Escolar Documentos
Profissional Documentos
Cultura Documentos
Ficha catalográfica elaborada automaticamente de acordo com os dados fornecidos pelo(a) autor(a).
This work aims to analyze the degree of adjustment in a closed polygonal "loop",
located at the Federal University of Mato Grosso campus, using two different techniques to
establish the precision of the observations collected in the field. Adjust the method of least
squares the observations, determine the adjusted coordinates of points and compare their
accuracy. Once collected field data, and the verification of their quality, after adjustment by
the least squares method are used for the estimations point where the formulations taken as
ellipse of errors, the confidence ellipse will allow verification of this quality. The work is
done by analyzing and comparing the results obtained using the nominal accuracy of the total
station and accuracy average of observations, checking and suggesting through comparative
accuracies which provides a more accurate result.
1 INTRODUÇÃO.................................................................................................................... 13
2 OBJETIVOS ........................................................................................................................ 14
2.1 OBJETIVO GERAL .............................................................................................................. 14
2.2 OBJETIVOS ESPECÍFICOS ................................................................................................ 14
2.3 OBJETO ................................................................................................................................ 15
2.3.1 Problema............................................................................................................................... 15
2.3.2 Hipóteses ............................................................................................................................... 15
1 INTRODUÇÃO
2 OBJETIVOS
Ajustar pelo método dos mínimos quadrados as coordenadas (XY) dos vértices de uma
poligonal fechada em “loop”, considerando as precisões, nominais da estação total e as
precisões obtidas por repetições na mensuração dos ângulos e distâncias avaliando a precisão
dos parâmetros ajustados.
São os seguintes:
a) materializar com marco identificável na área de estudo as coordenadas
planialtimétricas de dois pontos referenciados a uma única origem (Sistema
Geodésico Brasileiro – SGB) com uso de GPS, sendo que, um dos pontos será
integrante da poligonal fechada e usado como ponto de controle;
b) processar as observações coletadas da poligonal (Ângulos e distâncias)
considerando suas precisões, referenciadas as repetições de leituras e às máximas
estipuladas pelo fabricante da estação total a ser utilizada na coleta de dados;
c) realizar um controle de pré-ajustamento, utilizando o teste qui-quadrado da forma
quadrática do erro de fechamento para verificar a aceitação ou não das observações
coletadas;
d) realizar o ajustamento das observações pela técnica do Método dos Mínimos
Quadrados (MMQ) na forma paramétrica;
e) adotar duas matrizes distintas de Peso no ajustamento das observações. Uma
considerando os elementos de peso como sendo o inverso das precisões obtidas por
repetições das observações, e a outra o inverso das precisões nominais da estação
total;
f) verificar a qualidade do levantamento topográfico após o ajustamento através das
estimações por ponto das elipses, dos erros e de confiança e
g) a partir dos valores das precisões ajustadas para as coordenadas dos pontos da
poligonal, proceder a uma análise de diferença entre elas e comparar os resultados
obtidos.
15
2.3 OBJETO
2.3.1 Problema
2.3.2 Hipóteses
São as seguintes:
3 REVISÃO DE LITERATURA
De acordo com Krakiwsky (1975) e Leick (2004), são três os modelos matemáticos de
ajustamento: F(Xa,La) = 0, F(La) = 0 e La = F(Xa), que correspondem respectivamente ao
método de ajustamento combinado, correlato e paramétrico, que serão sucintamente
demonstrados, com exceção do paramétrico que será utilizado neste trabalho.
F ( X a , La ) 0 (1)
onde:
n: número de observações;
u : número de parâmetros.
17
F ( La ) 0 (2)
La F ( X a ) (3)
V T V mínimo (4)
V T P V mínimo (5)
onde:
Segundo Dalmolin (2004) o método paramétrico pode ser linear ou não linear, essa
determinação dependerá da função F. Será paramétrico linear se F for linear, caso contrário,
será não linear.
18
n L1a n Au u X 1a (6)
onde:
n L1a : vetor (nx1) dos valores observados ajustados, onde n é o número de observações;
ou:
V n Au
n 1 u X 1a n L1b (8)
u N u u X 1 n U1 u 01 (9)
onde:
19
P 02 LB1 (11)
onde:
A variância “a priori”, segundo Gemael (1994), não tem influencia no vetor solução
dos parâmetros estimados na matriz dos coeficientes das equações normais N.
V n Au u X 1 ( n L10 n L1b )
n 1 (14)
onde:
20
L0: é o vetor (nx1) das observações aproximadas, calculadas a partir dos parâmetros
aproximados, ou seja, L0 = F(X0);
L: é o vetor dos termos independentes (nx1), ou discrepâncias, calculados a partir dos valores
dos parâmetros observados menos os valores observados aproximados sendo dado por
n L1 ( n L10 n L1b ) ;
u X 1a u X 10 u X 1 (16)
Pode-se obter o vetor observações ajustadas e dos resíduos com as Equações (13) e
(14) respectivamente.
Segundo Lugnani (1983) e Dalmolin (2004) pode-se obter a representação (X,∑x) dos
parâmetros e sua precisão a partir da utilização do método paramétrico, onde mede-se Lb e
estima-se ∑x.
Pode-se gerar a MVC das correções aos parâmetros ajustados Equação (17) aplicando-
se a lei de propagação de covariâncias na Equação (16). De acordo com Wells (1971),
Mikhail (1976), Leick (1995), Leick (2004), Gemael (1994) e Dalmolin (2004) essas
correções são constantes, então a mesma equação pode fornecer a MVC dos parâmetros
estimados.
X a 02 N 1 (17)
A MVC dos valores observados ajustados é dada pela Equação (18) abaixo:
La 02 AN 1 AT (18)
21
A MVC dos resíduos das observações é dada pela Equação (19) abaixo:
V Lb La (19)
V T PV
02 (20)
nu
onde:
Para montar a matriz dos pesos dada pela Equação (11), é necessário que sejam
conhecidas as precisões com que foram obtidas as observações (ângulos e distâncias).
Partindo de estações genéricas (k, i, j), cujo o ponto (i) considera-se um ponto de
instalação do instrumento medidor de ângulos e distâncias, (k) um ponto situado atrás e (j) um
ponto situado a frente, pode-se trabalhar as equações de observações necessárias ao MMQ.
Desta forma, (Sik) caracteriza a distância do ponto de instalação (i) ao ponto situado atrás (k) e
(Sij), a distância do ponto de instalação (i) ao ponto situado a frente (j). O ângulo horizontal
horário formado entre os três pontos (kij) é obtido pela diferença entre o azimute a vante (Aij)
e o azimute atrás (Aik)
Assim, para determinar o vetor das observações aproximadas expresso pela Equação
(3) é necessário substituir os vetores aproximados obtidos Xa pelo método dos mínimos
quadrados nas equações de observações expressas abaixo:
22
X j Xi
kij Az ij Az ik a tan a tan X k X i (21)
Y j Yi Yk Yi
X ij X ik
Az ij a tan e Az ik a tan (22)
Y Yik
ij
X Y Y
1 1
Xi d ik X k X i Yk Yi
2 2 2 2 2 2
d ij j j i e (23)
3.5 MATRIZ A
F
A . (25)
X a Xa X 0
H a 02 ̂ 02 (27)
ˆ 02 V T PV V T PV
2 gl , como ̂ 02
2
, c2 (28)
0 02
c
gl
2 c2 2 (29)
gl, gl,1
2 2
Nos casos em que a hipótese básica é rejeitada significa que o ajustamento apresenta
problemas e as possíveis causas desses problemas devem ser investigadas.
Na aplicação do teste unilateral, presume-se que quando o teste global é usado para
detectar “outliers” a variância “a posteriori” é maior que a variância “a priori”. Sendo assim,
as hipóteses a serem testadas são as seguintes:
H 0 02 ̂ 02 (30)
Ha 02 ̂ 02 (31)
É necessário calcular a estatística do teste pela Equação (29) que também é utilizada
no cálculo do teste bilateral.
Se com o nível de significância () a Equação (32) for atendida, a hipótese básica não
é rejeitada:
gl2 .1
calc
2
(32)
gl
24
De acordo com Kuang (1996), nos casos em que uma estimativa imprópria da matriz
variância-covariância resultar na rejeição da hipótese zero H0, deve-se analisar os resíduos,
pois eles obedecem a uma função de distribuição normal, com tendência de média igual a
zero, para detectar um possível erro, observa-se se alguma das observações produziu resíduos
excessivos.
ˆ Lb ˆ 02 .Lb (33)
onde:
Os testes “data snooping” de Baarda e o teste Tau de Pope são comumente aplicados
para localizar, detectar e eliminar os erros grosseiros (“outliers”). Nesse trabalho será
abordado somente o teste “data snooping” de Barda para a localização de erros grosseiros.
Baarda (1968) propôs o teste global para a detecção de “outliers” e o teste “data
snooping” para a localização de erros grosseiros.
A estatística do teste é:
vi
wi (34)
l1
ri
onde:
vi: são os valores obtidos do vetor dos resíduos (V = A·X + L) da última iteração;
25
1
R V P (35)
ˆ 2
onde:
V ̂ 02 .P 1 La (36)
H 0 : wi ~ n(0,1) (37)
onde:
wi n 0 ou wi n 0 (38)
1
2 2
Nos casos em que os valores das observações que apresentarem valores excedidos aos
calculados no teste, deve-se revisar os valores ou as medições devem ser repetidas.
De acordo com Shofield e Breach (1972), a elipse de erro é uma expressão gráfica
conveniente da incerteza posicional de um ponto, e sendo absoluta acaba por fornecer a
medida de incerteza relativa do ponto analisado em relação ao ponto fixo da rede.
A elipse de erro em sua forma padrão possui uma região de confiança de 39,4% de
probabilidade em que a posição estimada para o ponto esteja dentro da elipse, centrada na
“posição verdadeira” e a sua construção pode ser feita calculando-se os elementos (semi-eixos
maior e menor e orientação) a partir dos dados constantes na matriz variância-covariância dos
parâmetros ajustados XX . Segundo Gemael (1994), para obtenção de uma região de
probabilidade de 95%, basta multiplicar o semi-eixo maior (a) e menor (b) por um fator de
2,477.
x2 xy
XX ˆ N
2 1
ˆ .( A PA)
2 T 1
2
(39)
0 0
yx y
onde:
̂ 02 : variância “a posteriori”;
xy : covariância x, y;
2 XY
tg 2
X2 Y2 (40)
Os pontos críticos, que são as raízes da Equação (40) são e 90º . O que significa
que as variâncias máxima e mínima estão em eixos ortogonais.
a max X2 (41)
b max Y2 (42)
29
4 MÉTODOS E MATERIAIS
- impressora laser;
b) Software:
- Topcon Tolls. Para processamento dos dados de GPS;
- DMAG2010. Para determinação da convergência meridiana e declinação
magnética;
- MAPGEO. Para transformação de coordenadas geodésica – UTM – coordenadas
topográficas;
- pacote de programas Office 2010 da Microsoft;
- Mathcad 15, versão Demo. Para as análises matemáticas e
- Autocad 2012. Para desenho da área levantada.
4.3 METODOLOGIA
O levantamento topográfico planimétrico será realizado com estação total pelo método
do caminhamento perimétrico ou poligonação a ser realizado no sentido anti-horário com
medição de leitura digital dos ângulos internos ao polígono e distâncias eletrônicas dos lados
do polígono. Para a poligonal a ser levantada, o ponto 1 da mesma será usado como ponto de
controle, cujas as coordenadas (XY) e o azimute verdadeiro do ponto 1 para o ponto 2 (AZv1-
2) serão inicialmente fixadas. Portanto, no total serão levantadas 10 observações, sendo 5
ângulos horizontais horários. Já as observações de distâncias horizontais totalizam 5. Deste
modo ao ser considerado os ângulos horizontais horários (5) e as distâncias horizontais (5),
terá um total de 10 observações (n).
Como as coordenadas do ponto 1 serviram como ponto de controle, estas não serão
ajustadas, ou seja, o número de incógnitas (parâmetros) a serem determinados, serão as
coordenadas X e Y dos 4 pontos restantes da poligonal, totalizando 8 parâmetros ou seja (u =
8). Assim o número de graus de liberdade (GL) será igual a 2 sendo obtido pela Equação (43):
GL n u (43)
Para todas as observações coletadas, irá trabalhar com os valores médios. E para estes
valores determinaram-se também suas respectivas precisões.
Uma vez que os erros de fechamentos estejam abaixo dos limites de tolerâncias
estabelecidos, irá proceder-se com a compensação dos erros de ângulos (erro angular) e nas
distâncias (erro linear). Na compensação será realizado em primeiro lugar a distribuição do
erro angular de fechamento e a seguir será distribuído o erro linear expresso no plano
cartesiano. Uma vez compensados os erros, chegam-se as coordenadas provisórias (X,Y).
O propósito deste trabalho é ajustar as coordenadas (XY), logo tem-se uma variável
aleatória bidimensional, sendo que as componentes ‘X’ e ‘Y’ se consideradas isoladamente,
são variáveis unidimensionais com variância própria.
dimensional podem ser dispostas de modo a formar uma matriz quadrada (n x n) designada
por , onde:
11
2
12 1n
222 2n
21 (44)
2
n1 n 2 nn
Será obtida usando a variância especifica da estação total, elevando o desvio padrão ao
quadrado.
S212 0 0
0 S2 0
Sij 23
(45)
0 0 Sp,p 1
2
34
A G a GT (46)
onde:
Aij: Azimute entre o vértice ocupado (i) pela estação total e o ponto visado (j), sendo:
i
Aij Ao akij (i 1) 180 ; i 1,2, , p ; j i 1 (48)
j 1
sendo:
a : MVC dos ângulos horizontais, cujos componentes são as variâncias obtidas das
especificações da estação total.
Ao efetuar o cálculo das derivadas parciais dos azimutes em relação aos ângulos
horários será obtida uma matriz quadrada, triangular inferior e adimensional (G).
1 0 0 0
1 1 0 0
G 1 1 1 0 (49)
1 1 1 1
35
Será composta pela junção das MVC das distâncias e MVC dos azimutes, resultando
em uma matriz quadrada:
S 0
S ,A (50)
0 A
1 1 1
senA12 senA23 senAp1 S12 cos A12 S23 cos A23
Sp1 cos Ap1
2 Dn
(53)
1 1 1
cos A12 cos A23 cos Ap1 S12senA12 S23senA23 Sp1senAp1
Uma vez que se tem a necessidade de transformar os valores dados em radianos para
segundos de arco, será introduzido em (2Dn) o fator de multiplicação (ρ) sendo o mesmo ρ
36
(“/rad) = 648000/π. Nesta matriz, com já especificado o índice (n) é igual ao número de
observações, logo:
X2 XY
X ,Y (54)
YX Y
2
A poligonal será aceita caso o valor de qui-quadrado calculado (χ2cal) esteja dentro do
intervalo dos valores da distribuição de probabilidade qui-quadrado tabelado (valores
críticos), conforme especificação abaixo.
G2.L.;0,5 Calc
2
G2.L.;10,5 (55)
ET X ,Y E
1
Cal
2
(56)
O termo (
1
X ,Y
) da Equação acima é a inversa da MVC das coordenadas do último
ponto e (E) o vetor dos erros de fechamento em abscissa x (εx) e ordenada y (εy).
x
E (57)
y
x yˆ Y
(58)
y xˆ X
1º Passo
Modelo
Matemático
La = F(Xa)
1ª Dedução 2ª Dedução
2º Passo
Parâmetros 1ª Dedução 2ª Dedução
Observados Equação de: Forma Matricial
(Xo) Sij — Aij — akij Sij — Aij — akij
3º Passo
Matriz dos
Pesos
Se X>0,0001
Se X<0,0001
Parâmetros
Ajustados
Xo = Xa
9º Passo
Vetor dos
Resíduos
V = AX + L
Teste
11º Passo Parâmetros Ajustados Data Snooping
Precisão e Detecção,
Cálculo das Elipse dos Erros localização e
Observações Ajustadas Precisões
MVC e de confiança Eliminação de
“Outliers”
Resíduos
La F ( X a ) (59) (
Onde (La) representa o vetor das observações ajustadas e (Xa) são os parâmetros
ajustados.
Sij2 ( X j X i )2 (Y j Yi )2 (60) (
onde:
k ij senAij
(62) (
Lij cos Aij
fij Pij dxi Pij dx j Qij dy i Qij dy j Aijc " Aijo " VAij
"
(64)
(
onde:
40
648000
Pij cos Aij
Sij
(65)
648000
Qij senAij
Sij
fik Pik dxi Pik dxk Qik dy i Qik dy k Aikc " Aiko " VAik
"
(67)
Onde,
648000
Pik cos Aik
Sik
(68)
648000
Qik senAik
Sik
Esta equação será obtida pela diferença entre as Equações (64) e (67) e será expressa
na Equação (69).
fkij Pik dxk Qik dy k (Pik Pij )dxi (Qij Qik )dy i Pij dx j Qij dy j
(69)
acjik" aojik" Vajik
"
correções (dxi, dyi, dxj, dyj), valores incógnitos, que serão adicionados às coordenadas
provisórias para obter as coordenadas finais ajustadas, será obtido através da derivada parcial
da função representativa da distância observada em relação às coordenadas provisórias dos
vértices, a Equação de observação para a distância como representado abaixo.
( X io X oj ) (Yi o Y jo ) ( X oj X io ) (Y jo Yi o )
dxi dy i dx j dy j
Sijo Sijo Sijo Sijo (71)
S S VSij
c
ij
o
ij
n Au u X1 n L1 nV1 (72)
Onde (A) é a matriz das derivadas parciais da Função (F) em relação aos Parâmetros
aproximados (Xa).
42
F ( X o X o ) (Yi o Y jo ) ( X Jo X Io ) (YJo YI o )
n Au i o j (73)
X1a X io Sij Sijo Sijo Sijo
dxi
dy i
u X1 (74)
dx j
dy j
L Sijc Sijo
n 1 (75)
V VSij
n 1 (76)
Y j Yi Yk Yi
akij arctan arctan (77) (
X j Xi Xk Xi
Y o Y o
Yi o Yko X io X ko Yi o Yko
dxk dy k i j
dxi
S o 2
2 2 2
Siko Siko S o
ij ik
Xo Xo Y jo Yi o X io Y jo (
X ko X io
j i
dy i dx j dy i akij
c
(78)
S o
2 2 2 2
o o o
ij S ik S ij S ij
akij
o
Vakij
segundos de arco, os coeficientes das incógnitas serão multiplicados por ρ(“/rad) = 648000/π.
n Au u X1 n L1 nV1 (79)
Onde (nAu) é a matriz de ordem (n x u) dos coeficientes das incógnitas dados por:
o Y o Y o X o Y o
Yi Yk X ko X io Yi o Yko X ko Yi o
o
A i j
j i
S
S o 2
S o 2
n u 2 2 2 2
o o
S Siko Siko
ik ik ij ij
(80)
X Yi
o
j
o
X X
i
o o
j
S
2 2
o
Sijo
ij
dxk
dy k
dxi
u X1
(81) (
dy i
dx
j
dy j
n
L1 a kij
c
a kij
0
(82)
E o vetor dos resíduos (nV1) de ordem (n x 1) dos ângulos observadas será dado por:
V Vaki j (83)
n 1
nominais da estação total. Essas matrizes serão diagonais, devido a não consideração das
correlações entre as observações.
S21 0 0 0 0 0 0 0
0 S2 0 0 0 0 0 0
2
0 0 S23 0 0 0 0 0
0 0 0 S2 0 0 0 0
Lb
p
(86) (
0 0 0 0 a2 0 0 0
1
0 0 0 0 0 a2 0 0
2
0 0 0 0 0 0 a2 0
3
2
0 0 0 0 0 0 0 ap
Sij ( X j X i )2 (Y j Yi )2 (88)
X j Xi Xk Xi
akij arctan arctan (89) (
Y j Yi Yk Yi
aproximadas (Lo).
46
S12 c
c
S23
c
S34
Sp1
c
Lo c (90)
ap12
c (
a123
ac
234
c
a( p 1) p1
No 5º passo: será encontrado o vetor dos termos independentes (L). Este vetor será o
resultado da diferença do vetor das observações aproximadas (Lo) obtido no 4º Passo, e o
vetor das observações (Lb).
L Lo Lb (91) (
O vetor das observações (Lb) é composto pelos valores das distâncias médias obtidas
no levantamento de campo, pela estação total, assim como os ângulos horários médios obtidos
pelo mesmo equipamento.
4.5.6 Matriz A
No 6º passo: será feita a montagem da matriz design ou matriz A. Esta matriz será
obtida por meio das derivadas parciais das equações de observações em relação aos
parâmetros ajustados no ponto aproximado.
F
Au (92) (
X a
n
Xa Xo
47
48
X N 1 .U (97)
No 8º passo: será determinado o vetor incógnito das correções (X) a serem aplicadas
aos parâmetros aproximados (Xo) para a obtenção dos parâmetros ajustados (Xa), ou seja,
coordenadas dos pontos da poligonal ajustada. Se os valores do vetor incógnito das correções
conterem valores que se afastam de zero, será necessário realizar um processo de iteração.
Para isto, cria-se um novo vetor de parâmetros aproximados que será exatamente igual ao
vetor incógnito das correções obtido neste passo, e volta ao 4º passo, realizando a partir daí
novo ajuste até que o os valores do vetor incógnito das correções possa ser considerado como
zero (neste trabalho será adotado por conveniência: X ≤ 0,0001). Caso o novo vetor incógnito
das correções ainda esteja alto, deve-se repetir novamente o processo de iteração.
49
V A X L (99)
No 9º passo: será determinado o vetor dos resíduos (V), que será utilizado para o
cálculo das observações ajustadas e para o cálculo do sigma zero “a posteriori”.
V T PV
ˆ o2 (100)
gl
Teste Unilateral:
Ho : o2 ˆo2
(104)
Ha : o2 ˆo2
50
b) Estatística do teste:
ˆ o2 V T P V
calc
2
gl (105)
o2 o2
c) Teste da hipótese Ho:
gl2 ,1
2
calc (106)
gl
Caso seja detectada diferença estatística a certo nível de significância α, será
verificado se há problemas no ajustamento. Isto pode ocorrer devido a uma superestimação ou
subestimação dos elementos da matriz dos pesos, determinada no 3º passo, ou a erros de
cálculos. Caso não tenha erros de cálculos, será criada uma nova matriz de peso através de um
escalonamento da MVC das observações multiplicando a mesma pelo valor encontrado da
variância “a posteriori”, conforme expressão abaixo. Feito isto, retornar ao 4º passo e realizar
novo ajustamento.
ˆ Lb ˆ o2 Lb (107) (
4.5.11 Cálculo das MVC: dos parâmetros ajustados, observações ajustadas e resíduos
Após o ajustamento das observações, será obtida a MVC dos parâmetros ajustados (
Xa ), Equação (108):
x2 y2 ( x2 y2 )2
2
máx xy
2
(111)
2 4
x2 y2 ( x2 y2 )2
2
min xy
2
(112)
2 4
52
a máx
2
(113)
b min
2
(114)
A orientação da elipse, ângulo entre o eixo das abscissas e semi-eixo maior será
calculado pela Equação (115):
2 xy
tan 2 (115)
x2 y2
anti-horário.
Inicialmente foi aplicado o teste global em sua forma unilateral, com o proposito de
detectar “outlier”. Se o teste acusar presença de “outlier”, torna-se necessário a verificação da
confiabilidade das observações e do modelo matemático. Logo, os resíduos das observações
ajustadas serão submetidos a testes estatísticos que buscam detectar, localizar e eliminar os
erros grosseiros. No entanto, mesmo que no teste global (unilateral) não seja detectada
“outlier”, estes testes estatísticos tem que ser aplicados, pois podem existir erros grosseiros de
pequenas magnitudes nas observações.
Para isto, será aplicado o modelo simplificado “Data Snooping” de Baarda (1968) para
analisar a relação entre um “outlier” e um erro grosseiro.
Estes valores serão obtidos pela divisão dos resíduos por seus respectivos desvios
padrão que irá resultar em uma estatística denominada, resíduo normalizado, conforme
Equação (116).
vi
wi (116)
l ri
i
onde:
vi: são os valores obtidos do vetor dos resíduos (V = A·X + L). Sendo a matriz (A), o vetor
(X) e o vetor (L) resultados obtidos da última iteração.
ri: são os valores de redundância parcial que se obtém da diagonal da matriz das redundâncias
R obtida através da Equação (117):
1
R P (117)
ˆ o2 V
onde (∑V) é a MVC dos resíduos, Equação (118), e (P) a matriz dos Pesos.
V ˆo2 P 1 La (118)
Na forma matricial, a matriz R será expressa conforme segue.
r1 r12 r1 j r1n
r21 r2 r2 j r2n
R (119)
ri 1 ri 2 ri rin
rn1 rn 2 rnj rn
Para o teste bilateral, a hipótese nula H 0 : wi ~ n(0,1) será rejeitada, ou seja, um
“outlier” será detectado, se para um nível de significância pré-definido α os valores dos
resíduos normalizados estiverem abaixo ou acima dos limites críticos especificados na
Equação (120). Na expressão de Ho, n(0, 1) refere-se à distribuição normal reduzida.
n w i n (120)
1
2 2
54
5 EXPERIMENTAÇÃO E RESULTADOS
2,6E-05 0 0 0 0 0 0 0 0 0
0 2,7E-05 0 0 0 0 0 0 0 0
0 0 2,6E-05 0 0 0 0 0 0 0
0 0 0 2,8E-05 0 0 0 0 0 0
10 Sa 10 = 0 0 0 0 2,8E-05 0 0 0 0 0
0 0 0 0 0 100 0 0 0 0
0 0 0 0 0 0 100 0 0 0
0 0 0 0 0 0 0 100 0 0
0 0 0 0 0 0 0 0 100 0
0 0 0 0 0 0 0 0 0 100
58
2,6E-05 0 0 0 0 0 0 0 0 0
0 2,7E-05 0 0 0 0 0 0 0 0
0 0 2,6E-05 0 0 0 0 0 0 0
0 0 0 2,8E-05 0 0 0 0 0 0
10 SA10 = 0 0 0 0 2,8E-05 0 0 0 0 0
0 0 0 0 0 100 100 100 100 100
0 0 0 0 0 100 200 200 200 200
0 0 0 0 0 100 200 300 300 300
0 0 0 0 0 100 200 300 400 400
0 0 0 0 0 100 200 300 400 500
2,34E-01 -7,63E-01 9,36E-01 7,36E-01 -9,28E-01 -1,38E-04 -1,25E-04 -4,31E-05 2,13E-04 9,29E-05
2D10 =
-9,72E-01 -6,47E-01 -3,52E-01 6,77E-01 3,72E-01 -3,32E-05 1,47E-04 -1,14E-04 -2,31E-04 2,32E-04
Resultando:
9,84E-05 2,88E-06
2( X,Y)2 =
2,88E-06 6,32E-05
Os desvios padrões da abscissa e da ordenada são, respectivamente:
59
X = √9,84E-05 = 9,917E-03 m
Y = √6,32E-05 = 7,949E-03 m
0,5 = 0,005
2 Teórico
2 Teórico coma =
com 1%
1 - 0,5 = 0,995
2 (2; 0,005) = 0,01
2 (2; 0,995) = 10,60
0,5 = 0,025
Teórico
2
2 Teórico coma =
com 5%
1 - 0,5 = 0,975
2 (2; 0,025) = 0,05
2 (2; 0,975) = 7,38
5.1.2.1 Matriz A
Foi desenvolvida a Matriz A de ordem 10x8 (número de equações por número de incógnitas):
0,233964 -0,97225 0 0 0 0 0 0
0,762721 0,64673 -0,762721395 -0,646727 0 0 0 0
0 0 -0,935901446 0,352262 0,93590145 -0,35226195 0 0
0 0 0 0 -0,7362704 -0,67668744 0,73627 0,67669
10 A8 = 0 0 0 0 0 0 0,92833 -0,3718
-6853,96 -1649,35 0 0 0 0 1487,31 3713,98
10212,73 -2311,83 -3358,773821 3961,189 0 0 0 0
-3358,77 3961,19 6238,534561 3689,857 -2879,7607 -7651,04556 0 0
0 0 -2879,76074 -7651,046 725,265758 9995,245872 2154,49 -2344,2
0 0 0 0 2154,49498 -2344,20031 -3641,8 -1369,8
2,648E-05 0 0 0 0 0 0 0 0 0
0 2,703E-05 0 0 0 0 0 0 0 0
0 0 2,628E-05 0 0 0 0 0 0 0
0 0 0 2,834E-05 0 0 0 0 0 0
0 0 0 0 2,764E-05 0 0 0 0 0
10 Lb10 = 0 0 0 0 0 100 0 0 0 0
0 0 0 0 0 0 100 0 0 0
0 0 0 0 0 0 0 100 0 0
0 0 0 0 0 0 0 0 100 0
0 0 0 0 0 0 0 0 0 100
63
37758,145 0 0 0 0 0 0 0 0 0
0 37002,455 0 0 0 0 0 0 0 0
0 0 38055,421 0 0 0 0 0 0 0
0 0 0 35280,681 0 0 0 0 0 0
0 0 0 0 36173,818 0 0 0 0 0
10 P10 = 0 0 0 0 0 0,01 0 0 0 0
0 0 0 0 0 0 0,01 0 0 0
0 0 0 0 0 0 0 0,01 0 0
0 0 0 0 0 0 0 0 0,01 0
0 0 0 0 0 0 0 0 0 0,01
5.1.2.2 Comparação da variância da unidade peso “a priori” com a variância da unidade peso
“a posteriori”
5.1.2.3 Iterações
Serão feitas iterações para que os valores dos parâmetros sejam estabilizados, induzindo os valores do vetor a se aproximarem de zero.
Matriz A:
0,309443669 -0,950917776 0 0 0 0 0 0
0,709696618 0,704507424 -0,709696618 -0,704507424 0 0 0 0
0 0 -0,960634512 0,277815287 0,960634512 -0,277815287 0 0
0 0 0 0 -0,680966783 -0,732314305 0,680966783 0,732314305
10 A8 = 0 0 0 0 0 0 0,95460316 -0,297880526
10881,17516 3540,906319 0 0 0 0 -845,5010634 -2709,535928
-7666,967548 -6778,788845 -3214,207616 3237,882526 0 0 0 0
-3214,207616 3237,882526 2438,474496 -5920,225953 775,7331203 2682,343427 0 0
0 0 775,7331203 2682,343427 -4295,149547 590,3028475 3519,416427 -3272,646275
0 0 0 0 3519,416427 -3272,646275 -2673,915364 5982,182203
67
-0,00435
-0,00096
-0,00336
0,001191
10 v1 = 0,003597
2,795804
3,172519
-0,46492
-4,46215
-1,04125 (m)
68
29,25465 m
39,71504 m
25,22764 m
64,78519 m
10 La1 = 51,5606 m
57,441 "
246,4078 "
60,45611 "
112,3268 "
63,36834 "
Valores de vante
Alinhamento Radianos Arco Segundos
Fez-se o Teste Qui-Quadrado da forma quadrática dos resíduos. Para o teste Bilateral
com o nível de significância a 5%, obtiveram-se os seguintes resultados:
0,5 = 0,025
2 Teórico
2 Teórico coma =
com 5%
1 - 0,5 = 0,975
2 (2; 0,025) = 0,05
2 (2; 0,975) = 7,38
2 Calculado 2,000
= 0,05
2 Teórico
2 Teórico coma =
com 5%
1- = 0,95
2 Calculado 2,000
1,6176E-07 -1,8411E-08 -6,4993E-08 2,29333E-08 6,96187E-08 5,40192E-05 6,13329E-05 -9,0223E-06 -8,6249E-05 -2,0081E-05
-1,8411E-08 2,46771E-07 -1,4241E-08 5,02503E-09 1,52545E-08 1,18364E-05 1,34389E-05 -1,9769E-06 -1,8898E-05 -4,4001E-06
-6,4993E-08 -1,4241E-08 1,93594E-07 1,77389E-08 5,38499E-08 4,17838E-05 4,74409E-05 -6,9787E-06 -6,6713E-05 -1,5533E-05
2,2933E-08 5,02503E-09 1,77389E-08 2,56786E-07 -1,9001E-08 -1,4744E-05 -1,674E-05 2,4625E-06 2,35402E-05 5,48088E-06
10 La10 = 6,9619E-08 1,52545E-08 5,38499E-08 -1,9001E-08 1,98868E-07 -4,4758E-05 -5,0817E-05 7,47541E-06 7,14611E-05 1,66383E-05
5,4019E-05 1,18364E-05 4,17838E-05 -1,4744E-05 -4,4758E-05 0,70770469 -0,22503898 -0,17980795 -0,13015957 -0,17269819
6,1333E-05 1,34389E-05 4,74409E-05 -1,674E-05 -5,0817E-05 -0,22503898 0,697664224 -0,17902263 -0,12265233 -0,17095028
-9,0223E-06 -1,9769E-06 -6,9787E-06 2,4625E-06 7,47541E-06 -0,17980795 -0,17902263 0,741464601 -0,19486942 -0,1877646
-8,6249E-05 -1,8898E-05 -6,6713E-05 2,35402E-05 7,14611E-05 -0,13015957 -0,12265233 -0,19486942 0,653902365 -0,20622104
-2,0081E-05 -4,4001E-06 -1,5533E-05 5,48088E-06 1,66383E-05 -0,17269819 -0,17095028 -0,1877646 -0,20622104 0,737634126
75
8,4025E-08 1,84111E-08 6,49931E-08 -2,2933E-08 -6,9619E-08 -5,4019E-05 -6,1333E-05 9,02231E-06 8,62485E-05 2,00813E-05
1,8411E-08 4,03415E-09 1,4241E-08 -5,025E-09 -1,5254E-08 -1,1836E-05 -1,3439E-05 1,97692E-06 1,88983E-05 4,4001E-06
6,4993E-08 1,4241E-08 5,02721E-08 -1,7739E-08 -5,385E-08 -4,1784E-05 -4,7441E-05 6,97874E-06 6,67131E-05 1,55328E-05
-2,2933E-08 -5,025E-09 -1,7739E-08 6,2593E-09 1,90014E-08 1,47437E-05 1,67399E-05 -2,4625E-06 -2,354E-05 -5,4809E-06
10 v10 = -6,9619E-08 -1,5254E-08 -5,385E-08 1,90014E-08 5,76824E-08 4,47575E-05 5,08172E-05 -7,4754E-06 -7,1461E-05 -1,6638E-05
-5,4019E-05 -1,1836E-05 -4,1784E-05 1,47437E-05 4,47575E-05 0,220337042 0,225038976 0,179807949 0,13015957 0,172698195
-6,1333E-05 -1,3439E-05 -4,7441E-05 1,67399E-05 5,08172E-05 0,225038976 0,230377507 0,179022631 0,122652334 0,170950284
9,0223E-06 1,97692E-06 6,97874E-06 -2,4625E-06 -7,4754E-06 0,179807949 0,179022631 0,18657713 0,194869417 0,187764604
8,6249E-05 1,88983E-05 6,67131E-05 -2,354E-05 -7,1461E-05 0,13015957 0,122652334 0,194869417 0,274139367 0,206221044
2,0081E-05 4,4001E-06 1,55328E-05 -5,4809E-06 -1,6638E-05 0,172698195 0,170950284 0,187764604 0,206221044 0,190407605
76
Precisões:
5.1.3 Localização de erros nas observações pelo teste “Data Snooping” de Baarda
Matriz de redundâncias:
0,341862346 0,073407924 0,266511804 -0,087183916 -0,271364213 -5,82077E-05 -6,60885E-05 9,72187E-06 9,29361E-05 2,16383E-05
0,074907111 0,016084765 0,05839669 -0,019103289 -0,059459925 -1,27542E-05 -1,4481E-05 2,13021E-06 2,03637E-05 4,74128E-06
0,264429901 0,056780895 0,206146394 -0,0674366 -0,209899723 -4,50236E-05 -5,11194E-05 7,51985E-06 7,18859E-05 1,67372E-05
-0,093306105 -0,02003557 -0,072740326 0,023795518 0,074064716 1,58869E-05 1,80379E-05 -2,65344E-06 -2,53655E-05 -5,90585E-06
10 R10 = -0,283249312 -0,06082198 -0,220817783 0,072236046 0,224838236 4,82279E-05 5,47575E-05 -8,05504E-06 -7,7002E-05 -1,79284E-05
-219,7816542 -47,1936003 -171,3391542 56,05011942 174,4587443 0,23742148 0,242487992 0,193749853 0,14025185 0,186088825
-249,537994 -53,5831637 -194,5368415 63,63877101 198,0787944 0,242487992 0,248240461 0,192903643 0,13216252 0,184205384
36,70799596 7,882288887 28,61711548 -9,361507287 -29,13815034 0,193749853 0,192903643 0,201043901 0,209979153 0,202323449
350,9093486 75,35058197 273,5647395 -89,4911405 -278,5455618 0,14025185 0,13216252 0,209979153 0,295395516 0,22221096
81,70230364 17,54389318 63,69414067 -20,83624265 -64,85382666 0,186088825 0,184205384 0,202323449 0,22221096 0,205171383
Agora serão apresentados todos os cálculos obtidos utilizando a precisão da média das
observações.
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
10 Sa 10 = 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 13,024881 0 0 0 0
0 0 0 0 0 0 27,447121 0 0 0
0 0 0 0 0 0 0 2,5281 0 0
0 0 0 0 0 0 0 0 3,861225 0
0 0 0 0 0 0 0 0 0 4
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
10 SA10 = 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 13,02488 13,02488 13,02488 13,02488 13,02488
0 0 0 0 0 13,02488 40,472 40,472 40,472 40,472
0 0 0 0 0 13,02488 40,472 43,0001 43,0001 43,0001
0 0 0 0 0 13,02488 40,472 43,0001 46,86133 46,86133
0 0 0 0 0 13,02488 40,472 43,0001 46,86133 50,86133
81
0,234 -0,763 0,9359 0,7363 -0,928 -0,000138 -0,000125 -4,31E-05 0,000213 9,29E-05
2 D10 =
-0,972 -0,647 -0,352 0,6767 0,3718 -3,32E-05 0,000147 -0,000114 -0,000231 0,000232
1,41E-06 1,64E-07
2( X,Y)2 =
1,64E-07 4,5E-07
X = √1,41E-06 = 0,00119
Y = √4,5E-07 = 0,00067
0,00374
2 E1 =
-0,01486
Para o nível de significância α =1% foram encontrados os valores apresentados na figura abaixo:
82
0,5 = 0,005
Teórico
2
2 Teórico coma =
com 1%
1 - 0,5 = 0,995
2 (2; 0,005) = 0,01
2 (2; 0,995) = 10,60
O valor de χ2 calculado não está entre os valores de χ2 teórico, portanto a poligonal não
é aceita ao nível de significância de 1%.
Para o nível de significância α =5% foram encontrados os valores apresentados na
figura abaixo:
0,5 = 0,025
2 Teórico
2 Teórico coma =
com 5%
1 - 0,5 = 0,975
2 (2; 0,025) = 0,05
2 (2; 0,975) = 7,38
O valor de χ2 calculado não está entre os valores de χ2 teórico, portanto a poligonal não
é aceita ao nível de significância de 5%.
Como pode ser verificada nos cálculos acima, considerando os valores médios das
Precisões de Ângulos e Distâncias, esta poligonal não deve ser aceita para realizar o ajuste
pelo MMQ. No entanto, como a Precisão Linear Relativa obtida no pré-ajustamento
(1:13.737) alcançou um valor acima do recomendado para observações coletadas com Estação
Total (1:10.000), o ajustamento pelo MMQ será realizado.
83
5.2.2.1 Iterações
Serão feitas iterações para que os valores dos parâmetros sejam estabilizados,
induzindo os valores do vetor a se aproximarem de zero.
85
Valores de vante
Alinhamento Radianos Arco Segundos
Est Pi PV Pi+1 Kiji Liji Piji Qiji
1 2 0,425889031 -0,904775405 7403,645812 -3484,988124
2 3 -0,616043403 -0,78771221 -4272,595665 -3341,454324
3 4 0,987838821 -0,155481393 395,6600728 -2513,795206
4 5 0,583989883 0,811760936 4685,976058 3371,14351
5 1 -0,984351615 0,176215488 -455,188232 2542,712197
86
0,5 = 0,005
2 Teórico
2 Teórico coma =
com 1%
1 - 0,5 = 0,995
2 (2; 0,005) = 0,01
2 (2; 0,995) = 10,60
2 Calculado 2,000
= 0,01
Teórico
2
2 Teórico coma =
com 1%
1- = 0,99
2 Calculado 2,000
Precisões:
5.2.3 Localização de erros nas observações pelo teste “Data Snooping” de Baarda
Através dos valores dos eixos maior e menor encontrados para a elipse de confiança
utilizando as observações com a precisão nominal da Estação Total e posteriormente
utilizando a precisão da média das observações, com intuito comparativo, a figura abaixo
apresenta a poligonal com as elipses de confiança.
98
É possível observar que quanto mais se afasta do ponto de controle, maior é a sua
elipse, e quando se aproxima do ponto de controle, as elipses são menores, as observações são
mais precisas.
As elipses de confiança foram menores, ou seja, mais precisas utilizando as
observações com a precisão nominal da Estação Total do que quando foi utilizada a precisão
da média das observações.
A partir de gráficos gerados com os resultados obtidos com a precisão nominal e com
a precisão das observações, é possível fazer comparativos entre os dois métodos.
O Gráfico 1 apresenta os ângulos ajustados pelo MMQ utilizando a precisão nominal e
posteriormente a precisão das observações.
200º,00'00,000''
150º,00'00,000''
100º,00'00,000''
50º,00'00,000''
0º,00'00,000''
5-1-2 1-2-3 2-3-4 3-4-5 4-5-1
O Gráfico 2 das precisões angulares ajustadas pelo MMQ mostra que utilizando a
precisão nominal da Estação Total, a precisão nos cinco pontos sofrem menos variância e são
menores do que utilizando a precisão das médias das observações, que sofrem oscilações
maiores de um ponto para outro e os valores da precisão angular nos pontos são maiores.
100
10,000 ''
8,000 ''
6,000 ''
4,000 ''
2,000 ''
0,000 ''
5-1-2 1-2-3 2-3-4 3-4-5 4-5-1
60,0000 m
50,0000 m
40,0000 m
30,0000 m
20,0000 m
10,0000 m
0,0000 m
1-2 2-3 3-4 4-5 5-1
Gráfico 4 - Gráfico das Precisões das Distâncias Horizontais Ajustadas pelo MMQ
1,000 mm
0,500 mm
0,000 mm
1-2 2-3 3-4 4-5 5-1
Distâncias
O Gráfico Horizontais
5 apresenta as Ajustadas
coordenadas topográficas “X” pelo
ajustadas pelo MMQ, em
MMQ
todos os pontos as coordenadas são menores utilizando a precisão nominal da estação total.
70,0000 m
Distâncias Horizontais
5 - Gráfico
60,0000
Gráfico m das Coordenadas Topográficas “X” Ajustadas pelo MMQ
50,0000 m
40,0000 m
30,0000 m Coordenadas Topográficas 'X'
20,0000 m
10,0000 m
Ajustadas pelo MMQ
0,0000 m m
10060,0000
1-2 2-3 3-4 4-5 5-1
10040,0000 m
Coordenadas X
Com Observações
10020,0000 m obtidas com a Precisão Nominal da Estação Total
10000,0000 m
Com Observações obtidas com a Precisão das Médias das Observações
9980,0000 m
9960,0000 m
9940,0000 m
1 2 3 4 5
Gráfico 6 - Gráfico da Precisão das Coordenadas Topográficas “X” Ajustadas pelo MMQ
2,000 mm
1,500 mm
1,000 mm
0,500 mm
0,000 mm
1 2 3 4 5
9960,0000 m
9940,0000 m
9920,0000 m
9900,0000 m
1 2 3 4 5
Gráfico 8 - Gráfico da Precisão das Coordenadas Topográficas “Y” Ajustadas pelo MMQ
8,000 mm
6,000 mm
4,000 mm
2,000 mm
0,000 mm
1 2 3 4 5
6 CONCLUSÃO
O ajustamento da poligonal fechada em “loop” foi feita pelo método dos mínimos
quadrados utilizando ora as observações com a precisão nominal da Estação Nominal e ora
com a precisão da média das observações, através dos dados coletados em campo e
posteriormente processados, foi possível analisá-los. Com a coleta de dados, com o
ajustamento das observações da poligonal e por fim com a verificação da qualidade do
levantamento topográfico através das elipses de confiança, todos os objetivos do trabalho
foram alcançados.
A hipótese de que as precisões médias das observações obtidas por repetições quando
vinculadas ao processo de ajustamento pelo MMQ proporciona parâmetros ajustados com
maior precisão não foi verdadeira, pois através das analises dos dados processados,
concluímos que utilizando as observações com a precisão nominal das observações obteve-se
precisões maiores que utilizando a precisão da média das observações. A hipótese de que se o
erro de fechamento testado no pré-ajustamento passar no teste do qui-quadrado da forma
quadrática do erro de fechamento, não serão necessários, caso precise, mais do que três
iterações para obter um bom ajuste foi confirmada, pois não foi necessário aplicar mais do
que três iterações para que um ajuste bom e aceitável fosse obtido. Foi confirmada também a
hipótese de que nos pontos mais afastados do ponto de controle, os semi-eixos das elipses de
confiança apresentam maiores dimensões.
105
REFERÊNCIAS BIBLIOGRÁFICAS
GHILANI, C. D., WOLF, P.R. Adjustment computations: spatial data analysis. 4th ed.
New Jersey: John Wiley & Sons, 2006
KUANG, S. Geodetic Network Analisys and Optimal Design: concepts and applications.
Chelsea: Ann Arbor Press. 1996.
LEICK, A. GPS satellite surveying. 2nd. New York: John Wiley and Sons, 1995.
LEICK, A. GPS satellite surveying. 3th. ed. New Jersey: John Wiley and Sons, 2004.
106
MIKHAIL, E. M.; ACKERMANN, F. Observation and Least Squares. New York, IEP,
Dun-Donelly Publisher, 1976.
WELLS, D.E., KRAKIWSKY, E.J. The method of least squares. Lecture note Nº 18,
Department of Geodesy and Geomatics Engineering, University of New Brunswick,
Fredericton, NB, Canada, 1971.
SCHOFIELD, W.; BREACH, M. Engineering Surveying. 6th. ed. Elsevier Ltd. Burlington,
USA, 1972.
UOTILA, U.A. Introduction to adjustment computations with matrices. The Ohio State
University, Department of Geodetic Science, 1986.