UNIVERSIDADE DE BRASLIA

FACULDADE DE TECNOLOGIA
DEPARTAMENTO DE ENGENHARIA MECNICA

APOSTILA DE VIBRAES ALEATRIAS

TIAGO CAMARGO ALVES

Prefcio
Essa apostila tem a inteno de introduzir os conceitos de vibraes aleatrias
para alunos da universidade de Braslia que pretendam trabalhar nessa rea. A partir de
uma viso abrangente, que leva em conta aspectos da literatura clssica (Rao,2000 e
Meirovitch, 1986), conceitos probabilsticos e trabalhos acadmicos.
A abordagem utilizada foi feita de forma a ser simples, porm, ser abster dos
conceitos importantes, dando ao leitor uma viso abrangente sobre processos
estocsticos e sua aplicao na rea de vibraes.
Os conceitos probabilsticos so abordados de forma simples, muitas vezes sem
explicar passos ou formas de chegar a frmulas e teorias, deixando a cargo do leitor a
inteno de pesquisar a base dos clculos.

1. Introduo a Processos Estocsticos

Na figura 1 possvel observar um sinal, que pode indicar vrios tipos de
eventos, como por exemplo, abalos ssmicos, presso do vento sobre um parede,
esforos em um componente de suspenso veicular e vrios outros tipos de fenmenos.

Figura 1 Registro de um fenmeno

Analisando esse sinal possvel analisar que no h regularidade nos registros,

ou seja, no existe uma funo matemtica x(t), que descreva um intervalo de dados.
Somando a essa caracterstica o fato de que caso esse registro se repita vrias vezes no
ser encontrado um sinal similar possvel descrever o fenmeno analisado como um
fenmeno de caracterstica aleatria e portanto um fenmeno estocstico e sendo
portanto o sinal caracterstico desse fenmeno deve ser formulado em termos
probabilsticos, que a ferramenta matemtica que permite trabalhar com processos
estocsticos.
Para continuar com o aprendizado sobre vibraes aleatrias necessrio
abordar os conceitos de probabilidade, pois o tratamento de sinais aleatrios no to
simples e um conhecimento em probabilidade e estatstica requerido. Com isso
colocado na apostila uma introduo a probabilidade, mas caso algo no fique claro
necessrio buscar outras fontes para entender melhor as funes e processos
probabilsticos.
1.1 Ferramentas Probabilsticas
Por serem bsicos os conceitos de espao amostral, mdia, mediana, desvio
padro, varincia, covarincia, conjunto, unio, interseo, probabilidade condicional,
evento complementar e conjunto vazio no sero tratados nessa apostila, porm so de
suma importncia para entender varveis aleatrias, deixando novamente a cargo do
leitor a busca por esses conceitos em outras literaturas.
1.1.1 Funo de Probabilidade e Funo de Distribuio de Probabilidade
Define-se a funo de probabilidade como sendo a probabilidade associada ao
valor da varivel aleatria, ou seja:

Px(x) = Px(X=x)
No caso por exemplo de um jogo de daods, supondo-se iguais as probabilidades
de sair numa jogada qualquer um dos nmeros de 1 a 6, a funo exemplificada pela
figura 2.

Figura 2 Funo de Probabilidade

No caso de varivel contnua essa funo perde significado. Assim torna-se

necessrio introduzir a funo de distribuio de probabilidade. A funo de
distribuio de probabilidade definida como sendo a probabilidade da varivel assumir
um valor menor que o especificado, ou seja:
Fx(x) = Px(Xx)
No caso de varivel discreta, tem-se:
Fx(x) =

Figura 3 Funo de distribuio de probabilidade, direita para varivel discreta e esquerda

para variveis contnuas.

Na figura 3 possvel observar a funo nos casos de varivel discreta e

contnua, a funo de distribuio de probabilidade monotnica crescente e no caso de
varivel discreta a funo sempre contnua direita dos eventos considerados.
1.1.2 Funo de Densidade de Probabilidade
A Funo de Densidade de Probabilidade definida a partir da derivao da
Funo de Distribuio de Probabilidade:
Px(x) =
Como a definio indicada envolve um processo limite (dx tendendo para zero),
no caso de varivel discreta a funo precisa ser expressa em termos da funo delta de
Dirac situada em cada evento e ponderada conforme a probabilidade. A funo delta de
Dirac definida por:

Figura 4 Funo de Densidade de Probabilidade, esquerda para varivel contnua e direita para
varivel discreta.

1.1.3 Distribuies de Variveis Aleatrias

Na resoluo de eventos envolvendo variveis aleatrias so estudados casos
especiais, onde o sinal a ser analisado deve se enquadrar como alguma varivel
conhecida e a partir das caractersticas desse processo conhecido so calculadas as
caractersticas probabilsticas do processo em questo.
As formas mais comuns de distribuio de variveis aleatrias so: Bernoulli,
binomial, geomtrica, Pascal, Hipergeomtrica, Poisson e normal. Apresentaremos aqui
as variveis de Bernoulli, por ser a mais simples e assim ajudar a dar uma base para o
entendimento de variveis aleatrias e a varivel de Poisson, pois o tipo de varivel
que ser utilizada mais amplamente no tratamento de eventos vibratrios que envolvem
processos estocsticos.

O processo de Bernoulli tem uma relao estreita com a ideia de ensaios de

Bernoulli e de varivel aleatria binomial. No processo de Bernoulli para cada repetio
do evento associamos uma varivel aleatria Xn, que mapeia o sucesso da n-sima
repetio em 1 e o fracasso em 0. Este processo formalizado na definio a seguir.
Definio 1. Considere uma sequncia de repeties de um experimento E, os
eventos {An;n=1,2,...}, cada um dos quais estando associado a n-sima repetio e
Xn=I{Na}. Sendo I a funo indicadora. O processo estocstico X = {Xn;n = 1,2,...}
chamado de processo de Bernoulli com probabilidade de sucesso p se:
(a) A1,A2, ...so eventos independentes;
(b) P(An) = p, P(An) = 1- p, para todo n=1,2,.
Note que X1,X2,... so identicamente distribudos e P a nica medida de
probabilidade em que satisfaz as propriedades (a) e (b). comum referir-se ao evento
An = {Xn = 1} como sendo um sucesso e An = {Xn = 0} como fracasso.
Considere as primeiras n tentativas de um processo de Bernoulli e considere o
nmero de sucessos obtido, denotado por Nn. Note que N = {Nn;n N} um processo
estocstico
Definio 2. Seja X um processo de Bernoulli com probabilidade de sucesso p.
Os nmeros de sucesso {Nn,n N} so definidos por:
Nn(w) = {
Note que:
Nn+m -Nn = Xn+1+Xn+2++Xn+m
o nmero de sucessos associado s tentativas n+1, n+2, ..., n+m. O processo
estocstico {Nn;n N} um processo estocstico a parmetro discreto e a varivel
aleatria Nn, com n fixo, discreta assumindo os valores 0, 1, 2, ...n.

As caractersticas da distribuio de Bernoulli so:

Parmetros
0<p<1

Funo de probabilidade
p(x)
P(x) = {

Mdia ou
Esperana

Varincia

Funo
Geratriz de
Momentos

p.q

p.et + q

Onde a forma de chegar a cada uma dessas caractersticas no ser descrita nessa
apostila, porm ressaltando que esses clculos so de suma importncia para o
entendimento dos processos e se no so dominados devem ser estudados.

Diferentemente do processo de Bernoulli e dos processo de nmero de sucessos

e de tempo de sucessos associados, cujo apelo mais didtico do que aplicativo, o
processo de Poisson encontra diversas aplicaes, como em telefonia, no estudo de
chegada de clientes em uma loja, ou de sadas de peas de um estoque.
H um certo processo estocstico, denominado de processo de contagem de
chegadas, que til para descrever o processo de Poisson. No processo de contagem de
chegada {Nt , t 0}, em cada instante de tempo t 0, a varivel aleatria Nt registra o
total do nmero de chegadas.
Em termos formais, N = {Nt ,t 0} tal que para cada w o mapeamento
t Nt(w) no decrescente, aumenta somente por saltos, contnuo a direita e N0(w) =
0, onde Nt(w) o nmero de chegadas no intervalo [0, t] para a realizao w . Note
que N um processo estocstico a parmetro (de tempo) contnuo e com espao de
estado discreto N = {0,1,2,...}.
Quando o processo de contagem satisfaz certas hipteses (simplificadoras),
ento diz-se que ele um processo de Poisson. Desta forma, o processo de Poisson
consiste em um caso particular do processo de contagem de chegadas, para o qual certas
hipteses valem.
verdade que relativamente difcil que as hipteses de Poisson sejam
perfeitamente verificadas na prtica, por outro lado em um grande nmero de aplicaes
elas representam boas aproximaes, e por isto o processo de Poisson considerado um
bom modelo para diversos processos de contagem.
As caractersticas da distribuio de Poisson so:
Funo de Probabilidade
Mdia ou
Parmetros
Varincia
p(x)
Esperana
c>0

P(x) = {

Funo Geratriz
de Momentos

2. Introduo aos sistemas vibratrios

Os processos envolvendo vibraes podem ser classificados de acordo com o
nmero de Graus de Liberdade (GdL) da seguinte forma, problemas com apenas um
grau de liberdade, com dois graus de liberdade e mais de dois graus de liberdade. Para
processos com apenas um grau de liberdade a resoluo passa a ser simples, pois
envolve resoluo de equaes diferenciais ordinrias (EDOs) de primeira ordem. O
mesmo ocorre com problemas com dois graus de liberdade, onde acarretaria em uma
resoluo de EDOs de segunda ordem, na qual a resoluo passa a ser um pouco mais
complicada que no primeiro caso mas ainda possvel ser feita.
No caso de problemas envolvendo mais que dois graus de liberdade a resoluo
por EDOs passa a no ser usual, ento so feitos outros processos de resoluo dos
problemas.
Exemplo 1 Resoluo de questo com um grau de liberdade (Rao, 2000):
Uma bomba alternativa com 150 lb de peso est montada no meio de uma placa
de ao de 0,5 in de espessura, 20 in de largura e 100 in de comprimento, presa por
braadeiras ao longo de duas bordas, como mostra a figura abaixo. Durante a operao
da bomba, a placa sujeita a uma fora harmnica, F(t)=50cos62,832 t lb. Determine a
amplitude de vibrao da placa.
Soluo: A placa pode ser modelada como uma viga fixa nas extremidades com
mdulo de Young (E) = 30x106 psi, comprimento (l) = 100 in, e momento de inrcia de
rea (I) =

= 0,2083 in4. A resistncia flexo da viga dada por:

k=

A amplitude da resposta harmnica dada pela equao (desprezando o peso da

placa)

Exemplo 2: Resoluo de questo com dois graus de liberdade

Figura 2 Modelo simplificado de um veculo

Considere o modelo de automvel descrito na figura 5, os parmetro so

m=100lb.s2.ft, Ic=1600 lb.s2.ft, k1=2400 lb/ft, k2=2700 lb.ft, a=4,4 ft, b=5,6 ft,
calcule os modos naturais do sistema e escreva a expresso da resposta do sistema.
Soluo: Antes de se encontrar os modos naturais necessrio primeiro
encontrar as frequncias naturais, para tanto joga-se os parmetros nas equaes
do movimento.

[
] { } [
]{ } { }
Levando ao problema de autovalores:
[

]{ }

]{ }

{ }

Onde X e so as amplitudes de x(t) e (t), respectivamente. Com isso as

frequncias naturais so dadas por:
[

Tendo assim as frequncias naturais:

1=6,88 rad/s e 2=9,26 rad/s
Inserindo o valor encontrado para 1 na primeira linha da equao do
movimento:
-47,26.100X1+5100X1+45601=0

Inserindo 2 na segunda linha da equao do movimento:

Arbitrando X1=1 e X2=1, os modos naturais so:

{ }

{ }

A expresso da resposta do sistema ento ficam:

{

As constantes C1 e C2, e os ngulos de fase dependem das condies iniciais.

As resolues para mltiplos graus de liberdade so similares aos processos
com dois graus de liberdade, porm os problemas de autovalores e autovetores
passam a envolver matrizes cada vez maiores, onde o tamanho da matriz
definido pelo nmero de graus de liberdade, por exemplo, um sistema com 4 graus
de liberdade levar a matrizes quadradas de inrcia e rigidez com dimenso 4x4.