CP 2

COC796-Confiabilidade Estrutural PEC/COPPE/UFRJ
Variveis Aleatrias e Distribuies de Probabilidade

5

2. VARIVEIS ALEATRIAS E DISTRIBUIES DE
PROBABILIDADES

Se os resultados dos experimentos de um determinado fenmeno so
previsveis, o fenmeno chamado de determinstico. Por outro lado, se os
resultados dos experimentos no forem previsveis o fenmeno chamado de
aleatrio ou randmico. Neste caso, cada experimento deve ser associado a
um valor de probabilidade de ocorrncia do evento relacionado ao fenmeno
em observao. Intuitivamente pode-se observar que: (a) a probabilidade est
relacionada com a frequncia de ocorrncia do evento ao longo de uma
seqncia com um grande nmero de experimentos; (b) ela dever estar
situada entre 0 e 1 e (c) a soma da probabilidade de todos os possveis
resultados do fenmeno dever ser igual a 1.

Os vrios resultados de um fenmeno aleatrio podem ser vistos como
os resultados de uma funo. Esta funo definida como varivel aleatria e
usualmente representada por uma letra maiscula. Valores especficos de
uma varivel aleatria so representados por letras minsculas.

Sendo X uma varivel aleatria, a sua funo densidade de
probabilidades f x
X
( ) definida de tal forma que

P x
dx
X x
dx
f x dx
X
( ) ( ) s s + =
2 2
(2.1)

onde P(.) significa a probabilidade de (.). Usualmente uma funo densidade de
probabilidade identificada por PDF (Probability Density Function).

A expresso

P a X b f x dx
X
a
b
( ) ( ) s s =
}
(2.2)

indica a probabilidade da varivel X assumir valores entre a e b. Qualquer f x
X
( )
que satisfaa as seguintes condies pode ser considerada como uma PDF:

a) f x
X
( ) . > 00 para qualquer x;
Variveis Aleatrias e Distribuies de Probabilidades

6
b) f x dx
X
( ) .
}
= 10 (rea unitria) e; (2.3)
c) f x dx P a X b
X
a
b
( ) ( )
}
= s s

A funo cumulativa de probabilidades F x
X
( ) de X definida da seguinte
forma:

F a f x dx
X X
a
( ) ( ) =
}
(2.4)

onde F a
X
( ) significa a probabilidade da varivel X assumir valores menores ou
iguais a a. Uma funo cumulativa de probabilidades deve satisfazer as
seguintes propriedades:

a) F
X
( ) . = 00;
b) 0 10 s s F x
x
( ) . e; (2.5)
c) F
X
( ) . = 10

Graficamente f x
X
( ) e F x
X
( ) so apresentados na Figura (2.1).

(a) (b)

Figura 2.1 - Funes (a) densidade e (b) cumulativa de probabilidades

Notar que a seguinte relao pode ser observada

f x
dF x
dx
X
X
( )
( )
= (2.6)

Na literatura existem muitas funes tericas que satisfazem as
condies descritas anteriormente. A escolha de uma delas para representar
um determinado fenmeno (ou varivel) passa basicamente por um processo

7
de ajuste em relao aos dados coletados (ou observados) do mesmo, como
ser visto mais adiante.

2.1 Valores Caractersticos de Uma Varivel Aleatria

O valor mdio, ou a mdia, ou o valor esperado de uma varivel
aleatria X definido como:

E X xf x dx
X x
( ) ( ) = =
}
(2.7)

onde f x
X
( ) a PDF de X definida anteriormente. Outro resultado interessante
o valor mdio quadrtico de X definido como:

E X x f x dx
x
( ) ( )
2 2
=
}
(2.8)

A varincia mede a disperso dos valores da varivel em torno da mdia
e definida como

Var X x f x dx
X X
( ) ( ) ( ) = =
+
}

2
x f x dx xf x dx f x dx
X x X x X
2 2
2
+
} } }
+ ( ) ( ) ( )
(2.9)
Var X E X
X
( ) ( ) =
2 2

O desvio padro de X definido como a raiz quadrada da varincia, i.e.,

o
X
Var X = ( ) (2.10)

O coeficiente de variao de X definido como a razo entre o desvio
padro e a mdia, ou seja,

COV= o
o
X
x
x
= (2.11)

O coeficiente de variao mede, de forma adimensional (ao contrrio da
varincia) a disperso dos dados da varivel aleatria em torno da mdia.
Coeficientes de variao baixos indicam que os valores da varivel aleatria
esto distribudos prximos a mdia, enquanto que valores altos indicam uma
forte disperso em torno da mesma.

O coeficiente de skewness u
1
indica a simetria ou a assimetria da funo
densidade de probabilidades fx(X) com relao a mdia e definido por


8

( )
u

o
1
3
3
=
E X
x
x
(2.12)
onde

( )
E X x f x dx
X X x
( ) ( ) =
}

3
3
(2.13)

Valores positivos de u
1
indicam que os valores de X maiores que a mdia so
mais dispersos que os menores, valores negativos indicam o contrrio e um
valor nulo indica que a funo simtrica com relao a mdia, conforme
ilustrado na Figura (2.2).

Figura 2.2 - Ilustrao do coeficiente de skewness

O coeficiente de kurtosis u
2
uma medida de suavidade de uma funo
densidade de probabilidades, ou seja, quanto maior este valor mais suave (os
picos so menos agudos) a funo. u
2
definido como

( )
u

o
2
4
4
=
E X
x
x
(2.15)
onde

( )
E X x f x dx
X X x
( ) ( ) =
}

4
4
(2.16)

Os coeficientes de skewness e kurtosis podem ser teis na seleo de
distribuies tericas que podem se ajustar a um determinado fenmeno em
estudo. Estes coeficientes tambm so bastante usados na anlise de
processos aleatrios no-lineares, que um tema que foge ao escopo deste
curso.

Usando a analogia com as propriedades de uma rea, a mdia e a
varincia de uma varivel aleatria X correspondem respectivamente, ao centro
de gravidade, c.g., e o momento de inrcia (com relao ao c.g.) da rea
definida por f x
x
( ) como ser mostrado a seguir. Usando a Figura (2.3) como
referncia, o c.g. calculado como

9

x
xf x dx
area
xf x dx
xf x dx
c g
x x
x . .
( ) ( )
.
( ) = = =
} }
}
10
(2.17)

que tambm o primeiro momento da rea (momento esttico) de f x
x
( ) com
relao origem. O momento de inrcia com relao ao c.g. igual a

( )
I x x f x dx
y c g x
=
}
. .
( )
2
(2.18)

Comparando-se (2.17) e (2.18) com (2.7) e (2.9), observa-se ento que a
mdia corresponde ao x
c.g.
e a varincia ao momento de inrcia de f x
x
( ) com
relao ao centro de gravidade. Por motivo desta analogia, comum chamar a
mdia de como o primeiro momento de f x
x
( ) e a varincia como o momento de
segunda ordem. A mesma analogia poderia ser usada para os coeficientes de
skewness e kurtosis. Neste caso estes seriam, respectivamente, o momento de
terceira e de quarta ordem.

Figura 2.3 - Uma rea irregular representando uma PDF

Outras medidas importantes com relao uma varivel aleatria X
qualquer so a moda e a mediana. A mediana o valor da varivel aleatria X
cuja probabilidade de ocorrerem valores menores que ele ou maiores 50%,
ou seja, F(x
mediana
) . = 050 . A moda o valor mais provvel da varivel
aleatria, ou seja, aquele para o qual o valor da funo densidade de

10
probabilidades mximo. A Figura (2.4) ilustra estas medidas. Notar que para
uma distribuio simtrica e unimodal (um s pico) a mdia, a mediana e a
moda so iguais.

Figura 2.4 - Moda e mediana de uma varivel aleatria

2.2 - Distribuies de Probabilidades

Como dito anteriormente qualquer funo que satisfaa as condies
dadas pela equao (2.3) pode ser usada como uma distribuio de
probabilidades. O uso prtico desta funo depende da capacidade dela
representar estatisticamente um determinado fenmeno que est sendo
investigado. Porm, na literatura j existem vrias funes que atendem s
condies citadas anteriormente e que podem ser usadas na prtica da
engenharia. Algumas destas funes sero apresentadas a seguir.

2.2.1 - Distribuio Normal ou Gaussiana

Uma varivel X dita normalmente distribuda ou simplesmente uma
varivel Gaussiana, se a sua PDF for da seguinte forma:

f x
x
X
x
x
x
( ) exp ( ) =

(
1
2
1
2
2
o t

o
(2.19)

Esta distribuio tem somente como parmetros a mdia
x
e do desvio
padro o
x
da varivel aleatria e geralmente denotada por N(
x
, o
x
). A sua
funo cumulativa s pode ser avaliada por integrao numrica, ou usando
tabelas disponveis em livros de estatstica. Na Figura (2.5) so mostradas as
formas de duas distribuies normais com diferentes mdias e desvios
padres.


11
0.00 40.00 80.00 120.00 160.00
X, Y
0.00
0.04
0.08
0.12
p
d
f
(
x
)
,

p
d
f
(
y
)
Y = N(70.00,5.00)
X = N(80.00,20.00)
0.00 40.00 80.00 120.00 160.00
X, Y
0.00
0.40
0.80
1.20
F
(
x
)
,

F
(
y
)
Y = N(70.00,5.00)
X = N(80.00,20.00)

(a) (b)

Figura 2.5 - Funes (a) densidade e (b) cumulativa de probabilidades de
variveis aleatrias normais.

Uma alternativa equivalente e muito valiosa para a expresso (12)
obtida atravs da introduo de uma varivel auxiliar, tambm conhecida como
varivel reduzida, definida como

Y
X
X
X
=

o
(2.20)

que como veremos mais adiante, conduz conhecida distribuio normal
padro de probabilidades

f y y y
Y
( ) ( ) exp = =
(
|
t
1
2
1
2
2
(2.21)

cuja mdia e desvio padro so iguais a 0 e 1, respectivamente. A funo
cumulativa de probabilidades desta distribuio usualmente denotada por
u( ) y e definida por

( ) ( ) u y f y dy
Y
y
=
}
(2.22a)

No Apndice A est uma tabela para avaliao de u( ) y . Na Figura (2.6) esta
distribuio ilustrada graficamente.

Se uma varivel X segue uma distribuio normal, i.e. ( )
X N
x x
= o , , a
probabilidade da mesma assumir valores entre a e b conforme a Figura (2.7),
pode ser obtida usando as expresses (2.20) e (2.22a), i.e.,

P a X b e ds
b a
s
a
x x
b
x x
x
x
x
x
( ) ( ) ( )
( )/
( )/
s s = =

}
1
2
1
2
2
t

o

o o
o
u u (2.22b)


12
onde u(.) a funo cumulativa normal padro.

2.2.2 - Distribuio Lognormal

Uma varivel X tem uma distribuio lognormal quando estatisticamente
ln( ) X pode ser representado por uma distribuio normal. A CDF de uma
varivel lognormal definida como :

f x
x
x
X
( ) exp (
ln
) =

(
1
2
1
2
2
t

(2.23)

onde o valor esperado de ln( ) X , i.e. = = E x
x
(ln )
ln
, e o desvio
padro de ln( ) X , i.e. o = = Var x
x
(ln )
ln
. e se relacionam com a mdia e
o desvio padro de X atravs da seguintes relaes

o
2 2
1 = +
(
ln ( )
x
x

(2.24)
= ln
x
1
2
2

-8.00 -4.00 0.00 4.00 8.00
y
0.00
0.10
0.20
0.30
0.40
f
(
y
)

-

n
o
r
m
a
l

p
a
d
r
oY - N(0.0,1.0)
-8.00 -4.00 0.00 4.00 8.00
y
0.00
0.20
0.40
0.60
0.80
1.00
F
(
y
)

-

n
o
r
m
a
l

p
a
d
r
o
Y - N(0.0,1.0)

(a) (b)
Figura 2.6 - Funes (a) densidade e (b) cumulativa da distribuio normal
padro

Se X uma varivel aleatria lognormal, P a X b ( ) s s pode ser calculada
como

P a X b
b a
X
X
X
X
( ) (
ln
) (
ln
) s s =

u u
(2.25)


13
Notar que a equao acima corresponde exatamente equao (2.22b), onde
a varivel reduzida definida como Y
X
X
X
=
ln
.

Figura 2.7 - Ilustrao grfica da probabilidade P a X b ( ) s s

2.2.3 - Outras Distribuies de Probabilidades

Alm da distribuio normal e lognormal, existem muitas outras
disponveis na literatura [1,2]. Porm, para facilidade de uso a Tabela (2.1)
apresenta um resumo daquelas mais empregadas para modelar as variveis
relacionadas anlise de confiabilidade estrutural.

2.2.4 - Distribuies de Probabilidades de Valores Extremos

Em muitos problemas de engenharia, os valores relevantes de uma
determinada varivel so os extremos, ou seja, os valores mnimos ou
mximos da mesma. No caso especfico da engenharia estrutural, o interesse
recai sobre os valores mximos extremos dos carregamentos atuantes sobre a
estrutura durante sua vida til e de valores mnimos de resistncia da mesma.

Na avaliao da distribuio de probabilidades dos valores extremos o
ideal seria ajustar uma distribuio de probabilidades amostras de valores
extremos observados. Por exemplo, a determinao da distribuio de valores
extremos anuais de uma varivel aleatria seria baseada em um banco de
dados com os valores mximos observados em cada ano durante muitos anos
(no mnimo 20 a 25 anos), ou seja, uma distribuio de probabilidades seria
ajustada a estes valores. Na prtica, na grande maioria das vezes, dados de

14
valores extremos mximos ou mnimos no constituem uma amostragem
significativa para proceder de tal forma.

Em virtude do que foi dito anteriormente, surgiu a chamada Estatstica
de Extremos que possibilidade definir a distribuio dos valores extremos
(mximos e mnimos) de uma varivel aleatria X a partir da funo distribuio
de probabilidades da mesma (observe que est varivel inclui todo o intervalo
de variao da varivel em questo). Este tpico ser abordado nas sees
seguintes.

15
Distribuio f
x
(x), PDF F x
X
( ) , CDF E(X), (mdia)
Var X ( ) , (des. padro)
Normal
1
2
1
2
2
to

o
exp
|
\
|
.
|
|
\
|
.
|
|
x

u
x |
\
|
.
|
o

o
Lognormal
1
2
1
2
2
t

x
x
exp
ln( )
|
\
|
.
|
|
\
|
.
|
|
u
ln( ) x |
\
|
.
|
exp +
|
\
|
.
|
1
2
2

E X ( ) exp( )
2
1
Exponencial
( ) exp x

( ) 1 exp x 1

Rayleigh
x x
R R
o o
2
2
1
2
exp
|
\
|
.
|
|
\
|
.
|
|
1
1
2
2

|
\
|
.
|
|
\
|
.
|
|
exp
x
R
o

t
o
2
R
2
2
|
\
|
.
|
t
o
R

Uniforme
1
b a

x a
b a

a b +
2

b a
12

Tipo I (mx.)
(Gumbel)
( ) ( ) ( ) ( )
o o o exp exp x u x u
exp( exp( ( ))) o x u
u +
0 5772 .
o

t
o 6

Tipo I
(mnimos)
( ) ( ) ( ) ( )
o o o exp exp x u x u
1 exp( exp( ( ))) o x u
u
0 5772 .
o

t
o 6

Tipo II
(mximos)
k
v
v
x
v
x
k k
|
\
|
.
|

|
\
|
.
|
|
\
|
.
|
|
+1
exp exp
|
\
|
.
|
|
\
|
.
|
|
v
x
k

v
k
I 1
1
|
\
|
.
|

v
k k
I I 1
2
1
1
2
1
2
|
\
|
.
|

|
\
|
.
|
|
\
|
.
|

Tipo III (min.)
(Weibull)
k
v
x
v
x
v
k k
|
\
|
.
|

|
\
|
.
|
|
\
|
.
|
|
1
exp 1
|
\
|
.
|
|
\
|
.
|
|
exp
x
v
k

v
k
I 1
1
+
|
\
|
.
|

v
k k
I I 1
2
1
1
2
1
2
+
|
\
|
.
|
+
|
\
|
.
|
|
\
|
.
|

Nota: ( ) I a funo Gamma.

Tabela 2.1 - Algumas Distribuies de Probabilidades
16
2.2.4.1 - Distribuies Tericas de Valores Extremos Mximos e Mnimos

Tomando-se diferentes conjuntos de observaes (com n amostras cada
uma) de uma varivel aleatria X, verifica-se que o valor mximo observado em
cada uma delas geralmente diferente. Portanto, a populao dos valores
mximos de X constituem uma populao prpria, ou seja, o valor mximo
extremo da varivel aleatria X tambm uma varivel aleatria com uma
distribuio prpria de probabilidades. O mesmo raciocnio vlido para o valor
mnimo extremo.

Considere que a varivel aleatria inicial X tenha a sua prpria funo
cumulativa de probabilidades F X
X
( ) e considere tambm vrias amostras de
tamanho n de X, i.e. ( )
x x x
n 1 2
, , , , onde os ndices representam o primeiro, o
segundo, ..., e o n-simo valor observado em cada uma das amostras. Uma
vez que cada valor observado imprevisvel antes da observao, pode-se
assumir que cada observao o valor de uma varivel aleatria e o conjunto
de observaes ( )
x x x
n 1 2
, , , uma realizao de variveis aleatrias
( )
X X X
n 1 2
, , , . O valor mximo extremo de uma amostra de tamanho n uma
varivel aleatria definida como:

( )
Y max X X X
n n
=
1 2
, , , (2.26)

Observe que se Y
n
, o mximo valor entre ( )
X X X
n 1 2
, , , , menor que um
determinado valor y, ento necessariamente todas as variveis ( )
X X X
n 1 2
, , ,
devem ser menores que y. Assumindo-se que cada valor coletado numa
amostra da varivel X independente dos demais e que X X X
n 1 2
, , so
identicamente distribudos como a varivel X, tem-se que

F x F x F x F x
X X X
n
X
1 2
( ) ( ) ( ) ( ) = = = = (2.27)

Assim a funo cumulativa do valor mximo extremo pode ser definida como

( )
| |
F y P Y y
F y P X y X y X y
F y F y
Y
n
n
Y
n
n
Y
n
X
n
( )
( ) ( , , )
( ) ( )
= s
= s s s
=
1 2
(2.28)

e a correspondente funo densidade de probabilidades

| |
f y
dF y
dy
n F y f y
Y
n
Y
n
X
n
X
( )
( )
( ) ( ) = =
1
(2.29)


17
onde f
X
(. ) funo densidade de probabilidades da varivel inicial X.

O valor mnimo de uma amostra de tamanho n, pode ser definido como

( )
Y min X X X
n 1 1 2
= , , , (2.30)

Observe que se Y
1
, o mnimo entre ( )
X X X
n 1 2
, , , , maior que y, ento todas
as variveis ( )
X X X
n 1 2
, , , devem ser maiores que y. Assumindo-se as
mesmas hipteses definidas acima, tem-se que

( )
| |
1
1
1 1
1
1
1 2
1
= >
= > > >
=
F y P Y y
F y P X y X y X y
F y F y
Y n
Y n
Y X
n
( )
( ) ( , , )
( ) ( )
(2.31)

ou seja, a funo cumulativa do valor mnimo extremo dada por

( ) | |
F y Fx y
Y
n
1
1 1 = ( ) (2.32)

cuja correspondente funo densidade de probabilidades

| |
f y
dF y
dy
n Fx y f y
Y
Y n
X
1
1
1
1 ( )
( )
( ) ( ) = =

(2.33)

Nesta metodologia a distribuio de probabilidades (incluindo todas as
observaes) de X chamada de distribuio parente. A varivel n se refere ao
nmero de amostras da varivel X coletadas durante um determinado perodo
de tempo. Por exemplo, se n significar o nmero de amostras coletadas em um
ano as distribuies definidas por (2.28) e por (2.32) se referem ao valor
mximo extremo anual e ao valor mnimo extremo anual, respectivamente.

Nas Figuras (2.7) e (2.8) so apresentadas as funes cumulativa e
densidade de probabilidades do valor mximo, obtidas a partir de uma
distribuio normal (distribuio parente) com mdia 25.00 e desvio padro
5.00,i.e., N(25.0,5.00). Nas Figuras (2.9) e (2.10) so apresentadas as funes
correspondentes ao valor mnimo.

2.2.4.2 - Distribuies Assintticas de Valores Extremos

Atravs de vrias pesquisas no passado, estatsticos observaram que as
distribuies de extremos tendem a distribuies assintticas quando n tende a
infinito. Foi tambm observado, que a forma da distribuio assinttica
depende basicamente do comportamento da extremidade de interesse
(mximos ou mnimos) da distribuio parente da varivel investigada.

18
0 20 40 60 80
0
0.05
0.1
0.15
0.2
0.25
parente
extremos N=10
extremos N=100
extremos N=1000
X
P
D
F

Figura 2.7 - PDF dos valores extremos mximos para uma parente N(25,5).

Na literatura [2] so encontrados, basicamente, trs tipos de
distribuies assintticas para valores extremos mximos e mnimos:
distribuio de extremos Tipo I, Tipo II e Tipo III. As expresses matemticas
destas distribuies so mostradas na Tabela (2.2).

Distribuio
F x
X
( ) Mdia Desvio Padro

Tipo I (mx.)
(Gumbel)

exp( exp( ( ))) o x u

u +
0 5772 .
o

t
o 6

Tipo I
(mnimos)

1 exp( exp( ( ))) o x u

u
0 5772 .
o

t
o 6

Tipo II
(mximos)
exp
|
\
|
.
|
|
\
|
.
|
|
v
x
k

v
k
I 1
1
|
\
|
.
|

v
k k
I I 1
2
1
1
2
1
2
|
\
|
.
|

|
\
|
.
|
|
\
|
.
|

Tipo III (min.)
(Weibull)
1
|
\
|
.
|
|
\
|
.
|
|
exp
x
v
k

v
k
I 1
1
+
|
\
|
.
|

v
k k
I I 1
2
1
1
2
1
2
+
|
\
|
.
|
+
|
\
|
.
|
|
\
|
.
|

Nota: I(.) a funo Gamma
Tabela 2.2 - Distribuies Assintticas de Extremos


19
0 20 40 60 80
0
0.2
0.4
0.6
0.8
1
parente
extremos N=10
extremos N=100
extremos N=1000
X
C
D
F

Figura 2.8 - CDF dos valores extremos mximos para uma parente N(25,5).

0 10 20 30 40 50
0
0.05
0.1
0.15
0.2
0.25
parente
extremos N=10
extremos N=100
extremos N=1000
X
P
D
F

Figura 2.9 - CDF dos valores extremos mnimos para uma parente N(25,5).
Embora as distribuies apresentadas na Tabela (2.2) tenham sido
obtidas na anlise de extremos, elas podem ser usadas igualmente como

20
distribuies de probabilidades para representar variveis aleatrias que no
representem valores extremos.

O valor prtico destas distribuies na anlise de extremos que para
alguns tipos de distribuies parentes j se sabe a priori que suas distribuies
de valores extremos tendem para distribuies assintticas cujos parmetros
so facilmente calculados em funo dos parmetros das primeiras. Isto evita o
uso das expresses (2.28) e (2.31). Alguns destes casos sero mostrados a
seguir.

Se uma varivel X tem uma distribuio de Rayleigh com parmetro o
R
,
ou seja

( )
F x
x
X
R
=
|
\
|
.
| 1
1
2
2
2
exp
o
(2.34)

ento, pode se demonstrar que a distribuio dos seus valores mximos
extremos X
n
do Tipo I com mdia e desvio padro dados por

( )
( )
o
o
o
t
o
X
n
R
R
X
n
R
n
n
n
= +
|
\
|
.
|
|
=
2 05772
2
2 3
ln .
ln
ln( )
(2.35)

0 10 20 30 40 50
0
0.2
0.4
0.6
0.8
1
parente
extremos N=10
extremos N=100
extremos N=1000
X
C
D
F

Figura 2.10 - CDF dos valores extremos mnimos para uma parente N(25,5).


21
Se Y for uma varivel aleatria normal com mdia e desvio padro o, a
distribuio dos valores mximos extremos assintoticamente se aproxima de
uma Tipo I (mximos) com os parmetros u e o dados por

o
o
o
t

=
=
+
|
\
|
.
|
|
+
2
2
4
2 2
ln( )
ln( )
ln(ln( )) ln( )
ln( )
n
u n
n
n
(2.36)

Na Figura (2.11) feita uma comparao entre a distribuio exata e
assinttica tomando como base uma distribuio normal N(25,5). Como pode
se observar, elas vo ficando mais prximas para valores maiores de n.

0 20 40 60 80
0
0.05
0.1
0.15
0.2
0.25
0.3
parente
extremos N=10 (exata)
extremos N=10 (assint.)
X
P
D
F

Figura 2.11 - Comparaes entre as distribuies exata e assinttica.

Se Z for uma varivel lognormal com parmetros
Z
e
Z
, ento a
distribuio dos seus valores extremos assintoticamente se aproxima de uma
distribuio Tipo II com os parmetros

k
n
v n
n
n
Z
Z Z
=
=
+
|
\
|
.
|
|
+
|
\
|
.
|
|
2
2
4
2 2
ln( )
exp ln( )
ln(ln( )) ln( )
ln( )
t

(2.37)

22

Para outros tipos de distribuies (parentes) as distribuies assintticas
podem ser obtidas atravs de ajustes utilizando-se os mtodos dos momentos
(conforme a seo seguinte). Inicialmente calcula-se a distribuio terica de
extremos usando as expresses (2.28) e (2.29) ou, dependendo do caso,
(2.31) e (2.32) e a partir delas calcula-se a mdia e o desvio padro
(momentos) da distribuio terica usando as expresses (2.7) e (2.10). Com a
mdia e desvio padro calculam-se os parmetros das distribuies Tipo I, II e
III de acordo com a Tabela (2.2). Atravs de um software grfico, plotam-se a
distribuio terica e as distribuies assintticas e dentre estas ltimas
observa-se qual delas a que melhor se ajusta primeira. A vantagem de se
trabalhar com assintticas que elas geralmente esto disponveis em
qualquer software de confiabilidade, enquanto que a distribuio terica deve
ser programada caso a caso.

2.2.4.3 - Um Breve Comentrio Sobre Distribuies de Extremos

Para evitar grandes erros (devido ao expoente n), devemos usar como
distribuio parente da varivel em anlise, aquela distribuio que melhor se
ajusta aos valores observados na extremidade de interesse (mximos ou
mnimos).

Exerccio 2.1
Escolha parmetros quaisquer para trs distribuies, uma normal, uma lognormal e
uma Rayleigh. Para cada uma delas compare as distribuies tericas de valores
mximos com as distribuies de valores extremos assintticas de acordo com descrito
anteriormente. Considere os seguintes valores n=10, 100 e 1000. (Use o Mathcad)

Exerccio 2.2
Assumindo-se que as elevaes da superfcie do mar, num estado de mar definido por
um Hs e um Tz, constituem um processo aleatrio gaussiano, possvel demonstrar que
as alturas individuais das ondas seguem uma distribuio de Rayleigh do tipo

( ) F h
h
Hs
H
=
|
\
|
.
|
|
\
|
.
|
|
1 2
2
exp

Assumindo que os estados de mar so de trs horas, calcule em funo de Hs, qual o
valor mximo esperado e qual o valor mais provvel da altura da onda mxima extrema
em trs estados cujos Tzs so 8s, 10.8s e 12s. Observe que o nmero de ondas em
estado de mar dado aproximadamente por (durao do estado de mar)/Tz.

23
2.3 - Ajuste de Distribuies de Probabilidades a Dados Observados

A representao de um determinado fenmeno por uma funo
distribuio de probabilidades algo que facilita bastante o tratamento da
mesma, i.e., uma vez definida a distribuio e os respectivos parmetros fcil
calcular os nveis de probabilidades associadas aos diversos eventos que
envolvem tal fenmeno.

Na prtica o problema ento definir qual a funo e os respectivos
parmetros que representam um fenmeno em observao. A base de
definio so os valores medidos e registrados sobre o mesmo.

A seguir sero apresentados alguns procedimentos para definies dos
parmetros estatsticos de uma varivel aleatria a partir dos dados
observados, bem como, o ajuste de uma distribuio de probabilidades aos
mesmos.

2.3.1 - Determinao de Parmetros Estatsticos

A partir da existncia de uma amostra coletada da varivel aleatria X
(que representa o fenmeno de interesse) igual a ( )
X x x x
n
=
1 2
, , , , podem ser
calculados vrios parmetros e definidas algumas representaes grficas.

Uma representao grfica bastante usada o chamado histograma de
frequncia relativa, conforme a Figura (2.12). Neste diagrama a varivel
aleatria dividida em pequenos intervalos. Para cada intervalo observado o
nmero de ocorrncias dos valores da amostra. Depois disto ento monta-se o
diagrama representando cada intervalo versus a frequncia relativa dos
mesmos, ou seja, versus o nmero de ocorrncias do intervalo dividido pelo
nmero total de amostras.

Figura (2.12) - Histograma de Frequncias Relativas

O tamanho do intervalo de um histograma definido em funo da experincia
ou a partir de algumas expresses sugeridas na literatura [1].

24

A partir dos dados contidos numa determinada da amostra de tamanho
N da varivel aleatria X, podem ser definidos os valores caractersticos da
mesma. A mdia da amostra dada por

X
N
x
i
i
N
=
=
1
1
(2.38)

A varincia da amostra por

s
N
x X
N
x NX
X i
i
N
i
i
N
2 2
1
2
1
2
1 1
= =
= =

( ) ( ) (2.39)

O desvio padro e o coeficiente de variao so definidos respectivamente por

s Varincia s
X x
= =
2
(2.40)

e

o
X
X
s
X
= (2.41)

Os coeficientes de skewness e de kurtosis so definidos, respectivamente, por

u
o
1
3
3
1
1
=

=
N
x X
i
x i
N
( )
(2.42)

e

u
o
2
4
4
1
1
=

=
N
x X
i
x i
N
( )
(2.43)

Usando dados j agrupados em k intervalos de um histograma de frequncias
relativas, onde q
i
frequncia relativa associada ao i-simo intervalo e x
i
o
valor mdio deste intervalo intervalo, tem-se que a mdia da amostra dada
por

X q x
i k
i
k
=
=
1
(2.44)

a varincia por


25
s q x X
X i i
i
k
2 2
1
=
=
( ) (2.45)

e os coeficientes de skewness e de kurtosis, respectivamente, por

u
o
1
3
3
1
=

=
q x X
i i
x i
k
( )
(2.46)

e
u
o
2
4
4
1
=

=
q x X
i i
x i
k
( )
(2.47)

Estes valores so representativos da amostra em questo e, portanto,
podem no representar a populao total da varivel X , exceto no caso em
que a amostra seja suficientemente grande. Em outras palavras os parmetros
definidos anteriormente so apenas uma aproximao dos parmetros reais da
varivel aleatria X. Intervalos de confiana sobre os valores calculados acima
podem ser obtidos por vrios procedimentos encontrados na literatura [1].

Porm, na prtica, necessrio de alguma forma estimar os parmetros
estatsticos da varivel aleatria de interesse e isto pode ser feito de vrias
maneiras. No que segue, sero apresentados duas destas maneiras.

2.3.1.1 - Mtodos dos Momentos

Neste procedimento assume-se que os valores caractersticos da
amostra da varivel aleatria sejam iguais ao da sua populao, i.e.,

E X X
Var X s
X
X
( )
( )
= ~
= ~
o
2 2
(2.48)

Como estas grandezas esto diretamente relacionadas aos parmetros das
distribuies de probabilidades (veja Tabela (2.1) ), estes ltimos podem ser
facilmente obtidos. Por exemplo, para uma distribuio normal os parmetros
e o
2
correspondem exatamente mdia e a varincia da varivel.

2.3.1.2 - Mtodo da Mxima Probabilidade

Este procedimento possibilita a avaliao dos parmetros de uma
distribuio diretamente a partir da amostra. Supondo que estamos
interessados em obter o parmetro u de uma distribuio cuja PDF definida
por f
x
(x, u) para verificar se a mesma se ajusta ou no amostra observada
( )
X x x x
n
=
1 2
, , , (note que, por enquanto, a distribuio tem um s parmetro).
Baseado nesta amostra, a seguinte pergunta pode ser feita: Qual o valor mais
provvel de u que produz o conjunto de observaes x x x
n 1 2
, , , ? Ou em

26
outras palavras, qual o valor de u que maximiza a possibilidade de obter a
sequncia x x x
n 1 2
, , , ? A possibilidade de se obter tal sequncia pode ser
assumida como sendo proporcional ao valor da funo densidade de
probabilidades (PDF) calculada em cada x
i
. Assim, uma funo de
probabilidades pode ser definida como

( ) ( ) ( ) ( )
P x x x f x f x f x
n X X X n 1 2 1 2
, ,...., , , , ..... , u u u u = (2.49)

O valor de u que maximiza esta funo pode ser obtido resolvendo-se a
seguinte expresso

( ) c u
cu
P x x x
n 1 2
0
, ,...., ,
= (2.50)

Para distribuies dependentes de mais de um parmetro, a funo de
probabilidades torna-se

( ) ( ) ( ) ( )
P x x x f x f x f x
n m X m X m X n m 1 2 1 1 1 2 1 1
, , , , , , , , , , , , ..... , , , u u u u u u u u = (2.51

e os mesmos so obtidos atravs da soluo do seguinte sistema de equaes

( )
( )
c u u
cu
c u u
cu
P x x x
P x x x
n m
n m
m
1 2 1
1
1 2 1
0
0
, ,...., , ,....,
, ,...., , ,....,
=
=
(2.52)

Exerccio 2.3

Determine analiticamente usando o mtodo da mxima probabilidade o parmetro de
uma distribuio de Rayleigh e o parmetro de uma distribuio exponencial para uma
amostra X = (x
1
, x
2
, ...., x
n
).

2.3.1 - Determinao da Distribuio de Probabilidades

At agora foi mostrado como so definidos os parmetros das
distribuies de probabilidades, porm nada foi dito a respeito de qual a

27
distribuio (normal, lognormal, exponencial, etc.) que melhor representa o
fenmeno em observao. Em outras palavras, usando o mtodo dos
momentos, por exemplo, podem ser calculados os parmetros da distribuies
tericas (ver Tabela 2.1) que reproduzem estes mesmos momentos, porm,
isto no significa que a forma da distribuio reproduza a forma do histograma
da amostra.

Definidos os parmetros das vrias distribuies alguns procedimentos
podem ser usados para verificar qual delas melhor representa o fenmeno
observado. Este ser o tpico das sees seguintes, porm antes necessrio
chamar ateno que os procedimentos citados anteriormente so baseados na
comparao da distribuio de probabilidades terica com a distribuio
aproximada dos dados observados. Uma aproximao da funo densidade de
probabilidades obtida a partir do histograma de frequncia relativa. Como
este diagrama representa probabilidade, a densidade mdia de cada intervalo
dada por

f x
Q x
dx
x i
i
( )
( )
= (2.53)

onde Q(x
i
) frequncia relativa do intervalo e dx o intervalo do histograma.
Assim a distribuio terica de probabilidades que melhor representa a varivel
X aquela que melhor se ajusta a f x
x i
( ) .

2.3.2.1 - Testes de Aderncia

Uma das maneiras de verificar se uma distribuio terica se ajusta ao
fenmeno investigado ou no atravs de testes de aderncia. Atravs de
funes empricas e certas tolerncias definidas pelo usurio, estes testes
comparam a distribuio terica com a aproximada (eq. 2.53) para cada
intervalo do diagrama de frequncias relativas e no final dizem, de acordo com
nvel de confiana pr-estabelecido, se a distribuio terica pode representar
o fenmeno. Dentre estes testes esto o Teste Chi-quadrado e o Teste
Kolmogorov-Smirnov. Maiores detalhes sobre estes testes podem ser obtidos
na literatura sobre probabilidade e estatstica [1].

2.3.2.2 - Comparao Visual

Outra maneira de verificar o ajuste de distribuies de probabilidade
visualmente. Anos atrs isto era feito atravs dos chamados papis de
probabilidade, porm, hoje em dia isto se faz utilizando programas de
computador (exemplo: Mathcad, Maple, Statgraph, etc.). Nestes programas
todas as distribuies tericas so definidas e depois plotadas num mesmo
grfico que tambm inclui a distribuio aproximada. Visualmente o engenheiro
(usurio) pode verificar qual delas melhor se ajusta.


28
2.4- Vrias Variveis Aleatrias

Frequentemente mais de uma varivel aleatria precisam ser associadas
a um experimento e ento, o comportamento conjunto destas variveis passa a
ser de interesse. Aqui sero abordados experimentos dependentes de somente
duas variveis aleatrias X e Y, porm os conceitos empregados so vlidos
para qualquer nmero de variveis aleatrias.

De forma semelhante ao tratamento dado a uma nica varivel aleatria,
a funo densidade de probabilidades conjunta, f x y
X Y ,
( , ) , das variveis
aleatrias X e Y definida de tal forma que

P x
dx
X x
dx
y
dy
Y y
dy
f x y dxdy
X Y
( , ) ( , )
,
s s + s s + =
2 2 2 2
(2.54)

A funo cumulativa conjunta de probabilidades definida por

F x y P X a Y b f x y dydx
X Y X Y
b a
, ,
( , ) ( , ) ( , ) = s s =

} }
(2.55)

Para atender os axiomas bsicos da teoria das probabilidades, a funo
densidade de probabilidades conjunta das variveis X e Y deve satisfazer as
seguintes condies:

a) f x y
X Y ,
( , ) . > 00 para todo e qualquer x e y
b) f x y dydx
X Y ,
( , ) .
} }
= 10 (2.56)
c) P a X b c Y d f x y dydx
X Y
c
d
a
b
( , ) ( , )
,
s s s s =
} }

A Figura (2.13) ilustra uma funo densidade de probabilidades
conjunta para duas variveis X e Y.

Quando as variveis X e Y so estatisticamente independentes, ou seja
a ocorrncia de um valor de X no interfere na ocorrncia de um valor de Y, a
funo densidade de probabilidades conjunta das variveis X e Y pode ser
escrita como

f x y f x f y
X Y X Y ,
( , ) ( ) ( ) = (2.57)

sendo f x
X
( ) e f y
Y
( ) as funes densidade de probabilidades de X e Y
respectivamente, obtidas tratando-se os dados de ambas independentemente.


29

Figura (2.13) - Ilustrao da funo densidade de probabilidades conjunta

As distribuies marginais de cada uma das variveis aleatrias X e Y,
quando f x y
X Y ,
( , ) conhecida, so obtidas da seguinte forma:

f x f x y dy
X X
( ) ( , )
,Y
=
}

(2.58)
f y f x y dx
Y X Y
( ) ( , )
,
=
}

A covarincia entre as variveis X e Y definida como

Cov X Y E X Y E XY E X E Y
x y
( , ) [( )( )] ( ) ( ) ( ) = =
(2.59)
Cov X Y E XY
x y
( , ) ( ) =

sendo que o valor esperado do produto XY, i.e. E(XY), dado por

E XY xyf x y dxdy
X Y
( ) ( , )
,
=
} }
(2.60)

Quando X e Y so independentes

E XY E X E Y
X y
( ) ( ) ( ) = = (2.61)

e a covarincia ento, torna-se nula.

Fisicamente, o significado da covarincia pode ser melhor entendido
atravs do coeficiente de correlao que definido por


30

o o
X Y
x y
Cov X Y
,
( , )
= (2.62)

onde o
X
e o
Y
so respectivamente os desvios padres das variveis X e Y,
obtidos em funo das distribuies marginais e da expresso (2.10). Pode ser
demonstrado que
X Y ,
.
2
10 s e que quando
X Y ,
. = 10 existe uma forte relao
linear entre X e Y. No caso de
X Y ,
. = 10, quando X assumir uma valor grande
com relao a
x
, Y tambm assumir um valor grande, na mesma proporo
que X, com relao a
Y
. Por outro lado, caso
X Y ,
. = 10, ento quando X
assumir uma valor grande com relao a
x
, Y tender assumir um valor
pequeno, mantendo a proporo absoluta de X, com relao
Y
. Quando
X Y ,
. = 0 0 significa que no h uma relao linear entre X e Y, isto contudo no
significa que no possa haver um outro tipo de relao entre elas. A ilustrao
do significado do coeficiente de correlao mostrada na Figura (2.14).

= 10 . = 00 . = 10 .

0 10 < < . = 00 . = 00 .

Figura (2.14) - Interpretao grfica do coeficiente de correlao

Para vrias variveis aleatrias X
1
, X
2
,...,X
n
, a matriz de correlao entre
as mesmas definida por


31

(
(
(
(
(
X X X X X X
n
X X X X
n
X
n
X
n
Sim
1 1 1 2 1
2 2 2
, , ,
, ,
,
...
...
. ... ...
(2.64)

onde
X
i
X
j
,
o coeficiente de variao entre as variveis X
i
e X
j
.
Exerccio 2.4
Demonstre que a correlao de uma varivel aleatria X com ela mesma igual a 1.

2.5 - Soma ou Diferena de Variveis Aleatrias

2.5.1 - Soma ou Diferena de Variveis Aleatrias Normais

Se X e Y forem duas variveis independentes e normais, Z = X + Y
tambm uma varivel normal com mdia e desvio padro dados por:

o o o
Z X Y
Z X Y
= +
= +
2 2
(2.65)

Os resultados acima podem ser generalizados para qualquer funo linear de
variveis randmicas normais, ou seja, se Z for igual a

Z a a X
i i
i n
n
= +
=
0
(2.66)

onde a
i
so constantes e X
i
variveis aleatrias normais estatisticamente
independentes, ento Z uma varivel normal com mdia e varincia dados
por

o o
Z i x
i
i n
n
Z i
i
n
x
i
a a
a
= +
=
=
=
0
2 2
1
2
(2.67)

onde
x
i
e o
x
i
so a mdia e o desvio padro, respectivamente, de cada
varivel aleatria X
i
. possvel tambm demonstrar que quando Z for uma
combinao linear de variveis normais estatisticamente dependentes, a sua
mdia e sua varincia correspondem respectivamente a


32

o o o
Z i x
i
i n
n
Z i j ij x
i
j
n
i
n
x
j
a a
a a
= +
=
=
= =

0
2
1 1
(2.68)

onde
X
i
X
j
,
o coeficiente de variao entre as variveis X
i
e X
j
. Qualquer nvel
de probabilidade associado a um evento que envolva Z pode ser calculado
usando ( )
Z N
z z
= o , .

Utilizando os resultados acima possvel calcular a mdia e o desvio
padro da varivel reduzida Y definida na equao (2.20), ou seja ,

Y
X
X
X
=

o
(2.69)

Y pode ser visto como uma funo linear da varivel X, portanto a sua mdia ,

o o

Y i x
i
X
X
i n
n
X
X
a a = + = + =
=
0
1
0 0 .

e o seu desvio padro

o o
o
o
Y i
i
n
x
i
x
x
a
2 2
1
2
2
2
1
10 = =
|
\
|
.
|
=
=
.

Assim fica demonstrado que Y uma varivel normal com mdia 0.0 e desvio
padro 1.0.

Considerando agora a soma de duas variveis normais estatisticamente
independentes X e Y, ou seja, Z = X + Y e introduzindo as variveis W e U
como as correspondentes variveis reduzidas de X e Y, ento, Z pode ser
escrita como

Z W U
X X Y Y
= + + + o o

onde a sua mdia dada por

Z W U X Y X Y X Y
= + + + = + + + = + 00 00 . .

e o desvio padro

o o o o o o o o o
Z X W Y T X Y X Y
= + = + = +
2 2 2 2 2 2 2 2 2 2
1 1


33
Pode-se observar que os resultados acima so idnticos aos valores fornecido
na Equao (2.65). Portanto, no caso da combinao linear de variveis
aleatrias normais, pode-se tambm operar com as variveis reduzidas
definidas usando a expresso (2.69).

2.5.2 - Soma ou Diferena de Variveis Aleatrias com Distribuies Quaisquer

Quando uma varivel aleatria Z definida como uma combinao linear
de outras variveis e pelo menos uma destas variveis no normal, no
mais possvel definir a sua distribuio de probabilidades diretamente como no
item anterior. Neste caso, somente possvel avaliar o valor mdio e a
varincia de Z. Estas grandezas so obtidas da mesma forma que no item
anterior, ou seja, usando a equao (2.68). Deve ser observado mais uma vez
que dispondo somente destas grandezas no possvel atribuir valores de
probabilidade associados a eventos de Z, uma vez que a distribuio de
probabilidades da mesma no obvia como no item anterior.

2.6 - Produto de Variveis Aleatrias Lognormais

Considere agora o caso de uma varivel Z definida como

Z X
i
i
n
=
=
[
1
(2.70)

onde X
i
so variveis lognormais e estatisticamente independentes. A
equao (2.70) pode ser reescrita como:

ln ln Z X
i
i
n
=
=
1
(2.71)

Lembrando que se X
i
lognormal, lnX
i
normal com mdia
X
i
e desvio
padro
X
i
(ver item 2.2.2) . Ento, de acordo com o que foi apresentado no
item (2.5.1), lnZ uma varivel aleatria normal com mdia

E Z
Z X
i
(ln ) = =
(2.72)

e desvio padro dado por

Z X
i
i
n
=
=
2
1
(2.73)

Ento, Z uma varivel lognormal com os parmetros
Z
e
Z
. Generalizando,
o produto de variveis lognormais tambm uma varivel lognormal.


34
Exerccio 2.5
Uma determinada varivel de interesse S definida como

S
PBI
M
=

Assumindo que P,B,I e M so variveis lognormais, cujas mdias e coeficientes de
variao so mostrados na tabela abaixo, calcule a probabilidade de S assumir valores
maiores que 0.20.

Varivel Mdia COV
P 1.00 0.10
B 6.00 0.00
I 0.60 0.10
M 32.0 0.15

2.7 - Mdia e Varincia de Uma Funo Genrica

Considere a varivel aleatria Z definida como

( )
Z g X X X
n
=
1 2
, , , (2.74)

onde g(.) uma funo qualquer das variveis aleatrias X
i
(normais ou no).
Assumindo-se que as variveis X
i
so estatisticamente independentes, a mdia
e a varincia exatas de Z so dadas por

( ) ( ) ( ) ( )
E Z g X X X f x f x dx dx
n x x
n
n n
=
} }

1 2
1
1 1
, , (2.75)

e

( )
( )
( ) ( )
Var Z E Z E Z =
2
2
(2.76)

onde

( )
( ) ( ) ( )
E Z g X X X f x f x dx dx
n x x
n
n n
2
1 2
2
1
1 1
=
} }
, , (2.77)

Deve-se observar que nas expresses (2.75) e (2.77) necessrio
avaliar uma integral n-dimensional que, dependendo do caso, pode ser uma
tarefa bastante pesada. Para evitar tal integrao uma aproximaes da mdia
e da varincia de Z podem ser obtidas atravs da linearizao ( )
g X X X
n 1 2
, , ,
em torno da mdia das variveis aleatrias, atravs da srie de Taylor, i.e.,

35

( )
( )
( )
Z g X
g X X X
x
X X X
n
i X
i
i
n
n
i
~ +
=

c
c
1
2
1
1 2
, , ,
, ,

(2.78)

Usando o que foi apresentado na seo (2.5.2) tem-se ento que

( )
( )
E Z g
X X X
n
~
1
2
, , , (2.79)

e

( )
( )
Var Z
g X X X
x
n
i
X
i
=
|
\
|
.
|
c
c
o
1 2
2
2
, ,
(2.80)

Notar mais uma vez que alm das expresses (2.79) e (2.80) serem valores
aproximados, a distribuio de probabilidades de Z no pode ser definida.

2.8 - Correlao entre Duas Funes Lineares de Variveis Aleatrias

Dado um conjunto de variveis aleatrias ( )
X X X
n 1 2
, , , e duas outras
variveis aleatrias Y e Z que so funes lineares das mesmas, i.e.,

Y a a X
i i
i n
n
= +
=
0
(2.81)
e

Z b b X
i i
i n
n
= +
=
0
(2.82)

O coeficiente de correlao entre Y e Z pode ser calculado como:

o o
Y Z
Y Z
Cov Y Z
,
( , )
= (2.83)

onde

Cov Y Z E Y Z E YZ E Y E Z
Y Z
( , ) [( )( )] ( ) ( ) ( ) = =
(2.84)
Cov Y Z a b
i i
i
n
i j X
i
Xj
i
n
( , )
,
=
= =

1 1
o o

e

36

o o
o o
Y i X
i
i
n
Z i X
i
i
n
a
b
=
|
\
|
.
|
|
=
|
\
|
.
|
|
=
=
2 2
1
1
2
2 2
1
1
2
(2.85)

Notar que na equao (2.84) o coeficiente de correlao de uma varivel com
ela mesma um, ou seja,
i i ,
. = 10 . Tambm deve ser observado que a
correlao entre Y e Z independe do tipo de distribuio de probabilidades das
variveis.

Exerccio 2.6:

Dadas as variveis aleatrias Y e Z, onde

Y = S + 2T + 4W - 2.5R
Z = 1.5S + 2W - R

e sabendo-se que S=T=W=R=N(1,0.2) e so estatisticamente independentes, calcule

a) a probabilidade de Y ser maior que 6.0;
b) a probabilidade de Z ser maior que 4.0 e menor que 5.0;
c) a coeficiente de correlao entre as variveis Y e Z.


37
2.9 - Distribuies Normais Equivalentes

Para uma varivel aleatria X, cuja distribuio de probabilidades no
normal, uma distribuio normal equivalente num ponto x
-
pode ser obtida,
igualando-se as funes cumulativa e densidade de probabilidades de uma
normal e da distribuio real de X no referido ponto. Este procedimento
ilustrado na Figura (2.15). Obter uma normal equivalente significa obter a
mdia e o desvio padro desta distribuio. Estas grandezas so calculadas
atravs da resoluo do seguinte sistema de equaes:

u( ) ( )
x
F x
X
N
X
N
X
-
-
o

(2.86)

1
o
|

o
X
N
X
N
X
N
X
x
f x ( ) ( )
-
-
=

onde |(.) e u(.) correspondem, respectivamente, s funces densidade e
cumulativa da distribuio normal padro, f
X
(. ) e F
X
(. ) correspondem,
respectivamente, s funces densidade e cumulativa da varivel X e
o
X
N
X
N
e so, respectivamente, a mdia e desvio padro da normal
equivalente no ponto x
-
.

Figura 2.15 - Princpio da Normal Equivalente

A soluo do sistema de equaes (2.86) dada por

| | { }
| |
o
|
o
X
N
X
X
X
N
X
N
X
F x
f x
x F x
=
=
-
-
- -
u
u
1
1
( )
( )
( )
(2.87)

sendo que u
1
(.) corresponde a inversa da distribuio cumulativa normal
padro. Em outras palavras, u
1
( ) p corresponde ao valor da varivel reduzida
cuja probabilidade de ocorrerem valores menores ou iguais a ela seja igual a p.


38

Exemplo 2.2:

Uma varivel aleatria Y tem mdia (
Y
) 10.00 e desvio padro ( o
Y
) 2.00 e sua
distribuio de probabilidades uma Tipo I para valores mximos. Calcule a mdia e o
desvio padro da normal equivalente no ponto y
-
= 14 00 . .

Soluo

A PDF e a CDF de uma distribuio Tipo I para valores mximos so

f y y u y u
F y y u
Y
Y
( ) exp( ( ) exp( ( )))
( ) exp( exp( ( )))
=
=
o o o
o

onde

o
t
o
t
o
= = =
= = =
6
1
6
1
200
0 64128
0 5772
10 00
0 5772
0 64128
910
Y
Y
u
.
.
.
.
.
.
.

Desta forma

f y f
F y F
Y Y
Y Y
( ) ( . ) .
( ) ( . ) .
*
*
= =
= =
14 0 0 026522
14 0 0 95774

Para encontrarmos a normal equivalente temos que resolver
| |
u
- 1
F y
Y
( ) . Usando uma
tabela de distribuio normal padro tem-se

| |
| | | |
u u u
-
= = =
1 1 1
1400 095774 17258 F y F
Y Y
( ) ( . ) . .

Lembrando que

|
t
( ) exp( ) x x =
1
2
1
2
2

tem-se que

| | { }
| | u
-
= =
1
17258 0 089978 F y
Y
( ) ( . ) .

e assim


39
| | { }
o
|
Y
N
Y
Y
F y
f y
= = =
-
-
u
1
0 089978
0 026522
3 3927
( )
( )
.
.
.
| |
o
Y
N
Y
N
Y
y F Y x = = =
- -
u
1
1400 33927 17258 8144976 ( ) . . . .

so os parmetros da distribuio normal equivalente.

Exerccio 2.7:

Demonstrar que a mdia e o desvio padro de uma distribuio normal equivalente a
uma varivel aleatria X lognormal, com parmetros e , no ponto x
-
, correspondem
respectivamente a :

o
X
N
X
N
x x
x
= +
=
- -
-
( ln ) 1

Exerccio 2.8 :

Uma varivel aleatria X foi observada durante um ano. Os valores observados da
mesma com o respectivo nmero de ocorrncias so indicados na tabela abaixo:

X 0.00 -
0.50
0.50 -
1.00
1.00 -
1.50
1.50 -
2.00
2.00 -
2.50
2.50 -
3.00
3.00 -
3.50
3.50 -
4.00
4.00 -
4.50
4.50 -
5.00
No. de
ocorr.
113318 192959 154047 85294 41072 16850 7269 2914 1312 585
X 5.00 -
5.50
5.50 -
6.00
6.00 -
6.50
6.50 -
7.00
7.00 -
7.50
7.50 -
8.00
8.00 -
8.50
8.50 -
9.00
9.00 -
9.50
9.50 -
10.00
No. de
ocorr.
266 116 51 20 18 3 5 1 2 2

A partir dos dados acima :

a) ajuste uma distribuio de probabilidades para a varivel X;
b) estabelea a distribuio (assint.) do valor mximo extremo centenrio.

Sugesto: use o Mathcad ou software similar

2.10 - Referncias Bibliogrficas

1. Ang, A.H-S. and Tang, W.H. - Probability Concepts in Engineering
Planning and Design, Vol. I, John Willey and Sons, New York, 1975.

2. Ang, A.H-S. and Tang, W.H. - Probability Concepts in Engineering
Planning and Design, Vol. II, John Willey and Sons, New York, 1984.

CP 2

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

CP 2

Diunggah oleh

Hak Cipta:

Format Tersedia

COC796-Confiabilidade Estrutural PEC/COPPE/UFRJ

Variveis Aleatrias e Distribuies de Probabilidade

Anda mungkin juga menyukai