Material Didático

Autor: Prof. Joel Gripp Júnior

CAPITULO 1
AJUSTAMENTO DE OBSERVAÇÕES

1.1-

INTRODUÇÃO

Ao obter uma medida que se requer confiança, qualquer pessoa intuitivamente repetirá observações e não irá confiar em apenas uma observação. Mas a partir de várias observações de uma mesma grandeza, que resultado final representa maior confiança e que seja único deverá ser utilizado? O ajustamento de observações cuida da resolução de problemas deste tipo, bem como a estimativa da precisão da solução adotada. O ajustamento de observações leva, além de uma solução única, a coerência de observações a modelos matemáticos apropriados a cada caso. Nos casos mais simples realizam-se medidas sobre as próprias incógnitas. Quando tais incógnitas se ligam por equações de condição o problema se torna um pouco menos simples. Outras vezes medem-se grandezas que se vinculam às incógnitas através de relações funcionais conhecidas, é o caso das observações indiretas ou parâmetros (ex.: coordenadas, altitudes, etc.). Em qualquer caso o que se busca, é purificar as observações das inconsistências que as acompanham, ou melhor dizendo, ajustá-las juntamente com parâmetros (quando existem), a um modelo matemático. Algumas dificuldades podem surgir quando se pretende ponderar as observações onde se deve atribuir “mais peso” àquelas que merecem maior confiança; isto pressupõe o conhecimento da precisão com que as medidas são efetuadas.

Seja os seguintes exemplos para enfatizar alguns pontos importantes do ponto de vista prático:
RN1

Ex.: 1- A figura ao lado esquematiza uma pequena rede de nivelamento geométrico; em função dos desníveis medidos. A altitude de RN1 pode ser transportada até RN2; como são inúmeros os caminhos possíveis, resultaram inúmeras soluções.
RN2

2

O ajustamento, entretanto, conduzirá a uma solução única tornando as observações coerentes com um modelo matemático. Alternativamente, a altitude de RN2 pode ser “fixada” como a RN1; neste caso as observações são ajustadas de tal maneira que o transporte de altitudes a partir de RN1 produza em RN2 um valor idêntico pré-fixado.

Ex.:2 – P e Q são vértices de uma cadeia de triangulação já ajustados razão pela qual suas coordenadas são consideradas “fixas”. Na poligonal PABCQ medem-se os lados (eletronicamente) e os ângulos. Admitindo que tais observações sejam, num caso ideal, isentos de erros; mesmo assim as coordenadas transportadas a partir de P não “fecham” em Q. Pois bem, o ajustamento deverá alterar os valores corretos para garantir aqueles fechamentos em obediência a um modelo matemático.

Ex.: 3 – Os ângulos medidos de um quadrilátero completo de uma triangulação geodésica; após

ajustados, a soma dos ângulos de todos os triângulos esféricos do quadrilátero deverão satisfazer à condição matemática de que o correspondente é igual a 180º mais o excesso esférico.

1.2-

O MÉTODO DOS MÍNIMOS QUADRADOS (M.M.Q) Considerando o caso da medida direta de uma grandeza x; sejam b1, b2, b3......bn

os valores obtidos em uma série de n observações. Na impossibilidade de obter o verdadeiro valor de x deve-se se contentar com uma estimativa que seja confiável. Adotando, o valor x com base em um certo critério e calculando as diferenças temos:
x b1 V1 x b2 . x bn V2 Vn

ou x –bi= Vi

para i= 1,2,3,..........n

3

Tais diferenças (Vi) são resíduos, isto é, os valores, a priori desconhecidos, que somados às observações reproduzem o valor escolhido x. Poderia-se, mudando o critério eleger um valor diferente x’; resultaria um novo conjunto de resíduos: x’-bi= Vi’ e assim por diante x’’-bi=Vi’’; etc.. Qual dos valores x, x’, x’’ deve-se adotar? Em outras palavras, como escolher um critério que permite, das observações repetidas bi, discrepantes entre si, extrair um valor único para representar a incógnita x? A quase dois séculos o geodesista fez sua opção, seguindo o caminho indicado por GAUSS e LEGENDRE: ACEITAR COMO MELHOR ESTIMATIVA DE X O VALOR QUE TORNA MÍNIMA A SOMA DOS QUADRADOS DOS RESÍDUOS. O critério supra caracteriza o método dos mínimos quadrados (M.M.Q) instituído independentemente pelos dois grandes matemáticos acima citados. Até a bem pouco, o M.M.Q, quando referido, conservava a notação original de Gauss, respeitada universalmente [v.v]= min, o colchete indicando somatório, com variações subentendidas de 1 a n e sem utilizar expoentes. Quando as observações não oferecem o mesmo grau de confiança são “homogeneizadas” através de pesos pi:
n

p i vi
i 1

2

min

ou

[p.v.v]= min

Modernamente prefere-se a linguagem matricial;

V tV V PV
t

min

sendo V o vetor coluna dos resíduos e P uma matriz quadrada (matriz dos pesos) min

Como será visto com o desenvolver do assunto, o ajustamento é uma grande ferramenta às várias áreas da engenharia de levantamentos, tais como: Topografia, Geodésia, Fotogrametria, Astronomia, etc.

4

ou seja.5 Discrepância É a diferença entre os valores de duas medidas de uma mesma grandeza.2.2. imperfeição instrumental e instabilidade da natureza fazem com que as medidas nunca tenham exatidão absoluta. os resultados nunca serão idênticos. Ei xi x 2. não se conhece o valor real ou verdadeiro da grandeza. ei xi x 2. pode-se afirmar que todas as medidas contêm erros. Com a finalidade de conhecer bem a teoria dos erros. vi x xi 2. INTRODUÇÃO Na medida de uma determinada grandeza. Um operador repetindo várias vezes uma mesma medida.4 Resíduo (v) No ajustamento denomina-se de resíduo ao inverso do erro aparente.1. por mais que seja o cuidado utilizado nas determinações.2 Erro Absoluto Aparente (E) É a diferença. Assim.3 Erro verdadeiro e Erro Aparente Por analogia ao conceito anterior. alguns conceitos importantes e de uso comum no ajustamento de observações. em valor absoluto.´CAPÍTULO 2 TEORIA DOS ERROS 2.2.2. obtidas por dois operadores diferentes. ALGUNS CONCEITOS 2. 2. As vezes é incorretamente chamada de erro. entre a medição de uma grandeza física e o seu verdadeiro valor. certos fatores como limitação humana. serão apresentados.2.2. a seguir. é a correção e que tem sinal contrário do erro aparente.1 Erro Absoluto Verdadeiro É a diferença. entre a medição de uma grandeza (xi) e seu valor mais provável ( x ). Na prática. conhece-se o valor mais provável desta grandeza. 2. em valor absoluto. só que se considerando o sinal da diferença entre a medida. 5 .

Ex. 2. como sendo a relação entre o desvio padrão de uma série de determinações da grandeza e o valor mais provável correspondente. Para evitar erros grosseiros deve-se sempre repetir cuidadosamente as medições.: erro de anotação.2. Se as causas dos erros são conhecidas. Estas medições devem ser repetidas. expressa-se o erro relativo. 6 .: x = 229. em ajustamento de observações.314 1 19. Ex. em termos de fração. TIPOS DE ERROS EM FUNÇÃO DA SUA ORIGEM E CARACTERÍSTICAS 2.3. o erro relativo é mais utilizado. colocando-se a unidade no numerador.012m então. pode-se calcular o erro e eliminá-lo.3. er er 0. erro de cálculo.1 Erros Grosseiros Erros cometidos nas medições por desatenção ou confusão do operador. São erros cumulativos.314m e n= 0.2.2.012 229. etc. 2. er E x Considerando um grupo de observações resultante de repetições. erro na leitura de um ângulo.7 Erro Tolerável (Tolerância) Considera-se normalmente como sendo o triplo do desvio padrão da média tol 3 n A razão de se adotar esta expressão será estudada oportunamente.6 Erro Relativo (er) É a relação entre o erro absoluto e o valor mais provável da grandeza ( x ).3. Comumente.2 Erros Sistemáticos Podem ser expressos por uma função matemática.109 2.

. o mesmo valor. seguem uma distribuição de freqüência que muito se aproxima da distribuição normal.Caracterizam-se por ocorrer sempre em um mesmo sentido e conservarem em medições sucessivas. São três os tipos de erros sistemáticos: a) Erros sistemáticos introduzidos pelo observador Ex. então calcular o erro e corrigir os resultados das medições.3 Erros Acidentais Ocorrem de causas desconhecidas e incontroláveis. qualquer que sejam os observadores. Pode-se dizer que os erros acidentais são os que ainda restam na determinação de uma grandeza. os instrumentos e os métodos. Conclui-se que a distância tem um erro sistemático de 80cm. causando discrepâncias que a princípio apresentam sem qualquer conformidade matemática. não permitindo outro tratamento se não baseado na teoria da probabilidade. ou seja.: Uso de instrumentos em condições diferentes daquelas para as quais foram calibradas ou. a distância total seria de 80m. Sempre que possível os erros pessoais podem ser minimizados pela substituição do observador humano por um mecânico ou eletrônico. 7 . do instrumento e do método usado. Caracterizam-se por ocorrerem ao acaso. A sua influência sobre as observações é aleatória.: Utilização de um método baseado em equação matemática não representativa da realidade do fenômeno. Se for realizado um número grande de observações. Às vezes pode-se corrigir o instrumento fazendo o mesmo fornecer resultados sem erros sistemáticos ou. 2. por comparação com um padrão de confiança.: erros cometidos por deficiência de visão b) Erros sistemáticos introduzidos pelo instrumento Ex. Decorrem das imperfeições do observador. porém inevitáveis e encontrados em todas as observações. c) Erros sistemáticos introduzidos pelo método Ex. a experiência tem demonstrado que estes erros revelam alguma regularidade. Os erros instrumentais são reduzidos por meio de uma aferição ou calibração do aparelho. em que foram tomados todos os cuidados para eliminar os erros grosseiros e sistemáticos. Detectando posteriormente que a trena tem na realidade 10. Em geral são erros pequenos.10m.3. por exemplo: Suponha uma distância obtida a partir de oito trenadas e supondo que cada trenada equivale a 10m.

2.6.: coordenadas. Ex. 2.: uma distância ou ângulo isolado.4. tem-se que a+b+c= 180º 2. porém se prendem a alguma equação de condição conhecida. MEDIDAS DE PRECISÃO Precisão é a consistência da medida ou grau de refinamento de um grupo de medidas. Ex. em relação à grandeza procurada.6. 2. b. o valor mais provável deverá ser obtido considerando-se um fator de proporcionalidade ao qual denominamos de PESO. Nas medições os termos mais comumente usados para expressar a precisão são a variância e o desvio padrão ou erro quadrático. No caso de observações obtidas com diferentes graus de confiabilidade. etc. CLASSIFICAÇÃO DAS OBSERVAÇÕES 2. Obs: Oportunamente o PESO será elucidado em detalhes. Comum para o calcula da variância adotar o seguinte critério: Se o número de observações (n) for menor que 30. mas a outras a elas ligadas por meio de relações conhecidas.4.2 Indiretas As observações não são feitas diretamente sobre as grandezas procuradas.4. VALOR MAIS PROVÁVEL DE UMA GRANDEZA O valor mais provável de uma grandeza. uma vez que não se conheçam os seus valores reais ou teóricos. sem que existam meios para verificação do erro. medidas com um grau idêntico de confiabilidade. utilizando o mesmo equipamento e o mesmo método. ou seja.4.: Na medida de três ângulos (a. Ex. áreas. 2.2.5.3 Diretas condicionadas As observações são feitas diretamente.1 Diretas As medições são efetuadas diretamente. medida diversas vezes pelo mesmo operador. a variância é obtida por: n ei2 2 i 1 n 1 Somatório do quadrado dos erros aparentes Número de observações menos um 8 . é a MÉDIA ARITMÉTICA dos valores encontrados.1 Variância Definida como a média do quadrado dos erros aparentes. e são independentes entre si. c) de um triângulo plano.

ao invés de se ter o desvio padrão como precisão. Dependendo da grandeza. se além de apresentado o valor para a grandeza desejada. é comum apresentar o erro relativo no lugar deste.2 Desvio Padrão Somatório do quadrado dos erros aparentes Número de observações É a raiz quadrada da Variância. o resultado terá maior valor. n n ei2 i 1 ei2 ou i 1 n 1 n Seja qual for o tipo de observação.6.Se o número de observações n for maior do que 30 teremos: n ei2 2 i 1 n 2. for apresentado também a precisão com que esta foi obtida. é o caso por exemplo de distâncias. 9 .

instrumento e método. os erros acidentais ocorrem de forma aleatória e tendendo a obedecer a distribuição normal ou Lei de Gauss.) é igual à área assinalada na figura. o erro probabilidade nula.CAPÍTULO 3 DISTRIBUIÇÃO NORMAL Como já foi mencionado. menor que compreendido entre + e . isto é. d) A curva apresenta dois pontos de inflexão correspondentes a padrão). nas mesmas condições (mesmo operador. c) A curva tem por assíntota o eixo dos x. isto é. b) As ordenadas correspondentes aos erros pequenos são as maiores. Considerando uma operação qualquer de medição efetuada um grande número de vezes. F(x) P F ( E )dE - + x 10 . tem uma (desvio (erro e) A probabilidade de se cometer um erro. em valor absoluto. os erros positivos e negativos de mesmo valor absoluto têm igual probabilidade.) a teoria das probabilidades mostra e a experiência permite verificar que os erros acidentais produzidos gozam das seguintes propriedades: 1º) a um erro positivo corresponde um erro negativo de mesmo valor absoluto (os erros positivos e negativos de mesmo valor absoluto têm igual probabilidade) 2º) os erros pequenos são os mais numerosos ( o erro nulo é o mais provável) A curva que representa a Lei de Gauss tem forma de um sino e goza das seguintes propriedades: y - + x a) É simétrica em relação ao eixo dos y. os erros pequenos têm maior probabilidade do que os grandes. isto é. etc.

mais achatada será a curva.. E 2 e 2 2 = desvio padrão E= erro considerado.f) A área total limitada pela curva.1587 P2= (x< + )= 0. ou se temos uma medida x e uma média x . a probabilidade de se cometer simultaneamente todos os erros é. pode-se fazer: 1) Encontrar a probabilidade dos erros menores. do que um desvio padrão (1 ) .x. em valor absoluto. E= x. y y y - x + x - + x P1 (x< . quanto maior for o desvio padrão (menor precisão). Se for considerado na equação da Lei de Gauss desvios padrões =3.ou seja.) = 0. portanto. =2 e ou. E 2 P E 1 2 e 2 2 dE ou P= probabilidade = área sob a curva Como aplicação simples. igual à unidade (100%) A curva da lei de Gauss pode ser representada analiticamente pela: F (E) Onde: 1 2 1.8413 P= P2. as curvas correspondentes seriam: y =1. encontrar a àrea sob a curva limitada pelas abscissas + e .26% 11 . -3 -2 -1 +1 +2 +3 x É comum encontrar tabelas que fornecem os valores resultantes das integrais (que representam probabilidades): E X1 1.P1= 68. isto é.

e em ordenadas. considerando 3 : y -3 +3 x P= 99. se for marcado em abscissas as grandezas dos erros (erros aparentes). considerando-se 2 . o número de ocorrências correspondentes.2) Para o esmo raciocínio anterior.45% 3) Idem. se o número de observações for grande. 12 . pode-se verificar uma concordância perfeita com a curva de Gauss. Na prática.: As aplicações anteriores serão úteis quando for apresentado o estudo da tolerância nos levantamentos. obtem-se: y -2 +2 x P= 95.73% Obs.

E x 2 F X2 Ex2 Considerando que as grandezas X1 e X2 foram medidas com várias repetições e somando os valores obtidos devido a estas repetições. por exemplo. X 2 ) F X1 E x1 F X2 Ex2 E então. por exemplo. se for obtido a área de um quadrilátero cujos lados são L1 e L2 com desvio padrão então a área obtida terá um desvio padrão A devido a propagação de L1 e L2. então a grandeza obtida também conterá erros. indiretamente. X2) Ey F X1 E x1 F X2 Ex2 Que elevando ao quadrado: 2 2 Ey 2 F X1 E x1 2 F X1 F X2 E x1 . Inicialmente será deduzida a lei de propagação de erros envolvendo apenas grandezas não correlacionadas. a correspondente função ficará: Y+ Ey= F(X1+Ex1.1 INTRODUÇÃO Se a partir de uma relação matemática obtém-se alguma grandeza em função de outras que possuem erros. vem: Y Ey F ( X 1.CAPÍTULO 4 LEI DE PROPAGAÇÃO DE ERROS – FÓRMULA ALGÉBRICA 4. como Y= F(X1. vem: 13 . Com a finalidade de conseguir variâncias (ou desvios padrões) de grandezas obtidas assim. Assim. a realização de uma pré-análise. 4. Se numa dada medida da série de observações tivermos os erros Ex1 e Ex2 nas grandezas X1 e X2. X2+Ex2) Desenvolvendo a função F em série de Taylor e desprezando os termos de 2ª ordem e superiores. fazer uma análise de erros visando. X2) função das grandezas não correlacionadas X1 e X2 de desvios padrões conhecidos x1 e x2. faz-se o uso da lei de propagação de erros. A lei de propagação de erros (ou variâncias) deve ser recorrida quando deseja-se 1 e 2.2 DEDUÇÃO DA EQUAÇÃO DA LEI DE PROPAGAÇÃO DE ERROS: Suponha Y= F(X1.

F Xm 2 xm Que é a equação geral da lei de propagação de erros para os casos em que não há correlação entre as grandezas medidas.. X2.. D d 10 1 14 ....d10) 1. i 1 E x1...... 2 2 2 2 2 2 y F X1 x1 F X2 x2 .n 2 n Ey i 1 2 F X1 i 1 E x1 2 n 2 n 2 n F X1 F X2 i 1 E x1 ..d3. D d3 1 . 4.Xm)... Qual seria o desvio padrão da distância total D? A função que relaciona a distância total D ao segmento dado é: D= d1+d2+d3+.....3 EXEMPLOS DE APLICAÇÃO DA LEI DE PROPAGAÇÃO DE ERROS 1º) Uma distância de aproximadamente 490m deve ser medida com uma trena de 50m de comprimento. logo n 2 n 2 Ey i 1 2 F X1 i 1 E x1 2 n F X2 i 1 Ex2 2 Dividindo pelo número de vezes em que as grandezas forma medidas......+d10.E x 2 F X2 i 1 Ex2 2 Mas sendo X1 e X2 não correlacionados... As derivadas parciais... são: D d1 logo D=f (d1. n n 2 x1 i 1 Ex1 . n 2 n 2 x2 i 1 Ex2 n 2 Substituindo: 2 2 2 2 y F X1 x1 F X2 2 x2 Considerando Y como sendo função de m outras grandezas ou Y= F(X1.d2..... D d2 1. Sendo que o desvio padrão de cada “trenada” é conhecido e considerado igual a d= 5mm....E x 2 = 0... vem: n i 1 Ey 2 n 2 F X1 n i 1 E x1 n 2 F X2 2 n i 1 Ex2 n 2 mas n 2 y i 1 Ey 2 ....

.060( m 2 ) 2 30 2 (0.E a equação da lei de propagação dos erros se torna: 2 2 2 2 2 2 D D d1 d1 2 D d2 d 2 ..050) 2 A 0.250 0. L1= 50mm.030) 2 2 2 A 1..... 1 d10 2 D 1 25 1 25 .L2 As derivadas parciais são: A L1 L2 e 2 A L2 L1 2 A L2 2 2 A A L1 2 L1 2 L2 2 A L2 2 2 L1 L1 2 L2 2 A 10 2 (0....0296m 2 15 ...810 A 1.... 1 25 D 250mm 2 2 D 16 mm 2º) Qual o desvio padrão da área de um lote retangular que tem os seguintes lados: L1 = 30m . L2= 30mm A área pode ser obtida por A=L1. 2 D d 10 2 d10 2 D 1 2 d1 1 d 2 ..... L2 = 10m .

Os valores dos erros individuais serão: E1 E2 x1 x2 x0 x0 Onde x0 é o valor verdadeiro da grandeza medida.. A variância ( 2 ) das medidas é definida como a média dos quadrados dos erros n Ei2 2 i 1 n e o desvio padrão 2 16 .. Para o estudo e cálculo da covariância. aqui simbolizado por xy. será estudado anteriormente. Suponha que uma grandeza x foi medida n vezes e que somente erros acidentais estão influenciando as medidas x1. um poderá ser obtido do outro. Duas medidas (ou funções) são não correlacionadas quando são independentes entre si.. coordenadas x e y de estações também de uma poligonal.. .... x2.... . Se o número de observações for suficientemente grande (tendendo a ).1 INTRODUÇÃO 5.. numa poligonal os ângulos e distâncias obtidos por diferentes instrumentos e métodos cujas fontes de erros são também diferentes. E n x n x0 Os erros acidentais Ei das medidas repetidas ocorrem com igual probabilidade de serem positivos (+) e negativos (. xn...1. a variância e o desvio padrão. a soma dos erros tenderá a zero.. Por exemplo. um pouco mais.. porque ambas (x e y) podem ser obtidas dos mesmos ângulos e distâncias. x3...1 COVARIÂNCIA E COEFICIENTE DE CORRELAÇÃO O termo covariância. é usado para denominar uma medida numérica da correlação entre duas observações x e y ou entre duas funções medidas. Como exemplo de medidas correlacionadas pode-se citar coordenadas e ângulos ou distâncias...).. Um outro exemplo.. Um outro exemplo seria ângulos medidos em diferentes estações de uma triangulação...CAPITULO 5 LEI DE PROPAGAÇÃO DOS ERROS (COVARIÂNCIAS) FORMA MATRICIAL 5..

17 ....... o coeficiente de correlação ( xy ) poderá ser examinado.... medidas n vezes... Os valores dos erros individuais serão: 1ª GRANDEZA EX1 EX 2 x1 x2 x0 x0 2ª GRANDEZA EY 1 EY 2 Y1 Y0 Y2 Y0 .. a grandeza y é função de x (ou vice-versa) Se xy = 0...... então x e y são não correlacionados (x e y tendem a variar juntos)... tenderá a zero para um número n suficientemente grande (tendendo ao infinito) A fim de avaliar quão forte é a correlação entre duas observações. Este pode ser obtido por: xy xy x y Pode-se dizer que: -1 < xy < 1 Se xy = 1.. o valor verdadeiro da grandeza medida não é conhecido na prática e o número de medidas é limitado a um número finito.. e o valor de xy.. E Xn xn x0 . . porém.... então há uma perfeita relação entre x e y ou... ..Geralmente.. EYn Yn Y0 Uma estimativa para a covariância xy de x e y pode ser calculado como sendo uma média da soma do produto dos pares de erros escolhidos aleatoriamente nas duas grandezas: n ( Exi Eyi ) i 1 xy n Combinação x e y para n tendendo ao infinito.... Para um pequeno número (n<30) de repetições adota-se para o cálculo de variância: n ei2 2 i 1 Sendo e o erro aparente ou ei xi x n 1 Suponha duas grandezas correlacionadas x e y.... Se não houver correlação entre x e y então a probabilidade de erros serem (+) ou (-) serão iguais e randomicamente distribuídas..

5. 18 . e x3 de variâncias x1 2 . x2 2 . 5. pois a variância é um caso particular da covariância para i = j. n1 . Para o caso de uma variável aleatória discreta a f. . para todo i tal que xi < x.. x3 X 21 31 e numa forma generalizada: 2 1 X 21 12 2 2 .a.d.. x1x3 e x2x3.. a...2 MATRIZ VARIÂNCIA-COVARIÂNCIA (MVC) Suponha inicialmente as grandezas x1. x2.. denomina-se Matriz Variância-Covariância (MVC) que é comumente simbolizada por x: X x1 x 2 x1 x3 x1 2 1 2 x1 x 2 2 x2 x3 x 2 12 2 2 32 13 23 2 3 x1 x3 x 2 x3 2 ou simplesmente.1.. 2 n A matriz x é simétrica porque ij é igual a ji e também pode ser denominada simplesmente de Matriz Covariância... .3 REVISÃO DE ALGUNS ELEMENTOS DE ESTATÍSTICA a) Função de distribuição (de probabilidade) acumulada A função de distribuição (de probabilidade) acumulada de uma variável aleatória x no ponto x é definida por: P(x < x ) = F(x) (probabilidade de que a v... assuma um valor inferior ou igual a x).. n2 . ..1.e x3 2 e covariâncias x1x2.. A matriz quadrada cujas componentes são variâncias e covariâncias devidamente dispostas.. reveste a forma: n F(xi) = P (x < xi) = i 1 p ( xi ) . 1n 2n .

que desenvolvendo resulta: 2 x E( x 2 ) x E( x 2 ) x 2 19 . “esperança matemática” ou simplesmente esperança da variável aleatória discreta x por: E ( x) i 1 xi p ( xi ) No caso de uma variável aleatória contínua. n E ( x) i 1 xi p ( xi ) A média aritmética de n observações pode ser obtida por: 1 n x xi i 1 Se dos r valores distintos. a fórmula anterior assumirá a forma: r x j i njxj n r xj f j j i sendo f j nj n a freqüência relativa. xi ocorrer com uma freqüência nj. c) Variância Em relação à esperança matemática é definida como sendo: Var ( x) 2 2 x E x E ( x) E ( x) 2 2 .b) Esperança Matemática Define-se “valor esperado”. “valor médio”. Se n o fi p(xi) e x E(x) ou quando o tamanho da amostra tende para o infinito a média amostral se avizinha da média da população da qual se originou. “expectância”. define-se a esperança matemática como: E ( x) xi f ( x)dx Se a variável discreta assumir um número finito de valores.

........... . ....... . em relação à esperança matemática pode ser obtida por: Cov(x..d) Covariância Considerando duas variáveis x e y.... 1n 2n X 21 ...... .. n2 . . E(y) e xy = 0 5... x2.. n1 .......... a covariância que exprime o grau de dependência entre as duas variáveis........ (X – Ux)T obtem-se: ( x1 u1 )( xn u n ) ( x2 u 2 )( xn u n ) . 2 nn Esta matriz relaciona variáveis x1.....y) = xy E ( x x ) ( y y ) ou após o desenvolvimento xy xy E ( xy) E ( x) E ( y ) E ( xy) x y Se não houver dependência E(xy) = E(x) ........ xn que podem estar dispostos num vetor x1 x2 xn Simbolizando por Ux como sendo o vetor de E(x) ou E ( x1 ) Ux E ( x2 ) E ( xn ) u1 u2 un Desenvolvendo a expressão Matricial ( x1 u1 )( x1 u1 ) ( x1 u1 )( x2 u 2 ) ( x2 u 2 )( x1 u1 ) ( x2 u 2 )( x2 u 2 ) ..2 MATRIZ VARIÂNCIA-COVARIÂNCIA – MVC A matriz variância-covariância já foi apresentada anteriormente... ( xn u n )( xn u n ) 20 ..... ( xn u n )( x1 u1 ) ( xn u n )( x2 u 2 ) (X – Ux) ....... e se apresenta na forma: 2 11 12 2 22 .

E daí conclui-se: a) x = E{(X – Ux) . tem-se que fazer uma linearização usando desenvolvimento de Taylor Assim. então substituindo I e II nesta equação. se Y = F(x) é não linear. 5. c) A MVC é simétrica. Para o caso de função não linear. vem: y E Gx C G E x C GX C GE ( x) C T que desenvolvendo. pois ij é igual a ji d) A variância é um caso particular de covariância para i = j. o desenvolvimento de Taylor nos conduz a: Y F x F x0 F x X X0 X0 onde X0 contém valores aproximados para X 21 . permite chegar em: Y G X GT que é a Lei de propagação das covariâncias A fórmula anterior á válida para o caso de y= F(x) ser linear. I m 1 Y m Gn m X 1 m C1 Sendo C um vetor mX1 de constantes e G uma matriz de coeficientes. (X – Ux)T} 2 11 12 e pode-se ver que: E{( x1 u1 )( x1 u1 )} E{( x1 u1 ) 2 } E{( x1 u1 )( x2 u 2 )} b) A diagonal da matriz variância-covariância (MVC) é constituída de variâncias e os demais elementos são covariâncias. onde y é uma função linear de x.3 LEI DE PROPAGAÇÃO DE COVARIÂNCIAS Considerando duas variáveis aleatórias y e x. (Y – Uy)T} . A Esperança matemática de y é: II Ux E{Y } E{Gx } G E{ X } C Anteriormente foi visto que pode-se fazer: y = E{(Y – Uy) .

4 EXEMPLOS DE APLICAÇÃO DA LEI DE PROPAGAÇÃO DAS COVARIÂNCIAS NA FORMA MATRICIAL 1º) As observações das direções di (figura) conduziu aos seguintes resultados: 2 ij = 3”2 para i=j 0 para i j a) Calcular a matriz variância-covariância dos ângulos bi b) Calcular o coeficiente de correlação entre os ângulos (b1 e b2. com a aplicação da linearização de Taylor. por um desenvolvimento idêntico da aplicação da lei de propagação das covariâncias. b3 e b4.F x X0 y1 x1 y2 x1 ym x1 y1 x2 y2 x2 ym x2 y1 xn y2 xn ym xn m Dn Os elementos da matriz D são resultantes da aplicação dos valores aproximados de x nas derivadas parciais. b1 e b3. Para esta função. d1 e b1 e b4) b1 b2 b3 d2 b4 d3 d4 Sendo D d1 d2 d3 d4 (Matriz das observações) 22 . chega-se em: Y D X DT 5. não linear.

Do enunciado já se pode observar que a MVC das direções é: 3" 0 0 0 3" 0 0 0 0 0 0 0 D 3" 0 0 3" b1 d2 d1 As equações envolvidas são: b2 b3 b4 d 3 d1 d 4 d1 d3 d 2 A matriz G dos coeficientes será: 1 1 1 0 1 0 0 0 1 0 G 0 0 1 1 1 0 O sistema na forma matricial é: B = G. D b1 b2 Ou b3 b4 1 1 1 0 1 0 0 0 1 0 d1 d2 d3 d4 G D GT 0 0 1 1 1 0 B A MVC de B (ou dos ângulos) será: Então: 1 B 1 1 0 1 0 0 0 0 1 0 0 1 3" 0 0 0 1 1 0 0 3 3 0 6 (" ) 2 0 3" 0 0 1 0 1 0 0 0 0 0 0 3" 1 0 1 1 0 1 1 0 0 1 0 1 0 1 0 0 1 0 1 1 0 3" 0 0 0 1 1 1 0 3 3 0 0 B 3 0 3 0 3 0 0 3 0 6 B 3 3 3 3 0 3 3 6 3 3 6 3 3 0 23 .

não há correlação entre b3 e b4 b4) b1 e b4 b1 b1b4 b1b4 b1 b4 2 2 6 6 3 b1 b4 6 6 e temos: b4 b1b4 3 1 0.5 6 2 6 6 logo.b) Calcular o coeficiente de correlação entre os ângulos: b1) b1 e b2 b1b2 b1b2 b1 b2 Da Matriz B pode-se tirar: b1 2 2 6 6 3 b1 b2 6 6 b2 b1b2 b1b2 3 6 6 3 6 1 2 0. pois b1b2 no mesmo sentido. para + ou para -) b2) b1 e b3 b1b3 b1b3 b1 b3 0 (ou b1 e b2 tendem a variar juntos e b1 e temos: 2 2 6 6 3 b1 b3 6 6 b3 b1b3 b1b3 b3) b3 e b4 b3b4 b3b4 b3 b4 3 6 6 3 6 1 2 0. há correlação entre b1 e b4 ou b1 e b4 tendem a variar juntos e em sentido contrário (uma para + e outra para -) devido o coeficiente ser negativo.5 Há correlação entre b1 e b2. b1b3 3 24 .5 (idem) mas b3b4 0 b3b4 0 logo.

... tendo-se n observações............ e sendo que cada observação possua um resíduo v .…............. o modelo matemático seria inconsistente devido ao fato das observações possuírem erros que são inevitáveis... Assim..... sendo V um vetor que contém os resíduos V = [v1. ou seja. a nu xnu l3 (c ) Se o vetor L contiver elementos oriundos de observações (neste caso normalmente utiliza-se o símbolo Lb)......) O método dos mínimos quadrados (M....... v2................ M.. a1u x1u n Admitindo-se que para um problema se possa formular um modelo matemático n L1 sendo n o número de observações e u o número de equações.. e nesse caso o M........ o método dos mínimos quadrados é o aceito como melhor por satisfazer diversos requisitos estatísticos ( é uma solução de variância mínima... quando se realiza um número redundante de observações.................Q....... a n1 xn1 a n 2 xn 2 ... a 2u x 2 u .M. v3. .... Algebricamente l1 ( a ) l 2 (b ) a 21 x 21 a 22 x22 .... o princípio diz: n = v12 + v22 + …+ vn2 = i 1 vi 2 V TV mínimo .) tem como princípio: a soma dos quadrados dos resíduos deve ser mínima.... se apresenta como: = v12 p1+ v22 p2+ …+ vn2 pn = i 1 n vi p i 2 V T PV mínimo.... Se as n observações forem obtidas com diferentes níveis de confiabilidade necessário se torna a introdução de uma ponderação.1 O MÉTODO DOS MÍNIMOS QUADRADOS Como já foi comentado anteriormente...... um peso. Au u X 1 o modelo seria: a11 x11 a12 x12 ........ Entre as diferentes alternativas ou métodos que podem fornecer a solução... vn]T... 25 .. é uma solução de máxima verossimilhança.CAPITULO 6 O MÉTODO DOS MÍNIMOS QUADRADOS E OS PESOS NAS OBSERVAÇÕES 6.. etc.. Q.. necessita-se realizar um ajustamento de observações a fim de que as observações se tornem consistentes e a solução seja única...

faz-se necessário conhecer algumas propriedades aplicadas às matrizes. BT .Q.V = ( AX ˆ Lb ) T ( AX Lb ) mínimo Para ser mínimo a primeira derivada de tem que ser igual a zero. ˆ ˆ Assim: AX Lb V La e V AX Lb Aplicando o M. : ˆ = VT. Qualquer método de resolução de sistemas de equações poderá ser utilizado. Para melhor compreensão do desenvolvimento acima proposto. A solução do sistema é única e satisfaz o princípio dos mínimos quadrados.V = ( AX ˆ Lb ) T ( AX Lb ) mínimo Então: ˆ X ˆ 2 AT AX 2 AT Lb 0 Logo: ˆ AT AX AT Lb 0 Esta última equação matricial representa o conjunto de u equações normais e u incógnitas. conforme será visto posteriormente. Assim: AT Lb ˆ ( AT A) 1 AT AX ( AT A) 1 AT Lb ˆ X ( AT A) 1 AT L b ˆ AT AX Se as observações forem feitas com desigual confiança.Q.V = ( AX Lb ) T P ( AX análoga à anterior. AT 3ª) X T AY X X T AX X AY 2 AX 4ª) Desenvolvimento ˆ = VT. porém a solução por inversão de matrizes apresenta alguma vantagem. aplica-se o M.M.M.As correções (ou resíduos) a serem introduzidos nas observações para remover a inconsistência devem ser obtidas a partir da aplicação do método dos mínimos quadrados. 1ª) (A + B – C)T = AT + BT – CT 2ª) (A. considerando a matriz Peso (P).P.B. ou: ˆ ˆ = VT.C)T = CT . chega-se em: Lb ) mínimo e procedendo de forma 26 .

onde se consideram n equações e apenas três incógnitas: ai1 ai1 x1 ai 2 ai1 x1 ai 3 ai1 x1 ai1 ai 2 x2 a i 2 ai 2 x 2 a i 3 ai 2 x 2 ai1 ai 3 x3 ai 2 ai 3 x3 ai 3 ai 3 x3 ai1 lbi ai 2 lbi ai 3 lbi 0 0 0 Uma vez estabelecido um problema. Todas as medidas são não correlacionadas e têm a mesma precisão. podem ser subdivididos em função de suas características.M. ou seja. será feito um exemplo numérico de aplicação do M. Os diferentes tipos de problemas que aparecem. matriz Peso ˆ igual à matriz identidade. x2 e x3 já se teria a distância AD desejada. Se as medidas forem ajustadas de acordo com o princípio dos mínimos quadrados. qual será o resultado da distância ajustada entre A e D? Solução: Com as distâncias AB.000m. dando origem aos chamados métodos de ajustamento e que serão melhor estudados nos próximos capítulos.Q. BC e CD que serão simbolizadas por x1. pode-se montar as equações envolvidas.040m e 200. conforme será estudado à frente.080m. 100. do tipo de modelo matemático definido pelas equações envolvidas. Não sendo as equações lineares.000m C L3 = 100. A seguir. poderá ser obtida simplesmente seguindo-se o raciocínio anteriormente elucidado. e então se estas forem lineares a solução que atende o M.000m. ou seja. respectivamente. antes de aplicar o método. CD.000m.Q. 100. o modelo matemático matricial AT AX AT Lb 0 poderá ser apresentado algebricamente da forma a seguir. porém foram realizadas cinco medidas de distâncias. AC e BD forma medidas e os valores observados foram 100.000m Na figura acima as distâncias AB.M. 200. Exemplo numérico: L4 = 200. logo se tem 27 .040m L1 = 100.ˆ AT PAX AT PLb 0 Considerando-se observações com igual confiabilidade. estas deverão ser linearizadas.000m A B L2 = 100.080m D A L5 = 200. BC. ainda numa forma geral sem definir o método de ajustamento a ser utilizado.

080 (a) (b) (c) As três equações anteriores que possuem três incógnitas.000 )2 = mínimo Para minimizar a a a x2 a 200. Em se tratando de apenas três equações e do tipo como as anteriores.000 100.000 0 2 x2 0 a x2 x3 a 2 x2 2 x3 a 2 x1 2 x2 a x2 x3 a x3 a 200.080 x1 a a a a a x2 x3 x1 x2 x2 x3 x1 x2 x2 x3 a a a ou ou l4 l5 x2 200.5x2a + x3a = 350. inclusive por meio de substituições de umas nas outras.040 200.duas observações redundantes.Q.080 )2 + ( x1 a x3 200. devido a facilidade. formam um sistema de equações normais que uma vez resolvido. suas derivadas parciais com relação a cada uma das distâncias x1 . x2a e x3a.000 100. tem-se que a soma do quadrado dos resíduos deve ser mínima então: = v12 + v22 + v32 + v42 + v52 = mínimo a a a a =( x1 100.000 0 a a a a Desenvolvendo e rearranjando.M.040 x2a + 2x3a = 300. x2 e x3 devem ser iguais a zero x1 a 2 x1 a 100.020 – 2. fornecerá resultados consistentes.040 200.000 )2 + ( x3 100. Para cada observação se pode formular uma equação envolvendo as grandezas ajustadas x1a. a resolução pode ser feita. l1 v1 l2 l3 l4 l5 v2 v3 v4 v5 x1 a a ou ou ou x2 x3 a a v1 v2 v3 v4 v5 x1 a a a a a l1 l2 l3 x2 x3 a a x1 a a 100.020 e x3a = 350.040 200.040 a a a x1 + 3x2 + x3 = 500.000 x2 x3 Aplicando o M.080 2 x1 a x2 a 200.000 )2 + ( x2 100.5 x2a 28 .000 100. ou: Dividindo (a) por 2 e subtraindo de (b) vem: 2.000 100. as três equações se tornam: 2x1a + x2a = 300.040 )+ + ( x2 a .

inversamente proporcional ao quadrado do desvio padrão correspondente. e observação i. atribuir a uma observação um peso qualquer e calcular os pesos dos demais. que é simétrica.. Matriz dos Pesos Seja a matriz variância-covariância X relativa às grandezas dos elementos de X.. Em outras palavras..060m.025m então.. os pesos serão: 2 2 2 0 2 1 pi . = pn = 0 2 Pode-se. 2. Uma grande precisão é indicada por um pequeno desvio. 6. Ln observações.. L2... poderá ser obtida por: Px = 0 2 -1 X 29 . o valor A matriz dos pesos relativos aos elementos de X.. Assim. pn n 2 0 2 n logo: p1 = p2 = . de padrões 1.1. portanto. é portanto.….. 0 2 Atribuindo a um dos seus componentes o peso unitário e designando por correspondente à variância dessa componente.990m Logo: x3a = 100. a distância ajustada entre A e D é: AD = x1a + x2a + x3a = 300.045m e x1a = 100.2.2 PESO NAS OBSERVAÇÕES O peso de uma observação é a confiança relativa de um valor observado comparado com algum outro valor. 2 A expressão geral do peso é dada por: pi 0 2 i onde 0 2 é um valor igual à é a variância da variância de uma observação cujo peso é considerado unitário. L3. n.…. implicando uma boa observação e um peso grande.. tendo-se L1. i 2 O peso de uma observação. pesos são estimativas ou expressões das confianças relativas das observações.substituindo na (c ) vem: x2a = 99. 1 2 p2 2 2 0 2 2 . 6.

a atribuição de pesos. Assim.2 Casos Particulares na Atribuição de Pesos 6. como: que instrumento(s) foi(am) utilizado(s)? operador(es)? Em que condição(es) ambiental(is)? Assim.No caso das componente de x serem independentes entre si.2. 6. mas sim considerando-se outras causas diversas.2.2.2. a matriz variânciacovariância X será diagonal. Qual(is) 30 . terá como 2 0 xii elementos da diagonal pii 1 2 6. quanto maior a seção a ser nivelada menor será o peso. verifica-se que a atribuição de pesos não é tão simples como pode parecer.2 Peso nas medidas angulares Os pesos são proporcionais ao número de vezes em que os ângulos são medidos.2. e a matriz dos pesos que também será diagonal. em geral. é um campo ainda cheio de dúvidas e tido como um dos mais complexos no ajustamento de observações. 6.1 Peso no Nivelamento Os pesos são inversamente proporcionais ao comprimento das seções a serem niveladas. não deve ser feita simplesmente pelo fato do número de repetições ser diferente.2.3 Considerações sobre a Atribuição de Pesos Como se pode ver.

Para distinguir estes dois tipos de grandezas é usual denominar as primeiras. E os parâmetros ajustados: onde X0 parâmetros. 7. X é um vetor (mX1) das correções que convertem aproximados (X0) em parâmetros ajustados (Xa).CAPITULO 7 MÉTODOS DE AJUSTAMENTO DE OBSERVAÇÕES 7. os valores observados ajustados são expressos explicitamente como uma função dos parâmetros ajustados..1. os parâmetros Xa X0 X é um vetor (mX1) cujas componentes são valores aproximados dos 31 .. V é um vetor (nX1) dos resíduos (ou correções) que transformam os valores observados brutos (Lb) em valores ajustados (La). La onde Lb Lb V é um vetor (nX1) dos valores observados. Como se vê. ou observações indiretas de PARÂMETROS. Através das operações do ajustamento aplicando o método dos mínimos quadrados. é um vetor (mX1) dos parâmetros ajustados. Obtenção de grandezas observadas EQUAÇÃO DE OBSERVAÇÃO: O modelo matemático para o ajustamento pelo método dos parâmetros é o seguinte: La onde La Xa F(Xa) é um vetor (nX1) dos valores observados ajustados.1. Assim: Parâmetros são grandezas que não podem ser obtidas diretamente. deseja-se estimar grandezas que se vinculam às grandezas observadas através de algum modelo matemático. o que explica a denominação de MÉTODO PARAMÉTRICO. e como exemplo tem-se coordenadas. obtém-se as observações ajustadas.1 MÉTODO DOS PARÂMETROS No caso de observações indiretas. áreas. etc.

Linearizando F(Xa) pela fórmula de Taylor.. poderá se escrever: v1 a11 x1 a12 x2 . 32 . de n linhas e m colunas. n j = 1. vem: Lb + V = F(Xa) = F(X0 + X) = F(X0) + F Xa Xa X 0 Fazendo F(X0) = L0 .2. ou: v1 v2 vn F1 xa1 F2 xa1 Fn xa1 F1 xa 2 F2 xa 2 Fn xa 2 F1 xam F2 xam Fn xam x1 x2 xm Xo l1 l2 ln Os elementos da matriz dos coeficientes A. a primeira linha do sistema de equações representado matricialmente atrás. na realidade. Chamando de A a matriz (nxm) (sendo n o número de observações e m o número de parâmetros)... são representados por: aij Fi xaj para i = 1.Lb Fazendo L = Lo – Lb obtém-se o modelo matemático linearizado do método dos parâmetros: V = AX + L Esta última equação sintetiza.. resultante da aplicação dos valores aproximados dos parâmetros X0 nas derivadas parciais.3.2.. m e Algebricamente.. a1m xm l1 e o mesmo ocorrerá com as outras linhas.3. chamando de L0 o vetor (nX1) resultante da aplicação nas funções F dos valores aproximados dos parâmetros X0. ou seja.. ou n Am F Xa Xa X 0 Pode-se escrever: Lb + V = L0 + AX V = AX + L0 ..Das equações La = Lb + V e La = F(Xa) pode-se fazer: Lb + V = F(Xa).... sob a forma matricial. n equações de observações.

P. A matriz N é quadrada (m x m) e simétrica. onde P é a matriz dos pesos das observações. conforme será elucidado posteriormente. (AX + L) = min. que é denominado SISTEMA DE EQUAÇÕES NORMAIS e cuja solução atende o princípio do método dos mínimos quadrados. alguma vantagem se terá. Para obtenção do vetor das correções X.A solução pelo método dos mínimos quadrados é obtida fazendo-se VTPV = min. Então: = VTPV = (AX + L )T. porém fazendo a resolução utilizando-se a inversão da matriz N. = (XTAT +LT ). P.(AX + L) = XTATPAX + XTATPL + LTPAX + LTPL = XTATPAX + 2XTATPL + LTPL = min igualando a zero a primeira derivada em relação a X tem-se: X 2 AT PAX 2 AT PL 0 ou ATPAX +ATPL = 0 é comum fazer: N = ATPA e U =ATPL e então NX + U =0 Tem-se assim um novo sistema de equações. pode-se converter os parâmetros aproximados em ajustados por: Xa = X0 + X De posse dos parâmetros ajustados poder-se-á também obter as observações ajustadas utilizando-se La = F(Xa) ou calculando-se os resíduos V e aplicando em La=Lb + V 33 . então se: NX + U = 0 NX = -U e X = -N-1U ou X = -(ATPA)-1ATPL e assim com os valores dos elementos do vetor X. pode-se resolver o sistema por qualquer método de resolução disponível..

2.3. X.7.2.N-1 7. MVC DOS PARÂMETROS ( xa) Na equação Xa = X0 + X o vetor X0 é constante.2.A. Xa . MVC DOS VALORES OBSERVADOS AJUSTADOS ( La): La = Lb + V = Lb +AX + L = Lb + AX + L0 – Lb L a = A X + L0 Aplicando a Lei de Propagação: La = A. então xa = x = 0 2 . MVC DAS CORREÇÕES ( x) Para isto faz-se o seguinte: X = -N-1ATPL = -N-1ATP(L0 – Lb) X = -N-1ATPL0 + N-1ATPLb Aplicando a lei de propagação de covariância: x = G. chegar à matriz dos . Lb-1 Após o ajustamento pode-se obter a MVC das variáveis aleatórias envolvidas no processo: X.1. AT 2 La = 0 . a partir do peso a priori pesos: P= 0 2 0 2 .2.2.GT x= 0 2 com G = N-1AP e fazendo o desenvolvimento chega-se em: . Antes do ajustamento necessita-se estimar a precisão das medidas para compor a MVC dos valores observados ( Lb) e. Lb.N-1AT 34 . La 7. OBTENÇÃO DA PRECISÃO DAS GRANDEZAS OBSERVADAS OU MATRIZ VARIÂNCIA-COVARIÂNCIA NO AJUSTAMENTO PELO MÉTODO PARAMÉTRICO.N-1 7.

Pode haver erro na MVC dos valores observados. A 2 esse ˆ 0 denomina-se variância da unidade de peso a posteriori . pode o modelo matemático não ser consistente com as observações. 2 No caso de ˆ 0 e 2 0 serem significativamente diferente.2. 2 O valor estimado de ˆ 0 pode ser obtido pela fórmula: 2 0 V T PV n m 2 0 sendo n m nº de observações nº de parâmetros O 2 a priori deve ser comparado ao ˆ 0 a posteriori e até deve ser realizado o teste de hipótese aplicando x2 (qui-quadrado).2. Variância a posteriori 0 é dita a priori e costuma ser adotada pelo ˆ02 2 Após o ajustamento pode-se estimar um valor ˆ 0 em função dos resíduos.2. 7.4.1. VARIÂNCIA DA OBSERVAÇÃO DE PESO UNITÁRIO: 2 7.4. etc. deve-se proceder uma análise cuidadosa do ajustamento.7.2. ou podem os resíduos estar excessivamente grandes em decorrência de uma falta grosseira ou de erros sistemáticos. 35 . Escolha de 0 a priori Para iniciar o ajustamento necessita-se conhecer a matriz dos pesos das observações: P= 0 2 Lb-1 2 A variância da unidade de peso calculista.4.

logo O vetor dos parâmetros ajustados é: Xa xa ya l1a - O vetor das observações ajustadas é: La l2a l3 a l4a l5 a E como equação para cada observação tem-se: 36 .3 EXEMPLO DE APLICAÇÃO DE AJUSTAMENTO PELO MÉTODO DOS PARÂMETROS São conhecidas as coordenadas dos vértices P1.992 ângulo 123º38’01.345 P1 l1 P2 l2 P l4 P4 l3 P3 Caderneta de campo com ângulo e distâncias observadas com o respectivo desvio padrão: Lb Lb1 Lb2 Lb3 Lb4 Lb5 distância (m) 244.4’’ 2.408 y(m) 925.962 658.831.337. P2.0’’ 0.523 996.7. P3 e P4 e foram observadas as distâncias dos mesmos a uma estação desconhecida P.727 840.016 0.154 279.512 321.014 Calcular as coordenadas ajustadas da estação P SOLUÇÃO: a) Estabelecimento de Equações (ou modelo matemático) Como parâmetros têm-se as coordenadas ajustadas da estação P.249 723.012 0.570 773.281 1.038 0.544 1. bem como o ângulo : P1 P2 P3 P4 x(m) 842.

2 925.18353 l40 =279.4" 0.2.18353 279.95006 l50 = tg 1 1337.Lb Para obtermos L0 = F(X0) precisa-se obter valores aproximados para os parâmetros ou seja coordenadas do ponto P.523 825.544 1065.li a li b vi v5 (( xi tg 1 xa ) x2 y2 2 ( yi xa ya ya ) ) tg 1 1 2 2 para i 1.47' ' Então: L = L0 – Lb = 321.87' ' b2) Cálculo da Matriz 5A2 A ´ F Xa l1 xa a l2 xa Xo a l1 ya a l2 ya l5 ya a a l5 xa a Xo 37 .60382 773. Consideremos os seguintes valores: X0 = 1 1065.65m l20 = 321.2 l50 = 123º38’19.04194 18.2 tg 1 996.281 1065.02953 0.2 825.154 279.05835 0.512 321.03382 0.2 842.570 773.453.992 123º38'01.95006 123º38'19.3 e 4 xa ya l5 a l5 b x1 y1 b) Modelo linearizado As equações devem ser linearizadas aplicando TAYLOR e então chega-se em equações na forma: AX + L = V b1) – Cálculo de L L =L0 – Lb = F(X0) .60382 l30 =773.87’’ 244.45365 244.249 825.2 x0 y0 l1 0 (( xi x0 ) 2 ( y i y0 ) 2 ) 2 244.

523 825.846831 0.911907 e então : A2 0.130937 Yo 0.2 842.163394' ' Yo 0.802972 5.410397 0.991391 Xo 0.0000250rd 5.603816 244.596017 1.531862 Yo 0.911907 l1 ya Yo l2 xa l3 xa l4 xa l5 xa l5 ya a a a a a y1 l1 a yo 0.2 2 2 321.991391 0.802972 Xo 0.573787 5 38 .544 1065.2 244.45365 925.2.45365 0.3 e 4 l5 xa l5 ya a y2 l2 x2 l2 ya a 2 y1 l1 x1 l1 ya a 2 xa a 2 xa a 2 Aplicando “no ponto” xa = xo e ya = yo a l1 xa a x1 Xo xo l1 a 842.sendo: l1 xa l1 ya a a a xi xa li a yi li a ya para i 1.00636354rd 1312.531862 0.45365 l2 ya l3 ya l4 ya a a a 0.130937 0.163394 0.846831 Xo 0.596017 Yo Xo 1337.2 244.281 1065.312.410397 0.573787' ' 0.281 1065.

00000230 AT PA AT PL 1 e então X .00007981 0.2554 825.N 1 .984978 0.01960 3.c) Matriz dos Pesos Como já se viu anteriormente: P 2 0 Lb 1 Considerando as observações independentes entre si.012 0 P 0 0 0 2 o 2 = 1: 0 0 0 0 2 0 0.208.1867 xa ya 39 . chega-se em: N AT PA 12.208.2 0.618710 6.04304 434.016 0 0 0 2 0 0 0.2 0.811.014281 0.055400 825. cuja inversa pode ser obtida tomando na diagonal principal o inverso da variância de cada observação e fazendo ainda 0.04304 3.54110 Encontrando a inversa tem .038 0 0 2 0 0.00000059 0.031.014 0 0 0 2 2 d) Equações Normais Como foi visto anteriormente: NX + U = ATPAX+ATPL = 0 X = -N-1.055400 0.00000059 649.U Fazendo as devidas multiplicações. a MVC se reduz a uma matriz diagonal.553.se : 0.U e) Parâmetros Ajustados Xa X0 X 1065.01281 1065.

Assim tendo-se como resultado n observações ajustadas. deverão satisfazer ao modelo matemático: B A C A B C Triângulo plano (A)a + (B)a + (C)a – 180º = 0 Triângulo esférico (A)a + (B)a + (C)a – (180º+ ) = 0 Em se tratando de valores simplesmente observados. a fim de satisfazer a condição matemática. plano) 0 (T. os valores observados. o modelo matemático é função dos valores observados ajustados.1 MÉTODO DAS EQUAÇÕES DE CONDIÇÃO OU DOS CORRELATOS O método das equações de condição (ou dos correlatos) não envolve parâmetros. e estes deverão satisfazer a uma equação matemática conhecida. Como exemplo clássico de aplicação deste método tem-se quando são medidos os três ângulos de um triângulo. é sabido que: (A) + (B) + (C) – 180º 0 (T. vem: F F(La) = F(Lb + V) = F(Lb) + V 0 La L b 40 . esférico) (A) + (B) + (C) – (180º+ ) Por este exemplo já dá para se ver que as observações deverão ser tratadas ou ajustadas. que podem ser obtidas por: La = Lb + V então: F(Lb + V) = 0 aplicando a aproximação linear da série de Taylor em forma matricial. O modelo matemático que caracteriza observações condicionadas. na forma matricial é: F(La) = 0 onde F simboliza r funções e o vetor La tem dimensão n x 1. ou seja.CAPITULO 8 8. depois de ajustados.

sob a forma matricial. na realidade.A função F(Lb) dos valores observados.2KT(BV + W) = mínimo sendo K o vetor (r x 1) dos “multiplicadores de Lagrange” (ou “correlatos”) Igualando a zero as derivadas parciais em relação a V e a K tem-se: 2 BT K BT K 0 V K 2 PV 0 PV 0 2( BV W ) 0 BV W 41 . tem o significado de um erro de fechamento e será simbolizado por W. ou: B= F La Lb E aí se pode escrever BV + W que é modelo linearizado do método dos correlatos.M.Q e ao mesmo tempo satisfaçam às equações de condição. W = F(Lb) Chamando de B a matriz r x n (sendo r o número de equações e n o número de observações) resultante da aplicação dos valores observados Lb nas derivadas parciais. ou: F1 La1 F2 La1 Fr La1 F1 La 2 F2 La 2 Fr La 2 F1 Lan F2 Lan Fr Lan v1 v2 vn Lb w1 w2 wn 0 0 0 Para que as incógnitas se subordinem no M. utiliza-se a técnica lagrangiana em forma matricial definindo a função : = VTPV . ligando n incógnitas vi. Esta última equação sintetiza. n equações de observações. representativo de r equações de condição transformadas.

C. rK1 representa n equações algébricas A segunda representa r equações algébricas lineares.M 1 B.P 1 lembrando que M = BP-1BT Pode-se reescrever a equação anterior da seguinte forma: La 2 0 P 1 I B T .A primeira das equações matriciais anteriores: I) nP n .P 1 2 0 P 1 . 42 .P-1 BTK + W = 0.2 M. logo: Assim vê-se que a segunda parte desta última equação representa uma melhoria às precisões. nV1 + rW1 = 0 Resolvendo ( I ) em relação a V ou V = P-1BTK e introduzindo este vetor na ( II) B.B T .M 1 B.V.P 1 B T ) 1 . II) rBn .W Ou K = -M-1. mas ciente de que é resultado de aplicação da lei de propagação de covariâncias às equações envolvidas.nBTr . introduzida com o ajustamento. pode-se então chegar nas observações ajustadas: L a = Lb + V 8. por serem um pouco extensas.P 1 Sendo I uma matriz identidade. dos Valores observados ( La) Sem apresentar as deduções. das observações ajustadas poderá ser obtida utilizando-se: La 2 0 P 1 P 1 .W com M = BP-1BT Uma vez obtido o vetor dos correlatos K.M 1 B. a M. mas pode-se ver que Lb = La Lb I B T .V. chega-se no vetor dos resíduos com V = P-1BTK Com os resíduos conhecidos. obtém-se a equação matricial representativa do sistema de r equações normais que proporciona os r multiplicadores de Lagrange (correlatos): K ( B.C. nV1 .

VARIÂNCIA DA OBSERVAÇÃO DE PESO UNITÁRIO A POSTERIORI ( ˆ 0 ) 2 O valor estimado de ˆ 0 pode ser calculado com a fórmula: 2 2 0 V T PV r sendo r o número de equações de condição. Pode-se demonstrar que VTPV = -KTW 43 .

P T 1 1 44 .M i Bi . d) A MVC dos valores observados ajustados será: La 2 0 P 1 P 1.Q. vem: K e os valores ajustados são: ( B. o vetor Lb. Então: Lb La i 1 e Lai Lai 1 Vi A equação (*) linearizada por Taylor é: F(Lai) = F(Lai-1 + Vi) = F(Lai-1) + F Lai ( La i Lai 1 Lai 1 ) 0 Onde: F Lai Bi Lai 1 e F(Lai-1) = Wi E então Bi . dos valores observados. sendo que o modelo matemático para a i-ésima interação é: F(Lai) = 0 (*) Com o desenvolvimento interativo. também deve ser recalculado para cada interação tomando o valor de Lai-1.M. c) Quando Lai = Lai-1 ocorrerá a convergência. b) O vetor do erro de fechamento Wi.Vi + Wi = 0 Após aplicar o M. e então Vi = 0 e conseqüentemente F(Lai) = 0.P 1 B T ) 1 . tomando o valor da derivada parcial no ponto observado ajustado melhorado (Lai-1). deverá ser melhor após cada interação.8.3.Bi .W e V = P-1BTK Lai Lai 1 Vi Observações: a) A matriz Bi deve ser recalculada para cada interação. DESENVOLVIMENTO ITERATIVO DO MÉTODO CONDICIONADO O método condicionado é uma função apenas dos valores observados ajustados.

01 -15.84 1. devem ser formuladas 4 equações de condição independentes entre si. EXEMPLO DE APLICAÇÃO DE AJUSTAMENTO PELO MÉTODO DOS CORRELATOS OU DAS EQUAÇÕES DE CONDIÇÃO Ajustamento de uma rede de nivelamento geométrico pelo método das equações de condição.14 km 8.038 m 1.4.hC)] = 0 logo.(hB . Esquema da rede A l9 l7 B l8 l6 l5 C l1 l2 l3 l4 Altitudes conhecidas hA = 33.03 10.562 0. Dentre as várias possibilidades sejam por exemplo: l1 a a a a l2 a a a a l6 l8 l5 l7 a a a a l8 a (hB hc ) 0 l9 l2 l3 l7 l3 l4 (hB 0 l6 a hA ) 0 0 As equações de condição transformadas se escrevem: lb1+v1 + lb2+v2 + lb6+v6 + lb8+v8 – (hB .831m hB = 19.8.370 2.297 2.949 3.791m Linha l1 l2 l3 l4 l5 l6 l7 l8 l9 Desníveis Observados comprimento h = Lb 10.75 1.28 Obs: As setas do esquema indicam o sentido em que o terreno se eleva SOLUÇÃO 1) O número de observações são nove (n= 9 ) (desníveis medidos) e o número de pontos cujas altitudes não são conhecidas (incógnitas) são cinco (u = 5).217 6.84 4.979 5. Assim.94 -3. v1+v2+v6+v8+w1 = 0 45 . devem ser formuladas 4 equações de condição independentes entre si.316m hC = 2.837 2. então o número de equações de condição r = n – u = 4.hC) = 0 v1+v2+v6+v8+ [lb1+lb2+lb6+lb8 . Assim.244 6.21 -5.

resultando: 1 1 0 0 0 0 0 0 0 1 1 0 0 0 1 1 0 0 1 0 1 0 0 1 1 1 0 1 0 0 4 B9 0 0 0 1 1 0 O vetor dos erros de fechamento: l1b l 2b l6b l8b (hB hC ) l9b l7 b l8b (hB hC ) W F ( Lb ) l 2 b l 3b l 5 b l 3b l 4b l7 b l6b 2 3 2 7 (mm.Por um desenvolvimento análogo chega-se nas outras equações. admite-se: a) que as observações são independentes (a matriz será diagonal). sendo M = BP-1BT Já são conhecidas as matrizes W e B.) 2) Equações Normais MK + W = 0 K = . para escrever a Matriz dos pesos. b) que os pesos são inversamente proporcionais aos comprimentos das linhas. E as equações são: v1+v2+v6+v8+w1 = 0 v9+v7+v8 +w2 = 0 v2+v3-v5 +w3 = 0 v3+v4+v7-v6+w1 = 0 BV + W = 0 O modelo sendo linear os coeficientes dos resíduos já representam as derivadas parciais. c) admitir a variância da unidade de peso a priori 0 2 =1 46 .M-1W.

21 M BP 1 B T 2.019 0.21 6.031 0.94 2.84 0 0 0.031 3.75 0 0 0 0 2.84 0 0 2.02 0.84 0 0 0 0 2.050 0.14 2.034 0.034 0.06 0.94 0 0 0 2.07 0.01 0 0 0 5.84 0.019 0.84 2.94 0.28 0 0 0 0 BP 1 1.14 0 0 2.84 10.046 0.046 0.57 0.01 2.23 0 0 12.280 0.097 0.03 6.21 0 0 3.83 2.75 0 0 0 0 0.03 0 0 0 0 6.035 K M 1W 3) Cálculo do vetor dos resíduos V = P-1 BT K 47 .117 0.01 5.21 13.21 0 0 0 0 6.84 2.80 2.84 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 6.094 0.035 0.1.01 2.94 0.94 3.01 0 2.84 3.050 0.84 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 p 3.185 M 1 0.37 0.

) 0.84 0 0 P B 1 T 0 0 0 0 0 0 2.21 0 6.9474 5. 48 .03 0 0.5622 4.8352 3. Por exemplo: l1a l2 a l6 a l8 a hB hc 16.1.8 1. prestam-se as verificações.01 2.5622 3.75 0 0 0 0 0 0 3.3 0 0.9793 5) Variância da unidade de peso a posteriori 2 0 V T PV r KTW 0.28 0 2.3709 15.94 0 0 V P B K -1 T 0.525 10.8 0.4 0.21 6.5 (mm.2 1.84 0 0 2. tanto naturais como transformadas.01 4) Desníveis ajustados 10.2962 1.0376 8.2204 La Lb V 10.2435 1.37 0.4 0.5251 = 16.84 2. as primeiras mediante os desníveis ajustados e as segundas mediante os resíduos.525 O mesmo poderia ser feito com as outras equações.06 0.2962 1.6 3.0376 8.77 As equações de condição.14 2.9 0.57 VTPV 6) Verificações 2 3 2 7 4.94 5.07 0.3709 16.84 3.

independentemente do “caminho percorrido”. assim: hr = hc +l1a = 2.791 + 10.7) Altitudes As altitudes das estações novas são obtidas das altitudes fixas somando-se os respectivos desníveis ajustados.038 = 12.829 etc. 8) MVC das observações ajustadas: La = Lb [I – BT M-1B P-1] 49 .829 ou hr = hb – l8a –l6a –l2a = 12.