Monte Carlo (material baseado em Melchers e Beck (2017) e Missouri University of Science and

Technology (http://web.mst.edu/~dux/repository/me360/))

Variância do estimador J (ou probabilidade de falha)

Monte Carlo provê uma estimativa de probabilidade de falha, esta é chamada de estimador “J”:

Este estimador (J1 pois é o primeiro estimador, ou média). Este estimar também tem uma variância, veja
abaixo, que se reduz quanto maior for N. Em outras palavras o desvio-padrão se reduz na proporção de N-
1/2
.
Esta é uma convergência muito lenta. É preciso, portanto, achar formas de reduzir a variância da
estimativa de probabilidade de falha J, sendo 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”.

Exemplo 3.3 – Monte Carlo Bruto

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- Método da Transformada Inversa, gráfico

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:
̂ ̂

̂
 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), que estima a probabilidade de falha com base na
avaliação da EEL, temos:
 A probabilidade de falha é aproximadamente 10%.

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:

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.

Usando a sugestão de Broding et al (1964) para o tamanho da amostra, com uma confiabilidade
de 95% e a pf analítica calculada acima:
( ) ( )

Exemplo 3.4

A solução do exemplo 3.4 parte de um formato diferente para a probabilidade de falha. Enquanto a
solução anterior usava a função de densidade de probabilidade conjunta de R e S para avaliar o domínio
de falha, neste caso ele usa a combinação da acumulada da Resistência com a PDF da Solicitação.

O que chama atenção e é diferente da resolução anterior é que a CDF da Resistência é avaliada até o valor
“s”, já que se assume S=R como limite entre falha e sobrevivência.

̂
( ̂ ) ( ) ( ) ( )
Ou seja, a probabilidade de a Resistência ser menor ou igual a este valor de solicitação “s=11.86” é de
22,36%.
O cálculo dessa probabilidade para todos os valores aleatórios de “s” pode ser somado (o que equivale a
integral de fs na equação acima, e sendo divido pelo número de amostras tem-se a estimativa da
probabilidade: