Material Didtico

Autor: Prof. Joel Gripp Jnior

CAPITULO 1
AJUSTAMENTO DE OBSERVAES

1.1-

INTRODUO

Ao obter uma medida que se requer confiana, qualquer pessoa intuitivamente repetir observaes e no ir confiar em apenas uma observao. Mas a partir de vrias observaes de uma mesma grandeza, que resultado final representa maior confiana e que seja nico dever ser utilizado? O ajustamento de observaes cuida da resoluo de problemas deste tipo, bem como a estimativa da preciso da soluo adotada. O ajustamento de observaes leva, alm de uma soluo nica, a coerncia de observaes a modelos matemticos apropriados a cada caso. Nos casos mais simples realizam-se medidas sobre as prprias incgnitas. Quando tais incgnitas se ligam por equaes de condio o problema se torna um pouco menos simples. Outras vezes medem-se grandezas que se vinculam s incgnitas atravs de relaes funcionais conhecidas, o caso das observaes indiretas ou parmetros (ex.: coordenadas, altitudes, etc.). Em qualquer caso o que se busca, purificar as observaes das inconsistncias que as acompanham, ou melhor dizendo, ajust-las juntamente com parmetros (quando existem), a um modelo matemtico. Algumas dificuldades podem surgir quando se pretende ponderar as observaes onde se deve atribuir mais peso quelas que merecem maior confiana; isto pressupe o conhecimento da preciso com que as medidas so efetuadas.

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

Ex.: 1- A figura ao lado esquematiza uma pequena rede de nivelamento geomtrico; em funo dos desnveis medidos. A altitude de RN1 pode ser transportada at RN2; como so inmeros os caminhos possveis, resultaram inmeras solues.
RN2

O ajustamento, entretanto, conduzir a uma soluo nica tornando as observaes coerentes com um modelo matemtico. Alternativamente, a altitude de RN2 pode ser fixada como a RN1; neste caso as observaes so ajustadas de tal maneira que o transporte de altitudes a partir de RN1 produza em RN2 um valor idntico pr-fixado.

Ex.:2 P e Q so vrtices de uma cadeia de triangulao j ajustados razo pela qual suas coordenadas so consideradas fixas. Na poligonal PABCQ medem-se os lados (eletronicamente) e os ngulos. Admitindo que tais observaes sejam, num caso ideal, isentos de erros; mesmo assim as coordenadas transportadas a partir de P no fecham em Q. Pois bem, o ajustamento dever alterar os valores corretos para garantir aqueles fechamentos em obedincia a um modelo matemtico.

Ex.: 3 Os ngulos medidos de um quadriltero completo de uma triangulao geodsica; aps

ajustados, a soma dos ngulos de todos os tringulos esfricos do quadriltero devero satisfazer condio matemtica de que o correspondente igual a 180 mais o excesso esfrico.

1.2-

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

os valores obtidos em uma srie de n observaes. Na impossibilidade de obter o verdadeiro valor de x deve-se se contentar com uma estimativa que seja confivel. Adotando, o valor x com base em um certo critrio e calculando as diferenas temos:
x b1 V1 x b2 . x bn V2 Vn

ou x bi= Vi

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

Tais diferenas (Vi) so resduos, isto , os valores, a priori desconhecidos, que somados s observaes reproduzem o valor escolhido x. Poderia-se, mudando o critrio eleger um valor diferente x; resultaria um novo conjunto de resduos: 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 critrio que permite, das observaes repetidas bi, discrepantes entre si, extrair um valor nico para representar a incgnita x? A quase dois sculos o geodesista fez sua opo, seguindo o caminho indicado por GAUSS e LEGENDRE: ACEITAR COMO MELHOR ESTIMATIVA DE X O VALOR QUE TORNA MNIMA A SOMA DOS QUADRADOS DOS RESDUOS. O critrio supra caracteriza o mtodo dos mnimos quadrados (M.M.Q) institudo independentemente pelos dois grandes matemticos acima citados. At a bem pouco, o M.M.Q, quando referido, conservava a notao original de Gauss, respeitada universalmente [v.v]= min, o colchete indicando somatrio, com variaes subentendidas de 1 a n e sem utilizar expoentes. Quando as observaes no oferecem o mesmo grau de confiana so homogeneizadas atravs de pesos pi:
n

p i vi
i 1

min

ou

[p.v.v]= min

Modernamente prefere-se a linguagem matricial;

V tV V PV
t

min

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

Como ser visto com o desenvolver do assunto, o ajustamento uma grande ferramenta s vrias reas da engenharia de levantamentos, tais como: Topografia, Geodsia, Fotogrametria, Astronomia, etc.

CAPTULO 2 TEORIA DOS ERROS

2.1. INTRODUO Na medida de uma determinada grandeza, certos fatores como limitao humana, imperfeio instrumental e instabilidade da natureza fazem com que as medidas nunca tenham exatido absoluta. Um operador repetindo vrias vezes uma mesma medida, os resultados nunca sero idnticos, por mais que seja o cuidado utilizado nas determinaes. Assim, pode-se afirmar que todas as medidas contm erros. Com a finalidade de conhecer bem a teoria dos erros, sero apresentados, a seguir, alguns conceitos importantes e de uso comum no ajustamento de observaes.

2.2. ALGUNS CONCEITOS 2.2.1 Erro Absoluto Verdadeiro a diferena, em valor absoluto, entre a medio de uma grandeza fsica e o seu verdadeiro valor. Na prtica, no se conhece o valor real ou verdadeiro da grandeza; conhece-se o valor mais provvel desta grandeza. 2.2.2 Erro Absoluto Aparente (E) a diferena, em valor absoluto, entre a medio de uma grandeza (xi) e seu valor mais provvel ( x ).
Ei xi x

2.2.3 Erro verdadeiro e Erro Aparente Por analogia ao conceito anterior, s que se considerando o sinal da diferena entre a medida. ei xi x 2.2.4 Resduo (v) No ajustamento denomina-se de resduo ao inverso do erro aparente, ou seja, a correo e que tem sinal contrrio do erro aparente.
vi x xi

2.2.5 Discrepncia a diferena entre os valores de duas medidas de uma mesma grandeza, obtidas por dois operadores diferentes. As vezes incorretamente chamada de erro.

2.2.6 Erro Relativo (er) a relao entre o erro absoluto e o valor mais provvel da grandeza ( x ).
er E x

Considerando um grupo de observaes resultante de repeties, o erro relativo mais utilizado, em ajustamento de observaes, como sendo a relao entre o desvio padro de uma srie de determinaes da grandeza e o valor mais provvel correspondente. Comumente, expressa-se o erro relativo, em termos de frao, colocando-se a unidade no numerador. Ex.: x = 229,314m e
n=

0,012m

ento,

er er

0,012 229,314 1 19.109

2.2.7 Erro Tolervel (Tolerncia) Considera-se normalmente como sendo o triplo do desvio padro da mdia

tol

A razo de se adotar esta expresso ser estudada oportunamente.

2.3. TIPOS DE ERROS EM FUNO DA SUA ORIGEM E CARACTERSTICAS 2.3.1 Erros Grosseiros Erros cometidos nas medies por desateno ou confuso do operador. Estas medies devem ser repetidas. Ex.: erro de anotao, erro na leitura de um ngulo, erro de clculo, etc. Para evitar erros grosseiros deve-se sempre repetir cuidadosamente as medies. 2.3.2 Erros Sistemticos Podem ser expressos por uma funo matemtica. Se as causas dos erros so conhecidas, pode-se calcular o erro e elimin-lo. So erros cumulativos.

Caracterizam-se por ocorrer sempre em um mesmo sentido e conservarem em medies sucessivas, o mesmo valor. Decorrem das imperfeies do observador, do instrumento e do mtodo usado. So trs os tipos de erros sistemticos:

a) Erros sistemticos introduzidos pelo observador Ex.: erros cometidos por deficincia de viso b) Erros sistemticos introduzidos pelo instrumento Ex.: Uso de instrumentos em condies diferentes daquelas para as quais foram calibradas ou, por exemplo: Suponha uma distncia obtida a partir de oito trenadas e supondo que cada trenada equivale a 10m, a distncia total seria de 80m. Detectando posteriormente que a trena tem na realidade 10,10m.. Conclui-se que a distncia tem um erro sistemtico de 80cm. c) Erros sistemticos introduzidos pelo mtodo Ex.: Utilizao de um mtodo baseado em equao matemtica no representativa da realidade do fenmeno. Sempre que possvel os erros pessoais podem ser minimizados pela substituio do observador humano por um mecnico ou eletrnico. Os erros instrumentais so reduzidos por meio de uma aferio ou calibrao do aparelho, por comparao com um padro de confiana. s vezes pode-se corrigir o instrumento fazendo o mesmo fornecer resultados sem erros sistemticos ou, ento calcular o erro e corrigir os resultados das medies.

2.3.3 Erros Acidentais Ocorrem de causas desconhecidas e incontrolveis. Caracterizam-se por ocorrerem ao acaso, qualquer que sejam os observadores, os instrumentos e os mtodos. Em geral so erros pequenos, porm inevitveis e encontrados em todas as observaes, causando discrepncias que a princpio apresentam sem qualquer conformidade matemtica. A sua influncia sobre as observaes aleatria, no permitindo outro tratamento se no baseado na teoria da probabilidade. Pode-se dizer que os erros acidentais so os que ainda restam na determinao de uma grandeza, em que foram tomados todos os cuidados para eliminar os erros grosseiros e sistemticos. Se for realizado um nmero grande de observaes, a experincia tem demonstrado que estes erros revelam alguma regularidade, ou seja, seguem uma distribuio de freqncia que muito se aproxima da distribuio normal.

2.4. CLASSIFICAO DAS OBSERVAES 2.4.1 Diretas As medies so efetuadas diretamente, em relao grandeza procurada, sem que existam meios para verificao do erro, uma vez que no se conheam os seus valores reais ou tericos. Ex.: uma distncia ou ngulo isolado. 2.4.2 Indiretas As observaes no so feitas diretamente sobre as grandezas procuradas, mas a outras a elas ligadas por meio de relaes conhecidas. Ex.: coordenadas, reas, etc. 2.4.3 Diretas condicionadas As observaes so feitas diretamente, e so independentes entre si, porm se prendem a alguma equao de condio conhecida. Ex.: Na medida de trs ngulos (a, b, c) de um tringulo plano, tem-se que a+b+c= 180 2.5. VALOR MAIS PROVVEL DE UMA GRANDEZA O valor mais provvel de uma grandeza, medida diversas vezes pelo mesmo operador, utilizando o mesmo equipamento e o mesmo mtodo, ou seja, medidas com um grau idntico de confiabilidade, a MDIA ARITMTICA dos valores encontrados. No caso de observaes obtidas com diferentes graus de confiabilidade, o valor mais provvel dever ser obtido considerando-se um fator de proporcionalidade ao qual denominamos de PESO. Obs: Oportunamente o PESO ser elucidado em detalhes. 2.6. MEDIDAS DE PRECISO Preciso a consistncia da medida ou grau de refinamento de um grupo de medidas. Nas medies os termos mais comumente usados para expressar a preciso so a varincia e o desvio padro ou erro quadrtico.

2.6.1 Varincia Definida como a mdia do quadrado dos erros aparentes. Comum para o calcula da varincia adotar o seguinte critrio: Se o nmero de observaes (n) for menor que 30, a varincia obtida por:
n

ei2
2 i 1

n 1

Somatrio do quadrado dos erros aparentes Nmero de observaes menos um

Se o nmero de observaes n for maior do que 30 teremos:

n

ei2
2 i 1

n
2.6.2 Desvio Padro

Somatrio do quadrado dos erros aparentes Nmero de observaes

a raiz quadrada da Varincia.

n n

ei2
i 1

ei2
ou
i 1

n 1

Seja qual for o tipo de observao, o resultado ter maior valor, se alm de apresentado o valor para a grandeza desejada, for apresentado tambm a preciso com que esta foi obtida. Dependendo da grandeza, ao invs de se ter o desvio padro como preciso, comum apresentar o erro relativo no lugar deste, o caso por exemplo de distncias.

CAPTULO 3
DISTRIBUIO NORMAL Como j foi mencionado, os erros acidentais ocorrem de forma aleatria e tendendo a obedecer a distribuio normal ou Lei de Gauss. Considerando uma operao qualquer de medio efetuada um grande nmero de vezes, nas mesmas condies (mesmo operador, instrumento e mtodo, etc.) a teoria das probabilidades mostra e a experincia permite verificar que os erros acidentais produzidos gozam das seguintes propriedades: 1) a um erro positivo corresponde um erro negativo de mesmo valor absoluto (os erros positivos e negativos de mesmo valor absoluto tm igual probabilidade) 2) os erros pequenos so os mais numerosos ( o erro nulo o mais provvel) A curva que representa a Lei de Gauss tem forma de um sino e goza das seguintes propriedades:
y

a) simtrica em relao ao eixo dos y, isto , os erros positivos e negativos de mesmo valor absoluto tm igual probabilidade; b) As ordenadas correspondentes aos erros pequenos so as maiores, isto , os erros pequenos tm maior probabilidade do que os grandes; c) A curva tem por assntota o eixo dos x, isto , o erro probabilidade nula; d) A curva apresenta dois pontos de inflexo correspondentes a padro); tem uma (desvio (erro

e) A probabilidade de se cometer um erro, em valor absoluto, menor que compreendido entre + e - ) igual rea assinalada na figura.
F(x)

F ( E )dE

10

f) A rea total limitada pela curva, isto , a probabilidade de se cometer simultaneamente todos os erros , portanto, igual unidade (100%) A curva da lei de Gauss pode ser representada analiticamente pela:

F (E)
Onde:

1 2

1. E 2

= desvio padro E= erro considerado, ou se temos uma medida x e uma mdia x ,

E= x- x. Se for considerado na equao da Lei de Gauss desvios padres =3, as curvas correspondentes seriam:
y

=1,

=2 e

ou, quanto maior for o desvio padro (menor preciso), mais achatada ser a curva.

-3

-2

-1

+1

+2

+3

comum encontrar tabelas que fornecem os valores resultantes das integrais (que representam probabilidades):
E X1 1. E 2

P
E

1 2

dE

ou P= probabilidade = rea sob a curva

Como aplicao simples, pode-se fazer: 1) Encontrar a probabilidade dos erros menores, em valor absoluto, do que um desvio padro (1 ) ,ou seja, encontrar a rea sob a curva limitada pelas abscissas + e - .
y y y

P1 (x< - ) = 0,1587

P2= (x< + )= 0,8413

P= P2- P1= 68,26%

11

2) Para o esmo raciocnio anterior, considerando-se 2 , obtem-se:

y

-2

+2

P= 95,45% 3) Idem, considerando 3 :

y

-3

+3

P= 99,73% Obs.: As aplicaes anteriores sero teis quando for apresentado o estudo da tolerncia nos levantamentos. Na prtica, se o nmero de observaes for grande, pode-se verificar uma concordncia perfeita com a curva de Gauss, se for marcado em abscissas as grandezas dos erros (erros aparentes), e em ordenadas, o nmero de ocorrncias correspondentes.

12

CAPTULO 4
LEI DE PROPAGAO DE ERROS FRMULA ALGBRICA 4.1 INTRODUO Se a partir de uma relao matemtica obtm-se alguma grandeza em funo de outras que possuem erros, ento a grandeza obtida tambm conter erros. Assim, por exemplo, se for obtido a rea de um quadriltero cujos lados so L1 e L2 com desvio padro ento a rea obtida ter um desvio padro A devido a propagao de L1 e L2. Com a finalidade de conseguir varincias (ou desvios padres) de grandezas obtidas assim, indiretamente, faz-se o uso da lei de propagao de erros. A lei de propagao de erros (ou varincias) deve ser recorrida quando deseja-se
1

2,

fazer uma anlise de erros visando, por exemplo, a realizao de uma pr-anlise. Inicialmente ser deduzida a lei de propagao de erros envolvendo apenas grandezas no correlacionadas. 4.2 DEDUO DA EQUAO DA LEI DE PROPAGAO DE ERROS:

Suponha Y= F(X1, X2) funo das grandezas no correlacionadas X1 e X2 de desvios padres conhecidos x1 e x2. Se numa dada medida da srie de observaes tivermos os erros Ex1 e Ex2 nas grandezas X1 e X2, a correspondente funo ficar: Y+ Ey= F(X1+Ex1, X2+Ex2) Desenvolvendo a funo F em srie de Taylor e desprezando os termos de 2 ordem e superiores, vem:
Y Ey F ( X 1, X 2 )
F X1

E x1

F X2

Ex2

E ento, como Y= F(X1, X2)

Ey
F X1

E x1

F X2

Ex2

Que elevando ao quadrado:

2 2

Ey

F X1

E x1

F X1

F X2

E x1 .E x 2

F X2

Ex2

Considerando que as grandezas X1 e X2 foram medidas com vrias repeties e somando os valores obtidos devido a estas repeties, vem:

13

Ey
i 1

F X1 i 1

E x1

2
n

F X1

F X2 i 1

E x1 .E x 2

F X2 i 1

Ex2

Mas sendo X1 e X2 no correlacionados,

i 1

E x1.E x 2 = 0, logo

Ey
i 1

F X1 i 1

E x1

F X2 i 1

Ex2

Dividindo pelo nmero de vezes em que as grandezas forma medidas, vem:

n i 1

Ey 2 n

2 F X1

n i 1

E x1 n

2 F X2

n i 1

Ex2 n

mas
n 2

y
i 1

Ey 2 , n

n 2

x1
i 1

Ex1 , n

n 2

x2
i 1

Ex2 n

Substituindo:
2 2 2 2

F X1

x1

F X2

x2

Considerando Y como sendo funo de m outras grandezas ou Y= F(X1, X2,......,Xm).

2 2 2 2 2 2

F X1

x1

F X2

x2 .......

F Xm

xm

Que a equao geral da lei de propagao de erros para os casos em que no h correlao entre as grandezas medidas. 4.3 EXEMPLOS DE APLICAO DA LEI DE PROPAGAO DE ERROS 1) Uma distncia de aproximadamente 490m deve ser medida com uma trena de 50m de comprimento. Sendo que o desvio padro de cada trenada conhecido e considerado igual a
d=

5mm. Qual seria o desvio padro da distncia total D?

A funo que relaciona a distncia total D ao segmento dado : D= d1+d2+d3+......+d10, As derivadas parciais, so:
D d1

logo D=f (d1,d2,d3,......,d10)

1;

D d2

1;

D d3

1 ;............;

D d 10

14

E a equao da lei de propagao dos erros se torna:

2 2 2 2 2 2

D d1

d1
2

D d2

d 2 .......
2

D d 10

d10

D 1

d1 1

d 2 ....... 1

d10

D 1 25 1 25 ....... 1 25 D 250mm 2

D 16 mm

2) Qual o desvio padro da rea de um lote retangular que tem os seguintes lados: L1 = 30m , L1= 50mm. L2 = 10m , L2= 30mm A rea pode ser obtida por A=L1.L2 As derivadas parciais so:
A L1

L2

e
2

A L2

L1
2 A L2 2

A L1

L1
2

L2

L2

L1

L1

L2

A 10 2 (0,050) 2 A 0,250 0,810 A 1,060( m 2 ) 2

30 2 (0,030) 2

A 1,0296m 2

15

CAPITULO 5
LEI DE PROPAGAO DOS ERROS (COVARINCIAS) FORMA MATRICIAL 5.1 INTRODUO 5.1.1 COVARINCIA E COEFICIENTE DE CORRELAO O termo covarincia, aqui simbolizado por xy, usado para denominar uma medida numrica da correlao entre duas observaes x e y ou entre duas funes medidas. Duas medidas (ou funes) so no correlacionadas quando so independentes entre si. Por exemplo, numa poligonal os ngulos e distncias obtidos por diferentes instrumentos e mtodos cujas fontes de erros so tambm diferentes. Um outro exemplo seria ngulos medidos em diferentes estaes de uma triangulao. Como exemplo de medidas correlacionadas pode-se citar coordenadas e ngulos ou distncias, um poder ser obtido do outro. Um outro exemplo, coordenadas x e y de estaes tambm de uma poligonal, porque ambas (x e y) podem ser obtidas dos mesmos ngulos e distncias. Para o estudo e clculo da covarincia, ser estudado anteriormente, um pouco mais, a varincia e o desvio padro. Suponha que uma grandeza x foi medida n vezes e que somente erros acidentais esto influenciando as medidas x1, x2, x3,......... xn. Os valores dos erros individuais sero: E1 E2 x1 x2 x0 x0 Onde x0 o valor verdadeiro da grandeza medida.

.......... ....... E n x n x0

Os erros acidentais Ei das medidas repetidas ocorrem com igual probabilidade de serem positivos (+) e negativos (- ). Se o nmero de observaes for suficientemente grande (tendendo a ), a soma dos erros tender a zero. A varincia ( 2 ) das medidas definida como a mdia dos quadrados dos erros
n

Ei2
2 i 1

e o desvio padro

16

Geralmente, porm, o valor verdadeiro da grandeza medida no conhecido na prtica e o nmero de medidas limitado a um nmero finito. Para um pequeno nmero (n<30) de repeties adota-se para o clculo de varincia:
n

ei2
2 i 1

Sendo e o erro aparente ou

ei

xi

n 1

Suponha duas grandezas correlacionadas x e y, medidas n vezes. Os valores dos erros individuais sero: 1 GRANDEZA EX1 EX 2 x1 x2 x0 x0 2 GRANDEZA EY 1 EY 2 Y1 Y0 Y2 Y0

.......... .......... E Xn xn x0

.......... .......... EYn Yn Y0

Uma estimativa para a covarincia xy de x e y pode ser calculado como sendo uma mdia da soma do produto dos pares de erros escolhidos aleatoriamente nas duas grandezas:
n

( Exi Eyi )
i 1 xy

Combinao x e y para n tendendo ao infinito.

Se no houver correlao entre x e y ento a probabilidade de erros serem (+) ou (-) sero iguais e randomicamente distribudas, e o valor de xy, tender a zero para um nmero n suficientemente grande (tendendo ao infinito) A fim de avaliar quo forte a correlao entre duas observaes, o coeficiente de correlao ( xy ) poder ser examinado. Este pode ser obtido por:

xy xy x y

Pode-se dizer que: -1 < xy < 1 Se xy = 1, ento h uma perfeita relao entre x e y ou, a grandeza y funo de x (ou vice-versa) Se xy = 0, ento x e y so no correlacionados (x e y tendem a variar juntos).

17

5.1.2 MATRIZ VARINCIA-COVARINCIA (MVC) Suponha inicialmente as grandezas x1, x2, e x3 de varincias
x1 2

x2

,e

x3

covarincias x1x2, x1x3 e x2x3. A matriz quadrada cujas componentes so varincias e covarincias devidamente dispostas, denomina-se Matriz Varincia-Covarincia (MVC) que comumente simbolizada por x:

x1 x 2 x1 x3 x1
2 1

x1 x 2 2 x2 x3 x 2
12 2 2 32 13 23 2 3

x1 x3 x 2 x3
2

ou simplesmente;

x3

21 31

e numa forma generalizada:

21

12 2 2

.... ... ... ...

1n 2n

...
n1

...
n2

...
2

A matriz x simtrica porque ij igual a ji e tambm pode ser denominada simplesmente de Matriz Covarincia, pois a varincia um caso particular da covarincia para i = j. 5.1.3 REVISO DE ALGUNS ELEMENTOS DE ESTATSTICA a) Funo de distribuio (de probabilidade) acumulada A funo de distribuio (de probabilidade) acumulada de uma varivel aleatria x no ponto x definida por: P(x < x ) = F(x) (probabilidade de que a v. a. assuma um valor inferior ou igual a x). Para o caso de uma varivel aleatria discreta a f.d.a. reveste a forma:
n

F(xi) = P (x < xi) =

i 1

p ( xi ) , para todo i tal que xi < x.

18

b) Esperana Matemtica Define-se valor esperado, valor mdio, expectncia, esperana

matemtica ou simplesmente esperana da varivel aleatria discreta x por:

E ( x)
i 1

xi p ( xi )

No caso de uma varivel aleatria contnua, define-se a esperana matemtica como:

E ( x)

xi f ( x)dx

Se a varivel discreta assumir um nmero finito de valores.

n

E ( x)
i 1

xi p ( xi )

A mdia aritmtica de n observaes pode ser obtida por:

1 n

xi
i 1

Se dos r valores distintos, xi ocorrer com uma freqncia nj, a frmula anterior assumir a forma:
r

x
j i

njxj n

xj f j
j i

sendo f j

nj n

a freqncia relativa.

Se n o fi p(xi) e x E(x) ou quando o tamanho da amostra tende para o infinito a mdia amostral se avizinha da mdia da populao da qual se originou. c) Varincia Em relao esperana matemtica definida como sendo:

Var ( x)
2

E x E ( x) E ( x)
2

, que desenvolvendo resulta:

2

E( x 2 )

E( x 2 ) x 2

19

d) Covarincia Considerando duas variveis x e y, a covarincia que exprime o grau de dependncia entre as duas variveis, em relao esperana matemtica pode ser obtida por: Cov(x,y) = xy E ( x x ) ( y y ) ou aps o desenvolvimento

xy xy

E ( xy) E ( x) E ( y ) E ( xy) x y

Se no houver dependncia E(xy) = E(x) . E(y) e xy = 0 5.2 MATRIZ VARINCIA-COVARINCIA MVC A matriz varincia-covarincia j foi apresentada anteriormente, e se apresenta na forma:
2 11 12 2 22

.... ... ... ...

1n 2n

21

...
n1

...
n2

...
2 nn

Esta matriz relaciona variveis x1, x2, ..., 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 expresso Matricial

( x1 u1 )( x1 u1 ) ( x1 u1 )( x2 u 2 ) ( x2 u 2 )( x1 u1 ) ( x2 u 2 )( x2 u 2 ) ................... .................. ( xn u n )( x1 u1 ) ( xn u n )( x2 u 2 )

(X Ux) . (X Ux)T obtem-se:

( x1 u1 )( xn u n ) ( x2 u 2 )( xn u n ) .................. ( xn u n )( xn u n )

20

E da conclui-se: a) x = E{(X Ux) . (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 varincia-covarincia (MVC) constituda de varincias e os demais elementos so covarincias. c) A MVC simtrica, pois ij igual a ji d) A varincia um caso particular de covarincia para i = j. 5.3 LEI DE PROPAGAO DE COVARINCIAS Considerando duas variveis aleatrias y e x, onde y uma funo linear de x. I

m 1

Gn m X 1

C1

Sendo C um vetor mX1 de constantes e G uma matriz de coeficientes.

A Esperana matemtica de y :

II

Ux

E{Y }

E{Gx } G E{ X } C

Anteriormente foi visto que pode-se fazer: y = E{(Y Uy) . (Y Uy)T} , ento substituindo I e II nesta equao, vem:

E Gx C G E x

C GX

C GE ( x) C

que desenvolvendo, permite chegar em:

X GT

que a Lei de propagao das covarincias

A frmula anterior vlida para o caso de y= F(x) ser linear. Para o caso de funo no linear, tem-se que fazer uma linearizao usando desenvolvimento de Taylor Assim, se Y = F(x) no linear, o desenvolvimento de Taylor nos conduz a:

F x

F x0

F x

X
X0

X0

onde X0 contm valores aproximados para X

21

F x

X0

y1 x1 y2 x1 ym x1

y1 x2 y2 x2 ym x2

y1 xn y2 xn ym xn

Dn

Os elementos da matriz D so resultantes da aplicao dos valores aproximados de x nas derivadas parciais. Para esta funo, no linear, com a aplicao da linearizao de Taylor, por um desenvolvimento idntico da aplicao da lei de propagao das covarincias, chega-se em:

X DT

5.4 EXEMPLOS

DE

APLICAO

DA

LEI

DE

PROPAGAO

DAS

COVARINCIAS NA FORMA MATRICIAL 1) As observaes das direes di (figura) conduziu aos seguintes resultados:
2 ij

32 para i=j 0 para i j

a) Calcular a matriz varincia-covarincia dos ngulos bi b) Calcular o coeficiente de correlao entre os ngulos (b1 e b2; b1 e b3; b3 e b4; d1 e b1 e b4)

b1 b2 b3

d2

b4
d3

d4

Sendo D

d1 d2 d3 d4

(Matriz das observaes)

22

Do enunciado j se pode observar que a MVC das direes : 3" 0 0 0 3" 0 0 0 0 0 0 0

3" 0 0 3" b1 d2 d1

As equaes envolvidas so:

b2 b3 b4

d 3 d1 d 4 d1 d3 d 2

A matriz G dos coeficientes ser: 1 1 1 0 1 0 0 0 1 0

0 0 1 1 1 0

O sistema na forma matricial : 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 ngulos) ser: Ento:

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

b) Calcular o coeficiente de correlao entre os ngulos: 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

0,5

H correlao entre b1 e b2, 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

0,5

(idem)

mas

b3b4

b3b4

logo, no h correlao 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, h correlao entre b1 e b4 ou b1 e b4 tendem a variar juntos e em sentido contrrio (uma para + e outra para -) devido o coeficiente ser negativo. b1b3

24

CAPITULO 6
O MTODO DOS MNIMOS QUADRADOS E OS PESOS NAS OBSERVAES 6.1 O MTODO DOS MNIMOS QUADRADOS Como j foi comentado anteriormente, quando se realiza um nmero redundante de observaes, necessita-se realizar um ajustamento de observaes a fim de que as observaes se tornem consistentes e a soluo seja nica. Entre as diferentes alternativas ou mtodos que podem fornecer a soluo, o mtodo dos mnimos quadrados o aceito como melhor por satisfazer diversos requisitos estatsticos ( uma soluo de varincia mnima, uma soluo de mxima verossimilhana, etc...) O mtodo dos mnimos quadrados (M. M. Q.) tem como princpio: a soma dos quadrados dos resduos deve ser mnima. Assim, tendo-se n observaes, e sendo que cada observao possua um resduo v , o princpio diz:
n

= v12 + v22 + + vn2 =

i 1

vi

V TV

mnimo , sendo V um vetor que contm

os resduos V = [v1, v2, v3,, vn]T. Se as n observaes forem obtidas com diferentes nveis de confiabilidade necessrio se torna a introduo de uma ponderao, ou seja, um peso; e nesse caso o M.M.Q. se apresenta como: = v12 p1+ v22 p2+ + vn2 pn =
i 1 n

vi p i

V T PV

mnimo.

Au u X 1 o modelo seria: a11 x11 a12 x12 .... a1u x1u

n

Admitindo-se que para um problema se possa formular um modelo matemtico n L1 sendo n o nmero de observaes e u o nmero de equaes. Algebricamente
l1 ( a ) l 2 (b )

a 21 x 21 a 22 x22 .... a 2u x 2 u

........................................................... ........................................................... a n1 xn1 a n 2 xn 2 .... a nu xnu l3 (c )

Se o vetor L contiver elementos oriundos de observaes (neste caso normalmente utiliza-se o smbolo Lb), o modelo matemtico seria inconsistente devido ao fato das observaes possurem erros que so inevitveis.

25

As correes (ou resduos) a serem introduzidos nas observaes para remover a inconsistncia devem ser obtidas a partir da aplicao do mtodo dos mnimos quadrados. Assim: AX Lb V La e V AX Lb Aplicando o M.M.Q. :
= VT.V = ( AX Lb ) T ( AX Lb ) mnimo

Para ser mnimo a primeira derivada de

tem que ser igual a zero.

Para melhor compreenso do desenvolvimento acima proposto, faz-se necessrio conhecer algumas propriedades aplicadas s matrizes. 1) (A + B C)T = AT + BT CT 2) (A.B.C)T = CT . BT . AT 3)

X T AY X X T AX X

AY 2 AX

4)

Desenvolvimento
= VT.V = ( AX Lb ) T ( AX Lb ) mnimo

Ento:

2 AT AX

2 AT Lb

Logo:

AT AX

AT Lb

Esta ltima equao matricial representa o conjunto de u equaes normais e u incgnitas. A soluo do sistema nica e satisfaz o princpio dos mnimos quadrados. Qualquer mtodo de resoluo de sistemas de equaes poder ser utilizado, porm a soluo por inverso de matrizes apresenta alguma vantagem, conforme ser visto posteriormente. Assim:

AT Lb ( AT A) 1 AT AX ( AT A) 1 AT Lb X ( AT A) 1 AT L
b

AT AX

Se as observaes forem feitas com desigual confiana, aplica-se o M.M.Q. considerando a matriz Peso (P), ou:
= VT.P.V = ( AX Lb ) T P ( AX anloga anterior, chega-se em: Lb ) mnimo

e procedendo de forma

26

 AT PAX

AT PLb

Considerando-se observaes com igual confiabilidade, ou seja, matriz Peso igual matriz identidade, o modelo matemtico matricial AT AX AT Lb 0 poder ser apresentado algebricamente da forma a seguir, onde se consideram n equaes e apenas trs incgnitas:
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, pode-se montar as equaes envolvidas, e ento se estas forem lineares a soluo que atende o M.M.Q. poder ser obtida simplesmente seguindo-se o raciocnio anteriormente elucidado. No sendo as equaes lineares, antes de aplicar o mtodo, estas devero ser linearizadas, conforme ser estudado frente. Os diferentes tipos de problemas que aparecem, podem ser subdivididos em funo de suas caractersticas, ou seja, do tipo de modelo matemtico definido pelas equaes envolvidas, dando origem aos chamados mtodos de ajustamento e que sero melhor estudados nos prximos captulos. A seguir, ser feito um exemplo numrico de aplicao do M.M.Q. ainda numa forma geral sem definir o mtodo de ajustamento a ser utilizado. Exemplo numrico:
L4 = 200,040m L1 = 100,000m A B L2 = 100,000m C L3 = 100,080m D A L5 = 200,000m

Na figura acima as distncias AB, BC, CD, AC e BD forma medidas e os valores observados foram 100,000m; 100,000m; 100,080m; 200,040m e 200,000m; respectivamente. Todas as medidas so no correlacionadas e tm a mesma preciso. Se as medidas forem ajustadas de acordo com o princpio dos mnimos quadrados, qual ser o resultado da distncia ajustada entre A e D? Soluo: Com as distncias AB, BC e CD que sero simbolizadas por x1, x2 e x3 j se teria a distncia AD desejada, porm foram realizadas cinco medidas de distncias, logo se tem

27

duas observaes redundantes. Para cada observao se pode formular uma equao envolvendo as grandezas ajustadas x1a, x2a e x3a.

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

100,000 100,000 100,080 x1

a a a a a

x2 x3 x1 x2

x2 x3 x1 x2

x2 x3

a a a

ou ou

l4 l5

x2

200,040 200,000

x2

x3

Aplicando o M.M.Q. tem-se que a soma do quadrado dos resduos deve ser mnima ento: = v12 + v22 + v32 + v42 + v52 = mnimo a a a a =( x1 100,000 )2 + ( x2 100,000 )2 + ( x3 100,080 )2 + ( x1 a x3 200,000 )2 = mnimo Para minimizar
a a a

x2

200,040 )+

+ ( x2

, suas derivadas parciais com relao a cada uma das distncias

x1 , x2 e x3 devem ser iguais a zero

x1

2 x1

100,000 100,000 100,080

2 x1

x2

200,040 200,040 200,000

0 2 x2 0
a

x2 x3

2 x2 2 x3

2 x1 2 x2

x2 x3

x3

200,000

Desenvolvendo e rearranjando, as trs equaes se tornam: 2x1a + x2a = 300,040 a a a x1 + 3x2 + x3 = 500,040 x2a + 2x3a = 300,080 (a) (b) (c)

As trs equaes anteriores que possuem trs incgnitas, formam um sistema de equaes normais que uma vez resolvido, fornecer resultados consistentes. Em se tratando de apenas trs equaes e do tipo como as anteriores, a resoluo pode ser feita, devido a facilidade, inclusive por meio de substituies de umas nas outras, ou: Dividindo (a) por 2 e subtraindo de (b) vem: 2,5x2a + x3a = 350,020 e x3a = 350,020 2,5 x2a 28

substituindo na (c ) vem: x2a = 99,990m Logo:

x3a = 100,045m

e x1a = 100,025m

ento, a distncia ajustada entre A e D : AD = x1a + x2a + x3a = 300,060m. 6.2 PESO NAS OBSERVAES O peso de uma observao a confiana relativa de um valor observado comparado com algum outro valor. Em outras palavras, pesos so estimativas ou expresses das confianas relativas das observaes. Uma grande preciso indicada por um pequeno desvio, implicando uma boa observao e um peso grande.
2

A expresso geral do peso dada por:

pi

0 2 i

onde

um valor igual a varincia da

varincia de uma observao cujo peso considerado unitrio, e observao i.

O peso de uma observao, portanto, inversamente proporcional ao quadrado do desvio padro correspondente. Assim, tendo-se L1, L2, L3,, Ln observaes, de padres
1, 2,, n,

os pesos sero:
2 2 2 0 2 1

pi

;
1 2

p2
2 2

0 2 2

.......

pn
n 2

0 2 n

logo: p1

= p2

= ..... = pn

Pode-se, portanto, atribuir a uma observao um peso qualquer e calcular os pesos dos demais.

6.2.1. Matriz dos Pesos Seja a matriz varincia-covarincia

X

relativa s grandezas dos elementos de X.

0 2

Atribuindo a um dos seus componentes o peso unitrio e designando por correspondente varincia dessa componente.

o valor

A matriz dos pesos relativos aos elementos de X, que simtrica, poder ser obtida por: Px =
0 2 -1 X

29

No caso das componente de x serem independentes entre si, a matriz varinciacovarincia

X

ser diagonal, e a matriz dos pesos que tambm ser diagonal, ter como
2 0 xii

elementos da diagonal pii

1
2

6.2.2 Casos Particulares na Atribuio de Pesos 6.2.2.1 Peso no Nivelamento Os pesos so inversamente proporcionais ao comprimento das sees a serem niveladas. Assim, quanto maior a seo a ser nivelada menor ser o peso. 6.2.2.2 Peso nas medidas angulares Os pesos so proporcionais ao nmero de vezes em que os ngulos so medidos.

6.2.3

Consideraes sobre a Atribuio de Pesos Como se pode ver, a atribuio de pesos, em geral, no deve ser feita

simplesmente pelo fato do nmero de repeties ser diferente, mas sim considerando-se outras causas diversas, como: que instrumento(s) foi(am) utilizado(s)? operador(es)? Em que condio(es) ambiental(is)? Assim, verifica-se que a atribuio de pesos no to simples como pode parecer, um campo ainda cheio de dvidas e tido como um dos mais complexos no ajustamento de observaes. Qual(is)

30

CAPITULO 7
MTODOS DE AJUSTAMENTO DE OBSERVAES 7.1 MTODO DOS PARMETROS No caso de observaes indiretas, deseja-se estimar grandezas que se vinculam s grandezas observadas atravs de algum modelo matemtico. Para distinguir estes dois tipos de grandezas usual denominar as primeiras, ou observaes indiretas de PARMETROS, o que explica a denominao de MTODO PARAMTRICO. Assim: Parmetros so grandezas que no podem ser obtidas diretamente, e como exemplo tem-se coordenadas, reas, etc... 7.1.1. Obteno de grandezas observadas
EQUAO DE OBSERVAO: O modelo matemtico para o ajustamento pelo

mtodo dos parmetros o seguinte:

La
onde La Xa

F(Xa)

um vetor (nX1) dos valores observados ajustados; um vetor (mX1) dos parmetros ajustados.

Como se v, os valores observados ajustados so expressos explicitamente como uma funo dos parmetros ajustados. Atravs das operaes do ajustamento aplicando o mtodo dos mnimos quadrados, obtm-se as observaes ajustadas.

La
onde Lb

Lb V

um vetor (nX1) dos valores observados;

V um vetor (nX1) dos resduos (ou correes) que transformam os valores observados brutos (Lb) em valores ajustados (La). E os parmetros ajustados: onde X0 parmetros; X um vetor (mX1) das correes que convertem aproximados (X0) em parmetros ajustados (Xa). os parmetros

Xa

X0

um vetor (mX1) cujas componentes so valores aproximados dos

31

Das equaes La = Lb + V e La = F(Xa) pode-se fazer: Lb + V = F(Xa). Linearizando F(Xa) pela frmula de Taylor, vem: Lb + V = F(Xa) = F(X0 + X) = F(X0) +

F Xa

Xa X 0

Fazendo F(X0) = L0

, ou seja, chamando de L0 o vetor (nX1) resultante da

aplicao nas funes F dos valores aproximados dos parmetros X0. Chamando de A a matriz (nxm) (sendo n o nmero de observaes e m o nmero de parmetros), resultante da aplicao dos valores aproximados dos parmetros X0 nas derivadas parciais, ou
n

Am

F Xa

Xa X 0

Pode-se escrever: Lb + V = L0 + AX

V = AX + L0 - Lb

Fazendo L = Lo Lb obtm-se o modelo matemtico linearizado do mtodo dos parmetros: V = AX + L Esta ltima equao sintetiza, na realidade, sob a forma matricial, n equaes de observaes, 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, de n linhas e m colunas, so representados por:

aij

Fi xaj

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

Algebricamente, a primeira linha do sistema de equaes representado matricialmente atrs, poder se escrever:
v1 a11 x1 a12 x2 .... a1m xm l1

e o mesmo ocorrer com as outras linhas.

32

A soluo pelo mtodo dos mnimos quadrados obtida fazendo-se VTPV = min,, onde P a matriz dos pesos das observaes. Ento: = VTPV = (AX + L )T. P. (AX + L) = min. = (XTAT +LT ).P.(AX + L) = XTATPAX + XTATPL + LTPAX + LTPL = XTATPAX + 2XTATPL + LTPL = min igualando a zero a primeira derivada em relao a X tem-se:
X 2 AT PAX 2 AT PL 0

ou

ATPAX +ATPL = 0

comum fazer: N = ATPA e U =ATPL

e ento NX + U =0 Tem-se assim um novo sistema de equaes, que denominado SISTEMA DE EQUAES NORMAIS e cuja soluo atende o princpio do mtodo dos mnimos quadrados. A matriz N quadrada (m x m) e simtrica. Para obteno do vetor das correes X, pode-se resolver o sistema por qualquer mtodo de resoluo disponvel, porm fazendo a resoluo utilizando-se a inverso da matriz N, alguma vantagem se ter, conforme ser elucidado posteriormente, ento 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 converter os parmetros aproximados em ajustados por: Xa = X0 + X De posse dos parmetros ajustados poder-se- tambm obter as observaes ajustadas utilizando-se La = F(Xa) ou calculando-se os resduos V e aplicando em La=Lb + V

33

7.2. OBTENO DA PRECISO DAS GRANDEZAS OBSERVADAS OU MATRIZ VARINCIA-COVARINCIA NO AJUSTAMENTO PELO MTODO PARAMTRICO.

Antes do ajustamento necessita-se estimar a preciso das medidas para compor a MVC dos valores observados ( Lb) e, a partir do peso a priori pesos: P=
0 2 0 2

, chegar matriz dos

. Lb-1

Aps o ajustamento pode-se obter a MVC das variveis aleatrias envolvidas no processo: X, Xa , La

7.2.1. MVC DAS CORREES ( x) Para isto faz-se o seguinte: X = -N-1ATPL = -N-1ATP(L0 Lb) X = -N-1ATPL0 + N-1ATPLb Aplicando a lei de propagao de covarincia: x = G. Lb.GT x=
0 2

com G = N-1AP e fazendo o desenvolvimento chega-se em:

.N-1

7.2.2. MVC DOS PARMETROS ( xa) Na equao Xa = X0 + X o vetor X0 constante, ento xa = x =

0 2

.N-1

7.2.3. 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 Propagao: La = A. X. AT
2

La =

.A.N-1AT

34

7.2.4. VARINCIA DA OBSERVAO DE PESO UNITRIO:

2

7.2.4.1. Escolha de

a priori

Para iniciar o ajustamento necessita-se conhecer a matriz dos pesos das observaes: P=
0 2

Lb-1
2

A varincia da unidade de peso calculista. 7.2.4.2. Varincia a posteriori

dita a priori e costuma ser adotada pelo

02

2 Aps o ajustamento pode-se estimar um valor 0 em funo dos resduos. A 2 esse 0 denomina-se varincia da unidade de peso a posteriori . 2 O valor estimado de 0 pode ser obtido pela frmula:

2 0

V T PV n m
2 0

sendo n m

n de observaes n de parmetros

2 a priori deve ser comparado ao 0 a posteriori e at deve ser realizado o

teste de hiptese aplicando x2 (qui-quadrado).

2 No caso de 0 e 2 0

serem significativamente diferente, deve-se proceder uma

anlise cuidadosa do ajustamento. Pode haver erro na MVC dos valores observados, ou podem os resduos estar excessivamente grandes em decorrncia de uma falta grosseira ou de erros sistemticos; pode o modelo matemtico no ser consistente com as observaes, etc.

35

7.3 EXEMPLO DE APLICAO DE AJUSTAMENTO PELO MTODO DOS PARMETROS So conhecidas as coordenadas dos vrtices P1, P2, P3 e P4 e foram observadas as distncias dos mesmos a uma estao desconhecida P, bem como o ngulo : P1 P2 P3 P4 x(m) 842,281 1.337,544 1.831,727 840,408 y(m) 925,523 996,249 723,962 658,345
P1

l1

P2

l2
P

l4
P4

l3

P3

Caderneta de campo com ngulo e distncias observadas com o respectivo desvio padro: Lb Lb1 Lb2 Lb3 Lb4 Lb5 distncia (m) 244,512 321,570 773,154 279,992 ngulo 1233801,4 2,0 0,012 0,016 0,038 0,014 Calcular as coordenadas ajustadas da estao P

SOLUO: a) Estabelecimento de Equaes (ou modelo matemtico) Como parmetros tm-se as coordenadas ajustadas da estao P, logo O vetor dos parmetros ajustados :

Xa

xa ya
l1a

O vetor das observaes ajustadas : La

l2a l3 a l4a l5 a

E como equao para cada observao tem-se:

36

li

li

vi v5

(( xi tg
1

xa ) x2 y2

( yi xa ya

ya ) ) tg
1

1 2 2

para i 1,2,3 e 4 xa ya

l5

l5

x1 y1

b) Modelo linearizado As equaes devem ser linearizadas aplicando TAYLOR e ento chega-se em equaes na forma: AX + L = V b1) Clculo de L L =L0 Lb = F(X0) - Lb

Para obtermos L0 = F(X0) precisa-se obter valores aproximados para os parmetros ou seja coordenadas do ponto P. Consideremos os seguintes valores: X0 =
1

1065,2 825,2

x0 y0

l1

(( xi

x0 ) 2 ( y i

y0 ) 2 ) 2

244.453,65m

l20 = 321,60382 l30 =773,18353 l40 =279,95006 l50 = tg

1

1337,544 1065,2 842,281 1065,2 tg 1 996,249 825,2 925,523 825,2

l50 = 1233819,87
244,45365 244,512 321,570 773,154 279,992 12338'01,4" 0,05835 0,03382 0,02953 0,04194 18,47' '

Ento: L = L0 Lb =

321,60382 773,18353 279,95006 12338'19,87' '

b2) Clculo da Matriz 5A2

F Xa

l1 xa a l2 xa
Xo

l1 ya a l2 ya l5 ya
a

l5 xa

Xo

37

sendo:

l1 xa l1 ya
a a

xi xa li a yi li
a

ya

para i 1,2,3 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

842,281 1065,2 244,45365 925,523 825,2 244,45365 l2 ya l3 ya l4 ya

a a a

0,911907

l1 ya Yo l2 xa l3 xa l4 xa l5 xa l5 ya
a a a a a

y1 l1
a

yo

0,410397

0,846831
Xo

0,531862
Yo

0,991391
Xo

0,130937
Yo

0,802972
Xo

0,596017
Yo

Xo

1337,544 1065,2 842,281 1065,2 2 2 321,603816 244,45365 0,00636354rd 1312,573787' '

0.0000250rd

5,163394' '

Yo

0,911907 e ento : A2 0,846831 0,991391 0,802972 5,163394

0,410397 0,531862 0,130937 0,596017 1.312,573787

38

c) Matriz dos Pesos Como j se viu anteriormente:

P
2 0

Lb

Considerando as observaes independentes entre si, a MVC se reduz a uma matriz diagonal, cuja inversa pode ser obtida tomando na diagonal principal o inverso da varincia de cada observao e fazendo ainda
0,012 0 P 0 0 0
2

= 1:
0 0 0 0
2

0 0,016 0 0 0

0 0 0,038 0 0
2

0 0,014 0

0 0 2
2

d) Equaes Normais Como foi visto anteriormente: NX + U = ATPAX+ATPL = 0 X = -N-1.U Fazendo as devidas multiplicaes, chega-se em: N AT PA 12.553,01960 3.208,04304 3.208,04304 434.811,54110

Encontrando a inversa tem - se : 0,00007981 0,00000059 649,618710 6.031,984978 0,055400 0,014281 0,00000059 0,00000230

AT PA AT PL

e ento X - N 1 .U

e) Parmetros Ajustados

Xa

X0

1065,2 0,055400 825,2 0,01281

1065,2554 825,1867

xa ya

39

CAPITULO 8
8.1 MTODO DAS EQUAES DE CONDIO OU DOS CORRELATOS

O mtodo das equaes de condio (ou dos correlatos) no envolve parmetros, o modelo matemtico funo dos valores observados ajustados. Como exemplo clssico de aplicao deste mtodo tem-se quando so medidos os trs ngulos de um tringulo, e estes devero satisfazer a uma equao matemtica conhecida, ou seja, os valores observados, depois de ajustados, devero satisfazer ao modelo matemtico:

B A C A

Tringulo plano (A)a + (B)a + (C)a 180 = 0

Tringulo esfrico (A)a + (B)a + (C)a (180+ ) = 0

Em se tratando de valores simplesmente observados, sabido que: (A) + (B) + (C) 180 0 (T. plano) 0 (T. esfrico)

(A) + (B) + (C) (180+ )

Por este exemplo j d para se ver que as observaes devero ser tratadas ou ajustadas, a fim de satisfazer a condio matemtica. O modelo matemtico que caracteriza observaes condicionadas, na forma matricial : F(La) = 0

onde F simboliza r funes e o vetor La tem dimenso n x 1. Assim tendo-se como resultado n observaes ajustadas, que podem ser obtidas por: La = Lb + V ento: F(Lb + V) = 0

aplicando a aproximao linear da srie de Taylor em forma matricial, vem: F F(La) = F(Lb + V) = F(Lb) + V 0 La L
b

40

A funo F(Lb) dos valores observados, tem o significado de um erro de fechamento e ser simbolizado por W. W = F(Lb) Chamando de B a matriz r x n (sendo r o nmero de equaes e n o nmero de observaes) resultante da aplicao dos valores observados Lb nas derivadas parciais, ou: B=

F La

Lb

E a se pode escrever

BV + W

que modelo linearizado do mtodo dos correlatos,

representativo de r equaes de condio transformadas, ligando n incgnitas vi. Esta ltima equao sintetiza, na realidade, sob a forma matricial, n equaes de observaes, 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 incgnitas se subordinem no M.M.Q e ao mesmo tempo satisfaam s equaes de condio, utiliza-se a tcnica lagrangiana em forma matricial definindo a funo : = VTPV - 2KT(BV + W) = mnimo sendo K o vetor (r x 1) dos multiplicadores de Lagrange (ou correlatos)

Igualando a zero as derivadas parciais em relao a V e a K tem-se:

2 BT K BT K 0

V K

2 PV

PV

2( BV W ) 0

BV W

41

A primeira das equaes matriciais anteriores: I)

nP n

. nV1 - nBTr . rK1

representa n equaes algbricas

A segunda representa r equaes algbricas lineares. II)

rBn

. nV1 + rW1 = 0

Resolvendo ( I ) em relao a V ou V = P-1BTK e introduzindo este vetor na ( II) B.P-1 BTK + W = 0, obtm-se a equao matricial representativa do sistema de r equaes normais que proporciona os r multiplicadores de Lagrange (correlatos):
K ( B.P 1 B T ) 1 .W

Ou

K = -M-1.W

com

M = BP-1BT

Uma vez obtido o vetor dos correlatos K, chega-se no vetor dos resduos com V = P-1BTK Com os resduos conhecidos, pode-se ento chegar nas observaes ajustadas: L a = Lb + V

8.2 M.V.C. dos Valores observados ( La)

Sem apresentar as dedues, por serem um pouco extensas, mas ciente de que resultado de aplicao da lei de propagao de covarincias s equaes envolvidas, a M.V.C. das observaes ajustadas poder ser obtida utilizando-se:

La

2 0

P 1 .B T .M 1 B.P

lembrando que M = BP-1BT

Pode-se reescrever a equao anterior da seguinte forma:

La
2 0

B T .M 1 B.P

Sendo I uma matriz identidade, mas pode-se ver que Lb =

La Lb I B T .M 1 B.P
1

2 0

P 1 , logo:

Assim v-se que a segunda parte desta ltima equao representa uma melhoria s precises, introduzida com o ajustamento.

42

VARINCIA DA OBSERVAO DE PESO UNITRIO A POSTERIORI ( 0 )

2 O valor estimado de 0 pode ser calculado com a frmula:

2 0

V T PV r

sendo r o nmero de equaes de condio. Pode-se demonstrar que VTPV = -KTW

43

8.3. DESENVOLVIMENTO ITERATIVO DO MTODO CONDICIONADO O mtodo condicionado uma funo apenas dos valores observados ajustados, sendo que o modelo matemtico para a i-sima interao : F(Lai) = 0 (*)

Com o desenvolvimento interativo, o vetor Lb, dos valores observados, dever ser melhor aps cada interao. Ento:
Lb La i 1 e Lai Lai 1 Vi

A equao (*) linearizada por Taylor : F(Lai) = F(Lai-1 + Vi) = F(Lai-1) +

F Lai

( La i
Lai
1

Lai 1 ) 0

Onde:

F Lai

Bi
Lai
1

F(Lai-1) = Wi

E ento

Bi .Vi + Wi = 0

Aps aplicar o M.M.Q, vem: K e os valores ajustados so:

( B.P 1 B T ) 1 .W

V = P-1BTK

Lai

Lai 1 Vi

Observaes: a) A matriz Bi deve ser recalculada para cada interao, tomando o valor da derivada parcial no ponto observado ajustado melhorado (Lai-1). b) O vetor do erro de fechamento Wi, tambm deve ser recalculado para cada interao tomando o valor de Lai-1. c) Quando Lai = Lai-1 ocorrer a convergncia, e ento Vi = 0 e conseqentemente F(Lai) = 0. d) A MVC dos valores observados ajustados ser:

La

2 0

P 1.Bi .M i Bi .P

44

8.4.

EXEMPLO

DE

APLICAO

DE

AJUSTAMENTO

PELO

MTODO

DOS

CORRELATOS OU DAS EQUAES DE CONDIO

Ajustamento de uma rede de nivelamento geomtrico pelo mtodo das equaes de condio.

Esquema da rede
A l9 l7 B l8 l6 l5 C l1 l2 l3 l4

Altitudes conhecidas hA = 33,831m hB = 19,316m hC = 2,791m

Linha l1 l2 l3 l4 l5 l6 l7 l8 l9

Desnveis Observados comprimento h = Lb 10,038 m 1,14 km 8,297 2,84 1,949 3,21 -5,217 6,03 10,244 6,75 1,562 0,84 4,837 2,94 -3,370 2,01 -15,979 5,28

Obs: As setas do esquema indicam o sentido em que o terreno se eleva SOLUO 1) O nmero de observaes so nove (n= 9 ) (desnveis medidos) e o nmero de pontos cujas altitudes no so conhecidas (incgnitas) so cinco (u = 5), ento o nmero de equaes de condio r = n u = 4. Assim, devem ser formuladas 4 equaes de condio independentes entre si. Assim, devem ser formuladas 4 equaes de condio independentes entre si. Dentre as vrias possibilidades sejam por exemplo:

l1

a a a a

l2

a a a a

l6 l8 l5 l7

a a a a

l8

(hB

hc ) 0

l9 l2 l3

l7 l3 l4

(hB 0 l6
a

hA ) 0 0

As equaes de condio transformadas se escrevem: lb1+v1 + lb2+v2 + lb6+v6 + lb8+v8 (hB - hC) = 0 v1+v2+v6+v8+ [lb1+lb2+lb6+lb8 - (hB - hC)] = 0 logo, v1+v2+v6+v8+w1 = 0

45

Por um desenvolvimento anlogo chega-se nas outras equaes. E as equaes so: 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 resduos j representam as derivadas parciais, 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

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.)

2) Equaes Normais

MK + W = 0

K = - M-1W, sendo M = BP-1BT

J so conhecidas as matrizes W e B; para escrever a Matriz dos pesos, admite-se:

a) que as observaes so independentes (a matriz ser diagonal); b) que os pesos so inversamente proporcionais aos comprimentos das linhas; c) admitir a varincia da unidade de peso a priori
0 2

=1

46

1,14 0 0 2,84 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

3,21 0 0 0 0 6,03 0 0 0 0 6,75 0 0 0 0 0,84 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 6,75 0 0 0 0

2,94 0 0 0 2,01 0 0 0 5,280 0,84 0 0 2,01 0 2,94 2,01 5,28 0 0 0 0

BP

1,14 2,84 0 0 0 0

2,84 3,21 0 0 3,21 6,03 6,83 2,01 2,84 0,84

0 0 0,84 2,94 0,84 2,94 3,21

BP 1 B T

2,01 2,84 10,23 0 0 12,80 2,94 0,050 0,019 0,097 0,031 3,21

13,02

0,185 M
1

0,046 0,117 0,019 0,034 0,37 0,06 0,07 0,57

0,035 0,034 0,031 0,094

0,046 0,050 0,035

M 1W

3) Clculo do vetor dos resduos V = P-1 BT K

47

1,14 2,84 0 0 P B
1 T

0 0 0 0 0 0 2,94 5,28

0 2,84 3,21 0 6,75 0 0 0 0

0 0 3,21 6,03 0 0,84 2,94 0 0 V P B K

-1 T

0,4 0,8 1,6 3,4 0,5 (mm.) 0,2 1,8 0,9 0,3

0 0,84 0 0

2,01 2,01

4) Desnveis ajustados
10,0376 8,2962 1,9474 5,2204 La Lb V 10,2435 1,5622 4,8352 3,3709 15,9793

5) Varincia da unidade de peso a posteriori

2 0

V T PV r
KTW 0,37 0,06 0,07 0,57

VTPV 6) Verificaes

2 3 2 7

4,77

As equaes de condio, tanto naturais como transformadas, prestam-se as verificaes, as primeiras mediante os desnveis ajustados e as segundas mediante os resduos. Por exemplo:

l1a

l2 a

l6 a

l8 a

hB

hc
16,5251 = 16,525

10,0376 8,2962 1,5622 3,3709 16,525

O mesmo poderia ser feito com as outras equaes.

48

7) Altitudes As altitudes das estaes novas so obtidas das altitudes fixas somando-se os respectivos desnveis ajustados, independentemente do caminho percorrido; assim: hr = hc +l1a = 2,791 + 10,038 = 12,829 ou hr = hb l8a l6a l2a = 12,829 etc.

8) MVC das observaes ajustadas:

La = Lb [I BT M-1B P-1]

49