Sie sind auf Seite 1von 35

Confiabilidade Estrutural PEC/COPPE/UFRJ

Variáveis Aleatórias e Distribuições de Probabilidade

2. VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE


PROBABILIDADES
Se vários experimentos de um determinado fenômeno são exatamente
iguais, o fenômeno é chamado determinístico. Por outro lado, se estes
experimentos não forem idênticos o fenômeno é chamado de aleatório ou
randômico. No último caso, a cada experimento está associado um número real
de probabilidade de ocorrência de um determinado evento relacionado ao
fenômeno em observação. Intuitivamente pode-se avaliar que: (a) a
probabilidade está relacionada com a frequência de ocorrência do evento ao
longo de uma sequência grande de experimentos; (b) ela deve estar situada
entre 0 e 1 e (c) a soma da probabilidade de todos os possíveis resultados do
fenômeno deve ser igual a 1.

Os vários resultados de um fenômeno aleatório podem ser vistos como


os resultados de uma função; em probabilidade e estatística tal função é
definida como variável aleatória e é usualmente representada por uma letra
maiúscula. Valores específicos de uma variável aleatória são representados
por letras minúsculas.

Sendo X uma variável aleatória, sua função densidade de


probabilidades fX (x) é definida de tal forma que

dx dx
P(x  d X d x ) fX ( x)dx (2.1)
2 2

onde P(.) significa a probabilidade de (.). Usualmente uma função densidade de


probabilidade é identificado por PDF (Probability Density Function).

A expressão

b
P(a d X d b) ³f a
X ( x)dx (2.2)

indica a probabilidade da variável X assumir valores entre a e b. Qualquer fX ( x)


que satisfaça as seguintes condições pode ser considerada como uma PDF:

a) fX ( x) t 0.0 para qualquer x;

5
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades
f
b) ³ f ( x)dx 10.
f
X (área unitária) e; (2.3)
b
c) ³ f ( x)dx P(a d X d b)
X
a

A função cumulativa de probabilidades FX ( x) de X é definida da seguinte


forma:

a
FX (a) ³
f
fX ( x)dx (2.4)

onde FX (a) significa a probabilidade da variável X assumir valores menores ou


iguais a a. Uma função cumulativa de probabilidades deve satisfazer as
seguintes propriedades:

a) FX (f) 0.0 ;
b) 0 d Fx ( x) d 10
. e; (2.5)
c) FX ( f) 10 .

Graficamente fX ( x) e FX ( x) são apresentados na Figura (2.1).

(a) (b)

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

Notar que a seguinte relação pode ser observada

dFX ( x)
fX ( x) (2.6)
dx

Na literatura existem muitas funções teóricas que satisfazem as


condições descritas anteriormente. A escolha de uma delas para representar
um determinado fenômeno (ou variável) passa basicamente por um processo

6
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades
de ajuste em relação aos dados coletados (ou observados) do mesmo, como
será visto mais adiante.

2.1 Valores Característicos de Uma Variável Aleatória

O valor médio, ou a média, ou o valor esperado de uma variável


aleatória X é definido como:

E( X ) PX ³ xf (x)dx
f
x (2.7)

onde fX ( x) é a PDF de X definida anteriormente. Outro resultado interessante é


o valor médio quadrático de X definido como:

³ x f (x)dx
2 2
E( X ) x (2.8)
f

A variância mede a dispersão dos valores da variável em torno da média


e é definida como

f f f f

Var( X ) ³
f
( x  P X ) 2 fX ( x)dx ³
f
x 2 f X ( x)dx  2P x ³
f
³
xf X ( x)dx  P 2x f X ( x)dx
f
(2.9)
2
Var( X ) E( X )  P 2X

O desvio padrão de X é definido como a raiz quadrada da variância, i.e.,

VX Var( X) (2.10)

O coeficiente de variação de X é definido como a razão entre o desvio


padrão e a média, ou seja,

Vx
COV= G X (2.11)
Px

O coeficiente de variação mede, de forma adimensional (ao contrário da


variância) a dispersão dos dados da variável aleatória em torno da média.
Coeficientes de variação baixos indicam que os valores da variável aleatória
estão distribuídos próximos a média, enquanto que valores altos indicam uma
forte dispersão em torno da mesma.

O coeficiente de skewness T1 indica a simetria ou a assimetria da função


densidade de probabilidades fx(X) com relação a média e é definido por

7
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades

E X  P x
3

T1 (2.12)
V 3x
onde

³ x  P 3 fx ( x)dx
3
E( X  P X ) X (2.13)
f

Valores positivos de T1 indicam que os valores de X maiores que a média são


mais dispersos que os menores, valores negativos indicam o contrário e um
valor nulo indica que a função é simétrica com relação a média, conforme
ilustrado na Figura (2.2).

Figura 2.2 - Ilustração do coeficiente de skewness

O coeficiente de kurtosis T2 é uma medida de suavidade de uma função


densidade de probabilidades, ou seja, quanto maior é este valor mais suave (os
picos são menos agudos) é a função. T2 é definido como

E X  P x
4

T2 (2.15)
V 4x
onde

³ x  P 4 fx ( x)dx
4
E( X  P X ) X (2.16)
f

Os coeficientes de skewness e kurtosis podem ser úteis na seleção de


distribuições teóricas que podem se ajustar a um determinado fenômeno em
estudo. Estes coeficientes também são bastante usados na análise de
processos aleatórios não-lineares, que é um tema que foge ao escopo deste
curso.

Usando a analogia com as propriedades de uma área, a média e a


variância de uma variável aleatória X correspondem respectivamente, ao centro
de gravidade, c.g., e o momento de inércia (com relação ao c.g.) da área
definida por f x ( x) como será mostrado a seguir. Usando a Figura (2.3) como
referência, o c.g. é calculado como
8
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades

f f

³ xf ( x)dx ³ xf ( x)dx
x x f

x c.g. f
area
f
.
10 ³ xf ( x)dx
f
x (2.17)

que também é o primeiro momento da área (momento estático) de f x ( x) com


relação à origem. O momento de inércia com relação ao c.g. é igual a

³ x  xc.g.
2
Iy fx ( x)dx (2.18)
f

Comparando-se (2.17) e (2.18) com (2.7) e (2.9), observa-se então que a


média corresponde ao xc.g. e a variância ao momento de inércia de f x ( x) com
relação ao centro de gravidade. Por motivo desta analogia, é comum chamar a
média de como o primeiro momento de f x ( x) e a variância 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 área irregular representando uma PDF

Outras medidas importantes com relação à uma variável aleatória X


qualquer são a moda e a mediana. A mediana é o valor da variável aleatória X
cuja probabilidade de ocorrerem valores menores que ele ou maiores é 50%,
ou seja, F( xmediana ) 0.50 . A moda é o valor mais provável da variável
aleatória, ou seja, é aquele para o qual o valor da função densidade de

9
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades
probabilidades é máximo. A Figura (2.4) ilustra estas medidas. Notar que para
uma distribuição simétrica e unimodal (um só pico) a média, a mediana e a
moda são iguais.

Figura 2.4 - Moda e mediana de uma variável aleatória

2.2 - Distribuições de Probabilidades

Como dito anteriormente qualquer função que satisfaça as condições


dadas pela equação (2.3) pode ser usada como uma distribuição de
probabilidades. O uso prático desta função depende da capacidade dela
representar estatisticamente um determinado fenômeno que está sendo
investigado. Porém, na literatura já existem várias funções que atendem às
condições citadas anteriormente e que podem ser usadas na prática da
engenharia. Algumas destas funções serão apresentadas a seguir.

2.2.1 - Distribuição Normal ou Gaussiana

Uma variável X é dita normalmente distribuída ou simplesmente uma


variável Gaussiana, se a sua PDF for da seguinte forma:

1 ª 1 x  Px 2 º
f X ( x) exp« ( ) » (2.19)
Vx 2S ¬ 2 Vx ¼

Esta distribuição tem somente como parâmetros a média P x e do desvio


padrão V x da variável aleatória e é geralmente denotada por N(Px, Vx). A sua
função cumulativa só pode ser avaliada por integração numérica, ou usando
tabelas disponíveis em livros de estatística. Na Figura (2.5) são mostradas as
formas de duas distribuições normais com diferentes médias e desvios
padrões.

10
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades
0.12 1.20

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

0.08 0.80
pdf(x), pdf(y)

F(x), F(y)
0.04 0.40

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

0.00 0.00

0.00 40.00 80.00 120.00 160.00 0.00 40.00 80.00 120.00 160.00
X, Y X, Y

(a) (b)

Figura 2.5 - Funções (a) densidade e (b) cumulativa de probabilidades de


variáveis aleatórias normais.

Uma alternativa equivalente e muito valiosa para a expressão (12) é


obtida através da introdução de uma variável auxiliar, também conhecida como
variável reduzida, definida como

X  PX
Y (2.20)
VX

que como veremos mais adiante, conduz à conhecida distribuição normal


padrão de probabilidades

1 ª 1 º
f Y ( y) I( y) exp« y 2 » (2.21)
2S ¬ 2 ¼

cuja média e desvio padrão são iguais a 0 e 1, respectivamente. A função


cumulativa de probabilidades desta distribuição é usualmente denotada por
)( y) e é definida por

y
) y ³ f
fY y dy (2.22a)

No Apêndice A está uma tabela para avaliação de )( y) . Na Figura (2.6) esta


distribuição é ilustrada graficamente.

N P x , V x , a
Se uma variável X segue uma distribuição normal, i.e. X
probabilidade da mesma assumir valores entre a e b conforme a Figura (2.7),
pode ser obtida usando as expressões (2.20) e (2.22a), i.e.,

1 2
1 ( b  P x )/ V x s b  Px a  Px
2S ³
P(a d X d b) e 2 ds )( )  )( ) (2.22b)
( a  P x )/ V x Vx Vx

11
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades
onde )(.) é a função cumulativa normal padrão.

2.2.2 - Distribuição Lognormal

Uma variável X tem uma distribuição lognormal quando estatisticamente


ln( X ) pode ser representado por uma distribuição normal. A CDF de uma
variável lognormal é definida como :

1 ª 1 ln x  O 2 º
f X ( x) exp« ( ) » (2.23)
[x 2S ¬ 2 [ ¼

onde O é o valor esperado de ln( X ) , i.e. O E(ln x) P ln x , e [ é o desvio


padrão de ln( X ) , i.e. [ Var(ln x) V ln x . O e [ se relacionam com a média e
o desvio padrão de X através da seguintes relações

ª V º
[2 ln«1  ( x ) 2 »
¬ Px ¼
(2.24)
1
O ln P x  [ 2
2
0.40 1.00

0.80
0.30
F(y) - normal padrão

Y - N(0.0,1.0)
f(y) - normal padrão

0.60

Y - N(0.0,1.0)
0.20

0.40

0.10
0.20

0.00 0.00

-8.00 -4.00 0.00 4.00 8.00 -8.00 -4.00 0.00 4.00 8.00
y y

(a) (b)
Figura 2.6 - Funções (a) densidade e (b) cumulativa da distribuição normal
padrão

Se X é uma variável aleatória lognormal, P( a d X d b) pode ser calculada


como

ln b  O X ln a  O X
P(a d X d b) )( )  )( ) (2.25)
[X [X

12
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades
Notar que a equação acima corresponde exatamente à equação (2.22b), onde
ln X  O X
a variável reduzida é definida como Y .
[X

Figura 2.7 - Ilustração gráfica da probabilidade P( a d X d b)

2.2.3 - Outras Distribuições de Probabilidades

Além da distribuição normal e lognormal, existem muitas outras


disponíveis na literatura [1,2]. Porém, para facilidade de uso a Tabela (2.1)
apresenta um resumo daquelas mais empregadas para modelar variáveis
relacionadas à análise de confiabilidade estrutural.

2.2.4 - Distribuições de Probabilidades de Valores Extremos

Em muitos problemas de engenharia, os valores relevantes de uma


determinada variável são os extremos, ou seja, os valores mínimos ou
máximos da mesma. No caso específico da engenharia estrutural, o interesse
recai sobre os valores máximos extremos dos carregamentos atuantes sobre a
estrutura durante sua vida útil e de valores mínimos de resistência da mesma.

Na avaliação da distribuição de probabilidades dos valores extremos o


ideal seria ajustar uma distribuição de probabilidades à amostras de valores
extremos observados. Por exemplo, a determinação da distribuição de valores
extremos anuais de uma variável aleatória seria baseada em um banco de
dados com os valores máximos observados em cada ano durante muitos anos
(no mínimo 20 a 25 anos), ou seja, uma distribuição de probabilidades seria
ajustada a estes valores. Na prática, na grande maioria das vezes, dados de

13
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades
valores extremos máximos ou mínimos não constituem uma amostragem
significativa para proceder de tal forma.

Em virtude do que foi dito anteriormente, surgiu a chamada Estatística


de Extremos que possibilidade definir a distribuição dos valores extremos
(máximos e mínimos) de uma variável aleatória X a partir da função distribuição
de probabilidades da mesma (observe que está variável inclui todo o intervalo
de variação da variável em questão). Este tópico será abordado nas seções
seguintes.

14
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidade

Distribuição fx(x), PDF FX ( x) , CDF E(X), (média) Var ( X ) , (des. padrão)


Normal 1 § 1 § x  P· 2 · § x  P·
exp¨¨  ¨ ¸ ¸¸ )¨ ¸ P V
2SV © V ¹
© 2© V ¹ ¹
Lognormal 1 § 1 § ln(x)  O · 2 · § ln( x)  O · § 1 ·
exp¨  ¨ ¸ )¨ ¸ exp¨ O  [ 2 ¸
2S[x ¨ 2 © [ ¸¹ ¸ © [ ¹ © 2 ¹ E( X ) exp([ 2 )  1
© ¹
Exponencial O exp  Ox 1 exp Ox 1 1
O O
Rayleigh S § S·
x § 1§ x · 2· § 1§ x · 2·
VR ¨ 2  ¸ VR
exp¨  ¨ ¸ ¸ 1  exp¨  ¨ ¸ ¸
V R2 ¨ 2 © VR ¹ ¸ ¨ 2 © VR ¹ ¸ 2 © 2¹
© ¹ © ¹
Uniforme 1 xa ab ba
ba ba 2 12
Tipo I (máx.) D exp D x  u  exp D x  u
exp(  exp(  D ( x  u ))) 0.5772 S
(Gumbel) u
D 6D
Tipo I D exp D x  u  exp D x  u
1 exp(  exp( D( x  u))) 0.5772 S
(mínimos) u
D 6D
Tipo II k 1 k 1
k § v· § § v· · § § v· k · § 1·
¸ v* ¨ 1  ¸ § § 2· § 1· · 2
(máximos) ¨ ¸ exp¨¨ ¨ ¸ ¸ exp¨¨  ¨ ¸ ¸¸ © k¹ v¨ *¨1 ¸  * 2 ¨1 ¸ ¸
v © x¹ © © x¹ ¹ © © x¹ ¹ © © k¹ © k¹¹
Tipo III (min.) k 1 1
k § x· § § x· k · § § x· k · § 1·
(Weibull) ¨ ¸ exp¨¨ ¨ ¸ ¸¸ 1 exp¨¨  ¨ ¸ ¸¸ v* ¨ 1  ¸ § § 2· § 1· · 2
v © v¹ © k¹ v¨ *¨1 ¸  * 2 ¨1 ¸ ¸
© © v¹ ¹ © © v¹ ¹ © © k¹ © k¹¹
Nota: * é a função Gamma.

Tabela 2.1 - Algumas Distribuições de Probabilidades

15
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidade
2.2.4.1 - Distribuições Teóricas de Valores Extremos Máximos e Mínimos

Tomando-se diferentes conjuntos de observações (com n amostras cada


uma) de uma variável aleatória X, verifica-se que o valor máximo observado em
cada uma delas geralmente é diferente. Portanto, a população dos valores
máximos de X constituem uma população própria, ou seja, o valor máximo
extremo da variável aleatória X é também uma variável aleatória com uma
distribuição própria de probabilidades. O mesmo raciocínio é válido para o valor
mínimo extremo.

Considere que a variável aleatória inicial X tenha a sua própria função


cumulativa de probabilidades FX ( X) e considere também várias amostras de
tamanho n de X, i.e. x1, x 2 ,, xn , onde os índices representam o primeiro, o
segundo, ..., e o n-ésimo valor observado em cada uma das amostras. Uma
vez que cada valor observado é imprevisível antes da observação, pode-se
assumir que cada observação é o valor de uma variável aleatória e o conjunto
de observações x1, x 2 ,, xn é uma realização de variáveis aleatórias
X1, X 2 ,, X n . O valor máximo extremo de uma amostra de tamanho n é uma
variável aleatória definida como:

Yn max X 1, X 2 ,, X n (2.26)

Observe que se Yn , o máximo valor entre X 1, X 2 ,, X n , é menor que um


determinado valor y, então necessariamente todas as variáveis X1, X 2 ,, X n
devem ser menores que y. Assumindo-se que cada valor coletado numa
amostra da variável X é independente dos demais e que X 1, X 2 , X n são
identicamente distribuídos como a variável X, tem-se que

FX1 ( x) FX 2 ( x)  FXn ( x) FX ( x) (2.27)

Assim a função cumulativa do valor máximo extremo pode ser definida como

FYn ( y) P Yn d y
FYn ( y) P( X 1 d y, X 2 d y, X n d y) (2.28)

FYn ( y) >FX ( y)@n


e a correspondente função densidade de probabilidades

dFYn ( y)
n>FX ( y)@
n1
f Yn ( y) f X ( y) (2.29)
dy

16
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades
onde fX (.) é função densidade de probabilidades da variável inicial X.

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

Y1 min X 1, X 2 ,, X n (2.30)

Observe que se Y1, o mínimo entre X 1, X 2 ,, X n , é maior que y, então todas
as variáveis X1, X 2 ,, X n devem ser maiores que y. Assumindo-se as
mesmas hipóteses definidas acima, tem-se que

1  FY1 ( y) P Yn ! y
1  FY1 ( y) P( X 1 ! y, X 2 ! y, X n ! y) (2.31)

1  FY1 ( y) >1  FX ( y)@n


ou seja, a função cumulativa do valor mínimo extremo é dada por

FY1 y 1  >1  Fx( y)@


n
(2.32)

cuja correspondente função densidade de probabilidades é

dFY1 ( y)
n>1  Fx( y)@
n1
f Y1 ( y) f X ( y) (2.33)
dy

Nesta metodologia a distribuição de probabilidades (incluindo todas as


observações) de X é chamada de distribuição parente. A variável n se refere ao
número de amostras da variável X coletadas durante um determinado período
de tempo. Por exemplo, se n significar o número de amostras coletadas em um
ano as distribuições definidas por (2.28) e por (2.32) se referem ao valor
máximo extremo anual e ao valor mínimo extremo anual, respectivamente.

Nas Figuras (2.7) e (2.8) são apresentadas as funções cumulativa e


densidade de probabilidades do valor máximo, obtidas a partir de uma
distribuição normal (distribuição parente) com média 25.00 e desvio padrão
5.00,i.e., N(25.0,5.00). Nas Figuras (2.9) e (2.10) são apresentadas as funções
correspondentes ao valor mínimo.

2.2.4.2 - Distribuições Assintóticas de Valores Extremos

Através de várias pesquisas no passado, estatísticos observaram que as


distribuições de extremos tendem a distribuições assintóticas quando n tende a
infinito. Foi também observado, que a forma da distribuição assintótica
depende basicamente do comportamento da extremidade de interesse
(máximos ou mínimos) da distribuição parente da variável investigada.

17
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades

0.25

0.2

0.15
PDF

0.1

0.05

0
0 20 40 60 80
X
parente
extremos N=10
extremos N=100
extremos N=1000
Figura 2.7 - PDF dos valores extremos máximos para uma parente N(25,5).

Na literatura [2] são encontradas basicamente três tipos de distribuições


assintóticas para valores extremos máximos e mínimos: distribuição de
extremos Tipo I, Tipo II e Tipo III. As expressões matemáticas destas
distribuições são mostradas na Tabela (2.2).

Distribuição FX ( x) Média Desvio Padrão


0.5772 S
Tipo I (máx.) exp(  exp(  D( x  u))) u
D 6D
(Gumbel)
0.5772 S
Tipo I 1 exp(  exp(D( x  u))) u 
D 6D
(mínimos)
1
§ § v· k · § 1·
Tipo II exp¨¨ ¨ ¸ ¸¸ v* ¨ 1  ¸ § § 2· § 1· · 2
© k¹ v¨ * ¨ 1  ¸  * 2 ¨ 1  ¸ ¸
(máximos) © © x¹ ¹ © © k¹ © k¹¹

1
§ § x· k · § 1·
Tipo III (min.) 1 exp¨¨  ¨ ¸ ¸¸ v* ¨ 1  ¸ § § 2· § 1· · 2
© k¹ v¨ * ¨ 1  ¸  * 2 ¨ 1  ¸ ¸
(Weibull) © © v¹ ¹ © © k¹ © k¹¹

Nota: *(.) é a função Gamma


Tabela 2.2 - Distribuições Assintóticas de Extremos

18
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades

0.8

0.6
CDF

0.4

0.2

0
0 20 40 60 80
X
parente
extremos N=10
extremos N=100
extremos N=1000

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

0.25

0.2

0.15
PDF

0.1

0.05

0
0 10 20 30 40 50
X
parente
extremos N=10
extremos N=100
extremos N=1000

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

19
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades
distribuições de probabilidades para representar variáveis aleatórias que não
representem valores extremos.

O valor prático destas distribuições na análise de extremos é que para


alguns tipos de distribuições parentes já se sabe a priori que suas distribuições
de valores extremos tendem para distribuições assintóticas cujos parâmetros
são facilmente calculados em função dos parâmetros das primeiras. Isto evita o
uso das expressões (2.28) e (2.31). Alguns destes casos serão mostrados a
seguir.

Se uma variável X tem uma distribuição de Rayleigh com parâmetro V R ,


ou seja

§ 1 x2 ·
FX x 1  exp¨  ¸ (2.34)
© 2 V R2 ¹

então, pode se demonstrar que a distribuição dos seus valores máximos


extremos X n é do Tipo I com média e desvio padrão dados por

§ VR ·
P Xn V R 2 ln n  0.5772¨ ¸
¨ 2 ln n ¸
© ¹ (2.35)
S
V Xn VR
2 3 ln(n )

0.8

0.6
CDF

0.4

0.2

0
0 10 20 30 40 50
X
parente
extremos N=10
extremos N=100
extremos N=1000

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

20
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades
Se Y for uma variável aleatória normal com média P e desvio padrão V, a
distribuição dos valores máximos extremos assintoticamente se aproxima de
uma Tipo I (máximos) com os parâmetros u e D dados por

2 ln(n)
D
V
(2.36)
§ ln(ln(n))  ln( 4 S ) ·
u V¨¨ 2 ln(n)  ¸¸  P
© 2 2 ln(n) ¹

Na Figura (2.11) é feita uma comparação entre a distribuição exata e


assintótica tomando como base uma distribuição normal N(25,5). Como pode
se observar, elas vão ficando mais próximas para valores maiores de n.

0.3

0.25

0.2
PDF

0.15

0.1

0.05

0
0 20 40 60 80
X
parente
extremos N=10 (exata)
extremos N=10 (assint.)
extremos N=100 (exata)
Figura 2.11 - Comparações entre as distribuições exata e assintótica.

Se Z for uma variável lognormal com parâmetros O Z e [ Z , então a


distribuição dos seus valores extremos assintoticamente se aproxima de uma
distribuição Tipo II com os parâmetros

2 ln(n)
k
[Z
(2.37)
§ § ln(ln(n))  ln(4 S) · ·
v exp¨¨ [ Z ¨¨ 2 ln(n)  ¸¸  O Z ¸
¸
© © 2 2 ln(n) ¹ ¹

21
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades

Para outros tipos de distribuições (parentes) as distribuições assintóticas


podem ser obtidas através de ajustes utilizando-se os métodos dos momentos
(conforme a seção seguinte). Inicialmente calcula-se a distribuição teórica de
extremos usando as expressões (2.28) e (2.29) ou, dependendo do caso,
(2.31) e (2.32) e a partir delas calcula-se a média e o desvio padrão
(momentos) da distribuição teórica usando as expressões (2.7) e (2.10). Com a
média e desvio padrão calculam-se os parâmetros das distribuições Tipo I, II e
III de acordo com a Tabela (2.2). Através de um software gráfico, plotam-se a
distribuição teórica e as distribuições assintóticas e dentre estas últimas
observa-se qual delas é a que melhor se ajusta à primeira. A vantagem de se
trabalhar com assintóticas é que elas geralmente estão disponíveis em
qualquer software de confiabilidade, enquanto que a distribuição teórica deve
ser programada caso a caso.

2.2.4.3 - Um Breve Comentário Sobre Distribuições de Extremos

Para evitar grandes erros (devido ao expoente n), devemos usar como
distribuição parente da variável em análise, aquela distribuição que melhor se
ajusta aos valores observados na extremidade de interesse (máximos ou
mínimos).

Exercício 2.1
Escolha parâmetros quaisquer para três distribuições, uma normal, uma lognormal e
uma Rayleigh. Para cada uma delas compare as distribuições teóricas de valores
máximos com as distribuições de valores extremos assintóticas de acordo com descrito
anteriormente. Considere os seguintes valores n=10, 100 e 1000. (Use o Mathcad)

Exercício 2.2
Assumindo-se que as elevações da superfície do mar, num estado de mar definido por
um Hs e um Tz, constituem um processo aleatório gaussiano, é possível demonstrar que
as alturas individuais das ondas seguem uma distribuição de Rayleigh do tipo

§ § h · 2
·
FH h 1  exp¨¨ 2¨ ¸ ¸¸
© © Hs ¹ ¹

Assumindo que os estados de mar são de três horas, calcule em função de Hs, qual é o
valor máximo esperado e qual o valor mais provável da altura da onda máxima extrema
em três estados cujos Tz’s são 8s, 10.8s e 12s. Observe que o número de ondas em
estado de mar é dado aproximadamente por (duração do estado de mar)/Tz.

22
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades
2.3 - Ajuste de Distribuições de Probabilidades a Dados Observados

A representação de um determinado fenômeno por uma função


distribuição de probabilidades é algo que facilita bastante o tratamento da
mesma, i.e., uma vez definida a distribuição e os respectivos parâmetros é fácil
calcular os níveis de probabilidades associadas aos diversos eventos que
envolvem tal fenômeno.

Na prática o problema é então definir qual é a função e os respectivos


parâmetros que representam um fenômeno em observação. A base de
definição são os valores medidos e registrados sobre o mesmo.

A seguir serão apresentados alguns procedimentos para definições dos


parâmetros estatísticos de uma variável aleatória a partir dos dados
observados, bem como, o ajuste de uma distribuição de probabilidades aos
mesmos.

2.3.1 - Determinação de Parâmetros Estatísticos

A partir da existência de uma amostra coletada da variável aleatória X


(que representa o fenômeno de interesse) igual a X x1, x 2 ,, xn , podem ser
calculados vários parâmetros e definidas algumas representações gráficas.

Uma representação gráfica bastante usada é o chamado histograma de


frequência relativa, conforme a Figura (2.12). Neste diagrama a variável
aleatória é dividida em pequenos intervalos. Para cada intervalo é observado o
número de ocorrências dos valores da amostra. Depois disto então monta-se o
diagrama representando cada intervalo versus a frequência relativa dos
mesmos, ou seja, versus o número de ocorrências do intervalo dividido pelo
número total de amostras.

Figura (2.12) - Histograma de Frequências Relativas

O tamanho do intervalo de um histograma é definido em função da experiência


ou a partir de algumas expressões sugeridas na literatura [1].

23
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades

A partir dos dados contidos numa determinada da amostra de tamanho


N da variável aleatória X, podem ser definidos os valores característicos da
mesma. A média da amostra é dada por

N
1
X
N ¦x
i 1
i (2.38)

A variância da amostra por

N N
1 1
s 2X
N ¦ (x  X)
i 1
i
2
(
N i ¦x
1
2
i  NX 2 ) (2.39)

O desvio padrão e o coeficiente de variação são definidos respectivamente por

sX Variância s 2x (2.40)

sX
GX (2.41)
X

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

N
1 ( xi  X ) 3
T1
N ¦i 1 V 3x
(2.42)

N
1 ( xi  X ) 4
T2
N ¦
i 1 V 4x
(2.43)

Usando dados já agrupados em k intervalos de um histograma de frequências


relativas, onde qi é frequência relativa associada ao i-ésimo intervalo e xi o
valor médio deste intervalo intervalo, tem-se que a média da amostra é dada
por

k
X ¦q x
i 1
i k (2.44)

a variância por

24
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades
k
s 2X ¦ q ( x  X)
i 1
i i
2
(2.45)

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

k
qi ( xi  X ) 3
T1 ¦
i 1 V 3x
(2.46)

e
k
qi ( xi  X ) 4
T2 ¦
i 1 V 4x
(2.47)

Estes valores são representativos da amostra em questão e, portanto,


podem não representar a população total da variável X , exceto no caso em
que a amostra seja suficientemente grande. Em outras palavras os parâmetros
definidos anteriormente são apenas uma aproximação dos parâmetros reais da
variável aleatória X. Intervalos de confiança sobre os valores calculados acima
podem ser obtidos por vários procedimentos encontrados na literatura [1].

Porém, na prática, é necessário de alguma forma estimar os parâmetros


estatísticos da variável aleatória de interesse e isto pode ser feito de várias
maneiras. No que segue, serão apresentados duas destas maneiras.

2.3.1.1 - Métodos dos Momentos

Neste procedimento assume-se que os valores característicos da


amostra da variável aleatória sejam iguais ao da sua população, i.e.,

E( X ) PX | X
(2.48)
Var( X ) V 2X | s 2

Como estas grandezas estão diretamente relacionadas aos parâmetros das


distribuições de probabilidades (veja Tabela (2.1) ), estes últimos podem ser
facilmente obtidos. Por exemplo, para uma distribuição normal os parâmetros P
e V2 correspondem exatamente à média e a variância da variável.

2.3.1.2 - Método da Máxima Probabilidade

Este procedimento possibilita a avaliação dos parâmetros de uma


distribuição diretamente a partir da amostra. Supondo que estamos
interessados em obter o parâmetro T de uma distribuição cuja PDF é definida
por fx(x, T) para verificar se a mesma se ajusta ou não à amostra observada
X x1, x 2 ,, xn (note que, por enquanto, a distribuição tem um só
parâmetro). Baseado nesta amostra, a seguinte pergunta pode ser feita: Qual o
valor mais provável de T que produz o conjunto de observações x1, x 2 ,, xn ?

25
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades
Ou em outras palavras, qual é o valor de T que maximiza a possibilidade de
obter a sequência x1, x 2 ,, xn ? A possibilidade de se obter tal sequência pode
ser assumida como sendo proporcional ao valor da função densidade de
probabilidades (PDF) calculada em cada xi. Assim, uma função de
“probabilidades” pode ser definida como

P x1, x 2 ,...., xn , T fX x1, T fX x2 , T ..... fX xn , T (2.49)

O valor de T que maximiza esta função pode ser obtido resolvendo-se a


seguinte expressão

wP x1, x 2 ,...., xn , T
0 (2.50)
wT

Para distribuições dependentes de mais de um parâmetro, a função de


probabilidades torna-se

P x1, x 2 ,, xn , T1,, T m fX x1, T1,, T m fX x 2 , T1,, T m ..... fX xn , T1,, T m (2.51

e os mesmos são obtidos através da solução do seguinte sistema de equações

wP x1, x 2 ,...., xn , T1,...., T m


0
wT1
$
(2.52)
$
wP x1, x 2 ,...., xn , T1,...., T m
0
wT m

Exercício 2.3

Determine analiticamente usando o método da máxima probabilidade o parâmetro de


uma distribuição de Rayleigh e o parâmetro de uma distribuição exponencial para uma
amostra X = (x1, x2, ...., xn).

2.3.1 - Determinação da Distribuição de Probabilidades

Até agora foi mostrado como são definidos os parâmetros das


distribuições de probabilidades, porém nada foi dito a respeito de qual é a

26
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades
distribuição (normal, lognormal, exponencial, etc.) que melhor representa o
fenômeno em observação. Em outras palavras, usando o método dos
momentos, por exemplo, podem ser calculados os parâmetros da distribuições
teóricas (ver Tabela 2.1) que reproduzem estes mesmos momentos, porém,
isto não significa que a forma da distribuição reproduza a forma do histograma
da amostra.

Definidos os parâmetros das várias distribuições alguns procedimentos


podem ser usados para verificar qual delas melhor representa o fenômeno
observado. Este será o tópico das seções seguintes, porém antes é necessário
chamar atenção que os procedimentos citados anteriormente são baseados na
comparação da distribuição de probabilidades teórica com a distribuição
aproximada dos dados observados. Uma aproximação da função densidade de
probabilidades é obtida a partir do histograma de frequência relativa. Como
este diagrama representa probabilidade, a densidade média de cada intervalo
é dada por

Q( xi )
f x ( xi ) (2.53)
dx

onde Q(xi) é frequência relativa do intervalo e dx é o intervalo do histograma.


Assim a distribuição teórica de probabilidades que melhor representa a variável
X é aquela que melhor se ajusta a f x ( xi ) .

2.3.2.1 - Testes de Aderência

Uma das maneiras de verificar se uma distribuição teórica se ajusta ao


fenômeno investigado ou não é através de testes de aderência. Através de
funções empíricas e certas tolerâncias definidas pelo usuário, estes testes
comparam a distribuição teórica com a aproximada (eq. 2.53) para cada
intervalo do diagrama de frequências relativas e no final dizem, de acordo com
nível de confiança pré-estabelecido, se a distribuição teórica pode representar
o fenômeno. Dentre estes testes estão o Teste Chi-quadrado e o Teste
Kolmogorov-Smirnov. Maiores detalhes sobre estes testes podem ser obtidos
na literatura sobre probabilidade e estatística [1].

2.3.2.2 - Comparação Visual

Outro maneira de verificar o ajuste de distribuições de probabilidade é


visualmente. Anos atrás isto era feito através dos chamados “papéis de
probabilidade”, porém, hoje em dia isto se faz utilizando programas de
computador (exemplo: Mathcad, Maple, Statgraph, etc.). Nestes programas
todas as distribuições teóricas são definidas e depois plotadas num mesmo
gráfico que também inclui a distribuição aproximada. Visualmente o engenheiro
(usuário) pode verificar qual delas melhor se ajusta.

27
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades
2.4- Várias Variáveis Aleatórias

Frequentemente mais de uma variável aleatória precisam ser associadas


a um experimento e então, o comportamento conjunto destas variáveis passa a
ser de interesse. Aqui serão abordados experimentos dependentes de somente
duas variáveis aleatórias X e Y, porém os conceitos empregados são válidos
para qualquer número de variáveis aleatórias.

De forma semelhante ao tratamento dado a uma única variável aleatória,


a função densidade de probabilidades conjunta, fX,Y ( x, y) , das variáveis
aleatórias X e Y é definida de tal forma que

dx dx dy dy
P( x  d X d x  ,y  d Yd y ) f X,Y ( x, y)dxdy (2.54)
2 2 2 2

A função cumulativa conjunta de probabilidades é definida por

a b
FX,Y ( x, y) P( X d a, Y d b) ³ ³
f f
f X,Y ( x, y)dydx (2.55)

Para atender os axiomas básicos da teoria das probabilidades, a função


densidade de probabilidades conjunta das variáveis X e Y deve satisfazer as
seguintes condições:

a) fX,Y ( x, y) t 0.0 para todo e qualquer x e y


f f
b) ³ ³
f f
f X,Y ( x, y)dydx 10
. (2.56)
b d
c) P(a d X d b, c d Y d d) ³ ³fa c
X,Y ( x, y)dydx

A Figura (2.13) ilustra uma função densidade de probabilidades


conjunta para duas variáveis X e Y.

Quando as variáveis X e Y são estatisticamente independentes, ou seja


a ocorrência de um valor de X não interfere na ocorrência de um valor de Y, a
função densidade de probabilidades conjunta das variáveis X e Y pode ser
escrita como

fX, Y ( x, y) fX ( x)fY ( y) (2.57)

sendo fX ( x) e fY ( y) as funções densidade de probabilidades de X e Y


respectivamente, obtidas tratando-se os dados de ambas independentemente.

28
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades

Figura (2.13) - Ilustração da função densidade de probabilidades conjunta

As distribuições marginais de cada uma das variáveis aleatórias X e Y,


quando fX,Y ( x, y) é conhecida, são obtidas da seguinte forma:

f
fX ( x) ³
f
fX,Y ( x, y)dy
(2.58)
f
f Y ( y) ³
f
f X,Y ( x, y)dx

A covariância entre as variáveis X e Y é definida como

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


(2.59)
Cov( X, Y ) E( XY )  P x P y

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

f f

E( XY ) ³ ³ xyf
f f
X,Y ( x, y)dxdy (2.60)

Quando X e Y são independentes

E( XY ) E( X )E( Y ) P XP y (2.61)

e a covariância então, torna-se nula.

Fisicamente, o significado da covariância pode ser melhor entendido


através do coeficiente de correlação que é definido por

29
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades
Cov( X, Y )
U X,Y (2.62)
V xV y

onde V X e V Y são respectivamente os desvios padrões das variáveis X e Y,


obtidos em função das distribuições marginais e da expressão (2.10). Pode ser
demonstrado que U X,Y 2 d 10
. e que quando U X,Y r10. existe uma forte relação
linear entre X e Y. No caso de U X,Y . , quando X assumir uma valor grande
10
com relação a P x , Y também assumirá um valor grande, na mesma proporção
que X, com relação a P Y . Por outro lado, caso U X,Y 10
. , então quando X
assumir uma valor grande com relação a P x , Y tenderá assumir um valor
pequeno, mantendo a proporção absoluta de X, com relação P Y . Quando
U X,Y 0.0 significa que não há uma relação linear entre X e Y, isto contudo não
significa que não possa haver um outro tipo de relação entre elas. A ilustração
do significado do coeficiente de correlação é mostrada na Figura (2.14).

U 10
. U 0.0 U 10
.

0  U  10
. U 0.0 U 0.0

Figura (2.14) - Interpretação gráfica do coeficiente de correlação

Para várias variáveis aleatórias X1, X2,...,Xn, a matriz de correlação entre


as mesmas é definida por

30
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades
ªU X1,X1 U X1,X 2 ... U X1,Xn º
« U X 2 ,X 2 ... U X 2 ,Xn »»
U « (2.64)
« Sim. ... ... »
« »
«¬ U Xn ,Xn »¼

onde U Xi ,X j é o coeficiente de variação entre as variáveis Xi e Xj.


Exercício 2.4
Demonstre que a correlação de uma variável aleatória X com ela mesma é igual a 1.

2.5 - Soma ou Diferença de Variáveis Aleatórias

2.5.1 - Soma ou Diferença de Variáveis Aleatórias Normais

Se X e Y forem duas variáveis independentes e normais, Z = X + Y é


também uma variável normal com média e desvio padrão dados por:

PZ PX  PY
(2.65)
VZ V 2X  V 2Y

As resultados acima podem ser generalizados para qualquer função linear de


variáveis randômicas normais, ou seja, se Z for igual a

n
Z a0  ¦a X
i n
i i (2.66)

onde ai são constantes e X i variáveis aleatórias normais estatisticamente


independentes, então Z é uma variável normal com média e variância dados
por

n
PZ a0  ¦a P
i n
i xi

(2.67)
n
V 2Z ¦
i 1
a i2 V 2xi

onde P xi e V xi são a média e o desvio padrão, respectivamente, de cada


variável aleatória Xi. É possível também demonstrar que quando Z for uma
combinação linear de variáveis normais estatisticamente dependentes, a sua
média e sua variância correspondem respectivamente a

31
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades
n
PZ a0  ¦a P
i n
i xi

n n
(2.68)
V 2Z ¦¦a a U V
i 1 j 1
i j ij xi V x j

onde U Xi ,X j é o coeficiente de variação entre as variáveis Xi e Xj. Qualquer nível


de probabilidade associado a um evento que envolva Z pode ser calculado
usando Z N P z , V z .

Utilizando os resultados acima é possível calcular a média e o desvio


padrão da variável reduzida Y definida na equação (2.20), ou seja ,

X  PX
Y (2.69)
VX

Y pode ser visto como uma função linear da variável X, portanto a sua média é,

n
PX 1
PY a0  ¦a P
i n
i xi  
VX VX
PX 0.0

e o seu desvio padrão é

n 2
§ 1·
V 2Y ¦i 1
ai2 V 2xi ¨ ¸ Vx
© Vx ¹
2
10
.

Assim fica demonstrado que Y é uma variável normal com média 0.0 e desvio
padrão 1.0.

Considerando agora a soma de duas variáveis normais estatisticamente


independentes X e Y, ou seja, Z = X + Y e introduzindo as variáveis W e U
como as correspondentes variáveis reduzidas de X e Y, então, Z pode ser
escrita como

Z WV X  P X  UV Y  P Y

onde a sua média é dada por

PZ P W  PU  P X  P Y 0.0  0.0  P X  P Y PX  PY

e o desvio padrão

VZ V 2X V 2W  V 2Y V 2T V 2X 12  V 2Y 12 V 2X  V 2Y

32
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades
Pode-se observar que os resultados acima são idênticos aos valores fornecido
na Equação (2.65). Portanto, no caso da combinação linear de variáveis
aleatórias normais, pode-se também operar com as variáveis reduzidas
definidas usando a expressão (2.69).

2.5.2 - Soma ou Diferença de Variáveis Aleatórias com Distribuições Quaisquer

Quando uma variável aleatória Z é definida como uma combinação linear


de outras variáveis e pelo menos uma destas variáveis não é normal, não é
mais possível definir a sua distribuição de probabilidades diretamente como no
item anterior. Neste caso, somente é possível avaliar o valor médio e a
variância de Z. Estas grandezas são obtidas da mesma forma que no item
anterior, ou seja, usando a equação (2.68). Deve ser observado mais uma vez
que dispondo somente destas grandezas não é possível atribuir valores de
probabilidade associados a eventos de Z, uma vez que a distribuição de
probabilidades da mesma não é obvia como no item anterior.

2.6 - Produto de Variáveis Aleatórias Lognormais

Considere agora o caso de uma variável Z definida como

n
Z –X
i 1
i (2.70)

onde X i são variáveis lognormais e estatisticamente independentes. A


equação (2.70) pode ser reescrita como:

n
ln Z ¦ ln X
i 1
i (2.71)

Lembrando que se X i é lognormal, ln X i é normal com média O Xi e desvio


padrão [ Xi (ver item 2.2.2) . Então, de acordo com o que foi apresentado no
item (2.5.1), ln Z é uma variável aleatória normal com média

E(ln Z ) OZ ¦O Xi (2.72)

e desvio padrão dado por

n
[Z ¦[i 1
2
Xi (2.73)

Então, Z é uma variável lognormal com os parâmetros O Z e [ Z .


Generalizando, o produto de variáveis lognormais também é uma variável
lognormal.

33
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades

Exercício 2.5
Uma determinada variável de interesse S é definida como

PBI
S
M

Assumindo que P,B,I e M são variáveis lognormais, cujas médias e coeficientes de


variação são mostrados na tabela abaixo, calcule a probabilidade de S assumir valores
maiores que 0.20.

Variável Média COV


P 1.00 0.10
B 6.00 0.00
I 0.60 0.10
M 32.0 0.15

2.7 - Média e Variância de Uma Função Genérica

Considere a variável aleatória Z definida como

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

onde g(.) é uma função qualquer das variáveis aleatórias Xi (normais ou não).
Assumindo-se que as variáveis Xi são estatisticamente independentes, a média
e a variância exatas de Z são dadas por

f f

E Z ³  ³ g X , X , X
f f
1 2 n fx1 x1 fxn xn dx1dxn (2.75)


Var Z E Z 2  E Z
2
(2.76)

onde

f f

EZ ³  ³ g X , X , X
2
1 2 n 2 fx1 x1 fxn xn dx1dxn (2.77)
f f

Deve-se observar que nas expressões (2.75) e (2.77) é necessário


avaliar uma integral n-dimensional que, dependendo do caso, pode ser uma
tarefa bastante pesada. Para evitar tal integração uma aproximações da média

34
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades
e da variância de Z podem ser obtidas através da linearização g X 1, X 2 ,, X n
em torno da média das variáveis aleatórias, através da série de Taylor, i.e.,

¦ X  P wg X , Xwx , X
n
1 2 n
Z | g P X1 , P X ,, P Xn  i Xi (2.78)
2
i 1 i

Usando o que foi apresentado na seção (2.5.2) tem-se então que


E Z | g P X1 , P X ,, P Xn
2 (2.79)

2
§ wg X 1, X 2 , X n · 2
Var Z ¦ ¨
© wx i
¸ VXi
¹
(2.80)

Notar mais uma vez que além das expressões (2.79) e (2.80) serem valores
aproximados, a distribuição de probabilidades de Z não pode ser definida.

2.8 - Correlação entre Duas Funções Lineares de Variáveis Aleatórias

Dado um conjunto de variáveis aleatórias X 1, X 2 ,, X n e duas outras


variáveis aleatórias Y e Z que são funções lineares das mesmas, i.e.,

n
Y a0  ¦a X
i n
i i (2.81)

n
Z b0  ¦b X
i n
i i (2.82)

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

Cov( Y, Z)
U Y ,Z (2.83)
VYVZ

onde

Cov( Y, Z) E[( Y  P Y )( Z  P Z )] E( YZ)  E( Y)E( Z)


(2.84)
n n
Cov( Y, Z) ¦¦a b U V
i 1 i 1
i i i,j Xi V Xj

35
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades

1
§ n ·2
VY ¨
¨
©
¦
i 1
ai2 V 2Xi ¸¸
¹
(2.85)
1
§ n · 2
VZ ¨
¨
©
¦b V
i 1
2
i
2
¸
Xi ¸
¹

Notar que na equação (2.84) o coeficiente de correlação de uma variável com


ela mesma é um, ou seja, Ui,i 10 . . Também deve ser observado que a
correlação entre Y e Z independe do tipo de distribuição de probabilidades das
variáveis.

Exercício 2.6:

Dadas as variáveis aleatórias 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 são 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 correlação entre as variáveis Y e Z.

36
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades
2.9 - Distribuições Normais Equivalentes

Para uma variável aleatória X, cuja distribuição de probabilidades não é


normal, uma distribuição normal equivalente num ponto x pode ser obtida,
igualando-se as funções cumulativa e densidade de probabilidades de uma
normal e da distribuição real de X no referido ponto. Este procedimento é
ilustrado na Figura (2.15). Obter uma normal equivalente significa obter a
média e o desvio padrão desta distribuição. Estas grandezas são calculadas
através da resolução do seguinte sistema de equações:

x  P NX
)( ) FX ( x )
V NX
(2.86)

1 x  P NX
N
I( ) f X ( x )
VX V NX

onde I(.) e )(.) correspondem, respectivamente, às funcões densidade e


cumulativa da distribuição normal padrão, fX (.) e FX (. ) correspondem,
respectivamente, às funcões densidade e cumulativa da variável X e
V NX e P NX são, respectivamente, a média e desvio padrão da normal
equivalente no ponto x .

Figura 2.15 - Princípio da Normal Equivalente

A solução do sistema de equações (2.86) é dada por

V NX
^ >
I ) 1 FX ( x ) @`

fX ( x ) (2.87)
P NX >
x  V NX ) 1 FX ( x ) @
sendo que ) 1(.) corresponde a inversa da distribuição cumulativa normal
padrão. Em outras palavras, ) 1(p) corresponde ao valor da variável reduzida
cuja probabilidade de ocorrerem valores menores ou iguais a ela seja igual a p.

37
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades

Exemplo 2.2:

Uma variável aleatória Y tem média ( P Y ) 10.00 e desvio padrão ( V Y ) 2.00 e sua
distribuição de probabilidades é uma Tipo I para valores máximos. Calcule a média e o
desvio padrão da normal equivalente no ponto y 14.00 .

Solução

A PDF e a CDF de uma distribuição Tipo I para valores máximos são

f Y ( y) D exp( D( y  u)  exp( D( y  u)))


FY ( y) exp(  exp( D( y  u)))

onde

S 1 S 1
D 0.64128
6 VY 6 2.00

0.5772 0.5772
u PY  10.00  9.10
D 0.64128

Desta forma

fY ( y * ) f Y (14.0) 0.026522
*
FY ( y ) FY (14.0) 0.95774

> @
Para encontrarmos a normal equivalente temos que resolver ) 1 FY ( y ) . Usando uma
tabela de distribuição normal padrão tem-se

>
) 1 FY ( y ) @ ) 1>FY (14.00)@ ) 1> 0.95774@ 17258
.

Lembrando que

1 1 2
I( x) exp(  x )
2S 2

tem-se que

^ >
I ) 1 FY ( y ) @` I(17258
. ) 0.089978

e assim

38
Confiabilidade Estrutural PEC/COPPE/UFRJ
Variáveis Aleatórias e Distribuições de Probabilidades

V NY
^ >
I ) 1 FY ( y ) @` 0.089978
3.3927

fY ( y ) 0.026522
P NY >
y  V NY ) 1 FY ( Y ) @ 14.00  3.3927 x17258
. 8.144976

são os parâmetros da distribuição normal equivalente.

Exercício 2.7:

Demonstrar que a média e o desvio padrão de uma distribuição normal equivalente a


uma variável aleatória X lognormal, com parâmetros O e [ , no ponto x , correspondem
respectivamente a :

P NX x (1  ln x  O )
V NX x [

Exercício 2.8 :

Uma variável aleatória X foi observada durante um ano. Os valores observados da


mesma com o respectivo número de ocorrências são indicados na tabela abaixo:

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

A partir dos dados acima :

a) ajuste uma distribuição de probabilidades para a variável X;


b) estabeleça a distribuição (assint.) do valor máximo extremo centenário.

Sugestão: use o Mathcad ou software similar

2.10 - Referências Bibliográficas

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.

39

Das könnte Ihnen auch gefallen