GEORREFERENCIAMENTO

E GEOPROCESSAMENTO DE
IMÓVEIS RURAIS

AJUSTAMENTO DE OBSERVAÇÕES E
FUNDAMENTOS DAS ESTATISTICAS.
PROF. Espec. Carlos Alberto L. Lima

2017
ESTATÍSTICA APLICADA

I - HISTÓRICO

A origem da palavra Estatística está associada à palavra latino STATUS (Estado).

Alguns estudos mostram que 3000 anos A.C. já se faziam censos na Babilônia, China e
Egito e até mesmo o 4o. livro do Velho Testamento faz referência a uma instrução dada
a Moisés, para que fizesse um levantamento dos homens de Israel que estivessem aptos
para guerrear.
O objetivo dessas informações era utilizado para a cobrança de impostos ou para o
alistamento militar. O Imperador César Augusto, por exemplo, ordenou que se fizesse o
Censo de todo o Império Romano.
O alemão Gottfried Achenwall (1719-1772), que foi um notável continuador dos
estudos de Hermann Conrig (1606- 1681). Gottfried determinou os objetivos da
Estatística e suas relações com as demais ciências.
Com esse desenvolvimento alemão, os estudos ligados a Estatística como as tabelas
tornaram-se mais completas, surgindo as representações gráficas e o cálculo das
probabilidades.
Assim, a Estatística deixou de ser simples catalogação de dados numéricos coletivos
para se tornar o estudo de como chegar a conclusões sobre o todo (“população”),
partindo da observação de partes desse todo (“amostras”).

II - ESTATÍSTICA – Conceito

A Estatística é uma parte da Matemática Aplicada que fornece métodos para coleta,
organização, descrição, análise e interpretação de dados e para a utilização dos mesmos
na tomada de decisões. Com o avanço da tecnologia, tornou-se mais fácil entender as
análises de dados, passaram a ser mais bem compreendidas, mas as situações complexas
têm aumentado fazendo parte do nosso cotidiano. Para se entender esse conceito
observemos o seguinte exemplo:

Um fator importante é a popularização dos computadores. No passado, tratar uma

grande massa de números era uma tarefa custosa e cansativa, que exigia horas de
trabalho tedioso. Recentemente, no entanto, grandes quantidades de informações
podem ser analisadas rapidamente com um computador pessoal e programas
adequados.

Desta forma o computador contribui, positivamente, na difusão e uso de métodos

estatísticos. Por outro lado, o computador possibilita uma automação que pode levar um
indivíduo sem preparo específico a utilizar técnicas inadequadas para resolver um dado
problema. Assim, é necessária a compreensão dos conceitos básicos da Estatística, bem
como as suposições necessárias para o seu uso de forma criteriosa.

- Grandezas
Entende-se por grandeza tudo aquilo que pode ser medido ou contado. As grandezas
podem ter suas medidas aumentadas ou diminuídas. Alguns exemplos de grandeza: o
volume, a massa, a superfície, o comprimento, a capacidade, a velocidade, o tempo, o
custo e a produção.

É comum observar situações em que relacionamos duas ou mais grandezas.

Exemplo:

Em uma corrida de "quilômetros contra o relógio", quanto maior for a velocidade,

menor será o tempo gasto nessa prova. Aqui as grandezas são a velocidade e o tempo.

Num forno utilizado para a produção de ferro fundido comum, quanto maior for o
tempo de uso, maior será a produção de ferro. Nesse caso, as grandezas são o tempo e a
produção.

III - ESTATÍSTICA – Divisões

A Estatística está atualmente dividida em três áreas, a saber:

- Estatística Descritiva

É definida como um conjunto de técnicas destinadas a descrever e resumir dados, a fim

de que possamos tirar conclusões a respeito de características de interesse. Em geral é
utilizada na etapa inicial da análise, quando estamos tomando contato com os dados pela
primeira vez. Para se tirar conclusões de forma direta, a maneira mais simples seria
observar os valores colhidos. No entanto muitas vezes nos deparamos com dados de
grande porte que não podemos interpretá-los de maneira simples. É nesse momento que
fazemos uso da Estatística Descritiva.

A Estatística Descritiva faz a coleta, a organização, à descrição dos dados, o cálculo e a

sua interpretação. A finalidade da Estatística Descritiva é tornar as coisas mais fáceis de
entender, de relatar e discutir.

A média industrial Dow-Jones, a taxa de desemprego, o custo de vida, o índice

pluviométrico, a quilometragem média por litro de combustível, as médias de estudantes
são exemplos de dados tratados pela Estatística Descritiva.

- Estatística Indutiva ou Inferencial

É a técnica de análise e interpretação de dados associado a uma margem de incerteza,

possibilitando a extrapolação de um grande conjunto de dados das informações e
conclusões obtidas. Entretanto, são indispensáveis quando existe a impossibilidade de
acesso a todo o conjunto de dados, por razões de natureza econômica, ética ou física.
- Probabilidade

A Probabilidade pode ser pensada como o teoria matemática utilizada para estudar a
incerteza oriunda de fenômenos que envolvem o acaso. Jogos de dados e de cartas, ou o
lançamento de uma moeda para o ar enquadram-se na categoria do acaso. A maioria dos
jogos esportivos também é influenciada pelo acaso até certo ponto. A decisão de um
fabricante de cola de empreender uma grande campanha de propaganda visando a
aumentar sua participação no mercado, a decisão de parar de imunizar pessoas com
menos de vinte anos contra determinada doença, a decisão de arriscar-se a atravessar
uma rua no meio do quarteirão, todas utilizam a probabilidade consciente ou
inconscientemente.

IV – FASES DO MÉTODO ESTATÍSTICO

1- Definição do Problema – é saber exatamente aquilo o que se pretende

pesquisar;
2- Planejamento – é o como levantar informações? Quais os dados a serem
obtidos? Que tipo de levantamento deverá ser utilizado, se é por Censo
(censitário) ou por Amostragem? Qual cronograma de atividades? Os custos
envolvidos?
3- Coleta de Dados - A coleta pode ser direta ou indireta. A coleta é direta quando
feita sobre elementos informativos de registro obrigatório (nascimentos,
casamentos e óbitos, importação e exportação de mercadorias), elementos
pertinentes aos prontuários dos alunos de uma escola ou, ainda, quando os dados
são coletados pelo próprio pesquisador através de inquéritos e questionários.

- Classificação da Coleta direta de dados:

a) Contínua – quando feita continuamente, tal como a de nascimentos e óbitos e

a de frequência dos alunos às aulas.

b) Periódica – quando feita em intervalos constantes de tempo, como os censos

e as avaliações mensais dos alunos.

c) Ocasional – Quando feita extemporaneamente, a fim de atender a uma

conjuntura ou a uma emergência, como no caso de epidemias que assolam ou
dizimam rebanhos inteiros.
 - Coleta indireta de dados - quando é inferida de elementos conhecidos
(coleta direta) e/ou do conhecimento de outros fenômenos relacionados com o
fenômeno estudado. Como por exemplo, podemos citar a pesquisa sobre a
mortalidade infantil, que é feita através de dados colhidos por uma coleta direta.

4- Apuração dos Dados – resumo dos dados através de sua contagem e

agrupamento. É a condensação e tabulação de dados mediante critérios de
classificação.

5- Apresentação de Dados – os dados devem ser apresentados sob forma

adequada – tabelas e gráficos – tornando mais fácil o exame daquilo que está
sendo objeto de tratamento estatístico.

6- Análise e Interpretação de Dados – está ligada ao cálculo de medidas e

coeficientes, cuja finalidade principal é descrever o fenômeno estudado, fazendo
uma análise dos resultados obtidos, obtendo assim conclusões e previsões dos
fatos.

V- DADO ESTATÍSTICO:

É um dado numérico, é considerada a matéria-prima sobre a qual iremos aplicar os

métodos estatísticos.

VI - DEFINIÇÕES BÁSICAS ESTATÍSTICAS

POPULAÇÃO: é o conjunto total de elementos portadores de, pelo menos, uma

característica comum.

Ex: população de profissionais de uma determinada área; população feminina no Brasil;

população de fumantes; população de estudantes dos cursos técnicos.

AMOSTRA: é uma parcela representativa da população que é examinada com o

propósito de tirarmos conclusões sobre a essa população.

Ex. População de alunos do Onze Elo – sua amostra será uma parcela representativa que
dependerá do tamanho da população.

PARÂMETROS: são valores singulares que existem na população e que servem para
caracterizá-la. Ao definirmos um parâmetro deve-se examinar toda a população.
Ex: alunos do Téc. Edif. do 11-ELO têm em média 1,70 metros de estatura.

ESTIMATIVA: é um valor aproximado do parâmetro calculado com o uso da amostra.

Ex. quando se usa os parâmetros para se afirmar que a média de estatura dos alunos é
1,70 metros então se estima que a maioria seja alta.

ATRIBUTO: quando os dados estatísticos apresentam um caráter qualitativo, o

levantamento e os estudos necessários ao tratamento desses dados são designados
genericamente de estatística de atributo.

Ex: A Linguagem é um atributo humano)

Ex: A Justiça e a Ordem são os atributos de toda boa sociedade

FENÔMENO ESTATÍSTICO: é qualquer evento que se pretenda analisar, cujo

estudo seja possível a aplicação do método estatístico, podendo ser:

a) Fenômenos de massa ou coletivo: aqueles que não podem ser definidos por
uma simples observação.

Ex. A natalidade no Estado do Maranhão; o preço médio da cerveja no Estado do

Maranhão, etc.

b) Fenômenos individuais: são aqueles que irão compor os fenômenos de massa.

Ex: cada nascimento no Estado do Maranhão; cada preço de cerveja no Estado do

Maranhão.

VARIÁVEL: É o conjunto de resultados possíveis de um fenômeno.

VARIÁVEL QUALITATIVA: quando seus valores são expressos por atributos: sexo,
cor da pele, cor dos olhos, local de trabalho, a beleza, sentimento, etc.

VARIÁVEL QUANTITATIVA: quando os dados são de caráter nitidamente

quantitativo, e o conjunto dos resultados possui uma estrutura numérica, trata-se da
estatística de variável e se dividem em: discreta e contínua.

VARIÁVEL DISCRETA: seus valores são expressos geralmente através de números

inteiros não negativos. Resulta normalmente de contagens.

Ex: Nº de alunos presentes às aulas de introdução à estatística no 1º semestre de 2016:

mar = 18 , abr = 30 , mai = 35 , jun = 36.

Ex. Renda, número de defeitos por carro, ponto no jogo de dado; número de ofertas, etc.

VARIÁVEL CONTÍNUA: trata-se de uma mensuração, e a escala numérica de seus

possíveis valores corresponde ao conjunto R dos números Reais, ou seja, podem
assumir, teoricamente, qualquer valor entre dois limites.
Ex.: Quando você vai medir a temperatura de seu corpo com um termômetro de
mercúrio o que ocorre é o seguinte: O filete de mercúrio, ao dilatar-se, passará por todas
as temperaturas intermediárias até chegar à temperatura atual do seu corpo.

Ex.: Produção de Café no BRASIL; Comprimento dos pregos produzidos por uma
empresa; idade, peso, metro, velocidade em km/h, etc.

MÉTODOS PROBABILÍSTICOS

Exige que cada elemento da população possua determinada probabilidade de ser

selecionado. Normalmente possuem a mesma probabilidade.

Assim, se N for o tamanho da população, a probabilidade de cada elemento a ser

selecionado será 1/N.

Este método garante cientificamente a aplicação das técnicas estatísticas. Somente com
base em amostragens probabilísticas é que se podem realizar inferências ou induções
sobre a população a partir do conhecimento da amostra.

MEDIDAS DE POSIÇÃO

São as medidas de tendência central como: média aritmética, moda e mediana. Outros
menos usados são as médias: geométrica, harmônica, quadrática, cúbica e bi quadrático.

MÉDIA ARITMÉTICA =

A média aritmética de um conjunto de dados é a soma de todos eles dividido pelo

número deles. = Σxi/n

Onde xi são os valores da variável e n o número de valores.

EX. MÉDIA ARITMÉTICA =

Calcular a média dos dados: 0, 2, 4, 6, 8.

Basta somar todos os valores e dividir o resultado pelo número de parcelas que é 5.
Assim temos:

0 +2+ 4+ +6 +8 = _20_= 4

5 5
Ou seja, a média aritmética, nesse caso, é 4.

Calculando a média dos dados: 2, 4, 6, 8 temos:

2 + 4 + 6 + 8 = _20_ = 5

4 4

A média aritmética, nesse caso, é 5. Será um número representativo dessa série, embora
não esteja representado nos dados originais.

MODA - Mo

A moda é o valor que ocorre com maior frequência num conjunto. Indicada por Mo.

Mo dos dados: 0,0,2,5,3,7,4,7,8,7,9,6.

A moda é 7, porque é o valor que ocorre o maior número de vezes.

Série Amodal

Há séries nas quais não exista valor modal, isto é, nas quais nenhum valor apareça mais
vezes que outros.

Ex: { 3 , 5 , 8 , 10 , 12 } não apresenta moda. É chamada de série é amodal.

Série Bimodal

Em outros casos, pode haver dois ou mais valores de concentração. Dizemos, então, que
a série tem dois ou mais valores modais, chamados de bimodal.

Ex.{ 2 , 3 , 4 , 4 , 4 , 5 , 6 , 7 , 7 , 7 , 8 , 9 } apresenta duas modas: 4 e 7. Série bimodal.

MEDIANA - Md

A mediana de um conjunto de valores, dispostos segundo uma ordem (crescente ou

decrescente), é o valor situado de tal forma no conjunto que o separa em dois
subconjuntos de mesmo número de elementos.

Dada uma série de valores como, por exemplo: { 5, 2, 6, 13, 9, 15, 10 }

De acordo com a definição primeiro devemos fazer a ordenação (crescente ou

decrescente) dos valores: { 2, 5, 6, 9, 10, 13, 15 }

O valor que divide a série acima em duas partes iguais é igual a 9, logo a
Md = 9.

Método prático para o cálculo da Mediana:

se a série tiver número ímpar de termos – a mediana será dada pela fórmula :

(n+1)/2

1 – Exemplo

Calcule a Md da série

{ 1, 3, 0, 0, 2, 4, 1, 2, 5 }

1º - ordenar a série { 0, 0, 1, 1, 2, 2, 3, 4, 5 }

n = 9 logo (n + 1)/2 é dado por

(9+1) / 2 = 5

5º elemento da série será a Md

Md será o 5º elemento = 2

2 – Exemplo

Se a série tiver número par de termos:

O valor Md será o termo de ordem dado pela fórmula :

[( n/2 ) +( n/2+ 1 )] / 2

Md da série { 1, 3, 0, 0, 2, 4, 1, 3, 5, 6 }

1º- ordenar a série { 0, 0, 1, 1, 2, 3, 3, 4, 5, 6 }

n = 10 a fórmula ficará:

[( 10/2 ) + (10/2 + 1)] / 2

[( 5 + 6)] / 2 será (5º termo+ 6º termo) / 2

5º termo = 2 e o 6º termo = 3

Md da série { 0, 0, 1, 1, 2, 3, 3, 4, 5, 6 }

[( 5 + 6)] / 2 será (5º termo+ 6º termo) / 2

5º termo = 2

6º termo = 3
A Md será = (2+3) / 2 ou seja, Md = 2,5 .

A Md no exemplo será a média aritmética

do 5º e 6º termos da série.

DESVIO PADRÃO - S

É a medida de dispersão mais empregada, pois leva em consideração a totalidade dos

valores da variável em estudo. É um indicador de variabilidade muito estável. O desvio
padrão baseia-se nos desvios em torno da média aritmética e a sua fórmula básica pode
ser traduzida como a raiz quadrada da média aritmética dos quadrados dos desvios e é

representada por S.
AJUSTAMENTO DE OBSERVAÇÕES

Introdução

Desde Gauss e Legendre, astrônomos e geodesistas se valem do Método dos Mínimos

Quadrados (MMQ) no ajustamento de informações.

A introdução da ferramenta matricial, apoiada no cálculo eletrônico, trouxe flexibilidade

e generalização, mas a essência do método se mantém inalterada: minimizar a soma dos
quadrados dos resíduos. Hoje, o MMQ é intensa e extensamente utilizado em todos os
setores técnicos e científicos cujos cálculos se valem de valores observados.

Conceito

Ao obtermos uma medida de que se requer confiança, nós repetimos as observações e

não confiamos em apenas uma observação.

É a partir de várias observações de uma mesma grandeza, que o resultado final

representa a melhor estimativa?

Para responder essa questão!!!!!

O ajustamento de observações cuida da resolução de problemas deste tipo, bem como da

estimativa de precisão da solução adotada.

O ajustamento de observações, além de apresentar uma solução única, torna as

observações ajustadas consistentes com modelos matemáticos apropriados.

Nos casos mais simples, as medições são realizadas sobre as próprias grandezas
incógnitas.

Quando tais incógnitas se ligam por equações de condição, o problema torna-se menos
simples. É o caso de observações indiretas ou parâmetros.

(ex. coordenadas, altitudes, etc.)

Busca-se purificar as observações das inconsistências que normalmente as

acompanham, procurando, ajustá-las com parâmetros (quando existem) a um modelo
matemático.

É utilizado quando precisamos ponderar observações:

Ex. atribuir "mais peso" às observações de maior precisão (menor desvio padrão).

- estabilidade, qualidade, segurança, confiabilidade, prevencionismo.

MODELO MATEMÁTICO - MM

Um modelo matemático é uma representação ou interpretação simplificada da realidade,

ou uma interpretação de um fragmento de um sistema, segundo uma estrutura de
conceitos mentais ou experimentais.

Os modelos matemáticos são utilizados praticamente em todas as áreas científicas,

como, por exemplo, na biologia, química, física, economia, engenharia e na própria
matemática pura.

Temos modelos físicos, modelos matemáticos ou modelos híbridos de vários tipos para
uso de estudos de maiores complexidades como estudos de hidrodinâmica em
engenharia hidráulica, (usinas hidrelétricas, navios), e de aerodinâmica (aviões,
automóveis, etc.), mecânica quântica.

Divide-se em:

Modelo funcional - é composto por relações que descrevem a geometria ou

características físicas do problema em questão.

– Exemplo

Exemplo 1: Para a determinação da área de um terreno retangular com lados a e b o

modelo funcional é A = ab.

Exemplo 2: Para a determinação da forma de um triângulo com ângulos α, β e γ o

modelo funcional será α + β + γ = 180°.

Modelo estocástico - O modelo estocástico é composto pelo conjunto de relações que

descrevem as propriedades estatísticas dos elementos envolvidos no modelo funcional.
É um modelo cujas variáveis respondem a uma distribuição específica. Tais modelos
não oferecem soluções únicas, mas apresenta uma distribuição de soluções associadas a
uma probabilidade, segundo uma determinada distribuição de probabilidades.

Exemplo

Incorpora elementos probabilísticos.

Os resultados são expressos em termos de probabilidade.

MÉTODO MINIMO QUADRADO

Procura encontrar o melhor ajuste para um conjunto de dados tentando minimizar a

soma dos quadrados das diferenças entre o valor estimado e os dados observados (tais
diferenças são chamadas de resíduos).

Um requisito para o método dos mínimos quadrados é que o fator imprevisível (erro)
seja distribuído aleatoriamente, essa distribuição seja normal e independente.

Outro requisito é que o modelo é linear nos parâmetros, ou seja, as variáveis apresentam
uma relação linear entre si. Caso contrário, deveria ser usado um modelo de regressão
não-linear.

EXEMPLO:

Se para determinarmos a forma de um triângulo medirmos os seus três ângulos internos

α, β e γ, teremos como modelo funcional a seguinte equação:

α + β + γ = 180°

No entanto é muito provável que a soma dos três ângulos medidos não seja 180°, devido
à existência de erros aleatórios nas medições.

Suponhamos então que a sua soma exceda 180° em 3''. Para termos as observações
consistentes com o modelo funcional teremos que substituir os valores observados por
valores ajustados.

Podemos por exemplo subtrair a cada ângulo observado 1'', ou subtrair 2'', a um ângulo
e 1'' a outro, ou ainda subtrair os 3'' apenas a um ângulo, deixando os restantes dois
inalterados.

Quando escolhemos o "melhor" conjunto de observações ajustadas (ou seja os valores

ideais para as medições angulares) estamos fazendo uso do critério dos mínimos
quadrados.

TEORIA DOS ERROS

Na medição de uma determinada grandeza, a limitação humana, imperfeição

instrumental e instabilidade da natureza são fatores que impedem a exatidão absoluta
das medidas.

Os resultados de uma mesma medida, repetida várias vezes por um mesmo operador,
não serão idênticos, por maior que seja o cuidado empregado nas observações.
Assim, podemos dizer que, de uma forma ou de outra, todas as medidas contêm erros.

ERROS – alguns conceitos

Erros acidentais

Os erros acidentais são normalmente originados por enganos ou descuidos e apresentam

uma magnitude muito superior aos outros tipos de erros.

Para que se possa fazer um ajustamento das observações, utilizando, o método dos
mínimos quadrados, é necessário eliminar todos os erros acidentais.

Erros sistemáticos

Os erros sistemáticos repetem-se do mesmo modo sempre que uma determinada ação se
repete nas mesmas circunstâncias. Quando conhecidos, podem ser expressos através de
formulação matemática.

Erros aleatórios

Os erros aleatórios são erros de pequena amplitude cuja origem é desconhecida e que
têm propriedades análogas às propriedades estatísticas de uma amostragem.

Erros Grosseiros (Equívocos)

Erros grosseiros são erros, em grande parte, proveniente de imperícia e descuidos do

operador ou falha instrumental. Estes erros podem ser evitados com cuidado e atenção,
criando-se operações de controle, comparando-se os valores obtidos com medidas já
conhecidas.

Resíduo (v)

Denomina-se de resíduo ao valor simétrico do erro aleatório, ou seja, é a grandeza com

o mesmo valor do erro aleatório, porém com sinal contrário (correção dos erros).

Discrepância

É a diferença entre os valores de duas observações de uma mesma grandeza. Algumas

vezes a discrepância é chamada de erro.

Desvio Padrão

O valor mais provável de uma grandeza é aquele para o qual a soma do quadrado dos
resíduos é mínima. Assim, baseado no principio dos mínimos quadrados, o desvio
padrão é definido como a raiz da média dos quadrados dos resíduos.
CLASSIFICAÇÃO DAS OBSERVAÇÕES

Diretas

As medições são efetuadas diretamente sobre a grandeza, sem que existam meios para
verificação do erro, uma vez que não conhecemos os seus valores reais ou teóricos.
Exemplo: uma distância ou ângulo isolado.

Diretas Condicionadas

São observações independentes entre si, feitas diretamente sobre as grandezas

pesquisadas, entretanto, porém ligadas por alguma equação de condição conhecida.

Exemplo:

Na medida de três ângulos (a, b, c) de um triângulo plano, tem-se que:

a + b + c = 180º.

Indiretas

As observações não são feitas diretamente sobre as grandezas pesquisadas, mas sobre
outras a elas ligadas por meio de relações conhecidas.

Exemplo: coordenadas e áreas.

MEDIDAS DE DISPERSÃO

Vários termos são usados para descrever a qualidade das medidas. É muito comum na
Mensuração o uso dos termos precisão e acurácia.

O termo precisão ou acurácia aparente é o grau de refinamento com a qual uma

grandeza é medida; isto significa o quanto os valores de uma série de medidas estão
próximos uns dos outros.

Se uma grandeza é medida várias vezes, e esta operação tem valores muito próximos
um dos outros; então, dizemos que a precisão é alta.

Normalmente, a precisão é expressa em termos do desvio padrão ou da variância das

medições.

A acurácia (ou exatidão) se refere ao grau de perfeição obtido numa medição, ou seja,
representa o quanto próximo do valor real (valor verdadeiro) foi obtida a medida.

Exemplo
Variância

É a medida de dispersão das observações em torno de um valor mais provável. É

definida como a média do quadrado dos erros aparentes. É comum para o cálculo da
variância, adotar o seguinte critério:

a) Se o número de observações (n) for menor do que 30.

ß²=𝛴 (𝑙𝑖 −𝑙)²

n–1
b) Se o número de observações (n) for maior do que 30.

ß²= 𝛴 (𝑙𝑖 −𝑙)²

n
Covariância - cálculo
A covariância é um tipo de valor usado na Estatística a fim de descrever a relação linear
entre duas variáveis. Quanto mais alta a covariância entre duas variáveis, mais
proximamente os valores delas seguirão as mesmas tendências ao longo de certa
amplitude de pontos de dados (em outras palavras, menos as curvas de ambas as
variáveis divergirão entre si).
Entre os valores x e y pode ser encontrada através da fórmula:

1/(n-1)Σ(xi-xmed)(yi-ymed),
n representa o tamanho da amostra,
xi representa o valor de cada ponto x,
xmed representa a média entre os valores dos pontos x e assim por diante, para yi e
ymed.
Usando a fórmula padrão da covariância temos:

Método 1

1. Organize os dados em uma relação de pontos (x,y). Tudo de que você precisa para
calcular a covariância é um conjunto de pontos de dados para duas variáveis, x e y.

Se você estiver trabalhando com dados de um gráfico, eles virão dos pares coordenados
(x,y) dos pontos existentes; de outro modo, os dados virão dos pares de valores
matematicamente correspondentes às variáveis.
Anote o número de pares x/y combinados. Esse será “n”, o tamanho da amostra,
necessário à resolução da fórmula de covariância.
Exemplo: digamos que somos os administradores de um serviço de entregas e estamos
tentando determinar se o número de cupons oferecidos tem algum efeito sobre as
vendas. Podemos definir x como o número de cupons oferecidos em um determinado
dia e y como o número de vendas realizadas naquele dia. Usando a tabela da imagem
como referências têm:
Primeiro dia ofereceu – x = 1 (cupom) y = 8 (vendas);
Segundo dia ofereceu – x = 3 (cupons) y = 6 (vendas) e assim por diante.

Método 2
2. Encontre a média dos pontos x. Depois de obter uma relação de pares x/y, resolver a
equação de covariância não requer tanto esforço. Para começar, descubra a média dos
valores x. Para fazê-lo, basta somar os valores x e dividir o resultado pela quantidade de
valores (leia o nosso guia sobre como achar médias para instruções detalhadas).
Em nosso exemplo, encontraríamos a média de nossos valores x somando os valores
existentes na coluna “x” da tabela acima e dividindo o resultado pela quantidade de
valores na coluna.
1 + 3 + 2 + 5 + 8 + 7 + 12 + 2 + 4 = 44
44/9 = 4,89

Método 3
3. Encontre a média dos pontos y. Isso será feito exatamente da mesma forma usada
com os pontos x: some os valores y e, a seguir, divida o resultado pela quantidade de
valores.
8 + 6 + 9 + 4 + 3 + 3 + 2 + 7 + 7 = 49 logo teremos: 49/9 = 5.44

Método 4
4 - Insira as variáveis na fórmula
1/(n-1)Σ(xi-xmed)(yi-ymed). Veja o sigma (Σ) presente na fórmula, isso significa que
você precisará subtrair a média x de cada valor x individual e, então, somá-los (a seguir
fazendo o mesmo com a média y e cada valor y individual). Anotar os valores com
cuidado para evitar erros.

1/(n-1)Σ(xi-xmed)(yi-ymed).
(1/8)(((1 - 4,89)+(3 - 4,89)+(2 - 4,89)+(5 - 4,89)+(8 - 4,89)+(7 - 4,89)+(12 - 4,89)+(2 -
4,89)+(4 - 4,89))((8 - 5,44)+(6 - 5,44)+(9 - 5,44)+(4 - 5,44)+(3 - 5,44)+(3 - 5,44)+(2 -
5,44)+(7 - 5,44)+(7 - 5,44))
(1/8)((-0,01)((8 - 5,44)+(6 - 5,44)+(9 - 5,44)+(4 - 5,44)+(3 - 5,44)+(3 - 5,44)+(2 -
5,44)+(7 - 5,44)+(7 - 5,44))

1/(n-1)Σ(xi-xmed)(yi-ymed).

(1/8)(-0,01)(0,04) = 0,00005
A resposta, 0,00005, é muito próxima de zero. Isso significa que a quantidade de
cupons oferecidos, essencialmente, não tem qualquer efeito sobre a quantidade de
vendas realizadas no serviço de entrega.

DISTRTIBUIÇÃO NORMAL
A tendência moderna é substituir a ideia de erros de observações pelo conceito de
propriedades estatísticas das observações, visto serem estas consideradas amostras
extraídas de uma população de variável contínua e infinita.
Em outras palavras, as observações são variáveis aleatórias que seguem uma
distribuição de probabilidade. Assim, é necessário que profissionais de mensuração
conheçam os conceitos básicos de Estatística e Probabilidade.

Probabilidade
Denomina-se probabilidade de um evento ao quociente entre o número de casos
favoráveis e os dos casos possíveis, ou seja, esta definição está intimamente relacionada
com o conceito de frequência relativa.
Este conceito foi proposto por Laplace, embora encerre uma conceituação viciosa, ela é
a adequada para o objetivo deste texto devido sua simplicidade.
A probabilidade de um evento é um número compreendido entre 0 e 1 (ou entre 0% e
100%).
As distribuições normais representam, com bastante frequência e com boa aproximação,
as distribuições de frequências de muitos fenômenos naturais e físicos.

Variável Contínua
O ponteiro ilustra o conceito de variável continua. Uma vez tenha sido posto a girar, o
ponteiro pode parar em qualquer posição ao longo do círculo. Não se pode esperar que
venha a parar exatamente num dos valores inteiros do círculo.
Mesmo levando-se em conta as limitações na mensuração feita ao longo do círculo,
ainda assim há um número extremamente grande de pontos de paradas possíveis.
Imaginemos, por exemplo, o círculo dividido em 8000 partes iguais, em lugar das 8
partes. Se cada posição constitui um ponto de parada tão provável quanto qualquer
outra, somos levados à seguinte conclusão:
Como há tantos resultados possíveis, a probabilidade de o ponteiro parar em qualquer
valor particular é tão pequena, para fins práticos, que deve ser considerada
aproximadamente igual a zero.

AJUSTAMENTO MÉTODO PARAMÉTRICO

No ajustamento de observações denominam-se parâmetros (ou observações indiretas) as

grandezas que não são obtidas diretamente, ou seja, aquelas que são calculadas em
função de grandezas medidas diretamente.
Exemplos típicos de parâmetros são: coordenadas, altitudes, áreas, etc.
O método dos mínimos quadrados estima o valor dos parâmetros, usando o método de
ajustamento paramétrico ou método das equações de observações. A aplicação deste
método exige a formulação das equações de observações que correspondem aos
modelos matemáticos que relacionam os parâmetros e as observações.
Após o processamento do ajustamento, são obtidos os valores dos parâmetros e das
observações ajustadas.
O método paramétrico tem grande aplicação no tratamento de dados corriqueiros da
engenharia de posição, como é o caso do nivelamento, poligonais, triangulações,
trilaterações, ou ainda, combinando-se mais de um dos métodos de obtenção de
coordenadas.
O modelo matemático básico para o ajustamento paramétrico baseia-se na formulação
das equações de observação. Para cada observação formula-se ao menos uma equação.
Considerando-se que se tenha n observações e u parâmetros, então se obtém um
conjunto de n equações com u parâmetros com a seguinte representação matricial:

La =F (Xa )

La : vetor (n x 1) de observações ajustadas;

Xa : vetor (u x 1) de parâmetros desconhecidos ajustados;
F (Xa ) : função representativa do modelo matemático que relaciona as
observações ajustadas com os parâmetros ajustados.

O modelo matemático expressa explicitamente as relações entre as observações e os

parâmetros ajustados.
O objetivo primordial do método paramétrico é estimar os parâmetros desconhecidos
que compõem o vetor X. Como veremos adiante, o vetor X é composto por valores das
correções dos parâmetros aproximados Xo.
Uma vez estimado os valores das correções x, os parâmetros ajustados são obtidos por:
Xa =Xo + X

QUALIDADE DO AJUSTAMENTO

O controle de qualidade de ajustamento dispõe de mecanismo de teste estatístico para

detectar e remover possíveis erros grosseiros e, além disso, avaliar os efeitos dos erros
grosseiros não detectáveis nos parâmetros desconhecidos.
A eficiência desses testes dependerá da controlabilidade (número de redundância) das
observações, ou seja, quanto mais controláveis forem as observações, maior será a
probabilidade de se detectar falhas através dos testes estatísticos.
Esse controle sobre as observações expressa a confiabilidade do ajustamento, tornando
mais seguro e eficaz as aplicações e análises dos dados apresentados.

Teste de Hipóteses
Consistem em ferramentas estatísticas amplamente usadas por engenheiros e cientistas
em combinação com o método dos mínimos de quadrados.
Esses testes são usados para comparar resultados experimentais com determinado
padrão. Buscando avaliar, através das estatísticas amostrais (média e desvio padrão), a
consistência da suposição da amostra extraída de uma população.
As suposições (hipóteses) estatísticas formalizam-se através de sentenças (explícita ou
implícita) sobre a probabilidade de distribuição de uma determinada variável
estocástica.
Assim, os testes de hipóteses são procedimentos que conduzem a uma decisão acerca de
suposições (com base em uma amostra).
Por exemplo, a detecção dos erros grosseiros é feita através da formulação de hipóteses
estatísticas sobre existência ou não de erros grosseiros nas observações de determinado
ajustamento.
No ajustamento, o modelo matemático e modelo estocástico são baseados em um
conjunto de suposições que correspondem às hipóteses estatísticas.
Os pressupostos básicos dos modelos matemáticos e estatísticos dos ajustamentos de
observações geodésicas ou topográficas são:
- Inexistência de erros grosseiros nas observações;
- O modelo matemático fornece uma descrição correta das relações entre as observações
e os parâmetros desconhecidos;
- O modelo estocástico escolhido para as observações descreve corretamente as
propriedades estocásticas das observações.
A decisão de um teste de hipótese implica a não rejeição ou a rejeição da hipótese nula,
que correspondem a quatro casos possíveis:

Não rejeição de uma hipótese realmente verdadeira;

Rejeição de uma hipótese realmente verdadeira – erro tipo I;
Rejeição de uma hipótese realmente falsa;
Não rejeição de uma hipótese realmente falsa – erro tipo II.
Erro do Tipo I (ou erro alfa - α) – conhecida como nível de significância. Em outras
palavras, nível de significância é probabilidade de se rejeitar uma hipótese Ho
verdadeira.
Erro do Tipo II (ou erro beta - β): probabilidade de se incorrer em um erro desse tipo.

Ho é falsa / aceitar Ho
A importância da potência do teste é sua capacidade de revelar a falsidade de Ho
quando a hipótese alternativa Ho é verdadeira.

Rejeitar Ho / Ho falsa

Análise dos Resultados

Quando a hipótese falhar, uma análise cuidadosa do ajustamento deve ser feita, pois ou
a matriz variância-covariância das observações foi mal estimada, ou os resíduos
mostram-se grandes devido a erros grosseiros ou sistemáticos, ou então, o modelo
matemático escolhido pode ser inconsistente.
Para verificar qual das hipóteses alternativas anteriores causou a falha da hipótese zero,
inicia-se a análise pela estimativa de peso, ou seja, o grau de necessidade.
Quando se faz uma análise desse porte devemos tomar o cuidado com o grau de
pessimismo e otimismo. Pois um resultado otimista pode incorrer em erros de variância
e covariância, trazendo pequenas incertezas.
Portanto se o teste global for rejeitado, mas amplitude dos resíduos se mostrarem
compatíveis com a precisão dos equipamentos usados nas medições tem-se razão
suficiente para acreditar que a precisão das observações não foi corretamente estimada e
por isso uma nova matriz variância-covariância Σ sigma pode ser proposta.
Então, o ajustamento será refeito usando essa nova matriz variância-covariância com (Σ
sigma) que testará aceitação da hipótese nula.
REFERENCIAS
JUNIOR, J. G; SIMÕES, A.S. Ajustamento de Observações. Apostila. Universidade
Federal de Viçosa. Viçosa. Minas Gerais.
MORAES, C. V. (1998b). Aplicação do ajustamento às poligonais. 162p. Dissertação
(Mestrado) Universidade Federal do Paraná. Curitiba. Paraná. 1998.
SPIEGEL, M. R. (1993). Estatística. Trad. João Consentino. 3.ed. São Paulo: Makron
Books. 643p.
STEVENSON. W.J. (1981). Estatística Aplicada à Administração. Trad. Alfredo Alves
de Farias. São Paulo. Harper & Row do Brasil.