UNIVERSIDADE ESTADUAL DE CAMPINAS

ENGENHARIA MECÂNICA

PROJETO DESTINADO A DISCIPLINA DE

SISTEMAS MECÂNICOS

ESTIMATIVA DO MOMENTO DE
DESBALANCEAMENTO DE UM EIXO

Alan Aparecido Gaigher RA:

Isnardo Cadena Rodriguez RA:

Campinas, 2018
SP – Brasil
UNIVERSIDADE ESTADUAL DE CAMPINAS
ENGENHARIA MECÂNICA

ESTIMATIVA DO MOMENTO DE
DESBALANCEAMENTO DE UM EIXO,
CÁLCULO DE INTERVALO DE CONFIANÇA,
APLICAÇÃO DO PRINCÍPIO DE MÁXIMA
ENTROPIA E UTILIZAÇÃO DO MÉTODO DE
MONTE CARLO

Projeto apresentado para a realização da

disciplina de Análise de Incertezas de
Sistemas Mecânicos do curso de mestrado
em engenharia mecânica.

Profº Hélio Fiore de Castro

Alunos:
Alan Aparecido Gaigher RA: 210507
Isnardo Cadena Rodriguez RA: 207762

Campinas, 2018
SP – Brasil
i
 Lista de Figuras

Figura 2.1: Representação de um desbalanceamento estático......................................................9

Figura 2.2: Representação de um desbalanceamento acoplado..................................................10
Figura 2.3: Representação de um desbalanceamento semi-estático...........................................10
Figura 2.4: Representação deum desbalanceamento Dinâmico.................................................11
Figura 3.1: Representação de um Rotor Jeffcott........................................................................12
Figura 6.1: Ulam e o cassino de Monte Carlo............................................................................23
Figura 7.1: Representação de um Rotor Laval..........................................................................24
Figura 7.2: Resposta do sistema em função da frequência de excitação.....................................27
Figura 7.3: Representação Gráfica da distribuição de dados......................................................28
Figura 7.4: Representação gráfica da Regressão Linear............................................................29
Figura 7.5: Representação gráfica de 𝜑 𝑉𝑠 𝛼............................................................................33
Figura 7.6: Representação gráfica da fase de desbalanceamento...............................................34
Figura 9.1: Amostragem do momento de desbalanceamento...................................................38
Figura 9.2: Amostragem Theta.................................................................................................38
Figura 10.1: Resposta do Modelo para N=50...........................................................................40
Figura 10.2: Média do Modelo para N=50.................................................................................40
Figura 10.3: Amostragem do Desbalanceamento na frequência crítica para N=50....................41
Figura 10.4: Resposta do Modelo para N=100...........................................................................41
Figura 10.5: Média do Modelo para N=100...............................................................................42
Figura 10.6: Amostragem do Desbalanceamento na frequência crítica para N=100..................42
Figura 10.7: Resposta do Modelo para N=1000.........................................................................43
Figura 10.8: Média do Modelo para N=1000.............................................................................43
Figura 10.9: Amostragem do Desbalanceamento na frequência crítica para N=1000................44
Figura 10.10: Resposta do Modelo para N=5000.......................................................................44
Figura 10.11: Média do Modelo para N=5000..........................................................................45
Figura 10.12: Amostragem do Desbalanceamento na frequência crítica para N=5000.............45
Figura 10.13: Resposta do Modelo para N=10000.....................................................................46
ii
Figura 10.14: Média do Modelo para N=10000.........................................................................46
Figura 10.15: Amostragem do Desbalanceamento na frequência crítica para N=10000............47

Nomenclatura
m - Massa total do Rotor
Me - Massa do eixo móvel
Md - Massa do disco
E - Módulo de Elasticidade do material do eixo
J - Momento de inercia do plano da seção transversal do eixo
K - Rigidez da Mola
L - Comprimento do eixo
𝑦𝑖 - Valor observado para a variável independente no i-ésimo nível da variável Y
𝑥𝑖 - Valor observado para a variável independente no i-ésimo nível da variável X
X - Variável
Y - Variável
𝛽0 - Constante de Regressão
𝛽1 - Coeficiente de Regressão
𝛽2 - Coeficiente de Regressão
𝛽 - Parâmetro de Escala
𝛼 - Parâmetro de forma
𝜀 - Fator Erro entre a distância e o valor observado 𝑦𝑖 , e o correspondente ponto da curva
H - Matriz de resposta em frequência
𝜑 - Matriz modal (auto-vetores)
𝜆 - Matriz modal (auto-valores)
Ω - Rotação do Rotor
𝜔 - Precessão
𝜔𝑛 – Frequência Natural do Rotor
e - Desbalanceamento Residual especifico
iii
𝜎 2 - Variância
𝜎 - Desvio Padrão
𝜁 - Fator de amortecimento
C - Amortecimento
𝜔𝑡 - Velocidade Angular
me - Massa de Desbalanceamento
𝐹0 - Amplitude da Força (o valor da força quando a mesma é aplicada estaticamente)
x - Amplitude de Resposta
F - Força
𝑥̅ - diferença entre a entrada e o valor médio
𝛼 - Fase da resposta
𝜎̂(𝛽) - Variância de Fase

iv
 Sumário
1. Introdução................................................................................................................................8
2. Desbalanceamento...................................................................................................................9
2.1.1 Desbalanceamento Estático............................................................................................9
2.1.2 Desbalanceamento Acoplado.......................................................................................10
2.1.3 Desbalanceamento Semi-Estático.................................................................................10
2.1.4 Desbalanceamento Dinâmico.......................................................................................11
3. O Rotor Jeffcott.....................................................................................................................12
4. Regressão Linear...................................................................................................................13
4.1 Regressão Linear Múltipla...............................................................................................13
4.1.1 O Modelo......................................................................................................................13
4.2 Regressão Linear Simples................................................................................................14
4.2.1 O Modelo......................................................................................................................14
4.3 Método dos Mínimos Quadrados (MMQ).......................................................................15
4.3.1 O Modelo......................................................................................................................16
1a – Resultados Uteis........................................................................................................17
1b – Resultados Uteis.......................................................................................................18
4.4 Intervalo de Confiança dos Parâmetros............................................................................19
4.5 Variância e Covariância...................................................................................................19
5. Princípio da Máxima entropia................................................................................................20
5.1 O Modelo........................................................................................................................20
5.2 Distribuição Normal.......................................................................................................21
5.3 Distribuição Gama..........................................................................................................22
6. Método de Monte Carlo.........................................................................................................23
7. Resultados.............................................................................................................................24
7.1.1 Determinação dos Parâmetros do Sistema...................................................................25
8. Aplicando a distribuição Normal...........................................................................................36
9. Aplicando a Distribuição Gama.............................................................................................37
10. Aplicando o Método de Monte Carlo no Matlab..................................................................39
10.1. O Modelo..........................................................................................................................39

v
11.Conclusão.............................................................................................................................50
12. Referências Bibliográficas...................................................................................................51
13. Anexo 01..............................................................................................................................52
14. Anexo 02..............................................................................................................................59

vi
 Resumo
Nos dias atuais um dos grandes desafios da engenharia mecânica é o controle e atenuação de
vibrações, tais vibrações ocorrem em maior ou menor grau em sistemas mecânicos, na maioria
das vezes são tidas como indesejáveis, não só pelo ruído mas também pela perda de energia e
rendimento. O projeto proposto consiste no desenvolvimento numérico-computacional para
estimativa de parâmetros como o momento de desbalanceamento de um eixo a partir da resposta
de vibração e a fase do momento de desbalanceamento. Aplicando o método estatístico de
máxima entropia para o cálculo da função densidade de probabilidade se determinou amostras
dos parâmetros, para logo aplicar o método de Monte Carlo.

Palavras chave: estimador, variância, estatística.

vii
 1- Introdução
A palavra estatística deriva do neolatim “ statisticum collegum’’ que foi utilizado pela
primeira vez por Gottfried Achenwall em 1749 que usou tal método para analise de dados do
Estado, tais métodos foram baseados nas teorias probabilísticas das correspondências entre
Pierre de Fermat e Blaise Pascal e Christian Huygens em ter 1654 a 1657 que só seria
concretizada com a elaboração da teoria dos erros, onde regras de combinação e princípios da
teoria da probabilidade eram utilizadas utilizando-se da teoria dos erros através de uma curva ,
estabelecendo assim uma margem de erros e acertos.

A estatística é hoje um segmento matemático fundamental na Engenharia Mecânica, seja na

otimização de processos de fabricação, redução de custos ou simulações ao modelar um
processo. É a área que coleta, analisa e interpreta dados numéricos, tais informações nos
permitem tomar decisões baseando-se nos resultados obtidos.

A estatística surgiu da necessidade de estimar a probabilidade de ocorrência de um determinado

resultado experimental sob condições relativamente estáveis aproximando-se o máximo
possível das condições reais.

Com os inevitáveis erros de projetos mecânicos é possível a ocorrência vibrações e ruídos

indesejáveis. Tais erros podem estar relacionados a concentração de massa ao longo do eixo e
podem ocorrer devido a mudança transversal que contem o erro causando assim o desvio do
eixo de inercia com o eixo de rotação, causado assim o desbalanceamento.

Considerando tal desbalanceamento a estatística nos permite então a implementação de

métodos para estimativa de tal ocorrência. Os desbalanceamentos conhecidos são,
desbalanceamento estático, desbalanceamento acoplado, desbalanceamento semi - estático e
desbalanceamento dinâmico.

As principais causas do desbalanceamento podem estar associadas a assimetria, excentricidade

de mancais, desalinhamento dos mancais, problemas operacionais.

7
 2 - Desbalanceamento

O desbalanceamento é a distribuição assimétrica de massa em torno do eixo de rotação, o

desbalanceamento é a principal causa de vibrações, ruídos e perda de rendimento em uma
máquina e equipamentos rotativos.

2.1.1- Desbalanceamento estático

Ocorre quando o eixo principal de inercia está em paralelo ao eixo geométrico do rotor
ocorrendo assim uma concentração de um peso fora de seu eixo geométrico de rotação, tais
concentrações se estabilizam em centros de equilíbrio estáticos na parte inferior do sistema que
rotaciona. (conforme figura 2.1)

Figura 2.1: Desbalanceamento Estático

8
 2.1.2 – Desbalanceamento acoplado
Ocorre quando o eixo do centro de massa e o eixo do rotor se interceptam no centro de massa,
o fenômeno é causado em decorrência da existência de massas desequilibradas diametralmente
opostas, produzindo momentos produzindo momentos iguais ao redor do centro de massa.
(conforme figura 2.2)

Figura 2.2: Desbalanceamento Acoplado

2.1.3 - Desbalanceamento Semi-Estático

Ocorre quando o eixo principal de inercia se interceptam em um determinado ponto, que não
seja o centro gravitacional do sistema, onde as amplitudes serão maiores nas extremidades.
(conforme figura 2.3)

Figura 2.3: Desbalanceamento Semi-Estático

9
 2.1.4 - Desbalanceamento Dinâmico
Ocorre quando o eixo do centro de massa e o eixo físico do rotor não se tocam ou coincidem,
no desbalanceamento dinâmico a amplitude do pico varia proporcionalmente ao quadrado da
velocidade de rotação da máquina. (conforme figura 2.4)

Figura 2.4: Desbalanceamento Dinâmico

10
 3 – O Rotor Jeffcott
Em 1895 Föppl propôs o primeiro modelo de rotor bem sucedido. Föppl provou que a operação
na faixa supercrítica era estável, contrariando assim o que havida dito anteriormente Rankine
em 1869.
Em 1919 Jeffcott criou um modelo parecido com o de Föppl, porém adicionou amortecimento
ao sistema.
O Rotor Jeffcott ( conforme figura 3.1 ) é útil pois serve para estabelecer conceitos e definições,
é um modelo simplificado, porém guarda características de um sistema complexo. Basicamente
consiste em um eixo flexível com um disco central apoiado em mancais nas suas extremidades.
O eixo “Z”, (baseando-se em X,Y,Z) coincide com a linha de centro dos mancais, devido ao
desbalanceamento o seu centro de massa se altera e não coincide com o centro geométrico do
disco. Quando em repouso o seu centro geométrico coincide com o seu centro elastico mas
quando o rotor está em movimento a força gerada devido ao seu desbalanceamento deslocará o
centro geométrico em relação a linha de centro dos mancais.

Md
Me EJ

Km/2 Km/2

L/2 L/2

Figura 3.1: Rotor Jeffcott

Onde:
Me = Massa do eixo Flexível
Md = Massa do Disco
E = Módulo de Elasticidade do Material do eixo
J = Momento de Inercia do plano da seção transversal do eixo
K = Rigidez da Mola
L = Comprimento do Eixo

4 – Regressão Linear
11
Em 1893 e 1912 Karl Pearson escreveu um conjunto de 18 artigos denominado “ Mathematical
Contribution to the Theory Evolution ” e “ Teste de Hipóteses de Qui-Quadrado” com
contribuições extremamente importantes para o desenvolvimento da “Teoria da Análise da
regressão” e do “Coeficiente de Correlação” . Karl Pearson ainda conseguiu que a Estatística
fosse reconhecida como uma disciplina autônoma.
Regressão linear é o estudo de variáveis a qual se tem interesse, variáveis independentes em
função de outras variáveis, que nos ajudam a compreender dados. Matematicamente a regressão
linear nos diz qual será o melhor ajuste a se fazer mediante aos dados que se tem em mãos,
podendo ser uma reta ou uma curva, nos permitindo assim minimizar erros e estimar com maior
precisão.
Para se chegar a uma equação que represente tal fenômeno estudado pode-se plotar um gráfico,
chamado de diagrama de dispersão para analisar como se comportam tais valores das variáveis
independentes X em função da variável independente Y. Esse comportamento pode ser
apresentado na forma linear, cubico, exponencial, logarítmico, quadrático. Para isso deve-se
verificar qual tipo de curva e modelo matemático que mais se aproxime dos pontos no gráfico
de dispersão, contudo os pontos não se ajustam perfeitamente ao modelo matemático escolhido,
isso ocorre, pois o modelo em estudo se trata de um modelo sujeito a influencias do acaso,
contudo o modelo escolhido deve ser coerente ao que se tem na pratica, o modelo escolhido
deve conter apenas as variáveis que são relevantes ao estudo, os pontos de dispersão são os
pontos que se encontram mais afastados da curva
O método proposto para a resolução do estudo de caso do projeto foi através de uma regressão
linear. Os tipos de regressão linear podem ser simples, ou múltiplas.

4.1 - Regressão Linear Múltipla

Neste método encontram-se três ou mais variáveis, sendo uma variável dependente Y, e, as
demais variáveis independentes, e tem como objetivo estabelecer uma equação que possa
predizer valores de Y em função das diversas variáveis independentes.

4.1.1 – O Modelo

𝑌𝑖 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + ⋯ + 𝛽𝑘 𝑥𝑘 + 𝜀

𝜀 = 𝑁(0; 𝜎 2 )

4.2 - Regressão Linear Simples

12
O Método utilizado para o estudo de caso do projeto proposto foi através de uma regressão
linear simples, neste caso temos apenas duas variáveis ( X e Y ). A regressão linear simples tem
como finalidade de se obter um modelo matemático linear ( uma reta ) que melhor descreva a
interação entre as duas variáveis. Da mesma forma como usamos a média para resumir uma
variável aleatória, a reta de regressão é usada para resumir a estimativa linear entre duas
variáveis aleatórias ( Lapponi, 1997, p.344 ).
Podemos estimar uma equação de regressão estimando valores de uma variável baseando-se
em valores já conhecidos de outras variáveis. A principal característica de uma regressão linear
é o coeficiente angular da reta que é dado pela tangente da reta.
Para se determinar o modelo matemático os valores, os valores de Y são preditos baseando-se
em valores dados ou conhecidos, utiliza-se então dois critérios para tal determinação ( Lapponi,
p 345 )
 Ajustar uma reta horizontal de valor igual à média dos valores de Y, isto é Ӯ,
pois a média é uma regressão com b=0.
 Ajustar uma reta que divida os pontos observados de uma forma que a soma
dos desvios seja nula. No entanto a simples soma dos desvios leva a
compensação dos desvios positivos e negativos.

4.2.1 – O Modelo

𝑌 = 𝛽0 + 𝛽1 𝑥 + 𝜀

𝜀 ~ 𝑁 ( 0: 𝜎 2 )

𝐸 = [𝑌 (𝑥 )] = 𝛽0 + 𝛽1 𝑥

VAR [Y(x)]=𝜎 2

Onde:

13
𝑌𝑖 = valor observado para a variável independente no i-ésimo nível da variável Y.
𝛽0 = Constante de regressão
𝛽1 = Coeficiente de Regressão
𝛽2 = Coeficiente de regressão
𝑋𝑖 = i-ésimo nível da variável X ( 1,2,3,.......n)

ε = Erro entre a distancia e o valor observado Yi e o correspondente ponto da curva

4.3 – Método dos Mínimos Quadrados ( MMQ )

Credita-se a Carl Friedrich como desenvolvedor das bases fundamentais do método dos
mínimos quadrados em 1795 quando Gauss tinha apenas dezoito anos entretanto, Adrien-Marie
Legendre foi o primeiro a publicar o método em 1805 em Nouvelles Methodes Pour La
Determination des Orbites des Comètes. Gauss publicou suas conclusões apenas em 1809.
O método dos mínimos quadrados é uma técnica de otimização que visa o melhor ajuste para
os dados que se tem, minimizando a soma dos quadrados das distâncias entre os pontos de dados
amostrais e os valores preditos pela equação.
Para se aplicar tal método um dos fatores relevantes é o fator imprevisível ( erro ), o fator é o
modelo linear nos parâmetros, onde as variáveis apresentam uma relação entre si. (wikipedia )

14
 4.3.1 – O Modelo

Estimador dos mínimos quadrados

𝐿 = Σ𝑖𝑛 = 1𝜀𝑖2 = Σ𝑖𝑛 = ( 𝑌𝑖 − 𝛽0 − 𝛽1 𝑥𝑖 )2

Minimizando o fator Erro (𝜀𝑖 )

𝜕𝐿 𝑛
= −2Σ𝑖=1 = (𝑌𝑖 − 𝛽0 − 𝛽1 𝑥𝑖 ) = 0 (1)
𝜕𝛽0

𝜕𝐿 𝑛 (
= −2Σ𝑖=1 𝑌𝑖 − 𝛽0 − 𝛽1 𝑥𝑖 )𝑥𝑖 = 0 (2)
𝜕𝛽1

Então temos:

De ( 1 ) 𝑛𝛽0 + 𝛽1 ∑𝑛𝑖=1 𝑥𝑖 = ∑𝑛𝑖=1 1𝑌𝑖 (3)

De ( 2 ) 𝛽0 ∑𝑛𝑖=1 𝑥𝑖 + 𝛽1 ∑𝑛𝑖=1 𝑥𝑖2 =∑𝑛𝑖=1 𝑥𝑖 𝑌𝑖 ( 4 )

Obtendo os estimadores dos mínimos quadrados para 𝛽0 𝑒 𝛽1

1 𝛽0 ̂
𝐷𝑒 ( 3 ) 𝛽̂0 = ∑𝑛𝑖=1 𝑌𝑖 − ∑𝑛𝑖=1 𝑥𝑖 ( 5 )
𝑛 𝑛

15
Substituindo ( 5 ) em ( 4 ) temos:

1
∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 − ∑𝑛𝑖=1 𝑦𝑖 ∑𝑛𝑖=1 𝑥𝑖
𝛽̂ 1 = 𝑛
1
∑𝑛𝑖=1 𝑥𝑖2 − (∑𝑛𝑖=1 𝑥𝑖 )²
𝑛

Portanto a reta Estimada será:

̂ = 𝛽̂ 0 + 𝛽̂ 1 + 𝑥̂𝑖
𝑌𝑖

1a - Resultados Úteis

1. ∑ni=1( xi −x̅ ) = 0

𝑛 𝑛
2. ∑ 𝑌𝑖 (𝑥𝑖 − 𝑥̅ ) = ∑ (𝑥𝑖 − 𝑥̅ ) (𝑦𝑖 − 𝑦̅)
𝑖=1 𝑖=1

3. ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )² = ∑𝑛𝑖=1 𝑥𝑖2 − 𝑛1 (∑𝑛𝑖−1 𝑥𝑖 )2 = ∑𝑛𝑖=1 𝑥𝑖2 − 𝑛𝑥̅ ²

16
Reescrevendo os estimadores dos mínimos quadrados baseando-se nos resultados ( 2 ) e ( 3 )
temos:

𝑛 𝑛
1 𝛽̂ 1
𝛽̂ 0 = ∑ 𝑦𝑖 − ∑ 𝑥𝑖 = 𝑦̅ − 𝛽̂ 1𝑥̅
𝑛 𝑛
𝑖=1 𝑖=1

1
∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 − ∑𝑛𝑖=1 𝑦𝑖 ∑𝑛𝑖=1 𝑥𝑖 ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )(𝑦𝑖 − 𝑦̅) ∑𝑛𝑖=1 𝑦𝑖 (𝑥𝑖 − 𝑥̅ )
𝛽̂ 1 = 𝑛 = = 𝑛
1
∑𝑛𝑖=1 𝑥𝑖2 − (∑𝑛𝑖=1 𝑥𝑖 ) ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ ) ² ∑𝑖=1(𝑥𝑖 − 𝑥̅ )²
𝑛

1b - Resultados úteis:

4. ∑𝑛𝑖=𝑛 𝑦𝑖= ∑𝑛𝑖=1 𝑦̅

𝑛
5. ∑ 𝑒𝑖 = 0
𝑖=1
𝑛
6. ∑ 𝑥𝑖 𝑒𝑖 = 0
𝑖=1
𝑛
7. ∑ 𝑦̂𝑖 𝑒𝑖 = 0
𝑖=1

8. A Reta dos quadrados mínimos passa pelo (𝑥̅ , 𝑦̅)

17
 4.4 – Intervalo de confiança dos Parâmetros

1 𝑥̅ ²
𝛽̂0 = ±𝑡(∝,𝑛−2)√𝜎̂² ( + 𝑛 )
2 𝑛 ∑𝑖=1(𝑥𝑖 − 𝑥̅ ²)

𝜎̂²
𝛽̂1 ± 𝑡(∝,)√( )
2 ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )²

Para 𝜎 2 tem-se:

∑𝑛𝑖=1(𝑥𝑖 − 𝑦̂𝑖 )² ∑𝑛𝑖=1(𝑦𝑖 − 𝑦̂𝑖 )²

[ ∝ ; ∝ ]
𝑥 2 ( 2 , 𝑛 − 2) 𝑥 2 (1 − 2 , 𝑛 − 2)

4.5 - Variância e Covariância

Sendo 𝑌𝑖 ~ 𝑁(𝛽0 + 𝛽1 𝑥𝑖 ; 𝜎 2 )
𝜎2 1 𝑥̅ 2 −𝑋̂𝜎 2
VAR( 𝛽1 ) = ∑𝑛 (𝑥 −𝑥̅ )²
; 𝑉𝐴𝑅(𝛽̂0 ) = 𝜎 2 [𝑛 + ∑𝑛 (𝑥 −𝑥̅ )²
] ; 𝐶𝑂𝑉(𝛽̂0 , 𝛽̂1 ) = ∑𝑛 (𝑥
𝑖=1 𝑖 𝑖=1 𝑖 𝑖=1 ̅ )²
𝑖−𝑥

Obrigatoriamente define-se no estimador para 𝜎 2 ,como resíduo 𝑒𝑖 = 𝑦𝑖 − 𝑦̂𝑖 tem variância 𝜎 2

2
∑𝑛𝑖=1(𝑦𝑖 − 𝑦̂𝑖 )²
𝜎̂ =
𝑛−2

18
 5 – Principio Da Máxima Entropia
O início dos estudos utilizando estropia, se deu principalmente com os trabalhos de Boltzman
a partir do XIX, mais especificamente a partir dos resultados obtidos com a Equação de
Transporte de Boltzman (ETB) e do teorema H de Boltzman, para determinar a variação
temporal de uma distribuição de probabilidade e uma métrica H que satisfaça a equação de
transporte de Boltzman, (Cattani e Bassalo, 2008). Dessa forma pode-se observar que ambos
os trabalhos estão correlacionados e seus resultados utilizam o conceito de Entropia. Assim
partindo-se de um vetor de variáveis aleatórias X= (𝑥1 , 𝑥2 , 𝑥3 … 𝑥𝑛 ) nas quais possuem as
seguintes probabilidades associadas ( (𝑝1 , 𝑝2 … 𝑝𝑛 ) de forma que (𝑝1+ 𝑝2+⋯ 𝑝𝑛 = 1), o interesse
é encontrar a quantidade de H, que meça de forma única a quantidade de incerteza associada a
esta distribuição de probabilidade. Em outras palavras, deseja-se encontrar a quantidade H que
determine de maneira única a densidade de probabilidade de distribuição dada. Assim para que
possa encontrar uma medida que seja capaz de determinar a densidade de probabilidade e de
forma consequente caracterizar tal distribuição, esta deverá obedecer a s três condições
estabelecidas por Shannon (1948).
i. H deve ser uma função continua de 𝑝𝑖
ii. Se todos os 𝑝𝑖𝑠 são iguais, a quantidade de A(n) =H(1/n,....., 1/n) é a função monótona
crescente em n .
iii. Se uma escolha pode ser dividida entre duas escolhas sucessivas, o H original deve ser
a soma ponderada dos valores individuais de H.
A lei de composição em vez de expressar a probabilidade dos eventos (𝑛1 … 𝑛𝑛 ) diretamente,
esta utiliza-se de uma construção de forma para obtenção de sequencias de funções monótonas
crescentes. Assim de acordo com James (1957) sempre é possível obter incerteza
independentemente como as escolhas são agrupadas.
A entropia de Shannon de uma variável aleatória x , com suporte k=[a, b] e função de densidade
p(x) é dada pelo seguinte modelo matemático:

5.1 – O Modelo

𝑠(𝑝) = − ∫ 𝑝(𝑥 ) ∗ 𝑙𝑛(𝑝(𝑥))𝑑𝑥

𝑎

19
 5.2 – Distribuição normal

Distribuição normal ou Gaussiana é uma das mias importantes distribuições continuas. Trata-
se de um evento aleatório cujo a ocorrência não segue uma regra ou padrão que nos permita
fazer uma previsão assertiva.
As características principais de uma distribuição normal é a média e o desvio padrão. Como em
qualquer função de densidade de probabilidade a área sob a curva é 1, sendo a frequência total
sob a curva igual a 100%.
Uma variável aleatória continua X tem distribuição normal se sua função densidade de
probabilidade for dada por:

1 𝑥−𝜇
𝑒 −2( )²
𝜎
𝑓 (𝑥 ) =
𝜎√2𝜋

Usa-se a notação X ~ N (𝜇, 𝜎 2 )

Nos casos mais comuns quando não se conhece 𝜇 𝑒 𝜎, estima-se então os valores para 𝑋̅ e s.
Onde:
𝑛 𝑛
1 1
𝑋̅ = ∑ 𝑥𝑖 𝑒 𝑠= √ ∑(𝑥𝑖 − 𝑋̅ )2
𝑛 𝑛−1
𝑖=1 𝑖=1

Teremos então uma curva de distribuição de probabilidade para cada valor de 𝜇 𝑒 𝜎. Somente
em áreas especificas faz-se o uso de uma distribuição normal padronizada onde se considera
𝜇 = 0 𝑒 𝜎 = 1.
Quando se tem a variável X com distribuição normal com média 𝜇 ≠ 0 𝑒 𝜎 ≠ 1 reduzimos a
uma variável Z.
Onde:

20
 5.3 – Distribuição Gama
É usada para modelar os valores de dados positivos que são assimétricos à direita e maiores que
zero. É usada em estudos de sobrevivência de confiabilidade, os parâmetros mais comuns são:
a) Com um parâmetro de forma K e um parâmetro de escala 𝜃 .
b) Com um parâmetro de forma ∝= 𝐾 e um parâmetro de escala inversa 𝛽 = 𝐾 .
𝐾
c) Com um parâmetro de forma K e um parâmetro de média 𝜇 = 𝛽

Todos são números reais e positivos.

Onde:

𝛼
𝐸 [𝑋] = 𝐾 𝜃 =
𝛽
É fixa e maior que zero.

𝐸 [ln(𝑥 )] = Ψ(𝐾 ) + ln(𝜃) = Ψ(𝛼 ) − ln(𝛽)

Uma importante propriedade na distribuição gama é que a medida que 𝜃 aumenta ela se
𝜇2
aproxima de uma normal com média 𝜇 e variância 𝜃𝜇2 = 𝑣

A função densidade de probabilidade é dada por:

𝛽 𝛼 𝑥 𝛼−1 𝑒 −𝛽𝑥
𝑓 (𝑥; 𝛼; 𝛽 ) =
Γ(𝛼)

Onde: Γ(𝛼)é uma função gama completa.

21
 6 – Método de Monte Carlo
Em 1946 o matemático Stanislav Ulam durante um jogo de paciência tentou calcular a
probabilidade de sucesso de uma determinada jogada, utilizando a tradicional análise
combinatória. Após gastar bastante tempo fazendo cálculos Ulam percebeu que uma alternativa
mais prática seria realizar inúmeras jogadas.
Ulam sabia que técnicas de amostragem estatística não eram muito usadas por envolverem
cálculos extremamente demorados. Entretanto nessa época tinha-se acabado de inventar o
primeiro computador, Ulam então sugeriu o uso de amostragens estatísticas para solucionar um
problema de difusão de nêutrons em materiais sujeito a fissão nuclear.
O nome Monte Carlo surgiu em alusão a suas principais características, aleatoriedade, como as
que ocorrem em cassinos (como o cassino de Monte Carlo, por isso o nome), em jogos de roleta
e como Ulam era frequentador de tal cassino esse nome foi adotado.
O método de Monte Carlo aplica uma grande quantidade de amostras aleatórias para se chegar
próximos aos resultados reais, permite-nos fazer testes com variáveis com um numero
suficientemente grandes de vezes para se ter com mais precisão a chance de algum resultado
acontecer.

Figura 6.1:A esquerda Ulam com amigos e a direita o cassino de Monte Carlo

22
 7 – Resultados

Considere Rotor Laval com as seguintes propriedades:

Figura 7.1 – Rotor Laval

Diâmetro do eixo = 12 mm
Comprimento do eixo = 850 mm
Diâmetro do disco = 100mm
Comprimento do disco = 15mm
O Material do eixo Aço
Modulo de Elasticidade = 200 GPA
Densidade = 7850 Kg/m³
Coeficiente de amortecimento =1,5𝑥10−3

23
 7.1.1 - Determinação dos parâmetros do sistema

O primeiro passo do processo foi o cálculo dos valores físicos do sistema, como rigidez e
amortecimento. Assume-se que o único elemento que fornece rigidez ao sistema é o eixo. O
cálculo da rigidez foi feito da seguinte maneira.

Calculo da rigidez k

48𝐸𝐼
𝑘= , 𝐼 = 𝜋𝑟 4
𝐿3

Substituindo pelos valores anteriores, obtem-se:

𝑘 = 15910,24 𝑁⁄𝑚

Adotou-se que o material do eixo é constituído de aço, logo então podemos afirmar que o
amortecimento é proporcional a rigidez de fator igual a 0,0015, logo percebe-se que:

𝑐 = 23,865 𝑁𝑠⁄𝑚

Agora então podemos determinar dois fatores nodais do sistema: Frequência natural e fator de
amortecimento.

𝑘 𝑐
𝜔𝑛 = √𝑚 ; 𝜁 = 2𝑚𝜔
𝑛

Substituindo os valores obtidos, tem-se:

𝜔𝑛 = 131,17 𝑟𝑎𝑑⁄𝑠 ; 𝜁 = 0,09837

24
Define-se agora os parâmetros físicos e modais par o sistema:
A primeira consideração feita foi que a força devido ao desbalanceamento rotativo, o modelo
matemático tem uma forma senoidal, onde Ω é a frequência com que a força é aplicada ( igual
a zero quando estática ) β é o ângulo de fase ( medido em rad/s) e 𝜔𝑡 é a velocidade angular (
em rad/s) e 𝑚𝑒 é a massa de desbalanceamento.

𝐹 = 𝑚𝑒Ω2 ∗ 𝑠𝑒𝑛 (𝜔𝑡 + 𝛽)

A Equação a seguir representa o valor da amplitude quando o sistema é excitado em uma

determinada frequência. A amplitude depende de fatores como a amplitude da força de
excitação, a frequência natural e o fator de amortecimento.

𝐹0
𝑥= 𝑚 𝑠𝑒𝑛 (𝜔𝑡 + 𝜙)
((Ω2 − 𝜔𝑛2 )2 + (2𝜁𝜔𝑛 Ω)²)0.5
Onde:
𝐹𝑜 = é a amplitude da força (o valor da força quando a mesma é aplicada estaticamente)
𝜁 = é o fator de amortecimento
𝑚 = a massa total.

Com base na equação da resposta do sistema, a amplitude da resposta pode ser reescrita seguinte
maneira.

Ω2
𝑥 = 𝑚𝑒 ∗ [ 𝑚 ]
((Ω2 − 𝜔𝑛2 )2 + (2𝜁𝜔𝑛 Ω)²)0,5

𝑥 = 𝑚𝑒 ∗ 𝐻(𝜔)

𝜔2
𝐻 (𝜔 ) = 𝑚
((Ω2 − 𝜔𝑛2 )2 + (2𝜁𝜔𝑛 Ω)²)0,5

25
Desta forma pode-se observar que a amplitude de resposta tem uma relação linear com o fator
H, que depende da frequência de excitação. Para cada valor de frequência se tem um valor para
H e para X.
Para o estudo de caso proposto deve-se optar por uma análise no domínio da frequência para a
resposta de excitação, que neste caso foi de 0-300 (em rad/s). Supondo que os testes e os
resultados obtidos (conforme figura: 7.2), nos permitem assim a determinação do momento de
desbalanceamento.

Figura 7.2: Resposta do sistema em função da frequência excitação

26
Os dados anteriores ficam de melhor compreensão quando representados em forma de
distribuição gráfica (conforme figura 7.3)

Figura 7.3: Representação gráfica da distribuição dos dados

27
Os dados correspondem a um valor de deslocamento para cada frequência aplicada. Deve-se
então encontrar o fator H(𝜔) para cada velocidade de rotação. Obrigatoriamente é encontrada
a relação entre o fator H(𝜔) e o deslocamento, bem como o momento de desbalanceamento.

Figura 7.4: Representação gráfica da Regressão linear

Como se pode observar no gráfico (figura 7.4), os dados obtidos tendem a se comportar de
maneira linearmente, neste caso pode-se aplicar uma regressão linear simples.
Considerou-se então o seguinte modelo:

𝑥 = 𝑚𝑒 ∗ 𝐻(𝜔)

Para este caso utilizou-se o método das matrizes, onde os parâmetros da reta são calculados
através de uma multiplicação de matrizes, da seguinte forma:

𝜆 = (𝑋 𝑇 𝑋)−1 𝑋 𝑇 𝑌

28
Onde a matriz X possui a seguinte forma:

1 𝐻1
𝑋 = [1 𝐻2 ]
1 𝐻𝑛

e, Y corresponde ao vetor deslocamento.

𝑥1
𝑌 = [ 𝑥2 ]
𝑥𝑛

Para este caso os dados apresentados representam cada um a uma velocidade de rotação (ver
anexos). Podemos então substituir e calcular os resultados da seguinte maneira.

−8,27𝑥10−12
𝜆=[ ]
0,001468

Onde, o segundo valor corresponde ao momento de desbalanceamento. O valor inicial

corresponde linearmente à intersecção com a projeção, e, neste caso onde os dados que se
encontram afastados e fora dos parâmetros não são levados em consideração, considera-se então
que a reta passa pela origem. O método utilizado para se corrigir os resultados é uma regressão
linear simples.

1 𝑛
1 𝛽̂1
𝛽0 = ∑ 𝑦𝑖 − ∑ 𝑥𝑖 𝑦̅ − 𝛽̂1 𝑥̅
𝑛 𝑛
𝑖=1 𝑖=1

1
∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 − ∑𝑛𝑖=1 𝑦𝑖 ∑𝑛𝑖=1 𝑥𝑖 ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )(𝑦𝑖 − 𝑦̅) ∑𝑛𝑖=1 𝑦𝑖 (𝑥𝑖 − 𝑥̅ )
𝛽1 = 𝑛 = = 𝑛
1
∑𝑖=1 𝑥𝑖 − (∑𝑛𝑖=1 𝑥𝑖 )
𝑛 2 ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )² ∑𝑖=1(𝑥𝑖 − 𝑥̅ )
𝑛

29
Primeiramente entra-se com os dados de entrada que serão divididos pelo número total de
dados.

(Σ𝑥𝑖 )
𝑥̅ = = 1,661494
𝑛

Depois de encontrado a diferença entre o valor de entrada e o valor médio, multiplica-se então
por cada deslocamento correspondente.

𝑛
∑ 𝑦𝑖 (𝑥𝑖 − 𝑥̅ ) = 0,814689
𝑖=1

E por último;

𝑛
∑ 𝑦𝑖 (𝑥𝑖 − 𝑥̅ )2 = 557,5123
𝑖=1

Dessa forma pode-se agora calcular o momento de desbalanceamento.

0,814689
𝛽1 = = 0,001468 = 𝑚𝑒
557,5123

Que foi o mesmo resultado já obtido anteriormente.

A variância do parâmetro que foi calculado anteriormente pode-se obter a gora da seguinte
forma: Recalculando, tem-se:

𝜎 2 (𝑚𝑒) = 1,605𝑥10−5

30
Pode-se calcular o intervalo de confiança de 95% para o parâmetro encontrado.

𝑡∝
𝑚𝑒 ± 𝜎(𝑚𝑒)
2𝑛

𝑚𝑒 ± 3,1524𝑥10−5 = 0,00143692 < 𝑚𝑒 < 0,00150011

Calcula-se agora o momento de desbalanceamento; calculando primeiramente a força.

𝐹 = 𝐹0 𝑒 (𝜔𝑡+𝛽)
A resposta do sistema será:

𝑥 = 𝑥0 𝑒 (𝜔𝑡−𝜑)𝑖

Portanto a resposta da frequência pode ser definida como a relação entre a entrada e a saída do
sistema.

𝑥 𝑥0 𝑒 (𝜔𝑡−𝜑)𝑖 𝑥0 (𝜑−𝛽)
= = 𝑒 𝑖
𝐹0 𝐹0 𝑒 (𝜔𝑡−𝛽)𝑖 𝐹0

Então o valor de fase da resposta será a subtração entre o valor de 𝜑 que pode ser calculado
com parâmetros modais do sistema e a fase do desbalanceamento rotativo.

𝛼 =𝜑−𝛽

31
O qual tem um comportamento linear. O valor de ∝ a partir dos valores de resposta do
sistema, uma vez que os números imaginários possuem uma forma e uma fase.

2𝜁𝜔𝑛Ω
𝜑 = tan1 ( )
𝜔𝑛 − Ω2

Para cara cada rotação, um valor de 𝜑 é calculado, neste caso 42 dados foram utilizados e
plotados onde o comportamento linear dos dados pode ser observado (conforme figura 7.5)

Figura 7.5: Representação gráfica 𝜑 𝑣𝑠 𝛼

Foram calculados através dos dois métodos, o primeiro utilizou-se o método das matrizes
(descrito acima), e obteve-se os seguintes resultados.

−0,2646
𝜆=[ ]
1,0023

32
O primeiro valor correspondente é a fase de desbalanceamento rotativo e o segundo refere-se
ao declive da reta, que como esperado deve ser igual a 1. Pode-se perceber que o valor de fase
é negativo o que faz sentido se analisarmos graficamente (conforme figura 7.6)

Figura 7.6 Representação gráfica da fase de desbalanceamento

Onde a curva em vermelho corresponde aos valores de 𝜑 e a curva em azul os valores de ∝.

Pelo segundo método então temos:

(∑ 𝑥𝑖 )
𝑥̅ = = −0,2436
𝑛

Em seguida encontra-se a diferença entre cada valor de entrada e o valor médio, então
multiplica-se por cada valor de fase correspondente.

𝑛
∑ 𝑦𝑖 (𝑥𝑖 − 𝑥̅ ) = 3,1258
𝑖=1

33
O outro termo da equação é definido da seguinte maneira:

𝑛
∑ (𝑥𝑖 − 𝑥̅ )2 = 3,1344
𝑖=1

Dessa forma tem-se o momento de desbalanceamento.

3,1344
𝛽1 = = 1,0023
3,1258

𝑛 𝑛
1 𝛽̂ 1
𝛽𝑜 = 𝛽0 = ∑ 𝑦𝑖 − ∑ 𝑥𝑖 = −0,2646 = 𝛽
𝑛 𝑛
𝑖=1 𝑖=1

A variação de fase tem-se:

𝜎̂(𝛽 ) = 0,0008629

O intervalo de confiança para 95% é

𝛽 = −0,2646 ± 1,8𝑥10−3 = −0,2663 < 𝛽 < −0,2628

34
 8 - Principio da Máxima Entropia

Aplicando o princípio da máxima entropia a fim de encontrar a função de probabilidade dos

parâmetros, para o estudo de caso tem-se como informação a priori a média, desvio padrão e o
suporte para os dois casos.
Para o momento de desbalanceamento (me) tem-se:

𝜇 = 0.001468
𝜎 = 1.605𝑥10−5
[0 , 𝛼]

Aplicando o Princípio da máxima entropia concluiu-se que é a função que melhor se ajusta aos
dados é distribuição Gama.
Para a fase tem-se:

𝛽 = 0,2646
𝜇 = 0,001468
[-𝜋 , 𝜋]

Aplicando o Princípio da máxima entropia concluiu-se que é a função que melhor se ajusta aos
dados é distribuição normal.

35
 9– Aplicando a distribuição Gama

Aplicando o método da distribuição Gama podemos estabelecer os parâmetros de forma ∝ e os

parâmetros de escala 𝛽.
Os parâmetros 𝛼 𝑒 𝛽 a média amostral e o desvio padrão, a qual já foram calculadas
anteriormente.
Agora encontra-se o parâmetro de fase 𝛼:

𝜇2
∝= 2
𝜎

0,0014682
𝛼 = (1,605𝑥10−5 )2

𝛼 = 8365,69

Em seguida, podemos agora calcular o parâmetro de escala 𝛽, que pode ser calculada pela
seguinte equação.

𝜎2
𝛽=
𝜇

(1,605𝑥10−5 )2
𝛽=
0,001468

𝛽 = 1,7547𝑥10−7

36
 Exemplo de amostragem para o momento de desbalanceamento é:

Figura 9.1: Amostragem do Momento de Desbalanceamento

9.1 - Distribuição Normal

Com a aplicação do método de distribuição normal, tem-se:

Figura 9.2: Amostragem Theta

37
 10 – Método de Monte Carlo

Primeiramente foi criado uma sequência de números aleatórios, em seguida criou-se um método
computacional, (que para a apresentação desse projeto foi criado utilizando o software Matlab
2017 ) com o modelo matemático do estudo proposto estipulou-se computacionalmente um
determinado número de vezes em que se executaria tal calculo para o modelo matemático em
questão, esse numero foi sendo aumentado gradativamente até que se chegasse a um resultado
mais próximo possível do real.

10.1- O Modelo

𝑚𝑒 Ω2
𝑦= 𝑚
(( Ω2 − 𝜔𝑛2 )2 + (2𝜁𝜔𝑛 Ω2 )0.5

Na sequência podemos ver as comparações dos gráficos e histogramas com diferentes números
de repetições; para N=50, N=100, N=100, N=1000, N=10000

38
 Para N = 50

Figura 10.1: Resposta do Modelo para N = 50

Figura 10.2: Média do Modelo para N = 50

39
Figura 10.3:Amostragem do desbalanceamento na Frequência Critica para N = 50

Para N = 100

Figura 10.4: Resposta do Modelo para N = 100

40
 Figura 10.5: Média do Modelo para N = 100

Figura 10.6: Amostragem do Deslocamento na Frequência Crítica para N = 100

41
 Para N = 1000

10.7: Resposta do Modelo para N = 1000

Figura 10.8: Média do Modelo para N = 1000

42
Figura 10.9: Amostragem do Deslocamento na Frequência Critica para N = 1000

Para N= 5000

Figura 10.10: Resposta do Modelo para N=5000

43
 Figura 10.11: Média do Modelo para N=5000

Figura 10.12: Amostragem do Deslocamento na frequência crítica para N=5000

44
 Para N = 10000

Figura 10.13: Resposta do Modelo para N = 10000

Figura 10.14: Média do Modelo para N = 10000

45
Figura 10.15: Amostragem do Deslocamento na Frequência Critica para N = 10000

Figura 10.16: Média do deslocamento para diferente número de repetições

46
Figura 10.17: Média na frequência critica para diferente numero de repetições

47
 11 - Conclusão

Com a análise de dados conseguiu-se estimar os parâmetros do modelo do rotor laval. Como os
dois parâmetros apresentaram comportamentos lineares conseguiu-se aplicar regressão linear
mas devido as equações, foram manipuladas para conseguir tal efeito.
O estimador do momento de desbalanceamento rotativo foi de 0,001468 com um desvio padrão
de 1,605x10−5 . Por outro lado o estimador da fase foi de -0,2646 com desvio padrão de
0,0008629. O principio da máxima entropia aplicou-se para calcular a função densidade
probabilidade que melhor se ajusta aos parâmetros. Para o momento de desbalanceamento a
distribuição gama foi que melhor se ajustou aos dados, enquanto a fase foi a distribuição
normal.
O método de monte Carlo serviu para aproximar o comportamento do modelo ao
comportamento real. A medida que u número de repetições aumentou a média da resposta do
modelo teve pouca variação, pode-se dizer que depois de 8 mil repetições a média não
apresentou grandes alterações.

48
 12 - Referências Bibliográficas

 JAYNES, E. Information theory and statistical mechanics. The Physical Review 106
(4), pp. 1620–630., 1957a.

 .JAYNES, E. Information theory and statistical mechanics II. The Physical Review 108,
pp. 171–190, 1957b.

 SHANNON, C. E. A mathematical theory of communication. Bell System Tech. J. 27,

pp. 379–423 and 623–659, 1948

 MONTGOMERY, C. D. Estatística Aplicada e probabilidade para engenheiros 4ª ed.

 Slides de aula de Sistemas Mecânicos

 https://pt.slideshare.net/pnrocha/regresso-linear-simples-24270521

 https://edisciplinas.usp.br/pluginfile.php/82903/mod_resource/content/1/Resposta_De
sbalanco.pdf

 http://monografias.poli.ufrj.br/monografias/monopoli10005387.pdf

 https://www.ime.usp.br/~chang/home/mae116/aulas/Aula%206_distribui%E7%E3o%
20Normal.pdf

 http://www.conferencias.ulbra.br/index.php/ciem/vi/paper/viewFile/1441/408

 http://www.portalaction.com.br/probabilidades/69-distribuicao-gama

49
 13 - Anexo 01

ω H(ω) X
0 2,76056342
0 0,0001 2,760231131
2 0,0003 2,759566613
3 0,0006 2,758569986
4 0,001 2,757241431
5 0,0016 2,755249198
6 0,0023 2,752925836
7 0,0031 2,750271765
8 0,004 2,747287465
9 0,0051 2,743642187
10 0,0063 2,739668281
11 0,0077 2,735035697
12 0,0091 2,730407033
13 0,0107 2,725121931
14 0,0125 2,719182311
15 0,0143 2,713249172
16 0,0163 2,706664394
17 0,0185 2,699430379
18 0,0207 2,692206044
19 0,0232 2,684008323
20 0,0257 2,675823101
21 0,0284 2,666997102
22 0,0313 2,657533564
23 0,0343 2,647761398
24 0,0374 2,637682404
25 0,0407 2,626974271
26 0,0442 2,615640961
27 0,0478 2,604009401
28 0,0516 2,591759764
29 0,0555 2,579217799
30 0,0596 2,566065455
31 0,0639 2,552307654
32 0,0683 2,538268184
33 0,073 2,523314247
34 0,0778 2,508087741
35 0,0828 2,492275798
36 0,0879 2,476199126
37 0,0933 2,459233467
38 0,0989 2,441701051
39 0,1047 2,423608596
40 0,1106 2,405273233
41 0,1168 2,386080583
50
42 0,1232 2,366349456
43 0,1299 2,345781202
44 0,1367 2,324997759
45 0,1438 2,303396089
46 0,1512 2,280988973
47 0,1588 2,258090259
48 0,1666 2,234709068
49 0,1747 2,21055739
50 0,1831 2,185649805
51 0,1918 2,160001433
52 0,2008 2,133627935
53 0,2101 2,106545511
54 0,2196 2,079059268
55 0,2295 2,050607771
56 0,2398 2,021214777
57 0,2504 1,991187218
58 0,2613 1,960544171
59 0,2726 1,929027469
60 0,2843 1,896664232
61 0,2964 1,863482539
62 0,3089 1,829511431
63 0,3219 1,794512978
64 0,3352 1,759056659
65 0,3491 1,722378886
66 0,3634 1,685048898
67 0,3783 1,646587697
68 0,3936 1,60755604
69 0,4096 1,567239422
70 0,4261 1,526199159
71 0,4432 1,484241083
72 0,4609 1,441426753
73 0,4793 1,397583442
74 0,4983 1,353021057
75 0,5181 1,307350601
76 0,5387 1,260667115
77 0,56 1,213289766
78 0,5822 1,164876258
79 0,6052 1,115757719
80 0,6292 1,065631591
81 0,6541 1,014843343
82 0,6801 0,963134837
83 0,7071 0,910868543
84 0,7353 0,857835943
85 0,7646 0,804419445
86 0,7953 0,750292623
87 0,8273 0,695880186

51
 88 0,8607 0,641271564
89 0,8957 0,586440961
90 0,9322 0,531870225
91 0,9705 0,477473169
92 1,0106 0,423663433
93 1,0526 0,370752309
94 1,0966 0,319105608
95 1,1429 0,268940083
96 1,1916 0,220800684
97 1,2427 0,175388694
98 1,2965 0,133220863
99 1,3533 0,094983747
100 1,4131 0,061699745
101 1,4762 0,03433399
102 1,5429 0,014064616
103 1,6134 0,002313065
104 1,6879 0,000697259
105 1,7669 0,011110355
106 1,8507 0,035798784
107 1,9395 0,077287151
108 2,0338 0,138611509
109 2,1339 0,223167114
110 2,2403 0,335016
111 2,3534 0,478733452
112 2,4736 0,659515614
113 2,6013 0,883234691
114 2,737 1,156712439
115 2,8809 1,48695018
116 3,0334 1,882125158
117 3,1945 2,350106374
118 3,3641 2,898866056
119 3,5419 3,535925471
120 3,7273 4,267553052
121 3,919 5,096331835
122 4,1154 6,021653021
123 4,314 7,035786312
124 4,5116 8,123102311
125 4,7044 9,259274896
126 4,8878 10,40904825
127 5,0565 11,52606348
128 5,2055 12,55997617
129 5,3297 13,45573281
130 5,4251 14,16472761
131 5,4888 14,64826867
132 5,5196 14,88497934
133 5,5182 14,8741786

52
134 5,4867 14,63219839
135 5,4285 14,19033169
136 5,3478 13,58884947
137 5,2493 12,8723495
138 5,1373 12,08122503
139 5,016 11,25270827
140 4,8889 10,41614734
141 4,759 9,594541355
142 4,6287 8,804309468
143 4,4997 8,055411406
144 4,3735 7,354974736
145 4,251 6,705539598
146 4,1329 6,107845969
147 4,0194 5,559719133
148 3,9109 5,059825853
149 3,8074 4,60491113
150 3,7089 4,191869964
151 3,6152 3,816965832
152 3,5262 3,477127223
153 3,4417 3,169132216
154 3,3615 2,890019267
155 3,2854 2,637069614
156 3,2132 2,407790476
157 3,1446 2,199602418
158 3,0794 2,01045648
159 3,0175 1,838751368
160 2,9586 1,68248311
161 2,9026 1,540343276
162 2,8492 1,410644751
163 2,7984 1,292554495
164 2,75 1,184844586
165 2,7038 1,086401103
166 2,6596 0,996214922
167 2,6175 0,913946835
168 2,5772 0,838516868
169 2,5386 0,76931435
170 2,5017 0,705945562
171 2,4663 0,647712161
172 2,4324 0,594295547
173 2,3998 0,545095257
174 2,3686 0,499998424
175 2,3386 0,458472084
176 2,3097 0,420170586
177 2,282 0,385027282
178 2,2553 0,35260517
179 2,2296 0,322744048

53
180 2,2048 0,295181047
181 2,1809 0,269782247
182 2,1579 0,246418586
183 2,1357 0,224871014
184 2,1142 0,204942421
185 2,0935 0,186628896
186 2,0734 0,169666278
187 2,054 0,154060698
188 2,0353 0,139730676
189 2,0172 0,126526521
190 1,9996 0,114315442
191 1,9826 0,103108849
192 1,9661 0,092784612
193 1,9501 0,083293231
194 1,9346 0,074586705
195 1,9195 0,066566924
196 1,9049 0,059246319
197 1,8907 0,052535238
198 1,8769 0,046399601
199 1,8636 0,0408467
200 1,8505 0,035723142
201 1,8379 0,031118959
202 1,8256 0,02693067
203 1,8136 0,023136134
204 1,8019 0,019713751
205 1,7906 0,016668273
206 1,7795 0,013925337
207 1,7688 0,011514506
208 1,7583 0,009371337
209 1,748 0,00748323
210 1,738 0,005853117
211 1,7283 0,004462997
212 1,7188 0,003283939
213 1,7096 0,002314155
214 1,7005 0,001521442
215 1,6917 0,000912382
216 1,6831 0,000466805
217 1,6747 0,00017439
218 1,6664 2,40656E-05
219 1,6584 9,5749E-06
220 1,6505 0,000120875
221 1,6428 0,000349478
222 1,6353 0,000686143
223 1,628 0,00112187
224 1,6208 0,001656029
225 1,6138 0,002274749

54
226 1,6069 0,002980541
227 1,6001 0,003769264
228 1,5935 0,004623229
229 1,5871 0,005534517
230 1,5808 0,006511575
231 1,5746 0,007550625
232 1,5685 0,008647946
233 1,5625 0,009799878
234 1,5567 0,010981852
235 1,551 0,012208998
236 1,5454 0,013477894
237 1,5399 0,014785182
238 1,5345 0,016127561
239 1,5292 0,017501791
240 1,524 0,018904692
241 1,5189 0,020333144
242 1,5139 0,021784087
243 1,509 0,023254522
244 1,5042 0,024741507
245 1,4995 0,026242164
246 1,4949 0,027753672
247 1,4903 0,0293075
248 1,4858 0,030868499
249 1,4814 0,032433969
250 1,4771 0,03400127
251 1,4729 0,035567823
252 1,4687 0,037169655
253 1,4646 0,038767378
254 1,4606 0,040358533
255 1,4566 0,041981688
256 1,4527 0,043595074
257 1,4489 0,045196351
258 1,4451 0,046826507
259 1,4414 0,048441516
260 1,4378 0,050039155
261 1,4342 0,051662714
262 1,4307 0,053266024
263 1,4272 0,054893835
264 1,4238 0,056498596
265 1,4204 0,058126478
266 1,4171 0,05972859
267 1,4138 0,061352483
268 1,4106 0,062947966
269 1,4075 0,064513121
270 1,4044 0,066097496
271 1,4013 0,067701091

55
272 1,3983 0,069271257
273 1,3953 0,070859423
274 1,3924 0,07241176
275 1,3895 0,073980917
276 1,3867 0,075511926
277 1,3839 0,077058614
278 1,3811 0,078620982
279 1,3784 0,080142402
280 1,3757 0,081678401
281 1,3731 0,083171291
282 1,3705 0,084677702
283 1,3679 0,086197633
284 1,3654 0,087671854
285 1,3629 0,089158576
286 1,3605 0,090597589
287 1,358 0,09210881
288 1,3557 0,093510174
289 1,3533 0,094983747
290 1,351 0,096406731
291 1,3487 0,097840295
292 1,3464 0,099284439
293 1,3442 0,100675694
294 1,342 0,102076629
295 1,3398 0,103487244
296 1,3377 0,10484277
267 1,3356 0,106207116
298 1,3335 0,107580283
299 1,3314 0,108962269
300 1,3294 0,110286646

498,4483 557,5123221
1,661494333

56
 14 - Anexo 02

Ø 0 α
-0,0045 0,2592
-0,009 0,252
-0,0136 0,2499
-0,0181 0,2456
-0,0228 0,2414
-0,0275 0,236
-0,0323 0,2311
-0,0372 0,2263
-0,0423 0,2211
-0,0474 0,2132
-0,0528 0,2111
-0,0583 0,2052
-0,0641 0,1995
-0,0701 0,1933
-0,0764 0,1875
-0,0829 0,1799
-0,0899 0,1739
-0,0972 0,1663
-0,105 0,152
-0,1133 0,1501
-0,1222 0,1411
-0,1318 0,132
-0,1421 0,1215
-0,1534 0,1103
-0,1656 0,0981
-0,1791 0,0844
-0,1939 0,07
-0,2104 0,0533
-0,2289 0,0349
-0,2498 0,014
-0,2735 -0,0009
-0,3007 -0,003362
-0,3323 -0,0681
-0,3693 -0,1051
-0,4133 -0,149
-0,4661 -0,2019
-0,5305 -0,2661
-0,6101 -0,3459
-0,7097 -0,4452
-0,835 -0,569
-0,9918 -0,7272
-1,1831 -0,919

57