Segurança de Estruturas Existentes

Segurança de Estruturas Existentes
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
2 Procedimentos em avaliações estruturais 7

2.1 Recomendações da ISO . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Recomendações do JCSS . . . . . . . . . . . . . . . . . . . . . . 9
2.3 Recomendações de projetos de investigação europeus . . . . . . 10
2.4 Síntese das recomendações de organismos internacionais e euro-
peus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5 Relatório de avaliação . . . . . . . . . . . . . . . . . . . . . . . 13
3 Conceitos fundamentais de segurança estrutural 15

3.1 Requisitos básicos para as estruturas . . . . . . . . . . . . . . . 15
3.2 Conceitos de estado limite, abilidade e segurança . . . . . . . 16
3.2.1 Conceito de estado limite . . . . . . . . . . . . . . . . . 16
3.2.2 Conceito de abilidade e segurança . . . . . . . . . . . . 17
3.3 O método dos estados limites . . . . . . . . . . . . . . . . . . . 18
3.3.1 Método dos coecientes parciais de segurança . . . . . . 19
3.3.2 Metodologia probabilística . . . . . . . . . . . . . . . . . 21
4 Conceitos elementares de probabilidade 23

4.1 Conceito de probabilidade . . . . . . . . . . . . . . . . . . . . . 23
4.2 Conceito de probabilidade condicionada . . . . . . . . . . . . . 26
4.3 Conceito de independência estatística . . . . . . . . . . . . . . . 29
4.4 Variáveis aleatórias e distribuições de probabilidade . . . . . . . 30
4.4.1 Conceito de variável aleatória . . . . . . . . . . . . . . . 30
4.4.2 Distribuições de probabilidade . . . . . . . . . . . . . . 31
4.4.3 Medidas descritivas de variáveis aleatórias . . . . . . . . 35
4.4.4 Inversas de distribuições de probabilidade . . . . . . . . 39
4.4.5 Distribuições de extremos . . . . . . . . . . . . . . . . . 41
4.5 Vetores aleatórios e distribuições conjuntas de probabilidade . . 43
4.5.1 Conceito de vetor aleatório . . . . . . . . . . . . . . . . 43
4.5.2 Distribuição de probabilidade conjunta . . . . . . . . . . 44
4.5.3 Distribuição de probabilidade marginal . . . . . . . . . . 45
4.5.4 Distribuição de probabilidade condicionada . . . . . . . 46
iii
iv CONTEÚDO
4.5.5 Variáveis estatisticamente independentes . . . . . . . . . 48

4.5.6 Covariância . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.5.7 O modelo Normal bi-dimensional . . . . . . . . . . . . . 49
5 Técnicas de estimação estatística 51

5.1 Conceitos de amostra aleatória e estatística . . . . . . . . . . . 51
5.1.1 Amostra aleatória . . . . . . . . . . . . . . . . . . . . . 51
5.1.2 Estatística . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.2 Estimação de parâmetros das distribuições . . . . . . . . . . . . 53
5.2.1 Método dos momentos . . . . . . . . . . . . . . . . . . . 53
5.2.2 Método da máxima verosimilhança . . . . . . . . . . . . 54
5.3 Estimação de quantis . . . . . . . . . . . . . . . . . . . . . . . . 55
5.3.1 Variáveis normais . . . . . . . . . . . . . . . . . . . . . . 55
5.3.2 Variáveis lognormais . . . . . . . . . . . . . . . . . . . . 58
5.3.3 Variáveis com distribuição qualquer . . . . . . . . . . . . 59
5.4 Estimação de valores característicos recorrendo a ensaios indiretos 59
6 Método de Monte Carlo 65

6.1 Ideia do método . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
6.2 Análise de funções de variável aleatória pelo método de Monte
Carlo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
6.2.1 Estimativa da média e desvio padrão . . . . . . . . . . . 66
6.2.2 Estimativa de quantis . . . . . . . . . . . . . . . . . . . 69
6.2.3 Estimativa de probabilidades . . . . . . . . . . . . . . . 69
6.3 Geração de amostras aleatórias . . . . . . . . . . . . . . . . . . 72
6.3.1 Método da transformação inversa . . . . . . . . . . . . . 72
6.3.2 Aplicações do método da transformação inversa . . . . . 73
6.4 Geração de amostras de variáveis multivariadas . . . . . . . . . 77
6.5 Análise de sensibilidade com o método de MC . . . . . . . . . . 78
7 Segurança estrutural como problema de decisão 79

7.1 Formulação do problema de decisão . . . . . . . . . . . . . . . . 79
7.2 Conceito de utilidade . . . . . . . . . . . . . . . . . . . . . . . . 80
8 Funtamentos da teoria da abilidade estrutural 85

8.1 Conceitos de função estado limite e margem de segurança . . . 85
8.2 Fontes de incerteza e interpretação da probabilidade de falha . 87
8.3 O problema fundamental da abilidade estrutural . . . . . . . . 89
8.4 Índice de abilidade . . . . . . . . . . . . . . . . . . . . . . . . 92
8.5 Fiabilidade estrutural e fator tempo . . . . . . . . . . . . . . . 96
8.6 Formatos de abilidade . . . . . . . . . . . . . . . . . . . . . . . 101
8.6.1 Formatos de nível I . . . . . . . . . . . . . . . . . . . . . 101
8.6.2 Formatos de nível II . . . . . . . . . . . . . . . . . . . . 103
8.6.3 Formatos de nível III . . . . . . . . . . . . . . . . . . . . 104
8.6.4 Formatos de nível IV . . . . . . . . . . . . . . . . . . . . 106
8.7 Fiabilidade de sistemas . . . . . . . . . . . . . . . . . . . . . . . 109
8.7.1 Sistemas em série . . . . . . . . . . . . . . . . . . . . . . 110
8.7.2 Sistemas em paralelo . . . . . . . . . . . . . . . . . . . . 112
8.7.3 Sistemas mistos . . . . . . . . . . . . . . . . . . . . . . . 114
CONTEÚDO v
9 Método FORM 115

9.1 Descrição do método . . . . . . . . . . . . . . . . . . . . . . . . 115
9.2 Coecientes de sensibilidade FORM . . . . . . . . . . . . . . . 120
10 Critérios de aceitação da abilidade 125

10.1 Otimização da abilidade . . . . . . . . . . . . . . . . . . . . . 125
10.2 Fiabilidade alvo para estruturas novas . . . . . . . . . . . . . . 129
10.2.1 Estados limites últimos . . . . . . . . . . . . . . . . . . 129
10.2.2 Estados limites de utilização . . . . . . . . . . . . . . . . 131
10.3 Fiabilidade alvo para estruturas existentes . . . . . . . . . . . . 131
11 Modelação de Ações 133

11.1 Classicação das ações . . . . . . . . . . . . . . . . . . . . . . . 133
11.2 Representação de ações . . . . . . . . . . . . . . . . . . . . . . . 134
11.2.1 Considerações gerais . . . . . . . . . . . . . . . . . . . . 134
11.2.2 Valor característico de ações variáveis . . . . . . . . . . 135
11.2.3 Probabilidade de excedência para diferentes períodos de
referência . . . . . . . . . . . . . . . . . . . . . . . . . . 138
11.2.4 Período de retorno . . . . . . . . . . . . . . . . . . . . . 139
11.3 Combinação de ações . . . . . . . . . . . . . . . . . . . . . . . . 141
11.3.2 Descrição de ações variáveis por meio de Processos FBC 142
11.3.3 O método FBC para combinação de ações . . . . . . . . 144
11.3.4 Regra de Turkstra . . . . . . . . . . . . . . . . . . . . . 145
11.3.5 Valores reduzidos de ações variáveis . . . . . . . . . . . 145
11.4 Modelos probabilísticos para ações . . . . . . . . . . . . . . . . 148
12 Modelação estrutural e de resistências 149

12.1 Modelação estrutural . . . . . . . . . . . . . . . . . . . . . . . . 149
12.1.2 Modelação das incertezas nos modelos estruturais . . . . 150
12.2 Modelação de resistências . . . . . . . . . . . . . . . . . . . . . 152
12.2.2 Modelação das incertezas nos modelos de resistência . . 152
12.3 Reformulação da função estado limite . . . . . . . . . . . . . . . 153
12.4 Renamentos no cálculo de esforços atuantes . . . . . . . . . . 154
12.4.1 Redistribuição de momentos . . . . . . . . . . . . . . . . 154
12.4.2 Diminuição dos momentos atuantes em apoios pontuais 155
12.4.3 Diminuição dos esforços transversos atuantes junto aos
apoios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
12.5 Breves considerações sobre análise plástica de estruturas . . . . 156
12.6 Modelos probabilísticos para propriedades dos materiais . . . . 156
13 Ajuste dos coecientes parciais de segurança 157

13.1 Método geral de calibração . . . . . . . . . . . . . . . . . . . . 158
13.2 Calibração com base nos coecientes de sensibilidade FORM . . 158
13.2.1 Descrição do método . . . . . . . . . . . . . . . . . . . . 158
13.2.2 Variáveis com distribuição Normal . . . . . . . . . . . . 160
13.2.3 Variáveis com distribuição Lognormal . . . . . . . . . . 161
13.2.4 Variáveis com distribuição Gumbel . . . . . . . . . . . . 162
13.2.5 Variáveis com distribuição Weibull . . . . . . . . . . . . 163
vi CONTEÚDO
13.2.6 Comentários nais . . . . . . . . . . . . . . . . . . . . . 163
A Distribuições de probabilidade discretas 167

A.1 Distribuição de Bernoulli . . . . . . . . . . . . . . . . . . . . . . 167
A.2 Distribuição Binomial . . . . . . . . . . . . . . . . . . . . . . . 167
A.3 Distribuição Geométrica . . . . . . . . . . . . . . . . . . . . . . 168
A.4 Distribuição de Poisson . . . . . . . . . . . . . . . . . . . . . . 168
B Distribuições de probabilidade contínuas 171

B.1 Distribuição Uniforme . . . . . . . . . . . . . . . . . . . . . . . 172
B.2 Distribuição Normal . . . . . . . . . . . . . . . . . . . . . . . . 175
B.3 Distribuição Lognormal . . . . . . . . . . . . . . . . . . . . . . 178
B.4 Distribuição t-Student . . . . . . . . . . . . . . . . . . . . . . . 181
B.5 Distribuição Gumbel . . . . . . . . . . . . . . . . . . . . . . . . 184
C Modelo de regressão linear simples 189

Bibliograa 195
Capítulo 1
Introdução
As necessidades de manutenção e avaliação da segurança de estruturas exis-

tentes começam em alguns países a aproximar-se, ou mesmo a superar, as
necessidades de projeto e construção de estruturas novas. A atividade do en-
genheiro de estruturas irá por isso focalizar-se cada vez mais na avaliação da
segurança de estruturas existentes. Trata-se pois de um assunto com grande
atualidade.
Neste capítulo introdutório explica-se as principais diferenças entre projetar
uma estrutura nova e avaliar a segurança de uma estrutura existente e clarica-
se alguns aspetos da terminologia a usar ao longo do texto.
1.1 Diferenças entre dimensionamento e avaliação

O dimensionamento de uma estrutura nova e a avaliação da segurança de
uma estrutura existente têm naturalmente muitos pontos em comum, mas
apresentam também diferenças importantes. Entre essas, destacamos:
1. Incrementar a abilidade de uma estrutura existente tem, regra geral,

um custo bastante superior a um incremento idêntico na abilidade de
uma estrutura ainda em projeto. Para ilustrar: é muito mais fácil intro-
duzir um varão adicional numa estrutura de betão armado quando esta
está ainda no estirador do que introduzir o mesmo varão quando a es-
trutura já existe (Vrouwenvelder, 2010). De facto, um dimensionamento
conservativo não resulta em geral num custo signicativo, mas uma ava-
liação conservativa pode resultar em custos signicativos (e porventura
desnecessários). Assim, uma postura conservadora, embora defensável
no projeto de estruturas novas, pode não sê-lo na avaliação de estruturas
existentes.
2. Algumas das incertezas existentes na fase de projeto, como por exemplo
as relacionadas com as propriedades dos materiais, poderão ser reduzi-
das na fase de avaliação (por meio de consulta de registos de obra ou
realização de ensaios, por exemplo), pelo que os coecientes de segu-
rança preconizados nos regulamentos para estruturas novas podem ser
excessivos quando aplicados a uma estrutura particular existente.
3. A vida útil remanescente de uma estrutura existente, designada vida
residual, pode ser inferior ao período de vida útil para estruturas novas.
Se esse for o caso, há legitimidade para reduzir os valores característicos
1
2 Introdução
das ações variáveis preconizados na regulamentação, pois estes valores

referem-se a um período de exposição às ações superior (Schneider, 2006).
4. Questões como transtornos para os utilizadores não se colocam em geral
no dimensionamento de estruturas novas, mas são pertinentes em traba-
lhos de reabilitação de estruturas existentes.
Em vista destas diferenças, compreende-se a necessidade de existir regula-

mentação especíca para estruturas existentes. De referir a este propósito que
está em preparação uma nova geração de Eurocódigos para estruturas exis-
tentes (Luechinger and Fischer, 2015), justamente por se reconhecer as impor-
tantes diferenças entre dimensionamento e avaliação. Os atuais Eurocódigos
foram desenvolvidos visando fundamentalmente estruturas novas.
Ao longo do texto empregaremos o termo dimensionamento quando nos
estivermos a referir ao projeto de estruturas novas, e o termo avaliação quando
nos estivermos a referir a estruturas existentes.
1.2 Avaliação de condição versus avaliação

estrutural
De acordo com a ISO 13822 (2010), a avaliação de uma estrutura existente
compreende um conjunto de atividades realizadas com o objetivo de estimar a
sua abilidade para uso futuro. Conforme veremos, a abilidade de uma estru-
tura é uma medida probabilística da sua aptidão em satisfazer certos requisitos
durante um certo intervalo de tempo. Entre esses, destacam-se os requisitos
1
da utilização, da segurança e da durabilidade . A avaliação de uma estrutura
existente pode incidir em um ou mais desses requisitos. Assim, consoante os
requisitos a avaliar, distinguem-se dois tipos de avaliação:
1. Avaliação de condição. A avaliação de condição visa fundamental-

mente o requisito da durabilidade, incidindo no estado de deterioração
da estrutura. Este tipo de avaliação (condition assessment ) é feita prin-
cipalmente por meio de inspeções visuais. Uma avaliação de condição
permite avaliar também o grau de satisfação do requisito da utilização
(ou do serviço). Com efeito, se a estrutura já estiver em serviço por
algum tempo, uma simples constatação visual do seu estado de condi-
ção é suciente para comprovar a sua aptidão em relação ao requisito da
utilização, dado que a estrutura já foi certamente sujeita às ações com
probabilidade signicativa de ocorrência (JCSS, 2001a), ditas ações de
serviço. Assim, as avaliações de condição não requerem em princípio a
elaboração de modelos numéricos, bastando inspeções visuais.
2. Avaliação estrutural. A avaliação estrutural visa fundamentalmente o

requisito da segurança (estados limites últimos). Ao contrário da avalia-
ção de condição, não pode basear-se apenas em inspeções visuais, visto
que diz respeito ao desempenho da estrutura face a ações excecionais
(Schneider, 2006), isto é, ações com muito baixa probabilidade de ocor-
rência, que certamente ainda não ocorreram. Assim, a avaliação estru-
tural exige normalmente cálculo estrutural e a elaboração de modelos
numéricos, eventualmente calibrados com base em ensaios de campo.
1
No Capítulo 3 apresentaremos uma denição precisa destes requisitos.
Conceitos de reparação, reforço e reabilitação 3
A presente disciplina trata fundamentalmente deste segundo tipo de avali-

ação, usualmente designada na literatura inglesa por structural assessment, ou
ainda assessment of load carrying capacity.
Uma avaliação estrutural pode ser motivada, entre outras razões, por:
1. Existência de deterioração visível acentuada (corrosão, sinais de fadiga,

ssuração, delaminação, deformação), originando dúvidas sobre a segu-
rança da estrutura.
2. Ocorrência de um evento extremo (incêndio, sismo, colisão de veículo
contra um pilar de uma ponte), originado dúvidas sobre até que ponto a
segurança foi afetada.
3. Existência de suspeitas sobre erros de projeto, erros de construção, ou
má qualidade dos materiais empregues.
4. Aumento de cargas e a consequente duvida sobre a eventual necessidade
de reforçar a estrutura (mudança de uso de um edifício, inclusão de uma
nova via de tráfego numa ponte).
5. Mudança de regulamentação com a consequente conveniência em vericar
se a estrutura satisfaz os critérios de segurança à luz da nova regulamen-
tação.
6. Necessidade de conceder uma autorização para uma passagem de um
transporte especial num determinado itinerário e a consequente necessi-
dade de avaliar a segurança das pontes envolvidas.
1.3 Conceitos de reparação, reforço e reabilitação

Os termos reparação, reforço e reabilitação nem sempre são usados de
maneira consistente no meio técnico. É por isso oportuno claricar o signicado
que será dado a esses termos no texto que segue.
O termo reparação ( repair ) será usado com o sentido de reposição da
condição original da estrutura, visando a resolução de problemas de deteriora-
ção ou mau funcionamento. A reparação é necessária sempre que a estrutura
deixou de cumprir os requisitos de durabilidade e utilização.
O termo reforço ( strengthening ) será usado com o sentido de aumento da
atual capacidade resistente da estrutura. O reforço da estrutura pode visar a
reposição dos níveis originais de segurança (por exemplo no caso de ter havido
perda de resistência em resultado de deterioração), mas pode também visar o
aumento desses níveis de segurança para atender, por exemplo, a um acréscimo
de cargas.
O termo reabilitação engloba a reparação e o reforço como casos particu-
lares (ISO 13822, 2010). Na literatura inglesa são usadas três expressões sinó-
nimas para realilitação: rehabilitation, upgrading e retrotting. Rera-se que
foi este último o termo escolhido para designar reabilitação na futura geração
dos Eurocódigos dedicados à avaliação da segurança de estruturas existentes
(Luechinger and Fischer, 2015).
4 Introdução
1.4 O uso de métodos probabilísticos em avaliações

estruturais
O problema da segurança estrutural tem suscitado o interesse de muitos in-
vestigadores, merecendo aqui uma referência especial a atividade pioneira dos
investigadores portugueses Júlo Ferry Borges e Mário Castanheta, cujos tra-
balhos estiveram, de resto, na base da moderna regulamentação de estruturas
(Borges and Castanheta, 1985). Considerando que o problema da segurança
estrutural é essencialmente um problema e manipulação de incertezas, tais
investigadores cedo defenderam que a abordagem probabilística é a mais con-
sistente.
A aplicação de conceitos probabilísticos no dimensionamento e vericação
da segurança de estruturas deu origem a uma teoria, conhecida como teoria da
abilidade estrutural. Esta teoria está atualmente bem estabelecida e muito
bem documentada, mas é pouco utilizada no dimensionamento de estruturas
novas, embora a regulamentação vigente o permita .
2
Todavia, na área da segurança de estruturas existentes, a tendência atual é

o uso cada vez mais generalizado da teoria da abilidade estrutural. Uma das
razões é que esta teoria permite de forma mais racional e consistente quanticar
as diferentes fontes de incerteza, que são especicas da estrutura em avalia-
ção. A regulamentação para o dimensionamento de estruturas novas aplica-se
a populações relativamente vastas, pelo que os coecientes de segurança aí
preconizados poderão não traduzir corretamente as incertezas da estrutura es-
pecíca em mãos. Outra razão tem a ver com o facto dos trabalhos de reforço
serem em geral muito onerosos, justicando tratar a segurança da forma mais
rigorosa possível, recorrendo, por exemplo, a métodos probabilísticos.
Alguns países têm vindo a encorajar o uso de ferramentas probabilísticas
em avaliações estruturais. Uma das razões para esse encorajamento tem a ver
com as poupanças nanceiras signicativas conseguidas com a aplicação de tais
ferramentas. Na Dinamarca, por exemplo, relatam-se vários casos de pontes
que foram classicadas como inseguras pela aplicação dos métodos tradicio-
nais de segurança, mas que tinham abilidade aceitável, conforme comprovado
por meio de uma análise probabilística. Evitaram-se assim gastos desnecessá-
rios com trabalhos de reforço, além de se terem poupando os utilizadores dos
transtornos típicos que acompanham esses trabalhos (Lauridsen et al., 2007).
Esses autores sublinham que em nenhum caso foi posta em causa a abilidade
pretendida para essas pontes, sensivelmente idêntica à requerida para pontes
novas, mas que a abilidade foi avaliada de forma mais realista.
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
1.5 Objetivos da presente disciplina

Como cou bem patente na secção anterior, as metodologias probabilísticas de-
sempenham um papel muito importante no domínio da segurança de estruturas
existentes. A presente disciplina foca-se assim na aplicação de ferramentas pro-
babilísticas nesse importante e recente domínio de atividade do engenheiro de
estruturas.
Uma avaliação estrutural termina geralmente com a produção de um relató-
rio e a tomada de uma decisão. Entre as possíveis decisões que o avaliador (ou
a equipa de avaliação) tem de tomar, podemos mencionar (ISO 13822, 2010):
(1) não fazer nada, porque se demonstrou que a abilidade da estrutura é su-
ciente; (2) aceitar a abilidade atual da estrutura com base numa avaliação de
risco, devidamente fundamentada; (3) aceitar a abilidade, mas implementar
alguma forma de monitorização que permita acompanhar o estado da estru-
tura; (4) implementar alguma medida que permita reduzir as cargas, ou limitar
os valores máximos dessas cargas; (5) reforçar a estrutura; ou, como medida
mais drástica, (6) demolir a estrutura e substituí-la por uma nova. O principal
objetivo da disciplina é dar aos alunos as competências que lhes permitam,
perante a avaliação de uma estrutura existente, abordar o problema de forma
correta e assim tomar uma boa decisão.
Visto que o trabalho do avaliador termina com a tomada da decisão nal
(em geral outra equipa implementara a decisão tomada), não se abordam me-
todologias de reparação e reforço de estruturas. Tais matérias são abordadas
na disciplina Reabilitação de Construções. As disciplinas de Inspeção, en-
saios e monitorização e Patologia e Durabilidade de Construções tratam
também de assuntos diretamente relacionadas com as matérias aqui abordadas.
Capítulo 2
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.
2.1 Recomendações da ISO

A Norma ISO 13822 (2010), Assessment of existing structures, recomenda o
procedimento esquematizado na Figura 2.1. Conforme se observa, o processo
inicia-se com a especicação dos objetivos da avaliação. Segue-se a identi-
cação de cenários suscetíveis de virem a colocar em causa a segurança de
pessoas e bens. Segundo a referida Norma, estes cenários constituem a base
da avaliação. Cada cenário é constituído por um processo dominante (ação ou
outra inuência principal) e por processos acompanhantes (restantes ações ou
inuências).
A fase seguinte consiste na realização de uma avaliação preliminar, que
inclui:
Estudo da documentação existente.

Inspeção preliminar.
Vericações preliminares recorrendo a modelos simples.
Tomada de ações imediatas.
Recomendações para a fase detalhada, caso a avaliação preliminar não
seja conclusiva.
Se a avaliação preliminar não for conclusiva, deve passar-se à avaliação

detalhada, que inclui:
Análise pormenorizada da documentação existente.

Inspeção detalhada, incluindo eventualmente a realização de ensaios.
Quanticação de ações.
7
8 Procedimentos em avaliações estruturais
Figura 2.1 Procedimento recomendado pela ISO para avaliações da segurança de

estruturas existentes.
Recomendações do JCSS 9
Determinação das propriedades dos materiais.

Análise estrutural.
Vericação da segurança.
Qualquer das fases anteriores termina com a produção de um relatório

contendo as principais conclusões e a proposta de medidas a tomar. Se se
concluir que a estrutura apresenta abilidade suciente, a estrutura insere-se
novamente no plano de manutenção e inspeções em vigor.
Se, pelo contrário, a abilidade não for julgada suciente, é necessário
intervir, podendo tomar-se uma ou mais das seguintes medidas:
Medidas do lado da construção:
Reabilitação (reparação e/ou reforço).

Demolição.
Medidas do lado da operação:
Monitorização.
Mudança de uso.
2.2 Recomendações do JCSS

O JCSS publicou o documento Probabilistic Assessment of Existing Structu-
res (JCSS, 2001a), que constitui uma referência importante no domínio da
segurança de estruturas existentes. Este documento recomenda uma metodo-
logia constituída por três fases, como esquematizado na Figura 2.2. Cada fase
inicia-se com a realização de um contrato entre o dono de obra e o consultor e
termina com a produção de um relatório.
A fase I consiste numa avaliação preliminar recorrendo a modelos simples.
É feita uma visita ao local, bem como uma revisão da documentação existente
(projeto, caderno de encargos, regulamento usados no projeto, registos de obra,
inspeções anteriores, entre outros).
Se as dúvidas iniciais permanecerem, passa-se à fase II que consiste na
realização de uma inspeção pormenorizada, podendo incluir a realização de
ensaios de campo. É feita uma análise renada da estrutura, podendo incluir
o uso de ferramentas probabilísticas. Se na fase II concluir-se que a estrutura
não satisfaz os critérios de segurança, as decisões a tomar poderão incluir o
reforço da estrutura, a implementação de alguma medida que permita reduzir
as sobrecargas (redução do n.
o de vias no caso de uma ponte, por exemplo),
a intensicação da monitorização ou ainda, como medida mais drástica, a de-

molição da estrutura e a sua substituição por uma nova.
No entanto, para estruturas de elevada importância económica, patrimo-
nial, ou outra, deve passar-se à fase III antes de se tomarem as decisões nais.
A fase III consiste na constituição de uma equipa de especialistas de varias
áreas de sensibilidade, que tentarão chegar a um consenso quanto à medida ou
medidas mais sensatas a tomar.
Figura 2.2 Procedimento recomendado pela JCSS para ava-

liações da segurança de estruturas existentes (JCSS, 2001a).
2.3 Recomendações de projetos de investigação

europeus
Refere-se de seguida algumas das principais recomendações de projetos de in-
vestigação nanciados por fundos europeus, designadamente o projeto BRIME,
que terminou em 2001. Este projeto e outros que lhe seguiram, nomeadamente
a Ação Cost 345 e o projeto SAMARIS, recomendam que uma avaliação es-
trutural seja feita por níveis de complexidade crescente, começando pelo nível
1 (o mais simples) e podendo chegar ao nível 5 (o mais avançado). Cada ní-
vel caracteriza-se pela introdução de determinados renamentos em relação ao
nível anterior: (1) renamentos dos modelos de resistência e ações, (2) re-
namentos dos modelos de cálculo e (3) renamentos ao nível dos formatos de
segurança. A Tabela 2.1 sintetiza as características essenciais de cada um dos
5 níveis mencionados.
Síntese das recomendações de organismos internacionais e europeus 11
Tabela 2.1 Níveis de avaliação propostos pelo projeto BRIME (adaptado)

Nível Modelos de resistência Modelos de cálculo Formatos de verica-
e ações ção da segurança
1 Como denido nos regula- Modelos simples. Regime Método dos coecientes
mentos em vigor. linear. parciais de segurança,
com os coecientes iguais
aos do dimensionamento.
2 " Modelos renados. Pode- "
se redistribuir esforços
dentro dos limites da duc-
tilidade da estrutura.
3 Modelos de resistência e " "
ações a partir de ensaios.
4 " " Modicação dos coecien-
tes parciais de segurança.
5 Modelos probabilísticos " Métodos puramente pro-
para todas as variáveis. babilísticos.
2.4 Síntese das recomendações de organismos

internacionais e europeus
De acordo com as recomendações analisadas na secção anterior, podemos iden-
ticar 3 princípios gerais a que uma avaliação estrutural deve obedecer. São
eles:
Uma avaliação estrutural deve realizar-se por etapas de complexidade

crescente, só avançando para a etapa seguinte se a etapa atual não for
conclusiva. Este princípio permite otimizar recursos.
Como proposto pela JCSS, parece razoável subdividir o procedimento
no máximo em 3 fases, em que a fase 3 aplica-se apenas a estrutu-
ras de grande importância patrimonial (certos monumentos históricos,
por exemplo), ou económica (certas pontes em itinerários principais, por
exemplo), ou estruturas que acarretem risco fora do comum (centrais
nucleares, por exemplo).
Cada uma dessas 3 fases inicia-se com a preparação de um contrato entre
o dono de obra e a entidade avaliadora e termina com a emissão de um
relatório por parte dessa entidade.
Em resumo, uma avaliação estrutural deve ser realizada de acordo com o

seguinte procedimento:
Início. Uma avaliação estrutural deve iniciar-se com a especicação clara

dos seus objetivos. Em geral os objetivos são uma consequência natural dos
motivos que desencadeiam a realização da avaliação. Deve estabelecer-se tam-
bém, se possível, o período de vida útil residual da estrutura, pois isso tem
repercussão nas distribuições de probabilidade das ações variáveis e em parti-
cular nos respetivos valores característicos. Se o período de vida útil residual
não poder ser estabelecido, deve adotar-se os valores de vida útil de projeto
para estruturas novas (50 ou 100 anos) (NP EN 1990, 2009). No inicio deve
ser feita também uma visita ao local.
Fase 1 — Avaliação preliminar. Nesta fase efetuam-se vericações su-

cintas de segurança. Usam-se modelos simples e recorre-se à informação dispo-
nível, como seja o projeto da estrutura, caderno de encargos, registos de obra,
e resultados de inspeções anteriores. Emprega-se o método dos coecientes
parciais de segurança preconizados na regulamentação aplicável.
Esta é uma importante fase, não só porque fornece uma primeira indicação
do estado de segurança da estrutura, mas também porque permite identicar
os pontos críticos da mesma, que poderão ser objeto de análise mais renada
na próxima fase.
A fase termina com a produção de um relatório, onde se descriminam as
principais conclusões. Se as dúvidas iniciais forem dissipadas, o processo ter-
mina. Caso contrário, o relatório deve propor as ações a tomar na fase seguinte,
incluindo a indicação de ensaios especícos a realizar.
Fase 2 — Avaliação detalhada. Nesta fase empregam-se modelos mais

renados, incluindo eventualmente modelos não lineares com redistribuição
parcial ou total de esforços (análise plástica). A análise plástica permite ex-
plorar o grau de hiperestaticidade das estruturas revelando-se muito útil na
avaliação da segurança de estruturas existentes. No Capitulo 12 faremos uma
breve recapitulação da teoria da plasticidade.
Os resultados dos ensaios experimentais eventualmente realizados devem
ser utilizados a m de caracterizar melhor as variáveis básicas do problema
(propriedades dos materiais e ações). Os critérios de segurança continuam a
basear-se no método dos coecientes parciais de segurança, mas admite-se a
possibilidade de ajustar alguns dos coecientes parciais de segurança recor-
rendo aos dados colhidos da estrutura. Este ajuste pode ser efetuado recor-
rendo aos coecientes de sensibilidade previstos no Anexo C do Eurocódigo 0
(NP EN 1990, 2009). No Capítulo 13 veremos como isso é feito.
Deve-se também ponderar a possibilidade de efetuar uma analise probabi-
lística completa dos EL críticos identicados na fase 1. A escolha dos modelos
probabilísticos pode ser efetuada recorrendo a bibliograa da especialidade e,
naturalmente, aos dados colhidos da estrutura em avaliação. A análise proba-
bilística permitirá efetuar uma análise de sensibilidade que será muito útil na
identicação das variáveis para as quais possa justicar-se a recolha de infor-
mação adicional da estrutura. Nos Capítulos 8 e 9 veremos como efetuar uma
análise probabilística completa, incluindo a analise de sensibilidade.
Os métodos probabilísticos permitem em princípio uma avaliação mais ra-
cional e realista da segurança da estrutura, já que permitem modelar de forma
explícita as diferentes fontes de incerteza, que são especícas da estrutura em
avaliação. No entanto, considerando que os problemas de abilidade são muito
sensíveis à forma e peso das caudas dos modelos probabilísticos (como irá car
claro ao longo do texto), esses devem ser convenientemente justicados. Como
veremos, é possível encontrar na bibliograa da especialidade recomendações
para as principais variáveis dos problemas de abilidade estrutural.
Para estruturas de grande importância (económica, patrimonial, ou outra),
deve passar-se à fase 3 antes de se tomarem as decisões nais.
Relatório de avaliação 13
Fase 3 — Estruturas de grande importância. A fase 3 terá sempre

caráter excecional. Como recomendado pela JCSS, caracteriza-se pela consti-
tuição de uma equipa de vários especialistas oriundos de várias áreas de sen-
sibilidade, dependendo do tipo de estrutura em mãos. Para alguns tipos de
estruturas poderá justicar-se a realização de uma avaliação de risco. No Ca-
pítulo 8 faremos também uma breve referência a este tipo de avaliação.
2.5 Relatório de avaliação

De acordo com o exposto anteriormente, no decurso de uma avaliação estru-
tural é necessário produzir um ou mais relatórios. Dão-se de seguida algumas
sugestões para o conteúdo desses relatórios, baseadas na ISO 13822 (2010).
A página de rosto do relatório deve conter o título, a data e a identicação
do cliente e autores do trabalho. Segue-se um resumo de uma ou duas páginas
(no máximo), descrevendo em linguagem sucinta o problema, aspetos signi-
cativos da investigação realizada, e as principais conclusões tiradas, incluindo
as recomendações resultantes da avaliação.
O texto principal do relatório poderá ter a seguinte composição:
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
Nesta secção faz-se uma breve descrição da estrutura avaliada, incluindo a

sua localização, o tipo de estrutura, e eventuais intervenções e mudanças
de utilização que tenha sofrido. A descrição poderá ser complementada
por meio de fotograas.
3. Investigação realizada
Esta secção faz uma descrição pormenorizada de todo o trabalho envol-

vendo a recolha de informação da estrutura avaliada. Deve listar-se todos
os documentos examinados, que poderão incluir: o projeto da estrutura,
o cadernos de encargos, os regulamentos utilizados no projeto, registos
de obra, certicados de qualidade dos materiais empregues, relatórios de
inspeções anteriores.
Deve-se também descrever as inspeções realizadas no âmbito da avalia-

ção. Quaisquer limitações encontradas devido a circunstancias fora do
controlo dos inspetores deverão ser mencionadas.
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
Esta secção apresenta todos os cálculos efetuados, incluindo a indicação

clara dos critérios adotados. Cálculos detalhados poderão ser remetidos
para anexo. Deve-se também discutir os resultados obtidos e as opções de
intervenção disponíveis. Quaisquer incertezas remanescentes ou necessi-

dades de investigação adicional deverão ser mencionados nesta secção.
5. Conclusões
O relatório termina com a indicação das principais conclusões do estudo

realizado, incluindo uma síntese das recomendações feitas e a sua funda-
mentação.
Capítulo 3
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.
3.1 Requisitos básicos para as estruturas

Uma estrutura apresenta bom desempenho quando cumpre 4 requisitos gerais,
que de forma sumária podem ser descritos como (NP EN 1990, 2009):
1. Segurança: As estruturas devem ser capazes de resistir a cenários de

muito baixa probabilidade de ocorrência, mas ainda assim verossímeis
(ações extremas ou resistências muito baixas). Quando sujeitas a tais
cenários extremos, admite-se que possam sofrer danos graves, mas na
medida do possível sem colapsar, de modo a reduzir ao mínimo o risco
de perdas de vidas humanas.
2. Utilização (ou serviço): As estruturas devem apresentar comporta-

mento adequado à sua utilização quando sujeitas às ações espetáveis
15
16 Conceitos fundamentais de segurança estrutural
(ações com probabilidade signicativa de ocorrência) durante a sua vida

útil.
3. Durabilidade: As estruturas devem manter-se numa boa condição (isto

é, sem deterioração signicativa) durante a sua vida útil, sem que para tal
sejam necessários custos de manutenção que não tenham sido previstos.
4. Robustez: As estruturas, quando sujeitas a ações de natureza acidental

ou a erros humanos graves, não devem sofrer danos desproporcionais à
causa que lhes dá origem.
Este último requisito está relacionado com a capacidade das estruturas

mobilizarem percursos de carga alternativos sempre que um dos seus elemen-
tos sofre danos graves. Estruturas hiperstáticas são assim mais robustas do
que estruturas isostáticas. Deve-se evitar soluções estruturais que potenciem
o colapso progressivo. Trata-se de um assunto interessante, mas ainda em de-
senvolvimento. De facto não é fácil estabelecer critérios precisos que permitam
classicar uma estrutura como não sendo sucientemente robusta. Atualmente,
a satisfação do requisito da robustez é feita principalmente ao nível das boas
práticas de conceção, como por exemplo privilegiando ligações monolíticas en-
tre os elementos estruturais.
Relativamente ao requisito da durabilidade, enfatiza-se que este requisito
só deixa de ser satisfeito quando os custos de manutenção são superiores aos
inicialmente previstos. Está implícito na denição do requisito que é necessário
reservar fundos para trabalhos de manutenção. De facto todas as estruturas
requerem manutenção, embora umas mais que outras. As estruturas metálicas,
por exemplo, necessitam de maior manutenção que as estruturas de betão.
A vericação do desempenho aos requisitos acima, e muito em especial
aos requisitos da segurança e de utilização, é feita recorrendo ao chamado
método dos estados limites. Antes de se analisar em que consiste este método,
é oportuno precisar os conceitos de estado limite, abilidade e segurança.
3.2 Conceitos de estado limite, fiabilidade e

segurança
3.2.1 Conceito de estado limite
Como o nome sugere, estado limite (EL) é um estado a partir do qual a estru-
tura é considerada com danos, deixando de cumprir algum requisito de bom
desempenho. Consoante o tipo e gravidade desses danos, os EL classicam-se
em dois grandes grupos:
1. Estados limites últimos: Estados associados a danos graves, suscetí-

veis de colocar em causa a segurança das pessoas e bens.
2. Estados limites de utilização: Estados associados a danos pouco seve-

ros, suscetíveis de prejudicar o funcionamento da estrutura, o seu aspeto,
ou o conforto dos utilizadores.
Salienta-se que os EL últimos dizem respeito não só à segurança da es-

trutura propriamente dita, mas sobretudo à segurança das pessoas, quer as
que utilizam a estrutura, quer as que estão nas suas imediações. Isto signica
Conceitos de estado limite, abilidade e segurança 17
que, qualquer estado adverso suscetível de por em risco a vida de pessoas é

sucientemente grave para que seja classicado como EL último.
Rera-se que a versão de 2015 da Norma ISO 2394 (2015) menciona também
o EL de durabilidade, relacionado com a presença de deterioração. É provável
que este tipo de estado limite venha a ter, num futuro próximo, um nível
de importância e destaque semelhantes aos que já têm os EL últimos e de
utilização.
Como exemplos de EL últimos podemos citar:
Perda de equilíbrio da estrutura, considerada como corpo rígido.

Estado limite de resistência (exão, esforço transverso, etc.).
Rotura ou deformação excessiva do terreno de fundação.
Perda de resistência por fenómenos de fadiga.
Instabilidade da estrutura ou de uma das suas partes.
Transformação da estrutura num mecanismo.
Como exemplos de estados limites de utilização, refere-se:
Danos locais, suscetíveis de acelerar a deterioração da estrutura ou pre-

judicar a sua aparência (ssuração nas estruturas de betão armado, por
exemplo).
Deformação suscetível de prejudicar a aparência da estrutura ou afetar
elementos não estruturais.
Vibrações excessivas, suscetíveis de causar desconforto nos utilizadores.
Enfatiza-se que a distinção entre EL último e El de utilização tem a ver

fundamentalmente com a gravidade desses estados, isto é, com as consequên-
cias mais ou menos severas que advêm se esses estados forem atingidos. É
possível, no entanto, diferenciar a gravidade dentro de cada um desses dois
grupos. Por exemplo, os EL de utilização podem ser reversíveis ou irreversí-
veis. Naturalmente estes últimos são mais graves. Os EL últimos podem ser
precedidos de aviso (menos graves) ou ocorrer repentinamente (mais graves).
Por exemplo uma rotura dúctil é menos grave que uma rotura frágil, pois as
deformações que precedem a rotura constituem um aviso, permitindo assim
tomar medidas mesmo antes de se atingir o estado limite e consequentemente
minorar as consequências.
A diferenciação da gravidade dos EL deve reetir-se nos níveis de abilidade
a requerer para esses estados. Estados mais graves devem ter probabilidades
de ocorrência menores, e portanto valores superiores de abilidade. É este o
sentido da expressão níveis apropriados de abilidade que consta no objetivo
geral para as estruturas, visto no início do Capítulo.
3.2.2 Conceito de fiabilidade e segurança

A abilidade ( reliability ) duma estrutura refere-se sempre a um requisito (ou
vários requisitos em simultâneo), e a um intervalo de tempo particular. Mais
concretamente, a abilidade de uma estrutura em relação a um requisito e a
um intervalo de tempo é a probabilidade desse requisito ser satisfeito durante
esse intervalo de tempo.
Trata-se assim de uma grandeza quantitativa (neste caso uma probabili-
dade, e portanto compreendida entre 0 e 1), suscetível de ser calculada ou
estimada. Por exemplo, suponhamos uma viga para a qual se estimou uma
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
3.3 O método dos estados limites

A vericação do desempenho das estruturas
2 é feita hoje em dia recorrendo
ao chamado método dos estados limites. Este método consiste basicamente

em comparar, para cada estado limite relevante, uma grandeza atuante E,
representando o efeito das ações, com uma grandeza correspondente R, repre-
sentando resistência ou capacidade da estrutura face ao efeito em consideração,
procurando-se garantir que:
E ≤ R. (3.1)
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
parciais de segurança, que continua a ser o método principal de vericação da

segurança de estruturas novas. Para estruturas existentes, porém, os méto-
dos probabilísticos começam a ser cada vez mais utilizados. Os exemplos que
iremos ver ao longo do texto irão mostrar porquê.
Nota histórica A metodologia que antecedeu o método dos estados limites

é conhecida como método das tensões admissíveis 4 . A ideia do método con-
sistia basicamente em comparar uma tensão atuante, σact , com uma tensão
admissível, σadm , procurando-se garantir que:
σact ≤ σadm . (3.2)
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.
Analisemos de forma mais detalhada em que consistem as duas aborda-

gens mencionadas acima. Comecemos pelo método dos coecientes parciais de
segurança (CPS).
3.3.1 Método dos coeficientes parciais de segurança

De acordo com o método dos CPS, as grandezas E e R são quanticadas
por um único valor, chamado valor de dimensionamento, ou valor de cálculo,
representado respetivamente por Ed e Rd . A condição de segurança é escrita
na forma:
Ed ≤ Rd (3.3)
na qual os valores de dimensionamento são dados por:
Ed = γF Ek (3.4)
Rk
Rd = (3.5)
γM
Os fatores γF e γM designam-se por coecientes parciais de segurança, respe-

tivamente para ações e propriedades dos materiais.
Ek e Rk representam os chamados valores característicos
As quantidades
das variáveis E
R, respetivamente. O valor característico de uma variável
e
refere-se ao quantil p da sua distribuição de probabilidade, considerando-se
geralmente p = 0.95 para ações e p = 0.05 para propriedades dos materiais.
4
Este método tem uma longa história de utilização na área da Geotecnia e ainda é utilizado
no dimensionamento de fundações.
Assim, representando a função distribuição cumulativa

5 de E por FE (·), e a
função distribuição cumulativa de R por FR (·), tem-se (Figura 3.1):
Ek = FE−1 (0.95); (3.6)
Rk = FR−1 (0.05). (3.7)
Deve salientar-se que a escolha desses quantis (0.05 ou 0.95) é perfeitamente

convencional. Na verdade poder-se-iam usar quaisquer outros quantis, desde
que os coecientes parciais de segurança fossem corrigidos de modo a manter
o valor de dimensionamento.
Figura 3.1 Representação esquemática do método dos Coecientes Parciais de Se-

gurança. A segurança considera-se satisfeita se E ≤ R .
d d
O método dos CPS, expresso na Eq. (3.3), é dito método semi-probabilístico

visto que utiliza alguns conceitos probabilísticos, nomeadamente o conceito de
valor característico. No entanto, visto que as ações e as resistências são repre-
sentadas por um único valor, o método é essencialmente um método determi-
nístico.
Exemplo 3.1 Considere a estrutura existente cujo modelo se representa

na Figura junta. A estrutura suporta uma carga Q e o seu peso próprio
é desprezável. Sabe-se que a carga Q não pode ultrapassar 210 kN, mas
existem dúvidas sobre a capacidade de suporte dessa carga. Suspeita-se
que a resistência do tirante AB não é suciente. Esse tirante é constituído
por um varão ordinário da classe A500 com diâmetro de 20 mm (As = 3.14
2
cm ). O valor característico da tensão de cedência do aço, fyk , é de 500
MPa.
5
No próximo Capítulo faremos uma breve revisão deste e de outros conceitos probabilís-
ticos.
O método dos estados limites 21
Vericar a segurança ao EL de resistência do tirante face a uma carga

Q de 210 kN. Considerar o coeciente de segurança habitual γM = 1.15.
Resolução
A condição de segurança é NEd ≤ NRd . O esforço axial no tirante AB
é:
ΣFx = 0 ⇔ F cos θ = NE (a)

Q
ΣFy = 0 ⇔ F sen θ = (b)
2
Dividindo (a) por (b), vem:
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,
NEd = (2/3)(1.00 × 210) = 140 kN.
Relativamente à resistência do aço, o valor de cálculo da tensão de cedên-

fyk 500
cia é fyd = γM = 1.15 ≈ 435 MPa. Portanto,
NRd = fyd As = 43.5 × 3.14 = 136.6 kN.
Como NEd > NRd , a segurança não se encontra satisfeita.

Iremos mais tarde avaliar para esta mesma estrutura a probabilidade
do tirante AB romper.
3.3.2 Metodologia probabilística

Na metodologia probabilística, as variáveis E e R são representadas, não por
um único valor, mas por uma distribuição de probabilidade. Uma vez atribuí-
das distribuições de probabilidade a E e R, pode avaliar-se sem diculdade
a probabilidade do evento E > R, probabilidade essa que designaremos por
6
probabilidade de falha . A probabilidade de falha é assim denida por:
pf = P (E > R). (3.8)
Na abordagem probabilística da segurança estrutural, procura-se que a pro-

babilidade pf seja inferior a um valor previamente aceite como máximo admis-
sível, ou valor-alvo ( target ), usualmente representado por pf T . Assim, numa
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.
abordagem totalmente probabilística, a vericação da segurança em relação a

um determinado EL consiste em vericar a condição:
pf ≤ pf T . (3.9)
Os regulamentos modernos para a segurança das estruturas contêm recomen-

dações respeitantes à probabilidade pf T . Um valor típico para EL últimos e
para um período de 50 anos é pf T = 7.2 × 10−5 . No Capítulo 10 analisaremos
o problema da determinação desta probabilidade.
No próximo capítulo iremos considerar novamente a estrutura do exem-
plo anterior e iremos determinar a probabilidade do tirante romper quando se
aplica uma carga Q = 210 kN. Veremos que a abilidade da estrutura face
ao cenário de rotura do tirante é suciente. Pode acontecer assim que uma
estrutura não verique a segurança segundo o método dos CPS e ainda assim
possua abilidade suciente. Por este motivo, a aplicação de metodologias pro-
babilísticas tem vindo a ser fortemente encorajada no domínio da segurança
de estruturas existentes. Se uma estrutura não cumprir os critérios de segu-
rança segundo o método dos CPS, não devemos concluir logo que a estrutura
necessita de ser reforçada. Como os trabalhos de reforço são em geral muito
onerosos, justica-se plenamente uma análise da segurança mais rigorosa. Se
se concluir que a estrutura anal possui abilidade suciente, os trabalhos de
reforço serão desnecessários e os fundos poupados poderão ser empregues de
maneira mais eciente em trabalhos de manutenção.
Capítulo 4
Conceitos elementares de
probabilidade
Como cou bem patente nos capítulos anteriores, os métodos probabilísticos

desempenham um papel fundamental no domínio da segurança estrutural, com
especial relevância na área das estruturas existentes. É pois oportuno fazer
uma breve revisão dos conceitos fundamentais de probabilidade, talvez um
pouco esquecidos nesta fase do curso. Os conceitos principais serão ilustrados
por meio de exemplos, todos eles diretamente relacionados com o problema da
segurança estrutural.
4.1 Conceito de probabilidade

Existem diferentes interpretações do conceito de probabilidade. Mencionare-
mos apenas as que têm maior interesse no domínio da segurança estrutural: a
interpretação frequencista e a interpretação Bayesiana.
A interpretação frequencista, que dominou claramente a primeira metade
do século XX (Paulino et al., 2003), identica a probabilidade de um aconte-
cimento com a respetiva frequência relativa. Recorde-se que, dada uma expe-
riência aleatória realizada n vezes, a frequência relativa de um acontecimento
A associado a essa experiência é denida por:
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
determinado edifício colapsar. Ora, se esse edifício colapsar, isso só acontece

uma vez, não sendo por isso uma experiência repetível. Por outro lado, mesmo
que se considerasse que as n repetições da experiência correspondem à obser-
vação de n edifícios semelhantes (durante um certo período de tempo), mesmo
assim surgiria a diculdade do cumprimento do requisito de que a experiência
tem de ser realizada em condições semelhantes, pois não existem dois edifícios
iguais, sujeitos a idênticas condições.
A interpretação Bayesiana de probabilidade permite ultrapassar estas li-
mitações. Segundo esta interpretação, a probabilidade de um acontecimento é
simplesmente uma medida na escala entre 0 e 1 da conança que se tem na
eventual ocorrência desse acontecimento, independentemente de ser repetível
ou não.
Esta conança, ou grau de certeza, depende fundamentalmente do nível de
informação que se tem a respeito desse acontecimento, não tanto do aconteci-
mento em si. Assim, a probabilidade está sempre condicionada à informação
que se dispõe do acontecimento em apreço, podendo ser alterada sempre que
surjam novas informações que modiquem as expetativas que se tinha inici-
almente. Não existem pois probabilidades absolutas (Bernardo and Smith,
1994). Esta interpretação, frequentemente referida como interpretação sub-
jetiva ou personalista (Paulino et al., 2003), é substancialmente diferente da
interpretação frequencista, que interpreta a probabilidade em sentido absoluto,
denindo inclusivamente a probabilidade por meio de uma equação especica
(Eq. (4.2)).
Note-se no entanto que, se estiver a analisar-se uma experiência repetí-
vel e se existirem resultados em número suciente dessa experiência, pode
fundamentar-se a atribuição de uma probabilidade como medida de con-
ança a partir de uma frequência, e nesse sentido pode armar-se que a
interpretação Bayesiana de probabilidade engloba a interpretação frequencista
como um caso particular (Hahn and Shapiro, 1994).
É interessante notar que a interpretação Bayesiana está inteiramente em
harmonia com o uso da palavra probabilidade no quotidiano. Por exemplo,
quando alguém diz, referindo-se a determinado acontecimento futuro, isso é
pouco provável que aconteça, essa pessoa está a armar que não sabe se o
acontecimento vai ocorrer ou não, mas cará mais surpreendida se acontecer
do que se não acontecer. Se se pedir a essa pessoa que expresse a sua conança
numa escala entre 0 e 1, explicando-lhe que 0 signica que tem a certeza que
não vai acontecer e 1 signica que tem a certeza que vai acontecer, talvez o
consiga fazer.
Visto que não existem probabilidades absolutas, não sendo assim possí-
vel denir o conceito por meio de uma equação explícita (como a Eq. (4.2),
por exemplo), surge o problema de como denir rigorosamente o conceito de
forma ser possível construir uma teoria lógica e consistente para o cálculo de
probabilidades. Os matemáticos resolveram o problema denindo conceito de
probabilidade de forma axiomática, isto é, introduziram o conceito através das
propriedades (chamados axiomas) que tem de satisfazer. Recorde-se então os
três axiomas, conhecidos por axiomas de Kolmogorov, que constituem a base
para a construção de toda a teoria matemática das probabilidades.
Seja S 1
o espaço de resultados de uma dada experiência . Seja A um evento
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
qualquer desse espaço. Chama-se probabilidade de A ao número real, em geral

representado por P (A), que mede a conança que se tem na eventual ocorrência
de A e que satisfaz os seguintes axiomas:
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).
O primeiro axioma arma que a probabilidade é um número compreendido

entre 0 e 1. O segundo arma que o espaço de resultados é um acontecimento
certo, isto é, se a experiência for realizada, pelo menos um dos acontecimentos
do espaço de resultados ocorre. O terceiro arma que as probabilidades são
2
aditivas . A partir destes axiomas é possível deduzir todas as propriedades do
conceito de probabilidade. Por exemplo, pode demonstrar-se que, dados dois
eventos quaisquer A e B, tem-se:
P (A ∪ B) = P (A) + P (B) − P (A ∩ B). (4.3)
Os símbolos ∪ e ∩, que veem da teoria dos conjuntos, representam, recorde-se,

reunião e interseção de conjuntos.
Visto que os acontecimentos podem ser interpretados como subconjuntos
de um conjunto maior (o espaço de resultados), a probabilidade p = P (A)
pode ser vista como uma função de conjunto: uma função que atribui a cada
acontecimento um número real p compreendido entre 0 e 1, que, como se disse,
mede a conança (ou grau de certeza) que se tem a respeito da possibilidade
de ocorrência desse acontecimento. As probabilidades p = 0 e p = 1 correspon-
dem às duas situações extremas em que não há incerteza: probabilidade nula
indica não ocorrência certa e probabilidade unitária indica ocorrência certa.
A probabilidade p = 0.5 corresponde à máxima incerteza e indica que não se
tem nenhuma inclinação, quer no sentido da ocorrência, quer no sentido da
não ocorrência.
Enfatiza-se que a interpretação Bayesiana de probabilidade (como medida
de conança ou de certeza) é perfeitamente compatível com experiências que
não sejam puramente aleatórias. Considere-se um exemplo. Suponha-se que
se está a avaliar a segurança de uma estrutura de betão armado existente, e,
especicamente, deseja-se determinar a probabilidade de ser excedida a resis-
tência à exão numa determinada secção crítica da estrutura. Uma variável
importante do problema é a área de armadura nessa secção. Ora, a área de
armadura é uma quantidade xa é a que lá está. Contudo, mesmo que se
tenha acesso ao projeto da estrutura, o seu valor é desconhecido, não só porque
são perfeitamente naturais pequenas variações decorrentes do processo de fa-
brico, mas também porque, supondo que existe corrosão ativa, desconhece-se
em que medida a corrosão provocou perda de secção. A atribuição de uma
distribuição de probabilidade à área da armadura não signica que se está a
armar que tal quantidade é uma variável aleatória, mas surge como medida
prática de caracterização da incerteza que se tem a respeito do seu verdadeiro
valor.
2
Note-se que estes axiomas, que se aceitam sem discutir, constituem propriedades do
conceito de frequência relativa, sendo por isso intuitivos.
Podemos então concluir que, do ponto de vista Bayesiano, não há qualquer

objeção em atribuir-se distribuições de probabilidade a quantidades xas. O
verdadeiro valor de uma quantidade xa, mas desconhecida, é muitas vezes
referido como o estado da natureza (Benjamin and Cornell, 1970), o qual, por
ser desconhecido, faz sentido atribuir-lhe uma probabilidade.
4.2 Conceito de probabilidade condicionada

A atribuição de uma probabilidade a um acontecimento, ou a um estado desco-
nhecido da natureza, está sempre condicionada a informação disponível. Não
admira por isso que um dos conceitos probabilísticos mais importantes seja o
conceito de probabilidade condicionada. Sejam A e B dois acontecimentos (ou
dois estados desconhecidos da natureza). Chama-se probabilidade de A dada
a ocorrência de B ao valor que se representa por P (A | B), dado por:
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
Da denição de probabilidade condicionada obtém-se imediatamente o cha-

mado Teorema da multiplicação de probabilidades :
P (A ∩ B) = P (A | B) P (B) = P (B | A) P (A). (4.7)
Recorda-se agora o chamado Teorema da probabilidade total. Mas antes

recorde-se o conceito de partição de um espaço de resultados. Seja S um espaço
de resultados e B1 , . . . , Bk um conjunto de acontecimentos desse espaço. Os
acontecimentos B1 , . . . , B k constituem uma partição de S se e só se (Figura
4.1):
1. Bi ∩ Bj = φ (φ representa o conjunto vazio)
2.
Sk
i=1 Bi =S
Figura 4.1 Representação esquemática de

uma partição de um espaço de resultados.
Seja então B1 , . . . , Bk uma partição do espaço de resultados S, e A um
acontecimento qualquer desse espaço. O Teorema da probabilidade total arma
que:
P (A) = P (A | B1 ) P (B1 ) + · · · + P (A | Bk ) P (Bk ). (4.8)
Vejamos uma aplicação simples deste teorema.
Exemplo 4.1 Uma dada estrutura tem uma probabilidade anual de

colapso de 10
−6 . Estimou-se que, se a estrutura colapsar, a probabilidade
de alguém morrer sob a estrutura é de 10−1 . Determinar a probabilidade
de existir pelo menos uma morte no próximo ano em resultado do colapso
daquela estrutura.
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) = P (A | B) · P (B) + P (A | B̄) · P (B̄)

= (10−1 ) · (10−6 ) + 0 · (1 − 10−6 )
= 10−7 .
Fazendo intervir o Teorema da probabilidade total no Teorema de Bayes,

este pode ser reescrito na seguinte forma:
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 )
Exemplo 4.2 Admita-se que uma determinada viga de betão armado,

segundo um perito, possui uma probabilidade de 0.75 de ter corrosão ativa
nas armaduras. Com o objetivo de reduzir a incerteza sobre se existe ou
não presença de corrosão, realizou-se um ensaio. Contudo, o ensaio não é
100% ável, isto é, pode dar um resultado errado. Mais concretamente,
em 5% de elementos sem corrosão, o ensaio indica que existe corrosão, e
em 5% de elementos sem corrosão, o ensaio indica que existe corrosão.
Admita-se que a viga foi testada e o resultado foi positivo, isto é,
indicou corrosão ativa. Determinar a probabilidade atualizada da peça
possuir efetivamente corrosão ativa.
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) = 0.75; P (C̄) = 0.25;

P (+ | C) = 0.95; P (− | C) = 0.05;
P (+ | C̄) = 0.05; P (− | C̄) = 0.95;
Aplicando o Teorema de Bayes, vem:
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)
Exemplo 4.3 (Adaptado de Faber (2012)) Suponha que se está a avaliar

a segurança de uma estrutura existente, mas desconhece-se a classe de
resistência do betão. Sabe-se que o betão da estrutura pertence a uma das
seguintes 3 classes: C20, C25 ou C30, mas não existe qualquer indicação
que nos faça acreditar que uma classe é mais provável do que outra, de
modo que foi decidido atribuir as seguintes probabilidades a priori :
Classe (Ci ) P (C = Ci )
C20 0.33
C25 0.34
C30 0.33
Com o objetivo de reduzir a incerteza na classe de betão, procedeu-se

a um determinado ensaio. O Ensaio, porém, não é 100% ável, isto é,
pode identicar erroneamente a classe. Mais concretamente, a abilidade
Conceito de independência estatística 29
do ensaio é expressa na seguinte tabela de probabilidades P (E = Ci |

C = Cj ):
C= C20 C= C25 C= C30
E= C20 0.70 0.18 0.02

E= C25 0.28 0.61 0.32
E= C30 0.02 0.21 0.66
Suponha que o ensaio foi realizado e indicou que o betão pertence à

classe C25. Determine as novas probabilidades da classe de resistência do
betão.
Resolução
Em preparação.
4.3 Conceito de independência estatística

Recorda-se agora o conceito de independência estatística entre dois aconteci-
mentos. Dois acontecimentos A e B dizem-se estatisticamente independentes
quando a ocorrência de um deles em nada afeta a probabilidade de ocorrência
do outro, isto é, P (A | B) = P (A) e P (B | A) = P (B).
Comparando esta denição com a Eq. (4.7) obtém-se imediatamente o
seguinte resultado:
A e B são independentes ⇔ P (A ∩ B) = P (A) P (B), (4.10)
ou seja, quando dois acontecimentos são independentes a probabilidade de

ocorrência simultânea é dada pelo produto das suas probabilidades.
Exemplo 4.4 Admita que uma estrutura tem uma probabilidade de

colapsar p1 = 10
−6 em um ano qualquer e que um eventual colapso é
independente de ano para ano.
a) Determinar a probabilidade de colapso em 50 anos.
b) Determinar quantos anos a estrutura necessitaria de estar em serviço

para que a probabilidade de colapso aumentasse para 0.10.
Resolução
a) Seja pn = P (colapso em n anos). Tem-se:
pn = 1 − P (não colapso em n anos)
= 1 − P (não colapso no ano 1 ∩ não colapso no ano 2 ∩ ...)

= 1 − P (não colapso no ano 1) P (não colapso no ano 2) ···
n
= 1 − (1 − p1 )
Considerando p1 = 10−6 , obtém-se p50 ≈ 50 × 10−6 .
b) Começamos por resolver a equação pn = 1 − (1 − p1 )n em ordem a

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 )
Fazendo pn = 0.10 e p1 = 10−6 obtém-se n = 105 360 anos!
4.4 Variáveis aleatórias e distribuições de

probabilidade
4.4.1 Conceito de variável aleatória
No texto que segue, uma variável aleatória refere-se a uma grandeza desconhe-
cida, ou incerta, cujos possíveis valores só poderão ser conhecidos em termos
probabilísticos. Uma tal variável não tem necessariamente natureza aleatória
(no sentido de imprevisibilidade), podendo referir-se a um estado desconhecido
da natureza.
Quando o valor de uma grandeza for conhecido com grau razoável de cer-
teza, diz-se que se trata de uma grandeza determinística. Temos assim dois
tipos de grandezas: aleatórias e determinísticas.
As variáveis aleatórias são tradicionalmente representadas por letras maiús-
culas (X , Y, . . . ) e as suas realizações particulares por letras minúsculas (x,
y, . . . ). Assim, por exemplo, a expressão P (X = x) refere-se à probabilidade
da variável X assumir o valor particular x.
As variáveis aleatórias podem ser discretas ou contínuas. Uma variável X
é discreta quando o conjunto das suas realizações possíveis é numerável (nito
ou innito). Uma variável X é contínua quando o conjunto das suas realizações
possíveis é não numerável. O conjunto das realizações possíveis de uma variável
aleatória é chamado espaço de resultados ou domínio da variável.
Exemplos de variáveis discretas:
X = {0, 1}, onde X = 0 signica que terminado elemento estrutural não

possui certo defeito e X = 1 signica que possui.
X = {1, 2, 3}, com X representando uma das 3 classes de resistência

dos aços usados em Portugal nos últimos 30 anos, respetivamente A235,
A400 e A500.
X = {Número de camiões que atravessam diariamente uma determi-

nada ponte}. O conjunto dos valores possíveis é naturalmente X =
{0, 1, 2, . . . }.
Exemplos de variáveis contínuas:
X = {Resistência à compressão do betão de determinado elemento es-

trutural}.
X= {Valor da sobrecarga de utilização num determinado edifício}.

Variáveis aleatórias e distribuições de probabilidade 31
X = {Velocidade do vento numa determinada localidade, a uma deter-

minada altura acima do solo}.
4.4.2 Distribuições de probabilidade

Variáveis discretas
Seja X = {x1 , x2 , . . . } uma variável discreta. Chama-se função massa de
probabilidade de X (FMP) à função pX (x) que associa a cada valor de X
a sua probabilidade, isto é, pX (xi ) = P (X = xi ), e que satisfaz a seguinte
propriedade:
X
pX (xi ) = 1. (4.11)
i
A Figura 4.2 representa um gráco típico de uma FMP.
Figura 4.2 Gráco típico de uma FMP de

uma variável discreta.
Chama-se função distribuição cumulativa da variável X (FDC) à função
FX (x) denida para todo o x real, dada por:
FX (x) = P (X ≤ x) (4.12)
cuja representação gráca tem o andamento típico ilustrado na Figura 4.3, dita
função em escada.
Figura 4.3 Gráco típico de uma FDC de uma variável discreta.

Note-se que o domínio de F (x) é ] − ∞, +∞[, pois, por denição,
a FDC está denida para todo o x.
X
No Anexo A apresenta-se uma breve descrição dos modelos probabilísticos

mais comuns para variáveis discretas.
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
e que satisfaz a seguinte propriedade :

3
Z +∞
fX (x) dx = 1. (4.14)
−∞
Figura 4.4 Representação gráca de uma FDP de uma

variável contínua. A probabilidade de uma variável contí-
nua assumir valores dentro de um certo intervalo representa
uma área sob a sua FDP.
X = c. Que signicado tem fX (c)? O
Considere-se a realização particular
valor fX (c) representa uma probabilidade por unidade de X (na vizinhança
de X = c), e daí o nome densidade de probabilidade. Note-se que fX (c)
não representa P (X = c). A probabilidade P (X = c) pode ser vista como o
produto fX (c) dx, sendo por isso uma quantidade innitesimal, isto é, P (X =
c) → 0. Assim, convém ter presente que, enquanto que a probabilidade é
uma quantidade adimensional, a FDP tem unidades: é expressa em unidades
inversas de X. Por exemplo, se X representar uma tensão de rotura em MPa
de um dado material, fX (x) é expressa em MPa
−1 .
Deniu-se anteriormente para variáveis discretas a chamada função distri-

buição cumulativa, representada por FX (x). No caso de variável contínuas, a
denição de função distribuição cumulativa é exatamente a mesma, isto é:
FX (x) = P (X ≤ x), (4.15)
cujo gráco, para variáveis contínuas, tem o andamento típico ilustrado na

Figura 4.5.
3
Como a integração vai de −∞ a +∞, está subentendido que fX (x) = 0 para todos os
valores de X fora do seu domínio.
Figura 4.5 Gráco típico de uma FDC de uma variável contínua.

Rx
Tem-se, obviamente FX (x) = −∞ fX (x) dx. Além disso, por força dos
teoremas fundamentais do Calculo diferencial e integral:
dFX (x)
fX (x) = , (4.16)
dx
P (a < X < b) = FX (b) − FX (a). (4.17)
No Anexo B apresenta-se uma descrição sucinta dos modelos probabilísticos

com maior interesse em segurança estrutural e que iremos usar ao longo do
texto. No próximo exemplo vamos usar o modelo Normal. Talvez o leitor
queira fazer aqui uma breve pausa e fazer uma recapitulação desse modelo
antes de considerar o exemplo que segue. (Ver p. 175.)
Exemplo 4.5 Considere-se novamente a estrutura analisada no Capí-

tulo 3, cujo modelo de cálculo se reproduz de seguida. Recorde-se que a
estrutura destina-se a suportar uma carga Q, cujo valor é, no máximo,
210 kN. O tirante AB é constituído por um varão φ20 da classe A500.
Por aplicação do método dos CPS concluiu-se que a estrutura não é se-
gura à aplicação de uma carga exatamente de 210 kN. (O tirante não tem
resistência suciente.)
A m de avaliar a segurança da estrutura com maior rigor fez-se uma breve

pesquisa, tendo-se encontrado um estudo contendo uma análise estatística
da tensão de cedência de vários milhares de varões da classe A400 e A500,
produzidos durante um período de cerca de 20 anos, envolvendo vários
produtores de aço (Baptista and Filipe, 2016). No caso do aço A500, o

estudo reportou uma tensão média de cedência de 563 MPa e um desvio
padrão de 26 MPa. O histograma apresentado no estudo sugere que o
modelo Normal é adequado.
a) Determinar a probabilidade do tirante romper para uma carga Q=

210 kN, assumindo que fy ∼ N(563, 26) MPa.
b) Suponha-se que a estrutura suportou uma carga de 200 kN e não

colapsou. Estimar novamente a probabilidade do tirante romper
usando esta informação.
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 .
Iremos ver no Capítulo 10, dedicado aos criérios de aceitação da

abilidade, que esta probabilidade é perfeitamente aceitável, pelo
que a estrutura pode ser considerada segura à aplicação de uma
carga de 210 kN, embora o método dos CPS tivesse conduzido a
uma conclusão diferente.
Este exemplo permite apreciar as potencialidades da metodologia

probabilística no âmbito da segurança de estruturas existentes. O
exemplo mostra também o benefício de se usar as propriedades reais
dos materiais, e não as especicadas nos regulamentos.
b) Trata-se de uma aplicação direta da denição de probabilidade con-

dicionada:
2
Q = 200 kN ⇒ NE = 200 = 133.33 kN
3
⇒ NR > 133.33 kN
⇒ fy As > 133.33 kN
⇒ fy > 424.63 MPa.

Pretende-se pois avaliar a probabilidade:
pf = P (fy < 445.86 | fy > 424.63)

P (424.63 < fy < 445.86)
=
P (fy > 424.63)
Ff (445.86) − Ffy (424.63)
= y
1 − Ffy (424.63)
= 3.26 × 10−6 .
O conhecimento de que o tirante não rompeu quando se aplicou

uma carga de 200 kN reduziu assim a probabilidade procurada em
cerca de 2%. Não é uma redução signicativa, mas não é de es-
tranhar. Com efeito, como a probabilidade do tirante romper para
Q = 210 kN é muito pequena, não constituiu nenhuma surpresa o
facto do tirante não romper para Q = 200 kN.
4.4.3 Medidas descritivas de variáveis aleatórias

Medidas de posição central
Chama-se valor esperado ou média da variável X ao valor, em geral represen-
tado por E(X) ou por µX , denido por:
X
E(X) = xi pX (xi ) (4.18)
i
se X for discreta, e por:
Z +∞
E(X) = xfX (x) dx (4.19)
−∞
se X for contínua.
O Valor esperado goza das seguintes propriedades:
E(cX) = cE(X) (4.20)
E(X + Y ) = E(X) + E(Y ) (4.21)
E(X · Y ) = E(X) · E(Y ), se X e Y forem independentes. (4.22)
Outras medidas de posição central incluem a mediana e a moda. A me-

diana divide a distribuição de probabilidade em duas partes iguais, cada uma
com uma probabilidade de 0.5, e a moda é o valor com maior densidade de
probabilidade. (Ver Figura 4.6.) Naturalmente, para distribuições simétricas,
estas três medidas coincidem.
Figura 4.6 Representação gráca da média, mediana e moda. A média

corresponde ao centro de gravidade da área sob a FDP.
Medidas de variabilidade
Chama-se variância de uma variável X ao valor que se representa por Var(X),
ou por
2 ,
σX denido por:
Var(X) = E (X − µX )2

(4.23)
Como esta denição sugere, a variância de uma variável mede a dispersão

dos seus valores em torno da média. Uma variância elevada signica que os
diferentes valores estão afastados do valor médio.
De acordo com esta denição, a variância pode ser calculada por:
X
Var(X) = (xi − µX )2 pX (xi ), (4.24)
i
se X for discreta, e por:

Z +∞
Var(X) = (x − µX )2 fX (x) dx, (4.25)
−∞
se X for contínua.
A variância goza das seguintes propriedades:
Var(X + c) = Var(X) (4.26)
Var(cX) = c2 Var(X) (4.27)
Var(X + Y ) = Var(X) + Var(Y ), para X e Y independentes. (4.28)
Pode também demonstrar-se que:
Var(X) = E(X 2 ) − µ2X . (4.29)
Chama-se desvio padrão de X ao valor σX , denido por:
p
σX = Var(X) (4.30)
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
Um outro parâmetro relacionado com a variabilidade é o coeciente de

variação. Chama-se coeciente de variação de X ao valor que representaremos
por VX , denido por:
σX
VX = (4.31)
µX
O coeciente de variação, como medida de dispersão ou variabilidade, tem a

vantagem, comparativamente com o desvio padrão, de ser adimensional, o que
facilita a comparação de variabilidades de grandezas com diferentes unidades.
Exemplo 4.6 Considere a viga representada na Figura junta, sujeita a

duas cargas, g e Q, independentes, com médias e desvios padrão conforme
indicados. Determinar a média e o desvio padrão do momento etor a
meio vão da viga.
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:
µM = 4.5(5) + 1.50(60) = 112.5 kNm;

2
σM = (4.5) (0.5) + (1.5) (6) = 86.1 (kNm)2 ;
2 2 2 2
√
σM = 86.1 = 9.3 kNm.
Foi assim possível determinar a média e o desvio padrão do momento

a meio vão da viga sem conhecer explicitamente as distribuições de pro-
babilidade das cargas.
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.
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
Este coeciente, como o nome indica, mede a assimetria das distribuições.

Distribuições simétricas tem coeciente de assimetria nulo. (Ver Figura 4.7.)
Figura 4.7 Ilustração do Coeciente de assimetria.
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.
Figura 4.8 Ilustração do Coeciente de curtose.

α4 (B) > α4 (A).
4.4.4 Inversas de distribuições de probabilidade

Uma função muito utilizada na prática é a função inversa da distribuição cu-
mulativa, representada por FX−1 (·). Esta função é utilizada na determinação
de quantis, razão pela qual é também chamada função quantil. Conforme vere-
mos mais tarde, a função inversa é também muito útil na geração de amostras
aleatórias.
Chama-se quantil p de uma variável X ao valor da variável que tem uma
probabilidade p de não ser excedido (Figura 4.9). Representando esse valor
por Xp , tem-se:
Xp : P (X < Xp ) = p ⇔ FX (Xp ) = p
⇔ Xp = FX−1 (p) (4.34)
A mediana de uma variável aleatória corresponde ao quantil 0.50.
Figura 4.9 Denição de quantil p de uma variá-

vel aleatória.
A descrição apresentada no Anexo B relativa a modelos probabilísticos
comuns inclui as expressões das inversas das distribuições cumulativas. Pode-
remos recorrer a esse anexo sempre que necessitarmos de determinar quantis
de variáveis aleatórias. Por exemplo, no caso de variáveis Gaussianas, podemos
usar a expressão:
Xp = µX + Φ−1 (p) σX , (4.35)
onde µX e σX são a média e o desvio padrão da variável em estudo, e Φ−1 é a

inversa da FDC normal reduzida.
No âmbito da Engenharia Civil, usam-se com muita frequência os quantis
0.05 e 0.95, designados respetivamente valor característico inferior e valor ca-
racterístico superior. O primeiro, representado usualmente por Xk,inf , é muito
utilizado na quanticação de propriedades dos materiais e o segundo, repre-
sentado usualmente por Xk,sup , é muito utilizado na quanticação de ações.
Tem-se pois:
Xk,inf = X0.05 = FX−1 (0.05) (4.36)
Xk,sup = X0.95 = FX−1 (0.95) (4.37)
No caso de variáveis Gaussianas, considerando que Φ−1 (0.05) = −1.645 e

que Φ−1 (0.95) = 1.645, tem-se:
Xk,inf = µX − 1.645 σX (4.38)
Xk,sup = µX + 1.645 σX (4.39)
Exemplo 4.7 Considere-se um betão, cuja resistência fc tem média

30 MPa e desvio padrão 5 MPa (V = 0.167). Determinar o valor caracte-
rístico, fck , da resistência desse betão, assumindo que a resistência segue
uma distribuição:
a) Normal.
b) Lognormal.
Resolução
a) Assumindo que fc ∼ N (30, 5) e considerando que se trata de uma

propriedade de material, interessa naturalmente o valor caracterís-
tico inferior, donde:
fck = µX + Φ−1 (0.05) σX

= 30 − 1.645 × 5 = 21.8 MPa.
b) Assumindo agora que a variável Y = fc tem distribuição Lognormal,

tem-se, de acordo com o Anexo B:

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.
Como se observou no exemplo anterior, o modelo Normal conduziu a uma

estimativa da resistência característica do betão inferior à estimativa obtida
com o modelo Lognormal, estando por isso do lado da segurança. Tal deve-se ao
facto do modelo Normal apresentar uma cauda esquerda mais pesada. Podemos
pois concluir que, para efeitos de modelação de resistências, o modelo Normal
conduz a estimativas do lado da segurança, ou mais conservativas, quando
comparadas com as estimativas que se obtêm com o modelo Lognormal.
Essa é uma vantagem do modelo Normal. Este modelo apresenta porém
a desvantagem de assumir valores negativos, e em geral as resistências são
quantidades que admitem apenas valores positivos. É pois legítimo questionar
o uso da distribuição Normal na modelação de resistências. Para analisar
melhor esta questão no exemplo acima, avalie-se a probabilidade P (fc < x |
fc > 0). Tem-se:
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.
4.4.5 Distribuições de extremos

As distribuições de extremos têm manifesto interesse na área da segurança
estrutural, já que são as situações extremas que provocam o colapso das estru-
turas. Tais distribuições classicam-se em 2 grandes categorias: distribuições
de máximos e distribuições de mínimos, as primeiras com interesse na mo-
delação de ações e as segundas com interesse na modelação de resistências.
Considere-se em primeiro lugar as distribuições de máximos.
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,
FXmax (x) = P (Xmax ≤ x)

= P (X1 ≤ x ∩ · · · ∩ Xn ≤ x)
n
= FX (x) .
Podemos pois escrever:
n
FXmax (x) = FX (x) (4.40)
A distribuição FX (x) é por vezes designada distribuição inicial, ou ainda dis-

tribuição instantânea.
A FDP de Xmax é obtida derivando (4.40):
n−1
fXmax (x) = n · fX (x) · FX (x) (4.41)
Para n grande e fX (x) com decaimento exponencial junto à cauda direita,

demonstra-se que a distribuição fXmax (x) tende para a distribuição Gumbel,
razão pela qual esta é considerada uma distribuição assimptótica, ou distribui-
ção limite (Anexo B, p. 184). Dito de outra forma: a distribuição Gumbel
constitui uma aproximação à distribuição (4.40), a qual, no presente contexto,
é por vezes referida como distribuição de máximos exata.
Exemplo 4.8 Após um período de observação e pesagem dos camiões

que atravessam uma determinada ponte, constatou-se que o peso dos ca-
miões pode ser modelado adequadamente por meio de uma distribuição
Normal com média 16 ton e desvio padrão 8 ton. (Como o peso total dos
veículos é uma soma de pesos menores, existem razões físicas para acredi-
tar que o modelo Normal é um bom modelo.) Constatou-se também que,
em média, passam pela referida ponte, diariamente, cerca de 150 camiões.
a) Determinar a probabilidade de um camião escolhido ao acaso numa

operação de STOP tenha um peso superior a 44 ton (valor máximo
permitido por lei).
b) Determinar a probabilidade de vir a passar pela ponte, nos próximos

50 anos, um camião com peso superior a 60 ton.
Resolução
a) X ∼ N(16, 8); Pretende-se calcular P (X > 44). Tem-se:
P (X > 44) = 1 − P (X ≤ 44)

= 1 − FX (44)
= 1 - normcdf(44,16,8)
= 0.00023.
b) Pretende-se determinar P (Xmax > 60), onde Xmax representa o

peso máximo observado em 50 anos. Tem-se:
P (Xmax > 60) = 1 − P (Xmax ≤ 60)

= 1 − FXmax (60)
n
= 1 − FX (60) ,
em que n representa o número esperado de camiões a atravessar a

ponte em 50 anos, ou seja, n = 150 × 365 × 50. Tem-se, pois:
150×365×50
p = 1 − FX (60) .
Recorrendo à instrução MATLAB:
1-(normcdf(60,16,8))^(150*365*50)
obteve-se P (Xmax > 60) = 0.05.
A título de referência, mostra-se de seguida a FDP inicial e a FDP de

máximos em 50 anos.
Vetores aleatórios e distribuições conjuntas de probabilidade 43
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]
Questão adicional: Admitindo que a coima a pagar por um camião

detetado com excesso de carga é de 500 A
C, estimar a receita que o es-
tado espera arrecadar por ano (em operações de scalização junto àquela
ponte), considerando que apenas 10% dos veículos com excesso de carga
são detetados.
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.
4.5 Vetores aleatórios e distribuições conjuntas de

probabilidade
4.5.1 Conceito de vetor aleatório
Um vetor (X1 , . . . , Xn ) diz-se vetor aleatório quando cada uma das suas com-
ponentes é uma variável aleatória. Seguem exemplos de vetores aleatórios:
X = (ME , MR ), onde ME representa o momento atuante numa secção

de uma dada estrutura e MR o respetivo momento resistente.
X = (g, q, fc , fy ), onde g representa o peso de uma viga de betão armado,

q uma sobrecarga que nela atua, fc a resistência do betão e fy a tensão
de cedência do aço.
O primeiro vetor possui 2 dimensões (bi-dimensional) e o segundo possui 4

dimensões.
4.5.2 Distribuição de probabilidade conjunta

Sem perda de generalidade, considere-se o vetor bi-dimensional (X, Y ), cons-
tituído pelas variável X e Y, ambas contínuas. Chama-se função densidade de
probabilidade conjunta à função fXY (x, y) denida de tal modo que:
Z bZ d

P (a < X < b) ∩ (c < Y < d) = fXY (x, y) dydx (4.42)
a c
e que verica a seguinte condição:
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.)
Figura 4.10 Representação de uma FDP conjunta de uma ve-

tor aleatório bi-dimensional. No caso bi-dimensional a função
f (x, y) corresponde à equação de uma superfície e a proba-
bilidade P (a < X < b, c < Y < d) corresponde a um volume sob
XY
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)
que se escreve mais frequentemente por P (X = xi , Y = yj ). Naturalmente,

para que p(x, y) seja uma verdadeira FMP deve vericar a condição:
XX
p(xi , yj ) = 1 (4.45)
i j
A Figura 4.11 representa esquematicamente uma FMP conjunta de uma

vetor bi-dimensional discreto.
As denições acima são facilmente generalizáveis para o espaço n-dimensional
(embora deixe de ser possível a sua representação gráca). Por exemplo, dado
Figura 4.11 Representação de uma FMP conjunta

de uma vetor aleatório bi-dimensional discreto.
um vetor de dimensão n, (X1 , . . . , Xn ), a FDP conjunta fX1 ···Xn (x1 . . . , xn ) é

denida de tal modo que:
Z Z

P (X1 , . . . , Xn ) ∈ Ω = · · · fX1 ···Xn (x1 , . . . , xn ) dx1 · · · dxn , (4.46)
onde Ω representa uma região qualquer do espaço n-dimensional.
4.5.3 Distribuição de probabilidade marginal

Considere-se o vetor (X, Y ), com FDP conjunta fXY (x, y). As distribui-
ções de probabilidade das variáveis X e Y quando consideradas isoladamente
designam-se por distribuições de probabilidade marginais. As respetivas FDP,
que se representam respetivamente por fX (x) e fY (y), são denidas pelas se-
guintes expressões:
Z +∞
fX (x) = fXY (x, y) dy; (4.47)
−∞
Z +∞
fY (y) = fXY (x, y) dx. (4.48)
−∞
As distribuições marginais podem assim ser obtidas da distribuição conjunta,

mas o contrário não é em geral possível.
No caso de X e Y serem variáveis discretas, a denição de probabilidade
marginal é inteiramente semelhante, substituindo-se o integral por um soma-
tório:
X
pX (xi ) = p(xi , yj ); (4.49)
j
X
pY (yj ) = p(xi , yj ). (4.50)
i
4.5.4 Distribuição de probabilidade condicionada

A distribuição de X Y = y , que se representa por fX|Y (x | y) e se designa
dado
por distribuição condicionada de X dado Y = y , é denida por:
fXY (x, y)
fX|Y (x | y) = , (4.51)
fY (y)
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)
Da denição de FDP condicionada obtém-se imediatamente o Teorema da

multiplicação de probabilidades (aplicado a densidades) :
5
f (x, y) = f (x | y) f (y) = f (y | x) f (x). (4.53)
Frequentemente as distribuições de probabilidade condicionadas são mais fáceis

de caracterizar do que a distribuição conjunta, pois correspondem a espaços
de resultados de menor dimensão. O Teorema da multiplicação das probabi-
lidades mostra que se for conhecida a distribuição condicionada de uma das
variáveis em relação à outra e a distribuição marginal desta última, ca denida
a distribuição conjunta basta multiplicar essas duas distribuições.
Juntando a denição de probabilidade marginal com o Teorema da mul-
tiplicação de probabilidades obtém-se imediatamente o chamado Teorema da
probabilidade total (aplicado a densidades):
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)
−∞ −∞
O Teorema de Bayes, na sua versão aplicada a densidades, e agora fácil de

estabelecer. Com efeito, partindo da denição de probabilidade condicionada,
5
Omitiram-se os índices por razões de clareza de leitura.
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
Assim, dado um vetor aleatório (X, Y ) constituído por duas variável X e Y

quaisquer, podemos escrever:
f (y | x) f (x)
f (x | y) = R +∞ (4.56)
−∞ f (y | x) f (x) dx
Visto que as as variáveis X e Y podem ser quaisquer, podemos trocar os seus

papeis na Eq. (4.56), vindo:
f (x | y) f (y)
f (y | x) = R +∞ . (4.57)
−∞ f (x | y) f (y) dy
A distribuição f (x) na Eq. (4.56) é designada distribuição a priori, e a dis-

tribuição f (x | y), que resultou da observação Y = y, é designada distribuição
a posteriori, ou distribuição atualizada. O Teorema de Bayes permite assim
atualizar modelos probabilísticos sempre que observações relevantes se tornam
disponíveis.
No caso de variáveis discretas, o Teorema de Bayes é estabelecido de forma
semelhante. Por exemplo, suponha-se que se deseja calcular P (X = xi | Y =
yj ). Basta então considerar os eventos {X = xi } e {Y = yj }, e aplicar o
Teorema de Bayes na sua versão aplicada a eventos:
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 )]
que se pode escrever numa notação mais compacta:
p(y | x) p(x)
p(x | y) = P , (4.58)
[p(y | x) p(x)]
todo x
que é inteiramente semelhante à Eq. (4.56), substituindo o integral pelo su-

matório.
O Teorema de Bayes também se generaliza facilmente a outras situações.
Por exemplo, suponha-se que a variável X possui FDP f (x) e que se observou
o acontecimento A. Então, a FDP atualizada de X, que representaremos por
f (x | A), é dada por:
P (A | X = x) f (x)
f (x | A) = .
P (A)
4.5.5 Variáveis estatisticamente independentes

Recorda-se agora o conceito de variáveis independentes, conceito este paralelo
ao conceito de acontecimentos independentes. As variáveis X e Y dizem-
se estatisticamente independentes quando a sua FDP conjunta for igual ao
produto das FDP marginais, isto é:
X eY são independentes ⇔ f (x, y) = f (x) f (y) (4.59)
É fácil vericar que a independência entre X e Y implica que f (x | y) = f (x)

e que f (y | x) = f (y), ou seja, quando duas variáveis são independentes, o
conhecimento do valor de uma em nada altera a distribuição de probabilidade
da outra.
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)
Recorrendo à denição de valor esperado, podemos calcular a covariância entre

X e Y através do integral:
Z +∞Z +∞
Cov(X, Y ) = (X − µX )(Y − µY )fXY (x, y) dxdy. (4.61)
−∞ −∞
Pode-se demonstrar que:
Cov(X, Y ) = E(XY ) − µX µY . (4.62)
Esta fórmula é muito útil no cálculo de covariâncias.

Observando (4.62) podemos concluir que
X e Y independentes ⇒ Cov(X, Y ) = 0. (4.63)
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
Trata-se de um parâmetro adimensional, apresentando por isso vantagens em

relação à covariância. Determinemos o coeciente de correlação entre duas
6
Duas variáveis são totalmente dependentes quando se relacionam entre si por meio de
um modelo determinístico.
variáveis iguais entre si. Tem-se:
Cov(X, X)
ρXX =
σX σX
E (X − µX )2

= 2
σX
2
σX
= 2 = 1.
σX
Assim, o coeciente de correlação entre duas variáveis iguais entre si é unitário.

Pode demonstrar-se que, dadas duas variáveis X e Y quaisquer:
−1 ≤ ρXY ≤ 1. (4.65)
Embora não seja evidente pelas denições de covariância e coeciente de cor-

relação, estes parâmetros medem o grau de relação linear entre as variáveis X
e Y. Em particular, os casos extremos ρXY = 1 e ρXY = −1 correspondem à
relação entre X e Y da forma Y = aX + b, respetivamente a > 0 e a < 0. A
Figura 4.12 mostra diagramas de dispersão de vetores aleatórios com diferentes
coecientes de correlação entre si.
Pode demonstrar-se que para a combinação linear aX + bY é válida a
seguinte relação:
Var(aX + bY ) = a2 Var(X) + b2 Var(Y ) + 2ab Cov(X, Y ). (4.66)
Para uma combinação linear de n variáveis, tem-se:
n n X
n
!
X X
Var ai Xi = ai bj Cov(Xi , Xj ). (4.67)
i=1 i=1 j=1
4.5.7 O modelo Normal bi-dimensional

Em preparação.
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
(a) ρXY = 1 (b) ρXY = −1

7 1
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
(c) ρXY ≈ 0.9 (d) ρXY ≈ −0.9

6 6
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
(e) ρXY = 0 (variáveis independentes) (variáveis com relação de-

(f) ρXY = 0
terminística entre si, não linear)
Figura 4.12 Exemplos de vetores aleatórios com diferentes coecientes de correlação.
Capítulo 5
Técnicas de estimação
estatística
Quando se avalia a segurança de uma estrutura existente é muitas vezes neces-

sária a colheita de amostras da estrutura e a sua análise recorrendo a técnicas
estatísticas bem estabelecidas. Justica-se pois rever alguns conceitos dessa
importante área da Matemática. Recorde-se que a Estatística ocupa-se do
estudo de populações a partir de amostras colhidas dessas populações.
As amostras disponíveis são frequentemente de reduzida dimensão, ori-
ginando um tipo especial de incerteza, conhecida como incerteza estatística.
Veremos neste Capítulo como ter em conta tal tipo de incerteza.
5.1 Conceitos de amostra aleatória e estatística

5.1.1 Amostra aleatória
Seja X uma variável aleatória com determinada distribuição de probabili-
dade. Sejam (X1 , . . . , Xn ) n variáveis aleatórias independentes entre si e com
a mesma distribuição que X . Diz-se então que (X1 , . . . , Xn ) constitui uma
amostra aleatória de dimensão n de X 1 . A amostra aleatória é também cha-
mada amostra IID, sigla esta que enfatiza o facto de se tratar de uma sequência
de variáveis Independentes e Identicamente Distribuídas.
Por exemplo, seja X = {Velocidade máxima anual do vento em determi-
nada localidade, a 10 m acima do terreno}. Seja (X1 , . . . , Xn ) uma sequência
de n observações dessa população ao longo de n anos. Se se poder assumir
independência nas sucessivas observações Xi e se, além disso, se poder admitir
que a distribuição de probabilidade se mantém constante ao longo dos anos,
então (X1 , . . . , Xn ) constitui uma amostra aleatória de X.
Uma realização particular da amostra (X1 , . . . , Xn ) é representada em geral
por (x1 , . . . , xn ).
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
A variância, o desvio padrão e o coeciente de variação amostrais, são denidos,

respetivamente, por:
n
1 X
S2 = (Xi − X̄)2 (5.2)
n−1
i=1
√
S = S2 (5.3)
V = S/X̄. (5.4)
A variância amostral representa a média dos desvios quadráticos dos Xi em

relação à média. Note-se que a soma destes desvios é dividida por n − 1, não
por n, o que torna o estimador centrado, isto é, a média do estimador passa a
coincidir com o parâmetro a estimar (neste caso a variância).
Outras estatísticas importantes são o coeciente de assimetria e o coeci-
ente de curtose amostrais. O coeciente de assimetria é denido por:
1 Pn
(Xi − X̄)3
n i=1
η= s !3 , (5.5)
1 Pn
(Xi − X̄)2
n i=1
e o coeciente de curtose por:
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
5.2 Estimação de parâmetros das distribuições

Seja X uma população com FDP fX (x | θ), em que θ é um parâmetro desconhe-
cido da população, cujo valor pretendemos estimar a partir de uma amostra da
população. A estimativa de θ representa-se habitualmente por θ̂. Os métodos
que permitem estimar parâmetros da população dividem-se em dois grandes
grupos: (1) métodos de estimação pontual e (2) métodos de estimação por
intervalo.
Iremos considerar brevemente apenas o primeiro grupo, visto ser o que
tem mais interesse no domínio da segurança estrutural. Entre os métodos
de estimação pontual, dois frequentemente utilizados são: (1) o método dos
momentos e o (2) o método da máxima verosimilhança.
5.2.1 Método dos momentos

O método dos momentos é de muito fácil aplicação. Se um modelo probabi-
lístico de uma população depender de apenas um parâmetro, começa-se por
estimar a média da população (1.
o momento) a partir da média amostral. De-
pois, recorrendo à relação funcional entre o parâmetro e a média da população,

determina-se uma estimativa do parâmetro.
Para um modelo que dependa de dois parâmetros, começa-se por estimar
a média (1.
o momento) e a variância (2.o momento) da população a partir da
média amostral e da variância amostral. Depois, recorrendo às relações funcio-

nas entre os parâmetros da população e a sua média e variância, determina-se
as estimativas pretendidas (sistema de 2 equações a 2 incógnitas). Para uma
população que dependa de 3 parâmetros, recorre-se aos 3 primeiros momentos
e assim sucessivamente. Recorde-se que o 3.
o momento corresponde ao coe-
ciente de assimetria e o 4.
o momento corresponde ao coeciente de curtose.
Exemplo 5.1 A amostra seguinte diz respeito à velocidade máxima

anual do vento observada ao longo de 10 anos numa dada localidade, a
10 m acima do terreno.
v = {14.9, 22.2, 21.5, 16.6, 18.6, 14.8, 16.3, 20.3, 18.6, 21.6} [m/s]
Assumindo que a velocidade máxima anual do vento pode ser modelada

através de uma distribuição Gumbel, estime os parâmetros desta distri-
buição, u e α, recorrendo ao método dos momentos. (Ver Anexo B, p.
184.)
Resolução
Começa-se por estimar a média e desvio padrão da amostra dada:
v̄ = 18.54 m/s;
s = 2.80 m/s.
Recorrendo agora à relação funcional entre os parâmetros da população

e os momentos acabados de estimar, tem-se:
√ √
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
5.2.2 Método da máxima verosimilhança

Seja X ∼ fX (x | θ) e {x1 , . . . , xn } uma amostra de X. Chama-se verosimi-
lhança da amostra {x1 , . . . , xn } à função de θ, dada por:
n
Y
L(θ | x1 , . . . , xn ) = fX (xi | θ). (5.7)
i=1
Se X L(θ | x1 , . . . , xn ) representa a probabili-

for discreta, a verosimilhança
dade da sair aquela amostra em função de θ. Se X for contínua, representa
simplesmente o valor da FDP conjunta no ponto (x1 , . . . , xn ).
O método da máxima verosimilhança consiste em estimar θ de modo a
maximizar a verosimilhança da amostra, ou, o que é o mesmo, a maximizar a
probabilidade de ocorrência daquela amostra. Em símbolos:
θ̂ : L(θ | x1 , . . . , xn ) é máxima. (5.8)
No fundo a estimativa θ̂ é o valor de θ que torna mais provável aquela amostra.

Note-se que o parâmetro θ pode ser um vetor. Por exemplo se θ = (θ1 , θ2 ),
a verosimilhança da amostra {x1 , . . . , xn } é dada por:
n
Y
L(θ1 θ2 | x1 , . . . , xn ) = fX (xi | θ1 θ2 ), (5.9)
i=1
correspondendo a equação de uma superfície.

Para alguns modelos probabilísticos, as estimativas de máxima verosimi-
lhança coincidem com as estimativas dadas elo método dos momentos. Em
outros casos não se verica essa coincidência, mas as estimativas de máxima
verosimilhança são consideradas boas estimativas. Por exemplo, considere-se
a distribuição uniforme. Seja X ∼ Un(a, b), em que a é o valor mínimo da
população e b o valor máximo. Dada uma amostra {x1 , . . . , xn } da população,
as estimativas dadas pelo método dos momentos são:
â = x̄ − s
b̂ = x̄ + s
onde x̄ é a média da amostra e s o desvio padrão. As estimativas de máxima

verosimilhança são:
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
Exemplo 5.2 Considerando os dados do Exemplo 5.1, estimar nova-

mente os parâmetros do modelo Gumbel, mas desta vez recorrendo ao
método da máxima verosimilhança.
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])
obteve-se as seguintes estimativas:
û = 17.21 m/s;
−1
α̂ = 0.42 (m/s) .
Estas estimativas são naturalmente diferentes das estimativas obtidas com

o método dos momentos. À partida é difícil saber quais delas são as
melhores.
5.3 Estimação de quantis

Recorde-se que o quantil p de uma variável aleatória é o valor da variável que
tem uma probabilidade p de não ser atingido, isto é, Xp = FX−1 (p). Dois
quantis são especialmente importantes no âmbito da segurança estrutural: o
quantil p = 0.05, chamado valor característico inferior, e o quantil p = 0.95,
chamado valor característico superior. O primeiro é utilizado sobretudo na
representação de propriedades dos materiais, e o segundo é utilizado sobretudo
na representação das ações.
Nesta secção vamos estimar quantis de populações a partir de amostras
dessas populações. Comecemos pelo caso de populações (ou variáveis) normais.
5.3.1 Variáveis normais

Seja X ∼ N (µX , σX ). Ora, o quantil p de X é dado por:
Xp = µX + kp σX , (5.10)
com kp = Φ−1 (p). Se estivermos interessados no valor característico inferior

(p = 0.05), kp = −1.645, e se estivermos interessados no valor característico
superior (p = 0.95), kp = 1.645.
Admita-se que µX e σX são desconhecidos, mas que se dispõe da amostra
ε = {x1 , . . . , xn }. Estimativas para µX e σX poderão então ser efetuadas
recorrendo às expressões habituais:
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)
Exemplo 5.3 Considere-se uma estrutura existente de betão da qual

foram extraídas 9 carotes, as quais, depois de ensaiadas em laboratório,
forneceram a seguinte amostra de resistências :
a
fc = {63.5, 65.5, 68.5, 45.0, 41.0, 44.5, 60.5, 37.5, 34.5} [MPa]
Efetuar uma estimativa do valor característica do betão, fck , assumindo

que a resistência do betão segue uma distribuição Normal.
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:
fˆck = 51.1 − 1.645 × 13.21 = 29.4 MPa.
a Esta amostra é real.
A estimativa que acabámos de determinar não tem em conta, porém, a

chamada incerteza estatística, isto é, a incerteza originada no facto de se ter
usado uma amostra de dimensão limitada. Esta incerteza é função da dimensão
n da mostra usada, e tende a diminuir à medida que n aumenta.
É possível realizar uma estimativa de quantis tendo em conta esta incerteza,
isto é, tendo em conta a dimensão da amostra usada. Tal é feito recorrendo ao
chamado modelo preditivo da variável X. O modelo preditivo de uma variável
é o modelo que permite estimar probabilidades e quantis dessa variável tendo
em conta o efeito da incerteza estatística.
X ∼ N (µX , σX ) com µX e σX desconhecidos. Suponha-se que
Seja então
se dispõe da amostra ε = {x1 , . . . , xn }. O modelo preditivo de X , que repre-
sentaremos por fX (x | ε), pode ser obtido, quer através da Estatística Clássica
(Montgomery and Runger, 2007), quer através da Estatística Bayesiana (Ber-
nardo and Smith, 1994). Ambas as escolas conduzem ao seguinte resultado:
fX (x | ε) = St(x | a, b, ν), (5.12)
onde St(x | a, b, ν) representa a distribuição t-Student de 3 parâmetros (Anexo

Estimação de quantis 57
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:
X̂p = x̄ + kpn sX (5.14)
com
r
1
kpn = 1+ tp,n−1 (5.15)
n
e em que tp,n−1 representa a inversa de uma distribuição t-Student com ν =

n−1 graus de liberdade, avaliada em p, isto é, tp,n−1 = FT−1
n−1
(p).
A Tabela 5.1 mostra valores do coeciente kpn para diferentes valores de
p e n. Note-se que para n = ∞, a estimativa dada por (5.14) coincide com a
estimativa dada por (5.11), a qual corresponde à não existência de incerteza
estatística.
Tabela 5.1 Valores de k para a determinação de valores característicos de popu-

lações Normais (Eq. (5.14)
pn
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
Exemplo 5.4 Considerando novamente a amostra de carotes do exem-

plo anterior, efetuar uma nova estimativa do valor característico da resis-
tência do betão, mas desta vez tendo em conta a incerteza estatística.
Resolução
r
1
kpn = 1+ t.05,9−1 = −1.96
9
fˆck = 51.1 − 1.96 × 13.21 = 25.3 MPa
Vericou-se assim uma redução de 14% em relação à estimativa ini-

cial. Esta redução no valor característico pode ser encarada como uma
penalização devido à incerteza estatística.
A modelação de resistências com o modelo Normal é geralmente conside-

rado um procedimento seguro, já que conduz a estimativas inferiores às que
se obtêm, por exemplo, com o modelo Lognormal (também muito utilizado
na modelação de resistência). Porém, como referido anteriormente, a adequa-
bilidade do modelo Normal requer que P (X < 0) seja desprezável, pois as
resistências são em geral quantidades positivas. Avalie-se esta probabilidade
no exemplo que temos vindo a estudar:
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.
Esta probabilidade, apesar de pequena, não é inteiramente desprezável, pelo

que no presente caso justica-se usar o modelo Lognormal, já que este assume
apenas valores positivos. Vejamos então como estimar um quantil a partir de
uma amostra de uma população Lognormal .
2
5.3.2 Variáveis lognormais

Dada uma amostra {y1 , . . . , yn } de uma população Lognormal, procede-se da
seguinte forma:
1. transforma-se a amostra dada na amostra:
{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
3. obtém-se uma estimativa de Xp pela expressão:
X̂p = x̄ + kpn sX ,
com kpn dado por (5.15)
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
4. nalmente, a estimativa pretendida obtém-se considerando que Y = eX ,

ou seja,
Ŷp = eX̂p (5.16)
Exemplo 5.5 Considerando novamente o exemplo da amostra de caro-

tes de betão que temos vindo a analisar, efetuar uma nova estimativa da
resistência do betão, assumindo que a resistência segue uma distribuição
Lognormal.
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 )
5.3.3 Variáveis com distribuição qualquer

Em preparação.
5.4 Estimação de valores característicos recorrendo

a ensaios indiretos
Graças à sua economia e facilidade de uso, os ensaios indiretos, e em parti-
cular os ensaios não destrutivos, têm gozado de ampla aceitação no domínio
das avaliações estruturais. Por exemplo, para caracterizar a resistência do
betão dispõe-se de equipamentos não destrutivos como o esclerómetro ou os
ultra-sons. Embora menos precisos do que o ensaio sobre carotes extraídas da
estrutura, tais ensaios são muito mais económicos e fáceis de utilizar, além de
não introduzirem dano na estrutura.
O uso destes ensaios requer, porém, que sejam devidamente calibrados
especicamente para a estrutura em avaliação. A calibração destes ensaios é
feita recorrendo a modelos de regressão linear. No Anexo C (p. 189) faz-se
uma breve revisão da técnica da regressão linear. Talvez o leitor queira fazer
uma leitura rápida desse anexo antes de prosseguir e recordar essa técnica
estatística.
Vejamos então como estimar o valor característico da resistência do betão,
fck , de um determinado elemento de um estrutura existente, recorrendo a
um ensaio indireto, devidamente calibrado. De acordo com a Norma NP EN
13791 (2008), o ensaio deve ser calibrado especicamente para a estrutura em

avaliação. No caso do esclerómetro, por exemplo, refere-se de seguida alguns
fatores que afetam o índice esclerométrico, tornando evidente a necessidade de
calibrar o equipamento especicamente para a estrutura em avaliação:
Tipo de agregado. Obtêm-se curvas de calibração bastante diferentes

para betões com idêntica resistência mas com diferentes tipo de agregado.
Idade do betão. Betões com idêntica resistência mas idades diferentes
conduzem a índices esclerométricos diferentes.
Humidade do betão. Se um betão estiver húmido obtêm-se curvas de ca-
libração diferentes das que se obtêm depois do mesmo betão se encontrar
seco.
Carbonatação. O índice esclerométrico de um betão carbonatado pode
ser até cerca de 50% superior ao dum betão não carbonatado.
Em face destes fatores, podemos concluir que, se o esclerómetro não for

calibrado especicamente para a estrutura em avaliação e for usada a calibração
do fabricante, podemos cometer erros de natureza sistemática signicativos.
A calibração é realizada a partir de um conjunto de carotes a extrair da
estrutura, e consiste basicamente em estimar os parâmetros de regressão (β0 , β1
e σ ) a partir de uma amostra de n pares (xi , yi ), i = 1, . . . , n, onde xi representa
o valor do ensaio indireto medido no local i e yi o valor da resistência da carote
extraída do mesmo local. As estimativas dos parâmetros de regressão, que se
representam habitualmente por βˆ0 , βˆ1 e σ̂ , são em geral realizadas pelo método
dos mínimos quadrados.
Uma vez calibrado o ensaio, isto é, uma vez determinados βˆ0 , βˆ1 e σ̂ ,
suponha-se que se mediu num dado local da estrutura o valor x. O valor
característico da resistência do betão (quantil 0.05) pode então ser obtido re-
correndo à expressão:
s
1 (x − x̄)2
fˆck (x) = β̂0 + β̂1 x + σ̂ 1+ + t0.05,n−2 (5.17)
n Sxx
onde, t0.05,n−2 representa a inversa da distribuição t-Student com n−2 graus de

liberdade, avaliada em p = 0.05 e n o número de carotes usadas na calibração.
As outras quantidades são:
n
X
x̄ = xi ,
i=1
n
X
Sxx = (xi − x̄)2 .
i=1
Note-se que o parâmetro σ constitui uma medida da precisão do ensaio

indireto, ou uma medida da sua capacidade em explicar a resistência do betão.
Trata-se assim de um parâmetro importante na caracterização da abilidade
do ensaio.
Antes de aplicar o modelo de regressão linear é importante vericar o cum-
primento dos pressupostos deste modelo, que se resumem de seguida:
Os resíduos apresentam média nula. Este requisito é automaticamente

satisfeito se os parâmetros de calibração forem estimados pelo método
dos mínimos quadrados.
A variância dos requisitos é constante (requisito da homodestacdade). O
gráco de dispersão de pontos (xi , yi ) ajuda a apreciar qualitativamente
a satisfação deste requisito. Com efeito, quando este requisito é satis-
feito, a banda dos valore yi em torno da reta de regressão possui largura
constante.
Os resíduos devem seguir uma lei Normal. O requisito da Normalidade
pode ser apreciado qualitativamente observando a distribuição empírica
dos resíduos ei = yi − β̂0 − β̂1 xi impressos em papel Normal. Pode-
se também efetuar uma apreciação quantitativa recorrendo a um teste
de ajustamento, tal como o teste χ2 ou o teste Kolmogorov-Smirnov
(Benjamin and Cornell, 1970).
Os resíduos sucessivos são independentes entre si. Para avaliar a satis-
fação deste requisito pode recorrer-se a um teste de independência. A
independência também pode ser apreciada qualitativamente observando
o gráco de pontos (i, ei ), onde i = 1, . . . , n representa a sequência tem-
poral de medições e ei = yi − β̂0 − β̂1 xi representa a correspondente
sequência de erros observados. Quando os erros ei são independentes en-
tre si, os pontos (i, ei ) situam-se aleatoriamente acima e abaixo do eixo
das abcissas.
Em geral considera-se que a correlação entre a resistência do betão e o índice

esclerométrico satisfaz esses presupostos (Monteiro and Gonçalves, 2008). O
ensaio de arranque ( pull out test ) é outro caso onde se considera que tais
requisitos são satisfeitos (NP EN 13791, 2008).
A título de exemplo, considere-se um caso real de aplicação do esclerómetro
à medição da resistência do betão de uma estrutura existente. O caso diz
respeito uma estrutura que estava em construção na altura da recolha dos
dados, cuja segurança foi questionada por suspeitas de má qualidade do betão.
Para esse efeito foi efetuado um levantamento exaustivo dos pilares da estrutura
com um esclerómetro, assim como a extração de um certo número de carotes,
cuja resistência medida em laboratório serviu para calibrar o esclerómetro.
A Tabela 5.2 mostra os pares (xi , yi ) usados na calibração do esclerómetro
(21 pares). Os valores do índice esclerométrico que constam na Tabela foram
obtidos através da mediana de 9 leituras em cada local de ensaio .
3
Com base nos dados da Tabela 5.2, procedeu-se à calibração do escleróme-

tro, tendo-se obtido os seguintes parâmetros de regressão:
β̂0 = −21.78 MPa; β̂1 = 1.14 MPa; σ̂ = 2.12 MPa; R2 = 0.697.
O gráco da Figura 5.1 representa o modelo de regressão linear obtido.

Uma vez calibrado o esclerómetro pode-se estimar sem diculdade a re-
sistência do betão em qualquer local desejado da estrutura. Por exemplo,
suponhamos que o esclerómetro num dado local deu um índice de 36 (mediana
de 9 disparos nesse local). No caso em apreço Sxx = 150.7 e x̄ = 36.3. Assim
3
A utilização da mediana em vez da média tem a vantagem de eliminar automaticamente
outliers.
Tabela 5.2 Pares (x , y ) para calibração do esclerómetro

i i
Local Índice esclerométrico Resistência da carote [MPa]

i xi yi
1 41.0 24.9
2 37.0 19.3
3 38.0 23.9
4 37.0 20.2
5 39.0 22.5
6 37.5 22.6
7 32.0 12.3
8 37.0 23.6
9 30.5 13.2
10 31.0 15.3
11 35.0 16.6
12 35.5 22.2
13 34.0 17.7
14 35.5 15.5
15 37.5 23.7
16 37.5 18.4
17 35.0 16.3
18 36.0 20.9
19 38.5 23.5
20 39.5 22.3
21 39.0 19.7
min 30.5 12.3

max 41.0 24.9
média 36.3 19.7
desvio padrão 2.74 3.76
aplicando a Eq.(5.17), vem:
r
1 (36 − 36.3)2
fˆck = −21.78 + 1.14 × 36 + 2.12 1 + + t0.05,19
21 150.7
= 15.5 MPa
Enfatiza-se que a estimativa acabada de efetuar tem em conta a incerteza asso-

ciada à precisão do ensaio (traduzida no parâmetro σ̂ ) e a incerteza estatística
associada ao numero limitados de carotes usado na calibração.
Efetuando um cálculo similar para outros valores de x podemos traçar uma
curva que dá o valor característico da resistência do betão. [[Traçar esta curva
na próxima revisão]].
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
Figura 5.1 Representação gráca do modelo de regressão

linear obtido no processo de calibração do esclerómetro.
Capítulo 6
Método de Monte Carlo
O método de Monte Carlo (MC) é um método numérico destinado a resolver

certo tipo de problemas (não necessariamente de natureza probabilística) com
recurso a amostras aleatórias geradas articialmente. É muito utilizado na
área da segurança estrutural (e em muitas outras áreas), o que justica a sua
consideração aqui. A nossa abordagem será necessariamente de nível intro-
dutório, pois uma consideração completa do assunto extravasa claramente o
âmbito da disciplina.
6.1 Ideia do método

A ideia do método é muito simples. Suponha-se que se pretende estudar a
variável Z = X 2 /Y , em que X e Y são duas variáveis aleatórias, cada uma
com a sua própria distribuição de probabilidade, que se admitem conhecidas.
Z é naturalmente uma variável aleatória, pois é função de variáveis aleatórias.
Qual é o valor esperado de Z? E a variância? E a FDP? Teríamos alguma
diculdade em responder se tentássemos resolver o problema analiticamente.
Mas com o método de MC o problema torna-se simples. O método MC consiste
em gerar uma amostra {x1 , . . . , xn } de X , outra amostra {y1 , . . . , yn } de Y ,
e depois obter uma amostra {z1 , . . . , zn } de Z , usando a relação zi = x2i /yi ,
i = 1, . . . , n. A partir desta amostra fazem-se com toda a facilidade os cálculos
probabilísticos necessários.
Assim, dada uma função genérica Z = g(X1 , . . . , Xm ), o método de MC
consiste essencialmente em simular n vezes a função g(). Por isso se diz que o
método de MC é um método de simulação numérica. Trata-se naturalmente
de um método aproximado, pois utiliza amostras que não esgotam as distribui-
ções progenitoras. No entanto, a capacidade dos computadores atuais permite
trabalhar com amostras de grande dimensão, tornando os resultados obtidos
com esse método praticamente exatos. Além disso, conforme veremos, exis-
tem ferramentas estatísticas que permitem estimar a precisão dos resultados
obtidos, tornando assim possível controlar os erros cometidos.
65
66 Método de Monte Carlo
6.2 Análise de funções de variável aleatória pelo

método de Monte Carlo
Considere-se a função Z = g(X1 , . . . , Xm ). As variáveis X1 , . . . , Xm são cha-
madas variáveis de entrada, ou variáveis básicas. A variável Z é chamada
variável de saída, ou resposta do modelo. Iremos estudar o comportamento
probabilístico da variável Z recorrendo ao método de MC.
A título de exemplo, considere-se a secção representada na Figura 6.1. O
momento resistente da secção pode ser estimado a partir da expressão:

fy As
MR = fy As d − 0.5 , (6.1)
fc b
onde fy representa a resistência do aço (tensão de cedência) e fc representa
a resistência do betão (tensão de rotura). Considerando como determinísticas
a geometria da secção e a área das armaduras, o momento resistente é assim
função de 2 variáveis aleatórias, fy e fc , podendo escrever-se MR = g(fy , fc ).
Admita-se que estas têm a distribuição indicada na Figura 6.1.
Figura 6.1 Secção retangular de betão armado.

Vejamos então como podemos empregar o método de MC para estudar o
comportamento probabilístico do momento resistente da secção. Comecemos
por estimar a média e o desvio padrão.
6.2.1 Estimativa da média e desvio padrão

Para gerar amostras da distribuição Normal usaremos a função MATLAB
normrnd(). A média, variância e desvio padrão serão determinados usando as
funções mean(), var() e std(), respetivamente. A seguinte rotina MATLAB
permite estimar essas quantidades:
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
Usando esta rotina, obtiveram-se as seguintes estimativas:
µMR = 276.6 KNm; σMR = 14.2 KNm; VMR = 0.05.
Cada vez que se corre a rotina, obtêm-se estimativas diferentes, mostrando

assim que o método de MC é um método aproximado. A variância das estima-
tivas entre corridas sucessivas constitui uma medida do erro dessas estimativas.
Se desejarmos aumentar a precisão das estimativas obtidas, bastará aumentar
n (número de simulações) até que os valores das estimativas entre corridas su-
cessivas estabilizem. Quando tal suceder, podemos concluir que se obteve uma
estimativa muito próxima do valor exato.
Conforme se acaba de ver, é possível controlar, e até mesmo eliminar, o erro
inerente ao método de MC. O numero de simulações requerido depende do grau
de aproximação pretendido, e também do tipo de quantidade a estimar. No
exemplo acima, verica-se que a variância, em comparação com a média, exige
um numero de simulações superior.
É interessante comparar o coeciente de variação do momento resistente,
para o qual se obteve 0.05, com o coeciente de variação das variáveis de
entrada (resistência do betão e tensão de cedência do aço), que têm os seguintes
valores:
Vfc = 4.2/35 = 0.12; Vfy = 30/560 = 0.05.
Verica-se assim que o coeciente de variação do momento resistente é prati-
camente igual ao coeciente de variação da tensão de cedência, o que permite
concluir que o momento resistente é muito mais sensível à tensão de cedência
do aço do que à resistência do betão. Por outras palavras: um incremento de,
digamos, 10% na resistência do aço traduz-se num incremento de aproximada-
mente 10% no momento resistente, mas um incremento de 10% na resistência
do betão traduz-se num aumento insignicante do momento resistente. Isto
signica que, se desejarmos investir na redução da incerteza, não se justica
investir na resistência do betão, já que o momento resistente é pouco sensível a
essa variável. Estas considerações mostram a importância de realizarmos uma
análise de sensibilidade. Voltaremos a este assunto mais à frente.
Dada uma função Z = g(X1 , . . . , Xm ) pode ter interesse examinar que mo-
delo probabilístico melhor se ajusta à distribuição da variável Z . Para analisar
esta questão, deve começar-se por observar o histograma de uma amostra de
Z sucientemente grande, obtida via método de MC. No caso do exemplo que
temos vindo a estudar, recorrendo à instrução MATLAB hist(MR,40), obteve-
se o histograma com 40 classes exibido na Figura 6.2. Conforme se observa,
o histograma é praticamente simétrico, e certamente não muito longo de uma
distribuição Normal.
Para examinar melhor a Normalidade do momento resistente, pode sobrepor-
se ao histograma obtido o gráco de uma distribuição Normal com média e
desvio padrão iguais aos da amostra do momento resistente. Recorrendo ao
código que a seguir se apresenta, obteve-se o gráco representado na Figura
6.3.
clear ; clc ; clf ;

b = 0.30; d = 0.55;
As = 3*3.14 e -4;
n = 1000000;
fy = normrnd (560 e3 ,30 e3 ,n ,1) ;
fc = normrnd (35 e3 ,4.2 e3 ,n ,1) ;
×104
10
Frequências absolutas
6
0
200 250 300 350
Momento resistente, MR [kNm]
Figura 6.2 Histograma do momento resistente.
%
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
Conforme se observa, o modelo Normal ajusta-se perfeitamente ao histo-

grama dado, donde, se necessitássemos de um modelo probabilístico concreto
para modelar o momento resistente, o modelo Normal seria uma boa escolha.
Em certa medida, este resultado não é de estranhar. Com efeito, como se viu
acima, o momento resistente é muito sensível à distribuição da tensão de ce-
dência do aço, e como esta segue uma distribuição Normal, não admira que o
momento resistente siga também uma distribuição Normal.
×104
10
Histograma
Ajuste Normal
8
Frequências absolutas
6
0
200 250 300 350
Momento resistente, MR [kNm]
Figura 6.3 Histograma do momento resistente

com modelo Normal sobreposto.
6.2.2 Estimativa de quantis
Estimar o quantil p da variável Z = g(X1 , . . . , Xm ) recorrendo ao método de
MC, equivale a estimar o quantil p da amostra {z1 , . . . , zn } a gerar recorrendo a
esse método. A função MATLAB para a determinação de quantis de amostras
é a função quantile().
Estimemos então o quantil p = 0.05 (valor característico) do momento
resistente da função que temos vindo a estudar. Recorrendo à instrução,
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.
6.2.3 Estimativa de probabilidades

Considere-se a função Z = g(X1 , . . . , Xm ). Recorrendo ao método de MC
suponha-se que se obteve a amostra {z1 , . . . , zn } de Z . Pretende estimar-se a
probabilidade p = P (Z ≤ a). Procede-se assim: começa-se por contar quantos
valores da amostra {z1 , . . . , zn } são inferiores ou iguais a a. Seja nZ≤a o número
encontrado. Este número representa a frequência absoluta do evento Z ≤ a.
Então, uma estimativa da probabilidade p é dada pela frequência relativa desse
evento, isto é:
nZ≤a
p̂ = . (6.2)
n
De um ponto de vista mais formal, é conveniente formular este procedi-
mento da seguinte forma: partindo da amostra {z1 , . . . , zn } começa-se por
gerar uma amostra {I1 , . . . , In } I , denida
da variável conforme segue:
(
1, Z ≤ a
I= . (6.3)
0, Z > a
Na terminologia do método de MC, a variável

Pn I é designada função indicadora.
Repare-se que nZ≤a = i=1 Ii . Assim, uma estimativa da probabilidade p, é
dada por: Pn
i=1 Ii
p̂ = (6.4)
n
Como exemplo, considere-se novamente a secção que temos vindo a estudar.
Determine-se a probabilidade da secção atingir a rotura por exão se lhe for
aplicado um momento de 230 kNm. No fundo, pretendemos estimar p =
P (MR ≤ 230). Recorrendo às seguintes instruções MATLAB:
I = (MR <= 230)

p = sum(I)/n
obteve-se p = 5.4 × 10−4 .
Vejamos agora como controlar a precisão das probabilidades estimadas com
o método de MC. Como referido anteriormente, uma forma de controlar a
precisão das estimativas consiste em observar como essas estimativas variam em
corridas sucessivas da rotina desenvolvida. Quando essas estimativas variam
muito pouco, signica que a estimativa encontrada pode ser considerada muito
próxima do valor exato.
Mas há ainda outra forma de controlar a precisão. Com efeito, o método de
MC permite estimar e erro associado às suas estimativas. Ilustremos como isso
é feito no caso especico envolvendo estimativas de probabilidades. Conforme
explicado acima, uma estimativa da probabilidade p = P (Z ≤ a) é dada pela
Eq. (6.4). Por outras palavras: uma estimativa de p é dada pelo estimador:
Pn
i=1 Ii
P̂ = , (6.5)
n
onde I é a função indicadora denida pela Eq. (6.3). Repare-se que I tem
distribuição de Bernoulli com probabilidade de sucesso igual a p, isto é, I ∼
Ber(p). Por conseguinte, a média e a variância de I tem os seguintes valores:
µI = p e σI2 = p(1 − p), respetivamente. (Ver Anexo A.)
Determinemos agora a média e variância de P̂ . Relativamente à média
tem-se:
1
µP̂ = n µI
n
= p.
O estimador P̂ é por isso um estimador centrado, pois a sua média coincide

com o parâmetro a estimar. Relativamente à variância, tem-se:
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
Podemos ainda armar que, em virtude do TLC, para n grande P ∼ N,

podendo assim escrever-se:
r !
p(1 − p)
P̂ ∼ N p, . (6.6)
n
Ora, sabe-se que, para uma variável X ∼ N (µ, σ),
P (µ − 1.96σ ≤ X ≤ µ + 1.96σ) = 0.95,
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)
Como o valor de p é desconhecido (é justamente a quantidade que desejamos

determinar), uma estimativa do erro é evidentemente dada por:
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
Exemplo 6.1 Suponha-se que, num dado problema, acabou de estimar-

se uma probablidade de 0.01, tendo-se utilizado 100 000 simulações. Esti-
mar o erro relativo máximo dessa estimativa com uma conança de 95%.
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)
Se estivermos satisfeitos com o erro máximo de 6.2%, aceita-se a estima-

tiva. Se não aumenta-se o numero de simulações até se obter a precisão
desejada.
Desenvolvendo a Equação (6.10) em ordem a n, obtém-se:
2
1.96 1 − p̂
n= , (6.11)
êr p̂
que dá o numero de simulações necessário para se conseguir um determinado

erro relativo máximo. Para um erro relativo máximo de 5%, tem-se
1 − p̂
n ≈ 1600 . (6.12)
p̂
6.3 Geração de amostras aleatórias

Temos estado a usar a função MATLAB normrnd() para gerar amostras com
distribuição Normal. O MATLAB disponibiliza um número signicativo de
funções destinadas à geração de sequências de números aleatórios com deter-
minada distribuição de probabilidade. Pode acontecer que, para um problema
concreto, necessitemos de desenvolver a nossa própria rotina para gerar uma
amostra aleatória. Justica-se pois abordar brevemente o problema da geração
de sequências aleatórias .
1
6.3.1 Método da transformação inversa

O método da transformação inversa baseia-se no seguinte resultado: seja U
uma variável com Distribuição Uniforme no intervalo ]0, 1[, isto é, U ∼ Un(0, 1).
Seja FX (x) a FDC associada a um determinado modelo probabilístico. Então
−1
a variável aleatória X = FX (U ) tem distribuição FX (x).
Este resultado, ilustrado gracamente na Figura 6.4, é relativamente fácil
de demonstrar. Em primeiro lugar, note-se que P (U ≤ a) = a. Com efeito,
Z a a
P (U ≤ a) = 1 du = u = a.

0 0
Seja X = FX−1 (U ). Portanto,
P (X ≤ x) = P (FX−1 (U ) ≤ x)

= P U ≤ FX (x) = FX (x).
Ou seja, a variável X = FX−1 (U ) tem distribuição FX (x).

Assim, o algoritmo consiste em:
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
Figura 6.4 Ilustração do Método da Transformação Inversa.

6.3.2 Aplicações do método da transformação inversa
Geração de amostras da distribuição Gumbel
A FDC da distribuição Gumbel é dada por:

FX (x) = exp − exp − α(x − u) .
Começa-se por obter a inversa de

FX(), bastando para o efeito resolver a

equação p = exp − exp − α(x − u) em ordem a x. Tem-se:

p = exp − exp − α(x − u) ⇔ ln p = − exp − α(x − u)

⇔ − ln p = exp − α(x − u)
⇔ ln(− ln p) = −α(x − u)
1
⇔ x = u − ln(− ln p).
α
Assim, o algoritmo consiste em:
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.
Exemplo 6.2 Considere-se a viga de betão armado representada na Fi-

gura junta. A viga possui secção retangular e está sujeita a duas ações,
uma de natureza permanente, g, e outra variável ao longo do tempo, q.
As ações g e q, a tensão de cedência do aço fy , e a resistência do betão

fc têm os seguintes modelos probabilísticos:
Variável Modelo Média Coef. de variação
g Normal 16 kN/m 0.05

q Gumbel 8 kN/m 0.10
fy Normal 560 MPa 0.05
fc Normal 35 MPa 0.12
a) Determinar a probabilidade de se atingir o EL de rotura por exão

na secção de meio vão da viga.
b) Estimar quantas simulações são necessárias de forma a garantir que

o erro na probabilidade calculada seja inferior a 5% com uma con-
ança de 95%.
Resolução
a) Começa-se por determinar os parâmetros do modelo Gumbel, u e

α. Recorrendo ao Anexo B (p. 185), vem:
√
6 × 0.5772
u=8− (0.10 × 8) = 7.64 kN/m;
π
π
α= √ = 1.60 (kN/m)−1 .
6 (0.10 × 8)
Recorrendo à rotina que segue, obteve-se pf = 2.0 × 10−6 .
b) Estima-se que são necessárias:
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.
(2) O momento resistente foi calculado de modo simplicado. Com

efeito, a expressão utilizada pressupõe que os aços, em EL último,
estão em cedência, pelo que se deveria ter vericado o cumprimento
de tal pressuposto em cada simulação. Efetuou-se uma análise mais
correta do problema, tendo-se obtido os mesmos resultados, o que
signica, que, no presente caso, a probabilidade do aço não estar
em cedência em EL último é extremamente reduzida.
(3) A título de referência, apresenta-se de seguida os histogramas dos

momentos atuante e resistente da secção de meio vão da viga. Con-
forme se observa, há uma muita pequena sobreposição dos dois his-
togramas, evidenciando que a probabilidade P (ME > MR ) é muito
pequena.
0.05
0.045
0.04
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 ] ')
ylabel ( ' Densidade de probabilidade ')

hold off
Geração de amostras de máximos

O método da transformação inversa também é facilmente aplicado na gera-
ção de amostras de máximos. Vejamos como isso é feito. Suponhamos uma
variável X com distribuição inicial FX (x). Seja {X1 , . . . , Xn } uma sequência
temporal de n observações independentes de X . Estamos interessados na va-
riável Xmax = max{X1 , . . . , Xn }. Como vimos anteriormente, a distribuição
de Xmax obtém-se da distribuição inicial por meio da relação:
n
FXmax (x) = FX (x) . (6.13)
Para gerar uma amostra da variável Xmax recorrendo ao método da transfor-

mação inversa, começa-se por obter a inversa de
n FXmax (x), bastando para o
efeito resolver a equação u = FX (x) em ordem a x. Tem-se:
n
⇔ u1/n = FX (x)

u = FX (x)
⇔ x = FX−1 (u1/n ).
Assim, para gerar uma amostra de máximos de X ∼ FX (x), procede-se con-
forme segue:
1. gerar u ∼ Un(0, 1)
2. −1 1/n
obter x = FX (u )

que atravessam uma determinada ponte, concluiu-se que o peso desses
camiões segue uma distribuição Normal, com media 16 ton e desvio padrão
8 ton. Observou-se que, em média, atravessam diariamente a referida
ponte cerca de 150 camiões.
Recorrendo ao método de MC, desenvolver uma rotina MATLAB para
a determinação das seguintes quantidades:
a) Média, desvio padrão e valor característico (quantil 95%) do peso

máximo dos camiões em 50 anos.
b) Probabilidade do peso máximo em 50 anos exceder 60 ton.
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
Recorrendo a esta rotina, obtiveram-se os seguintes resultados:
a) média = 56.5 ton;
desvio padrão = 1.9 ton;
valor característico = 60.0 ton.
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.
A título de referência, apresenta-se de seguida um histograma do peso

máximo dos camiões em 50 anos.
0.25
0.2
0.15
0.1
0.05
0
50 55 60 65 70 75 80
Peso dos camiões (máximos em 50 anos) [ton]
6.4 Geração de amostras de variáveis multivariadas

Em preparação.
6.5 Análise de sensibilidade com o método de MC

Em preparação.
Capítulo 7
Segurança estrutural como

problema de decisão
No âmbito das avaliações estruturais, o engenheiro vê-se confrontado frequen-

temente com a necessidade de tomar uma decisão, tendo de escolher uma entre
várias alternativas possíveis. Muitas vezes tal decisão tem de ser tomada face
a cenários incertos.
Neste Capítulo faz-se uma breve introdução à teoria da decisão. Embora o
nível de exposição seja muito elementar, os exemplos apresentados (todos eles
relacionados com a segurança de estruturas existentes) permitirão apreciar as
potencialidades da teoria. Conforme veremos, a modelação de quantidades
incertas por meio de distribuições de probabilidade revela-se extremamente
útil em problemas de decisão.
Para o leitor interessado em aprofundar esta matéria, deixa-se aqui algu-
mas referências importantes no domínio da teoria da decisão: (1) Probability,
statistics and decision for civil engineers (Benjamin and Cornell, 1970); (2)
Applied Statistical Decision Theory (Raia and Schlaifer, 2000); (3) Bayesian
Theory (Bernardo and Smith, 1994).
7.1 Formulação do problema de decisão

Um problema de decisão coloca-se sempre que é necessário escolher uma en-
tre várias alternativas possíveis. Sejam a1 , a2 , . . . as alternativas possíveis .
1
A cada alternativa ai corresponde uma determinada consequência. Frequen-

temente, porém, a consequência é incerta, pois depende de certos estados θ
desconhecidos, pelo que a decisão terá de ser tomada face a cenários incertos.
Suponha-se, sem perda de generalidade, que o problema em mãos depende
apenas de um estado desconhecido θ, e que este pode assumir os valores dis-
cretos θj , (j = 1, 2, . . . ). A cada alternativa ai e a cada valor θj associa-se uma
consequência, que representaremos por C(ai , θj ).
Uma vez que o estado θ é desconhecido, será útil modelá-lo como variável
aleatória, atribuindo-se-lhe uma determinada distribuição de probabilidade.
Seja p(θj | ai ) = P (θ = θj | ai ). A consequência C, por depender de θ, é
também variável aleatória. O valor esperado da consequência da alternativa
1
As alternativas também são designadas cursos de ação, ou simplesmente ações.
79
80 Segurança estrutural como problema de decisão
ai é, por denição de valor esperado, dado por:
X
E(C | ai ) = C(ai , θj ) p(θj | ai ). (7.1)
j
A decisão mais racional é a que recai na alternativa com a menor consequência

esperada (Bernardo and Smith, 1994). O problema de decisão consiste assim
em encontrar a alternativa ai para a qual E(C | ai ) seja mínimo.
7.2 Conceito de utilidade

Note-se que a consequência da alternativa ai não é necessariamente negativa,
podendo ser denida, numa situação mais genérica, como a diferença entre
os correspondentes benefícios B(ai ) e perdas L(ai ). Neste caso é mais usual
empregar-se a designação utilidade em vez de consequência. A utilidade da
alternativa ai é assim denida por:
U (ai ) = B(ai ) − L(ai ). (7.2)
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 .
Exemplo 7.1 Considere-se a estrutura representada na Figura junta,

concebida para o levantamento de uma carga Q com valor máximo de
450 kN.
Conceito de utilidade 81
a) Determinar a probabilidade de colapso da estrutura quando esta

levanta uma carga exatamente de 450 kN.
b) Admita que surgiu a necessidade de içar uma carga especial de

550 kN. É necessário tomar uma decisão entre duas alternativas
possíveis: autoriza-se que a estrutura levante a referida carga, ou
recomenda-se que a estrutura seja primeiro reforçada na propor-
ção do aumento da carga? A m de tomar uma decisão racional,
estimaram-se os seguintes custos: (1) custo do reforço da estrutura:
1 000 unidades monetárias (um); (2) custo a suportar em caso de
colapso da estrutura: 50 000 um. Qual das decisões é a mais racio-
nal?
Resolução
a) Começa-se por determinar o esforço axial nos tirantes em função da

carga Q:
√
X 2
Fy = 0 ⇔ 2N −Q=0
2
Q
⇔ N=√ .
2
Determina-se agora a probabilidade do tirante 1 romper. (Por si-

metria, a probabilidade do tirante 2 romper é a mesma.) Seja N o
esforço axial no tirante e R a sua resistência. Tem-se:
pf 1 = P (N > R)

Q
= P √ > fy As
2

Q
= P fy < √
2 As
= 2.2 × 10−8 .
A probabilidade do tirante 2 romper é idêntica, isto é, pf 2 = 2.2 ×

10−8 .
Para determinar a probabilidade da estrutura colapsar, considere-

se os eventos A = {O tirante 1 rompe quando Q = 450 kN} e B=
{O tirante 2 rompe quando Q = 450 KN}. Visto que a estrutura é
isostática, basta que um dos tirantes rompa para que se dê o colapso.
A probabilidade de colapso da estrutura é então dada por:
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:
pf = 2(2.2 × 10−8 ) − (2.2 × 10−8 )2 = 4.4 × 10−8 .
b) Começa-se por determinar a probabilidade da estrutura colapsar

quando Q = 550 kN. Seguindo um procedimento idêntico ao ado-
tado na alínea a) obteve-se pf = 0.011. Esbocemos a árvore de
decisão do problema em mãos:
Relativamente às probabilidades, tem-se:
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.
O valor esperado da consequência da alternativa a1 é:
E(C | a1 ) = (50 000)(0.011) + 0 = 550 um,
e o valor esperado da consequência da alternativa a2 é:
E(C | a2 ) = (51 000)(4.4 × 10−8 ) + (1000)(1.00) = 1000 um
A alternativa a1 é assim a decisão mais racional, isto é, deve-se

autorizar o levantamento da carga sem reforçar a estrutura.
Conceito de utilidade 83
Exemplo 7.2 Suponha-se que se está a avaliar a segurança de uma es-

trutura existente, tendo-se concluído, mesmo após renamentos nos cál-
culos, que a capacidade de carga da estrutura não satisfaz as sobrecargas
regulamentares. Assim, uma decisão possível consiste em reforçar ime-
diatamente a estrutura. No entanto, suspeita-se que a capacidade real
da estrutura seja superior à calculada e suciente para atender às sobre-
cargas regulamentares, pelo que uma boa decisão talvez seja realizar um
ensaio de carga antes de tomar a decisão nal. Se o resultado do ensaio
vier a ser positivo, isto é, se demonstrar que a estrutura tem capacidade
de carga suciente, evitam-se trabalhos de reforço, geralmente muito one-
rosos, pelo que a realização do ensaio seria uma boa decisão. A realização
do ensaio, porém, além de não garantir que venha a ter um resultado
positivo e de ter um custo associado, acarreta um risco não desprezável
de introduzir danos na estrutura, o que obrigaria a custos adicionais de
reparação.
Suponha-se que, de acordo com a experiência anterior em casos seme-
lhantes, a probabilidade do ensaio do ensaio dar um resultado positivo é
estimada em 10%. Suponha-se ainda que na hipótese de se realizar o en-
saio, a probabilidade de se introduzir danos na estrutura é relativamente
elevada, digamos 30%. Relativamente a custos, estima-se que o reforço
da estrutura tem um custo de 100 000 um, o custo do ensaio é de 2 000
um e o custo de reparaçao de eventuais danos é de 1000 um.
Em face destes dados, qual a decisão mais racional? Deve-se proceder
imediatamente ao reforço da estrutura ou é de arriscar a realização de um
ensaio de carga?
Resolução
O problema de decisão resolve-se muito facilmente recorrendo à árvore
de decisão esquematizada na Figura junta.
Da Figura obtém-se imediatamente os seguintes custos esperados:
E(C | a1 , θ11 ) = (3 000)(0.30) + (2 000)(0.70) = 2 300 um
E(C | a1 , θ12 ) = (103 000)(0.30) + (102 000)(0.70) = 102 300 um
Os valores esperados do custos das alternativas a1 e a2 são assim iguais
E(C | a1 ) = (2 300)(0.10) + (102 000)(0.90) = 92 300 um
E(C | a2 ) = 100 000 um
A decisão mais racional é assim realizar o ensaio de carga.

Capítulo 8
Funtamentos da teoria da
fiabilidade estrutural
No Capítulo 3 foram apresentados os conceitos básicos de segurança estrutural.

Agora que estamos munidos das ferramentas matemáticas necessárias estamos
em condições de aprofundá-los e apresentar novos conceitos. A Teoria da a-
bilidade estrutural é, porém, um assunto muito vasto, pelo que consideraremos
apenas os fundamentos da teoria.
8.1 Conceitos de função estado limite e margem de

segurança
O evento E > R, que representa a ocorrência de um EL, pode ser escrito na
forma:
R − E < 0.
A função M = g(R, E) = R − E designa-se por função estado limite, e M por

margem de segurança. Visto que ReE são variáveis aleatórias, segue que M é
também variável aleatória. A probabilidade de se atingir o EL (probabilidade
de falha) é assim igual à probabilidade da margem de segurança ser negativa,
isto é, pf = P (M < 0).
No caso geral haverá mais do que apenas duas variáveis, pois R e E são,
frequentemente, funções de outras variáveis. Suponha-se que na denição de
um EL especíco intervêm n (X1 , . . . , Xn ). Então esse EL pode ser
variáveis,
representado por uma função M = g(X1 , . . . , Xn ), dita função estado limite,
cuja formulação dever ser tal que:
g(X1 , . . . , Xn ) > 0 corresponda a estados desejáveis (segurança);

g(X1 , . . . , Xn ) = 0 corresponda a estado limite;
g(X1 , . . . , Xn ) < 0 corresponda a estados indesejáveis (insegurança).
Assim, M > 0 representa estados de segurança, M = 0 indica estado limite

e M <0 denota estados de insegurança. A Eq. g(X1 , . . . , Xn ) = 0 designa-se
por superfície de falha. A superfície de falha separa assim duas regiões, uma
contendo estados favoráveis (segurança) e outra contendo estados desfavoráveis
(insegurança).
85
86 Funtamentos da teoria da abilidade estrutural
As variáveis (X1 , . . . , Xn ) são por vezes chamadas variáveis básicas, e são

assim chamadas por não resultarem de outras variáveis (Kiureghian and Di-
tlevsen, 2009). São exemplos de variáveis básicas as ações, as propriedades dos
materiais e os parâmetros geométricos.
Exemplo 8.1 Considere a viga simplesmente apoiada na Figura junta,

com vão L, módulo de elasticidade E , inércia constante I , sujeita a duas
cargas, g + q . Relativamente ao EL de deformação, a vericação da segu-
rança considera-se satisfeita se a echa a meio vão não ultrapassar o valor
máximo admissível, que assumiremos como sendo δmax = L/500. Escreva
a função EL e identique o vetor das variáveis básicas.
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).
A função estado limite M = g(X1 , . . . , Xn ) descreve o modo como a mar-

gem de segurança M é obtida a partir das variáveis (X1 , . . . , Xn ) e frequen-
temente não pode ser expressa por meio de uma função matemática explicita,
devendo por conseguinte ser entendida de forma simbólica. Com efeito, na
denição de um estado limite especíco é necessário empregar frequentemente
variáveis que são funções de outras variáveis. Estas funções, que podem inclu-
sivamente consistir em algoritmos, são chamados modelos de transformação.
Entre esses, 3 são particularmente importantes, como mostrado na Figura 8.1.
Assim, conforme ilustrado na Figura 8.1, a função M = g(X1 , . . . , Xn )
envolve 3 tipos principais de modelos de transformação:
Modelos de ações, Q = Q(X), que transformam variáveis básicas em

ações.
Modelos estruturais, E = E(Q), que transformam ações em efeitos de
ações (esforços, tensões, deslocamentos, deformações).
Modelos de resistência, R = R(X), que transformam variáveis básicas
em resistências correspondentes aos efeitos das ações.
Estes modelos, porém, não traduzem a realidade com perfeição, originando

novas incertezas, em adição às incluídas nas variáveis básicas. Tais incertezas
deverão ser modeladas por meio de variáveis aleatórias, habitualmente repre-
sentadas pelas letras gregas θ1 , θ2 , . . ., tantas quantos os modelos de transfor-
mação empregues. Estas variáveis devem ser acrescentadas ao vetor das variá-
Fontes de incerteza e interpretação da probabilidade de falha 87
Figura 8.1 Modelos de transformação.
veis básicas e em geral são incluídas nos modelos de transformação Y = Y (X)

numa das seguintes formas: Y = θ Y (X), ou Y = Y (X) + θ.
Assim, em resumo, podemos identicar 4 categorias de variáveis básicas:
ações e inuências ambientais;

propriedades dos materiais, incluindo solos;
parâmetros geométricos;
parâmetros descritivos da incerteza nos modelos de transformação.
As primeiras 3 categorias referem-se a quantidades observáveis, isto é, quanti-

dades suscetíveis de serem medidas por algum processo direto de medição. A
última categoria refere-se a quantidades não observáveis, e portanto são sempre
obtidos de forma indireta.
8.2 Fontes de incerteza e interpretação da

probabilidade de falha
A incerteza associada a cada variável básica pode ser maior ou menor, mas em
geral não pode ser ignorada. Uma exceção diz respeito aos parâmetros geo-
métricos, cuja variabilidade pode ser considerada pequena quando comparada
com a variabilidade das ações e propriedades dos materiais (JCSS, 2001b).
Desprezar a incerteza numa dada variável básica equivale a assumi-la como
determinística.
A variabilidade é uma importante fonte de incerteza, mas não é a única.
Alista-se de seguida as principais fontes de incerteza nos problemas de abili-
dade estrutural:
Incerteza originada na variabilidade inerente de certas variáveis, como

por exemplo a resistência do betão numa dada estrutura, ou a velocidade
do vento numa determinada localidade. Tratam-se de grandezas com
variabilidade própria: a resistência do betão varia de local para local
(além de variar ao longo do tempo) e a velocidade do vento varia de
intensidade e direção ao longo do tempo.
Incerteza originada na escolha dos modelos probabilísticos. Por exem-

plo, pode acontecer que exista mais do que um modelo probabilístico
que se ajusta bem a um determinado histograma. A opção por um deles
constitui uma importante fonte de incerteza. Com efeito, cálculos proba-
bilísticos baseados nesses modelos igualmente bons podem conduzir a
estimativas de probabilidade bastante distintas, especialmente se estiver-
mos a usar valores nas caudas das distribuições, como de resto é típico
dos problemas de abilidade estrutural.
Incerteza resultante da estimativa dos parâmetros dos modelos probabi-
lísticos a partir de amostras reduzidas (incerteza estatística).
Incerteza associada à denição dos modelos de transformação. É fre-
quente introduzir nesses modelos hipóteses simplicativas, que natural-
mente originam incerteza.
Incerteza originada em erros de medição. As amostras das variáveis bá-
sicas, a partir das quais se atribui um determinado modelo probabilístico
e se estimam os respetivos parâmetros, são em geral obtidas por meio de
processos de medição, que sempre contêm erro.
Incerteza originada em erros humanos não intencionais, quer os ocorridos
durante o projeto e construção, quer os ocorridos durante a exploração
das estruturas.
As diferentes fontes de incerteza são em geral agrupadas em duas grandes

categorias (Kiureghian and Ditlevsen, 2009):
Incerteza intrínseca ou aleatória.

Incerteza epistémica.
A primeira, também chamada incerteza do tipo 1 e que se caracteriza pela

impossibilidade de ser eliminada, está associada a fenómenos inerentemente
aleatórios, ou imprevisíveis, como a velocidade do vento em determinada lo-
calidade (que varia constantemente ao longo do tempo). A segunda, também
chamada incerteza do tipo 2, está associada à limitação do conhecimento e,
naturalmente, é suscetível de ser reduzida (ou mesmo eliminada) através de
investigação ou recolha de mais informação.
Deve referir-se que algumas das fontes de incerteza mencionadas têm uma
parcela aleatória e uma parcela epistémica. Por exemplo, considere-se a in-
certeza proveniente de erros humanos não intencionais: uma parte pode ser
reduzida com aumento do controlo da qualidade, mas a parte devida à própria
limitação humana não pode (Melchers, 1999).
Uma vez que a probabilidade constitui o meio por excelência de descrição
de incerteza, todas as fontes de incerteza, sejam elas do tipo 1 ou tipo 2,
deverão ser modeladas por meio de distribuições de probabilidade. No entanto,
é importante distinguir a presença destes dois tipos de incerteza, pois isso tem
reexo na interpretação das probabilidades calculadas. Com efeito, sempre
que existirem incerteza do tipo 2, as probabilidades calculadas deverão ser
interpretadas como meras estimativas. Sempre que se tornarem disponíveis
novas informações suscetíveis de reduzir (ou aumentar!) as incertezas iniciais,
deverão ser realizadas novas estimativas das probabilidades.
Assim, visto que muitas das incertezas nos problemas de abilidade estru-
tural têm natureza epistémica, a probabilidade de falha não deve ser interpre-
tada como frequência de colapsos quando muito como uma estimativa dessa
frequência.
O problema fundamental da abilidade estrutural 89
Além disso, a experiência tem mostrado que os colapsos estruturais devem-

se em geral a erros humanos graves, que estão normalmente excluídos da teoria
da abilidade estrutural e portanto não contemplados na estimativa da pro-
babilidade de falha (Schneider, 2006). Assim, também por este motivo, a
probabilidade de falha calculada não traduz frequência de colapsos, devendo
por isso ser encarada meramente como um valor de referência, útil para efeitos
comparativos, por exemplo em problemas de decisão.
8.3 O problema fundamental da fiabilidade estrutural

Considere-se o EL denido pela função M = g(X), com X = (X1 , . . . , Xn )
representando o vetor das variáveis básicas. O problema fundamental da a-
bilidade estrutural consiste em avaliar a probabilidade desse EL ser atingido,
isto é, avaliar o integral:
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
A Figura 8.2 representa esquematicamente o problema de abilidade de duas

variáveis. A probabilidade de falha é dada pelo volume sob a superfície fRE (r, e)
na região g < 0.
Se R eE forem independentes, então fRE (r, e) = fR (r) fE (e), onde fR (r)
representa a FDP marginal de R e fE (e) a FDP marginal de E . Pode então
escrever-se:
ZZ
pf = fR (r) fE (e) drde
(r,e):e>r
Z ∞Z e
= fR (r) fE (e) drde
Z−∞
∞
−∞
Z e
= fE (e) fR (r) drde
Z−∞
∞
−∞
= fE (e)FR (e) de, (8.3)

−∞
Figura 8.2 Representação gráca do problema básico de 2 va-

riáveis. A probabilidade de falha é dada pelo volume da FDP
conjunta sob o domínio a tracejado.
ou, de forma equivalente:
Z ∞ Z ∞
pf = fR (r) fE (e) dedr
Z−∞
∞
r
Z ∞
= fR (r) fE (e) dedr
Z−∞
∞
r

= fR (r) 1 − FE (r) dr
−∞
Z ∞
=1− fR (r) FE (r) dr. (8.4)
−∞
Os integrais acima podem ser avaliados recorrendo a um dos seguintes

métodos:
Método analítico.
Integração numérica.
Método de Monte Carlo (MC).
O método analítico é possível em muito poucos casos. A integração numé-

rica apresenta limitações para espaços de integração com dimensão n superior a
5, ou quando a superfície de falha g = 0 possui geometria complexa (Melchers,
1999). O método de MC, já explicado anteriormente, permite ultrapassar as
limitações da integração numérica. No exemplo que segue, avalia-se a proba-
bilidade de falha analiticamente e recorrendo ao método de MC.

destinada à suspensão de uma carga Q. O valor da carga Q é desco-
nhecido, sabendo-se contudo que tem um valor médio de 300 kN e um
desvio padrão de 50 kN, e que segue aproximadamente uma lei Normal.
O tirante AB é constituído por uma barra de aço de alta resistência φ32
(Ap = 8.04 2
cm ), cuja resistência segue também uma distribuição Normal,
com média 920 MPa e desvio padrão 50 MPa.
O problema fundamental da abilidade estrutural 91
Determinar a probabilidade do tirante AB romper durante a suspensão

de uma carga recorrendo aos seguintes métodos:
a) Método analítico.
b) Método de Monte Carlo.
Resolução
a) Designando por NE o esforço normal atuante no tirante e por NR

o esforço resistente, a condição de segurança é NE ≤ NR , donde a
margem de segurança é:
M = NR − NE ,
em que NR = fpy Ap . Efetuando o equilíbrio de momentos em torno

de C, obtém-se NE = 34 Q. Tem-se, pois:
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
Portanto, a probabilidade do tirante romper é igual a:
pf = P (M < 0)
= normcdf(0,339.68,77.85)
= 6.4 × 10−6 .
b) Para aplicar o método de MC, desenvolveu-se a seguinte rotina:

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
Após ter corrido a rotina várias vezes e ter efetuado a média de pf

nessas corridas, obteve-se o mesmo resultado que o obtido com o
método analítico, isto é, pf = 6.4 × 10−6 .
A Título de referência, mostra-se na Figura seguinte a representação
esquemática da aplicação do método de Monte Carlo. Cada ponto
no gráco corresponde uma simulação. A probabilidade de falha é
dada pelo número de pontos que caiem na região de insegurança
(M < 0) a dividir pelo número total de pontos.
1000
900
800 M < 0 (Estados de insegurança)
700
600
NE [kN]
500
)
ite
400 lim
do
sta
300 (E
0
=
M
200
100 M > 0 (Estados de segurança)
0
0 100 200 300 400 500 600 700 800 900 1000
NR [kN]
Introduz-se de seguida o conceito de índice de abilidade, muito utilizado

no âmbito da segurança estrutural.
8.4 Índice de fiabilidade

Deniu-se anteriormente abilidade relativa a um EL e a um intervalo de tempo
como sendo a probabilidade desse EL não ser atingido durante esse intervalo
de tempo. Assim, designando a probabilidade de se atingir esse EL por pf , a
abilidade, que representaremos por r, é o complementar dessa probabilidade,
isto é:
r = 1 − pf . (8.5)
A abilidade, sendo uma probabilidade, está compreendida entre 0 e 1. Por

exemplo, para uma probabilidade de falha pf = 7.2 × 10−5 (valor típico para
Índice de abilidade 93
EL últimos e para um período de 50 anos), a abilidade é r = 1 − 7.2 × 10−5 =

0.999928 em 50 anos.
Uma outra medida de abilidade, muito comum na área da segurança es-
trutural, é dada pelo chamado índice de abilidade, representado usualmente
pela letra grega β. Conforme veremos, este índice apresenta algumas propri-
edades com interesse, e daí a sua ampla utilização. O índice de abilidade é
denido de tal modo que:
pf = Φ(−β) (8.6)
onde Φ representa a FDC da distribuição Normal reduzida. Ou seja,
β = −Φ−1 (pf ). (8.7)
O índice β pode assim ser convertido em probabilidade de falha e vice-versa,

constituindo por isso uma medida equivalente de abilidade. Por exemplo, a
probabilidade pf = 7.2 × 10−5
β = 3.8. corresponde ao índice
O índice de abilidade está compreendido entre −∞ e +∞, embora valores
abaixo de −5 e acima de 5 correspondam a probabilidades de rotura muito
próximas de 1 e muito próximas de 0, respetivamente. (Veja-se a Fig. 8.3.)
Uma probabilidade de falha de 0.5 corresponde um índice de abilidade nulo.
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
Figura 8.3 Relação entre índice de abilidade e probabili-

dade de falha.
Note-se que, para os valores típicos de β, a uma dada variação percentual
de β corresponde uma variação percentual muito maior na probabilidade de
falha. Na Tabela 8.1 apresenta-se, para diferentes valores de β, a variação
percentual na probabilidade de falha correspondente uma variação de 5% no
índice de abilidade. Por exemplo, um aumento de 5% num índice β = 4.0 (β
passa de 4.0 para 4.2), corresponde uma redução de 58% na probabilidade de
falha! Deve por isso ter-se algum cuidado ao interpretar variações no índice de
abilidade. Os índices 4.0 e 4.2 podem parecer semelhantes, mas correspondem
a uma variação na probabilidade de falha (e consequentemente no risco) de mais
de 50%.
Tabela 8.1 Variação percentual na probabilidade de falha para uma variação de 5%

no índice de abilidade
β1 pf 1 β2 pf 2 (β2 − β1 )/β1 (pf 2 − pf 1 )/pf 1
1.00 1.59E-01 1.05 1.47E-01 5% −7%
1.50 6.68E-02 1.58 5.76E-02 5% −14%
2.00 2.28E-02 2.10 1.79E-02 5% −21%
2.50 6.21E-03 2.63 4.33E-03 5% −30%
3.00 1.35E-03 3.15 8.16E-04 5% −40%
3.50 2.33E-04 3.68 1.19E-04 5% −49%
4.00 3.17E-05 4.20 1.33E-05 5% −58%
4.50 3.40E-06 4.73 1.15E-06 5% −66%
5.00 2.87E-07 5.25 7.60E-08 5% −73%
Analisemos agora, mais de perto, o signicado prático do índice de abi-

lidade. Suponha-se que, para um dado EL, a margem de segurança M tem
distribuição Normal, isto é, M ∼ N(µM , σM ), onde µM e σM representam,
respetivamente, a média e o desvio padrão da margem de segurança. A pro-
babilidade desse EL ser atingido é então dada por:
pf = P (M < 0)

0 − µM
=Φ
σM

µM
=Φ − . (8.8)
σM
Comparando (8.8) com (8.6) conclui-se que, para um EL cuja margem de

segurança siga uma lei Normal, o índice de abilidade é dado por: β = µM /σM .
Em símbolos:
µM
M ∼ N(µM , σM ) ⇒ β= .
σM
A Figura 8.4 mostra a representação gráca deste resultado. Conforme se
observa, quando M ∼ N, o índice de abilidade coincide com a distância
(medida em número de desvios padrão) entre o valor médio da margem de
segurança e a margem nula.
Outra particularidade interessante é que o índice de abilidade corresponde
ao inverso do coeciente de variação da margem de segurança.
Considere-se novamente o problema de abilidade de duas variáveis, com
função estado limiteM = R − E . Para alguns casos particulares de distribui-
ções de probabilidade de E e de R é possível deduzir expressões do índice de
abilidade β em função dos parâmetros das distribuições de E e de R. Vejamos
um caso muito simples.
Suponhamos queE ∼ N(µE , σE ) e R ∼ N(µR , σR ). Então M ∼ N. Assu-
mindo independência entre E e R, a margem M tem a seguinte média e desvio
padrão:
µM = µR − µE ,
q
σM = σR 2 + σ2 .
E
Índice de abilidade 95
Figura 8.4 Quando M ∼ N(µ , σ ), o índice de

abilidade é dado por β = µ /σ .
M M
M M
e portanto,
µM µR − µE
β= =q .
σM 2 + σ2
σR E
Ou seja, no presente caso é possível expressar o índice de abilidade como fun-

ção da média e desvio padrão do efeito da ação e da resistência correspondente.
Nota histórica Deve referir-se que o índice de abilidade β aparece historica-

mente ligado à conveniência em medir a abilidade por meio de uma grandeza
que não necessitasse do conhecimento completo das distribuições de probabi-
lidade das variáveis básicas (já que estas podem ser difíceis de obter por falta
de informação), mas apenas dos seus dois primeiros momentos. Cornell propôs
medir a abilidade justamente pela quantidade β = µM /σM . Atualmente, é
usual representar-se essa quantidade por βC , por um lado, para a distinguir da
denição (8.6) e por outro, como homenagem ao seu autor. A quantidade:
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 .
Nos casos em que a margem de segurança M não é normalmente distribuída,

o índice de Cornell já não coincide com o índice de abilidade, não deixando,
contudo, de poder ser encarada como uma medida de abilidade.
A título de exemplo, determinemos β e βC do exemplo 6.2 (p. 73). A
2.0 × 10−6 , a que corresponde β = 4.61.
probabilidade de falha obtida foi de
Para esse mesmo exemplo βC = 5.27, que é bastante diferente da abilidade
exata (βC = 5.27 corresponde pf = 6.8 × 10
−8 ). Este exemplo mostra que o
índice de Cornell pode diferir bastante do índice de abilidade, podendo pois

concluir-se que, como medida de abilidade, não é um parâmetro totalmente
satisfatório. Curiosamente, no presente caso, o histograma da margem de
segurança aparenta não diferir muito de um histograma Normal, conforme se

pode observar na Figura 8.5. Mas na realidade difere bastante, principalmente
junto da cauda esquerda, que é a que determina a probabilidade pf = P (M <
0). Tal não é percetível na Figura por corresponder a zonas onde as densidades
de probabilidade são muito baixas.
0.025
0.02
0.015
0.01
0.005
0
-50 0 50 100 150 200
Margem de segurança [kNm]
Figura 8.5 Histograma da margem de segurança do Exemplo 6.2.
8.5 Fiabilidade estrutural e fator tempo

O conceito de abilidade está por denição associado ao fator tempo, pelo
que este está sempre presente nos problemas de abilidade. Por exemplo,
suponhamos que a abilidade relativa a um determinado EL é de 0.999. Este
número, por si só, diz pouco. É necessário especicar a que período diz respeito.
Se essa abilidade referir-se a um período de, digamos, 50 anos, o valor 0.999
passa a ter signicado. Signica que a probabilidade do EL não ser atingido
em 50 anos é de 0.999.
Além desse aspeto, é um facto que muitas das variáveis básicas (como
é o caso de algumas ações) são por natureza funções do tempo, e por essa
razão, num caso geral, são apropriadamente descritas por meio de processos
estocásticos .
1 Nos casos em que a deterioração dos materiais não possa ser
desprezada no intervalo de tempo em consideração, até mesmo as variáveis de
resistência deverão ser descritas por meio de processos estocásticos. O fator
tempo está assim sempre presente nos problemas de abilidade estrutural.
Considere-se novamente o problema de abilidade de duas variáveis, E e R,
a primeira representando efeito de ação e a segunda representando resistência
correspondente. No caso geral, como acabamos de ver, as variáveis E e R são
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
processos estocásticos, isto é, E = E(t) e R = R(t), e a probabilidade de falha

no intervalo [0, T ] é dada por (Figura 8.6):

pf (0, T ) = P E(t) > R(t) em algum instante t ∈ [0, T ]. (8.9)
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.
Figura 8.7 Realização particular dos

processosR(t) e E(t) no intervalo ∆t.
Observando a Figura 8.7, ca evidente que a probabilidade de falha no
intervalo ∆t é dada por:

pf (∆t) = P Emax (∆t) > R , (8.10)
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.
Figura 8.8 Transformação dos processos R(t) e E(t) em processos re-

tangulares.
Devido à deterioração, a probabilidade de falha vai aumentando nos suces-
sivos intervalos de tempo. Seja pf i a probabilidade de falha no intervalo ∆ti .
A probabilidade de falha no período [0, n] é então dada por:

pf (0, n) = 1 − P Não ocorrência de falha no intervalo [0, n]

=1−P Não ocorrência em ∆t1 ∩ · · · ∩ Não ocorrência em ∆tn
= 1 − (1 − pf 1 ) × · · · × (1 − pf n )
Yn
=1− (1 − pf i ). (8.11)
i=1
Se se admitir que não existe deterioração ao longo do tempo e que a distri-

buição dos máximos de E permanece constante, então a probabilidade pf i tam-
bém permanece constante em sucessivos intervalos de tempo. Chamemos pf 1 à
probabilidade de falha em um intervalo de tempo qualquer. Então a probabi-
lidade de falha em n pf (0, n) = 1 − (1 − pf 1 )n .
intervalos de tempo é dada por
Com o objetivo de aligeirar a notação, representemos pf (0, n) por pf n . Assim,
pf k representa a probabilidade de falha em k unidades de tempo. Podemos
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)
Observe-se que o limn→∞ pf n = 1, conforme se pode observar na Figura

8.9. Resolvendo (8.12) em ordem a pf 1 , obtém-se:
1/n
pf 1 = 1 − 1 − pf n . (8.13)
Esta última Equação pode ser reescrita para um período de m intervalos

(1/m)
de tempo, vindo: pf 1 = 1 − 1 − pf m . Substituindo este resultado na Eq.
(8.12), obtém-se:
n/m
pf n = 1 − 1 − pf m (8.14)
Esta expressão permite assim converter uma probabilidade de falha em m inter-

valos de tempo na probabilidade de falha em n intervalos de tempo (assumindo
que a probabilidade de falha permanece constante nos sucessivos intervalos de
tempo). A expressão pode ser aplicada independentemente de m ser maior ou
menor que n.
1
Probabilidade de falha, pfn
0.8
0.6
0.4
0.2
0
0 1 2 3 4 5
Número de intervalos de tempo, n ×105
Figura 8.9 Probabilidade de falha em n intervalos

de tempo, em função de n.
Para valores pequenos de probabilidade de falha, a probabilidade cresce
com o tempo de forma aproximadamente linear, sendo aceitável a seguinte
aproximação:
n
pf n ≈ pf m . (8.15)
m
Exemplo 8.3 Considere-se uma estrutura com uma probabilidade de

colapso em 50 anos de 7.2 × 10−5 . Determinar a probabilidade de colapso
nos próximos 5 anos, admitindo que que não há deterioração.
Resolução
No presente caso desejamos determinar pf 5 a parir de pf 50 . Portanto,
n=5 e m = 50. Aplicando (8.14), vem:
5/50
pf 5 = 1 − 1 − pf 50
5/50
pf 5 = 1 − 1 − 7.2 × 10−5
= 7.2 × 10−6 .
Nota: No presente caso, se tivéssemos feito pf 5 = (5/50) pf 50 teríamos

obtido mesmo valor.
A Eq. (8.12) permite converter uma probabilidade de falha em um intervalo

de tempo na probabilidade de falha em n intervalos de tempo. Deduzamos uma
expressão semelhante, mas destinada a converter índices de abilidade β. Seja
β1 o índice de abilidade referido a um intervalo de tempo e βn o índice de
abilidade referido a n intervalos de tempo. Por denição pf 1 = Φ(−β1 ),
e, da mesma forma, pf n = Φ(−βn ). Substituindo na 8.12, e notando que
Φ(−β) = 1 − Φ(β) (Ver Figura 8.10.) vem:
n
pf n = 1 − (1 − pf 1 )n ⇔ Φ(−βn ) = 1 − 1 − Φ(−β1 )
n
⇔ 1 − Φ(βn ) = 1 − 1 − 1 − Φ(β1 )
n
⇔ −Φ(βn ) = − Φ(β1 )
n
⇔ Φ(βn ) = Φ(β1 ) . (8.16)
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)
Figura 8.10 Distribuição Normal reduzida.

Conforme se observa Φ(−β) = 1 − Φ(β).
Exemplo 8.4 Determinar o índice de abilidade anual de uma estrutura

que tem uma abilidade de 3.8 em 50 anos.
Resolução
No presente caso desejamos determinar β1 a partir de β50 . Portanto,
Formatos de abilidade 101
fazendo n=1 e m = 50 na Eq. (8.17), vem:
1/50
β1 = Φ−1 Φ(β50 )
1/50
= Φ−1 Φ(3.8)
= 4.68.
Expressão MATLAB usada: norminv((normcdf(3.8))^(1/50)).
8.6 Formatos de fiabilidade

A expressão formatos de abilidade refere-se aos métodos usadas com o ob-
jetivo de classicar as estruturas como seguras ou como inseguras. Já
mencionamos dois importantes métodos: o método dos coecientes parciais de
segurança e o método probabilístico. Iremos agora acrescentar dois novos mé-
todos: método probabilístico simplicado e avaliação de risco. Estes métodos,
ou formatos, são agrupados tradicionalmente em quatro categorias, ou níveis,
a saber: formatos de nível I, nível II, nível III e nível IV. Façamos uma breve
descrição destes formatos.
8.6.1 Formatos de nível I

Os formatos de nível I incluem o método das tensões admissíveis (ainda usado
no dimensionamento de fundações) e o método dos coecientes parciais de
segurança (CPS). De acordo com este último, a vericação da segurança em
relação a um determinado EL consiste em satisfazer a condição:
Ed ≤ Rd , (8.18)
onde Ed representa o valor de dimensionamento do efeito de ação E, e Rd o

valor de dimensionamento da correspondente grandeza resistente R.
Para um dado EL genérico, representado simbolicamente pela função M=
g(X1 , . . . , Xn ), cada variável básica Xi é então representada pelo respetivo
valor de dimensionamento, Xid . Assim, de acordo com método os CPS a
vericação da segurança de uma estrutura consiste em comprovar, para todos
os EL relevantes, que a margem de segurança é positiva, isto é:
g(X1d , . . . , Xnd ) ≥ 0. (8.19)
Recorde-se que as variáveis básicas Xi incluem:
ações e inuências ambientais (F1 , F2 , . . . );

propriedades dos materiais (f1 , f2 , . . . );
parâmetros geométricos (a1 , a2 , . . . );
parâmetros descritivos da incerta nos modelos de transformação (θ1 , θ2 , . . . ).
Os valores de dimensionamento das variáveis básicas obtêm-se a partir dos

respetivos valores característicos (ou outros valores representativos), majorando-
os (caso das ações), ou minorando-os (caso dos materiais) pelos coecientes
parciais de segurança. Fazendo intervir estes coecientes na Eq. 8.19, esta
toma a forma:

f1k f2k
g γF 1 ψ1 F1k , γF 2 ψ2 F2k , . . . , , , . . . , a1 , a2 , . . . ≥ 0, (8.20)
γM 1 γM 2
onde:
Fik é o valor característico da ação i;

γF i é o coeciente parcial de segurança da ação i;
ψi é o coeciente de combinação da ação i3 ;
fik é o valor característico da resistência do material i;
γM i é o coeciente parcial de segurança do material i;
ai é o valor do parâmetro geométrico i.
Em geral o valor de dimensionamento dos parâmetros geométricos coin-
cide com o valor nominal que consta nas peças desenhadas. Em relação aos
parâmetros descritivos da incerteza nos modelos de transformação, não apa-
recem explicitamente na Eq. (8.20) visto que esta incerteza é normalmente
contemplada nos coecientes γF e γM .
O método dos CPS é de muito fácil aplicação, mas apresenta importantes
limitações. Por exemplo, o método não permite ter uma noção dos risco de
colapso da estrutura que está a ser avaliada. O engenheiro avaliador, ao uti-
lizar os coecientes de segurança preconizados nos regulamentos, cona que
a estrutura, caso passe a avaliação, é sucientemente ável, mas na realidade
desconhece o risco de uma eventual rotura estrutural.
Além disso, o uso dos coecientes de segurança constitui um modo muito
simplicado de modelação de incertezas. Haverá casos em que os coecientes
de segurança são excessivos (para o nível real de incerteza), e haverá casos
onde se passa o contrário. Os exemplos que iremos dar nesta secção tornarão
este aspeto mais claro.
Exemplo 8.5 Considere-se a estrutura existente representada na Fi-

gura junta. Admita-se que existem dúvidas na capacidade do tirante em
suportar adequadamente a viga. As cargas g e q , e a resistência do tirante
fpy são variáveis básicas com as distribuições indicadas na Figura.
a) Com base nas distribuições fornecidas, determinar os valores carac-

terísticos das variáveis básicas.
b) Recorrendo ao método dos CPS, vericar a segurança em relação

ao EL de resistência do tirante. Adote os coecientes parciais de
segurança habituais: γg = 1.35; γq = 1.50; γM = 1.15.
Resolução
3
Estudaremos no Capítulo 11 o signicado preciso deste coeciente.
a) Tem-se:
gk = 14 + 1.645 × 0.7 = 15.2 kN/m;
qk = 8.4 − (1/1.5) ln(− ln 0.95) = 10.4 kN/m;
fpyk = 920 − 1.645 × 50 = 837.8 MPa.
Poderíamos também ter recorrido ao MATLAB, utilizando as se-

guintes instruções:
gk = norminv (.95 ,14 ,.7)

qk = 8.4 - (1/1.5) * log ( - log (.95) )
fpyk = norminv (.05 ,920 ,50)
b) A condição de segurança é:
NEd ≤ NRd ,
onde NEd representa o valor de cálculo do esforço axial no tirante

e NRd representa a sua resistência. Uma simples consideração de
equilíbrio permite concluir que o esforço axial no tirante para uma
carga uniforme na viga igual a p é dado por N = 13.33p. Tem-se,
pois:
NEd = 13.33(γg gk + γq qk )
= 13.33(1.35 × 15.2 + 1.5 × 0.5) = 481.5 kN.
O esforço axial resistente do tirante é dado por:
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 .
8.6.2 Formatos de nível II

Os formatos de nível II baseiam-se em métodos probabilísticos aproximados,
4
de que é exemplo o método FORM . Pela sua importância e ampla aceitação,
dedicaremos o próximo Capítulo ao estudo deste método. Embora aproximado,
conduz a boas estimativas do índice de abilidade. Além disso, exige muito
menos esforço computacional que o método de MC.
Uma vez estimado o índice de abilidade β referente a um dado EL, a
segurança em relação a esse EL considera-se satisfeita se:
β ≥ βT , (8.21)
onde βT representa a abilidade mínima aceitável, por vezes também chamada

abilidade-alvo ( Target ). No Capítulo 10 trataremos da determinação dessa
abilidade mínima, e entenderemos a razão do nome abilidade-alvo. Um valor
típico de βT é 3.8 para EL últimos e 1.50 para EL de utilização.
4
O nome FORM vem da expressão inglesa First Order Reliability Method.
8.6.3 Formatos de nível III

Nos métodos de abilidade nível III procura determinar-se a probabilidade
de falha diretamente a partir do integral que a dene. (Ver Eq. (8.1), p.
89.) Assim, contrariamente aos métodos de nível II (que são aproximados), os
métodos de nível III podem ser considerados exatos.
Uma vez estimada a probabilidade de falha pf referente a um dado EL, a
segurança em relação a esse EL considera-se satisfeita se:
pf ≤ pf T , (8.22)
onde pf T representa a probabilidade de falha máxima aceitável, que se relaciona

com βT por meio da expressão pf T = Φ(−βT ). Assim, para EL Últimos, um
valor típico é pf T = Φ(−3.8) = 7.2 × 10
−5 e para EL de utilização, um valor
típico é pf T = Φ(−1.5) = 0.067.

Vimos anteriormente que a determinação de pf = P (M < 0) pode ser
efetuada por um dos seguintes métodos: (1) método analítico; (2) integração
numérica ou (3) método de MC. Como vimos, o método analítico é possível em
muito poucos casos e a integração numérica pode suscitar diculdades quanto
o espaço de integração tem dimensão superior a 5, ou quando a superfície de
falha g(X) = 0 possui geometria complexa (Melchers, 1999).
O método de MC, além de simples e intuitivo, permite ultrapassar as li-
mitações mencionadas acima. Além disso, o método permite controlar o erro
associado à estimativa da probabilidade de falha. Como visto anteriormente,
aumentando o numero de simulações é possível reduzir o erro até se obter a
precisão desejada.
O método de MC apresenta, porém, uma diculdade: como a probabili-
dade de falha é em geral muito pequena, é necessário um grande número de
simulações para se obter uma estimativa com um erro aceitável. Por exemplo,
para uma probabilidade de falha de 1.0 × 10−5 , são necessárias:
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.
Exemplo 8.6 Considere-se novamente a estrutura que se analisou no

exemplo anterior. Nas questões que seguem, admite-se que a probabili-
dade de rotura, por unidade de tempo, permanece constante ao longo do
tempo, o que equivale a admitir que não há deterioração dos materiais e
que as ações permanecem estacionárias ao longo do tempo.
a) Admitindo que a distribuição de q refere-se aos máximos em 50

anos, determinar a probabilidade de rotura do tirante nos próximos
50 anos. À base desse valor, é de considerar a estrutura segura
com respeito à possibilidade de rotura do tirante na hipótese dela
permanecer em serviço nos próximos 50 anos?
b) Determinar a probabilidade de rotura do tirante na hipótese da

estrutura permanecer em serviço nos próximos 100 anos.
Resolução
a) Vimos no exemplo anterior que:
NE = 13.33(g + q).
O esforço resistente no tirante é naturalmente dado por:
NR = fpy Ap .
A condição de segurança é NE ≤ NR , donde a margem de segurança

é M = NR − NE . Pretende-se avaliar a probabilidade pf = P (M <
0). A seguinte rotina implementa o MC básico:
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
Recorrendo a esta rotina obteve-se pf = 0.26 × 10−5 . Considerando

o valor habitual pf T = −5
7.2 × 10 para EL últimos, é de considerar
a estrutura segura. (Recordamos que esta estrutura não vericou a
segurança aplicando os coecientes de segurança habituais.)
b) Para calcular a probabilidade de falha nos próximos 100 anos, basta

usar a Eq. (8.14) com n = 50 e m = 100. Vem:
pf 100 = 1 − (1 − pf 50 )100/50
= 1 − (1 − 0.26 × 10−5 )2
= 0.52 × 10−5 .
Ou seja, a probabilidade de falha aumenta sensivelmente para o

dobro, mas continua a ser inferior ao valor máximo habitual.
Os exemplos que acabámos de analisar permitem tirar uma conclusão im-

portante: pode acontecer que uma estrutura não verique a segurança segundo
o método dos CPS e ainda assim possua abilidade suciente. Por este motivo,
a aplicação de metodologias probabilísticas tem vindo a ser fortemente encora-
jada no domínio da segurança de estruturas existentes. Se uma estrutura não
cumprir os critérios de segurança segundo o método dos CPS, não devemos
concluir logo que a estrutura necessita de ser reforçada. Como os trabalhos de
reforço são em geral muito onerosos, justica-se plenamente uma análise mais
rigorosa da segurança. Se se concluir que a estrutura anal possui abilidade
suciente, os trabalhos de reforço serão desnecessários e os fundos poupados
poderão ser empregues de maneira mais eciente em trabalhos de manutenção.
Nos exemplos acima podemos concluir que os coecientes de segurança
empregues não traduziram corretamente os níveis de incerteza implícitos nas
distribuições de probabilidade usadas (foram excessivos). Fica assim evidente a
limitação dos coecientes de segurança como meio de modelar as incertezas nos
problemas de segurança. Haverá casos em que tais coecientes são excessivos,
podendo também haver caso onde se passa o contrário.
8.6.4 Formatos de nível IV

Os formatos de nível IV caracterizam-se pelo facto de fazerem uso do conceito
de risco. O risco de um acontecimento adverso é o produto da probabilidade de
ocorrência desse acontecimento pelas suas consequências. Existem outras de
denições mais gerais de risco (ISO 31000, 2009), mas esta é a mais usada no
âmbito da segurança estrutural (ISO 13824, 2009; EN 1991-1-7, 2006). Assim,
dada uma estrutura e um acontecimento adverso em potencial (ocorrência de
um EL último, por exemplo), o risco Rf desse acontecimento é denido por:
Rf = pf · Cf , (8.23)
onde pf é a probabilidade de ocorrência do acontecimento e Cf as suas con-

sequências. O risco é expresso nas mesmas unidades que as consequências, por
exemplo em valor monetário, em número de perdas de vidas humanas, etc.
Do ponto de vista da segurança estrutural pode haver conveniência em
avaliar a segurança em relação a um EL ou mais genericamente em relação a
um evento adverso , não por se comparar a probabilidade de ocorrência desse
evento com uma probabilidade previamente aceite como máxima admissível,
mas por se comparar o risco desse evento com o risco previamente aceite como
máximo admissível, ou máximo tolerável. A condição de segurança formulada
em termos de risco é pois:
Rf ≤ Rtol , (8.24)
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 8.11 Tolerabilidade ao risco e principio

ALARP ( As Low As Reasonably Practicable).
A formulação que acabámos de expor, embora consistente, não é usual no
âmbito da vericação da segurança aos EL comuns. Tal deve-se ao facto das
probabilidades máximas admissíveis para as situações comuns estarem relati-
vamente bem estabelecidas (e até regulamentadas) e conduzirem geralmente a
riscos muito baixos, não havendo por isso necessidade de quanticar explicita-
mente as consequências envolvidas. No entanto, em situações em que estejam
envolvidos riscos fora do comum, pode justicar-se a realização de uma avali-
ação de risco. Tais avaliações podem ter interesse em estruturas vulneráveis à
ocorrência de certos acidentes com consequências potencialmente severas, por
exemplo a ocorrência de uma explosão seguida de incêndio numa fábrica de
pirotecnia, ou a colisão de uma embarcação contra um pilar de uma ponte
sobre um rio navegável.
Tipicamente uma avaliação de risco compreende as seguintes etapas:
1. Especicação dos objetivos da avaliação e identicação clara do sistema

que vai ser avaliado, incluindo as suas fronteiras.
2. Identicação criteriosa dos perigos e cenários adversos em potencial.
3. Análise do risco (caracterização das probabilidades e consequências) de

cada cenário adverso identicado na etapa anterior.
4. Avaliação do risco (entendido como o produto das probabilidades pelas
consequências) e análise da sua aceitabilidade.
5. Conclusões da avaliação, incluindo proposta de medidas razoáveis ten-
dentes a reduzir o risco.
A identicação de todas as fontes de perigo é de crucial importância numa

avaliação de risco. Existem metodologias disponíveis que ajudam a sistemati-
zar o processo de identicação de tais fontes, de que são exemplos as técnicas
conhecidas pelas designações HAZOP e FMEA, entre outras.
A análise do risco (etapa 3) pode ser qualitativa ou quantitativa. A análise
quantitativa é mais objetiva, mas também bastante mais trabalhosa que a
análise qualitativa. A determinação das probabilidades de falha do sistema
podem ser efetuadas com o auxílio de ferramentas tais como as árvores de
falha ou os diagramas de blocos, entre outros5 .
Muitas vezes, porém, não é possível realizar uma análise quantitativa, seja
porque não existem dados estatísticos sucientes para uma quanticação de-
digna das probabilidades, seja porque as consequências são difíceis de quan-
ticar. Neste caso realiza-se uma análise qualitativa, na qual a descrição das
probabilidades e consequências é feita através de termos mais ou menos subjeti-
vos, tais como: muito baixas, baixas, médias, altas e muito altas (EN 1991-1-7,
2006). A análise da aceitabilidade do risco pode ser feita com o auxílio de uma
matriz de risco, como a indicada na Figura 8.12.
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
Exemplo 8.7 Considere-se uma vez mais a estrutura suportada por um

tirante que temos vindo a analisar. A probabilidade de rotura do tirante
em 50 anos foi estimada em 0.26 × 10−5 . Admita-se que esse é o único EL
relevante e que, em caso de rotura, a despesa estimada é de 10 milhões de
unidades monetárias (um). Determinar o valor anual de um seguro que
estaríamos dispostos a pagar a uma companhia de seguros que aceitasse
cobrir o risco em questão.
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 .
Estaríamos assim dispostos a pagar a uma companhia de seguros um

prémio anual de: 5.2 × 10−8 × 107 = 0.52 um/ano.
Uma análise de risco é mais abrangente e robusta do que uma análise de

abilidade, visto que, para além do cálculo de probabilidades de eventos adver-
sos, envolve também a quanticação das suas consequências. Além disso, uma
análise de risco permite incorporar fontes de perigo normalmente não incluídas
numa análise de abilidade, como por exemplo erros humanos graves ou certo
tipo de acidentes. Trata-se de uma área de grande interesse, mas muito vasta e
claramente fora do âmbito desta disciplina. Não lhe faremos por isso referência
adicional. O leitor interessado encontra com facilidade muita literatura dedi-
cada ao Risco, incluindo Normas. Veja-se por exemplo as Normas ISO 31000
(2009) e ISO 13824 (2009), esta última dedicada especicamente às avaliações
de risco envolvendo estruturas.
8.7 Fiabilidade de sistemas

Estivemos a analisar até agora a abilidade de uma estrutura com respeito à
ocorrência de um único EL. Tem interesse, naturalmente, avaliar a abilidade
da estrutura como um todo. Quando a análise de abilidade envolve a veri-
cação de apenas um EL numa dada estrutura, diz-se que se trata de uma
análise de abilidade ao nível do elemento. Quando a analise de abilidade
envolve a ocorrência de mais do que um EL, diz-se que se trata de uma análise
de abilidade ao nível do sistema.
Rera-se que os regulamentos de segurança estrutural, de que os Eurocógi-
gos não são exceção, preconizam em geral vericações de segurança ao nível do
elemento. A vericação da segurança é feita EL a EL, partindo-se do princípio
de que, se a segurança for satisfeita para todos os EL relevantes, a estrutura
como um todo possui abilidade aceitável. Como iremos ver, isto pode não ser
verdade, especialmente no caso de estruturas isostáticas com mais do que um
EL relevante (ou mais do que um modo de ruína possível).
O estudo da abilidade de sistemas tem por isso manifesto interesse. Trata-
se, porém, de um assunto com alguma complexidade, pelo que a nossa abor-
dagem aqui será necessariamente de nível introdutório.
Dependendo da forma como se comportam face à ocorrência de falha num

dos seus elementos, os sistemas classicam-se em 3 grandes categorias:
sistemas em série;
sistemas em paralelo;
sistemas mistos.
Nos primeiros, uma falha em qualquer dos elementos determina a falha no

sistema. Nos segundos, é necessária a ocorrência de falha em todos os elementos
para que ocorra falha no sistema. Nos últimos, a falha do sistema exige a
ocorrência de falha em mais do que um elemento, mas não em todos, ou, dito
de outra forma, um sistema é misto quando não é em série nem em paralelo.
Analisemos cada uma destas categorias do ponto de vista dos sistemas
estruturais.
8.7.1 Sistemas em série

Considere-se a estrutura representada na Figura 8.13. Admita-se que existem
apenas dois EL relevantes: rotura do tirante 1 e rotura do tirante 2. Como a
estrutura é isostática, a rotura de um único tirante determina o seu colapso (a
estrutura transforma-se num mecanismo). As estruturas isostáticas são assim
sistemas em série, pois a rotura de um único elemento ou ligação implica o
colapso da estrutura.
Figura 8.13 Estrutura isostática como

exemplo de sistema em série.
Seja g1 a função EL correspondente à rotura do tirante 1 e g2 a função
EL correspondente à rotura do tirante 2. Sejam pf 1 e pf 2 as probabilidades
de excedência dos EL g1 e g2 , respetivamente. A probabilidade de colapso da
estrutura é assim dada por:
pf sys = P (g1 < 0 ∪ g2 < 0)

= P (g1 < 0) + P (g2 < 0) − P (g1 < 0 ∩ g2 < 0)
= pf 1 + pf 2 − P (g1 < 0 | g2 < 0) P (g2 < 0)
= pf 1 + pf 2 − P (g1 < 0 | g2 < 0) pf 2 ,
ou, de forma equivalente, dada por:
pf sys = pf 1 + pf 2 − P (g2 < 0 | g1 < 0) pf 1 .
Relativamente à dependência entre os eventos g1 < 0 e g2 < 0, podemos

considerar duas situações extremas: (1) independência entre os eventos e (2)
dependência total, ou correlação perfeita entre os eventos (se um ocorrer, o

outro ocorre necessariamente).
Na primeira situação (eventos independentes) podemos escrever:
pf sys = pf 1 + pf 2 − P (g1 < 0 | g2 < 0) pf 2

| {z }
=P (g1 <0)
= 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 sys = pf 1 + pf 2 − P (g1 < 0 | g2 < 0) pf 2

| {z }
=1.00)
= pf 1 + pf 2 − pf 2
= pf 1 ,
ou, de forma equivalente:
pf sys = pf 1 + pf 2 − P (g2 < 0 | g1 < 0) pf 1

| {z }
=1.00)
= pf 1 + pf 2 − pf 1
= pf 2 .
Como a probabilidade de falha do sistema tem de ser única, tem-se necessaria-

mente pf 1 = pf 2 . Este resultado é lógico. Com efeito, considerando correlação
perfeita entre os eventos g1 < 0 e g2 < 0, estes ocorrem sempre em simultâneo,
tendo por isso a mesma probabilidade. Se a correlação não for perfeita, mas
for muito forte, podemos escrever:
pf sys = max{pf 1 , pf 2 }.
As expressões acima são facilmente generalizáveis a um sistema em série

com k estados limites relevantes. Seja pf i a probabilidade de ocorrência do EL
i. Tem-se pois:
a) Hipótese de independência entre os k EL:
k
Y k
X
pf sys = 1 − (1 − pf i ) ≈ pf i (8.25)
i=1 i=1
b) Hipótese de correlação muito forte entre os k EL:
pf sys = max{pf 1 , . . . , pf k } (8.26)
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
Conforme se observa, a existência de correlação entre os diferentes EL em

estruturas isostáticas é favorável à segurança, pois faz baixar a probabilidade
de colapso. Repare-se também que, neste tipo de estruturas, pode acontecer
que todos os EL tenham abilidade aceitável, mas a estrutura como um todo
não.
Exemplo 8.8 Considere-se a estrutura representada na Figura junta.

Admita-se que os únicos EL relevantes são a rotura das 7 barras da treliça,
e que a probabilidade de rotura das barras são idênticas entre si e iguais
a 10−5 .
Determine um minorante e um majorante da probabilidade de colapso da

estrutura.
Resolução
Aplicando a Eq. (8.27) vem:
10−5 ≤ pf sys ≤ 7 × 10−5 .
8.7.2 Sistemas em paralelo

Considere-se agora a estrutura representada na Figura 8.14 e admita-se que o
tirante do meio está sobredimensionado, de modo que, ao aumentar a carga Q
até ao colapso, os tirantes 1 e 2 rompem primeiro com toda a certeza. Há assim
apenas dois EL relevantes, mas, para haver colapso, é necessário que ambos os
tirantes 1 e 2 rompam. Estamos assim perante um sistema em paralelo.
Figura 8.14 Estrutura hiperstática como

exemplo de sistema em paralelo.
Seja g1 a função EL associada à rotura do tirante 1 e g2 a função EL
associada à rotura do tirante 2. Sejam pf 1 e pf 2 as probabilidades de ocorrência
dos EL g1 e g2 , respetivamente. A probabilidade de colapso do sistema é então
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 .
Na segunda situação, podemos escrever
pf sys = P (g1 < 0 | g2 < 0) pf 2 = pf 2 ,

| {z }
1.00
ou ainda,

pf sys = P g2 < 0 | g1 < 0 pf 1 = pf 1 .
| {z }
1.00
Como referido anteriormente, a correlação perfeita entre esses dois eventos

obriga a que pf 1 = pf 2 , e a probabilidade de colapso do sistema coincide com a
probabilidade de rotura de qualquer dos tirantes (necessariamente iguais entre
si, no presente caso). Se a correlação for forte (mas não for perfeita) e as
probabilidades não forem exatamente iguais, podemos escrever:
pf sys = min{pf 1 , pf 2 }.
As expressões acima são facilmente generalizáveis a um sistema em paralelo

com k estados limites relevantes. Seja pf i a probabilidade de se atingir o EL
i. Tem-se, pois:
a) Hipótese de independência entre os k EL:
k
Y
pf sys = pf i (8.28)
i=1
b) Hipótese de correlação muito forte entre os k EL:
pf sys = min{pf 1 , . . . , pf k } (8.29)
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
Repare-se que agora, contrariamente ao que sucedeu para sistemas em sé-

rie, para sistemas em paralelo a correlação é prejudicial à segurança, pois faz
aumentar a probabilidade de colapso.
8.7.3 Sistemas mistos

Quando um sistema não é em série nem em paralelo, diz-se sistema misto.
Considere-se novamente a estrutura com 3 tirantes, mas admita-se desta vez
que a rotura de qualquer deles é relevante (nenhum deles está sobredimensio-
nado). Como a estrutura é hiperstática do 2.
o grau, terá de haver rotura de
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)
Observa-se assim que a probabilidade de colapso de sistemas mistos corres-

ponde a uma reunião de interseções de EL. Este exemplo sugere também que,
em estruturas com muitos modos de ruína possíveis, a determinação da pro-
babilidade de colapso não é uma tarefa simples.
Exemplo 8.9 Considere-se a estrutura representada na Figura junta.

Admita-se que a probablidade de rotura dos tirantes é idêntica e igual a
10−5 .
a) Determinar a probabilidade de colapso da estrutura, admitindo as

seguintes hipóteses: (1) Independência entre os EL de rotura de
cada um dos tirantes, e (2) Correlação perfeita entre os mesmos.
b) Discutir a plausibilidade das hipóteses assumidas.
Resolução
a) (1) Aplicando (8.31) tem-se:
pf sys ≈ 3 × (10−5 × 10−5 )

= 3 × 10−10 .
(2) Tem-se naturalmente, pf sys = 10−5 .
b) Deixa-se como exercício.

Capítulo 9
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.
9.1 Descrição do método

Considere-se a função estado limite M = g(X1 , X2 ), linear nas variáveis X1 e
X2 , denida por:
M = a0 + a1 X1 + a2 X2 .
Admita-se que:
2
X1 ∼ N(µ1 , σ1 ); X2 ∼ N(µ2 , σ2 ); Cov(X1 , X2 ) = σ12 .
Como g é uma combinação linear de variáveis Gaussianas, a margem M é

também Gaussiana, donde:
µM a0 + a1 µ1 + a2 µ2
β= =p 2 2 . (9.1)
σM a1 σ1 + a22 σ22 + 2a1 a2 σ12
2
Faça-se agora a seguinte transformação:
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
A função gZ , que continua a ser linear, representa assim a função EL transfor-

mada no espaço normalizado, e, naturalmente:

pf = P (M < 0) = P g(X1 , X2 ) < 0

= P gZ (Z1 , Z2 ) < 0 .
A Figura 9.1 representa esquematicamente a obtenção do espaço normalizado.
Figura 9.1 Obtenção do espaço normalizado. A probabilidade de falha

(dada pelo volume da FDP conjunta na região de falha) é idêntica num
espaço e noutro.
Calculemos agora a distância do ponto (0,0) do espaço normalizado à reta
gZ = 0. Como se sabe, a distância de um ponto (x1 , y1 ) à reta ax + by + c = 0
é dada por:
| ax1 + by1 + c |
d= √ ,
a2 + b2
donde, a distância pretendida é igual a:
a0 + a1 µ1 + a2 µ2
d= p 2 2 . (9.2)
a1 σ1 + a22 σ22
Comparando (9.2) com (9.1), constata-se que d coincide exatamente com β no

caso em que as variáveis X1 e X2 são independentes (caso em que σ12 = 0).
Este resultado foi obtido para o espaço bi-dimensional, mas é generalizável ao
espaço n-dimensional.
Assim, em resumo, quando uma função EL: (1) é uma função linear das
variáveis básicas, (2) estas são normais e (3) independentes entre si, verica-se
que o índice de abilidade β é exatamente igual à distância da origem do espaço
normalizado à superfície gZ = 0 (chamada, recorde-se, superfície de rotura).
A Figura 9.2 mostra a representação gráca deste resultado para o caso bi-
dimensional, no qual a superfície de rotura é uma reta. Observando a Figura,
notamos que o ponto P assinalado (cuja distância à origem coincide com o
índice de abilidade) é o ponto da superfície de rotura com maior densidade
de probabilidade, correspondendo assim ao ponto mais provável para início de
uma eventual rotura. Esse ponto é designado ponto de dimensionamento.
Enfatiza-se que o índice de abilidade só coincide com a distância da ori-
gem do espaço normalizado à superfície gZ = 0 quando esta é linear. Para
que essa superfície seja linear, é necessário que a superfície g=0 seja também
Descrição do método 117
Figura 9.2 Interpretação geométrica do índice

de abilidade. O ponto P assinalado designa-se
por ponto de dimensionamento.
linear e, simultaneamente, as variáveis básicas sejam normalmente distribuí-
das. Quando uma destas condições não se cumpre (o que, aliás, corresponde
à situação típica), a distância da origem do espaço normalizado à superfície
gZ = 0 já não coincide com o índice de abilidade β, mas pode ser encarada
como uma aproximação desse índice. O método FORM usa justamente essa
distância, que representaremos por βFORM , como aproximação de β, sendo
portanto um método aproximado. A Figura 9.3 ilustra o erro cometido pelo
método FORM.
Figura 9.3 Erro cometido pelo método FORM.

Do exposto acima, podemos concluir que quanto mais forte for a não line-
aridade da função EL, maior é o erro cometido pelo método FORM. Note-se,
porém, que o grau de linearidade da função EL é importante apenas na vizi-
nhança do ponto de dimensionamento, porque é essa a zona que mais contribui
para a probabilidade de falha. Isto signica que a função EL até pode ser for-
temente não linear e ainda assim o erro cometido ser pequeno, bastando para
118 Método FORM
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
Figura 9.4 O método FORM consiste em encontrar o ponto da superfície g = 0

para o qual a distância d = pz + z seja mínima. Essa distância dene o índice
Z
2 2
βFORM . 1 2
Sintetiza-se de seguida a sequência de cálculo envolvida na aplicação do

método FORM. Considere-se a função estado limite
M = g(X1 , . . . , Xn ). O
objetivo é estimar pf = P g(X1 , . . . , Xn ) < 0 . Procede-se assim:
1. Transforma-se as variáveis Xi nas variáveis Zi , caracterizadas por serem

independentes e terem distribuição Normal reduzida, isto é, Zi ∼ N(0, 1).
O espaço das novas variáveis (Z1 , . . . , Zn ) diz-se espaço normalizado. A
Superfície de rotura g(X1 , . . . , Xn ) = 0 deverá então ser reescrita neste
novo espaço, obtendo-se a superfície gZ (Z1 , . . . , Zn ) = 0.
2. Determina-se o ponto da superfície gZ (Z1 , . . . , Zn ) = 0 mais próximo da

origem, recorrendo a um algoritmo de otimização. O ponto assim de-
terminado designa-se por ponto de dimensionamento e a distância desse
ponto à origem dene o índice βFORM .
3. Estima-se pf ≈ Φ(−βFORM ).
Naturalmente interessa examinar como se pode realizar a transformação
referida no passo 1, isto é, a transformação Xi → Zi tal que Zi ∼ N(0, 1).
Quando as variáveis básicas são independentes, a variável Zi obtém-se da va-
riável Xi de tal modo que:
Zi = Φ−1 FXi (Xi )

Φ(Zi ) = FXi (Xi ) ⇔
Xi = FX−1i Φ(Zi ) ,

⇔ (9.3)
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
Quando as variáveis básicas Xi são dependentes, são necessárias outras

transformações. Por exemplo, se as variáveis forem Normais (e correlaciona-
das entre si), usa-se uma transformação baseada numa decomposição Choleski
da matriz de correlação das variáveis básicas. Se não forem Normais, usa-se
habitualmente a transformação de Rosenblat, ou a transformação de Nataf,
dependendo do modo como foi denida a dependência entre as variáveis bá-
sicas. Explicações pormenorizadas destas transformações encontram-se nas
referências Madsen et al. (2006) e Ditlevsen and Madsen (1996).
O próximo exemplo mostra como aplicar o método FORM recorrendo ao
MATLAB. O problema de otimização descrito acima será resolvido usando a
função MATLAB fmincon().

com as variáveis básicas aí indicadas (estrutura analisada no capítulo
anterior pelo método de MC).
Desenvolver uma rotina MATLAB que implemente o método FORM.
Determinar o respetivo índice de abilidade e comparar com o valor obtido
pelo método de MC.
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
Esta é rotina principal que implementa o método FORM. A rotina

devolve as coordenadas do ponto z (ponto da superfície de rotura mais
próximo da origem) e a respetiva distância à origem (valor d).
As funções funobj e sbjto, evocadas na rotina principal, são denidas
nos seguintes cheiros (note-se que os cheiros têm de ter o mesmo nome
que as respetivas funções):
funobj.m
120 Método FORM
function d = funobj ( z )
d = sqrt ( sum ( z .^2) ) ;
end
sbjto.m
function [ c ceq ] = sbjto ( z )

%
g = norminv ( normcdf ( z (1) ) ,14 ,.7) ;
q = 8.4 - (1/1.5) * log ( - log ( normcdf ( z (2) ) ) ) ;
fpy = norminv ( normcdf ( z (3) ) ,920 e3 ,50 e3 ) ;
NE = 13.33* g + 13.33* q ;
NR = fpy *4.91 e -4;
%
ceq = NR - NE ; % Define a restricao ceq = 0
c = [];
end
Obteve-se βF ORM = 4.60. Recordamos que a probabilidade de falha

exata, calculada com o método de MC, foi de 0.28 × 10−5 , a que corres-
ponde β= −Φ−1 (0.28 × 10−5 ) = 4.54. Os valores são bastante próximos,
podendo concluir-se que o método FORM forneceu uma boa estimativa.
9.2 Coeficientes de sensibilidade FORM

Um conceito muito útil associado ao método FORM é o conceito de coeciente
de sensibilidade. As componentes z1d , . . . , znd do ponto de dimensionamento
podem ser vistas como as componentes de um vetor com comprimento βFORM .
Assim, a componente zid do ponto de dimensionamento pode ser expressa
como zid = αi βFORM , em que αi representa o coseno diretor da componente i,
estando por isso compreendido entre −1 e 1.
Esta consideração sugere a seguinte denição: dada uma função EL M =
g(X1 , . . . , Xn ), chama-se coeciente de sensibilidade FORM da variável Xi ao
coeciente denido por:
zid
αi = − (9.5)
βFORM
em que zid é a componente i do ponto de dimensionamento no espaço norma-

lizado e βFORM é o índice de abilidade obtido pelo método FORM relativo ao
EL em consideração. O sinal − foi introduzido de forma a que os αi sejam
negativos para ações e positivos para resistências.
Para além de estarem compreendidos entre −1 e 1, estes coecientes têm a
seguinte propriedade: para um EL com n variáveis básicas, verica-se que:
n
X
αi2 = 1. (9.6)
i=1
Coecientes de sensibilidade FORM 121
Com efeito, visto que zid = −αi β , podemos escrever:
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
Examinemos mais de perto o signicado dos coecientes de sensibilidade

αi . Observando a Eq. (9.5), notamos que a componente zid do ponto de
dimensionamento corresponde a uma fração de βFORM , sendo αi o valor da
fração relativa à variável Xi . O coeciente αi constitui uma medida da con-
tribuição dessa variável no valor β estimado. Uma variável com coeciente de
sensibilidade elevado é uma variável com contribuição signicativa, ou com im-
pacto signicativo, na abilidade estimada. Qualquer redução na sua incerteza
produzirá alteração signicativa na abilidade estimada.
Os coecientes de sensibilidade têm por isso grande interesse prático. Por
exemplo, suponhamos que, após obter-se uma primeira estimativa da abili-
dade de uma estrutura em avaliação, foi decidido colher informação adicional
com o objetivo de melhorar essa estimativa. As considerações acima mostram
que, para efeitos de colheita de informação adicional, deve-se privilegiar as va-
riáveis com coeciente de sensibilidade elevado, pois são essas as variáveis para
as quais a abilidade é mais sensível.
Uma outra aplicação prática do método FORM prende-se com a deter-
minação dos valores de dimensionamento das variáveis básicas. Suponhamos
que se acabou de determinar, para um dado EL, o índice de abilidade β e
as componentes zid = −αi β 1
do ponto de dimensionamento . Essas compo-
nentes estão referidas ao espaço normalizado, mas são facilmente convertidas
no espaço original, bastando para o efeito aplicar a Eq. (9.3). O valor de
dimensionamento da variável Xi é assim dado por:
Xid = FX−1i Φ(−αi β)

(9.7)
Um caso particular desta equação é quando a variável Xi ∼ N(µi , σi ). Para

esse caso particular, (9.7) simplica-se, vindo:
Xid = µi − αi β σi (9.8)
Recordando agora as denições de coeciente parcial de segurança e de

valor característico dadas anteriormente, o uso da Eq. (9.7) permite obter
expressões para os coecientes parciais de segurança das variáveis básicas em
função dos respetivos coecientes de sensibilidade FORM. Assim, para as ações
(ou os seus efeitos) tem-se:
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)
O próximo exemplo ilustra o uso destas expressões.
Exemplo 9.2 Considerando novamente o exemplo anterior, determine

os coecientes de sensibilidade FORM e os correspondentes coecientes
parciais de segurança.
Resolução
É necessário acrescentar novas instruções à rotina form.m, conforme se-
gue:
clear ; clc ; clf

z0 = [0 0 0]; % Ponto inicial . Tantas componentes quantas
as var . basicas
[ z d ] = fmincon ( @funobj , z0 ,[] ,[] ,[] ,[] ,[] ,[] , @sbjto ) ;
beta = d
alpha = -z ./ beta
soma = sum ( alpha .^2)
%
pie ( alpha .^2)
set ( gca , ' FontSize ' ,11/.7 , ' FontName ' , ' arial ')
legend ( 'g ' ,'q ' , ' fpy ')
%
gd = norminv ( normcdf ( z (1) ) ,14.0 ,0.7) ;
gk = norminv (.95 ,14.0 ,.7) ;
gamma_g = gd / gk
%
qd = 8.4 - (1/1.5) * log ( - log ( normcdf ( z (2) ) ) ) ;
qk = 8.4 - (1/1.5) * log ( - log (.95) ) ;
gamma_q = qd / qk
%
fpyd = norminv ( normcdf ( z (3) ) ,920 e3 ,50 e3 );
fpyk = norminv (.05 ,920 e3 ,50 e3 ) ;
gamma_fpy = fpyk / fpyd
Relativamente aos coecientes de sensibilidades, obtiveram-se os se-

guintes valores:
αg = −0.214; αq = −0.798; αfpy = 0.563.
Podemos assim concluir que a abilidade da estrutura em relação à rotura

do tirante é mais sensível à variável q, seguida da variável fpy , e depois a
variável g.
Em relação aos coecientes parciais de segurança, os resultados foram:
γg = 0.97; γq = 1.39; γfpy = 1.06.
Estes coecientes são mais baixos do que os valores recomendados nos

Eurocódigos, podendo assim concluir-se que tais recomendações seriam
excessivas para os níveis de incerteza do presente problema. Este resul-
tado não é de estranhar, pois, como já tínhamos visto anteriormente, esta
Coecientes de sensibilidade FORM 123
estrutura não cumpre os critérios tradicionais de segurança, mas apresenta

abilidade suciente.
O coeciente parcial de segurança da carga g é até mesmo inferior à
unidade, o que mostra que, no presente caso, a segurança implícita no
quantil usado (0.95) seria sobejamente suciente.
É usual exibir os quadrados dos coecientes de sensibilidade (cuja soma é

igual a 1) na forma de um diagrama circular, como se exemplica na Figura
9.5 para o exemplo acima.
5%
g
q
fpy
32%
64%
Figura 9.5 Exemplo 9.2Valores de α .2

i
Capítulo 10
Critérios de aceitação da
fiabilidade
Vimos anteriormente que, de um ponto de vista probabilístico, a segurança a

um EL particular considera-se satisfeita quando a probabilidade de se atingir
esse EL, pf , é inferior a uma probabilidade previamente aceite como máxima
admissível, em geral representada por pf T . De forma inteiramente equivalente,
recorrendo ao conceito de índice de abilidade, a segurança considera-se satis-
feita se a abilidade a esse EL, β, for superior a uma abilidade previamente
aceite como mínima admissível, representada em geral por βT . Analisaremos
neste Capítulo o problema da determinação do índice βT e veremos as reco-
mendações sobre este assunto existentes na literatura da especialidade.
10.1 Otimização da fiabilidade

As normas NP EN 1990 (2009) e ISO 2394 (1998) e o Probabilistic Model Code
(JCSS, 2001b) recomendam valores para o índice βT , a que designam índice
de abilidade alvo ( Target ). Tais valores podem ser encarados como valores
mínimos de abilidade, procurando-se que a estrutura em avaliação tenha uma
abilidade igual ou superior. Podem também ser encarados como valores a
alcançar por alvo, procurando-se que a abilidade da estrutura não se afaste
muito do valor recomendado, quer por excesso, quer por defeito. Se a estrutura
possuir uma abilidade signicativamente diferente do valor alvo (para mais,
ou para menos) tal tenderá a penalizar o custo esperado da estrutura durante
a sua vida útil. Uma abilidade demasiado alta penaliza os custos iniciais,
e uma abilidade demasiado baixa penaliza os custos associados ao risco de
rotura. Os valores de βT recomendados por essas normas podem assim ser
encarados como valores ótimos do índice de abilidade, isto é, valores que
tendem a minimizar o custo esperado de ciclo de vida da estrutura.
Recordamos que o risco de rotura ( failure ) pode ser denido como o produto
da probabilidade de rotura, pf , pelas consequências do rotura, Cf , isto é:
Rf = pf Cf . (10.1)
As consequências de rotura incluem não só os prejuízos de natureza econó-

mica, mas também prejuízos decorrentes das perdas de vidas humanas e ainda
prejuízos ambientais e sociais.
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)
onde Ci representa o custo inicial (projeto e construção) e Cm o custo de

manutenção durante a vida da estrutura.
É lógico considerar que a abilidade ótima é a que minimiza o custo de
1
ciclo de vida da estrutura . Admita-se que o custo Ci pode ser expresso por
uma função do tipo Ci = C0 + C1 β , em que C0 e C1 são constantes. O custo
C1 representa um custo unitário de segurança, designado frequentemente por
custo marginal de segurança. Assim, o custo generalizado é dado por:
Cg = Ci + Cm + p f Cf
= C0 + βC1 + Cm + Φ(−β)Cf . (10.3)
O valor ótimo de β é o valor que minimiza o custo generalizado, podendo

ser obtido derivando (10.3) e igualando a zero. Admitindo que o custo de
manutenção não depende de β, vem:
∂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
Assim, uma vez conhecido o custo marginal de segurança C1 e o custo de rotura

Cf , podemos determinar o índice de abilidade ótimo.
Podemos então concluir que o índice de abilidade ótimo depende funda-
mentalmente de duas grandezas: (1) custo relativo para o aumento da segu-
rança e (2) gravidade das consequências de uma eventual rotura estrutural.
Por exemplo, a abilidade ótima de uma estrutura com elevadas consequên-
cias (quer em termos de risco de perdas de vidas humanas, quer em termos de
prejuízos económicos) será superior à abilidade ótima de uma estrutura com
consequências menos severas.
As estruturas existentes apresentam regra geral um custo marginal de se-
gurança bastante superior ao das estruturas novas. Assim, a abilidade ótima
de estruturas existentes tende a ser inferior à abilidade ótima de estrutu-
ras novas. Não admira por isso que existam documentos que recomendam
abilidades alvo para estruturas existentes inferiores às abilidades alvo para
estruturas novas.
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
Exemplo 10.1 Suponha-se que se está a avaliar a segurança de uma es-

trutura existente, tendo-se concluído que, mesmo depois de renamentos
no cálculo, a estrutura não é segura face a um determinado Estado Limite.
Foi então decidido reforçar a estrutura, implementado uma determinada
solução de reforço. No entanto, a quantidade de reforço a executar de-
verá ser ótima, isto é, deverá ser a que corresponde a um custo de ciclo de
vida mínimo. Admita-se que as consequências de violação do referido Es-
tado Limite foram estimadas em 200 000 unidades monetárias (um) e que
o custo de reforço (que depende naturalmente da quantidade de reforço)
é expressa por Cr = 10 000 + 1000 β . Estimar a abilidade ótima da es-
trutura em relação ao Estado Limite em consideração e o correspondente
custo ótimo de reforço.
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
Esta é assim a abilidade ótima da estrutura, a que corresponde o seguinte

custo de reforço:
Cr = 10 000 + 1000 × 2.96 = 12 960 um.
Este custo pode ser encarado como o custo ótimo de investimento.

O gráco seguinte mostra o custo generalizado (custo de ciclo de vida)
em função do índice de abilidade.
×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
Conforme se observa, o custo generalizado cresce muito rapidamente para

índices de abilidade inferiores a 2.
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
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.
Tabela 10.1 Valores de β para diferentes rácios C /C

opt f 1
Período de referência
Cf /C1
1 ano Vida útil
30000 5.1 4.3

4000 4.7 3.8
500 4.2 3.3
Conforme se acaba de ver, o problema da otimização do índice de abili-

dade é relativamente simples de resolver. A diculdade está na quanticação
dos custos de rotura estrutural. De facto estão envolvidos custos difíceis de
quanticar, como é o caso do valor da vida humana. Por esta razão, não admira
que diferentes documentos recomendam diferentes valores para βT . Nas pró-
ximas secções faz-se um resumo das recomendações existentes na bibliograa
da especialidade (sobretudo normas), primeiro para estruturas novas e depois
para estruturas existentes.
Nota Na determinação da abilidade ótima é importante ter presente que o

problema da segurança estrutural é essencialmente um problema de segurança
de pessoas (e bens). Há pois que garantir que os níveis de abilidade obtidos
por otimização económica não conduzem a um risco inaceitável de perdas de
vidas humanas. (Em princípio este aspeto está salvaguardado se, no cálculo
das consequências de rotura estrutural, estiver devidamente contabilizado o
custo associado a eventuais perdas humanas.)
A determinação do que é aceitável em termos de risco de perdas humanas
devido a um colapso estrutural pode ser feita por comparação com o risco de
perdas humanas devido a outros acidentes (Melchers, 1999). De acordo com a
Norma ISO 2394 (1998), tomando como base uma frequência anual de mortes
por acidente de 10−4 , uma frequência anual de mortes de 10−6 em resultado de
colapsos estruturais pode ser considerada aceitável. Ora, a probabilidade de
alguém morrer devido ao colapso de uma dada estrutura é P (d) = P (d | f )·pf ,
onde P (d | f ) designa a probabilidade de alguém morrer se a estrutura colapsar
e pf a probabilidade da estrutura colapsar num determinado período de tempo.
Assumindo 10−6 como limite superior para P (d), a probabilidade anual de
colapso de uma estrutura deve vericar a seguinte condição:
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.
10.2 Fiabilidade alvo para estruturas novas

10.2.1 Estados limites últimos
A Tabela 10.2 sintetiza as recomendações do Eurocódigo 0 (NP EN 1990,
2009). Os valores são apresentados para 3 classes de abilidade ( Reliability
Classes ): RC1, RC2 e RC3, que correspondem, respetivamente, às classes de
consequência CC1 (consequências elevadas), CC2 (consequências médias) e
CC3 (consequências baixas). A Tabela 10.3 dá exemplos de estruturas que se
podem enquadrar em cada uma destas classes.
Tabela 10.2 Valores mínimos do índice de abilidade β recomendados pelo Eurocó-

digo 0 (NP EN 1990, 2009)EL últimos
Classe de abilidade Consequências Período de referência
1 ano 50 anos
RC3 Elevadas 5.2 4.3

RC2 Médias 4.7 3.8
RC1 Baixas 4.2 3.3
Conforme se observa na Tabela 10.2, os valores recomendados para o índice

de abilidade são apresentados para dois períodos de referência, 1 e 50 anos .
4
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.
Tabela 10.3 Denição das classes de consequência (reprodução do Quadro B.1 da

da NP EN 1990 (2009))
Classe de Descrição Exemplos de edifícios e de
consequências obras de engenharia civil
CC3 Consequência elevada em ter- Bancadas, edifícios públicos

mos de perdas de vidas huma- em que as consequências
nas; ou consequências econó- do colapso são eleva-
micas, sociais ou ambientais das (por exemplo, uma
muito importantes. sala de concertos).
CC2 Consequência média em ter- Edifícios de habitação e de

mos de perda de vidas huma- escritórios, edifícios públicos
nas; consequências económi- em que as consequências
cas, sociais ou ambientais me- do colapso são médias (por
diamente importantes. exemplo, um edifício de
escritórios).
CC1 Consequência baixa em ter- Edifícios agrícolas normal-

mos de perda de vidas hu- mente não ocupados perma-
manas; consequências econó- nentemente por pessoas (por
micas, sociais ou ambientais exemplo, armazéns), estufas.
pouco importantes ou despre-
záveis.
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
Custo relativo do Consequências de falha

aumento da segurança
Baixas Algumas Moderadas Elevadas
Alto 0 1.5 2.3 3.1

Moderado 1.3 2.3 3.1 3.8
Baixo 2.3 3.1 3.8 4.3
O Probabilistic Model Code (JCSS, 2001b) recomenda os valores que se

Fiabilidade alvo para estruturas existentes 131
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.
Tabela 10.5 Valores de β recomendados pela JCSS (2001b)EL últimos e período

de referência de 1 ano e 50 anos (valor entre parêntesis)
T
Custo relativo do Consequências de falha

aumento da segurança
Baixas Moderadas Elevadas
Alto 3.1 (1.7) 3.3 (2.0) 3.7 (2.6)

Moderado 3.7 (2.6) 4.2 (3.2) 4.4 (3.5)
Baixo 4.2 (3.2) 4.4 (3.5) 4.7 (3.8)
10.2.2 Estados limites de utilização

Em preparação.
10.3 Fiabilidade alvo para estruturas existentes

Como referido anteriormente, as estruturas existentes apresentam um custo
marginal de segurança maior que as estruturas novas, o que se traduz numa
redução do índice de abilidade ótimo. E de facto alguns países, como é o caso
dos EUA e do Canadá, aceitam índices de abilidade inferiores para estruturas
existentes (Casas and Wisniewski, 2013).
Apesar de parecer existir uma tendência global para aceitação desta ideia, a
verdade é que não é universalmente seguida. Por exemplo, a ISO publicou duas
normas, a ISO 2394 (1998) e a ISO 13822 (2010), a primeira vocacionada para
estruturas novas e a segunda para estruturas existentes, e nelas recomenda os
mesmos índices. Resta ver o que virá a ser recomendado na futura geração de
eurocódigos dedicados às estruturas existentes.
Ao avaliar-se a segurança de uma estrutura existente, deve tentar-se denir
o período de vida útil remanescente, por vezes designado vida útil residual, pois
isso afeta a abilidade alvo anual. Como é evidente, exige-se uma abilidade
anual superior a uma estrutura que tenha de permanecer em serviço por mais
tempo. No entanto, a abilidade para o período de vida residual será, em prin-
cipio, o mesmo independentemente desse período. Por exemplo, considere-se
uma estrutura existente pertencente à classe de abilidade RC2 (consequências
moderadas), segundo a classicação da NP EN 1990 (2009). Suponha-se que
foi decidido substituir a estrutura dentro de um prazo de 5 anos. A estru-
tura deverá assim possuir uma abilidade de pelo menos 3.8 em 5 anos, a que
corresponde a uma abilidade anual de:

β1 = Φ−1 [Φ(3.8)]1/5 = 4.2.
Se a vida residual fosse de 50 anos, a abilidade anual mínima seria de 4.7, em

vez de 4.2.
Capítulo 11
Modelação de Ações
Uma tarefa essencial na vericação da segurança de qualquer estrutura consiste

na identicação de todas as ações que nela atuam e a sua quanticação. No
presente Capítulo faz-se uma caracterização genérica das ações, com especial
ênfase na determinação de valores característicos de ações variáveis e a sua re-
lação com o período de retorno. Aborda-se também o problema da combinação
de ações.
11.1 Classificação das ações

As ações são grandezas capazes de alterar o estado de tensão e/ou deformação
1
das estruturas . Uma ação é considerada como ação individual se poder ser
considerada estatisticamente independente (no tempo e no espaço) das restan-
tes ações.
As ações podem ser classicadas segundo critérios vários. Do ponto de vista
da variabilidade ao longo do tempo, as ações classicam-se tradicionalmente
em 3 grandes categorias:
1. Permanentes (G): ações cuja variabilidade no tempo é desprezável, ou,

não sendo desprezável, dá-se sempre no mesmo sentido (ação monotó-
nica). Por exemplo:
peso próprio da estrutura;

peso próprio de elementos não estruturais;
pré-esforço;
retração e uência do betão;
impulsos devido ao peso de terras.
2. Variáveis (Q): ações cuja variabilidade no tempo e no espaço é signi-

cativa. Por exemplo:
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
3. Acidentais (A): ações excecionais, em geral de curta duração, intensi-

dade signicativa e baixa probabilidade de ocorrência durante a vida da
estrutura. Por exemplo:
colisões;
incêndios;
explosões;
queda de cimbre durante a construção;
tornados.
Existem ainda outros critérios de classicação das ações. Por exemplo,

quanto ao tipo de resposta que provocam na estrutura, as ações podem ser:
1. Estáticas: ações que não causam acelerações signicativas na estrutura.

2. Dinâmicas: ações que, devido à sua variabilidade rápida no tempo ou no
espaço, causam acelerações signicativas na estrutura.
Quanto ao modo de aplicação, temos:
1. Diretas: ações aplicadas sob a forma de forças ou momentos.

2. Indiretas: ações aplicadas sob a forma de deformações impostas (varia-
ções de temperatura, por exemplo) ou acelerações impostas (ação sísmica,
por exemplo).
Quanto à variabilidade no espaço, as ações classicam-se em:
1. Fixas: ações com ponto de aplicação xo no espaço.

2. Livres: ações com ponto de aplicação variável no espaço. As ações livres
poderão ser móveis, ou não. Ações moveis, também chamadas ações
rolantes, são ações cujo ponto de aplicação segue uma trajetória contínua.
11.2 Representação de ações

11.2.1 Considerações gerais
As ações poderão ser descritas e quanticadas por meio de modelos com dife-
rentes graus de sosticação e complexidade. Assim, por ordem de complexidade
crescente, as ações poderão ser descritas por meio de:
Valores representativos: sempre que a vericação da segurança seja feita

através de formatos de nível I.
Variáveis aleatórias: sempre que a variabilidade da ação ao ao longo do
tempo possa ser descrita por meio de uma única variável aleatória.
Processos estocásticos: sempre que a variabilidade da ação ao longo do
tempo não possa ser descrita por uma única variável aleatória.
O valor representativo mais comum é o chamado valor característico, já

denido anteriormente. Outro valor representativo é o chamado valor nominal,
valor a ser usado sempre que não haja informação estatística suciente que
permita a quanticação do valor característico. As ações de acidente são em
geral representadas por valores nominais.
Para efeitos de combinação de ações no âmbito do método dos CPS, denem-
se ainda, para ações variáveis, os seguintes valores, chamados valores reduzidos :
Representação de ações 135
valor de combinação (ψ0 Qk );

valor frequente (ψ1 Qk );
valor quase permanente (ψ2 Qk );
onde Qk representa valor característico da ação variável Q. A denição precisa
destes valores será feita mais à frente.
11.2.2 Valor característico de ações variáveis

Como visto anteriormente, o valor característico de uma ação é o valor da ação
correspondente ao quantil p da sua distribuição de probabilidade, considerando-
se geralmente o quantil p = 0.95. Assim, tomando como base este quantil,
podemos dizer que o valor característico de uma ação é o valor da ação com
uma probabilidade 1 − 0.95 = 0.05 de ser excedido.
No caso particular de ações variáveis é necessário especicar o período de
tempo a que essa probabilidade se aplica. Este período designa-se habitual-
mente por período de referência. A probabilidade pe = 1 − p é designada
habitualmente probabilidade de excedência. Assim, no caso especíco de ações
variáveis, chama-se valor característico de uma ação variável Q em relação a
uma probabilidade de excedência pe e a um período de referência T , ao valor de
Q com probabilidade pe de ser excedido durante o período T. Representando,
como habitualmente, o valor característico de Q por Qk , tem-se, em símbolos:
Qk : P (Qmax,T > Qk ) = pe , (11.1)
ondeQmax,T = {Valor máximo de Q no período T }. Representando a FDC de

Qmax,T por FQmax,T (·) pode então escrever-se:
Qk : P (Qmax,T > Qk ) = pe ⇔ 1 − P (Qmax,T < Qk ) = pe

⇔ 1 − FQmax,T (Qk ) = pe
⇔ FQmax,T (Qk ) = 1 − pe
⇔ Qk = FQ−1
max,T
(1 − pe ). (11.2)
Assim, como se acaba de ver, a quanticação do valor característico de uma

ação variável exige a especicação de: (1) probabilidade de excedência (ou em
alternativa o quantil), (2) período de referência e (3) distribuição dos máximos
nesse período.
Em resumo: o valor característico de uma ação variável Q em relação a
uma probabilidade de excedência pe e a um período de referência T é o quantil
p = 1 − pe da distribuição dos máximos de Q em T. (Ver Figura 11.1.) Em
símbolos:
Qk (p, T ) = FQ−1
max,T
(p) (11.3)
O valor característico de ações variáveis refere-se, regra geral, ao quantil

0.95 das respetivas distribuições de máximos em 50 anos. No entanto, os
valores característicos especicados nos Eurocódigos nem sempre seguem essa
regra geral. Por exemplo, os valores característicos denidos no Eurocódigo 1
para ações ambientais (vento, variações de temperatura e neve) referem-se ao
quantil 0.98 da distribuição dos máximos anuais. No caso da ação sísmica, o
valor característico denido no Eurocódigo 8 (aceleração de pico observada à
Figura 11.1 Denição de valor característico de uma

ação variável. Q (p, T ) = F (p)
k
−1
Qmax,T
superfície de terreno rochoso durante um sismo) refere-se ao quantil 0.90 da

distribuição dos máximos em 50 anos.
Vejamos agora como poderemos determinar na prática valores caracterís-
ticos de ações variáveis. De acordo com o exposto acima, a determinação do
valor característico de uma ação variável exige o conhecimento da distribuição
de máximos num período de referência relativamente longo, por exemplo 50
anos. A determinação dessa distribuição a partir de uma amostra de máximos
em 50 anos exigiria um período de observação muito extenso. Por exemplo,
para obter uma amostra com 10 valores de máximos em 50 anos seria necessário
um período de observação de 10 × 50 = 500 anos, algo que não seria fácil obter.
Vejamos então como obter a distribuição de máximos de uma ação variável Q
referente a um período T a partir da distribuição de máximos referente a um
período mais curto.
Considere-se a ação Q representada na Figura 11.2. Divida-se o período T
em n períodos mais curtos com duração igual a τ. Este período mais curto,
a que chamaremos período elementar, ou período unitário, pode ser 1 dia, 1
semana, 1 mês, 1 ano, e assim sucessivamente. Registe-se agora o valor má-
ximo de Q observado em cada período unitário. Obtém-se assim uma amostra
{q1 , q2 , . . . } da variável Qmax,τ = {Máximo de Q no período τ }. Admita-se que
o período τ é escolhido de modo a que esses valores possam ser considerados
independentes entre si. Com base nessa amostra podemos então atribuir uma
distribuição à variável Qmax,τ , que representaremos, como habitualmente, por
FQmax,τ (·). Esta distribuição é frequentemente chamada distribuição inicial.
Seja agora a variável Qmax,T = {Máximo de Q no período T }. A FDC
desta variável é dada por:
FQmax,T (q) = P (Qmax,T ≤ q)

= P (Qmax,τ ≤ q) ∩ · · · ∩ (Qmax,τ ≤ q)
n
= FQmax,τ (q) , (11.4)
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 ).
Figura 11.2 Representação de uma ação variável ao longo do tempo.

Mas como p = FQmax,T (q), podemos escrever q = FQ−1
max,T
(p), donde:
FQ−1
max,T
(p) = FQ−1
max,τ
(p1/n ). (11.5)
Comparando esta Eq. com (11.3) e considerando que 1/n = τ /T , tem-se

nalmente:
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.
Exemplo 11.1 Numa dada ponte em serviço, foram medidos os pesos

dos veículos de transporte de mercadorias durante um mês típico, tendo-
se registado os pesos máximos diários que se reproduzem seguidamente
(valores em kN):
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
Admitindo que os máximos diários podem ser modelados adequadamente

por meio de um modelo Normal, determine o valor característico do peso
dos camiões correspondente a uma probabilidade de excedência de 0.05
em 50 anos.
Resolução
Começa-se por determinar a média e o desvio padrão da amostra co-
lhida da ponte. Os valores são µ = 241.4 kN e σ = 97.5 kN. Assim, de

acordo com o enunciado pode escrever-se Qmax,1dia ∼ N(241.4, 97.5) kN.
Pretende-se determinar Qk (0.95, 50 anos). Tem-se:
τ 1 dia 1 dia
= = = 1/18250.
T 50 anos 50 × 365 dias
Recorrendo à Eq. (11.6), vem:
Qk (0.95, 50 anos) = FQ−1 0.951/18250

max,1 dia
= norminv(0.95 (1/18250),241.4,97.5)
= 684.0 kN.
Façamos agora um cálculo semelhante, mas para um período de refe-

rência de 100 anos. Neste caso τ /T = 1/36500,
Qk (0.95, 100 anos) = norminv(0.95 (1/(36500)),241.4,97.5)

= 698.0 kN.
Constata-se assim que, no presente caso, a duplicação do período de re-

ferência traduz-se num aumento muito ligeiro do valor característico do
peso dos camiões.
11.2.3 Probabilidade de excedência para diferentes períodos de

referência
Seja pe1 a probabilidade de certo valor q de uma ação variável Q ser excedido
em 1 unidade de tempo (1 dia, 1 mês, 1 ano, 1 período de 50 anos, etc.). Seja
pen a probabilidade desse mesmo valor ser excedido em n unidades de tempo.
É possível relacionar pen com pe1 . Com efeito,
pe1 = P (Qmax,1 > q) = 1 − FQmax,1 (q).
Da mesma forma,
pen = P (Qmax,n > q) = 1 − FQmax,n (q).

n
Mas como FQmax,n (x) = FQmax,1 (x) , vem:
n
pen = 1 − FQmax,1 (x)
= 1 − (1 − pe1 )n .
Podemos pois escrever:

pen = 1 − (1 − pe1 )n . (11.7)
Resolvendo (11.7) em ordem a pe1 , obtém-se:
pe1 = 1 − (1 − pen )1/n . (11.8)
Acabamos assim de deduzir expressões que nos permitem determinar a proba-

bilidade de excedência em n unidades de tempo a partir da probabilidade de
excedência em uma unidade de tempo, e vice-versa. Podemos ainda deduzir
uma expressão mais genérica que engloba as Eq. (11.8) e (11.7) como casos
particulares. Com efeito, aplicando a Eq. (11.8) a m unidades de tempo,

tem-se:
pe1 = 1 − (1 − pem )1/m .
Substituindo esta Equação em (11.7), obtém-se a expressão pretendida:
pen = 1 − (1 − pem )n/m (11.9)
Exemplo 11.2 Determinar a probabilidade de excedência em 50 anos

de um valor que tem uma probabilidade de excedência anual de 0.02.
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!
11.2.4 Período de retorno

Vimos anteriormente que o valor característico de uma ação variável é carac-
terizado por uma probabilidade de excedência e por um período de referência
(por exemplo, valor com probabilidade de excedência de 0.05 em 50 anos).
Uma forma alternativa de caracterizar o valor característico de uma ação va-
riável é por meio do chamado período de retorno. Período de retorno de um
certo evento (com probabilidade não nula de ocorrência) é a duração média
entre ocorrências sucessivas desse evento.
Apliquemos esta denição ao evento correspondente à excedência do valor
característico duma ação variável. Seja então Q uma ação variável e Qmax,1 =
{Máximo de Q em 1 unidade de tempo}. Seja Qk o valor característico de
Q correspondente à probabilidade de excedência pe1 nessa unidade de tempo.
Portanto P (Qmax,1 > Qk ) = pe1 . Seja agora a variável X = {Número de
unidades de tempo até observar o evento Qmax,1 > Qk }. O período de retorno
desse evento, que representaremos por TR , é então o valor médio de X , e é
dado por:
1
TR = (11.10)
pe1
É relativamente fácil demonstrar este resultado. Com efeito,
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
Verica-se assim que a variável X é uma variável com distribuição geométrica,

cujo valor médio é dado por 1/pe1 (Anexo B).
Substituindo na Eq. (11.10) pe1 pelo valor dado por (11.8), tem-se:
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).
Exemplo 11.3 Determinar o período de retorno dos seguintes valores:
a) Valor característico correspondente a uma probabilidade de exce-

dência de 0.05 em 50 anos.
b) Valor característico das ações ambientais denidas no Eurocódigo 1
(valor com uma probabilidade de excedência anual de 0.02).
c) Valor característico da ação sísmica denida no Eurocódigo 8 (valor
com uma probabilidade de excedência de 0.10 em 50 anos)
Resolução
a) Considerando n = 50 e pe50 = 0.05 na Eq. (11.11), obtém-se:
1
TR = = 975 anos.
1 − (1 − 0.05)1/50
b) Considerando n=1 e pe1 = 0.02 na Eq. (11.11), obtém-se:
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:
pe1 = P (Qmax,1 > q) = 1 − FQmax,1 (q).
Substituindo o valor de pe1 desta equação em (11.10), vem:
1
TR = (11.12)
1 − FQmax,1 (q)
Esta Eq. permite determinar o período de retorno associado à excedência dum

dado valor q duma ação variável. Em particular, fazendo q = Qk , a equação
fornece o período de retorno correspondente ao valor característico de uma ação
Combinação de ações 141
variável. Reciprocamente, invertendo (11.12), obtém-se o valor característico

correspondente a um determinado período de retorno:

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.
Exemplo 11.4 Considere-se uma ponte na qual os pesos máximos diá-

rios dos camiões que a atravessam têm a seguinte distribuição:
Qmax,1 dia ∼ N(241.4, 97.5) kN.
Determinar o valor característico do peso dos camiões correspondente a

um período de retorno de 2000 anos.
Resolução
Começa-se por expressar o período de retorno em dias:
TR = 2000 × 365 = 730 000 dias.
Para este período de retorno, o valor característico do peso dos camiões

é igual a:

1
Qk = FQ−1 1−
730 000
max,1
= norminv(1-1/730000,241.4,97.5)
= 698.6 kN.
11.3 Combinação de ações

Suponha-se que, numa dada estrutura, podem atuar simultaneamente três
ações: uma permanente (G) e duas variáveis (Q1 (t) e Q2 (t)). Em cada instante
t, o efeito E dessas ações, que se obtém por meio de uma análise estrutural, é
uma função dessas três ações, podendo escrever-se:

E(t) = E G, Q1 (t), Q2 (t) .
Do ponto de vista da segurança estrutural, estamos interessados, não na evo-

lução de E ao longo do tempo, mas no máximo de E num determinado
período de referência (a vida útil da estrutura, por exemplo). Designando
por T Emax,T , Q1 max,T e Q2 max,T os máximos
o período de referência e por
nesse período de, respetivamente,
E , Q1 e Q2 , tem-se, obviamente, Emax,T <
E G, Q1 max,T , Q2 max,T , pois os máximos das ações Q1 e Q2 dicilmente ocor-
rerão no mesmo instante.
Um caso particular importante é quando a estrutura tem comportamento

elástico linear. Neste caso, o efeito E das ações é proporcional às cargas apli-
cadas, podendo escrever-se:
E(t) = a G + b Q1 (t) + c Q2 (t),

onde a, b e c são constantes. De acordo com o exposto acima Emax,T <
a G + b Q1 max,T + c Q2 max,T .
O problema da combinação de ações consiste na determinação do efeito
máximo de uma combinação linear de ações variáveis. Este problema foi
amplamente estudado (e resolvido, mediante hipóteses simplicativas) pelos
engenheiros Ferry Borges e Mário Castanheta (Borges and Castanheta, 1985).
Esses investigadores representaram as ações variáveis recorrendo a processos de
valores constantes, conhecidos hoje, em sua homenagem, por processos FBC.
Antes de analisarmos o problema da combinação de ações, vejamos em que
consistem os processos FBC.
11.3.2 Descrição de ações variáveis por meio de Processos

FBC
Considere-se uma ação variável Q(t) a atuar durante um período de referência
T. Divida-se esse período em intervalos menores, chamados períodos elemen-
tares, e admita-se que:
A intensidade da ação mantém-se constante em cada intervalo elementar.
(Ver Figura 11.3.)
Os valores da ação nos sucessivos intervalos elementares são identica-
mente distribuídos e independentes, e possuem distribuição FQ (q), dita
distribuição inicial.
Um processo com estas características diz-se processo FBC. A Figura 11.4
ilustra como algumas ações típicas poderão ser descritas por meio de processos
FBC.
Figura 11.3 Representação de uma ação variável por meio de

um processo FBC.
Voltando à ação Q representada na Figura 11.3, seja T o período de re-
ferência em consideração. Então, n = T /τ representa o número de intervalos
elementares considerado, por vezes chamado número de repetições de Q. Seja
Qmax,T = {Máximo de Q em T }. Pode então escrever-se:
n
FQmax,T (q) = FQ (q) . (11.14)
Figura 11.4 Exemplos de ações representadas por processos

FBC e respetivos período elementares.
Invertendo esta equação, obtém-se:
1/n
FQ (q) = FQmax,T (q) . (11.15)
Ou seja, pode obter-se a distribuição de máximos a partir da distribuição inicial

e a distribuição inicial a partir da distribuição de máximos.
Suponha-se agora que se conhece a distribuição de máximos em τi e deseja-
se convertê-la na distribuição de máximos em τj . É fácil vericar que:
τ /τ
FQmax,τj (q) = FQmax,τi (q) j i . (11.16)
11.3.3 O método FBC para combinação de ações

Recorrendo aos processos descritos acima, os investigadores Ferry Borges e
Mário Castanheta analisaram o problema da determinação do máximo, num
determinado período, de uma combinação linear de ações. O método pro-
posto por esses investigadores, conhecido hoje como método FBC, explica-
se melhor com um exemplo. Considere-se o problema da combinação de 3
ações variáveis: Q1 , Q2 e Q3 . Pretende-se determinar o máximo da variável
Q(t) = Q1 (t) + Q2 (t) + Q3 (t) no período T , máximo esse que representaremos
2
por Qmax,T , como habitualmente . Admita-se que as ações podem ser descritas
por meio de processos FBC, com períodos elementares τ1 , τ2 e τ3 , respetiva-
mente. Admita-se que τ1 é um múltiplo de τ2 e que este é um múltiplo de τ3 ,
como esquematizado na Figura 11.5.
Figura 11.5 Representação de 3 ações variáveis por

meio de 3 processos FBC. As ações estão ordenadas de
tal forma que τ > τ > τ . Os períodos elementares
permitem assim estabelecer uma hierarquia de ações.
1 2 3
Para obter Qmax,T procede-se da seguinte forma:
1. Obtém-se um máximo de Q3 no período τ2 (período elementar da ação

Q2 ) e adiciona-se esse valor a um valor elementar de Q2 . Fica assim
denida a variável:
Q3 max,τ2 + Q2
2. Obtém-se um máximo dessa nova variável no período τ1 e adiciona-se
esse valor a um valor elementar de Q1 , cando assim denida a variável:
(Q3 max,τ2 + Q2 )max,τ1 + Q1 (11.17)
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.
3. Finalmente, obtém-se um máximo dessa nova variável, cando assim de-

nida a variável pretendida:

Qmax,T = (Q3 max,τ2 + Q2 )max,τ1 + Q1 max,T
Recorrendo ao integral que dene a distribuição de uma soma de duas
variáveis (conhecido como integral de convolução) e recorrendo à Eq. (11.16) é
possível expressar a FDC de Qmax,T (Borges and Castanheta, 1985). Deixa-se
isso como exercício ao leitor interessado.
11.3.4 Regra de Turkstra

O problema da combinação de ações pode ser resolvido de forma aproximada
pela chamada regra de Turkstra. Esta regra parte da ideia de que o máximo
deQ = Q1 + Q2 + Q3 no período T ocorrerá com forte probabilidade quando
umas das variáveis, Q1 , Q2 ou Q3 é máxima nesse período.
De acordo com a regra de Turkstra, para obter Qmax,T , procede-se assim:
1. Obtém-se, sucessivamente:
Q(1) = Q1 max,T + Q2 max,τ1 + Q3 max,τ2

Q(2) = Q1 + Q2 max,T + Q3 max,τ2
Q(3) = Q1 + Q2 + Q3 max,T
2. Por m, escolhe-se o máximo desses 3 valores:
Qmax,T = max Q(1) , Q(2) , Q(3)

(11.18)
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.
11.3.5 Valores reduzidos de ações variáveis

Como referido anteriormente, para efeitos de combinação de ações a usar no
âmbito do método dos CPS, denem-se, para ações variáveis, os chamados
valores reduzidos, a saber:
valor de combinação, ψ0 Qk ;
valor frequente, ψ1 Qk ;
valor quase-permanente, ψ2 Qk .
Os coecientes ψ0 , ψ1 e ψ2 são chamados coecientes de combinação, ou ainda

coecientes de redução. Entre eles, verica-se a seguinte relação de ordem:
0 ≤ ψ2 < ψ1 < ψ0 ≤ 1. (11.19)
Vejamos a sua denição precisa.

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:
Q1 max,T + ψ0,2 Q2 max,T + ψ0,3 Q3 max,T ,
em que:
Q2 max,τ1
ψ0,2 = ,
Q2 max,T
Q3 max,τ2
ψ0,3 = .
Q3 max,T
Esta consideração sugere a seguinte denição do coeciente ψ0,i relativo à ação

Qi :
Qik (p, τj )
ψ0,i = , (11.20)
Qik (p, T )
em que τj é o período elementar da ação hierarquicamente superior . Assim,
3
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.
Concretizemos a aplicação da Eq. (11.21) para o caso de uma ação variável

com distribuição Gumbel. Ora, sabe-se que a inversa de uma distribuição
Gumbel com média µ e coeciente de variação V é dada por (ver p. 185.):
h i
FX−1 (p) = µ 1 − 0.78V 0.58 + ln(− ln p) . (11.23)
Assim, para uma ação variável com distribuição Gumbel, tem-se:
1 − 0.78V 0.58 + ln(− ln pn )

ψ0 =
1 − 0.78V 0.58 + ln(− ln p)

1 − 0.78V 0.58 + ln(− ln p) + ln n
= . (11.24)
1 − 0.78V 0.58 + ln(− ln p)
Para o quantil habitual p = 0.95, a Eq. anterior simplica-se, vindo:
1 − 0.78V (ln n − 2.39)

ψ0 = . (11.25)
1 + 1.86V
Exemplo 11.5 Considere-se uma ação variável Q com período elemen-

tar de 1 hora, cujos máximos em 50 anos possuem distribuição Gumbel
e coeciente de variação de 0.10. Determinar o coeciente ψ0 dessa ação
quando ela se combina com outra ação variável com período elementar de
1 mês.
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:
1 − 0.78 × 0.10(ln 600 − 2.39)

ψ0 = = 0.58
1 + 1.86 × 0.10
A Tabela 11.1 mostra valores de ψ0 de uma ação variável (com máximos

seguindo uma distribuição Gumbel) para diferentes coecientes de variação
desta e diferentes períodos elementares, considerando um período de referência
de 50 anos.
Tabela 11.1 Exemplos de coecientes ψ para diferentes coecientes de

variação e diferentes períodos elementares (T = 50 anos)
0
V
τj (a) n
0.05 0.1 0.15
1 mês 600 0.77 0.58 0.41

1 dia 18 250 0.65 0.35 0.10
1 hora 438 000 0.54 0.15 −
1 minuto 26 280 000 0.39 − −
(a)
Maior dos períodos elementares das ações em combinação.
Valor frequente
Em preparação.
Valo quase permanente

Em preparação.
11.4 Modelos probabilísticos para ações

Em preparação.
Capítulo 12
Modelação estrutural e de
resistências
Na vericação da segurança das estruturas pelo método dos EL aparecem em

geral 3 tipos de modelos de transformação: (1) modelos de ações, que trans-
formam variáveis básicas em ações; (2) modelos estruturais, que transformam
ações em efeitos de ações e (3) modelos de resistência, que transformam variá-
veis básicas em resistências correspondentes aos efeitos das ações. No presente
Capítulo trataremos da modelação estrutural e de resistências. Em particular,
veremos como modelar as incertezas originadas nas simplicações assumidas
nesses modelos.
12.1 Modelação estrutural

O modelo estrutural, também chamado modelo de cálculo, tem por objetivo
a determinação da resposta da estrutura às ações que nela atuam, podendo
expressar-se de forma simbólica através de uma relação funcional do tipo:
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:
Análise elástica linear, onde se assume proporcionalidade entre tensões

e deformações (materiais obedecendo à lei de Hooke) e as equações de
equilíbrio são estabelecidas na posição indeformada da estrutura.
Análise elástica linear seguida de redistribuição de esforços, frequente-
mente utilizada em estruturas de betão armado, em que a ssuração nas
zonas mais solicitadas e a consequente diminuição de rigidez elástica pro-
voca uma redistribuição dos esforços elásticos das zonas mais solicitadas
para as zonas menos solicitadas.
1
Momentos etores, esforços transversos, deformações, e assim sucessivamente.
149
150 Modelação estrutural e de resistências
Analise plástica, quando se pretende determinar a carga de colapso da

estrutura recorrendo a modelos rigido-plásticos e ao conceito de rótula
plástica.
Analise não linear, podendo esta incluir ambas as fontes de não lineari-
dade (a geométrica e a física), ou apenas uma delas. Se a analise incluir
apenas a não linearidade geométrica, diz-se análise de segunda ordem.
Os modelos elásticos lineares são os mais simples, e são os preferidos nos

estágios iniciais de uma avaliação estrutural. Como dito anteriormente, a ava-
liação da segurança de uma estrutura existente deve ser efetuada por etapas de
complexidade crescente. Os renamentos na analise devem ser feitos de forma
progressiva, conforme a necessidade.
A análise elástica linear seguida de redistribuição de esforços tem interesse
no dimensionamento de estruturas novas, e mais interesse ainda na avaliação
de estruturas existentes, particularmente as estruturas de betão armado, onde
as redistribuições de esforços, devido à ssuração do betão, começam a ocorrer
para níveis relativamente moderados de cargas.
A analise plástica de estruturas permite explorar o grau de hiperestaticici-
dade das estruturas, tendo por isso muito interesse em avaliações estruturais.
A teoria da plasticidade é tratada nos manuais dedicados à teoria das estru-
turas, pelo que não lhe faremos aqui referência detalhada. Ainda assim, dada
a sua importância no âmbito da segurança das estruturas existentes, faremos
uma breve recapitulação deste assunto mais à frente neste Capítulo.
Relativamente a analise não linear, como se disse, existem essencialmente
duas fontes de não linearidade: a geométrica e a física. A não linearidade ge-
ométrica (teoria de 2.
a ordem) pode ser relevante em elementos comprimidos.
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.
12.1.2 Modelação das incertezas nos modelos estruturais

Atualmente, graças à ampla disponibilidade de ferramentas informáticas, a
análise estrutural não oferece diculdade de maior, sendo possível modelar a
estrutura com um grau bastante razoável de rigor. Ainda assim, não é possível
eliminar completamente as incertezas da análise. Por exemplo, poderão existir
inuências ambientais suscetíveis de afetar a resposta da estrutura, mas que
normalmente não são tidas em consideração. É o caso da temperatura ambi-
ente, que afeta a resposta dinâmica das estruturas, mas que geralmente não é
tida em consideração. Neste sentido pode armar-se que é impossível predizer
exatamente qual será a resposta dinâmica de uma estrutura, pois depende de
uma grandeza que não pode ser predita com rigor.
Existem ainda outras incertezas relacionadas com o próprio modelo estru-
tural, como por exemplo as originadas nas simplicações introduzidas ao nível
das condições fronteira (apoios), que são normalmente modeladas de forma
Modelação estrutural 151
ideal, com os graus de liberdade perfeitamente restringidos, ou perfeitamente

livres. Na prática, os apoios estarão numa condição intermédia entre a per-
feitamente xa e a perfeitamente livre. A interação solo/estrutura é também
frequentemente modelada de forma muito simplicada, podendo originar incer-
tezas signicativas, particularmente quando estão em jogo impulsos de terras
atuando na estrutura.
Em estruturas cujos esforços dependam da sequência construtiva, como
é o caso de pontes construídas por troços, pode também existir considerável
incerteza a respeito dos esforços realmente instalados. No caso especíco de
pontes de betão, tal incerteza pode ser signicativa, não só porque os esforços
variam ao longo do tempo, mas também porque tal variação depende dos
coecientes de uência do betão, cujos valores reais podem diferir bastante dos
valores estimados.
Para atender a essas e outras fontes de incerteza, a resposta E predita pelo
0
modelo estrutural, que se desvia da resposta verdadeira E , deverá ser afetada
por uma variável aleatória, podendo adotar-se uma das seguintes formas (forma
multiplicativa ou forma aditiva):
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).
Tabela 12.1 Modelos probabilísticos para a variável θ, destinada a modelar a incer-

teza nos modelos estruturais (JCSS, 2001b)
Tipo de modelo Tipo de resposta Distribuição Média Coef. de var.
Modelos de barras Momentos Lognormal 1.00 0.10

Esf. axial Lognormal 1.00 0.05
Esf. Transverso Lognormal 1.00 0.10
Modelos shell Momentos Lognormal 1.00 0.20

Forças Lognormal 1.00 0.10
Modelos de sólidos Tensões Normal 0.00 0.05
O documento-guia Dinamarquês (von Scholten et al., 2004) recomenda V =

0.04 para modelos estruturais com boa precisão, V = 0.06 para modelos com
precisão normal e V = 0.09 para modelos com baixa precisão.
12.2 Modelação de resistências

Os modelos de resistência são os modelos que transformam variáveis básicas
(propriedades dos materiais e parâmetros geométricos) em esforços resisten-
tes (exão, esforço transverso, torção, punçoamento, e assim sucessivamente),
podendo expressar-se de forma simbólica através de uma relação funcional do
tipo:
R = R(X1 , . . . , Xn ). (12.4)
Em geral os modelos utilizados são idênticos aos que se utilizam no âm-

bito do projeto de estruturas novas. No entanto, no âmbito da segurança
de estruturas existentes, as propriedades dos materiais a usar devem ser de
preferência as reais (se disponíveis) e não as especicadas no caderno de encar-
gos da estrutura ou no regulamento que serviu de base ao projeto da mesma
(ISO 13822, 2010). Para tal, podem ser consultados os registos de obra (por
exemplo, ensaios de resistência de cubos de betão ou certicados de qualidade
dos aços empregues), podendo ainda recorrer-se a um conjunto de ensaios não
destrutivos criteriosamente escolhidos.
As estruturas existentes exibem frequentemente alguma forma de deteri-
oração, colocando-se a questão de saber até que ponto tais manifestações de
deterioração afetam a resistência. No caso especíco das estruturas de betão
armado, um dos problemas de deterioração mais comuns é a corrosão das arma-
duras. Sabe-se que os produtos da corrosão têm cerca de 7 a 8 vezes o volume
inicial, originando delaminação e consequentemente perda de aderência.
Deve referir-se que no artigo La corrosión de las armaduras y la vida re-
sidual de las estructuras de hormigón (Santiago et al., 2004), baseado num
extenso programa experimental de vigas e pilares com armaduras corroídas, os
autores constataram que a diminuição de aderência provocada pela delamina-
ção do betão e pelos produtos da corrosão não afetou a capacidade resistente
das vigas ensaiadas. Parece então poder concluir-se que estados de deterioração
que não envolvam perda de secção de armaduras nem delaminação signicativa,
têm pouco efeito na capacidade resistente dos elementos estruturais.
12.2.2 Modelação das incertezas nos modelos de resistência

De um ponto de vista probabilístico, é preciso ter presente que, qualquer que
seja o modelo de resistência empregue, mais ou menos sosticado, nunca será
perfeito, isto é, nunca será capaz de predizer com exatidão e precisão os es-
forços reais, situação que se agrava se existir deterioração. Para cobrir as in-
certezas originadas na falta de precisão e exatidão do modelo, e á semelhança
do adotado nos modelos estruturais, a resistência R = R(X1 , . . . , Xn ) predita
pelo modelo deverá ser afetada por uma variável θ, adotando-se geralmente a
seguinte formulação:
R0 = θ R, (12.5)
onde R0 representa a resistência real e R a resistência predita pelo modelo.

Uma vez que os esforços resistentes admitem na maioria das vezes apenas
valores positivos, adota-se geralmente para θ uma distribuição Lognormal. As
características probabilísticas da variável θ podem ser avaliadas experimen-
talmente (ISO 2394, 2015; NP EN 1990, 2009). Com efeito, supondo que
Reformulação da função estado limite 153
um programa experimental envolve a realização de k ensaios, conduzindo à

0 0
obtenção de k resistências R1 , . . . , Rk e que os valores das correspondentes re-
0
sistências preditas pelo modelo são R1 , . . . , Rk , a expressão θ = R /R permite
obter k valores de θ, a partir dos quais se determinam as suas características
probabilísticas.
Não existindo informação especíca a respeito da variável θ, pode recorrer-
se a recomendações encontradas em bibliograa da especialidade. A título
de exemplo, apresenta-se na Tabela 12.2 as recomendações do Probabilistic
Model Code para momentos e esforços transversos resistentes (JCSS, 2001b).
Conforme se observa, a média recomendada para θ é superior à unidade, o que
reete a perceção de que os modelos de resistência são em geral conservativos.
Tabela 12.2 Modelos probabilísticos para a variável θ, destinada a modelar a incer-

teza nos modelos de resistência (JCSS, 2001b)
Tipo de esforço resistente Distribuição Média Coeciente de variação
Flexão Lognormal 1.20 0.15

Esforço transverso Lognormal 1.40 0.25
Os valores constantes na Tabela deverão ser interpretados como meras in-

dicações, devendo ser ajustados caso a caso, em função da conança que se
tem no modelo de resistência que estiver a ser utilizado.
12.3 Reformulação da função estado limite

Considere-se a função estado limite M = R − E. Designando por θE e θR
as variáveis destinadas a modelar, respetivamente, as incertezas do modelo
estrutural e do modelo de resistência, a função EL pode ser reescrita na forma:
M = θR R − θE E. (12.6)
Enfatiza-se que as distribuições de probabilidade a atribuir às variáveis θE

e θR reetem a conança que se tem nos modelos empregues, devendo por isso
ser escolhidas criteriosamente caso a caso. Ao especicar os parâmetros dessas
distribuições (média e desvio padrão) deve-se ter presente o seu signicado.
Concretizando, tomemos como exemplo a expressão E 0 = θE E , onde E 0 repre-
senta a resposta verdadeira da estrutura e E a resposta predita pelo modelo
estrutural. A média de θE constitui uma medida da exatidão do modelo e o
desvio padrão constitui uma medida da sua precisão. A exatidão diz respeito
à capacidade do modelo em efetuar predições próximas dos valores reais, e a
precisão diz respeito à capacidade do modelo em efetuar predições com pouca
dispersão entre si. Assim, se um modelo estrutural for relativamente exato
erros de natureza sistemática pequenos , tal signica que a média de θE será
próxima de 1.00. Se, além disso, o modelo for relativamente preciso erros de
natureza aleatória baixos , tal signica que o coeciente de variação de θE
será relativamente pequeno.
[Prever um exemplo baseado na estrutura do Exemplo 9.2.]
12.4 Refinamentos no cálculo de esforços atuantes

Descreve-se de seguida alguns renamentos no cálculo de esforços atuantes,
muito usuais em estruturas de betão armado.
12.4.1 Redistribuição de momentos

Considere-se a viga de 3 vãos esquematizada na Figura 12.1. Admita-se que
os momentos elásticos nos apoios excedem os respetivos momentos resistentes,
não vericando assim a segurança. No entanto, se existir reserva de segurança
nos vãos, pode efetuar-se uma redistribuição de momentos, como ilustrado na
Figura, transferindo momentos dos apoios para os vãos, podendo considerar-se
satisfeita a segurança se a reserva de segurança existente nos vãos cobrir o
acréscimo de momentos vericado: ∆M1 /2 no primeiro vão e (∆M1 + ∆M2 )/2
no segundo vão.
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
viga bi-encastrada simétrica. Novamente, a segurança pode ser considerada

satisfeita se a folga de resistência existente nos apoios cobrir o acréscimo de
momentos que aí se verica (∆M ).
Figura 12.2 Redistribuição de momentos do vão para os apoios numa viga

bi-encastrada simétrica.
12.4.2 Diminuição dos momentos atuantes em apoios pontuais

Em preparação.
12.4.3 Diminuição dos esforços transversos atuantes junto aos

apoios
Em preparação.
12.5 Breves considerações sobre análise plástica de

estruturas
Em preparação. [Ver manuscrito original]
12.6 Modelos probabilísticos para propriedades dos

materiais
Em preparação. [Ver artigo Probabilistic models for mechanical properties of
concrete, reinforcing steel and prestressing steel de Wisniewski. Ver tabmém
ISO 2394:2015, p. 79]
Capítulo 13
Ajuste dos coeficientes

parciais de segurança
A possibilidade de ajustar coecientes parciais de segurança tem manifesto

interesse no âmbito da segurança de estruturas existentes. Os coecientes de
segurança especicados na regulamentação para estruturas novas aplicam-se
a populações relativamente vastas de estruturas, podendo não reetir cor-
retamente os níveis de incerteza efetivamente existentes para uma estrutura
particular existente. Se, durante a avaliação de uma estrutura existente, es-
tiver disponível informação relevante a respeito de uma dada variável básica
do problema, podemos equacionar a possibilidade de ajustar o coeciente de
segurança dessa variável concreta.
Relativamente à calibração dos coecientes parciais de segurança, o Eu-
rocódigo 0 (NP EN 1990, 2009) refere na Cl. C.3 que a maioria dos valores
propostos nos Eurocódigos foram estabelecidos com base na experiência da
prática tradicional, isto é, foram estabelecidos essencialmente de forma em-
pírica, com base numa prática anterior bem sucedida. No entanto, a mesma
cláusula prevê que os coecientes parciais de segurança possam ser calibrados
recorrendo a ferramentas probabilísticas.
No presente Capítulo trataremos do problema da calibração dos coeci-
entes parciais de segurança recorrendo a ferramentas probabilísticas, com es-
pecial ênfase na calibração baseada nos coecientes de sensibilidade FORM.
Conforme veremos, o coeciente parcial de segurança de uma dada variável de-
pende fundamentalmente de 3 fatores: (1) coeciente de variação da variável,
(2) importância da variável no EL em consideração (traduzida no respetivo
coeciente de sensibilidade), e (3) índice de abilidade pretendido.
157
158 Ajuste dos coecientes parciais de segurança
13.1 Método geral de calibração

Em preparação. (cf. ISO 1394:2015, Anexo E, p. 79)
13.2 Calibração com base nos coeficientes de

sensibilidade FORM
13.2.1 Descrição do método
Seja X uma variável básica genérica com FDC FX (x). Seja Xd o respetivo
valor de dimensionamento. Dado um determinado EL, é lógico atribuir a Xd
o valor dessa variável no ponto de dimensionamento FORM desse EL, visto
que correspondo ao ponto mais provável para o inicio de uma eventual rotura.
Assim, de acordo com o que vimos no Capítulo 9, Xd é dado por:
Xd = FX−1 Φ(−αX β) ,

(13.1)
onde αX representa o coeciente de sensibilidade dessa variável relativamente

ao EL em apreço e β o índice de abilidade correspondente.
Recorde-se que, para uma dada função estado limite M = g(X1 , . . . , Xn ),
os αi satisfazem as seguintes propriedades:
−1 ≤ αi ≤ 1, (13.2)
Xn
αi2 = 1. (13.3)
i=1
Se a variável X referir-se a um efeito de ação, então, conforme vimos ante-

riormente, Xd = γf Xk , onde γf representa o coeciente parcial de segurança
e Xk o valor característico respetivo (geralmente o quantil 0.95). Tem-se, pois:
FX−1 Φ(−αX β)

Xd
γf = = (13.4)
Xk FX−1 (0.95)
Se a variável X referir-se a uma resistência, então Xd = Xk /γm , onde

Xk e γm representam, respetivamente, o valor característico (quantil 0.05) e o
coeciente parcial de segurança de X. Podemos pois escrever:
Xk F −1 (0.05)
γm = = −1 X (13.5)
Xd FX Φ(−αX β)
O coeciente de sensibilidade de uma variável particular depende do EL

onde intervém, e por isso varia de EL para EL. No entanto é possível identicar
certos valores típicos desses coecientes para as situações mais comuns. A
norma ISO 2394 (1998) tipica os valores que se reproduzem na Tabela 13.1,
chamados valores-padrão, ou valores padronizados. O Eurocódigo 0 (NP EN
1990, 2009) adotou os mesmos valores.
Na próxima secção iremos usar esses valores e as Eq. (13.4) e (13.5) para
obter coecientes parciais de segurança de variáveis com modelos probabilísti-
cos especícos. Antes, porém, convém chamar à atenção para que os coeci-
entes assim obtidos reetem apenas a incerteza da própria variável, expressa
Calibração com base nos coecientes de sensibilidade FORM 159
Tabela 13.1 Valores padronizados de α especicados na ISO 2394 (1998)

Variável básica α
Ação dominante (para o EL em apreço) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . −0.70
Restantes ações (ações acompanhantes) . . . . . . . . 0.40(−0.70) . . . . . . . . −0.28
Resistência dominante (para o EL em apreço) . . . . . . . . . . . . . . . . . . . . . . . 0.80
Restantes parâmetros de resistência . . . . . . . . . . . 0.40(0.80) . . . . . . . . . . . 0.32
na função FX (·) e portanto não podem ser diretamente comparados com os

coecientes parciais de segurança especicados nos regulamentos, pois estes
reetem também a incerteza nos modelos de transformação. Para ter em conta
a incerteza nos modelos de transformação, os coecientes γf e γm devem ser
corrigidos, como se esquematiza na Figura 13.1.
Figura 13.1 Relação entre coecientes parciais de segurançaadaptado da Figura

C.3 do Eurocódigo 0 (NP EN 1990, 2009).
Conforme se observa, o coeciente γSd pretende traduzir a incerteza nos
modelos das ações e nos modelos estruturais, e o coeciente γRd pretende
traduzir a incerteza nos modelos de resistência. O coeciente γF = γSd γf
procura assim traduzir todas as incertezas relevantes do lado das ações. Da
mesma forma, o coecientes γM = γRd γm procura traduzir todas as incertezas
relevantes do lado das resistências.
Relativamente ao fator γSd , o Eurocódigo 0, Quadro A1.2(B), recomenda
valores variando entre 1.05 e 1.15.
13.2.2 Variáveis com distribuição Normal

Suponha-se que X ∼ N(µX , σX ). Podemos então escrever:
FX−1 (p) = µX + Φ−1 (p) σX

= µX 1 + Φ−1 (p)VX ,

onde VX = σX /µX representa o coeciente de variação de X.
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:

γf =
FX−1 (0.95)
µX 1 + Φ−1 (Φ(−α β))VX

= .
µX 1 + Φ−1 (0.95)VX
Eliminando o índice X do coeciente de variação (para tornar a notação mais

ligeira) e tendo em que Φ−1 (0.95) = 1.645, tem-se:
1 − αβV
γf = (13.6)
1 + 1.645 V
A Tabela 13.2 mostra valores de γf para diferentes valores de α e V, con-

siderando β = 3.80.
Tabela 13.2 Coecientes de segurança para ações

com distribuição Normal
α
V
-0.70 -0.28
0.05 1.05 0.97

0.10 1.09 0.95
0.15 1.12 0.93
0.20 1.15 0.91
0.25 1.18 0.90
0.30 1.20 0.88
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 =

µ 1 + Φ−1 (0.05)V

=
µ 1 + Φ−1 (Φ(−α β))V
Considerando que Φ(0.05) = −1.645, tem-se:
1 − 1.645 V
γm = (13.7)
1 − αβV
A Tabela 13.3 mostra valores de γm para diferentes valores de α e V,

considerando β = 3.8.
Tabela 13.3 Coecientes de segurança para resis-

tências com distribuição Normal
α
V
0.80 0.32
0.05 1.08 0.98

0.10 1.20 0.95
0.15 1.38 0.92
0.20 1.71 0.89
0.25 2.45 0.85
0.30 5.76 0.80
13.2.3 Variáveis com distribuição Lognormal

Seja Y ∼ LN com média µY e coeciente de variação VY . Então, de acordo
com o Anexo B (ver p. 180.):

µY
q
FY−1 (p) −1 2

=q · exp Φ (p) ln 1 + VY (13.8)
1 + VY2
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:

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)
Eliminando o índice Y no coeciente de variação, tem-se nalmente:
p
γf = exp ln(1 + V 2 )(−α β − 1.645) (13.9)


com distribuição Lognormal
α
V
-0.70 -0.28
0.05 1.05 0.97

0.10 1.11 0.94
0.15 1.16 0.92
0.20 1.22 0.89
0.25 1.28 0.87
0.30 1.35 0.84
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)

Tabela 13.5 Coecientes de segurança para resis-

tências com distribuição Lognormal
α
V
0.80 0.32
0.05 1.07 0.98

0.10 1.15 0.96
0.15 1.23 0.94
0.20 1.32 0.92
0.25 1.41 0.90
0.30 1.51 0.88
13.2.4 Variáveis com distribuição Gumbel

Seja X ∼ Gb com média µX e coeciente de variação VX . A inversa da
distribuiçao cumulativa e dada por (ver p. 185.):
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
p = 0.95, a Eq. (13.4) conduz a:

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


com distribuição Gumbel
α
V
-0.70 -0.28
0.05 1.09 0.96

0.10 1.17 0.93
0.15 1.24 0.90
0.20 1.29 0.87
0.25 1.34 0.85
0.30 1.39 0.83
13.2.5 Variáveis com distribuição Weibull

Em preparação.
13.2.6 Comentários finais

Comparando os quadros acima, podemos tirar algumas conclusões:
A escolha do tipo de distribuição inuencia bastante os coecientes par-

cias de segurança. A inuência é tanto mais signicativa, quanto maior
for o coeciente de variação da variável básica em causa.
Relativamente às ações, o modelo de Gumbel é o que conduz a coecientes
maiores.
Relativamente às resistências, o modelo Normal fornece coecientes su-
periores aos obtidos com o modelo Lognormal. Isto não é de estranhar,
se nos lembramos que a cauda inferior do modelo Normal é mais pesada
que a cauda inferior do modelo Lognormal. Para efeitos de modelação de
resistências, o modelo Normal é assim mais conservativo que o modelo
Lognormal.
Em todas as expressões acima, fazendo V = 0, obtém-se γ = 1, ou seja,

não existindo incerteza numa variável, tal conduz a um coeciente de
segurança unitário.
Para os coecientes de sensibilidade α = −0.28 e α = 0.32, obteve-se
coecientes parciais de segurança inferiores à unidade. Isto pode parecer
estranho, pois aparentemente não faz sentido coecientes de segurança
inferiores a 1.0. Mas é fácil explicar o sucedido. Repare-se que o próprio
valor característico de uma variável básica, por ser um quantil relati-
vamente pequeno (0.05 no caso dos materiais) ou relativamente grande
(0.95 no caso das ações), já contempla em si alguma segurança. A ob-
tenção de coecientes de segurança inferiores à unidade signica que a
segurança implícita nos valores característicos é sobejamente suciente
quando essa variável não é dominante.

que atravessam uma determinada ponte, concluiu-se que o peso desses
camiões segue uma distribuição Normal, com media 16 ton e desvio padrão
8 ton. Observou-se que, em média, atravessam a referida ponte cerca de
150 camiões por dia. Proponha um coeciente de segurança a aplicar ao
valor característico do peso dos camiões consistente com essa informação,
nas seguintes situações:
a) Ponte pertencente à Classe de Fiabilidade RC2 (Consequências mé-

dias), a que corresponde β = 3.8 em 50 anos.
b) Ponte pertencente à Classe de Fiabilidade RC1 (Consequências ele-

vadas), a que corresponde β = 4.3 em 50 anos.
Considere γSd = 1.15.
Resolução
a) É necessário estimar o coeciente de variação dos máximos em 50

anos. Recorrendo ao método de MC, estima-se que os máximos em
50 anos têm uma média de 56.5 ton e um desvio padrão de 1.9 ton
(ver Exemplo 6.3, p. 76.), e portanto um coeciente de variação
V = 1.9/56.5 = 0.034. Assim, considerando α = −0.70 e β = 3.8,
vem:

1 − 0.78 × 0.034 0.58 + ln(− ln Φ(0.70 × 3.8))
γf =
1 + 1.867 × 0.034
= 1.06.
Considerando γSd = 1.15, obtém-se nalmente:
γF = γSd × γf = 1.15 × 1.06 = 1.22.

b) O cálculo é semelhante, mas considerando β = 4.3. Vem:

1 − 0.78 × 0.034 0.58 + ln(− ln Φ(0.70 × 4.3))
γf =
1 + 1.867 × 0.034
= 1.09.
Considerando novamente γSd = 1.15, obtém-se:
γF = γSd × γf = 1.15 × 1.09 = 1.25.
Comentário: É interessante notar que consideração da classe de abi-

lidade RC1 (consequências elevadas) traduziu-se num agravamento rela-
tivamente pequeno do coeciente parcial de segurança (não chegou a 2%
de agravamento).
Anexo A
Distribuições de probabilidade
discretas
A.1 Distribuição de Bernoulli

Começa-se por introduzir o conceito de sequência de Bernoulli. Chama-se
sequência de Bernoulli a uma sequência de realizações (ou tentativas) de uma
experiência aleatória, na qual:
1. Cada tentativa tem apenas 2 resultados possíveis: designados sucesso e

insucesso.
2. A probabilidade de sucesso, p, é a mesma em cada tentativa.
3. As sucessivas tentativas são independentes entre si.
X = {0, 1} uma variável aleatória associada a uma sequência de Ber-

Seja
noulli, em que X = 0 signica insucesso e X = 1 signica sucesso. Seja p a
probabilidade de sucesso. Diz-se então que X tem distribuição de Bernoulli
com parâmetro p e escreve-se X ∼ Ber(p).
A FMP é dada por:
P (X = x) = px (1 − p)1−x , x ∈ {0, 1} (A.1)
e os momentos são:
µX = p (A.2)
2
σX = p (1 − p). (A.3)
A.2 Distribuição Binomial

Considere-se uma sequência de Bernoulli constituída por n tentativas, com
probabilidade de sucesso de uma tentativa igual a p. Seja X = {n.o de sucessos
nas n tentativas}. Diz-se então que X tem uma distribuição Binomial com
parâmetros n e p e escreve-se X ∼ Bin(n, p).
A FMP é dada por:

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)
A.3 Distribuição Geométrica

Considere-se uma sequência de Bernoulli constituída por um número innito
de tentativas, com probabilidade de sucesso de cada tentativa igual a p. Seja
X= {Número de tentativas até ao 1.o sucesso}. Diz-se então que X tem uma
distribuição geométrica com parâmetro p e escreve-se X ∼ Geo(p).
A FMP é dada por:
P (X = x) = p (1 − p)x−1 , x ∈ {0, 1, 2, . . . } (A.7)
e os momentos são:
µX = 1/p (A.8)
2 1−p
σX = . (A.9)
p2
A distribuição Geométrica tem a seguinte propriedade:
P (X ≥ k + c | X > k) = P (X > c). (A.10)
Esta propriedade costuma enunciar-se armando que a distribuição geométrica

não tem memória.
A.4 Distribuição de Poisson

Seja X = {Número de eventos que ocorrem num dado intervalo de tempo}.
o
Seja λ > 0 o n. médio de eventos que ocorrem nesse intervalo de tempo. Se
o número x de eventos que ocorrem em sucessivos intervalos de tempo forem
independentes entre si e possuir a mesma média diz-se que a variável X possui
distribuição de Poisson com parâmetro λ e escreve-se X ∼ Poi(λ).
A FMP é dada por:
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)
A distribuição de Poisson verica a seguinte propriedade: seja X1 , . . . , Xn

uma sequência de variáveis independentes, em que Xi ∼ Poi(λi ). Então,
(X1 + · · · + Xn ) ∼ Poi(λ1 + · · · + λn ). (A.14)

Distribuição de Poisson 169
Uma consequência imediata desta propriedade é a seguinte: seja λ o número

médio de eventos por unidade de tempo (um segundo, uma hora, um dia, etc.).
Seja∆t um intervalo de tempo envolvendo várias dessas unidade de tempo e
X = {Número de eventos no intervalo ∆t}. Então X ∼ Poi(λ∆t), e portanto
e−λ∆t (λ∆t)x
P (X = x) = . (A.15)
x!
Anexo B
Distribuições de probabilidade
contínuas
O presente Anexo contém uma descrição sucinta dos modelos probabilísticos

de variáveis contínuas usados ao longo do texto . Esses modelos pertencem à
categoria dos chamados modelos paramétricos, porque em geral dependem de
um ou mais parâmetros. Consoante as funções que desempenham, os parâme-
tros poderão ser: (1) de localização, (2) de escala ou (3) de forma. Para fazer
um correto uso dos modelos é importante entender essas funções. Justica-se
pois fazer uma breve recapitulação dos diferentes tipos de parâmetros.
Seja X uma variável aleatória e sejam fX (x) eFX (x) as suas FDP e FDC,
respetivamente. Seja Y = g(X) uma função de X . Naturalmente Y , por ser
função de variável aleatória, é também variável aleatória. Considere-se o caso
muito comum da transformação linear Y = a + bX . Determinemos a FDP de
Y a partir da FDP de X. Tem-se:
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
Os parâmetros a e b podem ser vistos como parâmetros do modelo fY (y). Para

enfatizar que este modelo depende dos parâmetros a e b, por vezes escreve-se
fY (y | a, b).
Para o caso particular em que b = 1, a que corresponde a transformação,
Y = X + a, obtém-se fY (y) = fX (y − a). Assim, a transformação Y = X +
a provoca apenas uma translação na distribuição de probabilidade, afetando
apenas a média. O desvio padrão e a forma básica da distribuição permanecem
inalterados. O parâmetro a diz-se por isso um parâmetro de localização.
171
172 Distribuições de probabilidade contínuas
Considere-se agora o caso particular Y = bX . Neste caso fY (y) = 1b fX ( yb ).

Ou seja, a transformação Y = bX provoca essencialmente um esticamento
na horizontal e um encolhimento na vertical. A média e o desvio padrão são
afetados, mas a forma básica da distribuição permanece a mesma. O parâmetro
b diz-se por isso um parâmetro de escala.
Quando um parâmetro não é de localização, nem de escala, diz-se parâ-
metro de forma. Para além de afetar a forma da FDP, este parâmetro afeta
naturalmente a média e o desvio padrão.
Em resumo, os parâmetros dos modelos probabilísticos classicam-se nas
seguintes categorias:
Parâmetro de localização : um parâmetro é de localização quando uma

alteração no seu valor provoca apenas uma translação na distribuição de
probabilidade, afetando a média, mas não a variância.
Parâmetro de escala : um parâmetro é de escala quando uma alteração
no seu valor estica ou encolhe a FDP. O parâmetro de escala afeta dire-
tamente a variância (e eventualmente a média), mas a forma básica da
distribuição permanece a mesma.
Parâmetro de forma : um parâmetro é de forma quando não é de localiza-
ção nem de escala. Uma alteração num parâmetro de forma provoca uma
alteração signicativa na distribuição, incluindo as suas propriedades (a
simetria, por exemplo).
Muitas distribuições não possuem parâmetro de forma, o que signica que

os diferentes membros da família possuem a mesma forma básica. Também,
algumas distribuições são apresentadas tradicionalmente sem parâmetro de
localização ou de escala. Por exemplo, considere-se a distribuição exponencial,
cuja FDP é dada por:
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.
B.1 Distribuição Uniforme

Definição
Diz-se que uma variável contínua tem distribuição Uniforme (ou Difusa) com
parâmetros a e b quando a sua FDP for uma constante no intervalo ]a, b[, isto
é, quando for dada por:
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
Figura B.1 Distribuições pertencentes à família Uniforme.
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
Função distribuição inversa
FX−1 (p) = a + (b − a)p (B.8)
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
B.2 Distribuição Normal

Definição
Diz-se que uma variável X tem distribuição Normal (ou Gaussiana), com pa-
râmetros µ e σ, quando a sua FDP for dada por:
" #
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
Figura B.2 Distribuições pertencentes à família Normal.
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.
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:
Z ∼ N (0, 1) ⇒ (X = µ + σZ) ∼ N (µ, σ). (B.15)
A FDP da variável Normal reduzida é representada tradicionalmente por

ϕ(z), e a FDC por Φ(z). Portanto,
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
Assim, para avaliar a probabilidade P (X ≤ a) consulta-se uma tabela da

função Φ(z) no ponto z = (a − µX )/σX .
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
Para obter a inversa de FX (x) façamos y = Φ( x−µX

σX ), e resolvamos esta equação
em ordem a x. Vem:

x − µX x − µX
y=Φ ⇔ Φ−1 (y) =
σX σX
⇔ x = µX + σX Φ−1 (y).
Portanto, a inversa da distribuição cumulativa é dada por FX−1 (y) = µX +

σX Φ−1 (y), ou, usando para variável independente p em vez de y (o que tem
a vantagem de nos lembrar que o argumento da função inversa é uma pro-
babilidade, e portanto um número necessariamente compreendido entre 0 e
1):
FX−1 (p) = µX + σX Φ−1 (p). (B.20)
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)
Ou seja, qualquer combinação linear de variáveis normais e independentes é

ainda normal. Se as variáveis X1 , . . . , Xn forem dependentes, a soma é ainda
normal, porém, a variância da soma irá depender dos coecientes de correlação
entre as variáveis.
Seja X ∼ N(µ, σ). Determinemos P (X < µ + kσ). Tem-se:

µ + kσ − µ
P (X < µ + kσ) = Φ
σ
= Φ(k).
Portanto P (X < µ + kσ) só depende de k. Assim, para calcular P (X < a) só

precisamos de saber quantos desvios padrões a 1
dista da média . Por exemplo:
P (X < µ − σ) = Φ(−1) = 0.159,

P (X < µ − 2σ) = Φ(−2) = 0.023,
P (X < µ − 3σ) = Φ(−3) = 0.00135,
P (X < µ − 4σ) = Φ(−4) = 3.17 × 10−5 .
1
Isto acontece com qualquer distribuição que apenas tenha parâmetros de localização e
de escala.
Calculemos agora P (µ − kσ < X < µ + kσ). Tem-se:
P (µ − kσ < X < µ + kσ) = Φ(k) − Φ(−k)

= Φ(k) − (1 − Φ(k))
= 2Φ(k) − 1.
Por exemplo:
P (µ − σ < X < µ + σ) = 0.683,

P (µ − 2σ < X < µ + 2σ) = 0.954,
P (µ − 3σ < X < µ + 3σ) = 0.997.
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.
B.3 Distribuição Lognormal

Definição
Uma variável Y é Lognormal se, e somente se, a variável X = ln Y for Normal.
(Ver Figura B.3.)
Figura B.3 Denição da distribuição Lognormal.

Para indicar que uma variável Y tem distribuição Lognormal com parâme-
tros a e b usaremos a notação habitual: Y ∼ LN(a, b). Os parâmetros a e b são
Distribuição Lognormal 179
a média e o desvio padrão da variável normal subjacente (variável X = ln Y ),

isto é, a = µX e b = σX .
Função densidade de probabilidade

SejaX ∼ N(µX , σX ). Então, de acordo com a denição, (Y = eX ) ∼
LN(µX , σX ). Ora,
FY (y) = P (Y ≤ y)
= P (eX ≤ y)
= P (X ≤ ln y) (pois o logaritmo e uma função crescente)
= FX (ln y).
Derivando FY (y) fY (y) = (1/y)fX (ln y), e portanto:

obtém-se
" #
1 ln y − µX 2

1
fY (y) = √ exp − , (y > 0) (B.23)
2π σX y 2 σX
A Figura B.4 exemplica distribuições pertencentes à família Lognormal.
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
Figura B.4 Distribuições pertencentes à família Lognormal.
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)
Mediana = eµX (B.26)

2
µX −σX
Moda =e . (B.27)
Invertendo B.24 e B.25 obtém-se as expressões que permitem determinar µX

e σX , a partir de µY e σY :
   
µ2Y
 = ln  q µY
µX = ln  q , (B.28)
2 2
µ Y + σY 2
1 + VY
r q
σX = ln 1 + (σY /µY )2 = ln 1 + VY2 ,

(B.29)
VY = σY /µY . Para VY ≤ 0.30, ln 1 + VY2 ≈ VY2 . Então, neste caso

onde
podemos escrever σX ≈ VY .
O Parâmetro µX , do ponto de vista da variável Y , é um parâmetro de
escala, e o parâmetro σX é um parâmetro de forma. A distribuição Lognormal
não tem assim parâmetro de localização, mas é fácil acrescentar se houver
necessidade.
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
Esta expressão habilita-nos a usar uma tabela da distribuição Normal reduzida

para calcular probabilidades envolvendo uma variável Lognormal.

ln y−µX
Para obter a distribuição inversa de FY (y) façamos p = FY (y) = Φ σX
e resolvamos esta equação em ordem a y :

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)
Tem interesse expressar FY−1 (p) em função da média e coeciente de vari-

ação de Y. Recorrendo à Eq. (B.28) e (B.29), vem:
FY−1 (p) = exp µX · exp Φ−1 (p)σX

µY
q
−1 2

=q · exp Φ (p) ln 1 + VY (B.32)
1 + VY2
Para o caso de VY ≤ 0.30 é admissível a seguinte simplicação:
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.
B.4 Distribuição t-Student

Definição
Diz-se que uma variável T tem distribuição t-Student com ν graus de liberdade
quando a sua FDP for da forma:
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).
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
Figura B.5 Distribuições pertencentes à família t-Student .

Parâmetros
O Parâmetro ν, chamado número de graus de liberdade, é um parâmetro de
forma, e assume apenas valores inteiros positivos. A média e variância de T
são dadas por:
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:
T ∼ St(ν) ⇒ (X = a + bT ) ∼ St(a, b, ν), (B.42)
e, inversamente:

X −a
X ∼ St(a, b, ν) ⇒ T = ∼ St(ν). (B.43)
b
Distribuição t-Student 183
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

Para obter a inversa de FX (x | a, b, ν), façamos p = FT b . Resolvendo
esta equação em ordem a x, obtém-se:

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)
Assim como existem tabelas e software FT (t | ν),

que dão os valores de
existem também tabelas e software −1
que dão os valores de FT (p). (A função
MATLAB é tinv(p,n).)
Propriedades
A distribuição t-Student reduzida, tal como a distribuição Normal reduzida,
tem média nula e é simétrica, donde:
FT (−t) = 1 − FT (t). (B.46)
À medida que o número e graus de liberdade aumenta, a t-Student aproxima-

se da Normal, podendo escrever-se fT (t | ν) → ϕ(t) quando ν → ∞.
A distribuição Normal pode assim ser encarada como uma distribuição li-
mite da t-Student. Na prática para ν ≥ 30 considera-se aceitável a aproximação
FT (t | ν) ∼ ϕ(t), embora para valores muito baixos de t a diferença possa ser
importante.
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.
B.5 Distribuição Gumbel

Definição
Uma variável X tem distribuição Gumbel com parâmetros u e α quando a sua
FDP for da forma:
n o
fX (x | u, α) = α exp − α(x − u) − exp − α(x − u) (−∞ < x < +∞)
(B.47)
Para indicar que uma variável X tem distribuição Gumbel com parâmetros
u e α usaremos a notação X ∼ Gb(u, α). A Figura B.6 mostra diferentes FDP
pertencentes à família Gumbel.
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
Figura B.6 Distribuições pertencentes à família Gumbel.

Esta distribuição é também conhecida por distribuição tipo I de máximos,
e faz parte de um conjunto de 6 distribuições conhecidas como distribuições
de extremos: tipo I (máximos e mínimos), tipo II (máximos e mínimos) e
tipo III (máximos e mínimos). Madsen et al. (2006) contém uma boa síntese
das distribuições de extremos. A distribuição tipo III de mínimos é também
conhecida como distribuição Weibull.
Distribuição Gumbel 185
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)
Se se conhecer a média e o desvio padrão da população, os parâmetros u e

α pode ser determinados pelo método dos momentos, recorrendo às expressões:
√
6γ
u = µX − σX , (B.51)
π
π
α= √ . (B.52)
6 σX
A função FDC é dada por:
n o
FX (x | u, α) = exp − exp − α(x − u) . (−∞ < x < +∞) (B.53)

A inversa da FDC é dada por:
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)
Por exemplo, FX−1 (0.95) = µX + 1.866 σX .

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:
Xmax,1 ∼ Gb(u1 , α1 ) ⇒ Xmax,n ∼ Gb(un , αn ). (B.56)
Os parâmetros das variáveis Xmax,1 e Xmax,n estão relacionados entre si pelas

expressões:
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
Podemos também armar que o coeciente de variação diminui com o pe-

ríodo de referência. A expressão seguinte relaciona o coeciente de variação dos
máximos em n unidades de tempo com os máximos em 1 unidade de tempo:
π
Vn = π
√ . (B.59)
V1 + 6 ln n
Anexo C
Modelo de regressão linear

simples
A regressão linear é uma técnica estatística que permite estabelecer relações

probabilísticas entre uma variável de interesse e uma ou mais variáveis que
com ela tenham algum grau de dependência. Considere-se duas variáveis ale-
atórias, X e Y, e admita-se que se dispõe de uma amostra de cada variável,
respetivamente {x1 , . . . , xn } e {y1 , . . . , yn }. Se desejarmos vericar se há al-
guma dependência estatística entre as duas variáveis, uma forma qualitativa
de o fazer consiste em observar o diagrama de dispersão do conjunto de pontos
{(x1 , y1 ), . . . , (xn , yn )}. Observe-se a Figura C.1 (a).
Figura C.1 (a) Diagrama de dispersão de pontos (x , y ) e (b) parâmetros de regres-

são.
i i
O gráco sugere a existência de uma correlação entre X e Y: como se

observa, Y tende a aumentar com X segundo um modelo com a forma:
Y = β0 + β1 X + E, (C.1)
onde β0 e β1 denem a equação de uma reta (respetivamente, cota na origem

e inclinação) e E representa uma variável aleatória, designada erro ou resíduo
(Figura C.1 (b)). A teoria da regressão linear ocupa-se de modelos com essa
forma geral. A variável X diz-se variável independente e a variável Y diz-se
variável dependente.
O modelo acima diz-se modelo de regressão linear simples quando a variável
E possuir:
189
190 Modelo de regressão linear simples
1. valor esperado nulo;

2. variância constante, que não depende de X;
3. distribuição Normal.
O requisito de que a variância não deve depender de X é conhecido como

requisito da homocedasticidade. Em termos grácos este requisito traduz-se
numa banda de pontos (xi , yi ) com largura aproximadamente constante.
Designando por σ o desvio padrão de E e dado que E ∼ N , podemos
escrever E = σZ , onde Z é uma variável com distribuição Normal reduzida,
isto é, Z ∼ N (0, 1). Para um valor particular de X , digamos X = x, o modelo
de regressão expressa-se da seguinte forma:
Y | x = β0 + β1 x + σZ (C.2)
O valor esperado e variância de Y |x são naturalmente dados por:
E(Y | x) = β0 + β1 x
Var(Y | x) = σ 2
Por outro lado a variável Y |x tem distribuição Normal, podendo então

escrever-se:
Y | x ∼ N (β0 + β1 x, σ) (C.3)
A Figura C.2 representa gracamente o modelo de regressão linear acabado de

descrever.
Figura C.2 Representação gráca do modelo de Regressão linear

simples.
O objetivo da regressão consiste em, partindo de um conjunto de n pontos
(xi , yi ), estimar os parâmetros β0 , β1 e σ, designados parâmetros de regres-
são. As estimativas desses parâmetros representam-se por β̂0 , β̂1 e σ̂ , como
habitualmente.
Recorde-se de seguida as estimativas de mínimos quadrados dos parâmetros
191
de regressão, as quais garantem que a média dos resíduos é nula:
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
O coeciente de determinação tem a propriedade: 0 ≤ R2 ≤ 1. O caso R2 = 1

ocorre quando os resíduos são todos nulos, isto é, a variável X explica comple-
2
tamente a variável Y (modelo determinístico). O caso R = 0 ocorre quando
a reta de regressão é horizontal, isto é, quando o modelo não tem qualquer
utilidade na estimação de Y a partir do conhecimento de X (as variáveis são
independentes). Constata-se que o coeciente de determinação R2 é o qua-
drado do coeciente de correlação ρXY , denido anteriormente.
Voltando às estimativas dos parâmetros de regressão, deve-se ter presente
que, ao se substituir na Eq. (C.3) β0 , β1 e σ pelas suas estimativas, β̂0 , β̂1
e σ̂ , está a introduzir-se um erro, pois as estimativas dicilmente coincidirão
com os verdadeiros valores. Esse erro origina incerteza, chamada, recorde-
se, incerteza estatística. Esta incerteza é tida devidamente em conta através
do modelo preditivo, que no caso do modelo de regressão linear traduz-se na
modelação de Y |x por meio de uma distribuição t-Student de 3 parâmetros,
1
a saber :
Y | x ∼ St(a, b, ν), (C.5)
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
Note-se que quando n → ∞ o modelo preditivo expresso na Eq. (C.5) converge

para o modelo expresso na Eq. (C.3), que corresponde à não existência de
incerteza estatística na estimação dos parâmetros β0 , β1 e σ.
Uma forma alternativa de apresentar o modelo preditivo expresso na Eq.
(C.5) consiste em escrever Y | x = a + b Tn−2 , onde Tn−2 representa uma
variável t-Student reduzida com ν = n − 2 graus de liberdade. Substituindo os
valores a e b pelas expressões acima, tem-se:
s
1 (x − x̄)2
Y | x = β̂0 + β̂1 x + σ̂ 1+ + Tn−2 . (C.6)
n Sxx
O quantil p de Y |x é então determinado pela expressão:
s
1 (x − x̄)2
(Y | x)p = β̂0 + β̂1 x + σ̂ 1+ + tp,n−2 , (C.7)
n Sxx
onde tp,n−2 = FT−1

n−2
(p).
Bibliografia
Ang, A. and Tang, W. (2007). Probability Concepts in Engineering: Emphasis

on Applications to Civil and Environmental Engineering. Wiley.
Baptista, A. M. and Filipe, J. (2016). Tensão de cedência dos aços de varões
para betão armado. análise da sua distribuição estatística nas duas úlimas
décadas. In Encontro Nacional de Betão Estrutural (BE2016), Coimbra,
Portugal.
Benjamin, J. R. and Cornell, C. A. (1970). Probability, statistics and decision

for civil engineers. McGraw-Hill, New York.
Bernardo, J. M. and Smith, A. F. M. (1994). Bayesian Theory. John Wiley &

Sons, New York.
Borges, J. and Castanheta, M. (1985). Structural Safety: Course 101. Labo-

ratorio Nacional de Engenharia Civil (LNEC), Lisbon, Portugal.
Casas, J. R. and Wisniewski, D. (2013). Safety requirements and probabilistic

models of resistance in the assessment of existing railway bridges. Structure
and Infrastructure Engineering, 9(6):529545.
Ditlevsen, O. and Madsen, H. (1996). Structural Reliability Methods. Wiley.
EN 1991-1-7 (2006). Eurocode 1 Actions on structures Part 1-7: General

actions Accidental actions. Norma europeia, Comité Européen de Norma-
lization (CEN), Bruxelas.
Faber, M. (2012).Statistics and Probability Theory: In Pursuit of Engineering

Decision Support. Springer.
Hahn, G. and Shapiro, S. (1994). Statistical Models in Engineering. Wiley
Classics Library. Wiley.
ISO 13822 (2010). Bases for design of structures assessment of existing struc-
tures. Standard, International Organization for Standardization, Genève,
Switzerland.
ISO 13824 (2009). Bases for design of structures general principles on

risk assessment of systems involving structures. Standard, International
Organization for Standardization, Genève, Switzerland.
ISO 2394 (1998). General principles on reliability for structures. Standard,

International Organization for Standardization, Genève, Switzerland.
193
194 BIBLIOGRAFIA
ISO 2394 (2015). General principles on reliability for structures. Standard,

ISO 31000 (2009). Risk management principles and guidelines. Standard,

JCSS (2001a). Probabilistic Assessment of Existing Structures. RILEM, Ca-

chan, France. A publication of Joint Committee on Structural Safety (JCSS),
edited by D. Diamantidis.
JCSS (2001b). Probabilistic Model Code. Joint Committee on Structural Safety

(JCSS). Publication available from
www.jcss.byg.dtu.dk/Publications/Probabilistic_Model_Code.aspx.
Kiureghian, A. D. and Ditlevsen, O. (2009). Aleatory or epistemic? does it
matter? Structural Safety, 31(2):105 112.
Lauridsen, J., Jensen, J. S., and Enevoldsen, I. B. (2007). Bridge owner's bene-
ts from probabilistic approaches. Structure and Infrastructure Engineering,
3(4):281302.
Law, A. (2007). Simulation Modeling and Analysis. McGraw-Hill series in

industrial engineering and management science. McGraw-Hill.
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.
Melchers, R. (1999). Structural reliability: analysis and prediction. nd

Wiley, 2
edition.
Monteiro, A. and Gonçalves, A. (2008). Avaliação da resistência à compressão

do betão nas estruturas com base em ensaios esclerométricos. In Encontro
Nacional de Betão Estrutural (BE2008), Guimarães, Portugal.
Montgomery, D. and Runger, G. (2007). Applied Statistics and Probability for
Engineers. John Wiley & Sons, 4th edition.
NP EN 13791 (2008). Avaliação da resistência à compressão do betão nas estru-
turas e em produtos pré-fabricados. Norma portuguesa, Instituto Português
da Qualidade (IPQ), Caparica, Portugal.
NP EN 1990 (2009). Eurocódigo bases para o projecto de estruturas. Norma

portuguesa, Instituto Português da Qualidade (IPQ), Caparica, Portugal.
Paulino, C. D., Turkman, M. A., and Murteira, B. (2003). Estatística Bayesi-

ana. Fundação Calouste Gulbenkian, Lisboa.
Pedrosa, A. C. and Gama, S. M. A. (2016). Introdução Computacional à

Probabilidade e Estatística. Porto Editora.
Raia, H. and Schlaifer, R. (2000). Applied Statistical Decision Theory. Wiley

Classics Library. Wiley.
BIBLIOGRAFIA 195
RSA (1983). Regulamento de segurança e acções para estruturas de edifícios

e pontes (RSA). Decreto-lei n.
o 235/83, de 31 de maio, Impressa Nacional,
Casa da Moeda, Lisboa, Portugal.
Rubinstein, R. (1981). Simulation and the Monte Carlo Method. Wiley Series
in Probability and Statistics. Wiley.
Santiago, J. R., Basagoiti, L. M. O., Macías, J. C., and Arenas, J. M. D.

(2004). La corrosión de las armaduras y la vida residual de las estructuras
de hormigón. Seminário Inspeção e reparação de estruturas de betão
In
armado com corrosão, LNEC, Lisboa, Portugal.
Schneider, J. (2006). Introduction to Safety and Reliability of Structures.
IABSE, Zurich, 2
nd edition.
von Scholten, C., Enevoldsen, I., Arnbjerg-Nielsen, T., Randrup-Thomsen, S.,

Sloth, M., Engelund, S., and Faber, M. (2004). Reliability-based classi-
cation of the load carrying capacity of existing bridges. Report 291, Road
Directorate, Copenhagen, Denmark.
Vrouwenvelder, T. (2010). Assessment criteria for existing structures. Struc-

tural Engineering International, 17:6265.

Segurança de Estruturas Existentes - ISEL

Uploaded by

Document Information

Original Description:

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Segurança de Estruturas Existentes - ISEL

Uploaded by

Copyright:

Available Formats

2 Procedimentos em avaliações estruturais 7

3 Conceitos fundamentais de segurança estrutural 15

4 Conceitos elementares de probabilidade 23

4.5.5 Variáveis estatisticamente independentes . . . . . . . . . 48

5 Técnicas de estimação estatística 51

6 Método de Monte Carlo 65

7 Segurança estrutural como problema de decisão 79

8 Funtamentos da teoria da abilidade estrutural 85

9 Método FORM 115

10 Critérios de aceitação da abilidade 125

11 Modelação de Ações 133

12 Modelação estrutural e de resistências 149

13 Ajuste dos coecientes parciais de segurança 157

13.2.6 Comentários nais . . . . . . . . . . . . . . . . . . . . . 163

A Distribuições de probabilidade discretas 167

B Distribuições de probabilidade contínuas 171

C Modelo de regressão linear simples 189

As necessidades de manutenção e avaliação da segurança de estruturas exis-

1.1 Diferenças entre dimensionamento e avaliação

1. Incrementar a abilidade de uma estrutura existente tem, regra geral,

das ações variáveis preconizados na regulamentação, pois estes valores

Em vista destas diferenças, compreende-se a necessidade de existir regula-

1.2 Avaliação de condição versus avaliação

1. Avaliação de condição. A avaliação de condição visa fundamental-

2. Avaliação estrutural. A avaliação estrutural visa fundamentalmente o

A presente disciplina trata fundamentalmente deste segundo tipo de avali-

1. Existência de deterioração visível acentuada (corrosão, sinais de fadiga,

1.3 Conceitos de reparação, reforço e reabilitação

1.4 O uso de métodos probabilísticos em avaliações

Todavia, na área da segurança de estruturas existentes, a tendência atual é

1.5 Objetivos da presente disciplina

2.1 Recomendações da ISO

Estudo da documentação existente.

Se a avaliação preliminar não for conclusiva, deve passar-se à avaliação

Análise pormenorizada da documentação existente.

Figura 2.1 Procedimento recomendado pela ISO para avaliações da segurança de

Determinação das propriedades dos materiais.

Qualquer das fases anteriores termina com a produção de um relatório

Medidas do lado da construção:

 Reabilitação (reparação e/ou reforço).

Medidas do lado da operação:

2.2 Recomendações do JCSS

a intensicação da monitorização ou ainda, como medida mais drástica, a de-

Figura 2.2 Procedimento recomendado pela JCSS para ava-

2.3 Recomendações de projetos de investigação

Tabela 2.1 Níveis de avaliação propostos pelo projeto BRIME (adaptado)

2.4 Síntese das recomendações de organismos

Uma avaliação estrutural deve realizar-se por etapas de complexidade

Em resumo, uma avaliação estrutural deve ser realizada de acordo com o

Início. Uma avaliação estrutural deve iniciar-se com a especicação clara

Fase 1 — Avaliação preliminar. Nesta fase efetuam-se vericações su-

Fase 2 — Avaliação detalhada. Nesta fase empregam-se modelos mais

Fase 3 — Estruturas de grande importância. A fase 3 terá sempre

2.5 Relatório de avaliação

Nesta secção faz-se uma breve descrição da estrutura avaliada, incluindo a

Esta secção faz uma descrição pormenorizada de todo o trabalho envol-

Deve-se também descrever as inspeções realizadas no âmbito da avalia-

Esta secção apresenta todos os cálculos efetuados, incluindo a indicação

intervenção disponíveis. Quaisquer incertezas remanescentes ou necessi-

O relatório termina com a indicação das principais conclusões do estudo

3.1 Requisitos básicos para as estruturas

1. Segurança: As estruturas devem ser capazes de resistir a cenários de

8 Funtamentos da teoria da abilidade estrutural 85

10 Critérios de aceitação da abilidade 125

13 Ajuste dos coecientes parciais de segurança 157

13.2.6 Comentários nais . . . . . . . . . . . . . . . . . . . . . 163

1. Incrementar a abilidade de uma estrutura existente tem, regra geral,

Reabilitação (reparação e/ou reforço).

a intensicação da monitorização ou ainda, como medida mais drástica, a de-

Início. Uma avaliação estrutural deve iniciar-se com a especicação clara

Fase 1 — Avaliação preliminar. Nesta fase efetuam-se vericações su-

(ações com probabilidade signicativa de ocorrência) durante a sua vida

parciais de segurança, que continua a ser o método principal de vericação da

Os fatores γF e γM designam-se por coecientes parciais de segurança, respe-

Figura 3.1 Representação esquemática do método dos Coecientes Parciais de Se-

Vericar a segurança ao EL de resistência do tirante face a uma carga

abordagem totalmente probabilística, a vericação da segurança em relação a

Como cou bem patente nos capítulos anteriores, os métodos probabilísticos

O primeiro axioma arma que a probabilidade é um número compreendido

Da denição de probabilidade condicionada obtém-se imediatamente o cha-