Apostila Metalocation PDF

Controle de Qualidade de dados espaciais
Apostila Completa
Copyright © 2013– Todos os direitos reservados a Pedro Guidara Junior e à Metalocation’’.

É proibida mais de uma cópia, distribuição ou reprodução parcial ou integral por aluno desta apostila por qualquer meio, seja mecânico, eletrônico ou digital.
Índice
Introdução página 01
Módulo 1.0: Pérolas Conceituais página 02
Módulo 2.0: Ferramentas de Qualidade de Dados Espaciais página 12
Módulo 3.0: Entendendo os Padrões Brasileiros de Acurácia página 18
Módulo 4.0: A Inovação de Valor do Google Maps-Earth página 29
Módulo 5.0: Como elaborar o seu Padrão de Qualidade página 34
Bibliografia página 40
Glossário (WIKI) página 42
Apêndices página 44

Introdução
Olá eu sou Pedro Guidara, neste curso você irá aprender os conceitos e a importância da qualidade de dados
espaciais. Os conceitos ensinados aqui se destinam a usuários de sistemas de informações geográficas (GIS), de
receptores GPS, Google Maps/Earth e produtores de dados cartográficos. Ao final deste curso você estará apto a
especificar os dados espaciais, controlar a qualidade e assim uma melhor adequação ao uso destes.
Assim você será capaz de proteger o investimento feito nestes dados na hora da compra e na hora da aplicação à
luz de critérios rígidos e claros e se você for produtor vai melhorar seu projeto especificando tolerâncias para
diferenciar seu produto. Assim você vai saber estabelecer critérios para especificar os dados espaciais.
O curso não pretende esgotar o assunto que é extenso e profundo em cada módulo, mas vai te dar ferramentas
para entender melhor os dados espaciais, se aprofundar mais em determinado elemento de qualidade, elaborar o
seu padrão de qualidade e principalmente auditar mapas e plantas.
Preste atenção em todas as aulas, as dúvidas podem ser enviadas por email ou conversadas individualmente via
Skype. Vamos lá?
Página 1
Módulo 1.0: Pérolas Conceituais
1. Conjuntos de Dados Espaciais
Os dados espaciais se organizam em conjunto de dados gerando vários produtos como:

- redes geodésicas
- imagens orbitais (radar, satélite) e de laser,
- ortofotos, ortoimagens,
- mosaicos e carta-imagem
- mapas de declividade
- cartas de uso e ocupação do solo
- plantas, cartas e mapas topográficos,
- mapas temáticos
- cartas náuticas e aeronáuticas
- redes de drenagem
- curvas de nível
- modelos digitais de terreno e de superfície
- modelos 3D de cidades
- banco de dados espaciais para GIS
- serviços de mapas, imagens e globos virtuais
2. Fundamentos de Estatística
Vamos iniciar nosso curso falando de alguns conceitos muito importantes e que você deve conhecer claramente
seus significados.
Experimento
É a observação sistemática de um fenômeno (evento aleatório) qualquer da população.
Variável (grandeza, mensurando)

É o valor assumido pelo fenômeno em um experimento qualquer. A variável é, portanto, o valor que pode assumir
o evento dentro de um conjunto de valores possíveis chamado domínio da variável.
Medição
É o conjunto de operações (observações) que têm por objetivo determinar o valor de uma grandeza e o resultado
de uma medição (RM) é o valor atribuído ao mensurando, obtido por medição.
População de uma Variável

É o universo de todas as ocorrências ou repetições possíveis de um fenômeno aleatório. A população é o conjunto
total de dados de uma realidade.
Amostra
É um subconjunto da população. Representa uma parte dos dados da população.
Levantamento de dados – São as observações de uma amostra da população. Como é impossível levantar todos
os dados de uma população, coletamos parte desta informação: amostra.
Página 2
Valor Verdadeiro
É o valor que seria obtido de uma medição perfeita e a determinação do mesmo pode ser entendida com objetivo
final da medição, embora o valor verdadeiro, por natureza, é indeterminado.
Parâmetro: é uma característica da população a ser estimada. Em geral, é muito caro ou demorado obter dados
da população inteira, assim utilizamos amostras. Os parâmetros e os símbolos são os seguintes:
Estatística ou
Parâmetro
Estimador
Característica (refere-se
(refere-se à
à população)
amostra)
Número de
N n
elementos
Média
Variância
(quadrado do
desvio padrão) Tabela 1
Objetivos da Estatística e Teoria dos Erros

Levantar dados amostrais para concluir (inferir ou generalizar) sobre as características da realidade mais ampla
(população). Quando uma grandeza x é determinada a partir de medição o resultado é uma aproximação para
o valor verdadeiro xv da grandeza, desta forma, os objetivos da teoria de erros são:
- Obter o melhor valor para o mensurando a partir dos dados experimentais disponíveis. Isto significa determinar
em termos estatísticos a melhor aproximação possível para o valor verdadeiro.
- Obter a incerteza no valor obtido, o que significa determinar em termos estatísticos o grau de precisão e
confiança na medida da grandeza.
Média amostral (𝐗) e populacional (µ)

Uma boa estimativa para o valor verdadeiro da grandeza é o seu valor médio (média amostral) e calculado pela
Média Aritmética Simples dos valores da grandeza,
x 1 +x 2 +...+x i
como mostra a fórmula: X = onde xi é cada uma das observações da grandeza e n é número de
n
elementos da amostra.
x 1 + x 2 +...+ x n
Ainda podemos ter como medidas de posição a Média Aritmética Simples Absoluta: X =
n
e a Média Quadrática (Raiz da Média Quadrática ou Root Mean Square):
x 21 +x 22 +...+x 2n
RMS =
n
Página 3
N
𝒊=𝟎 X i
A média populacional é a média aritmética simples de todos os elementos da população: µ=
N
onde Xi é cada uma das observações da grandeza e N é número total de elementos da população.
Figura 1
Desvio padrão populacional (σ)
–O desvio padrão da população (σ) utiliza o tamanho da população (N) no denominador:
N
𝑖=1 X i −µ 2
σ= N
Propriedades do σ de uma distribuição normal (Gaussiana) são:
68,26% dos valores encontram-se a uma distância da média inferior a um desvio padrão.
95,45% dos valores encontram-se a uma distância da média inferior a duas vezes o desvio padrão.
99,73% dos valores encontram-se a uma distância da média inferior a três vezes o desvio padrão.
Página 4
Figura 2
A Distribuição Normal Padronizada é caracterizada pela media (μ) igual a zero e desvio padrão (σ) igual a 1.
Figura 3
A figura 3 mostra também que o desvio padrão controla o grau para o qual a distribuição se "espalha" para ambos
os lados da curva. Percebe-se que aproximadamente toda a probabilidade está dentro de ± 3 σ a partir da média.
Se a variável x tem distribuição normal, pode ser transformada para uma forma padrão, denominada Z, (ou, como
(𝑥 − μ)
se diz, pode ser padronizada) subtraindo-se sua média e dividindo-se pelo seu desvio padrão: z =
σ
𝑛
𝑖=1 X i −X 2
Desvio padrão amostral ou experimental (S) = , onde Xi = cada uma das observações, 𝐗 é a
𝑛−1
média da “n” observações
O desvio padrão de um conjunto de valores amostrais:
- É uma medida de variação dos valores em torno da média.

–Indica o desvio médio dos valores em relação à média.
Página 5
–Seu valor é usualmente positivo e quando igual a zero significa que todos os valores dos dados são iguais.
–Se valor nunca é negativo.
–Maiores valores de S indicam maior variação, dispersão.
Erro padrão (EP)

O erro padrão é uma medida da precisão da média amostral calculada. O erro padrão obtém-se dividindo o desvio
𝛔
padrão pela raiz quadrada do tamanho da amostra, ou seja, EP = , quando não se conhece o desvio padrão
𝐧
𝐒
da população, usa-se o desvio padrão da amostra (S): EP = . Se de uma população, com média µ e e desvio
𝐧
padrão σ, retirarem-se muitas amostras todas do mesmo tamanho n, e para cada amostra se calcular a respectiva
𝛔
média, a distribuição de todas essas médias é normal, com média µ e desvio padrão . Assim, o erro padrão não
𝐧
é mais do que o desvio padrão da distribuição das médias das amostras de uma população.
Intervalo de Confiança (IC): Esse intervalo é denominado "Intervalo de confiança da média µ“ e os valores que o
delimitam. Em vez de estimar o parâmetro por um único valor, é dado um intervalo de estimativas prováveis.
Intervalos de confiança são usados para indicar a confiabilidade de uma estimativa. Por exemplo, um IC pode ser
usado para estimar a média da grandeza erros de posição em dois mapas da mesma região, sendo assim aquele
que resulte num IC pequeno é mais confiável do que uma que resulte num IC maior.
O IC da média µ pode ser estimado da seguinte forma:

-o extremo esquerdo é igual a ( 𝐗- EP. z) e
- o extremo direito é igual a (𝐗 + EP. z )
Assim temos (𝐗 - EP. z ) < µ < (𝐗 + EP. z ) expresso o IC da média populacional , onde X é a média amostral, EP é
o erro padrão e z é a variável reduzida obtida na tabela da distribuição normal padronizada para a probabilidade
P.
Por exemplo: Em uma amostra de média 100 e erro padrão 120, queremos saber o intervalo de confiança de
99,74% de probabilidade. Para isso usamos a tabela normal padronizada (no apêndice G) para calcularmos z.
Como a tabela é unicaudal achamos a célula cujo valor (99,74/2)= 49,87, assim achamos o valor z = 3,00 e
montamos o intervalo:
(100- 120.3) < µ < (100+120.3) =>P (-260 < µ < 460)= 99,74%
Discrepância (D): é a diferença entre dois valores medidos de uma mesma grandeza; a diferença entre os
valores obtidos por dois observadores; a diferença entre o valor encontrado por um observador e outro valor
encontrado por um método mais preciso, recomendado ou tabelado: D = Xi - Xi”.
Raiz do Erro Quadrático Médio (Root Mean Square Error - RMSE) tradicionalmente em Cartografia pode ser
definida pela raiz quadrada da média dos quadrados das discrepâncias, expressa pela fórmula:
D 21 +D 22 +D 23 +−−−+D 2i
RMSECART= , onde Di é a discrepância para i-ésima medição da grandeza. O RMSE tem uma
n
vantagem de ser fácil de calcular, evita valores negativos, e é bastante utilizada em aplicativos de geomática. A
Página 6
variável erro, aqui definida, significa a discrepância da posição absoluta, que é a diferença (deslocamento) entre a
localização verdadeira do ponto e sua localização observada no mapa.
Nota 1: RMSECART significa estatisticamente uma medida de posição (raiz da média quadrática, RMS) e é um
estimador da média populacional (µ), que dará uma estimativa próxima da média aritmética absoluta ( X )
amostral e não deve ser confundida com o desvio padrão e erro padrão, que são indicadores (medidas) de
dispersão da grandeza. Infelizmente esta confusão de conceitos acontece muito na literatura, aplicativos e
principalmente em normas de geomática.
Nota 2: A expressão Erro Médio Quadrático é bastante utilizada em textos, normas e aplicativos ibero-americanos
(Brasil, Portugal, Espanha etc) na maioria das vezes para designar o mesmo RMSE definido neste texto.
3. Erros e Incerteza
O primeiro detalhe importante que você deve saber é que o conceito de ERRO não é o mesmo que INCERTEZA.
Erro é a diferença entre o valor obtido no processo de medição e o valor verdadeiro da grandeza, decorre que o
erro é uma quantidade, ora positiva, ora negativa. A avaliação do erro de uma medida depende, portanto, do
conhecimento prévio sobre o valor verdadeiro da grandeza, que na maioria das vezes é desconhecido.
Página 7
Erro Incerteza
Definição É a diferença entre o É um parâmetro que

resultado obtido em uma permite avaliar
medição e seu valor quantitativamente a
verdadeiro confiabilidade do resultado
de uma medição
Como se obtém? O erro é obtido pela A incerteza pode ser
diferença entre o resultado obtida por procedimentos
da medição e o seu valor estatísticos ou não, mas
verdadeiro. Portanto, pode sempre poderá ser
ser positivo ou negativo. interpretada como um
desvio padrão. Portanto, é
sempre um parâmetro
positivo.
O que é necessário para É necessário saber (ou ter Não é necessário saber o
obtê-lo? uma boa estimativa) do valor verdadeiro para
valor verdadeiro para estimar a incerteza do
estimar o erro de uma resultado de uma medição.
medida.
Como se decompõe? O erro se decompõe A incerteza pode ser
linearmente nas diversas interpretada como um
fontes de erro: desvio padrão. O
E=Efonte1+Efonte2+ ....+... quadrado da incerteza
total se decompõe em uma
Existem várias soma de quadrados, caso
componentes de erro as incertezas parciais
porque existem várias sejam estatisticamente
fontes de erro. independentes:
Observa-se que, nesta u² = u1² + u2² + u32 +...
definição, o conceito de
De maneira análoga ao
erro aleatório jamais será
erro, a incerteza pode ser
empregado como
expressa em componentes
referência ao desvio
atribuídas a diversas
padrão de uma série de
fontes de variabilidade.
observações!
Qual é seu uso prático? O conceito de erro tem É a maneira adequada de
mais importância teórica avaliar a confiabilidade do
do que prática. resultado de uma medição.
Tabela 2 – Comparação entre conceitos de erro e de incerteza.
Fonte: Paulo Lima Junior e Fernando Lang da Silveira. Discutindo os Conceitos de Erro e Incerteza a partir da Tábua de
Galton com Estudantes de Graduação (Biblio no 2)
Página 8
Nota: Em alguns casos triviais, o valor verdadeiro da grandeza é conhecido, por exemplo, em topografia o erro de
fechamento angular de uma poligonal fechada de 4 estações é bem conhecido e calculado assim:
Erro Fechamento Angular Interno = Somatório dos ângulos medidos – 3600; este erro geralmente é eliminado,
distribuindo-o igualmente nas 4 estações.
Erro é a diferença entre o valor verdadeiro e o valor observado
Medida Média da medida Valor verdadeiro
Erros Aleatórios Erros Sistemáticos
Erro Total
Dados Observados Dados de referência
Anatomia do erro
Figura 4
Erros podem ser classificados de diferentes formas: um erro pode ser classificado como sistemático, aleatório ou
grosseiro.
Sistemático: Os erros sistemáticos são causados por erros instrumentais, falta de calibração, deficiência de
construção, por erros naturais como efeitos da temperatura, refração, ventos.
Aleatórios (acidentais, estatísticos, randômicos - anglicismo): Os erros aleatórios não tem causas conhecidas
mas possuem flutuação probabilística, tende-se a se agrupar em torno de um valor e os afastamentos são
limitados. Se eu medir 10 vezes o comprimento de uma rua, obterei dez medidas diferentes, mas que tendem a se
concentrar em torno de um valor médio.
Grosseiros: Os erros grosseiros são resultantes de enganos, imperícias, descuido do operador ou falha
instrumental e devem ser eliminados.
Incerteza de uma Medição

Parâmetro associado ao resultado de uma medição que caracteriza a dispersão dos valores que pode ser
fundamentalmente atribuídos a uma grandeza, segundo o VIM (Vocabulário Internacional de Metrologia).
Página 9
Quanto maior for essa dispersão, menos confiável será o resultado da medição. A incerteza de uma medição é
expressa de três maneiras como:
(1) Desvio Padrão (S),
(2) Erro Padrão (EP),
(3) Incerteza Expandida (IE) calculada pela fórmula: IE= S. z ou IE= EP. z com probabilidade P, onde z é a variável
reduzida obtida na tabela da distribuição normal padronizada para a probabilidade P.
Resultado de uma Medição (RM)

Por consequência do item anterior o resultado de uma medição também pode ser expresso de três maneiras:
1.) RM= 𝐗 + S. z
2.) RM= 𝐗 + EP. z
Nota: Estas fórmulas são válidas quando n (número de observações da amostra)> 30 e quando n< 30 apenas
troca-se Z por t da Distribuição t de Student com n-1 graus de liberdade
Por exemplo: Coletamos uma amostra de 25 discrepâncias (deslocamento da posição) dos pontos de um mapa e
obtemos uma média de 10 cm e o desvio padrão de 20cm. Como podemos expressar o resultado da minha
medição com um nível de confiança de 90%?
Como a minha amostra é menor que 30, usaremos a tabela t de Student (no apêndice H). Verificamos na coluna o
valor de 24 graus de liberdade e na linha o valor de 0,05 (por ser a tabela bicaudal) que corresponde 90% de
confiança ou 10% de significância e no cruzamento achamos o valor de t = 1,711. Assim temos:
1.) RM= 10 + 20. 1,711=> RM= 10 + 34,22 (90%)

ou
2.) RM= 10 (20/ 25 ). 1,711=> RM = 10 + 6,844 (90%)
+
4. Precisão e Acurácia
Precisão
É o grau em que um conjunto de valores estão próximos um dos outros. Este grau pode ser avaliado por uma
medida de dispersão (quanto os resultados se espalham) em torno de um valor médio. A precisão é expressa pelo
desvio-padrão (σ) ou erro padrão (EP). Devemos ter claro também, que a precisão leva em conta apenas os erros
aleatórios.
Em geodésia, a precisão de medidas de distância dos distanciômetros e receptores GPS é por meio de uma parcela
fixa (a) e outra parcela relativa (b) expressa em partes por milhão (ppm) multiplicada pela distância observada
(D) cuja fórmula é σ = a + b ⋅ D.
Por exemplo:
A precisão de uma base de 6 km medido por um receptor GPS de precisão 4,0 mm +3 ppm é igual a :
σ = [(4mm + (3/106 ⋅ 6.106mm)] = 22 mm, ou seja, pelo menos 68,26% dos valores nesta população estão dentro do
intervalo [μ - 22, μ + 22], onde μ denota a média populacional; assim se considerarmos a média igual a zero, os
valores da variável erro de distância estão entre -22mm a 22mm.
Página 10
Acurácia (Exatidão)
A acurácia se refere ao grau de perfeição obtido numa medição, o quão próximo do valor verdadeiro foi obtida a
medida, desta forma leva em conta os erros aleatórios e sistemáticos. Os efeitos dos erros sistemáticos são
chamados na literatura de tendenciosidade, viés ou vício (bias em inglês) e os efeitos dos erros aleatórios geram a
variabilidade como mostra a figura 5 abaixo.
A precisão se refere apenas ao grau de variabilidade, ou seja, os dois círculos de baixo são os dados mais precisos.
Já acurácia se refere à tendenciosidade e variabilidade, ou seja, o círculo de baixo mais à direita é o mais acurado,
pois possui tendenciosidade baixa e variabilidade baixa.
Tendenciosidade
Variabilidade Alta Baixa
Alta
Baixa
Figura 5
Nota: Cabe ressaltar que se os dados são acurados, também são precisos, mas o contrário nem sempre é verdade,
se os dados são precisos nem sempre são acurados.
Página 11
Módulo 2.0: Ferramentas de Qualidade de Dados Espaciais
1. Monitoria ou Auditoria
Podemos iniciar o assunto de qualidade de dados espaciais, enfocando a qualidade de dados de duas formas:
monitoria ou auditoria.
Na Monitoria, controlamos a qualidade em cada processo e não no produto final, avaliando se a incerteza final de
cada etapa ultrapassam as tolerâncias especificadas e por meio de uma modelagem da incerteza propagada em
cada processo, obtém-se uma estimativa dedutiva da precisão do produto final.
Por exemplo, no mapeamento por fotogrametria temos pelo menos 5 processos para chegarmos ao produto final
(restituição completa ou mapa), assim podemos estimar a incerteza da variável erro de posição absoluta no
produto gerado, utilizando este modelo de erros:
2 2 2 2 2
SProduto Final = SApoio + SOI + SAerotri + SOE + SExtra ção
onde:
SApoio: desvio-padrão da etapa do apoio básico
SOI: desvio-padrão da etapa da orientação interior
SAerotri : desvio-padrão da aerotriangulação
SOE : desvio-padrão da orientação exterior
SExtração: desvio-padrão da extração dados
Controlamos cada etapa fixando tolerâncias e deste modo estimamos pela fórmula o desvio-padrão final.
Por exemplo, uma planta topográfica de escala 1:2000 em que tivemos acesso à documentação de projeto,
obtivemos os seguintes dados:
- Desvio padrão de 8cm no apoio básico,

- Desvio padrão na orientação interior de 7µm na escala da foto (considerando escala das fotos 1:8000),
- Desvio padrão na aerotriangulação de 20 µm na escala da foto,
- Desvio padrão de 30µm na orientação exterior e
- Desvio padrão de 60µm na extração de dados ambos na escala da foto,
Transformando todas as incertezas na unidade cm e sendo que 1µm= 10-4 cm, obtemos:
SProduto Final = sqrt [64+(7x10-4 x 8000)2+(20x10-4x8000)2+(30x10-4x8000)2 +(60x10-4x 8000)2 ] =sqrt [64 + 5,62+
162 + 242 + 482]= 56,84 cm
Na Auditoria, avalia-se a qualidade de um conjunto de dados ou produtos gerados medindo e contando as

discrepâncias definidas em relação a uma verdade tomada como referência.
Página 12
2. Qualidade Interna e Externa
Pode-se definir qualidade de um produto como o grau de conformidade com os requisitos do projeto, grau de
satisfação do cliente entre outras definições mais ou menos subjetivas. O objetivo aqui é auxiliar o aluno a definir
objetivamente a qualidade, criando seu próprio padrão.
A qualidade interna diz respeito ao ponto de vista do produtor que compara às especificações do produto final
com as especificações de projeto (truth in labeling). Já a qualidade externa diz respeito ao ponto de vista do
usuário, adequação ao uso, ou seja, todos os requisitos da aplicação.
Nota: Quando se fala controle de qualidade, geralmente refere-se em controlar estatisticamente os processos até
chegar ao produto final e quando se fala garantia da qualidade apenas se refere à qualidade do produto final.
Há vários elementos de qualidade de dados espaciais (seja interna ou externa): acurácia de posição, acurácia de
atributos, consistência lógica, completeza dos dados, acurácia temporal e lineage. Veremos cada um destes
elementos a seguir.
3. Acurácia de Posição Absoluta (AP)
A Acurácia de Posição Absoluta de um conjunto de dados espaciais é o grau de perfeição da localização absoluta
destes dados, geralmente se refere ao deslocamento da posição horizontal ou vertical dos pontos em relação a sua
posição verdadeira. Quanto menor este deslocamento, melhor é a acurácia de posição.
Figura 6
Página 13
Acurácia de posição absoluta leva em conta a tendência (erros sistemáticos) e precisão (erros aleatórios)
e pode ser expressa, se tivermos teoricamente os parâmetros μ e σ da população, pela fórmula : AP= μ ± σ. z e
em cada componente X, Y, Z (Z representada por V), assim temos:
- APx= μx ± σx. z
- APy= μy ± σy. z
- APv = μv ± σv. z
Geralmente considera-se μ =μx= μy= μv=0 por definição assim temos acurácia expressa como incerteza expandida:
AP= σ. z ou no intervalo de confiança: -σ. z <AP< σ. z e nas componentes temos:
1.) - σx. z <APx< σx. z

2.) - σy. z <APy< σy. z
3.) - σv. z <APv< σv. z
A acurácia posição absoluta horizontal (APH) é a resultante em X e Y e calculada assim:

APH = APX2 + APY2 , considerando as variáveis em X e Y independentes.
𝐀𝐏𝐇
Ou dada APH e assumindo que APx = APy ===> APx = APy = 2
Por exemplo: Sabemos que um mapa tem acurácia de posição absoluta horizontal igual a 50 cm com 90% de
probabilidade e queremos calcular o desvio padrão nas componentes X e Y, considerando as variáveis
𝐀𝐏
independentes e com precisão igual. Calculamos APx = APy = 2𝐇= 50/ 2= 35,35 cm mas este valor representa um
nível de confiança de 90% e queremos o desvio padrão (cujo nível de confiança é 68,26%).
Temos então a fórmula, considerando μx= 0 fica: 35,35= σx. z = σy. z

e achando z na tabela normal padronizada unicaudal (apêndice G) para 45% (90%/2) de confiança
que é igual a 1,645, então temos:
σx. 1,645= 35,35=> σx= σy = 21,49cm
4. LMAS (Linear Map Accuracy Standard) e CMAS (Circular Map Accuracy Standard)
Os termos LMAS e CMAS podem ser encontrados na literatura e nos padrões norte-americanos bem como em
folders de empresas fornecedoras de produtos oriundos de imagens orbitais, como a GeoEye e DigitalGlobe. As
siglas são seguidas de números que representa a probabilidade da variável erro de posição absoluta (intervalo de
confiança), por ex LMAS90, CMAS95, LE99.
LMAS ou LE (erro linear) é um conceito equivalente ao PEC-1984 (discutido no próximo módulo), significando
um padrão (tolerância) de acurácia de posição absoluta de feições pontos, onde a variável erro tem função de
distribuição normal unidimensional, ou seja, o termo unidimensional significa no eixo X ou Y ou Z, desta maneira a
variável é analisada, testada de maneira independente nas componentes X, Y e Z como mostra a figura 7.
Página 14
Figura 7: Distribuição Normal Univariada ou Unidimensional
Mais especificamente a LMAS90 (LE90) é uma tolerância de acurácia de posição com intervalo de confiança de
90% com média μ = 0 mais a incerteza IE= σ. 1,6449, valendo para as três componentes (X, Y e Z). Assim temos:
LMAS90(X,Y)= σx. 1,6449= σy. 1,6449
LMAS90(z)= σz. 1,6449
e para LE95 temos LE95 = σ. 1,960. A figura 8 ilustra bem o LE90= 0,353mm na componente X e LE90=0,353mm
na componente Y, significando que 90% dos pontos estão dispersos dentro do quadrado de lado 0,706mm,
compreendido entre as 2 linhas vermelhas e as 2 linhas verdes.
Y
0,353mm 0,5 mm
X
-0,353mm 0,353 mm
-0,353mm
Figura 8
Página 15
Nota: A figura 8 também representa o PEC-1984 na classe A, onde 90% dos pontos se dispersam no máximo a
0,5mm da origem e a 0,353mm (=0,5mm/ 2 ) dos eixos X e Y.
CMAS ou CE (erro circular) significa um padrão (tolerância) de acurácia de posição absoluta, sempre horizontal,
de feições ponto, onde a variável erro tem função de distribuição normal bidimensional (X e Y), analisada e
testada na resultante do erro de X e Y, formando um círculo de probabilidade como mostra a figura 2.
Figura 9: Distribuição Normal Bivariada ou Bidimensional

(Fonte: Marcelo Nero, 2005 apud em Afonso de Paula Santos, 2010-Bibliog. n. 5)
Por exemplo: CMAS90 é = σ. 2,146; CE95= σ. 2,4477.
Nota: A componente/coordenada Z (vertical) é sempre considerada um erro linear, sendo usados os termos LE90,
LMAS90, LMAS95 etc
A figura 9 exemplifica bem o que é um CE90= 5m
Página 16
Figura 10: Mostra CE90=5m, ou seja, 90% dos pontos dispersos dentro do círculo de raio 5 metros
Fonte: Geolocation Accuracy of WorldView Products- DigitalGlobe (Biblio n. 1)
Por exemplo: A GeoEye especifica no seu produto GeoStereoTM (ortoimagem) uma qualidade de 15 metros de
CE90 e 22 metros de LE90, ou seja, ela garante que 90% das vezes achamos diferenças nas posições dos pontos
que não ultrapassem 15m na horizontal e 22 m na vertical.
Como calculamos os desvios padrão nas componentes?
CE90= CMAS90 = σ. 2,146 = 15m => σ = 6,99 m (desvio padrão na resultante com 39,35% de probabilidade) e
como é um círculo os desvios padrões nas componentes são iguais à resultante, assim temos: σx = σy = 6,99 m.
LE90=LMAS90= σv. 1, 645 = 22m => σv = 13,37 m (com probabilidade de 68,26%).
Página 17
Módulo 3.0: Entendendo os Padrões Brasileiros de Acurácia
1. Padrão de Exatidão Cartográfico Brasileiro (PEC-1984)
A legislação vigente - está no decreto lei 89.817/84 que determina o padrão de acurácia de posição absoluta no
Brasil denominado PEC – Padrão de Exatidão cartográfica que pode ser lido no link da ref. Bibliog. n. 19. A tabela
abaixo mostra as tolerâncias na escala da carta:
PEC-PCD PLANIMETRIA
PEC-1984 2011 PEC (mm) EP(mm)
- A 0,28 0,17
A B 0,50 0,30
B C 0,80 0,50
C D 1,00 0,60
Tabela 3
MDT-MDE-MDS-PTOS
PEC-PCD ALTIMETRIA
PEC-1984 COTADOS
2011 PEC(equid) EP(equid) PEC(equid) EP(equid)
A A 0,50 1/3 0,27 0,17
B B 0,60 0,40 0,50 0,33
C C 0,75 0,50 0,60 0,40
- D 1,00 0,60 0,75 0,50
Tabela 4
No decreto do PEC-1984 declara-se que os termos erro médio quadrático, desvio-padrão e erro padrão são
considerados equivalentes, infelizmente gerando muita confusão, pois os conceitos e valores são distintos e não
devem ser confundidos!
Nota 1: Desta forma, sugerimos simplificar e interpretar os valores dos EP (“Erro Padrão”) na tabela como valores
dos Desvios Padrão Populacional (σ) e estimá-los pelos desvios padrão amostrais (S).
O valor do PEC na tabela é uma tolerância de AP (acurácia de posição) considerando a variável erro
(deslocamento das posições dos pontos em relação a uma referência) com distribuição aleatória normal
unidimensional, ou seja, a variável é testada de maneira independente nas três direções (X, Y, Z) e com média
populacional (μ) igual a ZERO mais a incerteza expandida para 90% dos pontos no mapa (ou a probabilidade de
90% de encontramos erros até este valor).
Página 18
Assim temos PECH definido como acurácia de posição horizontal ou planimétrica
(PECH = APH = resultante de X e Y):
PECX = 1,6449. σx
PECy = 1,6449. σy
PECH= APH = PECX 2 + PECY 2 => assumindo PECX= PECy=> PECH= 2 . PECX = 2 . PECY
PECH= 2 . 1,6449 . σx => PECH= 2,326. σx = 2,326 . σy
E temos PECV =APv= = 1,6449. σv
Exemplo 1: Para classificarmos uma planta na escala 1:2000 na classe A, quais os valores esperados do desvio
padrão e PEC nas três componentes.
A tabela nos dá o valor PECH= 0,5 mm na escala da carta= 0,5mm x 2000= 1000mm=1m
==> 1= 2,326 . σx = 2,326 . σy => σx = σy = 0,43m
Considerando uma equidistância nas curvas de nível de 2m, obtemos diretamente na tabela:
σv= 1/3 . 2m = 0,66 m e
PECv= ½ . 2m = 1m
MÉTODO PRÁTICO (Passo a Passo) para Auditarmos mapas em conformidade com o PEC-1984/PEC-PCD-
2011/NBR 13133
1.) Escolhemos no mínimo 20 pontos bem distribuídos espacialmente (amostragem sistemática com 25% de
pontos em cada quadrante do mapa) em cada pelo mapa, e coletamos as coordenadas destes pontos no mapa e no
campo (este último com precisão de 3 vezes melhor que o mapa, geralmente por GPS).
Página 19
Figura 11: Amostragem Sistemática sugerida pela ASPRS (1989) apud em Congaltong; Green (2008)- Biblio n. 11.
2.) Obtemos assim 3 amostras de 20 discrepâncias cada ou seja 20 na componente X, 20 na componente Y e 20 em

Z. A discrepância é calculada pela diferença entre a coordenada xmapa e sua coordenada xcampo e assim por diante
nas outras componentes:
Dx = (xmapa, i - xcampo, i)
Dy = (ymapa, i - ycampo, i)
Dv = (vmapa, i - vcampo, i)
3.) Calculamos as 3 médias ( 𝐃𝐱 , 𝐃𝐲 e 𝐃𝐯 ) e os 3 desvios padrão Sx , Sy e Sv das 3 amostras
4.) Assim testamos a hipótese da amostra na componente X representar uma população de erros na componente
X, com distribuição normal com média μ = O no nível de confiança de 90%.
Para isto acontecer o intervalo a seguir tem que ser verdadeiro:
. t(n-1, 𝛼 2) ≤ 0 ≤ Dx + . t(n-1, 𝛼 2) (Verdadeiro ou Falso?)

Sx Sx
Dx -
n n
e o mesmo para as componentes Y e Z, onde t(n-1, 𝛼 2) é obtido na tabela t-student no apêndice H.
Nota 2: Caso a condição seja falsa a média populacional é diferente de zero e o mapa apresenta certa tendência
(erros sistemáticos) na direção da componente (X, Y ou Z) em questão. Esta tendência pode ser eliminada,
subtraindo de todas coordenadas do mapa o valor da média amostral das discrepâncias nesta direção, aplicando
uma operação espacial de translação no eixo em questão (X, Y ou Z), desta forma corrigindo posicionalmente o
efeito sistemático.
Página 20
Nota 3: Sugere-se não classificar a carta EM TERMOS DE ACURÁCIA até que esta tendência seja eliminada!
5.) Caso a condição anterior seja verdadeira analisamos a precisão (erros aleatórios) e testamos a hipótese da
amostra na componente X, com 90% de confiança, representar uma população cujo variância é menor ou igual
variância tolerada para a classe (A, B ou C), ou seja: Sx2 ≤ σ2X(Tolerado na classe A,B,C) com 90% de probablidade.
Para que isto aconteça precisamos verificar se o intervalo abaixo é verdadeiro ou falso para cada classe:
𝑛−1 .S 2x 𝑛−1 .S 2x
𝛼 ≤ σ2X (tolerado ) ≤ 1−𝛼 ( Verdadeiro ou Falso?)
χ 2(n −1, ) χ 2(n −1, )
2 2
e o mesmo para as componentes Y e Z
Nota 4: Primeiro testamos a variância tolerada para classe A, caso seja falso, testamos para classe B e caso seja
𝛼 𝛼
falso testamos para classe C. Os valores χ2(n−1, ) e χ2(n−1, 1 − 2 ) são obtidos facilmente na tabela do qui-
2
quadrado no apêndice I.
Nota 5: No apêndice A você vai encontrar um método clássico para avaliar a acurácia de posição chamado TESTE
EMAS semelhante ao passo a passo que criamos e sugerimos aqui. Nosso passo a passo é um método de mais fácil
entendimento e mais rápido na aplicação por utilizar 2 intervalos de confiança, um para testar média amostral e
outro para testar o desvio padrão amostral.
Exemplo: Na avaliação de acurácia de posição queremos classificar uma planta na escala 1:2000 de acordo com
PEC-1984, sabendo que a equidistância das curvas de nível é 2 metros e o nível de significância α =10%
Para isto, coletamos 20 pontos e obtivemos os seguintes dados:
𝐃𝐱 = 0,173 m, Sx = 0,453m
𝐃𝐲 = 0,158 m, Sy = 0,421m
𝐃𝐯 = 1,202 m, Sv = 0,908m
Assim testamos o primeiro intervalo:
. t(n-1, 𝛼 2) ≤ 0 ≤ Dx + . t(n-1, 𝛼 2) =>

Sx Sx
1.) Dx -
n n
0,453 0,453
0,173 – . t(19, 0,05) ≤ 0 ≤ 0,173 + . t(19, 0,05) ==>
20 20
0,173- 0,101. 1,729 ≤ 0 ≤ 0,193 + 0,101 .1,729==>
Página 21
- 0,001 ≤ 0 ≤ 0,976 (Condição Verdadeira)
. t(n-1, 𝛼 2) ≤ 0 ≤ Dy + . t(n-1, 𝛼 2) =>

Sy Sy
Dy -
n n
0,421 0,421
0,158 – . 1,729 ≤ 0 ≤ 0,158 + . 1,729
20 20
-0,0047≤ 0 ≤ 0,320 (Condição Verdadeira)
. t(n-1, 𝛼 2) ≤ 0 ≤ Dv + . t(n-1, 𝛼 2) =>

Sv Sv
Dv –
n n
0,908 0,908
1,202- . 1,729 ≤ 0 ≤ 1,202 + . 1,729
20 20
0,851 ≤ 0 ≤ 1,553 (Condição Falsa)
2.) Agora testamos apenas as componentes X e Y que passaram no teste de tendências.

0,3mm x 2000 2
σ2X (tolerado classe A) = σ2y (tolerado classe A) = ( ) = 0,18 m2
2
𝑛−1 .S 2x 𝑛 −1 .S 2x
𝛼 ≤ σ2X (tolerado ) ≤ 𝛼 =>
χ 2(n −1, ) χ 2(n −1, 1− )
2
2
19. 0,453 2 19. 0,453 2

≤ 0,18 ≤ =>
χ 2(19;0,05) χ 2(19;0,95)
3,90 3,90
≤ 0,18 ≤
30,143 10,117
0,129 ≤ 0,18 ≤ 0,385 (Condição verdadeira que indica Classe A em X)
Página 22
𝑛−1 .S 2y 𝑛−1 .S 2y
𝛼 ≤ σ2y (tolerado ) ≤ 𝛼 =>
χ 2(n −1, ) χ 2(n −1, 1− )
2 2
19. 0,4212 19. 0,4212
≤ 0,18 ≤ =>
30,143 10,117
0,111 ≤ 0,18 ≤ 0,332 (Condição verdadeira que indica Classe A em Y)
Conclusões: Podemos dizer que a planta possui uma acurácia de posição planimétrica Classe A de acordo com
PEC-1984 e na altimetria possui tendência e sem classificação. Podemos a avaliar apenas a precisão altimétrica (e
não acurácia) de acordo com o PEC-1984 assim:
σ2v (tolerância classe A) = [(1/3 x (equidistância)]2 =0,6662 = 0,444 m2
σ2v (tolerância classe B) = [(2/5 x (equidistância)]
2 =0,8002 = 0,640 m2
𝑛−1 .S 2v 𝑛−1 .S 2v
𝛼 ≤ σ2v (Classe A) ≤ 𝛼 =>
χ 2(n −1, ) χ 2(n −1, 1− )
2 2
19. 0,908 2 19. 0,908 2

≤ 0,444 ≤ =>
30,143 10,117
0,519 ≤ 0,444 ≤ 1,548 (Condição Falsa para Classe A)
Testamos para classe B:
19. 0,908 2 19. 0,908 2

≤ 0,640 ≤
30,143 10,117
0,519 ≤ 0,640≤ 1, 548 (Condição Verdadeira para Classe B)
Nota 6: Assim concluímos que a planta tem uma precisão altimétrica classe B, mas não a acurácia.
Página 23
2. Padrão de Exatidão Cartográfica dos Produtos Cartográficos Digitais (PEC-PCD 2011)
O PEC-PCD adotado pela DSG do Exército Brasileiro e pela INDE diminui muito a tolerância para classe A
comparado ao PEC-1984. PEC-PCD adotou para Classe A na planimetria um erro padrão (68,27%) de 0,17mm e
um PEC-PCD (90%) de 0,28mm ambos escala da carta. Para as classes B, C e D os valores do erro padrão e PEC
são equivalentes aos valores do PEC-1984 nas respectivas classes A, B, C como mostra a tabela 3.
Na Altimetria (curvas de nível) os valores são equivalentes ao PEC-1984, apenas incluindo uma classe D. Cabe
ressaltar que o PEC-PCD também inclui uma tabela de tolerância para produtos 3D como Modelos Digitais de
Terreno, Modelos de Elevação, Modelos de Superfície e Pontos Cotados como mostra a tabela 4.
Nota: O método de avaliação da acurácia de posição é exatamente o mesmo que foi tratado no item anterior
apenas observar que as tolerâncias mudam e a classificação também.
3. NBR13133 (Execução de Levantamento Topográfico-ABNT-1994)
É uma norma, que se está sendo revisada neste momento, bastante completa além fixar conceitos também:
- Classifica aparelhos de topografia conforme sua precisão

- Classifica poligonais conforme sua finalidade e método
- Classifica nivelamentos conforme sua finalidade e método
-Estabelece critérios rígidos e tolerâncias para erros de fechamento angular, linear, de nivelamento geométrico,
ajustamento de poligonais e de redes de nivelamento.
A norma pode auxiliar tanto o fornecedor do levantamento topográfico que apresenta o seu serviço em
conformidade com a NBR 13 133, quanto o usuário final deste levantamento. O fornecedor controla os processos,
estabelece critérios, métodos e modelos descritos na norma, ou seja, monitora os processos até chegar ao produto
final (qualidade interna). Já o usuário final pode auditar o produto final (qualidade externa) também descrita na
norma ou aceitar todos os procedimentos descritos da qualidade interna do fornecedor.
Mais especificamente sobre a qualidade do produto final de levantamento topográfico que é a planta topográfica
(desenho topográfico) a norma estabelece os padrões de exatidão conforme tabela (para K=1) abaixo:
PLANIMETRIA ALTIMETRIA
NBR 13133 PAD md PAP mp PAA mv
0,5mm 0,3mm 0,658 0,4mm 0,547. equid 1/3. Equid
Tabela 5
- Padrão de Acurácia de Distâncias (PAD) igual a 1,645. md, que é uma tolerância da variável erro definida como a
diferença das distâncias medidas na planta e suas homólogas no campo, admitidas a distribuição normal com 90%
Página 24
de probabilidade. Sendo md (desvio padrão admissível) = 0,3mm x K (na escala da planta), onde K pode assumir
valores:
K=1 para distâncias medidas com medidor eletrônico(MED) ou trena de aço aferida, estirada com
dinamômetro sobre estaqueamento alinhado e nivelado geometricamente e com correção de dilatação,
catenária e redução ao horizonte.
K= 1,5 para distâncias medidas simplesmente a trena de aço sem os cuidados acima descritos
K= 2,5 para distâncias medidas taqueometricamente ou a trena de fibra.
- Padrão de Acurácia Posicional de Pontos (PAP) igual a 1,645. mp, que é uma tolerância da variável erro de
posição definida como a diferença das medidas de posição na planta e suas homólogas no campo, admitida a
distribuição normal com 90% de probabilidade. Sendo mp (desvio padrão admissível) = 0,4mm x K (na escala da
planta), onde K pode assumir os valores:
K=1 para pontos de detalhes sinalizados, com medidas de distâncias realizadas com MED ou com trena de
aço aferida, estirada com dinamômetro sobre estaqueamento alinhado e nivelado geometricamente e com
correção de dilatação, catenária e redução ao horizonte.
K= 1,5 para pontos de detalhes sinalizados, com medidas de distâncias realizadas simplesmente a trena de
aço sem os cuidados mencionados no k=1
K= 2,5 para pontos de detalhes não sinalizados com distâncias medidas taqueometricamente ou a trena de
fibra.
- Padrão de Acurácia Posicional Altimétrica (PAA) igual a 1,645. mV, que é uma tolerância da variável erro de
posição definida como a diferença das medidas de posição vertical na planta e suas homólogas no campo,
1
admitida a distribuição normal com 90% de probabilidade, sendo mv (desvio padrão admissível) = .
3
(equidistância das curvas de nível).
Nota 1: A NBR 13 133 define m (md, mp e mv) sendo o “desvio padrão admissível” ou “erro médio quadrático”
D 21 +D 22 +D 23 +−−−+D 2i
calculado pela seguinte expressão: m = , onde Di é a discrepância e n é o número de elementos
n−1
da amostra. O m definido pela norma é a raiz da média quadrática dos erros de posição, sendo uma medida de
posição e não de dispersão! Desta forma, sugerimos que o m seja substituído pelo tradicional σ (desvio padrão
populacional) da mesma forma que sugerimos para o PEC-1984 e PEC-PCD, e trocar a fórmula do m pela fórmula
𝑛
𝑖=1 X i −X 2
tradicional do S (desvio padrão amostral: )
𝑛−1
Nota 2: A NBR 13133 sugere uma amostra aleatória de 3% até 500 pontos, com mínimo de 10 (pontos ou
distâncias).
Página 25
Nota 3: Sugerimos avaliar acurácia de distância ou pontual em conformidade com a NBR pelo método passo a
passo descrito no primeiro item, apenas observando que as tolerâncias de desvio padrão populacional mudam
conforme indicado na tabela 4.
4. Métodos + Modelos Matemáticos
O grande segredo por trás da qualidade de dados topográficos, geodésicos e fotogramétricos é a combinação
do método de levantamento de dados com o modelo funcional e estocástico.
MODELO MODELO
FUNCIONAL ESTOCÁSTICO
ACURÁCIA
DE POSIÇÃO
MÉTODO DE
LEVANTAMENTO
Figura 12
Método de levantamento inclui:
- A escolha dos aparelhos e fonte de dados mais adequados à finalidade, seja uma estação total , receptores GPS,
câmera métrica digital, sensores orbitais, a laser, restituidores analógicos, digitais etc que forneçam a resolução e
precisão requerida,
- O próprio método de levantamento dos dados no caso da topografia (poligonação, interseção, irradiação,
nivelamento trigonométrico, nivelamento geométrico), no caso da geodésia (poligonação, triangulação,
trilateração, pseudo-distância, fase da portadora, posicionamento absoluto, diferencial, relativo, mais as técnicas
DGPS, PPP, Stop and Go, Estático, Cinemático, RTK, Rinex Virtual ) e no caso da fotogrametria (voo
fotogramétrico, apoio de campo, aerotriangulação, orientação interior, relativa, absoluta, restituição),
Modelo matemático
Chama-se modelo matemático o sistema teórico ou conceito abstrato através do qual se descreve uma situação
física ou um conjunto de acontecimentos. Um modelo matemático pode ser dividido em duas partes conceituais:
modelo funcional e modelo estocástico.
Modelo funcional
O modelo funcional é composto por relações que descrevem a geometria ou características físicas do problema em
questão. Por exemplo:
- Para a determinação da área de um terreno retangular com lados a e b o modelo funcional é A = a.b.
- Para a determinação da forma de um triângulo com ângulos α, β e γ o modelo funcional será α + β + γ = 180°.
Em geomática, por exemplo, podemos ter:
Página 26
- Poligonação com suas equações de condição e observação
- DGPS, PPP, RTK com suas equações de observação da fase ou código;
- Na orientação interna, relativa e absoluta usamos as equações da transformação isogonal, afim;
- Na aerotriangulação utilizamos a equação de colinearidade
Modelo estocástico
O modelo estocástico é composto pelo conjunto de relações que descrevem as propriedades estatísticas dos
elementos envolvidos no modelo funcional. O modelo estocástico ou modelo probabilístico indica, por exemplo, a
qualidade das observações feitas (as suas precisões, relativas ou absolutas), indica se as observações estão
correlacionadas ou não, indica ainda as variáveis que são consideradas constantes durante o ajustamento e as que
se pretendem determinar.
Em geomática, parte-se de um modelo estocástico padrão, o qual assume que todas as medidas das observações
têm a mesma variância, seguem uma distribuição normal e são estatisticamente independentes, espacialmente e
temporalmente.
Por exemplo, em fotogrametria pode-se estimar o desvio padrão do erro de posição no produto final por meio do
seguinte modelo estocástico (que foi derivado do modelo padrão e aplicado na fotogrametria):
2 2 2 2 2
SProduto Final = SApoio + SOI + SAerotri + SOE + SExtra ção cujos termos deste modelo estocástico já foram explicados
anteriormente.
Desta forma o modelo funcional selecionado e o modelo estocástico são integrados na disciplina de ajustamento
de observações que se utiliza:
- Equações de observação ou de condição (modelo funcional)

- Linearização destas Equações
- MMQ (método dos mínimos quadrados) que estabelece que a melhor estimativa da grandeza é quando a soma
dos quadrados dos resíduos for mínima.
- Lei da propagação dos erros (variância)
- Detecção de erros grosseiros
Então após o processamento do ajustamento, obtêm-se:

- Os parâmetros ajustados com suas respectivas precisões,
- As observações ajustadas,
- Os resíduos estimados.
Nota 1: O objetivo maior aqui não é tecer detalhes sobre ajustamento de observações mas mostrar como a
qualidade (interna) é tão bem monitorada por meio do tripé (método +2 modelos). Os erros grosseiros podem ser
detectados e eliminados, os sistemáticos na prática são eliminados e os aleatórios são minimizados objetivando
cada vez mais uma melhor acurácia de posição dos pontos.
Página 27
Nota 2: Para que obtenhamos dados em conformidade com o nosso padrão, devemos:
- Definir a tolerância desejada no erro de posição dos pontos;

- Selecionar o método mais adequado à finalidade do levantamento e à tolerância desejada;
- Descrever o modelo matemático compatível a este método selecionado;
- Processar o ajustamento das observações.
- Comparar a tolerância desejada com as precisões dos parâmetros
- Cabe ressaltar que dentro da disciplina de ajustamento de observação, temos uma técnica chamada de pré-
análise que nos permite, antes de executarmos o levantamento topográfico, analisar por um método deno-
minado tentativa e erro, se o nosso método + modelos escolhidos nos permitem chegar à tolerância (precisão)
desejada.
Nota 3: O Padrão de Georreferenciamento de Imóveis do INCRA (Lei 10267-2001) estabelece uma monitoria da
qualidade de dados topográficos e geodésicos em termos de precisão posicional da seguinte forma:
- Não aceita qualquer método e equipamento na realização dos processos (etapas) de levantamento;
- Estabelece uma tolerância posicional de 10 cm (desvio padrão) para os vértices de apoio básico (Processo1);
- Estabelece uma tolerância posicional de 20 cm (desvio padrão) para os vértices de apoio imediato (Processo 2)
- Estabelece uma tolerância posicional de 40 cm (desvio padrão) para os vértices da poligonal (Processo 3)
- Enfim não aceita um desvio padrão maior que 50 cm (desvio padrão) nos vértices do perímetro (limites) do
imóvel em questão (Processo 4).
Página 28
Módulo 4.0: A Inovação de Valor do Google Maps-Earth
1. Acurácia de Atributos
Refere-se ao nível de correção dos dados descritivos, ou seja, dos valores atribuídos a cada feição. Valores
quantitativos do tipo parâmetro como temperatura, pressão, tempo, perímetro, áreas podem ser expressas em
termos de desvio-padrão e valores qualitativos do tipo nomes, classes, categorias, podem ser expressos em
termos de porcentagem (razão dos nomes ou classes codificados corretamente pelo número total de nomes
daquele tipo codificados no banco de dados).
Quando os atributos classes e categorias (ex. uso e cobertura do solo) são oriundos de mapeamento temático de
imagens orbitais, a acurácia de atributos também é chamada de Acurácia Temática ou Acurácia de Classificação.
Desta forma a acurácia é calculada com a ajuda de uma matriz de erro (matriz de confusão) que é uma tabulação
cruzada como mostra a tabela 6 abaixo. A matriz de erro é uma matriz quadrada que compara as feições das
classes do mapa com uma fonte de dados de maior acurácia, geralmente é uma amostra de no mínimo de 50
pontos de referência (unidades amostrais) para cada classe coletadas em campo ou imagem de melhor (menor)
resolução. Sugere-se elaborar uma amostragem aleatória estratificada, ou seja, 50 pontos escolhidos
aleatoriamente para cada classe.
No exemplo podemos ver as células AA, BB, CC, de valores 55, 100 e 45 (na diagonal) expressam o total de feições
classificadas corretamente. Desta forma temos o valor da acurácia total do mapa=(55+100+45)/250= 80%.
No ponto de vista do produtor, vamos analisar as três colunas. Para a classe A, temos as células AB, AC de valores
0 e 10 (na primeira coluna) que representam um total de 10 erros de omissão, pois podemos ver na coluna A um
total de 65 feições de classe A (na referência), e que apenas 55 foram classificadas corretamente como A. Assim o
produtor acertou 55 em 65 para classe A gerando uma acurácia na classe A de 84%. Cabe ressaltar que estes 10
erros de omissão, significam também 10 erros de excesso na Classe C, desta forma podemos afirmar que a cada
erro de omissão em uma classe temos um erro de excesso em outra e vice-versa.
Para a classe B (segunda coluna) temos 100 feições registradas corretamente em 125, gerando uma acurácia de
80%, sendo 25 erros de omissão na classe B ou 25 erros de excesso na A e C. Para a classe C (terceira coluna) o
produtor acertou 45 feições C em 60, gerando uma acurácia de 75% na classe C, com 15 erros de omissão na
classe C e 15 erros de excesso nas classes A e B.
Do ponto de vista do usuário analisamos as três linhas. Na classe A (primeira linha) o usuário utiliza um mapa que
apenas 55 feições A estão corretas em 90 feições de classe A que estão no mapa, gerando uma acurácia de 55/90=
61%. Para a classe B(segunda linha) 100 feições registradas corretamente e 100 que estão no mapa, gerando
100% de acurácia. Para a classe C (terceira linha) temos 45 acertos em 60, com acurácia de 75%.
Página 29
REFERÊNCIA (CAMPO)
Acurácia do
A B C Total
Usuário
A 55 20 15 90 55/90= 61%
B 0 100 0 100 100/100=100%

CLASSIFICAÇÃO
C 10 5 45 60 45/60=75%
Total 65 125 60 250
Acurácia
55/65= 100/125= 45/60= Acurácia Total=
Do
84% 80% 75% 200/250= 80%
Produtor
Tabela 6
Interessante:
Note as diferenças de acurácia entre o ponto de vista do produtor e usuário nas classes A e B. O produtor declara a
qualidade de seu mapa na classe A em 84% enquanto o usuário só percebe 61%, mas na classe B o produtor
declara 80% e o usuário percebe 100%. Parece que a acurácia total de 80% representa uma medida mais
representativa para ambos (usuário e produtor).
Nota: Aqui o conceito Acurácia do Usuário (strictu sensu) tem significado restrito a matriz de erro, desta forma o
usuário pode ter critérios mais rígidos na avaliação e medição da acurácia do mapa temático.
2. Consistência Lógica
Um conjunto de dados é consistente logicamente ao seu *esquema de aplicação, quando atende (adere) às
especificações de:
- Entidades (todas as entidades, com seu domínio espacial, estão representadas coerentemente ao esquema)
- Atributos (todos os valores de atributos estão coerentes com seu domínio especificado no esquema)
- Geometria (os polígonos foram corretamente fechados e as outras inconsistências como “over/undershoots”
foram corrigidas- ver apêndice F)
- Relacionamentos e Topologia (os relacionamentos das entidades e sua topologia foram codificados
coerentemente ao esquema de aplicação)
Página 30
Por exemplo, uma determinada aplicação cujo esquema definiu que a classe cidade contém a classe quadras, e
ambas instâncias destas classes são representadas por polígonos. Um polígono que represente uma instância da
classe cidade deve conter um conjunto de polígonos que representem um conjunto de instâncias da classe quadra.
* Esquema de aplicação (também chamado esquema conceitual de dados espaciais), melhor discutido no módulo
4, se refere ao resultado da segunda fase de um projeto de banco de dados de dados espaciais (ver apêndices C, D,
E).
Nota: Os testes de consistência lógica podem ser executados com funções do software GIS ( fechamento de
polígonos, edição de overshoots e undershoots, codificação topológica), com funções do Sistema Gerenciador de
Banco de Dados (restrições nos domínios de atributos, de cardinalidade entre outros) e também visual e
manualmente corrigir inconsistências na articulação de mapas para garantir a continuidade das feições ou
corrigir muitas inconsistências que aparecem quando combinamos os planos de informação.
3. Completeza ou Completude dos Dados
Expressa o grau de integridade dos dados, ou seja, todas as feições, relacionamentos e seus atributos têm sido
codificados de acordo com as especificações da captura dos dados, ou melhor, em relação ao universo abstrato. O
universo abstrato é um subconjunto da realidade percebida e define um conjunto de dados como a representação
digital deste subconjunto da realidade.
Universo abstrato é a primeira visão, primeira imagem do que eu quero mapear (seja eu produtor ou usuário).
Exemplo: Se eu defini que eu quero mapear todos os 22 hospitais que existem naquela cidade, meu universo
abstrato que corresponde à classe de objeto hospitais é todos os 22 existentes. Para isto eu utilizei apenas um
mapa da cidade que representa apenas 11 hospitais. Desta maneira eu posso afirmar que meu novo mapa tem
50% de completeza na classe hospitais ou 11 objetos de omissão.
Depois que um universo abstrato for estabelecido, a medida da completeza é a simples comparação dos dados à
suas referências, podendo ser expressa, por um valor de porcentagem calculado pela razão do número de feições
codificadas pelo número total de instância de entidades daquele tipo ou em termos de excesso ou omissão.
NOTA: Google Maps/Earth: Uma Inovação de Valor (*O texto a seguir reflete estritamente minha opinião
particular, não necessariamente reflete a opinião da própria Google*)
A Google transformou o mercado de geoinformação, levando-o a um mercado de massa, com os produtos Google
Maps e Google Earth. A Google inovou com um novo elemento de qualidade de dados espaciais: Acessibilidade.
Num mundo de mapas e guias em papel, onde o usuário muitas vezes se aborrecia, na procura de lugares e ruas e
apenas profissionais especialistas tinham acesso a mapas digitais, o Google Maps é hoje um serviço usado por
bilhões de pessoas que só precisam ter um computador com conexão à Internet. Também criou o Google Earth
que é um globo virtual com imagens do mundo inteiro.
A Google sabia que não poderia produzir ou comprar mapas e geoinformação do mundo inteiro com alta
qualidade em todos os elementos (posição, atributos, consistência lógica) e disponibilizá-los nos seus produtos
Página 31
mas poderia disponibilizar o maior mapa do mundo, o maior globo do mundo, o mais completo que mais se
aproxima do mundo real. Desta forma aumentou o valor do elemento Completeza e diminui os outros.
Veja como ficou o Padrão de Qualidade de Dados Espaciais Google Maps/Earth:

- Acurácia de Posição: Baixo Valor
- Acurácia de Atributos: Baixo Valor
- Consistência Lógica: Baixo Valor
- Atualidade dos Dados: Médio Valor
- Completeza: Altíssimo Valor
- Acessibilidade: Altíssimo Valor nos seus serviços de mapas e a Matriz da 4 ações baseada na Estratégia do
Oceano Azul:
Eliminar Elevar
Facilidade de Acesso
Mapas em Papel Conjunto de Dados Contínuos
Dados Descontínuos (com borda) Imagens de Satélite ou Mapas (em várias escalas e
resoluções)
Copyrights de Mapas Completeza dos Dados (Próximo do Mundo Real)
Reduzir Criar
Serviço Gratuito de Mapas, POI e Endereços
Acurácia de Posição
Cálculo de Rotas
Acurácia de Atributos
Globo Virtual (Conjunto de Mosaicos de Imagens
Consistência Lógica Semi-Controlados)
Tabela 7: Matriz eliminar-reduzir-elevar-criar
4. Acurácia Temporal
Há três tipos de tempo para cada feição ou classe de objeto:
- Tempo do Evento no qual o fenômeno realmente ocorreu, inclui-se o tempo de existência ou validade da feição;
- Tempo da Observação no qual o fenômeno foi observado ou coletado;
- Tempo da Captura no qual a fenômeno foi incluído no banco de dados.

O tempo do evento parece ser importante aos usuários, porque estabelece o tempo válido para o fenômeno
descrito. Deste modo, o tempo da observação e tempo de captura deve ser compatível com o tempo do evento a
fim de evitar inconsistências.
O tempo da observação, declarado em levantamentos topográficos, geodésicos, aerofotogramétricos, por imagens

de satélite, e o tempo de captura, necessário na administração do processo de atualização de base de dados,
podem ser mais importantes para produtores e administradores de banco de dados.
Acurácia temporal diz respeito à validade dos dados em relação à data (tempo do evento), ou seja, os dados de
determinada feição tem acurácia temporal se ainda são válidos.
Página 32
Exemplo: Se a nossa aplicação exigir dados de dois dias (20/02/13 a 21/02/13) para analisar o antes e depois de
um desastre natural, uma imagem de satélite do dia 28/02/13, embora seja mais atual, não tem acurácia temporal
devida para minha análise. Nem sempre dados atuais são acurados!
Página 33
Módulo 5.0: Como elaborar o seu Padrão de Qualidade
1. Lineage (Origem dos dados) e Metadados
Lineage
Compreende a descrição do histórico ou ciclo de vida de um conjunto de dados, desde sua coleta, passando por
fases de compilação, conversão, transformação dos dados até às publicações, análises e geração de novos
produtos. Inclui informações dos materiais e observações fontes dos quais a base de dados foi derivada, idade
destas fontes, os métodos e critérios utilizados em cada processamento dos dados.
Pode-se afirmar que Lineage não é um índice da qualidade dos dados, e sim um índice da qualidade dos
metadados, porque a base de dados pode ser de alta qualidade, mesmo se não houver a descrição da origem dos
dados. Lineage é um pré-requisito para monitorar a qualidade dos dados, porque se deduzem estimativas de erros
em cada processo da construção da base cartográfica por meio de um modelo de propagação de erro.
Metadados
Metadados espaciais, no lato sensu, denota qualquer informação que descreva o conteúdo, a qualidade, a
atualidade, o significado, a extensão geográfica, o formato, os preços, as restrições de acesso e uso, o esquema
conceitual ou outra característica dos dados espaciais.
Metadados espaciais, no stricto sensu, denota informações, necessariamente de um conjunto de dados espaciais,
estruturadas conforme um padrão com o propósito de armazenamento, localização, acesso, divulgação e
entendimento eficientes. No apêndice B temos um exemplo de metadados de um conjunto de ortoimagens no
padrão ISO 19115-Perfil MGB.
2. Acurácia Semântica (Completeza do Modelo, Qualidade Externa)
É a diferença entre os 2 pontos de vista: produtor x usuário. Quem produz os dados tem uma especificação, e
quem vai usar os dados tem outra. Exemplo: O produtor mapeia apenas hospitais com mais de 100 leitos mas o
usuário final necessita de todos os hospitais, neste caso podemos dizer que há uma distância semântica. Veja a
figura abaixo.
Página 34
ACURÁCIA SEMÂNTICA
(ADEQUAÇÃO AO USO)
MUNDO REAL
ESQUEMA DE ESQUEMA DE
QUALIDADE
APLICAÇÃO DO APLICAÇÃO
EXTERNA
PRODUTOR DO USUÁRIO
QUALIDADE
INTERNA
METADADOS
VALORES DOS DADOS
CONJUNTO DE DADOS
CONJUNTO DE DADOS
QUALIDADE INTERNA E EXTERNA
Figura 13
3. Os 3 Níveis de Abstração de Dados Espaciais
MUNDO REAL
NÍVEL CONCEITUAL Independente de software GIS
NÍVEL LÓGICO Dependente do GIS
NÍVEL FÍSICO Dependente de hardware
DADOS +
Figura 14 METADADOS
Página 35
4. Projeto Conceitual e o Modelo Prático de Qualidade de Dados
O Projeto Conceitual faz parte da segunda fase de um projeto de banco de dados espaciais, veja o apêndice C.
O projetista do banco de dados, após compreender bem a aplicação, seus processos, necessidades dos usuários
(1a Fase - Análise de Requisitos), todos estes representados em uma visão única dos dados e seus
relacionamentos, começa a modelagem dos dados (2a Fase – Projeto Conceitual). Esta fase é totalmente
independente do software SIG e do sistema gerenciador de banco de dados escolhidos e independente de
hardware.
No Projeto Conceitual você elabora um esquema conceitual dos dados (esquema de aplicação) que descreve e
especifica:
- as entidades no caso de modelo entidade-relacionamento, ou classes de objetos/campos no caso de modelo
orientado a objetos;
- as classificações, agregações, generalizações, especializações das classes de objetos;
- os relacionamentos espaciais (topológicos) e não espaciais entre estas classes (um exemplo de diagrama de
classes- Apêndice D)
- os atributos das classes de objetos;
- as especificações cartográficas (escala, o sistema de projeção cartográfica e datum) em cada classe de objeto
domínio espacial (pontos, linhas, polígonos e textos) para cada classe de objeto;
- a validade temporal (tempo do evento) destas classes de objeto;
- as tolerâncias da classe para incerteza de posição absoluta, incerteza de atributos, nível de completeza dos
dados.
- universo abstrato de todas as classes de objeto.
Universo Abstrato (Universo de Discurso, Terreno Nominal)

O universo abstrato é um subconjunto da realidade percebida e define um conjunto de dados espaciais como a
representação digital deste subconjunto da realidade. Desta maneira o universo abstrato tem que descrever a
semântica (significado) dos dados que varia conforme as diferenças culturais e interpretações individuais.
O universo abstrato é uma descrição que tentar definir um conjunto limitado de todas as instâncias da entidade a
serem incluídas no banco de dados, ou seja, um conjunto limitado de todos os objetos da classe. Por exemplo, se
no meu mapa topográfico aparece linhas de alta tensão, porém não todas, apenas as que estejam no intervalo
entre 100kv e 200kv, eu tenho que descrever meu universo abstrato desta forma:
Classe: Linhas de alta tensão. Universo Abstrato: Todas as linhas de alta tensão que estejam entre 100kv e 200kv
Por exemplo, geralmente uma planta representa o sistema viário como aquele espaço entre os meios-fios. Desta
forma temos: Classe: Vias. Universo Abstrato: Todas as vias representadas como o espaço entre os meios-fios.
Também leia no final deste capítulo um exemplo prático da descrição da classe VIAS de uma parte de um
esquema de aplicação, onde foram especificados:
Página 36
- Conceito
- Universo abstrato,
- Domínio Espacial
- Atributos,
- Relacionamentos
- Especificações Cartográficas
- Tolerâncias de qualidade.
Nota: Elabore seu padrão de qualidade, seguindo o OMT-G+Q ( Modelo de Qualidade Sugerido) conforme figuras
12 e 13 abaixo, baseado no modelo OMT-G (orientado a objetos geográficos). O modelo sugerido estendeu o
modelo OMT-G para incorporar os elementos de qualidade descritos neste curso, fixando as tolerâncias desejadas
(conceito, universo abstrato, acurácia de posição, acurácia temática, sistema de projeção cartográfica, datum,
escala, resolução) com ênfase nos atributos gráficos da classe de objeto ou da classe de campos.
Página 37
MODELO DE QUALIDADE SUGERIDO
MODELO OMT-G (OMT-G+Q = OMT-G estendido)
REPRES.
GEOMETRICA NOME DA CLASSE
- CONCEITO -
- UNIVERSO ABSTRATO
ATRIBUTOS GRÁFICOS
- ESCALA OU RESOLUÇÃO
- SISTEMA DE PROJEÇÃO CARTOGRÁFICA
-DATUM
- ACURÁCIA DE POSIÇÃO (classe geo-objeto)
- ACURÁCIA TEMÁTICA (classe geo-campo)
- COR
Figura 15
- ESTILO
ATRIBUTOS NÃO GRÁFICOS
OPERAÇÕES ESPACIAIS
Figura 16
Página 38
EXEMPLO PRÁTICO DA DESCRIÇÃO DE UM MODELO DE QUALIDADE OMT-G+Q
CLASSE DE OBJETO
Vias
Conceito
Refere-se a todas as rodovias e ferrovias presentes
nas folhas topográficas do IBGE, que se classificam
em rodovia federal pavimentada, estadual
pavimentada e ferrovias.
Atributos da superclasse e seus Domínios
Identificador : (N+)
..............................................................................................................
Atributos das subclasses e seus Domínios
Identificador: (N+)
Subclasses: (federal pavimentada, estadual
pavimentada e ferrovias)
Nome: (texto)
Relacionamento
Há um relacionamento espacial de pertinência entre a
superclasse Vias e a classe Limite Administrativo, de
dimensão binária, de multiplicidade 1:N obrigatória
Domínio espacial
Para superclasse: nenhuma representação
geométrica;
Para as subclasses: linhas
Especificações Cartográficas
Escala: 1:250 000
Sistema de Referência: sistema de projeção UTM no
SAD-69
Universo Abstrato
Foi definido explicitamente como todas as feições e
seus nomes presentes das folhas topográficas
1:250.000 do IBGE do estado do Espírito Santo, que
se classificam em federal pavimentada, estadual
pavimentada e ferrovias.
Critério de Acurácia Relativa de Posição Horizontal
Para a acurácia relativa de posição horizontal dos
elementos gráficos tolera-se um erro máximo de 0,5
mm em relação às feições das correspondentes das
folhas topográficas 1: 250 000 do IBGE.
Critério de Acurácia de Classificação (de atributos)
Tolera-se 100% de acurácia em relação ao universo
abstrato.
Página 39
BIBLIOGRAFIA
1.) Geolocation Accuracy of WorldView Products. DigitalGlobe- 2013- Disponível em

http://www.digitalglobe.com/downloads/white-papers/WorldView_Geolocation_Accuracy.pdf
2.) Estatística Aplicada. Douglas Downing e Jeffrey Clark. 3a edição - 2011- Editora Saraiva.
3.) Discutindo os Conceitos de Erro e Incerteza a partir da Tábua de Galton com Estudantes de Graduação:
Uma Contribuição para Incorporação de Novas Abordagens da Metrologia ao Ensino de Física Superior-
Instituto de Física, UFRGS- Porto Alegre. Autores: Paulo Lima Junior e Fernando Lang da Silveira. DOI:
10.5007/2175-7941.2011v28n2p400- 2011.
4.) Testes de Laboratório - Teoria de Erros. Apostila do curso de Física I - Alexandre Barreto Costa e Francisco
Clodorian Fernandes Cabral, Instituto de Física, UFBA, 2011;
5.) Especificação Técnica para a Aquisição de Dados Geoespaciais Vetoriais (ET-ADGV, versão 2.0), Diretoria
do Serviço Geográfico, 2011;
6.) Avaliação da Acurácia Posicional em Dados Espaciais com o Uso da Estatística Espacial. Afonso de Paula
dos Santos. Dissertação (Mestrado)-Universidade Federal de Viçosa, 2010;
7.) Norma Técnica de Georreferenciamento de Imóveis Rurais. INCRA - Ministério do Desenvolvimento

Agrário. 2a edição-Fevereiro de 2010.
8.) Perfil de Metadados Geoespaciais do Brasil – Perfil MGB, Comissão Nacional de Cartografia, 2nd Edição-
2009;
9.) Avaliação de Modelos Estocásticos no Posicionamento GNSS. Heloísa Alves da Siva. Dissertação
(Mestrado) na UNESP - Presidente Prudente. 2009
10.) Acurácia e Precisão: Revendo os Conceitos de Forma Acurada. Monico, J.F; Dal Póz, A. P. ; Galo, M.; Santos,
M.C., Oliveira, L.C. Bol. Ciências Geod, secr. Comunicações, Curitiba, vol. 15, no. 3, p 469-483, 2009.
11.) Desvio padrão ou erro padrão: qual utilizar ? Angela Tavares Paes. Por dentro da Estatística, Revista
Einstein: Educ. Contin Saúde, 2008
12.) Assessing the Accuracy of Remotely Sensed Data: Principles and Pratices - Russel G. Congalton and Kass
Green - 2nd edition- 2008- CRC Press;
13.) Fundamentals of Spatial Data Quality- Rodolphe Devillers and Robert Jeansoulin. Editora ISTE, 2005;
14.) Propostas de Controle de Qualidade de Bases Cartográficas com ênfase na Componente Posicional.
Marcelo Antonio Nero. Tese de Doutorado. EP-USP. São Paulo, 2005
15.) Modelagem Conceitual de Dados Geográficos. Karla A. V. Borges; Clodoveu Davis Jr.; Alberto H. F. Laender,
Página 40
A. H. F.., p. 93-146, In: Casanova, M. A., Câmara, G., Davis Jr., C. A., Vinhas, L., Queiroz, G. R. (Eds.) Bancos de
Dados Geográficos. Curitiba (PR). Editora MundoGEO, 2005.
16.) A Estratégia do Oceano Azul. W. Kim Cham e Renée Mauborgne. Editora Campus, 2005
17.) Afinal, O Que São Metadados Espaciais? Pedro Guidara Junior e José A. Quintanilha. Artigo apresentado no
Congresso GIS BRASIL 2004
18.) Calidad en La Producción Cartográfica- Francisco Javier Ariza Lópes - 2002 – Editora RA-MA;
19.) OMT-G: An Object-Oriented Data Model for Geographic Applications. Karla A. V. Borges; Clodoveu A.
Geoinformatica 5:3, p. 221-260 (Sep- 2001).
20.) Aspectos Peculiares de Projeto de Banco de Dados Geográficos com ênfase na extração de Metadados.
Pedro Guidara Junior. Dissertação (Mestrado), Escola Politécnica da USP, 1999;
21.) A Note on Standard Deviation and RMS. Rod Deakin and Dan Kildea, publicado pela The Australian
Surveyor Vol. 44 n.1, Australia, Junho de 1999;
22.) Padrões e Metadados para Base de Dados Geográficos. Pedro Guidara Junior e José A. Quintanilha. IV
Simpósio Brasileiro de Geoprocessamento. Anais, p. 569- 580, 1997.
23.) Modelagem de dados geográficos - uma extensão do modelo OMT para aplicações geográficas.
Karla A. V. Borges. Belo Horizonte, 1997, 123 p. Dissertação (Mestrado) - Escola de Governo de MG/FJP.
24.) Fundamentos da Teoria de Erros- José Henrique Vuolo- 2a edição revisada- Editora Blucher, 1996.
25.) Quality Control Procedure for Photogrammetric Digital Mapping. Ackermann, R. J. ; ESLAMI RAD, A.
In: International Archives of Photogrammetry and Remote Sensing. Vol. XXXI. Part B4. Vienna. (1996).
26.) Elements of spatial data quality, Stephen C. Guptill and Joel L. Morrison, publicado sob o patrocínio da
International Cartographic Association. Editora Elselvier Science, 1995.
27.) NBR 13.133 - Execução de levantamento topográfico. Comissão de Estudos de Serviços Topográficos
(CE-02:006.17)-ABNT, Associação Brasileira de Normas Técnicas. Rio de janeiro, 1994.
28.) O uso do GPS no controle de qualidade de cartas. Mauricio Galo e Paulo de Oliveira, 1o Congresso
Brasileiro de Cadastro Técnico Multifinalitário. Tomo II, p. 41-48, Florianópolis - SC, 1994.
29.) Ajustamento de observações utilizando o método dos mínimos quadrados. Cidália M. Pereira da Costa
Fonte, Universidade de Coimbra, 1994.
30.) Introdução ao Ajustamento de Observações Aplicações Geodésicas. Camil Gemael, Editora UFPR, 1994.
31.) DECRETO Nº 89.817, de 20 DE JUNHO DE 1984 - Padrão de Exatidão Cartográfica, disponível no link:
https://www.planalto.gov.br/ccivil_03/decreto/1980-1989/D89817.htm
Página 41
Glossário
Acurácia grau de perfeição obtido numa medição, o quão próximo do valor verdadeiro foi obtida a medida, desta
forma leva em conta os erros aleatórios e sistemáticos.
Cartografia: ciência e arte de representar graficamente os diversos aspectos naturais e culturais da superfície
terrestre por meio de mapas, cartas e plantas. Conceito moderno de cartografia é a organização, apresentação,
comunicação e utilização da geoinformação nas formas visual, digital ou táctil, que inclui todos os processos de
preparação de dados, no emprego e estudo de todo e qualquer tipo de mapa. (Recomendação
ICA/Budapeste/Hungria, 1989).
Dados são valores numéricos ou descritivos sem significado ou interpretação e que Informação são os dados que
possuem algum significado ou interpretação para determinado uso ou aplicação.
Dados espaciais são dados que dizem respeito à sua localização sobre a superfície terrestre. Dado espacial é
composto de dados geométricos e dados descritivos. Dados geométricos referem-se a atributos gráficos como
localização, geometria (forma), topologia e apresentação gráfica de entes de expressão espacial (por ex.
coordenadas de uma edificação) e dados descritivos se referem a atributos não gráficos destes entes (por ex.:
nome do proprietário da edificação, tipo, classe).
Distribuição Normal: uma distribuição de variável aleatória contínua cuja função de probabilidade tem a forma
de um sino. Muitas populações seguem a distribuição normal
Ente, Entidade e Classe são considerados sinônimos e significam o fenômeno real localizado sobre a superfície
terrestre que não pode ser dividido em fenômenos do mesmo tipo, por exemplo, hidrografia, rodovias, vegetação.
Escala é a razão entre as medidas em um mapa e suas medidas equivalentes na superfície terrestre. Em geral,
plantas 1:10.000 tem menor resolução do que plantas na escala 1:2000, porque uma mesma feição representada
na escala 1:2000 pode ser melhor detalhada do que a sua representação na escala 1:10.000. Em geral, a acurácia
de uma planta na escala 1:2000 é melhor que a acurácia dos mesmos dados em 1:10.000.
Esperança: também chamada de Valor médio, Valor Esperado ou simplesmente Média e simbolizada por μ .
Estimação: processo de atribuir um valor a um parâmetro, para o qual não se conhece o valor absoluto.
Por ex.: para encontrar um valor médio de uma população a partir da observação de uma amostra, tem que
proceder-se à sua estimação.
Estimador: grandeza baseada em observações amostrais, cujo valor serve de indicador do valor de parâmetro
populacional desconhecido (por ex: a média aritmética simples amostral 𝐗 é usada como estimador da média
populacional μ)
Estimativa: o valor de um estimador
Página 42
Feição e Objeto são os aspectos naturais e culturais da superfície terrestre e neste texto são considerados
sinônimos, significando um exemplo, um caso (também chamado de instância) de classe de objeto representada
digitalmente, por ex.: o distrito (classe) da Liberdade (objeto) no município de São Paulo representada
digitalmente por uma área no mapa.
Função Densidade de Probabilidade: para uma variável aleatória contínua é representada por uma curva tal
que a área sob ela e entre dois números é a probabilidade de a variável aleatória estar esses números
Geoinformação: Qualquer informação com referência geográfica ou passível de ser georreferenciada.
Metadados espaciais: Denota informações de um conjunto de dados espaciais, estruturadas conforme um

padrão, com o propósito de armazenamento, localização, acesso, divulgação e entendimento eficientes.
Precisão1: medida de dispersão (quanto os resultados se espalham) em torno de um valor médio.
Precisão2: também se refere à habilidade de um computador representar números com um número certo de
dígitos decimais.
Qualidade de dados espaciais: Pode ser tratada sob o aspecto da qualidade dos processos (monitoria) ou sob a
qualidade do produto final (auditoria) e é composta de vários elementos: acurácia de posição, acurácia de
atributos, consistência lógica, completeza de dados, completeza do modelo, acurácia temporal.
Resolução
A resolução de um instrumento refere-se a menor unidade de medida que pode ser observada. Em outras
palavras resolução se refere ao grau de detalhes observados no banco de dados, por exemplo, a resolução
horizontal determina a menor feição que pode ser representada explicitamente no banco de dados.
SDI (Spatial data Infrastructured): Infraestrutura de dados espaciais é uma rede distribuída de repositório de
dados e aplicações compartilhadas entre/intra-organizações.
SIG (GIS em inglês): Sistemas de Informações Geográficas (tecnologia), software que possui as funções de captura,
manipulação, análise e apresentação de informações com referência geográfica.
Página 43
Apêndice A
TESTE EMAS (Engineering Map Accuracy Standard) é uma análise estatística da acurácia posicional de pontos
por meio de Testes de Hipótese. Foi elaborado pela American Society of Civil Engineers (ASCE), junto com a
American Society of Phototogrammetry and Remote Sensing (ASPRS) publicado no American Congress on
Surveying and Mapping em 1982.
O teste específico para análise da acurácia é composto por duas fases. A primeira envolve um teste de detecção de
tendências, que apura se os resultados serão isentos de erros sistemáticos. A segunda é uma análise da precisão
(erros aleatórios).
Estes testes podem ser baseados em um nível de significância de 90% para atender ao PEC com n-1 graus de
liberdade. A análise de tendência baseia-se na distribuição t student, enquanto que a análise de precisão na
distribuição Qui-quadrado. Os testes de hipóteses são efetuados sobre a média e o desvio padrão amostrais em
cada uma das componentes coordenadas representadas no mapa.
Metodologia consiste nos seguintes passos:
Selecionar uma amostra de n pontos (no mínimo 20) distribuídos uniformemente nos quatros quadrantes do
mapa em questão.
Medem-se as coordenadas no mapa de cada ponto (xmapa,i),(Ymapa,i), (vmapa,i) e as suas coordenadas homólogas no
campo (coletadas com precisão 3 vezes melhor) denominadas (xcheck,i) ,(Ycheck,i), (vcheck,i).
3.) Calculam-se as discrepâncias (D) para cada ponto (i) nas suas coordenadas X, Y, Z:
Dx = (xmapa, i - x check, i),
Dy = (ymapa, i - y check, i)
Dv = (vmapa, i - v check, i)
4.) Calculam-se as três médias das discrepâncias 𝐃𝐱, 𝐃𝐲 e 𝐃𝐯
5.) Calculam-se os três desvios padrões das discrepâncias Sx , Sy e Sv
6.) Elabora-se o teste de tendência com a distribuição “t” de student onde são avaliadas as seguintes hipóteses:
H0: µ=0 (média populacional é igual a zero)
H1: µ≠0
Para isto se calcula a estatística amostral “t” para cada componente X, Y e V e verifica-se se está no intervalo de
aceitação ou rejeição da hipótese nula para n-1 graus de liberdade para um intervalo de confiança α.
O valor t amostral para componente X é : 𝑡𝑋 = 𝐒 . 𝑛 e aceita-se Ho quando 𝑡𝑋 < t(n-1, 𝛼 2).
𝐃𝐱
X
Obs: O valor t(n-1, 𝛼 2) é tabelado e pode ser facilmente encontrado no Apêndice H.
7.) Efetua-se o teste χ 2(Qui-quadrado) para análise da precisão, assim comparam-se as variâncias (desvios
padrão ao quadrado) das discrepâncias em cada componente (X, Y e V) com a variância tolerada, desejada,
especificada (ex.: PEC-1984) para n-1 graus de liberdade com nível de significância α. (ou nível de confiança 1- α).
Página 44
Assim temos para componente X:
H0: Sx2 = σx2H1: Sx2 > σx2
AP
Deve-se lembrar que σx = 2 , por exemplo AP= (PEC-1984). Então se calcula a estatística amostral do teste Qui-
S2
quadrado: Χx 2 = (n-1). σ2X e aceita-se H0 quando Χx 2 ≤ χ2 (n-1, α)
𝑋
Obs: O valor χ2 (n-1, α) é tabelado e pode ser encontrado no Apêndice I.
Página 45
Apêndice B
Exemplo – Conjunto de Ortoimagens PALSAR (fonte CONCAR, 2009 biblog n. 6)

PERFIL MGB PADRÃO ISO 19115
EXEMPLOS DE METADADOS GEOESPACIAIS (SIMULAÇÃO)
CONJUNTO DE ORTOIMAGENS PALSAR (ORTORRETIFICADAS)
::Identificação
Citação
Título: Conjunto de Ortoimagens PALSAR
Data: 2009-09-24 criação; 2009-09-24 publicação.
Edição: não aplicável
Série: não aplicável
ISBN: não identificado
Resumo: O conjunto de imagens ortorretitificadas PALSAR representa coleção
de 1573 ortoimagens do sensor radar PALSAR (Phased Array L-band Synthetic Aperture Radar), cuja a área
geográfica de recobrimento abrange a Amazônia Legal.As ortoimagens finais estão em formato Geotiff com 2
canais. Cada canal contém uma polarização (HH e HV) com resolução radiométrica de 16 bits em cada um.
Objetivo: Fornecer imageamento realizado por radar, para mapeamentos diversos.
Créditos: Coordenação de Cartografia - CCAR, Diretoria de Geociências - DGC / IBGE, Gerência de Imageamento.
Status: Concluído
Responsável: Fundação Instituto Brasileiro de Geografia e Estatística - IBGE/ Diretoria de Geociências - DGC/ Coordenação
de Cartografia - CCAR, Produtor
Palavras Chaves
Disciplinar: cartografia;
Disciplinar: sensoriamento remoto
Temática: imagem radar
Toponímica: Amazônia Legal
Pré-Visualização Gráfica: ftp://geoftp.ibge.gov.br/Alos/
Informação de dados Agregados: não se aplica
::Identificação do CDG
Tipo de Representação Espacial: matricial
Escala: 20 metros
Idioma: pt
Norma de Codificação de Caracteres: utf8
Categoria Temática: imageamentoOrtoimagem
Ambiente de Produção: Geomatica OrthoEngine 9.0
Extensão Geográfica
Retângulo Envolvente
Longitude Limítrofe Oeste: -74.499
Longitude Limítrofe Este: -38.230
Latitude Limítrofe Sul: -30.562
Página 46
Latitude Limítrofe Norte: 5.702
Extensão Temporal: não se aplica
Altimétrica-Batimétrica
Valor Mínimo: 0
Valor Máximo: 2995
Unidades de Medida: metros
Datum Altimétrico-Batimétrico : Marégrafo de Imbituba
::Informação de restrição
Restrições Legais:
Restrição de Acesso: direitosDeAutor;
Restrição ao Uso: direitosDeAutor;
Restrição de Segurança: naoClassificado
::Qualidade
Nível Hierárquico: conjuntoDeDadosGeográficos
Linhagem
Declaração: As imagens PALSAR foram adquiridas pela Japan Aerospace Exploration Agency (JAXA), processadas
pela Alaska Satellite Facility (ASF) no nível 1.5R. A ortorretificação foi realizado pelo IBGE, através de software de
processamento de imagens, com base nas informações obtidas pelo sensor, sem o uso de pontos de controle.
Fonte dos dados
Descrição da fonte: cenas ALOS/PALSAR, modo de operação: FBD (Fine Beam Dual), polarizações: HH e
HV, ângulo de incidência de 34,3 graus, direção de órbita: ascendente, tamanho do pixel: 12,5 metros,
resolução espacial: 20 metros, resolução radiométrica : 16 bits (para cada polarização), nível de
processamento: 1.5R, largura da faixa de imageamento: 70km.
Denominador da Escala da Fonte: variadas
Etapas do Processo: As cenas selecionadas para o processo de ortoretificação foram adquiridas com o
nível de processamento 1.5R. Nesse tipo de tratamento, a imagem é processada em Multilook e projetada
para coordenadas cartográficas. Os pixels são alinhados em relação a trajetória do satélite e as
coordenadas estão em projeção UTM). O processamento é realizado pela ASF Para ortorretificação, foi
utilizado o Modelo Digital de Elevação Shuttle Radar Topography Mission (SRTM), versão 4, com pixel de
aproximadamente 90 metros (3 segundos de arco). Todas as cenas foram conferidas fazendo uso do
footprint (retângulo envolvente previsto para as imagens) das mesmas, visando analisar e quantificar a
ocorrência de cenas com Shift (deslocamento entre duas cenas sucessivas numa mesma órbita).
Foi verificada a existência de áreas de falha (void) nos MDEs em corpos d’água próximos ao nível do mar.
Para que as ortoimagens não apresentassem área com valores nulos, foi necessário sua conversão para
altitude zero. Para este processo foi utilizada a ferramenta Raster Calculator do Geomatica Focus
Algumas cenas solicitadas não foram recebidas pelo IBGE, sendo necessário um novo pedido para
complementar a cobertura da área. Neste procedimento de controle de qualidade observou-se que
faltam 107 cenas para completar a cobertura da área e 452 das existentes apresentam um shift não
solicitado. A fim de avaliar a qualidade da ortorretificação, foram selecionadas 12 cenas
PALSAR ortorretificadas, a fim de comparar o ajuste geométrico sobre o mapeamento 1:100.000 existente
na área. Os insumos usados, para a análise geométrica, correspondem às imagens SPOT 4, pancromáticas,
ortorretificadas com pontos de controle.
Página 47
Relatório
Completude: a base matricial representa os elementos do terreno. Algumas partes do conjunto não há a disponibilização
das imagens.
Consistência lógica: não aplicável.
Exatidão Posicional: está sendo promovida uma verificação da qualidade posicional
tomando por base diversos mapeamentos cadastrais planialtimétricos de aeroportos e pistas
de pouso da Região Norte. Na área testada até agora pelo controle de qualidade, os
deslocamentos encontrados variaram entre 0 e 35,9 metros. Apresentando média de 13,5
metros, desvio padrão de 12,9 e CE90 de 31,2 metros. A exatidão esperada para as áreas
não testadas é de 9,7 metros, de acordo com especificações da JAXA.
Exatidão Temporal:
Data de cobertura das cenas: abril de 2008 até setembro de 2008
Data do MDE: fevereiro de 2000.
Ortoretificação: julho de 2009
Publicação : agosto de 2009
Resultado da Medição:
Aprovação de conformidade: aprovado
:: MANUTENÇÃO
Frequência de Manutenção conforme necessidade
:: REPRESENTAÇÃO ESPACIAL MATRICIAL
Georretificada
Disponibilidade de Pontos de verificação: não
Pontos Extremos
NO: 5,702 / -74,499
NE: 5,702 / -38,230
SE: -30,562 / -38,230
SO: -30,562 / -74,499
Referência no Pixel: 001
Descrição da Transformação
1) Configuração do projeto - foi utilizado o modelo matemático especifico para radar disponível no OrthoEngine
(módulo do PCI Geomatics). O sistema de projeção e sistema geodésico utilizado foram UTM e WGS-84. O
tamanho do pixel das ortoimagens geradas foi 12,5 metros; 2) Transformação das cenas originais (e suas
informações orbitais) do formato CEOS para o formato PIX; 3) Processo de ortorretificação (inserção do MDE e
definição do nome de saída da cena ortorretificada).
::SISTEMA DE REFERÊNCIA
Sistema de referência: WGS-1984
Sistema de projeção: Universal Transversa de Mercartor
::CONTEÚDO
Descrição o Conteúdo dos Dados Matriciais
Descrição do conteúdo da partição (pixel): banda espectral
Tipo da Informação representada pelo valor do pixel: canto superior esquerdo
Descrição da imagem
Página 48
Descrição do atributo: PALSAR
Informação sobre calibração da câmera: não disponível
Dimensão: 20 metros
Cobertura de nuvens: não se aplica.
Banda Espectral
Nome da banda: Banda L
Bits per pixel: 16 bits
:: DISTRIBUIÇÃO
Nome Formato: geotiff
Versão: não se aplica
Opção Transferência Digital:
Online:
Endereço URL: ftp://geoftp.ibge.gov.br/mapas/
Off-line: não disponível
Responsável
Nome da Organização: Instituto Brasileiro de Geografia e Estatística - IBGE, Diretoria de Geociências – DGC,
Coordenação de Cartografia- CCAR.
Função: autor e produtor
Nome da Organização: Instituto Brasileiro de Geografia e Estatística- IBGE, Centro de Documentação e
Disseminação de Informação -CDDI.
Função: distribuidor
Telefone: 55 (21) 0800 218181
Fax: 55 (21) 2142 4723
Endereço: Rua General Canabarro, 706.
Cidade: Rio de Janeiro
UF: Rio de Janeiro
CEP: 20271-201
País: br
E-mail: ibge@ibge.gov.br
::Metametadados
data do metadados 2009-10-27
identificação dos metadados: xxxxxxxxx
idioma pt
Codificação de Caracteres utf8
Nível Hierárquico: conjuntoDeDadosGeográficos
Autor
Nome: Instituto Brasileiro de Geografia e Estatística – IBGE, Diretoria de Geociências –DGC, Coordenação de
Cartografia – CCAR, Gerência de Imageamento
Função: pontoDeContato
Telefone: (21) 2142-4906
Fax: (21) 2142- 4973
Endereço: Av. Brasil 15671 – Parada de Lucas
Página 49
Cidade: Rio de Janeiro
UF: Rio de Janeiro
CEP: 21241-051
País: br
E-mail: atendimento@ibge.gov.br
Norma e perfil de metadados: ISO 19115/IBGE
Versão da norma de metadados: 2009
Página 50
Apêndice C
ANÁLISE DE REQUISITOS
ESQUEMA CONCEITUAL
PROJETO UNIVERSO ABSTRATO

MODELO OMT-G
CONCEITUAL DIAGRAMA DE CLASSES
ESPECIFICAÇÕES CARTOGRÁFICAS
TOLERÂNCIAS DE QUALIDADE
ESQUEMA LÓGICO
PROJETO LÓGICO (DESCRITIVO E ESPACIAL)
SUB-FASES
PROJETO FÍSICO ESPECIFICAÇÃO DE HARDW ARE
LEVANTAMENTO DE DADOS
METADADOS CONVERSÃO DE DADOS

TRATAMENTO DOS DADOS
AUDITORIA DOS DADOS
BANCO DE DADOS CRIAÇÃO DE METADADOS
Fases do Projeto do Banco de Dados para uso em SIG
Página 51
Apêndice D
Página 52
APÊNDICE E
nó ausente dois centróides

(talvez uma linha muitos vértices
esteja ausente)
ausência
de centróide   dois nós
não se
 conectam
“overshoot”
laço não
intencional
“undershoot” arco duplicado linha ausente
Inconsistências Geométricas
Página 53
APÊNDICE F
Área sob a curva normal padronizada compreendida entre os valores 0 e Z.
Página 54
APÊNDICE G
Probabilidade bi-caudal de t de Student.
Excel apresenta esta probabilidade como sendo unicaudal; veja na
fórmula a probabilidade, multiplicada por 2, clicando na célula.
g.l. 0,25 0,1 0,05 0,025 0,01 0,005 0,001
1 1,000 3,078 6,314 12,706 31,821 63,657 318,309
2 0,816 1,886 2,920 4,303 6,965 9,925 22,327
3 0,765 1,638 2,353 3,182 4,541 5,841 10,215
4 0,741 1,533 2,132 2,776 3,747 4,604 7,173
5 0,727 1,476 2,015 2,571 3,365 4,032 5,893
6 0,718 1,440 1,943 2,447 3,143 3,707 5,208
7 0,711 1,415 1,895 2,365 2,998 3,499 4,785
8 0,706 1,397 1,860 2,306 2,896 3,355 4,501
9 0,703 1,383 1,833 2,262 2,821 3,250 4,297
10 0,700 1,372 1,812 2,228 2,764 3,169 4,144
11 0,697 1,363 1,796 2,201 2,718 3,106 4,025
12 0,695 1,356 1,782 2,179 2,681 3,055 3,930
13 0,694 1,350 1,771 2,160 2,650 3,012 3,852
14 0,692 1,345 1,761 2,145 2,624 2,977 3,787
15 0,691 1,341 1,753 2,131 2,602 2,947 3,733
16 0,690 1,337 1,746 2,120 2,583 2,921 3,686
17 0,689 1,333 1,740 2,110 2,567 2,898 3,646
18 0,688 1,330 1,734 2,101 2,552 2,878 3,610
19 0,688 1,328 1,729 2,093 2,539 2,861 3,579
20 0,687 1,325 1,725 2,086 2,528 2,845 3,552
21 0,686 1,323 1,721 2,080 2,518 2,831 3,527
22 0,686 1,321 1,717 2,074 2,508 2,819 3,505
23 0,685 1,319 1,714 2,069 2,500 2,807 3,485
24 0,685 1,318 1,711 2,064 2,492 2,797 3,467
25 0,684 1,316 1,708 2,060 2,485 2,787 3,450
26 0,684 1,315 1,706 2,056 2,479 2,779 3,435
27 0,684 1,314 1,703 2,052 2,473 2,771 3,421
28 0,683 1,313 1,701 2,048 2,467 2,763 3,408
29 0,683 1,311 1,699 2,045 2,462 2,756 3,396
30 0,683 1,310 1,697 2,042 2,457 2,750 3,385
40 0,681 1,303 1,684 2,021 2,423 2,704 3,307
60 0,679 1,296 1,671 2,000 2,390 2,660 3,232
120 0,677 1,289 1,658 1,980 2,358 2,617 3,160
∞ 0,674 1,282 1,645 1,96 2,326 2,576 3,09
Página 55
APÊNDICE H
Página 56

Apostila Metalocation PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila Metalocation PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Controle de Qualidade de dados espaciais

Copyright © 2013– Todos os direitos reservados a Pedro Guidara Junior e à Metalocation’’.

Copyright © 2013– Todos os direitos reservados a Pedro Guidara Junior e à Metalocation’’.

Os dados espaciais se organizam em conjunto de dados gerando vários produtos como:

Variável (grandeza, mensurando)

População de uma Variável

Objetivos da Estatística e Teoria dos Erros

Média amostral (𝐗) e populacional (µ)

Desvio padrão populacional (σ)

–O desvio padrão da população (σ) utiliza o tamanho da população (N) no denominador:

Propriedades do σ de uma distribuição normal (Gaussiana) são:

O desvio padrão de um conjunto de valores amostrais:

- É uma medida de variação dos valores em torno da média.

Erro padrão (EP)

O IC da média µ pode ser estimado da seguinte forma:

Definição É a diferença entre o É um parâmetro que

Erro é a diferença entre o valor verdadeiro e o valor observado

Medida Média da medida Valor verdadeiro

Erros Aleatórios Erros Sistemáticos

Incerteza de uma Medição

Resultado de uma Medição (RM)

1.) RM= 10 + 20. 1,711=> RM= 10 + 34,22 (90%)

Variabilidade Alta Baixa

- Desvio padrão de 8cm no apoio básico,

Na Auditoria, avalia-se a qualidade de um conjunto de dados ou produtos gerados medindo e contando as

3. Acurácia de Posição Absoluta (AP)

1.) - σx. z <APx< σx. z

A acurácia posição absoluta horizontal (APH) é a resultante em X e Y e calculada assim:

Temos então a fórmula, considerando μx= 0 fica: 35,35= σx. z = σy. z

σx. 1,645= 35,35=> σx= σy = 21,49cm

Figura 9: Distribuição Normal Bivariada ou Bidimensional

Por exemplo: CMAS90 é = σ. 2,146; CE95= σ. 2,4477.

A figura 9 exemplifica bem o que é um CE90= 5m

LE90=LMAS90= σv. 1, 645 = 22m => σv = 13,37 m (com probabilidade de 68,26%).

1. Padrão de Exatidão Cartográfico Brasileiro (PEC-1984)

PECH= 2 . 1,6449 . σx => PECH= 2,326. σx = 2,326 . σy

E temos PECV =APv= = 1,6449. σv

2.) Obtemos assim 3 amostras de 20 discrepâncias cada ou seja 20 na componente X, 20 na componente Y e 20 em

3.) Calculamos as 3 médias ( 𝐃𝐱 , 𝐃𝐲 e 𝐃𝐯 ) e os 3 desvios padrão Sx , Sy e Sv das 3 amostras

. t(n-1, 𝛼 2) ≤ 0 ≤ Dx + . t(n-1, 𝛼 2) (Verdadeiro ou Falso?)

e o mesmo para as componentes Y e Z, onde t(n-1, 𝛼 2) é obtido na tabela t-student no apêndice H.

e o mesmo para as componentes Y e Z

Para isto, coletamos 20 pontos e obtivemos os seguintes dados:

Assim testamos o primeiro intervalo:

. t(n-1, 𝛼 2) ≤ 0 ≤ Dx + . t(n-1, 𝛼 2) =>

0,173- 0,101. 1,729 ≤ 0 ≤ 0,193 + 0,101 .1,729==>

. t(n-1, 𝛼 2) ≤ 0 ≤ Dy + . t(n-1, 𝛼 2) =>

-0,0047≤ 0 ≤ 0,320 (Condição Verdadeira)

. t(n-1, 𝛼 2) ≤ 0 ≤ Dv + . t(n-1, 𝛼 2) =>

0,851 ≤ 0 ≤ 1,553 (Condição Falsa)

2.) Agora testamos apenas as componentes X e Y que passaram no teste de tendências.

19. 0,453 2 19. 0,453 2

0,129 ≤ 0,18 ≤ 0,385 (Condição verdadeira que indica Classe A em X)

0,111 ≤ 0,18 ≤ 0,332 (Condição verdadeira que indica Classe A em Y)

19. 0,908 2 19. 0,908 2

0,519 ≤ 0,444 ≤ 1,548 (Condição Falsa para Classe A)

Testamos para classe B:

19. 0,908 2 19. 0,908 2

0,519 ≤ 0,640≤ 1, 548 (Condição Verdadeira para Classe B)

3. NBR13133 (Execução de Levantamento Topográfico-ABNT-1994)

- Classifica aparelhos de topografia conforme sua precisão

K= 2,5 para distâncias medidas taqueometricamente ou a trena de fibra.

4. Métodos + Modelos Matemáticos