Académique Documents
Professionnel Documents
Culture Documents
Technology (http://web.mst.edu/~dux/repository/me360/))
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”.
( )
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.
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.
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.
̂ (̂ ) ( )
̂
Também sabemos por definição que:
( ) ( )
Alterando a nomenclatura da VA de “X” para “R” de Resistência:
( ) ( )
Como ( ) ̂ , temos:
( )
̂
̂
Realizando o processo de equivalência dos números aleatórios para as duas VA temos os
seguintes resultados:
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.
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: