − exp 1 − q X π ln    
1.2
2 ln 
 − ln ( p )  
  − ln ( p )    
ω2, X 1 λ2, X il numero medio degli attraversamenti dello zero con pendenza positiva nell'unità
ν X+
= =
di tempo
2π 2π λ0, X
λ1,2X
q= 1− parametro della larghezza di banda
X
λ0, X λ2, X

Simulazione Monte Carlo

• Quando le ipotesi di linearità del sistema o di stazionarietà e Gaussianetà della forzante o se, comunque, si
vuole un metodo numerico per confronto, è dispodibile il metodo della simulazione Monte Carlo.
• Il vantaggio del metodo Monte Carlo è di potere affrontare dal punto di vista probabilistico qualunque
problema, (anche non lineare), di cui sia nota una soluzione, anche numerica.
• Attualmente il metodo Monte Carlo è l'unico approccio disponibile per sistemi non lineari o per valutare la
correttezza di soluzioni analitiche esatte o approssimate.
Esso è costituito dai seguenti passi:


Generazione dei campioni:
• I campioni generati devono essere aleatori e insieme rispettare le caratteristiche del processo forzante;
• PSD della forzante assegnata: GF (ω )

+∞
• Varianza della forzante: σ F2 = ∫ GF (ω ) d ω
0 applicazioni sismiche
ωc
• =
Scelta della frequenza di cut-off: σˆ 2
F ∫ GF (ω ) d ω ≅ σ 2
F
ωc ≅ 100 ÷ 150 rad/s
0
• definizione di un numero di intervalli: ωc = ∆ω mc
• determinazione del r-esimo campione della forzante:
formula di Shinozuka
( )
mc
F (r )
( t=) ∑ 2GF (ω ) ∆ω sin ωk t + θ k( r )
k =1
• ampiezza deterministica (rispetta la PSD);
• fasi random (garantisce l’aleatorietà );


Analisi dinamica deterministica:
• Per ognuno degli nc campioni del processo forzante generati si possono risolvere le equazioni del moto del
sistema e determinare deterministicamente il corrispondente campione del processo aleatorio di risposta:
sistema dinamico
F (r ) (t ) (
g x ( t ) , x ( t ) ,  )
x (t ) , F (r ) (t ) = 0 X (r ) (t )
nc
2π π
intervallo di campionamento T= > 8∆t → ∆t <
c
ωc 4ωc
Costruzione delle statistiche della risposta:
• Gli nc campioni sono una approssimazione del processo di risposta. A partire da essi è possibile trovare le stime
delle statistiche:
ad esempio: 1 nc (i )

E  X ( t )  = X (t )
nc
∑i =1
stima del valore medio
nc
  X 2 ( t ) = 1
E   n ∑ X ( ) (t )
i =1
i 2 stima del valore quadratico medio
c

FINE
(buono studio!)

Lezioni Dinamica Cap 05-06-07

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Lezioni Dinamica Cap 05-06-07

Caricato da

Copyright:

Formati disponibili

CORSO DI LAUREA MAGISTRALE IN INGEGNERIA CIVILE (LM-23)

Dinamica delle Strutture

Corso di Dinamica delle Strutture – prof. G. Navarra – A.A. 2015-2016 65

• evidenziamo la necessità di introdurre metodi probabilistici per la descrizione di

Corso di Dinamica delle Strutture – prof. G. Navarra – A.A. 2015-2016 66

Corso di Dinamica delle Strutture – prof. G. Navarra – A.A. 2015-2016 67

Corso di Dinamica delle Strutture – prof. G. Navarra – A.A. 2015-2016 68

Corso di Dinamica delle Strutture – prof. G. Navarra – A.A. 2015-2016 69

Teoria assiomatica della probabilità

1. la probabilità di un evento è compresa tra 0 e 1: 0 ≤ P [ A] ≤ 1

2. la probabilità dell’evento certo è pari all’unità: P [ A ≡ Ω ] =1

3. la probabilità dell’unione di due eventi mutuamente esclusivi è pari P [ A ∪ B=

a partire da questi assiomi possono dimostrarsi i seguenti teoremi fondamentali:

1. teorema della probabilità di eventi mutuamente esclusivi: P  A  = 1 − P [ A]

2. teorema della probabilità totale: P [ A ∪ B=

P  A B  è detta probabilità condizionata

Corso di Dinamica delle Strutture – prof. G. Navarra – A.A. 2015-2016 70

Funzioni distribuzione cumulativa e funzione densità di probabilità

Corso di Dinamica delle Strutture – prof. G. Navarra – A.A. 2015-2016 71

Funzioni distribuzione cumulativa e funzione densità di probabilità

Si definisce funzione distribuzione cumulativa di probabilità (o funzione distribuzione di probabilità):

0 ≤ FX ( x ) ≤ 1 lim FX ( x ) = 0 lim FX ( x ) = 1 FX ( x + h ) ≥ FX ( x ) ( h > 0)

Corso di Dinamica delle Strutture – prof. G. Navarra – A.A. 2015-2016 72

Funzioni distribuzione cumulativa e funzione densità di probabilità

Si definisce funzione densità di probabilità:

Corso di Dinamica delle Strutture – prof. G. Navarra – A.A. 2015-2016 73

Momenti ed indici sintetici di una variabile aleatoria

Sia Y = f ( x ) , si definisce funzione operatore media stocastica:

È un operatore lineare e consente di determinare i momenti statistici della v.a. X:

Indici sintetici di una variabile aleatoria:

Corso di Dinamica delle Strutture – prof. G. Navarra – A.A. 2015-2016 74

Si definisce funzione caratteristica di una variabile aleatoria:

Corso di Dinamica delle Strutture – prof. G. Navarra – A.A. 2015-2016 75

Log-Funzione caratteristica e cumulanti

Detti cumulanti della variabile aleatoria i coefficienti di questo sviluppo in serie:

Corso di Dinamica delle Strutture – prof. G. Navarra – A.A. 2015-2016 76

Variabili aleatorie normali o gaussiane

Corso di Dinamica delle Strutture – prof. G. Navarra – A.A. 2015-2016 77

Variabili aleatorie normali o gaussiane

Corso di Dinamica delle Strutture – prof. G. Navarra – A.A. 2015-2016 78

Variabili aleatorie bidimensionali

funzione densità di probabilità congiunta: p X1 X 2 ( x1 , x2 ) ∂ 2 FX1 X 2 ( x1 , x2 )

Corso di Dinamica delle Strutture – prof. G. Navarra – A.A. 2015-2016 79

Variabili aleatorie bidimensionali

funzione densità di probabilità marginale: p X1 ( x1 ) = ∫p X1 X 2 ( x1 , x2 ) dx2

Due variabili aleatorie si dicono indipendenti se vale p X1 X 2 ( x1 , x2 ) = p X1 ( x1 ) p X 2 ( x2 ) altrimenti sono correlate.

medie marginali medie marginali del secondo ordine

Corso di Dinamica delle Strutture – prof. G. Navarra – A.A. 2015-2016 80

Variabili aleatorie bidimensionali

variabili aleatorie congiuntamente gaussiane:

se le v.a. sono indipendenti: ρX X = 0

Corso di Dinamica delle Strutture – prof. G. Navarra – A.A. 2015-2016 81

• introduciamo il concetto di funzione di una variabile aleatoria o processo

Corso di Dinamica delle Strutture – prof. G. Navarra – A.A. 2015-2016 82

Per fissato istante t1 , si può estrarre dal processo

Corso di Dinamica delle Strutture – prof. G. Navarra – A.A. 2015-2016 83

Corso di Dinamica delle Strutture – prof. G. Navarra – A.A. 2015-2016 84

Medie a tempi multipli e correlazioni

Corso di Dinamica delle Strutture – prof. G. Navarra – A.A. 2015-2016 85

Processi aleatori stazionari

• Un processo stazionario è una astrazione in quanto ha durata illimitata.

Corso di Dinamica delle Strutture – prof. G. Navarra – A.A. 2015-2016 86

Processi aleatori Gaussiani stazionari