5 Algoritmo para integração da relação tensão deformação

Tamanho: px
Começar a partir da página:

Download "5 Algoritmo para integração da relação tensão deformação"

Transcrição

1 5 Algortmo ara tegração da relação tesão deformação A aálse de materas com comortameto elastolástco or elemetos ftos é feta de forma cremetal e teratva. A cada estágo do rocesso de solução, cremetos de força são alcados e os resectvos cremetos de deslocameto calculados ela solução de equações de equlíbro. As deformações e tesões são comutadas os otos de tegração de cada elemeto usado as relações deformação deslocameto e or uma le elastolástca de tesão deformação. Caso ocorra a lastfcação o materal e um modelo de edurecmeto sotróco esteja sedo utlzado, a solução destas les elastolástcas é obtda resolvedo-se um sstema de equações da forma: ode = ( ) e, ε (5.) _ = ε ou = (5.) deederá do arâmetro utlzado ara reresetar o edurecmeto. Nestas exressões rereseta o vetor de tesão, ε o vetor de deformação, o arâmetro de edurecmeto e e a matrz elastolástca, o sal de oto acma das varáves rereseta a dervada em relação ao temo o qual a carga é alcada. A obteção da matrz elastolástca é mostrada o tóco 5... Exstem dos tos de algortmos ara o cálculo das tesões e do arâmetro de edurecmeto. Para a comreesão do rocesso de tegração mostra-se de forma stetzada uma exressão geral destes algortmos. Cosderado a deformação total costtuída elas arcelas elástca e lástca, a tesão a suerfíce de escoameto em um oto qualquer de um materal que tea se lastfcado ode ser escrta como: ( ε ) (5.) = ε ode o ídce se refere ao cremeto, ara a deformação:

2 75 ε (5.4) = ε dε = ε dε troduzdo as exressões (5.4) e (5.5) em (5.), o que ermte escrever: ε (5.5) ( ε ε dε d ) (5.6) = ε = ε dε d (5.7) fazedo dε gual a, tem-se a arcela deomada de tesão * tetatva elástca, como mostrado a exressão (5.8): (5.8) * = dε A seguda arcela do lado dreto da exressão (5.8) rereseta o comortameto lástco. Esta arcela é que ermte coduzr o estado de tesão localzado fora da suerfíce de escoameto ara a suerfíce de escoameto. urate o fluxo lástco o gradete da fução otecal lástco vara ao logo da trajetóra de deformação cremetal de modo ão coecdo. Etão, alguma ótese deverá ser adotada ara ossbltar a tegração da relação costtutva (5.8) (Noguera, 998). Uma forma de tegração é a regra do oto médo, que adota a ótese da varação lear das tesões e do arâmetro de edurecmeto ao logo do cremeto de deformação, ortato: ( α' ) α' α (5.9) ' = ( α' ) α' ' = α (5.) sedo e os valores descoecdos da tesão e do arâmetro de edurecmeto o fm do cremeto, α ' é uma costate com valor etre e. Assm, quado a deformação lástca a exressão (5.8) é substtuída ela le de fluxo, as tesões utlzadas serão as dadas ela exressão (5.9). Quado α ' é gual a tem se o algortmo de backard Euler, classfcado como do to mlícto, os trabala somete com as tesões do fm do cremeto. A vatagem deste to de algortmo é que tesão resultate automatcamete satsfaz o crtéro de escoameto e ão exge, caso ocorra uma mudaça do estado elástco ara um lástco, o cálculo da terseção da trajetóra de tesão com a suerfíce de lastfcação.

3 76 Aesar de ser um método oderoso, é um algortmo de dfícl mlemetação ara modelos comlexos, os exge o cálculo da dervada de seguda ordem da fução otecal e de escoameto. Além dsto, o algortmo ode aresetar dvergêcas ara suerfíces de escoameto com vértces ou rádas mudaças a curvatura (Sloa, ). Para α = tem se o algortmo do to exlícto, que trabala somete com as tesões e arâmetro de edurecmeto do íco do cremeto. O esquema de forard Euler é um dos mas utlzados este to de algortmo. A recsão deste to de algortmo deede do tamao do cremeto, sedo usual dvdr o cremeto em subcremetos de gual tamao ara melorar a recsão da tegração. A vatagem deste método é a fácl mlemetação, os trabala aeas com dervadas de rmera ordem. A mlemetação de um destes algortmos será dscutda o róxmo tóco. 5. Algortmo do to exlícto A desvatagem do método forard Euler ctado aterormete é que ão exste uma regra ara se estabelecer o úmero de subcremetos e também ão se ode garatr que as tesões resultates satsfaçam o crtéro de escoameto o fm do cremeto. Outra desvatagem é a ecessdade de se coecer a terseção do vetor tesão com a suerfíce de lastfcação, quado o estado de tesão muda do elástco ara o lástco. Sloa (987) roôs um algortmo do to exlícto, cuja característca cave é o cotrole de erro o rocesso de tegração ela seleção automátca do tamao do subcremeto à medda que a tegração rocede. Este trabalo está fudametado este algortmo. O método de Ruge Kutta ormad-prce é utlzado este trabalo ara resolver as exressões (5.) e (5.) em alteratva ao método de Euler. A dedução das exressões do método de Ruge Kutta ormad Prce ão será mostrada este trabalo, mas ode ser ecotrada em ormad ad Prce (98). Todava, ara eteder o seu mecasmo, será mostrado de forma resumda o método de Euler, os ambos tem a mesma coceção.

4 77 As exressões (5.) e (5.) defem um sstema de equações dferecas que regem o comortameto mecâco de um coro, ode a rcío é coecdo o estado de tesão e deformação atuates em um coro, as roredades do materal e a matrz costtutva ao ível do elemeto. Portato este roblema ode ser estudado como um roblema de valor cal. Euler roôs que a solução deste to roblema odera ser obtda aroxmado a solução exata através do cálculo de uma sére de otos detro de um determado tervalo. A fgura (5.) lustra a solução exata (la cea) e a aroxmada (otos) ara uma equação dferecal em fução de uma varável. A solução das exressões 5. e 5. será feta or esta aroxmação. v v v v Fgura 5. terretação gráfca da solução roosta or Euler (Boyce e rma, 998) Segudo Euler, cada valor da varável deedete () a curva (fgura 5.) ode ser obtdo ela soma do seu valor ateror com um cremeto relacoado a ela. Este cremeto é o roduto do cremeto da varável deedete (v) com a dervada da tagete ( ) o oto de valor cal. A segute exressão fo roosta: = v ' ( v, ) (5.) Nota se uma semelaça com a exressão (5.8) ode sera, v sera o cremeto ( d ε e ' v, ) reresetara a matrz costtutva. Etretato, a covergêca deste método é muto sesível ao cremeto da varável deedete. A covergêca é obtda, etão, or dos modos. O

5 78 rmero é o uso de cremetos cada vez meores e o segudo ela obteção de um método mas efcete. A obteção de um método mas efcete é feta ormalmete modfcado-se o valor dado or v ' ( v, ). Na lteratura um método ctado é o de Euler armorado (Boyce e Prma, 998) ou também coecdo or Euler Modfcado. Este método determa.através de dos estágos, o rmero estágo utlza o método de Euler ara determar, o segudo estágo usa o valor de calculado aterormete o lugar de a exressão (5.). Assm o valor de ão deedera somete do valor o íco do cremeto mas também de algum oto stuado detro dele, etão, ode se dzer que a dervada ' ) é avalada duas ( v, vezes ara cada cremeto. A exressão desevolvda tem a segute forma: ( ' ( v, ) ( v v, v) ) = v ' (5.) O erro de trucameto local or este método, ou seja, o erro devdo somete ao método é roorcoal a v. O erro de trucameto global que reflete o erro do trucameto local acrescdo do erro dos arâmetros de etrada é roorcoal a v. O método é classfcado de acordo com o erro de trucameto global, ortato o método de Euler Modfcado é deomado de seguda ordem. O método de Ruge Kutta-ormad-Prce utlzado este trabalo tem o mesmo rcío de Euler Modfcado, etretato a arcela v ' ( v, ) é avalada ses vezes, o que coduz a um erro de trucameto global de 5ª ordem. O erro local ara este método, exresso agora em termos de tesão é obtdo a artr das segutes exressões: ode: = (5.) = (5.4) ^ ^ = (5.5) ^ ^ = (5.6)

6 79 = e, ε (5.7) = λ, Q, ε (5.8) ε = T ε (5.9) ara varado de a 6, têm-se etão: = = (5.) (5.): 5 = = = 5 = ^ ^ 9 = = = = = = (5.) (5.) (5.) (5.4) (5.5) A exressão ara o erro local é obtda subtrado as exressões (5.5) e ^ 55 7 E = (5.6)

7 8 A mesma exressão é válda ara o arâmetro de edurecmeto O rocesso de tegração ca assumdo que o subcremeto de deformação é gual ao róro cremeto de deformação. A tesão é calculada somado a tesão do cremeto ateror com o cremeto de tesão dada ela exressão (5.7). Em seguda é determado o erro local e o erro relatvo R', como mostrado a exressão (5.7): ^ E ( ) R'= (5.7) ^ Se o erro relatvo for meor do que a tolerâca esecfcada, a tesão é atualzada e terma o rocesso de tegração. Caso o erro seja maor do que a tolerâca é feta a subdvsão do cremeto. O cremeto de deformação assa a ser um somatóro de subcremetos de deformação. Para facltar a oeração de tegração é assocado ao subcremeto de deformação um subcremeto de temo admesoal (T), tal que o cremeto de deformação seja reresetado elo valor utáro de T. O subcremeto de deformação é dado or: ε = ε (5.8) k T k ode ε k é o subcremeto de deformação e Tk é o subcremeto de temo. O valor de T k é calculado baseado em uma extraolação: _ T = q T (5.9) k k _ q é um valor real ostvo, o valor deste úmero deederá se o subcremeto de deformação fo tegrado com sucesso ou ão. Sucessvos subcremetos são calculados até que a soma deles se guale ao cremeto de deformação ou T seja gual a. Cabe ada, defr a terseção do vetor tesão com a suerfíce de escoameto, quado o estado de tesão muda do estado elástco ara o lástco. Suodo um estado de tesão elástco ( cremeto de tesão ), tal que F(, ) < a que resulte a fução de escoameto: (, ) > a, etão, ara um F a (5.)

8 8 deve-se ecotrar a arcela de Cosderado uma costate ξ tal que: resosável elo carregameto elástco. ode: (, ) = F (5.) = a ξ (5.) O valor de ξ vara etre e. Para o valor ão á deformação elástca e ara a deformação é totalmete elástca. Vsto que as equações (5.) e (5.) defem uma equação ão-lear da forma F ( ξ ) =, métodos teratvos odem ser utlzados a obteção de ξ,como a técca de Neto Raso, regula-fals, secate e o Pegasus. Este últmo fo o selecoado ara determar a terseção. A segur mostra-se o esquema do algortmo de tegração da relação tesãodeformação. etrar com a tesão e o arâmetro de edurecmeto cal, o cremeto de deformação e a tolerâca ara o erro relatvo durate a atualzação das tesões; * calcular a tesão tetatva elástca ( ) a artr da soma da tesão cal ( ) e o cremeto de tesão elástco ( e ) e = e ε (5.) = (5.4) t e verfcar o crtéro de escoameto, caso F( ) < Ftol ( F( )) Ftol * ou abs t < etão o estado de tesão é elástco e as tesões odem ser atualzadas, termado o algortmo; 4 Caso a codção ão seja verfcada, determa-se se á a assagem do estado elástco ara o lástco ela codção ( ) < F e F( ) >, se a codção é verfcada determa-se a costate ξ e a arcela elástca do cremeto de tesão. o cotráro ξ = ; tesão Atualza-se a tesão cal com a arcela de cremeto elástco de t

9 8 através de: = ξ e (5.5) 5 - eterma-se à quatdade de cremeto de tesão que será corrgdo e ( ξ ) e = (5.6) 6 Adotar T = e T = (tamao do subcremeto); 7 etermar o cremeto de tesão e arâmetro de edurecmeto elas exressões (5.) e (5.) ara varado de a 6. ode: = T λ b (5.7) e t = λ b (5.8) F e T λ = max, (5.9) F Q F t Q é a tesão dada elas exressões de (5.) a (5.5); 8 Estmar o erro local de acordo com a exressão (5.6). Atualzar a tesão e o arâmetro de edurecmeto de acordo com as exressões (5.5) e (5.6). Calcular o erro relatvo de acordo com a exressão (5.7) e comará-lo com a tolerâca esecfcada; 9 Se o erro relatvo é maor do que a tolerâca; o cremeto de temo T deverá ser reduzdo. Esta redução é obtda multlcado-se o cremeto _ elo fator q : _ {.9 tol / R',.} q = max (5.4) e retorar com este cremeto ara o asso 6. Caso o erro relatvo seja meor que a tolerâca, o cremeto de temo é aumetado elo mesmo fator q, mas com o segute valor _ {.9 tol / R',.} q = m (5.4) O eríodo de temo T, as tesões bem como o arâmetro de edurecmeto é atualzado or:

10 8 T T T = (5.4) ^ = T t (5.4) ^ T t = (5.44) verfcar se o eríodo de temo T é maor do que, se for a tegração ara o cremeto terma, seão ela retora ara o asso 6 e rossegue até T se gualar a. 5. Relações usadas o rocesso de tegração Para mlemetar o modelo de Lade-Km o algortmo exlícto é ecessáro deduzr a dervada da fução de escoameto e obter o arâmetro lástco a fm de se coecer a matrz elastolástca do elemeto. A dervada da fução otecal lástca fo dada a exressão (4.9). A segur são colocadas as exressões da dervada da fução de escoameto e do arâmetro lástco. - ervada da fução de escoameto em termos de tesão: a dervada da fução de escoameto, exressão (4.7), é obtda através da regra da cadea: j j j j f f f f = (5.45) A dervada da fução de escoameto em relação aos varates é dada elas exressões: q e a f q f = (5.46) q e a f = (5.47) q e a q f f = ψ (5.48) _ q é uma varável em fução do crtéro de rutura, ortato: ( ) ( ) = m a ms S q * * η α η α (5.49)

11 84 α ( ( ) S ) * α q = η a m (5.5) - ervada da fução de escoameto em relação ao trabalo lástco: em relação às exressões (4.6) e (4.8): - Edurecmeto - Amolecmeto f ' = ρ ( a) ρ ρ (5.5) f ' = AB a e B a (5.5) - ervada dos varates em relação às tesões: as dervadas serão colocadas em caves obedecedo a segute seqüêca de tesões:,,,, e = = ( ) ( ) ( ) (5.5) (5.54) = ( ) ( ) ( ) (5.55) O arâmetro lástco é obtdo a artr da cosderação do crtéro de escoameto, ou seja, ara qualquer estado de tesão localzado sobre a suerfíce

12 85 de escoameto um carregameto ocasoará um cremeto ulo a fução de escoameto, tem-se: df = (5.56) colocado a exressão (5.56) em termos do trabalo lástco e das tesões: df F F d = d o cremeto de trabalo lástco é dado or: = (5.57) d t = dε (5.58) O cremeto de tesão ode ser obtdo da relação do cremeto de deformação total com as arcelas elástca e lástca. O cremeto de deformação elástca está relacoado à le de Hooke: como: ε = d (5.59) d e e = dε dε (5.6) dε sto ermte colocar o cremeto de tesão em fução do cremeto de deformação total e lástco, multlcado a exressão (5.59) or substtudo (5.6) e (5.58) em (5.57) F d ( ε dε ) d = d (5.6) F t ( ε dε ) dε = (5.6) usado a le de fluxo e smlfcado a exressão (5.6), obtém-se o arâmetro lástco dλ = F dε F Q F Q (5.6) A matrz elastolástca é deduzda a artr da exressão (5.6). Usado ovamete a le de fluxo, tem-se: Q d = dε dλ (5.64)

13 86 troduzdo a exressão (5.6) em (5.64) e multlcado or ambas as arcelas detro do arêtese, tem-se: ε ε d Q F Q F F Q d d = (5.65) fatorado a exressão (5.65): ε d Q F Q F F Q d = (5.66) Comarado-se a exressão (5.66) com a (5.), a matrz elastolástca é dada or: e = Q F Q F F Q e (5.67) Esta matrz é valda ara qualquer modelo costtutvo que obedeça a uma le de edurecmeto sotróco. A matrz costtutva elástca é dada or: = ( ) ( )( ) υ υ E ) ( ) ( ) ( (5.68) e a matrz versa or:

14 87 = υ υ E υ υ υ υ ( υ) ( υ) ( υ) (5.69) 5. etales da mlemetação umérca A mlemetação do algortmo do to exlícto com modelo Lade Km o rograma de elemetos ftos ABAQUS fo feta utlzado a oção que o rograma oferece de clur les costtutvas através de uma subrota Fortra. Esta subrota é deomada or UMAT (subrota do usuáro ara defr o comortameto mecâco de um materal). O rograma ABAQUS ermte ao usuáro aeas escrever o códgo. O comlameto e a lkagem do códgo são executados elo róro ABAQUS. A subrota é acoada com o forecmeto das varáves utlzadas o modelo costtutvo elo ABAQUS,. As varáves são rocessadas ela subrota em cada oto de tegração do elemeto. Uma vez atualzadas, as varáves são retrasmtdas ao ABAQUS. Esta oeração é feta a cada cremeto. As varáves ou arâmetros utlzados foram à tesão, a deformação, a matrz costtutva do elemeto, o vetor PROPS (cujos valores são os arâmetros do materal e defdos o arquvo ) e o vetor statev. O vetor statev ermte que qualquer varável crada o códgo seja armazeada. Forecdas estas varáves, o algortmo exlícto ode corrgr as tesões e calcular a matrz costtutva do elemeto. Aesar da clusão de subrotas oferecer certa flexbldade a aálse de materas, deve-se observar que o rograma ão dsoblza a debugagem da subrota mlemetada, ou seja, o usuáro or recaução deve testá-la fora do ABAQUS ates de utlzar o rograma.

15 Comaração etre esaos de laboratóro e smulação umérca A mlemetação fo verfcada com três materas. Um deles é descrto o trabalo de Lade Km (988). Os outros são aretos cujas característcas geomecâcas e arâmetros assocados ao modelo de Lade-Km foram determados or Barroso (). Nestes exemlos a la cea rereseta a solução dada elo ABAQUS e os otos os resultados do esao. Para o areto de Vla Vela é colocada além da aálse com o ABAQUS, a resosta obtda também smlesmete usado a mlemetação que é reresetada or uma la. O materal selecoado do trabalo de Lade Km (988) é a fe slca sad, os ele ermte verfcar tato a curva tesão versus deformação como a deformação volumétrca versus deformação axal. Os arâmetros do modelo Lade-Km ara esses materas são: Kur m η c P ψ µ α a υ 7,5, 4,7,4e-,5 -,69,6,55,55, Tabela 5. Parâmetros do modelo Lade Km ara a fe sílca sad Kur m η c P ψ µ α a υ 8,6,56, ,54e-, -,795,7,696,,8 Tabela 5. Parâmetros do modelo Lade Km ara o areto Vla Vela Kur m η c P ψ µ α a υ 4,8,5848,556 75,9e-4,7 -,,94 4,6696, 5,7, Tabela 5. Parâmetros do modelo Lade Km ara o areto Ro Boto Os três exemlos lustrados reroduzem um esao traxal covecoal. Na fase de amolecmeto, algus estados de tesão aresetaram dfculdade ara serem smulados. Esta dfculdade ode ser assocada ao aarecmeto de autovalores egatvos a matrz de rgdez, o que dcara movmeto de coro rígdo. O rograma areseta como alteratvas ara mmzar esta stabldade a utlzação do método de comrmeto de arco, a trodução de forças vscosas ara reduzr os deslocametos e o cotrole or deslocameto. O cotrole de deslocameto cosste reduzr o cremeto de força alcado. estes mecasmos

16 89 o que obteve melor êxto fo o cotrole de deslocameto. Os resultados da smulação são mostrados as fguras 5. a 5.7. Adotou-se como coveção de sas a do rograma ABAQUS, ou seja, esforços de comressão egatvos e de tração ostvos ,65 KPa -. - (Ma) ,65 KPa lade - km abaqus -.,5 KPa ε (%) Fgura 5. Curva tesão versus deformação axal ara a fe sílca sad. -. Lade - Km ,65 KPa abaqus ε (%) εvol(%).5,65 KPa..5,5 KPa. Fgura 5. - Curva deformação volumétrca versus deformação axal ara a fe sílca sad.

17 MPa - (MPa) MPa esao abaqus -. MPa -. uaxal ε (%) Fgura Curva tesão versus deformação axal ara o areto Ro Boto Ma 5 MPa ε (%) MPa ε vol (%). uaxal esao abaqus.5..5 Fgura Curva deformação volumétrca versus deformação axal ara o areto Ro Boto.

18 MPa (MPa) -6. esao algortmo abaqus MPa -. MPa uaxal ε (%) Fgura Curva tesão versus deformação axal ara o areto Vla Vela MPa ε (%) esao algortmo abaqus -.5 εvol(%).5. 5 MPa MPa.5. uaxal.5 Fgura 5.7 Curva deformação volumétrca versus deformação axal ara o areto Vla Vela.

19 9 A mlemetação do modelo Lade Km detro do rograma obteve bos resultados quado comarados ao fe sílca sad (fguras 5. e 5.) estudado or Lade Km, reroduzdo com boa acuráca o comortameto das curvas tesão versus deformação e deformação volumétrca versus deformação axal. Uma boa cocordâca fo obtda ara o areto de Vla Vela (fguras 5.6 e 5.7) estudado or Barroso (). Etretato ara o areto Ro Boto a mesma cocordâca ão se verfcou (fguras 5.4 e 5.5), uma ossível razão ara sso estara a reresetatvdade do comortameto do materal elos arâmetros obtdos, já que ara os outros dos materas a cocordâca fo satsfatóra. Outro fato observado é o comortameto dlatate da deformação róxmo à rutura ara boa arte das tesões alcadas as amostra.

CÁLCULO DE RAÍZES DE EQUAÇÕES NÃO LINEARES

CÁLCULO DE RAÍZES DE EQUAÇÕES NÃO LINEARES CÁLCULO DE RAÍZES DE EQUAÇÕES NÃO LINEARES Itrodução Em dversos camos da Egehara é comum a ecessdade da determação de raízes de equações ão leares. Em algus casos artculares, como o caso de olômo, que

Leia mais

Métodos tipo quadratura de Gauss

Métodos tipo quadratura de Gauss COQ-86 Métodos Numércos ara Sstemas Algébrcos e Dferecas Métodos to quadratura de Gauss Cosderado a tegração: Método de quadratura de Gauss com otos teros I f d a ser comutada com a maor recsão ossível

Leia mais

Revisão de Estatística X = X n

Revisão de Estatística X = X n Revsão de Estatístca MÉDIA É medda de tedêca cetral mas comumete usada ara descrever resumdamete uma dstrbução de freqüêca. MÉDIA ARIMÉTICA SIMPLES São utlzados os valores do cojuto com esos guas. + +...

Leia mais

CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS

CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS No caítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas or taelas de valores. Frequetemete, estas taelas são otdas com ase em

Leia mais

3 Relações constitutivas para fluxo em meios não saturados 3.1. Introdução

3 Relações constitutivas para fluxo em meios não saturados 3.1. Introdução 40 3 Relações costtutvas ara fluxo em meos ão saturados 3.1. Itrodução Na atureza, a maora dos rocessos de fluxo ocorre em meos ão saturados. Em um solo calmete seco, or exemlo, sujeto à fltração de água

Leia mais

Difusão entre Dois Compartimentos

Difusão entre Dois Compartimentos 59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão

Leia mais

CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS

CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS No caítulo IV, Iterolação Polomal, estudamos uma forma de ldar com fuções matemátcas defdas or taelas de valores. Frequetemete, estas taelas são

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental.

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental. É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou Prof. Lorí Val, Dr. val@mat.ufrgs.r http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves

Leia mais

POLINÔMIOS DE JACOBI E QUADRATURA NUMÉRICA INTRODUÇÃO

POLINÔMIOS DE JACOBI E QUADRATURA NUMÉRICA INTRODUÇÃO POLINÔMIOS DE JACOBI E QUADRATURA NUMÉRICA INTRODUÇÃO Para um melhor etedmeto do método da colocação ortogoal e sua relação com o método dos resíduos oderados (MRP) tora-se dsesável um estudo mesmo que

Leia mais

4- Método de Diferenças Finitas Aplicado às Equações Diferenciais Parciais.

4- Método de Diferenças Finitas Aplicado às Equações Diferenciais Parciais. MÉTODOS NUMÉRICOS PARA EQUAÇÕES DIFERENCIAIS PARCIAIS 4- Método de Dereças Ftas Alcado às Equações Derecas Parcas. 4.- Aromação de Fuções. 4..- Aromação or Polômos: Iterolação. 4..- Ajuste de Dados: Mímos

Leia mais

ESTATÍSTICA MÓDULO 3 MEDIDAS DE TENDÊNCIA CENTRAL

ESTATÍSTICA MÓDULO 3 MEDIDAS DE TENDÊNCIA CENTRAL ESTATÍSTICA MÓDULO 3 MEDIDAS DE TEDÊCIA CETRAL Ídce. Meddas de Tedêca Cetral...3 2. A Méda Artmétca Smles ( μ, )...3 3. A Méda Artmétca Poderada...6 Estatístca Módulo 3: Meddas de Tedêca Cetral 2 . MEDIDAS

Leia mais

Confiabilidade Estrutural

Confiabilidade Estrutural Professor Uversdade de Brasíla Departameto de Egehara Mecâca Programa de Pós graduação em Itegrdade Estrutural Algortmo para a Estmatva do Idce de Cofabldade de Hasofer-Ld Cofabldade Estrutural Jorge Luz

Leia mais

(1) no domínio : 0 x < 1, : constante não negativa. Sujeita às condições de contorno: (2-a) (2-b) CC2: 0

(1) no domínio : 0 x < 1, : constante não negativa. Sujeita às condições de contorno: (2-a) (2-b) CC2: 0 EXEMPLO MOTIVADO II EXEMPLO MOTIVADO II Método da Apromação Polomal Aplcado a Problemas Udrecoas sem Smetra. Equações Dferecas Ordáras Problemas de Valores o otoro Estrutura Geral do Problema: dy() d y()

Leia mais

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1. Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr

Leia mais

Atividades Práticas Supervisionadas (APS)

Atividades Práticas Supervisionadas (APS) Uversdade Tecológca Federal do Paraá Prof: Lauro Cesar Galvão Campus Curtba Departameto Acadêmco de Matemátca Cálculo Numérco Etrega: juto com a a parcal DATA DE ENTREGA: da da a PROVA (em sala de aula

Leia mais

Introdução à Teoria dos Números Notas 1 Os Princípios da Boa Ordem e de Indução Finita Prof Carlos Alberto S Soares

Introdução à Teoria dos Números Notas 1 Os Princípios da Boa Ordem e de Indução Finita Prof Carlos Alberto S Soares Itrodução à Teora dos Números 018 - Notas 1 Os Prcípos da Boa Ordem e de Idução Fta Prof Carlos Alberto S Soares 1 Prelmares Neste curso, prortaramete, estaremos trabalhado com úmeros teros mas, quado

Leia mais

Forma padrão do modelo de Programação Linear

Forma padrão do modelo de Programação Linear POGAMAÇÃO LINEA. Forma Padrão do Modelo de Programação Lear 2. elações de Equvalêca 3. Suposções da Programação Lear 4. Eemplos de Modelos de PPL 5. Suposções da Programação Lear 6. Solução Gráfca e Iterpretação

Leia mais

MEDIDAS DE TENDÊNCIA CENTRAL I

MEDIDAS DE TENDÊNCIA CENTRAL I Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE

Leia mais

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento. Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão

Leia mais

Sumário. Mecânica. Sistemas de partículas

Sumário. Mecânica. Sistemas de partículas umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - stemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. - Vetor

Leia mais

1 (0,8 ln0,8+0,2 ln0,2) 0,512 0,512 0, , , , , , , , , ,

1 (0,8 ln0,8+0,2 ln0,2) 0,512 0,512 0, , , , , , , , , , GABARITO DA TERCEIRA LISTA DE EXERCÍCIOS DE PTC-3 TEORIA DA INFORMAÇÃO E CODIFICAÇÃO Questão Uma fote de formações dscreta e sem memóra emte símbolos A e B com robabldades P(A =,8 e P(B =,. a calcule a

Leia mais

(R B ) 0 =(R B ) 10 +(R B ) 20 +(R B ) 30 (R D ) 0 =(R D ) 30 +(R D ) 40. p (R D ) 30 (R B ) 30 E, I

(R B ) 0 =(R B ) 10 +(R B ) 20 +(R B ) 30 (R D ) 0 =(R D ) 30 +(R D ) 40. p (R D ) 30 (R B ) 30 E, I MÉTOO OSS Seja agora uma estrutura de ós fxos duas vezes hergeométrca,.e. tal que os ós ão sofrem qualquer deslocameto de traslação e cotem ós com cógtas de rotação.. cos. cos etermemos os esforços mometos

Leia mais

Cap. 5. Testes de Hipóteses

Cap. 5. Testes de Hipóteses Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma

Leia mais

Hidrologia, Ambiente e Recursos Hídricos 2009 / Rodrigo Proença de Oliveira

Hidrologia, Ambiente e Recursos Hídricos 2009 / Rodrigo Proença de Oliveira Hdrologa, Ambete e Recursos Hídrcos 009 / 00 Rodrgo roeça de Olvera Aálse estatístca IST: Hdrologa, Ambete e Recursos Hídrcos Rodrgo roeça de Olvera, 009 Cocetos base Varável aleatóra oulação Fução de

Leia mais

MEDIDAS DE DISPERSÃO:

MEDIDAS DE DISPERSÃO: MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.

Leia mais

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:

Leia mais

Métodos numéricos para solução de equações

Métodos numéricos para solução de equações Escola Poltécca da Uversdade de São Paulo Departameto de Egehara Químca LSCP Laboratóro de Smulação e Cotrole de Processos Dscpla Optatva Modelagem e Métodos Matemátcos Aplcados à Egehara Químca AULA Revsão

Leia mais

tica ou tica como Rui Vilela Mendes CMAF, ICC, CFN dos TPC s

tica ou tica como Rui Vilela Mendes CMAF, ICC, CFN dos TPC s O oder da matemátca tca ou A matemátca tca como metáfora Ru Vlela Medes CMAF, ICC, CFN Soluções dos TPC s Curso o Mestrado de Comlexdade,, ISCTE, Ivero 007 07-03 03-007 TPC Dados ( I(I(,,, N ( I(/N, /N,,,

Leia mais

MAE0229 Introdução à Probabilidade e Estatística II

MAE0229 Introdução à Probabilidade e Estatística II Exercíco Cosdere a dstrbução expoecal com fução de desdade de probabldade dada por f (y; λ) = λe λy, em que y, λ > 0 e E(Y) = /λ Supor que o parâmetro λ pode ser expresso proporcoalmete aos valores de

Leia mais

( x) Método Implícito. No método implícito as diferenças são tomadas no tempo n+1 ao invés de tomá-las no tempo n, como no método explícito.

( x) Método Implícito. No método implícito as diferenças são tomadas no tempo n+1 ao invés de tomá-las no tempo n, como no método explícito. PMR 40 Mecâca Computacoal Método Implícto No método mplícto as dfereças são tomadas o tempo ao vés de tomá-las o tempo, como o método explícto. O método mplícto ão apreseta restrção em relação ao valor

Leia mais

7 Análise de covariância (ANCOVA)

7 Análise de covariância (ANCOVA) Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se

Leia mais

1. Revisão Matemática

1. Revisão Matemática 1. Revsão Matemátca Dervadas Seja a fução f : R R, fxe x R, e cosdere a expressão : f ( x+ αe ) lmα 0 α f, ode e é o vector utáro. Se o lmte acma exstr, chama-se a dervada parcal de f o poto x e é represetado

Leia mais

Estatística - exestatmeddisper.doc 25/02/09

Estatística - exestatmeddisper.doc 25/02/09 Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade

Leia mais

Métodos iterativos. Capítulo O Método de Jacobi

Métodos iterativos. Capítulo O Método de Jacobi Capítulo 4 Métodos teratvos 41 O Método de Jacob O Método de Jacob é um procedmeto teratvo para a resolução de sstemas leares Tem a vatagem de ser mas smples de se mplemetar o computador do que o Método

Leia mais

3 Sistema Neuro-Fuzzy Hierárquico BSP (NFHB)

3 Sistema Neuro-Fuzzy Hierárquico BSP (NFHB) 3 Sstema Neuro-Fuzzy Herárquco BSP (NFHB) 3.. Itrodução Os sstemas euro-fuzzy descrtos a seção ateror possuem lmtações por terem uma capacdade reduzda de cração de sua própra estrutura e de receberem um

Leia mais

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS ANÁLISE DE ERROS A oservação de um feómeo físco ão é completa se ão pudermos quatfcá-lo. Para é sso é ecessáro medr uma propredade físca. O processo de medda cosste em atrur um úmero a uma propredade físca;

Leia mais

Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina:

Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Deartameto de Iformátca Dscla: do Desemeho de Sstemas de Comutação Processos de ascmeto e Morte Prof. Sérgo Colcher colcher@f.uc-ro.br Processos de ascmeto e Morte CMTC Homogêea a ual trasções acotecem

Leia mais

As seguintes variáveis são propriedades extensivas e funções do estado: (2.4) Já vimos que para um sistema fechado, da equação (1.1) podemos escrever

As seguintes variáveis são propriedades extensivas e funções do estado: (2.4) Já vimos que para um sistema fechado, da equação (1.1) podemos escrever 2. Fuções Auxlares e odções de Equlíbro As segutes varáves são roredades extesvas e fuções do estado: Etala: H (2.) Eerga lvre de Helmholtz: A (2.2) Eerga lvre de Gbbs: G G H (2.3) G A Proredades da Etala

Leia mais

3 Procedimento Experimental

3 Procedimento Experimental 3 Procedmeto Expermetal 3. Sstema de medção de vazão com extesômetro A Fg. 9 mostra o sstema de medção de vazão com extesômetro, o qual fo motado o laboratóro da PUC-Ro. este sstema, duas tubulações com,5

Leia mais

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12 MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação

Leia mais

CAPÍTULO III MÉTODOS DE RUNGE-KUTTA

CAPÍTULO III MÉTODOS DE RUNGE-KUTTA PMR 40 Mecâca Coputacoal CAPÍTULO III MÉTODOS DE RUNGE-KUTTA São étodos de passo sples requere apeas dervadas de prera orde e pode forecer aproxações precsas co erros de trucaeto da orde de, 3, 4, etc.

Leia mais

n. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo.

n. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo. 5910187 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 6 Equlíbro e o Potecal de Nerst Nesta aula, vamos utlzar a equação para o modelo de eletrodfusão o equlíbro obtda a aula passada para estudar o trasporte

Leia mais

16 - PROBLEMA DO TRANSPORTE

16 - PROBLEMA DO TRANSPORTE Prof. Volr Wlhel UFPR TP05 Pesqusa Operacoal 6 - PROBLEMA DO TRANSPORTE Vsa zar o custo total do trasporte ecessáro para abastecer cetros cosudores (destos) a partr de cetros forecedores (orges) a, a,...,

Leia mais

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual Estatístca: Aplcação ao Sesorameto Remoto SER 04 - ANO 08 Estmação Potual Camlo Daleles Reó camlo@dp.pe.br http://www.dp.pe.br/~camlo/estatstca/ Iferêca Estatístca Cosdere o expermeto: retram-se 3 bolas

Leia mais

VI - Integração Numérica

VI - Integração Numérica V - tegração Numérca C. Balsa & A. Satos. trodução São, este mometo, coecdos dos aluos métodos aalítcos para o cálculo do tegral dedo b ( d a sedo ( cotíua e tegrável o tervalo [ ab] ;. Cotudo, algumas

Leia mais

Construção e Análise de Gráficos

Construção e Análise de Gráficos Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela

Leia mais

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese Macroecoometra 008. Aula 3 Revsão de estatístca e teste de hpótese 3.5. Estmação No estudo das probabldades, o objetvo é calcular a probabldade de evetos préespecfcados. De agora em date o objetvo muda.

Leia mais

Sumário. Mecânica. Sistemas de partículas

Sumário. Mecânica. Sistemas de partículas Sumáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - Sstemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. -

Leia mais

Estabilidade no Domínio da Freqüência

Estabilidade no Domínio da Freqüência Establdade o Domío da Freqüêca Itrodução; apeameto de Cotoros o Plao s; Crtéro de Nyqust; Establdade Relatva; Crtéro de Desempeho o Domío do Tempo Especfcado o Domío da Freqüêca; Bada Passate de Sstema;

Leia mais

Arquitetura da ART Controle 1 Controle 2

Arquitetura da ART Controle 1 Controle 2 Teora de Ressoâca Adaptatva - ART Arqutetura da ART Cotrole Cotrole 2 Desevolvda por Carpeter e Grossberg como uma alteratva para resolver o dlema establdade-plastcdade (rede ão aprede ovos padrões). Realme

Leia mais

16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição:

16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição: 6// IV. Juros: taxa efetva, equvalete e proporcoal Matemátca Facera Aplcada ao Mercado Facero e de Captas Professor Roaldo Távora IV. Taxa efetva Defção: É a taxa de juros em que a udade referecal de seu

Leia mais

II. Propriedades Termodinâmicas de Soluções

II. Propriedades Termodinâmicas de Soluções II. Propredades Termodâmcas de Soluções 1 I. Propredades Termodâmcas de Fludos OBJETIVOS Eteder a dfereça etre propredade molar parcal e propredade de uma espéce pura Saber utlzar a equação de Gbbs-Duhem

Leia mais

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,

Leia mais

Regressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança

Regressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança Regressão Smples Parte III: Coefcete de determação, regressão a orgem e método de máxma verossmlhaça Coefcete de determação Proporção da varabldade explcada pelo regressor. R Varação explcada Varação total

Leia mais

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA ESTATÍSTICA MÓDULO OS RAMOS DA ESTATÍSTICA Ídce. Os Ramos da Estatístca...3.. Dados Estatístcos...3.. Formas Icas de Tratameto dos Dados....3. Notação por Ídces...5.. Notação Sgma ()...5 Estatístca Módulo

Leia mais

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø. Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.

Leia mais

4 Técnicas de Seleção de Características Independentes do Modelo para os Sistemas Neuro-Fuzzy Hierárquicos

4 Técnicas de Seleção de Características Independentes do Modelo para os Sistemas Neuro-Fuzzy Hierárquicos 4 éccas de Seleção de Característcas Idepedetes do Modelo para os Sstemas Neuro-Fuzzy Herárqucos 4. Itrodução Na maora das aplcações reas de classfcação, prevsão e otmzação, as bases de dados cotém um

Leia mais

Caracterização de Partículas. Prof. Gerônimo

Caracterização de Partículas. Prof. Gerônimo Caracterzação de Partículas Prof. Gerômo Aálse Graulométrca de partículas Tabela: Sére Padrão Tyler Mesh Abertura Lvre (cm) âmetro do fo () 2 ½ 0,7925 0,088 0,6680 0,070 ½ 0,56 0,065 4 0,4699 0,065

Leia mais

Capítulo 5 CINEMÁTICA DIRETA DE ROBÔS MANIPULADORES

Capítulo 5 CINEMÁTICA DIRETA DE ROBÔS MANIPULADORES Cemátca da Posção de Robôs Mapuladores Capítulo 5 CINEMÁTICA DIRETA DE ROBÔS MANIPULADORES A cemátca de um robô mapulador é o estudo da posção e da velocdade do seu efetuador e dos seus lgametos. Quado

Leia mais

PLANO PROBABILIDADES Professora Rosana Relva DOS. Números Inteiros e Racionais COMPLEXOS NÚMEROS COMPLEXOS NÚMEROS COMPLEXOS NÚMEROS COMPLEXOS

PLANO PROBABILIDADES Professora Rosana Relva DOS. Números Inteiros e Racionais COMPLEXOS NÚMEROS COMPLEXOS NÚMEROS COMPLEXOS NÚMEROS COMPLEXOS Professor Luz Atoo de Carvalho PLANO PROBABILIDADES Professora Rosaa Relva DOS Números Iteros e Racoas COMPLEXOS rrelva@globo.com Número s 6 O Número Por volta de 00 d.c a mpressão que se tha é que, com

Leia mais

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução

Leia mais

NOTAS DE AULA DA DISCIPLINA CE076 = 2. ], T 2 = conhecido como T 2 de Hotelling

NOTAS DE AULA DA DISCIPLINA CE076 = 2. ], T 2 = conhecido como T 2 de Hotelling NOTAS DE AULA DA DISCIPLINA CE76 4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ µ H : µ µ Nível de sfcâca: α Estatístca do teste: t X µ s/ ~ t Decsão:

Leia mais

d s F = m dt Trabalho Trabalho

d s F = m dt Trabalho Trabalho UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS UNIVERSITÁRIO DE SINOP FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA CIVIL DISCIPLINA: CÁLCULO DIFERENCIAL E INTEGRAL I Trabalho 1. Itrodução

Leia mais

Distribuições de Probabilidades

Distribuições de Probabilidades Estatístca - aulasestdstrnormal.doc 0/05/06 Dstrbuções de Probabldades Estudamos aterormete as dstrbuções de freqüêcas de amostras. Estudaremos, agora, as dstrbuções de probabldades de populações. A dstrbução

Leia mais

Centro de massa, momento linear de sistemas de partículas e colisões

Centro de massa, momento linear de sistemas de partículas e colisões Cetro de massa, mometo lear de sstemas de partículas e colsões Prof. Luís C. Pera stemas de partículas No estudo que temos vdo a fazer tratámos os objectos, como, por exemplo, blocos de madera, automóves,

Leia mais

Avaliação da qualidade do ajuste

Avaliação da qualidade do ajuste Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a

Leia mais

VOLUME Considerando a transformação isocórica: p T. = com T em Kelvin. T 1. N p = K. = 1, N/m 2. Logo, p 2.

VOLUME Considerando a transformação isocórica: p T. = com T em Kelvin. T 1. N p = K. = 1, N/m 2. Logo, p 2. Físca III Aual OLUME AULAS E : GASES ERFEIOS EXERCÍCIOS ROOSOS Cosderado a trasoração socórca: co e Kelv 5 N 7, ( 7 + 7) K ( 7 + 7) K Logo,,8 5 N/ Esse roblea ode ser resolvdo aalsado-se o úero de oléculas

Leia mais

A desigualdade de Kraft e correlatos

A desigualdade de Kraft e correlatos A desguadade de Kraft e correatos Defções remares Códgo ão sguar: símboos dferetes s são reresetados or códgos dferetes c ; Códgo uvocamete decodfcáve: se símboos cocateados (s s s 3... s k) são reresetados

Leia mais

n. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo.

n. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo. Equlíbro e o Potecal de Nerst 5910187 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 11 Nesta aula, vamos utlzar a equação para o modelo de eletrodfusão o equlíbro obtda a aula passada para estudar o trasporte

Leia mais

A análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si.

A análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si. Prof. Lorí Va, Dr. http://www. ufrgs.br/~va/ va@mat.ufrgs.br aáse de varâca de uma cassfcação (Oe-Way NOV) verfca se as médas de amostras depedetes (tratametos) dferem etre s. Um segudo tpo de aáse de

Leia mais

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL Faculdade de Tecologa de Cataduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 5. Meddas de Posção cetral ou Meddas de Tedêca Cetral Meddas de posção cetral preocupam-se com a caracterzação e a

Leia mais

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou expermetal. Numa relação expermetal os valores de uma das varáves

Leia mais

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados Capítulo : Ajuste de curvas pelo método dos mímos quadrados. agrama de dspersão No capítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas por uma taela de valores. Frequetemete o etato

Leia mais

Apresenta-se em primeiro lugar um resumo da simbologia adoptada no estudo da quadratura de Gauss.

Apresenta-se em primeiro lugar um resumo da simbologia adoptada no estudo da quadratura de Gauss. CAÍTULO QUADRATURA DE GAUSS Mutos dos tegras que é eessáro alular o âmbto da aplação do Método dos Elemetos Ftos (MEF) ão são trvas,.e., ou a prmtva da ução tegrada ão exste expltamete, ou é demasado omplada

Leia mais

Econometria: 3 - Regressão Múltipla

Econometria: 3 - Regressão Múltipla Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão

Leia mais

Diferenciais Ordinárias. Reginaldo J. Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais

Diferenciais Ordinárias. Reginaldo J. Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais Exstêca e Ucdade de Soluções de Equações Dferecas Ordáras Regaldo J Satos Departameto de Matemátca-ICEx Uversdade Federal de Mas Geras http://wwwmatufmgbr/ reg 10 de ulho de 2010 2 1 INTRODUÇÃO Sumáro

Leia mais

Companhia Energética de Minas LINHAS DE TRANSMISSÃO VISTO N o.

Companhia Energética de Minas LINHAS DE TRANSMISSÃO VISTO N o. Impressora utlzada PLSERJET00 a REV. PROJ.J DES. CONF. LCR LCR BSLM BSLM 03//0 FEITO VISTO DT PROV. L T E R Ç Õ E S PRO V. BSLM Compaha Eergétca de Mas LINS DE TRNSMISSÃO VISTO N o. DT BSLM 03//0 Compatbldade

Leia mais

Projeto e Análise de Algoritmos Recorrências. Prof. Humberto Brandão

Projeto e Análise de Algoritmos Recorrências. Prof. Humberto Brandão Projeto e Aálse de Algortmos Recorrêcas Prof. Humberto Bradão humberto@dcc.ufmg.br Uversdade Federal de Alfeas Laboratóro de Pesqusa e Desevolvmeto LP&D Isttuto de Cêcas Exatas ICEx versão da aula: 0.

Leia mais

Apostila de Introdução Aos Métodos Numéricos

Apostila de Introdução Aos Métodos Numéricos Apostla de Itrodução Aos Métodos Numércos PARTE III o Semestre - Pro a. Salete Souza de Olvera Buo Ídce INTERPOAÇÃO POINOMIA...3 INTRODUÇÃO...3 FORMA DE AGRANGE... 4 Iterpolação para potos (+) - ajuste

Leia mais

MAE 5776 ANÁLISE MULTIVARIADA. Júlia M Pavan Soler

MAE 5776 ANÁLISE MULTIVARIADA. Júlia M Pavan Soler MAE 5776 ANÁLISE MULTIVARIADA Júla M Pava Soler ava@me.us.br º Semestre IME/09 Baco de Dados: Dados Multvarados Varáves Udades Amostras j j j j j j : Matrz de Dados resosta do -ésmo dvíduo a j-ésma varável

Leia mais

NOTA BREVE SOBRE O CONCEITO DE MÉDIA 1

NOTA BREVE SOBRE O CONCEITO DE MÉDIA 1 NOTA BREVE SOBRE O CONCEITO DE MÉDIA O coceto de méda surge de modo abudate a dscla de Métodos Estatístcos, resete em mutos cursos de lcecatura de sttuções de eso sueror. Surge, de gual modo, em domíos

Leia mais

Apêndice 1-Tratamento de dados

Apêndice 1-Tratamento de dados Apêdce 1-Tratameto de dados A faldade deste apêdce é formar algus procedmetos que serão adotados ao logo do curso o que dz respeto ao tratameto de dados epermetas. erão abordados suctamete a propagação

Leia mais

2 Avaliação da segurança dinâmica de sistemas de energia elétrica: Teoria

2 Avaliação da segurança dinâmica de sistemas de energia elétrica: Teoria Avalação da seguraça dâmca de sstemas de eerga elétrca: Teora. Itrodução A avalação da seguraça dâmca é realzada através de estudos de establdade trastóra. Nesses estudos, aalsa-se o comportameto dos geradores

Leia mais

Potenciais termodinâmicos, critérios de espontaneidade e condições de equilíbrio

Potenciais termodinâmicos, critérios de espontaneidade e condições de equilíbrio Potecas termodâmcos crtéros de espotaedade e codções de equlíbro O Prcípo da Etropa Máxma váldo para um sstema solado estabelece um crtéro para determarmos o setdo em que ocorrem os processos de forma

Leia mais

CAPÍTULO 5. Ajuste de curvas pelo Método dos Mínimos Quadrados

CAPÍTULO 5. Ajuste de curvas pelo Método dos Mínimos Quadrados CAPÍTULO Ajuste de curvas pelo Método dos Mímos Quadrados Ajuste Lear Smples (ou Regressão Lear); Ajuste Lear Múltplo (ou Regressão Lear Múltpla); Ajuste Polomal; Regressão Não Lear Iterpolação polomal

Leia mais

Capítulo 2 Circuitos Resistivos

Capítulo 2 Circuitos Resistivos EA53 Crcutos Elétrcos I DECOMFEECUICAMP Caítulo Crcutos esstos EA53 Crcutos Elétrcos I DECOMFEECUICAMP. Le de Ohm esstor: qualquer dsosto que exbe somete uma resstêca. a resstêca está assocada ao úmero

Leia mais

Cálculo Numérico. Ajuste de Curvas Método dos Mínimos Quadrados. Profa. Vanessa Rolnik 1º semestre 2015

Cálculo Numérico. Ajuste de Curvas Método dos Mínimos Quadrados. Profa. Vanessa Rolnik 1º semestre 2015 Cálculo Numérco Ajuste de Curvas Método dos Mímos Quadrados Profa. Vaessa Rolk º semestre 05 Ajuste de curvas Para apromar uma fução f por um outra fução de uma famíla prevamete escolhda (caso cotíuo)

Leia mais

2 Procedimentos para Ajuste e Tratamento Estatístico de Dados Experimentais

2 Procedimentos para Ajuste e Tratamento Estatístico de Dados Experimentais 48 Procedmetos para Ajuste e Tratameto Estatístco de Dados Expermetas. Itrodução Modelos matemátcos desevolvdos para descrever eômeos íscos a partr de observações expermetas devem ser baseados em dados

Leia mais

Capítulo 9 Problema 01 Problema 03 Problema 04

Capítulo 9 Problema 01 Problema 03 Problema 04 Bssab&Morett Caítlo Problema mod, orqe + mod, orqe + Problema a, m m, ( ) mod mod, ( ) mod mod, ( ) mod mod,...,,,,..., Portato, o eríodo esse caso é h. Problema a, m, m ( ) mod mod, ( ) mod mod, ( ) mod

Leia mais

Universidade Federal do Rio Grande FURG. Instituto de Matemática, Estatística e Física IMEF Edital 15 CAPES INTERPOLAÇÃO

Universidade Federal do Rio Grande FURG. Instituto de Matemática, Estatística e Física IMEF Edital 15 CAPES INTERPOLAÇÃO Uversdade Federal do Ro Grade FURG Isttuto de Matemátca, Estatístca e Físca IMEF Edtal CAPES INTERPOLAÇÃO Pro. Atôo Mauríco Mederos Alves Proª Dese Mara Varella Martez Matemátca Básca ara Cêcas Socas II

Leia mais

Representação dos padrões. Tipos de atributos. Etapas do processo de agrupamento. 7.1 Agrupamento clássico. 7. Agrupamento fuzzy (fuzzy clustering)

Representação dos padrões. Tipos de atributos. Etapas do processo de agrupamento. 7.1 Agrupamento clássico. 7. Agrupamento fuzzy (fuzzy clustering) 7. Agrupaeto fuzzy (fuzzy clusterg) 7. Agrupaeto clássco Agrupaeto é a classfcação ão-supervsoada de padrões (observações, dados, objetos, eeplos) e grupos (clusters). Itutvaete, padrões seelhates deve

Leia mais

5 Critérios para Análise dos Resultados

5 Critérios para Análise dos Resultados 5 Crtéros para Aálse dos Resultados Este capítulo tem por objetvos forecer os crtéros utlzados para aálse dos dados ecotrados a pesqusa, bem como uma vsão geral dos custos ecotrados e a forma de sua evolução

Leia mais

MÉTODO DOS MÍNIMOS QUADRADOS

MÉTODO DOS MÍNIMOS QUADRADOS MÉTODO DOS MÍNIMOS QUADRADOS I - INTRODUÇÃO O processo de medda costtu uma parte essecal a metodologa cetífca e também é fudametal para o desevolvmeto e aplcação da própra cêca. No decorrer do seu curso

Leia mais

Momento Linear duma partícula

Momento Linear duma partícula umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - Mometo lear de uma partícula e de um sstema de partículas. - Le fudametal da dâmca para um sstema de partículas. - Impulso

Leia mais

Análise de Correspondência

Análise de Correspondência MA 0330 ANÁS MUTVARAA AOS Aálse de orresodêca úla M Pava Soler ava@me.us.br Sem/016 Obetvos: Aálse de orresodêca Varável olua u.a. / Varável ha 1 1 Y 11 Y 1 Y 1 Y 1 Y 1 Y Y Y Y 1 Y Y Y Y 1 Y Y Y detfcar

Leia mais

2. NOÇÕES MATEMÁTICAS

2. NOÇÕES MATEMÁTICAS . NOÇÕES MATEMÁTICAS Este capítulo retoma algumas oções matemátcas ecessáras para uma boa compreesão de algus aspectos que serão mecoados e detalhados o presete trabalho. Algus destes aspectos podem abstrar

Leia mais

6. Inferência para Duas Populações USP-ICMC-SME 2013

6. Inferência para Duas Populações USP-ICMC-SME 2013 6. Iferêca ara Duas Poulações UP-ICMC-ME 3 8.. Poulações deedetes co dstrbução oral Poulação Poulação,,,, ~ N, ~ N, ~ N, Obs. e a dstrbução de e/ou ão for oral, os resultados são váldos aroxadaete. Testes

Leia mais