4 Análise de confiabilidade de estruturas
|
|
- Salvador Ramalho Bardini
- 7 Há anos
- Visualizações:
Transcrição
1 4 Análse de confabldade de estruturas Nos prmórdos da engenhara cvl, o desconhecmento técnco-centífco conduza a proetos excessvamente seguros, mas em contrapartda de custo muto elevado. Hoe em da, o progresso centífco nos permte proetar estruturas confáves e econômcas. Na teora da confabldade de estruturas, mutas técncas efcentes têm sdo desenvolvdas nos últmos 30 anos para se estmar a confabldade. Dentre elas têm-se, prncpalmente, o método de confabldade de prmera ordem (Frst Order Relablty Method, FORM) e o método de confabldade de segunda ordem (Second Order Relablty Method, SORM) (Melchers, 00). O FORM propca, na maora dos problemas, uma precsão satsfatóra com um tempo de análse computaconal reduzdo quando comparado a outros métodos, o que ustfca sua larga utlzação nas mas dversas aplcações de proeto, como por exemplo neste trabalho. São consderados dos tpos de varáves:. Varáves determnístcas x: são as ncógntas do problema de dmensonamento ótmo. Elas formam o vetor que representa os parâmetros de controle do sstema, sendo elas as dmensões geométrcas da estrutura e as áreas transversas de aço longtudnal e transversal (vde seção 5.3.);. Varáves randômcas u: essas varáves representam as ncertezas assocadas à estrutura, sendo as propredades mecâncas dos materas e as ações externas. São dentfcadas por suas dstrbuções e por seus parâmetros probablístcos. Em conunto com o vetor x, elas são usadas no processo de otmzação baseado em confabldade (Vde seção 6.5). No FORM, a análse de confabldade requer a dentfcação das dstrbuções e dos parâmetros probablístcos de cada varável aleatóra. Sendo assm, é necessáro compreender cada um destes parâmetros para que haa uma boa caracterzação das varáves aleatóras que compõem o problema.
2 Análse de confabldade de estruturas Concetos báscos de probabldade Há dos tpos de expermentos: determnístcos e não-determnístcos. Quando os resultados dos expermentos de um determnado fenômeno são prevsíves, o fenômeno é chamado de determnístco. Caso contráro, se os resultados dos expermentos não forem prevsíves, o fenômeno é chamado de aleatóro ou não-determnístco. Neste últmo caso, cada expermento deve ser assocado a um valor de probabldade de ocorrênca do evento relaconado ao fenômeno em observação. Usualmente uma função densdade de probabldade f X (x), é dentfcada por PDF (Probablty Densty Functon). Sendo expressa matematcamente em (4.) a probabldade da varável X assumr valores entre a e b. P ( a X b) = f ( x) dx b a X ( 4.) onde X é a varável aleatóra (randômca). Para que f X (x) sea consderada uma PDF ela deve satsfazer as seguntes condções: f X ( x) 0, 0 para qualquer x ; f X ( x) dx =, 0 ; b f X ( x) dx = P( a X b). a ( 4.) A função cumulatva de probabldades (Cumulatve Dstrbuton Functon, CDF), F X (x), é defnda por: F ( ) = 0, 0 ; X 0 F X ( x), 0 ; F ( ) =, 0. X ( 4.3) Exstem mutas funções teórcas que satsfazem as condções descrtas para a PDF e para a CDF. A escolha de uma delas para representar um determnado fenômeno (ou varável) depende, bascamente, de se fazer austes em relação aos dados coletados. A PDF que mas se aproxmar do hstograma que representa os dados coletados para a varável, será utlzada para representá-la na análse.
3 Análse de confabldade de estruturas Parâmetros de uma varável aleatóra A operação matemátca que é utlzada para a obtenção da expectânca é a ntegração ponderada de uma varável randômca. A expectânca de uma função de uma varável randômca é: + E g( X ) g( x) f x ( x) dx ( 4.4) onde g(x) é a função da varável randômca e f x (x) é a PDF de X. Como se pode observar pela Eq. (4.4) a expectânca de uma função de uma varável randômca é a ntegral do produto de g(x) por f x (x). A prncpal expectânca é conhecda como méda ou valor esperado (prmero momento) de uma varável aleatóra X e é obtda com g(x) = X: E( X ) = xf x ( x) dx = μ X ( 4.5) são: Outras expectâncas mportantes de uma função de uma varável randômca. o valor quadrado médo (segundo momento) de uma varável randômca, + E X x f x ( x) dx ( 4.6). a varânca (segundo momento em torno da méda ou segundo momento central) de uma varável randômca é defnda como Var + ( X ) E X X x X ( X μ ) = ( x μ ) f ( x) dx = E X ( μ ) ( 4.7) 3. o desvo padrão da varável randômca é defndo como σ X = + Var(X ) ( 4.8) pela méda: O coefcente de varação, δ, de X é expresso pelo desvo padrão dvddo
4 Análse de confabldade de estruturas 55 σ X δ = μ X ( 4.9) Por convenção, δ é adotado sempre postvo, mesmo que a méda venha a ser negatva. A expectânca também pode ser aplcada a mas de uma varável randômca. Assm, a expectânca de uma função de váras varáves randômcas g(x,x,...,x n ) é defndo como E g( X, X,, X ) + + x= xn = n g( x, x,, x ) f ( x, x,, x ) dx dx dx n x n n ( 4.0) Quando se fala de expectânca de duas varáves randômcas, exstem dentre elas algumas que são freqüentemente útes, tas como:. o valor esperado do produto de duas varáves randômcas X e X é + + E X X x x f ( x, x ) dx dx x = x = x, x ( 4.) Cov onde de f x,x (x, x ) é a PDF conunta de X e X ;. quando exstrem duas varáves randômcas, exstrão váras meddas estatístcas que podem ser usadas para capturar como as duas varáves randômcas se movem untas através do tempo. As duas mas largamente usadas são a correlação (coefcente de correlação) e a covarânca. A covarânca fornece uma medda não padronzada do grau no qual elas se movem untas, e é estmada tomando o produto dos desvos da méda para cada varável em cada período. Assm, a covarânca entre X e X é defnda como ( X X ) E ( X μ )( X μ ) = = E X + + ( x μ )( x μ ) f x, x x = x = + + x = x = x, x X E X E X μ x f ( x, x ) dx dx ( x, x ) dx dx E X ( 4.)
5 Análse de confabldade de estruturas E X μ x f ( x, x ) dx dx x = x = x, x 3. o coefcente de correlação estabelece um índce de relação lnear entre duas varáves aleatóras e pode ser representado matematcamente por, ρ Cov = σ ( X, X ) X σ X ( 4.3) onde σ X e σ X são os desvos padrões das varáves randômcas. O coefcente de correlação entre duas varáves aleatóras tem seu valor sempre dentro do ntervalo ( ρ ) como pode ser vsualzado na Fgura 4. e classfcado verbalmente pela Tabela 4.. y y x ρ X, Y = y y ρ X, Y = 0 x 0 < ρ X, Y < x ρ X, Y = x Fgura 4. Representação gráfca do coefcente de correlação. Intervalo do ρ Grau de dependênca 0,0 à 0,3 Baxo 0,3 à 0,5 Médo 0,5 à 0,7 Importante 0,7 à 0,9 Forte 0,9 à,0 Muto Forte Tabela 4. Grau de dependênca de correlação entre varáves (Soares e Venturn, 00).
6 Análse de confabldade de estruturas 57 Quando ρ = 0 dz-se que as varáves aleatóras são estatstcamente ndependentes ou não-correlaconadas, pos suas característcas estatístcas não se alteram devdo à presença de uma outra varável, ou sea, a realzação de uma varável não depende ou nflu na realzação da outra varável. A maora das varáves da análse de estruturas pertence a este grupo Dstrbuções probablístcas Todas as funções que atendam às condções estabelecdas em (4.) para uma função PDF podem ser usadas como dstrbução de probabldades. Buscando-se que a PDF represente estatstcamente da melhor forma possível um determnado fenômeno, as mas dversas dstrbuções podem ser utlzadas. Nas dversas bblografas (Hart, 98; Nowa, 000; JCSS 3, 000; JCSS, 00; Melchers, 00) são apresentadas váras funções de dstrbução de probabldades que podem ser utlzadas na prátca da engenhara, tas como: Dstrbução normal ou Gaussana; Dstrbução lognormal; Dstrbução exponencal; Dstrbução de Raylegh; Dstrbução unforme; Dstrbução Tpo I (máxmos extremos) ou Gumbel; Dstrbução Tpo I (mínmos extremos); Dstrbução Tpo II (máxmos extremos); Dstrbução Tpo III (mínmos extremos) ou Webull; Dstrbução Gamma; Dstrbução Beta. No Apêndce B são apresentados mas detalhes com relação às prncpas dstrbuções de probabldades Função densdade de probabldade conunta Em análses onde se tenha duas ou mas varáves aleatóras, é necessáro estabelecer o comportamento conunto destas varáves. Para a compreensão deste
7 Análse de confabldade de estruturas 58 comportamento de dependênca, será empregada aqu a descrção para duas varáves aleatóras dependentes entre s, X e Y. Contudo, estes mesmos concetos se estendem para um número qualquer de varáves aleatóras. Através da PDF conunta, f X,Y (x,y), das varáves aleatóras dependentes entre s, X e Y, determna-se a CDF conunta de probabldades, por: a b X, Y ( a, b) = P( X a, Y b) = f X, Y F ( x, y) dx dy ( 4.4) onde a PDF conunta das varáves aleatóras deve satsfazer as condções seguntes: f X Y ( x, y) 0, 0 para qualquer x e y;, f ( x, y) dx dy, 0 X, Y = ; ( 4.5) b d X, Y d. a c f ( x, y) dx dy = P( a X b, c Y ) 4.. Estado lmte O conceto de um estado lmte relaconado à confabldade de estruturas pode ser defndo como o lmte entre um desempenho acetável ou não acetável da estrutura. Este lmte é representado matematcamente por uma função de comportamento ou função de estado lmte. A função de falha pode representar város estados lmtes que mpossbltem a utlzação de uma determnada estrutura, onde tradconalmente cada modo de falha pode ser consderado separadamente e, assm, pode-se defnr para cada modo um estado lmte específco. Três tpos de estados lmtes podem ser consderados, segundo a NBR 68 (ABNT, 004):. Estados lmtes últmos (ELU) correspondem ao esgotamento da capacdade resstente da estrutura como um todo ou de parte da mesma. Podem-se ctar alguns exemplos de modos de falha: Perda do equlíbro da estrutura, admtda como corpo rígdo; Esgotamento, total ou parcal, da capacdade resstente da estrutura, devdo às solctações normas, tangencas e efetos de segunda ordem.
8 Análse de confabldade de estruturas 59. Estados lmtes de servço (ELS) caracterzam a não recomendação de utlzação da estrutura, mesmo que não tenha sdo esgotada a capacdade resstente da mesma. Alguns exemplos de modos de falha são: Estado lmte de formação de fssuras estado em que se nca a fssuração; Estado lmte de abertura de fssuras estado em que as fssuras se apresentam com aberturas guas aos máxmos valores especfcados. Quando ultrapassado pode possbltar corrosão da armadura, penetração de agentes externos e perda rreversível de resstênca da seção de concreto; Estado lmte de deformações excessvas estado no qual os lmtes de deformação estabelecdos para utlzação normal da estrutura são atngdos; Estado lmte de vbrações excessvas estado no qual as vbrações atngem os lmtes estabelecdos para a utlzação normal da construção. 3. Estados lmtes de fadga (ELF) estão relaconados com o acúmulo de danos à estrutura devdo à atuação de cargas cíclcas que geram um mecansmo que envolve a formação e a propagação de fssuras até o colapso da estrutura. O ELF ocorre nas barras de aço nserdas no concreto, partcularmente naquelas sob tração Função de falha (função de comportamento ou função de estado lmte) As funções de comportamento ou de estado lmte são formuladas utlzando equações fornecdas em normas que descrevem os dversos estados lmtes. Tomando como exemplo a seção de uma vga que estea submetda a um momento fletor devdo a cargas externas, para se garantr que a capacdade resstente da seção não sea ultrapassada (condção R>S, também conhecdo como problema básco) pode-se estabelecer a segunte função de falha:
9 Análse de confabldade de estruturas 60 G( R, S) = R S ( 4.6) onde R representa a capacdade resstente da seção e S o esforço solctante na seção. Consderando ncalmente as varáves no espaço orgnal U, sendo R e S varáves ndependentes com dstrbuções normas (Fgura 4.a), é possível obter as varáves normas reduzdas (padrão, ou sea, com méda zero e desvo padrão untáro), r e s: R μ R r = σ R ( 4.7) S μ S s = σ S ( 4.8) No espaço das varáves reduzdas, V (ou sea, com méda zero e desvo padrão untáro, Fgura 4.b) a função de falha G(V) pode ser escrta como: G( V ) = rσ R + μ sσ R S μ S ( 4.9) onde σ e μ são o desvo padrão e a méda das varáves randômcas, respectvamente. R PDF Conunta (R,S) f R,S Ponto de Proeto Méda G(r,s) < 0 r Superfíce de falha G(r,s) = 0 Regão segura G(R,S) > 0 G(R,S) = 0 Superfíce de falha Regão de falha G(R,S) < 0 d 0 PDF conunta f r,s (r,s) G(r,s) > 0 s 0 S (a) (b) Fgura 4. Representação da superfíce de falha na PDF conunta: (a) espaço orgnal U; (b) espaço reduzdo V. A função de falha delmta o lmte deseável e não deseável de tensões na seção (G=0). Desta forma, quando G 0 a estrutura está segura ou atende ao
10 Análse de confabldade de estruturas 6 crtéro de comportamento deseado, á quando G < 0 a estrutura não está segura ou não atende ao crtéro de desempenho deseado. A probabldade de falha (P f ) é dada pela probabldade de ocorrer G < 0, e é representada da segunte forma: P f = P( R S < 0) = P( G < 0) ( 4.0) A Fgura 4. mostra, para o caso de duas varáves aleatóras normas, ndependentes e contínuas (R e S), a superfíce de falha (defnda por G = 0), o espaço seguro (dado por G > 0) e o espaço de falha (defndo por G < 0). A área hachurada representa a regão onde a função de comportamento assume valores menores do que zero. Na Fgura 4. os círculos representam valores constantes da função PDF, f R,S (R,S), e d a menor dstânca de G(r,s)=0 até a orgem. Pode-se descrever o exemplo anteror de uma forma mas geral fazendo u={x, X,..., X n } como o vetor das varáves randômcas que pode representar os parâmetros de resstênca, cargas, dmensões e outros. Logo, a função de comportamento fca G(X, X,..., X n ) dependente do vetor u Índce de confabldade Na Fgura 4.b é mostrada a superfíce de falha do problema básco G(r,s) = G(V) = 0 no espaço das varáves reduzdas. Através da geometra analítca é fácl demonstrar que a dstânca da reta G(V)=0 até a orgem, no espaço das varáves reduzdas é gual a: d = μ μ R R S S σ + σ ( 4.) que é também conhecdo como índce de confabldade, β. Portanto, a dstânca do ponto sobre a superfíce de falha mas próxmo a orgem é o própro índce de confabldade. Deve ser observado que o ponto sobre a superfíce de falha mas próxmo à orgem é também o ponto sobre a reta com maor probabldade de ocorrênca, ou sea, o ponto com maor valor de função PDF, f R,S (R,S) sobre a superfíce de falha. Este ponto é chamado de ponto de proeto ou ponto mas provável de falha (MPP- Most Probable Pont).
11 Análse de confabldade de estruturas 6 Estendendo-se para um número n qualquer de varáves aleatóras normas estatstcamente ndependentes X = N(μ, σ ), usando X para dentfcar as varáves aleatóras envolvdas na análse e x para suas correspondentes varáves reduzdas, caso G(u) sea uma função lnear das varáves X tem-se: n ( ) = a0 + G u = a X ( 4.) onde a são as constantes. Assm, o índce confabldade é representado como a β = 0 + n = n = a μ a σ ( 4.3) Uma outra forma de nterpretação e obtenção de β é encontrada na lteratura. Tomando-se novamente o problema básco G(u)=R - S, como uma combnação lnear de duas varáves randômcas normas padrão ndependentes. Assm, G(u) é consderada uma função de varáves aleatóras normas ndependentes, para a qual é possível mostrar que: μ G( u) = μ μ R S ( 4.4) σ + G( u) = σ R σ S ( 4.5) sendo μ, μ, μ σ (, σ, σ as médas e os desvos padrões das varáves G( u) R S, G u) R S aleatóras e da função de comportamento. Desta forma, pode-se determnar a probabldade de falha como, P f μg( = P( G( u) 0.0) = Φ σ G( u) u) ( 4.6) onde Φ é a função cumulatva da dstrbução normal padrão. Fazendo = G(u) = 0 obtém-se a probabldade da função de falha ser volada.
12 Análse de confabldade de estruturas 63 fg( u) ( u) βσ G(u) G( u) < 0 G( u) > 0 Falha Seguro P f μ ) 0 G(u Fgura 4.3 Margem de segurança. G(u) A Fgura 4.3 mostra a representação gráfca do índce de confabldade, β, e da probabldade de falha, P f. Assm tem-se: μ β = σ P G( u) G( u) = f G ( u) 0 μ μ σ R R S + σ S f G( u) ( u) du ( 4.7) ( 4.8) Observa-se, portanto, que o índce β mede a dstânca entre o valor médo de G(u) e a orgem (ponto zero) em undades de desvos padrões de G(u). Para uma função qualquer, o método FORM aproxma G(u) por um hperplano que passa pelo MPP e é tangente a G(u) nesse ponto, permtndo assm o cálculo aproxmado de β pela Equação (4.7), ou sea, os valores calculados da méda e da varânca de G(u) são aproxmados devdo à lnearzação da função. A avalação da Equação (4.8) para o problema básco (R, S) pode ser obtda exatamente. De uma forma geral, a função G(u) pode não ser lnear e conter váras varáves randômcas, ou sea, conduzndo a uma função PDF conunta de múltplas varáves randômcas e correlaconadas, f G(u) (u), no espaço orgnal U. Tal ntegral n-dmensonal (n é o número de varáves randômcas) num domíno complexo (G(u) 0) é de dfícl obtenção e mutas vezes dspendosa computaconalmente. Por sso costuma-se calcular o índce de confabldade β no espaço reduzdo V (espaço normal padrão) e correlaconá-lo com a probabldade de falha (métodos de segundo momento), P f (Eq. (4.9) e Tabela 4.).
13 Análse de confabldade de estruturas 64 β = Φ ( P ) ou = Φ( β ) f P f ( 4.9) Com o obetvo de obter o índce de confabldade, β, para as mas varadas dstrbuções e funções de desempenho com varáves dependentes ou não, foram elaborados város métodos ao longo das ultmas décadas. Entre eles destacam-se por sua relatva efcênca e smplcdade os métodos de segundo momento (Second-Moment Methods, FORM e SORM). Como á menconado, o método FORM que é um método de segundo momento de prmera ordem, lnearza a função de comportamento no ponto de proeto. O termo segundo momento se deve à necessdade somente da utlzação das médas e das varâncas. P f β 0 -,8 0 -, , , , ,75 Tabela 4. Relação entre Índce de confabldade β e probabldade de falha P f Índces de confabldade relaconados à vda do proeto As normas brasleras anda não regulamentaram a verfcação dos níves de confabldade requerdos para as estruturas. Entretanto, o CEN (00) defne, três níves de classes de conseqüênca, para a análse de confabldade. A Tabela 4.3 estabelece valores mínmos de índces de confabldade relaconados com as classes de conseqüêncas e confabldade para os estados lmtes últmos (ELU) e os estados lmtes servço (ELS). Além dsso, são fetas correspondêncas com os períodos de referênca de um e 50 anos. Por exemplo, para uma estrutura pertencente à classe de conseqüênca CC e consderando o ELU com um período de referênca de 50 anos tem-se β = 3,8 (Tabela 4.3), ou sea, estma-se que haverá uma probabldade de falha máxma de P f = 7,x0-5 em 50 anos. Mutas vezes as análses de estruturas cvs de concreto armado são consderas pertencentes à classe de conseqüênca CC. Esta classe corresponde a conseqüêncas médas para a perda de vdas humanas, econômcas, socas ou
14 Análse de confabldade de estruturas 65 consderáves conseqüêncas ambentas, sendo aplcável a escolas, resdêncas, hotés e etc. ELU Valores de β Classe de Conseqüêncas Classe de Confabldades ano de período de referênca 50 anos de período de referênca ano de período de referênca 50 anos de período de referênca CC3 RC3 5, 4,3 - - CC RC 4,7 3,8,9,5 CC RC 4, 3,3 - - Tabela 4.3 Classes de conseqüêncas e confabldade, e valores de índces de confabldade (JCSS, 000; CEN, 00; Gulvanessan et al., 00) Método de smulação de Monte Carlo (MC) O método de MC surgu ofcalmente, no ano de 949, com o artgo The Monte Carlo Method de autora dos matemátcos John Von Neumann e Stanslaw Ulam. Este método de cálculo de probabldade, que se basea em smulações aleatóras, é um dos mas antgos do gênero, sendo de fácl compreensão físca e amplamente utlzado pelos engenheros. Este método apresenta boa precsão e é de fácl mplementação computaconal, não exgndo maores conhecmentos matemátcos. Como o própro nome ndca, o método de smulação de MC envolve a geração de um grande número de valores randômcos para cada varável aleatóra. Com estes valores, a função de comportamento é avalada e assm observados seus resultados. No caso da análse da confabldade de estruturas, sto quer dzer que cada varável randomcamente gerada va formar um vetor u ={X, X,..., X n } de varáves randômcas. A função de comportamento é então avalada G(u ), se ela for volada (.e. G(u ) 0), a estrutura ou o elemento não satsfez às condções mínmas exgdas. Assm o expermento é repetdo mutas vezes e em cada vez um novo vetor u ={X, X,..., X n } é gerado. Fnalmente, se um número N de expermentos são fetos, a probabldade de falha é dada aproxmadamente por: P f n ( G( u ) 0) N ELS ( 4.30)
15 Análse de confabldade de estruturas 66 onde n(g(u ) 0) é o número de vezes que a função de comportamento teve valores G(u ) 0 e N é o número de avalações da função de comportamento necessáras para a precsão deseada. Apesar da smplcdade do método de smulação de MC, o tempo necessáro para a obtenção da probabldade va MC demanda númeras análses da função de comportamento, ou sea, a sua utlzação não é recomendável em problemas de otmzação consderando ncertezas, nos quas são utlzados métodos teratvos, o que conduzra a um número excessvo de análses, nvablzando o processo. Para mas detalhes sobre este método podem ser consultadas as seguntes referêncas: Hart (98), Soares e Venturn (00) e Melchers (00) Método de confabldade de ª ordem (FORM) No método FORM as varáves aleatóras u, cuas dstrbuções são quasquer, correlaconadas ou não (espaço orgnal U), são transformadas em varáves normas padrões reduzdas e ndependentes (espaço normal padrão V). A função de comportamento G(U) é escrta em função das varáves no espaço V como G(V). A superfíce de falha G(V) = 0,0 é aproxmada por uma superfíce lnear (ou hperplano) no ponto com a menor dstânca até a orgem, dentfcado como V * (ponto de proeto no espaço das varáves reduzdas ou ponto mas provável de falha, MPP Most Probable Pont ), que é também o ponto sobre o hperplano, cuo valor da função densdade de probabldade conunta das varáves é maor. Com a obtenção do ponto, determna-se o índce de confabldade (β) que é a dstânca deste ponto até a orgem, calculada pela Eq. (4.3). A probabldade de falha (P f ) pode ser então smplesmente calculada pela Eq. (4.3). P f β = sgn * ( G( μ) ) V ( F ) = f ( V ) dv Φ( β ) = P F V ( 4.3) ( 4.3) onde, F ndca o domíno de falha G(V)< 0, conforme lustra a Fgura 4.4 para um caso bdmensonal (duas varáves aleatóras), Φ é a CDF normal padrão e V * é o ponto de proeto (MPP) no espaço reduzdo.
16 Análse de confabldade de estruturas 67 Superfíce de falha aproxmada v G(v, v ) = 0 Superfíce de falha G(v, v ) < 0 Regão de falha d = β MPP 0 Regão segura G(v, v ) > 0 v FORM Fgura Função de falha com duas varáves randômcas no espaço normal padrão reduzdo. Como se pode observar, a determnação do ponto V * (MPP) é um dos passos fundamentas para a obtenção da probabldade de falha pelo método FORM. Para encontrar este ponto, formula-se um problema de otmzação P (ou de programação não-lnear) com uma restrção, tal que: P: mnmzar V ( 4.33) Sueto a G(V) = 0 A obtenção do ponto de proeto V *, leva a um problema de otmzação, que pode ser resolvdo por város algortmos. O algortmo mas usado na análse de confabldade estrutural é o desenvolvdo por Hasofer e Lnd (974) e aprmorado por Racwtz e Fessler (978). Este algortmo é comumente dentfcado como HLRF e é resumdo pela segunte expressão recursva: V = G( V ) T [ G( V ) V G( V )] G( V ) + ( 4.34) onde G( V ) é o gradente da função de falha no espaço reduzdo e G(V ) é o valor da função de falha, ambos avalados no ponto V. Outros algortmos também são recomendáves para a avalação de V *, tas como: programação quadrátca seqüencal (PQS) e método do gradente proetado. Para a análse de confabldade pelo método FORM é necessáro um processo teratvo, como descrto resumdamente a segur:
17 Análse de confabldade de estruturas 68. Escolher um ponto de partda U no espaço orgnal (geralmente o vetor das médas) e calcular a matrz dos coefcentes de correlação normas equvalentes; ρ = Fρ E UU UU ( 4.35a) E onde ρu U é o coefcente de correlação equvalente das varáves aleatóras U e U e F depende do tpo de dstrbução de ambas as varáves (Melchers, 00);. Calcular as médas e desvos padrões normas equvalentes no ponto de partda através das expressões μ N U σ N U = φ = U σ - { Φ ( FU ( U )} f ( U ) N U U Φ ( F ( U ) U ( 4.35b) ( 4.35c) e montar a matrz σ e o vetor m, com os respectvos desvos padrões e médas normas equvalentes; 3. Avalar a função de falha G(U), o Jacobano e o gradente de G(V) no espaço reduzdo através das expressões a segur, G ( V) = G( U) ( 4.35d) J = Γσ ( 4.35e) G( V) = ( J ) T G( U) ( 4.35f) onde Γ = L e contém a nversa da matrz trangular nferor, L, obtda da decomposção de Choles da matrz dos coefcentes de correlação normas equvalentes; 4. Transformar o ponto de partda para o espaço reduzdo usando transformação de Nataf (Melchers, 00); V = J(U m) ( 4.35g) + 5. Avalar o novo ponto V através do algortmo HLRF (Eq. 4.34); 6. Avalar o índce de confabldade; β = sgn + ( G( μ) ) V ( 4.35h) 7. Avalar o novo ponto U + no espaço orgnal através da expressão a segur; U = U + T + ( J ) ( V V ) + ( 4.35)
18 Análse de confabldade de estruturas Tomar U + como novo ponto de partda e repetr os passos a 8 até a convergênca,.e., V + V V + TOL ( 4.35) 9. Avalar a probabldade de falha pelo método FORM através de: P f FORM = Φ( β ) ( 4.35) Entretanto, há casos em que se pode ter mas de uma função de comportamento, G(U). Nesses casos há que se efetuar a análse de confabldade de sstemas Confabldade de sstemas Para o caso onde se têm mas de uma função de falha, verfca-se ncalmente se o sstema é um sstema em sére ou em paralelo. A probabldade de falha de cada função de falha pode ser calculada, usando o método FORM, para cada modo de falha, sendo depos avalada a probabldade do sstema falhar como um todo, consderando a contrbução de todos os modos. É consderado um sstema em sére quando a falha de um dos seus componentes sgnfca a falha completa do mesmo e neste caso a probabldade de falha do sstema é dada pela probabldade de qualquer um dos componentes falhar (Fgura 4.5). Esta probabldade é expressa pela unão dos eventos que representam a falha dos componentes ndvduas, ou sea: P s f = P = ( G ( V ) 0.0) onde é o número de componentes ndvduas dentfcados na análse. ( 4.36)
19 Análse de confabldade de estruturas 70 v g (V)=0 g (V)=0 β β β β 0 v Fgura 4.5 Defnção de sstema na análse de confabldade de estruturas, sstema em sére. Um sstema é consderado em paralelo quando a falha do mesmo somente ocorre após a falha de todos os seus componentes (Fgura 4.6). A probabldade de falha deste sstema é expressa pela ntersecção dos eventos que representam a falha dos componentes ndvduas: P P f = P = ( G ( V ) 0.0) ( 4.37) v g (V)=0 g (V)=0 β β β β 0 v Fgura 4.6 Defnção de sstema na análse de confabldade de estruturas, sstema em paralelo. Outros detalhes são comentados no apêndce A.
20 Análse de confabldade de estruturas Determnação dos coefcentes parcas de segurança para um proeto específco Em proetos estruturas dmensonados pelo método semprobablístco, os estados lmtes são verfcados utlzando-se certos valores de proeto para as varáves. O valor de proeto resulta do produto ou dvsão do valor característco (no sentdo mas desfavorável ao proeto) da varável por um coefcente parcal de segurança. O valor característco é defndo como um valor que, de acordo com a dstrbução de probabldades da varável, representa um determnado percentual que pode ser ultrapassado. Esses valores característcos dependem do tpo de materal e da classe da estrutura. Na determnação dos coefcentes parcas de segurança de uma estrutura específca, determnam-se, para um estado lmte, os valores destes coefcentes depos de se obter o resultado ótmo, ou sea, após se obter um resultado cuo valor deseado da probabldade de falha é alcançado. Assm, a determnação dos coefcentes parcas de segurança pode ser feta com a caracterzação estatístca das varáves aleatóras do problema e com a determnação de um valor alvo (ou acetável) para a probabldade de falha. Em seguda determna-se um proeto ncal (dmensões ncas) e procede-se teratvamente obtendo novas dmensões e avalando as respectvas probabldades de falha da função de comportamento consderada pelo método FORM, até que se obtenha um proeto que satsfaça a probabldade de falha deseada. Após se chegar ao proeto ótmo e se obter, pelo FORM, o MPP desse proeto, os fatores parcas de segurança podem ser obtdos em relação a cada varável aleatóra a partr de: γ f = U * U ( 4.38) γ m U = U * ( 4.39) onde γ f é fator parcal de segurança relaconado às ações mpostas à estrutura, γ m é fator parcal de segurança relaconado às resstêncas dos materas, * U é o valor correspondente à varável no ponto de proeto quando a probabldade de falha é alcançada e U é o valor característco desta varável.
21 Análse de confabldade de estruturas 7 Város trabalhos têm sdo desenvolvdos nos últmos anos com relação a este assunto, tas como: Ellngwood (996), Nowa e Szerszen (004), Dnz (005) e Santos e Ebol (006) Fator de mportânca O fator de mportânca das varáves aleatóras para cada função de falha, Eq. (4.40), é fornecdo, também, pelo método FORM, sendo determnado pelo quadrado da sensbldade, Eq. (4.4), que é o gradente da função de comportamento normalzado no ponto de proeto (V * ). I = α ( 4.40) α = G( V G( V * * ) ) ( 4.4) esse fator ndca qual o nível de mportânca de cada varável aleatóra para a obtenção da confabldade da estrutura no ponto de proeto Níves dos métodos de proeto De acordo com Soares e Venturn (00), são menconados na lteratura quatro níves para a classfcação quanto ao nível do método de proeto de confabldade de uma estrutura: Métodos de nível I são métodos de confabldade que usam apenas um parâmetro estatístco (valor médo) para cada varável aleatóra do proeto. Este método também é conhecdo por método das tensões admssíves; Métodos de nível II são métodos de confabldade que usam dos parâmetros estatístcos (valores característcos) para cada varável aleatóra do proeto (méda e desvo padrão). Este método também é conhecdo por método semprobablístco; Métodos de nível III são métodos de confabldade que usam como medda a probabldade de falha e assumem como conhecdas às
22 Análse de confabldade de estruturas 73 funções de dstrbuções probablístcas das varáves aleatóras do proeto; Métodos de nível IV são métodos de confabldade que buscam a unão da otmzação com a estatístca, assm sendo, é um proeto ótmo que leva em consderação as ncertezas das varáves de nteresse. Através dos níves ctados acma se pode agora classfcar este trabalho como fazendo parte dos métodos de nível IV. Pos o mesmo busca o proeto ótmo de estruturas planas de concreto armado consderando as ncertezas das varáves de nteresse.
4 ANÁLISE DE CONFIABILIDADE COM ANÁLISE LIMITE
4 ANÁLISE DE CONIABILIDADE COM ANÁLISE LIMITE A avalação da segurança das estruturas geotécncas tem sdo sempre um dos objetvos da Engenhara Geotécnca. A forma convenconal de quantfcar a segurança de uma
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia mais5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite
5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar
Leia maisR X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia maisÉ 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 entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia mais3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisVariáveis Aleatórias
Unversdade Federal do Pará Insttuto de Tecnologa Estatístca Aplcada I Prof. Dr. Jorge Teóflo de Barros Lopes Campus de Belém Curso de Engenhara Mecânca /08/06 7:39 ESTATÍSTICA APLICADA I - Teora das Probabldades
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia mais6 Análises de probabilidade de ruptura de um talude
6 Análses de probabldade de ruptura de um talude 6.. Introdução No presente capítulo, apresentam-se prevsões de probabldades de ruptura para o talude de jusante da Barragem de Benguê mostrada na fgura
Leia maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia mais5 Formulação para Problemas de Potencial
48 Formulação para Problemas de Potencal O prncpal objetvo do presente capítulo é valdar a função de tensão do tpo Westergaard obtda para uma trnca com abertura polnomal (como mostrado na Fgura 9a) quando
Leia mais2 Análise de Campos Modais em Guias de Onda Arbitrários
Análse de Campos Modas em Guas de Onda Arbtráros Neste capítulo serão analsados os campos modas em guas de onda de seção arbtrára. A seção transversal do gua é apromada por um polígono conveo descrto por
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisÂngulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s)
4 Estudo de Caso O estudo de caso, para avalar o método de estmação de parâmetros trdmensonal fo realzado em um modelo de referênca de três camadas, e foram realzados os seguntes passos: Descrção do modelo
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS. Palavras-chave: Tensões térmicas, Propriedades variáveis, Condução de calor, GITT
ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS Dnz, L.S. Santos, C.A.C. Lma, J.A. Unversdade Federal da Paraíba Laboratóro de Energa Solar LES/DTM/CT/UFPB 5859-9 - João Pessoa - PB, Brasl e-mal: cabral@les.ufpb.br
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisANÁLISE DA SEGURANÇA NO PROJETO DE ESTRUTURAS: MÉTODO DOS ESTADOS LIMITES
ANÁLISE DA SEGURANÇA NO PROJETO DE ESTRUTURAS: MÉTODO DOS ESTADOS LIMITES Lela A. de Castro Motta 1 & Maxmlano Malte Resumo Este trabalho aborda a ntrodução da segurança baseada em métodos probablístcos,
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia mais2 Principio do Trabalho Virtual (PTV)
Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades
Leia mais2 Aproximação por curvas impĺıcitas e partição da unidade
Aproxmação por curvas mpĺıctas e partção da undade Este capítulo expõe alguns concetos báscos necessáros para o entendmento deste trabalho 1 Curvas Algébrcas Um subconjunto O R é chamado de uma curva mplícta
Leia maisCAPÍTULO IV PROPRIEDADES GEOMÉTRICAS DA SEÇÃO TRANSVERSAL
CPÍTULO IV PROPRIEDDES GEOMÉTRICS D SEÇÃO TRNSVERSL Propredades Geométrcas da Seção Transversal 4. Propredades Geométrcas da Seção Transversal 4.. Introdução O presente trabalho é desenvolvdo paralelamente
Leia maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia maisEstatística I Licenciatura MAEG 2006/07
Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual
Leia maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
Leia maisCURSO A DISTÂNCIA DE GEOESTATÍSTICA
CURSO A DISTÂNCIA DE GEOESTATÍSTICA Aula 6: Estaconardade e Semvarânca: Estaconardade de a. ordem, Hpótese ntríseca, Hpótese de krgagem unversal, Crtéros para escolha, Verfcação, Representatvdade espacal,
Leia maisElementos de Estatística e Probabilidades II
Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros
Leia maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia maisEletromagnetismo Aplicado
letromagnetsmo Aplcado Undade 5 Propagação de Ondas letromagnétcas em Meos Ilmtados e Polaração Prof. Marcos V. T. Heckler Propagação de Ondas letromagnétcas e Polaração 1 Conteúdo Defnções e parâmetros
Leia maisAEP FISCAL ESTATÍSTICA
AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras
Leia maisExperiência V (aulas 08 e 09) Curvas características
Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia mais4 Autovetores e autovalores de um operador hermiteano
T (ψ) j = ψ j ˆT ψ = k ψ j ˆT φ k S k = k,l ψ j φ l T (φ) S k = k,l φ l ψ j T (φ) S k = k,l SljT (φ) S k. Após todos esses passos vemos que T (ψ) j = k,l S jl T (φ) S k ou, em termos matrcas T (ψ) = S
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia mais2. VARIÁVEIS ALEATÓRIAS
VARIÁVEIS ALEATÓRIAS 0 Varável aleatóra Ω é o espaço amostral de um epermento aleatóro Uma varável aleatóra é uma função que atrbu um número real a cada resultado em Ω Eemplo Retra- ao acaso um tem produzdo
Leia maisDados ajustáveis a uma linha recta
Capítulo VI juste dos Mínmos Quadrados Dados ajustáves a uma lnha recta Determnação das constantes e B Incerteza nas meddas de Incerteza na determnação de e B juste dos mínmos quadrados a outras curvas:
Leia maisProjeto ótimo baseado em confiabilidade de pórticos planos de concreto armado
Ale Fabano de Almeda Projeto ótmo baseado em confabldade de pórtcos planos de concreto armado Tese de Doutorado Tese apresentada ao Programa de Pós-Graduação em Engenhara Cvl da PUC-Ro como requsto parcal
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia maisCap. 11 Correlação e Regressão
Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa
Leia maisAnálise de Regressão Linear Múltipla IV
Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do
Leia maisGestão e Teoria da Decisão
Gestão e Teora da Decsão Logístca e Gestão de Stocks Estratégas de Localzação Lcencatura em Engenhara Cvl Lcencatura em Engenhara do Terrtóro 1 Estratéga de Localzação Agenda 1. Classfcação dos problemas
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
Leia mais2 Lógica Fuzzy Introdução
2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade
Leia maisImplementação Bayesiana
Implementação Bayesana Defnção 1 O perfl de estratégas s.) = s 1.),..., s I.)) é um equlíbro Nash-Bayesano do mecansmo Γ = S 1,..., S I, g.)) se, para todo e todo θ Θ, u gs θ ), s θ )), θ ) θ Eθ u gŝ,
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia maisMETODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL. Iran Carlos Stalliviere Corrêa RESUMO
Semnáro Anual de Pesqusas Geodéscas na UFRGS, 2. 2007. UFRGS METODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL Iran Carlos Stallvere Corrêa Insttuto de Geocêncas UFRGS Departamento
Leia maisModelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.
Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados
Leia maisEletroquímica 2017/3. Professores: Renato Camargo Matos Hélio Ferreira dos Santos.
Eletroquímca 2017/3 Professores: Renato Camargo Matos Hélo Ferrera dos Santos http://www.ufjf.br/nups/ Data Conteúdo 07/08 Estatístca aplcada à Químca Analítca Parte 2 14/08 Introdução à eletroquímca 21/08
Leia maisDepartamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória
Departamento de Informátca Dscplna: do Desempenho de Sstemas de Computação Varável leatóra Prof. Sérgo Colcher colcher@nf.puc-ro.br Varável leatóra eal O espaço de amostras Ω fo defndo como o conjunto
Leia maisdo Semi-Árido - UFERSA
Unversdade Federal Rural do Sem-Árdo - UFERSA Temperatura e Calor Subêna Karne de Mederos Mossoró, Outubro de 2009 Defnção: A Termodnâmca explca as prncpas propredades damatéra e a correlação entre estas
Leia mais