Técnicas de Amostragem Inteligente em Simulação de Monte Carlo

UNIVERSIDADE DE SO PAULO
ESCOLA DE ENGENHARIA DE SO CARLOS

Departamento de Engenharia de Estruturas
KETSON ROBERTO MAXIMIANO DOS SANTOS
Tcnicas de amostragem inteligente

em simulao de Monte Carlo
So Carlos, 2014
KETSON ROBERTO MAXIMIANO DOS SANTOS
Tcnicas de amostragem inteligente

em simulao de Monte Carlo
VERSO CORRIGIDA
A verso original encontra-se na Escola de Engenharia de So Carlos
Dissertao apresentada Escola de Engenharia de

So Carlos da Universidade de So Paulo, como
parte dos requisitos para a obteno do Ttulo de
Mestre em Cincias, Programa de Engenharia Civil
(Engenharia de Estruturas).
Orientador: Prof. Assoc. Andr Tefilo Beck
So Carlos, 2014
minha me Ccera, meu pai Jos

Roberto e em especial minha av Nair
Rosa (in memoriam)
AGRADECIMENTOS
Agradeo primeiramente a Deus pela sabedoria dada, necessria para a concluso de
mais esta etapa. Aos meus pais Ccera e Jos Roberto, por todo o apoio e dedicao durante
esta caminhada. minha tia Luzia, por ser to presente e preocupada. A toda minha famlia,
pelo apoio incondicional, mesmo nos momentos difceis. minha namorada Hlia, que
apesar de minha ausncia e distncia se mostrou companheira pelo incentivo e dedicao para
que esse trabalho pudesse ser concludo com xito.
Ao professor Andr Beck, pelos ensinamentos, incentivo e disponibilidade,
fundamentais no desenvolvimento deste trabalho. Aos professores Rodrigo Ribeiro Paccola e
Edson Denner Leonel, pelos bons comentrios durante o exame de qualificao e pela
disponibilidade. Ao professor Wellison Gomes, pela disponibilidade em sanar algumas
dvidas e pelas sugestes dadas. banca examinadora formada pelos professores Rafael
Holdorf Lopez e Marcelo Areias Trindade pelas sugestes dadas durante a defesa.
Aos Amigos do Departamento de Engenharia de Estruturas da Escola de Engenharia de
So Carlos, pelos bons momentos vividos na cidade de So Carlos. Aos amigos da Repblica
Alagoas, Cleilson Bernardino, Emerson Accio, Gregrio Felipe, Marcell Gustavo,
Nichollas e Ricardo Sampaio por esse tempo de partilha e convivncia. Aos amigos Andr
Vieira, Carlinhos Moreira, Arthur lax, Pablo Augusto, Rafael Nio, Srgio Callejas, Hugo
Oliveira, Matheus Fernandes, Fernando Vecchio, Elias Testoni, Laurenn Borges e Henrique
Kroetz. banda cigana que de maneira geral alegrou os churrascos nas repblicas So
Carlenses.
Aos professores e amigos do departamento de Fsica da Universidade Federal de
Alagoas, Tssius Maciel, Eliel Gomes, Jos Maria, Tlio Amncio, Eduardo Macena,
professor Carlos Jacinto e professora Maria Tereza. Aos amigos e professores do Centro de
Tecnologia (CTEC) da Universidade Federal de Alagoas, do Laboratrio de Computao
Cientfica e Visualizao (LCCV) e do Programa de Formao de Recursos Humanos da ANP
(PRH-40), em especial ao Heleno Pontes, Yna Almeida e ao Lucas Gouveia.
E a tantos outros que no cabem em apenas uma folha.
Ao CNPq pelo auxilio financeiro.
Ketson Roberto
RESUMO
SANTOS, K. R. M. Tcnicas de amostragem inteligente em simulao de Monte Carlo.
Dissertao (Mestrado Engenharia de Estruturas), 2014 Escola de Engenharia de So
Carlos, Universidade de So Paulo, So Paulo, 2014.
A confiabilidade de estruturas apresenta slidos desenvolvimentos tericos e crescentes
aplicaes prticas. Durante os ltimos anos, avanos significativos foram obtidos em termos
dos mtodos de transformao (FORM, SORM), bem como em termos das tcnicas de
simulao de Monte Carlo. Mtodos de transformao se mostraram eficientes para
problemas de dimenses e nolinearidades moderadas. J tcnicas de simulao sempre
permitiram a soluo de problemas de grandes dimenses e fortemente no lineares, embora o
custo computacional possa ser uma sria limitao. Com o avano da capacidade de
processamento dos computadores e com o desenvolvimento de tcnicas de amostragem
inteligente, a simulao de Monte Carlo passa a ser cada vez mais vivel. Este trabalho tem
por objetivo estudar e programar em computador tcnicas de amostragem inteligente em
simulao de Monte Carlo. O StRAnD um programa de computador que j possui
implementadas as tcnicas de simulao de Monte Carlo Bruto e com Amostragem por
Importncia, ambas utilizando a Amostragem Simples na gerao das variveis bsicas.
Assim, so adicionadas, ao StRAnD, as tcnicas de Amostragem Assinttica, Amostragem
Melhorada e Simulao de Subconjuntos. Alm disso, so programadas as tcnicas de
Amostragem por Hipercubo Latino e Amostragem por Variveis Antitticas. Nesta
dissertao, so analisados seis problemas distintos, de forma que as vantagens e
desvantagens de cada tcnica sejam avaliadas, em termos da probabilidade de falha, do
coeficiente de variao da probabilidade de falha, do erro relativo da probabilidade de falha e
do tempo de processamento.
Palavras-chave: Confiabilidade de Estruturas, Mtodo de Monte Carlo, Amostragem
Inteligente.
ABSTRACT
SANTOS, K. R. M. Intelligent sampling techniques in Monte Carlo simulation.
Dissertation (Master Structural Engineering), 2014 So Carlos School of Engineering,
University of So Paulo, So Paulo, 2014.
The structural reliability presents solid theoretical developments and increasing practical
applications. During the past few years, significant advances were achieved in terms of
transformation methods (FORM and SORM), as well as, in terms of Monte Carlo Simulation.
Transformation methods are effective in problems with moderate dimensions and moderate
nonlinearities. On the other hand, simulation techniques can be used to solve highdimensional problems and highly nonlinear problems, although the computational cost could
be a serious limitation. With the progress of computer processing capacity and with the
development of intelligent sampling techniques, the Monte Carlo Simulation becomes
increasingly feasible. This work aims to study and program intelligent sampling techniques in
Monte Carlo simulation. The StRAnD (Structural Reliability Analysis and Design) software
already has Crude Monte Carlo and Importance Sampling Monte Carlo, both using Simple
Sampling as basic samples generator. Thus, the Asymptotic Sampling technique, the
Enhanced Sampling technique and the Subset Simulation were added to the software.
Moreover, the Latin Hypercube Sampling technique and the Antithetic Variates techniques
were also added to the software. Six problems were evaluated in order to evaluate the
advantages and disadvantages of each technique, in terms of probability of failure, coefficient
of variation of the probability of failure, relative error and processing time.
Keywords: Structural Reliability, Monte Carlo method, Intelligent Sampling.
LISTA DE FIGURAS
Figura 1. Equao de estado limite e domnios de falha e segurana (BECK, 2012). ................ 52
Figura 2. Teste de uniformidade: a) i=1.000 e b) i=10.000 ( esquerda). ................................... 63
Figura 3. Gerador:
Figura 4. Gerador:
Figura 5. Gerador:
(509, 10, 0)............................................................................................ 64

(31, 3, 0). ............................................................................................... 64
(31, 13, 0). ............................................................................................. 64
Figura 6. Gerador RANDU:

(231 1, 65.539, 0). ............................................................. 65
(231 1, 65.539, 0). ............................................................. 65
Figura 8. Gerador implementado no StRAnD:
(231 1, 41.358, 0). ................................. 66
Figura 9. Gerao de nmeros aleatrios com distribuio prescrita (BECK, 2012). ................ 67
Figura 10. Grfico de convergncia da probabilidade de falha pela simulao do Monte Carlo Bruto,
no Exemplo 1. ............................................................................................................................. 71
Figura 11. Amostragem estratificada (HURTADO; BARBAT, 1998). ...................................... 73
Figura 12. Amostragem por hipercubo latino (HURTADO; BARBAT, 1998). ......................... 73
Figura 13. Hipercubo Latino para duas variveis e cinco realizaes (OLSSON; SANDEBERG;
DAHLBLOM, 2003). .................................................................................................................. 74
Figura 14. Histograma de frequncia na a) Amostragem Simples, b) Amostragem por Variveis
Antitticas e c) Amostragem por Hipercubo Latino. .................................................................. 75
Figura 15. Comparativo da convergncia do Monte Carlo Bruto com a Amostragem por Importncia,
no Exemplo 1. ............................................................................................................................. 77
Figura 16. Convergncia do Monte Carlo com Amostragem por Importncia, no Exemplo 1... 77
Figura 17. Vetor do ponto de projeto. ......................................................................................... 78
Figura 18. Hipercubo Latino original e transformado, adaptado de (OLSSON; SANDEBERG e
DAHLBLOM, 2003). .................................................................................................................. 79
Figura 19. Amostragem por importncia utilizando pontos de projeto (BECK, 2012)............... 80
Figura 20. Ilustrao do ajuste no linear realizado nas duplas ,
. ........................................ 81
Figura 21. Parametrizao dos desvios-padro das variveis aleatrias (SICHANI; NIELSEN;
BUCHER, 2011b). ...................................................................................................................... 83
Figura 22. Distribuies de probabilidade parametrizadas das variveis: Capacidade (C) e Demanda
(D). .............................................................................................................................................. 84
Figura 23. Gerao de subconjuntos via cadeias de Markov....................................................... 89

Figura 24. Regresso no linear utilizada na Amostragem Assinttica para amostras de tamanho
2103, no Exemplo 1. .................................................................................................................. 95
Figura 25. Regresso no linear utilizada na Amostragem Assinttica para amostras de tamanho 105,
no Exemplo 1............................................................................................................................... 95
Figura 26. Regresso no linear utilizada na Amostragem Melhorada para amostras de tamanho 2103,
no Exemplo 1............................................................................................................................... 97
Figura 27. Regresso no linear utilizada na Amostragem Melhorada para amostras de tamanho 105, no
Exemplo 1.................................................................................................................................... 97
Figura 28. Subconjuntos gerados na Simulao de Subconjuntos, para o Exemplo 1. ............. 100
Figura 29. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Simples, no
Exemplo 1.................................................................................................................................. 101
Figura 30. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Hipercubo
Latino, no Exemplo 1. ............................................................................................................... 101
Figura 31. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Variveis
Antitticas, no Exemplo 1. ........................................................................................................ 101
Figura 32. Comparativo da convergncia da Pf (a) e de C.V. (b) para o Monte Carlo Bruto, no
Exemplo 1.................................................................................................................................. 102
Figura 33. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Importncia,
no Exemplo 1............................................................................................................................. 102
Figura 34. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Assinttica, no
Exemplo 1.................................................................................................................................. 103
Figura 35. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Melhorada, no
Exemplo 1.................................................................................................................................. 103
Figura 36. Comparativo da probabilidade de falha para uma amostra de tamanho 9.200, no Exemplo 1.
................................................................................................................................................... 105
Figura 37. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 1: Monte
Carlo Bruto (a) e Amostragem por Importncia (b). ................................................................. 106
Figura 38. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 1:
Amostragem Assinttica (a) e Amostragem Melhorada (b). ..................................................... 106
Figura 39. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 1: Simulao
de Subconjuntos (a) e comparativo entre todas as tcnicas(b). ................................................. 106
Figura 40. FDP da varivel Demanda (D) e FDA da varivel Capacidade (C), para o Exemplo 2.108
Figura 41. Curva a ser integrada no clculo da probabilidade de falha, no Exemplo 2. ........... 109
Figura 42. Regresso no linear na Amostragem Assinttica, para o Exemplo 2..................... 110
Figura 43. Espao amostral parametrizado utilizando a Amostragem Assinttica, no Exemplo 2.110
Figura 44. Relao entre o ndice de confiabilidade, relativo area do domnio de falha, e o parmetro
f, na Amostragem Assinttica, para Exemplo 2. ....................................................................... 111
Figura 45. Regresso no linear na Amostragem Melhorada, para o Exemplo 2. .................... 112
Figura 46. Limite de falha parametrizado, para o Exemplo 2. .................................................. 112
Figura 47. rea relativa do domnio de falha parametrizado, para o Exemplo 2...................... 113
Figura 48. Subconjuntos gerados via cadeias de Markov por meio do algoritmo de MetropolisHastings Modificado. ................................................................................................................ 114
Figura 49. Comparativo da convergncia de Pf para o Monte Carlo Bruto com Amostragem Simples e
com Amostragem por Hipercubo Latino, para o Exemplo 2. ................................................... 114
com Amostragem por Variveis Antitticas, para o Exemplo 2. .............................................. 115
Figura 51. Comparativo da convergncia de Pf para o Monte Carlo Bruto com Amostragem por
Hipercubo Latino e com Amostragem por Variveis Antitticas, para o Exemplo 2. .............. 115
Figura 52. Coeficiente de variao da probabilidade de falha na Amostragem por Importncia, para o
Exemplo 2. ................................................................................................................................ 116
................................................................................................................................................... 117
comparativo entre todas as tcnicas (a) e Monte Carlo Bruto (b). ............................................ 118
Figura 55. Limite de falha e os domnios de falha e segurana, para o Exemplo 3. ................. 118
Figura 56. Regresso no linear utilizada na Amostragem Assinttica para amostras de tamanho
3103, no Exemplo 3. ................................................................................................................ 119
no Exemplo 3. ........................................................................................................................... 120
no Exemplo 3. ........................................................................................................................... 121
no Exemplo 3. ........................................................................................................................... 121
Figura 60. Simulao de Subconjuntos: Amostragem Simples, no Exemplo 3. ....................... 123
Figura 61. Simulao de Subconjuntos: Amostragem por Hipercubo Latino, no Exemplo 3. . 123
Figura 62. Simulao de Subconjuntos: Amostragem por Variveis Antitticas, no Exemplo 3.123
Exemplo 3.................................................................................................................................. 124
Exemplo 3.................................................................................................................................. 125
no Exemplo 3............................................................................................................................. 126
Exemplo 3.................................................................................................................................. 126
Exemplo 3.................................................................................................................................. 126
................................................................................................................................................... 128
no Exemplo 4............................................................................................................................. 132
no Exemplo 4............................................................................................................................. 132
no Exemplo 4............................................................................................................................. 133
no Exemplo 4............................................................................................................................. 134
Exemplo 4.................................................................................................................................. 135
Exemplo 4. ................................................................................................................................ 137
no Exemplo 4. ........................................................................................................................... 137
Exemplo 4. ................................................................................................................................ 138
Exemplo 4. ................................................................................................................................ 138
................................................................................................................................................... 140
Amostragem Assinttica (a) e Amostragem Melhorada (b). .................................................... 141
Figura 89.Ilustrao da trelia hiperesttica estudada. .............................................................. 143
Figura 90. Convergncia para a Amostragem por Importncia, no Exemplo 5. ....................... 145
no Exemplo 5. ........................................................................................................................... 145
no Exemplo 5. ........................................................................................................................... 146
no Exemplo 5. ........................................................................................................................... 147
no Exemplo 5. ........................................................................................................................... 147
Exemplo 5. ................................................................................................................................ 149
Exemplo 5.................................................................................................................................. 150
Exemplo 5.................................................................................................................................. 151
Exemplo 5.................................................................................................................................. 151
Figura 101. Comparativo da probabilidade de falha para uma amostra de tamanho 3.700, no Exemplo
5. ................................................................................................................................................ 153
Simulao de Subconjuntos (a) e comparativo entre todas as tcnicas(b). ............................... 154
Figura 105. Torre analisada e ns de referncia, para o Exemplo 6. ......................................... 155
Figura 106. Diagrama fator de carga deslocamento. .............................................................. 156
Figura 107. Regresso no linear utilizada na Amostragem Assinttica, para amostras de tamanho 105,
no Exemplo 6............................................................................................................................. 159
no Exemplo 6............................................................................................................................. 160
Figura 109. Simulao de Subconjuntos: Amostragem Simples. .............................................. 162
Figura 110. Simulao de Subconjuntos: Amostragem por Hipercubo Latino. ........................ 162
Figura 111. Simulao de Subconjuntos: Amostragem por Variveis Antitticas. ................... 163
Exemplo 6.................................................................................................................................. 163
Exemplo 6.................................................................................................................................. 165
no Exemplo 6............................................................................................................................. 165
Exemplo 6. ................................................................................................................................ 166
Exemplo 6. ................................................................................................................................ 166
Figura 119. Comparativo da probabilidade de falha para uma amostra de tamanho 14.800, no Exemplo
6. ................................................................................................................................................ 168
Figura 120. Comparativo dos tempos de processamento (em segundos) das tecnicas empregadas no
Exemplo 6, para uma amostra de tamanho 14.800.................................................................... 170
Figura 121. Diagrama bsico do StRAnD. ................................................................................ 179
Figura 122. Dado de sada do StRAnD: Amostra aleatria a) 2-D e b) 3-D. ............................ 187
Figura 123. Dado de sada do StRAnD: gerao de subconjuntos na simulao de subconjuntos, no
Exemplo 1. ................................................................................................................................ 188
Figura 124. Dado de sada do StRAnD: Graficos de convergncia, no Exemplo 1. ................. 189
Figura 125. Dado de sada do StRAnD: Graficos de regresso utilizando o modelo do Exemplo 1.
................................................................................................................................................... 190
Figura 126. Dado de sada do StRAnD: Ranking dos pontos amostrais do Hipercubo Latino Gerado.
................................................................................................................................................... 191
LISTA DE TABELAS
Tabela 1. Mdias e desvios padro das variveis aleatrias do Exemplo 1. ............................... 94
Tabela 2. Parmetros ajustados na Amostragem Assinttica, para o Exemplo 1........................ 96
Tabela 3. Probabilidade de falha e coeficiente de Variao da probabilidade de falha, para a
Amostragem Assinttica, no Exemplo 1. .................................................................................... 96
Tabela 4. Parmetros ajustados na Amostragem Melhorada, para uma amostra de tamanho 2103, no
Exemplo 1. .................................................................................................................................. 98
Exemplo 1. .................................................................................................................................. 98
Amostragem Melhorada, no Exemplo 1...................................................................................... 98
Tabela 7. Mdias e desvios padro do caminhante aleatrio do Exemplo 1. .............................. 99
Tabela 8. Comparativo da Pf para uma amostra de tamanho 9.200, no Exemplo 1. ................. 104
Tabela 9. Parmetros das variveis aleatrias do Exemplo 2.................................................... 108
Tabela 10. Mdias e desvios padro do caminhante aleatrio do Exemplo 2. .......................... 113
Tabela 11. Comparativo da Pf para uma amostra de tamanho 3.680, no Exemplo 2. ............... 116
Tabela 12. Mdias e desvios padro das variveis aleatrias do Exemplo 3. ........................... 119
Tabela 13. Parmetros ajustados na Amostragem Assinttica, para o Exemplo 3.................... 120
Amostragem Assinttica, no Exemplo 3. .................................................................................. 120
Exemplo 3. ................................................................................................................................ 122
Exemplo 3. ................................................................................................................................ 122
Amostragem Melhorada, no Exemplo 3.................................................................................... 122
Tabela 20. Mdias e desvios padro das variveis aleatrias do Exemplo 4. ........................... 131
Tabela 21. Parmetros ajustados na Amostragem Assinttica, para o Exemplo 4.................... 133

Exemplo 4.................................................................................................................................. 134
Exemplo 4.................................................................................................................................. 134
Amostragem Melhorada, no Exemplo 4. ................................................................................... 135
Tabela 27. Propriedades dos perfis de ao utilizados no Exemplo 5 (Verzenhassi, 2008)........ 142
Tabela 28. Mdias e coeficientes de variao das variveis aleatrias do Exemplo 5. ............. 144
Tabela 29. Parmetros ajustados na Amostragem Assinttica para o Exemplo 5. .................... 146
Exemplo 5.................................................................................................................................. 148
Exemplo 5.................................................................................................................................. 148
Amostragem Melhorada, no Exemplo 5. ................................................................................... 148
Tabela 35. Mdias e coeficientes de variao das variveis aleatrias do Exemplo 6. ............. 157
Tabela 36. Comparativo do uso de diferentes tcnicas de amostragem bsica no mtodo de Monte
Carlo Bruto, para uma amostra de 105, no exemplo 6. .............................................................. 158
Tabela 37. Comparativo do uso de diferentes tcnicas de amostragem bsica no mtodo de Monte
Carlo com Amostragem por Importncia, para uma amostra de 105, no exemplo 6. ................ 158
Tabela 38. Parmetros ajustados na Amostragem Assinttica para o Exemplo 6. .................... 160
Tabela 39. ndice de confiabilidade, probabilidade de falha, coeficiente de variao da probabilidade
de falha e tempo de processamento, para a Amostragem Assinttica, no Exemplo 6............... 160
Exemplo 6.................................................................................................................................. 161
Tabela 41. ndice de confiabilidade, probabilidade de falha, coeficiente de variao da probabilidade
de falha e tempo de processamento para a Amostragem Melhorada, no Exemplo 6. ............... 161
Tabela 43. Comparativo da Pf para uma amostra de tamanho 14.800, no Exemplo 6. ............. 167
Tabela 44. Comparativo da Pf, no Exemplo 6........................................................................... 168
Tabela 45. Tempo de processamento para o Exemplo 6, para uma amostra de tamanho 14.800.169
LISTA DE SIGLAS
AA Amostragem Assinttica
AAM Amostragem Melhorada com Amostragem por Variveis Antitticas
AASMC Amostragem Assinttica com Amostragem por Variveis Antitticas
AI Amostragem por Importncia
AISMC Amostragem por Importncia com Amostragem por Variveis Antitticas
ALHS Amostragem Assinttica com Amostragem por Hipercubo Latino
AM Amostragem Melhorada/ Amostragem Melhorada com Amostragem Simples
AM_LHS Amostragem Melhorada com Amostragem por Hipercubo Latino
ASIMC Monte Carlo Bruto com Amostragem por Variveis Antitticas
ASMC Amostragem Assinttica com Amostragem Simples
BRUTO Monte Carlo Bruto
FDA Funo de Distribuio Acumulada
FDP Funo de Densidade de Probabilidade
FORM First Order Reliability Method
GCL Gerador congruente linear
ILHS Amostragem por Importncia com Amostragem por Hipercubo Latino
ISMC Amostragem por Importncia com Amostragem Simples
LHS Latin Hypercube Sampling
MCMC Markov Chain Monte Carlo
SIMC Monte Carlo Bruto com Amostragem Simples
SLHS Monte Carlo Bruto com Amostragem por Hipercubo Latino
SORM Second Order Reliability Method
SS Simulao de Subconjuntos/ Simulao de Subconjuntos com Amostragem Simples
SSA Simulao de Subconjuntos com Amostragem por Variveis Antitticas
SSLHS Simulao de Subconjuntos com Amostragem por Hipercubo Latino
StRAnD Structural Reliability Analysis and Design
SUMRIO
1.
INTRODUO .................................................................................................................... 31
1.1.
Apresentao ................................................................................................................ 31
1.2.
Motivao ...................................................................................................................... 33
1.3.
Objetivos ....................................................................................................................... 33
1.3.1
Objetivos gerais .................................................................................................... 33
1.3.2.
Objetivos especficos ............................................................................................ 33
1.4.
Metodologia .................................................................................................................. 34
1.5.
Organizao do contedo ............................................................................................ 34
2.
REVISO BIBLIOGRFICA ............................................................................................ 37
3.
CONCEITOS DE PROBABILIDADE E ESTATSTICA ............................................... 43

3.1.
Axiomas da teoria de probabilidades ......................................................................... 43
3.2.
Probabilidades condicionais e independncia de eventos ......................................... 44
3.3.
Variveis aleatrias ...................................................................................................... 45
3.3.1.
Funo de distribuio acumulada de probabilidade ....................................... 45
3.3.2.
Funo densidade de probabilidade ................................................................... 46
3.3.3.
Momentos de uma varivel aleatria.................................................................. 46
3.3.4.
Mdia e varincia de amostras ............................................................................ 47
3.4.
Distribuio conjunta de probabilidades ................................................................... 48
3.4.1.
4.
CONFIABILIDADE DE ESTRUTURAS .......................................................................... 51

4.1.
Estados limites .............................................................................................................. 51
4.2.
4.3.
Problema fundamental da confiabilidade de estruturas....................................... 53

Mtodo de confiabilidade de primeira ordem ........................................................... 54
4.3.1.
4.4.
5.
Transformao composta utilizando o modelo de Nataf .................................. 56
Confiabilidade de sistemas .......................................................................................... 59
GERAO DE NMEROS ALEATRIOS .................................................................... 61

5.1.
Geradores de nmeros aleatrios ............................................................................... 61
5.1.1.
5.2.
6.
Momentos conjuntos entre variveis aleatrias................................................. 49
Geradores congruentes lineares .......................................................................... 62
Gerao de nmeros aleatrios com distribuio de probabilidade prescrita ....... 66
MTODO DE MONTE CARLO........................................................................................ 69

6.1.
Tcnicas de amostragem bsica .................................................................................. 70
6.1.1.
Amostragem simples............................................................................................. 70
6.1.2.
Amostragem por variveis antitticas ................................................................ 72
6.1.3.
Amostragem estratificada .................................................................................... 72
6.1.4.
Amostragem por hipercubo latino ...................................................................... 73
6.2.
Tcnicas de Amostragem Inteligentes......................................................................... 75
6.2.1.
6.2.1.1.
Amostragem por Importncia utilizando Hipercubo Latino .............................. 77
6.2.1.2.
Mltiplos modos de falha ................................................................................... 79
6.2.2.
Amostragem assinttica ....................................................................................... 80
6.2.3.
Amostragem melhorada ....................................................................................... 85
6.2.3.1.
6.2.4.
7.
Amostragem por Importncia utilizando pontos de projeto ............................ 76
Mltiplos modos de falha ................................................................................... 85

Simulao de subconjuntos .................................................................................. 86
6.2.4.1.
Coeficiente de Variao da probabilidade de falha ........................................... 89
6.2.4.2.
Gerao de Cadeias de Markov ......................................................................... 90
EXEMPLOS .......................................................................................................................... 93
7.1.
Exemplo 1: Capacidade-Demanda .............................................................................. 94
7.1.1.
Amostragem Assinttica ...................................................................................... 95
7.1.2.
Amostragem Melhorada ...................................................................................... 96
7.1.3.
Simulao de Subconjuntos ................................................................................. 98
7.1.4.
Anlise de convergncia ..................................................................................... 100
7.1.5.
Comparativo da probabilidade de falha e de seu coeficiente de variao ..... 104
7.1.6.
Tempo de processamento ................................................................................... 105
7.2.
Exemplo 2: Variveis Aleatrias Limitadas ............................................................. 107
7.2.1.
Amostragem Assinttica .................................................................................... 109
7.2.2.
Amostragem Melhorada .................................................................................... 111
7.2.3.
Simulao de Subconjuntos ............................................................................... 113
7.2.4.
7.2.5.
7.2.6.
Tempo de processamento ................................................................................... 117
7.3.
Exemplo 3: Equao de estado limite no linear ..................................................... 118
7.3.1.
7.3.2.
7.3.3.
7.3.4.
7.3.5.
7.3.6.
Tempo de processamento................................................................................... 129
7.4.
7.4.1.
7.4.2.
7.4.3.
7.4.4.
7.4.5.
7.5.
Exemplo 5: Trelia Hiperesttica ............................................................................. 142
7.5.1.
Amostragem por Importncia........................................................................... 144
7.5.2.
7.5.3.
7.5.4.
7.5.5.
7.5.6.
7.6.
8.
Exemplo 4: Equao de estado limite no linear com variveis aleatrias mistas130
Exemplo 6: Torre em Elementos Finitos .................................................................. 154
7.6.1.
7.6.2.
7.6.3.
7.6.4.
7.6.5.
7.6.6.
CONSIDERAES FINAIS ............................................................................................ 171

8.1.
Qualidade da resposta................................................................................................ 171
8.2.
Tempo de processamento........................................................................................... 172
8.3.
Sugestes para trabalhos futuros .............................................................................. 172
REFERNCIAS ......................................................................................................................... 175

APNDICE: StRAnD Manual de Usurio ........................................................................... 179
Entrada de dados no StRAnD ............................................................................................... 180
Sada de dados do StRAnD.................................................................................................... 186
31
1. INTRODUO
1.1.
Apresentao
Em engenharia, uma estrutura deve ser projetada de forma a obedecer alguns requisitos,
tais como: servio, segurana, robustez, econmico e social. Estes requisitos podem ser
explicitados por meio de equaes de estado limite, que determinam a fronteira entre o
domnio de falha e de segurana de uma estrutura. Assim, ao considerarmos as incertezas que
existem em cada parmetro de projeto, uma anlise determinstica no capaz de predizer o
quo segura a estrutura projetada. Desta forma, verifica-se a importncia da aplicao de
variabilidade s variveis de projeto de engenharia, o que nos leva ao estudo da confiabilidade
de estruturas (BECK, 2012).
A probabilidade de falha e o ndice de confiabilidade so obtidos atravs da anlise de
confiabilidade de estruturas. Diversas tcnicas tm sido desenvolvidas com o propsito de
estimar tais valores. Dentre estas tcnicas destacam-se o FORM (First Order Reliability
Method) e o SORM (Second Order Reliability Method). Estas tcnicas aproximam a equao
de estado limite no ponto de projeto por um hiperplano, no caso do FORM, ou por uma
hipersuperfcie quadrtica, no caso do SORM. A aproximao adotada pelo FORM e pelo
SORM, para equao de estado limite, pode conduzir a erros, principalmente quando a
equao de estado limite fortemente no linear. Assim, pode-se fazer uso da simulao de
Monte Carlo para se ter uma ideia do contedo de probabilidade que no est sendo levado
em considerao na estimativa da probabilidade de falha.
Utilizando o FORM ou o SORM, pode-se encontrar o ponto de projeto, que vem a ser o
ponto dentro do domnio de falha que possui o maior contedo de probabilidade, alm disso,
no espao normal padro ele o ponto com a menor distncia origem deste espao. Por isso,
o ponto de projeto bem indicado para se realizar a linearizao da equao de estado limite
no FORM; e para ser o ponto onde a funo de amostragem centrada, na tcnica de
Amostragem por Importncia. Vale lembrar que na Amostragem por Importncia, no
necessrio que a funo de amostragem seja centrada no ponto de projeto, porm, escolhas
erradas deste ponto podem levar obteno de resultados no consistentes. Desta forma,
quando no se pode definir bem o ponto de projeto, como nos casos em que a equao de
32
estado limite apresenta pontos equidistantes da origem do espao normal padro, necessrio
adotar tcnicas de simulao. Todavia, tcnicas de simulao podem ser proibitivas em
problemas que apresentem probabilidade de falha pequena e que envolvam: sistemas
estruturais, dimenso elevada, solues numricas no lineares, entre outros. Portanto, o
estudo de tcnicas de amostragem, que levem a obteno de boas respostas em termos de
probabilidade de falha com um menor esforo computacional, de grande relevncia dentro
da confiabilidade de estruturas.
Um dos objetivos das tcnicas de amostragem inteligente estimar probabilidades de
falha pequenas com a menor amostra possvel. Entre as tcnicas de amostragem inteligente
podemos
citar
Amostragem
por
Variveis
Antitticas
(Antithetic
Variates)
(HAMMERSLEY; MORTON, 1956), Amostragem por Importncia (Importance Sampling),

Amostragem por Hipercubo Latino (Latin Hypercube Sampling) (MCKAY; BECKMAN;
CONOVER, 1979), a Amostragem Assinttica (Asymptotic Sampling) (BUCHER, 2009),
Amostragem Melhorada (Enhanced Sampling) (NAESS; LEIRA; BATSEVYCH, 2009) e a
Simulao de Subconjunto (Subset Simulation) (AU; BECK, 2001). Pode-se tambm utilizar
algumas destas tcnicas em conjunto.
A Amostragem por Variveis Antitticas busca inserir uma correlao negativa em
relao a dois estimadores no tendenciosos da probabilidade de falha, reduzindo assim a
varincia da probabilidade de falha. A Amostragem por Importncia utilizando pontos de
projeto procura realizar uma amostragem na regio mais propensa falha, de forma que a
estimativa da probabilidade de falha apresente uma menor varincia. A Amostragem por
Hipercubo Latino tem por objetivo gerar amostras esparsas, de forma que uma distribuio
mais uniforme seja obtida. Assim, uma maior regio do espao amostral coberta. A
Amostragem Assinttica faz uso da propriedade assinttica que a probabilidade de falha tem
medida que os desvios padro das variveis aleatrias do problema tendem zero. A tcnica
de Amostragem Melhorada procura parametrizar a funo de estado limite e por meio de um
procedimento de extrapolao a probabilidade de falha estimada. J a tcnica de Simulao
de Subconjuntos tem como ideia fundamental substituir uma probabilidade de falha pequena
por um produto de probabilidades condicionais, desta forma, uma amostra menor requerida,
uma vez que as probabilidades condicionais so maiores que s do evento de falha original.
33
1.2.
Motivao
Em confiabilidade de estruturas no raro nos depararmos com problemas em que as

tcnicas aproximativas falham na estimativa da probabilidade de falha. Assim, se recorre
simulao, como o mtodo de Monte Carlo. Porm, nos problemas que possuem
probabilidade de falha pequena, a utilizao de amostragem simples pode levar a necessidade
da gerao de uma amostra aleatria muito grande. Tal fato pode ser proibitivo em alguns
problemas, devido ao elevado custo computacional, tal como em problemas que envolvam a
anlise de modelos numricos (e.g. Elementos Finitos, Elementos de Contorno, Diferenas
Finitas e etc.).
No uso de modelos numricos, o principal problema que para cada simulao de
Monte Carlo necessrio realizar uma simulao do modelo numrico. E se tais modelos
numricos utilizarem algoritmos iterativos (e.g. Newton-Raphson), que demandam um maior
esforo computacional, o problema se acentua, pois, muitas vezes necessrio realizar vrias
simulaes at que um evento raro seja observado.
Programar tcnicas que viabilizem a soluo dos problemas relatados anteriormente
uma tarefa de muita utilidade na confiabilidade de estruturas, e isto conduz aos objetivos do
presente trabalho.
1.3.
Objetivos
1.3.1 Objetivos gerais

Este trabalho tem por objetivo compilar, assimilar, programar em computador e
comparar as tcnicas de amostragem inteligente em simulao de Monte Carlo.
1.3.2. Objetivos especficos

1. Estudar, compreender e descrever as diferentes tcnicas de amostragem inteligente em
simulao de Monte Carlo;
2. Programar as tcnicas estudadas, no mdulo de simulao de Monte Carlo do
programa computacional StRAnD Structural Reliability Analysis and Design, que
escrito em linguagem Fortran com conceitos de programao orientada objeto em
sua verso estvel e atual;
34
3. Apresentar um estudo comparativo das tcnicas estudadas, em problemas que so

crticos no que se refere estimativa da probabilidade de falha.
1.4.
Metodologia
realizada uma reviso bibliogrfica com a finalidade de se encontrar e catalogar o que

tem sido realizado nos ltimos anos em relao s tcnicas de amostragem inteligente em
simulao de Monte Carlo. Alm disso, realizada uma busca dos estudos que deram origem
a tais tcnicas.
As tcnicas de amostragem inteligente so programadas no mdulo de simulao de
Monte Carlo do StRAnD.
Neste trabalho so estudadas as seguintes tcnicas de estimativa da probabilidade de
falha:
Monte Carlo Bruto;
Monte Carlo com Amostragem por Importncia utilizando pontos de projeto;
Amostragem Assinttica;
Amostragem Melhorada;
Simulao de Subconjuntos.
As tcnicas citadas podem ser empregadas com o uso da Amostragem Simples, da

Amostragem por Hipercubo Latino e da Amostragem por Variveis Antitticas, o que
propicia um bom nmero de combinaes entre as tcnicas.
Aps a programao das tcnicas, realizado um estudo comparativo do desempenho
destas, de maneira que as qualidades e deficincias sejam bem compreendidas. Isso servir de
base para que os usurios do StRAnD sejam capazes de utilizar as diferentes tcnicas de
amostragem inteligente na resoluo de diversos problemas de confiabilidade de estruturas.
1.5.
Organizao do contedo
Captulo 2: apresentada uma breve reviso bibliogrfica sobre o tema em
estudo, onde so citadas algumas obras fundamentais de forma a inserir o leitor
no universo da simulao de Monte Carlo e da confiabilidade de estruturas.
Captulo 3: So abordados os conceitos referentes teoria de probabilidades.
35
Captulo 4: So apresentados os conceitos que envolvem confiabilidade de

estruturas.
Captulo 5: abordada a gerao de nmeros aleatrios.
Captulo 6: apresentado o mtodo de Monte Carlo e so apresentadas as

tcnicas de amostragem inteligente.
Captulo 7: So apresentados alguns problemas a serem resolvidos com as

tcnicas estudadas. So realizados estudos comparativos em forma de grficos e
tabelas.
Captulo 8: So apresentadas as consideraes finais.
Apndice: realizada uma descrio de como feita a entrada e a sada de

dados do StRAnD.
36
37
2. REVISO BIBLIOGRFICA
Metropolis e Ulam (1949), no artigo intitulado de The Monte Carlo method, descrevem
um mtodo que essencialmente uma abordagem estatstica do estudo de equaes integrais e
diferenciais que ocorrem em vrios ramos das cincias naturais. Os autores passam a
distinguir os fenmenos que tratam da interao entre partculas, que descrito pela mecnica
clssica, daqueles que envolvem um nmero grande de partculas e que descrito pela
mecnica estatstica. O trabalho enfoca o estudo do conjunto de pontos que passa a ser
descrito pela teoria de conjuntos. Tambm relatado um exemplo em anlise combinatria e
teoria de probabilidades, que o clculo da probabilidade de xito no jogo de pacincia
(solitaire). Tal problema tomado de maneira meramente ilustrativa e trata da gerao de
diversos eventos e da avaliao da probabilidade de sucesso. Outro exemplo dado a
estimativa do volume de uma regio no espao , onde a regio definida pelo seguinte
conjunto de inequaes.
( ,
,,
) < 0;
( ,
,,
onde se considera que todos os pontos
) < 0; ;
,
,,
( ,
,,
) < 0,
(1)
satisfazem as inequaes apresentadas
anteriormente. Assim, Metropolis e Ulam (1949) afirmam que se a regio localizada em um

cubo multidimensional unitrio, a avaliao de integrais multidimensionais acaba se tornando
uma tarefa difcil, por exemplo, dividindo-se cada coordenada
necessrio avaliar uma grade com 10
em dez partes seria
pontos no cubo unitrio. Ento, os autores relatam que
seria melhor se fossem tomados aleatoriamente 10 pontos e que aqueles que satisfizerem as
inequaes fossem contados. Outra ilustrao apresentada pelos autores se refere entrada de
raios csmicos na atmosfera, onde colises entre partculas levam a geraes de outras
partculas medida que a probabilidade de gerao destas partculas, com uma dada energia,
depende apenas da energia da partcula que gerou a coliso anterior. Alm disso, existe uma
distribuio para a direo dos movimentos das partculas, que caracterizado por cadeias de
Markov.
Metropolis et al. (1953), no artigo intitulado de Equation of state calculation by fast
computing machines, apresentam um mtodo geral para investigar propriedades de

substncias consistindo de molculas individuais interagentes. Eles consideram tal mtodo
38
como uma modificao da integrao de Monte Carlo. O problema inicial consiste em estudar
um mtodo geral para um potencial arbitrrio entre partculas. Assim, considerando um
nmero finito de partculas N em um quadrado, a energia potencial do sistema pode ser
calculada como a soma das energias potenciais entre molculas, que por sua vez funo da
distncia entre as partculas. Segundo os autores, para calcular o valor de equilbrio do
sistema, seriam necessrias integraes em um espao 2N-dimensional, o que pode ser
impraticvel quando se tem um sistema com centenas de partculas. Assim, uma opo
utilizar o mtodo de Monte Carlo na avaliao das integrais, de forma que colocando N
partculas no espao 2N-dimensional, o movimento para os prximos estados dependem do
estado anterior, tal estado definido por uma caminhada aleatria centrada na posio
original, de forma que qualquer ponto no espao pode ser alcanado.
Hastings (1970), em seu artigo Monte Carlo sampling methods using Markov chains
and their applications, apresenta uma generalizao do mtodo descrito por Metropolis et al.
(1953) para superar as dificuldades que o mtodo de Monte Carlo Bruto pode apresentar em
problemas de grandes dimenses, que nesse caso seria o custo computacional na geraes de
uma amostra aleatria grande. O autor apresenta a formulao bsica do mtodo e a gerao
de pontos amostrais via cadeias de Markov.
Robert e Casella (2011) apresentam uma reviso histrica sobre o mtodo de Monte
Carlo com Cadeias de Markov (Markov Chain Monte Carlo - MCMC) no artigo intitulado A
short history of Markov Chain Monte Carlo: Subjective recollections from incomplete data.
Os autores traam a histria do mtodo de Monte Carlo com Cadeias de Markov desde os
anos de 1940 at o perodo que o artigo foi publicado.
McKay, Beckman e Conover (1979), no artigo A comparison of three methods for
selecting values of input variables in the analysis of output from a computer code, apresentam
o desenvolvimento da Amostragem Estratificada e da Amostragem por Hipercubo Latino
(Latin Hypercube Sampling-LHS). Na tcnica de amostragem estratificada, todas as pores
do espao amostral de
so representadas pelos valores de entrada. A Amostragem por
Hipercubo Latino, segundo os autores, garante que todas as pores do espao amostral de
sejam representadas, de forma que o intervalo de cada varivel aleatria dividido em
estratos com probabilidade 1/! e cada um destes estratos amostrado uma vez.
Olsson, Sandberg e Dahlblom (2003), no artigo intitulado de On latin hypercube

sampling for structural reliability analysis, apresentam um comparativo entre diferentes
39
tcnicas de Amostragem por Importncia, com ou sem uso do Hipercubo Latino. Foram
analisadas seis tcnicas, que so o mtodo de Monte Carlo com Amostragem por Importncia,
Amostragem por Importncia com Hipercubo Latino, Amostragem por Importncia com
Hipercubo Latino Transformado, Amostragem por Importncia Axial, Amostragem por
Importncia Axial com Hipercubo Latino e Amostragem por Importncia Axial com
Hipercubo Latino com Correlao Reduzida. So estudados trs exemplos, o primeiro um
sistema de molas submetido a carregamentos externos; o segundo uma placa quadrada
modelada com elementos finitos com o mdulo de elasticidade sendo modelado como um
campo estocstico; o terceiro exemplo trata da resposta obtida para equao de estado limite
no linear, onde a concavidade estudada como influncia na aplicao da Amostragem por
Importncia nas variaes aqui discutidas.
Bucher (2009), no artigo intitulado Asymptotic sampling for high dimensional reliability
analysis, apresenta um procedimento para anlise de confiabilidade como alternativa de
soluo em problemas com grande nmero de variveis aleatrias, tal procedimento foi
chamado de Amostragem Assinttica. Alm disso, foi dada nfase aos processos aleatrios e
campos aleatrios onde diversos exemplos so tratados. A ideia bsica por trs da tcnica
parametrizar os desvios padro das variveis aleatrias do problema, a fim de se obter mais
amostras dentro do domnio de falha e ento realizar um ajuste no linear aos dados formados
pelo parmetro
e pelo ndice de confiabilidade .
Sichani, Nielsen e Bucher (2011), no artigo Applications of asymptotic sampling on

high dimensional structural dynamics problems, apresentam diversas aplicaes da
amostragem assinttica em vrios modelos estruturais sujeitos excitao aleatria. Os
autores tambm apresentam uma melhor anlise da dependncia do desempenho da tcnica,
com os parmetros que podem ser calibrados. Com o foco em problemas de dinmica
estrutural, especialmente envolvendo vibraes aleatrias, apresentada uma tcnica que
calibra o intervalo adotado para os pontos de suporte e assim possvel obter um menor
coeficiente de variao para a probabilidade de falha estimada. Vale ressaltar que a aplicao
do algoritmo de otimizao, para a calibrao do intervalo dos pontos de suporte, apresenta
uma boa aplicao em problemas envolvendo vibraes aleatrias.
Naess, Leira e Batsevych (2009), no artigo intitulado System reliability analysis by
enhanced Monte Carlo simulation, apresentam uma tcnica para estimativa eficiente da
probabilidade de falha de sistemas. Tal tcnica baseada na parametrizao da funo de
40
estado limite, onde atravs de um procedimento de regresso no linear o valor da

probabilidade de falha pode ser obtido por extrapolao.
Au e Beck (2001), no artigo Estimation of small failure probabilities in high dimensions
by subset simulation, propem um mtodo para estimativa de pequenas probabilidades de
falha, o mtodo chamado de Simulao de Subconjunto. A ideia do mtodo expressar a
probabilidade de falha como um produto de probabilidades de falha condicionais, que so
probabilidades maiores devido escolha adequada dos eventos condicionais (subconjuntos).
Dessa forma, em cada subconjunto utilizada uma amostra pequena. O objetivo suprir as
deficincias do mtodo de Monte Carlo Bruto com Amostragem Simples, que apresenta uma
baixa eficincia na estimativa de probabilidades de falha pequenas. Na determinao das
probabilidades de falhas condicionais adotada a tcnica de simulao de Monte Carlo com
cadeias de Markov utilizando o algoritmo de Metropolis-Hastings modificado.
Au, Ching e Beck (2007), apresentam no artigo Application of subset simulation
methods to reliability benchmark problems, um estudo comparativo de tcnicas que so
variaes da simulao de subconjuntos, onde trs problemas so analisados. O primeiro
uma barragem de terra com variao aleatria das propriedades do solo; o segundo problema
um oscilador do tipo Duffing, com vrios graus de liberdade e o terceiro um edifcio em
cisalhamento com vrios graus de liberdade. As tcnicas comparadas foram o mtodo de
Monte Carlo Bruto com Amostragem Simples, Simulao de Subconjuntos, Simulao de
Subconjunto/Splitting e Simulao de Subconjunto/Hibrido.
Schuller e Pradlwarter (2007), no artigo Benchmark study on reliability estimation in
higher dimensions of structural systems An overview, fazem uma coletnea de diversos
resultados apresentados na literatura sobre procedimentos alternativos adotados em
confiabilidade de estruturas com respeito a sua eficincia numrica e computacional. A nfase
do estudo foi em sistemas que incluem um grande nmero de variveis aleatrias, onde os
problemas estudados por Au, Ching e Beck (2007) so adotados no trabalho em questo. As
tcnicas comparadas foram as apresentadas por Au, Ching e Beck (2007), com o acrscimo
das tcnicas de Simulao de Subconjunto Esfrica, do Mtodo do Domnio Auxiliar, da
Amostragem em Linha, da representao aproximada da funo de performance e da reduo
de modelo para representao por polinmios de caos.
41
Como a maioria das tcnicas apresentadas possui um desenvolvimento recente, diversos

aprimoramentos esto sendo apresentados por diversos autores. Desta forma, este trabalho se
concentrar nos conceitos fundamentais de cada uma.
42
43
3. CONCEITOS DE PROBABILIDADE E
ESTATSTICA
Segundo Ang e Tang (1984), muitos processos ou fenmenos aplicados engenharia
contm aleatoriedade, sendo os reais resultados, em algum grau, imprevisveis. Tais
fenmenos so caracterizados por observaes experimentais que so invariavelmente
diferentes de outro experimento, mesmo que realizados sob as mesmas circunstncias.
A engenharia moderna encara a incerteza como inerente natureza do problema que
se est analisando. Assim, o estudo da teoria de probabilidades parte integrante e
fundamental da teoria da confiabilidade e na aplicao do mtodo de Monte Carlo na anlise
de confiabilidade de estruturas.
Este captulo procura dar uma abordagem aos principais tpicos dentro da teoria de
probabilidades, que de grande importncia no desenvolvimento das tcnicas a serem
estudadas. A seguir sero apresentados alguns conceitos importantes na fundamentao deste
trabalho.
3.1.
Axiomas da teoria de probabilidades
Seja " um evento qualquer, a probabilidade de ocorrncia do evento " pode ser
apresentada de trs formas diferentes. A definio em frequncia diz que:

-.
.
*, -
#$"% = lim
(2)
onde -. o nmero de resultados observados, que levaram ocorrncia do evento ", e - o

nmero total de observaes. Tal definio dita ser a posteriori, pois #$"% s conhecida
aps todas as realizaes do evento " terem ocorrido. Na definio clssica #$"% conhecida
antes da primeira realizao do evento ", assim a definio clssica pode ser escrita como:
#$"% =
!.
.
!
(3)
onde !. o nmero de resultados possveis, que levam ocorrncia do evento ", e ! o
nmero total de resultados. A definio clssica tambm conhecida como a priori.
44
A definio axiomtica dotada de um maior rigor matemtico, que definido pela

teoria de probabilidades. Ela diz que a probabilidade atribuda a eventos por uma funo de
distribuio no espao amostral e satisfaz as seguintes propriedades:
I.
II.
III.
IV.
V.
#$0% 0 ;
#$% = 1;
Se 0 4 , ento #$0% #$4%;
#$" 7% = #$"% + #$7% se " e 7 so conjuntos disjuntos de ;

#$"% = 1 #$"% " .
Em se tratando de simulao, a determinao da probabilidade de ocorrncia de um

evento de interesse pode ser obtida atravs da repetio do experimento em um grande
nmero de vezes, atravs da gerao de nmeros aleatrios. Essa uma tarefa natural com o
uso de computadores.
3.2.
Probabilidades condicionais e independncia de eventos
A probabilidade de ocorrncia de um evento " condicionado ocorrncia de um evento
7, tal que #$7% > 0, dada por:
#$"|7% =
#$" 7%
.
#$7%
(4)
propriedades na relao entre dois eventos " e 7, de tal forma que se os eventos " e 7 so
A definio da probabilidade condicional nos leva a determinao de algumas
mutuamente excludentes, ento:
#$" 7% = 0 #$"|7% = 0.
Se " 7, ento "7 = ", ento:

#$"|7% =
#$"%
#$"%.
#$7%
(5)
(6)
Caso 7 ", ento "7 = 7,ento:

#$"|7% =
#$7%
= 1.
#$7%
(7)
Montgomery e Runger (2003) dizem que dois eventos A e B so independentes se

alguma das afirmaes abaixo for verdade.
45
#$"|7% = #$"%,
(8)
#$7|"% = #$7%,
(9)
#$" 7% = #$"% #$7%.
(10)
Estendendo essa definio para um nmero maior de eventos, tem-se que, os eventos
0 , 0 , , 0* so independentes se e somente se para algum subconjunto desses eventos,
0 , 0 , , 0 A,
#$0 0 0 A % = #$0 % #$0 % #$0 A %.
3.3.
(11)
Variveis aleatrias
Uma varivel aleatria pode assumir um valor real, ou pode assumir qualquer valor
definido por um intervalo, tal que o evento {D = } indica que a varivel aleatria D assume o
valor . J o evento {D } indica que a varivel aleatria D assume qualquer valor menor
ou igual a . Como se pode observar, a varivel aleatria definida por uma letra maiscula e
a realizao desta por uma letra minscula. A depender dos elementos que formam o espao
amostral , a varivel aleatria pode ser do tipo discreta, quando formado por um nmero
finito ou infinito contvel de pontos, ou do tipo contnua, quando formado por um nmero
infinito de pontos. Matematicamente, pode-se dizer que uma varivel aleatria real D(F)
uma funo real que atribui a cada ponto amostral F de um espao amostral , um valor real
, tal que o conjunto {D < } um evento para qualquer nmero real . Neste caso observase que o espao amostral o domnio de D(F) (BECK, 2012).
3.3.1. Funo de distribuio acumulada de probabilidade

Muitas vezes estamos interessados em conhecer a probabilidade de ocorrncia do
evento definido por {D }; logo, como tal probabilidade depende apenas de , isso nos leva
a existncia de uma funo 4G ( ) = #${D }%. Tal funo conhecida como funo de
distribuio acumulada de probabilidades (FDA) da varivel aleatria D, e definida no
intervalo
+.
Montgomery e Runger (2003) definem a funo de distribuio acumulada de uma

varivel aleatria D como:
46
onde
seguir.
G(
4G ( ) = #$CD E% = I
L,
G(
)J ,
(12)
) a funo densidade de probabilidade da varivel aleatria D, que ser vista a
3.3.2. Funo densidade de probabilidade

A derivada da funo de distribuio acumulada de probabilidade da varivel aleatria
D define a funo densidade de probabilidade (FDP) de D, que

G(
)=
J4G ( )
.
J
G(
), tal que:
(13)
Tal funo usada para descrever uma varivel aleatria, podendo ser ela contnua ou
discreta. Na literatura, diversos modelos de funo de densidade de probabilidades so
apresentados, assim como suas aplicaes. Dessa forma, fenmenos como a ocorrncia de
chuvas, de ventos, de estados de mar, de resistncia dos materiais entre outros, podem ser
modelados com tais funes.
Montegomery e Runger (2003) dizem que a funo densidade de probabilidade
G(
pode ser utilizada na definio da distribuio de probabilidade de uma varivel aleatria

contnua. Assim, so definidas as seguintes propriedades:
L,
G(
G(
) 0,
(14)
)J = 1,
#$CM D NE% = I
G(
(15)
)J .
(16)
3.3.3. Momentos de uma varivel aleatria
Conhecendo-se a funo de densidade de probabilidades da varivel aleatria D,
possvel definir algumas quantidades que caracterizam a varivel aleatria. Tais quantidades
so chamadas de momentos.
Tem-se que o momento de ordem Q para uma varivel aleatria continua dado por:
47
0$D
A%
=R =I
A
S,
L,
G(
)J .
(17)
Um caso particular desta generalizao o valor esperado de D, que um momento de
primeira ordem, tal que:
0$D% = R = I
S,
G(
L,
)J ,
(18)
onde 0$. % o operador valor esperado e R o valor do momento de primeira ordem da
varivel
e que caracteriza sua mdia.
Os momentos centrais de ordem Q para variveis aleatrias contnuas so calculados em
relao mdia R, da seguinte forma:
0$(D R)A % = TA = I
S,
( R)A G ( )J .
L,
(19)
O momento central de segunda ordem a varincia, que obtida da seguinte forma:

0$(D R) % = T = I
S,
L,
( R)
G(
)J .
(20)
Pode-se escrever a varincia como:
UMV$D% = 0$(D R) % = W ,
(21)
de tal forma que W = XUMV$D% o desvio-padro da varivel aleatria e uma medida que d
a ideia de disperso de D em torno da sua mdia R.
3.3.4. Mdia e varincia de amostras
Se for retirada uma amostra de tamanho - de uma populao com mdia R e varincia
W , ento a mdia R e a varincia WY desta amostra podem ser determinadas por:

*
1
R = Z
[
1
WY =
Z(
-1
[
R ) .
(22)
(23)
48
- 1. Isso por que a varincia est sendo medida pela distncia dos pontos
Neste caso observa-se que a varincia apresenta em sua equao uma diviso pelo termo
em relao
mdia da amostra R , e no em relao mdia populacional R, ento para corrigir tal

tendenciosidade a Eq. (23) utilizada.
3.4.
Distribuio conjunta de probabilidades
Sejam as variveis aleatrias D , com \ = 1, 2, , -. Os conjuntos CD
eventos cujas probabilidades so dadas por:

#$CD
Ento tomando o produto dos CD

CD
CD
ECD
;D
E% = 4G] ( ).
E formam
(24)
E, pode-se formar o evento conjunto, tal que:
E CD
;;D
E CD*
*E
(25)
* E.
; ; D*
Logo, a probabilidade de ocorrncia deste evento leva a definio da distribuio conjunta

cumulativa de probabilidades, tal que:
4G^ G_G] G` ( ,
#$CD
;D
,,
;;D
,,
*)
(26)
; ; D*
* E%,
onde as funes 4G] ( ) so chamadas de distribuies marginais de probabilidade. A funo
conjunta de densidade de probabilidade

4G^ G_ G] G` ( ,
funo
de
,,
ordem, de tal forma que:

G^ G_ G] G` (
* ),
distribuio
,,
,,
G^ G_ G] G` (
conjunta
,,
cumulativa
,,
*)
de
pode ser obtida da

probabilidade
desde que essa funo possua derivadas parciais de segunda
a * 4G^ G_ G] G` ( , , , , ,
, , *) =
a a a a *
Sabe-se que 4G^ G_G] G` ( ,
,,
,,
*)
*)
(27)
geralmente no pode ser obtida
diretamente das funes de distribuio marginal de probabilidade, pois tal resultado muda
caso as variveis sejam correlacionadas ou no, porm, as funes de distribuio marginais
de probabilidade podem ser obtidas a partir da distribuio conjunta cumulativa de
probabilidade, atravs de procedimentos de integrao, tal que:
49
S,
L,
S,
L,
K]
I I
L,
S,
L,
4G] ( ) =
G^ G_ G] G` (b
(28)
, b , , b , , b* )Jb , Jb , , Jb , , Jb* .
Considerando que se deseja calcular a probabilidade do evento C( ,
onde d uma regio do hiperplano
avaliada por:
#$C( ,
,,
*)
G^ G_ G` (
dE% = I I
e
*,
* )J
,,
,,
*)
dE,
assim tal probabilidade pode ser
,J
,,J
*.
(29)
3.4.1. Momentos conjuntos entre variveis aleatrias

Como visto na seo 3.3.3, podem ser definidas algumas quantidades, chamadas de
momentos, que caracterizam uma varivel aleatria. Conhecida a funo conjunta de
densidade de probabilidade, podem-se definir os momentos e os momentos centrais destas
variveis aleatrias, de forma que os momentos de ordem arbitrria so definidos por:
R A^ A_A` = 0fD
S, S,
S,
= I I I
L, L,
L,
A^
A^
A_
D* A` g
A_
A`
(30)
G^ G_ G` (
,,
* )J
,J
,,J
*.
Os momentos centrais so dados em relao mdia da respectiva varivel aleatria, tal

que:
TA^ A` = 0 hiD RG^ j
S,
A^
= I I
L,
RG` j
A`
iD* RG` j k
S,
L,
G^ G` (
A`
RG^ j
,,
A^
* )J
(31)
*
,,J
*.
A ordem do momento conjunto dada pela soma dos termos Q . Assim, o momento
A]
, com Q = 2, corresponde ao momento de ordem dois da varivel D e T
A]
50
com Q = 2, corresponde ao momento central de ordem 2 da varivel D , ou seja, a varincia
desta.
A covarincia uma medida linear da relao entre duas variveis aleatrias no mesmo
espao de probabilidade. Tal quantidade pode ser obtida quando Q = 1 e Ql = 1 com \ n.
Assim, para duas variveis aleatrias D e o pode-se escrever a covarincia como:

pq$D, o% = 0$(D RG )(o Rr )%.
(32)
Uma medida adimensional que deriva da covarincia entre duas variveis o

coeficiente de correlao de Pearson, tal que:
sGr =
pq$D, o%
.
WG Wr
(33)
Tal valor varia entre -1 e 1, tal que sGr = 1 indica uma correlao perfeita positiva e sGr =
1 indica uma correlao perfeita negativa, porm sGr = 0 no necessariamente indica
dependncia nula (BECK, 2012).
51
4. CONFIABILIDADE DE ESTRUTURAS
Neste Captulo sero apresentados o conceito de estados limites e os requisitos que uma
estrutura deve atender, para que posteriormente seja introduzido o problema fundamental da
confiabilidade, seguindo do mtodo de confiabilidade de primeira ordem e por fim da
confiabilidade de sistemas.
4.1.
Estados limites
Estruturas so dimensionadas de forma a obedecer alguns requisitos bsicos que

garantam um bom desempenho durante a vida til das mesmas. Segundo Beck (2012), uma
estrutura deve cumprir uma determinada funo estrutural durante a sua vida til, com um
nvel adequado de segurana e de maneira economicamente vivel. Os requisitos bsicos so:
o de servio, de segurana, de robustez, econmico e social. O requisito de servio diz que
uma estrutura deve manter-se em condies apropriadas para o uso adequado durante sua vida
til. O requisito de segurana diz que uma estrutura deve suportar carregamentos extremos,
espordicos e carregamentos repetitivos, dentro de sua vida til e sem que a estrutura entre em
colapso. O requisito de robustez diz que uma estrutura no deve ser danificada de maneira
desproporcional severidade do evento causador do dano durante sua vida til. O requisito
econmico diz que uma estrutura deve, obedecendo todos os requisitos apresentados
anteriormente, ser economicamente vivel. O requisito social qualifica a aceitao da
sociedade ao nvel de segurana, definido pelos requisitos citados anteriormente, da estrutura
em questo.
Os modos de falha de uma estrutura, que so as distintas maneiras que levam a um
estado indesejvel, do origem aos estados limites. Os estados limites podem ser de servio
ou ltimo, e englobam os requisitos apresentados anteriormente. O estado limite de servio
caracterizado por danos, deformaes, vibraes e outras condies que, mantendo as
condies de servio, possam levar ao desconforto do usurio. J o estado limite ltimo
caracterizado pela inadequao de uso da estrutura aps esta atingir tal estado, tendo ela
entrado em colapso ou no, pois a situao corresponde a um estado inseguro para uso da
mesma.
Os requisitos que uma estrutura deve obedecer durante sua vida til podem ser
equacionados atravs de equaes de estado limite. Estas equaes caracterizam os distintos
52
modos de falha de uma estrutura, onde para cada modo de falha \ se escreve uma funo
t ( ), que funo do vetor de variveis aleatrias
estado limite fica determinado pela seguinte igualdade:
= $D , D , , D* %, de tal forma que o
t ( ) = t (D , D , , D* ) = 0.
(34)
Uma equao de estado limite t ( ) escrita de forma a dividir o domnio do problema
em domnios de falha u e de segurana v , tal que:

u = Cw|t (w) 0E,
v = Cw|t (w) > 0E.
(35)
(36)
A Figura 1 apresenta graficamente a fronteira entre o domnio de falha e o domnio de

segurana para o espao amostral de duas variveis aleatrias.
Figura 1. Equao de estado limite e domnios de falha e segurana (BECK, 2012).
A formulao apresentada acima se aplica a problemas independentes do tempo.

Quando se deseja resolver problemas dependentes do tempo, os domnios de falha e
segurana ficam definidos por:
u = Cw|t (w, x) 0E,
v = Cw|t (w, x) > 0E.
(37)
(38)
A utilizao da varivel tempo pode ser consequncia de uma dependncia temporal do estado
limite ou atravs da considerao de carregamentos definidos por processos estocsticos
(BECK, 2012).
53
4.2.
Problema fundamental da confiabilidade de estruturas
A avaliao da probabilidade de ocorrncia de eventos indesejveis nos leva a definio
de probabilidade de falha #y , onde se pode escrever:
#y = #$ u % = #$Ct( ) < 0E%.
(39)
Desta forma, diz-se que a probabilidade de falha #y uma medida de violao de estados
limites. Considerando um caso do tipo resistncia-solicitao (z {), temos que:

t(z, {) = z {.
(40)
Assim, a probabilidade de falha avaliada pela Eq. (39), que o problema fundamental da
confiabilidade de estruturas.
#y = #$Cz { < 0E% = #$(z, {) u % = |
}~ (V, )JVJ,
onde (V, ) a realizao da dupla das variveis aleatrias z e { e
conjunta de densidade de probabilidade de z e {.
(41)
}~ (V, )
a funo
De maneira geral temos que a probabilidade de falha pode ser definida por:
#y = #$ u % = I
(w) Jw.
(42)
Outra forma de resolver o problema fundamental de confiabilidade atravs da
integrao da funo de densidade de probabilidade da funo margem de segurana .

Sendo dado por:
= z {.
(43)
Como z e { so variveis aleatrias, ento ser uma varivel aleatria com funo de
densidade de probabilidades dada por
dada por:
(T),
#y = #$M < 0% = I
L,
assim a probabilidade de falha desse problema
(T) JT,
(44)
54
4.3.
Mtodo de confiabilidade de primeira ordem
Em confiabilidade estrutural importante conceituar ponto de projeto (design point) e o

ndice de confiabilidade . O ponto de projeto pode ser definido como o ponto no domnio de
falha que apresenta a menor distncia para a origem do espao normal padro. Alm disso,
tanto no espao normal padro, quanto no espao de projeto, o ponto que guarda o maior
contedo de probabilidade, ou seja, o ponto no domnio de falha com maior probabilidade
de ocorrncia. J o ndice de confiabilidade
possui duas interpretaes. A primeira o
relaciona com a probabilidade de falha, tal que sendo z e { duas variveis aleatrias normais
no correlacionadas e tomando o problema definido na Eq. (40), a mdia e o desvio padro da

funo margem de segurana ficam definidos por:
R = R} R~ ,
W = W} + W~ .
(45)
(46)
Atravs da transformao de Hassofer-Lind a varivel pode ser transformada em uma

varivel normal padro Y, tal que:
Y=
M R
.
W
acumulada de probabilidade normal padro (. ). Logo, tem-se que:
(47)
A probabilidade associada ao evento falha pode ser definida atravs da funo de distribuio
#y = P(M 0) = P Y
Assim:
=
R
R
= = ( ).
W
W
R
R} R
=
.
W XW} + W~
(48)
(49)
Tambm se pode atribuir uma interpretao geomtrica para o ndice de confiabilidade.

Tomando a mesma equao de estado limite e realizando clculos de minimizao da
distncia, em duas dimenses, do ponto de projeto origem do espao normal padro, se
consegue obter a seguinte relao:
55
J * =
R} R
XW} + W~
(50)
Esta equao equivalente apresentada na Eq. (49). Dessa forma, pode definir o ndice de
confiabilidade como uma medida geomtrica da probabilidade de falha que corresponde a
menor distncia entre a equao de estado limite e a origem do espao normal padro.
O FORM e o SORM so mtodos de transformao utilizados em confiabilidade. O
FORM (First Order Reliability Method) o mtodo de confiabilidade de primeira ordem.
Este utiliza toda informao estatstica em relao s variveis do problema, o que inclui
variveis com distribuio marginal no gaussiana e coeficientes de correlao entre pares de
variveis. Porm, a equao de estado limite aproximada por um hiperplano no ponto de
projeto. O SORM (Second Order Reliability Method) o mtodo de confiabilidade de
segunda ordem. Este utiliza as mesmas informaes adotadas para o FORM, porm, a
equao de estado limite aproximada por uma hipersuperfcie quadrtica no ponto de
projeto. O FORM geralmente aceito como uma forma eficiente de resolver o problema na
Eq. (39), para pequenas ou moderadas dimenses do vetor X e para equaes de estado
limites t(x) lineares ou fracamente no lineares.
O FORM se baseia na construo da funo conjunta de probabilidade
() e sua
transformao para o espao normal padro. Tal construo envolve a eliminao de
para o espao
correlao entre variveis aleatrias e o clculo das variveis normais equivalentes. A

transformao citada corresponde a um mapeamento indireto do vetor
normal padro :
Y = $X%,
t (Y, x) = t(L $Y%, x).
(51)
Para se construir a funo conjunta de probabilidades no espao de projeto ,

] (
) e a matriz de correlao entre pares de variveis, tal que:
comumente se tem conhecimento de duas propriedades apenas, que so as distribuies de

probabilidades marginais
s^^
s_^
=
s`^
s^_
s__
s`_
s^`
s_`
.
s``
(52)
Na Eq. (52) tem-se que - o nmero de variveis aleatrias e s]] = 1, com \ = 1,2, , -
(BECK, 2012).
56
4.3.1. Transformao composta utilizando o modelo de Nataf
O mapeamento realizado de dito indireto, pois se utiliza uma transformao da
distribuio conjunta de probabilidade das variveis
em uma distribuio conjunta de
variveis normais equivalentes , onde o espao de probabilidade das variveis
aleatrias normais equivalentes que mantm possveis correlaes entre pares de variveis
aleatrias. Tal transformao baseada no princpio da aproximao normal (DITLEVSEN,
1981). Este princpio consiste em determinar, para um ponto
, uma distribuio normal
equivalente que preserve o contedo de probabilidade da distribuio original. Dessa forma,

necessrio definir os momentos da distribuio normal equivalente, tal que:
WG*
]
RG] =
*
( )
=
,
G] ( )
WG] ,
*
(53)
(54)
onde a funo densidade de probabilidade normal padro, WG]
o desvio padro da
distribuio normal equivalente e RG*

a mdia da distribuio normal equivalente.
]
Esta transformao pode ser definida matricialmente a partir da determinao da matriz d*
e do vetor * , tal que:
WG*
^
= 0
= RG^
*
WG`
0
*
WG_
RG*
.
`
RG*
_
(55)
(56)
Com d* obtm-se as matrizes jacobianas da transformao e , tal que:

w = (
w =
)L
(57)
(58)
Assim as transformaes ficam definidas por:
= w C E,
= w + .
(59)
(60)
57
Por meio do modelo de Nataf, pode-se construir uma aproximao para a funo
conjunta de densidade de probabilidades
a partir da distribuio normal padro
multivariada * , com a matriz de correlao a ser determinada. Assim,
como:
= * (, )
G^ (
) G_ ( ) G` ( * )
.
( )( ) (* )
definida
(61)
Os coeficientes de correlaes equivalentes para as distribuies marginais normais podem

ser obtidos de maneira iterativa por meio da seguinte equao:
,
sG] = I I l - , l , s] J Jl ,
L, L,
(62)
onde (. ) a distribuio normal padro bivariada. Ento, conhecido sG] , pelo mtodo de
tentativas pode-se obter s] .
de . Tal eliminao pode ser obtida via decomposio ortogonal ou fatorao de

Posteriormente, elimina-se a correlao entre os pares de variveis aleatrias levando-as
Cholesky, da matriz de correlao. A decomposio ortogonal apresenta um alto custo
computacional devido ao grande nmero de operaes matriciais que o mtodo exige. Desta
forma, quando se tem matrizes de correlao no cheias, a fatorao de Cholesky apresenta
vantagem devido ao menor nmero de operaes matriciais.
Sendo a matriz de correlao em e a matriz de correlao em . As matrizes
jacobianas das transformaes e utilizando a decomposio ortogonal da matriz
de correlao so:
= ,
= ( )L ,
tal que
L ,
=
(63)
(64)
(65)
uma matriz ortogonal cujas colunas so os autovetores de e a matriz cujos

onde
elementos da diagonal principal so as inversas das razes dos autovalores de .
Utilizando a decomposio de Cholesky de , tem-se que:
58
= .
(66)
= L ,
(67)
Assim, as matrizes jacobianas obtidas via decomposio de Cholesky de so (BECK,

2012):
= .
(68)
Logo, as transformaes ficam definidas por:

= ,
(69)
= .
(70)
No espao normal padro, a funo de densidade conjunta
(Y)
tem simetria radial,
portanto, o ponto sobre a equao de estado limite t() mais prximo da origem o ponto
de projeto. Esta caracterstica permite resolver o problema de confiabilidade como um

problema de otimizao com restries, tal que:
= arg min X ,
sujeito a t () = 0.
A partir da Eq. (71), tem-se que
= = ( )
(71)
/
o chamado ndice de
confiabilidade de Hassofer-Lind, que vem a ser a distncia entre o ponto e a origem do

soluo da Eq. (71), e aproximar a equao de estado limite t () neste ponto por um
espao normal padro. O mtodo FORM consiste em encontrar o ponto de projeto, a partir da
hiperplano. Portanto, a aproximao de primeira ordem para a probabilidade de falha fica:

#y = #ft () 0g ( ).
(72)
onde (. ) a funo de distribuio acumulada de probabilidades normal padro (BECK,

2012).
Dentro do mtodo de Monte Carlo, o FORM apresenta bastante utilidade quando se

deseja encontra o ponto de projeto para aplicao de Amostragem por Importncia utilizando
Pontos de Projetos.
59
4.4.
Confiabilidade de sistemas
A confiabilidade estrutural pode ser aplicada a elementos estruturais ou a sistemas

estruturais. Este ltimo se caracteriza pela associao de vrios elementos estruturais
formando um conjunto resistente a esforos. Elementos estruturais, assim como os sistemas
estruturais, podem apresentar diversos modos de falha. Elementos estruturais podem
apresentar falhas por escoamento localizado, plastificao da seo, ruptura frgil,
deformao excessiva, acmulo de dano, entre outros. J os sistemas estruturais podem
apresentar falha por deflexo excessiva, vibrao excessiva, recalque de apoios, movimentos
de corpo rgido, colapso progressivo, entre outros. Considerando que o termo "estrutura"
engloba tanto sistemas estruturais quanto elementos estruturais, este termo adotado de forma
generalista neste trabalho.
O mtodo FORM se aplica individualmente a cada equao de estado limite de um
problema. Quando uma estrutura possui mais de um modo de falha, uma equao de estado
limite t (w) deve ser escrita para cada possvel modo de falha. Neste caso, a estimativa de
primeira ordem da probabilidade de falha no se aplica, e limites uni-modais ou bimodais

devem ser calculados. Alternativamente, pode-se empregar a simulao de Monte Carlo
(BECK, 2012).
Em uma estrutura que possui diferentes modos de falha, as equaes de estado limite
t (w) aparecem associadas como um sistema em srie (se a falha acontece em relao a
qualquer um dos modos, ocorre a falha da estrutura). Neste caso, o domnio de falha
definido por:
u = (t (w) 0).
(73)
Para sistemas hiperestticos com redundncia, a falha s ocorre se falharem todos os

componentes hiperestticos. Neste caso, tem-se um sistema em paralelo, e o domnio de falha
pode ser caracterizado como:
u = (t (w) 0).
l
(74)
Se cada componente de um sistema hiperesttico possui mltiplos modos de falha,

ento se tem uma associao mista de equaes de estado limite, como por exemplo:
60
u = (t (w) 0)l .
(75)
Diversas outras formas de associao mista podem ser obtidas atravs da manipulao
correta das associaes de unio e interseco dos domnios de falha individuais.
61
5. GERAO DE NMEROS ALEATRIOS

Computadores digitais comuns no possuem ferramentas de software para gerar
sequncias de nmeros aleatrios. Uma boa alternativa para isso a utilizao de geradores de
nmeros pseudoaleatrios. Segundo Viera, Ribeiro e Souza (2004), o propsito dos geradores
de nmeros aleatrios produzir uma sequncia de nmeros que aparentem ser gerados
aleatoriamente a partir uma distribuio de probabilidade especfica. Geradores usuais, que
so aqueles que j esto programados em computadores, geram amostras atravs de
algoritmos sequenciais e determinsticos. Tais algoritmos geram amostras independentes e
uniformemente distribudas no intervalo fechado de [0, 1]. A sequncia gerada pelo algoritmo
determinada pela semente do gerador, de forma que um gerador iniciado com a mesma
semente, em mquinas diferentes, dever gerar a mesma sequncia, portanto, pode-se dizer
que se est gerando uma sequncia de nmeros pseudoaleatrios.
5.1.
Geradores de nmeros aleatrios
espao de estado finito {. De acordo com a frmula de recorrncia * = (*L ) com - 1,

L'Ecuyer (1997) diz que os geradores de nmero aleatrios possuem um estado em um
onde o estado inicial chamado de semente e : { { a funo de transio. No passo -
a funo definida por b* = t(* )|t: { $0,1% a funo de sada, dessa forma a sequncia
do gerador de nmeros aleatrios fica determinada por {b* |- 0}, que so variveis ditas
pseudoaleatrias, produzidas pelo gerador.
Sabe-se que { finito, assim possvel que o gerador retorne a algum estado anterior tal
que Sl = para algum \, n > 0, assim pode-se definir uma medida chamada de perodo s
que vem a ser o comprimento de um estado { at que ele ocorra novamente, assim, s no
pode exceder a cardinalidade de {. Por isso pode-se definir que tais geradores geram na
realidade uma sequncia de nmeros pseudoaleatrios, porm, sem perda de generalidade os
geradores estudados neste trabalho sero chamados de geradores de nmeros aleatrios.
Para L'Ecuyer (1997), um longo perodo s e uma boa estrutura de pontos no so as
nicas qualidades requeridas para um bom gerador de nmeros aleatrios. Estes precisam ser
rpidos, pois, simulaes podem exigir a gerao de uma quantidade cada vez maior de
nmeros aleatrios; precisam ser portveis, o que significa que o gerador, quando programado
62
em diferentes computadores e fazendo uso de diferentes compiladores, deve produzir a

mesma sequncia; alm disso, deve apresentar reprodutibilidade, ou seja, o gerador deve
reproduzir a mesma sequncia de nmeros aleatrios sempre que for possvel. Essa ltima
caracterstica importante quando se est verificando respostas de programa e em testes de
reduo de varincia, tal caracterstica pode ser considerada uma vantagem em relao a
geradores de nmeros aleatrios reais. O salto frente (jumping ahead) tambm uma
importante caracterstica. O salto frente habilidade de computar, dado o atual estado * , o

estado *S para algum q. A utilidade disto a quebra da sequncia em diversas sequncias
menores de forma a produzir geradores virtuais.
5.1.1. Geradores congruentes lineares

nmeros aleatrios no intervalo de $0,1%. Tais geradores possuem a seguinte frmula de
Os geradores congruentes lineares so utilizados como gerador de sequncia de
recorrncia:
*S
resto da diviso entre (M
= (M
+ )TpJ(T).
+ ) e (T), tal operao definida pelo operador resto da diviso
A Eq. (76) indica que dada semente
de
(76)
do gerador, uma sequncia pode ser obtida pelo
por , ( )TpJ(). Este gerador conhecido como Gerador Congruente Linear Misto.
Tal gerador dito misto, pois envolve as operaes de multiplicao e adio por M e
respectivamente. No caso de = 0, dada a denominao de Gerador Congruente
Multiplicativo, cuja frmula de recorrncia :

*S
= (M
* )TpJ(T).
(77)
A qualidade de um gerador congruente linear dependente das constantes CT, M, E.
Como os geradores so cclicos, com perodo s sempre menor que T, deve-se adotar um
valor grande para T (BECK, 2012). Um gerador congruente linear misto bastante utilizado
tem T = 2 e > 0. O perodo s s obtido se, e somente se, M 1 for mltiplo de 4 e
for mpar, frequentemente igual a um (VIEIRA;RIBEIRO; SOUZA, 2004). Para se gerar as

pontos amostrais uniformemente distribudos entre 0 e 1, aplica-se o seguinte procedimento:
com \ = 1, , -.
b = ] ,
K
(78)
63
A qualidade de um gerador de nmeros aleatrios pode ser testada pela medida de

uniformidade e de independncia entre os pontos amostrais gerados, isso feito via testes
obtido atravs da distribuio acumulada de probabilidade dos - pontos amostrais gerados, de
estatsticos padronizados. Um teste visual adotado para verificar a uniformidade da amostra
tal forma que a distribuio acumulada definida por (BECK, 2012):

4 (b ) = #$C < b E% *,
(79)
com \ = 1, , -. Assim, anotando as duplas (\, 4 (b )), podem-se gerar os grficos
360 durante a dcada de 60. Tal gerador definido pelos seguintes parmetros: CT, M, E =
apresentados na Figura 2 com o gerador congruente linear utilizado nos computadores IBM
C2 1,65.539,0E e conhecido como RANDU. Neste trabalho se definir um gerador pela
seguinte notao:
(T, M, ) = CT, M, E, onde GCL significa Gerador Congruente Linear.
a)
b)
Figura 2. Teste de uniformidade: a) i=1.000 e b) i=10.000 ( esquerda).
A Figura 2 apresenta um resultado que comprova a aparente uniformidade do gerador

RANDU. observado que a possvel uniformidade aumenta quanto mais nmeros aleatrios
so gerados, porm, este teste no considerado robusto. Um teste robusto o mtodo de
partio do hipercubo unitrio. A partir deste teste pode-se observar um comportamento
uniforme ou a formao de estruturas lattice das t-uplas obtidas de nmeros aleatrios
considere a sequncia Cb* |0 - < s} no intervalo de $0,1%, onde s o perodo, ento se
consecutivos em duas ou trs dimenses. De acordo com Viera, Ribeiro e Souza (2004),
espera que os pares {(b* , b*S )|0 - < s} cubram todo o espao bidimensional de maneira
uniforme, porm, muitas vezes pode-se observar a formao de linhas de tendncias. No caso
tridimensional pode-se observar a formao de planos preferenciais. De forma geral, na

estrutura
lattice
todos
os
pontos
adjacentes
no
espao
t-dimensional
64
C(b* , b*S , , b*SL )|0 - < s} esto localizados em uma famlia de hiperplanos paralelos
equidistantes.
As caractersticas apresentadas anteriormente podem ser comprovadas de maneira

visual. Tal como apresentado por Viera, Ribeiro e Souza (2004), utilizando geradores
(509, 10, 0),
(31, 3, 0) e
(31, 13, 0) com - = 1000 para todos, pode-se
observar o quanto a escolha do parmetro M interfere na distribuio dos pontos no espao

bidimensional. De acordo com a Figura 3, a Figura 4 e a Figura 5, possvel observar a
formao das estruturas lattice de forma que o espao bidimensional no completamente
preenchido com a distribuio apresentada.
Figura 3. Gerador: (, , ).
65
Para o gerador RANDU pode-se observar uma distribuio no espao bidimensional

(Figura 6), onde aparentemente apresenta uma boa distribuio dos nmeros aleatrios.
Figura 6. Gerador RANDU: ( , . , .
Um mtodo mais robusto a partio do hipercubo unitrio em sua verso

tridimensional. Assim, as triplas b , b S , b S , com \ & 1, , -, so plotadas e testes
estatsticos podem ser utilizados para testar a uniformidade, porm, em alguns casos uma
anlise visual suficiente para atestar a uniformidade ou no dos nmeros gerados. Para o
gerador RANDU, a Figura 7 apresenta a formao de planos preferenciais, o que indica que o
gerador apresenta um problema de uniformidade.
, . , .
66
No StRAnD implementado um gerador aparentemente melhor que o RANDU, tal

gerador definido por
(2 1, 41.358, 0), onde a Figura 8 apresenta a partio do
hipercubo em duas perspectivas diferentes.
Figura 8. Gerador implementado no StRAnD: ( , . , ).
Alm do RANDU, existe uma gama de geradores que se encaixam na classe de

congruentes lineares.
5.2.
Gerao de nmeros aleatrios com distribuio de

probabilidade prescrita
Em confiabilidade de estruturas, principalmente em simulao de Monte Carlo, se est

interessado em gerar amostras de variveis aleatrias. Sabendo-se que uma varivel aleatria
definida por sua funo de densidade de probabilidade, a partir da funo cumulativa de
probabilidade 4G ( ), podem-se obter realizaes desta varivel aleatria da seguinte forma:
I.
II.
Gera-se um nmero aleatrio b com distribuio uniforme de probabilidade,
que est no intervalo $0,1%;
A partir da inversa da funo cumulativa de probabilidade se obtm o nmero

aleatrio com distribuio prescrita, tal que:
= 4GL (b ).
Este procedimento apresentado na Figura 9.
(80)
67
Figura 9. Gerao de nmeros aleatrios com distribuio prescrita (BECK, 2012).
Devido a no existncia de soluo analtica para a funo cumulativa de probabilidade,

para a distribuio normal e consequentemente log-normal, este procedimento no pode ser
aplicado de maneira direta para tais distribuies. Assim recomenda-se a utilizao de
Muller, esta envolve a adoo de um par de nmeros aleatrios b e b , independentes e com
algoritmos especficos para a resoluo deste problema. Pode-se usar a transformao de Box-
distribuio de probabilidade uniforme, no intervalo de $0,1%, para gerar um par de nmeros
aleatrios e , de uma varivel aleatria normal padro (SOONG; GREGORIU, 1993,
apud BECK, 2012, p. 140). Os nmeros e so obtidos da seguinte forma:

= X2ln(b ) cos(2b ),
= X2ln(b ) sen(2b ).
(81)
(82)
Para transformar os nmeros aleatrios do espao normal padro para o espao de
projeto , utiliza-se a transformao de Hassofer-Lind, assim tm-se que:

= W + R.
onde R e W a mdia e o desvio padro, respectivamente, da varivel X.
(83)
Para variveis com distribuio log-normal, tem-se que:

= $ + %.
(84)
Se as variveis aleatrias do problema so independentes, ento a distribuio conjunta

de probabilidades pode ser obtida da seguinte forma:
G(
)=
[
G] (
).
(85)
68
Casos as variveis aleatrias sejam correlacionadas, deve-se adotar um procedimento

inverso aquele definido para o FORM, uma vez que no mtodo de confiabilidade de primeira
ordem as correlaes entre pares de variveis so eliminadas. No mtodo de Monte Carlo, tais
correlaes so impostas. Este procedimento pode ser realizado utilizando o modelo de Nataf,
para encontrar uma matriz de correlao equivalente . Os passos utilizados para gerar
amostras de variveis aleatrias correlacionadas so (BECK, 2012):
I.
II.
III.
IV.
Gerar uma amostra normal padro = C , , , * E;
Realizar uma transformao dessas variveis de , atravs das equaes

apresentadas em 4.3.1, obtendo assim, um conjunto de variveis =
C , , , * E;
Define-se o vetor de probabilidades acumuladas de , tal que b = ( );

Por fim se obtm as amostras de
tal como na Eq. (80).
69
6. MTODO DE MONTE CARLO

Em engenharia de estruturas muitas vezes no vivel a realizao de certos tipos de
experimento, seja pela complexidade de construo ou montagem do equipamento ou modelo,
seja pela necessidade de realizao de diversas combinaes de carregamentos e resistncia
dos modelos estudados. Partindo deste princpio, as tcnicas de simulao surgem como uma
alternativa para a observao de estruturas em diferentes configuraes de cargas e
resistncias. Dentre as tcnicas de simulao em confiabilidade o mtodo de Monte Carlo
surge quando os mtodos aproximativos (e.g. FORM e SORM) falham, ou quando se quer
testar a resposta obtida por estes mtodos.
O mtodo de Monte Carlo foi desenvolvido nos laboratrios de Los Alamos por
Metropolis e Ulam (1949) e apresentado no artigo intitulado de The Monte Carlo method. Em
confiabilidade de estruturas, o mtodo surge de maneira natural para a simulao de diversas
configuraes de uma estrutura, de forma que sua aplicao na avaliao da probabilidade de
falha seja direta. O mtodo de Monte Carlo dito Bruto quando este apresentado em sua
forma mais simples. A soluo de problemas de confiabilidade atravs da simulao de Monte
Carlo Bruto (BRUTO) realizada utilizando uma funo indicadora $w% tal que:
$w% = 1 se w u ,
$w% = 0 se w v ,
(86)
onde u o domnio de falha e v o domnio de segurana. Podem-se estender os limites de
integrao sobre todo o domnio das variveis aleatrias a fim de se calcular a
probabilidade de falha, tal que:
#y = I $w% (w) Jw 0f$w%g.
partir de uma amostra de tamanho finito - como:
(87)
A Eq. (87) corresponde ao valor esperado da funo indicadora, que pode ser estimado a
#Yy = $ w% =
*
-y
1
Z $w% =
= 0f#Yy g,
[
(88)
70
onde a #Yy a probabilidade de falha estimada por uma amostra finita, - o nmero de pontos
amostrais e -y o nmero de pontos amostrais dentro do domnio de falha. Pode-se mostrar
que a Eq. (88) um estimador no tendencioso da probabilidade de falha, ou seja, com -
, tem-se que #Yy #y (BECK, 2012).
Por se tratar de estatstica computada a partir de amostra de dimenso finita, o
estimador na Eq. (88) est sujeito a um erro de amostragem, que corresponde varincia da
probabilidade de falha:
Varf#Yy g =
medida que - .
*
1
Z i$w % #Yy j .
-1
[
(89)
Observa-se que a varincia, ou erro estatstico da amostragem, converge para zero
Intervalos de confiana podem ser definidos para a estimativa da probabilidade de falha.
Definindo-se um nvel de confiana , determina-se o valor de Q, com Q = L -
, onde
L a inversa da funo de distribuio acumulada normal padro. Por exemplo, para um
nvel de confiana de 95% Q 1,96. Ento intervalos de confiana so obtidos da seguinte

forma:
#Yy QVarf#Yy g #Yy #Yy + QVarf#Yy g.
6.1.
(90)
Tcnicas de amostragem bsica
As tcnicas de amostragem bsica so aquelas utilizadas para gerar a amostra necessria

na simulao de Monte Carlo. So ditas bsicas pelo fato de no necessitar de informaes
adicionais, como forma da equao de estado limite e pontos de projeto. A seguir sero
apresentadas a Amostragem Simples, a Amostragem por Variveis Antitticas, a Amostragem
Estratificada e a Amostragem por Hipercubo Latino.
6.1.1. Amostragem simples

A Amostragem Simples consiste na aplicao direta do procedimento exposto em 5.2,
no Monte Carlo Bruto. Grficos de convergncia da probabilidade de falha com o tamanho da
amostra podem ser obtidos para avaliar a preciso e a acurcia da simulao. Assim, como
apresentado na Figura 10, os grficos de convergncia so compostos pela curva da estimativa
71
da probabilidade de falha e pelos intervalos de confiana, tal como definidos na Eq. (90).
Assim, quanto maior for o tamanho da amostra, mais estreito vai se tornando o intervalo de
confiana. Este tipo de representao grfica de particular importncia no desenvolvimento
deste trabalho, uma vez que a comparao entre as tcnicas de amostragem inteligente se
basear neste tipo de resultado. A Figura 10 apresenta um tpico grfico de convergncia
obtido para o Exemplo 1, que ser apresentado em 7.1.
Figura 10. Grfico de convergncia da probabilidade de falha pela simulao do Monte Carlo Bruto, no
Exemplo 1.
O coeficiente de variao da probabilidade de falha estimada dado por:

f#Yy g
PfY g
fY g
X*
(91)
A partir da Eq. (91), estima-se que para uma probabilidade de falha da ordem de 10L com
$#Yy % 10%, seja necessria uma amostra de tamanho 10S . Como exemplo, para
c. o. v$#Yy % 10% e #y = 10L , resulta que - 10S = 10 . Como esta uma ordem de
probabilidade de falha comum em engenharia de estruturas, resulta que o nmero de
simulaes necessrio para obter uma boa estimativa da probabilidade de falha elevado
(BECK, 2012).
Nos problemas que possuem a equao de estado limite analtica, este nmero de
simulaes no proibitivo. No entanto, a engenharia de estruturas pode utilizar
procedimentos de simulao numrica, de elevado custo computacional. Para este tipo de
problema, a simulao de Monte Carlo com amostragem simples pode ter custo
72
computacional proibitivo, mesmo levando-se em conta os recentes avanos na capacidade de

processamento dos computadores.
6.1.2. Amostragem por variveis antitticas

Na tcnica de Amostragem por Variveis Antitticas, se realiza a simulao do conjunto
de nmeros aleatrios = Cb , b , , b* E de maneira usual, alm disso, se realiza a
simulao de um conjunto de nmeros, que so complementos dos elementos do conjunto ,
= C1 b , 1 b , , 1 b* E. A principal proposta deste mtodo a insero de

tal que,
correlao negativa entre observaes. Dois estimadores no tendenciosos da probabilidade
de falha, #yP e #yO , podem ser combinados gerando um terceiro estimador no tendencioso #y ,
tal que:
#y
#yP + #yO
=
.
2
(92)
Este estimador possui a seguinte varincia:

UMVf#y g =
1
iUMVf#yP g + UMVf#yO g + 2 pqf#yP , #yO gj.
4
(93)
Logo, se #yP = (b ) e #yO = (1 b ), com \ = 1, , -, ento se est impondo uma
correlao negativa, levando
pqf#yP , #yO g a ter um valor negativo e assim reduzindo a
varincia de #y . Esta tcnica, quando aplicada sozinha, pode no apresentar melhoras
expressivas, porm, quando utilizada em conjunto com outras tcnicas, pode apresentar
resultados um pouco mais relevantes (BECK, 2012).
6.1.3. Amostragem estratificada

(w). Esta amostragem aleatria
Na Amostragem Simples, os pontos so gerados aleatoriamente em todo o domnio,

seguindo a funo de densidade conjunta de probabilidade
poderia gerar concentrao de pontos em algumas regies do domnio, e deixar outras regies
com poucos pontos. A amostragem estratificada busca evitar esta falta de homogeneidade na
cobertura do espao amostral. Isso realizado dividindo o domnio em faixas e realizando
amostragens em cada faixa do domnio (McKAY; BECKMAN; CONOVER, 1979). A Figura
11 ilustra a gerao de pontos na amostragem estratificada para duas variveis aleatrias.
Porm, esta tcnica no se mostra to eficiente quanto outras tcnicas de amostragem
73
inteligente, o que a tornaria um mtodo obsoleto e sem muita utilizao dentro do StRAnD,
por isso, ela no objeto de estudo deste trabalho.
Figura 11. Amostragem estratificada (HURTADO; BARBAT, 1998).
6.1.4. Amostragem por hipercubo latino

A tcnica de amostragem por hipercubo latino foi apresentada primeiramente por
McKay, Beckman e Conover (1979), onde foi realizado um estudo comparativo com a
amostragem aleatria e amostragem estratificada.
De maneira semelhante amostragem estratificada, a amostragem por hipercubo latino
divide o domnio de cada varivel aleatria em faixas (McKAY; BECKMAN; CONOVER,
1979) e (OLSSON; SANDEBERG; DAHLBLOM, 2003). Portanto, cada faixa amostrada
uma nica vez, resultando numa distribuio esparsa dos pontos (Figura 12). Isto garante uma
cobertura homognea do domnio das variveis aleatrias.
Figura 12. Amostragem por hipercubo latino (HURTADO; BARBAT, 1998).
74
Seja -P o nmero de variveis aleatrias do problema e - o nmero de pontos da
amostra. O espao de amostragem torna-se -P -dimensional. Uma matriz , de dimenses
(- -P ), gerada, onde cada uma das -P colunas uma permutao aleatria de 1, , -.
Outra matriz gerada (dimenses - -P ), cujos componentes so nmeros aleatoriamente

distribudos entre (0,1). A partir destas matrizes, obtm-se a matriz (OLSSON;
SANDEBERG; DAHLBLOM, 2003):

=
1
( ).
-
(94)
Como exemplo, na Figura 13 considere as dimenses (- -P ) = (5 2), assim:
Figura 13. Hipercubo Latino para duas variveis e cinco realizaes (OLSSON; SANDEBERG;
DAHLBLOM, 2003).
Assim as amostras so geradas a partir de , tal que:

l
L
= 4Kl
i l j,
(95)
L
onde 4Kl
a inversa da funo de distribuio acumulada de probabilidade da varivel Dl .
A gerao das matrizes S, P e R, pode ser proibitiva quando se deseja gerar uma
amostra de tamanho - muito grande, uma vez que isto pode levar a um consumo excessivo de
memria do computador. No StRAnD esta tcnica est programada tanto da maneira
apresentada anteriormente, quanto de maneira a reduzir o consumo de memria. Os passos

adotados para reduzir o consumo de memria so os seguintes:
1. Inicia-se o Loop para a varivel aleatria j;
2.
Gera-se um vetor, que a primeira coluna da matriz P;
3. Inicia-se o loop para o nmero de simulaes i;

4. Gera-se um nmero aleatrio entre 0 e 1, sem ser necessrio gerar uma matriz R
ou qualquer tipo de Array;
75
5. Calcula-se um escalar s, sem a necessidade de se criar uma matriz S e aplica-o

na Eq. (95) para calcular os elementos
6. Retorna ao passo 4 at i= -;
l;
7. Retorna ao passo 2 at j=-P

Desta forma, o histograma de frequncia das realizaes de cada varivel aleatria
adquire uma forma mais suave. Tal comportamento pode ser observado na Figura 14, onde se
destacam os histogramas para a Amostragem Simples, para a Amostragem por Variveis
Antitticas e para a Amostragem por Hipercubo Latino para uma varivel aleatria normal
com mdia 1,0 e desvio padro de 0,15.
a)
b)
c)
Figura 14. Histograma de frequncia na a) Amostragem Simples, b) Amostragem por Variveis Antitticas
e c) Amostragem por Hipercubo Latino.
6.2.
Tcnicas de Amostragem Inteligentes
A seguir so apresentadas algumas tcnicas que so propostas para estimar a

probabilidade de falha de problemas onde o Monte Carlo Bruto apresenta dificuldades, tais
como em problemas com probabilidade de falha pequenas, na avaliao em conjunto com um
problema numrico (e.g. Elementos Finitos) ou na avaliao de sistemas. dado destaque a
Amostragem por Importncia utilizando pontos de projeto (AI), a Amostragem Assinttica
(AA), a Amostragem Melhorada (AM) e a Simulao de Subconjuntos (SS).
Vale destacar que as tcnicas de Amostragem por Hipercubo Latino e de Amostragem
por Variveis Antitticas, so tcnicas de amostragem bsica e que tambm so consideradas
como tcnicas de amostragem inteligente, porm, estas j foram apresentadas anteriormente.
76
6.2.1. Amostragem por Importncia utilizando pontos de projeto

A tcnica de Amostragem por Importncia usando pontos de projeto consiste em
pontos de amostragem, os mesmos so gerados a partir de uma funo de amostragem (w),
transladar os pontos de amostragem para a regio do domnio de falha. Para deslocar os
convenientemente escolhida. A forma de escolha da funo de amostragem d origem s

denominador da Eq. (87) por (w), se obtm:
diferentes tcnicas de amostragem por importncia. Multiplicando-se numerador e

#y = I (w)
(w)
(w)J.
(w)
(96)
Esta uma expresso para o valor esperado da funo (w)
y (w)
.
(w)
Este valor esperado
pode ser estimado a partir de uma amostra de tamanho finito, tal que:
(w )
1
#Yy = ( w) = Z (w )
.
(w )
*
(97)
Ao deslocar a amostra para o domnio de falha, a funo indicadora ter mais valores 1
do que na amostra original. No entanto, observa-se que cada valor 1 da funo indicadora est
associado a um peso definido por =
y (w] )
(w] )
1 (BECK, 2012).
A qualidade do resultado obtido pela Amostragem por Importncia depende muito da

funo de amostragem que se adota. Uma funo de amostragem mal escolhida pode at
piorar o resultado. A literatura apresenta diversas maneiras de se propor a funo de
amostragem, porm, a tcnica abordada neste trabalho a amostragem por importncia
utilizando pontos de projeto. Esta tcnica apresenta diversas vantagens, como a rpida
convergncia da resposta, onde como consequncia possvel se obter uma baixa varincia da
probabilidade de falha, em comparao com o Monte Carlo Bruto. A Figura 15 apresenta um
tpico grfico de convergncia obtido para o Exemplo 1, que ser apresentado em 7.1, onde se
compara a convergncia da probabilidade de falha para o Monte Carlo Bruto (BRUTO) e para
a Amostragem por Importncia (AI). A Figura 16, apresenta o grfico apenas da Amostragem
por Importncia.
77
Figura 15. Comparativo da convergncia do Monte Carlo Bruto com a Amostragem por Importncia, no
Exemplo 1.
Figura 16. Convergncia do Monte Carlo com Amostragem por Importncia, no Exemplo 1.
6.2.1.1. Amostragem por Importncia utilizando Hipercubo

Latino
Enquanto que a aplicao da Amostragem Simples e da Amostragem por Variveis
Antitticas feita de maneira direta na Amostragem por Importncia, neste trabalho se optou
pela modificao apresentada por Olsson, Sandberg e Dahlblom (2003). Segundo Olsson,
Sandberg e Dahlblom (2003), na amostragem por importncia com hipercubo latino padro,
existe a possibilidade de que a maioria das realizaes das variveis aleatrias do problema
acontea apenas em um lado da hipersuperfcie de falha. Isto pode ser evitado aplicando uma
transformao ao hipercubo latino. A transformao aplicada ao hipercubo latino gerado, de
, que o vetor definido pelas coordenadas da origem do espao de probabilidade
de projeto
forma que uma de suas direes coincida com a direo definida pelo vetor unitrio do ponto
78
e pelas coordenadas do ponto de projeto. Na Figura 17 podemos observar o vetor do ponto de

projeto no espao bidimensional.
Figura 17. Vetor do ponto de projeto.
O vetor do ponto de projeto de dimenso n definido por:
= , , , * = ( , , , * ) (0,0, ,0).
(98)
O vetor unitrio do ponto de projeto dado pela razo entre o vetor do ponto de projeto
e sua norma | |, assim temos que:
.
| |
(99)
Dessa forma, uma particular direo do espao que gera o hipercubo latino transformada de
, as direes remanescentes so definidas como direes ortogonais
forma a coincidir com
, assim pode-se definir uma matriz de transformao
a
. As linhas de
so compostas
pelas componentes dos vetores unitrios do espao transformado lidos no espao original.
Uma propriedade de
em questo,
que devido ortogonalidade dos vetores da base do espao vetorial
uma matriz ortogonal de forma que:

=
A matriz de transformao
= .
(100)
obtida via processo de ortogonalizao de Gram-Schmidt.
Dessa forma, inicialmente gerada uma amostra com distribuio normal padro no
correlacionada l = ib , b , , b* j com n = 1, 2, , -, na origem. Em seguida aplica-se a
matriz de transformao na amostra, de forma que:
79
l = l .
(101)
Ento as amostras transformadas so deslocadas para o ponto de projeto de forma que:

l = l + .
(102)
A Figura 18 apresenta a transformao do hipercubo latino no espao bidimensional.
Figura 18. Hipercubo Latino original e transformado, adaptado de (OLSSON; SANDEBERG e

DAHLBLOM, 2003).
A seguir sero apresentadas como se d a aplicao da Amostragem por Importncia em

sistemas.
6.2.1.2. Mltiplos modos de falha

construo da funo de amostragem utilizando o ponto de projeto simples: a funo (w)
Havendo um nico modo de falha, ou apenas uma equao de estado limite, a
construda tomando-se a funo
(w) e substituindo a mdia pelas coordenadas do ponto de
projeto w . Havendo mais de uma equao de estado limite, necessrio levar em
considerao a forma de associao destas (se em srie ou em paralelo) e levar em conta a

importncia relativa de cada estado limite. Para mltiplos modos de falha, a funo de
amostragem construda como uma soma ponderada (BECK, 2012), tal que:
(w) = Z (w),
(103)
onde ! o nmero de equaes de estado limite, o peso associado a i-sima equao de
estado limite e (w) uma funo de amostragem centrada no i-simo ponto de projeto. Os
pesos so determinados a partir da importncia relativa de cada modo de falha. Para

sistemas em srie, pode-se considerar:
80
=
( )
.
*[ ( )
(104)
Assim, o tamanho total da amostra tomado como uma soma ponderada da amostra
relativa a cada estado limite, tal que:
- & -.
(105)
A Figura 19 ilustra a construo de uma funo de amostragem centrada sobre dois

pontos de projeto, para um problema com duas equaes de estado limite.
Figura 19. Amostragem por importncia utilizando pontos de projeto (BECK, 2012).
Esta tcnica apresenta o inconveniente de necessitar do conhecimento prvio do ponto,

ou dos pontos, de projeto, uma vez que a funo de amostragem precisa ser transladada at
ele, ou eles. Isso faz com que problemas para os quais no possvel definir os pontos de
projeto, no apresentem resposta por este mtodo, sendo necessrio aplicar tcnicas que no
faam uso desta informao adicional.
6.2.2. Amostragem assinttica

Bucher (2009) introduziu uma nova tcnica que utiliza o mtodo de Monte Carlo e cuja
finalidade estimar baixas probabilidades de falha. Tal tcnica a Amostragem Assinttica.
Esta tcnica faz uso das propriedades assintticas da probabilidade de falha medida que os
desvios-padro das variveis aleatrias tendem a zero. A tcnica dispensa o conhecimento do
ponto de projeto.
81
Inicialmente, introduz-se um fator
que inversamente proporcional aos desvios-
padro W das variveis aleatrias do problema:

1
.
W
(106)
Sabe-se que o ndice de confiabilidade
torna-se proporcional ao fator . Portanto, pode-se
aproximar a relao funcional entre
como (BUCHER, 2009):
="
7
+ ,
(107)
onde " e 7 so constantes a determinar. Desta forma se garante o comportamento assinttico

linear medida que
. Outras funes poderiam ser escolhidas de acordo com o
comportamento das duplas ( , ), que so os pontos de suporte (BUCHER, 2009). Estas
quadrados), a partir da avaliao de duplas ( , ). Para o processo de ajuste a Eq. (107)
constantes podem ser determinadas usando tcnicas convencionais de ajuste (e.g. mnimos
reescrita em termos da razo do ndice de confiabilidade

="+
com o fator
(BUCHER, 2009):
(108)
(BUCHER, 2009). As duplas guardadas so ( , / ), o que leva a obteno de um grfico tal

Esta reformulao automaticamente atribui pesos iguais a todos os pontos de suporte
como a ilustrao mostrada na Figura 20.
Figura 20. Ilustrao do ajuste no linear realizado nas duplas - , .
A Eq. (108) pode ser substituda por uma mais geral, tal que:
82
="+7
(109)
onde C um valor que ajustado juntamente com A e B.

Para problemas multidimensionais, pode-se escrever:
Wv
(110)
onde W o desvio-padro da i-sima varivel aleatria e W v
simulao, desta forma,
o desvio padro utilizado na
= 1 representa o problema original. Os intervalos de confiana da
probabilidade de falha so obtidos atravs das bandas de confiana (Intervalos de confiana

da resposta mdia), que so obtidos em toda curva ajustada. O procedimento de obteno de
tais intervalos apresentado em Montegomery e Runger (2003), onde um intervalo de
100(1-)% sobre a resposta mdia, no valor
obtido, tal que 0$o| % = Rr|K o
valor mdio exato da curva e R r|K o valor estimado da funo ajustada no ponto
. Assim,
o intervalo de confiana da resposta mdia dado por:

R r|K x,*L
1

+ *
- [

R r|K + x,*L
Rr|K
(111)
1

+ *
- [

onde
*[ io o j
0 =
,
-
(112)
tal que, o o valor do ponto de suporte, o o valor da funo ajustada para um valor x do
ponto de suporte, n o nmero de pontos de suporte e p o nmero de parmetros.
Em resumo, para resolver um problema de simulao utilizando amostragem

assinttica, escolhe-se um intervalo de validade para
e um valor - que corresponde ao
nmero requerido de pontos no domnio de falha para obter boa preciso no

resultado final obtido para a Eq. (108) ou Eq. (109) com
calculado. O
= 1. Na Figura 21 possvel se
83
ter uma boa viso da aplicao do mtodo quando se parametriza o desvio-padro de cada
varivel aleatria.
Figura 21. Parametrizao dos desvios-padro das variveis aleatrias (SICHANI; NIELSEN;
BUCHER, 2011b).
Uma importante questo referente ao uso desta tcnica a escolha dos pontos de suporte,
de forma que seja possvel obter resultados satisfatrios. Sichani, Nielsen e Bucher (2011a,b)
mostraram que necessrio estabelecer com critrios o intervalo de
* , K %,
definido por
de forma que seja possvel obter bons resultados. Tambm foi mostrado que
existe um intervalo $
* , K %
timo, de forma que o erro em relao ao valor mdio de
diversas realizaes do mtodo fosse o menor possvel, porm, a largura do intervalo do

parmetro f depende do tipo do problema que se esteja analisando, i.e. a forma da equao de
estado limite, o nvel da barreira, etc. Vale destacar que o algoritmo desenvolvido por Sichani,
Nielsen e Bucher (2011a), para definir tal intervalo, se justifica em face ao seu alto custo
computacional quando se esta trabalhando com problemas de dinmica estocstica. Como este
trabalho analisar problemas de confiabilidade independentes do tempo, um algoritmo desse
tipo pode apresentar um alto custo computacional.
Apesar dos benefcios apresentados pela tcnica, deve-se prestar ateno a possibilidade
do mesmo apresentar algumas inconsistncias, pois, uma vez que o desvio padro das
variveis aleatrias modificado, existe a possibilidade de simulao de valores no
consistentes com as propriedades fsicas das variveis e muitas vezes isso leva a erros na
estimativa da probabilidade de falha de cada ponto de suporte, aumentando a incerteza da
resposta. Como exemplo, tomando um problema com duas variveis aleatrias uniformes em
um problema do tipo capacidade demanda (C-D), tal que a varivel C~U(1,1;10,1) e
D~U(10;30). Sendo assim os desvios padro delas so 6,75 e 8,3333, respectivamente. Assim,
$T-, T %
dividindo os desvios-padro por 0,6 e 0,375, os limites da distribuio uniforme passam a ser:
$T-, T %
= $3,3333; 36,6667%
= $6,6667; 46,6667%
para
84
varivel Capacidade e $T-, T %
= $1,9; 13,1% e $T-, T %
a varivel Demanda. Tal comportamento apresentado na Figura 22.
= $6,4; 17,6%, para
Figura 22. Distribuies de probabilidade parametrizadas das variveis: Capacidade (C) e Demanda (D).
De acordo com a Figura 22, como a distribuio uniforme, ento para cada distribuio
parametrizada por f, possvel obter qualquer resultado, com a mesma probabilidade, entre os
valores mximos e mnimos que foram anteriormente apresentados. Dessa forma, dever ser
questionado se as variveis podem apresentar valores negativos, o que muitas vezes poder
representar um dado fisicamente inconsistente. Dessa forma o StRAnD est provido de um
algoritmo que pode ser ativado pelo usurio, atravs do arquivo de entrada, para caso seja
necessrio avaliar tais condies. O Algoritmo identifica para cada valor de f, se os valores
mximos e mnimos da distribuio de probabilidade parametrizada possuem o mesmo sinal
da distribuio original. Dessa forma o programa dever identificar um intervalo do parmetro
f, que seja adequado a essa condio. Alm disso, esta tcnica poder apresentar problemas
quando as variveis aleatrias no possuem caudas com decrescimento suave, como no caso
da distribuio uniforme. Este ltimo problema ser discutido em 7.2.
Por estar em desenvolvimento, esta tcnica ainda objeto de vrios estudos, tais como os
apresentados por Tang, Lu e Pan (2014), que discutem trs questes. A primeira se refere ao
custo computacional da Amostragem Assinttica, que pode ser proibitivo devido
necessidade de avaliaes independentes de ( ) para a obteno dos pontos de suporte. A
segunda diz respeito s possveis discrepncias na exatido do resultado proveniente do uso
da Eq. (107). A terceira questo abordada pelos autores refere-se ao fato de que a
Amostragem Assinttica pode no ser capaz de gerar intervalos de confiana. J Sichani,
Nielsen e Bucher (2014), explicam que a tcnica falha para problemas de dimenso elevada.
85
6.2.3. Amostragem melhorada

Uma tcnica em simulao de Monte Carlo foi proposta por Naess, Leira e Batsevych
(2009) com o objetivo de estimar a confiabilidade de sistemas, reduzindo o custo
computacional e mantendo a funcionalidade do mtodo de Monte Carlo. Segundo Naess,
Leira e Batsevych (2009), esta tcnica explora a regularidade das probabilidades nas caudas
das distribuies de probabilidade, de forma que um procedimento aproximativo possa ser
aplicado na estimativa de probabilidades de falha pequenas. O procedimento adotado na
Amostragem Melhorada apresentado a seguir.
Uma funo margem de segurana = t
,,
, que expressa em termos de
n variveis aleatrias, a base de um conjunto de equaes parametrizadas de M. Assim, o

conjuntos de funes M definido pelo parmetro , com 0 1. Dessa forma:
= 1 R ,
(113)
onde R a mdia da funo margem de segurana. Ento, assume-se que o comportamento
das duplas f, y g governado pela equao:

y
A funo
CM N E com 1.
(114)
varia pouco em comparao CM N E. Ento, para um
intervalo 1, pode-se considerar a funo

y
constante, tal que:
CM N E com 1.
(115)
Conhecendo as duplas f, y g, pode-se ajustar os parmetros da Eq. (115), por meio
do algoritmo de ajuste no linear contido no StRAnD. Assim, para = 1, pode-se estimar o
valor da probabilidade de falha, fazendo y = y 1 . O intervalo de confiana de y o
intervalo de confiana obtido pela banda de confiana do ajuste no linear (Intervalo de

confiana na resposta mdia), que foi apresentado em 6.2.2. Tal abordagem diferencia-se
daquela adotada por Naess, Leira e Batsevych (2009), uma vez que o autor utiliza bandas de
confiana empricas na estimativa dos intervalos de confiana.
6.2.3.1. Mltiplos modos de falha

Segundo Naess, Leira e Batsevych (2009), sendo as funes margem de segurana, para
cada componente de um sistema, definidas por l = tl
,,
, com n = 1, , T,
86
onde T o nmero de componentes do sistema e - o nmero de variveis aleatrias, ento se
pode parametrizar este conjunto de equaes da seguinte forma:

l = l 1 R .
(116)
Assim, a definio para um sistema em srie dada por:
y = # !l 0".
(117)
l[
Para um sistema em paralelo dada por:
y = # !l 0".
(118)
l[
Para um sistema em srie formado por subsistemas em paralelo, tem-se:

y = # ! C 0E",
l[
com
l,
(119)
sendo um subconjunto de 1, , T, para n = 1, , #.
Dessa forma, utiliza-se a Eq. (115) para o ajuste no linear das duplas f, y g na
avaliao de sistemas.
6.2.4. Simulao de subconjuntos

A tcnica de Simulao de Subconjuntos foi proposta por Au e Beck (2001) com a
finalidade de estimar probabilidades de falha pequenas em anlise de confiabilidade de
sistemas. A ideia da tcnica definir o evento falha, que possui baixa probabilidade de
ocorrncia, como uma sequncia de eventos com probabilidades de falha maior, porm
condicionais. Assim, no necessrio ter uma amostra grande na avaliao de pequenas
probabilidades de falha.
O mtodo de Monte Carlo Bruto no considerado uma boa alternativa para estimar as
probabilidades condicionais. Assim o mtodo de Monte Carlo com Cadeias de Markov
(Markov Chain Monte Carlo - MCMC), que faz uso do algoritmo de Metropolis-Hastings,
uma alternativa natural para tal aplicao.
87
A ideia fundamental da Simulao de Subconjuntos (Subset Simulation) substituir o

clculo de uma probabilidade de falha muito pequena, de elevado custo computacional, por
uma sequncia ou produto de probabilidades de falha condicionais. Isso feito atravs de
escolha apropriada dos limites de falha intermedirios, assim, a probabilidade de falha dos
eventos condicionais pode ser estimada com um nmero reduzido de simulaes. Para estimar
as probabilidades dos eventos condicionais, utilizam-se as cadeias de Markov e o algoritmo
de Metropolis-Hastings Modificado. A definio matemtica da tcnica dada a seguir.
Seja 0 o evento falha, cuja probabilidade se deseja estimar:
#$0% = #$ u % = I
w Jw = I w
w Jw.
(120)
Seja uma sequncia decrescente de eventos 0 tal que 0 0 0 = 0, de
forma que:
0A =
0 , Q = 1, , T.
(121)
Como exemplo, para um sistema simples do tipo capacidade-demanda (t w =
a seqncia de eventos condicionais poderia ser obtida como:
#$0 % = #$ d , com d > d > > d = d %.
d),
(122)
A partir da definio de probabilidades condicionais, pode-se mostrar que:
#y = #$0% = # %
0 & = #$0 %
#$0 |0 L %.
(123)
Por exemplo, para #$0 % = 0,1 e #$0 |0 L % = 0,1 com \ = 1, 2, 3 isso leva a #y =
#$0% = 10L o que um valor baixo de probabilidade, porm como as probabilidades dos
eventos intermedirios so de 0,1, uma amostra menor requerida para cada subconjunto
(AU; BECK, 2001).
Para obter o primeiro termo, #$0 %, utiliza-se diretamente a Eq. (88), seja com a
Amostragem Simples, com a Amostragem por Hipercubo Latino ou com a Amostragem por
Variveis Antitticas. Para obter as probabilidades condicionais, #$0 |0 L %, pode-se a

princpio utilizar o Monte Carlo Bruto, desde que os pontos sejam simulados de acordo com o
evento condicionante:
88
w ] w
.
#$0 %
w|0 =
(124)
No entanto, esta tcnica no eficiente, em funo do elevado nmero de pontos amostrais

necessrios para avaliar as probabilidades condicionais. Por outro lado, pode-se utilizar
simulao por cadeias de Markov e o algoritmo de Metropolis-Hastings Modificados (AU;
BECK, 2005).
Como a ideia bsica desta tcnica estimar a probabilidade do evento falha #$0% a
partir de #$0 % e de C#$0 |0 L %|\ = 2, , TE, os eventos intermedirios 0 so escolhidos de
maneira adaptativa utilizando as informaes de probabilidade dos eventos condicionais. Em

confiabilidade estamos interessados em saber a probabilidade de um estado limite ser
atingido. Assim pode-se escrever que:
#y = #$0% = #$Ct
Dado que o evento Falha definido por:

0 = Ct
0E%.
(125)
0E.
(126)
Assim, os eventos intermedirios ficam definidos por:

0 = Ct
N E.
(127)
Com \ = 1, , T, a sequncia de eventos intermedirios 0 fica ento definida pelo conjunto
de limites de falha intermedirios ' = CN , , N E. Por convenincia, as probabilidades de

falhas condicionais so pr-estabelecidas, tal que #$0 |0 L % = # .
com um nmero !~~ de amostras pr-estabelecido (e.g. !~~ = 500), obtendo assim a amostra
Na execuo da tcnica, inicialmente realizada uma simulao de Monte Carlo Bruto
,A ,
com Q = 1, , !~~ . Posteriormente aplica-se a amostra D
tal que, o ,A = t(D
,A ).
,A
na equao de estado limite,
Ento, o vetor o ,A ordenado em ordem crescente, obtendo-se o
vetor o S,A . O limite de falha intermedirio N determinado como o ponto amostral o S,A com
Q = # !~~ , dessa forma, #$Co S,
((
N E% = # . Assim, existem # !~~ pontos amostrais
dentro do domnio de falha definido pelo limite de falha N . A partir de cada um desses pontos
amostrais so geradas, via Cadeias de Markov pelo algoritmo de Metropolis-Hastings

Modificado, (1 # )!~~ pontos amostrais condicionais D(
| ,A ,
com distribuio |0
no
primeiro nvel, o que representa uma amostra de tamanho !~~ no nvel 1. Posteriormente
aplicam-se os pontos amostrais na equao de estado limite, tal que o(
| ,A
=t D
| ,A
89
Ento, o vetor o
| ,A
ordenado em ordem crescente, obtendo-se o vetor o S|
,A
e o limite de
falha intermedirio N . Esse limite de falha intermedirio determinado como o ponto
amostral o S|
,A
com Q = # !~~ , dessa forma, #$Co(S|
((
N E% = # . Assim, o prximo
evento 0 = C N E definido. fcil notar que #$0 |0 % = #$C N | N E% = # .
Assim, os # !~~ pontos amostrais condicionais sero as sementes das amostras condicionais
que o limite final N seja atingido, de forma que N = 0 (AU, 2005). Este processo
dos eventos seguintes. Assim, repetindo o processo, podem-se gerar amostras condicionais at
ilustrado na Figura 23.
Figura 23. Gerao de subconjuntos via cadeias de Markov.
A seguir sero apresentados como realizada a estimativa do coeficiente de variao da

probabilidade de falha e como se d o processo de gerao de amostras por cadeias de
Markov utilizando o algoritmo de Metropolis-Hastings Modificado.
6.2.4.1. Coeficiente de Variao da probabilidade de falha

Nesta seo ser apresentada como feita a estimativa do coeficiente de variao da
nesta seo foram introduzidas por (AU; BECK, 2001). Dado # = #$0 %, # = #$0 |0 L % e
probabilidade de falha para a Simulao de Subconjuntos. As equaes a serem apresentadas
#y = #$0% com seus estimadores dados por # , # e #y , respectivamente. De acordo com Au e

Beck (2001), o coeficiente de variao ) do primeiro subconjunto, que no condicional,
dado por:
90
1#
.
# !~~
(128)
1#
(1 + * ),
# !~~
(129)
) =
No caso das probabilidades de falha condicionais o coeficiente de variao )

) =
onde * o fator de correlao relativo ao subconjunto i. Dessa forma, Au e Beck (2001),
afirmam que embora # sejam correlacionados, simulaes mostram que uma boa
aproximao para o coeficiente de variao ) de #y dada por:
) = Z) ,
[
(130)
onde T o nmero de subconjuntos. Mais informaes so apresentadas em (AU e BECK,

2001).
6.2.4.2. Gerao de Cadeias de Markov
Um processo estocstico pode ser definido como a famlia de funes D(F, x), onde F
um ponto amostral do espao amostral , que associada a cada um destes pontos amostrais e
funo de um parmetro x, que em problemas fsicos pode ser interpretado de diversas

formas (e.g. tempo) (NOGUEIRA, 2009).
Os processos estocsticos podem ser classificados como:

a) Em relao ao estado: Discreto (Cadeias) ou Contnuo (Sequncias);
b) Em relao ao parmetro x: Discreto (x finito e contvel) ou Contnuo (x

infinito ou finito incontvel).
Neste trabalho ser dada nfase aos processos Markovianos, que por sua vez levam a
definio das cadeias de Markov.
Um processo estocstico dito ser um Processo Markoviano se a probabilidade
condicional de um evento futuro depende apenas do evento presente, ou seja, independe de
eventos passados, tal que:
91
#CD xAS
AS
|D xA =
A, , D
= #CD xAS
AS
|D xA =
A E.
(131)
Tal processo dito sem memria, pois eventos passados so desprezados de forma que
interessam apenas as probabilidades de transio #CD xAS
AS
|D xA =
A E.
Quando o
espao de estados discreto diz-se que o processo Markoviano uma Cadeia de Markov.
Neste caso tem-se que:
#CD Q + 1 =
AS
|D Q =
A, , D
= #CD Q + 1 =
AS
0 =
|D Q =
A E.
(132)
O mtodo de Monte Carlo com Cadeias de Markov utilizado para simular amostras de
variveis aleatrias. Nele as amostras so simuladas como estados da cadeia de Markov e
possuem uma distribuio alvo como sua distribuio limitante. Segundo Au e Beck (2001), a
ideia por trs da aplicao do algoritmo de Metropolis-Hastings que se possvel gerar uma
|0 , ento, pode-se simular, como o prximo
amostra com distribuio condicional
estado, uma nova amostra que tambm tender a ser distribuda de acordo com
|0 .
O objetivo do algoritmo de Metropolis-Hastings simular uma cadeia de Markov a

partir de um ponto amostral, tal que a distribuio estacionria da Cadeia de Markov
|0 =
D ^ D /# 0 . Au e Beck (2001) utilizam a verso modificada do Algoritmo
de Metropolis-Hastings, pois a verso original do algoritmo apresenta dificuldades em
problemas de dimenso elevada. O algoritmo de Metropolis-Hastings modificado

apresentado a seguir (ZUEV, 2010):
1. Gere estados candidatos
Para cada n = 1, , J
a) Simule: + l ~{l i |D* j;

l
b) Calcule a probabilidade de aceitao:

l D* , + l = T\- -1,
l
i.+ j
c) Aceite/Rejeite 0 , tal que:

l
l = -
2. Aceite/Rejeite , tal que:
-G`
/;
+ l com probabilidade l D* , + l
l
0
com probabilidade 1 l D* , + l
l
92
D*S = 1
se 0
.
D* se 0
Onde d corresponde dimenso do problema, D* corresponde ao estado inicial, {l |
so as distribuies invariantes proposta,

marginais de Dl .
so as funes de distribuio de probabilidade
Segundo Zuev et al. (2012) existem valores timos do desvio padro da distribuio
proposta W e de # , que levam a um menor coeficiente de variao da probabilidade de falha.

Assim, o melhor W aquele que leva a uma taxa de aceitao em torno de 25% e o melhor #
se localiza entre 0,1 e 0,3. Porm, a escolha de tais parmetros ainda algo bem subjetivo e
deve ser feita com cuidado. Segundo Au e Beck (2001), o desvio padro da distribuio
proposta W afeta o tamanho da regio coberta pela amostra gerada pelas cadeias de Markov,
consequentemente controlando a eficincia da tcnica. Assim, uma amostra pouco espalhada

tende a diminuir a convergncia do estimador da probabilidade de falha, uma vez que os
pontos amostrais so gerados muito prximos uns dos outros. Por outro lado, uma amostra
excessivamente espalhada tende a diminuir a taxa de aceitao dos pontos amostrais
simulados e consequentemente reduzindo a convergncia do estimador da probabilidade de
falha, uma vez que mais amostras repetidas so geradas. Ainda assim, W pode ser calculado
como uma parcela do desvio padro W da i-sima varivel aleatria.
93
7. EXEMPLOS
Neste captulo so estudados exemplos com a aplicao das tcnicas de amostragem
inteligente em problemas de confiabilidade de estruturas independentes do tempo. O estudo a
ser realizado consiste na anlise comparativa da convergncia da probabilidade de falha (#y )
com o aumento do tamanho da amostra (N), da convergncia do coeficiente de variao da
probabilidade de falha (C.V. da #y ) com o aumento do tamanho da amostra (N) e do tempo de
processamento com o aumento do tamanho da amostra (N). So aplicadas as seguintes

tcnicas:
o Monte Carlo Bruto (BRUTO) com:
Amostragem Simples (SIMC)
Amostragem por Hipercubo Latino (SLHS)
Amostragem por Variveis Antitticas (ASIMC)
o Amostragem por Importncia (AI) com:
Amostragem Simples (ISMC)
Amostragem por Hipercubo Latino (ILHS)
Amostragem por Variveis Antitticas (AISMC)
o Amostragem Assinttica (AA) com:
Amostragem Simples (ASMC)
Amostragem por Hipercubo Latino (ALHS)
Amostragem por Variveis Antitticas (AASMC)
o Amostragem Melhorada (AM) com:
Amostragem Simples (AM)
Amostragem por Hipercubo Latino (AM_LHS)
Amostragem por Variveis Antitticas (AAM)
o Simulao de Subconjuntos (SS) com:
Amostragem Simples (SS)
Amostragem por Hipercubo Latino (SSLHS)
Amostragem por Variveis Antitticas (SSA)
O estudo comparativo da convergncia no aplicado tcnica de Simulao de

Subconjuntos, pois, a qualidade de sua resposta no caracterizada de maneira adequada
94
apenas aumentando o tamanho da amostra em cada subconjunto. Deve-se levar em

considerao que esta tcnica adaptativa. Assim, sua resposta depende da probabilidade de
falha intermediria (condicional) # , do desvio-padro do caminhante aleatrio, do tipo de
distribuio de probabilidade do caminhante aleatrio e do tamanho da amostra em cada

subconjunto (!~~ ).
Pode-se destacar que a qualidade da resposta obtida pelas tcnicas que fazem uso de
ajuste de curva tambm dependente de seus parmetros, tais como o intervalo do parmetro
e o nmero de pontos de suporte. Porm, como estas tcnicas normalmente precisam de uma
amostra maior que aquela utilizada pela Simulao de Subconjuntos, estas sero avaliadas por
grficos de convergncia, fixando tais parmetros de forma que uma boa resposta seja obtida.
Nos problemas 1 a 5 utilizado um computador Intel CoreTM i7-3770 CPU 3,40 GHz
64 bits com 12 GB de memria RAM. J no problema 6, utiliza-se um computador com

processador Intel CoreTM i5-2500 CPU 3,30 GHz 64 bits com 4 GB de memria RAM.
A seguir sero apresentados os exemplos que so estudados neste trabalho.
7.1.
Exemplo 1: Capacidade-Demanda
Este problema consiste em estimar a probabilidade de a demanda (D) exceder a
capacidade (C) (C < D), quando as distribuies de probabilidade das variveis aleatrias C e
D so conhecidas. A equao de estado limite deste problema linear (Eq. (133)).

t(C, D) = C D = 0.
(133)
Os parmetros das distribuies de probabilidade de cada varivel aleatria so

apresentados na Tabela 1.
Tabela 1. Mdias e desvios padro das variveis aleatrias do Exemplo 1.
Varivel Aleatria
Distribuio
Normal
Normal
Mdia
2,0
1,0
Desvio Padro
0,20
0,15
Considerando todas variveis aleatrias independentes e com distribuio normal de

probabilidade, este problema pode ser resolvido analiticamente, tal como:
=
7 8
X7 + 8
21
X0,2 + 0,15
4.
(134)
95
Este valor de
corresponde a uma probabilidade de falha Pu =
= 3,1671 10L . Tal
valor ser a probabilidade de falha de referncia nas anlises comparativas.
7.1.1. Amostragem Assinttica

Nesta seo verificado atravs dos grficos de ajuste, como a Amostragem Assinttica
se adequa ao problema. O objetivo demonstrar que o resultado do ajuste melhora medida
que se aumenta o tamanho da amostra. So utilizadas amostras de tamanho 2103 (Figura 24)
e 1105 (Figura 25). Utiliza-se a Amostragem Simples, a Amostragem por Hipercubo Latino
e a Amostragem por Variveis Antitticas. Estes tamanhos de amostra so escolhidos como o
intervalo inferior e superior do estudo da convergncia, que ser apresentado em 7.1.4. O
parmetro f variado de 0,4 a 0,6. Utilizam-se 5 pontos de suporte.
no Exemplo 1.
no Exemplo 1.
96
Os parmetros ajustados na tcnica em questo so apresentados na Tabela 2, para a

Amostragem Simples (ASMC), para a Amostragem por Hipercubo Latino (ALHS) e para a
Amostragem por Variveis Antitticas (AASMC). Neste caso, o valor do parmetro C foi
fixado em -2,0, pois esse valor se mostrou mais adequado na resoluo deste problema uma
vez que as variveis aleatrias possuem caudas bem comportadas.
:
Tabela 2. Parmetros ajustados na Amostragem Assinttica, para o Exemplo 1.
ASMC
ALHS
AASMC
2103
B
3,6004
3,7773
4,0262
2,315110-2
5,773810-2
4,598310-2
-2,0000
-2,0000
-2,0000
1105
B
4,0225
4,0468
4,0344
-8,674510-3
-1,198610-2
-8,360210-3
-2,0000
-2,0000
-2,0000
Realizando um maior nmero de simulaes, observa-se uma melhor concordncia

entre a curva ajustada e os pontos de suporte, como pode ser observado na Figura 24 e na
Figura 25.
A probabilidade de falha e seu coeficiente de variao, para diferentes tamanhos de
amostra, so apresentados na Tabela 3.
Tabela 3. Probabilidade de falha e coeficiente de Variao da probabilidade de falha, para a Amostragem
Assinttica, no Exemplo 1.
:
ASMC
ALHS
AASMC
#y
; de referncia: 3,167110-5
2103
#y
. U.
1,45310-4
6,28010-5
2,32910-5
40,0892
35,5488
31,7296
2,98810-5
2,73310-5
2,83810-5
1105
. U.
0,5133
0,0441
0,4479
Vale ressaltar que tal resultado depende do intervalo que se adota para o parmetro f.
Maiores estudos referentes a este intervalos podem ser realizados, mas no so objetivos deste
trabalho.
7.1.2. Amostragem Melhorada

Na Figura 26 e na Figura 27, se observam as curvas ajustada aos pontos de suporte para
amostras de tamanho 2103 e 1105, respectivamente. Estes tamanhos de amostra so
escolhidos como o intervalo inferior e superior do estudo da convergncia, que ser
apresentado em 7.1.4. Nesse caso, so utilizados 100 pontos de suporte, com variando de
0,4 a 0,9.
97
no Exemplo 1.
no Exemplo 1.
Na Figura 26 e na Figura 27, se observa que o aumento do tamanho da amostra leva a

uma reduo da largura da banda de confiana do ajuste, consequentemente do intervalo de
confiana da probabilidade de falha estimada.
Os parmetros ajustados na tcnica em questo so apresentados na Tabela 4, para uma
amostra de tamanho 2103 e na Tabela 5 para uma amostra de tamanho 1105. Utiliza-se a
Amostragem Simples (AM), a Amostragem por Hipercubo Latino (AM_LHS) e a
Amostragem por Variveis Antitticas (AAM).
98
Tabela 4. Parmetros ajustados na Amostragem Melhorada, para uma amostra de tamanho 2103, no Exemplo 1.
AM
AM_LHS
AAM
<
6,262410-2
5,852210-2
5,878610-2
8,8961
20,118
9,8633
'
0,4000
0,39785
0,4000
1,0574
1,4166
1,1196
Tabela 5. Parmetros ajustados na Amostragem Melhorada, para uma amostra de tamanho 1105, no Exemplo 1.
AM
AM_LHS
AAM
<
1,803510-2
7,819910-2
0,20702
5,4913
2,8971
4,0108
'
-2,5018
-1,9209
-1,6978
5,2015
4,6638
4,0921
A Tabela 6 apresenta os valores das probabilidades de falha e de seus coeficientes de

variao para diferentes tamanhos da amostra.
Melhorada, no Exemplo 1.
:
ASMC
ALHS
AASMC
#y
2103
#y
. U.
3,51310-4
3,22410-6
2,24610-5
0,5838
65,5407
1,4771
1105
2,69710-5
2,66910-5
2,42510-5
. U.
1,0690
1,0844
1,1945
7.1.3. Simulao de Subconjuntos

Na Simulao de Subconjuntos, a quantidade de subconjuntos determinada de maneira
adaptativa a partir do tamanho da amostra de cada subconjunto (!~~ ), da ordem de grandeza
da probabilidade de falha (Pf), do valor das probabilidades de falha intermedirias (P0), do

tipo do caminhante aleatrio e do modelo da equao de estado limite.
Neste trabalho, o desvio padro do caminhante aleatrio i (W
) dado pelo produto de
um fator pelo desvio padro da variveis aleatria i do problema. Assim, o desvio padro do
caminhante aleatrio \, com \ = 1, , -P , onde -P o nmero de variveis aleatrias,
dado por:
=W,
(135)
99
onde um valor maior que zero. No StRAnD, o usurio pode definir o valor do desvio
padro e o tipo de distribuio de probabilidade, do caminhante aleatrio, de maneira direta

ou atravs do parmetro .
O caminhante aleatrio utilizado na Simulao de Subconjuntos definido pelos dados

apresentados na Tabela 7.
Tabela 7. Mdias e desvios padro do caminhante aleatrio do Exemplo 1.
Varivel Aleatria
Distribuio
Uniforme
Uniforme
Mdia
0,0
0,0
Desvio padro
x 0,20
x 0,15
Na Figura 28 realizada uma anlise referente a variao do desvio padro do

caminhante aleatrio. Neste caso, utiliza-se um caminhante aleatrio com distribuio
uniforme de probabilidade, P0=0,1 e NSS=700. Para gerar os pontos amostrais do primeiro
subconjunto utilizada a Amostragem Simples, mas este subconjunto pode ser criado por
meio da Amostragem por Hipercubo Latino ou por meio da Amostragem por Variveis
Antitticas. So obtidos 5 subconjuntos, e cada um deles representado por simbolos e cores
diferentes.
a) = 0,1
b) = 0,4
100
c) = 0,8
e) = 2,0
d) = 1,0
f) = 3,0
Figura 28. Subconjuntos gerados na Simulao de Subconjuntos, para o Exemplo 1.
Observa-se que quando = 0,1 (Figura 28a) ocorre uma alta taxa de aceitao dos
pontos amostrais pelo algoritmo de Metropolis-Hastings Modificado. Quando maior que
um, observa-se um aumento da rejeio dos pontos amostrais pelo algoritmo de MetropolisHastings Modificado.
Portanto se verifica uma boa adequao da Simulao de Subconjuntos na anlise do
problema em questo.
7.1.4. Anlise de convergncia

Realiza-se um comparativo entre o Monte Carlo Bruto, a Amostragem por Importncia,
a Amostragem Assinttica e a Amostragem Melhorada. Adota-se, em todas as tcnicas
citadas, o uso da Amostragem Simples, da Amostragem por Hipercubo Latino e da
Amostragem por Variveis Antitticas. O tamanho da amostra variado de 2103 at 1105,
tomando-se nesse intervalo 100 pontos.
101
a)
Mdia
b) C.V.
Figura 29. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Simples, no Exemplo
1.
a)
Mdia
b) C.V.
Latino, no Exemplo 1.
a)
Mdia
b) C.V.
Antitticas, no Exemplo 1.
Pode-se notar que as tcnicas em anlise tendem a convergir para o mesmo ponto, que
representado pela linha de referncia da probabilidade de falha. A Amostragem por
102
Importncia apresenta o melhor resultado dentre as tcnicas estudadas, pois apresenta uma
rpida convergncia da probabilidade de falha. As tcnicas de Amostragem Assinttica e de
Amostragem Melhorada apresentam uma ntida vantagem em relao ao Monte Carlo Bruto,
pois, estas tcnicas so capazes de estimar valores de probabilidades de falha com uma
amostra pequena. Tambm possvel notar que a Amostragem Assinttica apresenta uma boa
reduo do coeficiente de variao da pobabilidade de falha, a medida que se aumenta o
tamanho da amostra.
A seguir so apresentados os graficos do comparativo de cada tcnica com aplicao de
diferentes tcnicas de amostragem bsica. Neste caso feito um grfico para cada uma das
tcnicas (Monte Carlo Bruto, Amostragem por Importncia, Amostragem Assinttica e
Amostragem Melhorada) e para cada so obtidas trs curvas, uma para cada tcnica de
amostragem bsica (Amostragem Simples, Amostragem por Hipercubo Latino e Amostragem
por Variveis Antitticas).
a)
Mdia
b) C.V.
Figura 32. Comparativo da convergncia da Pf (a) e de C.V. (b) para o Monte Carlo Bruto, no Exemplo 1.
a)
Mdia
b) C.V.
Figura 33. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Importncia, no
Exemplo 1.
103
a)
Mdia
b) C.V.
Exemplo 1.
a)
Mdia
b) C.V.
Exemplo 1.
Na Figura 32, observa-se que o mtodo de Monte Carlo Bruto no apresenta boas
estimativas da probabilidade de falha.
Na Figura 33, pode-se observar que o uso da Amostragem por Hipercubo Latino e da
Amostragem por Variveis Antitticas so benficas para a Amostragem por Importncia,
especialmente nos trechos iniciais dos grficos de convergncia, mas vale lembrar que essa
diferena pequena.
Na Figura 34, pode-se observar uma certa vantagem do uso da Amostragem Assinttica
com o uso da Amostragem por Hipercubo Latino e da Amostragem por Variveis Antitticas,
especialmente nos trechos iniciais, mesmo que isso no seja expresso no coeficiente de
variao (Figura 34b).
104
Na Figura 35 visvel a vantagem obtida, em termos de convergncia da probabilidade

de falha, pelo uso da Amostragem por Hipercubo Latino na Amostragem Melhorada.
7.1.5. Comparativo da probabilidade de falha e de seu coeficiente

de variao
de subconjuntos foram adotados os seguintes parmetros: !~~ =2.000, =0,7 e P0 = 0,1. O
Neste exemplo ser utilizada uma amostra de tamanho 9.200. Na tcnica de simulao
comparativo dos resultados obtidos, para as tcnicas estudadas neste trabalho e para uma
amostra de tamanho 9.200, pode ser observado na Tabela 8.
SIMPLES
Tcnica
;
. >. da ;
Bruto
--Importncia
3,05710-5
0,0224
Assinttica
9,77110-5
1,9634
0,9926
Melhorada
9,18610-5
Subconjuntos
4,89510-5
0,2242
HIPERCUBO LATINO
Tcnica
;
. >. da ;
Bruto
--Importncia
3,04610-5
0,0223
Assinttica
2,57610-5
72,5439
-5
Melhorada
1,14710
9,2957
Subconjuntos
3,59410-5
0,2265
VARIVEIS ANTITTICAS
Tcnica
;
. >. da ;
Bruto
---5
Importncia
3,12910
0,0223
Assinttica
8,06710-5
4,1835
Melhorada
1,10210-4
0,6168
Subconjuntos
4,88110-5
0,2247
Tabela 8. Comparativo da Pf para uma amostra de tamanho 9.200, no Exemplo 1.
Sigla
BRUTO
AI
AA
AM
SS
Sigla
BRUTO
AI
AA
AM
SS
Sigla
BRUTO
AI
AA
AM
SS
Erro (%)
-3,48
208,52
190,04
54,56
-3,82
18,66
63,78
13,48
-1,20
154,71
247,95
54,12
O resultado apresentado na Tabela 8 ilustrado graficamente na Figura 36. Neste caso,

se observa que o Monte Carlo Bruto no apresenta resultados para uma amostra deste
tamanho. Por outro lado, o Monte Carlo com Amostragem por Importncia apresenta uma
vantagem significativa em relao s outras tcnicas, como era esperado. observado que a
tcnica de Simulao de Subconjuntos apresenta um bom resultado em termos do valor mdio
e do coeficiente de variao da probabilidade de falha. Destaca-se que o uso da Amostragem
por Hipercubo Latino benfico para a maioria das tcnicas, uma vez que ela leva a um
105
resultado mais prximo da probabilidade de falha de referncia, tal como observado pelo
valor do erro relativo.
7.1.6. Tempo de processamento

Nesta seo so apresentados os grficos da relao entre o tempo de processamento e
o tamanho da amostra. Na Figura 37 e na Figura 38, comparam-se os tempos de
processamento do mtodo de Monte Carlo Bruto (BRUTO), do mtodo de Monte Carlo com
Amostragem por Importncia (AI), da Amostragem Assinttica (AA) e da Amostragem
Melhorada (AM). Utilizam-se a Amostragem Simples, a Amostragem por Hipercubo Latino e
a Amostragem por Variveis Antitticas, como tcnicas de amostragem bsica. O tamanho da
amostra varia de 1105 at 9105. J na Figura 39a comparam-se os tempos de processamento
da tcnica de Simulao de Subconjuntos (SS) e na Figura 39b comparam-se os tempos de
processamento de todas as tcnicas estudadas neste trabalho. Na Figura 39a e na Figura 39b, o
tamanho da amostra varia de 6.900 at 43.700. Para a Simulao de Subconjuntos,
consideram-se os mesmos parmetros utilizados no estudo comparativo, com o tamanho de
cada subconjunto variando de 1.500 at 9.500 de 2.000 em 2.000.
106
a)
Monte Carlo Bruto
b) Amostragem por Importncia
Figura 37. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 1: Monte Carlo
Bruto (a) e Amostragem por Importncia (b).
a)
Amostragem Assinttica
b) Amostragem Melhorada
Figura 38. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 1: Amostragem
Assinttica (a) e Amostragem Melhorada (b).
a)
Simulao de Subconjunto
b) Todas as tcnicas
Figura 39. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 1: Simulao de
Subconjuntos (a) e comparativo entre todas as tcnicas(b).
Na Figura 37a, na Figura 37b e na Figura 38a, observa-se que o uso da Amostragem por
Hipercubo Latino elevou os tempos de processamento da simulao do Monte Carlo Bruto, da
107
Amostragem por Importncia e da Amostragem Assinttica. Por outro lado, a tcnica de

Amostragem por Variveis Antitticas apresentou um tempo de processamento menor. Esse
comportamento decorrente da maneira em que so geradas as amostras na Amostragem por
Hipercubo Latino e por Variveis Antitticas. Destaca-se que, devido ao fato de a
Amostragem por Importncia apresentar um custo computacional elevado, as tcnicas de
amostragem bsica apresentam uma menor influncia no tempo de processamento.
Na Figura 38b, observa-se que a Amostragem Melhorada utilizando a Amostragem por
Hipercubo Latino, apresentou um custo computacional menor. Porm, deve-se destacar que a
Amostragem por Hipercubo Latino apresenta um maior consumo de memria.
Na Figura 39a, observa-se que o uso de tcnicas de amostragem bsica na Simulao de
Subconjuntos, no exercem forte influncia no tempo de processamento, porm, o
comportamento da curva que relaciona o tamanho da amostra com o tempo de processamento
no linear. Isso poderia ser considerado um problema, caso a tcnica de Simulao de
Subconjuntos necessitasse realizar um nmero grande de simulaes, mas esse no o caso, e
essa a principal vantagem da tcnica. Na Figura 39b possvel comparar todas as tcnicas,
utilizando a Amostragem Simples e variando o tamanho da amostra de 6.900 at 43.700.
Neste caso, nota-se que o tempo de processamento da Simulao de Subconjuntos maior que
o das outras tcnicas. Porm, com uma amostra pequena, a tcnica de Simulao de
Subconjuntos j apresenta bons resultados, o que pode ser til em problemas onde a equao
de estado limite utiliza mtodos numricos de alto custo computacional (e.g. Elementos
Finitos considerando no linearidades).
7.2.
Exemplo 2: Variveis Aleatrias Limitadas
Este exemplo analisa a aplicao das tcnicas estudadas em um problema com variveis
aleatrias limitadas nas caudas. O problema a ser analisado do tipo Capacidade-Demanda,
sendo que neste exemplo so adotadas variveis aleatrias com distribuio uniforme de
probabilidade. A equao de estado limite deste problema dada por:
t C, D = C D = 0.
(136)
Os parmetros das distribuies de probabilidade de cada varivel aleatria so

apresentados na Tabela 9. So consideradas variveis aleatrias independentes.
108
Tabela 9. Parmetros das variveis aleatrias do Exemplo 2.
Varivel Aleatria
Distribuio
Uniforme
Uniforme
A
10,0
1,1
B
30,0
10,1
Este problema pode ser resolvido analiticamente, uma vez que a probabilidade de falha
definida por:
#y = I
L,
) 4 ) J) .
Dessa forma, a probabilidade de falha vem a ser a rea sob a curva

visto na Figura 40.
(137)
) 4 ) , tal como
Figura 40. FDP da varivel Demanda (D) e FDA da varivel Capacidade (C), para o Exemplo 2.
Neste caso, tem-se que:

e
) = 0,1111111 para ) entre 1,1 e 10,1,
4 ) = 0,05 ) 10 para ) entre 10 e 30.
(138)
(139)
O produto destas duas funes resulta na funo apresentada na Figura 41, onde se est
interessado na rea abaixo dela (rea hachurada).
109
Figura 41. Curva a ser integrada no clculo da probabilidade de falha, no Exemplo 2.
Ento se pode escrever a probabilidade de falha como:

,
#y = I 0,1111111 0,05 ) 10 J) = 2,778 10L .

L,
Com este resultado se obtm um ndice de confiabilidade
(140)
= 4,0309.
O FORM no apresentou convergncia neste problema, o que interfere diretamente na

Amostragem por Importncia, pois, a tcnica que est implementada no StRAnD a
Amostragem por Importncia usando os pontos de projeto, e como este no pde ser definido,
a tcnica no pode ser utilizada de maneira apropriada.
Seguindo o procedimento adotado neste trabalho, so apresentados resultados para a
tcnica de Amostragem Assinttica, seguida pela Amostragem Melhorada e pela tcnica de
Simulao de Subconjuntos. Por fim, apresentado um estudo comparativo entre as tcnicas
estudadas.

realizada a anlise do comportamento do ndice de confiabilidade com o parmetro
f. Neste caso, as variveis podem assumir valores negativos. Adota-se o intervalo de f entre
0,3 e 1,0, sendo que f=1,0 representa o problema original. Gerou-se 20 pontos de suporte
dentro deste intervalo. Para cada ponto de suporte foram realizadas 2106 simulaes de
Monte Carlo. A tcnica de Amostragem Assinttica faz uso da Eq. (108) e da Eq. (109) no
ajuste no linear. utilizada apenas a Amostragem Simples em cada ponto de suporte, uma
vez que a Amostragem por Hipercubo Latino e a Amostragem por Variveis Antitticas
110
apresentaram resultados muito similares. Assim, possvel obter os grficos apresentados na

Figura 42.
a) Para C=-2 na Eq. (109).
b) Para C livre na Eq. (109).
Figura 42. Regresso no linear na Amostragem Assinttica, para o Exemplo 2.
Observa-se na Figura 42, seja para o caso particular com C=-2 ou para C livre, que no h
uma boa concordncia da funo a ser ajustada, com as duplas (f, /f). Esse comportamento
pode ser explicado pela forma da distribuio conjunta das variveis aleatrias, tal como
observado na Figura 43.
Figura 43. Espao amostral parametrizado utilizando a Amostragem Assinttica, no Exemplo 2.
Uma vez que os desvios-padro das variveis aleatrias aumentam, os limites inferior e
superior de cada distribuio aumentam de acordo com f. Dessa forma, para cada valor de f,
um novo espao amostral obtido. Assim, diferentes domnios de falha so obtidos, e a
111
probabilidade de falha proporcional rea destes domnios de falha. Atravs de uma anlise
geomtrica pode-se obter o grfico da Figura 44, que a relao entre o ndice de
confiabilidade parametrizado por f, obtido pela probabilidade de falha relativa s reas dos
domnios de falha parametrizados, com o valor do parmetro f. Esse resultado concorda com
aquele obtido pela simulao de Monte Carlo, tal como apresentados na Figura 42.
Figura 44. Relao entre o ndice de confiabilidade, relativo area do domnio de falha, e o parmetro f,
na Amostragem Assinttica, para Exemplo 2.

Procedimento idntico ao adotado na Amostragem Assinttica realizado para o estudo
da Amostragem Melhorada. Inicialmente analisada a concordncia da equao proposta por
Naess, Leira e Batsevych (2009), com as duplas (, Pf). So adotados 100 pontos de suporte,
com variando de 0,4 at 1,0. Considera-se uma amostra de tamanho 1107. Utiliza-se a
Amostragem Simples como amostragem bsica. Tal resultado pode ser observado na Figura
45, onde se nota que no h uma boa concordncia da curva proposta com os pontos de
suporte, o que ocasiona erros na estimativa da probabilidade de falha quando =1,0.
112
Figura 45. Regresso no linear na Amostragem Melhorada, para o Exemplo 2.
Este comportamento dos pontos de suporte est diretamente relacionado com a forma da
distribuio conjunta de probabilidade, tal como na Amostragem Assinttica. Uma vez que a
equao de estado limite deslocada para a origem do espao de projeto pelo parmetro ,
diferentes domnios de falha vo sendo obtidos (Figura 46). Assim, para cada domnio de
falha so feitas estimativas da probabilidade de falha parametrizada. Dessa forma, a geometria
do domnio de falha governa o comportamento da probabilidade de falha.
Figura 46. Limite de falha parametrizado, para o Exemplo 2.
Na Figura 46, cada linha definida por um valor de , que por sua vez define um limite
de falha parametrizado. Sendo assim, a probabilidade de falha proporcional rea definida

por este limite de falha parametrizado. Geometricamente tais reas podem ser facilmente
calculadas, tornando possvel o clculo das reas relativas de cada domnio de falha. Na
Figura 47 possvel observar que o resultado da anlise geomtrica equivalente ao grfico
113
apresentado na Figura 45. Assim, as tcnicas de Amostragem Assinttica e Amostragem

Melhorada, no so adequadas para resolver este problema. Desta forma, observa-se que tais
tcnicas apresentam uma dependncia do problema que se queira analisar. Ento,
fundamental conhecer as caractersticas das variveis aleatrias de cada problema.
Figura 47. rea relativa do domnio de falha parametrizado, para o Exemplo 2.

Os dados de entrada do StRAnD, que definem o caminhante aleatrio utilizado na
Simulao de Subconjuntos, so apresentados na Tabela 10.
Varivel Aleatria
Distribuio
Uniforme
Uniforme
Mdia
0,0
0,0
Desvio padro
x 5,7735
x 2,5981
onde uma constante multiplicativa maior que zero, que ir alterar o valor do desvio-padro
do caminhante aleatrio.
Utilizando um caminhante aleatrio uniforme com = 0,2, P0 = 0,1 e uma amostra com
800 pontos em cada subconjunto, possvel obter o grfico apresentado na Figura 48, onde
ilustrada a formao de cinco subconjuntos. Dessa forma, possvel observar que os
subconjuntos gerados apresentam um bom comportamento para o problema em anlise.
114
Figura 48. Subconjuntos gerados via cadeias de Markov por meio do algoritmo de Metropolis-Hastings
Modificado.

Nesta seo realizado o estudo da convergncia da probabilidade de falha em relao
ao tamanho da amostra. So analisadas as tcnicas que apresentaram resultados satisfatrios.
Portanto, realizado o estudo da tcnica de simulao de Monte Carlo Bruto, com o tamanho
da amostra variando de 1105 a 1108. Assim, possvel obter os grficos de convergncia
apresentados na Figura 49, na Figura 50 e Figura 51.
com Amostragem por Hipercubo Latino, para o Exemplo 2.
115
com Amostragem por Variveis Antitticas, para o Exemplo 2.
Figura 51. Comparativo da convergncia de Pf para o Monte Carlo Bruto com Amostragem por
Hipercubo Latino e com Amostragem por Variveis Antitticas, para o Exemplo 2.
Observa-se que h uma leve melhora, em relao convergncia da probabilidade de

falha, quando se utiliza a Amostragem por Hipercubo Latino, na simulao de Monte Carlo
com Amostragem Bruta.
Na Figura 52, observa-se que nas primeiras simulaes o coeficiente de variao da
probabilidade de falha um pouco menor quando se utiliza a Amostragem por Hipercubo
Latino e por a Amostragem por Variveis Antitticas, porm, essa diferena tende a diminuir
medida que se aumenta o tamanho da amostra.
116
Figura 52. Coeficiente de variao da probabilidade de falha na Amostragem por Importncia, para o
Exemplo 2.

de variao
realizado um comparativo entre o Monte Carlo Bruto e a Simulao de Subconjuntos.
O tamanho da amostra fixado em 3.680, onde na tcnica de Simulao de Subconjuntos se
tm 800 pontos amostrais em cada subconjunto. Tal resultado expresso na Tabela 11 e
ilustrado na Figura 53. Foram adotados os seguintes parmetros: =0,2 e P0 = 0,1.
SIMPLES
Tcnica
;
. >. da ;
Bruto
--Subconjuntos
2,38810-5
0,4271
HIPERCUBO LATINO
Tcnica
;
. >. da ;
Bruto
---5
Subconjuntos
2,43010
0,4191
VARIVEIS ANTITTICAS
Tcnica
;
. >. da ;
Bruto
--Subconjuntos
1,55910-5
0,4216
Sigla
BRUTO
SS
Sigla
BRUTO
SS
Sigla
BRUTO
SS
Erro (%)
-14,0388
-12,5270
-43,8805
Na Tabela 11 e na Figura 53, se observa que a tcnica de Simulao de Subconjunto,

com uma amostra pequena, obteve uma boa estimativa da probabilidade de falha. Por outro
lado, o Monte Carlo Bruto no apresenta resultados de probabilidade de falha para uma
amostra desse tamanho. Assim, a Simulao de Subconjuntos pode ser til quando se deseja
117
avaliar a probabilidade de falha em problemas onde as demais tcnicas falham ou no so

computacionalmente viveis.

As nicas tcnicas que so comparadas nesta anlise so a simulao de Monte Carlo
Bruto e a Simulao de Subconjuntos, ambas utilizando a Amostragem Simples, a
Amostragem por Hipercubo Latino e a Amostragem por Variveis Antitticas. O tamanho da
amostra variado de 6.900 at 43.700. Para a Simulao de Subconjuntos, consideram-se os
mesmos parmetros utilizados no estudo comparativo realizado em 7.2.5. O tamanho da
amostra em cada subconjunto varia de 1.500 at 9.500, de 2.000 em 2.000. J para o Monte
Carlo Bruto (Figura 54b), o tamanho da amostra varia de 1105 at 9105.
Na Figura 54a e na Figura 54b, observa-se que o uso da Amostragem por Hipercubo
Latino e da Amostragem por Variveis Antitticas no traz nenhum prejuzo ao Monte Carlo
Bruto, nem para a Simulao de Subconjuntos. Na Figura 54a, se observa que a tcnica de
Simulao de Subconjuntos apresenta um maior tempo de processamento, entretanto sabe-se
que esta tcnica apresenta melhores estimativas da probabilidade de falha para uma amostra
pequena.
118
a)
b)
Figura 54. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 2: comparativo
entre todas as tcnicas (a) e Monte Carlo Bruto (b).
7.3.
Exemplo 3: Equao de estado limite no linear
Este exemplo estuda a aplicao das tcnicas apresentadas, na resoluo de um

problema com uma equao de estado limite no linear. O estado limite definido pela
seguinte funo:
t X ,X
= 3 X + 4X ) .
(141)
Esta funo fortemente no linear e seu comportamento pode ser visto na Figura 55.
Figura 55. Limite de falha e os domnios de falha e segurana, para o Exemplo 3.
As distribuies e propriedades de cada varivel aleatria so apresentadas na Tabela

12.
119
Varivel Aleatria
Distribuio
Normal
Normal
Mdia
0,00
0,00
Desvio Padro
1,00
1,00
Para obter a probabilidade de falha de referncia desse problema utilizado o Monte

Carlo Bruto com Amostragem Simples com uma amostra de tamanho 9108. A probabilidade
de falha encontrada de 1,77410-4 ( = 3,5716), com coeficiente de variao de 0,0025. Tal
simulao durou 357,28s (~6 min). utilizado o FORM de forma a indicar o erro que este
comete devido ao procedimento de linearizao da funo de estado limite. De acordo com o
FORM, o ponto de projeto encontrado
= 0,0; 3,0 , o que leva a uma probabilidade de
falha de 1,3510-3 e a um ndice de confiabilidade = 3,0. Assim, pode-se afirmar que o
FORM no apresenta uma boa estimativa da probabilidade de falha para uma equao de
estado limite fortemente no linear.

Nesta seo, realizado um estudo da aplicao da tcnica de Amostragem Assinttica.
Nos grficos de regresso so variados o tamanho da amostra e as tcnicas de amostragem
bsica (Amostragem Simples, Amostragem por Hipercubo Latino e Amostragem por
Variveis Antittica). Tal resultado pode ser visto na Figura 56 e na Figura 57. So utilizados
5 pontos de suporte, sendo os tamanho das amostras de 3103 (Figura 56) e de 1105 (Figura
57), com f variando de 0,3 a 0,7. Esses valores so escolhidos por apresentarem um resultado
significativo para o estudo, em termos de qualidade do ajuste.
no Exemplo 3.
120
no Exemplo 3.
Os parmetros das funes ajustadas para a tcnica em questo, com a Amostragem

Simples (ASMC), com a Amostragem por Hipercubo Latino (ALHS) e com a Amostragem
com Variveis Antitticas (AASMC), so apresentados na Tabela 13, para uma amostra de
tamanho 3103 e outra de tamanho 1105. Assim, se observa que o valor do parmetro
no
mais igual a -2, como descrito na Eq. (108).

:
ASMC
ALHS
AASMC
3103
B
2,3286
2,7393
1,3554
4,5452
0,5476
1,4792
-0,5949
-1,8091
-1,1235
1105
B
2,0617
2,1243
2,1389
1,2357
1,3134
1,1745
-1,2270
-1,1811
-1,2248
Na
Tabela 14,
pode-se observar o comparativo da resposta da tcnica de Amostragem
Assinttica para diferentes tamanho de amostra, com a Amostragem Simples, com a

Amostragem por Hipercubo Latino e com a Amostragem por Variveis Antitticas. Nota-se
que o uso da Amostragem por Hipercubo Latino leva a um valor de probabilidade de falha
mais proximo do valor de referncia, seja para uma amostra de tamanho 3103 ou de 1105.
:
ASMC
ALHS
AASMC
#y
3103
#y
. U.
1,33310-2
5,06510-4
2,29410-3
0,6486
0,0915
6,9019
4,8810-4
2,9310-4
4,6110-4
1105
. U.
0,1026
0,1994
0,2023
121

O mesmo procedimento adotado na anlise da tcnica de Amostragem Assinttica
utilizado para realizar a anlise da tcnica de Amostragem Melhorada. De acordo com a
Figura 58, para uma amostra de tamanho 3103, e com a Figura 59, para uma amostra de
tamanho 1105 se observa o ajuste no linear obtido. Nesse caso foram utilizados 100 pontos
de suporte com variando de 0,4 a 0,9.
no Exemplo 3.
no Exemplo 3.
122
Os parmetros das funes ajustadas para a tcnica em questo, com Amostragem

Simples (AM), com Amostragem por Hipercubo Latino (AM_LHS) e com a Amostragem por
Variveis Antitticas (AAM), so apresentados na Tabela 15, para uma amostra de tamanho
3103 e na Tabela 16, para uma amostra de tamanho 1105.
Tabela 15. Parmetros ajustados na Amostragem Melhorada, para uma amostra de tamanho 3103, no Exemplo
3.
AM
AM_LHS
AAM
4,6704
0,18293
0,19760
<
'
1,312710-3
3,209410-10
1,899210-4
-6,1297
-6,3378
-3,3776
4,4442
11,918
7,0742
3.
AM
AM_LHS
AAM
4,356910-2
2,459510-2
5,683610-2
<
'
6,5821
7,6629
5,7264
0,14392
0,31445
-2,471510-3
1,4627
1,2864
1,7407
A Tabela 17 apresenta as probabilidades de falha e seus coeficientes de variao, para

diferentes tamanhos da amostra e para o uso de Amostragem Simples, da Amostragem por
Hipercubo Latino e da Amostragem por Variveis Antitticas.
:
AM
AM_LHS
AAM
3103
;
. >.
-3
1,39410
2,39210-4
2,88910-4
0,0915
0,4729
1,9724
1105
-4
2,30010
2,20410-4
1,80710-4
. >.
0,0791
0,0831
0,0929

Varivel Aleatria
Distribuio
Uniforme
Uniforme
Mdia
0,0
0,0
Desvio padro
x 1,0
x 1,0
Na Figura 60, na Figura 61 e na Figura 62 podem-se observar quatro subconjuntos que

foram gerados na Simulao de Subconjuntos. Considera-se uma amostra de tamanho 1.500
123
para cada subconjunto, com =0,2 e P0 = 0,1. Neste caso, pode-se observar uma boa
concordncia da tcnica com o que ela prope realizar.
Figura 60. Simulao de Subconjuntos: Amostragem Simples, no Exemplo 3.
Figura 61. Simulao de Subconjuntos: Amostragem por Hipercubo Latino, no Exemplo 3.
Figura 62. Simulao de Subconjuntos: Amostragem por Variveis Antitticas, no Exemplo 3.
124

realizado um comparativo entre o Monte Carlo Bruto, a Amostragem por Importncia,
a Amostragem Assinttica e a Amostragem Melhorada, tal como apresentado na Figura 63, na
Figura 64 e na Figura 65. Variou-se o tamanho da amostra de 3103 at 1105, tomando nesse
intervalo 100 pontos. Alm disso, utiliza-se a Amostragem Simples, a Amostragem por
Hipercubo Latino e a Amostragem com Variveis Antitticas.
a)
Mdia
b) C.V.
3.
a)
Mdia
b) C.V.
125
a)
Mdia
b) C.V.
Pode-se notar que a Amostragem Assinttica no apresenta um bom resultado em

termos da convergncia da probabilidade de falha e de seu coeficiente de variao. Por outro
lado, a Amostragem por Importncia a que apresenta o melhor resultado, como era
esperado. Tambm se observa que o Monte Carlo Bruto apresentou resultados consistentes.
Apesar da Amostragem Melhorada apresentar uma reduo do coeficiente de variao da
probabilidade de falha, em comparao com o Monte Carlo Bruto e com a Amostragem
Assinttica, a convergncia da probabilidade de falha muito prxima da convergncia obtida
pelo Monte Carlo Bruto. Por outro lado, utilizando a Amostragem por Hipercubo Latino, a
Amostragem Melhorada apresentou um melhor desempenho.
Nos graficos apresentados na Figura 66, na Figura 67, na Figura 68 e na Figura 69,
possvel observar a influncia da utilizao da Amostragem Simples, da Amostragem por
Hipercubo Latino, da Amostragem por Variveis Antitticas para o Monte Carlo Bruto, para a
Amostragem por Importncia, para a Amostragem Assinttica e para a Amostragem
Melhorada. Nestes grficos so adotados 100 pontos para a anlise da convergncia.
a)
Mdia
b) C.V.
126
a)
Mdia
b) C.V.
Exemplo 3.
a)
Mdia
b) C.V.
Exemplo 3.
a)
Mdia
b) C.V.
Exemplo 3.
127
Observa-se no Monte Carlo Bruto, que nem a Amostragem por Hipercubo Latino, nem
a Amostragem por Variveis Antitticas, levaram a uma melhora significativa na
convergencia da probabilidade de falha (Figura 66a). J a Amostragem por Hipercubo Latino
apresentou um coeficiente de variao da probabilidade de falha (Figura 66b) maior que as
outras tcnicas as quais ele foi comparado. Na Amostragem por Importncia, observa-se que o
uso da Amostragem por Variveis Antitticas apresenta uma influncia negativa na
probabilidade de falha, nas primeiras simulaes. O uso da Amostragem por Hipercubo
Latino e por Variveis Antitticas, levou a uma melhora da convergncia da probabilidade de
falha (Figura 68a) na tcnica de Amostragem Assinttica. Porm, tal melhora no se reflete
no coeficiente de variao (Figura 68b) da probabilidade de falha. Em relao a Amostragem
Melhorada, observa-se que esta apresenta um um bom resultado quando utilizada em conjunto
com a Amostragem por Hipercubo Latino e Amostragem por Variveis Antitticas (Figura
69).

de variao
Neste exemplo utilizada uma amostra de tamanho 5.550. Tais resultados podem ser
parmetros: !~~ =1.500, =0,2, P0 = 0,1. O caminhante aleatrio segue uma distribuio de
observados na Tabela 19. Na tcnica de Simulao de Subconjuntos adotam-se os seguintes
probabilidade uniforme.
128
SIMPLES
Tcnica
;
. >. da ;
-4
Bruto
5,40510
0,5772
-4
Importncia
1,70110
0,0717
Assinttica
2,87310-3
0,4744
Melhorada
5,56210-4
0,1858
Subconjuntos
4,48010-4
0,2845
HIPERCUBO LATINO
Tcnica
;
. >. da ;
Bruto
--Importncia
1,88310-4
0,0688
Assinttica
1,14010-4
4,7053
Melhorada
5,67210-5
1,3958
-4
Subconjuntos
1,86010
0,3099
VARIVEIS ANTITTICAS
Tcnica
;
. >. da ;
Bruto
3,60410-4
--4
0,0684
Importncia
1,90310
Assinttica
5,03110-3
0,5638
-4
Melhorada
3,49410
0,2893
Subconjuntos
2,22010-4
0,3003
Sigla
BRUTO
AI
AA
AM
SS
Sigla
BRUTO
AI
AA
AM
SS
Sigla
BRUTO
AI
AA
AM
SS
Erro (%)
204,68
4,11
1519,50
213,53
152,54
Erro (%)
-6,14
35,74
73,66
4,85
Erro (%)
103,16
7,27
2735,96
96,96
25,14
Neste caso, nota-se que o uso de Amostragem por Importncia superior s outras
tcnicas, tal resultado j era esperado. Porm, interessante notar que a tcnica de Simulao
de Subconjuntos apresenta um desempenho satisfatrio tanto em termos de probabilidade de
falha, quanto em termos do seu coeficiente de variao. Destaca-se que a maioria das tcnicas
beneficiada pelo uso da Amostragem por Hipercubo Latino. Tal resultado pode ser
conferido graficamente na Figura 70.
129

Nesta seo so apresentados os grficos da relao entre o tempo de processamento e o
tamanho da amostra. Na Figura 71 e na Figura 72, comparam-se os tempos de processamento
do Monte Carlo Bruto (BRUTO), do Monte Carlo com Amostragem por Importncia (AI), da
Amostragem Assinttica (AA) e da Amostragem Melhorada (AM). feito uso da
Amostragem Simples, da Amostragem por Hipercubo Latino e da Amostragem por Variveis
Antitticas. O tamanho da amostra varia de 1105 at 9105. J na Figura 73a, comparam-se
os tempos de processamento da Simulao de Subconjuntos (SS) e na Figura 73b, comparamse os tempos de processamento de todas as tcnicas estudadas neste trabalho. Na Figura 73a e
na Figura 73b, o tamanho da amostra varia de 7.400 at 37.000. Para a Simulao de
Subconjuntos, consideram-se os mesmos parmetros utilizados no estudo comparativo
apresentado em 7.3.5, com o tamanho de cada subconjunto variando de 2.000 at 10.000 com
um intervalo de 2.000 entre cada tamanho de subconjunto.
a)
Monte Carlo Bruto
130
a)
a)
b) Todas as tcnicas
A anlise que pode ser feita neste problema a mesma que foi realizada no Exemplo 1,
pois trata-se de um problema com duas variveis aleatrias, da mesma forma que no Exemplo
1. Observa-se que a no linearidade da equao de estado limite no apresenta influncia
significativa no tempo de processamento. Alm disso, a defasagem do tamanho da amostra
em cada ponto do grfico da Figura 73a, devido a adaptatividade da tcnica, pois nesta o
usurio tem o controle do tamanho da amostra em cada subconjunto e no da amostra total.
7.4.
Exemplo 4: Equao de estado limite no linear com variveis

aleatrias mistas
Este problema uma adaptao do exemplo apresentado por Melchers e Ahammed

(2004). Aqui o objetivo analisar um problema que possui uma equao de estado limite no
linear, cujas variveis aleatrias so modeladas a partir de diferentes funes de densidade de
131
probabilidade. A adaptao adotada na equao de estado limite (Eq. (142)), consiste na

aplicao da constante " = 2,0, cujo objetivo reduzir o valor da probabilidade de falha do
problema apresentado por Melchers e Ahammed (2004).
t X , X , X , X , X , X = " X X X X
X D
.
8
(142)
Este problema busca analisar uma situao extrema, em que existe uma equao de
estado limite no linear com vrias variveis aleatrias, sendo tais variveis aleatrias
definidas por diferentes distribuies de probabilidade. Os parmetros das distribuies de
probabilidade das variveis aleatrias so apresentados na Tabela 20.
Varivel Aleatria
@
@
@
@
@
@
Distribuio
Weibull (mnima)
Log-normal
Gumbel
Uniforme
Exponencial
Normal
Mdia
4,0
25.000,0
0,875
20,0
100,0
150,0
Desvio padro
0,1
2.000,0
0,1
1,0
100,0
10,0
Neste caso a probabilidade de falha obtida por meio do FORM foi de 3,24510-5
(=3,9942). Porm, como a equao de estado limite deste problema no linear, no se

recomenda o uso do FORM para estimar a probabilidade de falha. Com uma amostra de
tamanho 2109 e utilizando o mtodo de Monte Carlo Bruto com Amostragem Simples, se
obtm uma probabilidade de falha de 2,777 10L
(=4,031) com um coeficiente de
variao de 0,0042.
A seguir sero apresentados os estudos referentes as tcnicas de Amostragem

Assinttica e de Amostragem Melhorada.

Nesta seo realizado um estudo da aplicao da tcnica de Amostragem Assinttica
no problema em questo. Utilizam-se na Amostragem Assinttica, a Amostragem Simples, a
Amostragem por Hipercubo Latino e a Amostragem por Variveis Antitticas. Considera-se
uma amostra de tamanho 1104 (Figura 74) e outra de tamanho 1105 (Figura 75). O
parmetro f variado de 0,4 a 0,7, onde so utilizados 5 pontos de suporte. Neste caso
adotada a Eq. (109), como funo a ser ajustada.
132
no Exemplo 4.
no Exemplo 4.
De acordo com a Figura 74 e com a Figura 75, pode-se observar certa concordncia
entre o modelo proposto no ajuste e os pontos de suporte obtidos por simulaes de Monte
Carlo, apesar de se notar diferenas entre o valor exato do ndice de confiabilidade e aquele
obtido por meio da Amostragem Assinttica.
Os parmetros ajustados na tcnica em questo, com a Amostragem Simples (ASMC),
com a Amostragem por Hipercubo Latino (ALHS) e com a Amostragem por Variveis
Antitticas (AASMC), so apresentados na Tabela 21, para as amostras de tamanho 1104 e
de tamanho 1105.
133
ASMC
ALHS
AASMC
1104
B
-5.330,211
2,155
12.391,608
5.334,246
1,645
-12.387,328
-2,69510-4
-0,744
9,32410-5
1105
B
4,403
4,373
1,753
0,1887
0,221
2,295
-1,922
-1,696
-0,503
Realizando um maior nmero de simulaes, a aderncia entre os pontos de suporte e a

curva ajustada melhora significativamente. O comparativo da probabilidade de falha e de seu
coeficiente de variao, para diferentes tamanhos de amostra e para as diferentes tcnicas de
amostragem bsica, so apresentados na Tabela 22.
:
ASMC
ALHS
AASMC
#y
1104
#y
. U.
2,72410-5
7,2310-5
9,34810-6
165,7952
10,5330
82,0325
2,19610-6
2,17510-6
2,58710-5
1105
. U.
0,6346
1,1075
0,7608
De acordo com a Tabela 22, a tcnica de Amostragem Assinttica apresentou uma boa
resposta apenas no seu uso em conjunto com a Amostragem por Variveis Antitticas.

Para o estudo da Amostragem Melhorada so utilizados 100 pontos de suporte, com
variando de 0,4 a 0,9. realizada a simulao da tcnica de Amostragem Melhorada
utilizando a Amostragem Simples, a Amostragem por Hipercubo Latino e a Amostragem por
Variveis Antitticas. O estudo realizado com uma amostra de tamanho 104 e outra de
tamanho 105.
Exemplo 4.
134
Exemplo 4.
Os parmetros das funes ajustadas para a tcnica em questo, com a Amostragem

Simples (AM), com a Amostragem por Hipercubo Latino (AM_LHS) e com a Amostragem
por Variveis Antitticas (AAM), so apresentados na Tabela 23, para uma amostra de
tamanho 1104 e na Tabela 24, para uma amostra de tamanho 1105.
4.
AM
AM_LHS
AAM
1,454310-2
2,204110-2
879,72
<
12,1800
10,8720
16,1540
'
0,4000
0,3753
0,1647
0,9969
0,9542
0,2730
4.
AM
AM_LHS
AAM
1,766510-2
1,557110-2
1,465210-2
<
12,6060
10,7370
11,0480
'
0,3802
0,3893
0,4000
1,0881
0,9915
0,9991
A Tabela 25 apresenta as probabilidades de falha e seus coeficientes de variao, para

diferentes tamanhos de amostra e para o uso da Amostragem Simples, da Amostragem por
135
#y
1104
#y
. U.
-6
9,63410
2,07410-5
1,84210-4
AM
AM_LHS
AAM
4,1349
2,0713
0,2604
1105
-6
9,86210
2,15110-5
1,94410-5
. U.
2,0225
0,4975
0,6943

a Amostragem Assinttica e a Amostragem Melhorada, todas utilizando a Amostragem
Simples, a Amostragem por Hipercubo Latino e a Amostragem com Variveis Antitticas. O
tamanho da amostra varia de 1103 at 1106, tomando nesse intervalo 100 pontos. Neste
caso, o eixo das abscissas no est em escala logartimica pelo fato de a escala decimal ter se
apresentado melhor na anlise deste problema.
a)
Mdia
b) C.V.
Figura 78. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Simples, no Exemplo 4.
136
a)
Mdia
b) C.V.
a)
Mdia
b) C.V.
Na Figura 78a, a Amostragem por Importncia e a Amostragem Assinttica no

apresentam uma boa convergncia da probabilidade de falha. Em relao a Amostragem por
Importncia, percebe-se um resultado tendencioso, mesmo com uma convergncia rpida e
com um baixo coeficiente de variao da probabilidade de falha (Figura 78b). Neste caso no
se percebe vantagem significativa do uso das tcnicas apresentadas, em relao ao Monte
Carlo Bruto. Na Figura 79a, observa-se que a Amostragem por Importncia ainda apresenta
um resultado tedencioso, mesmo com a Amostragem por Hipercubo Latino. Por outro lado,
possvel observar uma leve melhora no desempenho da Amostragem Melhorada apenas nas
primeiras simulaes, o que no reflete numa melhora do coeficiente de variao da
probabilidade de falha (Figura 79b). Na Figura 80a e na Figura 80b, observa-se que no h
uma melhora significativa do uso das tcnicas em questo, em relao ao Monte Carlo Bruto.
Tal dificuldade encontrada pelas tcnicas comparadas acima pode ser devido ao uso de
diferentes distribuies de probabilidade das variveis aleatrias.
137
Nos graficos apresentados a seguir possvel observar a influncia da utilizao da

Amostragem por Hipercubo Latino e Amostragem por Variveis Antitticas, em comparao
com a Amostragem Simples, no Monte Carlo Bruto, no Monte Carlo com Amostragem por
Importncia, na tcnica de Amostragem Assinttica e na tcnica de Amostragem Melhorada.
Nestes grficos so adotados 100 pontos para a anlise da convergncia.
a)
Mdia
b) C.V.
a)
Mdia
b) C.V.
Exemplo 4.
138
a)
Mdia
b) C.V.
Exemplo 4.
a)
Mdia
b) C.V.
Exemplo 4.
Na Figura 81a e na Figura 81b no possvel notar vantagem da utilizao no Monte

Carlo Bruto, da Amostragem por Hipercubo Latino e da Amostragem por Variveis
Antitticas. Figura 82a, fcil ver que a Amostragem por Importncia, apesar de apresentar
uma rpida convergncia, leva a um resultado tendencioso, mesmo apresentado um baixo
coeficiente de variao da probabilidade de falha (Figura 82b). Na Figura 83a, fcil perceber
a influncia da Amostragem por Hipercubo Latino na Amostragem Assinttica, onde a partir
de uma amostra de tamanho 4105 h um salto no grfico de convergncia, isso ocorre
provavelmente devido ao uso de diferentes distribuies de probabilidade. Alm disso, na
Figura 83b se observa uma forte flutuao do coeficiente de variao da probabilidade de
falha na Amostragem Assinttica, especialmente para amostras pequenas. Mas estudos podem
ser realizados para avaliar este fenmeno, mas no o objetivo deste trabalho. Na Figura 84a,
observa-se que a Amostragem por Hipercubo Latino vantajosa na Amostragem Melhorada,
139
pois, se observa uma rpida convergncia e um menor coeficiente de variao da

probabilidade de falha (Figura 84b) para amostras pequenas.

de variao
Nesta seo avaliada a aplicao da tcnica de Simulao de Subconjuntos e tambm
ser realizado um comparativo da resposta desta tcnica com as outras tcnicas aqui
estudadas. Considera-se uma amostra de tamanho 2.300. Tais resultados podem ser
observados na Tabela 26. Na Simulao de Subconjuntos, adota-se = 1,5, caminhante

aleatrio com distribuio uniforme de probabilidade e # = 0,1, sendo o tamanho de cada
subconjunto igual a 500.
SIMPLES
Tcnica
;
Bruto
-Importncia
1,97310-5
Assinttica
-Melhorada
1,15210-4
Subconjuntos
2,64010-5
HIPERCUBO LATINO
Tcnica
;
Bruto
-Importncia
1,94710-5
Assinttica
-Melhorada
5,12910-7
Subconjuntos
1,67010-5
VARIVEIS ANTITTICAS
Tcnica
;
Bruto
-Importncia
2,25810-5
Assinttica
-Melhorada
1,36910-5
Subconjuntos
1,07810-5
Sigla
BRUTO
AI
AA
AM
SS
Sigla
BRUTO
AI
AA
AM
SS
Sigla
BRUTO
AI
AA
AM
SS
. >. da ;
-0,0551
-0,5941
0,4741
. >. da ;
-0,0587
-144,2610
0,5101
. >. da ;
-0,0661
-4,1940
0,5559
Erro (%)
-28,9521
-314,8362
4,9334
Erro (%)
-29,8884
-98,153
39,8632
Erro (%)
-18,6892
-50,7022
61,1811
O resultado da Tabela 26 ilustrado graficamente na Figura 85. Neste caso se observa

que o Monte Carlo Bruto no apresentou resultados para uma amostra deste tamanho. Por
outro lado, o mtodo de Monte Carlo com Amostragem por Importncia apresenta uma
reduo significativa do coeficiente de variao da probabilidade de falha, como era esperado.
observado que a tcnica de Simulao de Subconjuntos apresenta um bom resultado em
termos do valor mdio e do coeficiente de variao da probabilidade de falha.
140

o aumento do tamanho da amostra. Na Figura 86 e na Figura 87, comparam-se os tempos de
processamento do Monte Carlo Bruto (BRUTO), do Monte Carlo com Amostragem por
Importncia (AI), da Amostragem Assinttica (AA) e da Amostragem Melhorada (AM).
feito o uso da Amostragem Simples, da Amostragem por Hipercubo Latino e da Amostragem
por Variveis Antitticas, como tcnicas de amostragem bsica. O tamanho da amostra varia
de 1105 at 9105. J na Figura 88a se compara os tempos de processamento da tcnica de
Simulao de Subconjuntos (SS) e na Figura 88b se compara os tempos de processamento de
todas as tcnicas estudadas neste trabalho. Na Figura 88, o tamanho da amostra varia de 9.200
at 46.000. Para a Simulao de Subconjuntos, consideram-se os mesmos parmetros
utilizados no estudo comparativo apresentado em 7.4.4, com o tamanho de cada subconjunto
variando de 2.000 at 10.000, com um intervalo de 2.000 entre cada tamanho de subconjunto.
141
a)
Monte Carlo Bruto
a)
a)
b) Todas as tcnicas
De incio se observa na Figura 86a que devido ao maior nmero de variveis aleatrias,
o tempo de processamento da simulao do Monte Carlo Bruto com Amostragem por
142
Hipercubo Latino aumenta. Tal comportamento observado tambm na Amostragem por

Importncia (Figura 86b), onde o tempo de processamento utilizando a Amostragem por
Variveis Antitticas tambm aumenta. Na Figura 87a, que a anlise referente a
Amostragem Assinttica, se observa apenas um aumento significativo do tempo de
processamento quando se utiliza a Amostragem por Variveis Antitticas. J na Amostragem
Melhorada (Figura 87b), a utilizao da Amostragem Simples leva a um aumento do tempo de
processamento em relao a Amostragem por Hipercubo Latino e a Amostragem por
Variveis Antitticas.
Na Figura 88a, nota-se o comportamento no linear, tal como visto nos problemas
anteriores, para a relao entre o tempo de processamento e o tamanho da amostra, na
Simulao de Subconjuntos. Na Figura 88b realizado um comparativo entre todas as
tcnicas para os mesmos tamanhos de amostra. Dessa forma, se observa que a Simulao de
Subconjuntos apresenta o maior tempo de processamento, seguido pela a Amostragem
Melhorada. Porm, a Simulao de Subconjuntos leva a uma boa estimativa da probabilidade
de falha com uma amostra pequena, onde o tempo de processamento baixo para todas as
tcnicas.
7.5.
Exemplo 5: Trelia Hiperesttica
Este exemplo uma adaptao do problema apresentado por Verzenhassi (2008) e

procura analisar a probabilidade de falha de um sistema estrutural. realizado o estudo em
uma trelia hiperesttica formada por perfis de ao. As propriedades geomtricas dos perfis
so apresentadas na Tabela 27. A estrutura estudada ilustrada na Figura 89.
Tabela 27. Propriedades dos perfis de ao utilizados no Exemplo 5 (Verzenhassi, 2008).
Barra
1
2
3
4
5
6
Perfil U
U 50x25x2,00
U 50x25x2,00
U 50x25x2,00
U 50x25x2,00
U 50x25x2,00
U 75x40x1,20
A (cm2)
1,87
1,87
1,87
1,87
1,87
1,81
Iy (cm4)
1,13
1,13
1,13
1,13
1,13
2,97
143
Figura 89.Ilustrao da trelia hiperesttica estudada.
A princpio podem-se definir duas equaes de estado limite para cada barra, sendo uma
referente flambagem elstica (Eq. (143)) e outra referente ao escoamento da seo (Eq.
(144)), considerando o comportamento de trelia ideal.
t 0,
t -" ,
, U, A =
.
, U, A = "
+ M U + N A , com \ = 1, ,6,
(143)
(M U + N A), com \ = 1, ,6,
(144)
onde Ei o mdulo de elasticidade, Ii o momento de inrcia da seo do perfil U, Li o

comprimento de cada perfil U, Ai a rea da seo transversal do perfil U,
a tenso de
escoamento do ao, V o carregamento vertical, H o carregamento horizontal, ai a parcela

da carga vertical que transferida para cada barra, bi a parcela da carga horizontal que
transferida para cada barra.
Alm disso, poderia ser considerada uma rvore de falhas, de forma a definir a falha a
partir do momento que a trelia passa a ser considerada hiposttica. Porm, neste trabalho a
falha ser caracterizada pela falha de qualquer componente da trelia, de forma que isso
inviabilize seu uso e exija a troca da pea.
144
So consideradas quatro variveis aleatrias, cujos parmetros so definidos na Tabela

28. Alm disso, se considera uma correlao de 0,1 entre os carregamentos horizontal (H) e
vertical (V).
Tabela 28. Mdias e coeficientes de variao das variveis aleatrias do Exemplo 5.
Varivel Aleatria
Mdulo de Elasticidade (E)
Tenso de escoamento (fy)
Carregamento Vertical (V)
Carregamento Horizontal (H)
Distribuio Mdia C.V.

Log-normal 20.500
0,05
Log-normal
25
0,05
Log-normal
10
0,2
Log-normal
10
0,3
Unidade
kN/cm
kN/cm
kN
kN
Os estados limites adotados so os de flambagem elstica nas barras 1, 2, 3 e 6; e

escoamento das barras 4 e 5. Inicialmente se utiliza o mtodo de Monte Carlo Bruto com a
Amostragem Simples, para definir o valor da probabilidade de falha de referncia. Neste caso,
utilizada uma amostra de tamanho 2109. Assim, foi possvel obter uma probabilidade de
falha de 1,13910-4 (=3,686), com o coeficiente de variao de 0,0022. Esta simulao durou
28 min e 56 s.
A seguir so apresentados os estudos referentes aplicao das tcnicas estudadas neste
trabalho. Inicialmente apresentado um estudo relativo Amostragem por Importncia.
7.5.1. Amostragem por Importncia

A Amostragem por Importncia utilizando os pontos de projeto requer o conhecimento
prvio dos n pontos de projeto, onde n o nmero de equaes de estado limite que compe o
sistema. Como neste problema so adotadas seis equaes de estado limite, ento seis pontos
de projetos so inicialmente definidos como pontos onde as funes de amostragem so
centradas, porm, os estados limites 4 e 5 so desconsiderados, pois a importncia deles, na
estimativa da probabilidade de falha, pequena.
Uma dificuldade enfrentada a gerao de grficos de convergncia, uma vez que no
StRAnD, as amostras so geradas para cada funo de amostragem, assim, o grfico de
convergncia apresenta um comportamento progressivo. De acordo com a Figura 90, para o
estado limite de maior importncia, uma quantidade maior de pontos amostrais utilizada.
Esse valor vai diminuindo medida que diminui a importncia dos outros estados limites.
Porm, vale destacar que esse comportamento prejudica somente a anlise da convergncia,
pois, o resultado acumulado da Amostragem por Importncia para cada estado limite tende a
resultar em uma boa estimativa da probabilidade de falha. Portanto, a amostragem por
importncia no ser comparada com as outras tcnicas por meio de grficos de convergncia,
145
mas sim pelo resultado final da simulao. Aprimoramentos devero ser incorporados ao
StRAnD de maneira a melhorar a apresentao deste tipo de resultado.
Figura 90. Convergncia para a Amostragem por Importncia, no Exemplo 5.

Nesta seo realizado um estudo da aplicao da Amostragem Assinttica na
resoluo de um problema que envolve anlise de sistemas em confiabilidade de estruturas.
Tal estudo realizado por meio de grficos de regresso para amostras de tamanho 1103
(Figura 91) e 1105 (Figura 92). Utilizam-se a Amostragem Simples, a Amostragem por
Hipercubo Latino e a Amostragem por Variveis Antitticas. O parmetro f foi variado de 0,5
a 0,8, onde utilizam-se 5 pontos de suporte.
no Exemplo 5.
146
no Exemplo 5.
Os parmetros ajustados na tcnica em questo, com a utilizao da Amostragem

Simples (ASMC), da Amostragem por Hipercubo Latino (ALHS) e da Amostragem por
Variveis Antitticas (AASMC), so apresentados na Tabela 29.
B
Tabela 29. Parmetros ajustados na Amostragem Assinttica para o Exemplo 5.
ASMC
ALHS
AASMC
1103
B
-4.120,902
1,482
-2.8679,322
4.123,940
1,266
28.682,263
-2,68210-4
-1,195
-6,56410-5
1105
B
-2.484,862
3,567
1,803
2.488,268
0,104
1,621
-4,23710-4
-2,596
-0,513
Observa-se que realizando um maior nmero de simulaes, a concordncia entre os

pontos de suporte e a curva ajustada, melhora significativamente. Tal resultado pode ser
observado na Figura 91 e na Figura 92. As probabilidades de falha e seus coeficientes de
variao, para diferentes tamanhos de amostra e para a aplicao de diferentes tcnicas de
amostragem bsica, so apresentado na Tabela 30.
:
ASMC
ALHS
AASMC
#y
1103
#y
. U.
1,19210-3
2,99710-3
1,63610-3
17,3986
5,3516
18,2864
3,29010-4
1,20810-4
3,07510-4
1105
. U.
0,5133
0,0441
0,4479
147
Neste caso, o uso da Amostragem por Hipercubo Latino na Amostragem Assinttica,

apresenta-se como o mais vantajoso meio para estimar a probabilidade de falha no problema
em questo.

Nesta seo realizado o estudo da Amostragem Melhorada. Consideram-se duas
amostras, uma de tamanho 1103 e outra de tamanho 1105. Foram utilizados 100 pontos de
suporte, com o parmetro variando de 0,4 at 0,9. Onde se observa claramente que a
concordncia entre a curva ajustada e os pontos de suporte, melhora significativamente com o
aumento do tamanho da amostra.
no Exemplo 5.
no Exemplo 5.
148
Os parmetros ajustados na tcnica em questo, utilizando a Amostragem Simples

(AM), a Amostragem por Hipercubo Latino (AM_LHS) e a Amostragem por Variveis
Antitticas (AAM), so apresentados na Tabela 31, para uma amostra de tamanho 1103 e na
Tabela 32, para uma amostra de tamanho 1105.
5.
AM
AM_LHS
AAM
<
2,916510-2
2,442010-2
0,14562
5,3352
8,5153
6,3353
'
0,4000
0,4000
0,32419
0,96511
0,95894
0,60112
5.
AM
AM_LHS
AAM
<
0,61922
2,602210-2
3,319310-2
9,0525
9,2385
8,9463
'
5,452610-2
0,4000
0,37777
0,98820
0,98684
0,97621
A Tabela 33 apresenta os valores das probabilidades de falha e de seus coeficientes de

variao, para diferentes tamanhos de amostra.
:
AM
AM_LHS
AAM
#y
1103
#y
. U.
1,112110-3
1,32410-4
9,75510-4
0,2582
1,6293
0,3461
1105
1,18110-4
9,81310-5
1,19110-4
. U.
0,1453
0,2177
0,1336
Dessa forma, se observa vantagem no uso da Amostragem por Hipercubo Latino em

conjunto com a Amostragem Melhorada, na resoluo do problema em questo.

a Amostragem Assinttica e a Amostragem Melhorada. Todas as tcnicas fazem uso da
Antitticas. O tamanho da amostra varia de 1103 at 1105, onde so escolhidos 100 pontos
nesse intervalo.
149
a)
Mdia
b) C.V.
5.
a)
Mdia
b) C.V.
Figura 96. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Hipercubo Latino,
no Exemplo 5.
a)
Mdia
b) C.V.
Observa-se na Figura 95a que a tcnica de Amostragem Assinttica a que apresenta

um pior resultado, em comparao com o Monte Carlo Bruto e com a Amostragem
150
Melhorada. A Amostragem Melhorada apresenta um resultado melhor que o Monte Carlo

Bruto. Alm disso, observa-se na Figura 95b, que a Amostragem Melhorada apresenta um
menor coeficiente de variao, em comparao com as outras tcnicas, mesmo apresentando
uma certa flutuao nas primeiras simulaes. Com a aplicao da Amostragem por
Hipercubo Latino, se observa uma boa vantagem da Amostragem Melhorada, em relao
convergncia da probabilidade de falha (Figura 96a). Por outro lado, se observa apenas uma
leve reduo do coeficiente de variao da probabilidade, para a Amostragem Melhorada em
relao s outras tcnicas (Figura 96b). Na Figura 97a e na Figura 97b, no uso da
Amostragem por Variveis Antitticas, se precebe a vantagem da Amostragem Melhorada em
relao a Amostragem Assinttica e em relao ao Monte Carlo Bruto.
Nos graficos apresentados a seguir, possvel observar a influncia da utilizao da
Amostragem por Hipercubo Latino e Amostragem por Variveis Antitticas, em comparao
com a Amostragem Simples no Monte Carlo Bruto, no Monte Carlo com Amostragem por
Importncia, na tcnica de Amostragem Assinttica e na tcnica de Amostragem Melhorada.
Nestes grficos tambm so adotados 100 pontos para a anlise da convergncia.
a)
Mdia
b) C.V.
151
a)
Mdia
b) C.V.
Exemplo 5.
a)
Mdia
b) C.V.
Exemplo 5.
Nos comparativos realizados na Figura 98, na Figura 99 e na Figura 100, fcil ver que
o uso da Amostagem por Hipercubo Latino vantajoso em todas as tcnicas estudadas, pelo
fato de lev-las uma convergncia mais rpida da probabilidade de falha, mesmo que no
signifique uma reduo do coeficiente de variao da probabilidade de falha. Alm disso, a
Amostragem por Variveis Antitticas s no foi vantajosa quando utilizada em conjunto com
o Monte Carlo Bruto (Figura 98a).

de variao
No estudo comparativo entre as tcnicas aqui estudadas considerada uma amostra de
tamanho 3.700. Na tcnica de Simulao de Subconjuntos adotam-se os seguintes parmetros:
!~~ =1.000, =1,5, P0 = 0,1. O caminhante aleatrio segue uma distribuio de probabilidade
uniforme. Tais resultados podem ser observados na Tabela 34.
152
SIMPLES
Tcnica
;
. >. da ;
Bruto
---4
Importncia
1,20110
0,0287
Assinttica
2,38210-3
1,2903
Melhorada
6,20910-4
0,1657
-4
Subconjuntos
1,59010
0,3221
HIPERCUBO LATINO
Tcnica
;
. >. da ;
Bruto
--Importncia
1,11110-4
0,0260
Assinttica
3,87910-4
10,4964
Melhorada
6,83010-5
1,6205
-4
Subconjuntos
1,18810
0,3406
VARIVEIS ANTITTICAS
Tcnica
;
. >. da ;
Bruto
---4
0,0292
Importncia
1,17110
Assinttica
1,22910-3
3,1715
Melhorada
3,84610-4
0,2525
Subconjuntos
1,28010-4
0,3205
Sigla
BRUTO
AI
AA
AM
SS
Sigla
BRUTO
AI
AA
AM
SS
Sigla
BRUTO
AI
AA
AM
SS
Erro (%)
-5,4434
1991,3082
445,1273
39,5961
Erro (%)
-2,4583
240,5619
40,0351
4,3020
Erro (%)
-2,8095
979,0167
237,6646
12,3793
O resultado da Tabela 34 ilustrado graficamente na Figura 101. Neste caso observa-se

que o Monte Carlo Bruto com Amostragem Simples no apresenta resultados para uma
amostra deste tamanho. Por outro lado, o mtodo de Monte Carlo com Amostragem por
Importncia apresenta uma vantagem significativa, como era esperado. observado que a
tcnica de Simulao de Subconjuntos apresenta um bom resultado em termos do valor da
probabilidade de falha, do coeficiente de variao da probabilidade de falha e do erro relativo.
Destaca-se que o uso da Amostragem por Hipercubo Latino e da Amostragem por Variveis
Antitticas benfico para a maioria das tcnicas, uma vez que leva a um resultado mais
prximo da probabilidade de falha de referncia.
153

o tamanho da amostra. Na Figura 102 e na Figura 103, comparam-se os tempos de
processamento do Monte Carlo Bruto (BRUTO), do Monte Carlo com Amostragem por
Importncia (AI), da Amostragem Assinttica (AA) e da Amostragem Melhorada (AM).
feito uso da Amostragem Simples, da Amostragem por Hipercubo Latino e da Amostragem
por Variveis Antitticas, como tcnicas de amostragem bsica. O tamanho da amostra varia
de 1105 at 1,1106. J na Figura 104a se compara os tempos de processamento da tcnica
de Simulao de Subconjuntos (SS) e na Figura 104b se compara os tempos de processamento
de todas as tcnicas. Na Figura 102 e na Figura 103 o tamanho da amostra varia de 3.700 at
48.100. Para a Simulao de Subconjuntos, consideram-se os mesmos parmetros utilizados
no estudo comparativo apresentado em 7.5.5, com o tamanho de cada subconjunto variando
de 1.000 at 11.000, com um intervalo de 2.000 entre cada tamanho de subconjunto.
a)
Monte Carlo Bruto
154
a)
a)
b) Todas as tcnicas
De maneira geral, o comportamento observado neste exemplo muito similar ao

apresentado nos exemplos anteriores. Neste caso, a Amostragem por Hipercubo Latino e a
Amostragem por Variveis Antitticas parece no ter uma forte influncia no desempenho das
tcnicas. O que se nota de maneira clara que as tcnicas de Amostragem Melhorada,
Amostragem por Importncia e Simulao de Subconjuntos, apresentam altos tempos de
processamento, se comparados com o Monte Carlo Bruto e com a Amostragem Assinttica.
Porm, a Amostragem por Importncia e a Simulao de Subconjuntos conseguem realizar
uma boa estimativa da probabilidade de falha com uma amostra pequena.
7.6.
Exemplo 6: Torre em Elementos Finitos
O objetivo deste problema analisar as diferentes tcnicas de simulao de Monte Carlo

aqui estudadas e suas possveis combinaes, em conjunto com a anlise de elementos finitos
155
com no linearidade fsica e geomtrica. Hansen e Vanderplaats (1990) analisaram uma torre
de linha de transmisso de energia eltrica com carregamentos provenientes apenas dos cabos.
Gomes e Beck (2013) apresentam uma modificao deste problema atravs da otimizao de
sua topologia (Figura 105) e da insero das foras devido ao do vento na estrutura.
Assim, neste problema se considera uma estrutura tima em relao sua forma e aos custos
associados (Gomes e Beck, 2013).
realizado o acoplamento entre o mdulo de simulao de Monte Carlo do StRAnD e o
programa Acadframe, que desenvolvido no departamento de engenharia de estruturas da
EESC. Na modelagem da estrutura so considerados elementos de prtico bidimensionais,
com formulao posicional (CODA; PACCOLA, 2007. CODA; PACCOLA, 2010. CODA;
PACCOLA, 2011. CODA; GRECO, 2004. GRECO e CODA, 2006. GRECO et al., 2006)
para se realizar uma anlise no linear geomtrica. Cada elemento possui trs ns, sendo dois
extremos e um no meio do elemento. Cada n possui trs graus de liberdade, duas translaes
e uma rotao. So consideradas sees L, sendo o material considerado elstico
perfeitamente plstico. A Figura 105 apresenta a torre que o objeto de estudo neste exemplo,
nela esto destacados os ns 11 e 12, pois estes ns so utilizados na estimativa do
deslocamento mdio que utilizado na equao de estado limite, tal como ser explicado a
seguir.
Figura 105. Torre analisada e ns de referncia, para o Exemplo 6.
156
A falha caracterizada pela inclinao da curva que relaciona o fator de carga e o

deslocamento (Figura 106). Onde o fator de carga caracterizado por uma variao da carga
em torno do seu valor atual.
Figura 106. Diagrama fator de carga deslocamento.
Assim, a equao de estado limite dada por:

t w = 75 atan
)
,
onde o incremento no deslocamento mdio entre os ns 11 e 12;
(145)
o incremento no fator
de carga adimensional, que calculado a partir da carga atuante e x o vetor que contm as
variveis aleatrias. O ngulo crtico de 75, que a inclinao do diagrama fator de carga
deslocamento, que representa a falha. A falha da estrutura no representada necessariamente
pelo seu colapso, mas sim por uma mudana do seu comportamento.
As cargas gravitacionais so definidas pelo peso prprio dos cabos. considerada uma
configurao simtrica dos cabos e consequentemente de suas cargas. A estimativa da ao
horizontal de vento baseada na NBR-6123: Foras devidas ao vento em edificaes. O vento
de projeto adotado de 45 m/s (v
= 45 m/s). A velocidade caracterstica do vento,
considerando os fatores topogrficos (S =1), de rugosidade (S =1,06) e estatstico (S =1),

dada por:
qA = { { { q =1 1,06 1 45 = 47,7 m/s,
onde o perfil de velocidade do vento com a altura segue a seguinte lei:
(146)
157
q = X0,1 qA .
(147)
Para aplicar variabilidade ao vento introduzida uma varivel aleatria adimensional U
que segue a distribuio de Gumbel para mximos, tal que:

F = q U.
(148)
Os valores das mdias e dos coeficientes de variao, das variveis U e E, so
apresentados na Tabela 35. Para este problema, o coeficiente de arrasto

valor mximo para perfis L.
= 2,1, que o
Tabela 35. Mdias e coeficientes de variao das variveis aleatrias do Exemplo 6.
Varivel Aleatria
>
G
Distribuio
Gumbel para mximos
Lognormal
Mdia
0,95
207 GPa
C.V
0,13
0,03
A presso do vento avaliada pela seguinte equao:

, U = 0,613 (q() U) .
(149)
Neste trabalho so considerados cabos de 2,52 cm de dimetro, cuja rea de influncia
admitida como " = 300 m 0,0252 m = 7,56 m . O coeficiente de arrasto devido aos
P
= 1,2. Assim, a velocidade mdia do vento que age no cabo, obtida por meio
da Eq. (147), de aproximadamente q(POH ) = 58,88 m/s. Considera-se que os cabos se

cabos de
encontram na cota POH = 15,24 m, a partir do solo. Como a fora de arrasto calculada por
4P =
" (, U) = 1,2 7,56 0,613 (58,88 U) = 19279,65 U . Assim, a fora de
arrasto mdia que atua nos cabos de 17,4 kN.
Neste exemplo analisado o desempenho das tcnicas aqui estudadas em relao ao

estado limite definido pela Eq. (145). Inicialmente realizada a anlise do problema atravs
do FORM. Dessa forma, possvel obter uma estimativa da grandeza do valor da
probabilidade de falha, uma vez que neste problema o tamanho da amostra utilizada na
simulao de Monte Carlo de grande importncia. O tempo de processamento do FORM foi
de 29,8 segundos, onde houve 31 chamadas da equao de estado limite. O valor inicial do
ponto de projeto foi
=(0,950; 20.684,27726), sendo
=(1,8; 20.505,4) o ponto de projeto
encontrado. Assim, foi obtida a probabilidade de falha de #y,IJ} = 1,088 10L e o ndice
de confiabilidade de = 3,6976. A utilizao do FORM pode levar a uma boa estimativa da

probabilidade de falha, pois neste problema o limite de falha aproximadamente linear, tal
158
como ser visto adiante. Porm, interessante testar este valor com a simulao de Monte
Carlo.
A maior dificuldade apresentadas pelas tcnicas de simulao de Monte Carlo a
necessidade de se realizar avaliaes de um problema numrico iterativo, como neste caso,
em que se utiliza o Mtodo dos Elementos Finitos na presena de no linearidades.
Inicialmente so abordados os desempenhos do Monte Carlo Bruto e da Amostragem por
Importncia. Em seguida so realizados estudos referentes Amostragem Assinttica,
Amostragem Melhorada e da Simulao de Subconjuntos. Por fim, realizada uma anlise
comparativa da convergncia e do tempo de processamento das tcnicas aqui estudadas.
So realizadas simulaes do Monte Carlo Bruto e do Monte Carlo com Amostragem
por importncia, de forma que o resultado do FORM possa ser testado. A Tabela 36 e a
Tabela 37 apresentam os resultados da probabilidade de falha, do coeficiente de variao da
probabilidade de falha, do tempo de processamento e do erro relativo resposta do FORM,
para o mtodo de Monte Carlo Bruto e para o mtodo de Monte Carlo com Amostragem por
Importncia. Estes resultados so obtidos com uma amostra de tamanho 1105 e utilizando
como amostragem bsica, a Amostragem Simples, a Amostragem por Hipercubo Latino e a
Amostragem por Variveis Antitticas.
Tabela 36. Comparativo do uso de diferentes tcnicas de amostragem bsica no mtodo de Monte Carlo Bruto,
para uma amostra de 1105, no exemplo 6.
Simples
LHS
Antittica
Pf
C.V. da Pf
Tp
-4
1,40010
0,2672
11 h e 2 min
1,1010-4
0,3015
10 h e 17 min
1,5010-4
0,2582
11 h e 1 min
Erro Relativo (%)

28,68
1,10
37,87
Tabela 37. Comparativo do uso de diferentes tcnicas de amostragem bsica no mtodo de Monte Carlo com
Amostragem por Importncia, para uma amostra de 1105, no exemplo 6.
Simples
LHS
Antittica
Pf
C.V. da Pf
Tp
1,09910-4
0,0038
13 h e 36 min
1,08910-4
0,0038
13 h e 41 min
1,09610-4
0,0038
13 h e 43 min
Erro Relativo (%)

1,01
0,09
0,74
onde Tp o tempo de processamento da anlise em questo para cada uma das tcnicas
utilizadas.
Como se observa na Tabela 36, a simulao pelo mtodo de Monte Carlo Bruto
apresentou resultados prximos do valor obtido pelo FORM, com destaque para o uso
159
conjunto com a Amostragem por Hipercubo Latino, porm, o uso de Amostragem por
Importncia (Tabela 37) apresentou resultados melhores que o apresentado pelo mtodo de
Monte Carlo Bruto. Alm disso, a Amostragem por Importncia apresenta um menor
coeficiente de variao da probabilidade de falha, apesar de apresentar um tempo de
processamento maior. Portanto, o resultado obtido pelo FORM ser utilizado como referncia
nesse trabalho.
A seguir sero apresentados os estudos referentes as tcnicas de Amostragem
Assinttica, Amostragem Melhorada, Simulao de Subconjuntos e por fim ser apresentado
um estudo comparativo entre as tcnicas.

realizado um comparativo dos grficos de regresso obtidos pela tcnica de
Amostragem Assinttica (Figura 107). utilizada uma amostra de tamanho 1105, com a
Amostragem Simples, a Amostragem por Hipercubo Latino e a Amostragem por Variveis
Antitticas. O parmetro f foi variado de 0,6 a 0,9, onde so utilizados 5 pontos de suporte.
Figura 107. Regresso no linear utilizada na Amostragem Assinttica, para amostras de tamanho 1105,
no Exemplo 6.

Simples (ASMC), da Amostragem por Hipercubo Latino (ALHS) e da Amostragem por
Variveis Antitticas (AASMC), so apresentados na Tabela 38.
160
ASMC
ALHS
AASMC
-15.917,960
3,0455
-9.240,556
Tabela 38. Parmetros ajustados na Amostragem Assinttica para o Exemplo 6.
1105
B
15.921,560
0,6909
9.244,064
C
-1,140110-4
-1,498
-2,044710-4
De acordo com a Figura 107, se observa uma boa concordncia entre as curvas
ajustadas e os pontos de suporte, com destaque para o uso conjunto com a Amostragem por
Hipercubo Latino, onde se observam bandas de confiana mais estreitas no ajuste realizado.
Alm disso, tal resultado pode ser comprovado na Tabela 39, onde se observa que o uso de
Amostragem por Hipercubo Latino leva a um menor erro na estimativa da probabilidade de
falha.
Tabela 39. ndice de confiabilidade, probabilidade de falha, coeficiente de variao da probabilidade de falha e
tempo de processamento, para a Amostragem Assinttica, no Exemplo 6.
Pf
Simples
LHS
Antittica
C.V. da Pf
Tp
1,6010-4
9,3310-5
2,25710-4
1,5734
0,4791
0,5037
12 h e 22 min
11 h e 19 min
11 h e 14 min
Erro Relativo (%)

47,0588
14,2463
107,4449

Na Figura 108 observa-se uma boa concordncia entre a curva ajustada e os pontos de
suporte, para uma amostra de tamanho 1105. Nesse caso foram utilizados 100 pontos de
suporte. O parmetro varia no intervalo de 0,4 a 0,9.
no Exemplo 6.
161

Simples (AM), da Amostragem por Hipercubo Latino (AM_LHS) e da Amostragem por
Variveis Antitticas (AAM), so apresentados na Tabela 40.
6.
AM
AM_LHS
AAM
<
2,200210-3
9,220610-2
8,502510-2
6,2375
4,8546
9,5191
'
-3,7501
-2,3842
-2,6185
5,4552
3,8852
3,7857
A Tabela 41, apresenta os valores das probabilidades de falha, dos coeficientes de

variao das probabilidades de falha, do tempo de processamento e do erro relativo resposta
do FORM, para diferentes tcnicas de amostragem bsica.
Tabela 41. ndice de confiabilidade, probabilidade de falha, coeficiente de variao da probabilidade de falha e
tempo de processamento para a Amostragem Melhorada, no Exemplo 6.
Pf
C.V. da Pf
Tp
1,25410-4
1,31710-4
1,48910-4
Simples
LHS
Antittica
0,2710
0,1502
0,1460
Erro Relativo (%)
10 h e 2 min
9 h e 46 min
9 h e 46 min
15,2574
21,0478
36,8566
Na Tabela 41, observa-se que a Amostragem Melhorada apresenta uma boa reduo do
coeficiente de variao da probabilidade de falha e resultados estimados mais consistentes da
probabilidade de falha. Vale ressaltar que a utilizao de Amostragem por Hipercubo Latino e
Amostragem por Variveis Antitticas se mostrou vantajosa neste caso.

Varivel Aleatria
>
G
Distribuio
Uniforme
Uniforme
Mdia
0,0
0,0
Desvio-Padro
0,06175
3,105MPa
Os valores de desvio padro apresentados na Tabela 42, correspondem metade dos

desvios padro do problema original. Logo, com 4.000 pontos amostrais em cada subconjunto
e com P0=0,1, possvel se obter a Figura 109, a Figura 110 e a Figura 111, onde ilustrada a
formao de quatro subconjuntos, com o primeiro subconjunto gerado pela Amostragem
162
Simples (Figura 109), pela Amostragem por Hipercubo Latino (Figura 110) e pela
Amostragem por Variveis Antitticas (Figura 111).
Figura 109. Simulao de Subconjuntos: Amostragem Simples.
Figura 110. Simulao de Subconjuntos: Amostragem por Hipercubo Latino.
163
Figura 111. Simulao de Subconjuntos: Amostragem por Variveis Antitticas.
A partir da Figura 109, da Figura 110 e da Figura 111, primeiramente se observa que a
Simulao de Subconjuntos pode ser aplicada sem maiores dificuldades. Segundo, possvel
notar que a equao de estado limite quase linear, ou pouco no linear. Portanto, o FORM
dever apresentar uma boa estimativa para a probabilidade de falha, por isso, o valor da
probabilidade de falha obtida pelo FORM utilizado como probabilidade de falha de
referncia.

a Amostragem Assinttica e a Amostragem Melhorada. As tcnicas estudadas fazem uso da
Antitticas. Variou-se o tamanho da amostra de 1103 at 1105, tomando-se nesse intervalo
100 pontos.
a)
Mdia
b) C.V.
Exemplo 6.
164
a)
Mdia
b) C.V.
a)
Mdia
b) C.V.
Pode-se notar que as tcnicas em questo tendem a convergir para o mesmo ponto, que
representado pela linha de valor de referncia da probabilidade de falha. Valor este obtido
por meio do FORM. De acordo com a Figura 112a e Figura 112b, pode-se notar que a
Amostragem por Importncia apresenta uma convergncia mais rpida do que as outras
tcnicas, como j esperado. Por outro lado, observa-se que a tcnica de Amostragem
Melhorada apresenta uma convergncia mais rpida que o Monte Carlo Bruto e a
Amostragem Assinttica, alm de apresentar um coeficiente de variao da probabilidade de
falha muito prximo do obtido pela simulao do Monte Carlo Bruto. Vale destacar que a
tcnica de Amostragem Assinttica com Amostragem Simples, apesar de convergir para o
resultado esperado, no o fez de maneira satisfatria, alm de apresentar uma forte flutuao
do coeficiente de variao da probabilidade de falha.
165
Aplicando as tcnicas de Amostragem por Hipercubo Latino (Figura 113) e

Amostragem por Variveis Antitticas (Figura 114), se observa que a tcnica de Amostragem
Melhorada apresentou um bom desempenho em termos de convergncia da probabilidade de
falha e de reduo do seu coeficiente de variao. Sua resposta s no foi melhor que a da
Amostragem por Importncia.
A seguir so apresentados os grficos do comparativo entre as tcnicas estudadas, com
aplicao de diferentes tcnicas de amostragem bsica. Neste caso feito um grfico para
cada uma das tcnicas (Bruto, Amostragem por Importncia, Amostragem Assinttica e
Amostragem Melhorada) e para cada tcnica so obtidas trs curvas, sendo uma para cada
amostragem bsica (Amostragem Simples, Amostragem por Hipercubo Latino e Amostragem
por Variveis Antitticas).
a)
Mdia
b) C.V.
Figura 115. Comparativo da convergncia da Pf (a) e de C.V. (b) para o Monte Carlo Bruto, no Exemplo
6.
a)
Mdia
b) C.V.
Exemplo 6.
166
a)
Mdia
b) C.V.
Exemplo 6.
a) Mdia
b) C.V.
Exemplo 6.
Na Figura 115a, observa-se que o uso da Amostragem por Hipercubo Latino e da

Amostragem por Variveis Antitticas, no mtodo de Monte Carlo Bruto, leva uma
convergncia mais rpida da probabilidade de falha para amostras pequenas, porm, o uso da
Amostragem Simples permitiu que falhas fossem observadas para amostras menores que
2103. Por outro lado, na Figura 115b no se observa vantagem significativa, em relao ao
coeficiente de variao da probabilidade de falha, devido ao uso da Amostragem por
Na Figura 116a, observa-se que o uso da Amostragem por Hipercubo Latino s foi
vantajoso para a Amostragem por Importncia, para amostras maiores que 3104. Na Figura
116b, percebe-se que os coeficientes de variao da probabilidade de falha so prximos.
Na Figura 117a, observa-se que a Amostragem Assinttica com Hipercubo Latino,
apresenta um bom resultado para amostras maiores que 2104, por outro lado, o uso da
167
Amostragem por Variveis Antitticas no to vantajoso em termos de convergncia da

probabilidade de falha, porm, tanto a Amostragem por Hipercubo Latino, quanto a
Amostragem por Variveis Antitticas, apresentam reduo do coeficiente de variao da
probabilidade de falha (Figura 117b), em comparao com a Amostragem Simples.
Na Figura 118a, no se observa vantagem aparente no uso da Amostragem por
Hipercubo Latino e da Amostragem por Variveis Antitticas, em conjunto com a
Amostragem Melhorada. A no ser pela leve reduo do coeficiente de variao da
probabilidade de falha (Figura 118b) com o uso da Amostragem por Variveis Antitticas, o
que no significativo.

de variao
Neste estudo utilizada uma amostra de tamanho 14.800 para todos os problemas aqui
estudados. Na Simulao de Subconjuntos, considera-se 4.000 pontos amostrais em cada
subconjunto, alm disso, os parmetros do caminhante aleatrio so os mesmos que foram
utilizados em 7.6.3. Tais resultados podem ser observados na Tabela 43.
Sigla
BRUTO
AI
AA
AM
SS
Sigla
BRUTO
AI
AA
AM
SS
Sigla
BRUTO
AI
AA
AM
SS
SIMPLES
Tcnica
;
. >. da ;
-4
Simples
2,70310
0,4999
Importncia
1,09010-4
0,0099
Assinttica
2,69710-4
8,0852
Melhorada
1,32710-4
0,4103
Subconjuntos
1,96010-4
0,1970
HIPERCUBO LATINO
Tcnica
;
. >. da ;
-5
Simples
6,75710
--4
0,0100
Importncia
1,09110
Assinttica
8,30010-5
1,5114
-4
0,3106
Melhorada
1,65910
Subconjuntos
1,11010-4
0,2046
VARIVEIS ANTITTICAS
Tcnica
;
. >. da ;
-4
Simples
2,70310
0,4999
Importncia
1,08610-4
0,0100
-4
Assinttica
1,39310
4,7499
Melhorada
1,65010-4
0,3941
-4
0,1963
Subconjuntos
1,62310
Erro (%)
148,44
0,18
147,89
21,97
80,15
Erro (%)
37,90
0,28
23,71
52,48
2,02
Erro (%)
148,44
0,18
28,03
51,65
49,17
168
O resultado da Tabela 43 ilustrado graficamente na Figura 119. De maneira geral,

observa-se que a utilizao da Amostragem por Hipercubo Latino diminui o erro da
estimativa da probabilidade de falha em quase todas as tcnicas. Tambm se observa que com
uma amostra de tamanho 14.800, foi possvel obter um coeficiente de variao menor que
aquele apresentado pelo Monte Carlo Bruto com uma amostra de tamanho 1105.
Um teste adicional realizado com a Simulao de Subconjuntos, de forma a

testar a potencialidade da tcnica para uma amostra menor do que a estudada
anteriormente. Neste caso, considera-se um caminhante aleatrio cujo desvios padro
so o dobro dos desvios padrodo problema original (=2). Alm disso, considera-se
!~~ = 2.000 e # = 0,1, tais parmetro so bons candidatos quando no se tem muito
conhecimento do problema, como neste caso, onde realizar alguns testes pode ser
computacionalmente custoso. Assim, foi possvel obter os seguintes resultados:
Tabela 44. Comparativo da Pf, no Exemplo 6.
Tamanho da
Amostra
9.200
Tamanho da
Amostra
7.400
Tamanho da
Amostra
7.400
SIMPLES
. >. da ;
Erro (%)
9,53910-5
0,2461
3,731
HIPERCUBO LATINO
Erro (%)
;
. >. da ;
1,05510-4
0,2446
3,705
VARIVEIS ANTITTICAS
Erro (%)
;
. >. da ;
1,06510-4
0,2463
3,703
Tempo de
processamento
(min)
58
Tempo de
processamento
(min)
43
Tempo de
processamento
(min)
44
169
Os resultados apresentados na Tabela 44 no so adotados no estudo comparativo, tal

como apresentado na Tabela 43, pois o uso da Simulao de Subconjuntos com a
Amostragem Simples precisa de uma quantidade maior de subconjuntos, diferentemente do
uso da Amostragem por Hipercubo Latino e da Amostragem por Variveis Antitticas. Dessa
forma, o tamanho total da amostra no uso da Amostragem Simples de 9.200, enquanto que
na Amostragem por Hipercubo Latino e na Amostragem por Variveis Antitticas de 7.400.
Mas apesar disso, este resultado interessante pelo fato de apresentar um erro relativo menor.
Um fato que merece destaque a comparao entre a Simulao de Subconjuntos e o Monte
Carlo Bruto, com referncia ao tempo de processamento, ao coeficiente de variao e ao erro
relativo. Pois, enquanto o Monte Carlo Bruto demorou aproximadamente 11 horas para
realizar uma estimativa da probabilidade de falha com coeficiente de variao em torno de
0,25 e com erros relativos de 28,68% (Amostragem Simples), 1,1% (Amostragem por
Hipercubo Latino) e 37,87% (Amostragem por Variveis Antitticas), a Simulao de
Subconjuntos demorou aproximadamente 45 minutos, para realizar uma estimativa da
probabilidade de falha com coeficiente de variao em torno de 0,25 e com erros relativos em
torno de 3,7 (Tabela 44).

Os tempos de processamento, para uma amostra de tamanho 14.800, so apresentados
na Tabela 45. Tais resultados tambm podem ser comparados de forma grfica na Figura 120.
Consideram-se o Monte Carlo Bruto (BRUTO), a Amostragem por Importncia (AI), a
Amostragem Assinttica (AA), a Amostragem Melhorada (AM) e a Simulao de
Subconjuntos (SS). Utiliza-se a Amostragem Simples (Simples), a Amostragem por
Hipercubo Latino (LHS) e a Amostragem por Variveis Antitticas (Antitticas).
Tabela 45. Tempo de processamento para o Exemplo 6, para uma amostra de tamanho 14.800.
BRUTO
AI
AA
AM
SS
Simples
1 h e 37 min
2h
1 h e 16 min
1 h e 27 min
1 h e 52 min
LHS
Antitticas
1 h e 31 min
1 h e 38 min
2 h e 2 min
2 h e 2 min
1 h e 15 min
1 h e 14 min
1 h e 30 min
1 h e 30 min
1 h e 50 min
1 h e 51 min
Observa-se que os tempos de processamentos so equivalentes, exceto para a tcnica de

Amostragem por Importncia. Isso ocorre por causa das operaes matemticas que so
inerentes tcnica, porm isto compensado pelo fato de que esta tcnica leva a bons
resultados com uma amostra pequena.
170
Figura 120. Comparativo dos tempos de processamento (em segundos) das tecnicas empregadas no
Exemplo 6, para uma amostra de tamanho 14.800.
171
8.
CONSIDERAES FINAIS
Nesta dissertao foram analisadas cinco tcnicas utilizadas na estimativa da
probabilidade de falha em confiabilidade de estruturas. Tais tcnicas so as tcnicas de

simulao de Monte Carlo Bruto, a Amostragem por Importncia usando Pontos de Projeto, a
Amostragem Assinttica, a Amostragem Melhorada e a Simulao de Subconjuntos. Estas
tcnicas foram combinadas com trs tcnicas de amostragem bsica, que so a Amostragem
Simples, a Amostragem por Hipercubo Latino e a Amostragem por Variveis Antitticas.
Dessa forma, so estudadas quinze combinaes. Alm disso, procurou-se analisar um amplo
espectro de problemas que podem ser encontrados em confiabilidade de estruturas
independente do tempo.
8.1.
Qualidade da resposta
As tcnicas estudadas neste trabalho apresentaram comportamentos bem caractersticos

em cada problema. Em relao s tcnicas de amostragem bsica, foi verificado, de maneira
geral, que a Amostragem por Hipercubo Latino e a Amostragem por Variveis Antitticas
levaram a Amostragem por Importncia, a Amostragem Assinttica, a Amostragem
Melhorada e a Simulao de Subconjuntos, a apresentarem resultados melhores, em termos do
valor mdio da probabilidade de falha, em comparao com o uso da Amostragem Simples.
Por outro lado, a Simulao do Monte Carlo Bruto no apresenta melhoras significativas,
devido ao uso da Amostragem por Hipercubo Latino e da Amostragem por Variveis
Antitticas.
A Amostragem por Importncia a que apresenta uma convergncia mais rpida, em
comparao com as outras tcnicas estudadas, nos casos em que ela pode ser aplicada. Porm,
como visto no Exemplo 4, ela apresentou um resultado tendencioso.
A Amostragem Assinttica consegue apresentar uma boa convergncia na maioria dos
casos estudados nesta dissertao, alm disso, esta tcnica necessita que uma amostra
diferente seja gerada para cada ponto de suporte. Dessa forma, quando se desejar utilizar uma
quantidade pequena de pontos amostrais para se estimar a probabilidade de falha, uma
amostra menor ainda dever ser gerada para cada ponto de suporte, isso visa no comprometer
o tempo de processamento. Alm do mais, o aumento do desvio padro em cada ponto de
172
suporte aumenta a disperso da amostra o que pode aumentar a incerteza da estimativa da

probabilidade de falha.
A Amostragem Melhorada contorna o efeito do aumento da disperso da amostra em
cada ponto de suporte, tal como visto na Amostragem Assinttica. Isso acontece devido ao
fato de a Amostragem Melhorada parametrizar a equao de estado limite, ao invs de
parametrizar as variveis aleatrias do problema. Assim, est tcnica permite utilizar uma
amostra maior em cada ponto de suporte, uma vez que a amostra a mesma para todos pontos
de suporte.
A Simulao de Subconjuntos uma tcnica que se mostrou bastante vantajosa na
estimativa da probabilidade de falha em diversos tipos de problemas. Esta tcnica permite que
se faa uma boa estimativa de tal probabilidade, com uma amostra pequena. A Simulao de
Subconjuntos s no foi superior Amostragem por Importncia, nos problemas em que a
Amostragem por Importncia apresentou bons resultados ou pode ser aplicada.
8.2.
Tempo de processamento
Em relao ao tempo de processamento, verificou-se que a tcnica de Amostragem por

Importncia apresenta um tempo de processamento maior que as outras tcnicas, para uma
amostra de mesmo tamanho. Por outro lado, isto recompensado pela rpida convergncia da
tcnica. Na anlise de um sistema, a tcnica que apresenta prejuzo a Amostragem
Melhorada, devido necessidade de se avaliar a parametrizao de cada componente do
sistema. A Simulao de Subconjuntos apresenta uma relao no linear entre o tempo de
processamento e o tamanho da amostra. Porm, isto compensado pela possibilidade de
utilizar uma amostra pequena na estimativa da probabilidade de falha, sendo este um dos
principais atrativos da tcnica.
8.3.
Sugestes para trabalhos futuros
Alguns aprimoramentos deste estudo podem ser realizados em outros trabalhos, os

destaques so:
Estudar a otimizao dos parmetros de entrada de cada tcnica;
Aplicar as tcnicas implementadas no StRAnD em conjunto com as tcnicas de

superfcie de resposta;
Aplicao de tcnicas de Quase-Monte Carlo;
173
Estudo de outras tcnicas de Amostragem;
Estudo comparativo na aplicao em problemas de dinmica estocstica linear e

no linear;
Aplicao de programao em paralelo;
Desenvolvimento de um programa de Elementos Finitos parametrizvel para

aplicao em Confiabilidade de Estruturas.
174
175
REFERNCIAS
ABNT ASSOCIAO BRASILEIRA DE NORMAS TCNICAS. NBR 6123: Foras
devidas ao vento em edificaes. Rio de Janeiro, 1988.
ANG, A. H-S.; TANG, W. H. Probability Concepts in Engineering: Emphasis on
Applications to Civil and Environmental Engineering, 2nd Edition. New York: John
Wiley & Sons, 1984.
AU, S-K. Reliability-based design sensitivity by efficient simulation. Computer and
structures, v.83, p. 1048-1061, 2005.
AU, S-K.; BECK, J. L. Estimation of small failure probabilities in high dimensions by subset
simulation. Probabilistic engineering mechanics, v.16, p. 263-277, 2001.
AU, S-K.; CHING, J.; BECK, J. L. Application of subset simulation methods to reliability
benchmark problems. Structural safety, v.29, p. 183-193, 2007.
BECK, A. T. Curso de confiabilidade estrutural: notas de aula. So Carlos: EESC-USP, 2012.
BUCHER, C. Asymptotic sampling for high-dimensional reliability analysis. Probabilistic
engineering mechanics, v.24, p.504-510, mar. 2009.
CODA, H. B.; GRECO, M. A simple FEM formulation for large deflection 2D frame analysis
based on position description. Computer Methods in Applied Mechanics and Engineering,
v. 193, p. 3541-3557, 2004.
CODA, H. B.; PACCOLA, R. R. An alternative positional FEM formulation for
geometrically non-linear analysis of shells: curved triangular isoparametric elements,
Computational Mechanics, v. 40, p. 185200, 2007.
CODA, H. B.; PACCOLA, R. R. Improved finite element for 3D laminate frame analysis
including warping for any cross-section, Applied Mathematical Modelling, v.34, pp. 1107
1137, 2010.
CODA, H. B.; PACCOLA, R. R. A FEM procedure based on positions and unconstrained
vectors applied to non-linear dynamic of 3D frames, Finite Elements in Analysis and
Design, v.47, p. 319333, 2011.
DITLEVSEN, O. Principle of normal tail approximation, Journal of Engineering
Mechanics Division, v. 107, n. 6, p. 1191-1208, 1981.
GATTAS, M. Mtodo de Levenberg-Marquardt: notas de aula. Rio de Janeiro: PUC-Rio.
176
GOMES, W. J. S.; BECK, A. T. Global structural optimization considering expected

consequences of failure and using ANN surrogates, Computers and Structures, v.126, p.5668, 2013.
GRECO, M.; CODA, H. B. Positional FEM Formulation for flexible multi-body dynamics
analysis, Journal of Sound and Vibration, v.290, p. 11411174, 2006.
GRECO, M.; GESUALDO, F. A. R.; VENTURINI, W. S.; CODA, H. B. Nonlinear
positional formulation for space truss analysis, Finite Elements in Analysis and Design, v.
42, p. 10791086, 2006.
HANSEN, S. R.; VANDERPLAATS, G.N. An approximation method for configuration
optimization of trusses, American Institute of Aeronautics and Astronautics Journal,
v.28, n.1, p.161-172, 1990.[
HAMMERSLEY, J. M.; MORTON, K. W. A new Monte Carlo technique: antithetic variates,
Mathematical proceedings of the Cambridge Philosophical Society , v. 52, n. 3, p. 449475, 1956.
HASTINGS, W. K. Monte Carlo sampling methods using Markov Chain and their
applications. Biometrika, v.57, n.1, p. 97-109,1970.
HURTADO, J.E.; BARBAT, A.H. Monte Carlo Techniques in Computational Stochastic
Mechanics. Archives of Computational Methods in Engineering State of the art reviews,
v.5, n.1, p.3-30, 1998.
LECUYER. Uniform random number generators: A review. In: WINTER SIMULATION
CONFERENCE, 1997.
McKAY, M. D.; BECKMAN, R. J.; CONOVER, W. J. A comparison of three methods for
selecting values of input variables in the analysis of output from a computer code.
Technometrics, v.21, n.2, p. 239-124, mai. 1979.
MELCHERS, R. E.; AHAMMED, M. A fast approximate method for parameter sensitivity
estimation in Monte Carlo structural reliability. Computers and Structures, v. 82, p. 55-61,
2004.
METROPOLIS, N.; ULAM, S. The Monte Carlo method. Journal of the american
statistical association, v.44, n.247, p. 335-341, set. 1949.
METROPOLIS, N. et al. Equation of state calculation by fast computing machines. The
journal of chemical physics, v.21, n.6, p. 1087-1092, jun. 1953.
MONTEGOMERY, D. C.; RUNGER, G. C. Applied Statistics and Probability for
Engineers. John Wiley. 2003.
177
NAESS, A.; LEIRA, B. J.; BATSEVYCH, O. System reliability analysis by enhanced Monte
Carlo simulation. Structural safety, v.31, p. 349-355, 2009.
NOGUEIRA, F. M. A. Cadeias de Markov: notas de aula: Juiz de Fora, UFJF, 2009.
OLSSON, A.; SANDEBERG, G.; DAHLBLOM, O. On latin hypercube sampling for
structural reliability analysis. Structural safety, v.25, p. 47-68, 2003.
ROBERT, C.; CASELLA, G. A short history of Markov Chain Monte Carlo: Subjective
recollections from incomplete data. Statistical science, v.0, n.0, p. 1-14, fev. 2011.
SCHULLER, G. I.; PRANDLWARTER, H. J. Benchmark study on reliability estimation in
higher dimensions of structural systems An overview. Structural Safety v.29, p. 167-182,
2007.
SICHANI, M. T.; NIELSEN, S. R. K.; BUCHER, C. Applications of asymptotic sampling on
high dimensional structural dynamic problems. Structural safety, v.33, p. 305-316, 2011a.
SICHANI, M. T.; NIELSEN, S. R. K.; BUCHER, C. Efficient estimation of first passage
probability of high-dimensional nonlinear systems. Probabilistic engineering mechanics,
v.26, p.539-549, mar. 2011b.
SICHANI, M. T.; NIELSEN, S. R. K.; BUCHER, C. Closure to Applications of asymptotic
sampling on high dimensional structural dynamic problems. Structural safety, v.46, p. 1112, 2014.
TANG, Z.; LU, Z; PAN, W. Discussion on: Applications of asymptotic sampling on high
dimensional structural dynamic problems: M. T. SICHANI, S. R. K. NIELSEN, C. BUCHER,
33(2011) 305-316. Structural safety, v.46, p. 8-10, 2014.
VERZENHASSI, C, C. Otimizao de risco estrutural baseada em confiabilidade.
Dissertao (Mestrado), Escola de Engenharia de So Carlos, Universidade de So Paulo, So
Carlos, 2008.
VIEIRA, C. E. C.; RIBEIRO, C. C.; SOUZA, R. C. Geradores de nmeros aleatrios. 2004,
81p. Monografia (Cincia da Computao) Pontifcia Universidade Catlica do Rio de
Janeiro, Rio de Janeiro, 2004.
ZUEV, K. Random walks in high dimensions: Metropolis algorithm and its modifications.
notas de aula. Hong-Kong: University of Science and Technology, 2010.
ZUEV, K.; BECK, J.L.; AU, S. K.; KATAFYGIOTIS, L.S. Bayesian post-processor and
other enhancements of Subset Simulation for estimating failure probabilities in high
dimensions. Computers and Structures, v.92-93, 283-296, 2012.
178
179
APNDICE: StRAnD Manual de Usurio

O StRAnD (Structural Risk Analisys and Design) um programa especializado em
anlise de risco e desenvolvido junto ao departamento de Engenharia de Estruturas da
Escola de Engenharia de So Carlos da Universidade de So Paulo (EESC-USP). Atualmente
o programa capaz de realizar anlise de confiabilidade dependente e independente do tempo,
confiabilidade de sistemas e otimizao de risco. Alm disso, ele possui uma interface de
acoplamento com programas de elementos finitos acadmico, desenvolvido na EESC-USP,
(Acadframe) e comercial (ANSYS). Neste trabalho ser utilizado o Acadframe, uma vez que a
interface entre ambos os programas leva a um menor tempo de processamento, uma vez que a
necessidade de escrever em arquivo de texto, a cada simulao, eliminada, tal como
necessrio no uso do ANSYS.
Na Figura 121 apresentado um fluxograma que descreve o trecho implementado no
StRAnD e a relao entre as diversas partes do programa.
Figura 121. Diagrama bsico do StRAnD.
180
Entrada de dados no StRAnD

A entrada de dados do StRAnD realizada via arquivo de texto. Da mesma forma, o
programa de elementos finitos que est acoplado ao StRAnD, o Acadframe, tambm possui
entrada de dados via arquivo de texto. O arquivo de entrada do StRAnD possui o nome
STRAND_INPUT.TXT e o do Acadframe ACADFRAME_INPUT.TXT. No arquivo
STRAND_INPUT.TXT o usurio capaz de definir o tipo de problema, o tipo de anlise a
ser realizada, as variveis aleatrias e todas as variveis responsveis pela execuo da anlise
de confiabilidade que se deseja realizar. Um trecho de um arquivo de entrada de dados pode
ser vista a seguir.
************************************************************************************
*TITLE:
CAPACIDADE_DEMANDA
************************************************************************************
OPES DE ANLISE
************************************************************************************
*TYPE_OF_PROBLEM: (ESCOLHA SOMENTE UMA OPO)
1 SIMPLES Anlise de Confiabilidade
0 MULTIPLA ou Anlise de Confiabilidade comparativa
0 OPTIMIZATION Anlise de Otimizao - Risk or Reliabiliy-based
*TYPE_OF_RELIABILITY_PROBLEM: (ESCOLHA SOMENTE UMA OPO)

0 Distribuio de Resposta
1 Anlise de Varivel Aleatria
0 Anlise de Processo Aleatrio
*OUTPUT_LEVEL:
3
0 Sem sada de dados
1 Sada de dados mnima
2 Sada de dados mdia
3 Sada de dados mxima
*ERROR_CHECKING_LEVEL:
1
0 Sem checagem de erro
1 Checagem de erro limitada
2 Checagem de erro mxima
************************************************************************************
FUNES DE ESTADO LIMITE E GRADIENTES
************************************************************************************
BY_INTERPRETER = LER AS FUNES ABAIXO E USA O INTERPRETADOR
SYSTEM = SERIE or PARALELO
BY_SUBROUTINE = FUNO PROGRAMADA PELO USURIO DENTRO DO FORTRAN
BY_FINITE_DIF = GRADIENTE POR DIFERENAS FINITAS
************************************************************************************
*NUMBER_LIMIT_STATES:
1 NES (NMERO DE ESTADOS LIMITES)
181
*LIMIT_STATE_FUNCTIONS:
BY_SUBROUTINE
G1(X) = X(1)-X(2)
SYSTEM = SERIES
*LIMIT_STATE_GRADIENTS:
BY_SUBROUTINE
DG1/X1 = 1.D0
DG1/X2 = -1.D0
*FEM_ANALYSIS:
NONE
OPERES E FUNES EXISTENTES NO INTERPRETADOR:
OPERAES: - + * / **
FUNES: SIN ASIN SINH SIND
COS ACOS COSH COSD
TAN ATAN TANH TAND
NINT ANINT AINT
LOG LOG10 EXP SQRT ABS FLOOR
PARA O NMERO DE VARIVEL ALEATRIA N, USE X(N) OU XN, EXEMPLO: X(1) OU X1
************************************************************************************
VARIVEIS ALEATRIAS DO PROBLEMA
************************************************************************************
*NUMBER_RV:
2 - NRV
*RV_DATA:
2
2
Dist code,
M
M
P:
M:
C:
2.0
1.0
p1,
mdia,
media,
0.20 0.0
0.15 0.0
0.0
0.0
p2,
desvio padro,
c.v.,
min, max,
min, max,
min, max,
P:M:C: - CAPS LOCK Permite: Parmetros (P), Momentos (M) or C.V. (C) to be specified
Distribution codes:
0 - Determinstica
1 - Uniforme
2 - Normal
3 - Lognormal
4 - Exponencial
5 - Raleigh
6 - Logistica
7 - Gumbel para mnimos
8 - Gumbel para mximos
9 - Frechet para minimos
10 - Frechet para maximos
11 - Weibull para minimos
12 - Weibull para maximos
13 Normal Truncada
14 - Gamma
15 - Beta
182
*RV_CORRELATION:
1.00
0.00 1.00
*RV_RELIABILITY_OPTIONS:
0 FORM - First Order Reliability Analysis
0 SORM - Second Order Reliability Analysis
0 BIMODAL Avaliao dos limites de falha bi-modais
1 MCS Simulao de Monte Carlo
0 RS Superfcie de Resposta
*MC_SIMULATION_OPTIONS:
1 Monte Carlo Bruto
1 Amostragem por Importncia usando os pontos de projeto
1 Amostragem Assinttica
1 Amostragem Melhorada
1 Simulao de Subconjuntos
*BASIC_SAMPLES_GENERATION:
1 Amostragem Simples
1 Hipercubo Latino
1 Variveis Antitticas
#######################################################################
********************* NAESS TECHNIQUES ********************************
*ENHANCED_SIM_OPTIONS:
69000 Tamanho da Amostra
1111 Semente do gerador de nmeros aleatrios
100 Nmeros de pontos de suporte
0.4 Valor inicial de lambda
0.9 Valor final de lambda
0.95 Nvel de confiana
0 Grfico de regresso (S ou N)?
0 Grfico de convergncia (S ou N)?
10 Se quer grfico de convergncia, defina o nmero de pontos.
100 Se quer grfico de convergncia defina o valor inicial do tamanho da amostra
*********************ASYMPTOTIC SAMPLING ******************************
*AS_SIM_OPTIONS:
13800 Tamanho da Amostra em cada ponto de suporte
5 Nmeros de pontos de suporte
2 Nmero de parmetros na funo de regresso (2 : A + B/(x^2); 3: A + B/(x^C))
0.4 Valor inicial de f
0.6 Valor final de f
0 Busca adaptativa pelo interval de f (S ou N)?
0 Achar limite superior e inferior de f (1), ou somente superior (0) (se usando busca adaptativa)
10 Nmero de falha mnimo por ponto de suporte
0 Grfico de regresso (S ou N)?
*AS_FASTER:
1
183
*************************************************************************
*REGRESSION_OPTIONS:
3000
Nmero de iteraes mxima
0.00000001D0 Tolerncia
0
Bandas de confiana empirica (S ou N)?
********************* SIMPLE SAMPLING ********************************
*RV_CRUDE_SIM_OPTIONS:
0 Salvar pontos amostrais (S ou N)?
*LHS_SAMPLES_RANKING:
0 Samples Ranking Full data Output (Boolean: 1 - Yes, 0 - No) - Only for Crude Monte Carlo + LHS
********************* IMPORTANCE SAMPLING*****************************
*RV_IMPORTANCE_SIM_OPTIONS:
1 Nmero de funes de amostragem
********************* SUBSET SIMULATION ********************************
*SUB_SIM_OPTIONS:
15000 Tamanho da Amostra em cada subconjunto
7 Nmero mximo de subconjuntos
0.1 probabilidade de falha condicional
100 Se quer grfico de convergncia defina o incremento da amostra em cada subconjunto
*RW_OPTIONS:
1
parmetros definidos pelo usurio (1) ou multiplique os desvios padres originais por alfa (0)
3.0D0 alfa
*RW_DATA:
1
M
0.0
0.140 0.0
0.0
1
M
0.0
0.105 0.0
0.0
*************************************************************************
#######################################################################
Os passos para entrada dos dados das simulaes de Monte Carlo so apresentados a
seguir:
184
No uso de equaes de estado limite que dependem da resposta de um modelo de

elementos finitos se utiliza a flag *FEM_ANALYSIS:, onde as opes so:
ACADFRAME, para utilizar o programa Acadframe, ANSYS, se for desejvel utilizar o
ANSYS e NONE quando no se deseja realizar anlise de elementos finitos.
*FEM_ANALYSIS:
ACADFRAME
Atravs da flag *NUMBER_RV:, se define o nmero de variveis aleatrias do
problema.
*NUMBER_RV:
2 - NRV
Para definir os parmetros das variveis aleatrias se utiliza a flag *RV_DATA:, onde
a sequncia de insero dos dados para cada varivel aleatria do problema feito por cada
linha. Desta forma em cada linha define-se o cdigo do tipo de distribuio de probabilidade;
a forma de insero do dado, se por parmetros (P), momentos (M) ou coeficiente de
variao (C). Em seguida so inseridos os dados de acordo com a instruo descrita logo
abaixo.
*RV_DATA:
2
M
2
M
2.0
1.0
0.20
0.15
0.0
0.0
0.0
0.0
A flag *RW_OPTIONS: responsvel por definir se o usurio ir definir os desviospadro do caminhante aleatrio de maneira direta ou como uma parcela dos desvios-padro do
problema original.
*RW_OPTIONS:
1
Se definido pelo usurio escolha (1) ou multiplicando o original por alfa (0)
3.0D0 alfa
O mesmo procedimento adotado na definio das variveis aleatrias deve ser realizado
para a definio do caminhante aleatrio utilizado na simulao de subconjuntos, isso feito
utilizando a flag *RW_DATA:. Neste caso deve-se manter a mdia com valor zero e
aconselhvel utilizar uma distribuio de probabilidades uniforme ou normal.
*RW_DATA:
1
M
1
M
0.0
0.0
0.06
0.045
0.0
0.0
0.0
0.0
185
Em STRAND_INPUT.TXT realizada a escolha das tcnicas em cada anlise e suas

combinaes, tal como apresentado a seguir:
*RV_RELIABILITY_OPTIONS:
0 FORM - First Order Reliability Analysis
0 SORM - Second Order Reliability Analysis
0 BIMODAL Avaliao dos limites de falha bi-modais
1 MCS Simulao de Monte Carlo
0 RS Superfcie de Resposta
*MC_SIMULATION_OPTIONS:
1 Monte Carlo Bruto
1 Amostragem por Importncia usando os pontos de projeto
1 Amostragem Assinttica
1 Amostragem Melhorada
1 Simulao de Subconjuntos
*BASIC_SAMPLES_GENERATION:
1 Amostragem Simples
1 Hipercubo Latino
1 Variveis Antitticas
Quando o usurio escolhe o valor 1 para a varivel MCS, as opes de *MCSIMULATION_OPTIONS:, so ativadas. Assim pode-se escolher entre realizar o Monte
Carlo Bruto, Amostragem por Importncia utilizando pontos de projeto, Amostragem
Assinttica, Amostragem Melhorada e Amostragem por Subconjunto. Atravs da opo
*BASIC_SAMPLES_GENERATION:, realizada a escolha da amostragem bsica, neste
caso as opes so: Amostragem Simples, Amostragem por Hipercubo Latino e Variveis
Antitticas.
O StRAnD atualmente apresenta 15 possibilidades para simulao de Monte Carlo. Tais
combinaes so:
o Monte Carlo Bruto com:
Amostragem Simples (SIMC)
Amostragem por Hipercubo Latino (SLHS)
Amostragem por Variveis Antitticas (ASIMC)
o Amostragem por Importncia com:
Amostragem Simples (ISMC)
Amostragem por Hipercubo Latino (ILHS)
Amostragem por Variveis Antitticas (AISMC)
o Amostragem Assinttica com:
Amostragem Simples (ASMC)
Amostragem por Hipercubo Latino (ALHS)
186
Amostragem por Variveis Antitticas (AASMC)

o Amostragem Melhorada com:
Amostragem Simples (AM)
Amostragem por Hipercubo Latino (AM_LHS)
Amostragem por Variveis Antitticas (AAM)
o Simulao de Subconjuntos com:
Amostragem Simples (SS)
Amostragem por Hipercubo Latino (SSLHS)
Amostragem por Variveis Antitticas (SSA)
Alm das 15 combinaes apresentadas acima, o StRAnD possui rotinas de criao de
superfcie de respostas, o que permite a utilizao destas em Simulao de Monte Carlo.
Qualquer uma das tcnicas de simulao acima poder ser combinada com o uso de
superfcies de resposta. Por ora, o StRAnD permite a construo de superfcies de resposta
polinomiais de primeira e segunda ordem. H planos para implementar tcnicas modernas de
superfcie de resposta, envolvendo redes neurais artificiais, krigagem, etc. Neste trabalho no
sero abordados exemplos com uso de superfcie de resposta. Em sua verso atual, o StRAnD
aplica a tcnica de superfcie de respostas ao Monte Carlo Bruto e Amostragem por
Importncia. Desta forma, os usurios do StRAnD tero mais opes de simulao, que
podero viabilizar a resoluo de problemas complexos.
Sada de dados do StRAnD

Neste captulo sero apresentadas algumas novas funcionalidades do StRAnD, em
termos de sada de dados. Diferentes anlises, em relao a qualidade da simulao de Monte
Carlo, podero ser efetuadas.
O arquivo principal de sada de dados o STRAND_OUTPUT.TXT, ele contm o
relatrio final, contendo os resultados finais das simulaes. Acrescentou-se a este o arquivo
FULL_OUTPUT.TXT, que contm todas as realizaes das variveis aleatrias utilizadas na
simulao. A impresso do arquivo feita como uma matriz, onde o nmero de linhas o
nmero de realizaes e o nmero de colunas igual ao nmero de variveis aleatrias. Um
trecho de um arquivo FULL_OUTPUT, pode ser observado abaixo:
187
Exemplo: STRAND_SIMC_FULL_OUTPUT.TXT (Monte Carlo Simples)
Com estes dados e utilizando um gerador grfico a escolha do usurio, pode-se gerar os
grficos do comportamento conjunto de quaisquer duplas ou triplas de variveis aleatrias, tal
como na Figura 122(a) e na Figura 122(b), respectivamente.
a)
b)
Figura 122. Dado de sada do StRAnD: Amostra aleatria a) 2-D e b) 3-D.
A Simulao de Subconjuntos possui uma sada de dados diferenciada, uma vez que
cada arquivo FULL_OUTPUT salva os dados de um subconjunto. Desta forma o arquivo sa
com o seguinte nome:
STRAND_X_SUBSET_FULL_OUTPUT.TXT (Simulao de Subconjunto)
onde no lugar de X deve sair o nmero do subconjunto simulado, por exemplo:
STRAND_1_SUBSET_FULL_OUTPUT.TXT, para o primeiro subconjunto.
interessante a aplicao deste tipo de arquivo quando se utiliza a Simulao de
Subconjuntos, uma vez que a gerao de cada subconjunto pode ser facilmente notada quando
se gera os grficos do comportamento conjuntos de pares de variveis aleatrias. Tambm se
pode observar a qualidade das amostras condicionais, uma vez que o desvio padro do
caminhante aleatrio interfere no nvel de aceitao e rejeio destas. Um exemplo do que se
pode obter, quando se utiliza Simulao por Subconjuntos, observada da Figura 123, onde
se observa a gerao dos diferentes subconjuntos para o problema apresentado no Exemplo 1.
188
Figura 123. Dado de sada do StRAnD: gerao de subconjuntos na simulao de subconjuntos, no

Exemplo 1.
Os arquivos CONVERGENCE_OUTPUT.TXT contm os dados de convergncia da

probabilidade de falha com o nmero de simulaes.
Os dados so apresentados na seguinte ordem:
Coluna 1: Numero de simulaes por cada passo de convergncia;
Coluna 2: Coeficiente de variao da probabilidade de falha;
Coluna 3: Limite inferior do intervalo de confiana da probabilidade de falha;
Coluna 4: Probabilidade de falha;
Coluna 5: Limite superior do intervalo de confiana da probabilidade de falha;
Coluna 6: Limite inferior do intervalo de confiana do ndice de confiabilidade;
Coluna 7: ndice de confiabilidade;
Coluna 8: Limite superior do intervalo de confiana do ndice de
confiabilidade;
Um trecho de um arquivo do tipo CONVERGENCE_OUTPUT.TXT pode ser
observado abaixo:
Exemplo: STRAND_SIMC_CONVERGENCE_OUTPUT.TXT (Monte Carlo Simples)
A partir dos dados apresentados anteriormente e utilizando um programa adequado para

a gerao de grficos, pode-se obter grficos de convergncia da probabilidade de falha Pf (ou
do ndice de confiabilidade ), tal como na Figura 124.
189
Figura 124. Dado de sada do StRAnD: Graficos de convergncia, no Exemplo 1.
Os arquivos REGRESSION_OUTPUT.TXT contm os dados utilizados para a

plotagem dos grficos de regresso no linear. As tcnicas que possuem essa opo de sada
de dados so: Amostragem Assinttica e Amostragem Melhorada. Neste tipo de arquivo, a
sequncia de impresso :
Coluna 1: Valor do parmetro f;
Coluna 2: Valor da banda de confiana inferior do ajuste;
Coluna 3: Valores de /f obtidas para qualquer ponto da funo ajustada, que

contnua;
Coluna 4: Valor da banda de confiana superior do ajuste;
Coluna 5: Valor do parmetro f, para os pontos de suporte;
Coluna 6: Valores de /f obtidas para os pontos de suporte;
Um trecho de um arquivo do tipo REGRESSION_OUTPUT, pode ser visto abaixo:

Exemplo: STRAND_ASMC_REGRESSION_OUTPUT.TXT (Amostragem Assinttica)
Com os dados obtidos nos arquivos REGRESSION_OUTPUT, pode-se gerar grficos

dos pontos de suporte, da funo ajustada e das bandas de confiana, tal como na Figura 125.
190
Figura 125. Dado de sada do StRAnD: Graficos de regresso utilizando o modelo do Exemplo 1.
Os arquivos RANK_OUTPUT contm a posio que cada uma das realizaes das
variveis aleatrias possui, caso estas fossem colocadas em ordem decrescente. Este conjunto
de dados utilizado na verificao da qualidade do Hipercubo Latino, porm seu uso deve ser
feito com ateno, uma vez que o algoritmo de ordenamento, que foi adicionado, pode ser
computacionalmente custoso. A impresso do arquivo feita como uma matriz, onde o
nmero de linhas o nmero de realizaes e o nmero de colunas igual ao nmero de
variveis aleatrias. A tcnica que faz uso desta sada de dados a de Monte Carlo Padro
com Hipercubo Latino. Um trecho de um arquivo deste tipo pode ser verificado abaixo:
Exemplo: STRAND_SLHS_RANK_OUTPUT.TXT (Hipercubo Latino)
Como dito anteriormente, atravs do arquivo RANK_OUTPUT, que utilizado apenas

no Mtodo de Monte Carlo Padro com Amostragem por Hipercubo Latino, pode-se verificar
a qualidade do hipercubo latino gerado, assim atravs dos dados do arquivo, pode-se gerar a
Figura 126, que representa o comportamento da amostragem para duas variveis aleatrias
amostradas 10 vezes cada.
191
Figura 126. Dado de sada do StRAnD: Ranking dos pontos amostrais do Hipercubo Latino Gerado.
fcil observar que cada realizao das variveis aleatrias corresponde a uma ordem,
que neste caso varia de 1 a 10.

Técnicas de Amostragem Inteligente em Simulação de Monte Carlo

Uploaded by

Document Information

Original Title

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

Técnicas de Amostragem Inteligente em Simulação de Monte Carlo

Uploaded by

Copyright:

Available Formats

UNIVERSIDADE DE SO PAULO

ESCOLA DE ENGENHARIA DE SO CARLOS

KETSON ROBERTO MAXIMIANO DOS SANTOS

Tcnicas de amostragem inteligente

KETSON ROBERTO MAXIMIANO DOS SANTOS

Tcnicas de amostragem inteligente

Dissertao apresentada Escola de Engenharia de

Orientador: Prof. Assoc. Andr Tefilo Beck

minha me Ccera, meu pai Jos

(509, 10, 0)............................................................................................ 64

(31, 13, 0). ............................................................................................. 64

Figura 6. Gerador RANDU:

(231 1, 65.539, 0). ............................................................. 65

(231 1, 65.539, 0). ............................................................. 65

Figura 8. Gerador implementado no StRAnD:

(231 1, 41.358, 0). ................................. 66

Figura 23. Gerao de subconjuntos via cadeias de Markov....................................................... 89

Tabela 22. Probabilidade de falha e coeficiente de Variao da probabilidade de falha, para a

Objetivos gerais .................................................................................................... 33

Objetivos especficos ............................................................................................ 33

Organizao do contedo ............................................................................................ 34

REVISO BIBLIOGRFICA ............................................................................................ 37

CONCEITOS DE PROBABILIDADE E ESTATSTICA ............................................... 43

Axiomas da teoria de probabilidades ......................................................................... 43

Probabilidades condicionais e independncia de eventos ......................................... 44

Variveis aleatrias ...................................................................................................... 45

Funo de distribuio acumulada de probabilidade ....................................... 45

Funo densidade de probabilidade ................................................................... 46

Momentos de uma varivel aleatria.................................................................. 46

Mdia e varincia de amostras ............................................................................ 47

Distribuio conjunta de probabilidades ................................................................... 48

CONFIABILIDADE DE ESTRUTURAS .......................................................................... 51

Estados limites .............................................................................................................. 51

Problema fundamental da confiabilidade de estruturas....................................... 53

Transformao composta utilizando o modelo de Nataf .................................. 56

Confiabilidade de sistemas .......................................................................................... 59

GERAO DE NMEROS ALEATRIOS .................................................................... 61

Geradores de nmeros aleatrios ............................................................................... 61

Momentos conjuntos entre variveis aleatrias................................................. 49

Geradores congruentes lineares .......................................................................... 62

Gerao de nmeros aleatrios com distribuio de probabilidade prescrita ....... 66

MTODO DE MONTE CARLO........................................................................................ 69

Tcnicas de amostragem bsica .................................................................................. 70

Amostragem por variveis antitticas ................................................................ 72

Amostragem estratificada .................................................................................... 72

Amostragem por hipercubo latino ...................................................................... 73

Tcnicas de Amostragem Inteligentes......................................................................... 75

Amostragem por Importncia utilizando Hipercubo Latino .............................. 77

Mltiplos modos de falha ................................................................................... 79

Amostragem assinttica ....................................................................................... 80

Amostragem melhorada ....................................................................................... 85

Amostragem por Importncia utilizando pontos de projeto ............................ 76

Mltiplos modos de falha ................................................................................... 85

Coeficiente de Variao da probabilidade de falha ........................................... 89

Gerao de Cadeias de Markov ......................................................................... 90

Exemplo 1: Capacidade-Demanda .............................................................................. 94

Amostragem Assinttica ...................................................................................... 95

Amostragem Melhorada ...................................................................................... 96

Simulao de Subconjuntos ................................................................................. 98

Anlise de convergncia ..................................................................................... 100

Comparativo da probabilidade de falha e de seu coeficiente de variao ..... 104

Tempo de processamento ................................................................................... 105

Exemplo 2: Variveis Aleatrias Limitadas ............................................................. 107