Professional Documents
Culture Documents
Folhas da disciplina
Luciano Jacinto
2017
Simbologia, siglas e
abreviaturas
Símbologia
Latinas
E(X) Valor esperado (ou valor médio) da variável X
Var(X) Variância da variável X
VX Coeciente de variação da variável X
Gregas
α Coeciente de sensibilidade FORM
µX Valor esperado (ou valor médio) da variável X
2
σX Variância da variável X
σX Desvio padrão da variável X
Siglas e abreviaturas
CPS Coecientes Parciais de Segurança
EL Estado Limite
FDC Função Distribuição Cumulativa
FDP Função Densidade de Probabilidade
FMP Função Massa de Probabilidade
IID Independente e Identicamente Distribuída
ISO International Organization for Standardization
JCSS Joint Committee on Structural Safety.
TLC Teorema do Limite Central
i
Conteúdo
1 Introdução 1
1.1 Diferenças entre dimensionamento e avaliação . . . . . . . . . . 1
1.2 Avaliação de condição versus avaliação estrutural . . . . . . . . 2
1.3 Conceitos de reparação, reforço e reabilitação . . . . . . . . . . 3
1.4 O uso de métodos probabilísticos em avaliações estruturais . . . 4
1.5 Objetivos da presente disciplina . . . . . . . . . . . . . . . . . . 5
iii
iv CONTEÚDO
Introdução
1
2 Introdução
1
No Capítulo 3 apresentaremos uma denição precisa destes requisitos.
Conceitos de reparação, reforço e reabilitação 3
2
É interessante notar que a regulamentação portuguesa de estruturas (RSA, 1983) já
previa a utilização de métodos probabilísticos como alternativa ao método dos coecientes
parciais de segurança. Os eurocódigos estruturais também preveem a sua utilização. Por
exemplo, a Cláusula 3.5 (5) do Eurocódigo 0 (NP EN 1990, 2009) refere que poderá ser
utilizado um dimensionamento diretamente baseado em métodos probabilísticos, e apresenta
no Anexo C as bases para a aplicação desses métodos.
Objetivos da presente disciplina 5
Procedimentos em avaliações
estruturais
Embora não seja abundante, já existe alguma literatura que trata especica-
mente do problema das avaliações estruturais, nomeadamente literatura con-
tendo recomendações relativas aos procedimentos a adotar nessas avaliações.
Neste Capítulo faz-se uma breve análise das recomendações de organizações in-
International Organization for Standardization ),
ternacionais, incluindo a ISO (
o JCSS ( Joint Committee on Structural Safety ), e ainda as recomendações que
resultaram de projetos de investigação nanciados por fundos europeus.
7
8 Procedimentos em avaliações estruturais
Monitorização.
Mudança de uso.
1. Introdução
A introdução faz uma breve descrição das razões da avaliação e dos ob-
jetivos da mesma. Pode incluir também uma descrição sucinta dos pro-
cedimentos adotados.
2. Descrição da estrutura
3. Investigação realizada
Sempre que tenham sido realizados ensaios, estes devem ser descritos,
incluindo a natureza e o número de amostras colhidas, os locais de recolha
e as respetivas datas. Ensaios laboratoriais e respetivos relatórios deverão
ser remetidos para anexo.
4. Análise e vericação
5. Conclusões
Conceitos fundamentais de
segurança estrutural
De acordo com as Normas ISO 2394 (1998) e NP EN 1990 (2009), esta última
também conhecida por Eurocódigo 0, as estruturas devem ser projetadas, cons-
truídas e mantidas, de tal modo que, de forma económica e com apropriados
níveis de abilidade, apresentem bom desempenho durante toda a sua vida
útil.
Embora bastante genérico, este objetivo geral para as estruturas destaca
vários aspetos importantes. Por exemplo, identica as 3 fases principais da
vida de uma estrutura: a fase do projeto, a fase da construção e a fase da vida
útil, na qual é sempre necessária manutenção. As estruturas devem apresentar
bom desempenho das funções para que foram construídas durante a sua vida
útil, e isso é conseguido com medidas adequadas durante aquelas 3 fases. Esse
bom desempenho deve ser realizado de forma económica e com apropriados
níveis de abilidade.
Naturalmente é necessário esclarecer o que se entende por níveis apropri-
ados de abilidade e como se pode quanticar o desempenho duma estrutura
durante a sua vida útil, de modo a poder classicá-lo como bom. O presente
Capítulo procura dar respostas satisfatórias a estas questões. Iremos preci-
sar alguns conceitos fundamentais relacionados com a segurança estrutural,
incluindo o conceito muito importante de Estado Limite.
15
16 Conceitos fundamentais de segurança estrutural
abilidade à rotura por exão de 0.9999 em 50 anos. Isto signica que a pro-
babilidade de não se vericar rotura por exão em 50 anos é de 0.9999.
Já o conceito de segurança é qualitativo (Schneider, 2006). Com efeito, não
faz sentido a expressão calcular a segurança. Segurança pode ser denida
como um atributo das estruturas que as permite classicar como seguras ou
como inseguras. Uma estrutura é segura quando a sua abilidade (principal-
mente com respeito à possibilidade de causar danos em pessoas) é superior a
um valor previamente aceite como mínimo admissível, e insegura caso contrá-
rio .
1
Como essas grandezas são em geral incertas, tal garantia só pode ser dada em
termos probabilísticos. A condição expressa nesta inequação diz-se condição de
segurança. Se esta condição for cumprida diz-se que está satisfeita a segurança.
Como referido acima, a grandeza R representa a capacidade da estrutura
em relação ao efeito E, devendo ser expressa nas mesmas unidades que este.
Assim, se E representar um esforço atuante numa secção da estrutura, R re-
presenta a resistência dessa secção. Se E representar um deslocamento, R
representa o deslocamento máximo admissível. Se E representar uma carga
atuante, R representa a carga máxima que a estrutura é capaz de suportar, e
assim sucessivamente.
A vericação da condição de segurança deve ser estendida a todos os EL
relevantes. Um EL não é relevante quando a vericação da segurança a esse
estado limite estiver automaticamente assegurada pela satisfação da segurança
de outros EL, ou quando a sua probabilidade de ocorrência for extremamente
pequena, quando comparada com outros EL.
A vericação da segurança de uma estrutura passa assim pela identicação
criteriosa de todos os EL relevantes. Se a segurança estiver satisfeita para todos
esses EL, isto é, se a abilidade associada a cada um desses EL for aceitável,
3
considera-se que a estrutura como um todo é segura . Este continua a ser o
princípio base do dimensionamento das estruturas consagrado nos Eurocódigos.
A condição E ≤R pode ser analisada segundo duas metodologias princi-
pais: (1) metodologia semi-probabilística e (2) metodologia totalmente proba-
bilística. A primeira metodologia é conhecida como método dos coecientes
1
Curiosamente, o Eurocódigo 0 (NP EN 1990, 2009), que especica os critérios gerais de
segurança das estruturas, apresenta uma longa lista de denições, mas não fornece nenhuma
denição do termo segurança. Julga-se que a denição apresentada é satisfatória e está de
acordo com o uso do termo no meio técnico.
2
Em vez da expressão vericação do desempenho iremos usar ao longo do texto a
expressão vericação da segurança, por ser mais comum no meio técnico.
3
É claro que isto pode não ser rigorosamente verdade. Voltaremos a este assunto no
Capítulo 8.
O método dos estados limites 19
A tensão atuante era calculada para as chamadas ações de serviço, isto é, ações
sem qualquer fator majorativo, e a tensão admissível era obtida dividindo a
tensão de rotura do material por um fator global de segurança de modo a ga-
rantir que as tensões aplicadas nos materiais fossem sucientemente baixas.
Nessas condições os materiais estariam longe da rotura e a segurança era con-
siderada satisfeita. Note-se que o método é anterior ao conceito de EL, não
permitindo assim fazer distinção na gravidade de possíveis danos na estrutura.
Ed ≤ Rd (3.3)
Ed = γF Ek (3.4)
Rk
Rd = (3.5)
γM
4
Este método tem uma longa história de utilização na área da Geotecnia e ainda é utilizado
no dimensionamento de fundações.
20 Conceitos fundamentais de segurança estrutural
5
No próximo Capítulo faremos uma breve revisão deste e de outros conceitos probabilís-
ticos.
O método dos estados limites 21
Resolução
A condição de segurança é NEd ≤ NRd . O esforço axial no tirante AB
é:
1 NE Q
= ⇔ NE =
tan θ Q/2 2 tan θ
Q 2
⇔ NE = 3 = 3 Q.
2× 4
Como a carga Q não pode ultrapassar 210 kN, não é necessário aplicar
qualquer coeciente de segurança, isto é, γF = 1.00. Assim,
6
Na literatura inglesa esta probabilidade é designada failure probability, e traduzida fre-
quentemente por probabilidade de colapso, ou ainda probabilidade de rotura. Estas tradu-
ções não são totalmente satisfatórias pois transmitem a ideia de EL último, e a probabilidade
de que estamos a falar (probabilidade de se ultrapassar um determinado EL) aplica-se tanto
a EL últimos como a EL de utilização. Por este motivo iremos usar ao longo do texto a
tradução literal, isto é, probabilidade de falha.
22 Conceitos fundamentais de segurança estrutural
pf ≤ pf T . (3.9)
Conceitos elementares de
probabilidade
nA
fA = , (4.1)
n
onde nA é o número de ocorrências de A nas n realizações da experiência.
A interpretação frequencista baseia-se no princípio da regularidade estatís-
tica, segundo qual, quando número de realizações de uma experiência aleatória
aumenta e a experiência é realizada nas mesmas condições, a frequência rela-
tiva dos diferentes resultados (ou acontecimentos) dessa experiência tende a
estabilizar, dando origem à denição de probabilidade do acontecimento A por
meio do seguinte limite:
nA
P (A) = lim . (4.2)
n→∞ n
Esta interpretação apresenta uma limitação importante: pressupõe que a
experiência em estudo seja repetível e nem todos as experiências são passíveis
de repetição, e mesmo as que o são nem sempre se realizam nas mesmas con-
dições. Por exemplo, suponha-se que se deseja avaliar a probabilidade de um
23
24 Conceitos elementares de probabilidade
1
O espaço de resultados, por vezes também chamado espaço amostral, refere-se ao con-
junto de todos os resultados possíveis da experiência.
Conceito de probabilidade 25
1. 0 ≤ P (A) ≤ 1
2. P (S) = 1
3. Se A e B forem dois acontecimentos disjuntos, isto é, que não podem
ocorrer simultaneamente, então P (A ∪ B) = P (A) + P (B).
2
Note-se que estes axiomas, que se aceitam sem discutir, constituem propriedades do
conceito de frequência relativa, sendo por isso intuitivos.
26 Conceitos elementares de probabilidade
P (A ∩ B)
P (A | B) = (4.4)
P (B)
Note-se que esta equação é uma denição, não carecendo por isso de qualquer
demonstração. A probabilidade P (A | B) pode ser vista como a probabilidade
de A em relação ao espaço de resultados reduzido B.
Como evidência de que a denição de probabilidade condicionada é consis-
tente com os axiomas de probabilidade, determinemos P (B | B), que obvia-
mente tem de ser igual a 1. Ora vejamos:
P (B ∩ B)
P (B | B) =
P (B)
P (B)
= = 1.
P (B)
Por denição de probabilidade condicionada pode também escrever-se:
P (B ∩ A) P (A ∩ B)
P (B | A) = = . (4.5)
P (A) P (A)
Juntando as Eqs. (4.4) e (4.5) resulta:
P (B | A) P (A)
P (A | B) = , (4.6)
P (B)
que constitui uma das formas de apresentação do Teorema de Bayes e mostra
que a simples ocorrência de B modica a probabilidade de A, que era P (A)
e passou a ser P (A | B). Isto conrma o que se disse anteriormente de que a
probabilidade de um acontecimento não deve ser encarada em sentido absoluto,
pois é suscetível de ser modicada sempre que surjam novas informações.
A probabilidadeP (A) é designada probabilidade a priori e mede a incerteza
que se tinha inicialmente a respeito do acontecimentoA. A probabilidade P (A |
B) é designada probabilidade a posteriori e mede a incerteza em A depois de se
observar a ocorrência de B . O Teorema de Bayes constitui assim um mecanismo
formal de alteração de probabilidades face a novas informações. Note-se que a
incerteza a posteriori pode aumentar ou diminuir: diminui quando P (A | B)
se aproxima de 0 ou 1 e aumenta quando se aproxima de 0.5.
Conceito de probabilidade condicionada 27
2.
Sk
i=1 Bi =S
Resolução
A = {Alguém morre
Pretende-se determinar a probabilidade do evento
no próximo ano em resultado do colapso da estrutura}. Seja B = {A es-
trutura colapsa} e B̄ = {A estrutura não colapsa}. Ora, de acordo com
o enunciado P (B) = 10
−6 , e P (A | B) = 10−1 . Tem-se, pois:
P (A | Bj ) P (Bj )
P (Bj | A) =
P (A)
P (A | Bj ) P (Bj )
= Pk , j = 1, . . . , k. (4.9)
i=1 P (A | B i ) P (Bi )
Resolução
Pretende-se determinar a probabilidade de existir corrosão sabendo
que o ensaio foi positivo. Designemos essa probabilidade por P (C | +).
Tem-se:
P (+ | C)P (C)
P (C | +) =
P (+ | C)P (C) + P (+ | C̄)P (C̄)
(0.95)(0.75)
= = 0.98.
(0.95)(0.75) + (0.05)(0.25)
Resolução
Em preparação.
Resolução
n. Vem:
pn = 1 − (1 − p1 )n ⇔ (1 − p1 )n = 1 − pn
⇔ ln[(1 − p1 )n ] = ln(1 − pn )
⇔ n ln(1 − p1 ) = ln(1 − pn )
ln(1 − pn )
⇔ n=
ln(1 − p1 )
FX (x) = P (X ≤ x) (4.12)
cuja representação gráca tem o andamento típico ilustrado na Figura 4.3, dita
função em escada.
Variáveis contínuas
Seja X uma variável contínua. Chama-se função densidade de probabilidade
(FDP) de X à função fX (x) denida de tal modo que (ver Figura 4.4.):
Z b
P (a ≤ X ≤ b) = fX (x) dx (4.13)
a
Z +∞
fX (x) dx = 1. (4.14)
−∞
3
Como a integração vai de −∞ a +∞, está subentendido que fX (x) = 0 para todos os
valores de X fora do seu domínio.
Variáveis aleatórias e distribuições de probabilidade 33
dFX (x)
fX (x) = , (4.16)
dx
P (a < X < b) = FX (b) − FX (a). (4.17)
Resolução
a) Tem-se
pf = P (NE > NR )
2
=P Q > f y As
3
2Q
= P fy <
3As
= P (fy < 445.86 MPa)
= normcdf(445.86,563,26) = 3.31 × 10−6 .
2
Q = 200 kN ⇒ NE = 200 = 133.33 kN
3
⇒ NR > 133.33 kN
⇒ fy As > 133.33 kN
X
E(X) = xi pX (xi ) (4.18)
i
Z +∞
E(X) = xfX (x) dx (4.19)
−∞
se X for contínua.
O Valor esperado goza das seguintes propriedades:
Var(X) = E (X − µX )2
(4.23)
se X for contínua.
A variância goza das seguintes propriedades:
p
σX = Var(X) (4.30)
Variáveis aleatórias e distribuições de probabilidade 37
Para ilustrar que conhecer o desvio padrão de uma variável é tão importante
como conhecer a sua média, imagine o leitor que decidiu construir uma casa e
que o seu fornecedor de betão lhe propõe dois betões, um com uma resistência
média de 35 MPa e um desvio padrão de 10 MPa e o outro com uma resistência
média de 30 MPa e um desvio padrão de 5 MPa. Se o preço dos betões for o
mesmo, por qual optaria? Consegue encontrar um bom critério para decidir?
4
σX
VX = (4.31)
µX
µg = 5 kN/m;
σg = 0.5 kN/m;
µQ = 60 kN;
σQ = 6 kN;
Resolução
O momento a meio vão é dado por:
62 6
M =g + Q = 4.5 g + 1.5 Q;
8 4
O momento etor é assim uma combinação linear das cargas, donde:
4
Do ponto de vista da segurança da estrutura, são os valores baixos da resistência que nos
devem preocupar. Assim, uma boa escolha seria optar pelo betão com menor probabilidade
de possuir resistências baixas, por exemplo 10 MPa. Um outro critério lógico seria optar
pelo betão com resistência característica superior.
38 Conceitos elementares de probabilidade
Coeficiente de assimetria
O coeciente de assimetria, também conhecido como momento centrado de
ordem 3, é denido por:
E (X − µX )3
α3 = 3 (4.32)
σX
Coeficiente de curtose
O coeciente de curtose, também conhecido como momento centrado de ordem
4, é denido por:
E (X − µX )4
α4 = 4 (4.33)
σX
Este coeciente é usado como medida do peso das caudas, como ilustrado na
Figura 4.8. O modelo Normal possui um coeciente de curtose de 3. Este valor
pode ser usado como referência, para efeitos comparativos com outros modelos
probabilísticos.
Xp : P (X < Xp ) = p ⇔ FX (Xp ) = p
a) Normal.
b) Lognormal.
Resolução
µY
q
−1 2
fck = q exp Φ (0.05) ln 1 + VY
1 + VY2
30
q
=√ exp −1.645 ln 1 + 0.167 2
1 + 0.1672
= 22.5 MPa.
P (0 < fc < x)
P (fc < x | fc > 0) =
P (fc > 0)
Ff (x) − Ffc (0)
= c
1 − Ffc (0)
Ffc (x) − 9.87 × 10−10
=
1 − 9.87 × 10−10
≈ Ffc (x) = P (fc < x).
Este exemplo mostra que, dada uma variável X que só possa assumir valores
positivos, a escolha do modelo Normal não é necessariamente má. Basta que
que P (X < 0) seja desprezável.
Distribuições de máximos
Seja X uma variável com FDP fX (x) e FDC FX (x). Seja {X1 , . . . , Xn } uma
sequência temporal de n observações independentes de X . Dena-se a variá-
vel Xmax = max{X1 , . . . , Xn }. Trata-se de uma nova variável aleatória, com
interesse óbvio e cuja distribuição é facilmente obtida a partir da distribuição
FX (x). Com efeito,
n
FXmax (x) = FX (x) (4.40)
n−1
fXmax (x) = n · fX (x) · FX (x) (4.41)
Resolução
150×365×50
p = 1 − FX (60) .
1-(normcdf(60,16,8))^(150*365*50)
0.25
Distribuição inicial
Distribuição dos máximos em 50 anos
0.2
Densidade de probabilidade
0.15
0.1
0.05
0
0 10 20 30 40 50 60 70
Peso dos camiões [ton]
Resolução
São esperados em um ano 150 × 365 = 54 750 camiões. Portanto,
o número esperado de camiões com excesso de carga em um ano é de
54 750 × 0.00023 = 12.6 camiões. Assim, a receita esperada é de 12.6 ×
500 × .1 = 630 A
C por ano.
Distribuições de mínimos
Em preparação.
dimensões.
Z bZ d
P (a < X < b) ∩ (c < Y < d) = fXY (x, y) dydx (4.42)
a c
Z +∞Z +∞
fXY (x, y) dydx = 1. (4.43)
−∞ −∞
A probabilidade P (a < X < b) ∩ (c < Y < d) representa-se mais frequente-
mente por P (a < X < b, c < Y < d). (Ver Figura 4.10.)
essa superfície.
No caso de variáveis discretas, chama-se função massa de probabilidade
conjunta à função p(x, y) que associa a cada valor de (X, Y ) a respetiva pro-
babilidade, isto é:
p(xi , yj ) = P (X = xi ∩ Y = yj ), (4.44)
XX
p(xi , yj ) = 1 (4.45)
i j
Z +∞
fX (x) = fXY (x, y) dy; (4.47)
−∞
Z +∞
fY (y) = fXY (x, y) dx. (4.48)
−∞
onde fXY (x, y) representa a FDP conjunta do vetor (X, Y ) e fY (y) a FDP
marginal de Y . De forma análoga, a distribuição de Y dado X = x, é denida
por:
fXY (x, y)
fY |X (y | x) = , (4.52)
fX (x)
onde fX (x) representa a FDP marginal de X.
Note-se que as distribuições condicionadas, conforme denidas pelas expres-
sões acima, são verdadeiras distribuições de probabilidade, isto é, o integral da
função densidade ao longo do seu domínio é unitário. Com efeito, tomando
como referência a Eq. (4.51), tem-se:
Z +∞ Z +∞
fXY (x, y)
fX|Y (x | y) dx = dx
−∞ −∞ fY (y)
Z +∞
1
= fXY (x, y) dx
fY (y) −∞
fY (y)
= = 1.
fY (y)
Z +∞ Z +∞
f (x) = f (x, y) dy = f (x | y) f (y) dy, (4.54)
−∞ −∞
Z +∞ Z +∞
f (y) = f (x, y) dx = f (y | x) f (x) dx. (4.55)
−∞ −∞
5
Omitiram-se os índices por razões de clareza de leitura.
Vetores aleatórios e distribuições conjuntas de probabilidade 47
tem-se:
f (x, y)
f (x | y) =
f (y)
f (y | x) f (x)
=
f (y)
f (y | x) f (x)
= R +∞ ,
−∞ f (y | x) f (x) dx
f (y | x) f (x)
f (x | y) = R +∞ (4.56)
−∞ f (y | x) f (x) dx
f (x | y) f (y)
f (y | x) = R +∞ . (4.57)
−∞ f (x | y) f (y) dy
P (Y = yj | X = xi ) P (X = xi )
P (X = xi | Y = yj ) =
P (Y = yj )
P (Y = yj | X = xi ) P (X = xi )
=P ,
i [P (Y = yj | X = xi ) P (X = xi )]
p(y | x) p(x)
p(x | y) = P , (4.58)
[p(y | x) p(x)]
todo x
P (A | X = x) f (x)
f (x | A) = .
P (A)
48 Conceitos elementares de probabilidade
4.5.6 Covariância
Considere-se o vetor aleatório (X, Y ). Chama-se covariância entre X e Y à
quantidade:
Cov(X, Y ) = E (X − µX )(Y − µY ) (4.60)
Z +∞Z +∞
Cov(X, Y ) = (X − µX )(Y − µY )fXY (x, y) dxdy. (4.61)
−∞ −∞
O contrário não é em geral verdade, isto é, covariância nula não implica inde-
pendência. Na verdade as variáveis X e Y podem até ser totalmente depen-
6
dentes entre si e a sua covariância ser nula . Ou seja, o facto da covariância
ser nula nada diz a respeito da independência estatística entre as variáveis.
Um parâmetro diretamente relacionado com a covariância entre duas variá-
veis é o chamado Coeciente de correlação. Chama-se Coeciente de correlação
entras as variáveis X Y à quantidade:
Cov(X, Y )
ρXY = (4.64)
σX σY
6
Duas variáveis são totalmente dependentes quando se relacionam entre si por meio de
um modelo determinístico.
Vetores aleatórios e distribuições conjuntas de probabilidade 49
Cov(X, X)
ρXX =
σX σX
E (X − µX )2
= 2
σX
2
σX
= 2 = 1.
σX
−1 ≤ ρXY ≤ 1. (4.65)
n n X
n
!
X X
Var ai Xi = ai bj Cov(Xi , Xj ). (4.67)
i=1 i=1 j=1
7 0
6 -1
5 -2
Y
Y
4 -3
3 -4
2 -5
1 2 3 4 5 6 1 2 3 4 5 6
X X
6 0
5 -1
Y
4 -2
3 -3
2 -4
1 -5
1 2 3 4 5 6 1 2 3 4 5 6
X X
5 5
4 4
Y
3 3
2 2
1 1
0 0
1 2 3 4 5 6 1 2 3 4 5 6
X X
Técnicas de estimação
estatística
1
Por vezes diz-se população X quando nos referimos à variável X .
51
52 Técnicas de estimação estatística
5.1.2 Estatística
Estatística é qualquer função de amostra aleatória, isto é, qualquer função do
tipo Y = Y (X1 , . . . , Xn ). Estatísticas são usadas com o objetivo de estimar
características de uma população a partir de amostras dela extraídas. Por esse
motivo, as estatísticas também se designam por estimadores.
Uma estatística, ou estimador, sendo função de variáveis aleatórias, é ela
própria uma variável aleatória, possuindo assim uma determinada FDP, assim
como valor esperado e desvio padrão. Quando o valor esperado do estimador
coincide com o parâmetro da população a estimar, diz-se que o estimador é
centrado. Quando tal não se verica, diz-se que se trata de um estimador
enviesado.
O desvio padrão de uma estatística, designado habitualmente por erro pa-
drão, constitui uma medida da precisão da estatística. Quanto mais baixo for
o erro padrão, mais precisa é a estatística.
Duas estatísticas muito importantes são a média amostral e a variância
amostral, a primeira usada para estimar a média de uma população e a segunda
usada para estimar a variância. Ambas são consideradas boas estimativas.
Dada uma amostra {X1 , . . . , Xn }, a média amostral é denida por:
n
1X
X̄ = Xi . (5.1)
n
i=1
n
1 X
S2 = (Xi − X̄)2 (5.2)
n−1
i=1
√
S = S2 (5.3)
V = S/X̄. (5.4)
1 Pn
(Xi − X̄)3
n i=1
η= s !3 , (5.5)
1 Pn
(Xi − X̄)2
n i=1
1 P n
(Xi − X̄)4
n i=1
k= 2 . (5.6)
1 Pn
(Xi − X̄)2
n i=1
Estes dois estimadores fornecem estimativas enviesadas. No entanto é possível
encontrar na literatura da especialidade correções a esses estimadores de forma
a torná-los centrados.
Estimação de parâmetros das distribuições 53
ciente de assimetria e o 4.
o momento corresponde ao coeciente de curtose.
v = {14.9, 22.2, 21.5, 16.6, 18.6, 14.8, 16.3, 20.3, 18.6, 21.6} [m/s]
Resolução
Começa-se por estimar a média e desvio padrão da amostra dada:
v̄ = 18.54 m/s;
s = 2.80 m/s.
√ √
6γ 6 × 0.5772
û = µX − σX = 18.54 − 2.80 = 17.3 m/s;
π π
π π −1
α̂ = √ =√ = 0.46 (m/s) .
6 σX 6 2.80
n
Y
L(θ | x1 , . . . , xn ) = fX (xi | θ). (5.7)
i=1
â = x̄ − s
b̂ = x̄ + s
â = min{x1 , . . . , xn }
b̂ = max{x1 , . . . , xn }
as quais, no presente caso, são mais intuitivas do que as dadas pelo método
dos momentos.
Estimação de quantis 55
Resolução
Recorrendo à função mle() do MATLAB, que devolve as estimativas
de máxima verosimilhança, e ao seguinte script :
clear ; clc ;
x = [14.9 ,22.2 ,21.5 ,16.6 ,18.6 ,14.8 ,16.3 ,20.3 ,18.6 ,21.6];
gumbelpdf = @ (x ,u , a ) a * exp (- a *( x - u ) - exp ( - a *( x - u ) ) ) ;
phat = mle (x , ' pdf ' , gumbelpdf , ' start ' ,[10 ,.5])
û = 17.21 m/s;
−1
α̂ = 0.42 (m/s) .
Xp = µX + kp σX , (5.10)
n
1X
µ̂X = x̄ = xi
n
i=1
s
1 P n
σ̂X = sX = (xi − x̄)2
n − 1 i=1
Uma vez que x̄ e sX são boas estimativas de µX e σX , segue que uma boa
estimativa do quantil p da população é dada por:
X̂p = x̄ + kp sX . (5.11)
fc = {63.5, 65.5, 68.5, 45.0, 41.0, 44.5, 60.5, 37.5, 34.5} [MPa]
Resolução
Começa-se por estimar a média e o desvio padrão da amostra. Obtém-
se: x̄ = 51.17 MPa; s = 13.21 MPa. Assim, uma estimativa do valor
característico da resistência do betão é:
B, p. 181), em que:
a = x̄
r
1
b = sX 1+
n
ν =n−1
Observa-se assim que, apesar da população ser Normal, os cálculos proba-
bilísticos que envolvem X serão efeitos a partir de uma distribuição t-Student,
que tem caudas mais pesadas que a distribuição Normal. Tal permite ter em
conta o efeito da incerteza estatística.
O resultado expresso na Eq. (5.12) mostra que a predição de valores de X
pode ser feita a partir da expressão:
X = a + b Tn−1
r
1
= x̄ + sX 1+ Tn−1 , (5.13)
n
onde Tn−1 representa uma variável t-Student reduzida, com ν = n−1 graus
de liberdade. Por conseguinte, o quantil p de X pode ser estimado por:
com
r
1
kpn = 1+ tp,n−1 (5.15)
n
n
p
2 3 4 5 7 10 15 20 30 ∞
0.05 7.73 3.37 2.63 2.34 2.08 1.92 1.82 1.77 1.73 1.645
0.95 7.73 3.37 2.63 2.34 2.08 1.92 1.82 1.77 1.73 1.645
Resolução
r
1
kpn = 1+ t.05,9−1 = −1.96
9
fˆck = 51.1 − 1.96 × 13.21 = 25.3 MPa
58 Técnicas de estimação estatística
r !
1
P (X < 0) = P x̄ + s 1 + Tn−1 < 0
n
−x̄
= P Tn−1 < q
s 1 + n1
−x̄
= FTn−1 q
1
s 1+ n
= FT8 (−3.67)
= tcdf(-3.67,8)
= 0.032.
{x1 , . . . , xn } = {ln y1 , . . . , ln yn };
2. determina-se:
n
s
1X 1 P n
x̄ = xi ; sX = (xi − x̄)2 ;
n n − 1 i=1
i=1
X̂p = x̄ + kpn sX ,
2
Recorde-se que uma variável Y é Lognormal quando a variável X = ln Y é Normal. (Ver
Anexo B, p. 178)
Estimação de valores característicos recorrendo a ensaios indiretos 59
Resolução
Recorrendo ao código MATLAB abaixo, obteve-se fˆck = 29.7 MPa.
Podemos considerar esta estimativa melhor que a estimativa obtida com
o modelo Normal, pelos motivos apontados anteriormente.
clear ; clc ;
fc = [63.5 , 65.5 , 68.5 , 45.0 , 41.0 , 44.5 , 60.5 , 37.5 ,
34.5];
n = length ( fc ) ;
x = log ( fc ) ;
xbar = mean ( x )
sx = std ( x )
%
xk = xbar + sx * sqrt (1 + 1/ n ) * tinv (0.05 , n -1)
fck = exp ( xk )
s
1 (x − x̄)2
fˆck (x) = β̂0 + β̂1 x + σ̂ 1+ + t0.05,n−2 (5.17)
n Sxx
n
X
x̄ = xi ,
i=1
n
X
Sxx = (xi − x̄)2 .
i=1
3
A utilização da mediana em vez da média tem a vantagem de eliminar automaticamente
outliers.
62 Técnicas de estimação estatística
r
1 (36 − 36.3)2
fˆck = −21.78 + 1.14 × 36 + 2.12 1 + + t0.05,19
21 150.7
= 15.5 MPa
26
Resistência do betão, y, [MPa]
24 y = -21.7832 + 1.1429x
R2 = 0.69724
22
20
18
16
14
12
10
30 32 34 36 38 40 42
Índice esclerométrico, x
65
66 Método de Monte Carlo
clear ; clc ;
b = 0.30; d = 0.55;
As = 3*3.14 e -4;
n = 1000;
fy = normrnd (560 e3 ,30 e3 ,n ,1) ;
fc = normrnd (35 e3 ,4.2 e3 ,n ,1) ;
%
MR = fy * As .*( d - 0.50* fy * As ./( fc * b ) );
mMR = mean ( MR )
varMR = var ( MR )
sMR = std ( MR )
VMR = sMR / mMR
Análise de funções de variável aleatória pelo método de Monte Carlo 67
×104
10
Frequências absolutas
6
0
200 250 300 350
Momento resistente, MR [kNm]
%
MR = fy * As .*( d - 0.50* fy * As ./( fc * b ) );
mMR = mean ( MR )
sMR = std ( MR )
VMR = sMR / mMR
%
[ BinCounts , BinLocations ] = hist ( MR ,40) ;
BinWidth = BinLocations (2) - BinLocations (1) ;
HistArea = BinWidth * sum ( BinCounts );
hist ( MR ,40)
set ( gca , ' FontSize ' ,18.3)
h1 = findobj ( gca , ' Type ' , ' patch ') ;
set ( h1 , ' FaceColor ' , ' none ' , ' Linewidth ' ,1) ;
hold on
x = linspace ( min ( MR ) , max ( MR ) ,50) ;
y = normpdf (x , mMR , sMR ) ;
plot (x , y * HistArea , ' Color ' , ' blue ' ,' LineWidth ' ,2)
xlabel ( ' Momento resistente , {\ it M_R } [ kNm ] ')
ylabel ( ' Frequencias absolutas ')
legend ( ' Histograma ' , ' Ajuste Normal ')
hold off
×104
10
Histograma
Ajuste Normal
8
Frequências absolutas
6
0
200 250 300 350
Momento resistente, MR [kNm]
MRk = quantile(MR,0.05)
obteve-se MRk = 253.2 kNm.
Para estimar MRk poderíamos ser tentados a calcular fyk e fck , e depois
fazer MRk = g(fyk , fck ). Este procedimento, embora intuitivo, não está cor-
reto. No exemplo acima teríamos obtido MRk = 250.8 kNm e o valor correto
é 253.2 kNm. Neste exemplo concreto a diferença não é signicativa, mas em
casos de funções fortemente não lineares, o erro pode ser signicativo.
1
µP̂ = n µI
n
= p.
1
σP̂2 = n σI2
n2
p(1 − p)
= .
n
O desvio padrão é a raíz quadrada da variância, ou seja:
r
p(1 − p)
σP̂ = .
n
Análise de funções de variável aleatória pelo método de Monte Carlo 71
r !
p(1 − p)
P̂ ∼ N p, . (6.6)
n
donde, fazendo
r
p(1 − p)
e = 1.96 , (6.7)
n
a que podemos chamar erro do estimador P̂ , podemos escrever:
P p − e ≤ P̂ ≤ p + e = 0.95 (6.8)
r
p̂(1 − p̂)
ê = 1.96 . (6.9)
n
Assim, em conclusão, ao estimarmos p usando o método descrito anterior-
mente, tem-se uma conança de aproximadamente 95% de que a estimativa
encontrada, p̂, não deverá diferir do verdadeiro valor mais do que ê, dado por
(6.9).
Muitas vezes tem-se uma melhor perceção da magnitude do erro, usando,
não o erro absoluto, mas o erro relativo, denido por:
s
ê 1 − p̂
êr = = 1.96 (6.10)
p̂ p̂ n
Resolução
Recorrendo à Eq. (6.10), com p̂ = 0.01 e n = 100 000, vem:
s
1 − 0.01
êr = 1.96 = 6.2%
(0.01)(100000)
2
1.96 1 − p̂
n= , (6.11)
êr p̂
1 − p̂
n ≈ 1600 . (6.12)
p̂
Z a a
P (U ≤ a) = 1 du = u = a.
0 0
P (X ≤ x) = P (FX−1 (U ) ≤ x)
= P U ≤ FX (x) = FX (x).
1. gerar u ∼ Un(0, 1)
2. −1
obter x = FX (u)
1
Para o leitor interessado em aprofundar este assunto, citam-se duas referências impor-
tantes no domínio da geração de números aleatórios: o livro Simulation and the Monte Carlo
Method (Rubinstein, 1981) e o livro Simulation Modeling & Analysis (Law, 2007).
Geração de amostras aleatórias 73
1. gerar p ∼ Un(0, 1)
2. obter x = u − (1/α) ln(− ln p)
Apresenta-se de seguida um exemplo que ilustra a aplicação deste algoritmo.
Resolução
√
6 × 0.5772
u=8− (0.10 × 8) = 7.64 kN/m;
π
π
α= √ = 1.60 (kN/m)−1 .
6 (0.10 × 8)
1 − 2.0 × 10−6
n = 1600 ≈ 800 000 000 simulações.
2.0 × 10−6
Uma vez que o computador usado no momento de preparação deste
exemplo não tinha memória suciente para executar numa única
vez um número tão grande de simulações, a rotina foi executada 16
vezes, perfazendo o número de simulações desejado. Temos assim
forte conança que o valor pf = 2.0×10−6 (obtido pela média dessas
16 corridas) tem um erro máximo de 5%.
L = 8.0;
b = 0.30; d = 0.55;
As = 3*3.14 e -4;
%
nsim = 50000000;
%
g = normrnd (16 ,.05*16 , nsim ,1) ;
rnd = unifrnd (0 ,1 , nsim ,1) ;
q = 7.64 - (1/1.6) * log ( - log ( rnd ) ) ;
ME = ( g + q ) * L ^2/8;
%
fy = normrnd (560 e3 ,.05*560 e3 , nsim ,1) ;
fc = normrnd (35 e3 ,0.12*35 e3 , nsim ,1) ;
MR = fy * As .*( d - 0.50* fy * As ./( fc * b ) );
%
Geração de amostras aleatórias 75
I = ( ME > MR ) ;
pf = sum ( I ) / nsim
Comentários:
(1) Se a distribuição da ação q referir-se aos máximos em 50 anos, então
a probabilidade estimada pode ser interpretada como a probabili-
dade de rotura para um período de utilização da estrutura de 50
anos.
0.05
0.045
0.04
Densidade de probabilidade
0.035
0.03
0.025
0.02
0.015
0.01
0.005
0
150 200 250 300 350
Momentos, M E e M R [kNm]
hold on
histogram ( ME ,80 , ' Normalization ' , ' pdf ' , ' FaceColor ' , '
none ')
histogram ( MR ,80 , ' Normalization ' , ' pdf ' , ' FaceColor ' , '
none ')
set ( gca , ' FontSize ' ,11/.7)
xlabel ( ' Momentos , {\ it M_E } e {\ it M_R } [ kNm ] ')
76 Método de Monte Carlo
1. gerar u ∼ Un(0, 1)
2. −1 1/n
obter x = FX (u )
Resolução
Em primeiro lugar há que determinar quantos camiões atravessam a
ponte em 50 anos. Tem-se: n = 150 × 365 × 50 = 2 737 500 camiões. A
seguinte rotina MATLAB permite responder às questões formuladas:
clear ; clc ;
n = 150*365*50;
nsim = 1000000;
%
u = unifrnd (0 ,1 , nsim ,1) ;
Pmax = norminv ( u .^(1/ n ) ,16 ,8) ;
Geração de amostras de variáveis multivariadas 77
%
m_Pmax = mean ( Pmax )
s_Pmax = std ( Pmax )
Pmaxk = quantile ( Pmax ,.95)
%
I = ( Pmax >= 60) ;
p = sum ( I ) / nsim
b) p = 0.05.
Nota: Esta probabilidade já tinha sido calculada analiticamente
no Problema 4.8 (p. 42). Como se acaba de constatar, o método de
MC conduziu ao mesmo resultado, como não podia deixar de ser.
0.25
0.2
Densidade de probabilidade
0.15
0.1
0.05
0
50 55 60 65 70 75 80
Peso dos camiões (máximos em 50 anos) [ton]
1
As alternativas também são designadas cursos de ação, ou simplesmente ações.
79
80 Segurança estrutural como problema de decisão
X
E(C | ai ) = C(ai , θj ) p(θj | ai ). (7.1)
j
A decisão mais racional deve recair na alternativa com maior utilidade espe-
rada.
É claro que se os benefícios forem iguais em todas as alternativas, podem
ser removidos do problema de decisão. Neste caso a alternativa com maior
utilidade corresponde à alternativa com menores perdas.
No caso de problemas complexos envolvendo diversas variáveis de estado é
de ajuda esquematizar o problema de decisão na forma de uma árvore, chamada
árvore de decisão, como se ilustra na Figura 7.1 para o caso de existirem duas
variáveis de estado θ1 e θ2 .
Figura 7.1 Representação de uma árvore de decisão com duas variáveis de estado,
θ1 θ2e .
Resolução
√
X 2
Fy = 0 ⇔ 2N −Q=0
2
Q
⇔ N=√ .
2
pf 1 = P (N > R)
Q
= P √ > fy As
2
Q
= P fy < √
2 As
= 2.2 × 10−8 .
pf = P (A ∪ B)
= P (A) + P (B) − P (A ∩ B).
Assumindo que as resistências dos aços nos dois tirantes são inde-
pendentes, P (A ∩ B) = P (A) P (B), donde:
P (θ1 | a1 ) = 0.011
P (θ2 | a1 ) = 1 − 0.011 = 0.989
P (θ1 | a2 ) = 4.4 × 10−8
P (θ2 | a2 ) = 1 − 4.4 × 10−8 = 1.00.
Resolução
O problema de decisão resolve-se muito facilmente recorrendo à árvore
de decisão esquematizada na Figura junta.
84 Segurança estrutural como problema de decisão
Funtamentos da teoria da
fiabilidade estrutural
R − E < 0.
85
86 Funtamentos da teoria da abilidade estrutural
5(g + q)L4
δ=
384EI
Resolução
A condição de segurança é δ ≤ δmax , donde,
M = δmax − δ
L 5(g + q)L4
= − .
500 384EI
O vetor das variáveis básicas tem 5 componentes: X = (g, q, L, E, I).
pf = P (M < 0)
= P g(X) < 0
Z Z
= · · · fX1 ···Xn (x1 , . . . , xn ) dx1 · · · dxn , (8.1)
X:g(X)<0
onde fX1 ···Xn (x1 , . . . , xn ) representa a FDP conjunta do vetor das variáveis
básicas.
Particularize-se a formulação acima para o caso do problema de abilidade
de duas variáveis, E e R, respetivamente efeito de ação e resistência corres-
pondente. A função EL é neste caso dada por M = g(R, E) = R − E . Seja
fRE (r, e) a FDP conjunta do vetor (R, E). A probabilidade de falha é então
dada por:
pf = P (M < 0)
= P g(R, E) < 0
ZZ
= fRE (r, e) drde. (8.2)
(r,e):g<0
Método analítico.
Integração numérica.
Método de Monte Carlo (MC).
a) Método analítico.
b) Método de Monte Carlo.
Resolução
M = NR − NE ,
4
M = fpy Ap − Q.
3
A margem de segurança é assim uma combinação linear de variáveis
normalmente distribuídas, pelo que é também normalmente distri-
buída. A média da margem de segurança é:
4
µM = (8.04 × 10−4 )(920 × 103 ) − 300 = 339.68 kN,
3
e o desvio padrão é:
s 2
4
σM = (8.04 × 10−4 )2 (50 × 103 )2 + (502 ) = 77.85 kN.
3
pf = P (M < 0)
= normcdf(0,339.68,77.85)
= 6.4 × 10−6 .
nsim = 10000000;
Q = normrnd (300 ,50 , nsim ,1) ;
fpy = normrnd (920 e3 ,50 e3 , nsim ,1) ;
NE = (4/3) * Q ;
NR = fpy * Ap ;
M = NR - NE ;
pf = sum ( M < 0) / nsim
1000
900
700
600
NE [kN]
500
)
ite
400 lim
do
sta
300 (E
0
=
M
200
0
0 100 200 300 400 500 600 700 800 900 1000
NR [kN]
pf = Φ(−β) (8.6)
0.9
0.8
Probabilidade de falha, p f
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
Índice de fiabilidade, β
pf = P (M < 0)
0 − µM
=Φ
σM
µM
=Φ − . (8.8)
σM
µM = µR − µE ,
q
σM = σR 2 + σ2 .
E
Índice de abilidade 95
e portanto,
µM µR − µE
β= =q .
σM 2 + σ2
σR E
µM
βC =
σM
é conhecida hoje por índice de Cornell (Madsen et al., 2006). Do exposto
anteriormente, podemos armar que:
M ∼ N(µM , σM ) ⇒ β ≡ βC .
0.025
0.02
Densidade de probabilidade
0.015
0.01
0.005
0
-50 0 50 100 150 200
Margem de segurança [kNm]
1
Um processo estocástico X(t) é uma coleção de variáveis aleatórias em sucessão no
tempo, cada uma possuindo a sua própria distribuição de probabilidade.
Fiabilidade estrutural e fator tempo 97
Figura 8.6 Realização particular dos processos R(t) e E(t). Neste caso
particular não ocorreu falha estrutural.
O problema formulado em termos de processos estocásticos diz-se problema
de abilidade dependente do tempo. Em muitos casos, porém, é possível subs-
tituir os processos estocásticos por simples variáveis aleatórias, tornando o
problema de abilidade bastante mais simples. Uma forma de o fazer consiste
em discretizar os processos estocásticos no tempo. Suponha-se que se deseja
determinar a probabilidade de falha num intervalo de tempo especíco, diga-
mos ∆t, e que nesse intervalo não há qualquer deterioração signicativa dos
materiais, o que equivale a assumir que R permanece constante nesse intervalo.
Se o intervalo ∆t não for muito grande, esta hipótese é razoável. A Figura 8.7
mostra uma realização particular dos processos R(t) e E(t) no intervalo ∆t,
tendo-se assumido R constante.
onde Emax (∆t) representa o valor máximo de E(t) no intervalo ∆t. Isto signi-
ca que, para determinar tal probabilidade, não é necessário conhecer todo o
processo E(t) em ∆t, mas apenas o seu máximo nesse intervalo. Podemos assim
concluir que as distribuições de máximos (que em conjunto com as distribui-
ções de mínimos são conhecidas por distribuições de extremos) desempenham
um papel fundamental nos problemas de abilidade.
Analisemos agora o que se passa numa sucessão de n intervalos de tempo.
Admita-se que os máximos de E(t) em intervalos sucessivos são independen-
2
tes , podendo as respetivas distribuições permanecer idênticas ou não. Rela-
tivamente à resistência R admita-se que existe deterioração de intervalo para
intervalo (o que se traduz numa diminuição da resistência gradual), mas que
dentro do intervalo de tempo ∆ti permanece constante. Estas hipóteses equi-
valem a substituir os processos estocásticos E(t) e R(t), por processos retan-
gulares, ou de valores constantes, como indicado na Figura 8.8.
2
O intervalo de tempo ∆t pode ser escolhido de forma a tornar plausível a hipótese de
independência. Quanto maior for o intervalo, mais plausível é tal hipótese.
Fiabilidade estrutural e fator tempo 99
então escrever:
pf n = 1 − (1 − pf 1 )n . (8.12)
n/m
pf n = 1 − 1 − pf m (8.14)
0.8
0.6
0.4
0.2
0
0 1 2 3 4 5
Número de intervalos de tempo, n ×105
Resolução
No presente caso desejamos determinar pf 5 a parir de pf 50 . Portanto,
100 Funtamentos da teoria da abilidade estrutural
5/50
pf 5 = 1 − 1 − pf 50
5/50
pf 5 = 1 − 1 − 7.2 × 10−5
= 7.2 × 10−6 .
Como anteriormente, podemos deduzir uma expressão mais genérica que esta,
permitindo converter índices de abilidade referidos a períodos quaisquer, di-
gamos m e n intervalos de tempo. Obtém-se a seguinte expressão (deixa-se a
demonstração como exercício):
n/m
βn = Φ−1 Φ(βm ) (8.17)
Resolução
No presente caso desejamos determinar β1 a partir de β50 . Portanto,
Formatos de abilidade 101
1/50
β1 = Φ−1 Φ(β50 )
1/50
= Φ−1 Φ(3.8)
= 4.68.
Ed ≤ Rd , (8.18)
onde:
Resolução
3
Estudaremos no Capítulo 11 o signicado preciso deste coeciente.
Formatos de abilidade 103
a) Tem-se:
b) A condição de segurança é:
NEd ≤ NRd ,
NEd = 13.33(γg gk + γq qk )
= 13.33(1.35 × 15.2 + 1.5 × 0.5) = 481.5 kN.
fpyk
NRd = fpyd Ap = Ap
γM
83.8
= 4.91 = 357.7 kN,
1.15
donde a segurança não se encontra satisfeita, pois NEd > NRd .
β ≥ βT , (8.21)
4
O nome FORM vem da expressão inglesa First Order Reliability Method.
104 Funtamentos da teoria da abilidade estrutural
pf ≤ pf T , (8.22)
1 − 1.0 × 10−5
n = 1600 ≈ 160 000 000 simulações
1.0 × 10−5
para se obter (com uma conança de 95%) um erro máximo de 5%. Até aqui
não se sentiu qualquer diculdade, pois as funções EL usadas foram relativa-
mente fáceis de avaliar, não exigido ao computador mais do que 1 ou 2 segundos
para realizar um milhão de simulações. Mas, suponhamos que em cada simu-
lação é necessário analisar a estrutura usando um modelo mais complexo, e
que tal análise demora 1 segundo. A realização de 1 milhão de simulações iria
demorar 1 milhão de segundos, ou seja, 11 dias e meio, tornando o método
impraticável.
Felizmente estão disponíveis técnicas de redução da variância que possi-
bilitam uma redução muito signicativa do número de simulações requeridos
para se conseguir uma determinada precisão. Uma das mais utilizadas no do-
mínio da segurança estrutural é a chamada amostragem de importância. Esta
e outras técnicas ultrapassam o âmbito desta disciplina, pelo que não serão
aqui consideradas. O Método de MC que empregamos até aqui é chamado de
Método de MC puro ou básico, designação esta que o permite distinguir de
outros métodos de MC, nomeadamente os que empregam técnicas de redução
da variância.
Apresenta-se de seguida mais um exemplo de aplicação do método de MC
básico.
Formatos de abilidade 105
Resolução
NE = 13.33(g + q).
NR = fpy Ap .
nsim = 50000000;
Ap = 4.91 e -4;
%
% Variaveis basicas
g = normrnd (14 ,.7 , nsim ,1) ;
rnd = unifrnd (0 ,1 , nsim ,1) ;
q = 8.4 - (1/1.5) * log ( - log ( rnd ) ) ;
fpy = normrnd (920 e3 ,50 e3 , nsim ,1) ;
%
% Transformacoes
NE = 13.33*( g + q ) ;
NR = fpy * Ap ;
M = NR - NE ;
pf = sum ( M < 0) / nsim
pf 100 = 1 − (1 − pf 50 )100/50
= 1 − (1 − 0.26 × 10−5 )2
= 0.52 × 10−5 .
Rf = pf · Cf , (8.23)
onde Rf representa o risco estimado, calculado pela Eq. (8.23), e Rtol repre-
senta o risco máximo tolerável. Se o risco estimado ultrapassar o valor máximo
tolerável, há duas formas de o reduzir: aumentar a abilidade da estrutura ao
EL em questão, ou implementar medidas suscetíveis de mitigar as consequên-
cias envolvidas.
A especicação do risco máximo tolerável baseia-se em geral no chamado
princípio ALARP ( As Low As Reasonably Practicable ), que se esquematiza na
Figura 8.11. Conforme se observa, existem 3 zonas de risco:
Uma zona onde o risco é baixo, devendo por isso ser aceite sem qualquer
restrição.
Uma zona intermédia, onde o risco é aceitável, mas a sua aceitação deve
ser acompanhada de medidas que o reduzam segundo o que for razoavel-
mente praticável.
Uma zona onde o risco é demasiado elevado, sendo por isso inaceitável
(a não ser em casos muito excecionais).
Figura 8.12 Exemplo de uma matriz gradativa de risco. A zona ALARP corres-
ponde à zona a amarelo. (Adaptado da EN 1991-1-7 (2006), Anexo B.)
De referir ainda que poderá haver situações em que seja prático transferir
o risco para uma companhia de seguros, a qual aceita o risco em troca de uma
remuneração, em geral na forma de um prémio anual. O próximo exemplo
ilustra a aplicação da ideia dos seguros.
5
O estudo destas ferramentas está fora do âmbito da presente disciplina.
Fiabilidade de sistemas 109
Resolução
Começa-se por determinar a probabilidade de falha anual:
pf 1 = 1 − (1 − pf 50 )1/50
= 1 − (1 − 0.26 × 10−5 )1/50
= 5.2 × 10−8 .
sistemas em série;
sistemas em paralelo;
sistemas mistos.
= pf 1 + pf 2 − pf 1 pf 2 .
Uma vez que a probabilidade é uma quantidade positiva, podemos armar que,
para este caso, pf sys ≤ pf 1 + pf 2 . Podemos também armar que, para pf 1 e
pf 2 pequenos, pf sys ≈ pf 1 + pf 2 .
Na segunda situação (correlação perfeita), podemos escrever:
= pf 1 + pf 2 − pf 2
= pf 1 ,
= pf 1 + pf 2 − pf 1
= pf 2 .
pf sys = max{pf 1 , pf 2 }.
k
Y k
X
pf sys = 1 − (1 − pf i ) ≈ pf i (8.25)
i=1 i=1
Numa situação real estaremos numa situação intermédia entre esses dois
casos extremos, pelo que, para sistemas em série, podemos escrever
k
X
max{pf 1 , . . . , pf k } ≤ pf sys ≤ pf i (8.27)
i=1
112 Funtamentos da teoria da abilidade estrutural
Resolução
Aplicando a Eq. (8.27) vem:
dada por:
pf sys = P g1 < 0 ∩ g2 < 0 .
Novamente, podemos considerar duas situações extremas: (1) independência
entre os eventos g1 < 0 e g2 < 0, e (2) correlação perfeita entre esses eventos.
Na primeira situação, tem-se:
pf sys = pf 1 × pf 2 .
ou ainda,
pf sys = P g2 < 0 | g1 < 0 pf 1 = pf 1 .
| {z }
1.00
pf sys = min{pf 1 , pf 2 }.
k
Y
pf sys = pf i (8.28)
i=1
Numa situação real estaremos algures entre esses dois casos extremos, pelo
que, para sistemas em paralelo, podemos escrever:
k
Y
pf i ≤ pf sys ≤ min{pf 1 , . . . , pf k } (8.30)
i=1
dois dos três tirantes para a estrutura colapsar, mas não é necessário que se
dê a rotura dos três. Estamos assim perante um sistema misto. Este exem-
plo sugere que a grande maioria das estruturas reais correspondem a sistemas
mistos.
Sejam g1 , g2 e g3 as funções EL correspondentes à rotura dos tirantes 1,
2 e 3, respetivamente. A probabilidade de colapso da estrutura é assim dada
por:
pf sys = P (g1 < 0 ∩ g2 < 0) ∪ (g1 < 0 ∩ g3 < 0) ∪
∪ (g2 < 0 ∩ g3 < 0) . (8.31)
Resolução
Método FORM
Como vimos no Capítulo anterior, o método FORM faz parte dos formatos
de abilidade de nível II, caracterizados por serem formatos probabilísticos
simplicados. Apesar do método de não conduzir a valores exatos do índice
de abilidade, o erro é em geral pequeno. Comparativamente com o método
de MC, o método FORM apresenta a vantagem de exigir muito menos es-
forço computacional. Por se tratar de um método popular, justica-se a sua
consideração aqui.
2
X1 ∼ N(µ1 , σ1 ); X2 ∼ N(µ2 , σ2 ); Cov(X1 , X2 ) = σ12 .
µM a0 + a1 µ1 + a2 µ2
β= =p 2 2 . (9.1)
σM a1 σ1 + a22 σ22 + 2a1 a2 σ12
2
Xi − µi
Xi → Zi : Zi = ⇔ Xi = µi + σi Zi .
σi
Naturalmente Zi ∼ N(0, 1). O espaço das novas variáveis, Z1 e Z2 , diz-se
espaço normalizado. Escreva-se agora a função g neste novo espaço:
M = g(X1 , X2 ) = a0 + a1 X1 + a2 X2
= a0 + a1 (µ1 + σ1 Z1 ) + a2 (µ2 + σ2 Z2 )
= a0 + a1 µ1 + a1 σ1 Z1 + a2 µ2 + a2 σ2 Z2
= gZ (Z1 , Z2 ).
115
116 Método FORM
pf = P (M < 0) = P g(X1 , X2 ) < 0
= P gZ (Z1 , Z2 ) < 0 .
a0 + a1 µ1 + a2 µ2
d= p 2 2 . (9.2)
a1 σ1 + a22 σ22
tal que a não linearidade ocorra numa zona afastada do ponto de dimensiona-
mento.
Em resumo, a essência do método FORM consiste em encontrar o ponto
da superfície gZ = 0 mais próximo da origem do espaço normalizado. O
problema da determinação do índice βF ORM pode assim ser encarado como um
problema de otimização (minimização duma distância, neste caso), podendo
ser formulado da seguinte forma (Figura 9.4):
p
minimizar d = z12 + · · · + zn2
sujeito a gZ (z1 , . . . , zn ) = 0
βFORM . 1 2
onde FXi (·) representa a FDC da variável Xi . Um caso particular desta trans-
formação é quando Xi ∼ N (µi , σi ). Neste caso a transformação simplica-se,
vindo:
Xi − µi
Zi = ⇔ Xi = µi + σi Zi . (9.4)
σi
Descrição do método 119
Resolução
O vetor das variáveis básicas é o vetor X = (g, q, fpy ). Começa-se por
criar o seguinte cheiro MATLAB:
form.m
clear ; clc ;
z0 = [0 0 0]; % Ponto inicial . Tantas componentes quantas
as var . basicas
[ z d ] = fmincon ( @funobj , z0 ,[] ,[] ,[] ,[] ,[] ,[] , @sbjto ) ;
beta = d
funobj.m
120 Método FORM
function d = funobj ( z )
d = sqrt ( sum ( z .^2) ) ;
end
sbjto.m
zid
αi = − (9.5)
βFORM
n
X
αi2 = 1. (9.6)
i=1
Coecientes de sensibilidade FORM 121
n
X n
X
2 2 2
zid = (−αi β) ⇒ zid = (−αi β)2
i=1 i=1
n
X
2 2
⇔ β =β (−αi )2
i=1
n
X
⇔ 1= αi2 .
i=1
Xid = µi − αi β σi (9.8)
FE−1 Φ(−αE β)
Ed
γf = = , (9.9)
Ek FE−1 (0.95)
1
Por razões de simplicação de notação, omitiu-se o índice FORM no parâmetro β .
122 Método FORM
e para as resistências:
Rk F −1 (0.05)
γm = = −1 R . (9.10)
Rd FR Φ(−αR β)
Resolução
É necessário acrescentar novas instruções à rotina form.m, conforme se-
gue:
5%
g
q
fpy
32%
64%
Critérios de aceitação da
fiabilidade
Rf = pf Cf . (10.1)
125
126 Critérios de aceitação da abilidade
Observe-se que o risco de rotura, conforme denido pela Eq. (10.1), pode
ser visto como o custo esperado de rotura (ou o custo médio por estrutura que
esperaríamos pagar se tivéssemos muitas estruturas iguais em funcionamento).
Para se obter o custo de ciclo de vida de uma estrutura, é necessário contabilizar
esse custo, e adicioná-lo ao custo inicial (projeto e construção), sem esquecer
naturalmente o custo de manutenção. O custo de ciclo de vida, por vezes
chamado custo generalizado, é assim dado por:
Cg = Ci + Cm + p f Cf , (10.2)
Cg = Ci + Cm + p f Cf
= C0 + βC1 + Cm + Φ(−β)Cf . (10.3)
∂Cg 1 2
= C1 − Cf √ e−β /2 . (10.4)
∂β 2π
Igualando esta equação a zero e resolvendo em ordem a β, obtém-se o valor
ótimo de beta:
s
1 Cf
βopt = 2 ln √ · (10.5)
2π C1
1
A Eq. (10.2) é naturalmente simplicada, visto ignorar o facto dos diferentes custos
ocorrerem em instantes diferentes. Numa análise mais rigorosa, é necessário aplicar a esses
custos uma taxa de desconto de forma a transformá-los a um instante de referência comum.
Este aspeto, contudo, não tem inuência signicativa no resultado nal.
Otimização da abilidade 127
Resolução
Aplicando (10.5), e considerando que C1 = 1000 e Cf = 200 000, vem:
s
1 200 000
βopt = 2 ln √ = 2.96.
2π 1000
×104
11
10
9
Custo generalizado, Cg
3 β opt
2
1
0 1 2 3 4 5 6 7 8
Índice de fiabilidade, β
O índice de abilidade ótimo dado pela eq. (10.5) deve ser encarado como
a abilidade ótima da estrutura para a sua vida útil, pois resultou da minimi-
zação do custo de ciclo de vida. Como o período de vida útil não interviu na
análise, podemos concluir que tal abilidade ótima é independente do período
128 Critérios de aceitação da abilidade
2
de vida útil . A Tabela 10.1 exemplica valores de βopt para diferentes rácios
Cf /C1 3 . Os valores indicados para o período de 1 ano foram obtidos a partir
β1 = Φ−1 Φ(βn ) ,
da expressão considerando uma vida útil de n = 50 anos.
Período de referência
Cf /C1
1 ano Vida útil
10−6
pf 1 ≤ , (10.6)
P (d | f )
ou, em termos de índice de abilidade anual:
10−6
β1 ≥ −Φ . (10.7)
P (d | f )
2
Isto não é rigorosamente verdade, uma vez que os custos foram adicionados sem terem
sido previamente referidos a um instante comum. No entanto, como se disse anteriormente,
o erro introduzido por esta simplicação não é signicativo, de modo que se pode armar
que a abilidade ótima é pouco afetada pelo período de vida útil considerado.
3
Os rácios considerados na Tabela conduzem a valores de βopt semelhantes aos valores
recomendados pela NP EN 1990 (2009), Quadro B.2.
Fiabilidade alvo para estruturas novas 129
Esta condição (ou outra similar), pode ser encarada como uma restrição a
impor ao problema da minimização do custo generalizado. O problema da
determinação de βopt passa assim a ser um problema de otimização sujeito a
condições.
1 ano 50 anos
Note-se que os índices para esses dois períodos correspondem ao mesmo nível
de abilidade. Por exemplo, uma estrutura que tem uma abilidade de 3.8 em
50 anos, possui uma abilidade anual de
β1 = Φ−1 [Φ(3.8)]1/50 = 4.68 ≈ 4.7.
Por outras palavras, uma estrutura que tem uma probabilidade de 7.2 × 10−5
de colapsar em 50 anos de uso contínuo (β = 3.8), tem uma probabilidade de
colapsar em um ano qualquer de 1.3 × 10−6 (β = 4.7)5 .
A leitura da Tabela 10.2 deve ser feita por isso com cuidado. A coluna 50
anos deve ser encarada como a abilidade alvo a considerar para o período
de vida útil da estrutura, qualquer que este seja. Quando esse período é de 50
anos, a abilidade alvo anual é a indicada na coluna 1 ano. Para claricar
melhor a interpretação dos valores constantes na Tabela, considere-se o seguinte
exemplo. Suponhamos que se pretende projetar uma estrutura da classe RC2
4
Convém não confundir período de referência com período de vida útil. De acordo com
a NP EN 1990 (2009), tempo de vida útil de projeto é o período durante o qual se pretende
que uma estrutura ou parte da mesma seja utilizada para as funções a que se destina, com a
manutenção prevista, mas sem necessidade de grandes reparações. Período de referência é o
intervalo de tempo escolhido para a determinação da abilidade, e em particular o período
de tempo a que se refere a distribuição dos máximos das ações variáveis.
5
Estamos a admitir que a probabilidade de colapso se mantém constante de ano a ano,
isto é, que não há deterioração e as ações variáveis mantêm-se estacionárias.
130 Critérios de aceitação da abilidade
para uma vida útil de 100 anos. Essa estrutura deverá ter uma abilidade em
100 anos de 3.8, a que corresponde uma abilidade anual de:
β1 = Φ−1 [Φ(3.8)]1/100 = 4.82 ≈ 4.8,
valor este superior à abilidade alvo anual para uma estrutura com vida útil
de 50 anos, o que é lógico. De facto, faz sentido exigir uma abilidade anual
superior a uma estrutura que tenha de estar em serviço por mais tempo.
A Tabela 10.4 mostra as recomendações da Norma ISO 2394 (1998), que
se encontram mais descriminadas comparativamente com as recomendações do
Eurocódigo 0 (NP EN 1990, 2009), nomeadamente explicitando o custo relativo
do aumento da segurança. É interessante notar que a Norma não especica a
vida útil que considera, o que é compreensível em face dos comentários acima:
os valores de βT recomendados aplicam-se à vida da útil da estrutura, qualquer
que seja a sua duração.
Tabela 10.4 Valores de β recomendados pela ISO 2394 (1998)EL últimos e vida
útil de projeto
T
reproduzem na Tabela 10.5. A nova versão da Norma ISO 2394 (2015) reco-
menda exatamente os mesmos valores. Conforme se pode constatar, os valores
recomendados são globalmente mais baixos que os valores recomendados pela
versão anterior da Norma.
β1 = Φ−1 [Φ(3.8)]1/5 = 4.2.
Modelação de Ações
sobrecargas de utilização;
sismos;
vento;
variações de temperatura.
1
Em sentido mais amplo, as ações devem incluir certo tipo de inuências ambientais
suscetíveis de afetar o desempenho das estruturas, particularmente a sua durabilidade (por
exemplo, ação dos cloretos, ação da humidade, ação do CO2 ), ou mesmo suscetíveis de
provocar o seu colapso (por exemplo, erosão em fundações).
133
134 Modelação de Ações
colisões;
incêndios;
explosões;
queda de cimbre durante a construção;
tornados.
Qk (p, T ) = FQ−1
max,T
(p) (11.3)
com n = T /τ . n
Inverta-se agora a Eq. (11.4). Fazendo p = FQmax,T (q) = FQmax,τ (q) ,
tem-se:
n
p1/n = FQmax,τ (q)
p = FQmax,τ (q) ⇔
⇔ q = FQ−1
max,τ
(p1/n ).
Representação de ações 137
FQ−1
max,T
(p) = FQ−1
max,τ
(p1/n ). (11.5)
Qk (p, T ) = FQ−1 pτ /T
(11.6)
max,τ
Acabamos de deduzir uma expressão que nos permite determinar o valor carac-
terístico de uma ação variável referente a um período T a partir da distribuição
de máximos referente a um período τ.
Note-se que a Eq. (11.3) pode ser vista como um caso particular da Eq.
(11.6). Com efeito, se substituirmos nesta última τ
T , obtém-se a primeira.
por
Note-se também que, apesar de termos considerado que τ é um submúltiplo
de T , a Eq. (11.6) permanece válida quaisquer que sejam os períodos τ e T . O
importante é que, ao determinarmos o quociente τ /T , os períodos τ e T têm
de ser expressos nas mesmas unidades de tempo.
240.3 337.5 30.6 264.7 223.9 101.9 167.5 225.7 468.4 407.7
98.8 427.6 254.4 195.3 253.6 184.6 190.7 311.7 305.7 306.3
250.4 109.4 253.8 322.3 236.7 277.6 254.5 177.2 222.0 141.0
Resolução
Começa-se por determinar a média e o desvio padrão da amostra co-
138 Modelação de Ações
τ 1 dia 1 dia
= = = 1/18250.
T 50 anos 50 × 365 dias
Recorrendo à Eq. (11.6), vem:
= norminv(0.95 (1/18250),241.4,97.5)
= 684.0 kN.
Da mesma forma,
Resolução
Pretendemos calcular pe50 . Considerando n = 50 e m = 1 na Eq.
(11.9), tem-se:
pe50 = 1 − (1 − 0.02)50 = 0.636.
Nota: Os valores característicos das ações ambientais especicados no
Eurocódigo 1 (vento, variações de temperatura e neve) têm uma proba-
bilidade de excedência anual de 0.02. Conforme se acaba de constatar,
tais valores característicos têm uma probabilidade de ocorrência muito
signicativa (diríamos mesmo, quase certa) durante a vida útil de uma
estrutura!
P (X = 1) = pe1
P (X = 2) = (1 − pe1 ) pe1
P (X = 3) = (1 − pe1 )2 pe1
···
P (X = x) = (1 − pe1 )x−1 pe1
140 Modelação de Ações
1
TR = (11.11)
1 − (1 − pen )1/n
Esta expressão permite assim obter o período de retorno de um valor que tem
uma probabilidade pen de ser excedido em n unidades de tempo. Repare-se
que a Eq. (11.10) pode ser vista como um caso particular de (11.11). Com
efeito, se zermos n=1 em (11.11), obtém-se (11.10).
Resolução
1
TR = = 975 anos.
1 − (1 − 0.05)1/50
1
TR = = 50 anos.
0.02
c) Considerando n = 50 e pe50 = 0.10 na Eq. (11.11), obtém-se:
1
TR = = 475 anos.
1 − (1 − 0.10)1/50
De acordo com a notação que temos vindo a usar, pe1 representa a proba-
bilidade de certo valor q de uma ação variável Q ser excedido em 1 unidade de
tempo. Em símbolos:
1
TR = (11.12)
1 − FQmax,1 (q)
1
Qk (TR ) = FQ−1 1− (11.13)
max,1 TR
O período de retorno deve ser expresso nas unidades de tempo a que se refere a
distribuição FQmax,1 . Assim, se esta distribuição referir-se aos máximos diários,
o período de retorno deve ser expresso em dias, se a distribuição referir-se aos
máximos anuais, o período de retorno deve ser expresso em anos, e assim
sucessivamente.
Resolução
Começa-se por expressar o período de retorno em dias:
1
Qk = FQ−1 1−
730 000
max,1
= norminv(1-1/730000,241.4,97.5)
= 698.6 kN.
1/n
FQ (q) = FQmax,T (q) . (11.15)
τ /τ
FQmax,τj (q) = FQmax,τi (q) j i . (11.16)
144 Modelação de Ações
2
Estamos a admitir que as ações podem ser somadas algebricamente. Se esse não for o
caso (por exemplo, se estivermos a combinar cargas distribuídas com cargas concentradas),
a soma mencionada pode ser encarada como a soma de certo efeito das ações, pois esses já
podem ser somados.
Combinação de ações 145
1. Obtém-se, sucessivamente:
É claro que esta regra não garante que se obtém o máximo de Q no período
T, pois esse máximo pode ocorrer num intervalo de tempo em que nenhuma
das ações individuais é máxima. No entanto, a probabilidade de se obter um
valor próximo do máximo é certamente signicativa.
Rera-se que esta regra constitui a base da combinação de ações adotada
nos métodos de nível I. Conforme se acaba de ver, a regra de Turkstra exige a
a realização de tantas combinações quanto o número de ações variáveis a atuar
simultaneamente. Em cada uma dessas combinações, uma das ações atua
com o valor máximo no período T é chamada ação variável base, ou ação
dominante , e as restantes ações atuam com os valores elementares ou com
valores máximos em períodos menores são chamadas ações acompanhantes.
valor de combinação, ψ0 Qk ;
valor frequente, ψ1 Qk ;
valor quase-permanente, ψ2 Qk .
Valor de combinação
Considere-se novamente a aplicação da regra de Turkstra ao problema da com-
binação das 3 ações variáveis esquematizadas na Figura 11.5. Quando a ação
variável base da combinação é a ação Q1 , a combinação a considerar é, como
vimos:
Q1 max,T + Q2 max,τ1 + Q3 max,τ2 .
Esta combinação pode ser escrita na forma:
em que:
Q2 max,τ1
ψ0,2 = ,
Q2 max,T
Q3 max,τ2
ψ0,3 = .
Q3 max,T
uma mesma ação variável pode ter vários coecientes ψ0 , função da ação hierar-
quicamente superior. Na prática, os regulamentos para o projeto de estruturas
denem em geral, em favor da simplicidade, um único ψ0 para cada ação variá-
vel, procurando obter uma envolvente das combinações mais importantes onde
intervém a ação em consideração.
Eliminando o índice i para aligeirar a notação, pode então escrever-se para
uma ação variável genérica Q:
FQ−1
max,τ
(p) FQ−1 (pn )
j max,T
ψ0 = = , (11.21)
FQ−1
max,T
(p) FQ−1
max,T
(p)
com,
T
n= . (11.22)
τj
Enfatiza-se que o período elementar τj (também chamado período básico)
não se refere à ação em consideração, mas à ação hierarquicamente superior.
Para se claricar melhor este aspeto, considere-se o caso simples de uma com-
binação em que intervêm apenas duas ações variáveis. O período elementar
τj é o período elementar da ação dominante se esta tiver um período supe-
rior, ou o período elementar da própria ação se a ação dominante tiver um
período inferior. Ou seja, no caso de existirem apenas duas ações variáveis na
combinação em estudo, τj é o maior dos períodos elementares das duas ações
variáveis.
3
O Eurocódigo 0 adota uma abordagem diferente. Em vez de denir o coeciente ψ0
como uma relação entre valores característicos, dene-o como uma relação entre valores de
dimensionamento FORM.
Combinação de ações 147
h i
FX−1 (p) = µ 1 − 0.78V 0.58 + ln(− ln p) . (11.23)
Resolução
O maior dos dois períodos elementares é de 1 mês. Assim, o número
de repetições no período de referência é de 50 × 12 = 600. Aplicando a
Eq. (11.25) tem-se:
V
τj (a) n
0.05 0.1 0.15
Valor frequente
Em preparação.
Modelação estrutural e de
resistências
E = E(X1 , . . . , Xn ), (12.1)
onde E 1
representa a resposta da estrutura (efeito das ações ) e (X1 , . . . , Xn )
o vetor das variáveis básicas, que inclui não só as ações, mas também os parâ-
metros geométricos e as propriedades dos materiais que inuenciam a resposta
da estrutura (o módulo de elasticidade, por exemplo).
Consoante o tipo de modelo utilizado e as hipóteses assumidas, distinguem-
se os seguintes tipos de análise estrutural:
1
Momentos etores, esforços transversos, deformações, e assim sucessivamente.
149
150 Modelação estrutural e de resistências
Se o esforço axial for signicativo e se, além disso, os elementos forem esbel-
tos (e portanto exíveis lateralmente), o acréscimo de momentos que surge
em resultado da deformação do elemento, ditos momentos de 2.
a ordem, po-
dem ser signicativos, devendo por isso ser tidos em conta na vericação da
segurança. A não linearidade física, também chamada não linearidade dos ma-
teriais, origina-se no facto dos materiais não obedecerem a lei de Hooke, seja
porque as tensões não são proporcionais às deformações, seja porque o mate-
rial apresenta resistência limitada a tração. Nestes casos, a distribuição real
de esforços pode afastar-se signicativamente da distribuição elástica.
E 0 = θ E, (12.2)
E 0 = E + θ, (12.3)
onde θ é uma variável que pretende modelar as incertezas originadas nos erros
do modelo estrutural, isto é, os desvios entre a resposta predita pelo modelo e
a resposta verdadeira. A escolha do modelo probabilístico para a variável θ, e
em particular a sua média e desvio padrão, reete a conança que se tem no
modelo que estiver a ser usado, devendo por isso ser xado de forma criteriosa,
caso a caso. A título de referência, mostra-se na Tabela 12.1 as recomendações
do Probabilistic Model Code (JCSS, 2001b). Note-se que o modelo Lognormal
deve ser usado na forma multiplicativa, Eq. (12.2), e o modelo Normal na
forma aditiva, Eq. (12.3).
M = θR R − θE E. (12.6)
Figura 12.1 Redistribuição de momentos dos apoios para os vãos numa viga
de 3 vãos.
No exemplo que acabámos de analisar, havia deciência de resistência nos
apoios e folga nos vãos, e a transferência de momentos deu-se dos apoios para os
vãos. Evidentemente, pode acontecer o contrário, isto é, pode existir deciência
nos vãos e folga nos apoios. Neste caso a redistribuição de momentos dar-se-á
dos vãos para os apoios, como se exemplica na Figura 12.2 para o caso de uma
Renamentos no cálculo de esforços atuantes 155
157
158 Ajuste dos coecientes parciais de segurança
Xd = FX−1 Φ(−αX β) ,
(13.1)
−1 ≤ αi ≤ 1, (13.2)
Xn
αi2 = 1. (13.3)
i=1
FX−1 Φ(−αX β)
Xd
γf = = (13.4)
Xk FX−1 (0.95)
Xk F −1 (0.05)
γm = = −1 X (13.5)
Xd FX Φ(−αX β)
Ações
Para ações usa-se habitualmente o quantil p = 0.95. Assim, de acordo com
(13.4), coeciente parcial para ações com distribuição Normal é expresso por:
FX−1 Φ(−αX β)
γf =
FX−1 (0.95)
µX 1 + Φ−1 (Φ(−α β))VX
= .
µX 1 + Φ−1 (0.95)VX
1 − αβV
γf = (13.6)
1 + 1.645 V
Resistências
Para resistências usa-se habitualmente o quantil p = 0.05, donde, recorrendo à
Eq. 13.5, o coeciente de segurança para resistências com distribuição Normal
é expresso por:
FX−1 (0.05)
γm =
FX−1 Φ(−αX β)
µ 1 + Φ−1 (0.05)V
=
µ 1 + Φ−1 (Φ(−α β))V
Calibração com base nos coecientes de sensibilidade FORM 161
1 − 1.645 V
γm = (13.7)
1 − αβV
Ações
Considerando o quantil habitual p = 0.95 e recorrendo a Eq. (13.4), o coeci-
ente parcial para ações com distribuição Lognormal é dado por:
FX−1 Φ(−αX β)
γf =
FX−1 (0.95)
q
√ µY 2 · exp Φ−1 (Φ(−α β)) ln(1 + VY2 )
1+VY
= q
√ µY 2 · exp Φ−1 (0.95) ln(1 + VY2 )
1+VY
q
exp −α β ln(1 + VY2 )
= q
exp 1.645 ln(1 + VY2 )
q
= exp 2
ln(1 + VY )(−α β − 1.645)
p
γf = exp ln(1 + V 2 )(−α β − 1.645) (13.9)
162 Ajuste dos coecientes parciais de segurança
Resistências
Para resistências, considerando o quantil habitual p = 0.05 e adotando um
procedimento semelhante ao que temos vindo a usar, obtém-se:
p
γm = exp ln(1 + V 2 )(α β − 1.645) (13.10)
h i
FX−1 (p) = µX 1 − 0.78VX 0.58 + ln(− ln p)
Iremos considerar apenas o caso das ações, visto que o modelo Gumbel não
é em geral usado para modelar resistências. Considerando o quantil habitual
Calibração com base nos coecientes de sensibilidade FORM 163
FX−1 Φ(−αX β)
γf =
F −1 (0.95)
hX i
µX 1 − 0.78 VX 0.58 + ln(− ln Φ(−α β))
= h i
µX 1 − 0.78 VX 0.58 + ln(− ln 0.95)
1 − 0.78 VX 0.58 + ln(− ln Φ(−α β))
= .
1 + 1.867 VX
Eliminando o índice X no coeciente de variação, tem-se:
1 − 0.78 V 0.58 + ln(− ln Φ(−α β))
γf = (13.11)
1 + 1.867 V
Resolução
1 − 0.78 × 0.034 0.58 + ln(− ln Φ(0.70 × 4.3))
γf =
1 + 1.867 × 0.034
= 1.09.
Distribuições de probabilidade
discretas
e os momentos são:
µX = p (A.2)
2
σX = p (1 − p). (A.3)
n x
P (X = x) = p (1 − p)n−x , x ∈ {0, 1, . . . , n} (A.4)
x
167
168 Distribuições de probabilidade discretas
com
n n!
= .
x x!(n − x)!
Os momentos são:
µX = n p (A.5)
2
σX = n p (1 − p). (A.6)
e os momentos são:
µX = 1/p (A.8)
2 1−p
σX = . (A.9)
p2
A distribuição Geométrica tem a seguinte propriedade:
e−λ λx
P (X = x) = , x ∈ {0, 1, 2, . . . } (A.11)
x!
e os momentos são:
µX = λ (A.12)
2
σX = λ. (A.13)
e−λ∆t (λ∆t)x
P (X = x) = . (A.15)
x!
Anexo B
Distribuições de probabilidade
contínuas
FY (y) = P (Y ≤ y)
= P (a + bX ≤ y)
y−a
=P X≤
b
y−a
= FX . (B.1)
b
Ora, sabemos que fY (y) = dFY (y)/dy , donde, aplicando a regra da derivação
da função composta, obtém-se a distribuição pretendida:
1 y−a
fY (y) = fX . (B.2)
b b
171
172 Distribuições de probabilidade contínuas
fX (x | λ) = λe−λx . (x ≥ 0)
Esta distribuição não apresenta parâmetro de localização (apresenta apenas
parâmetro de escala). Todas as populações desta família apresentam como
valor mínimo x = 0. Mas é fácil acrescentar um parâmetro de localização,
bastando para o efeito denir a variável Y = X + a, cuja FDP é dada por:
−λ(y−a)
fY (y | λ, a) = λe . (y ≥ a)
Passamos assim a ter uma distribuição exponencial com dois parâmetros: um
de localização (parâmetro a) e outro de escala (parâmetro λ). O parâmetro a
representa o valor mínimo da distribuição.
1
fX (x | a, b) = , (a < x < b) (B.3)
b−a
Para indicar que uma variável X tem distribuição Uniforme com parâmetros
a e b usaremos a notação: X ∼ Un(a, b). A Figura B.1 mostra distribuições
pertencentes à família Uniforme.
Distribuição Uniforme 173
1.2
Un(1.0,2.0)
Un(1.0,3.0)
1 Un(1.0,4.0)
0.8
fX(x)
0.6
0.4
0.2
0
0 1 2 3 4 5
x
Parâmetros
O parâmetro a corresponde ao valor mínimo da variável e o parâmetro b ao
valor máximo. O parâmetro a pode ser encarado como um parâmetro de
localização e a diferença (b − a) como um parâmetro de escala. Os momentos
são dados por:
a+b
E(X) = (B.4)
2
(b − a)2
Var(X) = (B.5)
12
b−a
σX = √ . (B.6)
2 3
Função distribuição
0, x≤a
x − a
FX (x) = , a<x<b (B.7)
b−a
1, x≥b
174 Distribuições de probabilidade contínuas
Forma reduzida
Seja X ∼ Un(a, b). Esta variável pode ser transformada na variável U ∼
Un(0, 1), na qual o primeiro parâmetro é nulo e o segundo é unitário. Diz-se
que U está na forma reduzida. É fácil vericar que a referida transformação é
dada por:
X −a
U= . (B.9)
b−a
Podemos então escrever:
X −a
X ∼ Un(a, b) ⇒ U= ∼ Un(0, 1), (B.10)
b−a
e, da mesma forma:
U ∼ Un(0, 1) ⇒ X = a + (b − a)U ∼ Un(a, b), (B.11)
Aplicações
A distribuição uniforme é usada quando a variável em estudo é limitada in-
ferior e superiormente e à cerca da qual pouco é sabido, isto é, não existe
qualquer informação que nos faça acreditar que uns valores são mais prováveis
que outros.
Uma aplicação importante é na geração de amostras aleatórias com uma
determinada distribuição. Em geral para se gerar uma amostra com uma deter-
minada distribuição, começa-se por gerar uma amostra uniforme no intervalo
]0, 1[, após o que, aplicando uma transformação apropriada, obtém-se a amos-
tra com a distribuição pretendida.
Distribuição Normal 175
" #
1 x−µ 2
1
fX (x | µ, σ) = √ exp − . (−∞ < x < ∞) (B.12)
2π σ 2 σ
Para indicar que uma variável X tem distribuição Normal com parâmetros µe
σ usaremos a notação habitual: X ∼ N(µ, σ). A Figura B.2 mostra diferentes
distribuições, todas elas pertencentes a família Normal.
0.9
N(0.0,0.5)
0.8 N(0.0,1.0)
N(2.0,0.8)
0.7
0.6
0.5
fX(x)
0.4
0.3
0.2
0.1
0
-4 -2 0 2 4 6
x
Parâmetros
Os parâmetros da distribuição coincidem com os seus dois primeiros momentos,
isto é, E(X) = µ e Var(X) = σ 2 . O primeiro é naturalmente um parâmetro
de localização e o segundo um parâmetro de escala.
O coeciente de curtose, α4 , é igual a 3. Recorde-se que o coeciente
de curtose mede o peso das caudas das distribuições. O valor α4 = 3 pode
ser adotado como valor de referência para efeitos comparativos com outros
modelos.
176 Distribuições de probabilidade contínuas
Forma reduzida
Dada uma variável X ∼ N(µX , σX ), é fácil vericar que a variável:
X − µX
Z= (B.13)
σX
tem média nula e desvio padrão unitário, isto é, Z ∼ N(0, 1). Diz-se que a
variável Z é uma variável gaussiana reduzida ou padronizada. Podemos então
escrever:
X −µ
X ∼ N(µ, σ) ⇒ Z= ∼ N(0, 1). (B.14)
σ
e, inversamente:
1 2
ϕ(z) = √ e−z /2 , (B.16)
2π
Z z
1 2
Φ(z) = √ e−t /2 dt. (B.17)
2π −∞
A função Φ(z) não possui forma fechada, isto é, não existe nenhuma função
expressa por um número nito de funções elementares conhecidas cuja deri-
vada seja igual a exp(−t2 /2), pelo que o cálculo de probabilidades envolvendo
variáveis normais tem de ser feito numericamente, ou recorrendo a tabelas.
Para usar tabelas da função Φ(z) procede-se como se indica de seguida. Seja
X ∼ N(µX , σX ). Pretende-se calcular P (X ≤ a). Note-se que X = µX +σX Z ,
e portanto:
P (X ≤ a) = P µX + σX Z ≤ a
a − µX
=P Z≤
σX
a − µX
=Φ . (B.18)
σX
Função distribuição
De acordo com o exposto na secção anterior, a a FDC de uma variável X ∼
N(µX , σX ) pode ser expressa na seguinte forma:
x − µX
FX (x) = Φ . (B.19)
σX
Distribuição Normal 177
Propriedades
A propriedade mais importante do modelo Normal decorre do Teorema do Li-
mite Central (TLC). Segundo este teorema, recorde-se, quando uma variável
resulta da soma de um certo número de outras variáveis, então, dentro de condi-
ções bastante gerais, a distribuição de tal variável tende para uma distribuição
Normal.
A propriedade seguinte é intuitiva em face do TLC. Sejam X1 , . . . , Xn n
variáveis normais, independentes entre si, tais que Xi ∼ N(µi , σi ). Então, a
variável Y = a1 X1 + · · · + an Xn , em que a1 , . . . , an são constantes, é ainda
Normal, com:
µY = a1 µ1 + · · · + an µn , (B.21)
q
σY = a21 σ12 + · · · + a2n σn2 . (B.22)
1
Isto acontece com qualquer distribuição que apenas tenha parâmetros de localização e
de escala.
178 Distribuições de probabilidade contínuas
Por exemplo:
Podemos então armar que, para uma população Normal, o intervalo µ±σ
contém 68% da população e o intervalo µ ± 2σ contém 95%.
Aplicações
Quando uma quantidade resulta da soma de um número apreciável de outras
quantidades, tal quantidade é em geral modelada por uma distribuição Nor-
mal. Existem muitas quantidades na natureza que representam um total, não
admirando por isso que o modelo Normal seja um dos modelos probabilísticos
mais utilizados.
Por exemplo, a força de rotura de um cordão constituído por um certo
numero de os será próxima da distribuição Normal se os os possuírem com-
portamento dúctil. Com efeito, se cada o possuir tal comportamento signica
que mantém a força após entrar em cedência, de modo que a força de rotura do
cordão é dada pela soma das forças de rotura dos diferentes os, tendo assim
uma distribuição tendencialmente Normal.
O tamanho de las de espera e os erros de medição são outros exemplos de
quantidades modeladas habitualmente por distribuições normais.
FY (y) = P (Y ≤ y)
= P (eX ≤ y)
= P (X ≤ ln y) (pois o logaritmo e uma função crescente)
= FX (ln y).
" #
1 ln y − µX 2
1
fY (y) = √ exp − , (y > 0) (B.23)
2π σX y 2 σX
2.5
LN(0.0,0.2)
LN(0.0,0.3)
LN(0.0,0.5)
2
1.5
fX(x)
0.5
0
0 0.5 1 1.5 2 2.5
x
Parâmetros
Como dito acima, os parâmetros da distribuição Lognormal, µX e σX , são a
média e o desvio padrão da variável Normal subjacente. Pode mostrar-se que:
1 2
µY = eµX + 2 σX (B.24)
2 2
σY2 = eσX − 1 e2µX +σX (B.25)
Função distribuição
De acordo com o exposto acima, dada uma variável Y ∼ LN(µX , σX ), tem-se
FY (y) = FX (ln y), e portanto:
ln y − µX
FY (y) = Φ . (B.30)
σX
ln y − µX ln y − µX
p=Φ ⇔ Φ−1 (p) =
σX σX
⇔ ln y = µX + σX Φ−1 (p)
−1 (p)
⇔ y = eµX +σX Φ
e portanto,
FY−1 (p) = exp µX + Φ−1 (p)σX . (B.31)
µY
FY−1 (p) ≈ q · exp Φ−1 (p) VY (B.33)
1 + VY2
Distribuição t-Student 181
Propriedades
Sejam Y1 , . . . , Y n n variáveis Lognormais. Então a variável Y = Y1 × · · · × Yn
continua a ser Lognornal. Em palavras: o produto de variáveis Lognormais
continua a ser Lognormal.
É fácil demonstrar este resultado. Com efeito, aplicando logaritmos à equa-
ção Y = Y1 × · · · × Yn , tem-se:
ln Y = ln Y1 + · · · + ln Yn . (B.34)
Mas, cada uma das variáveis ln Yi é Normal, pelo facto de Yi ser Lognormal. A
variável ln Y é assim uma soma de variáveis Normais, e portanto, por força do
TLC, é também Normal. Então, sendo ln Y Normal, a variável Y é Lognormal.
Podemos assim concluir que, da mesma forma que o modelo Normal tem
grande interesse prático em virtude do TLC, este mesmo teorema torna o
modelo Lognormal também com muito interesse prático. Quando uma quan-
tidade resulta do produto de outras quantidades, a sua distribuição tenderá
para uma distribuição Lognormal, independentemente da distribuição dessas
outras quantidades.
Aplicações
A distribuição Lognormal tem sido amplamente usada em Engenharia Civil,
não só por razões físicas (como vimos, quando uma variável resulta do produto
de outras variáveis, tenderá para uma distribuição Lognormal), mas também
devido às suas características de assimetria (muitas dados são efetivamente
assimétricos) e ao facto de assumir apenas valores positivos.
É um modelo frequentemente recomendado na modelação da resistência do
betão. Os autores Ang and Tang (2007) mencionam as seguintes aplicações
adicionais: resistência de materiais, intensidade de precipitação e volume de
tráfego aéreo. Repare-se que em todos estes casos a variável de interesse nunca
tem valores negativos.
ν+1
1 2 − 2
fT (t | ν) = c · 1 + t , (−∞ < t < ∞) (B.35)
ν
com,
Γ( ν+1 )
c= √ 2 ν , (B.36)
πν Γ( 2 )
R∞
em que Γ(·) é a chamada função Gama, dada por: Γ(α) = xα−1 e−x dx.
0
Para indicar que uma variável T tem distribuição t-Student com ν graus
de liberdade usaremos a notação: T ∼ St(ν).
182 Distribuições de probabilidade contínuas
0.5
St(50)
0.45 St(5)
St(2)
0.4
0.35
0.3
fX(x)
0.25
0.2
0.15
0.1
0.05
0
-6 -4 -2 0 2 4 6
x
µT = 0, (ν > 1) (B.37)
ν
σT2 = . (ν > 2) (B.38)
ν−2
Forma expandida
A distribuição t-Student conforme apresentada acima encontra-se na forma re-
duzida. Não possui parâmetros de localização e de escala, mas é fácil acrescentá-
los. De facto seja T ∼ St(ν). Aplique-se a transformação linear X = a + bT .
Obtém-se assim uma nova distribuição t-Student, mas com 3 parâmetros, e
escreve-se X ∼ St(a, b, ν), cuja FDP é dada por:
1 x−a
fX (x | a, b, ν) = fT
b b
" #− ν+1
1 x−a 2 2
c
= 1+ . (B.39)
b ν b
A média e variância de X são dadas por:
µX = a, (B.40)
2 ν
σX = b2 . (B.41)
ν−2
De acordo com o que acaba de ser exposto, podemos escrever:
e, inversamente:
X −a
X ∼ St(a, b, ν) ⇒ T = ∼ St(ν). (B.43)
b
Distribuição t-Student 183
Função distribuição
A FDC da t-Student não possui forma fechada, isto é, não existe nenhuma
função expressa por um número nito de funções elementares conhecidas cuja
derivada tenha o formato da equação B.39, pelo que o cálculo de probabilidades
envolvendo variáveis t-Student tem de ser feito numericamente, ou recorrendo a
tabelas. Os livros tradicionais de Probabilidades e Estatística têm usualmente
tabelas com os valores de FT (t | ν).
Dada uma variável X ∼ St(a, b, ν) é fácil estabelecer a relação entre a sua
FDC, representada por FX (x | a, b, ν), e a FDC de uma variável T ∼ St(ν),
representada por FT (t | ν). Com efeito, notando que X = a + bT , tem-se:
FX (x | a, b, ν) = P (X < x)
= P (a + bT < x)
x−a
=P T <
b
x−a
= FT |ν . (B.44)
b
Assim, dada uma variável X ∼ St(a, b, ν), para determinar P (X < c) basta
calcular t = c−a
b e em seguida consultar uma tabela ou usar software que dê
FT (t | ν). (No caso do MATLAB a função é tcdf(t,n).)
x−a x−a
p = FT ⇔ FT−1 (p) =
b b
⇔ x = a + b FT−1 (p).
Portanto,
FX−1 (p) = a + b FT−1 (p). (B.45)
Propriedades
A distribuição t-Student reduzida, tal como a distribuição Normal reduzida,
tem média nula e é simétrica, donde:
Aplicações
A distribuição t-Student é muito utilizada na Estatística, surgindo de forma
natural sempre que se realizam inferências de populações Normais a partir de
amostras de dimensão reduzida.
0.2
Gb(1.0,0.5)
0.18 Gb(2.0,0.4)
Gb(3.0,0.3)
0.16
0.14
0.12
fX(x)
0.1
0.08
0.06
0.04
0.02
0
-5 0 5 10 15 20
x
Parâmetros
O parâmetro u é um parâmetro de localização e o parâmetro α é de escala.
O primeiro coincide com a moda da distribuição e o segundo é inversamente
proporcional ao desvio padrão. A distribuição Gumbel não tem assim parâ-
metro de forma, o que signica que os membros desta família têm todos forma
idêntica.
Dada uma variável X ∼ Gb(u, α), a média e variância de X podem ser
obtidos a partir dos parâmetros u e α através das seguintes expressões:
γ
µX = u + , (γ ≈ 0.57722) (B.48)
α
2
2 π
σX = √ . (B.49)
6α
O coeciente de variação é dado por:
π
VX = √ . (B.50)
6(α u + γ)
Função distribuição
A função FDC é dada por:
n o
FX (x | u, α) = exp − exp − α(x − u) . (−∞ < x < +∞) (B.53)
1
FX−1 (p) = u − ln(− ln p). (B.54)
α
A inversa da FDC pode também ser expressa em função da média e desvio
padrão da variável (µX e σX ):
√ √
6γ 6 σX
FX−1 (p) = µX − σX − ln(− ln p)
√π h π
6 i
= µX − γ + ln(− ln p) σX
π h i
= µX − 0.78 0.58 + ln(− ln p) σX . (B.55)
Propriedades
Seja X1 , . . . , Xn uma amostra aleatória de uma variável (ou população) X .
As variáveis Xi são por isso independentes e identicamente distribuídas. Seja
Xmax,n = max{X1 , . . . , Xn }. Suponha-se que a cauda superior da FDP da
variável X decresce de forma exponencial. Demonstra-se que, nestas circuns-
tâncias, para n grande, a distribuição de Xmax,n tende para uma distribuição
Gumbel.
Este resultado torna a distribuição Gumbel importante, e especialmente
vocacionada na modelação de máximos. A distribuição Gumbel pode assim ser
vista como uma distribuição limite, ou uma distribuição assimptótica. Note-
se que não é necessário conhecer explicitamente a distribuição da variáveis
X, exigido-se apenas que a respetiva distribuição decresça exponencialmente
junto à cauda superior. A distribuição exponencial e a normal cumprem este
requisito.
Seja Xmax,1 ∼ Gb(u1 , α1 ) uma variável correspondente aos máximos em 1
unidade de tempo (máximos em 1 ano, por exemplo). Seja Xmax,n a corres-
pondente distribuição dos máximos em n unidades de tempo (máximos em 50
anos, por exemplo). Verica-se que a distribuição de Xmax,n continua a ser
Gumbel. Em símbolos:
αn = α1 = α, (B.57)
1
un = u1 + ln n. (B.58)
α
Demonstremos este resultado. Seja Xmax,1 ∼ Gb(u1 , α1 ). Portanto FXmax,1 (x) =
−α (x−u1 )
e−e 1 . Mas, FXmax,n (x) = [FXmax,1 (x)]n , donde:
h in
−e−α1 (x−u1 )
FXmax,n (x) = e
−α1 (x−u1 )
= e−n e
ln n e−α1 (x−u1 )
= e−e
−α1 (x−u1 )+ln n
= e− e
−α1 (x−u1 −(1/α1 ) ln n)
= e− e
−α1 (x−(u1 +(1/α1 ) ln n))
= e− e .
−αn (x−un )
Conclui-se assim que a FDC de Xmax,n FXmax,n (x) = e−e
tem a forma ,
ou seja, a distribuição de Xmax,n continua a ser Gumbel, com αn = α1 e
un = α11 ln n. Conforme se acaba de constatar, o parâmetro α é invariante com
o período de referência.
O facto de α permanecer constante com período de referência, signica que
o desvio padrão também se mantém constante. Esta é assim uma importante
característica do modelo Gumbel: o desvio padrão é invariante com o período
de referência.
Distribuição Gumbel 187
π
Vn = π
√ . (B.59)
V1 + 6 ln n
Anexo C
Y = β0 + β1 X + E, (C.1)
189
190 Modelo de regressão linear simples
Y | x = β0 + β1 x + σZ (C.2)
E(Y | x) = β0 + β1 x
Var(Y | x) = σ 2
β̂0 = ȳ − β̂1 x̄
Pn
xi yi − nx̄ȳ
i=1
β̂1 = n
P 2
xi − nx̄2
i=1
s
1 P n
σ̂ = (yi − β̂0 − β̂1 xi )2
n − 2 i=1
Embora não seja o único método que permite estimar os parâmetros de re-
gressão, o método dos mínimos quadrados é um dos mais utilizados, não só
porque proporciona estimadores não enviesados, mas também porque são os
de variância mínima entre os estimadores lineares.
O coeciente de determinação, R2 , que, recorde-se, constitui uma medida
do grau de relação linear entre X e Y , é dado por:
n 2
P
(xi yi ) − nx̄ȳ
2 i=1
R =n n (C.4)
P 2 2
P 2 2
xi − nx̄ yi − nȳ
i=1 i=1
onde
a = β̂0 + β̂1 x
s
1 (x − x̄)2
b = σ̂ 1 + +
n Sxx
ν =n−2
O parâmetro Sxx é dado por:
n
X
Sxx = (xi − x̄)2
i=1
1
Este resultado pode ser obtido via Estatística Clássica (Pedrosa and Gama, 2016) ou
via Estatística Bayesiana (Bernardo and Smith, 1994).
192 Modelo de regressão linear simples
s
1 (x − x̄)2
Y | x = β̂0 + β̂1 x + σ̂ 1+ + Tn−2 . (C.6)
n Sxx
s
1 (x − x̄)2
(Y | x)p = β̂0 + β̂1 x + σ̂ 1+ + tp,n−2 , (C.7)
n Sxx
ISO 13822 (2010). Bases for design of structures assessment of existing struc-
tures. Standard, International Organization for Standardization, Genève,
Switzerland.
193
194 BIBLIOGRAFIA
Luechinger, P. and Fischer, J. (2015). New european technical rules for the
assessment and retrotting of existing structures. JRC science and policy
report, European Comission, Joint Research Centre (JRC), Ispra, Italy.
Madsen, H. O., Krenk, S., and Lind, N. C. (2006). Methods of structural safety.
Dover Publications.
Rubinstein, R. (1981). Simulation and the Monte Carlo Method. Wiley Series
in Probability and Statistics. Wiley.