3 Análises Probabilísticas de Estabilidade

Tamanho: px
Começar a partir da página:

Download "3 Análises Probabilísticas de Estabilidade"

Transcrição

1 3 Aálses Probablístcas de Establdade 3.1 Itrodução Para facltar o etedmeto das metodologas de aálse de cofabldade serão apresetados este capítulo algus cocetos báscos de probabldade e estatístca. 3. Cocetos de Estatístca 3..1 Defções Geras O objeto da aálse estatístca é deomado de Uverso. No caso do estudo da establdade de um talude, o uverso sera costtuído por todos os parâmetros evolvdos que de alguma forma estvessem lgados dreta ou dretamete ao coefcete de seguraça cotra a ruptura. O cojuto de todos os valores possíves de serem meddos com uma mesma característca é a População. No exemplo da aálse de establdade de um talude, o âgulo de atrto, a coesão, o ível de água, a desdade atural do solo etre outros seram as populações que compõem o uverso. As udades de amostragem são os valores atrbuídos para a população estudada. No caso da população "peso específco", cada determação correspode a uma udade de amostragem. Uma amostra de uma população é costtuída de váras udades de amostragem.

2 41 Uma amostragem aleatóra é um processo de escolha de determado úmero de udades de amostragem de uma população, efetuado de tal maera que qualquer udade teha a mesma oportudade de ser escolhda. 3.. Tedêca Cetral Se forem realzadas váras séres de determações com "" úmeros de meddas aleatóras de uma mesma população, o caso do peso específco de um solo, pode-se calcular a méda artmétca para cada sére de meddas, de acordo com a Equação 7: ode: x X = = 1 X = méda da amostra; = º de meddas da sére (tamaho da amostra); x = valor dvdual de cada medda. eq.(7) Com os valores das médas artmétcas das amostras, obtdos para cada sére de meddas, obtem-se o hstograma da Fgura 3.1, correspodete à população estudada do uverso em questão. No exo horzotal, são assalados os dversos valores de tervalos das médas artmétcas X, e o exo vertcal as percetages de valores que ocorrem em cada tervalo (Freqüêca). O hstograma lustra o fato de que as maores porcetages de valores ocorrem em toro do tervalo de valor cetral µ, correspodete à méda da população estudada. Em outras palavras, as séres de médas X 1... X tedem para o valor de µ.

3 4 Freqüêca µ A X Itervalos de Valores Fgura 3.1 Dstrbução estatístca das médas das amostras da população. X Como pratcamete ão é possível medr todas as udades de amostragem de uma população, a méda X, correspodete a udades, obtda de uma maera aleatóra, costtu a melhor estmatva possível da méda " µ " da população. Expressado µ de forma matemátca, vem: ode: µ = + x. f ( x) d( x) eq.(8) f(x) = fução dstrbução de probabldade; µ = 1º mometo probablístco. A méda é a prcpal formação de uma varável aleatóra. Geralmete, ela é o valor assumdo para os parâmetros evolvdos em uma aálse determístca de establdade de uma obra geotécca. Em um estudo probablístco, outras formações sobre a dstrbução de freqüêca dessas varáves são ecessáras para que tal abordagem possa ser executada Meddas de Dspersão A Fgura 3. apreseta o hstograma da dstrbução estatístca das Y médas das amostras da população.

4 43 Freqüêca µ A Y Itervalos de Valores Fgura 3. Dstrbução estatístca das médas das amostras da população. Y Sobrepodo-se as Fguras 3.1 e 3., verfca-se que a população Y apreseta uma dspersão maor do que a população Fgura 3.3 X coforme mostrado a Freqüêca X Y Valores µ A Fgura 3.3 Comparação das dspersões etre as dstrbuções X e Y. A melhor forma de estmar-se a dspersão de uma amostra ou de uma população é através do desvo padrão e do coefcete de varação.

5 44 Normalmete, o desvo padrão da amostra é desgado por s e o da população por σ, como dcam respectvamete as Equações 8 e 9 s = ( x X ) 1 eq.(8) σ = ( x µ) eq.(9) ode: X = Méda das amostras; x = Valores dvduas; = Número de valores (tamaho das amostras); µ = Méda da população. O quadrado do desvo padrão é chamado de varâca. No caso de amostras, desga-se s e os de população σ. Quado é grade ( > 30 ), os valores σ e s são muto próxmos (Maual de Pavmetação Urbaa, Cotrole Estatístco de ABPV, 1991). Outro parâmetro muto utlzado é o coefcete de varação C.V.. Ele represeta o desvo padrão amostral como percetagem da méda coforme dcado pela Equação 30: C. V. = s 100 ou C. V. = σ 100 eq.(30) X µ 3..4 Dstrbução da Probabldade dos Parâmetros Geotéccos A lteratura mostra város tpos de dstrbuções probablístcas: ormal, log-ormal, bomal, geométrca, poso, expoecal, gama, hperbólca, beta,

6 45 etc. Os tpos mas usados em geoteca são os dos prmeros que serão apresetados a segur Dstrbução Normal Cohecda também como dstrbução de Gauss, a dstrbução ormal é uma das mas usadas a teora da probabldade e será assumda as aálses dos estudos de caso cotdos os Capítulos 4 e 5. Essa fução plotada em um gráfco apreseta uma curva smétrca em forma de so coforme mostrada a Fgura 3.4. f(x) µ A x Fgura 3.4 Gráfco de uma dstrbução ormal da varável x A fução de dstrbução ormal é dada pela Equação 31: ( x µ ) 1 f ( x) =. e σ σ π eq.(31) Para saber qual a probabldade de uma varável aleatóra ser meor do que um valor a, é ecessáro tegrar a Equação 3 de - até a coforme mostrado a segur:

7 46 ( x µ ) a f x dx a 1 ( ). e σ = σ π dx eq.(3) Não exste solução aalítca para Equação 3.7 podedo, o etato, ser resolvda por métodos umércos. Os resultados da tegração da fução dstrbução de probabldade ecotram-se tabelados para os valores de µ = 0 e σ = 1 (Tabela A1.). Substtudo a Equação 3.7 os valores de µ e de σ a probabldade de uma varável aleatóra (x) ser meor ou gual a z é dada pela Equação 33.. x f z z 1 ( ) =. e dx eq.(33) π ode z é uma varável aleatóra padrozada defda por: x µ z = eq.(34) σ (x) Assm, qualquer dstrbução ormal pode ser trasformada em uma dstrbução ormal padrão, coforme mostrado a fgura 3.5 a qual duas curvas com tedêcas cetras e desvos padrões dsttos adqurem a mesma forma após as alterações fetas pelas Equações 33 e Dstrbução Log-Normal A dstrbução log-ormal ocorre, a prátca, quado o logartmo de uma varável aleatóra obedece a uma dstrbução ormal como é o caso das meddas de deflexões Bekelma em um pavmeto rodováro (Lassable e Lagumer, 1967). Este tpo de dstrbução tem como característcas apresetar a assmetra em relação à µ e ser sempre postva. A Fgura 3.6 mostra o gráfco de uma dstrbução log-ormal.

8 47 Dstrbução Normal f ( x µ ) 1. σ ( ) =. x e. π Curvas ormas geras µ µ Curva padrão - Dstrbução Normal Padrozada f ( Z) = 1. e. π Fgura 3.5 Trasformação lear da curva ormal geral em curva ormal padrão. Z = x µ σ ( Z ). f(x) µ A x Fgura 3.6 Gráfco de X vs f(x) de uma dstrbução log ormal da varável x. No caso de f(x) segur uma dstrbução log-ormal, a fução de probabldade é dada pela Equação 35.

9 48 (l x µ ) 1 f ( x) =. e σ x. σ π eq.(35) 3..7 Estmatva de Itervalos de Cofaça Nos tes aterores, fo dto que a melhor estmatva da méda µ de uma população é feta através do cálculo da méda X de amostras aleatóras. Fcou, portato, explícto que o cálculo de µ estar-se-á sempre cometedo um erro para mas ou para meos, de acordo com o tervalo de cofaça dcado pela Equação 36: ode: µ = X ± e eq.(36) µ = méda; X = méda das amostrages; e = erro da amostragem. Por outro lado, quado os desvos padrões das amostras aleatóras são cohecdas, pode-se utlzar as tabelas da curva ormal ou da varável de Studet, mostradas respectvamete as Tabelas A1. e A1.1, para a determação da probabldade de ocorrêcas de valores lmtes préestabelecdos (máxmos e mímos), de acordo com a precsão requerda. Basta, para sto, uma trasformação que cosste em se multplcar os desvos padrões calculados pelos valores de z 0 e t 0 tabelados. As tabelas da Curva Normal e da Varável de Studet referem-se à toda uma famíla de curvas depedetes do Grau de Lberdade (g.l.), que é o valor correspodete ao úmero de udades da amostra meos 1, ou seja "g.l. = -1". A Fgura 3.7 mostra a comparação etre uma curva ormal e as curvas correspodetes à dstrbução de Studet.

10 49 Fgura 3.7 Comparação etre a curva ormal e as curvas de Studet (Maual de Pavmetação Urbaa, Cotrole Estatístco de Pavmetos Publcado pela ABPV, 1991). É mportate saletar que quado as característcas das populações estudadas são cohecdas (Desvo Padrão e C. V) emprega-se a tabela da curva ormal. Ao cotráro, quado se cohecem apeas as característcas das udades de amostragem das populações estudadas, utlza-se a tabela de Studet. Observar que para maor ou gual a 30, a curva de Studet pratcamete cofude-se com a curva de Gauss (Maual de Pavmetação Urbaa, Cotrole Estatístco de Pavmetos Publcado pela ABPV, 1991). Ao se trabalhar com estmatvas da méda real ou da população (µ), é coveete estabelecerem-se os tervalos de cofaça os quas deverá estar serda a méda da população µ. Isto pode ser feto através das Equações 37 a 3.17, respectvamete, para o tervalo de cofaça, o lmte feror (LI) e o lmte superor (LS) em duas stuações dsttas: a) Stuação em que as característcas da população do Uverso são cohecdas (s ou C.V.) Neste caso, trabalha-se com a dstrbução de Gauss.

11 50 X σ z 0 ( ) µ X σ + z 0 ( ) eq.(37) σ X z 0 ( ) µ LI = Lmte Iferor eq.(38) X σ + z 0 ( ) µ LS = Lmte Superor eq.(39) ode: X = méda das amostras; σ = valores dvduas; = úmero de valores da amostra; µ = méda da população; σ z0 ( ) = acuráca. b) Stuação em que só se cohecem as característcas das udades de amostragem da população Neste caso, trabalha-se com a dstrbução de Studet. s s X t0 ( ) µ X + t0 ( ) eq.(40) X s t0 ( ) µ LI = Lmte Iferor eq.(41) s X + t0 ( ) µ LS = Lmte Superor eq.(4) ode: t 0 = valor tabelado para g.l. = -1 (Tabela A1.1); s = desvo padrão da amostra; t 0 ( s ) = acuráca.

12 Tpos de Aálses Probablístcas A aálse clássca da establdade de uma obra geotécca é represetada por um fator de seguraça. Geralmete, são tomados valores médos para todos os parâmetros evolvdos o seu cálculo ão levado em cosderação a varação dos mesmos. Em um estudo probablístco essa varação é quatfcada através de um ídce de cofabldade correlacoado a uma probabldade de fracasso forecedo ao egehero geotécco um poderoso complemeto da aálse clássca. O valor desse ídce ão é absoluto, pos algus parâmetros são dfíces ou às vezes mpossíves de serem quatfcados. Geralmete só as certezas relatvas aos valores dos parâmetros do solo, à geometra do problema e às cargas atuates são levadas em cota. Quato maor o úmero de certezas cosderado a aálse probablístca, melhor será a qualdade do estudo. O ídce de cofabldade também vara de acordo com o método determístco escolhdo para a aálse de establdade da obra geotécca. 3.4 Formulação do Ídce de Cofabldade e da Probabldade de Ruptura Cosderado o fator de seguraça de uma obra geotécca como uma varável aleatóra ormalmete dstrbuída e que para essa obra ser estável ecessaramete tem que ser maor ou gual a 1, o ídce de cofabldade β, formulado por Morlá-Catalá e Corel (1976) é defdo como: R S β = eq.(43) σ R Dvdído-se a Equação 44 por, Stem-se: R S 1 β = eq.(44) σ R S

13 5 1 β = eq.(45) σ ode: β = Ídce de cofabldade; R = Méda da capacdade resstva; S = Méda da capacdade solctate; F S = Fator de seguraça médo; σ R = Desvo padrão da capacdade resstva; σ = Desvo padrão do fator de seguraça. A probabldade de ruptura é defda como: Pr = 1 - Φ(β) eq.(46) ode: Pr = Probabldade de ruptura; Φ(β) = Curva ormal padrozada. ( ) ( σ f d e ) Pr = ( ) =. d = σ π Z β ( Z) dz 1. e Φ = dz π eq.(47) A Equação 47 fca melhor compreedda grafcamete coforme mostrado a Fgura.3.8.

14 53 f() Φ(Z) Fgura 3.8 Curvas de dstrbução de probabldade do Fator de Seguraça e a curva de Gauss ormalzada. 1 0 β Z As áreas hachuradas são guas. O gráfco da Fgura 3.9 mostra a probabldade de ruptura varado-se o valor de β 100 Probabldade de Ruptura (%) ,1 0,01 0, ,5 1 1,5,5 3 3,5 4 4,5 Ídce de Cofabldade (β) Fgura Cofabldade x Probabldade de Ruptura. Aalsado a Fgura 3.8 coclu-se que:

15 54 - Se F S aumeta matedo-se costate 1, a curva f() alarga-se e a área hachurada dmu, logo o ídce de cofabldade β aumeta coforme mostrado a Fgura 3.10 f() 1 Fgura 3.10 Aumeto do F S matedo-se costateσ. - Se σ aumeta matedo-se F S costate, a curva f() achata-se e alarga-se torado a área hachurada maor, logo β dmu coforme mostrado a Fgura f() 1 Fgura 3.11 Aumeto do σ matedo-se F S costate. Nem sempre a obra com maor fator de seguraça tem uma cofabldade maor. A Fgura 3.1 mostra duas stuações com fatores de seguraça guas a 1,5 e 1,7, represetadas pela curva azul e pela curva preta

16 55 respectvamete, com uma probabldade de ruptura maor para a stuação com maor fator de seguraça. f() 1 1,5 1.7 Fgura 3.1- Dstrbução probablístca de duas curvas com desvos padrões dferetes. Para calcular o ídce de cofabldade β mostrado a Equação 45 precsa-se cohecer o fator de seguraça médo e seu desvo padrão. 3.5 Métodos Probablístcos A segur são apresetados três métodos probablístcos utlzados em geoteca: Smulação de Mote Carlo, Estmatvas Potuas e Segudo Mometo de Prmera Ordem Smulação de Mote Carlo O método de Smulação de Mote Carlo, empregado a aálse probablístca da establdade de uma obra geotécca, cosste em gerar aleatoramete um úmero N de valores para os parâmetros de certezas que fazem parte do cálculo do fator de seguraça. A geração aleatóra pode ser

17 56 realzada através de programas estatístcos que empregam para os dados de etrada a méda, o desvo padrão e a forma da dstrbução da varável em questão. São fetas N aálses determístcas selecoado-se o meor fator de seguraça ecotrado em cada aálse. De posse desses dados, calcula-se dretamete a méda e o desvo padrão do possbltado, assm, a determação do ídce β através da Equação 45. Este método, que se basea em téccas de amostragem, tem como desvatagem a ecessdade de um grade úmero de aálses determístcas para dmur os erros e se chegar a uma determação cofável dos mometos probablístcos. Harr (1987) apresetou a segute equação para a determação do úmero N: ( h a ) N = [ ] eq.(48) 4ε ode: N = úmero de smulações ecessáras h α/ = fução de cofabldade (1-α) Tabela A1. ε = precsão em % = úmero de varáves Se for desejada uma precsão de 90%, o desvo padrão será Assm o úmero de aálses determístcas ecessáras será: 67 para uma varável, 4489 para duas varáves e para três varáves. Há de se otar que o úmero de smulações aumeta expoecalmete com o úmero de varáves torado o método vável de ser aplcado se o úmero de parâmetros evolvdos for grade Método das Estmatvas Potuas O método cosste a estmatva dos dos prmeros mometos probablístcos (méda e varâca) a partr de uma fução geradora de mometos. Tal fução é obtda através das aálses determístcas da permutação dos valores médos dos parâmetros evolvdos o cálculo do fator de seguraça, acrescdos e dmuídos do desvo padrão. O procedmeto acma

18 57 mplca aálses determístcas o qual é o úmero de varáves levadas em cosderação. O cálculo do desvo padrão e da varâca tem em cota que os parâmetros possuem dstrbuções smétrcas. A méda e a varâca do fator de seguraça são calculadas através das Equações 49, 50 e 51: 1 E( ) = = = 1 eq.(49) 1 E( ) = = 1 eq.(50) V ( ) = E( ) [ E( )] eq.(51) No caso de 3 varáves (v 1, v e v 3 ), o cálculo é feto da segute maera: faz-se as combações com as médas ± desvo padrão, coforme mostradas a Tabela 3. e calcula-se o fator de seguraça para cada uma das 3 permutações possíves. Tabela 3. Permutações possíves usado-se 3 varáves aleatóras. Aálse V 1 V V V 1 + σ V1 V 1 + σ V1 V 1 - σ V1 V 1 + σ V1 V 1 - σ V1 V 1 - σ V1 V 1 - σ V1 V 1 - σ V1 V + σ V V + σ V V - σ V V - σ V V - σ V V + σ V V - σ V V + σ V V 3 + σ V3 V 3 - σ V3 V 3 - σ V3 V 3 + σ V3 V 3 - σ V3 V 3 + σ V3 V 3 + σ V3 V 3 - σ V Após os cálculos dos fatores de seguraça, aplcam-se as Equações 5, 53 e 54 como exemplfcado as expressões segutes:

19 58 E( ) = = eq.(5) E( ) = eq.(53) + + σ = V ( ) = E( ) [ E( )] eq.(54) Substtudo e σ a Equação 45 ecotram-se o ídce de cofabldade β e a probabldade de ruptura (Equação 46). O método das Estmatvas Potuas, ao cotráro da Smulação de Mote Carlo, é um método dreto e tem como vatagem sobre o segudo um úmero meor de aálses determístcas ecessáras Método do Segudo Mometo de 1ª Ordem Sedo o coefcete de seguraça () de uma obra geotécca uma fução f(x 1,x,x 3..., x ) a qual x é varável aleatóra depedete como peso específco do solo, coesão, âgulo de atrto, cargas atuates etc, o valor médo de é represetado por f ( X ) = f ( x 1, x,..., x ) o qual x é o valor médo do parâmetro, coforme mostrado as Equações 55 e 56. X = [ x 1, x,..., x ] eq.(55) f ( X ) = = f ( x 1, x,..., x ) eq.(56) Expaddo a fução f(x) em sére de Taylor em toro do vetor X,vem: f '( X ) 1 f ''( X ) f ( X ) = f ( X ) + ( X X ) + ( X X ) +... eq.(57) 1!!

20 59 A Equação 57 pode ser aproxmada trucado-se a sére o segudo termo, pos o somatóro a partr do tercero termo em date é pequeo em relação aos dos prmeros. Assm, reescreve-se a Equação 57 da segute forma: f ( X ) f ( X ) = f '( X )( X X ) eq.(58) Os termos f ( X ) f ( X ) e X X são respectvamete os desvos padrões do fator de seguraça e do vetor X. Deste modo, a Equação 58 é reescrta da segute forma: σ [ f ( X )] = f '( X ) σ ( X ) eq.(59) Elevado-se ao quadrado os dos lados da equação ecotra-se: V [ f ( X )] = ( f '( X )) V ( X ) eq.(60) Sedo f ( X ) =, a Equação 60 reca em um somatóro dos quadrados das dervadas parcas o vetor X da fução em relação a cada um dos parâmetros x multplcados por sua varâca. Desta forma, a varâca do fator de seguraça pode ser expressa aproxmadamete pela Equação 3.36: ( ) ). ( ) 1 ( V = V x = x eq.(61) O próxmo passo para ecotrar a varâca do fator de seguraça é calcular as dervadas parcas de o vetor X em relação a todos os parâmetros x. Crsta et al. (199) e Sadro e Sayão (199) utlzaram o método das dfereças dvddas (ascedetes ou descedetes) para alcaçar uma aproxmação matemátca do problema em questão. Este método cosste em calcular o fator de seguraça médo ( F S ), dar uma varação (δ) separadamete em cada varável x e verfcar o comportameto do fator de

21 60 seguraça. A varação do fator de seguraça dvdda pela varação mposta à x, para mas ou para meos, é uma aproxmação da dervada parcal como expressa a Equação 6: x = ( x ± δ x ) ( x ) δx eq.(6) Para que a Equação 6 seja válda, a magtude de δx deve ser sufcetemete pequea. Dessa forma / x costate ao logo do tervalo δx. podera ser cosderado Mosty e L (1993) sugerem que a aproxmação de / x seja realzada por dfereças ftas cetras as quas a varação de cada parâmetro é gual ao respectvo desvo padrão, ou seja: x = ( x + 0,5σ ) ( x 0.5σ ) δx eq.(63) Dell Avaz (1995) cocluu que para uma varação de ±10% do valor médo do parâmetro x, a razão / x se matém costate ao logo deste tervalo. Tal fato pode ser verfcado supodo a stuação de um bloco tragular apoado sobre uma superfíce clada coforme esquematzado a fgura h Bloco α h = 10m α = 0º Fgura 3.13 Esquema de um bloco sobre um plao clado

22 61 Cosderado o âgulo de atrto etre o bloco e a superfíce de escorregameto (φ ) = 30º, a coesão etre o bloco e a superfíce de escorregameto (c ) = 16 kn/m e o peso específco do bloco (γ) = 0 kn/m 3, aplca-se o equlíbro de forças e ecotra-se o fator de seguraça coforme a Equação 64. c' h + h taα = cotα.taφ' + eq.(64) γ. h.cosα Varado os parâmetros φ e γ de um valor de mas e meos 10%, costata-se uma mudaça muto pequea das tagetes às curvas x φ e x γ, coforme mostrado as Fguras 3.14 e A fução x c expressa pela Equação 3.39 é lear.,3,5,,15,1,05 1,95 1, Âgulo de Atrto Fgura 3.14 Varação do âgulo de Atrto x para o exemplo do bloco,17,15,13,11,09,07,05,03, Desdade

23 6 Fgura 3.15 Varação da desdade x para o exemplo do bloco No caso de se optar por varações muto pequeas de x, com o tuto de alcaçar uma melhor aproxmação para / x, o egehero deve observar a precsão do cálculo do programa determístco empregado. Tedo em vsta o programa XSTABL (1990), o qual o fator de seguraça é forecdo com três casas decmas, um δx que refletsse um δ meor do que 1% acarretara uma dstorção ou até aulara (se δ<0,1%) o valor da dervada parcal levado a um ídce de cofabldade β maor. O método do Segudo Mometo é um método de aálse dreto e, como fo vsto, aproxmado. Ele tem como vatagem, perate os outros dos apresetados, a ecessdade de um úmero pequeo de aálses determístcas (úmero de parâmetros evolvdos +1). Devdo a sua facldade de uso, também pode ser empregado a determação do peso da fluêca de cada parâmetro evolvdo a aálse probablístca. Esse procedmeto detecta as varáves que podem ser desprezadas servdo de base para smplfcação dos outros dos métodos. 3.6 Parâmetros para Aálse Probablístca Fotes de Icertezas Geralmete, assum-se como varáves aleatóras a aálse probablístca os parâmetros relatvos ao solo, às cargas atuates, à geometra do terreo e às cotas da lha freátca. Etretato, exstem outros parâmetros de dfíces quatfcação que, às vezes, ão são levados em cota, como os erros sstemátcos e os de dspersão de dados. 3.6.

24 63 Erros Sstemátcos Os erros sstemátcos fluecam a precsão dos resultados de esao podedo torar os valores médos sstematcamete superores ou ferores aos reas. Os erros sstemátcos são classfcados em dos grupos: Erros estatístcos e erros tedecosos. Os erros estatístcos são acarretados por um úmero sufcete de esaos ou medções ocasoado maor probabldade de se obter as estmatvas dos parâmetros dstates dos valores reas. Os erros tedecosos são provocados por uma alteração persstete do comportameto real dos esaos. Geralmete, são ocasoados por falhas humaas, dfereças etre as trajetóras de tesões os esaos e a obra geotécca, mperfeções o processo de amostragem e a pouca represetatvdade das amostras para smular o comportameto da massa de solo a obra. Uma forma de dmur os erros sstemátcos é através de recalbrações peródcas dos strumetos, melhor seleção destes, qualfcação de equpes e maor quatdade de esaos Dspersão de Dados A dspersão de dados ocasoa um desvo a tedêca cetral afetado a precsão dos resultados. Ao cotráro dos erros sstemátcos, as dfereças em toro da méda tedem a se compesar, porém aumetam o desvo padrão da amostra. Este grupo de certezas é dvddo em erros de esao e erros de heterogeedade atural do solo. Os erros de esao são causados por erros de letura, mprecsão a calbração dos aparelhos ou terferêcas de ordem extera. Esses erros podem ser reduzdos com o aumeto do úmero de leturas, dado a elas um tratameto estatístco, melhor qualfcação da equpe, melhor qualfcação dos equpametos e mmzado as terferêcas de ordem exteras.

25 64 A heterogeedade atural deve-se à varações os parâmetros do solo de um poto para o outro e tem como causa: o processo de formação, composção meral, hstóra de tesões etre outros fatores. Assm como os erros aleatóros, essa varabldade cotrbu para a dspersão dos dados. 3.7 Número Mímo de Esaos Partdo-se da Equação 40 pode-se avalar o º mímo ecessáro de esaos em uma amostra com a faldade de se obter a méda e o desvo padrão dos parâmetros de um solo, através das expressões segutes: s X t 0 ( ) µ X + t 0 ( s ) s µ X t eq.(65) 0 Através da acuráca exgda o projeto e o grau de cofaça selecoado determa-se o úmero de esaos da segute maera: µ X < acuráca, ou seja: t a acuráca. < eq.(66) s Na falta de especfcações de projeto para a acuráca e o grau de cofabldade os esaos pode-se usar respectvamete os valores 0,1. X e 0.95 ( Lumb,1967). Etrado a curva de Studet (Tabela A1.) ecotra-se o g.l.(grau de lberdade = -1) obtedo-se, desta maera, o úmero mímo de esaos ecessáros para calcular a méda e o desvo padrão dos parâmetros geotéccos.

26 65 Para a estmatva do desvo padrão amostral (s), exstem dos procedmetos. O prmero é realzar de oto a dez esaos e usar o desvo padrão ecotrado como estmatva e o segudo é adotar valores exstetes a lteratura coforme exemplfcado a Tabela 3.3. A realzação de esaos tem a vatagem de ser mas específca para a área vestgada permtdo que se leve em cota fatores como a heterogeedade das camadas, tecologa de amostragem e métodos de esao. A seguda alteratva oferece maor pratcdade, porém basea-se em caso geral. Tabela 3.3 Coefcetes de varação para os parâmetros do solo EV&9 1 X Parâmetro Valor recomedado Coefcete de varação % Peso específco 3 ( a 8) Coesão efetva 40 (0 a 80) Âgulo efetvo de resstêca 10 (4 a 0) Coesão ão dreada 30 (0 a 50) Às vezes, pode-se surpreeder com um úmero excessvo de esaos como o caso de Mrada (005) ao determar a coesão de uma argla areosa. O resultado de c médo = 4,14 kn/m e desvo padrão gual a 16,8 kn/m apresetou um úmero fto de esaos. Nesses casos o úmero de testes fca lmtado aos recursos faceros dspoíves e ao bom seso do egehero geotécco. A Fgura 3.15 mostra o gráfco Acuráca x Número de Esaos da argla esaada por Mrada (005). Nota-se que a varação da acuráca se reduz rapdamete com o cremeto de esaos para pequeo e quase ão vara quado é grade. Assm, observa-se que a partr de um determado úmero de esaos a varação da acuráca é muto pequea em relação ao cremeto de tedo pouca fluêca a precsão do cálculo do desvo padrão.

27 Acuráca Número de esaos Fgura 3.15 Comportameto da acuráca com o aumeto do úmero de esaos 3.8 Cálculo dos Mometos Probablístcos do Âgulo de Atrto e da Coesão O âgulo de atrto e a coesão são varáves aleatóras depedetes e requerem um procedmeto dferete em relação à outras varáves. Este procedmeto é feto em etapas, a saber, (Neter & Wasserma, 198): Esao de Csalhameto Dreto Para os N pares (σ,τ), obtdos pelos N esaos dspoíves, faz -se a regressão lear desses potos pelo método dos mímos quadrados. A tercessão com o exo τ e a clação da reta ecotrada são respectvamete a coesão e o âgulo de atrto médos do solo esaado. As varâcas dos parâmetros em questão são calculadas através das segutes fórmulas: 1 E( σ ) V ( c) = V ( τ ). + eq.(67) N N ( σ E = 1 ( σ ))

28 67 V ( τ ) V (taφ) = eq.(68) N ( σ E = 1 ( σ )) N ( τ ) ( ) = = 1 τ est V τ eq.(69) N ode: N = úmero de esaos; E(σ) = méda dos valores de σ ; τ est = valor de τ obtdo com a reta de mímos quadrados para cada valor de σ. O valor de V(τ) pode ser obtdo dretamete através de calculadoras ou plalhas eletrôcas que teham fuções estatístcas Esao Traxal No caso de esaos traxas, faz-se o mesmo procedmeto acma para os potos (p, q), ode p e q são respectvamete a sem-soma e a semdfereça etre as tesões prcpas maor e meor. Aalogamete, ecotra-se, desta maera tercessão a e o âgulo α da reta ajustada e as varâcas V(a ) e V(ta α). Para a determação de V(c ) e V(ta φ ) deve-se aplcar as segutes relações (Lma 1991): E( a) E( c' ) = eq.(70) 1 E(taα) E(taα) E(taφ' ) = eq.(71) 1 E(taα) 1 ( α. E(taα) V ( c' ) =.. V (taα) + V ( a) (1 E(taα) ) (1 E(taα) eq.(7)

29 68 V (taα) V (taφ') = eq.(73) (1 E(taα) ) Cosderações Fas O ídce de cofabldade β está relacoado com a probabldade de ruptura da obra geotécca. No etato, este úmero ão é absoluto. Como fo vsto, β depede do método determístco e do método probablístco empregados, do úmero de varáves levadas em cosderação, da precsão dos esaos, etre outros fatores. Algumas fotes de certezas são dfíces de serem quatfcadas e, portato, ão são levadas em cosderação. Além dsso, há ada, as varáves cuja exstêca gora-se e que, também, cotrbuem para o ídce de cofabldade global. Detre os métodos probablístcos apresetados, o mas rgoroso é a Smulação de Mote Carlo, desde que seja feto um úmero grade de aálses o que o tora extremamete trabalhoso. O método das Estmatvas Potuas é um método dreto, portato meos rgoroso do que Mote Carlo. Depededo do úmero de varáves evolvdas, também demadará um grade úmero de aálses, mas em meor úmero do que o prmero. O método do Segudo Mometo, também é um método dreto e sofre aproxmações em sua formulação, mas é o meos trabalhoso, evolvedo um úmero pequeo de aálses determístcas.

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

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

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados 3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas

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

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

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

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

REGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi

REGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Meddas de Posção ou Tedêca Cetral As meddas de posção ou meddas de tedêca cetral dcam um valor que melhor represeta

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

Conceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama

Conceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama Prof. Dr. Evadro Leoardo Slva Teera Faculdade UB Gama Metrologa: Cêca que abrage os aspectos teórcos e prátcos relatvos a medção; Descreve os procedmetos e métodos para determar as certezas de medções;

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

? Isso é, d i= ( x i. . Percebeu que

? Isso é, d i= ( x i. . Percebeu que Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0

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

( k) Tema 02 Risco e Retorno 1. Conceitos Básicos

( k) Tema 02 Risco e Retorno 1. Conceitos Básicos FEA -USP Graduação Cêcas Cotábes EAC05 04_0 Profa. Joaíla Ca. Rsco e Retoro. Cocetos Báscos Rotero BE-cap.6 Tema 0 Rsco e Retoro. Cocetos Báscos I. O que é Retoro? II. Qual é o Rsco de um Atvo Idvdual

Leia mais

Estatística Descritiva. Medidas estatísticas: Localização, Dispersão

Estatística Descritiva. Medidas estatísticas: Localização, Dispersão Estatístca Descrtva Meddas estatístcas: Localzação, Dspersão Meddas estatístcas Localzação Dspersão Meddas estatístcas - localzação Méda artmétca Dados ão agrupados x x Dados dscretos agrupados x f r x

Leia mais

ESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano

ESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano ESTATÍSTICA Aula 7 Prof. Dr. Marco Atoo Leoel Caetao Dstrbuções de Probabldade DISCRETAS CONTÍNUAS (Números teros) Bomal Posso Geométrca Hper-Geométrca Pascal (Números reas) Normal t-studet F-Sedecor Gama

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

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

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1 MÓDULO 8 REVISÃO REVISÃO MÓDULO A Estatístca é uma técca que egloba os métodos cetícos para a coleta, orgazação, apresetação, tratameto e aálse de dados. O objetvo da Estatístca é azer com que dados dspersos

Leia mais

Estudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.

Estudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples. Estudo das relações etre peso e altura de estudates de estatístca através da aálse de regressão smples. Waessa Luaa de Brto COSTA 1, Adraa de Souza COSTA 1. Tago Almeda de OLIVEIRA 1 1 Departameto de Estatístca,

Leia mais

O delineamento amostral determina os processos de seleção e de inferência do valor da amostra para o valor populacional.

O delineamento amostral determina os processos de seleção e de inferência do valor da amostra para o valor populacional. Curso Aperfeçoameto em Avalação de Programas Socas ª Turma Dscpla: Téccas quattatvas de levatameto de dados: prcpas téccas de amostragem Docete: Claudete Ruas Brasíla, ovembro/005 Pesqusa por amostragem

Leia mais

Controle Estatístico de Qualidade. Capítulo 6 (montgomery)

Controle Estatístico de Qualidade. Capítulo 6 (montgomery) Cotrole Estatístco de Qualdade Capítulo 6 (motgomery) Gráfcos de Cotrole para Atrbutos Itrodução Mutas característcas da qualdade ão podem ser represetadas umercamete. Nestes casos, classfcamos cada tem

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: Prof. Lorí Val, Dr. val@pucrs.br http://www.pucrs.br/famat/val www.pucrs.br/famat/val/ correlacoal ou expermetal. Numa relação expermetal os valores

Leia mais

Parte 3 - Regressão linear simples

Parte 3 - Regressão linear simples Parte 3 - Regressão lear smples Defção do modelo Modelo de regressão empregado para eplcar a relação lear etre duas varáves (ajuste de uma reta). O modelo de regressão lear smples pode ser epresso a forma:

Leia mais

Dados Experimentais. Isto é chamado de experimento controlado. Uma das vantagens

Dados Experimentais. Isto é chamado de experimento controlado. Uma das vantagens Dados xpermetas Para medr a produção de certa varedade de mlho, faremos um expermeto o qual a varedade de mlho semete é platada em váras parcelas homogêeas com o mesmo fertlzate, pestcda etc. Depos mede-se

Leia mais

Inferência Estatística e Aplicações I. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP

Inferência Estatística e Aplicações I. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP Iferêca Estatístca e Aplcações I Edso Zagacom Martez Departameto de Medca Socal FMRP/USP edso@fmrp.usp.br Rotero Parte I Escola frequetsta Defções: parâmetros, estmatvas Dstrbuções de probabldade Estmação

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

( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores.

( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores. Prova de Estatístca Epermetal Istruções geras. Esta prova é composta de 0 questões de múltpla escolha a respeto dos cocetos báscos de estatístca epermetal, baseada os lvros BANZATTO, A.D. e KRONKA, S.N.

Leia mais

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ val@pucrs.br Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de

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

Estimação pontual, estimação intervalar e tamanho de amostras

Estimação pontual, estimação intervalar e tamanho de amostras Estmação potual, estmação tervalar e tamaho de amostras Iferêca: por meo das amostras, cohecer formações geras da população. Problemas de ferêca, em geral, se dvdem em estmação de parâmetros e testes de

Leia mais

ANÁLISE DE REGRESSÃO E CORRELAÇÃO

ANÁLISE DE REGRESSÃO E CORRELAÇÃO ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves. A aálse de regressão e correlação compreedem

Leia mais

Análise de Regressão

Análise de Regressão Aálse de Regressão Prof. Paulo Rcardo B. Gumarães. Itrodução Os modelos de regressão são largamete utlzados em dversas áreas do cohecmeto, tas como: computação, admstração, egeharas, bologa, agrooma, saúde,

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

MEDIDAS DE DISPERSÃO 9. MEDIDAS DE DISPERSÃO

MEDIDAS DE DISPERSÃO 9. MEDIDAS DE DISPERSÃO Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, Medca Veterára, Muscoterapa, Odotologa, Pscologa MEDIDAS DE DISPERSÃO 9 9. MEDIDAS DE DISPERSÃO

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

1. Conceitos básicos de estatística descritiva 1.3. Noção de extracção aleatória e de probabilidade

1. Conceitos básicos de estatística descritiva 1.3. Noção de extracção aleatória e de probabilidade Sumáro (3ª aula). Cocetos báscos de estatístca descrtva.3. Noção de etracção aleatóra e de probabldade.4 Meddas de tedêca cetral.4. Méda artmétca smples.4. Méda artmétca poderada.4.3 Méda artmétca calculada

Leia mais

Estatística: uma definição

Estatística: uma definição Prof. Lorí Val, Dr. val@ufrgs.br http://www.ufrgs.br/~val/ Estatístca: uma defção Coleção de úmeros estatístcas O úmero de carros veddos o país aumetou em 30%. A taa de desemprego atge, este mês, 7,5%.

Leia mais

Noções Básicas de Medidas e Algarismos Significativos

Noções Básicas de Medidas e Algarismos Significativos Noções Báscas de Meddas e Algarsmos Sgfcatvos Prof. Theo Z. Pava Departameto de Físca - Faculdade de Flosofa, Cêcas e Letras de Rberão Preto-USP Físca Acústca Motvações Quas são os padrões de meddas? Podemos

Leia mais

Estatística Básica - Continuação

Estatística Básica - Continuação Professora Adraa Borsso http://www.cp.utfpr.edu.br/borsso adraaborsso@utfpr.edu.br COEME - Grupo de Matemátca Meddas de Varabldade ou Dspersão Estatístca Básca - Cotuação As meddas de tedêca cetral, descrtas

Leia mais

Unidade II ESTATÍSTICA

Unidade II ESTATÍSTICA ESTATÍSTICA Udade II 3 MEDIDAS OU PARÂMETROS ESTATÍSTICOS 1 O estudo que fzemos aterormete dz respeto ao agrupameto de dados coletados e à represetação gráfca de algus deles. Cumpre agora estudarmos as

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

Estatística: uma definição

Estatística: uma definição Coleção de úmeros estatístcas Estatístca: uma defção O úmero de carros veddos o país aumetou em 30%. A taa de desemprego atge, este mês, 7,5%. As ações da Telebrás subram R$,5, hoje. Resultados do Caraval

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

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

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

CAPÍTULO 9 - Regressão linear e correlação

CAPÍTULO 9 - Regressão linear e correlação INF 6 Prof. Luz Alexadre Peterell CAPÍTULO 9 - Regressão lear e correlação Veremos esse capítulo os segutes assutos essa ordem: Correlação amostral Regressão Lear Smples Regressão Lear Múltpla Correlação

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

Regressão e Correlação

Regressão e Correlação Regressão e Correlação Júlo Osóro Regressão & Correlação: geeraldades Em mutas stuações de pesqusa cetífca, dspomos de uma amostra aleatóra de pares de dados (x, ), resultates da medda cocomtate de duas

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

TEORIA DE ERROS MEDIDAS E GRÁFICOS

TEORIA DE ERROS MEDIDAS E GRÁFICOS Uversdade Federal de Juz de Fora Isttuto de Cêcas Eatas Departameto de Físca TEORIA DE ERROS MEDIDAS E GRÁFICOS Prof. Carlos R. A. Lma Edção Março de 010 ÌNDICE CAPÍTULO 1 - PRINCÍPIOS BÁSICOS DA ESTATÍSTICA

Leia mais

15/03/2012. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações

15/03/2012. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações Itrodução.1 Juros Smples Juro: recompesa pelo sacrfíco de poupar o presete, postergado o cosumo para o futuro Maora das taxas de uros aplcadas o mercado facero são referecadas pelo crtéro smples Determa

Leia mais

13 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL

13 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL 3 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL Como vto em amotragem o prmero bmetre, etem fatore que fazem com que a obervação de toda uma população em uma pequa eja mpratcável, muta veze em vrtude

Leia mais

Análise da Informação Económica e Empresarial

Análise da Informação Económica e Empresarial Aálse da Iformação Ecoómca e Empresaral Aula 8: Redução de Dados: Meddas de Dspersão e Cocetração Aálse da Iformação Ecoómca e Empresaral Guão Aula 8: Redução de Dados: Meddas de Dspersão e Cocetração

Leia mais

Estatística Notas de Aulas ESTATÍSTICA. Notas de Aulas. Professor Inácio Andruski Guimarães, DSc. Professor Inácio Andruski Guimarães, DSc.

Estatística Notas de Aulas ESTATÍSTICA. Notas de Aulas. Professor Inácio Andruski Guimarães, DSc. Professor Inácio Andruski Guimarães, DSc. Estatístca Notas de Aulas ESTATÍSTICA Notas de Aulas Professor Iáco Adrus Gumarães, DSc. Professor Iáco Adrus Gumarães, DSc. Estatístca Notas de Aulas SUMÁRIO CONCEITOS BÁSICOS 5. Estatístca. Estatístca

Leia mais

Requisitos metrológicos de instrumentos de pesagem de funcionamento não automático

Requisitos metrológicos de instrumentos de pesagem de funcionamento não automático Requstos metrológcos de strumetos de pesagem de fucoameto ão automátco 1. Geeraldades As balaças estão assocadas de uma forma drecta à produção do betão e ao cotrolo da qualdade do mesmo. Se são as balaças

Leia mais

Revisão/Resumo de Análise Estatística I e Introdução à Tecnologia da Amostragem I

Revisão/Resumo de Análise Estatística I e Introdução à Tecnologia da Amostragem I Dscpla: Tecologa da Amostragem I Professor: Marcelo Rubes Revsão/Resumo de Aálse Estatístca I e Itrodução à Tecologa da Amostragem I 1 - Modelos Estatístcos/Probablístcos São modelos que se aplcam quado

Leia mais

CAPÍTULO 2 - Estatística Descritiva

CAPÍTULO 2 - Estatística Descritiva INF 6 Prof. Luz Alexadre Peterell CAPÍTULO - Estatístca Descrtva Podemos dvdr a Estatístca em duas áreas: estatístca dutva (ferêca estatístca) e estatístca descrtva. Estatístca Idutva: (Iferêca Estatístca)

Leia mais

Nas próximas secções iremos abordar a análise estatística de uma amostra em que os dados numéricos estão agrupados em classes, ou seja, em intervalos.

Nas próximas secções iremos abordar a análise estatística de uma amostra em que os dados numéricos estão agrupados em classes, ou seja, em intervalos. Estatístca Descrtva ESTATÍSTICA DESCRITIVA Amostras com dados agrupados em classes as prómas secções remos abordar a aálse estatístca de uma amostra em que os dados umércos estão agrupados em classes,

Leia mais

IND 1115 Inferência Estatística Aula 9

IND 1115 Inferência Estatística Aula 9 Coteúdo IND 5 Iferêca Estatístca Aula 9 Outubro 2004 Môca Barros Dfereça etre Probabldade e Estatístca Amostra Aleatóra Objetvos da Estatístca Dstrbução Amostral Estmação Potual Estmação Bayesaa Clássca

Leia mais

Uso de covariáveis em modelos biométricos para estimação de altura total em árvores de Eucalyptus dunnii

Uso de covariáveis em modelos biométricos para estimação de altura total em árvores de Eucalyptus dunnii Uso de covaráves em modelos bométrcos para estmação de altura total em árvores de Eucalyptus du Oar Medes de Olvera Adrao Rbero de Medoça Fábo Mareto Glso Ferades da Slva Samuel de Pádua Chaves e Carvalho

Leia mais

Teoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas.

Teoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas. Estatístca 47 Estatístca 48 Teora Elemetar da Probabldade SPECTOS PERTINENTES À CRCTERIZÇÃO DE UM EXPERIÊNCI LETÓRI MODELOS MTEMÁTICOS DETERMINÍSTICOS PROBBILÍSTICOS PROCESSO (FENÓMENO) LETÓRIO - Quado

Leia mais

Como CD = DC CD + DC = 0

Como CD = DC CD + DC = 0 (9-0 www.eltecampas.com.br O ELITE RESOLVE IME 008 MATEMÁTICA - DISCURSIVAS MATEMÁTICA QUESTÃO Determe o cojuto-solução da equação se +cos = -se.cos se + cos = se cos ( se cos ( se se.cos cos + + = = (

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

ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO

ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO Área Cetífca Matemátca Udade Curso Egehara do Ambete Ao º Semestre º Folha Nº 8: Aálse de Regressão e de Correlação Probabldades e Estatístca Ao 00/0. Pretede-se testar um strumeto que mede a cocetração

Leia mais

SUMÁRIO GOVERNO DO ESTADO DO CEARÁ. Cid Ferreira Gomes Governador. 1. Introdução... 2. Domingos Gomes de Aguiar Filho Vice Governador

SUMÁRIO GOVERNO DO ESTADO DO CEARÁ. Cid Ferreira Gomes Governador. 1. Introdução... 2. Domingos Gomes de Aguiar Filho Vice Governador INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE GOVERNO DO ESTADO DO CEARÁ Cd Ferrera Gomes Goverador Domgos Gomes de Aguar Flho Vce Goverador SECRETARIA DO PLANEJAMENTO E GES- TÃO (SEPLAG)

Leia mais

Universidade Federal de Alfenas - Unifal-MG Departamento de Ciências Exatas

Universidade Federal de Alfenas - Unifal-MG Departamento de Ciências Exatas Uversdade Federal de Alfeas - Ufal-MG Departameto de Cêcas Exatas Apostla Laboratóro de Físca I Prof. Dr. Célo Wsewsk Alfeas 05. oções geras sobre meddas de gradezas e avalação de certezas.. Medção (measuremet).....

Leia mais

Ivan G. Peyré Tartaruga. 1 Metodologia espacial

Ivan G. Peyré Tartaruga. 1 Metodologia espacial RELATÓRIO DE PESQUISA 5 Procedmetos o software ArcGIS 9. para elaborar os mapas da Regão Metropoltaa de Porto Alegre RMPA com as elpses de dstrbução drecoal etre 99 e 000 Iva G. Peré Tartaruga Metodologa

Leia mais

3. TESTES DE QUALIDADE DE AJUSTAMENTO

3. TESTES DE QUALIDADE DE AJUSTAMENTO Testes da qualdade de ajustameto 3 TESTES DE QULIDDE DE JUSTMENTO 3 Itrodução formação sobre o modelo da população dode se extra uma amostra costtu, frequetemete, um problema estatístco forma da dstrbução

Leia mais

Determine a média de velocidade, em km/h, dos veículos que trafegaram no local nesse período.

Determine a média de velocidade, em km/h, dos veículos que trafegaram no local nesse período. ESTATÍSTICA - 01 1. (UERJ 01) Téccos do órgão de trâsto recomedaram velocdade máxma de 80 km h o trecho de uma rodova ode ocorrem mutos acdetes. Para saber se os motorstas estavam cumprdo as recomedações,

Leia mais

ANÁLISE DE REGRESSÃO E CORRELAÇÃO

ANÁLISE DE REGRESSÃO E CORRELAÇÃO ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves A aálse de regressão e correlação compreedem

Leia mais

Monitoramento ou Inventário Florestal Contínuo

Monitoramento ou Inventário Florestal Contínuo C:\Documets ad Settgs\DISCO_F\MEUS-DOCS\LIVRO_EF_44\ef44_PDF\CAP XIV_IFCOTIUO.doc 6 Motorameto ou Ivetáro Florestal Cotíuo Agosto Lopes de Souza. ITRODUÇÃO Parcelas permaetes de vetáro florestal cotíuo

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

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

3 Modelos Lineares Generalizados

3 Modelos Lineares Generalizados 3 Modelos Leares Geeralzados No capítulo foram cosderados apeas modelos leares com dstrbução ormal e fução de lgação detdade. Neste capítulo apresetamos os modelos leares geeralzados (MLG, que foram propostos

Leia mais

Análise Estatística com Excel. Prof. Dr. Evandro Marcos Saidel Ribeiro

Análise Estatística com Excel. Prof. Dr. Evandro Marcos Saidel Ribeiro Aálse Estatístca com Excel Prof. Dr. Evadro Marcos adel Rbero E-mal: esadel@usp.br Home page: www.fearp.usp.br/~sadel Módulo Itrodução. Apresetação geral dos tópcos do curso. Estatístca e Excel a empresa

Leia mais

Fundamentos de Matemática I FUNÇÕES POLINOMIAIS4. Licenciatura em Ciências USP/ Univesp. Gil da Costa Marques

Fundamentos de Matemática I FUNÇÕES POLINOMIAIS4. Licenciatura em Ciências USP/ Univesp. Gil da Costa Marques FUNÇÕES POLINOMIAIS4 Gl da Costa Marques Fudametos de Matemátca I 4.1 Potecação de epoete atural 4. Fuções polomas de grau 4. Fução polomal do segudo grau ou fução quadrátca 4.4 Aálse do gráfco de uma

Leia mais

Ajuste de dados experimentais

Ajuste de dados experimentais Capítulo 8 8. Itrodução Uma forma de trabalhar com uma fução defda por uma tabela de valores é a terpolação polomal. Etretato esta ão é acoselhável quado:. é precso obter um valor aproxmado da fução em

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

Matemática. Resolução das atividades complementares. M18 Noções de Estatística

Matemática. Resolução das atividades complementares. M18 Noções de Estatística Resolução das atvdades complemetares Matemátca M8 Noções de Estatístca p. 3 (UFRJ) Dos estados do país, um certo ao, produzem os mesmos tpos de grãos. Os grácos de setores lustram a relação etre a produção

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

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

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: AGR116 Boestatístca Proessor: Celso Luz Borges de Olvera Assuto: Estatístca Descrtva Tema: Meddas de Posção e Meddas de

Leia mais

A Medição e o Erro de Medição

A Medição e o Erro de Medição A Medção e o Erro de Medção Sumáro 1.1 Itrodução 1.2 Defções 1.3 Caracterzação da qualdade de medção 1.4 O erro da medção 1.4.1 Os erros aleatóros 1.4.2 Os erros sstemátcos 1.5 O verdadero valor, o erro

Leia mais

Prof. Eugênio Carlos Stieler

Prof. Eugênio Carlos Stieler UNEMAT Uversdade do Estado de Mato Grosso Matemátca Facera http://www2.uemat.br/eugeo SÉRIE DE PAGAMENTOS 1. NOÇÕES SOBRE FLUXO DE CAIXA Prof. Eugêo Carlos Steler Estudar sem racocar é trabalho perddo

Leia mais

Algoritmos de Interseções de Curvas de Bézier com Uma Aplicação à Localização de Raízes de Equações

Algoritmos de Interseções de Curvas de Bézier com Uma Aplicação à Localização de Raízes de Equações Algortmos de Iterseções de Curvas de Bézer com Uma Aplcação à Localzação de Raízes de Equações Rodrgo L.R. Madurera Programa de Pós-Graduação em Iformátca, PPGI, UFRJ 21941-59, Cdade Uverstára, Ilha do

Leia mais

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

Coordenação directa de pontos novos, a partir de um ponto conhecido, medindo-se um ângulo e uma distância.

Coordenação directa de pontos novos, a partir de um ponto conhecido, medindo-se um ângulo e uma distância. Irradada Smples Coordeação drecta de potos ovos, a partr de um poto cohecdo, meddo-se um âgulo e uma dstâca. P N M M M V E P P P V E P E R EN α c M V M M ser C P cos R C EV EV R EV R EN α c dstâca cartográfca

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

CAPITULO 1 CONCEITOS BÁSICOS

CAPITULO 1 CONCEITOS BÁSICOS DISCIPLIA: ESTATÍSTICA PROFESSOR: JOSELIAS SATOS DA SILVA - joselas@uol.com.br ÍDICE CAPITULO 1 COCEITOS BÁSICOS... 3 1.1 ESTATÍSTICA... 3 1. ESTATÍSTICA DESCRITIVA... 3 1.3 ESTATÍSTICA IFERECIAL... 3

Leia mais

Números Complexos. 2. (IME) Seja z um número complexo de módulo unitário que satisfaz a condição z 2n 1, onde n é um número inteiro positivo.

Números Complexos. 2. (IME) Seja z um número complexo de módulo unitário que satisfaz a condição z 2n 1, onde n é um número inteiro positivo. Números Complexos. (IME) Cosdere os úmeros complexos Z se α cos α e Z cos α se α ode α é um úmero real. Mostre que se Z Z Z etão R e (Z) e I m (Z) ode R e (Z) e I m (Z) dcam respectvamete as partes real

Leia mais

INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA

INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA 003 Iformações: relembra-se os aluos teressados que a realzação de acções presecas só é possível medate solctação vossa, por escrto, à assstete da cadera. A realzação

Leia mais

Capitulo 1 Resolução de Exercícios

Capitulo 1 Resolução de Exercícios S C J S C J J C FORMULÁRIO Regme de Juros Smples 1 1 S C 1 C S 1 1.8 Exercícos Propostos 1 1) Qual o motate de uma aplcação de R$ 0.000,00 aplcados por um prazo de meses, à uma taxa de 2% a.m, os regmes

Leia mais

3 Precificação de resseguro

3 Precificação de resseguro Precfcação de Resseguro 35 3 Precfcação de resseguro Este capítulo traz prmeramete uma oção ampla das aplcações das metodologas de precfcação de resseguro para melhor compreesão do mesmo Da seção 3 até

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

Apostla Básca de Estatístca Slvo Alves de Souza ÍNDICE Itrodução... 3 Software R... 4 Software SPSS... 5 Dstrbução ormal de probabldade... 6 Testes de Hpótese paramêtrco... Testes Não-Paramétrco...5 Dstrbução

Leia mais

ESTATÍSTICA 2º. SEMESTRE DE 2016

ESTATÍSTICA 2º. SEMESTRE DE 2016 ESTATÍSTICA O presete materal fo elaborado com o objetvo de facltar as atvdades em sala de aula, segudo a bblografa apresetada o fal do texto. Esclarece-se que o materal, ão substtu a bblografa apresetada,

Leia mais

Capítulo 2. Aproximações de Funções

Capítulo 2. Aproximações de Funções EQE-358 MÉTODOS NUMÉRICOS EM ENGENHARIA QUÍMICA PROFS. EVARISTO E ARGIMIRO Capítulo Aproações de Fuções Há bascaete dos tpos de probleas de aproações: ) ecotrar ua fução as sples, coo u polôo, para aproar

Leia mais

Estatística Descritiva

Estatística Descritiva Estatístca Descrtva Capítulo "O estatístco, está casado em méda com 1,75 esposas, que procuram fazê-lo sar de casa,5 otes com 0,5 de sucesso apeas. Possu frote com 0,0 de clação (deotado poder metal),

Leia mais

Condutos livres Escoamento uniforme em canais

Condutos livres Escoamento uniforme em canais J. Gabrel F. Smões Pro. Egehero Codutos lres Escoameto uorme em caas O escoameto uorme em caas obedece as segutes codções: prouddade da água, a área da seção trasersal, a dstrbução das elocdades em todas

Leia mais