Escolar Documentos
Profissional Documentos
Cultura Documentos
Objetivos
O objetivo principal deste Caderno de Estudos é apresentar aos alunos uma introdução consistente do Método
dos Mínimos Quadrados e dar ênfase ao modelo paramétrico em problemas práticos de georreferenciamento
de imóveis rurais, principalmente ajustamento de redes de controle.
Rede de referência cadastral: rede de apoio básico de âmbito municipal para todos os
levantamentos que se destinem a projetos, cadastros ou implantação de obras, sendo
constituída por pontos de coordenadas planialtimétricas materializados no terreno,
referenciados a uma única origem (Sistema Geodésico Brasileiro – SGB) e a um mesmo
sistema de representação cartográfica, permitindo a amarração e consequente incorporação
de todos os trabalhos de topografia num mapeamento de referência cadastral.
Compreendem, em escala hierárquica quanto à exatidão, os pontos geodésicos (de precisão e
de apoio imediato), pontos topográficos e pontos referenciadores de quadras ou glebas,
todos codificados, numerados e localizados no mapeamento de referência cadastral. (NBR
13133, 1994)
O demônio de Laplace
Os chamados erros sistemáticos, produzidos por causas conhecidas, podem ser evitados através de técnicas de
observação ou eliminados a posteriori mediante fórmulas fornecidas pela teoria.
A medida eletrônica de uma distância deve ser depurada do efeito da refração; a leitura de um gravímetro
expurgada da influência da atração luni-solar; a distância zenital de uma estrela corrigida da aberração diurna etc.
Obviamente, não se trata de “erros” mas de influências das condições ambientais que devem ser neutralizadas
através de modelos matemáticos estabelecidos.
Já a reiteração e a pontaria completa (posição direta e inversa) nas observações angulares e a colocação do nível a
igual distância das miras de nivelamento geométrico, são exemplos de planejamento para evitar certas influências
sistemáticas.
Focalizamos assim diversos casos de erros sistemáticos ligados a equipamentos de mensuração e às condições
ambientais em que se processa a observação. Mas erros sistemáticos também podem estar associados ao
homem; é o caso do operador que efetua a cronometragem sempre um pouco antes (ou sempre um
pouco depois) da estrela cruzar o fio do retículo; ou do nivelador que procede a leitura sempre um pouco
abaixo (ou sempre um pouco acima) do traço da mira. Trata-se de erros de eliminação problemática exceto nos
casos de observações diferenciais. (GEMAEL, 1994)
Erros acidentais ou aleatórios
Eliminados os erros sistemáticos, as observações repetidas sobre a mesma grandeza ainda se revelam
inconsistentes; as discrepâncias constatadas são atribuídas aos erros acidentais ou aleatórios que, ao contrário dos
anteriores, ocorrem ora num sentido ora noutro sentido e que não podem ser vinculados a nenhuma causa
conhecida.
Os erros sistemáticos, como a própria denominação sugere, tendem a se acumular; os acidentais, por
apresentarem distribuição normal tendem a se neutralizar quando o número de observações cresce ou tende ao
infinito.
Bem por isso, antes de iniciar um ajustamento, devemos depurar as observações de todas as tendências
sistemáticas, uma vez que a nossa atenção irá se concentrar nos erros acidentais. (GEMAEL, 1994)
Precisão x exatidão x viés
Nos textos de língua inglesa ocorrem dois vocábulos, accuracy e precision que apesar de aparentados não são
sinônimos, e que traduzidos respectivamente por acurácia e precisão.
O termo precisão está vinculado apenas a efeitos aleatórios (ou com a dispersão dos dados ou das
observações) enquanto acurácia (exatidão) vincula-se a ambos, efeitos aleatórios e sistemáticos.
Acurácia: proximidade da medida relativamente ao verdadeiro valor da variável.
Fonte: <www.calibraend.com.br>
c. Grande dispersão de resultados. Erros fortuitos elevados. Não existência de erros sistemáticos:
resultado não preciso, mas exato.
d. Baixa dispersão de resultados. Erros fortuitos pequenos. Não existência de erros sistemáticos:
resultado preciso e exato.
Figura 2.
Fonte: Autor.
Observações diretas x indiretas x diretas condicionadas
Diretas: numa poligonal o geodesista necessita conhecer ângulos e distância para efetuar o transporte de
coordenadas. A medida angular entre dois lados consecutivos constitui um exemplo de observações diretas,
isto é, da observação que procuramos diretamente sobre a grandeza procurada. O mesmo se pode dizer da
medida de comprimento de um desses lados com basímetro de ínvar (ou trena). Medimos diretamente uma
grandeza que se relaciona, por meio de um modelo matemático com as incógnitas que realmente nos
interessam. (GEMAEL, 1994).
E finalmente, se dividirmos o RMSE pelos valores max(v) – min(v), do conjunto dos erros apresentados,
teremos o NRMSD – Normalized root mean square deviation ou desvio quadrático médio normalizado, que é
uma das inúmeras formas de padronizar os dados, principalmente em geoprocessamento, quando
trabalhamos com várias fontes ou escalas de informação. Então, normalizar o RMSE facilita a comparação
entre os conjuntos de dados, ou modelos com diferentes escalas. Embora não haja, segundo a literatura,
meios consistentes para a normalização dos dados.
Indiretas: já a medida do mesmo comprimento com um distanciômetro eletrônico não pode, a rigor, ser
enfocada sob o mesmo prisma apesar de o dial exibir diretamente uma distância; “para medir uma grandeza”
nós a comparamos com outra da mesma espécie denominada unidade; mas neste caso o equipamento mede,
na realidade, uma diferença de fase que é convertida sucessivamente em intervalos de tempo e distância. Não
se trata, portanto, de uma mensuração direta sobre a grandeza procurada. Vejamos um exemplo:
cronometrando a passagem de uma série de vinte estrelas pelo mesmo almicantarado visando à obtenção da
latitude. (GEMAEL, 1994)
Diretas condicionadas: podemos focalizar ainda um terceiro caso: medindo dois ângulos de um triângulo
geodésico com um teodolito estamos realizando observações diretas; mas se estendermos a mensuração ao
terceiro ângulo introduziremos uma condição geométrica através de uma observação superabundante, pois os
três ângulos de um triângulo são funcionalmente dependentes. Nesse caso as observações se dizem diretas
condicionadas.
Ajuste de função
Um problema fundamental da teoria de erros consiste em obter a melhor função f(x) para descrever um
conjunto de pontos experimentais obtidos em medidas de grandezas x e y. Graficamente, o problema
consiste em traçar a curva que melhor descreva o conjunto de pontos em questão. Este processo é
chamado ajuste de uma função ao conjunto de pontos experimentais ou regressão, simplesmente. (VUOLO,
1992)
Regressão linear
A regressão linear é chamada linear porque se considera que a relação da resposta às variáveis é uma função
linear de alguns parâmetros. Os modelos de regressão que não são uma função linear dos parâmetros se chamam
modelos de regressão não linear. Sendo uma das primeiras formas de análise regressiva a ser estudada
rigorosamente, e usada extensamente em aplicações práticas. Isso acontece porque modelos que dependem
de forma linear dos seus parâmetros desconhecidos são mais fáceis de ajustar que os modelos não lineares aos
seus parâmetros, e porque as propriedades estatísticas dos estimadores resultantes são fáceis de determinar.
(REIS, 1994).
Fonte: Autor.
Regressão não linear
A regressão não linear é uma forma de análise observacional em que os dados são modelados por uma
função que é uma combinação não linear de parâmetros do modelo e depende de uma ou mais variáveis
independentes. Os dados são ajustados geralmente pelo Método dos Mínimos Quadrados ou por algum método
de aproximações sucessivas. Um modelo de regressão é não linear quando pelo menos um dos seus
parâmetros aparece de forma não linear. (MAZUCHELI, 2010).
> x<- C(1:20)
> x
> y<- X^2
> y
> plot (x,y)
Figura 4.
Fonte: Autor
Obs.: o problema de ajustar uma função arbitrária a um conjunto de pontos experimentais não tem solução
definitiva. Uma infinidade de funções poderia ser ajustada aos pontos da figura 8, todas satisfatórias do ponto de
vista estatístico.
No que segue é considerado o problema mais restrito de ajustar uma particular função entre tipos de funções
com formas predeterminadas. Como exemplo deste procedimento, pode-se considerar o problema de ajustar um
polinômio de grau qualquer aos pontos da figura 4. A solução do problema consiste em determinar o polinômio
mais adequado para descrever os pontos experimentais. (VUOLO, 1992)
As funções de formas predeterminadas a serem ajustadas podem ser caracterizadas por p parâmetros a1,
a2, …, ai, …. ap. Neste caso, o problema de ajustar uma função se reduz a determinar os valores dos parâmetros
que são mais adequados. Por exemplo, um polinômio é dado por:
f(x) = a + a x + a x2 + … + a xj + … + a xP-1
Nesse caso, devem ser determinados o grau (p – 1) do polinômio, bem como os valores
dos coeficientes ou parâmetros a a1 + a2 + a3 + … + aj+i + … + ap
Obs.: uma função f(x) pode ser “expandida” também em uma série de Fourier onde a função é aproximada pela
soma de senos e cossenos do seguinte modo:
f(x) = a0+ a1 sen(x) +A2 SEN(2X) +a3 sen(3x)+ ... + b1 cos(x) + B2 COS(2X) + ...
Obrigado!