Anda di halaman 1dari 17

Monte Carlo

R0 03/2018 - Material baseado em Melchers e Beck (2017), Missouri University of Science and Technology
(http://web.mst.edu/~dux/repository/me360/), Beck (2014) e Hart (1982).

"Para todo problema complexo há uma solução


simples, precisa e errada." - H. L. Mencken

Emprestando as palavras de Hart (1982), em seu livro Uncertainty analysis, loads and safety in
structural engineering, o método de Monte Carlo é uma ferramenta de engenharia poderosa,
particularmente útil em problemas com as VA relacionadas por equações não lineares. É interessante
pensar no método de Monte Carlo como um experimento que é realizado pelo computador, ou invés de no
laboratório de engenharia. Ou seja, diferente de um experimento físico, real, a simulação de Monte Carlo
executa amostras aleatórias e conduz um grande número de experimentos no computador – ato impossível
no mundo físico.

As características estatísticas dos experimentos são observadas (resultados dos experimentos), e


conclusões sobre esses resultados são retiradas baseando-se em estatística. Em cada realização do
experimento os valores de entrada possíveis das VA X=(X1, X2,…Xn) são amostrados de acordo com suas
distribuições. Como são muitas realizações de experimentos, existe um conjunto de resultados, que
também é uma variável aleatória! Podemos chamar essa VA que representa os resultados de Y, ou Y=g(X).
Essa variável é o resultado da avaliação EEL como cada valor das variáveis de entrada – logo, cada avaliação
da EEL É UM EXPERIMENTO.

Com vários experimentos feitos dessa maneira, a variável de saída Y agora pode ser analisada de
maneira estatística, de forma a estimar as suas propriedades estatísticas. Uma das propriedades que
podemos estimar é quantas vezes a EEL foi violada, em outras palavras, probabilidade de falha da estrutura
descrita pela EEL.

Os autores Melchers e Beck (2017) deram uma definição curta e elegante; MC é um jogo de
probabilidade construído a partir de propriedades probabilísticas para resolver o problema várias vezes, e
disso deduzir a pf.

Cumpre comentar que o passo fundamental numa análise por Monte Carlo é o desenvolvimento
de um conjunto de números aleatórios. Este número devem ser aleatórios e uniformemente distribuídos,
de tal sorte que para uma faixa de valores (e.g. entre 0 e 1), o número aleatório gerado tem probabilidade
igual de assumir qualquer valor. Esta é a garantia de que os resultados dos experimentos realizados pelo
computador imitam o mundo real, que verdadeiramente aleatório. Caso esses valores gerados não sejam
aleatórios, o resultado do experimento será tendencioso.

Os passos do método de Monte Carlo

Grosso modo há três passos na aplicação do método de MC para avaliar a probabilidade de falha em um
problema:
1) Amostragem aleatória das variáveis de entrada
2) Avaliação do resultado do modelo Y=g(X), ou experimentação numérica
3) Análise estatística do resultado do modelo

Amostragem aleatória das variáveis de entrada

É importante que os número gerados sejam aleatórios para não enviesar os resultados obtidos. A
geração desses números é o primeiro passo e pode ser feita por diferentes técnicas, sendo a mais comum a
utilização de um algoritmo.
O segundo passo é transformar esses números em números equivalentes de uma distribuição
estatística qualquer. Isso pode ser feito pelo método da Transformação Inversa.

Método da Transformação Inversa


Considere a variável básica Xi para qual a CDF FXi(xi) deve, por definição, estar entre 0 e 1 e
demostrada na figura abaixo. A técnica da transformação inversa vai gerar um número aleatório
uniformemente distribuído e vai igualar isso à função acumulada de Xi.
Observe as figuras abaixo, e note que se parte do número aleatório para chegar o número
equivalente da distribuição original da VA.

Esse processo de inversão da função de distribuição fixa inequivocamente o valor amostrado


̂ , ou seja, o valor estimado passa a representar a VA, desde que exista uma inversa para distribuição
de probabilidade da VA.

Alguns comentários são importante nesse assunto. Estes algoritmos de geração aleatória são
chamados de ‘pseudo random number generator’ (PRNG). São chamados de ‘pseudo’ pois é usada uma
fórmula para gerar a sequência de números. Ela acaba se repetindo, mas apenas num ciclo muito longo,
que geralmente é imperceptível na nossa escala de uso. Existem testes de aleatoriedade dos números, mas
eles servem apenas para 1 dimensão da sequência e podem não garantir a aleatoriedade em mais
dimensões.

Experimentação numérica

Suponha que N amostras de cada VA foram geradas pelo processo acima, então todas as amostras
da VA constituem um conjunto N de entradas para o modelo Y=g(X). Logo, xi = (xi1, xi2, …, xin) onde 1=1,2,…
N. Resolvendo o problema (ou avaliando EEL) N vezes deterministicamente gera N amostras de resultados
para Y.
Concluímos então que o resultado da avaliação da EEL para a amostra de dados de entrada gera
uma amostra de resultados dessa EEL, que é o que chamamos de Y. Vale ressaltar novamente que o
conjunto de resultados da EEL, ou Y, tem propriedades estatísticas e é uma VA também.

Extração de informações probabilísticas da variável resultado

Após N amostras de resultado/saída serem obtidas, a análise estatística pode ser feita para estimar
as características da variável resultado Y, tal como média, variância, confiabilidade, probabilidade de falha,
PDF e CDF.

Média

*Importante, esta média é de TODOS os resultados da realização do experimento e avaliação da EEL,


independente de terem gerado falha ou não – note que não há uma função indicadora para separar o
domínio de falha e sobrevivência.

Variância
Probabilidade de falha

Onde ̅ é o valor esperado da função Indicadora e Nf é número de tentativas do experimento que


resultaram em falha.

Talvez a melhor imagem que represente essa relação entre o conjunto de resultados, ou realizações do
experimento, e um comportamento estatístico seja a figura abaixo. Os pontos são as N realizações da EEL,
usando as amostras das VA. Note que existe uma curva de probabilidade acumulada, CDF, que se encaixa
nesses pontos. Note também que a variável que se está demostrando é G(x), ou seja, é a EEL.
Ou seja, existe um limite (linha tracejada) em que a G(x) é menor ou igual a zero, e a esse ponto há uma
probabilidade acumulada associada – esta é a probabilidade de falha do problema em questão.

Variância do estimador J (ou da probabilidade de falha estimada)

Como visto acima, uma das informações que podem ser retiradas do conjunto de resultados é uma
estimativa da probabilidade de falha.
Usando a nomenclatura de Melchers e Beck (2017), esta é chamada de “J”, um estimador da
variável aleatória resultado (note que a equação abaixo é igual à última equação, apenas descrita
diferente).

*A “leitura” da equação acima é: a probabilidade de falha é aproximadamente o primeiro estimador da VA


de resultados. Esta variável aleatória pode ser representada pela soma da função Indicadora I[] que assume
o valor 1 quando há falha (e 0 quando há sobrevivência), dividida pelo número de experimentos realizados
N. Simplificadamente, é quantas vezes “falhou” sobre quantas vezes foi simulado.

Este estimador também tem uma variância, veja abaixo, que se reduz quanto maior for N. A variância é
importante porque ela informa sobre a convergência da pf. Quanto menor a variância, mais “confiável” será
-1/2
o resultado da pf. Em outras palavras o desvio-padrão do resultado se reduz na proporção de N
amostras.

Esta é uma convergência muito lenta já que precisa de muitos elementos. É preciso, portanto, achar formas
de reduzir a variância da estimativa de probabilidade de falha J, sendo estas chamadas de técnicas de
redução da variância. Além de aumentar o número de amostras, a redução da variância pode ser obtida
apenas usando informação adicional sobre o problema a ser solucionado.

Observando a figura abaixo é evidente que usar amostras apenas na região de sobreposição entre fR() e fS()
é mais interessante do que amostrar as variáveis em outros locais. Esta conclusão é o que forma a base da
“amostragem por importância”, uma sofisticação do método de Monte Carlo Bruto, que vimos até agora.
Exemplo 3.3 – Monte Carlo Bruto (Melchers e Beck, 2017)

A resultante da tensão de tração agindo em um elemento estrutural tem as propriedades estatísticas


estimadas como N(10;1.25). A resistência é estimada como N(13;1.5). Qual a probabilidade de falha
estimada usando Monte Carlo Bruto, se R e S são independentes?

A EEL do problema é muito simples:

MC exige que existam amostras de cada variável e que a EEL seja verificada para tais amostras.

Para ficar mais fácil de demonstrar o cálculo serão usadas apenas 10 amostras aleatórias da VA Resistência
e mais 10 amostras da VA Solicitação. Obviamente, uma amostra maior seria necessária para atingir uma
estimativa de pf adequada (ver final da resolução).

O primeiro passo para aplicar MC Bruto é gerar números aleatórios, a seguir eles devem ser relacionados
com as respectivas VA que serão usadas. Por fim, para cada realização das VA (“r” e “s”) a EEL será avaliada.

1) Geração dos números aleatórios

Geralmente é utilizado um algoritmo para esta geração de números. Aqui serão utilizados os
números prontos do Apêndice E do livro de Melchers e Beck (2017).

2) Relação dos números aleatórios com as VAs

A marcha de cálculo para a relação do número aleatório com seu equivalente da VA está no Excel
em anexo.

O método utilizado é o Método da Transformada Inversa (ver item 3.3.3). Grosso modo este
método prevê que um número aleatório (entre 0 e 1) pode ser tratado como equivalente à
probabilidade acumulada de uma VA com certa distribuição de probabilidade ser igual ou menor
que um determinado “x”. Fazendo a inversa da distribuição de probabilidade que caracteriza a VA,
achamos o “x” que leva àquela probabilidade acumulada.

Figura 1 – Interpretação gráfica do Método da Transformada Inversa

Interpretamos, assim, que o número aleatório equivale à probabilidade acumulada:

Para o primeiro número do Apêndice E, chamamos de “u barra 1”, pois é uma estimativa, e ele
equivalerá ao “x barra 1”, porque também é uma estimativa.

Assim, a equivalência entre o número aleatório gerado e a VA resistência decorrerá da dedução


abaixo.

Se o número aleatório é a probabilidade acumulada, aplicamos a inversa da distribuição Normal


para achar a realização da VA que leva à esta probabilidade:

̂ ̂
̂
Também sabemos por definição que:
( )
Alterando a nomenclatura da VA de “X” para “R” de Resistência:
( )
Como ̂ , temos:

Substituindo a média e desvio-padrão da VA Resistência, temos qual a resistência equivalente ao


número aleatório escolhido:
̂ ̂

Este valor representa a estimativa número 1 aleatória da variável Resistência. Realizando o


processo de equivalência dos números aleatórios para as duas VA temos os seguintes resultados:

Número Inversa da Desvio- Realização


aleatório - dist. Normal Média da padrão aleatória
Apêndice E Padrão VA da VA da VA
0.9311 1.484 15.226
0.7163 0.572 13.858
0.4626 -0.094 12.859
0.7895 0.805 14.207
Resistência

0.8184 0.909 14.364


13 1.5
0.3008 -0.522 12.217
0.3989 -0.256 12.616
0.0563 -1.587 10.620
0.147 -1.049 11.426
0.2036 -0.829 11.757
0.6624 0.419 10.524
0.2825 -0.575 9.281
0.9819 2.095 12.618
0.1527 -1.025 8.719
Solicitação

0.0373 -1.783 7.771


10 1.25
0.2131 -0.796 9.005
0.4812 -0.047 9.941
0.7389 0.640 10.800
0.7582 0.701 10.876
0.8675 1.115 11.393

3) Avaliação da EEL e estimativa da pf

De posse das realizações das duas VAs, e na certeza que elas são aleatórias mesmo, podemos
avaliar a EEL e ver em quantos casos ocorre a falha. Para isso usamos uma função indicadora que
assume o valor “1” quando ocorre a falha e “0” quando da sobrevivência.

A comparação é feita por pares de valores, primeiro valor aleatório da resistência com o primeiro
valor aleatório da solicitação. Ou seja, para cada par de valores a Equação de Estado Limite é
testada.
Realização Realização Equação de Função
aleatória da VA - aleatória da VA - Estado Limite - indicadora -
Resistência Solicitação G(x)= R-S I[]
15.226 10.524 4.702 0
13.858 9.281 4.577 0
12.859 12.618 0.241 0
14.207 8.719 5.488 0
14.364 7.771 6.593 0
12.217 9.005 3.211 0
12.616 9.941 2.675 0
10.620 10.800 -0.180 1
11.426 10.876 0.550 0
11.757 11.393 0.363 0

Observe que apenas para um par de valores a EEL tem resultado negativo e a função indicadora
resulta igual a “1”. Veja que pela equação (3.7) de Melchers e Beck (2017), que estima a
probabilidade de falha com base na avaliação da EEL, temos:

A probabilidade de falha é aproximadamente 10%, veja a localização de cada amostra em relação à


EEL.

Amostras no espaço
25

20
Solicitação

15

10 10 Amostras

0
0 5 10 15 20 25
Resistência

Como essa probabilidade de falha é aproximada, isso significa que é possível melhorar essa
estimativa. Isso é feito adotando mais números aleatórios. Ao adotar 20 números aleatórios para
cada VA (ver excel anexo a este Word), a nova probabilidade de falha fica:

A visualização no espaço mostra os novos pontos e fica clara a proporção existente entre os teste
de “falha” e “sobrevivência”.

Amostras no espaço
25

20
Solicitação

15

10 20 Amostras

0
0 5 10 15 20 25
Resistência
Usando a sugestão de Broding et al (1964) para o tamanho da amostra, com uma confiabilidade de
95% e a pf analítica calculada acima:

Logo, seria preciso, no mínimo, 48 amostras para atingir uma confiabilidade de 95% na estimativa
da pf. Abaixo estão os resultados para 50 amostras, onde foram registradas 3 falhas, gerando uma
pf de 3/50 = 0.06.

Amostras no espaço
25

20
Solicitação
15

10

0
0 5 10 15 20 25
Resistência

Como ambas as VA são normalmente distribuídas podemos chegar num resultado exato, analítico:

[ ] [ ]

Concluindo, quanto maior a amostra das VAs, mais precisa será a pf calculada pelo método. Isso
mostras que as 50 amostras apresentaram uma aproximação sensata para a pf do problema.
Exemplo 9.2 – Material Missouri University

A viga em balanço mostrada abaixo tem como um dos modos de falha o deslocamento máximo da ponta
exceder o valor permitido D0. A EEL é a diferença entre o D0 e o deslocamento da ponta, e é dada logo a
seguir.

Como dados do problema considere o deslocamento máximo D 0 = 3”, módulo de elasticidade do material E
6
= 30x10 psi, comprimento L = 100”, w e t são largura e altura da seção transversal com w = 2” e t = 4”. Px e
Py são forças externas que seguem distribuições normais, onde Px ~ N(500;100) lb e Py ~N(1000;100) lb.

A solução será demonstrada via excel por facilidade.

A princípio 10 amostras foram tiradas de cada VA para realização dos experimentos, o


procedimento é idêntico ao do exercício anterior. Os números aleatórios foram tirados da apostila em
questão, sendo transcritos abaixo, e frisando que foram usados os 10 números da primeira linha:

Figura 2 - Números aleatórios propostos no material da Missouri Uni.

As duas tabelas abaixo mostram o processo dos números aleatórios e sua identificação com a
distribuição das VA, a avaliação da EEL e a avaliação da função indicadora, ou se houve falha ou não.
Para estes números usados não houve nenhuma falha e a pf é igual a zero, ou seja todos os pontos
caíram na zona de sobrevivência. Obviamente esse resultado não é confiável dado o tamanho da amostra.

Número Inversa da Desvio- Realização Realização Realização Equação de Função


aleatório - dist. Normal Média da padrão aleatória aleatória da VA - aleatória da VA - Estado Limite - indicadora -
Apostila M.U. Padrão VA da VA da VA Px Py G(x)= D0 - D I[]
598.668 1039.563 0.281 0
0.8381 0.987 598.668
547.134 1067.176 0.464 0
0.6813 0.471 547.134
596.130 1021.005 0.298 0
0.8318 0.961 596.130 555.192 1064.345 0.435 0
0.7095 0.552 555.192 448.878 927.696 0.895 0
0.3046 -0.511 448.878 413.456 1062.788 0.952 0
Px

500 100
0.1934 -0.865 413.456 448.364 1188.966 0.759 0
0.3028 -0.516 448.364 396.742 1111.200 0.982 0
0.1509 -1.033 396.742 469.031 863.569 0.849 0
605.244 965.869 0.285 0
0.3784 -0.310 469.031
0.8537 1.052 605.244
0.6538 0.396 1039.563 3000 Amostras no espaço
0.7491 0.672 1067.176
0.5832 0.210 1021.005
2500
0.7400 0.643 1064.345
0.2348 -0.723 927.696
Py

1000 100 2000


0.7350 0.628 1062.788
0.9706 1.890 1188.966
Py

1500
0.8669 1.112 1111.200
0.0862 -1.364 863.569
1000
0.3664 -0.341 965.869

500

0
0 200 400 600 800 1000
Px
A seguir estão apresentados os resultados gráficos com 30 amostras geradas pelo algoritmo
randômico do Matlab. A probabilidade de falha ainda é zero, logo a amostra precisa aumentar.

3000 Amostras no espaço

2500

2000

Py
1500

1000

500

0
0 200 400 600 800 1000
Px

O processo continua para maior número de amostras. Por questão de comodidade não foi copiada
a tabela de números aleatórios, apenas o gráfico da localização das amostras. Para 80 amostras identifica-se
uma falha, levando a pf a 1/80 = 0.0125.

3000 Amostras no espaço

2500

2000
Py

1500

1000

500

0
0 200 400 600 800 1000
Px

Para 150 amostras identificam-se duas falhas, logo a pf = 2/150 = 0.0133, veja abaixo.

3000 Amostras no espaço

2500

2000
Py

1500

1000

500

0
0 200 400 600 800 1000
Px
Os autores indicam que com 100.000 simulações a estimativa da probabilidade de falha fica em 0.04143.
Eles resolveram este exemplo por SORM também e obtiveram 0.04098 para a pf.
Fazendo um paralelo com Broding et al (1964) para o tamanho da amostra, com uma
confiabilidade de 95% e a pf analítica calculada acima:

Nota-se que esta estimava do tamanho da amostra não é totalmente confiável. A visualização do método
com o resultado convergido está demostrada abaixo:

Para uma ideia geral, seguem abaixo algumas análises estatísticas dos resultados. O conjunto de 80
resultados da avaliação da EEL acaba sendo uma VA também, provavelmente com distribuição Normal e
propriedades estatísticas. Veja:

Primeiro um ajuste dos resultados para a distribuição Normal pelo “papel de probabilidade”, observa-se um
bom ajuste dos resultados da avaliação da EEL (unnamed data) e a linha que representa a distribuição
Normal.

Em seguida a PDF e CDF, novamente observa-se comportamento condizente com uma distribuição Normal
e a CDF está dentro dos limites de uma curva Normal.
Monte Carlo e o Indice de Confiabilidade

Compre notar que o método de Monte Carlo fornece diversas informações para a VA resultados. Um destes
é a estimativa da probabilidade de falha. Entretanto, Normas internacionais avaliam a aceitabilidade de
elementos estruturais com base no seu Indice de Confiabilidade β, logo, é preciso determinar esse valor a
partir da pf estimada. Isso é feito com a seguinte relação:

E.g. para vigas o ACI 318/14 indica um indice de confiabilidade de 3.5 para vigas no ELU, já o JCSS (2000)
apresenta a seguinte tabela relativos a um ano de período de referência e estados limites de serviço
irreversíveis:

Aplicando a equação acima temos um β de 1.73 para o exemplo 9.2 (100.000 simulações e pf estimada de
0.04143), dentro do recomendado para o ELS num custo relativo “normal” e pf em torno de 0.05. Já o
exemplo 3.3 se refere a ELU e resultou em β de 1.55 (com 50 simulações e pf de 0.06) – claramente abaixo
do que exige o ACI 318.
Monte Carlo – uma utilidade secundária

Existe uma outra forma de usar o método de Monte Carlo se valendo do fato de que podemos estudar
estatisticamente as propriedades do resultado da EEL. Como exemplo considere a viga abaixo.

O deslocamento no centro do vão é:

Considerando que I é o momento de inércia da seção transversal, ⁄ . Assumindo que


comprimento L, módulo de elasticidade E e carga q são variáveis determinísticas, e o diâmetro da seção
transversal é uma VA com uma certa PDF. Como se estuda a incerteza no deslocamento sabendo apenas a
incerteza no diâmetro?

Como a relação entre diâmetro de deslocamento não é linear, assim não é claro qual seria a PDF mais
apropriada para descrever o deslocamento. Monte Carlo se torna interessante para estes casos pois
conseguimos extrair o histograma de deslocamentos e a partir disso (1) fazer afirmações probabilísticas
diretamente desse histograma ou (2) ajustar uma PDF comum ao histograma e então usar essa PDF para
fazer afirmações probabilísticas.

O objetivo é determinar o comportamento estatístico do deslocamento da viga considerando que o


diâmetro é uma VA.

Vamos assumir que 4 números aleatórios foram gerados para o diâmetro da seção transversal, a partir
deles as inércias respectivas são calculadas, bem como o deslocamento correspondente:
4 4
Realização aleatória da variável diâmetro [in] Inércia da seção transversal [in ] Deslocamentos [ql /E]
5.0 30.68 0.000424
5.8 55.55 0.000234
4.7 23.95 0.000544
5.2 35.89 0.000363

Com isso temos que o deslocamento médio é:

̅ ⁄

Já a variância é:


E finalmente o desvio-padrão:

Com isso temos as propriedades estatísticas do deslocamento.


Amostragem por importância

Segundo Beck (2014) as técnicas de amostragem por importância são um caminho para reduzir a
variância da probabilidade de falha de forma inteligente. Como foi observado nos exemplos anteriores,
dependendo da situação (e.g. tipo da EEL, característica das VA) pode ser preciso muitas amostras para
atingir uma pf aceitável. Isso rende ao método de MC bruto a característica de ser pouco eficiente. Assim, é
preciso alguma técnica para reduzir o custo computacional do método.

A amostragem por importância, ou amostragem inteligente, desloca os pontos de amostragem para regiões
importantes do domínio de falha. Elas reduzem o número de simulações porque evitam a simulação em
regiões longe do domínio de falha.

A equação abaixo representa a probabilidade de falha com a amostragem por importância, identificada pela
função hv(x) – chamada de função de densidade de probabilidade da amostragem por importância.

Então se tem dois problemas a resolver: (i) saber PARA QUAL ponto a amostragem deve ser deslocada e,
além disso, (ii) escolher uma pdf hv(x) que ajude a reduzir a variância dos resultados. Segundo Melchers e
Beck (2017) temos:

(i) Em geral essa região de interesse não é facilmente identificada, já que não há um critério claro
para se usar. Uma forma de resolver o problema é deslocar a amostragem para o local do
ponto de projeto y*, que seria uma forma substituta de solução.
(ii) Identificado o ponto de projeto, só é preciso deslocar a função conjunta de probabilidade fx(x)
de tal forma que sua média coincida com esse ponto. Entretanto, uma distribuição mais
apropriada seria a Normal, como na figura abaixo.

É possível identificar na figura a pdf conjunta das variáveis aleatórias fx(x) (note que ela não é Normal e
possui correlação entre as VA), a EEL relativamente não linear separando os domínios de falha e
sobrevivência, e a pdf da amostragem por importância hv(x) que é Normal e está centrada no tal ponto de
projeto.

Mais, a não ser que a G(x)=0 seja muito não linear, existe aproximadamente uma chance igual de um ponto
da amostra cair na região de falha ou de sobrevivência (a distribuição é normal, logo, simétrica). Ou seja,
essa função não “enviesa” os resultados de amostras que falham ou sobrevivem.
Exemplo 3.5 – Monte Carlo com amostragem por importância

Agora o exemplo 3.3 apresentado anteriormente será resolvido com o método de Monte Carlo por
importância.

Lembrando que as propriedades estatísticas da Solicitação são N(10; 1.25), e a Resistência é N(13; 1.5). É
preciso agora definir qual será a função da amostragem por importância; como foi discutido anteriormente
uma sugestão coerente é uma distribuição Normal com parâmetros estatísticos N(11.5; 1.3). A expressão
que descreve Monte Carlo com amostragem por importância segue reproduzida:

Para a solução o termo I[G(X) ≤ 0]*fX (X)/hV(X) será adotada uma substituição por . Para isso será
preciso achar realizações das variáveis aleatórias “v”, criada para fazer a amostragem por importância, além
de “r” ou resistência e “s” ou solicitação.

O procedimento para o primeiro número aleatório do apêndice E de Melchers e Beck (2017) segue abaixo.
Na sequência, a tabela para 10 amostras seguindo os mesmos passos.

Etapa Nomenclatura Explicação Valor calculado


Este número equivale à uma probabilidade
1) Número aleatório
acumulada (entre 0 e 1) da variável aleatória de 0.9311
apêndice E ̂
interesse

Equivalência entre o número aleatório e a VA


de interesse. É obtido aplicando a inversa da
distribuição da VA (normal) em
̂. O valor ̂ encontrado representa o valor que
possui uma probabilidade acumulada de
ocorrer de 0.9311.

2) Inversa da distribuição
Normal padrão ̂
0.9311
𝐹

1.48

Este número representa uma realização da VA


̂ com base no valor ̂ calculado
anteriormente. Esse
̂ pode ser interpretado como a distância da
3) Realização da VA ̂ ̂ 13.44
realização ̂ até a média da VA ̂ em desvios-
padrão:
̂
̂
A probabilidade de ocorrência da realização ̂
depende da sua pdf. Como foi determinado
de início que seria uma distribuição Normal,
será utilizada a equação de densidade de
probabilidade Normal Padrão.
( ̂ )
̂
4) Probabilidade associada à √
̂ Note que é utilizada a equação da dist.
̂
Normal Padrão, mesmo eu tendo definido
uma média e desvio-padrão para a hv. Isso
porque ̂ foi deduzido a partir de uma
“distância” ̂ que é uma medida referente a
uma distr. Normal Padrão.
( )

Precisamos calcular a realização da VA
Resistência em função da função
5)
amostragem, porque a amostra tem que fazer
Realização da VA resistência ̂ ̂
parte da região hv
̂
̂
Probabilidade de a resistência assumir
6) Cálculo da valor igual ou menor que ̂ – cálculo pelo
probabilidade acumulada ̂ Excel mesmo ̂
da R
̂ ̂
Precisamos calcular a realização da VA
solicitação em função da função amostragem,
7) Realização da VA pois a amostra tem que fazer parte da região
̂ ̂
solicitação S hv
̂
̂
Probabilidade de ocorrência da realização
̂
̂ ̂
Onde será utilizada a fórmula abaixo:

8) Cálculo da densidade de ̂
probabilidade de S
Notar que se está utilizando pois a VA
Solicitação é Normal. Diferentemente do
cálculo de ̂ , pois naquele caso a
realização ̂ era diretamente uma “distância”
em desvios-padrão.
9) Cálculo da probabilidade
Finalmente segue o cálculo da probabilidade
de amostra combinada
̂ ̂ da Resistência, Solicitação e Amostragem
para Resistência, 0.03405
̂ ̂ ̂
solicitação e amostragem
̂

1 2 3 4 5 6 7 8 9
0.9311 1.49 13.44 0.1315 0.291 0.6146 2.7496 0.0073 0.03405
0.7163 0.58 12.25 0.3372 -0.497 0.3095 1.8032 0.0628 0.05764
0.4626 -0.10 11.37 0.3970 -1.087 0.1386 1.096 0.1750 0.06112
0.7895 0.81 12.55 0.2874 -0.298 0.3829 2.0424 0.0396 0.05282
0.8184 0.91 12.68 0.2637 -0.211 0.4163 2.1464 0.0319 0.05034
0.3008 -0.53 10.81 0.3467 -1.459 0.0722 0.6488 0.2586 0.05388
0.3989 -0.26 11.16 0.3857 -1.225 0.1102 0.9296 0.2072 0.05921
0.0563 -1.59 9.43 0.1127 -2.378 0.0087 -0.4536 0.2880 0.02224
0.147 -1.05 10.14 0.2299 -1.910 0.0281 0.108 0.3173 0.03874
0.2036 -0.83 10.42 0.2827 -1.719 0.0428 0.3368 0.3016 0.04563
Finalmente, a soma dos 10 termos na tabela resulta na probabilidade de falha da estrutura:

Note que na resolução por Monte Carlo bruto foram necessárias 50 amostras para se aproximar da solução
exata de 6,17%, enquanto que por amostragem por importância 10 amostras já forneceram um resultado
coerente.