Ajustamento de Observações

Prof. Michele Beppler

IFPB – João Pessoa
1. Introdução

 O conceito de Ajustamento de Observações Está vinculado

ao fato de que não há observações verdadeiras, ou seja,
isenta de erros.
 Estes erros, nas medidas(observações), não ocorrem apenas
por falhas humanas, mas também por falhas nos
equipamentos e até mesmo por influências das condições
ambientais.
 O ajustamento de observações se baseia na hipótese de
que ao realizar diversas medições sobre um mesmo objeto é
possível obter um resultado único e com maior confiança, a
partir de processamentos matemáticos.
 Vamos testar!
1. Introdução

 Nos casos mais simples, as observações/medidas são

realizadas diretamente sobre a própria
grandeza/incognita/objeto – denominado de OBSERVAÇÕES
DIRETAS
 Ex: medida de uma distância com uma trena
 Outra possibilidade, menos simples, é quando as
observações se ligam por equações de condição ou
quando medimos grandezas que se vinculam com
parâmetros – denominado de OBSERVAÇÕES INDIRETAS
 Ex: medida de um tempo e uma distância para calcular uma
velocidade.
2. Conceitos

 Ajustamento: É o ramo da matemática aplicada que

objetiva uma solução única para os sistemas de equações
lineares e estima sua precisão.
 Caso ideal: n > u
 Onde: n = número de observações
 u = número de parâmetros/incógnitas
 Ex: Equação da reta: y=ax+b
 Neste exemplo a e b representam os parâmetros
 X e Y representa as observações para a definição do modelo
matemático.
2. Conceitos
 Normalmente n>u é uma regra, mas é possível aplicar
um ajustamento de observações se esta condição não
se cumprir.
 Ajustar: é adaptar um conjunto de observações através
de um modelo matemático afim, de onde a solução
apresente os valores de melhor estimativa.
2. Conceitos

 Modelo Matemático: é uma fórmula

matemática(função) que representa uma situação
física do momento.
 1. modelo matemático funcional ou determinístico:
representa uma realidade física. Ex: equação da
distância
2. Conceitos

 Modelo Matemático: é uma fórmula

matemática(função) que representa uma situação
física do momento.
 2. modelo matemático estocástico: descreve a parte
não determinística das variáveis( os parâmetros).
 Exemplo: Transformação afim
3. Revisão de Estatística

 Probabilidade do espaço E
 P(E) = m/n
Onde m é o número de eventos favoráveis
n é o número de eventos possíveis
 A probabilidade está sempre relacionada a
experimentos, sua frequência ou repetição.
3. Revisão de Estatística

 Espaço Amostral
É o conjunto de todos os resultados possíveis de um
experimento;
 Evento
São os resultados que se obtém ao realizar o experimento;
 Variável aleatória
É uma função que associa a cada elemento de um espaço
amostral, um número real. Ou ainda, é uma função que assume
um valor real em cada ponto de um espaço amostral.
3. Revisão de Estatística
 3. Revisão de Estatística

 Função Densidade
de Probabilidade
Pode ser definida como
uma probabilidade
num intervalo ∆x,
assumindo que seja
contínua e
diferenciável neste
intervalo.
 3. Revisão de Estatística

 Esperança Matemática : E(x)

É definida como a média de todos os valores possíveis que a
variável pode assumir.

Ou
 3. Revisão de Estatística

 Regras:
1) E(cte) = 0
2) E(E(X)) = E(X)
3) E(X+Y) = E(X)+E(Y)
4) E(cte*X) = cte * E(X)
5) E(XY)= E(X)*E(Y)  só vale se X e Y são independentes entre si
6) E(X²) ≠ (E(X))²
 3. Revisão de Estatística

 Variância - x ²
Seja g(x) = (x – E(x))² = (x - µx)²
A Esperança (E(x))desta função é chamada de variância:
E(g(x)) = E(x – E(x))² = var(x) = x²
Ou
x² = E(x)² - E(E(x))²
 3. Revisão de Estatística

 Desvio Padrão - x
É definido pela raiz quadrada aritmética da variância.
x = √ x²
 x ² e x são medidas de dispersão e estão relacionadas a
média.
 3. Revisão de Estatística

 Co-Variância- xy
Envolve sempre duas variáveis aleatórias ( x e y)
É representada assim:
h(x,y) = (x-µx) * (y-µy)
↑ ↑
E(x) E(y)
Ou
Cov(x,y) = xy = E((x-µx) * (y-µy))
 3. Revisão de Estatística

 Matriz Variância Co-Variância

 Quando i = j temos a variância

 Quando i≠j temos a covariância
 Quando a covariância é ≠ de zero significa que as variáveis são correlacionadas.
 Quando a covariância é = 0 significa que as variáveis x e y são independentes.
 3. Revisão de Estatística
Exercício
Dadas as observações abaixo, calcule a
média, a variância e o desvio padrão.
L= 1,2,4,1,1,2,1,1,2
 4. Revisão de Matrizes

 Matriz é um arranjo retangular de números que obedecem

certas regras da álgebra.
 A i,j é o elemento que ocupa a posição definida pelo
cruzamento da linha i com a coluna j.
 4. Revisão de Matrizes

 Costuma-se utilizar a seguinte nomenclatura: nAu

 Onde n é o numero de linhas e u o número de colunas.
 Transferindo para o ajustamento n será o número de
observações e u será o número de incógnitas.
 E n-u define o número do grau de liberdade do sistema.
 4. Revisão de Matrizes

 Características das matrizes:

 Se n= u a matriz é dita quadrada;
 Se n=1 a matriz é chamada de matriz linha;
 Se u=1 a matriz é chamada de matriz coluna;
 Se n=u, aij ≠0 para i=j e aij = 0 para i ≠ j, tem-se a matriz diagonal;
 Se n=u, aij=K para i=j e aij = 0 para i ≠ j, tem-se a matriz escalar;
 Se em uma matriz escalar K=1 , tem-se a matriz identidade;
 Se n=u e aij=0, para todo i,j tem-se a matriz nula.
4. Revisão de Matrizes
Exmplos:
 4. Revisão de Matrizes

 Adição e Subtração de matrizes

 Só pode ser realizado se as matrizes tiverem o mesmo numero
de linhas e de colunas:
nCu=nAu+nBu
 Propriedades fundamentais:
 A+B = B+A  COMUTATIVA
 A+(B+C) = (A+B)+C  ASSOCIATIVA
 B= K*A  MULTIPLICAÇÃO POT UM ESCALAR
 Se K=-1  B=-A
 4. Revisão de Matrizes

 Multiplicação de matrizes
 O produto só é possível se o número de colunas de uma matriz for igual ao
número de linhas da outra matriz. As dimensões da matriz produto será o
numero de linhas da primeira pelo numero de colunas da segunda matriz.
 nCu=nAm*mBu
 Propriedades fundamentais:
 A(B+C)= AB + AC
 (A+B)C = AC+BC
 A(BC) = (AB)C
 AB≠BA  em geral
 AC=AB se B=C
 AB=0 se A ou B = 0
4. Revisão de Matrizes
Exemplos:

Calcule
A+B
A-B
A*B
B*A
 4. Revisão de Matrizes

 Transposta de uma matriz

 Quando trocamos as linhas pelas colunas de uma matriz tem-se
uma matriz transposta.
 B = AT e A = B T
 Propriedades fundamentais:
 (AT) T= A
 (A+B) T = AT + BT
 (n AT)= n AT
 (AB) T = BT * AT  troca a ordem
 Se a matriz for quadrada e A = AT é simétrica
 4. Revisão de Matrizes

 Determinante
 4. Revisão de Matrizes

 Elemento Cofator de uma matriz

 É a submatriz oriunda da subtração da linha i e coluna j
correspondente ao elemento aij, multiplicado por (-1)ij
 ij = (-1)ij * |Mij|

 Propriedades
 |AT| = |A|
 |A*B| = |A|*|B|
 Se |DET|=0 a matriz é singular
 Se |DET|≠0 a matriz é não singular
 4. Revisão de Matrizes

 Adjunta de uma matriz

 A adjunta de uma matriz é a transposta da cofatora.
 Exemplo :
 4. Revisão de Matrizes

 Inversa de uma matriz

 A-1 = adj A / |A|

 Propriedades
 (A-1)-1 = A
 (AB)-1 = B-1 * A-1
 (KA)-1 = 1/k * A-1
 |A-1|= 1/ |A|
 (ABC)-1 = C-1 * B-1 * A-1
 Se A-1 = AT essa matriz é dita ortogonal, então A*AT = AT*A =
Identidade
 5. Teoria dos Erros

 Introdução
 Nenhuma medida é exata, existem variações.
 O processo de medição abrange tanto o levantamento em campo
quanto as tarefas de escritórios(tratamento, processamentos,
análises).
 Para executar uma medição(observação) é preciso, em primeiro
lugar, conhecer o fenômeno a ser medido, o equipamento e a
metodologia a serem utilizados.
 Todas as observações são referidas a um padrão, que pode
pertencer ao SI, como o metro e o segundo.
 Desta forma pode-se dizer que medir significa comparar unidade e
dimensão dos valores com um padrão.
 5. Teoria dos Erros

 Tipos de erros
 Os erros em observações são classificados em 3 tipos:
 a)Grosseiros
 b)Sistemáticos
 c)Acidentais
 5. Teoria dos Erros

 Tipos de erros
 a)Grosseiros
 Ocorrem principalmente devido a desatenção do observador
durante o processo de medição.
 Eles podem ser detectados e eliminados das medições
 Exemplos: anotação errada na caderneta de campo;
apontamento da luneta para o alvo(prisma) errado; marcação
de ponto não homólogo no georeferenciamento de imagens;
etc.
 5. Teoria dos Erros

 Tipos de erros
 b)Sistemáticos
 Ocorrem segundo uma natureza sistemática que, quando conhecida,
pode ser expressa por uma função matemática;
 Nos erros sistemáticos, a magnitude e o sinal , geralmente,
permanecem constante durante o processo de medição.
 Com isso os erros sistemáticos podem ser modulados e minimizados.
Nunca eliminados porque não temos como afirmar que todos os erros
foram sequer detectados.
 Exemplos: dilatação de equipamentos como a trena, pela
temperatura ou tração; umidade e pressão atmosféricas alteram
distancias medidas com distanciometros; a ionosfera afetas os sinais
GNSS.
 5. Teoria dos Erros

 Tipos de erros
 c)Acidentais
 Estes erros não podem ser detectados e por isso não são
eliminados.
 Exemplo: a calagem incorreta de equipamento; a centragem
do equipamento não coincidente com o ponto; etc.
 Diferença entre os erros grosseiros e acidentais: o grosseiro é
pontual e o acidental é para todo o levantamento.
 6. Precisão e Acurácia

 Precisão
 É o grau de proximidade entre os valores observados de um
mesmo objeto. Se as medições sobre o mesmo objeto
apresentarem valores muito próximos, diz-se que elas são
observações precisas. No entanto, se se os valores das
observações são muito dispersos diz-se que as observações são
de baixa precisão.
 A precisão é indicada pela dispersão da curva da função
densidade de probabilidade em relação a média.
 6. Precisão e Acurácia

 Precisão
 Quanto mais estrita
for a curva, mais
precisa são as
observações. Da
mesma forma,
quanto mais longa
for a curva , menos
precisa é a
observação.
 6. Precisão e Acurácia

 Precisão
O desvio padrão
define os pontos de
inflexão da curva,
sendo assim, quanto
menor for o desvio
padrão, maior é a
precisão da medição.
Por isso o desvio
padrão é a medida
de dispersão
comumente utilizada
no ajustamento de
observações.
 6. Precisão e Acurácia

 Acurácia
 É o grau de proximidade das medições em relação ao valor
verdadeiro.
 Uma medida precisa não necessariamente é acurada, pois
esta pode conter erros sistemáticos.
 Para se obter uma boa precisão e acurácia, deve-se reduzir ao
máximo os erros sistemáticos.
6. Precisão e Acurácia
 7. Sistemas de Equações Lineares

 Solução de sistemas de equações lineares:

 Considere o sistema:
 a11*x1 + a12*x2+...+a1n*xn = b1
 a21*x1 + a22*x2+...+a2n*xn = b2
 am1*x1 + am2*x2+...+amn*xn = bm
 Podemos reescrever o sistema da seguinte maneira:

* =
7. Sistemas de Equações Lineares

Ou ainda:
mAn*nX1 = mB1
 7. Sistemas de Equações Lineares
 Considerações:
 Se B=0  o sistema é homogêneo;
 Se B ≠0  o sistema é não homogêneo;
 O sistema pode ser :
 Homogêneo e determinado  nº equações = nº incógnitas
 Homogêneo e indeterminado  nº equações < nº
incógnitas(m<n)
 Não homogêneo, possível e determinado  m=n e det ≠ 0
 Não homogêneo, possível e indeterminado  m<n
 Não homogêneo e impossível  m>n
 Obs: Se m=n com |A| ≠0 nX1=mAn-1 * nB1
 7. Sistemas de Equações Lineares
 Discussão da existência de solução de AX=B
 Definições básicas:
 A matriz aumentada (A,B) de um sistema é a matriz dos
coeficientes aumentada do vetor dos termos independentes.
 7. Sistemas de Equações Lineares
 Discussão da existência de solução de AX=B
 Definições básicas:
 Característica de uma matriz – CAR(A) ou Posto (A)
 É a ordem da maior submatriz de A, cujo determinante é não nulo.
 OBS:
 Se A e (A,B) tem a mesma característica o sistema é possível;
 Se A e (A,B) tem a mesma característica e a característica for igual a
n(incógnitas), então o sistema é possível e determinado
 Se A e (A,B) tem a mesma característica e a característica for <
n(incógnitas), então o sistema é possível e indeterminado
 Se A e (A,B) tem características diferentes, então o sistema não tem
solução.
 7. Sistemas de Equações Lineares
 Exemplos:
 Verificar a solução do sistema abaixo :
 x1 – 2x2 + x3 = 1
 2x1 – 3x2 + 4x3 = 5
 2x1 – 5x2 =0

 x1 – 2x2 + x3 = 1
 2x1 – 3x2 + 4x3 = 5
 2x1 – 5x2 + 2x3 = 1
 7. Sistemas de Equações Lineares
 Exemplos:
 Verificar a solução do sistema abaixo :
 x1 – 2x2 + x3 = 1
 2x1 – 3x2 + 4x3 = 5
 2x1 – 5x2 = -1

 x + 2y – z = 4
 x + 2y – 6z = 7
 2x + 4y + 3z = 5
 7. Sistemas de Equações Lineares
 Exemplos:
 Verificar a solução do sistema abaixo :

 x + 3y +2u + 4v = -9
 2x + 6y + 4u + 8v= -18
 x - y – u + v = -4